Page 68 - 2021年第52卷第8期

水 利 学 报

2021 年 8 月 SHUILI XUEBAO 第 52 卷 第 8 期

文章编号：0559-9350（2021）08-0948-11

水利综合知识图谱构建研究

段 浩，韩 昆，赵红莉，蒋云钟，李 豪，毛文山
（中国水利水电科学研究院，北京 100038）

摘要：基于对水利知识特点的分析，提出了水利综合知识体系的描述方法，包括水利知识的定义、组成与关联；
构建了水利知识图谱的构建框架和关键技术体系，以水利行业结构化业务数据的实体关系转换为基础，采用双向
长 短 期 记 忆 神 经 网 络（Bi-directional Long Shot-Term Memory Neural Network， BiLSTM）与 条 件 随 机 场（Conditional
Random Fields，CRF）方法识别半结构化、非结构化学科知识文本以及互联网数据中的水利实体，使用模式匹配
和共现网络分析方法抽取各实体间关系，对涉水对象及其属性进行补充，基于风险最小化的最小风险映射模型
（Risk Minimization based Ontology Mapping，RiMOM）进行了多源异构水利实体的融合，实现了涉水对象与水利学
科知识的融合与关联，形成水利综合知识的建模和表达。在图谱构建过程中，累计抽取水利实体 136 万个，构建
实体关系 300 余万条，抽取的水利实体对象的标注准确率在 80%以上。基于该图谱可实现水利知识的跨域查询与
检索，学科图谱与水网图谱间关系查询，挖掘不同水利实体间的隐含关系，提高水利知识检索的效率和知识挖掘
发现的能力。
关键词：知识图谱；水利综合知识；水资源管理；学科知识；BiLSTM；CRF
中图分类号：TP391 文献标识码：A doi：10.13243/j.cnki.slxb.20200924

1 研究背景

［1］
知识图谱（Knowledge Graph）是一种通用语义知识形式化描述框架 ，Google 公司于 2012 年首次
提出这一概念，用于提高信息资源的搜索能力。这项技术主要是利用可视化技术描述知识资源及其
载体，挖掘、分析、构建、绘制和显示知识及它们之间的相互联系，为人们提供了一种高效地组
［2］
织、管理和分析海量数据的方法 ，从而更加便捷地获取知识。
随着社会服务智能化需求的提升，知识图谱技术正得到快速发展，按知识图谱的构建过程又可
分为知识抽取、知识融合、知识应用等内容。知识抽取是从海量数据中获取有效信息的过程，包括
［3］
对实体、关系及属性的抽取，其中实体抽取的方法主要包括基于规则 、机器学习和面向海量数据的
［4］
抽取；关系的抽取包括基于模板、监督学习和无监督学习的抽取方法 等；知识融合主要是对从多源
数据抽取的知识进行处理，可包括实体的融合及跨域图谱的融合 ［5-6］ 等。
与此同时，面向特定领域的知识图谱应用逐步发展，被用来组织、分析和挖掘领域内的知识。
起初，学者们多使用通用知识图谱技术进行专业文献的计量学分析 ［7-9］ ，以获得相关专业知识结构框
架及研究脉络，分析研究热点及未来发展方向。随后多个专业领域开展了专业知识图谱构建技术与
应用的研究，如余建明等 ［10］ 、刘津等 ［11］ 和李智星等 ［12］ 运用知识图谱技术研究了电力领域专业术语
关系以及电网企业运营指标关系，提出了电力行业的面向智能调控领域知识图谱构建方法；吴雪

收稿日期：2020-11-08；网络首发时间：2021-04-19
网络首发地址：http：/kns.cnki.net/kcms/detail/11.1882.TV.20210419.1508.001.html
/
项目资助：中国工程科技知识中心水利专业知识服务系统（CKCEST-2020-2-9）
作者简介：段浩（1989-），博士，工程师，主要从事遥感水文、水利信息化研究。E-mail：dhao@iwhr.com
通讯作者：赵红莉（1973-），教授级高级工程师，主要从事水文水资源、水利信息化及水资源遥感研究。
E-mail：zhaohl@iwhr.com
— 948 —