基于大語(yǔ)言模型的知識(shí)圖譜構(gòu)建及在災(zāi)害應(yīng)急中的應(yīng)用

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-4706（2025）08-0146-07

Abstract：China isoneofthecountries withthe mostserious naturaldisasters inthe world.Typhoons，arthquakesfoods and ther disasters ocur frequently，posing a huge threat tothesafetyof people'slives and property.Facing thecomplexityand urgency ofdisasteremergencymanagement，Knowledge Graphtechnology has graduallybecomearesearch hotspot inthis field byvirtueofitsadvantagesiniformationintegration，elationsipingandknowledgereasonig.However，theeterogeity andqualityofisasterdataarenotufor，hichliitstheabilityoftraditioalNaturalLanguageProcessngmethodstotract Knowledge Graph information.Therefore，this paper proposes aLarge Language Model knowledge extraction method based on distributedpromptstrategy.Troughrequirementhints，domainknowledgehintsandfew-shothints，theLargeLanguageModel can automatically extract entitiesand relationships from unstructured data， which improves the automation and accuracy of KnowledgeGraphconstruction.InordertoverifytheefectofKnowledgeGraphbasedonLargeLanguageModelinpractical application，thispapertakes thetyphoondisasteremergencyplanasanexampletocostruct thecoresponding Knowledge Graph and its intelligent question and answer system.

Keywords：Knowledge Graph;Large Language Model; knowledge extraction; inteligent questionandanswer

0 引言

災(zāi)減災(zāi)要求。

隨著氣候變化的影響日益顯著，極端天氣事件如暴雨、洪水、臺(tái)風(fēng)等變得更加頻繁且劇烈。這不僅增加了災(zāi)害發(fā)生的可能性，對(duì)人民生命財(cái)產(chǎn)造成了極大威脅，而且自然災(zāi)害種類多且在中國(guó)不少地區(qū)發(fā)生頻率很高，加大了災(zāi)害管理的復(fù)雜性和挑戰(zhàn)性。因此，迫切需要提升我國(guó)自然災(zāi)害應(yīng)急管理和綜合減災(zāi)的能力，從而最大程度減少自然災(zāi)害給中國(guó)經(jīng)濟(jì)和社會(huì)造成的損失，實(shí)現(xiàn)“兩個(gè)堅(jiān)持、三個(gè)轉(zhuǎn)變”的新時(shí)期防

為了有效應(yīng)對(duì)災(zāi)害管理帶來(lái)的挑戰(zhàn)，中國(guó)各地區(qū)都制定了詳盡的自然災(zāi)害應(yīng)急預(yù)案。這些預(yù)案通常包括災(zāi)害預(yù)警系統(tǒng)的建立與完善、應(yīng)急響應(yīng)機(jī)制的構(gòu)建、救援隊(duì)伍的培訓(xùn)與裝備配備、疏散路線的規(guī)劃以及災(zāi)后重建計(jì)劃等多個(gè)方面。此外，隨著科技進(jìn)步和社會(huì)發(fā)展，災(zāi)害應(yīng)急預(yù)案也需要不斷地更新和調(diào)整，以適應(yīng)新的形勢(shì)和技術(shù)要求。然而，隨著互聯(lián)網(wǎng)領(lǐng)域的發(fā)展，各種數(shù)據(jù)來(lái)源不斷涌現(xiàn)，數(shù)據(jù)量呈指數(shù)級(jí)增長(zhǎng)，自然災(zāi)害相關(guān)數(shù)據(jù)在種類和數(shù)量上也隨之增多，這對(duì)數(shù)據(jù)整合、處理和分析的能力提出了更高要求。因此，從海量數(shù)據(jù)中獲取有效數(shù)據(jù)，并利用這些數(shù)據(jù)為人們提供智能化服務(wù)，成為當(dāng)今時(shí)代研究的一項(xiàng)重要課題。

知識(shí)圖譜是一種結(jié)構(gòu)化的語(yǔ)義知識(shí)庫(kù)，能夠?qū)?fù)雜的知識(shí)以可視化和結(jié)構(gòu)化的方式組織起來(lái)，建立起實(shí)體、關(guān)系和屬性之間的關(guān)聯(lián)網(wǎng)絡(luò)，更加直觀、方便地存儲(chǔ)和檢索信息。依托知識(shí)圖譜在領(lǐng)域知識(shí)學(xué)習(xí)、組織和推理追溯方面的優(yōu)勢(shì)，通過(guò)知識(shí)圖譜技術(shù)從文本數(shù)據(jù)中獲取自然災(zāi)害應(yīng)急領(lǐng)域關(guān)鍵知識(shí)，完成“數(shù)據(jù)一信息一知識(shí)”的轉(zhuǎn)變，從而提高自然災(zāi)害應(yīng)對(duì)效率，促進(jìn)應(yīng)急預(yù)案電子化、結(jié)構(gòu)化、數(shù)字化、智能化發(fā)展，提升整體災(zāi)害應(yīng)對(duì)能力。在自然災(zāi)害應(yīng)急領(lǐng)域，知識(shí)圖譜的構(gòu)建需要提取實(shí)體、屬性、實(shí)體信息等關(guān)鍵信息，通過(guò)相互關(guān)聯(lián)的信息形成網(wǎng)狀結(jié)構(gòu)。然而，在實(shí)際的災(zāi)害應(yīng)急應(yīng)用中，數(shù)據(jù)來(lái)源多、數(shù)據(jù)領(lǐng)域受限、數(shù)據(jù)質(zhì)量不統(tǒng)一，限制了傳統(tǒng)自然語(yǔ)言處理方法對(duì)實(shí)體、屬性及關(guān)系的提取，從而制約了知識(shí)圖譜的應(yīng)用。

大語(yǔ)言模型是一種基于深度學(xué)習(xí)的人工智能模型，專門(mén)設(shè)計(jì)用于處理和生成自然語(yǔ)言。這類模型通常是基于Transformer架構(gòu)，經(jīng)過(guò)在大量的文本數(shù)據(jù)上進(jìn)行訓(xùn)練，能夠理解、生成、翻譯和總結(jié)文本，還可以進(jìn)行對(duì)話、回答問(wèn)題以及執(zhí)行各種自然語(yǔ)言處理任務(wù)。因此，大語(yǔ)言模型在信息抽取方面展現(xiàn)出強(qiáng)大的理解、學(xué)習(xí)和表達(dá)能力，優(yōu)秀的學(xué)習(xí)能力使得大語(yǔ)言模型可以通過(guò)少量的示例學(xué)習(xí)新任務(wù)，快速適應(yīng)不同的信息抽取任務(wù)，而不需要大量的特定任務(wù)的數(shù)據(jù)集。

本文提出基于大語(yǔ)言模型的自然災(zāi)害應(yīng)急知識(shí)圖譜的構(gòu)建方法和應(yīng)用研究。利用大語(yǔ)言模型等技術(shù)可提取海量數(shù)據(jù)中的關(guān)鍵信息，為知識(shí)抽取階段提供了極大的便利，從而能更好更快地構(gòu)建自然災(zāi)害應(yīng)急知識(shí)圖譜。

1研究背景

知識(shí)圖譜的構(gòu)建通常包括知識(shí)獲取、知識(shí)表示、知識(shí)融合和知識(shí)推理等過(guò)程。在知識(shí)獲取方面，研究者們采用自然語(yǔ)言處理、信息抽取等技術(shù)，從文本、數(shù)據(jù)庫(kù)、傳感器數(shù)據(jù)等多種數(shù)據(jù)源中獲取災(zāi)害相關(guān)信息，并將其轉(zhuǎn)化為結(jié)構(gòu)化的知識(shí)表示。賀海霞等人通過(guò)提取關(guān)鍵詞，分析建立關(guān)鍵詞之間的聯(lián)系以發(fā)現(xiàn)災(zāi)害應(yīng)急相關(guān)知識(shí)[。在知識(shí)表示方面，圖譜中的知識(shí)通常以節(jié)點(diǎn)（實(shí)體）和邊（關(guān)系）的形式表示。為了提升災(zāi)害領(lǐng)域知識(shí)圖譜的表示能力，研究者李澤荃等人從致災(zāi)因子、承災(zāi)體、孕災(zāi)環(huán)境等角度分解識(shí)別復(fù)雜的災(zāi)害場(chǎng)景，從而提升對(duì)災(zāi)害事件的場(chǎng)景感知能力[2]；Yan等人提出了動(dòng)態(tài)知識(shí)圖譜的概念，即能夠隨著時(shí)間和事件的發(fā)展動(dòng)態(tài)更新圖譜中的知識(shí)[3]。

隨著自然語(yǔ)言處理技術(shù)的迅猛發(fā)展，大語(yǔ)言模型在知識(shí)圖譜構(gòu)建中的應(yīng)用逐漸成為研究熱點(diǎn)。大語(yǔ)言模型通過(guò)海量文本數(shù)據(jù)的預(yù)訓(xùn)練，具備了強(qiáng)大的語(yǔ)義理解和生成能力，能夠有效地從非結(jié)構(gòu)化數(shù)據(jù)中提取實(shí)體和關(guān)系[4。與傳統(tǒng)的信息抽取方法相比，大語(yǔ)言模型可以更準(zhǔn)確地處理復(fù)雜語(yǔ)境下的語(yǔ)言表達(dá)，減少了人工標(biāo)注的需求，提升了知識(shí)圖譜構(gòu)建的自動(dòng)化程度[5]。近年來(lái)，研究者們開(kāi)始探索利用大語(yǔ)言模型進(jìn)行知識(shí)圖譜的自動(dòng)構(gòu)建。Brown等人提出了利用GPT-3模型生成領(lǐng)域特定知識(shí)圖譜的框架，能夠從文本中自動(dòng)提取和鏈接實(shí)體，顯著提升了知識(shí)圖譜構(gòu)建的效率[。此外，Zhang 等人也對(duì)基于BERT模型的實(shí)體對(duì)齊方法展開(kāi)了研究，通過(guò)上下文理解，解決了異構(gòu)數(shù)據(jù)源之間的實(shí)體識(shí)別和對(duì)齊問(wèn)題，為知識(shí)圖譜的跨領(lǐng)域融合提供了新的思路[]。

在災(zāi)害應(yīng)急領(lǐng)域，大語(yǔ)言模型通過(guò)分析多源文本數(shù)據(jù)，快速提取實(shí)體和關(guān)系，生成包含災(zāi)害信息的知識(shí)圖譜，實(shí)現(xiàn)對(duì)災(zāi)害的實(shí)時(shí)監(jiān)測(cè)和預(yù)警[8。Liu等人利用BERT模型自動(dòng)提取地震相關(guān)事件，并構(gòu)建了動(dòng)態(tài)更新的地震知識(shí)圖譜，用于實(shí)時(shí)監(jiān)測(cè)和分析[。在應(yīng)急響應(yīng)和決策支持方面，知識(shí)圖譜結(jié)合大語(yǔ)言模型的推理能力，能夠提供更加智能化的決策支持。通過(guò)對(duì)歷史災(zāi)害數(shù)據(jù)和當(dāng)前態(tài)勢(shì)的綜合分析，系統(tǒng)能夠預(yù)測(cè)災(zāi)害的發(fā)展趨勢(shì)，并生成相應(yīng)的應(yīng)急措施。例如，王喆等人開(kāi)發(fā)了一套基于GPT-3的應(yīng)急響應(yīng)系統(tǒng)，該系統(tǒng)能夠通過(guò)自然語(yǔ)言與決策者進(jìn)行交互，自動(dòng)生成針對(duì)不同災(zāi)害場(chǎng)景的應(yīng)急預(yù)案[0]。

2自然災(zāi)害應(yīng)急知識(shí)圖譜構(gòu)建

2.1知識(shí)圖譜構(gòu)建流程

知識(shí)圖譜構(gòu)建采用自頂向下與自底向上相結(jié)合的構(gòu)建方法。從本體構(gòu)建出發(fā)，進(jìn)而確定各本體之間的關(guān)系，最后確定各本體與屬性的關(guān)聯(lián)關(guān)系，實(shí)現(xiàn)自頂向下構(gòu)建知識(shí)圖譜模式層。由于自然災(zāi)害應(yīng)急領(lǐng)域文本數(shù)據(jù)源多為非結(jié)構(gòu)化數(shù)據(jù)，傳統(tǒng)自然語(yǔ)言處理方法進(jìn)行知識(shí)抽取處理難度較大，本文采用基于GPT-4的方法對(duì)關(guān)鍵實(shí)體屬性信息進(jìn)行知識(shí)抽取，隨后進(jìn)行知識(shí)融合，將相似度較高的實(shí)體屬性信息歸一化處理，并設(shè)計(jì)知識(shí)圖譜底層存儲(chǔ)方式，實(shí)現(xiàn)自底向上構(gòu)建知識(shí)圖譜數(shù)據(jù)層。最后進(jìn)行模式層到數(shù)據(jù)層的映射，完成知識(shí)圖譜的構(gòu)建。

2.2 模式層構(gòu)建

知識(shí)圖譜本體是對(duì)領(lǐng)域內(nèi)概念及其關(guān)系的一種形式化、規(guī)范化的描述，可以為數(shù)據(jù)層中的要素、屬性分解提供理論框架基礎(chǔ)。知識(shí)圖譜模式層主要由實(shí)體、關(guān)系、屬性等知識(shí)類的層次結(jié)構(gòu)和層級(jí)關(guān)系組成，用來(lái)對(duì)數(shù)據(jù)層的具體知識(shí)形式進(jìn)行約束。本文從自然災(zāi)害應(yīng)急領(lǐng)域出發(fā)，構(gòu)建自然災(zāi)害事件、災(zāi)害應(yīng)急任務(wù)、災(zāi)害數(shù)據(jù)、模型方法4類核心要素的自然災(zāi)害應(yīng)急領(lǐng)域本體，并確立各實(shí)體間、實(shí)體與屬性間的關(guān)系，表1為本體及本體屬性，圖1為自然災(zāi)害應(yīng)急領(lǐng)域本體間關(guān)聯(lián)關(guān)系。

2.3基于大語(yǔ)言模型的數(shù)據(jù)層構(gòu)建

知識(shí)圖譜的數(shù)據(jù)層以事實(shí)三元組為基本單位，是知識(shí)圖譜體系結(jié)構(gòu)中的核心部分，負(fù)責(zé)存儲(chǔ)和管理實(shí)際數(shù)據(jù)實(shí)體及其關(guān)系，構(gòu)成了知識(shí)圖譜的基礎(chǔ)，支撐著整個(gè)知識(shí)圖譜的構(gòu)建與應(yīng)用。

自然災(zāi)害領(lǐng)域文本數(shù)據(jù)源多為非結(jié)構(gòu)化數(shù)據(jù)，這限制了傳統(tǒng)自然語(yǔ)言處理方法對(duì)知識(shí)的有效抽取?；诖?，本文提出了基于大語(yǔ)言模型的知識(shí)抽取模型，該模型通過(guò)大語(yǔ)言模型的提示工程和少樣本學(xué)習(xí)能力，將知識(shí)抽取的序列標(biāo)記任務(wù)轉(zhuǎn)化為大語(yǔ)言模型的文本生成任務(wù)。與傳統(tǒng)的非結(jié)構(gòu)化數(shù)據(jù)知識(shí)抽取方法相比，此方案無(wú)須大量數(shù)據(jù)標(biāo)注和模型訓(xùn)練。利用大語(yǔ)言模型自身的語(yǔ)義理解能力，結(jié)合少量的數(shù)據(jù)樣例和提示工程，模型可學(xué)習(xí)到文本的語(yǔ)義表示，并可以通過(guò)不斷微調(diào)來(lái)提高在特定任務(wù)上的表現(xiàn)。

本文以GPT-4作為基礎(chǔ)模型[]，進(jìn)行關(guān)鍵實(shí)體屬性信息的知識(shí)抽取。首先，將源文本按照段落進(jìn)行截?cái)?，并設(shè)計(jì)了多種提示（prompt）以提高信息提取的準(zhǔn)確性。在提示設(shè)計(jì)中，采用了分布提示的策略，包括需求提示、領(lǐng)域知識(shí)提示和少樣本提示。

需求提示：明確模型的任務(wù)角色，清晰傳達(dá)用戶的目標(biāo)和期望。通過(guò)羅列具體細(xì)節(jié)，使模型理解并聚焦于用戶所需的信息，從而確保信息抽取的精確度。

領(lǐng)域知識(shí)提示：通過(guò)提供與任務(wù)相關(guān)的背景信息和標(biāo)注語(yǔ)料，幫助模型理解領(lǐng)域特征和數(shù)據(jù)特點(diǎn)。此提示增強(qiáng)了模型對(duì)特定領(lǐng)域的感知能力，提高了抽取結(jié)果的專業(yè)性和可靠性。

少樣本提示：通過(guò)提供具體示例，指導(dǎo)模型逐步掌握每個(gè)操作步驟。這不僅有助于模型更好地理解任務(wù)，還顯著提升了模型在分析與執(zhí)行中的表現(xiàn)，降低了生成錯(cuò)誤的發(fā)生率。

這些提示的綜合應(yīng)用，顯著提升了模型在知識(shí)抽取任務(wù)中的表現(xiàn)，并提高了任務(wù)完成的質(zhì)量和效率。以下是基于GPT-4進(jìn)行自然災(zāi)害信息抽取的部分示例。

2.3.1實(shí)體信息抽取提示示例

{需求提示}你是一名自然災(zāi)害領(lǐng)域的信息抽取專家，任務(wù)是從以下文本中提取關(guān)鍵實(shí)體及其相關(guān)屬性。具體需要提取的實(shí)體包括：災(zāi)害類型、發(fā)生時(shí)間、發(fā)生地點(diǎn)、災(zāi)害影響、救援措施、負(fù)責(zé)機(jī)構(gòu)等。請(qǐng)為每個(gè)實(shí)體提取其相關(guān)的屬性信息，并輸出格式為：“實(shí)體：屬性”。

{領(lǐng)域知識(shí)提示}以下文本涉及自然災(zāi)害事件的報(bào)道或研究，重點(diǎn)在于描述災(zāi)害的基本信息及其影響。需要提取的實(shí)體和屬性包括但不限于：災(zāi)害類型（如地震、颶風(fēng)）、災(zāi)害名稱、發(fā)生時(shí)間（具體日期或時(shí)間段）、發(fā)生地點(diǎn)（城市、國(guó)家或區(qū)域）、災(zāi)害影響（引發(fā)次生災(zāi)害、直接受影響或被疏散的人數(shù)、死亡人數(shù)、經(jīng)濟(jì)損失等），以及救援措施（如政府或組織采取的行動(dòng)）和負(fù)責(zé)機(jī)構(gòu)。請(qǐng)注意，某些術(shù)語(yǔ)在災(zāi)害領(lǐng)域有特定含義，如“風(fēng)速”常與臺(tái)風(fēng)、颶風(fēng)相關(guān)聯(lián)，“風(fēng)眼”指臺(tái)風(fēng)的中心區(qū)域等。

{少樣本提示}文本：“2023年7月，京津冀首都圈海河流域發(fā)生特大暴雨，引發(fā)嚴(yán)重的洪澇和地質(zhì)災(zāi)害，造成550萬(wàn)余人受災(zāi)，上百人遇難失蹤，直接經(jīng)濟(jì)損失超過(guò)1600億元?！?/p>

輸出示例：

-災(zāi)害類型：暴雨-發(fā)生時(shí)間：2023年7月-發(fā)生地點(diǎn)：京津冀首都圈海河流域

-災(zāi)害影響：洪澇、地質(zhì)災(zāi)害，550萬(wàn)余人受災(zāi)，上百人遇難或失蹤，經(jīng)濟(jì)損失超過(guò)1600億元

{輸入文本}請(qǐng)按照上述示例，從以下文本中提取關(guān)鍵實(shí)體及其屬性信息，并按示例格式輸出。{INPUT_TEXT}

2.3.2 關(guān)系信息抽取的提示示例

{需求提示}你是一名自然災(zāi)害信息抽取專家，現(xiàn)提供文本及其對(duì)應(yīng)實(shí)體，你的任務(wù)是依據(jù)文本提取出實(shí)體關(guān)系。給定的實(shí)體包括：災(zāi)害類型、發(fā)生時(shí)間、發(fā)生地點(diǎn)、災(zāi)害影響、救援措施、負(fù)責(zé)機(jī)構(gòu)等。請(qǐng)輸出實(shí)體之間的關(guān)系，如“災(zāi)害類型－發(fā)生時(shí)間”“災(zāi)害類型-發(fā)生地點(diǎn)”“災(zāi)害類型-災(zāi)害影響”“災(zāi)害類型-救援措施”“負(fù)責(zé)機(jī)構(gòu)-救援措施”等。輸出格式為：“關(guān)系類型：實(shí)體1-實(shí)體2”。

{領(lǐng)域知識(shí)提示}以下文本涉及自然災(zāi)害事件的報(bào)道或研究，重點(diǎn)在于描述災(zāi)害的基本信息及其影響。需要提取的實(shí)體和屬性包括但不限于：災(zāi)害類型（如地震、颶風(fēng)）、災(zāi)害名稱、發(fā)生時(shí)間（具體日期或時(shí)間段）、發(fā)生地點(diǎn)（城市、國(guó)家或區(qū)域）、災(zāi)害影響（引發(fā)次生災(zāi)害、直接受影響或被疏散的人數(shù)、死亡人數(shù)、經(jīng)濟(jì)損失等），以及救援措施（如政府或組織采取的行動(dòng)）和負(fù)責(zé)機(jī)構(gòu)。請(qǐng)注意，某些術(shù)語(yǔ)在災(zāi)害領(lǐng)域有特定含義，如“風(fēng)速”常與臺(tái)風(fēng)、颶風(fēng)相關(guān)聯(lián)，“風(fēng)眼”指臺(tái)風(fēng)的中心區(qū)域等。

{少樣本提示}文本：“2023年7月，京津冀首都圈海河流域發(fā)生特大暴雨，引發(fā)嚴(yán)重的洪澇和地質(zhì)災(zāi)害，造成550萬(wàn)余人受災(zāi)，上百人遇難失蹤，直接經(jīng)濟(jì)損失超過(guò)1600億元。\"

輸出示例：

-災(zāi)害類型：暴雨-發(fā)生時(shí)間：2023年7月-發(fā)生地點(diǎn)：京津冀首都圈海河流域-災(zāi)害影響：洪澇、地質(zhì)災(zāi)害，550萬(wàn)余人受災(zāi)，上百人遇難失蹤，經(jīng)濟(jì)損失超過(guò)1600億元{輸入文本}請(qǐng)按照上述示例，從以下文本中提取關(guān)鍵實(shí)體及其屬性信息，并按示例格式輸出。{INPUT_TEXT}

2.4知識(shí)融合與知識(shí)加工

知識(shí)融合與知識(shí)加工是指在知識(shí)圖譜構(gòu)建過(guò)程中，對(duì)新獲取的知識(shí)進(jìn)行整合，以消除矛盾和歧義的過(guò)程。本文通過(guò)對(duì)所提取的相同類別實(shí)體和對(duì)應(yīng)的實(shí)體屬性數(shù)據(jù)進(jìn)行相似度計(jì)算，再通過(guò)調(diào)整語(yǔ)義相似度閾值，實(shí)現(xiàn)對(duì)實(shí)體間語(yǔ)義相似度低于閾值的實(shí)體，及其屬性數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)語(yǔ)義替換，完成知識(shí)融合。最后，利用文本匹配進(jìn)行知識(shí)加工，從而形成大規(guī)模的知識(shí)體系。

依靠模式層框架，經(jīng)過(guò)知識(shí)融合和加工后的實(shí)體及其實(shí)體屬性數(shù)據(jù)與概念層中的實(shí)體和實(shí)體屬性一一對(duì)應(yīng)，完成實(shí)體與屬性的匹配，最終形成完整的知識(shí)圖譜。

3 臺(tái)風(fēng)災(zāi)害應(yīng)急預(yù)警實(shí)例分析

3.1 臺(tái)風(fēng)災(zāi)害應(yīng)急圖譜構(gòu)建

在臺(tái)風(fēng)災(zāi)害管理過(guò)程中，知識(shí)圖譜的典型應(yīng)用包括面向臺(tái)風(fēng)路徑預(yù)測(cè)、災(zāi)害影響范圍與強(qiáng)度分析、應(yīng)急資源調(diào)配等應(yīng)急任務(wù)。通過(guò)整合歷史臺(tái)風(fēng)數(shù)據(jù)、氣象觀測(cè)數(shù)據(jù)和地理信息，臺(tái)風(fēng)災(zāi)害應(yīng)急知識(shí)圖譜能夠有效支持臺(tái)風(fēng)路徑的預(yù)測(cè)和模擬，幫助識(shí)別可能受災(zāi)的地區(qū)，并評(píng)估臺(tái)風(fēng)可能造成的破壞程度。此外，臺(tái)風(fēng)災(zāi)害應(yīng)急知識(shí)圖譜還能夠輔助應(yīng)急管理部門(mén)快速調(diào)配救援物資和人員，優(yōu)化應(yīng)急響應(yīng)決策，提高應(yīng)對(duì)臺(tái)風(fēng)災(zāi)害的效率和準(zhǔn)確性。

按本文所述的知識(shí)圖譜構(gòu)建方法，首先需構(gòu)建臺(tái)風(fēng)災(zāi)害應(yīng)急知識(shí)圖譜的模式層，確立臺(tái)風(fēng)災(zāi)害事件、災(zāi)害應(yīng)急任務(wù)、災(zāi)害數(shù)據(jù)、模型方法這四類本體，并對(duì)本體概念層次關(guān)系、本體屬性關(guān)系以及概念間的語(yǔ)義關(guān)系進(jìn)行定義。模式層的構(gòu)建情況如圖2所示。

隨后進(jìn)行臺(tái)風(fēng)災(zāi)害知識(shí)圖譜數(shù)據(jù)層構(gòu)建，在模式層的指導(dǎo)下，從臺(tái)風(fēng)災(zāi)害相關(guān)文本數(shù)據(jù)中，利用經(jīng)過(guò)臺(tái)風(fēng)災(zāi)害知識(shí)樣本學(xué)習(xí)后的大語(yǔ)言模型GPT-4，以輸入提示句的方式將臺(tái)風(fēng)災(zāi)害相關(guān)實(shí)體及關(guān)系進(jìn)行抽取。知識(shí)抽取完成后，從這些臺(tái)風(fēng)災(zāi)害文本數(shù)據(jù)中獲取到6個(gè)臺(tái)風(fēng)災(zāi)害評(píng)估模型、災(zāi)害數(shù)據(jù)實(shí)體50個(gè)、模型方法實(shí)體共3568個(gè)，經(jīng)知識(shí)融合后所得實(shí)體共2520個(gè)，臺(tái)風(fēng)災(zāi)害知識(shí)圖譜節(jié)點(diǎn)及關(guān)系的數(shù)量統(tǒng)計(jì)如表2所示，構(gòu)建好的部分臺(tái)風(fēng)災(zāi)害應(yīng)急知識(shí)圖譜數(shù)據(jù)層如圖3所示。

3.2 知識(shí)圖譜可視化應(yīng)用

3.2.1 可視化分析

本文結(jié)合相關(guān)應(yīng)急預(yù)案及各種數(shù)據(jù)，采用基于正則匹配、基于分布提示的大語(yǔ)言模型等多種方式進(jìn)行知識(shí)抽取，再通過(guò)知識(shí)融合與加工構(gòu)建出關(guān)于自然災(zāi)害應(yīng)急的知識(shí)圖譜。并將此知識(shí)圖譜存入Neo4j圖數(shù)據(jù)庫(kù)中，從而能夠更加直觀地看到各種數(shù)據(jù)之間的關(guān)系。

3.2.2 數(shù)據(jù)查詢

Python中存在Py2neo庫(kù)，可實(shí)現(xiàn)利用Python對(duì)Neo4j圖數(shù)據(jù)庫(kù)進(jìn)行操控。由于Python語(yǔ)言簡(jiǎn)單易學(xué)，使得不熟悉Cypher查詢語(yǔ)言的人也能熟練操縱圖數(shù)據(jù)庫(kù)。因此，本文在圖數(shù)據(jù)庫(kù)中進(jìn)行數(shù)據(jù)查詢時(shí)，利用Py2neo庫(kù)事先將數(shù)據(jù)查詢通用模板語(yǔ)句寫(xiě)好，隨后通過(guò)輸入所需關(guān)鍵字，實(shí)現(xiàn)在Neo4j中進(jìn)行數(shù)據(jù)查詢。

3.2.3 應(yīng)急預(yù)案智能問(wèn)答

在自然災(zāi)害應(yīng)急預(yù)案問(wèn)答系統(tǒng)中，基于構(gòu)建好的知識(shí)圖譜模型，設(shè)計(jì)問(wèn)答系統(tǒng)的模型，包括自然語(yǔ)言理解模塊、問(wèn)題匹配模塊、知識(shí)檢索模塊、答案生成模塊以及問(wèn)答歷史查詢模塊等。其中，自然語(yǔ)言理解模塊用于將用戶提出的自然語(yǔ)言問(wèn)題轉(zhuǎn)換成可理解的結(jié)構(gòu)化查詢語(yǔ)言；問(wèn)題匹配模塊用于將用戶問(wèn)題與知識(shí)圖譜中的問(wèn)題進(jìn)行匹配，找到相關(guān)知識(shí)；知識(shí)檢索模塊用于從知識(shí)圖譜中檢索出與問(wèn)題相關(guān)的知識(shí)；答案生成模塊用于根據(jù)檢索到的知識(shí)生成回答；問(wèn)答歷史查詢模塊方便用戶翻看歷史查詢記錄，并根據(jù)用戶查詢關(guān)鍵字生成問(wèn)答標(biāo)簽庫(kù)。

本文采用自然語(yǔ)義處理包（NLTK）、深度學(xué)習(xí)框架（PyTorch）實(shí)現(xiàn)智能問(wèn)答模塊設(shè)計(jì)?？紤]到Python具有豐富的第三方庫(kù)，能更容易實(shí)現(xiàn)智能問(wèn)答，并且Python的Web框架Django提供了豐富的內(nèi)置功能，能高效實(shí)現(xiàn)數(shù)據(jù)管理、用戶請(qǐng)求處理等功能，故采用Python的Web框架Django作為后端服務(wù)，處理業(yè)務(wù)邏輯，負(fù)責(zé)自然語(yǔ)言理解、知識(shí)檢索、答案生成等功能。其中，自然語(yǔ)言理解是基于語(yǔ)言模型處理用戶的自然語(yǔ)言輸入，將用戶的問(wèn)題解析為知識(shí)圖譜中的實(shí)體和關(guān)系，系統(tǒng)在知識(shí)圖譜中找到與用戶問(wèn)題相關(guān)的節(jié)點(diǎn)和關(guān)系，使用相似度計(jì)算等技術(shù)匹配用戶問(wèn)題與知識(shí)圖譜中的預(yù)案信息，使系統(tǒng)能夠自動(dòng)識(shí)別用戶的問(wèn)答意圖；知識(shí)檢索是Django后端調(diào)用圖數(shù)據(jù)庫(kù)獲取與用戶問(wèn)題相關(guān)的知識(shí)節(jié)點(diǎn)實(shí)現(xiàn)的；答案生成是在檢索到相關(guān)知識(shí)后，系統(tǒng)將數(shù)據(jù)轉(zhuǎn)化為自然語(yǔ)言回答。對(duì)于簡(jiǎn)單的問(wèn)答，系統(tǒng)直接從知識(shí)圖譜提取相關(guān)信息；對(duì)于復(fù)雜的問(wèn)答需求，可以使用語(yǔ)言模型進(jìn)一步優(yōu)化答案生成，使回答更加連貫自然。

在問(wèn)答頁(yè)面設(shè)計(jì)方面，為滿足一次開(kāi)發(fā)、多端部署，支持微信小程序、H5、安卓和iOS等多平臺(tái)，并能與后端的API無(wú)縫對(duì)接，快速獲取和展示Django后端的數(shù)據(jù)的需求，采用uni-APP框架實(shí)現(xiàn)問(wèn)答界面設(shè)計(jì)，負(fù)責(zé)與用戶交互，實(shí)現(xiàn)問(wèn)題輸入、答案展示和問(wèn)答歷史管理。其中，在問(wèn)題輸入與答案展示方面，uni-APP提供的用戶輸入界面支持多種輸入方式，如語(yǔ)音、文字等，讓用戶能夠方便地提出問(wèn)題；回答展示界面則根據(jù)問(wèn)題類別動(dòng)態(tài)調(diào)整展示形式，如文字展示、圖片展示等。問(wèn)答歷史查詢與管理通過(guò)每次用戶的問(wèn)答請(qǐng)求與響應(yīng)結(jié)果都存儲(chǔ)在后端數(shù)據(jù)庫(kù)中，用戶可通過(guò)前端查著并檢索歷史記錄來(lái)實(shí)現(xiàn)。智能問(wèn)答系統(tǒng)流程圖如圖4所示。

4結(jié)論

為解決自然災(zāi)害應(yīng)急領(lǐng)域中數(shù)據(jù)龐雜、關(guān)鍵知識(shí)匱乏的現(xiàn)狀，同時(shí)為解決傳統(tǒng)人工標(biāo)注和深度學(xué)習(xí)方式進(jìn)行知識(shí)抽取需要具備廣泛的領(lǐng)域知識(shí)和信息處理能力，且數(shù)據(jù)標(biāo)注工作煩瑣這一構(gòu)建過(guò)程中的難題，本文構(gòu)建了基于大語(yǔ)言模型的自然災(zāi)害應(yīng)急預(yù)案知識(shí)圖譜，并利用上述知識(shí)圖譜、Django框架和uni-APP框架構(gòu)建出一套基于知識(shí)圖譜的應(yīng)急預(yù)案問(wèn)答系統(tǒng)，實(shí)現(xiàn)了自然語(yǔ)言理解、問(wèn)題匹配、知識(shí)檢索、答案生成、問(wèn)答歷史查詢等功能。

本文在知識(shí)圖譜概念層設(shè)計(jì)上較為簡(jiǎn)易，后續(xù)將對(duì)概念層進(jìn)行進(jìn)一步細(xì)分，進(jìn)而使數(shù)據(jù)展示顯得更加直觀。在數(shù)據(jù)方面，由于目前尚處于初步探索階段，所收集的數(shù)據(jù)量終究有限，后續(xù)也將進(jìn)一步尋找更多數(shù)據(jù)，對(duì)知識(shí)圖譜做進(jìn)一步完善。隨著大語(yǔ)言模型的興起，將大語(yǔ)言模型與知識(shí)圖譜相結(jié)合也將成為未來(lái)研究的一個(gè)嶄新方向。

參考文獻(xiàn)：

[1]賀海霞，劉濤，杜萍.地震災(zāi)害應(yīng)急管理知識(shí)圖譜構(gòu)建研究[J].蘭州交通大學(xué)學(xué)報(bào)，2023，42（3）：113-123.

[2]李澤荃，徐淑華，李碧霄，等.基于知識(shí)圖譜的災(zāi)害場(chǎng)景信息融合技術(shù)[J].華北科技學(xué)院學(xué)報(bào)，2019，16（2）：1-5.

[3]YANYC，LIULH，BANYK，etal.DynamicKnowledge Graph Alignment [EB/OL].[2024-09-2].file：///C：/Users/wy/Downloads/16585-Article%20Text-20079-1-2-20210518.pdf.

[4]ZHUYQ，WANGXH，CHENJ，etal.LlmsforKnowledge Graph Constructionand Reasoning：RecentCapabilities and Future Opportunities[J].World Wide Web，2024，27（5）：58-58.

[5]ZHANGBW，SOHH.Extract，Define，Canonicalize：AnLLm-Based Framework forKnowledge Graph Construction[JOL].arXiv：2404.03868v1 [cs.CL].[2024-09-28].https：//arxiv.org/html/2404.03868v1.

[6]BROWNTB，MANNB，RYDERN，et al.LanguageModelsare Few-ShotLearners[J/OL].arXiv：2005.14165[cs.CL].[2024-09-28].https：//arxiv.org/abs/2005.14165？context=cs.

[7]ZHANGJY，ZHANGZX，ZHANGHH，etal.FromElectronic HealthRecordsto TerminologyBase：ANovelKnowledge Base EnrichmentApproach[J].Journal of BiomedicalInformatics，2021，113：103628.

[8] ZIAULLAH AW，OFLIF，IMRAN M.MonitoringCritical Infrastructure Facilities During DisastersUsing Large LanguageModels[J/OL].arXiv：2404.14432[cs.SI].[2024-09-28]. https：//arxiv.org/abs/2404.14432？context=cs.CL.

[9]LIUYC，KUO CL.Constructing Spatio-temporal DisasterKnowledge Graph from Social Media[J].AGILE： GIScienceSeries，2024，5：37.

[10]王喆，陸俊燃，楊棟梁，等.融合GPT和知識(shí)圖譜的洪澇應(yīng)急決策智能問(wèn)答系統(tǒng)研究[J].中國(guó)安全生產(chǎn)科學(xué)技術(shù)，2024，20（4）：5-11.

[11]OPENAI，ACHIAMJ，ADLERS，etal.Gpt-4 TechnicalReport [J/OL].arXiv：2303.08774[cs.CL].[2024-09-28]. https：//arxiv.org/abs/2303.08774？utm_source=chatgpt.com.

作者簡(jiǎn)介：徐歡（2004—），男，漢族，浙江杭州人，本科在讀，研究方向：大語(yǔ)言模型的知識(shí)圖譜構(gòu)建與增強(qiáng)技術(shù)；吳夢(mèng)飛（1995一），女，漢族，浙江湖州人，講師，工學(xué)碩士，研究方向：自然語(yǔ)言處理；孫文學(xué)（1989一），男，漢族，山東濟(jì)寧人，講師，工學(xué)碩士，研究方向：智能計(jì)算、深度學(xué)習(xí)。