29 марта 2016
Сергей Кузнецов, заведующий Международной научно-учебной лабораторией интеллектуальных систем и структурного анализа (МНУЛ ИССА).
Алексей Незнанов, старший научный сотрудник МНУЛ ИССА
Дмитрий Игнатов, научный сотрудник МНУЛ ИССА
Более 80% информации, с которой работают следователи — это тексты, например, отчёты, составленные полицейскими в ходе патрулирования. Они вносятся в базы данных и образуют огромные массивы неструктурированной информации, автоматический анализ которой крайне затруднён. Группа математиков НИУ ВШЭ вместе с экспертами полиции Амстердам-Амстелланд и учёными Лёвенского католического университета разработали систему, способную анализировать большие коллекции текстов, и автоматически извлекать из них информацию, способную помочь следствию.
Это один из четырёх совместных проектов, реализованных учёными Лёвенского католического университета, математиками НИУ ВШЭ и экспертами криминальной полиции Амстердам-Амстелланд.
Сотрудничество россиян с голландской полицией началось в 2010 году, когда молодой учёный Лёвенского университета Йонас Пульманс пригласил Сергея Кузнецова и его коллег к участию в проектах по анализу криминальной обстановки в Амстердаме. «Мы могли предложить программные и методологические средства обработки данных, основанные на решётках формальных понятий, — пояснил Кузнецов. — Йонас Пульманс только начинал заниматься этой темой, а мы уже имели значительный опыт». Этот метод анализа позволяет визуализировать объектно-признаковые зависимости и широко применяется в информатике. Например, в компьютерной лингвистике, для анализа блогов и поиска сходства текстовых документов, в формировании рекомендаций.
За четыре года совместной работы учёные НИУ ВШЭ приняли участие в проектах связанных с домашним насилием, торговлей людьми, терроризмом и выявлением педофилов в интернет-чатах. В последнем случае нужно было определить взрослых людей, которые пытаются найти через Сеть несовершеннолетних сексуальных партнёров
Обычно злоумышленник действует так: подыскивает интернет-ресурс, привлекательный для детей и подростков, знакомится с другими участниками, затем пытается наладить более тесный контакт с потенциальной жертвой, завести разговор на сексуальные темы, «подогреть» беседу и, наконец, склонить ребёнка к реальной встрече. Объём информации в этих чатах огромен, их чтение и анализ вручную могут занимать слишком много времени. Поэтому полиции требовалась программа, которая смогла бы автоматически отыскивать возможных извращенцев.
С точки зрения потенциальной опасности, голландские полицейские делят педофилов на три группы:
«Главной задачей было нахождение признаков того, что данный сеанс в чате происходит между педофилом и его жертвой, — рассказал участник проекта Алексей Незнанов. — Их нужно отличать от всех других сеансов, которые не относятся к данной тематике, чтобы не заподозрить обычных людей». Именно система на основе решёток формальных понятий, по словам учёного, помогает быстро выявить разговоры, которые могут представлять опасность для ребёнка.
Исходными данными для анализа являлась большая текстовая коллекция. Её составлением и другими прикладными вопросами (где взять данные, на каких языках и т.д.) занимались эксперты криминальной полиции. Российские специалисты готовили теоретическую базу системы. «Мы должны были выявить признаки, которые с большой вероятностью указывали, что это чат с педофилом», — вспоминает Незнанов.
Сотрудники НИУ ВШЭ отбирали всё возможные подозрительные слова и словосочетания. Они делились по атрибутам: обсуждение внешности, организация свидания, обсуждение сексуальных предпочтений и аспектов встречи и т.д. Помимо интересующего слова как такового в базу включались всё варианты сокращённого написания, варианты с искажениями и ошибками, а также использование цифр вместо букв и слов (2 — to, 4 — for, …) — популярный приём СМС-сленга.
В свою очередь, коллеги из Лёвенского университета предложили итеративную методологию анализа данных, которая получила название CORDIET — Concept Relation Discovery and Innovation Enabling Technology. Итеративные методы позволяют сортировать информацию, непрерывно анализируя полученные результаты и, если нужно, внося коррективы в предшествующие этапы работы. В каждой фазе анализа данных повторяется цикл: планирование-реализация-проверка-оценка. Накопленные знания формализуются в виде семантической сети (онтологии специального вида).
По словам Незнанова, это была работа на стыке классической компьютерной лингвистики и машинного обучения, классической задачи построения онтологий и оригинальной задачи выявления знаний в конкретной прикладной области.
Результаты исследования позволили создать программные средства, позволяющие автоматизировать процесс поиска педофилов в Сети.
Сначала исследователи ввели некоторую коллекцию текстов и указали их метаданные (реквизиты, теги). После чего было автоматически построено объектно-признаковое описание этих данных, и на их основе были построены решётки формальных понятий и другие аналитические артефакты, позволяющие аналитику интерактивно их визуализировать и сделать необходимые заключения. Получающиеся визуальные схемы, по словам Незнанова, так просты, что «научиться работать с ними можно буквально за день». Единственной, но очень серьёзной проблемой является масштабирование интерактивного режима работы, так как с некоторого размера решётки необходимы интеллектуальные методы визуализации фрагментов решётки. Их разработка — одна из актуальных задач лаборатории.
Полученное программное обеспечение было протестировано эмпирически, а результаты описаны в серии научных статей.
Правда, поскольку данные чатов, собранные голландской полицией, по закону, не могут быть обнародованы, то для демонстрации работы системы использовались данные Американской общественной организации Perverted-Justice, которая также занимается поиском педофилов в интернете. Только роли потенциальных жертв там исполняли взрослые люди, которые должны втянуть в диалог потенциального педофила. Поведение «жертвы» в этом случае не является репрезентативным, поскольку это взрослый, но поведение подозреваемых реалистично, поскольку те верят, что общаются с несовершеннолетним.
Прикладная программа, разработанная на основе теоретической базы учёных НИУ ВШЭ, в настоящее время используется полицией Амстердама.
