网络新闻环境下的城市火灾应急救援能力评价研究

发布时间：2020-07-25 14:05

【摘要】：火灾一直以来便是严重影响人类生命财产安全和社会经济发展的重大灾害。从各项数据可以看出,与我国经济的快速发展相伴随着的是城市火灾发生次数的不断上升。为了降低火灾的损失,首要任务就是对当前火灾应急救援情况进行一个综合的评估,找出不足之处并加以完善,因此快速、全面、准确获取火灾应急救援信息具有非常重要的意义。随着信息和通讯技术的发展,互联网逐渐渗透到人们生产、生活的各个领域,成为知识的重要来源。当今,对新闻事件反应敏捷的网络传播媒体己经大众化,大量的火灾相关信息常以电子文档或新闻报道的形式而存在。因此,相比用传统方法,从基于网络的新闻报道中抽取火灾救援信息具有快速、实时性,一方面公众可以在灾后迅速且直观看到此次救援情况的各项数据,另一方面政府和第三方机构可以立刻掌握一手数据,随时对本市目前火灾救援情况进行评估,与其他城市进行对比,提高火灾应急救援水平。本文针对这一需求,以火灾相关新闻文档信息为语料,借助自然语言处理技术对新闻网页中的火灾属性进行抽取并处理。首先懫用jieba分词对语料进行中文分词;针对地名及火灾领域词汇切分的不足,构建了火灾领域词典,并引入地名词典一同辅助进行分词;运用自然语言处理技术实现火灾各关键时间点、火灾发生地址以及各相关属性的抽取。然后根据抽取的属性进行人工筛选后,结合消防局专业人士的建议以及文献资料的记载,建立了火灾应急救援能力评价模型,并确定了每个指标的主观权重。最后以武汉市、上海市、重庆市为例,利用抽取到的信息确定了火灾应急救援能力评价模型中每个因素的客观权重,并与对应的主观权重结合生成动态权重,采用了AHP方法与模糊综合评价方法相结合的打分方法,对三市的火灾应急救援能力进行了打分。针对打分结果分析了其在火灾救援方面的不足之处。
【学位授予单位】：武汉理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：G206;D631.6;D63
【图文】：

训练语料,标注符号,特征模板,模板

4 CRF++训练语料格二列是自己定义的CRF++训练语料的要定义一个特征式如图 2-5 所示。 CRF++特征模板示两种模板，一种是gram 模板：它所有x[#,#]的含义如下

特征模板,示例,模板

2-5 CRF++特征模板示例义两种模板，一种是 Binigram 模板：它所有特%x[#,#]的含义如下所示d output=B)某一行第一列的字是“回 1。个语料模型总共可以生成据给定的模板文件扩展及其比较

地名,武汉市,“光谷”,分词精度

Jieba 分词作为一种在 python 语言中被广泛使用的分词组件，具备较为理想的分词效果，分词速度快，平均速度能达 1Mb/s，且分词精度较高，但对于某些特定的专业词汇和专有名词则很有可能出现错误。例如中文地名会存在这样几种情况：①地名长度没有严格限制,经常多个地名一起出现，短的如“光谷”,长的如“湖北省武汉市白沙洲大桥”。②地名中经常有以单字形式存在的词,如“白|沙|洲”。③地名有时会出现一些介词、动词、位置词形式的指示词，如“汉口北”。以上这些问题导致了 jieba 分词对中文地名提取困难，造成了分词的准确性降低，以一则武汉市火灾新闻为例，图 5-2 是新闻报道基于未导入用户词典的分词结果：

【相似文献】