CN111444353A - 一种警情知识图谱的构建及使用方法 - Google Patents
一种警情知识图谱的构建及使用方法 Download PDFInfo
- Publication number
- CN111444353A CN111444353A CN202010257752.1A CN202010257752A CN111444353A CN 111444353 A CN111444353 A CN 111444353A CN 202010257752 A CN202010257752 A CN 202010257752A CN 111444353 A CN111444353 A CN 111444353A
- Authority
- CN
- China
- Prior art keywords
- alarm
- data
- warning situation
- similarity
- situation
- 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 33
- 238000010276 construction Methods 0.000 title claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000003672 processing method Methods 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 238000013075 data extraction Methods 0.000 claims abstract description 4
- 238000013500 data storage Methods 0.000 claims abstract description 4
- 238000013145 classification model Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 15
- 230000014509 gene expression Effects 0.000 claims description 11
- 230000006399 behavior Effects 0.000 claims description 9
- 238000007726 management method Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000009193 crawling Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000002372 labelling Methods 0.000 abstract 1
- 230000002457 bidirectional effect Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000001915 proofreading effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Abstract
本发明提供了一种警情知识图谱的构建及使用方法，包括以下步骤，S1、获取警情类型，S2、数据采集，S3、数据标注训练，S4、数据抽取关联，S5、数据存储，S6、知识图谱生成，本发明通过数据分类以及信息抽取等技术将所得到的数据采用结构网络的形式输出，可以准确的显示出不同警情对应的办案工作流程、常规处理方法以及相关惩处法律条例；有效的查找不同警情的相关信息，会提高工作人员的办案效率。
Description
技术领域
本发明涉及大数据处理技术领域，尤其是涉及一种警情知识图谱的构建及使用方法。
背景技术
知识图谱旨在描述真实世界中存在的各种实体或概念及其关系,其构成一张巨大的语义网络图，节点表示实体或概念，边则由属性或关系构成，是一种基于图的数据结构，把所有不同种类的信息连接在一起而得到的一个关系网络，提供了可以从关系的角度去分析问题。
目前未有相关的警情知识图谱构建方法，本发明通过数据分类以及信息抽取等技术将所得到的数据采用结构网络的形式输出，更易于可视化操作，可以准确的显示出不同警情对应的办案流程、常规处理方法以及相关惩处条例。有效的查找不同警情相关信息，会提高工作人员的办案效率。警情知识图谱也可以作为相关工作人员日常培训学习材料，以及日常采集数据、简单调解的参考依据。
根据本发明，能够有效地将警情相关知识资源汇集起来，建立警情知识图谱，为工作人员提供准确、全面的警情知识。
发明内容
为了解决上述背景中的技术问题，本发明提供一种警情知识图谱的构建及使用方法，能够有效地将警情相关知识资源汇集起来，建立警情知识图谱，为工作人员提供准确、全面的警情知识。
为实现上述目的，本发明提供了一种警情知识图谱的构建及使用方法，包括以下步骤：
S1、获取警情类型，警情类型的具体获取方式如下：
S11、抽取法律法规（如《中华人民共和国刑法》、《中华人民共和国治安管理处罚法》）中的罪名以及其中犯罪行为（如：违反治安管理的行为），因为这两部法律中罪名以及犯罪行为描述比较规范且形式较为一致，属于结构化较强的数据，所以使用不同的正则表达式直接抽取分析即可；抽取之后进行人工校对，并对于不同表述方式的罪名进行合并统一；如：刑法中盗窃罪与治安处罚法中偷窃少量公私财物描述重合，将其类型统一为盗窃。
S12、在互联网上搜集相关罪名数据；
S13、综合上述步骤S11、S12获取的数据形成警情类型集；最终警情类型集包括：妨害公务、聚众斗殴、抢劫、绑架、卖淫、叛逃、虚假广告、诈骗公私财物等；
S2、数据采集，具体如下：
S21、采集警情文本信息，文本信息包括：接警处警情记录数据、电子笔录数据、案件记录数据等不同警种在处理不同种类案件时记录的案件内容，爬取或通过相关网站api形式获取微博、新闻、论坛上公安官方发出的案情通报数据；
S22、获取政府官方网站法律模块中的法律法规；如《中华人民共和国刑法》、《中华人民共和国治安管理处罚法》、《中华人民共和国婚姻法》等；
S23、以警情类型为核心，收集警情类型相关的工作流程、处理方法；如：打架斗殴派出所处理流程、聚众斗殴处理流程等；
S3、数据标注训练：
将上述数据步骤S21中采集的警情文本信息以及案情通报数据进行文本预处理，文本预处理包括去除格式标记、乱码字符、停用词、日期等无用信息，将预处理过的文本信息人工设置相应警情标签，作为训练警情分类模型的样本数据，该警情标签即采用上述步骤S1获取中的警情类型；
如：警情信息为“苏何大厦01楼0001，报警人称自己被骗了36万元。”，经过文本预处理后得到信息“苏何大厦，报警人被骗36万元。”，此警情可以标注为诈骗公私财物，样本数据形式如下：“诈骗公私财物 苏何大厦，报警人被骗36万元。”
将上述样本数据分为测试集、训练集和验证集，采用BERT分类模型训练样本数据得到警情分类模型，警情分类模型能够判断一条警情的具体类型；
其中，BERT是一种TranSformer的双向编码器，旨在通过调节所有层中的上下文来进行深度双向的预训练，即BERT在训练阶段会从所选文本的左右上下文中汲取信息。所以经过预先训练的BERT模型只需一个额外的输出层就可以进行微调，从而为各种自然语言处理任务生成最新模型，该模型具有很强的通用性且效果较好。
S4、数据抽取关联：
S41、抽取法律法规中与警情类型相关的法律条例并与警情类型相关联，具体方法如下：
S41.1、从刑法以及治安管理处罚法中使用正则表达式抽取法律条例中罪名，与各警情类型进行相似度匹配，相似度高于某一预设阈值，则将条例内容与警情类型相关联；
S41.2、查找与警情类型相关的法律，抽取法律中处罚条例与之相关联，处罚条例是通过关键词以及语句形式进行判断抽取；
如警情类型为使用假币的可以与《中华人民共和国中国人民银行法》中使用假币处罚方式相关联，处罚条例中句式较为统一，即“构成犯罪的，...；尚不构成犯罪的，...。”，可用正则表达式抽取。
S42、将各工作流程以及处理方法的文件名称分词，抽取分词后的动词、名词，分别与各警情类型计算相似度，相似度高于某一预设阈值，则将文件名称与警情类型相关联；
S5、数据存储：
将步骤S4关联的数据形成三元组存放至图数据库中，如形成三元组：[打架斗殴]-[法律:中华人民共和国刑法]-[刑法中与打架斗殴相关具体条例]，[打架斗殴]-[处理流程]-[打架斗殴的具体流程]，其中工作流程、处理方法将设置路径属性，属性内容为此文档的具体路径；
S6、知识图谱生成：
将图数据库中三元组使用图的方式展现，具体过程如下：
输入一条警情，使用步骤S3中警情分类模型获取此条警情的具体类型，通过获取的类型搜索上述步骤S5中的图数据库中与之关联的处理工作流程、常规处理方法以及相关法律中的处罚条例并返回，警情处理人员能够参考返回的信息对警情进行处理。
作为优选地，上述步骤S41.1和步骤S42中相似度的计算是使用word2vec工具将需要计算相似度的词语映射成n维向量，通过向量间余弦相似度计算词之间的相似度，相似度高于阈值0.8则认为比较相似，根据实际情况调整阈值大小；
余弦相似度计算公式如下
其中A、B为词语映射的n维向量。
与现有技术相比，本发明的技术方案具有如下有益效果：
本发明通过数据分类以及信息抽取等技术将所得到的数据采用结构网络的形式输出，可以准确的显示出不同警情对应的办案工作流程、常规处理方法以及相关惩处法律条例；有效的查找不同警情的相关信息，会提高工作人员的办案效率。警情知识图谱也可以作为相关工作人员日常培训学习材料，以及日常采集数据、简单调解的参考依据。这样根据本发明的技术方案，能够有效地将警情相关知识资源汇集起来，建立警情知识图谱，为工作人员提供准确、全面的警情知识。
附图说明
图1为本发明构建警情知识图谱的具体方案流程图；
图2是本发明中警情知识图谱的使用方法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。
如图1~2所示，本发明提供了一种警情知识图谱的构建及使用方法的具体实施例，包括以下步骤：
S1、获取警情类型，警情类型的具体获取方式如下：
S11、抽取法律法规（如《中华人民共和国刑法》、《中华人民共和国治安管理处罚法》）中的罪名以及其中犯罪行为（如：违反治安管理的行为），因为这两部法律中罪名以及犯罪行为描述比较规范且形式较为一致，属于结构化较强的数据，所以使用不同的正则表达式直接抽取分析即可；抽取之后进行人工校对，并对于不同表述方式的罪名进行合并统一；如：刑法中盗窃罪与治安处罚法中偷窃少量公私财物描述重合，将其类型统一为盗窃。
S12、在互联网上搜集相关罪名数据；
S13、综合上述步骤S11、S12获取的数据形成警情类型集；最终警情类型集包括：妨害公务、聚众斗殴、抢劫、绑架、卖淫、叛逃、虚假广告、诈骗公私财物等；
S2、数据采集，具体如下：
S21、采集警情文本信息，文本信息包括：接警处警情记录数据、电子笔录数据、案件记录数据等不同警种在处理不同种类案件时记录的案件内容，爬取或通过相关网站api形式获取微博、新闻、论坛上公安官方发出的案情通报数据；
S22、获取政府官方网站法律模块中的法律法规；如《中华人民共和国刑法》、《中华人民共和国治安管理处罚法》、《中华人民共和国婚姻法》等；
S23、以警情类型为核心，收集警情类型相关的工作流程、处理方法；如：打架斗殴派出所处理流程、聚众斗殴处理流程等；
S3、数据标注训练：
将上述数据步骤S21中采集的警情文本信息以及案情通报数据进行文本预处理，文本预处理包括去除格式标记、乱码字符、停用词、日期等无用信息，将预处理过的文本信息人工设置相应警情标签，作为训练警情分类模型的样本数据，该警情标签即采用上述步骤S1获取中的警情类型；
如：警情信息为“苏何大厦01楼0001，报警人称自己被骗了36万元。”，经过文本预处理后得到信息“苏何大厦，报警人被骗36万元。”，此警情可以标注为诈骗公私财物，样本数据形式如下：“诈骗公私财物 苏何大厦，报警人被骗36万元。”
将上述样本数据分为测试集、训练集和验证集，采用BERT分类模型训练样本数据得到警情分类模型，警情分类模型能够判断一条警情的具体类型；
其中，BERT是一种TranSformer的双向编码器，旨在通过调节所有层中的上下文来进行深度双向的预训练，即BERT在训练阶段会从所选文本的左右上下文中汲取信息。所以经过预先训练的BERT模型只需一个额外的输出层就可以进行微调，从而为各种自然语言处理任务生成最新模型，该模型具有很强的通用性且效果较好。
S4、数据抽取关联：
S41、抽取法律法规中与警情类型相关的法律条例并与警情类型相关联，具体方法如下：
S41.1、从刑法以及治安管理处罚法中使用正则表达式抽取法律条例中罪名，与各警情类型进行相似度匹配，相似度高于某一预设阈值，则将条例内容与警情类型相关联；
S41.2、查找与警情类型相关的法律，抽取法律中处罚条例与之相关联，处罚条例是通过关键词以及语句形式进行判断抽取；
如警情类型为使用假币的可以与《中华人民共和国中国人民银行法》中使用假币处罚方式相关联，处罚条例中句式较为统一，即“构成犯罪的，...；尚不构成犯罪的，...。”，可用正则表达式抽取。
S42、将各工作流程以及处理方法的文件名称分词，抽取分词后的动词、名词，分别与各警情类型计算相似度，相似度高于某一预设阈值，则将文件名称与警情类型相关联；
S5、数据存储：
将步骤S4关联的数据形成三元组存放至图数据库中，如形成三元组：[打架斗殴]-[法律:中华人民共和国刑法]-[刑法中与打架斗殴相关具体条例]，[打架斗殴]-[处理流程]-[打架斗殴的具体流程]，其中工作流程、处理方法将设置路径属性，属性内容为此文档的具体路径；
S6、知识图谱生成：
将图数据库中三元组使用图的方式展现，具体过程如下：
输入一条警情，使用步骤S3中警情分类模型获取此条警情的具体类型，通过获取的类型搜索上述步骤S5中的图数据库中与之关联的处理工作流程、常规处理方法以及相关法律中的处罚条例并返回，警情处理人员能够参考返回的信息对警情进行处理。
作为优选地，上述步骤S41.1和步骤S42中相似度的计算是使用word2vec工具将需要计算相似度的词语映射成n维向量，通过向量间余弦相似度计算词之间的相似度，相似度高于阈值0.8则认为比较相似，根据实际情况调整阈值大小；
余弦相似度计算公式如下
其中A、B为词语映射的n维向量。
本发明通过数据分类以及信息抽取等技术将所得到的数据采用结构网络的形式输出，可以准确的显示出不同警情对应的办案工作流程、常规处理方法以及相关惩处法律条例；有效的查找不同警情的相关信息，会提高工作人员的办案效率。警情知识图谱也可以作为相关工作人员日常培训学习材料，以及日常采集数据、简单调解的参考依据。这样根据本发明的技术方案，能够有效地将警情相关知识资源汇集起来，建立警情知识图谱，为工作人员提供准确、全面的警情知识。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实例的说明只是用于帮助理解本发明的方法及其核心思想，以上所述仅是本发明的优选实施方式，应当指出，由于文字表达的有限性，而客观上存在无限的具体结构，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进、润饰或变化，也可以将上述技术特征以适当的方式进行组合；这些改进润饰、变化或组合，或未经改进将发明的构思和技术方案直接应用于其它场合的，均应视为本发明的保护范围。
Claims (2)
1.一种警情知识图谱的构建及使用方法，其特征在于，包括以下步骤：
S1、获取警情类型：
S11、抽取法律法规中的罪名以及犯罪行为，抽取之后进行人工校对，并对于不同表述方式的罪名进行合并统一；
S12、在互联网上搜集相关罪名数据；
S13、综合上述步骤S11、S12获取的数据形成警情类型集；最终警情类型集包括：妨害公务、聚众斗殴、抢劫、绑架、卖淫、叛逃、虚假广告、诈骗公私财物；
S2、数据采集：
S21、采集警情文本信息，文本信息包括：接警处警情记录数据、电子笔录数据、案件记录数据，以及不同警种在处理不同种类案件时记录的案件内容，爬取或通过相关网站api形式获取微博、新闻、论坛上公安官方发出的案情通报数据；
S22、获取政府官方网站法律模块中的法律法规；
S23、以警情类型为核心，收集警情类型相关的工作流程、处理方法；
S3、数据标注训练：
将上述步骤S21中采集的警情文本信息以及案情通报数据进行文本预处理，文本预处理包括去除格式标记、乱码字符、停用词、日期的无用信息，将预处理过的文本信息人工设置相应警情标签，作为训练警情分类模型的样本数据，警情标签即采用上述步骤S1获取的警情类型；
将上述样本数据分为测试集、训练集和验证集，采用BERT分类模型训练样本数据得到警情分类模型，警情分类模型能够判断一条警情的具体类型；
S4、数据抽取关联：
S41、抽取法律法规中与警情类型相关的法律条例并与警情类型相关联，具体方法如下：
S41.1、从刑法以及治安管理处罚法中使用正则表达式抽取法律条例中罪名，与各警情类型进行相似度匹配，相似度高于某一预设阈值，则将条例内容与警情类型相关联；
S41.2、查找与警情类型相关的法律，抽取法律中处罚条例与之相关联，处罚条例能够通过关键词以及语句形式进行判断抽取；
S42、将各工作流程以及处理方法的文件名称分词，抽取分词后的动词、名词，分别与各警情类型计算相似度，相似度高于某一预设阈值，则将文件名称与警情类型相关联；
S5、数据存储：
将步骤S4关联的数据形成三元组存放至图数据库中，其中工作流程、处理方法将设置路径属性，属性内容为此文档的具体路径；
S6、知识图谱生成：
将图数据库中三元组使用图的方式展现，具体过程如下：
输入一条警情，使用上述步骤S3中警情分类模型获取此条警情的具体类型，通过获取的类型搜索上述步骤S5中的图数据库中与之关联的处理工作流程、处理方法以及相关法律中的处罚条例并返回，警情处理人员能够参考返回的信息对警情进行处理。
2.根据权利要求1中所述的一种警情知识图谱的构建及使用方法，其特征在于，上述步骤S41.1和步骤S42中相似度的计算是使用word2vec工具将需要计算相似度的词语映射成n维向量，通过向量间余弦相似度计算词之间的相似度，相似度高于阈值0.8则认为比较相似，根据实际情况调整阈值大小；
余弦相似度计算公式如下
其中A、B为词语映射的n维向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010257752.1A CN111444353B (zh) | 2020-04-03 | 2020-04-03 | 一种警情知识图谱的构建及使用方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010257752.1A CN111444353B (zh) | 2020-04-03 | 2020-04-03 | 一种警情知识图谱的构建及使用方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111444353A true CN111444353A (zh) | 2020-07-24 |
| CN111444353B CN111444353B (zh) | 2023-02-28 |
Family
ID=71649863
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010257752.1A Active CN111444353B (zh) | 2020-04-03 | 2020-04-03 | 一种警情知识图谱的构建及使用方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111444353B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112070112A (zh) * | 2020-07-28 | 2020-12-11 | 浙江警察学院 | 涉网犯罪分类方法、装置、计算机设备及存储介质 |
| CN112749284A (zh) * | 2020-12-31 | 2021-05-04 | 平安科技（深圳）有限公司 | 知识图谱构建方法、装置、设备及存储介质 |
| CN113837585A (zh) * | 2021-09-17 | 2021-12-24 | 北京石油化工学院 | 一种面向城市常发应急的协同一体化接处警综合实训系统 |
| CN115168594A (zh) * | 2022-09-08 | 2022-10-11 | 北京星天地信息科技有限公司 | 警情信息处理方法和装置、电子设备和存储介质 |
| CN115809256A (zh) * | 2023-02-22 | 2023-03-17 | 中关村科学城城市大脑股份有限公司 | 治安管理综合信息系统和可视化展示方法 |
| CN116662576A (zh) * | 2023-07-26 | 2023-08-29 | 北京天云海数技术有限公司 | 一种安全漏洞与法律法规的关联方法及关联系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018077906A1 (en) * | 2016-10-25 | 2018-05-03 | Koninklijke Philips N.V. | Knowledge graph-based clinical diagnosis assistant |
| CN110362693A (zh) * | 2019-07-24 | 2019-10-22 | 广东电网有限责任公司 | 一种业扩工程图纸知识图谱构建方法 |
| CN110598000A (zh) * | 2019-08-01 | 2019-12-20 | 达而观信息科技（上海）有限公司 | 一种基于深度学习模型的关系抽取及知识图谱构建方法 |
| CN110781254A (zh) * | 2020-01-02 | 2020-02-11 | 四川大学 | 一种案情知识图谱自动构建方法及系统及设备及介质 |
| CN110837601A (zh) * | 2019-10-25 | 2020-02-25 | 杭州叙简科技股份有限公司 | 一种警情的自动分类与预测方法 |
-
2020
- 2020-04-03 CN CN202010257752.1A patent/CN111444353B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018077906A1 (en) * | 2016-10-25 | 2018-05-03 | Koninklijke Philips N.V. | Knowledge graph-based clinical diagnosis assistant |
| CN110362693A (zh) * | 2019-07-24 | 2019-10-22 | 广东电网有限责任公司 | 一种业扩工程图纸知识图谱构建方法 |
| CN110598000A (zh) * | 2019-08-01 | 2019-12-20 | 达而观信息科技（上海）有限公司 | 一种基于深度学习模型的关系抽取及知识图谱构建方法 |
| CN110837601A (zh) * | 2019-10-25 | 2020-02-25 | 杭州叙简科技股份有限公司 | 一种警情的自动分类与预测方法 |
| CN110781254A (zh) * | 2020-01-02 | 2020-02-11 | 四川大学 | 一种案情知识图谱自动构建方法及系统及设备及介质 |
Non-Patent Citations (1)
| Title |
|---|
| 杨玉基等: "一种准确而高效的领域知识图谱构建方法", 《软件学报》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112070112A (zh) * | 2020-07-28 | 2020-12-11 | 浙江警察学院 | 涉网犯罪分类方法、装置、计算机设备及存储介质 |
| CN112070112B (zh) * | 2020-07-28 | 2021-11-16 | 浙江警察学院 | 涉网犯罪分类方法、装置、计算机设备及存储介质 |
| CN112749284A (zh) * | 2020-12-31 | 2021-05-04 | 平安科技（深圳）有限公司 | 知识图谱构建方法、装置、设备及存储介质 |
| CN112749284B (zh) * | 2020-12-31 | 2021-12-17 | 平安科技（深圳）有限公司 | 知识图谱构建方法、装置、设备及存储介质 |
| CN113837585A (zh) * | 2021-09-17 | 2021-12-24 | 北京石油化工学院 | 一种面向城市常发应急的协同一体化接处警综合实训系统 |
| CN113837585B (zh) * | 2021-09-17 | 2023-10-31 | 北京石油化工学院 | 一种面向城市常发应急的协同一体化接处警综合实训系统 |
| CN115168594A (zh) * | 2022-09-08 | 2022-10-11 | 北京星天地信息科技有限公司 | 警情信息处理方法和装置、电子设备和存储介质 |
| CN115809256A (zh) * | 2023-02-22 | 2023-03-17 | 中关村科学城城市大脑股份有限公司 | 治安管理综合信息系统和可视化展示方法 |
| CN115809256B (zh) * | 2023-02-22 | 2023-06-06 | 中关村科学城城市大脑股份有限公司 | 治安管理综合信息系统和可视化展示方法 |
| CN116662576A (zh) * | 2023-07-26 | 2023-08-29 | 北京天云海数技术有限公司 | 一种安全漏洞与法律法规的关联方法及关联系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111444353B (zh) | 2023-02-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111444353B (zh) | 一种警情知识图谱的构建及使用方法 | |
| CN109948911B (zh) | 一种计算网络产品信息安全风险的评估方法 | |
| CN110334178B (zh) | 数据检索方法、装置、设备及可读存储介质 | |
| CN106682150B (zh) | 一种信息处理的方法及装置 | |
| CN111159387B (zh) | 基于多维度报警信息文本相似度分析的推荐方法 | |
| CN102890702A (zh) | 一种面向网络论坛的意见领袖挖掘方法 | |
| CN103544436A (zh) | 一种钓鱼网站鉴别系统和方法 | |
| CN103617280A (zh) | 一种中文事件信息挖掘方法和系统 | |
| CN107943514A (zh) | 一种软件文档中核心代码元素的挖掘方法及系统 | |
| CN111160005A (zh) | 基于事件演化知识本体的事件预测方法、装置及终端设备 | |
| CN110533212A (zh) | 基于大数据的城市内涝舆情监测预警方法 | |
| CN110889786A (zh) | 一种基于lstm技术的法律诉讼被告人保全用审判服务方法 | |
| CN109800600A (zh) | 面向保密需求的海洋大数据敏感度评估系统及防范方法 | |
| CN109492097B (zh) | 一种企业新闻数据风险分类方法 | |
| CN112598489B (zh) | 基于金融应用的风险监测方法及系统 | |
| Ghankutkar et al. | Modelling machine learning for analysing crime news | |
| CN107679075A (zh) | 网络监控方法和设备 | |
| CN114692593B (zh) | 一种网络信息安全监测预警方法 | |
| CN115545671A (zh) | 一种法律法规结构化处理的方法、系统 | |
| CN112307364B (zh) | 一种面向人物表征的新闻文本发生地抽取方法 | |
| CN115618085B (zh) | 一种基于动态标签的接口数据暴露探测方法 | |
| CN115936932A (zh) | 司法文书的处理方法、装置、电子设备和存储介质 | |
| CN116205350A (zh) | 基于法律文书的再犯人身危险性分析预测系统和方法 | |
| CN113177164B (zh) | 基于大数据的多平台协同新媒体内容监控管理系统 | |
| CN115129808A (zh) | 一种食药环热线类事件犯罪线索筛查方法及系统 |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Construction and usage method of a police situation knowledge graph Effective date of registration: 20231007 Granted publication date: 20230228 Pledgee: Guotou Taikang Trust Co.,Ltd. Pledgor: HANGZHOU XUJIAN SCIENCE AND TECHNOLOGY Co.,Ltd. Registration number: Y2023980059619 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right |