融合事理知识图谱与网络舆情分析的突发事件情报支持路径及实证研究——以危化品事故为例.pdf

研究论文基金项目 本 文 系 国 家 社 会 科 学 基 金 一 般 项 目“数 智 赋 能 的 重 大 突 发 公 共 事 件 预 测 型 情 报 服 务 机 制 研 究”(2 2 B T Q 0 5 1)的成果之一。作者简介 张诗莹,硕士生,研究方向为事理图谱、数据挖掘;李阳(通讯作者),副教授,硕士生导师,研究方向为应急情报、数据治理,E m a i l:l i y a n g n j u.e d u.c n。本文引用格式:张诗莹,李阳.融合事理知识图谱与网络舆情分析的突发事件情报支持路径及实证研究 以危化品事故为例J.信息资源管理学报,2 0 2 3,1 3(4):6 0-7 1.融合事理知识图谱与网络舆情分析的突发事件情报支持路径及实证研究 以危化品事故为例张诗莹 李 阳吠(南京大学信息管理学院,南京,2 1 0 0 2 3)摘 要 针对当前突发事件情报支持存在的知识静态化、事理模糊化、空间单一化等不足,本文提出一种融合事理知识图谱与网络舆情分析的突发事件情报支持路径,旨在提高复杂情境下突发事件的总体态势感知能力和预测应对能力,支持数智赋能时代的应急情报范式创新。从事理和知识融合、业务和网络融合的集成视角构建突发事件情报支持逻辑框架,并以危化品事故为例开展实证研究,具体包括构建相关突发事件情报资源案例库,利用事理知识图谱从认知智能角度真实刻画突发事件的发展逻辑,借助主题挖掘、情感分析等网络舆情分析技术描述突发事件在网络空间造成的影响,为新发生突发事件的应急管理与决策提供情报支持。本文提出的突发事件情报支持路径能够兼顾多源空间数据特征,同时考虑事理和知识的融合,能够更加系统化地从“过去-未来”角度实现突发事件的情报预测,以危化品事故为例的实证研究和验证环节也体现出较好的知识呈现、情报推理效果。关键词 突发事件 应急情报 事理图谱 网络舆情 因果关系中图分类号G 2 5 0 文献标识码A 文章编号2 0 9 5-2 1 7 1(2 0 2 3)0 4-0 0 6 0-1 2D O I:1 0.1 3 3 6 5/j.j i r m.2 0 2 3.0 4.0 6 0T h e P a t h a n d E mpi r i c a l S t u dy o f I n t e l l ige n c e S up po r t f o r E m e rge n c i e s by F u s i ng E v e n t i c G r aph a n d N e t w o r k Opi n i o n A n a lys i s T a k i ng H a z a r d o u s C h e m i c a l A c-c i d e n t s a s a n E x a mpl eZ h a n g S h i y i n g L i Y a n g(S c h o o l o f I n f o r m a t i o n M a n a g e m e n t,N a n j i n g U n i v e r s i t y,N a n j i n g,2 1 0 0 2 3)A b s t r a c t E x i s t i n g e m e r g e n c y i n t e l l i g e n c e s u p p o r t h a s s o m e d e f i c i e n c i e s,s u c h a s s t a t i c k n o w l e d g e,f u z z y r e a s o n i n g,a n d s p a t i a l h o m o g e n e i t y.T h e p a p e r p r o p o s e s a p a t h o f e m e r g e n c y i n t e l l i g e n c e s u p p o r t t h a t i n t e g r a t e s e v e n t i c g r a p h a n d n e t w o r k o p i n i o n a n a l y s i s,a i m i n g t o i m p r o v e t h e s i t u a t i o n a l a w a r e n e s s a n d p r e-d i c t i v e r e s p o n s e c a p a b i l i t y o f e m e r g e n c i e s i n c o m p l e x s i t u a t i o n s,a n d s u p p o r t e m e r g e n c y i n t e l l i g e n c e p a r a-d i g m i n n o v a t i o n i n t h e e r a o f d i g i t a l i n t e l l i g e n c e e m p o w e r m e n t.T h e p a p e r c o n s t r u c t s a f r a m e w o r k f o r e m e r-06g e n c y i n t e l l i g e n c e s u p p o r t f r o m t h e i n t e g r a t e d p e r s p e c t i v e o f r e a s o n i n g a n d k n o w l e d g e f u s i o n,b u s i n e s s a n d n e t w o r k f u s i o n,a n d c a r r i e s o u t e m p i r i c a l r e s e a r c h u s i n g h a z a r d o u s c h e m i c a l a c c i d e n t s a s a n i l l u s t r a t i o n.T h e w o r k i n c l u d e s b u i l d i n g a d a t a b a s e o f r e l e v a n t e m e r g e n c i e s,p o r t r a y i n g t h e d e v e l o p m e n t l o g i c o f e m e r g e n c i e s u s i n g a n e v e n t i c g r a p h,a n d d e s c r i b i n g t h e i m p a c t o f e m e r g e n c i e s i n c y b e r s p a c e u s i n g o n l i n e o p i n i o n a n a l y s i s t e c h n i q u e s.T h i s p r o v i d e s i n t e l l i g e n c e s u p p o r t f o r e m e r g e n c y m a n a g e m e n t a n d d e c i s i o n m a k i n g f o r n e w e-m e r g e n c i e s.T h e i n t e l l i g e n c e s u p p o r t p a t h p r o p o s e d i n t h i s p a p e r c a n t a k e i n t o a c c o u n t t h e c h a r a c t e r i s t i c s o f m u l t i-s o u r c e s p a t i a l d a t a a s w e l l a s t h e i n t e g r a t i o n o f e v e n t l o g i c a n d k n o w l e d g e,a l l o w i n g f o r a m o r e s y s t e m-a t i c p a s t-f u t u r e i n t e l l i g e n c e p r e d i c t i o n o f e m e r g e n c i e s.T h e e m p i r i c a l s t u d y a n d v a l i d a t i o n o f h a z a r d o u s c h e m i c a l a c c i d e n t s a l s o s h o w g o o d k n o w l e d g e p r e s e n t a t i o n a n d i n t e l l i g e n c e r e a s o n i n g.K eyw o r d s E m e r g e n c i e s;E m e r g e n c y i n t e l l i g e n c e;E v e n t i c g r a p h;N e t w o r k p u b l i c o p i n i o n;C a u s a l r e l a t i o n s1 引言情报是突发事件应急决策的关键，应急决策主体所依赖的关键情报信息不仅仅包括经过加工处理的实时事件推送信息，过往的同类和相似事件所提供的处置方案、知识和经验也是突 发 事 件 情 报 支 持 路 径 的 关 键 一环。因此，目前很多研究致力于从基础情报资源、知识驱动视角探讨突发事件知识库构建1，以支持复杂情境下应急决策的快速响应。这种从已知到未知的突发事件情报支持路径具 有 很 强 的 实 践 意 义，但 在 现 代 环 境下，该路径存在以下不足：第一，突发事件的知识库构建特别考验专有领域的特殊性，一旦知识库过于宽泛，场景过于粗糙，过往事件的情报就失去了针对性的参考价值；第二，突发事件知识库构建多以“知识”为核心命门，以静态化知识图谱为主要表征，对“事件”关注不够，也就无法根据事件逻辑关系进行深度动态化的推理推演等情报服务工作；第三，过往突发事件知识库等探索多拘泥于业务空间的事件信息抽取、关联与可视化呈现，鲜有融合网络空间相关问题，不利于决策者从全局角度把控突发事件演化规律以及对发展趋势进行预测。在社交媒体广泛应用、开源情报以及大众情报兴起的环境下，与业务空间平行的网络空间也正成为突发事件应对处置的重要模块。综合以上，本文认为，面向突发事件的情报支持路径应在专题性的事件类之下，综合考虑事件的知识维和事理维，同时融合业务空间和网络空间的情报刻画和反应。近年来，在 数 智 赋 能、因 果 革 命 等 技 术 的 推 动下，事理图谱的兴起为逻辑推理层面的情报支持奠定了良好基础；同时，社交媒体平台数据的易获取性使得情报研究可以更好把控网络空间中的群众反应。鉴于此，本文致力于构建一个具有推广意义的突发事件情报支持路径框架，综合利用事理知识图谱、网络舆情分析等相关理论方法，以危化品事故这一专有领域的突发事件为场景实证对象，探索这一情报支持路径的可行性和有效性。2 相关研究综述2.1 事理知识图谱相关研究知识图谱自2 0 1 2年G o o g l e公司提出以来，国内外学者主要围绕着知识图谱构建的关键技术和应用开展研究。在关键技术方面，学者 们 的 研 究 方 向 包 括 知 识 抽 取 与 组织2、知识融合3、知识推理4-5等；在应用方面，现有的成果包括金融股权知识图谱、医疗问诊知识图谱等。事理图谱从知识图谱演变而来，是描述事件演化模式的有向有环图，节点代表事件，有向边代表事件之间的逻辑关系6。自2 0 1 7年国内哈工大社会计算与信息检索实验室提出了事理图谱这一概念后，相关领域的学者开始了事理图谱的探索。在事理图谱相关技术方面，有不少研究聚焦于事件对抽取7、事件预测8等技术的提升；在应用方面，涉及通过构建事理图谱形成具有多维特征的网络舆情事件可视化摘要9、将事理图谱应用于重大突发公共卫生事件1 0等。另外，有也学者关注了事理知识图谱的概念，2 0 1 8年，G o t t s c h a l k等1 1提出了一种以事 件 为 中 心 的 多 语 言 时 序 知 识 图16谱，从 D B p e d i a、Y A G O、W i k i d a t a 等现有大型知识图谱中抽取了6 9万个当代和历史事件、2 3 0多万个时序关系，并对抽取的事件、实体和关系进行融合。刘政昊等1 2认为，事理知识图谱融合了客观知识和事理逻辑，能够提供一个基于多模式知识关联的逻辑推理框架。可以看出，事理知识图谱的本质是事理图谱与知识图谱的融合，即谓词性事件与名词性实体的融合，从而形成动态知识与静态知识的联动。目前，事理知识图谱的相关研究在国内还处于起步阶段。2.2 面向突发事件的知识库与决策支持相关研究面临“信息超载”和“知识匮乏”的双重困境，高质量的情报资源对于决策者而言更加重要，相关领域的学者们展开了面向突发事件的知识库研究。国内的研究成果大致分为知识库构建技术与面向领域的知识库构建两个方向。在构建技术方面，主要有知识获取与表示1 3、查询与推理等1 4技术；在面向领域的应用方面，领域专家构建了针对特定类型突发事件的监测预警系统1 5、面向药品突发事件的应急决策知识库模型1 6、应急情报系统的案例知识库表示模型1 7等。随着知识图谱的大 规 模 应 用 和 神 经 网 络 技 术 的 发展，关于知识推理的研究进入了新的阶段，如基于神经网络的推理方法、混合式推理方法等，如何将知识推理与知识库的实时更新相结合是重要的研究方向。目前来看，面向突发事件的知识库成果越来越多，但在具体的决策支持方面仍然存在数据素材单一、知识库语义分析相对粗糙化等问题。2.3 突发事件网络舆情与决策支持相关研究网络舆情一直是情报学、新闻传播学、政治学等学科关注的重点方向。在突发事件情境下，网络舆情相关问题则显得更为特殊和重要。近年来相关方向的研究成果主要围绕舆情演化、舆情预测和舆情治理这三个主题展开。在舆情演化方面，有研究利用知识图谱构建技术，基于微博平台构建突发公共卫生事件舆情话题图谱，分析舆情的演化规律和趋势1 8；在舆情预测方面，有研究构建网络舆情案例推理模型，从舆情预测的角度为突发事件应急决策提供思路1 9；在舆情治理方面，有学者提出网络舆情治理模型，为突发事件网络舆情精准处置与动态决策提供新思路2 0。总体来看，网络舆情分析已经成为突发事件尤其是重大突发事件决策支持中必不可少的内容，但现有相关研究主要是沿袭着网络空间的分析视角，并未将关注点聚焦到业务与网络融合方向。2.4 研究述评综上所述，针对突发事件的决策支持成为图书情报领域的研究热点，也取得了许多有价值的成果。这些研究还存在以下不足：第一，事理图谱已应用于金融、政策、舆情、出行等领域，但在突发事件应急管理领域的应用较少，并且缺少跟知识图谱的融合。第二，突发事件知识库的构建在方法层面已取得不错的进展，应急情报研究方向的不少学者也关注着知识库的研究，但在面向领域的应用层面缺少与动态知识的结合。此外，许多研究成果只注重突发事件本身的知识，忽略了网络舆情这一知识源，从而导致知识库的推荐解决方案仅局限于业务层面。第三，突发事件网络舆情的相关研究主要侧重于舆情演化动因和演化规律，缺乏与事件业务层的结合，情报展现维度较为单一。基于以上不足，本文面向突发事件领域，利用事理图谱、主题挖掘、情感分析等技术，构建业务空间与网络空间兼备的情报支持路径。最后，以危化品事故为例，证实该路径的可行性和有效性。3 融合事理知识图谱与网络舆情分析的突发事件情报支持路径构建为了详 细 阐 述 如 何 构 建 融 合 知 识 和 事理、业务与网络的突发事件情报支持路径，本文给出了实现思路，如图1所示。具体而言，第一，从相关部门的官网、社交媒体平台等获取近年来某类突发事件的真实案例及其引发的网络舆情数据，构成基础数据层。第二，结合应急决策主体需求与事件特征，一方面利用事理知识图谱从认知智能角度真实刻26画突发事件的发展脉络，展现事件事理知识；另一方面借助网络舆情分析描述突发事件对网络空间的影响，展现事件关键节点延伸的网络舆情，从而构建起融合事理与知识、业务与网络的情报服务层。第三，基于事故摘要相似度实现对新事件的资源匹配。最后，将情报服务层的资源以可视化的形式展现给应急决策主体，以提供决策支持。图1 突发事件情报支持路径构建整体框架3.1 基础数据层的构建基础数据层包括业务空间数据和网络空间数据。信息网络化尤其是移动互联网时代的到来，催生了网络舆情乃至“信息疫情”。突发事件比以往任何时候都更容易映射到网络上，甚至引发一系列子事件。因此，为保证基础数据层的完整性，业务空间数据的来源不仅包括相关部门公布的调查结果，还包括网络上媒体的报道，以补充调查结果中缺失的潜在子事件。网络空间的数据来自以微博为代表的社交媒体，各类社交媒体为民众提供了一个更加便利的“发声”平台，这些舆论是网络空间治理的数据基石。3.2 情报服务层的构建与情报资源匹配过去同类突发事件的演化逻辑和解决方案对当前发生的事件有着重要的参考价值，利用“历史记忆”判断“当前态势”，能够让决策者对此时发生的事件有一个整体的认知。将基础数据资源进行整合，构成情报服务层，旨在随时为应急决策主体提供已发生事件的发展脉络、演变规律和模式情报。通过比较新事件与旧事件在情景上的相似程度，从情报资源库中获取能够匹配当前事件的“历史记忆”，为新事件的应急决策提供思路。有学者提出基于情景相似度的突发事件情报感知思路，利用H o w N e t语义相似度计算工具W o r d S i m i l a r i t y完成新情景要素与已有情景要素的相似度检验，进而匹配出已有的情报资源2 1。本文借鉴该思路，采用T e x t R a n k算法从事故案例中提取事故摘要，计算摘要之间的余弦相似度，利用与新事故较为相似的事故情报资源为新事故的应急决策提供支持。T e x t R a n k算法来源于网页排序算法P a g e R a n k，通过构建以句子为节点、以句子间相似度为边的图模型，计算出每个句子的P a g e R a n k得分，选取得分最高的句子作为摘要候选句。基于事故摘要相似度的情报资源匹配算法可以表示为：S i mAi,Aj =mpm a x(nqs i m(Si p,Sj q)m(1)36设新事故ei的摘要句子集合表示为Ai=Si1,Si2,.,Si m，案例库中某事故ej的摘要句子集合表示为Aj=Sj1,Sj2,.,Sj n，全部事 故 摘 要 设 为 集 合D=A1,A2,.,Ak。公式（1）中S i m(Ai,Aj)表示事故摘要Ai和Aj之间的相似度，是情报资源匹配的依据，s i m(Si p,Sj q)为Ai中第p个句子Si p和Aj中第q个句子Sj q的相似度。3.3 事理知识图谱构建本文主要关注因果事理逻辑，依据生成的因果关系规则，进行因果判定、事件对提取和事件泛化，形成具有结构的事理图谱。同时考虑到突发事件涉及的非人为因素和人为因素，通过命名实体识别与关系抽取构建具有结构的知识图谱。最后，通过N e o 4 j图数据库完成事理知识图谱的融合，从而更好地为突发事件应急决策提供数据支撑，为资源配置提供服务。3.3.1 因果判定与事件对提取明确因果句具有特殊的触发词，利用因果触发词生成句法模式，继而设计规则模板，是判定因果句较为有效的方法。表1为因果句句法模板，包含了五种常见的明确因果句句法模式以及对应的因果触发词和词性。为表1中每个句法模式定义一条正则表达式以识别文档包含的明确因果句，并结合基于语义角色匹配和基于模式匹配这两种方式，设计了五种规则模板以提取因果事件对，见表2。表1 因果句句法模板2 2 明确因果句句法模式词性因果触发词C a u s eE f f e c t动词v 1导致，带来，产生，促成，造成，影响，引起，引发，使 得，波 及，推 动，推 进，诱发，促使，致使E f f e c tC a u s e动词v 2取决于，根源于，来源于，起源于，来自，出自，缘于C a u s e,E f f e c t连词c 1因为，由于介词p因，依据，根据，为了E f f e c t，C a u s e连词c 2（之）所以E f f e c t，C a u s e连词c 3是因为，是由于表2 因果对提取规则明确因果句句法模式规则因果对提取方法由因到果居中式(.*)(C u ev 1)(.*)由果溯因居中式(.*)(C u ev 2)(.*)基于语义角色由因到果前端式(C u ec 1|C u ep)/p|c(.*?)，/x(.*)由果溯因前端式(C u ec 2)/c(.*?)，/x(.*)由果溯因居中式(.*)(C u ec 3)/c|x(.*)基于模式匹配国内外学者提出了不同的事件表示方法，包括事件元素表示法、动词和名词集合表示法、谓词短语法等。本文采用Z h a o等2 3提出的动词和名词集合表示法来表示事件，形如ei=wi|wi V e r b s N o u n s，V e r b s和N o u n s分别表示动词集合和名词集合，一个事件可以有多个动词和名词。基于语义角色的提取方法将A 0（施事者）看作原因事件，将A 1（受事者）看作结果事件。如果一句话中存在多个A 0，则原因事件为所有A 0对应的词的拼接；同理，如果一句话中存在多个A 1或者除了A 0、A 1还有A 2时，则将所有A 1、A 2对应的词按顺序拼接作为结果事件。基于模式匹配的提取方法直接通过正则表达式提取出原因短句和结果短句。实验表明，基于语义角色的提取方法能够从动词触发的因果句中直接提取出动名词形式的因果事件对，同时避免了基于模式匹配结果冗长的缺点。对于非动词触发的因果句，不易通过语义角色标注来识别原因事件和结果事件，故采用基于模式匹配的方法提取这类因果句中的因果描述短句，在事件泛化阶段再转为动名词形式。463.3.2 事件泛化事件泛化是指对同一类具体的事件进行抽象表达。无论是基于语义角色提取的因果事件对，还是基于模式匹配提取的因果描述短句，都可能存在语义重复的现象，如两个或两个以上的原因事件实际是一个事件，所以需要通过共指融合、事件泛化形成语义明确、更具代表性的事理图谱。当前事件泛化的主要方法有基于选择性编码和基于机器聚类两种，前者需要依靠大量的人工劳动，而后者只需要在聚类结果之上进行少量的人工辅助2 4。选择性编码是寻找核心范畴，将能够相容的事件概括为一个高层次事件，适合数据较少的情况。基于机器聚类的事件泛化方式应用较为广泛，常见的做法是先将具体事件向量化，再用聚类算法将相似的事件向量归为一类，最后以抽象事件归纳每一类具体事件簇，该方法在数据较多时能够大大提高泛化效率。在具体实践中，应根据数据量多少和业务需要来选择事件泛化方法。本文以危化品事故为例，综合考量因果事件对的数目多少、事件表示的难易度、人工泛化的时间等因素，发现基于选择性编码的方法效果更好，因此采用该方法实现事件泛化。3.3.3 命名实体识别与关系抽取目 前，命 名 实 体 识 别 主 要 有 基 于 规则2 5、基 于 统 计 机 器 学 习2 6、基 于 深 度 学习2 7这三种方法。基于规则的方法能够在特定领域的语料上获得理想的识别效果，但领域移植性较差，面对新领域的语料往往需要重新制定规则。基于统计机器学习和基于深度学习的方法均可以弥补基于规则方法的不足，并在许多语料上被证明具有较高的识别效果。面向突发事件领域，事件发生时间、发生地点、相关机构名和相关人名通常是基本的命名实体，根据突发事件领域的不同，在此基础上增加其他实体类型。本文主要与危化品事故相关，使用基于深度学习的方法，通过封装的L T P命名实体识别模块提取人名和机构名；使用基于规则的方法提取时间和危化品名称；危化品事故涉及的地点粒度较小，因此依靠人工识别事故发生地点。以因果事件对为线索，反向搜索因果句，从而找出实体与实体、实体与事件之间的关系。3.3.4 事理知识图谱融合事理逻辑与实体关系的融合足以为一个突发事件的业务层面聚合起丰富的信息点，同时为决策者大大节省了搜集情报的时间，利用N e o 4 j图数据库建立事理知识图谱，使得突发事件业务空间的知识在一张图上完整呈现。首先增加一个带有突发事件名称的中心节点，再建立以原因事件为源节点、结果事件为目标节点、因果关系为边的有向图，将所有原因节点与中心节点相连，由此形成脉络清晰的事理演化逻辑图。随后将提取出的时间、地点等实体作为节点，将这些节点与相关的事件节点进行连接，最终完成图数据库中事理知识图谱的构建。原因事件和结果事件揭示了事理层面的动态知识，实体代表了特征层面的静态知识，以实体与事件之间的关联关系为纽带，达到事理与知识融合的目的。3.4 网络舆情分析突发事件发生后，群众的情感很容易受到舆论的影响，再加上网络推手刻意制造恐慌气氛，极易形成舆情风暴。同一类突发事件所引起的网络舆情往往具有相似的特征和演化趋势，对于新事件的网络舆情预警和治理工作有一定的参考价值。3.4.1 主题挖掘主题挖掘技术是在网络舆情分析中被广泛使用的一种技术，通过对语料进行聚类，能够获得网民讨论的话题数量，总结出话题类型，从宏观上反映出网络舆情的热点。最为常用的主题模型是L D A，该模型是基于“文档-主题-词”的贝叶斯概率模型，具有高效的抽样推理算法和模型泛 化 能 力。本 文 采 用L D A模型对不同阶段的舆情语料进行主题聚类分析，得到词汇-主题分布，再由人工总结主题。3.4.2 情感分析情感分析是网络舆情分析中关键的一环，大众情感和情绪是网络舆情的“牵引绳”，情绪的爆发很容易带动舆论节奏朝恶化的方向发展，进而影响整个网络空间的秩序。自社交媒体兴起以来，许多学者都致力于研究网民56情感 演 化 特 征2 8-3 0，以 及 网 络 舆 情 引 导 策略3 1。国内外学者的研究内容包括情感的主客观分析、情感极性分析和多情感分类等，使用的方法主要是无监督的基于情感词典的方法和有监督的基于机器学习方法。本文采用无监督的方法，首先利用S n o w N L P计算不同阶段舆情语料的情感分数，再基于大连理工大学的情感词汇本体库3 2对舆情语料进行分类，最后进行可视化以揭示突发事件网络舆情的情感演化规律。S n o w N L P的情感计算以朴素贝叶斯分类器为原理，对新数据的情感值做预测，计算公式为：P c1|w1,w2,.,wn =P w1,w2,wn|c1 P c1 P w1,w2,wn (2)S n o w N L P的计算结果区间为0,1，分数越接近1代表情感越偏正向，越接近0代表情感越偏负向。大连理工大学的情感词汇本体库将情感分为“乐”“好”“怒”“哀”“惧”“恶”“惊”7个大类和2 1个小类，依据情感词典，统计每条语料所包含的情感词典中的词，进而统计出每个阶段不同情感类别的语料所占比重。4 实证研究 危险化学品事故是指由易燃、易爆、带有腐蚀性、毒性和放射性等危险特性的化学品引发的灾害事故，具有突发性强、扩散速度快、救援困难等特点3 3。“十三五”期间(2 0 1 62 0 2 0年)，全国共发生化工和危险化学品事故9 2 9起，导致1 1 7 6人死亡，其中2 0 1 72 0 1 9年，每年至少发生2起重大及以上事故3 4。这类突发事件一旦发生，极易造成巨大的经济损失和人员伤亡。经过对近年来典型危化品事故案例的了解发现，事故涉及的危化品、引发事故的因素以及事故经过有一定的规律可循。为了能最大程度地减少危化品事故的发生，将事故带来的损失降至最低，本文以危化品事故为例，从中央和各个地方的应急管理部门官网获取2 0 1 62 0 2 1年典型危化品事故案例共1 5 3个，以中毒窒息类和爆炸类事故为主，构成情报资源案例库。利用已有的知识分析相似事件的发展脉络和网络影响，从而为相关部门在类似事件的预防和快速应对方面提供支持。4.1 基于事故摘要相似度的情报资源匹配某一类突发事件的典型案例往往包含了该类事件的共同情景特征，如经济损失、伤亡人数、涉及的危化品等，包含这些特征的事故经过是判断不同事故相似性的基础。首先，对事故经过文档进行分句、分词、去停用词，使用预训练的中文维基百科词向量获取每句话的句向量；然后，以文档的每句话作为节点，以句子之间的相似度作为边的权重构建图模型，求 出 每 个 句 子 的P a g e R a n k得 分；最后，将P a g e R a n k得分降序排列，抽取出前五个重要度较高的句子形成该文档的摘要。为了确保每篇摘要都包含重要的事故情景特征，对于不太理想的自动文摘，辅以人工处理。本文选取2 0 2 1年伤亡情况最严重的湖北省十堰市张湾区艳湖社区集贸市场“61 3”重大燃气爆炸事故作为新事故e1。需要说明的是，在实际情报支持运行系统中，新事故e1应是实时发生的新事件，需实现快速应急响应。以艳湖社区集贸市场事件为示范，基于公式（1）计算出事故摘要间的相似度，结果见表3。表3 事故摘要相似度匹配结果AjS i m(Ai,Aj)大连金普新区“12 5”较大燃气泄漏爆炸事故0.8 4 0 3 7 5 2 4 4内蒙古中高化工有限公司“1 02 2”较大爆炸事故0.8 1 9 9 1 3 6 8 5辽宁省沈阳市和平区太原南街2 2 2号“1 02 1”较大管道燃气泄漏爆炸事故0.8 1 8 5 9 8 5 6 8山东省临沂市金誉石化有限公司“65”重大爆炸着火事故0.8 1 8 3 3 7 6 1 9湖北省仙桃市蓝化有机硅有限公司“83”较大爆炸事故0.8 0 7 2 8 3 4 0 166从表3中可以看出，匹配到相似度最高的事故为大连金普新区“12 5”较大燃气泄漏爆炸事故，利用该事故的事理知识图谱分析其引发的网络舆情，为新事故e1的应急决策提供情报支持。4.2 事理知识图谱构建以大连金普新区“12 5”较大燃气泄漏爆炸事故的事故调查报告为主要数据源，以“大连金州燃气爆炸”为关键词搜索微博话题，得到各个话题下的微博博文1 0 6 3条，去重去噪后剩4 1 8条，对调查报告和微博博文进行分句、分词、去停用词等预处理工作。根据表2的规则模板提取出因果对4 7对，事故调查报告和微博博文中存在一样的因果对，去重后得到3 8对。以表4为例，针对这些因果事件进行编码，将同类的具体事件用同一个范畴表示。经过共指融合和事件泛化，剩下因果事件对共2 1对，将其导入图数据库。表4 事件泛化示例原事件范畴大连一燃气管道泄漏金州天成燃气公司燃气管道泄漏燃气公司燃气管道泄露燃气管泄漏泄露管道泄漏以这些因果对为线索，在事故调查报告和微博博文中寻找相关知识如时间、地点、机构、涉及危化品等，将这些知识链接到事理图谱中对应的事件节点上，完成事理与知识的融合。本文将突发事件相关实体分为企业、责任人、时间、地点四类，利用L T P的命名实体模块识别人名、企业名，对不准确、不完整的识别结果辅以人工识别。基于正则匹配和语义角色标注结合的方式来识别时间，如“2 3时至2 4时”“下星期”“2 3日上午”等时间描述，无法通过一个正则表达式匹配出来，而L T P的语义角色标注模块能够识别出包括上文列举字符在内的绝大部分的时间类型，缺点是速度较慢。故采用二者相结合的方式，编写匹配标准年月日时分秒格式的正则表达式，若匹配结果为空，再用L T P做语义角色标注。以中华人民共和国应急管理部2 0 1 5年发布的危险化学品目录作为词典，基于规则匹配的方式提取事故涉及的危化品名称。对于地点实体，突发事件中的地点既包括该事件发生的省、市、县，又包括子事件发生的小地点如“X X小区”“X X餐馆”等，这些小地点不易被现有工具直接识别，故本文采用人工识别的方式。企业与责任人实体的识别与关系抽取是同步进行的，责任人作为企业的属性，与企业一起形成例如这样的三元组结构。时间和地点实体与突发事件的因果事件对相关联，从原因事件或结果事件所在的句子中抽取时间和地点，与子事件组成的三元组结构。图2融合了大连金普新区“12 5”较大燃气泄漏爆炸事故的事件演化逻辑与相关实体，绿色节点表示原因事件，粉色节点表示结果事件，相关机构存在的问题属于引发该事故的间接原因，所以也标为绿色。传统的事件脉络梳理方式以经验性总结为主，这往往会忽视细节化的次生衍生事件或节点信息。基于事理知识图谱的事件脉络梳理可以更加系统且直观地聚焦和展现事件的全景节点，并强调从数据驱动视角实现事件演化演变的智能化自动化输出，便于应急决策者快速提炼出事件发展脉络和影响链。为了更好地刻画相关实证研究突发事件的事理发展逻辑，基于事理知识图谱进一步梳理出事故的发展脉络，具体见图3。4.3 网络舆情分析在舆情情报资源库中，主要是选取了新浪微博平台相关数据，获取了大连金州爆炸事故的一级、二级微博评论，删除重复的、评论时间为空的记录，最终留下具有代表性的评论共计1 4 4 8条。结合上述基于事理知识图谱分析而出的关键事故脉络，根据事件关键节点和舆情发展情况，对应刻画出三个关键子事件舆情全景，包括爆炸、确认伤亡、平息。4.3.1 主题挖掘结果分析利用L D A主题聚类模型分别对三个子事76舆情节点划分可根据事件具体情况而定,本文中的事件影响范围相对较小,仅刻画出三个节点。对于舆情影响较大的突发事件,可根据事件情况划分舆情周期以及关键节点并做出舆情刻画。图2 事理知识图谱示例图3 大连金普新区“12 5”较大燃气泄漏爆炸事故发展脉络表5 大连金普新区“12 5”较大燃气泄漏爆炸事故舆情主题挖掘舆情节点主题编号主题词（部分）主题概括爆炸T o p i c_1_1爆炸、泄漏、金州、失联、大连、可怕T o p i c_1_2过年、希望、祈求、平安、安好、事故网友祈祷伤者平安确认伤亡T o p i c_2_1大连、泄漏、燃气、平安、燃气管、原因T o p i c_2_2豆腐渣工程、事故、燃气管、可怕、原因、查出T o p i c_2_3能量、法治、关注、传递、平安、爆炸T o p i c_2_4信息、平台、关注、追究、发布、燃气网友讨论燃气泄漏原因，进一步转发信息平息T o p i c_3_1逝者、安息、平安、工程质量、死亡、已致T o p i c_3_2逃生、避险、守则、死亡、燃气管、调查T o p i c_3_3守则、逃生、危险、燃气公司、责任、保险网友追责件舆情节点的评论建模，根据各节点的主题词分布，总结出爆炸、确认伤亡和平息对应的舆情话题，如表5所示。大连金州爆炸事故造成了较大的人员伤亡，事故消息一经发布，网络舆情迅速爆发，网友们纷纷祈祷伤者平安。新华社于爆炸发生7小时后报道了伤亡情况，此后信息传播速度加快，舆论进一步发酵。第二天事故逐渐86平息，相关微博数量大大减少，群众诉求也从“祈求平安”转变为“追究责任”。总体来看，爆炸类危化品突发事件容易造成网络舆情的突然爆发，舆情规模、平息速度与事故伤亡情况有一定的相关性，舆情热点往往会从伤亡情况变为引起事故的原因和涉事企业。4.3.2 情感演化结果分析利用S n o w N L P和大连理工大学情感词汇本体库分析三个节点评论的情感正负极性和类别，先计算每条评论的情感分数，分别统计正向和负向评论占相应节点总评论数的比例，见图4；然后统计各节点评论所包含的属于情感七大类的情感词个数，对每一类的情感词进行加总并计算百分比，见图5。图4 大连金州爆炸事故的网络舆情情感倾向图图5 大连金州爆炸事故的网络舆情情绪演变图纵观整个网络舆情的关键节点，从情感倾向上看，情感由正向转为负向，最终以负向情感 主 导 收 尾；从 情 绪 类 别 上 看，情 绪 由“好”转“恶”，主要由“好”“乐”“恶”三种情绪主导