一种数据处理方法及其装置与流程

本申请涉及计算机技术领域，尤其涉及一种数据处理方法及其装置。

背景技术：

随着经济高速增长，社会变革不断加深，破坏社会稳定性的因素增加，时有发生犯罪分子报复社会、危害人民群众生命财产安全的事发生。在研究这些犯罪人员的犯罪过程中，公安专家发现某些案件与某些社会属性的关联性很强，例如，家庭情况与青少年犯罪之间的关联性。

因此，现代刑事学中会有很多关于各种社会属性与犯罪人员的关联性的研究，但这些研究基本上都是定性分析，而无法定量分析出这些社会属性与犯罪人员的关联性。因此，现有技术需要一种能够定量分析社会属性与犯罪人员的关联性的技术方案。

技术实现要素：

本申请的主要目的在于提供一种数据处理方法及其装置，旨在解决以上提到的定量分析社会属性与犯罪人员的关联性的技术问题。

本申请的示例性实施例提供一种数据处理方法，所述方法包括：确定待测人员的社会属性；将所述社会属性对应转换为社会属性值；将社会属性值输入到犯罪预测模型组件，获取所述待测人员的潜在危害值，其中，所述犯罪预测模型组件是利用多个人员中的每个人员的各个社会属性值与潜在危害值之间的关联性训练得到的。

本申请的另一示例性实施例提供一种计算机可读存储介质，其上存储有计算机指令，其特征在于，所述指令被执行时实现上述方法。

本申请的另一示例性实施例提供一种数据处理装置，所述装置包括处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：确定待测人员的社会属性；将所述社会属性对应转换为社会属性值；将社会属性值输入到犯罪预测模型组件，获取所述待测人员的潜在危害值，其中，所述犯罪预测模型组件是利用多个人员中的每个人员的各个社会属性值与潜在危害值之间的关联性训练得到的。

本申请示例性实施例采用的上述至少一个技术方案能够达到以下有益效果：可通过人员数据训练犯罪预测模型组件，从而确定待测人员的社会危险性，可以看出，通过所述装置可定量分析出各种社会属性与潜在危害性之间的关系。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请的示例性实施例的数据处理系统的场景图；

图2是根据本申请的示例性实施例的数据处理方法的流程图；

图3是本申请的示例性实施例的数据处理装置的框图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

在介绍本申请的示例性实施例前，为了方便本领域技术人员更好的理解本申请，首先对本申请中涉及的术语进行解释。

知识图谱可用于描述真实世界中存在的各种实体和概念以及他们之间的强关系，例如姚明和火箭队之间的关系，比如，可用于描述某一人员的年龄、身高和体重等属性。在本申请中，可利用人员的知识图谱提取人员的社会属性以及潜在危害性，这样可以更准确地训练下面提到的犯罪预测模型组件。

社会高危人群是指对社会具有潜在危险性并且犯罪可能性较高的人群。可利用根据本申请的示例性实施例的数据处理方法来确定社会高危人群。

线性回归方法是利用数理统计中回归分析来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。

以下结合附图，详细说明本申请各实施例提供的技术方案。

图1是示出应用于本申请的示例性实施例的数据处理系统的场景图。如图1所示，数据处理系统包括作为数据提供方的服务器组100、处理服务器组100提供的数据的服务器200以及可利用服务器200的处理结果确定某一人员的潜在危害值的电子终端300。应注意，所述数据处理系统还可包括其它装置，例如，通信基站，但为了避免由于公知的方法、过程、组件和电路来模糊本实施例，在此将省略与本发明的构思无关的部件。

虽然在图1中示出的服务器组100可包括服务器101、服务器102和服务器103，服务器101至103可表示存储有不同来源的地址数据的服务器，例如，服务器101可以是政府部门用于存储犯罪人员的信息的数据库的服务器，而服务器102可以是某一应用(例如，银行应用)上存储的人员填写的人员基本资料的数据库或者是另一应用(例如，招聘应用)上存储的人员填写的人员基本资料的数据库。服务器103可以是存储人员的知识图谱的服务器。应注意，虽然图1中示出服务器组100包括三个服务器101-103，但这仅为示例性的并不限制服务器的数量。

服务器200可从服务器101至103中获取大量的人员数据，随后，可利用这些人员数据对犯罪预测模型组件进行训练，以下将参照图2对此进行详细描述，在此将不再赘述。随后，服务器200可利用训练完成的犯罪预测模型组件对待测人员进行犯罪预测，获取所述待测人员的潜在危害值。

如图1所示，当公安人员利用电子终端300查询某一人员的潜在危害值时，所述电子终端可将该人员的人员信息发送到服务器200，服务器200可利用犯罪预测模型组件获取该人员的潜在危害值，随后将该潜在危害值发送到电子终端300，由此，公安人员可通过该潜在危害值，获知该人员的危害程度，从而确定对该人员的安全措施。为了更清楚地描述根据本申请的示例性的地址数据处理方法，以下将参照图2详细说明根据本申请的示例性的数据处理方法。

图2示出了根据本申请的示例性实施例的数据处理方法的流程图。如图2所示，在步骤s210中，确定待测人员的社会属性，其中，所述社会属性是指人员在社会中生活存在的各种属性，包括但不限于性别、年龄、学历、工作、工龄、婚姻状态、政治面貌、居住地、有无犯罪前科等。为了更准确地判断人员的犯罪危害性，可从所有的社会属性中保留对人员的犯罪有影响地社会属性。例如，可将所述社会属性确定为性别、年龄、学历、工作、婚姻状态、政治面貌、有无犯罪前科以及刑期。

在实施过程中，可通过人员的唯一标识码将人员与人员的社会属性绑定起来，由此，可利用人员的唯一标识码在数据库中查找待测人员的社会属性。后续还可以将所有通过所述犯罪预测模型组件生成的信息与所述唯一标识码绑定起来，其中，所述唯一标识码可以是用于唯一标示每个人员的代码，例如，所述唯一标示码是人员的居民身份证。

结合图1所示，所述社会属性还可以是公安人员为了确定某一人员的社会危险性而手动输入的，此外，也可以是公安人员输入某一人员的唯一标识码(例如，该人员的身份证)后利用该唯一标识码查找到与该人员对应的人员信息，并从所述人员信息中提取出人员的社会属性。

随后，在步骤s220，将所述社会属性对应转换为社会属性值，具体来说，可通过将社会属性执行离散化，将所述社会属性对应转换为社会属性值，在转换的过程中，可预先确定每个社会属性对应的转换规则，例如，如果该人员的学历为小学，则与小学对应的数值为2，而若该人员的学历为中学，则与中学对应的数值为4。

随后，在步骤s230，将社会属性值输入到犯罪预测模型组件，获取所述待测人员的潜在危害值，其中，所述犯罪预测模型组件是利用多个人员中的每个人员的各个社会属性值与潜在危害值之间的关联性训练得到的，其中，潜在危害值是指对判断人员对社会的危害等级执行量化后的数值，举例来说，可利用刑期来指示潜在危害值。

所述犯罪预测模型组件是通过将所述各个社会属性值作为因变量并且潜在危害值作为自变量而生成的线性回归模型。基于此，所述犯罪预测模型组件的训练过程包括：获取所述多个人员中的每个人员的各个社会属性以及对应的潜在危害值；将与所述多个人员中的每个人员的所述各个社会属性对应的社会属性值以及对应的潜在危害值输入线性关系方程式，生成多个线性回归方程式；通过解析所述多个线性回归方程式，获取线性回归模型。具体来说，可将与所述多个人员中的每个人员的所述各个社会属性对应的社会属性值以及对应的潜在危害值输入以下公式1：

hw(xⁱ)＝w0+w1x1+wx2+...+wnxn公式1

其中，x1，x2，x3…xn是指各个社会属性值，而hw(xⁱ)是指潜在危害值。

因此，利用每个人员的社会属性值以及对应的潜在危害性生成线性关系方程式，若有3个人员，则生成3个线性关系方程式，随后，通过解析这3个线性关系方程式，可获得所述线性回归模型中的系数，从而生成线性回归模型。为了使该线性回归规划模型更准确，执行所述模型组件训练的样本(即，如上所述的人员及其人员信息)越多越好。

可选地，可预先设置潜在危害值的阈值，若某一人员的潜在危害值超过所述阈值，则说明该人员需要重点跟踪观察，若低于所述阈值，则该人员无需重点跟踪观察，所述阈值可以是例如公安人员根据经验或需求设置。

结合图1的示例，公安人员可通过服务器200确定刑满释放的人员的潜在危害值，若该潜在危害值高于预设阈值，则可将该人员作为重点观察对象进行跟踪观察，并可延长对其狱后生活的跟踪。

此外，为了更准确地对已刑满释放的人员的判断，可仅利用犯罪人员信息库中的人员的信息对所述犯罪预测模型组件进行训练，也就是说，将与犯罪人员信息库中的每个人员的所述各个社会属性对应的社会属性值以及对应的潜在危害值输入线性关系方程式，生成多个线性回归方程式；通过解析所述多个线性回归方程式，获取线性回归模型。此外，可将犯罪人员在狱中的表现作为社会属性以数值化的方式表示，例如，犯罪人员在狱中的学习态度可以以0至5中的某一数值表示。在这种情况下，所述潜在危害值可以用刑满释放的人再次犯罪所判刑期来表示。

综上可述，根据本申请的示例性实施例的数据处理方法可通过人员数据训练犯罪预测模型组件，从而确定待测人员的社会危险性，可以看出，通过所述装置可定量分析出各种社会属性与潜在危害性之间的关系。并可进一步预测容易犯罪的人员，以便对其进行重点跟踪。更进一步地，可对刑满释放的人员的社会危险性进行预估，以方便定制对其狱后生活的跟踪计划。

为了更清楚地明白本申请的示例性实施例的发明构思，以下将参照图3描述本申请的示例性实施例的用于存储时序数据的装置的框图。本领域普通技术人员将理解：图3中的装置仅示出了与本示例性实施例相关的组件，所述装置中还包括除了图3中示出的组件之外的通用组件。

图3示出本申请的示例性实施例的数据处理装置的框图。应注意，所述数据处理装置是指可执行根据本申请的示例性实施例的数据处理方法的装置，例如，如图1中的服务器200。参考图3，在硬件层面，该装置包括处理器、内部总线和计算机可读存储介质，其中，所述计算机可读存储介质包括易失性存储器和非易失性存储器。处理器从非易失性存储器中读取对应的计算机程序然后运行。当然，除了软件实现方式之外，本申请并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

具体来说，所述处理器执行以下操作：确定待测人员的社会属性；将所述社会属性对应转换为社会属性值；将社会属性值输入到犯罪预测模型组件，获取所述待测人员的潜在危害值，其中，所述犯罪预测模型组件是利用多个人员中的每个人员的各个社会属性值与潜在危害值之间的关联性训练得到的。

可选地，所述处理器实现步骤将所述社会属性对应转换为社会属性值包括：通过将所述社会属性执行离散化处理对应转换为社会属性值。应注意，所述社会属性还可以是从所有社会属性中预先确定的社会属性。

可选地，所述犯罪预测模型组件是通过将所述各个社会属性值作为因变量并且潜在危害值作为自变量而生成的线性回归模型。

可选地，所述犯罪预测模型组件的训练过程包括：获取所述多个人员中的每个人员的各个社会属性以及对应的潜在危害值；将与所述多个人员中的每个人员的所述各个社会属性对应的社会属性值以及对应的潜在危害值输入线性关系方程式，生成多个线性回归方程式；通过解析所述多个线性回归方程式，获取线性回归模型。

可选地，所述潜在危害值是通过对潜在危害性进行量化后得到的数值。在实施过程中，可利用刑期作为潜在危害值。

可选地，所述多个人员包括犯罪人员信息库中的人员。当仅利用犯罪人员信息库中的人员训练所述犯罪预测模型组件时，可将这些人员再次犯罪的刑期作为潜在危害值，这样，所述犯罪预测模型组件可准确地预测这些罪犯再次犯罪的可能性。

综上可述，根据本申请的示例性实施例的数据处理装置可通过人员数据训练犯罪预测模型组件，从而确定待测人员的社会危险性，可以看出，通过所述装置可定量分析出各种社会属性与潜在危害性之间的关系。更进一步地，预测容易犯罪的人员，以便对其进行重点跟踪。更进一步地，可对刑满释放的人员的社会危险性进行预估，以方便定制对其狱后生活的跟踪计划。

需要说明的是，实施例1所提供方法的各步骤的执行主体均可以是同一设备，或者，该方法也由不同设备作为执行主体。比如，步骤21和步骤22的执行主体可以为设备1，步骤23的执行主体可以为设备2；又比如，步骤21的执行主体可以为设备1，步骤22和步骤23的执行主体可以为设备2；等等。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。