基于网络主体基因的特定行为倾向分析

发布时间：2022-09-28 15:29

　　在互联网飞速发展的今天,网络用户规模不断攀升,网络信息数量日益增长,尤其以社交网络为代表的互动性平台,更是紧密连接了每一个现实个体与虚拟的网络空间。由于互联网的各个虚拟主体背后的操控者是现实中的真实个体,通过对互联网中的基本特征的深入挖掘,可以分析网络主体在现实中特定行为的倾向性。社会的不断发展,催生了对公共安全的更高需求,尤其是犯罪预测等方面。在此背景下,本文以犯罪社会学相关学科为依据,分析了大量犯罪个体,研究了一种分析网络主体在现实空间中犯罪倾向的分析方法,为公共安全、刑侦、警务等提供技术支持。本文获取到大量网络主体的相关信息,结合相关学科的研究,归纳出多个主体基本特征,并进行初步挖掘。这些特征,可以唯一标定网络与现实的虚实映射关系,也在一定程度上沟通主体的行为表现。这种同时具有“推断表征”和“标定个体”两大功能的数据集合,与生物学上的“基因”概念异曲同工。因此本文借助网络主体基因理论,将网络基因的研究层次划分为属性、基因单元、基因片段三个层次。基因单元对网络主体行为性状表现起决定作用,本文结合犯罪学、社会学等相关学科的研究,定义了暴力单元、焦虑单元、社会联系单元等多种与犯罪行为相... 

【文章页数】：74 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题背景与研究意义
        1.1.1 课题来源
        1.1.2 课题的研究背景与意义
    1.2 国内外研究现状
        1.2.1 犯罪控制理论
        1.2.2 犯罪特征的研究
        1.2.3 犯罪预测相关研究
        1.2.4 网络基因研究
    1.3 主要研究内容
    1.4 论文组织结构
第2章 网络主体基因概述
    2.1 网络主体基因概述
    2.2 网络基因的层次结构
        2.2.1 网络主体基因层次
        2.2.2 网络基因相关概念定义
        2.2.3 网络空间基因的生成过程
    2.3 本章小结
第3章 网络主体基因单元抽取
    3.1 网络主体数据源
    3.2 网络主体属性描述
    3.3 网络主体基本特征
    3.4 犯罪相关基因单元抽取
        3.4.1 人生观基因单元
        3.4.2 社会联系度基因单元
        3.4.3 行为素养基因单元
        3.4.4 政治立场基因单元
        3.4.5 暴力倾向基因单元
        3.4.6 情绪状况基因单元
        3.4.7 性格基因单元
        3.4.8 焦虑基因单元
        3.4.9 掩饰基因单元
        3.4.10 职业稳定性基因单元
    3.5 抽取结果分析
    3.6 本章小结
第4章 网络主体基因单元分类
    4.1 基因单元分类概述
    4.2 基因分类方法
        4.2.1 背景基因型
        4.2.2 异位显性基因型
        4.2.3 调节基因型
        4.2.4 累加基因型
        4.2.5 互补基因型
        4.2.6 修饰基因型
        4.2.7 微效基因型
        4.2.8 抑制基因型
    4.3 本章小结
第5章 基于网络主体基因的特定行为倾向算法
    5.1 问题描述
    5.2 样本数据集的构建
        5.2.1 样本数据集介绍
        5.2.2 数据筛选
        5.2.3 数据匿名化
    5.3 基因型内部计算方法
        5.3.1 微效基因型计算
        5.3.2 互补基因型联动异位显性基因
    5.4 特定行为倾向计算方法
        5.4.1 算法概要
        5.4.2 基准基因筛选算法
        5.4.3 基因表达强度计算
        5.4.4 XGBoost模型介绍
        5.4.5 使用XGBoost计算基因表达强度
        5.4.6 犯罪行为倾向判别算法
    5.5 实验结果分析
    5.6 本章小结
结论
参考文献
攻读学位期间发表的学术论文
致谢


【参考文献】：
期刊论文
[1]基于多模态信息特征融合的犯罪预测算法研究[J]. 唐德权,史伟奇,张波云.  计算机应用与软件. 2018(07)
[2]基于环境犯罪学的犯罪预测模型的建立[J]. 李雨聪,刘硕,王方明.  情报杂志. 2018(02)
[3]从社会纽带到自我控制:两种控制理论的竞争与调和[J]. 杨学锋.  中国刑警学院学报. 2017(06)
[4]基于支持向量机的嫌疑人特征预测[J]. 李荣岗,孙春华,姬建睿.  计算机工程. 2017(11)
[5]基于随机森林的犯罪风险预测模型研究[J]. 王雨晨,过仲阳,王媛媛.  华东师范大学学报(自然科学版). 2017(04)
[6]网络空间主权研究[J]. 方滨兴,邹鹏,朱诗兵.  中国工程科学. 2016(06)
[7]改进的GA-BP神经网络模型在财产犯罪预测中的应用[J]. 李卫红,闻磊,陈业滨.  武汉大学学报(信息科学版). 2017(08)
[8]网络基因图谱研究[J]. 董新民,尹芷仪,郭晓博,高能.  信息安全研究. 2016(09)
[9]基于Logistic回归的犯罪概率预测研究[J]. 杜益虹,刘世华.  绍兴文理学院学报(自然科学). 2016(02)
[10]基于随机森林的分类器在犯罪预测中的应用研究[J]. 孙菲菲,曹卓,肖晓雷.  情报杂志. 2014(10)



本文编号：3681917