一种预测模型生成、检测数据归一化的方法、装置及设备制造方法及图纸

本申请公开了一种预测模型生成方法、检测数据归一化的方法、装置及设备。通过获取包括至少一个字段的属性值的第一非标准检测数据，对各字段的属性值进行拼接，生成作为第一非标准特征数据的第一非标准特征句。获取包括至少一个字段的属性值的标准检测数据，对各字段的属性值进行拼接，生成作为标准特征数据的标准特征句。利用第一非标准特征数据、标准特征数据以及第一非标准特征数据与标准特征数据是否匹配的标签，训练生成预测模型。预测模型可以实现对输入的第二非标准特征数据以及标准特征数据，输出匹配结果。根据预测模型输出的匹配结果快速并且准确地确定第二非标准检测数据可以归一化的标准检测数据，提高确定检测数据归一化的效率。

【技术实现步骤摘要】
一种预测模型生成、检测数据归一化的方法、装置及设备
本申请涉及数据处理
，具体涉及一种预测模型生成方法、一种检测数据归一化的方法、装置及设备。
技术介绍
检测数据是在利用检测设备对检测物进行检测后得到的数据。检测数据可以用于进行数据分析。例如，在医疗领域中，检测设备得到的医疗检测数据，可以用于对疾病、药物等分析。通过不同的检测设备得到的检测数据存在着不统一的问题，在使用检测数据进行分析之前需要对检测数据进行归一化处理。目前，通常是人工进行检测数据的归一化处理。但是，人工进行检测数据的归一化的效率较低，能够处理的检测数据的数量较少，并且归一化后的结果可能存在着不正确的问题。
技术实现思路
有鉴于此，本申请实施例提供一种预测模型生成方法、一种检测数据归一化的方法、装置及设备，能够实现快速地将非标准检测数据较为准确地归一化至标准检测数据。为解决上述问题，本申请实施例提供的技术方案如下：一种预测模型生成方法，所述方法包括：获取第一非标准检测数据，所述第一非标准检测数据包括至少一个字段的属性值；将所述第一非标准检测数据各字段的属性值进行拼接，生成第一非标准特征句，将所述第一非标准特征句作为第一非标准特征数据；获取标准检测数据，所述标准检测数据包括至少一个字段的属性值；将所述标准检测数据各字段的属性值进行拼接，生成标准特征句，将所述标准特征句作为标准特征数据；利用所述第一非标准特征数据、所述标准特征数据以及所述第一非标准特征数据与所述标准特征数据是否匹配的标签，训练生成预测模型，所述预测模型用于在输入第二非标准特征数据以及标准特征数据时，输出所述第二非标准特征数据与所述目标标准特征数据是否匹配的匹配结果，以使根据所述匹配结果确定所述第二非标准特征数据对应的第二非标准检测数据是否能够归一化到所述标准特征数据对应的标准检测数据。在一种可能的实现方式中，所述将所述第一非标准检测数据各字段的属性值进行拼接，生成第一非标准特征句，包括：将所述第一非标准检测数据中每个字段的字段名称与对应的属性值组成第一属性特征对；将所述第一非标准检测数据中各第一属性特征对进行拼接，生成第一非标准特征句；所述将所述标准检测数据各字段的属性值进行拼接，生成标准特征句，包括：将所述标准检测数据中每个字段的字段名称与对应的属性值组成第二属性特征对；将所述标准检测数据中各第二属性特征对进行拼接，生成标准特征句。在一种可能的实现方式中，所述方法还包括：利用所述第一非标准特征句以及所述标准特征句训练第一语言模型以及第二语言模型。在一种可能的实现方式中，在利用所述第一非标准特征数据、所述标准特征数据以及所述第一非标准特征数据与所述标准特征数据是否匹配的标签，训练生成预测模型之前，所述方法还包括：将所述第一非标准特征句输入所述第一语言模型，得到所述第一非标准特征句的特征向量，将所述第一非标准特征句的特征向量作为第一非标准特征数据；将所述标准特征句输入所述第二语言模型，得到所述标准特征句的特征向量，将所述标准特征句的特征向量作为标准特征数据。在一种可能的实现方式中，所述第一语言模型、所述第二语言模型以及所述预测模型构成孪生网络。一种检测数据归一化的方法，所述方法包括：获取第二非标准检测数据，所述第二非标准检测数据包括至少一个字段的属性值；将所述第二非标准检测数据各字段的属性值进行拼接，生成第二非标准特征句，将所述第二非标准特征句作为第二非标准特征数据；将所述第二非标准特征数据与目标标准特征数据，输入预测模型，得到所述第二非标准特征数据与所述目标标准特征数据是否匹配的匹配结果；所述目标标准特征数据根据目标标准特征句生成，所述目标标准特征句根据所述目标标准检测数据各字段的属性值拼接生成，所述目标标准检测数据为标准检测数据中的任一项；所述预测模型是根据权利要求1-5任一项所述的方法生成的；如果所述匹配结果为所述第二非标准特征数据与所述目标标准特征数据匹配，将所述第二非标准特征数据对应的第二非标准检测数据归一化到所述目标标准特征数据对应的标准检测数据。在一种可能的实现方式中，当所述目标标准特征句根据所述目标标准检测数据各字段的字段名称以及属性值拼接生成，则所述将所述第二非标准检测数据各字段的属性值进行拼接，生成第二非标准特征句，包括：将所述第二非标准检测数据中每个字段的字段名称与对应的属性值组成第三属性特征对；将所述第二非标准检测数据中各第三属性特征对进行拼接，生成第二非标准特征句。在一种可能的实现方式中，当所述目标标准特征数据根据目标标准特征句的特征向量生成，所述方法还包括：将所述第二非标准特征句输入第一语言模型，生成非标准特征向量，将所述非标准特征向量作为第二非标准特征数据；所述目标标准特征句的特征向量是将所述目标标准特征句输入第二语言模型得到的；所述第一语言模型以及所述第二语言模型是根据权利要求3所述的方法生成的。一种预测模型生成装置，所述装置包括：第一获取单元，用于获取第一非标准检测数据，所述第一非标准检测数据包括至少一个字段的属性值；第一拼接单元，用于将所述第一非标准检测数据各字段的属性值进行拼接，生成第一非标准特征句，将所述第一非标准特征句作为第一非标准特征数据；第二获取单元，用于获取标准检测数据，所述标准检测数据包括至少一个字段的属性值；第二拼接单元，用于将所述标准检测数据各字段的属性值进行拼接，生成标准特征句，将所述标准特征句作为标准特征数据；第一训练单元，用于利用所述第一非标准特征数据、所述标准特征数据以及所述第一非标准特征数据与所述标准特征数据是否匹配的标签，训练生成预测模型，所述预测模型用于在输入第二非标准特征数据以及标准特征数据时，输出所述第二非标准特征数据与所述目标标准特征数据是否匹配的匹配结果，以使根据所述匹配结果确定所述第二非标准特征数据对应的第二非标准检测数据是否能够归一化到所述标准特征数据对应的标准检测数据。一种检测数据归一化的装置，所述装置包括：第三获取单元，用于获取第二非标准检测数据，所述第二非标准检测数据包括至少一个字段的属性值；第三拼接单元，用于将所述第二非标准检测数据各字段的属性值进行拼接，生成第二非标准特征句，将所述第二非标准特征句作为第二非标准特征数据；第三输入单元，用于将所述第二非标准特征数据与目标标准特征数据，输入预测模型，得到所述第二非标准特征数据与所述目标标准特征数据是否匹配的匹配结果；所述目标标准特征数据根据目标标准特征句生成，所述目标标准特征句根据所述目标标准检测数据各字段的属性值拼接生成，所述目标标准检测数据为标准检测数据中的任一项；所述预测模型是根据所述的方法生成的；归一化单元，用于如果所述匹配结果为所述第二非标准特征数据与所述目标标准特征数据匹配，将所述第二非标准特征数据对应的第二非标准本文档来自技高网...

【技术保护点】
1.一种预测模型生成方法，其特征在于，所述方法包括：/n获取第一非标准检测数据，所述第一非标准检测数据包括至少一个字段的属性值；/n将所述第一非标准检测数据各字段的属性值进行拼接，生成第一非标准特征句，将所述第一非标准特征句作为第一非标准特征数据；/n获取标准检测数据，所述标准检测数据包括至少一个字段的属性值；/n将所述标准检测数据各字段的属性值进行拼接，生成标准特征句，将所述标准特征句作为标准特征数据；/n利用所述第一非标准特征数据、所述标准特征数据以及所述第一非标准特征数据与所述标准特征数据是否匹配的标签，训练生成预测模型，所述预测模型用于在输入第二非标准特征数据以及标准特征数据时，输出所述第二非标准特征数据与所述目标标准特征数据是否匹配的匹配结果，以使根据所述匹配结果确定所述第二非标准特征数据对应的第二非标准检测数据是否能够归一化到所述标准特征数据对应的标准检测数据。/n

【技术特征摘要】
1.一种预测模型生成方法，其特征在于，所述方法包括：
获取第一非标准检测数据，所述第一非标准检测数据包括至少一个字段的属性值；
将所述第一非标准检测数据各字段的属性值进行拼接，生成第一非标准特征句，将所述第一非标准特征句作为第一非标准特征数据；
获取标准检测数据，所述标准检测数据包括至少一个字段的属性值；
将所述标准检测数据各字段的属性值进行拼接，生成标准特征句，将所述标准特征句作为标准特征数据；
利用所述第一非标准特征数据、所述标准特征数据以及所述第一非标准特征数据与所述标准特征数据是否匹配的标签，训练生成预测模型，所述预测模型用于在输入第二非标准特征数据以及标准特征数据时，输出所述第二非标准特征数据与所述目标标准特征数据是否匹配的匹配结果，以使根据所述匹配结果确定所述第二非标准特征数据对应的第二非标准检测数据是否能够归一化到所述标准特征数据对应的标准检测数据。


2.根据权利要求1所述的方法，其特征在于，
所述将所述第一非标准检测数据各字段的属性值进行拼接，生成第一非标准特征句，包括：
将所述第一非标准检测数据中每个字段的字段名称与对应的属性值组成第一属性特征对；
将所述第一非标准检测数据中各第一属性特征对进行拼接，生成第一非标准特征句；
所述将所述标准检测数据各字段的属性值进行拼接，生成标准特征句，包括：
将所述标准检测数据中每个字段的字段名称与对应的属性值组成第二属性特征对；
将所述标准检测数据中各第二属性特征对进行拼接，生成标准特征句。


3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
利用所述第一非标准特征句以及所述标准特征句训练第一语言模型以及第二语言模型。


4.根据权利要求3所述的方法，其特征在于，在利用所述第一非标准特征数据、所述标准特征数据以及所述第一非标准特征数据与所述标准特征数据是否匹配的标签，训练生成预测模型之前，所述方法还包括：
将所述第一非标准特征句输入所述第一语言模型，得到所述第一非标准特征句的特征向量，将所述第一非标准特征句的特征向量作为第一非标准特征数据；
将所述标准特征句输入所述第二语言模型，得到所述标准特征句的特征向量，将所述标准特征句的特征向量作为标准特征数据。


5.一种检测数据归一化的方法，其特征在于，所述方法包括：
获取第二非标准检测数据，所述第二非标准检测数据包括至少一个字段的属性值；
将所述第二非标准检测数据各字段的属性值进行拼接，生成第二非标准特征句，将所述第二非标准特征句作为第二非标准特征数据；
将所述第二非标准特征数据与目标标准特征数据，输入预测模型，得到所述第二非标准特征数据与所述目标标准特征数据是否匹配的匹配结果；所述目标标准特征数据根据目标标准特征句生成，所述目标标准特征句根据所述目标标准检测数据各字段的属性值拼接生成，所述目标标准检测数据为标准检测数据中的任一项；所述预测模型是根据权利要求1-5任一项所述的方法生成的；
...

【专利技术属性】
技术研发人员：艾迪歌，张陈，金圣海，李楠超，赵刚，
申请(专利权)人：东软集团股份有限公司，东软集团广州有限公司，
类型：发明
国别省市：辽宁;21