来源：期刊VIP网 时间：
作者：杨超宇1;黄大卫2
单位：1.安徽理工大学人工智能学院;2.安徽理工大学经济与管理学院
摘要：煤矿安全风险辨识文本包含丰富的风险特征描述与专家经验知识，深入挖掘这些文本对实现风险等级预测具有重要价值。针对风险辨识文本存在小样本、短文本及语义复杂问题，提出了一种融合类别描述与增强嵌入的煤矿安全风险预测模型。该方法在句子级嵌入维度对文本进行数据增强，有效扩充训练样本；通过构建风险类别描述引入煤矿领域知识，并利用注意力机制对风险类别描述进行动态融合，为煤矿安全风险样本补充专业知识；使用双向长短期记忆(Bidirectional Long Short-Term Memory, Bi-LSTM)网络与Mamba算法对原始文本特征进行深度提取，获取煤矿文本复杂情境下的核心特征；最后使用动态门控机制融合各模块特征，输出预测结果。研究表明，该模型在小规模煤矿风险辨识数据集上准确率和F_1均有不错的表现，可基于煤矿安全风险辨识文本为煤矿安全风险等级预测提供支持。
关键词：安全工程;风险预测;煤矿安全;小样本;短文本;数据增强;特征融合
基金资助：国家自然科学基金项目(52227901)
