[發明專利]一種基于改進KNN的檢察官個性化推薦方法

有效

• 申請號: 202110558100.6
• 申請日: 2021-05-21
• 公開（公告）號: CN113177165B
• 公開（公告）日: 2023-07-21
• 發明（設計）人: 栗偉;閔新;楊金釗;王子晴;趙大哲
• 申請（專利權）人: 東北大學
• 主分類號: G06F16/9536
• 分類號: G06F16/9536;G06Q10/0631;G06Q50/18;G06F18/2413;G06F18/214
• 代理公司: 沈陽東大知識產權代理有限公司 21109
• 代理人: 李珉

1.一種基于改進KNN的檢察官個性化推薦方法，其特征在于，包括以下步驟：

步驟1：對檢察院辦案數據進行預處理，提取所有檢察官數據得到檢察官列表，獲得其中每個檢察官的辦理歷史案件集合以及檢察官當前辦理案件集合；

步驟2：根據每個檢察官歷史辦理的案件，計算檢察官承辦每個案件的期望工作量；然后對案件按照案件類型進行劃分，根據案件期望工作量，計算檢察官辦理每類案件的期望工作量；

步驟3：根據檢察官當前辦理的案件，使用回歸決策樹模型預測檢察官當前辦理的每個案件的期望工作量，并基于檢察官辦理的歷史案件的期望工作量計算檢察官的當前工作負荷；

步驟4：根據檢察官歷史案件的期望工作量和檢察官的當前工作負荷，利用改進的KNN算法從待推薦檢察官集合中選擇與新到案件最匹配的檢察官，測試數據集中每個案件都分配個最優檢察官，進行檢察官的個性化推薦，獲取最適合辦理新到案件的檢察官；步驟4.1：使用回歸預測樹模型預測新到案件的期望工作量為W_new，計算新到案件與該類案件的平均期望工作量N_avg的偏差ΔW_new；

ΔW_new＝W_new-N_avg

步驟4.2：根據待推薦檢察官集合中K個檢察官，結合新到案件的移送案由，計算檢察官辦理該類案件的期望工作量M_now與該類型案件的平均工作量N_avg的標準偏差ΔM_now，偏差越大，反應該檢察官辦理該類型案件能力越強；

ΔM_now＝N_avg-M_now

步驟4.3：依據最近鄰算法KNN，找出ΔW_new最鄰近的ΔM_now，并結合檢察官的當前負荷f_s(X)，推薦最優的檢察官；

其中f_s(X)_avg表示該K個待推薦檢察官的平均工作負荷，f_s(X)_max表示該K個待推薦檢察官的最大工作負荷，f_s(X)_min表示待推薦檢察官的最小工作負荷。

2.根據權利要求1所述的一種基于改進KNN的檢察官個性化推薦方法，其特征在于，步驟2中所述案件期望工作量T_s，如下式所示:其中dt_s表示案件s的辦案時長，π_c表示第c次迭代的權重，ρ表示固定時間區間內案件總數；

計算每類案件的平均期望工作量D_S，如下式所示：其中S表示每類案件的總數；

得到檢察官辦理每類案件的平均期望工作量F，如下式所示：其中Q表示檢察官辦理每類案件的案件總數。

3.根據權利要求1所述的一種基于改進KNN的檢察官個性化推薦方法，其特征在于，所述步驟3具體包括以下步驟：

步驟3.1：在訓練數據集所在的輸入空間中，遞歸地將每個區域劃分為兩個子區域并決定每個子區域上的輸出值，構建二叉決策樹：

步驟3.2：整合數據集，將案件期望工作量，每類案件的平均期望工作量，檢察官辦理每類案件的平均期望工作量與歷史案件集合進行整合，生成數據集D；

步驟3.3：建立回歸預測樹模型，其中輸入為包含案件期望工作量的數據集D，輸出為檢察官當前工作負荷f_s(X)；

步驟3.4：選擇數據集D最優切分變量j與切分點s，對下式進行求解，遍歷變量j，對切分變量j掃描切分點s，選擇使上式達到最小值的對(j，s)；

其中參數c₁,c₂表示葉子節點的樣本值，R₁和R₂兩個區域代表的是二叉樹所劃分的兩個區域，即樣本集合，x_i表示數據集D中的案件數據，y_i表示數據集D中每個案件的期望工作量；所述二叉樹以變量j的特征值s作為邏輯判斷條件；

步驟3.5：用步驟3.4得到的對(j，s)劃分數據集D區域并決定相應的輸出值，如下式所示：

其中N_m表示兩個區域的樣本數，表示參數c₁,c₂的最佳估值，x表示案件數據集合；

其中，R₁(j,s)＝{x|x^(j)≤s},R₂(j,s)＝{x|x^(j)s}

其中x^(j)表示切分變量j下的案件數據集合；

步驟3.6：繼續對兩個R₁，R₂子區域執行步驟3.4、步驟3.5，直至滿足固定迭代次數停止；

步驟3.7：將輸入數據集D劃分為M個區域R₁，R₂，...，R_M生成回歸決策樹：

其中I為指示函數，

步驟3.8：根據回歸決策樹預測當前檢察官辦理案的期望工作量，并計算檢察官當前工作負荷f_s(X)：

其中N表示當前檢察官在辦案件總數，f(x_i)表示案件i的期望工作量。