Cybernetics And Systems Analysis logo
Інформація редакції Аннотації статей Автори Архів
Кібернетика та Системний Аналіз
Міжнародний Науково-Теоретичний Журнал
Том 62 >>> № 4 ЛИПЕНЬ — СЕРПЕНЬ 2026
-->


DOI 10.34229/KCA2522-9664.26.4.11
УДК 004.94:343.98

В.М. СТРУКОВ
Харківський національний університет ім. В.Н. Каразіна, Харків, Україна,
 volodymyr.strukov@karazin.ua

Д.Ю. УЗЛОВ
Харківський національний університет ім. В.Н. Каразіна, Харків, Україна,
 dmytro.uzlov@karazin.ua


ТИПІЗОВАНІ МУЛЬТИРЕЛЯЦІЙНІ АТРИБУТИВНІ МЕТАГРАФИ
ДЛЯ МОДЕЛЮВАННЯ КРИМІНАЛЬНИХ ПОДІЙ
ТА ПРИХОВАНИХ ЗВ’ЯЗКІВ

Анотація. Запропоновано формальний підхід до подання та аналізу кримінальних подій на основі типізованого мультиреляційного атрибутивного метаграфу. Події розглянуто як структуровані об’єкти з внутрішньою організацією, що дає змогу поєднати подієвий та об’єктний рівні опису в межах єдиної математичної моделі. Введено поняття типізованої суміжності та інцидентності, розглянуто їхні «слабкі» і «сильні» варіанти для підмножин типів відношень, а також відповідні матричні подання. Запроваджено типізовані степені вершин, що дає змогу оцінювати роль і значущість сутностей у різних семантичних контекстах. Уведено поняття типізованих маршрутів, що дало можливість формалізувати семантично контрольовані ланцюги зв’язків і створило основу для виявлення опосередкованих та потенційно прихованих взаємодій між подіями і особами.

Ключові слова: типізований мультиреляційний атрибутивний метаграф, моделювання кримінальних подій, виявлення прихованих зв’язків, аналіз кримінальних мереж.


повний текст

СПИСОК ЛІТЕРАТУРИ

    1. Струков В.М., Узлов Д.Ю., Гнусов Ю.В. Інструментальні інтелектуальні платформи для кримінального аналізу. Право і безпека. 2021. № 4. С. 64–79. https://doi.org/10.32631/pb.2021.4.07.
    2. Струков В.М., Узлов Д.Ю., Гнусов Ю.В. та ін. Інформаційні технології у правоохоронній діяльності. Ч. 1. Високотехнологічні тренди у правоохоронній сфері зарубіжних країн. В.М. Струков (ред.). Харків: ТОВ «ДІСА ПЛЮС», 2020. 276 с.
    3. Ji S., Pan S., Cambria E., Marttinen P., Yu P.S. A survey on knowledge graphs: Representation, acquisition, and applications. IEEE Transactions on Neural Networks and Learning Systems. 2022. Vol. 33, N 2. P. 494–514. https://doi.org/10.1109/TNNLS.2021.3070843.
    4. Wang Q., Mao Z., Wang B., Guo L. Knowledge graph embedding: A survey of approaches and applications. IEEE Transactions on Knowledge and Data Engineering. 2017. Vol. 29, N 12. P. 2724–2743. https://doi.org/10.1109/TKDE.2017.2754499.
    5. Dai Y., Wang S., Xiong N.N., Guo W. A survey on knowledge graph embedding: Approaches, applications and benchmarks. Electronics. 2020. Vol. 9, N 5. Article number 750. https://doi.org/10.3390/electronics9050750.
    6. Cao J., Fang J., Meng Z., Liang S. Knowledge graph embedding: A survey from the perspective of representation spaces. 2022. arXiv preprint arXiv:2211.03536.
    7. Liu B., Fang Y., Xu N. et al. Large language models for knowledge graph embedding: A survey. Mathematics. 2025. Vol. 13, N 14. Article number 2244. https://doi.org/10.3390/math13142244.
    8. Schlichtkrull M., Kipf T.N., Bloem P. et al. Modeling relational data with graph convolutional networks. In: European Semantic Web Conference (ESWC 2018). 2018. P. 593–607. https://doi.org/10.1007/978-3-319-93417-4_38.
    9. Chen M., Zhang W., Geng Y. et al. Generalizing to unseen elements: A survey on knowledge extrapolation for knowledge graphs. Proceedings of IJCAI-23. 2023. P. 6574–6582. URL: https://www.ijcai.org/proceedings/2023/0737.pdf.
    10. Basu A., Robert W. Blanning. Metagraphs and their applications. New York: Springer, 2007. 172 p.
    11. Rocha R.C.O. Typed graph theory: Extending graphs with type systems. arXiv. 2021. Vol. abs/2101.05267. 25 p. URL: arXiv.org (дата звернення 04.11.2025).
    12. Bondy J.A., Murty U.S.R. Graph theory with applications. London: Springer, 2018. 417 p.
    13. Vadhan S. CS229r: Spectral graph theory in computer science: course material. Harvard University, 2024. URL: https://salil.seas.harvard.edu/class/cs229r-spectral-graph-theory--computer-science (date of access: 04.11.2025).
    14. Leskovec J. Slides: CS224W: Machine Learning with Graphs (Lecture 06: Graph Neural Networks). Stanford University, 2024. URL: https://web.stanford.edu/class/cs224w/slides/06-theory.pdf (date of access: 04.11.2025).
    15. Stanford University. Graph theory: Lecture slides from CS103. Stanford University, 2025. URL: https://web.stanford.edu/class/archive/cs/cs103/cs103.1246/lectures/09/Lecture%20Slides.pdf (date of access: 04.11.2025).
    16. Fu X., Zhang J., Meng Z., King I. MAGNN: Metapath aggregated graph neural network for heterogeneous graph embedding. Proceedings of The Web Conference (WWW 2020). 2020. P. 2331–2341. https://doi.org/10.1145/3366423.3380297.
    17. Fan Y., Ye Y., Peng Q. et al. Metagraph aggregated heterogeneous graph neural network for illicit traded product identification in underground market. IEEE International Conference on Data Mining (ICDM). (17–20 November, 2020, Sorrento, Italy). IEEE, 2020. P. 132–141. https://doi.org/10.1109//ICDM50108.2020.00022.
    18. Xia L., Huang C., Xu Y. et al. Spatial-temporal sequential hypergraph network for crime prediction with dynamic multiplex relation learning. Proceedings of the Thirtieth International Joint Conference on Artificial Intelligence. Main Track. 2021. P. 1631–1637. https://doi.org/10.24963/ijcai.2021/225.
    19. Joslyn C., Purvine E., Myers A. et al. Topological analysis of temporal hypergraphs. arXiv preprint arXiv:2302.xxxx. 2023 https://doi.org/10.48550/arXiv.2302.xxхх.
    20. Gracious T., Dukkipati A. Deep representation learning for forecasting recursive and multi-relational events in temporal networks. arXiv preprint arXiv:2404.xxxxx. 2024. https://doi.org/10.48550/arXiv.2404.xxxxx.
    21. Yan B., Yang C., Shi C., Liu J., Wang X. Abnormal event detection via hypergraph contrastive learning. Proceedings of the 29th ACM SIGKDD Conference. 2023. arXiv:2304.02823. https://doi.org/10.48550/arXiv.2304.02823.
    22. Rollo F., Po L. Modeling event-centric knowledge graph for crime analysis on online news. In Taylor & Francis eBooks. 2023. URL: https://www.taylorfrancis.com/chapters/edit/10.1201/9781003313267-2/modeling-event-centric-knowledge-graph-crime-analysis-online-news- federica-rollo-laura-po.
    23. Yang C. CrimeGNN: Harnessing the power of graph neural networks for community detection in criminal networks. arXiv preprint arXiv:2311.xxxxx. 2023. https://doi.org/10.48550/arXiv.2311.xxxxx.
    24. Wang C., Lin Z., Yang X., Sun J., Yue M., Shahabi C. HAGEN: Homophily-aware graph convolutional recurrent network for crime forecasting. Proceedings of the AAAI Conference on Artificial Intelligence. arXiv:2109.xxxxx. 2021. https://doi.org/10.48550/arXiv.2109.xxxxx.
    25. Zola F., Medina J.A., Venturi A., Gil A., Orduna R. A graph machine learning approach for detecting topological patterns in transactional graphs. 2025. arXiv preprint arXiv:2509.xxxxx. 2025. https://doi.org/10.48550/arXiv.2509.xxxxx.
    26. Yang C. Speed up criminal network analysis with LLMs and knowledge graphs. GraphAware Blog. 2025. URL: https://graphaware.com/blog/combine-knowledge-graphs-and-llms-to-speed-up-crime-analysis.
    27. Gracious T., Dukkipati A. Deep representation learning for forecasting recursive and multi-relational events in temporal networks. arXiv:2404.17943. URL: https://arxiv.org/abs/2404.17943.



Інформація редакції Аннотації статей Автори Архів
Журнал Тематичні Розділи Редакція Редакційна колегія Приклади документів Передплата Контакти
© 2026 Kibernetika.org. All rights reserved.