基于深度学习的火灾事故知识图谱构建

刘露

2026届 应用统计专业

中文摘要：火灾事故作为突发性灾害，对人民群众生命财产安全构成严重威胁，随着城市化进程推进，其类型与成因愈发复杂，给消防安全智能化、精细化管理带来挑战。然而，当前火灾相关数据以非结构化文本为主，人工整理效率低、误差高，且现有命名实体识别模型在火灾领域适配性不足，缺乏专用语料库与针对性优化，已有的知识图谱构建还存在实体体系模糊、关系抽取不准等问题。基于此，本研究聚焦火灾事故文本命名实体识别与知识图谱的构建，以期为消防安全管理提供数据支撑与决策参考。

本研究遵循数据构建-模型设计-图谱实现的技术路线开展实证研究：采集消防年鉴与微博火灾相关的两类文本数据，经清洗与预处理后得到有效样本3742条，根据火灾事故文本特征界定7类核心实体，完成32298个实体实例标注，构建火灾领域专用语料库。在模型层面，通过构建BERT-BiLSTM-Att-CRF融合模型，充分发挥BERT的深层语义表征能力、BiLSTM的序列上下文建模能力、注意力机制的关键特征加权能力以及CRF的全局标签约束能力，通过与多个基准模型进行实验对比和消融实验，系统验证所提模型的有效性及各组件的必要性。在图谱层面，设计包含8类节点与7类关系的本体架构，采用规则驱动方法实现实体关系与属性的准确抽取，然后依托Neo4j图数据库构建包含19305个节点与18043条关系的火灾事故知识图谱，并通过多维度案例分析验证其应用价值。

研究结果表明，所构建的专用语料库可有效支撑模型训练，BERT-BiLSTM-Att-CRF模型F1值达93.54%，显著优于各类基准模型，构建的火灾事故知识图谱可实现火灾信息的多维度查询与分析。本研究为火灾领域文本处理与知识图谱构建提供了完整技术路径，以期为消防安全智能化管理提供可行的思路与方法。

关键词：火灾事故文本；BERT-BiLSTM-Att-CRF；命名实体识别；知识图谱