食品安全风险识别与追溯的知识图谱与分层学习框架：以肉类产品为例

《Food Control》：A Knowledge Graph and Hierarchical Learning Framework for Food Safety Risk Identification and Traceability: A Case Study on Meat Products

　　

•解决食品安全标准、流程与检测数据中的碎片化问题
•双层知识图谱将标准与HACCP流程风险相桥接
•分层级联模型提升了长尾风险识别性能
•将风险指标与关键控制点关联，用于风险解读

**引言**

食品安全风险的特征表现为起源复杂、多因素交互以及表现形式多样，这使得在监管和行业环境中准确识别并及时解读食品安全风险模式变得困难（Dou等人，2025年）。在实际操作中，食品安全治理依赖于多个运行于不同抽象层级的信息系统。其中，食品安全标准为产品合规性评估和风险控制提供了正式的法规依据（Liu等人，2024年）。这些标准通常以离散条款的形式表达，定义了检测指标和阈值限值，主要设计用于事后合规性验证（Zhang等人，2018年）。因此，它们很少编码有关危害形成机制、流程依赖性或风险因素间交互的显式信息，这限制了其在上游风险解读和追溯中的直接适用性（Mugadza等人，2025年）。此外，基于数据驱动的食品安全风险模式识别受到检测数据重大局限性的制约。食品抽样检测是确保产品质量和安全的重要手段（Jin & Zhou，2026年）。通过抽样可以发现不合格产品，在一定程度上反映了食品安全风险特征（Li等人，2020年）。然而，抽样数据本质上属于事后结果，只能描述已经发生的不合格情况，难以直接用于预测产品在检测前是否会变为不合格（Chen等人，2022年）。因此，如果在生产前能够明确产品所需的关键标准，并结合历史检测数据识别与已观察到的不合格情况频繁关联的指标，将有助于在生产过程中实现更有针对性的风险控制，并为监管部门优化抽样优先级提供依据。

危害分析与关键控制点（HACCP）作为基于风险分析的食品安全管理体系，可以从生产流程的角度分析潜在危害和关键控制点（CCPs）（Dzwolak & Anim，2025年）。它是一种设计好的流程，有助于识别不同生产阶段中风险的产生和传播途径（Horn等人，2026年）。HACCP捕捉了危害如何通过运营阶段产生和传播，但它依赖于领域专业知识和经验规则，与特定检测指标之间没有直接对应关系（Manning & Grant，2025年）。相反，食品安全标准定义了可测量的结果约束，但未能反映流程层面的风险形成机制（Chen等人，2026年）。因此，尽管这两种知识来源都至关重要，但它们仍然未被关联：标准定义了合规阈值，而HACCP识别流程层面的危害机制，两者之间没有明确的桥接来连接流程起源与法规指标。

知识图谱技术的最新进展为通过建模产品、风险、检测指标和生产流程等实体及其关系来连接分散的信息提供了有前景的途径（An等人，2026年）。Chen等人（Chen等人，2025年）利用PGD-GP构建了一个食品安全标准知识图谱，该模型是一种结合投影梯度下降对抗训练和全局指针的命名实体识别新模型，能够实现精确的实体提取和智能关联查询。Jing等人（Jing & Li，2024年）运用知识图谱技术整合了异构农产品信息，构建了从生产到消费的关联网络，该系统支持整个供应链的追溯查询，实现了从生产到消费的全程质量监控。尽管这些研究已展示了知识图谱在食品安全管理中的价值，但现有的知识图谱通常仅单独表示法规约束或生产信息，很少有研究通过统一的知识图谱明确地将食品安全标准与基于HACCP的流程机制桥接起来。因此，缺乏统一表示制约了流程层面的危害分析与基于标准的合规性指标之间的联系，限制了整合流程风险管理的能力。

除了知识表示之外，基于检测数据进行数据驱动的食品安全风险模式识别也日益受到关注。基于食品安全检测数据集，Sheng等人（Sheng等人，2025年）构建了一个结合条件约束博弈论与自适应集成学习的安全风险评估模型，用于预测复合风险值，该模型展示了强大的拟合能力（在小麦粉和大米数据集上分别为0.996和0.991），并通过风险阈值实现了对不合格产品的有效识别，从而对潜在安全风险进行早期预警。Shi等人（Shi等人，2022年）开发了一种异构图注意力网络，在知识图谱框架内整合了多种食品安全风险指标，包括食品类别、危害和地区，最终基于中国食品检测数据在风险等级预测中取得了91.8%的验证准确率。Yi等人（Yi等人，2023年）开发了TabNet-GRA，将TabNet深度学习与灰色关联分析相结合进行食品安全风险预测，其中由灰色关联分析得出的风险值训练了TabNet模型，该模型优于六个基准模型，并通过熟肉产品风险评估和早期预警应用的案例研究进行了验证。然而，食品检测数据表现出显著的类别不平衡问题，即高频风险项目在样本空间中占主导地位，而低频风险则稀少（Qin等人，2025年）。在这种数据上训练的常规预测模型往往系统性地偏向多数类（Raghuwanshi，2023年）。此外，风险项目按层级组织：微生物污染等大类包含菌落总数等具体检测指标。忽略这一结构特征将进一步影响模型性能。因此，预测方法必须明确考虑类别不平衡和层级风险结构在复杂检测场景中的影响。

总体而言，尽管知识图谱和数据驱动的预测模型在结构化食品安全信息和识别风险模式方面分别展现了各自的优势，但它们整合到一个统一且可解释的风险分析框架中的研究仍很大程度上未被探索。现有的知识图谱通常围绕单一类型的知识构建，如法规标准或生产流程，缺乏明确的跨层语义链接来连接可测量的检测指标与危害形成机制。与此同时，常规风险预测模型通常将不合格项目视为扁平标签，从而忽视了大类风险与具体检测指标之间的层级依赖关系，并且在应对检测数据集中固有的严重类别不平衡问题时力不从心。此外，这两个研究方向一直各自独立推进，没有系统性的方法来桥接风险识别输出与流程层面的追溯知识，使得从检测到的违规追溯到关键生产阶段的端到端推理无法实现。

为弥补这些不足，本研究提出了一个集成知识驱动的框架，将条件风险识别与流程层面的追溯相结合，用于食品安全分析。该框架由三个紧密相连的组件组成。首先，构建了一个双层知识图谱（DLKG），通过将食品安全标准作为约束层与基于HACCP的生产知识作为机制层进行整合。与现有知识图谱不同，DLKG在可测量的检测指标与流程层面的危害之间建立了明确的语义映射，从而实现了从指标到关键控制点及反向的双向推理。其次，开发了一个分层级联集成学习（HCEL）模型，用于从食品安全检测记录中识别不合格信息。认识到食品安全风险的内在层级组织结构，识别任务被分解为两个顺序阶段：粗粒度风险类别识别和细粒度指标级推理。这一设计与扁平分类器有着根本性的不同，因为它明确考虑了风险类别与具体指标之间的语义依赖关系，同时缓解了严重类别不平衡的不利影响。随后，通过检索增强输出模块将风险识别输出与DLKG整合，其中大语言模型（LLM）仅作为知识组织界面。LLM将检索到的图谱知识结构化为连贯的文本解释，而所有风险识别和推理决策完全由HCEL模型和知识图谱控制。通过将风险识别与双层语义网络关联，所提出的框架建立了一条从法规检测指标到潜在生产危害和关键控制点的完整推理链，从而利用数据驱动识别与基于知识的推理的互补优势。

在各种食品类别中，选择肉制品作为本研究的重点，因为它们在国家食品安全评估中具有较高的风险特征（Yu等人，2024年）。肉制品涉及复杂的加工链条，包括原材料处理、热加工、发酵和储存，每个阶段都引入了不同的潜在危害（Liu等人，2020年）。同时，不合格肉制品的检测数据表现出强烈的不平衡性，微生物污染占主要比例（Li等人，2023年）。因此，选择肉制品有助于在具有挑战性的真实食品安全场景中验证集成方法的有效性。

**分节摘要**

**数据来源**

整合了三个维度的多源数据以构建一个全面且绑定的风险分析框架：食品安全标准、生产流程和HACCP数据，以及食品安全抽样和检测数据。具体数据类型如下：

**知识图谱构建与特征**

基于从食品安全标准和HACCP文档中提取的信息，构建了一个双层知识图谱来表示法规约束与生产流程风险。所得图谱包含456个实体和812条关系，图2展示了其在Neo4j中的部分可视化。上层表示源自国家食品安全标准的法规知识，描述了产品类别与检测指标之间的关系。

**结论**

本研究提出了一个集成食品安全风险分析框架，解决了当前研究中的两个根本挑战：法规标准与流程层面风险知识之间的脱节，以及扁平分类器在不平衡、层级结构化检测数据上的局限性。DLKG通过显式的"relates_to_indicator"关系在语义上将食品安全标准与HACCP流程知识桥接起来，实现了从检测指标开始的跨层推理。

**CRediT作者贡献声明**

David I. Wilson：写作——审阅与编辑、方法论、概念构思。Wei Yu：软件、资源。Haohan Ding：写作——审阅与编辑、项目管理、资金获取。Zhiran Liang：写作——原稿、方法论、调查研究、数据整理。Xin Wang：可视化、验证、资源、方法论。Xiaohui Cui：写作——审阅与编辑、概念构思。

**未引用参考文献**

Chen等人，2026年；Chen等人，2025年；Manning和Grant，2025年。

**利益冲突声明**

作者声明没有已知的竞争性经济利益。

**竞争性利益声明**

? 作者声明没有已知的竞争性经济利益或个人关系可能已影响本文所报告的工作。

**致谢**

本研究得到了国家重点研发计划（2024YFE0199500）的支持。

Zhiran Liang | Xin Wang | Xiaohui Cui | David I. Wilson | Wei Yu | Haohan Ding