(19)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 202211359353.1 (22)申请日 2022.11.02 (71)申请人 成都宏恒信息科技有限公司 地址 610000 四川省成 都市天府新区正兴 街道湖畔路北段269号1栋1单 元5楼 (72)发明人 王刚　彭保　 (74)专利代理 机构 四川域策汇智知识产权代理 有限公司 513 51 专利代理师 郭禾苗 (51)Int.Cl. G06Q 10/06(2012.01) G06Q 50/26(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于深度NLP的社区重点人员画 像分析方法 及装置 (57)摘要 本发明公开了基于深度NLP的社区重点人员 画像分析方法及装置， 包括： 采集社区重点人员 数据， 并对重点人员数据进行预处理； 采用 word2ve算法对所述重点人员数据进行数值化处 理； 将数值化处理后的数据输入至CNN模型中进 行特征提取； 将提取的特征数据输入至LSTM网络 中， 得到局部特征的长距离特征， 并经全连接层 输出分类的标签数据； 对分类的标签数据进行层 次分析法权重分配， 并求得人员个体的风险值； 求得任一重点人员的离群程度； 根据人员个体的 风险值和离群程度， 采用多 标签聚类算法进行重 点人员画像合成。 通过上述方案， 本发明具有逻 辑简单、 准确可靠等优点。 权利要求书3页 说明书7页 附图1页 CN 115409433 A 2022.11.29 CN 115409433 A 1.基于深度N LP的社区重点人员画像分析 方法， 其特 征在于， 包括以下步骤： 采集社区重点人员数据， 并对重点人员数据进行 预处理； 采用word2ve算法对所述重点人员数据进行 数值化处理； 将数值化处理后的数据输入至 CNN模型中进行 特征提取； 将提取的特征数据输入至LSTM网络中， 得到局部特征的长距离特征， 并经全连接层输 出分类的标签数据； 对分类的标签数据进行层次分析法权 重分配， 并求得 人员个体的风险值； 求得任一重点人员的离群程度； 根据人员个 体的风险值和离群程度， 采用多标签聚类算法进行重点人员画像合成。 2.根据权利要求1所述的基于深度NLP的社区重点人员画像分析方法， 其特征在于， 对 重点人员的数据的进 行预处理， 采用基于词典规则的中文分词方法对重点人员的数据进 行 处理。 3.根据权利要求1所述的基于深度NLP的社区重点人员画像分析方法， 其特征在于， 所 述人员个 体的风险值的表达式为： 其中， 表示个体的风险值； 表示标签的数量；  表示标签风险度； 表示标签对应的风险权 重。 4.根据权利要求3所述的基于深度NLP的社区重点人员画像分析方法， 其特征在于， 所 述风险权重采用以下步骤获取： 将数个标签作为输入， 并搭建层次结构模型； 构造判断矩阵； 对判断矩阵的任一列向量进行归一化后将任一行向量求和， 并进行归一化处理得到列 向量 ， 其表达式为： 其中，  表示构造的判断矩阵，  表示归一化的判断矩阵，  表示第 行第j列 的元素， 表示行数； 对列向量 的层次总排序， 求得第K层元 素相对于总目标的排序为： 权　利　要　求　书 1/3 页 2 CN 115409433 A 2其中， 表示第K层元素相对于第K ‑1层元素的排序；  表示K‑1层元素对总目标的 权重。 5.根据权利要求3所述的基于深度NLP的社区重点人员画像分析方法， 其特征在于， 所 述重点人员的离群程度的局部 离群因子的表达式为： 其中，  表示对于点 的第 距离， ； 表示距离领域点 的第 距离领域； 表示点 的局部可达密度； 表示点 的局部可达密度； 表示第 个标签的权重值； 表示第 个标签欧氏距离； 表示 和 两点之间的距离； 表示局部 离群因子 。 6.根据权利要求1所述的基于深度NLP的社区重点人员画像分析方法， 其特征在于， 根 据人员个 体的风险值和离群程度， 采用多标签聚类算法进行重点人员画像合成， 包括： 抽取人员个体的风险值和离群程度的标签， 并计算任一标签对应的用户人 数； 采用余弦相似度函数计算标签之间的相关性， 其表达式为： 其中， A和B表示标签； 表示A标签对应个体风险值与离群程度对应的 维向量； 表示B标签对应 个体风险值与离群程度对应的 维向量； 筛选出与每个A类标签相 关性最大的B类标签， 并将该A类标签归类到该B类标签， 最终 得到最终的用户画像。 7.一种基于深度N LP的社区重点人员画像分析装置， 其特 征在于， 包括： 数据采集预处 理模块， 采集社区重点人员数据， 并对重点人员数据进行 预处理； 数值化处理模块， 与数据采集预处理模块连接， 采用word2ve算法对所述重点人员数据 进行数值化处理； CNN模型， 与数值化处理模块连接， 将数值化处理后的数据输入至CNN模型中进行特征 提取； LSTM网络， 与CNN模型连接， 将提取的特征数据输入至LSTM网络中， 得到局部特征的长 距离特征， 并经全连接层输出分类的标签数据； 层次分析模块， 与LSTM 网络连接， 对分类的标签数据进行层次分析法权重分配， 并求得 人员个体的风险值；权　利　要　求　书 2/3 页 3 CN 115409433 A 3