基于事理图谱的事件推理系统：构建、图算法与工程实践

简介：这是一份面向计算机专业毕业设计及课程设计的基于事理图谱的事件推理系统完整项目，适合正在筹备毕设或希望提升项目实战能力的学生；项目包含全部源码与配套数据，经过严格调试，下载解压后即可运行，可直接作为毕设或大作业使用。压缩包共34个文件，总大小675KB，以Python源码为核心（17个py文件），覆盖事件抽取、事件关系抽取、LTP句法解析、K均值事件向量聚类等关键模块；同时包含HTML/CSS/JS可视化页面、配置文件、说明文档以及csv/txt实验数据。目录按NLP处理、事件抽象、数据爬取、图形存储与交互展示等模块清晰划分，便于阅读与二次开发。目前已有374人学习下载，通过该项目，读者可以完整了解从新闻数据采集、事件结构化表示，到基于事理图谱进行推理与可视化展示的实现链路，既适合论文复现，也适合作为项目实战练手或求职作品。

1. 基于事理图谱的事件推理系统是什么：解压后你能拿到什么，又能推什么

假设你手头有一个毕设压缩包，解压后是熟悉的 src、data、models 三层结构，标题叫“基于事理图谱的事件推理系统”。拆开来看，它要解决的核心问题就一个：让程序读入一批中文事件语料，把“事件”而不是“实体”抽出来，按因果、顺承、条件这类演化关系连成一张有向图；再给定一个已知事件，在这张图上推断最可能发生的后续事件。比如输入“某市连降暴雨”，系统应当能推出“城区内涝 → 交通瘫痪 → 学校停课”这样一条事件链。它和知识图谱最大的区别在节点含义：知识图谱的节点是人、公司、产品，事理图谱的节点是“事”。这套方案适合自然语言处理与图算法方向的毕设起步，也适合想从零跑通一个带数据、带源码的完整项目的开发者——数据齐全这一点，能省掉你大半的预处理时间。

2. 事件在图里怎么存：节点定义、边类型与数据文件组织

拿到这类压缩包，我一般不会先读算法源码，而是先打开 data 目录。原因很简单：事理图谱项目的绝大部分工作量和风险都在数据上，字段齐不齐、关系表能不能对上事件表，直接决定后面推理能不能跑通。标题里“全部数据”四个字是这个包最值钱的地方——很多毕设代码能跑，但数据是私有的，换成你手里的语料就全崩；这里有成品数据，至少能让你先看到一张完整的图，再决定从哪一步开始改。

2.1 事理图谱与知识图谱的分界：节点是“事”不是“物”

很多人一听说图谱就默认是知识图谱，这是入门时最容易绕晕的地方。知识图谱的典型三元组是“实体—关系—实体”，比如“华为—总部位于—深圳”，“中兴—竞争对手—华为”；事理图谱的三元组则是“事件—演化关系—事件”，比如“美国对华为制裁升级—导致—华为手机海外销量下滑”。节点从“物”换成“事”，图的语义就从“谁和谁有关”变成了“什么事之后会发生什么事”，这正是事件推理需要的结构。

事件节点的常见字段一般是这几个：

• event_id：节点主键，关系表通过它关联事件；
• event_text：事件的自然语言描述，比如“国际油价持续上涨”；
• trigger_word：触发词，也就是把事件从句子里“钓”出来的关键词，如“上涨”“导致”；
• event_type：事件类型，常见的有因果、顺承、状态变化、决策类；
• subject / object：事件的主语和宾语论元，用于事件规范化时的比对；
• time：事件发生时间，如果语料带时间戳会非常有用，后面验证推理效果时要靠它。

边类型通常不会太多，做毕设的话四类就够：

边默认带一个 weight 字段，表示这条演化关系的置信度。因果链的语义衔接是靠“边类型 + 权重”两个属性共同表达的，推理排序时权重是主要依据。

2.2 数据目录里通常有哪些文件：事件表、关系表、语料与成品图

我见过不少类似的毕设包，数据目录的组织方式大同小异。你大概率会看到下面几类文件：

relations.csv 是最容易出错的一张表：它的 source_id 和 target_id 必须严格对应 events.csv 里的 event_id，哪怕漏了一个映射，建出来的图就会出现悬空边。我一般拿到数据后第一件事，不是跑训练，而是把两张表读进来做一个外键校验，同时顺手把图构建出来。下面这段是标准操作：

import pandas as pd import networkx as nx # 事件表与关系表，注意 Windows 下导出的 csv 经常带 BOM，用 utf-8-sig 更稳 events = pd.read_csv("data/events.csv", encoding="utf-8-sig") relations = pd.read_csv("data/relations.csv", encoding="utf-8-sig") G = nx.DiGraph() # 先加节点，把事件属性挂到节点上 for _, row in events.iterrows(): G.add_node( row["event_id"], text=row["event_text"], trigger=row.get("trigger_word", ""), etype=row.get("event_type", ""), ) # 再加边，source 指向 target 表示演化方向 for _, row in relations.iterrows(): G.add_edge( row["source_id"], row["target_id"], relation=row["relation_type"], weight=float(row["weight"]), ) print("事件节点数:", G.number_of_nodes()) print("演化关系数:", G.number_of_edges()) print("边类型分布:", dict(nx.get_edge_attributes(G, "relation")))

这段代码的逻辑分四步：读 csv、加节点、加边、打印图的基本统计。参数上要注意三点：第一，encoding 用 utf-8-sig 而不是 utf-8，因为很多 Windows 下生成的 csv 会带 BOM，直接用 utf-8 读第一列列名会多出一个不可见字符；第二，row.get("trigger_word", "") 这种写法是为了容错，如果 events.csv 里恰好没有这个字段，不会整个脚本崩掉；第三，边权重读进来必须转 float，不然后面第 4 章算路径得分时字符串会直接报错。如果数据目录里已经有 event_graph.graphml，更省事的做法是一行nx.read_graphml()，不需要自己从 csv 拼。

2.3 事件规范化：把“股价下跌”和“股市暴跌”合并成一个节点

这是事理图谱项目里最容易被忽视、却决定推理质量的一步。语料是原始文本，“股价下跌”“股市暴跌”“大盘走低”描述的是同一个事件，但在事件抽取阶段会被当成三个不同节点入库。后果就是图变得稀疏：推理“股价下跌”的后继事件时，因为它的边太少，什么都推不出来；可查“股市暴跌”却能推出东西。两套说法明明指同一件事，推理结果却天差地别。

常见做法是给事件文本做向量化，再用相似度做合并。毕设阶段不需要上 BERT，TF-IDF 加权词向量就够了：

from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.metrics.pairwise import cosine_similarity events = pd.read_csv("data/events.csv", encoding="utf-8-sig") texts = events["event_text"].tolist() vec = TfidfVectorizer( token_pattern=r"[\u4e00-\u9fa5]{2,}", # 只保留中文二字词以上，过滤标点和单字 max_features=5000, ) X = vec.fit_transform(texts) sim = cosine_similarity(X) sim_threshold = 0.9 merged_groups = {} # 代表事件 id -> 同组事件 id 列表 node_to_group = {} # 每个事件 id -> 被合并到的代表事件 id for i in range(len(texts)): if i in node_to_group: continue group = [i] for j in range(i + 1, len(texts)): if sim[i, j] >= sim_threshold: group.append(j) for idx in group: node_to_group[idx] = i merged_groups[i] = group print("合并前事件数:", len(texts)) print("合并后事件组数:", len(merged_groups))

这段代码的核心是“以第一个未分组事件为代表，把和它相似度超过阈值的全部拉进同一组”。两个参数决定合并效果：sim_threshold一般取 0.85 到 0.95 之间，调太紧合并不了多少节点、调太松会把“油价上涨”和“股价上涨”这种不同事件错误归一；max_features是向量维度上限，语料大时设 5000 足够，设太大内存先扛不住。调参前我会先跑一版sim.describe()看相似度分布，再定阈值，不拍脑袋。

3. 从原始语料到事理图谱：事件抽取、关系识别与建图管线

上一章解决的是“图怎么存”，这一章解决“图从哪来”。完整管线通常是：原始语料 → 分句 → 事件抽取 → 事件规范化 → 事件关系识别 → 建图落盘。毕业设计里，事件抽取一般不上全监督模型，因为手工标注事件论元太贵，时间不允许。常见做法是“触发词词典 + 正则模式”做召回，想冲高分再在触发词命中的片段上接一个 LSTM+CRF 做论元识别。下面按这套折中方案展开。

3.1 事件抽取：触发词加窗口模式，不硬上 BERT

事件抽取的目标是从一句或一段话里把事件描述切出来。“中东局势紧张导致国际油价上涨”这句话里，至少有两个事件：“中东局势紧张”和“国际油价上涨”，前一个是因、后一个是果。用 BERT 做序列标注当然更准，但你需要构造标注数据、调训练流程，对毕设来说性价比不高。我一般先用触发词把句子里的关键位置全部找出来，再以触发词为中心截取上下文窗口：

import re TRIGGER_DICT = [ "导致", "引发", "造成", "使得", # 因果触发词 "随后", "紧接着", "然后", # 顺承触发词 "爆发", "下跌", "上涨", "宣布", # 状态与决策触发词 "关闭", "启动", "制裁", "抗议", # 领域触发词 ] def extract_events(sentence, window=20): events = [] for trig in TRIGGER_DICT: for m in re.finditer(trig, sentence): start = max(0, m.start() - window) end = min(len(sentence), m.end() + window) fragment = sentence[start:end].strip() # 过滤过短的碎片，避免把标点当事件 if len(fragment) >= 4: events.append({ "trigger": trig, "event_text": fragment, "pos": m.start(), }) return events doc = "中东地区局势紧张导致国际油价持续上涨，随后全球股市震荡。" for ev in extract_events(doc): print(ev["trigger"], "->", ev["event_text"])

这段代码的输出会是“导致 -> 中东地区局势紧张导致国际油价持续上涨”“随后 -> 国际油价持续上涨，随后全球股市震荡”这类窗口片段。两个关键参数：window控制上下文窗口大小，常见做法是前后各取 20 个字符，窗口太小事件不完整，太大又会把两个相邻事件混在一起；TRIGGER_DICT是召回上限的来源，几十个词的词典根本不够用，我的习惯是扩充到 300 个以上，并且按领域攒词——“制裁”“抗议”这类词不写进去，就永远抽不出政治经济类事件。排在第一位的是把re.finditer的结果按pos排序，不然同一个句子多次触发时顺序是乱的，后面做因果对匹配会错位。

3.2 事件关系识别：显式因果标记与 PMI 共现两种做法

事件抽出来之后，要判断两个事件之间是什么关系。常用的有两类做法，显式和隐式。

显式做法靠连接词，句子只要出现“导致”“使得”“随后”，前后两个事件片段就是一对候选关系。正则抽取虽然简单，但在四类边里对 cause 和 next 的召回非常有效。隐式做法靠共现统计：两个事件在同一个文档或同一条新闻里反复一起出现，即使没有连接词，也说明它们存在演化关联。PMI（点互信息）是衡量这种共现强度的标准指标。

from collections import defaultdict import math def extract_causal_pairs(sentence, doc_events): """ doc_events: 本句/本文本里已抽取出来的事件列表， 每个事件至少包含 event_text 和 trigger 两个字段。 """ pairs = [] patterns = [ (r"(.{2,20})导致(.{2,20})", "cause"), (r"(.{2,20})使得(.{2,20})", "cause"), (r"(.{2,20})随后(.{2,20})", "next"), ] for pattern, rel in patterns: for m in re.finditer(pattern, sentence): cause_text = m.group(1).strip() effect_text = m.group(2).strip() cause = find_event(cause_text, doc_events) effect = find_event(effect_text, doc_events) if cause and effect: pairs.append((cause, effect, rel)) return pairs def pmi_score(co_occur, event_freq, n_docs, e1, e2): p_xy = co_occur[(e1, e2)] / n_docs p_x = event_freq[e1] / n_docs p_y = event_freq[e2] / n_docs if p_xy == 0 or p_x == 0 or p_y == 0: return 0.0 return math.log(p_xy / (p_x * p_y))

找find_event的实现不复杂：把 doc_events 里的 event_text 和传入片段做最长公共子串匹配，重合度超过 70% 就认为是同一个事件。patterns里的{2,20}是论元的长度约束，太短匹配到虚词，太长会把整句话吞进去，这个范围是经验值。PMI 的计算逻辑里，co_occur是“事件对共现次数”字典，event_freq是单个事件出现次数，n_docs是总文档数。当两个事件完全独立时 PMI 趋近于 0，独立负相关时是负数；建图时我一般只保留 PMI 大于 0 的事件对，负相关的边不仅没意义，还会把推理结果带偏。

3.3 边权重聚合与图谱落盘：把关系写进有向图

关系识别产出的是一堆“事件对 + 关系类型 + 得分”的三元组，但同一个事件对可能会被多条语料反复触发。比如“暴雨→内涝”在 50 篇新闻里都出现，如果不聚合，图里就有 50 条平行边，路径推理时权重会被重复计算，结果虚高。所以建图的最后一步必须做边聚合，再统一落盘：

def build_graph_from_pairs(all_pairs, events_df): G = nx.DiGraph() # 先加所有事件节点 for _, row in events_df.iterrows(): G.add_node(row["event_id"], text=row["event_text"]) # 聚合相同起终点的边：权重累加，关系类型取出现次数最多的那个 edge_weight = defaultdict(float) edge_rel = defaultdict(list) for src, dst, rel in all_pairs: edge_weight[(src, dst)] += 1.0 edge_rel[(src, dst)].append(rel) for (src, dst), w in edge_weight.items(): rel = max(set(edge_rel[(src, dst)]), key=edge_rel[(src, dst)].count) G.add_edge(src, dst, relation=rel, weight=w) # 中文节点名用 graphml 更稳，gml 对中文兼容性差 nx.write_graphml(G, "output/event_graph.graphml", prettyprint=True) return G

聚合逻辑是“同一起终点的边，权重累加，关系类型投票取多数”。defaultdict(float)是为了避免手动判断 key 是否存在的繁琐写法，defaultdict(list)则是为了收集所有候选关系类型。落盘格式我通常选 graphml 而不是 gml：gml 对中文节点名和历史版本函数的兼容性太差了，graphml 是 XML 格式，中文、特殊字符都能稳定读写，这个选择能帮你避开后面一大半报错。

4. 图上的推理实现：路径搜索、Personalized PageRank 与邻接矩阵传播

图谱建好之后，事件推理本质上就变成了图算法问题。给定一个已知事件节点，要找的是“接下来最可能发生什么”。这个目标在图上对应两种思路：一种是显式地找路径，把因果链一条条列出来；另一种是隐式地做扩散，让种子事件的影响顺着边传播到全图，最后按得分排序。前者的结果可以解释，后者的排序更平滑。下面三个做法由浅入深，都是毕设里能直接用、答辩时能讲清楚的主流方案。后面代码默认变量 G、seed_event_id 都来自第 2、3 章的构建结果。

4.1 多跳路径推理：从已知事件找 Top-K 条未来事件链

最直观的推理就是“顺着有向边往下一路走”。给定“暴雨”这个种子事件，看它的一跳后继有“内涝”，二跳后继有“交通瘫痪”，三跳后继有“学校停课”。做法是用 DFS 或 BFS 做多跳展开，路径得分按边权重累乘或累加。我习惯用“累乘 + 汇聚”：同一后继节点可能从多条路径到达，就把多条路径的得分加起来，这样既保留了多条证据链的贡献，又不会重复计一条边。

def infer_future_events(G, seed_event_id, max_depth=3, top_k=10): scores = {} def dfs(node, depth, path_score=1.0): if depth == 0: return for nxt in G.successors(node): w = G[node][nxt].get("weight", 1.0) new_score = path_score * w scores[nxt] = scores.get(nxt, 0.0) + new_score dfs(nxt, depth - 1, new_score) dfs(seed_event_id, max_depth) return sorted(scores.items(), key=lambda x: x[1], reverse=True)[:top_k] for eid, score in infer_future_events(G, "E001", max_depth=3, top_k=10): print(eid, G.nodes[eid]["text"], round(score, 4))

这段代码的核心是递归里的两个参数：max_depth控制推理链长度，毕设项目里设 3 是合理的，超过 3 跳后事件链的解释力会断崖式下跌；top_k控制最终返回的事件数，设 10 够用。需要注意，有向图里几乎一定有环，“A 导致 B、B 又导致 A”并不少见，深度限制恰好能兜住环的问题，不会无限递归。路径得分用乘法会让长链得分指数级变小，这是符合直觉的——三跳以后的事件本身就比较遥远，排序靠后是正常的。

4.2 图上扩散：用 Personalized PageRank 给每个节点打分

路径搜索的问题是：它只会沿着边一路走到底，遇到边稀疏的区域就直接断了。PageRank 的思路正好反过来——它不是散步，而是把种子事件的“影响力”像热源一样在整个图上扩散，最后每个节点得到一个稳定得分，得分高低就是事件发生可能性的排序。Personalized PageRank（个性化 PageRank）在标准 PageRank 基础上把种子节点作为一个偏置项，让扩散结果始终围绕已知事件展开：

# 把已知事件作为种子，只有这个节点在 personalization 里有非零分 personalization = {seed_event_id: 1.0} pr_scores = nx.pagerank( G, alpha=0.85, personalization=personalization, weight="weight", max_iter=100, tol=1e-6, ) ranked = sorted(pr_scores.items(), key=lambda x: x[1], reverse=True)[:10] for eid, score in ranked: print(eid, G.nodes[eid]["text"], round(score, 6))

这里最值得调的两个参数是alpha和personalization。alpha是阻尼因子，标准值是 0.85，含义是“每一步有 85% 的概率继续沿边游走，15% 的概率跳回种子事件”。它越大，扩散范围越广，结果越依赖图的整体结构；它越小，结果越集中在种子附近。如果推理结果老是跑出和种子毫无关系的热门事件，把alpha降到 0.75 左右能明显拉回相关性。personalization字典的值会被函数内部归一化，不需要手工凑成概率分布，但注意它只影响种子节点的初始偏置，不要把多个事件都塞进去当“多事件联合推理”，那是另一套做法。

4.3 邻接矩阵传播：把图谱转成矩阵做迭代演化

如果答辩时想显摆一点，可以把同样的事用矩阵形式再做一遍。把事理图谱转成邻接矩阵，按出度归一化，然后反复做矩阵乘法模拟扩散。这一步在概念上就是 Python 里最经典的“构建邻接矩阵 + 迭代传播”，看懂了它，也就看懂了 PageRank 是怎么收敛的：

import numpy as np nodes = list(G.nodes()) idx = {n: i for i, n in enumerate(nodes)} # 转邻接矩阵，nodelist 保证矩阵行和列的节点顺序一致 A = nx.to_numpy_array(G, nodelist=nodes, weight="weight", dtype=float) # 按出度归一化，避免度数大的节点把分数吸走 row_sum = A.sum(axis=1, keepdims=True) row_sum[row_sum == 0] = 1.0 # 叶子节点除零保护 A_norm = A / row_sum # 种子向量：只有种子节点为 1 seed_vec = np.zeros(len(nodes)) seed_vec[idx[seed_event_id]] = 1.0 # 迭代传播：state = alpha * (state @ A_norm) + (1 - alpha) * seed_vec state = seed_vec.copy() alpha = 0.85 for _ in range(20): state = alpha * (state @ A_norm) + (1 - alpha) * seed_vec top_idx = np.argsort(state)[::-1][:10] for pos in top_idx: print(nodes[pos], G.nodes[nodes[pos]]["text"], round(state[pos], 6))

这段代码把图算法还原成了两行数学运算：state @ A_norm是让当前分数沿边传出去，(1 - alpha) * seed_vec是每个事件都保留一部分对种子的记忆。迭代 20 次已经足够收敛到与 4.2 节接近的排序结果。参数上，row_sum[row_sum == 0] = 1.0这行尤其重要，事理图谱里一定会存在只有入边、没有出边的事件节点，不处理除零警告和 NaN 会直接污染排序结果。这个实现的优点是每一步都可打印、可画图、可解释，调迭代次数看分数变化也是答辩时很好用的演示材料。

5. 避坑与排查：跑事件推理系统最容易翻车的五个坎

前面四章讲的是顺利路径，这一章讲血泪经验。事理图谱项目翻车点非常集中，而且大部分和模型无关，全是数据、编码、词典、版本这些细节。每一条我都按“现象 → 原因 → 解决”写，你可以直接拿来当排错手册。

5.1 解压后别急着跑：先核对这三样

现象：按 README 里的命令跑python src/main.py，几秒钟后直接抛 FileNotFoundError，或者数据读进来是空表，脚本停在中途。原因：压缩包里路径写的是data/events.csv，但你的工作目录不在项目根目录下；或者环境里缺了关键依赖，比如没装sklearn、networkx。解决：先做三件小事——确认当前工作目录，在脚本开头打印os.path.abspath(".")和文件是否存在；用pip install networkx pandas numpy scikit-learn jieba把依赖一次性装上；再看 data 目录里有没有成品图文件（如 event_graph.graphml），有的话优先用它验证推理流程，而不是一上来重跑整个抽取管线。我发现九成跑不通的项目，问题都出在这一步，和数据本身无关。

5.2 中文编码不一致：csv、控制台、脚本各用一个编码

现象：pd.read_csv("data/events.csv")读出来后，event_text列显示一堆乱码；或者把事件文本print到 Windows 控制台时变成???；再或者用nx.read_gml读图文件时直接解析报错。原因：数据文件是在 Windows 下用 Excel 导出的，编码是gbk或带 BOM 的utf-8；脚本里默认按纯utf-8读，两边对不上；Windows 控制台默认代码页又是cp936，即使数据读对了也打印不出中文。解决：读 csv 时优先用encoding="utf-8-sig"，发现乱码就换成"gbk"；控制台执行chcp 65001切到 UTF-8 代码页；涉及图文件时，不要碰 gml 的中文兼容性问题，直接用 graphml。这三处统一成 UTF-8，能消掉八成的乱码问题。

5.3 触发词词典太薄：图谱稀疏到推理不出路径

现象：语料读进来，事件抽取跑了一整晚，最后events.csv里只有一两百个事件，图谱里大量节点只有出边没有入边，用哪个种子事件推理，结果列表都是空的或只有一跳。原因：触发词词典只有学校 PPT 里那几个例子，“导致”“引发”“上涨”，对真实语料的召回率低得可怜；没有触发词命中，后续关系识别和建图全是无米之炊。解决：把触发词扩充到 300 到 500 个，按类型分组维护——因果类、顺承类、状态类、领域决策类。我有一个笨但有效的验收口径：处理一万条文本，至少应抽到两三千个事件，达不到就继续加词。如果你是租用现成语料做实验，先统计“每万条文本触发词命中次数”，这个指标低于预期就不着急优化模型，先把词典做厚。

5.4 事件节点拆得过细：同一事件多种表述导致推理链断裂

现象：图谱里“股价下跌”“股市暴跌”“大盘走低”各自成节点，关系表里它们各有各的边。查“股价下跌”的后继事件是空，查“股市暴跌”却能推出完整链条；实际两句话在语料里经常描述同一个事。原因：事件规范化没做或阈值设得太紧，只做了字面完全匹配，“下跌”和“暴跌”在字面上没有任何交集，等于被当成两个完全无关的事件。解决：回到第 2.3 节的向量相似度合并，把sim_threshold从 0.95 往 0.85 方向调，同时维护一个同义触发词映射表（上涨/攀升/走强等价，下跌/暴跌/走低等价），在抽取阶段就把事件文本里的触发词统一替换后再入表。合并后观察节点数下降比例，一般降 20% 到 40% 是正常的，降太少说明阈值太紧。

5.5 networkx 版本迁移与内存：API 报错和大图卡死

现象：用nx.read_gml读文件报 UnicodeDecodeError；调用nx.pagerank提示weight参数不识别；图构建完成后，一跑推理电脑风扇狂转，几分钟不出结果。原因：networkx 2.x 到 3.x 之间部分接口行为变了，网上抄的代码和你的版本不匹配；图太大且包含大量低价值孤立子图，全图跑 PageRank 时空间和时间都会被无谓消耗。解决：先print(nx.__version__)确认版本，3.x 下优先用read_graphml和write_graphml；推理前把度数为 0 或 1 的节点从子图里过滤掉，这类节点对传播几乎没有贡献，却能成倍拖慢矩阵运算；路径推理的max_depth不要超过 4。图算法的坑一般不是选型错，是输入太大，裁剪之后再跑，速度差异会非常明显。

6. 把推理结果从“能跑”变成“可信”：新事件映射与时间切分验证

推理脚本能跑通只是第一步，毕设答辩和实际使用真正关心的是：给一个没见过的新事件，系统能不能推出来。这引出一个被很多人忽略的问题——新事件的文本和图里的节点文本几乎不可能完全一致，直接拿它当seed_event_id查图，会得到空结果。解决办法是做一个事件映射层：把新事件文本向量化，和图里所有节点算余弦相似度，取 top5 节点投票，得票最高的节点就作为推理起点。

from sklearn.metrics.pairwise import cosine_similarity def map_new_event_to_node(new_text, node_texts, node_ids, vec_model, top_k=5): new_vec = vec_model.transform([new_text]) sims = cosine_similarity(new_vec, vec_model.transform(node_texts)).flatten() top_indices = sims.argsort()[::-1][:top_k] # 加权投票：相似度即为票重 votes = {} for idx_pos in top_indices: node_id = node_ids[idx_pos] votes[node_id] = votes.get(node_id, 0.0) + sims[idx_pos] return max(votes, key=votes.get)

注意这里必须复用第 2.3 节里训练好的同一个TfidfVectorizer，不能新建一个重新 fit，否则向量空间不一致，相似度全是错的。top_k设 5 是因为图谱节点本身有冗余，只取最相似的 1 个容易被孤立节点误导，取 5 个投票能增强鲁棒性。

验证方面，如果语料带时间字段，我建议做一次时间切分而非随机切分：把前 80% 时间的事件用来建图，后 20% 的事件当验证集。对验证集里每个事件，用上述映射找到图节点，从它出发做第 4 章的推理，看推理结果里是否包含该事件在语料中真实发生的下一个事件。统计 Top-10 命中率，命中率能稳定在 0.3 以上，这个推理系统就具备可用性了。我当年第一次跑通这类项目时最深的教训是：不要急着调模型，先把事件抽取的召回率和图谱稀疏度这两个前置指标拿在手里，图谱是空的，再漂亮的推理算法都是在空图上空转。希望帮到你。

本文还有配套的精品资源，点击获取