事理图谱型视频侦查案例库的构建及应用

樊 舒

（中国刑事警察学院公安信息技术与情报学院 辽宁 沈阳 110035）

1 引言

目前，在监控系统逐步普及的背景下，视频侦查已成为被广泛认可并大力推广的新型侦查模式。办案人员通过对监控视频记录进行审看、分析，并协同应用其他侦查手段，实现对犯罪分子实施犯罪、隐藏行迹等行为的发掘和认知，为侦查破案、案件诉讼提供直观翔实的线索及证据资料，从而有效提高办案效率。在各地公安机关办案过程中，积累了大量视频侦查案例，如何建设视频侦查知识系统，进一步有效存储、组织、利用视频侦查案例，充分发掘案例中蕴含的办案方法模式等知识，为后续办案及人才培养提供支持，是具有重要理论及应用价值的课题。

构建视频侦查案例库是发展视频侦查知识系统的重要内容。视频侦查案例是对办案人员利用视频侦查技术手段实现案件侦破这一过程的记录，其作用在于：①向案例使用者展示由作案人行为推动的案件演化过程，支持案例使用者查询和分析作案人的重要行为，包括视频记录的作案过程、逃逸过程、隐藏行迹的手段等。②向案例使用者展示由办案人行为推动的案件侦破过程，支持使用者查询办案人的重要行为，包括办案人确定视频中重要线索、信息的分析方法，查找、挖掘作案人行踪所采用的处置手段及所在情景等。目前关于视频侦查案例库的研究尚处于起步阶段，研究内容以案例库宏观构建策略、支持实战化教学方式为主[1-2]，并不涉及具体的构建方法。在相关研究方面，视频内容解析是提取和表示视频重要信息的基础。谢兰迟等[3]认为应按视频时间顺序分析提取视频中目标人、物的关键行为及状态，并以文字形式记录在表格中。王治等[4]将视频中车辆作为结构化解析目标，并设置车牌、车型、品牌、颜色等属性。连珂等[5]在预先定义本体的基础上，对视频中对象特征及对象间关系做语义描述，以记录警务视频解析内容。Hu等[6]构建包含概念及概念间关系的本体，实现对视频内容中对象、状态关系及事件的表示。但上述成果均没有考虑视频侦查案例的特征。

与视频侦查案例库研究相比，其他领域案例库构建方法已得到深入研究[7-8]，其中，由于突发事件应急与刑事案件侦查在事件处置模式上具有高度相似性，因此应急案例库构建研究对视频侦查案例库构建具有较强参考价值。在应急案例内容方面，Aamodt和Plaza提出，案例库内容应由描述突发事件问题及其解决方法的特征集合构成[9]，已有应急案例库在内容设置上均基本遵循了该思路[10-11]，在此基础上，朱恒民等[12]在案例内容中增加了方案效果部分。近年来，随着基于情景应对的应急管理模式成为主流，可精细描述突发事件态势特征的情景信息，也已成为应急案例的核心内容[13]。邓三鸿[14]从利益相关者理论出发，认为应在筛选突发事件应急过程中的利益相关者集合的基础上，使案例内容满足利益相关者的知识需求。案例表示模型方面，张英菊等[15]将案例解析为事件共性信息和元事件集合，分别用事件本体模型和元事件模型表示。蒋勋等[16]将突发事件分解为状态情景序列，各状态情景包含情景要素集合及要素间的关联关系。与此类似，Moehrle和Raskob[17]提出根据“事件阶段—情景”构建案例结构。张艳琼等[18]将突发事件分解为包含若干个子事件的事件链，用于表达突发事件的演化模式，各子事件采用“情景——策略”结构，实现对子事件情景和应对策略的表达。案例表示方法方面，主要包括框架表示法和基于本体表示法。文献[19]在元素及属性表示中，采用框架表示法。基于本体表示法因扩展性好、表达效率高、便于知识共享与集成等优点，已成为主流表示方法，并被广泛用于各类应急领域[20-21]。

为弥补当前研究的不足，本文针对视频侦查案例库构建方法开展研究，在设计视频侦查知识元的基础上，构建基于事件网络的案例表示模型，实现对案例中作案人及办案人的重要信息的描述，具体包括：①作案人作案或潜逃行为：记录作案人作案及潜逃所采取的具体手段及所处情景信息。②办案人侦破行为：记录办案人发掘重要线索采用的策略和手段及所针对情景信息。此外，设计事理图谱作为案例统计知识表征工具。选择Neo4j数据库作为视频侦查案例库实现工具，以支持用户针对案例信息知识的应用操作。

2 视频侦查案例表示方法

2.1 案例表示框架

事件指在某个时空范围内，某对象实施行为的过程，事件一般会造成情景状态的变化。事件模型用于描述事件过程中，主客体间的行为信息及所处的情景信息。刘宗田等[22]将事件定义为一个包含动作、对象、时间、环境、断言、语言表现等事件要素的六元组。张磊等[23]采用知识元网络构建非常规突发事件的知识模型。依据前文所述，视频侦查案例的核心功能，是表征案件的演化过程，即案件中各子事件（由作案人和办案人发起）的关联关系，以及各子事件包含的要素信息和情景信息。为实现上述信息的完整表示，构建一种三层表示框架，如图1所示。

图1 视频侦查案例表示框图

第一层为案例对象层，每个案例包含一个案例对象，该对象具有多个属性，用于记录案例的基本信息，如案件时间、办案单位等。

第二层为事件网络层，由事件对象及事件对象间关系构成。事件对象具有多种用于描述该事件关键信息的属性，如事件名称、事件类型、所属案例、事件行为、事件目的、事件结果等。将事件对象划分为两个类型，分别是：①犯罪嫌疑人相关事件：该类事件用于记录案例中犯罪嫌疑人隐藏行踪的行为，如犯罪嫌疑人改变装束、改变行进路线等行为，上述行为的作用在于改变了犯罪嫌疑人的原始状态，从而使其不易被发现。构建该类事件的价值在于记录和揭露犯罪嫌疑人的逃逸手段。②办案人员相关事件：视频侦查办案人员在办案过程中针对各类案件情景所采取的视频侦查技术及手段，是有价值、可复用的领域知识，办案人员相关事件用于记录上述领域知识，并通过案例库为用户提供侦破方法、培训学习方面的参考资料。事件对象间关系具有4个类型：因果关系表示前置事件引发后续事件，顺承关系表征事件在时间上的先后关系，并发关系表示两个事件在同一时间发生，组成关系用于反映某事件与其他多个事件间的构成关系。

第一层与第二层之间，存在案例对象与事件对象间的关联关系，关系类型为包含关系。

第三层为事件实体层，该层的作用是描述各事件的情景信息。该层包括事件涉及的所有实体对象，如事件主体（事件行为的发起者）、事件客体（事件行为的承受者）、事件中其他相关实体（如工具、建筑物）等。犯罪嫌疑人相关事件的事件主体为犯罪嫌疑人，事件客体为因行为导致状态改变的实体（事件主体和客体可能重合），且事件客体需设置“原始状态”“事后状态”两个属性，用于表征行为作用于客体所产生的效果。办案人员相关事件的主体为办案人员，事件行为为办案人员所采取的发现犯罪嫌疑人行踪的行为，事件客体为行为所处理的视频等信息文件。此外，该层还包括各实体对象间的关系：以事件主体、客体为核心，建立与其他事件相关实体的关联关系，实现对事件情景信息的表征。

第二层中事件对象与第三层中与其对应的事件实体间建立关联关系：以事件对象分别与事件主体、客体间建立“事件主体”“事件客体”等关系，可实现对事件结构的描述。

2.2 案例元素表示模型

将案例表示框架中的元素划分为对象和对象间关系两个类型，其中对象包括案例、事件和实体。对象和关系分别使用对象知识元和关系知识元表示，对象和关系的属性使用属性知识元表示。知识元依据知识元模型和案例信息内容生成。应预先设定视频侦查案例领域概念集，对同义概念的名称做统一定义，消除概念间歧义，知识元名称应与概念名称对应。对象、关系、属性知识元模型定义如下。

2.2.1 对象知识元模型

对象知识元模型如下：

2.2.2 关系知识元

关系知识元用于描述对象知识元之间的关系，其表示模型如下：

2.2.3 属性知识元模型

属性知识元模型表达式为：

3 案例库中统计型知识表示方法

3.1 视频侦查案例事理图谱模型

事理图谱是一种以泛化的抽象事件为节点，以事件之间的顺承、因果等关系为边的有向有环图，属于动态知识图谱，用于记录和表示事件演化规律模式及事理逻辑关系[24]。现有研究主要是通过从海量文本中提取谓词性事件及关系来构建事理图谱，实现对文本内容中的事理逻辑关系的有效存储和表达，并实现推理检索、事件预测等功能。近年来，事理图谱还被应用于政策影响模式表征、重大突发事件演化规律记录等领域[25-26]。

采用事理图谱表征案例库蕴含的统计型知识，使视频侦查案例库用户除获取各案例的细节信息外，还可以获取案件的演化规律及办案方法模式等知识，用于辅助视频侦查或培训教学，具体包括：①案例库中犯罪嫌疑人采用某种隐藏行踪手段的概率，以反映该手段常见程度。②视频侦查人员采用某种视频侦查手段的概率，以反映该侦查手段的重要性。③犯罪嫌疑人所采用的各类手段之间的演化规律。④各视频侦查手段间的转化规律。⑤各视频侦查手段与犯罪嫌疑人隐藏行踪手段间的对应概率关系。

基于上述分析，本文采用事理图谱模型作为视频侦查案例统计知识的表示模型，其表示方法如下：

3.2 视频侦查案件事理图谱构建方法

泛化事件节点设置事件行为、事件目的、事件名称、事件概率等属性。事件行为和事件目的，与合并该泛化事件的事件所对应属性相同。应建立泛化事件名称字典，记录事件名称与事件行为、事件目的间的对应关系，实现泛化事件名称的统一。事件概率的计算方法为：将合并该泛化事件节点的事件总数记为，将案例集合中事件总数记为 ，事件概率属性值为

4 视频侦查案例库构建方法

视频侦查案例库用于组织和存储案例信息，案例库应满足以下要求：①可以完备地记录表示模型中包含的信息。②可支持案例信息的检索和查询。③满足案例规模需要。由第二、三节内容可知，案例模型包含案例、事件、实体三类对象，每类对象使用属性表征其特征，对象间利用关系描述多种关联关系，关系也具有属性描述信息。

Neo4j是目前主流的图数据库，可支持存储亿级规模节点；该数据库使用网络作为数据存储形式，适用于对实体、概念及其关系的表达；同时支持Cypher操作语言，在关联查询操作方面，比关系型数据库具有明显优势。综合Neo4j图数据库上述特点，可选择该数据库作为视频侦查案例库构建工具。在案例构建过程中，为节点设置类别（案例、事件、事件客体），根据节点类别设置相应属性，在节点之间设置关系。依据案例的具体信息，为节点属性及关系类型赋值。

5 实例验证

选取沈阳市公安局某年度视频侦查案例汇总报告作为实验数据源，报告中包含12个案件，并详细记录案件发展及侦破过程。在实例验证中，根据本文设计的视频侦查案例模型，将报告转化为视频侦查案例存入案例库，并进行案例查询操作，此外，将案例转化为事理图谱并做应用操作。需要说明的是，由于该数据集属于公安机关案例总结，因此案例中只包含“办案人员相关事件”。

5.1 案例构建

遵循案例表示模型，选取其中一个案例，其构建步骤如下：

（1）构建案例节点，并描述该案例时间、地点、案件性质等属性，构建方法如下：

（2）根据案件视频分析结果，案例过程中包含3个事件，各事件包含所属案件、事件名称、事件类型、事件行为、事件目的、事件结果等属性。

第一个事件节点构建命令如下：

该事件的客体节点构建命令如下：

其中，`file`属性表示该监控视频对应的视频文件名称。

建立事件节点n与客体节点m间的关联关系：

此外，事件客体节点还可以与事件环境中其他实体节点建立关联关系。

以类似方式继续构建第二和第三个事件节点：

建立案例节点与各事件节点关系：

构建案例如图2所示。

图2 视频侦查案例

5.2 案例信息查询

以案例1为例，说明案例信息的查询方法。

（1）查询案例1的所有属性信息，输入“match （n：案例） return properties（n）；”，获得查询结果如下：

（2）查询案例1中事件网络，输入“match（n：案例） match （n）-[r]-（m） return m；”，获得查询结果如图3所示。

图3 视频侦查事件网络

查询结果呈现了案例中多个事件间的关联关系。

（3）查询与事件1相关的节点及事件1的属性，首先输入“match （n：事件 {name：`事件1`}） match （n）-[r]-＞（m） return n，r，m；”，获得查询结果如图4所示。

图4 视频侦查事件相关网络

输入“match （n：事件 {name：'事件1'}） return properties（n）；”，获得事件1的属性如下：

该查询结果说明，事件1为与办案人相关事件，其行为内容为“查看封闭区域视频”，目的是“筛选犯罪嫌疑人集合”，该事件获得的结果是发现犯罪嫌疑人及其特征。

5.3 事理图谱构建及操作

5.3.1 事理图谱构建

采用Pycharm作为编辑器，安装py2neo库实现python和Neo4j数据库的对接，并依据3.2节中视频侦查案例事理图谱构建方法编写python程序，完成事理图谱的自动构建。基于本文实验数据源构建的事理图谱如图5所示。

图5 视频侦查事理图谱

该事理图谱中，字母表示各泛化事件，可事先建立字母与泛化事件类型的对应关系，形成泛化事件字典，支持泛化事件的简化表示。对于具有相同行为、不同目的，或同类行为、相同目的泛化事件，采用相同字母、不同编号表示，对于在同一案例中重复的泛化事件，在字母编号后增加”-2”后续。随着案例的不断增加，事理图谱中包含的节点、关系将得到扩充，节点和关系的概率属性值也会不断更新，并逐步提高准确度。

5.3.2 事理图谱应用

事理图谱使用泛化事件节点表征视频侦查案件中办案机关采用的侦查手段、犯罪分子采用的伪装手段等知识，并利用概率属性表征该手段的常见度或重要性。在视频侦查培训教学中，如点击事理图谱中E2节点可获得如下信息：

该结果显示，泛化事件行为为“查看建筑内部视频”，其目的是“确定嫌疑人行踪”，该事件在案例集合中的出现概率为4.1%。经与其他事件的出现概率横向比较可知，该泛化事件属于较为重要事件，应关注学习。用户从泛化事件中获得事件行为、事件目的等属性值后，还可以此为检索词，从案例库中查询获得该泛化事件对应的具体事件，确定该事件行为的实施环境，完成对视频侦查案例知识的学习。

事理图谱使用泛化事件节点间关系表征视频侦查案件基于办案人、犯罪嫌疑人的行为模式的过程演化模式，并利用关系的概率属性表征模式中各阶段间的转化概率。可根据泛化事件间的关系，以及关系对应的概率属性，推测下一步可能采取的侦查手段或可能面对的犯罪嫌疑人的隐藏方式，从而为视频侦查办案提供思路。

在视频侦查案件办理过程中，假设当前所处的阶段为“查看犯罪嫌疑人来路沿线的视频”，通过查询泛化事件字典，确定对应的泛化事件为D1，以本文事理图谱为例，输入“match （n：`泛化事件` {name：'D1'}） match（n）-[r]-＞（m）return n，r，m”，得到如图6结果。

图6中显示，D1与L、N、A2等事件间均具有“顺承”关系，说明在案件后续，采用上述事件中的视频侦查方法均可能有效。以D1与C2间“顺承”关系为例，点击可得到如下信息：

图6 视频侦查事理图谱应用

该结果说明，在已有案例中，办案方在执行D1事件后，有12.5%的概率执行C2事件，可继续查询C1的具体内容，并根据实际情况，选择下一步方案。

6 结语

本文研究如何构建视频侦查案例库，使其支持对已有案例的结构化记录，并通过知识提炼，支持视频侦查办案过程中的辅助决策及辅助公安培训教学等应用功能。构建方法上，提出基于知识元网络的事件表示模型，及基于事件网络的案例表示模型。采用事理图谱表征案例中蕴含的统计型知识，结合公安实战领域知识，设计泛化事件及事件间关系的构建方法。利用Neo4j图数据库，完成案例库的构建及各类应用操作。下一步工作重点是：深入公安实战机关收集典型视频侦查视频文件，结合专家知识，构建视频侦查案例，提高案例库知识内容的全面性和完整性。此外，构建具有图形界面操作功能的视频侦查案例库软件，加强案例编辑、检索的便利性，使其更适用于实战。