基于本體論的鐵路企業培訓知識地圖構建及應用研究

摘" 要：鐵路行業具有技術密集、專業性強等特點，鐵路員工需要掌握豐富的專業知識及技能。然而傳統的培訓方式往往存在著系統性缺乏以及碎片化等問題，導致學習效果不佳。文章基于本體理論，通過確定本體專業領域范疇、確定鐵路知識概念、定義類的屬性和關系、構建實體、創建實例、本體可視化等方法，研究提出了鐵路培訓知識地圖模型及可視化展示模型，并從智能學習、職工畫像、培訓規劃三個方面提出了知識地圖信息系統與職工培訓系統相結合的應用場景，為鐵路企業解決培訓內容體系化和精準化程度較低、培訓效果難以評估等技術問題提供解決思路，從而提高鐵路企業培訓管理的效率，保證培訓質量。

關鍵詞：鐵路企業培訓；本體論；知識地圖；信息系統

中圖分類號：TP39" " 文獻標識碼：A" " 文章編號：2096-4706（2025）01-0145-06

Research on the Construction and Application of Railway Enterprise Training Knowledge Map Based on Ontology

Abstract： The railway industry is characterized by intensive technology and strong professionalism. Railway employees need to master rich professional knowledge and skills. However， traditional training methods often have problems such as lack of systematicness and fragmentation， resulting in poor learning results. Based on ontology theory， the paper studies and puts forward the knowledge map model and visual display model of railway training， through the methods of determining the scope of the ontology professional field， determining the concept of railway knowledge， defining the attributes and relationships of the class， building entities， creating instances， visualizing the ontology， and so on. It puts forward the application scenarios of the combination of knowledge map information system and staff training system from three aspects of intelligent learning， staff portrait， and training planning. And it provides solutions for railway enterprises to solve technical problems such as low degree of systematics and precision of training content， and difficulty in evaluating training effects， so as to improve the efficiency of railway enterprise training management and ensure the quality of training.

Keywords： railway enterprise training; ontology; knowledge map; information system

0" 引" 言

知識地圖是一種可以將知識結構可視化的工具，用于表示某個領域或主題中的知識結構和關系。它通常以圖形的形式展現，將主題或領域中不同概念、術語、理論和方法等元素之間的聯系和層次關系呈現出來。鐵路企業中，知識地圖的構建有助于提高鐵路企業員工學習、練習的系統性。知識地圖是一個詳細的知識結構圖，它將所有的知識點按照一定的邏輯關系進行排列和組織，形成一個系統的知識體系。通過這個知識地圖，員工可以清晰地看到自己需要學習的知識點，以及這些知識點之間的聯系，從而提高學習的系統性。在實際操作中，員工可以根據自己的實際情況，選擇合適的學習路徑，有針對性地進行學習和練習。這樣不僅可以提高學習效率，還可以保證學習的質量。同時，通過不斷的學習和練習，員工的專業技能和綜合素質也會得到提高。另一方面，知識地圖的構建有助于提高鐵路企業培訓管理的效率和質量。對于鐵路企業來說，如何有效地管理培訓工作是一項重要的任務。傳統的培訓管理模式往往存在一些問題，如培訓內容不系統，培訓效果難以評估等。而鐵路企業培訓知識地圖的出現，為解決這些問題提供了一種新的思路。首先，它可以幫助培訓管理者制定更加科學、合理的培訓計劃，確保培訓內容與員工需求相匹配。其次，知識地圖可以作為培訓資源的管理工具，對各種學習資料進行分類、整理和更新，方便員工查找和使用。這不僅可以提高培訓管理的效率，還能保證培訓質量。此外，知識地圖還可以作為評估培訓效果的一種工具，可以通過比較員工在學習前后的知識掌握情況，培訓管理者可以了解培訓效果如何，從而對培訓計劃進行調整和改進，提高了培訓的針對性和有效性。

在國內，知識地圖被應用于學科熱點分析、專家庫構建、圖書館咨詢及企業管理等領域，在培訓中的應用包括學科知識地圖的構建、組織微課資源、知識檢索等方面。越來越多的行業開始重視知識管理和知識創新，意識到知識是核心競爭力的重要組成部分。因此，知識地圖構建在國內各個行業得到了廣泛的認可和應用。李燦等[1]構建了基于方劑數據集的知識圖譜，以系統性地展示方劑實體及其之間的關系，實現了中藥方劑的知識檢索，有助于發現方劑數據中的潛在知識與內在關系，為中醫藥領域的信息整合和知識發現提供了堅實基礎；李曉健等[2]提出了建立知識圖譜來演繹與分析鐵路工程建設風險的方法，構建了基于改進Floyd-Warshall算法的多源最長路徑計算模型，為復雜地區鐵路工程建設風險預防與管控措施的制定提供理論依據，對于指導復雜地區鐵路工程的可靠性建設具有積極意義；王茹等[3]通過知識圖譜改進作業條件危險性評價法（LEC）實現安全風險的定量計算，并基于知識圖譜進行風險位置識別和不安全因素分析，實現了建筑施工安全風險定量計算、風險位置識別、風險分析及可視化管理，對提高施工現場的管理水平具有較高的實用價值；李曉璐等[4]提出了面向風電機組運維數據的知識圖譜構建方法，有助于機組運維人員準確地掌握故障根因，高效獲取運維措施，保障信息化、智能化條件下風電機組維修能力；金海峰等[5]針對存儲系統教學單元概念復雜、術語眾多以及理解難度大等特點，提出基于知識圖譜的教學設計方法，通過知識圖譜將碎片化的知識點體系化、可視化，從教學內容分析、知識圖譜構建、重難點分析及對策設計、教學策略設計、教學過程設計和過程性考核設計等多個環節進行教學設計，促進“德法知技”綜合育人；徐超等[6]利用電力投資項目中大量的非結構化文本數據積累，通過領域專家構建的電網投資知識圖譜結構，通過構建弱監督機器學習模型，進行相關“類型”“實體”“關系”“屬性”知識的自動化抽取，構建了知識審核和檢驗體系，形成了電網投資知識圖譜，闡述了基于電網投資知識圖譜應用和價值；石棲等[7]利用事件知識圖譜技術對科學實驗的復雜性、時序性及知識和數據融合性等知識對象進行統一的知識表示與建模，構建科學實驗知識圖譜模式層；利用大語言模型提升科學實驗知識圖譜數據層知識抽取效率，并以有機太陽能電池為例進行實證，為知識發現提供高質量數據支撐；洪亮等[8]基于煤炭產業專利知識圖譜的本體概念層邏輯，設計煤礦專利OWL網絡本體，完成了煤炭產業專利知識圖譜本體實例存儲，探索形成了信息智能處理技術賦能煤炭生產的有效途徑。王博冉等[9]利用知識圖譜算法，整合了患者臨床癥狀、主訴、診斷、用藥等多源異構數據，構建了面向神經外科領域的醫學知識圖譜，并對神經外科知識圖譜進行可視化展示，補齊了患者缺失的臨床和微觀信息，為臨床醫生提供準確、詳細的診斷依據，提升診斷準確率和診療效率；徐緒堪等[10]以服務水工程文化遺產傳播和傳承為目的，采用自頂向下的方式構建水工程文化遺產知識圖譜，結合此知識圖譜設計以用戶交互為核心的知識問答系統，以問答的方式不斷加深了解和傳播，進而推動水工程文化遺產不斷傳承和活用。這些行業利用知識地圖的可視化特性，以及分類、標簽化等方法，將分散的知識點整合起來，使得行業內部的知識更加有序和可管理。在國外，知識地圖被廣泛應用于IT、商業以及課程開發領域。許多知名企業也廣泛應用企業知識地圖來提高知識管理和創新能力。例如，谷歌公司通過“知識圖譜”構建了一個包含大量知識的全球性數據庫，用以支持其各種產品和服務的智能搜索。

本文基于本體論，結合鐵路企業培訓特征對鐵路企業培訓知識地圖進行構建，提出了包括屬性、關系及實例的鐵路企業培訓知識地圖架構及可視化展示模型，以期為鐵路企業培訓內容體系構建、全面提高鐵路職工知識素養提供基礎支撐。

1" 鐵路企業培訓本體構建

1.1" 確定本體的專業領域范疇

本文中本體的構建目的是用來建立鐵路知識地圖，用來進行培訓學習，因此本體的專業領域為鐵路企業培訓領域，按照培訓對象不同分為干部培訓和職工培訓兩大類，按照培訓性質分為資格性培訓和適應性培訓兩大類。

1.2" 確定概念

核心概念集是鐵路培訓本體的基礎，包括與鐵路培訓相關的基本概念。基于對鐵路培訓的實際情況分析，將核心概念集分為以下幾個部分，如圖1所示。

具體介紹如下：

1）基礎理論知識。這部分知識主要是為了提高員工的基本素質，包括鐵路基本知識、法律法規、職業道德、心理健康等方面的知識。

2）鐵路規章制度。鐵路規章制度是鐵路工作的規范和準則，包括鐵路行業的各項規章制度、工作流程、行為規范等。

3）安全生產知識。安全知識是鐵路企業培訓中的重要組成部分，主要包括勞動安全、消防安全等方面知識。安全知識的培訓目的是讓職工掌握基本的安全法律法規及崗位安全生產操作規范，提高安全意識，了解和預防事故，掌握事故應急處理方法，確保鐵路運輸安全。

4）崗位專業知識。鐵路崗位專業知識是鐵路企業培訓的核心內容，主要包括面向車輛、車務、貨運、客運、機務、供電、電務、工務等領域的專業理論知識及實操技能，以及財務、人事、宣傳、企法等綜合理論知識。在鐵路企業培訓中，鐵路專業知識應根據員工的崗位需求進行有針對性的培訓，確保能夠熟練掌握相關知識。

5）專業管理知識。專業管理知識面向各鐵路企業管理干部，是管理干部在專業知識的基礎上進一步需要掌握的技能。專業管理知識包括鐵路運營管理、運營計劃制定、客運服務管理、貨運管理、制度建設、團隊管理、創新管理、項目管理等。

6）專業拓展知識。面向鐵路高速發展的大環境，鐵路企業員工在掌握本專業知識基礎上，還需要對于知識進行拓展學習，包括鐵路高新技術以及其他與鐵路相關的拓展知識。

7）黨建廉政知識。包括黨章、準則條例、辦法、規定、細則、規范性文件、黨史、主題教育、兩會精神、時事熱點以及其他黨建廉政相關知識。

1.3" 設置屬性

定義類的屬性和關系是構建本體的重要步驟之一。需要明確每個類所包含的屬性以及屬性之間的關聯關系。本文定義鐵路企業培訓知識地圖概念屬性包括基本屬性、應用屬性、用戶屬性三大類，鐵路企業培訓知識地圖本體概念屬性如表1所示。

1.4" 定義屬性間關系

本體屬性之間的關聯關系可以表示概念之間的層次結構和相互關系，有助于構建清晰、有條理的本體結構。本體屬性間的關聯關系包含、并列、遞進等，以表示概念之間的層次結構和相互關系。鐵路企業培訓知識地圖本體屬性間關系如表2所示。

1.5" 構建實體

鐵路企業知識地圖數據源主要由三部分組成：培訓教材、學習題庫、學習課件。其中培訓教材結構化程度和知識體系化程度較高，學習題庫、學習課件體量龐大，知識點分類及關系缺乏統一標準。基于上述情況，知識點實體選擇自頂向下和自底向上相結合的方法進行抽取，培訓題庫、學習課件通過自底向上抽取、歸納，與培訓教材章節目錄相結合，形成知識地圖實體。

1.5.1" 實體抽取

實體抽取具體包括以下環節：

1）文本預處理。文本預處理旨在清洗和準備文本數據，以去除噪聲和無關信息，提高后續處理的準確性。其中課件文本預處理包括將課件音頻文件轉為格式化文本文件、去除文本中的停用詞、標點符號和特殊字符，以及進行分詞處理步驟。

2）特征提取。特征提取的目的是將文本數據轉換為數值特征，以便于機器學習算法進行分析和挖掘。首先通過詞袋模型統計文本中每個單詞的出現頻率，之后結合TF-IDF進一步調整詞袋模型的統計結果，以考慮單詞在不同文檔中的頻率，從而捕捉文本中的關鍵詞和主題。TF-IDF的權重計算式為：

TF-IDF（t，d） = TF（t，d）×IDF（t） （1）

其中，TF（t，d）表示單詞t在文檔d中出現的頻率；IDF（t）表示單詞t的逆文檔頻率，其計算式為：

其中，N表示文檔集中的文檔總數，nt表示包含單詞t的文檔數。

在此基礎上將單詞映射到一個高維的向量空間，以捕捉單詞之間的語義關系。

3）知識點抽取。從預處理和特征提取后的文本數據中抽取具體的知識點，需要識別文本中的命名實體，通過自然語言處理模型從文本中提取實體之間的關系，最后將文本數據映射到教材知識實例構建時的不同層級或標簽，以區分不同的知識點或知識領域。對于較長的文本，可以生成其摘要，以快速了解文本的主要內容和知識點。以《鐵路通信維護規則》內容為例，抽取結果示意如圖2所示。

圖2" 知識點抽取示例

4）實體關系評估。實體關系抽取模型的性能主要通過準確率（Precision）、召回率（Recall）和F1值三個關鍵指標進行評估。其中準確率（P）是指模型預測為正樣本的實體關系中，實際為正樣本的比例，即：

其中，TP表示真正例，即模型預測為正且實際也為正的樣本數；FP表示假正例，即模型預測為正但實際為負的樣本數。

召回率（R）是指模型正確預測的正樣本實體關系占所有正樣本實體關系的比例，即：

其中，FN表示假負例，即模型預測為負但實際為正的樣本數。

F1值（F）是準確率和召回率的調和平均數，綜合考慮了模型的準確性和召回率，即：

F1值越高，表示模型在準確率和召回率之間取得了更好的平衡，整體性能更優。

經抽樣評估，模型中準確率（P）約為77.0%，召回率（R）約為68.7%，F1值（F）約為72.5%，表示模型基本可靠。

1.5.2" 實體對齊

教材、課件、題庫間的實體對齊通過計算實體間的相似度，將相似的實體通過鏈接關聯起來實現。相似度的計算基于屬性、結構信息等多種維度。實體對齊先按照層級對所有實體進行分組，在工種內進行對齊計算，以減少計算量。

本文采用編輯距離計算知識名稱相似度，編輯距離的計算通常使用動態規劃算法。設兩個字符串分別為stra和strb，長度分別為m和n，則構建一個（m+1）（n+1）的二維數組dp，其中dpij表示str1的前i個字符轉換為str2的前j個字符所需的最少編輯次數。通過填充這個數組，最終dpmn就是所求的編輯距離。則相似度Sab計算式為：

此處根據實際測試經驗取較低相似度0.5作為閾值，即超過0.5相似度則作為疑似重合知識實體，提醒專家進行對齊判斷。通過實體抽取對齊等步驟，結合專家組判斷，形成最終知識地圖結果。

1.6" 知識地圖模型

基于上述構建過程，得到鐵路企業知識地圖本體模型如圖3所示。

其中各層級均具備不同概念屬性，概念關系連接層級內部及各個層級間。

1.7" 創建實例

基于本體構建，結合鐵路培訓學習特征創建實例，驗證本體構建方法的準確性和有效性。本文選取鐵路電務領域通信工培訓典型知識點進行實例創建，如表3所示。

將生成實例導入鐵路企業知識地圖信息系統中，與智能學習系統結合，知識點可與試題、課件關聯，并按照知識地圖對學員進行學習、練習推送，以驗證實例有效性。

2" 知識地圖可視化模型

基于知識地圖實例構建鐵路企業知識地圖可視化面模型，由于篇幅原因，本文僅以鐵路企業通信工知識地圖作為典型崗位進行展示，如圖4所示。

圖中同一顏色圓形代表并列關系類或子類，圓形內顯示名稱屬性，其他屬性僅以“光電纜單盤檢驗及配盤”知識點為例展示，其他關系如圖例所示。

3" 信息系統應用

鐵路企業培訓知識地圖體量龐大，設計知識點內容豐富且耦合性強，難以直接應用于鐵路企業培訓管理工作中，設計開發與培訓管理相結合的信息系統將為培訓知識地圖應用提供平臺支撐，同時為精準化培訓提供基礎。知識地圖在鐵路企業培訓信息化方面的應用主要體現在以下幾個方面：

1）智能學習。知識地圖形成后可根據員工不同工種崗位為職工提供精準化培訓知識。在職工培訓信息系統的培訓資源模塊中添加知識點標簽，通過選擇或導入的方式將知識點標簽與視頻課件、題目相關聯，通過算法將知識點學習、練習內容推送給學員個人，按照知識地圖的關系開展個性化培訓學習，能夠使學習更加體系化、科學化、精準化，提高學習效能。

2）職工畫像。職工對于崗位知識的掌握程度是職工畫像重要的組成部分，按照知識地圖展示職工對于本崗位知識體系及知識點的學習情況，能夠直觀的了解職工對于知識的掌握程度，精準分析職工專業技術能力，從個人層面而為學習路徑規劃提供數據支撐。

3）培訓規劃。現有培訓規劃制定方式以結合現場實際需求為基礎，但往往更加依靠主觀經驗判斷。知識地圖的建立可以將各專業系統、各工種知識掌握情況標準化、數據化，從宏觀層面掌握整體培訓效果，為培訓規劃的制定提供參考依據。

4" 結" 論

本文基于本體論對鐵路企業培訓知識題圖進行構建，結合鐵路企業培訓特征進行分析，確定了本體的專業領域范疇及概念，定義了包括基本屬性、應用屬性、用戶屬性三類的鐵路企業培訓知識地圖本體屬性，確定了本體屬性間關系，在此基礎上提出了面向鐵路企業培訓資源特征的實體構建方法。通過選取鐵路企業典型崗位，構建知識地圖實例，并基于實例建立可視化知識題圖模型，并為鐵路企業培訓知識地圖應用提供方向，具有一定示范性意義。

參考文獻：

[1] 李燦，鎮可涵，唐東昕，等.基于方劑數據集的知識圖譜構建研究[J].世界中醫藥，2024，19（9）：1329-1333.

[2] 李曉健，陳雍君，邱實，等.復雜地區鐵路工程建設風險知識圖譜的建立與分析方法 [J/OL].鐵道學報，2024：1-11（2024-06-21）.http：//kns.cnki.net/kcms/detail/11.2104.u.20240619.1705.002.html.

[3] 王茹，趙俊浩，黃煒，等.基于知識圖譜的建筑施工安全風險量化與分析 [J].安全與環境學報，2024，24（6）：2138-2147.

[4] 李曉璐，王岢，趙冰，等.面向風電機組運維數據的知識圖譜構建方法 [J].動力工程學報，2024，44（6）：886-894.

[5] 金海峰，坎香，倪峰.基于知識圖譜的存儲系統單元教學設計 [J].河北軟件職業技術學院學報，2024，26（2）：51-55.

[6] 徐超，馬倩，黃地，等.面向電網投資的知識圖譜自動構建方案研究 [J/OL].云南民族大學學報：自然科學版，2025：1-25（2024-06-27].http：//kns.cnki.net/kcms/detail/ 53.1192.N.20240626.1304.005.html.

[7] 石棲，陳文杰，胡正銀，等.面向知識發現的科學實驗知識圖譜構建研究 [J/OL].數據分析與知識發現，2024：1-18（2024-06-27].http：//kns.cnki.net/kcms/detail/10.1478.G2.20240626.0951.002.html.

[8] 洪亮，郭瑤，劉興麗，等.面向煤炭產業信息的知識圖譜構建研究 [J].煤礦機械，2024，45（7）：214-217.

[9] 王博冉，周雪忠，魏巍，等.基于多源異構數據的神經外科知識圖譜構建與應用 [J].北京理工大學學報，2024，44（8）：879-886.

[10] 徐緒堪，朱佳瑩，陶聲婷.水工程文化遺產知識圖譜構建與問答應用研究——以大運河江蘇段為例 [J/OL].情報科學，2024：1-19（2024-07-02）.http：//kns.cnki.net/kcms/detail/ 22.1264.G2.20240701.1715.016.html.