一种基于人工智能的电子信息数据关联方法及系统技术方案

本发明专利技术涉及数据关联领域，特别是一种基于人工智能的电子信息数据关联方法及系统。通过得到待关联第一电子信息数据；基于Apriori关联规则算法建立Apriori电子信息数据关联模型，通过对K阶频繁项集生成K+1阶频繁项集的过程进行三次预剪枝，减去Apriori电子信息数据关联模型中的候选项集数量，得到目标Apriori电子信息数据关联模型；获取系统中的第二电子信息数据，将第二电子信息数据输入至目标Apriori电子信息数据关联模型中进行关联，得到电子信息数据关联结果；根据电子信息数据关联结果对第二电子信息数据的关联度进行评估，提高了电子信息数据关联的准确度，从而可以标识出电子信息数据中各关联关系的准确性和可靠性，进而能够得到更加准确的关联结果。进而能够得到更加准确的关联结果。进而能够得到更加准确的关联结果。

【技术实现步骤摘要】
一种基于人工智能的电子信息数据关联方法及系统


[0001]本专利技术涉及数据关联领域，特别是一种基于人工智能的电子信息数据关联方法及系统
。

技术介绍

[0002]国内互联网行业的发展，越来越多利用电子信息数据对各行业进行分析关联，并对关联结果做出决策的过程
。
在现有的数据关联过程中不能对用户需求进行分析，用户一般输入的是多模态信息，通过对多模态信息进行相似关联，并不会对输入者的社交关系和自身性格进行分析，这样在处理过程中，无法获取用户所想要交互的隐藏信息，展示的交互信息未必是客户所需要的；因此如何利用人工智能技术提升电子信息数据关联的效率和结果是现阶段丞待解决的技术问题
。

技术实现思路

[0003]本专利技术的目的是为了解决上述问题，设计了一种基于人工智能的电子信息数据关联方法及系统
。
[0004]实现上述目的本专利技术的技术方案为，进一步，在上述一种基于人工智能的电子信息数据关联方法中，所述电子信息数据关联方法包括以下步骤：获取系统中的第一电子信息数据，对所述第一电子信息数据进行数据预处理，得到待关联第一电子信息数据；基于
Apriori
关联规则算法建立
Apriori
电子信息数据关联模型，通过对
K
阶频繁项集生成
K+1
阶频繁项集的过程进行三次预剪枝，减去所述
Apriori
电子信息数据关联模型中的候选项集数量，得到初始
Apriori
电子信息数据关联模型；将所述待关联第一电子信息数据输入至所述初始
Apriori
电子信息数据关联模型中进行训练，利用二进制编码方式获取候选项集的事务支持度，得到目标
Apriori
电子信息数据关联模型；获取系统中的第二电子信息数据，将所述第二电子信息数据输入至所述目标
Apriori
电子信息数据关联模型中进行关联，得到电子信息数据关联结果；根据所述电子信息数据关联结果对所述第二电子信息数据的关联度进行评估，若第二电子信息数据的关联度的评估结果为大于
97%
，则基于所述第二电子信息数据做出决策；若第二电子信息数据的关联度的评估结果为小于
97%
，则调整所述第二电子信息数据，得到目标电子信息数据，将所述目标电子信息数据输入至所述目标
Apriori
电子信息数据关联模型中进行关联
。
[0005]进一步，在上述电子信息数据关联方法中，所述获取系统中的第一电子信息数据，对所述第一电子信息数据进行数据预处理，得到待关联第一电子信息数据，包括：获取系统中的第一电子信息数据，所述第一电子信息数据至少包括用户电子身份
信息
、
商品价格信息
、
商品类型信息；利用邻近值算法补充所述第一电子信息数据中的缺失值，得到邻近电子信息数据；对所述邻近电子信息数据进行降噪处理，得到降噪电子信息数据；将降噪电子信息数据中的价格标签
、
商品标签
、
时间标签和商家标签的一致性进行处理，得到待关联第一电子信息数据
。
[0006]进一步，在上述电子信息数据关联方法中，所述基于
Apriori
关联规则算法建立
Apriori
电子信息数据关联模型，通过对
K
阶频繁项集生成
K+1
阶频繁项集的过程进行三次预剪枝，减去所述
Apriori
电子信息数据关联模型中的候选项集数量，得到初始
Apriori
电子信息数据关联模型，包括：基于
Apriori
关联规则算法建立
Apriori
电子信息数据关联模型；扫描原始数据库，利用三角矩阵进行存储，所述原始数据库中出现的所有单个项作为矩阵的行与列，根据矩阵得到频繁1‑
项集与频繁2‑
项集；将频繁1‑
项集进行0‑1编码，编码长度为数据库中事务的个数，若频繁项集存在于该事务中，则用“1”表示，否则用“0”表示；判断频繁
k
‑
项集（
k≥2
）中单个项出现的次数是否小于
k
（
k≥2
），若小于
k
（
k≥2
），则删除所述频繁
k
‑
项集（
k≥2
），否则保留所述频繁
k
‑
项集（
k≥2
）；将保留的所述频繁
k
‑
项集（
k≥2
）自连接生成候选（
k+1
）
‑
项集（
k≥2
），建立非频繁项集辅助表，将非频繁项集放到辅助表中，并将候选（
k+1
）
‑
项集（
k≥2
）与辅助表进行匹配，若匹配成功则删除此候选项集，否则保留此候选项集，对候选（
k+1
）
‑
项集（
k≥2
）进行第二次剪枝；遍历频繁 k
‑
项集（
k≥2
）中的每一个频繁项集，判断其是否为中，保留下来的各候选项集的子集，遍历完成后，删除掉有
k
维子集不在频繁
k
‑
项集中的（
k+1
）
‑
候选项集，对候选（
k+1
）
‑
项集（
k≥2
）进行第三次剪枝，得到初始
Apriori
电子信息数据关联模型
。
[0007]进一步，在上述电子信息数据关联方法中，所述将所述待关联第一电子信息数据输入至所述初始
Apriori
电子信息数据关联模型中进行训练，利用二进制编码方式获取候选项集的事务支持度，得到目标
Apriori
电子信息数据关联模型，包括：将所述待关联第一电子信息数据输入至所述初始
Apriori
电子信息数据关联模型中进行训练；将最终保留下来的每个候选（
k+1
）
‑
项集（
k≥2
）中的单个项利用二进制编码进行相“与”，得到每个候选（
k+1
）
‑
项集的事务支持度，最终得到频繁（
k+1
）
‑
项集；判断频繁（
k+1
）
‑
项集集合中项集的个数是否小于
k+2
，如果小于 k+2
则算法结束，得到目标
Apriori
电子信息数据关联模型
。
[0008]进一步，在上述电子信息数据关联方法中，所述获取系统中的第二电子信息数据，将所述第二电子信息数据输入至所述目标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于人工智能的电子信息数据关联方法，其特征在于，所述电子信息数据关联方法包括以下步骤：获取系统中的第一电子信息数据，对所述第一电子信息数据进行数据预处理，得到待关联第一电子信息数据；基于
Apriori
关联规则算法建立
Apriori
电子信息数据关联模型，通过对
K
阶频繁项集生成
K+1
阶频繁项集的过程进行三次预剪枝，减去所述
Apriori
电子信息数据关联模型中的候选项集数量，得到初始
Apriori
电子信息数据关联模型；将所述待关联第一电子信息数据输入至所述初始
Apriori
电子信息数据关联模型中进行训练，利用二进制编码方式获取候选项集的事务支持度，得到目标
Apriori
电子信息数据关联模型；获取系统中的第二电子信息数据，将所述第二电子信息数据输入至所述目标
Apriori
电子信息数据关联模型中进行关联，得到电子信息数据关联结果；根据所述电子信息数据关联结果对所述第二电子信息数据的关联度进行评估，若第二电子信息数据的关联度的评估结果为大于
97%
，则基于所述第二电子信息数据做出决策；若第二电子信息数据的关联度的评估结果为小于
97%
，则调整所述第二电子信息数据，得到目标电子信息数据，将所述目标电子信息数据输入至所述目标
Apriori
电子信息数据关联模型中进行关联
。2.
如权利要求1所述的一种基于人工智能的电子信息数据关联方法，其特征在于，所述获取系统中的第一电子信息数据，对所述第一电子信息数据进行数据预处理，得到待关联第一电子信息数据，包括：获取系统中的第一电子信息数据，所述第一电子信息数据至少包括用户电子身份信息
、
商品价格信息
、
商品类型信息；利用邻近值算法补充所述第一电子信息数据中的缺失值，得到邻近电子信息数据；对所述邻近电子信息数据进行降噪处理，得到降噪电子信息数据；将降噪电子信息数据中的价格标签
、
商品标签
、
时间标签和商家标签的一致性进行处理，得到待关联第一电子信息数据
。3.
如权利要求1所述的一种基于人工智能的电子信息数据关联方法，其特征在于，所述基于
Apriori
关联规则算法建立
Apriori
电子信息数据关联模型，通过对
K
阶频繁项集生成
K+1
阶频繁项集的过程进行三次预剪枝，减去所述
Apriori
电子信息数据关联模型中的候选项集数量，得到初始
Apriori
电子信息数据关联模型，包括：基于
Apriori
关联规则算法建立
Apriori
电子信息数据关联模型；扫描原始数据库，利用三角矩阵进行存储，所述原始数据库中出现的所有单个项作为矩阵的行与列，根据矩阵得到频繁1‑
项集与频繁2‑
项集；将频繁1‑
项集进行0‑1编码，编码长度为数据库中事务的个数，若频繁项集存在于该事务中，则用“1”表示，否则用“0”表示；判断频繁
k
‑
项集（
k≥2
）中单个项出现的次数是否小于
k
（
k≥2
），若小于
k
（
k≥2
），则删除所述频繁
k
‑
项集（
k≥2
），否则保留所述频繁
k
‑
项集（
k≥2
）；将保留的所述频繁
k
‑
项集（
k≥2
）自连接生成候选（
k+1
）
‑
项集（
k≥2
），建立非频繁项集辅助表，将非频繁项集放到辅助表中，并将候选（
k+1
）
‑
项集（
k≥2
）与辅助表进行匹配，若匹
配成功则删除此候选项集，否则保留此候选项集，对候选（
k+1
）
‑
项集（
k≥2
）进行第二次剪枝；遍历频繁 k
‑
项集（
k≥2
）中的每一个频繁项集，判断其是否为中，保留下来的各候选项集的子集，遍历完成后，删除掉有
k
维子集不在频繁
k
‑
项集中的（
k+1
）
‑
候选项集，对候选（
k+1
）
‑
项集（
k≥2
）进行第三次剪枝，得到初始
Apriori
电子信息数据关联模型
。4.
如权利要求1所述的一种基于人工智能的电子信息数据关联方法，其特征在于，所述将所述待关联第一电子信息数据输入至所述初始
Apriori
电子信息数据关联模型中进行训练，利用二进制编码方式获取候选项集的事务支持度，得到目标
Apriori
电子信息数据关联模型，包括：将所述待关联第一电子信息数据输入至所述初始
Apriori
电子信息数据关联模型中进行训练；将最终保留下来的每个候选（
k+1
）
‑
项集（
k≥2
）中的单个项利用二进制编码进行相“与”，得到每个候选（
k+1
）
‑
项集的事务支持度，最终得到频繁（
k+1
）
‑
项集；判断频繁（

【专利技术属性】
技术研发人员：肖艳飞，
申请(专利权)人：轩创广州网络科技有限公司，
类型：发明
国别省市：