Page 60 - 水利学报2025年第56卷第3期

冯均等 ［１２ － １３］ 总结了知识图谱在各垂直领域的研究现状，指明了构建水利知识图谱的重难点与研究框
架。段浩等 ［１４］ 采用双向长短时记忆网络（Ｂｉ － ｄｉｒｅｃｔｉｏｎａｌＬｏｎｇＳｈｏｒｔ － Ｔｅｒｍ Ｍｅｍｏｒｙ，Ｂｉ － ＬＳＴＭ）与条件随
机场（ ＣｏｎｄｉｔｉｏｎａｌＲａｎｄｏｍ Ｆｉｅｌｄｓ，ＣＲＦ）识别非结构化文本信息，利用模式匹配抽取实体关系，实现了
对水利综合知识的建模与表达。Ｙａｎ等 ［６］ 利用 Ｐｒｏｔéｇé工具存储模式层本体信息，采用自然语言处理
（ ＮａｔｕｒａｌＬａｎｇｕａｇｅＰｒｏｃｅｓｓｉｎｇ）技术构建了水务知识图谱，实现了基于语义距离的水务概念知识推荐。
水利行业综合知识图谱可用数据范围较大，方便训练图谱知识抽取模型，但对水利子领域知识浅尝辄
止，难以满足实际应用对知识深度的要求。
针对水利行业综合知识图谱领域知识深度不足问题，先对各子领域分别构建知识图谱，再通过图
谱融合手段构建综合图谱是一种可行策略。周逸凡等 ［１５］ 提出了多策略的知识抽取与融合方法，根据期
刊论文数据构建了水文模型知识图谱。在水利工程建设管理方面，杨阳蕊等 ［４］ 提出了基于大语言模型
（ ＬａｒｇｅＬａｎｇｕａｇｅＭｏｄｅｌ，ＬＬＭ）的实体关系提取与推理策略，利用群体智能策略提升关系推理的可靠
性，为构建知识图谱提供了新范式；沈扬等 ［１６］ 针对复杂的混凝土坝施工管理数据构建了大坝管理知识
图谱，提升了施工管理效率；刘雪梅等 ［１７］ 针对南水北调工程智能辅助决策能力不足问题，提出了基于
巡检文本的应急方案知识图谱构建方法，采用自底向上和自顶向下相融合的策略构建了图谱本体模
型，制作正则模板提取表格半结构化数据，通过构建 “关键词 ＋ 短文本” 规则的方式提取非结构化数
据，抽取文本知识建立了知识图谱，可辅助应急方案的智能生成；Ｗａｎｇ等 ［１８］ 基于预训练语言模型与
多视图卷积神经网络提升了本体知识抽取精度，进一步增强了应急方案的可靠性。
水利领域知识图谱研究推动了水利知识的组织与整合，但针对防汛抢险子领域的研究较少。防汛
抢险事关人民生命财产安全与社会和谐稳定，利用图谱整合已有抢险经验，对提升险情响应速度与应
急处置能力具有重要意义。然而，构建防汛抢险知识图谱面临挑战，一方面是防汛抢险涉及的实体类
型较多，如水利设施、险情种类、险情表现、险情级别、抢险原则、抢险位置、工程措施等，各类实
体分布差异较大，知识抽取困难；另一方面，防汛抢险领域知识散乱分布在多种载体中，可用的数据
量少、数据质量偏低。
本文以水利标准规范、抢险技术手册、论文专著报告、公众号推文等多源文本为数据来源，基于
ＬＬＭ构建防汛抢险领域本体。引入卷积模块改进深度学习模型，从语义关联层面提升小样本数据知识
抽取质量。结合公众号与百科数据扩充领域知识量，构建针对防汛抢险领域的知识图谱，为数字孪生
防汛抢险知识平台建设提供技术方法与应用参考。

２ 防汛抢险知识图谱构建框架

防汛抢险知识隐含在多源异构的知识载体中，包括半结构化的百科信息框数据和非结构化的文本
数据。半结构化数据指没有严格的数据模型，但有一定组织结构的数据，例如表格文本等有统一规律
的文本。非结构化数据指没有组织结构的数据，例如书籍图像等数据。百科信息框包含显式对应的防
汛实体与实体关系，筛选后可直接用于图谱构建。非结构化数据中实体知识与实体关系隐含在文本描
述中，难以直接提取利用。例如 “圩堤迎水面受风浪冲刷，导致一定范围的混凝土护坡冲毁，属于较
大险情，通过在迎水面铺设彩条布并固定，消浪防冲，可控制险情” 中，隐含 ＜水利设施 “圩堤” －
存在－ 险情 “风浪冲刷” ＞、＜险情 “风浪冲刷” － 应对方法 － 措施 “在迎水面铺设彩条布并固定” ＞、
＜险情表现 “混凝土护坡冲毁” － 属于－ 级别 “较大险情” ＞多条防汛知识，实体知识多样，关系类型
复杂，知识抽取与显化应用难度较大。为解决以上难题，提出了包含数据收集与处理、模式层本体构
建、实例层知识抽取、图谱构建与应用的防汛抢险图谱构建框架，如图 １所示。
（ １）数据收集与处理。为克服防汛抢险领域数据匮乏问题，尽可能保证知识覆盖的全面性，利用
网络爬虫技术收集领域相关百科数据，收集行业标准、抢险技术手册、论文专著报告、权威单位公众
号推文等多源文本数据。经筛选清洗后，作为知识图谱构建的数据基础。
（ ２）模式层本体构建。为加速本体构建进程，迁移 ＬＬＭ 技术至防汛抢险领域，构建领域提示工程

２
— ３ ４ —