本發(fā)明屬于核電建造經(jīng)驗(yàn)反饋，尤其涉及一種基于多維級(jí)聯(lián)知識(shí)抽取的核電建造經(jīng)驗(yàn)反饋方法。

背景技術(shù)：

1、核電建造是一個(gè)知識(shí)密集型行業(yè)，涉及多個(gè)學(xué)科領(lǐng)域，具有高安全、長役期和巨系統(tǒng)的特征，由于質(zhì)量事故成本太大，各界都在盡最大努力避免核事故的發(fā)生。因此，核設(shè)施營運(yùn)單位應(yīng)當(dāng)建立核安全經(jīng)驗(yàn)反饋體系。經(jīng)驗(yàn)反饋，是指對(duì)核設(shè)施的事件、質(zhì)量問題和良好實(shí)踐等信息進(jìn)行收集、篩選、評(píng)價(jià)、分析、處理和分發(fā)，目的是總結(jié)推廣良好實(shí)踐經(jīng)驗(yàn)，防止類似質(zhì)量事件和問題重復(fù)發(fā)生。

2、隨著核電工程的發(fā)展和智能制造技術(shù)的提升，復(fù)雜多變的應(yīng)用場景對(duì)核電建造的協(xié)同質(zhì)量管控提出了更高的要求。核電企業(yè)開始研究如何進(jìn)一步利用和傳遞經(jīng)驗(yàn)反饋信息，從傳統(tǒng)的以文檔為中心向以知識(shí)為中心轉(zhuǎn)變。為此，趙棟等研制一種經(jīng)驗(yàn)反饋管理系統(tǒng)，為核電工程設(shè)計(jì)經(jīng)驗(yàn)的歸檔、總結(jié)、發(fā)布及再利用提供了統(tǒng)一的平臺(tái)；鄒象等人提出了一種基于ahp的核動(dòng)力廠安全相關(guān)經(jīng)驗(yàn)反饋信息重要性評(píng)價(jià)方法，對(duì)信息進(jìn)行相對(duì)重要性評(píng)價(jià)得到反饋價(jià)值以識(shí)別重要的經(jīng)驗(yàn)反饋信息。這些平臺(tái)和方法一定程度上加快了各部門、專業(yè)處室之間的信息共享，但傳遞的經(jīng)驗(yàn)反饋信息顆粒度比較粗，其中隱含的關(guān)鍵要素仍需通過專業(yè)人員進(jìn)一步分析處理，經(jīng)驗(yàn)反饋信息難以被直接有效利用。核電領(lǐng)域迫切需要借助智能化技術(shù)分析和提取經(jīng)驗(yàn)反饋信息并獲取重要內(nèi)容，將建造過程產(chǎn)生的大量質(zhì)量事件記錄梳理整合為結(jié)構(gòu)化的經(jīng)驗(yàn)反饋知識(shí)，輔助相關(guān)人員快速分析關(guān)鍵要素，實(shí)現(xiàn)核電建造質(zhì)量信息的跨企業(yè)高效流轉(zhuǎn)和復(fù)用。

3、近年來機(jī)器學(xué)習(xí)在知識(shí)挖掘方面取得的顯著效果，可將其引入到核電建造經(jīng)驗(yàn)反饋研究中。其中自然語言處理(natural?language?processing，nlp)可用計(jì)算機(jī)來處理、理解以及規(guī)范表達(dá)人類語言文本，能夠智能化解析經(jīng)驗(yàn)反饋信息中的重要知識(shí)，從而提高可利用性。谷歌公司singhal等提出的知識(shí)圖譜(knowledge?graph)可以將經(jīng)驗(yàn)反饋關(guān)鍵域中的重要知識(shí)進(jìn)行統(tǒng)一形式的可視化表達(dá)，有利于大規(guī)模經(jīng)驗(yàn)反饋信息的高效利用和傳遞。基于nlp技術(shù)的知識(shí)圖譜能有效減輕核電經(jīng)驗(yàn)反饋信息處理過程對(duì)人工先驗(yàn)知識(shí)的依賴，一定程度上減少了人因失誤，進(jìn)一步提升數(shù)據(jù)要素賦能作用的同時(shí)滿足跨企業(yè)智能傳遞的需求，因此有學(xué)者將自然語言處理技術(shù)應(yīng)用到核電領(lǐng)域中：choi等通過采用基于規(guī)則的信息提取方法在核電站的運(yùn)行程序中提取語法和語義信息；鄧志光等通過改進(jìn)長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)，在核電廠反應(yīng)堆出口溫度現(xiàn)場數(shù)據(jù)中提取故障特征。

4、綜上，現(xiàn)階段部分學(xué)者利用機(jī)器學(xué)習(xí)等方法對(duì)核電知識(shí)挖掘做了一些嘗試，然而研究多依賴于手工與規(guī)則模版或是單一的算法，模型的泛化能力較弱、應(yīng)用支持能力不足，尤其是針對(duì)核電建造經(jīng)驗(yàn)反饋信息的多維度關(guān)聯(lián)挖掘研究還存在一定空白。

5、因此，怎樣才能有效解決核電建造過程中經(jīng)驗(yàn)反饋時(shí)效性弱、各參與方對(duì)經(jīng)驗(yàn)知識(shí)認(rèn)知不統(tǒng)一、經(jīng)驗(yàn)反饋知識(shí)復(fù)用率低等問題，成為目前亟待解決的問題。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)上述現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種基于多維級(jí)聯(lián)知識(shí)抽取的核電建造經(jīng)驗(yàn)反饋方法，可以有效解決核電建造過程中經(jīng)驗(yàn)反饋時(shí)效性弱、各參與方對(duì)經(jīng)驗(yàn)知識(shí)認(rèn)知不統(tǒng)一、經(jīng)驗(yàn)反饋知識(shí)復(fù)用率低等問題。

2、為了解決上述技術(shù)問題，本發(fā)明采用了如下的技術(shù)方案：

3、一種基于多維級(jí)聯(lián)知識(shí)抽取的核電建造經(jīng)驗(yàn)反饋方法，包括以下步驟：

4、s1、獲取核電建造全生命周期中內(nèi)部產(chǎn)生的質(zhì)量事件記錄的經(jīng)驗(yàn)反饋信息；

5、s2、分析經(jīng)驗(yàn)反饋信息的特征得到各關(guān)鍵的知識(shí)類別，分層關(guān)聯(lián)耦合各類關(guān)鍵知識(shí)，定義經(jīng)驗(yàn)反饋關(guān)鍵知識(shí)域組織結(jié)構(gòu)，得到經(jīng)驗(yàn)反饋圖譜的本體模型；

6、s3、基于s2的本體模型的模型架構(gòu)，構(gòu)建多維級(jí)聯(lián)知識(shí)抽取模型，用于從經(jīng)驗(yàn)反饋信息中獲取本體模型的填充數(shù)據(jù)；

7、多維級(jí)聯(lián)知識(shí)抽取模型包括知識(shí)挖掘模型和關(guān)系抽取模型；知識(shí)挖掘模型用于對(duì)經(jīng)驗(yàn)反饋信息中的各類別關(guān)鍵知識(shí)進(jìn)行感知和抓取；關(guān)系抽取模型用于提取經(jīng)驗(yàn)反饋信息中各關(guān)鍵知識(shí)的關(guān)系特征；

8、s4、使用s3構(gòu)建的多維聯(lián)知識(shí)抽取模型，從s1獲取的經(jīng)驗(yàn)反饋信息中抽取出結(jié)構(gòu)化形式的填充數(shù)據(jù)，并將提取的填充數(shù)據(jù)映射到s2的本體模型中，生成相應(yīng)的經(jīng)驗(yàn)反饋圖譜，存儲(chǔ)在知識(shí)庫中；

9、s5、在核電建造過程中發(fā)生質(zhì)量事件時(shí)，在知識(shí)庫中進(jìn)行檢索以獲取需要的知識(shí)，用于輔助核電專業(yè)技術(shù)和/或管理人員進(jìn)行分析處理。

10、本發(fā)明與現(xiàn)有技術(shù)相比，具有如下有益效果：

11、1、本方法能夠?qū)⒑藴p建造治的質(zhì)量事件記錄的經(jīng)驗(yàn)反饋信息進(jìn)行知識(shí)化，通過多維級(jí)聯(lián)知識(shí)挖掘構(gòu)建統(tǒng)一的經(jīng)驗(yàn)反饋圖譜。具體地，再獲取經(jīng)驗(yàn)反饋信息后，分析經(jīng)驗(yàn)反饋信息的特征，分層關(guān)聯(lián)耦合多類高價(jià)值知識(shí)，定義經(jīng)驗(yàn)反饋關(guān)鍵知識(shí)域組織結(jié)構(gòu)，從而構(gòu)建經(jīng)驗(yàn)反饋圖譜的本體模型(即框架模型)；之后，基于本體模型的模型架構(gòu)構(gòu)建多維級(jí)聯(lián)知識(shí)抽取模型，從對(duì)經(jīng)驗(yàn)反饋信息中獲取各類別關(guān)鍵知識(shí)，并提取各關(guān)鍵知識(shí)的關(guān)系特征，并映射到本體模型中，得到相應(yīng)的經(jīng)驗(yàn)反饋圖譜，并存儲(chǔ)在知識(shí)庫中。

12、本方法打破傳統(tǒng)文本記錄方式，利用知識(shí)圖譜載體呈現(xiàn)經(jīng)驗(yàn)反饋知識(shí)化結(jié)果。構(gòu)建統(tǒng)一數(shù)據(jù)的經(jīng)驗(yàn)反饋圖譜，在經(jīng)驗(yàn)反饋關(guān)鍵知識(shí)域的指導(dǎo)下，利用自然語言處理技術(shù)進(jìn)行經(jīng)驗(yàn)知識(shí)的智能抽取，通過圖數(shù)據(jù)庫存儲(chǔ)結(jié)構(gòu)化知識(shí)，以實(shí)現(xiàn)經(jīng)驗(yàn)反饋知識(shí)化。本方法實(shí)現(xiàn)了核電建造經(jīng)驗(yàn)反饋信息從以文檔為中心向以知識(shí)為中心的轉(zhuǎn)變，將經(jīng)驗(yàn)反饋知識(shí)通過統(tǒng)一、清晰的方式存儲(chǔ)在知識(shí)庫中。這樣，在核電建造過程中發(fā)生質(zhì)量事件時(shí)，可以在知識(shí)庫中通過檢索快速準(zhǔn)確的獲取需要的知識(shí)，用于輔助核電專業(yè)技術(shù)和/或管理人員進(jìn)行分析處理。

13、2、構(gòu)建經(jīng)驗(yàn)反饋圖譜時(shí)，本方法采用自頂向下和自底向上的混合構(gòu)造方法，將大量繁雜、冗長的質(zhì)量信息梳理與重整，將經(jīng)驗(yàn)反饋關(guān)鍵知識(shí)域作為圖譜模式層；同時(shí)，根據(jù)核電經(jīng)驗(yàn)反饋文本的特點(diǎn)，利用自然語言處理技術(shù)針對(duì)性設(shè)計(jì)命名實(shí)體識(shí)別(即知識(shí)挖掘模型)和關(guān)系抽取的方法，從中抽取出結(jié)構(gòu)化形式的關(guān)鍵知識(shí)組作為數(shù)據(jù)層映射到本體模型中，對(duì)知識(shí)結(jié)構(gòu)進(jìn)行更新。這樣，可以保證得到的經(jīng)驗(yàn)反饋圖譜的高效率和有效性。

14、綜上，本方法可以有效解決核電建造過程中經(jīng)驗(yàn)反饋時(shí)效性弱、各參與方對(duì)經(jīng)驗(yàn)知識(shí)認(rèn)知不統(tǒng)一、經(jīng)驗(yàn)反饋知識(shí)復(fù)用率低等問題。

15、優(yōu)選地，s2包括：

16、分析經(jīng)驗(yàn)反饋信息的特征，得到與故障表現(xiàn)相關(guān)的各關(guān)鍵的知識(shí)類別；

17、將各知識(shí)類別分別形成經(jīng)驗(yàn)反饋關(guān)鍵知識(shí)域的知識(shí)層，得到領(lǐng)域知識(shí)譜系；同時(shí)，通過各知識(shí)層間的交互關(guān)系實(shí)現(xiàn)關(guān)聯(lián)耦合，得到具有語義關(guān)聯(lián)和邏輯推理能力的空間知識(shí)結(jié)構(gòu)，作為經(jīng)驗(yàn)反饋關(guān)鍵知識(shí)域的組織結(jié)構(gòu)；

18、之后，對(duì)經(jīng)驗(yàn)反饋關(guān)鍵知識(shí)域中不同層別的知識(shí)層，以及各層之間的關(guān)聯(lián)關(guān)系，構(gòu)建類與對(duì)象屬性，以此建立節(jié)點(diǎn)類型以及概念或?qū)嵗g的語義關(guān)系，獲得以<實(shí)體-關(guān)系-實(shí)體>結(jié)構(gòu)的知識(shí)形式，并將經(jīng)驗(yàn)反饋關(guān)鍵知識(shí)域顯性化表征，形成經(jīng)驗(yàn)反饋圖譜的本體模型。

19、這樣，通過定義經(jīng)驗(yàn)反饋關(guān)鍵知識(shí)域統(tǒng)一數(shù)據(jù)規(guī)范，能夠?yàn)橹R(shí)挖掘明確目標(biāo)，為后續(xù)經(jīng)驗(yàn)反饋圖譜的構(gòu)建提供模式支撐。

20、優(yōu)選地，知識(shí)類別包括故障的設(shè)備信息、產(chǎn)生原因、應(yīng)對(duì)措施，以及故障發(fā)生的時(shí)間、所屬階段、相關(guān)設(shè)備、所屬機(jī)組、主要的負(fù)責(zé)人員、企業(yè)部門；所述關(guān)聯(lián)關(guān)系包括因果關(guān)系、依賴關(guān)系、層次關(guān)系、時(shí)間關(guān)系。

21、這樣的設(shè)置，可以保證本體模型中各關(guān)鍵知識(shí)的全面有效性，從而保證后續(xù)得到的經(jīng)驗(yàn)反饋圖譜的有效性。

22、優(yōu)選地，s3中，知識(shí)挖掘模型為運(yùn)用級(jí)聯(lián)策略搭建的融合注意力機(jī)制的多層神經(jīng)網(wǎng)絡(luò)模型；知識(shí)挖掘模型包括依次設(shè)置的詞嵌入層、知識(shí)感知層和知識(shí)預(yù)測層。

23、針對(duì)核電建造經(jīng)驗(yàn)反饋信息文本內(nèi)容復(fù)雜、關(guān)系類別繁多的問題，單一的網(wǎng)絡(luò)模型無法較好的識(shí)別和學(xué)習(xí)關(guān)鍵特征，經(jīng)驗(yàn)反饋知識(shí)不易被挖掘、組織和表征。這樣的設(shè)置，可以對(duì)核電領(lǐng)域的經(jīng)驗(yàn)反饋信息進(jìn)行多維度特征挖掘，高效抽取出關(guān)鍵領(lǐng)域知識(shí)，從而提升在核電小眾領(lǐng)域的挖掘效果。

24、優(yōu)選地，詞嵌入層基于transformer的雙向編碼器表示技術(shù)bert設(shè)計(jì)；詞嵌入層的工作過程包括：輸入具有三個(gè)不同的嵌入層，分別表示輸入質(zhì)量事件文本的詞語信息、句子段落信息和句子位置信息，通過三層信息向量拼接作為bert的輸入，經(jīng)過多層transformer得到含有多個(gè)維度的語義特征的輸出向量。

25、這樣，可以讓計(jì)算機(jī)模型能夠識(shí)別核電領(lǐng)域文本，得到含有多個(gè)維度的語義特征的輸出向量，為后續(xù)模型提供數(shù)值型數(shù)據(jù)的輸入。

26、優(yōu)選地，知識(shí)感知層基于雙向長短期記憶網(wǎng)絡(luò)bilstm融合注意力機(jī)制attention構(gòu)建得到；雙向長短期記憶網(wǎng)絡(luò)bilstm用于雙向挖掘質(zhì)量事件文段中的歷史信息和將來信息，將長時(shí)期的特征全面地聯(lián)系起來；注意力機(jī)制attention用于計(jì)算經(jīng)驗(yàn)反饋信息中詞與詞之間特征的關(guān)聯(lián)程度，使知識(shí)感知層在處理信息時(shí)將注意力集中在與核電有關(guān)的區(qū)域，以獲得更有效的語義信息。

27、核電建造中產(chǎn)生的質(zhì)量事件文本字?jǐn)?shù)通常比較長，模型在學(xué)習(xí)識(shí)別過程中容易遺忘過去的信息。這樣的設(shè)置，可以獲得更有效的語義信息。

28、優(yōu)選地，知識(shí)預(yù)測層基于條件隨機(jī)場構(gòu)建，用于對(duì)通過知識(shí)感知層的輸出結(jié)果進(jìn)行優(yōu)化；在預(yù)測時(shí)結(jié)合發(fā)射矩陣和轉(zhuǎn)移矩陣，通過上層輸出的狀態(tài)分?jǐn)?shù)和轉(zhuǎn)移分?jǐn)?shù)計(jì)算句子標(biāo)簽對(duì)應(yīng)得分最高的標(biāo)注序列，作為對(duì)應(yīng)的關(guān)鍵知識(shí)。

29、通過知識(shí)感知層的結(jié)果只是對(duì)核電質(zhì)量事件文本中的每個(gè)字進(jìn)行了學(xué)習(xí)，并沒有考慮標(biāo)簽之間的約束關(guān)系，例如“壓力容器”是核電領(lǐng)域中的固定專業(yè)詞語，字與字之間不能調(diào)整順序，因此需對(duì)標(biāo)簽的連接順序有所約束。引入條件隨機(jī)場(conditional?randomfields，crf)對(duì)上層的輸出結(jié)果進(jìn)行優(yōu)化，可以從而確保最后預(yù)測的經(jīng)驗(yàn)反饋知識(shí)合理有效。

30、優(yōu)選地，關(guān)系抽取模型由基于多實(shí)例學(xué)習(xí)的分段卷積神經(jīng)網(wǎng)絡(luò)pcnn優(yōu)化而成，包括：

31、向量表達(dá)層，用于將輸入的關(guān)鍵知識(shí)轉(zhuǎn)換為嵌入向量表達(dá)矩陣；所述嵌入向量表達(dá)矩陣包括詞嵌入向量和位置嵌入向量，所述詞嵌入向量用于指示關(guān)鍵知識(shí)中的文本詞，所述位置嵌入向量用于指示關(guān)鍵知識(shí)中各文本詞中的位置信息；

32、卷積層，用于將嵌入向量表達(dá)矩陣進(jìn)行分區(qū)域的局部特征提取，得到各不同區(qū)域的局部特征圖；

33、分段最大池化層，用于分別對(duì)各不同區(qū)域的局部特征圖進(jìn)行分段最大池化操作，得到各不同區(qū)域?qū)?yīng)的池化最大值特征圖；

34、全連接層，用于對(duì)各不同區(qū)域?qū)?yīng)的池化最大值特征圖進(jìn)行拼接后，采用高斯誤差線性單元gelu作為激活函數(shù)進(jìn)行激活，得到關(guān)鍵知識(shí)的全連接特征圖；

35、分類層，用于對(duì)關(guān)鍵知識(shí)的全連接特征圖進(jìn)行分類決策判斷和關(guān)系抽取，得到關(guān)鍵知識(shí)中文本信息呈現(xiàn)的關(guān)系特征，并進(jìn)行輸出。

36、由于表達(dá)質(zhì)量事件的核電經(jīng)驗(yàn)反饋信息長度較長，使用基于詞法、句法特征來抽取關(guān)系的傳統(tǒng)方法正確率不高，同時(shí)容易引入噪聲數(shù)據(jù)。這樣的設(shè)置，可以提高經(jīng)驗(yàn)反饋信息關(guān)系抽取模型的泛化能力，且能避免梯度消失問題。

37、優(yōu)選地，所述高斯誤差線性單元gelu的激活函數(shù)表達(dá)式為：

38、

39、其中，x表示激活函數(shù)的輸入，π為圓周率。

40、優(yōu)選地，s5中，通過推理引擎在知識(shí)庫中進(jìn)行檢索，以獲取需要的知識(shí)。

41、這樣，可以保證知識(shí)獲取的便捷性和有效性。