Page 69 - 水利学报2025年第56卷第3期

图 ８ 水利知识关联检索

图 ９ 共现险情推理结果

６ 结论

针对防汛抢险领域数据偏少、数据质量偏低问题，提出了有效结合非结构化数据与半结构化数据
的领域知识图谱构建方法。综合利用大语言模型、文本知识抽取等手段，搭建了防汛抢险本体模型，
改进了针对领域小样本数据的实体知识抽取模型，构建了 ＦＤＲ － ＫＧ，通过 ３个典型案例展现了其应用
价值，主要结论如下：
（ １）结合 ＬＬＭ的本体建模方法可有效利用其理解能力，快速获取领域专业知识，辅助研究人员
高效找出非结构化文 本 知识边 界、概括知识 主题、构建 领域 本 体，适 用 以 文 本 为 知 识 载 体 的 本 体
建模。
（ ２）所提 ＢＥＲＴ＿ＢｉＬＳＴＭ＿ＣＮＮ模型性能优异，在实体类型较多的防汛抢险知识抽取任务获得了最
佳表现，与基线模型相比 Ｆ１值提升了 １０．８９％。实体数据增强后，模型 Ｆ１值进一步提升了 ４．７３％，适
用于领域小样本数据的实体抽取任务。
（ ３）外源知识补全可充分利用领域半结构化数据与百科数据，扩展知识覆盖面，提升图谱质量。
构建的 ＦＤＲ － ＫＧ可准确高效地提供抢险措施查询、水利知识关联引导、险情知识推理等知识支持，以
辅助抢险决策，提升抢险效率，为数字孪生水利知识平台建设提供参考。
（４）未来需收集更多水利领域文本数据，研究图谱融合技术，寻找更智能的实体关系抽取方法，
进一步扩大知识图谱覆盖范围。同时挖掘 ＬＬＭ 在水利行业的 应用 潜 力，结 合 知识 图 谱 提升其回答
准确度，以更低代价更充分地挖掘水利行业知识，为数字孪生水利建设与行业高质量发展提供技术
支撑。

— ３ ５ １ —