Please wait a minute...
Advanced Search
数据分析与知识发现  2023, Vol. 7 Issue (12): 142-154     https://doi.org/10.11925/infotech.2096-3467.2022.1140
  研究论文 本期目录 | 过刊浏览 | 高级检索 |
伤害类犯罪案由推理辅助决策方法研究与实践
华斌,位梦涵()
天津财经大学理工学院 天津 300222
Research and Practice of Reasoning-Assisted Decision-Making Methods for Injury Crimes
Hua Bin,Wei Menghan()
School of Science & Technology, Tianjin University of Finance and Economics, Tianjin 300222, China
全文: PDF (1600 KB)   HTML ( 6
输出: BibTeX | EndNote (RIS)      
摘要 

【目的】以故意伤害罪为例,提出一种基于知识图谱与D-S证据理论的伤害类犯罪案由推理与可视化方法。【方法】构建故意伤害罪犯罪知识本体并补充表示相关知识;以案件审讯记录为数据源,利用文本挖掘技术实现知识抽取并实例化形成案件知识图谱;利用D-S理论消除证据冲突,完成知识融合;利用自定义的推理规则实现案由推理结果并实现可视化。【结果】利用D-S证据理论实现真值发现准确率达到95.45%,验证了所提方法的有效性。【局限】方法受到审讯记录语言规范程度影响。【结论】本文方法不限定审讯过程及次数,能够提升多审讯记录知识融合的准确率,并形成基于客观事实的案由分析结果。

服务
把本文推荐给朋友
加入引用管理器
E-mail Alert
RSS
作者相关文章
华斌
位梦涵
关键词 执法办案文本挖掘知识图谱D-S理论辅助决策    
Abstract

[Objective] Taking the crime of intentional injury as an example, this paper proposes a reasoning and visualisation method for the cause of injury crimes based on knowledge graph and D-S evidence theory. [Methods] First, we constructed the crime knowledge ontology of intentional injury crimes and supplementing relevant knowledge. Then, we used the case trial records as a data source. Third, we used text mining technology to extract knowledge and instantiate it to form a case knowledge map. Forth, we used D-S theory to resolve evidence conflicts and complete knowledge fusion. Finally, we utilized custom inference rules to achieve and visualize the results of reasoning. [Results] The accuracy of the truth value determination by D-S evidence theory reached 95.45%, which showed the effectiveness of the proposed method. [Limitations] The method of this paper is influenced by the degree of linguistic standardisation of the interrogation records. [Conclusions] The proposed method does not limit the interrogation process and frequency, which can improve the accuracy of knowledge fusion of multiple interrogation records, form the results of case cause analysis based on objective facts, and improve the efficiency of law enforcement case handling and the level of power supervision.

Key wordsLaw Enforcement and Case Handling    Text Mining    Knowledge Graph    D-S Theory    Decision-Making Assistance
收稿日期: 2022-10-31      出版日期: 2023-03-22
ZTFLH:  TP391  
  D914  
通讯作者: 位梦涵,ORCID:0000-0003-4217-5880,E-mail:1254446864@qq.com。   
引用本文:   
华斌, 位梦涵. 伤害类犯罪案由推理辅助决策方法研究与实践[J]. 数据分析与知识发现, 2023, 7(12): 142-154.
Hua Bin, Wei Menghan. Research and Practice of Reasoning-Assisted Decision-Making Methods for Injury Crimes. Data Analysis and Knowledge Discovery, 2023, 7(12): 142-154.
链接本文:  
https://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/10.11925/infotech.2096-3467.2022.1140      或      https://manu44.magtech.com.cn/Jwk_infotech_wk3/CN/Y2023/V7/I12/142
Fig.1  研究框架
属性
时间 具体时间,季节,旬,时段,日期类型,天气
地点 详细地址,经纬度,所在社区编码,所在街区编码,所在行政区,所在辖区,场所,特点
嫌疑人 姓名,别名,性别,出生日期,身份证号,体貌特征,民族,籍贯,现住址,文化程度,政治面貌,职业,健康状况,家庭成员,简历,前科
被害人 姓名,别名,性别,出生日期,身份证号,体貌特征,民族,籍贯,现住址,文化程度,政治面貌,职业,健康状况,家庭成员,简历,前科
其他涉案人员 姓名,别名,性别,出生日期,身份证号,体貌特征,民族,籍贯,现住址,文化程度,政治面貌,职业,健康状况,家庭成员,简历,前科
作案行为 名称,行为幅度,持续时长/次数,是否具有指向性,行为后是否施救,使用工具,作用部位
工具 名称,长度,宽度,重量,容量,其他特征,来源,下落,致伤度
人体部位 施害部位 名称,是否为要害
受害部位 名称,是否为要害
伤情 部位,程度
动机 主观心态 名称
犯罪目的 名称
Table 1  故意伤害罪知识本体属性定义描述
Fig.2  冲突实体区间展示
Fig.3  伤害类犯罪通用知识本体
通用关系名 语义关系描述
S U B C L A S S _ O F(包含) 父类与子类之间的
H A V E _ A C T I O N(拥有行为) 人与行为之间的关系
P E O P L E _ R E L A T I O N(人物关系) 人与人之间的关系
H A V E _ M O T I V A T I O N(拥有动机) 人与动机之间的关系
A C T I O N _ W I T H T O O L(使用工具) 行为与工具之间的关系
A C T I O N _ W I T H P O S I T I O N(使用部位) 行为与施害部位之间的关系
A C T I O N _ D O P E O P L E(作用于人) 行为与人之间的关系
A C T I O N _ D O P O S I T I O N(作用于部位) 行为与受害部位之间的关系
P R E _ A F T E R(行为先后) 行为与行为之间的关系
B E L O N G _ T O(属于) 部位与人之间的关系
H A V E _ I N J U R Y(拥有伤情) 人与伤情之间的关系
H A P P E N _ T I M E(发生时间) 时间与行为之间的关系
H A P P E N _ P L A C E(发生地点) 地点与行为之间的关系
Table 2  本体语义关系描述
Fig.4  人体部位概念树
SAO类型 对应关系
(人,行为,…) H A V E _ A C T I O N(拥有行为)
(…,行为,部位) A C T I O N _ D O P O S I T I O N(作用于部位)
(…,行为,人) A C T I O N _ D O P E O P L E(作用于人)
(人,使用触发词,工具) A C T I O N _ W I T H T O O L(使用工具)
(工具,行为,…) A C T I O N _ W I T H T O O L(使用工具)
(人,使用触发词,部位) A C T I O N _ W I T H P O S I T I O N(使用部位)
(部位,行为,部位) A C T I O N _ W I T H P O S I T I O N(使用部位)
(时间,行为,…) H A P P E N _ T I M E(发生时间)
(地点,行为,…) H A P P E N _ P L A C E(发生地点)
Table 3  SAO结构与实体关系映射
Fig.5  冲突类型转换示意图
Fig.6  4份冲突笔录图谱展示
冲突实体集示例 基于属性特征相似度的
m a s s函数
基于实体语义相似度的
m a s s函数
基于结构相似度的
m a s s函数
权重 本文方法
D e m p s t e r合成
{ } 0.25 0.410 8 0.280 7 0.125 0.012 7
{ } 0.75 0.589 2 0.719 3 0.875 0.987 2
0 0 0 0 0
Table 4  D-S评估结果
Fig.7  讯问笔录内容
Fig.8  案件知识图谱
基于Word2Vec余弦相似度的
实体对齐方法准确率/%
本文方法消融实验准确率/%
去除属性特征 去除实体语义 去除结构相似度 去除支持度权重 本文方法
83.46 72.72 86.36 81.83 77.27 95.45
Table 5  知识融合结果
Fig.9  可视化查询结果
[1] 张兆端. “智慧警务”: 大数据时代的警务模式[J]. 公安研究, 2014(6): 19-26.
[1] (Zhang Zhaoduan. “Smart Policing”: Policing Mode in the Age of Big Data[J]. Policing Studies, 2014(6): 19-26.)
[2] 李子龙. 起诉状一本主义: 我国刑事案卷移送制度改革再思考[J]. 清华法学, 2021, 15(3): 127-142.
[2] (Li Zilong. Do not Provide all the Documents: A Rethink on the Reform of China’s Criminal Case File Transfer System[J]. Tsinghua Law Journal, 2021, 15(3): 127-142.)
[3] 陈和华. “犯罪心理”的心理学解读[J]. 青少年犯罪问题, 2015(5): 35-44.
[3] (Chen Hehua. Psychological Interpretation of “Criminal Psychology”[J]. Issues on Juvenile Crimes and Delinquency, 2015(5): 35-44.)
[4] 张明楷. 故意伤害罪司法现状的刑法学分析[J]. 清华法学, 2013, 7(1): 6-27.
[4] (Zhang Mingkai. Criminal Jurisprudence Analysis of the Judicial Status Quo of Intentional Injury Crime[J]. Tsinghua Law Journal, 2013, 7(1): 6-27.)
[5] 张鲁光. 故意杀人罪与故意伤害罪的区别及在司法实践中的确认[J]. 理论学习, 1995(9): 25, 8.
[5] (Zhang Luguang. The Difference Between Intentional Homicide and Intentional Injury and Its Confirmation in Judicial Practice[J]. Theory Study, 1995(9): 25, 8.)
[6] 王文广, 陈运文, 蔡华, 等. 基于混合深度神经网络模型的司法文书智能化处理[J]. 清华大学学报(自然科学版), 2019, 59(7): 505-511.
[6] (Wang Wenguang, Chen Yunwen, Cai Hua, et al. Judicial Document Intellectual Processing Using Hybrid Deep Neural Networks[J]. Journal of Tsinghua University (Science and Technology), 2019, 59(7): 505-511.)
[7] 刘宗林, 张梅山, 甄冉冉, 等. 融入罪名关键词的法律判决预测多任务学习模型[J]. 清华大学学报(自然科学版), 2019, 59(7): 497-504.
[7] (Liu Zonglin, Zhang Meishan, Zhen Ranran, et al. Multi-Task Learning Model for Legal Judgment Predictions with Charge Keywords[J]. Journal of Tsinghua University (Science and Technology), 2019, 59(7): 497-504.)
[8] Liu C L, Chang C T, Ho J H. Classification and Clustering for Case-Based Criminal Summary Judgments[C]// Proceedings of the 9th International Conference on Artificial Intelligence and Law. 2003: 252-261.
[9] Luo B F, Feng Y S, Xu J B, et al. Learning to Predict Charges for Criminal Cases with Legal Basis[OL]. arXiv Preprint, arXiv:1707.09168.
[10] 孙倩, 秦永彬, 黄瑞章, 等. 结合案件要素序列的罪名预测方法[J]. 大数据, 2021, 7(6): 30-40.
doi: 10.11959/j.issn.2096-0271.2021058
[10] (Sun Qian, Qin Yongbin, Huang Ruizhang, et al. Charge Prediction Method Combined with Case Elements Sequence[J]. Big Data Research, 2021, 7(6): 30-40.)
doi: 10.11959/j.issn.2096-0271.2021058
[11] 陈兴良. 行为论的正本清源——一个学术史的考察[J]. 中国法学, 2009(5): 172-190.
[11] (Chen Xingliang. A Historical Survey on Behavior Theory[J]. China Legal Science, 2009(5): 172-190.)
[12] 陈建峡, 黄煜俊, 曹国金, 等. 基于知识图谱的司法案件可视化研究与实现[J]. 湖北工业大学学报, 2019, 34(5): 72-77.
[12] (Chen Jianxia, Huang Yujun, Cao Guojin, et al. Research and Implementation of Visualization of Judicial Cases Based on Knowledge Mapping[J]. Journal of Hubei University of Technology, 2019, 34(5): 72-77.)
[13] 陈思. 司法领域知识图谱构建及推荐应用的研究与实现[D]. 北京: 北京邮电大学, 2020.
[13] (Chen Si. Research and Implementation of Knowledge Graph Construction and Recommendation Application in the Judicial Field[D]. Beijing: Beijing University of Posts and Telecommunications, 2020.)
[14] 黄淼, 黄佩. 基于知识关联特征的网络内容识别——以健康谣言为重点[J]. 北京邮电大学学报(社会科学版), 2020, 22(1): 1-6, 13.
doi: 10.19722/j.cnki.1008-7729.2019.0369
[14] (Huang Miao, Huang Pei. Content Detection Based on Knowledge Relation: Cases of Health Rumors[J]. Journal of Beijing University of Posts and Telecommunications (Social Sciences Edition), 2020, 22(1): 1-6, 13.)
doi: 10.19722/j.cnki.1008-7729.2019.0369
[15] 周芳, 王鹏波, 韩立岩. 多源知识融合处理算法[J]. 北京航空航天大学学报, 2013, 39(1): 109-114.
[15] (Zhou Fang, Wang Pengbo, Han Liyan. Multi-Source Knowledge Fusion Algorithm[J]. Journal of Beijing University of Aeronautics and Astronautics, 2013, 39(1): 109-114.)
[16] Xia J, Wang Q, Zhang X, et al. Assessing the Influence of Climate Change and Inter-Basin Water Diversion on Haihe River Basin, Eastern China: A Coupled Model Approach[J]. Hydrogeology Journal, 2018, 26(5): 1455-1473.
doi: 10.1007/s10040-018-1773-7
[17] 钱建波, 王旭康, 董进, 等. 一种基于改进证据相似度的D-S融合算法[J]. 无线电工程, 2021, 51(10): 1157-1161.
[17] (Qian Jianbo, Wang Xukang, Dong Jin, et al. A D-S Fusion Algorithm Based on Improved Similarity of Evidence[J]. Radio Engineering, 2021, 51(10): 1157-1161.)
[18] 周恩帆, 马俊, 周永杰, 等. 一种D-S证据理论的多传感器数据融合算法[J]. 小型微型计算机系统, 2022, 43(4): 795-800.
[18] (Zhou Enfan, Ma Jun, Zhou Yongjie, et al. Multi-Sensor Data Fusion Algorithm Based on D-S Evidence Theory[J]. Journal of Chinese Computer Systems, 2022, 43(4): 795-800.)
[19] 由东媛, 曹梦龙, 姜凯. D-S证据理论中冲突证据的改进方法研究[J]. 电子测量技术, 2018, 41(23): 29-33.
[19] (You Dongyuan, Cao Menglong, Jiang Kai. Research on Improved Method of Conflict Evidence in D-S Evidence Theory[J]. Electronic Measurement Technology, 2018, 41(23): 29-33.)
[20] 华斌, 吴诺, 贺欣. 专家个体多维特征刻画与专家组均衡推荐研究[J]. 图书情报工作, 2021, 65(23): 58-69.
doi: 10.13266/j.issn.0252-3116.2021.23.007
[20] (Hua Bin, Wu Nuo, He Xin. Research on Expert Individuals Multi-Feature Depiction and Expert Group Equilibrium Recommendation[J]. Library and Information Service, 2021, 65(23): 58-69.)
doi: 10.13266/j.issn.0252-3116.2021.23.007
[21] Monge A E, Elkan C P. The Field Matching Problem: Algorithms and Applications[C]// Proceedings of the 2nd International Conference on Knowledge Discovery and Data Mining. 1996: 267-270.
[22] Bhattacharya I, Getoor L. Collective Entity Resolution in Relational Data[J]. ACM Transactions on Knowledge Discovery from Data, 2007, 1(1): 5-es.
[23] 陈瑞华. 论证人证言规则[J]. 苏州大学学报(哲学社会科学版), 2012, 33(2): 1-10, 191.
[23] (Chen Ruihua. Witness Testimony Rules[J]. Journal of Soochow University(Philosophy & Social Science Edition), 2012, 33(2): 1-10, 191.)
[24] 曾兰兰. 刑事法律知识图谱构建技术研究[D]. 贵阳: 贵州大学, 2022.
[24] (Zeng Lanlan. Research on the Construction Technology of Criminal Legal Knowledge Map[D]. Guiyang: Guizhou University, 2022.)
[1] 翟东升, 娄莹, 阚慧敏, 何喜军, 梁国强, 马自飞. 基于多源异构数据的中医药知识图谱构建与应用研究*[J]. 数据分析与知识发现, 2023, 7(9): 146-158.
[2] 张志剑, 倪珍妮, 刘政昊, 夏苏迪. 面向金融知识图谱的动态关系预测方法研究*[J]. 数据分析与知识发现, 2023, 7(9): 39-50.
[3] 普祥和, 王红斌, 线岩团. 结合类型感知注意力的少样本知识图谱补全*[J]. 数据分析与知识发现, 2023, 7(9): 51-63.
[4] 曹琨, 吴新年, 靳军宝, 郑玉荣, 付爽. 基于共词和Node2Vec表示学习的新兴技术识别方法*[J]. 数据分析与知识发现, 2023, 7(9): 89-99.
[5] 汪晓凤, 孙雨洁, 王华珍, 张恒彰. 融合深度学习和知识图谱的类型可控问句生成模型构建及验证*[J]. 数据分析与知识发现, 2023, 7(6): 26-37.
[6] 李锴君, 牛振东, 时恺泽, 邱萍. 基于学术知识图谱及主题特征嵌入的论文推荐方法*[J]. 数据分析与知识发现, 2023, 7(5): 48-59.
[7] 李佳蕾, 安培浚, 肖仙桃. 学科交叉主题识别方法研究综述*[J]. 数据分析与知识发现, 2023, 7(4): 1-15.
[8] 吕琦, 上官燕红, 张琳, 黄颖. 基于文本内容自动分类的跨学科测度研究*[J]. 数据分析与知识发现, 2023, 7(4): 56-67.
[9] 王寅秋, 虞为, 陈俊鹏. 融合知识图谱的中文医疗问答社区自动问答研究*[J]. 数据分析与知识发现, 2023, 7(3): 97-109.
[10] 杜悦, 常志军, 董美, 钱力, 王颖. 一种面向海量科技文献数据的大规模知识图谱构建方法*[J]. 数据分析与知识发现, 2023, 7(2): 141-150.
[11] 张贞港, 余传明. 基于实体与关系融合的知识图谱补全模型研究*[J]. 数据分析与知识发现, 2023, 7(2): 15-25.
[12] 陈玲洪, 潘晓华. 基于知识图谱和读者画像的图书推荐研究*[J]. 数据分析与知识发现, 2023, 7(12): 164-171.
[13] 陈昊冉, 洪亮. 融合知识关联与时序传导的金融舆情风险预测模型*[J]. 数据分析与知识发现, 2023, 7(11): 1-13.
[14] 刘帅, 傅丽芳. 融合外部知识和用户交互特征的虚假新闻检测[J]. 数据分析与知识发现, 2023, 7(11): 79-87.
[15] 彭成, 张春霞, 张鑫, 郭倞涛, 牛振东. 基于实体多元编码的时序知识图谱推理*[J]. 数据分析与知识发现, 2023, 7(1): 138-149.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
版权所有 © 2015 《数据分析与知识发现》编辑部
地址:北京市海淀区中关村北四环西路33号 邮编:100190
电话/传真:(010)82626611-6626,82624938
E-mail:jishu@mail.las.ac.cn