Ontology for Policing: Conceptual Knowledge Learning for Semantic Understanding and Reasoning in Law Enforcement Reports
本文提出了一种符号框架，通过整合语义解析、本体映射和推理，将非结构化的执法叙事转化为与证据关联的事实及时序图，在从财产犯罪报告中提取关键事件细节方面展现出高准确率。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一份警方报告是一个由两部分构成的故事。第一部分如同一个清单：它设有日期、犯罪类型（如“入室盗窃”）和案件编号等栏目。由于格式整齐有序，计算机很容易读取这部分内容。
第二部分则是叙述：由警官撰写的一段文字，具体描述事件经过。真正的故事就藏在这里——包括窗户是如何被打破的、涉及哪些人员以及事件发生的顺序等细节。但由于这部分是用普通英语写成的，它就像一堆杂乱无章的拼图碎片，若无辅助，计算机难以轻易梳理。
本文提出了一种新方法，利用“符号”系统（可将其理解为一种极为严格、基于规则的翻译器）而非“猜测”系统（如预测下一个词的现代人工智能）来整理这些杂乱的拼图碎片。
以下是该系统的运作方式，分解为简单步骤：
1. 隐私过滤器（匿名化处理）
在计算机阅读故事之前，它会戴上“隐私护目镜”。系统扫描文本，遮盖敏感的人名、地址和电话号码，将其替换为通用标签，如 [PERSON_1] 或 [SUSPECT]。这确保了系统从事件中学习，而非从涉及人员的具体身份中学习。
2. 翻译器（语义解析）
一旦文本变得安全，系统便充当翻译器的角色，它不仅仅阅读文字，更理解动作的结构。它将句子拆解为“谁对谁做了什么”的格式。
- 比喻：想象句子“嫌疑人打破了窗户”是一句外语。系统将这句话翻译成通用代码：
Action: Break（动作：打破），Doer: Suspect（行为者：嫌疑人），Object: Window（对象：窗户）。 - 它利用庞大的词典（称为 WordNet）和语法书（VerbNet），确保它理解“偷窃”是“拿取”的一种类型，而“窗户”是“建筑物”的一部分。
3. 规则手册（本体论）
随后，系统将这些翻译后的事实尝试放入预先构建的规则手册（称为本体论）中。可将此规则手册想象为一个严格的档案柜，其中设有标有“盗窃”、“强行闯入”或“车辆损坏”的特定抽屉。
- 如果系统看到未经授权的“拿取”行为，它会尝试将其归档为“盗窃”。
- 如果它看到“打破”行为，它会尝试将其归档为“强行闯入”。
- 系统会自我核查：“这符合盗窃的规则吗？是的。它有被盗物品吗？是的。好的，我有把握这是盗窃。”
4. 时间线构建器（时间推理）
最后，系统寻找“然后”、“之前”或“之后”等时间线索以构建时间线。
- 比喻：这就像排列一系列多米诺骨牌。如果文本说“嫌疑人在进入之前打破了窗户”，系统就会将“打破”骨牌放置在“进入”骨牌之前。它还利用常识规则（公理），例如知道“闯入”通常发生在“偷窃”之前。
他们发现了什么？
研究人员在450 份真实的警方报告上测试了该系统，这些报告涉及财产犯罪（如入室盗窃和汽车失窃）。
- 成功率：系统识别出的事件中，约有**54%**具有高度置信度（得分在 1.0 分中达到 0.80 或更高）。
- 准确性：当人工审查员检查系统的工作时，他们在以下三个关键点上达成了**100%**的一致：
- 事件是如何开始的。
- 哪些物品被盗。
- 文本中使用的具体时间线索。
- 困难之处：系统在判断进入方式是否属于“强行”（例如打破窗户与打开门）方面，较难与人类达成一致。这是最令人困惑的部分，一致率仅为 40%。
结论
该论文认为，通过使用严格的规则和词典而非“猜测”，该系统能够将杂乱的警方故事转化为清晰、有条理的事实，并可追溯至原始句子。这就像将手写且杂乱的日记转化为结构化的数据库，帮助调查人员在不手动阅读每一个单词的情况下，看清模式和时间线。
重要提示：作者明确指出，该工具用于分析和组织。它并非旨在对调查做出最终决定或评判个人；它仅仅是帮助组织证据，以便人类能更好地进行审查。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。