[發明專利]基于圖編碼面向刑事案件羈押風險評估的特征選擇方法

有效

• 申請號: 202111329040.7
• 申請日: 2021-11-10
• 公開（公告）號: CN113888368B
• 公開（公告）日: 2022-03-15
• 發明（設計）人: 張廉臣
• 申請（專利權）人: 深圳航天科創實業有限公司
• 主分類號: G06F16/36
• 分類號: G06F16/36;G06Q50/18;G06Q10/04;G06Q10/06;G06F40/289;G06N3/04;G06N3/08;G06N5/02
• 代理公司: 南京眾聯專利代理有限公司 32206
• 代理人: 杜靜靜

1.基于圖編碼面向刑事案件羈押風險評估的特征選擇方法，其特征在于，該方法包括如下步驟：

步驟1）構建與嫌疑人犯罪特征相關的法律知識庫；

步驟2）根據計算出的特征結點的相似度和相似度關系判定條件構建犯罪特征知識圖譜；所述步驟2）中，具體如下：

利用實體鏈接將數據映射到知識庫中的對應實體上，之后使用分詞工具分詞，得到詞向量，并取平均得到句向量，通過計算句向量的余弦相似度和相似度關系，從多視角構建特征子圖；

步驟3）根據設計的模型結構圖進行圖編碼；所述步驟3）中，具體如下：

引入了圖注意力網絡和多圖交互學習模塊，具體內容如下：

31）構建完特征子圖之后，使用圖注意力網絡即Graph Attention Network, GAT來分別學習每個特征子圖中的節點的表示圖注意力網絡用以下公式來更新節點表示：

其中，和是可以學習的參數, 表示向量拼接操作，為子圖經過編碼的節點表示，為激活函數對參數的計算結果，為上述結果的規范化概率，為函數,為更新的節點表示；

32）使用了一個多圖交互的聯合學習模塊，該模塊有兩部分組成，第一部分通過自注意力層進行所有視圖的交互，實現信息共享，第二部分是融合層，通過計算不同視圖的權重，將多視圖表示結合起來；步驟4）基于犯罪特征知識圖譜利用多任務學習訓練三個子任務；所述步驟4）中，具體如下：使用多任務學習，同時基于犯罪特征圖譜訓練三個子任務，來分別預測犯罪嫌疑人的人身危險性，社會危害性和再犯罪風險性，根據子任務結果和相關特征預測羈押必要性結果；步驟5）利用文本解碼器輸出預測結果的原因；步驟6）計算模型中預測任務和生成任務的損失函數；所述步驟6）中，具體如下：將任務分為兩類，一部分為預測任務，一部分為生成任務，在預測任務中，模型要預測人身危險性，社會危害性，再犯罪風險性和羈押必要性，損失函數按任務的種類分為兩類：

a）預測任務：

預測結果為二分類，以下為二分類交叉熵損失函數的公式：

其中為預測任務的損失函數，為樣本的個數，為求和符號，為模型預測值,為真實值,為對數符號；

b）生成任務：

將生成任務的訓練分為兩個階段：在第一階段中使用交叉熵損失函數進行訓練，

交叉熵損失函數：

其中是第個位置的真實輸出序列，

在第二階段中使用交叉熵損失函數和強化學習損失函數一起來微調模型,生成函數的損失函數表示為：

其中，為生成函數的損失函數，為強化學習的損失函數，為縮放因子，用來控制兩個損失的比重，為上文中提到的交叉熵損失，在每次訓練迭代中，強化學習損失函數是通過比較采樣輸出的獎勵與基線輸出的獎勵來定義的，公式如下：

其中，為強化學習的損失函數,為基線輸出,是通過多項式采樣獲得，為采樣輸出,為每一個詞的似然結果，是每一個詞都是根據似然得到的，最小化上述損失相當于最大化采樣輸出的獎勵高于相應的基線輸出的獎勵的可能性，強化學習中一個關鍵的問題在于挑選損失函數，定義 為輸出的獎勵，通過計算比較生成的句子和真實的句子在某種評估指標即使用BLEU 下的得分可以得到，所以，模型的總損失為：；

其中， 分別表示人身危險性，社會危害性，再犯罪風險性和羈押必要性的二分類交叉熵損失函數；

步驟7）根據特征圖編碼部分的注意力分布情況，選取特征圖權重較高的特征結點，其對應特征即對羈押風險評估的重要特征。

2.根據權利要求1所述的基于圖編碼面向刑事案件羈押風險評估的特征選擇方法，其特征在于，所述步驟1）中，具體如下：

構建了關于不同犯罪涉及到的犯罪特征知識庫，該知識庫主要包含了不同犯罪特征的定義或解釋，知識庫的具體構建方法為使用爬蟲爬取特征的定義或解釋后人工篩選構建知識庫。