[发明专利]人物危险度的评估方法、装置及电子设备

权利要求书

1.一种人物危险度的评估方法，其特征在于，所述方法包括：

获取目标数据，其中，所述目标数据至少包括：人物关系数据，消费数据，对话数据；

通过所述目标数据构建人物关系网络，其中，所述人物关系网络的数量为多个，每个所述人物关系网络用于表征一种类型的人物关系；

根据目标算法对所述人物关系网络进行处理，得到所述人物关系网络中的每个节点的特征向量信息，其中，所述人物关系网络中的每个节点用于表征一个待评估对象；

将所述特征向量信息输入至深度卷积神经网络，以确定所述待评估对象在每个类型上的危险度；

其中，根据目标算法对所述人物关系网络进行处理，得到所述人物关系网络中的每个节点的特征向量信息包括：

在每个所述人物关系网络中选取多个节点，并根据深度游走方法对所述多个节点进行预设次数的游走处理，得到多个节点链；

根据每个节点在所述多个节点链中出现的频率构建哈夫曼树，并基于所述哈夫曼树确定每个所述节点的向量表示方式，得到节点向量；

将不同类型人物关系网络中相同节点的节点向量进行拼接，拼接后得到带有节点向量信息的矩阵；

通过所述深度卷积神经网络对拼接后的所述带有节点向量信息的矩阵进行学习，得到所述特征向量信息。

2.根据权利要求1所述的人物危险度的评估方法，其特征在于，获取目标数据包括：

分别在数据库和社交网络中获取初始数据，其中，所述初始数据至少包括：初始人物关系数据，初始消费数据，初始对话数据；

对所述初始数据进行预处理，得到目标数据，其中，所述预处理至少包括：去杂处理，分类处理，所述去杂处理为去除所述初始数据中的不符合预设字段要求的数据，所述分类处理为将所述去杂处理后的数据按照人物关系类型进行分类。

3.根据权利要求1所述的人物危险度的评估方法，其特征在于，通过所述目标数据构建人物关系网络包括：

对所述对话数据进行分析，得到多个相关度系数，其中，每个所述相关度系数对应一种危险类型，多个所述相关度系数表示为目标对话数据与每个危险类型之间的关联程度，所述目标对话数据为所述对话数据中任意两个对象之间的对话数据；

根据所述目标数据和所述相关度系数构建多个所述人物关系网络，其中，多个所述相关度系数为多个所述人物关系网络中连边的权值。

4.根据权利要求1所述的人物危险度的评估方法，其特征在于，基于所述哈夫曼树确定每个所述节点的向量表示方式包括：

计算每个所述节点在所述哈夫曼树中的出现概率；

结合所述出现概率和预设似然函数确定每个所述节点的向量表示方式。

5.一种人物危险度的评估装置，其特征在于，所述装置包括：

获取模块，用于获取目标数据，其中，所述目标数据至少包括：人物关系数据，消费数据，对话数据；

构建模块，用于通过所述目标数据构建人物关系网络，其中，所述人物关系网络的数量为多个，每个所述人物关系网络用于表征一种类型的人物关系；

处理模块，用于根据目标算法对所述人物关系网络进行处理，得到所述人物关系网络中的每个节点的特征向量信息，其中，所述人物关系网络中的每个节点用于表征一个待评估对象；

确定模块，用于将所述特征向量信息输入至深度卷积神经网络，以确定所述待评估对象在每个类型上的危险度；

其中，所述处理模块包括：

游走处理单元，用于在每个人物关系网络中选取多个节点，并根据深度游走方法对多个节点进行预设次数的游走处理，得到多个节点链；

确定节点向量单元，用于根据每个节点在多个节点链中出现的频率构建哈夫曼树，并基于哈夫曼树确定每个节点的向量表示方式，得到节点向量；

拼接单元，用于将不同类型人物关系网络中相同节点的节点向量进行拼接，拼接后得到带有节点向量信息的矩阵；

学习单元，用于通过深度卷积神经网络对拼接后的带有节点向量信息的矩阵进行学习，得到特征向量信息。