于衛(wèi)紅 付飄云 任 月 王慶武

（1.大連海事大學(xué)航運(yùn)經(jīng)濟(jì)與管理學(xué)院 遼寧 大連116026；2.大連海事大學(xué)航海學(xué)院 遼寧 大連116026）

0 引 言

船舶事故頻繁發(fā)生，嚴(yán)重影響了水上交通安全形勢(shì)的穩(wěn)定。從歷史事故中發(fā)現(xiàn)規(guī)律、吸取教訓(xùn)可以在某種程度上避免同類(lèi)事故重復(fù)發(fā)生。歷史事故的相關(guān)信息通常以自由文本的形式記錄在事故調(diào)查報(bào)告中，如，可以從地方或國(guó)家海事局的官網(wǎng)中檢索出大量的碰撞、擱淺、自沉等各種事故類(lèi)型的船舶事故調(diào)查報(bào)告。這些事故報(bào)告為官方出具[1]，對(duì)事故調(diào)查取證情況、重要事故要素認(rèn)定、事故經(jīng)過(guò)、事故原因、安全管理建議等內(nèi)容進(jìn)行了詳細(xì)可靠地描述。采用文本挖掘技術(shù)從事故調(diào)查報(bào)告中提取出事故關(guān)鍵特征或更加隱含的特征要素之間的語(yǔ)義關(guān)系，能夠幫助全面理解船舶事故的發(fā)生模式、更好地識(shí)別水上交通的危險(xiǎn)因素，充分發(fā)揮事故調(diào)查報(bào)告在總結(jié)經(jīng)驗(yàn)教訓(xùn)、遏止事故風(fēng)險(xiǎn)中的作用。

但是，現(xiàn)階段，對(duì)船舶事故調(diào)查報(bào)告進(jìn)行文本挖掘存在如下難點(diǎn)。

1）船舶事故調(diào)查報(bào)告是高度非結(jié)構(gòu)化的文本數(shù)據(jù)，特別是中文文本具有復(fù)雜的語(yǔ)言結(jié)構(gòu)，語(yǔ)法、語(yǔ)義、語(yǔ)用等常存在歧義，需要綜合運(yùn)用信息抽取、機(jī)器學(xué)習(xí)、概率統(tǒng)計(jì)、數(shù)據(jù)可視化等多種技術(shù)來(lái)進(jìn)行處理。

2）船舶事故調(diào)查報(bào)告缺乏統(tǒng)一的模板，內(nèi)容格式不規(guī)范，存儲(chǔ)形式多樣化（如“.pdf”“.doc”“.html”“.jpg”等形式），給數(shù)據(jù)清洗和數(shù)據(jù)預(yù)處理工作帶來(lái)很大的困難。

迄今為止，船舶事故調(diào)查報(bào)告文本挖掘相關(guān)的成果主要以文本信息抽取研究為主，如：姚厚杰[1]在統(tǒng)計(jì)分析382 起船舶交通歷史事故數(shù)據(jù)的基礎(chǔ)上，利用文本挖掘提煉出船舶交通事故的風(fēng)險(xiǎn)因素。Lee Jeongseok等[2]使用文本挖掘技術(shù)從電子海圖事故報(bào)告中挖掘事故原因的相關(guān)詞語(yǔ)，并使用詞云圖、詞語(yǔ)網(wǎng)絡(luò)圖等進(jìn)行可視化展示。吳伋等[3]以長(zhǎng)江內(nèi)河航道419 起船舶碰撞事故報(bào)告為語(yǔ)料，使用分詞及卡方檢驗(yàn)等算法提取出能夠表征船舶碰撞事故4要素（人為因素、船舶因素、環(huán)境因素、管理因素）的特征詞。余晨等[4]采用基于規(guī)則的海事信息抽取方法，從事故報(bào)告的自由文本中提取事故發(fā)生的時(shí)間、地點(diǎn)、涉事船舶、事故類(lèi)型等信息。

上述研究主要是從單個(gè)詞語(yǔ)的角度展開(kāi)的文本挖掘研究，即從事故調(diào)查報(bào)告中提取出與事故因素相關(guān)的特征詞，繼而利用這些詞進(jìn)行事故統(tǒng)計(jì)或預(yù)警等分析。

根據(jù)1篇文檔的生成過(guò)程：1篇文檔包含若干主題，而每個(gè)主題又對(duì)應(yīng)著不同的詞。1篇文檔的構(gòu)造過(guò)程，首先是以一定的概率選擇某個(gè)主題，然后再在這個(gè)主題下以一定的概率選出某1 個(gè)詞，這樣就生成了這篇文檔的第1 個(gè)詞。不斷重復(fù)這個(gè)過(guò)程，就生成了整篇文檔[5]。所以，對(duì)于文本挖掘，在文本特征詞提取的基礎(chǔ)上還可以進(jìn)行更深入的語(yǔ)義挖掘，如，挖掘詞語(yǔ)與詞語(yǔ)之間的關(guān)系、文檔中的主題分布等。

因此，可以從詞語(yǔ)和主題2 個(gè)層面對(duì)船舶事故調(diào)查報(bào)告進(jìn)行語(yǔ)義挖掘。在詞語(yǔ)層面，通過(guò)挖掘文本特征詞之間的頻繁共現(xiàn)模式，可以揭示出事故因素之間的關(guān)聯(lián)關(guān)系；在主題層面，通過(guò)對(duì)若干起同類(lèi)事故的事故原因文本的主題提取，可以對(duì)該類(lèi)事故的原因進(jìn)行系統(tǒng)地歸納，并且可以通過(guò)主題在文檔中的分布初步量化出每種原因的發(fā)生概率。

基于此，本研究應(yīng)用頻繁共現(xiàn)詞挖掘、短文本主題建模的思想和算法對(duì)船舶事故調(diào)查報(bào)告中的事故原因文本進(jìn)行挖掘，試圖通過(guò)詞語(yǔ)和主題2 個(gè)層面的語(yǔ)義挖掘發(fā)現(xiàn)事故的規(guī)律、提取出事故的致因模式。

1 研究思路

研究思路見(jiàn)圖1，其核心環(huán)節(jié)包括以下4 個(gè)方面。

圖1 研究思路Fig.1 Research ideas

1）事故調(diào)查報(bào)告的獲取。首先使用爬蟲(chóng)技術(shù)從海事局官網(wǎng)獲取各事故調(diào)查報(bào)告的存儲(chǔ)網(wǎng)址，然后通過(guò)Java編程將事故調(diào)查報(bào)告批量下載到本地。

2）事故調(diào)查報(bào)告的預(yù)處理。將以不同格式存儲(chǔ)的事故調(diào)查報(bào)告統(tǒng)一轉(zhuǎn)換成純文本格式，通過(guò)文檔結(jié)構(gòu)分析，對(duì)事故調(diào)查報(bào)告中描述事故原因的內(nèi)容進(jìn)行定位，編程抽取出事故原因文本。

3）事故原因文本預(yù)處理。根據(jù)中華人民共和國(guó)交通部制定的國(guó)家標(biāo)準(zhǔn)的“水上安全監(jiān)督術(shù)語(yǔ)”[6]構(gòu)建用戶自定義詞典，以保證專(zhuān)有名詞、專(zhuān)業(yè)術(shù)語(yǔ)在分詞時(shí)不被拆分。在R 語(yǔ)言環(huán)境下，使用jiebaR算法對(duì)事故原因文本進(jìn)行分詞，并進(jìn)一步使用百度停用詞表去掉無(wú)意義的虛詞。繼而對(duì)事故調(diào)查報(bào)告中常見(jiàn)的同義詞（如，“瞭望”和“了望”“船首”和“船艏”等）進(jìn)行統(tǒng)一處理。

4）事故原因文本挖掘。從詞語(yǔ)和主題2 個(gè)層面對(duì)事故原因文本進(jìn)行挖掘。在詞語(yǔ)層面，使用點(diǎn)互信息（pointwise mutual information，PMI）算法提取事故原因文本中頻繁共現(xiàn)的詞對(duì)，通過(guò)詞語(yǔ)之間的語(yǔ)義關(guān)聯(lián)分析出事故致因要素間的聯(lián)系。在主題層面，使用雙詞主題模型（biterm topic model，BTM）算法對(duì)事故原因文本進(jìn)行主題建模，以此對(duì)屬于同一事故原因的詞語(yǔ)進(jìn)行聚類(lèi)。

2 研究方法

2.1 基于PMI的頻繁共現(xiàn)詞挖掘

頻繁共現(xiàn)詞指的是2 個(gè)或2 個(gè)以上的詞語(yǔ)經(jīng)常搭配在一起使用的1種頻繁模式。自然語(yǔ)言是隨機(jī)的，詞語(yǔ)頻繁共現(xiàn)對(duì)揭示詞語(yǔ)之間施事、受事、工具、處所、領(lǐng)屬等上下文語(yǔ)義關(guān)系十分重要。如，{船舶，超航區(qū)，航行}這3個(gè)詞頻繁共現(xiàn)可以揭示出“船舶超航區(qū)航行”是船舶事故的常見(jiàn)原因之一。

PMI是挖掘詞語(yǔ)之間關(guān)聯(lián)關(guān)系的1種十分有效的統(tǒng)計(jì)方法[7]。對(duì)于語(yǔ)料庫(kù)中的詞語(yǔ)x和詞語(yǔ)y，將x和y的點(diǎn)互信息記為PMI(x;y)，則[8]

式中：P(x)為詞語(yǔ)x在語(yǔ)料庫(kù)中出現(xiàn)的概率；P(y)為詞語(yǔ)y在語(yǔ)料庫(kù)中出現(xiàn)的概率；P(x，y)為詞語(yǔ)x和詞語(yǔ)y同時(shí)出現(xiàn)的概率，即聯(lián)合概率；P(x|y)為在詞語(yǔ)y 出現(xiàn)的前提下詞語(yǔ)x出現(xiàn)的概率，即條件概率；同理，P(y|x)為在詞語(yǔ)x出現(xiàn)的前提下詞語(yǔ)y出現(xiàn)的條件概率。

根據(jù)概率論可知，PMI(x;y)的值越大，詞語(yǔ)x和詞語(yǔ)y搭配使用的關(guān)聯(lián)性越強(qiáng)[9]。

根據(jù)PMI 算法的原理，設(shè)計(jì)了從事故原因文本中挖掘頻繁共現(xiàn)詞的方法。

1）讀取語(yǔ)料文本，構(gòu)建語(yǔ)料庫(kù)。

2）對(duì)語(yǔ)料庫(kù)進(jìn)行分詞。

3）構(gòu)建詞語(yǔ)與文本的對(duì)應(yīng)關(guān)系，即構(gòu)建由文本ID和文本中的詞組成的二維表。

4）編程計(jì)算詞語(yǔ)之間的PMI。

5）根據(jù)業(yè)務(wù)需要設(shè)定閾值，篩選出PMI以及共現(xiàn)次數(shù)滿足閾值條件的詞對(duì)。

2.2 基于BTM的事故原因文本主題建模

2.2.1 BTM算法的基本原理

主題建模又稱主題聚類(lèi)，指的是通過(guò)非監(jiān)督學(xué)習(xí)對(duì)文本集合中隱含的語(yǔ)義結(jié)構(gòu)進(jìn)行分組、歸類(lèi)[10]。傳統(tǒng)的主題建模使用潛在狄利克雷分布（latent dirichlet allocation，LDA）算法，是David M.Blei 等[5]于2003 年提出來(lái)的1 個(gè)3 層貝葉斯概率模型。由于LDA 算法的假設(shè)之一是“1 篇文檔包含了多個(gè)主題”，因此該算法特別適用于對(duì)長(zhǎng)文本語(yǔ)料庫(kù)進(jìn)行主題建模。

船舶事故調(diào)查報(bào)告中描述事故原因的文本長(zhǎng)短不一且以短文本居多，文本較短時(shí)會(huì)出現(xiàn)嚴(yán)重的特征稀疏、數(shù)據(jù)不足等問(wèn)題，使用LDA 算法難以準(zhǔn)確推斷出文檔中主題混合分布的參數(shù)以及每個(gè)詞的主題屬性，從而影響聚類(lèi)效果。

BTM是Yan Xiaohui等[11]于2013年提出的適用于任意長(zhǎng)度文本尤其適用于短文本主題建模的雙詞主題模型。雙詞指的是在同1個(gè)上下文中共現(xiàn)的詞對(duì)，用戶可以根據(jù)所分析的文本特征指定上下文窗口的大小。本質(zhì)上說(shuō)，BTM 是LDA 的1 種變形算法，二者的參數(shù)估計(jì)方法和模型訓(xùn)練過(guò)程中的采樣算法都是一樣的。BTM 最大的改進(jìn)在于采用雙詞而不是單詞作為主題建模的單元，它假設(shè)每個(gè)雙詞由同1個(gè)主題產(chǎn)生，而主題由1個(gè)定義在整個(gè)語(yǔ)料庫(kù)中的主題混合分布產(chǎn)生，即BTM算法是“雙詞→主題→語(yǔ)料庫(kù)”的3層貝葉斯概率模型。通常，2個(gè)詞共現(xiàn)次數(shù)越多，其語(yǔ)義越相關(guān)，也就越可能屬于同1個(gè)主題。因此，BTM算法使主題建模的語(yǔ)義更加清晰，通過(guò)雙詞組合也避免了短文本長(zhǎng)度過(guò)短導(dǎo)致的特征矩陣稀疏、文檔建模困難等問(wèn)題。

BTM 算法的思路是：假設(shè)要提取的主題數(shù)為K，首先以一定的概率選擇某個(gè)主題Z，然后在主題Z下抽取2 個(gè)共現(xiàn)的單詞Wi和Wj形成雙詞b=(Wi，Wj)，則b的概率P(b)為

式中：P(Wi|Z)為單詞Wi在主題Z下出現(xiàn)的概率；P(Wj|Z)為單詞Wj在主題Z下出現(xiàn)的概率；P(Z)為主題Z在語(yǔ)料庫(kù)中出現(xiàn)的概率。

不斷重復(fù)這個(gè)過(guò)程，就形成了整個(gè)語(yǔ)料庫(kù)。BTM主題建模就是這個(gè)過(guò)程的逆過(guò)程，即對(duì)于給定的語(yǔ)料庫(kù)不斷進(jìn)行迭代運(yùn)算，每次迭代得到主題數(shù)為K時(shí)的主題概率分布向量θ 和詞在主題下的概率分布矩陣Φ，直到計(jì)算收斂。

2.2.2 BTM主題模型評(píng)估指標(biāo)的確定

主題建模有3 個(gè)非常重要的輸入?yún)?shù)：主題數(shù)K、主題的先驗(yàn)分布α，詞的先驗(yàn)分布β。對(duì)于BTM算法，α通常取值為50/K，β通常取默認(rèn)值0.01。最難確定的是主題數(shù)K，其值的大小常常決定了主題建模結(jié)果的優(yōu)劣。

因此，需要確定評(píng)估指標(biāo)對(duì)主題建模結(jié)果進(jìn)行性能評(píng)價(jià)，以此來(lái)不斷調(diào)整模型的參數(shù)，特別是確定最佳的主題數(shù)K。本研究綜合考慮了主題模型的對(duì)數(shù)似然和主題一致性2個(gè)指標(biāo)。

1）主題模型的對(duì)數(shù)似然。對(duì)數(shù)似然是檢驗(yàn)主題建模結(jié)果擬合優(yōu)度的指標(biāo)，似然值越大表明模型擬合得越好。針對(duì)BTM主題建模，評(píng)估建模結(jié)果對(duì)數(shù)似然的公式為

2）主題一致性。主題一致性通過(guò)計(jì)算條件似然而不是對(duì)數(shù)似然來(lái)衡量主題中詞語(yǔ)間的共現(xiàn)關(guān)系。即，它通過(guò)計(jì)算主題中高分詞之間的語(yǔ)義相似度來(lái)評(píng)價(jià)單個(gè)主題，主題一致性的分值越高越好[12]。主題一致性的計(jì)算公式[13]為

3 船舶自沉事故原因文本挖掘?qū)嵗?/h2>

3.1 文本數(shù)據(jù)描述

截止到目前，在中國(guó)海事局官網(wǎng)發(fā)布了109 份自沉事故調(diào)查報(bào)告。存在部分報(bào)告鏈接地址無(wú)法訪問(wèn)、文件亂碼或報(bào)告中事故原因描述不詳?shù)犬惓?，剔除這些異常整理出了100份船舶自沉事故報(bào)告。這些事故調(diào)查報(bào)告的原存儲(chǔ)格式不一，見(jiàn)表1。

表1 事故調(diào)查報(bào)告不同的存儲(chǔ)格式Tab.1 Different storage formats of accident investigation

同時(shí)，這些事故調(diào)查報(bào)告由不同的海事局提供（見(jiàn)表2），各海事局采用的事故調(diào)查報(bào)告模板不完全相同，導(dǎo)致了報(bào)告的文檔結(jié)構(gòu)不統(tǒng)一，部分術(shù)語(yǔ)表述不一致等問(wèn)題。

表2 事故調(diào)查報(bào)告不同的來(lái)源Tab.2 Different sources of accident investigation reports

文本的異構(gòu)性給研究帶來(lái)了很大的困難。為了保證文本挖掘的質(zhì)量，使用半人工的方式進(jìn)行了大量的事故報(bào)告文本清洗工作，綜合運(yùn)用字符串查找、截取、正則表達(dá)式、文本標(biāo)注等技術(shù)和工具從清洗后的事故調(diào)查報(bào)告中抽取出“事故原因分析”部分的內(nèi)容作為文本挖掘的語(yǔ)料。

3.2 事故原因文本頻繁共現(xiàn)詞挖掘

根據(jù)2.1設(shè)計(jì)的方法，從預(yù)處理后的100份自沉事故調(diào)查報(bào)告的事故原因文本中，提取出共現(xiàn)次數(shù)大于10且PMI＞2.5的詞對(duì)見(jiàn)表3。

表3 頻繁共現(xiàn)詞Tab.3 Frequent co-occurrence terms

為了更加形象、直觀地展示出詞語(yǔ)之間的語(yǔ)義關(guān)聯(lián)，使用詞共現(xiàn)網(wǎng)絡(luò)圖將表1 中的頻繁共現(xiàn)詞進(jìn)行可視化展示，見(jiàn)圖2。網(wǎng)絡(luò)圖中的每個(gè)節(jié)點(diǎn)代表1個(gè)詞語(yǔ)，節(jié)點(diǎn)與節(jié)點(diǎn)之間的連線代表詞語(yǔ)共現(xiàn)關(guān)系，連線的粗細(xì)表示共現(xiàn)的頻繁度。

圖2 詞共現(xiàn)語(yǔ)義網(wǎng)絡(luò)圖Fig.2 Word co-occurrence semantic network

根據(jù)頻繁共現(xiàn)詞的挖掘結(jié)果，自沉事故是人、船、貨、環(huán)境多方面共同作用的結(jié)果，包括以下4種因素。

1）人的因素。船員不適任、安全意識(shí)淡薄、配員不足、超航區(qū)航行、嚴(yán)重超載、應(yīng)急處置不當(dāng)。

2）船的因素。船舶不適航、船體破損、船舶儲(chǔ)備浮力與穩(wěn)性喪失。

3）貨的因素。貨物移位。

4）環(huán)境因素。大風(fēng)浪、惡劣天氣、甲板上浪。

3.3 事故原因文本主題建模

3.3.1 最佳主題數(shù)的確定

主題數(shù)K是主題建模重要的輸入?yún)?shù)，根據(jù)2.2.2確定的主題模型評(píng)估指標(biāo)，采用如下步驟確定主題數(shù)K。

步驟1。設(shè)定主題數(shù)的變化范圍，主題數(shù)每變化1次，就按照BTM算法生成1次主題模型，計(jì)算每次所生成模型的對(duì)數(shù)似然和主題一致性。

步驟2。綜合考慮主題模型的對(duì)數(shù)似然和主題一致性的變化情況，確定出最佳主題數(shù)。

在R語(yǔ)言環(huán)境下，設(shè)定主題數(shù)K從5變化到50，根據(jù)事故原因文本預(yù)處理后的分詞結(jié)果構(gòu)建主題模型。不同主題數(shù)下主題模型的對(duì)數(shù)似然及主題一致性的計(jì)算結(jié)果見(jiàn)表4。

表4 主題模型評(píng)估指標(biāo)值隨主題數(shù)變化的情況Tab.4 Topic-number-dependent changes of topic-model evaluation measures

根據(jù)表4，繪制出上述2個(gè)評(píng)估指標(biāo)的變化曲線見(jiàn)圖3～4。

圖3 主題模型對(duì)數(shù)似然的變化曲線Fig.3 Log-likelihood curve of the topic model

圖4 主題一致性的變化曲線Fig.4 Topic coherence curve

從圖3可見(jiàn)，隨著主題數(shù)的增加，主題模型的對(duì)數(shù)似然呈增加的趨勢(shì)，模型的擬合優(yōu)度不斷提升，極易產(chǎn)生過(guò)擬合。同時(shí)，主題數(shù)的增加也會(huì)導(dǎo)致主題聚類(lèi)的粒度越來(lái)越細(xì)，從而減弱模型的泛化能力，不利于對(duì)自沉事故的原因進(jìn)行歸納解釋。因此，對(duì)于本研究使用的語(yǔ)料，在BTM 算法下，難以單純使用主題模型的對(duì)數(shù)似然來(lái)確定最佳主題數(shù)K，通過(guò)主題一致性進(jìn)行評(píng)估則更加合理。從圖4 可以看出，當(dāng)主題數(shù)為20時(shí)，主題模型的一致性值最大，因此，確定20為最佳主題數(shù)。

3.3.2 主題建模結(jié)果及可視化展示

BTM主題建模的結(jié)果主要包括：詞語(yǔ)在主題中的概率分布Φ 和主題在語(yǔ)料庫(kù)中的概率分布θ 。通過(guò)Φ 可以提取出能夠代表每個(gè)主題特征的前n個(gè)詞，通過(guò)θ 可以判斷出主題發(fā)生的概率。

1）詞語(yǔ)在主題中的概率分布Φ。本研究的語(yǔ)料庫(kù)分詞后得到2 245個(gè)不重復(fù)的有效詞條，主題數(shù)為20時(shí)詞語(yǔ)在主題中的概率分布Φ 就是1個(gè)2 245×20的矩陣，矩陣中第i行第j列的值為第i個(gè)詞語(yǔ)在第j個(gè)主題中的概率分布，見(jiàn)表5。

表5 詞語(yǔ)在主題中的概率分布Tab.5 Probability distribution of words in topics

在每個(gè)主題下按照詞語(yǔ)概率分布從大到小排序，可以得到能夠代表主題特征的前n 個(gè)詞，以Z5，Z6，Z14 這3 個(gè)主題為例，這3 個(gè)主題下出現(xiàn)概率最高的前10個(gè)詞見(jiàn)表6。

表6 各主題下出現(xiàn)概率最高的前10 個(gè)詞示例Tab.6 Demo about top 10 words under each topic

使用BTM主題建模，不僅可以分析出單個(gè)詞語(yǔ)在主題中的重要性，還可以提取出各主題下詞語(yǔ)之間的語(yǔ)義聯(lián)系，見(jiàn)圖5。

根據(jù)各主題下詞語(yǔ)的分布以及詞語(yǔ)間的語(yǔ)義關(guān)聯(lián)，對(duì)所挖掘出的主題進(jìn)行梳理、解釋?zhuān)?jiàn)表7。

2）主題在文檔集合中的概率分布θ 。通過(guò)對(duì)主題建模結(jié)果中θ 向量的提取，得到各主題在文檔集合中的概率分布，見(jiàn)表8。

根據(jù)主題在文檔集合中的分布可以初步量化出每種事故原因的發(fā)生概率，見(jiàn)圖6。圖6 是對(duì)表7 和表8整合結(jié)果的可視化展示。

圖5 主題建模結(jié)果的可視化展示Fig.5 Visualization of topic-modeling results

圖6 主題概率分布條形圖Fig.6 Bar for the probability distribution of topics

表8 主題的概率分布Tab.8 Probability distribution of topics

根據(jù)主題建模結(jié)果，安全管理不到位、大風(fēng)浪影響在船舶自沉事故原因中出現(xiàn)的概率最高。綜合來(lái)看，船舶自沉事故的原因主要包括以下4點(diǎn)。

1）人為因素。人為因素既包括船公司的安全管理和岸基支持，又包括從業(yè)人員的業(yè)務(wù)素質(zhì)，如碼頭裝載作業(yè)是否規(guī)范、船員是否適任、值班人員是否認(rèn)真履職、船長(zhǎng)應(yīng)急處置是否及時(shí)、駕駛員操縱行為是否正確等。

2）客觀因素。主要包括大風(fēng)浪以及事發(fā)水域復(fù)雜的通航環(huán)境。

3）船舶技術(shù)指標(biāo)。主要指船舶穩(wěn)性、儲(chǔ)備浮力、強(qiáng)度、風(fēng)雨密、水密等是否滿足規(guī)范要求。

4）貨物特性。貨物自身的屬性（如易流態(tài)化）也是導(dǎo)致船舶自沉的1個(gè)非常重要的原因。

使用主題建模對(duì)船舶自沉事故原因提取的結(jié)果與相關(guān)文獻(xiàn)的研究結(jié)果非常接近。如李奕良[15]指出船體結(jié)構(gòu)缺陷增大了船舶自沉事故的概率;陳興園[16]認(rèn)為水上交通事故的管理致因包括：船上管理致因、船公司管理致因等；韓俊松等[17]認(rèn)為：貨物的流態(tài)化、裝載及平艙不當(dāng)直接影響船舶安全；喬賽雯[18]強(qiáng)調(diào)：船舶在大風(fēng)浪中航行，易對(duì)船體造成傷害，從而導(dǎo)致船舶事故。

3.3.3 主題模型對(duì)新數(shù)據(jù)集預(yù)測(cè)能力的測(cè)試

為了進(jìn)一步驗(yàn)證所構(gòu)建的主題模型對(duì)船舶自沉事故原因的解釋能力，隨機(jī)生成新數(shù)據(jù)集，測(cè)試主題模型能否將每一個(gè)詞語(yǔ)正確歸屬到代表某一類(lèi)事故原因的主題下。新數(shù)據(jù)集是由編號(hào)和詞語(yǔ)組成的數(shù)據(jù)框，見(jiàn)表9。

表9 用于測(cè)試的新數(shù)據(jù)集Tab.9 New dataset for testing

使用BTM算法中提供的predict函數(shù)，根據(jù)所構(gòu)建的主題模型，計(jì)算每一個(gè)詞歸屬于各主題的可能概率。預(yù)測(cè)結(jié)果見(jiàn)表10（保留小數(shù)點(diǎn)后3位）。

表10 預(yù)測(cè)結(jié)果Tab.10 Predicting outcomes

由于“精準(zhǔn)營(yíng)銷(xiāo)”是與船舶交通事故無(wú)關(guān)的詞語(yǔ)，所以預(yù)測(cè)函數(shù)對(duì)該詞的計(jì)算結(jié)果為空。其它各詞在不同主題下均有不同的預(yù)測(cè)得分，在哪個(gè)主題下得分值最高，該詞就最大可能歸屬于這個(gè)主題。

根據(jù)計(jì)算結(jié)果，“滿載排水量”最大可能歸屬于主題5（船舶超航區(qū)、超載航行），可能性為95.3%；“潮汐”最大可能歸屬于主題6（事發(fā)水域通航環(huán)境復(fù)雜），可能性為78%；“崗前培訓(xùn)”最大可能歸屬于主題7（船公司岸基支持不到位），可能性為99.6%；“搶灘”最大可能歸屬于主題20（船長(zhǎng)應(yīng)急處置不當(dāng)），可能性為64%。

經(jīng)過(guò)對(duì)500 組新數(shù)據(jù)集的預(yù)測(cè)結(jié)果的統(tǒng)計(jì)如下。

1）所構(gòu)建的主題模型能夠?qū)⒄Z(yǔ)料庫(kù)中85.6%左右的詞，以60%以上的可能性歸屬到某一主題下。

2）語(yǔ)料庫(kù)中另14.4%左右的詞，主題邊界不明顯，比如“船舶”這個(gè)詞在大部分主題中都有分布，單獨(dú)出現(xiàn)時(shí)難以以較大的可能性明確其主題歸屬。

3）所構(gòu)建的主題模型可以100%地識(shí)別出領(lǐng)域無(wú)關(guān)的詞（如，表9中的“精準(zhǔn)營(yíng)銷(xiāo)”）并自動(dòng)忽略。

4 結(jié)束語(yǔ)

隨著事故調(diào)查報(bào)告數(shù)量的激增，單純依靠人工歸納或傳統(tǒng)的統(tǒng)計(jì)方法已經(jīng)無(wú)法快速有效地對(duì)其內(nèi)容進(jìn)行分析。文本語(yǔ)義挖掘在船舶事故調(diào)查報(bào)告交通安全知識(shí)自動(dòng)提取方面的優(yōu)勢(shì)將越來(lái)越明顯。本研究提出了從詞語(yǔ)和主題2個(gè)層面對(duì)非結(jié)構(gòu)化的船舶事故調(diào)查報(bào)告進(jìn)行語(yǔ)義挖掘的方法，并以100 份自沉事故調(diào)查報(bào)告原因文本為語(yǔ)料進(jìn)行了具體的挖掘研究。

1）在詞語(yǔ)層面，基于PMI算法從船舶自沉事故報(bào)告的原因文本中提取頻繁共現(xiàn)詞，通過(guò)事故原因特征詞的頻繁共現(xiàn)反映出事故致因要素間的關(guān)聯(lián)關(guān)系。

2）在主題層面，使用BTM 算法對(duì)船舶自沉事故原因文本進(jìn)行主題建模，對(duì)隸屬于同一事故原因的詞語(yǔ)進(jìn)行聚類(lèi)，并根據(jù)主題在文檔中的分布情況初步量化出各種事故原因的發(fā)生概率。最后對(duì)所構(gòu)建模型的預(yù)測(cè)能力進(jìn)行了測(cè)試。

船舶事故調(diào)查報(bào)告是水上交通安全領(lǐng)域重要的檔案資料，但是其高度的異構(gòu)性給文本挖掘帶來(lái)了很多困難。為了更好地對(duì)海量事故調(diào)查報(bào)告進(jìn)行挖掘、利用，建議海事部門(mén)進(jìn)一步規(guī)范事故調(diào)查報(bào)告的模板、術(shù)語(yǔ)表達(dá)和存儲(chǔ)格式等，完善船舶事故調(diào)查報(bào)告的元數(shù)據(jù)描述模型。

本研究只抽取了船舶自沉事故調(diào)查報(bào)告中的事故原因分析文本進(jìn)行研究。下一步的研究擬從以下2個(gè)方面展開(kāi)。

1）在進(jìn)一步提高分詞質(zhì)量、增大文本數(shù)據(jù)規(guī)模的基礎(chǔ)上，對(duì)各種類(lèi)型（碰撞、擱淺等）的船舶事故原因文本進(jìn)行綜合挖掘，構(gòu)建事故原因知識(shí)圖譜。

2）抽取事故調(diào)查報(bào)告中的其他部分內(nèi)容進(jìn)行不同角度的挖掘，如，抽取出“事故經(jīng)過(guò)”文本進(jìn)行事件序列模式挖掘，從而揭示出導(dǎo)致船舶事故的行為模式。