[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

本發明公開了一種基于知識圖譜的風險預測方法、裝置、設備及存儲介質，該方法，包括：對數據源的犯罪數據進行關系抽取，獲得RDF數據；RDF數據包括若干個實體三元組；根據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，通過犯罪風險預測模型，獲得犯罪風險預測結果；通過實體三元組構建犯罪知識圖譜，有效挖掘司法案件的實體關系，基于犯罪知識圖譜和圖深度學習進行風險預測，能有效提高犯罪風險預測的效率和準確性。

技術領域

本發明涉及人工智能的自然語言處理技術領域，尤其涉及一種基于知識圖譜的風險預測方法、裝置、設備及存儲介質。

背景技術

隨著我國不斷深入推進“智慧司法”建設，中國裁判文書網、中國庭審公開網等平臺的相繼建成運行，司法公開達到前所未有的廣度和深度。而詞法領域是一個龐大的知識體系，且領域知識比較復雜，隨著司法公開數據的不斷增大，數據之間的關系也越來越復雜，目前只能處理簡單數據關系的傳統關系型數據庫已無法勝任，且面向司法案件的風險預測研究比較還是比較匱乏，例如，目前一般只能通過專家知識與人工手段對犯罪風險進行預測分析，風險預效率、準確較低。

發明內容

針對上述問題，本發明的目的在于提供一種基于知識圖譜的風險預測方法、裝置、設備及存儲介質，其能有效挖掘司法案件的實體關系，提高犯罪風險預測的效率和準確性。

第一方面，本發明實施例提供了一種基于知識圖譜的風險預測方法，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。

作為上述方案的改進，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。

作為上述方案的改進，所述實體三元組包括實體、所述實體的屬性及屬性值。

作為上述方案的改進，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。

作為上述方案的改進，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。