[发明专利]一种数据标注方法、装置以及设备

权利要求书

1.一种数据标注方法，包括：

获取各待标注数据的特征向量；

利用密度聚类算法，对各所述特征向量进行聚类，得到多个类簇；所述聚类无需预先指定数据类目数量；所聚出的每个类簇分别视为一个数据类目；

根据所述类簇的密度状况，从所述类簇包含的点中筛选得到核心对象集合、非核心对象集合；

选择所述类簇的核心对象集合中的部分核心对象，以及所述类簇的非核心对象集合中的部分非核心对象，进行标注；

根据标注结果，对所述类簇中的至少部分其他点进行自动扩散标注。

2.如权利要求1所述的方法，所述获取各待标注数据的特征向量，具体包括：

获取各待标注数据的以下至少一种信息：字段名、字段注释，字段内容抽样；

根据所述信息，提取各待标注数据的特征并构建相应的特征向量。

3.如权利要求1所述的方法，所述根据所述类簇的密度状况，从所述类簇包含的点中筛选得到核心对象集合、非核心对象集合，还包括：

从所述类簇包含的点中筛选得到噪音点集；

所述选择所述类簇的核心对象集合中的部分核心对象，以及所述类簇的非核心对象集合中的部分非核心对象，进行标注，还包括：

对所述噪音点集进行标注。

4.如权利要求1所述的方法，所述根据所述类簇的密度状况，从所述类簇包含的点中筛选得到核心对象集合，具体包括：

分别针对各类簇执行：

步骤1，确定剩余核心点，并在其中随机选择一个核心点，加入初始时为空集的该类簇的核心对象集合；

步骤2，针对该核心点，在剩余核心点中剔除该核心点密度直达的各核心点；

步骤3，在剔除后的剩余核心点中随机选择至少一个核心点，加入该类簇的核心对象集合；

迭代执行上述步骤2和步骤3，直至核心点全部被剔除，得到该类簇的核心对象集合。

5.如权利要求1所述的方法，所述根据所述类簇的密度状况，从所述类簇包含的点中筛选得到非核心对象集合，具体包括：

分别针对各类簇执行：

步骤1，确定剩余核心点，并在其中随机选择一个核心点，将距离该核心点最远的非核心点加入初始时为空集的该类簇的非核心对象集合；

步骤2，确定该核心点密度直达的各核心点，分别确定该各核心点距离最远的非核心点，若该非核心点与该最远的非核心点之间不小于设定距离，则将其加入该类簇的非核心对象集合；

步骤3，剔除该核心点密度直达的各核心点；

迭代执行上述步骤1、步骤2和步骤3，直至核心点全部被剔除，得到该类簇的非核心对象集合。

6.如权利要求1所述的方法，所述根据标注结果，对所述类簇中的至少部分其他点进行自动扩散标注，具体包括：

若相同的标注结果占比大于设定比例，则将该相同的标注结果对所述类簇中的对应的其他点进行自动标注。

7.如权利要求1所述的方法，所述根据标注结果，对所述类簇中的至少部分其他点进行自动扩散标注后，所述方法还包括：

将通过将各所述类簇的标注结果与历史标注结果进行比较，以判定是否出现新的数据类目。

8.一种数据标注装置，包括：

向量化模块，获取各待标注数据的特征向量；

聚类模块，利用密度聚类算法，对各所述特征向量进行聚类，得到多个类簇；

筛选模块，根据所述类簇的密度状况，从所述类簇包含的点中筛选得到核心对象集合、非核心对象集合；

第一标注模块，选择所述类簇的核心对象集合中的部分核心对象，以及所述类簇的非核心对象集合中的部分非核心对象，进行标注；

第二标注模块，根据标注结果，对所述类簇中的至少部分其他点进行自动扩散标注。