非结构化数据分类分级：从文件堆到可信数据基础
非结构化数据分类分级怎么做？准确率怎么验证？
非结构化数据分类分级的难点不是打标签，而是判断「这份数据服务于什么业务、对应哪条法规、在什么组合下会升级为高敏感」。做法是先理解内容（抽取用途、主体、对象、环节等要素），再结合业务目录、行业规则和真实填写状态逐级判断，最后把标签转化为 DLP、知识库、外发与 Agent 的可执行策略。准确率必须结合测试方法看——测试集来源、是否含历史遗留命名、未识别项是否计入分母，都会显著改变结果。
关键结论
- ● 打标签是结果，不是方法——难在业务语义判断，不在标签本身。
- ● 判定稳定性应该排在准确率之前：两轮一致率不到 95% 时，准确率数字落在噪声里。
- ● 类目粒度可以量化诊断：每个叶子承载多少字段、跨多少来源系统。
- ● 低置信度是资产——它精确圈出需要人工复核的少数样本，其余可直接采信。
- ● 结构化和非结构化可以共用一棵树、一套判据，但要走不同的入口与粒度。
- ✅ 客户收益
- 完成海量 PDF、Word、邮件等非结构化资产的合规梳理，输出可执行的安全策略，为大模型应用筑牢数据底座。
- 🔎 服务内容
- 核心能力来自模界·知源 AiDClass 软件，支持独立采购软件；也可配套咨询服务完成行业标准适配与落地实施。
为什么字段名匹配的工具会大面积失效
这些情况在真实企业里不是例外，是常态。只按字段名匹配的工具，在这些情况面前准确率会断崖式下跌。
- ● 拼音缩写：`khxm`、`zjhm`、`co_qty`——字段名本身不携带语义
- ● 同名异义：不同系统里的 `status` 含义完全不同
- ● 历史遗留命名：十几年前建的表，命名规范早已失传
- ● 填写状态与设计不符：字段设计为身份证号，实际填的是内部编号
六项核心能力
| 环节 | 做什么 | 输出 |
|---|---|---|
| 发现与解析 | 发现文件，解析正文、表格、图片与 OCR 内容，识别音视频中的语言，保留来源与版本 | 可处理的数据对象与证据 |
| 内容识别 | 识别业务用途、敏感字段、实体与上下文 | 识别结果、置信度与证据片段 |
| 分类分级 | 结合目录、行业规则、字段参考级别与真实填写状态进行判断 | 业务类别、安全级别与解释 |
| 策略生成 | 把标签转化为 DLP、知识库、共享、外发与 Agent 使用策略 | 可执行或可审批的策略建议 |
| 资产地图 | 按文件类别、级别及在存储资源中的分布展示，并警示错位存储 | 错位存储提示与整改建议 |
| 审计与评估 | 记录模型、规则、版本、证据、决策与执行结果 | 可解释、可审计、可回放的证据链 |
怎么验证一套分类分级方案
这是采购环节最容易被话术绕过的地方。几条可以自己动手的验证方法：
- ● 先测一致率：同一批数据连跑两轮，看判定是否一致。不到 95% 时准确率数字没有统计意义
- ● 测试集必须由客户从生产环境抽取，且包含拼音缩写与历史遗留字段
- ● 未识别项必须计入分母——把「不确定」排除出统计是最常见的操纵手法
- ● 看置信度分布：一个永远输出高置信的引擎，比准确率低两个点的诚实引擎更危险
- ● 结构化要整表提交：孤立单字段会丢掉表上下文，实测会严重低估真实能力
标准本身的质量，就是这项工作的质量
在能源、医疗等行业，监管指南给了原则和识别规则，但把三、四级分类的建设权和责任交给了企业。这意味着一份十几条的行业文件，落到一家企业身上会变成几百个类目，每个都要有可判定的边界和定级理由。标准建得好不好，直接决定了后面所有自动化工作的上限。
能力边界
我们区分「已验证」与「规划中」，不把规划中的能力写成现有能力。
- 已验证 有限样本中的文件级业务分类、字段识别、定级、策略生成与安全系统联动路径，已获得 PoC 认可。
- 规划中 十万至百万级吞吐、多 GPU 长期稳定、生产接口回写、实时阻断审批闭环，以及全行业准确率，仍需专项试点验证。
模界·知源 AiDClass
识别每一份数据，并形成可执行的治理与安全策略。
常见问题
分类分级不就是给文件打标签吗？
+
打标签是结果，不是方法。难点在于判断「这份数据服务于什么业务、对应哪条法规、在什么组合下会升级为高敏感」。只按字段名匹配的工具，在拼音缩写、同名异义、历史遗留命名面前会大幅失效。
准确率能到多少？
+
在覆盖完整业务类别的前提下，文档级四级精确命中可以达到九成以上，字段级在八成上下。但这个数字必须结合测试方法看——测试集是否由客户从生产环境抽取、是否包含拼音缩写与历史遗留字段、未识别项是否计入分母，都会显著改变结果。比准确率更该先看的是判定稳定性。
结构化和非结构化能用同一套标准吗？
+
可以用同一棵树、同一套判据，但要走不同的入口和粒度。非结构化侧输入文档原文，先做内容结构化再整篇输出一条路径加等级；结构化侧输入字段清单，按表聚合、整表提交、字段级输出，同一张表的字段可以分流到不同类目。
支持私有化部署吗？
+
支持，并可使用客户本地模型。重要数据尽量不离开客户环境是产品的默认设计前提。
延伸阅读
正在规划企业 AI 相关项目？
建议从真实业务场景切入，优先完成项目诊断：评估业务价值、核查数据基础、识别安全与权限风险，审慎评估之后，再决定是否启动 PoC 原型建设，避免无效投入。
预约 30 分钟交流