文章详情

摘要

校园安全管理系统在隐患登记环节通常面临分类体系复杂、操作效率低下等问题，严重影响使用效果和数据质量。文章以上海某区校园安全隐患分类标准为例，针对传统分类方式存在的查找困难、误判率高等问题，提出一种基于BERT模型的隐患分类智能推荐方法。系统利用预训练语言模型对安全隐患描述进行语义向量化，并通过与标准分类向量计算相似度，实现隐患类别的自动推荐。在200多项标准分类中，系统平均响应时间低于0.2 s，准确率达77.5%，该环节效率提升500%以上，单次隐患登记整体时间减少42%。实验结果表明，该方法显著优化了隐患登记流程，提升了分类准确率和用户使用积极性，为校园安全管理的智能化提供了有力支持。

关键词

校园安全；BERT；隐患分类；ONNX；自然语言处理

参考文献

1. [1] DEVLIN J，CHANG M W，LEE K，et al. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding [C]//Conference on the North American Chapter of the Association for Computational Linguistics: Human Language Technologies.Minneapolis：Association for Computational Linguistics，2019：4171-4186.
2. [2] ONNX社区.ONNX：开放神经网络交换格式 [EB/OL].[2025-06-16].https://github.com/onnx/onnx.
3. [3] Hugging Face. bert-base-chinese：基于BERT架构的中文预训练语言模型 [EB/OL].[2025-06-15].https://huggingface.co/bert-base-chinese.
4. [4] Meta Corporation. PyTorch Documentation [EB/OL].[2024-06-15].https://pytorch.org/docs/stable/index.html.
5. [5] Microsoft Corporation. ML.NET教程[EB/OL].[2025-07-06].https://learn.microsoft.com/zh-cn/dotnet/machine-learning/tutorials/.
6. [6] 陈二静，姜恩波.文本相似度计算方法研究综述 [J].数据分析与知识发现，2017，1（6）：1-11.
7. [7] SUN C，QIU X P，XU Y G，et al. How to Fine-Tune BERT for Text Classification? [J/OL].arXiv:1905.05583 [cs.CL].[2025-07-01].https://arxiv.org/abs/1905.05583.
8. [8] Hugging Face. Transformers: The Model-definition Framework for State-of-the-art Machine Learning Models in Text, Vision, Audio, and Multimodal Models, for Both Inference and Training [EB/OL].[2025-07-01].https://github.com/huggingface/transformers.
9. [9] scikit-learn developers. Scikit-learn: Machine Learning in Python [EB/OL].[2025-06-20]. https://scikit-learn.org/.
10. [10] Scikit-learn Developers. Sklearn.Metrics. Accuracy_Score [EB/OL].[2025-06-22].https://scikit-learn.org/stable/modules/generated/sklearn.metrics.accuracy_score.html.

作者简介

吴灏（1977—），男，汉族，上海人，助理研究员，硕士，研究方向：应用开发、网络安全、校园安全。