论文题目：基于互联网知识抽取的汽车故障事理图谱构建方法
摘要：在信息时代背景下,汽车智能化集成设备功能不断丰富、系统日趋复杂,故障诊断难度加大,导致汽车故障维修效率低下。本文在汽车故障领域引入事理图谱概念,基于汽车维修案例的样本特征,使用自然语言处理相关技术,构建面向互联网知识抽取的汽车故障事理图谱,为汽车故障分析提供数据、为故障诊断和故障维修提供决策支持。本文的主要工作内容有:（1）提出一套适合垂直领域的基于互联网知识抽取的汽车故障事理图谱框架。针对现有研究的事理图谱概念和构建方法框架与本文研究有较大区别,且无法完整迁移到本文中,因此提出一套适合本研究的方法框架。针对以往汽车故障领域本体主要面向静态知识的构建,缺乏结合事理图谱方面的考虑,缺少互联网维修案例非结构化文本的事件动态信息价值,本文使用自顶向下的本体建模思路,构建了汽车故障事理图谱本体模型。针对构建汽车故障事理图谱缺少语料的问题,本文根据汽车维修相关网站的特点,设计对应的爬虫程序,从互联网中获得构建知识库所需的文档知识,并且采用专业词典结合专家经验实现汽车故障论元知识的抽取。（2）汽车故障事件抽取。针对汽车故障领域缺少较为完善的词典和语料库,汽车故障事件句子具有鲜明的领域特性的问题,本文采用基于正则化的触发字匹配方法识别抽取故障现象事件,采用基于正则化的触发词结合触发字匹配的方法识别抽取故障原因事件,通过实验证明了算法的有效性。（3）汽车故障事件价值分类。本文将关系抽取转为事件价值分类。针对汽车故障领域知识具有鲜明的领域特性,并缺少可用于模型训练的语料的问题,本文采用基于字向量的网络模型,以挖掘汽车故障字含义的细粒度,实现汽车故障领域事件价值分类。通过分析五种主流深度学习分类模型,标注语料,分别进行分类性能测试,结果表明,FastText模型在汽车故障领域特征提取具有明显的优越性,分类准确率达82%。（4）事件泛化与可视化。为了便于有价值故障事件知识的管理以及汽车故障事理图谱的推理,本文采用简单的匹配法将故障现象事件分为六大类别,故障原因事件分为四大类别,结合汽车故障原因事件句子语义特征,挖掘每个故障原因事件的故障零部件,以故障零部件为故障事件族,将具有相同故障零部件的事件泛化为同一类族,最终使用Neo4j图数据库进行可视化存储。
关键词：知识图谱;自然语言处理;深度学习;汽车故障;事理图谱
学科专业：电子与通信工程（专业学位）
摘要
Abstract
1 绪论
1.1 研究背景
1.2 研究现状
1.2.1 汽车故障诊断研究现状
1.2.2 知识图谱研究现状
1.2.3 事理图谱研究现状
1.2.4 研究现状总结
1.3 本文组织框架
2 相关理论与技术基础
2.1 知识库及构建技术
2.1.1 知识图谱概述
2.1.2 事理图谱概述
2.1.3 事件抽取
2.1.4 事件关系抽取
2.2 本体建模概述
2.2.1 本体定义
2.2.2 本体分类
2.2.3 本体组成、构建、描述语言
2.3 爬虫技术
2.4 深度学习相关技术
2.4.1 词向量(Word2vec)模型
2.4.2 CNN文本分类模型概述
2.4.3 RNN文本分类模型概述
2.5 本章小结
3 汽车故障事理图谱构建的方法框架、数据和知识准备
3.1 引言
3.2 基于互联网知识抽取的汽车故障事理图谱方法框架
3.3 汽车故障事理图谱本体构建
3.3.1 汽车故障事理图谱本体
3.3.2 汽车故障本体实体类及关系定义
3.3.3 汽车总成件本体实体类及关系定义
3.4 互联网数据爬取与分析
3.4.1 互联网数据爬取
3.4.2 汽车维修案例非结构化文本特征数据分析
3.5 汽车故障事件论元知识抽取
3.5.1 汽车故障事件论元知识分析
3.5.2 论元知识抽取与Neo4j可视化
3.6 本章小结
4 汽车故障事件抽取
4.1 引言
4.2 问题定义
4.3 事件抽取方法框架
4.4 基于专家经验知识构建的触发词或字集
4.5 正则化表达分析
4.6 故障现象事件和故障原因事件抽取算法
4.7 事件抽取算法实验
4.7.1 评价标准
4.7.2 数据选取与预处理
4.7.3 实验流程
4.7.4 实验结果
4.7.5 分析与讨论
4.8 本章小结
5 汽车故障事件的价值分类
5.1 引言
5.2 问题定义
5.3 事件价值分类方法框架
5.4 基于TextCNN事件价值分类的方法
5.4.1 嵌入层
5.4.2 卷积层
5.4.3 池化层与全连接层
5.4.4 输出层
5.5 基于TextRNN事件价值分类的方法
5.5.1 嵌入层与双向LSTM层
5.5.2 全连接层与输出层
5.6 基于TextRNN-Attention事件价值分类的方法
5.6.1 注意力机制层
5.6.2 全连接层与输出层
5.7 基于FastText事件价值分类的方法
5.7.1 输入层
5.7.2 隐藏层
5.7.3 输出层
5.8 基于TextRCNN事件价值分类的方法
5.8.1 嵌入层与双向LSTM层
5.8.2 卷积层与全连接层
5.8.3 输出层
5.9 事件分类抽取算法实验
5.9.1 评价标准
5.9.2 数据选取与预处理
5.9.3 数据标注与划分
5.9.4 实验环境
5.9.5 模型超参数设置
5.9.6 实验结果
5.9.7 分析与讨论
5.10 本章小结
6 汽车故障事理泛化与事理图谱可视化
6.1 引言
6.2 问题定义
6.3 故障事件知识分类方法框架
6.4 故障现象事件分类
6.5 故障原因事件分类
6.5.1 故障模式分类
6.5.2 故障零部件分类
6.6 因果事件对抽取与事件泛化
6.6.1 因果事件对抽取
6.6.2 事件泛化
6.7 以文档为单位的事理图谱构建示例
6.7.1 文档语料情况
6.7.2 汽车故障事件抽取与事件价值分类结果
6.7.3 事件知识分类结果
6.7.4 因果事件对抽取与事件泛化结果
6.8 汽车故障图谱数据的导入与存储
6.8.1 汽车论元知识图谱数据导入与存储
6.8.2 汽车故障事件及事理图谱数据导入与存储
6.9 基于汽车故障事理图谱故障诊断解析机理
6.10 本章小结
7 结论与展望
7.1 结论
7.2 展望
参考文献
致谢
学位论文数据集表