基于知識圖譜和BERT的食品案例檢索方法

張賢坤 李子璇 孫 月

(天津科技大學人工智能學院 天津 300457)

0 引 言

當今世界處在一個信息爆炸的時代，在無數信息中高效準確地檢索出自己需要的內容成為了人們的普遍需求。例如：當人們遇到一個新的問題時會憑借自己的經驗進行推理得到解決辦法，而案例推理(CBR)就是讓機器模擬人類這種思維的推理方法。案例推理被成功地應用在許多領域，例如：民航突發事件領域[1]、公共危機事件領域[2]、心理咨詢領域[3]和地鐵運營領域[4]等，但案例推理應用在食品安全領域的研究較少。近年來越來越多食品安全事件的曝光引發了社會大眾對于食品安全問題的重視，然而目前利用典型的食品安全案例來指導解決新的食品安全問題的研究處于起步階段。案例推理方法是將推理與機器學習結合起來，根據過去的經驗或案例來解決新問題[5]，故而將案例推理應用在食品安全領域會有很好的前景。

案例檢索是案例推理過程中的重要一環，已有的案例檢索方法有很多，如基于文本特征提取和語義相似度計算的方法[1-2]、基于本體的方法[3,6]和基于聚類建立索引的方法[7-8]等，但是傳統的檢索方法不能反映案例之間的內在聯系。而僅基于知識圖譜結構化信息的檢索[9]，忽略了非結構化的語義，也會導致檢索結果不夠準確和全面。

為解決上述問題，本文搜集了大量的食品安全相關案例并進行了分析，提出了基于知識圖譜和屬性特征向量化的食品安全案例檢索方法，也是一個新的食品安全案例檢索模型。運用知識圖譜技術構建了食品安全案例庫，利用三元組的形式來表示食品安全案例，進而更直觀地展現案例特征及其之間的關系，根據網絡結構計算關系相似度。從案例庫中獲取食品安全案例具有代表性的屬性特征，使用BERT語言表示模型將其向量化，利用歐氏距離相似度度量方法計算屬性相似度；最后對關系和屬性相似度加權求和，得到案例總相似度。所提方法可以高效、準確地處理食品安全案例檢索任務。

1 食品案例檢索方法

本文主要研究的內容是食品安全案例的檢索，傳統的案例表示方法直接用文字描述缺乏特征的凸顯，故根據案例特點采用知識圖譜表示具有直觀的效果。雖然知識圖譜技術走在人工智能研究領域的最前沿，應用范圍也越來越廣泛，但在食品安全相關領域缺乏成熟的食品安全案例知識圖譜。因此，本文針對食品安全案例的特點進行知識圖譜的構建。

利用食品安全案例知識圖譜進行案例檢索時，不僅要考慮知識圖譜的關系結構，還應更多關注案例的語義信息。而一般的知識圖譜表示學習方法多偏重于結構的利用，如經典的TransE模型[10]利用三元組的結構信息進行表示學習，將知識圖譜中的關系看作實體間的某種平移向量，采用最大間隔法增強知識表示區分能力，處理簡單的大規模知識圖譜有一定效果，但處理復雜關系效果不好，缺少對實體語義信息的理解，存在局限性。因此，選擇用語言表示模型來將文字語義信息向量化，能夠有效表示實體屬性特征的文字含義，通過對特征向量的計算，可以準確計算出特征之間的差別大小，且計算效率較高，在食品安全案例檢索的應用效果較為明顯。

1.1 食品案例知識圖譜表示

運用知識圖譜技術描述案例，構建食品安全知識圖譜案例庫，可以將多源的、異構的數據連接在一起，直觀體現了節點之間復雜的聯系。構建食品安全案例知識圖譜就是描述案例的屬性以及案例之間的關系，利用三元組的形式來表示食品安全案例，三元組的基本形式主要包括(實體-屬性-屬性值)和(實體1-關系-實體2)。

食品安全案例本身可以當作實體，一些重要特征就可以作為案例的屬性，本文中設置每個案例的屬性包括案例編號、案例名稱、發生時間、食品名、毒物名、案例來源和鏈接，案例實體總體表示為Case=(id,name,date,foodname,poison,source,link)。食品安全案例以(實體-屬性-屬性值)三元組的形式表示，以某個食品安全案例為例：(案例-id-10001)，(案例-name-商販使用化工原料桶烤出有毒地瓜)，(案例-date-2007/1/1)，(案例-foodname-烤地瓜)，(案例-poison-化工桶)，(案例-source-大連晚報)，(案例-link-http://www.39kf.com/focus/spaq/01.shtml)。

食品安全事件大致可以分為6種類型：食品添加劑、非食用物質、禁用農藥獸藥、微生物、摻假摻雜和品質指標。出現食品安全問題的環節大致可以分為7類：種植養殖、加工、包裝、儲藏、運輸、銷售和消費[11]。致病程度可以分為：急性、亞急性、慢性和其他。而發生食品安全事件的地點分為34個省級行政區和多地區，共35類。上述內容以(實體1-關系-實體2)三元組形式表示為4種關系：案例與食品安全事件類型(Cases-CATEGORY_IS-Category)；案例與發生地區(Cases-HAPPENED_IN-Place)；案例與問題環節(Cases-PROBLEM_IS-Problem)；案例與致病程度(Cases-DEGREE_IS-Degree)。還以上文提到的案例舉例，關系表示為：(案例-CATEGORY_IS-非食用物質)，(案例-PROBLEM_IS-加工)，(案例-DEGREE_IS-亞急性)，(案例-HAPPENED_IN-遼寧)。

本文共篩選出300個較為有價值的食品安全案例進行知識圖譜表示，所有案例特征以三元組的形式存儲在Neo4j圖數據庫當中，構成食品安全案例知識圖譜，圖1為示例圖。圖中最小的節點表示案例實體，其他節點展示了部分案例類型實體、問題環節實體、致病程度實體以及地點實體，而有向邊標注了關系類型，屬性信息未展示。

圖1 食品安全案例知識圖譜示例圖

1.2 BERT語言表示模型

語言表示模型是通過文本語料庫訓練的“語言理解”模型，目的是應用于下游的智能問答、情感分析和文本聚類等自然語言處理(NLP)任務。預訓練的優勢是在特定任務中使用時，不需要用大量的語料來訓練，只需要簡單的修改，用特定任務的數據進行一個增量訓練，并微調權重，就可以得到有效的向量表示，提高了工作效率。

NLP領域的建模方法分為基于規則的[12]和基于統計的[13]，后者解決了前者建模過程中出現的維數災難、詞相似性等問題的同時提高了性能。基于統計語言模型的研究，如：Google在2013年提出word2vec神經語言模型[14]，基于深度學習的想法將文字詞語通過訓練模型轉化為N維固定的向量空間，向量之間的相似度可以表示詞語的相似度，但固定的向量表示并不能準確表達所有情況下的語義。ELMo模型[15]使用Bi-LSTM[16]語言模型，根據不同的訓練集語境，動態生成不同的詞向量表示，解決了一詞多義問題。GPT模型[17]利用Transformer[18]網絡代替LSTM作為語言模型可以更好地捕獲長距離語言結構，GPT也是基于微調的語言模型，以半監督的方式來處理語言理解的任務，解決ELMo每個單獨任務的參數量過多的問題，但GPT模型僅關注詞語左邊的內容，表達不夠準確。

BERT模型[19]融合了以上模型的優勢，運用海量語料數據訓練而成，是一個泛化能力很強的預訓練模型。BERT模型結構如圖2所示，是一種多層雙向Transformer編碼器，以一串單詞作為輸入，這些單詞不斷地向編碼器棧上層流動，每一層都要經過自注意力層和前饋網絡，然后再將其交給下一個編碼器，通過在所有層中對左右上下文進行聯合調節，從未標記的文本中預訓練深層雙向表示，輸出的向量即可更準確地表達詞的語義信息。

圖2 BERT模型結構

BERT模型采用Transformer而不是Bi-LSTM的主要原因是其有更深的層數，具有更好并行性，能更徹底地捕捉語句中的雙向關系；并且應用于特定的任務時，無須對體系結構進行大量修改，只需對預訓練好的BERT模型進行微調即可得到很好的效果。綜上所示，針對本文食品安全案例的屬性特征以及內容，選擇BERT語言表示模型進行向量化表示，能夠更加準確地體現案例的語義信息。

1.3 案例相似度計算

案例檢索就是查詢案例庫中與目標案例最相關的案例，相似度度量方法可以準確表示案例之間的相關性。用知識圖譜構建的食品安全案例庫，其本質是一張語義網絡，節點是實體、概念，邊則由關系構成。其中節點的屬性特征含有語義信息，運用語言表示模型做向量化處理，再對向量進行相似度計算。而對于邊，需要根據食品安全案例的關系特點選擇合適的相似度計算方法。

本文方法綜合考慮基于知識圖譜關系結構的案例關系相似度和基于案例屬性特征的屬性相似度，分別給予不同的比重，最后得到綜合加權的案例相似度。對于兩個案例P和Q，用sim(P,Q)表示它們之間的案例總相似度。sim(P,Q)∈(0,1)，相似度值越趨近于1則兩個案例越相似，越趨近于0則兩個案例越不相同。

sim(P,Q)=αsimatt(P,Q)+(1-α)simrel(P,Q)

(1)

式中：simatt(P,Q)表示案例屬性相似度；α表示案例屬性相似度所占的比重；simrel(P,Q)表示案例關系相似度；(1-α)表示案例關系相似度所占的比重。

1.3.1案例關系相似度計算

案例關系相似度計算是基于食品安全案例知識圖譜的關系結構進行的相似度計算。例如，某一案例的關系圖如圖3所示，此案例的關系有4種：CATEGORY_IS、HAPPENED_IN、PROBLEM_IS和DEGREE_IS。與此案例相連接的關系實體有5個：“品質指標”“微生物”“北京”“加工”和“其他”，其中品質指標和微生物都是此案例的CATEGORY_IS關系實體，由此可以說明案例同種關系的實體節點不唯一。由于發生地點不是計算關系相似度的必要因素，這里不進行地點的關系相似度計算。

圖3 案例關系圖示例

Jaccard相似系數[20]適用于有限個數樣本集之間的相似性比較。Jaccard系數值越大，樣本相似度越高。在食品安全案例知識圖譜中，關系的種類有限，關系實體的數量有限，并且對于案例實體與關系實體不一一對應的情況，適合采用Jaccard相似系數來計算食品安全案例關系之間的相似度，用simrel(P,Q)表示，計算式表示為：

(2)

式中：simrel(P,Q)∈[0,1]，表示案例P和Q的關系相似度；N(P)表示與案例節點P有關系的實體節點；N(Q)表示與案例節點Q的關系節點。

舉個實例，圖4為兩個相關案例的關系圖，可以看出這兩個案例有4個共同的關系實體，分別為“其他”“品質指標”“加工”“微生物”，計算關系相似度的過程及結果如下：

圖4 兩個相關案例關系圖示例

1.3.2案例屬性相似度計算

采用知識圖譜描述食品安全案例直觀表現出來的是實體之間的關系結構，而案例實體的屬性值包含更豐富的語義特征，如某案例屬性值示例如圖5所示。因此在案例檢索的任務中不僅要考慮實體之間的關系結構，還要考慮對屬性特征的語義信息進行處理計算。

圖5 某案例屬性值示例

本文從案例中選取有價值的案例屬性特征，包括案例名稱、食品名、毒物名，可以表示為C=(name,foodname,poison)，采用BERT語言表示模型進行文本屬性向量化處理，處理結果用于后續計算案例的屬性相似度。

在進行文本屬性向量化處理后，對于兩個案例P和Q，定義VP=(P1,P2，…，Pn)，VQ=(Q1,Q2，…，Qn)表示兩個案例實體的屬性特征向量，分別對每組屬性特征向量采用歐氏距離[21]計算屬性距離，并根據屬性的重要程度分配權重，計算式表示為：

(3)

式中：wi表示分配給第i組屬性特征向量的權重，本算法有三組屬性特征，故n=3。Distatt(P,Q)∈[0,+∞)，表示加權綜合的案例屬性特征向量距離，當Distatt(P,Q)=0時，表示兩個案例屬性完全相同。將距離轉換為歐氏距離相似度，計算式表示為：

(4)

式中：simatt(P,Q)∈(0,1]，表示兩個案例的屬性相似度，simatt(P,Q)值越大表示案例間屬性相似度越高。

1.4 食品安全案例檢索算法

本文提出的基于知識圖譜和屬性特征向量化的食品安全案例檢索方法，詳細步驟描述如下：

輸入：目標案例TargetCase的案例名稱nameTar，食品名foodnameTar，毒物名poisonTar，目標案例的關系集合N(Tar)；案例庫中第k個案例Casek的案例名稱namek，食品名foodnamek，毒物名poisonk，案例庫中第k個案例的關系集合N(Ck)。

輸出：與目標案例最相似的前n個案例。

(1) 使用BERT語言表示模型分別對nameTar、foodnameTar、poisonTar和namek、foodnamek、poisonk向量化，分別得到TargetCase和Casek的屬性特征向量VTar1、VTar2、VTar3和VCk1、VCk2、VCk3。

(2) 使用式(3)計算加權綜合的案例屬性特征向量歐氏距離Distatt(Tar,Ck)。

(3) 使用式(4)將Distatt(Tar,Ck)轉換為相似度，得到案例屬性相似度simatt(Tar,Ck)。

(4) 使用式(2)計算目標案例的關系集合N(Tar)和案例庫中第k個案例的關系集合N(Ck)的Jaccard相似度simrel(Tar,Ck)。

(5) 使用式(1)計算目標案例與案例庫中第k個案例的綜合相似度sim(Tar,Ck)，α取值0.9。

(6) 重復步驟(1)至步驟(5)，直到目標案例與案例庫中所有案例都進行了案例相似度計算。

(7) 將案例庫中所有案例，按照sim(Tar,Ck)的值降序排列。

(8) 取前n個案例，即得到案例檢索結果。

2 實驗與結果分析

提出的基于知識圖譜和屬性特征向量化的食品安全案例檢索方法是針對食品安全領域的案例檢索方法，實驗過程分為三個部分，最終驗證該方法的有效性和檢索結果的準確性。

2.1 實驗環境

實驗的硬件環境為：Intel(R) Core(TM) i7- 4790 CPU @ 3.60 GHz，內存4 GB；操作系統為Windows 7；集成開發環境(IDE)為PyCharm2019，編程語言為Python。

2.2 實驗數據

實驗數據的樣本集共300條食品安全案例，來源是食品安全類網站以及曝光食品安全新聞事件等網站，爬取結構化和半結構化的食品安全案例，再經過部分人工標注整理，并存儲在Neo4j圖數據庫中，得到食品安全知識圖譜案例庫。

2.3 屬性特征權重分配實驗

食品安全案例的眾多屬性特征中案例名稱、食品名和毒物名具有代表性。案例的名稱一般較長，在15～25字之間，大多數案例名稱是食品安全事件的新聞標題，為了吸引人的關注會突出食品安全事件的特點，部分案例名稱中也會出現食品名或毒物名，具有一定的代表性。案例的食品名和毒物名是最為關鍵的案例屬性特征，一般通過這兩類屬性特征能夠大致確定案例類型和問題環節等，非常具有代表性。三種屬性綜合計算能夠更加準確地表示案例的語義信息，因此選擇案例名稱、食品名和毒物名作為案例的屬性特征進行計算。

在計算案例屬性相似度的過程中，使用bert-as-service[22]對目標案例和案例庫中案例的案例名稱、食品名和毒物名這三種屬性特征分別進行了向量化處理，bert-as-service使用BERT模型作為句子編碼器，并通過ZeroMQ將其托管為服務，從而以快速可靠的方式將屬性特征映射為特定長度的表示形式。再分別計算每組屬性特征向量的歐氏距離，由于三種屬性對于案例本身的重要程度不同，因此分配不同的權重計算案例屬性相似度。

隨機選取目標案例和對比案例，分別調整屬性權重分配情況進行多組反復實驗，每組實驗以屬性相似度計算結果為標準判斷權重分配的合理性。舉例說明，實驗選取某“三聚氰胺”事件作為目標案例，在案例庫中隨機抽取了10個對比案例(案例1-案例10)，案例10為目標案例本身，案例內容如表1所示。

表1 “三聚氰胺”目標案例與對比案例內容

續表1

分別改變三組屬性的權重，且保證三個屬性特征的權重總和為1，進行對比實驗得到不同的屬性相似度計算結果。依次計算目標案例與案例1-案例10的屬性相似度，結果如圖6所示。圖6中“權重均分”分配給案例名稱、食品名和毒物名三組屬性的權重均為1/3；“加權1”的權重分配為0.45、0.45、0.1；“加權2”的權重分配為0.45、0.1、0.45；“加權3”的權重分配為0.1、0.45、0.45。可以看出四種權重的分配下，與目標案例最相似的是案例10、案例6和案例8。由于目標案例與案例10是同一案例，相似度值均為1，驗證了該方法的有效性。圖中在前三種權重分配下，案例8的相似度值略高于案例6說明案例8與目標案例更相似；而最后一種權重分配下，案例6與目標案例更相似。根據表1的案例內容可以看出目標案例與案例6、案例8均為“三聚氰胺”類事件，而案例6與目標案例的食品名均為乳制品，因此案例6應當較案例8與目標案例更相似。

圖6 不同權重的屬性相似度

實驗結果說明最后一種權重分配更合理，即應該減少案例名稱的權重，增加食品名和毒物名的權重。分析原因是實驗中比較了食品名和毒物名的重要程度，這二者在不同的角度均反映了食品安全事件的特點，因此設置食品名和毒物名屬性特征權重相等。案例名稱雖具有一定代表性，但有時為了吸引讀者眼球會使用一些修辭手法，具有主觀性。食品名和毒物名均相對更加客觀，因此食品名稱和毒物名稱均應該分配較高權重。經過多組實驗，案例名稱、食品名和毒物名的權重分別為0.1、0.45、0.45時結果最準確。

2.4 計算屬性特征向量的方法選取實驗

實驗隨機選取1個目標案例和10個案例庫中的對比案例(案例1-案例10)，設置案例10為目標案例本身，依次計算目標案例與案例1-案例10的綜合案例相似度。改變本文方法中計算案例屬性特征向量的方法，即在將案例的屬性特征使用BERT模型向量化后，使用歐氏距離相似度與余弦相似度分別計算案例的屬性相似度，比較兩種方法的效果。改變α的取值，用Jaccard相似度計算的關系相似度分別與兩種屬性相似度加權求和，得到綜合的案例相似度，并對比檢索效果。

第一組對比實驗與2.3節的實驗數據相同，案例內容如表1所示，改變α的取值，用歐氏距離相似度和余弦相似度計算出的綜合案例相似度結果如表2和表3所示。

表2 “三聚氰胺”案例使用歐氏距離相似度的結果

表3 “三聚氰胺”案例使用余弦相似度的結果

將表2和表3的相似度結果用折線圖表示，如圖7所示。當α取值為1時，由圖7(a)和(b)的折線對比可以看出，采用歐氏距離計算的結果更有區分度，能明顯得出與目標案例最相似的案例為案例10、案例6和案例8，而使用余弦相似度計算的結果區分度很小。分析原因是余弦相似度注重兩案例間的方向偏差，更適用于區分不同領域的案例；而歐氏距離更注重二者的差異程度，因此歐氏距離相似度計算方法更適用于本文食品安全領域的案例檢索。

(a) 歐氏距離相似度結果

(b) 余弦相似度結果圖7 “三聚氰胺”案例結果對比

隨著α值減小，(1-α)值增大，由圖7可以看出結果的區分度也隨之增大，但檢索效果并不是越來越準確，例如：目標案例與案例7、案例8的比較，由表1的案例內容明顯看出案例8與目標案例更相似，均為“三聚氰胺”事件，而案例7為“亞硝酸鹽”事件，但是圖7(a)中隨著α值的減小，案例7和案例8的相似度值越來越接近，原因是這兩個案例對應的關系節點相同導致目標案例與案例7、案例8的關系相似度相同，因此關系相似度的權重越高，越無法區分二者哪個與目標案例更相似。而在圖7(b)中無論α值如何變化，目標案例與案例7、案例8的相似度都很接近，檢索效果不理想。

當α取值為0時，根據圖7的結果得到目標案例與案例6、案例8的相似度值均為1，目標案例與案例1、案例7、案例8的案例相似度均為0.5，查看表1的內容顯然是不正確的，分析原因是當α取值為0時，案例相似度僅由關系相似度決定，缺少了屬性特征對案例相似度的影響。

為了避免“三聚氰胺”結果的特殊性，進行了多次驗證。第二組對比實驗選取某“工業鹽”事件作為目標案例，在案例庫中隨機抽取了10個對比案例(案例1-案例10)，案例10為目標案例本身，案例內容如表4所示，依次計算目標案例與案例1～10的案例相似度。

表4 “工業鹽”目標案例與對比案例內容

改變α的取值，用歐氏距離相似度和余弦相似度計算出的綜合案例相似度結果如圖8所示。根據表4的案例內容可知與“工業鹽”目標案例最相似的是案例10和案例7，次相似的是案例5和案例8。從圖8的結果可以看出當α取值為1時，采用歐氏距離相似度的結果比余弦相似度結果更有區分度。隨著α值的減小，關系相似度的比重增加，兩種計算方法的結果區分度都明顯增大，目標案例與案例1的案例相似度也逐漸提高，由表4內容看出案例1不是“工業鹽”相關案例，故案例1相似度值不應該高于案例5和案例8的相似度值，圖8(a)滿足要求。而無論α取值如何變化，圖8(b)中的案例1與案例5、案例8的區分度始終不明顯，不符合實際情況。

(a) 歐氏距離相似度結果

(b) 余弦相似度結果圖8 “工業鹽”案例結果對比

第三組對比實驗選取某“二氧化硫”事件作為目標案例，在案例庫中隨機抽取了10個對比案例(案例1-案例10)，案例10為目標案例本身，案例內容如表5所示，依次計算目標案例與案例1-案例10的案例相似度。

表5 “二氧化硫”目標案例與對比案例內容

續表5

改變α的取值，用歐氏距離相似度和余弦相似度計算出的綜合案例相似度結果如圖9所示。根據表5案例內容可以看出與目標案例最相似的是案例10和案例8，而當α取值為1時，圖9(a)的結果比圖9(b)的結果更準確，但隨著α值的減小，關系相似度的比重增加，案例5的相似度值逐漸增大，甚至高于案例8的相似度值，不符合實際情況。

(a) 歐氏距離相似度

(b) 余弦相似度圖9 “二氧化硫”案例結果對比

因此，經過多組實驗驗證，對于本文食品安全案例的檢索方法，采用歐氏距離相似度方法更適于計算案例屬性相似度；并且當α的值取0.9，(1-α)的值取0.1時，即案例屬性相似度的權重為0.9，關系相似度的權重為0.1時，能夠得到最準確的案例檢索結果。

2.5 案例檢索實驗結果

本文提出的基于知識圖譜和屬性特征向量化的食品安全案例檢索方法采用BERT語言表示模型將食品安全案例的屬性特征向量化，并用歐氏距離相似度方法計算出加權綜合的案例屬性相似度，同時使用Jaccard相似度方法計算出案例關系相似度，再將屬性相似度和關系相似度加權求和得到案例相似度，根據案例相似度值進行降序排列，得到案例檢索的結果。

使用本文提出的方法進行案例檢索，隨機取5個不同的目標案例，分別與案例庫中300個案例進行案例檢索。由于案例樣本數有限，這里取排名前5的案例作為檢索的結果，實驗結果如表6至表10所示。其中表6目標案例為“湖北‘三聚氰胺玉米奶’事件追蹤,玉米奶,三聚氰胺,非食用物質,湖南,加工,其他”；表7目標案例為“路邊賣的蜜餞涼果七成不合格,路邊蜜餞涼果,二氧化硫,食品添加劑,山東,儲藏,慢性”；表8目標案例為“兩男子生產假食用鹽坪山銷售被檢察院起訴,食鹽,工業鹽,非食用物質，摻假摻雜,廣東,加工,其他”；表9目標案例為“國內養殖業抗生素濫用觸目驚心檢測卻僅針對出口,養殖業,抗生素,禁用農藥、獸藥,多地區,種植養殖,其他”；表10目標案例為“北京市場檢查發現有毒海絲螺中毒者已治愈,海絲螺,麻痹性貝類毒素,非食用物質,北京,銷售,亞急性”。

表6 “三聚氰胺”事件案例檢索結果

表7 “二氧化硫”事件案例檢索結果

表8 “工業鹽”事件案例檢索結果

表9 “抗生素”事件案例檢索結果

表10 “中毒”事件案例檢索結果

由表6至表10的案例檢索結果可以看出，與目標案例越相似的案例排名越靠前，驗證了所提方法的有效性和準確性。同時對照結果查看了案例庫中所有案例，驗證了結果的全面性。

3 結 語

本文根據食品安全案例的特點，采用三元組形式表示案例的屬性特征和關系結構，從而構建了食品安全知識圖譜案例庫，并設計了案例檢索方法，驗證了檢索的有效性、準確性和全面性。然而，在此工作的基礎上，還需要獲得更多案例樣本來擴充案例庫，構建完善的知識圖譜，并且考慮加入“發生地點”等更多的食品安全案例特征，進一步提高案例檢索的準確率和效率。同時，在知識圖譜的擴展和應用方面本文方法還具有一定的局限性，如何對食品安全案例進行更加詳細合理的知識表示與知識的計算、推理還需要進一步研究。