[發明專利]基于知識圖譜的風險預測方法、裝置、設備及存儲介質

在審

• 申請號: 202011279427.1
• 申請日: 2020-11-16
• 公開（公告）號: CN112365171A
• 公開（公告）日: 2021-02-12
• 發明（設計）人: 杜翠鳳;智海峰;唐榮;周洪林
• 申請（專利權）人: 廣州杰賽科技股份有限公司;廣州杰賽通信規劃設計院有限公司
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q10/04;G06F16/36;G06K9/62;G06N3/04;G06N3/08;G06Q50/26
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 麥小嬋;郝傳鑫

1.一種基于知識圖譜的風險預測方法，其特征在于，包括：

對數據源的犯罪數據進行關系抽取，獲得RDF數據；所述RDF數據包括若干個實體三元組；

根據所述RDF數據，構建犯罪知識圖譜；

利用預先構建的圖深度學習模型對所述犯罪知識圖譜進行時間相關性分析，獲得融合時間相關性特征的犯罪知識圖譜；

根據融合時間相關性特征的犯罪知識圖譜，對預先構建的卷積神經網絡進行訓練，獲得犯罪風險預測模型；

根據當前采集的犯罪風險數據，通過所述犯罪風險預測模型，獲得犯罪風險預測結果。

2.如權利要求1所述的基于知識圖譜的風險預測方法，其特征在于，所述對數據源的犯罪數據進行關系抽取，獲得RDF數據，包括：

將所述犯罪數據輸入到預先構建的基于BERT-BiLSTM-CRF算法的關系抽取模型進行關系抽取，得到所述RDF數據。

3.如權利要求1所述的基于知識圖譜的風險預測方法，其特征在于，所述實體三元組包括實體、所述實體的屬性及屬性值。

4.如權利要求2所述的基于知識圖譜的風險預測方法，其特征在于，所述方法還包括關系抽取模型構建步驟，具體包括：

將所述數據源的犯罪數據劃分為訓練樣本和測試樣本；

將所述訓練樣本輸入BERT模型，獲得所述訓練樣本的詞向量；

將所述詞向量輸入到BiLSTM-CRF模型進行訓練，獲得關系抽取模型；

利用所述測試樣本對所述關系抽取模型進行測試，獲得最終的初始關系抽取模型。

5.如權利要求3所述的基于知識圖譜的風險預測方法，其特征在于，所述方法還包括：

利用K-Means算法對所述犯罪知識圖譜的實體進行聚類，得到若干個實體群；

確定待處理的實體所屬的實體群，作為候選實體群；

從所述候選實體群中獲取與所述待處理的實體距離最近的實體，作為候選實體；

從所述數據源中獲取所述候選實體對應的決策數據，作為所述待處理的實體的決策數據。

6.如權利要求1所述的基于知識圖譜的風險預測方法，其特征在于，所述圖深度學習模型包括三個網絡結構相同的VGG網絡，每一個VGG網絡用于提取所述RDF數據在不同時間段內的時間相關性特征。

7.如權利要求1所述的基于知識圖譜的風險預測方法，其特征在于，所述利用預先構建的圖深度學習模型對所述犯罪知識圖譜進行時間相關性分析，獲得融合時間相關性特征的犯罪知識圖譜，包括：

利用所述圖深度學習模型對所述犯罪知識圖譜進行時間相關性分析，得到所述RDF數據的時間相關性特征；

將所述時間相關性特征與所述犯罪知識圖譜進行關聯融合，獲得融合時間相關性特征的犯罪知識圖譜。

8.一種基于知識圖譜的風險預測裝置，其特征在于，包括：

實體關系抽取模塊，用于對數據源的犯罪數據進行關系抽取，獲得RDF數據；所述RDF數據包括若干個實體三元組；

知識圖譜構建模塊，用于根據所述RDF數據，構建犯罪知識圖譜；

時間相關性分析模塊，用于利用預先構建的圖深度學習模型對所述犯罪知識圖譜進行時間相關性分析，獲得融合時間相關性特征的犯罪知識圖譜；

犯罪風險預測模型構建模塊，用于根據融合時間相關性特征的犯罪知識圖譜，對預先構建的卷積神經網絡進行訓練，獲得犯罪風險預測模型；

犯罪風險預測模塊，用于根據當前采集的犯罪風險數據，通過所述犯罪風險預測模型，獲得犯罪風險預測結果。

9.一種基于知識圖譜的風險預測設備，其特征在于，包括處理器、存儲器以及存儲在所述存儲器中且被配置為由所述處理器執行的計算機程序，所述處理器執行所述計算機程序時實現如權利要求1-7中任意一項所述的基于知識圖譜的風險預測方法。

10.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質包括存儲的計算機程序，其中，在所述計算機程序運行時控制所述計算機可讀存儲介質所在設備執行如權利要求1至7中任意一項所述的基于知識圖譜的風險預測方法。