張鄭

摘要：隨著人們對手機需求、功能等要求逐漸增多，手機市場的競爭越來越激烈，手機質(zhì)量的好壞直接影響產(chǎn)品的競爭優(yōu)勢，及時發(fā)現(xiàn)產(chǎn)品質(zhì)量問題，找出解決辦法，對提高手機產(chǎn)品競爭力具有十分重要的作用。知識圖譜是一種展示實體之間關(guān)系的語義網(wǎng)絡(luò)，具有強大的推理能力，在數(shù)據(jù)挖掘、存儲、展示等方面具有重要應(yīng)用。本文結(jié)合手機生產(chǎn)、使用過程中的故障知識，構(gòu)建手機檢測領(lǐng)域知識圖譜，通過檢測標(biāo)準(zhǔn)知識圖譜進行產(chǎn)品質(zhì)量檢測，提高手機質(zhì)量檢測效率。

關(guān)鍵詞：手機檢測;知識圖譜;語義網(wǎng)絡(luò)

1、引言

21世紀(jì)以來，移動通信技術(shù)迅速發(fā)展，手機產(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)階段手機故障檢測多數(shù)依靠人工檢測的方法，檢測效率低、差錯率較高、并且對于檢測過程中產(chǎn)生的大量檢測業(yè)務(wù)數(shù)據(jù)沒有深度挖掘，無法建立故障數(shù)據(jù)之間的知識關(guān)聯(lián)，不能夠為今后的質(zhì)量檢測提供知識性支撐，延長手機質(zhì)量檢測周期。

知識圖譜（Knowledge Graph）是由谷歌公司2012年提出[1]，是新一代語義網(wǎng)的實現(xiàn)，主要是對各種不同類型知識資源與其載體進行挖掘與分析，并建立他們之間的聯(lián)系，通過將事實描述存儲為三元組，以結(jié)構(gòu)化形式反映現(xiàn)實世界里各個實體、概念與關(guān)系。知識圖譜的使用能夠解決數(shù)據(jù)冗余、關(guān)聯(lián)、展示等問題。構(gòu)建手機檢測領(lǐng)域知識圖譜，能夠?qū)⑹謾C檢測過程中不同類型的數(shù)據(jù)進行集成，進行數(shù)據(jù)推理，找出之間聯(lián)系，實現(xiàn)信息共享，提高檢測效率。

2、關(guān)鍵技術(shù)

知識圖譜的本質(zhì)是一種語義網(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)進行整合，構(gòu)建為一個數(shù)據(jù)關(guān)聯(lián)網(wǎng)絡(luò)，主要以實體或者概念為節(jié)點，以關(guān)系為邊，將不同類型數(shù)據(jù)鏈接在一起并通過圖結(jié)構(gòu)表示，通常各種實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）

第一個三元組表示實體之間、概念之間的關(guān)系，第二個三元組表示實體內(nèi)部的特性，屬性及其屬性值。本文構(gòu)建手機質(zhì)量檢測領(lǐng)域知識圖譜需要從邏輯層和技術(shù)層兩方面進行設(shè)計。

知識圖譜邏輯層面設(shè)計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)范化對知識庫進行管理。數(shù)據(jù)層是在模式層指導(dǎo)下，對所采集的數(shù)據(jù)源進行處理，實現(xiàn)實體識別，關(guān)系抽取以及數(shù)據(jù)存儲，從而實現(xiàn)將不同數(shù)據(jù)類型轉(zhuǎn)化為三元組形式，進行可視化表達(dá)。

知識圖譜數(shù)據(jù)層面主要是依靠應(yīng)用的場景和構(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，主要集中于命名實體識別、實體關(guān)系抽取、知識消歧和知識存儲等方面，依據(jù)不同的場景選擇不同處理方法，提高數(shù)據(jù)的準(zhǔn)確度和精確度。

本文為面向手機質(zhì)量檢測領(lǐng)域知識圖譜構(gòu)建，通過數(shù)據(jù)層和模式層共同構(gòu)建領(lǐng)域知識圖譜。模式層主要根據(jù)手機質(zhì)量檢測過程中遵循的行業(yè)檢測標(biāo)準(zhǔn)，專業(yè)術(shù)語，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)層從手機質(zhì)量檢測領(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)中進行數(shù)據(jù)抽取，主要實現(xiàn)手機領(lǐng)域的命名實體識別，關(guān)系抽取、屬性提取。最后通過Neo4j數(shù)據(jù)庫進行圖譜的可視化展示。

3、知識圖譜構(gòu)建關(guān)鍵技術(shù)

3.1 命名實體識別

命名實體識別是對已經(jīng)給定的非結(jié)構(gòu)化文本中，提取出能夠表示具體實體或者抽象實體的詞組或單詞，是知識結(jié)構(gòu)化、實體語義表示和數(shù)字化的基礎(chǔ)[3].基于神經(jīng)網(wǎng)絡(luò)將命名實體識別看作是一種序列標(biāo)注問題，利用詞向量為特征，減少人工特征標(biāo)注。通過BIEO方法對手機基本檢測數(shù)據(jù)進行數(shù)據(jù)集標(biāo)注，通過雙向長短期記憶網(wǎng)絡(luò)與條件隨機場組合模型（Bi-directional Long Short-Term Memory+Conditional Random Field，Bi-LSTM+CRF）訓(xùn)練實現(xiàn)手機檢質(zhì)量測領(lǐng)域?qū)嶓w識別。

3.2 實體關(guān)系抽取

實體關(guān)系抽取主要是對于非結(jié)構(gòu)化數(shù)據(jù)而言，抽取出文本間或句子間兩個實體的語義關(guān)系，將實體通過關(guān)系進行連接，從而形成結(jié)構(gòu)化數(shù)據(jù)。實體關(guān)系抽取是知識圖譜構(gòu)建構(gòu)成中的重要環(huán)節(jié)。為了減少關(guān)系抽取對人工關(guān)系設(shè)計特征的依賴性，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)建出初級膠囊，在通過動態(tài)路由算法進行選擇得到相匹配的輸出膠囊，動態(tài)路由算法是以迭代的方法構(gòu)造一個非線性映射，由一個較低級別神經(jīng)元決定發(fā)送輸出給更高級別的神經(jīng)元，確保每個膠囊的輸出被發(fā)送到下一層中的適當(dāng)父級，通過路由算法，當(dāng)膠囊將自己學(xué)習(xí)預(yù)測到的數(shù)據(jù)傳給更高層次膠囊時，如果預(yù)測一致時，父級膠囊將變得更加活躍，這樣就可以使?jié)撛诘母讣墝ο罄脛討B(tài)路算法減小連接強度。通過該方法，可以較好的提高關(guān)系抽取的準(zhǔn)確度。

3.3 知識存儲

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

數(shù)據(jù)庫存儲兩種模式，利用圖數(shù)據(jù)庫進行知識存儲，具有數(shù)據(jù)遍歷、檢索效率高，數(shù)據(jù)更新實時性快，擴展性能好等優(yōu)勢。采用Neo4j圖數(shù)據(jù)庫對抽取的實體、實體關(guān)系及其屬性值組成的三元組進行存儲，從而進行可視化展示，通過Cypher語句查詢相應(yīng)節(jié)點、搜尋實體之間的關(guān)系。

結(jié)語

手機的質(zhì)量直接影響人們的使用、安全，是一個品牌的競爭優(yōu)勢的重要因素，因此必須嚴(yán)格保障手機質(zhì)量，及時進行質(zhì)量檢測、手機維修。本文通過構(gòu)建手機質(zhì)量檢測領(lǐng)域知識圖譜，整合質(zhì)量檢測數(shù)據(jù)資源，通過數(shù)據(jù)關(guān)聯(lián)、知識可視化，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 圖 譜 構(gòu) 建 技 術(shù) 綜 述 [J]. 計 算 機 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. 基于科研本體的國防科技知識圖譜構(gòu)建[J]. 中華醫(yī)學(xué)圖書情報雜志， 2018， 27（7）：6-13.