基于知識圖譜技術(shù)的油水井生產(chǎn)信息圖譜構(gòu)建方法

李婧璇

（中國石油大港油田信息中心，天津 300280）

1 研究背景

油水井在長期生產(chǎn)過程中，通過巡檢會積累大量生產(chǎn)記錄，除了常見的產(chǎn)油量、產(chǎn)水量、油壓等結(jié)構(gòu)化的指標(biāo)數(shù)據(jù)，還包含備注等文本格式信息。備注作為生產(chǎn)過程的補充說明，往往涵蓋開關(guān)井、修井、取樣等多階段的詳細描述。如果能夠充分發(fā)揮文本信息中的價值，不僅可以更加準(zhǔn)確地制訂停井計劃、油水井狀態(tài)評估方案，還可以為未來的油氣生產(chǎn)決策提供數(shù)據(jù)支撐。然而，由于記錄人員的經(jīng)驗存在差別，記錄存在缺失和矛盾在所難免，加上文本沒有固定的格式與結(jié)構(gòu)，記錄人員難以通過人工分析和行業(yè)標(biāo)準(zhǔn)來分辨其中的錯誤。提高生產(chǎn)記錄中文本信息的準(zhǔn)確度和利用率既可以加深人們對油氣生產(chǎn)的認識，又能夠進一步提高生產(chǎn)數(shù)據(jù)質(zhì)量，還可以盤活生產(chǎn)系統(tǒng)文本信息資源，可謂一舉多得。自然語言處理技術(shù)的快速發(fā)展，使利用分詞工具對文本信息進行自動處理成為可能。將文本分割為易于處理的詞和詞組之后，最常見的技術(shù)路線是，在已有的油水井生產(chǎn)文本記錄中，利用機器學(xué)習(xí)方法制定規(guī)則，再用這些規(guī)則來識別新的文本記錄中的錯誤，從而避免依賴冗余信息及人員經(jīng)驗來識別錯誤。然而，機器學(xué)習(xí)受數(shù)據(jù)驅(qū)動，可能會因為文本缺失部分內(nèi)容而忽略關(guān)鍵信息，并且訓(xùn)練數(shù)據(jù)的特征也會影響訓(xùn)練效果。

另一種可行的方法是，基于知識圖譜技術(shù)，圍繞已有的油水井生產(chǎn)文本記錄，構(gòu)建一個油水井生產(chǎn)信息知識圖譜，并借助知識圖譜來識別新記錄中的錯誤。

所謂知識圖譜（Knowledge Graph），是一個用“關(guān)系”連接“實體”和“屬性”的網(wǎng)狀知識結(jié)構(gòu)。其中，“實體”和“屬性”用節(jié)點表示，“關(guān)系”則用連接兩個節(jié)點的有向線段表示。知識圖譜基本組成單位是“實體—關(guān)系/屬性—實體”三元組。憑借一目了然的圖形結(jié)構(gòu)，知識圖譜可以表示文本信息中的復(fù)雜關(guān)系，還能通過知識推理來識別出關(guān)鍵信息。

2 生產(chǎn)信息知識圖譜的構(gòu)建

2.1 構(gòu)建知識圖譜的常規(guī)方法

知識圖譜的邏輯結(jié)構(gòu)分為數(shù)據(jù)層、模式層兩個層次。數(shù)據(jù)層位于底層，在圖數(shù)據(jù)庫中，以事實為單位存儲的知識構(gòu)成了龐大的實體關(guān)系網(wǎng)。模式層則是知識圖譜的核心，存儲經(jīng)過提煉的知識。簡單來說，構(gòu)建知識圖譜，就是采用自動或半自動的技術(shù)手段，從原始數(shù)據(jù)中提取出事實，并將其存入數(shù)據(jù)層和模式層的過程。這個過程是迭代更新的，每輪迭代包括3 個階段：信息抽取、知識融合、知識加工。信息抽取是指從半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)中提取出實體、屬性及實體間的關(guān)系，作為知識圖譜的基本元素。知識融合是指對獲得的新知識進行整合，以便消除矛盾和歧義。有些實體可能有多種表達，需要將這些表示相同實體的詞合并為一個節(jié)點；也有些稱謂可能對應(yīng)多個實體，這時就需要對這些多種含義的實體名稱進行區(qū)分。知識加工是指在應(yīng)用過程中對知識圖譜的性能進行評估，并根據(jù)學(xué)科技術(shù)發(fā)展情況更新知識圖譜的動態(tài)操作。

2.2 油水井生產(chǎn)信息知識圖譜構(gòu)建過程

油水井生產(chǎn)數(shù)據(jù)中，除了以結(jié)構(gòu)化形式存儲的指標(biāo)項，還有以文本格式存在的備注類信息?？紤]到二者的特征和構(gòu)建知識圖譜的常規(guī)流程，筆者提出基于知識圖譜技術(shù)的生產(chǎn)信息組織架構(gòu)，具體如下。

2.2.1 實體鏈接

將抽取得到的實體鏈接到知識庫中與之相應(yīng)的實體對象。

2.2.2 關(guān)系抽取

從結(jié)構(gòu)化數(shù)據(jù)和文本中抽取實體之間的關(guān)系。鑒于部分屬性可能是其他屬性的程度描述，還需要考慮屬性之間的關(guān)系抽取。

2.2.3 關(guān)系篩選

抽取出關(guān)系之后，還需要進行關(guān)系篩選來剔除冗余和錯誤的概念，以免影響到知識圖譜的應(yīng)用效果。

2.2.4 數(shù)據(jù)集成

以三元組的形式，對生產(chǎn)信息中提取的實體、屬性、關(guān)系進行重組，連同從規(guī)范文件中提取的三元組，形成一個油水井生產(chǎn)信息知識圖譜。

2.2.5 圖譜更新

構(gòu)建知識圖譜并非一成不變。隨著專業(yè)領(lǐng)域認識不斷深入，知識體系會得到補充和調(diào)整，相應(yīng)的知識圖譜也需要進行更新迭代，以便保證知識質(zhì)量和應(yīng)用效果。

2.3 實體/屬性抽取

該環(huán)節(jié)借助自然語言處理技術(shù)，自動從記錄中抽取實體/屬性信息并標(biāo)注詞性。具體包括以下幾個方面。

2.3.1 文本預(yù)處理

中文不同于英文，詞與詞之間沒有空格作為分隔符，因此必須對中文文本進行分段、分句、分詞的預(yù)處理。這里使用Python 的中文分詞工具Jieba 將文本記錄切分成詞，然后用隱馬爾可夫模型來識別詞典中未涵蓋的詞。

2.3.2 詞語提取

參照《石油天然氣工業(yè)術(shù)語規(guī)范》（GB/T 8423.1-2018）（以下簡稱《規(guī)范》），在包括文本在內(nèi)的生產(chǎn)記錄中搜索關(guān)鍵詞。每當(dāng)匹配上一個規(guī)范中的術(shù)語時，就將這個詞所代表的實體/屬性作為節(jié)點加入知識圖譜。

2.3.3 詞性標(biāo)注

將所有詞劃分成5 類并標(biāo)注詞性：①描述設(shè)備及其部件的名詞標(biāo)為En；②描述固有特性的名詞標(biāo)為Pv；③描述程度的副詞標(biāo)為Pad；④描述程度的量詞標(biāo)為Pq；⑤不在《規(guī)范》中，且無法用隱馬爾可夫模型標(biāo)記詞性的實體或?qū)傩浴Ｍ瓿稍~性標(biāo)注（Part-Of-Speech，POS）的詞類集合，可以用來訓(xùn)練實體/屬性的詞性標(biāo)注模型，以便應(yīng)用于非結(jié)構(gòu)化數(shù)據(jù)的實體/屬性抽取過程，減少人工詞性標(biāo)注的工作量。實體/屬性抽取環(huán)節(jié)是知識圖譜構(gòu)建過程的基石，很大程度上影響了知識圖譜的質(zhì)量和效率。知識圖譜在應(yīng)用上取得的效果，與實體/屬性抽取的準(zhǔn)確性是密不可分的。

2.4 實體鏈接

實體鏈接的基本思路：通過實體抽取得到實體指標(biāo)項后，從知識庫中選出一組與實體指標(biāo)項相近的候選實體，然后通過相似度計算，將該實體指標(biāo)項鏈接到知識庫中對應(yīng)的實體對象。為了使實體鏈接盡可能準(zhǔn)確，有時需要進行實體消歧和共指消解。

實體消歧用于解決同名實體產(chǎn)生歧義的問題。例如，“蘋果”既可能指蘋果公司，也可能指水果。本文的研究范圍限定在油氣生產(chǎn)領(lǐng)域，實體名稱規(guī)范明確，因此該環(huán)節(jié)可以略過。共指消解用于解決不同實體表示相同含義的問題。例如，“減速器”和“減速箱”就表示同一個實體。除實體之外，屬性也可能存在別稱，所以共指消解應(yīng)該同時被應(yīng)用在實體和屬性上，達到同義詞合并的目的。該環(huán)節(jié)具體包括以下幾步。①基于POS 的名詞分類?？紤]到同義詞POS 必相同的特點，可以將實體/屬性詞根據(jù)POS 分為4 組，然后分別在每個組內(nèi)識別同義詞。②詞的向量化表示。將文本信息轉(zhuǎn)換為計算機可識別的形式，通常以詞為單元組成詞向量，本文使用開源工具Word2vec 將詞轉(zhuǎn)化為向量，通過計算向量之間的余弦相似度來判斷詞與詞之間的語義是否相近。③篩選詞對。同一句話的近鄰詞和相似語境下不同句子的構(gòu)成詞往往余弦相似度很高，要想減少近鄰詞的干擾，還需要篩除曾一起出現(xiàn)在同一條記錄中的詞對。④形成同義詞列表。參考《規(guī)范》，對各組含義相同的實體或?qū)傩赃M行合并，從每組選出一個詞作為該組所有詞的標(biāo)準(zhǔn)名稱，借助列表形式，將標(biāo)準(zhǔn)名和同義詞羅列出來。

之所以將實體鏈接環(huán)節(jié)提前到關(guān)系抽取之前執(zhí)行，是因為油氣生產(chǎn)領(lǐng)域相對封閉，這樣做有助于提高關(guān)系抽取環(huán)節(jié)的訓(xùn)練集質(zhì)量。

2.5 關(guān)系抽取

實體/屬性抽取環(huán)節(jié)得到的是離散的實體和屬性，要想將其組織成網(wǎng)狀的知識結(jié)構(gòu)，還缺少將這些節(jié)點連接起來的關(guān)系。這就需要借助關(guān)系抽取的手段來識別文本記錄中是否存在關(guān)系，以及兩個實體或?qū)傩灾g存在什么關(guān)系。在油水井生產(chǎn)信息所涉及的關(guān)系中，根據(jù)兩個實體/屬性組合的POS 不同，可以細分為5 種類型：①二者皆為En，則可能存在包含關(guān)系；②一個En，一個Pv，則Pv 是En 的特性；③一個Pv，一個Pad，則Pad 是Pv 的定性描述；④一個Pv，一個Pq，則Pq 是Pv 的定量描述；⑤二者的任意組合，可能出現(xiàn)無關(guān)系的情況。至此，關(guān)系抽取可以被抽象成一個分類問題：從實體/屬性詞的兩兩組合中，選出除類型⑤以外的其余4 種組合的詞對，然后根據(jù)詞對向量，應(yīng)用弱監(jiān)督協(xié)同訓(xùn)練法對它們之間的關(guān)系進行分類。

2.6 關(guān)系篩選

關(guān)系篩選可以排除從文本中提取的冗余和錯誤的關(guān)系。在實際工作中，巡檢人員為了言簡意賅地記錄情況，有時會縮略地描述一些常見設(shè)備及其部件，而沒有詳細地逐級描述其歸屬關(guān)系。例如，“抽油泵游動凡爾被砂卡住”可能被記錄成“游動凡爾被砂卡住”，導(dǎo)致油井本身雖然不直接包含“游動凡爾”，卻可能被機器判定為直接包含關(guān)系。

這類錯誤可以通過知識推理來規(guī)避掉。所謂知識推理，就是從現(xiàn)有知識出發(fā)，發(fā)現(xiàn)新知識的過程。由于標(biāo)注全部的間接包含關(guān)系會大幅增強知識圖譜的復(fù)雜度和冗余度，這里只對直接包含關(guān)系進行標(biāo)注，即如果連接兩個實體節(jié)點的路徑不止一條，且其中一條路徑上存在與這兩個節(jié)點有包含關(guān)系的新節(jié)點，那么這兩個實體間的包含關(guān)系將被排除。例如，在“油井”和“游動凡爾”之間有一條“油井—抽油泵—游動凡爾”的路徑，則直接連接“油井”和“游動凡爾”表示包含關(guān)系的路徑將被排除。

2.7 數(shù)據(jù)集成

從生產(chǎn)信息中提取的實體、屬性、關(guān)系信息，被重新組織為三元組表格的形式，連同從規(guī)范文件中提取的三元組一起，在Neo4j 圖數(shù)據(jù)庫中形成油水井生產(chǎn)信息知識圖譜。在后續(xù)的應(yīng)用中，生產(chǎn)數(shù)據(jù)將不斷補充進來，這些歸納后的三元組可以用于關(guān)系抽取的訓(xùn)練過程，以便充分利用這些數(shù)據(jù)資產(chǎn)。

2.8 圖譜更新

隨著技術(shù)發(fā)展和業(yè)務(wù)理解的逐漸深入，新知識會持續(xù)不斷地補充進來，這意味著知識圖譜的構(gòu)建不是一勞永逸的，而是一個不斷更新迭代的過程。知識圖譜的更新從本質(zhì)上而言，是根據(jù)新的專家知識增加和調(diào)整相應(yīng)的節(jié)點（表示實體及屬性）和連線（表示關(guān)系）的過程，它分為全面更新和增量更新兩種類型。如果出現(xiàn)實體/屬性的大規(guī)模更新或有關(guān)新型設(shè)備記錄的快速增長，對知識圖譜推倒重建的全面更新模式會更加方便，但這種更新的缺點在于資源消耗大，而且后續(xù)的系統(tǒng)維護也會耗費大量人力。但是，實際應(yīng)用場景下的知識更新大多是緩慢推進的，這時就可以采用人工干預(yù)下的增量更新模式，在原有知識圖譜的基礎(chǔ)上補充和調(diào)整實體、屬性、關(guān)系即可，這個過程不會消耗太多資源，而且知識圖譜的準(zhǔn)確度不會波動過大。

3 結(jié)語

知識圖譜以接近人類認知世界的方式來組織、管理、利用海量的信息，是一個新興的研究領(lǐng)域。本文將知識圖譜技術(shù)引入油水井生產(chǎn)信息的處理過程，提出了一種自底向上構(gòu)建油水井生產(chǎn)信息知識圖譜的方法，在提高文本數(shù)據(jù)利用率的同時，對中文信息處理及檢索也有重要的研究意義。一個典型的應(yīng)用場景是，在生產(chǎn)信息知識圖譜中定位節(jié)點和遍歷路徑，在數(shù)據(jù)錄入階段及時提示錯誤信息，從而避免錯誤記錄進入系統(tǒng)，從源頭確保錄入數(shù)據(jù)的質(zhì)量。本文提出的圖譜構(gòu)建流程不僅是一次知識圖譜技術(shù)在油氣生產(chǎn)領(lǐng)域的探索，也為能源行業(yè)中文文本的數(shù)據(jù)挖掘研究提供了新思路。