合肥公安矛盾纠纷风险隐患挖掘预警平台

　　一、案例简介

　　为了减少高风险矛盾纠纷的发生，防止矛盾纠纷进一步激化，矛盾纠纷风险隐患挖掘预警平台以矛盾纠纷领域知识图谱和大模型为底层支持，实现对多元矛盾纠纷的精准预警和研判新模式。该平台汇聚公安警情数据、公安协同办案数据、法院数据、信访数据等多渠道矛盾纠纷相关数据，通过数据治理形成多类型主题库、专题库，涵盖人、事、地、物、组织等多种矛盾纠纷关键要素。依托知识图谱、大模型等技术，实现智能检索、问答、推荐等功能和人员纠纷档案、画像分析、模型工厂等应用，结合公安实际业务场景和相关成果，构建并完善多元矛盾纠纷预警研判体系，最终打造成多元矛盾纠纷预警研判的一体化平台，实现风险隐患的精准排查和分级预警管控。

　　图 1 平台概况

　　二、案例举措

　　平台通过汇聚所需的多源异构数据，利用智能化的大数据建模工具，开展数据 深度治理，结合业务思路，采用先进的、科学的算法，探索多维因子风险评估模型 建设，实现风险隐患的、精准排查和分级预警管控。具体分为四个方面：

　　（一）海量多源异构数据数据治理

　　通过多方协调，依托市局公安大数据中心，除自有公安管控数据外，还高效汇聚了省公安厅、人社局、法院、民政局、卫健委、司法等9部门，18类数据。针对汇聚的数据，在建模平台开展了专题的数据清洗和治理的建模工作，先后共建立了24个各类专题数据库

　　利用公安大数据治理平台，对数据进行预处理，随后导入知识图谱平台，通过知识单元的构建和融合，产生多元关联数据，进行深度挖掘，并反馈建模平台支撑建模，形成数据流闭环。利用知识图谱的关系推理技术，开展多要素之间的关联推导，深度挖掘隐藏的涉警人员身份信息，从而实现了海量警情和人员要素的，自动化、精准关联。

　　（二）矛盾纠纷风险因子分析

　　根据故意伤害案件、命案等恶性成因分析，从事件和人员两个维度，总结提炼矛盾纠纷风险因子，结合样本学习，运用CNN(卷积神经网络)等算法，实现海量警情事件因子自动化提取和分级，开展人员风险因子分类建模，

　　事件因子分析通过业务经验和理论调研，构建评估指标体系，提炼出语言、行动、人数、情绪等15种分析因子，选取大量人工标注的样本数据，利用CNN卷积神经网络算法，针对选择的15种因子和权重进行训练。将训练完成的模型对接近五年一千七百万条警情内容，开展事件因子分析和风险评估赋分，进行警情等级分类。

　　在人员风险因子分析方面，我们根据命案分析的维度，提炼了包括，人员涉警次数和种类，涉案次数和种类，以及精神病、离异、涉黄赌毒、暴力犯罪等前科、非访、无固定收入以及异常轨迹、异常网购等共20种身份标签属性的风险因子。

　　（三）矛盾纠纷风险画像刻画

　　综合运用SEM(结构方程模型)、回归数模型、归一化规则算法等，实现对个人风险属性画像分析的同时，进一步拓展对多人(家庭) 等关系风险隐患画像，从而为研判隐患成因和处置提供精准决策参考。

　　图 2 风险人员画像
      

　　图 3 风险关系画像

　　三、案例成果

　　（一）运用成效

　　针对模型推送的风险线索，依托合肥市大联调机制，分类推送相关单位及时排查处置。自该模型建设以来，共发现有风险隐患人员70952人、风险隐患关系39862对、有风险隐患家庭4753个，均纳入风险预警管控。针对其中高风险人员、矛盾关系或家庭，通过分析其成因，提供基层相关纠纷处置法律法规依据和化解的建议以及类似案例，为基层有针对性的开展矛盾纠纷化解工作提供精准指引。自模型运行以来，矛盾纠纷警情持续下降。

　　截至目前，已分批次推送基层较高风险隐患线索3166条，经相关部门开展工作后，其中3104起已经基本化解、消除隐患，且通过跟踪分析，均暂未发现新增警情。

　　（二）可复制推广性

　　当前，矛盾纠纷事件频发，在警情中占比较高，且因其引起的刑事案件或命案影响较大，全国各地均有相关的业务需求。模型平台使用的数据均是公安自有管控或从相关部门获取的结构化或半结构化数据，比较容易获取，且便于共享.交互。模型平台使用的知识图谱、因子分析等技术均是当前较成熟的大数据技术，易复制推广，技术普及性较高。模型平台搭建符合业务需求，流程可复用，且模型参数可根据当地不同案件规律需求和专家经验，因地制宜变更。

　　责任编辑：广汉