在数据的 ；ず桶踩蚕砉讨 ，分类分级是所有工作的前提 。KY开元一向于数据分类分级领域不休索求实际 ，沉淀出针对非结构化数据分类分级的AI模型 。近期 ，技术团队突破创新 ，开创性地以数据安全底座为支持、以AI算法模型为驱动 ，推出全新基于NLP的无监督分类分级模型 ，并于数据安全项目中成功落地利用 ，守住数据安全防护最前列 。
常见分类分级方式利用局限
当前各企业内部均堆集了大量的非结构化文档 ，其中大部门为无标签数据 。目前常见的无标签文档分类分级选取的是正则表白式匹配方式 ，其处置流程是先通过人为查看部门非结构化文档 ，并总结出正则模式 ，而后对数据进行匹配 ，匹配成功则划分到对应分类分级 ，匹配不成功文档归类缺失 。
但是这种处置方式有很多局限性：
??首先 ，企业堆集的非结构化文档数量巨大 ，正则匹配只利用了少部门无标签数据资源 ，更多的正则模式没有被提取出来 ，覆盖率低 ；
??其次 ，随着非结构化文档的不休堆集 ，数据散布可能会出现变动 ，初期开发的正则表白式不实时批改就会导致数据漏判和误判 ；
??此表 ，非结构化文档往往是拥有多页、字符数量多的长文本 ，使用正则表白式对全文进行匹配效能低下 。
非结构化数据自动分类分级技术规划
为破解传统正则表白式匹配方式的缺点 ，为行业内提供更高精准度、更高效的非结构化文档分类分级方式 ，更火速地驱动数据防护 ，KY开元技术研发团队深刻解构天生式人为智能、UEBA等各项前沿技术 ，将AI大模型与数据分类分级场景深度融合 ，沉淀出多个技术模型 。
在历经多轮尝试、多番能力验证后 ，KY开元在原有模型基础上拓展升级 ，迭代出更智能的非结构化数据自动分类分级步骤 ，擘画数据安全与AI技术融合发展新蓝图 。
该方法的主题是利用NLP技术有效结合无监督进建和监督进建模型 ，分阶段来实现对非结构化数据的分类分级 。在初期阶段使用无监督进建模型 ，通过对比进建+聚类的方式对大量的无标签样本进行分类分级 ，来累积初始的标签样本 ；之后通过监督进建模型来进一步提升整体分类分级的正确性 。
在无监督进建环节 ，KY开元技术团队开发了“文本对比进建+KMeans聚类“的方式进行建模 。
无监督对比进建模型自界说伪标签“文本类似”和“文本不类似”来构建正负样本 ，把自己界说的伪标签当作分类信号来实现建模和训练 。提取模型中央层的了局作为文本向量 。接下来通过对文本向量进行聚类 ，从而实现无监督分类分级 。
基于NLP的无监督分类分级模型技术优势
该步骤设计了通用的文档解析器 ，能够急剧对长文档抽取出主题概括 。同时该步骤搭载的基于NLP的无监督对比进建模型 ，是一种融合AI技术的无监督式文本向量抽取方式 ，实现的成效是在不监督数据的情况下天生高质量的句子向量 。凭据现实运行数据 ，在GPU加快下 ，该步骤可能在1秒以内实现对长文档分类分级 。而正则表白式匹配方式则需10秒以上 ，效能提升90%.
该模型结构能够直接迁徙到其他业务上：文档解析职能能够扩大到其他文德粪型 ；模型在设计上各环节解耦 ，获取到文档向量后能够选取多种方式进行分类分级 ，并不限于KMeans聚类 ；对比进建+聚类的结构能够利用在多个业务场景 ，使用对应的训练数据源即可 。
未来 ，基于NLP的非结构化数据分类分级模型这类全新工具和新模型会不休涌现 ，推动AI技术和数据安全的融合创新 ，赋能数据分级分类利用技术进入一个新时期 ，为各行业带来更高效、更创新的数据安全解决规划 。KY开元将在技术落地性方面做出更多致力 ，推进AI+非结构化数据分类分级步骤更大领域利用实际 ，精准鉴别数据价值、深度防护沉点数据 ，护航数据安全 。
