知识抽取是从不同来源和结构的数据中提取知识，并将其转化为将其结构化数据以存储于知识图谱的过程。对于结构化和半结构化数据，通常只需进行简单的预处理和映射，便能作为后续数据分析系统的输入，相关技术已相当成熟。然而，对于非结构化知识，需要应用自然语言处理技术来提取实体和关系，这需要借助信息抽取和深度学习的技术来帮助提取有效信息。目前，知识抽取技术的主要难点和研究方向包含实体抽取、关系抽取和事件抽取三个子任务。实体抽取，也称为命名实体识别(NER)，能够识别文本中具有特定意义的实体及其边界，这些命名实体包括人名、地名、时间等。NER在自然语言处理领域有着广泛的应用，如问答系统、知识图谱构建等。在NER任务中，基于词典和规则的抽取方式需要人工介入，随着信息增长，此类方法结构复杂，抽取效率较低。基于统计模型的抽取方法需要对上下文等数据进行标注，并利用统计方法训练模型，常用的模型包括支持向量机(SVM) [12] 、条件随机场(CRF) [13] 、隐马尔可夫模型(HMM) [14] 等，但标注过程仍需人工参与。相比之下，基于深度学习的方法展现出强大的语义挖掘能力。常用模型包括循环神经网络(RNN) [15] 、双向长短期记忆网络(BiLSTM) [16] 、BiLSTM与CRF结合模型BiLSTM-CRF [17] 等。当前，深度学习模型在命名实体识别任务中已取得显著效果。

BiLSTM-CRF模型是基于深度学习的序列标注算法，将预处理好的词向量输入到BiLSTM模块，捕获文本上下文语义信息，最后使用CRF模块解码BiLSTM模块输出的预测标签序列，对标注任务进行全局优化，获得最佳标注结果。BiLSTM-CRF模型能够利用大量数据进行训练，并且其自动提取文本特征的准确率高。如 图2 所示，BiLSTM-CRF模型由一个正向LSTM神经网络和一个反向LSTM神经网络组成，形成双向LSTM网络。该模型将每个句子的每个单词表达成一个向量，其中X_i表示句子的第i个字在字典索引，生成每个字对应的one-hot向量。BiLSTM接收每个字符的embedding，第一层是look-up层，利用embedding矩阵将句子X_i中的每个字由one-hot向量映射为低维的字向量。第二层是双向LSTM层，自动提取句子特征，记作矩阵。第三层是CRF层，将BiLSTM的Emission_score作为输入，输出符合标注转移约束条件的、最大可能的预测标注序列。给定模型的输出logits和标签序列，以及序列长度向量，CRF损失函数计算真实标签序列的对数概率，并取其负值作为损失。

模型的损失函数公式：

$P\left(\bar{y}|x\right)=\frac{\exp \left(\text{score}\left(x,\bar{y}\right)\right)}{{\displaystyle {\sum }_y\exp \left(\text{score}\left(x,y\right)\right)}}$(1)

$\text{score}\left(x,y\right)={\displaystyle \underset{i=1}{\overset{n+1}{\sum }}{A}_{{}_{y_{{}_{i-1}},y_i}}}+{\displaystyle \underset{i=1}{\overset{n}{\sum }}{P}_{i,y_i}}$(2)

其中，P为Bi-LSTM的输出矩阵，P_i,yi表示序列y中第y_i个标签的发射得分，A为tag之间的转移矩阵， $A_y{{}_{{}_{{}_{i-1}}}}_{，y_{{}_{i-1}}}$表示从第y_i-1个标签到第y_i个标签的转移得分。y是标记序列，x是单词序列，Score (x, y)即单词序列x产生标记序列y的得分，得分越高，说明其产生的概率越大。

计算所有可能的标签序列的分数和：

$\log P\left(\bar{y}|x\right)=\text{score}\left(x,\bar{y}\right)-\log \left({\displaystyle {\sum }_y\exp \left(\text{score}\left(x,y\right)\right)}\right)$(3)

本体是知识图谱中用来描述特定领域知识和概念的一组术语和定义。它将事件转换成知识表示的概念，并对语料进行结构化表示，本体构建技术已经成为自然语言处理的一个热门技术，它能够体现信息之间的复杂关系。在知识图谱中，本体位于模式层，它定义了特定领域知识和概念的术语和定义，作为知识库的概念模板。模式层是知识图谱的概念模型，也是实例层的逻辑基础，依赖模式层中的关系和规则的定义，能实现知识的推理。在本体层构建阶段，目标是通过系统化、规范化、形式化的方式定义和表达学科领域的概念、属性、关系和规则 [7] 。目前，本体构建主要采用手工构建、半自动构建以及自动构建本体三种方法 [18] 。这些方法利用知识体系和结构化知识转换等技术，依据已有的文献、本体等数据，来构建本体层。目前，存在许多本体构建方法，方法包括TOVE法、METHONTOLOGY法、骨架法和七步法等 [19] 。斯坦福大学医学院提出的七步法广泛应用于多个领域，有效提高本体的构建效率。对于本体的管理和维护问题，本体构建工具能够提高本体构架的效率，本体构建工具包括OntoEdit、WebODE和Protégé等 [20] 。

知识存储旨在为知识图谱的知识表示形式设计底层存储方式，完成各类知识的存储，以支持对大规模图数据的有效管理和计算。知识存储的对象包括基本属性知识、关联知识、事件知识、时序知识和资源类知识等。通过对数据进行处理，获取有效的信息，将不同的数据转化为结构化的三元组数据，依据数据量的大小、数据特征以及应用需求，选取合适的存储模式，将获取到的数据存储起来，形成知识图谱。知识存储是将已有的知识图谱进行存储，目前知识图谱的存储方式包括基于关系型数据库存储、基于RDF数据库存储和基于图数据库存储。RDF数据库使用XML语法来表示数据模型，通过三元组形式描述资源的特性及其相互关系，并将这些三元组数据以文本形式存储。图数据库使用节点和边存储数据，目前主流的图数据库包括DgraphDB、Neo4j、JanusGraph等 [21] 。图数据库能够更直观的表达实体的关系，与传统数据库相比，图数据库能更直观地表达实体间的关系，并且具有更高效的复杂关系问题处理能力。

知识图谱可视化通过图形化手段展示知识图谱中的实体、关系和属性等信息，帮助用户直观理解知识图谱的结构和内容，并支持用户探索其中的实体、属性和关系。用户可以直接在知识图谱可视化工具中进行搜索、推理等操作，进而能够挖掘数据中的规律和隐藏的信息。现阶段主要的知识图谱可视化工具包括Neo4j Bloom、D3.js、Cytoscape.js等。

本文使用课题组所收集的江门市产业污染数据作为主要数据源，使用BiLSTM-CRF模型对数据进行实体抽取，将处理好的数据转换成三元组，通过自顶向下的方法细分概念构建本体，并基于Neo4j构建并存储产业污染知识图谱。

本课题数据来源于课题组收集的数据，通过网络爬虫爬取百度百科与江门市产业污染相关的企业信息，原始数据为大量文本数据和表格。数据集样式如 表1 所示。数据获取之后不能直接进行知识图谱构建，需要对获取内容进行数据预处理。对于结构化数据，数据预处理后将实体和关系存储进图数据库中。

对于非结构化数据，产业污染领域的知识抽取过程中，需要专家手动构建规则模板进行命名实体识别，建设周期长。为了提高抽取效率和准确率，本课题使用了BiLSTM-CRF深度学习模型进行产业污染实体抽取。本课题的研究对象为江门市的产业污染，数据中收集到一些不属于产业污染范畴的案例，需要将其去除重复性操作，并参考实体的命名规范和结合专家意见对信息进行标注，将数据集的格式转换为BIO标注格式，数据集的每个字符均被标记成“B-product”、“I-product”或“O”，最终形成命名实体识别的标准数据集。使用BiLSTM-CRF模型进行命名实体识别，将80%的标注语料作为训练集，10%的预料作为验证集，10%的语料作为测试集。为了评价命名实体识别算法效果，通过使用精确率(Precision)，召回率(Recall)和F1值作为评价识别的性能指标。精确度以预测结果为判断依据，预测为正例的样本中预测正确的比例。召回率以实际样本为判断依据，实际为正例的样本中，被预测正确的正例占总实际正例样本的比例。F1分数被定义为精确率和召回率的调和平均数。

衡量标准F1值公式：

$\text{F1 =}\frac{\text{2}\times \text{precision}\times \text{recall}}{\text{precision+recall}}$(4)

精确率公式：

$\text{precision =}\frac{\text{TP}}{\text{TP+FP}}$(5)

召回率公式：

$\text{recall =}\frac{\text{TP}}{\text{TP+FN}}$(6)

实体抽取评价结果如 表2 所示。总体在产业污染实体抽取中达到较好的效果。

针对本文提出的污染场地知识图构建方法，以广东省江门市的污染场地数据为例进行了实例分析。抽取实体如 表3 所示。共抽取场地信息、企业信息、污染信息等污染场地实体21,221个，对应关联关系235,137个。根据各地区企业的情况、生产活动、污染状况与这组基本信息相关联，便于分析某一污染物污染原因，实现后续污染场地的防治。

本课题采用斯坦福大学提出的领域本体构建七步法，以构建产业污染知识图谱本体。首先，确定产业污染领域的本体范围，涵盖实体、属性和关系。通过文献综述、专家咨询以及政策法规分析等途径，收集与产业污染相关的知识。随后，对收集到的知识进行实体抽取，并对抽取出的实体、属性和关系进行分类与整理。接着，基于提取的信息构建本体模型，包括产业污染领域实体的结构、属性定义和关系描述。然后，对构建的本体模型进行验证和评估，并与专家进行讨论，以确保模型的准确性。最后，将本体模型应用于知识图谱，并根据监控和反馈情况进行必要的改进。

根据本体构建原则，本课题对每个本体类的概念层次进行了细分，并定义了城市产业污染环境实体的标签、关系和类型。使用基于Java语言开发的开源本体编辑工具protégé¹，对产业污染本体进行可视化处理。产业污染领域的本体构建详情参见 图3 。

从 图3 可以看出，本课题构建的本体包括城市、地区、公司、污染物、产品和行业等部分。例如，在污染物类型，根据对环境影响不同，将其分为土壤污染、水污染和大气污染三类；根据排污行业特点，分为制造业、采矿业、建筑业和供应业等类别。

知识图谱中，每个实体都是一个节点，每个关系都是一条边，采用节点和边的属性存储知识。构建的知识图谱是将实体–关系–实体、实体–属性–属性值中的首尾部分作为节点，属性和关系以边的形式储存，实现结构化知识三元组到图中节点和边的映射。基于图数据库的存储优势，在图数据库中实体、关系和属性等被映射为节点和边，形成结构化的知识三元组，与知识图谱中的图结构相契合。并且图数据库提供查询语言，能够进行复杂查询，支持多种路径查询算法，查询速度优于关系型数据库。基于所构建的产业污染知识图谱，通过图查询语言和图挖掘算法，进行关系延伸计算，能够实现知识图谱的知识推理和知识补全等应用，提高查询效率。

在存储产业污染知识图谱方面，Neo4j图数据库展现出更大的灵活性。Neo4j能够有效地表示实体间的关系、属性以及复杂的拓扑结构，支持快速查询和遍历大规模图形数据集，并提供可视化工具以便于理解数据间的关系，同时允许批量导入节点进行存储。综合以上考虑，本课题使用Neo4j图数据库存储知识图谱，实现从概念、属性、实体展示产业污染知识图谱，并使用图数据库Neo4j的Cypher查询语言遍历查询关系图。

通过分析污染场地在各行业的分布特征，可以更轻松地理解和分析数据，进而帮助决策者制定适当的治理措施，并确定处理的优先级。并为不同利益相关方之间的交流和协商提供有效的依据，从而提高治理效果，更有效地减少污染带来的风险。目前，文本数据的可视化主要是图表展示，但许多方法仅停留在数值比较和基础数据列举上，未能直观地揭示数据间的关联性。考虑到污染场地通常具有多种生产活动和多功能分区的特点，如果不能直观准确地展示数据之间的关系，就无法为后续的污染修复工作提供实质性的方案支持。因此，决定采用关系图可视化的方法来反映文本数据之间的关联性。将实体与关系导入图数据库中，能够根据需求进行数据可视化，展示江门市产业污染的知识图谱。 图4 展示了江门市产业污染中江门地区与公司、公司排放的污染物、生产的产品、所在行业实体之间的关系。不同颜色的节点表示不同的实体，实现产业污染知识图谱三元组的描述，将产业污染的地区、公司、污染物、行业等关系进行表达。

路径挖掘作为知识图谱中的一种方法，能够揭示实体间的潜在关系和隐藏信息。利用知识图谱的路径挖掘技术可以深入了解数据挖掘过程，进而发现数据中的潜在关系和模式。通过结合领域知识，可以提高数据挖掘的准确性和效率。本课题运用路径挖掘技术，针对产业污染知识图谱，分析了特定地区的行业分布以及特征污染物的区域分布情况。针对江门市，本课题利用知识图谱关联公司所在行业、地区及排放的污染物，以此展示与公司节点相连接的地区。以拥有最多公司数量的地区为例，我们统计了与各污染物的连接数量，并据此对污染物进行排序。最终，我们识别出了该地区主要排放的重金属污染物。

使用Neo4j软件中的neomap插件，结合公司的经纬度信息，采用图聚类算法在知识图谱中识别出密集连接的子图。 图5 展示了江门市公司的聚类情况，以江门市鹤山为例，该地区在知识图谱可视化结果中显示公司数量最多。定义了一组规则来描述预期挖掘的路径模式，并根据这些规则在知识图谱中搜索匹配的路径。 图5 展示了名为“鹤山市”的公司实体与各类污染物之间的最短路径，并根据江门市鹤山的排放情况对污染物进行排序，从而确定该地区主要排放的重金属污染物为铅(Pb)、铜(Cu)和汞(Hg)。同时，根据相同方法，挖掘出鹤山主要行业为制造业。在有限的环境管控条件下，这些企业在处理废水、重金属污染物等方面也面临着挑战。这些挑战增加了环境污染事故发生的可能性，进而增加了污染的风险。通过知识图谱的可视化分析，我们可以识别和评估污染因素，预测潜在的环境风险，并提前采取相应措施，以预防或降低环境污染事故的风险。在识别出主要排放污染物的地区和行业后，可以更有针对性地分配环保资源，比如监测设备、清洁技术投资和政策执行力度。

在产业污染领域，污染物的致污因素至关重要，它们是污染场地修复和管理的关键依据。这有助于工作人员分析污染物的来源和传输途径，进而评估并制定相应的治理措施。在产业污染知识图谱中，公司相关的产品、污染物、行业、城市、地区和注册资本等信息均通过三元组来表示。在Neo4j数据库中，使用Cypher语言来检索相关信息。通过设定复杂的规则和语法，我们能够搜索特定的Cr(铬)污染物。查询结果显示了排放Cr的公司、所属行业类型、公司所在地区、生产的产品及注册资本等信息(见 图6 )。这不仅揭示了数据间的关联，还实现了对Cr污染物信息的知识整合与分析，同时能够为管理者提供了智能信息检索功能。通过构建的知识图谱，可以识别出公司生产的产品对环境的潜在影响，并判断其是否为主要的污染排放源。这些公司所在的地区面临着环境挑战和风险，有助于地方政府分析污染物的来源和传输途径，对潜在的环境风险进行评估，从而更好地规划环境修复和管理措施，可以制定更为针对性的治理措施，如对特定行业或区域实施更严格的排放标准。