[發明專利]一種基于動態知識表示學習的案件推理方法

有效

• 申請號: 201911097694.4
• 申請日: 2019-11-12
• 公開（公告）號: CN110956254B
• 公開（公告）日: 2022-04-05
• 發明（設計）人: 李永強;陳宇;馮遠靜;陸超倫;阮嘉烽;陳浩;周宇;陳成;任聰
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06N5/04;G06Q50/26
• 代理公司: 杭州斯可睿專利事務所有限公司 33241
• 代理人: 王利強

1.一種基于動態知識表示學習的案件推理方法，其特征在于，所述方法包括以下步驟：

1)獲取已破獲案件的所有有關數據，包括案發時間、案發地點、作案物品、犯罪人員以及與其有所關聯的所有人員數據，劃分為人員、案件、物品、地點、機構五大類實體，并提取五類實體之間的關系；

2)將所提取出的事件以時間、實體、關系的形式存儲為四元組的格式，符號記為(t,s,r,o)，其中t表示事件發生的時間，s表示事件的主實體，r表示關系，o表示事件的客實體；

3)圖數據庫是用于存儲多種關系圖的數據庫，圖中的每個節點代表實體，節點與節點之間的邊代表關系，而時間則作為實體或邊的一種屬性，這樣就可以將定義好的數據以節點-邊-節點的方式存入圖數據庫；

4)知識表示學習的訓練使用的是一種循環神經網絡模型，對四元組數據進行循環事件推理，包括序列編碼器和鄰近聚合模型兩個組成部分，流程如下：

4.1)序列編碼器的目標是表示時序圖譜，假定所有時刻的事件集合定義為E＝{E₁,E₂,E₃,…E_t,…}，其中E_t為t時刻發生的事件集合，可以得到其事件發生的概率表示：

4.2)根據馬爾可夫假設，該事件在t時刻的狀態只取決于在t時刻之前的τ時段內的狀態，概率表示化簡為：

式中，e_t為t時刻發生的某具體事件，由四元組定義可知e_t＝(t,s,r,o)，根據貝葉斯公式，公式(2)轉化為：

P(e_t|E_t-1,…,E_t-τ)＝P(o_t|s_t,r_t,{E_t-1,…,E_t-τ})P(s_t,r_t|{E_t-1,…,E_t-τ}) (3)

4.3)這里假設(s_t,r_t)獨立于過去的事件集合，且建模為均勻分布，則認為P(e_t|E_t-1,…,E_t-τ)∝P(o_t|s_t,r_t,{E_t-1,…,E_t-τ})，只考慮s的影響，得到：

式中：O_t為所有(s_t,r_t)對應的客實體o_t的集合；

4.4)引入基于RNN的序列編碼器，最終建模為：

P(o_t|s,r,{O_t-1(s),…,O_t-τ(s)})＝f(s,r,h_t-1(s,r)) (5)

h_t(s,r)＝RNN(s,r,g(O_t(s)),h_t-1(s,r)) (6)

式中，h_t為第t層RNN循環神經網絡函數層，g(O_t(s))為鄰近聚合模型；

4.5)鄰近聚合模型g(O_t(s))如式(7)所示：

式中：N_o為集合中o的個數；

4.7)最后使用交叉熵損失函數對嵌入向量進行訓練：

式中，m表示客實體樣本的標簽；y_m取0或1，當實體o的標簽為正確樣本時，y_m為1，反之則為0；P(o＝m|s,r)即o正確的概率；

5)訓練完成后，以案件作為主實體s，案發時間作為t，案件可能的犯罪人員r作為關系，準備進行鏈接預測；

6)預測的方法是將所有實體都作為客實體o代入到四元組(t,s,r,o)，這樣對于任意輸入均得到一個預測概率P(o|s,r,t)，進行排序，概率越大代表這個人是犯罪人員的可能性越大。