基于图深度学习的金融犯罪证据要点识别模型

模型的研究报告，对模型的算法、架构、训练数据和测试数据及测试结果进行了详细说明。于图深度学习的金融犯罪证据要点识别模型中，基于拓扑结构的图神经网络识别技术构建包含证据要点的图结构数据，使用图表示学习进行证据要点的特征表示，对图的属性信息与结构信息进行编码学习；基于图结构数据和深度学习的识别技术，将证据要点相关的实体、关系和文本数据转化为图结构，利用图卷积神经网络GCN识别图结构中的关键节点，定位案件证据要点，注意力机制通过赋予不同证据不同的权重，使模型能够动态地调整对不同证据的关注程度。涵盖11个罪名，使用11个罪名案件卷宗数据进行模型训练及测试，证据要点平均识别准确率为87.71%。

搜集汇总

背景与挑战

背景概述

该数据集是一个基于图深度学习的模型，用于识别金融犯罪案件中的证据要点。它利用图卷积神经网络（GCN）和注意力机制处理图结构数据，覆盖11个罪名，在测试中实现了87.71%的平均识别准确率。