(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 202210066409.8 (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 梁鸿翔　 (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 张影 (51)Int.Cl. G06F 16/2458(2019.01) G06F 16/28(2019.01) G06F 16/35(2019.01) G06F 16/36(2019.01) G06F 40/295(2020.01)G06F 40/30(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 5/02(2006.01) G06N 5/04(2006.01) G06Q 50/18(2012.01) (54)发明名称 案件隐性知识挖掘方法、 装置及电子设备 (57)摘要 本发明公开了一种案件隐性知识挖掘方法、 装置及电子设备， 包括： 构建目标案件信息的初 始案件知识图谱， 所述目标案件信息包括案件文 本信息和/或法律信息； 基于 预创建的本体库， 对 所述初始案件知识图谱进行规则推理， 获得第一 隐含信息集合； 基于预生成的图神经网络模型， 对所述初始案件知识图谱进行信息预测， 获得第 二隐含信息集合； 对所述第一隐含信息集合和所 述第二隐含信息集合进行处理， 获得目标隐含信 息。 实现了提升计算效率以及信息挖掘的准确性 的目的。 权利要求书2页 说明书12页 附图5页 CN 114428806 A 2022.05.03 CN 114428806 A 1.一种案件隐性知识挖掘方法， 其特 征在于， 包括： 构建目标案件信息的初始案件知识图谱， 所述目标案件信息包括案件文本信息和/或 法律信息； 基于预创建的本体库， 对所述初始案件知识图谱进行规则推理， 获得第一 隐含信息集 合， 所述本体库包括推理规则、 实体 类别和实体关系； 基于预生成的图神经网络模型， 对所述初始案件知识图谱进行信息预测， 获得第二 隐 含信息集合， 所述图神经网络模型具有将输入的初始案件知识图谱对应的 隐含信息趋于所 述初始案件知识图谱对应的实际包含的信息的能力， 且所述图神经网络模 型能够对实体类 型进行预测， 以及对实体之间的关系进行分类； 对所述第一隐含信息集 合和所述第二隐含信息集 合进行处 理， 获得目标隐含信息 。 2.根据权利要求1所述的方法， 其特 征在于， 所述方法还 包括： 根据所述目标隐含信息， 对所述初始案件知识图谱进行信息补全处理， 获得目标案件 知识图谱。 3.根据权利要求1所述的方法， 其特征在于， 所述构建目标案件信 息的初始案件知识图 谱， 包括： 对目标案件信息进行 数据清洗， 得到清洗后的信息； 将清洗后的信息进行知识抽取， 获得抽取后的知识； 将不同来源的抽取后的知识进行 过滤， 获得目标知识； 基于所述目标知识进行知识图谱构建， 获得初始案件知识图谱。 4.根据权利要求1所述的方法， 其特征在于， 所述基于预创建的本体库， 对所述初始案 件知识图谱进行规则推理， 获得第一隐含信息集 合， 包括： 利用所述预创建的本体库的推理规则和逻辑关系， 对初始案件知识图谱， 进行推理运 算， 并统计获取和所述推理规则相匹配的第一隐含信息集 合。 5.根据权利要求4所述的方法， 其特征在于， 所述规则信息包括法律和案件规则， 所述 实体类别信息包括案件中的实体类别， 以及实体和实体之 间的关系， 其中， 所述推理规则包 括： 案件关联人物与 犯罪客体的关系、 案件关联人物或者关联地点的关系以及案件人物与 案件状态的关系。 6.根据权利要求1所述的方法， 其特征在于， 所述基于预生成的图神经网络模型， 对所 述初始案件知识图谱进行信息预测， 获得第二隐含信息集 合， 包括： 基于所述初始案件知识图谱和所述本体库中的关系集合， 构建所述关系集合中各个关 系集对应的各个案件的实体的邻接矩阵； 利用所述邻接矩阵， 训练获得图神经网络嵌入编码模型； 获取所述初始案件知识图谱中的每一实体， 并确定未 标签的实体； 针对每一所述未标签的实体， 构建所述本题库的关系集合下所述未标签的实体的邻 接 矩阵； 将所述未标签的实体的邻 接矩阵输入至所述图神经网络嵌入编码模型和神经网络， 确 定所述未 标签的实体的法律案件本体分类概 率； 基于所述法律案件本体分类概 率， 确定所述未 标签的实体的分类；权　利　要　求　书 1/2 页 2 CN 114428806 A 2基于获得的所述未标签的实体的分类， 构建待确定关系的实体对的关系邻接矩阵， 并 输入预训练好的基于图神经网络的关系嵌入编 码模型和神经网络， 以计算得到获得实体之 间的关系类别的概 率； 基于所述关系类别的概 率， 确定所述待确定关系的实体对关系的分类； 将所述未标签的实体的分类和所述待确定关系的实体对关系的分类， 确定为第 二隐含 信息集合。 7.根据权利要求1所述的方法， 其特征在于， 所述对所述第 一隐含信 息集合和所述第 二 隐含信息集 合进行处 理， 获得目标隐含信息， 包括： 检测所述第一隐含信息是否与所述第二隐含信息存在信息冲突； 如果否， 将所述第一隐含信息和所述第二隐含信息的并集确定为目标隐含信息； 如果是， 将所述第一隐含信息确定为目标隐含信息 。 8.一种案件隐性知识挖掘装置， 其特 征在于， 包括： 构建单元， 用于构建目标案件信息的初始案件知识图谱， 所述目标案件信息包括案件 文本信息和/或法律信息； 推理单元， 用于基于预创建的本体库， 对所述初始案件知识图谱进行规则推理， 获得第 一隐含信息集 合， 所述本体库包括推理规则、 实体 类别和实体关系； 预测单元， 用于基于预生成的图神经网络模型， 对所述初始案件知识图谱进行信息预 测， 获得第二隐含信息集合， 所述图神经网络模型具有将输入的初始案件知识图谱对应的 隐含信息趋于所述初始案件知识图谱对应的实际包含的信息的能力， 且所述图神经网络模 型能够对实体 类型进行 预测， 以及对实体之间的关系进行分类； 处理单元， 用于对所述第一 隐含信息集合和所述第二 隐含信息集合进行处理， 获得目 标隐含信息 。 9.根据权利要求8所述的装置， 其特 征在于， 所述装置还 包括： 补全单元， 用于根据 所述目标隐含信 息， 对所述初始案件知识图谱进行信息补全处理， 获得目标案件知识图谱。 10.一种电子设备， 其特 征在于， 包括： 存储器， 用于存 储程序； 处理器， 用于执行所述程序， 所述程序具体用于实现如权利要求1 ‑7中任意一项所述的 案件隐性知识挖掘方法。权　利　要　求　书 2/2 页 3 CN 114428806 A 3