[发明专利]一种基于多粒度信息融合的职务犯罪筛查系统及方法

权利要求书

1.一种基于多粒度信息融合的职务犯罪筛查系统，其特征在于，所述筛查系统包括数据采集服务器系统、数据存储服务器、中心计算服务器、网络通信服务器以及若干客户端；

所述数据采集服务器系统包括若干采集终端，所述若干采集终端共同采集涉案人员的多源数据信息；

所述数据存储服务器用于对所述数据采集服务器所采集到的多源数据信息分类存储；

所述中心计算服务器包括数据读写接口、数据融合模块、数据认知模块、数据相似度计算模块、数据推荐模块和数据通信模块；

所述数据读写接口通过物理介质与所述数据存储服务器进行接口通信，并与所述中心计算服务器的其他模块进行数据通信；

所述数据融合模块用于根据数据读写接口获取到的多源数据信息进行预处理后采用多粒度融合处理；

所述数据认知模块用于从多粒度融合后的融合特征中选取出低维向量，所述数据认知模块包括层级排列的多个数据特征层、激活函数计算模块以及分布函数模块；在满足分布函数模块所预设的分布函数下，按照所述激活函数计算模块所构建出的激活函数，逐层计算每个数据特征层的向量，直至计算出最后一层的低维向量；

其中，选取低维向量所采用的数据筛选函数定义如下：

r_n＝σ(w⁽¹⁾x_n+b⁽¹⁾)

第K-1层及第K层定义如下：

μ＝w₁^(K-1)r_n+b₁^(K-1),v＝w₂^(K-1)r_n+b₂^(K-1)

其中，r_n表示涉案人员的n个属性的向量的初始表示；表示涉案人员的n个属性在第k层的向量表示即涉案人员所学习到的低维向量；K为数据认知转换的层数总和；σ表示激活函数；μ代表服从案件数据的均值学习到的向量表示；ν代表一层根据案件数据方差学习到的向量表示；E表示预设的分布函数；w表示权重矩阵，即在深度学习过程中模型学习到的每个属性的权重值；b表示偏置向量；上标表示数据认知转换的层数，w^(k)表示第k层中多粒度融合处理后案件数据的属性的权重值；b^(k)表示第k层中多粒度融合处理后案件数据的偏置向量，/和/及/和/分别表示根据实际数据分布的均值和方差约束后的学习到的权重值和偏置值；

所述数据相似度计算模块用于对涉案人员及其密切人员按照选取后的融合特征进行相似度计算；

所述数据推荐模块用于对计算出相似度距离最近的K个密切人员进行推荐；

所述数据通信模块用于接收所述推荐模块所发出的K个密切人员信息，并上传至给网络通信服务器；

所述网络通信服务器用于传输所述中心计算服务器所计算出密切人员信息结果；

所述客户端用于从网络通信服务器接收所推荐出的密切人员信息结果或从所述数据存储服务器中查询特定的涉案人员信息以及与其相关人员的多源数据信息。

2.根据权利要求1所述的一种基于多粒度信息融合的职务犯罪筛查系统，其特征在于，所述数据融合模块包括多个子模块：

关系网络构建模块，用于构建出涉案人员的信息关系网络；

关系网络增删模块，用于在所述信息关系网络中添加各涉案人员之间的附加线索信息；

函数融合模块，用于根据信息关系网络和附加线索信息按照融合函数计算出涉案人员的融合特征。