魯小輝 王凱月

摘 要：油田環(huán)保安全領(lǐng)域標(biāo)準(zhǔn)對于規(guī)范和引導(dǎo)油田行業(yè)安全生產(chǎn)、綠色發(fā)展和效率提升具有重要意義。油田環(huán)保安全領(lǐng)域標(biāo)準(zhǔn)知識復(fù)雜程度較高，難以形成對標(biāo)準(zhǔn)數(shù)字知識的雙向理解路徑，為有效解決上述問題，本論文進行油田環(huán)保安全領(lǐng)域標(biāo)準(zhǔn)智能問答關(guān)鍵技術(shù)研究。首先，進行FAQ引擎設(shè)計，包括研究基于語義相似度的問題快速匹配技術(shù)、基于深度學(xué)習(xí)的相似度重排技術(shù)，對用戶行為進行評分；其次，進行KGQA引擎設(shè)計，包括研究語義庫設(shè)計模型和基于Graph的搜索匹配模型；最后，設(shè)計多引擎加權(quán)打分機制，能夠?qū)崿F(xiàn)油田環(huán)保安全領(lǐng)域標(biāo)準(zhǔn)智能問答。

關(guān)鍵詞：油田環(huán)保安全領(lǐng)域，標(biāo)準(zhǔn)，智能問答

DOI編碼：10.3969/j.issn.1674-5698.2024.04.009

0 引 言

隨著大數(shù)據(jù)、云計算、人工智能等新一代信息技術(shù)的發(fā)展和應(yīng)用逐漸走向成熟，日益滲透到經(jīng)濟社會的各個領(lǐng)域。在油田環(huán)保安全領(lǐng)域，我國標(biāo)準(zhǔn)數(shù)字化應(yīng)用水平總體處于紙質(zhì)標(biāo)準(zhǔn)電子化、結(jié)構(gòu)化、語義化的初級數(shù)據(jù)建設(shè)階段，缺乏可交互標(biāo)準(zhǔn)數(shù)字化應(yīng)用和探索。油田環(huán)保安全領(lǐng)域標(biāo)準(zhǔn)知識復(fù)雜程度較高，難以形成對標(biāo)準(zhǔn)數(shù)字知識的雙向理解路徑，一方面標(biāo)準(zhǔn)間的數(shù)據(jù)關(guān)聯(lián)關(guān)系及數(shù)據(jù)結(jié)構(gòu)復(fù)雜，可能導(dǎo)致機器無法準(zhǔn)確理解人類多輪提問需求；另一方面機器生成內(nèi)容可能不符合人的閱讀和理解邏輯，導(dǎo)致人類無法高效全面理解機器生產(chǎn)的內(nèi)容，造成人員提出的問題與機器給出的答案不匹配等問題。

針對上述不足，本文旨在深入探討油田環(huán)保安全領(lǐng)域標(biāo)準(zhǔn)智能問答的關(guān)鍵技術(shù)。首先聚焦于FAQ（Frequently Asked Questions）引擎的設(shè)計。這一階段主要包括基于語義相似度的問題快速匹配技術(shù)的研究，以及基于深度學(xué)習(xí)的相似度重排技術(shù)。這些技術(shù)的目的是為了更準(zhǔn)確、迅速地識別和匹配用戶提出的問題。此外，研究還涉及對用戶行為進行評分，這有助于了解用戶需求，從而提高問答系統(tǒng)的效率和準(zhǔn)確性。其次，文章著眼于KGQA（Knowledge Graph Question Answering）引擎的設(shè)計。在這一部分，研究集中于語義庫設(shè)計模型和基于圖（Graph）的搜索匹配模型的開發(fā)。這些模型旨在利用知識圖譜，以更加復(fù)雜和高級的方式處理和回答問題，使得答案更為精確和全面。最后，研究提出了一種多引擎加權(quán)打分機制的設(shè)計。這種機制能夠綜合FAQ引擎和KGQA引擎的優(yōu)勢，通過加權(quán)打分來確定最優(yōu)的回答方案。通過這種方法，可以實現(xiàn)更為高效和準(zhǔn)確的油田環(huán)保安全領(lǐng)域標(biāo)準(zhǔn)智能問答，從而大幅提升信息檢索和問題解決的質(zhì)量。整體而言，本研究在智能問答技術(shù)領(lǐng)域為油田環(huán)保安全標(biāo)準(zhǔn)的應(yīng)用提供了一種新的視角和方法論。

1 研究現(xiàn)狀綜述

在這個信息爆炸與科技高速發(fā)展的時代，如何從繁雜的海量數(shù)據(jù)中提取準(zhǔn)確所需信息，成為了研究的重點。全問答（question answering， QA）作為解決這一問題的關(guān)鍵手段之一，通過對數(shù)據(jù)信息進行檢索、分析，最終向用戶提供問題的答案或相關(guān)信息。問答系統(tǒng)在語言建模的核心挑戰(zhàn)在于如何更好地理解和處理自然語言。其中，詞嵌入（word embedding）方法扮演了重要角色。詞嵌入是一種將詞語轉(zhuǎn)換為向量的技術(shù)，可以使計算機更好地理解詞語之間的關(guān)系和含義。傳統(tǒng)的詞嵌入方法主要包括Mikolov T等人于2013年提出的Word2Vec[1]和Pennington J等人于2014年提出的GloVe[2]模型。Word2Vec模型是通過將詞匯量化為向量，實現(xiàn)了對詞語之間關(guān)系的定量度量，主要包括連續(xù)詞袋模型（CBOW）和跳躍模型（skipgram）兩種模型。 在CBOW模型中，通過上下文來預(yù)測目標(biāo)單詞；而在skip-gram模型中，則是通過目標(biāo)單詞來預(yù)測上下文。這兩種模型都能有效地捕捉詞與詞之間的聯(lián)系。GloVe模型則與Word2Vec有所不同。GloVe更加關(guān)注單詞同時出現(xiàn)的概率比率，而非簡單地關(guān)注共現(xiàn)概率分布。它的特點在于不需要計算共現(xiàn)次數(shù)為零的單詞對，從而減少了計算量和數(shù)據(jù)存儲空間。GloVe通過分析整個數(shù)據(jù)集的詞匯共現(xiàn)信息，從而更好地捕捉到單詞間的全局關(guān)系。這兩種方法都在問答系統(tǒng)的語言理解能力提升上起到了關(guān)鍵作用。通過這些先進的詞嵌入技術(shù)，問答系統(tǒng)能夠更有效地處理復(fù)雜的語言信息，更準(zhǔn)確地理解用戶的問題，并提供相關(guān)的答案。然而，這些傳統(tǒng)的詞嵌入方法在處理詞義多樣性、上下文靈活變化等方面還存在局限性，這也推動了后續(xù)如BERT[3]等更先進的語言表示模型的發(fā)展。

BE RT是一個具有里程碑意義的自然語言處理（N L P）模型，由G o o g l e在2 018年推出。它的核心是采用了生成式的掩碼語言模型（Ma ske dLanguage Model， MLM）和雙向Transformer結(jié)構(gòu)。BERT的訓(xùn)練分為兩個階段，首先是預(yù)訓(xùn)練階段，BERT在大規(guī)模的數(shù)據(jù)集（如：BooksCorpus和英語維基百科[4]）上進行無監(jiān)督學(xué)習(xí)，這一階段的目的是讓模型學(xué)習(xí)語言的基本規(guī)律和模式；其次是微調(diào)階段，針對特定的NLP任務(wù)（如：情感分析、問答系統(tǒng)、命名實體識別等），將任務(wù)相關(guān)的數(shù)據(jù)輸入到預(yù)訓(xùn)練好的BERT模型中，并進行參數(shù)的微調(diào)，使模型適應(yīng)特定的任務(wù)。

問答系統(tǒng)想要滿足用戶需求， 主要需處理3個問題： 問題分析、信息檢索和答案生成。根據(jù)問答系統(tǒng)信息源的數(shù)據(jù)類型的不同， 可將問答系統(tǒng)分為： （1）數(shù)據(jù)來源于結(jié)構(gòu)化知識圖譜的問答系統(tǒng);（2）數(shù)據(jù)來源于對話、問答對的基于問答對的問答系統(tǒng); （3）數(shù)據(jù)來源于自由文本的基于機器閱讀理解的問答系統(tǒng)。其中，關(guān)于基于知識圖譜問答系統(tǒng)的應(yīng)用， 大多集中在特定領(lǐng)域，如：醫(yī)療領(lǐng)域、金融投資領(lǐng)域、電商領(lǐng)域、聊天機器人領(lǐng)域等?；趩柎饘Φ膯柎鹣到y(tǒng)使用較為普遍，早期美國在為用戶提供航班信息時開發(fā)的SLS項目，歐盟開發(fā)的列車時刻信息系統(tǒng)和保險合約查詢電話呼叫中心等[5]。目前，各大IT公司也開發(fā)了各種聊天機器人，如：蘋果的Siri、微軟小冰、小米、小愛等。基于機器閱讀理解的問答系統(tǒng)是由計算機自動根據(jù)給定的語料資料來回答用戶所提出的問題，目前受到了越來越廣泛的關(guān)注，與FAQ、KBQA等優(yōu)勢互補，形成更完備、更智能的問答系統(tǒng)。

油田環(huán)保安全領(lǐng)域標(biāo)準(zhǔn)智能問答技術(shù)研究面向特定領(lǐng)域，相較于一般的智能問答系統(tǒng)具有更高的專業(yè)性和準(zhǔn)確性。因此，油田環(huán)保安全領(lǐng)域標(biāo)準(zhǔn)問答系統(tǒng)在構(gòu)建過程中，重點采用基于知識圖譜、基于機器閱讀理解的方法來開展智能問題系統(tǒng)研究。

2 油田環(huán)保安全領(lǐng)域標(biāo)準(zhǔn)智能問答引擎設(shè)計

2.1 FAQ引擎

（1）工作原理

FAQ引擎是基于常見問題的相似比對引擎，主要涉及收集并組織常見問題及其答案，然后通過用戶界面使用戶能夠搜索或瀏覽這些問題。當(dāng)用戶提出查詢時，引擎通過關(guān)鍵詞匹配或使用自然語言處理技術(shù)來理解用戶的查詢意圖，從而檢索出最相關(guān)的答案。這些答案隨后以易于理解的格式呈現(xiàn)給用戶。此外，F(xiàn)AQ系統(tǒng)通常會收集用戶反饋，以不斷優(yōu)化答案的準(zhǔn)確性和相關(guān)性，有時還會集成聊天機器人來提供更實時的互動。

（2）基于語義相似度的問題快速匹配技術(shù)

基于語義相似度的問題快速匹配技術(shù)是一種智能技術(shù)，用于計算用戶輸入問題與數(shù)據(jù)庫中存儲問題之間的語義相似度。它通過分析和理解問題的意義而不僅僅是關(guān)鍵詞，能夠識別出語義上最為接近的問題。這種技術(shù)運用自然語言處理（NLP）和機器學(xué)習(xí)算法，以確保提供的候選答案在語義上與用戶的查詢盡可能匹配，從而提高問題解答的準(zhǔn)確性和效率。

（3）基于深度學(xué)習(xí)的相似度重排技術(shù)

應(yīng)用深度學(xué)習(xí)技術(shù)，將問題與候選答案進行深度語義比對，計算用戶輸入與候選答案之間的相似度，根據(jù)計算結(jié)果，對候選答案集進行重新排序。

（4）用戶行為評分

對于推薦的相似問題，如果用戶點擊后，系統(tǒng)會記錄該事件，對當(dāng)前提問問題與點擊的相似問題建立一個關(guān)系。相似問題之間的關(guān)系可在系統(tǒng)投票選舉環(huán)節(jié)，進行加權(quán)評分，提高推選答案的排名。

2.2 KGQA引擎

（1）工作原理

先對油田環(huán)保安全領(lǐng)域標(biāo)準(zhǔn)問題庫進行梳理，形成知識圖譜的三元組結(jié)構(gòu)，在此基礎(chǔ)上，定義基于知識圖譜的問題模板，構(gòu)建問題模板庫。

油田行業(yè)知識圖譜，是油田領(lǐng)域標(biāo)準(zhǔn)的結(jié)構(gòu)化語義知識庫，用于以符號形式描述物理世界中的概念及其相互關(guān)系，其基本組成單位是【實體，關(guān)系，實體】或者【主體，謂詞，客體】三元組，以及實體及其相關(guān)屬性值對，實體之間通過關(guān)系相互聯(lián)結(jié)，構(gòu)成網(wǎng)狀的知識結(jié)構(gòu)。

在問答系統(tǒng)中，把三元組定義為【主體，屬性，答案】，這樣在問答過程中，通過給定主體與屬性兩個維度查找知識圖譜中的答案。

問答過程主要分為兩個步驟，其一是問題理解，通過問題理解識別到該問題的具體意圖，也就是問題的知識主體與知識屬性；其二是答案搜索，根據(jù)問題理解獲得的知識主體與知識屬性，查找知識圖譜中的具體答案。例如：油田含油污泥處置后泥渣利用污染物控制限制值的知識本體如下：

【油田含油污泥處置后泥渣利用污染物A s（mg/kg），控制限制值，≤30（mg/kg）】

知識主體：油田含油污泥處置后泥渣利用污染物As

知識屬性：控制限制值

知識答案：≤30（mg/ kg）

用戶可以提問“油田含油污泥處置后泥渣利用污染物As的控制限制值？”“含油污泥處置后利用As的限制值？”“泥渣利用污染物As限制值？”，通過問題理解，識別到用戶的意圖是【油田含油污泥處置后泥渣利用污染物As，控制限制值，？】，再通過答案搜索，查詢知識圖譜中的具體答案，“≤30（mg/ kg）”。

問題理解是基于語義表達式，通過關(guān)鍵術(shù)語來匹配用戶問題，例如：油田含油污泥處置后泥渣利用污染物As的控制限制值問題，可定義表達式如下：

【油田含油污泥處置后】【泥渣利用污染物As】【控制限制值】

【油田含油污泥處置后】【控制限制值】【泥渣利用污染物As】

至此就完成了一個簡單的意圖，但是泥渣利用污染物有著通用元素的意圖，為了擴大表達式的覆蓋范圍，可以將此抽象為一個實體，如下所示：

【$對象實體】【$指標(biāo)實體】

其中，【$對象實體】表示一個實體，代表泥渣利用污染物。當(dāng)用戶提問“泥渣利用污染物As？”，匹配結(jié)果如下：

匹配表達式：【$對象實體】【$指標(biāo)實體】

匹配實體：【$對象實體：泥渣利用污染物】

匹配意圖：【泥渣利用污染物的As，控制限制值，？】

當(dāng)用戶提問“泥渣利用污染物的As的控制限制值？”。

【泥渣利用污染物】【As】≠【泥渣利用污染物】【As控制限制值】

這時需要將“As”與“As控制限制值”定義為同義詞組【As控制限制值;As】，通過同義詞擴展表達式的覆蓋范圍。

【泥渣利用污染物】【As】=【泥渣利用污染物】【As】

（2）語義庫設(shè)計模型

底層語義庫由詞庫、對象庫、知識庫3部分組成。

構(gòu)建詞庫的目的主要是為了分詞、構(gòu)造語義表達式以及使用詞本身攜帶的語義信息進行語義相似度計算。詞庫是由多個詞類組成，詞類由詞類名和一個或多個同義或同類詞構(gòu)成。在“泥渣利用污染物的As”的實例中，【$對象實體】定義為詞類，其屬性為實體詞類，其下定義的所有詞均為具體實體?！続s控制限制值;As】定義為同義詞組，其屬性為普通詞而非實體詞，意味著并不需要識別該詞的詞類。

構(gòu)建對象庫（語義庫）的目的主要是為了實例化對象類，從而快速創(chuàng)建某一領(lǐng)域的知識點，是對知識庫中的對象類實例以及屬性知識點與相互關(guān)系的嚴(yán)格刻畫。對象庫由屬性名、標(biāo)準(zhǔn)問題模板和一組屬性語義表達式所構(gòu)成。對象庫中的語義表達式使用詞庫中的詞類，由一個或多個實體對象符或關(guān)鍵詞組成，例如：【$對象實體】【檢測方法】，其中【$對象實體】為實體對象符，【檢測方法】為關(guān)鍵詞。

構(gòu)建知識庫的目的主要是為了根據(jù)業(yè)務(wù)需求來組織和管理知識點。實例可以是對象類的實例化，當(dāng)實例為對象類實例時，該實例下所有的知識點都是屬性知識點，實例語義在實例化對象的過程中替換屬性語義表達式中的“對象符”，進而生成知識點的語義表達式。

（3）基于Graph的搜索匹配模型

KGQA引擎基于Graph的DFS（深度優(yōu)先搜索）實現(xiàn)語義表達式的快速模式匹配。

深度優(yōu)先搜索屬于圖算法的一種，英文縮寫為DFS即Depth First Search。其過程簡要來說是對每一個可能的分支路徑深入到不能再深入為止，而且每個節(jié)點只能訪問一次。深度優(yōu)先搜索的特點：每次深度優(yōu)先搜索的結(jié)果必然是圖的一個連通分量。深度優(yōu)先搜索可以從多點發(fā)起。如果將每個節(jié)點在深度優(yōu)先搜索過程中的“結(jié)束時間”排序（具體做法是創(chuàng)建一個list，然后在每個節(jié)點的相鄰節(jié)點都已被訪問的情況下，將該節(jié)點加入list結(jié)尾，然后逆轉(zhuǎn)整個鏈表），則我們可以得到所謂的“拓?fù)渑判颉?，即topological sort.

K G Q A引擎將定義的語義表達式，拆解為Graph節(jié)點并存放于Graph內(nèi)存數(shù)據(jù)庫中，例如：

【$污染物】【控制】【方法】

【$污染物】【控制】【流程】

【$污染物】【處置】【方法】

【$污染物】【處置】【依據(jù)】

【$污染物】【監(jiān)測】

【$污染物】【利用】

轉(zhuǎn)化為如圖1所示Graph有向圖結(jié)構(gòu)。

2.3 多引擎加權(quán)打分機制

油田環(huán)保安全領(lǐng)域標(biāo)準(zhǔn)智能問答系統(tǒng)采用的是一種基于柔性多引擎加權(quán)打分的問答機制，將基于模板的匹配結(jié)果（KGQA）與基于語義相似度的匹配結(jié)果（FAQ）進行基于多特征加權(quán)的結(jié)果整合，輸出綜合打分最高的一組結(jié)果作為候選結(jié)果。

多引擎調(diào)度采用線程池技術(shù)進行管理，處理過程中將任務(wù)添加到隊列，然后在創(chuàng)建線程后自動啟動這些任務(wù)，線程池線程都是后臺線程。每個線程都使用默認(rèn)的堆棧大小，以默認(rèn)的優(yōu)先級運行，并處于多線程單元中。如果某個線程在托管代碼中空閑（如：正在等待某個事件），則線程池將插入另一個輔助線程來使所有處理器保持繁忙。如果所有線程池線程都始終保持繁忙，但隊列中包含掛起的工作，則線程池將在一段時間后創(chuàng)建另一個輔助線程但線程的數(shù)目永遠不會超過最大值。超過最大值的線程可以排隊，但它們要等到其他線程完成后才啟動。

3 結(jié)果與討論

針對當(dāng)前油田環(huán)保安全標(biāo)準(zhǔn)領(lǐng)域智能問答人機互動性較差，尚未形成人機雙向理解路徑，基于FAQ引擎和KGQA引擎及相關(guān)技術(shù)開展面向油田環(huán)保安全標(biāo)準(zhǔn)的雙向閱讀理解和智能問答的語言預(yù)訓(xùn)練，訓(xùn)練結(jié)果如圖2所示。

智能問答系統(tǒng)雖然已經(jīng)取得了一定進展，但仍存在一些問題和局限性，需要進一步改進。（1）現(xiàn)有系統(tǒng)可能在處理復(fù)雜、模糊或多層次的查詢時遇到困難，尤其是涉及抽象概念或深層次語義理解的問題。（2）油田環(huán)保安全領(lǐng)域標(biāo)準(zhǔn)智能問答系統(tǒng)提供信息的準(zhǔn)確性和可靠性有待進一步提升，特別是在處理少見的話題時。（3）油田環(huán)保安全領(lǐng)域標(biāo)準(zhǔn)智能問答系統(tǒng)的效果很大程度上取決于其油田環(huán)保安全標(biāo)準(zhǔn)知識庫的質(zhì)量和時效性，需要定期更新和必要的維護。解決這些問題需要綜合運用更先進的自然語言處理技術(shù)，深度學(xué)習(xí)算法、用戶界面設(shè)計原則和數(shù)據(jù)保護措施。隨著技術(shù)的不斷進步，油田環(huán)保安全領(lǐng)域標(biāo)準(zhǔn)智能問答系統(tǒng)的性能和用戶體驗預(yù)期將持續(xù)提高。

參考文獻

[1]Mikolov T， Sutskever I， Chen K， et al. Distributed r epr e sent at ion s of wor d s a nd ph r a se s a nd t hei rcompositionality[A]. Proceedings of the 26th International Conference on Neural Information Processing Systems[C].Lake Tahoe： ACM， 2013：3111–3119.

[2]Pennington J， Socher R， Manning C. GloVe： Global vectors for word representation[A]. Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing （EMNLP）[C]. Doha： Association for Computational Linguistics， 2014：1532–1543.

[3]Devlin J ， C ha ng M W， L ee K ， e t a l. B ERT： P ret r a i n i n g o f de ep bid i r e ct ion a l t r a n s for mer s for language understanding[A]. Proceedings of the 2019 Conference of the Nor th American Chapter of the Association for Computational Linguistics： Human Language Technologies[C]. Minneapolis： Association for Computational Linguistics， 2019：4171–4186.

[4]Zhu YK， Kiros R， Zemel R， et al. Aligning books and movies： T owards s tory-like v isual e xplanations b y watching movies and reading books[A]. Proceedings of the 2015 IEEE International Conference on Computer Vision[C]. Santiago： IEEE， 2015：19-27.

[5]Den Os E， Boves L， Lamel L， et al. Overview of the ARISE project[A]. Proceedings of the 6th European Conference on Speech Communication and Technology[C]. Budapest：ISCA， 1999：1527-1530.

[6]武鴻浩. 公安領(lǐng)域中知識圖譜的構(gòu)建與應(yīng)用研究[J].網(wǎng)絡(luò)安全技術(shù)與應(yīng)用，2018（8）： 93-94+127．

[7]孫利宇，錢家俊. 公安知識圖譜助力智慧警務(wù)落地[J].數(shù)字通信世界，2018（7）：23+48．

[8]劉嶠，李楊，段宏，等．知識圖譜構(gòu)建技術(shù)綜述[J]. 計算機研究與發(fā)展，2016，53（3） ：582-600．

[9]王鑫，鄒磊，王朝坤，等．知識圖譜數(shù)據(jù)管理研究綜述[J].軟件學(xué)報，2019，30（7） ：2139-2174．