航空制造知識圖譜構(gòu)建研究綜述

摘要：目前航空裝備制造企業(yè)在設(shè)計(jì)、制造相關(guān)流程中積累了大量數(shù)據(jù)，基于知識圖譜技術(shù)可以對這些數(shù)據(jù)進(jìn)行有效融合與管理，對不斷更新的制造知識進(jìn)行挖掘，為航空制造企業(yè)智慧化升級提供有力的知識支撐。為探明知識圖譜在航空制造領(lǐng)域的理論支撐體系與實(shí)際應(yīng)用情況，通過文獻(xiàn)調(diào)研分析航空制造知識圖譜架構(gòu)、定義及特點(diǎn)。闡明知識圖譜領(lǐng)域構(gòu)建過程中的核心技術(shù)并進(jìn)行研究綜述，對比航空制造知識圖譜與通用知識圖譜構(gòu)建技術(shù)上的異同，并提出了三個(gè)切合實(shí)際的航空制造知識圖譜應(yīng)用方向及其解決方案。最后對未來航空制造知識圖譜的挑戰(zhàn)進(jìn)行了分析及展望，為后續(xù)該領(lǐng)域的研究提供一些思路。

關(guān)鍵詞：航空制造； 知識圖譜； 知識抽??； 知識推理； 知識融合

中圖分類號：TP3文獻(xiàn)標(biāo)志碼：A

文章編號：1001-3695（2022）04-002-0968-10

doi：10.19734/j.issn.1001-3695.2021.09.0367

Survey on building knowledge graphs for aerospace manufacturing

Qiu Ling1a，1b， Zhang Ansi1b，1c， Li Shaobo1b，1c， Zhang Yizong1c， Shen Mingming1c，2， Zhou Peng1d

（1.a.School of Computer Science amp; Technology， b.State Key Laboratory of Public Big Data， c.School of Mechanical Engineering， d.Key Laboratory of Advanced Manufacturing Technology of the Ministry of Education， Guizhou University， Guiyang 550025， China; 2.School of Mechanical amp; Electrical Engineering， Guizhou Normal University， Guiyang 550025， China）

Abstract：At present， aviation equipment manufacturing enterprises have accumulated a large amount of data in the design and manufacturing-related processes. Based on the knowledge graph technology， these data can be effectively integrated and managed， and the manufacturing knowledge that is continuously updated can be mined， which will provide powerful knowledge support for the wisdom upgrade of aviation manufacturing enterprises. In order to explore the theoretical support system and practical application of knowledge graph in the field of aviation manufacturing， this paper firstly analyzed the architecture， defi-nition and characteristics of aviation manufacturing knowledge graph through literature research. Secondly， it elucidated the core technologies in the process of constructing the knowledge graph domain and conducted a research review， then compared the similarities and differences in the construction technologies between the aerospace manufacturing knowledge graph and the general knowledge graph. In the light of the review， it proposed three practical directions for the application of the aerospace manufacturing knowledge graph and its solutions. Finally， this paper stated the challenges of the future aerospace manufactu-ring knowledge graph and foreseen， and hoped to provide some ideas for the subsequent research in this field.

Key words：aerospace manufacturing; knowledge graph; knowledge extraction; knowledge reasoning; knowledge fusion

0引言

人類社會經(jīng)歷了數(shù)次生產(chǎn)力革命，多次改變了社會結(jié)構(gòu)。由萬維網(wǎng)技術(shù)的發(fā)展引發(fā)的信息革命是最近一次的生產(chǎn)力革命，其中萬維網(wǎng)第一紀(jì)元的主要特征為文檔互聯(lián)，而萬維網(wǎng)第二紀(jì)元的主要特征為數(shù)據(jù)互聯(lián)［1］，現(xiàn)在人類即將走近一個(gè)嶄新的以知識互聯(lián)為特征的萬維網(wǎng)第三紀(jì)元［2］。

為了實(shí)現(xiàn)知識互聯(lián)的目標(biāo)，即為了創(chuàng)建一個(gè)人類和電腦都能知曉其中含義的互聯(lián)網(wǎng)，并使互聯(lián)網(wǎng)更加智能，科學(xué)家必須克服互聯(lián)網(wǎng)來源眾多的異質(zhì)性和內(nèi)部結(jié)構(gòu)不緊湊這兩種巨大挑戰(zhàn)。在這一時(shí)期，知識圖譜以其高效的語義處理能力和開放式連接的特點(diǎn)進(jìn)入人們的視野，能夠更立體生動地展現(xiàn)整個(gè)相互關(guān)聯(lián)的人類的認(rèn)知世界［3］，為基于互聯(lián)網(wǎng)的知識互聯(lián)提供了技術(shù)支持，讓W(xué)eb 3.0提出的知識網(wǎng)絡(luò)不再虛無縹緲。

谷歌最初于2012年正式提出了知識圖譜的概念［4］，其最初設(shè)想是利用知識圖譜提高搜索引擎的搜索效率及能力，以便用戶的搜索體驗(yàn)得到更好的滿足。與傳統(tǒng)知識庫相比，知識圖譜主要具有以下優(yōu)點(diǎn)：a）更豐富的語義關(guān)系，知識圖譜直接用連線表示實(shí)體之間的關(guān)系，是幫助計(jì)算機(jī)理解物理世界的關(guān)鍵；b）更高的知識質(zhì)量，知識圖譜的知識來源是多樣的，不同的數(shù)據(jù)源可以交叉測試；c）可視化［5］，知識圖譜支持可視化顯示，為人機(jī)交互提供了極大的方便。目前，知識圖譜已在醫(yī)療、財(cái)經(jīng)、網(wǎng)絡(luò)銷售、教育等行業(yè)得到了廣泛應(yīng)用，且獲得了巨大的成功。研究航空制造領(lǐng)域的知識圖譜具有重要的理論意義和實(shí)用價(jià)值。然而，由于航空工業(yè)知識的復(fù)雜性，其知識圖譜的搭建以及合理使用變得極為困難。本文以構(gòu)建航空制造知識圖譜的三個(gè)關(guān)鍵手段（即知識表示與抽取、知識融合和知識推理）為線索，在前人研究的基礎(chǔ)上介紹相關(guān)研究和技術(shù)細(xì)節(jié)，淺析知識圖譜在航空制造領(lǐng)域的應(yīng)用，并結(jié)合相關(guān)研究進(jìn)行說明。

1航空制造知識圖譜概述

1.1航空制造知識圖譜的概念

航空制造知識圖譜屬于特定領(lǐng)域知識圖譜。認(rèn)識特定領(lǐng)域的知識圖譜，首先需要清楚通用知識圖譜與領(lǐng)域知識圖譜之間的聯(lián)系與區(qū)別［6］。文獻(xiàn)［7］這樣闡明知識圖譜：它是內(nèi)部自成體系的信息庫，利用象征語義的形式表示現(xiàn)實(shí)生活中物體的概念與彼此聯(lián)系。其最初由谷歌用于其核心業(yè)務(wù)搜索引擎，實(shí)現(xiàn)了高效的智能搜索，基于知識圖譜的搜索功能如圖1所示。知識圖譜的本質(zhì)其實(shí)就是展現(xiàn)實(shí)體之間語義關(guān)系的圖結(jié)構(gòu)，揭示實(shí)體之間關(guān)系的語義網(wǎng)絡(luò)［8］，而用來描述其內(nèi)部概念相互關(guān)系的形式主要有資源的描述框架（resource description framework，RDF） 和網(wǎng)絡(luò)的本體語言（Web ontology language，OWL）。目前通用知識圖譜比比皆是，如國外研究領(lǐng)域的DBpedia［9］、YAGO［10］、Freebase［11］，國內(nèi)目前的通用知識圖譜項(xiàng)目如OpenKG、中文知識圖譜CN-DBpedia［12］、zhishi.me［13］等；領(lǐng)域知識圖譜也有許多項(xiàng)目落地，如歐盟重大聯(lián)合攻關(guān)項(xiàng)目的醫(yī)療知識圖譜OPEN PHACTS、企業(yè)領(lǐng)域知識圖譜的天眼查等。

通識知識圖譜盡管包含了現(xiàn)實(shí)世界中的大量常識知識，涵蓋面極廣，可以形象地描述為服務(wù)于通識領(lǐng)域的結(jié)構(gòu)化的百科知識庫，但其精確度不夠高，主要著眼于知識的廣度。本體庫對公理、規(guī)則和約束條件的支持能力可以用來規(guī)范其實(shí)體、屬性和實(shí)體之間的密切聯(lián)系［14］。領(lǐng)域知識圖譜可以看做知識圖譜的一個(gè)分系，不同于通用知識圖譜，它專注于某一特定領(lǐng)域，通常用以幫助不同類型的復(fù)雜的分析應(yīng)用以及智能決策支撐，因此其對該領(lǐng)域知識的深度和精度都有很高的要求［15］。

而航空制造知識圖譜則是融合航空制造數(shù)據(jù)形成的知識圖譜，其與之前兩類知識圖譜的關(guān)系如圖2所示。

航空制造數(shù)據(jù)包括航空專業(yè)知識、航空文獻(xiàn)、工藝性能、裝備設(shè)計(jì)數(shù)據(jù)、圖紙、生產(chǎn)線、使用說明書、應(yīng)用軟件等。航空制造數(shù)據(jù)有如下四個(gè)特點(diǎn)：a）數(shù)據(jù)來源廣泛，包括內(nèi)部數(shù)據(jù)庫數(shù)據(jù)、互聯(lián)網(wǎng)數(shù)據(jù)以及第三方來源數(shù)據(jù)；b）數(shù)據(jù)類型復(fù)雜，包括結(jié)構(gòu)化數(shù)據(jù)（格式固定如數(shù)據(jù)庫文件）、半結(jié)構(gòu)化數(shù)據(jù)（具有相關(guān)標(biāo)記如網(wǎng)頁）以及非結(jié)構(gòu)化數(shù)據(jù)（沒有預(yù)先的組織方式如視頻）［16］；c）數(shù)據(jù)模式未定，模式必須在數(shù)據(jù)出現(xiàn)后才可以確定下來，并且數(shù)據(jù)模式會隨著數(shù)據(jù)的增加而不停變化；d）數(shù)據(jù)量巨大，隨著大數(shù)據(jù)技術(shù)的廣泛應(yīng)用，特定領(lǐng)域的數(shù)據(jù)輕而易舉就能達(dá)到TB、PB甚至更高級別。圖3展現(xiàn)了航空制造數(shù)據(jù)的模型的特征，表1總結(jié)了航空制造領(lǐng)域中部分實(shí)體屬性的特征。

航空制造知識圖譜對于知識的精度與深度要求很高，換句話說就是要求具有更細(xì)的知識粒度，知識粒度代表著基本知識單元的大小。不同領(lǐng)域的知識圖譜對于知識粒度的大小要求也不相同。在知識圖譜技術(shù)融入搜索領(lǐng)域后，能夠通過目標(biāo)問題中本體的相鄰關(guān)系給出最符合的答案， 說明本體甚至本體的特征屬性已經(jīng)成為知識圖譜的最小知識單元。而航空制造知識圖譜更需要將知識劃分成更小的粒度，更加注重命名實(shí)體識別的精確度，加重了航空制造知識圖譜構(gòu)建的難度。

從知識獲取層面看， 領(lǐng)域知識圖譜對知識的全面性和精確程度提出了更高的相關(guān)要求，這是由于行業(yè)中所有層級人員都是系統(tǒng)的客戶對象，不同的用戶需要的知識和功能也不相同，這就對知識圖譜的精度和完整性要求很高。嚴(yán)格的品質(zhì)要求自然就需要更多的專家權(quán)威組織，這也是領(lǐng)域知識圖譜科學(xué)性和準(zhǔn)確性的關(guān)鍵所在，但也不能完全由專家來負(fù)責(zé)構(gòu)建，所以如何構(gòu)建一個(gè)質(zhì)量較高、規(guī)模較大的領(lǐng)域知識圖譜一直是一個(gè)難題。楊玉基等人［17］提出的四步法是一種精準(zhǔn)且快捷的領(lǐng)域知識圖譜構(gòu)建方法，它能夠很好地平衡自動化方法和人工參與。由于航空制造知識圖譜是為了航空制造專業(yè)領(lǐng)域而構(gòu)建的，其應(yīng)用復(fù)雜度自然更復(fù)雜一些。

1.2航空制造知識圖譜的構(gòu)建框架

目前針對航空制造領(lǐng)域的知識圖譜構(gòu)建比較匱乏，在大數(shù)據(jù)和信息技術(shù)飛速發(fā)展的今天，大量的航空制造行業(yè)知識潛藏在非結(jié)構(gòu)化文本數(shù)據(jù)、半結(jié)構(gòu)化表格數(shù)據(jù)、互聯(lián)網(wǎng)網(wǎng)頁和少數(shù)航空企業(yè)內(nèi)部管理系統(tǒng)的數(shù)據(jù)庫中，如果成功構(gòu)建出完整的航空制造業(yè)知識圖譜，從業(yè)者可以通過其功能強(qiáng)大的應(yīng)用界面，如何快速、通透地操作和維護(hù)航空制造知識圖譜對于有關(guān)部門各類型數(shù)據(jù)的使用和內(nèi)部數(shù)據(jù)的治理具有重大意義。構(gòu)建航空制造知識圖譜的主要目的是抽取海量的語義關(guān)系、轉(zhuǎn)換為計(jì)算機(jī)語言的航空制造知識。構(gòu)建知識圖譜可以采用自底向上（bottom-up）的構(gòu)建方法或者自頂向下（top-down）的構(gòu)建方法［18］。自底向上的構(gòu)建方法是先對數(shù)據(jù)源進(jìn)行知識抽取， 將所得實(shí)體、關(guān)系以及屬性等經(jīng)審查合格后加入到知識庫中，而自頂向下方式首先創(chuàng)建頂層概念本體，然后從數(shù)據(jù)源中抽取實(shí)體以及關(guān)系匹配并更新到最初建立的頂層本體中。由于領(lǐng)域知識圖

譜要求嚴(yán)苛的知識專業(yè)性和準(zhǔn)確性，同時(shí)又需要具備完整的本體層模型，所以領(lǐng)域知識圖譜一般采用兩者相互結(jié)合的方法進(jìn)行構(gòu)建［19］。如圖4所示，首先利用提取和總結(jié)的知識創(chuàng)建模式層，之后不斷挖掘新的有價(jià)值的知識與信息反饋迭代模式層。

領(lǐng)域知識圖譜的架構(gòu)則可考慮目標(biāo)領(lǐng)域所具有的獨(dú)特因素，如航空制造產(chǎn)業(yè)具有完備的生產(chǎn)流程，所以其圖譜架構(gòu)也應(yīng)從此角度出發(fā)。如圖5所示，本文基于航空制造全周期數(shù)據(jù)給出了航空制造知識圖譜的構(gòu)建模式結(jié)構(gòu)。知識成分的關(guān)聯(lián)關(guān)系以及關(guān)聯(lián)形式共同組成了航空制造領(lǐng)域知識的整體結(jié)構(gòu)。所以要建立航空制造知識模型，必須基于航空制造領(lǐng)域特有知識的分層體系、信息數(shù)據(jù)和知識元結(jié)構(gòu)，其過程如圖6所示。將航空制造專業(yè)知識形式化成航空制造知識本體，結(jié)合特定化的航空制造特征知識歸納推理出知識結(jié)構(gòu)最終進(jìn)行模型化操作。

由于目前的通識知識圖譜模型不足以表達(dá)航空制造業(yè)的知識，本文將對航空制造知識圖譜構(gòu)建過程中的三大關(guān)鍵技術(shù)，即知識抽取、知識融合和知識推理進(jìn)行綜述。航空制造知識抽取可從已有的結(jié)構(gòu)化數(shù)據(jù)集、半結(jié)構(gòu)化數(shù)據(jù)集以及非結(jié)構(gòu)化數(shù)據(jù)集抽取實(shí)體信息、實(shí)體間關(guān)系以及屬性等知識要素［20］；利用知識融合來解決航空制造知識庫中實(shí)體信息、關(guān)系以及屬性等一系列代詞和實(shí)體對象之間模糊不清的問題，使知識圖譜邏輯更為清晰、結(jié)構(gòu)更為緊密；通過知識推理可以對航空制造知識圖譜不完整的知識進(jìn)行補(bǔ)全，同時(shí)能從已有信息中挖掘更多有價(jià)值的數(shù)據(jù)［21］。

2航空制造知識圖譜構(gòu)建關(guān)鍵技術(shù)

2.1航空制造知識表示與抽取

航空制造實(shí)體中的語義信息可以以符號的形式存儲，以便在知識抽取、融合、推理過程中發(fā)揮作用，這對于航空制造知識庫的構(gòu)建流程有重大意義。這些年來人工智能、機(jī)器學(xué)習(xí)以及深度學(xué)習(xí)等智能學(xué)習(xí)技術(shù)取得了重大突破［22］，如今的知識表示方法主要分為利用符號邏輯進(jìn)行知識表示以及基于語義網(wǎng)絡(luò)的知識表示方法。目前對于知識圖譜，一般而言采用第二種方法里的RDF描述知識，形式上將有效信息表示為（主—謂—賓）三元組的結(jié)構(gòu)，由于RDF具有完善的數(shù)據(jù)描述體系，不必再進(jìn)行消歧，有利于實(shí)現(xiàn)不同知識的互通性及標(biāo)準(zhǔn)化；而第一種方法面對規(guī)模龐大的領(lǐng)域知識庫建設(shè)、面對具有挑戰(zhàn)性的制造設(shè)計(jì)數(shù)據(jù)和裝置數(shù)據(jù)時(shí)，僅作為輔助形式存在［23］。RDF描述殲20及其關(guān)系的形式如圖7所示，不僅是字符串構(gòu)成的符號，還包含了語義信息，闡明了主體與客體之間的關(guān)系。

對于最初航空制造企業(yè)內(nèi)部浩如煙海的日志文件、設(shè)計(jì)說明、設(shè)備維修記錄及百科數(shù)據(jù)，如要構(gòu)建航空制造知識圖譜首先要進(jìn)行知識抽取，其目的主要是從源數(shù)據(jù)中提取特定類型的信息（如實(shí)體、關(guān)系和屬性），并將這些信息以特定的形式表示和存儲。如圖8所示，根據(jù)知識抽取目標(biāo)對象的不同，知識抽取又可分成三個(gè)子任務(wù)：實(shí)體抽取、關(guān)系抽取以及屬性抽?。?4］。

2.1.1實(shí)體抽取

實(shí)體抽取的關(guān)鍵是從目標(biāo)文本范圍中對命名實(shí)體進(jìn)行檢測并分類，實(shí)體作為組成航空制造知識庫的原子信息元素，知識圖譜的優(yōu)劣將由命名實(shí)體識別的完整度以及精確度直接決定。下面將對實(shí)體抽取的兩種主要方法進(jìn)行介紹：

a）基于傳統(tǒng)機(jī)器學(xué)習(xí)的實(shí)體抽取。傳統(tǒng)機(jī)器學(xué)習(xí)方法是利用具有象征性的訓(xùn)練文檔，為所有代表性的詞打上語義標(biāo)注，之后設(shè)計(jì)適用于該類型文本數(shù)據(jù)的特征提取策略來訓(xùn)練一個(gè)分類器以自動標(biāo)注數(shù)據(jù)的標(biāo)簽。Singh等人［25］利用基于約束的半監(jiān)督學(xué)習(xí)將指定的輕量級監(jiān)督注入到實(shí)體抽取的馬爾可夫條件隨機(jī)場（Markov conditional random field）模型中，實(shí)現(xiàn)了接近完全監(jiān)督分類器的精度。

b）基于深度學(xué)習(xí)的實(shí)體抽取。深度學(xué)習(xí)脫胎于機(jī)器學(xué)習(xí)領(lǐng)域，其建立、模擬人腦的運(yùn)行模式進(jìn)行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，很多學(xué)者嘗試將深度學(xué)習(xí)引入實(shí)體關(guān)系抽取中。其中最具代表性的就是LSTM+CRF［26］，LSTM能夠使用以往的輸入特征，CRF能夠利用句向量的標(biāo)注信息，兩者組成一種端對端的判別式模型，能夠充分地結(jié)合未來以及過去的標(biāo)注來輸出現(xiàn)在的標(biāo)注。Abhyuday等人［27］基于CRF的結(jié)構(gòu)化學(xué)習(xí)模型和遞歸神經(jīng)網(wǎng)絡(luò)擴(kuò)展了LSTM-CRF模型，并對成對勢進(jìn)行了顯式建模，提出了一種具有RNN勢的跳鏈CRF推理的近似形式，實(shí)驗(yàn)表明其對于實(shí)體抽取準(zhǔn)確率有顯著提升。

2.1.2關(guān)系抽取

通過實(shí)體抽取得到的實(shí)體之間通常沒有關(guān)聯(lián)且被分割開的，關(guān)系抽取的目標(biāo)就是在已完成命名實(shí)體識別的基礎(chǔ)上挖掘?qū)嶓w之間的關(guān)聯(lián)關(guān)系，搭建起實(shí)體間內(nèi)部的語義橋梁。

1）基于模式匹配的實(shí)體關(guān)系抽取

關(guān)系抽取早期的研究是通過模式匹配（schema matching）算法來完成識別實(shí)體的語義關(guān)系，實(shí)現(xiàn)關(guān)系抽取任務(wù)，最初是用來設(shè)計(jì)數(shù)據(jù)庫以及進(jìn)行分布式數(shù)據(jù)庫的研究［28］。語言學(xué)和自然語言處理學(xué)的知識在模式匹配的過程中起到了關(guān)鍵作用，在進(jìn)行實(shí)體關(guān)系抽取任務(wù)前，通過人工構(gòu)造實(shí)體的特征詞典或規(guī)則并將它們存儲下來。在實(shí)體關(guān)系抽取任務(wù)中，將規(guī)則與預(yù)處理后的非結(jié)構(gòu)文本相匹配，提取出了三元關(guān)系組［29］。

張治等人［30］基于模式同態(tài)的框架將模式匹配問題轉(zhuǎn)換為泛代數(shù)學(xué)里的結(jié)構(gòu)同態(tài)問題，在泛代數(shù)學(xué)的基礎(chǔ)上建立模式匹配問題的描述架構(gòu)和算法模型；邵堃等人［31］結(jié)合輕型領(lǐng)域本體分析CGER標(biāo)題，通過概念序列判別CGER，載入相應(yīng)的領(lǐng)域知識庫，從信息項(xiàng)中提取出結(jié)構(gòu)化的知識，但這種方法要求規(guī)則和詞典制作者必須具備該領(lǐng)域較高的語言學(xué)基礎(chǔ)和對自然語言處理的深刻理解和研究，且難度大，耗時(shí)費(fèi)力。

2）基于統(tǒng)計(jì)機(jī)器學(xué)習(xí)的實(shí)體關(guān)系抽取

機(jī)器學(xué)習(xí)基于數(shù)據(jù)解決問題，該方法利用標(biāo)注好的語料數(shù)據(jù)作為輸入，模型輸出為期望結(jié)果，不斷提高模型的魯棒性，然后再通過訓(xùn)練完成的模型對陌生語料進(jìn)行實(shí)體識別。其抽取方法可分為以下三種：

a）有監(jiān)督的關(guān)系抽取。其核心思想是將大量人工標(biāo)注的數(shù)據(jù)送入模型中訓(xùn)練，甘麗新等人［32］提出了一種實(shí)體間關(guān)系抽取方法，其利用依存句法關(guān)系組合和最近句法依賴動詞特征，基于支持向量機(jī)（SVM）算法驗(yàn)證了該方法在關(guān)系探測和關(guān)系抽取上的有效性。

b）半監(jiān)督或無監(jiān)督的關(guān)系抽取。這類方法利用少量的人工標(biāo)注數(shù)據(jù)甚至沒有標(biāo)注數(shù)據(jù)，使用高斯混合模型（Gaussian mixture model）等算法的半監(jiān)督、無監(jiān)督關(guān)系抽取方法實(shí)現(xiàn)關(guān)系抽取。徐慶伶等人［33］將co-training與tri-training算法的思想相結(jié)合，采用兩個(gè)不同參數(shù)的SVM分類器對非結(jié)構(gòu)化樣本進(jìn)行標(biāo)記，在已標(biāo)記樣本集中加入置信度高的樣本進(jìn)行迭代學(xué)習(xí)和調(diào)整；Chen等人［34］提出了一種無監(jiān)督關(guān)系提取算法，采用判別類別匹配（DCM）來尋找典型的和判別的詞來表示不同的關(guān)系，實(shí)驗(yàn)結(jié)果表明了該算法的有效性。

c）遠(yuǎn)程監(jiān)督的關(guān)系抽取。遠(yuǎn)程監(jiān)督能夠減少對標(biāo)注數(shù)據(jù)的需求，因此被大量應(yīng)用于從非結(jié)構(gòu)化制造文本中進(jìn)行關(guān)系抽取，Sun等人［35］提出了一種基于強(qiáng)化學(xué)習(xí)的標(biāo)簽去噪方法，利用提取網(wǎng)（ENET）和策略網(wǎng)絡(luò)（PNET）兩個(gè)模塊組成的模型將任務(wù)建模為一個(gè)迭代過程，用于遠(yuǎn)距離監(jiān)督關(guān)系提取，所提出的方法可以勝過同期最新的關(guān)系抽取系統(tǒng)。

3）基于深度學(xué)習(xí)的實(shí)體關(guān)系抽取

利用統(tǒng)計(jì)機(jī)器學(xué)習(xí)的抽取方法會在特征提取環(huán)節(jié)存在一些如邊緣模糊、計(jì)算量大等問題，對于提升模型的性能有很大程度的約束。研究人員發(fā)現(xiàn)基于深度學(xué)習(xí)的方法在自動學(xué)習(xí)高階語義特征的問題上有更高的準(zhǔn)確度，所以近些年來使用深度學(xué)習(xí)的實(shí)體關(guān)系抽取方法逐漸在實(shí)體關(guān)系抽取研究領(lǐng)域獲得越來越多的關(guān)注。

a）利用RNN架構(gòu)的實(shí)體關(guān)系抽取。遞歸神經(jīng)網(wǎng)絡(luò)算法（recursive neural network，RNN）在處理序列化輸入時(shí)比前饋網(wǎng)絡(luò)更有效。Socher等人［36］最早提出利用RNN進(jìn)行實(shí)體關(guān)系抽取，其核心思想是對測試語料使用句法依存分析使文本的原本順序轉(zhuǎn)變成解析樹結(jié)構(gòu)，之后對解析樹的所有節(jié)點(diǎn)都分配一個(gè)向量及一個(gè)矩陣，向量包含單詞的內(nèi)在含義，矩陣確定怎樣改變其相鄰的單詞以及短句的含義。

b）利用CNN架構(gòu)的實(shí)體關(guān)系抽取。卷積神經(jīng)網(wǎng)絡(luò)（con-volutional neural network，CNN）在實(shí)體關(guān)系抽取上有很好的效果，但無法對長句子分析建模。Zhu等人［37］提出了一種TCA-CNN模型，采取注意力機(jī)制，根據(jù)構(gòu)建句子表示時(shí)集中的語義關(guān)系對單個(gè)單詞標(biāo)注不同的權(quán)重，TCA-CNN在關(guān)系分類任務(wù)上與最先進(jìn)的模型相比毫不遜色。

c）利用LSTM架構(gòu)的實(shí)體關(guān)系抽取。長短期記憶人工神經(jīng)網(wǎng)絡(luò)（long short-term memory network，LSTM）可以通過與聚類技術(shù)結(jié)合來大幅度降低訓(xùn)練和測試時(shí)長，還對解決實(shí)體之間的長期依賴問題具有幫助［38］。孫紫陽等人［39］提出了一種用以表示文本的基于最短依存路徑思想的關(guān)系抽取方法，基于LSTM門控單元的記憶功能保存最短依存路徑的表達(dá)方式，之后利用CNN對LSTM的輸出進(jìn)行訓(xùn)練，提高分類模型能力。實(shí)驗(yàn)結(jié)果表明，該方法能夠提升抽取性能及準(zhǔn)確性。

2.1.3屬性抽取

屬性抽取的概念是對于航空制造實(shí)體而言的，如材料的屬性包括性能、工藝、廠商等，通過屬性可以讓實(shí)體變得更加完整，例如遙控?zé)o人機(jī)可在室內(nèi)或室外飛行。由于實(shí)體與屬性的關(guān)系被認(rèn)為是兩者之間的一種指代性關(guān)系，所以能夠通過關(guān)系抽取的思路來解決。

2.2航空制造知識融合

通過知識表示與抽取，初步獲得了數(shù)量可觀的形式化知識，但航空制造知識庫中的知識來源駁雜，知識的質(zhì)量良莠不齊，來自不同數(shù)據(jù)源的知識容易重復(fù)并且知識之間的關(guān)聯(lián)關(guān)系容易模糊［40］，想要獲得一個(gè)優(yōu)秀的航空制造知識圖譜需經(jīng)過知識融合，通過知識融合提升知識圖譜的完整性以及質(zhì)量。如圖9所示，目前知識融合方法主要有實(shí)體對齊、語義融合與信息融合。

2.2.1實(shí)體對齊

在現(xiàn)實(shí)世界里，一件事物往往會有多種稱呼，比方人們常吃的土豆也可稱為馬鈴薯，它們都代表同一個(gè)客觀事物。在航空制造知識圖譜中也會出現(xiàn)這種現(xiàn)象，而通過實(shí)體對齊就能夠消去歧義，將這些名稱指向同一客觀事物。

基于傳統(tǒng)概率模型的對齊方法是一種基于屬性相似程度的成對相互比較的方法，沒有將匹配實(shí)體對之間的關(guān)系納入考慮，文獻(xiàn)［41，42］將基于屬性相似程度評分的實(shí)體匹配問題轉(zhuǎn)換成匹配分類問題（分為匹配、能匹配以及不匹配的類型）建立起概率模型，該模型為實(shí)體對齊方法作出了巨大貢獻(xiàn)。Chakrabarti等人［43］基于一個(gè)同義挖掘框架將屬性相似性作為輸入，輸出為滿足樸素自然屬性的近義詞，且提出了兩個(gè)新穎的屬性相似程度計(jì)量法，并在必應(yīng)系統(tǒng)上得到了實(shí)際應(yīng)用，實(shí)驗(yàn)結(jié)果表明其對于識別同義實(shí)體非常有效。但基于傳統(tǒng)概率模型的對齊方法在實(shí)體對齊過程中會產(chǎn)生兩種錯(cuò)誤：a）相同實(shí)體被錯(cuò)誤歸為不相等;b）不同實(shí)體被錯(cuò)誤歸為相等［44］，而且這兩種情況錯(cuò)誤的代價(jià)經(jīng)常不相等。著眼于這一觀察，Verykios等人［45］提出了一種將決策成本降到最小的決策模型，它是基于傳統(tǒng)模型再將不同的權(quán)重附加給不同的匹配狀態(tài)，該模型能夠在數(shù)據(jù)中存在不一致、錯(cuò)誤或缺失值的情況下針對數(shù)據(jù)庫記錄對的匹配或連接問題的最優(yōu)解決方案。

Mudgal等人［46］對基于深度學(xué)習(xí)的實(shí)體對齊方法進(jìn)行了綜述，定義了深度學(xué)習(xí)在實(shí)體對齊領(lǐng)域的解決方法，并將這些解決方法分為注意力（attention）、平滑倒詞頻（smooth inverse frequency，SIF）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）和混合（hybrid）四種具體的表示。而在監(jiān)督學(xué)習(xí)方面，Cochinwala等人［47］使用經(jīng)典的分類回歸決策樹算法（CART）以及矢量量化方法，將機(jī)器學(xué)習(xí)和統(tǒng)計(jì)技術(shù)結(jié)合起來進(jìn)行實(shí)體的判別與分析，通過識別和消除冗余或無用的參數(shù)來降低匹配算法的復(fù)雜性；Chen等人［48］研究了跨語言實(shí)體對齊問題，提出了一種迭代協(xié)同訓(xùn)練方法（Crea）來訓(xùn)練一對獨(dú)立模型。這兩種模型可以分別提取多語種知識圖譜的屬性和關(guān)系特征，進(jìn)一步過濾了動態(tài)閾值，增強(qiáng)了對兩種模型的監(jiān)控能力。

2.2.2語義融合

航空裝備設(shè)計(jì)制造過程中產(chǎn)生的數(shù)據(jù)為多模態(tài)數(shù)據(jù)，是通過不同領(lǐng)域或視角獲取到的數(shù)據(jù)，描述這些數(shù)據(jù)的每一個(gè)領(lǐng)域或視角叫做一個(gè)模態(tài)［49］。對于多模態(tài)數(shù)據(jù)來說，模態(tài)內(nèi)部具有一定程度的關(guān)聯(lián)性，所有模態(tài)都可以為其余模態(tài)提供或多或少的信息?；谡Z義的知識融合方法對于解決多模態(tài)數(shù)據(jù)融合問題有其獨(dú)到之處，語義融合算法能夠理解不同模態(tài)數(shù)據(jù)之間的特征關(guān)系以及每個(gè)模態(tài)數(shù)據(jù)的內(nèi)在含義，利用人類大腦思考的方式在知識融合過程中抽象各類模態(tài)的語義內(nèi)涵從而完成多模態(tài)數(shù)據(jù)的知識融合。

Zhao等人［50］提出了一種框架，結(jié)合了線性判別分析（LDA）和K-均值聚類算法的簡單性，在一個(gè)聯(lián)合訓(xùn)練方案中利用在一個(gè)模態(tài)中智能學(xué)習(xí)獲得的標(biāo)簽來挖掘另一個(gè)模態(tài)中的判別子式，該算法很容易地適應(yīng)半監(jiān)督學(xué)習(xí)和非線性問題。蘇佳林等人［51］基于聯(lián)合訓(xùn)練框架（co-training），從結(jié)構(gòu)視角以及語義視角下分別訓(xùn)練基于兩個(gè)不同視角的聯(lián)合表示學(xué)習(xí)（joint embedding）的語義融合模型，并從中選出最可靠的實(shí)體對齊輸出用以輔助訓(xùn)練另一個(gè)視角下的模型，達(dá)到提升模型能力的效果，并提出基于屬性強(qiáng)約束聯(lián)合訓(xùn)練過程中可能產(chǎn)生的語義漂移；Wang等人［52］提出了一種基于語義元素重構(gòu)的多源創(chuàng)新知識融合算法，為保證創(chuàng)新知識提煉的可信性和有序性，提出了相應(yīng)的語義沖突解決規(guī)則和基于知識社會信任度的協(xié)同編輯策略；Xie等人［53］對來自農(nóng)業(yè)信息源的信息結(jié)果進(jìn)行分析、合并，基于農(nóng)業(yè)領(lǐng)域本體介紹了知識融合方法，并給出了一個(gè)基于知識融合的信息訪問接口。

2.2.3信息合并

信息合并不再是關(guān)注于知識圖譜內(nèi)的實(shí)體，更多是從整個(gè)知識圖譜的層次上進(jìn)行大范圍的知識融合，利用已經(jīng)成熟的優(yōu)越的現(xiàn)有知識圖譜來豐富目標(biāo)知識圖譜的內(nèi)容，完善其中包含的知識體系。信息合并算法在知識融合中得到了繼承和發(fā)展［54］，但是現(xiàn)如今的知識圖譜或者知識庫都是為了滿足研究人員或者構(gòu)建者特定需求而去創(chuàng)建構(gòu)造的，其中知識復(fù)雜程度高，知識冗余且包含許多錯(cuò)誤知識，并不能直接融入目標(biāo)知識圖譜，信息合并算法可以有效解決這些問題。

Sun等人［55］提出了一種新的數(shù)學(xué)方法，將Dempster-Shafer理論推廣到組合型證據(jù)的融合，能夠?qū)碜灶I(lǐng)域?qū)＜液蛿?shù)據(jù)源的異質(zhì)知識整合到深度挖掘和決策支持中；Coussement等人［56］詳細(xì)闡述了貝葉斯框架在決策支持系統(tǒng)（decision support system）中融合多個(gè)信息源的自然優(yōu)勢，提出了一種貝葉斯決策支持框架，該框架將主觀的人類專家意見與更多的人的主觀意見正式融合在一起；Cao等人［57］提出了一種新的具有多通道的圖神經(jīng)網(wǎng)絡(luò)模型（MuGNN），利用多個(gè)通道將兩個(gè)不同的知識圖譜進(jìn)行魯棒編碼之后對知識圖譜學(xué)習(xí)對齊，并提升知識圖譜質(zhì)量，其在五個(gè)公開可用的數(shù)據(jù)集進(jìn)行了廣泛的實(shí)驗(yàn)，證明了其優(yōu)越性能。

2.3航空制造知識推理

知識推理就是在現(xiàn)有航空制造領(lǐng)域知識庫的成果上繼續(xù)發(fā)掘隱含知識與知識之間未知的關(guān)系，達(dá)到擴(kuò)大、完善和豐富知識庫的目的，保證知識圖譜的多樣性與完整性。利用航空制造知識圖譜，工作人員能夠基于知識推理完成生產(chǎn)線數(shù)據(jù)搜集、故障診斷、制造方法、避免裝備設(shè)計(jì)差錯(cuò)等。但是航空制造領(lǐng)域由于其特殊性，面對數(shù)據(jù)量大、關(guān)系復(fù)雜的特點(diǎn)，并不能使用傳統(tǒng)的知識推理方法，大大增加了構(gòu)建航空制造知識圖譜模型的難度。近年來隨著知識圖譜成為研究熱點(diǎn)，也有許多適用于知識圖譜的知識推理方法逐漸涌現(xiàn)。

2.3.1基于神經(jīng)網(wǎng)絡(luò)的知識推理

利用神經(jīng)網(wǎng)絡(luò)進(jìn)行知識推理的主要流程為：先將知識圖譜內(nèi)部的信息元組表示為向量（詞向量、句向量），將其送入神經(jīng)網(wǎng)絡(luò)內(nèi)部，利用神經(jīng)網(wǎng)絡(luò)的泛化能力和學(xué)習(xí)能力對知識圖譜中的信息元組建模，并通過訓(xùn)練一直提升信息元組的得分，最終選擇候選實(shí)體完成知識推理。更具體地說，按照推理依據(jù)的區(qū)別可以進(jìn)一步細(xì)分為基于圖譜結(jié)構(gòu)的推理、基于語義信息的推理等［58］。

Khan等人［59］利用人工神經(jīng)網(wǎng)絡(luò)（artificial neural network）將癌癥分類為特定的診斷類別，該研究證明了這些方法在腫瘤診斷和確定治療候選靶點(diǎn)方面的潛在應(yīng)用。Das等人［60］提出了三個(gè)重要的建模進(jìn)展：對關(guān)系、實(shí)體以及實(shí)體類型進(jìn)行協(xié)同推理；在單層RNN中共享參數(shù)對全體關(guān)系的邏輯結(jié)構(gòu)進(jìn)行表達(dá)；基于神經(jīng)網(wǎng)絡(luò)的注意力機(jī)制建模來合并多條路徑。raves等人［61］分享了一種機(jī)器學(xué)習(xí)模型，名為可微分型神經(jīng)計(jì)算機(jī)（differentiable neural computer，DNC），其就像一個(gè)神經(jīng)網(wǎng)絡(luò)可以從數(shù)據(jù)中學(xué)習(xí)如何去運(yùn)作，能夠成功地回答設(shè)計(jì)用于模擬自然語言推理和推理問題的綜合問題；Neelakantan等人［62］利用遞歸神經(jīng)網(wǎng)絡(luò)（RNN）將二元關(guān)系作為輸入向量嵌入路徑中，使其能夠推廣到訓(xùn)練時(shí)看不見的路徑，而且還可以使用單個(gè)高容量RNN來預(yù)測在訓(xùn)練組合模型時(shí)沒有看到的新關(guān)系類型。

2.3.2基于圖結(jié)構(gòu)的知識推理

受到傳統(tǒng)知識推理的啟發(fā)，一些研究者創(chuàng)造性地將知識推理延申到機(jī)器視覺領(lǐng)域，基于知識圖譜的圖結(jié)構(gòu)的特點(diǎn)將推理與機(jī)器視覺相結(jié)合，將潛藏在知識圖譜中的規(guī)則挖掘出來加以利用完成推理，對于知識推理任務(wù)取得了不錯(cuò)的效果。

Wang等人［63］將圖像識別與知識推理相結(jié)合，通過端到端可訓(xùn)練圖形推理模型（graph reasoning model，GRM），將場景中社會關(guān)系和語義上下文線索之間相關(guān)性的常識知識結(jié)合到深層神經(jīng)網(wǎng)絡(luò)中，以解決社會關(guān)系識別的問題；Kampffmeyer等人［64］提出了一種遠(yuǎn)節(jié)點(diǎn)之間帶有直接鏈路的密度圖傳播（dense graph propagation，DGP）模型，DGP模型基于知識圖譜的層次圖結(jié)構(gòu)，通過額外連接按照節(jié)點(diǎn)的距離為它們分配不同的權(quán)重，便于改善圖中的信息傳播，發(fā)揮了圖結(jié)構(gòu)的便利性，并且解決了知識圖譜內(nèi)部知識過于稀疏的問題；Li等人［65］基于門控遞歸單元和現(xiàn)代優(yōu)化技術(shù)提出了一種門控圖形序列神經(jīng)網(wǎng)絡(luò)（gated graph sequence neural network，GGS-NN），該模型在一系列問題上具有理想的歸納偏差；Velic＇kovic＇等人［66］提出了一種圖形注意網(wǎng)絡(luò)（graph attention network，GAT），它基于圖數(shù)據(jù)結(jié)構(gòu)進(jìn)行工作，利用自我注意層解決現(xiàn)存的近似方法的缺點(diǎn)，GAT模型已經(jīng)在Cora、Citeseer和Pubmed引文網(wǎng)絡(luò)數(shù)據(jù)集上取得了較先進(jìn)的結(jié)果。

3航空制造知識圖譜對比及應(yīng)用

3.1航空制造知識圖譜構(gòu)建對比

經(jīng)過上文的綜述可以看出航空制造領(lǐng)域知識圖譜的構(gòu)建因其領(lǐng)域的特殊性，在構(gòu)建過程中自然也有其特點(diǎn)，與通用知識圖譜在構(gòu)建技術(shù)上的不同主要有以下幾點(diǎn)：a）由于航空制造領(lǐng)域的數(shù)據(jù)聚焦于航空制造領(lǐng)域的應(yīng)用主體，如設(shè)備類型、制造工藝、材料屬性等，不同于通用知識圖譜面向所有領(lǐng)域，航空制造知識圖譜在概念化的過程中，需要專家知識來幫助構(gòu)建特定的領(lǐng)域本體和確定主題領(lǐng)域；b）航空制造知識圖譜要求嚴(yán)苛的知識專業(yè)性和準(zhǔn)確性，同時(shí)又需要具備完整的本體層模型，所以將自頂向下與自底向上方法相結(jié)合，不同于通用知識圖譜常用的自底向上構(gòu)建方法；c）通用知識圖譜數(shù)據(jù)來源廣泛且基本不作要求，而航空知識圖譜則需要采用企業(yè)內(nèi)部積累的工程數(shù)據(jù)及政府部門發(fā)布的工業(yè)標(biāo)準(zhǔn)等，幾乎無法從公開數(shù)據(jù)取得；d）面向通用知識圖譜的知識抽取技術(shù)已經(jīng)較為成熟，而面向航空制造領(lǐng)域的抽取算法還在起步階段，算法準(zhǔn)確率和召回率相對較低；e）通用領(lǐng)域的知識推理技術(shù)大多關(guān)注于靜態(tài)數(shù)據(jù)，忽略了時(shí)間信息，而在航空制造領(lǐng)域有些時(shí)候應(yīng)該關(guān)注動態(tài)信息，如生產(chǎn)線裝配過程對產(chǎn)品質(zhì)量的影響。兩者構(gòu)建技術(shù)上的異同如表2所示。

3.2航空制造知識圖譜應(yīng)用

知識圖譜可以做到直接明了、清晰有效地表達(dá)出實(shí)體內(nèi)部的聯(lián)系。換言之，就是通過把眾多不同種類的知識聯(lián)系在一起形成一個(gè)知識網(wǎng)絡(luò)，讓人們能夠做到基于知識間的聯(lián)系來分析問題。利用知識圖譜可以為航空制造信息系統(tǒng)中海量、多源、動態(tài)的航空制造大數(shù)據(jù)的表示、架構(gòu)、管理及使用提供一種更加先進(jìn)、更加高效的方法，讓系統(tǒng)實(shí)現(xiàn)智能化，系統(tǒng)的使用更符合人類的思維模式，提升系統(tǒng)使用者的使用舒適感。目前制造業(yè)知識圖譜技術(shù)主要用于航空智能制造問答系統(tǒng)、設(shè)備故障上報(bào)系統(tǒng)、制造領(lǐng)域智能搜索、制造決策支持系統(tǒng)等。

3.2.1航空制造智能問答

隨著深度學(xué)習(xí)的迅速發(fā)展及其在自然語言領(lǐng)域的普遍應(yīng)用，基于深度學(xué)習(xí)的知識圖問答研究逐漸成為人們關(guān)注的焦點(diǎn)。在此之后，學(xué)者著眼于將自然語言查詢轉(zhuǎn)換為結(jié)構(gòu)化查詢句，以識別用戶自然語言查詢中的實(shí)體和屬性，并使用指定的實(shí)體和屬性檢索知識圖譜的答案。航空智能制造問答系統(tǒng)是制造信息檢索系統(tǒng)的一種高級形式，將收到的大問題拆解成為多個(gè)小的子問題，對每個(gè)小問題在知識庫中查找對應(yīng)的答案后進(jìn)行答案合并，之后以簡潔精確的人類語言作為輸出進(jìn)行直觀的展示并給用戶提供問題的解答。現(xiàn)如今已有一些產(chǎn)品與知識圖譜結(jié)合得十分成熟，如阿里巴巴的淘寶客服機(jī)器人就是其中的代表。但在航空制造領(lǐng)域，因?yàn)楝F(xiàn)有航空制造知識圖譜的推理能力的不足，導(dǎo)致目前市場上還未出現(xiàn)較為完善的航空制造問答系統(tǒng)。作者在此給出合理的系統(tǒng)構(gòu)建框架，對用戶問題進(jìn)行自然語言處理，基于航空制造知識圖譜搜索合適答案，具體過程如圖10所示。

國內(nèi)外對于將知識圖譜與機(jī)械制造問答系統(tǒng)的結(jié)合運(yùn)用展開了許多研究。Shi［67］提出了一種基于自然語言處理的機(jī)械智能問答系統(tǒng)，系統(tǒng)分為三個(gè)數(shù)據(jù)加載部分、SPARQL語句分析部分和數(shù)據(jù)查詢部分，其實(shí)現(xiàn)的知識圖譜存儲訪問系統(tǒng)在保證查詢性能的前提下做到了均衡負(fù)載的知識圖譜的有效存儲。

3.2.2航空制造智能決策

隨著信息的爆炸式增長，對信息處理的要求不斷提高。 如何快速準(zhǔn)確地整合大量分散、孤立的信息，將信息的優(yōu)勢充分利用，從而轉(zhuǎn)變?yōu)橹R的優(yōu)勢，最后為智能決策制造優(yōu)勢、為生產(chǎn)鏈的安全高效保駕護(hù)航；同時(shí)構(gòu)建專業(yè)的航空知識圖譜，緩解信息超量負(fù)載的問題，可以為決策者提供更多的可利用的信息。航空制造行業(yè)可基于知識圖譜進(jìn)行智能分析以及決策，根據(jù)生產(chǎn)線溫度、材料供給、機(jī)床工作效率等數(shù)據(jù)自動生成合理的生產(chǎn)方案，還能對工作人員的各類操作進(jìn)行智能分析，及時(shí)發(fā)出提醒，避免損害設(shè)備的不合理操作。如圖11所示，智能決策系統(tǒng)基于航空制造數(shù)據(jù)的特點(diǎn)構(gòu)建決策模型，通過大數(shù)據(jù)分析技術(shù)實(shí)現(xiàn)實(shí)時(shí)決策功能，并根據(jù)方案表現(xiàn)逆向優(yōu)化模型。

Wang等人［68］構(gòu)造了一個(gè)空戰(zhàn)知識圖譜實(shí)例，通過知識圖譜進(jìn)行資源共享和信息挖掘，發(fā)現(xiàn)任務(wù)與機(jī)動之間的隱藏關(guān)系，可用于任務(wù)優(yōu)化和機(jī)動預(yù)測，輔助空戰(zhàn)決策，有助于更好地實(shí)現(xiàn)領(lǐng)域?qū)＜遗c計(jì)算機(jī)系統(tǒng)之間的協(xié)調(diào)，實(shí)現(xiàn)最優(yōu)任務(wù)規(guī)劃；Shah等人［69］提出了一種基于價(jià)值風(fēng)險(xiǎn)圖譜的制造決策工具，用于制造場景的性能評估，該圖譜匯集了與績效、風(fēng)險(xiǎn)和決策有關(guān)的不同概念，以在決策背景下提供總體解決方案。

3.2.3航空設(shè)備智能故障診斷

設(shè)備故障診斷是指診斷故障設(shè)備或產(chǎn)品的故障機(jī)理、影響、發(fā)展變化規(guī)律和發(fā)生概率等內(nèi)容［70］。航空制造機(jī)電部件數(shù)量繁多，高強(qiáng)度的工作以及使用年限的增加導(dǎo)致故障頻繁發(fā)生，且故障原因多樣化，甚至很多器件的故障因缺乏專業(yè)人員協(xié)助分析很難找到真正的故障原因。但知識圖譜可以拓展故障事件以及故障部件的描述形式，將存在于各類故障診斷報(bào)表和故障案例庫中的數(shù)據(jù)整合篩選，從中抽取出有用的信息并整理作為知識構(gòu)建的基礎(chǔ)，利用該知識庫更加精準(zhǔn)地定位系統(tǒng)失效部位及其原因。因此航空制造設(shè)備故障分析作為當(dāng)前航空技術(shù)研究的一個(gè)熱點(diǎn)問題［71］，通過知識圖譜技術(shù)建立航空制造故障快速分析手段的需求日益迫切。

楊浩偉［72］通過構(gòu)建制造領(lǐng)域知識圖譜，在其基礎(chǔ)上開發(fā)帶有實(shí)時(shí)補(bǔ)全以及修改功能的系統(tǒng)軟件，幫助解決非專業(yè)人士在手工錄入問題描述文本時(shí)，容易出現(xiàn)的用詞不準(zhǔn)確以及語言不規(guī)范等問題導(dǎo)致的隱患排查出現(xiàn)誤差，提高了故障排查的準(zhǔn)確度以及效率?；谥R圖譜的故障分析系統(tǒng)可在用戶錄入故障描述時(shí)，通過輸入的故障特征條件檢索關(guān)聯(lián)信息進(jìn)行實(shí)時(shí)提示，幫助用戶正確錄入故障信息；同時(shí)通過知識圖譜提供的后端服務(wù)對錄入的實(shí)體關(guān)系正確性進(jìn)行判斷，實(shí)現(xiàn)對用戶輸入內(nèi)容的實(shí)時(shí)更正和補(bǔ)全［73］，其工作過程如圖12所示。

4航空制造知識圖譜的挑戰(zhàn)與展望

4.1航空制造知識圖譜面臨的挑戰(zhàn)

知識圖譜技術(shù)為基于互聯(lián)網(wǎng)的知識互聯(lián)提供了技術(shù)支持，從谷歌最初提出知識圖譜的概念到現(xiàn)在，研究人員對其的關(guān)注度依然居高不下。知識圖譜集合了人工智能、自然語言處理、信息抓取、可視化分析等多種研究熱點(diǎn)以及應(yīng)用技術(shù)，其處于多種學(xué)科的交叉領(lǐng)域，是吸取了各領(lǐng)域?qū)W科知識成果的實(shí)用技術(shù)。雖然目前知識圖譜已成功應(yīng)用于醫(yī)療、金融以及電商等領(lǐng)域，但仍有幾個(gè)不小的障礙和挑戰(zhàn)佇立在航空制造知識圖譜構(gòu)建的關(guān)鍵環(huán)節(jié)。

a）航空制造數(shù)據(jù)來源有限。構(gòu)建知識圖譜首先需要海量的數(shù)據(jù)，而航空制造業(yè)領(lǐng)域數(shù)據(jù)來源不像如醫(yī)療領(lǐng)域，從網(wǎng)頁上就能爬取大量可用知識。航空制造數(shù)據(jù)的來源主要是相關(guān)培訓(xùn)資料、教材或者企業(yè)內(nèi)部數(shù)據(jù)，培訓(xùn)資料或教材包含了眾多領(lǐng)域的概念和專業(yè)術(shù)語，同時(shí)具備極高的權(quán)威性和準(zhǔn)確性，但數(shù)據(jù)量略顯欠缺，而企業(yè)內(nèi)部數(shù)據(jù)需要獲得企業(yè)許可，一般很難獲得。沒有足夠龐大的數(shù)據(jù)作為支撐，航空制造知識圖譜則不能做到知識的準(zhǔn)確性以及多樣性，如何模仿人類思維進(jìn)行小樣本學(xué)習(xí)也是未來構(gòu)建知識圖譜研究的熱點(diǎn)。

b）知識圖譜的高效存儲問題。如今大部分知識圖譜主要存儲在圖數(shù)據(jù)庫中，雖然圖數(shù)據(jù)庫的查詢結(jié)果十分直觀，但圖數(shù)據(jù)庫也有其缺點(diǎn)，例如不能使用SQL查詢、并發(fā)性能要求高、查詢效率較低。并且知識圖譜對于數(shù)據(jù)量的需求過高，由于如今數(shù)據(jù)越來越龐大，將所有數(shù)據(jù)存放在一個(gè)地方不切實(shí)際，實(shí)現(xiàn)知識圖譜的分布式存儲意義重大，但如何在不影響知識圖譜功能與組織結(jié)構(gòu)的前提下進(jìn)行分割存儲，實(shí)現(xiàn)其負(fù)載均衡也是航空制造知識圖譜應(yīng)用需要解決的關(guān)鍵問題。

c）知識圖譜的應(yīng)用。對于航空制造領(lǐng)域知識圖譜的應(yīng)用場景和方式還比較有限，就算是在知識圖譜運(yùn)用比較成熟的行業(yè)也只是停留在智能搜索、智慧問答、輔助決策等初級階段，仍具有廣闊的探索空間。雖然航空制造管理系統(tǒng)運(yùn)行前期產(chǎn)生的數(shù)據(jù)較少，但當(dāng)數(shù)據(jù)積累到一定程度之后，可以對這些數(shù)據(jù)進(jìn)行大數(shù)據(jù)挖掘、處理以及分析［74］，從中挖掘到對設(shè)計(jì)制造有用的信息。在此基礎(chǔ)上促進(jìn)人工智能在制造業(yè)領(lǐng)域的發(fā)展，智能分析并滿足人們的需求，可為巨型知識圖譜在航空制造領(lǐng)域的應(yīng)用提供更加深遠(yuǎn)的道路。

4.2展望

如何將制造知識成熟、準(zhǔn)確地運(yùn)用于智能制造生命周期以解決實(shí)際問題是引入知識圖譜技術(shù)的契機(jī)，Kim等人［75］提出了一個(gè)知識圖譜模型來獲取并表示制造企業(yè)組織知識并成功提高企業(yè)績效；Zhang等人［76］提出了一種基于圖的知識重用方法以輔助決策新產(chǎn)品的研發(fā)；Ruiz等人［77］通過知識圖譜實(shí)現(xiàn)專家知識共享從而支持工業(yè)維護(hù)管理的協(xié)作決策。無論是在制造業(yè)的生產(chǎn)、維護(hù)、決策及管理等各個(gè)方面，合理的知識圖譜技術(shù)都能提供有效的解決方案，實(shí)現(xiàn)制造智能化。

而在應(yīng)用范圍更精細(xì)的航空制造領(lǐng)域，研究者可以從航空制造對于安全性能的高度需求出發(fā)，充分發(fā)揮知識推理技術(shù)的優(yōu)勢。Sarazin等人［78］提出了一種異構(gòu)信息網(wǎng)絡(luò)構(gòu)成的專家系統(tǒng)并應(yīng)用于航空系統(tǒng)的異常檢測；聶同攀等人［79］提出的無人機(jī)電源系統(tǒng)的知識圖譜實(shí)現(xiàn)了無人機(jī)電源故障的高效診斷。

筆者認(rèn)為未來要使知識圖譜技術(shù)在航空制造領(lǐng)域的應(yīng)用更進(jìn)一步，必須吸取其他成熟行業(yè)的經(jīng)驗(yàn)，如醫(yī)療行業(yè)的智能問診、金融行業(yè)的風(fēng)控分析等。結(jié)合航空制造領(lǐng)域特點(diǎn)，在不斷提高通用技術(shù)（知識抽取等）精確度的同時(shí)找到航空制造領(lǐng)域獨(dú)特的應(yīng)用方案，這也將是未來研究的探索方向。

5結(jié)束語

本文首先對航空制造知識圖譜的定義和框架進(jìn)行了詳細(xì)的闡述，較為全面地對知識圖譜構(gòu)建的三大關(guān)鍵手段進(jìn)行了綜述，并結(jié)合航空制造行業(yè)自身特點(diǎn)與目前的相關(guān)研究對知識圖譜在航空制造領(lǐng)域的應(yīng)用進(jìn)行了展望與分析，提出了三點(diǎn)切合實(shí)際的應(yīng)用方向及其解決方案；概括了目前佇立在航空制造知識圖譜構(gòu)建關(guān)鍵環(huán)節(jié)的困難與障礙，并對其今后的發(fā)展道路提出了建議。希望可以為進(jìn)一步展開對知識圖譜在航空制造領(lǐng)域的研究者提供啟發(fā)，同時(shí)為相關(guān)企業(yè)針對知識圖譜的實(shí)際應(yīng)用提供參考。

參考文獻(xiàn)：

[1]徐增林，盛泳潘，賀麗榮，等.知識圖譜技術(shù)綜述［J］.電子科技大學(xué)學(xué)報(bào)，2016，45（4）：589-606.（Xu Zenglin， Sheng Yongpan， He Lirong， et al. Review on knowledge graph techniques［J］.Journal of University of Electronic Science and Technology of China，2016，45（4）：589-606.）

［2]Sheth A， Thirunarayan K. Semantics empowered Web 3. 0： mana-ging enterprise， social， sensor， and cloud-based data and services for advanced applications［M］.San Rafael，CA：Morgan amp; Claypool Publishers，2012：35-36.

［3]Mayer-Schnberger V， Cukier K. Big data： a revolution that will transform how we live， work and think［M］.London：Hodder amp; Stoughton，2013.

［4]Pujara J， Miao Hui， Getoor L， et al. Ontology-aware partitioning for knowledge graph identification［C］//Proc of Workshop on Automated Knowledge Base Construction.New York：ACM Press，2013：19-24.

［5]Xu Qiuxue， Niu Na， Quan Yongmin， et al. Research on the development of text mining technology based on bibliometrics and knowledge map visualization［J］.Scientific Journal of Information Enginee-ring，2017，7（1）：15-26.

［6]林明.基于知識圖譜的交互關(guān)系瀏覽與分析：可視化模型與系統(tǒng)實(shí)現(xiàn)［D］.杭州：浙江大學(xué)，2017.（Lin Ming. Interactive relation exploration and analysis based on knowledge graph： visualization model and system implementation［D］.Hangzhou：Zhejiang University，2017.）

［7]Pan J Z， Vetere G， Gomez-Perez J M， et al. Exploiting linked data and knowledge graphs in large organisations［M］.Cham：Springer，2017.

［8]姚萍，李坤偉，張一帆，等.知識圖譜構(gòu)建技術(shù)綜述［J］.信息系統(tǒng)工程，2020（5）：121-123.（Yao Ping， Li Kunwei， Zhang Yifan. Review of knowledge graph construction techniques［J］.China CIO News，2020（5）：121-123.）

［9]Bizer C， Lehmann J， Kobilarov G， et al. DBpedia： a crystallization point for the Web of data［J］.Journal of Web Semantics，2009，7（3）：154-165.

［10]Suchanek F M， Kasneci G， Weikum G. YAGO： a large ontology from Wikipedia and WordNet［J］.Journal of Web Semantics，2008，6（3）：203-217.

［11]Bollacker K， Evans C， Paritosh P， et al. Freebase： a collaboratively created graph database for structuring human knowledge［C］//Proc of ACM SIGMOD International Conference on Management of Data.New York：ACM Press，2008：1247-1250.

［12]Xu Bo， Liang Jiaqing， Xie Chenhao， et al. CN-DBpedia2： an extraction and verification framework for enriching Chinese encyclopedia knowledge base［J］.Data Intelligence，2019，1（3）：271-288.

［13]Niu Xing， Sun Xinruo， Wang Haofen. Zhishi.me： weaving Chinese linking open data［C］//Proc of the 10th International Semantic Web Conference.Berlin：Springer，2011：205-220.

［14]中國電子技術(shù)標(biāo)準(zhǔn)化研究院.知識圖譜標(biāo)準(zhǔn)化白皮書（2019版）［R/OL］.（2019-08）.http：//www.199it.com/archives/940537.html.（China Electronics Standardization Institute. Knowledge graph standardization white paper（2019）［R/OL］.（2019-08）.http：//www.199it.com/archives/940537.html.）

［15]劉燁宸，李華昱.領(lǐng)域知識圖譜研究綜述［J］.計(jì)算機(jī)系統(tǒng)應(yīng)用，2020，29（6）：1-12.（Liu Yechen， Li Huayu. Survey on domain knowledge graph research［J］.Computer Systems amp; Applications，2020，29（6）：1-12.）

［16]唐錨，高凱麗，張小娟.面向大數(shù)據(jù)的北京水務(wù)數(shù)據(jù)融合技術(shù)研究［J］.水利信息化，2019（6）：9-17，22.（Tang Mao， Gao Kaili， Zhang Xiaojuan. Research on big data oriented data fusion technology of Beijing water affair［J］.Water Resources Informatization，2019（6）：9-17，22.）

［17]楊玉基，許斌，胡家威，等.一種準(zhǔn)確而高效的領(lǐng)域知識圖譜構(gòu)建方法［J］.軟件學(xué)報(bào)，2018，29（10）：2931-2947.（Yang Yuji， Xu Bin， Hu Jiawei， et al. Accurate and efficient method for constructing domain knowledge graph［J］.Journal of Software，2018，29（10）：2931-2947.）

［18]石剛.一種基于知識圖譜的用戶搜索意圖挖掘方法的研究［D］.北京：國際關(guān)系學(xué)院，2016.（Shi Gang. Research on a method of mining user’s search intent based on knowledge graph［D］.Beijing：University of International Relations，2016.）

［19]侯夢薇，衛(wèi)榮，陸亮，等.知識圖譜研究綜述及其在醫(yī)療領(lǐng)域的應(yīng)用［J］.計(jì)算機(jī)研究與發(fā)展，2018，55（12）：2587-2599.（Hou Mengwei， Wei Rong， Lu Liang， et al. Research review of knowledge graph and its application in medical domain［J］.Journal of Compu-ter Research and Development，2018，55（12）：2587-2599.）

［20]梅發(fā)國，戴大偉，張冀.基于知識圖譜的戰(zhàn)場目標(biāo)關(guān)系融合技術(shù)［J］.指揮信息系統(tǒng)與技術(shù)，2017，8（5）：81-86.（Mei Faguo， Dai Dawei， Zhang Ji. Battlefield target relation fusion technology based on knowledge mapping［J］.Command Information System and Technology，2017，8（5）：81-86.）

［21]趙彤宇.醫(yī)學(xué)知識圖譜構(gòu)建方法研究及在疾病診斷中的應(yīng)用［D］.濟(jì)南：齊魯工業(yè)大學(xué)，2020.（Zhao Tongyu. Research on medical knowledge graph construction method and its application in disease diagnosis［D］.Jinan：Qilu University of Technology，2020.）

［22]楊曉慧，萬睿，張海濱，等.基于符號語義映射的知識圖譜表示學(xué)習(xí)算法［J］.計(jì)算機(jī)研究與發(fā)展，2018，55（8）：1773-1784.（Yang Xiaohui， Wan Rui， Zhang Haibin， et al. Semantical symbol mapping embedding learning algorithm for knowledge graph［J］.Journal of Computer Research and Development，2018，55（8）：1773-1784.）

［23]袁凱琦，鄧揚(yáng)，陳道源，等.醫(yī)學(xué)知識圖譜構(gòu)建技術(shù)與研究進(jìn)展［J］.計(jì)算機(jī)應(yīng)用研究，2018，35（7）：1929-1936.（Yuan Kaiqi， Deng Yang， Chen Daoyuan， et al. Construction techniques and research development of medical knowledge graph［J］.Application Research of Computers，2018，35（7）：1929-1936.）

［24]吳超.面向突發(fā)事件領(lǐng)域的事理圖譜平臺的設(shè)計(jì)與實(shí)現(xiàn)［D］.成都：電子科技大學(xué)，2020.（Wu Chao. Design and implementation of event graph platform for the field of emergency［D］.Chengdu：University of Electronic Science amp; Technology of China，2020：32-34.）

［25]Singh S， Hillard D， Leggetter C. Minimally-supervised extraction of entities from text advertisements［C］//Proc of Annual Conference of the North American Chapter of the Association for Computational Linguistics.Stroudsburg，PA：Association for Computational Linguistics，2010：73-81.

［26]Wintaka D C， Bijaksana M A， Asror I. Named-entity recognition on Indonesian tweets using bidirectional LSTM-CRF［J］.Procedia Computer Science，2019，157：221-228.

［27]Abhyuday N J， Hong Yu. Structured prediction models for RNN based sequence labeling in clinical text［C］//Proc of Conference on Empirical Methods in Natural Language Processing.Stroudsburg，PA：Association for Computational Linguistics，2016：856-865.

［28]Batini C， Lenzerini M， Navathe S B. A comparative analysis of metho-dologies for database schema integration［J］.ACM Computing Surveys，1986，18（4）：323-364.

［29]劉輝，江千軍，桂前進(jìn)，等.實(shí)體關(guān)系抽取技術(shù)研究進(jìn)展綜述［J］.計(jì)算機(jī)應(yīng)用研究， 2020，37（Z2）：1-5.（Liu Hui， Jiang Qianjun， Gui Qianjin， et al. Review of research progress of entity relationship extraction［J］.Application Research of Computers，2020，37（Z2）：1-5.）

［30]張治，車皓陽，施鵬飛，等.模式匹配問題的描述框架與算法模型［J］.模式識別與人工智能，2006，19（6）：715-721.（Zhang Zhi， Che Haoyang， Shi Pengfei. Framework and algorithm model of schema matching problem［J］.Pattern Recognition and Artificial Intelligence，2006，19（6）：715-721.）

［31]邵堃，楊春磊，錢立賓，等.基于模式匹配的結(jié)構(gòu)化信息抽?。跩］.模式識別與人工智能，2014，27（8）：758-768.（Shao Kun， Yang Chunlei， Qian Libing， et al. Structured information extraction based on pattern matching［J］.Pattern Recognition and Artificial Intelligence，2014，27（8）：758-768.）

［32]甘麗新，萬常選，劉德喜，等.基于句法語義特征的中文實(shí)體關(guān)系抽?。跩］.計(jì)算機(jī)研究與發(fā)展，2016，53（2）：284-302.（Gan Lixin， Wan Cangxuan， Liu Dexi， et al. Chinese named entity relation extraction based on syntactic and semantic features［J］.Journal of Computer Research and Development，2016，53（2）：284-302.）

［33]徐慶伶，汪西莉.一種基于支持向量機(jī)的半監(jiān)督分類方法［J］.計(jì)算機(jī)技術(shù)與發(fā)展，2010，20（10）：115-117，121.（Xu Qingling， Wang Xili. A novel semi-supervised classification method based on SVM［J］.Computer Technology and Development，2010，20（10）：115-117，121.）

［34]Chen Jinxiu， Ji Donghong， Tan C L， et al. Unsupervised feature selection for relation extraction［C］//Proc of Conference Including Pos-ters/Demos and Tutorial Abstracts.Stroudsburg，PA：Association for Computational Linguistics，2002：262-267.

［35]Sun Tingting， Zhang Chunhong， Ji Yang， et al. Reinforcement lear-ning for distantly supervised relation extraction［J］.IEEE Access，2019，7：98023-98033.

［36]Socher R， Huval B， Manning C D， et al. Semantic compositionality through recursive matrix-vector spaces［C］//Proc of Joint Conference on Empirical Methods in Natural Language Processing and Computational Natural Language Learning.Stroudsburg，PA：Association for Computational Linguistics，2012：1201-1211.

［37]Zhu Jizhao， Qiao Jianzhong， Dai Xinxiao， et al. Relation classification via target-concentrated attention CNNs［C］//Proc of the 24th International Conference on Neural Information Processing.Cham：Springer，2017：137-146.

［38]Sundermeyer M， Schlüter R， Ney H. LSTM neural networks for language modeling［C］//Proc of the 13th Conference in the Annual Series of InterSpeech Events.2012：194-197.

［39]孫紫陽，顧君忠，楊靜.基于深度學(xué)習(xí)的中文實(shí)體關(guān)系抽取方法［J］.計(jì)算機(jī)工程，2018，44（9）：164-170.（Sun Ziyang， Gu Junzhong， Yang Jing. Chinese entity relation extraction method based on deep learning［J］.Computer Engineering，2018，44（9）：164-170.）

［40]孫鄭煜，鄂海紅，宋美娜，等.基于大數(shù)據(jù)技術(shù)的醫(yī)學(xué)知識圖譜構(gòu)建方法［J］.軟件，2020，41（1）：13-17.（Sun Zhengyu， E Haihong， Song Meina， et al. Method of medical knowledge graphs construction based on big data technology［J］.Computer Engineering amp; Software，2020，41（1）：13-17.）

［41]Newcombe H B， Kennedy J M， Axford S J， et al. Automatic linkage of vital records［J］.Science，1959，130（3381）：954-959.

［42]Fellegi I P， Sunter A B. A theory for record linkage［J］.Journal of the American Statistical Association，2012，64（328）：1183-1210.

［43]Chakrabarti K， Chaudhuri S， Cheng Tao， et al. A framework for robust discovery of entity synonyms［C］//Proc of ACM SIGKDD Conference on Knowledge Discovery and Data Mining.New York：ACM Press，2012：1384-1392.

［44]莊嚴(yán)，李國良，馮建華，等.知識庫實(shí)體對齊技術(shù)綜述［J］.計(jì)算機(jī)研究與發(fā)展，2016，53（1）：165-192.（Zhuang Yan， Li Guoliang， Feng Jianhua， et al. Survey on entity alignment of knowledge base［J］.Journal of Computer Research and Development，2016，53（1）：165-192.）

［45]Verykios V S， Moustakides G V， Elfeky M G. A Bayesian decision model for cost optimal record matching［J］.The VLDB Journal，2002，12（1）：28-40.

［46]Mudgal S， Li Han， Rekatsinas T， et al. Deep learning for entity matching： a design space exploration［C］//Proc of International Conference on Management of Data.New York：ACM Press，2018：19-34.

［47]Cochinwala M， Kurien V， Lalk G， et al. Efficient data reconciliation［J］.Information Sciences，2001，137（1-4）：1-15.

［48]Chen Baiyang， Chen Xiaoliang， Lu Peng， et al. CAREA： cotraining attribute and relation embeddings for cross-lingual entity alignment in knowledge graphs［J］.Discrete Dynamics in Nature and Society，2020，2020：article ID 6831603.

［49]李秋岑.基于超圖的多模態(tài)融合算法研究與應(yīng)用［D］.大連：大連理工大學(xué)，2018.（Li Qiucen. Research and application of multimodal fusion algorithm based on hypergraph［D］.Dalian：Dalian University of Technology，2018.）

［50]Zhao Xuran， Evans N， Dugelay J L. A subspace co-training framework for multi-view clustering［J］.Pattern Recognition Letters，2014，41（5）：73-82.

［51]蘇佳林，王元卓，靳小龍，等.融合語義和結(jié)構(gòu)信息的知識圖譜實(shí)體對齊［J］.山西大學(xué)學(xué)報(bào)：自然科學(xué)版，2019，42（1）：23-30.（Su Jialin， Wang Yuanzuo， Jin Xiaolong， et al. Knowledge graph entity alignment with semantic and structural information［J］.Journal of Shanxi University： Natural Science Edition，2019，42（1）：23-30.）

［52]Wang Gangfeng， Hu Yongbiao， Tian Xitian， et al. An integrated open approach to capturing systematic knowledge for manufacturing process innovation based on collective intelligence［J］.Applied Sciences，2018，8（3）：DOI：10.3390/app8030340.

［53]Xie Nengfu，Wang Wensheng，Yang Xiaorong， et al. Rule-based agricultural knowledge fusion in Web information integration［J］.Sensor Letters，2012，10（1）：DOI：10.1016/j.njas.2010.10.026.

［54]朱祥，張?jiān)魄?近年來知識融合研究進(jìn)展與趨勢［J］.圖書情報(bào)工作，2019，63（16）：143-150.（Zhu Xiang， Zhang Yunqiu. Progress and trends of knowledge fusion research in recent years［J］.Library and Information Service，2019，63（16）：143-150.）

［55]Sun Lin， Wang Yanzhang. A multi-attribute fusion approach extending Dempster-Shafer theory for combinatorial-type evidences［J］.Expert Systems with Applications，2018，96（4）：218-229.

［56]Coussement K， Benoit D F， Antioco M. A Bayesian approach for incorporating expert opinions into decision support systems： a case study of online consumer-satisfaction detection［J］.Decision Support Systems，2015，79（12）：24-32.

［57]Cao Yixin， Liu Zhiyuan， Li Chengjiang， et al. Multi-channel graph neural network for entity alignment［C］//Proc of the 57th Annual Meeting of the Association for Computational Linguistics.Stroudsburg，PA：Association for Computational Linguistics，2019：1452-1461.

［58]張仲偉，曹雷，陳希亮，等.基于神經(jīng)網(wǎng)絡(luò)的知識推理研究綜述［J］.計(jì)算機(jī)工程與應(yīng)用，2019，55（12）：8-19，36.（Zhang Zhongwei， Cao Lei， Chen Xiliang， et al. Survey of knowledge reasoning based on neural network［J］.Computer Engineering and Applications，2019，55（12）：8-19，36.）

［59]Khan J， Wei J S， Ringnér M， et al. Classification and diagnostic prediction of cancers using gene expression profiling and artificial neural networks［J］.Nature Medicine，2001，7（6）：673-679.

［60]Das R， Neelakantan A， Belanger D， et al. Chains of reasoning over entities， relations， and text using recurrent neural networks［C］//Proc of the 15th Conference of the European Chapter of the Association for Computational Linguistics.Stroudsburg，PA：Association for Computational Linguistics，2017：42-44.

［61]Graves A， Wayne G， Reynolds M， et al. Hybrid computing using a neural network with dynamic external memory［J］.Nature，2016，538（7626）：471-476.

［62]Neelakantan A， Roth B， McCallum A. Compositional vector space models for knowledge base completion［C］//Proc of the 53rd Annual Meeting of the Association for Computational Linguistics and the 7th International Joint Conference on Natural Language Processing.Stroudsburg，PA：Association for Computational Linguistics，2015：156-166.

［63]Wang Zhouxia， Chen Tianshui， Ren J， et al. Deep reasoning with knowledge graph for social relationship understanding［C］//Proc of the 27th International Joint Conference on Artificial Intelligence.Palo Alto，CA：AAAI Press，2018：1021-1028.

［64]Kampffmeyer M， Chen Yinbo， Liang Xiaodan， et al. Rethinking knowledge graph propagation for zero-shot learning［C］//Proc of IEEE/CVF Conference on Computer Vision and Pattern Recognition.Piscataway，NJ：IEEE Press，2019.

［65]Li Yujia， Zemel R， Brockschmidt M， et al. Gated graph sequence neural networks［EB/OL］.（2017-09-22）.https：//arxiv.org/pdf/1511.05493v4.pdf.

［66]Velicˇkovic＇ P， Cucurull G， Casanova A， et al. Graph attention networks ［EB/OL］. （2018-02-04）. https：//arxiv.org/pdf/1710.10903.pdf.

［67]Shi Miaoyuan. Knowledge graph question and answer system for mechanical intelligent manufacturing based on deep learning［J］.Mathematical Problems in Engineering，2021，2021：article ID 6627114.

［68]Wang Xue， Yang Xizhong， Fu Jiapan， et al. Research on the construction technology of knowledge graph in aviation［C］//Proc of the 5th International Conference on Mechanical and Aeronautical Engineering.2020：12040.

［69]Shah L A， Etienne A， Siadat A， et al. Decision-making in the manufacturing environment using a value-risk graph［J］.Journal of Intelligent Manufacturing，2016，27（3）：617-630.

［70]張棟豪，劉振宇，郟維強(qiáng)，等.知識圖譜在智能制造領(lǐng)域的研究現(xiàn)狀及其應(yīng)用前景綜述［J］.機(jī)械工程學(xué)報(bào)，2021，57（5）：91-113.（Zhang Donghao， Liu Zhengyu， Jia Weiqiang， et al. Review on knowledge graph and its application prospects to intelligent manufacturing［J］.Journal of Mechanical Engineering，2021，57（5）：91-113.）

［71]李林.航空制造設(shè)備故障預(yù)測與健康管理設(shè)備分析［J］.中國設(shè)備工程，2020（9）： 52-53.（Li Lin. Fault prediction and health management analysis of aviation manufacturing equipment［J］.China Plant Engineering，2020（9）：52-53.）

［72]楊浩偉.制造業(yè)領(lǐng)域知識圖譜的構(gòu)建與應(yīng)用［D］.杭州：浙江工商大學(xué)，2019.（Yang Haowei. Construction and application on know-ledge graph of manufacturing industry［D］.Hangzhou：Zhejiang Gongshang University，2019.）

［73]Zhao Jun， Liu Feifan. Product named entity recognition in Chinese text［J］.Language Resources and Evaluation，2008，42（5）：197-217.

［74]Khan F H， Qamar U， Bashir S. Senti-CS： building a lexical resource for sentiment analysis using subjective feature selection and normalized Chi-Square-based feature weight generation［J］.Expert Systems，2016，33（5）：489-500.

［75]Kim S， Suh E， Hwang H. Building the knowledge map： an industrial case study［J］.Journal of Knowledge Management，2003，7（2）：34-45.

［76]Zhang Chao， Zhou Guanghui， Lu Qi， et al. Graph-based knowledge reuse for supporting knowledge-driven decision-making in new product development［J］.International Journal of Production Research，2017，55（23）：7187-7203.

［77]Ruiz P A P， Kamsu-Foguem B， Noyes D. Knowledge reuse integrating the collaboration from experts in industrial maintenance management［J］.Knowledge-Based Systems，2013，50（9）：171-186.

［78]Sarazin A， Bascans J， Sciau J B， et al. Expert system dedicated to condition-based maintenance based on a knowledge graph approach： Application to an aeronautic system［J］.Expert Systems with Applications，2021，186（12）：115767.

［79]聶同攀，曾繼炎，程玉杰，等.面向飛機(jī)電源系統(tǒng)故障診斷的知識圖譜構(gòu)建技術(shù)及應(yīng)用［J］.航空學(xué)報(bào)，2021，doi：10.7527/S1000-6893.2021.25499.（Nie Tongpan， Zeng Jiyan， Cheng Yujie， et al. Knowledge graph construction technology and its application in aircraft power system fault diagnosis［J］.Acta Aeronautica et Astronautica Sinica，2021，doi：10.7527/S1000-6893.2021.25499.）

收稿日期：2021-09-23；

修回日期：2021-11-09

基金項(xiàng)目：國家重點(diǎn)研發(fā)計(jì)劃資助項(xiàng)目（2020YFB1713300）；貴州省高等學(xué)校集成攻關(guān)大平臺資助項(xiàng)目（黔教合KY字［2020］005）；貴州省高等學(xué)校人才培養(yǎng)基地資助項(xiàng)目（黔教合KY字［2020］009）；貴州省科技計(jì)劃資助項(xiàng)目（黔科合重大專項(xiàng)字［2019］3003，黔科合人才［2015］4011，黔科合平臺人才［2017］5788）

作者簡介：邱凌（1998-），男，江西鷹潭人，碩士研究生，主要研究方向?yàn)橹R圖譜；張安思（1991-），男（通信作者），貴州貴陽人，講師，博士，主要研究方向?yàn)楣I(yè)大數(shù)據(jù)（zhangas@gzu.edu.cn）；李少波（1973-），男，貴州貴陽人，院長，教授，主要研究方向?yàn)闄C(jī)械設(shè)備智能故障診斷；張儀宗（1996-），男，碩士研究生，主要研究方向?yàn)闄C(jī)械設(shè)備智能故障診斷；沈明明（1988-），女，博士研究生，主要研究方向?yàn)闄C(jī)器學(xué)習(xí)、知識圖譜、工業(yè)大數(shù)據(jù)分析等；周鵬（1988-），男，講師，博士研究生，主要研究方向?yàn)閺?fù)雜制造過程建模與監(jiān)控、復(fù)雜裝備數(shù)字化設(shè)計(jì)與制造.