[發(fā)明專利]一種文本類電子證據(jù)的特征提取方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202310651059.6
• 申請(qǐng)日: 2023-06-02
• 公開(kāi)（公告）號(hào): CN116611421A
• 公開(kāi)（公告）日: 2023-08-18
• 發(fā)明（設(shè)計(jì)）人: 楊珂;陳鵬;郭慶雷;王合建;李永亮;楊成;高博;李學(xué)鋒;于曉昆;馬小小
• 申請(qǐng)（專利權(quán)）人: 國(guó)網(wǎng)數(shù)字科技控股有限公司;國(guó)網(wǎng)區(qū)塊鏈科技（北京）有限公司;國(guó)網(wǎng)寧夏電力有限公司;國(guó)網(wǎng)寧夏電力有限公司電力科學(xué)研究院;國(guó)家電網(wǎng)有限公司
• 主分類號(hào): G06F40/20
• 分類號(hào): G06F40/20;G06F16/35;G06N3/0464;G06N3/048;G06N3/08;G06Q50/18
• 代理公司: 北京集佳知識(shí)產(chǎn)權(quán)代理有限公司 11227
• 代理人: 崔清楊

1.一種文本類電子證據(jù)的特征提取方法，其特征在于，所述方法包括：

利用預(yù)設(shè)的詞向量模型處理文本類電子證據(jù)，以提取得到所述文本類電子證據(jù)的原始特征詞向量；

將所述原始特征詞向量輸入預(yù)設(shè)的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取，以提取得到所述文本類電子證據(jù)的特征，所述卷積神經(jīng)網(wǎng)絡(luò)模型包含輸入層、卷積層、池化層和全連接層，所述卷積層包含N個(gè)卷積核大小不同的普通卷積層和M個(gè)空洞率不同的空洞卷積層。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，將所述原始特征詞向量輸入預(yù)設(shè)的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取，以提取得到所述文本類電子證據(jù)的特征，包括：

將所述原始特征詞向量進(jìn)行拼接以形成詞向量矩陣；

通過(guò)預(yù)設(shè)的卷積神經(jīng)網(wǎng)絡(luò)的輸入層將所述詞向量矩陣傳遞給所述卷積神經(jīng)網(wǎng)絡(luò)的卷積層；

利用所述卷積層對(duì)所述詞向量矩陣進(jìn)行特征提取以得到一組一維特征向量，并將提取得到的所述一組一維特征向量傳遞給所述卷積神經(jīng)網(wǎng)絡(luò)的池化層；

利用所述池化層對(duì)所述一組一維特征向量進(jìn)行L2范數(shù)歸一化以得到歸一化后的特征向量，并將所述歸一化后的特征向量傳遞給所述卷積神經(jīng)網(wǎng)絡(luò)的全連接層；

利用所述全連接層處理所述歸一化后的特征向量以得到所述文本類電子證據(jù)的特征。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，利用所述全連接層處理所述歸一化后的特征向量以得到所述文本類電子證據(jù)的特征，包括：

利用配置有Dropout算法的所述全連接層處理所述歸一化后的特征向量以得到所述文本類電子證據(jù)的特征。

4.根據(jù)權(quán)利要求1至3中任一所述的方法，其特征在于，所述卷積層所包含的第一個(gè)普通卷積層和第一個(gè)空洞卷積層配置LeakyRelu激活函數(shù)，所述卷積層所包含的第二個(gè)普通卷積層和第二個(gè)空洞卷積層配置tanh激活函數(shù)。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述方法還包括：

將所述文本類電子證據(jù)的特征上傳至區(qū)塊鏈上。

6.一種文本類電子證據(jù)的特征提取系統(tǒng)，其特征在于，所述系統(tǒng)包括：

第一提取單元，用于利用預(yù)設(shè)的詞向量模型處理文本類電子證據(jù)，以提取得到所述文本類電子證據(jù)的原始特征詞向量；

第二提取單元，用于將所述原始特征詞向量輸入預(yù)設(shè)的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取，以提取得到所述文本類電子證據(jù)的特征，所述卷積神經(jīng)網(wǎng)絡(luò)模型包含輸入層、卷積層、池化層和全連接層，所述卷積層包含N個(gè)卷積核大小不同的普通卷積層和M個(gè)空洞率不同的空洞卷積層。

7.根據(jù)權(quán)利要求6所述的系統(tǒng)，其特征在于，所述第二提取單元包括：

拼接模塊，用于將所述原始特征詞向量進(jìn)行拼接以形成詞向量矩陣；

傳遞模塊，用于通過(guò)預(yù)設(shè)的卷積神經(jīng)網(wǎng)絡(luò)的輸入層將所述詞向量矩陣傳遞給所述卷積神經(jīng)網(wǎng)絡(luò)的卷積層；

第一處理模塊，用于利用所述卷積層對(duì)所述詞向量矩陣進(jìn)行特征提取以得到一組一維特征向量，并將提取得到的所述一組一維特征向量傳遞給所述卷積神經(jīng)網(wǎng)絡(luò)的池化層；

第二處理模塊，用于利用所述池化層對(duì)所述一組一維特征向量進(jìn)行L2范數(shù)歸一化以得到歸一化后的特征向量，并將所述歸一化后的特征向量傳遞給所述卷積神經(jīng)網(wǎng)絡(luò)的全連接層；

第三處理模塊，用于利用所述全連接層處理所述歸一化后的特征向量以得到所述文本類電子證據(jù)的特征。

8.根據(jù)權(quán)利要求7所述的系統(tǒng)，其特征在于，所述第三處理模塊具體用于：利用配置有Dropout算法的所述全連接層處理所述歸一化后的特征向量以得到所述文本類電子證據(jù)的特征。

9.根據(jù)權(quán)利要求6至8中任一所述的系統(tǒng)，其特征在于，所述卷積層所包含的第一個(gè)普通卷積層和第一個(gè)空洞卷積層配置LeakyRelu激活函數(shù)，所述卷積層所包含的第二個(gè)普通卷積層和第二個(gè)空洞卷積層配置tanh激活函數(shù)。

10.根據(jù)權(quán)利要求6所述的系統(tǒng)，其特征在于，所述系統(tǒng)還包括：

上傳單元，用于將所述文本類電子證據(jù)的特征上傳至區(qū)塊鏈上。