城市市政基础设施应急知识图谱确定方法、系统及设备技术方案

本发明专利技术公开城市市政基础设施应急知识图谱确定方法、系统及设备，涉及知识图谱构建技术领域，所述方法包括：获取目标数据；目标数据为待抽取城市市政基础设施应急文本数据；利用本体思想构建城市市政基础设施应急知识图谱模式层；将目标数据输入至实体识别模型中，得到识别应急实体后的应急文本数据；将识别应急实体后的应急文本数据输入至属性关系抽取模型中，得到多个初始抽取结果；初始抽取结果为待抽取城市市政基础设施应急文本数据中实体、实体对应的属性以及实体与属性的关系的数据组；将各初始抽取结果输入城市市政基础设施应急知识图谱模式层中，得到城市市政基础设施应急知识图谱。本发明专利技术提高了城市市政基础设施应急知识图谱的确定效率。急知识图谱的确定效率。急知识图谱的确定效率。

【技术实现步骤摘要】
城市市政基础设施应急知识图谱确定方法、系统及设备


[0001]本专利技术涉及知识图谱构建
，特别是涉及一种城市市政基础设施应急知识图谱确定方法、系统及设备。

技术介绍

[0002]近年来，路面塌陷、井盖缺失、城市内涝等各类城市市政基础设施工程事件突发，对城市正常社会秩序和工作秩序产生了一定的影响。在城市市政基础设施应急领域中，城市道路、桥梁、隧道、轨道交通、供水、排水、燃气、热力、路灯、井盖、桥梁、环卫等安全事件的描述、实体之间的关联关系复杂多样，同时，应急响应的各个环节往往会产生多源、海量、异构数据信息，存在历史案例、应急预案、相关法律法规等数据骤增而应急知识缺乏系统梳理和有效组织的现状，造成相关信息资源整合困难，制约了城市市政基础设施调度应急预案管理能力，也为决策者对真实的危机状况做出准确判断提高了一定的难度。
[0003]在当前大数据背景下，缺少对城市市政基础设施应急知识的凝练与整合，而知识图谱作为人工智能在知识组织和表示方面发展的最新技术，建立了数据与知识之间的桥梁。以“实体
‑
关系”、“属性
‑
属性值”的符号形式描述物理世界中应急概念及其相互关系，是一种结构化的语义知识库，为海量、异构、动态数据的表达、组织、管理及利用提供一种非常有效方式，不仅能在不同城市市政基础设施知识点之间建立语义联系，还可快速、准确地实现城市市政基础设施信息关联搜索。
[0004]目前，应急知识图谱已广泛地应用于自然灾害、铁路调度、突发事件等领域，为指挥调度、辅助决策、应急风险识别等提供实用工具。城市市政基础设施应急领域知识图谱构建涵盖自然地理信息、法律法规、应急预案库、历史案例库等信息的应急管理知识体系，通过文本分析技术、深度学习技术自动抽取编制依据、组织体系和应急预案等多源异构的应急知识，并进一步关联组织机构、负责人、联系方式、值班值守等信息。形成城市市政基础设施应急知识图谱，从而构建更智能、更精细的城市市政基础设施应急知识管理系统，实现城市市政基础设施应急领域知识的可视化表达、应急预案推荐等创新应用，提高应对突发事件时应急辅助决策的智能化水平。

技术实现思路

[0005]本专利技术的目的是提供一种城市市政基础设施应急知识图谱确定方法、系统及设备，提高了城市市政基础设施应急知识图谱的确定效率。
[0006]为实现上述目的，本专利技术提供了如下方案：
[0007]一种城市市政基础设施应急知识图谱确定方法，所述方法包括：
[0008]获取目标数据；所述目标数据为待抽取城市市政基础设施应急文本数据；
[0009]利用本体的思想，构建城市市政基础设施应急知识图谱模式层；
[0010]将所述目标数据输入至实体识别模型中，得到识别应急实体后的应急文本数据；所述实体识别模型是基于BiLSTM
‑
CRF网络构建的，所述BiLSTM
‑
CRF网络包括双向长短记忆
网络和条件随机场网络；
[0011]将所述识别应急实体后的应急文本数据输入至属性关系抽取模型中，得到多个初始抽取结果；所述初始抽取结果为所述待抽取城市市政基础设施应急文本数据中实体、实体对应的属性以及实体与属性的关系的数据组；所述属性关系抽取模型是基于注意力机制的卷积神经网络构建的；
[0012]根据各所述初始抽取结果和所述城市市政基础设施应急知识图谱模式层，确定城市市政基础设施应急知识图谱。
[0013]可选地，所述实体识别模型的训练过程，具体包括：
[0014]获取训练用城市市政基础设施应急文本数据集；
[0015]利用BIOES标注方法对所述训练用城市市政基础设施应急文本数据集中的实体进行标注，得到实体标注后的应急文本数据集；
[0016]以所述训练用城市市政基础设施应急文本数据集作为输入，以所述实体标注后的应急文本数据集作为输出，对所述BiLSTM
‑
CRF网络进行训练，得到所述实体识别模型。
[0017]可选地，所述属性关系抽取模型的训练过程，具体包括：
[0018]利用BIOES标注方法对所述实体标注后的应急文本数据集进行各文本的属性和关系的标注，得到标注属性和关系后的应急文本数据集；
[0019]利用标注属性和关系后的应急文本数据集，对所述基于注意力机制的卷积神经网络进行训练，得到所述属性关系抽取模型。
[0020]可选地，根据各所述初始抽取结果和所述城市市政基础设施应急知识图谱模式层，确定城市市政基础设施应急知识图谱，具体包括：
[0021]利用聚类方法，将表示相同含义的实体所在的初始抽取结果进行融合，得到融合后的抽取结果；
[0022]将各融合后的抽取结果输入至所述城市市政基础设施应急知识图谱模式层中，得到所述城市市政基础设施应急知识图谱。
[0023]一种城市市政基础设施应急知识图谱确定系统，所述系统包括：
[0024]目标数据获取模块，用于获取目标数据；所述目标数据为待抽取城市市政基础设施应急文本数据；
[0025]模式层构建模块，用于利用本体的思想，构建城市市政基础设施应急知识图谱模式层；
[0026]第一抽取模块，用于将所述目标数据输入至实体识别模型中，得到识别应急实体后的应急文本数据；所述实体识别模型是基于BiLSTM
‑
CRF网络构建的，所述BiLSTM
‑
CRF网络包括双向长短记忆网络和条件随机场网络；
[0027]第二抽取模块，用于将所述识别应急实体后的应急文本数据输入至属性关系抽取模型中，得到多个初始抽取结果；所述初始抽取结果为所述待抽取城市市政基础设施应急文本数据中实体、实体对应的属性以及实体与属性的关系的数据组；所述属性关系抽取模型是基于注意力机制的卷积神经网络构建的；
[0028]知识图谱确定模块，用于根据各所述初始抽取结果和所述城市市政基础设施应急知识图谱模式层，确定城市市政基础设施应急知识图谱。
[0029]一种设备，包括：
[0030]一个或多个处理器；
[0031]存储装置，其上存储有一个或多个程序；
[0032]当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述所述的城市市政基础设施应急知识图谱确定方法。
[0033]可选地，所述存储器为可读存储介质。
[0034]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0035]本专利技术公开了一种城市市政基础设施应急知识图谱确定方法、系统及设备，对待抽取城市市政基础设施应急文本数据进行实体、属性和关系的抽取，将抽取后的应急文本数据输入预先建构的利城市市政基础设施应急知识图谱模式层中，得到城市市政基础设施应急知识图谱。其中，在抽取实体、属性和关系时采用的是三者联合抽取的手段，和现有的三者的单独抽取以及实体与关系的两者联合抽取相比，提高了抽取的效率，从而提高了城市市政基础设施应急知识图谱的确定效率本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种城市市政基础设施应急知识图谱确定方法，其特征在于，所述方法包括：获取目标数据；所述目标数据为待抽取城市市政基础设施应急文本数据；利用本体的思想，构建城市市政基础设施应急知识图谱模式层；将所述目标数据输入至实体识别模型中，得到识别应急实体后的应急文本数据；所述实体识别模型是基于BiLSTM
‑
CRF网络构建的，所述BiLSTM
‑
CRF网络包括双向长短记忆网络和条件随机场网络；将所述识别应急实体后的应急文本数据输入至属性关系抽取模型中，得到多个初始抽取结果；所述初始抽取结果为所述待抽取城市市政基础设施应急文本数据中实体、实体对应的属性以及实体与属性的关系的数据组；所述属性关系抽取模型是基于注意力机制的卷积神经网络构建的；根据各所述初始抽取结果和所述城市市政基础设施应急知识图谱模式层，确定城市市政基础设施应急知识图谱。2.根据权利要求1所述的城市市政基础设施应急知识图谱确定方法，其特征在于，所述实体识别模型的训练过程，具体包括：获取训练用城市市政基础设施应急文本数据集；利用BIOES标注方法对所述训练用城市市政基础设施应急文本数据集中的实体进行标注，得到实体标注后的应急文本数据集；以所述训练用城市市政基础设施应急文本数据集作为输入，以所述实体标注后的应急文本数据集作为输出，对所述BiLSTM
‑
CRF网络进行训练，得到所述实体识别模型。3.根据权利要求2所述的城市市政基础设施应急知识图谱确定方法，其特征在于，所述属性关系抽取模型的训练过程，具体包括：利用BIOES标注方法对所述实体标注后的应急文本数据集进行各文本的属性和关系的标注，得到标注属性和关系后的应急文本数据集；利用标注属性和关系后的应急文本数据集，对所述基于注意力机制的卷积神经网络进行训练，得到所述属性关系抽取模型。4....

【专利技术属性】
技术研发人员：周文，常松，高思岩，李学军，王巍，胡杰，范维宁，
申请(专利权)人：正元地理信息集团股份有限公司，
类型：发明
国别省市：