基于知识图谱的突发事件预警预测技术

The internet media has become an important medium for the development of emergencies. Early and effective detection of internet emergencies,a accurate warning and forecasting the development trendprovide a effectivesupport for management decision-making and management，which improves social governance and emergency preparedness capabilities..The accuracy of warning and forecast algorithm can effectively improve by using the knowledge graph to express the relationship among the events and the entities, finding the events’ structural and semantic characteristics for warning and forecast..Based on the characteristics of large data, this project studies the technology of early warning and prediction of internet events on Knowledge Graph, which constructed for he timing burst events technology with three layers structure.What’s more, the data driven incremental semantic analysis in special domain is used to update the Knowledge Graph.This paper uses semantic and structural sub-graph matching technology to detect the unexpected events. Those eventattributes information is extracted based on the knowledge graph,which are used in the neural network to build the event early warning model. At last, this project studies the forecasting technology of burst events based on knowledge graph, constructs the forecasting model of trend, and designs the reasoning model based on the relationship of states and entities..The experiment will be carried out on the large scale data to realize the early warning and the trend forecast.

近年来，网络成为突发事件产生发展的重要阵地，及早有效的检测出突发事件，并对其发展趋势进行预警预测，为管理部门提供决策支撑具有重要的现实意义和理论价值。如何在突发事件发生的早期，呈现大规模爆发态势之前检测出突发事件并进行预警，是当前面临的重大挑战。本项目针对突发事件预警预测的时效性和准确性需求，构建层次知识图谱来挖掘并表示同类事件之间的共性规律和内在联系，根据突发事件知识抽象的层次关系设计三层结构，针对突发事件的突发性特征设计动态更新技术用于调整知识图谱中实体的语义和结构，提出基于语义和子图结构相似度的突发事件检测方法，突发事件演化趋势预测和继发预测模型，设计并实现“基于层次知识图谱的突发事件预警与预测”技术架构及实验系统。在大规模真实数据上开展关键技术验证，实现对突发事件的早期预警和演化预测。突发事件检测准确率不低于85%，突发事件趋势预测准确率不低于75%。

本课题以突发事件预警预测为研究对象，重点研究基于层次结构的时序突发事件知识图谱构建、基于知识图谱的突发事件预警和基于知识图谱的突发事件演化趋势预测技术三个技术要点，所有研究内容均按计划进行并完成相关研究工作。.首先，在时序突发事件知识图谱构建方面，开展了基于层次的时序突发事件知识图谱结构、基于层次结构的时许突发事件知识图谱构建、突发事件知识图谱动态更新三项研究工作。针对突发事件领域经验约束，提出基于prompt的pipeline事件抽取方法来完成突发事件的事件抽取；针对知识图谱的稀疏性问题，提出了层次注意力网络来基于多跳路径实现对抗式地知识图谱补全。.其次，在基于知识图谱的突发事件预警方面，开展了基于语义与子图结构相似性的突发事件检测技术、基于神经网络的突发事件威胁预警技术两项研究工作。针对突发事件检测中的事件类别不平衡和事件元素重叠等问题，分别提出基于双分类结构的突发事件检测与基于串行解码联合学习框架的重叠事件抽取等方法，其中事件检测准确率达到92.1%以上，超出指标要求的85%；还提出基于元知识与分层事件知识图谱的突发事件预警方法。.此外，在基于知识图谱的突发事件演化趋势预测方面，开展了从复杂关联事件的历史信息时序事件预测、基于知识推理的突发事件继发预测等研究工作。首先引入结构化的事件演化信息，设计了一套适用于脚本事件预测任务的多粒度事件表示学习方法MCer；引入演化事件的本体知识，提出了一种包含事件抽取、演化事件模式识别与演化事件预测的框架,其中对突发事件的预测准确率达到85%以上，满足指标不低于75%的要求。.最后，结合项目依托单位的数据资源优势，搭建了基于知识图谱的突发事件预警预测系统，验证课题研究过程中提出的理论模型与关键算法。相关研究工作在2018 CCF BDCI 大数据与计算智能大赛二等奖，在CCKS2020 “面向金融领域的小样本跨类迁移事件抽取”评测，以及在CCKS2021“通用细粒度事件检测”评测中均获得第一名和模型创新奖。本课题培养了博士研究生 6名，均已毕业 ；硕士研究生 5 名，均已毕业 。已发表学术期刊论文10篇，其中SCI Q1区8篇 (均取得检索)，SCI Q2区 1篇，EI检索期刊1篇。在ACL(CCF-A类)、WWW(CCF-A类)等顶级会议上发表学术会议论文8篇，均为EI检索。申请国家专利14项，已授权2项。