A Hybrid CNN-LSTM and XGBoost Approach for Crime Detection in Tweets Using an Intelligent Dictionary
Notice bibliographique
Résumé
As social media grows, recognizing and managing illicit content, including threats, harassment, hate speech, armed robbery, drug smuggling, blackmail, and other crimes, is crucial.The present study uses machine learning and deep learning to create an intelligent lexicon for identifying crime-related material in Twitter tweets.The Aho-Corasick technique effectively creates a dictionary for extensive text corpus search, categorization, and keyword-based action execution.This strategy overcomes the evolution of language dynamics and criminal vocabulary to improve crime-related information detection.This paper aims to gather accurate data to help law enforcement identify and prevent specific crimes.For tweet preprocessing and extraction of relevant information like textual patterns and other distinctive qualities, natural language processing (NLP) technologies are prioritized.The paper describes labeling tweets into crime categories.This dataset trains supervised learning models to categorize tweets as criminal or not.XGBoost and Hybrid CNN-LSTM are combined for this.The suggested technique is assessed using precision, recall, F1-Score, accuracy, and MAP accuracy measures.These metrics measure the model's crime-related tweet identification accuracy.The Arabic tweets dataset, encompassing 18493 tweets and 10 features, is utilized for model testing.After training, the Hybrid CNN-LSTM model demonstrated an accuracy of 99.84% and a macro F1-Score of 98.20%.When the XGBoost method was employed, the traditional machine learning model achieved a peak F1 macro score of 99.36% and a maximum accuracy of 100%.The results suggest that while the deep learning models outperform machine learning models in the F1-Score, XGBoost exhibits superior accuracy.The paper presents a comprehensive strategy for crime detection in tweets, potentially offering a significant tool for law enforcement agencies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».