[發(fā)明專利]一種基于機(jī)器學(xué)習(xí)的表格數(shù)據(jù)結(jié)構(gòu)化方法

有效

• 申請?zhí)枺?/td>: 201910623601.0
• 申請日: 2019-07-11
• 公開（公告）號: CN110362620B
• 公開（公告）日: 2021-04-06
• 發(fā)明（設(shè)計）人: 廖聞劍;李曙光;宋萬軍;姜廣棟;楊萬剛;尹若成
• 申請（專利權(quán)）人: 南京烽火星空通信發(fā)展有限公司
• 主分類號: G06F16/25
• 分類號: G06F16/25;G06F16/35;G06F16/36
• 代理公司: 南京經(jīng)緯專利商標(biāo)代理有限公司 32200
• 代理人: 楊海軍

1.一種基于機(jī)器學(xué)習(xí)的表格數(shù)據(jù)結(jié)構(gòu)化方法，用于針對待處理電子表格中的數(shù)據(jù)項進(jìn)行結(jié)構(gòu)化處理，其特征在于，包括如下步驟：

步驟A.針對預(yù)設(shè)數(shù)量樣本電子表格中、各個單元格內(nèi)的對象進(jìn)行數(shù)量統(tǒng)計，分別獲得其中各個對象、以及其所對應(yīng)的數(shù)量，構(gòu)建字典表，然后進(jìn)入步驟B；

步驟B.分別針對待處理電子表格中的各個單元格，統(tǒng)計單元格內(nèi)對象在待處理電子表格中出現(xiàn)的次數(shù)count，然后進(jìn)入步驟C；

步驟C.分別針對待處理電子表格中的各個單元格，獲得單元格內(nèi)對象對應(yīng)于字典表中的數(shù)量c，其中，若字典表中不存在待處理電子表格中單元格內(nèi)的對象，則待處理電子表格中該單元格內(nèi)對象對應(yīng)于字典表中的數(shù)量為0，然后進(jìn)入步驟D；

步驟D.分別針對待處理電子表格中的各個單元格，根據(jù)如下公式：

獲得單元格所對應(yīng)的分?jǐn)?shù)score，然后進(jìn)入步驟E；

步驟E.分別針對待處理電子表格中的各行，獲得行中各單元格所對應(yīng)分?jǐn)?shù)score之和，作為該行所對應(yīng)的分?jǐn)?shù)；

同時，分別針對待處理電子表格中的各列，獲得列中各單元格所對應(yīng)分?jǐn)?shù)score之和，作為該列所對應(yīng)的分?jǐn)?shù)；

即獲得待處理電子表格中各行、各列分別所對應(yīng)的分?jǐn)?shù)，然后進(jìn)入步驟F；

步驟F.根據(jù)待處理電子表格中各行分別所對應(yīng)的分?jǐn)?shù)，針對待處理電子表格中各行進(jìn)行聚類，并分別獲得各個行聚類中、各行所對應(yīng)分?jǐn)?shù)的平均值，作為各個行聚類分別所對應(yīng)的分?jǐn)?shù)，再選擇最高分?jǐn)?shù)的行聚類，作為待選行聚類；

同時，根據(jù)待處理電子表格中各列分別所對應(yīng)的分?jǐn)?shù)，針對待處理電子表格中各列進(jìn)列聚類，并分別獲得各個列聚類中、各列所對應(yīng)分?jǐn)?shù)的平均值，作為各個列聚類分別所對應(yīng)的分?jǐn)?shù)，再選擇最高分?jǐn)?shù)的列聚類，作為待選列聚類；

然后進(jìn)入步驟G；

步驟G.針對待選行聚類中的各行，選擇最高分?jǐn)?shù)的行，并根據(jù)該行的分?jǐn)?shù)，獲得該行中各非空單元格的平均分?jǐn)?shù)，作為行單元格平均分?jǐn)?shù)；

同時，針對待選列聚類中的各列，選擇最高分?jǐn)?shù)的列，并根據(jù)該列的分?jǐn)?shù)，獲得該列中各非空單元格的平均分?jǐn)?shù)，作為列單元格平均分?jǐn)?shù)；

然后進(jìn)入步驟H；

步驟H.若行單元格平均分?jǐn)?shù)大于列單元格平均分?jǐn)?shù)，則待選行聚類中的各行即為待處理電子表格中的各個表頭行，獲取其中各個表頭項，并進(jìn)入步驟J；

若行單元格平均分?jǐn)?shù)小于列單元格平均分?jǐn)?shù)，則待選列聚類中的各列即為待處理電子表格中的各個表頭列，獲取其中各個表頭項，并進(jìn)入步驟J；

步驟J.根據(jù)待處理電子表格中的各個表頭項，讀取待處理電子表格中的各個數(shù)據(jù)項，進(jìn)行表格數(shù)據(jù)的結(jié)構(gòu)化。

2.根據(jù)權(quán)利要求1所述一種基于機(jī)器學(xué)習(xí)的表格數(shù)據(jù)結(jié)構(gòu)化方法，其特征在于：所述步驟A中，在構(gòu)建獲得所述字典表后，采用如下步驟Ⅰ至步驟Ⅱ，針對字典表進(jìn)行更新，然后進(jìn)入步驟B；

步驟Ⅰ.獲取字典表中各個對象分別所對應(yīng)數(shù)量的最大數(shù)量值，然后進(jìn)入步驟Ⅱ；

步驟Ⅱ.分別針對字典表中的各個對象，執(zhí)行如下步驟Ⅱ-1至步驟Ⅱ-2，針對對象所對應(yīng)的數(shù)量進(jìn)行更新，進(jìn)而更新字典表；

步驟Ⅱ-1.判斷對象是否屬于預(yù)設(shè)表頭項集合，是則針對該對象所對應(yīng)的數(shù)量置為最大數(shù)量值，否則進(jìn)入步驟Ⅱ-2；

步驟Ⅱ-2.判斷對象是否屬于預(yù)設(shè)數(shù)據(jù)項集合，是則針對該對象所對應(yīng)的數(shù)量置為0，否則針對該對象所對應(yīng)的數(shù)量不修改。

3.根據(jù)權(quán)利要求1所述一種基于機(jī)器學(xué)習(xí)的表格數(shù)據(jù)結(jié)構(gòu)化方法，其特征在于：所述步驟F中，根據(jù)待處理電子表格中各行分別所對應(yīng)的分?jǐn)?shù)，按如下步驟Fa-1至步驟Fa-3，針對待處理電子表格中各行進(jìn)行聚類；

步驟Fa-1.獲取待處理電子表格中各行分別所對應(yīng)分?jǐn)?shù)中的最小行分?jǐn)?shù)與最大行分?jǐn)?shù)，并進(jìn)入步驟Fa-2；

步驟Fa-2.針對最小行分?jǐn)?shù)至最大行分?jǐn)?shù)的跨度，按預(yù)設(shè)各個行分?jǐn)?shù)等級進(jìn)行劃分，獲得各個行分?jǐn)?shù)區(qū)間，然后進(jìn)入步驟Fa-3；

步驟Fa-3.根據(jù)待處理電子表格中各行分別所對應(yīng)的分?jǐn)?shù)，將待處理電子表格中各行、劃分至各個行分?jǐn)?shù)區(qū)間中，擁有待處理電子表格行的各個行分?jǐn)?shù)區(qū)間，即為各個行聚類；

同時，根據(jù)待處理電子表格中各列分別所對應(yīng)的分?jǐn)?shù)，按如下步驟Fb-1至步驟Fb-3，針對待處理電子表格中各列進(jìn)列聚類；

步驟Fb-1.獲取待處理電子表格中各列分別所對應(yīng)分?jǐn)?shù)中的最小列分?jǐn)?shù)與最大列分?jǐn)?shù)，并進(jìn)入步驟Fb-2；

步驟Fb-2.針對最小列分?jǐn)?shù)至最大列分?jǐn)?shù)的跨度，按預(yù)設(shè)各個列分?jǐn)?shù)等級進(jìn)列劃分，獲得各個列分?jǐn)?shù)區(qū)間，然后進(jìn)入步驟Fb-3；

步驟Fb-3.根據(jù)待處理電子表格中各列分別所對應(yīng)的分?jǐn)?shù)，將待處理電子表格中各列、劃分至各個列分?jǐn)?shù)區(qū)間中，擁有待處理電子表格列的各個列分?jǐn)?shù)區(qū)間，即為各個列聚類。