基于雙向長短期記憶網(wǎng)絡(luò)的紡紗工藝重用知識圖譜構(gòu)建

摘要： 針對獲取碎片化紡紗工藝信息導(dǎo)致的生產(chǎn)效率低下、資源浪費(fèi)及決策失誤等問題，文章提出了一種基于雙向長短期記憶網(wǎng)絡(luò)的紡紗工藝重用知識圖譜構(gòu)建方法。首先，自上而下定義紡紗工藝相關(guān)概念、術(shù)語和關(guān)系，完成對知識圖譜模式層的構(gòu)建;其次，根據(jù)模式層規(guī)則來構(gòu)建數(shù)據(jù)層，采用雙向長短期記憶網(wǎng)絡(luò)（Bi-directional Long Short-Term Memory，BiLSTM）模型捕捉輸入序列的上下文信息作為條件隨機(jī)場（Conditional Random Fields，CRF）的輸入，對標(biāo)簽序列進(jìn)行建模標(biāo)注以提取關(guān)鍵知識信息，并通過詞向量模型（Word2Vec）來計(jì)算紡紗相關(guān)的文本數(shù)據(jù)之間的相似度來實(shí)現(xiàn)知識融合，從而提升分詞準(zhǔn)確率;最后通過Neo4j圖數(shù)據(jù)庫存儲抽取到的紡紗工藝知識，并可視化展示原料、工藝等復(fù)雜關(guān)系網(wǎng)絡(luò)，可幫助紡織企業(yè)優(yōu)化生產(chǎn)、提升決策效率。實(shí)例分析結(jié)果表明，該知識抽取方法具有較高的召回率（88.7%）、準(zhǔn)確率（89.9%）和F1值（89.3%），優(yōu)于BiLSTM-CRF和LSTM-CRF模型，抽取效果有了顯著提升。

關(guān)鍵詞： 知識圖譜;紡紗工藝知識;雙向長短期記憶網(wǎng)絡(luò);知識抽取;知識融合;實(shí)體關(guān)系

中圖分類號： TS111.9; TH165.4

文獻(xiàn)標(biāo)志碼： A

文章編號： 10017003（2024）12期數(shù)0052起始頁碼09篇頁數(shù)

DOI： 10.3969/j.issn.1001-7003.2024.12期數(shù).005（篇序）

在紡織工藝領(lǐng)域，隨著輕工業(yè)數(shù)據(jù)信息化的快速發(fā)展，紡紗智能生產(chǎn)系統(tǒng)積累了大量數(shù)據(jù)，但數(shù)據(jù)冗余且知識關(guān)聯(lián)性弱，限制了其有效應(yīng)用^［1-3］。當(dāng)前系統(tǒng)雖重視數(shù)據(jù)檢索，卻缺乏對工藝知識深層關(guān)聯(lián)、理解和推理的充分挖掘^［4］，導(dǎo)致在面對復(fù)雜工藝問題時難以快速提煉有價(jià)值信息，進(jìn)而影響決策效率和準(zhǔn)確性。因此，構(gòu)建一種能夠深度挖掘紡織工藝知識、強(qiáng)化知識關(guān)聯(lián)并實(shí)現(xiàn)高效管理的方法顯得尤為重要。

強(qiáng)化知識關(guān)聯(lián)對于提升各行業(yè)工藝水平及生產(chǎn)效率而言，具有至關(guān)重要的作用^［5］。當(dāng)前，研究正聚焦于如何高效地將企業(yè)內(nèi)部的零散工藝信息整合為標(biāo)準(zhǔn)化的結(jié)構(gòu)化知識，并積極探索其便捷的應(yīng)用方式^［6］。而知識圖譜作為一種新興的知識表示與管理技術(shù)，正展現(xiàn)出其在促進(jìn)知識復(fù)用與共享方面的巨大潛力，其涵蓋了金融風(fēng)險(xiǎn)預(yù)測^［7］、醫(yī)療人員管理^［8］、社會科學(xué)^［9］等多個領(lǐng)域。知識圖譜在生產(chǎn)及其制造領(lǐng)域也進(jìn)行了拓展，Cai等^［10］針對旋轉(zhuǎn)機(jī)械故障診斷精度受特征條件限制問題，提出知識圖譜驅(qū)動的診斷新方法。李秀玲等^［11］針對復(fù)雜、多樣的工藝知識，將語義分析技術(shù)引入到知識圖譜中。吳秀麗等^［12］利用知識圖譜技術(shù)構(gòu)建退役機(jī)電產(chǎn)品全生命周期統(tǒng)一數(shù)據(jù)模型，優(yōu)化多源數(shù)據(jù)管理，增強(qiáng)逆向物流信息追溯力。段陽等^［13］針對離散的金屬刀削加工數(shù)據(jù)問題，采用了基于等價(jià)實(shí)體判別的數(shù)據(jù)融合算法，建立了金屬切削加工知識圖譜。周彬^［14］提出圖匹配卷積網(wǎng)絡(luò)模型，構(gòu)建航天薄壁件加工質(zhì)量知識圖譜，整合資源，提升加工效率和精度。路松峰等^［15］針對數(shù)控設(shè)備數(shù)據(jù)問題，構(gòu)建基于知識圖譜的信息模型，抽取并融合數(shù)據(jù)，生成加工知識圖譜以提升效率。Li等^［16］提出級聯(lián)模型，結(jié)合隨機(jī)森林分類與知識推理，構(gòu)建電力故障診斷知識圖譜，克服傳統(tǒng)方法局限。Ko等^［17］提出結(jié)合機(jī)器學(xué)習(xí)與知識圖譜的增材制造法，利用新數(shù)據(jù)生成共享設(shè)計(jì)規(guī)則知識。Zhou等^［18］針對給定的訂單插入任務(wù)無法快速做出資源分配問題，提出了車間資源知識圖譜模型來集成加工車間的工程語義信息。聶同攀等^［19］針對飛機(jī)電源故障應(yīng)對難題，提出構(gòu)建電源系統(tǒng)故障診斷知識圖譜，實(shí)現(xiàn)智慧搜索、推薦與智能問答，提升故障應(yīng)對效率。Wen等^［20］針對制

造過程知識重用難，提出構(gòu)建過程知識圖譜方法，整合并優(yōu)化知識共享與復(fù)用。Pu等^［21］針對鐵路線形優(yōu)化復(fù)雜，知識非結(jié)構(gòu)化且應(yīng)用碎片化，提出了首個鐵路線形優(yōu)化知識圖譜建模方法，以整合知識并促進(jìn)更新。Sarazin等^［22］構(gòu)建飛機(jī)運(yùn)維知識圖譜專家系統(tǒng)，整合多源異構(gòu)信息，提升異常檢測與故障診斷效率。

綜上可以看出，知識圖譜作為現(xiàn)代知識管理的利器，擅長構(gòu)建復(fù)雜知識體系的結(jié)構(gòu)化表達(dá)，已跨足多個行業(yè)。然而，在紡織行業(yè)特別是紡紗工藝領(lǐng)域，知識圖譜的應(yīng)用仍處于探索階段。面對紡紗工藝知識的碎片化、高冗余度和弱關(guān)聯(lián)性，亟須一種新型的技術(shù)手段來整合這些數(shù)據(jù)信息，以實(shí)現(xiàn)知識的重用和高效管理。因此，本文提出了一種基于雙向長短期記憶網(wǎng)絡(luò)的紡紗工藝重用知識圖譜構(gòu)建方法，旨在通過深度學(xué)習(xí)技術(shù)提取關(guān)鍵工藝知識，實(shí)現(xiàn)紡紗工藝知識的系統(tǒng)化、結(jié)構(gòu)化和智能化管理。具體方法為：首先，定義紡紗過程的核心概

念與術(shù)語關(guān)系，構(gòu)建知識圖譜模式層。隨后，利用BiLSTM-CRF模型精準(zhǔn)標(biāo)注紡紗工藝標(biāo)簽，借助Word2Vec和余弦相似度算法整合知識。最后，將整合數(shù)據(jù)存儲在關(guān)系型數(shù)據(jù)庫中，形成知識圖譜數(shù)據(jù)層，以增強(qiáng)知識的可重用性。

1 紡紗過程知識圖譜建?？蚣?/p>

本文所提出的基于雙向長短期記憶網(wǎng)絡(luò)的紡紗工藝重用知識圖譜構(gòu)建框架如圖1所示，具體內(nèi)容如下：1） 模式層構(gòu)建。該階段主要任務(wù)是定義紡織領(lǐng)域知識體系，確定工藝相關(guān)概念、術(shù)語和關(guān)系，良好的模式層可指導(dǎo)構(gòu)建數(shù)據(jù)層。2） 數(shù)據(jù)層構(gòu)建。該階段主要任務(wù)是填充概念的實(shí)例和對應(yīng)屬性，本文通過構(gòu)建的BiLSTM-CRF模型對文本標(biāo)簽序列進(jìn)行標(biāo)注以抽取關(guān)鍵知識信息，采用Word2Vec模型計(jì)算紡紗工藝知識屬性的相似度，以實(shí)現(xiàn)知識融合并將融合后的知識數(shù)據(jù)有序地存儲到關(guān)系型數(shù)據(jù)庫來構(gòu)建數(shù)據(jù)層。

2 紡紗工藝知識圖譜模式層構(gòu)建

知識圖譜的模式層構(gòu)成了其概念框架和邏輯基石，為數(shù)據(jù)層設(shè)定了明確的規(guī)范和約束。在構(gòu)建過程中，通常采用自上而下的方法，首先確定高層次的抽象概念，然后逐步細(xì)化至具體的實(shí)體、屬性和它們之間的關(guān)系。這一層次化的構(gòu)建方式確保了知識圖譜的完整性和邏輯一致性。本文在紡織領(lǐng)域?qū)＜业膸椭聦徏喎矫娴奈谋緝?nèi)容進(jìn)行詳細(xì)分析，提煉出紡織領(lǐng)域里有意義的概念類型與相關(guān)的屬性，以及概念之間關(guān)系，從而形成領(lǐng)域知識體系。紡紗領(lǐng)域文本之間的關(guān)系，本文采用頭實(shí)體、尾實(shí)體、關(guān)系進(jìn)行串聯(lián)。

頭實(shí)體：指的是在關(guān)系中的起始實(shí)體。頭實(shí)體是紡紗工藝中涉及的某個具體步驟、概念或?qū)嶓w。如在“紡紗過程中需要進(jìn)行牽伸”這個三元組中，“紡紗過程”就是頭實(shí)體。

關(guān)系：描述頭實(shí)體和尾實(shí)體之間的聯(lián)系或?qū)傩?。關(guān)系是紡紗工藝中不同步驟之間的順序關(guān)系、操作關(guān)系，或者是實(shí)體之間的屬性關(guān)系等。以“牽伸”為例，它描述了紡紗過程中纖維被拉伸以改善其結(jié)構(gòu)和性質(zhì)的操作。

尾實(shí)體：指在關(guān)系中的結(jié)束實(shí)體，通常是頭實(shí)體通過關(guān)系所指向的目標(biāo)。尾實(shí)體是一個結(jié)果、狀態(tài)或者另一個相關(guān)步驟。如在“紡紗過程中需要進(jìn)行牽伸以得到優(yōu)質(zhì)的紗線”這個三元組中，“優(yōu)質(zhì)的紗線”就是尾實(shí)體，它是牽伸操作所期望達(dá)到的結(jié)果。實(shí)際上，工藝知識圖譜的構(gòu)建涉及集成來自多個數(shù)據(jù)來源的信息，不同數(shù)據(jù)源的信息被映射成圖的節(jié)點(diǎn)，構(gòu)建了一個豐富的關(guān)聯(lián)網(wǎng)絡(luò)。紡紗工藝知識本體與知識圖譜映射原理如圖2所示，其映射關(guān)系可能包括各種連接、依賴、影響等關(guān)系。

由圖2可知，構(gòu)建紡紗工藝知識的模式層時，首先確立了“紡紗”作為核心頂層概念，它是整個知識體系的基礎(chǔ)和出發(fā)點(diǎn)。隨后，圍繞這一頂層概念，構(gòu)建“紡紗工藝知識本體”，這一層次詳細(xì)描述了紡紗工藝中涉及的多個關(guān)鍵領(lǐng)域，包括纖維類型、原料、工序等，以及它們之間的相互作用和關(guān)系。通過這樣的構(gòu)建，能夠系統(tǒng)地表示紡紗工藝中的知識結(jié)構(gòu)和內(nèi)在聯(lián)系。進(jìn)一步地，利用映射關(guān)系將“紡紗工藝知識本體”與“紡紗工藝知識庫”相連，實(shí)現(xiàn)了知識本體與知識庫之間的有效關(guān)聯(lián)。在模式層中，“紡紗、纖維類型、工序”等頭實(shí)體通過“包括、特征”等關(guān)系與“原料、聚酯纖維、聚酯纖維紗線”等尾實(shí)體緊密相連，這些具體的實(shí)體和關(guān)系共同體現(xiàn)了紡紗工藝知識的復(fù)雜性和專業(yè)性，為后續(xù)的知識圖譜構(gòu)建和應(yīng)用提供了堅(jiān)實(shí)的基礎(chǔ)。

3 工藝知識圖譜數(shù)據(jù)層構(gòu)建

紡紗工藝知識圖譜數(shù)據(jù)層構(gòu)建主要在模式層概念的基礎(chǔ)上進(jìn)行知識抽取和知識融合。知識抽取從紡紗工藝數(shù)據(jù)源中提取實(shí)體、屬性和關(guān)系，為數(shù)據(jù)層提供基礎(chǔ);知識融合通過詞向量處理識別文本語義相似度，確保數(shù)據(jù)層的一致性和完整性。首先對紡紗工藝知識文本進(jìn)行數(shù)據(jù)標(biāo)注構(gòu)成訓(xùn)練數(shù)據(jù)集，接著使用深度學(xué)習(xí)算法對紡紗工藝文本進(jìn)行實(shí)體及關(guān)系抽取，構(gòu)建出三元組并存入圖數(shù)據(jù)庫中，從而完成知識圖譜數(shù)據(jù)層的構(gòu)建。

3.1 基于BiLSTM-CRF的紡紗工藝知識抽取

紡紗數(shù)據(jù)龐大且碎片化，難以直接從海量的信息庫中快速獲取有價(jià)值的信息。因此采用知識抽取技術(shù)，將原始的、非結(jié)構(gòu)化的紡紗數(shù)據(jù)轉(zhuǎn)化為結(jié)構(gòu)化、可理解的知識單元。這些知識單元包括實(shí)體（如紗線類型、紡紗設(shè)備等）、屬性（如紗線強(qiáng)度、纖維長度等），以及它們之間的關(guān)系。通過這一過程，構(gòu)建出一個全面反映紡紗工藝全貌和細(xì)節(jié)的知識圖譜。同時，紡紗工藝知識文本富含專業(yè)術(shù)語和復(fù)雜流程，具有時序和上下文依賴性。BiLSTM是RNN的擴(kuò)展，能同時處理序列的前向與后向信息。通過雙向RNN層，它結(jié)合前后文信息，增強(qiáng)了對紡紗工藝等復(fù)雜序列數(shù)據(jù)的理解能力。BiLSTM特征在于其雙向性，捕捉全局上下文;以及長期依賴性，通過LSTM的“門”機(jī)制解決長序列問題，提升紡紗數(shù)據(jù)預(yù)測準(zhǔn)確性。此外，CRF作為強(qiáng)大的序列標(biāo)注模型，可以在給定觀察序列的條件下預(yù)測最可能的標(biāo)簽序列。在紡紗工藝知識抽取中，CRF能夠識別實(shí)體及其關(guān)系，優(yōu)化整個句子的標(biāo)簽序列預(yù)測，減少錯誤傳播，提高準(zhǔn)確性。因此，本文采用BiLSTM-CRF算法對紡紗工藝進(jìn)行知識抽取。

紡紗工藝知識抽取可劃分為三大環(huán)節(jié)：首先，文本被轉(zhuǎn)化為蘊(yùn)含上下文信息的字向量，這些向量捕捉語句中每個字的語義和上下文關(guān)聯(lián)。接著，這些字向量被輸入到BiLSTM模塊中，該模塊通過雙向編碼方式，考慮文本的前后文信息，為每個可能的標(biāo)簽輸出預(yù)測分?jǐn)?shù)值。最后，CRF模塊對這些預(yù)測分?jǐn)?shù)進(jìn)行解碼，通過訓(xùn)練過程學(xué)習(xí)得到標(biāo)簽之間的轉(zhuǎn)移概率和相應(yīng)的約束條件，從而得出最終的預(yù)測標(biāo)注序列?；贐iLSTM-CRF紡紗工藝知識抽取模型框架如圖3所示。

圖3中，W1，W2，…，Wn為詞向量，輸入語句都被轉(zhuǎn)換為可編碼的詞向量形式;w1，w2，w3，…為詞向量經(jīng)過CRF層的標(biāo)簽序列概率;B表示實(shí)體的首字符，O表示不屬于任何已定義的實(shí)體，I表示實(shí)體的內(nèi)部字符。

由圖3可知，原始輸入語句，如“紡紗工藝中的工藝特征有：開清棉”，首先這些語句會被轉(zhuǎn)換為向量W1，W2，…，Wn，隨后這些向量會被送入BiLSTM的3、4層進(jìn)行上下文特征的學(xué)習(xí)。通過這種方式，模型能夠充分捕捉語句中的上下文信息，為后續(xù)的任務(wù)提供有力的特征表示。隨后，將向量傳遞給BiLSTM層進(jìn)行上下文特征的學(xué)習(xí)，確保模型能夠深入捕獲語句中的上下文信息。BiLSTM結(jié)合了前向LSTM和后向LSTM，將原本順序輸入的序列轉(zhuǎn)化為兩個方向的輸入，可以使得網(wǎng)絡(luò)能夠同時獲得前向和后向的信息，從而更精準(zhǔn)地捕捉長距離的雙向語義依賴。CRF層會接收BiLSTM層輸出的每個時間步長的隱藏狀態(tài)，并計(jì)算所有可能的標(biāo)簽序列的概率。它通過學(xué)習(xí)標(biāo)簽之間的轉(zhuǎn)移概率，來確定最可能的標(biāo)簽序列。最終，CRF層會輸出一個最優(yōu)的標(biāo)簽序列，即BIO標(biāo)注結(jié)果。最終輸出的信息為：工序、特征、開清棉。

3.2 基于Word2Vec的紡紗工藝知識融合

在紡紗工藝知識圖譜的構(gòu)建過程中，抽取到的文本信息往往包含大量相同或語義相似的數(shù)據(jù)。這些信息可能來自不同的數(shù)據(jù)源，或者是在處理過程中產(chǎn)生的重復(fù)或冗余內(nèi)容，因此需要對這些相同或語義相似的文本信息進(jìn)行知識融合。即采用知識融合技術(shù)整合來自不同來源的相同或相似信息，形成一個統(tǒng)一且無冗余的知識表示。而Word2Vec算法能夠?qū)⒓徏喒に囍R文本中的詞匯轉(zhuǎn)化為稠密的向量表示，這些向量能夠捕捉到詞匯之間的語義關(guān)系。相比于傳統(tǒng)的基于詞袋模型的表示方法，Word2Vec算法生成的詞向量包含了豐富的語義信息，有助于更準(zhǔn)確地表示和理解紡紗工藝知識中的專業(yè)術(shù)語和復(fù)雜流程。因此，本文采用Word2Vec算法，對紡紗工藝進(jìn)行知識融合。

通過BiLSTM-CRF模型抽取到紡紗工藝知識后，利用Word2Vec算法將詞匯映射到向量空間，以捕捉語義關(guān)系。這些詞向量用于分析紡紗工藝中的實(shí)體相似性和差異性，以發(fā)現(xiàn)潛在關(guān)系。基于Word2Vec算法實(shí)體知識融合過程如圖4所示。

基于Word2Vec模型的實(shí)體知識融合過程步驟如下：

1） 首先逐個取出BiLSTM-CRF模型得到的實(shí)體抽取結(jié)果：實(shí)體1、實(shí)體2、實(shí)體3。對于每個實(shí)體，檢查其是否為首個遇到的獨(dú)立實(shí)體。如果是，則新建一個聚類，并將該實(shí)體作為該聚類的首個成員。如果不是首個聚類，則進(jìn)入相似度處理的步驟。

2） 對于不是首個聚類的實(shí)體，進(jìn)行分詞處理，將其拆分為單獨(dú)的詞或子詞單元。隨后，利用Word2Vec模型為每個詞獲取一個向量表示。這些向量用來捕捉詞的語義信息，PfleXNZ+Q9mqJez9PTUik22xmLJXcprmturWWLoZnCA=使得語義上相近的詞在向量空間中的位置也相近。根據(jù)得到的詞向量創(chuàng)建兩個矩陣。第一個矩陣是句子長度（即詞的個數(shù)）乘以詞匯表長度的零矩陣，記錄每個詞是否出現(xiàn)在句子中。第二個矩陣是詞匯表長度乘以詞向量維度的矩陣，其中每一行是詞匯表中對應(yīng)詞的Word2Vec向量。通過第一個矩陣和第二個矩陣的乘法運(yùn)算，得到一個句子長度乘以詞向量維度的矩陣。這個矩陣的每一行就對應(yīng)句子中每個詞的Word2Vec向量表示，即實(shí)現(xiàn)了將句子中的每個單詞映射到Word2Vec向量空間中。

3） 接下來通過得到的屬性的向量，使用余弦相似度來比較不同實(shí)體之間的相似程度。如果兩個實(shí)體的相似度大于設(shè)定的閾值，則將它們歸入已有的聚類中;否則，保持它們作為獨(dú)立的實(shí)體或考慮創(chuàng)建新的聚類。其中，余弦相似度是通過計(jì)算兩個向量的夾角來衡量它們之間的相似程度。余弦相似度的公式如下：

S（A1，B2）=a1·b2a1b2（1）

式中：S表示余弦相似度，A1和B1分別是兩個屬性的向量表示，·表示向量的點(diǎn)積，·表示向量的范數(shù)。

相似度的取值范圍在-1～1，值越接近1表示兩個屬性越相似，值越接近-1表示兩個屬性越不相似。

3.3 模型評價(jià)指標(biāo)

為了測試模型性能的優(yōu)劣，本文采用精確率P、召回率R和F1分?jǐn)?shù)值這三項(xiàng)評價(jià)指標(biāo)來評估模型性能。其中，準(zhǔn)確率越高，模型識別非目標(biāo)實(shí)體越準(zhǔn)確;召回率越高，模型捕捉目標(biāo)實(shí)體越高效;F1值提升，則模型在平衡準(zhǔn)確與召回上的穩(wěn)健性增強(qiáng)。計(jì)算方法如下：

P/%=TPTP+FP×100（2）

R/%=TPTP+FN×100（3）

F1/%=2P×RP+R×100（4）

式中：TP表示模型正確預(yù)測目標(biāo)實(shí)體的數(shù)量，F(xiàn)P表示模型錯誤預(yù)測非目標(biāo)實(shí)體的數(shù)量，F(xiàn)N表示模型未能識別實(shí)體的數(shù)量。

4 案例分析

為了驗(yàn)證所提基于知識圖譜的紡紗工藝知識重用的有效性，本文選取《紡紗技術(shù)》和《紡紗工藝學(xué)》著作為實(shí)驗(yàn)數(shù)據(jù)的核心來源。該紡紗工藝知識涉及工序、纖維類型、紡紗質(zhì)量控制、紗線應(yīng)用四方面的知識。紡紗工藝知識選取的訓(xùn)練數(shù)據(jù)為789，對紡紗工藝知識文本數(shù)據(jù)的定義以句子的最大長度為80個字符進(jìn)行BIO標(biāo)注，將標(biāo)注后的數(shù)據(jù)劃分為67%的訓(xùn)練集和33%的測試集，并對模型進(jìn)行訓(xùn)練與測試。

4.1 模式層構(gòu)建

本文紡紗工藝知識包括工序、纖維類型、紡紗質(zhì)量控制、紗線應(yīng)用等四個方面的知識，對各個數(shù)據(jù)信息進(jìn)行實(shí)體關(guān)系間抽取，可獲得對應(yīng)的本體規(guī)則，用來構(gòu)建知識圖譜的模式層，如圖5所示。

由圖5可知，紡紗工藝的知識體系被劃分為幾個核心領(lǐng)域：纖維類型（如聚酯纖維、腈綸等）、紡紗工序（包含開清棉、梳棉、井條等工序）、紡紗質(zhì)量控制，以及紗線應(yīng)用（涵蓋醫(yī)療器械、建筑材料、服裝等領(lǐng)域）。這些領(lǐng)域通過特征、工序、工藝參數(shù)等節(jié)點(diǎn)相互連接，形成完整的紡紗工藝知識網(wǎng)絡(luò)，為后續(xù)構(gòu)建數(shù)據(jù)層提供了知識框架。

4.2 數(shù)據(jù)層構(gòu)建

本文的實(shí)驗(yàn)主要運(yùn)行環(huán)境為：Windows10操作系統(tǒng)，處理器AMD Ryzen 5 2500U，64位操作系統(tǒng)，Python 3.6，編程平臺Pycharm 2021.2，基于Keras、TensorFlow神經(jīng)網(wǎng)絡(luò)框架搭建模型，部分BiLSTM-CRF-Word2Vec模型參數(shù)如表1所示。

通過BiLSTM-CRF-Word2Vec模型，采用BIO標(biāo)注法將紡紗工藝文本序列中的每個字標(biāo)注為B、I或O標(biāo)簽，以此明確界定和分類實(shí)體的起始、內(nèi)部和非實(shí)體部分，確保頭部、中間和尾部標(biāo)簽的一致性和準(zhǔn)確性。

根據(jù)BiLSTM-CRF模型得到的標(biāo)注結(jié)果，隨后采用Word2Vec模型，對此進(jìn)行聚類相似度計(jì)算。其初始化的主要參數(shù)有：vector_size=150，window=5，min_count=1。其中，vector_siz為詞向量的維度，window為訓(xùn)練詞向量時考慮的上下文窗口大小，min_count為在構(gòu)建詞匯表時忽略詞頻低于1的單詞。

根據(jù)紡紗工藝知識中不同詞語在語義上的相似性和差異性，由式（1）得出粗紗與細(xì)紗的相似度為0.018 540 392，并條與并合的相似度為0.932 756 781。由此可知，相似的詞語在向量空間中會聚集在一起，形成聚類;而差異較大的詞語則會分布在不同的區(qū)域。這種空間分布直觀地展示了紡紗工藝知識中詞語之間的內(nèi)在聯(lián)系。在數(shù)據(jù)層構(gòu)建中，需要將原始的紡紗工藝知識文本轉(zhuǎn)換為計(jì)算機(jī)能夠理解和處理的數(shù)值形式。通過詞向量的轉(zhuǎn)換將詞語轉(zhuǎn)換為高維空間中的向量，進(jìn)而構(gòu)建出包含豐富語義信息的紡紗工藝知識數(shù)據(jù)集。為評估本文構(gòu)建的BiLSTM-CRF-Word2Vec模型在紡紗工藝領(lǐng)域?qū)嶓w抽取任務(wù)上的效能，分別與LSTM-CRF及BiLSTM-CRF模型進(jìn)行對比實(shí)驗(yàn)，結(jié)果如圖6所示。其中P、R、F1數(shù)值來源均由式（2～4）得到。

由圖6可知，相對于LSTM-CRF和BiLSTM-CRF，BiLSTM-CRF-Word2Vec的準(zhǔn)確率分別提高了0.8%～3.4%，召回率提高了2.4%～7.8%，F(xiàn)1得分值提高了1.6%～5.6%。這主要源于LSTM-CRF和BiLSTM-CRF模型在捕捉文本深層語義信息及處理標(biāo)簽依賴關(guān)系和實(shí)體邊界識別時的局限性。具體來說，LSTM-CRF模型在處理長序列時可能難捕捉長期的依賴關(guān)系，而BiLSTM-CRF模型雖然通過雙向LSTM結(jié)構(gòu)解決了這個問題，但在語義信息的捕捉方面仍有不足。相比之下，BiLSTM-CRF-Word2Vec模型通過結(jié)合Word2Vec技術(shù)、BiLSTM結(jié)構(gòu)和CRF層，在多個方面表現(xiàn)出顯著優(yōu)勢。Word2Vec技術(shù)能夠?qū)⑽谋局械拿總€詞轉(zhuǎn)換為固定維度的向量表示，這些向量富含語義信息，使得模型能夠更深入地理解文本內(nèi)容。BiLSTM結(jié)構(gòu)允許模型同時考慮輸入序列的前后上下文信息，從而更準(zhǔn)確地捕捉實(shí)體邊界和判斷實(shí)體類型。而CRF層則進(jìn)一步優(yōu)化了序列標(biāo)注過程，提高了模型在處理標(biāo)簽依賴關(guān)系時的準(zhǔn)確性。因此，BiLSTM-CRF-Word2Vec模型通過引入Word2Vec技術(shù)，有效彌補(bǔ)了LSTM-CRF和BiLSTM-CRF模型在語義信息捕捉和標(biāo)簽依賴關(guān)系處理方面的不足，從而顯著提升了模型在實(shí)體抽取等NLP任務(wù)中的性能。

4.3 紡紗工藝知識圖譜可視化

在完成數(shù)據(jù)驗(yàn)證后，解析并提取數(shù)據(jù)中的關(guān)鍵實(shí)體及其之間的關(guān)系。鑒于數(shù)據(jù)量適中，本文選擇利用Neo4j圖數(shù)據(jù)庫的Cypher語言結(jié)合LOAD CSV功能來高效存儲這些數(shù)據(jù)。在數(shù)據(jù)準(zhǔn)備階段，首先將紡紗領(lǐng)域的知識圖譜模式層（包括實(shí)體類型和關(guān)系類型）定義清晰，并將這些定義映射到實(shí)際的數(shù)據(jù)層上，如圖5所示。隨后，解析得到的實(shí)體節(jié)點(diǎn)和它們之間的關(guān)系數(shù)據(jù)分別整理成CSV文件格式，并存放在Neo4j圖數(shù)據(jù)庫的import文件夾內(nèi)。接下來，利用Cypher的LOAD CSV功能，編寫相應(yīng)的Cypher語句來批量導(dǎo)入節(jié)點(diǎn)（Node）和關(guān)系（Relationship）。這些Cypher語句會根據(jù)CSV文件中的數(shù)據(jù)內(nèi)容，在Neo4j圖數(shù)據(jù)庫中創(chuàng)建相應(yīng)的節(jié)點(diǎn)和邊，從而構(gòu)建起紡紗領(lǐng)域的知識圖譜。通過Neo4j的可視化功能，能夠直觀地展示紡紗工藝知識圖譜，如圖7所示，其中藍(lán)色節(jié)點(diǎn)代表紡紗工藝的各類實(shí)體，而邊則用于表示這些實(shí)體之間的不同關(guān)系類型。

由圖7可見，知識圖譜可視化能夠清晰地展示紡紗工藝中各個環(huán)節(jié)之間的關(guān)系，將原料、設(shè)備、操作過程、質(zhì)量控制等要素之間的相互作用和影響以直觀、圖形化的方式呈現(xiàn)在工藝人員面前。這種方式使得工藝人員能夠更快速地理解和把握紡紗工藝的整體框架和細(xì)節(jié)，從而有助于提升對工藝的全面認(rèn)識。并通過對知識圖譜的深入分析，工藝人員能夠更好地把握工藝流程中的關(guān)鍵節(jié)點(diǎn)和潛在風(fēng)險(xiǎn)，為工藝優(yōu)化和改進(jìn)提供有力的支持。因此，知識圖譜可視化不僅增強(qiáng)了工藝人員對紡紗工藝的理解，還為他們提供了有效的決策依據(jù)，從而推動紡紗工藝的持續(xù)優(yōu)化和發(fā)展。

5 結(jié) 論

針對加工工藝的選擇往往依賴人工經(jīng)驗(yàn)，而人工經(jīng)驗(yàn)是一種主觀經(jīng)驗(yàn)，具有精確性不足、難以復(fù)用等問題，本文提出了一種基于知識圖譜的紡紗工藝知識重用方法，并得出以下結(jié)論。

1） 本文通過構(gòu)建BiLSTM-CRF模型對紡紗文本序列信息進(jìn)行序列標(biāo)注，顯著提升了識別和標(biāo)注文本中關(guān)鍵信息的準(zhǔn)確性。這一模型的引入，不僅解決了傳統(tǒng)方法在處理復(fù)雜文本結(jié)構(gòu)時的不足，而且為深入理解紡紗文本內(nèi)容提供了強(qiáng)有力的工具。通過BiLSTM-CRF模型，能夠更精準(zhǔn)地捕捉文本中的上下文信息和序列特征，從而更準(zhǔn)確地標(biāo)注出紡紗文本中的術(shù)語、概念和關(guān)鍵信息。

2） 接著利用Word2Vec模型計(jì)算標(biāo)注后的紡紗文本數(shù)據(jù)的相似度，實(shí)現(xiàn)了對不同紡紗術(shù)語和概念之間關(guān)聯(lián)性的量化評估。這iGvCUeTvzmz6JLELpfQbvjoVPsz2wJMTvhcjt1zVktA=一方法不僅簡化了知識關(guān)聯(lián)性的分析過程，而且通過具體的數(shù)值度量，使得紡紗知識之間的關(guān)聯(lián)性變得更為直觀和易于理解。通過Word2Vec模型，能夠快速發(fā)現(xiàn)紡紗術(shù)語之間的潛在聯(lián)系，揭示不同概念之間的內(nèi)在關(guān)聯(lián)，從而有助于全面地理解和把握紡紗領(lǐng)域的知識體系。

在后續(xù)研究中，將進(jìn)一步深化對紡紗工藝知識圖譜重用方法的研究，重點(diǎn)探索更加靈活且通用的實(shí)體與關(guān)系標(biāo)注方法及訓(xùn)練模型。特別是針對語料中存在的復(fù)雜多重疊關(guān)系提取難題，將開發(fā)更為精準(zhǔn)高效的解決方案。同時，鑒于網(wǎng)絡(luò)數(shù)據(jù)的日新月異，知識圖譜的實(shí)時更新與補(bǔ)充顯得尤為重要。為此，需充分利用知識融合與知識推理等先進(jìn)技術(shù)，推動知識圖譜的自動化更新與升級，確保其始終與最新的紡紗工藝知識保持同步。

參考文獻(xiàn)：

［1］潘王蕾， 何瑛. 基于個性化推薦的服裝知識圖譜構(gòu)建［J］. 服裝學(xué)報(bào)， 2022， 7（3）： 275-282.

PAN W L， HE Y. Construction of clothing knowledge graph based on personalized recommendation［J］. Journal of Clothing Research， 2022， 7（3）： 275-282.

［2］HU S， ZHANG G， ZHAO X H， et al. A method for yarn quality fluctuation prediction based on multi-correlation parameter feature subspace mechanism in spinning process［J］. Journal of Engineered Fibers and Fabrics， 2022， 10（3）： 176.

［3］胡勝， 李文， 趙小惠， 等. 基于特征空間變換的紡紗過程多關(guān)聯(lián)參數(shù)質(zhì)量波動異常檢測［J］. 計(jì)算機(jī)集成制造系統(tǒng)， 2023， 29（7）： 2224-2232.

HU S， LI W， ZHAO X H， et al. Quality fluctuation abnormal detection og multi related parameters in spining process based on feature space transformation［J］. Computer Integrated Manufacturing Systems， 2023， 29（7）： 2224-2232.

［4］XIAO Y Z， ZHENG S， SHI J C， et al.Knowledge graph-based manufacturing process planning： A state-of-the-art review［J］. Journal of Manufacturing Systems， 2023（70）： 417-435.

［5］CHHIM P， CHINNAM R B， SADAWI N. Product design and manufacturing process based ontology for manufacturing knowledge reuse［J］. Journal of Intelligent Manufacturing， 2019， 30： 905-916.

［6］ZHENG P， XIA L Q， LI C X， et al. Towards Self-X cognitive manufacturing network： An industrial knowledge graph-based multi-agent reinforcement learning approach［J］. Journal of Manufacturing Systems， 2021（61）： 16-26.

［7］RONY M， AYUSH D， PIYUSH D， et al. Knowledge graph driven credit risk assessment for micro， small and medium-sized enterprises［J］. International Journal of Production Research， 2024， 62（12）： 4273-4289.

［8］KHALID M M， MADAN K， MAZE A， et al. Automated domainn-specific healthcare knowledge graph curation framework： Subarachnoid hemorrhage as phenotype［J］. Expert Systems with Applications， 2020（145）： 113120.

［9］ABU S B， ALSAWALQAH H， ELSHQEIRAT B， et al. Toward a knowledge-based personalised recommender system for mobile app development［J］. Journal of Universal Computer Science， 2021， 27（2）： 208-229.

［10］CAI T， JIANG Z Y， WU H， et al. Research on knowledge graph-driven equipment fault diagnosis method for intelligent manufacturing［J］. The International Journal of Advanced Manufacturing Technology， 2024， 130（9/10）： 4649-4662.

［11］李秀玲， 張樹生， 黃瑞， 等. 面向工藝重用的工藝知識圖譜構(gòu)建方法［J］. 西北工業(yè)大學(xué)學(xué)報(bào)， 2019， 37（6）： 1174-1183.

LI X L， ZHANG S S， HUANG R， et al. Process knowledge graph construction method for process reuse［J］. Journal of Northwestern Polytechnical University， 2019， 37（6）： 1174-1183.

［12］吳秀麗， 馬隆洲， 向東， 等. 面向退役機(jī)電產(chǎn)品全生命周期的知識圖譜統(tǒng)一建模方法研究［J］. 機(jī)械工程學(xué)報(bào)， 2023， 59（7）： 52-67.

WU X L， MA L Z， XIANG D， et al. Research on unified modeling method of knowledge graph for the whole life cycle of retired mechanical and electrical products［J］. Journal of Mechanical Engineering， 2023， 59（7）： 52-67.

［13］段陽， 侯力， 冷松. 金屬切削加工知識圖譜構(gòu)建及應(yīng)用［J］. 吉林大學(xué)學(xué)報(bào)（工學(xué)版）， 2021， 51（1）： 122-133.

DUAN Y， HOU L， LENG S. Construction and application of knowledge graph for metal cutting processing［J］. Journal of Jilin University （Engineering and Technology Edition）， 2021， 51（1）： 122-133.

［14］周彬. 航天薄壁件加工質(zhì)量的知識圖譜建模與因果推理研究［D］. 上海： 東華大學(xué)， 2022.

ZHOU B. Knowledge Graph Modeling and Causal Reasoning for Machining Quality of Aerospace Thin-Walled Parts［D］. Shanghai： Donghua University， 2022.

［15］路松峰， 李祎明， 屠向陽， 等. 基于知識圖譜的數(shù)控裝備信息模型建模方法［J］. 華中科技大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2022， 50（6）： 39-47.

LU S F， LI Y M， TU X Y， et al. Modeling method of numerical control equipment information model based on knowledge graph［J］. Journal of Huazhong University of Science and Technology （Natural Science Edition）， 2022， 50（6）： 39-47.

［16］LI C， WANG B. A knowledge graph method towards power system fault diagnosis and classification［J］. Electronics， 2023， 12（23）： 4808-4822.

［17］KO H， WITHERELL P， LU Y， et al. Machine learning and knowledge graph based design rule construction for additive manufacturing［J］. Additive Manufacturing， 2020（37）： 101620.

［18］ZHOU B， BAO J S， LI J， et al. A novel knowledge graph based optimization approach for resource allocation in discrete manufacturing workshops［J］. Robotics and Computer-Integrated Manufacturing， 2021， 71： 102160-102179.

［19］聶同攀， 曾繼炎， 程玉杰， 等. 面向飛機(jī)電源系統(tǒng)故障診斷的知識圖譜構(gòu)建技術(shù)及應(yīng)用［J］. 航空學(xué)報(bào)， 2022， 43（8）： 46-62.

NIE T P， ZENG J Y， CHENG Y J， et al. Knowledge graph construction technology and its application in aircraft power system fault diagnosis［J］. Acta Aeronautica et Astronautica Sinica， 2022， 43（8）： 46-62.

［20］WEN P H， MA Y， WANG R Q. Systematic knowledge modeling and extraction methods for manufacturing process planning based on knowledge graph［J］. Advanced Engineering Informatics， 2023（58）： 102172.

［21］PU H， HU T， SONG T R， et al. Modeling and application of a customized knowledge graph for railway alignment optimization［J］. Expert Systems with Applications， 2024（244）： 122999.

［22］SARAZIN A， BASCANS J， SCIAU J B， et al. Expert system dedicated to condition-based maintenance based on a knowledge graph approach： Application to an aeronautic system［J］. Expert Systems with Applications， 2021（186）： 115767.

Construction of a knowledge graph for reusable spinning processes based onbidirectional long short-term memory networks

ZHANG Chi， WANG Xiangrong

HU Sheng， ZHANG Xi， LIU Dengji， GAO Bingbing， ZHAO Xiaohui

（School of Mechanical and Electrical Engineering， Xi’an Polytechnic University， Xi’an 710048， China）

Abstract： Textile spinning process knowledge is a vital technical heritage in the textile industry， and its systematic organization and efficient reuse are crucial for driving industrial technological innovation and preserving cultural diversity. However， spinning process knowledge is often scattered across various documents， practical experiences， and master-apprentice transmissions， exhibiting a high degree of fragmentation and unstructuredness， and posing significant challenges to knowledge integration， retrieval， and application. With the rapid development of the textile industry， the updating and iteration of spinning process knowledge have accelerated， rendering traditional manual recording and inheritance methods inadequate for meeting the demands of modern industries for efficient and precise knowledge management. Particularly when dealing with complex and varied spinning processes， traditional methods often fail to fully capture process details， leading to information loss or distortion during transmission， thereby affecting the integrity and accuracy of spinning process knowledge. To address this challenge， research on the reuse of spinning process knowledge based on knowledge graphs has emerged. As a structured knowledge representation method， knowledge graphs can formally describe entities， attributes， and relationships within spinning process knowledge， forming an interconnected knowledge network. By constructing a spinning process knowledge graph， systematic organization， standardized expression， and intelligent management of spinning process knowledge can be achieved， so as to provide textile practitioners with a comprehensive， accurate， and easily understandable knowledge resource platform.

To address issues such as low production efficiency， resource waste， and decision-making errors caused by fragmented spinning process information， a method for constructing a spinning process reuse knowledge graph based on a bidirectional long short-term memory network （BiLSTM） was proposed. Firstly， spinning process-related concepts， terminologies， and relationships were defined top-down to complete the construction of the knowledge graph’s schema layer. Secondly， the data layer was constructed according to the schema layer rules. The BiLSTM model was employed to capture contextual information from the input sequence， which serves as input for the Conditional Random Fields （CRF） model to model and annotate tag sequences for extracting key knowledge information. Furthermore， the Word2Vec model was utilized to calculate the similarity between textile-related text data， facilitating knowledge fusion and enhancing tokenization accuracy. Finally， the extracted spinning process knowledge was stored in a Neo4j graph database and visually presented， showcasing complex relationships among raw materials， processes， etc.， aiding textile enterprises in optimizing production and enhancing decision-making efficiency. This paper integrates the BiLSTM and CRF models， leveraging BiLSTM’s contextual capture capabilities and CRF’s sequence labeling advantages to achieve precise extraction of key knowledge information from spinning process texts. Additionally， the introduction of a word embedding model for knowledge fusion and the utilization of Word2Vec to calculate text similarity promote the effective knowledge integration and improve the accuracy of tokenization and entity recognition. The results of case studies indicate that the proposed knowledge extraction method achieves high recall （88.7%）， precision （89.9%）， and F1 score （89.3%）， significantly outperforming the BiLSTM-CRF and LSTM-CRF models. This demonstrates the method’s remarkable effectiveness in spinning process knowledge extraction， effectively enhancing production and decision-making efficiency in textile enterprises.

In the future， further optimization and refinement of this method will be undertaken， and more advanced natural language processing and knowledge graph construction technologies will be explored to further enhance the accuracy and efficiency of spinning process knowledge extraction. Additionally， strengthened cooperation with textile enterprises will facilitate the application of this method in actual production， so as to generate greater economic and social benefits for enterprises.

Key words： knowledge graph; spinning process knowledge; bidirectional long short-term memory networks; knowledge extraction; knowledge fusion; entity relationship