Page 39 - 2023年第54卷第6期

混合知识表示方法，集成非结构化、半结构化、结构化知识，开发应急知识系统，提供自然灾害应急
辅助决策；Ｌｉｕ等 ［１３］ 提出地质灾害应急响应的知识概念模型，在突发事件发生时能够智能获取并提供
所需要的应急知识，实现快速应急响应；Ｎｉ等 ［１４］ 构建应急预案知识系统，为应急响应提供可靠信息；
Ｙａｎｇ等 ［１５］ 构建知识共现网络，分析了突发公共卫生事件应急管理的重要性。知识图谱作为一种语义
网络拥有极强的知识组织与表达能力，目前主要应用于自然灾害、地质灾害、公共卫生等特定应急管
理领域，虽然在水利领域已有初步应用 ［１６ － １７］ ，但在水利应急管理中尚未应用。
为提高水利工程应急处置与管理的智能化水平，本文创建一种水利工程应急方案智能生成模式。
以南水北调中线工程为例，提出应急方案知识图谱本体模型，设计应急方案模板，结合不同水利工程
文本特点，采用与之适应的知识图谱和机器学习技术，构建南水北调中线工程应急方案领域知识图
谱，结合图谱检索与推理技术实现应急方案的智能生成。

２ 相关技术方法

２．１ 知识图谱构建过程 知识图谱构建过程一般包括知识建模 ［１８］ 、抽取 ［１９ － ２０］ 、融合 ［２１］ 、存储 ［２２ － ２３］
四个阶段。知识建模即建立知识图谱的概念模式，是知识图谱的核心，主要有自顶向下和自底向上两
种构建方式。知识抽取是从数据源中抽取实体、关系、属性。知识融合是整合不同数据源中的信息，
得到规范统一的描述。知识存储将融合的实体、关系、属性存入图数据库，便于下游应用。
２．２ 基于 ＢＥＲＴ ＋ ＢｉＬＳＴＭ＋ ＣＲＦ的实体识别模型 实体识别方法主要包含基于词典规则的方法 ［２４］ 、
传统机器学习方法 ［２５］ 以及基于深度学习的方法 ［２６］ 。基于词典规则的实体识别模型识别速度快、准确
率高，但受限于词典规则、通用性不强，适用于小规模并且形式单一的数据，并且无法解决多词同义
问题。传统的单一机器学习模型准确率较低，难以在水利工程领域实际应用。本文基于 ２０１９年 Ｄｅｖｌｉｎ
提出的深度学习模型 ＢＥＲＴ ［２７］ ，ＢＥＲＴ模型预训练于 Ｇｏｏｇｌｅ的大规模通用中文语料库，通用语义信息
获取能力强，但水利领域语义信息获取效果差，而 ＢｉＬＳＴＭ＋ ＣＲＦ模型只需在较小量级的水利标注数据
内训练，即可获得水利领域语义信息。本文将两者结合，构建 ＢＥＲＴ ＋ ＢｉｌＳＴＭ＋ ＣＲＦ模型识别险情文本
实体，通过微调训练，既能有效避免大量标注数据，又能获得较高的实体识别准确率。
２．３ 实体对齐技术 实体对齐一般通过计算两个实体的相似度来完成。传统实体相似度计算主要基于
Ｊａｃｃａｒｄ算法 ［２８］ ，准确率高但召回率低，并且词语缺乏语义信息。目前常用的实体相似度计算方法有
三种：其一是基于词典或某种分类体系，常见词典有 Ｈｏｗｎｅｔ、Ｗｏｒｄｎｅｔ和同义词词林，这三种词典的
构造方法互不相同，但都局限于通用领域，难以解决水利巡检文本面临的专业领域性强以及大量同义
词现象；其二为基于上下文向量空间的统计方法，以 Ｇｏｏｇｌｅ的 Ｗｏｒｄ２Ｖｅｃ词语向量化工具为代表，将
词语映射到空间向量，通过计算向量距离来衡量相似度；最后一种是基于深度学习的方法，但其所需
语料库庞大，计算量与成本过高。本文设计基于 Ｗｏｒｄ２Ｖｅｃ模型 ［２９］ 的 Ｊａｃｃａｒｄ实体相似度算法，融合
巡检文本中的多类实体特征，实现实体对齐。
２．４ 图谱推理技术 图谱推理中的规则推理亦称为本体逻辑的演绎推理，包含建立规则与做出推理两
部分，其可解释性强并且推理精度高。例如建立二跳推理规则 〈风险事件，对应控制措施，控制措施〉
〈控制措施，包含设备，设备〉推出为 〈风险事件，所需抢险设备，设备〉 并写入 ｃｑｌ查询语句中，即可
实现由图谱中存在的两个三元组 〈管涌，对应控制措施，在涌水口采用……〉 〈在涌水口采用……，包
含设备，编织袋砂石等……〉，推出一个未知三元组 〈管涌，所需抢险设备，编织袋砂石等……〉。

３ 南水北调中线工程应急方案知识图谱构建

南水北调应急方案均为非结构化和半结构化文本，知识关联性弱，查询检索效率低，难以智能化
应用。为解决这些问题，需要构建南水北调中线工程应急方案领域知识图谱。领域知识图谱构建流程
如图 １。

— ６ ６ ７ —