群體性突發公共事件本體知識庫構建及應用

摘要：群體性突發事件具有突發性、涉及人數眾多、影響范圍廣泛、后果嚴重等特點，備受社會各界關注。通過構建本體知識庫，有利于提高群體性突發事件處置方案的有效性和可行性。將相關案例進行系統化地歸納整理、分析和應用，再通過計算事件間的相似度并與預先設定的相似度閾值進行比較，篩選并構建有效的相似本體知識庫。當收集到最新事件時，知識庫會自動更新，從而提高信息檢索效率。該知識庫為相關決策提供科學依據，提升政府和社會對群體性突發事件的應對和處理能力。

關鍵詞：群體性突發事件；本體；知識庫；相似度

中圖分類號：TP18 文獻標識碼：A

文章編號：1009-3044（2024）32-0011-05 開放科學（資源服務）標識碼（OSID） ：

1 概述

1.1 群體性突發事件的定義與特點

隨著社會的發展和信息技術的進步，人類社會面臨的突發事件愈發頻繁和復雜。群體性突發事件作為一種特殊的突發事件，因其影響范圍廣泛、后果嚴重等特點，備受社會各界關注。如：2003 年“非典”（SARS） 疫情、2008年汶川地震、2008年雪災、2011年溫州動車事故、2019 年冠狀病毒（COVID-19） 疫情等[1-2]。為了提升應對和預防群體性突發事件的能力，需要一個完備的本體知識庫，以便于對相關案例進行系統化的整理、分析和應用，提高信息檢索的效率，為相關決策提供科學依據，提升政府和社會對群體性突發事件的應對能力[3-6]。

1.2 基于本體的群體性突發事件知識建模

通過本體可以將知識清晰、準確、統一規范地進行結構化表示，并展示概念間的層次結構和邏輯關系[7]。王世文等[8]基于本體對網絡輿情信息源及要素進行分析，構建了數據模型，為網絡輿情案例數據庫奠定基礎。王琳[9]基于案例類和屬性構建了面向突發事件的糧食應急案例庫本體模型，為糧食應急供應提供決策支持。王紅等[10]基于本體關系建立了結合注意力機制與雙向門控循環單元的關系抽取模型，為民航突發事件自動獲取本體關系提供方法支持。劉煒等利用事件本體設計模式，建立了基于共享詞匯的環境污染突發事件本體模式，驗證了使用事件本體模式實現領域事件本體建模的有效性和概念一致性[11]。

為構建有利于群體性突發事件應急處理的概念統一、知識共享和決策智能，本文基于本體進行群體性突發事件知識表示，并研究基于本體的知識庫構建方法。提出基于本體名稱、屬性、結構、綜合相似度的知識推理整合算法，構建了群體性突發事件領域的本體知識表示模型及知識庫應用關鍵技術，為群體性突發事件知識庫構建和基于知識庫的知識表示、知識檢索、事件預警等典型知識管理和知識服務應用提供新的思路。

2 基于本體的群體性突發事件知識表示

2.1 基于本體的知識表示模型

群體性突發事件是一種事發突然、多數人參與的事件，通常通過加劇沖突、濫施暴力等手段來滿足某種需求，從而破壞或威脅社會秩序，需要立即處置[12]。群體性突發事件涉及公共管理、社會學、政治學、法學等多學科領域的知識，并且其發生的知識服務場景豐富且具有差異化。因此，需要建立統一的標準化本體表示模型，以便進行事件的整合。本文通過構建實體、屬性、實體間關系、事件類型、事件間關系這五個通用本體建模元語，搭建基于本體的知識表示五元組模型[13]，其定義如下式：

Ontology =< A，CA，L，B，DS > （1）

式中：A用于表示實體集合，CA表示實體間關系集合，二者用于表示事件中實體名稱和關系。例如，在群體性突發事件中，存在事件發生的時間點，而時間點會對應屬于事件發生的潛伏期、爆發期、恢復期、解決期。實體間的基本關系如表1所示。

L 表示事件類型的集合，B 表示實體屬性的集合。本文在復用SEM、ABC Ontology等本體表示模型的同時，參考國務院發布的《國家突發公共事件總體應急預案》、應急管理部門及地方政府發布的專項應急方案、《公安機關群體性治安事件工作規定》，以及官方網站、權威期刊中相關本體關鍵概念的基礎上，整理了已有的屬于公共衛生領域、社會安全領域、事故災害領域、自然災害領域的本體模型，并對其涉及的關鍵要素進行泛化。表2列舉了群體性突發事件的類型及其核心屬性。

DS 表示事件之間關系的集合，例如事件的因果關系，找出事件的原因和結果，由原因導致結果，由結果推出原因。群體性突發事件間的基本關系如表3所示。

2.2 基于本體的群體性突發事件知識建模

本文通過公式（1） 展示的五元組本體模型，將其作為群體性突發事件的知識表示方法來構建知識建模，并進一步利用OWL本體描述語言實現知識的程序化表示[14]。

2.2.1 群體性突發事件知識表示模型

1） 事件類知識

群體性突發事件是一種突然發生的事件，由多人參與并通過加劇沖突、擴大事態等手段破壞社會秩序，危害社會公共安全。群體性突發事件具有規模較大、社會影響廣泛、處置難度高、發生突然、原因復雜等特點。

描述事件的主要實體可以分為事件名稱、時間、地點、涉事人員、起因、結果六大基本類。描述群體性突發事件基本類的部分OWL代碼如下：

<owl：Class rdf：ID="Event">

<rdfs：label>事件</rdfs：label>

<rdfs：comment>表示一個發生的事件</rdfs：com?ment>

</owl：Class>

2） 事件與事件間的關系

① 轉折關系：在群體性突發事件的分析中，轉折關系表示事件發展的不同階段、不同參與者的態度變化以及事件處理策略的調整等。轉折關系可以清晰劃分潛伏期、爆發期、恢復期、解決期這些階段，并突出展示各階段之間的變化。轉折關系能夠體現參與者在事件中的角色和態度轉變，并強調事件處理策略調整的必要性和重要性，展示策略調整對事件發展的影響。通過轉折關系，可以揭示事件背后的復雜因素，更深入地理解群體性突發事件的原因和影響。將定義一個ObjectProperty來表示連接兩個事件的轉折關系，部分OWL代碼如下：

<owl： ObjectProperty rdf： ID= "hasTurnaroundRela?tion">

<rdfs：label>具有轉折關系</rdfs：label>

<rdfs：domain rdf：resource="#Event"/>

<rdfs：range rdf：resource="#Event"/>

<rdfs：comment>表示兩個事件之間的轉折關系

</rdfs：comment>

</owl：ObjectProperty>

② 順承關系：順承關系表現前后兩個或多個事件在意義上有先后順序，并且次序是按照邏輯順序相繼而下，不能隨意變換。順承關系通過清晰地展示事件的發展過程，從而體現事件發展的內在邏輯，提升信息傳遞的效率。將定義一個ObjectProperty來表示事件之間的順承關系，其中hasNextEvent是一個 Object?Property，它的定義域（domain） 和值域（range） 都是Event 類，這意味著這個屬性可以用來連接兩個事件實例。部分OWL代碼如下：

<owl：ObjectProperty rdf：ID="hasNextEvent">

<rdfs：label>接著發生的事件</rdfs：label>

<rdfs：domain rdf：resource="#Event"/>

<rdfs：range rdf：resource="#Event"/>

<rdfs：comment>表示一個事件之后接著發生的另一個事件</rdfs：comment>

<;/owl：ObjectProperty>

③ 并列關系：并列關系是指事件之間存在并列的概念關系。通過并列關系，可以揭示事件的多重原因、明確事件的多元參與主體、展現事件的多重影響以及提供多元化的應對策略，從而更加全面、深入地了解群體性突發事件的內容。我們將創建一個Ob?jectProperty來表示這種關系，其中兩個或多個事件在同一時間或相近時間內發生，但它們之間并沒有直接的因果或順承關系。在這個定義中，occursSimultane?ouslyWith 是一個 ObjectProperty，并且聲明了這個關系是對稱的，即如果事件A與事件B同時發生，那么事件B也與事件A同時發生。

<owl：ObjectProperty rdf：ID="occursSimultaneously?With">

<rdfs：label>同時發生</rdfs：label>

<rdfs：domain rdf：resource="#Event"/>

<rdfs：range rdf：resource="#Event"/>

<rdfs：comment>表示兩個或多個事件在同一時間或相近時間內發生</rdfs：comment>

<owl：SymmetricProperty rdf：about="#occursSimul?taneouslyWith"/>

</owl：ObjectProperty>

④ 條件關系：條件關系是指一個事件是另一個事件發生的條件，只有在條件事件發生后，才會產生對應的結果事件。條件關系通過理解事件的發展和演變過程，幫助指導事件的應對和處置工作。筆者將創建 hasCondition來表示一個事件是另一個事件發生的條件，而 hasResult表示一個事件是另一個事件的結果。條件關系可能具有傳遞性，但結果關系通常不具有傳遞性，因此在 hasCondition的定義中，使用 來表示它可能是一個傳遞屬性。部分OWL代碼如下：

<owl：ObjectProperty rdf：ID="hasCondition">

<rdfs：label>條件事件</rdfs：label>

<rdfs：domain rdf：resource="#Event"/>

<rdfs：range rdf：resource="#Event"/>

<rdfs：comment>事件條件</rdfs：comment>

<rdfs：subPropertyOf>

<owl：TransitiveProperty/>

</rdfs：subPropertyOf>

</owl：ObjectProperty>

⑤ 因果關系：因果關系是指前一事件是后一事件的原因，而后一事件是前一事件的結果，強調兩個事件之間直接的、時間上連續的作用關系，即原因在結果之前，并且原因是結果發生的直接原因。因果關系通過揭示事件發生的根本原因、明確事件的影響和后果，為應對策略的制定提供依據，并指導事件的預防和預警。筆者定義一個屬性來表示一個事件是另一個事件的原因。這個屬性是一個對象屬性，用于連接兩個事件。http：//example.org/causes是定義因果關系屬性的URI，其定義域（domain） 和值域（range） 都是http：//example.org/Event，表示這個屬性連接的是兩個事件。群體性突發事件本體知識庫框架如圖1所示。

3 知識庫本體綜合相似度算法與知識檢索

知識檢索需要以本體和查詢需求的綜合相似度為基礎，對本體知識庫進行精確匹配和知識的有效集成，這是群體性突發事件知識檢索、事件預警等典型應用的基礎[15]。

3.1 本體名稱相似度計算

設本體O1、O2 的名稱分別為字符串S1 和S2，通過皮爾遜相關系數方法計算字符串相似度ProStr （S1，S2 ），并通過歐幾里得距離方法計算詞義相似度ProWord （S1，S2 ），最后通過加權計算得到本體名稱相似度ProName（O1，O2 ）[16]。

ProStr （S1，S2 ）計算如下式：

ProStr （S1，S2） = （S1?S2）（ ｜｜ S1 ｜｜ ｜｜ S2｜｜） （2）

其中“：?”表示點積運算“；｜｜｜｜”表示模運算。

ProWord （S1，S2 ）計算如下式：

其中：a、a1、a2、β1、β2 是WordNet同義詞匯語義網絡的詞義結點，α 為a1、a2…an 的父節點，β 是β1、β2…βn的父節點，單詞S1、S2 分別位于節點α、β 上；WordNet 是一個標準同義的詞匯語義網絡，其中的詞匯根據它們之間的語義聯系被組織在一起，形成了一個同義詞的集合。

ProWord （a1，a2）獲取字符串S1，S2同義詞匯語義網絡相似度的最大值，即：

ProWord （S1，S2） = Max （ ProWord （a1，a2）） （4）

將上述得到的字符串相似度和詞義相似度計算結果進行加權計算，分別乘以權重，將其相加從而得到本體名稱綜合相似度ProName（O1，O2 ）：

ProName（O1，O2）=? ProStr （S1，S2）+（1-?）ProWord （S1，S2） （5）

其中：?表示權重用于衡量字符串相似度在決定本體名稱相似度時的重要性或影響程度。

本體名稱相似度計算流程如圖2所示。

3.2 本體屬性相似度計算

獲取本體O1、O2 后，通過事件屬性和數據類型進行分類，分別計算事件名稱相似度和數據屬性名稱相似度，從而構建事件相似度矩陣。通過遍歷相似度矩陣獲取最大相似度，再刪除最大相似度所在的行和列。如果刪除后矩陣為空，則對最大相似度序列進行均值化，進而得出事件類型相似度和數據類型相似度；否則，重新遍歷相似度矩陣。最后，通過整合兩者的相似度得到本體屬性相似度[17]。本體屬性相似度計算如圖3所示。

3.3 本體結構相似性計算

群體性突發事件本體結構相似度計算是衡量不同事件在結構層面的相似程度[18]。

本體結構相似度ProStru（O1，O2 ）采用杰卡德相似系數方法進行計算，通過比較集合O1 和集合O2 的交集和并集大小得出相似度。計算公式如下所示：

式中：集合O1 和集合O2 的交集大小用|O1 ∩ O2| 表示，即兩個集合共同擁有的元素數量；它們的并集大小用 |O1 ∪O2| 表示，即兩個集合合并后的所有不重復元素的總數。這一度量公式的值介于0到1 之間，其中值越趨近于1，則表明兩個集合的相似度越高。

3.4 本體綜合相似度計算

本體綜合相似度計算是衡量兩個或多個本體之間在概念、屬性、關系等方面的相似程度[19]。將上文中通過不同計算方式計算得出的本體名稱、屬性、結構的相似度進行加權計算，加權計算的權重選擇根據各維度的重要性或數據量進行調整但是總和一定為1，最后得出本體綜合相似度Pro（O1，O2 ）：

Pro （O1，O2） = αProName （O1，O2） +βProAtt （O1，O2） + γProStr （S1，S2） （7）

式中：α + β + γ = 1。

3.5 知識檢索

知識檢索是一種通過計算機系統對知識庫中的信息進行搜索和查詢的過程[20]。知識庫的檢索方式可以根據不同的需求和場景而有所不同，包括基于關鍵詞、自然語言處理、專家系統等。本知識庫的知識檢索使用自然語言處理技術對文本內容進行自動分類和摘要生成，并利用本體綜合相似度進行知識匹配，從而提高檢索效率和質量。

4 基于本體的群體性突發事件應急預案研究

4.1 群體性突發事件預警

基于群體性突發事件，為每個類型建立相應的本體模型，然后確定事件之間的邏輯關系，計算事件名稱相似度、結構相似度、屬性相似度，并通過整合得出綜合相似度。接著，設定一個合適的閾值用于判斷事件的相似程度是否超過預設閾值。當綜合相似度值超過閾值時，則會觸發事件預警。觸發事件預警的流程圖如圖4所示。

4.2 基于本體的群體性突發事件應急預案

基于本體的群體性突發事件應急預警是一個復雜且重要的系統，其目標是在群體性突發事件發生前或發生后，通過收集和分析相關信息，及時發出警報，以減少或避免人員傷亡和經濟損失。觸發預警后，會進行預警處理，將預警信息發送給相關人員或系統，并采取應對措施。隨后，根據預警類型和嚴重程度，啟動相應的應急預案。最后，分析預警結果，根據實際故障發生情況，評估預警系統的準確性和可靠性，并根據分析結果調整算法和閾值設置，以提高預警準確率。通過深入理解事件的本質和規律，設計合理的預警指標體系和模型算法，可以更有效地預測和應對事件的發生。故障預警處理的流程圖如圖5所示。

5 結論與展望

通過構建群體性突發事件知識庫，可以有效地提高應對此類事件的效率和準確性。知識庫的構建包括事件案例庫、基礎環境數據庫、情景庫、預案庫、知識庫和索引庫等多個方面，并采用相應的技術手段對其進行處理和維護。在群體性突發事件中，知識庫的應用可以迅速定位相關案例、生成應對預案、提供決策支持，從而為政府和相關機構提供有力支持。

未來，隨著人工智能和大數據技術的不斷發展，群體性突發事件知識庫的構建和應用將更加廣泛和深入。知識庫將更加智能化，能夠自動學習和識別新的事件模式，不斷完善和更新自身的內容和結構。同時，知識庫的應用將更加個性化，能夠根據不同用戶的需求和特點，提供更加精準和實用的信息和服務。此外，知識庫還將與其他領域的技術和平臺進行更多的融合和創新，如物聯網、區塊鏈等，為群體性突發事件的應對提供更加全面和高效的支持。

總之，群體性突發事件知識庫的構建是一項長期而復雜的工作，需要不斷地探索和實踐。未來將通過更加先進的技術和方法，不斷完善和發展該領域的知識庫建設，為人類社會應對各種突發事件提供更加堅實和可靠的信息保障。

參考文獻：

[1] 蔣勛，蘇新寧，陳祖琴.多維視角下應急情報管理體系的知識庫構建研究[J].情報學報，2017，36（10）：1008-1022.

[2] 江林，吳鴻鑫.我國突發公共衛生事件應急管理法制之完善：以新型冠狀病毒肺炎事件為視角[J]. 貴州警察學院學報，2020，32（4）：3-12.

[3] 樊舒.基于復雜網絡的應急情報系統案例知識庫構建與應用研究[J].情報雜志，2022，41（1）：39-44.

[4] 宋民雪，劉德海.群體性突發事件化解機制的隨機演化博弈模型[J].中國管理科學，2020，28（4）：142-152.

[5] 徐浩，譚德慶，張敬欽，等.群體性突發事件非利益相關者羊群行為的演化博弈分析[J].管理評論，2019，31（5）：254-266.

[6] 徐健.國內突發事件應急知識庫構建綜述[J].圖書館學研究，2018（2）：2-8.

[7] 栗婧，贠佳穎，關城，等“. 情景-應對” 視角下應急預案本體構建：以電網企業為例[J].安全與環境學報，2024，24（7）：2768-2775.

[8] 王世文，劉勁.基于本體的重大突發事件網絡輿情案例數據庫數據模型研究[J].情報理論與實踐，2023，46（10）：163-173.

[9] 王琳.面向突發事件的糧食應急案例庫本體構建研究[J].情報雜志，2020，39（5）：162-167.

[10] 王紅，李晗，李浩飛.民航突發事件領域本體關系提取方法的研究[J].計算機科學與探索，2020，14（2）：285-293.

[11] 劉煒，丁寧，楊竣輝，等.針對環境污染突發事件領域的事件本體模式[J].計算機科學與探索，2016，10（4）：466-480.

[12] 李倩倩， 王紅兵， 劉怡君， 等. 我國群體性事件的典型特征、治理問題與對策建議[J]. 智庫理論與實踐， 2022， 7（2）： 74-82.

[13] 張彬橋，楊文娟，葛蘇葉，等.水電站運維本體知識庫構建及應用[J].水力發電學報，2022，41（10）：86-98.

[14] 陳立華.基于OWL語言設計的網絡敘詞表本體轉化的原理及結構設計分析[J].情報理論與實踐，2010，33（10）：113-116.

[15] 韓牧哲，高勁松，李鈺，等.面向數字人文的出土陶器器形知識匹配方法與應用研究[J].情報學報，2024，43（1）：76-94.

[16] 朱文躍，劉煒，劉宗田.一種綜合事件本體相似度計算方法[J].計算機應用研究，2019，36（8）：2332-2337.

[17] 邴睿，馬慧芳，劉宇航，等.融合結構與屬性相似性的加權圖聚集算法[J].計算機工程與科學，2019，41（10）：1777-1784.

[18] 魯金濤.應急演練“情景-響應” 模型的結構相似度構建方法[J].中國安全科學學報，2021，31（10）：182-188.

[19] 成錦暉，鄭山紅，李萬龍，等.本體領域綜合概念相似度計算中的權重確定方法[J].吉林大學學報（理學版），2014，52（6）：1272-1276.

[20] 胡露露，王子國，李偉，等.地震數據采集處理知識檢索平臺開發[J].石化技術，2023，30（7）：170-172.

【通聯編輯：唐一東】

基金項目：本文系國家社科基金一般項目“大數據背景下群體性突發公共事件應急決策模型與應用研究”（21BTJ026）；2023 年國家級大學生創新創業訓練項目“大語言模型背景下突發公共事件事理圖譜自動構建研究”成果；湖南省教育廳資助科研項目（21A0372）