买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：西安理工大学

摘要：本发明公开了一种面向人机协作装配任务的知识图谱构建方法，步骤包括：1建立面向人机协作装配的知识图谱构建流程图；2进行装配知识资源的采集；3将采集到的装配知识统一预处理成自然语言文本的形式；4对预处理过的自然语言文本语料进行句法分析；5采用“基于规则模板的方法”规则，从句法分析的结果中进行信息抽取；6采用“实体匹配”的方法对信息抽取得到的三元组数据进行知识融合；7对数据层中的知识进行概念化抽象得到模式层知识，用本体库进行管理；8将数据层和模式层知识以属性图模型的方式存储在图数据库Neo4j中，并以图结构的形式进行可视化。本发明方法简介有效，逻辑性强，具有广泛的应用价值。

主权项：1.一种面向人机协作装配任务的知识图谱构建方法，其特征在于，按照以下步骤实施：S1：分析实际的人机协作装配任务，得到具体的知识图谱构建流程图；S2：从不同渠道采集不同模态、不同结构的原始装配数据；S3：将采集到的多源异构装配数据统一预处理成自然语言文本的形式；S4：采用LTP语言技术平台对预处理过的自然语言文本语料进行句法分析，包括分词、词性标注、命名实体识别、依存句法分析和语义角色标注；S5：采用“基于规则模板的方法”设计规则，从句法分析的结果中进行信息抽取，包括实体抽取、关系抽取和属性抽取，对于三元组的定义如下：设知识图谱为G，头实体为H，尾实体为T，头实体-尾实体之间的关系为R，实体标签为L，实体属性为V，关系属性为P，则将这些要素组织在一起，定义结构化三元组的表达式为：G=[H:L{ATT:V}]-R{ATT:P}-[T:L{ATT:V}]具体过程是：S51：从依存句法分析的结果中进行关系抽取，得到语料中包含的核心谓词和关联谓词，即实体抽取的备选特征词，其中，依存句法分析的结果以序号1，序号2，关键词的形式表示，具体包含以下小步骤：S511：如果关键词是HED，序号2用0表示，则序号1所指代的那个词就作为核心谓词，有且仅有一个；S512：如果关键词是COO，且序号2所指代的那个词是核心谓词，则序号1所指代的那个词就作为关联谓词，可以有多个关联谓词；S52：依据装配过程需要设计规则，从备选特征词集合中剔除掉不符合要求的特征词，剩余的词作为连接头实体和尾实体的关系特征词R；S53：依据语义角色标注的结果，从语料中去匹配每个关系特征词R所对应的主语和宾语，得到结构化三元组的头实体H和尾实体T，其中，语义角色标注的结果以序号1，[（关键词，序号2，序号3），……]的形式表示，关键词所指代的词的范围在[序号2，序号3]区间内，具体包含以下分步骤：S531：如果序号1所指代的词是关系特征词R，且既存在用关键词A0或者ARGM-MNR标识的词H，又存在用关键词A1标识的词T，则词H作为关系特征词R对应的头实体抽取，词T作为关系特征词R对应的尾实体抽取；S532：如果序号1所指代的词是关系特征词R，且既存在用关键词A1标识的词H，又存在用关键词A2标识的词T，则词H作为关系特征词R对应的头实体抽取，词T作为关系特征词R对应的尾实体抽取；S533：如果序号1所指代的词是关系特征词R，且只存在用关键词A2标识的词H，则词H作为头实体抽取；S534：在实体抽取时，添加额外的三元组，具体方式如下：S5341：如果三元组[H，R，T]中的头实体H用关键词ARGM-MNR标识，且修饰词H的使动词是“用”，则在该条三元组抽取完成后，自动添加三元组[操作者，使用，H]；S5342：如果三元组[H，R，T]中的头实体H用关键词A2标识，则在该条三元组抽取完成后，自动添加三元组[操作者，拿，H]；S54：在实体属性抽取过程中，依存句法分析的结果以序号1，序号2，关键词的形式表示，具体包括以下小步骤：S541：如果关键词是ATT，且序号2所指代的词包含在头实体或尾实体列表中，则表示序号1所指代的词与序号2所指代的词存在状中关系，那么抽取序号1所指代的词作为序号2所指代词的一个属性值V；S542：如果关键词是SBV，且序号2所指代的词包含在头实体或尾实体列表中，则表示序号1所指代的词与序号2所指代的词存在主谓关系，那么抽取序号1所指代的词作为序号2所指代词的一个属性值V；S55：在关系属性抽取过程中，语义角色标注的结果以序号1，[（关键词，序号2，序号3），……]的形式表示，具体包括以下分步骤：S551：如果序号1所指代的词是关系特征词R，且关键词是ARGM-ADV，则表示区间[序号1，序号2]所指代的部分在语料中作关系特征词R的状语，那么抽取[序号1，序号2]所指代的部分作为关系特征词R的一个属性值P；S552：如果序号1所指代的词是关系特征词R，且关键词是ARGM-TMP，则表示序号1所指代的词在语料中作关系特征词R的时间状语，那么抽取序号1所指代的词作为关系特征词R的一个属性值P；S6：采用“实体匹配”的方法对信息抽取得到的三元组数据进行知识融合，以消除实体指称项的多样性和歧义性问题，包括实体消歧和共指消解，具体过程是：S61：利用聚类方法构建各实体的分类集合，将语义信息相近的实体归为一类，进而得到各分类集合的高维向量表示；S62：利用分词结果得到实体指称项E的高维向量表示，以BERT预训练模型为基础，相同的实体指称项在不同的上下文环境中具有不同的向量表示；S63：计算每个实体指称项和分类集合之间的余弦相似度cosA,E，表达式为： ；S64：根据余弦相似度的值来进行实体消歧，解决实体指称项的歧义性问题；如果cosA,E＞cosB,E，则归为实体的分类集合A，否则归为实体的分类集合B；S65：在构建知识图谱前，根据百科资料事先建立一个实体字典库，由多个键值对组成，每个键值对的key值是实体指称项E的官称，value值是一个列表库，里面包含的是实体指称项E的偏称；S66：依据实体匹配的结果来进行共指消解，以此来解决实体指称项的多样性问题；S7：对数据层中的知识进行概念化抽象得到模式层知识，用本体库对这些知识进行管理；S8：将数据层和模式层知识以属性图模型的方式存储在图数据库Neo4j中，并以图结构的形式进行可视化，进而得到面向人机协作装配的知识图谱。

全文数据：

权利要求：

百度查询： 西安理工大学 面向人机协作装配任务的知识图谱构建方法