基于知識圖譜的治安風險知識查詢系統

摘要：為了提高管理和應對各種治安風險的效率，為公安實戰決策提供輔助，支撐智慧警務教育和建設，該研究構建了治安風險知識查詢系統。利用知識圖譜技術對治安風險相關文獻進行處理，首先人工篩選數據，將篩選后的數據轉化為知識庫，并上傳至數據庫。通過搭建接口，完成初步的知識查詢系統軟件封裝，并在此基礎上進行進一步的完善，構建出功能齊全且具實用價值的系統。基于知識圖譜的治安風險知識查詢軟件可以為警務工作提供全面、系統的治安風險信息，并且通過查詢問答功能，幫助警務工作更好地理解治安風險，提高應對能力。

關鍵詞：知識圖譜；治安風險；知識查詢；查詢系統

中圖分類號：TP311" " " "文獻標識碼：A

文章編號：1009-3044（2025）17-0051-06

開放科學（資源服務） 標識碼（OSID）

0 引言

黨的二十大報告指出“健全社會治理共建共享體系，提升社會治理效能”，凸顯出社會治理對于維護國家安全和社會穩定的重要意義[1]。治安風險的評估與管理，作為公安、治安管理部門的核心職責，對保障社會安全至關重要[2]。有效評估治安風險，可提前預測潛在治安問題；合理實施風險管理措施，能最大程度減輕治安風險對社會的不良影響。

知識查詢在治安風險防控領域作用顯著。它能助力公安部門迅速獲取關鍵信息和知識，用于犯罪趨勢分析、社交媒體監測、安全事件響應及安全咨詢等方面，從而助力公安部門精準把握和評估潛在安全風險[3-5]。在此背景下，本研究創新性地構建了基于知識圖譜的治安風險知識查詢系統，以更好地管理和應對各類治安風險，為營造安全穩定的社會環境添磚加瓦。

當前，知識查詢技術已廣泛應用于科學研究、醫學、農業、金融等多個領域。例如，黃軍凱等人開發了基于標準數字化的智能編制系統，實現標準查詢與編制功能[6]；王冬等提出了基于層級池化序列匹配的知識圖譜復雜問答最優查詢圖選擇方法[7]；林夏瑩等則利用知識圖譜技術管理銀行客戶數據[8]。在國內，治安風險防控與管理備受關注。王楊探索多元治理、場景治理、整合治理等新型治理模式，為治安風險防控注入新活力[9]；陳鵬等結合社區安全指標體系、日常活動理論及層次分析法，為治安防控提供堅實理論支撐[10]；風險評估、社會治安防控、預警、預控等手段的綜合運用，也推動了治安風險防控向科學化、高效化邁進[11]。本研究聚焦于治安風險知識查詢系統，相較于現有研究，更貼合公安警務實際需求，針對性更強，在知識圖譜構建與應用方面更具創新性，能有效填補相關領域研究空白，深化知識查詢技術在治安防控領域的應用，進一步提升治安風險防控效能，具有較高的學術價值與實踐意義。

本研究的技術路線圖如圖1所示。該系統的核心是利用知識圖譜技術對治安風險相關文獻進行處理，首先人工篩選結構化與非結構化數據，將篩選后的數據轉化為知識庫，并上傳至數據庫。接下來，通過搭建接口，完成初步的知識查詢系統軟件封裝，并在此基礎上進行進一步的完善，最終形成一個功能完備、實用性強的知識查詢系統。

1 知識查詢系統構建

1.1 知識圖譜構建

知識圖譜構建流程，如圖2所示，包括需求分析、數據收集、本體設計、知識抽取、知識融合、知識存儲六大部分[12]。

1.1.1 需求分析

構建治安風險知識圖譜需滿足以下核心需求：

1） 為公安機關的治安風險研判、防控決策和應急處置提供知識支撐。

2） 收集并整合多源治安風險數據，明確數據來源與抽取方式。

3） 精準抽取數據中的風險事件、因素、規律及防控措施等知識。

4） 以合適形式結構化表示治安風險知識，形成知識圖譜。

5） 提供便捷查詢和可視化界面，方便用戶瀏覽分析。

1.1.2 數據獲取

治安風險知識圖譜的數據來源于知網文獻，如圖3，通過搜索篇名為治安和風險的文獻，設置“僅有全文”和“全部期刊”，最后得到86篇文獻，文獻的發表年份來自2005年到2023年，主要主題分布為“治安風險”“風險評估”“社會治安”等，治安風險知識圖譜利用該數據進行后續知識抽取和存儲等過程。

1.1.3 本體設計

本體設計是知識圖譜構建的關鍵步驟，它定義了知識圖譜中實體、屬性和關系的語義。本體設計的好壞直接影響知識圖譜的質量和可理解性。本體設計應遵循以下原則：明確性，本體中的概念和關系必須有明確的定義和描述。一致性，本體中的概念和關系必須相互一致，避免出現矛盾或歧義；可擴展性，本體應該易于擴展，以適應新的知識和需求；可重用性，本體中的概念和關系應該盡可能地被重用，以減少冗余和提高可維護性。

本系統的實體類型分為9類，屬性類型分為9類，具體實體和關系的搭配如表1所示。

本系統的關系分為15類，具體內容如表2所示。

1.1.4 知識抽取

知識抽取是從非結構化或半結構化的文本、圖像、視頻等數據中提取結構化知識的過程。它旨在將人類可理解的信息轉化為機器可處理的格式，以便于存儲、檢索和推理。知識抽取包括數據預處理、實體識別、關系抽取、知識表示等，由于機器抽取需要大量人工標注數據且效果并不理想，所以本系統的知識抽取采用人工方式，首先瀏覽文獻，確定風險類型并連接父節點寫入三元組，然后人工實體識別、關系抽取并寫入三元組，如表3，最后將實體和實體屬性寫入表格，如表4。

1.1.5 知識融合

知識融合是指將來自不同來源的知識進行整合和統一的過程，目的是消除知識之間的異構性，形成一個連貫且一致的知識體系[13]。本系統采用使用手工定義的規則來融合知識，將文獻中涉及的實體歸為所屬類而不是統一一類，同時將實體所涉及的關系按照上述模板進行填寫，保證了關系的一致性。通過知識融合，治安風險知識圖譜可以實現集成和統一表示，為知識圖譜的構建和后續的知識挖掘和查詢提供一個高質量的知識基礎。

1.1.6 知識存儲

知識存儲是指將結構化的知識表示形式持久化到存儲介質中的過程，對于知識圖譜的構建和維護至關重要，它確保知識的可用性、可訪問性和可持久性。

本系統使用 Neo4j 圖數據庫來存儲治安風險知識圖譜，Neo4j 提供高效的圖查詢和推理能力[14]，可以滿足治安風險研判和防控的需要。

將三元組數據導入后利用Neo4j數據庫的可視化展示，如圖4，可以清楚地看到實體、屬性、關系的數量和類別，并且可以用Cypher語言進行初步的查詢。

1.2 查詢系統構建

治安風險知識查詢系統有五層架構，如圖5，包括基礎設施層、數據庫資源層、應用層、接入層、用戶層。

2 知識查詢系統實現

2.1 知識圖譜構建實現

知識圖譜構建步驟如下：

1） 將人工提取的三元組保存至“知識庫.xlsx”文件。該文件含10個工作表，前9個為存有實體及其屬性的實體表，最后1個為存有三元組的關系表。

2） 通過Python腳本實現“知識庫.xlsx”文件向Neo4j數據庫的導入。

連接數據庫：利用Graph類連接至本地Neo4j數據庫，端口為7474，輸入用戶名及密碼。

讀取數據：借助pandas庫讀取9個Excel工作表，各表分別包含不同實體類型及其屬性。

創建節點：針對每個實體類型（如行為類型、行為、風險類型等） ，生成相應節點，并為各節點設置屬性。

創建邊：針對關系表中的每一行，查詢對應節點，并依據關系類型在節點間建立邊。

3） 數據導入完成后，可在Neo4j數據庫中展示，如圖6所示。

2.2 系統功能實現

2.2.1 用戶登錄模塊

如圖7，用戶登錄模塊允許用戶使用其憑據登錄到應用程序。具體流程如圖8。

1） 登錄頁面，用戶訪問登錄頁面，該頁面包含一個登錄表單。

2） 提交登錄表單，用戶輸入其用戶名和密碼并提交登錄表單。

3） 表單驗證，驗證登錄表單，確保所有必填字段已填寫且憑據有效。

4） 用戶身份驗證，Django后端使用提供的憑據對用戶進行身份驗證。

5） 登錄成功，如果用戶身份驗證成功，應用程序將登錄用戶并將其重定向到主頁或預定義的目標 URL。

6） 登錄失敗，如果用戶身份驗證失敗，應用程序將顯示錯誤消息并重新呈現登錄表單。

該模塊還包括其他功能：

忘記密碼，該模塊提供一個鏈接，允許用戶在忘記密碼時重置密碼。

注冊，該模塊提供一個鏈接，允許用戶創建一個新賬戶。

關鍵代碼包括Django用戶登錄視圖、用戶登錄模板等。

Django用戶登錄視圖中定義了一個基于Django的用戶登錄視圖。它處理GET和POST請求：GET請求，呈現一個登錄表單。POST請求，驗證登錄表單。如果表單有效，則使用提供的憑據對用戶進行身份驗證。如果用戶身份驗證成功，則登錄用戶并將其重定向到主頁。如果用戶身份驗證失敗，則顯示錯誤消息并重新呈現登錄表單。用戶登錄模板包括用戶登錄頁面的HTML模板，使用Bootstrap框架來創建登錄表單，顯示錯誤消息（如果存在） ，并允許用戶在忘記密碼的情況下重置密碼，還提供一個鏈接，允許用戶注冊一個新賬戶。

2.2.2 實體識別模塊

如圖9，實體識別模塊實現了從文本中識別實體及其類型。具體流程如圖10所示。

1） 構建詞典：從知識庫加載術語并將其映射到實體類型。

2） 構建詞樹（ACTree） ：根據術語構建一個前綴樹，以加快過濾過程。

3） 實體識別：使用構造的詞樹和詞典，在文本中匹配實體，若無匹配項則用BM25模型進行模糊匹配。

4） 實體分類：根據詞典映射，將匹配到的實體歸類到相應的類型。

5） 如果匹配成功輸出實體列表及其類型。

2.2.3 實體查詢模塊

如圖11，實體查詢模塊實現了根據實體名稱查詢實體及屬性信息。如圖12具體流程為：

1） 根據前端輸入的實體名稱發送GET請求，在Django后端響應并發送執行Neo4j查詢。

2） 如果有結果就解析查詢結果，提取實體屬性和標簽，沒有就返回HTML提示。

3） 根據結果，將提取的實體信息組織成HTML表格。

4） 返回HTML表格字符串，用于在前端顯示實體信息。

該模塊的技術細節包括使用Neo4j Cypher查詢語言執行查詢。使用Python字典和列表來組織查詢結果。使用HTML和CSS來格式化實體信息表格。

2.2.4 關系查詢模塊

如圖13，關系查詢模塊實現了根據實體名稱和關系類型查詢實體之間的關系，可以單側輸入或雙側輸入實體，關系可以進行選擇。經過查詢后生成表格和知識圖譜。如圖14，具體流程如下：

1） 根據輸入的實體名稱和關系類型發送GET請求，后端處理請求構造Neo4j查詢。

2） 執行查詢返回結果，后端解析結果。

3） 組織查詢結果為數據、類別和表格代碼。

4） 根據返回結果生成HTML表格和知識圖譜JSON響應。

5） 前端模板根據響應生成表格和知識圖譜。

該模塊的技術細節包括使用Neo4j Cypher查詢語言執行查詢，使用Python字典和列表來組織查詢結果，使用HTML和CSS來格式化實體關系表，JSON響應遵循特定的模式，便于處理和可視化。

2.2.5 知識圖譜問答模塊

如圖15，知識圖譜問答模塊中，用戶可以選擇示例問題或輸入相似問題，進行問答，回答的形式以文本框、表格、知識圖譜的形式展示。

3 總結

在建設穩定的治安環境這一宏大命題下，治安風險防范扮演著舉足輕重的角色。治安風險的識別[15]、評估與應對，直接關系到社會的和諧穩定與民眾的安居樂業。因此，構建一個高效、精準的治安風險管理體系[16]，成為當前社會治理領域亟待解決的重要課題。

本研究聚焦治安風險領域，利用知識圖譜技術構建了綜合性治安風險知識圖譜，并開發了輔助決策軟件。該知識圖譜涵蓋多種治安風險因素、關聯關系及影響路徑，為治安風險的識別、評估與應對提供了有力支撐。輔助決策軟件通過自然語言處理技術，使用戶能快速獲取治安風險知識信息和分析結果，并提供豐富篩選定位功能。但本研究存在數據來源有限、實時性不足、用戶交互體驗有待提升等不足。未來，將拓展數據來源，加強與警務系統對接，提升知識圖譜實時性，優化軟件交互體驗，并探索知識圖譜在相關領域的應用，為社會治理提供更全面的技術支持。

參考文獻：

[1] 習近平.高舉中國特色社會主義偉大旗幟為全面建設社會主義現代化國家而團結奮斗：在中國共產黨第二十次全國代表大會上的報告[J].共產黨員，2022，77（21）：4-26.

[2] YALBULGANOV A A.The internal state financial control reform：tasks，objectives and legal challenges[J].Actual Problems of Russian Law，2020，15（11）：76-94.

[3] 胡勉寧，張騰飛，賈楠.基于知識圖譜的社區治安風險事件預警設計與實現：以社區盜竊案件為例[J].安全，2022，43（12）：29-38.

[4] 吳紹忠，魏永忠.基于隱性知識的網絡涉穩輿情分析技術研究[J].警察技術，2015（6）：44-46.

[5] MARUFUZZAMAN M，AGHALARI A，RANTA J H，et al.Optimizing civilian response strategy under an active shooting incident[J].IEEE Systems Journal，2021，15（4）：4804-4815.

[6] 黃軍凱，呂黔蘇，林正平，等.基于標準數字化的標準智能編制系統設計與實現[J].科技與創新，2023（18）：38-40.

[7] 王冬，周思航，黃健，等.基于層級池化序列匹配的知識圖譜復雜問答最優查詢圖選擇方法[J].系統工程與電子技術，2024，46（8）：2686-2695.

[8] 林夏瑩，連海峰，黃思潔.基于知識圖譜的銀行客戶數據管理研究[J].金融科技時代，2023，31（8）：10-15.

[9] 王楊.風險社會視域下大規模語言模型的治安風險與多元治理：以ChatGPT為例[J].互聯網天地，2023（7）：24-31.

[10] 趙鵬凱，陳鵬，洪衛軍.基于AHP的社區侵財類治安風險評價指標體系研究[J].法制與社會，2015（26）：173-175.

[11] 周奕舒.盲盒經濟的治安風險以及防控路徑研究[J].江西警察學院學報，2023（3）：55-61.

[12] COLUCCI E，LINGUA A M，KOKLA M，et al.Minor historical centres ontology enrichment and population：an hamlet case study[J].The International Archives of the Photogrammetry，Remote Sensing and Spatial Information Sciences，2022，XLIII-B4-2022：31-37.

[13] 韓立巖，周芳.基于D-S證據理論的知識融合及其應用[J].北京航空航天大學學報，2006，32（1）：65-68，73.

[14] 楊秋紅.基于大數據背景的NoSQL數據庫技術分析[J].電腦知識與技術，2023，19（24）：67-69.

[15] 戴宜航.治安風險識別研究[D].北京：中國人民公安大學，2017.

[16] 殷星辰.立體化社會治安防控體系建設的經驗總結與改進建議：以北京市朝陽區為例[J].北京警察學院學報，2020（3）：24-31.

【通聯編輯：李雅琪】