公路工程是典型的信息和知识密集型行业，项目进程中文件、资料的富集度较高，对从业人员的知识经验依赖性较大。工程安全数据总量庞大、来源广泛，多为结构化、半结构化数据，价值密度较低，项目各参与方难以直接从分散的数据中高效获取到可用信息；又由于工程安全影响因素较为复杂，知识缺口的问题普遍存在。这些因素导致公路工程安全领域的精细化管理难以推进，海量工程安全数据亟待进行有效的内容整合、知识转化和应用。

在此背景下，本研究致力于探究公路工程安全领域知识建模的方法，基于非结构化的文本数据构建领域的结构化知识模型，并借助知识模型和建筑信息模型(building information model, BIM)的融合，辅助工程项目的安全管理。

引入BIM技术是提升项目安全管理信息化水平的重要途径，已成为研究热点^[1]。传统的人工安全审查方式正在向基于标准规范的模型自动审查方式发展^[2]，而这一过程有赖于安全知识的富集。知识图谱是推进知识富集的关键技术，它基于“实体-关系-实体”三元组实现数据的连接，形成网状知识结构^[3]。基于海量数据进行知识的提取、加工、推理和融合^[4]，形成的知识图谱通过结构化的图式呈现客观世界中的概念及关系。本研究中，领域知识图谱是知识建模的最终产物，它从逻辑上分为本体层和数据层：本体层用于规定知识的架构体系，数据层用于组织具体的知识^[5]。

领域知识图谱的构建分为由本体层到数据层(“自上而下”)、由数据层到本体层(“自下而上”)2类步骤^[6]。建筑领域相关研究大多关注数据层的构建方法，即利用知识提取技术将文本数据转化为结构化知识。Hu等^[7]详细总结了建设工程中常用的知识挖掘方法。长短期记忆神经网络^[8]和条件随机场^[9]的结合目前是知识提取的主流方法，应用广泛。例如，李新琴等^[10]在设备诊断中用此方法从故障文本信息中提取知识；Wu等^[11]利用信息抽取方法构建了建筑机电设备领域的知识图谱，并应用于BIM的设计审查。

在构建数据层的基础上，向知识图谱中引入本体结构能够更精准地捕捉到知识单元间的逻辑关系^[12]，近年来在众多领域的知识建模中得到应用。惠记庄等^[13]建立了适用于钢结构桥梁的本体模型，通过专家评估对各指标赋予权重，用以支持工程决策。张彬桥等^[14]将本体方法运用于水电站运维知识库的构建，开发了相关的安全管理领域应用场景。吕佳挺等^[15]对基于BIM的工程、采购、施工(engineering, procurement, and construction，EPC)项目的信息模型建立本体表达，开发出信息管理系统。陈培智等^[16]提出了一个适用于建筑抗震性能评估的本体框架，并应用于建筑抗震性能指标的自动化预测。Le等^[17]在公路领域基于本体构建了一个数据转换、集成、检索的互联系统。

学者们对于本体层或数据层的搭建技术已进行了较为深入的研究，对于二者间的交互作用亦有广泛讨论；但学界的关注点集中于领域本体引导数据层知识提取的过程，对从文本数据抽象出层状本体结构的逆向过程阐述不足。本研究提出利用领域术语库辅助本体层状扩展的方法，可以实现从数据层网状知识结构到领域本体的推导过程，拓展了本体更新的技术思路。此外，公路工程安全领域尚无成熟的本体结构和知识网络，本研究对于知识图谱的领域扩展和工程应用具有一定推动作用。

综上，本研究针对公路工程安全管理中的知识缺口问题，提出一套本体引导的领域知识建模和更新方法，实现了面向公路工程安全管理的知识服务。本研究将围绕公路工程安全领域本体，探究领域知识图谱的完整构建过程及在应用场景中的组织形式，重点关注数据层向本体层的知识流动方式，以实现本体层的更新、纠偏。本文在总述公路工程安全领域知识建模方法的基础上，提出了本体引导的领域知识提取方法、知识网络引导的本体更新方法，阐明构建、更新领域知识图谱的方法；最后结合知识模型与BIM的关联，展示领域知识图谱在工程安全管理中的组织形式和应用场景。本研究提出的一套基于本体的知识建模方法实现了知识图谱的构建、更新、应用，可支持智能化检索、模型审查、安全生产引导等应用形式。

1 公路工程安全领域知识建模方法 1.1 领域知识来源分析

公路工程安全领域数据按照来源可分为公共数据和生产数据。公共数据是该领域内普遍适用的文件资料，为知识的获取提供了主要来源，由各级政府行政主管部门制定的与安全生产相关的法律法规、标准规范数据组成。其中，标准规范作为本研究文本数据的主要来源，按照适用范围、制定单位，分为总体标准、通用标准、专项标准、地方标准，各类型标准对应的示例如表 1所示。

生产数据指适用于特定工程的项目文件，是伴随工程的开展而产生的各种格式的数据，如建设指南、设计文件、进度记录、监测数据等，具有一定的特殊性。本研究使用的生产数据为《广东省高速公路工程施工安全标准化指南》^[18]，共有“管理行为”“安全技术”和“班组建设”3册。

1.2 领域知识结构分析

领域知识以结构化的图谱形式进行表征。其中：本体层结构组织性好、规模较小，其构建依赖于领域核心概念与关系体系的扩展；数据层结构组织性稍差、连接性强，需要基于海量文本数据进行提取。

领域知识常见的组织形式有层状结构、网格结构、有向网络结构等^[19]。本体层作为数据层的概念化抽象结构，以兼顾知识深度和广度的层状结构进行整合。层状结构一般又分为单维度分类和多维度分类2种形式。本研究中，公路工程安全管理领域知识是一个复杂系统，可拆解为多个相对独立又相互关联的子系统；且领域内标准规范数目众多、内涵丰富、侧重点不一，其条文内容往往涉及多系统的组合。因此，单维度的分类体系难以满足知识细粒度的要求，还容易造成层级间节点内容的大量冗余。故而本研究选用多维度层状分类体系构建该领域的知识图谱本体层。

数据层的实体间呈辐射状相连接，形成网状交织的知识结构。基于海量文本数据，以语句为单位进行知识提取，得到的小型图谱结构经过实体和数据的融合后构成数据层的大型网状知识结构。

综合以上分析，本研究构建的领域知识为包含层状和网状体系的混合结构，如图 1所示。在此系统中，本体层作为知识图谱的底层逻辑架构，承担了重要的组织、引导作用。由于公路工程安全领域尚无结构化的知识体系和实体语料库，因此建立公路工程安全领域关键数据的标准化架构，并扩展成本体层知识结构，是本研究需要完成的首要任务。

根据公路工程安全管理的运作模式，本研究得到该领域的核心概念与关系框架，如图 2所示。对于特定的建设任务，建筑构成物是生产目标，其性质由工程类型、建设阶段所决定；人是实施主体，机械、环境、材料、工艺是重要组成；而安全管理的过程则统筹人、机、环、法、材，对建设任务进行宏观控制。这个框架可作为知识架构的底层逻辑和基础，同时也是公路工程安全领域的核心概念与关系体系。从该体系可以衍生、扩展出多维度层状分类的本体层，继而引导知识图谱的构建和组织。

2 本体引导的领域知识提取方法 2.1 基于多维度分类的领域本体层构建

基于领域的核心概念与关系，本研究以多维度分类的方式建立公路工程安全领域的知识架构；进一步借助文献调研、规范阅读来总结领域的概念体系，对知识架构进行层状扩展，得到领域的多维度层状分类知识体系，用作知识图谱的本体层。参考图 2所示的核心概念与关系框架，本研究将公路工程安全管理知识体系划分为6个维度：特性维度、过程维度、管理维度、组织维度、目标维度、要素维度。

1) 特性维度：整合公路工程安全管理条例中涉及项目特性和安全特性的规定。项目特性拆分为基础指标、建设性质、建设形式、建设位置；安全特性包括“稳定”“耐久”等通用安全性质和特殊工程涉及的“滑坡防治”“抗撞”等特殊安全性质。

2) 过程维度：依据工程建设全过程中各阶段的划分刻画工程安全行为系统。过程维度扩展为建设阶段、运营阶段、养护维修3个主要层级；依据进程，建设阶段又向下分解为筹备、勘察、可行性研究、设计、试验、施工、验收等环节。

3) 管理维度：从项目管理的角度对工程安全管理各个环节的知识进行刻画。管理维度依托安全生产目标，与其他多个维度相互配合：对建设过程进行计划和控制，对建设对象进行策划、评价和监控，对人员组织、工程要素进行沟通、协调和指挥。

4) 组织维度：对工程安全管理中的建设单位、勘察单位、设计单位、施工单位、监理单位、政府部门等组织单位的职责方进行刻画。根据分工、职责的不同，区分从业人员所需掌握的知识内容。

5) 目标维度：刻画公路项目建设行为的目标对象，含各专业工程及其构成部件。参照公路工程一级专业类型，目标维度分为路基工程、桥梁工程、隧道工程、路面工程、给排水工程等；再向下层层分解为若干二级专业类型，至梁、杆、柱等细部构件。

6) 要素维度：建设过程中客观要素的集合。由材料、机械、环境、工艺等构成。

层状扩展后的公路工程安全领域本体层共有7个层级，包含390个有效节点。各个维度的层级和节点数量如表 2所示。

本体层层状分类结果可导入图数据库进行储存和可视化。将多维度分类体系转化为〈实体，关系，实体〉三元组形式，储存为可识别的文件格式，导入Neo4j图数据库，共导入384个实体节点、1 384个关系连接。图 3是公路工程安全管理知识体系的结构示意图，以过程维度为例展示了层状分类体系下的主要结构和次要结构。相关条文可依据来源、章节、内容，从多个维度进行内容分解，关联至此知识体系中。据此，该体系也为文本数据驱动下的领域知识提取和重构提供了本体框架。

2.2 基于本体层的领域知识图谱构建

基于本体层的引导作用，本研究设计了自然语言处理算法，从海量规范文本数据中提取公路工程领域的安全知识，作为领域知识图谱的数据层。图 4展示了以语句为单位进行知识提取的算法流程：输入规范文件后，依次进行规范文本提取、章节解构、复句分解、语句分词、知识提取等操作，将文本内容拆解为〈实体，关系，实体〉三元组形式的知识结构。在此流程中，本体层的多维度知识分类体系作为知识提取的指导性字典，导入语言技术平台(language technology platform, LTP)^[20]，使语句分词得到的实体名词契合本体层中的节点。

基于算法流程，导入海量文本数据进行知识提取，生成的知识结构储存为实体(Node)和关系(Edge)集合，分批次导入Neo4j图数据库进行储存；进一步通过Cypher语句操作完成实体和关系的合并，得到知识图谱的数据层。经过统计，本研究的数据层包含近30万个有效的实体节点。

利用图数据库Cypher查询语句，在本体层和数据层中查找同名实体进行关联，实现层状结构对网状结构的引导。图 5展示了局部建立的有效连接, 可见本体层和数据层中的同名节点实现了关联。经过检验，此方法成功地建立了批量连接，得到了完整的领域知识图谱，从而间接验证了本体层分类结果的有效性。

3 知识网络引导的本体更新方法

在生成的领域知识图谱中，本体层依靠人工经验总结获得，虽然组织性、理论性较好，但规模有限且难以批量扩展；数据层规模较大、信息富集度高，但由于网状结构缺乏组织性，数据层的信息价值密度依然较低，难以得到有效利用。为此，本章将对数据层信息进行提取，并利用数据层与本体层间的关联对本体层进行扩展和纠偏，实现“自下而上”的本体层半自动更新。

3.1 领域术语库构建

术语库是数据层向本体层扩展的重要桥梁。行业规范中存在大量“术语解释”类条款，对此类文本的解构和整合为本体层的更新提供了必要条件。本节通过编写代码定位文本中的术语词汇，对术语的解释性成分进行解构，实现公路工程安全领域术语数据库的自动化构建。

术语抽取以规范文件中普遍存在的“术语解释”类条款为核心。图 6展示了术语库的构建流程。通过正则表达式构造和语句分词，首先提取术语条目(Term)及其英文表示(English)、解释说明(Explanation)，再扩充类属(r_Typeof)、构成(r_Consistof)、功能(r_Usedfor)等关系类型，并从“Explanation”中抽取表征术语类属(Type)、本质(Nature)、组分(Composition)、功能(Function)的信息——这些信息能辅助数据层向本体层的扩展。提取的内容按词条以字典形式存储。

本研究从行业规范中共提取315条完整的术语解释类条款，经过信息抽取共扩展了1 000余条专业领域术语，其中的303条具有完整的解释格式。

3.2 基于网状知识结构的本体层状扩展

以术语库中的语料作为主要的连接桥梁，研究知识由数据层向本体层扩展的方法，总结为3类：

1) 基于类属关系。

术语条目与其对应的“本质”之间存在天然的类属关系，即“Term”是“Type”“Nature”的子类。这层关系可以用于本体层的扩展。当术语条目已存在于现有知识体系中，可借助术语“Type”或“Nature”的溯源结果，实现本体层向上的扩展。

图 7展示了利用此方法实现本体层扩展的实例。如图 7a所示，术语“设计速度”匹配至本体层“基础指标”下的“设计速度”子类，又与术语“运行速度”提取到相同的“Nature”，即“速度”，继而2个术语自动归为“速度”子类。将溯源结果更新至本体层，形成了如图 7b所示的新连接。

2) 基于构成关系。

术语的“组分”与术语条目之间存在天然的构成关系，即“Composition”是“Term”的子类。可借助术语与本体层实体的匹配，将这层关系应用于本体层的向下扩展。当术语在本体层中存在同名实体，它的组分可以关联为本体层同名实体的子类。

图 8展示了此方法的一个应用实例。借助术语“安全帽”中提取的“Composition”及其细部构成，可以将本体层的相关子类扩展2个层级。

3) 基于实体核心词聚类。

利用实体核心词聚合实现本体层扩展的方式普适于数据层中的实体。实体核心词是能反映实体所属类别的词语，同一类别的实体往往可以抽象出相同的核心词，并依据核心词被归结为同一类，如表 3所示。对于图结构中与实体直接或间接连接的节点，如果存在可按照核心词聚合为一类的实体集，且其中部分对象能关联至本体层已有节点，则可以将实体集中的其他对象关联至本体层的同级目录下，实现本体层的扩展。

图 9展示了此方法的应用实例。对于数据层“人员”关联的实体，可依据核心词“*作业”将“高处作业”“水下作业”“箱梁作业”等众多名词进行聚类，形成实体集。其中，“高处作业”同时作为“通用技术”的子类关联至本体层，由此可将实体集中的其他对象亦关联至“通用技术”的子类，实现本体层的同级扩展。

基于现有数据库，使用上述3类方法实现了本体层的扩展。经过统计和校核，本体层共扩展节点201个，占原有节点的51.5%：基于类属关系、构成关系和实体核心词聚类3类方法扩展的有效节点数量分别为43、66、92。本体层节点增至591个。

4 面向应用场景的知识组织

将本研究构建的领域知识图谱服务于中江高速公路改扩建工程，开发了一套针对公路工程的安全信息检索与应用系统。该改扩建工程项目位于广东省中江市西江特大桥，重难点为主梁梁段结构施工，对应于公路工程安全知识体系目标维度下的“桥梁工程”。本章将结合项目的特点，展示本体引导的知识图谱应用于工程安全管理实际场景时的组织形式。

4.1 知识导航应用实例

知识导航运用智能化技术，主动提供知识信息服务，引导用户获取所需的知识指导与帮助。在知识导航系统中，知识以特定的组织结构进行储存、展示，从而对用户进行定向引导。

本体层作为领域知识图谱的概念体系，拥有相对固定的、能够反映知识体系构成和分类的层次结构，在知识导航应用场景中极其适合用作大纲式的静态导航目录。据此在系统中开发了知识导航栏目，以本体层结构作为导航目录，如图 10所示；并添加导航栏的搜索功能，支持通过目录搜索查找包含关键词的层级，以便项目人员定向查阅领域知识。

本体层关联的数据层可以在“节点展开”栏目按照用户的需求进行动态扩展。选定知识体系中的节点内容后，栏目会展示该内容的子节点。用户可以批量展开子节点，了解其构成和知识内容；也可以借助节点搜索，查找节点关联的知识内容。

4.2 知识名片应用实例

知识名片是以某一实体为中心节点，对与它相关的信息以结构化的形式进行组织、呈现的一种智能化检索方式。当输入搜索条件后，系统基于图数据库检索到相关内容，以一定组织形式生成结构化知识，返回用户界面，即可得到检索内容的知识名片。

本研究构建的知识图谱中，结构化知识按照图 11中的知识名片形式进行组织：将数据层中与该节点关联的知识单元按照所属维度进行映射，并以本体层的层状组织形式展示目标节点的关联单元；若目标节点存在于本体层中，则依据该节点在本体层中的位置，溯源其维度信息，获取本源；若目标节点存在于术语库中，则获取其类属、本质、组成、功能、别称、解释、英译等信息，构建术语解释相关的知识内容。将以上3种方式获取的知识内容进行整理，以结构化的形式呈现，形成目标节点的知识名片。如图 11所示，以案例项目的桥跨结构“连续钢箱梁”为中心节点，知识名片成功关联了与结构特性(如“长度”)和安全管理(如“危大工程”“应急预案”)相关的知识节点。

知识名片可以进一步与工业基础类(industry foundation classes, IFC)文件经过处理后得到的知识库实现关联，以服务于项目安全管理应用场景。该部分不作为本文的重点，其主要步骤与效果示例见图 11。

4.3 公路工程项目安全管理应用场景

基于知识名片形式的智能化搜索结果，本研究面向智能化风险管控场景，展示知识图谱应用于公路工程安全管理的效果，借助知识模型和BIM的本体关联，实现基于知识图谱的安全审查功能。以下基于中江高速公路改扩建项目立体交叉桥梁的BIM实例进行展示说明。

将BIM文件进行格式转换后，导入安全信息检索与应用系统中，基于智能化搜索将构件属性与知识图谱中相匹配的知识单元建立映射关系，关联属性的组分、阈值等要求，排查项目中的安全生产隐患。“连续钢箱梁”是中江高速公路项目的桥跨主体结构，也是施工重难点，以此构件为例展示智能审查功能的应用效果，能够集中反映知识图谱如何满足项目安全管理的具体需求。在系统中选定该构件后，获取来源于BIM的名称、属性、参数等基本信息，并得到基于知识图谱的构件信息审查结果和判断详情，呈现在窗口中，如图 12所示。构件中存在的安全风险或特殊生产要求会提示在审查结果栏目。例如, 本项目中连续钢箱梁的长度(41 m)关联至知识图谱中的相关边界条件(≥40 m)，审查结果判定该构件的吊装属于危大工程，以此帮助管理人员发现项目的安全生产隐患，并辅助BIM的审查。伴随着BIM技术面向全生命周期的扩展，以多维度层状分类体系为引导的知识图谱亦可与BIM进行深度融合，应用于工程隐患的智能排查、安全作业的实时提示等工程场景。

5 结论

公路工程建设在现有的粗放管理模式下存在较高的安全风险和大量隐患。智能化知识支持可以提升安全管理的质量和效率，有助于提高公路工程的精细化管理水平。针对公路工程安全领域普遍存在的知识缺口和对智能化知识的应用需求，本研究基于公路工程标准规范的文本数据，探索了领域知识建模的方式；采用本体方法构建公路工程安全管理领域大型知识图谱，并借助术语库的搭建实现本体的自动更新；最后将生成的领域知识图谱面向公路工程安全管理的实际场景进行应用支持设计。

本研究的创新点在于：1) 实现领域知识图谱构建、更新、应用技术的集成；2) 借助领域术语库的构建实现本体更新方法的创新；3) 拓展知识图谱的应用领域——这也是公路工程安全领域首个完整的知识图谱构建、应用实例。未来还可通过扩充原始数据的来源和种类，提升领域知识图谱在工程中的适用性和即时性。在非结构化数据中，路桥工程相关的文献资料是领域知识的重要来源；随着工程构筑物健康监测技术的推广，实时采集和算法分析^[21]的数据结果亦可关联至知识图谱中。未来将实现更多元化的结构化数据和非结构化数据的知识融合建模，推动知识模型与BIM间更深入的信息融合和关联管理。