數據建模技術在廉潔風險防控領域的應用

康強 劉光耀 鄧姍妮

摘要：廉潔風險防控管理過程繁雜，管理鏈條和周期長，對數據建模體系性和一致性的要求很高，本文系統研究分析總結了廉潔風險防控領域的建模需求、數據建模方式及存儲內容管理等相關技術實踐，結合紀檢工作本質和領域特點提出應用方案。本研究旨在數據建模技術與廉潔風險防控業務搭建橋梁，為利用多源數據全景化分析紀檢關聯要素提供方向性的指導。

關鍵詞：廉潔風險防控；數據建模

一、引言

數據需求的定義與分析廣泛地使用數據建模技術，同時是一個支持將整個信息系統重新設計的過程[1]。而廉潔風險防控也是當今所重視的領域，利用數據建模技術來構建數據結構框架，從而保證相關部門的有效運行。而這個數據結構框架主要應用在兩個方面，一是抓重點業務領域、重點職能部門、重點業務環節，篩選廉潔風險、完善內控機制、筑牢廉潔防線，確保紀檢部門信息管理系統的建設以及數據關聯。二是廉潔風險教育與大數據分析的需求需要強有力的結構框架，數據建模技術可以充分地發揮作用。

廉潔風險防控管理過程繁雜，涉及的關鍵要素眾多，不同的業務場景涉及的管理規定、執行過程各不相同，業務流程設計不同直接決定了信息系統結構和邏輯大相徑庭，結合這幾種情況，在數據交互和關聯分析時，就會出現信息融合困難，關聯程度低等問題，尤其是當前很多企業的管理規定并未完全線上化，這就導致存在很多線下文件并行，致使數據難以融合，無法統一管理。本文通過廉潔風險防控領域中數據建模過程的實踐，分析廉潔風險防控中數據建模技術的應用，并對其進行經驗總結。

二、數據建模技術介紹

（一）數據建模簡介

數據建模是一種用于定義和分析數據的要求和其需要的相應支持的信息系統的過程。所以，在進行數據建模的過程中，專業性的數據建模工作離不開企業的利益及用戶的信息系統。

從需求到實際數據庫構建，一般包括三個步驟。。僅用于信息系統的數據建模是作為一個模型來應用，最基本的功能是來記錄一組數據達到規范的目的。一個數據建模技術系統要想構建，首先思考是否符合企業最初的需求，其次才能轉變為一個邏輯數據模型，恰好這個邏輯數據模型可以在數據庫中構造。一個概念數據模型的實現可能需要多個邏輯數據模型。最后需要確定邏輯數據模型與物理數據模型之間的數據訪問性能和存儲方面的具體要求，不僅僅是數據元素，同時它們之間的結構和聯系也不可忽視[2]。

數據建模常用在系統開發與系統維護的工作環境中，也稱為系統開發生命周期（SDLC）。當然，數據建模也可以用在更廣泛的領域，如業務和數據架構、主數據管理和數據治理計劃，其直接的結果不是在數據庫，而是對組織數據的理解。模型是現實中事物的一種表征或者想要創造事物的一種模式。一個模型可以包含一個或多個圖表。模型圖可以使人們通過標準化的符號快速了解其內容。地圖、組織架構圖和建筑藍圖都是日常模型的例子。

數據模型描述了組織已經理解或者未來需要的數據。數據模型包含一組帶有文本標簽的符號，這些符號以可視化的方式展現數據需求并將其傳遞給數據建模人員。也可以把模型理解成一種文檔形式，用于記錄數據需求和建模過程產生的數據定義。數據模型是用來將數據需求從業務傳遞到IT溝通的主要媒介。

數據建模需要遵循如下幾點原則[3]：

①格式化。數據模型是對于數據結構和數據關系的簡潔定義。需要能夠評估當前或者理想情況下業務規則對數據的影響情況。格式化的定義賦予數據規范的結構，減少在訪問和保存數據時發生異常的概率。通過展現數據中的結構和關系，數據模型使數據更容易被使用。

②范圍定義。數據模型可以幫助解釋數據上下文的邊界，以及購買的應用程序包、項目、方案或實施的現有系統。

③知識保留記錄。數據模型通過以書面的形式獲取知識來保存系統或項目的數據信息。它要能給未來項目提供原始記錄。數據模型要有助于更好地理解一個組織、一個業務方向、一個已存在的應用。同時，數據模型需要能被重復利用，能夠幫助業務專業人員了解環境中的數據結構。

（二）數據建模的方法

常見的6種數據建模方法是：關系建模、維度建模、面向對象建模、基于事實建模、基于時間建模和非關系型建模[4]。每種建模方法都采用一些特定的表示法來進行表達。

①關系建模，能夠精準表達業務數據，減少數據存儲的冗余，其適用于設計操作型的系統。

②維度建模，專注于特定的業務流程和領域問題，在維度模型中，數據組織的方式是為了優化海量數據的查詢和分析。

③面向對象建模，規定了實體類與其屬性的關系，可以利用封裝、繼承、多態等先進特性對模型進行重復開發。

④基于事實建模，可以不使用屬性從需求信息和查詢實例開始，實例在外部環境中呈現，然后在概念層次上用受控自然語言所表達的事實來描述實例。

⑤基于時間建模，是當數據值必須按照時間順序與特定時間值相關聯時，必要的一種建模方法。

⑥非關系型建模，可以將業務主題在無需進行多關系結構分解的情況下，存儲在文檔結構中，也可以利用鍵值對將數據進行列式存儲，從而提升查詢效率。

三、數據建模技術在廉潔風險防控領域的應用

（一）數據建模需求

隨著廉潔風險數據可獲取性的提升以及數據分析應用技術的逐步發展，全面從嚴治黨管理工作不再局限于對思想政治以及意識形態塑造的探索，而是面向更廣泛的數字活動場景，相關紀檢工作也逐步運用大數據分析、機器學習、深度學習等計算方法對高頻違規風險點進行分析[5]。

然而，不同領域理論與技術方法的交叉實踐配合相對復雜且繁瑣，數據呈現出的動態和開放的特征也加劇了多源數據組織、聚合與建模的難度，進而阻礙了相關研究的步伐，為此，提出數據建模技術在廉潔風險防控領域的需求。

廉潔風險防控數據建模主要目的是要通過數據模型梳理數字化的紀檢關鍵要素特征，針對廉潔風險源頭部門或崗位，形成法律法規典型案例的數據資產。

從業務層面上來說，數據建模技術發揮著不可替代的作用，可以整合紀檢管理計劃以及法規理解能力，從技術層面來說，廉潔風險防控相關信息化系統與法律法規業務數據間可以有效的、多層次的讀取，確保數據之間平穩的層次交互、多維跨越。旨在技術和業務之間建立一個有效的橋梁，為利用新型數字技術全景化為數據進行精準剖析，為紀檢工作提供方向性的指導。

廉潔風險防控領域應用的數據建模技術需要從業務邏輯和數據邏輯兩個方面來考慮，業務邏輯是指法律法規及相關案例的數據是否能夠與經營生產業務產生必要的聯系，業務邏輯通過關系建模方法，將法律法規數據和業務領域關聯，并建立起必要的數據關聯關系。數據邏輯層面要從數據的完整性、集中度，以及與廉潔關鍵影響因素等角度來考慮，并進行模型設計，可以使用基于事實建模方法，將廉潔防控業務中影響因子抽象成事實模型，并進行后續的采樣分析。

（二）數據特征建模

廉潔風險數據模型會表現出復雜的結構特征以及動態數據特性，高頻、高風險的活動能夠使各類業務數據在不同的業務場景下流動，在此過程中，由于活動的多樣性和構成要素多粒度的復雜特性，要圍繞著廉潔風險研究的關鍵場景，高頻風險點進行多元關系模型的構建，通過數據之間的特征關聯，來呈現并解析實際紀檢工作中的運行模式與規律[6]。

在完成廉潔風險防控數據特征建模設計時，首先要根據數據資源進行體系劃分，同時抽取與廉潔風險防控全生命周期管理相關的對象，并將對象分類和提煉，最終構建便于應用的數據模型。

為了能夠將廉潔風險管理數據與模型有機結合，需要進行基于多數據源深化的數據特征建模，對廉潔風險防控表示模型進行“實體－屬性－關系－數據”的數據關聯。

數據特征建模的過程可以厘清廉潔風險各對象之間的關系，它可以面向更廣泛的業務活動場景，揭示業務領域的違規特征和內部運行機制，數據特征建模具體的工作步驟如下所示：

①切分數據對象，包括廉潔風險管理中涉及的組織、部門、崗位、角色等業務實體和經營、生產、管理相關的業務活動。

②構建數據關系，包括部門層級、法律條款前后時序、數據重疊等不同數據之間的關聯內容。

③明確數據屬性，記錄數據庫中對象和關系的屬性描述，如業務領域中的業務流程和業務描述，違規特征中的違規場景、違規頻率和關聯法律等。

④進行數據約束，對數據在如制度、規程、有效狀態等業務層面的規則和限制進行安全約束和說明。

（三）數據模型存儲

數據實體化旨在通過存儲不同來源的多維度數據實現對于廉潔風險的業務實體進行數字化表征，進而形成完整的結構化數據單元，服務于后續業務執行以及數據分析工作。其過程包括多源數據匯聚、數據結構化清洗、實體數據融合等核心任務[7]。

多源數據匯聚是指在完成廉潔風險防控數據特征建模后，需要將不同渠道、不同維度的數據進行分片存儲，在存儲的過程中要保證數據在整個生命周期中的可用性和數據讀取的性能。當前廉潔風險相關的數據較為分散，數據形式、數據結構、數據編碼均未統一，其中人員、崗位等信息為結構化數據，法律法規和紀檢案例均有大部分非結構化數據和紙質文檔。

針對此類數據質量不穩定、數據結構不統一的情況，就需要將數據進行結構化的清洗。數據清洗的具體工作是預先將異構系統中不同渠道、不同維度的數據放入ETL自動流水線中加載原始數據，再將數據置于中間數據庫的維度表中對其進行清洗轉換，清洗后的數據會存儲至目標數據庫，根據數據庫的約束結合文本匹配技術，實現數據去重，減少不必要的冗余。結構化的數據能夠從紀檢的基本屬性、人員的行為屬性和法規的管理屬性為出發點，采用不同維度來解析和透視廉潔風險數據特征，最終形成服務于紀檢管理的數據主題。

實體數據融合是要將經過清洗后的結構化數據集進行提取，形成實體數據單元。盡管多源數據匯聚階段對相關數據進行了初步的組織，但是在數據模型存儲完畢后，仍需要根據不同類型的數據特征制定相應數據的提取規則，實現從主題數據到廉潔風險屬性的映射[8]。在這個過程中為了保證實體數據單元的唯一性，需要對內容相同的實體進行合并，實現實體層面的融合，對于相同名字的法規和條款，或是相同場景的廉潔影響因素，可以直接通過屬性合并來實現實體融合。對于不同數據文本中名稱存在差異的實體，需要先從實體屬性數據間的相似性入手，消除實體描述的歧義后再根據名稱進行實體融合。

（四）數據內容管理

數據建模并成功存儲至數據庫后的工作重點在于保持數據的安全及完整性，并使這些數據模型能夠被搜索。基于廉潔風險管控的工作特點，以及其相關數據的特性，我們選用了Lucene為應用提供檢索功能。Lucene可以方便地在目標系統中實現全文檢索的功能，或者是以此為基礎建立起完整的全文檢索引擎，它采用了基于反向索引的設計原理，在底層采用了數據分段的讀取模式，分段是只讀的，使它在讀寫時可以避免了鎖的出現，大大提升了讀寫性能。

面向具體的應用場景，在廉潔風險防控數據建模的基礎上，采用如聚類集成、復合關系數據矩陣融合等方法，可以對紀檢管理活動中的數據與場景進行融合，從而有效地揭示“部門－崗位－職責－人員”與“高風險場景－高頻違規點－法律法規”的關系，實現從多角度對廉潔風險防控工作的對象、過程、結構、組織及其作用和效應進行有機關聯。基于數據和風險因素的結合，讓信息和知識的擴散不再受到媒介的限制，讓更多受眾能夠有機會獲取并利用相關數據。

交互體驗方面，基于數據內容結合崗位及紀檢業務特點，我們使用隱馬爾可夫模型來優化語義識別，該模型可以解決數據內容及詞條評估、解碼及機器學習的問題，它將分詞算法置于可觀測狀態并能夠逐步優化用戶體驗，從而掃除基層員工法規查閱困難，理解有難度的障礙，從根本上提高受眾對法規、條款的理解能力。

四、結束語

數據建模在數字化系統建設中起著很重要的作用，它決定了整個數據架構的穩定性和易用性，這對廉潔風險防控領域未來的數字化建設影響深遠。廉潔風險防控工作是一個管理范圍廣、執行路徑長的復雜工程，數據作為信息化建設的成果體現，需要體系的結構設計、嚴謹的抽象模型方法，才能保障應用的規范性和擴展性，有效的應用數據建模技術，能夠提升紀檢工作的管理效率，提高廉潔風險防控領域應用的交互體驗。

作者單位：康強 劉光耀 鄧姍妮 中石油西南油氣田分公司勘探開發研究院

參 ?考 ?文 ?獻

[1]陳娟.基于Java的搜索引擎的研究與設計[J].電子技術與軟件工程，2021（21）：8-9.

[2]馮宇.基于模糊層次分析法的Lucene網頁排序算法研究[J].計算機與現代化， 2011（01）：124-126.

[3]張樹國，林懿.監督貼近管理的科學意義[J].中國廣播，2010（06）：21-22.

[4]林卉，王一先，朱毅華.基于Lucene和Nutch的教學資源搜索引擎的研究與發現[J].中國教育信息化：高教職教，2010（11）：82-85.