CN107729465A - 人物危险度的评估方法、装置及电子设备 - Google Patents
人物危险度的评估方法、装置及电子设备 Download PDFInfo
- Publication number
- CN107729465A CN107729465A CN201710945420.0A CN201710945420A CN107729465A CN 107729465 A CN107729465 A CN 107729465A CN 201710945420 A CN201710945420 A CN 201710945420A CN 107729465 A CN107729465 A CN 107729465A
- Authority
- CN
- China
- Prior art keywords
- data
- character relation
- node
- target
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims description 33
- 230000008030 elimination Effects 0.000 claims description 19
- 238000003379 elimination reaction Methods 0.000 claims description 19
- 239000012535 impurity Substances 0.000 claims description 19
- 238000013508 migration Methods 0.000 claims description 18
- 230000005012 migration Effects 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000012502 risk assessment Methods 0.000 abstract description 6
- 239000003814 drug Substances 0.000 description 13
- 229940079593 drug Drugs 0.000 description 13
- 230000008569 process Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 241001269238 Data Species 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005295 random walk Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 239000008987 corocalm Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004549 pulsed laser deposition Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9027—Trees
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Computer Security & Cryptography (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种人物危险度的评估方法、装置及电子设备，该方法包括：获取目标数据；通过目标数据构建人物关系网络；根据目标算法对人物关系网络进行处理，得到人物关系网络中的每个节点的特征向量信息；将特征向量信息输入至深度卷积神经网络，以确定待评估对象在每个类型上的危险度。本发明的人物危险度的评估方法中，数据来源广泛，并不局限于对话数据，还涉及人物关系数据，消费数据，基于这些数据构建了多个人物关系网络，解决了数据来源单一的问题，并且可确定出待评估对象在多个类型上的危险度，并不局限于某一种犯罪类型，缓解了现有的危险度评估方法中，数据来源单一，只能对特定的犯罪罪行进行评估，局限性较大的技术问题。
Description
技术领域
本发明涉及数据挖掘的技术领域，尤其是涉及一种人物危险度的评估 方法、装置及电子设备。
背景技术
随着信息科技、数据库的迅猛发展，数据量呈现指数趋势爆炸式的增 长，尤其是当在线社交工具普及后，社交网络中包含的信息越来越丰富。 对于社交网络中的信息，可以选择性的提取一些带有独特含义的数据信息 对未来可能发生的危害到社会稳定的事件进行评估。
目前，通过关系网络数据的犯罪评估方法一般是先对用户的言论危险 类型进行判定，在判定得到用户的言论危险类型后，采用朴素贝叶斯分析 构建犯罪度向量，进而根据犯罪度向量做出犯罪评估判断。
上述关系网络数据的犯罪评估方法中，数据的来源较为单一，评估的 范围具有局限性，只能对特定的犯罪罪行进行评估，实用性较差。
发明内容
有鉴于此，本发明的目的在于提供一种人物危险度的评估方法、装置 及电子设备，以缓解现有的危险度评估方法中，数据来源单一，只能对特 定的犯罪罪行进行评估，局限性较大的技术问题。
第一方面，本发明实施例提供了一种人物危险度的评估方法，所述方 法包括：
获取目标数据，其中，所述目标数据至少包括：人物关系数据，消费 数据，对话数据；
通过所述目标数据构建人物关系网络，其中，所述人物关系网络的数 量为多个，每个所述人物关系网络用于表征一种类型的人物关系；
根据目标算法对所述人物关系网络进行处理，得到所述人物关系网络 中的每个节点的特征向量信息，其中，所述人物关系网络中的每个节点用 于表征一个待评估对象；
将所述特征向量信息输入至深度卷积神经网络，以确定所述待评估对 象在每个类型上的危险度。
结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方 式，其中，获取目标数据包括：
分别在数据库和社交网络中获取初始数据，其中，所述初始数据至少 包括：初始人物关系数据，初始消费数据，初始对话数据；
对所述初始数据进行预处理，得到目标数据，其中，所述预处理至少 包括：去杂处理，分类处理，所述去杂处理为去除所述初始数据中的不符 合预设字段要求的数据，所述分类处理为将所述去杂处理后的数据按照人 物关系类型进行分类。
结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方 式，其中，通过所述目标数据构建人物关系网络包括：
对所述对话数据进行分析，得到多个相关度系数，其中，每个所述相 关度系数对应一种危险类型，多个所述相关度系数表示为目标对话数据与 每个危险类型之间的关联程度，所述目标对话数据为所述对话数据中任意 两个对象之间的对话数据；
根据所述目标数据和所述相关度系数构建多个所述人物关系网络，其 中，多个所述相关度系数为多个所述人物关系网络中连边的权值。
结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方 式，其中，根据目标算法对所述人物关系网络进行处理，得到所述人物关 系网络中的每个节点的特征向量信息包括：
在每个所述人物关系网络中选取多个节点，并根据深度游走方法对所 述多个节点进行预设次数的游走处理，得到多个节点链；
根据每个节点在所述多个节点链中出现的频率构建哈夫曼树，并基于 所述哈夫曼树确定每个所述节点的向量表示方式，得到节点向量；
将不同类型人物关系网络中相同节点的节点向量进行拼接，拼接后得 到带有节点向量信息的矩阵；
通过所述深度卷积神经网络对拼接后的所述带有节点向量信息的矩阵 进行学习，得到所述特征向量信息。
结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方 式，其中，基于所述哈夫曼树确定每个所述节点的向量表示方式包括：
计算每个所述节点在所述哈夫曼树中的出现概率；
结合所述出现概率和预设似然函数确定每个所述节点的向量表示方 式。
第二方面，本发明实施例还提供了一种人物危险度的评估装置，所述 装置包括：
获取模块，用于获取目标数据，其中，所述目标数据至少包括：人物 关系数据，消费数据，对话数据；
构建模块，用于通过所述目标数据构建人物关系网络，其中，所述人 物关系网络的数量为多个，每个所述人物关系网络用于表征一种类型的人 物关系；
处理模块，用于根据目标算法对所述人物关系网络进行处理，得到所 述人物关系网络中的每个节点的特征向量信息，其中，所述人物关系网络 中的每个节点用于表征一个待评估对象；
确定模块，用于将所述特征向量信息输入至深度卷积神经网络，以确 定所述待评估对象在每个类型上的危险度。
结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方 式，其中，所述获取模块包括：
获取单元，用于分别在数据库和社交网络中获取初始数据，其中，所 述初始数据至少包括：初始人物关系数据，初始消费数据，初始对话数据；
预处理单元，用于对所述初始数据进行预处理，得到目标数据，其中， 所述预处理至少包括：去杂处理，分类处理，所述去杂处理为去除所述初 始数据中的不符合预设字段要求的数据，所述分类处理为将所述去杂处理 后的数据按照人物关系类型进行分类。
结合第二方面，本发明实施例提供了第二方面的第二种可能的实施方 式，其中，所述构建模块包括：
分析单元，用于对所述对话数据进行分析，得到多个相关度系数，其 中，每个所述相关度系数对应一种危险类型，多个所述相关度系数表示为 目标对话数据与每个危险类型之间的关联程度，所述目标对话数据为所述 对话数据中任意两个对象之间的对话数据；
构建单元，用于根据所述目标数据和所述相关度系数构建多个所述人 物关系网络，其中，多个所述相关度系数为多个所述人物关系网络中连边 的权值。
第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理 器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理 器执行所述计算机程序时实现上述第一方面中所述的方法的步骤。
第四方面，本发明实施例还提供了一种具有处理器可执行的非易失的 程序代码的计算机可读介质，所述程序代码使所述处理器执行上述第一方 面中所述的方法。
本发明实施例带来了以下有益效果：本发明实施例提供了一种人物危 险度的评估方法、装置及电子设备，该方法包括：获取目标数据，其中， 目标数据至少包括：人物关系数据，消费数据，对话数据；通过目标数据 构建人物关系网络，其中，人物关系网络的数量为多个，每个人物关系网 络用于表征一种类型的人物关系；根据目标算法对人物关系网络进行处理， 得到人物关系网络中的每个节点的特征向量信息，其中，人物关系网络中 的每个节点用于表征一个待评估对象；将特征向量信息输入至深度卷积神 经网络，以确定待评估对象在每个类型上的危险度。
传统的通过关系网络数据进行犯罪评估的方法中，数据来源于通信网 络的交流文本，数据来源较为单一，只能对特定的犯罪罪行进行评估，局 限性较大。与传统的通过关系网络数据进行犯罪评估的方法相比，本发明 的人物危险度的评估方法中，先获取多种目标数据，其中，至少包括：对 话数据，人物关系数据，消费数据，然后通过这些目标数据构建多个人物 关系网络，每个人物关系网络表征一种类型的人物关系，进而，根据目标 算法对人物关系网络进行处理，得到人物关系网络中的每个节点的特征向 量信息，将特征向量信息输入至深度卷积神经网络，以确定待评估对象在 每个类型上的危险度。本发明的人物危险度的评估方法中，数据来源广泛， 并不局限于对话数据，还涉及人物关系数据，消费数据，基于这些数据构 建了多个人物关系网络，解决了数据来源单一的问题，并且本发明中的人 物危险度的评估方法中，通过目标算法对人物关系网络进行处理，得到每 个节点的特征向量信息，最终，将特征向量信息输入至深度卷积神经网络， 可以确定出待评估对象在多个类型上的危险度，并不局限于某一种犯罪类 型，缓解了现有的危险度评估方法中，数据来源单一，只能对特定的犯罪 罪行进行评估，局限性较大的技术问题。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从 说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其 他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实 施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下 面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍， 显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普 通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获 得其他的附图。
图1为本发明实施例提供的一种人物危险度的评估方法的流程图；
图2为本发明实施例提供的根据目标算法对人物关系网络进行处理， 得到人物关系网络中的每个节点的特征向量信息的流程图；
图3为本发明实施例提供的一种人物危险度的评估装置的结构框图；
图4为本发明实施例提供的一种电子设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附 图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是 本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本 领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施 例，都属于本发明保护的范围。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种人物 危险度的评估方法进行详细介绍。
实施例一：
一种人物危险度的评估方法，参考图1，该方法包括：
S102、获取目标数据，其中，目标数据至少包括：人物关系数据，消 费数据，对话数据；
在本发明实施例中，目标数据的种类比较广泛，至少包括：对话数据， 人物关系数据，消费数据。具体的，对话数据主要是指从社交网络中获取 得到的交流数据，这里的对话数据可以为交流文本数据，也可以为交流语 音数据，本发明实施例对其不做具体限制。
人物关系数据一般是从人物关系数据库中获取得到的，也可以从其它 地方获取得到，本发明实施例对其不做具体限制。人物关系数据可以为亲 属关系数据，同事关系数据，同学关系数据等。
消费数据也是从数据库中获得，当然也可以从各个消费软件中获取， 本发明实施例对其不做具体限制。这里的消费数据可以为：开房记录数据， 买卖管制刀具的数据，买卖违禁毒品的数据等等。
S104、通过目标数据构建人物关系网络，其中，人物关系网络的数量 为多个，每个人物关系网络用于表征一种类型的人物关系；
在得到目标数据后，就能够根据目标数据构建多个人物关系网络，每 个人物关系网络表示一种类型的人物关系。例如：上述获取得到的目标数 据有：开放记录数据，亲属关系数据，贩毒数据，恐袭数据，那么就可以 对应的构建开放记录类型的人物关系网络，亲属关系类型的人物关系网络， 贩毒类型的人物关系网络，恐袭类型的人物关系网络，当然，并不局限于 此。
构建得到的人物关系网络中，每个人物关系网络中包括：多个节点， 两个节点间的连边，与连边对应的权值，每个节点表示一个人，连边表示 两个节点间的关系。
另外，并不是任意的两个节点之间都存在连边。比如：对于亲属关系 来讲，如果是直系亲属那么就有连边，如果不是直系亲属，那么就没有连 边。并且，也并不是每一个连边都有对应的权值，比如：直系亲属之间的 连边就没有对应的权值。
关于与连边对应的权值在下文中再进行具体描述，这里先不进行赘述。
S106、根据目标算法对人物关系网络进行处理，得到人物关系网络中 的每个节点的特征向量信息，其中，人物关系网络中的每个节点用于表征 一个待评估对象；
在得到多个人物关系网络后，人物关系网络中的每个节点都是一个待 评估对象。在计算待评估对象在每个类型上的危险度时，需要通过目标算 法对人物关系网络进行处理，得到每个节点的特征向量信息。
S108、将特征向量信息输入至深度卷积神经网络，以确定待评估对象 在每个类型上的危险度。
在得到每个节点的特征向量信息后，将特征向量信息输入至深度卷积 神经网络，从而确定出待评估对象在每个类型上的危险度。
在本发明实施例中，深度卷积神经网络实际为危险度预测模型，这个 模型为通过深度卷积神经网络的方法学习不同危险类型犯罪人员的特征向 量信息后训练得到的。需要说明的，除了深度卷积神经网络之外，还可以 为其它预测模型，本发明实施例对其不做具体限制。
传统的通过关系网络数据进行犯罪评估的方法中，数据来源于通信网 络的交流文本，数据来源较为单一，只能对特定的犯罪罪行进行评估，局 限性较大。与传统的通过关系网络数据进行犯罪评估的方法相比，本发明 的人物危险度的评估方法中，先获取多种目标数据，其中，至少包括：对 话数据，人物关系数据，消费数据，然后通过这些目标数据构建多个人物 关系网络，每个人物关系网络表征一种类型的人物关系，进而，根据目标 算法对人物关系网络进行处理，得到人物关系网络中的每个节点的特征向 量信息，将特征向量信息输入至深度卷积神经网络，以确定待评估对象在 每个类型上的危险度。本发明的人物危险度的评估方法中，数据来源广泛， 并不局限于对话数据，还涉及人物关系数据，消费数据，基于这些数据构 建了多个人物关系网络，解决了数据来源单一的问题，并且本发明中的人 物危险度的评估方法中，通过目标算法对人物关系网络进行处理，得到每 个节点的特征向量信息，最终，将特征向量信息输入至深度卷积神经网络， 可以确定出待评估对象在多个类型上的危险度，并不局限于某一种犯罪类 型，缓解了现有的危险度评估方法中，数据来源单一，只能对特定的犯罪 罪行进行评估，局限性较大的技术问题。
上述内容从整体上描述了人物危险度的评估方法，下面对人物危险度 的评估方法进行具体介绍。
在一个可选地实施方式中，获取目标数据的过程包括：
(1)分别在数据库和社交网络中获取初始数据，其中，初始数据至少 包括：初始人物关系数据，初始消费数据，初始对话数据；
具体的，初始人物关系数据一般是从人物关系数据库中获取得到的， 初始消费数据可以从数据库中获取，也可以从消费软件中获取，初始对话 数据一般是从社交网络中获取得到的，本发明实施例对初始数据的获取并 不做具体限制。
(2)对初始数据进行预处理，得到目标数据，其中，预处理至少包括： 去杂处理，分类处理，去杂处理为去除初始数据中的不符合预设字段要求 的数据，分类处理为将去杂处理后的数据按照人物关系类型进行分类。
在得到初始数据后，初始数据并不理想，需要对初始数据进行预处理， 预处理至少包括：去杂处理，分类处理；去杂处理可以包括去除重复数据， 补充关键信息以及缺失数据，数校验数据的准确性。
上述关于去除不符合预设字段要求的数据对于不同的数据情况不同。 比如：开放记录数据中，入住时间晚于退房时间或者出生日期晚于当前时 间等。
分类处理为将去杂处理后的数据按照人物关系类型进行分类。比如， 初始数据去杂处理后，将亲属关系数据归为一类，开房记录数据归为一类， 贩毒数据归为一类。
在得到目标数据后，在一个可选地实施方式中，通过目标数据构建人 物关系网络的过程包括：
(1)对对话数据进行分析，得到多个相关度系数，其中，每个相关度 系数对应一种危险类型，多个相关度系数表示为目标对话数据与每个危险 类型之间的关联程度，目标对话数据为对话数据中任意两个对象之间的对 话数据；
(2)在得到对话数据后，对对话数据进行分析。分析的过程进行举例 说明：
以贩毒为例，人物i和人物j之间进行了对话，对话中出现了多个词汇， 对于一个词汇s来说，词汇s和贩毒类型的相关度系数Ds的计算过程如下， 根据第一公式计算词汇s与贩毒类型的相关度系数，其中，Phs表 示词汇s在对话数据中出现的频率，Pns表示词汇s在自然语言中出现的频 率。进而，根据第二公式计算人物i和人物j之间对话数据的贩毒 相关度系数，Sij为人物i和人物j之间所有对话词汇。
这样就得到了人物i和人物j之间关于贩毒类型的相关度系数。
以此方式，还可以计算人物i和人物j之间关于涉黄类型的相关度系数。
(2)根据目标数据和相关度系数构建多个人物关系网络，其中，多个 相关度系数为多个人物关系网络中连边的权值。
在得到目标数据和相关度系数后，就能够根据目标数据和相关度系数 构建多个人物关系网络。
比如：上述过程得到人物i和人物j之间的贩毒相关度系数后，在贩毒 类型的人物关系网络中，节点i和节点j之间就存在连边，并且该连边存在 对应的权值。如果人物i和人物j之间的贩毒相关度系数为5，那么贩毒类 型的人物关系网络中，节点i和节点j间的连边的权值为αe-β5，α、β为参 数，由经验获得。
再比如：人物i和人物j之间曾经一起开房，开放次数共为7次，那么 在开房记录类型的人物关系网络中，节点i和节点j之间存在连边，且连边 的权值为αe-β7，α、β为参数，由经验获得。
需要说明的是，在亲属关系网络中的连边是没有权值的。
通过以上的过程就能够构建出多个人物关系网络。
在得到多个人物关系网络后，就能够根据目标算法对人物关系网络进 行处理，在一个可选地实施方式中，参考图2，根据目标算法对人物关系网 络进行处理，得到人物关系网络中的每个节点的特征向量信息的过程包括：
S201、在每个人物关系网络中选取多个节点，并根据深度游走方法对 多个节点进行预设次数的游走处理，得到多个节点链；
具体的，在每个人物关系网络中随机选取多个节点，根据深度游走方 法对多个节点进行预设次数的游走处理。这里的游走处理实际为随机游走， 但是，随机游走的游走方式并不是完全随机的，在带有权值的人物关系网 络中，权值大的连边具有更高的游走概率，这样连边的权值的信息将被包 含在提取出的特征向量信息中。最合适的游走方式由下述概率公式确定： 概率的大小可以由调整参数τ改变。本方法通过控制调整 参数τ，可以控制权值的影响程度，游走完成后，就能够得到多个固定长 度的节点链。
S202、根据每个节点在多个节点链中出现的频率构建哈夫曼树，并基 于哈夫曼树确定每个节点的向量表示方式，得到节点向量；
基于哈夫曼树确定每个节点的向量表示方式包括：
(1)计算每个节点在哈夫曼树中的出现概率；
(2)结合出现概率和预设似然函数确定每个节点的向量表示方式。
在得到出现概率后，将出现概率带入预设似然函数中，求解得到节点 的节点向量。该预设似然函数可以为出现概率的对数值，本发明实施例对 其不做具体限制。
把一个节点用一个向量表征，可以用机器学习方法对其处理，这个向 量可以保有节点人物关系网络中的结构信息。
S203、将不同类型人物关系网络中相同节点的节点向量进行拼接，拼 接后得到带有节点向量信息的矩阵；
S204、通过深度卷积神经网络对拼接后的带有节点向量信息的矩阵进 行学习，得到特征向量信息。
本发明具有如下的优点：
1、通过独特的网络构建方法对人物关系进行建模，使人物关系更加丰 满，信息更全面；
2、采用了独特的相关度系数计算方法估计人物关系网络的连边的权 值，使得各维度(即各类型)的关系得以量化，为后续根据人物关系网络 提取节点向量提供了强力的支持；
3、提取节点向量时，采用独特的游走概率控制公式，使得连边的权值 可以在提取出的向量中得以体现。现有技术中，深度游走方法并不能在向 量中体现连边的权值，没有权值信息的向量人物关系在各维度上的关系紧 密度在节点向量中不能体现，就不能根据这一信息进行后续推测，评估得 到的结果可信度差；
4、将多个人物关系网络中相同节点的节点向量横向拼接，采用深度神 经网络的方法对历史犯罪数据进行学习，针对不同的类型进行危险度评估；
5、提供了一种全新的人物关系网络的构建方法，全面的挖掘人员间关 系，有效评估人物危险度。
本发明提供了一种可更全面处理多种人物关系的方法，并提供了一种 通过人物关系推测人物危险度的智能模型，该模型能通过自我学习，根据 不同的需求，给出结果。
实施例二：
一种人物危险度的评估装置，参考图3，该装置包括：
获取模块20，用于获取目标数据，其中，目标数据至少包括：人物关 系数据，消费数据，对话数据；
构建模块21，用于通过目标数据构建人物关系网络，其中，人物关系 网络的数量为多个，每个人物关系网络用于表征一种类型的人物关系；
处理模块22，用于根据目标算法对人物关系网络进行处理，得到人物 关系网络中的每个节点的特征向量信息，其中，人物关系网络中的每个节 点用于表征一个待评估对象；
确定模块23，用于将特征向量信息输入至深度卷积神经网络，以确定 待评估对象在每个类型上的危险度。
本发明的人物危险度的评估装置中，先获取多种目标数据，其中，至 少包括：对话数据，人物关系数据，消费数据，然后通过这些目标数据构 建多个人物关系网络，每个人物关系网络表征一种类型的人物关系，进而， 根据目标算法对人物关系网络进行处理，得到人物关系网络中的每个节点 的特征向量信息，将特征向量信息输入至深度卷积神经网络，以确定待评 估对象在每个类型上的危险度。本发明的人物危险度的评估装置中，数据 来源广泛，并不局限于对话数据，还涉及人物关系数据，消费数据，基于 这些数据构建了多个人物关系网络，解决了数据来源单一的问题，并且本 发明中的人物危险度的评估装置中，通过目标算法对人物关系网络进行处 理，得到每个节点的特征向量信息，最终，将特征向量信息输入至深度卷 积神经网络，可以确定出待评估对象在多个类型上的危险度，并不局限于 某一种犯罪类型，缓解了现有的危险度评估装置中，数据来源单一，只能 对特定的犯罪罪行进行评估，局限性较大的技术问题。
可选地，获取模块包括：
获取单元，用于分别在数据库和社交网络中获取初始数据，其中，初 始数据至少包括：初始人物关系数据，初始消费数据，初始对话数据；
预处理单元，用于对初始数据进行预处理，得到目标数据，其中，预 处理至少包括：去杂处理，分类处理，去杂处理为去除初始数据中的不符 合预设字段要求的数据，分类处理为将去杂处理后的数据按照人物关系类 型进行分类。
可选地，构建模块包括：
分析单元，用于对对话数据进行分析，得到多个相关度系数，其中， 每个相关度系数对应一种危险类型，多个相关度系数表示为目标对话数据 与每个危险类型之间的关联程度，目标对话数据为对话数据中任意两个对 象之间的对话数据；
构建单元，用于根据目标数据和相关度系数构建多个人物关系网络， 其中，多个相关度系数为多个人物关系网络中连边的权值。
可选地，处理模块包括：
游走处理单元，用于在每个人物关系网络中选取多个节点，并根据深 度游走方法对多个节点进行预设次数的游走处理，得到多个节点链；
确定节点向量单元，用于根据每个节点在多个节点链中出现的频率构 建哈夫曼树，并基于哈夫曼树确定每个节点的向量表示方式，得到节点向 量；
拼接单元，用于将不同类型人物关系网络中相同节点的节点向量进行 拼接，拼接后得到带有节点向量信息的矩阵；
学习单元，用于通过深度卷积神经网络对拼接后的带有节点向量信息 的矩阵进行学习，得到特征向量信息。
可选地，确定节点向量单元包括：
计算子单元，用于计算每个节点在哈夫曼树中的出现概率；
确定子单元，用于结合出现概率和预设似然函数确定每个节点的向量 表示方式。
该实施例二中的内容可以参考上述实施例一中的内容，在此不再进行 赘述。
实施例三：
本发明实施例提供了一种电子设备，参考图4，该电子设备包括：处理 器30，存储器31，总线32和通信接口33，处理器30、通信接口33和存 储器31通过总线32连接；处理器30用于执行存储器31中存储的可执行 模块，例如计算机程序。处理器执行极端及程序时实现如方法实施例中描 述的方法的步骤。
其中，存储器31可能包含高速随机存取存储器(RAM， RandomAccessMemory)，也可能还包括非不稳定的存储器 (non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接 口33(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
总线32可以是ISA总线、PCI总线或EISA总线等。总线可以分为地 址总线、数据总线、控制总线等。为便于表示，图4中仅用一个双向箭头 表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器31用于存储程序，处理器30在接收到执行指令后，执 行程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的 方法可以应用于处理器30中，或者由处理器30实现。
处理器30可能是一种集成电路芯片，具有信号的处理能力。在实现过 程中，上述方法的各步骤可以通过处理器30中的硬件的集成逻辑电路或者 软件形式的指令完成。上述的处理器30可以是通用处理器，包括中央处理 器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简 称NP)等；还可以是数字信号处理器(DigitalSignal Processing，简称DSP)、 专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、现成可编 程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑 器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本 发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处 理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公 开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处 理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器， 闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存 器等本领域成熟的存储介质中。该存储介质位于存储器31，处理器30读取存储器31中的信息，结合其硬件完成上述方法的步骤。
本发明实施例所提供的一种人物危险度的评估方法、装置的计算机程 序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括 的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实 施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述 描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过 程，在此不再赘述。
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安 装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可 拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直 接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对 于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的 具体含义。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使 用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发 明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的 部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储 介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服 务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步 骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光 盘等各种可以存储程序代码的介质。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、 “右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所 示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示 或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作， 因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用 于描述目的，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用 以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于 此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术 人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围 内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变 化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都 应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利 要求的保护范围为准。
Claims (10)
1.一种人物危险度的评估方法，其特征在于，所述方法包括：
获取目标数据，其中，所述目标数据至少包括：人物关系数据，消费数据，对话数据；
通过所述目标数据构建人物关系网络，其中，所述人物关系网络的数量为多个，每个所述人物关系网络用于表征一种类型的人物关系；
根据目标算法对所述人物关系网络进行处理，得到所述人物关系网络中的每个节点的特征向量信息，其中，所述人物关系网络中的每个节点用于表征一个待评估对象；
将所述特征向量信息输入至深度卷积神经网络，以确定所述待评估对象在每个类型上的危险度。
2.根据权利要求1所述的方法，其特征在于，获取目标数据包括：
分别在数据库和社交网络中获取初始数据，其中，所述初始数据至少包括：初始人物关系数据，初始消费数据，初始对话数据；
对所述初始数据进行预处理，得到目标数据，其中，所述预处理至少包括：去杂处理，分类处理，所述去杂处理为去除所述初始数据中的不符合预设字段要求的数据，所述分类处理为将所述去杂处理后的数据按照人物关系类型进行分类。
3.根据权利要求1所述的方法，其特征在于，通过所述目标数据构建人物关系网络包括：
对所述对话数据进行分析，得到多个相关度系数，其中，每个所述相关度系数对应一种危险类型，多个所述相关度系数表示为目标对话数据与每个危险类型之间的关联程度，所述目标对话数据为所述对话数据中任意两个对象之间的对话数据；
根据所述目标数据和所述相关度系数构建多个所述人物关系网络，其中，多个所述相关度系数为多个所述人物关系网络中连边的权值。
4.根据权利要求1所述的方法，其特征在于，根据目标算法对所述人物关系网络进行处理，得到所述人物关系网络中的每个节点的特征向量信息包括：
在每个所述人物关系网络中选取多个节点，并根据深度游走方法对所述多个节点进行预设次数的游走处理，得到多个节点链；
根据每个节点在所述多个节点链中出现的频率构建哈夫曼树，并基于所述哈夫曼树确定每个所述节点的向量表示方式，得到节点向量；
将不同类型人物关系网络中相同节点的节点向量进行拼接，拼接后得到带有节点向量信息的矩阵；
通过所述深度卷积神经网络对拼接后的所述带有节点向量信息的矩阵进行学习，得到所述特征向量信息。
5.根据权利要求4所述的方法，其特征在于，基于所述哈夫曼树确定每个所述节点的向量表示方式包括：
计算每个所述节点在所述哈夫曼树中的出现概率；
结合所述出现概率和预设似然函数确定每个所述节点的向量表示方式。
6.一种人物危险度的评估装置，其特征在于，所述装置包括：
获取模块，用于获取目标数据，其中，所述目标数据至少包括：人物关系数据，消费数据，对话数据；
构建模块，用于通过所述目标数据构建人物关系网络，其中，所述人物关系网络的数量为多个，每个所述人物关系网络用于表征一种类型的人物关系；
处理模块，用于根据目标算法对所述人物关系网络进行处理，得到所述人物关系网络中的每个节点的特征向量信息，其中，所述人物关系网络中的每个节点用于表征一个待评估对象；
确定模块，用于将所述特征向量信息输入至深度卷积神经网络，以确定所述待评估对象在每个类型上的危险度。
7.根据权利要求6所述的装置，其特征在于，所述获取模块包括：
获取单元，用于分别在数据库和社交网络中获取初始数据，其中，所述初始数据至少包括：初始人物关系数据，初始消费数据，初始对话数据；
预处理单元，用于对所述初始数据进行预处理，得到目标数据，其中，所述预处理至少包括：去杂处理，分类处理，所述去杂处理为去除所述初始数据中的不符合预设字段要求的数据，所述分类处理为将所述去杂处理后的数据按照人物关系类型进行分类。
8.根据权利要求6所述的装置，其特征在于，所述构建模块包括：
分析单元，用于对所述对话数据进行分析，得到多个相关度系数，其中，每个所述相关度系数对应一种危险类型，多个所述相关度系数表示为目标对话数据与每个危险类型之间的关联程度，所述目标对话数据为所述对话数据中任意两个对象之间的对话数据；
构建单元，用于根据所述目标数据和所述相关度系数构建多个所述人物关系网络，其中，多个所述相关度系数为多个所述人物关系网络中连边的权值。
9.一种电子设备，其特征在于，包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至5中任一项所述的方法的步骤。
10.一种具有处理器可执行的非易失的程序代码的计算机可读介质，其特征在于，所述程序代码使所述处理器执行权利要求1至5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710945420.0A CN107729465B (zh) | 2017-10-12 | 2017-10-12 | 人物危险度的评估方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710945420.0A CN107729465B (zh) | 2017-10-12 | 2017-10-12 | 人物危险度的评估方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107729465A true CN107729465A (zh) | 2018-02-23 |
| CN107729465B CN107729465B (zh) | 2018-08-17 |
Family
ID=61210772
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710945420.0A Active CN107729465B (zh) | 2017-10-12 | 2017-10-12 | 人物危险度的评估方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107729465B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110009474A (zh) * | 2019-01-31 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 一种信用风险评估方法、装置和电子设备 |
| CN110210227A (zh) * | 2019-06-11 | 2019-09-06 | 百度在线网络技术（北京）有限公司 | 风险检测方法、装置、设备和存储介质 |
| CN110533190A (zh) * | 2019-07-18 | 2019-12-03 | 武汉烽火众智数字技术有限责任公司 | 一种基于机器学习的数据对象分析方法及装置 |
| CN110544190A (zh) * | 2018-05-29 | 2019-12-06 | 杭州海康威视数字技术股份有限公司 | 一种确定人员特征的方法、装置及设备 |
| CN110598062A (zh) * | 2019-09-24 | 2019-12-20 | 支付宝(杭州)信息技术有限公司 | 一种数据资产的重要度量化方法、装置及电子设备 |
| CN110704469A (zh) * | 2019-10-22 | 2020-01-17 | 北京明略软件系统有限公司 | 一种预警等级的更新方法、更新装置及可读存储介质 |
| CN111178450A (zh) * | 2019-12-31 | 2020-05-19 | 上海三一重机股份有限公司 | 一种焊缝状态的评估方法和装置 |
| CN111626887A (zh) * | 2019-02-27 | 2020-09-04 | 北京奇虎科技有限公司 | 一种社交关系评估方法及装置 |
| CN112069319A (zh) * | 2020-09-10 | 2020-12-11 | 杭州中奥科技有限公司 | 文本抽取方法、装置、计算机设备和可读存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104408149A (zh) * | 2014-12-04 | 2015-03-11 | 威海北洋电气集团股份有限公司 | 基于社交网络分析的犯罪嫌疑人挖掘关联方法及系统 |
| US20150278398A1 (en) * | 2014-03-30 | 2015-10-01 | Digital Signal Corporation | System and Method for Detecting Potential Matches Between a Candidate Biometric and a Dataset of Biometrics |
| CN105069130A (zh) * | 2015-08-14 | 2015-11-18 | 安徽新华博信息技术股份有限公司 | 一种嫌疑对象预测方法 |
| CN105096101A (zh) * | 2015-07-06 | 2015-11-25 | 福州大学 | 基于lda模型及中心度算法的邮件网络取证分析方法 |
| CN105138570A (zh) * | 2015-07-26 | 2015-12-09 | 吉林大学 | 网络言论数据疑似犯罪度计算方法 |
| US20160224686A1 (en) * | 2015-01-30 | 2016-08-04 | Avigilon Fortress Corporation | Systems and methods for social media trend prediction |
| CN107147520A (zh) * | 2017-05-07 | 2017-09-08 | 杨娟 | 一种恐怖组织网络挖掘算法 |
-
2017
- 2017-10-12 CN CN201710945420.0A patent/CN107729465B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150278398A1 (en) * | 2014-03-30 | 2015-10-01 | Digital Signal Corporation | System and Method for Detecting Potential Matches Between a Candidate Biometric and a Dataset of Biometrics |
| CN104408149A (zh) * | 2014-12-04 | 2015-03-11 | 威海北洋电气集团股份有限公司 | 基于社交网络分析的犯罪嫌疑人挖掘关联方法及系统 |
| US20160224686A1 (en) * | 2015-01-30 | 2016-08-04 | Avigilon Fortress Corporation | Systems and methods for social media trend prediction |
| CN105096101A (zh) * | 2015-07-06 | 2015-11-25 | 福州大学 | 基于lda模型及中心度算法的邮件网络取证分析方法 |
| CN105138570A (zh) * | 2015-07-26 | 2015-12-09 | 吉林大学 | 网络言论数据疑似犯罪度计算方法 |
| CN105069130A (zh) * | 2015-08-14 | 2015-11-18 | 安徽新华博信息技术股份有限公司 | 一种嫌疑对象预测方法 |
| CN107147520A (zh) * | 2017-05-07 | 2017-09-08 | 杨娟 | 一种恐怖组织网络挖掘算法 |
Non-Patent Citations (2)
| Title |
|---|
| BRYAN PEROZZI ET AL: "DeepWalk: Online Learning of Social Representations", 《KDD’14》 * |
| HYEON-WOO KANG ET AL: "prediction of crime occurrence from multi-modal data using deep learning", 《PLOS ONE》 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110544190A (zh) * | 2018-05-29 | 2019-12-06 | 杭州海康威视数字技术股份有限公司 | 一种确定人员特征的方法、装置及设备 |
| CN110009474A (zh) * | 2019-01-31 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 一种信用风险评估方法、装置和电子设备 |
| CN111626887A (zh) * | 2019-02-27 | 2020-09-04 | 北京奇虎科技有限公司 | 一种社交关系评估方法及装置 |
| CN110210227B (zh) * | 2019-06-11 | 2021-05-14 | 百度在线网络技术（北京）有限公司 | 风险检测方法、装置、设备和存储介质 |
| CN110210227A (zh) * | 2019-06-11 | 2019-09-06 | 百度在线网络技术（北京）有限公司 | 风险检测方法、装置、设备和存储介质 |
| CN110533190A (zh) * | 2019-07-18 | 2019-12-03 | 武汉烽火众智数字技术有限责任公司 | 一种基于机器学习的数据对象分析方法及装置 |
| CN110533190B (zh) * | 2019-07-18 | 2023-09-05 | 武汉烽火众智数字技术有限责任公司 | 一种基于机器学习的数据对象分析方法及装置 |
| CN110598062A (zh) * | 2019-09-24 | 2019-12-20 | 支付宝(杭州)信息技术有限公司 | 一种数据资产的重要度量化方法、装置及电子设备 |
| CN110704469A (zh) * | 2019-10-22 | 2020-01-17 | 北京明略软件系统有限公司 | 一种预警等级的更新方法、更新装置及可读存储介质 |
| CN110704469B (zh) * | 2019-10-22 | 2022-11-11 | 北京明智和术科技有限公司 | 一种预警等级的更新方法、更新装置及可读存储介质 |
| CN111178450A (zh) * | 2019-12-31 | 2020-05-19 | 上海三一重机股份有限公司 | 一种焊缝状态的评估方法和装置 |
| CN111178450B (zh) * | 2019-12-31 | 2023-07-14 | 上海三一重机股份有限公司 | 一种焊缝状态的评估方法和装置 |
| CN112069319A (zh) * | 2020-09-10 | 2020-12-11 | 杭州中奥科技有限公司 | 文本抽取方法、装置、计算机设备和可读存储介质 |
| CN112069319B (zh) * | 2020-09-10 | 2024-03-22 | 杭州中奥科技有限公司 | 文本抽取方法、装置、计算机设备和可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107729465B (zh) | 2018-08-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107729465A (zh) | 人物危险度的评估方法、装置及电子设备 | |
| US20210166140A1 (en) | Method and apparatus for training risk identification model and server | |
| CN106548124B (zh) | 主题推定系统、主题推定方法 | |
| CN108615073A (zh) | 图像处理方法及装置、计算机可读存储介质、电子设备 | |
| CN109410036A (zh) | 一种欺诈检测模型训练方法和装置及欺诈检测方法和装置 | |
| CN109978060B (zh) | 一种自然语言要素抽取模型的训练方法及装置 | |
| CN104809103A (zh) | 一种人机对话的语义分析方法及系统 | |
| CN108875776A (zh) | 模型训练方法和装置、业务推荐的方法和装置、电子设备 | |
| CN111914067A (zh) | 中文文本匹配方法及系统 | |
| CN107071193A (zh) | 互动应答系统接入用户的方法和装置 | |
| CN105469376A (zh) | 确定图片相似度的方法和装置 | |
| CN109522395A (zh) | 自动问答方法及装置 | |
| CN109948140B (zh) | 一种词向量嵌入方法及装置 | |
| CN108491389A (zh) | 点击诱饵标题语料识别模型训练方法和装置 | |
| WO2019214048A1 (zh) | 自动生成投资建议的方法、装置、计算机设备和存储介质 | |
| CN109299264A (zh) | 文本分类方法、装置、计算机设备及存储介质 | |
| CN110147926A (zh) | 一种业务类型的风险等级计算方法、存储介质及终端设备 | |
| CN110472230B (zh) | 中文文本的识别方法及装置 | |
| CN110059174B (zh) | 问询指引方法及装置 | |
| CN112084320A (zh) | 一种试题推荐方法、装置和智能设备 | |
| CN112463989A (zh) | 一种基于知识图谱的信息获取方法及系统 | |
| CN107506952A (zh) | 危险指数的评估方法、装置及电子设备 | |
| CN113779190B (zh) | 事件因果关系识别方法、装置、电子设备与存储介质 | |
| CN112131354B (zh) | 答案筛选方法、装置、终端设备和计算机可读存储介质 | |
| CN111241843A (zh) | 基于复合神经网络的语义关系推断系统和方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| PP01 | Preservation of patent right |
Effective date of registration: 20191118 Granted publication date: 20180817 |
|
| PP01 | Preservation of patent right | ||
| PD01 | Discharge of preservation of patent |
Date of cancellation: 20200714 Granted publication date: 20180817 |
|
| PD01 | Discharge of preservation of patent |