[发明专利]一种基于知识图谱融合的犯罪预测方法及系统在审

专利信息
申请号: 201910780202.5 申请日: 2019-08-22
公开(公告)号: CN110458373A 公开(公告)日: 2019-11-15
发明(设计)人: 邹倩颖;王小芳;刘俸宇 申请(专利权)人: 电子科技大学成都学院
主分类号: G06Q10/04 分类号: G06Q10/04;G06Q50/26;G06F16/36;G06F16/35;G06N3/04
代理公司: 51250 成都时誉知识产权代理事务所(普通合伙) 代理人: 沈成金<国际申请>=<国际公布>=<进入
地址: 610000四川省成都*** 国省代码: 四川;51
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 测试对象 图谱 向量化 矩阵 画像 多维度信息 词料库 神经网络技术 神经网络判断 信息获取单元 标准词汇 多维信息 犯罪嫌疑 神经网络 文字信息 判决 预测 转化 犯罪 融合 概率
【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pw,在pw路径上存在lw-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pw上第j个非叶子结点向量,表示路径pw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,Xw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。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于电子科技大学成都学院,未经电子科技大学成都学院许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201910780202.5/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top