Page 61 - 水利学报2025年第56卷第3期
P. 61
提取复杂散乱多源文本数据的防汛领域术语，采用聚类算法抽取术语主题，结合领域经验重组术语主
题，锚定防汛抢险现实需求整合主题，根据主题归纳领域概念与概念关系，构建领域本体模型。
（３）实例层知识抽取。针对领域数据量偏少、数据质量偏低问题，提出实体数据增强方法扩充领
域数据量，引入卷积模块改进实体知识抽取模型，提升模型对知识语义关联的解译能力，从数据与模
型多角度入手增强模型对小样本数据的适应能力。利用增强后的数据集训练模型抽取非结构化文本知
识，结合外源百科数据补充模型抽取结果，进一步增强领域知识的完备性。
（ ４）图谱构建与应用。采用知识融合方法对抽取结果进行知识加工，导入图数据库构建知识图谱，
通过知识图谱实现知识管理与知识复用，为知识检索、知识推荐、决策支持等任务提供支撑。
图 １ 防汛抢险知识图谱构建框架
３ 防汛抢险图谱构建关键方法
３．１ 领域本体构建
３．１．１ 基于大语言模型的术语主题提取 本体指描述特定领域概念与概念关系的形式化模型，是构建
知识图谱的前提 ［１９］ 。本体建模要求尽可能全面覆盖目标领域，而防汛抢险领域知识隐含于多源文本
中，难以快速、便捷地归纳领域概念。为节省本体构建时间，先从多源文本中分离领域术语，通过术
语聚类了解术语概念覆盖范围。鉴于 ＬＬＭ在文本信息提取中表现出的强大学习与理解能力，本研究将
ＬＬＭ引入图谱本体建模任务 ［２０］ 。构建针对防汛抢险术语抽取的提示工程（ＰｒｏｍｐｔＥｎｇｉｎｅｅｒｉｎｇ），激活
ＬＬＭ模型在通用领域学习的经验，引导模型理解任务内容，通过少量案例学习防汛知识抽取方法并完
成抽取任务 ［２１］ 。
采用 “三步法” 构建 ＬＬＭ提示工程 ［１３］ 。第一步设置任务需求提示，通过自然语言描述设置 ＬＬＭ
角色定位与任务需求，将任务限定在防汛抢险领域以去除 ＬＬＭ中存储的大量通用领域冗余知识干扰。
— ３ ４ ３ —
