基于主题建模与相对密度估计的犯罪热点建模
Crime Hot-Spot Modeling via Topic Modeling and Relative Density Estimation
AI总结：
本文提出结合主题建模与最近邻相对密度估计（kNN-RDE）的方法，从警方叙述文本中识别犯罪热点，并在亚特兰大警察局大规模语料上验证其能发现被总体事件密度掩盖的空间趋势。
摘要：
我们提出一种方法，从犯罪记录叙述文本集合中捕获相似呼叫的分组，并确定其相对空间分布。我们首先为每条叙述获取主题分布，然后提出一种最近邻相对密度估计（kNN-RDE）方法来获得每个主题的空间相对密度。在来自亚特兰大警察局的大型语料库（n=475,019）叙述文档上的实验证明了我们方法的可行性，该方法能够捕获地理热点趋势，而这些趋势是呼叫调度员最初未能察觉的，并且由于与总体事件密度升高相混淆而被忽视。
英文摘要：
We present a method to capture groupings of similar calls and determine their relative spatial distribution from a collection of crime record narratives. We first obtain a topic distribution for each narrative, and then propose a nearest neighbors relative density estimation (kNN-RDE) approach to obtain spatial relative densities per topic. Experiments over a large corpus ($n=475,019$) of narrative documents from the Atlanta Police Department demonstrate the viability of our method in capturing geographic hot-spot trends which call dispatchers do not initially pick up on and which go unnoticed due to conflation with elevated event density in general.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
