團(tuán)伙犯罪中基于PageRank的嫌疑人犯罪影響力分析

摘要：如何準(zhǔn)確評估嫌疑人的影響力是偵破團(tuán)伙犯罪的關(guān)鍵，為此，在PageRank算法的基礎(chǔ)上，結(jié)合團(tuán)伙犯罪的網(wǎng)絡(luò)結(jié)構(gòu)特性，提出團(tuán)伙犯罪中嫌疑人犯罪影響力評估模型.該模型首先結(jié)合已掌握的作案信息將團(tuán)伙犯罪網(wǎng)絡(luò)轉(zhuǎn)化為有向加權(quán)網(wǎng)絡(luò)，再根據(jù)中間中心度、接近中心度兩大網(wǎng)絡(luò)特性確定罪犯影響力轉(zhuǎn)移矩陣，最后該模型以實(shí)際的案例為實(shí)驗(yàn)數(shù)據(jù)得出具體的嫌疑人犯罪影響力，并以兩種成熟的模型為對比模型，實(shí)現(xiàn)結(jié)果顯示該模型的評估結(jié)果與實(shí)際案件結(jié)果擬合度較高，且準(zhǔn)確率也高于對比模型，驗(yàn)證了該模型具有較高的準(zhǔn)確性和可行性.關(guān)鍵詞：PageRank；網(wǎng)絡(luò)結(jié)構(gòu)特性；團(tuán)伙犯罪；嫌疑人影響力近年來，隨著通信技術(shù)的發(fā)展，團(tuán)伙犯罪的作案手段也隨之發(fā)生了巨大改變，呈現(xiàn)出結(jié)構(gòu)性、隱秘性、動態(tài)性等特點(diǎn)，這給公安機(jī)關(guān)的偵破工作帶來了一定的挑戰(zhàn)，特別是近些年頻發(fā)的涉黑團(tuán)伙犯罪、經(jīng)濟(jì)團(tuán)伙犯罪以及網(wǎng)絡(luò)團(tuán)伙犯罪.研究表明，目前的犯罪團(tuán)伙呈現(xiàn)出一定的社會網(wǎng)絡(luò)特性，所以很多學(xué)者將社會網(wǎng)絡(luò)分析方法應(yīng)用于團(tuán)伙犯罪案件的分析中，主要涉及兩大領(lǐng)域.第一，團(tuán)伙犯罪網(wǎng)絡(luò)組織結(jié)構(gòu)的研究，比如趙迪等［1］通過研究犯罪嫌疑人的地域特征構(gòu)建共同犯罪網(wǎng)絡(luò)模型，并對共同犯罪現(xiàn)象及其原因進(jìn)行探究；ZHANG等［2］充分研究了人口拐賣案件中犯罪成員的人際關(guān)系網(wǎng)絡(luò)；同時，MCILLWAIN［3］的研究也表明犯罪人之間的人際關(guān)系是團(tuán)伙犯罪的一個決定性因素；也有研究成果表明目前的地域性犯罪是團(tuán)伙犯罪的一個重要性傾向，并以此分析地域性犯罪的性質(zhì)和特征［4-6］；還有一些通過分析網(wǎng)絡(luò)結(jié)構(gòu)特征，比如網(wǎng)絡(luò)密度、聚集系數(shù)、中心性分析團(tuán)伙犯罪網(wǎng)絡(luò)［7-10］.第二，團(tuán)伙犯罪網(wǎng)絡(luò)中的人員以及人員關(guān)系研究，比如孫萌［11］通過PageRank算法對犯罪人的影響力以及用戶關(guān)系強(qiáng)度進(jìn)行研究；FREEMAN［12］對犯罪網(wǎng)絡(luò)中的每一個成員進(jìn)行了研究，得到每一成員對整個網(wǎng)絡(luò)的影響程度；李瑞東［13］通過數(shù)據(jù)挖掘技術(shù)設(shè)計(jì)了犯罪成員的組織關(guān)系模型.在團(tuán)伙犯罪偵查中，能夠有效識別關(guān)鍵人物，進(jìn)而掌握犯罪組織網(wǎng)絡(luò)結(jié)構(gòu)是其中最為重要的一環(huán).目前，關(guān)于團(tuán)伙犯罪網(wǎng)絡(luò)結(jié)構(gòu)的研究雖然層出不窮，但是真正能夠落地實(shí)施的卻不多，究其原因主要有二：一是實(shí)驗(yàn)數(shù)據(jù)有限，算法的有效性難以保證；二是研究方法過于局限，算法的可移植性較差.因此，本文在大數(shù)據(jù)背景下，提出團(tuán)伙犯罪中基于PageRank算法以及網(wǎng)絡(luò)結(jié)構(gòu)特性的嫌疑人犯罪影響力評估模型（CIS-PNSC，amodelforassessingthecriminalinfluenceofsuspectsingangcrimesbasedonPageRankalgorithmandnetworkstructurecharacteristics）.該模型主要用于識別團(tuán)伙犯罪中的關(guān)鍵人物，并對鎖定的犯罪嫌疑人進(jìn)行重要性排序.該嫌疑人犯罪影響力評估模型首先將團(tuán)伙犯罪網(wǎng)絡(luò)轉(zhuǎn)化為有向加權(quán)網(wǎng)絡(luò)，其次根據(jù)網(wǎng)絡(luò)結(jié)構(gòu)特性確定犯罪影響力轉(zhuǎn)移矩陣，最后根據(jù)PageRank算法計(jì)算出團(tuán)伙犯罪中嫌疑人的犯罪影響力.1研究方法1.1PageRank算法PageRank算法將萬維網(wǎng)看成一幅看似雜亂而有章可循的有向圖，網(wǎng)頁對應(yīng)節(jié)點(diǎn)，超鏈接對應(yīng)邊，然后利用隨機(jī)過程的相關(guān)知識計(jì)算得出網(wǎng)頁的權(quán)值［14］.如圖1是由5個網(wǎng)頁構(gòu)成的一幅網(wǎng)絡(luò)有向圖.PageRank算法的核心思想可總結(jié)為如下三點(diǎn).（1）鏈接即肯定：在萬維網(wǎng)中，當(dāng)一個網(wǎng)頁A含有很多連入鏈接時，表明網(wǎng)頁A是被其他網(wǎng)頁肯定的，在計(jì)算網(wǎng)頁權(quán)值時，其他網(wǎng)頁會將自己的權(quán)威值分配給自己所指向的網(wǎng)頁A.（2）鏈接即貢獻(xiàn)：在萬維網(wǎng)中，任何一個網(wǎng)頁會平均將權(quán)威值分配給自己所指向的網(wǎng)頁，同理，任何一個網(wǎng)頁的權(quán)威值由所有指向自身網(wǎng)頁的權(quán)威值決定.（3）權(quán)威確定權(quán)威：若萬維網(wǎng)中某一權(quán)威網(wǎng)頁A指向另一網(wǎng)頁B時，網(wǎng)頁B也將變成權(quán)威網(wǎng)頁，因?yàn)樵谟?jì)算網(wǎng)頁B的權(quán)威值時，權(quán)威網(wǎng)頁A對網(wǎng)頁B的貢獻(xiàn)值會遠(yuǎn)遠(yuǎn)大于其他指向網(wǎng)頁B的非權(quán)威網(wǎng)頁的貢獻(xiàn)值.PageRank算法的核心公式如式（1）所示：P=（1-d）eeT/n+dUTP，

（1）式（1）中，e為單位矩陣，P代表網(wǎng)頁的權(quán)威向量值，d代表阻尼系數(shù)，U是根據(jù)網(wǎng)頁的鏈接關(guān)系得到的轉(zhuǎn)移矩陣.在本文中將以PageRank算法為基礎(chǔ)，衡量團(tuán)伙犯罪網(wǎng)絡(luò)中的嫌疑人犯罪影響力.將犯罪組織網(wǎng)絡(luò)中的某個犯罪嫌疑人i的影響力設(shè)為Pi，那么所有犯罪嫌疑人的用戶影響力則為{Pi，Pj，…，Pn}，對應(yīng)的犯罪影響力可建模成為一個向量P=［Pi，Pj，…，Pn］T，故PageRank算法的核心公式可表示為：在式（2）中，對于每一個k∈［i，n］，都必須滿足：在本模型中，ukk的值都設(shè)定為0.1.2點(diǎn)度中心度現(xiàn)實(shí)世界中，為了最大程度地保護(hù)自己，很多犯罪嫌疑人都是實(shí)行單向聯(lián)系，所以團(tuán)伙犯罪組織網(wǎng)絡(luò)往往都是一個有向網(wǎng)絡(luò).在一個犯罪網(wǎng)絡(luò)中，如果一個犯罪嫌疑人與其他犯罪嫌疑人聯(lián)系較為緊密，或者說該犯罪嫌疑人能夠同時指向多個其他組織成員，那么該犯罪嫌疑人就會處于權(quán)力的中心，在此可用點(diǎn)度中心度進(jìn)行衡量，如下式所示：Ci=di，

（4）在式（4）中Ci表示的是犯罪嫌疑人i的點(diǎn)度中心度，di表示所有指向犯罪嫌疑人i的鏈接.在構(gòu)造實(shí)際的犯罪組織網(wǎng)絡(luò)時，要以信息的逆流向?yàn)闇?zhǔn)判別犯罪嫌疑人的關(guān)系指向，比如犯罪嫌疑人B是通過犯罪嫌疑人A獲取作案信息的，那么在關(guān)系網(wǎng)絡(luò)中，B應(yīng)是指向A的，即A應(yīng)將自己的犯罪影響力貢獻(xiàn)于B.1.3中間中心度中間中心度衡量的是犯罪嫌疑人的橋梁作用.在有向的犯罪組織網(wǎng)絡(luò)中，如果某犯罪嫌疑人處于其他兩個人的最短聯(lián)系路徑上，那么該犯罪嫌疑人對其他兩人來說就比較重要.如果該犯罪嫌疑人處于其他任意兩個犯罪嫌疑人的最短路徑上的頻率越高，那么該犯罪嫌疑人的“橋梁作用”就越強(qiáng)，相對來說，對組織的影響力就越大.在此，以式（5）表示某犯罪嫌疑人的中間中心度.式（5）中，Bk表示犯罪嫌疑人k的中間中心度，S（i→k→j）表示犯罪嫌疑人i經(jīng)過k與其他任意犯罪嫌疑人的最短路徑數(shù)目.1.4接近中心度接近中心度衡量的是犯罪嫌疑人影響力的波及程度，在有向犯罪組織網(wǎng)絡(luò)中，如果某犯罪嫌疑人能夠以較短的距離和其他許多人進(jìn)行聯(lián)系，那么該犯罪嫌疑人也是比較重要的，接近中心度的計(jì)算如式（6）所示：式（6）中，F(xiàn)k表示犯罪嫌疑人k到該網(wǎng)絡(luò)中所有犯罪嫌疑人的最短路徑長度之和，D（k→j）是指犯罪嫌疑人k到犯罪嫌疑人j的最短路徑長度.本模型使用狄克斯特拉算法（Dijkstra）求取最短路徑，該算法是由荷蘭計(jì)算機(jī)科學(xué)家狄克斯特拉提出［15］.采用的是貪心算法的策略，在有向加權(quán)圖中，能夠求取起始點(diǎn)到其他任意節(jié)點(diǎn)的最短距離.2基于PageRank算法以及網(wǎng)絡(luò)結(jié)構(gòu)特性的犯罪嫌疑人影響力評估模型在本文中，CIS-PNSC模型主要是對PageRank算法中轉(zhuǎn)移矩陣U的改進(jìn)，因?yàn)樵撧D(zhuǎn)移矩陣U是決定犯罪嫌疑人影響力的根本要素.本模型主要通過衡量團(tuán)伙犯罪網(wǎng)絡(luò)中的三大網(wǎng)絡(luò)特性進(jìn)行犯罪影響力的分配，即根據(jù)三大網(wǎng)絡(luò)特性確定轉(zhuǎn)移矩陣U.另外PageRank算法容易發(fā)生主題漂移現(xiàn)象，所以在本模型中，加入了犯罪嫌疑人的主題相關(guān)性，以此避免此現(xiàn)象.2.1有向加權(quán)網(wǎng)絡(luò)的確定在實(shí)際的犯罪組織網(wǎng)絡(luò)中，不同嫌疑人之間的關(guān)系不可能是完全相同的，因此可以根據(jù)一些重要因素（比如個人背景、通信內(nèi)容、聯(lián)系方式等）計(jì)算犯罪嫌疑人之間的相似度，然后根據(jù)相似度對有向的犯罪組織網(wǎng)絡(luò)進(jìn)行邊加權(quán)，將其變?yōu)橐粋€有向加權(quán)網(wǎng)絡(luò).不同的犯罪類型有著不同的測量維度，比如地域性犯罪，籍貫是一個重要屬性；黑社會組織犯罪，從業(yè)種類是一個重要屬性；電信詐騙犯罪，聯(lián)系頻率可能是一個重要屬性等等.在本模型中，用式（7）進(jìn)行衡量犯罪嫌疑人相似度的計(jì)算.式（7）中，采用余弦相似度S（i，j）評估犯罪嫌疑人之間的相似度.Ai表示的是犯罪嫌疑人i的個人信息向量（不同的案件對應(yīng)著不同的測量屬性）.因?yàn)樵谟邢蚣訖?quán)網(wǎng)絡(luò)中，用戶之間的距離越近表示關(guān)系越親密，所以需要對用戶的相似度進(jìn)行轉(zhuǎn)化，轉(zhuǎn)化為用戶的關(guān)系強(qiáng)度.在實(shí)際的加權(quán)過程中，采用式（8）對用戶關(guān)系的權(quán)值進(jìn)行轉(zhuǎn)化計(jì)算.S′=e-S（i，j），

（8）式（8）中，S′表示犯罪嫌疑人之間的關(guān)系強(qiáng)度，同時S′是有向的，比如在黑社會犯罪網(wǎng)絡(luò)中，犯罪嫌疑人B獲取重要信息的主要渠道是通過犯罪嫌疑人A，那么A對B的關(guān)系就越近，相似度就越高，那么S′的值就要越小，反之B對A則不然.有向加權(quán)網(wǎng)絡(luò)的確定也有效地避免了PageRank算法的主題漂移現(xiàn)象.2.2轉(zhuǎn)移矩陣的確定點(diǎn)度中心度、中間中心度以及接近中心度是本模型確定轉(zhuǎn)移矩陣的主要因素，設(shè)圖2為某個團(tuán)伙犯罪組織網(wǎng)絡(luò)中的一部分，根據(jù)圖2可說明犯罪嫌疑人之間的影響力分配原則.原始的PageRank算法在考慮用戶影響力分配時，主要的參考依據(jù)是點(diǎn)度中心度.在本模型中，主要根據(jù)中間中心度、接近中心度兩大特性，再結(jié)合點(diǎn)度中心度改變ukt的原始值，挖掘出團(tuán)伙犯罪組織網(wǎng)絡(luò)中真正的幕后大佬.在圖2中，犯罪嫌疑人D會將自己的犯罪影響力分給C、B和F，那么犯罪嫌疑人D的分配原則應(yīng)是根據(jù)C、B和F在犯罪網(wǎng)絡(luò)中的重要性進(jìn)行分配.所以在本模型中定義相對網(wǎng)絡(luò)中心度Tki表示犯罪嫌疑人k相對i的網(wǎng)絡(luò)重要程度.在此，利用加權(quán)融合的方法確定犯罪嫌疑人k對i的相對網(wǎng)絡(luò)中心度，Tki的計(jì)算方法如式（9）所示：Tki=αB′ki+βF′ki，

（9）其中，B′ki表示的是犯罪嫌疑人k對犯罪嫌疑人i的相對中間中心度，計(jì)算方法如式（10）所示：在式（9）中，F(xiàn)′ki表示的是犯罪嫌疑人k對犯罪嫌疑人i的相對接近中心度，計(jì)算方法如式（11）所示：在式（10）、（11）中M（i）是指犯罪嫌疑人i所指向的嫌疑人集合.在圖2中，假設(shè)犯罪嫌疑人D指向了犯罪嫌疑人B、C和F，即M（D）是{B，C，F(xiàn)}.Tki中，α和β的確定可根據(jù)層次分析法確定［16］.此時，假設(shè)犯罪嫌疑人B在本團(tuán)伙犯罪組織網(wǎng)絡(luò)中的中間中心度為6，接近中心度為15；犯罪嫌疑人C在本團(tuán)伙犯罪組織網(wǎng)絡(luò)中的中間中心度為8，接近中心度為12；犯罪嫌疑人F在本團(tuán)伙犯罪組織網(wǎng)絡(luò)中的中間中心度為3，接近中心度為18.那么犯罪嫌疑人B相對犯罪嫌疑人D的相對中間中心度為B′BD=6/（6+8+3），犯罪嫌疑人B相對犯罪嫌疑人D的相對接近中心度為F′BD=15/（15+12+18），則犯罪嫌疑人B相對犯罪嫌疑人D的相對網(wǎng)絡(luò)中心度為TBD=αB′BD+βF′BD.此時uij的計(jì)算如式（12）所示：2.3犯罪影響力的計(jì)算在圖2中，假設(shè)B相對犯罪嫌疑人D的相對網(wǎng)絡(luò)中心度為TBD=0.4，犯罪嫌疑人C相對犯罪嫌疑人D的相對網(wǎng)絡(luò)中心度為TCD=0.25，犯罪嫌疑人F相對犯罪嫌疑人D的相對網(wǎng)絡(luò)中心度為TFD=0.55，那么犯罪嫌疑人D則將自己的影響力的0.40/（0.40+0.25+0.55）貢獻(xiàn)給犯罪嫌疑人B，同理，影響力的21%貢獻(xiàn)給犯罪嫌疑人C，影響力的46%貢獻(xiàn)給犯罪嫌疑人F.此時uDB=0.33，uDC=0.21，uDF=0.46，它們的和為1.2.4CIS-PNSC模型構(gòu)建的主要步驟根據(jù)以上描述，CIS-PNSC模型構(gòu)建的主要步驟如下：（1）首先根據(jù)已獲得的犯罪組織信息，結(jié)合犯罪團(tuán)伙特點(diǎn)，形成團(tuán)伙犯罪組織的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu);（2）根據(jù)已掌握的所有犯罪嫌疑人的作案信息，通過犯罪嫌疑人之間關(guān)系強(qiáng)度S′的計(jì)算方法確定該團(tuán)伙犯罪組織網(wǎng)絡(luò)的用戶關(guān)系權(quán)值;（3）根據(jù)網(wǎng)絡(luò)結(jié)構(gòu)特性，即點(diǎn)度中心度、中間中心度以及接近中心度確定轉(zhuǎn)移矩陣;（4）根據(jù)PageRank算法計(jì)算得到犯罪團(tuán)伙中嫌疑人的犯罪影響力.3實(shí)驗(yàn)結(jié)果及分析3.1數(shù)據(jù)來源本文的實(shí)驗(yàn)數(shù)據(jù)來源于2019年某市的一起特大涉黑案件，該犯罪團(tuán)伙共有253名涉案人員，其中有43名主要涉案人員，共計(jì)涉案39件.根據(jù)用戶關(guān)系權(quán)值可以得出該團(tuán)伙犯罪組織網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，具體包含253個節(jié)點(diǎn)，30456條有向邊.在取參數(shù)時，考慮到主要涉案人員在犯罪團(tuán)伙中的重要程度和影響力作用，認(rèn)為參數(shù)α大于β，即該嫌疑人在犯罪網(wǎng)絡(luò)中的相對中間中心度的權(quán)重大于相對接近中心度的權(quán)重.根據(jù)作案信息以及層次分析法，得出本模型的主要參數(shù)，如表1所示.理論上，d的取值在0至1之間，若d的取值趨近于1，那么迭代的次數(shù)會成倍增長，效率極其低下，而人為控制的比重也將會下降.本文經(jīng)過計(jì)算，d的取值為0.850時，既增加了人為的控制比重，也將迭代次數(shù)控制在140次左右，符合PageRank算法的建議.3.2實(shí)驗(yàn)評價指標(biāo)3.2.1Precision@N在信息檢索或者評估分類中，倘若不考慮結(jié)果的排名順序，召回率和準(zhǔn)確率是最常用的評價指標(biāo)，而在有序的排名結(jié)果中，用戶關(guān)注的往往是那些靠前的排名結(jié)果，比如在團(tuán)伙犯罪中，公安機(jī)關(guān)關(guān)注更多的往往是那些幕后黑手——實(shí)際的操盤者，此時依靠召回率與準(zhǔn)確率評價其排名結(jié)果無法滿足實(shí)際需要.這時Precision@N（P@N）就是一個很好的補(bǔ)充評價指標(biāo)，其關(guān)注的是排名結(jié)果較為靠前的準(zhǔn)確率.P@N的計(jì)算如式（13）所示：式（13）中，AN∩BN表示模型A（B）對犯罪嫌疑人影響力進(jìn)行大小排名得到的前N名用戶的交集數(shù)量，由于本文涉及的嫌疑人較多，N的取值分別為10，20，30，40，50，60，70，80.3.2.2斯皮爾曼等級系數(shù)斯皮爾曼等級系數(shù)是衡量不同算法相關(guān)性的一個重要參數(shù)，斯皮爾曼等級系數(shù)常用作解決分析兩個變量之間相關(guān)性的問題，這是由英國統(tǒng)計(jì)學(xué)家斯皮爾曼根據(jù)通過積差相關(guān)的基礎(chǔ)知識計(jì)算得出的［17］.在本文中，斯皮爾曼等級系數(shù)主要用來衡量不同模型得出的嫌疑人犯罪影響力結(jié)果的相關(guān)性.斯皮爾曼等級系數(shù)的計(jì)算方法如式（14）所示：在式（14）中，ρ代表最終得到的變量關(guān)系值，即斯皮爾曼等級系數(shù)，在本文中，當(dāng)ρ＞0時，表示兩個模型所得的排名結(jié)果正相關(guān)，當(dāng)ρ＜0時，表示兩個模型所得的排名結(jié)果負(fù)相關(guān)，當(dāng)|ρ|=1時，表示兩個模型所得的排名結(jié)果完全正相關(guān)，或者完全負(fù)相關(guān).ρ值越大，表示兩個模型所得的排名結(jié)果相關(guān)性越強(qiáng).xi和yi分別代表不同模型求取得N個犯罪嫌疑人的影響力值.通過斯皮爾曼等級系數(shù)可以評估本文模型與對比模型評估結(jié)果的相關(guān)性.斯皮爾曼等級系數(shù)與P@N評價指標(biāo)的主要區(qū)別在于，前者從全局的角度出發(fā)評估實(shí)驗(yàn)結(jié)果，分析模型之間的相關(guān)性；而后者是從局部的角度出發(fā)分析模型的準(zhǔn)確率.3.3結(jié)果分析本文基于Hadoop對實(shí)驗(yàn)數(shù)據(jù)進(jìn)行分析處理，Hadoop是由Apache基金會開發(fā)的開源、可靠穩(wěn)定、可擴(kuò)展、低成本的分布式系統(tǒng)基本架構(gòu)，以文獻(xiàn)［18-19］中提到的模型為對比模型進(jìn)行實(shí)驗(yàn)的對比分析.3種模型計(jì)算所得的嫌疑人犯罪影響力的實(shí)驗(yàn)結(jié)果如表2所示.根據(jù)實(shí)驗(yàn)結(jié)果，3種模型的相關(guān)性如表3所示.從表3中可以看出，3個模型的相關(guān)性都呈現(xiàn)正相關(guān)特性，而且ρ均大于0.4，說明本模型與已有的較為成熟的模型具有一定的吻合度，所以也具有一定的可行性.其中CIS-PNSC與文獻(xiàn)［18］的相關(guān)性最高，這是因?yàn)镃IS-PNSC模型與文獻(xiàn)［18］都是在PageRank的基礎(chǔ)上進(jìn)行改進(jìn)的.根據(jù)實(shí)際的辦案結(jié)果，可得到真實(shí)的嫌疑人犯罪影響力排名，本文以實(shí)際辦案得到排名為基線模型，以本文模型以及文獻(xiàn)［18-19］為對比模型.對比模型所得結(jié)果在P@N指標(biāo)下的表現(xiàn)如表4所示.根據(jù)表4可知，本模型在前80名犯罪影響力的排名準(zhǔn)確率能夠維持在70%以上，說明了本模型的準(zhǔn)確性是達(dá)標(biāo)的，對比文獻(xiàn)［18-19］，本模型的準(zhǔn)確率是較高的，是優(yōu)于對比模型的.隨著N值的增大，準(zhǔn)確率在下降，但仍能維持在70%以上.根據(jù)計(jì)算結(jié)果可知，當(dāng)N為120時，本模型的P@N值最小，為65%，能夠達(dá)到基本要求；當(dāng)N的值大于120時，P@N值開始逐漸恢復(fù)增加.特別需要說明的是，本模型預(yù)測得到的前三名犯罪嫌疑人和實(shí)際辦案結(jié)果是相吻合的，分別為16號犯罪嫌疑人（實(shí)際為該市城中村村主