知識圖譜在汽車維修的應用

導語：知識圖譜在汽車維修的應用一文來源于網友上傳，不代表本站觀點，若需要原創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、維修經驗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務痛點的思路。分析利用本體設計、知識抽取、知識映射等步驟構建汽車維修場景知識圖譜的方法，并開發維修問答助手、維修知識搜索、知識后臺等應用，提升汽車維修效率。

關鍵詞：知識圖譜;汽車維修;推理;智能問答;知識搜索

1引言

汽車售后維修服務的質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者也在探索各種提升售后維修服務質量和口碑的方法。隨著大量維修記錄、維修案例等數據的積累，部分從業者開始引入大數據和人工智能技術來提升售后維修服務的質量。本文將分析應用知識圖譜技術提升汽車維修效率。

2汽車維修面臨的痛點

在汽車維修場景中，車廠和4S店存在以下痛點。(1)維修效率低汽車是一個結構較復雜的設備，包含大量零部件和電路，一個故障往往涉及多個系統和零部件。對于某些故障，維修技師無法直接找到故障原因，導致客戶等待時間長、體驗差、滿意度低。甚至會投訴4S店和廠家，質疑該車型的質量，進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械、電工和電子、材料、力學等多個領域知識。且不同車型、不同部件的構造、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，而且耗時費力。(3)依賴廠家支持某些疑難故障需要廠家的技術專家參與，結合整車結構和工作原理，端到端分析故障原因。每個車型的技術專家人數有限，難以及時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。各車型的技術專家也可能要重復為不同的維修技師提供相同疑難故障的解決方法。維修知識和經驗無法在技術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踐和經驗積累，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。技師培養周期長、成長慢。因此，迫切需要新的知識沉淀渠道，讓技術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

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。知識圖譜本質是一種知識的表示形式，它模仿人類的認知體系，以圖的形式表示知識表式客觀世界中的概念和實體及其之間的關系,是支撐語義搜索、智能問答、決策支持等智能服務的基礎技術[1]。它讓機器能更有效地對知識進行學習和處理，實現從感知智能到認知智能的飛躍。

3.2技術分類

一般將知識圖譜技術分為三個部分：知識圖譜構建技術、知識圖譜推理技術、知識圖譜應用技術。知識圖譜構建技術包括本體論和數據處理技術兩類，本體論是知識圖譜的骨架，是模仿人的認知體系對知識的建模；數據處理技術將現實世界中格式多樣、結構混亂的數據處理成結構良好的數據，并將其對應到知識圖譜本體中賦予數據的內涵。知識圖譜推理技術則從已知的知識中運算推理得到人需要的新的知識，是實現智能化語義搜索、決策支持與溯因的關鍵。知識圖譜應用技術包括語義搜索、智能問答、智能推薦等直接的應用，為其他人工智能模型提供先驗知識支持、為大數據應用提供結構化數據支持等間接的應用。

4知識圖譜技術在汽車維修場景的應用

汽車維修場景已積累豐富的維修數據，比如“維修記錄”、“維修案例”、“維修手冊”、“維修指導視頻”等。但數據相互割裂，未能形成有效知識。將維修數據構建成知識圖譜，開發上層應用，能有效賦能汽車維修業務，解決場景痛點，充分發揮知識的價值。知識圖譜構建及應用流程如圖1所示.

4.1知識圖譜構建

首先需要構建汽車維修知識圖譜，構建步驟依次為：本體設計、知識抽取、知識映射、知識融合與消歧。4.1.1本體設計本體設計是一個知識建模的過程，常用設計流程如圖2所示。該過程需要汽車維修領域專家和知識圖譜專家協同，通過抽象、總結該領域的知識實現本體設計，一般可使用RDFS、OWL等語言進行建模。參考本體構建七步法[2]，復用公開的汽車本體，并輔以關鍵短語、業務知識等信息抽取算法，通過半自動化形式實現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計。該本體包含：故障現象、故障碼、零部件、系統等概念及之間語義關系。4.1.2知識抽取通過搜集相關數據，基于相關算法技術完成知識三元組抽取。對于結構化數據，經過簡單轉換，即可生成三元組；對于非結構化數據，首先需要將其文檔格式進行轉換，得到txt、docx等易于處理的文本格式；其次可以使用基于詞典、模板的無監督學習方法，抽取知識；也可以使用有監督學習、弱監督學習等方法，人工對部分原始數據進行標注，再利用標注數據訓練知識抽取模型，進而用該模型從原始數據中抽取知識。傳統的流水線式抽取方法，將知識抽取任務拆分為命名實體識別(NER)任務和關系抽取任務。比如，一種常用的抽取方法采用LSTM-CRF+PCNN的模型結構，先通過NER識別出實體，再抽取實體之間的關系，兩個任務的結果不會互相影響。另一種聯合式抽取方法，則將實體抽取和關系抽取相結合，組成一個聯合模型，比如雙向樹形結構的LSTM-RNNs[3]。一般認為，聯合式抽取方法可以避免流水線方法存在的錯誤和積累的問題。4.1.3知識映射由信息抽取階段得到的三元組，需經過知識映射將抽取結果映射到本體上，才能生成知識圖譜。如果數據量較大，該過程可以借助Hadoop等大數據技術加速。4.1.4知識融合與消歧最后，還需要對來自不同數據源的知識在統一規范下進行異構數據整合、消歧，才能完成新知識圖譜的創建。如圖3所示，故障現象：“車輛無法啟動”和“車輛打不著火”，實際表示的是相同故障現象。經過知識融合對知識圖譜中的知識進行融合消歧，能提高知識圖譜的質量，進而提升上層應用的效果。常用的有基于快速相似度計算、基于規則、基于分治等方法[1]。

4.2應用開發

基于汽車維修知識圖譜，可打造“智能維修助手”。該系統包含的典型應用有：維修問答助手、維修知識搜索/推薦、故障根因推理、知識后臺及統計等。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，結合自然語言處理技術構建多輪問答引擎，實現基于知識庫的問答系統。用戶可詢問故障原因及解決方案、零部件拆裝指導、故障碼詳情等信息。此外，同一故障現象可能與多個案例、零部件等相關，候選答案較多。基于知識圖譜推理能力，可動態追問用戶，通過多輪問答引導，獲得更精準的答案。比如用戶詢問“車輛無法啟動”，經知識圖譜推理，追問“是否存在故障碼XXX？”，“故障頻率是經常還是偶爾？”等信息。根據用戶的回答，再篩選生成最終答案。4.2.2維修知識搜索/推薦傳統搜索引擎是基于字符匹配，可快速返回與用戶輸入存在關鍵字/詞匹配的網頁、文檔等信息。基于知識圖譜的搜索，可進一步理解用戶輸入的語義信息，并推薦與搜索結果相關聯的知識。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際為油門踏板的位置，進而優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”等關鍵詞的文檔信息。此外，知識圖譜可推薦“油門踏板”相關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擊和瀏覽數據，即可準確推薦內容，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控關系。并總結、抽象維修技術專家定位故障原因的邏輯，用Datalog等邏輯語言，描述為具體可執行的邏輯規則。再結合推理引擎，在知識圖譜上，推理出某種故障現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象、故障碼、零部件等信息進行統計，輔助維修技術專家發圖3知識融合示意圖掘熱點故障，判斷一線維修技師欠缺的知識域，以針對性設計培訓和知識共享機制。同時，考慮到新車型不斷上市，維修案例不斷積累，知識在持續產生。知識后臺支持維修技術專家自助向知識圖譜中添加知識，供維修技師查詢。維修技術專家可持續沉淀自身知識，在維修技師間有效共享。

4.3應用效果

實踐表明，“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，能及時獲得參考維修方法。維修技術也在該應用的加持下逐步提高。維修效率和一次性修復率顯著提升，客戶等待時間縮短。對廠家的技術專家而言，“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。

5未來展望

知識圖譜作為一種知識的表示形式，能有效地讓計算機和AI算法對知識進行表示、學習和處理。將知識圖譜及其上下游技術應用于汽車維修場景，能有效解決部分場景痛點。展望未來，還可在以下方向進行探索。

5.1結合故障樹分析法

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，分析系統中不希望出現的狀態。該方法在航空航天、工業、制藥、軟件工程等領域都有應用?？蛇M一步在知識圖譜中構建汽車維修故障樹圖，可對汽車故障進行定性和定量分析，更準確預判故障根因。

5.2應用多模態知識圖譜技術

汽車維修數據包含大量的圖片和視頻，比如零部件圖片、拆裝教學視頻等。可進一步應用多模態知識圖譜技術，從以上數據中抽取知識，構建語義關聯，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 單位：華為技術有限公司 中國第一汽車集團有限公司