三大技术瓶颈
瓶颈①
知识自动化获取
- • 传统方法依赖人工抽取
- • 效率低下
- • 难以挖掘隐含因果知识
- • 深度学习需大规模标注
瓶颈②
知识到模型转化
- • 复杂知识网络转化困难
- • 需符合DAG要求
- • 结构精简与逻辑聚焦
- • 缺乏系统性流程
瓶颈③
数据集自动构建
- • 历史报道非结构化
- • 自动解析效率低
- • 事件证据提取困难
- • 缺少清晰方法路径
创新建模框架
Innovative Modeling Framework
基于大语言模型深度挖掘，构建知识图谱驱动贝叶斯网络的山洪灾害链预警模型，实现"知识-数据"双驱动机制。
1
知识图谱构建
LLM从3000+文献抽取因果三元组
2
结构映射
知识网络→贝叶斯网络拓扑
3
模型实例化
历史报道→结构化数据集
大语言模型应用
采用DeepSeek R1-14B大语言模型，利用其强大的上下文理解与逻辑推理能力，结合差异化提示工程完成全链条建模任务。
提示工程设计
- • 角色设定
- • 任务要求
- • 输出约束
- • 参数精细调优
质量验证
- • 人工校验
- • 准确率计算
- • 召回率评估
- • F1分数量化
核心优势
- • 少样本学习能力
- • 强大文本理解
- • 逻辑推理能力
- • 全流程整合
预定义本体框架
四大实体类型
致灾因子
引发或加剧灾害的因素（如暴雨、地震）
孕灾环境
灾害发生的背景条件（如陡峭地形）
承灾体
承受灾害影响的对象（如人口、财产）
灾害事件
实际发生的灾害（如山洪、滑坡）
四种因果关系
导致
直接引发后续事件
加剧
增强事件强度或范围
破坏
对承灾体造成损害
造成
产生次生灾害或损失
核心研究成果
知识图谱构建
- 从3176篇文献抽取知识
- 构建2608条三元组数据集
- 实体对齐与知识补全
- 完整灾害链路径识别
模型性能验证
- 平均Brier评分：0.1608
- 批量测试Brier评分：0.1846
- 良好的概率校准能力
- 强泛化稳定性
技术实现流程
阶段① 知识抽取与处理
三元组抽取
基于本体框架的知识抽取
实体对齐
Sentence-BERT向量化+余弦相似度
知识补全
识别低连通度节点并回溯补全
阶段② 结构映射
拓扑剪枝
算法剪枝优化网络结构
节点聚合
LLM辅助语义相似节点合并
离散化
连续变量转换为离散状态
阶段③ 模型实例化
信息抽取
历史报道结构化解析
状态赋值
数值映射至离散状态区间
参数学习
条件概率表学习