[發(fā)明專利]基于圖卷積神經(jīng)網(wǎng)絡(luò)模型的食品安全事件檢測方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202011291703.6
• 申請日: 2020-11-18
• 公開（公告）號: CN112329439B
• 公開（公告）日: 2021-11-19
• 發(fā)明（設(shè)計(jì)）人: 段大高;劉文文;劉崢;王東;曹若湘;韓忠明;田雨薇;蘆月;王福成
• 申請（專利權(quán)）人: 北京工商大學(xué);北京市疾病預(yù)防控制中心
• 主分類號: G06F40/211
• 分類號: G06F40/211;G06F40/216;G06F40/289;G06K9/62;G06N3/04;G06N3/08;G06Q50/26
• 代理公司: 北京高沃律師事務(wù)所 11569
• 代理人: 孫玲

1.一種基于圖卷積神經(jīng)網(wǎng)絡(luò)模型的食品安全事件檢測方法，其特征在于，包括：

對從食品安全相關(guān)網(wǎng)站獲取的數(shù)據(jù)進(jìn)行預(yù)處理；

根據(jù)預(yù)處理后的數(shù)據(jù)構(gòu)建文本分類模型，具體包括：根據(jù)預(yù)處理后的數(shù)據(jù)構(gòu)造詞匯的共現(xiàn)矩陣以及拓?fù)鋱D；將所述共現(xiàn)矩陣輸入至雙向長短期記憶網(wǎng)絡(luò)，得到文本矩陣，所述文本矩陣為每個(gè)詞匯的上下文關(guān)系；將所述文本矩陣輸入至卷積神經(jīng)網(wǎng)絡(luò)，得到特征矩陣，所述特征矩陣為文本整體的特征和句子之間的關(guān)系；將所述拓?fù)鋱D輸入至圖卷積神經(jīng)網(wǎng)絡(luò)，得到全局結(jié)構(gòu)矩陣，所述全局結(jié)構(gòu)矩陣為文本圖網(wǎng)絡(luò)的全局結(jié)構(gòu)信息；將所述特征矩陣和所述全局結(jié)構(gòu)矩陣進(jìn)行點(diǎn)乘計(jì)算，得到點(diǎn)乘結(jié)果；根據(jù)所述點(diǎn)乘結(jié)果，確定食品安全事件的分類結(jié)果；

獲取待預(yù)測的食品安全事件數(shù)據(jù)；

將所述待預(yù)測的食品安全事件數(shù)據(jù)輸入至所述文本分類模型中，得到食品安全事件的分類結(jié)果。

2.根據(jù)權(quán)利要求1所述的基于圖卷積神經(jīng)網(wǎng)絡(luò)模型的食品安全事件檢測方法，其特征在于，所述對從食品安全相關(guān)網(wǎng)站獲取的數(shù)據(jù)進(jìn)行預(yù)處理，具體包括：

對從食品安全相關(guān)網(wǎng)站獲取的數(shù)據(jù)進(jìn)行正文提取、去停用詞和jieba分詞處理。

3.根據(jù)權(quán)利要求1所述的基于圖卷積神經(jīng)網(wǎng)絡(luò)模型的食品安全事件檢測方法，其特征在于，所述文本分類模型包括：詞嵌入層、雙向循環(huán)神經(jīng)網(wǎng)絡(luò)層、卷積神經(jīng)網(wǎng)絡(luò)層、圖卷積神經(jīng)層及分類層，所述詞嵌入層的輸出端分別與所述雙向循環(huán)神經(jīng)網(wǎng)絡(luò)層的輸入端和所述圖卷積神經(jīng)層的輸入端連接，所述雙向循環(huán)神經(jīng)網(wǎng)絡(luò)層的輸出端與所述卷積神經(jīng)網(wǎng)絡(luò)層的輸入端連接，所述圖卷積神經(jīng)層的輸出端和所述卷積神經(jīng)網(wǎng)絡(luò)層的輸出端得到的數(shù)據(jù)進(jìn)行點(diǎn)乘后輸入至所述分類層。

4.根據(jù)權(quán)利要求1所述的基于圖卷積神經(jīng)網(wǎng)絡(luò)模型的食品安全事件檢測方法，其特征在于，所述食品安全事件的分類結(jié)果包括：一般食品安全事件、較大食品安全事件、重大食品安全事件以及特別重大食品安全事件。

5.一種基于圖卷積神經(jīng)網(wǎng)絡(luò)模型的食品安全事件檢測系統(tǒng)，其特征在于，包括：

預(yù)處理模塊，用于對從食品安全相關(guān)網(wǎng)站獲取的數(shù)據(jù)進(jìn)行預(yù)處理；

文本分類模型構(gòu)建模塊，用于根據(jù)預(yù)處理后的數(shù)據(jù)構(gòu)建文本分類模型，具體包括：共現(xiàn)矩陣、拓?fù)鋱D構(gòu)造單元，用于根據(jù)預(yù)處理后的數(shù)據(jù)構(gòu)造詞匯的共現(xiàn)矩陣以及拓?fù)鋱D；文本矩陣確定單元，用于將所述共現(xiàn)矩陣輸入至雙向長短期記憶網(wǎng)絡(luò)，得到文本矩陣，所述文本矩陣為每個(gè)詞匯的上下文關(guān)系；特征矩陣確定單元，用于將所述文本矩陣輸入至卷積神經(jīng)網(wǎng)絡(luò)，得到特征矩陣，所述特征矩陣為文本整體的特征和句子之間的關(guān)系；全局結(jié)構(gòu)矩陣確定單元，用于將所述拓?fù)鋱D輸入至圖卷積神經(jīng)網(wǎng)絡(luò)，得到全局結(jié)構(gòu)矩陣，所述全局結(jié)構(gòu)矩陣為文本圖網(wǎng)絡(luò)的全局結(jié)構(gòu)信息；點(diǎn)乘計(jì)算單元，用于將所述特征矩陣和所述全局結(jié)構(gòu)矩陣進(jìn)行點(diǎn)乘計(jì)算，得到點(diǎn)乘結(jié)果；分類單元，用于根據(jù)所述點(diǎn)乘結(jié)果，確定食品安全事件的分類結(jié)果；

待預(yù)測數(shù)據(jù)獲取模塊，用于獲取待預(yù)測的食品安全事件數(shù)據(jù)；

分類結(jié)果確定模塊，用于將所述待預(yù)測的食品安全事件數(shù)據(jù)輸入至所述文本分類模型中，得到食品安全事件的分類結(jié)果。

6.根據(jù)權(quán)利要求5所述的基于圖卷積神經(jīng)網(wǎng)絡(luò)模型的食品安全事件檢測系統(tǒng)，其特征在于，所述預(yù)處理模塊，具體包括：

預(yù)處理單元，用于對從食品安全相關(guān)網(wǎng)站獲取的數(shù)據(jù)進(jìn)行正文提取、去停用詞和jieba分詞處理。

7.根據(jù)權(quán)利要求5所述的基于圖卷積神經(jīng)網(wǎng)絡(luò)模型的食品安全事件檢測系統(tǒng)，其特征在于，所述文本分類模型包括：詞嵌入層、雙向循環(huán)神經(jīng)網(wǎng)絡(luò)層、卷積神經(jīng)網(wǎng)絡(luò)層、圖卷積神經(jīng)層及分類層，所述詞嵌入層的輸出端分別與所述雙向循環(huán)神經(jīng)網(wǎng)絡(luò)層的輸入端和所述圖卷積神經(jīng)層的輸入端連接，所述雙向循環(huán)神經(jīng)網(wǎng)絡(luò)層的輸出端與所述卷積神經(jīng)網(wǎng)絡(luò)層的輸入端連接，所述圖卷積神經(jīng)層的輸出端和所述卷積神經(jīng)網(wǎng)絡(luò)層的輸出端得到的數(shù)據(jù)進(jìn)行點(diǎn)乘后輸入至所述分類層。

8.根據(jù)權(quán)利要求5所述的基于圖卷積神經(jīng)網(wǎng)絡(luò)模型的食品安全事件檢測系統(tǒng)，其特征在于，所述食品安全事件的分類結(jié)果包括：一般食品安全事件、較大食品安全事件、重大食品安全事件以及特別重大食品安全事件。