[發明專利]基于圖卷積神經網絡模型的食品安全事件檢測方法及系統

有效

• 申請號: 202011291703.6
• 申請日: 2020-11-18
• 公開（公告）號: CN112329439B
• 公開（公告）日: 2021-11-19
• 發明（設計）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）人: 北京工商大學;北京市疾病預防控制中心
• 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: 北京高沃律師事務所 11569
• 代理人: 孫玲

本發明涉及一種基于圖卷積神經網絡模型的食品安全事件檢測方法及系統。該方法包括：對從食品安全相關網站獲取的數據進行預處理；根據預處理后的數據構建文本分類模型；獲取待預測的食品安全事件數據；將所述待預測的食品安全事件數據輸入至所述文本分類模型中，得到食品安全事件的分類結果。本發明能夠根據國家食品安全事件分級標準，對獲取的食品安全事件進行快速準確的分類。

技術領域

本發明涉及食品安全事件檢測領域，特別是涉及一種基于圖卷積神經網絡模型的食品安全事件檢測方法及系統。

背景技術

隨著經濟的發展和生活水平的提高，人們對食品安全的要求也越來越高，食品安全成為人們經常討論的熱點問題。近年來，全國各地頻繁發生食品安全事件，如農藥殘留過多、食品添加劑過量、食品污染、食源性疾病等等，我國的食品安全現狀不容樂觀。大數據時代下，互聯網上存在大量與食品安全相關的信息。利用數據挖掘中文本分類的方法能夠從這些信息中提取到有價值且更有針對性的信息，從而幫助相關部門制定預防措施，減少事件發生造成的損失。

如何從海量數據中提取出有效信息已成為研究熱點，現有的傳統監督學習文本分類方法著重于手工設計特征，耗費大量的人力物力。但由于食品安全事件數據包含大量的文本信息，文本數據具有上下文信息和稀疏的語義，很難通過傳統監督學習方法獲得有用的分類特征。并且食品安全信息中包含一些對分類起決定性作用的詞語，而傳統的監督學習文本分類無法將其提取出，也不能有效地提取一些專有名詞，分類效果并不理想。

發明內容

本發明的目的是提供一種基于圖卷積神經網絡模型的食品安全事件檢測方法及系統，能夠對獲取的食品安全事件進行快速準確的分類。

為實現上述目的，本發明提供了如下方案：

一種基于圖卷積神經網絡模型的食品安全事件檢測方法，包括：

對從食品安全相關網站獲取的數據進行預處理；

根據預處理后的數據構建文本分類模型；

獲取待預測的食品安全事件數據；

將所述待預測的食品安全事件數據輸入至所述文本分類模型中，得到食品安全事件的分類結果。

可選地，所述對從食品安全相關網站獲取的數據進行預處理，具體包括：

對從食品安全相關網站獲取的數據進行正文提取、去停用詞和jieba分詞處理。

可選地，所述文本分類模型包括：詞嵌入層、雙向循環神經網絡層、卷積神經網絡層、圖卷積神經層及分類層，所述詞嵌入層的輸出端分別與所述雙向循環神經網絡層的輸入端和所述圖卷積神經層的輸入端連接，所述雙向循環神經網絡層的輸出端與所述卷積神經網絡層的輸入端連接，所述圖卷積神經層的輸出端和所述卷積神經網絡層的輸出端得到的數據進行點乘后輸入至所述分類層。

可選地，所述根據預處理后的數據構建文本分類模型，具體包括：

根據預處理后的數據構造詞匯的共現矩陣以及拓撲圖；

將所述共現矩陣輸入至雙向長短期記憶網絡，得到文本矩陣，所述文本矩陣為每個詞匯的上下文關系；

將所述文本矩陣輸入至卷積神經網絡，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系；

將所述拓撲圖輸入至圖卷積神經網絡，得到全局結構矩陣，所述全局結構矩陣為文本圖網絡的全局結構信息；

將所述特征矩陣和所述全局結構矩陣進行點乘計算，得到點乘結果；

根據所述點乘結果，確定食品安全事件的分類結果。

可選地，所述食品安全事件的分類結果包括：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。