[发明专利]一种基于层次化图卷积神经网络模型的案源线索分类处理方法

权利要求书

1.一种基于层次化图卷积神经网络模型的案源线索分类处理方法，其特征在于，包括：

步骤一：对案源数据集进行预处理，将案源线索文本数据转化为包含文本逻辑关系的图数据；

步骤二：多阈值稀疏图的构建，利用不同阈值分割步骤一中转化后的图数据，构造不同级别的稀疏图；

步骤三：针对步骤二中得出的稀疏图，使用层次图卷积网络模型Hi-GCN学习图的拓扑结构以及图与图之间的关联关系；

步骤四：使用不同阈值的图，构建多个Hi-GCN模型，得到对应不同阈值的结果最后通过集成分类器形成最终的案源分类结果。

2.根据权利要求1所述的基于层次化图卷积神经网络模型的案源线索分类处理方法，其特征在于，步骤一所述的数据集预处理，具体为将案源线索文本数据转换为图数据。利用Glove将文本词汇进行编码，转换为图中节点，计算节点之家的相似度构造图中的边。

3.根据权利要求1所述的基于层次化图卷积神经网络模型的案源线索分类处理方法，其特征在于，步骤二所述的多阈值稀疏图构建，具体为将原始的图数据对其边设置[5％,50％]区间内的多个阈值，从原始图数据中得到不同稀疏程度的稀疏图。

4.根据权利要求1所述的基于层次化图卷积神经网络模型的案源线索分类处理方法，其特征在于，步骤三所述的层次图卷积网络，具体由图级别稀疏图学习模型f-GCN和节点级别稀疏图相关性学习模型p-GCN两部分子网络构成。

5.根据权利要求1所述的基于层次化图卷积神经网络模型的案源线索分类处理方法，其特征在于，步骤三所述的f-GCN分别通过图聚类方法和图卷积特征学习进行每个稀疏图的图表达学习，将稀疏图信息转化成粗化图后，进行图卷积特征操作学习到一个低维向量。具体为输入的稀疏图设置可学习的权重矩阵，通过对步骤二中得出得稀疏图进行矩阵相乘，融合为维度更低的粗化图，最后通过GCN将粗化图的结果嵌入到低维的向量中表示。

6.根据权利要求1所述的基于层次化图卷积神经网络模型的案源线索分类处理方法，其特征在于，所述的p-GCN具体步骤为基于不同图数据在同一阈值下的稀疏图，利用图核结构匹配方法进行稀疏图之间的相关性计算，再将f-GCN得出的低维图特征表达看做关联图的点，构造出一个关联图，并基于关联图进行GCN特征学习，将结果放入全连接网络中得出一个阈值下的分类结果。

7.根据权利要求1所述的基于层次化图卷积神经网络模型的案源线索分类处理方法，其特征在于，步骤四所述集成分类器，具体为将每个阈值下将步骤三计算得出的结果分别放入全连接网络中以计算出单个阈值下的预测结果，最后针对多个阈值的分类结果进行投票，得出最终的分类结果。

8.根据权利要求5所述的基于层次化图卷积神经网络模型的案源线索分类处理方法，其特征在于，步骤三中f-GCN的图聚类方法是根据各个点的重要性加权形成的粗化图保留哪些点，边是由新点之间所有的边通过重要性加权数值乘以原始边的权重最后相加得到。

9.根据权利要求6所述的基于层次化图卷积神经网络模型的案源线索分类处理方法，其特征在于，步骤三中p-GCN的构造新图的方法为将f-GCN的图表示转换为节点特征，之后计算点与点之间的结构相似性来构造边，而从得到关联图。

10.根据权利要求1所述的层次化图卷积网络集成算法，其特征在于，整个框架在训练时采用的是步骤三中f-CGN、p-GCN以及图聚类过程中的交叉熵函数。