[发明专利]一种汽车故障知识图谱构建方法

说明书

本发明公开了一种汽车故障知识图谱构建方法，包括如下步骤：步骤1：构建统一自然语言表达的高精度的标准资源库文件，定义实体和关系；步骤2：生成传统知识图谱；步骤3：对传统知识图谱进行修补、泛化和一般性消歧；步骤4：定义实体和关系的形式化属性，同时定义约束关系和推理规则，将约束关系和推理规则形式化；步骤5：使用约束关系和推理规则，对附有形式化属性的实体和关系进行精准修补、消歧，构建形成车联网安全知识图谱。本发明的汽车故障知识图谱构建方法，具有可以实现更精准的模型实体和关系，可以精准地抽取知识、能实现具备高精度和强推理能力的车载信息知识图谱、满足对精度和推理能力的要求等优点。

技术领域

本发明涉及一种知识图谱构建技术，尤其是一种汽车故障知识图谱构建方法。

背景技术

知识图谱是一种基于语义网络的新型知识库，能够将分散复杂的数据知识化，通过丰富的语义信息展示知识之间的关系。因具有强大的数据描述能力，知识图谱已广泛应用于各类信息化系统，辅助分析决策过程。汽车故障知识图谱能够提供丰富的信息，辅助分析和决策过程。然而，现有知识图谱主要基于文档、文献等资料构建，未能对数据充分深入挖掘，缺乏对非形式化结构数据的有力描述，导致知识图谱的准确度低、推理能力弱，不能适用于高精度应用需求。

对于容错率较低的行业领域，例如车载控制类相关的信息系统，可信赖的知识图谱才能作为分析决策根据。目前的技术基于传统的图谱建模方法面临的挑战包括：需要对于大数据语言模糊性、语义分歧性、知识多样性、输入随意性等的对策方法；需要对于非形式化数据进行结构化描述；需要对面向过程的分析。

由于现有知识图谱主要基于自然语言文档、文献等资料构建，图谱模型为非形式化结构，需要大量人工标注实现构建和维护，因此导致图谱的覆盖率、知识的完整度和准确度等方面的不足，并且不能对行业领域知识充分深入挖掘，导致知识图谱的准确度低且推理能力弱，不能满足事件的发展、原因回溯、决策及后期维护的动态需求，也无法适用于高精度辅助分析。对于车载信息决策系统来说，需要容错率低、高精度的知识图谱作为分析决策依据，因而这种现有的知识图谱不能满足车载信息决策系统的要求。

神经网络人工智能能把知识用计算机进行表示和组织，并设计相应算法完成推理、预测等任务，存储和检索海量数据的能力日益提高，但是仍然存在以下技术瓶颈，导致传统知识图谱在精准分析和推理上难以得到应用。(1)数据具有非形式化结构、逻辑弱耦合、规模大、静态等特征，基于传统方法构建的知识图谱主要以三元组形式呈现，仅能够描述数据的基本特征，导致知识图谱要素歧义、准确度低；(2)传统方法构建的知识图谱关系表达与推理能力弱，不具备实际分析过程中需要针对复杂条件组合与推理能力，例如多步推理、时序推理等；(3)过程分析需要可解释性，即需要对得出结论的过程进行深度分析。而传统基于黑盒的神经网络学习的方法，在透明度和解释性方面仍存在局限性。

日本国立情报学研究所为了填充图谱开发了知识图嵌入模型，将知识图中的实体和关系映射到向量空间，并通过对候选三元组进行评分来预测未知三元组，提出了一种新的嵌入模型来解决正则化问题。清华大学将符号实体和关系投影到连续向量空间中，来解决多重关系语义问题，即一个关系可能具有与对应的三元组相关联的实体对所揭示的多重意义。新模型可以发现关系的潜在语义，并利用特定于关系的分量向量的混合来嵌入事实三元组。德国人工智能研究中心提出了参数化线性模型，优化参数得到关系约束的最优解，并基于深度学习进一步提高精度。这些现有的方法中，在建模时使得模型中具备更多的参考信息以加强精度，但是知识表征方法在复杂的逻辑推理方面仍存在局限性，难以处理复杂符号逻辑和关系路径。这类工作提出了基于参数、改良线性模型、基于深度学习的模型的方法，以加强图谱关系的限制。但是处理方法存在模型自由度和关系严谨度之间的矛盾，仍然无法解决高精度图谱建模和数据分析的需求。