申请/专利权人：神思电子技术股份有限公司

申请日：2023-12-22

公开（公告）日：2024-03-29

公开（公告）号：CN117786124A

主分类号：G06F16/36

分类号：G06F16/36;G06N3/042;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.16#实质审查的生效;2024.03.29#公开

摘要：一种基于GNN策略空间强化的舆情事件处置人推荐方法，涉及知识图谱技术领域，根据舆情事件知识图谱结构特点，构造多阶正负样本对及邻接矩阵样本，采用图神经网络推荐模型对事件的处理人进行推荐。在构造待处理事件的邻接矩阵时，根据其与其它事件的语义相关度，生成同一事件的多个推荐结果，对推荐结果进行人类标注排序，采用对比学习损失函数训练奖励模型。结合奖励模型生成的推荐结果价值分数，融合三元组损失、PPO损失、价值损失等损失函数，对推荐模型的策略空间进行优化，使推荐结果更加符合人类意图。

主权项：1.一种基于GNN策略空间强化的舆情事件处置人推荐方法，其特征在于，包括如下步骤：a根据政务系统构建基于历史信息的知识图谱gV,ε，其中V为节点集合，ε为边集合，节点集合V中包括事件节点、属性节点和处置人节点；b将节点集合V中第v个节点的文字信息转化为文本特征向量，得到第v个节点初始特征向量xv，c将到第v个节点经过K层聚合操作，得到特征向量d训练图神经网络，得到推荐模型Init-Graph-Model；e将一事件节点输入到推荐模型Init-Graph-Model中得到该事件节点的特征向量e，计算该事件节点与各个处置人节点特征向量之间的余弦距离，选择Q个处置人节点的特征向量{y1,y2,...,yi,...,yj,…,yQ}，yi为第i个处置人节点的特征向量，yj为第i个处置人节点的特征向量，i∈{1,…,Q}，j∈{1,…,Q}，i≠j；f训练奖励模型，得到训练后的奖励模型Init-Reward-Model；g采用联合训练的方式训练推荐模型Init-Graph-Model，得到推荐模型Active-Graph-Model,采用联合训练的方式训练奖励模型Init-Reward-Model，得到奖励模型Active-Reward-Model；h在知识图谱中加入新的事件节点u″，得到知识图谱gV′,ε′，重复执行步骤b至步骤c得到节点集合V′中事件节点u″的特征向量将特征向量输入到推荐模型Active-Graph-Model中，计算事件节点u″与各个处置人节点特征向量之间的余弦距离，得到推荐处置人排序。

全文数据：

权利要求：

百度查询： 神思电子技术股份有限公司 一种基于GNN策略空间强化的舆情事件处置人推荐方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD