铁路突发事件画像,可以为铁路事故原因分析提供数据、为事故救援决策提供依据、为事故责任认定提供参考,对于铁路突发事件救援指导具有重要意义。目前国内外铁路突发事件画像主要采用关键词描述和现场三维数字化画像方法,存在无法结合铁路事件实体与属性,以及无法描述事件关系等问题。针对上述问题,本文采用基于事理图谱的方法,从事件表示与标注、事件及事件关系抽取、事理图谱生成三部分进行研究,实现铁路突发事件的画像,重点研究了铁路突发事件的ABC事件表示模型（REABCO）、基于BIO联合标注的铁路突发事件标注、基于句法依存的显性事件关系抽取、基于融入注意力机制的双向LSTM模型（BERT+Bi-LSTM+Attention+Softmax）的隐性事件关系抽取,最后利用图谱软件Neo4j生成事理图谱。具体内容如下:在铁路突发事件表示和标注方面,构建了针对铁路突发事件的REABCO表示模型并基于BIO联合标注方法对铁路突发事件文本进行标注。首先根据铁路突发事件案例结合突发事件领域中的事件划分定义了铁路突发事件文本中的信息类型,并以此为依据对ABC Ontology事件表示模型加以改进,进一步完善、丰富了事件表示层,从而构建了针对铁路突发事件的事件表示模型REABCO。其次采用基于BIO标注方法,对铁路突发事件文本中的事件实体和触发词联合抽取,并依照词典对实体和触发词进行标注或规范化。最后以微博为首的社交媒体平台上挖掘到的铁路突发事件文本信息作为实验原始数据进行实验,从社交平台非结构化文本中同时识别实体和触发词并抽取出包含这些词的句子,从而实现对铁路突发事件的数据标注。实验结果表明,REABCO作为针对铁路突发事件而改进的表示模型能更好的对铁路事件进行表示,且BIO联合标注能快速、准确的对事件文本进行分类标注,使得铁路突发事件文本可以被计算机识别与分析。在铁路突发事件及事件关系抽取方面,本文针对显性事件关系和隐性事件关系的特点,分别采用了基于句法依存的显性事件关系抽取方法和基于融入注意力机制的双向LSTM模型的隐性事件关系抽取方法。首先通过分析事件句中是否包含关系触发词来区分事件关系的显隐性,然后对存在关系触发词的事件句采用基于句法依存抽取,利用句法依存规则将事件关系抽取任务转化为关键词识别任务,通过事件关系触发词来识别事件关系及事件位置;对包含隐性事件关系的事件句采用神经网络的抽取方法,即采用融入注意力机制的双向LSTM模型进行隐性事件抽取,对事件句采用序列分析,分析事件与事件之间的关系。最后利用经过标注的社交媒体信息进行实验,进行事件关系提取。实验结果表明该方法能准确区分显性事件与隐性事件,并对其包含的事件关系进行识别,从而获得事件及事件关系对。在铁路突发事件事理图谱生成方面,本文采用Neo4j构建事理图谱,Neo4j是一个高性能的图形数据库,通过Neo4j构建铁路突发事件的数据库,可以构建可视化的事理图谱,方便专家查询。本文通过从社交媒体平台采取到信息作为数据源,生成了“3·30”湖南郴州动车脱轨事故事理图谱以及“7·23”甬温线铁路事故。实验结果表明事理图谱能够反映铁路突发事件中的关键信息、事件关系并描述事件发展过程,实现对铁路突发事件的准确画像。研究结果表明:事理图谱的方法能够较好的完成铁路突发事件的画像工作,在展示铁路突发事件主要要素的同时,描述事件间的关系以及铁路突发事件的事件发展过程。且相比其他表示模型,REABCO细分了铁路突发事件,能更好的对铁路突发事件进行表示,从而细化图谱的节点。同时采用句法依存和神经网络的方法能够提高事件抽取的准确性,从而提高图谱的准确性。