[发明专利]一种基于飞行器维修的知识推理方法

说明书

本发明提出了一种基于飞行器维修的知识推理方法，属于知识图谱知识推理领域；该方法包括：首先，对技术跟踪数据进行处理，将其提取为实体‑关系‑实体格式的三元组；然后，调用python中的py2neo模块将数据集中的三元组导入到Neo4j数据库，采用自底向上的方法构建飞行器维修知识图谱；最后基于知识推理对飞行器维修知识图谱中潜在的新关系进行推理，捕获知识图谱中隐藏的语义信息；本发明提出了基于飞行器维修的知识推理方法，充分利用知识图谱已有的结构化信息生成知识表达，从而显著提高了知识推理的准确性。

技术领域

本发明属于知识推理领域，具体涉及到种基于飞行器维修知识图谱的知识推理方法。

背景技术

知识推理技术是知识图谱(Knowledge Graph，KG)的一个重要应用领域，能够在基于已有知识图谱事实的基础上，预测出三元组中缺失的部分，从而补充并丰富知识图谱，传统的知识推理有两种主流方法：基于规则的知识推理和基于本体的知识推理；

基于规则的推理需要依赖于规则、前提、特定假设等条件，基于规则的知识推理很早就受到了广泛关注,其依赖的位于实体之上的规则和假设易于理解，具有较好的可解释性，产生了一系列的推理方法，早期的NELL知识图谱采用一阶关系学习算法进行知识图谱推理，后来的研究者对基于规则的推理方法进行了进一步的完善与改进；

上述基于规则的推理是最基础的，严重依赖于规则的严格匹配和离散逻辑操作，无法处理模糊和噪声数据，预先制定的评估标准限制了所学规则的表达能力。之后的研究者用多种方法对传统方法的知识推理进行了改进和完善，Jiang等人利用启发式规则对知识图谱中不确定的知识进行处理,提出了基于MLN的系统去噪抽取的NELL知识图谱；Chen等人则提出了本体路径发现算法OP(ontological pathfinding),用发现的规则丰富知识图谱；

基于规则的推理依赖的规则和假设易于理解，具有较好的可解释性，但也具有明显的局限性——无法处理模糊和噪声数据，预先制定的评估标准限制了所学规则的表达能力；基于本体推理主要利用较为抽象化的本体约束或路径进行推理，当规则、特征、约束或路径有效时，准确率较高；目前典型高准确率要求的知识图谱,大多都采用该推理方法，但上述无论是基于规则的推理还是基于本体约束的推理方法,都需要进行实例化,可计算性差,并且统计特征十分依赖现有的数据,不易迁移,对稀疏样本的处理情况较差；

然而，随着深度学习技术的发展，更多的研究者对基于深度学习方法的知识推理进行研究。深度学习的最新进步促进了知识图谱上的神经推理，知识图谱对模糊和噪声数据具有鲁棒性，因而被广泛使用，Bordes等人提出了首个基于翻译的表示模型TransE,掀起了Trans系列的研究热潮；在后来的研究中，Wang等人为了更好地处理多映射关系的问题，在TransE的基础上将实体映射到关系指定的超平面，使得同一个实体在不同关系指定的超平面有不同的表示；

本文结合非结构化文本的语义信息与基于翻译的知识表示，从而进一步提高了知识推理的准确性。

发明内容

目前的知识推理无论是使用基于规则的方法、基于本体的方法还是深度学习方法，普遍忽略了文本中的附加信息和知识图谱的结构信息，为了解决这个问题，本文把用于预测的三元组数据形式扩展为四元组，将文本中容易被忽略的语义信息作为实体放入四元组中加以训练，旨进一步提高推理的准确性。我们方法的具体流程如下：

步骤(A)数据预处理；

步骤(B)飞行器维修知识图谱的构建；

步骤(C)基于知识图谱进行知识提取；

步骤(D)使用构建的四元组进行知识推理；

步骤(E)对推理结果进行评价；

本发明的有益效果：