[發明專利]基于監督學習的分類方法、裝置、設備及存儲介質

在審

• 申請號: 202111006927.2
• 申請日: 2021-08-30
• 公開（公告）號: CN113722435A
• 公開（公告）日: 2021-11-30
• 發明（設計）人: 邵岑
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06F16/33
• 分類號: G06F16/33;G06F16/35;G06F40/289;G06K9/62
• 代理公司: 深圳中一聯合知識產權代理有限公司 44414
• 代理人: 楊志強

本申請適用于人工智能技術領域，提供了基于監督學習的分類方法、裝置、設備及存儲介質。包括：獲取待分類的運維文件；在運維文件中提取目標運維文件；將目標運維文件輸入到已訓練的運維文件分類模型中進行處理，得到目標運維文件對應的分類結果；對分類結果進行聚類操作，得到聚類集合；根據聚類集合顯示目標運維文件和分類結果。上述方案中，在待分類的運維文件中篩選了符合預設格式的目標運維文件，去除待分類的運維文件中的冗余文件，加快了分類的速度。采用監督學習，基于支持向量機對樣本訓練集進行訓練得到運維文件分類模型，通過該運維文件分類模型對目標運維文件進行分類處理，提高了分類效率，得到的分類結果更加準確。

技術領域

本申請屬于人工智能技術領域，尤其涉及基于監督學習的分類方法、分類裝置、分類設備及存儲介質。

背景技術

在日常運維工作中，因工作或項目會產生大量運維文檔，許多用戶電腦上的運維文檔放置雜亂無章。即使將這些運維文檔統一放置在一個文件夾里，也未對這些運維文檔進行明確的分類，尤其當運維文檔的數量增多，更加無法有效管理。隨著時間的推移，這些運維文檔會越來越多，面對眾多又復雜的運維文檔，如何進行統一管理，方便文檔的快速使用至關重要。

傳統的方法大多是用戶自行手動分類，但這樣分類效率低、容易出錯，無法應對大量運維文檔的場景，且對分類文檔無法統一管理，導致文檔不能被快速有效地使用。

發明內容

有鑒于此，本申請實施例提供了基于監督學習的分類方法、分類裝置、分類設備及存儲介質，以解決傳統的運維文檔分類方法，分類效率低、容易出錯，對分類文檔無法統一管理，導致文檔不能被快速有效地使用的問題。

本申請實施例的第一方面提供了一種基于監督學習的分類方法，該分類方法包括：

獲取待分類的運維文件；

在所述運維文件中提取目標運維文件，所述目標運維文件的文件格式符合預設格式；

將所述目標運維文件輸入到已訓練的運維文件分類模型中進行處理，得到所述目標運維文件對應的分類結果，所述運維文件分類模型是采用監督學習，基于支持向量機對樣本訓練集進行訓練得到的；

對所述分類結果進行聚類操作，得到聚類集合；

根據所述聚類集合顯示所述目標運維文件，以及所述目標運維文件對應的分類結果。

可選地，所述在所述運維文件中提取目標運維文件，包括：

獲取預設的文件掃描程序；

采用所述文件掃描程序對所述運維文件進行掃描處理，得到所述目標運維文件。

可選地，所述在所述運維文件中提取目標運維文件，包括：

獲取預設的文件掃描程序；

采用所述文件掃描程序對所述運維文件進行掃描處理，得到初始運維文件；

對所述初始運維文件進行去重處理，得到所述目標運維文件。

可選地，所述將所述目標運維文件輸入到已訓練的運維文件分類模型中進行處理，得到所述目標運維文件對應的分類結果，包括：

獲取所述目標運維文件對應的文本內容；

采用所述運維文件分類模型，提取所述文本內容對應的文本向量特征；

對所述文本向量特征進行分類，得到所述分類結果。

可選地，所述采用所述運維文件分類模型，提取所述文本內容對應的文本向量特征，包括：

對所述文本內容進行分詞處理，得到多個分詞；

采用所述運維文件分類模型對每個分詞進行映射處理，得到每個分詞對應的詞向量特征；