一種數(shù)據(jù)分析方法、系統(tǒng)以及存儲介質 技術領域 [0001] 本申請涉及自然語言處理領域，尤其涉及一種數(shù)據(jù)分析方法、系統(tǒng)以及存儲介質。 背景技術 [0002] 隨著科學技術的飛速發(fā)展，用戶查詢需求日益多樣化和復雜化。用戶期望通過查詢系統(tǒng)快速且準確地獲取所需信息。然而，傳統(tǒng)查詢方式往往依賴于嚴格的語法規(guī)則和關鍵詞匹配，這在一定程度上限制了用戶的查詢自由。當用戶以自然語言的形式輸入查詢信息時，若存在語法或邏輯上的微差，都可能導致查詢系統(tǒng)無法正確理解用戶的意圖，進而引發(fā)查詢失敗或返回結果不準確的問題。 [0003] 為解決這一難題，現(xiàn)有技術引入了自然語言處理技術。這一技術能夠將用戶輸入的自然語言轉換為查詢系統(tǒng)能夠理解的格式，從而有效降低了查詢失敗率，并提高了返回結果的準確性。 [0004] 但是，自然語言處理技術在語義分析理解方面仍然存在不足。特別是在處理復雜或多義的表述時，現(xiàn)有的自然語言處理技術往往難以準確捕捉用戶輸入的真正意圖。這不僅影響了查詢結果的準確性，也限制了查詢系統(tǒng)的應用和用戶體驗。 發(fā)明內容 [0005] 為了解決上述技術問題，本申請?zhí)峁┝艘环N數(shù)據(jù)分析方法、系統(tǒng)以及存儲介質。 [0006] 下面對本申請中提供的技術方案進行描述： [0007] 本申請第一方面提供了一種數(shù)據(jù)分析方法，所述方法包括： [0008] 獲取用戶輸入的自然語言； [0009] 構建初始的數(shù)據(jù)模型； [0010] 根據(jù)預配置的行業(yè)知識庫和WordPiece分詞器對所述自然語言進行分詞處理，以構建prompt； [0011] 通過預訓練模型將所述prompt進行編碼，得到每個token的編碼向量； [0012] 將所述預訓練模型輸出的第一個分類標記token的編碼向量作為整個句子表示； [0013] 根據(jù)所述句子表示對所有所述編碼向量進行處理，得到局部語義表示； [0014] 通過識別所述自然語言中的實體和屬性，并將所述實體和所述屬性映射到數(shù)據(jù)庫的Schema元素，以獲取映射關系； [0015] 根據(jù)所述映射關系和所述局部語義表示，構建語義數(shù)據(jù)模型； [0016] 將所述語義數(shù)據(jù)模型結合自定義規(guī)則構建語義解析器； [0017] 將所述自然語言輸入所述語義解析器進行解析，以獲取語義查詢語句； [0018] 將所述語義查詢語句輸入語義修正器進行修正，以獲取目標語義查詢語句； [0019] 通過語義翻譯器將所述目標語義查詢語句轉換為結構化查詢語句； [0020] 將所述結構化查詢語句輸入所述數(shù)據(jù)庫進行查詢，以獲取查詢結果；所述根據(jù)所述映射關系和所述局部語義表示，構建語義數(shù)據(jù)模型包括： [0021] 根據(jù)當前輸入的自然語言查詢的上下文信息，對所述映射關系進行初始化[0022] 根據(jù)所述上下文信息調整所述數(shù)據(jù)庫的Schema元素的權重； [0023] 構建初始語義圖，所述初始語義圖包括實體節(jié)點、關系節(jié)點以及操作節(jié)點、實體關系邊、條件關系邊以及操作關系邊； [0024] 對于每個節(jié)點，結合所述局部語義表示、數(shù)據(jù)庫的元數(shù)據(jù)信息、以及用戶歷史查詢行為，生成每個節(jié)點的綜合節(jié)點特征表示； [0025] 對所述初始語義圖中的各個邊進行特征初始化，得到綜合邊特征表示； [0026] 將所述綜合節(jié)點特征表示以及所述綜合邊特征表示嵌入所述初始語義圖中，并基于實現(xiàn)連接器的sink算法動態(tài)更新所述初始語義圖，得到輸入語義圖； [0027] 將所述輸入語義圖輸入至預先構建的初始圖神經(jīng)網(wǎng)絡中進行訓練，通過所述初始圖神經(jīng)網(wǎng)絡中每一層的圖卷積操作聚合鄰居節(jié)點的信息，并結合各個節(jié)點的特征，對各個節(jié)點的狀態(tài)進行更新； [0028] 使用Adam優(yōu)化器對所述初始圖神經(jīng)網(wǎng)絡進行優(yōu)化，得到收斂的語義數(shù)據(jù)模型。 [0029] 可選的，通過預訓練模型將所述prompt進行編碼，得到每個token的編碼向量，包括： [0030] 將所述prompt轉化為預訓練模型的輸入格式，以獲取input_ids和attention_mask； [0031] 將所述input_ids和所述attention_mask輸入至所述預訓練模型，以獲取每個token的編碼向量。 [0032] 可選的，通過識別所述自然語言中的實體和屬性，并將所述實體和所述屬性映射到數(shù)據(jù)庫的Schema元素，以獲取映射關系，包括： [0033] 提取所述自然語言中的關鍵實體； [0034] 查詢數(shù)據(jù)庫模式信息，獲取所述數(shù)據(jù)庫的Schema元素； [0035] 將所述關鍵實體與所述Schema元素進行匹配，以獲取映射關系。 [0036] 可選的，將所述語義查詢語句輸入語義修正器進行修正，以獲取目標語義查詢語句，包括： [0037] 構建初始化語義修正器； [0038] 判斷所述語義查詢語句是否符合預配置的修正規(guī)則； [0039] 若否，則將所述語義查詢語句輸入預配置的機器學習模型，以獲取修正建議；

1.一種數(shù)據(jù)分析方法，其特征在于，所述方法包括： 獲取用戶輸入的自然語言； 構建初始的數(shù)據(jù)模型； 根據(jù)預配置的行業(yè)知識庫和WordPiece分詞器對所述自然語言進行分詞處理，以構建prompt； 通過預訓練模型將所述prompt進行編碼，得到每個token的編碼向量； 將所述預訓練模型輸出的第一個分類標記token的編碼向量作為整個句子表示； 根據(jù)所述句子表示對所有所述編碼向量進行處理，得到局部語義表示； 通過識別所述自然語言中的實體和屬性，并將所述實體和所述屬性映射到數(shù)據(jù)庫的Schema元素，以獲取映射關系； 根據(jù)所述映射關系和所述局部語義表示，構建語義數(shù)據(jù)模型； 將所述語義數(shù)據(jù)模型結合自定義規(guī)則構建語義解析器； 將所述自然語言輸入所述語義解析器進行解析，以獲取語義查詢語句； 將所述語義查詢語句輸入語義修正器進行修正，以獲取目標語義查詢語句； 通過語義翻譯器將所述目標語義查詢語句轉換為結構化查詢語句； 將所述結構化查詢語句輸入所述數(shù)據(jù)庫進行查詢，以獲取查詢結果； 所述根據(jù)所述映射關系和所述局部語義表示，構建語義數(shù)據(jù)模型包括： 根據(jù)當前輸入的自然語言查詢的上下文信息，對所述映射關系進行初始化； 根據(jù)所述上下文信息調整所述數(shù)據(jù)庫的Schema元素的權重； 構建初始語義圖，所述初始語義圖包括實體節(jié)點、關系節(jié)點以及操作節(jié)點、實體關系邊、條件關系邊以及操作關系邊； 對于每個節(jié)點，結合所述局部語義表示、數(shù)據(jù)庫的元數(shù)據(jù)信息、以及用戶歷史查詢行為，生成每個節(jié)點的綜合節(jié)點特征表示； 對所述初始語義圖中的各個邊進行特征初始化，得到綜合邊特征表示； 將所述綜合節(jié)點特征表示以及所述綜合邊特征表示嵌入所述初始語義圖中，并基于實現(xiàn)連接器的sink算法動態(tài)更新所述初始語義圖，得到輸入語義圖； 將所述輸入語義圖輸入至預先構建的初始圖神經(jīng)網(wǎng)絡中進行訓練，通過所述初始圖神經(jīng)網(wǎng)絡中每一層的圖卷積操作聚合鄰居節(jié)點的信息，并結合各個節(jié)點的特征，對各個節(jié)點的狀態(tài)進行更新； 使用Adam優(yōu)化器對所述初始圖神經(jīng)網(wǎng)絡進行優(yōu)化，得到收斂的語義數(shù)據(jù)模型。 2.根據(jù)權利要求1中所述的數(shù)據(jù)分析方法，其特征在于，通過預訓練模型將所述prompt進行編碼，得到每個token的編碼向量，包括： 將所述prompt轉化為預訓練模型的輸入格式，以獲取input_ids和attention_mask；