增量式火电厂故障知识图谱持续构建的方法
刘芸伽1
刘晨2
1.北方工业大学信息学院 北京 1001442.大规模流数据集成与分析技术北京市重点实验室 北京 100144
摘要：面对火电厂设备种类繁多,故障文档数据量庞大且更新迅速的现状,如何在保障知识图谱质量的前提下,高效地从文档中提取知识 并整合到现有的知识图谱中,显得尤为重要.为此,提出 了一个端到端的知识图谱持续构建框架,该框架涵盖了文本预处理、实体-关系抽取、知识融合以及图谱构建等关键步骤.实体-关系抽取环节提出了预训练模型与深度学习模型BERT-BiLSTM-GP(Global Pointer)相结合,以实现实体和关系的联合抽取.知识融合环节,为了解决故障文本描述不规范和故障特征稀疏的问题,通过火电厂领域词典识别句子的关键词,进而提出 KeyCoSENT(KeywordsAttention-BiL-STM-CoSENT)引入关键词注意力机制和多特征联合的知识融合模型.在自建的火电厂故障数据集上进行验证,改进模型的F1得分相比原模型提高了 1.1％,相比SBERT模型(Sentence-Bert),提高了4.7％.这种构建高质量知识图谱的方式,对于更好地管理和维护火电厂设备具有重要意义,同时为持续化知识图谱构建提供了高效可行的方法.
关键词：知识图谱实体-关系联合抽取注意力机制CoSENT
分类号：O141.4(数理逻辑、数学基础)
资助基金：广州市科技计划项目(202206030009)
论文发表日期：2025-08-20
在线出版日期：2025-12-12（本平台首次上网日期，不代表文献的发表时间）
页数：8( 2063-2069,2094 )
英文信息