王春雨，蔣祖華+，王福華，吉永軍，江 輝

(1.上海交通大學(xué) 機(jī)械與動(dòng)力工程學(xué)院，上海 200240；2.上海宏路數(shù)據(jù)技術(shù)股份有限公司，上海 200080)

0 引言

工業(yè)軟件開發(fā)是智力密集型的系統(tǒng)工程活動(dòng)，企業(yè)在日常開發(fā)活動(dòng)中積累了許多工程知識(shí)，如問題解決方案、版本更新說明、項(xiàng)目開發(fā)公告等。為解決遇到的工程問題，工程師需要花費(fèi)大量時(shí)間從企業(yè)知識(shí)庫中尋找和篩選工程知識(shí)來輔助解決問題[1-2]，知識(shí)檢索效果對(duì)開發(fā)效率有顯著的影響。因此，面向工業(yè)軟件開發(fā)，研究快速定位經(jīng)驗(yàn)知識(shí)的檢索工具，對(duì)提高企業(yè)知識(shí)的利用水平具有重要的意義。

知識(shí)檢索采用多種相關(guān)性度量，從工程師輸入的自然語言形式查詢語句中挖掘描述用戶需求的語義信息，將工程知識(shí)按相關(guān)性高低排序后推薦給工程師?，F(xiàn)有的知識(shí)檢索技術(shù)分為基于關(guān)鍵詞匹配和基于深層語義匹配兩大類。

(1)基于關(guān)鍵詞匹配的知識(shí)檢索技術(shù)按照用戶查詢和文本域的匹配關(guān)系細(xì)分為一對(duì)一的結(jié)構(gòu)化檢索和一對(duì)多的多文本域檢索。前者要求輸入與屬性、特征、分類等數(shù)據(jù)域?qū)?yīng)的結(jié)構(gòu)化查詢語句，系統(tǒng)在多個(gè)數(shù)據(jù)域上進(jìn)行關(guān)鍵詞匹配[3]，這類技術(shù)依賴開發(fā)者定制的結(jié)構(gòu)化查詢語句，難以用于缺乏嚴(yán)格類型約束的知識(shí)檢索；后者計(jì)算并匯總知識(shí)中多個(gè)文本域與用戶查詢的相關(guān)性[4-5]，可用于格式靈活的知識(shí)?；陉P(guān)鍵詞匹配的檢索技術(shù)只使用了淺層的字符統(tǒng)計(jì)學(xué)特征，忽視了實(shí)體間的深層關(guān)聯(lián)，不能深入評(píng)估查詢和知識(shí)的語義相關(guān)性，在語義豐富的工程知識(shí)庫上的檢索效果不夠理想。

(2)基于深層語義匹配的檢索技術(shù)多面向非結(jié)構(gòu)化的文本型知識(shí)，按推理方法的不同細(xì)分為基于概念知識(shí)的檢索技術(shù)和基于語言模型的檢索技術(shù)。概念知識(shí)描述了實(shí)體概念間的語義關(guān)聯(lián)[6]，基于概念知識(shí)的語義推理即利用實(shí)體間的關(guān)聯(lián)關(guān)系計(jì)算用戶查詢與知識(shí)間的語義相關(guān)性[7]，其符合人類的推理直覺，檢索結(jié)果的準(zhǔn)確度高[8]，然而通用的概念知識(shí)庫普遍缺乏軟件開發(fā)中的領(lǐng)域語義知識(shí)[9]，如何利用概念知識(shí)描述知識(shí)復(fù)雜的上下文是研究的一個(gè)方向。語言模型通過捕獲自然語言的表達(dá)模式計(jì)算兩段文本的語義相關(guān)性[10]，HUANG等[11]設(shè)計(jì)的雙塔式語義搜索模型將文本分解為三聯(lián)字符袋嵌入低維語義空間，用余弦值計(jì)量查詢—知識(shí)間的語義相關(guān)性。基于語言模型的深層語義匹配方法通過捕獲表達(dá)模式等語義信息，較好地解決了用戶檢索中“詞不達(dá)意”和“一詞多義”的問題[10,12]，克服了基于關(guān)鍵詞匹配方法忽視自然語言文本中實(shí)體間語義關(guān)聯(lián)的缺點(diǎn)，但也存在領(lǐng)域概念知識(shí)獲取難和語言模型計(jì)算復(fù)雜、響應(yīng)速度慢等缺點(diǎn)。

近年來，根據(jù)應(yīng)用場景的獨(dú)特語義結(jié)構(gòu)設(shè)計(jì)算法成為檢索領(lǐng)域[13-15]的研究熱點(diǎn)。已有研究從問題結(jié)構(gòu)[16]、評(píng)分特征[17]等出發(fā)提出一些面向軟件開發(fā)的語義檢索方法。筆者在研究中發(fā)現(xiàn)，軟件開發(fā)中會(huì)重用大量代碼模塊，工程知識(shí)會(huì)隨代碼重用影響所有導(dǎo)入的產(chǎn)品，因此產(chǎn)品適用的工程知識(shí)集存在重疊的現(xiàn)象，然而已有方法未考慮軟件開發(fā)中這種結(jié)構(gòu)的產(chǎn)品關(guān)聯(lián)關(guān)系。另外，軟件企業(yè)以半結(jié)構(gòu)化形式記錄的工程知識(shí)兼有標(biāo)簽和文本兩類信息，標(biāo)簽包含稠密直觀的概念語義信息，文本則隱含稀疏的自然語義信息，兩類語義產(chǎn)生于工程知識(shí)形成的不同階段，單類語義不能全面地解釋采用工程知識(shí)解答問題的可行性和合理性[18]。針對(duì)上述工業(yè)軟件開發(fā)工程知識(shí)檢索存在的問題，本文提出一種基于知識(shí)超網(wǎng)絡(luò)的語義檢索方法，通過軟件開發(fā)工程知識(shí)的提取、工程知識(shí)超網(wǎng)絡(luò)的構(gòu)建、復(fù)合語義相關(guān)性的推理，解決半結(jié)構(gòu)化知識(shí)復(fù)合語義檢索的困難，為軟件工程師提供更有效的知識(shí)檢索方法。

1 面向軟件開發(fā)的半結(jié)構(gòu)化知識(shí)語義檢索方法框架

1.1 軟件開發(fā)中的工程知識(shí)

半結(jié)構(gòu)化數(shù)據(jù)既不同于文本流、音頻流、視頻流等完全非結(jié)構(gòu)數(shù)據(jù)，也不同于數(shù)據(jù)庫中嚴(yán)格規(guī)范約束的結(jié)構(gòu)化元數(shù)據(jù)，是具有模式信息隱含、數(shù)據(jù)結(jié)構(gòu)不規(guī)則、類型約束弱等[19]特征的數(shù)據(jù)。企業(yè)在軟件開發(fā)中常以半結(jié)構(gòu)化的格式記錄知識(shí)，并在未來的工作中重用這些知識(shí)[20]，如圖1所示。文檔結(jié)構(gòu)的多樣性不會(huì)對(duì)人類閱讀造成障礙，但是不便于機(jī)器進(jìn)行計(jì)算和推理。因此，需要先將軟件開發(fā)工程知識(shí)規(guī)范化表征為便于計(jì)算機(jī)處理的統(tǒng)一形式。

1.2 工程知識(shí)的規(guī)范化表征

將原始的半結(jié)構(gòu)化異構(gòu)文檔中的工程知識(shí)表征為規(guī)范化單元以便統(tǒng)一檢索，然后采用軟件開發(fā)中工程知識(shí)通用的4個(gè)屬性描述核心特征，構(gòu)建規(guī)范化表征的工程知識(shí)元EKU=AP,AO,KT,CD。從原始文檔中提取的工程知識(shí)元如圖2所示，各屬性的內(nèi)涵如下：

(1)適用產(chǎn)品(Applicable Production，AP) 該方案/說明/公告生效的產(chǎn)品情境，如.Net Core。

(2)應(yīng)用對(duì)象(Apply-to Object，AO) 該方案/說明/公告應(yīng)用的具體模塊，如身份認(rèn)證程序。

(3)知識(shí)類型(Knowledge Type，KT) 工程知識(shí)的類型，用于識(shí)別內(nèi)容描述的敘述模式。

(4)內(nèi)容描述(Content Description，CD) 知識(shí)內(nèi)容正文，包含原始文檔的文本信息。

1.3 考慮復(fù)合語義信息的工程知識(shí)語義檢索方法框架

本文的語義檢索方法框架如圖3所示，其中知識(shí)超網(wǎng)絡(luò)包括產(chǎn)品樹、應(yīng)用對(duì)象的概念語義子網(wǎng)和知識(shí)內(nèi)容的自然語義子網(wǎng)。3個(gè)語義子網(wǎng)對(duì)應(yīng)工程知識(shí)“在某產(chǎn)品情境針對(duì)某應(yīng)用對(duì)象，產(chǎn)生了某工程知識(shí)”的形成過程，構(gòu)成工程知識(shí)解答用戶查詢的推理邏輯。通過貝葉斯方法模擬工程知識(shí)的推理過程，以評(píng)估工程知識(shí)元和用戶查詢的語義相關(guān)性，相關(guān)性表現(xiàn)為條件概率P(EKU|QAP,QAO,Q)，即工程知識(shí)元EKU被推薦的概率，其中Q表示用戶查詢，QAP,QAO表示用戶查詢中的產(chǎn)品情境和應(yīng)用對(duì)象。

(1)屬性抽取和規(guī)范化表征 將原始知識(shí)文檔數(shù)據(jù)轉(zhuǎn)化為規(guī)范的工程知識(shí)元，解決工程知識(shí)弱類型約束問題。

(2)知識(shí)超網(wǎng)絡(luò)的構(gòu)建 基于原始知識(shí)文檔規(guī)范化表征的工程知識(shí)元，將工程知識(shí)元映像為超網(wǎng)絡(luò)中的超邊，組成工業(yè)軟件開發(fā)知識(shí)庫的產(chǎn)品、對(duì)象、知識(shí)3層超網(wǎng)絡(luò)，計(jì)算各節(jié)點(diǎn)間的子網(wǎng)內(nèi)關(guān)聯(lián)度和子網(wǎng)間節(jié)點(diǎn)超度等統(tǒng)計(jì)指標(biāo)。

(3)基于超網(wǎng)絡(luò)的深度語義推理 包括概念語義相關(guān)性計(jì)算、自然語義相關(guān)性計(jì)算和超網(wǎng)絡(luò)的貝葉斯概率推理。概念語義相關(guān)性的計(jì)算過程如圖4所示，基于超網(wǎng)絡(luò)的統(tǒng)計(jì)指標(biāo)用于評(píng)估用戶查詢和工程知識(shí)元間的語義相關(guān)性；自然語義相關(guān)性基于語言模型計(jì)算，用于評(píng)估工程知識(shí)元中文本信息和用戶查詢的語義相關(guān)性;最后用貝葉斯定理推理工程知識(shí)元和用戶查詢的匹配程度。

2 方法的具體實(shí)現(xiàn)

2.1 工程知識(shí)的屬性抽取和規(guī)范化表征

原始文檔存在的屬性缺失問題，可以通過分離和抽取知識(shí)中的實(shí)體概念來補(bǔ)全。

(1)

(2)

(3)

2.2 知識(shí)超網(wǎng)絡(luò)模型的構(gòu)建

工業(yè)軟件開發(fā)中，工程師對(duì)知識(shí)的需求可以分解到適用產(chǎn)品、應(yīng)用對(duì)象、知識(shí)內(nèi)容3個(gè)屬性維度匹配來語義上下文，因此本文搭建產(chǎn)品子網(wǎng)、對(duì)象子網(wǎng)、知識(shí)子網(wǎng)組成的超網(wǎng)絡(luò)模型描述工程知識(shí)元的3種語義元素。工程知識(shí)元映像到模型中的超邊[22]HE表示在產(chǎn)品情境中針對(duì)應(yīng)用對(duì)象產(chǎn)生的具體工程知識(shí)內(nèi)容。

(1)產(chǎn)品子網(wǎng)NP工程知識(shí)產(chǎn)品情境實(shí)體VP及其之間的關(guān)聯(lián)EP構(gòu)成一個(gè)有向加權(quán)樹。父子節(jié)點(diǎn)間為單向關(guān)聯(lián)關(guān)系(Kind-of)，參考文獻(xiàn)[1]的領(lǐng)域本體構(gòu)建方法，父子節(jié)點(diǎn)間的關(guān)聯(lián)系數(shù)取0.7；同級(jí)節(jié)點(diǎn)間為雙向關(guān)聯(lián)關(guān)系(Similar-with)，考慮軟件開發(fā)中代碼模塊復(fù)用的情況，同級(jí)節(jié)點(diǎn)間的關(guān)聯(lián)系數(shù)與產(chǎn)品間重疊度相關(guān)，即

(4)

(5)

(6)

(7)

(8)

知識(shí)子網(wǎng)NK和對(duì)象子網(wǎng)NO間節(jié)點(diǎn)的超關(guān)聯(lián)度

(9)

2.3 融合概念知識(shí)和自然語言信息的深度語義檢索方法

2.3.1 用戶查詢的解析

在語義相關(guān)性計(jì)算前，基于知識(shí)超網(wǎng)絡(luò)中的實(shí)體概念，查詢解析器將自然語言形式的用戶查詢映射到知識(shí)超網(wǎng)絡(luò)中，稱為起始超邊HEQ，

2.3.2 考慮類型特性的自然語義相關(guān)性計(jì)算

工程知識(shí)元的CD屬性蘊(yùn)含了自然語言的深層語義，考慮知識(shí)內(nèi)容的邏輯結(jié)構(gòu)差異，在語義相關(guān)性計(jì)算中需要區(qū)別處理不同類型工程知識(shí)。例如，在本文使用的原始知識(shí)庫中存在“解決方案”、“軟件包說明”和“開發(fā)公告”3類工程知識(shí)，“解決方案”類知識(shí)內(nèi)容描述由標(biāo)題(摘要)→癥狀(問題描述)→解決方案3段組成，其中標(biāo)題(摘要)→癥狀(問題描述)是匹配用戶查詢的核心；“軟件包說明”類知識(shí)內(nèi)容描述由摘要→已知問題→關(guān)聯(lián)信息3段信息組成，其中對(duì)軟件包的核心功能描述只有摘要部分，已知問題和關(guān)聯(lián)信息與用戶查詢不匹配；“開發(fā)公告”類知識(shí)的正文是參考信息，取公告標(biāo)題與用戶查詢進(jìn)行匹配。

基于注意力機(jī)制的語言模型具有強(qiáng)大的深層語義理解能力，本文采用基于Transformers的雙向編碼表示(Bidirectional Encoder Representations from Transformers, BERT)模型評(píng)估用戶查詢和工程知識(shí)元在自然語義層面的相關(guān)性。計(jì)算用戶查詢與工程知識(shí)元CD屬性文本域的相關(guān)性分?jǐn)?shù)，評(píng)估每個(gè)文本域和用戶查詢的相關(guān)性，而非工程知識(shí)元整體與用戶查詢間的相關(guān)性。因此，本文的計(jì)算模塊采用孿生網(wǎng)絡(luò)和平均池化設(shè)計(jì)，模塊的架構(gòu)如圖6所示。

2.3.3 基于貝葉斯定理的深度語義推理

基于知識(shí)超網(wǎng)絡(luò)的語義推理，即搜索起始超邊HEQ相關(guān)性最高的工程知識(shí)元，P(EKU|QAP,QAO,Q)為在QAP產(chǎn)品情境中針對(duì)應(yīng)用對(duì)象QAO，工程知識(shí)元EKU可以滿足用戶查詢Q的概率：

P(EKU|QAP,QAO,Q)=

(10)

式中：

(11)

(12)

(13)

(14)

合并式(10)～式(14)，最終得到知識(shí)超網(wǎng)絡(luò)中每個(gè)工程知識(shí)元與用戶查詢之間的相關(guān)性評(píng)分

(15)

式中S(EKU,Q)為介于[0,1]的值。按分?jǐn)?shù)倒序排列知識(shí)庫中的工程知識(shí)，取得分最大的若干條輸出給工程師。

3 案例實(shí)驗(yàn)與分析

3.1 實(shí)驗(yàn)設(shè)計(jì)

為了驗(yàn)證本文方法的有效性，在Core i7 7700HQ@2.81 GHz，16 G內(nèi)存Windows 10系統(tǒng)下編寫和運(yùn)行實(shí)驗(yàn)用程序。

3.1.1 數(shù)據(jù)來源與采集方法

本文從微軟知識(shí)庫(Microsoft knowledge base)爬取實(shí)驗(yàn)所用原始知識(shí)文檔，過濾無正文知識(shí)內(nèi)容的文檔，按前文所述方法規(guī)范化表征為工程知識(shí)元，存儲(chǔ)在JSON格式的交換文件中，用于本文實(shí)驗(yàn)。實(shí)驗(yàn)前先構(gòu)建原始知識(shí)庫的知識(shí)超網(wǎng)絡(luò)模型，并以節(jié)點(diǎn)列表+邊列表的形式存儲(chǔ)，對(duì)象子網(wǎng)和知識(shí)子網(wǎng)以鄰接表的形式保存。

為降低計(jì)算耗時(shí)，工程師輸入用戶查詢后最多召回100條候選項(xiàng)，然后采用本文方法進(jìn)行排序，最后將返回的20條相關(guān)工程知識(shí)推薦列表給工程師。測試使用的用戶查詢語句是一段自然語言文本，摘取自微軟Q&A和SegmentFault，共計(jì)10條用戶查詢。用戶查詢“基于.Net Framework 3.5的開發(fā)項(xiàng)目，多線程并行模塊調(diào)用的線程池維護(hù)線程未按預(yù)期方式工作”的輸入，解析得到的起始超邊和評(píng)分輸出如表1所示。

表1 一次檢索對(duì)應(yīng)的輸入(用戶查詢)和輸出(知識(shí)推薦列表)

續(xù)表1

表中，“起始超邊”是“用戶查詢”經(jīng)解析后得到的，對(duì)應(yīng)2.3.1節(jié)；“文章ID”對(duì)應(yīng)微軟知識(shí)庫中的KBNumber，通過該ID可以鏈接到富文本的知識(shí)原文；“文章標(biāo)題”是知識(shí)原文的標(biāo)題；“相關(guān)性評(píng)分”是式(15)的計(jì)算結(jié)果。請(qǐng)工程師評(píng)判檢索結(jié)果，其中正確符合用戶查詢需求的知識(shí)用下劃線加粗顯示。

3.1.2 評(píng)估方法

與文獻(xiàn)[4,10,12]中的知識(shí)檢索方法對(duì)比檢索結(jié)果的準(zhǔn)確率Precision。文獻(xiàn)[10]選擇Doc2Vec作為語義分析模塊，RM3作為查詢擴(kuò)展模塊，相似度閾值設(shè)為0.6；文獻(xiàn)[12]采用和本文方法相同的方式精調(diào)，實(shí)驗(yàn)時(shí)將工程知識(shí)元的CD屬性合并為整段文本送入，準(zhǔn)確率計(jì)算如下：

(16)

式中：P@N表示檢索的推薦列表中前N項(xiàng)的準(zhǔn)確率，P是Precision的縮寫；TP為檢索的推薦列表中符合用戶查詢需求的知識(shí)數(shù)量；FP為推薦列表中不符合用戶查詢需求的知識(shí)數(shù)量。

3.2 實(shí)驗(yàn)結(jié)果

3.2.1 自然語義相關(guān)性計(jì)算模塊訓(xùn)練測試

表2 不同預(yù)訓(xùn)練模型的檢索準(zhǔn)確率

從實(shí)驗(yàn)結(jié)果來看，兩種mask方式的模型對(duì)整體檢索性能的影響沒有顯著差異。這是由于字mask模型以中文字為單元，分詞時(shí)會(huì)將一個(gè)完整的詞切分為若干子詞，全詞mask模型則以完整的中文詞為單元。而本文使用的軟件開發(fā)領(lǐng)域知識(shí)庫中，存在許多預(yù)訓(xùn)練模型未登錄的專有詞，全詞mask模型中這些專有詞會(huì)被歧義切分，降低了P@10和P@15的準(zhǔn)確率。而P@20中全詞mask的準(zhǔn)確率略高于字mask，則是因?yàn)槿~mask對(duì)通用中文詞的完整切分，可以發(fā)現(xiàn)更多相關(guān)的長尾知識(shí)。總體來看，自然語義相關(guān)性為先驗(yàn)概率，修正概念語義相關(guān)性后，先驗(yàn)概率的決定性降低，同時(shí)受限于預(yù)訓(xùn)練模型對(duì)領(lǐng)域?qū)Ｓ性~的收錄，兩種mask方式的模型對(duì)本文知識(shí)檢索性能的影響不顯著。

3.2.2 與其他方法的對(duì)比

對(duì)比文獻(xiàn)[4]基于關(guān)鍵詞的方法、文獻(xiàn)[10]基于本體概念推理的方法、文獻(xiàn)[12]基于語言模型的方法和本文方法，記為BM25F，SELM，NDSSM，CNDSSM，實(shí)驗(yàn)使用10組用戶查詢，統(tǒng)計(jì)4種方法輸出的P@10，P@15，P@20，結(jié)果如表3和圖8所示。

表3 4種語義檢索方法檢索結(jié)果的準(zhǔn)確率

由對(duì)比試驗(yàn)可見，本文方法的工程知識(shí)檢索準(zhǔn)確率高于其他方法。SELM雖然同樣基于概念知識(shí)進(jìn)行上下文推理的語義檢索，但是只使用了本體的單類概念語義，沒有充分利用半結(jié)構(gòu)化工程知識(shí)中復(fù)合概念語義信息和文本的自然語義信息，因此檢索準(zhǔn)確率低于CNDSSM方法。NDSSM是基于語言模型的交互式深度語義搜索方法，所用模型從自然表達(dá)的上下文判斷兩段文本的相關(guān)性，并未考慮工程知識(shí)產(chǎn)生上下文對(duì)相關(guān)性的影響，因此準(zhǔn)確率低于CNDSSM方法。在取前10個(gè)最相關(guān)工程知識(shí)時(shí)(P@10)，BM25F方法的準(zhǔn)確率僅有0.25，CNDSSM的領(lǐng)先優(yōu)勢較P@20時(shí)更為顯著，這是由于BM25F基于關(guān)鍵詞進(jìn)行匹配，受信息密度變化的影響，不能公平地計(jì)算不同類型知識(shí)與用戶查詢語句的相關(guān)性，在返回的推薦列表前部給出了更多長文本的工程知識(shí)。而CNDSSM在定制多文本域自然語義計(jì)算模塊、解決長度問題的同時(shí)，利用工程知識(shí)元中的實(shí)體信息計(jì)算概念語義，提高了語義相關(guān)性評(píng)估的準(zhǔn)確性?？梢钥闯?，采用本文提出的CNDSSM方法對(duì)軟件開發(fā)中的工程知識(shí)進(jìn)行檢索時(shí)效果更好。

4 結(jié)束語

針對(duì)傳統(tǒng)檢索方法的不足，本文面向工業(yè)軟件開發(fā)提出一種基于超網(wǎng)絡(luò)模型的知識(shí)檢索方法。該方法針對(duì)代碼模塊重用的現(xiàn)象，使用產(chǎn)品樹表示語義關(guān)聯(lián)；基于已知的概念知識(shí)抽取屬性信息解決屬性缺失的問題，并將多類型的工程知識(shí)規(guī)范化表征為適合機(jī)器處理的工程知識(shí)元；通過知識(shí)超網(wǎng)絡(luò)表示復(fù)合的語義關(guān)聯(lián)，將工程知識(shí)的產(chǎn)品情境、應(yīng)用對(duì)象、知識(shí)內(nèi)容3種信息整合到統(tǒng)一框架下，采用貝葉斯方法計(jì)算用戶查詢和工程知識(shí)的語義相關(guān)性。本文有兩個(gè)特點(diǎn)：①針對(duì)半結(jié)構(gòu)化工程知識(shí)的特點(diǎn)，設(shè)計(jì)了一種多信息域聯(lián)合的實(shí)體識(shí)別方法，適用于工程知識(shí)的規(guī)范化表征；②基于預(yù)訓(xùn)練語言模型，設(shè)計(jì)了一種考慮知識(shí)類型的自然語義相關(guān)性計(jì)算模塊，以在相關(guān)性推理中融合概念語義和自然語義，適用于工程知識(shí)庫的檢索。實(shí)驗(yàn)結(jié)果表明，本文方法有效利用了軟件開發(fā)工程知識(shí)的深層語義，其準(zhǔn)確率較其他語義檢索方法提高了至少12.5%。

因?yàn)楸疚姆椒▽?duì)不同類型知識(shí)的識(shí)別和處理還需人工干預(yù)，所以將其應(yīng)用于載體類型復(fù)雜的異構(gòu)知識(shí)庫時(shí)難度較大。下一步研究將考慮更多的知識(shí)類型，從識(shí)別異構(gòu)工程知識(shí)的通用性出發(fā)，捕獲多維語義信息，擴(kuò)展方法在不同工程場景下的應(yīng)用。