CN110956254A - 一种基于动态知识表示学习的案件推理方法 - Google Patents

一种基于动态知识表示学习的案件推理方法 Download PDF

Info

Publication number
CN110956254A
CN110956254A CN201911097694.4A CN201911097694A CN110956254A CN 110956254 A CN110956254 A CN 110956254A CN 201911097694 A CN201911097694 A CN 201911097694A CN 110956254 A CN110956254 A CN 110956254A
Authority
CN
China
Prior art keywords
entity
time
case
data
event
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
Application number
CN201911097694.4A
Other languages
English (en)
Other versions
CN110956254B (zh
Inventor
李永强
陈宇
冯远静
陆超伦
阮嘉烽
陈浩
周宇
陈成
任聪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201911097694.4A priority Critical patent/CN110956254B/zh
Publication of CN110956254A publication Critical patent/CN110956254A/zh
Application granted granted Critical
Publication of CN110956254B publication Critical patent/CN110956254B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于动态知识表示学习的案件推理方法，包括以下步骤：1)获取已破获案件的所有有关数据，划分为人员、案(事)件、物品、地点、机构五大类实体，并提取对应关系；2)将所提取出的事件以时间、实体、关系的形式存储为四元组的格式，并存入图数据库；3)基于梯度下降算法对高斯过程回归的超参数进行优化；4)使用的是一种循环神经网络模型，对四元组数据进行循环事件推理；5)使用图数据库进行一度、二度的关系查找，基于查找后的结果进行链接预测；6)对预测结果进行评价和排序。本发明以动态知识表示学习算法对四元组进行实体、关系嵌入，在已构建的知识图谱基础上进行训练和学习，推理出可能的犯罪嫌疑人，简化警务工作。

Description

一种基于动态知识表示学习的案件推理方法
技术领域
本发明涉及知识图谱、警务大数据、深度学习，尤其涉及一种基于动态知识表示学习的案件推理方法。
背景技术
伴随城市信息化水平的不断提高和科学技术的快速发展，当今社会中人工智能的普及程度越来越高、影响越来越深远，解决了许许多多原来不得不由人去做的事情，开始发挥着举足轻重的作用，大大方便了人们的日常工作和生活。
2016年10月云栖大会上，杭州市联合经信局、阿里巴巴等企业启动实施了里杭州“城市数据大脑”项目，准备依托大数据、云计算以及人工智能，通过整合政务数据、公共数据、企业数据、互联网数据，运用信息化、智能化手段构建城市大脑，对城市管理的方方面面进行统一指挥和调度。至2018年10月，“城市大脑”2.0版本正式发布，在许多领域，尤其是交通治堵领域已取得了显著成效。
但是，受限于当前的深度学习技术的诸多不足，只能解决数据规整、任务较为简单的工作，在一些结构复杂的情形，如警务研判等领域，深度学习技术难以发挥作用，依旧需要依靠人为经验去判别。
在警务领域，每个犯罪嫌疑人都会具有大量的异构关系，民警想要通过数据去锁定犯罪嫌疑人的难度极高。在公安系统的庞大数据下，至多可能需要人工调取数百个系统的数据，然后再基于这些的数据进行分析和整合，而只有研判经验极为丰富的民警，才能在纷繁复杂的数据和关系里，通过逐一比对发现“蛛丝马迹”。
在这种情况下，知识图谱技术的兴起，提供了一种非常便捷、高效的可行方案。知识图谱将一个事件存储为一种实体-关系-实体这样的三元组数据，突破了传统数据库的局限性，大大简化了关联数据的搜索问题。
发明内容
为了解决复杂的警务数据推理。本发明提出了一种基于动态知识表示学习的案件研判和推理方法，在已构建的知识图谱基础上进行训练和学习，最终推理可能的犯罪嫌疑人。
为了解决上述技术问题，本发明提供如下的技术方案：
一种基于动态知识表示学习的案件推理方法，所述方法包括以下步骤：
1)获取已破获案件的所有有关数据，包括案发时间、案发地点、作案物品、犯罪人员以及与其有所关联的所有人员数据，划分为人员、案件、物品、地点、机构五大类实体，并提取五类实体之间的关系；
2)将所提取出的事件以时间、实体、关系的形式存储为四元组的格式，符号记为(t,s,r,o)，其中t表示事件发生的时间，s表示事件的主实体，r表示关系，o表示事件的客实体；
3)图数据库是用于存储多种关系图的数据库，图中的每个节点代表实体，节点与节点之间的边代表关系，而时间则作为实体或边的一种属性，这样就可以将定义好的数据以节点-边-节点的方式存入图数据库；
4)知识表示学习的训练使用的是一种循环神经网络模型，对四元组数据进行循环事件推理，包括序列编码器和邻近聚合模型两个组成部分，流程如下：
4.1)序列编码器的目标是表示时序图谱，假定所有时刻的事件集合定义为E＝{E1,E2,E3,…Et,…}，其中Et为t时刻发生的事件集合，可以得到其事件发生的概率表示：
Figure BDA0002268842290000021
4.2)根据马尔可夫假设，该事件在t时刻的状态只取决于在t时刻之前的τ时段内的状态，概率表示化简为：
Figure BDA0002268842290000022
式中，et为t时刻发生的某具体事件，由四元组定义可知et＝(t,s,r,o)，根据贝叶斯公式，公式(2)转化为：
P(et|Et-1,…,Et-τ)＝P(ot|st,rt,{Et-1,…,Et-τ})P(st,rt|{Et-1,…,Et-τ}) (3)
4.3)这里假设(st,rt)独立于过去的事件集合，且建模为均匀分布，则认为P(et|Et-1,…,Et-τ)∝P(ot|st,rt,{Et-1,…,Et-τ})，只考虑s的影响，得到：
Figure BDA0002268842290000023
式中：Ot为所有(st,rt)对应的客实体ot的集合；
4.4)引入基于RNN的序列编码器，最终建模为：
P(ot|s,r,{Ot-1(s),…,Ot-τ(s)})＝f(s,r,ht-1(s,r)) (5)
ht(s,r)＝RNN(s,r,g(Ot(s)),ht-1(s,r)) (6)
式中，ht为第t层RNN循环神经网络函数层，g(Ot(s))为邻近聚合模型；
4.5)邻近聚合模型g(Ot(s))如式(7)所示：
Figure BDA0002268842290000031
式中：No为集合
Figure BDA0002268842290000032
中o的个数；
4.7)最后使用交叉熵损失函数对嵌入向量进行训练：
Figure BDA0002268842290000033
式中，m表示客实体样本的标签；ym取0或1，当实体o的标签为正确样本时，ym为1，反之则为0；P(o＝m|s,r)即o正确的概率；
5)训练完成后，以案件作为主实体s，案发时间作为t，案件可能的犯罪人员r作为关系，准备进行链接预测；
6)预测的方法是将所有实体都作为客实体o代入到四元组(t,s,r,o)，这样对于任意输入均得到一个预测概率P(o|s,r,t)，进行排序，概率越大代表这个人是犯罪人员的可能性越大。
进一步，所述方法还包括以下步骤：7)使用图数据库进行一度、二度的关系查找，缩小预测范围，只选取与当前案件的嫌疑人员存在一定关系的实体作为客实体进行预测。
再进一步所述步骤6)中，最后对模型进行评价和排序，评价方案选用hit@10方案，即对所有输入的预测概率P(o|s,r,t)从大到小进行排序，选取结果最大的10个作为预测的答案，判断正确答案是否在这10个数据中，若是，则视为预测正确。
本发明的有益效果为：以动态知识表示学习算法对四元组进行实体、关系嵌入，在已构建的知识图谱基础上进行训练和学习，推理出可能的犯罪嫌疑人，简化警务工作。
附图说明
图1是基于动态知识表示学习的案件推理算法的逻辑流程图；
图2是图数据库部分数据示例图(已脱敏)。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1和图2，一种基于动态知识表示学习的案件推理方法，所述方法包括以下步骤：
1)获取已破获案件的所有有关数据，包括案发时间、案发地点、作案物品、犯罪人员以及与其有所关联的所有人员数据，划分为人员、案件、物品、地点、机构五大类实体，并提取五类实体之间的关系；
2)将所提取出的事件以时间、实体、关系的形式存储为四元组的格式，符号记为(t,s,r,o)，其中t表示事件发生的时间，s表示事件的主实体，r表示关系，o表示事件的客实体；
3)图数据库是用于存储多种关系图的数据库，图中的每个节点代表实体，节点与节点之间的边代表关系，而时间则作为实体或边的一种属性，这样就可以将定义好的数据以节点-边-节点的方式存入图数据库；
4)知识表示学习的训练使用的是一种循环神经网络模型，对四元组数据进行循环事件推理，包括序列编码器和邻近聚合模型两个组成部分，流程如下：
4.1)序列编码器的目标是表示时序图谱，假定所有时刻的事件集合定义为E＝{E1,E2,E3,…Et,…}，其中Et为t时刻发生的事件集合，可以得到其事件发生的概率表示：
Figure BDA0002268842290000041
4.2)根据马尔可夫假设，该事件在t时刻的状态只取决于在t时刻之前的τ时段内的状态，概率表示化简为：
Figure BDA0002268842290000042
式中，et为t时刻发生的某具体事件，由四元组定义可知et＝(t,s,r,o)，根
据贝叶斯公式，公式(2)转化为：
P(et|Et-1,…,Et-τ)＝P(ot|st,rt,{Et-1,…,Et-τ})P(st,rt|{Et-1,…,Et-τ}) (3)
4.3)这里假设(st,rt)独立于过去的事件集合，且建模为均匀分布，则认为P(et|Et-1,…,Et-τ)∝P(ot|st,rt,{Et-1,…,Et-τ})，只考虑s的影响，得到：
Figure BDA0002268842290000043
式中：Ot为所有(st,rt)对应的客实体ot的集合；
4.4)引入基于RNN的序列编码器，最终建模为：
P(ot|s,r,{Ot-1(s),…,Ot-τ(s)})＝f(s,r,ht-1(s,r)) (5)
ht(s,r)＝RNN(s,r,g(Ot(s)),ht-1(s,r)) (6)
式中，ht为第t层RNN循环神经网络函数层，g(Ot(s))为邻近聚合模型；
4.5)邻近聚合模型g(Ot(s))如式(7)所示：
Figure BDA0002268842290000051
式中：No为集合
Figure BDA0002268842290000053
中o的个数；
4.7)最后使用交叉熵损失函数对嵌入向量进行训练：
Figure BDA0002268842290000052
式中，m表示客实体样本的标签；ym取0或1，当实体o的标签为正确样本时，ym为1，反之则为0；P(o＝m|s,r)即o正确的概率；
5)训练完成后，以案件作为主实体s，案发时间作为t，案件可能的犯罪人员r作为关系，准备进行链接预测；
6)预测的方法是将所有实体都作为客实体o代入到四元组(t,s,r,o)，这样对于任意输入均得到一个预测概率P(o|s,r,t)，进行排序，概率越大代表这个人是犯罪人员的可能性越大。
进一步，所述方法还包括以下步骤：7)使用图数据库进行一度、二度的关系查找，缩小预测范围，只选取与当前案件的嫌疑人员存在一定关系的实体作为客实体进行预测。
再进一步所述步骤6)中，最后对模型进行评价和排序，评价方案选用hit@10方案，即对所有输入的预测概率P(o|s,r,t)从大到小进行排序，选取结果最大的10个作为预测的答案，判断正确答案是否在这10个数据中，若是，则视为预测正确。
本发明实施例所提供的一种基于动态知识表示学习的案件推理方法，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。
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 (3)

1.一种基于动态知识表示学习的案件推理方法，其特征在于，所述方法包括以下步骤：
1)获取已破获案件的所有有关数据，包括案发时间、案发地点、作案物品、犯罪人员以及与其有所关联的所有人员数据，划分为人员、案件、物品、地点、机构五大类实体，并提取五类实体之间的关系；
2)将所提取出的事件以时间、实体、关系的形式存储为四元组的格式，符号记为(t,s,r,o)，其中t表示事件发生的时间，s表示事件的主实体，r表示关系，o表示事件的客实体；
3)图数据库是用于存储多种关系图的数据库，图中的每个节点代表实体，节点与节点之间的边代表关系，而时间则作为实体或边的一种属性，这样就可以将定义好的数据以节点-边-节点的方式存入图数据库；
4)知识表示学习的训练使用的是一种循环神经网络模型，对四元组数据进行循环事件推理，包括序列编码器和邻近聚合模型两个组成部分，流程如下：
4.1)序列编码器的目标是表示时序图谱，假定所有时刻的事件集合定义为E＝{E1,E2,E3,…Et,…}，其中Et为t时刻发生的事件集合，可以得到其事件发生的概率表示：
Figure FDA0002268842280000011
4.2)根据马尔可夫假设，该事件在t时刻的状态只取决于在t时刻之前的τ时段内的状态，概率表示化简为：
Figure FDA0002268842280000012
式中，et为t时刻发生的某具体事件，由四元组定义可知et＝(t,s,r,o)，根据贝叶斯公式，公式(2)转化为：
P(et|Et-1,…,Et-τ)＝P(ot|st,rt,{Et-1,…,Et-τ})P(st,rt|{Et-1,…,Et-τ}) (3)
4.3)这里假设(st,rt)独立于过去的事件集合，且建模为均匀分布，则认为P(et|Et-1,…,Et-τ)∝P(ot|st,rt,{Et-1,…,Et-τ})，只考虑s的影响，得到：
Figure FDA0002268842280000013
式中：Ot为所有(st,rt)对应的客实体ot的集合；
4.4)引入基于RNN的序列编码器，最终建模为：
P(ot|s,r,{Ot-1(s),…,Ot-τ(s)})＝f(s,r,ht-1(s,r)) (5)
ht(s,r)＝RNN(s,r,g(Ot(s)),ht-1(s,r)) (6)
式中，ht为第t层RNN循环神经网络函数层，g(Ot(s))为邻近聚合模型；
4.5)邻近聚合模型g(Ot(s))如式(7)所示：
Figure FDA0002268842280000021
式中：No为集合
Figure FDA0002268842280000023
中o的个数；
4.7)最后使用交叉熵损失函数对嵌入向量进行训练：
Figure FDA0002268842280000022
式中，m表示客实体样本的标签；ym取0或1，当实体o的标签为正确样本时，ym为1，反之则为0；P(o＝m|s,r)即o正确的概率；
5)训练完成后，以案件作为主实体s，案发时间作为t，案件可能的犯罪人员r作为关系，准备进行链接预测；
6)预测的方法是将所有实体都作为客实体o代入到四元组(t,s,r,o)，这样对于任意输入均得到一个预测概率P(o|s,r,t)，进行排序，概率越大代表这个人是犯罪人员的可能性越大。
2.如权利要求1所述的一种基于动态知识表示学习的案件推理方法，其特征在于，所述方法还包括以下步骤：7)使用图数据库进行一度、二度的关系查找，缩小预测范围，只选取与当前案件的嫌疑人员存在一定关系的实体作为客实体进行预测。
3.如权利要求1或2所述的一种基于动态知识表示学习的案件推理方法，其特征在于，所述步骤6)中，最后对模型进行评价和排序，评价方案选用hit@10方案，即对所有输入的预测概率P(o|s,r,t)从大到小进行排序，选取结果最大的10个作为预测的答案，判断正确答案是否在这10个数据中，若是，则视为预测正确。
CN201911097694.4A 2019-11-12 2019-11-12 一种基于动态知识表示学习的案件推理方法 Active CN110956254B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911097694.4A CN110956254B (zh) 2019-11-12 2019-11-12 一种基于动态知识表示学习的案件推理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911097694.4A CN110956254B (zh) 2019-11-12 2019-11-12 一种基于动态知识表示学习的案件推理方法

Publications (2)

Publication Number Publication Date
CN110956254A true CN110956254A (zh) 2020-04-03
CN110956254B CN110956254B (zh) 2022-04-05

Family

ID=69977240

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911097694.4A Active CN110956254B (zh) 2019-11-12 2019-11-12 一种基于动态知识表示学习的案件推理方法

Country Status (1)

Country Link
CN (1) CN110956254B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111476483A (zh) * 2020-04-07 2020-07-31 南京森林警察学院 基于大数据的缉私案件情报关联方法
CN111813949A (zh) * 2020-05-18 2020-10-23 中国人民解放军国防科技大学 联合查询的网络空间知识图谱推理方法和装置
CN111967229A (zh) * 2020-09-01 2020-11-20 申建常 一种高效标签式数据分析方法及分析系统
CN112036556B (zh) * 2020-11-06 2021-01-26 西南交通大学 一种基于lstm神经网络的目标意图反演方法
CN112365171A (zh) * 2020-11-16 2021-02-12 广州杰赛科技股份有限公司 基于知识图谱的风险预测方法、装置、设备及存储介质
CN113205504A (zh) * 2021-05-12 2021-08-03 青岛大学附属医院 基于知识图谱的人工智能肾肿瘤预测系统
CN113806555A (zh) * 2021-09-14 2021-12-17 国网北京市电力公司 用于app的运营异常识别方法、系统、装置及存储介质
CN113836318A (zh) * 2021-09-26 2021-12-24 合肥智能语音创新发展有限公司 动态知识图谱补全方法、装置以及电子设备
CN113934862A (zh) * 2021-09-29 2022-01-14 北方工业大学 社区安全风险预测方法、装置、电子设备及介质
CN114357197A (zh) * 2022-03-08 2022-04-15 支付宝(杭州)信息技术有限公司 事件推理方法和装置
CN115907144A (zh) * 2022-11-21 2023-04-04 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种事件的预测方法、装置、终端设备以及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108733792A (zh) * 2018-05-14 2018-11-02 北京大学深圳研究生院 一种实体关系抽取方法
CN108984745A (zh) * 2018-07-16 2018-12-11 福州大学 一种融合多知识图谱的神经网络文本分类方法
CN109241291A (zh) * 2018-07-18 2019-01-18 华南师范大学 基于深度强化学习的知识图谱最优路径查询系统及其方法
CN109522411A (zh) * 2018-11-12 2019-03-26 南京德磐信息科技有限公司 一种基于神经网络的写作辅助方法
CN109977237A (zh) * 2019-05-27 2019-07-05 南京擎盾信息科技有限公司 一种面向法律领域的动态法律事件图谱构建方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108733792A (zh) * 2018-05-14 2018-11-02 北京大学深圳研究生院 一种实体关系抽取方法
CN108984745A (zh) * 2018-07-16 2018-12-11 福州大学 一种融合多知识图谱的神经网络文本分类方法
CN109241291A (zh) * 2018-07-18 2019-01-18 华南师范大学 基于深度强化学习的知识图谱最优路径查询系统及其方法
CN109522411A (zh) * 2018-11-12 2019-03-26 南京德磐信息科技有限公司 一种基于神经网络的写作辅助方法
CN109977237A (zh) * 2019-05-27 2019-07-05 南京擎盾信息科技有限公司 一种面向法律领域的动态法律事件图谱构建方法

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111476483A (zh) * 2020-04-07 2020-07-31 南京森林警察学院 基于大数据的缉私案件情报关联方法
CN111813949B (zh) * 2020-05-18 2022-06-24 中国人民解放军国防科技大学 联合查询的网络空间知识图谱推理方法和装置
CN111813949A (zh) * 2020-05-18 2020-10-23 中国人民解放军国防科技大学 联合查询的网络空间知识图谱推理方法和装置
CN111967229A (zh) * 2020-09-01 2020-11-20 申建常 一种高效标签式数据分析方法及分析系统
CN112036556B (zh) * 2020-11-06 2021-01-26 西南交通大学 一种基于lstm神经网络的目标意图反演方法
CN112365171A (zh) * 2020-11-16 2021-02-12 广州杰赛科技股份有限公司 基于知识图谱的风险预测方法、装置、设备及存储介质
CN112365171B (zh) * 2020-11-16 2024-02-09 广州杰赛科技股份有限公司 基于知识图谱的风险预测方法、装置、设备及存储介质
CN113205504B (zh) * 2021-05-12 2022-12-02 青岛大学附属医院 基于知识图谱的人工智能肾肿瘤预测系统
CN113205504A (zh) * 2021-05-12 2021-08-03 青岛大学附属医院 基于知识图谱的人工智能肾肿瘤预测系统
CN113806555A (zh) * 2021-09-14 2021-12-17 国网北京市电力公司 用于app的运营异常识别方法、系统、装置及存储介质
CN113806555B (zh) * 2021-09-14 2023-08-08 国网北京市电力公司 用于app的运营异常识别方法、系统、装置及存储介质
CN113836318A (zh) * 2021-09-26 2021-12-24 合肥智能语音创新发展有限公司 动态知识图谱补全方法、装置以及电子设备
CN113934862A (zh) * 2021-09-29 2022-01-14 北方工业大学 社区安全风险预测方法、装置、电子设备及介质
CN114357197A (zh) * 2022-03-08 2022-04-15 支付宝(杭州)信息技术有限公司 事件推理方法和装置
CN114357197B (zh) * 2022-03-08 2022-07-26 支付宝(杭州)信息技术有限公司 事件推理方法和装置
CN115907144A (zh) * 2022-11-21 2023-04-04 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种事件的预测方法、装置、终端设备以及存储介质

Also Published As

Publication number Publication date
CN110956254B (zh) 2022-04-05

Similar Documents

Publication Publication Date Title
CN110956254B (zh) 一种基于动态知识表示学习的案件推理方法
Niyaz et al. A deep learning approach for network intrusion detection system
Hossain et al. Crime prediction using spatio-temporal data
Pathak et al. A generalized linear threshold model for multiple cascades
Zhong The analysis of cases based on decision tree
Berk Algorithmic criminology
CN111444348A (zh) 知识图谱架构的构建与应用方法、系统及介质
CN111581368A (zh) 一种基于卷积神经网络的面向智能专家推荐的用户画像方法
Wang et al. Few-shot out-of-distribution detection
Mananayaka et al. Network intrusion detection with two-phased hybrid ensemble learning and automatic feature selection
Čavojský et al. Comparative Analysis of Feed-Forward and RNN Models for Intrusion Detection in Data Network Security with UNSW-NB15 Dataset
Wei et al. The public opinion evolution under group interaction in different information features
Andi et al. Association rule algorithm with FP growth for book search
Podlodowski et al. Application of XGBoost to the cyber-security problem of detecting suspicious network traffic events
Petkos et al. Social circle discovery in ego-networks by mining the latent structure of user connections and profile attributes
Bu et al. Support Vector Machine for Classification of Terrorist Attacks Based on Intelligent Tuned Harmony Search.
Gao et al. Statistics and Analysis of Targeted Poverty Alleviation Information Integrated with Big Data Mining Algorithm
CN112667919A (zh) 一种基于文本数据的个性化社区矫正方案推荐系统及其工作方法
Ide et al. Policy decision support system in aging society based on probabilistic latent spatial semantic structure modeling
Shi et al. Hybrid embedding via cross-layer random walks on multiplex networks
Li et al. A research on human cognitive modeling in rumor spreading based on HTM
UTAMA et al. Optimizing decision tree criteria to identify the released factors of COVID-19 patients in south korea
Qiu et al. An ex-convict recognition method based on text mining
Mali et al. Crime Examination and Forecasting Using Machine Learning
Hamoud et al. A comparative study of supervised/unsupervised machine learning algorithms with feature selection approaches to predict student performance

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