分层文本分类在警情数据中的应用

殷小科，王威，王婕，张沛然，乐汉，林基伟，张海婷

（1.上海市公安局科技处，上海200042；2.上海德拓信息技术股份有限公司，上海200030）

0 引言

现今，文本分类在自然语言处理中被广泛应用，文本数据自动归类可以方便用户检索、查询，并在此基础上对数据进行深度加工，尤其在数据越来越多的情况下，人工归类已无法满足要求。很多研究人员和机构对此做了大量工作，文本分类任务一般来说是一个有监督任务，首先模型需要在有标注的数据上进行训练，然后在此基础上对未标注数据进行分类[1]。文本分类通常有两个或多个类别，例如邮件分类、垃圾邮件分类、情感分析等。文本分类的类别如果特别多，作为文本分类的一种特殊情况，需要区别对待。很多实际应用中的分类问题，类别之间有关系，相似的类别可以作为一大类，由此形成相应的层次结构，这是一种特殊的文本分类问题，分层文本分类（Hier⁃archical Text Classification，HTC），分类算法的结果对应分类层次结构中的一个或多个节点。其中的分类层次结构通常用一个树结构或有向无环图表示。

对于海量的警情信息，如果能进行充分利用挖掘，不但能够更好地检索、查询，更能够提高办案效率，预测规律，预防犯罪事件的发生。警情分类是对警情信息进行充分利用的基础，实际警情分类是一个典型的分层文本分类问题，如图1，警情信息下有两层分类，分类11下面包括分类21、22等。每天都会接到大量报警信息，人工分类效率不高，不同人员录入存在主观差异，多层次分类比较繁琐，可能出现层级遗漏、相似类别出现失误等情况，因此自动文本分类是非常重要的。……