建筑施工安全生产过程中积累了大量安全检查纪要、专项安全检查报告和安全事故报告等相关数据,这些数据中隐含着安全隐患和安全事故的重要信息。利用深度学习模型对安全检查纪要文本中的数据进行提取并对进行文本挖掘,可以挖掘出安全隐患的空间分布规律、时间分布规律和强关联规则等信息,这些信息对建筑施工安全管理具有重要的意义。但是用深度学习模型对安全检查纪要进行文本挖掘时,面临着数据集规模小、样本数据分布不均衡、安全隐患类型信息不存在实体等问题。针对上述问题,本文对安全检查纪要进行文本挖掘的主要工作分为三个部分:1、首先,利用基于数据增强的命名实体识别模型对文本数据中安全隐患出现的时间、地点和所属部门等实体进行提取。在该部分,本文提出了一种基于数据增强的命名实体识别模型。该模型不仅实现了扩充数据的自动标注,而且解决了数据增强方法对命名实体造成破坏的问题和样本数据分布不均衡的问题;最终,该模型通过进一步的噪声数据优化和比例参数优化,使模型在一倍扩充数据上的F1值从92.83%提升至97.23%。2、其次,利用基于数据增强的文本分类模型对安全隐患类型信息进行提取。在该部分,本文提出了一种基于数据增强的文本分类模型。该模型利用命名实体分离后的数据,对非命名实体部分进行随机替换操作,使安全检查纪要文本中各类安全隐患问题分布更加均衡;然后,该模型通过噪声数据和比例参数优化进一步提高文本分类效果,使模型在三倍扩充数据上的F1值从86.93%提升至95.92%。3、最后,利用关联算法和可视化工具对提取出的数据进行处理。首先对深度学习模型提取出的数据进行处理,然后利用关联算法和数据可视化工具将提取出的信息和关联规则以直观的方式展现出来,最后对安全隐患问题在时空上的分布规律和关联规则进行分析。结果表明,这些可视化后的数据和强关联规则对安全管理和生产活动具有一定的指导意义,可以使安全管理措施更有针对性,从而提高安全管理的效率。