關(guān)鍵詞：知識(shí)圖譜；特情處置；空中交通管制；深度學(xué)習(xí)；決策支持

中圖分類號(hào)：Ｖ３５５．１＋１ 文獻(xiàn)標(biāo)志碼：Ａ DOI：１０．１２３０５／ｊ．ｉｓｓｎ．１００１-５０６Ｘ．２０２４．１２．２０

０引言

飛行特情主要指飛行過程中出現(xiàn)的超出預(yù)期的情況或預(yù)期情況未包含的現(xiàn)象，其主要表現(xiàn)形式包括航空器本身和系統(tǒng)的安全問題（如舵面卡阻、起火、通信中斷或異常等）、復(fù)雜天氣環(huán)境問題（如雷雨、積冰、風(fēng)切變等）、機(jī)組對(duì)航空器的誤操作等［１］。特情在民航運(yùn)輸過程中時(shí)有發(fā)生［２］，若不能對(duì)其進(jìn)行恰當(dāng)有效的處置，將引發(fā)重特大事故，直接威脅航空安全。

特情處置本身是應(yīng)急安全管理的重要組成部分，也是近年來備受關(guān)注的熱點(diǎn)問題之一。民航的首要任務(wù)之一是確保飛行安全，這在很大程度上取決于空中交通管制（簡(jiǎn)稱空管）人員在特情發(fā)生時(shí)能否正確和及時(shí)地采取行動(dòng)［３］。目前，特情的處置工作主要依賴于“人的經(jīng)驗(yàn)”，即當(dāng)出現(xiàn)新特情時(shí)，空管人員需通過檢索規(guī)章、檢查單等文本數(shù)據(jù)并結(jié)合自身經(jīng)驗(yàn)給出處置方案。這種處置方式需要空管人員在短時(shí)間內(nèi)從大量文件中查找到與當(dāng)前特情相對(duì)應(yīng)的檢查單，效率較低且準(zhǔn)確性無法保證。另外，隨著民航運(yùn)輸量的不斷增加，規(guī)章和檢查單已無法涵蓋所有可能發(fā)生的特情，僅僅機(jī)械地執(zhí)行規(guī)章和檢查單中的程序化條款難以應(yīng)對(duì)復(fù)雜多變的特情。因此，空管特情處置亟需借助智能化技術(shù)，將海量非結(jié)構(gòu)化的特情處置文本凝煉成結(jié)構(gòu)化的知識(shí)，并將這些知識(shí)進(jìn)行可視化展示［４５］。在特情發(fā)生時(shí)，幫助空管人員快速掌握特情處置的關(guān)鍵信息，并進(jìn)行輔助決策，以提高空管人員針對(duì)特情的應(yīng)急處置能力。

２０１２年，Ｇｏｏｇｌｅ正式提出了知識(shí)圖譜技術(shù)［６］，其目的是為了優(yōu)化用戶搜索體驗(yàn)。從知識(shí)圖譜的深層邏輯來看，知識(shí)圖譜是一種語義網(wǎng)絡(luò)，網(wǎng)絡(luò)中的“結(jié)點(diǎn)”代表實(shí)體或者概念，“邊”代表實(shí)體／概念之間的各種語義關(guān)系［７８］。知識(shí)圖譜可將多樣的非結(jié)構(gòu)化信息以圖的形式存儲(chǔ)起來，以支持高效的數(shù)據(jù)調(diào)取。因此，通過構(gòu)建空管特情處置知識(shí)圖譜，將特情處置知識(shí)進(jìn)行組織和存儲(chǔ)，可為特情處置工作提供智能化的服務(wù)與決策參考。

近年來，已有許多學(xué)者針對(duì)民航特情的應(yīng)急決策方法進(jìn)行了研究。Ｘｉｏｎｇ 等［９］ 提出擴(kuò)展加權(quán)平均（ｅｘｔｅｎｄｅｄｐｏｗｅｒａｖｅｒａｇｅ，ＥＰＡ）算子的概念，將ＥＰＡ 用于多屬性決策，為民航應(yīng)急預(yù)案選擇提供了更高效的方法；Ｗａｎｇ等［１０］提出一種綜合多屬性群體決策方法，結(jié)合故障樹分析方法對(duì)航空救援進(jìn)行應(yīng)急決策。由此可見，當(dāng)前的空管特情處置決策研究多采用傳統(tǒng)的決策方法，甚少有知識(shí)圖譜技術(shù)的參與，因此將知識(shí)圖譜引入空管特情處置決策研究具有廣闊的發(fā)展前景與現(xiàn)實(shí)意義。

目前，國內(nèi)外學(xué)者已對(duì)知識(shí)圖譜在應(yīng)急管理方面的應(yīng)用進(jìn)行了許多探索。文獻(xiàn)［１１］構(gòu)建多模態(tài)洪澇災(zāi)害知識(shí)圖譜，實(shí)現(xiàn)多源異構(gòu)數(shù)據(jù)到多模態(tài)知識(shí)的轉(zhuǎn)化，在災(zāi)害不同時(shí)期提供相應(yīng)的應(yīng)急措施。文獻(xiàn)［１２］開發(fā)建筑工地安全知識(shí)圖譜，該知識(shí)圖譜可以在遵守安全法規(guī)的同時(shí)自動(dòng)準(zhǔn)確地識(shí)別危險(xiǎn)。文獻(xiàn)［１３］構(gòu)建水利工程應(yīng)急預(yù)案知識(shí)圖譜，并通過知識(shí)檢索和推理生成應(yīng)急預(yù)案。文獻(xiàn)［１４］基于知識(shí)圖譜和關(guān)系圖卷積網(wǎng)絡(luò)（ｒｅｌａｔｉｏｎａｌ-ｇｒａｐｈｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｔ-ｗｏｒｋ，Ｒ-ＧＣＮ）模型提出一種城市軌道交通突發(fā)事件演化結(jié)果預(yù)測(cè)方法，為軌道交通應(yīng)急管理提供方法和技術(shù)支持。文獻(xiàn)［１５］基于知識(shí)圖譜建立一個(gè)能適應(yīng)多種事故信息描述層次的應(yīng)急任務(wù)推薦模型，解決任務(wù)推薦中案例特征輸入模糊的問題。

近年來，知識(shí)圖譜技術(shù)逐漸在民航領(lǐng)域得到應(yīng)用，但在空管特情處置領(lǐng)域尚屬起步階段［１６］。文獻(xiàn)［１７］采用雙向長短期記憶（ｂｉ-ｄｉｒｅｃｔｉｏｎａｌｌｏｎｇｓｈｏｒｔ-ｔｅｒｍ ｍｅｍｏｒｙ，ＢｉＬ-ＳＴＭ）網(wǎng)絡(luò)算法進(jìn)行飛機(jī)電源系統(tǒng)故障手冊(cè)的實(shí)體抽取，接著采用基于自注意力（ｓｅｌｆ-ａｔｔｅｎｔｉｏｎ，ＳＡ）的ＢｉＬＳＴＭ 網(wǎng)絡(luò)進(jìn)行關(guān)系抽取，進(jìn)而構(gòu)建飛機(jī)電源系統(tǒng)故障診斷知識(shí)圖譜。文獻(xiàn)［１８］采用ＢｉＬＳＴＭ 和條件隨機(jī)場(chǎng)（ｃｏｎｄｉｔｉｏｎａｌｒａｄｏｍｆｉｅｌｄｓ，ＣＲＦ）等深度學(xué)習(xí)技術(shù)實(shí)現(xiàn)知識(shí)自主抽取，實(shí)現(xiàn)潤滑系統(tǒng)故障知識(shí)智能問答和故障歸因分析應(yīng)用。文獻(xiàn)［１９］提出一種結(jié)合注意力機(jī)制與雙向門控循環(huán)單元的關(guān)系抽取模型，進(jìn)行民航突發(fā)事件領(lǐng)域本體的關(guān)系抽取。然而，在空管特情處置領(lǐng)域，特情案例記錄的文本數(shù)量較少，案例記錄中的領(lǐng)域性詞匯較多，且訓(xùn)練數(shù)據(jù)標(biāo)注耗時(shí)長、人工成本高，故在自然語言處理中常用的深度學(xué)習(xí)算法在空管特情處置知識(shí)抽取上難以取得較好的效果。

雙向轉(zhuǎn)換編碼器（ｂｉ-ｄｉｒｅｃｔｉｏｎａｌｅｎｃｏｄｅｒｒｅｐｒｅｓｅｎｔａｔｉｏｎｓｆｒｏｍｔｒａｎｓｆｏｒｍｅｒｓ，ＢＥＲＴ）是Ｇｏｏｇｌｅ于２０１８年提出的預(yù)訓(xùn)練模型［２０］。首先，在公共語料集上進(jìn)行模型預(yù)訓(xùn)練，實(shí)現(xiàn)模型參數(shù)的獲取。接著，結(jié)合所用數(shù)據(jù)集的領(lǐng)域特征對(duì)參數(shù)進(jìn)行微調(diào)，從而解決人工標(biāo)注大規(guī)模訓(xùn)練數(shù)據(jù)集費(fèi)時(shí)、費(fèi)力的問題［４］。同時(shí)，空管特情案例記錄存在專業(yè)名詞多、英文縮寫多及記錄格式不規(guī)范等問題，在ＢＥＲＴ 模型后連接深度學(xué)習(xí)模型，并融合基于規(guī)則的實(shí)體抽取，能在一定程度上提高空管特情案例記錄的實(shí)體抽取任務(wù)的實(shí)施效率。

綜上所述，本文針對(duì)當(dāng)前特情處置存在的弊端，以規(guī)章數(shù)據(jù)、特情處置檢查單數(shù)據(jù)及特情案例數(shù)據(jù)為研究對(duì)象，提出空管特情處置知識(shí)圖譜的構(gòu)建框架。首先，根據(jù)所用非結(jié)構(gòu)化文本特性及專家知識(shí)構(gòu)建領(lǐng)域本體。然后，利用開頭、中間、非實(shí)體（ｂｅｇｉｎ，ｉｎｓｉｄｅ，ｏｕｔｓｉｄｅ，ＢＩＯ）標(biāo)注的文本訓(xùn)練基于ＢＥＲＴ-ＢｉＬＳＴＭ-ＣＲＦ模型，并基于規(guī)則抽取補(bǔ)全實(shí)體，實(shí)現(xiàn)實(shí)體抽取。進(jìn)一步，利用關(guān)系標(biāo)注后的文本訓(xùn)練ＢｉＬＳＴＭ＋ＳＡ模型，實(shí)現(xiàn)關(guān)系抽取。最后，將抽取到的（實(shí)體１，實(shí)體２，關(guān)系）形式的三元組利用圖數(shù)據(jù)庫Ｎｅｏ４ｊ進(jìn)行信息存儲(chǔ)、查詢和可視化展示，并基于空管特情處置知識(shí)圖譜實(shí)現(xiàn)了特情處置決策支持。

１空管特情知識(shí)圖譜數(shù)據(jù)分析

１．１空管特情處置數(shù)據(jù)采集

目前，可用于輔助空管特情處置決策的數(shù)據(jù)包括民航規(guī)章、特情處置檢查單及特情處置案例記錄。民航規(guī)章為中國民用航空局頒布的《民用航空空中交通管理規(guī)則》，其對(duì)特情處置工作做了總體規(guī)定。特情處置檢查單為空管部門針對(duì)各類特情制定的具體處置流程，可用于處置常規(guī)特情。特情案例記錄為空管部門對(duì)過往特情發(fā)生過程及處置措施等的詳細(xì)記錄，其中包含了許多特情處置經(jīng)驗(yàn)知識(shí)和應(yīng)對(duì)未知特情的關(guān)鍵信息。本文采用的檢查單和特情案例記錄均由地區(qū)空管局提供。３類數(shù)據(jù)的數(shù)據(jù)類型和選用部分如表１所示。

１．２空管特情處置數(shù)據(jù)特點(diǎn)

由表１可知，空管特情處置數(shù)據(jù)中各類文本具有各自的特征。

（１）規(guī)章和檢查單文本形式統(tǒng)一規(guī)范，具有強(qiáng)規(guī)則性。

（２）特情案例記錄數(shù)據(jù)多為人工撰寫，由于個(gè)人經(jīng)驗(yàn)和習(xí)慣的差異，同一事物可能會(huì)出現(xiàn)多種表征形式，并且由于特情案例記錄在格式上尚未形成統(tǒng)一的規(guī)范，特情案例記錄通常偏口頭化，其中的實(shí)體和關(guān)系難以被直接抽取出來，數(shù)據(jù)處理難度較大。

（３）特情案例記錄屬于特定領(lǐng)域文本，其中包含大量領(lǐng)域性知識(shí)和特殊名詞的英文縮寫，訓(xùn)練集標(biāo)注成本高。

（４）特情的發(fā)生在民航運(yùn)輸過程中屬于小概率事件，特情案例記錄數(shù)量有限。

針對(duì)以上數(shù)據(jù)特征，需選取不同的知識(shí)抽取方法。對(duì)于規(guī)章和檢查單，使用短文本形式人工實(shí)現(xiàn)知識(shí)抽??；對(duì)于特情案例記錄，使用ＢＥＲＴ-ＢｉＬＳＴＭ-ＣＲＦ＋ 正則表達(dá)式（ｒｅｇｕｌａｒｅｘｐｒｅｓｓｉｏｎ，ＲＥ）模型開展實(shí)體抽取工作，對(duì)抽取到的實(shí)體使用ＢｉＬＳＴＭ＋ＳＡ模型進(jìn)行關(guān)系抽取，并將實(shí)體和關(guān)系整理為三元組形式。

２基于知識(shí)圖譜的空管特情處置決策框架體系設(shè)計(jì)與流程

２．１知識(shí)圖譜構(gòu)建框架設(shè)計(jì)

知識(shí)圖譜通常有３種構(gòu)建方式：自頂向下、自底向上和兩者混合［２１］。自頂向下的構(gòu)建方式先獲取本體信息，構(gòu)建模式層，并在模式層的框架下從數(shù)據(jù)源中抽取知識(shí)，構(gòu)建數(shù)據(jù)層；自底向上的構(gòu)建方式則是先從數(shù)據(jù)源中抽取知識(shí)，在知識(shí)抽取的過程中逐步歸納出模式層，并對(duì)組織架構(gòu)不斷更新；兩者混合的構(gòu)建方式先初步定義模式層，并隨著知識(shí)抽取的進(jìn)行對(duì)模式層進(jìn)行改進(jìn)更新，形成更具有可信度的知識(shí)架構(gòu)。

空管特情處置數(shù)據(jù)專業(yè)性較強(qiáng)，非結(jié)構(gòu)化文本中包含的信息要素較多，各要素之間的關(guān)系錯(cuò)綜復(fù)雜且沒有統(tǒng)一規(guī)范的架構(gòu)，因此本文采用自頂向下的方式構(gòu)建空管特情處置知識(shí)圖譜，構(gòu)建框架如圖１ 所示。模式層是對(duì)特定領(lǐng)域共享概念模型的一種明確的、形式化、規(guī)范的說明［２２］，在圖１中，首先采用數(shù)據(jù)和專家知識(shí)構(gòu)建模式層，為后續(xù)圖譜的構(gòu)建提供規(guī)范。數(shù)據(jù)層構(gòu)建主要包括知識(shí)抽取和圖譜構(gòu)建。在本文中，知識(shí)抽取分為實(shí)體抽取和關(guān)系抽取，即在模式層的指導(dǎo)下，采用智能算法將實(shí)體和關(guān)系從非結(jié)構(gòu)化的文本數(shù)據(jù)中抽取出來，并將其整合成結(jié)構(gòu)化知識(shí)。圖譜構(gòu)建分為知識(shí)融合、知識(shí)存儲(chǔ)和圖譜應(yīng)用，知識(shí)融合包含實(shí)體消歧和共指消解等子任務(wù)，旨在解決實(shí)體的一詞多義或近義詞問題；知識(shí)存儲(chǔ)指選用符合應(yīng)用需求的存儲(chǔ)方式將知識(shí)進(jìn)行存儲(chǔ)，形成知識(shí)圖譜。最后，通過圖譜應(yīng)用，可將構(gòu)建的知識(shí)圖譜用于實(shí)際場(chǎng)景。

２．２基于知識(shí)圖譜的空管特情處置決策流程

通過構(gòu)建空管特情處置知識(shí)圖譜，將大量的非結(jié)構(gòu)化知識(shí)轉(zhuǎn)化為以圖數(shù)據(jù)庫存儲(chǔ)的結(jié)構(gòu)化知識(shí)，即可實(shí)現(xiàn)空管特情處置決策的智能化。本文設(shè)計(jì)的基于知識(shí)圖譜的特情處置方案決策流程如圖２所示，包括基礎(chǔ)數(shù)據(jù)層、圖譜構(gòu)建層和圖譜應(yīng)用層。

圖２中，基礎(chǔ)數(shù)據(jù)層為構(gòu)建知識(shí)圖譜所需的基礎(chǔ)語料。圖譜構(gòu)建層通過人工和深度學(xué)習(xí)相結(jié)合的方法從基礎(chǔ)語料中抽取實(shí)體和關(guān)系，并對(duì)抽取到的實(shí)體進(jìn)行語義融合，最終將其以三元組的形式存儲(chǔ)在知識(shí)圖譜圖數(shù)據(jù)庫中。圖譜應(yīng)用層是基于知識(shí)圖譜實(shí)現(xiàn)空管特情處置決策的應(yīng)用模塊，其借助本文所構(gòu)建的知識(shí)圖譜，可實(shí)現(xiàn)信息檢索、處置方案推薦及多方信息協(xié)同等功能。

３基于知識(shí)圖譜的空管特情處置決策模型

３．１基于BERT-BiLSTM-CRF+RE的實(shí)體抽取模型

實(shí)體抽取是對(duì)文本中具有特定含義的實(shí)體進(jìn)行邊界確定和類別識(shí)別的過程。本文搭建ＢERＴ-ＢｉＬＳＴＭ-ＣＲＦ＋ＲＥ模型實(shí)現(xiàn)空管特情處置知識(shí)圖譜的實(shí)體抽取。針對(duì)訓(xùn)練數(shù)據(jù)標(biāo)注成本高、數(shù)據(jù)量較小的問題，該模型在ＢｉＬＳＴＭ模型前加入預(yù)訓(xùn)練過的ＢＥＲＴ層模型，以避免標(biāo)注大量的訓(xùn)練數(shù)據(jù)，從而用較小的訓(xùn)練集取得較好的訓(xùn)練效果。后續(xù)引入的ＣＲＦ層可對(duì)前端的輸出進(jìn)行概率計(jì)算，其同時(shí)考慮了標(biāo)簽的發(fā)射概率和標(biāo)簽之間的轉(zhuǎn)移概率，能有效地提升輸出標(biāo)簽序列的準(zhǔn)確率。ＢＥＲＴ-ＢｉＬＳＴＭ-ＣＲＦ模型具體架構(gòu)如圖３ 所示。圖中，Ｂ表示實(shí)體開始，Ｉ表示實(shí)體結(jié)束，Ｏ表示非實(shí)體。

針對(duì)空管特情案例記錄中領(lǐng)域詞匯較多、專業(yè)名詞英文縮寫難以被有效抽取的問題，本文在使用ＢＥＲＴ-ＢｉＬ-ＳＴＭ-ＣＲＦ模型實(shí)現(xiàn)實(shí)體抽取后，根據(jù)空管特情規(guī)范增補(bǔ)識(shí)別領(lǐng)域性實(shí)體，獲得最終實(shí)體集。綜合考慮特情處置領(lǐng)域中實(shí)體的強(qiáng)領(lǐng)域特征，使用ＲＥ構(gòu)建強(qiáng)領(lǐng)域特征實(shí)體抽取規(guī)則［２３］。每條抽取規(guī)則由實(shí)體類型、實(shí)體規(guī)則、實(shí)體位置３個(gè)部分組成，并由分隔符連接。

４算例分析

４．１算例情況

空管特情的種類多達(dá)５０余種，主要分為空中交通服務(wù)類、運(yùn)行環(huán)境類和航空器類，其中航空器類特情包含的具體情況最為復(fù)雜，且發(fā)生頻率較高，成為了特情處置研究的關(guān)鍵。在航空器類特情中，危險(xiǎn)接近特情發(fā)生頻率最高［１］。構(gòu)建全部空管特情的知識(shí)圖譜過于復(fù)雜，因此本文選擇危險(xiǎn)進(jìn)近特情進(jìn)行驗(yàn)證，說明方法的有效性。

本文以《民用航空空中交通管理規(guī)則》、空管局使用的特情處置檢查單及其提供的２０００～２０１９年特情案例記錄為基礎(chǔ)語料，其中共包含２４５份特情案例記錄數(shù)據(jù)，將其劃分為單獨(dú)語句，即１２７４條文本數(shù)據(jù)。對(duì)非結(jié)構(gòu)化文本數(shù)據(jù)，利用本文方法構(gòu)建空管特情處置知識(shí)圖譜。

４．３模式層構(gòu)建

本文在空管人員的協(xié)助下對(duì)文本數(shù)據(jù)進(jìn)行詳細(xì)分析，總結(jié)提煉出了空管特情處置知識(shí)圖譜模式層，如圖６所示。

圖６中，空管特情處置知識(shí)圖譜的模式層由特情屬性、特情響應(yīng)和特情評(píng)估三大要素及它們之間的相互關(guān)系構(gòu)成，其中三大要素又可細(xì)分為特情名稱、特情原因、響應(yīng)措施等１１個(gè)實(shí)體，這些實(shí)體間共定義了８種關(guān)系。

４．４實(shí)體抽取實(shí)驗(yàn)

本文先使用原始語料構(gòu)建訓(xùn)練集，訓(xùn)練ＢＥＲＴ-ＢｉＬＳＴＭ-ＣＲＦ模型，并在ＢＥＲＴ-ＢｉＬＳＴＭ-ＣＲＦ模型抽取結(jié)果的基礎(chǔ)上，融合規(guī)則抽取結(jié)果，完成空管特情處置知識(shí)圖譜的實(shí)體抽取。

４．４．１模型參數(shù)設(shè)置

表２展示了本文使用的實(shí)體抽取模型的參數(shù)設(shè)置。

４．４．２實(shí)體抽取實(shí)驗(yàn)及結(jié)果分析

在訓(xùn)練模型之前，需要標(biāo)注一定數(shù)量的文本，并按８∶１∶１的比例將標(biāo)注語料劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。本文利用語料標(biāo)注工具對(duì)原始語料中的句子進(jìn)行ＢＩＯ詞性標(biāo)注。其中，Ｂ表示實(shí)體開始，Ｉ表示實(shí)體結(jié)束，Ｏ表示非實(shí)體。以“自動(dòng)化系統(tǒng)出現(xiàn)告警，管制員立即進(jìn)行沖突解脫?！本渥訛槔?，標(biāo)注結(jié)果如圖７所示。使用標(biāo)注工具展示文本標(biāo)注效果，如圖８所示。在完成實(shí)體標(biāo)注后，以訓(xùn)練集語料為輸入，以標(biāo)注結(jié)果為標(biāo)簽，訓(xùn)練ＢＥＲＴ-ＢｉＬＳＴＭ-ＣＲＦ模型，接著將驗(yàn)證集文本送入訓(xùn)練好的模型驗(yàn)證實(shí)體抽取效果，最后用訓(xùn)練好的模型抽取剩余原始語料中的實(shí)體，完成實(shí)體的識(shí)別；進(jìn)一步地，本文在ＢＥＲＴ-ＢｉＬＳＴＭ-ＣＲＦ 模型輸出結(jié)果的基礎(chǔ)上，通過規(guī)則的再抽取，對(duì)實(shí)體消融后，輸出實(shí)體抽取結(jié)果。

為說明本文構(gòu)建的ＢＥＲＴ-ＢｉＬＳＴＭ-ＣＲＦ＋ＲＥ 模型在訓(xùn)練數(shù)據(jù)量較小且領(lǐng)域性強(qiáng)的空管特情案例記錄實(shí)體抽取任務(wù)上的有效性，本文選用ＢｉＬＳＴＭ、ＢｉＬＳＴＭ-ＣＲＦ、ＢＥＲＴ-ＢｉＬＳＴＭ-ＣＲＦ模型進(jìn)行對(duì)照實(shí)驗(yàn)，通過評(píng)價(jià)指標(biāo)的數(shù)值說明模型在實(shí)體抽取任務(wù)上的表現(xiàn)，實(shí)驗(yàn)結(jié)果如表３所示。

從表３可以看出，在ＢｉＬＳＴＭ 模型后銜接ＣＲＦ層后，模型的實(shí)體抽取表現(xiàn)（犉１ 值）提升了８％ 左右，原因是ＣＲＦ層中有轉(zhuǎn)移特征，可為最后預(yù)測(cè)的標(biāo)簽添加一些約束，以保證預(yù)測(cè)的準(zhǔn)確性。在引入ＢＥＲＴ 預(yù)訓(xùn)練模型后，模型在實(shí)體抽取任務(wù)上取得了更好的性能，其各項(xiàng)評(píng)價(jià)指標(biāo)提升了７％左右，主要原因是ＢｉＬＳＴＭ-ＣＲＦ模型的輸入為單個(gè)字符，沒有利用文本中上下文之間的關(guān)聯(lián)信息，而ＢＥＲＴ 預(yù)訓(xùn)練模型作為一種動(dòng)態(tài)嵌入方式，在字符輸入的基礎(chǔ)上融合了上下文的語義信息，同時(shí)其本身復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)在面向空管特情復(fù)雜文本表示時(shí)能夠取得有效的識(shí)別效果，因此優(yōu)化了模型的性能。在ＢＥＲＴ-ＢｉＬＳＴＭ-ＣＲＦ 模型輸出結(jié)果上融合規(guī)則知識(shí)抽取結(jié)果，模型抽取效果提升了５％ 左右，原因是規(guī)則知識(shí)抽取彌補(bǔ)了ＢＥＲＴ-ＢｉＬＳＴＭ-ＣＲＦ 模型在領(lǐng)域?qū)嶓w和英文縮寫抽取方面的缺陷。

４．５關(guān)系抽取實(shí)驗(yàn)

４．５．１模型參數(shù)設(shè)置

表４展示了本文使用的關(guān)系抽取模型的參數(shù)設(shè)置。

４．５．２模型參數(shù)設(shè)置

類似于實(shí)體抽取，在訓(xùn)練模型之前，要對(duì)文本中的關(guān)系進(jìn)行標(biāo)注，并按８∶１∶１的比例劃分為訓(xùn)練集、測(cè)試集和驗(yàn)證集。接著，以“頭實(shí)體尾實(shí)體關(guān)系所在句子”整理訓(xùn)練集中的語料，整理結(jié)果如表５所示。

表５中，實(shí)體“自動(dòng)化系統(tǒng)”與實(shí)體“短期沖突預(yù)警”之間的關(guān)系為“出現(xiàn)”，因此生成的語料為“自動(dòng)化系統(tǒng)短期沖突預(yù)警出現(xiàn)自動(dòng)化系統(tǒng)出現(xiàn)短期沖突預(yù)警，兩機(jī)水平間隔２９．６ｋｍ”。使用標(biāo)注工具對(duì)空管特情案例記錄中的關(guān)系進(jìn)行標(biāo)注，可視化展示如圖９ 所示。使用處理后的訓(xùn)練集文本訓(xùn)練ＢｉＬＳＴＭ＋ＳＡ關(guān)系抽取模型，并用訓(xùn)練好的網(wǎng)絡(luò)完成原始語料的關(guān)系抽取任務(wù)。各類型關(guān)系的識(shí)別結(jié)果如表６所示。

由表６可知，關(guān)系抽取模型在不同關(guān)系上的F_１均值為０．９１９５，整體關(guān)系抽取效果良好。然而，模型在不同關(guān)系上的表現(xiàn)不盡相同，其中“觸發(fā)”“產(chǎn)生”關(guān)系的犉１ 值明顯低于其他關(guān)系，主要原因是“觸發(fā)”“產(chǎn)生”關(guān)系樣本所占比例較低，模型沒有足夠的數(shù)據(jù)進(jìn)行學(xué)習(xí)。

５知識(shí)圖譜可視化及應(yīng)用

５．１空管特情處置知識(shí)圖譜可視化

在諸多圖譜構(gòu)建工具中，Ｎｅｏ４ｊ具有高性能、設(shè)計(jì)靈活、結(jié)構(gòu)直觀等優(yōu)點(diǎn)，Ｎｅｏ４ｊ存儲(chǔ)了原生的圖數(shù)據(jù)，圖數(shù)據(jù)結(jié)構(gòu)中的遍歷算法可通過關(guān)系實(shí)現(xiàn)節(jié)點(diǎn)與其關(guān)聯(lián)節(jié)點(diǎn)之間的快速連接，在面對(duì)大量數(shù)據(jù)時(shí)查找效率更高。因此，針對(duì)空管特情案例的特點(diǎn)及特情處置的應(yīng)用場(chǎng)景，本文選?。危澹铮矗曜鳛橹R(shí)存儲(chǔ)工具。

基于本文所提知識(shí)圖譜構(gòu)建方法，對(duì)所有危險(xiǎn)接近特情案例記錄進(jìn)行知識(shí)抽取，并結(jié)合從對(duì)應(yīng)的規(guī)章和檢查單中人工抽取的知識(shí)，整合為三元組數(shù)據(jù)，導(dǎo)入Ｎｅｏ４ｊ圖數(shù)據(jù)庫中進(jìn)行儲(chǔ)存和可視化展示，構(gòu)建可視化的空管特情處置知識(shí)圖譜，知識(shí)圖譜的展示如圖１０所示。

圖１０以管制員為中心點(diǎn)，展示了與管制員含義相同的節(jié)點(diǎn)，以及由管制員導(dǎo)致的特情發(fā)生的原因和部分飛行狀態(tài)。通過“引起”“察覺”等關(guān)系將人員、特情原因和飛行狀態(tài)連接起來，構(gòu)建不同實(shí)體間的相關(guān)關(guān)系，將整個(gè)空管系統(tǒng)的特情處置知識(shí)連接起來，形成一個(gè)完整的空管特情處置知識(shí)圖譜，為知識(shí)圖譜技術(shù)在空管特情處置中的應(yīng)用提供了可靠的數(shù)據(jù)支撐。

５．２基于空管特情處置知識(shí)圖譜的處置決策支持

基于空管特情處置知識(shí)圖譜，在特情發(fā)生后，可從智能信息檢索、特情處置方案推薦、特情協(xié)同處理３個(gè)方面為特情處置人員提供決策支持，其應(yīng)用流程如圖１１所示。

智能信息檢索。傳統(tǒng)的空管特情處置方式通過人工檢索檢查單來完成，空管人員難以在短時(shí)間內(nèi)檢索到相應(yīng)的檢查單。通過構(gòu)建知識(shí)圖譜，將空管特情處置知識(shí)以圖的形式進(jìn)行表示，能準(zhǔn)確地表達(dá)知識(shí)之間的關(guān)系。借助知識(shí)圖譜強(qiáng)大的信息檢索能力，在面對(duì)單一特情時(shí)，特情處置人員可通過關(guān)鍵字快速檢索到對(duì)應(yīng)的特情處置措施，保障了對(duì)特情快速、準(zhǔn)確的響應(yīng)。

特情處置方案推薦。由于特情復(fù)雜多變的特點(diǎn)，特情處置人員往往需要依賴自身的工作經(jīng)驗(yàn)和已有規(guī)章、手冊(cè)等給出特情處置方案，要求特情處置人員能實(shí)時(shí)解析特情狀況?？展芴厍樘幹弥R(shí)圖譜詳細(xì)記錄了過往各類特情信息及通用的特情處置措施。在特情發(fā)生后，根據(jù)特情的特點(diǎn)，通過相似度匹配對(duì)知識(shí)圖譜進(jìn)行檢索，可實(shí)現(xiàn)基于知識(shí)圖譜的特情處置方案推薦，降低人為因素對(duì)處置結(jié)果的影響。同時(shí)，利用新發(fā)生特情的案例信息對(duì)知識(shí)圖譜進(jìn)行實(shí)時(shí)更新，可使知識(shí)圖譜生成更符合實(shí)際情況的特情處置推薦方案。

特情協(xié)同處置。傳統(tǒng)的特情處置信息交互通過人工實(shí)現(xiàn)，效率較低且難以保證準(zhǔn)確率。利用空管特情處置知識(shí)圖譜，可建立軍管、監(jiān)管局、空管、機(jī)場(chǎng)、航司等多方統(tǒng)一協(xié)調(diào)的特情處置平臺(tái)，為協(xié)同處置特情、統(tǒng)一調(diào)配各方資源提供技術(shù)支撐，通過互通數(shù)據(jù)接口，實(shí)現(xiàn)多方資源協(xié)同及快速調(diào)動(dòng)的特情處置。

在上述空管特情處置知識(shí)圖譜應(yīng)用流程的基礎(chǔ)上，進(jìn)一步地，本文提出了空管特情處置決策支持模型，如圖１２所示，該模型主要體現(xiàn)了基于所構(gòu)建的知識(shí)圖譜實(shí)現(xiàn)空管特情處置方案推薦的過程。

在圖１２中，當(dāng)新特情發(fā)生時(shí)，特情處置人員將新特情的相關(guān)信息語句輸入決策支持系統(tǒng)。緊接著，系統(tǒng)基于設(shè)定的文本關(guān)鍵特征提取算法提取出輸入語句中的關(guān)鍵特征，以此作為空管特情處置方案推薦的依據(jù)。對(duì)于輸入的關(guān)鍵特征，系統(tǒng)將首先啟用檢查單匹配模塊，通過詞頻逆向文件頻率（ｔｅｒｍｆｒｅｑｕｅｎｃｙ-ｉｎｖｅｒｓｅｄｏｃｕｍｅｎｔｆｒｅｑｕｅｎｃｙ，ＴＦ-ＩＤＦ）文本相似度匹配檢查單條例，如航空器ＴＣＡＳ告警現(xiàn)場(chǎng)處置。如航空器ＴＣＡＳ告警現(xiàn)場(chǎng)處置，將達(dá)到設(shè)定閾值且相似度排名靠前的特情處置檢查單輸出，供特情處置人員參考。若在檢查單匹配模塊未能匹配到相似度達(dá)到閾值的檢查單，系統(tǒng)將啟用知識(shí)圖譜實(shí)體匹配模塊，通過Ｗｏｒｄ２Ｖｅｃ模型匹配知識(shí)圖譜中的實(shí)體，并利用Ｎｅｏ４ｊ查詢功能鏈接實(shí)體對(duì)應(yīng)的案例信息，從案例信息中獲取當(dāng)前特情處置可參考的信息和依據(jù)，為特情處置人員的決策提供支持。

６結(jié)論

針對(duì)傳統(tǒng)的特情處置智能化不足、效率和準(zhǔn)確率均較低的問題，本文以空管特情案例記錄、規(guī)章和檢查單文本為對(duì)象，提出一種自頂向下的空管特情處置知識(shí)圖譜構(gòu)建方法，并搭建空管特情處置知識(shí)圖譜應(yīng)用框架：

利用空管特情處置多源信息，提出了以規(guī)章、檢查單和空管案例記錄為對(duì)象構(gòu)建空管特情處置知識(shí)圖譜的具體方法和流程，規(guī)章和檢查單采用“人工＋ 短文本”完成知識(shí)抽取，案例記錄采用深度學(xué)習(xí)模型實(shí)現(xiàn)知識(shí)抽取；

針對(duì)空管特情案例記錄可訓(xùn)練數(shù)據(jù)體量少、標(biāo)注成本高且領(lǐng)域?qū)I(yè)性強(qiáng)的情況，借助ＢＥＲＴ 預(yù)訓(xùn)練模型優(yōu)秀的上下文信息獲取能力和規(guī)則知識(shí)抽取手段，優(yōu)化實(shí)體抽取效果，模型犉１值提升了１０％左右；

在命名實(shí)體識(shí)別的基礎(chǔ)上，構(gòu)建ＢｉＬＳＴＭ＋ＳＡ 模型實(shí)現(xiàn)關(guān)系抽取，將特情案例記錄轉(zhuǎn)化為三元組信息。模型犉１值達(dá)到９１．９５％，抽取效果較好；

將三元組信息輸入Ｎｅｏ４ｊ圖數(shù)據(jù)庫進(jìn)行空管特情處置知識(shí)圖譜構(gòu)建效果展示，并對(duì)其輔助決策的實(shí)現(xiàn)過程進(jìn)行了詳細(xì)闡述說明。最后，利用Ｎｅｏ４ｊ圖數(shù)據(jù)庫對(duì)構(gòu)建的空中交通管制特情處置知識(shí)圖譜進(jìn)行可視化，并對(duì)其在民航空中交通管制特情處置決策支持中的應(yīng)用前景進(jìn)行分析，為空中交通管制部門的實(shí)際應(yīng)用提供參考。

作者簡(jiǎn)介

彭珂（１９９９—），女，碩士研究生，主要研究方向?yàn)槊窈桨踩こ獭⒅R(shí)圖譜在民航空管特情處置中的應(yīng)用。

王華偉（１９７４—），女，教授，博士研究生導(dǎo)師，博士，主要研究方向?yàn)槊窈桨踩こ?、民航維修工程、可靠性工程。

侯召國（１９９６—），男，博士研究生，主要研究方向?yàn)楣收显\斷、航空器健康管理。

曾嘯寒（１９９９—），男，碩士研究生，主要研究方向?yàn)闄C(jī)場(chǎng)道面損傷識(shí)別檢測(cè)。

羅通（１９９７—），男，碩士研究生，主要研究方向?yàn)槊窈桨踩こ獭?/p>