贝叶斯理论在反恐情报分类分析中的应用研究

摘要：

[目的]根据反恐情报的特点对朴素贝叶斯分类器进行修改,为反恐情报数据的分类分析提供一种简单实用的方法.[方法]根据反恐情报的特点删除数据噪声,对相关性较大的属性进行归约,对连续属性进行离散化处理;利用预处理后的样本数据计算不同属性的条件概率;基于最大后验假设判定数据分类.[结果]采用调高概率阈值的方式对最后的分类结果进一步筛选,能部分抵消属性相关性对结果的影响,最后只需对敏感等级较高的数据进行人工情报研判,节约人力成本.[局限]本文方法对数据属性的独立性有一定的要求,在实际使用中需要与决策树等其他分类方法组合使用,才能覆盖更多的情报信息,为反恐预警提供参考.[结论]该方法适用于对属性相关性较小的基础数据进行快速分类,为人工情报研判提供参考依据.

关键词：贝叶斯理论、朴素贝叶斯、最大后验假设、反恐情报、数据挖掘

所属期刊栏目：2

分类号：G359;D631(情报学、情报工作)

资助基金：教育部人文社会科学研究青年基金项目“基于数据挖掘的涉恐情报量化分析方法研究”17YJCZH098;北京市社会科学基金项目“大数据驱动的首都反恐情报决策机制研究”18GLC062;国家社会科学基金重大项目“当前我国反恐形势及对策研究”项目15ZDA034的研究成果之一

在线出版日期：2019-01-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：9-14