摘要：目前煤礦頂板災害防治措施決策及事故原因分析等過程主要依賴人工經(jīng)驗，智能化水平較低。頂板災害防治知識圖譜可整合頂板災害防治知識和經(jīng)驗，輔助頂板災害事故原因分析和頂板災害防治措施決策。提出了一種煤礦頂板災害防治知識圖譜構(gòu)建方法。采用本體方法完成煤礦頂板災害防治知識建模，將頂板災害防治領(lǐng)域的概念分為礦井地質(zhì)類、開采技術(shù)類、防治措施類和事故表征類，將概念之間的關(guān)系定義為使用、引發(fā)、易發(fā)、治理、預防和適用，為煤礦頂板災害防治知識抽取（實體抽取和關(guān)系抽?。┑於ɑA(chǔ)；結(jié)合煤礦頂板災害防治領(lǐng)域文本存在大量嵌套實體和關(guān)系之間存在實體重疊的特點，確定了基于跨度的實體抽取方法和基于依存句法樹引導實體表示的關(guān)系抽取方法；構(gòu)建了頂板災害防治領(lǐng)域語料庫，采用Neo4j 圖數(shù)據(jù)庫存儲數(shù)據(jù)，為頂板災害防治知識圖譜的應(yīng)用提供數(shù)據(jù)來源支撐；展示了煤礦頂板災害防治知識圖譜局部構(gòu)建結(jié)果，說明該知識圖譜可輔助頂板災害事故原因分析和防治措施決策，從而提高頂板管理的智能化水平；指出基于該知識圖譜，結(jié)合自然語言處理和知識推理等技術(shù)，可實現(xiàn)頂板管理知識問答。

關(guān)鍵詞：煤礦頂板管理；頂板災害防治；知識圖譜；本體；知識抽?。恢R建模

中圖分類號：TD326/67 文獻標志碼：A

0 引言

長期以來，頂板事故占我國煤礦各類事故危害之首[1-4]。頂板災害防治對保障煤礦安全生產(chǎn)具有重要意義。近年來，隨著大數(shù)據(jù)和人工智能技術(shù)的發(fā)展，有關(guān)頂板災害監(jiān)測和預警方法的研究層出不窮[4-7]。然而，對于預警產(chǎn)生后的防治措施決策及災害發(fā)生后的事故原因分析等，目前仍主要依賴人工方式，智能化水平較低，限制了頂板災害防治能力的進一步提升。造成上述問題的重要原因之一在于目前缺乏可供智能決策系統(tǒng)使用的頂板災害防治領(lǐng)域知識圖譜。因此，煤礦頂板災害防治知識圖譜的構(gòu)建需求十分迫切。

知識圖譜是人工智能領(lǐng)域認知智能的前沿技術(shù)方向，用于描述客觀世界的實體及其相互間的關(guān)系[8-9]。目前，知識圖譜技術(shù)已被引入多種行業(yè)領(lǐng)域[10-12]。劉鵬等[13]將知識圖譜技術(shù)初步引入煤礦安全領(lǐng)域，構(gòu)建了煤礦安全知識圖譜，并基于該知識圖譜提出了一種自然語言知識查詢方法，為煤礦安全知識圖譜構(gòu)建及智能查詢做了初步有益探索。曹現(xiàn)剛等[14]構(gòu)建了煤礦裝備維護知識圖譜，探討了其在智能語義搜索、智能問答及可視化決策支持等方面的應(yīng)用，為煤礦裝備智能化動態(tài)管理的實現(xiàn)提供了有力支持。蔡安江等[15]構(gòu)建了煤礦綜采設(shè)備故障知識圖譜，為大規(guī)模、多域綜采設(shè)備故障數(shù)據(jù)的有效分析、管理及應(yīng)用提供支持。

煤礦頂板災害防治知識圖譜可以整合頂板災害防治知識和經(jīng)驗，輔助頂板災害事故原因分析和頂板災害防治措施決策，提升煤礦頂板管理水平，促進煤礦安全生產(chǎn)。目前尚沒有相關(guān)研究。對此，本文提出煤礦頂板災害防治知識圖譜構(gòu)建方法。

1 煤礦頂板災害防治領(lǐng)域知識建模

本文采用本體方法進行煤礦頂板災害防治知識建模。本體是特定領(lǐng)域中一系列概念及其相互之間關(guān)系的形式化表達[16]。概念是實體的抽象表示，用于表示實體的類型。頂板災害防治知識建模的任務(wù)是明確該領(lǐng)域的概念分類和關(guān)系類型，從而確定知識圖譜中包括哪些實體類型和實體對關(guān)系類型，為知識抽取奠定基礎(chǔ)。

1.1 煤礦頂板災害防治領(lǐng)域的概念分類

本文將煤礦頂板災害防治領(lǐng)域的概念分為礦井地質(zhì)類、開采技術(shù)類、防治措施類和事故表征類，如圖1 所示。礦井地質(zhì)是造成頂板災害的自然條件，開采活動是誘發(fā)頂板災害的直接因素，防治措施是防范、應(yīng)對、治理頂板災害的技術(shù)和手段，事故是防治措施不力導致災害發(fā)生的后果。礦井地質(zhì)類可分為煤層形成與賦存特征和礦井地質(zhì)構(gòu)造2 個子類，開采技術(shù)類可分為開采方法與工藝和巷道圍巖控制2 個子類，防治措施類可分為災前預防措施、災中處理措施和災后恢復措施3 個子類，事故表征類可分為局部冒頂和大面積冒頂2 個子類。

1.2 煤礦頂板災害防治領(lǐng)域的關(guān)系類型

本文將煤礦頂板災害防治概念之間的關(guān)系定義為使用、引發(fā)、易發(fā)、治理、預防和適用，關(guān)聯(lián)礦井地質(zhì)類、開采技術(shù)類、防治措施類和事故表征類概念，如圖2 所示。以煤礦頂板災害防治領(lǐng)域文本“由于巷道頂板為粉砂質(zhì)泥巖，該種巖石容易出現(xiàn)風化現(xiàn)象，同時由于該種巖石具有碎脹系數(shù)較大的特征，在掘進期間巷道易出現(xiàn)離層冒落的現(xiàn)象”為例，“粉砂質(zhì)泥巖”屬于礦井地質(zhì)類，“離層冒落”屬于事故表征類，二者存在易發(fā)關(guān)系。

2 煤礦頂板災害防治領(lǐng)域知識抽取

煤礦頂板災害防治領(lǐng)域知識抽取主要是從非結(jié)構(gòu)化文本中抽取出實體并確定實體的概念類型[17-18]，以及抽取出實體對的關(guān)系并確定實體對關(guān)系的類型[19-20]。利用兩部分抽取結(jié)果，可以構(gòu)建煤礦頂板災害防治領(lǐng)域知識圖譜，包括實體集合和實體對關(guān)系集合。其中，每個實體對關(guān)系用lt;頭實體、關(guān)系類型、尾實體gt;三元組形式表達。

2.1 實體抽取

煤礦頂板災害防治領(lǐng)域文本存在大量嵌套實體，如實體“特厚煤層綜放開采”中嵌套了另一個實體“綜放開采”。由于部分實體存在結(jié)構(gòu)嵌套，在標注時會存在一字多標簽現(xiàn)象。傳統(tǒng)基于序列標注的實體抽取方法[21-22]將實體抽取問題轉(zhuǎn)換為字的分類問題，只對1 個字標記1 個標簽（某實體類型的開始字、某實體類型的內(nèi)部字或非實體字），無法解決嵌套實體抽取的問題?；诳缍鹊姆椒╗23-26]沒有將實體抽取問題轉(zhuǎn)換為字的分類問題，而是轉(zhuǎn)換為文本串的分類問題，任一長度的文本串對應(yīng)1 個標簽（某實體類型或非實體） ，可以有效解決嵌套實體抽取問題。

本文采用基于跨度的方法進行嵌套實體抽取[23]。該方法主要包括2 個步驟：① 篩選出可能構(gòu)成實體的文本串，排除不可能構(gòu)成實體的文本串。② 對可能構(gòu)成實體的文本串進行分類，以確定最終構(gòu)成實體的文本串的實體類型，同時排除最終不構(gòu)成實體的文本串。

步驟①篩選可能構(gòu)成實體的文本串時需識別出文本串的邊界。基于跨度的方法采用BILSTM（Bidirectional Long Short-Term Memory，雙向長短時記憶）網(wǎng)絡(luò)確定可能構(gòu)成實體的文本串的邊界，算法偽代碼如下。輸入句子s = fc1; c2; ……; cng ci為句子中第個字，i=1，2，···，n，n 為句子長度。首先，將句子中的每個字經(jīng)過嵌入層后輸入BILSTM 編碼層進行特征提取，輸出具備上下文信息的每個隱藏字向量。然后，使用分類器識別每個字是否為可能構(gòu)成實體的文本串的開始位置（標簽記為B）或結(jié)束位置（標簽記為E）。最后，句子中任一標簽為B 的位置和該位置之后任一標簽為E 的位置之間的連續(xù)隱藏字向量即為可能構(gòu)成實體的文本串。在該步驟下，識別所舉示例可能構(gòu)成的實體為“特厚煤層”、“綜放開采”、“開采”和“特厚煤層綜放開采”。

步驟②對篩選出的文本串進行分類的算法偽代碼如下。首先，通過平均池化得到可能構(gòu)成實體的文本串的表示。然后，將該表示輸入激活層和線性層。最后，采用softmax 分類器進行分類，以最終確定實體類型或認定為非實體。在該步驟下，識別所舉示例的實體為“特厚煤層”（實體類型為礦井地質(zhì)類）、“綜放開采”（實體類型為開采技術(shù)類）和“特厚煤層綜放開采”（實體類型為開采技術(shù)類），非實體為“開采”。

2.2 關(guān)系抽取

煤礦頂板災害防治領(lǐng)域文本中關(guān)系之間存在實體重疊，如文本“為了預防末采貫通期間發(fā)生冒頂事故，確保頂板安全，采取了多種預防性措施，主要包括預注馬麗散材料加固煤體、合理確定掛網(wǎng)位置、縮短掛網(wǎng)時間、加強末采期間質(zhì)量管理等一系列技術(shù)措施”中，“冒頂事故”與“預注馬麗散材料加固煤體” 、“合理確定掛網(wǎng)位置” 、“縮短掛網(wǎng)時間”和“加強末采期間質(zhì)量管理”均存在預防關(guān)系，出現(xiàn)了實體重疊。

傳統(tǒng)關(guān)系抽取方法[27]將關(guān)系抽取問題轉(zhuǎn)換為字的分類問題，只對每個字標記1 個標簽（某關(guān)系類型的頭實體開始位置、某關(guān)系類型的尾實體開始位置、某關(guān)系類型的頭實體結(jié)束位置、某關(guān)系類型的尾實體結(jié)束位置或其他位置），這意味著每個實體只能參與1 個實體對關(guān)系。當關(guān)系之間存在實體重疊時，重疊的實體需要參與多個實體對關(guān)系，字的標簽不唯一，因此傳統(tǒng)方法不適用。

本文采用依存句法樹引導的實體表示方法進行關(guān)系抽取。該方法主要包括3 個步驟：① 將句子中實體識別階段識別的任意2 個實體構(gòu)成實體對，并基于依存句法樹引導完成實體表示。② 為每一種類型的關(guān)系獨立訓練1 個分類器[28]，對所輸入的實體對是否存在該種關(guān)系進行判別。③ 獲得所有實體對間存在的各種關(guān)系類型相關(guān)的三元組。為了提高關(guān)系抽取的效率，可以基于關(guān)系之間的一致性約束模型對不必要實體對和不必要關(guān)系類型進行剪枝，減少步驟①和步驟②操作的計算量。

關(guān)系抽取算法偽代碼如下。步驟①構(gòu)成實體對并采用依存句法樹引導實體表示中，輸入句子s = [c1;c2; ……; cng]。首先，將實體識別階段的任意2 個實體構(gòu)成實體對。然后，使用依存句法工具解析該句子中詞與詞之間的依存句法關(guān)系。最后，基于該依存句法關(guān)系引導完成實體的向量表示。在該步驟下，識別所舉示例構(gòu)成的實體對包含“冒頂事故”和“預注馬麗散材料加固煤體”、“冒頂事故”和“合理確定掛網(wǎng)位置”等。在步驟②判別實體對時，如果實體對之間存在預先定義的某種關(guān)系類型，則完成步驟③輸出三元組。通過關(guān)系抽取算法，識別所舉示例生成的三元組包含lt;預注馬麗散材料加固煤體，預防，冒頂事故gt;和lt;合理確定掛網(wǎng)位置，預防，冒頂事故gt;等，其中“冒頂事故”是重疊實體。

3 煤礦頂板災害防治領(lǐng)域語料庫構(gòu)建與知識存儲

3.1 煤礦頂板災害防治領(lǐng)域語料庫構(gòu)建

本文構(gòu)建的煤礦頂板災害防治領(lǐng)域語料庫包括數(shù)據(jù)收集和數(shù)據(jù)標注2 個步驟。收集的數(shù)據(jù)主要來源于2 個方面：① 從煤礦安全生產(chǎn)網(wǎng)、百度百科等網(wǎng)站爬取的有關(guān)煤礦頂板災害防治數(shù)據(jù)；② 從文獻數(shù)據(jù)庫下載的煤礦頂板災害防治相關(guān)文獻。這些數(shù)據(jù)經(jīng)過預處理，保留礦井地質(zhì)類、開采技術(shù)類、防治措施類和事故表征類信息的句子。對于實體抽取的數(shù)據(jù)標注，按照圖1 的概念分類，采用BIO 標注方案[29]對句子中的每個字標注標簽。針對煤礦頂板災害防治領(lǐng)域存在的嵌套實體，從內(nèi)部實體到外部實體（或從外部實體到內(nèi)部實體）逐層標注。對于標注完成的句子，使用python 代碼處理為分層結(jié)構(gòu)，每一層只標注嵌套實體中的1 個，層數(shù)為實體嵌套的最大深度。對于關(guān)系抽取的數(shù)據(jù)標注，在分層標注的基礎(chǔ)上，將概念標簽替換成圖2 的關(guān)系類型標簽并添加可以區(qū)分頭尾實體的標簽（1 表示頭實體，2 表示尾實體）。

3.2 煤礦頂板災害防治領(lǐng)域知識存儲

本文采用圖數(shù)據(jù)庫[30]Neo4j 存儲抽取的煤礦頂板災害防治領(lǐng)域知識，為該領(lǐng)域知識圖譜的應(yīng)用提供數(shù)據(jù)來源支撐。在Neo4j 圖數(shù)據(jù)庫中，節(jié)點表示抽取的實體，節(jié)點標簽對應(yīng)圖1 中的概念分類，邊對應(yīng)圖2 中的實體對關(guān)系類型?；贜eo4j 圖數(shù)據(jù)庫，可使用其提供的Cypher 語句對圖數(shù)據(jù)庫進行操作，如MATCH 語句查詢實體節(jié)點或關(guān)系。

4 煤礦頂板災害防治知識圖譜構(gòu)建結(jié)果

基于煤礦頂板災害防治領(lǐng)域知識建模，構(gòu)建了煤礦頂板災害防治知識圖譜，局部如圖3 所示。其中節(jié)點為抽取的實體，節(jié)點類型（通過不同的顏色區(qū)分）為礦井地質(zhì)類、開采技術(shù)類、防治措施類和事故表征類，邊為使用、引發(fā)、易發(fā)、治理、預防和適用6 種實體對關(guān)系類型。例如，“特厚煤層”（節(jié)點類型為礦井地質(zhì)類）與“放頂煤采煤法”（節(jié)點類型為開采技術(shù)類）之間存在使用關(guān)系。

煤礦頂板災害防治知識圖譜蘊含礦井地質(zhì)、開采技術(shù)、防治措施和事故表征4 大類型中大量實體及其相互間的關(guān)系，沿關(guān)系路徑可以形成多條頂板災害防治知識鏈。通過知識推理技術(shù)可以快速了解頂板災害事故背后的隱含知識、定位頂板災害發(fā)生的原因，輔助頂板災害防治措施決策，提高頂板管理的智能化水平。以圖3 為例，當煤層為特厚煤層時，工作面可以使用放頂煤采煤法，該采煤活動在巷道圍巖控制不力時可引發(fā)大面積冒頂事故，可以形成知識鏈“特厚煤層→放頂煤采煤法→大面積冒頂”；當頂板為堅硬頂板時，容易發(fā)生大面積冒頂事故，水力壓裂技術(shù)和深孔預裂爆破技術(shù)適用于該類型頂板，可用于預防事故的發(fā)生，可以形成知識鏈“水力壓裂技術(shù)（或深孔預裂爆破技術(shù)）→堅硬頂板→大面積冒頂”。通過該知識鏈，可以了解在某種礦井地質(zhì)條件下進行何種開采活動時可能引發(fā)何種災害事故，以及針對特定巖性的頂板采取合適的預防或治理措施。

5 結(jié)論

1） 從煤礦頂板災害防治領(lǐng)域知識建模、知識抽取和語料庫構(gòu)建與知識存儲3 個方面，研究了煤礦頂板災害防治知識圖譜構(gòu)建方法。采用該方法構(gòu)建的知識圖譜可輔助頂板災害事故原因分析和防治措施決策，提高煤礦頂板管理智能化水平。

2） 基于煤礦頂板災害防治知識圖譜，可結(jié)合自然語言處理和知識推理等技術(shù)，實現(xiàn)頂板管理知識問答。用戶輸入頂板災害防治相關(guān)問題后，通過自然語言處理技術(shù)獲取頂板災害防治關(guān)鍵詞，并在頂板災害防治知識圖譜中進行多級別、深層次的關(guān)聯(lián)搜索，組織相關(guān)結(jié)果進行輸出。這可用于頂板管理技術(shù)人員在線培訓和學習。

3） 目前尚未研究屬性知識建模及其抽取方法。未來可以抽取頂板災害防治屬性知識，以進一步完善煤礦頂板災害防治知識圖譜內(nèi)容并提升應(yīng)用效果。

參考文獻（References）：

[ 1 ]康紅普，張鎮(zhèn)，黃志增. 我國煤礦頂板災害的特點及防

控技術(shù)[J]. 煤礦安全，2020，51（10）：24-33，38.

KANG Hongpu， ZHANG Zhen， HUANG Zhizeng.

Characteristics of roof disasters and controlling

techniques of coal mine in China[J]. Safety in Coal

Mines，2020，51（10）：24-33，38.

[ 2 ]付恩三，白潤才，劉光偉，等. “十三五”期間我國煤礦

事故特征及演變趨勢分析[J]. 中國安全科學學報，

2022，32（12）：88-94.

FU Ensan， BAI Runcai， LIU Guangwei， et al. Analysis

on characteristics and evolution trend of coal mine

accidents in our country during \"13th five-year\" plan

period[J]. China Safety Science Journal，2022，32（12）：

88-94.

[ 3 ]趙亞軍，張志男，賈廷貴. 2010—2021 年我國煤礦安全

事故分析及安全對策研究[J]. 煤炭技術(shù)， 2023，

42（8）：128-131.

ZHAO Yajun， ZHANG Zhinan， JIA Tinggui. Analysis

of coal mine safety accidents and research on safety

countermeasures in China from 2010 to 2021[J]. Coal

Technology，2023，42（8）：128-131.

[ 4 ]徐剛，黃志增，范志忠，等. 工作面頂板災害類型、監(jiān)測

與防治技術(shù)體系[J]. 煤炭科學技術(shù)， 2021， 49（2） ：

1-11.

XU Gang， HUANG Zhizeng， FAN Zhizhong， et al.

Types，monitoring and prevention technology system of

roof disasters in mining face[J]. Coal Science and

Technology，2021，49（2）：1-11.

[ 5 ]王國法. 煤礦智能化最新技術(shù)進展與問題探討[J]. 煤

炭科學技術(shù)，2022，50（1）：1-27.

WANG Guofa. New technological progress of coal mine

intelligence and its problems[J]. Coal Science and

Technology，2022，50（1）：1-27.

[ 6 ]秦兵文，謝福星. 采場頂板災變機理及預警系統(tǒng)[J].

煤礦安全，2018，49（5）：124-127.

QIN Bingwen， XIE Fuxing. Disaster mechanism and

early warning system of stope roof[J]. Safety in Coal

Mines，2018，49（5）：124-127.

[ 7 ]丁震，李浩蕩，張慶華. 煤礦災害智能預警架構(gòu)及關(guān)鍵

技術(shù)研究[J]. 工礦自動化，2023，49（4）：15-22.

DING Zhen， LI Haodang， ZHANG Qinghua. Research

on intelligent hazard early warning architecture and key

technologies for coal mine[J]. Journal of Mine

Automation，2023，49（4）：15-22.

[ 8 ]王文廣. 知識圖譜：認知智能理論與實戰(zhàn)[M]. 北京：電

子工業(yè)出版社，2022：4-7.

WANG Wenguang. Knowledge graph： theory and

practice of cognitive intelligence[M]. Beijing：

Publishing House of Electronics Industry，2022：4-7.

[ 9 ]張吉祥，張祥森，武長旭，等. 知識圖譜構(gòu)建技術(shù)綜述

[J]. 計算機工程，2022，48（3）：23-37.

ZHANG Jixiang， ZHANG Xiangsen， WU Changxu，

et al. Survey of knowledge graph construction

techniques[J]. Computer Engineering， 2022， 48（3） ：

23-37.

[10]付雷杰，曹巖，白瑀，等. 國內(nèi)垂直領(lǐng)域知識圖譜發(fā)

展現(xiàn)狀與展望[J]. 計算機應(yīng)用研究， 2021， 38（11） ：

3201-3214.

FU Leijie，CAO Yan，BAI Yu，et al. Development status

and prospect of vertical domain knowledge graph in

China[J]. Application Research of Computers， 2021，

38（11）：3201-3214.

[11]ABU-SALIH B. Domain-specific knowledge graphs： a

survey[J]. Journal of Network and Computer

Applications， 2021， 185. DOI： 10.1016/j.jnca.2021.

103076.

[12]JI Shaoxiong， PAN Shirui， CAMBRIA E， et al. A

survey on knowledge graphs： representation，

acquisition， and applications[J]. IEEE Transactions on

Neural Networks and Learning Systems， 2021， 33（2） ：

494-514.

[13]劉鵬，葉帥，舒雅，等. 煤礦安全知識圖譜構(gòu)建及智能

查詢方法研究[J]. 中文信息學報， 2020， 34（11） ：

49-59.

LIU Peng， YE Shuai， SHU Ya， et al. Coalmine safety：

knowledge graph construction and its QA approach[J].

Journal of Chinese Information Processing， 2020，

34（11）：49-59.

[14]曹現(xiàn)剛，張夢園，雷卓，等. 煤礦裝備維護知識圖譜構(gòu)

建及應(yīng)用[J]. 工礦自動化，2021，47（3）：41-45.

CAO Xiangang， ZHANG Mengyuan， LEI Zhuo， et al.

Construction and application of knowledge graph for

coal mine equipment maintenance[J]. Industry and Mine

Automation，2021，47（3）：41-45.

[15]蔡安江，張妍，任志剛. 煤礦綜采設(shè)備故障知識圖譜構(gòu)

建[J]. 工礦自動化，2023，49（5）：46-51.

CAI Anjiang， ZHANG Yan， REN Zhigang. Fault

knowledge graph construction for coal mine fully

mechanized mining equipment[J]. Journal of Mine

Automation，2023，49（5）：46-51.

[16]陳德彥，趙宏，張霞. 專家視圖與本體視圖的語義映射

方法[J]. 軟件學報，2020，31（9）：2855-2882.

CEN Deyan， ZHAO Hong， ZHANG Xia. Semantic

mapping methods between expert view and ontology

view[J]. Journal of Software，2020，31（9）：2855-2882.

[17]吳炳潮，鄧成龍，關(guān)貝，等. 動態(tài)遷移實體塊信息的跨

領(lǐng)域中文實體識別模型[J]. 軟件學報，2022，33（10）：

3776-3792.

WU Bingchao， DENG Chenglong， GUAN Bei， et al.

Dynamically transfer entity span information for crossdomain

Chinese named entity recognition[J]. Journal of

Software，2022，33（10）：3776-3792.

[18]WANG Yu，TONG Hanghang，ZHU Ziye，et al. Nested

named entity recognition： a survey[J]. ACM

Transactions on Knowledge Discovery from Data，

2022，16（6）：1-29.

[19]寧尚明，滕飛，李天瑞. 基于多通道自注意力機制的電

子病歷實體關(guān)系抽取[J]. 計算機學報，2020，43（5）：

916-929.

NING Shangming，TENG Fei，LI Tianrui. Multi-channel

self-attention mechanism for relation extraction in

clinical records[J]. Chinese Journal of Computers，

2020，43（5）：916-929.

[20]鄂海紅，張文靜，肖思琪，等. 深度學習實體關(guān)系抽取

研究綜述[J]. 軟件學報，2019，30（6）：1793-1818.

E Haihong，ZHANG Wenjing，XIAO Siqi，et al. Survey

of entity relationship extraction based on deep

learning[J]. Journal of Software， 2019， 30（6） ：

1793-1818.

[21]ZHU Huiming， HE Chunhui， FANG Yang， et al. Fine

grained named entity recognition via seq2seq

framework[J]. IEEE Access，2020，8：53953-53961.

[22]YANG Dongying， LIAN Tao， ZHENG Wen， et al.

Enriching word information representation for Chinese

cybersecurity named entity recognition[J]. Neural

Processing Letters，2023，55（6）：7689-7707.

[23]ZHENG Changmeng， CAI Yi， XU Jingyun， et al. A

boundary-aware neural model for nested named entity

recognition[C]. Conference on Empirical Methods in

Natural Language Processing and the 9th International

Joint Conference on Natural Language Processing，Hong

Kong，2019：357-366.

[24]TAN Chuanqi，QIU Wei，CHEN Mosha，et al. Boundary

enhanced neural span classification for nested named

entity recognition[C]. The AAAI Conference on

Artificial Intelligence，New York，2020：9016-9023.

[25]LI Fei，WANG Zheng，HUI Siucheung，et al. A segment

enhanced span-based model for nested named entity

recognition[J]. Neurocomputing，2021，465：26-37.

[26]TANG Ruixue， CHEN Yanping， QIN Yongbin， et al.

Boundary regression model for joint entity and relation

extraction[J]. Expert Systems with Applications， 2023，

229. DOI：10.1016/J.ESWA.2023.120441.

[27]ZHENG Suncong， WANG Feng， BAO Hongyun， et al.

Joint extraction of entities and relations based on a novel

tagging scheme[C]. The 55th Annual Meeting of the

Association for Computational Linguistics， Vancouver，

2017：1227-1236.

[28]WEI Zhepei， SU Jianlin， WANG Yue， et al. A novel

cascade binary tagging framework for relational triple

extraction[C]. The 58th Annual Meeting of the

Association for Computational Linguistics， Tokyo，

2020：1476-1488.

[29]SHEIKHAEI M S，ZAFARI H，TIAN Yuan. Joined type

length encoding for nested named entity recognition[J].

Transactions on Asian and Low-Resource Language

Information Processing，2021，21（3）：1-23.

[30]田玲，張謹川，張晉豪，等. 知識圖譜綜述——表示、構(gòu)

建、推理與知識超圖理論[J]. 計算機應(yīng)用， 2021，

41（8）：2161-2186.

TIAN Ling， ZHANG Jinchuan， ZHANG Jinhao， et al.

Knowledge graph survey： representation， construction，

reasoning and knowledge hypergraph theory[J]. Journal

of Computer Applications，2021，41（8）：2161-2186.