張鄭

摘要：隨著人們對(duì)手機(jī)需求、功能等要求逐漸增多，手機(jī)市場(chǎng)的競(jìng)爭(zhēng)越來(lái)越激烈，手機(jī)質(zhì)量的好壞直接影響產(chǎn)品的競(jìng)爭(zhēng)優(yōu)勢(shì)，及時(shí)發(fā)現(xiàn)產(chǎn)品質(zhì)量問(wèn)題，找出解決辦法，對(duì)提高手機(jī)產(chǎn)品競(jìng)爭(zhēng)力具有十分重要的作用。知識(shí)圖譜是一種展示實(shí)體之間關(guān)系的語(yǔ)義網(wǎng)絡(luò)，具有強(qiáng)大的推理能力，在數(shù)據(jù)挖掘、存儲(chǔ)、展示等方面具有重要應(yīng)用。本文結(jié)合手機(jī)生產(chǎn)、使用過(guò)程中的故障知識(shí)，構(gòu)建手機(jī)檢測(cè)領(lǐng)域知識(shí)圖譜，通過(guò)檢測(cè)標(biāo)準(zhǔn)知識(shí)圖譜進(jìn)行產(chǎn)品質(zhì)量檢測(cè)，提高手機(jī)質(zhì)量檢測(cè)效率。

關(guān)鍵詞：手機(jī)檢測(cè);知識(shí)圖譜;語(yǔ)義網(wǎng)絡(luò)

1、引言

21世紀(jì)以來(lái)，移動(dòng)通信技術(shù)迅速發(fā)展，手機(jī)產(chǎn)品推陳出，已經(jīng)成為人們生活中必不可缺的電子產(chǎn)品?，F(xiàn)階段手機(jī)故障檢測(cè)多數(shù)依靠人工檢測(cè)的方法，檢測(cè)效率低、差錯(cuò)率較高、并且對(duì)于檢測(cè)過(guò)程中產(chǎn)生的大量檢測(cè)業(yè)務(wù)數(shù)據(jù)沒(méi)有深度挖掘，無(wú)法建立故障數(shù)據(jù)之間的知識(shí)關(guān)聯(lián)，不能夠?yàn)榻窈蟮馁|(zhì)量檢測(cè)提供知識(shí)性支撐，延長(zhǎng)手機(jī)質(zhì)量檢測(cè)周期。

知識(shí)圖譜（Knowledge Graph）是由谷歌公司2012年提出[1]，是新一代語(yǔ)義網(wǎng)的實(shí)現(xiàn)，主要是對(duì)各種不同類型知識(shí)資源與其載體進(jìn)行挖掘與分析，并建立他們之間的聯(lián)系，通過(guò)將事實(shí)描述存儲(chǔ)為三元組，以結(jié)構(gòu)化形式反映現(xiàn)實(shí)世界里各個(gè)實(shí)體、概念與關(guān)系。知識(shí)圖譜的使用能夠解決數(shù)據(jù)冗余、關(guān)聯(lián)、展示等問(wèn)題。構(gòu)建手機(jī)檢測(cè)領(lǐng)域知識(shí)圖譜，能夠?qū)⑹謾C(jī)檢測(cè)過(guò)程中不同類型的數(shù)據(jù)進(jìn)行集成，進(jìn)行數(shù)據(jù)推理，找出之間聯(lián)系，實(shí)現(xiàn)信息共享，提高檢測(cè)效率。

2、關(guān)鍵技術(shù)

知識(shí)圖譜的本質(zhì)是一種語(yǔ)義網(wǎng)，將結(jié)構(gòu)化數(shù)據(jù)、半結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)進(jìn)行整合，構(gòu)建為一個(gè)數(shù)據(jù)關(guān)聯(lián)網(wǎng)絡(luò)，主要以實(shí)體或者概念為節(jié)點(diǎn)，以關(guān)系為邊，將不同類型數(shù)據(jù)鏈接在一起并通過(guò)圖結(jié)構(gòu)表示，通常各種實(shí)體和概念以及他們之間的關(guān)系以三元組的形式表示：

G=（E1，R，E2） （1）

G=（E，A，V） （2）

第一個(gè)三元組表示實(shí)體之間、概念之間的關(guān)系，第二個(gè)三元組表示實(shí)體內(nèi)部的特性，屬性及其屬性值。本文構(gòu)建手機(jī)質(zhì)量檢測(cè)領(lǐng)域知識(shí)圖譜需要從邏輯層和技術(shù)層兩方面進(jìn)行設(shè)計(jì)。

知識(shí)圖譜邏輯層面設(shè)計(jì)包含圖譜模式層和數(shù)據(jù)層[2]。模式層主要構(gòu)建了本圖譜的基本“骨架”，它定義了該領(lǐng)域的涉及的類和類之間關(guān)系以及概念與概念之間的關(guān)系，從而能夠規(guī)范化對(duì)知識(shí)庫(kù)進(jìn)行管理。數(shù)據(jù)層是在模式層指導(dǎo)下，對(duì)所采集的數(shù)據(jù)源進(jìn)行處理，實(shí)現(xiàn)實(shí)體識(shí)別，關(guān)系抽取以及數(shù)據(jù)存儲(chǔ)，從而實(shí)現(xiàn)將不同數(shù)據(jù)類型轉(zhuǎn)化為三元組形式，進(jìn)行可視化表達(dá)。

知識(shí)圖譜數(shù)據(jù)層面主要是依靠應(yīng)用的場(chǎng)景和構(gòu)建的需求，根據(jù)領(lǐng)域特色采用不同的數(shù)據(jù)處理辦法，主要集中于命名實(shí)體識(shí)別、實(shí)體關(guān)系抽取、知識(shí)消歧和知識(shí)存儲(chǔ)等方面，依據(jù)不同的場(chǎng)景選擇不同處理方法，提高數(shù)據(jù)的準(zhǔn)確度和精確度。

本文為面向手機(jī)質(zhì)量檢測(cè)領(lǐng)域知識(shí)圖譜構(gòu)建，通過(guò)數(shù)據(jù)層和模式層共同構(gòu)建領(lǐng)域知識(shí)圖譜。模式層主要根據(jù)手機(jī)質(zhì)量檢測(cè)過(guò)程中遵循的行業(yè)檢測(cè)標(biāo)準(zhǔn)，專業(yè)術(shù)語(yǔ)，及其相關(guān)概念采用“自頂向下”的方式構(gòu)建其“基本骨架”，數(shù)據(jù)層從手機(jī)質(zhì)量檢測(cè)領(lǐng)域中產(chǎn)生的半結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)中進(jìn)行數(shù)據(jù)抽取，主要實(shí)現(xiàn)手機(jī)領(lǐng)域的命名實(shí)體識(shí)別，關(guān)系抽取、屬性提取。最后通過(guò)Neo4j數(shù)據(jù)庫(kù)進(jìn)行圖譜的可視化展示。

3、知識(shí)圖譜構(gòu)建關(guān)鍵技術(shù)

3.1 命名實(shí)體識(shí)別

命名實(shí)體識(shí)別是對(duì)已經(jīng)給定的非結(jié)構(gòu)化文本中，提取出能夠表示具體實(shí)體或者抽象實(shí)體的詞組或單詞，是知識(shí)結(jié)構(gòu)化、實(shí)體語(yǔ)義表示和數(shù)字化的基礎(chǔ)[3].基于神經(jīng)網(wǎng)絡(luò)將命名實(shí)體識(shí)別看作是一種序列標(biāo)注問(wèn)題，利用詞向量為特征，減少人工特征標(biāo)注。通過(guò)BIEO方法對(duì)手機(jī)基本檢測(cè)數(shù)據(jù)進(jìn)行數(shù)據(jù)集標(biāo)注，通過(guò)雙向長(zhǎng)短期記憶網(wǎng)絡(luò)與條件隨機(jī)場(chǎng)組合模型（Bi-directional Long Short-Term Memory+Conditional Random Field，Bi-LSTM+CRF）訓(xùn)練實(shí)現(xiàn)手機(jī)檢質(zhì)量測(cè)領(lǐng)域?qū)嶓w識(shí)別。

3.2 實(shí)體關(guān)系抽取

實(shí)體關(guān)系抽取主要是對(duì)于非結(jié)構(gòu)化數(shù)據(jù)而言，抽取出文本間或句子間兩個(gè)實(shí)體的語(yǔ)義關(guān)系，將實(shí)體通過(guò)關(guān)系進(jìn)行連接，從而形成結(jié)構(gòu)化數(shù)據(jù)。實(shí)體關(guān)系抽取是知識(shí)圖譜構(gòu)建構(gòu)成中的重要環(huán)節(jié)。為了減少關(guān)系抽取對(duì)人工關(guān)系設(shè)計(jì)特征的依賴性，提高抽取準(zhǔn)確率，采用神經(jīng)網(wǎng)絡(luò)方式自動(dòng)提取文本特征，并在已有的Bi-LSTM網(wǎng)絡(luò)模型訓(xùn)練基礎(chǔ)上，引入膠囊網(wǎng)絡(luò)，構(gòu)建出初級(jí)膠囊，在通過(guò)動(dòng)態(tài)路由算法進(jìn)行選擇得到相匹配的輸出膠囊，動(dòng)態(tài)路由算法是以迭代的方法構(gòu)造一個(gè)非線性映射，由一個(gè)較低級(jí)別神經(jīng)元決定發(fā)送輸出給更高級(jí)別的神經(jīng)元，確保每個(gè)膠囊的輸出被發(fā)送到下一層中的適當(dāng)父級(jí)，通過(guò)路由算法，當(dāng)膠囊將自己學(xué)習(xí)預(yù)測(cè)到的數(shù)據(jù)傳給更高層次膠囊時(shí)，如果預(yù)測(cè)一致時(shí)，父級(jí)膠囊將變得更加活躍，這樣就可以使?jié)撛诘母讣?jí)對(duì)象利用動(dòng)態(tài)路算法減小連接強(qiáng)度。通過(guò)該方法，可以較好的提高關(guān)系抽取的準(zhǔn)確度。

3.3 知識(shí)存儲(chǔ)

知識(shí)圖譜的數(shù)據(jù)存儲(chǔ)主要有：資源描述框架（RDF存儲(chǔ)模式）[4]和圖

數(shù)據(jù)庫(kù)存儲(chǔ)兩種模式，利用圖數(shù)據(jù)庫(kù)進(jìn)行知識(shí)存儲(chǔ)，具有數(shù)據(jù)遍歷、檢索效率高，數(shù)據(jù)更新實(shí)時(shí)性快，擴(kuò)展性能好等優(yōu)勢(shì)。采用Neo4j圖數(shù)據(jù)庫(kù)對(duì)抽取的實(shí)體、實(shí)體關(guān)系及其屬性值組成的三元組進(jìn)行存儲(chǔ)，從而進(jìn)行可視化展示，通過(guò)Cypher語(yǔ)句查詢相應(yīng)節(jié)點(diǎn)、搜尋實(shí)體之間的關(guān)系。

結(jié)語(yǔ)

手機(jī)的質(zhì)量直接影響人們的使用、安全，是一個(gè)品牌的競(jìng)爭(zhēng)優(yōu)勢(shì)的重要因素，因此必須嚴(yán)格保障手機(jī)質(zhì)量，及時(shí)進(jìn)行質(zhì)量檢測(cè)、手機(jī)維修。本文通過(guò)構(gòu)建手機(jī)質(zhì)量檢測(cè)領(lǐng)域知識(shí)圖譜，整合質(zhì)量檢測(cè)數(shù)據(jù)資源，通過(guò)數(shù)據(jù)關(guān)聯(lián)、知識(shí)可視化，為質(zhì)檢人員提供更加直接的數(shù)據(jù)支撐，提高數(shù)據(jù)的利用率。

參考文獻(xiàn)：

[1]Newton C. Google. s Knowledge graph tripled in size in seven months[EB/OL]. [2019-01-20]. https：//en.wikipedia.org/wiki/CBS_Interac‐tive.

[2]劉 嶠 ， 李 楊 ， 段 宏 ， 等 . 知 識(shí) 圖 譜 構(gòu) 建 技 術(shù) 綜 述 [J]. 計(jì) 算 機(jī) 研 究 與 發(fā) 展 ， 2016， 53（3）：582-600.

[3]Zheng S， Hao Y， Lu D， et al. Joint entity and relation extraction based on a hybrid neural network[J]. Neurocomputing， 2017， 257： 59-66.

[4]王曉云， 楊子煜. 基于科研本體的國(guó)防科技知識(shí)圖譜構(gòu)建[J]. 中華醫(yī)學(xué)圖書(shū)情報(bào)雜志， 2018， 27（7）：6-13.