基于BERT信息抽取的電力客服知識(shí)圖譜構(gòu)建方法

國(guó)網(wǎng)河南信通公司 張向聰 王 浩 王 磊 王冰潔 何軍霞

隨著智能電網(wǎng)的快速發(fā)展，在電力行業(yè)，人工智能正快速地與電網(wǎng)領(lǐng)域相結(jié)合，信息通信技術(shù)迅速集成到電網(wǎng)的生產(chǎn)和企業(yè)管理中。信息通信系統(tǒng)是支持生產(chǎn)和管理開(kāi)發(fā)的智能網(wǎng)格的“中心神經(jīng)”。在信息通信方面，電力管理客服中存在著很多系統(tǒng)，對(duì)每個(gè)系統(tǒng)問(wèn)答知識(shí)匹配時(shí)，需要收集足夠多的問(wèn)題以及對(duì)知識(shí)內(nèi)容的存儲(chǔ)，傳統(tǒng)的關(guān)系型數(shù)據(jù)庫(kù)可以支撐問(wèn)答系統(tǒng)，但是在存儲(chǔ)復(fù)雜的關(guān)系網(wǎng)絡(luò)時(shí)，關(guān)系型數(shù)據(jù)庫(kù)就表現(xiàn)得不如知識(shí)圖譜有效。之所以選擇知識(shí)圖譜，是因?yàn)槿藗冊(cè)谶壿嬌贤ǔ：茏匀皇褂妙?lèi)似圖的結(jié)構(gòu)來(lái)模擬或描述它們的特定問(wèn)題域。知識(shí)圖譜最有效、最直觀(guān)地表達(dá)出實(shí)體間、問(wèn)答間的關(guān)系。本次研究將提供一種基于BERT+BiLSTM+CRF[1]模型，從原始的操作手冊(cè)中抽取實(shí)體、實(shí)體關(guān)系以及問(wèn)答對(duì)，構(gòu)建電力客服知識(shí)圖譜[2]。

1 相關(guān)理論技術(shù)與研究

Bert（Bidirectional Encoder Representation from Transformers）[3]是一個(gè)預(yù)訓(xùn)練模型。傳統(tǒng)的語(yǔ)言模型是把單向語(yǔ)言模型或者是把兩個(gè)獨(dú)立的語(yǔ)言模型在淺層進(jìn)行一個(gè)拼接的方法進(jìn)行預(yù)訓(xùn)練，他強(qiáng)調(diào)的并不是這種傳統(tǒng)的語(yǔ)言，而是采用新的masked language model（MLM），以致能生成深度的雙向語(yǔ)言表征。Bert 論文發(fā)表時(shí)提及在11個(gè)自然語(yǔ)言處理任務(wù)中獲得到的新結(jié)果，比以往的模型表現(xiàn)的都要好，令人驚訝。

模型的介紹以及優(yōu)點(diǎn)如下：采用MLM 對(duì)雙向的Transformers 進(jìn)行預(yù)訓(xùn)練，以生成深層的雙向語(yǔ)言表征；進(jìn)行完預(yù)訓(xùn)練之后，再疊加一個(gè)輸出層，進(jìn)行fine-tune 操作，這樣就可以在不同的下游任務(wù)當(dāng)中提取到它的state-of-the-art 表現(xiàn)。有一個(gè)好處就是在這整個(gè)的一個(gè)過(guò)程當(dāng)中，不需要對(duì)模型的特定結(jié)構(gòu)進(jìn)行修改。

條件隨機(jī)場(chǎng)（Conditional Random Fields）[4]是一個(gè)判別式模型。在條件隨機(jī)場(chǎng)當(dāng)中，有很多的特征函數(shù)，正是因?yàn)檫@些特征函數(shù)才使得序列進(jìn)行了約束，得到一個(gè)條件概率，最后進(jìn)行標(biāo)注。比如在詞性標(biāo)注任務(wù)當(dāng)中，如果名詞后面還是名詞的話(huà)就是負(fù)分，在副詞后面是動(dòng)詞的話(huà)就是正分等。

影視領(lǐng)域問(wèn)答系統(tǒng)：利用知識(shí)圖譜的關(guān)系表達(dá)屬性，將收集的數(shù)據(jù)可以更加“擬人化”的存儲(chǔ)起來(lái)，再利用NLP 意圖識(shí)別的技術(shù)，可以很好地對(duì)電影、演員進(jìn)行相關(guān)問(wèn)答；知識(shí)圖譜推薦系統(tǒng)：通過(guò)知識(shí)圖譜的以擴(kuò)展性以及本體連接性，將人物信息以本體形式存儲(chǔ)，將人與人之間、人與事物之間緊密聯(lián)系，可以實(shí)現(xiàn)相互信息的推薦與推理。

2 電力服務(wù)數(shù)據(jù)處理及BERT+BiLSTM+CRF 信息抽取

隨著計(jì)算機(jī)和互聯(lián)網(wǎng)的發(fā)展，我們已經(jīng)從工業(yè)時(shí)代進(jìn)入信息時(shí)代。人工智能的時(shí)代已經(jīng)到來(lái)，知識(shí)圖譜是信息時(shí)代通用的深化應(yīng)用和擴(kuò)展。本次針對(duì)的是一體化線(xiàn)損管理系統(tǒng)，主要處理的數(shù)據(jù)是業(yè)務(wù)系統(tǒng)的操作手冊(cè)說(shuō)明書(shū)，對(duì)于一般用戶(hù)問(wèn)的問(wèn)題基本上能查找到，但是如果本身不是業(yè)務(wù)人員，面對(duì)一系列的操作手冊(cè)，也會(huì)無(wú)從下手，不知如何精確找到相關(guān)答案。針對(duì)這類(lèi)問(wèn)題，是將操作手冊(cè)數(shù)據(jù)梳理成知識(shí)圖譜數(shù)據(jù)，配合意圖識(shí)別[5]，就可以實(shí)現(xiàn)問(wèn)答系統(tǒng)，實(shí)現(xiàn)用戶(hù)即使不是業(yè)務(wù)人員，也可以自己解決80%甚至更多的問(wèn)題。

從電力知識(shí)獲取到圖譜構(gòu)建整體流程如下：獲取電力系統(tǒng)中的一體化線(xiàn)損管理系統(tǒng)所有操作手冊(cè)，構(gòu)建原始文檔庫(kù)；抽取操作手冊(cè)word 文檔數(shù)據(jù)，梳理成初步結(jié)構(gòu)化數(shù)據(jù)，存儲(chǔ)至Excel 中；對(duì)一體化線(xiàn)損管理系統(tǒng)初步知識(shí)數(shù)據(jù)進(jìn)行標(biāo)注；基于BERT 模型，微調(diào)進(jìn)行訓(xùn)練，實(shí)現(xiàn)一體化線(xiàn)損管理系統(tǒng)結(jié)構(gòu)化文檔數(shù)據(jù)的語(yǔ)義特征提?。换贐iLSTM+CRF 模型對(duì)語(yǔ)義特征進(jìn)行實(shí)體識(shí)別，提取知識(shí)概念以及相互聯(lián)系，構(gòu)建知識(shí)圖譜。

對(duì)Bert 進(jìn)行fine-tune，在輸出層后疊加CRF層，這樣做的好處就是在這整個(gè)的過(guò)程當(dāng)中，不需要對(duì)模型的特定結(jié)構(gòu)進(jìn)行修改。

輸入層：將句子輸入到模型中；數(shù)據(jù)預(yù)處理：將每個(gè)單詞映射到一個(gè)更高維度的空間，即字詞向量表征；Bert 層：bert 的主要框架是Transformer，使用的是一個(gè)雙向模型，所以可以更好地獲取到文本中的上下文關(guān)系，使用此模型來(lái)替代嵌入層；BiLSTM層：使用雙向LSTM 計(jì)算嵌入向量實(shí)際上是雙向LSTM 計(jì)算單詞向量，從而獲得更高級(jí)句子的向量。

CRF 層：CRF 通俗來(lái)說(shuō)就是對(duì)結(jié)果的合理性進(jìn)行過(guò)濾，因?yàn)闃?biāo)簽本身是存在一些約束的，比如在詞性標(biāo)注時(shí)，名詞后面不能接名詞，CRF 就是用來(lái)添加類(lèi)似這樣的約束，并且在訓(xùn)練CEF 時(shí)可以自動(dòng)學(xué)習(xí)這樣的約束。通過(guò)這一層，可以過(guò)濾掉一些不合理的結(jié)果，從而增加整體模型的準(zhǔn)確率；輸出層：將上一層輸出的特征輸入到Softmax 層，就是對(duì)所有的預(yù)測(cè)類(lèi)別進(jìn)行打分，挑選其中最大的一個(gè)作為預(yù)測(cè)結(jié)果。

3 電力知識(shí)圖譜的構(gòu)建與應(yīng)用

構(gòu)建知識(shí)圖譜的第一步，就是選擇知識(shí)圖譜的schema[6]，不同schema 的知識(shí)圖譜對(duì)應(yīng)解決不同的問(wèn)題，由于是電力服務(wù)問(wèn)答方面的數(shù)據(jù)，本身沒(méi)有很大的復(fù)雜性，所以我們采用三元組的形式將數(shù)據(jù)領(lǐng)域、關(guān)鍵字、問(wèn)題、答案串聯(lián)起來(lái)。針對(duì)數(shù)據(jù)，主要的還是從中挑選哪些作為本體存儲(chǔ)，哪些作為屬性存儲(chǔ)。本體指的是某個(gè)領(lǐng)域內(nèi)抽象概念的集合，它可以描述某個(gè)范圍內(nèi)一切事物的共有特征以及事物間的關(guān)系。將數(shù)據(jù)按上所說(shuō)形式生成CSV 文件，這樣可以更快地導(dǎo)入neo4j 圖數(shù)據(jù)庫(kù)中。對(duì)領(lǐng)域、關(guān)鍵字、問(wèn)題、答案使用CSV 導(dǎo)入語(yǔ)句，將數(shù)據(jù)按照不同聯(lián)系統(tǒng)一導(dǎo)入neo4j 圖數(shù)據(jù)庫(kù)中。

知識(shí)圖譜構(gòu)建成功后就可設(shè)計(jì)應(yīng)用層面，本次構(gòu)建的是關(guān)于一體化線(xiàn)損管理系統(tǒng)中的客服數(shù)據(jù)，所以此次圖譜設(shè)計(jì)的schema 主要是針對(duì)知識(shí)問(wèn)答。知識(shí)問(wèn)答又涉及到另一個(gè)模型了，就是意圖識(shí)別模型，在這里不做延伸，提供一個(gè)知識(shí)問(wèn)答的構(gòu)建思路。先要介紹一下Flask，因?yàn)樵谥R(shí)問(wèn)答系統(tǒng)中，用它來(lái)和前后端傳輸數(shù)據(jù)，F(xiàn)lask 是由python 開(kāi)發(fā)的輕量的web 框架，小巧，靈活，一個(gè)腳本就可以啟動(dòng)一個(gè)web 項(xiàng)目，開(kāi)發(fā)的難度比較大，flask 好多的模塊是按照django 的思路開(kāi)發(fā)的。

知識(shí)問(wèn)答的構(gòu)建，首先是對(duì)實(shí)體識(shí)別、意圖識(shí)別兩個(gè)模型進(jìn)行封裝，在調(diào)用模型時(shí)就更加方便，并且可以加快模型運(yùn)算速速（模型只加載一次）；然后是要對(duì)不同的意圖編寫(xiě)不同的neo4j 查詢(xún)語(yǔ)句，這樣就可以對(duì)模型輸出的數(shù)據(jù)進(jìn)行實(shí)時(shí)的查詢(xún)返回真實(shí)的數(shù)據(jù)；最后使用flask 將以上兩者整合，實(shí)現(xiàn)API 接口對(duì)傳進(jìn)來(lái)的數(shù)據(jù)返回對(duì)應(yīng)的查詢(xún)值。

4 結(jié)語(yǔ)

隨著信息化的進(jìn)展，電力服務(wù)數(shù)據(jù)慢慢地積累了下來(lái)。通過(guò)構(gòu)建電力服務(wù)[7]領(lǐng)域的知識(shí)圖譜，可以從龐大的數(shù)據(jù)中提取客服知識(shí)，并合理有效地管理、共享和應(yīng)用，這對(duì)于今天以及未來(lái)的電力服務(wù)行業(yè)非常重要，對(duì)很多企業(yè)和研究機(jī)構(gòu)來(lái)說(shuō)也是研究的熱點(diǎn)。從知識(shí)圖譜的構(gòu)建和應(yīng)用的角度來(lái)看，本文實(shí)現(xiàn)了一體化線(xiàn)損管理系統(tǒng)知識(shí)圖譜的創(chuàng)建和應(yīng)用。電力服務(wù)知識(shí)圖譜通過(guò)結(jié)合圖譜和客服知識(shí)，切實(shí)促進(jìn)電力數(shù)據(jù)的自動(dòng)化和智能處理，為電力行業(yè)帶來(lái)新的發(fā)展機(jī)會(huì)。知識(shí)圖譜很有發(fā)展前景，現(xiàn)在在社會(huì)中的很多領(lǐng)域都慢慢和人工智能聯(lián)系起來(lái)。在如今這個(gè)計(jì)算機(jī)、網(wǎng)絡(luò)、大數(shù)據(jù)、人工智能、機(jī)器學(xué)習(xí)等前沿科技迅速發(fā)展的大潮流下，相信知識(shí)圖譜的研究可以有更多的創(chuàng)新和突破！