Page 92 - 2024年第55卷第1期

（２） “水文要素” “评价指标” “计算时段类型” 这三类实体的性能提升相对较小。这可能是由于
这些类别在初始训练集中已经有较多的样本进行学习，且其语义特征较为明显，增量训练带来的影响
不大，或者说模型已经趋于这些类别的性能上限；而对于 “水文站点” 和 “水文模型” 这两类实体，
增量训练带来了较大的性能提升。究其原因，或许原训练集中这两类实体的样本数量相对较少，加之
其特征复杂，导致 ＢＥＲＴ模型在识别这两类实体时的性能未能得到充分的发挥。在新增的 ３２６篇文档
中，这两类实体的出现频率得到了提升，使模型有更多的机会去学习和理解这些实体，进而提高了对
这两类实体的识别性能。在细化的角度上，原训练集的数据可能未能涵盖这两类实体的全部特性，而
新增的训练数据则为模型展示了更全面的实体特征和语境信息，更丰富的数据表现形式有利于模型更
好地掌握并识别这两类实体。
（ ３）与多策略结合的方法相比，尽管 ＢＥＲＴ模型在增量训练后的性能有所提升，但在所有的实体
类型中，多策略结合的方法仍然表现更好。这是因为多策略结合方法融合了不同方法的优点，对复杂
的语言环境和各种类型的实体有更强的处理能力。针对具体的应用场景和需求，可以选择性地结合多
种策略，以进一步提升实体抽取的精度和鲁棒性，多策略的方法扩宽了实体抽取模型的应用潜力和
前景 ［２９］ 。
４．３ 图谱可视化 本文使用 ＥＣｈａｒｔｓ可视化 ｎｅｏ４ｊ数据。ＥＣｈａｒｔｓ是一款基于 Ｊａｖａｓｃｒｉｐｔ的数据可视化图
表库，提供直观、生动、可交互、可个性化定制的数据可视化图表。图 ６示例了以辽河流域为中心的
图谱可视化效果，可了解到相关的水文模型、研究者及所在机构等对象，所属流域、模拟区域、继承
于等关系。如想进一步了解相关模型区域的模拟情况，可以继续通过双击目标实体扩展查询，并链接
到水网图谱或学科知识图谱，展示其相关实体关系。

图 ６ 图谱可视化示例

４．４ 知识检索 将本研究构建的水文模型知识图谱集成至 “水利专业知识服务系统” 在线平台，在
系统检索栏中可进行水文模型相关知识的检索。
（ １）对模型实体的检索查询。针对模型实体进行检索查询。例如以 “ＶＩＣ模型” 为检索词，查询
结果如图 ７所示。表 ６为部分检索结果示例。查询结果表明 ＶＩＣ模型在黑河、黄河、滦河、珠江、漳
河以及柳江等流域均有应用。在黄河流域的兰州站断面模拟情况较为突出，效率系数在 ０．８６以上，相
对误差为 ０．０５。知识检索内容与知网检索文献中的实体关系相对应，能够帮助用户更快速的了解目标

— ８ ７ —