罪犯改造质量评估系统的子训练集处理方法.pdf

《罪犯改造质量评估系统的子训练集处理方法.pdf》由会员分享，可在线阅读，更多相关《罪犯改造质量评估系统的子训练集处理方法.pdf（15页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010669844.0 (22)申请日 2020.07.13 (71)申请人 江苏怀业信息技术股份有限公司 地址 213017 江苏省常州市天宁区青洋北 路11号 申请人 南京大学 江苏怀业安全科技有限公司 (72)发明人 黄文海狄小华杨剑陆浩 (74)专利代理机构 北京华际知识产权代理有限 公司 11676 代理人 李帅 (51)Int.Cl. G06Q 10/06(2012.01) G06Q 50/26(2012.01) G06K 9/62(2006.01) G06N 。

2、20/00(2019.01) (54)发明名称 一种罪犯改造质量评估系统的子训练集处 理方法 (57)摘要 本发明公开了一种罪犯改造质量评估系统 的子训练集处理方法， 涉及罪犯改造评估技术领 域， 所述罪犯改造质量评估系统由若干个子模型 组成， 若干个所述子模型利用子训练集进行训 练， 训练后的子模型组成罪犯改造质量评估系 统； 本发明科学合理， 使用安全方便， 本发明通过 对罪犯改造质量评估系统中子模型的子训练集 进行处理， 使得子训练集中的正例和反例的数量 趋于相等， 使得通过子训练集训练之后的子模型 在对输入样例进行评估时不会存在偏见， 弱化了 罪犯改造质量评估系统的评估成本不对称的问 。

3、题。 权利要求书2页 说明书9页 附图3页 CN 111832941 A 2020.10.27 CN 111832941 A 1.一种罪犯改造质量评估系统的子训练集处理方法， 其特征在于： 所述罪犯改造质量 评估系统由若干个子模型组成， 若干个所述子模型利用子训练集进行训练， 训练后的子模 型组成罪犯改造质量评估系统； 所述子训练集处理方法包括以下步骤： S1、 对原始训练集进行正例和反例的分解， 得到正例子集DP和反例子集DN； S2、 将S1输出的正例子集DP和反例子集DN输入比例计算模块， 所述比例计算模块输出反 例子集DN与正例子集DP中反例数量与正例数量的比值； S3、 判断S2中输。

4、出的反例子集DN与正例子集DP中反例数量与正例数量的比值是否大于 设定阈值； S4、 对正例子集DP和反例子集DN中的样例进行抽样， 得到抽样正例子集DP和抽样反例 子集DN； S5、 对S4中抽样之后的抽样正例子集DP和抽样反例子集DN进行合并， 得到子训练集。 2.根据权利要求1所述的一种罪犯改造质量评估系统的子训练集处理方法， 其特征在 于： 在S1中： 所述原始训练集为D(x1， y1)， (x2， y2)， ， (xd， yd)， 其中， (xi， yi)表示原始训练集D 中的第i个样例， xi表示第i个样例的特征值集， yi表示第i个样例上的标签， yi合格， 不合 格， d|D|。

5、， |D|表示原始训练集D的大小； 所述原始训练集D中的标签yi为 “合格” 和 “不合格” 的样例(xi， yi)分别定义为正例和反 例； 原始训练集D分解之后仅包含正例的子集为正例子集DP， 原始训练集D分解之后仅包含 反例的子集为反例子集DN， 则： DPDND， 所述正例子集DP中包含的正例数量为m+， 则m+| DP|， 所述反例子集DN中包含的反例数量为m-， 则m-|DN|。 3.根据权利要求2所述的一种罪犯改造质量评估系统的子训练集处理方法， 其特征在 于： 在S2中： 所述比例计算模块根据S1中原始训练集D分解之后的正例子集DP中的正例数量m+和S1 中原始训练集D分解之后的。

6、反例子集DN中的反例数量m-计算原始训练集D中反例数量m-与正 例数量m+的比例， 即 4.根据权利要求3所述的一种罪犯改造质量评估系统的子训练集处理方法， 其特征在 于： 在S3-S4中： 当时， 对S1输出的正例子集DP中的正例和反例子集DN中的反例进行抽样， 得到 抽样正例子集DP， 其中， DPsample(DP， m+)， 得到抽样反例子集DN， 其中， DNsample (DN， m+*X)； 当时， 对S1输出的正例子集DP中的正例和反例子集DN中的反例进行抽样， 得到 抽样正例子集DP， 其中， DPsample(DP， m+)， 得到抽样反例子集DN， 其中， DNsampl。

7、e (DN， m-)； 其中， t表示设定的比例阈值， sample表示从指定的集合中随机抽取指定数量的样例， X 权利要求书 1/2 页 2 CN 111832941 A 2 表示放大的倍数。 5.根据权利要求4所述的一种罪犯改造质量评估系统的子训练集处理方法， 其特征在 于： 在S5中： 进行抽样正例子集DP和抽样反例子集DN的合并， 得到D DNDP， 其中， D 表示包含 抽样正例子集DP和抽样反例子集DN的子训练集。 6.根据权利要求5所述的一种罪犯改造质量评估系统的子训练集处理方法， 其特征在 于： 若干个所述子训练集分别对若干个子模型进行训练， 若干个所述子模型组成罪犯改造 质量。

8、评估系统。 7.根据权利要求6所述的一种罪犯改造质量评估系统的子训练集处理方法， 其特征在 于： 若干个所述子训练集组成罪犯改造质量评估系统的训练集D D1， D2， D3， .， D s， 其中， s表示子模型的数量， Di表示罪犯改造质量评估系统第i个子模型的子训练集， 8.根据权利要求7所述的一种罪犯改造质量评估系统的子训练集处理方法， 其特征在 于： 若干个所述子模型分别接收同一组输入样例， 针对该组输入样例中的每个样例， 各个子 模型基于各自的特征集从中提取出相应的特征值集， 基于各自提取到的特征值集进行改造 质量评估， 输出若干个等级分布概率， 所述罪犯改造质量评估系统对若干个等级。

9、分布概率 求平均值， 得到最终等级分布概率。 权利要求书 2/2 页 3 CN 111832941 A 3 一种罪犯改造质量评估系统的子训练集处理方法 技术领域 0001 本发明涉及罪犯改造评估技术领域， 具体是一种罪犯改造质量评估系统的子训练 集处理方法。 背景技术 0002 罪犯改造质量评估模型的预测结果的准确性最终的判断准绳是罪犯在改造结束 后的一定时间内(比如3年)是否再犯罪。 把一个本来改造质量合格的预测为不合格和把一 个本来改造质量不合格的预测为合格都是误判。 但是， 由于罪犯改造质量评估系统的运用 领域是司法领域， 不同的误判会产生不同的社会成本， 会对社会造成不同的负担， 因此。

10、， 如 何提高罪犯改造质量评估系统评估结果的准确性成为了急需解决的问题； 0003 所以， 人们急需一种罪犯改造质量评估系统的子训练集处理方法来解决上述问 题。 发明内容 0004 本发明的目的在于提供一种罪犯改造质量评估系统的子训练集处理方法， 以解决 现有技术中提出的问题。 0005 为实现上述目的， 本发明提供如下技术方案： 一种罪犯改造质量评估系统的子训 练集处理方法， 所述罪犯改造质量评估系统由若干个子模型组成， 若干个所述子模型利用 子训练集进行训练， 训练后的子模型组成罪犯改造质量评估系统； 0006 所述子训练集处理方法包括以下步骤： 0007 S1、 对原始训练集进行正例和反。

11、例的分解， 得到正例子集D和反例子集DN； 0008 S2、 将S1输出的正例子集DP和反例子集DN输入比例计算模块， 所述比例计算模块输 出反例子集DN与正例子集DP中反例数量与正例数量的比值； 0009 S3、 判断S2中输出的反例子集DN与正例子集DP中反例数量与正例数量的比值是否 大于设定阈值； 0010 S4、 对正例子集DP和反例子集DN中的样例进行抽样， 得到抽样正例子集DP和抽样 反例子集DN； 0011 S5、 对S4中抽样之后的抽样正例子集DP和抽样反例子集DN进行合并， 得到子训练 集。 0012 根据上述技术方案， 在S1中： 0013 所述原始训练集为D(x1,y1)。

12、,(x2,y2),(xd,yd)， 其中， (xi,yi)表示原始训练 集D中的第i个样例， xi表示第i个样例的特征值集， 所述特征值集xi可以是为了钱财、 为了报 复、 为了朋友、 恶作剧等， yi表示第i个样例上的标签， yi合格， 不合格， d|D|， |D|表示 原始训练集D的大小； 0014 所述原始训练集D中的标签yi为 “合格” 和 “不合格” 的样例(xi,yi)分别定义为正例 和反例； 说明书 1/9 页 4 CN 111832941 A 4 0015 原始训练集D分解之后仅包含正例的子集为正例子集DP， 原始训练集D分解之后仅 包含反例的子集为反例子集DN， 则： DPD。

13、ND， 所述正例子集DP中包含的正例数量为m+， 则m+ |DP|， 所述反例子集DN中包含的反例数量为m-， 则m-|DN|。 0016 根据上述技术方案， 在S2中： 0017 所述比例计算模块根据S1中原始训练集D分解之后的正例子集DP中的正例数量m+ 和S1中原始训练集D分解之后的反例子集DN中的反例数量m-计算原始训练集D中反例数量m- 与正例数量m+的比例， 即 0018 根据上述技术方案， 在S3-S4中： 0019当时， 对S1输出的正例子集DP中的正例和反例子集DN中的反例进行抽样， 得到抽样正例子集DP， 其中， DPsample(DP， m+)， 得到抽样反例子集DN， 。

14、其中， DN sample(DN， m+*X)； 0020 即从正例子集DP中抽取m+数量的正例， 形成抽样正例子集DP， 从反例子集DN中抽 取m+*X数量的反例， 形成抽样反例子集DN； 0021当时， 对S1输出的正例子集DP中的正例和反例子集DN中的反例进行抽样， 得到抽样正例子集DP， 其中， DPsample(DP， m+)， 得到抽样反例子集DN， 其中， DN sample(DN， m-)； 0022 即从正例子集DP中抽取m+数量的正例， 形成抽样正例子集DP， 从反例子集DN中抽 取m-数量的反例， 形成抽样反例子集DN； 0023 其中， t表示设定的比例阈值， samp。

15、le表示从指定的集合中随机抽取指定数量的样 例， X表示放大的倍数。 0024 罪犯改造质量评估系统的评估结果的准确性最终的判断准绳是罪犯在改造结束 后的一定时间内(比如3年)是否再犯罪。 把一个本来改造质量合格的罪犯评估为不合格和 把一个本来改造质量不合格的罪犯评估为合格都是误判。 由于罪犯改造质量评估系统的运 用领域是司法领域， 不同的误判会产生不同的社会成本： 将一个原本改造质量合格的罪犯 误判为不合格， 其社会成本就是多占用了一些社会资源(罪犯改造相关的资源， 本来他可能 可以到社会上服刑)， 但是把一个原本改造质量不合格的罪犯误判为合格， 那么若据此将该 罪犯放入到社会服刑， 其再犯。

16、罪可能造成对社会的巨大伤害， 其社会成本较前者误判要大！ 以上问题就是罪犯改造质量评估系统评估成本不对称的问题。 0025 根据上述技术方案， 在S5中： 0026 进行抽样正例子集DP和抽样反例子集DN的合并， 得到D DNDP， 其中， D 表 示包含抽样正例子集DP和抽样反例子集DN的子训练集。 0027 如果不对子训练集进行处理， 罪犯改造质量评估系统会倾向于将更多的输入样例 评估为子训练集中个数较多的样例所代表的类别。 这会加剧罪犯改造质量评估系统评估成 本不对称问题的影响。 0028 根据上述技术方案， 若干个所述子训练集分别对若干个子模型进行训练， 若干个 所述子模型组成罪犯改造。

17、质量评估系统， 若干个所述子训练集均通过子训练集处理方法进 行了处理， 使得若干个子训练集中的正例和反例的数量趋于一致， 使得训练之后的子模型 说明书 2/9 页 5 CN 111832941 A 5 不会存在偏见， 避免了罪犯改造质量评估系统评估成本不对称的问题。 0029 本方法中的各个子模型， 其训练所使用的特征集不尽相同， 即每个子模型的训练 所使用的特征集可能仅仅覆盖全指标集中的部分指标。 这样， 多个子模型聚集在一起就形 成了多样化的罪犯改造质量评估系统。 0030 根据上述技术方案， 若干个所述子训练集组成罪犯改造质量评估系统的训练集D D1， D2， D3， .， Ds， 其中。

18、， s表示子模型的数量， Di表示罪犯改造质量评估系统第i个 子模型的子训练集， 0031 根据上述技术方案， 若干个所述子模型分别接收同一组输入样例， 针对该组输入 样例中的每个样例， 各个子模型会基于各自的特征集从中提取出相应的特征值集， 并基于 各自提取到的特征值集进行改造质量评估， 输出若干个等级分布概率， 所述罪犯改造质量 评估系统对若干个等级分布概率求平均值， 得到最终等级分布概率。 0032 与现有技术相比， 本发明的有益效果是： 本发明通过对罪犯改造质量评估系统中 子模型的子训练集进行处理， 使得子训练集中的正例和反例的数量趋于相等， 使得通过子 训练集训练之后的子模型在对输入。

19、样例进行评估时不会存在偏见， 弱化了了罪犯改造质量 评估系统的评估成本不对称的问题， 并且， 不同的子模型在对输入样例进行评估时的特征 值集也是不相同的， 使得可以以多个子模型输出的等级分布概率求平均值的方式作为最终 的等级分布概率， 使得评估结果更加的客观。 附图说明 0033 图1为本发明一种罪犯改造质量评估系统的子训练集处理方法的处理流程示意 图； 0034 图2为本发明一种罪犯改造质量评估系统的子训练集处理方法的子模型训练示意 图； 0035 图3为本发明一种罪犯改造质量评估系统的子训练集处理方法的子模型评估示意 图； 0036 图4为本发明一种罪犯改造质量评估系统的子训练集处理方法的。

20、罪犯改造质量评 估系统评估原理示意图。 具体实施方式 0037 下面将结合本发明实施例中的附图， 对本发明实施例中的技术方案进行清楚、 完 整地描述， 显然， 所描述的实施例仅仅是本发明一部分实施例， 而不是全部的实施例。 基于 本发明中的实施例， 本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他 实施例， 都属于本发明保护的范围。 0038 实施例： 如图13所示， 一种罪犯改造质量评估系统的子训练集处理方法， 所述罪 犯改造质量评估系统由若干个子模型组成， 若干个所述子模型利用子训练集进行训练， 训 练后的子模型组成罪犯改造质量评估系统； 0039 所述子训练集处理方法包括以下。

21、步骤： 0040 S1、 对原始训练集进行正例和反例的分解， 得到正例子集DP和反例子集DN； 0041 所述原始训练集为D(x1,y1),(x2,y2),(xd,yd)， 其中， (xi,yi)表示原始训练 说明书 3/9 页 6 CN 111832941 A 6 集D中的第i个样例， xi表示第i个样例的特征值集， 所述特征值集xi可以是为了钱财、 为了报 复、 为了朋友、 恶作剧等， yi表示第i个样例上的标签， yi合格， 不合格， d|D|， |D|表示 原始训练集D的大小； 0042 所述原始训练集D中的标签yi为 “合格” 和 “不合格” 的样例(xi,yi)分别定义为正例 和反。

22、例； 0043 原始训练集D分解之后仅包含正例的子集为正例子集DP， 原始训练集D分解之后仅 包含反例的子集为反例子集DN， 则： DPDND， 所述正例子集DP中包含的正例数量为m+， 则m+ |DP|， 所述反例子集DN中包含的反例数量为m-， 则m-|DN|。 0044 S2、 将S1输出的正例子集DP和反例子集DN输入比例计算模块， 所述比例计算模块输 出反例子集DN与正例子集DP中反例数量与正例数量的比值； 0045 所述比例计算模块根据S1中原始训练集D分解之后的正例子集DP中的正例数量m+ 和S1中原始训练集D分解之后的反例子集DN中的反例数量m-计算原始训练集D中反例数量m- 。

23、与正例数量m+的比例， 即 0046 S3、 判断S2中输出的反例子集DN与正例子集DP中反例数量与正例数量的比值是否 大于设定阈值； 0047 S4、 对正例子集DP和反例子集DN中的样例进行抽样， 得到抽样正例子集DP和抽样 反例子集DN； 0048当时， 对S1输出的正例子集DP中的正例和反例子集DN中的反例进行抽样， 得到抽样正例子集DP， 其中， DPsample(DP， m+)， 得到抽样反例子集DN， 其中， DN sample(DN， m+*X)； 0049 即从正例子集DP中抽取m+数量的正例， 形成抽样正例子集DP， 从反例子集DN中抽 取m+*X数量的反例， 形成抽样反例。

24、子集DN； 0050当时， 对S1输出的正例子集DP中的正例和反例子集DN中的反例进行抽样， 得到抽样正例子集DP， 其中， DPsample(DP， m+)， 得到抽样反例子集DN， 其中， DN sample(DN， m-)； 0051 即从正例子集DP中抽取m+数量的正例， 形成抽样正例子集DP， 从反例子集DN中抽 取m-数量的反例， 形成抽样反例子集DN； 0052 其中， t表示设定的比例阈值， sample表示从指定的集合中随机抽取指定数量的样 例， X表示放大的倍数。 0053 罪犯改造质量评估系统的评估结果的准确性最终的判断准绳是罪犯在改造结束 后的一定时间内(比如3年)是否。

25、再犯罪。 把一个本来改造质量合格的罪犯评估为不合格和 把一个本来改造质量不合格的罪犯评估为合格都是误判。 由于罪犯改造质量评估系统的运 用领域是司法领域， 不同的误判会产生不同的社会成本： 将一个原本改造质量合格的罪犯 误判为不合格， 其社会成本就是多占用了一些社会资源(罪犯改造相关的资源， 本来他可能 可以到社会上服刑)， 但是把一个原本改造质量不合格的罪犯误判为合格， 那么若据此将该 罪犯放入到社会服刑， 其再犯罪可能造成对社会的巨大伤害， 其社会成本较前者误判要大！ 0054 S5、 对S4中抽样之后的抽样正例子集DP和抽样反例子集D 进行合并， 得到子训练 说明书 4/9 页 7 CN。

26、 111832941 A 7 集。 0055 进行抽样正例子集DP和抽样反例子集DN的合并， 得到D DNDP， 其中， D 表 示包含抽样正例子集DP和抽样反例子集DN的子训练集。 0056 如果不对子训练集进行处理， 罪犯改造质量评估系统会倾向于将更多的输入样例 评估为子训练集中个数较多的样例所代表的类别。 这会加剧罪犯改造质量评估系统评估成 本不对称问题的影响。 0057 若干个所述子训练集分别对若干个子模型进行训练， 若干个所述子模型组成罪犯 改造质量评估系统， 若干个所述子训练集均通过子训练集处理方法进行了处理， 使得若干 个子训练集中的正例和反例的数量趋于一致， 使得训练之后的子模。

27、型不会存在偏见， 避免 了罪犯改造质量评估系统评估成本不对称的问题。 0058 若干个所述子训练集组成罪犯改造质量评估系统的训练集D D1， D2， D 3， .， Ds， 其中， s表示子模型的数量， Di表示罪犯改造质量评估系统第i个子模型的子 训练集， 0059 若干个所述子模型分别接收同一组输入样例， 针对该组输入样例中的每个样例， 各个子模型会基于各自的特征集从中提取出相应的特征值集， 并基于各自提取到的特征值 集进行改造质量评估， 输出若干个等级分布概率， 所述罪犯改造质量评估系统对若干个等 级分布概率求平均值， 得到最终等级分布概率。 0060 如图4所示， 对于罪犯改造质量评估。

28、系统的评估过程如下： 0061 一种基于机器学习的罪犯改造质量评估系统， 该系统包括输入模块、 编码模块、 降 纬模块、 指标变化表征计算模块、 最终特征生成模块、 概率计算模块和输出模块； 0062 T1、 所述输入模块用于接受样例的输入， 对样例进行整合并输出源动态指标值序 列、 对比动态指标值序列和静态指标值序列； 0063 所述源动态指标值序列和对比动态指标值序列统称为动态指标值序列； 0064 所述源动态指标值序列是指在一个时间点针对某个罪犯所收集的该罪犯的所有 动态指标的指标值， 例如： 入狱一个月时的认罪态度、 思想表现、 学习情况、 生产劳动、 遵章 守纪等； 0065 所述对。

29、比动态指标值序列是指在另一个时间点对某个罪犯所收集的该罪犯的所 有动态指标的指标值， 例如： 入狱七个月时的认罪态度、 思想表现、 学习情况、 生产劳动、 遵 章守纪等； 0066 所述静态指标值序列是指该罪犯不可变指标的指标值， 例如： 抚养方式(主要由谁 带大的)、 受到(难以忘记的)虐待、 中止学业、 初犯年龄、 再犯年龄、 犯罪次数等。 0067 T2、 所述编码模块包括编码模块一、 编码模块二和编码模块三； 0068 T201、 所述编码模块一将T1输出的源动态指标值序列编码为向量， 得到源动态指 标向量； 0069 T202、 所述编码模块二将T1输出的对比动态指标值序列编码为向量。

30、， 得到对比动 态指标向量； 0070 T203、 所述编码模块三将T1输出的静态指标值序列编码为向量， 得到静态指标向 量； 0071 因为罪犯改造质量评估系统是基于神经网络模型的， 其直接输入只能是向量， 所 说明书 5/9 页 8 CN 111832941 A 8 以， 需要对T1输出的源动态指标值序列、 对比动态指标值序列和静态指标值序列进行编码， 得到源动态指标向量、 对比动态指标向量和静态指标向量， 使得罪犯改造质量评估系统可 以对T1输入的样例进行评估， 可以对罪犯的改造质量进行预测。 0072 所述编码模块对T1输出的源动态指标值序列、 对比动态指标值序列和静态指标值 序列进行。

31、编码时， T1输出的所述源动态指标值序列、 对比动态指标值序列和静态指标值序 列分为数值型数据和分类型数据： 0073 所述数值型数据无需编码； 0074 所述分类型数据包括单选型和多选型： 0075 所述单选型使用one-hot encoding进行编码； 0076 所述多选型使用multi-hot encoding进行编码； 0077 T1输出的所述源动态指标值序列通过one-hot encoding和multi-hot encoding 中的至少一个进行编码， 得到源动态指标向量Vsrc， 所述源动态指标向量Vsrc利用以下公式 表示： 0078 Vsrc(xi1,xi2,.xim)； 。

32、0079 T1输出的所述对比动态指标值序列通过one-hot encoding和multi-hot encoding中的至少一个进行编码， 得到对比动态指标向量Vcmp， 所述对比动态指标向量Vcmp 利用以下公式表示； 0080 Vcmp(xj1,xj2,.xjm)； 0081 其中， m为T1输出的源动态指标值序列和对比动态指标值序列的大小， xim表示某罪 犯在源时间点在第m个源动态指标上的取值所对应的编码值， xjm表示某罪犯在对比时间点 在第m个对比动态指标上的取值所对应的编码值； 0082 所述静态指标值应用one-hot encoding和multi-hot encoding中的。

33、至少一个进 行编码， 得到静态指标向量Vst。 0083 T3、 所述降纬模块分别对T201输出的源动态指标向量和T202输出的对比动态指标 向量进行降纬， 获得源动态指标紧凑向量和对比动态指标紧凑向量； 0084 所述降纬模块包括降纬模块一和降纬模块二； 0085 所述降纬模块一和降纬模块二分别对T201输出的源动态指标向量Vsrc和T202输出 的对比动态指标向量Vcmp进行降纬处理得到： 0086 Vsrc DimReduce(Vsrc)； 0087 Vcmp DimReduce(Vcmp)； 0088 其中， Vsrc 和Vcmp 分别表示源动态指标向量Vsrc和对比动态指标向量Vcm。

34、p降纬之后 输出的源动态指标紧凑向量和对比动态指标紧凑向量， DimReduce表示降维算法。 0089 因为T1输出的源动态指标值序列和对比动态指标值序列绝大多数都是分类型数 据， 这些数据经过T2中的编码模块编码之后转换为罪犯改造质量评估系统能够直接处理的 源动态指标向量和对比动态指标向量， 源动态指标向量和对比动态指标向量的纬度相比于 原始的源动态指标值序列和对比动态指标值序列会扩大， 另外， 对罪犯的改造质量评估的 一个重要手段是对罪犯在两个时间段内的源动态指标值序列和对比动态指标值序列进行 比较， 源动态指标值序列和对比动态指标值序列分别表示同一个罪犯在一个时间点(源时 间点)和另外。

35、一个时间点(对比时间点)在相应动态指标上的指标值， 但是源动态指标值序 说明书 6/9 页 9 CN 111832941 A 9 列和对比动态指标值序列会进一步加剧T2输出的源动态指标向量和对比动态指标向量的 纬度， 因此， 对源动态指标向量和对比动态指标向量进行绛纬显得尤为重要。 0090 所述降纬模块对源动态指标向量Vsrc和对比动态指标向量Vcmp进行降纬的降纬算 法DimReduce如下， T2输出的源动态指标向量Vsrc和对比动态指标向量Vcmp均用输入向量Vd 表示： 0091 T301、 为了避免产生过拟合的风险， 对输入向量Vd加入噪音， 得到向量Vdn； 0092 T302、。

36、 将T301输出的向量Vdn输入T3中降纬模块的编码层来抽取向量Vdn中包含的 抽象特征， 得到T301中输入的输入向量Vd的紧凑向量Vd ； 0093 T303、 将T302输出的紧凑向量Vd 输入T3中降纬模块的解码层来对紧凑向量Vd 进 行解码得到输入向量Vd的近似向量Vd， 所述近似向量Vd为输入向量Vd的低纬表示。 0094 通过使用Mean Squared Root Error作为损失函数来使优化器逐步减少Vd和Vd之 间的距离， 我们便可以得到该神经网络的参数， 这些参数会使得Vd 成为Vd的低纬表示， 通过 获取网络结构中的结点 “compact_encoding_0” 的输出。

37、我们就可以得到Vd 。 0095 所述降纬模块为自动编码器， 所述自动编码器是一种监督式学习。 0096 T301中的过拟合是指： 系统在训练阶段没能找到训练集中的数据所隐含的规律、 知识， 而仅仅是对这些数据进行了记忆， 使得其使用新的数据进行预测(评估改造质量)时 表现欠佳。 0097 T301中的噪音是指： 在利用训练数据集对罪犯改造质量评估系统进行训练时， 加 入干扰数据， 使得罪犯改造质量评估系统自动对干扰项进行排除， 使得罪犯改造质量评估 系统可以寻找到需要评估的数据之间的规律， 使得罪犯改造质量评估系统可以对训练数据 集之外的数据进行准确的评估。 0098 T4、 所述指标变化表。

38、征计算模块计算T2输出的源动态指标紧凑向量和对比动态指 标紧凑向量， 得出余弦相似度标量、 欧氏距离标量和方向余弦向量； 所述余弦相似度标量和 欧氏距离标量用于衡量动态指标的变化情况， 用不同标量反应源动态指标和对比动态指标 的相似程度， 标量只反应大小， 增加方向余弦向量表示变化的方向， 用于反映罪犯改造变好 或者恶化； 变化大小和变化方向共同反映了罪犯改造质量情况。 0099 所述指标变化表征计算模块输出的余弦相似度标量为T3输出的源动态指标紧凑 向量Vsrc 和对比动态指标紧凑向量Vcmp 之间的余弦相似度， 用于反映T1输出的源动态指标 值序列与对比动态指标值序列之间的变化情况； 01。

39、00 所述指标变化表征计算模块输出的欧氏距离标量为T3输出的对比动态指标紧凑 向量Vcmp 和源动态指标紧凑向量Vsrc 之间的欧氏距离， 用于反映T1输出的源动态指标值序 列与对比动态指标值序列之间的变化情况； 0101 T4输出的所述余弦相似度标量和欧氏距离标量都是为了反映罪犯改造质量变化 的情况， 而罪犯改造质量变化的情况可以是变好或者恶化； 0102 所述指标变化表征计算模块输出的方向余弦向量为T3输出的对比动态指标紧凑 向量Vcmp 和源动态指标紧凑向量Vsrc 之间差向量的方向余弦， 用于反映T1输出的源动态指 标值序列与对比动态指标值序列之间的变化情况， 即用于反映罪犯改造质量向。

40、着变好的方 向变化或者向着恶化的方向变化。 0103 所述指标变化表征计算模块对其自身输出的余弦相似度标量进行计算时， 根据下 说明书 7/9 页 10 CN 111832941 A 10 列公式表示T1输出的源动态指标值序列与对比动态指标值序列之间的余弦相似度标量： 0104 0105 其中， 表示Vsrc 和Vcmp 在潜在空间中的夹角； 0106 所述指标变化表征计算模块为了产生其输出的欧氏距离标量和方向余弦向量而 进行的计算包括以下步骤： 0107 T401、 根据公式计算源动态指标紧凑向量Vsrc 与对比动态指标紧凑向量Vcmp 之间 的差向量： 0108 0109其中，表示源动态指。

41、标紧凑向量Vsrc 与对比动态指标紧凑向量Vcmp 之间的 差向量， 它反应了T1输出的源动态指标值序列与对比动态指标值序列之间的变化情况； 0110 T402、 在T401基础上计算输出的欧氏距离标量， 其计算公式为： 0111 0112其中，表示欧氏距离标量， 也就是的模， 所述欧氏距离标量表示在低 纬潜在空间中T1输出的源动态指标值序列与对比动态指标值序列之间变化的情况， di表示 中的每个分量， n表示中分量的个数； 0113T403、 在T401输出的差向量和T402输出的欧氏距离标量的基础上 计算T4输出的方向余弦向量， 其计算公式为： 0114 0115其中， 表示方向余弦向量，。

42、 它表示源动态指标值序列与对比动态指标值序列之 间的变化情况。 0116 T5、 所述最终特征生成模块用于将T203输出的静态指标向量和T4输出的余弦相似 度标量、 欧氏距离标量和方向余弦向量合并成一个最终特征向量； T1-T5用于实现对输入样 例的特征提取。 0117 所述最终特征生成模块将T203输出的静态指标向量Vst与T4输出的余弦相似度标 量欧氏距离标量和方向余弦向量 合并成最终特征向量Vfina。 0118 T6、 所述概率计算模块将T5输出的最终特征向量进行分布概率计算， 最终得出罪 犯改造质量等级分布概率， 罪犯改造质量等级分布概率为罪犯改造质量为 “不合格” 或者 说明书 8。

43、/9 页 11 CN 111832941 A 11 “合格” 分别对应的概率； 0119 所述概率计算模块根据最终特征向量Vfinal计算出相应的改造质量评估等级的分 布概率， 该模块使用多层感知器来计算改造质量评估等级的分布概率。 0120 T7、 所述输出模块用于将T6输出的改造质量等级分布概率依照JSON格式组织起来 并作为系统的输出。 0121 对于本领域技术人员而言， 显然本发明不限于上述示范性实施例的细节， 而且在 不背离本发明的精神或基本特征的情况下， 能够以其他的具体形式实现本发明。 因此， 无论 从哪一点来看， 均应将实施例看作是示范性的， 而且是非限制性的， 本发明的范围由所附权 利要求而不是上述说明限定， 因此旨在将落在权利要求的等同要件的含义和范围内的所有 变化囊括在本发明内。 不应将权利要求中的任何附图标记视为限制所涉及的权利要求。 说明书 9/9 页 12 CN 111832941 A 12 图1 图2 说明书附图 1/3 页 13 CN 111832941 A 13 图3 说明书附图 2/3 页 14 CN 111832941 A 14 图4 说明书附图 3/3 页 15 CN 111832941 A 15 。