史运涛，刘召*，李书钦，刘伟川，董哲

北方工业大学（北京 100144）

对于每年食品抽检产生的几千万条数据，监管机构主要采取传统的人工处理方式，缺乏有效的数据处理手段。由于食品抽检数据的复杂性和无序性，如何有效地利用数据进行风险评估成为食品安全风险领域研究的重要方向。

国内外学者对于食品安全风险的研究主要集中在3个方面。一是食品安全风险评估指标体系，如：沈进昌等[1]建立的进出口食品风险评价体系；刘巍等[2]建立的食品安全评价指标体系。二是食品安全的静态风险评估，如熊志昂等[3]运用AHP方法建立风险评估模型。三是利用机器学习方法对食品安全风险进行评估分析，如：王星云等[4]通过BP神经网络算法，对食品进行分类预判；楼皓等[5]提出基于差分自动回归移动平均和支持向量机（ARIMA-SVM）的食品安全风险预测组合模型；Geng等[6]通过基于分层聚类-径向基函数（AHC-RBF）神经网络，实现对食品安全风险的预测与控制。

现有研究大多是对食品风险进行定性的风险描述，忽略了地域和检测项目等因素对食品风险的影响。另外，也有部分研究将机器学习方法应用到食品安全的风险评估中，但是只能分析食品结构化数据，并且只对食品的合格与否进行分类，使得分类结果较为单一，模型误差较高。

因此，从食品安全风险的复杂性角度进行分析，将知识图谱应用到食品安全风险评估模型中，创新性地将地域和毒害物特征作为食品的外部连接实体，并综合分析三者之间风险特征及风险关系，构建食品安全知识图谱，不仅可以拓展食品检测数据信息，利用节点间关系挖掘更多潜在信息，还可以直观地反映出食品中的耦合风险要素。……