审计知识图谱的自动化构建——基于实体关系抽取的方法改进.pdfVIP

DOI：10．19641/j．cnki．42-1290/f．2025．10．005

审计知识图谱的自动化构建

——基于实体关系抽取的方法改进

徐超（博士生导师），刘子硕，周立云（正高级审计师），黄佳佳（副教授）1121

【摘要】本文聚焦于非结构化审计文本的智能分析，通过优化OneRel模型架构，创新性引入审计语义特征处

理机制，形成审计实体关系抽取（Audit-OneRel）模型，突破了传统实体关系识别技术瓶颈。实验采用DuIE通用

数据集与面向审计领域的指令评测数据集进行双重验证，发现改进模型对复杂文本的三元组提取能力显著增强。

研究表明，改进模型通过结构化特征增强与审计领域的语义适配性，能有效提升审计知识图谱的构建质量，为风

险预警与决策分析提供可靠数据支撑。基于上市公司财务数据的案例实证表明，该模型在审计线索发现与异常关

联识别方面具有实践优势，为推进审计智能化转型提供了创新路径。

【关键词】审计知识图谱；实体关系抽取；OneRel；改进模型

【中图分类号】F239；TP391【文献标识码】A【文章编号】1004-0994（2025）10-0034-6

一、引言二、文献综述

随着信息技术的迅猛进步和数字化转型的进一步深1.实体关系抽取。当前基于深度学习的实体关系抽

化，审计领域正经历深刻变革，面临着数据量激增和类型取主要采用监督学习模型，可进一步分为管道模型和联

多样化的挑战。传统审计方法难以处理海量、多样化的合模型。管道模型将任务分为命名实体识别和关系提取

文本数据，亟需新的工具以提升审计效率和准确性。知两个子任务，虽已具备优秀性能，但存在级联误差传播、

识图谱作为一种高效的知识表示和推理工具，能够整合信息丢失和信息冗余等问题（Li和Ji，2014）。为解决这些

审计过程中的相关信息，揭示数据内在联系，为审计决策问题，联合模型集成了两个子任务，有效利用了实体对和

提供智能化支持。然而，审计数据多以非结构化文本形关系之间的交互信息，性能优于管道模型（任乐等，

式存在，如何将其转化为结构化数据以形成知识结构，是2023）。

亟待解决的问题。实体关系抽取作为知识图谱构建的关在联合抽取模型中，Miwa和Bansal（2016）提出的基

键技术，能够自动化地从大规模非结构化文本中准确抽于端到端树形结构的联合学习模型采用参数共享方式，

取知识结构。然而，审计文本具有独特的语言特点和专改善了管道模型的结构问题，但仍非完全同步提取，存在

业术语，且包含大量背景信息和上下文依赖，增加了实体着子任务之间相对的先后顺序。随后的“多模块—单步

关系抽取的难度。如何在保证准确性和效率的前提下，骤”模型，如Sui等（2020）的集合预测模型和Wang等

设计适用于审计文本的实体关系抽取模型，成为当前审（2021）的UniRE填表模型，进一步提高了抽取性能，但

计知识图谱构建面临的重大挑战。仍存在模块间错误传播的问题。Shang等（2022）提出的

本文通过对比分析不同算法的特点和性能，揭示实OneRel模型将关系提取转化为细粒度的三分类问题，一

体关系抽取在审计领域面临的挑战和机遇，并提出针对步提取三元组，解决了管道模型的问题，但该模型针对的

性的改进策略和优化方案。通过设计适用于审计文本的是通用英文的实体关系抽取任务，若应用到中文审计文

实体关系抽取模型，实现高效率、高质量地构建审计知识本上，仍需进行针对性改进。

图谱，为审计行业提供智能化、精准化的决策支持，推动在文本特征提取方面，Wang等（2022）从BERT中提

审计行业的转型升级和可持续发展，为企业在大数据时取实体—关系类型，结合位置感知的语义角色注意机制

代背景下的风险管理提供有力保障。构建新模型。Zhao等（2023a）结合卷积神经网络（CNN）

【基金项目】国家自然科学基金项目（项目编号62472227）；江苏省高校自然科学研究