一种基于图论的线索推理与情报分析方法

1.本发明涉及一种基于图论的线索推理与情报分析方法，属于社交网络分析技术领域。


背景技术：

[0002][0003][0004]
目前，多数方法在犯罪团伙社交网络中未能实现从海量信息中发现团伙犯罪线索和推理的情报预警，对于团伙挖掘的效率相对较低，未能有效地推断团伙成员与海量信息间的隐性联系。同时，目前方法未能有效利用已侦破案件辅助侦破疑难案件，因此，如何对海量信息进行建模，辅助侦破疑难案件，是目前亟待解决的技术问题。


技术实现要素：

[0005]
本发明要解决的技术问题是提出了一种基于图论的线索推理与情报分析方法，用以解决传统方法未能充分挖掘团伙与其他线索、案件等信息的相关性，案件分析的效率不高。
[0006]
本发明的技术方案是：一种基于图论的线索推理与情报分析方法，其特征在于：获取团伙的社交关系，根据已知线索、案件、情报与成员相关信息构建社交关系网络图；分析团伙中的成员与其他线索、案件等信息的相关性，更新社交关系网络图；构建已知团伙集合，生成待分析犯罪趋势团伙的已知信息社交关系网络图；比较待分析犯罪趋势团伙与已知团伙的相关性，分析团伙的犯罪趋势；
[0007]
具体步骤为：
[0008]
step1：获取待分析团伙的社交关系及已知情报信息，根据已知线索、案件、情报与成员关系相关信息构建团伙-情报网络图。
[0009]
step2：分析团伙中的成员与其他线索、案件信息的相关性，更新犯罪团伙的团伙-情报网络图。
[0010]
step3：构建已破获的犯罪团伙的团伙-情报网络图。
[0011]
step4：将待分析犯罪趋势团伙与已破获团伙进行比较，进行案件分析。
[0012]
所述step1中，通过图论建模犯罪团伙的团伙-情报网络图，将其定义为g＝(v,e)，其中v表示图中节点集合，具体包含团伙中已知线索、案件、情报与成员关系相关信息节点，e表示节点间关系。
[0013]
特别地，基于图论的犯罪团伙团伙-情报网络图g中，节点v的特征以四元数形式表示，即其中h表示特征空间，m为节点维度，n为特征维度，d为对偶四元空间。
[0014]
step2.1：构建四元空间空域图卷积运算，将表示团伙中的成员、相关线索节点的v建模为四元空间中的节点特征向量集，在四元空间中进行图卷积，即采用空域图卷积算子构建四元空间空域图卷积：
[0015][0016]
其中，上标dq表示对偶四元空间d，k表示卷积迭代次数；σ表示非线性激活函数；v和u表示实体或者关系节点，{v}表示所有节点的集合，a
v，u
是拉普拉斯算子归一化的邻接矩阵中的节点v和u之间的边常数，其中中的节点v和u之间的边常数，其中是的对角线节点度矩阵，表示输入的加权邻接矩阵；w
(k),dq
表示对偶四元数权重矩阵；表示对偶四元数乘法；表示在对偶四元空间中第k代实体或关系节点。
[0017]
step2.2：根据四元空间空域图卷积计算团伙节点成员四元空间特征和其相关关系节点四元空间特征，将其连接起来产生新的四元空间特征，将待分析的团伙-情报网络图建模为待分析犯罪团伙的情报-网络知识图谱，将知识图谱头节点表示为v
hq
，将知识图谱关系节点表示为v
rq
，将知识图谱尾节点表示为v
tq
；其中，h表示知识图谱中的头，r表示知识图谱中的关系，t表示知识图谱中的尾，上标q表示对偶四元空间d。
[0018]
step2.3：为待分析犯罪团伙的情报-网络知识图谱构建新的关系，根据四元分数评价公式计算新建关系的得分：
[0019][0020]
其中，h表示知识图谱中的头，r表示知识图谱中的关系，t表示知识图谱中的尾，上标q表示对偶四元空间d，表示hamilton乘法，表示归一化的四元数，
·
表示四元数内积；表示对偶四元空间头节点，表示归一化的对偶四元空间关系节点，表示对偶四元空间尾节点。
[0021]
step2.4：选取评分前2名的新建关系作为挖掘出的有效关系，保留有效关系，对应犯罪团伙的团伙-情报网络图中的边，更新犯罪团伙的团伙-情报网络图。
[0022]
将step3得到的已知团伙的团伙-情报网络图记为将待分析团伙的团伙-情报网络图记为其中，解释为已知团伙n犯罪类别i对应的特征值，解释为待分析团伙犯罪类别i对应的特征值，上标^表示待分析；计算待分析团伙的团伙-情报网络图与已知犯罪团伙犯罪类别相似度：
[0023][0024]
其中，βi(g)表示犯罪类别i相似度，zi∈gr表示任意已知团伙犯罪类别i对应的特征值，表示待分析团伙犯罪类别i对应的特征值，上标^表示待分析，g表示输入的关系网络图，w与a
t
表示可学习权重，b表示标量偏置，exp指以自然常数e为底的指数函数，i表示犯罪类别数量；根据犯罪类别相似度评分，进行案件分析。
[0025]
和现有技术相比，本发明的有益效果为：
[0026]
本发明所述方法能够充分挖掘团伙与其他线索、案件等信息的相关性，通过已知的团伙社交关系分析、推理团伙中成员与其他线索和案件的关系、通过对已知的团伙定义犯罪属性，分析其他未知团伙，能够对犯罪团伙进行信息挖掘、分析团伙内的交互信息并挖
掘团伙间的隐性关系，根据犯罪类别相似度的评分值，为案件类别的分析提供支撑。
附图说明
[0027]
图1是本发明的步骤流程图。
[0028]
图2为本发明的实施例1社交关系及情报信息示意图。
具体实施方式
[0029]
下面结合附图和具体实施例对本发明作进一步详细说明，但本发明的保护范围并不限于所述内容。
[0030]
实施例1
[0031]
step1：获取待分析团伙的社交关系及已知情报信息，将团伙中的已知线索、案件、情报与成员关系相关信息建模为节点，如图2中所示，现有群体含有4个相关信息节点：[信息1，信息2，信息3，信息4]，通过图论建模团伙-情报网络图，将其定义为：g＝(v，e)，其中v表示团伙-情报网络图中的相关信息节点，e表示节点间已知关系，如：图2中(a)图的信息1与信息4之间有已知关系，信息2与信息3有已知关系，用实线表示；定义不同的数值用以表示关系的强度，已知关系的关系强度可以人为定义。
[0032]
step2：为了获取团伙-情报网络图中未知的关系，根据四元空间空域图卷积计算团伙信息节点四元空间特征，如下公式所示：
[0033][0034]
其中，上标
dq
表示对偶四元空间d，k表示卷积迭代次数；σ表示非线性激活函数；v和u表示实体或者关系节点，{v}表示所有节点的集合，a
v，u
是拉普拉斯算子归一化的邻接矩阵中的节点v和u之间的边常数，其中中的节点v和u之间的边常数，其中是的对角线节点度矩阵，表示输入的加权邻接矩阵；w
(k),dq
表示对偶四元数权重矩阵；表示对偶四元数乘法；表示在对偶四元空间中第k代实体或关系节点。
[0035]
根据更新后的信息节点四元空间特征将待分析的团伙-情报网络图建模为待分析犯罪团伙的情报-网络知识图谱，将知识图谱头节点表示为v
hq
，将知识图谱关系节点表示为v
rq
，将知识图谱尾节点表示为v
tq
；其中，h表示知识图谱中的头，r表示知识图谱中的关系，t表示知识图谱中的尾，上标q表示对偶四元空间d；
[0036]
根据四元分数评价公式计算新建关系的得分：
[0037][0038]
其中，h表示知识图谱中的头，r表示知识图谱中的关系，t表示知识图谱中的尾，上标q表示对偶四元空间d，表示hamilton乘法，表示归一化的四元数，
·
表示四元数内积；表示对偶四元空间头节点，表示归一化的对偶四元空间关系节点，表示对偶四元空间尾节点；结合图1，新建关系的得分计算结果示意如表1所示，其中
“‑”
表示已知的无关系或确定关系。
[0039]
表1新建关系的得分计算结果示意
[0040]
f(h，r，t)信息1信息2信息3信息4信息1
‑‑
1-信息2
‑‑‑
2信息31
‑‑
3信息4-23-[0041]
选取评分前2名的新建关系作为挖掘出的新建有效关系，保留已知有效关系与新建有效关系，对应犯罪团伙的团伙-情报网络图中的边，更新犯罪团伙的团伙-情报网络图，如图2(a)中所示，实线表示已知的有效关系，虚线表示新添加的有效关系。
[0042]
step3：构建已破获的犯罪团伙的团伙-情报网络图，如图2中的(b)(c)所示；
[0043]
step4：计算待分析团伙的团伙-情报网络图与已知犯罪团伙犯罪类别相似度：
[0044][0045]
其中，βi(g)表示犯罪类别i相似度，zi∈gr表示任意已知团伙犯罪类别i对应的特征值，表示待分析团伙犯罪类别i对应的特征值，上标^表示待分析，g表示输入的关系网络图，w与a
t
表示可学习权重，b表示标量偏置，exp指以自然常数e为底的指数函数，i表示犯罪类别数量。
[0046]
例如，假定已知团伙1[犯罪类别1，犯罪类别2]的具体特征值为gr1(3，1)，已知团伙2[犯罪类别1，犯罪类别2]的具体特征值为gr2(1，3)，待分析团伙[犯罪类别1，犯罪类别2]的具体特征值为假定可学习权重的值为a
t
＝[2，0.5]，偏置b＝[1.5，1]；那么，可以计算得到β1(gr1)＝87.38，β2(gr1)＝0.13，β1(gr2)＝0.21，β2(gr2)＝53.00；显然，通过比较可以得到结果β1(gr1)＞β2(gr2)＞β1(gr2)＞β2(gr1)，此结果可以用于为待分析团伙更加倾向于与已知犯罪团伙1进行犯罪类别1活动提供支撑，其次，为待分析团伙第二倾向于与已知犯罪团伙2进行犯罪类别2活动提供支撑，以此类推。
[0047]
综上所述，根据犯罪类别相似度的评分值，为案件类别的分析提供支撑。
[0048]
以上结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

技术特征：
1.一种基于图论的线索推理与情报分析方法，其特征在于：具体步骤为：step1：获取待分析团伙的社交关系及已知情报信息，根据已知线索、案件、情报与成员关系相关信息构建团伙-情报网络图；step2：分析团伙中的成员与其他线索、案件信息的相关性，更新犯罪团伙的团伙-情报网络图；step3：构建已破获的犯罪团伙的团伙-情报网络图；step4：将待分析犯罪趋势团伙与已破获团伙进行比较，进行案件分析。2.根据权利要求1所述基于图论的线索推理与情报分析方法，其特征在于：在step2中更新犯罪团伙团伙-情报网络图的具体步骤为：step2.1：构建四元空间空域图卷积运算，将表示团伙中的成员、相关线索节点的v建模为四元空间中的节点特征向量集，在四元空间中进行图卷积，即采用空域图卷积算子构建四元空间空域图卷积：其中，上标dq表示对偶四元空间d，k表示卷积迭代次数；σ表示非线性激活函数；v和u表示实体或者关系节点，{v}表示所有节点的集合，a
v，u
是拉普拉斯算子归一化的邻接矩阵中的节点v和u之间的边常数，其中中的节点v和u之间的边常数，其中是的对角线节点度矩阵，表示输入的加权邻接矩阵；w
(k)，dq
表示对偶四元数权重矩阵；表示对偶四元数乘法；表示在对偶四元空间中第k代实体或关系节点；step2.2：根据四元空间空域图卷积计算团伙节点成员四元空间特征和其相关关系节点四元空间特征，将其连接起来产生新的四元空间特征，将待分析的团伙-情报网络图建模为待分析犯罪团伙的情报-网络知识图谱，将知识图谱头节点表示为v
hq
，将知识图谱关系节点表示为v
rq
，将知识图谱尾节点表示为v
tq
；其中，h表示知识图谱中的头，r表示知识图谱中的关系，t表示知识图谱中的尾，上标q表示对偶四元空间d；step2.3：为待分析犯罪团伙的情报-网络知识图谱构建新的关系，根据四元分数评价公式计算新建关系的得分：其中，h表示知识图谱中的头，r表示知识图谱中的关系，t表示知识图谱中的尾，上标q表示对偶四元空间d，表示hamilton乘法，表示归一化的四元数，
·
表示四元数内积；表示对偶四元空间头节点，表示归一化的对偶四元空间关系节点，表示对偶四元空间尾节点；step2.4：选取评分前2名的新建关系作为挖掘出的有效关系，保留有效关系，对应犯罪团伙的团伙-情报网络图中的边，更新犯罪团伙的团伙-情报网络图。3.根据权利要求1所述基于图论的线索推理与情报分析方法，其特征在于：在step4将待分析犯罪趋势团伙与已破获团伙进行比较，具体过程为：将step3得到的已知团伙的团伙-情报网络图记为将待分析团伙的团伙-情报网络图记为其中，解释为已知团伙n犯罪类别i对应的特征
值，解释为待分析团伙犯罪类别i对应的特征值，上标^表示待分析；计算待分析团伙的团伙-情报网络图与已知犯罪团伙犯罪类别相似度：其中，β
i
(g)表示犯罪类别i相似度，z
i
∈gr表示任意已知团伙犯罪类别i对应的特征值，表示待分析团伙犯罪类别i对应的特征值，上标^表示待分析，g表示输入的关系网络图，w与a
t
表示可学习权重，b表示标量偏置，exp指以自然常数e为底的指数函数，i表示犯罪类别数量。4.根据权利要求1所述的基于图论的线索推理与情报分析方法，其特征在于：step1中，通过图论建模犯罪团伙的团伙-情报网络图，将其定义为g＝(v，e)，其中v表示图中节点集合，具体包含团伙中已知线索、案件、情报与成员关系相关信息节点，e表示节点间关系；特别地，基于图论的犯罪团伙团伙-情报网络图g中，节点v的特征以四元数形式表示，即其中h表示特征空间，m为节点维度，n为特征维度，d为对偶四元空间。

技术总结
本发明公开一种基于图论的线索推理与情报分析方法，属于社交网络分析技术领域，包括：获取待分析团伙的社交关系及已知情报信息，根据已知线索、案件、情报与成员关系相关信息构建团伙-情报网络图；分析团伙中的成员与其他线索、案件信息的相关性，更新犯罪团伙的团伙-情报网络图；构建已破获的犯罪团伙的团伙-情报网络图；将待分析犯罪趋势团伙与已破获团伙进行比较，对案件进行分析。该方法能够充分挖掘团伙与其他线索、案件等信息的相关性，分析其他团伙的犯罪类别，进行案件分析，有效提升案件侦破率。案件侦破率。案件侦破率。


技术研发人员：王青旺 熊豪 沈韬 汪志锋 刘全君 宋健
受保护的技术使用者：昆明理工大学
技术研发日：2023.05.15
技术公布日：2023/8/13