-
恐怖主义是国际突出公害之一，严重威胁社会稳定和国家安全，影响世界和平发展[1]。美国“911”恐怖袭击事件发生后，恐怖主义受到世界各国关注，成为人民关心、社会关注、国家重视的焦点[2]。大数据时代，通常以事件为中心描述恐怖主义，存在叙述方式多样、新词层出不穷、事件关系表达复杂等现象[3]，因此，有必要引入知识图谱技术组织多源异构数据，展示恐怖主义事件关系和属性信息。
恐怖主义属于事件范畴，事件集和事件建模对其研究具有重要意义。事件集方面，文献[4]提出冲突与调解事件的编码框架（conflict and mediation event observations，CAMEO），文献[5]将其应用至恐怖主义事件定义和编码，目前已成为国际标准。全球恐怖主义数据库（global terrorism database，GTD）和全球新闻数据库（global data on events，location and tone，GDELT）促进了学者开展恐怖主义和国际冲突相关研究[6-8]。事件建模方面，早期地理信息系统（geographic information System，GIS）领域侧重通过时间序列展示事件的动态空间变化[9-10]，如有学者通过关系数据库分析事件动态时空特征[11-13]。然而，基于关系数据库的模型需要对事件要素与关系分别建表，导致数据冗余，难以形式化表达多源异构数据。DBpedia[14]、YAGO2[15]等通用知识图谱采用模式和数据两层图结构模型，但模式层以概念和属性约束数据层，无法实例化未知事件信息，数据层以单一实体为中心，难以组合事件属性信息[3]。近年来，以事件为中心的知识图谱在医疗、新闻、历史等领域被广泛研究[16]，如通用事件表示模型（simple event model，SEM）通过地点和时间要素描述事件时空信息[17]。文献[6]基于GDELT数据构建时序知识图谱，回顾历史事件。链接事件的开放描述（linking open descriptions of events，LODE）以ABC本体和事件本体（event ontology，EO）等模型为基础表示事件的时空特征和部分语义关系，不支持事件时序关系和空间关系的表达[18-20]。综上所述，现有基于知识图谱的事件表示模型各具特点，已在不同领域发挥重要作用，但现有事件表示模型无法适应大数据时代的事件多样化描述方式，恐怖主义的概念层次关系表达不完善，存在提升空间。同时，模式和数据两层模型忽略了事件的整体性及其逻辑结构，导致事件的语义、时序和空间关系相对缺失，亟需以事件为中心，结合语义和时空特征，构建适应多样化描述方式的恐怖主义事件表示模型。
本文首先根据“5W1H”法分析恐怖主义事件的组成，以现有模型为基础，明确恐怖主义事件表示模型的构建思路与方法；然后，结合知识图谱前沿技术提出并设计了具有模式、事件和数据三层结构的表示模型；最后，以美国“911”恐怖主义事件为例，分析了整体上概览事件的空间分布规律，在细节上展示事件的4个阶段，语义上表示事件逻辑关系。实验结果表明，该模型不仅能展示恐怖主义事件的时空分布，还可描述其时序关系和语义关系。
-
事件是在时间和空间中发生的事情，具有一定的时序特征和发展规律[21]。根据2015年颁布的《中华人民共和国反恐怖主义法》，恐怖主义事件泛指通过暴力、破坏、恐吓等不正当手段，导致社会恐慌，危害公共安全，侵犯人身财产，或者胁迫国家机关、国际组织，以实现其政治、意识形态等目的的事件[22]。恐怖主义事件发生前兆不明显，存在事件要素耦合且演化机理复杂的现象，因此难以描述事件的发展脉络。相比于普通事件，恐怖主义事件扩散速度快，波及范围广，涉及领域多，管理者难以展示事件全貌[23]。例如，“911”系列恐怖主义事件导致3 000多人直接死亡，消防、医疗等多个部门参与了救援行动[24]。
为清晰描述事件，通常需要运用“5W1H”分析法，即何事（What）、何人（Who）、何时（When）、何地（Where）、何故（Why）和如何（How）6个要素的有机组合[25]。本文以此为基础，分析恐怖主义事件组成，如图 1所示。What指事件参与对象以某种方式发生显著时空变化的过程，是促使其他事件演变的原因，也是其他事件变化的结果。When指事件发生的时间相关信息，包含开始、结束时刻和持续时间，能体现恐怖主义事件的危害程度。Where指事件发生的地点，包括定量坐标范围和定性语义描述，据此可展现恐怖主义事件波及地区和蔓延范围。Who是事件参与对象集合，包括事件主动参与对象和被动承受对象，具有显著时空特征，是描述恐怖主义事件的必要元素，据此可掌握事件的“人-物”“人-人”和“物-物”关系。Why指恐怖主义事件发生原因，能体现事件因果逻辑关系。How指恐怖分子完成事件的手段与方式，可作为推测事件类型和预测波及范围的基础。
图 1 恐怖主义事件结构与关系
Figure 1. Structure and Relationship of Terrorism
恐怖主义事件与事件要素间关系复杂。事件由参与要素构成，要素又可隶属不同事件，两者之间存在多对多的数量关系。事件与子事件又可构成整体与部分关系，体现为一对多的数量关系，如图 1所示。关系可展现恐怖主义事件的语义特征和时空特征，具有共同特征的恐怖主义事件集合为事件类。其中事件的语义特征包括通过事件类纵向结构的类别层次关系，也包括What、Who、Why、How等元素的横向非层次关系。计算机领域定义了顺承、因果、同步异步、递进等多种事件非层次关系[26-27]。本文以文献[28]的事件本体为基础，以准确挖掘恐怖主义事件的发生规律及演变趋势为依据，选取组成（composedOf）、因果（cause）、跟随（followed）、并发（concur）4个语义关系和时间（time）、空间（location）关系。其中，时间关系指When要素表示的事件发生时间或通过始末时刻及时间段记录的时间跨度，也包括What要素表示的时序关系和发展过程。空间关系是Where要素表示的事件发生位置和范围，一般使用行政区域描述，也可通过What进一步表示事件的空间关系和演变过程。
-
模型是强调现实世界部分细节、忽略其他细节，并帮助人们理解事物的一个抽象过程，具有描述事物辅助交流，关联事物实现预测，体现相同挖掘差异的功能[29]。知识图谱作为一种图结构模型，通过资源描述框架（resource description framework，RDF）有效直观地表示客观事物和事物关系，其节点代表事件实体或概念，边代表实体和概念的关系[30]。
-
传统时空数据模型以面向对象方式表示事件的时空变化，将具有常规属性和操作的对象拓展为具有时空特征属性和操作的对象，并通过关系数据库多表关联的方式表达事件时空信息[12-13]。首先，通用知识图谱以实体为中心表示事件，以边关联事件的语义和时空信息，通过图结构展示事件的静态知识。恐怖主义事件模型首先在GTD、事件分类标准和百科数据抽象的基础上，将恐怖主义事件抽象为事件与组成要素；然后，通过三元组构建事件对象，以三元组中的节点组合统一描述事件的时间、地点、参与者、原因、方式等要素信息；最后，时间、空间和语义信息抽象为事件间关系，并在节点组合表示的基础上增加事件的时序、空间和语义关系等动态知识，如图 2所示。
图 2 恐怖主义事件模型设计思路
Figure 2. Design Idea of Terrorism Data Model
建模方法方面，统一建模语言（unified modeling language，UML）可较好地表示时空属性、事件行为以及对象关系，但难以应对开放式文本的复杂语义，也无法支撑事件的复杂关系[31]。知识图谱具有快速灵活的建模能力，其RDF表示方式弥补了UML在事件关系和语义信息表达方面的缺陷，其图结构以节点和边为单位，克服了关系数据库的模式约束限制，易于数据增删，便于添加多样化数据信息。作为知识图谱模式层基础，SEM通用事件表示模型不依赖领域特有词汇，以事件的核心概念、类别系统以及属性约束描述不同领域的事件[17]。其核心概念包含时间、参与者、地点和事件4个概念，描述事件的组成要素；类别系统与核心概念一一对应，可不拓展模式层现有概念，通过添加数据层实例，表示恐怖主义事件的类别信息；属性约束作用于知识图谱的属性，通过向现有属性添加信息，无需扩充模式层关系类型，即可约束或拓展现有属性的描述信息，实现事件的非层次关系表示。本文结合恐怖主义事件组成要素扩展何故（Why）与如何（How）两个事件要素的概念及其对应的类别系统，即gt：How、gt：Why与gt：HowType、gt：WhyType，结合属性约束展示事件的时序关系、空间关系和语义关系，如图 3中红色虚线框所示。
图 3 恐怖主义事件模型
Figure 3. Terrorism Event Model
-
本文结合恐怖主义事件属性信息和关系，从知识图谱图结构出发，将概念、实体和属性抽象为知识图谱的节点，将“要素-要素”“事件-要素”“事件-事件”关系抽象为知识图谱的边，构建面向概念模式、事件关系和数据实例的三层恐怖主义事件表示模型。首先，根据事件分类标准建立模式层的概念层次关系，并定义事件对象的组成要素；然后，根据恐怖主义信息，丰富数据层的事件描述信息；最后，通过模式层和数据层提取事件的时序、空间和语义关系，表现异构数据源的恐怖主义事件关系。
面向恐怖主义事件表示的知识图谱（G）包含模式层（Gs）、事件层（Ge）和数据层（Gd）三层结构及其之间的关系R。Gs是概念的层次结构，包括已有SEM以及拓展的恐怖主义事件概念和概念层次关系。Ge是事件的关系结构，定义为事件子图与事件的时空关系和语义关系。Gd包括丰富概念的实例和填充事件子图的属性信息，由“5W1H”对应的时间、地点、参与者、方式、原因等要素组成。表 1描述了自“911”事件发生到“美国总统布什宣布反恐”，最终以“海豹突击队击毙本拉登”为结束的事件实例。根据表 1内容构建基于知识图谱的恐怖主义事件模型，如图 4所示。表 1中事件E2、E4与E1、E3相似，因此在图 4中省略展示。
表 1 恐怖主义事件实例
Table 1. Examples of Terrorism Events
事件 类型 事件参与者 事件承受者 时间 地点 方式 原因 E1 Aircraft Hijacking Waleed M. Alshehri等 AA-11 07:59—08:46 New York Hijacking E2 Marwan Al Shehhi等 UA-175 08:14—09:03 New York Hijacking E3 Khalid Al-Mihdhar等 AA-77 08:46—09:37 Washington Hijacking E4 Ahmed Alhaznawi等 UA-93 08:42—10:02 Shanksville Hijacking E5 Anti-Terrorism Bush 2001-10-07 Declaring E1, E2, E3, E4 E6 SEAL Osama Bin Laden 2011-05-01 Striking E1, E2, E3, E4 E7 SEAL Osama Bin Laden 2011-05-01 Killing E1, E2, E3, E4 
图 4 恐怖主义事件模型层次结构实例
Figure 4. Hierarchical Structure of Terrorism Event Model
基于知识图谱的恐怖主义事件模型详细设计过程如下：
1）模式层概念与层次关系设计
模式层是知识图谱的重要组成部分，可形式化表示恐怖主义事件概念的层次结构关系，如图 5所示。本文首先以《国家突发公共事件总体应急预案》提出的突发事件、社会安全事件和恐怖主义事件隶属关系（http://www.gov.cn/yjgl/2006-01/08/content_21048.htm）为基础，依次定义事件、突发事件、社会安全事件和恐怖主义事件4个上层概念；然后，以文献[23]附录的恐怖主义事件分类与编码规范为依据，构建劫持航空器、袭击重要经济目标和袭击党政军首脑机关等25个下层概念；最后，根据下层事件概念的被动承受对象类型，将其提升为核生化恐怖主义袭击、袭击公共场所、袭击政府宗教场所、袭击运输工具、袭击人员和袭击通信设施等概念，作为中间层联系上下层概念。
图 5 恐怖主义事件概念
Figure 5. Concepts of Terrorism
图 6展示了恐怖主义事件信息的表示实例。模型通过sem：hasSubType表示事件概念的层次关系，如 < Terrorism，sem：hasSubType，Aircraft Hijacking > 三元组表示恐怖主义事件和劫持航空器事件的父子关系。通过sem：eventType关系表示事件概念，如 < Aircraft Hijacking，rdf：type，sem：EventType > 和 < E1，sem：eventType，Aircraft Hijacking > 两个三元组表示E1的事件概念为劫持航空器事件。两者结合无需改变模式层概念结构，通过Terrorism和Aircraft Hijacking数据实例表示事件概念，通过sem：EventType概念的实例和sem：hasSubType关系完善恐怖主义事件概念层次关系，事件E1的概念表示如图 6（a）所示。
图 6 恐怖主义事件表示实例
Figure 6. Example of Terrorism Representation
2）数据层事件对象设计
事件的要素信息以模式层的时间、地点、原因等概念为基础，以事件层的事件节点为组合约束。数据层添加实例和属性信息构建事件对象，实现事件与要素的关联。sem：Actor和sem：Object表示事件的参与者和承受者，sem：How和sem：Why描述事件的发生方式和原因，sem：Time和sem：Place表示事件的时间、地点信息，时间和地点可通过属性值和实体进行表示。结合地点相似度、时间临近程度以及事件名称的编辑距离，可实现事件实体链接。通过CAMEO模型，获取恐怖主义事件涉及的民族和区域等编码，以此为基础实现数据层部分实体链接。事件层E1 “Waleed M.Alshehri等人，于08：46劫持美国航空11号航班”的模型描述如图 6（c）所示，事件的地点和时间分别通过实体和属性表示。
3）事件层关系设计
恐怖主义事件发生在特定时间和地点，因此具有丰富的语义和时空关系。以“911”事件为实例，恐怖主义事件的语义关系见表 2。事件的语义关系包含组成、因果、跟随、并发关系，且以非层次关系存在。其中组成关系表示事件和子事件的关系，如“911”事件由E1、E2、E3和E4组成，可描述为RcomposedOf（911，E1）；因果关系指事件导致其他事件发生，如“911”事件导致美国反恐（E5），可表示为Rcause（911，E5）；跟随关系指在一定时间区间，事件跟随其他事件发生，例如“击毙本·拉登”（E7）跟随“突袭本·拉登住所”（E6），可表示为Rfollowed（E7，E6）；并发关系指在一定时间范围内，两个事件同时发生但不具有因果关系，如“911”事件发生时，消防救援和医疗救助同时进行，可以描述为Rconcur（消防救援，医疗救助）。
表 2 恐怖主义事件语义关系实例
Table 2. Semantic Relationship of Terrorism
语义关系 逻辑描述 说明 组成 RcomposedOf(911, E1) 911事件是由事件E1组成 因果 Rcause(911, E5) 911事件导致事件E5发生 跟随 Rfollowed(E7, E6) 事件E7跟随事件E6发生 并发 Rconcur(消防救援, 医疗救助) 消防救援与医疗救助事件同时发生 此外，恐怖主义事件还具有明显的时空关系。事件的空间信息包括空间位置和空间范围，模型中通过数据层地理实体的空间关系提取并表达事件的拓扑、距离和方位关系。事件的时间信息分为时间点和时间段，前者描述事件发生的固定点，后者通过开始和结束的离散时间点以及经历的时间段记录事件的发展过程，可展示事件的过程性和时序关系。事件时序关系可发现事件在邻近时间域内的相互依赖关系和作用机制[32]，分为显式和隐式两种。显式关系蕴含于原始数据，指事件的发生时刻和持续时间，由hasTimeStamp、hasBeginTimeStamp、hasEndTimeStamp和对应的属性值表示；隐式关系指需经过计算与推理才能从原始数据得到的信息，通过Time概念的实例关系或事件关系表示。本文采用时间本体的早于（before）、晚于（after）、期间（during）、同时（concurrent）、交叠（overlap）表示事件的时序关系[33]。
传统知识图谱以模式层的概念关系为约束添加实例关系，难以表达互联网上层出不穷的事件描述信息，也无法适应异构文本的多样事件关系。假设Event概念只存在自身的composedOf和cause两个关系，无法表示事件的跟随关系（图 6（b））。为克服限制，本文通过属性约束（sem：Role）的实例以及主语（rdf：subject）和谓语（rdf：object）两个关系连接核心概念（sem：Event）的实例，其中属性约束的实例不表示具体事件信息，仅用关联事件要素；通过类型系统（sem：RoleType）概念的实例描述事件关系，并通过模型中已有的sem：RoleType关系关联事件或实体对，实现恐怖主义事件关系表示。如图 6（d）所示，通过RoleType的followed实例，将E7和E6分别作为主语和宾语，不扩充模式层关系类型，实现事件跟随关系表示。
-
基于知识图谱的恐怖主义事件表示模型通过Neo4j图数据库实现恐怖主义事件数据访问，并采用面向对象编程语言实现事件、关系和要素与程序的内存对象转换。采用图数据库可充分利用知识图谱的成熟技术，在实体和关系描述的基础上，通过图模式匹配检索数据。同时，GIS作为操作空间数据的计算机系统，可为事件的时空展示与分析提供平台支撑，实现内存对象的事件地点要素与空间数据库的地理数据匹配，进一步展示恐怖主义事件的时空特征。本文基于宏观概览、时序回溯和语义展示3个层面在原型系统中验证模型的有效性和可行性。
1）恐怖主义事件宏观概览
基于Cypher语句检索恐怖主义事件及其发生的位置和时间，通过原型系统以年为单位展示事件的发生位置，从宏观上概览恐怖主义事件空间分布特征。如2001年与2018年全球恐怖主义
事件空间分布存在较大差异，经过检索可以得出，伊拉克地区在2001年仅发生3次恐怖主义事件，但2018年发生数目上升至1 362次。
2）恐怖主义事件时序回溯
通过模型的事件发生时间和名称检索恐怖主义事件，并基于原型系统的时序态势标绘模块在微观上回溯历史事件，如图 7所示。“911”事件包含4次劫机事件，涉及的航班要素通过图层树统一展示，事件的起止时刻和时间跨度通过图层树的属性信息和下方时间轴联动展示，航班拟飞行航线和实际飞行航线等空间要素通过地图窗口展示。图 7（a）展示了4次劫机事件，图 7（b）显示了08：13仅有AA-11航班发生劫机事件，图 7（c）仅显示AA-77、UA-175、UA-93三架航班的劫机信息，这是因为08：47 AA-11航班已经撞击世贸中心，超出模型中事件（E1）的起止时间。
图 7 “911”事件回溯
Figure 7. Retrospective to "911" Terrorist Attacks
3）恐怖主义事件语义关系展示
通过语义信息检索事件，并基于原型系统的图数据库模块展示事件的语义关系，如查询“911”恐怖主义事件相关事件以及对应语义关系，Cypher语句为“MATCH（m：Event{name：‘911’}-[r]-（n：Event））RETURN m，r，n”。查询结果含义为“911”事件由E1、E2、E3和E4 4个子事件组成，且导致E5和E6事件发生，同时E1、E2、E3、E4、E5和E6具有明显的时序关系，如图 8所示。
图 8 “911”事件语义关系
Figure 8. Semantic Relationship of "911" Terrorist Attacks
-
恐怖主义严重威胁社会稳定和国家安全，如何基于大数据先进技术，集成异构数据展示恐怖主义事件的时空特征和语义信息成为当前的研究热点。本文首先根据“5W1H”分析法对恐怖主义事件的组成要素和事件关系展开分析；然后，在现有SEM通用事件表示模型的基础上，提出了面向开源数据的恐怖主义事件表示模型构建思路与方法；之后，构建了基于知识图谱的三层恐怖主义事件表示模型；最后，通过图数据库和GIS平台对模型进行实验验证。结果表明，该模型可以整合多源异构数据的事件描述信息，提供扩展机制，具有事件概念表达清晰、类层次关系明确以及非层次关系丰富的优势。但研究仅在恐怖主义领域进行了实验，未来研究还需进一步探讨该模型在其他突发事件领域的适用性。此外，事件存在不同的表述观点，如何基于本模型实现多种冲突信息的表达也将是后期的研究重点。
-
摘要: 恐怖主义受到世界各国的普遍关注，众多学者在事件模型上进行了大量探索，但现有事件模型的恐怖主义概念层次特征不够突出，时序、空间和语义关系相对缺失，且知识图谱模式层的概念和关系类型固定，难以满足事件的多样化描述信息，因此，亟需以事件为中心并结合时空和语义特征构建事件表示模型。在分析事件组成要素的基础上，结合知识图谱前沿技术，提出并设计了模式、事件、数据三层结构的恐怖主义事件表示模型。无须在模式层扩充概念和关系类型，即可在数据层实现事件类型和描述信息的拓展，在事件层实现时序、空间和语义关系表示，并在原型系统中以宏观概览、时序回溯和语义展示3个场景为例，验证了模型的可行性和有效性。Abstract:
Objectives Terrorism has received widespread attention from all over the world, and researchers have explored construction of event model. However, there are less temporal, spatial and semantic relationships in event models currently, and the diversified expression of event pose challenges to construct an event model. Therefore, it is urgent to construct a terrorism event model combining temporal, spatial and semantic features. Methods Based on the analysis of event components, we propose a three-layer terrorism event model which is proposed and designed with the advanced technology of knowledge graph. Results Without expanding the concepts and relationships, the multi-source heterogeneous data is integrated to represent the conceptual hierarchy of event as well as the temporal, spatial and semantic relationships. Conclusions In the prototype system, the feasibility and effectiveness of the model is confirmed with three cases: Macro overview, temporal backtracking and semantic display. -
Key words:
- terrorism /
- event model /
- knowledge graph /
- spatiotemporal relationship /
- semantic relationship
-
表 1 恐怖主义事件实例
Table 1. Examples of Terrorism Events
事件 类型 事件参与者 事件承受者 时间 地点 方式 原因 E1 Aircraft Hijacking Waleed M. Alshehri等 AA-11 07:59—08:46 New York Hijacking E2 Marwan Al Shehhi等 UA-175 08:14—09:03 New York Hijacking E3 Khalid Al-Mihdhar等 AA-77 08:46—09:37 Washington Hijacking E4 Ahmed Alhaznawi等 UA-93 08:42—10:02 Shanksville Hijacking E5 Anti-Terrorism Bush 2001-10-07 Declaring E1, E2, E3, E4 E6 SEAL Osama Bin Laden 2011-05-01 Striking E1, E2, E3, E4 E7 SEAL Osama Bin Laden 2011-05-01 Killing E1, E2, E3, E4 
下载: 导出CSV
表 2 恐怖主义事件语义关系实例
Table 2. Semantic Relationship of Terrorism
语义关系 逻辑描述 说明 组成 RcomposedOf(911, E1) 911事件是由事件E1组成 因果 Rcause(911, E5) 911事件导致事件E5发生 跟随 Rfollowed(E7, E6) 事件E7跟随事件E6发生 并发 Rconcur(消防救援, 医疗救助) 消防救援与医疗救助事件同时发生
下载: 导出CSV
-
[1] 孙永超. 大数据时代我国反恐策略研究[D]. 成都: 成都理工大学, 2016 Sun Yongchao. Research on Anti Terrorism Strategy in the Era of Big Data[D]. Chengdu: Chengdu University of Technology, 2016 [2] 付举磊. 基于开源情报的恐怖活动及反恐策略研究: 以"东突"恐怖活动为例[D]. 长沙: 国防科学技术大学, 2014 Fu Julei. Exploring the Terrorist Activities and Anti-terrorism Strategies Based on Open-Source Intelligence[D]. Changsha: National University of Defense Technology, 2014 [3] Gottschalk S, Demidova E. EventKG: A Multilingual Event-Centric Temporal Knowledge Graph [C]// European Semantic Web Conference, Heraklion, Crete, 2018 [4] Gerner D J, Schrodt P A, Yilmaz O, et al. The Creation of CAMEO(Conflict and Mediation Event Observations): An Event Data Framework for a Post Cold War World[C]// Annual Meeting of the American Political Science Association, Boston, USA, 2002 [5] Osorio J, Pavon V, Salam S, et al. Translating CAMEO Verbs for Automated Coding of Event Data [J]. International Interactions, 2019, 45(6): 10491064 doi: 10.1080/03050629.2019.1632304 [6] Ma Y P, Tresp V, Daxberger E A. Embedding Models for Episodic Knowledge Graphs[J]. Journal of Web Semantics, 2019, 59: 100490 doi: 10.1016/j.websem.2018.12.008 [7] 丁梓越, 刘海砚, 陈晓慧, 等. 顾及时空因素的国家恐怖袭击事件Cox回归分析[J]. 武汉大学学报·信息科学版, 2020, 45(12): 1949-1959 doi: 10.13203/j.whugis20200189 Ding Ziyue, Liu Haiyan, Chen Xiaohui, et al. Cox Regression Analysis of National Terrorist Attacks Considering Spatial and Temporal Factors[J]. Geomatics and Information Science of Wuhan University, 2020, 45(12): 1949-1959 doi: 10.13203/j.whugis20200189 [8] 秦昆, 罗萍, 姚博睿. GDELT数据网络化挖掘与国际关系分析[J]. 地球信息科学学报, 2019, 21(1): 14-24 https://www.cnki.com.cn/Article/CJFDTOTAL-DQXX201901004.htm Qin Kun, Luo Ping, Yao Borui. Networked Mining of GDELT and International Relations Analysis[J]. Journal of Geo ‐Information Science, 2019, 21(1): 14-24 https://www.cnki.com.cn/Article/CJFDTOTAL-DQXX201901004.htm [9] 李杰, 赵阳. 基于WebGIS的突发事件网络舆情可视化设计与实现[J]. 测绘地理信息, 2014, 39(4): 38-41 https://www.cnki.com.cn/Article/CJFDTOTAL-CHXG201404011.htm Li Jie, Zhao Yang. Design and Implementation on the Visualization of Network Public Opinion of Emergence Based on WebGIS[J]. Journal of Geomatics, 2014, 39(4): 38-41 https://www.cnki.com.cn/Article/CJFDTOTAL-CHXG201404011.htm [10] 葛磊, 叶程煜, 陈晓慧, 等. 作战行动的时空演化可视分析方法[J]. 计算机辅助设计与图形学学报, 2019, 31(10): 1739-1749 https://www.cnki.com.cn/Article/CJFDTOTAL-JSJF201910009.htm Ge Lei, Ye Chengyu, Chen Xiaohui, et al. Visual Analysis of Operational Events Based on SpatioTemporal Evolution[J]. Journal of Computer‐Aided Design & Computer Graphics, 2019, 31(10): 1739-1749 https://www.cnki.com.cn/Article/CJFDTOTAL-JSJF201910009.htm [11] 谭成国, 徐佑军, 周怀许. 基于全球网格的时空大数据应用研究[J]. 测绘地理信息, 2015, 40(5): 90-92 https://www.cnki.com.cn/Article/CJFDTOTAL-CHXG201505026.htm Tan Chengguo, Xu Youjun, Zhou Huaixu. Application Study on the Global-Grid Based Spatio-Temporal Big Data[J]. Journal of Geomatics, 2015, 40 (5): 90-92 https://www.cnki.com.cn/Article/CJFDTOTAL-CHXG201505026.htm [12] 徐志红, 边馥苓, 陈江平. 基于事件语义的时态GIS模型[J]. 武汉大学学报·信息科学版, 2002, 27(3): 311-315 http://ch.whu.edu.cn/article/id/4964 Xu Zhihong, Bian Fuling, Chen Jiangping. SpatioTemporal GIS Model Based on Event Semantic[J]. Geomatics and Information Science of Wuhan University, 2002, 27(3): 311-315 http://ch.whu.edu.cn/article/id/4964 [13] 吴长彬, 闾国年. 一种改进的基于事件-过程的时态模型研究[J]. 武汉大学学报·信息科学版, 2008, 33(12): 1250-1253 http://ch.whu.edu.cn/article/id/1773 Wu Changbin, Lü Guonian. Improved Event-Process Based on Spatiotemporal Model[J]. Geomatics and Information Science of Wuhan University, 2008, 33(12): 1250-1253 http://ch.whu.edu.cn/article/id/1773 [14] Auer S, Bizer C, Kobilarov G, et al. DBpedia: A Nucleus for a Web of Open Data[M]. Berlin, Heidelberg: Springer, 2007: 722-735 [15] Hoffart J, Suchanek F M, Berberich K, et al. YAGO2: A Spatially and Temporally Enhanced Knowledge Base from Wikipedia[J]. Artificial Intelligence, 2013, 194: 28-61 doi: 10.1016/j.artint.2012.06.001 [16] 漆桂林, 高桓, 吴天星. 知识图谱研究进展[J]. 情报工程, 2017, 3(1): 4-25 https://www.cnki.com.cn/Article/CJFDTOTAL-QBGC201701002.htm Qi Guilin, Gao Huan, Wu Tianxing. The Research Advances of Knowledge Graph[J]. Technology Intelligence Engineering, 2017, 3(1): 4-25 https://www.cnki.com.cn/Article/CJFDTOTAL-QBGC201701002.htm [17] van Hage W R, Malaiss V, Segers R H, et al. Design and Use of the Simple Event Model (SEM) [J]. SSRN Electronic Journal, 2011: 128-136 [18] Lagoze C, Hunter J. The ABC Ontology and Model [C]//International Conference on Dublin Core and Metadata Applications, Tokyo, Japan, 2001 [19] Vassilakaki E, Zervos S, Giannakopoulos G. CIDOC-CRM Extensions for Conservation Processes: A Methodological Approach[J]. AIP Conference Proceedings, 2015, 1644(1): 185-192 [20] Shaw R, Troncy R, Hardman L. LODE: Linking Open Descriptions of Events[M]//The Semantic Web. Berlin, Heidelberg: Springer, 2009: 153-167 [21] 王艳东, 李昊, 王腾, 等. 基于社交媒体的突发事件应急信息挖掘与分析[J]. 武汉大学学报·信息科学版, 2016, 41(3): 290-297 doi: 10.13203/j.whugis20140804 Wang Yandong, Li Hao, Wang Teng, et al. The Mining and Analysis of Emergency Information in Sudden Events Based on Social Media[J]. Geomatics and Information Science of Wuhan University, 2016, 41(3): 290-297 doi: 10.13203/j.whugis20140804 [22] 杜明明. 我国反恐刑事立法完善研究[D]. 开封: 河南大学, 2016 Du Mingming. Research on the Criminal Legislation of Anti-Terrorism in China[D]. Kaifeng: Henan University, 2016 [23] 张明红. 基于案例的非常规突发事件情景推理方法研究[D]. 武汉: 华中科技大学, 2016 Zhang Minghong. Study on Unconventional Emergency Scenario Reasoning Method the Cases-Based [D]. Wuhan: Huazhong University of Science and Technology, 2016 [24] Bohannon J. Counterterrorism's New Tool: 'Metanetwork'Analysis[J]. Science, 2009, 325(5939): 409-411 doi: 10.1126/science.325_409 [25] 王伟, 赵东岩. 中文新闻事件本体建模与自动扩充[J]. 计算机工程与科学, 2012, 34(4): 171-176 doi: 10.3969/j.issn.1007-130X.2012.04.033 Wang Wei, Zhao Dongyan. Chinese News Event Ontology Construction and Auto-Population[J]. Computer Engineering & Science, 2012, 34(4): 171-176 doi: 10.3969/j.issn.1007-130X.2012.04.033 [26] 杨雪蓉, 洪宇, 陈亚东, 等. 事件关系检测的任务体系概述[J]. 中文信息学报, 2015, 29 (4): 25-32 doi: 10.3969/j.issn.1003-0077.2015.04.004 Yang Xuerong, Hong Yu, Chen Yadong, et al. An Overview of Event Relation Detection System[J]. Journal of Chinese Information Processing, 2015, 29 (4): 25-32 doi: 10.3969/j.issn.1003-0077.2015.04.004 [27] Li Z Y, Zhao S D, Ding X, et al. EEG: Knowledge Base for Event Evolutionary Principles and Patterns [C]//Social Media Processing, Beijing, China, 2017 [28] 朱文跃, 刘宗田. 基于事件本体的突发事件领域知识建模[J]. 计算机工程与应用, 2018, 54(21): 148-155 doi: 10.3778/j.issn.1002-8331.1804-0069 Zhu Wenyue, Liu Zongtian. Emergency Domain Knowledge Modeling Based on Event Ontology[J]. Computer Engineering and Applications, 2018, 54 (21): 148-155 doi: 10.3778/j.issn.1002-8331.1804-0069 [29] Allemang D, Hendler J. 语义万维网: 工程实践指南[M]. 北京: 高等教育出版社, 2015 Allemang D, Hendler J. Semantic Web for the Working Ontologist[M]. Beijing: Higher Education Press, 2015 [30] 张雪英, 张春菊, 吴明光, 等. 顾及时空特征的地理知识图谱构建方法[J]. 中国科学: 信息科学, 2020, 50 (7): 1019-1032 https://www.cnki.com.cn/Article/CJFDTOTAL-PZKX202007005.htm Zhang Xueying, Zhang Chunju, Wu Mingguang, et al. Spatio-temporal Features Based Geographical Knowledge Graph Construction[J]. Scientia Sinica (Informationis), 2020, 50(7): 1019-1032 https://www.cnki.com.cn/Article/CJFDTOTAL-PZKX202007005.htm [31] 陈泽强, 陈能成, 杜文英, 等. 一种洪涝灾害事件信息建模方法[J]. 地球信息科学学报, 2015, 17(6): 644-652 https://www.cnki.com.cn/Article/CJFDTOTAL-DQXX201506003.htm Chen Zeqiang, Chen Nengcheng, Du Wenying, et al. A Method of Modelling Flood Event[J]. Journal of Geo-Information Science, 2015, 17(6): 644-652 https://www.cnki.com.cn/Article/CJFDTOTAL-DQXX201506003.htm [32] 何占军, 邓敏, 蔡建南, 等. 顾及背景知识的多事件序列关联规则挖掘方法[J]. 武汉大学学报·信息科学版, 2018, 43(5): 766-772 doi: 10.13203/j.whugis20150616 He Zhanjun, Deng Min, Cai Jiannan, et al. A Context-Based Association Rules Mining Method for Multiple Event Sequences[J]. Geomatics and Information Science of Wuhan University, 2018, 43(5): 766-772 doi: 10.13203/j.whugis20150616 [33] 侯志伟, 诸云强, 高星, 等. 时间本体及其在地学数据检索中的应用[J]. 地球信息科学学报, 2015, 17(4): 379-390 https://www.cnki.com.cn/Article/CJFDTOTAL-DQXX201504002.htm Hou Zhiwei, Zhu Yunqiang, Gao Xing, et al. TimeOntology and Its Application in Geodata Retrieval [J]. Journal of Geo Information Science, 2015, 17 (4): 379-390 https://www.cnki.com.cn/Article/CJFDTOTAL-DQXX201504002.htm -
点击查看大图
图(8) / 表(2)
计量
- 文章访问数: 388
- HTML全文浏览量: 107
- PDF下载量: 131
- 被引次数: 0
