康艷榮，趙 露，范 瑋，張紫華

（1.公安部物證鑒定中心，現(xiàn)場(chǎng)物證溯源技術(shù)國(guó)家工程實(shí)驗(yàn)室，痕跡科學(xué)與技術(shù)公安部重點(diǎn)實(shí)驗(yàn)室，北京 100038；2.天津市公安局物證鑒定中心,天津 300384；3.北京中倫文德律師事務(wù)所 北京100028）

數(shù)據(jù)的爆炸增長(zhǎng)、廣泛可用和巨大數(shù)量使得我們的時(shí)代成為真正的數(shù)據(jù)時(shí)代，急需功能強(qiáng)大的工具從海量數(shù)據(jù)中發(fā)現(xiàn)有價(jià)值的信息，并把這些數(shù)據(jù)轉(zhuǎn)化成有組織的知識(shí)[1]。經(jīng)過(guò)近幾十年的發(fā)展和完善，數(shù)據(jù)挖掘技術(shù)已經(jīng)日益成熟，其主要方法有關(guān)聯(lián)規(guī)則挖掘、分類與預(yù)測(cè)、聚類分析、遺傳算法、文本挖掘、Web挖掘等[2]。社交工具及應(yīng)用作為新興媒體的代表，其本身所攜帶的社交信息、交流信息以及社交用戶產(chǎn)生的大量文本、圖像、音頻、視頻等內(nèi)容對(duì)于數(shù)據(jù)挖掘來(lái)說(shuō)又是挑戰(zhàn)[3]?，F(xiàn)在流行的在線社交工具如推特、臉書(shū)、博客、微博、微信等通常都含有大量的鏈接數(shù)據(jù)和內(nèi)容數(shù)據(jù)，其中鏈接數(shù)據(jù)主要為圖形結(jié)構(gòu)，表示兩個(gè)實(shí)體之間的通信，而內(nèi)容數(shù)據(jù)則包含有文本、圖像以及其他網(wǎng)絡(luò)多媒體數(shù)據(jù)[4]。以海量數(shù)據(jù)為支撐的對(duì)人物關(guān)系的量化研究正日益得到重視。目前，基于鏈接的分析主要致力于鏈接預(yù)測(cè)[5]、社區(qū)發(fā)現(xiàn)[6]、社交網(wǎng)絡(luò)進(jìn)化[7]和社會(huì)影響分析[8]等領(lǐng)域；而基于內(nèi)容的分析主要聚焦于關(guān)鍵字搜索、分類、聚類和異構(gòu)網(wǎng)絡(luò)中的遷移學(xué)習(xí)[9]等方面。近年來(lái)，有學(xué)者不斷提出了基于新方法的人物關(guān)系的定量分析，如基于聚類分析（依據(jù)距離和相關(guān)系數(shù)來(lái)評(píng)估不同樣本在屬性上的相似性）與關(guān)聯(lián)分析（分為同類事件的簡(jiǎn)單關(guān)聯(lián)和不同事件的次序關(guān)聯(lián)）的方法獲取人物關(guān)系等[10]，也有學(xué)者利用關(guān)系抽取技術(shù)，擴(kuò)展傳統(tǒng)的二元關(guān)系，提出了一種基于同義詞詞林的抽取關(guān)系描述詞的方法，并通過(guò)該方法在收集一定量特定領(lǐng)域內(nèi)的人物關(guān)系信息的條件下實(shí)現(xiàn)人際網(wǎng)絡(luò)的定量分析及結(jié)果的可視化[11]，這在一定程度上促進(jìn)了人物關(guān)系刻畫(huà)技術(shù)的發(fā)展。本文在前人及筆者之前的研究[12]基礎(chǔ)上，以微信聊天記錄的時(shí)間信息為研究對(duì)象，首先對(duì)微信聊天記錄數(shù)據(jù)進(jìn)行預(yù)處理，包括文件格式轉(zhuǎn)換、數(shù)據(jù)結(jié)構(gòu)定義、計(jì)算變量選取，接著按照微信聊天形式將其抽象為會(huì)話段數(shù)、會(huì)話時(shí)長(zhǎng)和響應(yīng)時(shí)間三個(gè)要素并使用聚類算法對(duì)其進(jìn)行量化研究，最后對(duì)使用不同算法得到的數(shù)據(jù)結(jié)果進(jìn)行了對(duì)比分析，發(fā)現(xiàn)了會(huì)話段數(shù)與聯(lián)系緊密度、響應(yīng)時(shí)間與聯(lián)系傾向性等關(guān)系，為案件偵查過(guò)程中快速尋找犯罪團(tuán)伙、重點(diǎn)嫌疑對(duì)象提供了一種新的技術(shù)手段。

1 數(shù)據(jù)預(yù)處理

1.1 數(shù)據(jù)定義與變量設(shè)定

定義1.1 秒差：接收者從接收到上一條會(huì)話時(shí)間至發(fā)送出本條會(huì)話時(shí)間的時(shí)間差，秒差的取值范圍為0～N（N ≥ 0）。

定義1.2 首次響應(yīng)時(shí)間：一段會(huì)話中接收者首次對(duì)接收的最近一條會(huì)話進(jìn)行響應(yīng)所花費(fèi)的時(shí)間。

定義1.3 一般響應(yīng)時(shí)間：一段會(huì)話中除首次響應(yīng)時(shí)間之外的發(fā)送者和接收者之間的所有會(huì)話所花費(fèi)時(shí)間之和的平均值。

定義1.4 會(huì)話時(shí)長(zhǎng)：一段會(huì)話中發(fā)送者和接收者之間的所有會(huì)話所花費(fèi)的時(shí)間和。

定義1.5 會(huì)話段數(shù)：按照番茄工作法，將發(fā)送者和接收者之間的聊天記錄以20 min為一個(gè)時(shí)間段進(jìn)行劃分。

定義1.6 會(huì)話總時(shí)長(zhǎng)：所有會(huì)話段數(shù)的會(huì)話時(shí)長(zhǎng)之和。

定義1.7 首次響應(yīng)時(shí)間均值：發(fā)送者和接收者所有會(huì)話段數(shù)中的首次響應(yīng)時(shí)間和的平均值。

定義1.8 一般響應(yīng)時(shí)間均值：發(fā)送者和接收者所有會(huì)話段數(shù)中的一般響應(yīng)時(shí)間和的平均值。

定義1.9 未響應(yīng)次數(shù)：20 min內(nèi)單獨(dú)存在的一條會(huì)話的個(gè)數(shù)。

1.2 數(shù)據(jù)預(yù)處理

本文選取機(jī)主Andy與其78個(gè)微信好友的聊天記錄數(shù)據(jù)為實(shí)驗(yàn)數(shù)據(jù)，在SPSS軟件中使用如下命令進(jìn)行數(shù)據(jù)預(yù)處理：

1）將會(huì)話按條進(jìn)行編號(hào)：“COMPUTE 會(huì)話編號(hào)=$CASENUM. EXECUTE.”2）計(jì)算變量“秒差”：“COMPUTE 秒差=發(fā)送時(shí)間 - LAG(發(fā)送時(shí)間). EXECUTE.”3）將“秒差”大于20 min的該條會(huì)話標(biāo)記為一段會(huì)話的開(kāi)始：“IF (秒差＞ 1200) 會(huì)話標(biāo)記=1. EXECUTE.”4）選取“Andy發(fā)起的會(huì)話段數(shù)”并生成新的變量：“IF (發(fā)送者= 1) Andy=會(huì)話標(biāo)記. EXECUTE.”5）選取“好友發(fā)起的會(huì)話段數(shù)”并生成新的變量：“IF (發(fā)送者= 0) 好友=會(huì)話標(biāo)記.EXECUTE.”6）計(jì)算變量“單條會(huì)話時(shí)間”：“COMPUTE 單條會(huì)話時(shí)間=秒差. EXECUTE.”7）將“單條會(huì)話時(shí)間”限定在2 min以內(nèi)：“IF (單條會(huì)話時(shí)間＞ 120) 單條會(huì)話時(shí)間=120. EXECUTE.”8）將一段會(huì)話的首條會(huì)話所花費(fèi)的時(shí)間限定為2 min：“IF (會(huì)話標(biāo)記=1) 單條會(huì)話時(shí)間=120. EXECUTE.” 9）選取“Andy的單條會(huì)話時(shí)間”并生成新的變量：“IF (發(fā)送者 = 1) Andy1=單條會(huì)話時(shí)間. EXECUTE.”10）選取“好友的單條會(huì)話時(shí)間”并生成新的變量：“IF (發(fā)送者 = 0) 好友1=單條會(huì)話時(shí)間. EXECUTE.”11）計(jì)算變量“響應(yīng)時(shí)間”：“IF (發(fā)送者 = LAG(發(fā)送者)) 響應(yīng)時(shí)間=發(fā)送時(shí)間 - LAG(發(fā)送時(shí)間). EXECUTE.”。

2 樣本分層聚類分析

2.1 樣本處理摘要

機(jī)主Andy的78位好友中，有50位好友“Andy發(fā)起的會(huì)話段數(shù)” “Andy未響應(yīng)與已響應(yīng)次數(shù)之比”和“Andy一般響應(yīng)時(shí)間的均值”中的一項(xiàng)或多項(xiàng)的值缺失，本次樣本分層聚類只選用其余28位好友數(shù)據(jù)進(jìn)行分析。

2.2 樣本分層聚類實(shí)驗(yàn)

2.2.1 操作步驟

在SPSS軟件中依次點(diǎn)擊：“分析”→“分類”→“系統(tǒng)聚類”，進(jìn)入“系統(tǒng)聚類分析”對(duì)話框；將“Andy發(fā)起的會(huì)話段數(shù)”“Andy未響應(yīng)與已響應(yīng)次數(shù)之比”和“Andy一般響應(yīng)時(shí)間的均值”選入“變量”欄，在“聚類”中選擇“個(gè)案”，并輸出“統(tǒng)計(jì)量”和“圖”；單擊“統(tǒng)計(jì)量”按鈕，在對(duì)話框中選擇“合并進(jìn)程表”“相似性矩陣”，“聚類成員”里選擇“方案范圍：最小聚類數(shù)為2，最大聚類數(shù)為10”；單擊“繪制”按鈕，在對(duì)話框中選擇“樹(shù)狀圖”，在“冰柱”欄中選擇“所有聚類”；單擊“方法”按鈕，在對(duì)話框中選擇“Ward法”聚類方法，在度量標(biāo)準(zhǔn)中選擇“平方Euclidean距離”，在“標(biāo)準(zhǔn)化”中選擇“Z得分”；單擊“保存”按鈕；返回主對(duì)話框，在“標(biāo)注個(gè)案”中選擇“好友名稱”，單擊“確定”。

2.2.2 命令分析

DATASET ACTIVATE 數(shù)據(jù)集1.

PROXIMITIES Andy發(fā)起的會(huì)話段數(shù) Andy未響應(yīng)與已響應(yīng)次數(shù)之比 Andy一般響應(yīng)時(shí)間的均值 /

2.2.3 聚類結(jié)果

實(shí)驗(yàn)得到的近似矩陣表（如表1所示）說(shuō)明，近似矩陣中的數(shù)值越小，表明二者距離越近；數(shù)值越大，表明二者距離越遠(yuǎn)。以“Lucy”為例，距離“Lucy”最近的是“Merry”，距離“Lucy”最遠(yuǎn)的是“F5”。

表1 近似矩陣（節(jié)選）Table 1 Approximate matrix (excerpted)

實(shí)驗(yàn)得到的Ward聯(lián)結(jié)聚類表（如表2所示）說(shuō)明，距離最近的個(gè)案最先聚合，如“11”與“23”，“27”與“28”，“19”與“20”，“13”與“15”，“8”與“14”，“9”與“25”等，直到出現(xiàn)階群集。

實(shí)驗(yàn)所得的群集成員表（如表3所示）說(shuō)明，當(dāng)聚類數(shù)為“2”時(shí)，只有F5單獨(dú)一組，該樣本在分類為“3”、“4”、“5”等時(shí)都被單獨(dú)分成一組，據(jù)此可以判定該個(gè)案的特殊性。

實(shí)驗(yàn)所得Ward聯(lián)結(jié)的樹(shù)狀圖（如圖1所示）說(shuō)明，“類”間的距離越大說(shuō)明區(qū)別越明顯，如“Merry”和“Lucy”，“C1”和“G3”，“Betty”和“Dave”這三組個(gè)案因兩兩之間的相似性以及與其他分類的差異性而被獨(dú)立出來(lái)。

結(jié)合近似矩陣、Ward聯(lián)結(jié)聚類表、群集成員和樹(shù)狀圖，我們發(fā)現(xiàn)當(dāng)聚類數(shù)分別為8、6、4的時(shí)候，聚類效果最為明顯。

表2 Ward聯(lián)結(jié)聚類表Table 2 Results from Ward-joint clustering

表3 群集成員Table 3 Clustered Members

圖1 會(huì)話段數(shù)與聯(lián)系緊密度Fig.1 Session Segments and Relational Clossness

3 K-均值聚類分析

3.1 樣本標(biāo)準(zhǔn)化

依舊選取機(jī)主Andy的28位“Andy發(fā)起的會(huì)話段數(shù)”“Andy未響應(yīng)與已響應(yīng)次數(shù)之比”和“Andy一般響應(yīng)時(shí)間的均值”三項(xiàng)數(shù)據(jù)不缺失的好友數(shù)據(jù)為實(shí)驗(yàn)數(shù)據(jù)。由于這三項(xiàng)數(shù)據(jù)的單位不一致，在快速樣本聚類之前，需要先進(jìn)行標(biāo)準(zhǔn)化處理。依次點(diǎn)擊：“分析”→“描述統(tǒng)計(jì)”→“描述”，進(jìn)入“描述性”對(duì)話框；將“Andy發(fā)起的會(huì)話段數(shù)（變量1）”“Andy未響應(yīng)與已響應(yīng)次數(shù)之比（變量2）”和“Andy一般響應(yīng)時(shí)間的均值（變量3）”選入“變量”欄，在對(duì)話框下方選擇“將標(biāo)準(zhǔn)化得分另存為變量”。單擊“確定”，得到的標(biāo)準(zhǔn)化數(shù)據(jù)。

3.2 K-均值聚類實(shí)驗(yàn)

3.2.1 操作步驟

在SPSS軟件中依次點(diǎn)擊：“分析”→“分類”→“K-均值聚類”，進(jìn)入“K-均值聚類分析”對(duì)話框；將“Andy發(fā)起的會(huì)話段數(shù)”“Andy未響應(yīng)與已響應(yīng)次數(shù)之比”和“Andy一般響應(yīng)時(shí)間的均值”選入“變量”欄，在“聚類數(shù)”中填入“6”，在“方法”中選擇“迭代與分類”；單擊“迭代”按鈕，在對(duì)話框中填入“最大迭代次數(shù)為10，收斂性標(biāo)準(zhǔn)為0”；單擊“保存”按鈕，在對(duì)話框中選擇“聚類成員”；單擊“選項(xiàng)”按鈕，在“統(tǒng)計(jì)量”中選擇“初始聚類中心、ANOVA表、每個(gè)個(gè)案的聚類信息”，在“缺失值”中選擇“按列表排除個(gè)案”；返回主對(duì)話框，在“個(gè)案標(biāo)記依據(jù)”中選擇“好友名稱”，單擊“確定”。

3.2.2 命令分析

QUICK CLUSTER Andy發(fā)起的會(huì)話段數(shù) Andy未響應(yīng)與已響應(yīng)次數(shù)之比 Andy一般響應(yīng)時(shí)間的均值

3.2.3 聚類結(jié)果

實(shí)驗(yàn)所得的最終聚類中心距離表（如表4所示）在一定程度上反映了各個(gè)類別之間的區(qū)分情況，第1類與第3類的距離最大，區(qū)分度最好；第1類與第5類的距離最小，區(qū)分度最差。類似地，第3類與所有其他類別的區(qū)分度都非常好，而第5類與除第3類外的所有其他類別的區(qū)分度都一般。

表4 最終聚類中心間的距離Table 4 Distance among the fi nal clustered centers

實(shí)驗(yàn)所得的方差分析表（如表5所示）說(shuō)明，本次參與聚類分析的三個(gè)變量中的任意一個(gè)變量的“類間均方”都遠(yuǎn)遠(yuǎn)大于“類內(nèi)的誤差均方”。從概率上看，這三個(gè)變量使六個(gè)分類之間無(wú)差異的假設(shè)成立的概率都小于0.05%，這說(shuō)明該三個(gè)變量能夠很好地區(qū)分各類，聚類的效果是顯著的。其中，“變量1”對(duì)聚類的貢獻(xiàn)最大，“變量3”對(duì)聚類的貢獻(xiàn)最小。

結(jié)合最終聚類中心間的距離、方差分析，當(dāng)聚類數(shù)預(yù)先設(shè)定為“6”時(shí)，聚類的整體效果最為明顯。

表5 方差分析Table 5 Analysis of variance

4 實(shí)驗(yàn)結(jié)果對(duì)比

將樣本分層聚類結(jié)果整理成表6，K-均值聚類結(jié)果整理成表7，通過(guò)對(duì)比分析得到如下結(jié)論：第一，上述兩種聚類方法得到的結(jié)果非常相似，但在“Dave”的歸屬上，樣本分層聚類認(rèn)為其是屬于“不緊密且非常積極”類，而K-均值聚類認(rèn)為其是屬于“一般緊密且積極”；在“C1”的歸屬上，系統(tǒng)聚類認(rèn)為其是屬于“不緊密且一般積極”，而K-均值聚類認(rèn)為其是屬于“不緊密且非常積極”。第二，“Andy”與微信好友的聯(lián)系呈現(xiàn)出“扁平化”結(jié)構(gòu)。第三，第一類和第六類的好友數(shù)量非常少，而第三類和第四類的占比達(dá)到了57%。這說(shuō)明“極好”與“極差”的好友是少量的，大部分的好友都是處于“不緊密”但“非常積極或積極”的狀態(tài)。從分類的效果以及聚類成員的分布來(lái)看，這兩種聚類的結(jié)果除個(gè)別樣本外，都相互得到了印證，具有比較高的可靠性。

表6 樣本分層聚類結(jié)果Table 6 Results from clustering the layered samples

表7 快速樣本聚類結(jié)果Table 7 Results from K-means clustering

5 結(jié)果驗(yàn)證

選取上節(jié)中“一般緊密且積極”的Lisa和Mike、“不緊密且非常積極”的Betty和Fanny與Andy之間的會(huì)話段數(shù)累積和、一般響應(yīng)時(shí)間進(jìn)行數(shù)據(jù)分析，將“Andy發(fā)起的會(huì)話段數(shù)”和“好友發(fā)起的會(huì)話段數(shù)”的累積和用多線線圖表現(xiàn)出來(lái)對(duì)比后發(fā)現(xiàn)“一般緊密”的會(huì)話段數(shù)與“不緊密”相比，具有明顯的連續(xù)遞增的趨勢(shì)，“一般緊密”的累計(jì)和明顯大于“不緊密”的累計(jì)和，如圖2；將“Andy花費(fèi)的一般響應(yīng)時(shí)間”和“好友花費(fèi)的一般響應(yīng)時(shí)間”的值用多線線圖表現(xiàn)出來(lái)對(duì)比后發(fā)現(xiàn)“積極”的一般響應(yīng)時(shí)間與“非常積極”相比，具有明顯的波動(dòng)性，“非常積極”的一般響應(yīng)時(shí)間的“值”明顯比“積極”的一般響應(yīng)時(shí)間的“值”更集中，如圖3。

圖2 會(huì)話段數(shù)與聯(lián)系緊密度Fig.2 Session Segments and Relational closeness

圖3 響應(yīng)時(shí)間與聯(lián)系傾向性Fig.3 Responding time and contact tendency

6 結(jié)論

本文通過(guò)對(duì)微信好友聊天數(shù)據(jù)時(shí)間特征進(jìn)行研究，設(shè)定了若干能反映“聯(lián)系緊密度”和“聯(lián)系傾向性”的變量，然后對(duì)選定參與聚類的變量進(jìn)行了樣本分層聚類和K-均值聚類，并對(duì)聚類結(jié)果進(jìn)行了對(duì)比分析。經(jīng)過(guò)分析和論證，本文采用的以“發(fā)起的會(huì)話段數(shù)”、“未響應(yīng)與已響應(yīng)次數(shù)之比”和“一般響應(yīng)時(shí)間的均值”為變量對(duì)人物關(guān)系的“親疏遠(yuǎn)近”進(jìn)行分類的方法能夠反映客觀的實(shí)際情況，可以用于案件中人物關(guān)系分析。同時(shí)，本文在實(shí)驗(yàn)中發(fā)現(xiàn)，即使在同一個(gè)分類里面，各個(gè)成員之間依然各有差異，例如對(duì)“聯(lián)系一般緊密”及以上的個(gè)案進(jìn)行“聯(lián)系傾向性”分析，就會(huì)找到“熟悉的陌生人”，即那些“活躍”在我們身邊，卻被我們“冷落”的人。接下來(lái)，本文將針對(duì)單變量對(duì)人物關(guān)系的影響、聚類過(guò)程中的異常值分析等展開(kāi)深入研究，以期獲得更有價(jià)值的發(fā)現(xiàn)。

［1］ HAN J W, MICHELINE K, PEI J. Data mining: concepts and techniques［M］. 北京 ：機(jī)械工業(yè)出版社，2012:1-2

［2］ 谷斌主. 數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)挖掘?qū)崉?wù)［M］. 北京：北京郵電大學(xué)出版社，2014.

［3］ 李濤. 數(shù)據(jù)挖掘的應(yīng)用與實(shí)踐：大數(shù)據(jù)時(shí)代的案例分析［M］.廈門：廈門大學(xué)出版社，2013.

［4］ 張引，陳敏，廖小飛 . 大數(shù)據(jù)應(yīng)用的現(xiàn)狀與展望［J］. 計(jì)算機(jī)研究與發(fā)展，2013, 50(S2):216-233.

［5］ 朱索格，胡訪宇 . 基于海量數(shù)據(jù)的鏈接預(yù)測(cè)方法研究［J］. 電子技術(shù)，2014(3):31-35.

［6］ 伍星宇. 基于相似度的社區(qū)發(fā)現(xiàn)算法研究［D］. 武漢：華中科技大學(xué)，2012.

［7］ 王玙，高琳. 基于社交圈的在線社交網(wǎng)絡(luò)朋友推薦算法［J］.計(jì)算機(jī)學(xué)報(bào)，2014, 37(4):801-808.

［8］ 馬茜. 社會(huì)網(wǎng)絡(luò)中的節(jié)點(diǎn)影響力度量和K-節(jié)點(diǎn)集的影響力最大化問(wèn)題研究［D］. 濟(jì)南：山東大學(xué)，2017.

［9］ 張倩，李海港. 基于知識(shí)表達(dá)的遷移學(xué)習(xí)方法及其應(yīng)用［M］.北京：中國(guó)礦業(yè)大學(xué)出版社，2015.

［10］ 錢景怡，張玉峰. 基于人際網(wǎng)絡(luò)挖掘的企業(yè)競(jìng)爭(zhēng)情報(bào)獲取研究［J］. 圖書(shū)情報(bào)知識(shí)，2009(3):90-93.

［11］ 孫曉玲，林鴻飛. 人際網(wǎng)絡(luò)關(guān)系抽取和結(jié)構(gòu)挖掘［J］. 微電子學(xué)與計(jì)算機(jī)，2008(9):233-236.

［12］ 上官夢(mèng)軒, 康艷榮等. 基于二維相關(guān)度的嫌疑人社交網(wǎng)絡(luò)分析方法研究［J］. 刑事技術(shù) , 2017, 42(2):93-97.