非法吸收公众存款犯罪作为典型的涉众型经济犯罪,不仅给人民群众带来巨大经济损失,也给国家带来不稳定的因素。对于经济犯罪,账户就是现场,资金就是痕迹,犯罪资金流已成为大多经济犯罪活动的DNA。非法吸收公众存款案件的资金流向分析对于公安机关侦办案件具有重要的应用价值。当下随着非法吸收公众存款犯罪发展得愈发复杂,犯罪分子的犯罪手法变得愈发新颖,案件中的犯罪角色往往也不再像以往一样固定单一,因此当案件的具体犯罪模式没有被侦查人员掌握或出现了新型的犯罪模式时,侦查人员需要采取无监督的机器学习等方式探索案件的核心成员、账户分类、层级构成及资金流向等问题。本文先通过传统的聚类方法,分析此类案件的聚类结果,进而通过社区发现算法更清晰地阐明非法吸收公众存款案件中庞大的数据分布情况及资金流向情况。论文主要工作包括:首先,针对非法吸收公众存款案件中资金交易网络的结构特点,以及该类案件中常见账户类别在流入流出频率、金额、方向、时间等属性上的数据特点,提出聚类思想对处理这类案件数据的必要性。其次,对资金交易数据进行预处理,通过Python语言调用K-means聚类算法、层次聚类算法、DBSCAN聚类算法对每个交易账号的流入总金额、流入总频率、流出总金额、流出总频率等数据进行聚类分析。最后针对传统聚类算法对这类数据处理的不足,进一步提出社区发现算法的应用,利用模块度的概念对资金交易网络中交易对手账户、交易方向、交易频率、交易金额以及资金流向等属性进行社区发现的不断优化。通过社区发现算法建立相关模型,对账户和资金交易行为特性进行全面分析研判,结合非法吸收公众存款案件中不同层级嫌疑人行为特点,进而可以为办案单位在侦办此类案件中的犯罪嫌疑人锁定、层级定位、归类、发现潜在犯罪分子以及追赃挽损等方面提供依据和思路。由于数据处理起来更便捷、可视化结果更清晰,因此在资金流向分析方面提高了工作效率,缩短调查取证时间,为侦查工作争取有利时机。