基于知識圖譜的墻板加工外協業務模型構建方法

關鍵詞：造紙類機械；墻板外協；模型構建；知識圖譜中圖分類號：TS73 文獻標識碼：A DOI：10. 11980/j. issn. 0254-508X. 2025. 05. 020

A Method for Constructing an Outsourcing Business Model for Wallboard Processing Based on Knowledge Graphs

YANG Hongen1 LIU Shanhui1，* LI Chaoyang2 QIAN Song3

（1. Faculty of Printing，Packaging Engineering and Digital Media Technology，Xi’an University of Technology，Xi’an，Shaanxi Province，710048；2. Shanghai Baosight Software Co.，Ltd.，Shanghai，201203；3. Xi’an Aerospace Huayang Electromechanical Equipment Co.，Ltd.，Xi’an， Shaanxi Province，） （*E-mail：shanhuiliu@xaut.edu.cn）

Abstract：Aiming at the problems of multi-source heterogeneous data and inconsistent product quality consistency in the outsourcing process‐ ing of papermaking machinery wallboard under the cloud manufacturing paradigm，this paper proposed a method of building the outsourcing model of wallboard based on knowledge graph. The method analyzed the processing information such as process parameters and equipment， as well as their inherent relationships. An ontology modeling strategy was employed，combining the seven-step method and skeleton method. An improved BiLSTM-CRF extraction algorithm was introduced，along with a BERT-based cosine similarity algorithm for entity semantic coreference resolution. Neo4j graph database was used for knowledge storage and graph construction. The results showed that the proposed extraction model outperformed the comparison models in terms of precision，recall，and F1-score on the self-created dataset，significantly improving the efficiency of information flow and decision support during the outsourcing processing process.

Key words：papermaking machinery；wallboard outsourcing；model construction；knowledge graphs

墻板作為造紙類機械的核心零部件，承載著支撐和固定的關鍵功能，能夠確保滾筒、軸輥類零部件的精準傳輸，保障紙張在傳輸過程中的穩定性。借助云制造技術并開發云制造外協服務平臺，有效實現墻板外協制造資源的優化配置。然而，如何高效、精準地描述和封裝制造資源，已成為提升云制造環境下資源調度效率與協同能力的關鍵挑戰。

本體建模是一種用于表示和組織特定領域知識的方法，通過創建概念、屬性和關系的形式化描述來封裝領域內的制造資源[1]。馮錦丹等[2]構建了裝配工藝多級本體模型，實現了工藝重用率的提升和裝配周期的縮短。施昭等[3]利用工藝特征與數據屬性構建本體模型，顯著提升了柔性制造中設備編排和沖突處理能力。胡劍等[4]基于Protégé和XML技術構建了機床設備資源本體，實現了資源管理標準化與高效化。陰艷超等[5]提出了基于本體的有向無環圖和協同工作流模型，實現了知識資源的精準推送和復雜任務的動態協同優化。Arista 等[6]提出了一種基于本體工程的航空制造系統設計框架，顯著提升了協同設計效率和設計決策質量。Zhang 等[7]基于本體建模與空間注意力機制，提出了裝配過程時空關系建模，并驗證了在裝配精度和模型適應性上的顯著優勢。Dai 等[8]研究了基于本體的信息建模方法，實現了加工過程數據的標準化存儲和長期復用。

隨著制造系統復雜性的增加，僅依賴本體難以全面捕捉動態知識的多維關系和語義關聯，而知識圖譜為復雜知識的語義表達和推理提供了更高效的解決方案[9]。蔣金珂等[10]提出了復雜裝備知識圖譜約束構造技術，顯著提高了復雜裝備知識圖譜構建效率與數據質量。白瑀等[11]基于知識圖譜與本體建模技術構建了硬質合金銑刀產品知識庫，實現了加工信息快速查詢與加工效率提升。蒲昊苒等[12]設計了基于知識圖譜的發動機故障維修推理框架，通過BERT-BiLSTM 模型與改進算法，優化了故障診斷與智能維修能力。Wang 等[13]基于人-網-物知識圖譜提出了質量控制方法，在制造質量管理中表現出了顯著優勢。Zhou等[14]研究了離散制造中基于知識圖譜的資源分配優化方法，提升了離散生產資源利用率。Huang 等[15]提出了基于本體的多層次知識圖譜構建方法，并在高爐煉鐵故障診斷和自愈控制任務中表現優異。這些研究成果不僅深化了知識圖譜在工業生產中的應用，還推動了其在墻板外協業務場景中對制造資源的封裝與優化。

為了解決墻板制造資源數據多源異構、產品質量一致性差等問題，本研究提出一種。首先根據工藝參數、工藝裝備等加工信息及其內在關聯，采用融合七步法與骨架法的本體建模策略，提出了一種改進BiLSTM-CRF 的抽取算法，然后引入了基于BERT 的余弦相似度算法來優化共指消解過程，最后運用Neo4j 圖數據庫進行知識存儲與圖譜構建。

1 墻板云制造信息本體建模方法

1. 1 墻板結構及加工工藝

經陜西北人墻板生產線調研發現，一個墻板的生產過程至少包括6 個加工工序：毛坯下料、粗銑大面、粗銑周邊、復合加工、螺孔攻絲和表面涂漆，具體流程圖如圖1所示。

圖1 墻板加工工序流程圖

Fig. 1 Flowchart of wallboard processing

由于企業產能有限和設備能力的制約，墻板的生產通常需要將整個零部件或某些加工工序外協。這一過程面臨的主要挑戰是單一工序往往涉及多種機床設備，如在毛坯下料環節通常會用到激光切割機、鋸床和鉆床3種機床。為了確保外協加工產品與企業內部產品高度一致，匹配過程需要對單個機床的參數特征進行嚴格約束，從而有效提升最終產品質量的一致性和穩定性。

1. 2 墻板本體構建流程

面臨跨企業協作的墻板云制造外協場景，本研究結合七步法和骨架法的優點，提出了一種融合建模方法，本體構建流程如圖2所示。

1. 2. 1 明確本體的應用領域和范圍

墻板制造資源領域本體主要包括3 大功能模塊：其一是加工特征模塊，該模塊通過工藝方法、工藝裝備以及工藝參數3 方面，嚴格控制特定的加工步驟，從而確保產品的精確加工和一致性；其二是熱處理特征模塊，該模塊從預備熱處理和最終熱處理2方面描述了熱處理特征的執行流程；其三是基本信息模塊，通過該模塊可以快速了解企業和設備的關鍵信息，從而進行輔助決策。

1. 2. 2 考查復用現有本體可能性

現有本體的復用主要針對一些工藝方法，如鉆削、銑削等。

1. 2. 3 列出本體中的重要術語

本體中重要術語包括：工藝方法相關屬性術語、工藝裝備相關屬性術語、工藝參數相關屬性術語、預備熱處理相關屬性術語、最終熱處理相關屬性術語。工藝方法相關屬性術語包括鉆削、磨削、鏜削等；工藝裝備相關屬性術語包括磨床、鉆床、三爪卡盤等；工藝參數相關屬性術語包括最低平面度公差、最低平行度公差等。

圖2 本體構建流程

1. 2. 4 集中處理定義類和層次結構、定義類的屬性、定義類之間的關系

墻板領域本體定義見式（1）。

Q=lt;C，P，R，I，Agt;

式中， Q 為本課題建立的墻板領域本體； C={C₁， ，C₂，C₃，C₄，C₅} ，代表墻板領域本體的概念集合，包括工藝參數、工藝裝備、工藝方法、預備熱處理等； P= {P₁，P₂，P₃，…，P_n} ，代表墻板領域本體的類屬性集合，包括尺寸精度、位置精度、形狀精度等； R={R₁，R₂， ，R₃，…，R_n} ，代表墻板領域本體的關系集合，可以明確不同實體在結構上的依賴與聯系，推動知識的系統化與信息的有效檢索； I 代表墻板領域本體的實例集合，如機床最大扭矩實例、機床類型實例等；A 代表對工藝本體中概念及其屬性進行規范化約束和限定的規則，旨在明確各個屬性的有效值范圍。

完整的墻板外協本體基本框架如圖3 和圖4 所示。墻板領域本體關系集合的構建與描述如下。

1）part-of 關系：該關系用于描述部分與整體之間的隸屬關系，表示某一概念是另一概念的組成部分；

2）kind-of 關系：該關系體現了概念之間的繼承或子類化關系，指某一概念是另一個概念的特定種類；

圖3 墻板外協本體的基本框架

Fig. 3 Basic framework of wallboard outsourcing ontology

3）instance-of關系：該關系表明一個具體實例與其所屬概念之間的隸屬關系，表示某個具體對象是某一概念的實例；

4）attribute-of關系：該關系描述了一個概念作為另一個概念的屬性，是概念間特性或性質的描述。

圖4 墻板外協本體中工藝裝備基本框架

Fig. 4 Basic framework of process equipment in wallboard outsourcing entity

1. 2. 5 本體評價

根據 Duque-Ramos 提出的本體質量評價模型[16]，本研究從結構性、功能性和實用性3個維度對墻板云制造外協服務本體進行評估。

在結構性方面，本體通過詳細建模加工特征、熱處理特征和基本信息特征，建立了4種基本類與類之間的關系，形成了層次化、系統化的結構，提升了模型的可理解性和可操作性。在功能性方面，本體結合成熟本體和造紙類機械墻板生產線的調研與工藝分析，構建了一個覆蓋面廣、冗余度低的模型，具備較強的通用性。在實用性方面，通過精準控制加工環節和系統化建模墻板工藝、設備及參數，確保了機床加工條件和技術參數的精確匹配，提升了加工的一致性和產品質量。

1. 2. 6 領域本體可視化

本研究選用Protégé 對墻板領域本體進行了系統化構建，結果可視化如圖5所示。

2 墻板知識圖譜的構建與存儲

本研究采取自上而下知識圖譜構建策略，具體構建涉及4個關鍵技術環節：知識獲取、知識抽取、知識融合和知識存儲。

2. 1 知識獲取

本研究聚焦加工特征、熱處理特征和基本信息特征等關鍵要素，對數據來源與獲取方式進行系統分析。加工特征包括工藝參數、工藝裝備和工藝方法，分別來源于機床手冊和測試數據、外協云平臺、工藝規程及相關技術文獻。熱處理特征和基本信息特征則通過外協云平臺進行上傳。

以上收集的數據格式各異，根據組織和存儲方式的不同主要可以分為結構化數據、半結構化數據和非結構化數據[17]。其中，非結構化數據中的文本文檔可借助知識抽取技術加以利用，而圖片數據則需結合光學字符識別技術進行解析。為此，本研究采用Chinese OCR DB CRNN Server 模型[18]，從圖片中提取文本信息，豐富了知識圖譜內容。

圖 5 Protégé 可視化

Fig. 5 Protégé visualization

2. 2 知識抽取

本研究采用Label Studio 作為標注工具，部分數據標簽如表1所示。

表1 部分數據標注標簽

Table 1 Partial data annotation labels

針對墻板外協時面臨數據多源異構挑戰、領域實體抽取困難和時間成本高等問題，提出了一種改進BiLSTM-CRF 的實體抽取算法，其結構原理簡圖如圖6所示。

改進BiLSTM-CRF 的抽取模型由嵌入層、雙向長短時記憶網絡、全注意力層、動態權重分配層和條件隨機場組成，具體流程如下。

1）對原始數據進行清洗、分詞、統計、編碼以及數據集劃分等預處理步驟，將文本轉換為結構化格式。在此基礎上，Embedding 層生成稠密低維的詞向量，作為后續網絡層的輸入。

2）雙向LSTM 通過同時捕捉序列前向和后向的上下文信息，生成包含全局特征的詞向量表示，同時LSTM 引入了門控機制，通過控制信息的選擇性流動解決傳統RNN的梯度消失問題，見式（2）。

h（t）=[h_forward（t），h_reverse（t）]

式中， h（t） 為雙向LSTM 在當前時間步 Φ_t 的隱藏狀態， h_forward（t） 為從左至右LSTM 在時間步 Φ_t 的隱藏狀態，h_reverse（t） 為從右至左LSTM在時間步 Φ_t 的隱藏狀態。

3）全注意力層旨在強化模型對關鍵信息的捕捉能力，同時抑制無關信息的干擾。其核心思想是為輸入序列中每個時間步的隱藏狀態分配權重，通過加權求和生成上下文向量表示，反映了輸入序列 x 中各個時間步對當前時刻 Φ_t 的影響程度，見式（3）。

式中，attention_outpu Ω_：（t） 為全注意力層的輸出， α （i，t） 為第 Φ_t 個時間步對第 i 個時間步的注意力得分， n 為輸入序列的總長度， h（i） 為輸入序列中的第 i 個時間步的隱藏狀態。

4）動態權重分配層通過融合BiLSTM輸出與全注意力輸出，進一步強化模型對重要特征的關注能力，從而生成包含上下文信息的加權特征表示，見式（4）。

weighted output Ξ（t）=（1-α（t））?h（t）+α（t）? ·attention output （ t ）

圖6 改進BiLSTM-CRF的實體抽取算法結構原理簡圖

Fig. 6 Structural principle diagram of an improved BiLSTM-CRF entity extraction algorithm

式中，weighted_outpu Ω_：（t） 為動態權重分配層的輸出， α_a（t） 為動態權重。

5）在序列標注任務中，輸出的標簽之間往往存在較強的依賴關系，因此引入條件隨機場層，以學習標簽序列之間的轉移概率，從而提升預測的準確性，見式（5）。

式中， score（x，y） 為輸入序列 x 與標簽序列 y 的總得分， E 為轉移得分，而 F 為基于LSTM 輸出的發射得分，表示當前時間步的標簽得分。

6）使用負對數似然作為損失函數，最小化預測標簽序列與真實標簽序列之間的差異，見式（6）。

loss=-log（p（γ_gold|x））

式中，loss 是負對數似然損失，用于衡量模型預

測的標簽序列與真實標簽序列之間的差距， p（y_gold|x） 為模型對真實標簽序列 y_gold 的預測概率， x 為輸入序列。

2. 3 知識融合

本研究采用基于BERT 的余弦相似度實體語義相似性計算[19]，評估不同實體在向量空間中的語義接近程度，來解決不同的詞匯指代同一個對象的問題。將待比較的實體文本輸入預訓練的BERT 模型，獲取其最后一層的輸出向量，作為實體的語義嵌入。其中 Ω_n 是文檔集中詞向量的數量。 x_i 和 y_i 分別表示第 i 個詞向量在橫坐標和縱坐標的數值。余弦相似度（cosine_similarity） 計算見式（7）。

設定一個相似度閾值，當2 個實體的余弦相似度 gt;0.85 時，認為它們指代相同的實體或概念。將具有相同或相近意義的實體進行整合，選擇符合領域描述標準的名稱作為基準，然后進行名稱統一。

2. 4 知識存儲

知識融合后，三元組數據會被導出為CSV 格式的文件，隨后利用Neo4j 的Cypher 查詢語言，執行特定的導入命令，將這些CSV 文件中的三元組數據加載到Neo4j 數據庫中，進而構建和可視化墻板外協服務知識圖譜，如圖7所示。

3 實驗評估與分析

3. 1 實驗設備和評估指標

為了驗證改進BiLSTM-CRF 算法在墻板外協場景下的抽取效果，構建了一個包含13 006 個標注實例的數據集，數據集的劃分比例為：訓練集占 60% 、測試集占 20% 、驗證集占 20% 。電腦配置環境為Windows 10 專 業 版 ； 12th Gen Intel（R） Core（TM） i5-12400F 2.50GHz ； NVIDlA GeForce GTx 1050Ti 。程序運行環境為 PyCharm 2023.3.3 （Community Edition）；Python 3.8；PyTorch 2.2.2+cul18 。程序參數配置為詞嵌入維度260；隱藏層維度為290；學習率為0.009 5；權重衰減為0.000 1，迭代次數為26次。

采用自然語言處理領域普遍使用的性能評估指標（準確率、召回率和F1）對實驗結果進行評估。準確率 （Precision）、召回率 （Recall） 和 F1 值的計算如式（8）～式（10）所示。

式中，TP 表示實際為正類的樣本被正確地分類為正類的數量；FP 表示實際為負類的樣本被錯誤地分類為正類的數量；FN 表示實際為正類的樣本被錯誤地分類為負類的數量。

3. 2 結果對比和分析

將 BiLSTM、BiLSTM-CRF 2 種模型與本研究改進的BiLSTM-CRF 模型進行性能對比分析。為了保證實驗的一致性和可比性，所有模型均在同一計算機環境下進行運行。不同模型在標注語料庫下的實驗結果見表2。

由表2 可知，改進BiLSTM-CRF 模型在各項指標上均優于BiLSTM 模型，F1 值提升了7.52 個百分點，說明引入CRF 層后，模型不僅利用了BiLSTM 捕捉的上下文信息，還能考慮標簽之間的依賴關系。CRF層通過最大化序列標簽的聯合概率，對整個標簽序列進行全局優化，使得預測結果更加一致且合理。改進BiLSTM-CRF 模型相對于 BiLSTM-CRF 模型，準確率和召回率均有一定程度提高，特別是F1 值提升了5.23個百分點，說明引入全注意力層后模型可以捕捉輸入序列中各位置之間的全局依賴關系，而不僅僅是相鄰位置的依賴。而引入動態權重分配層，模型可以更好地適應輸入數據的變化，增強模型的魯棒性和泛化能力。同時，本研究的改進是在BiLSTM-CRF 模型基礎上進行的，并沒有大幅度增加模型的實現難度和對計算資源的需求。

圖7 墻板外協知識圖譜部分可視化

Fig.7 Visualization of the external collaboration knowledge graph for wallboard

表2 不同模型實體抽取效果對比

Table 2 Comparison of the entity extraction performance of

由上述實驗可知，改進BiLSTM-CRF 模型在實體抽取的任務中具有較好的表現，引入全注意力層和動態權重分配層后模型各項指標上均有所提高。從而保證知識圖譜中實體數據的準確性、全面性和可靠性。

4 結 論

本研究聚焦解決云制造模式下造紙類機械墻板外協過程中遇到的數據多源異構整合難題以及產品質量一致性難以保證的問題，提出了一種。結果表明，本研究所提出的解決方案有效提升了外協加工產品的一致性，并極大改善了信息流動與決策輔助過程中的效率。本研究的主要意義體現在以下 方面。

1）墻板外協服務資源模型構建：為確保外協加工的產品質量與企業內部生產的產品保持高度一致，對外協伙伴的機床級參數特征施加嚴格約束，將匹配流程細化至單個機床層面，可以有效增強最終產品的質量穩定性和一致性。

2）改進BiLSTM-CRF 實體抽取算法：鑒于墻板外協過程中面臨的數據多源異構，以及領域內實體識別難度大、處理時間長等問題，本研究提出了一種改進BiLSTM-CRF 的實體抽取算法。改進后的架構包含嵌入層、雙向長短時記憶網絡、全注意力機制層、動態權重分配機制和條件隨機場等關鍵組件。與BiL‐STM-CRF 相比，改進后的模型準確度和召回率均更優，F1 值更是提升了5.23 個百分點。旨在提高實體識別精度的同時降低計算復雜度，從而更好地適應墻板外協應用場景的需求。

目前，造紙類裝備在智能化方面的研究趨勢主要集中在缺陷檢測、故障診斷、張力控制等方面。筆者所在團隊瞄準造紙類裝備網絡協同制造關鍵技術，將進一步探索在本體中引入更多特征標簽以及建立墻板外協匹配算法，深化對于整個外協流程中各環節之間關系的理解及其自動化管理水平。

參 考 文 獻

［1］ 吳 越， 胡 威， 李城龍， 等. 基于知識圖譜的網絡空間地理圖譜構建方法［J］. 計算機科學，2024，51（11）：321-328.WU Y，HU W，LI C L，et al. Method for Constructing Cyber-physi‐cal Geospatial Knowledge Graph Based on Knowledge Graph［J］.Computer Science，2024，51（11）：321-328.

［2］ 馮錦丹， 何 楠， 劉金山， 等. 基于知識驅動的航天復雜產品裝配工藝重構方法［J］. 計算機集成制造系統， 2024， 30（12）：4314-4327.FENG J D，HE N，LIU J S，et al. Knowledge-driven Method forAerospace Complex Product Assembly Process Reconstruction［J］.Computer Integrated Manufacturing Systems，2024，30（12）：4314-4327.

［3］ 施 昭， 曾 鵬， 于海斌. 基于本體的制造知識建模方法及其應用［J］. 計算機集成制造系統，2018，24（11）：2653-2664.SHI Z，ZENG P，YU H B. Ontology-based Manufacturing Knowl‐edge Modeling Method and Its Application［J］. Computer IntegratedManufacturing Systems，2018，24（11）：2653-2664.

［4］ 胡 劍， 唐敦兵. 云制造網絡平臺中機床設備建模方法研究［J］. 機械制造與自動化，2023，52（2）：89-92.HU J，TANG D B. Research on Machine Tool Equipment ModelingMethod in Cloud Manufacturing Network Platform［J］. Journal of Me‐chanical Manufacturing and Automation，2023，52（2）：89-92.

［5］ 陰艷超， 張立童， 廖偉智. 多維知識資源云協同的服務行為建模［J］. 計算機集成制造系統，2019，25（12）：3149-3159.YIN Y C，ZHANG L T，LIAO W Z. Multi-dimensional KnowledgeResource Cloud Collaboration Service Behavior Modeling［J］. Com‐puter Integrated Manufacturing Systems，2019，25（12）：3149-3159.

［6］ ARISTA R，ZHENG X，LU J，et al. An ontology-based engineeringsystem to support aircraft manufacturing system design［J］. Journalof Manufacturing Systems，2023，68：270-288.

［7］ ZHANG Q，LUO Q，ZHAO A，et al. Onto-SAGCN：Ontologymodeling and spatial attention-based graph convolution networks foraircraft assembly quality prediction［J］. Advanced EngineeringInformatics，DOI：10. 1016/j. aei. 2024. 102531.

［8］ DAI S， ZHAO G， YU Y， et al. Ontology-based informationmodeling method for digital twin creation of as-fabricated machiningparts［J］. Robotics and Computer-Integrated Manufacturing，DOI：10. 1016/j. rcim. 2021. 102173.

［9］ 周在峰， 周秋菊， 樊永明. 基于文獻計量的再生纖維制漿造紙技術領域研究熱點及發展態勢分析［J］. 中國造紙學報， 2021， 36（3）：68-80.ZHOU Z F，ZHOU Q J，FAN Y M. Analysis of Research Hotspotsand Development Trends in the Field of Recycled Fiber Pulping andPapermaking Technology Based on Bibliometrics［J］. Transactions ofChina Pulp and Paper，2021，36（3）：68-80.

［10］ 蔣金珂， 王淑營. 復雜裝備知識圖譜約束半自動構造技術［J/OL］. 計算機集成制造系統，1-20［2025-02-18］. https：//doi. org/10. 13196/j. cims. 2024. 0362.JIANG J K，WANG S Y. Semi-automatic Construction Technologyof Complex Equipment Knowledge Graph［J/OL］. Computer Inte‐grated Manufacturing Systems，1-20［2025-02-18］. https：//doi. org/10. 13196/j. cims. 2024. 0362.

［11］ 白 瑀， 于 慧， 李 斐， 等. 基于知識圖譜的整硬合金銑刀產品知識庫構建與應用［J］. 制造技術與機床， 2024（11）：160-167.BAI Y，YU H，LI F，et al. Knowledge Graph-based Constructionand Application of the Tungsten Carbide Milling Cutter ProductKnowledge Base［J］. Manufacturing Technology and MachineTools，2024（11）：160-167.

［12］ 蒲昊苒， 陰艷超， 徐成現. 維修知識圖譜與深度學習網絡在發動機故障智能推理中的應用［J］. 機械科學與技術， 2025， 44（2）：225-235.PU H R，YIN Y C，XU C X. Application of Maintenance Knowl‐edge Graph and Deep Learning Network in Engine Fault IntelligentInference［J］. Mechanical Science and Technology，2025，44（2）：225-235.

［13］ WANG S，YANG J，YANG B，et al. An intelligent quality controlmethod for manufacturing processes based on a human-cyber-physical knowledge graph［J］. Engineering，2024，41：242-260.

［14］ ZHOU B，BAO J，LI J，et al. A novel knowledge graph-basedoptimization approach for resource allocation in discrete manufacturingworkshops［J］. Robotics and Computer-Integrated Manufacturing，DOI：10. 1016/j. rcim. 2021. 102160.

［15］ HUANG X，YANG C，ZHANG Y，et al. Ontology guided multi-level knowledge graph construction and its applications in blastfurnace ironmaking process［J］. Advanced Engineering Informatics，DOI：10. 1016/j. aei. 2024. 102927.

［16］ DUQUE-RAMOS A，BOEKER M，JANSEN L，et al. Evaluatingthe good ontology design guideline （GoodOD） with the ontologyquality requirements and evaluation method and metrics（OQuaRE）［J］. PloS One，DOI：10. 1371/journal. pone. 0104463.

［17］ 李家瑞， 李華昱， 閆 陽， 等. 基于事件抽取的學科建設知識圖譜構建與應用［J］. 計算機系統應用，2022，31（11）：100-110.LI J R，LI H Y，YAN Y，et al. Construction and Application ofDiscipline Construction Knowledge Graph Based on Event Extrac‐tion［J］. Computer Systems Applications，2022，31（11）：100-110.

［18］ SHI B，BAI X，YAO C. An end-to-end trainable neural network forimage-based sequence recognition and its application to scene textrecognition［J］. IEEE Transactions on Pattern Analysis and MachineIntelligence，2017，39（11）：2298-2304.

［19］ DEVLIN J，CHANG M W，LEE K，et al. BERT：Pretraining ofDeep Bidirectional Transformers for Language Understanding［Z/OL］. arXiv，2019（2019-05-24）. CPP

（責任編輯：呂子露）