完整解决方案:精准营销服务平台设计-基于大数据和AI的商业智能平台

　　完整解决方案:精准营销服务平台设计-基于大数据和AI的商业智能平台

　　精准营销服务平台是指利用互联网上的大量行为数据，首先帮助广告主找到目标受众，从而对广告的内容、时间、形式进行预测和分配，最终完成广告投放。营销过程。

　　用户可以根据需要在桌面或移动端自主选择媒体渠道，使用自定义或其他方数据针对特定人群，传递自己或第三方的想法，并通过系统Dashboard实时查看交付平台和第三方监控数据。根据 KPI 自动优化加工成型、自主或设置系统的跨平台分析。

　　可实现全渠道多场景营销自动化管理，微信、短信、电商、门店POS、App推送、邮件等不同营销触点一站式自动化管理，多渠道数据对接，客户旅程自动跟进，动态Tag分组进行个性化内容营销，实现企业与客户之间真实有效的沟通，提升客户满意度，促进业务增长。

　　系统主营业务设计

　　1.网络数据采集

　　2.数据处理与清洗

　　3. 商业画像分析

　　4、精准营销服务

　　精准营销服务平台优势

　　1.数据积累量非常大

　　精准营销大数据平台最大的优势之一就是积累的数据量非常大。比较常见的精准营销大数据平台有近10亿的数据覆盖。除了这些数据，还有很多数据标签。通过这些数据和数据标签，企业自有品牌可以直接扩展品牌的数据。在进行精准营销时，将这些数据列出来，可以增强销售人员的洞察力，让销售更加顺畅。.

　　2. 强大的数据分析能力

　　精准营销大数据平台的另一个优势是数据分析能力强，因为大部分精准营销大数据平台都可以构建数据模型。挖掘它可以帮助公司将数据转化为清晰的销售资源。

　　3.可以打通营销数据渠道

　　大多数精准营销大数据平台还有一个很大的优势，就是可以打通营销数据渠道。通过这个精准营销大数据平台，可以从四面八方打通各种渠道，从而获得非常精准的营销数据。，不仅能有效洞察消费者，还能让消费者了解品牌。

　　

　　解决这个问题

　　l 内容管理模板和可视化营销，活动自主灵活管理

　　l 轻松创建电子邮件和登录页面

　　l 连接实时客户信息和数据，开展再营销活动

　　l 可视化定制营销活动安排，快速构建营销活动

　　lA/B测试，高效选择优质策略

　　l 对接百亿优质流量，带来更多潜在线索

　　l客户行为跟踪评分，有效识别用户价值，个性化成熟和转化

　　l 自定义积分规则和触发机制，培养用户

　　l 设计客户旅程，在不同阶段对其进行分组，并提供个性化内容

　　产品设计重点

　　全渠道获客

　　整合官网、自媒体、微信、会议、小程序、APP、短信、邮件、广告、线下终端、电商平台等所有接触点，全方位获取潜在客户，一-停止跨渠道管理客户沟通和数据整合。

　　l 一站式多渠道联系沟通

　　l 全渠道数据连接，解决信息孤岛问题

　　l 全渠道用户唯一识别，全面用户行为管理

　　

　　l 统一的平台营销活动策划，为客户带来一致的信息和体验

　　用户标签画像分类管理

　　实时跟踪用户行为，自动标注头像，自动评分，自动评分客户

　　l 实时行为跟踪：全渠道实时跟踪客户访问、阅读、打开、点击、注册、反馈等行为

　　l 自动标签画像：针对用户字段属性、用户行为、营销项目设置或标签规则，自动标签分组

　　l 价值自动评分：对用户字段属性、用户行为等设置价值规则，自动对每个客户进行评分

　　l 客户自动分类：自定义营销漏斗层级设计及各层级名称，定义各层级价值得分，自动进行客户分类

　　自动化营销

　　通过微信、短信、邮件、小程序、APP等实现多步自动化营销，实现潜在客户培养、微信粉丝转化、会议活动营销、线索转化、以旧换新等营销目标。

　　l 基于数字化客户旅程设计营销项目流程。激活后，系统会自动执行。

　　l快速多重AB测试，自动选择最优方案自动执行，提升营销项目回报。

　　潜在客户转化

　　l 自动分配线索，提高线索转化率

　　l 通过微信、短信分发线索，方便销售跟进；微信、短信自动提醒，促进销售快速跟进；

　　l 设置不同的分发规则，实现自动分发；实时销售反馈跟进结果，

　　l 潜在客户转化结果实时统计分析

　　核心方法:无人系统故障知识图谱的构建方法及应用

　　于凡坤1、2、胡超芳1、罗晓亮2、梁秀冰2

　　(1. 天津大学电气自动化与信息工程学院, 天津 300072; 2. 中国人民*敏*感*词*军事科学院国防科技创新研究院, 北京 100071)

　　摘要：无人系统产生的海量数据存储分散、缺乏联系，信息共享困难，难以满足无人系统日益复杂和集成化的维护保障需求；知识图谱技术可以将复杂的数据信息提取成结构知识，建立数据之间的联系，增强知识之间的语义信息；以无人系统的故障数据为研究对象，利用知识图谱技术进行知识抽取、知识融合和知识处理，形成一系列相互关联的知识，为构建无人系统领域的故障知识图谱提供了一种可行的方法；知识图谱技术利用海量数据建立的知识库，能有效整合分散的数据信息，提高专业领域知识的利用率和使用价值，具有重要的军事意义。应用前景。

　　关键词：知识图谱；无人系统；维护支持；自然语言处理

　　0 前言

　　近年来，各军事强国高度重视并积极推进无人系统及相关领域的研究，产生了颠覆性的应用技术[1]。我国民用无人机在全球的市场占有率高达70%。以大疆无人机为代表的民用无人机技术一直走在世界前列[2]。差距很大，军用无人机是我国未来武器装备发展的重点方向。

　　随着信息化、智能化的深入融合发展，无人系统在执行任务的过程中积累了大量数据，国产某型飞机每小时产生的数据量可高达20国标 [3]。无人系统产生的海量数据大多采用故障树分析法来定性分析故障原因。故障树逻辑性强，能有效避免初始故障[4-5]。王进新[6]等。通过贝叶斯网络变换，提出了一种基于贝叶斯的故障诊断方法，有效解决了柴油机润滑系统多故障的解耦诊断问题；楚景春[7]等。概率神经网络构建故障诊断模型，能有效提高风电机组转速故障检测的准确性。故障树分析方法可以有效理解系统故障的原因，但故障树模型中的知识元素缺乏语义联系，无法穷尽所有故障原因，难以满足无人系统的维护保障需求。

　　人工智能已经渗透到各行各业，迅速而深刻地改变着我们的日常生活。2017年7月，《新一代人工智能发展规划》发布，人工智能逐渐成为国家发展的新兴战略需求，大数据、人机协同、群体智能成为人工智能发展的重点。随着大数据时代的到来，数据量呈指数级增长，海量数据的出现将引发数据处理、数据存储、数据查询、数据集成等方面的技术变革[8-10]，将导致无人系统的维护和保障模式。新的挑战和机遇已经到来。现在，无人系统产生的数据采用故障树模型分析故障原因，可以在一定程度上缓解维修保障问题。随着数据量的爆炸式增长，使用故障树模型来分析无人系统的故障原因将导致海量数据的巨大浪费和知识的低利用率。如何有效利用无人系统的海量数据亟待解决。

　　针对上述情况，为有效利用无人系统产生的海量数据，满足现代无人系统的维护保障需求。考虑到数据的海量、复杂性和语义，本文利用知识图谱技术对无人系统的故障数据进行提取、融合和处理，形成一系列相互关联的知识。人类系统领域的故障知识图谱提供了一种可行的方法。

　　1 知识图谱概述与架构 1.1 知识图谱定义

　　知识图谱（Knowledge graph）是 Google 于 2012 年 5 月 17 日正式提出的，作为提高其搜索质量的知识库。知识图谱的本质是一个语义网络，其节点代表实体或概念，边代表实体或概念之间的各种语义关系。知识图谱以结构化三元组的形式存储现实世界中的实体（概念）以及它​​们之间的关系，即 G = ，Head 表示头部实体，Relation 表示关系集，Tail 表示尾部实体，其中，一些“关系”。”也称为“属性”，相应地，尾部实体称为属性值[11]。例如，在无人系统中，要感知无人机的方向，

　　图1 无人系统知识图谱*敏*感*词*

　　1.2 知识图谱的发展

　　知识图谱已成为学术界和工业界的研究热点。它最初用于提高搜索引擎的准确率，已广泛应用于机器翻译[12]、智能问答[13]、推荐系统[14-15]等。我国知识图谱虽然起步较晚，但研究成果比较丰富。在学术界，中文知识图谱研究平台zhishi.me、开放知识图谱OpenKG、复旦大学知识工厂等，不仅知识来源广泛，还具备文本理解和智能等功能。搜索，有利于促进知识图谱的普及和应用。. 在工业界，为了提高搜索质量，搜狗、百度先后建立了自己的知识库“知识立方”和“知心”，并引入语义理解技术，将搜索结果精准传递给用户。随着通用知识图谱的快速发展，很多公司都建立了自己的知识库，比如IBM的Watson Health、阿里的健康百科“一智录”等，可见知识图谱在特殊领域也发挥着重要作用。

　　目前*敏*感*词*利用无人系统故障数据构建知识图谱的研究较少，但在医疗、旅游、社交网络等垂直领域的知识图谱研究较多。侯梦伟[16]等深入分析了医学知识表示、医学知识抽取、医学知识融合、医学知识推理，总结了构建医学知识图谱的关键技术和挑战；徐璞[17]改进了属性知识扩展和属性值。融合方法提高了知识图谱构建的质量；程文亮[18]使用最大熵模型，使得关系抽取的准确率平均高达85%，构建了企业间的高质量知识图谱。

　　图2 无人系统数据采集及维护保障*敏*感*词*

　　1.3 知识图谱架构

　　知识图谱一般包括逻辑结构和技术（系统）框架。本文从无人系统领域故障知识图谱的构建入手，详细介绍了技术框架。

　　1.3.1 知识图谱的逻辑结构

　　知识图谱在逻辑上可以分为数据层和模式层。模式层通常由本体库管理。本体是结构化知识库的概念模板，如“无人系统故障”、“飞控系统故障”等概念实体。本体库形成的知识库不仅具有很强的层次结构。，且冗余度较小，可见schema层是知识图谱的核心。数据层存储具体的数据信息，由一系列事实组成，如无人系统的常见故障信息，知识以事实为单位存储。在业界，Neo4j 图数据库主要用于存储数据。

　　1.3.2 知识图谱的系统（技术）架构

　　随着无人系统智能化的快速发展，传统的数据处理技术难以理解数据之间的隐含关系和规则，信息共享困难，无人系统产生的海量数据无法得到有效利用[3]。知识图谱技术利用自然语言处理、数据挖掘和机器学习技术的方法和原理，使计算机能够更好地理解数据。无人系统在飞行任务和停机维护过程中积累了大量结构化数据（状态监控数据）、半结构化数据（日志文件）和非结构化数据（图片、文档、视频），知识图谱技术可以有效利用这些数据构建了一个高质量的知识库。

　　图3 无人系统知识图谱架构

　　从图3可以看出，无人系统知识图谱主要由知识抽取、知识融合和知识处理三部分组成。无人系统知识抽取，通过无人系统在飞行过程中状态参数和运动参数的结构化、半结构化或非结构化信息提取实体、属性及其关系，并将这些信息以三元组的形式存储到知识库中。无人系统知识融合通过实体消歧、实体对齐等方法对无人系统知识库的冗余和错误信息进行整合和消歧，从而提高无人系统知识库的质量。无人系统知识处理，借助知识推理，推断缺失的事实，

　　2 无人系统故障知识图谱关键技术

　　构建无人系统知识图谱的方式主要有两种：自下而上和自上而下。自底向上是通过知识抽取获取实体、属性及其关系，通过数据驱动自动化构建本体，进而构建知识图谱；自上而下是先构建顶层本体和数据模式，然后通过实体来丰富它们。形成知识库。目前知识图谱的构建大多采用自下而上的方法，但无人系统故障的知识图谱是领域知识图谱，涉及的知识范围较窄。本文采用自下而上和自上而下相结合的方法构建无人系统。知识图谱。

　　2.1 知识抽取

　　知识抽取是从开放的无人系统数据（半结构化数据、非结构化数据）中自动或手动抽取知识单元。知识单元包括实体、关系及其属性。显然，知识抽取由实体抽取组成，它由关系抽取和属性抽取三部分组成。实体提取可以识别专有名词和特殊词并对其进行分类。关系抽取是在网络化知识结构中的许多离散实体之间建立语义联系。实体的属性是实体之间的一种特殊关系。郭建义[19]等利用条件随机场和支持向量机的方法提取景区实体属性相当于实体关系提取，所以属性抽取的问题可以转化为关系抽取。问题。无人系统数据资源包括结构化数据、半结构化数据和非结构化数据。对于不同类型的数据，采用不同的方法将其转换为三元组结构。知识抽取过程如图4所示。

　　图4 无人系统知识抽取过程

　　对于无人系统的结构化数据（状态监测数据），由于存储在数据库中的数据结构强，可以直接通过D2R映射自动提取，转化为三元知识单元。对于半结构化数据（百科知识等），可以设计专门的包装器进行针对性的提取。例如，王辉[20]等CN-DBpedia构建的特殊包装器可以实现高质量的网络知识提取。非结构化数据是以文本、图像、视频等文档形式存在的数据，是知识提取的难点。从非结构化数据中提取信息主要有三种方法。基于规则的方法需要领域专家制定具体的规则，不仅耗费大量人力，但也具有较差的鲁棒性。基于机器学习的方法需要对语料库信息进行标注来训练模型，存在标注的语料库质量参差不齐、需要人工提取特征等缺点。目前，半监督学习方法主要用于从小样本中学习，在减少人力资源的同时改进信息。萃取质量。近年来，深度学习的兴起为高质量的信息提取提供了更多途径。BILSTM-CRF是信息提取中的主流深度学习模型。L. Luo [21] 在生物医学领域使用了 BILSTM-CRF 模型。信息抽取使得实体识别和实体关系识别的准确率分别高达91.14%和92.57%，模型在其他领域也取得了不错的效果。

　　2.2 知识融合

　　通过知识抽取得到的三元知识单元具有多样性、冗余性、歧义性甚至错误的特点[22]。例如，“无人机系统”和“无人机系统”可能都指向同一个实体。知识融合融合来自不同数据源的多源异构、语义多样的无人系统知识，将异构数据、冲突检测、消歧、处理等集成在同一个框架规范下，从而对知识进行正确的判断，去除粗糙和提炼精华，构建优质知识库[23]。

　　2.2.1 实体消歧

　　

　　实体消歧旨在解决实体引用与现实世界实体之间的歧义，实体消歧的难点主要体现在两个方面[24]：

　　1）实体引用的多样性：同一个实体在文中会有不同的引用；例如，不同的实体指的是“飞行控制”、“飞行控制系统”、“飞行控制系统”等，它们可能都对应于知识库中的“飞行控制系统”。无人机飞控”同一实体。

　　2）实体引用的歧义：同一个实体引用可以在不同的上下文中引用不同的实体；例如，同一实体引用“大疆”可能对应知识库中的“大疆无人机”和“深圳大疆创新科技”。*敏*感*词*”和其他实体。

　　实体消歧主要包括基于聚类的实体消歧方法和基于实体链接的实体消歧方法。流程*敏*感*词*如图 5 所示。

　　图5 实体消歧*敏*感*词*

　　从图5可以看出，在没有目标实体的情况下，大部分实体消歧方法都是基于聚类的。聚类方法是根据实体引用的特征（上下文中的词、实体属性等）计算实体引用之间的相似度，并通过聚类算法对实体引用进行聚类。李光义[25]等基于向量空间的相似性，利用层次聚合聚类（HAC）算法对未链接到知识库的文档进行聚类，实现歧义消解，F值高达88.35 %。基于实体链接的实体消歧通过计算实体引用与目标实体之间的相似度，将实体引用链接到与知识库中的实体引用相似度最高的目标实体。但是，当知识库中没有实体引用对应的目标实体时，实体引用会链接到空实体。对于无人系统生成的数据，对于通过信息抽取得到的实体引用，可以先将部分实体引用链接到历史知识库，其余未链接的实体引用可以通过基于聚类的方法进行消歧。实体引用链接到空实体。对于无人系统生成的数据，对于通过信息抽取得到的实体引用，可以先将部分实体引用链接到历史知识库，其余未链接的实体引用可以通过基于聚类的方法进行消歧。实体引用链接到空实体。对于无人系统生成的数据，对于通过信息抽取得到的实体引用，可以先将部分实体引用链接到历史知识库，其余未链接的实体引用可以通过基于聚类的方法进行消歧。

　　2.2.2 实体对齐

　　实体对齐，也称为实体匹配，旨在解决相同或不同知识库中的两个或多个实体在现实世界中是否为同一实体的问题。实体冲突、指向不明确等不一致性问题，高质量链接多个现有知识库，从顶层创建*敏*感*词*统一知识库[26-27]。

　　无人系统产生的海量数据和通过知识抽取得到的实体也需要进行实体对齐，以提高无人系统知识库的质量。实体对齐算法是实体对齐技术的核心，主要包括成对实体对齐和协同（集体）实体对齐。Pairwise entity alignment主要通过提取实体及其属性特征并计算其相似度来实现实体对齐。相似度计算方法主要基于传统的概率模型和机器学习方法；协作实体对齐是基于实体对齐的。在计算相似度时，会考虑与实体相关的其他实体属性并赋予权重 [16, 26]。

　　2.3 知识处理

　　通过知识抽取、知识融合等技术，可以从无人系统的原创数据中得到基本的事实表达，通过特殊的知识处理，事实可以形成高质量的知识。知识处理主要包括以下四个方面：本体构建、知识推理、质量评估和知识更新。

　　1）本体构建：无人系统故障知识图谱涉及的知识范围较窄，知识图谱采用自下而上和自上而下相结合的方法构建。本体是标准化共享概念并正式描述对象、属性及其关系[28]。首先确定无人系统故障知识图谱的核心概念（“无人系统故障”、“飞控系统故障”、“动力系统故障”等），并以数据驱动的方式自动构建提取实体的本体方法。步骤：并行关系相似度计算、实体从属关系提取和本体生成[29]。

　　2）知识推理：知识推理是从现有无人系统知识库中已有的实体关系出发，在实体之间建立新的联系，扩展和丰富知识库的知识网络[30]。知识推理主要包括基于逻辑的推理和基于图的推理，可以从已有的知识中发现新的知识。如果在无人系统知识库中已知（陀螺仪，测量，飞行器方向），（飞行器方向，安全壳，偏航角）和（偏航角，异常，角度），则可以推断陀螺仪有故障。

　　3）质量评估：无人系统领域通过知识抽取获得的知识元素可能存在误差，无法充分保证通过知识推理获得的新知识的质量。因此，在将其添加到知识库之前，需要进行质量评估过程。，质量评估是保证数据的重要手段，并贯穿知识图谱的整个生命周期[30-31]。通过高置信度的数据筛选，可以进一步保证无人系统知识库中的数据。

　　4）知识更新：信息随时间的积累是一个动态的过程，无人系统的知识图谱也需要迭代更新。知识库的更新包括模式层的更新和数据层的更新；模式层的更新是指概念层的更新。知识库的概念层增加一个新概念后，需要更新概念的属性和关系；更新主要是添加或更新实体、关系和属性值[30, 32]。

　　3 知识图谱的军事应用

　　知识图谱可以提供管理和利用海量异构数据的有效途径，使海量数据能够被普遍链接和良好表达，具有广泛的军事应用。

　　3.1 智能搜索

　　传统搜索基于关键词匹配索引，搜索引擎无法理解用户的真实语义，检索效率低[33]。知识图谱本质上是实体之间关系的语义网络，可以改变现有的信息检索方式，通过推理实现概念检索，以图形化的方式展示结构化知识[26, 30]，提高检索准确率，知识图谱中有智能搜索的天然优势。知识图谱可应用于智能导弹的目标跟踪。如图6所示，预警机受到周围各类飞机的保护，预警机的目标打击往往受到周围飞机或飞机发出的信号的干扰，

　　图 6 基于知识图谱的智能导弹

　　3.2 军事情报问答

　　搜索引擎一般可以满足人们的信息获取需求，但随着互联网信息的爆炸式增长，搜索结果过多，用户难以快速准确地获取所需信息。能够更好地满足用户信息需求的问答系统受到青睐[34-35]。对于问题的输入，问答系统的输出是简洁的答案或可能答案的列表。在日益复杂的军事问题上，问答系统能够有效提高军事决策效率，对作战决策具有重要意义。图 7 显示了该问答系统在军用飞机上的应用，可以得到准确、简洁的信息结果。

　　图 7 军事问答系统

　　3.3 辅助决策

　　由于计算能力、海量数据和核心算法的出*敏*感*词*融、智慧城市交通等领域有着广泛的应用。例如，IBM的Watson Health利用海量数据形成的知识库，利用深度学习算法，在肿瘤和癌症领域做出决策判断，供医疗专业人士参考。知识图谱通过对数据、知识等信息的分析统计，发现数据与信息的关联性并挖掘规律，根据历史知识库的相关经验进行预测，实现智能辅助决策，并能可用于未来的军事应用。

　　4。结论

　　本文引入知识图谱的概念知识，对无人系统海量数据进行知识抽取、知识融合和知识处理，形成高质量的三元知识，为无人系统领域的故障知识图谱构建提供了一种可行的方法。 . 方法。利用海量数据构建的知识图谱具有智能搜索、系统问答、辅助决策等功能，具有重要的军事应用前景。

　　参考：

　　[1] 李磊，徐越，姜奇，等。2018年国外军用无人机装备与技术发展概况[J]. 战术导弹技术，2019（2）：1-11。

　　[2] 何道靖，杜晓，乔银荣，等．无人机信息安全研究综述[J]．计算机学报, 2019, 42(5): 1076-1094.

　　[3] 景波，焦晓轩，黄一峰。飞机PHM大数据分析与人工智能应用[J]. 空军工程大学学报（自然科学版）, 2019, 20(1): 46-54.

　　[4] Dugan JB, Sullivan KJ, Coppit D. 开发用于动态故障树分析的低成本高质量软件工具[J]. IEEE Transactions on Reliability, 2000, 49(1): 49-59。

　　[5] Enno R，Marielle S. 故障树分析：建模、分析和工具方面最新技术的调查[J]。计算机科学评论，2015（15/16）：29-62。

　　[6] 王进新，王忠伟，马秀珍，等。基于贝叶斯网络的柴油机润滑系统多重故障诊断[J]. 控制与决策, 2019, 34(6): 1187-1194。

　　[7] 褚景春，王飞，汪洋，等．基于故障树和概率神经网络的风机故障诊断方法[J]. 中国太阳能学报, 2018, 39(10): 2901-2907.

　　

　　[8] 艾哈迈德 O 等人。大数据技术：一项调查[J]. 沙特国王大学学报-计算机与信息科学, 2018, 30(4): 431-448.

　　[9] Gema BO, Jung JJ, David C. 社会大数据：近期成就与新挑战[J]. 信息融合，2016，28：45-59。

　　[10] Martin H. 发展大数据：承诺与挑战回顾[J]. 发展政策审查，2016 年，34(1)：135-174。

　　[11] 温亚南. 基于知识图谱的国际无人机研究可视化分析[J]. 郑州航空工业管理学院学报, 2018, 36(6): 16-25.

　　[12] Roberto N, Paolo P S. BabelNet：广覆盖多语言语义网络的自动构建、评估与应用[J]. 人工智能，2012，193：217-250。

　　[13] 阮T，黄玉清，刘XL，等。QAnalysis：一种问答驱动的知识图谱分析工具，用于利用电子病历进行临床研究[J]. BMC 医学信息学与决策制定，2019，19(1)：798-811。

　　[14] 曹志勇, 乔新华, 姜S, 等。一种基于知识图谱的高效Web服务推荐算法[J]. 对称性，2019，11（3）：392。

　　[15] He M, Wang B, Du X K. HI2Rec：探索异构信息中的知识用于电影推荐[J]. IEEE 访问，2019，7：30276-30284。

　　[16] 侯梦伟，魏荣，卢亮，等。知识图谱研究及其在医学领域的应用综述[J]. 计算机研究与发展, 2018, 55(12): 2587-2599.

　　[17] 徐璞．旅游知识图谱构建方法研究与实现[D]. 北京：北京理工大学，2016。

　　[18] 程文亮．中国企业知识图谱的构建与分析[D]．上海：华东师范大学，2016。

　　[19] 郭建义，李真，于正涛，等。领域本体概念实例、属性和属性值提取与关系预测[J]．南京大学学报(自然科学版), 2012, 48(4): 383-389.

　　[20] 王辉，于波，洪宇，等。基于知识图谱的Web信息抽取系统[J]．计算机工程, 2017, 43(6): 118-124.

　　[21] 罗丽，杨 ZH，杨平，等。基于注意力的 BiLSTM-CRF 文档级化学命名实体识别方法[J]. 生物信息学, 2018, 34(8): 1381-1388.

　　[22] 林海伦，王远卓，贾彦涛，等。网络大数据知识融合方法综述[J]. 计算机杂志。2017 年，40（1）：1-27。

　　[23] Luna DX、Evgeniy G、Geremy H 等人。从数据融合到知识融合[J]. VLDB 捐赠基金，2014 年，7(10)：881-892。

　　[24] 赵军，刘康，周广友，等．开放文本信息提取[J]．中国信息学报, 2011, 25(6): 98-110.

　　[25] 李光义，王厚峰．基于多步聚类的中文命名实体识别与歧义消解[J]．中国信息学报, 2013, 27(5): 29-34.

　　[26] 徐增林，盛永攀，何立荣，等．知识图谱技术综述[J]．电子科技大学学报, 2016, 45(4): 589-606.

　　[27] 庄艳，李国梁，冯建华．知识库实体对齐技术综述[J]. 计算机研究与发展, 2016, 53(1): 165-192.

　　[28] Gruber T R. 一种可移植本体规范的翻译方法[J]. 知识获取，1993，5（2）：199-220。

　　[29] 史书明．自动和*敏*感*词*知识抽取[J]. 中国计算机学会通讯, 2013, 9(8): 65-73.

　　[30] 刘乔，李阳，段宏，等。知识图谱构建技术综述[J]．计算机研究与发展, 2016, 53(3): 582-600.

　　[31] 袁凯奇，邓阳，陈道元，等。医学知识图谱构建技术及研究进展[J]. 计算机应用研究, 2018, 35(7): 1929-1936.

　　[32] 李涛，王慈臣，李华康．知识图谱的开发与构建[J]．南京理工大学学报, 2017, 41(1): 22-34.

　　[33] 张骞．传统搜索引擎与智能搜索引擎对比研究[D]. 郑州：郑州大学，2012。

　　[34] 毛宪玲，李晓明．问答系统研究综述[J]．计算机科学与探索, 2012, 6(3): 193-207.

　　[35] 岳世峰，林征，王卫平，等。智能响应系统研究综述[J]．信息安全杂志, 2020, 5(1): 20-34.

　　无人系统故障知识图谱的构建与应用

　　于凡坤1、2、胡超芳1、罗晓亮2、梁秀冰2

　　(1.天津大学电气与信息工程学院,天津 300072;2.中国人民*敏*感*词*军事科学院国防科技创新研究院,北京 100071)

　　摘要：无人系统产生的海量数据分散、缺乏联系，信息共享困难。随着复杂性和集成度的增加，难以满足无人系统的维护保障需求。知识图谱技术可以将复杂的数据信息提取成结构化的知识，建立数据之间的联系，增强知识之间的语义信息。以故障数据为研究对象，利用知识图谱技术进行知识抽取、知识融合和知识处理，形成一系列相互关联的知识，为无人系统领域故障知识图谱的构建提供了一条可行的途径。

　　知识库是利用知识图谱技术利用海量数据建立起来的，能够整合分散的数据和信息。可以提高专业领域知识的利用率和使用价值。因此，它在军事上具有巨大的前景。

　　关键词：知识图谱；无人系统；维护支持；自然语言处理

　　收稿日期：2020-02-23；修订日期：2020-04-10。

　　基金项目：国家自然科学基金（61773279）；天津市科技计划项目（19YFHBQY00040）。

　　作者简介：于凡坤（1995-），男，湖北鄂州人，硕士*敏*感*词*，主要从事知识图谱构建研究。