CN111753025A - 案件信息的自动获取方法、装置、设备和存储介质 - Google Patents

案件信息的自动获取方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN111753025A
CN111753025A CN202010590436.6A CN202010590436A CN111753025A CN 111753025 A CN111753025 A CN 111753025A CN 202010590436 A CN202010590436 A CN 202010590436A CN 111753025 A CN111753025 A CN 111753025A
Authority
CN
China
Prior art keywords
case
network
entities
transaction
loops
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
CN202010590436.6A
Other languages
English (en)
Other versions
CN111753025B (zh
Inventor
潘超
黄长武
袁博
姚新
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.)
Southern University of Science and Technology
Original Assignee
Southern University of Science and Technology
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 Southern University of Science and Technology filed Critical Southern University of Science and Technology
Priority to CN202010590436.6A priority Critical patent/CN111753025B/zh
Publication of CN111753025A publication Critical patent/CN111753025A/zh
Application granted granted Critical
Publication of CN111753025B publication Critical patent/CN111753025B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/288—Entity relationship models
    • 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)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Educational Administration (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Computer And Data Communications (AREA)

Abstract

本发明实施例公开了一种案件信息的自动获取方法、装置、设备和存储介质。该方法包括：获取案件数据；根据所述案件数据抽取实体和实体间的关联关系生成案件推理网络；基于所述案件推理网络抽象处理实体和实体间的关联关系得到案件图；基于所述案件图通过网络路径规划模型得到多条回路；根据所述多条回路和所述案件推理网络确定案件发生过程的信息。实现了自动根据案件数据确定案件发生过程的信息，以提供案件侦查方向，节约了案件侦查成本，提高办案效率。

Description

案件信息的自动获取方法、装置、设备和存储介质
技术领域
本发明涉及数据处理领域，尤其涉及一种案件信息的自动获取方法、装置、设备和存储介质。
背景技术
目前案件侦查过程中，案件发生过程往往需要认为推理，案件数量集中、案情复杂时对于办案人员负担更重，在人手不足时办案效率大大降低。因此需要一种自动获取案件发生过程信息的方法辅助办案人员进行案件侦查，减轻办案人员负担，提高办案效率。
发明内容
本发明实施例提供一种案件信息的自动获取方法、装置、设备和存储介质，节约了案件侦查成本，提高办案效率。
第一方面，本发明实施例提供了一种案件信息的自动获取方法，包括：
获取案件数据；
根据所述案件数据抽取实体和实体间的关联关系生成案件推理网络；
基于所述案件推理网络抽象处理实体和实体间的关联关系得到案件图；
基于所述案件图通过网络路径规划模型得到多条回路；
根据所述多条回路和所述案件推理网络确定案件发生过程的信息。
第二方面，本发明实施例还提供了一种案件信息的自动获取装置，该装置包括：
数据获取模块，用于获取案件数据；
数据抽取模块，用于根据所述案件数据抽取实体和实体间的关联关系生成案件推理网络；
案件抽象模块，用于基于所述案件推理网络抽象处理实体和实体间的关联关系得到案件图；
路径规划模块，用于基于所述案件图通过网络路径规划模型得到多条回路
案件信息确定模块，用于根据所述多条回路和所述案件推理网络确定案件发生过程的信息。
第三方面，本发明实施例还提供了一种案件信息的自动获取设备，包括存储器和处理器，存储器上存储有可在处理器运行的计算机程序，处理器执行计算机程序时实现前述的案件信息的自动获取方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，存储介质存储有计算机程序，计算机程序包括程序指令，程序指令当被执行时实现前述的案件信息的自动获取方法。
本发明实施例提供的技术方案，基于案件数据抽取实体和实体间的关联关系生成案件推理网络，对案件推理网络抽象化处理得到案件图，利用网络路径规划模型基于案件图得到用于表示案件发成过程的多条回路，根据案件推理网络对多条回路进行描述确定案件发生过程的信息，实现了自动根据案件数据确定案件发生过程的信息，以提供案件侦查方向，节约了案件侦查成本，提高办案效率。
附图说明
图1是本发明一个实施例提供的案件信息的自动获取方法的流程图；
图2是本发明一个实施例提供的案件信息的自动获取方法的子流程图；
图3是本发明另一实施例提供的案件信息的自动获取方法的子流程图；
图4是本发明另一实施例提供的案件图的部分内容；
图5是本发明另一实施例提供的案件信息的自动获取方法的子流程图；
图6是本发明另一实施例提供的案件信息的自动获取方法的子流程图；
图7是本发明另一实施例提供的案件推理网络的部分内容；
图8是本发明另一实施例提供的案件信息的自动获取方法的子流程图；
图9是本发明一个实施例提供的案件信息的自动获取装置的结构示意图；
图10是本发明一个实施例提供的案件信息的自动获取设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中使用的术语只是为了描述具体的实施方式的目的，不是旨在于限制本发明。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
此外，术语“第一”、“第二”等可在本文中用于描述各种方向、动作、步骤或元件等，但这些方向、动作、步骤或元件不受这些术语限制。这些术语仅用于将第一个方向、动作、步骤或元件与另一个方向、动作、步骤或元件区分。术语“第一”、“第二”等而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。需要说明的是，当部被称为“固定于”另一个部，它可以直接在另一个部上也可以存在居中的部。当一个部被认为是“连接”到另一个部，它可以是直接连接到另一个部或者可能同时存在居中部。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述，只是为了说明的目的，并不表示是唯一的实施方式。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时处理可以被终止，但是还可以具有未包括在附图中的附加步骤。处理可以对应于方法、函数、规程、子例程、子程序等等。
图1为本发明一实施例提供的一种案件信息的自动获取方法的流程图，该方法可以由任一能够进行案件信息的自动获取的终端/服务器执行，本实施例以该方法应用于终端为例，该方法具体包括如下步骤：
S110、获取案件数据。
案件数据为记录案件相关信息的数据，具体的，案件数据可以是直接从数据库获取或扫描以及其他方式获取的判决文书、案件档案和证据等，也可以是根据人为录入的案件相关信息生成的数据。
具体的，本实施例中，终端可以通过连接数据库、扫描仪扫描和人机交互等方式获取用于记录案件相关信息的案件数据。
S120、根据所述案件数据抽取实体和实体间的关联关系生成案件推理网络。
实体在本实施例中表示案件中的人物、机构和资产等具有现实物理意义的特征。案件推理网络在本实施例中定义为由案件数据生成的知识图谱和异常交易链。知识图谱是一种语义网络，可以用于揭示实体间的关系，并对各种实体和它们间的关系进行形式化的描述。当前许多知识库都是使用知识图谱进行描述的。知识图谱定义如下：知识图谱是结构化的语义知识库，用于以符号形式描述物理世界中的概念及其相互关系。
示例性的，在一个实施例中，采用三元组式知识图谱构成案件推理网络。三元组是知识图谱的一种通用表示方式，即G∈(E,R,S)，其中E＝{e1,e2,...,en}是知识库中的实体集合，共包含|E|种不同实体。R＝{r1,r2,...,rn}是知识库中的关系集合，共包含|R|种不同关系。三元组的基本形式主要包括：实体A、实体B、实体A和实体B的关联关系；实体C、实体C的属性、实体C的属性值两种形式。实体是知识图谱中的最基本元素，不同的实体间存在不同的关系。属性主要指实体可能具有的特征，例如民族、出生日期等，属性值指实体对应属性的具体值，比如汉族、1999年等。
知识图谱中的实体包括嫌疑人、涉案人、机构、资产等，嫌疑人和涉案人均为人物，人物的属性包括性别、民族、出生地、出生日期和文化水平等。案件推理网络的知识图谱中常见的实体间的关系包括人物和机构间的职位关系，人物间的关系等。异常交易链为由交易主体、交易资产和交易受体这三个实体组成的交易链。其中交易主体为交易发起者如行贿方，交易受体为交易接受者如受贿方，二者可以是嫌疑人、人物和机构这三种类型的实体。
具体的，在一实施例中，如图2所示，步骤S120包括步骤S121-123：
S121、根据所述案件数据确定案件实体、案件实体间的关联关系和异常交易链。
本实施例中终端可以通过人为辅助抽取或自动抽取的方式，将案件数据转换为结构化的知识图谱和异常交易链。如用命名实体识别辅助抽取人物、机构、资产等实体，利用依存句法分析来辅助抽取三元组，并且基于BERT(Bidirectional EncoderRepresentation from Transformers)，把信息抽取的过程当成阅读理解的多答案问题，把抽取的信息当成答案来辅助抽取三元组，得到由案件实体和案件实体间的关联关系组成的知识图谱，以及无法被抽取三元组的异常交易链。
S122、根据所述异常交易链生成交易实体，所述交易实体包括交易主体、交易资产和交易受体。
在生成知识图谱的同时，对案件数据中的异常交易链保存为交易主体、交易资产和交易受体的格式，称为交易实体，交易实体中交易主体和交易受体间也存在关联关系。
S123、根据所述案件实体、案件实体间的关联关系和交易实体生成案件推理网络。
在抽取完案件实体、案件实体间的关联关系和交易实体后，将其统一保存为结构化的案件推理网络，案件推理网络中各个节点对应实体，实体包括案件实体和交易实体，各个边对应实体间的关联关系。
S130、基于所述案件推理网络抽象处理实体和实体间的关联关系得到案件图。
本实施例中在获取案件信息时，需要使用网络路径规划模型，而不同网络规划模型对数据格式的要求不统一，直接应用到案件推理网络处理起来较麻烦，甚至无法处理。为了让不同的网络路径规划模型可以统一进行求解，并且让网络路径规划模型只需要关注问题本身，而忽略案件推理网络中节点代表的具体含义和不相干的信息，本实施例中将案件推理网络抽象成统一的图问题。
案件图用于抽象化表示案件推理网络中实体和实体间的关联关系。示例性的，案件图中，以编号的形式表示案件推理网络中的节点和边，如在案件图中，n0表示第一节点，n1表示第二节点，边表示为<n0，n1>，则在边<n0，n1>中n0为源节点，n1为目标节点。
此处应当说明的是，案件图实际上是抽象化的节点和边的表现形式，实际在基于案件图进行后续处理时是将节点和边作为数据以表格形式存储和使用的。
终端在根据案件数据生成案件推理网络之后，对案件推理网络中的节点和边抽象化，得到格式统一的、能够直接输入网络路径规划模型的案件图。
S140、基于所述案件图通过网络路径规划模型得到多条回路。
网络规划模型用于通过网络路径规划技术快速确定案件发展路径，网络路径规划技术包括一系列算法，如启发式搜索(Heuristic Search)，路径扫描(Path Scanning)和基于群体智能(Swarm Intelligence)的网络路径规划算法等。
具体的，案件图中包括抽象化的节点和边，网络路径规划模型基于案件图寻找多条回路，其中每条回路的起始节点对应嫌疑人实体，且至少需要经过一条连接有交易实体的边，以确定异常交易链在案件中的作用。其中，在存在多个结果的情况下，网络路径规划模型选择回路长度之和最小的一个结果，得到多条回路。
更具体的，本实施例中的网络路径规划模型是预先训练好的，其可以根据具体的案件情况不同，使用案件数据对应的实际案情对网络路径规划模型进行训练。
S150、根据所述多条回路和所述案件推理网络确定案件发生过程的信息。
多条回路以嫌疑人实体对应的节点为起始节点，表示的是案件的发生过程，但是其是基于抽象化的案件图得到的，多条回路实际上忽略了时间、地点等信息，其对于案件发生过程的表示不完整。因此，在得到多条回路后，终端根据案件图和案件推理网络的对应关系，利用案件推理网络对多条回路进行描述，自行还原出案件发生过程的信息。
在本实施例方案中，基于案件数据抽取实体和实体间的关联关系生成案件推理网络，对案件推理网络抽象化处理得到案件图，利用网络路径规划模型基于案件图得到用于表示案件发成过程的多条回路，根据案件推理网络对多条回路进行描述确定案件发生过程的信息，实现了自动根据案件数据确定案件发生过程的信息，以提供案件侦查方向，节约了案件侦查成本，提高办案效率。
本发明另一实施例提供了一种案件信息的自动获取方法，本实施例在上一实施例的基础上对部分内容进行了进一步细分和解释，具体如下：
如图3所示，在步骤S130包括步骤S131-132：
S131、确定所述案件推理网络的节点和边，所述节点包括起始节点和无效节点，所述边包括异常边和正常边。
案件推理网络由实体和实体间的关联关系组成，其中，实体为案件推理网络中的节点，实体间的关联关系为案件推理网络中的边。根据案件数据可知，实体也是有着不同属性的，如嫌疑人、涉案人、机构，甚至还包括时间和地点。对于案件发生过程，是以嫌疑人为核心进行分析确定的，而同一时间或第一不能作为案件发生过程中的一环。因此将节点根据对应的实体属性不同，分为起始节点和无效节点，所述起始节点对应嫌疑人实体，所述无效节点对应属性为时间或地点的实体。而对于边，异常交易链是案件发生过程的核心要素，本实施例将其单独列出为异常边，所述异常边为连接有交易主体或交易受体或交易资产的边，相对的其它边可以成为正常边。
S132、基于所述节点生成节点集合，基于所述边生成边集合，根据所述节点集合和边集合得到所述案件图。
在根据案件推理网络确定了起始节点、无效节点和异常边之后，将案件推理网络中的节点和边抽象化的以集合形式表示，得到案件图。案件图中可以包括节点集合和边集合，节点集合可以包括起始节点集合和无效节点集合，边集合可以包括异常边集合以及相对的正常边集合。
示例性的，如图4所示，为一案件图的部分示例，图4中“edges”表示边集合，其中“n0，n1,0”表示第一条边，n0为该边的源节点，n1为该边的目标节点，0表示该边表达的关联关系不涉及异常交易链，即0表示该边不是异常边；“n2，n1,1”表示第二条边，n2为该边的源节点，n1为该边的目标节点，1表示该边表达的关联关系涉及异常交易链，即1表示该边是异常边；“start nodes”表示起始节点集合，包括起始节点n0和n2；“invalid nodes”表示无效节点集合，包括n16、n11……n7。起始节点结合和无效节点集合统称为节点集合。
更具体的，在一实施例中，如图5所示，步骤S140包括步骤S141-143：
S141、自所述节点集合中选取起始节点。
在已经划分出起始节点集合的情况下可以直接自起始节点集合中选取起始节点。
S142、根据起始节点生成一条最短回路，所述最短回路以起始节点为起点，连接节点集合中未被选取过的其他节点，且经过所述边集合中的至少一条异常边，直到回到所述起始节点。
步骤S142中在连接节点集合中未被选取过的其他节点时，不会选择无效节点，并且最短回路中每次选择的都是未被选取过的其他节点，也即在一条最短回路中不会重复出现同一个节点。
S143、重复执行S141和S142直到每个异常边均有回路连接，以得到的多条最短回路为所述多条回路。
当每个异常边均有回路连接时，表示可以确定异常交易链在案件发生过程中的参与情况。
对于一个案件图G＝(V,E,L)(无向图)，其中V是节点集合V＝{n0,n1,…,nk}，E是边集合E＝{e0,e1,…,em}，L是边标签集合L＝{l0,l1,…,lm}，边ei∈E的标签为li＝{0,1}，其中li＝1表示边ei为“异常边”，li＝0表示边ei为“正常边”，将所有“异常边”构成的边集合记为T＝{ei∈E|li＝1}。若干嫌疑人构成的起始节点(Start Nodes)集合记为
Figure BDA0002555284290000113
无效节点(Invalid Nodes)集合记为
Figure BDA0002555284290000112
网络路径规划模型在G上寻找若干最短回路(Simple Cycles)，这些最短回路从起始节点集合中的某一个节点ni∈S出发，并最终回到该节点，要求所寻找的每条最短回路中至少要经过一条“异常边”，且不得经过任何一个无效节点，最终所有“异常边”均被经包含在所寻找到的多个回路中。
示例性的，用于实现步骤S141-143的网络路径规划模型采用的是路径扫描和启发式路径搜索结合的方法，其伪代码如下：
给定：案件网络G＝(V,E,L)，起始节点集S，无效节点集I。
Figure BDA0002555284290000111
Figure BDA0002555284290000121
更具体的，一实施例中，如图6所示，步骤S150具体包括步骤S151-152：
S151、对照所述多条回路的回路节点和所述案件推理网络的网络节点确定映射关系。
多条回路中的回路节点对应案件图中的节点，案件推理网络中的网络节点对应实体，即实际上确定的是回路节点和实体的对应关系。
S152、根据所述映射关系通过所述案件推理网络描述所述多条回路，得到案件发生过程的信息。
通过案件推理网络描述多条回路目的在于：将案件推理网络中的时间地点等信息添加进来，以基于多条回路描述案件发生过程。
示例性的，在如图7所示的对应一条回路的部分案件推理网络中，包括实体“张某”、“王某”、“某公司”、“北京”、“2019年”和“50万”，在生成该回路时，“北京”和“2019年”是无法被体现的信息，其对应两条异常边的关联关系为“赠送”和“收取”，以嫌疑人张某出发，结合案件推理网络描述此回路为：王某为某公司提供帮助，某公司的总经理张某于2019年在北京向王某行贿50万。
更具体的，在一实施例中，如图8所示，步骤S150之后，还包括：
S160、根据所述多条回路和所述案件推理网络确定未关联异常交易链。
在某些情况下，如缺少案件线索时，可能会出现多条回路中未经过的异常边，根据多条回路中未经过的异常边确定未关联异常交易链，未关联异常交易链为多条回路中未经过的异常边对应的异常交易链。
S170、根据所述未关联异常交易链确定调查方向。
未关联异常交易链表示案件数据中缺乏与之相关的线索，未关联异常交易链中涉及的人物或机构可以作为调查方向。
本实施例提供的案件信息的自动获取方法中，进一步提供了生成案件图的具体过程，以及得到多条回路的具体过程，并提供了如何确定调查方向，能够快速梳理案情给出缺失线索的调查方向，提高办案效率。
图9所示为本发明一个实施例提供的一种案件信息的自动获取装置300的结构示意图，该案件信息的自动获取装置的具体结构如下：
数据获取模块210，用于获取案件数据。
数据抽取模块220，用于根据所述案件数据抽取实体和实体间的关联关系生成案件推理网络。
案件抽象模块230，用于基于所述案件推理网络抽象处理实体和实体间的关联关系得到案件图。
路径规划模块240，用于基于所述案件图通过网络路径规划模型得到多条回路.
案件信息确定模块250，用于根据所述多条回路和所述案件推理网络确定案件发生过程的信息。
更具体的，在一实施例中，数据抽取模块220包括实体分析单元、异常交易链分析单元和案件推理网络生成单元：
实体分析单元，用于根据所述案件数据确定案件实体、案件实体间的关联关系和异常交易链。
异常交易链分析单元，根据所述异常交易链生成交易实体，所述交易实体包括交易主体、交易资产和交易受体。
案件推理网络生成单元，用于根据所述案件实体、案件实体间的关联关系和交易实体生成案件推理网络。
更具体的，在一实施例中，案件抽象模块230包括节点和边分类单元、案件图生成单元：
节点和边分类单元，用于确定所述案件推理网络的节点和边，所述节点包括起始节点和无效节点，所述边包括异常边和正常边。
案件图生成单元，用于基于所述节点生成节点集合，基于所述边生成边集合，根据所述节点集合和边集合得到所述案件图。
更具体的，在一实施例中，所述起始节点对应嫌疑人实体，所述无效节点对应属性为时间或地点的实体，所述异常边为连接有交易主体或交易受体或交易资产的边。
更具体的，在一实施例中，路径规划模块240包括起始节点选取单元、回路确定单元和迭代执行单元：
起始节点选取单元，用于自所述节点集合中选取起始节点。
回路确定单元，用于根据起始节点生成一条最短回路，所述最短回路以起始节点为起点，连接节点集合中未被选取过的其他节点，且经过所述边集合中的至少一条异常边，直到回到所述起始节点。
迭代执行单元，用于重复执行起始节点选取单元和回路确定单元直到每个异常边均有回路连接，以得到的多条最短回路为所述多条回路。
更具体的，在一实施例中，案件信息确定模块250包括：映射关系确定单元和回路描述单元：
映射关系确定单元，用于对照所述多条回路的回路节点和所述案件推理网络的网络节点确定映射关系。
回路描述单元，用于根据所述映射关系通过所述案件推理网络描述所述多条回路，得到案件发生过程的信息。
更具体的，在一实施例中，还包括未关联异常交易链确定模块和调查方向确定模块：
未关联异常交易链确定模块，用于根据所述多条回路和所述案件推理网络确定未关联异常交易链。
调查方向确定模块，用于根据所述未关联异常交易链确定调查方向。
本实施例进一步提供了一种案件信息的自动获取装置，基于案件数据抽取实体和实体间的关联关系生成案件推理网络，对案件推理网络抽象化处理得到案件图，利用网络路径规划模型基于案件图得到用于表示案件发成过程的多条回路，根据案件推理网络对多条回路进行描述确定案件发生过程的信息，实现了自动根据案件数据确定案件发生过程的信息，以提供案件侦查方向，节约了案件侦查成本，提高办案效率。
本发明实施例所提供了一种案件信息的自动获取装置可执行本发明前述实施例所提供的任意一种案件信息的自动获取方法，其具备执行方法相应的功能模块和有益效果。
图10为本发明一个实施例提供的一种案件信息的自动获取设备300的结构示意图，如图10所示，该种案件信息的自动获取设备包括存储器310、处理器320，案件信息的自动获取设备中处理器320的数量可以是一个或多个，图10中以一个处理器320为例；案件信息的自动获取设备中的存储器310、处理器320可以通过总线或其他方式连接，图10中以通过总线连接为例。
存储器310作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的案件信息的自动获取方法对应的程序指令/模块(例如，案件信息的自动获取装置中的数据获取模块210、数据抽取模块220、案件抽象模块230、路径规划模块240和案件信息确定模块模块250)。处理器320通过运行存储在存储器310中的软件程序、指令以及模块，从而执行案件信息的自动获取设备的各种功能应用以及数据处理，即实现上述的案件信息的自动获取方法。
其中，所述处理器320用于运行存储在存储器310中的计算机可执行程序，以实现如下步骤：
获取案件数据；
根据所述案件数据抽取实体和实体间的关联关系生成案件推理网络；
基于所述案件推理网络抽象处理实体和实体间的关联关系得到案件图；
基于所述案件图通过网络路径规划模型得到多条回路；
根据所述多条回路和所述案件推理网络确定案件发生过程的信息。
当然,本发明实施例所提供的一种案件信息的自动获取设备,该案件信息的自动获取设备不限于如上所述的方法操作,还可以执行本发明实施例任意实施例所提供的案件信息的自动获取方法中的相关操作。
存储器310可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器310可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器310可进一步包括相对于处理器320远程设置的存储器，这些远程存储器可以通过网络连接至案件信息的自动获取设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
上述设备可执行本发明任意实施例所提供的案件信息的自动获取方法，具备执行方法相应的功能模块和有益效果。
本发明的一实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种案件信息的自动获取方法，该案件信息的自动获取方法包括：
获取案件数据；
根据所述案件数据抽取实体和实体间的关联关系生成案件推理网络；
基于所述案件推理网络抽象处理实体和实体间的关联关系得到案件图；
基于所述案件图通过网络路径规划模型得到多条回路；
根据所述多条回路和所述案件推理网络确定案件发生过程的信息。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的案件信息的自动获取方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。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可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，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，案件信息的自动获取设备，或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是，上述案件信息的自动获取装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种案件信息的自动获取方法，其特征在于，包括：
获取案件数据；
根据所述案件数据抽取实体和实体间的关联关系生成案件推理网络；
基于所述案件推理网络抽象处理实体和实体间的关联关系得到案件图；
基于所述案件图通过网络路径规划模型得到多条回路；
根据所述多条回路和所述案件推理网络确定案件发生过程的信息。
2.根据权利要求1所述的案件信息的自动获取方法，其特征在于，所述根据所述案件数据抽取实体和实体间的关联关系生成案件推理网络，包括：
根据所述案件数据确定案件实体、案件实体间的关联关系和异常交易链；
根据所述异常交易链生成交易实体，所述交易实体包括交易主体、交易资产和交易受体；
根据所述案件实体、案件实体间的关联关系和交易实体生成案件推理网络。
3.根据权利要求1所述的案件信息的自动获取方法，其特征在于，所述基于所述案件推理网络抽象处理实体和实体间的关联关系得到案件图，包括：
确定所述案件推理网络的节点和边，所述节点包括起始节点和无效节点，所述边包括异常边和正常边；
基于所述节点生成节点集合，基于所述边生成边集合，根据所述节点集合和边集合得到所述案件图。
4.根据权利要求3所述的案件信息的自动获取方法，其特征在于，所述起始节点对应嫌疑人实体，所述无效节点对应属性为时间或地点的实体，所述异常边为连接有交易主体或交易受体或交易资产的边。
5.根据权利要求3所述的案件信息的自动获取方法，其特征在于，所述基于所述案件图通过网络路径规划模型得到多条回路，包括：
A、自所述节点集合中选取起始节点；
B、根据起始节点生成一条最短回路，所述最短回路以起始节点为起点，连接节点集合中未被选取过的其他节点，且经过所述边集合中的至少一条异常边，直到回到所述起始节点；
C、重复执行A和B直到每个异常边均有回路连接，以得到的多条最短回路为所述多条回路。
6.根据权利要求1所述的案件信息的自动获取方法，其特征在于，所述根据所述多条回路和所述案件推理网络确定案件过程的推演结果，包括
对照所述多条回路的回路节点和所述案件推理网络的网络节点确定映射关系；
根据所述映射关系通过所述案件推理网络描述所述多条回路，得到案件发生过程的信息。
7.根据权利要求6所述的案件信息的自动获取方法，其特征在于，还包括：
根据所述多条回路和所述案件推理网络确定未关联异常交易链；
根据所述未关联异常交易链确定调查方向。
8.一种案件信息的自动获取装置，其特征在于，包括：
数据获取模块，用于获取案件数据；
数据抽取模块，用于根据所述案件数据抽取实体和实体间的关联关系生成案件推理网络；
案件抽象模块，用于基于所述案件推理网络抽象处理实体和实体间的关联关系得到案件图；
路径规划模块，用于基于所述案件图通过网络路径规划模型得到多条回路
案件信息确定模块，用于根据所述多条回路和所述案件推理网络确定案件发生过程的信息。
9.一种案件信息的自动获取设备，其特征在于，包括存储器和处理器，所述存储器上存储有可在处理器运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-7任意一项所述的案件信息的自动获取方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被执行时实现如权利要求1-7任意一项所述的案件信息的自动获取方法。
CN202010590436.6A 2020-06-24 2020-06-24 案件信息的自动获取方法、装置、设备和存储介质 Active CN111753025B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010590436.6A CN111753025B (zh) 2020-06-24 2020-06-24 案件信息的自动获取方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010590436.6A CN111753025B (zh) 2020-06-24 2020-06-24 案件信息的自动获取方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN111753025A true CN111753025A (zh) 2020-10-09
CN111753025B CN111753025B (zh) 2024-06-14

Family

ID=72677217

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010590436.6A Active CN111753025B (zh) 2020-06-24 2020-06-24 案件信息的自动获取方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN111753025B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112699225A (zh) * 2020-12-28 2021-04-23 企查查科技有限公司 司法案件的聚合方法、设备和存储介质
CN114925167A (zh) * 2022-05-20 2022-08-19 武汉众智数字技术有限公司 一种基于知识图谱的案件处理方法和系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110633458A (zh) * 2018-06-25 2019-12-31 阿里巴巴集团控股有限公司 裁判文书的生成方法和生成装置
CN111291161A (zh) * 2020-02-20 2020-06-16 平安科技（深圳）有限公司 法律案件知识图谱查询方法、装置、设备及存储介质
CN113032528A (zh) * 2021-04-09 2021-06-25 平安国际智慧城市科技股份有限公司 案件分析方法、装置、设备及存储介质
US20220121695A1 (en) * 2020-01-08 2022-04-21 Ping An Technology (Shenzhen) Co., Ltd. Knowledge graph-based case retrieval method, device and equipment, and storage medium
CN115017144A (zh) * 2022-05-30 2022-09-06 北京计算机技术及应用研究所 一种基于图神经网络的司法文书案情要素实体识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110633458A (zh) * 2018-06-25 2019-12-31 阿里巴巴集团控股有限公司 裁判文书的生成方法和生成装置
US20220121695A1 (en) * 2020-01-08 2022-04-21 Ping An Technology (Shenzhen) Co., Ltd. Knowledge graph-based case retrieval method, device and equipment, and storage medium
CN111291161A (zh) * 2020-02-20 2020-06-16 平安科技（深圳）有限公司 法律案件知识图谱查询方法、装置、设备及存储介质
CN113032528A (zh) * 2021-04-09 2021-06-25 平安国际智慧城市科技股份有限公司 案件分析方法、装置、设备及存储介质
CN115017144A (zh) * 2022-05-30 2022-09-06 北京计算机技术及应用研究所 一种基于图神经网络的司法文书案情要素实体识别方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112699225A (zh) * 2020-12-28 2021-04-23 企查查科技有限公司 司法案件的聚合方法、设备和存储介质
CN114925167A (zh) * 2022-05-20 2022-08-19 武汉众智数字技术有限公司 一种基于知识图谱的案件处理方法和系统

Also Published As

Publication number Publication date
CN111753025B (zh) 2024-06-14

Similar Documents

Publication Publication Date Title
Huang et al. Graph meta learning via local subgraphs
Hoang et al. Deepjit: an end-to-end deep learning framework for just-in-time defect prediction
CN110837550B (zh) 基于知识图谱的问答方法、装置、电子设备及存储介质
US11899705B2 (en) Putative ontology generating method and apparatus
JP5768063B2 (ja) 適合を特徴付けるルールを用いたメタデータソースの照合
US20170046425A1 (en) Ontology aligner method, semantic matching method and apparatus
US20170083547A1 (en) Putative ontology generating method and apparatus
Li et al. Practical approaches to causal relationship exploration
CN104714931A (zh) 用于选择用以代表表格式信息的方法和系统
CN103778471A (zh) 提供信息差距的指示的问答系统
CN111753025A (zh) 案件信息的自动获取方法、装置、设备和存储介质
Al-Khiaty et al. Matching UML class diagrams using a Hybridized Greedy-Genetic algorithm
Djenouri et al. Deep learning based hashtag recommendation system for multimedia data
Annervaz et al. Natural language requirements quality analysis based on business domain models
CN113672653A (zh) 识别数据库中的隐私数据的方法和装置
US11599801B2 (en) Method for solving problem, computing system and program product
Chen et al. Scaling up Markov logic probabilistic inference for social graphs
Acosta-Mendoza et al. A new algorithm for approximate pattern mining in multi-graph collections
CN116978449A (zh) 相互作用界面的预测方法、装置、电子设备及存储介质
CN114579826A (zh) 基于知识图谱的任务处理方法及装置
CN113468307A (zh) 文本处理方法、装置、电子设备及存储介质
Butcher Contract Information Extraction Using Machine Learning
Issa Linked data quality: completeness and conciseness
Shariff Non-functional requirement detection using machine learning and natural language processing
Gao et al. An improved hybrid structure learning strategy for Bayesian networks based on ensemble learning

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