[发明专利]用于综合管廊领域的实体信息抽取及知识图谱构建方法

权利要求书

1.一种用于综合管廊领域的实体信息抽取及知识图谱构建方法，其特征在于，包括如下步骤：

步骤(1)、数据采集：

基于已有综合管廊结构化数据和互联网数据生成综合管廊相关数据，这些数据包括已有相关设施设备的结构化数据，以及通过爬虫在相关政府网站、综合管廊类网站、施工相关网站采集的综合管廊相关文档信息；这些综合管廊相关文档信息包括规划类文档信息、设计文档、施工文档、法律法规、政策标准、期刊、专利、报告、百科以及相关新闻；获取的数据通过收集、清洗、分析、汇总、入库工作后形成综合管廊网络知识库；

步骤(2)、数据标注训练：

根据上述步骤(1)采集的数据信息，选取部分数据作为训练集进行标注训练，建立NLP模型；

通过人工筛选标注的方式进行标注，作为训练数据；

在人工标注过程中，对管廊行业相关词进行特殊标注以便后续可根据词性抽取实体，取“隧道”的英文“tunnel”的前三个字母“tun”作为管廊相关词的特殊词性，方便与其他词性进行区分；

确定各个实体的属性分类，在考虑了管廊的特性后暂规划的实体属性有包含名词解释、实体设计、实体施工、实体运维要求、优缺点在内的共11种属性以及父、子关系从属的上下级关系；

运用BERT模型对标注数据进行训练，最后用训练好的模型对所有文档进行词性标注；

步骤(3)、实体属性分类：

建立句子属性分类模型，对符合三元组抽取的句子进行实体属性分类，得到该被分析句子所包含实体的属性为哪一种；

步骤(4)、实体抽取：

建立基于语义角色和依存句法关系的三元组抽取模型，将综合管廊数据通过预设模型抽取相关的实体，并分别抽取所述实体的基本属性及实体之间的关系；其中抽取的实体包括实体名称、基本属性以及所属文档id；

步骤(5)、数据存储：

根据所述三元组抽取模型，将获取的所述实体的属性及实体间逻辑关系进行整合，去除相似及重复数据，消除矛盾及歧义数据，建立准确的实体连接并存储于图数据库中；

步骤(6)、知识图谱生成：

基于Neo4J图数据库将所述三元组进行存储后，通过预设算法处理图数据库中的数据，将所述实体的属性及实体关系连接按照实体-关系-实体的三元组数据用图的方式进行展现；

在步骤(4)中三元组抽取模型的抽取过程具体如下：

对每句话进行语义角色和依存句法分析，对每个词生成一个该词的数组，用以记录该词的词性、父子节点的词性及其关系；

对每个词性标注为‘tun’的词查找其是否具有语义角色关系，如存在则进入属性分类判断其属性归属，然后提取三元组，若不存在则进行依存句法分析查询；

对每个词进行查询，找出其是否具有主谓宾，动宾，定语后置，缺失宾语情况下的介宾关系、前置宾语、间接宾语中的某一情况，若存在，先对关系进行扩充，再判断该关系结构中存在几个词性为‘tun’的词，若为一个则进行属性分类，若大于一个则进行实体间的关系抽取，最终抽取出该情况下的三元组。