趙華珍

河南警察學院

數(shù)據(jù)挖掘技術(shù)及其在刑偵工作中的應用分析

趙華珍

河南警察學院

本文首先對數(shù)據(jù)挖掘技術(shù)和刑偵工作中關聯(lián)規(guī)則的應用問題進行了簡要介紹，從而探討了數(shù)據(jù)挖掘技術(shù)在刑偵工作中應用存在的問題，并在新犯罪敏感性和權(quán)重參數(shù)基礎上對Apriori算法進行了優(yōu)化，希望對提升數(shù)據(jù)挖掘技術(shù)在刑偵工作中的應用效率起到促進作用。

數(shù)據(jù)挖掘技術(shù)；刑偵工作；應用

前言

近年來，信息技術(shù)以日新月異的速度飛快發(fā)展，給人們的工作及生活帶來了極大的轉(zhuǎn)變，現(xiàn)階段，相關領域也加大了對信息技術(shù)的研發(fā)力度，在人工智能以及數(shù)據(jù)庫的研發(fā)過程中，數(shù)據(jù)挖掘技術(shù)受到了廣泛關注，現(xiàn)階段將這一技術(shù)同刑偵工作進行緊密的結(jié)合，從而有效提升刑偵工作效率至關重要。然而，目前我國刑偵工作中對數(shù)據(jù)挖掘技術(shù)的應用還處于初級階段，因此還存在一定缺陷，在這種情況下，有針對性的采取有效措施彌補數(shù)據(jù)挖掘技術(shù)在刑偵工作中應用的不足具有重要意義。

一、數(shù)據(jù)挖掘技術(shù)在刑偵工作中應用存在的問題

（一）數(shù)據(jù)挖掘技術(shù)

Data Mining即數(shù)據(jù)挖掘，通常也被稱之為KnowledgeDiscovery in Database，指的是在對知識以及內(nèi)容進行研究的過程中，從數(shù)據(jù)庫中進行提取，而這些知識實際上是具有一定潛在可利用功能的，同時也具有隱含的性質(zhì)，在知識提取過程中，可以通過多種形式，如模式、規(guī)律以及概念等［1］。在對數(shù)據(jù)進行儲存的過程中，主要應用的是數(shù)據(jù)庫管理系統(tǒng)，而數(shù)據(jù)分析是以機器學習法為主的，從而對海量數(shù)據(jù)背后所隱藏的知識進行挖掘，以上兩者充分的融合就是數(shù)據(jù)挖掘技術(shù)產(chǎn)生的基礎。

（二）刑偵工作中關聯(lián)規(guī)則的應用問題

首先，傳統(tǒng)的Apriori算法，敏感性在新項目中的體現(xiàn)相對較低。由于在記錄犯罪行為的過程中，是一個不斷更新的過程，在傳統(tǒng)犯罪行為消失而新的犯罪行為產(chǎn)生的過程中，數(shù)據(jù)庫中的內(nèi)容產(chǎn)生不間斷更新，這一過程很容易造成一定的變化產(chǎn)生于項目之間的關聯(lián)中，而關聯(lián)規(guī)則不斷創(chuàng)新。在傳統(tǒng)Apriori算法中，這一現(xiàn)象被忽視，即新的項目增加基礎上，在對支持度在不同項目集中的體現(xiàn)進行求解的過程中，基數(shù)總是以整個數(shù)據(jù)庫中的犯罪行為記錄為主，這種現(xiàn)象同關聯(lián)規(guī)則挖掘具有明顯的沖突，也就是說在對其進行應用的過程中，無法對新產(chǎn)生的頻繁項目集進行及時的發(fā)現(xiàn)，因此也就無法對關聯(lián)規(guī)則進行有效的更新。

其次，傳統(tǒng)的Apriori算法應用中對不同項的重要性產(chǎn)生了忽略。該算法對數(shù)據(jù)庫中被分析的對象產(chǎn)生的規(guī)律進行了分析，而完全忽略了不同項應用過程中重要性具有差別這一特點，因此在對這些項展開研究的過程中，它們被一致視為擁有相同的價值。這一現(xiàn)象的產(chǎn)生，經(jīng)常性造成部分出現(xiàn)率低、價值較高的項被忽略。在對傳統(tǒng)的Apriori算法進行應用的過程中，分析公安犯罪行為常常導致對重要情節(jié)的忽視，而這些重要的情節(jié)通常會對社會產(chǎn)生嚴重的危害，也是惡性犯罪行為的代表。

二、數(shù)據(jù)挖掘技術(shù)在刑偵工作中有效應用的改進模型

（一）新犯罪敏感性基礎上的Apriori優(yōu)化算法

權(quán)重參數(shù)基礎上優(yōu)化Apriori算法，主要意圖是促使敏感性在新犯罪行為中得以提升。對頻發(fā)項目集算法的改進是優(yōu)化Apriori算法的主要途徑。

當1≤α≤∞時，將參數(shù)α引入舊數(shù)據(jù)集當中，有助于對頻繁項目集的發(fā)現(xiàn)，如果頻繁項目集擁有不小于最小支持度同α的比值，則應當?shù)玫奖Ａ?，當心的?shù)據(jù)集在數(shù)據(jù)庫中產(chǎn)生，此時對最小支持度同α的比值小于支持度的頻繁項目集進行充分的考慮，同時還包含現(xiàn)階段所增加的數(shù)據(jù)集，在不斷增大的數(shù)據(jù)庫規(guī)模的背景下，相對穩(wěn)定狀態(tài)將產(chǎn)生于項目增加的狀態(tài)當中，如果最小支持度同α的比值小于部分頻繁項目集的支持度，那么對這一頻繁項目集進行掃描過程中所需的時間一定小于對整個數(shù)據(jù)集的掃描時間，從而能夠有效提升頻繁項目集發(fā)現(xiàn)的效率［2］。

（二）權(quán)重參數(shù)基礎上的Apriori優(yōu)化算法

權(quán)重參數(shù)基礎上優(yōu)化Apriori算法，主要意圖是在對權(quán)重參數(shù)應用以后，從而促使不同犯罪行為性質(zhì)的衡量可以對不同的權(quán)值進行利用，從而對支持度函數(shù)進行設定，并從中將重大犯罪行為之間的關聯(lián)規(guī)則進行深入挖掘。

假設集合X取值范圍為［x1，x2，……xr］，它屬于21，并且，xi屬于I，i的取值為1至r；在對項集X的權(quán)值進行表示的過程中，應用Wx，其取值屬于［0，1］［3］。此時，當X為單個的項，那么可以在基集產(chǎn)生以后對其權(quán)展開賦值，反之，它的權(quán)值應當在各項中進行獲得。由此可見，在對某個函數(shù)進行利用的基礎上，可以對項的權(quán)值在項集X權(quán)值中的體現(xiàn)進行計算，相關函數(shù)關系如下：Wx=F（Wx1，Wx2……，Wxr），在權(quán)值定義以后，變可以定義支持度函數(shù)：f（X）= Wx。numTids（x）/numTids（φ）。

結(jié)論

綜上所述，刑偵工作方法隨著時代的發(fā)展也發(fā)生了重大變化，現(xiàn)階段，信息網(wǎng)絡偵查成為刑偵工作中的關鍵。隨著信息技術(shù)同刑偵工作融合的程度越來越深，人們意識到數(shù)據(jù)挖掘技術(shù)在這一工作中的重要功能，然而，我國在這一方面的研究還處于初級階段，現(xiàn)有的刑偵工作在對數(shù)據(jù)挖掘技術(shù)進行應用的過程中還存在一定缺陷，鑒于此，本文在對數(shù)據(jù)挖掘技術(shù)和Apriori算法中的缺陷展開了探討，并有針對性的提出了優(yōu)化Apriori算法的途徑，希望對我國刑偵工作效率和質(zhì)量的提升起到促進作用。

［1］張震.數(shù)據(jù)挖掘技術(shù)分析及其在高校管理決策中的應用［J］.遠程教育雜志，2015，06：32-35+62.

［2］張乾.數(shù)據(jù)挖掘技術(shù)分析及其在高等學校教務管理中的應用［J］.經(jīng)濟師，2014，07：103-104.

［3］高燕飛，陳俊杰.試析計算機數(shù)據(jù)挖掘技術(shù)在檔案信息管理系統(tǒng)中的運用［J］.內(nèi)蒙古師范大學學報（哲學社會科學版），2015，04：44-46.