導(dǎo)語：知識圖譜在汽車維修的應(yīng)用一文來源于網(wǎng)友上傳，不代表本站觀點(diǎn)，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

摘要：針對汽車維修效率低、維修知識覆蓋廣、維修經(jīng)驗(yàn)不能有效共享等問題,提出利用知識圖譜解決汽車維修場景業(yè)務(wù)痛點(diǎn)的思路。分析利用本體設(shè)計(jì)、知識抽取、知識映射等步驟構(gòu)建汽車維修場景知識圖譜的方法，并開發(fā)維修問答助手、維修知識搜索、知識后臺等應(yīng)用，提升汽車維修效率。

關(guān)鍵詞：知識圖譜;汽車維修;推理;智能問答;知識搜索

1引言

汽車售后維修服務(wù)的質(zhì)量逐漸成為各汽車品牌的核心競爭力之一。各大汽車廠商和從業(yè)者也在探索各種提升售后維修服務(wù)質(zhì)量和口碑的方法。隨著大量維修記錄、維修案例等數(shù)據(jù)的積累，部分從業(yè)者開始引入大數(shù)據(jù)和人工智能技術(shù)來提升售后維修服務(wù)的質(zhì)量。本文將分析應(yīng)用知識圖譜技術(shù)提升汽車維修效率。

2汽車維修面臨的痛點(diǎn)

在汽車維修場景中，車廠和4S店存在以下痛點(diǎn)。(1)維修效率低汽車是一個(gè)結(jié)構(gòu)較復(fù)雜的設(shè)備，包含大量零部件和電路，一個(gè)故障往往涉及多個(gè)系統(tǒng)和零部件。對于某些故障，維修技師無法直接找到故障原因，導(dǎo)致客戶等待時(shí)間長、體驗(yàn)差、滿意度低。甚至?xí)对V4S店和廠家，質(zhì)疑該車型的質(zhì)量，進(jìn)而影響該車型的口碑和銷量。(2)維修知識覆蓋廣汽車維修涉及機(jī)械、電工和電子、材料、力學(xué)等多個(gè)領(lǐng)域知識。且不同車型、不同部件的構(gòu)造、工作原理、診斷方法、維修方法等都不同。一次維修可能需要翻閱若干工具書和資料，而且耗時(shí)費(fèi)力。(3)依賴廠家支持某些疑難故障需要廠家的技術(shù)專家參與，結(jié)合整車結(jié)構(gòu)和工作原理，端到端分析故障原因。每個(gè)車型的技術(shù)專家人數(shù)有限，難以及時(shí)有效地支撐全國各地的維修技師解決疑難問題。此外，某位技師無法維修的故障，可能在其他技師處維修過。各車型的技術(shù)專家也可能要重復(fù)為不同的維修技師提供相同疑難故障的解決方法。維修知識和經(jīng)驗(yàn)無法在技術(shù)專家和維修技師間有效共享。(4)維修技師成長慢維修技師需要大量的實(shí)踐和經(jīng)驗(yàn)積累，才能成長。一名維修技師，大概需要2~3年才能成為熟練工；一般需要8年以上才能成長為維修高級技師。技師培養(yǎng)周期長、成長慢。因此，迫切需要新的知識沉淀渠道，讓技術(shù)專家的知識更有效傳承，助力維修技師快速成長。

3知識圖譜技術(shù)

3.1基本概念

知識圖譜2012年由Google提出，目的是讓搜索引擎能夠洞察用戶查詢背后的語義，返回更為精確的信息。知識圖譜本質(zhì)是一種知識的表示形式，它模仿人類的認(rèn)知體系，以圖的形式表示知識表式客觀世界中的概念和實(shí)體及其之間的關(guān)系,是支撐語義搜索、智能問答、決策支持等智能服務(wù)的基礎(chǔ)技術(shù)[1]。它讓機(jī)器能更有效地對知識進(jìn)行學(xué)習(xí)和處理，實(shí)現(xiàn)從感知智能到認(rèn)知智能的飛躍。

3.2技術(shù)分類

一般將知識圖譜技術(shù)分為三個(gè)部分：知識圖譜構(gòu)建技術(shù)、知識圖譜推理技術(shù)、知識圖譜應(yīng)用技術(shù)。知識圖譜構(gòu)建技術(shù)包括本體論和數(shù)據(jù)處理技術(shù)兩類，本體論是知識圖譜的骨架，是模仿人的認(rèn)知體系對知識的建模；數(shù)據(jù)處理技術(shù)將現(xiàn)實(shí)世界中格式多樣、結(jié)構(gòu)混亂的數(shù)據(jù)處理成結(jié)構(gòu)良好的數(shù)據(jù)，并將其對應(yīng)到知識圖譜本體中賦予數(shù)據(jù)的內(nèi)涵。知識圖譜推理技術(shù)則從已知的知識中運(yùn)算推理得到人需要的新的知識，是實(shí)現(xiàn)智能化語義搜索、決策支持與溯因的關(guān)鍵。知識圖譜應(yīng)用技術(shù)包括語義搜索、智能問答、智能推薦等直接的應(yīng)用，為其他人工智能模型提供先驗(yàn)知識支持、為大數(shù)據(jù)應(yīng)用提供結(jié)構(gòu)化數(shù)據(jù)支持等間接的應(yīng)用。

4知識圖譜技術(shù)在汽車維修場景的應(yīng)用

汽車維修場景已積累豐富的維修數(shù)據(jù)，比如“維修記錄”、“維修案例”、“維修手冊”、“維修指導(dǎo)視頻”等。但數(shù)據(jù)相互割裂，未能形成有效知識。將維修數(shù)據(jù)構(gòu)建成知識圖譜，開發(fā)上層應(yīng)用，能有效賦能汽車維修業(yè)務(wù)，解決場景痛點(diǎn)，充分發(fā)揮知識的價(jià)值。知識圖譜構(gòu)建及應(yīng)用流程如圖1所示.

4.1知識圖譜構(gòu)建

首先需要構(gòu)建汽車維修知識圖譜，構(gòu)建步驟依次為：本體設(shè)計(jì)、知識抽取、知識映射、知識融合與消歧。4.1.1本體設(shè)計(jì)本體設(shè)計(jì)是一個(gè)知識建模的過程，常用設(shè)計(jì)流程如圖2所示。該過程需要汽車維修領(lǐng)域?qū)＜液椭R圖譜專家協(xié)同，通過抽象、總結(jié)該領(lǐng)域的知識實(shí)現(xiàn)本體設(shè)計(jì)，一般可使用RDFS、OWL等語言進(jìn)行建模。參考本體構(gòu)建七步法[2]，復(fù)用公開的汽車本體，并輔以關(guān)鍵短語、業(yè)務(wù)知識等信息抽取算法，通過半自動化形式實(shí)現(xiàn)汽車維修場景的知識建模，快速完成汽車維修知識圖譜本體設(shè)計(jì)。該本體包含：故障現(xiàn)象、故障碼、零部件、系統(tǒng)等概念及之間語義關(guān)系。4.1.2知識抽取通過搜集相關(guān)數(shù)據(jù)，基于相關(guān)算法技術(shù)完成知識三元組抽取。對于結(jié)構(gòu)化數(shù)據(jù)，經(jīng)過簡單轉(zhuǎn)換，即可生成三元組；對于非結(jié)構(gòu)化數(shù)據(jù)，首先需要將其文檔格式進(jìn)行轉(zhuǎn)換，得到txt、docx等易于處理的文本格式；其次可以使用基于詞典、模板的無監(jiān)督學(xué)習(xí)方法，抽取知識；也可以使用有監(jiān)督學(xué)習(xí)、弱監(jiān)督學(xué)習(xí)等方法，人工對部分原始數(shù)據(jù)進(jìn)行標(biāo)注，再利用標(biāo)注數(shù)據(jù)訓(xùn)練知識抽取模型，進(jìn)而用該模型從原始數(shù)據(jù)中抽取知識。傳統(tǒng)的流水線式抽取方法，將知識抽取任務(wù)拆分為命名實(shí)體識別(NER)任務(wù)和關(guān)系抽取任務(wù)。比如，一種常用的抽取方法采用LSTM-CRF+PCNN的模型結(jié)構(gòu)，先通過NER識別出實(shí)體，再抽取實(shí)體之間的關(guān)系，兩個(gè)任務(wù)的結(jié)果不會互相影響。另一種聯(lián)合式抽取方法，則將實(shí)體抽取和關(guān)系抽取相結(jié)合，組成一個(gè)聯(lián)合模型，比如雙向樹形結(jié)構(gòu)的LSTM-RNNs[3]。一般認(rèn)為，聯(lián)合式抽取方法可以避免流水線方法存在的錯(cuò)誤和積累的問題。4.1.3知識映射由信息抽取階段得到的三元組，需經(jīng)過知識映射將抽取結(jié)果映射到本體上，才能生成知識圖譜。如果數(shù)據(jù)量較大，該過程可以借助Hadoop等大數(shù)據(jù)技術(shù)加速。4.1.4知識融合與消歧最后，還需要對來自不同數(shù)據(jù)源的知識在統(tǒng)一規(guī)范下進(jìn)行異構(gòu)數(shù)據(jù)整合、消歧，才能完成新知識圖譜的創(chuàng)建。如圖3所示，故障現(xiàn)象：“車輛無法啟動”和“車輛打不著火”，實(shí)際表示的是相同故障現(xiàn)象。經(jīng)過知識融合對知識圖譜中的知識進(jìn)行融合消歧，能提高知識圖譜的質(zhì)量，進(jìn)而提升上層應(yīng)用的效果。常用的有基于快速相似度計(jì)算、基于規(guī)則、基于分治等方法[1]。

4.2應(yīng)用開發(fā)

基于汽車維修知識圖譜，可打造“智能維修助手”。該系統(tǒng)包含的典型應(yīng)用有：維修問答助手、維修知識搜索/推薦、故障根因推理、知識后臺及統(tǒng)計(jì)等。4.2.1維修問答助手維修助手是以維修知識圖譜為知識庫底座，結(jié)合自然語言處理技術(shù)構(gòu)建多輪問答引擎，實(shí)現(xiàn)基于知識庫的問答系統(tǒng)。用戶可詢問故障原因及解決方案、零部件拆裝指導(dǎo)、故障碼詳情等信息。此外，同一故障現(xiàn)象可能與多個(gè)案例、零部件等相關(guān)，候選答案較多?；谥R圖譜推理能力，可動態(tài)追問用戶，通過多輪問答引導(dǎo)，獲得更精準(zhǔn)的答案。比如用戶詢問“車輛無法啟動”，經(jīng)知識圖譜推理，追問“是否存在故障碼XXX？”，“故障頻率是經(jīng)常還是偶爾？”等信息。根據(jù)用戶的回答，再篩選生成最終答案。4.2.2維修知識搜索/推薦傳統(tǒng)搜索引擎是基于字符匹配，可快速返回與用戶輸入存在關(guān)鍵字/詞匹配的網(wǎng)頁、文檔等信息?；谥R圖譜的搜索，可進(jìn)一步理解用戶輸入的語義信息，并推薦與搜索結(jié)果相關(guān)聯(lián)的知識。比如，用戶搜索“油門踏板的車身位置”，能理解用戶搜索意圖實(shí)際為油門踏板的位置，進(jìn)而優(yōu)先返回油門踏板的位置圖，而不僅僅返回包含“油門”、“踏板”、“車身”等關(guān)鍵詞的文檔信息。此外，知識圖譜可推薦“油門踏板”相關(guān)的故障碼和維修案例。該種推薦方法支持冷啟動場景，無需積累大量用戶點(diǎn)擊和瀏覽數(shù)據(jù)，即可準(zhǔn)確推薦內(nèi)容，并具備一定可解釋性。4.2.3故障根因推理可梳理出汽車各功能模塊、部件、零件、電路等概念之間的調(diào)控關(guān)系。并總結(jié)、抽象維修技術(shù)專家定位故障原因的邏輯，用Datalog等邏輯語言，描述為具體可執(zhí)行的邏輯規(guī)則。再結(jié)合推理引擎，在知識圖譜上，推理出某種故障現(xiàn)象可能的故障部位及故障根因。為罕見的疑難故障維修提供參考，并解釋推理過程。4.2.4知識后臺知識后臺可對維修技師查詢的故障現(xiàn)象、故障碼、零部件等信息進(jìn)行統(tǒng)計(jì)，輔助維修技術(shù)專家發(fā)圖3知識融合示意圖掘熱點(diǎn)故障，判斷一線維修技師欠缺的知識域，以針對性設(shè)計(jì)培訓(xùn)和知識共享機(jī)制。同時(shí)，考慮到新車型不斷上市，維修案例不斷積累，知識在持續(xù)產(chǎn)生。知識后臺支持維修技術(shù)專家自助向知識圖譜中添加知識，供維修技師查詢。維修技術(shù)專家可持續(xù)沉淀自身知識，在維修技師間有效共享。

4.3應(yīng)用效果

實(shí)踐表明，“智能維修助手”對維修技師在日常維修和外出救援的場景中有很大幫助。信息獲取更加便捷，且在遇到疑難故障時(shí)，能及時(shí)獲得參考維修方法。維修技術(shù)也在該應(yīng)用的加持下逐步提高。維修效率和一次性修復(fù)率顯著提升，客戶等待時(shí)間縮短。對廠家的技術(shù)專家而言，“智能維修助手”讓他們從繁瑣的故障咨詢中解放出來，專注于疑難問題攻關(guān)。

5未來展望

知識圖譜作為一種知識的表示形式，能有效地讓計(jì)算機(jī)和AI算法對知識進(jìn)行表示、學(xué)習(xí)和處理。將知識圖譜及其上下游技術(shù)應(yīng)用于汽車維修場景，能有效解決部分場景痛點(diǎn)。展望未來，還可在以下方向進(jìn)行探索。

5.1結(jié)合故障樹分析法

故障樹分析(FTA)[4]是由上往下的演繹式失效分析法，利用布林邏輯組合低階事件，分析系統(tǒng)中不希望出現(xiàn)的狀態(tài)。該方法在航空航天、工業(yè)、制藥、軟件工程等領(lǐng)域都有應(yīng)用?？蛇M(jìn)一步在知識圖譜中構(gòu)建汽車維修故障樹圖，可對汽車故障進(jìn)行定性和定量分析，更準(zhǔn)確預(yù)判故障根因。

5.2應(yīng)用多模態(tài)知識圖譜技術(shù)

汽車維修數(shù)據(jù)包含大量的圖片和視頻，比如零部件圖片、拆裝教學(xué)視頻等?？蛇M(jìn)一步應(yīng)用多模態(tài)知識圖譜技術(shù)，從以上數(shù)據(jù)中抽取知識，構(gòu)建語義關(guān)聯(lián)，以提升搜索、問答的效果，并為用戶提供多種媒體形式的信息。

作者：黃巍 徐海強(qiáng) 單位：華為技術(shù)有限公司 中國第一汽車集團(tuán)有限公司