摘要
为了解决传统建筑安全事故分析的局限性——这些方法依赖于手动定义的因果关系，需要大量的数据注释，并且难以从中文非结构化文本中识别潜在风险——本研究提出了一种无监督的、数据驱动的框架，称为CESA-Miner，用于挖掘建筑安全事故之间的统计关联模式。该框架采用模块化驱动的关键词优化策略，自动识别出一组稳定的风险相关特征。在此基础上，构建了一个事故风险加权共现网络，其中统计关联通过关键词共现模式和网络社区结构来表示。然后应用社区检测算法来识别事故群及其潜在关系。使用1368份官方建筑事故报告的数据集，结果显示网络模块度从0.173提高到了0.683，表明结构质量和社区可分性显著提高。在缺乏明确真实数据的情况下，使用网络模块度作为代理指标来评估结构质量。与传统基于聚类和嵌入的方法相比，所提出的方法能够生成结构更加清晰的网络社区组织，并为描述事故关系提供了补充的结构感知视角。该框架能够在无需手动注释的情况下对事故文本进行大规模智能分析，为建筑安全领域的潜在风险识别和统计模式分析提供数据驱动的支持。
