[发明专利]基于相关性图学习的案由分类方法及系统

权利要求书

1.基于相关性图学习的案由分类方法，其特征是，包括：

获取待分类的案由；

对待分类的案由进行处理，获得待分类案由的特征向量；

从每个已知案由分类标签对应的K个聚类中心中，随机抽取N个聚类中心，得到每个已知案由分类标签对应的N个聚类中心；基于M种已知案由分类标签对应的已抽取的M*N个聚类中心，和待分类案由的特征向量，构建构造图；其中，K、M和N均为正整数；

将构造图，输入到训练后的图卷积神经网络中，得到待分类案由的分类结果。

2.如权利要求1所述的基于相关性图学习的案由分类方法，其特征是，对待分类的案由进行处理，获得待分类案由的特征向量；具体包括：

对待分类的案由去除标点符号；将去除标点符号后的文本进行分词处理；将分词后的结果进行词频统计；将词频统计后的词汇，按照词频从大到小的顺序进行排序；按照排序后的词频，给每个单词分配一个数字ID编码；将所有数字ID编码按照词频排序的顺序进行拼接，得到待分类案由的向量；

对待分类案由的向量，提取特征向量。

3.如权利要求1所述的基于相关性图学习的案由分类方法，其特征是，从每个已知案由分类标签对应的K个聚类中心中，随机抽取N个聚类中心，得到每个已知案由分类标签对应的N个聚类中心；其中K个聚类中心，是通过如下步骤获取的：

对每个已知案由分类标签的案由进行处理，得到每个已知案由分类标签的案由特征向量；

将每类已知案由分类标签的所有案由特征向量进行聚类，得到每类已知案由分类标签的K个聚类中心。

4.如权利要求3所述的基于相关性图学习的案由分类方法，其特征是，聚类采用K-means聚类；每个聚类中心都具有代表性；其中，K-means聚类是一种迭代聚类的方法，首先将所有数据预分成K组，随机取出每一组中的一个样本作为聚类中心，计算每个样本与不同聚类中心的距离，将每个样本划分到与它最近的聚类中心所在的组，然后求每一组的中心，然后使用中心点当作该组的聚类中心，重复执行上述操作，直至每一组的中心点不再发生变化。

5.如权利要求1所述的基于相关性图学习的案由分类方法，其特征是，基于M种已知案由分类标签对应的已抽取的M*N个聚类中心，和待分类案由的特征向量，构建构造图；具体包括：

基于M种已知案由分类标签对应的已抽取的M*N个聚类中心，将M*N个聚类中心中每个聚类中心视为图的节点，将待分类案由的特征向量也视为图的节点，计算节点与节点之间的相似度，将相似度高于设定阈值的两个节点进行连线，所述连线作为两个节点之间的边，得到构造图；

根据构造图，得到构造图的特征矩阵和邻接矩阵。

6.如权利要求5所述的基于相关性图学习的案由分类方法，其特征是，

构造图的特征矩阵，是指：已知一个图由许多点以及连接点的边构成；每个点都有一个特征向量来表示这个点的特征，假设一共有M个节点，每个节点的特征向量维度为N，则构造图的特征矩阵的大小是M*N，每一行代表一个节点的特征向量；

构造图的邻接矩阵，是指：如果两个节点的相似度大于阈值，则认为两个节点有边，且边的值是相似度值；如果两个节点的相似度小于阈值，则认为这两个节点没有边，且边的值为0；假设一共有M个节点，则构造图的邻接矩阵的大小是N*N，邻接矩阵中第(i，j)个元素代表第i个节点和第j个节点的边值。

7.如权利要求1所述的基于相关性图学习的案由分类方法，其特征是，

将构造图，输入到训练后的图卷积神经网络中，得到待分类案由的分类结果；具体包括：

将构造图的特征矩阵和邻接矩阵，输入到训练后的图卷积神经网络中，图卷积神经网络包括两层相互连接的图卷积层，其中，第一图卷积层对构造图的特征矩阵和邻接矩阵进行处理，得到更新后的特征矩阵；

第二图卷积层对邻接矩阵和更新后的特征矩阵进行处理，得到待分类案由节点的预测类别。