[發明專利]基于相關性圖學習的案由分類方法及系統

在審

• 申請號: 202110621009.4
• 申請日: 2021-06-03
• 公開（公告）號: CN113360648A
• 公開（公告）日: 2021-09-07
• 發明（設計）人: 尹義龍;侯文杰;襲肖明;張浩杰;馬明珠;王子欣;朱桂萍
• 申請（專利權）人: 山東大學
• 主分類號: G06F16/35
• 分類號: G06F16/35;G06F40/216;G06F40/289;G06K9/62;G06N3/04;G06N3/08;G06Q50/18
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 黃海麗

1.基于相關性圖學習的案由分類方法，其特征是，包括：

獲取待分類的案由；

對待分類的案由進行處理，獲得待分類案由的特征向量；

從每個已知案由分類標簽對應的K個聚類中心中，隨機抽取N個聚類中心，得到每個已知案由分類標簽對應的N個聚類中心；基于M種已知案由分類標簽對應的已抽取的M*N個聚類中心，和待分類案由的特征向量，構建構造圖；其中，K、M和N均為正整數；

將構造圖，輸入到訓練后的圖卷積神經網絡中，得到待分類案由的分類結果。

2.如權利要求1所述的基于相關性圖學習的案由分類方法，其特征是，對待分類的案由進行處理，獲得待分類案由的特征向量；具體包括：

對待分類的案由去除標點符號；將去除標點符號后的文本進行分詞處理；將分詞后的結果進行詞頻統計；將詞頻統計后的詞匯，按照詞頻從大到小的順序進行排序；按照排序后的詞頻，給每個單詞分配一個數字ID編碼；將所有數字ID編碼按照詞頻排序的順序進行拼接，得到待分類案由的向量；

對待分類案由的向量，提取特征向量。

3.如權利要求1所述的基于相關性圖學習的案由分類方法，其特征是，從每個已知案由分類標簽對應的K個聚類中心中，隨機抽取N個聚類中心，得到每個已知案由分類標簽對應的N個聚類中心；其中K個聚類中心，是通過如下步驟獲取的：

對每個已知案由分類標簽的案由進行處理，得到每個已知案由分類標簽的案由特征向量；

將每類已知案由分類標簽的所有案由特征向量進行聚類，得到每類已知案由分類標簽的K個聚類中心。

4.如權利要求3所述的基于相關性圖學習的案由分類方法，其特征是，聚類采用K-means聚類；每個聚類中心都具有代表性；其中，K-means聚類是一種迭代聚類的方法，首先將所有數據預分成K組，隨機取出每一組中的一個樣本作為聚類中心，計算每個樣本與不同聚類中心的距離，將每個樣本劃分到與它最近的聚類中心所在的組，然后求每一組的中心，然后使用中心點當作該組的聚類中心，重復執行上述操作，直至每一組的中心點不再發生變化。

5.如權利要求1所述的基于相關性圖學習的案由分類方法，其特征是，基于M種已知案由分類標簽對應的已抽取的M*N個聚類中心，和待分類案由的特征向量，構建構造圖；具體包括：

基于M種已知案由分類標簽對應的已抽取的M*N個聚類中心，將M*N個聚類中心中每個聚類中心視為圖的節點，將待分類案由的特征向量也視為圖的節點，計算節點與節點之間的相似度，將相似度高于設定閾值的兩個節點進行連線，所述連線作為兩個節點之間的邊，得到構造圖；

根據構造圖，得到構造圖的特征矩陣和鄰接矩陣。

6.如權利要求5所述的基于相關性圖學習的案由分類方法，其特征是，

構造圖的特征矩陣，是指：已知一個圖由許多點以及連接點的邊構成；每個點都有一個特征向量來表示這個點的特征，假設一共有M個節點，每個節點的特征向量維度為N，則構造圖的特征矩陣的大小是M*N，每一行代表一個節點的特征向量；

構造圖的鄰接矩陣，是指：如果兩個節點的相似度大于閾值，則認為兩個節點有邊，且邊的值是相似度值；如果兩個節點的相似度小于閾值，則認為這兩個節點沒有邊，且邊的值為0；假設一共有M個節點，則構造圖的鄰接矩陣的大小是N*N，鄰接矩陣中第(i，j)個元素代表第i個節點和第j個節點的邊值。

7.如權利要求1所述的基于相關性圖學習的案由分類方法，其特征是，

將構造圖，輸入到訓練后的圖卷積神經網絡中，得到待分類案由的分類結果；具體包括：

將構造圖的特征矩陣和鄰接矩陣，輸入到訓練后的圖卷積神經網絡中，圖卷積神經網絡包括兩層相互連接的圖卷積層，其中，第一圖卷積層對構造圖的特征矩陣和鄰接矩陣進行處理，得到更新后的特征矩陣；

第二圖卷積層對鄰接矩陣和更新后的特征矩陣進行處理，得到待分類案由節點的預測類別。