Page 242 - 《爆炸与冲击》2026年第5期

第 46 卷 王继民，等： 意外爆炸毁伤知识图谱研究 第 5 期

表 14 贝叶斯算法输入
Table 14 Input of Bayesian algorithm
编码 c 冲击波毁伤等级 爆炸成坑等级 烟雾颜色分类 破片毁伤等级

1 F 4 5 3 −1
2 D 2 4 −1 −1
3 F 1 3 2 5
4 F 1 5 1, 3 −1
5 F 1 3 1, 2 2
6 E 0 −1 3 −1
7 F 3 −1 3 −1
4 结 论

针对意外爆炸毁伤领域的知识图谱构建问题，提出以事件联合抽取模型为核心的意外爆炸知识图
谱构建方法，并在构建的知识图谱上进行了意外爆炸溯源应用分析，得到以下主要结论。
(1) 针对意外爆炸毁伤领域文本中存在事件重叠和嵌套的情况，基于动态掩码的事件联合抽取模型
可以较好地提取出事件信息。基于意外爆炸毁伤语料库，提出的事件联合抽取方法在事件分类上的精
确率 P 和召回率 R 分别较现有抽取模型提高至少 2.7% 和 2%，因为模型在面对文本中触发词重叠问题
时仅标注触发词的起始和结束位置，避免了传统序列标注模型在字符重叠情况下容易出现的遗漏问
题。在事件元素分类任务中，综合 F 值、精确率 P 和召回率 R 指标分别至少提升 5.4%、7.2% 和 3.2%。
1
(2) 所构建的意外爆炸知识图谱具备良好的下游评估与推理支持能力。在溯源分析中，首先对知识
图谱进行向量化表示，随后从贝鲁特港口区爆炸的相关报告中抽取爆炸描述，通过向量相似性检索在知
识图谱中查找类似爆炸事件，最终利用贝叶斯分类方法准确推断爆炸源种类。基于知识图谱的溯源与
传统的人工溯源相比，速度和准确性都有较大的提高，表明所建立的意外爆炸知识图谱能够适应毁伤效
应的下游分析应用。

参考文献：
[1] ASHRAF S, GARG H, KOUSAR M. An industrial disaster emergency decision-making based on China’s Tianjin city port
explosion under complex probabilistic hesitant fuzzy soft environment [J]. Engineering Applications of Artificial Intelligence,
2023, 123: 106400. DOI: 10.1016/j.engappai.2023.106400.
[2] YU G D, DUH Y S, YANG X D, et al. Holistic case study on the explosion of ammonium nitrate in Tianjin port [J].
Sustainability, 2022, 14(6): 3429. DOI: 10.3390/SU14063429.
[3] 杭婷婷, 冯钧, 陆佳民. 知识图谱构建技术: 分类、调查和未来方向 [J]. 计算机科学, 2021, 48(2): 175–189. DOI:
10.11896/jsjkx.200700010.
HANG T T, FENG J, LU J M. Knowledge graph construction techniques: taxonomy, survey and future directions [J].
Computer Science, 2021, 48(2): 175–189. DOI: 10.11896/jsjkx.200700010.
[4] JI S X, PAN S R, CAMBRIA E, et al. A survey on knowledge graphs: representation, acquisition, and applications [J]. IEEE
Transactions on Neural Networks and Learning Systems, 2022, 33(2): 494–514. DOI: 10.1109/TNNLS.2021.3070843.
[5] GEVA T, ZAHAVI J. Empirical evaluation of an automated intraday stock recommendation system incorporating both market
data and textual news [J]. Decision Support Systems, 2014, 57: 212–223. DOI: 10.1016/j.dss.2013.09.013.
[6] 李学亮. 基于深度学习及知识图谱的垂直领域问答研究 [D]. 北京: 北京邮电大学, 2021: 4–12. DOI: 10.26969/d.cnki.
gbydu.2021.002355.
LI X L. Research on vertical domain question answering based on deep learning and knowledge graph [D]. Beijing: Beijing
University of Posts and Telecommunications, 2021: 4–12. DOI: 10.26969/d.cnki.gbydu.2021.002355.
[7] 刘宝, 车礼东, 黄红花, 等. 基于自然语言处理（NLP）技术建立化学品危险评估知识图谱的研究 [J]. 计算机与应用化学,
2018, 35(7): 605–610. DOI: 10.16866/j.com.app.chem201807010.
LIU B, CHE L D, HUANG H H, et al. The research of establishment of knowledge graph of chemical hazard assessment

051444-13