(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210066405.X (22)申请日 2022.01.20 (71)申请人 北京北大英华科技有限公司 地址 100080 北京市海淀区中关村大街27 号中关村大厦9层901-902室 (72)发明人 邬雨婷　梁鸿翔　王曦　 (74)专利代理 机构 北京集佳知识产权代理有限 公司 11227 代理人 刘乐 (51)Int.Cl. G06F 16/36(2019.01) G06F 16/35(2019.01) G06F 16/215(2019.01) G06F 40/216(2020.01) G06F 40/295(2020.01)G06N 5/02(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 50/18(2012.01) (54)发明名称 检察业务画像知识融合方法、 装置、 电子设 备及存储介质 (57)摘要 本发明提供一种检察业务画像知识融合方 法、 装置、 电子设备及存储介质， 加入对检察领域 的大量业务知识的考虑， 结合了传统特征选择算 法和神经网络分类模型各自的优势， 将人工确定 的业务筛选知识特征与基于大数据抽取的知识 特征进行融合， 进一步地并提出特征组合信息递 进约简的方法， 得到了更好的特征约简子集和维 度分类效果， 以进一步实现检察业务画像的本体 构建和体系知识融合的目的。 权利要求书2页 说明书13页 附图4页 CN 114417011 A 2022.04.29 CN 114417011 A 1.一种检察 业务画像知识融合方法， 其特 征在于， 所述方法包括： 从已获取的检察 业务数据中抽取检察 业务画像的知识特 征； 针对目标指标， 从所述知识特征中提取已确定的第 一知识特征和未确定的第 二知识特 征； 对所述第二知识特 征进行约简处 理， 得到第三知识特 征； 将所述第一知识特征和所述第 三知识特征作为训练特征对目标神经网络进行训练， 以 获得能够预测所述目标指标的分类模型。 2.根据权利要求1所述的方法， 其特 征在于， 所述检察 业务数据的获取 方式， 包括： 从目标数据源中获取原 始检察业务数据； 对所述原 始检察业务数据进行 数据清洗， 得到所述检察 业务数据。 3.根据权利要求1所述的方法， 其特征在于， 所述对所述第二知识特征进行约简处理， 包括： 采用过滤式特征选择算法计算所述第 二知识特征的权重， 所述权重与知识特征的重要 程度成正比； 基于权重从所述第二知识特 征中选取重要程度满足对应条件的目标第二知识特 征； 对所述目标第二知识特 征中具有相关性的知识特 征进行特征组合。 4.根据权利要求3所述的方法， 其特征在于， 所述采用过滤式特征选择算法计算所述第 二知识特 征的权重之前， 所述方法还 包括： 对所述第二知识特 征进行预处理。 5.根据权利要求1所述的方法， 其特征在于， 所述将所述第 一知识特征和所述第 三知识 特征作为训练特 征对目标神经网络进行训练， 包括： 根据知识特 征间的相关性将所述第三知识特 征聚类至第一类别和第二类别下； 调用目标神经网络， 并初始化所述目标神经网络的网络参数； 以遍历方式分别从所述第 一类别和所述第 二类别下提取每次迭代的第 三知识特征， 以 对所述目标神经网络执行多次迭代训练， 直到遍历完所述第一类别/所述第二类别时结束 第一阶段的训练； 对所述目标神经网络每次迭代训练的过程如下： 将所提取的两个第 三知识特征和所述第 一知识特征作为本此迭代训练用的训练特征， 对所述目标神经网络进行部分训练， 以调整所述目标神经网络的网络参数； 计算所述目标神经网络 本次迭代训练的分类准确率和学习进度； 如果所述分类准确率或者所述学习 进度不满足对应的阈值， 则将所述目标神经网络的 网络参数回溯至本次迭代训练前， 删除本次迭代训练从所述第一类别/所述第二类别下所 提取的第三知识特征， 从被删除的类别下以遍历方式重新提取第三知识特征， 并返回执行 所述将所提取的两个第三知识特征和所述第一知识特征作为本此迭代训练用的训练特征， 这一步骤； 如果所述分类准确率和所述学习 进度均满足各自对应的阈值， 则保存所提取的两个第 三知识特 征， 进入下一次迭代训练。 6.根据权利要求5所述的方法， 其特征在于， 所述将所述第 一知识特征和所述第 三知识 特征作为训练特 征对目标神经网络进行训练， 还 包括：权　利　要　求　书 1/2 页 2 CN 114417011 A 2如果所述第 一类别和所述第 二类别中一个类别下的第 三知识特征被遍历完， 调取被遍 历完的类别下、 所保存的第三知识特征， 并将所调取 的第三知识特征归类至被遍历完的类 别下； 以遍历方式分别从所述第 一类别和所述第 二类别下提取每次迭代的第 三知识特征， 以 对所述目标神经网络执行多次迭代训练， 直到遍历 完所述第一类别和所述第二类别时结束 第二阶段的训练。 7.一种检察 业务画像知识融合装置， 其特 征在于， 所述装置包括： 特征抽取模块， 用于从已获取的检察 业务数据中抽取检察 业务画像的知识特 征； 特征约简模块， 用于针对目标指标， 从所述知识特征中提取已确定的第一知识特征和 未确定的第二知识特 征； 对所述第二知识特 征进行约简处 理， 得到第三知识特 征； 模型训练模块， 用于将所述第 一知识特征和所述第 三知识特征作为训练特征对目标神 经网络进行训练， 以获得能够预测所述目标指标的分类模型。 8.根据权利要求7 所述的装置， 其特 征在于， 所述模型训练模块， 具体用于： 根据知识特征间的相关性将所述第 三知识特征聚类至第 一类别和第 二类别下； 调用目 标神经网络， 并初始化所述 目标神经网络的网络参数； 以遍历方式分别从所述第一类别和 所述第二类别下提取每次迭代的第三知识特征， 以对所述目标神经网络执行多次迭代训 练， 直到遍历完所述第一类别/所述第二类别时结束第一阶段的训练； 对所述目标神经网络每次迭代训练的过程如下： 将所提取的两个第 三知识特征和所述第 一知识特征作为本此迭代训练用的训练特征， 对所述目标神经网络进行部分训练， 以调整所述 目标神经网络的网络参数； 计算所述 目标 神经网络本次迭代训练的分类准确率和学习进度； 如果所述分类准确率或者所述学习进度 不满足对应的阈值， 则将所述 目标神经网络的网络参数回溯至本次迭代训练前， 删除本次 迭代训练从所述第一类别/所述第二类别下所提取 的第三知识特征， 从被删除的类别下以 遍历方式重新提取第三知识特征， 并返回执行所述将所提取的两个第三知识特征和所述第 一知识特征作为本此迭代训练用的训练特征， 这一步骤； 如果所述分类准确 率和所述学习 进度均满足各自对应的阈值， 则保存所提取的两个第三知识特 征， 进入下一次迭代训练。 9.一种电子设备， 其特征在于， 所述电子设备包括： 至少一个存储器和至少一个处理 器； 所述存储器存储有程序， 所述处理器调用所述存储器存储的程序， 所述程序用于实现权 利要求1‑6任意一项所述的检察 业务画像知识融合方法。 10.一种存储介质， 其特征在于， 所述存储介质中存储有计算机可执行指令， 所述计算 机可执行指令用于执 行权利要求1 ‑6任意一项所述的检察 业务画像知识融合方法。权　利　要　求　书 2/2 页 3 CN 114417011 A 3