基于知識圖譜自動構建的可用資源表示與推薦

摘要：為了解決技術創新中可用資源選擇過程算法化程度與創新效率較低的問題，提出基于知識圖譜自動構建的可用資源表示與推薦方法；首先采用雙向長短期記憶模型和條件隨機場模型建立可用資源實體抽取模型，基于依存句法分析實現實體關系抽取，從而構建可用資源知識圖譜；然后分析可用資源屬性在可用資源利用過程中的作用，并架構屬性匹配網絡，實現基于知識圖譜的可用資源推薦；最后通過實驗和案例分析驗證所提方法的有效性。結果表明，知識圖譜能夠有效表示可用資源，可以應用于智能化計算機輔助創新系統的開發。

關鍵詞：發明問題解決理論；可用資源；知識圖譜

中圖分類號：TP301

文獻標志碼：A

Available Resources Representation and Recommendation Based on Automatic Construction of Knowledge Graphs

KONG Xiaoxiao^1，2

（1. Faculty of Education， Qufu Normal University， Jining 273165， Shandong， China；2. School of Accounting， Shandong Women’s University， Jinan 250300， Shandong， China）

Abstract： To solve the problem of low algorithmic degree and innovation efficiency in the process of available resources selecting for technological innovation， an available resources representation and recommendation method based on automatic construction of knowledge graphs was proposed. An entity extraction model of available resources was firstly constructed by using bi-directional long short term memory model and conditional random field model. The relation extraction between entities was realized based on dependency parsing， and the knowledge graphs of available resources were constructed. Then the attribute mapping network was architected based on the mechanism analysis of available resources attributes in the process of available resources application to realize the available resources recommendation based on knowledge graphs. Finally， the effectiveness of the proposed method was verified by using experiments and case analysis. The results show that the knowledge graphs are efficient in available resources representation and can be applied to the development of intelligent computer aided innovation system.

Keywords： TRIZ （teoriya resheniya izobreatatelskikh zadatch）; available resource; knowledge graph

收稿日期：2022-11-25 網絡首發時間：2023-01-10T09∶22∶24

基金項目：國家自然科學基金項目（61872219）

作者簡介：孔曉曉（1980—），女，山東煙臺人。副教授，博士研究生，研究方向為教育信息化、創新創業教育。E-mail： 84899771@qq.com。

網絡首發地址：https：//kns.cnki.net/kcms/detail//37.1378.N.20230109.0931.001.html

隨著世界格局的變化與產業結構調整，創新已經成為驅動經濟發展的核心要素。企業對技術創新方法與創新人才的需求十分迫切。發明問題解決理論（teoriya resheniya izobreatatelskikh zadatch，TRIZ）是起源于前蘇聯的創新方法^［1］，為發明問題的解決提供了系統化的問題分析與問題解決工具，在世界范圍內日益受到社會各界的重視，廣泛應用于工程技術創新^［2-3］和創新人才^［4-5］的培養過程。

可用資源的分析與應用是TRIZ中的一個重要的問題解決工具，與其他問題解決工具，如標準解、發明原理、進化理論等具有密切聯系。合理利用資源是綜合應用TRIZ的重要基礎之一，也是形成產品創新設計方案的關鍵。

準確構建可用資源知識表示模型是科學合理利用可用資源的關鍵。知識圖譜（KG）是人工智能研究領域的重要研究方向，可用于描述真實世界中存在的實體或概念，以及兩者之間的關聯關系，在問答系統、資源推薦等方面都具有廣泛應用，并取得了很好的效果。基于知識圖譜的推薦方法可以有效提高推薦的精準性、可解釋性，并且可以解決冷啟動問題，但是目前針對可用資源知識圖譜的構建研究很少。

鑒于知識圖譜在推薦中表現出的良好性能，本文中提出將知識圖譜引入到可用資源的表示與推薦之中。首先，依據百度百科的數據，基于深度學習方法和依存句法分析方法自動構建可用資源知識圖譜；然后，設計實現基于知識圖譜的可用資源推薦方法；最后，通過實驗和實例證明基于知識圖譜自動構建的可用資源表示與推薦方法（簡稱本文方法）的有效性。本文的貢獻在于從知識表示與推薦的角度，探索知識圖譜應用于智能化計算機輔助創新系統開發的途徑。

1 相關工作

1.1 發明問題解決理論

從解決問題的角度看，如果在解決該問題的過程中所有的步驟和知識都是已知的，那么這個問題稱為常規問題；如果該過程中存在未知的步驟或知識，則這類問題稱為發明問題^［6］。TRIZ對于發明問題有清晰的定義，且提供了結構化良好的過程步驟與方法工具。

產品創新過程包括模糊前段、新產品開發、商品化等階段。產品創新過程在每個階段都會出現各種技術問題，利用TRIZ提供的分析工具與概念知識，將出現的問題標準化，將其轉化為TRIZ的標準問題，進而在標準問題對應的標準解基礎上，通過類比過程獲得解決技術問題的概念方案，是TRIZ應用于產品創新的一般過程，如圖1所示^［7］。

目前TRIZ在世界范圍內被廣泛應用。近年來，我國將技術創新作為國家戰略，TRIZ研究在國內迅速開展。在理論研究方面，河北工業大學、四川大學等學者圍繞創新設計理論開展了深入的研究^［8-9］；在計算機輔助創新軟件開發方面，Goldfire、Pro/Innovator、Invention Tool等均為該領域的代表性軟件工具^［10］；在工程應用方面，TRIZ在工程機械、旅游產品設計等領域有著廣泛的應用^［11-12］；在創新人才培養方面，TRIZ也被廣泛應用于工程專業學生的創造力提升，以及制造業企業創新工程師的培養^［13］。

經典TRIZ理論體系主要包括問題分析工具、知識庫工具兩大類，其中，問題分析工具包括沖突分析、物場分析、功能分析等，知識庫工具包括40個發明原理、76個標準解、效應數據等。盡管如此，在基于知識工具獲得設計方案時，可用資源的合理選擇是必須的，這是完成設計目標的重要步驟^［14］，如圖2所示。

1.2 可用資源

TRIZ對于資源的分類與應用有較為全面的定義。可用資源是指一切可以被人類利用的物質、能量、信息的總稱。從資源存在形式的角度看，可用資源分可為能量資源、物質資源、信息資源、時間資源、空間資源、功能資源等；從可以利用的程度角度看，可用資源可分為直接利用資源、導出資源和差動資源；從價值工程的角度看，資源又可分為免費資源、便宜資源、昂貴資源。

屬性是反映本體資源的重要特征，是人類認識客觀本體的基礎。從功能實現的角度看，資源的利用實質上是資源屬性的利用。比如，水銀溫度計中采用水銀作為溫度的指示物，是利用了水銀這種物質熱膨脹系數大的屬性，溫度指示效果比較靈敏，而不是利用其密度大的屬性。文獻［15］中將可用資源常見的屬性分為物理屬性、化學屬性、幾何屬性、工藝屬性、材料屬性、生物屬性等6個大類，分別對每個大類的屬性描述進行了擴充，見表1。

1.3 知識圖譜

知識圖譜的概念是由Google公司在2012年首先提出的，后又被國內外研究者廣泛關注，在構建知識圖譜或者開發基于知識圖譜的應用取得了顯著的進步。知識圖譜本質上是〈實體，關系，實體〉三元組的集合，可以表現為由節點和邊組成的語義網絡圖，具有豐富的語義關系、靈活的語義內容和復雜的語義關聯。根據覆蓋面的不同，可以將知識圖譜劃分為通用知識圖譜和領域知識圖譜。知識圖譜目前已經在醫療、電商、法律等領域被廣泛應用。

知識圖譜作為一種新型高效的知識組織方式，能夠基于圖對多源異構數據進行知識融合與關聯，具有精準、多樣和可解釋的特點，可應用于推薦系統。不同研究者對基于知識圖譜的推薦方法具有不同的分類：文獻［16］中按照推薦算法思想將其分為基于連接的推薦、基于嵌入的推薦和基于混合的推薦三大類；文獻［17］中將其分為基于正則化的方法、基于路徑的方法兩大類。

2 可用資源知識圖譜自動構建

2.1 可用資源實體抽取方法

構建知識圖譜的第一步是抽取數據中的實體，本文中采用雙向長短期記憶網絡（Bi-LSTM）模型和條件隨機場（CRF）模型相結合的方法來識別，這是命名實體識別研究中較為成熟的模型，基本架構如圖3所示。從圖中可以看出，模型自下而上共分為3層，即輸入層、特征學習層和實體識別層。輸入層通過詞嵌入方法將文本中的詞轉化為數字向量。本文使用的詞嵌入模型是Word2Vec。特征學習層采用Bi-LSTM模型學習更高層次的語義特征，由前向長短期記憶網絡（LSTM）模型與后向LSTM模型組合而成。實體識別層接收Bi-LSTM模型的輸出，基于CRF模型實現實體識別，并采用BIO的標注體系，其中B表示實體的開始，I表示實體的中間，O表示非實體。

W=（w₁，w₂，…，w_n）為每條數據中的每個詞的詞向量，H=（h₁，h₂，…，h_n）為經過Bi-LSTM模型計算得到的每個詞的隱向量。Bi-LSTM模型按句子順序，從正、反2個方向學習句中信息，能夠提高實體識別的準確度，其一般計算公式如下：

式（1）—（6）為前向LSTM計算公式，式（7）—（12）為后向LSTM計算公式，式（13）為將Bi-LSTM的結果進行整合，得到每個詞最終的隱向量。

2.2 基于依存句法分析的關系抽取方法

要完成知識圖譜的構建，還需要識別實體與實體之間的關系。在本文中的可用資源知識圖譜中，將屬性視為“關系”，因此存在大量〈實體，屬性，屬性值〉的三元組，例如〈空氣，密度，1.29 kg/m3〉。

依存句法分析（dependency parsing）可以識別出句子中詞與詞之間的句法依賴關系，即分析輸入句子中詞與詞之間的從屬關系，然后輸出其依存句法結構（中心-從屬的形式）。圖4所示為基于語言技術平臺（LTP，http：//ltp.ai/index.html）得到的句子“空氣的密度為1.29 kg/m3”依存句法分析和語義角色標注結果。從圖中可以看出，資源實體和屬性實體一般是定中關系，屬性和屬性值之間一般是主謂關系。本文中采用文獻［18］中的抽取方法實現關系抽取，此處不再贅述。

3 基于知識圖譜的可用資源推薦

資源的利用本質上是資源屬性的利用，基于知識圖譜的資源推薦是一個查找滿足所需屬性的資源的過程。該過程可以分為2個步驟：1）識別某個資源是否具有某個所需的屬性，即屬性匹配；2）在資源具有所需屬性的情況下，具體的屬性值是否滿足要求，即屬性值計算。

3.1 屬性匹配

在屬性查找的過程中存在的問題是用戶提供的屬性要求和知識圖譜中的屬性并不是一一對應的，因此需要設計一個模型來有效地將所需屬性和圖譜中的屬性進行匹配。本文中采用文獻［19］中的方法進行屬性之間的匹配，具體模型如圖5所示。

圖5中，R=（r₁， r₂， …， r_m）表示所需資源描述，G=（g₁， g₂， …，g_n）表示圖譜屬性，且m=5， n=3（m與n分別為R和G中涉及的變量個數）。通過2個共享權重的Bi-LSTM模型分別對R和G進行編碼，得到各自高層語義表示。在對R進行編碼時，引入了基于G的注意力機制。經過Bi-LSTM模型編碼后，分別得到語義向量V_R和V_G，然后使用相似度函數計算V_R和V_G的相似度得分，最后挑選前k個相似度最高屬性作為匹配結果。

3.2 屬性值計算

屬性匹配雖然可以判定某個資源是否具有所需屬性，但是還存在一個問題，就是屬性值是否滿足所需的條件。例如，當尋求電導率小于5 S/cm的材料時，金屬就不合適，因為金屬的電導率一般都大于10 S/cm。本文中使用以下方法實現屬性值的判定：

1）抽取資源需求中的屬性值r；

2）如果r是數值型，則首先進行單位換算，然后與上節匹配出的圖譜屬性對應的屬性值進行算術比較，以判斷屬性值是否滿足需求；

3）如果r不是數值型，則再通過圖5所示的結構進行匹配，依據最終的結果判斷屬性值是否滿足需求。

4 案例分析與實驗驗證

4.1 案例分析

以下以枕頭設計為例，說明基于知識圖譜的資源推薦過程。隨著社會的發展和生活水平的提高，外出旅行逐步成為人們緊張工作之余放松身心的方式，其中野外露營備受人們的青睞。在野外露營時，晚間的休息是保證恢復體力的關鍵，枕頭就成為旅游中的必需品。由于旅途攜帶用品較多，枕頭所占空間較大，因此開發一種適合露營使用的枕頭產品，就成為一種實際的需求。

根據對枕頭功能的理解與分析，枕頭既要方便攜帶，又要有助于睡眠，枕頭填充物的選擇成為獲得新型枕頭概念設計方案的關鍵。該資源可以完成填充的功能，且具備柔軟的質地屬性。將該資源需求采用屬性匹配模型進行推薦，得到排名最靠前的3個資源，如表2所示。根據應用實例以及資源屬性的分析，可以獲得較為理想的填充資源。

水、空氣、沙子作為枕頭填充物均能實現人體的柔性接觸，但是從價值屬性和物理屬性上看，仍然有所區別。從價值屬性的角度分析，與沙子相比，水與空氣價格優勢明顯；從物理屬性的角度分析，與水相比，空氣致密性更低，密度小，存量無限，便于獲得，因此，選擇空氣作為填充物的充氣枕頭能較好地滿足人們的需要。

4.2 實驗驗證

為了進一步驗證本文方法的有效性，本文中選擇30種可用資源，包括水、空氣、沙子、竹子、木炭等，然后從維基百科中獲取這些可用資源的相關介紹，并且手動抽取其中的三元組，例如〈空氣，密度，1.29 kg/m3〉，共獲取1 280個實體和2 098個關系（三元組）。按照8∶2的比例將上述數據分為訓練語料和測試語料，采用精確率、召回率以及精準率與召回率的調和平均數F₁值作為評測指標。

為了驗證本文方法的有效性，設計了以下3組實驗：

1）知識圖譜構建實驗，實驗結果見表3。從表中可以看出，本文中設計實現的知識圖譜構建方法可以達到實用的效果。

2）屬性匹配實驗，實驗結果見表4。為了展示屬性匹配方法的有效性，首先設計了100個資源需求，比如“電導率為7 S/cm的資源”等，但需求中的屬性（導電性）和圖譜中的屬性（電導率）并不完全一樣。從表4中的實驗結果可以看出，當匹配個數是3時效果最好。

3）資源推薦實驗，實驗結果見表5。實驗同樣使用上述100個資源需求，但是除了需要匹配屬性以外，還需要進行屬性值的計算，只有當屬性匹配成功且屬性值計算正確才算是推薦正確。從表5中的實驗結果同樣可以看出，當推薦資源的個數為3時，實驗達到最好的效果。

5 結語

合理選擇資源是形成技術方案的關鍵。TRIZ為資源的分析與選擇提供了較為系統的方法。構建可用資源分析系統，建立可用資源的知識模型，實現資源選擇的推理過程，有助于產品的創新設計。本文主要工作總結如下：

1）構建了可用資源知識圖譜。知識圖譜可以顯著提高推薦的準確性，但是目前對于可用資源知識圖譜關注不夠，為此，本文從百度百科獲取了常見的30種可用資源的相關數據，基于此構建了可用資源知識圖譜。

2）實現了基于深度學習模型和依存句法分析的知識圖譜自動構建。首先使用基于LSTM模型和CRF模型相結合的可用資源實體抽取方法，然后基于依存句法分析抽取實體與實體之間的關系，自動實現了知識圖譜的構建。

3）實現了基于知識圖譜的可用資源推薦，將推薦過程分為屬性匹配和屬性值計算2個部分，實驗結果證明該方法可以有效推薦可用資源。

在后續的研究工作中，將進一步擴展可用資源種類，同時積極探索更加高效的知識圖譜構建方法。

參考文獻：

［1］ GENTICH A. The innovation algorithm［M］. Worcester： Technical Innovation CenterInc，2000.

［2］ CHECHURIN L， BORGIANNI Y. Understanding TRIZ through the review of top cited publications［J］. Computers in Industry， 2016， 82： 119.

［3］ DANIEL SHEU D， CHIU M C， CAYARD D. The 7 pillars of TRIZ philosophies［J］. Computers amp; Industrial Engineering， 2020， 146： 106572.

［4］ CHANG Y S， CHIEN Y H， YU K C， et al. Effect of TRIZ on the creativity of engineering students［J］. Thinking Skills and Creativity， 2016， 19： 112.

［5］ 高常青， 趙方， 王濰， 等.發明問題解決理論與機械類本科生創新能力的培養［J］. 現代制造技術與裝備， 2009（3）： 100.

［6］ SAVRANSKY S D. Engineering of creativity［M］. Boca Raton： CRC Press， 2000： 4.

［7］ 檀潤華. TRIZ及應用［M］. 北京： 高等教育出版社， 2010： 2.

［8］ HUI Q， LI W Q， LI Y， et al. The trimming-based design method for PWR coolant flow distribution device［J］. Science and Technology of Nuclear Installations， 2019， 2019： 6043286.

［9］ 白仲航， 張珊， 于菲， 等. 標準解輔助多層次系統資源衍生的裁剪方法研究［J］. 機械工程學報， 2020， 56（11）： 108.

［10］ 王立新， 喬曉東， 劉晟杰， 等. TRIZ中科學效應庫的研究綜述［J］. 現代制造工程， 2021（5）： 154.

［11］ 孫群， 楊伯軍， 張建輝， 等. 基于理想解-沖突法六足機器人的創新設計［J］. 包裝工程， 2017， 38（5）： 23.

［12］ 楊靜. 基于QFD與TRIZ的陜西唐文化旅游紀念品創新設計［J］. 包裝工程， 2017， 38（14）：203.

［13］ TAN R H， ZHANG H G. Interactive training model of TRIZ for mechanical engineers in China［J］. Chinese Journal of Mechanical Engineering， 2014， 27（2）： 240.

［14］ 檀潤華. 創新設計：TRIZ：發明問題解決理論［M］. 北京： 機械工業出版社， 2006： 5.

［15］ 趙敏， 張武城， 王冠殊. TRIZ進階與實戰：大道至簡的發明方法［M］. 北京： 機械工業出版社， 2016： 44.

［16］ 秦川， 祝恒書， 莊福振， 等. 基于知識圖譜的推薦研究綜述［J］. 中國科學：信息科學， 2020， 50（7）： 937.

［17］ 秦琪琦， 張月琴， 王潤澤， 等. 基于知識圖譜的層次粒化推薦方法［J］. 計算機科學， 2022， 49（8）： 64.

［18］ 李明耀， 楊靜. 基于依存分析的開放式中文實體關系抽取方法［J］. 計算機工程， 2016， 42（6）： 201.

［19］ 王思宇， 邱江濤， 洪川洋， 等. 基于知識圖譜的在線商品問答研究［J］. 中文信息學報， 2020， 34（11）： 104.

（責任編輯：劉 飚）