基于证据权重逻辑回归的涉恐人员身份预测

精准预测涉恐人员身份对公安机关反恐工作意义重大。为此,针对涉恐情报挖掘时的数据处理和预测效率,综合考虑公安信息五要素,建立涉恐人员标签体系,利用标签精确描述涉恐人员的数据特征。同时,引入证据权重和信息价值筛选强相关指标变量,建立证据权重逻辑回归模型预测涉恐人员身份,以解决虚拟变量陷阱和过拟合问题。实验表明,所提模型对涉恐人员的预测效果优于逻辑回归等预测模型。

基于图嵌入模型的犯罪组织成员身份预测

针对专业化、规模化的犯罪组织,前期侦办过程中只能确定部分成员的身份类别信息。如何利用有限的身份类别预测未标记人员身份,是公安情报工作的重点。传统基于人工分析的情报研判方法处理大规模犯罪的能力有限,因此需要构建更高效的数据模型。模型使用图注意力网络和拉普拉斯特征映射构建图嵌入模型,提取犯罪网络数据特征生成低维嵌入,进行身份预测。实验结果表明,模型具有优秀的预测效果和稳定性,能够有效识别犯罪组织中未知成员身份,为后续情报分析工作提供有益信息。