基于大語言模型的礦山事故知識圖譜構建

摘要：現有礦山領域知識圖譜構建方法在預訓練階段需要大量人工標注的高質量監督數據，人力成本高且效率低。大語言模型（LLM）可在少量人工標注的高質量數據下顯著提高信息抽取的質量且效率較高，然而LLM 結合Prompt 的方法會產生災難性遺忘問題。針對上述問題，將圖結構信息嵌入到Prompt 模板中，提出了圖結構Prompt，通過在LLM 上嵌入圖結構Prompt，實現基于LLM 的礦山事故知識圖譜高質量構建。首先，收集煤礦安全生產網公開的礦山事故報告并進行格式修正、冗余信息剔除等預處理。其次，利用LLM 挖掘礦山事故報告文本中蘊含的知識，對礦山事故報告文本中的實體及實體間關系進行K?means 聚類，完成礦山事故本體構建。然后，依據構建的本體進行少量數據標注，標注數據用于LLM 的學習與微調。最后，采用嵌入圖結構Prompt 的LLM 進行信息抽取，實例化實體關系三元組，從而構建礦山事故知識圖譜。實驗結果表明：在實體抽取和關系抽取任務中，LLM 的表現優于通用信息抽取（UIE）模型，且嵌入圖結構Prompt 的LLM 在精確率、召回率、F1 值方面均高于未嵌入圖結構Prompt 的LLM。

關鍵詞：礦山事故；知識圖譜；大語言模型；圖結構Prompt；本體構建；信息抽取

中圖分類號：TD67 文獻標志碼：A

0 引言

知識圖譜是結構化的語義網絡知識庫，其以三元組的形式結構化表示客觀世界中存在的概念、實體及其關聯關系[1]。在礦山領域，大量的事故信息通常以報告文本的形式存在，結構化程度低，難以實現事故信息的數據挖掘及知識推理。構建礦山事故知識圖譜可有效整合報告文本中事故概述、經過及原因中離散的實體及實體間關系，將礦山事故中事故地點、類型、原因等關鍵因素及其之間的關系以三元組的形式進行存儲，提高礦山事故信息的結構化程度，從而實現對事故信息的數據挖掘及知識推理，為礦山風險識別與預防、應急響應與決策支持、事故分析與原因追溯、事故預防措施制訂等一系列礦山智能化安全管理系統建設提供數據支撐[2]。

在礦山領域知識圖譜構建中，郭曉黎等[3]對煤礦安全事故的種類及類間關系進行分析，建立了煤礦安全事件本體，為構建煤礦安全事件知識圖譜提供了理論指導。潘理虎等[4]提出了一種基于七步法、METHONTOLOGY 法的本體構建方法，采用知識存儲映射算法將煤礦領域本體映射到Neo4j 圖數據庫中，完成了煤礦領域知識圖譜的構建。李蓓等[5]基于煤礦災害事件概念語義分類和煤礦災害事件描述屬性，構建了煤礦災害事件本體，為構建煤礦災害知識圖譜提供了理論借鑒。曹現剛等[6]采用預訓練的Lattice?LSTM 模型進行實體識別，采用基于弱監督學習的Bootstrapping 方法進行關系抽取，完成了煤礦設備維護知識圖譜的構建。王忠強等[7]針對智慧礦山領域的知識要素，提出了基于依存句法分析的實體抽取方法，并根據語句結構特點，設計了依存句法樹結構，構建了智慧礦山知識圖譜。韓一搏等[8]采用聯合編碼器將收集到的綜采設備數據轉換為向量表示，在解碼時采用預訓練的Lattice?LSTM 模型，完成了綜采設備實體識別，實現了煤礦綜采設備知識圖譜構建。現有礦山領域知識圖譜構建多采用基于預訓練模型的方法，該方法在預訓練階段需要大量人工標注的高質量監督數據[9]，而標注高質量的監督數據需要投入大量人力資源，并且效率較低。

近年來， 大語言模型（Large Language Model，LLM）在自然語言理解、學習和表達上取得重大突破，LLM 可在少量人工標注的高質量數據下顯著提高信息抽取的質量且效率較高，廣泛應用于各領域的信息抽取任務[10-12]。M. Agrawal 等[13]證明了LLM在沒有針對專業領域進行訓練的情況下，仍可在零樣本和少樣本的醫療文本信息抽取任務中表現良好。S. Wadhwa 等[14]證明了LLM 可高質量地完成少樣本新聞信息抽取。馮鈞等[15]證明了LLM 在未針對水利調度領域文本進行訓練的情況下，可在少樣本的調度文本中實現高質量信息抽取。因此， 將LLM 應用于零樣本和少樣本的礦山事故信息抽取任務，從而構建礦山事故知識圖譜是可行的。

隨著LLM 的不斷發展，Prompt 已經成為自然語言處理領域的一種前沿方法，為LLM 的使用提供了一種更有效和更具成本效益的方法[16]。然而，LLM結合Prompt 的方法會產生災難性遺忘問題[17]，致使模型原始理解上下文能力喪失，難以處理蘊含復雜關系的信息抽取任務。圖結構信息可增強模型對實體間復雜關系的理解能力，提高實體抽取和關系抽取的準確率。Li Lei 等[18]提出了一種基于上下文感知圖結構的圖卷積網絡來進行事件檢測任務，提高了模型理解語義上下文信息的能力。Zhang Qianjin等[19]將實體間的隱式圖結構信息融入知識圖譜嵌入模型，在關系預測任務上實現了性能提升，增強了模型對上下文的理解能力。因此，本文將圖結構信息嵌入到Prompt 模板中，提出了圖結構Prompt，通過在LLM 上嵌入圖結構Prompt，提升礦山事故知識圖譜的構建質量。首先，對收集到的礦山事故報告進行預處理得到原始語料。其次，按照相關文件要求，使用LLM 對礦山事故報告文本中的事故信息進行K?means 聚類分析，挖掘事故信息中的實體及實體間關系，完成事故本體構建。然后，將礦山事故報告文本中蘊含的圖結構信息嵌入到Prompt 模板中，進行礦山事故實體及關系的信息抽取，實例化實體關系三元組。最后，根據抽取到的實體關系三元組構建知識圖譜。

1 基于LLM 的礦山事故知識圖譜構建

本文采用自頂向下的方式構建礦山事故知識圖譜，流程如圖1 所示。知識圖譜涵蓋模式層和數據層[20]。模式層在數據層之上，主要通過本體來規范數據層中的一系列事實表達；數據層主要由一系列事實三元組組成，知識以事實為單位進行存儲。通過網絡爬蟲技術，收集煤礦安全生產網公開的礦山事故報告，經過預處理得到原始語料，使用LLM 對事故報告中的名詞、名詞短語及動詞進行批量化抽取。在模式層中，實體集由事故報告中的名詞、名詞短語組成，關系集由事故報告中的動詞組成。通過LLM 對實體集和關系集中的元素進行聚類分析，同時結合《礦山生產安全事故報告和調查處理辦法》《生產安全事故報告和調查處理條例》《煤礦安全生產條例》中要求事故報告應包含的內容，構建礦山事故本體。本體構建完成后，對原始語料進行少量的人工標注，標注數據用于LLM 的學習與微調。按照本體中的概念定義設計信息抽取模板。在數據層中，將礦山事故報告中不同文本中實體及實體間關系的圖結構信息嵌入到信息抽取模板中，使用LLM進行實體及關系抽取，得到礦山事故文本中的實體關系三元組，完成數據的實例化。

1.1 模式層構建

模式層是知識圖譜的概念模型和邏輯基礎，可借助本體定義的規則和公理對數據層進行規范約束[3]。對礦山事故報告文本分析可知，該報告文本中蘊含豐富的實體對象和關系。使用LLM 并結合煤礦生產文件、煤礦設備文件和安全防治文件對礦山事故報告文本進行了實體關系挖掘、聚類和總結歸納。

礦山事故報告按照結構可劃分為事故概述、事故原因、事故單位情況和事故發生經過。實體關系挖掘過程如圖2 所示。首先，本文利用LLM 按事故報告結構分批獲取礦山事故報告文本中的所有名詞及名詞短語， 同時， 提示LLM 采用粗粒度分詞標準。例如，事故原因文本為“事故直接原因：工作面放炮崩歪單體液壓支柱，工人在空頂情況下違章打設支柱，冒落的巖石砸倒支柱，支柱砸傷其頭部致死。”，采用粗粒度分詞標準后的分詞結果為“事故/直接原因/：/工作面放炮崩歪單體液壓支柱/，/工人/在/空頂情況下/違章打設支柱/，/冒落的巖石/砸倒支柱/，/支柱/砸傷其頭部致死/。”。采用粗粒度分詞標準可以保留事故原因的語義完整性，有助于模型理解上下文，減少分詞歧義。其次，獲取事故報告中的所有名詞及名詞短語后，通過LLM 對所有名詞及名詞短語進行K?means 聚類。如將具體名詞“單體液壓支柱”“風鎬”“液壓槍”等聚類在一起，并進一步映射為“設備”標簽；將“運輸事故”“頂板事故”“水害事故”等聚類在一起，并映射為“事故類型”標簽；將“2 號采煤工作面”“硐室”“106 號—115 號液壓支架間” 等聚類在一起， 并映射為“ 地點” 標簽； 將“2023 年6 月8 日6 時許”“60 萬t/a”“未打設臨時支護”等分類為其他標簽。得到聚類數據后，將同標簽的名詞及名詞短語放入同一集合中，采用Dice 系數對聚類后的每個標簽集合進行相似性度量，即兩兩比較集合中文本元素的重復度。Dice 系數越接近1，表示2 個集合越相似。如果相似，則重復上述步驟進行進一步聚類，否則根據集合中的元素并結合事故文本特征進行標簽映射。最后，得到事故核心、機構、事故原因、設備、事件、人員和證照7 類實體。

在對語料中的關系進行挖掘時， 首先， 利用LLM 按事故報告結構分批獲取礦山事故報告文本中的所有動詞。然后使用LLM 對獲取到的所有動詞進行K?means 聚類，同樣使用Dice 系數對聚類后的動詞集合進行相似性度量，結合行業實際情況進行調整。最后獲得位于、處于、取得、對應、具備、參與、采取、導致、發生、操作10 種關系。

此外，在對訓練數據中少量樣本進行數據標注時，為提高人工標注的效率，提升實體辨識度，對前文所述7 類實體中的事故核心、機構、事件和證照4 類實體進行了細分，細分后的實體及實體間關系如圖3 所示。將事故核心實體細分為時間、地點、事故類型、死亡人數、受傷人數和經濟損失，將機構實體細分為煤礦名稱、地址、生產能力和生產狀態，將事件實體細分為業務名稱、救援行動和現象，將證照實體細分為證照編號和證照有效期。最終得到礦山事故領域實體及實體間關系。

1.2 數據層構建

在數據層中，知識以“實體?關系?實體”或“實體?屬性?屬性值”的三元組形式存在。根據模式層中對實體及實體間關系的定義，對事故文本進行信息抽取，構建礦山事故知識圖譜的數據層。

根據礦山事故報告文本中實體及實體間關系結構，可將圖結構信息分為3 類。事故概述文本和事故原因文本的圖結構信息相同。以事故概述文本的圖結構信息（圖4）為例，按照礦山事故本體中實體及實體間關系，該文本中XX 煤礦為起始節點，其余節點為終止節點。起始節點與各個終止節點之間存在發生、導致等不同的關系，并且節點之間只有一對多的圖結構信息，在對事故概述文本進行信息抽取時，可定義該部分文本的Prompt 模板，將各節點之間的關系和圖結構信息嵌入Prompt 模板。

事故單位情況文本的圖結構信息如圖5 所示。按照礦山事故本體中實體及實體間關系，該文本中XX 煤礦為起始節點，證號為中間節點，證照有效期為終止節點。起始節點和終止節點通過中間節點進行連接，各個節點之間存在取得、對應等不同的關系，并且起始節點與中間節點之間只存在一對多的關系，中間節點和終止節點之間存在一對一的關系，在對事故單位證照情況進行信息抽取時，可固定該部分文本的Prompt 模板，將各節點之間的關系和圖結構信息嵌入Prompt 模板。

事故發生經過文本的圖結構信息如圖6 所示。在該文本中，事件是按照時間順序發生的，各個時間點中都有人員參與，且參與其中的人員都在進行相應活動，如操作設備、進行業務施工、采取救援措施等。因此，按照礦山事故本體中實體及實體間關系，將該文本中時間點作為起始節點，人員作為中間節點，具體業務名稱作為終止節點。起始節點和終止節點通過中間節點進行連接，各個節點之間存在參與、操作、對應等不同的關系，并且起始節點與中間節點之間存在一對多的關系，中間節點與終止節點之間存在一對一和一對多的關系，在對事故發生經過文本進行信息抽取時，可固定該部分文本的Prompt模板，將事故發生經過文本中各節點之間關系和圖結構信息嵌入Prompt 模板。

根據礦山事故報告文本各部分內容的差異性，對事故概述、事故原因、事故單位情況和事故發生經過進行信息抽取時采用不同的Prompt 模板。信息抽取過程如圖7（a）所示，在Prompt 模板中嵌入原始語料中實體之間的圖結構信息，將嵌入圖結構信息的Prompt 模板和待抽取文本輸入LLM，使用人工標注的訓練集數據指導LLM 進行礦山事故中實體及實體間復雜關系的學習，對模型參數進行微調，使LLM 在當前對話中保持對該任務的信息抽取能力。具體信息抽取案例如圖7（b）所示，模板中的triples 表示當前待抽取文本中所包含的三元組，target 表示嵌入圖結構信息后的文本，Subject_X標簽表示起始節點， Object_X 標簽表示終止節點，target_text 表示待抽取文本的內容，ner2ent 表示待抽取文本中所包含的實體節點與標簽的對應關系。

在信息抽取時，按礦山事故報告結構對原始語料進行劃分，將嵌入圖結構信息的Prompt 模板和待抽取文本輸入LLM 進行批量化信息抽取， 最終LLM 輸出抽取到的實體關系三元組。

2 實驗驗證

為驗證本文方法的可行性和有效性，開展實驗驗證。用于實驗驗證的LLM 包括GPT?3.5，GLM_4，ERNIE?4.0 及Qwen?7B?chat，將LLM 的信息抽取結果與通用信息抽取（Universal Information Extraction，UIE）模型[21]的信息抽取結果進行對比。

2.1 數據集構建

在礦山事故信息抽取任務中，目前尚無公開的數據集，因此需要自行構建數據集。本文收集的數據來源于煤礦安全生產網，通過網絡爬蟲獲取原始語料文本，選取7 類礦山事故，共包含2 532 個礦山事故報告文本，人工標注253 個礦山事故報告文本，將標注后的數據按照7∶3 的比例劃分為訓練集和測試集。

通過網絡爬蟲獲取到的原始礦山事故報告文本存在實體關系和專業詞匯復雜及實體嵌套等問題，使得本體構建變得困難，且直接對原始語料進行信息抽取并不能得到高質量的抽取結果。此外，收集到的原始礦山事故報告存在諸多冗余信息和格式混亂數據，無法將其直接用于信息抽取任務。為改善上述問題，需要對數據進行預處理，以提高語料庫的構建質量。

根據國家礦山安全監察局《關于印發〈礦山安全生產事故報告和調查處理辦法〉的通知》（礦安〔2023〕7 號）第十條要求，對采集到的原始礦山事故報告進行預處理，如圖8 所示。首先，對原始語料進行數據清洗，修正格式混亂的數據，同時對報告內容進行精簡，刪除礦山事故報告中的冗余信息，去除事故責任追究與處理建議等與本體構建無關信息，保留事故發生單位概況，事故發生的時間、地點、事故類別，事故的簡要經過，事故已經造成傷亡人數、涉險人數、失蹤人數和初步估計的直接經濟損失等必要內容。然后， 進行實體對齊， 例如針對XX 市XX 區XX 煤業有限公司（以下簡稱“XX 煤業”），統一使用簡稱之后的煤礦名稱。最后，統一礦山事故報告結構，將礦山事故報告保留的內容進一步精煉為事故概述、事故原因、事故單位情況和事故發生經過4 個部分內容。

2.2 信息抽取結果

分別采用GPT?3.5，GLM_4，ERNIE?4.0 及Qwen?7B?chat 這4 個LLM 與UIE 模型對礦山事故報告中的實體和關系進行抽取，結果見表1。

由表1 可知：在實體抽取任務中，UIE 模型表現穩定但整體略差于LLM；在關系抽取任務中，LLM表現顯著優于UIE 模型。這是因為UIE 模型依賴于預定義的結構化模式，難以靈活處理多樣化的關系類型；而LLM 憑借強大的上下文理解能力、生成式框架及對大規模預訓練數據的深度學習能力，能夠更好地捕捉語義關聯和隱含關系，此外，LLM 在處理動態和多樣化任務時表現出更強的泛化能力，能夠更準確地構建實體之間的關系，從而在實體抽取和關系抽取任務中取得更好的效果。

在GPT?3.5， GLM_4， ERNIE?4.0 和Qwen?7B?chat 上開展嵌入圖結構Prompt 和未嵌入圖結構Prompt 的對比實驗，分別對測試集數據進行實體抽取和關系抽取，結果見表2。

由表2 可知，在LLM 中嵌入圖結構Prompt 后的信息抽取結果明顯優于未嵌入圖結構Prompt。未嵌入圖結構Prompt 的LLM 雖能捕捉一定的語義信息，但在精確率和召回率上存在局限性，尤其在處理復雜圖結構數據時，難以充分利用節點和邊之間的關系信息。而嵌入圖結構Prompt 可幫助LLM 更好地理解圖中節點和邊之間的關系，并將圖結構信息保留至低維空間表征中，提升捕捉實體間復雜關系的能力。

2.3 知識圖譜構建結果

利用嵌入圖結構Prompt 的LLM 從礦山事故報告中抽取事故概述、事故原因、事故單位情況和事故發生經過所包含的實體及實體間關系信息，生成礦山事故知識圖譜三元組，并將其存儲在Neo4j 圖數據庫中，從而構建礦山事故知識圖譜。

使用Cypher 語句可對Neo4j 圖數據庫中的礦山事故進行查詢。以頂板事故為例，查詢某一煤礦發生的頂板事故，該頂板事故的事故概述、事故原因、事故單位情況和事故發生經過所涵蓋的實體關系三元組構成的知識圖譜如圖9 所示。

3 結論

1） 通過LLM 對礦山事故報告文本中的名詞、名詞短語及動詞進行K?means 聚類分析， 使用Dice 系數對聚類后的集合進行相似性度量，并結合煤礦領域相關規范性文件，可快速、高效地完成煤礦領域事故本體構建，生成礦山事故知識圖譜三元組，實現礦山事故信息的結構化表示。

2） 在LLM 上嵌入圖結構Prompt，提升了LLM實體抽取和關系抽取的準確率，從而在少量的標注數據下快速實現礦山事故知識圖譜的高質量構建。

3） 由于數據來源于煤礦安全生產網的礦山事故報告，文本結構相對固定，文本類型相對單一。在未來的研究中，可提高數據源的多樣性，進一步完善礦山事故知識圖譜，探索在礦山事故原因分析、救援策略決斷、防范措施制訂和事故報告自動生成等場景下的應用。

參考文獻（References）：

[ 1 ]JI Shaoxiong， PAN Shirui， CAMBRIA E， et al. Asurvey on knowledge graphs： representation，acquisition， and applications[J]. IEEE Transactions onNeural Networks and Learning Systems， 2022， 33（2） ：494-514.

[ 2 ]王國法，任懷偉，趙國瑞，等. 智能化煤礦數據模型及復雜巨系統耦合技術體系[J]. 煤炭學報， 2022，47（1）：61-74.

WANG Guofa， REN Huaiwei， ZHAO Guorui， et al.Digital model and giant system coupling technologysystem of smart coal mine[J]. Journal of China CoalSociety，2022，47（1）：61-74.

[ 3 ]郭曉黎，王宇，劉瑞祥. 面向煤礦安全事件本體模型研究與應用[J]. 中國煤炭，2014，40（12）：113-116.

GUO Xiaoli， WANG Yu， LIU Ruixiang. Research andapplication of event ontology model of coal mineaccidents[J]. China Coal，2014，40（12）：113-116.

[ 4 ]潘理虎，張佳宇，張英俊，等. 煤礦領域知識圖譜構建[J]. 計算機應用與軟件，2019，36（8）：47-54，59.

PAN Lihu， ZHANG Jiayu， ZHANG Yingjun， et al.Construction of knowledge graph in coal minedomain[J]. Computer Applications and Software，2019，36（8）：47-54，59.

[ 5 ]李蓓，王鵬，楊政，等. 基于多層次語義約束的煤礦災害事件本體模型構建[J]. 陜西煤炭，2024，43（4）：146-149.

LI Bei， WANG Peng， YANG Zheng， et al. Disasterevent ontology model building of coal mine based onmulti-level semantic constraints[J]. Shaanxi Coal，2024，43（4）：146-149.

[ 6 ]曹現剛，張夢園，雷卓，等. 煤礦裝備維護知識圖譜構建及應用[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 forcoal mine equipment maintenance[J]. Industry and MineAutomation，2021，47（3）：41-45.

[ 7 ]王忠強，宋建鑫，余數三，等. 基于依存句法分析的智慧礦山知識圖譜構建方法[J]. 礦業研究與開發，2023，43（10）：232-240.

WANG Zhongqiang， SONG Jianxin， YU Shusan， et al.A method of constructing knowledge graph of intelligentmines based on dependency syntax analysis[J]. Mining

Research and Development，2023，43（10）：232-240.[ 8 ]韓一搏，董立紅，葉鷗. 基于聯合編碼的煤礦綜采設備知識圖譜構建[J]. 工礦自動化，2024，50（4）：84-93.

HAN Yibo， DONG Lihong， YE Ou. Construction ofknowledge graph for fully mechanized coal miningequipment based on joint coding[J]. Journal of MineAutomation，2024，50（4）：84-93.

[ 9 ]ZHONG Lingfeng， WU Jia， LI Qian， et al. Acomprehensive survey on automatic knowledge graphconstruction[J]. ACM Computing Surveys， 2023，56（4）：1-62.

[10]DAGDELEN J， DUNN A， LEE S， et al. Structuredinformation extraction from scientific text with largelanguage models[J]. Nature Communications， 2024，15（1）. DOI：10.1038/s41467-024-45563-x.

[11]HU Yan， CHEN Qingyu， DU Jingcheng， et al.Improving large language models for clinical namedentity recognition via prompt engineering[J]. Journal ofthe American Medical Informatics Association， 2024，31（9）：1812-1820.

[12]REMADI A， EL HAGE K， HOBEIKA Y， et al. Toprompt or not to prompt： navigating the use of largelanguage models for integrating and modelingheterogeneous data[J]. Data amp; KnowledgeEngineering， 2024， 152. DOI： 10.1016/J.DATAK.2024.102313.

[13]AGRAWAL M， HEGSELMANN S， LANG H， et al.Large language models are few-shot clinical informationextractors[EB/OL]. [2024-07-25]. https：//arxiv.org/abs/2205.12689v2.

[14]WADHWA S， AMIR S， WALLACE B C. Revisitingrelation extraction in the era of large languagemodels[EB/OL]. [2024-07-25]. https：//doi.org/10.48550/arXiv.2305.05003.

[15]馮鈞，暢陽紅，陸佳民，等. 基于大語言模型的水工程調度知識圖譜的構建與應用[J]. 計算機科學與探索，2024，18（6）：1637-1647.

FENG Jun， CHANG Yanghong， LU Jiamin， et al.Construction and application of knowledge graph forwater engineering scheduling based on large languagemodel[J]. Journal of Frontiers of Computer Science andTechnology，2024，18（6）：1637-1647.

[16]WANG Jiaqi， SHI Enze， YU Sigang， et al. Promptengineering for healthcare： methodologies andapplications[EB/OL]. [2024-07-25]. https：//arxiv.org/abs/2304.14670？context=cs.

[17]TONEVA M，SORDONI A，DES COMBES R T，et al.An empirical study of example forgetting during deepneural network learning[EB/OL]. [2024-07-25]. https：//arxiv.org/abs/1812.05159.

[18]LI Lei，JIN Li，ZHANG Zequn，et al. Graph convolutionover multiple latent context-aware graph structures forevent detection[J]. IEEE Access，2020，8：171435-171446.

[19]ZHANG Qianjin， WANG Ronggui， YANG Juan， et al.Structural context-based knowledge graph embeddingfor link prediction[J]. Neurocomputing， 2022， 470：109-120.

[20]張吉祥，張祥森，武長旭，等. 知識圖譜構建技術綜述[J]. 計算機工程，2022，48（3）：23-37.

ZHANG Jixiang， ZHANG Xiangsen， WU Changxu，et al. Survey of knowledge graph constructiontechniques[J]. Computer Engineering，2022，48（3）：23-37.

[21]LU Yaojie，LIU Qing，DAI Dai，et al. Unified structuregeneration for universal information extraction[C]. The60th Annual Meeting of the Association forComputational Linguistics，Dublin，2022：5755-5772.

基金項目：國家自然科學基金資助項目（61802107）；河北省高等學校科學技術研究項目（ZD2020171）；河北省省級科技計劃資助項目（22567624H）。