Makine öğrenme algoritmasını kullanarak sosyal medya tabanlı suç tahmini

Suç önleme, kolluk kuvvetleri için en etkili bir yönterm olan devriye stratejisini belirlemek için gerekli olan suç tahminine dayanır. Suç faaliyetlerini tahmin etmek için çeşitli çözümler kullanılmıştır. Ama suç tahmini için bilgi ortamı sürekli değişmektedir. Yararlı bir kaynak olan sosyal medya içerikleri tahmin modelleri tarafından göz ardı edilmiştir. Bu nedenle, suç tahmini için yeni makine öğrenimi modelleri ile twitler ve suç verisinin entegrasyonunun araştırılması amaçlamaktadır. Duygu durum analizi ve suç tahmini için ConvBiLSTM modelinin uyarlanması önerilmiştir. Bu tezde önerilen model, CNN ve Bi-LSTM'yi birleştirir. CNN, yüksek seviyeli yerel özellikleri verimli bir şekilde çıkarır ve BiLSTM, derin öğrenme algoritmalarının kullanabileceği bağlamsal bilgileri geliştirir. Bu yaklaşımın, etkinliğini doğrulamak için sahte haber tespitine de uygulanmıştır. Ayrıca araştırma, hem tweet'lerden hem de suçla ilgili verilerden gelen bilgileri entegre etmek için özellik düzeyinde (feature-level) veri füzyonunu kullanmaktadır. Çalışma iki önemli sonuç ortaya koymuştur: (1)Bu yaklaşım, tweet'leri kullanarak suç tahmininde gelişmiş doğruluk elde edebilmiştir, (2) hem suç hem de tweet verilerinden gelen bilgileri entegre edebilen çok modlu bir ConvBiLSTM modelini tanıtılmıştır, (3) model performansını diğer temel ve kıyaslama yapılan modellere göre değerlendirildiğinde daha iyi sonuçlar elde edilmiştir.