一種煤礦頂板災(zāi)害防治知識圖譜構(gòu)建方法

摘要：目前煤礦頂板災(zāi)害防治措施決策及事故原因分析等過程主要依賴人工經(jīng)驗(yàn)，智能化水平較低。頂板災(zāi)害防治知識圖譜可整合頂板災(zāi)害防治知識和經(jīng)驗(yàn)，輔助頂板災(zāi)害事故原因分析和頂板災(zāi)害防治措施決策。提出了一種煤礦頂板災(zāi)害防治知識圖譜構(gòu)建方法。采用本體方法完成煤礦頂板災(zāi)害防治知識建模，將頂板災(zāi)害防治領(lǐng)域的概念分為礦井地質(zhì)類、開采技術(shù)類、防治措施類和事故表征類，將概念之間的關(guān)系定義為使用、引發(fā)、易發(fā)、治理、預(yù)防和適用，為煤礦頂板災(zāi)害防治知識抽取（實(shí)體抽取和關(guān)系抽取）奠定基礎(chǔ)；結(jié)合煤礦頂板災(zāi)害防治領(lǐng)域文本存在大量嵌套實(shí)體和關(guān)系之間存在實(shí)體重疊的特點(diǎn)，確定了基于跨度的實(shí)體抽取方法和基于依存句法樹引導(dǎo)實(shí)體表示的關(guān)系抽取方法；構(gòu)建了頂板災(zāi)害防治領(lǐng)域語料庫，采用Neo4j 圖數(shù)據(jù)庫存儲數(shù)據(jù)，為頂板災(zāi)害防治知識圖譜的應(yīng)用提供數(shù)據(jù)來源支撐；展示了煤礦頂板災(zāi)害防治知識圖譜局部構(gòu)建結(jié)果，說明該知識圖譜可輔助頂板災(zāi)害事故原因分析和防治措施決策，從而提高頂板管理的智能化水平；指出基于該知識圖譜，結(jié)合自然語言處理和知識推理等技術(shù)，可實(shí)現(xiàn)頂板管理知識問答。

關(guān)鍵詞：煤礦頂板管理；頂板災(zāi)害防治；知識圖譜；本體；知識抽取；知識建模

中圖分類號：TD326/67 文獻(xiàn)標(biāo)志碼：A

0 引言

長期以來，頂板事故占我國煤礦各類事故危害之首[1-4]。頂板災(zāi)害防治對保障煤礦安全生產(chǎn)具有重要意義。近年來，隨著大數(shù)據(jù)和人工智能技術(shù)的發(fā)展，有關(guān)頂板災(zāi)害監(jiān)測和預(yù)警方法的研究層出不窮[4-7]。然而，對于預(yù)警產(chǎn)生后的防治措施決策及災(zāi)害發(fā)生后的事故原因分析等，目前仍主要依賴人工方式，智能化水平較低，限制了頂板災(zāi)害防治能力的進(jìn)一步提升。造成上述問題的重要原因之一在于目前缺乏可供智能決策系統(tǒng)使用的頂板災(zāi)害防治領(lǐng)域知識圖譜。因此，煤礦頂板災(zāi)害防治知識圖譜的構(gòu)建需求十分迫切。

知識圖譜是人工智能領(lǐng)域認(rèn)知智能的前沿技術(shù)方向，用于描述客觀世界的實(shí)體及其相互間的關(guān)系[8-9]。目前，知識圖譜技術(shù)已被引入多種行業(yè)領(lǐng)域[10-12]。劉鵬等[13]將知識圖譜技術(shù)初步引入煤礦安全領(lǐng)域，構(gòu)建了煤礦安全知識圖譜，并基于該知識圖譜提出了一種自然語言知識查詢方法，為煤礦安全知識圖譜構(gòu)建及智能查詢做了初步有益探索。曹現(xiàn)剛等[14]構(gòu)建了煤礦裝備維護(hù)知識圖譜，探討了其在智能語義搜索、智能問答及可視化決策支持等方面的應(yīng)用，為煤礦裝備智能化動態(tài)管理的實(shí)現(xiàn)提供了有力支持。蔡安江等[15]構(gòu)建了煤礦綜采設(shè)備故障知識圖譜，為大規(guī)模、多域綜采設(shè)備故障數(shù)據(jù)的有效分析、管理及應(yīng)用提供支持。

煤礦頂板災(zāi)害防治知識圖譜可以整合頂板災(zāi)害防治知識和經(jīng)驗(yàn)，輔助頂板災(zāi)害事故原因分析和頂板災(zāi)害防治措施決策，提升煤礦頂板管理水平，促進(jìn)煤礦安全生產(chǎn)。目前尚沒有相關(guān)研究。對此，本文提出煤礦頂板災(zāi)害防治知識圖譜構(gòu)建方法。

1 煤礦頂板災(zāi)害防治領(lǐng)域知識建模

本文采用本體方法進(jìn)行煤礦頂板災(zāi)害防治知識建模。本體是特定領(lǐng)域中一系列概念及其相互之間關(guān)系的形式化表達(dá)[16]。概念是實(shí)體的抽象表示，用于表示實(shí)體的類型。頂板災(zāi)害防治知識建模的任務(wù)是明確該領(lǐng)域的概念分類和關(guān)系類型，從而確定知識圖譜中包括哪些實(shí)體類型和實(shí)體對關(guān)系類型，為知識抽取奠定基礎(chǔ)。

1.1 煤礦頂板災(zāi)害防治領(lǐng)域的概念分類

本文將煤礦頂板災(zāi)害防治領(lǐng)域的概念分為礦井地質(zhì)類、開采技術(shù)類、防治措施類和事故表征類，如圖1 所示。礦井地質(zhì)是造成頂板災(zāi)害的自然條件，開采活動是誘發(fā)頂板災(zāi)害的直接因素，防治措施是防范、應(yīng)對、治理頂板災(zāi)害的技術(shù)和手段，事故是防治措施不力導(dǎo)致災(zāi)害發(fā)生的后果。礦井地質(zhì)類可分為煤層形成與賦存特征和礦井地質(zhì)構(gòu)造2 個(gè)子類，開采技術(shù)類可分為開采方法與工藝和巷道圍巖控制2 個(gè)子類，防治措施類可分為災(zāi)前預(yù)防措施、災(zāi)中處理措施和災(zāi)后恢復(fù)措施3 個(gè)子類，事故表征類可分為局部冒頂和大面積冒頂2 個(gè)子類。

1.2 煤礦頂板災(zāi)害防治領(lǐng)域的關(guān)系類型

本文將煤礦頂板災(zāi)害防治概念之間的關(guān)系定義為使用、引發(fā)、易發(fā)、治理、預(yù)防和適用，關(guān)聯(lián)礦井地質(zhì)類、開采技術(shù)類、防治措施類和事故表征類概念，如圖2 所示。以煤礦頂板災(zāi)害防治領(lǐng)域文本“由于巷道頂板為粉砂質(zhì)泥巖，該種巖石容易出現(xiàn)風(fēng)化現(xiàn)象，同時(shí)由于該種巖石具有碎脹系數(shù)較大的特征，在掘進(jìn)期間巷道易出現(xiàn)離層冒落的現(xiàn)象”為例，“粉砂質(zhì)泥巖”屬于礦井地質(zhì)類，“離層冒落”屬于事故表征類，二者存在易發(fā)關(guān)系。

2 煤礦頂板災(zāi)害防治領(lǐng)域知識抽取

煤礦頂板災(zāi)害防治領(lǐng)域知識抽取主要是從非結(jié)構(gòu)化文本中抽取出實(shí)體并確定實(shí)體的概念類型[17-18]，以及抽取出實(shí)體對的關(guān)系并確定實(shí)體對關(guān)系的類型[19-20]。利用兩部分抽取結(jié)果，可以構(gòu)建煤礦頂板災(zāi)害防治領(lǐng)域知識圖譜，包括實(shí)體集合和實(shí)體對關(guān)系集合。其中，每個(gè)實(shí)體對關(guān)系用lt;頭實(shí)體、關(guān)系類型、尾實(shí)體gt;三元組形式表達(dá)。

2.1 實(shí)體抽取

煤礦頂板災(zāi)害防治領(lǐng)域文本存在大量嵌套實(shí)體，如實(shí)體“特厚煤層綜放開采”中嵌套了另一個(gè)實(shí)體“綜放開采”。由于部分實(shí)體存在結(jié)構(gòu)嵌套，在標(biāo)注時(shí)會存在一字多標(biāo)簽現(xiàn)象。傳統(tǒng)基于序列標(biāo)注的實(shí)體抽取方法[21-22]將實(shí)體抽取問題轉(zhuǎn)換為字的分類問題，只對1 個(gè)字標(biāo)記1 個(gè)標(biāo)簽（某實(shí)體類型的開始字、某實(shí)體類型的內(nèi)部字或非實(shí)體字），無法解決嵌套實(shí)體抽取的問題。基于跨度的方法[23-26]沒有將實(shí)體抽取問題轉(zhuǎn)換為字的分類問題，而是轉(zhuǎn)換為文本串的分類問題，任一長度的文本串對應(yīng)1 個(gè)標(biāo)簽（某實(shí)體類型或非實(shí)體） ，可以有效解決嵌套實(shí)體抽取問題。

本文采用基于跨度的方法進(jìn)行嵌套實(shí)體抽取[23]。該方法主要包括2 個(gè)步驟：① 篩選出可能構(gòu)成實(shí)體的文本串，排除不可能構(gòu)成實(shí)體的文本串。② 對可能構(gòu)成實(shí)體的文本串進(jìn)行分類，以確定最終構(gòu)成實(shí)體的文本串的實(shí)體類型，同時(shí)排除最終不構(gòu)成實(shí)體的文本串。

步驟①篩選可能構(gòu)成實(shí)體的文本串時(shí)需識別出文本串的邊界。基于跨度的方法采用BILSTM（Bidirectional Long Short-Term Memory，雙向長短時(shí)記憶）網(wǎng)絡(luò)確定可能構(gòu)成實(shí)體的文本串的邊界，算法偽代碼如下。輸入句子s = fc1; c2; ……; cng ci為句子中第個(gè)字，i=1，2，···，n，n 為句子長度。首先，將句子中的每個(gè)字經(jīng)過嵌入層后輸入BILSTM 編碼層進(jìn)行特征提取，輸出具備上下文信息的每個(gè)隱藏字向量。然后，使用分類器識別每個(gè)字是否為可能構(gòu)成實(shí)體的文本串的開始位置（標(biāo)簽記為B）或結(jié)束位置（標(biāo)簽記為E）。最后，句子中任一標(biāo)簽為B 的位置和該位置之后任一標(biāo)簽為E 的位置之間的連續(xù)隱藏字向量即為可能構(gòu)成實(shí)體的文本串。在該步驟下，識別所舉示例可能構(gòu)成的實(shí)體為“特厚煤層”、“綜放開采”、“開采”和“特厚煤層綜放開采”。

步驟②對篩選出的文本串進(jìn)行分類的算法偽代碼如下。首先，通過平均池化得到可能構(gòu)成實(shí)體的文本串的表示。然后，將該表示輸入激活層和線性層。最后，采用softmax 分類器進(jìn)行分類，以最終確定實(shí)體類型或認(rèn)定為非實(shí)體。在該步驟下，識別所舉示例的實(shí)體為“特厚煤層”（實(shí)體類型為礦井地質(zhì)類）、“綜放開采”（實(shí)體類型為開采技術(shù)類）和“特厚煤層綜放開采”（實(shí)體類型為開采技術(shù)類），非實(shí)體為“開采”。

2.2 關(guān)系抽取

煤礦頂板災(zāi)害防治領(lǐng)域文本中關(guān)系之間存在實(shí)體重疊，如文本“為了預(yù)防末采貫通期間發(fā)生冒頂事故，確保頂板安全，采取了多種預(yù)防性措施，主要包括預(yù)注馬麗散材料加固煤體、合理確定掛網(wǎng)位置、縮短掛網(wǎng)時(shí)間、加強(qiáng)末采期間質(zhì)量管理等一系列技術(shù)措施”中，“冒頂事故”與“預(yù)注馬麗散材料加固煤體” 、“合理確定掛網(wǎng)位置” 、“縮短掛網(wǎng)時(shí)間”和“加強(qiáng)末采期間質(zhì)量管理”均存在預(yù)防關(guān)系，出現(xiàn)了實(shí)體重疊。

傳統(tǒng)關(guān)系抽取方法[27]將關(guān)系抽取問題轉(zhuǎn)換為字的分類問題，只對每個(gè)字標(biāo)記1 個(gè)標(biāo)簽（某關(guān)系類型的頭實(shí)體開始位置、某關(guān)系類型的尾實(shí)體開始位置、某關(guān)系類型的頭實(shí)體結(jié)束位置、某關(guān)系類型的尾實(shí)體結(jié)束位置或其他位置），這意味著每個(gè)實(shí)體只能參與1 個(gè)實(shí)體對關(guān)系。當(dāng)關(guān)系之間存在實(shí)體重疊時(shí)，重疊的實(shí)體需要參與多個(gè)實(shí)體對關(guān)系，字的標(biāo)簽不唯一，因此傳統(tǒng)方法不適用。

本文采用依存句法樹引導(dǎo)的實(shí)體表示方法進(jìn)行關(guān)系抽取。該方法主要包括3 個(gè)步驟：① 將句子中實(shí)體識別階段識別的任意2 個(gè)實(shí)體構(gòu)成實(shí)體對，并基于依存句法樹引導(dǎo)完成實(shí)體表示。② 為每一種類型的關(guān)系獨(dú)立訓(xùn)練1 個(gè)分類器[28]，對所輸入的實(shí)體對是否存在該種關(guān)系進(jìn)行判別。③ 獲得所有實(shí)體對間存在的各種關(guān)系類型相關(guān)的三元組。為了提高關(guān)系抽取的效率，可以基于關(guān)系之間的一致性約束模型對不必要實(shí)體對和不必要關(guān)系類型進(jìn)行剪枝，減少步驟①和步驟②操作的計(jì)算量。

關(guān)系抽取算法偽代碼如下。步驟①構(gòu)成實(shí)體對并采用依存句法樹引導(dǎo)實(shí)體表示中，輸入句子s = [c1;c2; ……; cng]。首先，將實(shí)體識別階段的任意2 個(gè)實(shí)體構(gòu)成實(shí)體對。然后，使用依存句法工具解析該句子中詞與詞之間的依存句法關(guān)系。最后，基于該依存句法關(guān)系引導(dǎo)完成實(shí)體的向量表示。在該步驟下，識別所舉示例構(gòu)成的實(shí)體對包含“冒頂事故”和“預(yù)注馬麗散材料加固煤體”、“冒頂事故”和“合理確定掛網(wǎng)位置”等。在步驟②判別實(shí)體對時(shí)，如果實(shí)體對之間存在預(yù)先定義的某種關(guān)系類型，則完成步驟③輸出三元組。通過關(guān)系抽取算法，識別所舉示例生成的三元組包含lt;預(yù)注馬麗散材料加固煤體，預(yù)防，冒頂事故gt;和lt;合理確定掛網(wǎng)位置，預(yù)防，冒頂事故gt;等，其中“冒頂事故”是重疊實(shí)體。

3 煤礦頂板災(zāi)害防治領(lǐng)域語料庫構(gòu)建與知識存儲

3.1 煤礦頂板災(zāi)害防治領(lǐng)域語料庫構(gòu)建

本文構(gòu)建的煤礦頂板災(zāi)害防治領(lǐng)域語料庫包括數(shù)據(jù)收集和數(shù)據(jù)標(biāo)注2 個(gè)步驟。收集的數(shù)據(jù)主要來源于2 個(gè)方面：① 從煤礦安全生產(chǎn)網(wǎng)、百度百科等網(wǎng)站爬取的有關(guān)煤礦頂板災(zāi)害防治數(shù)據(jù)；② 從文獻(xiàn)數(shù)據(jù)庫下載的煤礦頂板災(zāi)害防治相關(guān)文獻(xiàn)。這些數(shù)據(jù)經(jīng)過預(yù)處理，保留礦井地質(zhì)類、開采技術(shù)類、防治措施類和事故表征類信息的句子。對于實(shí)體抽取的數(shù)據(jù)標(biāo)注，按照圖1 的概念分類，采用BIO 標(biāo)注方案[29]對句子中的每個(gè)字標(biāo)注標(biāo)簽。針對煤礦頂板災(zāi)害防治領(lǐng)域存在的嵌套實(shí)體，從內(nèi)部實(shí)體到外部實(shí)體（或從外部實(shí)體到內(nèi)部實(shí)體）逐層標(biāo)注。對于標(biāo)注完成的句子，使用python 代碼處理為分層結(jié)構(gòu)，每一層只標(biāo)注嵌套實(shí)體中的1 個(gè)，層數(shù)為實(shí)體嵌套的最大深度。對于關(guān)系抽取的數(shù)據(jù)標(biāo)注，在分層標(biāo)注的基礎(chǔ)上，將概念標(biāo)簽替換成圖2 的關(guān)系類型標(biāo)簽并添加可以區(qū)分頭尾實(shí)體的標(biāo)簽（1 表示頭實(shí)體，2 表示尾實(shí)體）。

3.2 煤礦頂板災(zāi)害防治領(lǐng)域知識存儲

本文采用圖數(shù)據(jù)庫[30]Neo4j 存儲抽取的煤礦頂板災(zāi)害防治領(lǐng)域知識，為該領(lǐng)域知識圖譜的應(yīng)用提供數(shù)據(jù)來源支撐。在Neo4j 圖數(shù)據(jù)庫中，節(jié)點(diǎn)表示抽取的實(shí)體，節(jié)點(diǎn)標(biāo)簽對應(yīng)圖1 中的概念分類，邊對應(yīng)圖2 中的實(shí)體對關(guān)系類型。基于Neo4j 圖數(shù)據(jù)庫，可使用其提供的Cypher 語句對圖數(shù)據(jù)庫進(jìn)行操作，如MATCH 語句查詢實(shí)體節(jié)點(diǎn)或關(guān)系。

4 煤礦頂板災(zāi)害防治知識圖譜構(gòu)建結(jié)果

基于煤礦頂板災(zāi)害防治領(lǐng)域知識建模，構(gòu)建了煤礦頂板災(zāi)害防治知識圖譜，局部如圖3 所示。其中節(jié)點(diǎn)為抽取的實(shí)體，節(jié)點(diǎn)類型（通過不同的顏色區(qū)分）為礦井地質(zhì)類、開采技術(shù)類、防治措施類和事故表征類，邊為使用、引發(fā)、易發(fā)、治理、預(yù)防和適用6 種實(shí)體對關(guān)系類型。例如，“特厚煤層”（節(jié)點(diǎn)類型為礦井地質(zhì)類）與“放頂煤采煤法”（節(jié)點(diǎn)類型為開采技術(shù)類）之間存在使用關(guān)系。

煤礦頂板災(zāi)害防治知識圖譜蘊(yùn)含礦井地質(zhì)、開采技術(shù)、防治措施和事故表征4 大類型中大量實(shí)體及其相互間的關(guān)系，沿關(guān)系路徑可以形成多條頂板災(zāi)害防治知識鏈。通過知識推理技術(shù)可以快速了解頂板災(zāi)害事故背后的隱含知識、定位頂板災(zāi)害發(fā)生的原因，輔助頂板災(zāi)害防治措施決策，提高頂板管理的智能化水平。以圖3 為例，當(dāng)煤層為特厚煤層時(shí)，工作面可以使用放頂煤采煤法，該采煤活動在巷道圍巖控制不力時(shí)可引發(fā)大面積冒頂事故，可以形成知識鏈“特厚煤層→放頂煤采煤法→大面積冒頂”；當(dāng)頂板為堅(jiān)硬頂板時(shí)，容易發(fā)生大面積冒頂事故，水力壓裂技術(shù)和深孔預(yù)裂爆破技術(shù)適用于該類型頂板，可用于預(yù)防事故的發(fā)生，可以形成知識鏈“水力壓裂技術(shù)（或深孔預(yù)裂爆破技術(shù)）→堅(jiān)硬頂板→大面積冒頂”。通過該知識鏈，可以了解在某種礦井地質(zhì)條件下進(jìn)行何種開采活動時(shí)可能引發(fā)何種災(zāi)害事故，以及針對特定巖性的頂板采取合適的預(yù)防或治理措施。

5 結(jié)論

1） 從煤礦頂板災(zāi)害防治領(lǐng)域知識建模、知識抽取和語料庫構(gòu)建與知識存儲3 個(gè)方面，研究了煤礦頂板災(zāi)害防治知識圖譜構(gòu)建方法。采用該方法構(gòu)建的知識圖譜可輔助頂板災(zāi)害事故原因分析和防治措施決策，提高煤礦頂板管理智能化水平。

2） 基于煤礦頂板災(zāi)害防治知識圖譜，可結(jié)合自然語言處理和知識推理等技術(shù)，實(shí)現(xiàn)頂板管理知識問答。用戶輸入頂板災(zāi)害防治相關(guān)問題后，通過自然語言處理技術(shù)獲取頂板災(zāi)害防治關(guān)鍵詞，并在頂板災(zāi)害防治知識圖譜中進(jìn)行多級別、深層次的關(guān)聯(lián)搜索，組織相關(guān)結(jié)果進(jìn)行輸出。這可用于頂板管理技術(shù)人員在線培訓(xùn)和學(xué)習(xí)。

3） 目前尚未研究屬性知識建模及其抽取方法。未來可以抽取頂板災(zāi)害防治屬性知識，以進(jìn)一步完善煤礦頂板災(zāi)害防治知識圖譜內(nèi)容并提升應(yīng)用效果。

參考文獻(xiàn)（References）：

[ 1 ]康紅普，張鎮(zhèn)，黃志增. 我國煤礦頂板災(zāi)害的特點(diǎn)及防

控技術(shù)[J]. 煤礦安全，2020，51（10）：24-33，38.

KANG Hongpu， ZHANG Zhen， HUANG Zhizeng.

Characteristics of roof disasters and controlling

techniques of coal mine in China[J]. Safety in Coal

Mines，2020，51（10）：24-33，38.

[ 2 ]付恩三，白潤才，劉光偉，等. “十三五”期間我國煤礦

事故特征及演變趨勢分析[J]. 中國安全科學(xué)學(xué)報(bào)，

2022，32（12）：88-94.

FU Ensan， BAI Runcai， LIU Guangwei， et al. Analysis

on characteristics and evolution trend of coal mine

accidents in our country during \"13th five-year\" plan

period[J]. China Safety Science Journal，2022，32（12）：

88-94.

[ 3 ]趙亞軍，張志男，賈廷貴. 2010—2021 年我國煤礦安全

事故分析及安全對策研究[J]. 煤炭技術(shù)， 2023，

42（8）：128-131.

ZHAO Yajun， ZHANG Zhinan， JIA Tinggui. Analysis

of coal mine safety accidents and research on safety

countermeasures in China from 2010 to 2021[J]. Coal

Technology，2023，42（8）：128-131.

[ 4 ]徐剛，黃志增，范志忠，等. 工作面頂板災(zāi)害類型、監(jiān)測

與防治技術(shù)體系[J]. 煤炭科學(xué)技術(shù)， 2021， 49（2） ：

1-11.

XU Gang， HUANG Zhizeng， FAN Zhizhong， et al.

Types，monitoring and prevention technology system of

roof disasters in mining face[J]. Coal Science and

Technology，2021，49（2）：1-11.

[ 5 ]王國法. 煤礦智能化最新技術(shù)進(jìn)展與問題探討[J]. 煤

炭科學(xué)技術(shù)，2022，50（1）：1-27.

WANG Guofa. New technological progress of coal mine

intelligence and its problems[J]. Coal Science and

Technology，2022，50（1）：1-27.

[ 6 ]秦兵文，謝福星. 采場頂板災(zāi)變機(jī)理及預(yù)警系統(tǒng)[J].

煤礦安全，2018，49（5）：124-127.

QIN Bingwen， XIE Fuxing. Disaster mechanism and

early warning system of stope roof[J]. Safety in Coal

Mines，2018，49（5）：124-127.

[ 7 ]丁震，李浩蕩，張慶華. 煤礦災(zāi)害智能預(yù)警架構(gòu)及關(guān)鍵

技術(shù)研究[J]. 工礦自動化，2023，49（4）：15-22.

DING Zhen， LI Haodang， ZHANG Qinghua. Research

on intelligent hazard early warning architecture and key

technologies for coal mine[J]. Journal of Mine

Automation，2023，49（4）：15-22.

[ 8 ]王文廣. 知識圖譜：認(rèn)知智能理論與實(shí)戰(zhàn)[M]. 北京：電

子工業(yè)出版社，2022：4-7.

WANG Wenguang. Knowledge graph： theory and

practice of cognitive intelligence[M]. Beijing：

Publishing House of Electronics Industry，2022：4-7.

[ 9 ]張吉祥，張祥森，武長旭，等. 知識圖譜構(gòu)建技術(shù)綜述

[J]. 計(jì)算機(jī)工程，2022，48（3）：23-37.

ZHANG Jixiang， ZHANG Xiangsen， WU Changxu，

et al. Survey of knowledge graph construction

techniques[J]. Computer Engineering， 2022， 48（3） ：

23-37.

[10]付雷杰，曹巖，白瑀，等. 國內(nèi)垂直領(lǐng)域知識圖譜發(fā)

展現(xiàn)狀與展望[J]. 計(jì)算機(jī)應(yīng)用研究， 2021， 38（11） ：

3201-3214.

FU Leijie，CAO Yan，BAI Yu，et al. Development status

and prospect of vertical domain knowledge graph in

China[J]. Application Research of Computers， 2021，

38（11）：3201-3214.

[11]ABU-SALIH B. Domain-specific knowledge graphs： a

survey[J]. Journal of Network and Computer

Applications， 2021， 185. DOI： 10.1016/j.jnca.2021.

103076.

[12]JI Shaoxiong， PAN Shirui， CAMBRIA E， et al. A

survey on knowledge graphs： representation，

acquisition， and applications[J]. IEEE Transactions on

Neural Networks and Learning Systems， 2021， 33（2） ：

494-514.

[13]劉鵬，葉帥，舒雅，等. 煤礦安全知識圖譜構(gòu)建及智能

查詢方法研究[J]. 中文信息學(xué)報(bào)， 2020， 34（11） ：

49-59.

LIU Peng， YE Shuai， SHU Ya， et al. Coalmine safety：

knowledge graph construction and its QA approach[J].

Journal of Chinese Information Processing， 2020，

34（11）：49-59.

[14]曹現(xiàn)剛，張夢園，雷卓，等. 煤礦裝備維護(hù)知識圖譜構(gòu)

建及應(yīng)用[J]. 工礦自動化，2021，47（3）：41-45.

CAO Xiangang， ZHANG Mengyuan， LEI Zhuo， et al.

Construction and application of knowledge graph for

coal mine equipment maintenance[J]. Industry and Mine

Automation，2021，47（3）：41-45.

[15]蔡安江，張妍，任志剛. 煤礦綜采設(shè)備故障知識圖譜構(gòu)

建[J]. 工礦自動化，2023，49（5）：46-51.

CAI Anjiang， ZHANG Yan， REN Zhigang. Fault

knowledge graph construction for coal mine fully

mechanized mining equipment[J]. Journal of Mine

Automation，2023，49（5）：46-51.

[16]陳德彥，趙宏，張霞. 專家視圖與本體視圖的語義映射

方法[J]. 軟件學(xué)報(bào)，2020，31（9）：2855-2882.

CEN Deyan， ZHAO Hong， ZHANG Xia. Semantic

mapping methods between expert view and ontology

view[J]. Journal of Software，2020，31（9）：2855-2882.

[17]吳炳潮，鄧成龍，關(guān)貝，等. 動態(tài)遷移實(shí)體塊信息的跨

領(lǐng)域中文實(shí)體識別模型[J]. 軟件學(xué)報(bào)，2022，33（10）：

3776-3792.

WU Bingchao， DENG Chenglong， GUAN Bei， et al.

Dynamically transfer entity span information for crossdomain

Chinese named entity recognition[J]. Journal of

Software，2022，33（10）：3776-3792.

[18]WANG Yu，TONG Hanghang，ZHU Ziye，et al. Nested

named entity recognition： a survey[J]. ACM

Transactions on Knowledge Discovery from Data，

2022，16（6）：1-29.

[19]寧尚明，滕飛，李天瑞. 基于多通道自注意力機(jī)制的電

子病歷實(shí)體關(guān)系抽取[J]. 計(jì)算機(jī)學(xué)報(bào)，2020，43（5）：

916-929.

NING Shangming，TENG Fei，LI Tianrui. Multi-channel

self-attention mechanism for relation extraction in

clinical records[J]. Chinese Journal of Computers，

2020，43（5）：916-929.

[20]鄂海紅，張文靜，肖思琪，等. 深度學(xué)習(xí)實(shí)體關(guān)系抽取

研究綜述[J]. 軟件學(xué)報(bào)，2019，30（6）：1793-1818.

E Haihong，ZHANG Wenjing，XIAO Siqi，et al. Survey

of entity relationship extraction based on deep

learning[J]. Journal of Software， 2019， 30（6） ：

1793-1818.

[21]ZHU Huiming， HE Chunhui， FANG Yang， et al. Fine

grained named entity recognition via seq2seq

framework[J]. IEEE Access，2020，8：53953-53961.

[22]YANG Dongying， LIAN Tao， ZHENG Wen， et al.

Enriching word information representation for Chinese

cybersecurity named entity recognition[J]. Neural

Processing Letters，2023，55（6）：7689-7707.

[23]ZHENG Changmeng， CAI Yi， XU Jingyun， et al. A

boundary-aware neural model for nested named entity

recognition[C]. Conference on Empirical Methods in

Natural Language Processing and the 9th International

Joint Conference on Natural Language Processing，Hong

Kong，2019：357-366.

[24]TAN Chuanqi，QIU Wei，CHEN Mosha，et al. Boundary

enhanced neural span classification for nested named

entity recognition[C]. The AAAI Conference on

Artificial Intelligence，New York，2020：9016-9023.

[25]LI Fei，WANG Zheng，HUI Siucheung，et al. A segment

enhanced span-based model for nested named entity

recognition[J]. Neurocomputing，2021，465：26-37.

[26]TANG Ruixue， CHEN Yanping， QIN Yongbin， et al.

Boundary regression model for joint entity and relation

extraction[J]. Expert Systems with Applications， 2023，

229. DOI：10.1016/J.ESWA.2023.120441.

[27]ZHENG Suncong， WANG Feng， BAO Hongyun， et al.

Joint extraction of entities and relations based on a novel

tagging scheme[C]. The 55th Annual Meeting of the

Association for Computational Linguistics， Vancouver，

2017：1227-1236.

[28]WEI Zhepei， SU Jianlin， WANG Yue， et al. A novel

cascade binary tagging framework for relational triple

extraction[C]. The 58th Annual Meeting of the

Association for Computational Linguistics， Tokyo，

2020：1476-1488.

[29]SHEIKHAEI M S，ZAFARI H，TIAN Yuan. Joined type

length encoding for nested named entity recognition[J].

Transactions on Asian and Low-Resource Language

Information Processing，2021，21（3）：1-23.

[30]田玲，張謹(jǐn)川，張晉豪，等. 知識圖譜綜述——表示、構(gòu)

建、推理與知識超圖理論[J]. 計(jì)算機(jī)應(yīng)用， 2021，

41（8）：2161-2186.

TIAN Ling， ZHANG Jinchuan， ZHANG Jinhao， et al.

Knowledge graph survey： representation， construction，

reasoning and knowledge hypergraph theory[J]. Journal

of Computer Applications，2021，41（8）：2161-2186.