皮爾達偉斯·巴吐爾，劉 捷,2*

（1.西南交通大學(xué)計算機與人工智能學(xué)院，成都 611756；2.可持續(xù)城市交通智能化教育部工程研究中心，成都 611756）

0 引言

網(wǎng)絡(luò)信息內(nèi)容治理已成為國家戰(zhàn)略的重要部分，“網(wǎng)絡(luò)信息內(nèi)容生態(tài)治理規(guī)定”明確了網(wǎng)絡(luò)信息內(nèi)容治理在治理目標、主體、客體、過程、工具5 個方面的核心要義［1］。近年來，在國鐵企業(yè)信息化治理過程中，借助人工智能的AI+內(nèi)容安全技術(shù)能夠高效發(fā)現(xiàn)問題，但在發(fā)現(xiàn)違規(guī)和風(fēng)險問題之后，如何及時識別事件類別、判斷風(fēng)險級別、定位響應(yīng)部門、決策應(yīng)急預(yù)案仍然缺乏研究。劉鐵民［2］指出突發(fā)事件情景構(gòu)建是當前公共安全領(lǐng)域最前沿科學(xué)問題之一，采用“情景-應(yīng)對”的理論與方法，是國內(nèi)外公共安全領(lǐng)域近年來提出的一種行之有效的科學(xué)手段。本文基于“情景-應(yīng)對”模型和知識圖譜，提出了一種面向鐵路領(lǐng)域在線客服內(nèi)容違規(guī)和風(fēng)險的應(yīng)急管理系統(tǒng)和方法。

1 違規(guī)和風(fēng)險應(yīng)急管理研究現(xiàn)狀

朱世強等［3］指出知識圖譜等技術(shù)的發(fā)展，能夠加速將內(nèi)容安全治理向自動化、智能化、高效化、精準化方向推進，并建議建立健全合法有效的監(jiān)管機制和人工智能內(nèi)容安全標準體系。王建亞等［4］對網(wǎng)絡(luò)信息內(nèi)容安全風(fēng)險進行研判和特征分析，將網(wǎng)絡(luò)信息內(nèi)容安全分為9類，分析了每種風(fēng)險的內(nèi)涵和表現(xiàn)，并對各類型風(fēng)險進行了場景化解構(gòu)。白文琳等［1］按照戴明環(huán)PDCA 循環(huán)思路，同時將治理目標、主體、客體、過程、工具等政策要素全部納入，設(shè)計了“PDCA-五維要素”治理行動邏輯。范維澄等［5］提出了公共安全體系的三角形模型，突發(fā)事件及其應(yīng)對中存在三個主體：突發(fā)事件、承災(zāi)載體、應(yīng)急管理。張輝等［6］在面向國家應(yīng)急平臺體系的基礎(chǔ)科學(xué)問題和集成平臺研究中突出了“情景-應(yīng)對”型決策的重要性。郭世剛等［7］研究了突發(fā)事件應(yīng)急決策方法等演變，將現(xiàn)有決策模型分為經(jīng)驗直覺法、“預(yù)測-應(yīng)對”模型、“情景-應(yīng)對”模式三類。仲秋雁等［8］基于知識元構(gòu)建了非常規(guī)突發(fā)事件情景模型。王寧等［9］提出了一種基于應(yīng)急案例的情景決策支持方法。吳艷華等［10?11］研究了“情景-應(yīng)對”模型在鐵路領(lǐng)域的應(yīng)用。

2 情景模型設(shè)計

在本文創(chuàng)建鐵路領(lǐng)域在線客服違規(guī)和風(fēng)險管理知識圖譜過程中，在客服平臺和相關(guān)網(wǎng)站和公眾號采集近年來在客服違規(guī)方面發(fā)生過的案例，再通過網(wǎng)上檢索到的案例對各個實體的屬性進行保存，通過整合來構(gòu)建鐵路在線客服違規(guī)的事件庫。本文創(chuàng)建的情景模型如圖1所示。

圖1 情景模型

其中，事件（Event）實體是用來存儲所有事件的實體，在識別出鐵路在線客服內(nèi)容違規(guī)和風(fēng)險后，都存儲在這里，是整個情景模型的主體。用此實體來創(chuàng)建情景表的主體，通過各種屬性來充實事件實體的各個知識內(nèi)容，此實體的實體父類為情景，與形式為不相交的類，并且沒有添加其他的公理等描述。事件的實例是整個事件的承載者。

將鐵路客服過程中產(chǎn)生的事件實例采集到Protégé 中，如圖2 所示。通過對事件的屬性：事件id、事件類型名稱、事件發(fā)生原因、對象、事件發(fā)生時間來對應(yīng)一個唯一的事件，如圖3所示。

圖2 Protégé中的事件實例

圖3 Protégé中事件的對象屬性和數(shù)據(jù)屬性示例

形式（Form）實體是鐵路在線客服違規(guī)的形式，鐵路客服違規(guī)通常有多個形式，比如一個事件是文章中所采用的圖片是其他公司所注冊的，此事件的形式就被定義為圖片侵權(quán)。事件和形式實體是構(gòu)建情景表的主體成分，形式實體與事件實體同屬于情景實體父類。此實體的不相交實體為事件。此實體包含的實例包括公眾號文章錯誤，公告消息違規(guī)等形式的實例，這些實例構(gòu)成了事件的形式的集合，將具有相同形式性質(zhì)的事件打包成一個形式，方便應(yīng)對措施采取的統(tǒng)一性。

在應(yīng)急事件發(fā)生的過程中，將事件中的相似類型抽象歸納于一起，形成客服違規(guī)事件對應(yīng)的形式，例如，圖片侵權(quán)相關(guān)、公告消息違規(guī)、隱私信息采集告知、公眾號文章錯誤、外部網(wǎng)站發(fā)布、客服無法聯(lián)系、投訴無門、無法線上退票、字體侵權(quán)、客服態(tài)度惡劣、非實名購票、app崩潰、客服誤導(dǎo)乘客等。在Protégé中創(chuàng)建形式的實例如圖4所示，圖5展現(xiàn)了主要的數(shù)據(jù)屬性（形式id、形式名稱）和對象屬性（形式_措施、形式_風(fēng)險識別）。

圖4 Protégé中的形式實例

圖5 Protégé中形式的對象屬性和數(shù)據(jù)屬性示例

將唯一的事件id 和形式id 以事件_形式的關(guān)系形成聯(lián)系，將事件歸合為一個形式，通過形式再來確定所應(yīng)該采取的應(yīng)急解決方案。

風(fēng)險識別（Risk Identification）實體是鐵路在線客服違規(guī)后，通過識別風(fēng)險的等級來確定事件所帶來的影響，根據(jù)影響的程度來劃分事件的風(fēng)險優(yōu)先級，再根據(jù)事件的優(yōu)先級來確定事件的處理順序。此方法能夠讓事件處理更加有序，通過風(fēng)險識別來大大縮小事件的影響程度。風(fēng)險識別的屬性包含：風(fēng)險類別名稱、風(fēng)險類別id、優(yōu)先級、響應(yīng)速度、影響程度，如圖6所示。風(fēng)險識別實體是應(yīng)對計劃中的重要一環(huán)，確定事件的等級，其父類為情景，與事件、形式實體為不相交的類。沒有添加其他的公理等內(nèi)容。此實體包含的實例包括了風(fēng)險級別1、風(fēng)險級別2、風(fēng)險級別3。這些實例中保存了事件的解決順序和帶來影響的數(shù)據(jù)信息，對事件出現(xiàn)時，能快速、準確、有序地解決事件起到關(guān)鍵作用。

圖6 Protégé中風(fēng)險識別實例的數(shù)據(jù)屬性示例

在鐵路領(lǐng)域客服違規(guī)事件發(fā)生的初期，能充分地掌握事件（E）、形式（F）、風(fēng)險識別（R）等信息，一個事件（E1）通過各個屬性來判斷事件形式（F1），通過事件的事件id（E1）屬性對應(yīng)一個事件的形式id（F1），以記為（E1?F1）的事件_形式關(guān)系來表示具體事件E1的對應(yīng)形式F1。

通過得到的事件所屬形式，來確定事件所歸屬的形式，進而確定一個形式所對應(yīng)的風(fēng)險識別中的風(fēng)險等級，通過確定的形式id（F1）對應(yīng)風(fēng)險類別id（R1），從而從關(guān)系形式_風(fēng)險識別來對應(yīng)，記為（F1?R1）。通過事件、形式、風(fēng)險識別的對應(yīng)關(guān)系可得知事件的明確信息為（E1?F1?R1），某事件的詳細情景通過這些關(guān)系構(gòu)建出來。

3 應(yīng)對模型設(shè)計

事件的事件集合表示為（事件、形式、風(fēng)險識別），也可以將事件集對應(yīng)事件的情景集合，再通過各個實體的數(shù)據(jù)屬性來使知識的表示更加詳細。將事件的應(yīng)對策略創(chuàng)建為事件的應(yīng)對集，即為（措施、方案），并以這些應(yīng)對策略中的數(shù)據(jù)屬性將措施的具體行使方式和措施完成后對后續(xù)存在的問題進行精化的解決方式。本文創(chuàng)建的應(yīng)對模型如圖7所示。

措施（Measure）是與事件、形式、風(fēng)險識別所構(gòu)成的情景相對應(yīng)的應(yīng)對過程的主體內(nèi)容，措施擁有措施名稱、措施id、部門等數(shù)據(jù)屬性。能夠明確采取措施的響應(yīng)部門，確定了措施在行使的過程是由什么部門來進行，使得分工明確且能夠通過對事件的處理來評定部門的績效。此實體包含的實例包括了取消票的效益并要求乘客實名購票、告知隱私信息采集風(fēng)險等實例，這些實例集合成了事件應(yīng)對集的快速響應(yīng)的解決措施，是直接解決事件的第一步的手段集合。

圖8 Protégé中措施的對象屬性和數(shù)據(jù)屬性示例

確定事件的具體情景模型的詳細信息后，對情景模型創(chuàng)建應(yīng)對的模型，通過形式與措施的關(guān)系屬性形式_措施來確定事件的應(yīng)對策略，從措施的數(shù)據(jù)屬性措施id來確定形式（F1）的對應(yīng)的措施（M1），將形式和措施形成的關(guān)系形式_措施關(guān)系記為（F1?M1），以此關(guān)系來確定形式為F1的事件所應(yīng)采取的措施為M1，反向的推理可以推理出事件的完整關(guān)系，事件E1 的形式為F1.形式名稱，此形式風(fēng)險等級為R1.風(fēng)險類別名稱，所應(yīng)采取的措施為M1.措施名稱的應(yīng)對策略。針對每一個不同事件、形式、風(fēng)險識別的過程有不同的應(yīng)對策略進行匹配。

方案（Scheme）是指對事件措施的后續(xù)補充，方案包括：方案名稱、方案id、方案內(nèi)容、完成速度，如圖9 所示。方案內(nèi)容是對事件采取的措施的后續(xù)補充，措施完成后，對后續(xù)相關(guān)的部門進行補救，完整地將事件完成，對后續(xù)的影響進一步進行完整的措施；方案中的完成速度是指方案在實行的過程中應(yīng)該采取的執(zhí)行速度，執(zhí)行的速度應(yīng)不低于方案中規(guī)定完成速度。此實體包含的實例包括外部網(wǎng)站發(fā)文方案、客服違規(guī)方案等一系列方案的實例，這些實例可以用來做措施完成后的后續(xù)安排，讓事件的影響逐步消除，直到影響完全消除為止。

圖9 Protégé中的方案實例

在情景-應(yīng)對模型構(gòu)建基礎(chǔ)完成后，對措施進行進一步的擴張，因為單純的措施無法完成對事件的后續(xù)處置的完善，通過擴展的方案可以完善對事件措施的支援，然后通過措施和方案的關(guān)系，將措施M1 和方案S1 聯(lián)系起來，將兩者之間的聯(lián)系記為M1?S1。所以事件的整體聯(lián)系為E1?F1?R1和F1?M1?S1。

通過對事件、形式、風(fēng)險識別、措施和方案的詳細分析，充分明確了事件的形式和風(fēng)險級別，通過這些明確的信息來確定采取措施，和措施完成后的后續(xù)方案的響應(yīng)主體。這為進一步深入分析事件的應(yīng)急事件處理打下了基礎(chǔ)。

4 鐵路領(lǐng)域在線客服違規(guī)和風(fēng)險管理知識圖譜應(yīng)用實例

本文的主題是鐵路客服違規(guī)和風(fēng)險管理知識圖譜，而且要運用到情景應(yīng)對模型，所以在此基礎(chǔ)上創(chuàng)建知識圖譜的實體，需根據(jù)知識圖譜一般構(gòu)建方法，先構(gòu)建并識別出鐵路風(fēng)險管理知識圖譜中的實體，再確定各個實體之間的聯(lián)系，定義實體之間的屬性，然后根據(jù)實體之間的聯(lián)系再進行鐵路領(lǐng)域知識圖譜數(shù)據(jù)的抽取、融合和存儲。

4.1 Protégé構(gòu)建知識圖譜

本文構(gòu)建鐵路領(lǐng)域在線客服和風(fēng)險管理知識圖譜采用了Protégé 軟件來進行設(shè)計，知識來自于鐵路在線客服平臺的案例抽取，抽取案例的平臺如圖10所示。

圖10 案例平臺示例

本文創(chuàng)建的鐵路領(lǐng)域在線客服違規(guī)內(nèi)容和風(fēng)險管理知識圖譜中一個完整的關(guān)系實例如圖11所示。

圖11 知識圖譜中完整的實例

Protégé 還提供了圖顯示的功能，此功能可將Protégé 所構(gòu)建的知識圖譜本體所有的內(nèi)容通過圖的形式顯示出來，如圖12所示。

圖12 知識圖譜可視化

4.2 Neo4j導(dǎo)入和檢索知識圖譜

將Protégé 里所創(chuàng)建的鐵路領(lǐng)域客服違規(guī)與應(yīng)急風(fēng)險管理的知識圖譜本體存儲到Neo4j，就要用到Neo4j 的擴展性包neosemantics。在經(jīng)過Neo4j 內(nèi)置操作語句的修改后，將其顯示為最后的實體名稱。導(dǎo)入結(jié)果如圖13所示。

圖13 Neo4j圖數(shù)據(jù)展示內(nèi)容

Neo4j 中采用了基于路徑的圖索引，基于這種索引所創(chuàng)建的GraphGrep 是一種典型的圖索引。例如：match（n:‘ns0__事件’）return n。此語句可以輸出所有事件的實例，如圖14所示。

圖14 事件查詢

在圖數(shù)據(jù)庫中還可以利用復(fù)雜語句，通過各個實例間所形成的關(guān)系來對擁有關(guān)系的數(shù)據(jù)進行查詢，如圖15所示。

圖15 查詢示例

match data=（n:‘ns0__事件’｛‘ns0__事件類型名稱’：‘a(chǎn)pp 異常’｝）-［r:‘ns0__事件_形式’］-（m:‘ns0__形式’）return data。所表示的實際含義為事件類別名稱為app異常的事件所屬的形式是哪個，從圖中可看出事件app 異常的形式為app崩潰的形式。

4.3 Neo4j中違規(guī)事件的應(yīng)用示例

為驗證本文所提出的基于案例的應(yīng)急事件處理辦法，對事件客服平臺圖片侵權(quán)的案例進行情景-應(yīng)對模型的驗證。首先是此事件集（事件id：1，形式id：1，風(fēng)險類型id：1），應(yīng)對集（形式id：1，措施id：1，方案id：1）。此事件的基本表述為E（客服平臺圖片侵權(quán)），事件所對應(yīng)的形式為F（形式名稱：圖片侵權(quán)相關(guān)），此類形式F所對應(yīng)的風(fēng)險識別R1（風(fēng)險類別名稱：風(fēng)險等級1），R1 的優(yōu)先集為低，影響程度為有損信譽，應(yīng)該盡快解決，所采取的措施M（措施名稱：撤回信息），措施M所對應(yīng)的方案為S（方案名稱：侵權(quán)方案），此方案所采取的方式為對侵權(quán)的圖片、字體等進行整改，對侵權(quán)的機構(gòu)進行道歉，此方案要求的完成速度為不多于1天。

5 結(jié)語

國鐵企業(yè)信息化治理過程中，如何借助知識圖譜等人工智能技術(shù)將內(nèi)容安全治理向自動化、智能化、高效化、精準化方向推進，具有重要的意義。本文結(jié)合知識圖譜和“情景-應(yīng)對”模型，提出了一種面向鐵路領(lǐng)域在線客服內(nèi)容違規(guī)和風(fēng)險的應(yīng)急管理方法。并采用Protégé和Neo4j進行了知識抽取、知識存儲、和知識應(yīng)用。并最終以客服平臺圖片侵權(quán)的案例對該方法進行了驗證，該方法能夠較好地輔助鐵路領(lǐng)域在線客服內(nèi)容違規(guī)和風(fēng)險的應(yīng)急管理。