结构化:数据结构字段含义确定,清晰,典型的如数据库中的表结构
半结构化:具有一定结构,但语义不够确定,典型的如HTML网页,有些字段是确定的(title),有些不确定(table)
非结构化:杂乱无章的数据,很难按照一个概念去进行抽取,无规律性
结构化程度是指对某一决策问题的决策过程、决策环境和规律，能否用明确的语言(数学的或逻辑学的、形式的或非形式的、定量的或定性的)给予说明或描述清晰程度或准确程度。按照决策问题的结构化程度不同把决策问题分成结构化问题、半结构化问题和非结构化问题三种类型。
1)．结构化决策问题
结构化决策问题相对比较简单、直接，其决策过程和决策方法有固定的规律可以遵循，能用明确的语言和模型加以描述，并可依据一定的通用模型和决策规则实现其决策过程的基本自动化。早期的多数管理信息系统，能够求解这类问题，例如，应用运筹学方法等求解资源优化问题。
如：饲料配方、生产计划、调度等
2)．非结构化决策问题
非结构化决策问题是指那些决策过程复杂，其决策过程和决策方法没有固定的规律可以遵循，没有固定的决策规则和通用模型可依，决策者的主观行为(学识、经验、直觉、判断力、洞察力、个人偏好和决策风格等)对各阶段的决策效果有相当影响。往往是决策者根据掌握的情况和数据临时做出决定。
如：聘用人员，为杂志选封面
3)．半结构化决策问题
半结构化决策问题介于上述两者之间，其决策过程和决策方法有一定规律可以遵循，但又不能完全确定，即有所了解但不全面，有所分析但不确切，有所估计但不确定。这样的决策问题一般可适当建立模型，但无法确定最优方案。
如：开发市场，经费预算；
类似结构化面试或非结构化面试，是否需要自我介绍呢？所谓结构化面试，即标准化面试，是指按照统一标准和要求进行的面试，包括面试的内容、形式、程序、评分标准、结果的综合分析等构成要素。构化面试是不需要自我介绍的。非结构化面试也称为“随机面试”。提出的问题不需要遵循预先安排的规则和框架。受试者可以随意与候选人讨论各种话题，也可以根据受试者提出不同问题的面试情况进行讨论。非结构化面试是需要自我介绍的。
1、虽然结构化面试也通过主考人和考生之间的沟通来进行，但它在形式和内容上突出了标准化和结构化的特点。例如，结构化面试要求申请同一职位的所有候选人的面试问题应相同；面试官人数不少于2人；典型的结构化面试还需要根据拟议职位的工作分析准备面试问题。因此，结构化面试的过程是规范的，面试结果是相对客观、公平和有效的。
2、对于面试来说，结构的优势非常明显，其最大的优势是公平。公平体现在三个方面。首先，在结构化面试中，同一职位的应聘者的面试问题是相同的，这避免了问题难度不同对应聘者的影响；其次，在结构化面试中，考官严格按照评估表评分，避免了完全基于主观印象评分的弊端；第三，在结构化面试中，通过平均考官的最高和最低分数来计算考生的最终分数，这减少了考官的个人倾向对考生的影响。
3、非结构化面试的可靠性是指非结构化面试不受随机错误干扰的程度；它是一种高技能人才选拔技术。要真正发挥其作用，实现良好的可靠性，必须做好以下几方面的工作：不同岗位的工作性质、职责范围和资质存在很大差异。因此，非结构化访谈的调查内容和形式不能统一规定。采访主题和调查角度应该相互关注，不能一概而论。由于申请人的经验和背景不同，面试内容无法固定。
4、因此，非结构化面试的内容必须根据提问和参考的目的提前准备，以避免面试偏离工作资格的具体要求。然而，这并不意味着考官必须根据事先准备的问题逐一提问，而是根据回答某个问题的情况跟进问题，而不是坚持预定的问题。换句话说，非结构化的面试内容应该提前准备好，“有针对性”，而且因人而异，并且要灵活；我们不仅要让候选人展示自己的水平，也不能完全让候选人自由发挥。我们应该在适当的控制下灵活地掌握面试主题。
随着机器学习的发展，过去传统的结构化数据分析方法已经不能满足我们的需求了。如何在神经网络中利用非结构化数据是很重要的一点。所以很多研究者致力于将非结构化数据处理成结构化数据的工具开发。将非结构化数据转化为结构化数据有以下几个方法：
1 传统方法——树
虽然绝大多数数据是非结构化格式的，但是结构化数据普遍存在于各类商业应用软件和系统中，例如产品数据存储，交易日志，ERP和CRM 系统中都存在大量结构化数据，这些结构化数据仍应用着陈旧的数据技术处理，如基于规则的系统，决策树等。这样的方法需要人工进行特征提取，操作繁琐且需要耗费大量人力进行数据标签。
非结构化数据，也就是通常使用的杂乱无章的文本数据。非结构化数据通常是不能用结构化数据的常规方法以传统方式进行分析或处理的，所以这也成为AI领域一个常见的难题，要理解非结构化数据通常需要输入整段文字，以识别其潜在的特征，然后查看这些特征是否出现在池中的其他文本中。因此，在处理此类任务时，深度学习以其出色的特征提取能力一骑绝尘，于是所有人都开始想着把神经网络用在结构化数据上——建个全连接层，把每一列的内容作为输入，再有一个确定好的标签，就可以进行训练和推理了。
2 新型利器——深度学习
需要寻找结构化数据的语义，目前要解决的问题主要有：
①数据清洗。要在结构化数据 AI 应用上有所成果，首先需要解决人工数据清洗和准备的问题，找到极少或者没有人为干预的自动化方法，才能使得这一应用可落地可拓展。
②异构数据。处理结构化数据的其中一大挑战在于，结构化数据可能是异构的，同时组合了不同类型的数据结构，例如文本数据、定类数据、数字甚至图像数据。其次，数据表有可能非常稀疏。想象一个 100 列的表格，每列都有 10 到 1000 个可能值（例如制造商的类型，大小，价格等），行则有几百万行。由于只有一小部分列值的组合有意义，可以想象，这个表格可能的组合空间有多么「空」。
③语义理解。找到这些结构化数据的语义特征。处理结构化数据并不仅仅依赖于数据本身的特征 (稀疏，异构，丰富的语义和领域知识），数据表集合 (列名，字段类型，域和各种完整性约束等）可以解码各数据块之间的语义和可能存在的交互的重要信息。也就是说，存储在数据库表中的信息具有强大的底层结构，而现有的语言模型（例如 BERT）仅受过训练以编码自由格式的文本。
3 结构化数据清洗
除了某些特定的需求外，经过预处理之后的结构化数据，应该满足以下特点：
①所有值都是数字–机器学习算法取决于所有数据都是数字；
②非数字值（在类别或文本列中的内容）需要替换为数字标识符；
③标识并清除具有无效值的记录；
④识别并消除了无关的类别；
⑤所有记录都需要使用相同的一致类别。
非结构化数据是数据结构不规则或不完整，没有预定义的数据模型，不方便用数据库二维逻辑表来表现的数据。包括所有格式的办公文档、文本、、XML、HTML、各类报表、图像和视频信息等等。
计算机信息化系统中的数据分为结构化数据和非结构化数据。非结构化数据其格式非常多样，标准也是多样性的，而且在技术上非结构化信息比结构化信息更难标准化和理解。所以存储、检索、发布以及利用需要更加智能化的IT技术，比如海量存储、智能检索、知识挖掘、内容保护、信息的增值开发利用等。
1、特点：
结构化面试具有试题固定、程序严谨、评分统一等特点。
非结构化面试面试方法简单易行，不拘场合、时间、内容，简单灵活。
2、缺点：
非结构化面试是结构性较差，缺少一致的判断标准，容易走样，且难以数量化，有时会转移目标。
结构化面试缺点是谈话方式过于程式化，难以随机应变，所收集的信息的范围受到限制。
3、面试类型：
结构化面试是指面试的内容、形式、程序、评分标准及结果的合成与分析等构成要素，按统一制定的标准和要求进行的面试。
非结构化面试亦称“随机面试”。所问问题不需遵循事先安排好的规则和框架，主试者可以任意地与应征者讨论各种话题，或根据+同被试者提出不同问题的面试。
扩展资料
结构化面试存在问题：
1、面试官对面试者评比标准不统一：
在面试的过程中，面试官由于自身所处职务、人生经历、性格等方面原因，对评比标准理解不同，带有主观性。大学毕业生在面试中得到公正的评价成为企业招聘的重要因素，但是由于面试官在评比标准理解上也是起伏较大，对每条问题之间、面试者之间都有不同的理解和认识。评分标准缺乏稳定性，影响了整体评分结果的可靠性和公平性。
2、面试官组成结构的不合理：
面试官的组成结构应该由人力资源部、用人部门的人员组成，必要的时候还需要相关专家顾问参与，在各方面人员的参与下，协作分工，才能体现考官各司其责的专业性。而企业在对毕业生进行面试的时候，
考官组成基本是企业人力资源部成员，并且相当部分的面试官对专业知识的把握往往不够准确。毕业生刚刚走出校门，在进行面试的时候通常是理论知识比较强，实践能力相对较弱，如果面试官只由人力资源部门组成，在面试过程中往往会吸纳理论比较强但工作能力较差的人员，会给企业带来负面影响。
3、面试过程程式化，缺乏灵活性:
面试官在面试的时候，由于问题是提前设计好的，且时间也被限制，谈话更多围绕已定问题来进行，这样严格的面试过程必然会比较机械、不自然。对于更深入地了解毕业生面试者的思想和内心活动几乎不可能。面试官在对毕业生面试者提问题的时候不考虑毕业生的实际情况，问题简单、直观，缺乏必要的设计甚至会超出他们的能力范围。
大学毕业生刚走出校门，是一群朝气蓬勃的群体，对未来充满希望，对工作会有很强的责任心，一个唐突的问题可能导致企业白白失去一个很好的人才，从而带来损失。
参考资料来源：百度百科-非结构化面试
参考资料来源：百度百科-结构化面试
以上就是关于结构化问题与非结构化问题全部的内容，包括:结构化问题与非结构化问题、类似结构化面试或非结构化面试，是否需要自我介绍呢、如何将非结构化数据转化为结构化数据等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！
