一种超短字符的品类意图预测方法、设备和存储介质与流程

1.本发明涉及机器学习中的数据分类预测领域，尤其是一种超短字符的品类意图预测方法、设备和存储介质。

背景技术：

2.自然语言文本由于存在内容庞大，类别多，输入数据结构杂乱，数据不统一等特点，使得对自然语言文本的分类一直是一个亟待解决的问题。现有技术中通常使用人工添加字典，通过预设的字符匹配规则对输入的自然语言文本来进行分类，虽然人工操作可以精准满足某些需求中的分类方法的实现，但是由于自然语言文本的输入数据结构杂乱，因此在一些情况中仍然无法正确完成文本分类。此外人工操作添加分类规则不仅占用人力资源，且分类规则的变更可能与之前预设的分类规则产生冲突。

技术实现要素：

3.有鉴于此，本发明实施例提供一种超短字符的品类意图预测方法、设备和存储介质。
4.本发明的第一方面提供了一种超短字符的品类意图预测方法，包括以下步骤：
5.对输入字符进行编码处理，生成特征数据；
6.计算每个品类的先验概率和特征数据在每个品类中的条件概率；
7.根据每个品类的先验概率和特征数据在每个品类中的条件概率，得到特征数据在每个品类中的最终概率；
8.将最终概率最大的一个或多个品类作为输入字符的品类预测结果输出。
9.进一步地，所述对输入字符进行编码处理，生成特征数据，具体包括以下步骤：
10.对输入字符进行一位有效编码处理，得到第一数组、第二数组和第三数组；
11.对输入字符进行二位有效编码处理，得到二位数组；
12.根据预设权重分配规则对第一数组、第二数组、第三数组和二位数组分别赋予相应权重，生成输入字符所对应的特征数据。
13.进一步地，所述对输入字符进行一位有效编码处理，具体包括以下步骤：
14.根据预设分隔规则对输入字符进行分隔，得到若干字符串；
15.对字符串长度不大于三个字符的字符串进行一位有效编码处理，作为输入字符的第一数组；
16.对字符串长度等于四个字符的字符串进行一位有效编码处理，作为输入字符的第二数组；
17.对字符串的首位字符和末位字符进行一位有效编码处理，作为输入字符的第三数组。
18.进一步地，所述一位有效编码处理，基于包含英文字母a～z和数字0～9，共36个字符标识位的编码字典进行；在进行一位有效编码处理时，将字符在编码字典中对应的字符
标识位置为1，其余字符标识位置为0，即完成一位有效编码处理。
19.进一步地，所述二位有效编码，基于包含英文字母a～z，数字0～9和字符『+』的两两任意组合，共1368个字符标识位的编码字典进行；在进行二位有效编码处理时，将输入字符中相邻的两个字符作为字符整体，将字符整体在编码字典中对应的字符标识位置为1，其余字符标识位置为0，即完成二位有效编码处理。
20.进一步地，所述计算每个品类的先验概率和特征数据在每个品类中的条件概率，具体包括以下步骤：
21.通过如下公式计算品类c的先验概率：
[0022][0023]
其中，p(c＝c)表示品类c的先验概率，n表示分类数据集文档总数，分类数据集中设有m个品类(a,b,c,
……
,m)，nc表示分类数据集中属于目标品类c的文档数量；
[0024]
通过如下公式计算特征数据在目标品类c中的条件概率：
[0025][0026]
其中，p(wi|c)表示特征数据中字符wi在品类c中的条件概率，σw(nc)表示属于品类c的文档中的字符数量之和，σwi(nc)表示字符wi在属于品类c的文档中的出现次数之和；
[0027]
通过上述公式分别计算各个品类(a,b,c,
……
,m)的先验概率和特征数据中各个字符(w1,w2,
……
,wi)在各个品类(a,b,c,
……
,m)中的条件概率；得到各个品类的先验概率p(c＝a)，p(c＝b)，p(c＝c)，
……
p(c＝m)和特征数据在每个品类中的条件概率p(w1|a)，p(w1|b)，
……
，p(w1|m)，p(w2|a)，
……
，p(w2|m)，
……
，p(wi|m)。
[0028]
进一步地，所述根据每个品类的先验概率和特征数据在每个品类中的条件概率，得到特征数据在每个品类中的最终概率，具体包括以下步骤：
[0029]
将各个品类的先验概率乘以特征数据中每个字符在各个品类中的条件概率，得到特征数据在每个品类中的最终概率：
[0030]
p(a)＝p(c＝a)
×
p(w1|a)
×
p(w2|a)
×……×
p(wi|a)；
[0031]
p(b)＝p(c＝b)
×
p(w1|b)
×
p(w2|b)
×……×
p(wi|b)；
[0032]
……
[0033]
p(m)＝p(c＝m)
×
p(w1|m)
×
p(w2|m)
×……×
p(wi|m)；
[0034]
其中，p(a),p(b),
……
,p(m)表示特征数据在品类a,b,
……
,m中各自的最终概率。
[0035]
进一步地，在所述将最终概率最大的一个或多个品类作为输入字符的品类预测结果输出之前，还包括以下步骤：
[0036]
将最终概率最大的一个或多个品类的最终概率与预设概率阈值比较，去除最终概率小于预设概率阈值的一个或多个品类。
[0037]
本发明第二方面公开一种电子设备，包括处理器以及存储器；
[0038]
所述存储器用于存储程序；
[0039]
所述处理器执行所述程序实现一种超短字符的品类意图预测方法。
[0040]
本发明第三方面公开一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现一种超短字符的品类意图预测方法。
[0041]
本发明的实施例具有如下方面有益效果：本发明基于一位有效编码、二位有效编码对特征数据进行分类，将特征数据的数据结构进行统一，能够克服自然语言文本的输入数据结构杂乱的问题。本发明使用先验概率、条件概率和最终概率判断的计算以预测特征数据的品类，可以高效处理大量的数据集，同时也将添加字符匹配规则的需求转化为使用新的分类数据集的需求，规避了字符匹配规则的兼容问题。
[0042]
本发明的附加方面和优点将在下面的描述部分中给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
[0043]
为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0044]
图1是本发明一种超短字符的品类意图预测方法、设备和存储介质的基本流程示意图。
具体实施方式
[0045]
为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
[0046]
在数据量足够，且数据处理和模型选择调试正确的情况下，机器学习模型也能达到一定水平的自然语言分类能力。使用机器学习模型可以在保持较高准确率的同时，减少人力资源的消耗，提高处理杂乱自然语言输入的能力，以及处理大量的数据的速度，并且可以通过输入新的数据继续学习以提高准确率。
[0047]
由此，本实施例提供一种超短字符的品类意图预测方法，如图1所示，主要包括以下步骤：
[0048]
s1.对输入字符进行编码处理，生成特征数据；
[0049]
s2.计算每个品类的先验概率和特征数据在每个品类中的条件概率；
[0050]
s3.根据每个品类的先验概率和特征数据在每个品类中的条件概率，得到特征数据在每个品类中的最终概率；
[0051]
s4.将最终概率最大的一个或多个品类作为输入字符的品类预测结果输出。
[0052]
本实施例中超短字符的品类预测主要包括两个方面，步骤s1的数据编码方面和步骤s2-s3的概率计算方面，最后是步骤s4输出预测结果。下面具体论述本实施例各步骤的执行过程：
[0053]
s1.对输入字符进行编码处理，生成特征数据。
[0054]
由于自然语言无论是中文、英文还是其它文字都无法直接放入模型进行计算，并且模型分类的本质是使用特定的数学公式和函数进行一定的计算得到相应的分类，所以在将字符输入模型之前需要对输入字符进行编码。合适的编码可以使得模型在解决实际分类问题中的准确率有一定程度的提高。本实施例使用的编码方式主要有两种，分别是一位有
效编码和二位有效编码。
[0055]
一位有效编码：又称为独热编码(one-hot encoding)，其原理是将所有可能出现的单个字符给予一个标识。当输入字符进行一位有效编码时，会对编码字典进行遍历，将标识组中输入字符的对应标识位置为1，其余标识位置为0。在进行一位有效编码之前，首先要根据分隔符对输入字符进行分隔，形成字符串以提高编码效率，本实施例中将空格作为输入字符的分隔符。如“apple pie”这个输入字符中存在两个字符串“apple”和“pie”。
[0056]
一位有效编码主要用于强调某些比较特殊或是重要的字符，本实施例中选择了三种比较重要的字符进行一位有效编码：第一类是字符串长度不大于3的字符，因为这一类字符串通常可以直接帮助模型指向部分分类结果；第二类是字符串等于4的字符，这一类字符串同样可以直接帮助模型指向部分分类结果，且不会与第一类的字符串相重合；第三类则是字符串的首位字符和末尾字符。每个类别进行编码后会形成一个数组，分别记作第一数组、第二数组和第三数组。
[0057]
一位有效编码的编码字典包含英文字母a～z和数字0～9，共36个字符标识位，即{'a':0,'b':1,'c':2,'d':3,'e':4,'f':5,'g':6,'h':7,'i':8,'j':9,'k':10,'l':11,'m':12,'n':13,'o':14,'p':15,'q':16,'r':17,'s':18,'t':19,'u':20,'v':21,'w':22,'x':23,'y':24,'z':25,'0':26,'1':27,'2':28,'3':29,'4':30,'5':31,'6':32,'7':33,'8':34,'9':35}。
[0058]
下面以“apple pie”为例，进行一位有效编码的过程说明。字符“apple pie”中，由于存在空格为分隔符，因此被分割为“apple”和“pie”两个字符串，其中“apple”的字符串长度为5，不符合第一、二类的分类要求；“pie”的字符串长度为3，符合第一类的分类要求。因此在“apple pie”的一位有效编码中，第一数组中“p”“i”“e”对应位置的字符标识位置为1，其余字符标识位置为0；第二数组则因为输入字符中没有符合分类条件(长度为4)的字符串，因此字符标识位全置为0；第三数组中“apple”和“pie”的首位字符“a”，“p”和末位字符“e”对应的字符标识位置为1，其余的字符标识位置为0.这样就完成了对字符“apple pie”的一位有效编码。
[0059][0060]
二位有效编码的原理与一位有效编码类似，其区别在于二位有效编码是以两个相邻的字符作为整体进行标识，得到二位数组；如“you”字符串的二位有效编码将“yo”和“ou”的对应标识位置为1。
[0061]
二位有效编码的编码字典包含英文字母a～z、数字0～9和字符『+』的两两任意组合，共1369个字符标识位，即{'aa':0,'ab':1,'ac':2,'ad':3,'ae':4,'af':5,'ag':6,'ah':7,'ai':8,'aj':9,'ak':10,'al':11,'am':12,'an':13,'ao':14,'ap':15,'aq':16,'
ar':17,'as':18,'at':19,'au':20,'av':21,'aw':22,'ax':23,'ay':24,'az':25,'ba':26,'bb':27,'bc':28,'bd':29,'be':30,'bf':31,'bg':32,'bh':33,'bi':34,'bj':35,'bk':36,'bl':37,'bm':38,'bn':39,'bo':40,'bp':41,'bq':42,'br':43,'bs':44,'bt':45,'bu':46,'bv':47,'bw':48,'bx':49,'by':50,'bz':51,'ca':52,'cb':53,'cc':54,'cd':55,'ce':56,'cf':57,'cg':58,'ch':59,'ci':60,'cj':61,'ck':62,'cl':63,'cm':64,'cn':65,'co':66,'cp':67,'cq':68,'cr':69,'cs':70,'ct':71,'cu':72,'cv':73,'cw':74,'cx':75,'cy':76,'cz':77,'da':78,'db':79,'dc':80,'dd':81,'de':82,'df':83,'dg':84,'dh':85,'di':86,'dj':87,'dk':88,'dl':89,'dm':90,'dn':91,'do':92,'dp':93,'dq':94,'dr':95,'ds':96,'dt':97,'du':98,'dv':99...}。
[0062]
下面以“apple pie”为例，进行二位有效编码的过程说明。字符“apple pie”中，由于存在空格为分隔符，因此被分割为“apple”和“pie”两个字符串，由于二位有效编码是将相邻两个字符作为整体进行标识，因此需要置1字符标识位有“ap”，“pp”，“pl”，“le”，“pi”，“ie”；前面将“apple”和“pie”做了分隔，因此“ep”无需置1。
[0063]
本实施例以二位有效编码为主进行编码，因此需要对第一数组、第二数组、第三数组和二位数组进行权重分配。本实施例中将二位数组的权重记为0.7，第一数组和第二数组的权重记为0.2(第一数组和第二数组不会重合)；第三数组的权重记为0.1。这样就完成了对输入字符的数据编码过程。
[0064]
在一部分实施例中，还可以采用三位有效编码或词袋编码等方式代替本实施例中以二位有效编码为主的数据编码方式；三位有效编码是指将三个相邻的字符串作为整体进行标识，与本实施例中二位有效编码的原理相同；词袋编码则是指以整个字符串为整体进行标识。
[0065]
s2.计算每个品类的先验概率和特征数据在每个品类中的条件概率；
[0066]
s3.根据每个品类的先验概率和特征数据在每个品类中的条件概率，得到特征数据在每个品类中的最终概率。
[0067]
步骤s2-s3主要基于多项式朴素贝叶斯模型(multinomialnb)进行。多项式朴素贝叶斯模型假设各结果分类的概率服从简单的多项式分布，即各类结果相互独立，互不干扰。最简单的例子是抛硬币，抛到正反两面的概率相互独立，互不干扰，一次实验中，如果出现了正面的结果，就不可能出现反面的结果。本发明使用的训练集中每个输入只对应着一种分类结果，对于每个输入都只有一种对应的结果，所以使用多项式朴素贝叶斯模型非常合适。即使在实际投入使用的过程中，单个输入拥有多个结果，也可以按照模型识别出来每个结果的概率排序到较高概率的结果从而得到多个输出的结果。
[0068]
具体实现方式如下所示：
[0069]
通过如下公式计算品类c的先验概率：
[0070][0071]
其中，p(c＝c)表示品类c的先验概率，n表示分类数据集文档总数，分类数据集中设有m个品类(a,b,c,
……
,m)，nc表示分类数据集中属于目标品类c的文档数量；
[0072]
通过如下公式计算特征数据在目标品类c中的条件概率：
[0073][0074]
其中，p(wi|c)表示特征数据中字符wi在品类c中的条件概率，σw(nc)表示属于品类c的文档中的字符数量之和，σwi(nc)表示字符wi在属于品类c的文档中的出现次数之和；
[0075]
通过上述公式分别计算各个品类(a,b,c,
……
,m)的先验概率和特征数据中各个字符(w1,w2,
……
,wi)在各个品类(a,b,c,
……
,m)中的条件概率；得到各个品类的先验概率p(c＝a)，p(c＝b)，p(c＝c)，
……
p(c＝m)和特征数据在每个品类中的条件概率p(w1|a)，p(w1|b)，
……
，p(w1|m)，p(w2|a)，
……
，p(w2|m)，
……
，p(wi|m)。
[0076]
将各个品类的先验概率乘以特征数据中每个字符在各个品类中的条件概率，得到特征数据在每个品类中的最终概率：
[0077]
p(a)＝p(c＝a)
×
p(w1|a)
×
p(w2|a)
×……×
p(wi|a)；
[0078]
p(b)＝p(c＝b)
×
p(w1|b)
×
p(w2|b)
×……×
p(wi|b)；
[0079]
……
[0080]
p(m)＝p(c＝m)
×
p(w1|m)
×
p(w2|m)
×……×
p(wi|m)；
[0081]
其中，p(a),p(b),
……
,p(m)表示特征数据在品类a,b,
……
,m中各自的最终概率。
[0082]
多项式朴素贝叶斯模型对于结果的预测是使用类别c的先验概率乘以输入字符每个词在类别c中的条件概率，得到该输入字符在类别c的最终概率。遍历所有的类别，最终概率最大的类别作为结果输出。
[0083]
s4.将最终概率最大的一个或多个品类作为输入字符的品类预测结果输出。
[0084]
本实施例中，在将品类预测结果输出之前，可以设定一个预设的概率阈值，通过概率阈值与品类预测结果的比较，去除最终概率小于预设概率阈值的一个或多个品类。有助于提高模型预测的可靠性。
[0085]
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图1所示的方法。
[0086]
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
[0087]
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特
定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
[0088]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0089]
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
[0090]
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。

技术特征：

1.一种超短字符的品类意图预测方法，其特征在于，包括以下步骤：对输入字符进行编码处理，生成特征数据；计算每个品类的先验概率和特征数据在每个品类中的条件概率；根据每个品类的先验概率和特征数据在每个品类中的条件概率，得到特征数据在每个品类中的最终概率；将最终概率最大的一个或多个品类作为输入字符的品类预测结果输出。2.根据权利要求1所述的一种超短字符的品类意图预测方法，其特征在于，所述对输入字符进行编码处理，生成特征数据，具体包括以下步骤：对输入字符进行一位有效编码处理，得到第一数组、第二数组和第三数组；对输入字符进行二位有效编码处理，得到二位数组；根据预设权重分配规则对第一数组、第二数组、第三数组和二位数组分别赋予相应权重，生成输入字符所对应的特征数据。3.根据权利要求2所述的一种超短字符的品类意图预测方法，其特征在于，所述对输入字符进行一位有效编码处理，具体包括以下步骤：根据预设分隔规则对输入字符进行分隔，得到若干字符串；对字符串长度不大于三个字符的字符串进行一位有效编码处理，作为输入字符的第一数组；对字符串长度等于四个字符的字符串进行一位有效编码处理，作为输入字符的第二数组；对字符串的首位字符和末位字符进行一位有效编码处理，作为输入字符的第三数组。4.根据权利要求3所述的一种超短字符的品类意图预测方法，其特征在于，所述一位有效编码处理，基于包含英文字母a～z和数字0～9，共36个字符标识位的编码字典进行；在进行一位有效编码处理时，将字符在编码字典中对应的字符标识位置为1，其余字符标识位置为0，即完成一位有效编码处理。5.根据权利要求2所述的一种超短字符的品类意图预测方法，其特征在于，所述二位有效编码，基于包含英文字母a～z，数字0～9和字符『+』的两两任意组合，共1369个字符标识位的编码字典进行；在进行二位有效编码处理时，将输入字符中相邻的两个字符作为字符整体，将字符整体在编码字典中对应的字符标识位置为1，其余字符标识位置为0，即完成二位有效编码处理。6.根据权利要求1所述的一种超短字符的品类意图预测方法，其特征在于，所述计算每个品类的先验概率和特征数据在每个品类中的条件概率，具体包括以下步骤：通过如下公式计算品类c的先验概率：其中，p(c＝c)表示品类c的先验概率，n表示分类数据集文档总数，分类数据集中设有m个品类(a,b,c,
……
,m)，nc表示分类数据集中属于目标品类c的文档数量；通过如下公式计算特征数据在目标品类c中的条件概率：
其中，p(w
i
|c)表示特征数据中字符w
i
在品类c中的条件概率，σw(nc)表示属于品类c的文档中的字符数量之和，σw
i
(nc)表示字符w
i
在属于品类c的文档中的出现次数之和；通过上述公式分别计算各个品类(a,b,c,
……
,m)的先验概率和特征数据中各个字符(w1,w2,
……
,w
i
)在各个品类(a,b,c,
……
,m)中的条件概率；得到各个品类的先验概率p(c＝a)，p(c＝b)，p(c＝c)，
……
p(c＝m)和特征数据在每个品类中的条件概率p(w1|a)，p(w1|b)，
……
，p(w1|m)，p(w2|a)，
……
，p(w2|m)，
……
，p(w
i
|m)。7.根据权利要求6所述的一种超短字符的品类意图预测方法，其特征在于，所述根据每个品类的先验概率和特征数据在每个品类中的条件概率，得到特征数据在每个品类中的最终概率，具体包括以下步骤：将各个品类的先验概率乘以特征数据中每个字符在各个品类中的条件概率，得到特征数据在每个品类中的最终概率：p(a)＝p(c＝a)
×
p(w1|a)
×
p(w2|a)
×……×
p(w
i
|a)；p(b)＝p(c＝b)
×
p(w1|b)
×
p(w2|b)
×……×
p(w
i
|b)；
……
p(m)＝p(c＝m)
×
p(w1|m)
×
p(w2|m)
×……×
p(w
i
|m)；其中，p(a),p(b),
……
,p(m)表示特征数据在品类a,b,
……
,m中各自的最终概率。8.根据权利要求1所述的一种超短字符的品类意图预测方法，其特征在于，在所述将最终概率最大的一个或多个品类作为输入字符的品类预测结果输出之前，还包括以下步骤：将最终概率最大的一个或多个品类的最终概率与预设概率阈值比较，去除最终概率小于预设概率阈值的一个或多个品类。9.一种电子设备，其特征在于，包括处理器以及存储器；所述存储器用于存储程序；所述处理器执行所述程序实现如权利要求1-8中任一项所述的方法。10.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1-8中任一项所述的方法。

技术总结

本发明公开了一种超短字符的品类意图预测方法、设备和存储介质。方法包括以下步骤：对输入字符进行编码处理，生成特征数据；计算每个品类的先验概率和特征数据在每个品类中的条件概率；根据每个品类的先验概率和特征数据在每个品类中的条件概率，得到特征数据在每个品类中的最终概率；将最终概率最大的一个或多个品类作为输入字符的品类预测结果输出。本发明基于一位有效编码、二位有效编码对特征数据进行分类，将特征数据的数据结构进行统一，能够克服自然语言文本的输入数据结构杂乱的问题。本发明使用先验概率、条件概率和最终概率判断的计算以预测特征数据的品类，可以高效处理大量的数据集，同时规避了字符匹配规则的兼容问题。容问题。容问题。