[发明专利]一种基于结构化表达的电力运维文本分析方法

摘要

一种基于结构化表达的电力运维文本分析方法，包括如下步骤：①通过采集电力运维日志并加入维基百科的开源中文语料库构建电力运维语料数据库，同时对所构建的语料数据库进行预处理；②基于所构建的电力运维语料库，针对这种中文记录文档特征设计基于拼音统计的词向量；③采用CBOW模型网络架构生成中文词表示向量；④采用基于Bi‑LSTM字符级提取方法识别实体关键词⑤对于所提取的实体关键词，构建多维特征语义槽结构；⑥提取影响事故发生的多类特征的类内和类间的关系。该方法可对庞大且冗杂的企业级文本数据资产实现对其进行统一管理，通过数据分析并高效获取相关设备网点运营状况，发现潜在的危险和隐患，在第一时间能够对异常事件做出响应。

主权项

1.一种基于结构化表达的电力运维文本分析方法，其特征在于：包括如下步骤：①通过采集电力运维日志并加入维基百科的开源中文语料库构建电力运维语料数据库，同时对所构建的语料数据库进行预处理；②基于所构建的电力运维语料库，针对这种中文记录文档特征设计基于拼音统计的词向量，引入了语素拼音的词频作为统计权重，即对拼音表示在训练集语料和全文档中统计词频和逆文档概率TF_p和IDF_p，其中③采用CBOW模型网络架构生成中文词表示向量，对于给定长度语句S＝[x₁,x₂,...,x_K]，其中x_K为第K个语素，通过一个固定大小(2m+1)窗口内的上下文语素来预测目标中心词x_i，获取中心语素的前m个和后m个语素{x_i‑m,...,x_i‑1,x_i+1,...,x_i+m}的局部拼音表示组对每一个拼音组的拼音表示随机生成T维的拼音词向量p_xj，每一个语素包含多个不同长度n的拼音表示，即构成拼音词向量组{p_x1,p_x2,...,p_xl}；所述CBOW网络架构是包含输入层、输出层和一个隐含层的神经网络；④采用基于Bi‑LSTM字符级提取方法识别实体关键词，其方法流程为：首先对拼字输入26个拼音字符通过ont‑hot随机编码为26维字向量构造一个查找表，对语素拼音的每个字符分别参照查找表表示为初始化字向量，然后以T_w大小滑窗通过一个卷积层和一个最大池化层，构造每个字符对应的T_c维字向量c_x，然后融合每个语素的词向量和字向量特征，即生成(T+T_c)维的拼音特征向量v_x，将词特征向量作为输入放入Bi‑LSTM网络模型，其中前向LSTM的输入序列是文本中以语素为单元的顺序序列，后向LSTM的输入是其逆序序列；通过Bi‑LSTM网络，在t时刻前向LSTM输出矩阵为后向LSTM输出为其组合值为在Bi‑LSTM网络的输出层通过softmax进行激活，即为：y_t＝softmax(WH_t+b)；⑤对于所提取的实体关键词，构建多维特征语义槽结构，该结构由七个语义槽构成，分别为：F＝{C,N,D,T,A,R,E,P}，C为作业单位，N为姓名，D为日期，T为时间，A为事故发生原因，R为故障线路，E为故障设备，P为事故发生地点；具体方法是：首先对电力运维日志历史记录进行处理，设计运维文本的文法表达结构并通过实体关键词提取来构造不同词类的本体字典，同时获得本体字典中的全部词语的词向量表示W_ij，其中本体字典包含i个词类，每个此类包含j个词语，对同一词类的全部词向量取平均值获得W_i^*作为第i词类的特征向量；语义槽填充包括关键词提取和正则匹配，对外部语料提取实体关键词与字典词进行匹配，匹配成功则根据词类填入语义槽中，若所提取关键词未与字典完全匹配，则对比该关键词与各个词类间的语义相似度，即sim(W_key,W_i^*)＝W_key·W_i^*，将该关键词划分为余弦距离最近的一类，此外若所提取关键词中包含多个同词类目标，则按照顺序一次填入语义槽；对于语料中的数值信息，采用正则表达式提取符合相应正则文法的数量词，并将数字信息推导成为最终的标准数字量；中间语义槽经过词串合并，最终能够对非/半结构化文本重组为多维特征语义槽结构的文法表达结构，同时获得到的语素或词串也可以用与扩充本地字典；⑥提取影响事故发生的多类特征的类内和类间的关系；每一词类及一个事故影响因素，对于类内特征的分析采用统计词频特征TF‑IDF，对类内全部词语统计TF‑IDF，由高到底进行排序，即获得同一影响因素下最可能发生事故的特征；同时，对于同一类影响因素下的多个特征间存在的联系提取方法为：两个不同特征W_i和W_j属于同一词类，其间语义相似度函数为sim(W_i,W_j)＝W_i·W_j，对于类内的全部词语，依次获得两个词向量余弦距离最相邻的词语构成一组因素串，即为所获得的同类别事故影响因素的关联结果；对于不同类间影响因素的关联，在词频维度上，W_i和W_k是任意两个不同词类的特征，认为其同时出现在同一文本中是不同因素的高发强关联特征，因此设计两个特征间词频距离为，其中T_i是在全语料中每个文本包含W_i的TF‑IDF词频的统计量，采用k‑means聚类将d_ik作为距离函数在类间统计多类影响因素同时造成事故发生的情况。