基于多模态信息融合的铁路安全知识深度挖掘与生成式推荐方法

摘要

随着铁路信息系统向数字化、智能化深度转型，细粒度、可解释的安全知识推荐需求日益迫切。针对传统方法跨模态关联断裂与业务适配性不足等问题，研究了融合多模态信息与生成式推理的铁路安全知识深度挖掘与推荐框架。构建了层次化铁路安全知识图谱，并在此基础上对图结构应用Node2Vec算法提取业务逻辑约束下的拓扑特征；同时，采用轻量级Transformer文本编码器（GTE）获取每条安全条款的深度语义特征。针对2类特征贡献度难以平衡的问题，提出了可调加权融合策略，通过动态参数控制文本向量与图嵌入向量的融合比例，并引入协同验证机制，以余弦相似度与预设业务规则双重约束生成候选推荐列表。为进一步提升检索精度，设计了三级渐进式检索架构实现多模态特征的精细对齐与噪声抑制。最后，以DeepSeek-R1大语言模型为推理引擎，通过领域提示模板将检索结果自动转换可执行决策方案，增强推荐解释性与连贯性。实验采用某铁路公司27份安全制度文件，设置相似度阈值0.85、最大推荐条款数10；结果显示，本方法推荐准确率达95%，较传统方法提升8个百分点，场景适配度和可解释性显著增强。研究验证了多模态检索与生成式推理协同的优势，为铁路安全知识智能化服务由“精准推荐”向“智能决策”演进提供了坚实技术支撑。

关键词

铁路安全知识推荐框架 / 多模态特征融合 / 知识图谱 / 生成式推理 / 文本关联分析

基金资助

国家自然科学基金青年项目（61903023）; 社会科学横向项目（B24SK00250）资助