化学工业作为基石产业在推动我国的经济发展中具有重要的作用,但化学化工事故的频发,也造成了巨大财产损失和人身伤害。因此,采用自然语言处理和知识图谱实现风险可视化,从而减少甚至避免事故的发生。现今关于危险化学品的数据集及相关研究较少,使得从网络上的非结构化文本中抽取知识并构建知识图谱存在很大的困难。本文基于深度学习对此问题进行研究,具体如下:首先,爬取目标危险化学品的数据,获取描述危险化学品风险信息的语句。根据所获语句的特性,将关系作为一种实体,采用命名实体识别技术,实现合并命名实体识别和关系抽取的目的。同时,设计出符合本研究所需要的标注工具,构建危险化学品风险信息数据集。为提升模型的收敛速度,本文优化了平均随机梯度下降算法（Averaged Stochastic Gradient Descent,ASGD）,得到了参数回滚平均随机梯度下降算法（Parameter Rollback Averaged Stochastic Gradient Descent,PR-ASGD）。针对平均随机梯度下降算法在语言模型中需要微调获取更优解和跳出局部最优解能力弱的问题,利用参数回滚方法动态调整模型训练中的学习步长,以增大算法跳出局部最优解的概率,得到更优解,并加速模型收敛。为快速识别出风险信息语句中的实体,本文提出一种基于PR-ASGD与BERT（Bidirectional Encoder Representation from Transformers）的模型。采用PR-ASGD算法使得模型有跳出局部最优解的能力;利用预训练模型BERT获取信息量更为丰富的词向量,并在双向长短期记忆网络（Bidirectional Long Short-Term Memory,Bi LSTM）层后结合自注意力机制层,更深层次的挖掘字符间的语义信息。然后利用该模型对风险信息语句进行信息抽取,获得相应风险信息数据。最后本文构建含有风险信息的危险化学品知识图谱,并设计了知识图谱可视化查询系统。实验结果表明,在Penn Treebank数据集上使用PRASGD算法,AWD-LSTM（Averaged Stochastic Gradient Descent WeightDropped Long Short-Term Memory）模型困惑度为56.26,AWD-LSTM-Mo S（Mixture of Softmaxes）模型困惑度为53.57,对比原模型分别降低1.03%和0.87%;在CLUENER数据集、MSRA数据集、Weibo NER数据集上使用PR-ASGD算法,F1值分别为70.90%、90.54%、56.20%,相较于使用ASGD算法F1值提高了0.4%、0.35%、1.58%;提出的模型在自建的数据集中精确率、召回率、F1值分别为94.03%、95.11%、94.57%,相较其他模型效果更佳。基于危险化学品知识图谱搭建的可视化查询系统,清楚的展示各个实体间的关联关系信息,使人们在查询危险化学品相关性质时结果能够更加直观生动。