基于服刑人員行為特征集成學(xué)習(xí)模型的危險(xiǎn)傾向預(yù)測方法
【專利摘要】本發(fā)明涉及計(jì)算機(jī)智能信息處理中的大數(shù)據(jù)處理技術(shù)，尤其涉及基于服刑人員行為特征集成學(xué)習(xí)模型的危險(xiǎn)傾向預(yù)測方法，包括：采集服刑人員的監(jiān)測數(shù)據(jù)，對數(shù)據(jù)進(jìn)行預(yù)處理，對沒有極端行為傾向和存在具體極端行為傾向的數(shù)據(jù)進(jìn)行相應(yīng)的類別標(biāo)記；將有標(biāo)記的數(shù)據(jù)作為訓(xùn)練集，利用dispatching集成學(xué)習(xí)算法在訓(xùn)練集上訓(xùn)練得到一個(gè)由多個(gè)分類模型組成的集成學(xué)習(xí)模型。然后用該集成學(xué)習(xí)模型對未標(biāo)記類別的數(shù)據(jù)進(jìn)行預(yù)測、分類。本發(fā)明的有益效果在于：本發(fā)明的基于dispatching集成學(xué)習(xí)算法的預(yù)測方法通過生成多個(gè)有差別的分類模型并對它們的分類結(jié)果進(jìn)行融合，能夠克服只用一個(gè)分類模型時(shí)存在的穩(wěn)定性差的缺陷，分類精度高，分類穩(wěn)定性好，預(yù)警準(zhǔn)確度高。
【專利說明】基于服刑人員行為特征集成學(xué)習(xí)模型的危險(xiǎn)傾向預(yù)測方法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及計(jì)算機(jī)智能信息處理中的大數(shù)據(jù)處理技術(shù)，尤其涉及基于服刑人員行為特征集成學(xué)習(xí)模型的危險(xiǎn)傾向預(yù)測方法。

【背景技術(shù)】
[0002]隨著監(jiān)獄信息化的發(fā)展，建設(shè)了包括罪犯獄政管理系統(tǒng)、刑法執(zhí)行系統(tǒng)、生活衛(wèi)生系統(tǒng)、親情電話系統(tǒng)、會見管理系統(tǒng)、心理咨詢系統(tǒng)等一大批罪犯管理業(yè)務(wù)系統(tǒng)，以及包括視頻監(jiān)控系統(tǒng)、門禁系統(tǒng)、報(bào)警系統(tǒng)、數(shù)字電網(wǎng)、外來車輛人員進(jìn)出管理系統(tǒng)、應(yīng)急指揮輔助決策系統(tǒng)等一大批安全防范系統(tǒng)。這些系統(tǒng)的建設(shè)為監(jiān)獄獄情的收集、分析、研判提供了大量的、有效的基礎(chǔ)性數(shù)據(jù)。
[0003]在監(jiān)獄獄情分析過程中，一項(xiàng)關(guān)鍵任務(wù)是對服刑人員可能發(fā)生的極端行為傾向(如逃脫、自殺、施暴、破壞等)進(jìn)行分析預(yù)警，然而現(xiàn)在對以上提到的業(yè)務(wù)系統(tǒng)產(chǎn)生的數(shù)據(jù)還沒有進(jìn)行有效的處理和利用。目前在監(jiān)獄管理中只是提出簡單的罪犯分類的方法，即根據(jù)刑期對服刑人員做簡單的分類，并且對服刑人員可能發(fā)生的極端行為進(jìn)行分析預(yù)警時(shí)還存在一些不足之處。
[0004]對于現(xiàn)有的分類方法，還存在以下不足:(I)對服刑人員進(jìn)行分類時(shí)，沒有考慮到服刑人員可能存在的各種類型的極端行為傾向，如逃脫、自殺、施暴、破壞等。即對要進(jìn)行預(yù)測的類別沒有進(jìn)行細(xì)分，只是簡單的將服刑人員分為存在極端行為傾向、不存在極端行為傾向兩大類。如果對服刑人員預(yù)測出可能發(fā)生的具體極端行為傾向，能夠使監(jiān)獄管理層更有針對性的采取措施，以防范相應(yīng)極端行為的發(fā)生。(2)已有方法對服刑人員的分類嚴(yán)重依賴人工設(shè)計(jì)的指標(biāo)，方法的智能化程度還不高，沒有充分利用現(xiàn)有業(yè)務(wù)系統(tǒng)產(chǎn)生的大量數(shù)據(jù)來發(fā)現(xiàn)異常的服刑人員行為特征。另外，只使用設(shè)計(jì)得到的單一分類模型進(jìn)行分類，使得實(shí)際應(yīng)用中的分類效果完全依賴于所設(shè)計(jì)的分類模型。若該分類模型的預(yù)測性能較差，則會影響實(shí)際應(yīng)用中分類的準(zhǔn)確性和穩(wěn)定性，從而不能保證得到理想的分類精度和穩(wěn)定性。


【發(fā)明內(nèi)容】

[0005]本發(fā)明為克服上述的不足之處，目的在于提供基于服刑人員行為特征集成學(xué)習(xí)模型的危險(xiǎn)傾向預(yù)測方法，該方法通過集成多個(gè)分類模型來有效提高單個(gè)分類模型的分類精度及穩(wěn)定性。
[0006]本發(fā)明是通過以下技術(shù)方案達(dá)到上述目的:基于服刑人員行為特征集成學(xué)習(xí)模型的危險(xiǎn)傾向預(yù)測方法，具體包括以下步驟:
[0007]I)數(shù)據(jù)采集:采集服刑人員的檔案信息存入數(shù)據(jù)中心；將業(yè)務(wù)系統(tǒng)采集的信息輸送到數(shù)據(jù)中心；數(shù)據(jù)中心對接收到的信息進(jìn)行分類存儲；
[0008]2)數(shù)據(jù)預(yù)處理:調(diào)用數(shù)據(jù)中心分類存儲的數(shù)據(jù)，對所有服刑人員均構(gòu)建基礎(chǔ)特征項(xiàng)，對基礎(chǔ)特征項(xiàng)進(jìn)行數(shù)值化預(yù)處理，使每個(gè)服刑人員得到一個(gè)由若干屬性組成的元組；具有極端行為的服刑人員，根據(jù)極端行為類別在元組中標(biāo)記；
[0009]3)對預(yù)處理后的數(shù)據(jù)采用Dispatching集成學(xué)習(xí)算法生成集成學(xué)習(xí)模型并進(jìn)行服刑人員極端行為傾向預(yù)測，并根據(jù)預(yù)測結(jié)果進(jìn)行預(yù)警。
[0010]作為優(yōu)選，所述業(yè)務(wù)系統(tǒng)包括:會見系統(tǒng)、親情電話系統(tǒng)、一卡通系統(tǒng)、心理咨詢系統(tǒng)、計(jì)分考核系統(tǒng)、獄偵管理系統(tǒng)、點(diǎn)名系統(tǒng)、仿真實(shí)訓(xùn)系統(tǒng)、綜合評估系統(tǒng)；數(shù)據(jù)中心對接收到的信息根據(jù)改造信息、外部因素、監(jiān)獄環(huán)境、個(gè)人狀況、獄偵狀況、反常信息進(jìn)行分類存儲。
[0011]作為優(yōu)選，所述構(gòu)建的基礎(chǔ)特征項(xiàng)包括:
[0012]a、基本信息特征，包括年齡、民族、教育程度、以前職業(yè)、罪名、原判刑期、現(xiàn)有刑期、在監(jiān)狀態(tài)；
[0013]b、個(gè)性測評維度特征，包括外傾、聰敏、同情、從屬、波動、沖動、戒備、自卑、焦慮、暴力傾向、變態(tài)心理、犯罪思維；
[0014]C、改造動態(tài)事件信息，包括事件類型、人工評估的情節(jié)等級和對應(yīng)分值；
[0015]作為優(yōu)選，所述步驟3)具體包括以下步驟:
[0016]3.1)訓(xùn)練階段:將被標(biāo)記的元組集合作為訓(xùn)練集Dtr = (X1, X2, , X1I,使用Dispatching集成學(xué)習(xí)算法對訓(xùn)練集進(jìn)行hoisting有放回的隨機(jī)抽樣，得到訓(xùn)練集的若干個(gè)有差異的樣例子集，Dtrl, Dtr2,Dtr τ, (Τ > I);然后在每個(gè)樣例子集Dtr」(j =1，2，...，T)上調(diào)用學(xué)習(xí)算法Learn生成一個(gè)分類模型Ci ;最后將這些分類模型組合起來得到一個(gè)集成學(xué)習(xí)模型ES = IC1, C2,, CT}；
[0017]3.2)預(yù)測階段:將未被標(biāo)記的元組集合作為測試集Dts = (X1, X2, , XsI，使用訓(xùn)練階段得到的集成學(xué)習(xí)模型ES對測試集Dts進(jìn)行預(yù)測:
[0018]對測試集中每個(gè)元組XjG = 1，2，...，S)，集成學(xué)習(xí)模型ES首先用每個(gè)分類模型Ci (i = 1，2，...，T)對該元組的類別進(jìn)行預(yù)測，從而得到T個(gè)分類結(jié)果h” h2，…，hT，然后用簡單多數(shù)投票的方式將這些分類結(jié)果進(jìn)行融合，將得票數(shù)最多的類別作為集成學(xué)習(xí)模型對元組\的最終分類結(jié)果。
[0019]作為優(yōu)選，采用判別樹算法對每個(gè)樣例子集Dtaj (j = 1，2，...，T)進(jìn)行學(xué)習(xí)得到分類模型Ci。
[0020]作為優(yōu)選，所述極端行為類別yj e {O, I, 2，3，4}，其中，O表示無極端行為，I表示具有逃脫行為，2表示具有自殺行為，3表示具有施暴行為，4表示具有破壞行為。
[0021]本發(fā)明的有益效果在于:本發(fā)明的基于Dispatching集成學(xué)習(xí)算法的預(yù)測方法通過生成多個(gè)有差別的分類模型并對它們的分類結(jié)果進(jìn)行融合，能夠克服只用一個(gè)分類模型時(shí)存在的穩(wěn)定性差的缺陷，所以能夠有效的提高分類精度和分類穩(wěn)定性。與已有方法相比，本發(fā)明提出的方法具有更強(qiáng)的適應(yīng)能力，預(yù)警準(zhǔn)確度高。

【專利附圖】

【附圖說明】
[0022]圖1為本發(fā)明基于服刑人員行為特征集成學(xué)習(xí)模型的危險(xiǎn)傾向預(yù)測方法的工作流程示意圖；
[0023]圖2為本發(fā)明基于服刑人員行為特征集成學(xué)習(xí)模型的危險(xiǎn)傾向預(yù)測系統(tǒng)的結(jié)構(gòu)示意圖；
[0024]圖3為本發(fā)明的集成學(xué)習(xí)模型的工作示意圖；
[0025]圖4為本發(fā)明實(shí)施例的一個(gè)具體實(shí)例流程示意圖。

【具體實(shí)施方式】
[0026]下面結(jié)合具體實(shí)施例對本發(fā)明進(jìn)行進(jìn)一步描述，但本發(fā)明的保護(hù)范圍并不僅限于此:
[0027]實(shí)施例1:如圖1所示，基于服刑人員行為特征集成學(xué)習(xí)模型的危險(xiǎn)傾向預(yù)測方法，具體包括以下步驟:
[0028]I)數(shù)據(jù)采集:采集服刑人員的檔案信息存入數(shù)據(jù)中心；將業(yè)務(wù)系統(tǒng)采集的信息輸送到數(shù)據(jù)中心；數(shù)據(jù)中心對接收到的信息進(jìn)行分類存儲；
[0029]如圖2所示，業(yè)務(wù)系統(tǒng)包括會見系統(tǒng)、親情電話系統(tǒng)、一卡通系統(tǒng)、心理咨詢系統(tǒng)、計(jì)分考核系統(tǒng)、獄偵管理系統(tǒng)、點(diǎn)名系統(tǒng)、仿真實(shí)訓(xùn)系統(tǒng)、綜合評估系統(tǒng)。最后，將數(shù)據(jù)中心的服刑人員信息根據(jù)改造信息、外部因素、監(jiān)獄環(huán)境、個(gè)人狀況、獄偵狀況、反常信息進(jìn)行分類存儲，使每個(gè)類別包含一些人員實(shí)例。數(shù)據(jù)中心的存儲數(shù)據(jù)為集成學(xué)習(xí)模型與預(yù)警處理終端提供數(shù)據(jù)支持。
[0030]2)數(shù)據(jù)預(yù)處理:調(diào)用數(shù)據(jù)中心分類存儲的數(shù)據(jù)，構(gòu)造用于分析服刑人員極端行為傾向的三大類基礎(chǔ)特征:a、基本信息特征，包括年齡、民族、教育程度、以前職業(yè)、罪名、原判刑期、現(xiàn)有刑期、在監(jiān)狀態(tài)；b、個(gè)性測評維度特征，包括外傾、聰敏、同情、從屬、波動、沖動、戒備、自卑、焦慮、暴力傾向、變態(tài)心理、犯罪思維；c、改造動態(tài)事件信息，包括事件類型、人工評估的情節(jié)等級和對應(yīng)分值。對于這三大類基礎(chǔ)特征均進(jìn)行數(shù)值化預(yù)處理，使每個(gè)服刑人員均得到一個(gè)由若干屬性組成的元組，每個(gè)屬性對應(yīng)于一個(gè)特征。
[0031 ] 例如，將第i個(gè)服刑人員對應(yīng)的元組表示為Xi = [x?，xi2,...，xid, yj ,其中xik (I ^k^d)表示該人員的第k個(gè)屬性值，yi表示該元組的類別屬性，即第i個(gè)服刑人員屬于哪一類。對這些元組，將發(fā)生極端行為傾向的服刑人員元組標(biāo)記出來，如果第i個(gè)服刑人員發(fā)生過極端行為傾向，則在元組Xi中標(biāo)明他的極端行為類別yi e {I, 2，3，4}，此處考慮四類:1.逃脫，2.自殺，3.施暴，4.破壞，根據(jù)實(shí)際需求可方便增加；對已知沒有任何極端行為傾向的服刑人員，如對第η個(gè)服刑人員，若已知其沒有任何極端行為傾向，則將第η個(gè)元組Xn中類別標(biāo)記為yn = O ;對于不知道是否會發(fā)生極端行為傾向的服刑人員，即需要對其類別進(jìn)行預(yù)測的這些服刑人員，其對應(yīng)元組的類別值暫為空。
[0032]3)如圖3所示,對預(yù)處理后的數(shù)據(jù)采用Dispatching集成學(xué)習(xí)算法生成集成學(xué)習(xí)模型并進(jìn)行服刑人員極端行為傾向預(yù)測，并根據(jù)預(yù)測結(jié)果進(jìn)行預(yù)警。以下結(jié)合具體實(shí)例對該步驟進(jìn)行說明，如圖4所示，該步驟具體包括訓(xùn)練階段和預(yù)測階段:
[0033]訓(xùn)練階段:將被標(biāo)記的元組集合作為訓(xùn)練集Dtr = (X1, X2,…，Xj ,其中Xi =[xn, xi2,...，Xid, Yi], (i = I, 2,..., M)表示第i個(gè)服刑人員對應(yīng)的元組，Yi是其類別。預(yù)測系統(tǒng)使用Dispatching集成學(xué)習(xí)算法在訓(xùn)練集Dta上訓(xùn)練得到T(T> I)個(gè)分類模型C1, C2,, Ct,具體訓(xùn)練過程如下。
[0034]Dispatching集成學(xué)習(xí)算法通過對訓(xùn)練集Dta進(jìn)行有放回的隨機(jī)抽樣，即hoisting抽樣，得到若干個(gè)樣例子集Dtrl，Dtr2,Dtrlo其中每個(gè)樣例子集Dtr」(j = 1，2，…，T)所含樣例數(shù)目與原始訓(xùn)練集Dfe中樣例數(shù)目相同，只是中含有的樣例是原始訓(xùn)練集Dta的一個(gè)子集。因?yàn)镈ta中有的樣例在子集Dtt」中重復(fù)出現(xiàn)了多次，而有的樣例在Dta」中一次也沒有出現(xiàn)。理論研究表明，每個(gè)子集Dta」(j = 1，2，...，T)中不同樣例數(shù)目占原始訓(xùn)練集Dtr總樣例數(shù)目的大約67%。
[0035]得到T個(gè)樣例子集Dtrl，Dtr2, Dtr τ后，在每個(gè)子集Dtrj (j = 1，2，...，T)上用某種機(jī)器學(xué)習(xí)算法Learn訓(xùn)練一個(gè)分類模型Ci,從而得到由T個(gè)分類模型組成的集成學(xué)習(xí)模型 ES = IC1, C2,, CT}。
[0036]這里要生成的樣例子集的數(shù)目T是由用戶根據(jù)實(shí)際情況設(shè)定的，根據(jù)實(shí)際需要選擇一個(gè)適當(dāng)?shù)闹导纯?。對于通過hoisting隨機(jī)抽樣得到的T個(gè)樣例子集Dtia, Dta—2,..., Dtrτ，它們之間存在較大的差別，從而使得在這些樣例子集上生成的T個(gè)分類模型C1, C2,..., Ct是多樣化的。
[0037]預(yù)測階段:在有標(biāo)記的元組集合(X1, X2, , XM}上生成由T個(gè)分類模型組成的集成學(xué)習(xí)模型ES = (C1, C2, , CT}后，預(yù)測系統(tǒng)利用該集成學(xué)習(xí)模型對未標(biāo)記類別的元組集合{X1; X2,, Xs}進(jìn)行預(yù)測，其中 Xj = [Xjl, xJ2,Xjd]，(j = 1，2，...，S)，將這些未知類別的元組集合稱為測試集Dts。
[0038]對測試集Dts中每一個(gè)未知類別的元組Xj = [Xj1, χ」2，…，Xjd], (j = I, 2,..., S),集成學(xué)習(xí)模型ES按如下方式對其類別進(jìn)行預(yù)測。首先用每個(gè)分類模型Ci (i = 1，2，...，T)對該元組進(jìn)行預(yù)測，從而得到T個(gè)分類結(jié)果A1, h2,..., hT ;然后用簡單多數(shù)投票對這些分類結(jié)果進(jìn)行融合:在這T個(gè)分類結(jié)果中，找出{0，1，2，3，4}中每個(gè)類別的得票數(shù)V0, V1, V2, V3, V4,即將該元組分成每個(gè)類別的分類模型的數(shù)目。將得票數(shù)目最多的類別Yj e {O, I, 2，3，4}作為集成學(xué)習(xí)模型ES對該元組的最終分類結(jié)果。
[0039]集成學(xué)習(xí)模型對所有未標(biāo)記類別的元組預(yù)測完成后，每個(gè)元組\(j = 1，2，...，S)會得到一個(gè)類別{0，1，2，3，4}。Syi = O,則說明該元組表示的服刑人員沒有任何極端行為傾向e {1，2，3，4}，說明該元組表示的服刑人員具有某種極端行為傾向，并根據(jù)預(yù)測的具體類別進(jìn)行預(yù)警。
[0040]以上的所述乃是本發(fā)明的具體實(shí)施例及所運(yùn)用的技術(shù)原理，若依本發(fā)明的構(gòu)想所作的改變，其所產(chǎn)生的功能作用仍未超出說明書及附圖所涵蓋的精神時(shí)，仍應(yīng)屬本發(fā)明的保護(hù)范圍。
【權(quán)利要求】
1.基于服刑人員行為特征集成學(xué)習(xí)模型的危險(xiǎn)傾向預(yù)測方法，其特征在于包括: 1)數(shù)據(jù)采集:采集服刑人員的檔案信息存入數(shù)據(jù)中心；將業(yè)務(wù)系統(tǒng)采集的信息輸送到數(shù)據(jù)中心；數(shù)據(jù)中心對接收到的信息進(jìn)行分類存儲； 2)數(shù)據(jù)預(yù)處理:調(diào)用數(shù)據(jù)中心分類存儲的數(shù)據(jù)，對所有服刑人員均構(gòu)建基礎(chǔ)特征項(xiàng)，對基礎(chǔ)特征項(xiàng)進(jìn)行數(shù)值化預(yù)處理，使每個(gè)服刑人員得到一個(gè)由若干屬性組成的元組；具有極端行為的服刑人員，根據(jù)極端行為類別在元組中標(biāo)記； 3)對預(yù)處理后的數(shù)據(jù)采用Dispatching集成學(xué)習(xí)算法生成集成學(xué)習(xí)模型并進(jìn)行服刑人員極端行為傾向預(yù)測，并根據(jù)預(yù)測結(jié)果進(jìn)行預(yù)警。
2.根據(jù)權(quán)利要求1所述的基于服刑人員行為特征集成學(xué)習(xí)模型的危險(xiǎn)傾向預(yù)測方法，其特征在于，所述業(yè)務(wù)系統(tǒng)包括:會見系統(tǒng)、親情電話系統(tǒng)、一卡通系統(tǒng)、心理咨詢系統(tǒng)、計(jì)分考核系統(tǒng)、獄偵管理系統(tǒng)、點(diǎn)名系統(tǒng)、仿真實(shí)訓(xùn)系統(tǒng)、綜合評估系統(tǒng)；數(shù)據(jù)中心對接收到的信息根據(jù)改造信息、外部因素、監(jiān)獄環(huán)境、個(gè)人狀況、獄偵狀況、反常信息進(jìn)行分類存儲。
3.根據(jù)權(quán)利要求1所述的基于服刑人員行為特征集成學(xué)習(xí)模型的危險(xiǎn)傾向預(yù)測方法，其特征在于，所述構(gòu)建的基礎(chǔ)特征項(xiàng)包括: a、基本信息特征，包括年齡、民族、教育程度、以前職業(yè)、罪名、原判刑期、現(xiàn)有刑期、在監(jiān)狀態(tài)； b、個(gè)性測評維度特征，包括外傾、聰敏、同情、從屬、波動、沖動、戒備、自卑、焦慮、暴力傾向、變態(tài)心理、犯罪思維； c、改造動態(tài)事件信息，包括事件類型、人工評估的情節(jié)等級和對應(yīng)分值。
4.根據(jù)權(quán)利要求1所述的基于服刑人員行為特征集成學(xué)習(xí)模型的危險(xiǎn)傾向預(yù)測方法，其特征在于，所述步驟3)具體包括以下步驟: 3.1)訓(xùn)練階段:將被標(biāo)記的元組集合作為訓(xùn)練集Dta = (X1, X2,, XM},使用Dispatching集成學(xué)習(xí)算法對訓(xùn)練集進(jìn)行hoisting有放回的隨機(jī)抽樣，得到訓(xùn)練集的若干個(gè)有差異的樣例子集，Dtrl, Dtr2,Dtr τ, (Τ > I);然后在每個(gè)樣例子集Dtr」(j =1，2，...，T)上調(diào)用學(xué)習(xí)算法Learn生成一個(gè)分類模型Ci ;最后將這些分類模型組合起來得到一個(gè)集成學(xué)習(xí)模型ES = IC1, C2,, CT}； 3.2)預(yù)測階段:將未被標(biāo)記的元組集合作為測試集Dts = (X1, X2,, XsI，使用訓(xùn)練階段得到的集成學(xué)習(xí)模型ES對測試集Dts進(jìn)行預(yù)測: 對測試集中每個(gè)元組Xj (j = 1，2，...，S)，集成學(xué)習(xí)模型ES首先用每個(gè)分類模型Ci (i=1，2，...，Τ)對該元組的類別進(jìn)行預(yù)測，從而得到T個(gè)分類結(jié)果4，h2，...，hT，然后用簡單多數(shù)投票的方式將這些分類結(jié)果進(jìn)行融合，將得票數(shù)最多的類別作為集成學(xué)習(xí)模型對元組Xj的最終分類結(jié)果。
5.根據(jù)權(quán)利要求4所述的基于服刑人員行為特征集成學(xué)習(xí)模型的危險(xiǎn)傾向預(yù)測方法，其特征在于，采用判別樹算法對每個(gè)樣例子集(j = 1，2，...，T)進(jìn)行學(xué)習(xí)得到分類模型Ci0
6.根據(jù)權(quán)利要求1-5任意權(quán)利要求所述的基于服刑人員行為特征集成學(xué)習(xí)模型的危險(xiǎn)傾向預(yù)測方法，其特征在于，所述極端行為類別Yj e {O, I, 2，3，4}，其中，O表示無極端行為，I表示具有逃脫行為，2表示具有自殺行為，3表示具有施暴行為，4表示具有破壞行為。
【文檔編號】G06Q50/26GK104182805SQ201410416208
【公開日】2014年12月3日 申請日期:2014年8月22日 優(yōu)先權(quán)日:2014年8月22日
【發(fā)明者】金曉東, 孫博, 黃步添, 施政, 王建東, 方黎明 申請人:杭州華亭科技有限公司