基于知识图谱的司法案件可视化研究与实现

针对司法领域办案过程中所需知识分散、不完备、查询不便等问题,通过对收集到的司法案件进行分析归纳总结,首先采用哈工大的LTP语言技术平台对司法案件文本进行分词、词性标注及命名实体识别等处理,接着通过依存句法分析算法从处理过的文本中抽取出实体间的语义关系并存储为三元组的形式,然后将三元组形式的数据信息录入到Neo4j图数据库,利用Neo4j实现司法案件知识图谱的构建并对其进行可视化展示。最后以实例证明了该方法的可行性。

基于深度学习的法院信息文本分类

为解决在法院数据信息化过程中,海量的法院文书存在缺乏自动管理分类的问题,提出一种基于字符级卷积神经网络的文本分类模型。模型通过卷积神经网络进行特征提取,能够精确有效地解决文本分类问题。实验结果证明,该模型可以实现在测试集上准确率99.67%的分类,且训练用时只有常用循环神经网络算法的50%。

输电线路故障分析多分类模型研究及应用

为了有效而准确地分析智能电网中输电线路故障和寻找诱发故障的主要因素,研发了基于二叉树的核密度逻辑回归多分类模型,以解决输电线路不对称故障分析的问题。该模型根据Nadaraya-Watson密度估计将训练数据映射到了特定的特征空间,根据二叉树结构特点将多个DLR模型组合成一个具有多分类能力的二叉树,并加以优化。实验结果表明,基于MCDLR的分类结果在准确率上和分类时间上明显优于已有的传统的多分类算法。