CN108491481A - 侵犯知识产权涉案当事人智能辨识主动预警系统及方法 - Google Patents
侵犯知识产权涉案当事人智能辨识主动预警系统及方法 Download PDFInfo
- Publication number
- CN108491481A CN108491481A CN201810199309.6A CN201810199309A CN108491481A CN 108491481 A CN108491481 A CN 108491481A CN 201810199309 A CN201810199309 A CN 201810199309A CN 108491481 A CN108491481 A CN 108491481A
- Authority
- CN
- China
- Prior art keywords
- matrix
- data
- iawmodel
- identification
- active forewarning
- 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 54
- 238000004458 analytical method Methods 0.000 claims abstract description 56
- 238000003860 storage Methods 0.000 claims abstract description 23
- 230000000712 assembly Effects 0.000 claims abstract description 15
- 238000000429 assembly Methods 0.000 claims abstract description 15
- 238000007405 data analysis Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 189
- 238000013480 data collection Methods 0.000 claims description 47
- 238000012549 training Methods 0.000 claims description 45
- 238000013528 artificial neural network Methods 0.000 claims description 34
- 238000009826 distribution Methods 0.000 claims description 34
- 230000006854 communication Effects 0.000 claims description 30
- 238000004891 communication Methods 0.000 claims description 28
- 238000007726 management method Methods 0.000 claims description 22
- 230000004927 fusion Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 230000002045 lasting effect Effects 0.000 claims description 8
- 210000004218 nerve net Anatomy 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 6
- 238000013459 approach Methods 0.000 claims description 6
- 230000008878 coupling Effects 0.000 claims description 4
- 238000010168 coupling process Methods 0.000 claims description 4
- 238000005859 coupling reaction Methods 0.000 claims description 4
- 239000004744 fabric Substances 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 7
- 238000013179 statistical model Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000011835 investigation Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 238000005336 cracking Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000004821 distillation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000002620 method output Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Classifications
-
- 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
- G06Q50/18—Legal services
- G06Q50/184—Intellectual property management
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Technology Law (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种侵犯知识产权涉案当事人智能辨识主动预警系统及方法，包括管理服务器，以及与之相连的数据服务器、分布式集群服务器和智能分析服务器，数据服务器还与智能分析服务器相连接，且管理服务器预处理导入的涉案当事人的相关信息及相关数据，并管理数据分析任务及预警任务；数据服务器存储预处理之后的原始数据信息及存储侵犯知识产权涉案当事人智能辨识主动预警系统的预测结果；分布式集群服务器根据管理服务器预处理的数据，存储非关系型数据，并基于预定义的统计模型对涉案当事人员的流向信息进行统计计算，运算结果被发送给数据服务器；智能分析服务器根据用户提交的处理分析任务使用分析预测模型研判，给出辨识预警结果，产生报告发送至管理服务器和数据服务器。
Description
技术领域
本发明涉及涉嫌侵犯知识产权案件分析研判领域，具体是指一种侵犯知识产权涉案当事人智能辨识主动预警系统及方法。
背景技术
大数据时代的一个重要趋势是数据的社会化，从互联网、移动互联网再到物联网，到处都可以发现社交网络所产生的相关数据记录，其中蕴含着丰富的内涵和很多规律性信息。数据的社会化使得涉嫌侵犯知识产权有可能收集到更多维度的海量数据，这些数据从不同角度反映了社会活动的方方面面，为涉嫌侵犯知识产权数据的获取提供了足够的支撑。随着计算机科学的发展，在图像识别、自然语言理解、信息博弈等领域，基于深度学习技术开发的人工智能程序显示了对人的压倒性优势，展现了巨大的应用潜力。
涉案数据显示案件的发生都具有客观诱因，绝大部分案件的发生是涉案当事人的理性选择，看似纷繁复杂没无规律，实际上具有其内在的相关关系。通过特定的算法对大量的数据进行运算，揭示数据当中隐藏的历史规律和未来的发展趋势，可以为查处侵犯知识产权工作决策者提供参考依据。
现阶段对涉案当事人及团伙的判定很大程度上依赖于人工判定模式，既通过数据库或电子表格方式手动的多层过滤数据，人为的标定节点再进行延展信息的收集和区分，在这种模式下，一线人员工作强度大，数据处理的效率较为低下。
通过收集、处理庞大而复杂的数据信息，进行智能化的数据分析与研判，势必增强一线查处侵犯知识产权打击涉嫌侵犯知识产权违法活动的能力。因此，提高监管系统对嫌疑目标的辨识能力和监测效果，改变传统方式下基于手动方式的多层数据过滤、人工判定模式，构建一种高速、智能化的方法，自动地实时对目标数据进行分析研判，能极大的提升处理精度和效率，实现涉嫌侵犯知识产权数据分析研判平台的朝智能化、高精度方向发展。
发明内容
本发明的目的是克服上述现有技术中的缺点，解决监管系统对嫌疑目标的辨识能力工作量大、计算时间长的问题，且本发明中提供了一种基于大数据和人工智能、基于短文本主题提取、多源数据特征计算、深度学习、持续强化学习、集成学习等方法构建的侵犯知识产权涉案当事人智能辨识主动预警系统及方法。
为了实现上述的目的，本发明的侵犯知识产权涉案当事人智能辨识主动预警系统及方法具体如下：
该侵犯知识产权涉案当事人智能辨识主动预警系统，其主要特点是，包括管理服务器，以及与所述的管理服务器相连接的数据服务器、分布式集群服务器和智能分析服务器，所述的数据服务器还与所述的智能分析服务器相连接，且
管理服务器，用于对汇聚到的数据信息进行预处理，并管理数据分析任务及预警任务；
数据服务器，用于存储经管理服务器预处理之后的数据信息，以及存储侵犯知识产权涉案当事人智能辨识主动预警系统的预测参数和预测结果；
分布式集群服务器，用于经过预处理的数据信息进行非关系型数据的分布式存储，并基于分布式运算框架对分布式存储的数据进行规则计算，获取相应的预测参数；
智能分析服务器，用于根据数据分析任务，使用分析预测模型对预处理后的数据信息进行研判，给出预测参数和预测结果。
较佳地，所述的管理服务器包括规范数据集NDS生成模块，用于对采集到的汇聚数据进行预处理，生成规范数据集NDS。
较佳地，所述的分布式集群服务器包括：
分布式存储模块，用于对经过预处理的数据信息进行非关系型数据的分布式存储；
分布式计算模块，用于使用运行分布式运算框架来对分布式存储的数据进行规则计算，并做增量更新。
更佳地，所述的分布式计算模块包括：
语义特征矩阵SFM生成模块，用于分析规范数据集NDS的短文本，提取语义特征，生成语义特征矩阵SFM；
数字特征矩阵DFM生成模块，用于分析规范数据集NDS的数字特征，生成数字特征矩阵DFM，且所述的数字特征矩阵DFM为涉案当事人信息分项的数字特征矩阵DFM，包括资金特征矩阵FFM、物流特征矩阵LFM、通讯特征矩阵CFM和即时通讯特征矩阵RTFM；
基于多维矩阵的个体属性描述矩阵IADM生成模块，用于基于该数字特征矩阵DFM生成模块生成的数字特征矩阵DFM构建基于多维矩阵的个体属性描述矩阵IADM。
更佳地，所述的分布式计算模块还包括以下计算模型：
文本语料库训练LDA模型，用于对所述的规范数据集NDS进行训练，并通过推断所述的规范数据集NDS的K近邻分类训练和测试文本集的主题分布，选取该规范数据集NDS的特征词，并修改主题分布，计算主题相似度，采用K近邻分布进行分类，并根据类别进行判断，输出语义特征矩阵SFM。
较佳地，所述的智能分析服务器包括：
辨识主动预警深度神经网络IAWDN构建模块，用于构建辨识主动预警深度神经网络IAWDN；
训练模块，用于通过所述的数字特征矩阵DFM对所述的辨识主动预警深度神经网络IAWDN构建模块构建好的辨识主动预警深度神经网络IAWDN进行训练，获取辨识预警模型IAWModel；
持续强化学习模块，用于使用因素反馈评分矩阵FFRM对所述的辨识预警模型IAWModel进行强化学习训练；
辨识预警模型IAWModel融合模块，用于采用集成方法融合所述的训练模块输出的辨识预警模型IAWModel，获取关注度预警评分矩阵AWRM及最终辨识预警值S。
基于上述的系统实现侵犯知识产权涉案当事人智能辨识主动预警的方法，其主要特点是，包括以下步骤：
(1)通过所述的管理服务器采集汇聚数据，并对采集汇聚到的数据进行预处理；
(2)通过所述的分布式集群服务器对预处理后的数据进行分布统计；
(3)通过所述的智能分析服务器对进行分布统计后的数据进行预警分析。
较佳地，所述的步骤(1)为：
通过所述的管理服务器中的规范数据集NDS生成模块对采集到的汇聚数据进行预处理，生成规范数据集NDS。
更佳地，所述的步骤(2)包括以下步骤：
(2.1)通过语义特征矩阵SFM生成模块对规范数据集NDS中涉及的短文本进行分析，提取其中的语义特征，生成语义特征矩阵SFM；
(2.2)通过数字特征矩阵DFM生成模块对规范数据集NDS的数字特征进行分析，生成数字特征矩阵DFM；
(2.3)通过基于多维矩阵的个体属性描述矩阵IADM生成模块生成基于多维矩阵的个体属性描述矩阵IADM。
更佳地，所述的步骤(2.1)为：
所述的语义特征矩阵SFM生成模块通过文本语料库训练LDA模型对所述的规范数据集NDS进行训练，并通过推断所述的规范数据集NDS的K近邻分类训练和测试文本集的主题分布，选取该规范数据集NDS的特征词，并修改主题分布，计算主题相似度，采用K近邻分布进行分类，并根据类别进行判断，最后输出语义特征矩阵SFM；
所述的步骤(2.2)具体为：
通过数字特征矩阵DFM生成模块构建涉案当事人信息分项的数字特征矩阵DFM，包括资金特征矩阵FFM、物流特征矩阵LFM、通讯特征矩阵CFM和即时通讯特征矩阵RTFM。
更佳地，所述的步骤(3)包括：
(3.1)通过辨识主动预警深度神经网络IAWDN构建模块构建辨识主动预警深度神经网络IAWDN；
(3.2)通过训练模块，使用数字特征矩阵DFM对辨识主动预警深度神经网络IAWDN进行训练，获取具有信息显著性方向耦合能力的辨识预警模型IAWModel；
(3.3)通过持续强化学习模块，使用因素反馈评分矩阵FFRM对所述的辨识预警模型IAWModel进行强化学习训练；
(3.4)通过辨识预警模型IAWModel融合模块，对辨识预警模型IAWModel进行融合训练，获取关注度预警评分矩阵AWRM及最终辨识预警值S以及最终辨识预警值S。
更佳地，所述的步骤(3.2)为：
通过训练模块，使用资金特征矩阵FFM、物流特征矩阵LFM、通讯特征矩阵CFM和即时通讯特征矩阵RTFM训练该辨识主动预警深度神经网络IAWDN，获取基于资金特征矩阵FFM的辨识主动预警深度神经网络IAWModelffm、基于物流特征矩阵LFM的辨识主动预警深度神经网络IAWModellfm、基于通讯特征矩阵CFM的辨识主动预警深度神经网络IAWModelcfm、基于即时通讯特征矩阵RTFM通讯特征矩阵CFM的辨识主动预警深度神经网络IAWModelrtfm。
更佳地，所述的步骤(3.3)具体为：
所述的持续强化学习模块还根据以下公式，通过因素反馈评分矩阵FFRM对获取的辨识预警模型IAWModel进行优化，其中，所述的因素反馈评分矩阵包括资金因素反馈评分矩阵FFRMffm、物流因素反馈评分矩阵FFRMlfm、通讯因素反馈评分矩阵FFRMcfm和即时通讯因素反馈评分矩阵FFRMrtfm：
RFIWM(IAWModel[OLD],DFM,FFRM)→IAWModel[NEW]；
其中，所述的IAWModel[OLD]为初次训练模型，所述的DFM为数字特征矩阵，所述的IAWModel[NEW]为优化后的辨识预警模型。
更佳地，所述的步骤(3.4)具体为：
通过所述的辨识预警模型IAWModel融合模块，对获取的辨识主动预警深度神经网络IAWModel模型构建执行方法，输出关注度预警评分矩阵AWRM，所述的执行方法具体为：
FIWM(AMT*[IAWModelffm,IAWModellfm,IAWModelcfm,IAWModelrtfm])；
且该执行方法的输入为涉案当事人信息分项的数字特征矩阵DFM，AM＝{η0,η1,η2,η3}为IAWModel的动作向量；
所述的关注度预警评分矩阵AWRM为：
其中，{B0,...Bn}为识别的涉案当事人涉案细分类型参数矩阵，{WV0,...WVn}为运算后的预警权值矩阵，TIS为时间区间集合；ASS为区域地点集合；
所述的最终辨识预警值S为：
S＝λM×AWRMT；
其中，定义λM＝{λ0,λ1,λ2,λ3,λ4,...}为系统预置的对应关注度预警评分矩阵AWRM的权重向量。
采用本发明的侵犯知识产权涉案当事人智能辨识主动预警系统及方法，针对查处侵犯知识产权工作中所面临的多源海量涉案数据需要快速精确分析处理的问题，提出基于大数据技术和人工智能技术处理这些复杂的数据的方法，集成了数据规范化、语义分析、数据分析、人员辨识、线索发现、智能分析研判等功能，可为查处侵犯知识产权工作提供有力的支撑。实现涉嫌侵犯知识产权数据高效的过滤与清洗，为侦查人员提供灵活、快速、主动反应的办案环境，争取案件侦破最佳战机，提高利用数据的破案效率，充分挖掘各类融合数据的价值，增强人民群众对公安机关破案的信任度，提高办案民警对侦查任务的信心，具有良好的社会效益。同时，涉嫌侵犯知识产权融合数据智能分析研判平台的推广应用，也能带来较为显著的经济效益。能够自动地实时对目标数据进行分析研判，极大的提升处理精度和效率，实现涉嫌侵犯知识产权数据分析研判平台的朝智能化、高精度方向发展。
附图说明
图1为本发明在一种具体实例中的模型训练执行流程图。
图2为本发明的侵犯知识产权涉案当事人智能辨识主动预警业务数据流程图。
图3为本发明的一种实施例中的IAWDN设计结构图。
具体实施方式
为了能够更清楚地理解本发明的技术内容，特举以下实施例详细说明。
首先对本发明中用到的缩写及名词进行说明：
NDS(Normal Data Set)为规范数据集，PID(Personal Identity Number)为人员标识ID，FFM(Found Feature Matrix)为资金特征矩阵，LFM(Logistics Feature Matrix)为物流特征矩阵，CFM(Call Feature Matrix)为通话特征矩阵，RTFM(Instant MessageFeature Matrix)为即时通讯特征矩阵，DFM(Digital Feature Matrix)为数字特征矩阵，SFM(Semantic Feature Matrix)为语义特征矩阵，KNN(K-Nearest Neighbor)为K近邻分类，LDA(Latent Dirichlet Allocation)为隐形狄利克雷分布，IADM：IndividualAttribute Description Matrix)为个体属性描述矩阵，IAWDN(Identification ofActive Warning Deep-net)为辨识主动预警深度神经网络，IAWModel(Identification ofActive Warning Model辨识预警模型，FFRM(Factor Feedback Rating Matrix)为因素反馈评分矩阵，AWRM(Attention Warning Rating Matrix)为关注度预警评分矩阵，TIS(TimeInterval Set)为时间区间集，ASS(Area Site Set)为区域地点集。
该侵犯知识产权涉案当事人智能辨识主动预警系统，其中包括管理服务器，以及与所述的管理服务器相连接的数据服务器、分布式集群服务器和智能分析服务器，所述的数据服务器还与所述的智能分析服务器相连接，且
管理服务器，用于对汇聚到的数据信息进行预处理，并管理数据分析任务及预警任务；
数据服务器，用于存储经管理服务器预处理之后的数据信息，以及存储侵犯知识产权涉案当事人智能辨识主动预警系统的预测参数和预测结果；
分布式集群服务器，用于经过预处理的数据信息进行非关系型数据的分布式存储，并基于分布式运算框架对分布式存储的数据进行规则计算，获取相应的预测参数；
智能分析服务器，用于根据数据分析任务，使用分析预测模型对预处理后的数据信息进行研判，给出预测参数和预测结果。
在一种较佳的实施例中，所述的管理服务器包括规范数据集NDS生成模块，用于对采集到的汇聚数据进行预处理，生成规范数据集NDS。
在一种较佳的实施例中，所述的分布式集群服务器包括：
分布式存储模块，用于对经过预处理的数据信息进行非关系型数据的分布式存储；
分布式计算模块，用于使用运行分布式运算框架来对分布式存储的数据进行规则计算，并做增量更新。
在一种更佳的实施例中，所述的分布式计算模块包括：
语义特征矩阵SFM生成模块，用于分析规范数据集NDS的短文本，提取语义特征，生成语义特征矩阵SFM；
数字特征矩阵DFM生成模块，用于分析规范数据集NDS的数字特征，生成数字特征矩阵DFM，且所述的数字特征矩阵DFM为涉案当事人信息分项的数字特征矩阵DFM，包括资金特征矩阵FFM、物流特征矩阵LFM、通讯特征矩阵CFM和即时通讯特征矩阵RTFM。
基于多维矩阵的个体属性描述矩阵IADM生成模块，用于基于该数字特征矩阵DFM生成模块生成的数字特征矩阵DFM构建基于多维矩阵的个体属性描述矩阵IADM。
在一种更佳的实施例中，所述的分布式计算模块还包括以下计算模型：
文本语料库训练LDA模型，用于对所述的规范数据集NDS进行训练，并通过推断所述的规范数据集NDS的K近邻分类训练和测试文本集的主题分布，选取该规范数据集NDS的特征词，并修改主题分布，计算主题相似度，采用K近邻分布进行分类，并根据类别进行判断，输出语义特征矩阵SFM。
在一种较佳的实施例中，所述的智能分析服务器包括：
辨识主动预警深度神经网络IAWDN构建模块，用于构建辨识主动预警深度神经网络IAWDN；
训练模块，用于通过所述的数字特征矩阵DFM对所述的辨识主动预警深度神经网络IAWDN构建模块构建好的辨识主动预警深度神经网络IAWDN进行训练，获取辨识预警模型IAWModel；
持续强化学习模块，用于使用因素反馈评分矩阵FFRM对所述的辨识预警模型IAWModel进行强化学习训练；
辨识预警模型IAWModel融合模块，用于采用集成方法融合所述的训练模块输出的辨识预警模型IAWModel，获取关注度预警评分矩阵AWRM及最终辨识预警值S。
基于上述的系统实现侵犯知识产权涉案当事人智能辨识主动预警的方法，其中包括以下步骤：
(1)通过所述的管理服务器采集汇聚数据，并对采集汇聚到的数据进行预处理；
(2)通过所述的分布式集群服务器对预处理后的数据进行分布统计；
(3)通过所述的智能分析服务器对进行分布统计后的数据进行预警分析。
在一种较佳的实施例中，所述的步骤(1)为：
通过所述的管理服务器中的规范数据集NDS生成模块对采集到的汇聚数据进行预处理，生成规范数据集NDS。
在一种更佳的实施例中，所述的步骤(2)包括以下步骤：
(2.1)通过语义特征矩阵SFM生成模块对规范数据集NDS中涉及的短文本进行分析，提取其中的语义特征，生成语义特征矩阵SFM；
(2.2)通过数字特征矩阵DFM生成模块对规范数据集NDS的数字特征进行分析，生成数字特征矩阵DFM；
(2.3)通过基于多维矩阵的个体属性描述矩阵IADM生成模块生成基于多维矩阵的个体属性描述矩阵IADM。
在一种更佳的实施例中，所述的步骤(2.1)为：
所述的语义特征矩阵SFM生成模块通过文本语料库训练LDA模型对所述的规范数据集NDS进行训练，并通过推断所述的规范数据集NDS的K近邻分类训练和测试文本集的主题分布，选取该规范数据集NDS的特征词，并修改主题分布，计算主题相似度，采用K近邻分布进行分类，并根据类别进行判断，最后输出语义特征矩阵SFM；
所述的步骤(2.2)具体为：
通过数字特征矩阵DFM生成模块构建涉案当事人信息分项的数字特征矩阵DFM，包括资金特征矩阵FFM、物流特征矩阵LFM、通讯特征矩阵CFM和即时通讯特征矩阵RTFM。
在一种更佳的实施例中，所述的步骤(3)包括：
(3.1)通过辨识主动预警深度神经网络IAWDN构建模块构建辨识主动预警深度神经网络IAWDN；
(3.2)通过训练模块，使用数字特征矩阵DFM对辨识主动预警深度神经网络IAWDN进行训练，获取具有信息显著性方向耦合能力的辨识预警模型IAWModel；
(3.3)通过持续强化学习模块，使用因素反馈评分矩阵FFRM对所述的辨识预警模型IAWModel进行强化学习训练；
(3.4)通过辨识预警模型IAWModel融合模块，对辨识预警模型IAWModel进行融合训练，获取关注度预警评分矩阵AWRM及最终辨识预警值S以及最终辨识预警值S。
在一种更佳的实施例中，所述的步骤(3.2)为：
通过训练模块，使用资金特征矩阵FFM、物流特征矩阵LFM、通讯特征矩阵CFM和即时通讯特征矩阵RTFM训练该辨识主动预警深度神经网络IAWDN，获取基于资金特征矩阵FFM的辨识主动预警深度神经网络IAWModelffm、基于物流特征矩阵LFM的辨识主动预警深度神经网络IAWModellfm、基于通讯特征矩阵CFM的辨识主动预警深度神经网络IAWModelcfm、基于即时通讯特征矩阵RTFM通讯特征矩阵CFM的辨识主动预警深度神经网络IAWModelrtfm。
在一种更佳的实施例中，所述的步骤(3.3)具体为：
所述的持续强化学习模块按以下公式，通过因素反馈评分矩阵FFRM对获取的辨识预警模型IAWModel进行优化，其中，所述的因素反馈评分矩阵包括资金因素反馈评分矩阵FFRMffm、物流因素反馈评分矩阵FFRMlfm、通讯因素反馈评分矩阵FFRMcfm和即时通讯因素反馈评分矩阵FFRMrtfm：
RFIWM(IAWModel[OLD],DFM,FFRM)→IAWModel[NEW]；
其中，所述的IAWModel[OLD]为初次训练模型，所述的DFM为数字特征矩阵，所述的IAWModel[NEW]为优化后的辨识预警模型。
在一种更佳的实施例中，所述的步骤(3.4)具体为：
通过所述的辨识预警模型IAWModel融合模块，对获取的辨识主动预警深度神经网络IAWModel模型构建执行方法，输出关注度预警评分矩阵AWRM，所述的执行方法具体为：
FIWM(AMT*[IAWModelffm,IAWModellfm,IAWModelcfm,IAWModelrtfm])；
且该执行方法的输入为涉案当事人信息分项的数字特征矩阵DFM，AM＝{η0,η1,η2,η3}为IAWModel的动作向量；
所述的关注度预警评分矩阵AWRM为：
其中，{B0,...Bn}为识别的涉案当事人涉案细分类型参数矩阵，{WV0,...WVn}为运算后的预警权值矩阵，TIS为时间区间集合；ASS为区域地点集合；
所述的最终辨识预警值S为：
S＝λM×AWRMT；
其中，定义λM＝{λ0,λ1,λ2,λ3,λ4,...}为系统预置的对应关注度预警评分矩阵AWRM的权重向量。
在具体实施例中，请参阅图1，所述的侵犯知识产权涉案当事人智能辨识主动预警方法包括如下步骤：
(1)对采集汇聚数据集进行预处理生成规范数据集NDS；
(2)分析规范集中涉及的短文本，提取语义特征，生成SFM；
(3)分析规范集的数字特征，生成DFM，构建基于多维矩阵的个体对象属性描述IADM；
(4)构建IAWDN，据不同的DFM训练具有信息显著性方向耦合能力的智能分析模型IAWModel；
(5)通过强化学习进化IAWModel；
(6)采用集成方法融合IAWModel运算对象多源互动映射间的关系模式，解析对应的时空变迁规律，筛查涉案当事人员，给出关注度预警评分。
上述步骤(2)中SFM是基于LDA主体模型生成，通过文本语料库训练LDA模型并推断K近邻分类训练和测试文本集的主题分布，选取特征词并修改主题分布，计算主题相似度，采用KNN分类并根据类别进行判断，最后输出SFM。
步骤(3)中构建资金、物流、通话、即时通讯等分项的DFM，即FFM(资金特征矩阵)、LFM(物流特征矩阵)、CFM(通讯特征矩阵)；RTFM(即时通讯特征矩阵)的定义分别如下：
FFM＝{PID，交易类型，交易频次，交易收入，交易收入金额分布率，交易支出，交易支出金额分布率，交易步长，交易步长分布率，交易上线人数，交易下线人数，交易时间熵值，SFM，时间分布}，其中SFM由转账留言及商品售卖名称的短文本计算得出；
LFM＝{PID，寄递次数，寄出次数，寄出区域编码，收货次数，发货区域编码，发货商人数，收货商人数，时间分布}；
CFM＝{PID，总次数，总时长，主叫次数，被叫次数，主叫人数，被叫人数，通话时间熵值，通话空间近似熵值，时间分布}；
RTFM＝{PID，总次数，类型，主叫次数，被叫次数，主叫人数，被叫人数，SFM，时间分布}，其中类型包括短信、QQ、微信、陌陌等内容，SFM由通讯过程中产生的短文本计算提取；
步骤(4)中构建和训练智能模型包括如下步骤：
设计IAWDN，通过FFM、LFM、CFM、RTFM数据训练IAWDN得到IAWModelffm、IAWModellfm、IAWModelcfm、IAWModelrtfm。
步骤(5)中，由IAWModelffm、IAWModellfm、IAWModelcfm、IAWModelrtfm对因素反馈评分矩阵FFRMffm、FFRMlfm、FFRMcfm、FFRMrtfm进行运算给出反馈。所述的因素反馈评分矩阵FFRMffm、FFRMlfm、FFRMcfm、FFRMrtfm均由已有知识标定。进化IAWModel模型执行方法RFIWM()，其工作方式如下：
RFIWM(IAWModel[OLD],DFM,FFRM)→IAWModel[NEW]；
基于IAWModel模型构建执行方法：
FIWM(AMT*[IAWModelffm,IAWModellfm,IAWModelcfm,IAWModelrtfm])；
其输入为待分析对象结合{DFM}，输出为AWRM。其中AM＝{η0,η1,η2,η3}为IAWModel的动作向量，显然其动作数计有16种，执行每一种动作时，经FFRM判定，若分析正确则给与正值奖励，否则给与负值奖励，通过训练得到动作向量输出函数QT(DFM,AMT)。
进一步的，AWRM通过如下公式确定：
其中，{B0,...Bn}为识别的涉案当事人涉案细分类型参数矩阵，{WV0,...WVn}为运算后的预警权值矩阵，TIS为时间区间集合；ASS为区域地点集合。
定义λM＝{λ0,λ1,λ2,λ3,λ4,...}为系统预置的对应AWRM的权重向量，按以下公式进行计算，即可得出最终的辨识预警值：
S＝λM×AWRMT；
在具体实施过程中，所述的系统通过数据规范化程序、语义提取程序、数字特征矩阵预算程序、模型训练程序、持续强化学习程序、多模型集成程序实现，其中所述的数据规范化程序完成汇聚数据过滤、去重、对齐的操作；所述的语义提取转账交易、商品售卖、即时通讯等过程中产生的短文本主题特征；所述的模型训练程序既通过{DFM}数据完成训练Model的工作；所述的持续强化学习程序既基于IAWModel运算结果匹配FFRM优化IAWModel的过程，所述多模型集成程序融合{IWModel[ffm～rtfm]}计算输出预警值S的过程。
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体图示，进一步阐述本发明具体实施方式。
参见图2，侵犯知识产权涉案当事人智能辨识主动预警主要经过以下几个阶段：
(1)数据汇聚，根据案件的特定条件，从各个数据源调取数据；
(2)数据规范化，完成源自各个数据源不同格式、类型数据的抽取、去重、转换、对齐的操作；
(3)短文本语义主题计算，从资金交易转账留言、商品售卖留言、商品名称等短文本计算短文本语义主题；
(4)计算资金、物流、通话、即时通讯等数据的特征矩阵。
(5)设计、训练智能分析模型。
(6)通过模型对输入数据集计算预警值，给出辨识鉴定结果。
按上述流程，本方案提出基于IADM构建训练数据集，并据此来设计和调优模型，最后应用模型做辨识预警评分。
这里所述的IADM经由原始资金交易、物流数据、通话记录、即时通讯记录，即：
IADM＝{FFM,LFM,CFM,RTFM}；
上述数据通过规范化程序、语义提取程序、数字特征矩阵预算程序计算得到，包括如下内容：
(一)资金特征举证FFM＝{PID，交易类型，交易频次，交易收入，交易收入金额分布率，交易支出，交易支出金额分布率，交易步长，交易步长分布率，交易上线人数，交易下线人数，交易时间熵值，SFM}，其中SFM由转账留言及商品售卖名称的短文本计算得出；
(二)物流特征矩阵LFM＝{PID，寄递次数，寄出次数，寄出区域编码，收货次数，发货区域编码，发货商人数，收货商人数}；
(三)通话特征矩阵CFM＝{PID，总次数，总时长，主叫次数，被叫次数，主叫人数，被叫人数，通话时间熵值，通话空间近似熵值}；
(四)即时通讯特征矩阵RTFM＝{PID，总次数，类型，主叫次数，被叫次数，主叫人数，被叫人数，SFM}，其中类型包括短信、QQ、微信、陌陌等内容，SFM由通讯过程中产生的短文本计算提取；
在此基础上，本方案通过深层神经网络IAWDN来训练IAWModel，来得到智能身份辨识与预警评分方法FIWM()。
不同数据集通过IAWDN训练得到不同的模型，即IAWModelffm、IAWModellfm、IAWModelcfm、IAWModelrtfm。不同模型对应不同的因素反馈评分矩阵在进行强化学习的训练，即WModelffm、IAWModellfm、IAWModelcfm、IAWModelrtfm强化学习评分矩阵分别为FFRMffm、FFRMlfm、FFRMcfm、FFRMrtfm。所述关因素反馈评分矩阵FFRMffm、FFRMlfm、FFRMcfm、FFRMrtfm、由系统知识库据已有知识标定。输入数据、训练方法、输出模型、模型类别参数、系统知识库中预定义的评分矩阵的列表对应关系如下：
| 输入数据 | 训练方法 | 输出模型 | 模型类别参数 | 系统知识库中预定义的评分矩阵 |
| FFM | IAWDN | IAWModelffm | ffm | FFRMffm |
| LFM | IAWDN | IAWModellfm | lfm | FFRMlfm |
| CFM | IAWDN | IAWModelcfm | cfm | FFRMcfm |
| RTFM | IAWDN | IAWModelrtfm | rtfm | FFRMrtfm |
据此形成的侵犯知识产权涉案当事人智能辨识主动预警方法能够实现根据个体属性描述矩阵进行智能分析，由此给出辨识预警反馈结果。
基于上述内容，以下具体说明一下侵犯知识产权涉案当事人智能辨识主动预警的实现过程。
(一)构建规范数据集
(1)资金交易规范数据集＝{PID，本地账户，对端账户，交易金额，交易时间，交易类型，交易状态，交易留言}
(2)物流寄递规范数据集＝{PID，收货联系方式，收货联系方式，发货地，收货地，发件人姓名，收件人姓名，物品重量}；
(3)通话记录规范数据集＝{PID，本地号码，对端号码，通话时长，通话时间}；
(4)即时通讯记录规范数据集＝{PID，本地账号，对端账号，通讯时间，通讯类型，通讯消息}；
(二)计算资金、物流、通话、即时通讯等项目数据的特征矩阵
(1)资金特征矩阵FFM＝{PID，交易类型，交易频次，交易收入，交易收入金额分布率，交易支出，交易支出金额分布率，交易步长，交易步长分布率，交易上线人数，交易下线人数，交易时间熵值，SFM，交易时间分布}；
(2)物流特征矩阵LFM＝{PID，寄递次数，寄出次数，寄出区域编码，收货次数，发货区域编码，发货商人数，收货商人数，寄递时间分布}；
(3)通话特征矩阵CFM＝{PID，总次数，总时长，主叫次数，被叫次数，主叫人数，被叫人数，通话时间熵值，通话空间近似熵值，通话时间分布}；
(4)即时通讯特征矩阵RTFM＝{PID，总次数，类型，主叫次数，被叫次数，主叫人数，被叫人数，SFM，通讯时间分布}；
(三)设计侵犯知识产权涉案当事人辨识预警模型
本方案采用深层神经网络IAWDN来训练IADM数据以得到IAWModel模型，IAWDN的实现要点包括以下方面(参见图3所示)：
(1)给定一个输入集INPUT，其特征通道数为FC_ZERO，通过8层卷积等一般变换后得到一个特征通道数为FC_ONE的特征,接下来本方案通过三个操作来重标定特征FC_TWO。
(2)在卷积层中使用滑动N×N的感受野进行4层卷积，卷积层之后进行全连接操作，隐藏层使用ReLu，并用Dropout随机忽略一部分神经元。
(3)隐藏层后第一个分支先使用了1×1卷积，然后连接2×2卷积。第二个分支先是1×1的卷积，然后连接4×4卷积，然后顺着空间维度来进行特征压缩，将每个二维的特征通道变成一个实数。
(4)在卷积层中使用M×M的感受野进行池化操作，对输出的池化层按3×3的感受野进行信息密度计算，根据信息密度每个特征通道生成权重值。
(5)步骤(4)输出的权重看做是经信息密度计算后的每个特征通道的重要性，然后通过乘法逐通道加权到上一步计算的特征上，实现在通道维度上的对初始特征的重新标记。
(四)模型优化方法
QT(DFM，AMT)的训练过程如下，
初始化IAWModel，QT状态值：
Repeat(for each stage)：
Initialize AMT
Repeat(for each step of stage):
根据当前DFM和位置IAWModel，使用一种策略，得到并执行动作AMT，到达新的评定状态S'，并获得奖励R。设α为学习速率，γ为折扣因子，执行，
QT(DFM，AMT)←(1-α)*QT(DFM，AMT)+α*[R+γ*max QT(DFM'，amT)
状态更新，
S←S'
判断失误数累计达到阈值结束，否则继续执行循环。
(五)侵犯知识产权涉案当事人辨识预警响应
经由步骤(四)得到初始模型IAWModelINIT和步骤(五)得到优化模型IAWModelOPT。进一步的，AWRM通过如下公式确定：
其中，FIMM()为模型承载执行方法，其中，{B0,...Bn}为识别的涉案当事人涉案细分类型参数矩阵，{WV0,...WVn}为运算后的预警权值矩阵，TIS为时间区间集合；ASS为区域地点集合。
定义λM＝{λ0,λ1,λ2,λ3,λ4,...}为系统预置的对应AWRM的权重向量，按以下公式进行计算，即可得出最终的辨识预警值：
S＝λM×AWRMT。
采用本发明的侵犯知识产权涉案当事人智能辨识主动预警系统及方法，针对查处侵犯知识产权工作中所面临的多源海量涉案数据需要快速精确分析处理的问题，提出基于大数据技术和人工智能技术处理这些复杂的数据的方法，集成了数据规范化、语义分析、数据分析、人员辨识、线索发现、智能分析研判等功能，可为查处侵犯知识产权工作提供有力的支撑。实现涉嫌侵犯知识产权数据高效的过滤与清洗，为侦查人员提供灵活、快速、主动反应的办案环境，争取案件侦破最佳战机，提高利用数据的破案效率，充分挖掘各类融合数据的价值，增强人民群众对公安机关破案的信任度，提高办案民警对侦查任务的信心，具有良好的社会效益。同时，涉嫌侵犯知识产权融合数据智能分析研判平台的推广应用，也能带来较为显著的经济效益。能够自动地实时对目标数据进行分析研判，极大的提升处理精度和效率，实现涉嫌侵犯知识产权数据分析研判平台的朝智能化、高精度方向发展。
在此说明书中，本发明已参照其特定的实施例作了描述。但是，很显然仍可以作出各种修改和变换而不背离本发明的精神和范围。因此，说明书和附图应被认为是说明性的而非限制性的。
Claims (15)
1.一种侵犯知识产权涉案当事人智能辨识主动预警系统，其特征在于，包括管理服务器，以及与所述的管理服务器相连接的数据服务器、分布式集群服务器和智能分析服务器，所述的数据服务器还与所述的智能分析服务器相连接，且
管理服务器，用于对汇聚到的数据信息进行预处理，并管理数据分析任务及预警任务；
数据服务器，用于存储经管理服务器预处理之后的数据信息，以及存储侵犯知识产权涉案当事人智能辨识主动预警系统的预测参数和预测结果；
分布式集群服务器，用于经过预处理的数据信息进行非关系型数据的分布式存储，并基于分布式运算框架对分布式存储的数据进行规则计算，获取相应的预测参数；
智能分析服务器，用于根据数据分析任务，使用分析预测模型对预处理后的数据信息进行研判，给出预测参数和预测结果。
2.根据权利要求1所述的侵犯知识产权涉案当事人智能辨识主动预警系统，其特征在于，所述的管理服务器包括规范数据集NDS生成模块，用于对采集到的汇聚数据进行预处理，生成规范数据集NDS。
3.根据权利要求1所述的侵犯知识产权涉案当事人智能辨识主动预警系统，其特征在于，所述的分布式集群服务器包括：
分布式存储模块，用于对经过预处理的数据信息进行非关系型数据的分布式存储；
分布式计算模块，用于使用运行分布式运算框架来对分布式存储的数据进行规则计算，并做增量更新。
4.根据权利要求3所述的侵犯知识产权涉案当事人智能辨识主动预警系统，其特征在于，所述的分布式计算模块包括：
语义特征矩阵SFM生成模块，用于分析规范数据集NDS的短文本，提取语义特征，生成语义特征矩阵SFM；
数字特征矩阵DFM生成模块，用于分析规范数据集NDS的数字特征，生成数字特征矩阵DFM，且所述的数字特征矩阵DFM为涉案当事人信息分项的数字特征矩阵DFM，包括资金特征矩阵FFM、物流特征矩阵LFM、通讯特征矩阵CFM和即时通讯特征矩阵RTFM。
基于多维矩阵的个体属性描述矩阵IADM生成模块，用于基于该数字特征矩阵DFM生成模块生成的数字特征矩阵DFM构建基于多维矩阵的个体属性描述矩阵IADM。
5.根据权利要求3所述的侵犯知识产权涉案当事人智能辨识主动预警系统，其特征在于，所述的分布式计算模块还包括以下计算模型：
文本语料库训练LDA模型，用于对所述的规范数据集NDS进行训练，并通过推断所述的规范数据集NDS的K近邻分类训练和测试文本集的主题分布，选取该规范数据集NDS的特征词，并修改主题分布，计算主题相似度，采用K近邻分布进行分类，并根据类别进行判断，输出语义特征矩阵SFM。
6.根据权利要求1所述的侵犯知识产权涉案当事人智能辨识主动预警系统，其特征在于，所述的智能分析服务器包括：
辨识主动预警深度神经网络IAWDN构建模块，用于构建辨识主动预警深度神经网络IAWDN；
训练模块，用于通过所述的数字特征矩阵DFM对所述的辨识主动预警深度神经网络IAWDN构建模块构建好的辨识主动预警深度神经网络IAWDN进行训练，获取辨识预警模型IAWModel；
持续强化学习模块，用于使用因素反馈评分矩阵FFRM对所述的辨识预警模型IAWModel进行强化学习训练；
辨识预警模型IAWModel融合模块，用于采用集成方法融合所述的训练模块输出的辨识预警模型IAWModel，获取关注度预警评分矩阵AWRM及最终辨识预警值S。
7.一种基于权利要求1至6中任一项所述的系统实现侵犯知识产权涉案当事人智能辨识主动预警的方法，其特征在于，包括以下步骤：
(1)通过所述的管理服务器采集汇聚数据，并对采集汇聚到的数据进行预处理；
(2)通过所述的分布式集群服务器对预处理后的数据进行分布统计；
(3)通过所述的智能分析服务器对进行分布统计后的数据进行预警分析。
8.根据权利要求7所述的实现侵犯知识产权涉案当事人智能辨识主动预警的方法，其特征在于，所述的管理服务器包括规范数据集NDS生成模块，用于对采集到的汇聚数据进行预处理，生成规范数据集NDS，所述的步骤(1)为：
通过所述的管理服务器中的规范数据集NDS生成模块对采集到的汇聚数据进行预处理，生成规范数据集NDS。
9.根据权利要求8所述的实现侵犯知识产权涉案当事人智能辨识主动预警的方法，其特征在于，所述的分布式集群服务器包括：
分布式存储模块，用于对经过预处理的数据信息进行非关系型数据的分布式存储；
分布式计算模块，用于使用运行分布式运算框架来对分布式存储的数据进行规则的计算，并做增量更新；
所述的分布式计算模块包括：
语义特征矩阵SFM生成模块，用于分析规范数据集NDS的短文本，提取语义特征，生成语义特征矩阵SFM；
数字特征矩阵DFM生成模块，用于分析规范数据集NDS的数字特征，生成数字特征矩阵DFM，且所述的数字特征矩阵DFM为涉案当事人信息分项的数字特征矩阵DFM，包括资金特征矩阵FFM、物流特征矩阵LFM、通讯特征矩阵CFM和即时通讯特征矩阵RTFM；
基于多维矩阵的个体属性描述矩阵IADM生成模块，用于基于该数字特征矩阵DFM生成模块生成的数字特征矩阵DFM构建基于多维矩阵的个体属性描述矩阵IADM；
所述的步骤(2)包括以下步骤：
(2.1)通过语义特征矩阵SFM生成模块对规范数据集NDS中涉及的短文本进行分析，提取其中的语义特征，生成语义特征矩阵SFM；
(2.2)通过数字特征矩阵DFM生成模块对规范数据集NDS的数字特征进行分析，生成数字特征矩阵DFM；
(2.3)通过基于多维矩阵的个体属性描述矩阵IADM生成模块生成基于多维矩阵的个体属性描述矩阵IADM。
10.根据权利要求9所述的实现侵犯知识产权涉案当事人智能辨识主动预警的方法，其特征在于，所述的分布式计算模块还包括以下计算模型：
文本语料库训练LDA模型，用于对所述的规范数据集NDS进行训练，并通过推断所述的规范数据集NDS的K近邻分类训练和测试文本集的主题分布，选取该规范数据集NDS的特征词，并修改主题分布，计算主题相似度，采用K近邻分布进行分类，并根据类别进行判断，输出语义特征矩阵SFM，所述的步骤(2.1)为：
所述的语义特征矩阵SFM生成模块通过文本语料库训练LDA模型对所述的规范数据集NDS进行训练，并通过推断所述的规范数据集NDS的K近邻分类训练和测试文本集的主题分布，选取该规范数据集NDS的特征词，并修改主题分布，计算主题相似度，采用K近邻分布进行分类，并根据类别进行判断，最后输出语义特征矩阵SFM。
11.根据权利要求9所述的实现侵犯知识产权涉案当事人智能辨识主动预警的方法，其特征在于，所述的步骤(2.2)具体为：
通过数字特征矩阵DFM生成模块构建涉案当事人信息分项的数字特征矩阵DFM，包括资金特征矩阵FFM、物流特征矩阵LFM、通讯特征矩阵CFM和即时通讯特征矩阵RTFM。
12.根据权利要求9所述的实现侵犯知识产权涉案当事人智能辨识主动预警的方法，其特征在于，所述的智能分析服务器包括：
辨识主动预警深度神经网络IAWDN构建模块，用于构建辨识主动预警深度神经网络IAWDN；
训练模块，用于通过所述的数字特征矩阵DFM对所述的辨识主动预警深度神经网络IAWDN构建模块构建好的辨识主动预警深度神经网络IAWDN进行训练，获取辨识预警模型IAWModel；
持续强化学习模块，用于使用因素反馈评分矩阵FFRM对所述的辨识预警模型IAWModel进行强化学习训练；
辨识预警模型IAWModel融合模块，用于采用集成方法融合所述的训练模块输出的辨识预警模型IAWModel，获取关注度预警评分矩阵AWRM及最终辨识预警值S；
所述的步骤(3)包括：
(3.1)通过辨识主动预警深度神经网络IAWDN构建模块构建辨识主动预警深度神经网络IAWDN；
(3.2)通过训练模块，使用数字特征矩阵DFM对辨识主动预警深度神经网络IAWDN进行训练，获取具有信息显著性方向耦合能力的辨识预警模型IAWModel；
(3.3)通过持续强化学习模块，使用因素反馈评分矩阵FFRM对所述的辨识预警模型IAWModel进行强化学习训练；
(3.4)通过辨识预警模型IAWModel融合模块，对辨识预警模型IAWModel进行融合训练，获取关注度预警评分矩阵AWRM及最终辨识预警值S以及最终辨识预警值S。
13.根据权利要求12所述的实现侵犯知识产权涉案当事人智能辨识主动预警的方法，其特征在于，所述的步骤(3.2)为：
通过训练模块，使用资金特征矩阵FFM、物流特征矩阵LFM、通讯特征矩阵CFM和即时通讯特征矩阵RTFM训练该辨识主动预警深度神经网络IAWDN，获取基于资金特征矩阵FFM的辨识主动预警深度神经网络IAWModelffm、基于物流特征矩阵LFM的辨识主动预警深度神经网络IAWModellfm、基于通讯特征矩阵CFM的辨识主动预警深度神经网络IAWModelcfm、基于即时通讯特征矩阵RTFM通讯特征矩阵CFM的辨识主动预警深度神经网络IAWModelrtfm。
14.根据权利要求12所述的实现侵犯知识产权涉案当事人智能辨识主动预警的方法，其特征在于，所述的步骤(3.3)具体为：
所述的持续强化学习模块还根据以下公式，通过因素反馈评分矩阵FFRM对获取的辨识预警模型IAWModel进行优化，其中，所述的因素反馈评分矩阵包括资金因素反馈评分矩阵FFRMffm、物流因素反馈评分矩阵FFRMlfm、通讯因素反馈评分矩阵FFRMcfm和即时通讯因素反馈评分矩阵FFRMrtfm：
RFIWM(IAWModel[OLD],DFM,FFRM)→IAWModel[NEW]；
其中，所述的IAWModel[OLD]为初次训练模型，所述的DFM为数字特征矩阵，所述的IAWModel[NEW]为优化后的辨识预警模型。
15.根据权利要求12所述的实现侵犯知识产权涉案当事人智能辨识主动预警的方法，其特征在于，所述的步骤(3.4)具体为：
通过所述的辨识预警模型IAWModel融合模块，对获取的辨识主动预警深度神经网络IAWModel模型构建执行方法，输出关注度预警评分矩阵AWRM，所述的执行方法具体为：
FIWM(AMT*[IAWModelffm,IAWModellfm,IAWModelcfm,IAWModelrtfm])；
且该执行方法的输入为涉案当事人信息分项的数字特征矩阵DFM，AM＝{η0,η1,η2,η3}为IAWModel的动作向量；
所述的关注度预警评分矩阵AWRM为：
其中，{B0,...Bn}为识别的涉案当事人涉案细分类型参数矩阵，{WV0,...WVn}为运算后的预警权值矩阵，TIS为时间区间集合；ASS为区域地点集合；
所述的最终辨识预警值S为：
S＝λM×AWRMT；
其中，定义λM＝{λ0,λ1,λ2,λ3,λ4,...}为系统预置的对应关注度预警评分矩阵AWRM的权重向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810199309.6A CN108491481B (zh) | 2018-03-12 | 2018-03-12 | 侵犯知识产权涉案当事人智能辨识主动预警系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810199309.6A CN108491481B (zh) | 2018-03-12 | 2018-03-12 | 侵犯知识产权涉案当事人智能辨识主动预警系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108491481A true CN108491481A (zh) | 2018-09-04 |
| CN108491481B CN108491481B (zh) | 2022-03-29 |
Family
ID=63338562
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810199309.6A Active CN108491481B (zh) | 2018-03-12 | 2018-03-12 | 侵犯知识产权涉案当事人智能辨识主动预警系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108491481B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111950016A (zh) * | 2019-05-14 | 2020-11-17 | 北京腾云天下科技有限公司 | 一种数据开放输出模型的生成方法、装置和计算设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150154720A1 (en) * | 2013-12-02 | 2015-06-04 | Jonathan Matkowsky | System and method for detecting and defending trademarks against serial cybersquatters |
| CN105427221A (zh) * | 2015-12-09 | 2016-03-23 | 北京中科云集科技有限公司 | 一种基于云平台的警务管理方法 |
| CN106649757A (zh) * | 2016-12-27 | 2017-05-10 | 安徽维智知识产权代理有限公司 | 一种知识产权的侵权提醒系统 |
| US20180012145A1 (en) * | 2016-07-07 | 2018-01-11 | Hcl Technologies Limited | Machine learning based analytics platform |
| US20180053110A1 (en) * | 2016-08-22 | 2018-02-22 | The Catholic University Of Korea Industry-Academic Cooperation Foundation | Method of predicting crime occurrence in prediction target region using big data |
-
2018
- 2018-03-12 CN CN201810199309.6A patent/CN108491481B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150154720A1 (en) * | 2013-12-02 | 2015-06-04 | Jonathan Matkowsky | System and method for detecting and defending trademarks against serial cybersquatters |
| CN105427221A (zh) * | 2015-12-09 | 2016-03-23 | 北京中科云集科技有限公司 | 一种基于云平台的警务管理方法 |
| US20180012145A1 (en) * | 2016-07-07 | 2018-01-11 | Hcl Technologies Limited | Machine learning based analytics platform |
| US20180053110A1 (en) * | 2016-08-22 | 2018-02-22 | The Catholic University Of Korea Industry-Academic Cooperation Foundation | Method of predicting crime occurrence in prediction target region using big data |
| CN106649757A (zh) * | 2016-12-27 | 2017-05-10 | 安徽维智知识产权代理有限公司 | 一种知识产权的侵权提醒系统 |
Non-Patent Citations (4)
| Title |
|---|
| JIANGYING XIONG: "An Early Risk Warning Model for Electronic Financial Crime Based on Big Data", 《PROCEEDINGS OF THE 2017 INTERNATIONAL CONFERENCE ON EDUCATION, ECONOMICS AND MANAGEMENT RESEARCH (ICEEMR 2017)》 * |
| 因特尔: "愿景文件分布式数据挖掘与大数据英特尔对于网络前端设备的数据的观点", 《HTTPS://WWW.INTEL.CN/CONTENT/DAM/WWW/PUBLIC/CN/ZH/PDFS/BIG-DATA-VISIONPAPER-FINAL-080812-C S .PDF》 * |
| 杨赛等: "基于隐含狄利克雷分配模型的图像分类算法", 《计算机工程》 * |
| 詹增荣: "基于LDA与距离度量学习的文本分类研究", 《HTTPS://M.FX361.COM/NEWS/2016/1210/1451640.HTML》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111950016A (zh) * | 2019-05-14 | 2020-11-17 | 北京腾云天下科技有限公司 | 一种数据开放输出模型的生成方法、装置和计算设备 |
| CN111950016B (zh) * | 2019-05-14 | 2023-11-21 | 北京腾云天下科技有限公司 | 一种数据开放输出模型的生成方法、装置和计算设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108491481B (zh) | 2022-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110413707A (zh) | 互联网中欺诈团伙关系的挖掘与排查方法及其系统 | |
| CN108154430A (zh) | 一种基于机器学习和大数据技术的信用评分构建方法 | |
| Feng et al. | An intelligent decision support system for fuzzy comprehensive evaluation of urban development | |
| Lou et al. | Ponzi contracts detection based on improved convolutional neural network | |
| CN107229708A (zh) | 一种个性化出行服务大数据应用系统及方法 | |
| CN110781308B (zh) | 一种基于大数据构建知识图谱的反欺诈系统 | |
| CN109754258A (zh) | 一种基于个体行为建模的面向线上交易欺诈检测方法 | |
| CN103412915A (zh) | 一种面向金融高频交易数据的情景感知测定方法和系统 | |
| CN111368926A (zh) | 图像筛选方法、装置和计算机可读存储介质 | |
| Shaohui et al. | Customer transaction fraud detection using random forest | |
| CN113761359A (zh) | 数据包推荐方法、装置、电子设备和存储介质 | |
| CN115049397A (zh) | 识别社交网络中的风险账户的方法及装置 | |
| Zhang | [Retracted] Construction and Simulation of Financial Audit Model Based on Convolutional Neural Network | |
| Zhai et al. | Big data analysis of accounting forecasting based on machine learning | |
| CN108491481A (zh) | 侵犯知识产权涉案当事人智能辨识主动预警系统及方法 | |
| CN117171428B (zh) | 一种提升搜索和推荐结果准确性的方法 | |
| Li | Application of multisource big data mining technology in sports economic management analysis | |
| Gao et al. | Statistics and Analysis of Targeted Poverty Alleviation Information Integrated with Big Data Mining Algorithm | |
| Zhao et al. | Design of sports event evaluation and classification method based on deep neural network | |
| CN106156256A (zh) | 一种用户信息分类透传方法及系统 | |
| CN115578100A (zh) | 支付验证方式的识别方法、装置、电子设备和存储介质 | |
| CN116502132A (zh) | 账号集合识别方法、装置、设备、介质和计算机程序产品 | |
| Zuo | Implementation of HCI software interface based on image identification and segmentation algorithms | |
| He et al. | Machine Learning Contests: A Guidebook | |
| Zhang et al. | A study of ensemble feature selection and adversarial training for malicious user detection |
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 |