CN107506952A - 危险指数的评估方法、装置及电子设备 - Google Patents
危险指数的评估方法、装置及电子设备 Download PDFInfo
- Publication number
- CN107506952A CN107506952A CN201710945728.5A CN201710945728A CN107506952A CN 107506952 A CN107506952 A CN 107506952A CN 201710945728 A CN201710945728 A CN 201710945728A CN 107506952 A CN107506952 A CN 107506952A
- Authority
- CN
- China
- Prior art keywords
- assessed
- character relation
- data
- network
- relation network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000004364 calculation method Methods 0.000 claims abstract description 48
- 238000012545 processing Methods 0.000 claims description 18
- 230000008030 elimination Effects 0.000 claims description 14
- 238000003379 elimination reaction Methods 0.000 claims description 14
- 239000012535 impurity Substances 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 5
- 238000003786 synthesis reaction Methods 0.000 claims description 5
- 230000007480 spreading Effects 0.000 claims description 3
- 238000003892 spreading Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 12
- 238000003860 storage Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000007418 data mining Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 241001269238 Data Species 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 239000000599 controlled substance Substances 0.000 description 1
- 239000008987 corocalm Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种危险指数的评估方法、装置及电子设备,该方法包括:获取目标数据;通过目标数据构建人物关系网络;计算每个人物关系网络中待评估对象的综合中心性,以及计算每个人物关系网络的危险权重;根据综合中心性和危险权重计算待评估对象的危险指数。本发明的危险指数的评估方法中,数据来源广泛,并不局限于交流文本数据,还涉及人物关系数据,消费数据,基于这些数据构建了多个人物关系网络,解决了数据来源单一的问题,并且本发明中的危险指数的评估方法中采用了特有的综合中心性和危险权重的概念,能够使得最终计算得到的危险指数的结果更加准确,缓解了现有技术中的评估方法数据来源单一,评估结果准确性差的技术问题。
Description
技术领域
本发明涉及数据挖掘技术领域,尤其是涉及一种危险指数的评估方法、装置及电子设备。
背景技术
如今是一个信息爆炸的时代,每个人每天都产生了大量的信息,通过分析这些信息可以评估一个人的犯罪倾向。犯罪是一种正常的社会现象。随着人类社会的不断进步,尤其是现代化科技技术突飞猛进的发展,犯罪的数量、方式发生了很大变化,对人类社会构成的威胁越来越严重。实践证明,仅靠打击犯罪这一治标措施是远远不够的,更有力的措施是预防犯罪。
为了更好的预防犯罪,降低犯罪率,需要了解人们的犯罪倾向,也就是人们犯罪的危险指数,在得到人们危险指数后,再对高危人群进行监控及管理,从而将犯罪行为扼杀在摇篮中。
目前,通过数据挖掘进行犯罪倾向预测的方法主要是通过在社交网络中获取人们的交流文本数据,然后定义数据类型,并简单的为其分配权重,构建网络后基于模糊K均值聚类和距离密度聚类计算犯罪嫌疑度。这种方法的数据来源于通信网络的交流文本,数据来源较为单一,判断的范围有局限性,并且,这种方法得到的评估结果准确性差。
发明内容
有鉴于此,本发明的目的在于提供一种犯罪倾向的评估方法、装置及电子设备,以缓解现有技术中的评估方法数据来源单一,评估结果准确性差的技术问题。
第一方面,本发明实施例提供了一种危险指数的评估方法,所述方法包括:
获取目标数据,其中,所述目标数据至少包括:对话数据,人物关系数据,消费数据;
通过所述目标数据构建人物关系网络,其中,所述人物关系网络的数量为多个,每个所述人物关系网络用于表征一种类型的人物关系;
计算每个所述人物关系网络中待评估对象的综合中心性,以及计算每个所述人物关系网络的危险权重,其中,所述待评估对象为所述人物关系网络中的任意一个节点,所述综合中心性用于表示所述待评估对象在每个所述人物关系网络中的重要程度,所述危险权重用于表示每个所述人物关系网络的危害性;
根据所述综合中心性和所述危险权重计算所述待评估对象的危险指数。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,获取目标数据包括:
分别在数据库和社交网络中获取初始数据,其中,所述初始数据至少包括:初始对话数据,初始人物关系数据,初始消费数据;
对所述初始数据进行预处理,得到目标数据,其中,所述预处理至少包括:去杂处理,分类处理,所述去杂处理为去除所述初始数据中不符合预设字段要求的数据,所述分类处理为将所述去杂处理后的数据按照人物关系类型进行分类。
结合第一方面,本发明实施例提供了第一方面的第二种可能的实施方式,其中,通过所述目标数据构建人物关系网络包括:
对所述对话数据进行分析,得到多个指数,其中,每个所述指数对应一种情感类型,多个所述指数表示为目标对话数据与每个情感类型之间的关联程度,所述目标对话数据为所述对话数据中任意两个对象之间的对话数据;
根据所述目标数据和所述指数构建多个所述人物关系网络,其中,多个所述指数为多个所述人物关系网络中连边的权值。
结合第一方面,本发明实施例提供了第一方面的第三种可能的实施方式,其中,计算每个所述人物关系网络中待评估对象的综合中心性包括:
通过度中心性计算公式计算所述待评估对象的度中心性,所述度中心性用于表示所述待评估对象在其所属的子网络中的影响力,其中,ni为所述人物关系网络中与待评估对象i的连边数目,N为所述子网络中节点的总个数;
通过介数中心性计算公式计算所述待评估对象的介数中心性,所述介数中心性用于表示所述待评估对象在其所属的人物关系网络中对网络信息传播的控制能力,其中,σst(i)表示经过所述待评估对象i的节点s到节点t的最短路径的条数,σst表示节点s到节点t的最短路径的条数;
通过聚类系数计算公式计算所述待评估对象的聚类系数,所述聚类系数用于表示所述人物关系网络的紧密度,其中,ki为所述人物关系网络中与所述待评估对象i相邻的所有节点数,ni为所述人物关系网络中与所述待评估对象i的连边数目;
按照节点中心性计算公式Cx(i)=aImpi+bCB(i)+gCC(i)计算所述待评估对象的综合中心性,其中,Impi为所述待评估对象i的度中心性,CB(i)为所述待评估对象i的介数中心性,CC(i)为所述待评估对象i的聚类系数,a、b、g为预设系数。
结合第一方面,本发明实施例提供了第一方面的第四种可能的实施方式,其中,计算每个所述人物关系网络的危险权重包括:
根据危险权重计算公式计算所述人物关系网络的危险权重,其中,Nx为人物关系网络x包含的节点总数,nx为所述人物关系网络x中存在犯罪记录的人的人数,Cx(i)为在所述人物关系网络x中存在犯罪记录的人的综合中心性,sj为存在犯罪记录的人犯罪的严重性。
结合第一方面,本发明实施例提供了第一方面的第五种可能的实施方式,其中,根据所述综合中心性和所述危险权重计算所述待评估对象的危险指数包括:
根据危险指数计算公式计算所述待评估对象的危险指数,其中,Cx(i)表示在所述人物关系网络x中所述待评估对象i的综合中心性,W(x)表示所述人物关系网络x的危险权重。
结合第一方面,本发明实施例提供了第一方面的第六种可能的实施方式,其中,在根据所述综合中心性和所述危险权重计算所述待评估对象的危险指数之后,所述方法还包括:
判断所述待评估对象的危险指数是否超过预设预警阈值;
如果所述待评估对象的危险指数超过所述预设预警阈值,则进行犯罪预警;
如果所述待评估对象的危险指数小于所述预设预警阈值,则不进行犯罪预警。
第二方面,本发明实施例还提供了一种危险指数的评估装置,所述装置包括:
获取模块,用于获取待评估对象的目标数据,其中,所述目标数据至少包括:对话数据,与所述待评估对象相关的人物关系数据,消费数据;
构建模块,用于通过所述目标数据构建人物关系网络,其中,所述人物关系网络的数量为多个,每个所述人物关系网络用于表征一种类型的人物关系;
第一计算模块,用于计算每个所述人物关系网络中所述待评估对象的综合中心性,以及计算每个所述人物关系网络的危险权重,其中,所述综合中心性用于表示所述待评估对象在每个所述人物关系网络中的重要程度,所述危险权重用于表示每个所述人物关系网络的危害性;
第二计算模块,用于根据所述综合中心性和所述危险权重计算所述待评估对象的危险指数。
第三方面,本发明实施例还提供了一种电子设备,包括存储器、处理器,所述存储器上存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面中所述的方法的步骤。
第四方面,本发明实施例还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质,所述程序代码使所述处理器执行上述第一方面中所述的方法。
本发明实施例带来了以下有益效果:本发明实施例提供了一种危险指数的评估方法、装置及电子设备,该方法包括:获取目标数据,其中,目标数据至少包括:对话数据,人物关系数据,消费数据;通过目标数据构建人物关系网络,其中,人物关系网络的数量为多个,每个人物关系网络用于表征一种类型的人物关系;计算每个人物关系网络中待评估对象的综合中心性,以及计算每个人物关系网络的危险权重,其中,待评估对象为人物关系网络中的任意一个节点,综合中心性用于表示待评估对象在每个人物关系网络中的重要程度,危险权重用于表示每个人物关系网络的危害性;根据综合中心性和危险权重计算待评估对象的危险指数。
传统的通过数据挖掘进行犯罪倾向预测的方法中,数据来源于通信网络的交流文本,数据来源较为单一,评估结果准确性差。与传统的通过数据挖掘进行犯罪倾向预测的方法相比,在本发明的危险指数的评估方法中,先获取多种目标数据,其中,至少包括:对话数据,人物关系数据,消费数据,然后通过这些目标数据构建多个人物关系网络,每个人物关系网络表征一种类型的人物关系,进而,计算每个人物关系网络中待评估对象的综合中心性和人物关系网络的危险权重,待评估对象为人物关系网络中的任意一个节点,最后,根据综合中心性和危险权重计算得到待评估对象的危险指数。本发明的危险指数的评估方法中,数据来源广泛,并不局限于交流文本数据,还涉及人物关系数据,消费数据,基于这些数据构建了多个人物关系网络,解决了数据来源单一的问题,并且本发明中的危险指数的评估方法中采用了特有的综合中心性和危险权重的概念,能够使得最终计算得到的危险指数的结果更加准确,缓解了现有技术中的评估方法数据来源单一,评估结果准确性差的技术问题。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种危险指数的评估方法的流程图;
图2为本发明实施例提供的根据综合中心性和危险权重计算待评估对象的危险指数之后的流程图;
图3为本发明实施例提供的计算每个人物关系网络中待评估对象的综合中心性,以及计算每个人物关系网络的危险权重的流程图;
图4为本发明实施例提供的一种危险指数的评估装置的结构框图;
图5为本发明实施例提供的一种电子设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种危险指数的评估方法进行详细介绍。
实施例一:
一种危险指数的评估方法,参考图1,该危险指数的评估方法包括:
S102、获取目标数据,其中,目标数据至少包括:对话数据,人物关系数据,消费数据;
在本发明实施例中,目标数据的种类比较广泛,至少包括:对话数据,人物关系数据,消费数据。具体的,对话数据主要是指从社交网络中获取得到的交流数据,这里的对话数据可以为交流文本数据,也可以为交流语音数据,本发明实施例对其不做具体限制。
人物关系数据一般是从人物关系数据库中获取得到的,也可以从其它地方获取得到,本发明实施例对其不做具体限制。人物关系数据可以为亲属关系数据,同事关系数据,同学关系数据等。
消费数据也是从数据库中获得,当然也可以从各个消费软件中获取,本发明实施例对其不做具体限制。这里的消费数据可以为:开房记录数据,买卖管制刀具的数据,买卖管制药品的数据等等。
S104、通过目标数据构建人物关系网络,其中,人物关系网络的数量为多个,每个人物关系网络用于表征一种类型的人物关系;
在得到目标数据后,就能够根据目标数据构建多个人物关系网络,每个人物关系网络表示一种类型的人物关系。例如:上述获取得到的目标数据有:开房记录数据,亲属关系数据,暴力数据,色情数据,那么就可以对应的构建开放记录类型的人物关系网络,亲属关系类型的人物关系网络,暴力类型的人物关系网络,色情类型的人物关系网络,当然,并不局限于此。
构建得到的人物关系网络中,每个人物关系网络中包括:多个节点,两个节点间的连边,与连边对应的权值,每个节点表示一个人,连边表示两个节点间的关系。
另外,并不是任意的两个节点之间都存在连边。比如:对于亲属关系来讲,如果是直系亲属那么就有连边,如果不是直系亲属,那么就没有连边。再例如:如果一个暴力类型的人物关系网络中有20个节点,其中,有10个节点(也就是10个人)之间谈及了暴力数据,那么这10个人之间就在暴力类型的人物关系网络里组成了一个子网络,而另外10个人之间也谈及了暴力数据,那么另外10个人就组成了另外一个子网络,但是前面的10个人和后面的10个人之间并没有暴力数据的交流,那么这两个子网络就是非连通的,并且,对于其中的一个子网络来讲,只有两个谈及暴力数据的节点之间才会存在连边,而没有谈及暴力数据之间的两个节点之间是不存在连边的。
关于与连边对应的权值在下文中再进行具体描述,这里先不进行赘述。
S106、计算每个人物关系网络中待评估对象的综合中心性,以及计算每个人物关系网络的危险权重,其中,待评估对象为人物关系网络中的任意一个节点,综合中心性用于表示待评估对象在每个人物关系网络中的重要程度,危险权重用于表示每个人物关系网络的危害性;
在得到多个人物关系网络后,每个人物关系网络中的任意一个节点(任意一个人)都可以作为待评估对象。在计算危险指数时,先计算每个人物关系网络中待评估对象的综合中心性,然后,计算每个人物关系网络的危险权重,关于待评估对象的综合中心性以及每个人物关系网络的危险权重的计算方式在下文中再进行具体介绍,这里先不进行赘述。
S108、根据综合中心性和危险权重计算待评估对象的危险指数。
在得到综合中心性和危险权重之后,就可以计算待评估对象的危险指数,具体的计算方法在下文中描述。
传统的通过数据挖掘进行犯罪倾向预测的方法中,数据来源于通信网络的交流文本,数据来源较为单一,评估结果准确性差。与传统的通过数据挖掘进行犯罪倾向预测的方法相比,在本发明的危险指数的评估方法中,先获取多种目标数据,其中,至少包括:对话数据,人物关系数据,消费数据,然后通过这些目标数据构建多个人物关系网络,每个人物关系网络表征一种类型的人物关系,进而,计算每个人物关系网络中待评估对象的综合中心性和人物关系网络的危险权重,待评估对象为人物关系网络中的任意一个节点,最后,根据综合中心性和危险权重计算得到待评估对象的危险指数。本发明的危险指数的评估方法中,数据来源广泛,并不局限于交流文本数据,还涉及人物关系数据,消费数据,基于这些数据构建了多个人物关系网络,解决了数据来源单一的问题,并且本发明中的危险指数的评估方法中采用了特有的综合中心性和危险权重的概念,能够使得最终计算得到的危险指数的结果更加准确,缓解了现有技术中的评估方法数据来源单一,评估结果准确性差的技术问题。
在得到待评估对象的危险指数后,可以根据待评估对象的危险指数进行犯罪预警,可选地,在根据综合中心性和危险权重计算待评估对象的危险指数之后,参考图2,进行犯罪预警的过程包括:
S201、判断待评估对象的危险指数是否超过预设预警阈值;
在得到待评估对象的危险指数后,判断待评估对象的危险指数是否超过阈值预警阈值,预设预警阈值的大小可调。
S202、如果待评估对象的危险指数超过预设预警阈值,则进行犯罪预警;
S203、如果待评估对象的危险指数小于预设预警阈值,则不进行犯罪预警。
上述内容从整体上描述了危险指数的评估方法,下面对危险指数的评估方法进行具体介绍。
在一个可选地实施方式中,获取目标数据的过程包括:
(1)分别在数据库和社交网络中获取初始数据,其中,初始数据至少包括:初始对话数据,初始人物关系数据,初始消费数据;
具体的,初始人物关系数据一般是从人物关系数据库中获取得到的,初始消费数据可以从数据库中获取,也可以从消费软件中获取,初始对话数据一般是从社交网络中获取得到的,本发明实施例对初始数据的获取并不做具体限制。
(2)对初始数据进行预处理,得到目标数据,其中,预处理至少包括:去杂处理,分类处理,去杂处理为去除初始数据中不符合预设字段要求的数据,分类处理为将去杂处理后的数据按照人物关系类型进行分类。
在得到初始数据后,初始数据并不理想,需要对初始数据进行预处理,预处理至少包括:去杂处理,分类处理;去杂处理可以包括去除重复数据,补充关键信息以及缺失数据,校验数据的准确性。
上述关于去除不符合预设字段要求的数据对于不同的数据情况不同。比如:开放记录数据中,入住时间晚于退房时间,出生日期晚于当前时间等。
分类处理为将去杂处理后的数据按照人物关系类型进行分类。比如,初始数据去杂处理后,将亲属关系数据归为一类,开房记录数据归为一类,暴力数据归为一类。
在得到目标数据后,在一个可选地实施方式中,通过目标数据构建人物关系网络的过程包括:
(1)对对话数据进行分析,得到多个指数,其中,每个指数对应一种情感类型,多个指数表示为目标对话数据与每个情感类型之间的关联程度,目标对话数据为对话数据中任意两个对象之间的对话数据;
在得到对话数据后,对对话数据进行分析。分析的过程进行举例说明:
以暴力为例,人物i和人物j之间的暴力指数为:暴力词汇在i、j对话数据中出现的频率与暴力词汇在自然语言中出现的频率的商。得到的暴力指数也就是人物i和人物j之间的暴力指数。
(2)根据目标数据和指数构建多个人物关系网络,其中,多个指数为多个人物关系网络中连边的权值。
在得到目标数据和指数后,就能够根据目标数据和指数构建多个人物关系网络。
比如:上述过程得到人物i和人物j之间的暴力指数后,在暴力类型的人物关系网络中,节点i和节点j之间就存在连边,并且该连边存在对应的权值。如果人物i和人物j之间的暴力指数为5,那么暴力类型的人物关系网络中,节点i和节点j间的连边的权值为αe-β5,α、β为参数,由经验获得。
再比如:人物i和人物j之间曾经一起开房,开放次数共为7次,那么在开房记录类型的人物关系网络中,节点i和节点j之间存在连边,且连边的权值为αe-β7,α、β为参数,由经验获得。
需要说明的是,在亲属关系网络中的连边是没有权值的。
通过以上的过程就能够构建出多个人物关系网络。
在得到多个人物关系网络后,就能够计算每个人物关系网络中待评估对象的综合中心性,在一个可选地实施方式中,参考图3,计算每个人物关系网络中待评估对象的综合中心性的过程包括:
S301、通过度中心性计算公式计算待评估对象的度中心性,度中心性用于表示待评估对象在其所属的子网络中的影响力,其中,ni为人物关系网络中与待评估对象i的连边数目,N为子网络中节点的总个数;
具体的,通过度中心性计算公式计算待评估对象的度中心性,对于子网络的定义在步骤S104中已经有过介绍,在此不再进行赘述。
S302、通过介数中心性计算公式计算待评估对象的介数中心性,介数中心性用于表示待评估对象在其所属的人物关系网络中对网络信息传播的控制能力,其中,σst(i)表示经过待评估对象i的节点s到节点t的最短路径的条数,σst表示节点s到节点t的最短路径的条数;
具体的,路径和连边的权值有关,连边的权值越小,两个节点之间的路径越短。
比如:从节点s到节点t有多条路径,分别是:
路径一:从节点s开始,分别经过节点i,节点j,节点r,最终到达节点t,其中,涉及到的连边的权值的大小分别为:1,1,1,1,取值和为4;
路径二:从节点s开始,分别经过节点i,节点z,到达节点t,其中,涉及到的连边的权值的大小分别为:1,6,5,取值和为12;
路径三:从节点s开始,经过节点a,到达节点t,其中,涉及到的连边的权值的大小分别为:1,2,1,取值和为4;
路径四:从节点s开始,经过节点i,节点z,到达节点t,其中,涉及到的连边的权值的大小分别为:1,1.5,1.5,取值和为4;
那么,可以得出经过待评估对象i的节点s到节点t的最短路径的分别为路径一和路径四,也就是2条;节点s到节点t的最短路径的分别为路径一,路径三和路径四,也就是3条。
另外,在实际中,如果从节点s到节点t的最短路径的权值为4时,我们也可以认为节点s到节点t的权值和为4.2的一条路径也为最短路径,也就是说处于最短路径的权值和一定范围内的权值和所对应的路径也被看作是最短路径。
S303、通过聚类系数计算公式计算待评估对象的聚类系数,聚类系数用于表示人物关系网络的紧密度,其中,ki为人物关系网络中与待评估对象i相邻的所有节点数,ni为人物关系网络中与待评估对象i的连边数目;
S304、按照节点中心性计算公式Cx(i)=aImpi+bCB(i)+gCC(i)计算待评估对象的综合中心性,其中,Impi为待评估对象i的度中心性,CB(i)为待评估对象i的介数中心性,CC(i)为待评估对象i的聚类系数,a、b、g为预设系数。
具体的,a、b、g的值大小可调,对于不同类型的人物关系网络,a、b、g的值可调整。比如:在亲属关系类型的人物关系网络中,一般着重考虑度中心性,那么,相应的就可以将a的值变大;而在开房记录类型的人物关系网络中,一般着重考虑介数中心性,那么,相应的就可以将b的值变大;再如在对话数据形成的网络中(比如暴力类型的人物关系网络,色情类型的人物关系网络等),一般着重考虑聚类系统,那么,相应的就可以将g的值变大。
在得到综合中心性后,继续计算每个人物关系网络的危险权重,可选地,参考图3,计算每个人物关系网络的危险权重的过程包括:
S305、根据危险权重计算公式计算人物关系网络的危险权重,其中,Nx为人物关系网络x包含的节点总数,nx为人物关系网络x中存在犯罪记录的人的人数,Cx(i)为在人物关系网络x中存在犯罪记录的人的综合中心性,sj为存在犯罪记录的人犯罪的严重性。
具体的,存在犯罪记录的人是根据历史数据得到的,也就是数据库中的前科数据得到的哪些人是存在过犯罪记录的。sj为存在犯罪记录的人犯罪的严重性,sj的值大小可调,当我们特别关注一种犯罪类型时,就可以将其对应的sj的值变大。比如,暴力在本次测评中被特别关注,那么可以加大暴力罪犯的严重性值。
在得到综合中心性和危险权重后,就可以根据综合中心性和危险权重计算计算待评估对象的危险指数,可选地,根据综合中心性和危险权重计算待评估对象的危险指数包括:
根据危险指数计算公式计算待评估对象的危险指数,其中,Cx(i)表示在人物关系网络x中待评估对象i的综合中心性,W(x)表示人物关系网络x的危险权重。
具体的,假设共有k个人物关系网络,那么待评估对象的危险指数:其中,Cx(i)表示在人物关系网络x中待评估对象i的综合中心性,Wx表示人物关系网络x的危险权重。
本发明通过提取相关人员的对话数据、人物关系数据、消费数据,构建多个人物关系网,很好的解决了信息来源单一的问题。同时,本发明根据每个人物关系网络中人员的信息为每个人物关系网络分配危险权重,并结合每个人物节点在不同人物关系网络中的介数中心性、度中心性和聚类系数计算出综合中心性,以此对人物的犯罪倾向进行评估和预警。根据事实的反馈学习机制使计算的公式更加的真实可靠,使本发明更好的实现预警。
本发明是建立人与人的多个人物关系网络,使用本发明的方法,除了对话数据,人物关系数据,消费数据,其他信息也可以被综合考量来进行犯罪倾向分析;根据对话数据分析结果提取出如暴力、消极、色情等的词汇特征指数。本发明中的方法并不是针对某一个或几个事件,而是分析人物在社交网络中社交关系,挖掘潜在的犯罪可能性,提出预警,方便有关部门重点关注;
本发明构建了多个人物关系网络,每个人物关系网络代表一种类型,连边表示该类型下两个人物的关系,比如对话层-暴力的连边的权值是根据两个节点人物在社交网络中对话内容的暴力指数来确定的。同时,提出了人物关系网络的危险权重的计算公式,根据历史犯罪事件评价不同的社交团体(人物关系网络)潜在的犯罪倾向,最后根据待评估对象在各个人物关系网络中的综合中心性与对应的人物关系网络的危险权重评估待评估对象的犯罪倾向。因此,本发明可以充分利用历史犯罪事件,在错综复杂的人物关系中找到和犯罪最密切相关的信息,预测犯罪倾向,使得预测得到的结果更加准确。
实施例二:
本发明实施例还提供了一种危险指数的评估装置,参考图4,该装置包括:
获取模块20,用于获取待评估对象的目标数据,其中,目标数据至少包括:对话数据,与待评估对象相关的人物关系数据,消费数据;
构建模块21,用于通过目标数据构建人物关系网络,其中,人物关系网络的数量为多个,每个人物关系网络用于表征一种类型的人物关系;
第一计算模块22,用于计算每个人物关系网络中待评估对象的综合中心性,以及计算每个人物关系网络的危险权重,其中,综合中心性用于表示待评估对象在每个人物关系网络中的重要程度,危险权重用于表示每个人物关系网络的危害性;
第二计算模块23,用于根据综合中心性和危险权重计算待评估对象的危险指数。
在本发明的信息评估装置中,先获取多种目标数据,其中,至少包括:对话数据,人物关系数据,消费数据,然后通过这些目标数据构建多个人物关系网络,每个人物关系网络表征一种类型的人物关系,进而,计算每个人物关系网络中待评估对象的综合中心性和人物关系网络的危险权重,待评估对象为人物关系网络中的任意一个节点,最后,根据综合中心性和危险权重计算得到待评估对象的危险指数。本发明的信息评估装置中,数据来源广泛,并不局限于交流文本数据,还涉及人物关系数据,消费数据,基于这些数据构建了多个人物关系网络,解决了数据来源单一的问题,并且本发明中的信息评估装置中采用了特有的综合中心性和危险权重的概念,能够使得最终计算得到的危险指数的结果更加准确,缓解了现有技术中的评估方法数据来源单一,评估结果准确性差的技术问题。
可选地,获取模块包括:
获取单元,用于分别在数据库和社交网络中获取初始数据,其中,初始数据至少包括:初始对话数据,初始人物关系数据,初始消费数据;
预处理单元,用于对初始数据进行预处理,得到目标数据,其中,预处理至少包括:去杂处理,分类处理,去杂处理为去除初始数据中不符合预设字段要求的数据,分类处理为将去杂处理后的数据按照人物关系类型进行分类。
可选地,构建模块包括:
分析单元,用于对对话数据进行分析,得到多个指数,其中,每个指数对应一种情感类型,多个指数表示为目标对话数据与每个情感类型之间的关联程度,目标对话数据为对话数据中任意两个对象之间的对话数据;
构建单元,用于根据目标数据和指数构建多个人物关系网络,其中,多个指数为多个人物关系网络中连边的权值。
可选地,第一计算模块包括:
度中心性计算单元,用于通过度中心性计算公式计算待评估对象的度中心性,度中心性用于表示待评估对象在其所属的子网络中的影响力,其中,ni为人物关系网络中与待评估对象i的连边数目,N为子网络中节点的总个数;
介数中心性计算单元,用于通过介数中心性计算公式计算待评估对象的介数中心性,介数中心性用于表示待评估对象在其所属的人物关系网络中对网络信息传播的控制能力,其中,σst(i)表示经过待评估对象i的节点s到节点t的最短路径的条数,σst表示节点s到节点t的最短路径的条数;
聚类系数计算单元,用于通过聚类系数计算公式计算待评估对象的聚类系数,聚类系数用于表示人物关系网络的紧密度,其中,ki为人物关系网络中与待评估对象i相邻的所有节点数,ni为人物关系网络中与待评估对象i的连边数目;
综合中心性计算单元,用于按照节点中心性计算公式Cx(i)=aImpi+bCB(i)+gCC(i)计算待评估对象的综合中心性,其中,Impi为待评估对象i的度中心性,CB(i)为待评估对象i的介数中心性,CC(i)为待评估对象i的聚类系数,a、b、g为预设系数。
可选地,第一计算模块还包括:
危险权重计算单元,用于根据危险权重计算公式计算人物关系网络的危险权重,其中,Nx为人物关系网络x包含的节点总数,nx为人物关系网络x中存在犯罪记录的人的人数,Cx(i)为在人物关系网络x中存在犯罪记录的人的综合中心性,sj为存在犯罪记录的人犯罪的严重性。
可选地,第二计算模块包括:
危险指数计算单元,用于根据危险指数计算公式计算待评估对象的危险指数,其中,Cx(i)表示在人物关系网络x中待评估对象i的综合中心性,W(x)表示人物关系网络x的危险权重。
可选地,装置还包括:
判断模块,用于判断待评估对象的危险指数是否超过预设预警阈值;
第一结果输出模块,用于如果待评估对象的危险指数超过预设预警阈值,则进行犯罪预警;
第二结果输出模块,用于如果待评估对象的危险指数小于预设预警阈值,则不进行犯罪预警。
该实施例二中的内容可以参考上述实施例一中的内容,在此不再进行赘述。
实施例三:
本发明实施例提供了一种电子设备,参考图5,该电子设备包括:处理器30,存储器31,总线32和通信接口33,处理器30、通信接口33和存储器31通过总线32连接;处理器30用于执行存储器31中存储的可执行模块,例如计算机程序。处理器执行极端及程序时实现如方法实施例中描述的方法的步骤。
其中,存储器31可能包含高速随机存取存储器(RAM,RandomAccessMemory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口33(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线32可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器31用于存储程序,处理器30在接收到执行指令后,执行程序,前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器30中,或者由处理器30实现。
处理器30可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器30中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器30可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器31,处理器30读取存储器31中的信息,结合其硬件完成上述方法的步骤。
本发明实施例所提供的一种危险指数的评估方法、装置的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种危险指数的评估方法,其特征在于,所述方法包括:
获取目标数据,其中,所述目标数据至少包括:对话数据,人物关系数据,消费数据;
通过所述目标数据构建人物关系网络,其中,所述人物关系网络的数量为多个,每个所述人物关系网络用于表征一种类型的人物关系;
计算每个所述人物关系网络中待评估对象的综合中心性,以及计算每个所述人物关系网络的危险权重,其中,所述待评估对象为所述人物关系网络中的任意一个节点,所述综合中心性用于表示所述待评估对象在每个所述人物关系网络中的重要程度,所述危险权重用于表示每个所述人物关系网络的危害性;
根据所述综合中心性和所述危险权重计算所述待评估对象的危险指数。
2.根据权利要求1所述的方法,其特征在于,获取目标数据包括:
分别在数据库和社交网络中获取初始数据,其中,所述初始数据至少包括:初始对话数据,初始人物关系数据,初始消费数据;
对所述初始数据进行预处理,得到目标数据,其中,所述预处理至少包括:去杂处理,分类处理,所述去杂处理为去除所述初始数据中不符合预设字段要求的数据,所述分类处理为将所述去杂处理后的数据按照人物关系类型进行分类。
3.根据权利要求1所述的方法,其特征在于,通过所述目标数据构建人物关系网络包括:
对所述对话数据进行分析,得到多个指数,其中,每个所述指数对应一种情感类型,多个所述指数表示为目标对话数据与每个情感类型之间的关联程度,所述目标对话数据为所述对话数据中任意两个对象之间的对话数据;
根据所述目标数据和所述指数构建多个所述人物关系网络,其中,多个所述指数为多个所述人物关系网络中连边的权值。
4.根据权利要求1所述的方法,其特征在于,计算每个所述人物关系网络中待评估对象的综合中心性包括:
通过度中心性计算公式计算所述待评估对象的度中心性,所述度中心性用于表示所述待评估对象在其所属的子网络中的影响力,其中,ni为所述人物关系网络中与待评估对象i的连边数目,N为所述子网络中节点的总个数;
通过介数中心性计算公式计算所述待评估对象的介数中心性,所述介数中心性用于表示所述待评估对象在其所属的人物关系网络中对网络信息传播的控制能力,其中,σst(i)表示经过所述待评估对象i的节点s到节点t的最短路径的条数,σst表示节点s到节点t的最短路径的条数;
通过聚类系数计算公式计算所述待评估对象的聚类系数,所述聚类系数用于表示所述人物关系网络的紧密度,其中,ki为所述人物关系网络中与所述待评估对象i相邻的所有节点数,ni为所述人物关系网络中与所述待评估对象i的连边数目;
按照节点中心性计算公式Cx(i)=aImpi+bCB(i)+gCC(i)计算所述待评估对象的综合中心性,其中,Impi为所述待评估对象i的度中心性,CB(i)为所述待评估对象i的介数中心性,CC(i)为所述待评估对象i的聚类系数,a、b、g为预设系数。
5.根据权利要求4所述的方法,其特征在于,计算每个所述人物关系网络的危险权重包括:
根据危险权重计算公式计算所述人物关系网络的危险权重,其中,Nx为人物关系网络x包含的节点总数,nx为所述人物关系网络x中存在犯罪记录的人的人数,Cx(i)为在所述人物关系网络x中存在犯罪记录的人的综合中心性,sj为存在犯罪记录的人犯罪的严重性。
6.根据权利要求5所述的方法,其特征在于,根据所述综合中心性和所述危险权重计算所述待评估对象的危险指数包括:
根据危险指数计算公式计算所述待评估对象的危险指数,其中,Cx(i)表示在所述人物关系网络x中所述待评估对象i的综合中心性,W(x)表示所述人物关系网络x的危险权重。
7.根据权利要求1所述的方法,其特征在于,在根据所述综合中心性和所述危险权重计算所述待评估对象的危险指数之后,所述方法还包括:
判断所述待评估对象的危险指数是否超过预设预警阈值;
如果所述待评估对象的危险指数超过所述预设预警阈值,则进行犯罪预警;
如果所述待评估对象的危险指数小于所述预设预警阈值,则不进行犯罪预警。
8.一种危险指数的评估装置,其特征在于,所述装置包括:
获取模块,用于获取待评估对象的目标数据,其中,所述目标数据至少包括:对话数据,与所述待评估对象相关的人物关系数据,消费数据;
构建模块,用于通过所述目标数据构建人物关系网络,其中,所述人物关系网络的数量为多个,每个所述人物关系网络用于表征一种类型的人物关系;
第一计算模块,用于计算每个所述人物关系网络中所述待评估对象的综合中心性,以及计算每个所述人物关系网络的危险权重,其中,所述综合中心性用于表示所述待评估对象在每个所述人物关系网络中的重要程度,所述危险权重用于表示每个所述人物关系网络的危害性;
第二计算模块,用于根据所述综合中心性和所述危险权重计算所述待评估对象的危险指数。
9.一种电子设备,包括存储器、处理器,所述存储器上存储有可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1至7中任一项所述的方法的步骤。
10.一种具有处理器可执行的非易失的程序代码的计算机可读介质,其特征在于,所述程序代码使所述处理器执行权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710945728.5A CN107506952A (zh) | 2017-10-12 | 2017-10-12 | 危险指数的评估方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710945728.5A CN107506952A (zh) | 2017-10-12 | 2017-10-12 | 危险指数的评估方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107506952A true CN107506952A (zh) | 2017-12-22 |
Family
ID=60701254
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710945728.5A Pending CN107506952A (zh) | 2017-10-12 | 2017-10-12 | 危险指数的评估方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107506952A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108109096A (zh) * | 2017-12-29 | 2018-06-01 | 航天科工智慧产业发展有限公司 | 一种智慧检务预防职务犯罪的方法 |
CN110544190A (zh) * | 2018-05-29 | 2019-12-06 | 杭州海康威视数字技术股份有限公司 | 一种确定人员特征的方法、装置及设备 |
CN110796192A (zh) * | 2019-10-29 | 2020-02-14 | 深圳大学 | 一种基于互联网社交系统的图像分类方法及装置 |
CN111815448A (zh) * | 2020-07-09 | 2020-10-23 | 睿智合创(北京)科技有限公司 | 基于关联网络的申请单确定方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408149A (zh) * | 2014-12-04 | 2015-03-11 | 威海北洋电气集团股份有限公司 | 基于社交网络分析的犯罪嫌疑人挖掘关联方法及系统 |
CN106789292A (zh) * | 2016-12-29 | 2017-05-31 | 东方网力科技股份有限公司 | 一种异常行为监控方法和装置 |
-
2017
- 2017-10-12 CN CN201710945728.5A patent/CN107506952A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408149A (zh) * | 2014-12-04 | 2015-03-11 | 威海北洋电气集团股份有限公司 | 基于社交网络分析的犯罪嫌疑人挖掘关联方法及系统 |
CN106789292A (zh) * | 2016-12-29 | 2017-05-31 | 东方网力科技股份有限公司 | 一种异常行为监控方法和装置 |
Non-Patent Citations (1)
Title |
---|
徐杰等: "基于复杂网络的社交网络用户影响力研究", 《中国传媒大学学报自然科学版》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108109096A (zh) * | 2017-12-29 | 2018-06-01 | 航天科工智慧产业发展有限公司 | 一种智慧检务预防职务犯罪的方法 |
CN110544190A (zh) * | 2018-05-29 | 2019-12-06 | 杭州海康威视数字技术股份有限公司 | 一种确定人员特征的方法、装置及设备 |
CN110796192A (zh) * | 2019-10-29 | 2020-02-14 | 深圳大学 | 一种基于互联网社交系统的图像分类方法及装置 |
CN110796192B (zh) * | 2019-10-29 | 2023-03-28 | 深圳大学 | 一种基于互联网社交系统的图像分类方法及装置 |
CN111815448A (zh) * | 2020-07-09 | 2020-10-23 | 睿智合创(北京)科技有限公司 | 基于关联网络的申请单确定方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107316198B (zh) | 账户风险识别方法及装置 | |
CN107506952A (zh) | 危险指数的评估方法、装置及电子设备 | |
Olszewski | A probabilistic approach to fraud detection in telecommunications | |
CN107729465B (zh) | 人物危险度的评估方法、装置及电子设备 | |
Zhou et al. | A weighted fuzzy Petri-net based approach for security risk assessment in the chemical industry | |
Murphy et al. | Guidance on the use of best available science under the US Endangered Species Act | |
CN112700252B (zh) | 一种信息安全性检测方法、装置、电子设备和存储介质 | |
Jalal et al. | Forecasting incoming call volumes in call centers with recurrent neural networks | |
CN105989441A (zh) | 模型参数调整方法和装置 | |
Yarovenko | Evaluating the threat to national information security | |
CN106230773A (zh) | 基于模糊矩阵层次分析法的风险评估系统 | |
Singh Walia et al. | A dynamic pipeline for spatio-temporal fire risk prediction | |
Ung et al. | A novel human error probability assessment using fuzzy modeling | |
Flammini | Critical infrastructure security: assessment, prevention, detection, response | |
CN109325232A (zh) | 一种基于lda的用户行为异常分析方法、系统及存储介质 | |
Chandana et al. | A system of systems approach to disaster management | |
Alabsi et al. | Fitness function for genetic algorithm used in intrusion detection system | |
Izquierdo et al. | On the complexities of the design of water distribution networks | |
CN114819967A (zh) | 数据处理方法、装置、电子设备及计算机可读存储介质 | |
Bokhari et al. | Cybersecurity strategy under uncertainties for an IoE environment | |
Ashiku et al. | System of systems (SOS) architecture for Digital Manufacturing Cybersecurity | |
Qi et al. | Simulation of passenger flows on urban rail transit platform based on adaptive agents | |
Wang et al. | Reliability of systems subject to competing failure propagation and probabilistic failure isolation | |
Awiszus et al. | Building resilience in cybersecurity: An artificial lab approach | |
WO2022015496A1 (en) | Applying telematics to generate dynamic insurance premiums |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171222 |
|
RJ01 | Rejection of invention patent application after publication |