一种数据分类优化方法和优化装置

摘要

本发明提供了一种数据分类优化方法和优化装置，解决现有数据分类模型对数据分类处理时间成本和人工成本较高的技术问题。包括：利用分类数据结构形成行业定制分类模型；通过所述行业定制分类模型对源数据进行分类形成数据标签；根据所述数据标签将源数据划分数据训练集；根据所述数据训练集优化智能分类模型并对源数据完成分类。利用分类数据结构形成可重用、服用的人工分类规则与基于计算机智能算法的分类模型相结合。利用人工分类规则形成准确的大规模数据训练集，利用大规模数据训练集优化智能分类模型，利用智能分类模型实现隐形分类的准确性和分类效率。

权利要求

1.一种数据分类优化方法，其特征在于，包括：利用分类数据结构形成行业定制分类模型；

通过所述行业定制分类模型对源数据进行分类形成数据标签；

根据所述数据标签将源数据划分数据训练集；

根据所述数据训练集优化智能分类模型并对源数据完成分类。

2.如权利要求1所述的数据分类优化方法，其特征在于，所述利用分类数据结构形成行业定制分类模型包括：根据业务需求通过分类数据结构建立分类类别和分类类别的拓扑结构；

根据所述分类类别建立对应的分类规则；

根据所述分类规则设定分类阈值；

根据所述拓扑结构、所述分类规则和所述分类阈值形成行业定制分类模型。

3.如权利要求2所述的数据分类优化方法，其特征在于，所述通过所述行业定制分类模型对源数据进行分类形成数据标签包括：获取阶段性源数据；

通过所述行业定制分类模型过滤阶段性源数据获得显性分类数据；

利用所述分类阈值调整所述分类数据形成初步分类类别数据；

对每一类初步分类类别数据作相同数据标识形成所述数据标签。

4.如权利要求3所述的数据分类优化方法，其特征在于，所述根据所述数据标签将源数据划分数据训练集包括：将所述数据标签作为各初步分类类别数据的特征数据；

根据各类所述特征数据形成所述各初步分类类别数据的特征维度和特征向量；

根据所述特征维度和特征向量形成数据训练集。

5.如权利要求4所述的数据分类优化方法，其特征在于，所述根据所述数据训练集优化智能分类模型并对源数据完成分类包括：通过改变所述训练集数据规模对智能分类模型进行迭代优化；

通过所述智能分类模型对全部源数据进行分类；

通过所述智能分类模型对增量源数据进行分类。

6.一种数据分类优化装置，其特征在于，包括：存储器，用于存储如权利要求1至5任一所述的数据分类优化方法处理过程对应的程序代码；

处理器，用于执行所述程序代码。

7.一种数据分类优化装置，其特征在于，包括：分类模型形成模块，用于利用分类数据结构形成行业定制分类模型；

标签标记模块，用于通过所述行业定制分类模型对源数据进行分类形成数据标签；

训练集形成模块，用于根据所述数据标签将源数据划分数据训练集；

分类形成模块，用于根据所述数据训练集优化智能分类模型并对源数据完成分类。

8.如权利要求7所述的数据分类优化装置，其特征在于，所述分类模型形成模块包括：拓扑结构形成单元，用于根据业务需求通过分类数据结构建立分类类别和分类类别的拓扑结构；

分类规则形成单元，用于根据所述分类类别建立对应的分类规则；

分类阈值形成单元，用于根据所述分类规则设定分类阈值；

模型形成单元，用于根据所述拓扑结构、所述分类规则和所述分类阈值形成行业定制分类模型。

9.如权利要求8所述的数据分类优化装置，其特征在于，所述标签标记模块包括：源数据获取单元，用于获取阶段性源数据；

显性分类单元，用于通过所述行业定制分类模型过滤阶段性源数据获得显性分类数据；

分类调整单元，用于利用所述分类阈值调整所述分类数据形成初步分类类别数据；

标签标记单元，用于对每一类初步分类类别数据作相同数据标识形成所述数据标签。

10.如权利要求9所述的数据分类优化装置，其特征在于，所述训练集形成模块包括：标签特征形成单元，用于将所述数据标签作为各初步分类类别数据的特征数据；

特征量化单元，用于根据各类所述特征数据形成所述各初步分类类别数据的特征维度和特征向量；

训练集合成单元，用于根据所述特征维度和特征向量形成数据训练集。

说明书

一种数据分类优化方法和优化装置

技术领域

[0001] 本发明涉及大数据处理技术领域，具体涉及一种数据分类优化方法和优化装置。

背景技术

[0002] 现有技术中，针对海量数据进行智能分类，通常采用不同类别的基础数据形成训练集对分类模型进行训练，结合半监督学习过程形成智能分类模型，利用智能分类模型对海量数据进行智能分类。这种分类方法形成的分类体系对数据类别的变化不敏感，无法形成满足定制时效性的分类体系。这就直接导致在内存环境中相应的数据数理模型对模型组成数据和模型寻址架构缺乏有效的寻址和操作能力，使得数据和模型寻址无法有效重复利用，大大增加了模型重构的各种成本。而根据数据类别变化人工介入进行分类会消耗大量的人力和时间。

发明内容

[0003] 鉴于上述问题，本发明实施例提供一种数据分类优化方法和优化装置，解决现有数据分类模型对数据分类处理时间成本和人工成本较高的技术问题。

[0004] 本发明实施例的数据分类优化方法，包括：

[0005] 利用分类数据结构形成行业定制分类模型；

[0006] 通过所述行业定制分类模型对源数据进行分类形成数据标签；

[0007] 根据所述数据标签将源数据划分数据训练集；

[0008] 根据所述数据训练集优化智能分类模型并对源数据完成分类。

[0009] 本发明一实施例中，所述利用分类数据结构形成行业定制分类模型包括：

[0010] 根据业务需求通过分类数据结构建立分类类别和分类类别的拓扑结构；

[0011] 根据所述分类类别建立对应的分类规则；

[0012] 根据所述分类规则设定分类阈值；

[0013] 根据所述拓扑结构、所述分类规则和所述分类阈值形成行业定制分类模型。

[0014] 本发明一实施例中，所述通过所述行业定制分类模型对源数据进行分类形成数据标签包括：

[0015] 获取阶段性源数据；

[0016] 通过所述行业定制分类模型过滤阶段性源数据获得显性分类数据；

[0017] 利用所述分类阈值调整所述分类数据形成初步分类类别数据；

[0018] 对每一类初步分类类别数据作相同数据标识形成所述数据标签。

[0019] 本发明一实施例中，所述根据所述数据标签将源数据划分数据训练集包括：

[0020] 将所述数据标签作为各初步分类类别数据的特征数据；

[0021] 根据各类所述特征数据形成所述各初步分类类别数据的特征维度和特征向量；

[0022] 根据所述特征维度和特征向量形成数据训练集。

[0023] 本发明一实施例中，所述根据所述数据训练集优化智能分类模型并对源数据完成分类包括：

[0024] 通过改变所述训练集数据规模对智能分类模型进行迭代优化；

[0025] 通过所述智能分类模型对全部源数据进行分类；

[0026] 通过所述智能分类模型对增量源数据进行分类。

[0027] 本发明实施例的数据分类优化装置，包括：

[0028] 存储器，用于存储如权利要求1至5任一所述的数据分类优化方法处理过程对应的程序代码；

[0029] 处理器，用于执行所述程序代码。

[0030] 本发明实施例的数据分类优化装置，包括：

[0031] 分类模型形成模块，用于利用分类数据结构形成行业定制分类模型；

[0032] 标签标记模块，用于通过所述行业定制分类模型对源数据进行分类形成数据标签；

[0033] 训练集形成模块，用于根据所述数据标签将源数据划分数据训练集；

[0034] 分类形成模块，用于根据所述数据训练集优化智能分类模型并对源数据完成分类。

[0035] 本发明一实施例中，所述分类模型形成模块包括：

[0036] 拓扑结构形成单元，用于根据业务需求通过分类数据结构建立分类类别和分类类别的拓扑结构；

[0037] 分类规则形成单元，用于根据所述分类类别建立对应的分类规则；

[0038] 分类阈值形成单元，用于根据所述分类规则设定分类阈值；

[0039] 模型形成单元，用于根据所述拓扑结构、所述分类规则和所述分类阈值形成行业定制分类模型。

[0040] 本发明一实施例中，所述标签标记模块包括：

[0041] 源数据获取单元，用于获取阶段性源数据；

[0042] 显性分类单元，用于通过所述行业定制分类模型过滤阶段性源数据获得显性分类数据；

[0043] 分类调整单元，用于利用所述分类阈值调整所述分类数据形成初步分类类别数据；

[0044] 标签标记单元，用于对每一类初步分类类别数据作相同数据标识形成所述数据标签。

[0045] 本发明一实施例中，所述训练集形成模块包括：

[0046] 标签特征形成单元，用于将所述数据标签作为各初步分类类别数据的特征数据；

[0047] 特征量化单元，用于根据各类所述特征数据形成所述各初步分类类别数据的特征维度和特征向量；

[0048] 训练集合成单元，用于根据所述特征维度和特征向量形成数据训练集。

[0049] 本发明实施例的本发明实施例的数据分类优化方法和装置利用分类数据结构形成可重用、服用的人工分类规则与基于计算机智能算法的分类模型相结合。利用人工分类规则形成准确的大规模数据训练集，利用大规模数据训练集优化智能分类模型，利用智能分类模型实现隐形分类的准确性和分类效率。

附图说明

[0050] 图1所示为本发明一实施例大数据分类规则优化方法的流程示意图。

[0051] 图2所示为本发明一实施例大数据分类规则优化方法中建立数据结构的流程示意图。

[0052] 图3所示为本发明一实施例大数据分类规则优化方法中建立规则集的流程示意图。

[0053] 图4所示为本发明一实施例大数据分类规则优化方法中进行场景分类的流程示意图。

[0054] 图5所示为本发明一实施例大数据分类规则优化方法中对规则进行数据处理的流程示意图。

[0055] 图6所示为本发明一实施例大数据分类规则优化装置的架构示意图。

[0056] 图7所示为本发明一实施例数据展示的分类优化方法的流程示意图。

[0057] 图8所示为本发明一实施例数据展示的分类优化方法中形成分类数据结构、建立分类类别和关联相关数据的流程示意图。

[0058] 图9所示为本发明一实施例数据展示的分类优化装置的架构示意图。

[0059] 图10所示为本发明一实施例数据分类优化方法的主要流程示意图。

[0060] 图11所示为本发明一实施例数据分类优化方法的详细流程示意图。

[0061] 图12所示为本发明一实施例数据分类优化装置的架构示意图。

[0062] 图13所示为本发明一实施例分类交互界面的数据处理方法的主要流程示意图。

[0063] 图14所示为本发明一实施例分类交互界面的数据处理方法的详细流程示意图。

[0064] 图15所示为本发明一实施例分类交互界面的数据处理装置的架构示意图。

具体实施方式

[0065] 为使本发明的目的、技术方案及优点更加清楚、明白，以下结合附图及具体实施方式对本发明作进一步说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。步骤的编号与数据处理的过程无关。

[0066] 本发明一实施例的大数据分类规则优化方法如图1所示。在图1中，本实施例包括：

[0067] 步骤110：建立存储规则的数据结构。

[0068] 数据结构用于存储规则的具体参数，根据具体参数据确定每一条规则对大数据源数据的分类基准、形成分类过程。

[0069] 规则可以是具体参数或关联参数的数值、字符串、特征向量值、数据引用位置、数据判断逻辑或规则校验数据等，数据结构与规则的具体参数或关联参数具有适配通用性，适配通用性保证数据结构适应具体参数或关联参数的类型和量值。

[0070] 步骤120：通过数据结构形成确定主题的规则集。

[0071] 数据演化过程与客观环境中源数据形成的过程变化相匹配，分类场景的变化可以响应分类主题的源数据的数据演化过程，分类场景的集合确定了分类主题的分类特征，分类主题包括进一步细致的分类场景。利用数据结构存储与分类场景对应的具体参数或关联参数，通过数据结构将分类场景对应的规则构成单一主题的规则集。

[0072] 步骤130：根据规则集对源数据进行场景分类。

[0073] 根据规则集进行源数据主题分类，在形成数据主题分类的基础上形成主题分类中不同场景的分类。

[0074] 根据规则集中规则参数的类型、参数含义和参数间形成的判断逻辑，进行场景分类时规则集中规则参数也可以用于检索、排序或排除等数据处理过程。

[0075] 本发明实施例的大数据分类规则优化方法利用数据结构形成主题分类和场景分类的完整拓扑结构，将不同分类过程的参数进行有序配置，使得大数据分类模型复杂的参数引用过程形成结构化分类体系，使得分类模型中的分类迭代参数数据、关键枚举数据、分类过程阈值调整区间都可以有效管理和合理配置，使得大数据分类模型针对源数据特征变化具有适度调整的技术手段，避免针对源数据形成过程的客观场景的演变频繁调整训练集和学习过程，降低了大数据分类的时间成本和人工成本，提高了大数据分类模型的应用通用性和模型容忍度。

[0076] 如图1所示，在本发明一实施例中，大数据分类规则优化方法还包括：

[0077] 步骤140：对规则集进行解析并更新存储规则。

[0078] 解析并更新是通过读取规则集的数据结构，根据数据结构获取确定规则的参数或相关参数，通过修改参数内容形成确定规则的更新，进而更新确定主题的规则集。

[0079] 本发明实施例的大数据分类规则优化方法提供一种大数据分类模型局部规则的定位-修正-替换的更新过程。保证了现有大数据分类模型完整性的同时，提供了对分类参数进行源数据适配性修正的技术手段。使得源数据的数据类型或趋势变化可以及时在大数据分类模型中做出适度调整，同时保证大数据分类的总趋势和精度稳定。

[0080] 如图1所示，在本发明一实施例中，大数据分类规则优化方法还包括：

[0081] 步骤150：对规则集进行解析并获取局部数据结构和规则进行转发。

[0082] 解析并获取是通过读取规则集的数据结构，获得大数据分类模型中针对特定类型数据的局部分类和场景分类的数据拓扑结构和存储的规则参数，形成确定主题的规则子集。

[0083] 本发明实施例的大数据分类规则优化方法提供一种大数据分类模型局部规则的提取过程。保证了现有大数据分类模型针对特定分类类型或分类场景的分类规则可以从确定分类的规则及中准确提取，实现成熟大数据分类模型中可靠规则子集的有效复用。规则子集的复用对初始形成的其他大数据分类模型的分类规则完善具有积极效果，使得大数据分类模型可以根据源数据的商业领域或应用领域做出适时的适配，满足商业场景下大数据分类的针对性和准确性。对于商业环境下的业务数据、业务知识图谱和搜索结构的结合具有良好的数据响应效果。

[0084] 本发明实施例大数据分类规则优化方法中建立数据结构的过程如图2 所示。在图2中，建立数据结构的过程包括：

[0085] 步骤111：设定单一规则的结构字段。

[0086] 利用结构字段设置与规则具体参数或关联参数匹配的数据类型，满足数据存储的形式要求。结构字段间存在包含逻辑。

[0087] 步骤112：设定单一规则的字段关键词和复合字段关键词。

[0088] 通过字段关键词指代字段类型增加单一结构字段的可读性，通过复合字段关键词增加复合结构字段的可读性，满足人员阅读理解。

[0089] 步骤113：根据单一规则的字段拓扑结构形成规则的数据结构。

[0090] 数据结构可以采用现有技术中的标准结构，例如XML标准、JSON标准等。以XML(可扩展标记语言)数据结构标准为例，利用XML标准形成结构字段，为结构字段设置关键词，利用关键词在XML标准中注册形成确定的字段拓扑结构，进而形成各级规则的数据结构。数据结构的基本形式可以如下：

[0091] <主题规则关键词><

[0092] 规则1((参数类型参数数据)，(参数类型参数数据)，(参数类型参数数据))[0093] 规则2((参数类型参数数据)，(参数类型参数数据)，(参数类型参数数据))[0094] ……

[0095] >

[0096] 实例1

[0097] <[1.0]("电商","电子商务","微商")//以"电商","电子商务","微商"为分类关键词在分类结果中权重系数为1.0

[0098] [0.5]("店铺","B2B","O2O")//以"店铺","B2B","O2O"为分类关键词在分类结果中权重系数为0.5>

[0099] 实例2

[0100] <[1.0]"电商",[1.0]"电子商务",[1.0]"微商",[0.5]"店铺",[0.5]"B2B",[0.5]"O2O")//分类关键词"电商"、"电子商务"、"微商"、"店铺"、"B2B"和"O2O"的对应权重系数为[1.0]、[1.0]、[1.0]、[0.5]、[0.5] 和[0.5]>

[0101] 本发明实施例大数据分类规则优化方法根据关键词和关键词的拓扑结构建立基本的数据结构，使数据结构与规则参数的类型适配，并通过关键词提高数据结构的可读性。

[0102] 本发明一实施例大数据分类规则优化方法中建立规则集的过程如图3 所示。在图3中，建立规则集的过程包括：

[0103] 步骤121：建立规则集关键词。

[0104] 步骤122：建立规则集的规则集子集和对应的子集关键词。

[0105] 步骤123：建立规则集子集的场景集和对应的场景关键词。

[0106] 步骤124：根据规则集关键词、子集关键词或场景关键词建立关键词拓扑结构。

[0107] 步骤125：在关键词拓扑结构中增加规则的数据结构，在规则的数据结构中添加规则参数或相关参数。

[0108] 以XML(可扩展标记语言)数据结构标准为例，结合上述实施例形成的数据结构添加主题以及主题对应的规则参数形成如下规则集：

[0109] <规则集名称>

[0110] <规则名称>

[0111] <规则场景名称><

[0112] 规则1

[0113] 规则2

[0114] …>

[0115] 实例1

[0116] <[cdata(

[0117] {政经},

[0118] {商业},

[0119] {社会},

[0120] )]>

[0121] <[cdata(

[0122] {时政评论},

[0123] {宏观经济},

[0124] {政治人物},

[0125] )]>

[0126] <[cdata(

[0127] [1.0](“经济改革”,“政治改革”“,政改”“,教育改革”,“教育公平”“,高考移民”,“户籍制度”)

[0128] [0.5](“基尼系数”,“网络舆情”“,自由主义”,“政审”,“政治建设”“, 政治文化”,“虚无主义”)

[0129] )]>

[0130]

[0131] 本发明实施例大数据分类规则优化方法根据各级别关键词建立分类规则和场景规则的拓扑结构，并填写具体规则参数数据。在保证参数存储效率的基础上满足数据结构和数据内容的可读性。

[0132] 本发明一实施例大数据分类规则优化方法中进行场景分类的过程如图4 所示。在图4中，场景分类的过程包括：

[0133] 步骤131：根据初步分类确定对应的初步源数据。

[0134] 初步分类可以是一种基础分类，也可以是一种基础的数据分类模型形成的分类。初步源数据是经过基础分类后某个确定分类对应的源数据。

[0135] 步骤132：在规则集中确定与初步分类对应的规则集。

[0136] 规则集可以包括不同分类的规则(子)集，规则(子)集中包括不同领域或类别的场景分类类别的规则(子)集。

[0137] 步骤133：从规则集提取场景分类类别及场景分类参数数据。

[0138] 场景分类类别可以具有默认参数，也可以具有定制化参数数据。

[0139] 步骤134：利用场景分类参数数据对初步源数据进行分类，形成确定初步分类下的场景分类类别下对应的分类源数据。

[0140] 场景分类参数数据作为进一步数据分类，对初步源数据形成场景分类类别的进一步分类，分类过程中存在特征的阈值判断，存在源数据排除在类别之外形成分类源数据的可能性。

[0141] 步骤135：根据分类源数据形成初步分类的结果分类数据。

[0142] 利用分类源数据的集合形成对初步源数据的筛选，有利于排除源数据演进后的数据噪声。

[0143] 本发明实施例大数据分类规则优化方法利用规则集对基本的大数据分类模型形成的确定初始分类的初始源数据进行进一步场景分类，通过场景分类过滤初始源数据中的偏离数据，并形成更准确的分类场景和对应的分类数据，提高基本分类模型中根据场景特征形成的进一步分类特征和分类精度。

[0144] 本发明一实施例大数据分类规则优化方法中对规则进行数据处理的过程如图5所示。在图5中，对规则进行更新数据处理的过程包括：

[0145] 步骤141：获取确定分类和确定场景的更新需求。

[0146] 步骤142：根据更新需求确定规则数据结构和规则内容，通过交互框架显示。

[0147] 步骤143：将更新内容通过交互框架更新对应规则的数据结构和规则内容。

[0148] 在图5中，对规则进行局部获取和转发数据处理的过程包括：

[0149] 步骤151：根据转发需求获取确定分类和确定场景的数据结构的关联拓扑结构。

[0150] 步骤152：根据关联拓扑结构形成临时规则数据结构和规则内容。

[0151] 步骤153：将临时规则数据结构和规则内容形成独立数据对象，提供数据链接。

[0152] 本发明实施例大数据分类规则优化方法将完整的大数据分类模型的部分参数根据数据结构提取和更新，避免了对大数据分类模型完整性的破坏和数据分类过程的干扰。分类规则的更新可以具有较好的时效性，可以基本满足分类源数据类型和领域特征的渐进式演变。分类规则的局部提取和响应数据对象的形成可以作为独立规则数据源存在，为其他大数据分类模型提高相关领域和场景下数据分类的可靠规则，提高可靠数据规则的重用性，降低大数据分类成本。

[0153] 本发明一实施例大数据分类规则优化装置包括：

[0154] 存储器，用于存储上述实施例大数据分类规则优化方法处理过程对应的程序代码；

[0155] 处理器，用于执行上述实施例大数据分类规则优化方法处理过程的程序代码[0156] 本发明一实施例大数据分类规则优化装置的架构如图6所示。在图6中，本实施例包括：

[0157] 规则设置模块1110，用于建立存储规则的数据结构；

[0158] 规则形成模块1120，用于通过数据结构形成确定主题的规则集；

[0159] 规则应用模块1130，用于根据规则集对源数据进行场景分类。

[0160] 如图6所示，在本发明一实施例中，还包括：

[0161] 规则更新模块1140，用于对规则集进行解析并更新存储规则。

[0162] 如图6所示，在本发明一实施例中，还包括：

[0163] 规则提取模块1150，用于对规则集进行解析并获取局部数据结构和规则进行转发。

[0164] 如图6所示，在本发明一实施例中，规则设置模块1110包括：

[0165] 规则字段形成单元1111，用于设定单一规则的结构字段；

[0166] 规则关键字形成单元1112，用于设定单一规则的字段关键词和复合字段关键词；

[0167] 规则结构形成单元1113，用于根据单一规则的字段拓扑结构形成规则的数据结构。

[0168] 如图6所示，在本发明一实施例中，规则形成模块1120包括：

[0169] 主关键词设置单元1121，用于建立规则集关键词；

[0170] 规则子集设置单元1122，用于建立规则集的规则集子集和对应的子集关键词；

[0171] 规则场景设置单元1123，用于建立规则集子集的场景集和对应的场景关键词；

[0172] 关键词关联设置单元1124，用于根据规则集关键词、子集关键词或场景关键词建立关键词拓扑结构；

[0173] 规则参数填充单元1125，用于在关键词拓扑结构中增加规则的数据结构，在规则的数据结构中添加规则参数或相关参数。

[0174] 如图6所示，在本发明一实施例中，规则应用模块1130包括：

[0175] 初步数据获取单元1131，用于根据初步分类确定对应的初步源数据；

[0176] 规则确定单元1132，用于在规则集中确定与初步分类对应的规则集；

[0177] 规则配置单元1133，用于从规则集提取场景分类类别及场景分类参数数据；

[0178] 分类执行单元1134，用于利用场景分类参数数据对初步源数据进行分类，形成确定初步分类下的场景分类类别下对应的分类源数据；

[0179] 数据合成单元1135，用于根据分类源数据形成初步分类的结果分类数据。

[0180] 如图6所示，在本发明一实施例中，规则更新模块1140包括：

[0181] 更新接收单元1141，用于获取确定分类和确定场景的更新需求；

[0182] 更新交互单元1142，用于根据更新需求确定规则数据结构和规则内容，通过交互框架显示；

[0183] 更新接收单元1143，用于将更新内容通过交互框架更新对应规则的数据结构和规则内容。

[0184] 如图6所示，在本发明一实施例中，规则提取模块1150包括：

[0185] 转发需求接收单元1151，用于根据转发需求获取确定分类和确定场景的数据结构的关联拓扑结构；

[0186] 需求确定单元1152，用于根据关联拓扑结构形成临时规则数据结构和规则内容；

[0187] 需求独立单元1153，用于将临时规则数据结构和规则内容形成独立数据对象，提供数据链接。

[0188] 大数据分类规则的优化方法使得分类规则结构化，对分类规则的重用、扩展和更新等用途具有整体的框架性，可以满足相关领域数据的分类规则通用性，对于形成相近领域间通用性的分类框架具有支撑作用。

[0189] 针对大数据的数据分类过程进行数据结构优化，同样可以形成有利于数据展示的分类优化方法

[0190] 本发明一实施例数据展示的分类优化方法如图7所示。在图7中，本实施例包括：

[0191] 步骤210：建立存储分类类别的分类数据结构。

[0192] 分类数据结构用于形成分类类别的拓扑结构，构成整体分类类别的框架基础。使得框架基础可以通过组合适配适应复杂应用领域中的分类类别变化。

[0193] 分类数据结构用于存储分类类别的基本参数，包括但不限于引用出处、标识符或名称信息等。

[0194] 分类数据结构还用于提供分类类别的控制索引等结构特征。

[0195] 步骤220：通过分类数据结构存储建立分类类别。

[0196] 根据应用领域中领域数据的分类特征，通过分类数据结构形成分类类别的拓扑结构。

[0197] 分类类别的拓扑结构通过分类数据结构形成使用者可读的分类类别描述格式。

[0198] 步骤230：通过分类数据结构存储分类类别的分类规则。

[0199] 利用分类数据结构建立分类体系，并利用分类体系的通用性形成与规则的数据结构的兼容性，通过本发明一实施例大数据分类规则优化方法的规则处理过程形成分类类别的分类规则。本发明一实施例大数据分类规则优化方法的规则处理过程与本实施例结合，通过数据结构建立数据映射建立数据结构局部和整体的引用或重用。

[0200] 本发明一实施例数据展示的分类优化方法利用具有通用性的分类数据结构规划和设计分类类别的存储，将经深度学习形成的分类类别和监督分类形成的分类类别保持了存储结构的数据框架一致性，使得分类类别数据具有应用和继承的数据处理优势。利用分类数据结构存储分类类别的参数有利于形成不同分类类别相同特征或参数的显现一致性，也有利于确定分类类别和对应的参数或特征，可以进一步形成针对分类类别重用或更新的交互手段，减轻数据应用者的应用难度。尤其针对单一数据领域中的垂直数据分类具有积极效果。

[0201] 本发明一实施例数据展示的分类优化方法中的分类数据结构形成方法如图8所示。在图8中，分类数据结构形成过程包括：

[0202] 步骤211：形成分类类别基础框架。

[0203] 基础框架包括构造分类数据结构的基本数据类型、基本数据结构标准等形成完整框架的主要元素。

[0204] 步骤212：形成基础框架中的分类类别集合。

[0205] 利用分类类别集合形成分类类别的类别基础。类别基础作为与其他数据系统形成数据交换的数据端口或一组分类类别的标识。

[0206] 步骤213：形成分类类别集合中的分类类别等级。

[0207] 分类类别等级标识分类类别的关联逻辑，确定两个相邻分类类别的包含特征。分类类别等级形成相邻分类类别的内在关联。

[0208] 步骤214：形成处于分类类别集合中的分类类别等级中的分类类别拓扑结构。

[0209] 分类类别拓扑结构用于建立分类类别集合整体的从属特征。分类类别拓扑结构形成整体分类类别的内在关联。

[0210] 步骤215：形成分类类别等级中分类类别的存储字段。

[0211] 存储字段包括但不限于数值、字符串、特征向量值、数据引用位置、数据判断逻辑或规则校验数据等。形成存储字段具有适配性，可以依据适配规则的预制条件形成或根据数据输入类型形成，存储字段的数量不做具体规定，利用队列或数组结构的内存分配方式可以适应。

[0212] 数据结构可以采用现有技术中的标准结构，例如XML标准、JSON标准等。以XML(可扩展标记语言)数据结构标准为例，利用XML标准形成结构字段，为结构字段设置关键词，利用关键词在XML标准中注册形成确定的字段拓扑结构，进而形成各级规则的数据结构。数据结构的基本形式可以如下：

[0213] 实例3：

[0214]

[0215] 步骤216：根据存储拓扑结构和存储字段存储分类类别的关联数据。

[0216] 关联数据可以是对分类类别的描述数据，例如分类类别的特征数据，也可以是分类类别的的关联数据，例如分类类别的规则数据。

[0217] 本发明实施例数据展示的分类优化方法通过建立分类数据结构新城了针对相近数据领域的通用性较好的领域数据分类类别框架，使得分类类别具有复用、重用和快速更新的通用数据处理基础。

[0218] 如图8所示，在本发明一实施例中，建立分类类别的过程包括：

[0219] 步骤221：通过分类类别基础框架注册分类标识。

[0220] 注册使得分类类别基础框架与现有数据分类模型的处理过程形成数据连接，形成数据调用的可寻址数据端口。

[0221] 步骤222：通过分类类别集合建立确定分类主题集。

[0222] 分类主题集确定一个数据领域中的分类基础，建立与其他数据领域相对独立的数据域或数据寻址范围。数据域或数据寻址范围可以是独立数据对象，例如链接的数据源、连接的独立数据文件或链接的分类主题集。

[0223] 步骤223：通过分类类别等级建立分类分级主题。

[0224] 分类类别等级具有两个相邻分类类别的分类类别等级逻辑描述，完成两个相邻分类类别的级别或包含逻辑的描述，通过分类分级主题进行管理分类类别的构建。

[0225] 步骤224：通过存储字段建立确定主题的实体参数。

[0226] 分类类别包括存储字段，确定的分类类别可以包括相同或不同的存储字段。

[0227] 本发明实施例的数据展示的分类优化方法利用分类数据结构形成分类主题集、分类主题层级和确定分类及对应参数的结构化存储。可以实现复杂的分类层级结构，同时满足分类类别的扩展、重用和关联。

[0228] 如图8所示，在本发明一实施例中，关联相关数据的过程包括：

[0229] 步骤231：通过分类数据结构确定分类标识和对应的分类主题集。

[0230] 利用分类数据结构获得分类主题集的数据交互端口，出发数据基本框架和数据内容的交互过程。

[0231] 步骤232：通过分类主题集获取确定主题的分类类别。

[0232] 确定主题的分类类别包括各确定主题分类类别的拓扑结构和具体字段结构。

[0233] 步骤233：通过规则的数据结构提取确定主题的规则集。

[0234] 形成规则的数据结构与分类数据结构的映射，完成数据结构的兼容转换，将确定主题的规则集与确定确定主题的分类类别形成对应连接。

[0235] 步骤234：将规则集根据分类数据结构添加到确定主题的分类类别关联字段中。

[0236] 利用规则的数据结构与分类数据结构的映射将规则的数据结构或规则集添加至分类数据结构，并形成相应字段和字段内容的传输。

[0237] 本发明实施例的数据展示的分类优化方法利用分类数据结构与规则的数据结构的映射形成结构兼容，使得规则和分类可以独立存储、独立调整和分别关联，使得相邻数据领域内的分类过程可以以分布式的分类类别和分类规则形成，有效扩展分类架构的通用性和对数据类型的适配性。

[0238] 本发明一实施例数据展示的分类优化装置包括：

[0239] 存储器，用于存储上述实施例数据展示的分类优化方法处理过程对应的程序代码；

[0240] 处理器，用于执行上述实施例数据展示的分类优化方法处理过程的程序代码[0241] 本发明一实施例数据展示的分类优化装置如图9所示。在图9中，本实施例包括：

[0242] 分类结构形成模块2210，用于建立存储分类类别的分类数据结构；

[0243] 分类内容存储模块2220，用于通过分类数据结构存储建立分类类别；

[0244] 分类规则关联模块2230，用于通过分类数据结构存储分类类别的分类规则。

[0245] 如图9所示，本发明一实施例中，分类结构形成模块2210包括：

[0246] 框架形成单元2211，用于形成分类类别基础框架；

[0247] 集合形成单元2212，用于形成基础框架中的分类类别集合；

[0248] 等级形成单元2213，用于形成分类类别集合中的分类类别等级；

[0249] 整体拓扑单元2214，用于形成处于分类类别集合中的分类类别等级中的分类类别拓扑结构；

[0250] 字段形成单元2215，用于形成分类类别等级中分类类别的存储字段；

[0251] 参数存储单元2216，用于根据存储拓扑结构和存储字段存储分类类别的关联数据。

[0252] 如图9所示，本发明一实施例中，分类内容存储模块2220包括：

[0253] 框架注册单元2221，用于通过分类类别基础框架注册分类标识；

[0254] 主题注册单元2222，用于通过分类类别集合建立确定分类主题集；

[0255] 分级注册单元2223，用于通过分类类别等级建立分类分级主题；

[0256] 主题确定单元2224，用于通过存储字段建立确定主题的实体参数。

[0257] 如图9所示，本发明一实施例中，分类规则关联模块2230包括：

[0258] 主题集结构确定单元2231，用于通过分类数据结构确定分类标识和对应的分类主题集；

[0259] 分类类别确定单元2232，用于通过分类主题集获取确定主题的分类类别；

[0260] 规则确定单元2233，用于通过规则的数据结构提取确定主题的规则集；

[0261] 数据结构映射单元2234，用于将规则集根据分类数据结构添加到确定主题的分类类别关联字段中。

[0262] 利用上述实施例大数据分类规则的优化方法，以及上述实施例数据展示的分类优化方法形成的数据分类体系，可以较好地形成涵盖数据分类和分类规则的通用化结构。结合通用化结构可以形成对现有数据分类方法的有效改进。

[0263] 本发明一实施例数据分类优化方法如图10所示。在图10中，本发明实施例包括：

[0264] 步骤310：利用分类数据结构形成行业定制分类模型。

[0265] 基于分类数据结构形成的分类体系的通用性、扩展性和数据重用性，将特定行业或特定领域数据的部分分类类别和相应的分类规则利用分类数据结构形成有序的行业定制分类模型。

[0266] 步骤320：通过行业定制分类模型对源数据进行分类形成数据标签。

[0267] 源数据数据分类具有显性分类和隐性分类，显性分类特征可以通过在行业定制分类模型中直接定义和描述，隐性分类的数据隐形特征表达不适于直接定义和描述。利用行业定制分类模型进行显性分类，并对每个源数据的分类特征进行数据标记形成对应的数据标签。

[0268] 步骤330：根据数据标签将源数据划分数据训练集。

[0269] 利用数据标签将相同标签类型的源数据集合为一数据训练集，保证了显性特征的一致性。

[0270] 步骤340：根据数据训练集优化智能分类模型并对源数据完成分类。

[0271] 结合利用监督学习或半监督学习获得数据训练集的隐形特征形成对智能分类模型的训练定型。

[0272] 源数据可以是未进行过分类的源数据，这样有利于增量数据的数据分类。源数据也可以是全部源数据，这样有利于数据分类的准确性。

[0273] 本发明实施例的数据分类优化方法利用分类数据结构形成可重用、服用的人工分类规则与基于计算机智能算法的分类模型相结合。利用人工分类规则形成准确的大规模数据训练集，利用大规模数据训练集优化智能分类模型，利用智能分类模型实现隐形分类的准确性和分类效率。

[0274] 本发明一实施例数据分类优化方法如图11所示。在图11中，本实施例中形成行业定制分类模型过程包括：

[0275] 步骤311：根据业务需求通过分类数据结构建立分类类别和分类类别的拓扑结构。

[0276] 利用分类数据结构的规范性和设置逻辑形成分类类别和分类类别的拓扑结构[0277] 步骤312：根据分类类别建立对应的分类规则。

[0278] 分类规则可以是与分类类别对应的多样性数据参数，例如关键词，可以作为分类依据或检索依据。

[0279] 步骤313：根据分类规则设定分类阈值。

[0280] 分类阈值可以针对检索或搜索结果，结果中每条数据会有对应的相关度分数值，根据已预设好的分类阈值将分数值高于该阈值的数据想确定分类归集。

[0281] 步骤314：根据拓扑结构、分类规则和分类阈值形成行业定制分类模型。

[0282] 数据结构可以采用上述实施例中的或现有技术中的标准结构，例如 XML标准、JSON标准等。以XML(可扩展标记语言)数据结构标准为例，利用XML标准形成结构字段，为结构字段设置关键词，利用关键词在XML 标准中注册形成确定的字段拓扑结构，进而形成各级规则的数据结构。数据结构的基本形式可以如下：

[0283] 实例4

[0284] 根据企业提供的层级结构建立分类体系，分类体系指的是分类的层级结构及分类的具体名称，如下：代表一级分类为“商业”，商业下包含二级分类“商业人物”[0285]

[0286] 本发明实施例数据分类优化方法利用分类数据结构形成有序的显性分类特征的分类体系，利用分类体系表达分类类别间的拓扑结构和分类类别各自的分类规则参数和分类权重因素，将通过人为调整的的行业业务需求的显性特征有序配置，为显性特征的有效调整和复用、重用或更新提供了可靠的技术调整基础。使得行业业务需求显性特征分类可以由运营人员独立完成，提高了整体数据分类效率。

[0287] 如图11所示，在本发明一实施例中，本实施例中形成数据标签的过程包括：

[0288] 步骤321：获取阶段性源数据。

[0289] 阶段性源数据是指单位时长内或周期时长内并发或单独的持续状态数据。可以是连续的静态数据或对应业务状态的动态数据。

[0290] 步骤322：通过行业定制分类模型过滤阶段性源数据获得显性分类数据。

[0291] 利用模型中分类类别的关键词参数形成的过滤数据或检索数据属于显性分类数据。

[0292] 步骤323：利用分类阈值调整分类数据形成初步分类类别数据。

[0293] 分类阈值与分类规则对应，分类阈值作用于分类规则形成的检索、过滤等数据，调整数据偏移度，调整数据归类。

[0294] 步骤324：对每一类初步分类类别数据作相同数据标识形成数据标签。

[0295] 数据标签将分类类别作为单独维度的数据特征，使得初步分类类别数据的线性分类特征量化。

[0296] 本发明实施例的数据分类优化方法利用行业定制分类模型中分类类别的规则关键词和规则权重对源数据进行过滤分类并进行标识，可以充分利用计算机系统的处理资源和存储资源，高效完成显性特征分类和形成数据标签，提高了整体数据分类效率。

[0297] 如图11所示，在本发明一实施例中，本实施例中形成数据训练集的过程包括：

[0298] 步骤331：将数据标签作为各初步分类类别数据的特征数据。

[0299] 步骤332：根据各类特征数据形成各初步分类类别数据的特征维度和特征向量。

[0300] 步骤333：根据特征维度和特征向量形成数据训练集。

[0301] 本发明实施例的数据分类优化方法利用根据智能分类模型需求形成对应的训练集，训练集包括必要的数据特征维度和量化向量，数据标签作为显性特征形成隐性特征计算的基础，利用计算机系统的处理资源和存储资源形成的显性特征替代有监督学习的训练数据特征，使得需年级的形成高效、高质。

[0302] 如图11所示，在本发明一实施例中，本实施例中优化并进行分类的过程包括：

[0303] 步骤341：通过改变训练集数据规模对智能分类模型进行迭代优化。

[0304] 训练集数据规模可以是连续的局部数据的训练集、连续的完整数据的训练集、随机的数据的训练集，逐一应用于同一智能分类模型。

[0305] 本发明一实施例中的智能分类模型采用朴素贝叶斯模型。

[0306] 步骤342：通过智能分类模型对全部源数据进行分类。

[0307] 智能分类模型可以形成全部源数据的整体分类，满足确定业务规模数据的分析和分类。

[0308] 步骤343：通过智能分类模型对增量源数据进行分类。

[0309] 智能分类模型可以形成增量数据的连续分类，满足确定业务生产数据的分析和分类。

[0310] 本发明实施例的数据分类优化方法通过训练集的拆分形成关联的子训练集，利用子训练集的数据差异对智能分类模型进行迭代优化，改善智能分类模型对隐性分类特征的分类效率和质量。同时根据源数据产生时间进行增量和全量的数据分类获得既有分类数据的进一步详细分类。

[0311] 本发明一实施例数据分类优化装置包括：

[0312] 存储器，用于存储上述实施例数据分类优化方法处理过程对应的程序代码；

[0313] 处理器，用于执行上述实施例数据分类优化方法处理过程的程序代码。

[0314] 本发明一实施例数据分类优化装置的架构如图12所示。在图12中，本实施例包括：

[0315] 分类模型形成模块3310，用于利用分类数据结构形成行业定制分类模型；

[0316] 标签标记模块3320，用于通过行业定制分类模型对源数据进行分类形成数据标签；

[0317] 训练集形成模块3330，用于根据数据标签将源数据划分数据训练集；

[0318] 分类形成模块3340，用于根据数据训练集优化智能分类模型并对源数据完成分类。

[0319] 如图12所示，本发明一实施例中，分类模型形成模块3310还包括：

[0320] 拓扑结构形成单元3311，用于根据业务需求通过分类数据结构建立分类类别和分类类别的拓扑结构；

[0321] 分类规则形成单元3312，用于根据分类类别建立对应的分类规则；

[0322] 分类阈值形成单元3313，用于根据分类规则设定分类阈值；

[0323] 模型形成单元3314，用于根据拓扑结构、分类规则和分类阈值形成行业定制分类模型。

[0324] 如图12所示，本发明一实施例中，标签标记模块3320还包括：

[0325] 源数据获取单元3321，用于获取阶段性源数据；

[0326] 显性分类单元3322，用于通过行业定制分类模型过滤阶段性源数据获得显性分类数据；

[0327] 分类调整单元3323，用于利用分类阈值调整分类数据形成初步分类类别数据；

[0328] 标签标记单元3324，用于对每一类初步分类类别数据作相同数据标识形成数据标签。

[0329] 如图12所示，本发明一实施例中，训练集形成模块3330还包括：

[0330] 标签特征形成单元3331，用于将数据标签作为各初步分类类别数据的特征数据；

[0331] 特征量化单元3332，用于根据各类特征数据形成各初步分类类别数据的特征维度和特征向量；

[0332] 训练集合成单元3333，用于根据特征维度和特征向量形成数据训练集。

[0333] 如图12所示，本发明一实施例中，分类形成模块3340还包括：

[0334] 迭代优化单元3341，用于通过改变训练集数据规模对智能分类模型进行迭代优化；

[0335] 整体分类单元3342，用于通过智能分类模型对全部源数据进行分类；

[0336] 增量分类单元3343，用于通过智能分类模型对增量源数据进行分类。

[0337] 利用上述实施例大数据分类规则的优化方法，上述实施例数据展示的分类优化方法形成的数据分类体系以及上述实施例数据分类优化方法形成的数据分类体系和数据分类结果具有良好的数据需求响应特点。结合数据分类体系的数据结构可以形成高效的数据交互显示技术方案。

[0338] 本发明一实施例分类交互界面的数据处理方法如图13所示。在图13中，本发明实施例包括：

[0339] 步骤410：根据第一交互数据检索分类类别数据形成相关分类类别的分类类别第一拓扑结构。

[0340] 第一交互数据包括检索关键词，检索关键词可以是分类类别关键词或与分类类别关键词含义相近或文字相近的词汇，通过检索关键词与分类类别关键词的相似度匹配获得最接近的相关分类类别，并根据相关分类类别之下的分类类别数据的包含逻辑形成分类类别第一拓扑结构。

[0341] 步骤420：根据分类类别第一拓扑结构形成分类类别关键词有序展示。

[0342] 分类类别第一拓扑结构可以通过成熟的数据展示技术在显示框架内形成树形、层叠或分组的有序显示。

[0343] 步骤430：根据分类类别第一拓扑结构形成对检索结果适配的第一分类结果数据集，进行分类结果数据有序展示。

[0344] 在分类类别数据结构体系中保留的分类类别(包括显性属性和隐形属性的分类类别)具有对应的分类数据，分类数据根据相应训练形成的数据分类模型或关键词分类体系形成。

[0345] 步骤440：根据第二交互数据形成分类类别组合逻辑，根据分类类别组合逻辑形成分类类别第二拓扑结构，根据分类类别第二拓扑结构对分类类别关键词有序展示。

[0346] 第二交互数据包括对分类类别第一拓扑结构中拓扑节点(数据结构中不同节点位置的分类类别)的选择，选择包括节点的组合或取舍，选择通过第一拓扑结构中拓扑节点的分类类别的关键词的选取体现分类类别组合逻辑。

[0347] 确定的分类类别组合逻辑形成分类类别的组合或取舍，进而形成分类类别第二拓扑结构。

[0348] 分类类别第二拓扑结构可以通过成熟的数据展示技术在显示框架内形成树形、层叠或分组的有序调整。

[0349] 步骤450：根据分类类别第二拓扑结构形成对检索结果适配的第二分类结果数据集，进行分类结果数据有序展示。

[0350] 在分类类别数据结构体系中保留的分类类别(包括显性属性和隐形属性的分类类别)具有对应的分类数据，分类数据根据相应训练形成的数据分类模型或关键词分类体系形成。

[0351] 适配包括对不同分类数据中的数据的排序、去重或索引。

[0352] 本发明实施例分类交互界面的数据处理方法数据分类过程中形成的分类类别数据结构和分类类别以及数据分类源数据形成的分类数据，结合显示技术形成对海量检索数据的适时分类、分类组合和数据匹配显示，避免了现有分类交互界面中数据处理过程受交互过程影响搜索过程与数据分类维度匹配度有限，不能快速形成数据定位和数据匹配组合的缺陷。可以将交互界面中的检索分类过程与分类类别数据结构形成的分类体系有序结合，使得数据分类形成的数据信息可以充分展现在交互过程中。本发明一实施例分类交互界面的数据处理方法如图14所示。在图14中，本发明实施例形成分类类别第一拓扑结构的过程包括：

[0353] 步骤411：根据第一交互数据在分类类别数据中确定相似关键词。

[0354] 第一交互数据包括查询关键词、模糊关键词或文字段落。

[0355] 步骤412：根据相似关键词确定相关分类类别。

[0356] 利用文字的模糊匹配算法和分类类别数据中规则的权重参数比较相似度以确定相关分类类别。

[0357] 步骤413：根据相关分类类别和分类类别数据结构建立分类类别第一拓扑结构。

[0358] 通过确定相关分类类别获得分类类别数据结构中的相对节点位置和关联的下位或上位节点位置，由此形成关联分类类别的拓扑结构。

[0359] 本发明一实施例分类交互界面的数据处理方法如图14所示。在图14中，本发明实施例形成分类类别关键词有序展示的过程包括：

[0360] 步骤421：将分类类别第一拓扑结构中的分类类别关键词根据第一拓扑结构形成优化拓扑结构的第一显示数据。

[0361] 根据上述数据分类实施例中的分类类别数据结构表明，分类类别第一拓扑结构中包含有分类类别对应的关键词、分类规则和分类权重等类别信息。

[0362] 步骤422：将第一显示数据根据显示框架的数据显示策略进行显示。

[0363] 第一显示数据包括分类类别关键词间的拓扑映射结构，具有词汇间的树形数据结构。

[0364] 本发明一实施例分类交互界面的数据处理方法如图14所示。在图14中，本发明实施例形成第一分类结果数据集的过程包括：

[0365] 步骤431：确定分类类别第一拓扑结构中的分类类别。

[0366] 根据分类类别第一拓扑结构各数据节点可以获得确定分类类别。

[0367] 步骤432：根据分类类别确定对应的分类数据。

[0368] 根据上述数据分类实施例中的分类类别数据结构表明，源数据可以形成分类数据。

[0369] 步骤433：将分类数据进行去重合并形成第一分类结果数据集。

[0370] 分类数据中受分类特征多样性影响存在冗余数据。

[0371] 步骤434：将第一分类结果数据集根据显示框架的数据显示策略进行显示。

[0372] 第一分类结果数据集作为查询或检索结果数据形成展示内容。

[0373] 本发明一实施例分类交互界面的数据处理方法如图14所示。在图14中，本发明实施例形成分类类别第二拓扑结构的过程包括：

[0374] 步骤441：接收对分类类别关键词的交互选择。

[0375] 交互选择包括对分类类别的关键词进行选择，包括增加或排除。

[0376] 步骤442：根据交互选择确定分类类别组合逻辑形成分类类别第二拓扑结构。

[0377] 对关键词进行选择后形成的选择结果进行对应数据结构节点的归属逻辑判断，进而形成拓扑结构。

[0378] 步骤443：根据分类类别第二拓扑结构形成优化拓扑结构的第二显示数据并根据显示框架的数据显示策略进行显示。

[0379] 第二显示数据包括分类类别关键词间的拓扑映射结构，具有词汇间的树形数据结构。

[0380] 本发明一实施例分类交互界面的数据处理方法如图14所示。在图14中，本发明实施例形成第二分类结果数据集的过程包括：

[0381] 步骤451：跟随分类类别第二拓扑结构的变化确定对应的分类数据。

[0382] 根据上述数据分类实施例中的分类类别数据结构表明，源数据可以形成分类数据。

[0383] 步骤452：将分类数据进行去重合并形成第二分类结果数据集。

[0384] 分类数据中受分类特征多样性影响存在冗余数据。

[0385] 步骤453：跟随第二显示数据的显示将第二分类结果数据集根据显示框架的数据显示策略进行显示。

[0386] 本发明一实施例分类交互界面的数据处理装置包括：

[0387] 存储器，用于存储上述实施例分类交互界面的数据处理方法处理过程对应的程序代码；

[0388] 处理器，用于执行上述实施例分类交互界面的数据处理方法处理过程的程序代码。

[0389] 本发明一实施例分类交互界面的数据处理装置如图15所示。在图15中，本实施例包括：

[0390] 第一结构形成模块4410，用于根据第一交互数据检索分类类别数据形成相关分类类别的分类类别第一拓扑结构；

[0391] 第一结构展现模块4420，用于根据分类类别第一拓扑结构形成分类类别关键词有序展示；

[0392] 第一数据展现模块4430，用于根据分类类别第一拓扑结构形成对检索结果适配的第一分类结果数据集，进行分类结果数据有序展示；

[0393] 第二结构形成模块4440，用于根据第二交互数据形成分类类别组合逻辑，根据分类类别组合逻辑形成分类类别第二拓扑结构，根据分类类别第二拓扑结构对分类类别关键词有序展示；

[0394] 第二数据展现模块4450，用于根据分类类别第二拓扑结构形成对检索结果适配的第二分类结果数据集，进行分类结果数据有序展示。

[0395] 如图15所示，本发明一实施例中，第一结构形成模块4410包括：

[0396] 相似词汇确定单元4411，用于根据第一交互数据在分类类别数据中确定相似关键词；

[0397] 分类确定单元4412，用于根据相似关键词确定相关分类类别；

[0398] 第一拓扑建立单元4413，用于根据相关分类类别和分类类别数据结构建立分类类别第一拓扑结构。

[0399] 如图15所示，本发明一实施例中，第一结构展现模块4420包括：

[0400] 第一显示规划单元4421，用于将分类类别第一拓扑结构中的分类类别关键词根据第一拓扑结构形成优化拓扑结构的第一显示数据；

[0401] 第一显示传输单元4422，用于将第一显示数据根据显示框架的数据显示策略进行显示。

[0402] 如图15所示，本发明一实施例中，第一数据展现模块4430包括：

[0403] 类别确定单元4431，用于确定分类类别第一拓扑结构中的分类类别；

[0404] 分类数据确定单元4432，用于根据分类类别确定对应的分类数据；

[0405] 分类数据整合单元4433，用于将分类数据进行去重合并形成第一分类结果数据集；

[0406] 分类数据传输单元4434，用于将第一分类结果数据集根据显示框架的数据显示策略进行显示。

[0407] 如图15所示，本发明一实施例中，第二结构形成模块4440包括：

[0408] 交互建立单元4441，用于接收对分类类别关键词的交互选择；

[0409] 第二拓扑确定单元4442，用于根据交互选择确定分类类别组合逻辑形成分类类别第二拓扑结构；

[0410] 第二数据传输单元4443，用于根据分类类别第二拓扑结构形成优化拓扑结构的第二显示数据并根据显示框架的数据显示策略进行显示。

[0411] 如图15所示，本发明一实施例中，第二数据展现模块4450包括：

[0412] 第二分类确定单元4451，用于跟随分类类别第二拓扑结构的变化确定对应的分类数据；

[0413] 第二数据整合单元4452，用于将分类数据进行去重合并形成第二分类结果数据集；

[0414] 数据集传输单元4453，用于跟随第二显示数据的显示将第二分类结果数据集根据显示框架的数据显示策略进行显示。

[0415] 本发明一实施例中，处理器可以采用DSP(Digital Signal Processing) 数字信号处理器、FPGA(Field-Programmable  Gate  Array)现场可编程门阵列、MCU(Microcontroller Unit)系统板、SoC(system on a chip)系统板或包括I/O的PLC(Programmable Logic Controller)最小系统。

[0416] 以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。