การสร้างกราฟเพื่อแสดงความสัมพันธ์ระหว่างสมาชิกในกลุ่มก่อการร้ายโดยใช้social graph ร่วมกับการ
วิเคราะห์เครือข่ายทางสังคม (social network analysis) สามารถช่วยเจ้าหน้าที่ทางกฎหมายให้สามารถเข้าใจ
ความสัมพันธ์ภายในขบวนการก่อการร้ายในเชิงลึกได้ดียิ่งขึ้น นอกเหนือจากข้อมูลทางกระบวนการสอบสวนคดี
อาชญากรรมของหน่วยงานราชการแล้ว แหล่งข้อมูลที่มีประโยชน์อีกแหล่งหนึ่งสําหรับพัฒนากราฟความสัมพันธ์
ของเครือข่ายอาชญากรรมนั่นคือข้อมูลจากข่าวสาธารณะ ในบทความนี้ได้พัฒนาเว็บแอปพลิเคชันสําหรับการ
วิเคราะห์เครือข่ายอาชญากรรมจากข่าวด้วย social graph โดยแอปพลิเคชันประกอบด้วยสองส่วน คือ การ
วิเคราะห์ข้อความและการวิเคราะห์กราฟ ในส่วนการวิเคราะห์ข้อความ มีการรวบรวมข่าวอาชญากรรม โดยในข่าว
แต่ละฉบับจะมีการแท็กชื่อกลุ่มก่อการร้าย ชื่อบุคคลและเหตุการณ์ที่สําคัญด้วยตนเองโดยใช้ Doccano ซึ่งข่าวที่
ติดแท็กจะถูกใช้เป็นคลังข้อมูลสําหรับการ train เพื่อสร้างโมเดล Conditional Random Fields (CRFs) สําหรับ
การติดแท็กให้เแก่คําที่เราสนใจ โดยผลลัพธ์ที่ได้คือ ความสัมพันธ์ที่เกี่ยวข้องกันระหว่างคําที่ถูกแท็ก ถูกสกัดและ
ขุดหา นอกจากนี้ในส่วนการวิเคราะห์กราฟความสัมพันธ์ของคําเหล่านั้นจะถูกป้อนเข้าสู่ NetworkX ซึ่งใช้ในการ
สร้าง social graph จากนั้นกราฟจะถูกนํามาแสดงบนเว็บแอปพลิเคชันสําหรับการสร้างภาพและวิเคราะห์โดยใช้
Django จากผลการสํารวจพบว่าความสัมพันธ์ระหว่างคําเหล่านี้สามารถสกัดออกมาได้จากข่าวสารที่เป็นข้อความ
และสามารถนําไปสร้างกราฟความสัมพันธ์ของเครือข่ายของอาชญากรรมได้
Building and visualizing relationships among members in a criminal community using a
social graph in combination with the principle of social network analysis could facilitate law
enforcement officers to gain better insight of criminal social network structures. In addition to
official information from a criminal investigation process by government agencies, another
potential source of data for developing a criminal social graph is from public news data. To
explore this area of studies, in this paper, a Web application for criminal social network analyses
from news stories using social graphs is developed. The application consists of two modules, text
mining and graph analysis. In the text mining module, a collection of criminal news stories was
collected. In each news document, names of organization, person, and event are manually tagged
by using Doccano. The tagged news collection was next used as a training corpus to build a
Conditional Random Fields (CRF) model for tagging more news documents. Finally, possible
relationships among those tagged criminal-related entities were extracted and mined. In the graph
analysis module, those mined relationships are fed into NetworkX by which social network graphs
are constructed. Then, the social graphs are displayed on a Web application for visualizations and
analyses using Django. The exploratory result confirms that relationships among the entities can
be extracted from textual news data from which criminal social networks can be constructed.
