摘要：

論文論述了利用機器學習的相關技術(shù)，整合監(jiān)督相關數(shù)據(jù)，提取在押人員和歷史人員的相關特征和風險評估表特征，利用大數(shù)據(jù)、機器學習、深度學習技術(shù)，研發(fā)和建設了一套監(jiān)所人員風險評估算法模型。

大數(shù)據(jù)是一種手段，并不能無所不包、無所不用。研究并利用大數(shù)據(jù)技術(shù)的根本目的在于用好數(shù)據(jù)，通過挖掘海量數(shù)據(jù)中的隱藏價值，實現(xiàn)數(shù)據(jù)賦能業(yè)務。大數(shù)據(jù)建模本質(zhì)上是一個機器學習的過程，機器學習是一門研究怎樣使用數(shù)據(jù)思維解決問題的學科，它的原理和人類思維非常相似，人類是基于經(jīng)驗對規(guī)律進行總結(jié)和歸納，而機器（計算機）則是基于數(shù)據(jù)（即經(jīng)驗的外在體現(xiàn)），利用算法來總結(jié)規(guī)律，并作出預測。

當前，信息技術(shù)、網(wǎng)絡技術(shù)已經(jīng)進入了各行各業(yè)，現(xiàn)代社會治安隱患、新型犯罪活動等也更加智能化、隱蔽化，甚至出現(xiàn)了許多高科技犯罪手法，被動搜集信息的公安警務工作模式已經(jīng)跟不上社會發(fā)展的腳步，而將大數(shù)據(jù)智能化技術(shù)深入應用，可以有效提高公安機關的打擊犯罪能力、保障社會安全的能力！

本篇論文刊登于《警察技術(shù)》2022年第1期

本文由杭州中奧科技有限公司（北京研究院、數(shù)據(jù)智能部）、公安部第一研究所聯(lián)合編寫。

關鍵詞：風險評估預警模型、機器學習、半監(jiān)督、支持向量機、K近鄰、隨機森林

一、背景

我國目前的監(jiān)獄人員管理現(xiàn)狀，多數(shù)還停留在以獄警巡查加攝像機監(jiān)視報警的階段，人工作業(yè)仍占絕大比重，信息化程度比較低。

為提高監(jiān)管風險識別水平，我們可以利用機器學習的相關技術(shù)，整合監(jiān)管方面的相關數(shù)據(jù)，提取服刑人員相關特征和風險評估表，利用大數(shù)據(jù)、數(shù)據(jù)庫處理技術(shù)、計算機軟件技術(shù)、地理信息系統(tǒng)技術(shù)、互聯(lián)網(wǎng)技術(shù)等多學科能力，研發(fā)和建設了這套獄所人員的風險評估算法模型，實現(xiàn)監(jiān)所管理信息化，檢索的智能化。

二、模型構(gòu)建相關技術(shù)

圖1 模型整體框架

2.1  模型整體框架

在傳統(tǒng)機器學習行業(yè)中，無標簽的數(shù)據(jù)易于獲取，而有標簽的數(shù)據(jù)收集起來通常很困難，標注也耗時和耗力。在這種情況下，半監(jiān)督學習更適用于現(xiàn)實世界中的應用。

在分辨監(jiān)所人員風險訓練樣本時，我們只能通過以往人員犯事記錄進行風險標記，對于那些沒有明顯表征，但潛在存在風險的人員我們?nèi)睙o法完全標記為無風險白樣本。

本模型是一種基于半監(jiān)督學習框架的特征向量學習預測模型方法

圖2 半監(jiān)督學習架構(gòu)圖

2.2  模型特征提取

采用模型的特征在已知結(jié)構(gòu)化特征提取的基礎上增加非結(jié)構(gòu)化特征提取。結(jié)構(gòu)化特征提取在行業(yè)內(nèi)常用成熟。

一般簡單的非結(jié)構(gòu)化特征提取采用正則+規(guī)則的形式，往往用在身份證號，生日，手機號等規(guī)則的實體提取場景采用，但在本場景中，監(jiān)所數(shù)據(jù)中非結(jié)構(gòu)化特征大量存在于談話記錄，教育記錄，歷史檔案等復雜文本當中，提取的體征也較身份證號這類實體復雜。

因此我們采用基于深度學習的命名實體識別技術(shù)BERT+CRF（神經(jīng)網(wǎng)絡進行提取。BERT使用Transformer作為獲取文本表征的手段（主要依賴了多頭的self-attention機制， 見圖3）， 能夠獲取比BiLstm更深層次的語言表征。

基于谷歌預訓練的中文BERT模型， 結(jié)合我們的命名實體識別任務（針對特定場景的標注和訓練）， 在保證模型有較強泛能力的同時， 提升特定場景下的模型準確率。使用BERT提取文本向量特征后，與結(jié)構(gòu)化特征一起構(gòu)建人員特征寬表待進入半監(jiān)督模型訓練。

圖3 BERT Transform框架

三、數(shù)據(jù)的分析及處理

3.1  數(shù)據(jù)特征篩選

參考數(shù)據(jù)庫表和表內(nèi)數(shù)據(jù)，提取健康、鬧監(jiān)、心理等六個模型的關鍵屬性，摘取模型訓練所需的特征維度。

在押危險人員具備區(qū)別于普通在押人員的一些特點和活動規(guī)律。通過針對所需要分析的目標人群的背景信息、案件信息、獎懲信息、就醫(yī)信息、健康情況、違紀違規(guī)等數(shù)據(jù)加上人員在押生活中記錄的如談話記錄、教育記錄，案件案情，客觀評價等非結(jié)構(gòu)化文本類信息，提取出多維度的特征標簽形成特征寬表，通過模型訓練結(jié)合業(yè)務角度從在押人員中挖掘出潛在的高風險人員。

3.2  數(shù)據(jù)預處理

針對特征進行歸一化處理，z-score歸一化轉(zhuǎn)化為0-1之間的數(shù)值，使得各個特征在同一度量維度下，從而使它們之間的權(quán)重更好處理。此外，采用利用均值和標準差對數(shù)值進行歸一化，針對年齡、同行次數(shù)等連續(xù)型特征進行離散化，將其等頻離散化/等區(qū)間離散化處理，降低算法對于分布假設的依賴性。

針對每個數(shù)值型特征，結(jié)合特征的分布及與目標分類的分布情況，對于特征進行數(shù)學變化，比如次方，三次方，取自然對數(shù)等數(shù)學變換。

3.3  特征向量數(shù)據(jù)平滑處理

進行特征向量提取和表示時，并不是每個特征值在每個維度都有數(shù)值，經(jīng)常該字段為空值或者缺失，當詞匯在某個維度未出現(xiàn)時，記錄該特征點時用0來表示，但是該特征對應的特征向量就會出現(xiàn)一個斷點，這對模型訓練和結(jié)果分析時造成了很大困難，需要對特征進行修正，以達到能符合后續(xù)處理的需要。本文采用滑動平均值來處理數(shù)值斷點問題。

3.4  特征向量人工標注

于模型訓練的特征數(shù)據(jù)需要人工進行標注，數(shù)據(jù)有了標簽，機器才可以根據(jù)帶有標簽的數(shù)據(jù)進行模型訓練，數(shù)據(jù)標注標準采用是否有風險進行標注，即對數(shù)據(jù)的多個維度進行人工綜合分析，并判斷該犯人是否有健康、鬧監(jiān)、心理等六個方向的風險，標注人員為具有多年看守所工作經(jīng)驗的預警，標注人員只需要根據(jù)犯人的特征數(shù)據(jù)表中的信息，在上述的健康、鬧監(jiān)、心理等六個方向上打上是或否的標記，是表示該犯人具有該方向的風險，而否表示該犯人無該方向的風險。

四、半監(jiān)督學習模型訓練

4.1  不同類別基分類器模型選擇

在進行健康、鬧監(jiān)、心理等六個模型訓練時，由于特征數(shù)據(jù)的維度和疏密程度不同，所以采用的機器學習框架不同。根據(jù)數(shù)據(jù)和風險評估的最終效果，選取了K近鄰算法、支持向量機模型和隨機森林模型。

4.2  實驗結(jié)果與分析

在對健康、鬧監(jiān)、心理等6個模型進行五輪交叉驗證模型訓練后，利用訓練好的模型對測試數(shù)據(jù)進行預測，計算得到每個模型的準確率（ACC）和召回率（REC）。綜合評估，六個模型平均的準確率和召回率達到80%以上，當在訓練數(shù)據(jù)積累較多時，特征維度較為豐富時，使用非距離計算的樹形模型具有較好的泛化性。

如今信息化智能化已在遍地開花，機器學習技術(shù)已日趨成熟，已在金融、軍事、政府、公安等各個領域應用廣泛?？词厮捅O(jiān)獄這類監(jiān)管的行業(yè)更加需要信息化注入新的力量，以便于更好的為社會主義建設服務。而人工智能在監(jiān)管領域落地，更進一步說明信息化建設迫在眉睫。因此，機器學習和人工智能在監(jiān)獄行業(yè)的落地具有重要意義。

本文提出了一種基于半監(jiān)督學習的監(jiān)所獄所風險人員評估的計算方法，也總結(jié)了具體的遠程，針對不同種類特征數(shù)據(jù)不同機器學習訓練模型的優(yōu)劣。對于在模型訓練過程中人工標注數(shù)據(jù)較少，特征向量中缺失值較多的情況，某些人員的特征性質(zhì)可能并沒有在數(shù)據(jù)特征層面取得較好的體現(xiàn)。在將來的研究中，需要更加細致的統(tǒng)計人員的相關特征，這樣才能更加細致的體現(xiàn)風險評估的準確性。

本篇論文刊登于《警察技術(shù)》2022年第1期