通过先进的自然语言处理技术，本项目解决在线 C2C 市场上的人口贩运问题。我们介绍了一种新的方法论，通过最小的监督生成伪标记数据集，为训练最先进的自然语言处理模型提供了丰富的资源。在人口贩卖风险预测和有组织活动检测等任务中，我们采用了先进的 Transformer 模型进行分析。一个重要的贡献是使用整合梯度实现一个可解释性框架，为执法部门提供关键的可解释性洞察。这项工作不仅填补了文献中的一个重要空白，还提供了一种可扩展的、机器学习驱动的在线人类剥削对策方法。它为未来的研究和实际应用奠定了基础，强调了机器学习在解决复杂社会问题中的作用。

Nov, 2023

该研究的目标是针对自动驾驶汽车开发一种基于创新的音频分析的人口贩运侦测框架，使用一维卷积神经网络可以将人口贩卖受害者的声音从非人口贩卖声音中区分出来，准确率达 95%。

Sep, 2022

本研究通过文本挖掘分析探索交通事故叙述，旨在为交通安全政策的制定和提升提供信息支持。该研究采用文本挖掘技术来揭示叙述中的关键主题和趋势，以深入了解交通事故的影响因素。研究收集了约旦五条重要高速公路的事故数据，涵盖了 2018 年至 2022 年的 7,587 条记录。采用无监督学习方法从事故数据中学习模式，同时运用主题建模、关键词提取和词共现网络等文本挖掘技术揭示了事故模式的共现情况。结果表明，文本挖掘分析是一种有前景的方法，强调了交通事故的多因素性质，包括人类决策与车辆状况的交织。所有分析中的反复主题突显了采取平衡的道路安全方法的重要性，融合积极和消极的措施。重视驾驶员教育和关于动物相关事件的意识是至关重要的。

Jun, 2024

介绍了 IDTraffickers 数据集及其在在线伴游市场中验证和识别潜在人口贩卖供应商的作用，通过训练 DeCLUTR-small 模型实现了 0.8656 的宏 F1 得分和 0.8852 的平均 r-precision 得分，旨在促进进一步研究并确保负责任的数据共享，以便将伴游广告与人口贩卖迹象的识别联系起来。

Oct, 2023

本研究通过对 Backpage 网站上与人口贩运相关的在线活动展开分析，采用半监督式学习方法，依靠所提取的带标签和未标签数据进行训练。该方法经过专家的进一步验证并在未见过的数据集上进行评估。

Jul, 2016

采用代理标签的实体分辨管道从在线论坛中提取人类贩卖活动数据，并应用于 5M 条记录的 Backpage.com 数据，并报告了其性能的挑战和领域特定特征

Sep, 2015

通过挖掘 Wikipedia 上数百万的人物传记页面，结合 COSMOS 模型的半监督学习和对比学习思想，本研究成功提取了人物生命轨迹，并提供了公开可用的代码、大量提取的轨迹数据和 WikiLifeTrajectory 数据集，以促进轨迹提取研究并帮助构建宏大叙事的分析研究。

May, 2024

该论文使用整数线性规划模型，结合上下文、限制条件和开放的地理名称知识库来提高人口贩卖定位标记的精度和 F - 度量。实验结果表明，相比于基于机器学习的基线，该框架可提高 28.57％的精度和 36.9％的 F - 度量。这种方法已被广泛应用于美国执法部门，以打击人口贩卖。

Apr, 2017

本研究运用来自 “Backpage” 网站的文本数据，利用扩展的 Laplacian SVM 中添加正则化项的 S3VM-R 方法，结合监督和半监督学习，成功识别高度关注的人口贩运在线广告，是一种有效的打击人口贩卖犯罪的方法。

May, 2017

这篇论文利用自然语言处理技术研究了大规模的大屠杀幸存者见证集，将见证转化为结构化问题和答案，通过主题建模方法发现了关键主题并分析了不同年龄和性别组之间的差异和相似之处，进而揭示了见证集中主题的演化和幸存者经历中的潜在变异。

May, 2024