長期以來，勘察設(shè)計企業(yè)積累了大量的項(xiàng)目成果經(jīng)驗(yàn)數(shù)據(jù)，傳統(tǒng)的成果管理通常是采用圖檔庫、文檔庫等形式進(jìn)行管理，只能初步滿足文件查找和借閱，缺乏挖掘項(xiàng)目知識的發(fā)現(xiàn)、關(guān)聯(lián)、參考、創(chuàng)新的知識平臺?？辈煸O(shè)計企業(yè)知識系統(tǒng)建設(shè)應(yīng)以提高經(jīng)營能力、管理、生產(chǎn)效率為目標(biāo)，以提升項(xiàng)目質(zhì)量水平為中心，以利用先進(jìn)的IT技術(shù)、科學(xué)的規(guī)劃、理性的投入、務(wù)實(shí)的建設(shè)、高效的運(yùn)用為根本宗旨，服務(wù)于生產(chǎn)、服務(wù)于一線員工。系統(tǒng)建設(shè)需要對企業(yè)內(nèi)信息知識進(jìn)行分析，處理各信息數(shù)據(jù)之間的關(guān)系，打破原有邏輯并進(jìn)行整合及充分挖掘可利用信息，利用信息技術(shù)對數(shù)據(jù)信息進(jìn)行統(tǒng)一整合、深度挖掘、高效組織再利用，加速企業(yè)快速成長?；诖?，依據(jù)行業(yè)特點(diǎn)，本文就勘察設(shè)計企業(yè)如何利用知識圖譜技術(shù)對大量的項(xiàng)目數(shù)據(jù)進(jìn)行知識抽取、知識融合、知識存儲和知識服務(wù)，對海量項(xiàng)目信息特征進(jìn)行提取、處理、管理、分析和判斷，并結(jié)合構(gòu)建勘察設(shè)計企業(yè)知識庫的實(shí)踐和探索提出了思考。

知識圖譜概述

隨著人工智能的發(fā)展以及對知識需求的急劇增加，知識圖譜在工業(yè)界和學(xué)術(shù)界備受關(guān)注。知識圖譜的概念由Google公司于2012年提出，特指用于提升搜索引擎性能的知識庫。廣義的知識圖譜泛指各類知識庫項(xiàng)目。知識圖譜將各類信息、數(shù)據(jù)和鏈接關(guān)系聚合為知識，是大數(shù)據(jù)環(huán)境下知識的有效組織方法。各類大規(guī)模知識圖譜在智能搜索、智能問答、智能推薦、情報分析、反欺詐、社交網(wǎng)絡(luò)、金融、醫(yī)療、電商以及教育科研等領(lǐng)域發(fā)揮了重要作用。

知識圖譜技術(shù)經(jīng)歷了語義網(wǎng)絡(luò)、描述邏輯和本體論等發(fā)展階段。當(dāng)前主流的表達(dá)方式為W3C制定的資源描述框架(Resource Description Framework，RDF)和網(wǎng)絡(luò)本體語言(Web Ontology Language，OWL)等標(biāo)準(zhǔn)語言。在形式上，知識圖譜由相互連接的實(shí)體和其屬性構(gòu)成，通常表達(dá)為網(wǎng)絡(luò)結(jié)構(gòu)。知識圖譜中包含了多種類型的實(shí)體（節(jié)點(diǎn)）和多種類型的連接關(guān)系（邊），構(gòu)成了知識網(wǎng)絡(luò)。

知識圖譜構(gòu)建過程如圖1所示，主要包括信息抽取和知識融合過程。知識圖譜主要分為自頂向下(top-down)和自底向上(bottom-up)兩種構(gòu)建方式。自頂向下指的是先為知識圖譜定義好本體與數(shù)據(jù)模式，再將實(shí)體加入到知識庫；自底向上指的是從一些開放鏈接數(shù)據(jù)中提取出實(shí)體，選擇其中置信度較高的加入到知識庫，再構(gòu)建頂層的本體模式。由于自頂向下的構(gòu)建方式需要利用一些現(xiàn)有的結(jié)構(gòu)化知識庫作為其基礎(chǔ)知識庫，目前大多數(shù)知識圖譜都采用自底向上的方式進(jìn)行構(gòu)建[1]。

本體構(gòu)建與實(shí)體關(guān)系抽取

本體構(gòu)建

本體是對特定領(lǐng)域中的概念及其相互關(guān)系的形式化表達(dá)，是同一領(lǐng)域不同主體進(jìn)行交流、連通的基礎(chǔ)，其相鄰層節(jié)點(diǎn)之間具有嚴(yán)格的從屬關(guān)系。本體構(gòu)建的方法主要包括TOVE法、Methontology方法、骨架法、IDEF-5法和七步法等。建立行業(yè)知識圖譜應(yīng)從具備行業(yè)特征的數(shù)據(jù)中進(jìn)行選取和甄別，如專用名詞、行業(yè)術(shù)語、常用參數(shù)、行業(yè)專有定義等。

實(shí)體關(guān)系抽取

關(guān)系是對實(shí)體之間鏈接的描述，實(shí)體關(guān)系抽取可選用多個模型實(shí)現(xiàn)，BI-GRU+Att模型為一種常用模型，模型可以完成文本信息中實(shí)體的關(guān)系抽取任務(wù)。模型結(jié)構(gòu)如圖2所示。

其中，門控循環(huán)單元(GRU)網(wǎng)絡(luò)是循環(huán)神經(jīng)網(wǎng)絡(luò)的一種變體，可以有效克服循環(huán)神經(jīng)網(wǎng)絡(luò)無法很好處理遠(yuǎn)距離依賴的問題。而注意力機(jī)制可以增大關(guān)鍵詞的注意力權(quán)重，使得神經(jīng)網(wǎng)絡(luò)更關(guān)注與關(guān)鍵詞相關(guān)的上下文信息[2]。

圖1 知識圖譜構(gòu)建過程

圖2 BI-GRU + Attention 模型

圖3 混凝土結(jié)構(gòu)的實(shí)體與關(guān)系

圖4 實(shí)體與關(guān)系示例格式

圖5 知識抽取結(jié)構(gòu)圖

圖6 混凝土性能信息抽取示例

圖7 知識融合結(jié)構(gòu)圖

勘察設(shè)計企業(yè)特點(diǎn)的本體庫

在知識圖譜中，本體庫是用于管理知識圖譜的模式層，用來描述概念層次體系，是知識圖譜中知識的概念模板，通過本體庫形成的知識圖譜層次結(jié)構(gòu)分明、冗余度小。圖3為示例說明，表示了混凝土結(jié)構(gòu)實(shí)體和其他實(shí)體的關(guān)系。

其中，性能檢驗(yàn)、強(qiáng)度檢驗(yàn)等菱形圖標(biāo)是混凝土結(jié)構(gòu)的方法，混凝土是混凝土結(jié)構(gòu)的上位詞，混凝土結(jié)構(gòu)后錨固是混凝土結(jié)構(gòu)的下位詞，混凝土抗壓強(qiáng)度為相關(guān)詞。方法、上位詞、下位詞、相關(guān)詞表示的是實(shí)體之間的相互關(guān)系。

在構(gòu)建知識庫過程中，可以通過導(dǎo)入方式，將已有數(shù)據(jù)導(dǎo)入到知識庫中（圖4）。

知識抽取

知識抽取，是指整合項(xiàng)目相關(guān)文檔，包括項(xiàng)目設(shè)計圖紙、咨詢方案、設(shè)計方案、計算書、環(huán)境影響報告等，從項(xiàng)目所屬文檔數(shù)據(jù)中提取各種信息，形成知識（結(jié)構(gòu)化數(shù)據(jù)）并存入知識庫中。信息抽取可按來源分為三種：結(jié)構(gòu)化數(shù)據(jù)抽取、非結(jié)構(gòu)化數(shù)據(jù)抽取、半結(jié)構(gòu)化數(shù)據(jù)抽?。▓D5）。

結(jié)構(gòu)化數(shù)據(jù)是指類似于關(guān)系庫中表格形式的數(shù)據(jù)，它們各項(xiàng)之間往往存在明確的關(guān)系名稱和對應(yīng)關(guān)系。因此，可以簡單地將其轉(zhuǎn)化為RDF或其他形式的知識庫內(nèi)容[3]。

勘察設(shè)計行業(yè)數(shù)據(jù)大部分是非結(jié)構(gòu)化信息，非結(jié)構(gòu)化數(shù)據(jù)的信息抽取一般是指從自然語言文本中抽取指定類型的實(shí)體、關(guān)系、事件等事實(shí)信息，并形成結(jié)構(gòu)化數(shù)據(jù)輸出。非結(jié)構(gòu)化數(shù)據(jù)抽取，主要包括實(shí)體識別與抽取、實(shí)體消歧、關(guān)系抽取、事件抽取等。圖6為從非結(jié)構(gòu)化文本中抽取的混凝土性能相關(guān)信息。

知識融合

知識融合，即合并兩個知識圖譜，基本的問題都是研究如何將來自多個來源的關(guān)于同一個實(shí)體或概念的描述信息融合起來。

勘察設(shè)計行業(yè)從不同維度可以細(xì)分出很多內(nèi)部行業(yè)，如民用與工業(yè)建筑、市政和交通、電子和機(jī)械等，各個行業(yè)既有相同又有差異，如何將不同的信息融合建立統(tǒng)一的企業(yè)知識庫，這是知識融合需要解決的問題之一。

知識融合有不同的稱謂，如本體對齊、本體匹配、實(shí)體對齊等，但其本質(zhì)工作是一樣的。此項(xiàng)功能通常由一些特定的工具來完成。Falcon-AO就是一個自動的本體匹配系統(tǒng)，它可以將RDF(S)和OWL所表達(dá)本體進(jìn)行匹配，其結(jié)構(gòu)如圖7所示。

匹配算法庫包含V-Doc、I-sub、GMO、PBM四個算法。其中，V-Doc即基于虛擬文檔的語言學(xué)匹配，是將實(shí)體及其周圍的實(shí)體、名詞、文本等信息作一個集合形成虛擬文檔，使用者就可以用TD-IDF等算法進(jìn)行操作。I-Sub是基于編輯距離的字符串匹配，I-Sub和V-Doc都是基于字符串或文本級別的處理，之后更進(jìn)一步就有了GMO，它是對RDF本體的圖結(jié)構(gòu)上做的匹配。PBM則是基于分而治之的思想做的匹配。計算相似度的組合策略如圖8所示。

首先經(jīng)由PBM進(jìn)行分而治之，后進(jìn)入到V-Doc和I-Sub，GMO接收兩者的輸出做進(jìn)一步處理，GMO的輸出連同V-Doc和I-Sub的輸出經(jīng)由最終的貪心算法進(jìn)行選取。

知識融合適用于一家勘察設(shè)計企業(yè)涉及到多個細(xì)分領(lǐng)域情況下構(gòu)建企業(yè)知識庫，可以將多個細(xì)分行業(yè)的知識有機(jī)融合在一起[3]。

企業(yè)知識庫存儲

構(gòu)建知識圖譜型知識庫涉及到的數(shù)據(jù)通常為關(guān)系型數(shù)據(jù)、知識圖譜數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)。因此，知識圖譜型知識庫通常采用關(guān)系型數(shù)據(jù)庫、圖數(shù)據(jù)庫與文件數(shù)據(jù)庫相結(jié)合的方式存儲在服務(wù)器中。

關(guān)系型數(shù)據(jù)庫

知識本體結(jié)構(gòu)可以存儲于關(guān)系型數(shù)據(jù)庫中，知識本體采用“實(shí)體-實(shí)體-關(guān)系”結(jié)構(gòu)進(jìn)行存儲。

圖數(shù)據(jù)庫

通常采用圖數(shù)據(jù)庫存儲圖譜數(shù)據(jù)，圖數(shù)據(jù)庫源起圖理論(graph theory)，也稱為面向/基于圖的數(shù)據(jù)庫（Graph Database）。圖數(shù)據(jù)庫的基本含義是以“圖”這種數(shù)據(jù)結(jié)構(gòu)存儲和查詢數(shù)據(jù)。它的數(shù)據(jù)模型主要是以節(jié)點(diǎn)和關(guān)系來體現(xiàn)，也可以處理鍵值對。它的優(yōu)點(diǎn)在于能夠快速解決復(fù)雜的關(guān)系問題（圖9）。

圖8 計算相似度組合策略圖

圖9 圖數(shù)據(jù)庫

Jena是一個支持構(gòu)建語義網(wǎng)絡(luò)和數(shù)據(jù)連接的應(yīng)用框架，是當(dāng)前常用的應(yīng)用框架。其中，最底層的是數(shù)據(jù)庫，包含SQL數(shù)據(jù)庫和原生數(shù)據(jù)庫，SDB用來導(dǎo)入SQL數(shù)據(jù)庫，TDB導(dǎo)入RDF三元組。數(shù)據(jù)庫之上是內(nèi)建的和外聯(lián)的推理接口，再上層是SPARQL查詢接口。通過直接使用SPARQL語言或通過REfO等模塊轉(zhuǎn)換成SPARQL語言進(jìn)行查詢。圖數(shù)據(jù)庫很多，其中開源的如RDF4j、gStore等，商業(yè)數(shù)據(jù)庫如Virtuoso、AllegroGraph、Stardog等，原生圖數(shù)據(jù)庫如Neo4j、OrientDB、Titan等[3]，在建立知識庫時可以根據(jù)實(shí)際情況進(jìn)行選擇。圖10為建筑設(shè)計知識圖譜存儲示例，圖11為暖通專業(yè)實(shí)體及關(guān)系存儲示例。

圖10 建筑設(shè)計知識圖譜存儲示例

圖11 暖通專業(yè)實(shí)體及關(guān)系存儲知識圖數(shù)據(jù)示例

圖12 文件數(shù)據(jù)庫架構(gòu)

文件數(shù)據(jù)庫

文件數(shù)據(jù)庫通常采用分布式存儲管理系統(tǒng)對圖片、文檔、視頻等文件數(shù)據(jù)進(jìn)行存儲。文件存儲系統(tǒng)是一種高性能分布式文件系統(tǒng)，可提供系統(tǒng)化、安全化、智能化、云存儲化、自動化的存儲平臺，具有海量存儲、持續(xù)擴(kuò)容、文件加密解密、支持大規(guī)模數(shù)據(jù)讀取、故障自動恢復(fù)、擁有管理應(yīng)用平臺、提供容災(zāi)備份與數(shù)據(jù)同步機(jī)制等特點(diǎn)。文件數(shù)據(jù)庫實(shí)現(xiàn)架構(gòu)如圖12所示，包括了文件存儲服務(wù)器存儲實(shí)體文件，索引服務(wù)器存儲文件索引，緩存服務(wù)器緩存常用數(shù)據(jù)提高系統(tǒng)反應(yīng)速度，應(yīng)用服務(wù)器對外提供服務(wù)，配置管理服務(wù)器提供調(diào)度、日志等系統(tǒng)管理功能。

文件數(shù)據(jù)庫根據(jù)知識數(shù)量的多少，可由一臺或者多臺硬件服務(wù)器組成，在支持企業(yè)知識庫文件存儲的同時，可以實(shí)現(xiàn)對大數(shù)據(jù)系統(tǒng)的支持，做到一個系統(tǒng)、多種用途。

企業(yè)知識庫的應(yīng)用

企業(yè)知識庫的應(yīng)用可分為傳統(tǒng)形式和智能形式兩種。傳統(tǒng)知識服務(wù)形式為數(shù)據(jù)目錄搜索、地圖可視化搜索、全文檢索；智能形式的服務(wù)為主題搜索、指標(biāo)搜索、智能排序、搜索結(jié)果聚類、智能推薦、智能問答。下面對各種知識服務(wù)進(jìn)行簡要描述，企業(yè)可以根據(jù)實(shí)際需要使用一種或者多種知識服務(wù)。

數(shù)據(jù)目錄搜索

數(shù)據(jù)目錄搜索按照目錄檢索定位、核心元數(shù)據(jù)、目錄檢索的方式、檢索結(jié)果模式進(jìn)行。數(shù)據(jù)目錄導(dǎo)航檢索有了檢索定位之后，通過檢索核心元數(shù)據(jù)生成對應(yīng)的數(shù)據(jù)目錄或者是數(shù)據(jù)分類信息，同時也可以選擇檢索的方式，比如根據(jù)數(shù)據(jù)的標(biāo)準(zhǔn)進(jìn)行檢索，能夠?qū)崿F(xiàn)自動分類。

地圖可視化搜索

常見的搜索方案為文本式的搜索，用戶輸入關(guān)鍵詞后搜索出結(jié)果，且一般結(jié)果均以列表式呈現(xiàn)。可視化的搜索方案可以省去用戶的部分操作，使搜索更加簡單、用戶操作更加友好，并且展示的結(jié)果也更加直觀和實(shí)用。

地圖可視化搜索主要針對的是有地域特征或有位置特征的數(shù)據(jù)，這些數(shù)據(jù)不再是簡單無意義的列表形式的展示，而是通過對這些數(shù)據(jù)的處理和加工，再通過地圖可視化組件展示出來。比如，建筑項(xiàng)目的所在地信息具有一定的位置屬性，根據(jù)收集項(xiàng)目建設(shè)地，經(jīng)過一定的加工和處理，就可以通過地圖可視化組件展示出來，并且可以非常直觀和清晰地展現(xiàn)項(xiàng)目的分布情況。

主題搜索

主題數(shù)據(jù)檢索也可稱為專題數(shù)據(jù)檢索，是某一系列數(shù)據(jù)的組合，相互之間有一定的關(guān)聯(lián)關(guān)系。實(shí)現(xiàn)主題數(shù)據(jù)檢索，依賴于主題數(shù)據(jù)庫的建設(shè)，能夠根據(jù)領(lǐng)域業(yè)務(wù)應(yīng)用的需求和熱點(diǎn)事件，如以建筑、結(jié)構(gòu)、暖通、鋼結(jié)構(gòu)、高架橋、汽車廠房、涂裝車間等為主題構(gòu)建成具有不同特色的主題數(shù)據(jù)庫，并利用元數(shù)據(jù)異構(gòu)共享技術(shù)、知識本體構(gòu)建技術(shù)等，實(shí)現(xiàn)在某一特定主題下的數(shù)據(jù)檢索和知識推薦。

全文檢索

支持分布式、索引、同段、同句、相似檢索、指紋檢索等多模態(tài)數(shù)據(jù)索引和聯(lián)合查詢技術(shù)，針對勘察設(shè)計行業(yè)特點(diǎn)的文本、數(shù)值、序列、通路、圖像等多類型數(shù)據(jù)在內(nèi)的多模態(tài)數(shù)據(jù)索引方法，以響應(yīng)多模態(tài)數(shù)據(jù)的搜索請求，發(fā)展并優(yōu)化綜合多種索引的搜索排序算法，使得多模態(tài)大數(shù)據(jù)的檢索結(jié)果更為精確與迅速。

指標(biāo)搜索

根據(jù)關(guān)鍵詞輸入，進(jìn)行不同維度指標(biāo)的智能搜索。搜索中可自動從不同數(shù)據(jù)源獲取數(shù)據(jù)，按照專業(yè)的不同進(jìn)行聚合、處理，生成包含內(nèi)容介紹和指標(biāo)數(shù)據(jù)的可視化報告，同時可針對行業(yè)特定詞匯進(jìn)行優(yōu)化。

智能排序

針對海量數(shù)據(jù)搜索，最核心的問題之一是排序問題，如何把用戶想要的結(jié)果排在前面，可利用知識圖譜和機(jī)器學(xué)習(xí)技術(shù)結(jié)合的方法有效解決排序問題。排序?qū)W習(xí)的目標(biāo)在于自動從訓(xùn)練數(shù)據(jù)中學(xué)習(xí)得到一個排序函數(shù)，使其在文本搜索中能夠針對文本的相關(guān)性、重要性等多種衡量標(biāo)準(zhǔn)對文本進(jìn)行排序。排序?qū)W習(xí)的優(yōu)勢是利用知識圖譜，整合大量復(fù)雜特征并自動進(jìn)行參數(shù)調(diào)整，自動學(xué)習(xí)最優(yōu)參數(shù)，降低單一考慮排序因素的風(fēng)險，同時能夠通過眾多有效手段規(guī)避過擬合問題。因此，基于排序?qū)W習(xí)的推薦模型能夠提高個性化推薦效果。

搜索結(jié)果聚類

隨著企業(yè)知識庫建設(shè)的推進(jìn)，用戶通過信息搜索所獲得的搜索結(jié)果數(shù)量將越來越大，甚至是海量的，搜索結(jié)果的信息處理技術(shù)成為搜索的重點(diǎn)之一。通過知識圖譜進(jìn)行聚類可以有效減少搜索結(jié)果的數(shù)量，提高搜索的質(zhì)量，便于用戶通過搜索獲取信息。

采用自動聚類將相似的文本組成一類，通過計算距離函數(shù)等方法，將相似性大的文本組成一個集合實(shí)現(xiàn)聚類的效果。搜索結(jié)果的聚類是信息處理領(lǐng)域的熱點(diǎn)問題，將搜索結(jié)果按知識關(guān)聯(lián)進(jìn)行聚類，能夠提高用戶信息搜索的準(zhǔn)確性。聚類包括以下6類：

一是主題聚類：按照搜索結(jié)果的主題詞進(jìn)行搜索結(jié)果的聚類，將大量的搜索結(jié)果歸類至有限的幾個主題中，如建筑承重、建筑外型、結(jié)構(gòu)類型等主題。

二是時間聚類：按照搜索結(jié)果進(jìn)行時間維度的聚類，將同一時間的數(shù)據(jù)聚合在一起，方便從時間維度進(jìn)行數(shù)據(jù)分析，如查看最新時間的結(jié)果。

三是地域聚類：根據(jù)數(shù)據(jù)中主題地域，按照地域維度進(jìn)行數(shù)據(jù)聚類，如查看北京相關(guān)的搜索結(jié)果。

四是事件聚類：抽取特定事件，把相同事件進(jìn)行聚類分析?？梢葬槍σ粋€具體事件進(jìn)行結(jié)果的聚合，例如采用同種設(shè)備的項(xiàng)目等。

五是人物聚類：針對重點(diǎn)人物，進(jìn)行人物聚類，如某院內(nèi)著名設(shè)計師設(shè)計的項(xiàng)目。

六是機(jī)構(gòu)聚類：把結(jié)果數(shù)據(jù)按照涉及的機(jī)構(gòu)進(jìn)行抽取與聚類，如萬達(dá)項(xiàng)目等。

智能推薦

智能推薦是基于知識圖譜的智能系統(tǒng)，旨在通過全方位的精準(zhǔn)數(shù)據(jù)刻畫用戶的意圖，推薦用戶有意愿的數(shù)據(jù)，給用戶最好的體驗(yàn)、提升轉(zhuǎn)化率、增強(qiáng)用戶黏性。

推薦系統(tǒng)的系統(tǒng)架構(gòu)，基于用戶的知識圖譜根據(jù)不同的用戶提供統(tǒng)一的推薦服務(wù)，服務(wù)于大數(shù)據(jù)項(xiàng)目的所有終端的推薦業(yè)務(wù)。系統(tǒng)架構(gòu)可有3個主要模塊：

一是模型服務(wù)。為了提高個性化的效果而開發(fā)的一系列行業(yè)特色的個性化服務(wù)，用戶維度有用戶行為服務(wù)和用戶畫像服務(wù)，特征維度有特征服務(wù)。通過這些基礎(chǔ)服務(wù)，讓個性化推薦更簡單、更精準(zhǔn)。

二是機(jī)器學(xué)習(xí)。算法模型訓(xùn)練階段，嘗試多種機(jī)器學(xué)習(xí)模型，結(jié)合離線測評和在線，驗(yàn)證不同場景下的算法模型的效果，提高推薦的轉(zhuǎn)化率。

三是數(shù)據(jù)平臺。數(shù)據(jù)是推薦的源泉，包括數(shù)據(jù)收集和數(shù)據(jù)計算。數(shù)據(jù)雖然是整體推薦架構(gòu)的最底層，卻是非常重要的，因?yàn)閿?shù)據(jù)直接關(guān)系到推薦的健康發(fā)展和效果提升。知識圖譜是一個宏大的數(shù)據(jù)模型，可以構(gòu)建龐大的知識網(wǎng)絡(luò)，包含世間萬物構(gòu)成的實(shí)體以及它們之間的關(guān)系，圖文并茂地展現(xiàn)知識方方面面的屬性，讓人們更便捷地獲取信息、找到所求。知識圖譜將人與知識智能地連接起來。

智能問答

基于知識圖譜的智能問答，以圖的形式將各個節(jié)點(diǎn)和之間的關(guān)系存儲到圖數(shù)據(jù)庫，一問一答為一個問答對。通過機(jī)器深度學(xué)習(xí)，配合權(quán)威專家進(jìn)行領(lǐng)域知識的梳理并以問答形式組織相關(guān)內(nèi)容，導(dǎo)入圖數(shù)據(jù)庫形成勘察設(shè)計行業(yè)特點(diǎn)問答知識圖譜。同樣使用NLP分詞，分類（基于勘察設(shè)計行業(yè)知識庫預(yù)料分析）分析出領(lǐng)域、實(shí)體、關(guān)系，將其和三元組進(jìn)行匹配，即計算其向量相似度，從而為某個特定問題找到來自知識圖譜的最佳三元組，匹配出對應(yīng)的節(jié)點(diǎn)或者相鄰節(jié)點(diǎn)、父子節(jié)點(diǎn)等構(gòu)建答案，進(jìn)行可視化展示，并進(jìn)行相關(guān)問答推送。

基于知識圖譜技術(shù)的勘察設(shè)計企業(yè)知識庫建設(shè)，利用當(dāng)前先進(jìn)的IT技術(shù)，對傳統(tǒng)的圖檔系統(tǒng)進(jìn)行升級，將項(xiàng)目數(shù)據(jù)碎片化、知識化、圖譜化，將有助于勘察設(shè)計企業(yè)知識的保留并傳承，更好地服務(wù)于一線的生產(chǎn)人員，提高企業(yè)的生產(chǎn)效率、降低成本，助力企業(yè)高質(zhì)量發(fā)展。