请根据本学期所学的《自然语言处理》理论知识，选择一个合适的警务业务场景，使用自然语言处理技术解决相关问题，包括但不限于大语言模型、中文分词、词性标注、句法分析、文本分类、情感分析、实体识别与标注、文本摘要、关键词提取、问答系统等应用。要求：（1）原则上1-3人组队，确定小组长以及每人分工；（2）准备好相关数据；（3）编写项目代码并能演示相关功能；（4）撰写项目报告，包括项目背景、所用到的相关技术、模型设计与框架、建模过程、实验结果与分析等内容。有代码展示

在警务业务场景中，自然语言处理（NLP）技术可以应用于多个方面，例如犯罪情报分析、社交媒体监控、案件报告自动摘要生成、嫌疑人信息提取等。以下是一个基于NLP技术的警务业务场景应用示例：

项目名称：智能警务情报分析系统

项目背景：

随着犯罪手段的多样化和复杂化，警务部门需要处理大量的文本数据，包括案件报告、社交媒体帖子、监控记录等。传统的人工分析方法耗时且效率低下，而NLP技术可以帮助自动化这一过程，提高情报分析的效率和准确性。

技术应用：

1. 大语言模型：用于理解和生成自然语言文本。
2. 中文分词：将中文文本分割成有意义的词汇单元。
3. 词性标注：识别文本中每个词的词性（名词、动词等）。
4. 句法分析：分析句子的结构，理解句子成分之间的关系。
5. 文本分类：自动将文本数据分类到不同的犯罪类型。
6. 情感分析：分析文本中的情感倾向，识别潜在的威胁或紧急情况。
7. 实体识别与标注：从文本中提取关键信息，如人名、地点、时间等。
8. 文本摘要：自动生成案件报告的摘要。
9. 关键词提取：提取文本中的关键信息，便于快速浏览。
10. 问答系统：构建一个系统，回答关于案件的查询。

项目分工：

• 小组组长：负责项目的整体规划和协调。
• 成员1：负责数据准备和预处理，包括中文分词、词性标注等。
• 成员2：负责模型设计和开发，包括文本分类、情感分析等。
• 成员3：负责系统集成和测试，包括问答系统的构建和功能演示。

数据准备：

• 收集警务部门的公开数据，如案件报告、社交媒体帖子等。
• 清洗数据，去除无关信息，保留关键文本内容。

项目代码示例（伪代码）：

# 数据预处理
def preprocess(text):
    # 中文分词
    words = chinese_word_segmentation(text)
    # 词性标注
    tagged_words = pos_tagging(words)
    return tagged_words

# 文本分类模型
def text_classification(text):
    # 使用预训练的模型进行文本分类
    return model.predict(text)

# 实体识别
def entity_recognition(text):
    # 使用命名实体识别模型提取关键信息
    return ner_model.extract_entities(text)

# 问答系统
def answer_query(query):
    # 根据查询构建答案
    return qa_system.generate_answer(query)

项目报告：

• 项目背景：介绍警务业务中文本分析的需求和挑战。
• 技术介绍：详细说明所采用的NLP技术和模型。
• 模型设计与框架：描述模型的架构和设计思路。
• 建模过程：记录模型训练和调优的过程。
• 实验结果与分析：展示模型在实际数据上的表现和分析结果。

演示功能：

• 展示系统界面和操作流程。
• 演示文本分类、情感分析、实体识别等功能。
• 演示问答系统如何回答问题。

请注意，这只是一个示例框架，具体的实现细节需要根据实际项目需求和技术选型来确定。