为实现对暴力犯罪分子的科学智能分层干预，本文提出了一种深度特征融合模型——卷积长短期门控注意网络(CLGA-Net)，用于暴力犯罪气质分类。首先，对CNN进行重构，改进局部特征提取;我们通过过滤多个核大小的词向量并分别卷积来组合特征向量，得到不同粒度的特征映射。其次，通过重构CNN，提出了一种带有注意机制的多模型融合算法。经过连接层，将Bi-LSTM和Bi-GRU与多头注意相结合，并将LSTM和GRU与自注意并行结合，有效捕获文本序列中的各种结构模式。然后，利用全局平均池化层解决传统全连接层的过拟合问题。最后，在softmax分类器之后，使用算术平均算法得到最终的分类结果。为了验证所提出模型的性能，将CLGA-Net与其他基线模型进行了比较。结果表明，CLGA-Net在各评价指标下均达到最优效果，准确率为99.25%。宏观平均值和微观平均值下AUC值分别为99.03%和99.81%。通过对犯罪事实的分析，CLGA-Net显示出良好的暴力犯罪气质分类能力。监管部门可以根据获得的归因类型制定个性化的矫正教育方案。因此，本文提出的CLGA-Net模型可以为违法者提供准确、可扩展的计算机化分层干预服务。
摘要
访问选项
数据可用性
参考文献
致谢
作者信息
道德声明
访问选项
搜索
导航
#####
