用于警情信息分析的实体识别系统的研究与实现

发布时间：2020-05-17 06:44

【摘要】：警情案件具有一定的相似性、可预测性。通过历史的警情信息分析,可以完成警情案件的串并,用以加速破案和防范犯罪。在过去,民警记录警情信息的方式是通过纸质书写的方式记录到特定的档案中,最后将不同的案件进行归档。而现在,民警能够利用在线的警情管理系统完成警情案件的记录与检索。虽然警情信息管理系统极大地提高了记录与检索的效率,但是,仅仅记录警情事件的描述无法有效的完成警情信息的分析,还需要综合警情中报案人、案发地点、涉及到的组织机构等信息进行多维度的分析。基于以上背景,本文从警情信息分析的角度入手,对如何提取警情信息中的有效实体信息进行了研究,设计并实现了一个用于警情信息分析的实体识别系统。本文以警情信息的分析作为目标,对警情信息中有利于案件分析的有效实体进行了研究,并提出了适用于警情信息的实体识别方法。本文对条件随机场与深度神经网络结合条件随机场两种方法进行了实验与对比,两种方法均取得了较高的准确率、召回率和F1值,但从各个类别及整体的评估结果来看,得出了基于深度学习的方法确实优于传统模型的结论。本文完成的主要工作有:第一,对系统中用到的相关技术和算法进行了介绍,包括词的表示、概率图模型、神经网络等理论基础。第二,通过对警情信息的分析,对提取的警情地点进行了细分,并完成了警情实体识别模型搭建的任务。第三,对系统的功能性需求和非功能性需求进行了分析,根据需求分析的结果对系统的层次架构和功能模块进行了设计,并完成了数据库相关设计。最后,给出了系统主要功能模块的具体实现,并对系统的运行界面进行了展示。本文所完成的警情实体识别模型经过测试,已部署至项目合作方的内部系统中。在半年的使用过程中,模型运行良好,识别度高,对方表示赞赏,证明了本模型的有效性。
【图文】：

序列,数据类型,表示方法

可以认为利用深度学习解决问题的模式是“输入数据－＞邋深度学逡逑习模型－＞邋输出结果”。深度学习模型主要工作原理是在训练集上学习到非线性变逡逑换空间，那么就要求输入数据必须是数值化，可计算的。如图２－１所示，对于逡逑语音方面的任务而言，音频频谱序列向量是可以直接作为输入数据传递给计算逡逑机，在图像处理中，图片的像素向量也是可以直接作为输入数据传递给计算逡逑机。然而，在自然语言处理中，文本的字词没有天然的稠密表征方式，需要将逡逑文本的字词转换为像音频和图像一样具有表征含义且稠密的向量输入到计算机逡逑中。逡逑ＡＵＤＩＯ逦ＩＭＡＧＥＳ逦ＴＥＸＴ逡逑Ｉ邋／邋ｉ邋Ｉ逡逑１邋？邋ｊ邋？邋ＷＩ？邋Ｉｃｙ）邋？］逡逑ｉｉＬ邋ＢＡ逦！漏逡逑Ａｕｄｉｏ邋Ｓｐｅｃｔｒｏｇｒａｍ逦＝ｎ0ｔ＝逡逑ＤＥＮＳＥ逦ＤＥＮＳＥ逦ＳＰＡＲＳＥ逡逑图２－１不同数据类型的表示方法逡逑不难发现，语言相对于声音和图像会显得更“高级”一点。在图像和语音逡逑领域，最基本的数据就是信号数据，通过这种低级且有效地数据组织方式，，能逡逑够很好的表征出数据原有的内涵，譬如在比较声音或者图片是否相似时，可以逡逑直接通过欧式距离的度量就能够得出结论。而语言作为一种人类文明的产物，逡逑其具有高度抽象的特征。不妨举个例子

示意图,输入层,模型,三层

ｗ（ｔ＋２）逡逑图２－２邋ＣＢＯＷ模型示意图逡逑如图２－２所示，ＣＢＯＷ模型主要分为三层，分别是输入层、投影层和输出逡逑层。以“我在北邮打篮球”这句话为例，令上下文窗口大小Ｋ为２，并且假定逡逑当前关注的词语是“北邮”。输入层的输入ｗ（ｔ－２）、ｗ（ｔ－ｌ）、ｗ（ｔ＋ｌ）、ｗ（ｔ＋２）则分逡逑别对应“我”、“在”、“打”、“篮球”的词向量；投影层的主要任务是将上下文逡逑的词向量进行一个累加；输出层则需要预测当前的中心词为“北邮”。逡逑２）邋Ｓｋｉｐ－ｇｒａｍ邋Ｍｏｄｅｌ逡逑Ｓｋｉｐ－ｇｒａｍ模型如图２－３所示，其模型原理和ＣＢＯＷ模型非常类似，可以逡逑简单的认为是将ＣＢＯＷ模型的输入与输出进行了倒置。Ｓｋｉｐ－ｇｒａｍ的原理是通逡逑过某个词来预测其上下文的词的概率模型，目标为使得对数似然函数Ｌ最大化。逡逑Ｌ如式２－２所不，其中ｗ代表当前词语，Ｃｏｎｔｅｘｔ（ｗ）代表当前词语上下文，＼／代逡逑表语料中的词集合。逡逑Ｌ邋＝邋＾邋ｌｏｇｐ（ｃｏｎｔｅｘｔ（ｗ＇）＼ｗ）邋（２邋—邋２）逡逑ＷＥＶ逡逑８逡逑
【学位授予单位】：北京邮电大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：D631.1;TP18;TP391.1

【相似文献】