知识图谱可以分为自顶向下和自底向上两种构建模式，其中自顶向下的方式适用于具备固定知识体系或可定义固定模式数据的特定行业 [13] 。本体是对概念进行建模而确立的规则，是对客观世界的抽象描述，通过形式化的方式对概念及其之间的联系给出明确的定义。本文采用自顶向下模式，通过本体构建方法可以准确实现不同主体应急场景需求下应急产业本体的构建。应急产业生态知识图谱模式层的构建是一个复杂而系统的过程，需要综合考虑不同的应急场景需求、应急主体与应急产品等多个方面。结合应急产业相关文献资料，通过本体构建七步法完成三维场景应急产业、安全应急产业大类、安全应急产业中类、安全应急产业小类以及公共安全展会本体构建。按照应急产业链环节将应急产业本体分为应急场景产品、应急场景产品供应商、应急场景产品代理商和应急场景产品需求商共四个二级概念，具体分类如 图2 所示。公共安全展会本体下分为安全展会主办单位、安全展会协办单位、安全展会支持单位，安全展会批准单位、展会产品和展会供应商。安全应急产业大类、安全应急产业中类、安全应急产业小类下的二级类比较多，主要参考了《安全应急产业分类指导目录(2021年版)》。社区场景和社会场景数据来源为地方政府采购网和中国政府购买服务信息网。本文共构建了170个分类，一级知识本体5个，二级知识本体155个，三级知识本体10个。

通过对应急产业知识进行系统性分析，定义三维场景应急产业的核心类型之后，还需要进一步定义类的属性来明确本体的层次结构。本体对象属性主要用于描述类与类之间的关系，定义域和值域均为类。对象属性的确立便于知识图谱进行语义关联和知识发现。数据属性则描述类的固有属性，定义域为类，值域为某一特定的数据类型，具体定义如 表1 所示。

通过在模式层已搭建的各类概念之间的语义关联，将经过知识抽取等一系列技术整理完成的应急产品实例数据导入到Neo4j图数据库中，最终构建出三维场景应急产业知识图谱，利用Cypher语句实现知识可视化。

知识抽取是构建知识图谱数据层的第一步，主要是指从多源异构的数据源中抽取出实体、关系以及属性等结构化的数据信息，并将其转换成实体关系三元组。针对本研究中的数据来源，对应急产业各主体的实体属性、关系属性和数据属性先进行梳理和抽取。具体而言，对实体信息的抽取是对概念类的准确描述，如对产品名称、产品应用场景等信息的识别和理解；关系属性的抽取，是对实体间的关系进行解读，抽取出实体和实体之间的语义关系，形成知识图谱三元组结构的基本单位，如(中国安全技术防范认证中心，协办，中国国际社会公共安全产品博览会)、(丹东市应急管理局，委托代理，丹东市公共资源交易中心)以及(湖南煤矿安全装备有限公司，供应，JJB10煤矿用激光甲烷检测报警仪)等。本文选用爬虫技术对国家应急管理局官网、中央与各地区政府官网和安全展会网站等网站中的非结构化数据进行抽取清洗。针对文本资源产生的非结构化数据主要通过人工方法来抽取。

知识存储是知识图谱构建的关键环节，根据图数据库管理系统(DB-Engines Ranking of Graph, DBMS)使用排名，Neo4j是最为普及且扩展性强的高性能图数据库软件，用于存储以节点和关系为对象的图结构数据，能够清晰直观地展示出各节点之间的语义关系。因此，本文选择Neo4j图数据库作为构建知识图谱的工具。由于应急产品类别与实例非常多，手动创建每个实体以及每个实体与实体之间的关系需要耗费很多时间。为了提升知识图谱构建的效率和准确性，完成应急产品本体构建后，用Cellfie语言将实例分别添加到各个类中。在映射过程中，将protégé软件中实例对应的URI (Uniform Resource Identifier，统一资源标识符)作为Neo4j属性图节点ID，RDF (Relational Data Format，关系数据格式)实例所属的OWL (Web Ontology Language，网络本体语言)类作为节点标签，并将实例对应的标签属性、数据类型属性作为节点内属性进行表示，属性图节点之间的边映射来自RDF中的对象属性关系，包含rdfs:label属性进行描述，增强可理解性。本文使用Py2neo自动化构建方式进行数据读取、数据转换和数据导入，进行节点、边和属性创建与匹配功能，构建了多维场景应急产业知识图谱，包含了4735个相关节点和5989条关系， 表2 为知识图谱节点图例。

由于Neo4j的图形展示界面有限，选取了部分实体及关系进行可视化展示， 图3 清晰地展示了三维场景下应急产业多主体间的关联关系，多个应急产业交叉连接能够更好地满足不同场景下不同群体对应急产品的需求。 图4 展示了个人家庭场景应急产业知识图谱，节点之间的关系更侧重于“供应商–个人”的联系。个人家庭场景应急产品主要是为了面临灾害事故时个人能够维持体力、缓解伤势以及满足日常生活状况。个人安全应急市场空间巨大，是安全应急产业发展的重要推动力量。该场景的知识图谱强调供应商快速响应个人需求、提供急需的应急产品，从而增强家庭自救能力。

图5 、 图6 展示了部分社区场景和社会场景应急产业知识图谱。社区场景应急产业知识图谱节点密集度较低，强调以社区为单位的应急产品储备和供应，适应小范围内快速响应的特点。社会场景应急产业图谱节点关系复杂性高，涉及大规模灾害事故需要的专业化程度高的应急设备、高层级企业及政府机构。这一结构展示了从供应端到需求端再到实际应用场景的完整应急产业链，能够清晰地体现出各环节之间的紧密联系和层次性。社会场景通常涉及到大规模灾害响应，需要政府和应急产业之间的协调合作，确保资源调配和应急物资的高效分配。对比不同场景下节点关系，可以发现应急产业的各类节点和关系在不同应急场景需求下侧重点并不相同。个人场景强调快速响应和便捷的应急物资供应，而社区和社会场景则需要高效的决策机制和协调能力。

通过不同场景下应急产业知识图谱可视化展示，由外向里呈现出“原材料供应–应急产业–应急场景”的应急产业链特征。一方面，通过知识图谱的方式将关键环节的企业、产品、服务等多个主体连接在一起，有效整合不同场景下应急产业资源，提高应急产业主体间的协作效率，从而加强应急产业链的抗灾韧性。另一方面，知识图谱的多维度结构呈现为后续实现智能问答提供了技术支撑，使其能够在不同应急场景下提供个性化的解决方案。

以Neo4j图数据库中存储的应急产业知识图谱为基础，本文针对不同场景下应急产品的实际需求，提出基于问题模板的智能问答系统构建方法。该系统以问答交互界面的自然语言问句为输入，Flask作为轻量级Web框架，负责整个系统的后端逻辑。Flask接受前端发送的查询请求后，通过问题解析模块将自然语言映射为Neo4j图数据库的Cypher查询语句，在进行图谱信息检索的基础上，由答案生成模块根据检索结果构建自然语言式的答案短文本在问答交互界面中展示。该系统的整体框架如 图7 所示。

本文构建的多维层级应急产品知识图谱问答系统目标用户面向整个社会，在问答交互场景中具有较明确的问题类型和较统一的表达方法，可视为限定域的知识图谱间问答。因此，问题解析模块以自然语言问句作为输入，在分词和主题词提取等任务的基础上，通过问题分类理解问题意图，并进行问题模板匹配。本文选择Han LP工具进行问题文本分词工作，将上文所构建的应急产品信息的字典导入Han LP的自定义词典中，使分词更加准确。对用户输入的自然语言问句进行解析，并准确提取其中的主题实体是实现知识问答的前提，其任务本质是面向问句短文本的命名实体识别问题，因此，本文采用BERT-BiLSTM-CRF神经网络模型。本文围绕不同应急场景需要的应急产品及其需求供应等相关常见问题设计问题模板，共计21小类，部分问题模板示例如 表3 所示。

知识检索模块是问题解析和Neo4j图数据库反馈结果的信息交互过程，本文使用python将问题解析模块抽取的问题文本与问题主题匹配，通过Cypher查询引擎在知识图谱中检索问题的答案。问题文本到Cypher语句的映射需要问题模板和Cypher查询语句一一对应， 表4 列举了部分问题对应的查询语句，复杂问题的查询可通过多个Cypher查询语句实现。

答案生成模块通过对Neo4j图数据库中检索到的细粒度信息进行字符串拼接、去重、排序与融合，以自然语言短文本形式返回给用户，保证了问题和答案类型的一致性。问题解析模块对用户输入的自然语言语句进行问题分类、问题模板匹配后，从用户提问中抽取实体与关系生成Cypher语句来返回查询答案。

本文建立的问答系统采用html (Hyper Text Markup Language，超文本标记语言)、CSS (Cascading Style Sheets，层叠样式表)和JavaScript作为前端进行框架设计。通过JavaScript编程语言，以html网页为载体，CSS负责页面布局和样式，实现页面的响应式布局，JavaScript的应用主要为用户交互和DOM操作。

成功登录后，进入网站主页面。如 图8 所示，知识图谱可视化功能展示了基于Neo4j数据库构建的应急产业知识图谱。前端采用D3.js可视化库，将Neo4j中的节点和关系动态渲染在网页上。 图9 、 图10 、 图11 分别展示了三维场景下的应急产品相关信息。其中， 图9 能够为用户推荐个人场景的应急产品及其购买渠道，证明该系统具有良好的连续问答能力。