龍哥死了，白衣哥受傷了，大家議論的很熱鬧，龍哥死的大快人心，白衣哥受傷了，不要判刑、是打抱不平，是當代英雄等觀點，躍然朋友圈。各種文字看後，大體可以分為系統性分析的，有做技術細節分析的，有做社會價值分析的，專業法律分析等等，總之都很精彩、很正能量。就是沒有想要利用大數據來解決這個問題，故筆者試圖利用計算機與數據科學提出這個問題的解決方案。
閒話少說，直接上乾貨：
第一步，殺人大數據採集
這一步自然是要採集人類歷史上儘可能多的殺人數據案例，可以肯定，大部分是文字描述，不管如何，咱假定採集到了10萬個典型案例，形成10T的文本資料吧。
數據源：法律文庫，互聯網爬蟲，只要設計好採集的關鍵詞、國內外各種法律文庫網址等規則相信專業公司可以輕鬆完成；
第二步，殺人大數據治理
文本資料是需要經過NLP技術進行數據治理的，文言文要修改為白話文，英語要翻譯成中文這兩部可以不拘泥於細節。有系統可以做。因為自然語言是人類智慧的結晶，自然語言處理也是我們理解案例中最為困難的問題之一，我們拿到了10個T的文本資料，10萬個案例，就需要利用NLP對這些案例進行文本分析，
先是分類，假定我們主要分4類： 1）壞人殺好人，直接殺人成功了 2）壞人殺好人沒有成功但被好人反殺死一類 3）好人殺壞人，直接殺死的 4）好人殺壞人，反被壞人殺死了。這裡需要對好人和壞人也要做些檢索，比如利用輿論定義主人公是好人，還是壞人，機器先辨認一遍，然後按照人的分類再分一次。
然後，我們對於分類好的案例，做兩個事情，自動分詞：
好人姓名，特點，網絡標註信息；
壞人特點，名稱，網絡標註信息；
然後我們根據分類會形成寬表，包括殺人者、被殺者、年齡、動機、時間、國家、地區、原因，職業、社會議論，社會影響、社會環境、具體描述等；
第三步，殺人大數據算法與建模
根據上一步我們寬表，我們需要提取好人的標籤，比如，見義勇為，忠誠、正義、為民除害等；
當事人標籤：主要區分當事人的屬性特徵，如職業信息可設定諸如古代英雄、歷史忠臣，企業高管、普通白領、職場新人、全職媽媽、小企業、社會知名人士，人物分類很難，需要根據法律上的經驗進行數據的標籤化。
案件標籤：主要根據案件發生的場景設定標籤，白天，晚上，事件起因等。這個需要律師來參與。
行為標籤：用刀殺、用槍殺、用身體殺、推下樓，用毒品，還是活埋，這個應該可以從10萬個案例根據詞頻提取，也可以根據律師的經驗總結；
社會背景標籤：社會背景，人文情況，朝代、文化屬性等；
確定應用場景的模型設計。假定我們建立兩個模型
1）告訴殺人的人，殺人的後果？
2）告訴被殺人你如何正當防衛？
這裡可能用到的算法
推薦算法：基於關聯規則的推薦（AssociationRule-based Recommendation）是以關聯規則為基礎，把之前的案件作為參考，根據目前的案例標籤找到相似的案例，為本案件推薦對象作出建議，關聯規則挖掘可以發現不同案件在實施過程中的相關性，在法律案件中為當事人提供行為參考。可以瞭解為，相同屬性的當事人的行為規則和判案結果之間必然有聯繫。通過這種聯繫預測判案結果。
聚類：主要解決對犯罪案件的動態分類，將當事人標籤、案件標籤、社會標籤、行為標籤的集合分成由類似的標籤組成的多個類，這個符合 “物以類聚，人以群分”，這裡聚類分析可稱群分析，它是研究分類問題的一種統計分析方法。聚類分析起源於分類學，但是聚類不等於分類。聚類與分類的不同在於，聚類所要求劃分的類是未知的。聚類分析內容非常豐富，有系統聚類法、有序樣品聚類法、動態聚類法、模糊聚類法、圖論聚類法、聚類預報法等。10萬個案例估計聚類後就十多個。這樣我們再處理起來就比較方便了。最後我們可以可以通過圖形化感知案件。為當時人提供決策依據；
還可以應用迴歸、決策樹：、支持向量機、深度學習、神經網絡等算法，具體也是不斷的完善和反饋的過程；
第四部，殺人大數據分析
這裡有一個非常重要的數據源要在這個時候輸入，就是當時的殺人情況，假定我們採取意念輸入，我要殺人，願意，動機，殺人設想，以及我要防衛，我為什麼防衛等；
場景一：輸入數據後，我們根據模型1）殺人後果分析模型，立刻給你得出結果，後果是什麼？坐牢，失去親人，孩子，老婆，父母后半生的生活窘迫等；
場景二、輸入數據後，我們正當防衛分析模型1）如何正當防衛，正當防衛的時間把握，防衛前是否要溝通，防衛後可能遇到的法律風險，經濟損失，刑期多久。
模型是假設的，清楚邏輯，不斷試錯（這種事情不知道如何試錯，筆者還沒有思考好）；
第五步，殺人大數據應用產品
“殺忍痛” APP下載，手動輸入殺人的動機，時間，方式，工具，周圍環境等因素，然後系統自動告知，你TMD還是不要殺了，傷財害命，得不償失，衝動是魔鬼；
這樣我們的大數據產品從數據採集，到數據治理，到數據結構化，數據標籤化，標籤結合算法模型，應用分析，然後把結果推薦到APP端基本就完成了一個殺人大數據解決方案；
當然，大數據殺人的大數據解決方案總結下需要的人才和工具：
人才隊伍：產品經理，數據分析師，技術工程師，架構師，律師。
工具：大數據採集平臺，自然語言分析平臺、大數據標籤管理系統、大數據建模、數據分析挖掘，數據可視化，APP快速開發定製系統等，因為考慮到實時性，系統要部署在雲端；
最後，肯定沒有那麼簡單，數據是需要不斷訓練和反饋優化的，我們的大數據殺人系統解決的問題是懲惡楊善，利用大數據技術，利用機器學習人工智能，輔助殺人和被殺者做出理性的判斷；數據與技術僅僅是在人與世間之間構建起橋樑，把深藏在案例的數據中的價值挖掘出來並加以應用。這不僅順應了當下的大數據思維模式，也符合法律判案未來的發展方向。
有一天，數據輔助判案，判案結果倒逼人的行為，利用數據治理國家將可期！
張涵誠（歡迎微信諮詢：waynezhanghc） 研究領域主要包括： 大數據基礎概論，大數據在企業和政府的應用實踐，數據驅動業務變革的商業模式，醫療大數據運營體系、財稅大數據、海關大數據、扶貧大數據、運營商大數據建設方案，旅遊大數據平臺建設方案，數據資產管理，大數據產業生態分析、數據交易市場，區塊鏈，人工智能等新技術對於傳統企業的價值和賦能方案。
閱讀更多 互聯網分析沙龍 的文章
