[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

说明书

本发明提出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，包括：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；多阈值稀疏图的构建，利用不同阈值分割转换后的图数据，构造不同级别的稀疏图；针对步骤二中得出的稀疏图，使用层次图卷积网络学习图的拓扑结构以及图与图之间的关联关系；使用不同阈值的图，构建不同的Hi‑GCN进行分类，最后通过集成分类器得到最终的案源线索分类结果。本发明通过构建稀疏图，并使用多层次的图卷积网络以及集成学习来进行图学习并捕捉多图之间的内在相关性，以改进用于图数据分类的网络嵌入学习，使网络能够提高图数据的分类性能。

技术领域

本发明涉及案源线索分类及图学习领域，特别是涉及包含分层图卷积网络和稀疏图集成的层次图卷积网络框架。

背景技术

案源线索管理是工商行政执法办案的初始环节。案件监督管理部门对问题线索实行集中管理、动态更新、定期汇总核对，提出分办意见，报纪检机关主要负责人批准，按程序移送承办部门。加强对案源线索管理的智能化建设，可以有效的提升工商行政部门执法效率，从一定程度上避免执法过程中差错的出现，推进社会治理能力的智能化和现代化建设。

随着案源线索的数量激增，给现有传统的人工案源线索分派处理方法带来了很大压力。在高强度的工作压力下，会出现倦怠的现象，甚至会出现随意分派案源的现象，无法保证案源线索分派的准确率，会给进一步的案件调查办理造成不必要的麻烦。因此，基于深度学习的方法能够辅助线索分类，这有效地优化人工分类方法存在的弊端，减轻人工分类的压力，推进社会治理能力现代化。

案源线索分类本质上来说是一个多分类问题，传统的分类方法，比如朴素贝叶斯等的表达能力还有待提高，分类效果较差，而深度学习的方法，特别是图学习模型，在分类问题上表现了优越的性能。但图学习模型本身还存在一些问题。

近年来，传统上为了对图数据进行分析从而进行分类，会使用图嵌入以及图表示方法去自动学习图的低维特征表示，这种方法也能够最大限度地保持网络结构，同时，深度卷积神经网络的高级特征表示已经被证明优于低级特征。然而，图卷积神经网络主要关注输入的图数据，而不是图的结构。在对图数据进行分类的过程中，往往会存在着许多无用的噪声，尽管可以使用深度GCN去学习的图的特征，但是图中的噪声也会被学习到网络中去，同时还要面临GCN学习的深度限制。此外，图数据的分类也面临着数据集有限的问题，这就会限制分类器的性能，从而降低分类器的泛化能力。

发明内容

针对上述问题，本发明提供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。本发明能有效的结合图的节点及结构特征，同时能够学习到图与图之间的内在联系，并有效地去除图数据中的噪声，提高了模型的泛化能力。

本发明提供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，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。

进一步地，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。

进一步地，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。