СЕТЬ ЗНАНИЙ КАК КОНЦЕПЦИЯ СИСТЕМ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЯ В ПРЕДВАРИТЕЛЬНОМ СЛЕДСТВИИ
Аннотация
В настоящее время интеллектуальный анализ данных является важным инструментом для расследования преступлений. В статье предлагается извлечение криминалистически значимых сведений из неструктурированных данных, с использованием методов сетевого анализа (анализа графов). Рассмотрены частные определения термина «Knowledge Graph» (граф знаний), дано обобщающее авторское определение понятия «сети знаний». Раскрыта позиция сети знаний в общем контексте науки о сетях. На реальных примерах показано, каким образом сетевые (графовые) модели данных могут эффективно использоваться в предметной области предварительного следствия. Обсуждаются уровни реализации (сбор, хранение, анализ и визуализация) и основные преимущества концепции. Результаты сетевого интеллектуального анализа данных могут быть использованы для выявления закономерностей, извлечения неопределенных (неочевидных) данных, что в свою очередь будет способствовать раскрытию преступления.
Ключевые слова
Полный текст:
PDFЛитература
1. Суходолов А.П., Бычкова А.М. Искусственный интеллект в противодействии преступности, ее прогнозировании, предупреждении // Всероссийский криминологический журнал. 2018. Т. 12. № 5.
С. 753–766. DOI: https://doi.org/10.17150/2500-4255.2018.12(6).753-766.
2. Мазуров В.А., Стародубцева М.А. Искусственный интеллект как средство прогнозирования и противодействия преступности // Российско-азиатский правовой журнал. 2019. № 3. С. 46–50.
URL: http://journal.asu.ru/ralj/article/view/6991 (дата обращения: 17.06.2020).
3. Кравцов Д.А. Искусственный разум: предупреждение и прогнозирование преступности // Вестник Московского университета МВД России. 2018. № 3, С. 108–110.
URL: https://cyberleninka.ru/article/n/iskusstvennyy-razum-preduprezhdenie-i-prognozirovanie-prestupnosti (дата обращения: 24.06.2020).
4. Осипенко А.Л. Перспективы использования информационно-аналитических технологий в оперативно-розыскной деятельности // Общество и право. 2018. № 4. С. 80–87.
URL: https://cyberleninka.ru/article/n/perspektivy-ispolzovaniya-informatsionno-analiticheskih-tehnologiy-v-operativno-rozysknoy-deyatelnosti (дата обращения: 23.06.2020).
5. Себякин А.Г. Искусственный интеллект в криминалистике: система поддержки принятия решений // Baikal Research Journal. 2019. Т. 10. № 4. С. 21–21. DOI: https://doi.org/10.17150/2411-6262.2019.10(4).21. URL: http://cj.bgu.ru/reader/article.aspx?id=23649 (дата обращения: 23.06.2020).
6. Степаненко Д.А., Бахтеев Д.В., Евстратова Ю.А. Использование систем искусственного интеллекта в правоохранительной деятельности // Всероссийский криминологический журнал. 2020. Т. 14, № 2,
С. 206–214. DOI: https://doi.org/10.17150/2500-4255.2020.14(2).206-214.
7. Кузьмин И.А. Искусственные нейронные сети: перспективы использования в правоохранительной деятельности // Криминалистика: вчера, сегодня, завтра. 2018. № 4 (8). C. 109–116.
URL: https://cyberleninka.ru/article/n/iskusstvennye-neyronnye-seti-perspektivy-ispolzovaniya-v-pravoohranitelnoy-deyatelnosti (дата обращения: 27.06.2020).
8. Дуга, Сергей В. и др. Концепция системы поддержки принятия решения в предварительном следствии. Безопасность информационных технологий, [S.l.]. Т. 26, № 3. С. 45–57, сен. 2019. ISSN 2074-7136.
URL: https://bit.mephi.ru/index.php/bit/article/view/1216. (дата обращения: 27.06.2020).
DOI: http://dx.doi.org/10.26583/bit.2019.3.04.
9. Singhal A. Introducing the knowledge graph: things, not strings.
URL: https://www.blog.google/products/search/introducing-knowledge-graph-things-not (дата обращения: 16.05.2020).
10. Marchi E., Miguel O. On the Structure of the Teaching-learning Interactive Process // International Journal of Game Theory. 1974. Vol. 3. no. 2. P. 83–99. DOI: https://doi.org/10.1007/BF01766394.
11. R.R. Bakker. Knowledge Graphs: Representation and Structuring of Scientific Knowledge // Ph.D. thesis, University of Twente, Enschede. 1987.
12. P.H. de Vries. Representation of Science Texts in Knowledge Graphs // Ph.D. thesis, University of Groningen, Groningen, The Netherlands, 1989.
13. Zhang L. Knowledge graph theory and structural parsing // Twente University Press. 2002. С. 216.
URL: https://ris.utwente.nl/ws/portalfiles/portal/6073799/t0000020.pdf (дата обращения: 27.05.2020).
14. Popping R. Knowledge graphs and network text analysis // Social Science Information. 2003. Vol. 42, no. 1.
P. 91–106. DOI: https://doi.org/10.1177/0539018403042001798.
15. Lisa Ehrlinger, Wolfram Wöß. Towards a Definition of Knowledge Graphs // Joint Proceedings of the Posters and Demos Track of 12th International Conference on Semantic Systems - SEMANTiCS2016 and 1st International Workshop on Semantic Change & Evolving Semantics (SuCCESS16), Leipzig, Germany. 2016. URL: http://ceur-ws.org/Vol-1695/paper4.pdf (дата обращения: 01.07.2020).
16. Paulheim H. Knowledge graph refinement: A survey of approaches and evaluation methods // Semantic web. 2017. Vol. 8. no. 3. P. 489–508. DOI: https://doi.org/10.3233/SW-160218.
17. Chenyan Xiong. Text representation, retrieval, and understanding with knowledge graphs. // ACM SIGIR Forum. 2018. Vol. 52. no. 2. P. 180–181. DOI: https://doi.org/10.1145/3308774.3308808.
18. Bellomarini L. et al. Knowledge graphs and enterprise AI: the promise of an enabling technology // IEEE 35th International Conference on Data Engineering (ICDE). 2019. P. 26–37.
DOI: https://doi.org/10.1109/ICDE.2019.00011.
19. Knowledge Graph. URL: https://ru.wikipedia.org/wiki/Knowledge_Graph (дата обращения: 01.07.2020).
20. Ji S. et al. A survey on knowledge graphs: Representation, acquisition and applications // arXiv preprint arXiv:2002.00388. 2020. URL: https://arxiv.org/abs/2002.00388 (дата обращения: 20.06.2020).
21. Molontay R., Nagy M. Twenty Years of Network Science: A Bibliographic and Co-authorship Network Analysis // arXiv preprint arXiv:2001.09006. 2020. URL: https://arxiv.org/abs/2001.09006 (дата обращения: 25.06.2020).
22. Albert-László Barabási, Márton Pósfai. Network Science // Cambridge University Press. 2016. – 475 p.
23. Saleh M., Esa Y., Mohamed A. Applications of complex network analysis in electric power systems // Energies. 2018. Vol. 11. № 6. DOI: https://doi.org/10.3390/en11061381.
24. Wu X. et al. Analysis of metro network performance from a complex network perspective // Physica A: Statistical Mechanics and its Applications. 2018. Vol. 492. P. 553–563.
DOI: https://doi.org/10.1016/j.physa.2017.08.074.
25. Wachs-Lopes G. A., Rodrigues P. S. Analyzing natural human language from the point of view of dynamic of a complex network // Expert Systems with Applications. 2016. Vol. 45. P. 8–22.
DOI: https://doi.org/10.1016/j.eswa.2015.09.020
26. Jiang Z. Y. et al. Vehicle demand evolution analysis from the complex network perspective // Physica A: Statistical Mechanics and its Applications. 2019. Vol. 532:121889.
DOI: https://doi.org/10.1016/j.physa.2019.121889.
27. Noy N. et al. Industry-scale knowledge graphs: Lessons and challenges // Queue. 2019. Vol. 17. no. 2.
P. 48–75. DOI: https://doi.org/10.1145/3331166.
28. Graphs in Government – Fulfilling Your Mission with Neo4j. URL: https://www.paperpicks.com/graphs-in-government-fulfilling-your-mission-with-neo4j (дата обращения: 06.06.2020).
29. How NASA Finds Critical Data through a Knowledge Graph. URL: https://neo4j.com/blog/nasa-critical-data-knowledge-graph/?ref=blog (Дата обращения: 09.06.2020).
30. Ashurova Z, Tikhomirov A, Trufanov A, Kinash N, Berestneva O и Rossodivita. A 2017 Network platform of program governance for E-health service // 2017 12th Int. Sci. and Tech. Conf. on Computer Sciences and Information Technologies (CSIT), Lviv Ukraine. 2017. DOI: https://doi.org/10.1109/STC-CSIT.2017.8099429.
31. Тушканова О. Н., Самойлов В. В. Knowledge Net: модель и система накопления, представления и использования знаний и данных // Онтология проектирования. 2019. Т. 9. № 1. С. 117–131.
DOI: https://doi.org/10.18287/2223-9537-2019-9-1-117-131.
32. Подружкина Т. А., Федоров Д. Ю. Алгоритмы планирования процесса обучения на основе семантических сетей знаний // Научно-аналитический журнал «Вестник Санкт-Петербургского университета Государственной противопожарной службы МЧС России». 2017. № 1. С. 107–116.
URL: https://cyberleninka.ru/article/n/ispolzovanie-informatsionnyh-tehnologiy-dlya-obespe-cheniya-bezopasnosti-lichnosti-obschestva-i-gosudarstva (дата обращения: 23.06.2020).
33. Савченко А. П. Открытая сеть документированных знаний организации: концептуальная модель // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. 2014. № 103. URL: https://cyberleninka.ru/article/n/otkrytaya-set-dokumentirovannyh-znaniy-organizatsii-kontseptualnaya-model (дата обращения: 22.06.2020).
34. Announcing the Neo4j Crime Investigation Sandbox. URL: https://medium.com/neo4j/announcing-the-neo4j-crime-investigation-sandbox-c0c3bd9e71b1 (дата обращения: 30.06.2020).
35. Neo4j and the Offshore Leaks: the Case of Azerbaijan. URL: https://neo4j.com/graphgist/neo4j-and-the-offshore-leaks-the-case-of-azerbaijan (дата обращения: 02.07.2020).
36. ICIJ Offshore Leaks Database. URL: https://offshoreleaks.icij.org (дата обращения: 02.07.2020).
37. Richard Cyganiak, David Wood, Markus Lanthaler. RDF 1.1 Concepts and Abstract Syntax, W3C Recommendation 25 February 2014. URL: https://www.w3.org/TR/2014/REC-rdf11-concepts-20140225 (дата обращения: 03.07.2020).
38. HypergraphDB - A Graph Database. URL: http://www.hypergraphdb.org (дата обращения: 16.06.2020).
39. AllegroGraph. URL: https://allegrograph.com (дата обращения: 16.06.2020).
40. Neo4j Graph Platform – The Leader in Graph Databases. URL: https://neo4j.com (дата обращения: 16.06.2020).
41. Iosup A. et al. LDBC Graphalytics: A benchmark for large-scale graph analysis on parallel and distributed platforms // Proceedings of the VLDB Endowment. 2016. Vol. 9. no. 13. P. 1317–1328.
DOI: https://doi.org/10.14778/3007263.3007270.
42. Hogan A. et al. Knowledge graphs // arXiv preprint arXiv:2003.02320. 2020.
URL: https://arxiv.org/abs/2003.02320 (дата обращения: 17.06.2020).
43. Rosso P., Yang D., Cudré-Mauroux P. Beyond triplets: hyper-relational knowledge graph embedding for link prediction // Proceedings of The Web Conference 2020. P. 1885–1896.
DOI: https://doi.org/10.1145/3366423.3380257.
DOI: http://dx.doi.org/10.26583/bit.2020.3.05
Ссылки
- На текущий момент ссылки отсутствуют.
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.