CN110716957A - 类案可疑对象智能挖掘分析方法 - Google Patents

类案可疑对象智能挖掘分析方法 Download PDF

Info

Publication number
CN110716957A
CN110716957A CN201910899305.3A CN201910899305A CN110716957A CN 110716957 A CN110716957 A CN 110716957A CN 201910899305 A CN201910899305 A CN 201910899305A CN 110716957 A CN110716957 A CN 110716957A
Authority
CN
China
Prior art keywords
case
key
analyzing
feature
elements
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.)
Granted
Application number
CN201910899305.3A
Other languages
English (en)
Other versions
CN110716957B (zh
Inventor
苏学武
刘怀春
唐飞
何晓伟
谢丽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
ZHUHAI XINDEHUI INFORMATION TECHNOLOGY Co Ltd
Original Assignee
ZHUHAI XINDEHUI INFORMATION TECHNOLOGY Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by ZHUHAI XINDEHUI INFORMATION TECHNOLOGY Co Ltd filed Critical ZHUHAI XINDEHUI INFORMATION TECHNOLOGY Co Ltd
Priority to CN201910899305.3A priority Critical patent/CN110716957B/zh
Publication of CN110716957A publication Critical patent/CN110716957A/zh
Application granted granted Critical
Publication of CN110716957B publication Critical patent/CN110716957B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2455—Query execution
    • G06F16/24564—Applying rules; Deductive queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种类案可疑对象智能挖掘分析方法，包括以下具体步骤：输入历史已破案件侦查研判要素进行样本训练；分析历史已破案件侦查研判要素，产生关键要素特征；通过Apriori算法对关键要素特征进行分析计算，形成关键要素与涉案对象决策树；分析新发案件要素特征，形成新发案件条件集；输入新发案件条件集；基于决策树智能挖掘分析，通过决策树算法对新发案件进行决策；精确推送可疑对象。本发明通过对历史同类案件进行训练学习，形成每类案件的侦查素材集，针对后续新发的同类案件，基于历史的案件侦查训练集进行自动学习，结合不同案件条件，采用不同的研判方法进行智能推导分析，从而自动分析潜在的案件可疑对象，并向办案人员主动推送。

Description

类案可疑对象智能挖掘分析方法
技术领域
本发明涉及公共安全行为侦查技术领域，特别是一种类案可疑对象智能挖掘分析方法。
背景技术
在公共安全行业中，很多基层没有办案经验的民警在侦查办案过程中，每天面对各种各样的案件，线索稀少、案情复杂，往往无从下手，难以结合当前案件发生的作案特征(如接近手段、侵害手段、选择对象、选择时机、选择区域等)和线索要素(时间、空间、人员、物品等)做到精准的分析研判，无法自动分析潜在的可疑对象，经通过办案民警的经验进行判断。为了破解此难题，目前传统的做法是针对案件相关特征和规律，根据作案特点与可疑对象间的关联关系设定一定的关联规则，通过关联规则的综合运算，推断最有可能的潜在作案对象。
该技术手段虽然一定程度发现了潜在的作案对象，部分解决了自动化运算、潜在对象自动推送问题，但是该方案的设计思路并没有从历史的已破案件样本中寻找规律，仅仅是依靠办案专家的经验进行总结，提供相关的关联规则，设置打分权重，存在一定弊端：一是难以实现精准地推理运算，二是无法适应新发案件的分析，综合成效大大折扣，无法满足实战应用要求。
发明内容
本发明需要解决的技术问题是提供一种类案可疑对象智能挖掘分析方法，以解决传统的关联规则去推断潜在的作案对象并没有从历史已破案件样本中寻找规律，而难以实现精准地推理运算以及无法适应新发案件分析问题，以实现对潜在作案对象精确地推理运算，实现无办案经验的民警也能够对案件进行分析研判的目的。
为解决上述技术问题，本发明所采取的技术方案如下。
类案可疑对象智能挖掘分析方法，包括以下具体步骤：
S1、输入历史已破案件侦查研判要素进行样本训练；
S2、分析历史已破案件侦查研判要素，产生关键要素特征；
S3、通过Apriori算法对步骤S2中关键要素特征进行分析计算，形成关键要素与涉案对象决策树；
S4、分析新发案件要素特征，形成新发案件条件集；系统接收新发的案件信息，根据案件的类别提取同类案别的历史案件训练集中相同的涉案关键特征要素；
S5、输入新发案件条件集；系统输入新发案件提取的涉案关键特征集；
S6、基于步骤S3中决策树智能挖掘分析，通过决策树算法对新发案件进行决策；把新发的案件的所有关键特征要素作为节点，遍历每个特征要素的每种分裂方式，找到依赖权重最大的分裂特征，分裂成两个或者多个节点，针对分裂后的节点不断迭代循环分裂，直到找到最终的关键特征要素，最终形成决策树路径；
S7、精确推送可疑对象；根据步骤S6分析出的新发案件决策树路径，结合路径中出现的关键特征要素，按照关键要素在路径中出现的顺序，逐个分析筛选每个关键特征要素中出现的涉案人员，综合多个关键特征要素进行碰撞分析，最终推导出最终潜在的可疑人员数据集；
所述步骤S2中，关键要素特征为典型的、能够确定涉案人员的相关行为特征。
进一步优化技术方案，所述步骤S1中，按照案件状态条件查询出归档案件库中所有的已破案件，关联出已破案件抓获的嫌疑人员，根据每类案件嫌疑人的涉案要素，形成测试样本库，选择一定的随机比例样本数据，通过Scikit-learn进行训练学习。
进一步优化技术方案，所述涉案要素包括户籍、籍贯、性别、年龄、民族、文化程度、职业、专长、活动轨迹、关系人、前科特征。
进一步优化技术方案，所述步骤S2中，通过监督学习中的分类算法分析同类案件的训练结果集，输出各类涉案要素与每类案件关联紧密程度，形成每类案件的关键要素特征，分析出对产生该类案件的关键影响因素。
进一步优化技术方案，所述步骤S2中，相关行为特征包括涉案人员年龄大小、民族属性、结婚与否、居住情况、高危户籍、职业是否正当、前科匹配、涉案情况、案发时活动情况、与案发现场距离、案前行为异常、案后行为异常、密切可疑关系人。
进一步优化技术方案，所述步骤S3中，通过Apriori算法对步骤S2中关键要素特征进行分析计算的过程如下：
S31、根据历史涉案人员所涉及的不同的要素行为特征组合产生的可能性进行组合，设定各类组合的支持度和置信度；
S32、找出一些频繁项集，通过对频繁项集的连接，找出含因子数最多的频繁项集；
S33、步骤S32中含因子数最多的频繁项集的因子，即为要选的、决定为案件潜在可疑对象的关键要素；
S34、经步骤S33选出的关键要素通过设置要素特征项属性与涉案对象类型之间的映射关系，形成涉案对象决策树。
进一步优化技术方案，所述步骤S3中，通过Apriori算法对步骤S2中关键要素特征进行分析计算的过程如下：
S31′、将步骤S2中已破案件样本数据中训练出的关键要素特征信息通过Apriori算法进行分析，找出每种类案中关键要素特征中出现的频繁项；
S32′、分析同类案件不同条件下的组合情况，并进一步分析频繁项中不同关键要素之间的置信度；
S33′、分析案件在出现某类关键特征下同时出现其他关键特征项的关联概率，从而分析出每项关键要素特征之间的依赖关系和依赖权重；
S34′、结合步骤S33依赖关系和依赖权重，根据依赖关系的递归关系形成每类案件的关键要素特征决策树。
进一步优化技术方案，所述步骤S6中，决策树中每个分叉路径则代表的某个可能的要素特征值，而每个叶结点则对应从根节点到该叶节点所经历的路径所表示的对象。
由于采用了以上技术方案，本发明所取得技术进步如下。
本发明主要应用于如何通过对犯罪特征、侦查研判过程等历史日志信息的自动学习、总结、提炼，为后续的案件侦查研判过程提供智能推荐导侦应用，结合当前案件的手段特点，自动推算出潜在的可疑对象。本发明通过总结历史每类已破案件的侦查日志信息，分析案件侦查研判的推导过程，掌握案件和可疑对象之间的潜在关联关系，通过对历史同类案件进行训练学习，形成每类案件的侦查素材集，针对后续新发的同类案件，基于历史的案件侦查训练集进行自动学习，结合不同案件条件，采用不同的研判方法进行智能推导分析，从而自动分析潜在的案件可疑对象，并向办案人员主动推送。
本发明基于云计算、大数据等新技术，充分利用现有的大数据资源体系，通过数据挖掘、机器学习等算法及手段，构建基于历史案件的智能挖掘分析模型，通过自动学习历史案件侦查经验，智能分析推断，精准推送新发案件的可疑对象，为侦查人员提供智能化的侦查应用场景，实现了传统侦查办案被动式摸排侦查分析向新型机器主动侦查推送线索的革新式转变，实现了智慧侦查、智能办案应用的新局面，利用科技手段提升了基层民警侦查办案效率，基本实现“足不出户，能破天下案的”美好愿景，全面提升公共安全行为侦查研判的能力及水平。
附图说明
图1为本发明的流程图。
具体实施方式
下面将结合附图和具体实施例对本发明进行进一步详细说明。
实施例1
一种类案可疑对象智能挖掘分析方法，包括以下具体步骤：
S1、输入历史已破案件侦查研判要素进行样本训练。
按照案件状态条件查询出归档案件库中所有的已破案件，关联出已破案件抓获的嫌疑人员，根据每类案件嫌疑人的涉案要素，形成测试样本库，选择一定的随机比例样本数据，通过Scikit-learn进行训练学习。
其中，Scikit-learn为机器学习库，是专门面向机器学习的Python开源框架，它实现了各种成熟的算法，并且易于安装与使用。机器学习研究的是识别作为数据分析对象的数据集中模式的方法，尤其是指研发算法，从数据中学习，并作出预测。
涉案要素包括户籍、籍贯、性别、年龄、民族、文化程度、职业、专长、活动轨迹、关系人、前科特征。
S2、分析历史已破案件侦查研判要素，产生关键要素特征。
通过监督学习中的分类算法分析同类案件的训练结果集，输出各类涉案要素与每类案件关联紧密程度，形成每类案件的关键要素特征，分析出对产生该类案件的关键影响因素。
关键要素特征为典型的、能够确定涉案人员的相关行为特征。相关行为特征包括涉案人员年龄大小、民族属性、结婚与否、居住情况、高危户籍、职业是否正当、前科匹配、涉案情况、案发时活动情况、与案发现场距离、案前行为异常、案后行为异常、密切可疑关系人等。
S3、通过Apriori算法对步骤S2中关键要素特征进行分析计算，形成关键要素与涉案对象决策树。
步骤S3中，通过Apriori算法对步骤S2中关键要素特征进行分析计算的过程如下：
S31、根据历史涉案人员所涉及的不同的要素行为特征组合产生的可能性进行组合，设定各类组合的支持度和置信度；
S32、找出一些频繁项集，通过对频繁项集的连接，找出含因子数最多的频繁项集；
S33、步骤S32中含因子数最多的频繁项集的因子，即为要选的、决定为案件潜在可疑对象的关键要素；
S34、经步骤S33选出的关键要素通过设置要素特征项属性与涉案对象类型之间的映射关系，形成涉案对象决策树。
S4、分析新发案件要素特征，形成新发案件条件集。系统接收新发的案件信息，根据案件的类别提取同类案别的历史案件训练集中相同的涉案关键特征要素。
S5、输入新发案件条件集。系统输入新发案件提取的涉案关键特征集。
S6、基于决策树智能挖掘分析，通过决策树算法对新发案件进行决策。
把新发的案件的所有关键特征要素作为节点，遍历每个特征要素的每种分裂方式，找到依赖权重最大的分裂特征，分裂成两个或者多个节点，针对分裂后的节点不断迭代循环分裂，直到找到最终的关键特征要素，最终形成决策树路径。
决策树中每个分叉路径则代表的某个可能的要素特征值，而每个叶结点则对应从根节点到该叶节点所经历的路径所表示的对象，从而预测最有可能的潜在涉案人员。
S7、精确推送可疑对象。
根据步骤S6分析出的新发案件决策树路径，结合路径中出现的关键特征要素，按照关键要素在路径中出现的顺序，逐个分析筛选每个关键特征要素中出现的涉案人员，综合多个关键特征要素进行碰撞分析，最终推导出最终潜在的可疑人员数据集。
本发明在实际进行案件潜在涉案对象的推送过程如下。
如通过对XX类案的历史案件和已抓获到案的嫌疑人员进行综合分析，找出XX类案特征与嫌疑人之间紧密关联的、能够决定潜在涉案的大量可用特征；例如通过分析人员的年龄大小、民族属性、结婚与否、居住情况、高危户籍、职业是否正当、前科匹配、涉案情况、案发时活动情况、与案发现场距离、案前/案后行为异常、密切可疑关系人等特征，确定特征与案件匹配关联的支持度和置信度，对于选取的历史涉案人员分析总结的典型且能够决定涉案与否的特征，通过Apriori关联规则找出一些重要的频繁项集，通过对频繁项集的连接，找出含因子数最多的决定性关键项集。该关键项集中的因子，即为要选定的人员潜在涉案与否的特征。选出关键特征以后，通过决策树算法对后续新发的XX案数据进行模拟决策，从而分析具体的人员是否存在涉XX案的嫌疑。
实施例2
基于实施例1的基础上，本实施例与本实施例1的不同之处在于，步骤S3中通过Apriori算法对步骤S2中关键要素特征进行分析计算的过程过程不同。
步骤S3的具体步骤如下：
S31′、将步骤S2中已破案件样本数据中训练出的关键要素特征信息通过Apriori算法进行分析，找出每种类案中关键要素特征中出现的频繁项；
S32′、分析同类案件不同条件下的组合情况，并进一步分析频繁项中不同关键要素之间的置信度；
S33′、分析案件在出现某类关键特征下同时出现其他关键特征项的关联概率，从而分析出每项关键要素特征之间的依赖关系和依赖权重；
S34′、结合步骤S33依赖关系和依赖权重，根据依赖关系的递归关系形成每类案件的关键要素特征决策树。

Claims (8)

1.类案可疑对象智能挖掘分析方法，其特征在于，包括以下具体步骤：
S1、输入历史已破案件侦查研判要素进行样本训练；
S2、分析历史已破案件侦查研判要素，产生关键要素特征；
S3、通过Apriori算法对步骤S2中关键要素特征进行分析计算，形成关键要素与涉案对象决策树；
S4、分析新发案件要素特征，形成新发案件条件集；系统接收新发的案件信息，根据案件的类别提取同类案别的历史案件训练集中相同的涉案关键特征要素；
S5、输入新发案件条件集；系统输入新发案件提取的涉案关键特征集；
S6、基于步骤S3中决策树智能挖掘分析，通过决策树算法对新发案件进行决策；把新发的案件的所有关键特征要素作为节点，遍历每个特征要素的每种分裂方式，找到依赖权重最大的分裂特征，分裂成两个或者多个节点，针对分裂后的节点不断迭代循环分裂，直到找到最终的关键特征要素，最终形成决策树路径；
S7、精确推送可疑对象；根据步骤S6分析出的新发案件决策树路径，结合路径中出现的关键特征要素，按照关键要素在路径中出现的顺序，逐个分析筛选每个关键特征要素中出现的涉案人员，综合多个关键特征要素进行碰撞分析，最终推导出最终潜在的可疑人员数据集；
所述步骤S2中，关键要素特征为典型的、能够确定涉案人员的相关行为特征。
2.根据权利要求1所述的类案可疑对象智能挖掘分析方法，其特征在于，所述步骤S1中，按照案件状态条件查询出归档案件库中所有的已破案件，关联出已破案件抓获的嫌疑人员，根据每类案件嫌疑人的涉案要素，形成测试样本库，选择一定的随机比例样本数据，通过Scikit-learn进行训练学习。
3.根据权利要求2所述的类案可疑对象智能挖掘分析方法，其特征在于，所述涉案要素包括户籍、籍贯、性别、年龄、民族、文化程度、职业、专长、活动轨迹、关系人、前科特征。
4.根据权利要求1所述的类案可疑对象智能挖掘分析方法，其特征在于，所述步骤S2中，通过监督学习中的分类算法分析同类案件的训练结果集，输出各类涉案要素与每类案件关联紧密程度，形成每类案件的关键要素特征，分析出对产生该类案件的关键影响因素。
5.根据权利要求1或4所述的类案可疑对象智能挖掘分析方法，其特征在于，所述步骤S2中，相关行为特征包括涉案人员年龄大小、民族属性、结婚与否、居住情况、高危户籍、职业是否正当、前科匹配、涉案情况、案发时活动情况、与案发现场距离、案前行为异常、案后行为异常、密切可疑关系人。
6.根据权利要求1所述的类案可疑对象智能挖掘分析方法，其特征在于，所述步骤S3中，通过Apriori算法对步骤S2中关键要素特征进行分析计算的过程如下：
S31、根据历史涉案人员所涉及的不同的要素行为特征组合产生的可能性进行组合，设定各类组合的支持度和置信度；
S32、找出一些频繁项集，通过对频繁项集的连接，找出含因子数最多的频繁项集；
S33、步骤S32中含因子数最多的频繁项集的因子，即为要选的、决定为案件潜在可疑对象的关键要素；
S34、经步骤S33选出的关键要素通过设置要素特征项属性与涉案对象类型之间的映射关系，形成涉案对象决策树。
7.根据权利要求1所述的类案可疑对象智能挖掘分析方法，其特征在于，所述步骤S3中，通过Apriori算法对步骤S2中关键要素特征进行分析计算的过程如下：
S31′、将步骤S2中已破案件样本数据中训练出的关键要素特征信息通过Apriori算法进行分析，找出每种类案中关键要素特征中出现的频繁项；
S32′、分析同类案件不同条件下的组合情况，并进一步分析频繁项中不同关键要素之间的置信度；
S33′、分析案件在出现某类关键特征下同时出现其他关键特征项的关联概率，从而分析出每项关键要素特征之间的依赖关系和依赖权重；
S34′、结合步骤S33依赖关系和依赖权重，根据依赖关系的递归关系形成每类案件的关键要素特征决策树。
8.根据权利要求1所述的类案可疑对象智能挖掘分析方法，其特征在于，所述步骤S6中，决策树中每个分叉路径则代表的某个可能的要素特征值，而每个叶结点则对应从根节点到该叶节点所经历的路径所表示的对象。
CN201910899305.3A 2019-09-23 2019-09-23 类案可疑对象智能挖掘分析方法 Active CN110716957B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910899305.3A CN110716957B (zh) 2019-09-23 2019-09-23 类案可疑对象智能挖掘分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910899305.3A CN110716957B (zh) 2019-09-23 2019-09-23 类案可疑对象智能挖掘分析方法

Publications (2)

Publication Number Publication Date
CN110716957A true CN110716957A (zh) 2020-01-21
CN110716957B CN110716957B (zh) 2022-09-02

Family

ID=69210769

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910899305.3A Active CN110716957B (zh) 2019-09-23 2019-09-23 类案可疑对象智能挖掘分析方法

Country Status (1)

Country Link
CN (1) CN110716957B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111369417A (zh) * 2020-03-05 2020-07-03 青岛海信网络科技股份有限公司 一种基于技战法模型的案件线索获取方法及装置
CN111666495A (zh) * 2020-06-05 2020-09-15 北京百度网讯科技有限公司 案件推荐方法、装置、设备以及存储介质
CN112241422A (zh) * 2020-09-18 2021-01-19 珠海市新德汇信息技术有限公司 基于出入境记录的水客智能挖掘分析方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103150381A (zh) * 2013-03-14 2013-06-12 北京理工大学 一种高精度汉语谓词识别方法
CN108596750A (zh) * 2018-05-09 2018-09-28 西安交通大学 一种基于并行关联规则挖掘的发票虚开识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103150381A (zh) * 2013-03-14 2013-06-12 北京理工大学 一种高精度汉语谓词识别方法
CN108596750A (zh) * 2018-05-09 2018-09-28 西安交通大学 一种基于并行关联规则挖掘的发票虚开识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘军: "数据挖掘技术在公安警务信息管理系统中的应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
刘洋: "铁路警务信息系统中的数据挖掘方法应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111369417A (zh) * 2020-03-05 2020-07-03 青岛海信网络科技股份有限公司 一种基于技战法模型的案件线索获取方法及装置
CN111666495A (zh) * 2020-06-05 2020-09-15 北京百度网讯科技有限公司 案件推荐方法、装置、设备以及存储介质
CN111666495B (zh) * 2020-06-05 2023-08-11 北京百度网讯科技有限公司 案件推荐方法、装置、设备以及存储介质
CN112241422A (zh) * 2020-09-18 2021-01-19 珠海市新德汇信息技术有限公司 基于出入境记录的水客智能挖掘分析方法

Also Published As

Publication number Publication date
CN110716957B (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
CN110223168B (zh) 一种基于企业关系图谱的标签传播反欺诈检测方法及系统
CN109347801B (zh) 一种基于多源词嵌入和知识图谱的漏洞利用风险评估方法
Durairaj et al. Educational data mining for prediction of student performance using clustering algorithms
Ektefa et al. Intrusion detection using data mining techniques
CN110716957B (zh) 类案可疑对象智能挖掘分析方法
Gwon et al. Network intrusion detection based on LSTM and feature embedding
CN111143838B (zh) 数据库用户异常行为检测方法
Sharma Z-CRIME: A data mining tool for the detection of suspicious criminal activities based on decision tree
CN110909542B (zh) 智能语义串并分析方法及系统
CN112966259A (zh) 电力监控系统运维行为安全威胁评估方法及设备
CN108229170A (zh) 利用大数据和神经网络的软件分析方法和装置
CN111047173A (zh) 基于改进d-s证据理论的社团可信度评估方法
Talingdan Performance comparison of different classification algorithms for household poverty classification
Ali et al. Fake accounts detection on social media using stack ensemble system
CN117972783A (zh) 基于联邦学习的大数据隐私保护方法及系统
Khatun et al. Data mining technique to analyse and predict crime using crime categories and arrest records
Sujatha et al. A new efficient SIF-based FCIL (SIF–FCIL) mining algorithm in predicting the crime locations
Marabad Credit card fraud detection using machine learning
Tundis et al. Limits in the data for detecting criminals on social media
Bharathi et al. A supervised learning approach for criminal identification using similarity measures and K-Medoids clustering
CN111967494B (zh) 一种面向大型活动公安系统警卫安保的多源异构数据分析方法
Mohamed et al. Alert correlation framework using a novel clustering approach
Hamadeh et al. Predicting forest fire hazards using data mining techniques: decision tree and neural networks
Guevara et al. Intrusion detection with neural networks based on knowledge extraction by decision tree
KR20210142443A (ko) 사이버 공간에서 실시간 공격 탐지를 위한 시간에 따른 지속적인 적응형 학습을 제공하는 방법 및 시스템

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
GR01 Patent grant
GR01 Patent grant