建筑工程知识图谱构建及实体数目多维度统计研究

王晶 莫绪军 佟琨

作者简介：王晶（1986— ），男，浙江长兴人，高级工程师，本科；研究方向：智能控制。

摘要：文章针对现代建筑工程风险隐患高、事故频发的问题，为预防风险，从而有效减少建筑工程施工事故，利用人工智能领域的知识图谱技术对现代建筑工程的施工事故进行分析。基于建筑工程既有施工事故提取关键数据要素，构建建筑工程施工事故知识图谱。整理出相应的建筑工程施工事故分析流程，并以此为依据开展事故数据查询、统计与路径分析等研究。最终结果表明，基于知识图谱技术，可以将建筑工程中的施工事故以可视化的图表形式进行多维统计与展示，将事故信息以知识形式结构化储存及表達，以此可以加强相关领域人员对建筑工程风险的认知度，为建筑风险预防以及施工安全管理夯实基础。

关键词：现代建筑工程；施工事故；知识图谱；安全管理；工程风险

中图分类号：TP311  文献标志码：A

0  引言

建筑工程中常见的施工事故之间都具有一定的共通性，而引发施工事故的原因也无外乎人为意识、材料安全、施工标准等因素［1］。因此利用知识图谱对大量建筑工程事故进行系统的分析与研究所获得的关键性数据，能够帮助建筑工程决策者制定更健全的安全质量控制体系，从而在根源上规避建筑施工风险。可以将知识图谱理解为一种语义网络分析技术，即对存在于现实世界中各种实体、概念以及其相互之间所存在关系的直观描述，该技术表现力与建模性能方面存在较为突出的优势，能够在知识问答、数据可视化分析等作业中发挥价值［2-5］。基于危险隐患识别需求，可以在运用知识图谱的过程中将计算机视觉算法与本体模型相结合，以构建具备自动识别建筑工程危险隐患点知识图谱，进一步为预警、防范、应对工程事故提供知识服务以及知识库［5-7］。

综上，本文基于建筑工程安全事故的角度出发，提出以知识图谱构建建筑工程的方法，其中包含建筑工程施工安全事故图谱、分析流程以及建筑工程知识建模等内容，期望能为建筑工程安全施工管理夯实理论基础。

1  构建建筑工程知识图谱

1.1  数据分析

针对建筑工程施工事故进行分析，以中华人民共和国住房和城乡建设部官网发布的《住房和城乡建设部办公厅关于2020年房屋市政工程生产安全事故情况的通报》中的调查结果为主要数据来源。共收集到建筑工程安全事故689起［8］。依照类型对相关事故进行划分，2020年间发生次数最多的事故为高处坠落事故，全年共计发生407起，占据总事故数量的59.07%；物体打击事故次之，全年共计发生83起，占据总事故数量的12.05%；其余事故依照发生频率进行排序分别为：起重机机械伤害事故45起，占总事故的6.53%；土方塌陷以及基坑坍塌事故共计42起，占据总事故的6.53%；施工机具事故26起，占据总事故的3.77%；触电事故共22起，占据总事故的3.19%。除此之外，还有各类无法分类、单独发生的事故64起，占据总事故的9.29%。事故数据详情如图1所示。

1.2  构建建筑工程知识图谱

在建筑工程安全事故领域构建知识图谱的流程如下。

（1）知识建模：定义概念体系结构；（2）获取知识：在不同数据来源中进行知识实体以及关系等属性的抽取与分析工作；（3）知识储存：将已采集到的数据储存于特定的结构体系中；（4）知识数据可视化展示：将知识数据转化为可视化、直观化的图谱。

1.2.1  建筑工程知识建模

依照《生产安全事故报告和调查处理条例》（国务院令第493号）的相关定义，将2020年建筑工程安全事故的实体与实体属性之间的关系以及不同实体之间的关系进行数据建模处理。这一过程中主要应用了改进后的实体-关系图（entity relationship dia-gram，E-R图）进行展示，详情如图2所示。

1.2.2  建筑工程知识获取

（1）获取实体。可以理解为实体数据抽取，是指在非结构化事故文本数据集中分析、提取有意义的知识实体后对其进行分类的过程。本文重点使用了自然语言处理技术，并在采集与分析实体的过程中辅以人工修正的模式对各类实体进行精准识别与采集。最终获取15个实体分类，共包含事故时间、事故类型、事故原因、经济损耗、发生地点等1 165个实体。

（2）获取关系。可以将其理解为在非结构化事故数据集中获取不同实体间实际关系并进行分析的过程。本次研究采用了基于模板的关系获取与分析模式，最终获取的实体关系主要包含“事故与类型”“事故与原因”“事故与影响”“事故与地点”“事故与等级”等13个关系分类以及7 438个具体的关系。

（3）属性获取。指在非结构化事故数据集中对特定的实体属性信息进行采集与分析。本次研究的属性获取过程中主要对属性值共性较差的信息定义为实体的属性，其中主要包含事故的名称、事故总承包方、事故监理方等12个事故属性信息。

1.2.3  建筑工程知识储存与可视化展示

为全面展示出紧挨着南湖工程中不同类型实体之间的实际关系，本次研究主要应用了Neo4j图数据库构建基于图结构的建筑工程知识储存模式，同时应用Cypher工具对相关数据进行分析处理，最终生成2020年度建筑工程施工事故知识图谱，如图3所示。该数据库的重点构成可分为关系标签（relationship types）、关键属性（property keys）以及节点（node labels）3个部分。

2  建筑工程事故实体数目多维度统计

2.1  工程事故分析流程

利用Cypher语言分析技术对Neo4j图数据库之中的各类建筑工程安全事故信息进行采集与分析，并为后续的工程事故详情查询、实体数目多维度统计等作业需求提供数据基础。以此实现对建筑工程安全事故的多维度、多层次分析，同时生成并展现直观的可视化分析结果。

工程事故分析流程可以概括为：

（1）明确事故分析的内容以及管理意义。

（2）明确事故分析工具。

（3）查询事故详情。针对实体、关系、分类等不同信息查询需求采用相应的事故分析工具，最终生成直观、清晰的事故知识图谱。

（4）实体数目多维度统计。依照不同点分析内容以及数据需求，进一步分析、归纳、总结各类事故的发生规律，提出具有针对性以及实际效益的监控、管理与优化措施，并生成相应可视化结果。

（5）关联路径分析。结合相应工具生成语义搜索路径以及智能问答机制。

2.2  工程事故詳情查询

2.2.1  实体信息查询

对节点相关信息的查询与分析。在知识图谱中可以基于对实体的详情特征表述生成具有关键节点信息的“建筑工程安全事故图像”。可以根据某一个事故，将其属性值、关联节点等作为特征表述，重点展示该事故的发生时间、地点、原因、伤亡情况、经济损失、处理方案、处理及结果等。在相应终端界面中通过点击知识图谱中某一关键节点的方式，自动生成其属性值以及其他相关联节点之间的关系与详情数据信息，实现对工程事故的详情查询与分析工作。如此，可知该方案能够帮助用户以更便捷、直观且清晰的方式细致了解某一建筑工程安全事故的详细信息。

2.2.2  实体关系查询

依照建筑工程安全事故的特征内容，可以在相关图片中查询到如下3种关系链条：（1）事故—事故所在城市；（2）事故—事故发生时间；（3）事故—事故产生原因。以此，针对不同关系链条进行查询的过程中，便可以同时展现2020年度所有发生建筑工程安全事故的城市、发生该事故的时间以及造成该事故的原因。以“事故—事故产生原因”为例，利用数据图谱便可以同时展现2020年度689起事故中不同原因所造成事故的具体数量，进而总结建筑工程中的安全隐患特点。

2.2.3  分类查询

对建筑工程安全事故中每类实体的不同数量进行查询，并针对不同节点的密集程度或是数量关系，分析该事故类型的分布情况，方便相关建筑单位能  够以此为核心构建适宜的建筑工程安全管理整改措施。

2.3  工程事故实体数目多维度统计

对建筑工程安全事故进行知识图谱分析，并基于Cypher语言对事故中某一类符合特定条件的关键信息进行多层次、多维度的统计分析，最终生成事故实体数目雷达，如图4所示。由图4可知，在2020年度所发生的689起事故中，事故的等级、所在城市、事故原因等11类实体皆表现出了不同程度的聚集特征。例如，事故所在城市、事故发生部位、事故原因等实体都表现出了分散性的特征，其中造成事故的具体原因便分散在人为、天气等141种原因；事故发生的所在城市也分散在吉林、广东、上海等不同省份。

多维事故统计便是指基于某个实体或某实体分类的角度对事故发生情况进行统计的过程。其所生成的相关数据信息以及图片能够帮助相关用户以更细致的程度理顺、掌握不同事故的发生规律，进而利用其中的事故极值对后期的安全管理决策提供参考。基于事故知识图谱对2020年度事故的具体统计结果如表1所示。

3  结语

（1）只是图片技术能够充分整合并分析建筑工程施工作业中的各类安全事故知识，并为后续建筑工程的安全管理体系提供经验借鉴。

（2）建筑施工事故知识图谱能够为后期的建筑工程与安全事故所相关语义搜索和智能问答提供知识支持。

参考文献

［1］张曦文.建筑施工安全管理策略研究［J］.房地产世界，2023（7）：112-114.

［2］冯东梅，陈宜名，李殿维.基于知识图谱的建筑工程项目集成管理研究趋势分析［J］.科技促进发展，2019（7）：684-691.

［3］许慧，廖桧铭.基于知识图谱的建筑工程施工事故智能分析［J］.中国安全生产科学技术，2023（3）：46-52.

［4］安宁，安璐.跨平台网络舆情知识图谱构建及对比分析［J］.情报科学，2022（3）：159-165.

［5］宋婷，宇德明.基于CiteSpace的我国建筑工程项目风险管理研究热点与前沿［J］.土木工程与管理学报，2021（6）：183-187.

［6］孙龙龙，王其宽，施凯，等.基于知识图谱的建筑安全领域计算机视觉研究综述［J］.安全与环境工程，2021（2）：44-49.

［7］李珏，王幼芳.基于文本挖掘的建筑施工高处坠落事故致因网络分析［J］.安全与环境学报，2020（4）：1284-1290.

［8］住房和城乡建设部办公厅.住房和城乡建设部办公厅关于2020年房屋市政工程生产安全事故情况的通报［EB/OL］.（2021-05-21）［2023-09-20］.https：//www.mohurd.gov.cn/gongkai/zhengce/zhengce filelib/202210/20221026_768565.html.

（编辑  沈  强）

Research on construction engineering knowledge graph and the multi-dimensional statistics of the number of entities

Wang  Jing1， Mo  Xujun1， Tong  Kun2

（1.Pinming Technology Co.， Ltd.， Hangzhou 310012， China;

2.Hangzhou Innovation Institute， Beihang University， Hangzhou 310012， China）

Abstract：  In view of the problems of high risks and frequent accidents in modern construction engineering， in order to prevent risks and effectively reduce construction accidents， the knowledge graph technology in the field of artificial intelligence is used to analyze the construction accidents of modern construction engineering. Based on the existing construction accidents， the key data elements are extracted and the knowledge map of construction accidents is constructed. The corresponding construction accident analysis process is sorted out， and the accident data query， statistics and path analysis are carried out on this basis. The final results show that， based on knowledge graph technology， construction accidents in construction projects can be counted and displayed in multiple dimensions in the form of visual charts， and accident information can be stored and expressed in the form of knowledge in a structured way， which can strengthen the awareness of personnel in related fields on construction project risks and lay a solid foundation for construction risk prevention and construction safety management.

Key words： modern construction engineering; construction accident; knowledge map; safety management; engineering risk