(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111201242.3 (22)申请日 2021.10.15 (71)申请人 美林数据技 术股份有限公司 地址 710075 陕西省西安市高新区软件新 城天谷八路528号国家电子商务示范 基地六层 (72)发明人 程宏亮　刘宏　张鹏飞　胡辉　 毕珍　马草　苟蛟龙　孙嘉伟　 (74)专利代理 机构 陕西佳禾宏盛知识产权代理 事务所 (特殊普通合伙) 61280 代理人 高美化 (51)Int.Cl. G06V 10/764(2022.01) G06N 20/00(2019.01) (54)发明名称 一种基于机器学习的综合加权主数据识别 方法 (57)摘要 本发明公开了一种基于机器学习的综合加 权主数据识别方法， 包括以下步骤： 步骤1： 梳理 业务实体域并依据主数据的特点， 选出主数据的 最具代表 性的特征,所述特征至少包括引用的出 度及入度； 步骤2： 根据步骤1中获得的主数据提 取出来的识别特征作为随机森 林分类的特征， 选 取训练集， 进行数据清洗， 基于随机森林算法， 选 取最优参数构建决策树； 步骤3： 使用测试集， 利 用构建的多棵决策树进行测试， 得到对应的分类 类别； 步骤4： 采用综合加权法对决策树赋 予不同 的权重， 采用投票法则得到最终分类结果。 本发 明可提升企业业务主数据查找的准确率及速率， 有效提高企业主数据的管理效率。 权利要求书2页 说明书5页 附图2页 CN 113920366 A 2022.01.11 CN 113920366 A 1.一种基于 机器学习的综合加权主数据识别方法， 其特 征在于， 包括以下步骤： 步骤1： 梳理业务实体域并依据主数据的特点， 选出主数据的最具代表性的特征,所述 特征至少包括引用的出度及入度； 步骤2： 根据步骤1中获得的主数据提取出来的识别特征作为随机森林分类的特征， 选 取训练集， 进行 数据清洗， 基于随机森林算法， 选取最优参数构建决策树； 步骤3： 使用测试集， 利用构建的多棵决策树进行测试， 得到对应的分类 类别； 步骤4： 采用综合加权法对决策树赋予不同的权 重， 采用投票法则得到最终分类结果。 2.根据权利要求1所述的一种基于机器学习的综合加权主数据识别方法， 其特征在于， 所述主数据识别的特征包括表信息特征及数据特征， 所述表特征包括但不限于表名称、 创 建时间、 表注释、 表数据量、 引用的出度及入度； 所述数据特征包括但不限于： 字段名称、 字 段类型、 字段注释、 字段值记录数、 字段值去重记录、 主键信息 。 3.根据权利要求1所述的一种基于机器学习的综合加权主数据识别方法， 其特征在于， 所述步骤2中选择CART算法对决策树的内部节点进行划分数据集。 4.根据权利要求1所述的一种基于机器学习的综合加权主数据识别方法， 其特征在于， 所述决策树的数量设定为10 0。 5.根据权利要求1所述的一种基于机器学习的综合加权主数据识别方法， 其特征在于， 采用对Gini系数进行加权的方法构建决策树： 采用Boostrap机采样法从主 数据中抽取数据 集D， 数据集D由x个训练样本和M个特征构成， 每类样本的权重Wk与该分类在样本集中出现 的频率Pk(k＝1,2,...,K)成反比， K为样本类别个数， 则： 在决策树的生长过程中， 采用基于加权基尼系数GW寻找最优的划分特 征： 其中， nk为节点内的各类样本数； Wk为分配给每 类的权重值。 6.根据权利要求5所述的一种基于机器学习的综合加权主数据识别方法， 其特征在于， 所述样本集D中的点属于第k类的概 率为Pk， 则该概率分布的基尼指数为： 7.根据权利要求5所述的一种基于机器学习的综合加权主数据识别方法， 其特征在于， 数据集D根据特征A可被分割成D1和D2两部分， 求取GW(D， A)最小值获得最优划分， 构建加权 决策树： 权　利　要　求　书 1/2 页 2 CN 113920366 A 2GW(D， A)最小值即该节点的最优特 征， A(A∈M)为分裂特 征。 8.根据权利要求1 ‑7任意一项所述的一种基于机器学习的综合加权主数据识别方法， 其特征在于， 给每 个决策树进行权 重赋值： TP代表模型预测该样例为真而实际确实为真的数量， 真为主数据， FP代表模型预测为 真而实际为假的的数量， FN代表模型预测为假且实际也为假的概率； 则权重赋值公式为： 其中， Fi为第i棵决策树的F1 ‑Score值。权　利　要　求　书 2/2 页 3 CN 113920366 A 3