CN114492807A - 一种基于知识图谱的产生式推理实现方法、装置及系统 - Google Patents

一种基于知识图谱的产生式推理实现方法、装置及系统 Download PDF

Info

Publication number
CN114492807A
CN114492807A CN202210125519.7A CN202210125519A CN114492807A CN 114492807 A CN114492807 A CN 114492807A CN 202210125519 A CN202210125519 A CN 202210125519A CN 114492807 A CN114492807 A CN 114492807A
Authority
CN
China
Prior art keywords
inference rule
inference
graph
fault
identifiable
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
Application number
CN202210125519.7A
Other languages
English (en)
Inventor
李昱
张斌德
李戎
朱珂
方俊伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Hollysys Automation Co Ltd
Original Assignee
Hangzhou Hollysys Automation Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Hollysys Automation Co Ltd filed Critical Hangzhou Hollysys Automation Co Ltd
Priority to CN202210125519.7A priority Critical patent/CN114492807A/zh
Publication of CN114492807A publication Critical patent/CN114492807A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/046—Forward inferencing; Production systems
    • G06N5/047—Pattern matching networks; Rete networks
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G06N5/025—Extracting rules from data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于知识图谱的产生式推理实现方法、装置、系统及计算机可读存储介质，该方法包括：接收故障报警信息；根据故障报警信息从关系型数据库中获取与每个推理规则各自对应的图数据库可识别语句；其中，预先将与推理规则对应的图数据库可识别语句存储至关系型数据库中；执行每个图数据库可识别语句，以根据故障报警信息中的故障描述信息从各个推理规则中确定出目标推理规则；根据目标推理规则，从预先存储的产生式推理规则库中匹配出与目标推理规则对应的故障解决方案；本发明能够基于知识图谱实现产生式推理，扩大了知识图谱的应用范围，有利于提高故障诊断效率和维护效率。

Description

一种基于知识图谱的产生式推理实现方法、装置及系统
技术领域
本发明涉及知识图谱技术领域，特别是涉及一种基于知识图谱的产生式推理实现方法、装置、系统及计算机可读存储介质。
背景技术
随着人工智能、知识工程等技术的高速发展，知识图谱在知识的自动获取、知识表征和推理学习、基于图的深度挖掘等方面取得了突破性进展，知识图谱旨在描述各种概念、实体及其间的关系。其中，实体是指客观世界中存在的、具有可区别性的具体事物，如控制器、电源、电缆等，某个时刻、某个地点、某个数值也可以作为实体。概念通常反应的是一组实体的种类或对象的类型，如人、动物、气候、组织机构等。属性(值)是指某个实体具有的特征及参数，不同属性对应不同的边。关系是指连接不同实体的“边”，描述概念、实体之间客观存在的关联，可以是组成关系、隶属关系、因果关系、推论关系、相近关系等。
知识图谱刻画了现实世界中的事物以及事物之间的各种关系，其主要表示形式是三元组，包括属性三元组和关系三元组。知识图谱存储了结构化数据，适合对数据进行搜索和推理，已经在知识问答、智能搜索等方面发挥了重要的作用。
工业设备在运行过程中会发生各种各样的故障，有些故障很容易就能发现、解决，但是有些故障很难排查，需要有经验的专家和工程师结合各种用户手册、各种历史文档才能解决。对此，可以借助知识图谱技术，模拟专家系统，实现对故障的自动化分析诊断，但是，现有技术中不能将产生式推理规则库与图数据库相结合，难以通过图数据库实现产生式推理，使用户使用受限，影响故障诊断效率和维护效率。
鉴于此，如何提供一种基于知识图谱的产生式推理实现方法、装置、系统及计算机可读存储介质成为本领域技术人员需要解决的问题。
发明内容
本发明实施例的目的是提供一种基于知识图谱的产生式推理实现方法、装置、系统及计算机可读存储介质，在使用过程中能够基于知识图谱实现产生式推理，扩大了知识图谱的应用范围，有利于提高故障诊断效率和维护效率。
为解决上述技术问题，本发明实施例提供了一种基于知识图谱的产生式推理实现方法，包括：
接收故障报警信息；
根据所述故障报警信息从关系型数据库中获取与每个推理规则各自对应的图数据库可识别语句；其中，预先将与推理规则对应的图数据库可识别语句存储至所述关系型数据库中；
执行每个所述图数据库可识别语句，以根据所述故障报警信息中的故障描述信息从各个所述推理规则中确定出目标推理规则；
根据所述目标推理规则，从预先存储的产生式推理规则库中匹配出与所述目标推理规则对应的故障解决方案。
可选的，所述根据所述故障报警信息从关系型数据库中获取与每个推理规则各自对应的图数据库可识别语句的过程为：
当所述故障报警信息中包括节点信息时，根据所述节点信息从知识图谱中确定出对应的目标节点；
根据所述目标节点从关系型数据库中确定出与所述目标节点对应的各个推理规则；
获取与每个所述推理规则各自对应的图数据库可识别语句。
可选的，所述根据所述故障报警信息从关系型数据库中获取与每个推理规则各自对应的图数据库可识别语句的过程为：
当所述故障报警信息中不包括节点信息时，直接从所述关系型数据库中确定出所有的推理规则；
获取与所述所有的推理规则各自对应的图数据库可识别语句。
可选的，所述图数据库可识别语句为采用图形查询语言Cypher对推理规则的条件部分进行描述得到的语句。
可选的，所述产生式推理规则库的建立过程为：
采用预先建立的推理规则提取模型，对当前故障文本数据进行处理；
提取出对应的推理规则，并将所述推理规则存储至产生式推理规则库；其中，所述推理规则包括故障描述信息及故障解决方案。
可选的，所述推理规则提取模型的建立过程包括：
采用历史故障文本数据集对预先建立的神经网络进行训练，在训练过程中不断调整网络参数，得到最优的推理规则提取模型。
可选的，所述神经网络包括：嵌入层、双向长短记忆网络以及条件随机场。
本发明实施例还提供了一种基于知识图谱的产生式推理实现装置，包括：
接收模块，用于接收故障报警信息；
获取模块，用于根据所述故障报警信息从关系型数据库中获取与每个推理规则各自对应的图数据库可识别语句；其中，预先将与推理规则对应的图数据库可识别语句存储至所述关系型数据库中；
确定模块，用于执行每个所述图数据库可识别语句，以根据所述故障报警信息中的故障描述信息从各个所述推理规则中确定出目标推理规则；
匹配模块，用于根据所述目标推理规则，从预先存储的产生式推理规则库中匹配出与所述目标推理规则对应的故障解决方案。
本发明实施例还提供了一种基于知识图谱的产生式推理实现系统，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上述所述基于知识图谱的产生式推理实现方法的步骤。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质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所述基于知识图谱的产生式推理实现方法的步骤。
本发明实施例中提供了一种基于知识图谱的产生式推理实现方法、装置、系统及计算机可读存储介质，该方法包括：接收故障报警信息；根据故障报警信息从关系型数据库中获取与每个推理规则各自对应的图数据库可识别语句；其中，预先将与推理规则对应的图数据库可识别语句存储至关系型数据库中；执行每个图数据库可识别语句，以根据故障报警信息中的故障描述信息从各个推理规则中确定出目标推理规则；根据目标推理规则，从预先存储的产生式推理规则库中匹配出与目标推理规则对应的故障解决方案。
可见，本发明实施例中可以预先将建立产生式推理规则库，并根据产生式推理规则库中的推理规则得到对应的图数据库可识别语句，将该图数据库可识别语句存储至关系型数据库中，并且在接收到故障报警信息后，可以根据该故障报警信息从关系型数据库中获取与每个推理规则各自对应的图数据库可识别语句，执行每个语句，然后根据故障报警信息中的故障描述信息从各个推理规则中确定出目标推理规则，进一步从生式推理规则库中匹配出与目标推理规则对应的故障解决方案，以便运维人员根据该故障解决方案对相应的节点进行维护；本发明能够基于知识图谱实现产生式推理，扩大了知识图谱的应用范围，有利于提高故障诊断效率和维护效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对现有技术和实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明实施例提供的一种知识图谱结构示意图；
图2为本发明实施例提供的一种基于知识图谱的产生式推理实现方法的流程示意图；
图3为本发明实施例提供的一种关系型数据库的结构示意图；
图4为本发明实施例提供的一种Bi-LSTM+CRF模型的结构示意图；
图5为本发明实施例提供的一种Bi-LSTM的细胞单元结构示意图；
图6为本发明实施例提供的一种基于知识图谱的产生式推理实现方法的流程示意图。
具体实施方式
本发明实施例提供了一种基于知识图谱的产生式推理实现方法、装置、系统及计算机可读存储介质，在使用过程中能够基于知识图谱实现产生式推理，扩大了知识图谱的应用范围，有利于提高故障诊断效率和维护效率。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例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做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。
需要说明的是，本发明实施例中的知识图谱具体可以为DCS(DistributedControl System，分布式控制系统)设备诊断知识图谱，其中，DCS设备诊断知识图谱数据来源于国家行业标准、设备技术手册和用户使用手册等，具体可以通过Protege软件构建DCS设备诊断的本体概念类，关系，属性和实例等，形成知识图谱，其中，知识图谱本体构建如图1所示。
Neo4j是一个高性能的,NOSQL图形数据库(也即图数据库)，它将结构化数据存储在网络上而不是表中，该图数据库是一个嵌入式的、基于磁盘的、具备完全的事务特性的Java持久化引擎，Neo4j也可以被看作是一个高性能的图引擎，该引擎具有成熟数据库的所有特性。
具体的，本发明提出基于图数据库Neo4j和关系型数据库MySQL相结合的方式，并运用预先建立的产生式推理规则库，来使图数据库实现产生式推理，以便用户能够通过图数据库查询故障报警信息对应的故障解决方案。具体如下：
请参照图2，图2为本发明实施例提供的一种基于知识图谱的产生式推理实现方法的流程示意图。该方法，包括：
S110：接收故障报警信息；
需要说明的是，本发明实施例中可以预先建立产生式推理规则库，该产生式推理规则库中包括多个推理规则，针对各条推理规则，根据推理规则的条件部分，确定出与其对应的图数据库可识别语句，并将该图数据库可识别语句存储至与图数据库对应的关系型数据库中，其中，图数据库可识别语句具体可以为采用图形查询语言Cypher对推理规则的条件部分进行描述得到的语句，也即，可以通过分析产生式推理语句<if条件then结果>，针对一条推理规则，将该推理规则的条件部分判断语句规则撰写成Cypher语句(也即Cypher的语句)，将该Cypher语句存储至关系型数据库中与对应模块(节点)对应的位置处，具体请参照图3。
具体的，在实际应用中接收故障报警信息，该故障报警信息可以为用户输入的，也可以是自动监测到的，具体形式本发明实施例不做特殊限定。
S120：根据故障报警信息从关系型数据库中获取与每个推理规则各自对应的图数据库可识别语句；其中，预先将与推理规则对应的图数据库可识别语句存储至关系型数据库中；
具体的，在接收到故障报警信息后，根据该故障报警信息从关系型数据库中获取出与每个推理规则各自对应的图数据库可识别语句。其中，当故障报警信息中包括节点信息时，根据节点信息从知识图谱中确定出对应的目标节点，然后再根据目标节点从关系型数据库中确定出与目标节点对应的各个推理规则，并获取与各个推理规则各自对应的图数据库可识别语句。另外，当故障报警信息中不包括节点信息时，直接从关系型数据库中确定出所有的推理规则，并获取与所有的推理规则各自对应的图数据库可识别语句，具体为各个Cypher语句。
S130：执行每个图数据库可识别语句，以根据故障报警信息中的故障描述信息从各个推理规则中确定出目标推理规则；
具体的，在Neo4j图数据库中执行所获取的每个图数据库可识别语句(Cypher语句)做逻辑判断，并识别出对应的条件部分成立的图数据库可识别语句，将与该图数据库可识别语句对应的推理规则确定为目标推理规则。
S140：根据目标推理规则，从预先存储的产生式推理规则库中匹配出与目标推理规则对应的故障解决方案。
需要说明的是，由于推理规则中包括两部分，分别为条件和结果，其中，条件为是否符合故障描述，结果为当满足时采用的故障解决方案，因此在确定出目标推理规则时，可以从预先存储的产生式推理规则库中获取到与该目标推理规则中的故障解决方案，并将其进行展示，或发送至运维人员，以便运维人员根据该故障解决方案对报警节点进行维护，解决故障问题，从而使Neo4j图数据库具有产生式推理的能力，也即通过Neo4j图数据库实现产生式推理。
进一步的，本发明实施例中的产生式推理规则库的建立的过程，具体可以为：
采用预先建立的推理规则提取模型，对当前故障文本数据进行处理；
提取出对应的推理规则，并将推理规则存储至产生式推理规则库；其中，推理规则包括故障描述信息及故障解决方案。
具体的，本发明实施例中可以采用历史故障文本数据集对预先建立的神经网络进行训练，在训练过程中不断调整网络参数，得到最优的推理规则提取模型，其中，历史故障文本数据集可以包括多个故障文本数据，例如结构化故障数据、历史故障数据、历史维修记录数据等，并对这些故障文本数据进行清洗，以去除常见的停用词等，对清洗后的故障文本数据进行标注，并按照合理比例形成训练集和测试集，然后具体可以通过训练集对预先建立的神经网络进行训练，在训练过程中不断调整网络参数，并且在通过测试集测试模型收敛后，得到最优的推理规则提取模型。
需要说明的是，本发明实施例中预设建立的神经网络具体为基于Bi-LSTM+CRF模型的神经网络，能够提取文本高度抽象特征，具体如图4所示，包括：嵌入层、双向长短诗记忆网络(Bi-Long Short-Term Memory,Bi-LSTM)层以及调节随机场(Conditional RandomFields,CRF)层，其中，嵌入层的作用是对中文字符或词语进行编码，将文本向量化表示；Bi-LSTM层的作用是提取文本序列的抽象特征，尤其是字符或词语的上下文联系，双向LSTM是常规LSTM的变体，它包括前向LSTM和后向LSTM，综合两者的输出，可以比单LSTM更加全面的挖掘文本序列。
具体的，LSTM是循环神经网络(RNN)的一种变体，它具有特殊的记忆门和遗忘门结构，如图5所示的Bi-LSTM的细胞单元结构示意图，LSTM的细胞单元包括四个门：输入门、遗忘门、记忆门和输出门，四个门的作用分别为输入文本序列、丢弃无用信息、保留有用信息和输出预测结果。
Bi-LSTM的输出也可作为预测的标签，但是仍然可能存在标签不合理的情况，例如本不应该相邻出现的标签，却预测成相邻存在的情况。为了缓解此类情况发生，本发明实施例中不把Bi-LSTM的输出结果直接作为标签输出，而是再加一个CRF层，其中，CRF层具有融合上下文标签的关系特征，使得Bi-LSTM的输出更加准确和合理化，从而提高所构建的推理规则提取模型的精确度。
可见，本发明实施例中可以预先将建立产生式推理规则库，并根据产生式推理规则库中的推理规则得到对应的图数据库可识别语句，将该图数据库可识别语句存储至关系型数据库中，并且在接收到故障报警信息后，可以根据该故障报警信息从关系型数据库中获取与每个推理规则各自对应的图数据库可识别语句，执行每个语句，然后根据故障报警信息中的故障描述信息从各个推理规则中确定出目标推理规则，进一步从生式推理规则库中匹配出与目标推理规则对应的故障解决方案，以便运维人员根据该故障解决方案对相应的节点进行维护；本发明能够基于知识图谱实现产生式推理，扩大了知识图谱的应用范围，有利于提高故障诊断效率和维护效率。
在上述实施例的基础上，本发明实施例还提供了一种基于知识图谱的产生式推理实现装置，具体请参照图6，该装置包括：
接收模块21，用于接收故障报警信息；
获取模块22，用于根据故障报警信息从关系型数据库中获取与每个推理规则各自对应的图数据库可识别语句；其中，预先将与推理规则对应的图数据库可识别语句存储至关系型数据库中；
确定模块23，用于执行每个语句，以根据故障报警信息中的故障描述信息从各个推理规则中确定出目标推理规则；
匹配模块24，用于根据目标推理规则，从预先存储的产生式推理规则库中匹配出与目标推理规则对应的故障解决方案。
需要说明的是，本发明实施例中所提供的基于知识图谱的产生式推理实现装置具有与上述实施例中所提供的基于知识图谱的产生式推理实现方法相同的有益效果，并且对于本发明实施例所涉及到的基于知识图谱的产生式推理实现方法的具体介绍请参照上述实施例，本发明在此不再赘述。
在上述实施例的基础上，本发明实施例还提供了一种基于知识图谱的产生式推理实现系统，包括：
存储器，用于存储计算机程序；
处理器，用于执行计算机程序时实现如上述基于知识图谱的产生式推理实现方法的步骤。
例如，本发明实施例中的处理器具体可以用于实现接收故障报警信息；根据故障报警信息从关系型数据库中获取与每个推理规则各自对应的图数据库可识别语句；其中，预先将与推理规则对应的图数据库可识别语句存储至关系型数据库中；执行每个语句，以根据故障报警信息中的故障描述信息从各个推理规则中确定出目标推理规则；根据目标推理规则，从预先存储的产生式推理规则库中匹配出与目标推理规则对应的故障解决方案。
在上述实施例的基础上，本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述基于知识图谱的产生式推理实现方法的步骤。
该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种基于知识图谱的产生式推理实现方法，其特征在于，包括：
接收故障报警信息；
根据所述故障报警信息从关系型数据库中获取与每个推理规则各自对应的图数据库可识别语句；其中，预先将与推理规则对应的图数据库可识别语句存储至所述关系型数据库中；
执行每个所述图数据库可识别语句，以根据所述故障报警信息中的故障描述信息从各个所述推理规则中确定出目标推理规则；
根据所述目标推理规则，从预先存储的产生式推理规则库中匹配出与所述目标推理规则对应的故障解决方案。
2.根据权利要求1所述的种基于知识图谱的产生式推理实现方法，其特征在于，所述根据所述故障报警信息从关系型数据库中获取与每个推理规则各自对应的图数据库可识别语句的过程为：
当所述故障报警信息中包括节点信息时，根据所述节点信息从知识图谱中确定出对应的目标节点；
根据所述目标节点从关系型数据库中确定出与所述目标节点对应的各个推理规则；
获取与每个所述推理规则各自对应的图数据库可识别语句。
3.根据权利要求1所述的种基于知识图谱的产生式推理实现方法，其特征在于，所述根据所述故障报警信息从关系型数据库中获取与每个推理规则各自对应的图数据库可识别语句的过程为：
当所述故障报警信息中不包括节点信息时，直接从所述关系型数据库中确定出所有的推理规则；
获取与所述所有的推理规则各自对应的图数据库可识别语句。
4.根据权利要求1所述的种基于知识图谱的产生式推理实现方法，其特征在于，所述图数据库可识别语句为采用图形查询语言Cypher对推理规则的条件部分进行描述得到的语句。
5.根据权利要求1至4任意一项所述的种基于知识图谱的产生式推理实现方法，其特征在于，所述产生式推理规则库的建立过程为：
采用预先建立的推理规则提取模型，对当前故障文本数据进行处理；
提取出对应的推理规则，并将所述推理规则存储至产生式推理规则库；其中，所述推理规则包括故障描述信息及故障解决方案。
6.根据权利要求5所述的种基于知识图谱的产生式推理实现方法，其特征在于，所述推理规则提取模型的建立过程包括：
采用历史故障文本数据集对预先建立的神经网络进行训练，在训练过程中不断调整网络参数，得到最优的推理规则提取模型。
7.根据权利要求6所述的种基于知识图谱的产生式推理实现方法，其特征在于，所述神经网络包括：嵌入层、双向长短记忆网络以及条件随机场。
8.一种基于知识图谱的产生式推理实现装置，其特征在于，包括：
接收模块，用于接收故障报警信息；
获取模块，用于根据所述故障报警信息从关系型数据库中获取与每个推理规则各自对应的图数据库可识别语句；其中，预先将与推理规则对应的图数据库可识别语句存储至所述关系型数据库中；
确定模块，用于执行每个所述图数据库可识别语句，以根据所述故障报警信息中的故障描述信息从各个所述推理规则中确定出目标推理规则；
匹配模块，用于根据所述目标推理规则，从预先存储的产生式推理规则库中匹配出与所述目标推理规则对应的故障解决方案。
9.一种基于知识图谱的产生式推理实现系统，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至7任一项所述基于知识图谱的产生式推理实现方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质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权利要求1至7任一项所述基于知识图谱的产生式推理实现方法的步骤。
CN202210125519.7A 2022-02-10 2022-02-10 一种基于知识图谱的产生式推理实现方法、装置及系统 Pending CN114492807A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210125519.7A CN114492807A (zh) 2022-02-10 2022-02-10 一种基于知识图谱的产生式推理实现方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210125519.7A CN114492807A (zh) 2022-02-10 2022-02-10 一种基于知识图谱的产生式推理实现方法、装置及系统

Publications (1)

Publication Number Publication Date
CN114492807A true CN114492807A (zh) 2022-05-13

Family

ID=81478073

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210125519.7A Pending CN114492807A (zh) 2022-02-10 2022-02-10 一种基于知识图谱的产生式推理实现方法、装置及系统

Country Status (1)

Country Link
CN (1) CN114492807A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110646710A (zh) * 2019-10-09 2020-01-03 广州供电局有限公司 电网故障智能诊断方法、装置、计算机设备和存储介质
CN110941725A (zh) * 2019-11-29 2020-03-31 国网湖南省电力有限公司 一种基于知识图谱的水电机组故障诊断方法及系统
CN111368095A (zh) * 2020-02-28 2020-07-03 河海大学 基于水利知识-事理耦合网络的决策支持系统架构与方法
CN111737496A (zh) * 2020-06-29 2020-10-02 东北电力大学 一种电力设备故障知识图谱构建方法
CN113723632A (zh) * 2021-08-27 2021-11-30 北京邮电大学 一种基于知识图谱的工业设备故障诊断方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110646710A (zh) * 2019-10-09 2020-01-03 广州供电局有限公司 电网故障智能诊断方法、装置、计算机设备和存储介质
CN110941725A (zh) * 2019-11-29 2020-03-31 国网湖南省电力有限公司 一种基于知识图谱的水电机组故障诊断方法及系统
CN111368095A (zh) * 2020-02-28 2020-07-03 河海大学 基于水利知识-事理耦合网络的决策支持系统架构与方法
CN111737496A (zh) * 2020-06-29 2020-10-02 东北电力大学 一种电力设备故障知识图谱构建方法
CN113723632A (zh) * 2021-08-27 2021-11-30 北京邮电大学 一种基于知识图谱的工业设备故障诊断方法

Similar Documents

Publication Publication Date Title
CN103324954B (zh) 一种基于树结构的图像分类方法及其系统
US11232134B2 (en) Customized visualization based intelligence augmentation
Zhou et al. Learning household task knowledge from WikiHow descriptions
CN109408804A (zh) 舆情分析方法、系统、设备和存储介质
CN117236676A (zh) 一种基于多模态事件抽取的rpa流程挖掘方法和装置
CN113704420A (zh) 文本中的角色识别方法、装置、电子设备及存储介质
CN116521778A (zh) 基于人工智能的一站式数据分析工具、方法及终端设备
Mota et al. Answer me this: constructing disambiguation queries for explanation generation in robotics
CN118396162A (zh) 一种电力数据解析方法、解析系统及电力系统、终端设备、存储介质
CN113240443B (zh) 面向电力客服问答的实体属性对抽取方法和系统
Danielescu et al. The structure of creative design: What problem maps can tell us about problem formulation and creative designers
Dutta et al. Big data architecture for environmental analytics
Dinar et al. Problem map: an ontological framework for a computational study of problem formulation in engineering design
CN114492807A (zh) 一种基于知识图谱的产生式推理实现方法、装置及系统
CN116578671A (zh) 一种情感-原因对提取方法及装置
Tselios et al. Enhancing user support in open problem solving environments through Bayesian Network inference techniques
Novák et al. Extraction of automation system engineering knowledge for mapping plant and simulation interfaces
CN115357693B (zh) 基于加氢裂化装置知识图谱的智能问答系统的构建方法
CN114281940B (zh) 一种基于语义工程和案例学习的计算机认知方法及系统
Wang Domain-oriented data-driven data mining (3DM): Simulation of human knowledge understanding
Althoff et al. Building Knowledge Intensive Architectures for Heterogeneous NLP Workflows
CN114969337A (zh) 基于案例文本自动生成试题的方法、存储介质和电子设备
Schreiberhuber Causality Prediction in a Cyber-Physical-Energy-System using Knowledge Graph Embeddings
CN116384567A (zh) 一种基于知识图谱的电力设备故障预测方法及系统
Tekkesinoglu et al. From Feature Importance to Natural Language Explanations Using LLMs with RAG

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