[發(fā)明專(zhuān)利]一種基于GCN的重大事件趨勢(shì)預(yù)測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202011328486.3
• 申請(qǐng)日: 2020-11-24
• 公開(kāi)（公告）號(hào): CN112989060B
• 公開(kāi)（公告）日: 2022-04-15
• 發(fā)明（設(shè)計(jì)）人: 谷雨;耿小航;彭冬亮
• 申請(qǐng)（專(zhuān)利權(quán)）人: 杭州電子科技大學(xué)
• 主分類(lèi)號(hào): G06F16/36
• 分類(lèi)號(hào): G06F16/36;G06F16/28;G06F16/35;G06N3/04
• 代理公司: 杭州君度專(zhuān)利代理事務(wù)所(特殊普通合伙) 33240
• 代理人: 朱亞冠

1.一種基于GCN的重大事件趨勢(shì)預(yù)測(cè)方法，其特征在于該方法具體包括以下步驟：

步驟(1)、數(shù)據(jù)預(yù)處理：

從關(guān)系型數(shù)據(jù)庫(kù)獲取結(jié)構(gòu)化事件信息數(shù)據(jù)，生成事件語(yǔ)義關(guān)聯(lián)圖，并存入圖數(shù)據(jù)庫(kù)；

步驟(2)、局部圖分割：選擇時(shí)間片粒度分割出局部圖，并對(duì)節(jié)點(diǎn)進(jìn)行向量化；

步驟(3)、模型構(gòu)建：利用圖卷積網(wǎng)絡(luò)提取事件圖特征，構(gòu)建基于GCN的趨勢(shì)預(yù)測(cè)模型；

基于GCN的趨勢(shì)預(yù)測(cè)模型輸入為多個(gè)局部事件語(yǔ)義關(guān)聯(lián)圖的節(jié)點(diǎn)向量和鄰接矩陣，輸出為趨勢(shì)等級(jí)；

基于GCN的趨勢(shì)預(yù)測(cè)模型包括兩個(gè)圖卷積網(wǎng)絡(luò)層、圖特征池化層、全連接層、softmax層：

第一個(gè)圖卷積網(wǎng)絡(luò)層，用于對(duì)局部事件語(yǔ)義關(guān)聯(lián)圖提取聚合事件一階自相關(guān)屬性節(jié)點(diǎn)向量；

第二個(gè)圖卷積網(wǎng)絡(luò)層，用于對(duì)第一個(gè)圖卷積網(wǎng)絡(luò)層輸出的聚合事件一階自相關(guān)屬性節(jié)點(diǎn)信息提取聚合二階節(jié)點(diǎn)特征信息；

式中為節(jié)點(diǎn)v在l+1層的特征向量，l表示GCN層的數(shù)量，Relu為線(xiàn)性激活函數(shù)，b為偏置項(xiàng)，|N(v)|為相鄰節(jié)點(diǎn)數(shù)目，為節(jié)點(diǎn)u在l層的特征向量，w^(l)表示l層上共享的可學(xué)習(xí)的權(quán)重向量；

圖特征池化層，用于對(duì)圖中所有二階節(jié)點(diǎn)特征池化處理，得到圖的特征表示；

式中h_g為圖特征表示向量，|N(v)|為相鄰節(jié)點(diǎn)數(shù)目，h_v為二階節(jié)點(diǎn)特征v的特征向量；

全連接層，用于對(duì)圖的特征表示做線(xiàn)性變換，得到歸一化前每一類(lèi)的概率；

softmax層，用于歸一化計(jì)算每一類(lèi)的概率；

式中表示預(yù)測(cè)出屬于類(lèi)別i的概率，w_i表示共享的可學(xué)習(xí)的權(quán)重向量，h_g為圖特征表示向量，b_i為偏置項(xiàng)，M表示類(lèi)別數(shù)。

2.如權(quán)利要求1所述的一種基于GCN的重大事件趨勢(shì)預(yù)測(cè)方法，其特征在于步驟(2)具體是2.1按時(shí)間片從事件語(yǔ)義關(guān)聯(lián)圖中分割出局部事件語(yǔ)義關(guān)聯(lián)圖g_t＝{V_T,E_T,T∈[t-n,t-1]}，其中t屬于事件數(shù)據(jù)集中某一月，n表示時(shí)間片粒度，T表示時(shí)間片，V_T表示T時(shí)間片的節(jié)點(diǎn)集，E_T表示T時(shí)間片的邊集；

2.2將局部事件語(yǔ)義關(guān)聯(lián)圖的節(jié)點(diǎn)向量化表示，并構(gòu)建所有節(jié)點(diǎn)的鄰接矩陣；

鄰接矩陣：

其中A_ij表示i和j兩節(jié)點(diǎn)在鄰接矩陣中的值，v_i表示節(jié)點(diǎn)i，v_j表示節(jié)點(diǎn)j，E表示邊集。

3.如權(quán)利要求1所述的一種基于GCN的重大事件趨勢(shì)預(yù)測(cè)方法，其特征在于基于GCN的趨勢(shì)預(yù)測(cè)模型訓(xùn)練時(shí)采用交叉熵?fù)p失函數(shù)，如式(4)所示；

式中，L為損失值，N為樣本數(shù)，y表示真實(shí)的類(lèi)別，表示預(yù)測(cè)出的類(lèi)別。

4.如權(quán)利要求1所述的一種基于GCN的重大事件趨勢(shì)預(yù)測(cè)方法，其特征在于步驟(1)所述結(jié)構(gòu)化事件信息數(shù)據(jù)包括事件描述、事件屬性；

所述事件語(yǔ)義關(guān)聯(lián)圖由節(jié)點(diǎn)、邊構(gòu)成，中心節(jié)點(diǎn)為事件描述，與中心節(jié)點(diǎn)直接關(guān)聯(lián)的節(jié)點(diǎn)為事件屬性，邊為事件屬性類(lèi)型；同一邊的相鄰節(jié)點(diǎn)為同一事件上的結(jié)構(gòu)化事件信息數(shù)據(jù)。

5.如權(quán)利要求4所述的一種基于GCN的重大事件趨勢(shì)預(yù)測(cè)方法，其特征在于事件屬性包括時(shí)間、地點(diǎn)、參與者、事件類(lèi)型。