面向港口突发事件的多层网络知识图谱构建

Construction of Multi-layer Network Knowledge Graph for Port Emergency Events

摘要

为克服传统研究中忽视相关要素层次性和关联性的问题，提出一种基于多层网络的港口突发事件知识图谱构建方法。该方法通过概念框架构建和实体要素映射，使用5W1H分析法和网络本体语言（OWL）构建事件本体和港口本体，并基于一种多层网络模型对实体间关系进行建模。以天津港爆炸事故为例，应用协议和资源描述框架查询语言（SPARQL）进行查询实验分析。结果表明，该方法能够实现高效的基于关系的数据查询，减少多跳查询中的循环结果问题，提升查询结果的准确性，有助于深入理解港口突发事件对港口多维度要素的跨领域影响。

Abstract

To address the limitations of hierarchical structure oversight and interconnected element neglect in conventional research, a multi-layer network-based methodology for constructing port emergency knowledge graphs is proposed. Event and port ontologies are systematically constructed through conceptual framework development and entity element mapping, with the 5W1H analytical method and web ontology language (OWL) being applied. Based on the ontologies, inter-entity relationships are modeled using a kind of multi-layer network architecture. The Tianjin port explosion incident is examined as a case study, with the SPARQL protocol and RDF query language (SPARQL) being implemented for experimental query analysis. It is demonstrated that this approach enables efficient relationship-driven data retrieval while mitigating circular result generation in multi-hop queries, and achieve enhanced query accuracy. The method will help to gain to a deeper understanding of cross-domain impacts of port emergencies on multidimensional port elements.

Graphical abstract

关键词

港口突发事件 / 多层网络 / 知识图谱 / 5W1H分析法 / 通用事件模型

Key words

port emergency incidents / multi-layer networks / knowledge graph / 5W1H analysis method / simple event model

0 引言

港口是连接海洋和陆地的重要支点，港口突发事件是指在港口运营阶段港界范围内突然发生的，给港口的安全和生产等造成或可能造成严重影响、重大损失，并且需要采取紧急处置措施、疏散或者救援人员、提供应急运输保障的一类突发事件^[1]。港口突发事件对港口设施、管理和贸易^[2-3]的影响是多方面，不仅影响港口自身的正常运营，还直接或间接地影响其他相关行业^[4-5]，同时这种负面影响还会逐级传导，影响国家经济发展、社会稳定^[6-7]。

数字化应急管理平台在突发事件前的监测预警中的应急处置以及事后的恢复评估都起到了重要的支撑作用。通过对港口的知识图谱建模，可以促进港口的数字化建设，增强对重大风险源的监控和信息分析，提高对港口突发事件的应急预防、监测、预警、处置能力^[8-10]，确保港口突发事件信息的统一、准确、及时发布，提高透明度，有助于维护社会稳定和公众信心^[11]，有助于对港口突发事件的损失进行评估，为善后处置提供数据支持等^[12]。知识图谱技术也被广泛应用于各类突发事件的场景研究，包括公共卫生事件、火灾事故、地质灾害等，例如：通过借鉴5W1H理论方法构建融合知识图谱的多层级事件表示模型来刻画事件知识及规律^[13]，应用机器学习模型结合知识融合算法将危化品应急标准知识进行结构化和可视化^[14]；相关学者还从管理理论的角度对港口突发事件的管理^[15]、处置和预防^[16]等提出了观点和建议。

多路复用网络（Multiplex Networks）是多层网络的一种，其中网络的各个层级可以表示不同类型的连接或关系，同一节点在多个层级中出现^[17]。多路复用网络是一个活跃的研究领域，它不仅在理论上具有重要意义，而且在实际应用中也显示出巨大的潜力^[18]。

尽管知识图谱技术已应用在港口的知识建模以及突发事件的场景研究中，但针对港口突发事件构建的知识图谱研究仍处于起步阶段^[19-20]。同时多层网络模型为该研究提供了新的视角，即不同实体间的关系应根据具体的语境展现出层次化的特征。然而，以往的突发事件知识图谱构建往往忽略了实体间关系的这种分层特性，从而导致查询效果的降低，缺乏深度和高价值的分析结果，难以充分揭示港口突发事件对港口运营的多维度及跨领域影响。因此，基于多层网络围绕港口突发事件等要素构建知识图谱，将各种对象之间的关系按照4层复用网络的方式进行建模；最后，以2015年天津港爆炸事故为案例进行了验证，结果表明该方法能够实现高效的基于关系的数据查询，减少了以往的知识图谱在多跳查询时存在大量无意义循环结果的问题，使得知识图谱查询的结果更有效，同时有助于发现港口突发事件对港口多维度和跨域关联的影响，为港口的发展和规划提供了新的视角和工具。

1 研究思路和方法

面向港口突发事件的知识图谱构建包括概念框架构建和实体要素映射两个过程，如图1所示。概念框架构建过程是构建港口相关的本体，包括港口突发事件本体和与事件相关的港口本体。实体要素映射过程以概念类图为指导，基于网络本体语言（Web Ontology Language, OWL）对港口突发事件要素和与事件相关的港口要素构建实体、实体关系和实体属性。以多路复用网络为模型，通过对实体关系赋予rdfs:layer标签，将实体关系根据其特性划分到不同的层中。

1.1 港口和港口突发事件本体的概念框架构建

1）事件本体建模。港口突发事件不仅具备突发性和难以预料的特性，而且其影响广泛且情况复杂，这表现在港口突发事件对港口的正常运营、安全、环境保护以及经济活动可能产生重大影响，并且通常涉及复杂的协调和决策过程，这也是有关港口突发事件需要从多层的角度出发分析建模的重要原因。基于5W1H分析法^[21]，参照通用事件模型^[22]对港口突发事件构建知识图谱的“事件”部分—事件本体。在对事件进行分析建模的过程中，使用5W1H分析法回答事件相关的6个基本问题——Who、What、When、Where、Why和How，对事件进行全面描述，并参考结构方程模型(Structural Equation Modeling, SEM)设计的基本类型，基于OWL语言构建了事件本体的类图，如图2所示。

2）港口本体建模。从港口特性出发构建知识图谱与事件相关的“港口”部分——港口本体，面向港口突发事件构建的港口本体的类图如图3所示。

港口在实体层面上指港口的硬件条件等港口存在的物质基础，并广泛地与其他要素存在联系；港口在非实体层面（信息层面）上包含港口的管理、运营、贸易等方面；在管理、运营等方面，港口的行政管理和规划建设由当地人民政府负责，港口的经营和业务管理一般由公司进行；在贸易方面，港口的主要功能是陆海交通的中转站，其贸易特性尤为突出。港口对海外主要以海运进行贸易，对内陆主要以陆路交通、内河水运等进行贸易。将港口相关要素按物理域、管理域和贸易域3方面对港口进行概念框架构建。

1）物理域建模。港口相关的物理实体即地理意义上的港口相关要素，包括港口、港区、码头、泊位、锚地、港口设施等在内的港口内部要素，以及海湾、海角、山、岛等自然要素，以及航标、航线等人为设置或规定的要素。

2）管理域建模。管理域建模主要对港口涉及的各类组织和相关人员进行组织间关系、人际关系以及组织与人员之间关系的建模。管理部门的建模对象包括政府部门、各级机构、职位、人员等。港口公司的建模对象包括内部的组织架构和人员关系，政府部门的建模对象包括政府部门、下属机构、隶属关系、协作关系、监管关系等。

3）贸易域建模。贸易域建模主要面向以港口为中心的贸易活动相关的对象及关系。港口的主要功能是作为贸易站点，对外主要通过水运或空运的方式进行贸易活动，对内则主要通过各类陆路交通进行贸易活动。其中：水上航路通常连接多个港口，一条航线往往由一个航运公司管理运营；空运航线一般连接两个机场，在机场见往来运送货物或人员，而港口与机场、铁路站点等之间一般通过铁路线或公路线连接。

1.2 基于多路复用网络的实体要素映射

实体要素映射是在概念框架构建的基础上，基于OWL语言对港口及相关对象构建实体、实体关系和实体属性。实体是概念对应的具体对象，也称为个体（individual）或实例，构建实体即基于概念节点设计，将现实对象表示为概念对应的实体；实体关系指实体的对象属性（Object Property），以实体之间的主谓宾(Subject-Predicate-Object, SPO)三元关系表示；实体属性指实体的数据属性（Data Property），例如港口地理位置、别名、运营时间等。

以多路复用网络为模型，以物理层、贸易层、管理层、事件层将实体关系分类，通过对知识图谱中的对象属性添加rdfs:layer标签，标签内容分别为“事件层”“物理层”“管理层”“贸易层”，将实体关系分配到对应的层中。

多路复用网络构建见图4所示。以多路复用网络的形式建模的优势在于可以从多层的角度对实体之间的关系进行建模和分析，相比之下，传统实体映射则是在单一的层面上构建实体之间的关系，缺乏对不同层级领域的层间或层内关系的表示。

2 实验验证

以天津港爆炸事故为案例构建天津港事件知识图谱，根据相关数据进行概念框架构建和实体要素映射。应用资源描述框架语言（SPARQL Protocol and RDF Query Language, SPARQL）查询对天津港事件知识图谱进行检索，分析了分层的优点，并通过对比分层查询与无分层查询进行了验证。

2.1 天津港事件知识图谱构建

1）数据来源。港口相关数据主要来源于《中国港口指南 黄、渤海海区》^[23]《中国航路指南 黄、渤海海区》^[24]《天津港航行指南》^[25]，以及从互联网搜集的与港口事件相关的信息。

2）概念框架构建。分析港口相关概念本体和事件相关本体，构建概念类图。

3）实体要素映射。以概念类图为指导完成实体要素映射，以多路复用网络模型对关系分层，使用OWL进行建模。

4）图谱构建结果。最终生成的知识图谱包括天津港及8个港区、37个主要航标、10余条主要航道以及各类服务设施等，实体之间的关联关系（对象属性）215条，属性（数据属性）241条。构建的天津港事件知识图谱的类、实体、对象属性和部分关系属性如图5所示。

2.2 事件状态检索

港口突发事件知识图谱可以便于长推理链条的实体查询和关系查询，并得到结构化的查询数据。以多跳查询为例，查询与天津港爆炸事件存在多条关联的所有实体，使用如下SPARQL查询语句。

SELECT?subject?object?object2

WHERE { hdm:爆炸事故 hdm:关联 ?subject.

OPTIONAL{ ?subject?relation?object.

{?relation rdfs:subPropertyOf* hdm:关联 .}}

# 按需添加多级关系……}

查询属于某一层的节点关系及节点：

SELECT?subject?property?object

WHERE { ?property a owl:ObjectProperty.

?property rdfs:layer "物理层" .

?subject?property?object.}

在分层构建的知识图谱中，关系按性质位于不同层，各个层通过复用节点联系在一起，这兼顾了搜索域的缩小和查询内容的丰富，从而实现更准确高效的知识图谱查询。以事故公司责任人的关系查询为例，通过查询事故关联的所有公司、政府部门所关联的公司和政府部门的主要负责人，得到要查询关系的人物，SPARQL查询语句如下。

SELECT?subject?object

WHERE { hdm:爆炸事故 hdm:关联 ?subject.

?subject?relation?object.

{ ?relation rdfs:subPropertyOf* hdm:相关 . }}

例如查询结果为hdm:只峰、hdm:于学伟、hdm:董社轩、hdm:武岱、hdm:董培军，进一步查找这些实体之间的关系，使用如下查询语句。

SELECT?subject?predicate?object

WHERE {?subject?predicate?object

VALUES?subject {hdm:只峰.hdm:于学伟.hdm:董社轩.hdm:武岱.hdm:董培军.}

VALUES?object {hdm:只峰.hdm:于学伟.hdm:董社轩.hdm:武岱.hdm:董培军}

{?predicate rdfs:subPropertyOf* hdm:相关 . }}

查询得到结果hdm:董培军与hdm:董社轩存在相关关系，再列出两人的相关关系，发现存在如下关系链条：天津港-<相关>-天津港公安局-<局长>-董培军-<相关>-董社轩-<股东>-瑞海公司-<相关>-天津港-<相关>-天津港爆炸事件。可视化表示如图6所示。

上述实验结果表明通过构建的港口突发事件知识图谱，可以以多跳查询的方式查询到事件的重要实体关系，有利于对事件的进一步分析。

又因为分层建模的知识图谱通过将知识分解为不同的层次，这种结构化表示使得知识图谱能够更加精确地捕捉和表达复杂的关系。在处理大规模和复杂的数据时，分层建模有助于管理和降低复杂性，并提高检索效率。用户可以根据自己的需求选择不同的层次进行查询，以减少检索难度。

通过上述类似的方式，查询得到存在如下相对紧密的社团关系。

天津港-<相关>-天津市交通运输和港口管理局-<相关>-瑞海公司-<相关>-天津港-<相关>-天津港爆炸事件。

天津港-<相关>-天津海关-<审查>-瑞海公司-<相关>-天津港-<相关>-天津港爆炸事件。

天津港-<相关>-天津市安全监管局-<监管>-瑞海公司-<相关>-天津港-<相关>-天津港爆炸事件。

2.3 对比实验

为检验分层建模应用于港口知识图谱的实际效果，采用消融实验，对基于多层网络和基于单层网络构建的港口知识图谱在关系查询性能上的表现进行对比分析。在知识图谱的构建中，所有的关联关系共有一个根节点的关联关系类owl:topObjectProperty，暂且称之为相关关系，在SPO查询中，如果以相关关系为P进行多跳查询，当实体之间的关联关系增多时，将无法避免地出现无意义的循环结果，例如：A-相关-B-相关-A-相关-B-…。

分层建模可以很大程度上减少无意义循环结果的出现。以SPARQL查询引擎为例，因为其首先过滤掉了同一种关联关系在AB两实体之间循环的结果，所以对于一对有x种关联关系的实体，若查询跳数为n，则出现无意义循环的结果数为x·（x-1）（n-1），其随着查询跳数的增加呈指数增加，随关联关系数的增加以n次方的速度增加；而在多层网络上，设层数为m，因为对边进行了分层，单层内实体之间的关联关系减少m倍，无意义循环的结果减少m·n倍，当分层数为关联系数-1时，将没有无意义循环。

为了检验分层建模可以有效减少SPO查询中的无意义循环结果，构造了无分层的天津港事件知识图谱，其可视化效果如图7所示。

相比于不分层的港口突发事件知识图谱，分层的知识图谱通过将关系按层次分解，使信息表示更清晰和结构化，有助于捕捉和表达复杂的关系和概念。在处理复杂的港口数据时，分层有助于管理、降低复杂性，每层可专注特定类型的信息或抽象级别，使知识图谱易于维护和更新。分层的知识图谱易于用户理解和交互，有助于提高用户体验。

最后，分别对两个知识图谱进行多跳查询。查询方式为在查询条件中按分层标签rdfs:layer区分为4层，将结果用UNION关键词合并；其中，分层的知识图谱因为有分层标签rdfs:layer，因此使用该标签区分4层各自的相关关系进行查询；对无分层的知识图谱，因为没有分层特性，相当于在1层的知识图谱上进行相关关系查询。对分层的知识图谱的查询，查询结果中没有出现无意义循环的结果；而对不分层的知识图谱的查询结果中包含17条无意义循环的结果，如图8所示。

例如图8中第1条表示：天津港-<位于>-天津市-<包含>-天津港-<位于>-天津市。由此可见，分层有助于提高查询结果的价值。

3 结束语

提出一种构建面向港口突发事件的多层网络知识图谱的方法，旨在增强对港口突发事件的多维度特征和跨领域影响的理解和分析。构建过程包括概念框架构建和实体要素映射两部分，在实体要素映射过程构建了多路复用网络模型，将港口事件相关的实体关系按特性分别归入事件层、物理层、贸易层和管理层。这一模型不仅表达了港口突发事件要素之间的直接关联，而且其与港口运营、管理和贸易相关的广泛联系。这种建模方法能够对复杂的港口突发事件关系进行有效的表达，以及减少基于关系的查询中无法避免的无意义循环结果，从而提高知识图谱的查询效率和分析能力。知识图谱技术在港口突发事件管理中的应用具有显著的潜力，能够提升港口对突发事件的监测预警、应急处置和恢复评估的能力。该研究对港口的数字化建设、提高事故响应和处置能力提供新的视角和方法。

参考文献

[1] 唐国磊，刘春泽，宋向群， 港口突发事件的定义、分类及统计探讨［J］.中国水运（下半月），2014，14（9）：76-79.

[2] 王一东.港口突发事件风险管理研究［D］.上海：上海交通大学，2009：7-41.

[3] 张永锋，龚建伟，殷明.新冠肺炎疫情对中国港航业的影响及其对策［J］.交通运输工程学报，2020，20（3）：159-167.

[4] 杨忠振，杨云茜，辛旭.全球性重大灾害事件背景下港航运营管理研究综述［J］.交通运输工程学报，2023，23（5）：1-18.

[5] 尹锦，彭芯，邓丹. 我国突发公共卫生事件应急领域知识图谱：基于CiteSpace可视化分析［J］.社会科学前沿，2022，11（4）：1298-1305.

[6] TIAN Z， ZHANG Y， UDO K， et al. Regional economic losses of China’s coastline due to typhoon-induced port disruptions［J］. Ocean & coastal management， 2023，237：No.106533.

[7] 于凯，杨富义. 基于事理图谱的突发事件网络舆情演化模型构建［J］.上海理工大学学报，2023，45（1）：27-35.

[8] 王昱.基于 GIS 的港口突发事件辅助决策与应急指挥系统研究［J］.交通信息与安全，2014（1）：110-116.

[9] 曹菁菁，雷阿会，刘清，虚实融合驱动智慧港口发展研究［J］.中国工程科学，2023，25（3）：239-250.

[10] 侯贵宾，杨鹏南.大型散货港口数字化应用实践［J］.港口科技，2020（2）：1-5.

[11] 王晓东.港口数字化智能化体系建设分析［J］.中国科技期刊数据库工业A，2023（6）：25-28.

[12] 胡艳华，詹水芬，蒋文新，重大突发事件下港口安全韧性理论模型及其定量评估研究［J］.水道港口，2022，43（2）：266-272.

[13] 胡瑞娟，刘海砚，葛磊.融合知识图谱的多层级突发事件表示模型［J］.信息工程大学学报，2023，24（6）：685-690.

[14] 王晶晶，朱伟，尹心萍，面向危化品事故应急的知识图谱构建方法研究［J］.中国安全生产科学技术，2024，20（3）：46-52.

[15] 曹兰娟，陈梦婷.港口突发事件全面应急管理研究［J］.现代商贸工业，2022，43（19）：78-79.

[16] 李淏，屈莉莉.港口突发安全事件分类与经典案例及应急处置策略研究［J］.中国水运（下半月），2017，17（9）：50-52.

[17] 吴宗柠，狄增如，樊瑛.多层网络的结构与功能研究进展［J］.电子科技大学学报，2021，50（1）：106-120.

[18] DOMENICO D.More is different in real-world multilayer networks［J］. Nature Physics， 2023，19（9）：1247-1262.

[19] 孙一贺，于浏洋，郭志刚，时空知识图谱的构建与应用［J］.信息工程大学学报，2020，21（4）：464-469.

[20] 于浏洋，郭志刚，陈刚，面向知识图谱构建的知识抽取技术综述［J］.信息工程大学学报，2020，21（2）：227-235.

[21] 姜天笑.浅谈科技查新工作中的5W1H分析法［J］.情报探索，2011（5）：96-97.

[22] VAN HAGE W R， MALAISÉ V， SEGERS R，et al.Design and use of the simple event model （SEM）［J］. Journal of Web Semantics， 2011，9（2）：128-136.

[23] 中国人民解放军海军司令部航海保证部.中国港口指南黄、渤海海区［M］.天津：中国航海图书出版社，2016：96-119.

[24] 中国人民解放军海军司令部航海保证部.中国航路指南黄、渤海海区［M］.天津：中国航海图书出版，2016：41-96.

[25] 中国人民解放军海军司令部航海保证部.天津港航行指南［M］.天津：中国航海图书出版社，2009：1-146.