假酒搜索关键词组的设置及更新基于两个直观的假设:一是涉假信息通过关键词表征, 即但凡出现关键词的信息都有极高的概率与售假相关; 二是关键词之间具有一定的联系, 即与关键词经常以特定模式出现的词也有一定的概率是关键词。

设置假酒关键词组的基本思想如下:首先, 作者根据办案工作经验, 结合研究互联网上相关的售假行为, 对各类假冒商品设置初始关键词组, 例如“ 高仿酒” “ 高仿茅台” 等, 利用这些关键词组抓取互联网上发布的广告信息。然后, 对抓取的内容清洗处理, 进行主题分析、关键词挖掘, 及时发现和加入可能出现的新关键词, 最终实现关键词组的迭代更新。为解决主题分析关键词挖掘问题, 我们使用了TextRank和TF-IDF两个成熟的关键词自动提取算法。

TextRank算法的基本思想来自于谷歌公司的PageRank^[2]算法, 首先根据文本构造词之间的连接图, 通过在词图上执行PageRank算法, 可以最终得到词的重要度分数, 最后选择得分最高的n个词作为文档的关键词^{[3, 4]}。该算法的词图模型可以形式化定义为公式（1）。

G=(V, E)（1）

其中, V是顶点的集合, 即文本中的词集, E是这些顶点之间边的集合, 即文本中词与词之间的边集。

对于给定的一个顶点V_i, TextRank的计算见公式（2）。

$ W S\left(V_{i}\right)=(1-d)+d \times \sum\limits_{j \in I n \left(V_{i}\right)}\left(\frac{\omega_{j i}}{\sum\limits_{V_{k} \in O u t\left(V_{j}\right)} \omega_{j k}} \times W S\left(V_{j}\right)\right)$（2）

公式（2）中In(V_i)是指向V_i顶点的入链集合, Out(V_j)是出链的集合, d为阻尼系数, 一般取值为0.85。ω _ji和ω _jk分别是指两个顶点之间的边权值, 通常设置为1, 表示无权图。

TF-IDF算法是基于统计的方法来衡量词或短语在文本信息中的关键性^{[5, 6]}, 一个词在目标文本使用的次数较多, 却在语料库中使用的次数较少, 那么它就能够具备良好的文本区分能力。某个词在目标文本中的TF值指的是该词在这个文本中出现的频率, IDF值是文本集合中出现包含该词的文本占比, 计算见公式（3）。

$ T F-I D F_{i}=T F_{i, j} \times I D F_{i}=\frac{f_{i, j}}{\sum_{i=1}^{n} f_{i, j}} \times \log \frac{N}{n_{i}+1} $（3）

公式（3）中TF_{i, j}为词i在文本j中的词频, f_{i, j}为词i在文本j中出现的次数, N是文本集中的文本总数, n_i为包含词i的文本数量, 加常数1是为了处理公式中分母n_i为0的情况。

TextRank使用文本的结构信息, 对词的表征方式不敏感, 算法的结果只取决于文本的结构, 而TF-IDF具备良好的文本区分能力。为了得到可信度更高的结果, 我们在实际任务中将两种算法进行融合, 从而得到最终的分数, 计算如公式（4）。

$ S_{i}=\frac{T F-I D F_{i}}{\sum_{i=1}^{n} T F-I D F_{i}} \times \frac{W S\left(V_{i}\right)}{\sum_{i=1}^{n} W S\left(V_{i}\right)}$（4）

使用“ 茅台酒” 作为初始关键词, 对抓取的网页采用上述三种关键词自动提取算法, 生成的关键词如表1所示。

表1

Table 1

表1(Table 1)

表1 关键词自动提取结果 Table 1 Results of automatic extraction of keywords 注:绿色为有效关键词, 红色为无效关键词, 黑色为待定词

表1 关键词自动提取结果 Table 1 Results of automatic extraction of keywords

人工检查后将关键词分为有效、无效、待定三类, 分别用绿色、红色、黑色标记。TF-IDF算法中前19关键词包括7个有效词、7个无效词, TextRank算法中前19关键词包括6个有效词、9个无效词, 融合算法中前19关键词包括7个有效词、6个无效词。可以看出, 融合算法可得到更多的有效关键词, 较少的无效关键词, 关键词获取效果较好。

作者设计了基于Selenium^[7]的互联网搜索引擎信息抓取系统, 可以根据指定的关键词组, 自动化抓取搜索结果中的相关信息。Selenium是一种浏览器自动化测试框架, 常用于网络爬虫的模拟人工操作, 可以有效获取网页真实地址, 同时也可以通过设定暂停时间, 使爬虫程序行为更接近真实的访问情况, 减少网站反爬虫措施带来的影响。我们使用Python+Selenium+Chrome组合来解决自动化抓取搜索结果问题, 谷歌浏览器（Chrome）负责渲染解析, Selenium负责驱动浏览器和Python程序进行对接, Python程序负责对网页数据信息进行清洗、提取等后期处理, 三者构成一个完整的爬虫结构。

首先, 利用谷歌浏览器驱动ChromeDriver^[7]自动建立浏览器进程、登录搜索引擎、自动输入预设关键字进行搜索, 进入了搜索结果页面后, 解析页面内容实现对搜索结果的逐条抓取。然后, 对页面地址进行落地, 对数据进行清洗, 设计基于规则的无关数据筛选流程剔除无关数据, 比如, 门户网站和电商对违法信息的审核严格, 抓取的网页虽然与售假有一定相关性, 但绝大多数不是不法分子发布的售假信息, 需要将此类网页剔除。最后, 对搜索结果页面进行分析, 存储网页标题、落地页等信息, 利用正则表达式将网页中涉及的电子邮件、电话、QQ号码等信息提取并保存。图2展示了部分从互联网抓取的互联网可疑售假网页信息。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 从互联网抓取的可疑售假网页信息Fig.2 Snapped webpages containing the information suspicious of selling counterfeit liquor

可以将抓取的互联网可疑售假信息与公安、企业、互联网数据等各类数据等进行关联比对, 落地相关内容, 刻画嫌疑人员和企业, 将可疑度高的线索转给相关公安机关和企业打假部门, 做进一步研判和处理。为此, 本文建立了信息比对碰撞平台, 汇集的公安数据包括2010年以来遵义市公安机关办理的侵犯知识产权相关犯罪案件信息700余条, 犯罪嫌疑人信息1 000余条; 企业数据包括茅台等酒企掌握的涉嫌制售假酒的黑、灰名单人员信息5 000余条, 嫌疑企业信息2 933条; 互联网数据包括厦门美亚柏科公司网搜平台搜集的通信、地址、人员、企业信息等数据10亿余条。我们运用这些数据与互联网抓取的信息进行碰撞, 例如, 模型发现百度ID“ yerutin* * * * ” 长期在百度贴吧发布出售假酒的信息, 通过网搜平台对“ yerutin* * * * ” 贴文中留下的“ 135* * * * 1573” 手机号码进行关联, 发现新的手机号码“ 134* * * * 8255” , 通过对“ 134* * * * 8255” 再次进行搜索, 进而发现该手机的实名信息李某, 并关联出该号码关联的湖南省娄底市的地址信息, 如图3所示。可见, 对互联网模型抓取的一条信息, 通过多次迭代搜索的方式, 可挖掘并分析出相关人员身份、手机、地址等内容, 最终勾勒出涉嫌人员信息, 形成更加有价值的线索。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 抓取信息的碰撞与人员刻画Fig.3 Snatched information for collision and personal portrayal

将监测模型抓取的1 000余条涉嫌销售假酒信息推送给贵州遵义公安机关, 从应用情况看, 模型能较好地抓取互联网网页、论坛等发布的涉嫌销售假酒信息, 通过公安机关进一步研判, 已经形成一批有价值的案件线索。研究中还发现, 近期有不法分子开始在视频App等手机移动App上发布虚假广告信息, 并使用二维码作为联系方式, 下一步我们还将研究如何在移动App等平台上进行广告线索抓取, 建立二维码信息的自动采集、识别方法, 不断完善监测模型, 更加高效准确地获取互联网售假线索信息。