Page 87 - 2024年第55卷第1期

图 １ 水文模型知识图谱构建框架与流程
（２）考查可复用本体。查阅已构建的领域知识图谱或者公开的本体存储库如 ＤＢｐｅｄｉａ，以及开源社
区或项目上存在的领域本体，尚未发现水文模型领域可复用本体。
（ ３）总结重要概念与术语。依据步骤（１）确定的知识边界，分析涉及的概念及对应的专业术语，水
文模型知识体系涵盖了水利事实类术语与水利学科类术语，包括流域、水文站、自然人、科研机构等
事实类概念，以及水文模型、水文要素、评价指标等学科类概念。
（４）形成本体模型。梳理概念内容，分析概念间可能存在的关系，确定本体及本体关系。水文模
型知识图谱共包含 “水文模型” “流域” “水文站点” “计算时段” “水文要素” “文献” “自然人” 和
“机构” 八类概念，其中水文模型包括模型与父模型；共有 “任职于” “研究者” “知识来源” “继承
于” “模拟区域” “模拟时期” “计算内容” “出口站点” 和 “实测站” 九类关系。
（ ５）定义本体属性。确定本体属性，属性的取值类型等，水文要素具有评价指标属性，用于评价
模型模拟的精度，属性类型为数值型（ Ｎｕｍｂｅｒ）。
（ ６）构建知识图谱本体层。根据专家建议与相关研究者的意见反馈对知识模型进行改进，构建面
向特定应用场景的具有适用性的水文模型知识模型，完成水文模型知识图谱本体层的构建，本体关系
结构如图 ２所示。
３．２ 实体抽取 实体抽取又称命名实体识别，目的是从非结构文本中识别本体模型各类概念的实体。
本文采用以 ＢＥＲＴ预训练模型为主的多策略实体识别方法，实现面向期刊论文的实体自动抽取。
ＢＥＲＴ作为最具代表性的预训练语言表征模型，在生物医学 ［２２］ 、军事 ［２３］ 、电子病历 ［２４］ 与食品 ［２５］
等诸多领域 的 命 名 实 体 识 别 中 都 有 优 秀 表 现。ＢＥＲＴ模 型 包 括 输 入 层、嵌 入 层、双 向 Ｔｒａｎｓｆｏｒｍｅｒ、
Ｓｏｆｔｍａｘ层、输出层几部分，如图 ３所示。输入层接收原始的文本输入；嵌入层将输入文本转换为词向
量、位置向量和句向量的组合表示；双向 Ｔｒａｎｓｆｏｒｍｅｒ捕捉输入文本的上下文信息和语义关联；Ｓｏｆｔｍａｘ
层对双向 Ｔｒａｎｓｆｏｒｍｅｒ的输出进行分类，将每个位置的表示映射到不同的标签并转换为概率分布；输出
层接收 Ｓｏｆｔｍａｘ层的结果，将每个位置概率最高的标签作为模型的输出。

— ８ ２ —