近年来频发的食品安全风险事件对我国食品安全事业的发展带来了巨大的压力,当下有关食品安全的情报分析以及研判预警已经成为食品安全监督、管理的关键环节,合理的防控机制可以有效提高食品安全的整体态势。在信息高速交互的时代,数据来源主要趋向于网络化和数字化,数据结构也变得复杂多样,数据之间的关联性尤为隐蔽而不易觉察。面对错综复杂的食品海量数据信息,传统的情报研判技术已经无法满足其需求,因此本文运用机器学习等方法构建智能化的食品安全情报研判模型,从而提高食品监管部门对食品安全的情报研判能力。首先,利用关联规则、BP神经网络等机器学习方法,通过分析大量的食品抽检数据,建立适用于不同食品安全问题场景下的情报分析模型。利用Hash技术改进关联规则算法对食品抽检数据属性进行关联碰撞分析,使其挖掘出三个不同场景下,食品安全抽检数据中潜在的情报规则,并通过分析相应的情报制定对应的行动措施,对食品安全的监督管理工作具有重要的指导意义;利用BP神经网络方法,学习肉类食品属性信息与检测结果之间的内在联系,从而预测食品的质量状态,并将预测结果作为食品安全抽检工作的先验情报,可以辅助监管部门制定有效的食品安全抽检计划,提高抽检工作的效率。其次,利用知识图谱技术对食品抽检数据进行知识建模,根据“食品名称-生产省份-生产时间-生产企业-检测毒害物-监管部门-抽检结果”等一系列情报链条,确定知识图谱的实体、关系以及属性,构建食品安全知识图谱,并将其存储在Neo4j图数据库中,不仅可以将食品信息间的关联关系通过可视化的方式展现,还可以实现各类食品信息的统计分析、实体分类以及关系路径搜索等情报分析任务。最后,根据食品抽检数据,分析出影响食品安全的主要风险因素,构建食品安全综合风险指标体系。然后,创新性的将知识图谱引入到食品风险研判模型中,基于指标体系确定“食品-地域-毒害物”之间的风险特征和风险关系,进一步构建食品安全风险知识图谱。再通过引入图神经网络中的注意力机制,提出一种基于知识图谱注意力网络的食品安全风险研判模型,最后以真实食品抽检样品为例进行模型训练,模型准确率达91.8%,可以实现对食品安全风险等级的精确预测。并将风险预测结果作为情报信息进行研判分析,根据不同的风险态势制定对应的风险防控措施,可以为食品抽检工作提供一定决策依据和技术支持。