在数据的；ず桶踩蚕砉讨 ，分类分级是所有工作的前提。beat365正版一直于数据分类分级领域不断探索实践 ，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撑、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应用 ，守住数据安全防护最前线。
常见分类分级方式应用局限
当前各企业内部均积累了大量的非结构化文档 ，其中大部分为无标签数据。目前常见的无标签文档分类分级采用的是正则表达式匹配方式 ，其处理流程是先通过人工查看部分非结构化文档 ，并总结出正则模式 ，然后对数据进行匹配 ，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。
但是这种处理方式有许多局限性：
??首先 ，企业积累的非结构化文档数量巨大 ，正则匹配只利用了少部分无标签数据资源 ，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断积累 ，数据分布可能会出现变化 ，初期开发的正则表达式不及时修改就会导致数据漏判和误判；
??此外 ，非结构化文档往往是具有多页、字符数量多的长文本 ，使用正则表达式对全文进行匹配效率低下。
非结构化数据自动分类分级技术方案
为破解传统正则表达式匹配方式的缺陷 ，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 ，更敏捷地驱动数据防护 ，beat365正版技术研发团队深入解构生成式人工智能、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。
在历经多轮实验、多番能力验证后 ，beat365正版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方法 ，擘画数据安全与AI技术融合发展新蓝图。
该方法的核心是利用NLP技术有效结合无监督学习和监督学习模型 ，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学习模型 ，通过对比学习+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；之后通过监督学习模型来进一步提升整体分类分级的准确性。
在无监督学习环节 ，beat365正版技术团队开发了“文本对比学习+KMeans聚类“的方式进行建模。
无监督对比学习模型自定义伪标签“文本相似”和“文本不相似”来构建正负样本 ，把自己定义的伪标签当作分类信号来完成建模和训练。提取模型中间层的结果作为文本向量。接下来通过对文本向量进行聚类 ，从而完成无监督分类分级。
基于NLP的无监督分类分级模型技术优势
该方法设计了通用的文档解析器 ，可以快速对长文档抽取出主题概括。同时该方法搭载的基于NLP的无监督对比学习模型 ，是一种融合AI技术的无监督式文本向量抽取方式 ，实现的效果是在不监督数据的情况下生成高质量的句子向量。根据实际运行数据 ，在GPU加速下 ，该方法能够在1秒以内完成对长文档分类分级。而正则表达式匹配方式则需10秒以上 ，效率提升90%.
该模型结构可以直接迁移到其他业务上：文档解析功能可以扩展到其他文档类型；模型在设计上各环节解耦 ，获取到文档向量后可以采用多种方式进行分类分级 ，并不限于KMeans聚类；对比学习+聚类的结构可以应用在多个业务场景 ，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断涌现 ，推动AI技术和数据安全的融合创新 ，赋能数据分级分类应用技术进入一个新时代 ，为各行业带来更高效、更创新的数据安全解决方案。beat365正版将在技术落地性方面做出更多努力 ，促进AI+非结构化数据分类分级方法更大范围应用实践 ，精准识别数据价值、深度防护重点数据 ，护航数据安全。
