[发明专利]一种基于知识图谱融合的犯罪预测方法及系统

权利要求书

1.一种基于知识图谱融合的犯罪预测方法，其特征在于，包括以下步骤：

S1：获取待测试对象的多维度信息，对所述多维度信息进行数据处理，得到待测试对象的个体知识图谱画像，执行S2；

S2：使用语料库对待测试对象的个体知识图谱画像进行向量化，将待测试对象的个体知识图谱画像转化为多个向量化矩阵，执行S3；

S3：多个所述向量化矩阵输入至综合判决神经网络中，判决神经网络判断待测试对象是否有犯罪嫌疑。

2.根据权利要求1所述的一种基于知识图谱融合的犯罪预测方法，其特征在于，所述S1包括以下步骤：

S11：获取待测试对象的多维度信息，所述多维度信息为多个词汇组成的文字信息，执行S12；

S12：对所述多维度信息的多个词汇进行归一化处理，将多个词汇替换成多个标准词汇，将所述多维度信息转变为多个标准词汇组成的文字信息，执行S13；

S13：对所述多维度信息数据的多个标准词汇进行三元组化，得到待测试对象的个体知识图谱画像。

3.根据权利要求1或2任意一项所述的一种基于知识图谱融合的犯罪预测方法，其特征在于，所述S1还包括以下步骤：

S121：使用语料库对待测试对象的多个词汇进行向量化，得到多个词向量，执行S122；

S122：计算单个词向量与多个标准词汇的对应概率，选择对应概率最大的标准词汇为该单个词向量的对应标准词汇，并将该单个词向量转化为该对应标准词汇，直至所述多维度信息的多个词汇均转变为标准词汇。

4.根据权利要求3所述的一种基于知识图谱融合的犯罪预测方法，其特征在于：所述S122中使用连续词袋模型计算单个词向量与多个标准词汇的对应概率。

5.根据权利要求4所述的一种基于知识图谱融合的犯罪预测方法，其特征在于：所述CBOW模型以Huffman树作为基础，Huffman树中存在一条从根结点到词w相对应路径p^w，在p^w路径上存在l^w-1个分支，将每次分支都看成一次二分类，编码标记第j个结点是正类还是负类，假定为正类，为负类，单个词向量与标准词汇的对应概率的计算公式为：

其中，σ(x)是逻辑回归函数，负责将结点分类，定义结点被分为正类的概率是σ(x)，负类则为1-σ(x)，表示路径p^w上第j个非叶子结点向量，表示路径p^w上第j个非叶子结点的上一个非叶子节点向量，Context(w)表示词w的上下文，X_w表示Context(w)中各个词向量的累加。

6.根据权利要求4所述的一种基于知识图谱融合的犯罪预测方法，其特征在于：所述连续词袋模型中词向量更新采用随机梯度上升法。

7.根据权利要求1所述的一种基于知识图谱融合的犯罪预测方法，其特征在于：所述综合判决神经网络包括DDPG网络和CNN网络，DDPG网络对CNN网络的卷积核进行更新。

8.一种基于知识图谱融合的犯罪预测系统，其特征在于，包括：

信息获取单元，用于获取待测试对象的多维度信息并生成待测试对象的个体知识图谱画像；

词料库，用于对待测试对象的个体知识图谱画像进行向量化，将所述多维度信息转变为多个标准词汇组成的文字信息，并将待测试对象的个体知识图谱画像转化为多个向量化矩阵；

综合判决神经网络，根据词料库转化的多个向量化矩阵判决神经网络判断待测试对象是否有犯罪嫌疑。

9.根据权利要求8所述的一种基于知识图谱融合的犯罪预测系统，其特征在于：所述词料库包括连续词袋模型。

10.根据权利要求8所述的一种基于知识图谱融合的犯罪预测系统，其特征在于：所述综合判决神经网络包括DDPG网络和CNN网络，DDPG网络对CNN网络的卷积核进行更新。