Page 71 - 2021年第52卷第8期

种要素无观测数据时，可根据该原理进行推求；各要素间也可以通过规律、方法发生关联，如根据
地区人口、产值与地区用水量相关的规律，可将人口、产值与用水量等概念联系起来。
在涉水对象与水利学科知识之间存在事实类和认知类知识的关联。基于学科知识的领域分类，
可以建立涉水对象的所属学科领域关系，如对于工程对象中大坝的实例（如“三峡大坝”），可以与水
资源管理领域中的词条“坝”建立关联，基于此方法可构建涉水对象与学科知识间的对应关系。同时
为实现水利综合知识的构建，还需解决多源异构水利数据间的融合问题，主要包括水利实体的融
合、属性的融合及重名实体的消歧等。如多种数据同时描述了某个流域的水资源量信息，需通过属
性融合来判断各数据来源的可信度，得到该流域合理的、可信度最高的水资源量数据。通过对多源
异构水利数据的融合，使水网图谱和学科图谱有机融合，从而构建出水利综合知识图谱。

3 水利知识图谱构建

3.1 水利综合知识图谱构建框架 知识图谱可分为面向全领域的通用图谱（如 WorldNet、FreeBase 等）
及面向各学科领域的垂直图谱（或行业图谱）两类。面向水利学科领域的知识图谱应属于垂直知识图
谱，具有较强的领域特色，在数据采集上同时融合结构化的行业监测数据和非结构化、半结构化的
百科数据、互联网数据等。本文基于水利专业知识定义各类水利对象与学科知识间的关系体系（图
1），以结构化的高质量水利行业数据为基础抽取水利实体对象，并在此基础上从数据层、技术层和
应用层等角度提出水利综合知识图谱构建方案（图 2），主要内容包括：
（1）数据层：对源数据进行采集和分类处理，包括结构化的水利行业关系型数据库导出数据、半
结构化的网页数据、非结构化的文本数据等，作为水利实体和关系抽取的数据基础。
（2）技术层：通过自然言语处理、机器学习等技术从文本数据或图像数据中抽取相关实体，并将
抽取的实体按照自然对象、工程对象和社会对象的维度进行划分，通过预定义的水网实体关系模
型，抽取不同实体间的关系；基于水利学科分类及词条概念间的关系进行百科图谱的构建；在此基
础上进行多源实体及跨域图谱的融合，包括本体对齐、以多源实体为基础的语义关联及属性合并、
水利知识模型的综合等内容；最终将图谱表示成结构化形式并使用图数据库存储，本研究采用图数

图 2 水利专业知识图谱构建方案

— 951 —