CN113486151A - 故障维修知识点查询方法、装置、电子设备和存储介质 - Google Patents
故障维修知识点查询方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113486151A CN113486151A CN202110791181.4A CN202110791181A CN113486151A CN 113486151 A CN113486151 A CN 113486151A CN 202110791181 A CN202110791181 A CN 202110791181A CN 113486151 A CN113486151 A CN 113486151A
- Authority
- CN
- China
- Prior art keywords
- fault
- entity
- text
- question
- statement text
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000008439 repair process Effects 0.000 title claims description 15
- 238000012423 maintenance Methods 0.000 claims abstract description 148
- 230000009471 action Effects 0.000 claims abstract description 83
- 238000000605 extraction Methods 0.000 claims abstract description 31
- 238000013024 troubleshooting Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 239000003921 oil Substances 0.000 description 25
- 230000009467 reduction Effects 0.000 description 9
- 239000010721 machine oil Substances 0.000 description 6
- 239000013589 supplement Substances 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 239000010727 cylinder oil Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000010720 hydraulic oil Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种故障维修知识点查询方法、装置、电子设备和存储介质，所述方法包括：对故障描述语句文本进行实体提取，得到故障描述语句文本对应的故障零件实体及故障动作实体；基于故障零件实体，以及故障动作实体，若在维修知识图谱中未查询到故障描述语句文本对应的故障维修知识点，则基于故障零件实体或故障动作实体，生成追问语句文本，并基于追问语句文本获取有效故障实体，以及基于有效故障实体在维修知识图谱中查询追问语句文本对应的故障维修知识点；追问语句文本包含故障描述语句文本缺失的槽位信息。本发明在故障描述语句文本缺失相关槽位信息的情况下，能够准确在维修知识图谱中查询追问语句文本对应的故障维修知识点。
Description
技术领域
本发明涉及故障维修技术领域，尤其涉及一种故障维修知识点查询方法、装置、电子设备和存储介质。
背景技术
在工业等专业领域中，每次使用工程机械的人员需要对工程机械进行故障定位并维修时，均需要协调专业的研发人员提供帮助，导致故障定位以及维修的效率较低，因此，自动查询故障维修知识点以提高故障定位和维修效率成为迫切的需求。
目前，传统方案中故障维修知识点的查询主要是通过对语音文本进行相似度匹配的方式来召回故障维修知识点，但该方案只支持单轮语句查询对应的故障维修知识点，而在实际情况中单轮语句中的信息是缺失的。此外，该方案通过相似度匹配的方式确认故障维修知识点，但单个维度的相似度无法完全表达语音文本与故障维修知识点的关系，进而无法准确查询对应的故障维修知识点。
发明内容
本发明提供一种故障维修知识点查询方法、装置、电子设备和存储介质，用以解决现有技术中无法准确查询故障维修知识点的缺陷。
本发明提供一种故障维修知识点查询方法，包括：
对故障描述语句文本进行实体提取，得到所述故障描述语句文本对应的故障零件实体及故障动作实体；
基于所述故障零件实体，以及所述故障动作实体，在维修知识图谱中查询是否存在所述故障描述语句文本对应的故障维修知识点；
若否，则基于所述故障零件实体或所述故障动作实体，生成追问语句文本，并基于所述追问语句文本获取有效故障实体，以及基于所述有效故障实体在所述维修知识图谱中查询所述追问语句文本对应的故障维修知识点；所述追问语句文本包含所述故障描述语句文本缺失的槽位信息。
根据本发明提供的一种故障维修知识点查询方法，所述基于所述故障零件实体或所述故障动作实体，生成追问语句文本，包括：
基于所述故障零件实体或所述故障动作实体，确定所述故障描述语句文本缺失的槽位信息；
基于所述槽位信息，生成所述追问语句文本。
根据本发明提供的一种故障维修知识点查询方法，所述基于所述追问语句文本获取的有效故障实体，包括：
将所述追问语句文本发送至用户端，以使用户端返回补充描述语句文本；所述补充描述语句文本包含有所述槽位信息对应的填槽信息；
对所述补充描述语句文本进行实体提取，得到所述补充描述语句文本对应的有效故障实体。
根据本发明提供的一种故障维修知识点查询方法，所述基于所述有效故障实体在所述维修知识图谱中查询所述追问语句文本对应的故障维修知识点，包括：
若所述有效故障实体对应的是故障零件信息，则基于所述有效故障实体，以及所述故障动作实体，在维修知识图谱中查询所述追问语句文本对应的故障维修知识点；
若所述有效故障实体对应的是故障动作信息，则基于所述有效故障实体，以及所述故障零件实体，在维修知识图谱中查询所述追问语句文本对应的故障维修知识点。
根据本发明提供的一种故障维修知识点查询方法，所述对故障描述语句文本进行实体提取，得到所述故障描述语句文本对应的故障零件实体及故障动作实体，包括：
将所述故障描述语句文本输入至语义理解模型，得到所述语义理解模型输出的所述故障描述语句文本对应的故障零件实体及故障动作实体；
其中，所述语义理解模型是基于样本故障描述语句文本及其对应的样本零件实体和样本动作实体训练得到的。
根据本发明提供的一种故障维修知识点查询方法，所述对故障描述语句文本进行实体提取，之前还包括：
获取描述故障的语音数据；
将所述语音数据输入至语音识别模型，得到所述语音识别模型输出的所述故障描述语句文本；
其中，所述语音识别模型是基于样本语音数据及其对应的样本语音文本训练得到的。
根据本发明提供的一种故障维修知识点查询方法，所述将所述语音数据输入至语音识别模型，之前还包括：对所述语音数据进行降噪处理。
根据本发明提供的一种故障维修知识点查询方法，所述维修知识图谱是基于对故障维修的专家知识依次进行数据清洗、数据筛选和特征提取构建的。
本发明还提供一种故障维修知识点查询装置，包括：
提取单元，用于对故障描述语句文本进行实体提取，得到所述故障描述语句文本对应的故障零件实体及故障动作实体；
查询单元，用于基于所述故障零件实体，以及所述故障动作实体，在维修知识图谱中查询是否存在所述故障描述语句文本对应的故障维修知识点；若否，则基于所述故障零件实体或所述故障动作实体，生成追问语句文本，并基于所述追问语句文本获取有效故障实体，以及基于所述有效故障实体在所述维修知识图谱中查询所述追问语句文本对应的故障维修知识点；所述追问语句文本包含所述故障描述语句文本缺失的槽位信息。
本发明还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一种所述故障维修知识点查询方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述故障维修知识点查询方法的步骤。
本发明提供的故障维修知识点查询方法、装置、电子设备和存储介质，若在维修知识图谱中查询不存在故障描述语句文本对应的故障维修知识点，则基于故障零件实体或故障动作实体，生成追问语句文本，并基于追问语句文本获取有效故障实体，由于追问语句文本包含有故障描述语句文本缺失的槽位信息，从而在故障描述语句文本缺失相关槽位信息的情况下，基于有效故障实体能够准确在维修知识图谱中查询追问语句文本对应的故障维修知识点。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的故障维修知识点查询方法的流程示意图；
图2是本发明提供的又一故障维修知识点查询方法的流程示意图；
图3是本发明提供的故障维修知识点查询装置的结构示意图；
图4是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
目前，传统方案中故障维修知识点的查询主要是通过对语音文本进行相似度匹配的方式来召回故障维修知识点，但该方案只支持单轮语句查询对应的故障维修知识点，而在实际情况中单轮语句中的信息是缺失的。此外，该方案通过相似度匹配的方式确认故障维修知识点，但单个维度的相似度无法完全表达语音文本与故障维修知识点的关系，进而无法准确查询对应的故障维修知识点。
例如，当获取的语音文本为“作业机械漏油”，若采用传统的方法仅可获知作业机械存在漏油故障，但具体是作业机械的哪个部位存在漏油故障则无法从单轮的语音文本“作业机械漏油”中确定。又如，当获取的语音文本为“臂架油缸漏油”，采用传统方法中进行相似度匹配的方式，由于其是基于语义相似度进行匹配，在故障维修知识库中可能会匹配到“大臂漏油”的语义与其相似，进而将“大臂漏油”对应的维修知识点输出，作为“臂架油缸漏油”的维修知识点，从而导致无法准确召回语音文本对应的维修知识点的问题。
对此，本发明提供一种故障维修知识点查询方法。图1是本发明提供的故障维修知识点查询方法的流程示意图，如图1所示，该方法包括如下步骤：
步骤110、对故障描述语句文本进行实体提取，得到故障描述语句文本对应的故障零件实体及故障动作实体。
具体地，故障描述文本是用于描述故障的文本数据，其可以包括发生故障的零件(如臂架油缸、发动机、液压油箱等)、故障的动作(如漏油、抖动等)等。故障描述文本可以是通过语音设备采集用户的语音转化得到的文本，也可以是用户通过终端输入的文本，本发明实施例对此不作具体限定。故障零件实体用于表征故障描述语句文本中故障发生的位置，故障动作实体用于表征故障描述语句文本中故障发生对应的动作。例如，对于故障描述文本“臂架抖动”，“臂架”为故障零件实体，“抖动”为故障动作实体。
在获取故障描述语句文本之后，可以基于语义理解对故障描述语句文本进行实体提取，从中确定文本中的故障零件实体和故障动作实体。例如，可以基于预先训练得到的语义理解模型对故障描述语句文本进行实体提取，也可以基于关键词匹配+规则匹配的方式对故障描述语句文本进行语义理解，提取故障描述语句文本的实体。由于故障描述语句文本是基于语义理解提取的，从而可以基于故障描述语句文本的上下文信息从提取的实体中确定故障零件实体和故障动作实体，即实现对实体的分类。
步骤120、基于故障零件实体，以及故障动作实体，在维修知识图谱中查询是否存在故障描述语句文本对应的故障维修知识点；
若否，则基于故障零件实体或故障动作实体，生成追问语句文本，并基于追问语句文本获取有效故障实体，以及基于有效故障实体在维修知识图谱中查询追问语句文本对应的故障维修知识点；追问语句文本包含故障描述语句文本缺失的槽位信息。
具体地，维修知识图谱可以是以故障零件实体和故障维修知识点作为节点，以故障动作实体作为连接两个节点的边，也可以是以故障动作实体和故障零件实体作为节点，以故障维修知识点作为连接两个节点的边，还可以是以故障动作实体和故障维修知识点作为节点，以故障零件实体作为连接两个节点的边，从而基于故障零件实体和故障动作实体，即可确定对应的故障维修知识点。
然而，故障描述语句文本可以为包含完整故障信息的描述文本，如包含故障具体位置和故障具体动作信息的文本，如“臂架油缸漏油”中即包含故障具体位置信息—臂架油缸，也包含故障具体动作信息—漏油，因此可以看作是包含完整故障信息的描述文本，基于该描述文本，可以提取故障零件实体为“臂架油缸”，故障动作实体为“漏油”，进而在维修知识图谱中可以查询到“臂架油缸—漏油”对应的维修知识点。
同时，故障描述语句文本也可以为包含部分故障信息的文本，如“作业机械漏油”，故障零件实体为“作业机械”，故障动作实体为“漏油”，但在维修知识图谱中无法基于“作业机械—漏油”查询到对应的维修知识点，因为“作业机械”这一故障零件实体没有包含漏油的具体位置信息，即缺少故障的定位信息。因此，若在维修知识图谱中未查询到对应的故障维修知识点，则表明故障描述语句文本中缺失相关信息，则基于故障零件实体或故障动作实体，生成追问语句文本，从而基于追问语句文本获取有效故障实体，进而基于有效故障实体在维修知识图谱中快速查询追问语句文本对应的故障维修知识点。其中，有效故障实体指所述故障描述语句文本中所缺失的槽位信息对应的实体，缺失的槽位信息可以是故障动作实体，也可以是故障零件实体，追问语句文本可以是通过语音设备采集用户的语音转化得到的文本，也可以是用户通过终端输入的文本，本实施例对此不作具体限定。
例如，对于“作业机械漏油”这一文本，根据故障零件实体“作业机械漏油”可以确定其缺失的槽位信息是漏油的具体位置，因此可以基于故障零件实体生成追问语句文本“具体是作业机械的哪个位置漏油”，用户在接收到追问语句文本后，则会补充回答“作业机械的臂架油缸漏油”，从而基于补充回答“作业机械的臂架油缸漏油”可以确定有效故障实体为“臂架油缸”，因此基于“臂架油缸—漏油”在维修知识图谱中可以查询到对应的故障维修知识点。
相较于传统方法中基于单轮语句文本确定故障维修知识点，只能返回一个答案作为最终的查询结果，影响了用户获取知识的效率和准确率，本发明实施例可以基于追问语句文本获取有效故障实体，由于追问语句文本包含故障描述语句文本缺失的槽位信息，从而可以基于有效故障实体在维修知识图谱中准确获取对应的维修知识。此外，相较于传统方法中基于相似度匹配确定维修知识，本发明实施例对故障描述语句文本进行实体提取，基于故障零件实体和故障动作实体在知识图谱中的对应关系，准确确定对应的维修知识。
由此可见，本发明实施例提供的故障维修知识点查询方法，若在维修知识图谱中查询不存在故障描述语句文本对应的故障维修知识点，则基于故障零件实体或故障动作实体，生成追问语句文本，并基于追问语句文本获取有效故障实体，由于追问语句文本包含有故障描述语句文本缺失的槽位信息，从而在故障描述语句文本缺失相关槽位信息的情况下，基于有效故障实体能够准确在维修知识图谱中查询追问语句文本对应的故障维修知识点。
基于上述实施例，基于故障零件实体或故障动作实体，生成追问语句文本，包括：
基于故障零件实体或故障动作实体，确定故障描述语句文本缺失的槽位信息；
基于槽位信息，生成追问语句文本。
具体地，若在维修知识图谱中未查询到故障零件实体对应的故障维修知识点，则表明故障描述语句文本中缺失相关槽位信息，则基于故障零件实体或故障动作实体，生成追问语句文本，以便基于追问语句文本获取故障描述语句文本中缺失的槽位信息。例如，对于“作业机械漏油”这一文本，根据故障零件实体“作业机械漏油”可以确定其缺失的槽位信息是漏油的具体位置，因此可以基于故障零件实体生成追问语句文本“具体是作业机械的哪个位置漏油”，用户在接收到追问语句文本后，则会补充回答“作业机械的臂架油缸漏油”，从而基于补充回答“作业机械的臂架油缸漏油”可以确定有效故障实体为“臂架油缸”，因此基于“臂架油缸—漏油”在维修知识图谱中可以查询到对应的故障维修知识点。其中，也可以通过深度学习的方式，训练自然语言生成模型(NLG)，来生成追问语句文本，本发明实施例对此不作具体限定。
基于上述任一实施例，基于追问语句文本获取有效故障实体，包括：
将追问语句文本发送至用户端，以使用户端返回补充描述语句文本；补充描述语句文本包含有槽位信息对应的填槽信息；
对补充描述语句文本进行实体提取，得到补充描述语句文本对应的有效故障实体。
具体地，若在维修知识图谱中未查询到故障零件实体对应的故障维修知识点，则表明故障描述语句文本中缺失相关槽位信息，则基于故障零件实体或故障动作实体，生成追问语句文本，并将追问语句文本发送至用户端，用户端根据追问语句文本中包含的缺失的槽位信息进行填槽，返回对应的填槽信息，即补充描述语句文本，从而从补充描述语句文本中提取的有效故障实体包含有对应的填槽信息。
基于上述任一实施例，基于有效故障实体在维修知识图谱中查询追问语句文本对应的故障维修知识点，包括：
若有效故障实体对应的是故障零件信息，则基于有效故障实体作为节点，以及故障动作实体，在维修知识图谱中查询追问语句文本对应的故障维修知识点；
若有效故障实体对应的是故障动作信息，则基于有效故障实体，以及故障零件实体，在维修知识图谱中查询追问语句文本对应的故障维修知识点。
具体地，有效故障实体可以对应故障零件信息，如故障发生位置，也可以对应故障动作信息，当有效故障实体对应故障零件信息时，则可以以有效故障实体作为节点，以及以故障动作实体作为边，或以故障动作实体作为节点，以有效故障实体作为边，在维修知识图谱中查询追问语句文本对应的故障维修知识点；当有效故障实体对应的是故障动作信息，则可以以有效故障实体作为边，以及以故障零件实体作为节点，或以故障零件实体作为边，以有效故障实体作为节点，在维修知识图谱中查询追问语句文本对应的故障维修知识点。
由此可见，在基于追问语句文本获取的有效故障实体进行查询时，会继承上一轮故障描述语句文本对应的实体，并结合上一轮识别的实体在维修知识图谱中准确查询到对应的故障维修知识点。可以理解的是，在确定故障维修知识点时，可以将每一轮的语句文本提取的实体存储至一个实体列表，以便下一轮语句文本提取出的实体结合实体列表中的实体，在维修知识图谱中进行查询。
可以理解的是，由于追问语句文本是用于获取故障描述文本缺失的槽位信息，从而追问语句文本通常是问句形式，例如对于故障描述语句文本“作业机械漏油”，需要定位漏油的具体位置，则生成的追问语句文本可以为“请问具体是哪个部位漏油”。其中，追问语句文本可以转换成语音播放形式发送至用户端，也可以以文本形式显示在用户端，本发明实施例对此不作具体限定。当追问语句文本发送至用户端时，用户可以通过输入补充描述语句文本回答追问语句文本中的问题，也可以通过语音回答追问语句文本中的问题。当用户以语音方式回答追问语句文本中的问题时，可以通过语音识别模型将用户的语音转换为补充描述语句文本。
基于上述任一实施例，对故障描述语句文本进行实体提取，得到故障描述语句文本对应的故障零件实体及故障动作实体，包括：
将故障描述语句文本输入至语义理解模型，得到语义理解模型输出的故障描述语句文本对应的故障零件实体及故障动作实体；
其中，语义理解模型是基于样本故障描述语句文本及其对应的样本零件实体和样本动作实体训练得到的。
具体地，将故障描述语句文本输入至语义理解模型中，基于该语句文本的上下文进行语义理解，从而能够准确提取对应的故障零件实体和故障动作实体。
在将故障描述语句文本输入至语义理解模型之前，可以通过训练得到语义理解模型，具体可以通过如下步骤训练语义理解模型：首先，收集大量样本故障描述语句文本，通过人工标注确定对应的样本零件实体和样本动作实体。随即，基于样本故障描述语句文本及其对应的样本零件实体和样本动作实体对初始模型进行训练，从而得到语义理解模型。
基于上述任一实施例，对故障描述语句文本进行实体提取，之前还包括：
获取描述故障的语音数据；
将语音数据输入至语音识别模型，得到语音识别模型输出的故障描述语句文本；
其中，语音识别模型是基于样本语音数据及其对应的样本语音文本训练得到的。
具体地，若用户以语音形式描述故障，则可以通过语音设备采集描述故障的语音数据，并将语音数据输入至语音识别模型，以将语音数据转换为文本形式，即故障描述语句文本，便于对该文本进行实体提取，并基于提取的实体查询对应的故障维修知识点。
在将语音数据输入至语音识别模型之前，可以通过训练得到语音识别模型，具体可以通过如下步骤训练语音识别模型：首先，收集大量样本语音数据，通过人工标注确定对应的样本语音文本。随即，基于样本语音数据及其对应的样本语音文本对初始模型进行训练，从而得到语音识别模型。
基于上述任一实施例，将语音数据输入至语音识别模型，之前还包括：对语音数据进行降噪处理。
具体地，在语音设备采集语音数据的过程中，通常会在语音数据中混合环境中的噪声，为了能够准确基于语音数据识别对应的故障描述语句文本，需要对语音数据进行降噪处理，以降低噪声影响。其中，可以采用降噪算法(如空间滤波降噪、单通道降噪和自动增益控制等语音增强算法)对语音数据进行降噪处理，本发明实施例对此不作具体限定。
基于上述任一实施例，维修知识图谱是基于对故障维修的专家知识依次进行数据清洗、数据筛选和特征提取构建的。
具体地，可以通过采集大量的故障维修的专家知识，并对其进行数据清洗和数据筛选后，提取出专家知识的槽位信息，解析知识点，将知识点转换成由节点和边表示的形式，将维修问题的原因分析和解决方案作为故障实体的datatype属性存储，然后将标准的知识库导入到图数据库中构建成为维修知识图谱。此外，在构建维修知识图谱时，可以采用额外的领域知识，如车辆手册等书籍，可以增加先验知识，有助于提高查询的准确率。
基于上述任一实施例，本发明还提供一种故障维修知识点查询方法，如图2所示，该方法包括：
用关键词匹配+规则匹配的方式对故障描述问句进行语义理解，识别出问句中提到的实体，并且对实体进行分类，然后在维修知识图谱中查询识别到的实体对应于图谱中的节点。如果该问句是第一轮对话，则新建一个实体识别列表。如果前面已经进行了多轮对话，且已经识别出一个实体的列表，那么就复制实体列表作为当前状态的累积实体列表。
根据实体识别结果在图谱中的查询结果和槽位更新的策略，对某些实体的值进行更新。根据更新之后的实体列表在图谱中查找故障实体节点，作为候选知识点，并且判断搜索结果的类型，类型种类有：确定答案，推断答案，追问三种结果，如果是确定答案和推断答案，直接返回故障的答案，如果是追问类型，则在追问模块中判断候选知识点的缺失值，根据缺失值对应的槽位信息生成追问语句，并返回给用户，并对用户的回复进行语义理解，采用上述方法进行实体提取并查询故障维修知识点。
下面对本发明提供的故障维修知识点查询装置进行描述，下文描述的故障维修知识点查询装置与上文描述的故障维修知识点查询方法可相互对应参照。
基于上述任一实施例，本发明还提供一种故障维修知识点查询装置，如图3所示，该装置包括：
提取单元310，用于对故障描述语句文本进行实体提取，得到故障描述语句文本对应的故障零件实体及故障动作实体；
查询单元320，用于基于故障零件实体作为节点，以及故障动作实体，在维修知识图谱中查询是否存在故障描述语句文本对应的故障维修知识点；若否，则基于故障零件实体或故障动作实体，生成追问语句文本，并基于追问语句文本获取有效故障实体，以及基于所述有效故障实体在维修知识图谱中查询追问语句文本对应的故障维修知识点；追问语句文本包含故障描述语句文本缺失的槽位信息。
基于上述任一实施例，所述查询单元320，包括：
确定单元，用于基于所述故障零件实体或所述故障动作实体，确定所述故障描述语句文本缺失的槽位信息；
生成单元，用于基于所述槽位信息，生成所述追问语句文本。
基于上述任一实施例，所述查询单元320，包括：
发送单元，用于将所述追问语句文本发送至用户端，以使用户端返回补充描述语句文本；所述补充描述语句文本包含有所述槽位信息对应的填槽信息；
补充提取单元，用于对所述补充描述语句文本进行实体提取，得到所述补充描述语句文本对应的有效故障实体。
基于上述任一实施例，所述查询单元320，包括：
第一补充查询单元，用于若所述有效故障实体对应的是故障零件信息，则基于所述有效故障实体，以及所述故障动作实体，在维修知识图谱中查询所述追问语句文本对应的故障维修知识点；
第二补充查询单元，用于若所述有效故障实体对应的是故障动作信息，则基于所述有效故障实体，以及所述故障零件实体，在维修知识图谱中查询所述追问语句文本对应的故障维修知识点。
基于上述任一实施例，所述提取单元310，用于：
将所述故障描述语句文本输入至语义理解模型，得到所述语义理解模型输出的所述故障描述语句文本对应的故障零件实体及故障动作实体；
其中，所述语义理解模型是基于样本故障描述语句文本及其对应的样本零件实体和样本动作实体训练得到的。
基于上述任一实施例，还包括：
获取单元，用于在对故障描述语句文本进行实体提取之前，获取描述故障的语音数据；
输入单元，用于将所述语音数据输入至语音识别模型，得到所述语音识别模型输出的所述故障描述语句文本；
其中，所述语音识别模型是基于样本语音数据及其对应的样本语音文本训练得到的。
基于上述任一实施例，还包括：
降噪单元，用于在将所述语音数据输入至语音识别模型之前，对所述语音数据进行降噪处理。
基于上述任一实施例，所述维修知识图谱是基于对故障维修的专家知识依次进行数据清洗、数据筛选和特征提取构建的。
图4是本发明提供的电子设备的结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(CommunicationsInterface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行故障维修知识点查询方法，该方法包括：对故障描述语句文本进行实体提取，得到所述故障描述语句文本对应的故障零件实体及故障动作实体；基于所述故障零件实体，以及所述故障动作实体，在维修知识图谱中查询是否存在所述故障描述语句文本对应的故障维修知识点；若否，则基于所述故障零件实体或所述故障动作实体，生成追问语句文本，并基于所述追问语句文本获取有效故障实体，以及基于所述有效故障实体在所述维修知识图谱中查询所述追问语句文本对应的故障维修知识点；所述追问语句文本包含所述故障描述语句文本缺失的槽位信息。
此外，上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的故障维修知识点查询方法，该方法包括：对故障描述语句文本进行实体提取，得到所述故障描述语句文本对应的故障零件实体及故障动作实体；基于所述故障零件实体，以及所述故障动作实体，在维修知识图谱中查询是否存在所述故障描述语句文本对应的故障维修知识点；若否，则基于所述故障零件实体或所述故障动作实体，生成追问语句文本，并基于所述追问语句文本获取有效故障实体，以及基于所述有效故障实体在所述维修知识图谱中查询所述追问语句文本对应的故障维修知识点；所述追问语句文本包含所述故障描述语句文本缺失的槽位信息。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的故障维修知识点查询方法，该方法包括：对故障描述语句文本进行实体提取，得到所述故障描述语句文本对应的故障零件实体及故障动作实体；基于所述故障零件实体，以及所述故障动作实体，在维修知识图谱中查询是否存在所述故障描述语句文本对应的故障维修知识点；若否，则基于所述故障零件实体或所述故障动作实体，生成追问语句文本，并基于所述追问语句文本获取有效故障实体，以及基于所述有效故障实体在所述维修知识图谱中查询所述追问语句文本对应的故障维修知识点；所述追问语句文本包含所述故障描述语句文本缺失的槽位信息。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种故障维修知识点查询方法，其特征在于，包括：
对故障描述语句文本进行实体提取，得到所述故障描述语句文本对应的故障零件实体及故障动作实体；
基于所述故障零件实体作为节点，以及所述故障动作实体，在维修知识图谱中查询是否存在所述故障描述语句文本对应的故障维修知识点；
若否，则基于所述故障零件实体或所述故障动作实体，生成追问语句文本，并基于所述追问语句文本获取有效故障实体，以及基于所述有效故障实体在所述维修知识图谱中查询所述追问语句文本对应的故障维修知识点；所述追问语句文本包含所述故障描述语句文本缺失的槽位信息。
2.根据权利要求1所述的故障维修知识点查询方法，其特征在于，所述基于所述故障零件实体或所述故障动作实体，生成追问语句文本，包括：
基于所述故障零件实体或所述故障动作实体，确定所述故障描述语句文本缺失的槽位信息；
基于所述槽位信息，生成所述追问语句文本。
3.根据权利要求1所述的故障维修知识点查询方法，其特征在于，所述基于所述追问语句文本获取有效故障实体，包括：
将所述追问语句文本发送至用户端，以使用户端返回补充描述语句文本；所述补充描述语句文本包含有所述槽位信息对应的填槽信息；
对所述补充描述语句文本进行实体提取，得到所述补充描述语句文本对应的有效故障实体。
4.根据权利要求1所述的故障维修知识点查询方法，其特征在于，所述基于所述有效故障实体在所述维修知识图谱中查询所述追问语句文本对应的故障维修知识点，包括：
若所述有效故障实体对应的是故障零件信息，则基于所述有效故障实体，以及所述故障动作实体，在维修知识图谱中查询所述追问语句文本对应的故障维修知识点；
若所述有效故障实体对应的是故障动作信息，则基于所述有效故障实体作为边，以及所述故障零件实体，在维修知识图谱中查询所述追问语句文本对应的故障维修知识点。
5.根据权利要求1所述的故障维修知识点查询方法，其特征在于，所述对故障描述语句文本进行实体提取，得到所述故障描述语句文本对应的故障零件实体及故障动作实体，包括：
将所述故障描述语句文本输入至语义理解模型，得到所述语义理解模型输出的所述故障描述语句文本对应的故障零件实体及故障动作实体；
其中，所述语义理解模型是基于样本故障描述语句文本及其对应的样本零件实体和样本动作实体训练得到的。
6.根据权利要求1所述的故障维修知识点查询方法，其特征在于，所述对故障描述语句文本进行实体提取，之前还包括：
获取描述故障的语音数据；
将所述语音数据输入至语音识别模型，得到所述语音识别模型输出的所述故障描述语句文本；
其中，所述语音识别模型是基于样本语音数据及其对应的样本语音文本训练得到的。
7.根据权利要求1至6任一项所述的故障维修知识点查询方法，其特征在于，所述维修知识图谱是基于对故障维修的专家知识依次进行数据清洗、数据筛选和特征提取构建的。
8.一种故障维修知识点查询装置，其特征在于，包括：
提取单元，用于对故障描述语句文本进行实体提取，得到所述故障描述语句文本对应的故障零件实体及故障动作实体；
查询单元，用于基于所述故障零件实体作为节点，以及所述故障动作实体，在维修知识图谱中查询是否存在所述故障描述语句文本对应的故障维修知识点；若否，则基于所述故障零件实体或所述故障动作实体，生成追问语句文本，并基于所述追问语句文本获取有效故障实体，以及基于所述有效故障实体在所述维修知识图谱中查询所述追问语句文本对应的故障维修知识点；所述追问语句文本包含所述故障描述语句文本缺失的槽位信息。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述故障维修知识点查询方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述故障维修知识点查询方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110791181.4A CN113486151A (zh) | 2021-07-13 | 2021-07-13 | 故障维修知识点查询方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110791181.4A CN113486151A (zh) | 2021-07-13 | 2021-07-13 | 故障维修知识点查询方法、装置、电子设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113486151A true CN113486151A (zh) | 2021-10-08 |
Family
ID=77939129
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110791181.4A Pending CN113486151A (zh) | 2021-07-13 | 2021-07-13 | 故障维修知识点查询方法、装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113486151A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114626190A (zh) * | 2021-12-09 | 2022-06-14 | 天津大学 | 一种基于知识图谱的工艺设计资源模型构建方法 |
| CN115034409A (zh) * | 2022-05-31 | 2022-09-09 | 中国第一汽车股份有限公司 | 车辆维修方案确定方法、装置、设备及存储介质 |
| CN115048532A (zh) * | 2022-06-16 | 2022-09-13 | 中国第一汽车股份有限公司 | 基于知识图谱的汽车维修场景智能问答机器人及设计方法 |
| WO2023061293A1 (en) * | 2021-10-15 | 2023-04-20 | International Business Machines Corporation | Knowledge graph driven content generation |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018149326A1 (zh) * | 2017-02-16 | 2018-08-23 | 阿里巴巴集团控股有限公司 | 一种自然语言问句答案的生成方法、装置及服务器 |
| CN109189946A (zh) * | 2018-11-06 | 2019-01-11 | 湖南云智迅联科技发展有限公司 | 一种将设备故障语句描述转换为知识图谱表达的方法 |
| CN110717018A (zh) * | 2019-04-15 | 2020-01-21 | 中国石油大学(华东) | 一种基于知识图谱的工业设备故障维修问答系统 |
| CN110765277A (zh) * | 2019-10-22 | 2020-02-07 | 河海大学常州校区 | 一种基于知识图谱的移动端的在线设备故障诊断平台 |
| CN111125309A (zh) * | 2019-12-23 | 2020-05-08 | 中电云脑(天津)科技有限公司 | 自然语言处理方法、装置及计算设备、存储介质 |
| CN111339246A (zh) * | 2020-02-10 | 2020-06-26 | 腾讯云计算（北京）有限责任公司 | 查询语句模板的生成方法、装置、设备及介质 |
| CN111414477A (zh) * | 2020-03-11 | 2020-07-14 | 科大讯飞股份有限公司 | 车辆故障自动诊断方法、装置以及设备 |
| CN111428009A (zh) * | 2020-06-12 | 2020-07-17 | 太平金融科技服务（上海）有限公司 | 关系查询方法、装置、计算机设备和存储介质 |
| CN111949787A (zh) * | 2020-08-21 | 2020-11-17 | 平安国际智慧城市科技股份有限公司 | 基于知识图谱的自动问答方法、装置、设备及存储介质 |
| CN112100349A (zh) * | 2020-09-03 | 2020-12-18 | 深圳数联天下智能科技有限公司 | 一种多轮对话方法、装置、电子设备及存储介质 |
| CN112163681A (zh) * | 2020-10-15 | 2021-01-01 | 珠海格力电器股份有限公司 | 设备故障原因确定方法、存储介质以及电子设备 |
-
2021
- 2021-07-13 CN CN202110791181.4A patent/CN113486151A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018149326A1 (zh) * | 2017-02-16 | 2018-08-23 | 阿里巴巴集团控股有限公司 | 一种自然语言问句答案的生成方法、装置及服务器 |
| CN109189946A (zh) * | 2018-11-06 | 2019-01-11 | 湖南云智迅联科技发展有限公司 | 一种将设备故障语句描述转换为知识图谱表达的方法 |
| CN110717018A (zh) * | 2019-04-15 | 2020-01-21 | 中国石油大学(华东) | 一种基于知识图谱的工业设备故障维修问答系统 |
| CN110765277A (zh) * | 2019-10-22 | 2020-02-07 | 河海大学常州校区 | 一种基于知识图谱的移动端的在线设备故障诊断平台 |
| CN111125309A (zh) * | 2019-12-23 | 2020-05-08 | 中电云脑(天津)科技有限公司 | 自然语言处理方法、装置及计算设备、存储介质 |
| CN111339246A (zh) * | 2020-02-10 | 2020-06-26 | 腾讯云计算（北京）有限责任公司 | 查询语句模板的生成方法、装置、设备及介质 |
| CN111414477A (zh) * | 2020-03-11 | 2020-07-14 | 科大讯飞股份有限公司 | 车辆故障自动诊断方法、装置以及设备 |
| CN111428009A (zh) * | 2020-06-12 | 2020-07-17 | 太平金融科技服务（上海）有限公司 | 关系查询方法、装置、计算机设备和存储介质 |
| CN111949787A (zh) * | 2020-08-21 | 2020-11-17 | 平安国际智慧城市科技股份有限公司 | 基于知识图谱的自动问答方法、装置、设备及存储介质 |
| CN112100349A (zh) * | 2020-09-03 | 2020-12-18 | 深圳数联天下智能科技有限公司 | 一种多轮对话方法、装置、电子设备及存储介质 |
| CN112163681A (zh) * | 2020-10-15 | 2021-01-01 | 珠海格力电器股份有限公司 | 设备故障原因确定方法、存储介质以及电子设备 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023061293A1 (en) * | 2021-10-15 | 2023-04-20 | International Business Machines Corporation | Knowledge graph driven content generation |
| GB2627115A (en) * | 2021-10-15 | 2024-08-14 | Ibm | Knowledge graph driven content generation |
| CN114626190A (zh) * | 2021-12-09 | 2022-06-14 | 天津大学 | 一种基于知识图谱的工艺设计资源模型构建方法 |
| CN115034409A (zh) * | 2022-05-31 | 2022-09-09 | 中国第一汽车股份有限公司 | 车辆维修方案确定方法、装置、设备及存储介质 |
| CN115048532A (zh) * | 2022-06-16 | 2022-09-13 | 中国第一汽车股份有限公司 | 基于知识图谱的汽车维修场景智能问答机器人及设计方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108804521B (zh) | 一种基于知识图谱的问答方法及农业百科问答系统 | |
| CN113486151A (zh) | 故障维修知识点查询方法、装置、电子设备和存储介质 | |
| CN107977415B (zh) | 自动问答方法及装置 | |
| KR20160122452A (ko) | 비주얼 콘텐츠기반 영상 인식을 위한 딥러닝 프레임워크 및 영상 인식 방법 | |
| CN110555101A (zh) | 一种客服知识库更新方法、装置、设备及存储介质 | |
| CN111782800B (zh) | 一种面向事件追溯的智能会议分析方法 | |
| CN110209790A (zh) | 问答匹配方法和装置 | |
| CN117217315B (zh) | 一种利用大语言模型生成高质量问答数据的方法及装置 | |
| CN116663530B (zh) | 数据生成方法、装置、电子设备及存储介质 | |
| CN114647713A (zh) | 基于虚拟对抗的知识图谱问答方法、设备及存储介质 | |
| CN117667702A (zh) | 基于知识图谱的软件测试方法、装置、设备和存储介质 | |
| CN111062211A (zh) | 信息提取方法、装置、电子设备及存储介质 | |
| CN112069833B (zh) | 日志分析方法、日志分析装置及电子设备 | |
| CN112036843A (zh) | 基于rpa及ai的流程元素定位方法、装置、设备和介质 | |
| CN115952260A (zh) | 汽车领域问答方法、装置、电子设备及存储介质 | |
| CN115510213A (zh) | 用于作业机械的问答方法及系统、作业机械 | |
| CN114969001A (zh) | 一种数据库元数据字段匹配方法、装置、设备及介质 | |
| CN110046234B (zh) | 问答模型优化方法及装置、问答机器人系统 | |
| CN113901793A (zh) | 结合rpa和ai的事件抽取方法及装置 | |
| CN112685434A (zh) | 一种基于知识图谱的运维问答方法 | |
| CN114238595A (zh) | 一种基于知识图谱的冶金知识问答方法及系统 | |
| CN118296132B (zh) | 一种基于智能大模型的客服搜索方法及系统 | |
| CN114090721B (zh) | 基于自然语言数据进行查询、数据更新的方法及装置 | |
| CN118377888B (zh) | 基于大语言模型的问答处理方法、系统、设备及介质 | |
| KR20130014730A (ko) | 다수 사용자 참여형 번역기 튜닝시스템 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |