一种融合大模型隐性规则挖掘的数据标准智能引用与自动审查闭环方法与流程

本发明涉及人工智能辅助审查，具体为一种融合大模型隐性规则挖掘的数据标准智能引用与自动审查闭环方法。

背景技术：

1、在企业级数据模型设计过程中，模型通常包括实体、字段、关系、代码取值、命名结果和值域定义等对象。这些对象会被后续数据加工、接口调用、报表分析、权限控制和数据资产管理链路复用，因此模型设计阶段的标准合规性直接影响后续数据处理链路的稳定性。

2、现有数据标准审查通常依赖显性标准文档、人工审批经验或固定规则校验。显性标准能够约束字段命名、代码取值、字段类型和架构层级等内容，但在长期建模实践中，还会形成大量未被正式写入标准文档的经验性规则。此类隐性规则如果不能被识别并转化为可执行审查规定，标准审查仍会存在覆盖不足的问题。

3、一种常见技术路线是基于人工录入规则进行模型提交后校验。该方式能够覆盖已经明确登记的显性标准，但对历史合规模型和历史驳回模型中沉淀的隐性建模经验利用不足。随着模型规模增加，规则库如果只依赖人工维护，容易出现规则更新滞后、规则覆盖不足和审查结果不一致。

4、另一种技术路线是对模型对象属性进行硬匹配，例如按对象类型、字段名称或字段类型匹配规则。该方式实现简单，但对语义相近、命名差异较大或依赖上下文关系才能判断的对象支持不足。例如字段名称未直接出现某一敏感含义，但字段说明、所属实体和历史同类字段均指向敏感信息时，仅依靠字符级匹配容易漏判。

5、此外，现有设计多停留在问题发现、整改、复审的流程层面，审查结果、整改记录、人工复核意见和上线后数据质量反馈没有稳定回流到规则库，导致规则置信度无法根据后续验证结果动态调整，审查能力也难以随模型设计实践持续更新。

6、现有技术难点主要体现在三个方面。第一，隐性建模规则分散在历史模型、驳回记录和人工复核意见中，缺少从样本中自动提取、评估和入库的机制。第二，标准引用需要同时考虑对象类型、语义含义、所属主题域和上下文关系，仅靠单一硬匹配难以稳定定位最适配规则。第三，审查闭环需要把问题结果、整改过程、复审结论和上线后反馈反向作用于规则库，否则只是流程闭环，而不能够形成规则能力的持续迭代。

7、基于上述问题，本发明提供一种融合大模型隐性规则挖掘的数据标准智能引用与自动审查闭环方法。该方法将显性标准规则和由历史模型挖掘出的隐性经验规则融合为智能规则库，在模型设计对象发生创建、修改、保存或提交时，结合基础匹配、语义匹配和上下文匹配完成标准智能引用；随后执行多维度自动审查并生成分层问题证据；在整改和复审阶段，根据版本差异、对象关联和问题状态收缩复审范围；最后将审查、整改、复核和上线反馈回流至规则库，实现规则置信度更新和审查能力自进化。

技术实现思路

1、为解决上述技术问题，本发明提供了如下技术方案：

2、一种融合大模型隐性规则挖掘的数据标准智能引用与自动审查闭环方法，其包括以下步骤：

3、s1，显性标准与隐性规则融合构建智能规则库：获取显性标准与历史样本数据，构建智能规则库，数据包括显性标准文档、历史模型、复核意见和上线质量反馈；

4、s2，模型设计对象语义识别与标准智能引用：对模型设计对象进行语义识别与标准智能引用，生成语义向量、自动绑定规则与待确认规则；

5、s3，多维度自动审查与问题分层定位：根据已绑定规则执行多维度自动审查，生成命名、代码、字段定义、架构遵从及上下文预警的分层问题证据；

6、s4，整改复审与发布前闭环控制：根据审查问题、整改结果和版本差异收缩复审范围，计算门禁风险评分，得到发布前通过或阻断结论；

7、s5，审查数据回流与规则库自进化：根据审查、整改、复核和上线反馈更新规则可信度、匹配阈值与门禁阈值，形成规则库自进化闭环。

8、作为本发明所述的一种融合大模型隐性规则挖掘的数据标准智能引用与自动审查闭环方法的一种优选方案，其中：所述s1的具体步骤如下：

9、从显性标准文档、代码标准、命名规范、字段定义规范和架构约束中提取显性规则；

10、从历史合规模型、历史驳回模型和人工复核意见中构建训练样本，其中，历史合规模型作为正样本，历史驳回模型或反复整改模型作为负样本；

11、利用大模型从字段命名、实体关系、值域绑定、代码集引用和整改意见中提取候选隐性规则，并将大模型输出转化为规则编号、规则内容、适用对象、适用阶段、正负样本命中情况和示例对象；

12、计算候选隐性规则的规则可信度，当候选隐性规则的可信度达到阈值以上时，标记为隐性经验规则并进入智能规则库；可信度位于阈值之间时，列入观察规则或推荐确认规则；可信度低于阈值时，不用于自动审查，同时对于已经入库的规则，则降权或停用；

13、将显性规则与通过可信度筛选的隐性经验规则合并为智能规则库，并为每条规则记录规则来源、可信度、适用对象、适用阶段、启停状态和版本信息。

14、作为本发明所述的一种融合大模型隐性规则挖掘的数据标准智能引用与自动审查闭环方法的一种优选方案，其中：所述s2的具体步骤如下：

15、对实体、字段、关系、代码取值和值域定义对象采集名称、类型、所属主题域、所属实体、字段说明、数据类型、代码集和值域信息；随后对对象名称、说明文本和关联实体进行语义表示，形成对象语义向量，并对规则内容、适用对象和规则示例形成规则语义向量；

16、进行包含基础匹配、语义匹配和上下文匹配的三层匹配，计算模型对象与规则的综合匹配分数；所述基础匹配根据对象类型、适用阶段和规则启停状态筛选候选规则；所述语义匹配根据对象语义向量与规则语义向量的相似度判断语义接近程度；所述上下文匹配根据所属主题域、关联实体、代码集和值域上下文信息修正匹配结果；

17、根据匹配分数确定引用结果：达到自动绑定阈值的规则自动绑定到对象并参与后续审查；处于推荐区间的规则进入确认队列，由建模人员或标准管理员确认是否适用；低于过滤阈值的规则不参与审查。

18、作为本发明所述的一种融合大模型隐性规则挖掘的数据标准智能引用与自动审查闭环方法的一种优选方案，其中：所述s3的具体步骤如下：

19、对自动绑定或确认后的规则执行硬审查；对于显性阻断规则，规则命中后若实际设计值不满足期望值，直接生成硬审查问题；对于非阻断规则，先生成整改建议，并根据严重程度决定是否进入门禁计算；

20、对于形式上满足显性规则但与历史同类对象明显不一致的设计，利用大模型辅助输出软审查预警，计算上下文异常评分，并根据评分生成普通预警、高风险预警或默认不进入审批报告；

21、审查问题按照模型级、对象级和规则项级组织，模型级用于呈现问题概况，对象级用于定位实体、字段、关系、代码取值或值域定义，规则项级用于记录规则编号、规则内容、实际值、期望值、匹配分数和预警信息；并根据规则默认严重程度、对象影响范围、历史整改成本和软审查风险共同确定问题严重程度。

22、作为本发明所述的一种融合大模型隐性规则挖掘的数据标准智能引用与自动审查闭环方法的一种优选方案，其中：所述s4的具体步骤如下：

23、针对审查问题生成整改建议，以给出修改方向，同时记录依据的规则编号、匹配分数、期望设计值和整改原因；

24、整改后比较整改前后模型版本差异，识别被修改对象、关联对象、受规则版本变化影响对象和未关闭问题对象，将复审只覆盖上述对象，未受影响对象沿用上一轮有效结论；

25、发布前根据未关闭问题和历史风险计算门禁风险评分，当门禁风险评分高于阈值时，当前模型版本不进入发布前通过状态；门禁风险评分位于阈值之间时，要求人工复核或补充审批意见；门禁风险评分低于阈值，且审批结论通过时，当前模型版本标记为合规版本；同时，若存在严重程度为阻断级别的未关闭问题，即使综合评分未超过阻断阈值，也直接阻断发布。

26、作为本发明所述的一种融合大模型隐性规则挖掘的数据标准智能引用与自动审查闭环方法的一种优选方案，其中：所述s6的具体步骤如下：

27、将审查结果、整改记录、人工复核意见、复审结论和上线后质量反馈回流为规则样本；对于被确认有效的问题增加对应规则的正向反馈，对于被人工驳回或多次误报的规则增加负向反馈；

28、周期性重新计算隐性规则可信度，并根据更新后的可信度执行保留、降权、停用或重新挖掘处理；

29、根据反馈调整匹配阈值和门禁阈值；

30、规则库迭代后，新的规则版本进入下一轮模型设计对象审查，从而形成审查、整改、复审、上线反馈与规则更新的自进化流程。

31、与现有技术相比：

32、1.本发明将数据标准审查从单纯显性规则校验扩展为显性标准和隐性规则融合审查，并通过语义匹配、软审查预警、整改复审和反馈迭代形成自进化闭环；其技术效果来自规则可信度、语义匹配分数和门禁风险评分在主流程中的连续作用，而不是单纯引入大模型概念；

33、2.在规则覆盖方面，本发明通过历史合规模型和驳回模型挖掘隐性规则，并用 c(r) 评估规则可信度，能够解决显性标准覆盖不足的问题；在引用匹配方面，本发明通过 m(o,r) 融合对象类型、语义相似度、上下文关系和主题域匹配，能够减少字符级硬匹配导致的漏判或误判；在审查定位方面，本发明通过硬审查和软审查结合，将问题定位到模型级、对象级和规则项级，使审查意见能够下钻到具体对象和规则证据；

34、3.在复审门禁方面，本发明通过版本差异收缩复审范围，并用 g(v) 计算发布前风险，能够避免整改后对无关对象重复全量复审，并使发布前阻断条件具有明确的计算依据；在规则迭代方面，本发明通过审查、整改、人工复核和上线质量反馈更新规则可信度，使规则库能够适应模型设计实践变化。