虽然知识图谱已广泛应用于各个领域，但在煤矿安全方面，尤其在煤矿井下不安全行为方面的研究较少。构建了一种自底向上的煤矿井下不安全行为知识图谱。首先，采用传统机器学习和深度学习算法相结合的方法进行命名实体识别，采用RoBERTa(Robustly Optimized BERT Pretraining Approach)进行词语向量化，采用双向长短时记忆网络(BiLSTM)对向量进行标注，提高网络模型对上下文特征的捕捉能力，通过多层感知机(MLP)解决煤矿井下不安全行为数据集数据量不足的问题，采用条件随机场(CRF)模型来解决前面存在的单词关系不识别问题，并捕获全文信息和预测结果。其次，根据语句的结构特点，设计了基于知识“实体-关系-实体”三元组的依存句法树结构，对井下不安全行为领域的知识资源进行知识抽取与表示。最后，构建面向井下不安全行为的知识图谱。实验结果表明，① RoBERTa-BiLSTM-MLP-CRF模型对于导致结果、违反性行为、错误性行为及粗心性行为4类实体类别具有较好的识别效果，其准确率分别为86.7%、80.3%、80.7%、77.4%。② 在相同的数据集下，RoBERTa-BiLSTM-MLP-CRF模型训练的准确率、召回率、F1值较RoBERTa-BiLSTM-CRF模型分别提高了1.6%，1.5%，1.6%。

0引 言
1相关理论方法
1.1自顶向下的知识图谱构建方法
1.2自底向上的知识图谱构建方法
2基于煤矿井下不安全行为知识图谱构建方法
2.1数据的获取、预处理
2.2实体识别
2.2.1 RoBERTa模型
2.2.2 BiLSTM模型
2.2.3 MLP模型
2.2.4 CRF模型
2.2.5 RoBERTa-BiLSTM-MLP-CRF模型
2.2.6 模型评估标准
2.3 关系抽取
2.4 知识融会
2.5 知识存储
3 实验结果与分析
3.1 模型参数设置
3.2 实体识别结果展示分析
3.3 知识图谱构建结果
4 结论