關(guān)鍵詞：智慧礦山；煤礦領(lǐng)域知識(shí)圖譜；知識(shí)圖譜構(gòu)建；知識(shí)圖譜推理；知識(shí)圖譜融合；知識(shí)圖譜糾錯(cuò)；智能決策

中圖分類號(hào)：TD67 文獻(xiàn)標(biāo)志碼：A

0引言

智慧礦山建設(shè)對(duì)實(shí)現(xiàn)煤炭行業(yè)的高質(zhì)量發(fā)展具有至關(guān)重要的作用[1-3]。根據(jù)建設(shè)目標(biāo)和技術(shù)途徑，智慧礦山的發(fā)展分為3 個(gè)階段：第1 階段主要依托物聯(lián)網(wǎng)和大數(shù)據(jù)技術(shù)實(shí)現(xiàn)對(duì)礦山狀態(tài)的全方位感知、綜合分析和趨勢(shì)預(yù)測(cè)，核心是數(shù)據(jù)、算法和算力[4-5]。第2 階段主要依托人工智能中決策智能的發(fā)展成果，在第1 階段的基礎(chǔ)上引入知識(shí)，實(shí)現(xiàn)自主決策[6]。第3 階段主要依托機(jī)器人的廣泛應(yīng)用，實(shí)現(xiàn)自主控制，達(dá)到無(wú)人化智慧礦山的高級(jí)目標(biāo)[7-8]。

目前，第1 階段的建設(shè)目標(biāo)已經(jīng)基本完成，能夠?qū)ΦV山中人、物、環(huán)境和設(shè)備的狀態(tài)進(jìn)行全面感知、預(yù)測(cè)和預(yù)警[9-10]。然而，煤礦生產(chǎn)中存在眾多涉及決策的過(guò)程，如設(shè)備故障診斷、安全風(fēng)險(xiǎn)處置、災(zāi)害事故原因分析、災(zāi)害應(yīng)急救援方案生成及生產(chǎn)組織和運(yùn)營(yíng)決策等。目前這些過(guò)程仍然主要依賴人工經(jīng)驗(yàn)，智能化程度較低[11]。造成上述問(wèn)題的重要原因在于第1 階段主要依靠數(shù)據(jù)、算法和算力，沒(méi)有有效利用領(lǐng)域?qū)＜业闹R(shí)，決策能力不足。面向第2 階段實(shí)現(xiàn)自主決策的建設(shè)目標(biāo)，亟需開(kāi)展煤礦領(lǐng)域知識(shí)圖譜構(gòu)建與推理方法的研究[12]。

知識(shí)圖譜旨在通過(guò)實(shí)體和實(shí)體間關(guān)系來(lái)闡述客觀世界的概念、對(duì)象及其相互關(guān)聯(lián)性[13-14]。目前，通用領(lǐng)域知識(shí)圖譜發(fā)展已較為成熟，主要包括國(guó)內(nèi)的CN?DBpedia[15]， Zhishi.me[16]及國(guó)外的Wikidata[17]，F(xiàn)reebase[18]，YAGO[19]等，被廣泛應(yīng)用于互聯(lián)網(wǎng)搜索、智能問(wèn)答系統(tǒng)和推薦系統(tǒng)等。行業(yè)領(lǐng)域知識(shí)圖譜也受到廣泛關(guān)注，如醫(yī)療領(lǐng)域知識(shí)圖譜、金融領(lǐng)域知識(shí)圖譜、教育領(lǐng)域知識(shí)圖譜等，被用于臨床輔助決策[20]、投資輔助決策[21]、學(xué)習(xí)路徑規(guī)劃[22]等。因此，煤礦領(lǐng)域知識(shí)圖譜是推進(jìn)智慧礦山建設(shè)的關(guān)鍵環(huán)節(jié)。

將煤礦領(lǐng)域來(lái)自不同數(shù)據(jù)源的知識(shí)進(jìn)行抽取，形成一張豐富的知識(shí)網(wǎng)絡(luò)，借助推理技術(shù)可以輔助煤礦設(shè)備故障診斷、安全風(fēng)險(xiǎn)實(shí)時(shí)預(yù)警與處置、災(zāi)害事故原因分析、應(yīng)急救援方案生成及生產(chǎn)組織和運(yùn)營(yíng)管理決策支持，提高煤礦的科學(xué)管理能力和安全生產(chǎn)水平。

本文對(duì)煤礦領(lǐng)域知識(shí)圖譜構(gòu)建與推理方法的研究進(jìn)行綜述。首先，梳理知識(shí)圖譜的研究現(xiàn)狀，概述以知識(shí)為驅(qū)動(dòng)的人工智能發(fā)展歷程、基于知識(shí)圖譜的人工智能系統(tǒng)架構(gòu)、知識(shí)圖譜的主要類型和代表性工作，分析煤礦領(lǐng)域知識(shí)圖譜的研究現(xiàn)狀，重點(diǎn)剖析該領(lǐng)域已有知識(shí)圖譜的知識(shí)建模情況、知識(shí)圖譜構(gòu)建方式、知識(shí)圖譜使用方式和成熟度；然后，對(duì)煤礦領(lǐng)域知識(shí)圖譜構(gòu)建與推理面臨的挑戰(zhàn)進(jìn)行分析，覆蓋實(shí)體識(shí)別、關(guān)系抽取、知識(shí)圖譜融合與糾錯(cuò)、多跳推理的路徑選擇等方面；最后，對(duì)煤礦領(lǐng)域知識(shí)圖譜構(gòu)建與推理的技術(shù)趨勢(shì)和該領(lǐng)域知識(shí)圖譜在綜采設(shè)備故障智能診斷、安全風(fēng)險(xiǎn)實(shí)時(shí)預(yù)警與處置、災(zāi)害事故原因分析、應(yīng)急救援方案生成、生產(chǎn)組織和運(yùn)營(yíng)決策支持等方面的應(yīng)用進(jìn)行展望。

1研究現(xiàn)狀

1.1知識(shí)圖譜研究現(xiàn)狀概述

2012年，谷歌提出了知識(shí)圖譜的概念，標(biāo)志著以知識(shí)為驅(qū)動(dòng)的人工智能進(jìn)入新的發(fā)展階段。以知識(shí)為驅(qū)動(dòng)的人工智能經(jīng)歷了5 個(gè)重要發(fā)展時(shí)期，如圖1所示。第1 時(shí)期是專家系統(tǒng)的提出，標(biāo)志著人工智能研究向知識(shí)主導(dǎo)的轉(zhuǎn)變。第2 時(shí)期是知識(shí)庫(kù)的提出。這一時(shí)期知識(shí)表示和知識(shí)庫(kù)構(gòu)建成為研究的熱點(diǎn)。第3 時(shí)期是知識(shí)工程概念的提出，標(biāo)志著人工智能研究從知識(shí)表示到知識(shí)應(yīng)用的轉(zhuǎn)變。第4 時(shí)期是語(yǔ)義網(wǎng)概念的提出，將傳統(tǒng)人工智能的發(fā)展與萬(wàn)維網(wǎng)結(jié)合，以資源描述框架為基礎(chǔ)，在萬(wàn)維網(wǎng)中應(yīng)用知識(shí)表示與推理方法，實(shí)現(xiàn)更語(yǔ)義化的智能信息處理與交互。第5時(shí)期是知識(shí)圖譜的誕生，標(biāo)志著知識(shí)工程技術(shù)邁入了新時(shí)代。這一時(shí)期的關(guān)鍵特征是以資源描述框架（Resource Description Framework，RDF）三元組和屬性圖等形式表示知識(shí)，數(shù)據(jù)規(guī)模巨大，需要使用機(jī)器學(xué)習(xí)、自然語(yǔ)言處理等技術(shù)進(jìn)行自動(dòng)化的知識(shí)圖譜構(gòu)建。

知識(shí)圖譜催生了大批人工智能應(yīng)用。基于知識(shí)圖譜的人工智能系統(tǒng)架構(gòu)包括源數(shù)據(jù)層、知識(shí)圖譜構(gòu)建與推理層、應(yīng)用層，如圖2 所示。源數(shù)據(jù)層提供知識(shí)圖譜構(gòu)建所需的結(jié)構(gòu)化數(shù)據(jù)（如鏈接數(shù)據(jù)、關(guān)系型數(shù)據(jù)庫(kù)） 、半結(jié)構(gòu)化數(shù)據(jù)（如HTML，XML，JSON）和非結(jié)構(gòu)化數(shù)據(jù)（如文本、圖像、視頻）。知識(shí)圖譜構(gòu)建與推理層抽取源數(shù)據(jù)中所包含的知識(shí)，完成知識(shí)圖譜構(gòu)建，并通過(guò)推理技術(shù)支持上層應(yīng)用。知識(shí)圖譜的應(yīng)用不僅涵蓋面向一般互聯(lián)網(wǎng)用戶的通用領(lǐng)域，如互聯(lián)網(wǎng)搜索、智能問(wèn)答、個(gè)性化信息推薦等，還涉足各行業(yè)領(lǐng)域，如醫(yī)療領(lǐng)域的智能化診療、金融領(lǐng)域的投資輔助決策和教育領(lǐng)域的個(gè)性化學(xué)習(xí)路徑規(guī)劃等。

知識(shí)圖譜可以分為傳統(tǒng)知識(shí)圖譜、時(shí)序知識(shí)圖譜和多模態(tài)知識(shí)圖譜3 種類型。

傳統(tǒng)知識(shí)圖譜通常從非結(jié)構(gòu)化的文本數(shù)據(jù)中抽取出實(shí)體和關(guān)系，并表達(dá)為復(fù)雜的圖結(jié)構(gòu)。實(shí)體是知識(shí)圖譜中的基本元素，代表現(xiàn)實(shí)世界中的事物和概念，表達(dá)為圖結(jié)構(gòu)中的節(jié)點(diǎn)。關(guān)系代表實(shí)體之間的連接或關(guān)聯(lián)，描述實(shí)體之間的某種語(yǔ)義關(guān)系，表達(dá)為圖結(jié)構(gòu)中的邊。代表性工作如阮彤等[23]構(gòu)建的中醫(yī)藥知識(shí)圖譜和陸鋒等[24]構(gòu)建的地理知識(shí)圖譜。

時(shí)序知識(shí)圖譜相比傳統(tǒng)知識(shí)圖譜增加了時(shí)間維度，知識(shí)圖譜的結(jié)構(gòu)、實(shí)體和關(guān)系都會(huì)隨著時(shí)間的推移發(fā)生改變。代表性工作如陳德華等[25]針對(duì)臨床領(lǐng)域時(shí)序知識(shí)圖譜研究了鏈接預(yù)測(cè)模型。

多模態(tài)知識(shí)圖譜通過(guò)整合不同類型的數(shù)據(jù)，如文本、圖像、視頻、音頻等，更全面地表示知識(shí)。代表性工作如Deng Cheng 等[26]提出的GAKG。GAKG是基于地球科學(xué)相關(guān)的期刊上發(fā)表的112 萬(wàn)篇論文數(shù)據(jù)所構(gòu)建的大型多模態(tài)學(xué)術(shù)知識(shí)圖譜。除論文中的文本外，還提取了論文內(nèi)部的插圖和表格信息，具有多模態(tài)的屬性。

在形成知識(shí)圖譜的基礎(chǔ)上，需借助知識(shí)圖譜推理技術(shù)為各類智能化應(yīng)用提供支持。知識(shí)圖譜推理技術(shù)利用知識(shí)圖譜中已有的知識(shí)推理出新知識(shí)，為各種任務(wù)（如問(wèn)答和推薦）提供關(guān)鍵支持。代表性工作如Zhu Anjie 等[27]使用分層強(qiáng)化學(xué)習(xí)框架實(shí)現(xiàn)知識(shí)圖譜推理，Zheng Shangfei 等[28]提出一種多跳多模態(tài)知識(shí)圖譜推理模型。

1.2煤礦領(lǐng)域知識(shí)圖譜研究現(xiàn)狀分析

隨著智慧礦山建設(shè)的不斷推進(jìn)，知識(shí)圖譜亦受到煤礦領(lǐng)域研究者的廣泛關(guān)注。根據(jù)應(yīng)用場(chǎng)景的不同，煤礦領(lǐng)域現(xiàn)有知識(shí)圖譜大體可分為煤礦災(zāi)害防治知識(shí)圖譜和煤礦機(jī)電設(shè)備維護(hù)知識(shí)圖譜，其代表性工作技術(shù)成熟度情況見(jiàn)表1。

煤礦災(zāi)害防治是保障煤礦安全的關(guān)鍵措施。煤礦災(zāi)害防治知識(shí)圖譜旨在整合、存儲(chǔ)和表達(dá)與煤礦災(zāi)害防治相關(guān)的知識(shí)，以提升對(duì)煤礦災(zāi)害的理解、預(yù)防和處理能力。通過(guò)構(gòu)建煤礦災(zāi)害防治知識(shí)圖譜，可以對(duì)實(shí)時(shí)監(jiān)控?cái)?shù)據(jù)進(jìn)行動(dòng)態(tài)分析，從而實(shí)現(xiàn)早期預(yù)警和異常檢測(cè)。代表性工作如許娜等[29]從安全管理系統(tǒng)結(jié)構(gòu)和安全隱患風(fēng)險(xiǎn)2 個(gè)維度對(duì)煤礦建設(shè)安全領(lǐng)域知識(shí)進(jìn)行分類，提煉出實(shí)體和實(shí)體之間的關(guān)系類型，基于Bert 的雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)條件隨機(jī)場(chǎng)模型（Bert-Bidirectional Long Short Term Memory-Conditional Random Field， Bert?BiLSTM?CRF） 進(jìn)行實(shí)體識(shí)別，基于規(guī)則的方法進(jìn)行關(guān)系抽取，完成知識(shí)圖譜的自動(dòng)構(gòu)建，基于構(gòu)建的知識(shí)圖譜實(shí)現(xiàn)煤礦建設(shè)安全管理領(lǐng)域的知識(shí)問(wèn)答；羅香玉等[30]采用本體方法對(duì)頂板災(zāi)害防治領(lǐng)域的概念和關(guān)系進(jìn)行分類建模，使用基于跨度的實(shí)體識(shí)別方法和基于依存句法樹(shù)引導(dǎo)實(shí)體表示的關(guān)系抽取方法完成知識(shí)圖譜的自動(dòng)構(gòu)建，展望了頂板災(zāi)害防治知識(shí)圖譜在頂板管理知識(shí)問(wèn)答方面的應(yīng)用；劉鵬等[31]對(duì)煤礦安全領(lǐng)域相關(guān)概念分類建模，基于網(wǎng)格長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（Lattice-Long Short Term Memory，Lattice?LSTM）進(jìn)行實(shí)體識(shí)別，基于語(yǔ)義相似度進(jìn)行關(guān)系抽取，完成知識(shí)圖譜自動(dòng)構(gòu)建，基于構(gòu)建的知識(shí)圖譜提出了一種知識(shí)查詢方法；劉永立等[32]將知識(shí)圖譜與應(yīng)急處置預(yù)案進(jìn)行動(dòng)態(tài)融合，利用數(shù)據(jù)融合技術(shù)整合多源異構(gòu)數(shù)據(jù)，構(gòu)建出火災(zāi)及耦合災(zāi)害知識(shí)圖譜、災(zāi)害事理圖譜、監(jiān)管部門圖譜等，根據(jù)構(gòu)建的知識(shí)圖譜實(shí)現(xiàn)應(yīng)急預(yù)案的決策支持；吳克介[33]在總結(jié)礦井安全監(jiān)控系統(tǒng)領(lǐng)域知識(shí)源的基礎(chǔ)上進(jìn)行領(lǐng)域知識(shí)圖譜構(gòu)建，分析了知識(shí)源獲取、知識(shí)提取、知識(shí)存儲(chǔ)與展示的技術(shù)實(shí)現(xiàn)途徑，采用基于雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)條件隨機(jī)場(chǎng)（Bidirectional Long Short Term Memory-ConditionalRandom Field， BiLSTM?CRF）與詞注意力機(jī)制結(jié)合的方法進(jìn)行命名實(shí)體識(shí)別，采用梯度提升決策樹(shù)模型進(jìn)行關(guān)系抽取，將研究成果應(yīng)用于安全監(jiān)控系統(tǒng)異常分析，對(duì)礦井采煤工作面報(bào)警情況進(jìn)行分析。

煤礦機(jī)電設(shè)備維護(hù)知識(shí)圖譜整合和管理煤礦機(jī)電設(shè)備知識(shí)及故障數(shù)據(jù)，提高事故處理效率，并為決策提供支持。代表性工作如李哲等[34]針對(duì)難以從煤礦機(jī)電設(shè)備事故表象和部分監(jiān)控?cái)?shù)據(jù)判斷設(shè)備事故根本原因，以及缺少能夠利用歷史數(shù)據(jù)、經(jīng)驗(yàn)知識(shí)的有效手段來(lái)提高設(shè)備事故處理效率等問(wèn)題，采用雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)和條件隨機(jī)場(chǎng)的方式進(jìn)行實(shí)體識(shí)別，并基于實(shí)體識(shí)別的結(jié)果制定專業(yè)詞庫(kù)（包括煤礦機(jī)電設(shè)備、事故和措施等專業(yè)名詞），編制規(guī)則模板實(shí)現(xiàn)簡(jiǎn)單句式的關(guān)系抽取，對(duì)涉及上下文語(yǔ)義分析且跨句子或跨段落的復(fù)雜關(guān)系進(jìn)行人工處理完成關(guān)系抽取，構(gòu)建了煤礦機(jī)電設(shè)備事故知識(shí)圖譜；韓一博等[35]構(gòu)建綜采設(shè)備本體模型，確定概念及關(guān)系，基于聯(lián)合編碼的方式進(jìn)行實(shí)體識(shí)別，使用圖數(shù)據(jù)庫(kù)進(jìn)行知識(shí)存儲(chǔ)，完成煤礦綜采設(shè)備知識(shí)圖譜的構(gòu)建。馮銀輝等[36]將綜采設(shè)備的故障、維修、調(diào)度和檢修記錄等信息關(guān)聯(lián)，利用 BiLSTM?CRF 模型進(jìn)行實(shí)體識(shí)別，基于帶有位置標(biāo)記的卷積神經(jīng)網(wǎng)絡(luò)（PiecewiseConvolutional Neural Network，PCNN） 按前述預(yù)定義關(guān)系模式進(jìn)行實(shí)體關(guān)系抽取，構(gòu)建了采煤機(jī)、液壓支架、刮板輸送機(jī)和泵站的知識(shí)圖譜模型及知識(shí)庫(kù)管理系統(tǒng)，并開(kāi)發(fā)智能問(wèn)答系統(tǒng)，設(shè)計(jì)了知識(shí)推理算法，利用AIML 實(shí)現(xiàn)交互式檢索問(wèn)答，從而提供智能化決策支持。

煤礦領(lǐng)域知識(shí)圖譜構(gòu)建和推理相關(guān)的研究仍處于初級(jí)階段，距離成熟的工業(yè)化應(yīng)用仍然存在較大差距。要構(gòu)建完善的煤礦領(lǐng)域知識(shí)圖譜和實(shí)現(xiàn)支持復(fù)雜場(chǎng)景智能化決策的知識(shí)圖譜推理技術(shù)，仍需克服諸多挑戰(zhàn)，包括數(shù)據(jù)源的多樣性和異構(gòu)性、復(fù)雜知識(shí)關(guān)系的表達(dá)與推理等。

2主要研究挑戰(zhàn)

本文從煤礦領(lǐng)域知識(shí)圖譜構(gòu)建的基礎(chǔ)技術(shù)、完善技術(shù)及知識(shí)圖譜推理技術(shù)3 個(gè)方面分別論述各自面臨的挑戰(zhàn)。實(shí)體識(shí)別和關(guān)系抽取是構(gòu)建煤礦領(lǐng)域知識(shí)圖譜的基礎(chǔ)技術(shù)，通過(guò)識(shí)別文本中的實(shí)體及實(shí)體對(duì)間存在的關(guān)系來(lái)構(gòu)建知識(shí)圖譜，在這一階段可能會(huì)出現(xiàn)關(guān)系不完整或錯(cuò)誤。因此，需要通過(guò)知識(shí)圖譜融合和知識(shí)圖譜糾錯(cuò)來(lái)完善初步構(gòu)建的知識(shí)圖譜。完成知識(shí)圖譜構(gòu)建后，借助知識(shí)圖譜推理技術(shù)服務(wù)于各類智能化應(yīng)用。知識(shí)圖譜構(gòu)建與推理相關(guān)技術(shù)之間的關(guān)系如圖3 所示。

2.1知識(shí)圖譜構(gòu)建基礎(chǔ)技術(shù)面臨的挑戰(zhàn)

2.1.1實(shí)體識(shí)別

在實(shí)體識(shí)別中，實(shí)體嵌套是指在文本中，多個(gè)實(shí)體以部分包含（嵌套）的方式出現(xiàn)，其中一個(gè)實(shí)體完全或部分地包含在另一個(gè)實(shí)體中。煤礦領(lǐng)域文本存在大量的嵌套實(shí)體，如：實(shí)體“堅(jiān)硬頂板水力壓裂技術(shù)”嵌套了另一個(gè)實(shí)體“堅(jiān)硬頂板”；實(shí)體“薄煤層工作面支架工作阻力”嵌套了實(shí)體“薄煤層工作面”，而“薄煤層工作面”又二次嵌套了實(shí)體“薄煤層”。

傳統(tǒng)基于序列標(biāo)注的實(shí)體識(shí)別方法將實(shí)體識(shí)別問(wèn)題轉(zhuǎn)換為字的分類問(wèn)題[37]，只對(duì)一個(gè)字標(biāo)記一個(gè)標(biāo)簽（某實(shí)體類型的開(kāi)始字、某實(shí)體類型的內(nèi)部字或非實(shí)體字），無(wú)法解決嵌套實(shí)體識(shí)別的問(wèn)題。由于嵌套實(shí)體存在單個(gè)字可同時(shí)屬于多個(gè)實(shí)體的情況，在標(biāo)注時(shí)會(huì)出現(xiàn)一字多標(biāo)簽的現(xiàn)象，使得該任務(wù)面臨相當(dāng)大的挑戰(zhàn)。

2.1.2關(guān)系抽取

關(guān)系抽取是一種典型的信息抽取任務(wù)，主要是從非結(jié)構(gòu)化文本中抽取出實(shí)體對(duì)的關(guān)系并確定實(shí)體對(duì)關(guān)系的類型[38-39]。在該任務(wù)中，2 個(gè)存在著關(guān)系的實(shí)體被稱為頭實(shí)體和尾實(shí)體，實(shí)體對(duì)關(guān)系用三元組表達(dá)，即lt;頭實(shí)體，關(guān)系類型，尾實(shí)體gt;。例如，在文本“頂板預(yù)裂爆破技術(shù)已被證明是防治堅(jiān)硬頂板沖擊礦壓災(zāi)害的有效手段之一”中，需要抽取的三元組是lt;預(yù)裂爆破技術(shù)，預(yù)防，堅(jiān)硬頂板沖擊礦壓gt;。其中，頭實(shí)體 “預(yù)裂爆破技術(shù)”與尾實(shí)體 “堅(jiān)硬頂板沖擊礦壓”存在 “預(yù)防”關(guān)系。

關(guān)系抽取任務(wù)中的實(shí)體重疊問(wèn)題是指一個(gè)實(shí)體與其他多個(gè)實(shí)體之間存在1 個(gè)或多個(gè)關(guān)系或2 個(gè)實(shí)體之間存在多個(gè)關(guān)系。煤礦領(lǐng)域知識(shí)圖譜構(gòu)建的關(guān)系抽取任務(wù)中，文本存在不同關(guān)系之間實(shí)體重疊的情況較多。在上述示例文本中，頭實(shí)體 “預(yù)裂爆破技術(shù)”與尾實(shí)體 “堅(jiān)硬頂板沖擊礦壓”存在 “預(yù)防”關(guān)系，頭實(shí)體 “預(yù)裂爆破技術(shù)”與尾實(shí)體“堅(jiān)硬頂板”存在“適用”關(guān)系，其中“預(yù)裂爆破技術(shù)”是重疊實(shí)體。在文本“煤體變形響應(yīng)除受地應(yīng)力影響外，同時(shí)還受到煤體溫度和瓦斯解吸耦合作用影響”中，“煤體變形響應(yīng)”既與“地應(yīng)力”存在“引發(fā)”關(guān)系，也與“煤體溫度”“瓦斯解吸耦合作用”存在“引發(fā)”關(guān)系，其中“煤體變形響應(yīng)”是重疊實(shí)體。

基于實(shí)體對(duì)分類器的關(guān)系抽取方法[40]將關(guān)系抽取問(wèn)題轉(zhuǎn)換為字的分類問(wèn)題，只對(duì)每個(gè)字標(biāo)記1 個(gè)標(biāo)簽（某關(guān)系類型的頭實(shí)體開(kāi)始位置、某關(guān)系類型的尾實(shí)體開(kāi)始位置、某關(guān)系類型的頭實(shí)體結(jié)束位置、某關(guān)系類型的尾實(shí)體結(jié)束位置、其他位置），這種方法導(dǎo)致每個(gè)實(shí)體只能參與1 個(gè)三元組，難以處理關(guān)系抽取中的實(shí)體重疊問(wèn)題。當(dāng)關(guān)系之間存在實(shí)體重疊時(shí)，重疊的實(shí)體需要參與多個(gè)三元組，字的標(biāo)簽不唯一，這給關(guān)系抽取帶來(lái)了很大的挑戰(zhàn)。

2.2知識(shí)圖譜構(gòu)建完善技術(shù)面臨的挑戰(zhàn)

2.2.1知識(shí)圖譜融合

知識(shí)圖譜融合是指將來(lái)自不同數(shù)據(jù)源或不同知識(shí)圖譜的信息進(jìn)行整合和合并的過(guò)程，旨在形成一個(gè)更大、更全面的知識(shí)圖譜。在煤礦領(lǐng)域，由于一個(gè)實(shí)體可能在不同數(shù)據(jù)源或不同的知識(shí)圖譜中具有不同的表示方式，知識(shí)圖譜的融合可以將來(lái)自不同數(shù)據(jù)源的知識(shí)信息整合到一個(gè)統(tǒng)一的框架中，解決數(shù)據(jù)來(lái)源多樣性帶來(lái)的問(wèn)題。

當(dāng)前大多數(shù)知識(shí)圖譜的構(gòu)建是基于不同數(shù)據(jù)源進(jìn)行的。為獲取完整性和準(zhǔn)確性更高的知識(shí)，知識(shí)圖譜融合是一項(xiàng)必不可少的工作，能夠?qū)崿F(xiàn)知識(shí)的相互補(bǔ)充和糾錯(cuò)。知識(shí)圖譜融合的關(guān)鍵問(wèn)題是實(shí)體對(duì)齊，即辨識(shí)來(lái)自不同知識(shí)圖譜的相同實(shí)體?；趯?shí)體對(duì)齊的結(jié)果可以對(duì)多個(gè)知識(shí)圖譜的相同實(shí)體對(duì)之間的關(guān)系進(jìn)行合并和糾錯(cuò)。

當(dāng)前實(shí)體對(duì)齊的主要思路是基于圖嵌入獨(dú)立完成各個(gè)知識(shí)圖譜實(shí)體的向量化表示，然后以人工標(biāo)注的對(duì)齊實(shí)體數(shù)據(jù)為訓(xùn)練集，通過(guò)學(xué)習(xí)獲得不同知識(shí)圖譜向量表示空間的變換關(guān)系模型，基于該模型實(shí)現(xiàn)未標(biāo)注實(shí)體之間的對(duì)齊。目前實(shí)體對(duì)齊依賴的重要依據(jù)是知識(shí)圖譜的結(jié)構(gòu)信息。不同知識(shí)圖譜構(gòu)建時(shí)數(shù)據(jù)源不同，異構(gòu)程度較高，如果僅利用結(jié)構(gòu)信息進(jìn)行實(shí)體對(duì)齊，則準(zhǔn)確率較低。因此，基于知識(shí)圖譜結(jié)構(gòu)的實(shí)體嵌入表示方法無(wú)法適用，適于異構(gòu)知識(shí)圖譜融合的實(shí)體對(duì)齊方法依然是一個(gè)重要的研究挑戰(zhàn)。

2.2.2知識(shí)圖譜糾錯(cuò)

知識(shí)圖譜糾錯(cuò)是對(duì)知識(shí)圖譜中存在的錯(cuò)誤、不一致或不完整性進(jìn)行識(shí)別和修正的過(guò)程。知識(shí)圖譜糾錯(cuò)的任務(wù)主要包括錯(cuò)誤識(shí)別和錯(cuò)誤修正。錯(cuò)誤識(shí)別是指識(shí)別知識(shí)圖譜中存在的錯(cuò)誤、不一致性或不準(zhǔn)確的信息，如錯(cuò)誤的實(shí)體類型、錯(cuò)誤的關(guān)系等；錯(cuò)誤修正是指對(duì)識(shí)別和定位的錯(cuò)誤進(jìn)行修正，通過(guò)替換或刪除實(shí)體或關(guān)系來(lái)糾正知識(shí)圖譜中的錯(cuò)誤。

知識(shí)圖譜涉及多種類型的實(shí)體和關(guān)系，實(shí)體間關(guān)系的一致性約束建模是知識(shí)圖譜糾錯(cuò)的關(guān)鍵，有效建模實(shí)體間關(guān)系的一致性約束對(duì)提升知識(shí)圖譜的糾錯(cuò)能力至關(guān)重要。通過(guò)判斷實(shí)體之間的關(guān)系是否與一致性約束相沖突，可以對(duì)錯(cuò)誤進(jìn)行識(shí)別，如關(guān)系類型具有排他性時(shí)，如果發(fā)現(xiàn)某實(shí)體與多個(gè)實(shí)體之間存在該類型的關(guān)系，則認(rèn)為其中存在錯(cuò)誤關(guān)系。實(shí)體間關(guān)系的一致性約束建模需要考慮領(lǐng)域內(nèi)不同關(guān)系類型的性質(zhì)，確保能夠描述各種可能的一致性約束，這一過(guò)程相對(duì)復(fù)雜且困難。因此，如何評(píng)價(jià)實(shí)體間關(guān)系的一致性約束建模的完備性成為知識(shí)圖譜糾錯(cuò)的一大挑戰(zhàn)。

2.3知識(shí)圖譜推理面臨的挑戰(zhàn)

知識(shí)圖譜推理是一種利用已有知識(shí)圖譜中的信息，通過(guò)邏輯推理或語(yǔ)義分析來(lái)發(fā)現(xiàn)新的知識(shí)的技術(shù)[41]。通過(guò)這種推理方法，能夠更深入地理解和利用大量的結(jié)構(gòu)化知識(shí)，從而支持更智能、更高效的應(yīng)用程序和服務(wù)。在煤礦領(lǐng)域，若已知事實(shí)“礦工小明被砸落的巖石擊中頭部受傷”，且知識(shí)圖譜中存在lt;礦工，使用，安全帽gt;的關(guān)系，可以推斷出小明受傷可能因?yàn)樗麤](méi)有戴安全帽。這種推理過(guò)程有助于從已知信息中推導(dǎo)出新的結(jié)論，并在煤礦安全管理等方面提供更為精準(zhǔn)和有力的支持。

目前主流的知識(shí)圖譜推理方法包括基于圖神經(jīng)網(wǎng)絡(luò)的方法和基于強(qiáng)化學(xué)習(xí)的方法?；趫D神經(jīng)網(wǎng)絡(luò)的方法通過(guò)對(duì)知識(shí)圖譜中實(shí)體進(jìn)行嵌入表示和消息傳遞，捕捉復(fù)雜的高階關(guān)系，實(shí)現(xiàn)知識(shí)圖譜的推理?；趶?qiáng)化學(xué)習(xí)的方法通常定義推理過(guò)程中的狀態(tài)、動(dòng)作和獎(jiǎng)勵(lì)函數(shù)，通過(guò)不斷試探和學(xué)習(xí)，逐步優(yōu)化推理策略，找到最優(yōu)推理路徑，實(shí)現(xiàn)知識(shí)圖譜的自動(dòng)推理。

基于圖神經(jīng)網(wǎng)絡(luò)的方法進(jìn)行知識(shí)圖譜推理的主要挑戰(zhàn)是實(shí)體嵌入表示的誤差傳播。知識(shí)圖譜中的多跳路徑由各種不同類型的實(shí)體和關(guān)系組成，這些路徑中可能包含無(wú)關(guān)或不重要的實(shí)體和關(guān)系，不相關(guān)的路徑會(huì)引入噪聲，圖神經(jīng)網(wǎng)絡(luò)在經(jīng)過(guò)多個(gè)圖卷積層增強(qiáng)圖特征提取充分性的同時(shí)，會(huì)造成實(shí)體嵌入表示誤差的傳播。解決這一問(wèn)題的關(guān)鍵在于從所有可能的路徑中識(shí)別并利用有用的信息，同時(shí)過(guò)濾噪聲信息。因此，如何進(jìn)行知識(shí)圖譜實(shí)體的嵌入表示，完成特征提取，成為圖神經(jīng)網(wǎng)絡(luò)方法進(jìn)行知識(shí)圖譜推理的一大挑戰(zhàn)。

基于強(qiáng)化學(xué)習(xí)的方法通過(guò)多跳推理來(lái)進(jìn)行知識(shí)圖譜推理，同時(shí)考慮多個(gè)路徑上的信息，涉及到跨越多個(gè)關(guān)系進(jìn)行推理，能夠提供更全面、更可靠的推理結(jié)果。然而，在選擇知識(shí)圖譜推理路徑時(shí)，需要同時(shí)考慮知識(shí)圖譜的復(fù)雜結(jié)構(gòu)、信息的不完整性、語(yǔ)義歧義及計(jì)算復(fù)雜度等因素，并在搜索空間的指數(shù)級(jí)增長(zhǎng)中用盡可能短的時(shí)間找到最相關(guān)和最有效的路徑。因此，基于強(qiáng)化學(xué)習(xí)的方法進(jìn)行知識(shí)圖譜推理時(shí)，如何選擇路徑是一大挑戰(zhàn)。

知識(shí)圖譜構(gòu)建和推理技術(shù)面臨的主要挑戰(zhàn)總結(jié)見(jiàn)表2。對(duì)煤礦領(lǐng)域而言，嵌套實(shí)體和實(shí)體重疊關(guān)系廣泛存在，亟須實(shí)體識(shí)別和關(guān)系抽取技術(shù)的突破；存在異構(gòu)知識(shí)圖譜實(shí)體對(duì)齊的現(xiàn)實(shí)需求，知識(shí)圖譜融合技術(shù)有待進(jìn)一步發(fā)展；實(shí)體間關(guān)系的一致性約束尚不明確，知識(shí)圖譜糾錯(cuò)困難；知識(shí)圖譜推理技術(shù)須在應(yīng)用中逐步發(fā)展。

3展望

3.1技術(shù)趨勢(shì)

為解決煤礦領(lǐng)域知識(shí)圖譜構(gòu)建中嵌套實(shí)體識(shí)別問(wèn)題，需研究基于跨度的識(shí)別方法。將嵌套實(shí)體識(shí)別問(wèn)題轉(zhuǎn)換為子串（稱為跨度）的分類問(wèn)題。通過(guò)研究跨度的表示方法，充分提取跨度的語(yǔ)義特征，以實(shí)現(xiàn)跨度的準(zhǔn)確分類。嵌套實(shí)體中包含的多個(gè)實(shí)體各自對(duì)應(yīng)不同的跨度，通過(guò)跨度分類可實(shí)現(xiàn)對(duì)嵌套結(jié)構(gòu)中多個(gè)實(shí)體的識(shí)別。

為解決煤礦領(lǐng)域知識(shí)圖譜構(gòu)建中關(guān)系抽取的實(shí)體重疊問(wèn)題，需研究基于多堆疊分類器的關(guān)系抽取方法。每個(gè)分類器關(guān)聯(lián)一種關(guān)系類型，用于判斷句子中是否存在與輸入頭實(shí)體存在對(duì)應(yīng)類型關(guān)系的尾實(shí)體。通過(guò)多個(gè)分類器的堆疊可有效解決多個(gè)關(guān)系中實(shí)體重疊的問(wèn)題。

為解決煤礦領(lǐng)域知識(shí)圖譜融合中的實(shí)體對(duì)齊問(wèn)題，需研究實(shí)體的嵌入表示方法。除考慮拓?fù)浣Y(jié)構(gòu)信息外，還需融入實(shí)體和關(guān)系的語(yǔ)義信息。

為解決煤礦領(lǐng)域知識(shí)圖譜中的知識(shí)圖譜糾錯(cuò)問(wèn)題，需研究實(shí)體間關(guān)系的一致性約束建模方法?；谠摲椒z測(cè)知識(shí)圖譜中存在的關(guān)系沖突，以發(fā)現(xiàn)錯(cuò)誤。

煤礦領(lǐng)域知識(shí)圖譜推理技術(shù)的研究需以應(yīng)用為驅(qū)動(dòng)，與業(yè)務(wù)場(chǎng)景密切結(jié)合。以具體業(yè)務(wù)場(chǎng)景為切入點(diǎn)，通過(guò)以點(diǎn)帶面的研究，獲取煤礦領(lǐng)域知識(shí)圖譜推理技術(shù)的最佳實(shí)踐路徑。

3.2潛在應(yīng)用場(chǎng)景

煤礦領(lǐng)域知識(shí)圖譜潛在應(yīng)用場(chǎng)景包括綜采設(shè)備故障智能診斷、安全風(fēng)險(xiǎn)實(shí)時(shí)預(yù)警與處置、災(zāi)害事故原因分析、應(yīng)急救援方案生成、生產(chǎn)組織和運(yùn)營(yíng)決策支持。在構(gòu)建煤礦領(lǐng)域知識(shí)圖譜時(shí)，首先，收集與應(yīng)用場(chǎng)景相關(guān)的數(shù)據(jù)，如煤礦領(lǐng)域?qū)W術(shù)論文和技術(shù)報(bào)告、煤礦地質(zhì)勘探資料、煤礦事故案例分析報(bào)告、煤礦設(shè)備操作手冊(cè)和維修記錄等；其次，明確定義場(chǎng)景相關(guān)的實(shí)體類型及實(shí)體之間的關(guān)系類型；然后，利用自然語(yǔ)言處理和文本挖掘技術(shù)，對(duì)收集到的文本數(shù)據(jù)進(jìn)行處理和分析，抽取出關(guān)鍵信息和知識(shí)；最后，將抽取出的知識(shí)以知識(shí)圖譜的形式進(jìn)行表示。

3.2.1基于知識(shí)圖譜的綜采設(shè)備故障智能診斷

煤礦綜采設(shè)備長(zhǎng)期運(yùn)行在潮濕、煤塵的環(huán)境下，同時(shí)承受巨大沖擊和異常振動(dòng)，故障頻繁發(fā)生。為減少設(shè)備故障對(duì)生產(chǎn)造成的不利影響，一方面需監(jiān)測(cè)設(shè)備的運(yùn)行狀態(tài)，判斷整體或局部是否存在異常，以盡早發(fā)現(xiàn)故障；另一方面需在故障發(fā)生后，準(zhǔn)確定位故障原因以盡快排除。現(xiàn)有的故障診斷方法過(guò)分依賴專家個(gè)人經(jīng)驗(yàn)，效率低下，且對(duì)歷史故障數(shù)據(jù)缺乏系統(tǒng)化管理，經(jīng)驗(yàn)和知識(shí)難以共享。

通過(guò)構(gòu)建煤礦綜采設(shè)備故障知識(shí)圖譜可有效克服現(xiàn)有故障診斷方法的缺陷。煤礦綜采設(shè)備故障知識(shí)圖譜可描述綜采設(shè)備、故障類型、故障原因及維修建議之間的關(guān)系?；谠撝R(shí)圖譜及其推理技術(shù)，可以實(shí)現(xiàn)煤礦綜采設(shè)備故障智能診斷，提高故障原因定位的準(zhǔn)確性和故障排除的效率，并且能夠基于歷史故障數(shù)據(jù)預(yù)測(cè)未來(lái)可能發(fā)生的故障，達(dá)到預(yù)知性維護(hù)的效果。

3.2.2基于知識(shí)圖譜的安全風(fēng)險(xiǎn)實(shí)時(shí)預(yù)警與處置

煤礦作業(yè)中存在的風(fēng)險(xiǎn)因素如瓦斯突出、煤塵爆炸、頂板塌陷、水害、火災(zāi)等，嚴(yán)重威脅礦工的生命安全和礦井的安全運(yùn)行。因此，實(shí)時(shí)監(jiān)測(cè)這些風(fēng)險(xiǎn)并及時(shí)預(yù)警，對(duì)于確保煤礦安全生產(chǎn)至關(guān)重要。

通過(guò)壓力傳感器、氣體檢測(cè)儀、煙霧探測(cè)器、流量計(jì)等設(shè)備對(duì)液壓系統(tǒng)、瓦斯?jié)舛?、煙霧濃度、涌水量等進(jìn)行實(shí)時(shí)監(jiān)測(cè)。然而，僅依賴實(shí)時(shí)數(shù)據(jù)監(jiān)測(cè)并不能產(chǎn)生預(yù)警和形成有效處置方案，需根據(jù)知識(shí)圖譜中實(shí)體之間的關(guān)系作進(jìn)一步推斷。當(dāng)發(fā)現(xiàn)實(shí)時(shí)數(shù)據(jù)出現(xiàn)異常時(shí)，可將其異常表現(xiàn)與知識(shí)圖譜中對(duì)應(yīng)的實(shí)體和關(guān)系進(jìn)行匹配。借助動(dòng)態(tài)分析和推理，明確潛在風(fēng)險(xiǎn)類型，追溯可能原因并生成處置方案。

3.2.3基于知識(shí)圖譜的災(zāi)害事故原因分析

隨著煤炭開(kāi)采量的增加，煤礦災(zāi)害事故的發(fā)生率也相應(yīng)增長(zhǎng)。這些災(zāi)害事故包括冒頂、瓦斯爆炸、水災(zāi)、煤塵爆炸、火災(zāi)等多種類型[42]。在災(zāi)害發(fā)生時(shí)，迅速分析出事故原因并提供有效處理措施非常重要，但卻極具挑戰(zhàn)性。這是因?yàn)槊旱V災(zāi)害事故原因復(fù)雜，往往是人員、設(shè)備、管理、環(huán)境等多種因素綜合作用的結(jié)果。構(gòu)建煤礦災(zāi)害事故知識(shí)圖譜能夠系統(tǒng)整理和關(guān)聯(lián)上述因素，有助于更全面地理解事故的形成原因。

基于煤礦災(zāi)害事故知識(shí)圖譜可以對(duì)事故原因進(jìn)行深入分析，幫助制定更加科學(xué)的政策、法規(guī)和監(jiān)管措施，以及采取更加有效的預(yù)防和控制措施，以減少煤礦災(zāi)害的發(fā)生和降低煤礦災(zāi)害的影響。

3.2.4基于知識(shí)圖譜的應(yīng)急救援方案生成

在煤礦災(zāi)害事故發(fā)生時(shí)，迅速生成有效的應(yīng)急救援方案對(duì)指導(dǎo)現(xiàn)場(chǎng)應(yīng)急救援工作至關(guān)重要。目前，煤礦企業(yè)中的災(zāi)害事故應(yīng)急預(yù)案主要以紙質(zhì)版或電子文檔的形式保存。這種方式比較落后，無(wú)法及時(shí)更新且不能反映事故發(fā)生前后的實(shí)時(shí)信息，難以高效整合各種救援知識(shí)與方案，從而降低了救援的水平[43]。

為高效整合救援知識(shí)，以生成更加科學(xué)的煤礦應(yīng)急救援方案，構(gòu)建煤礦應(yīng)急救援知識(shí)圖譜。該知識(shí)圖譜能夠?qū)崟r(shí)更新，提供準(zhǔn)確、全面的應(yīng)急救援信息?；谥R(shí)圖譜推理技術(shù)可以生成恰當(dāng)?shù)拿旱V應(yīng)急救援方案，幫助指揮人員和救援人員采取正確的行動(dòng)，提高應(yīng)急救援工作的效率和水平。

3.2.5基于知識(shí)圖譜的生產(chǎn)組織和運(yùn)營(yíng)決策支持

在煤礦企業(yè)中，涉及生產(chǎn)計(jì)劃、資源調(diào)度、安全管理和成本控制等方面的決策需要考慮大量的數(shù)據(jù)和信息?；谥R(shí)圖譜的決策支持系統(tǒng)在煤礦生產(chǎn)組織和運(yùn)營(yíng)決策中成為了一個(gè)新興技術(shù)方向。

基于上述知識(shí)圖譜及其推理技術(shù)，可以根據(jù)煤礦地質(zhì)特征、礦井結(jié)構(gòu)和采礦工藝等知識(shí)，預(yù)測(cè)礦井產(chǎn)量、能耗和安全風(fēng)險(xiǎn)，從而幫助煤礦管理層做出生產(chǎn)規(guī)劃、設(shè)備配置、安全管理等方面的合理決策。

3.2.6典型應(yīng)用場(chǎng)景示例分析

以煤礦綜采設(shè)備故障智能診斷場(chǎng)景為例，說(shuō)明知識(shí)圖譜及推理方法的應(yīng)用。

“液壓支架壓力過(guò)低”“液壓油泄漏”“液壓泵異常”“液壓油溫度升高”和“噪聲過(guò)大”均是包含在煤礦綜采設(shè)備故障知識(shí)圖譜中的實(shí)體，其中“液壓支架壓力過(guò)低”對(duì)應(yīng)的實(shí)體類型是故障種類，“液壓油泄漏”和“液壓泵異?！睂?duì)應(yīng)的實(shí)體類型是故障原因，“液壓油溫度升高”和“噪聲過(guò)大”對(duì)應(yīng)的實(shí)體類型是故障現(xiàn)象。lt;“液壓油泄漏”，“導(dǎo)致”，“液壓支架壓力過(guò)低”gt; lt;“液壓泵異?！?，“導(dǎo)致”，“液壓支架壓力過(guò)低”gt; lt;“液壓油泄漏”， “表現(xiàn)為”，“液壓油溫度升高”gt; lt;“液壓泵異?！?， “表現(xiàn)為”，“噪聲過(guò)大”gt;均為知識(shí)圖譜中存在的關(guān)系三元組。如果通過(guò)實(shí)時(shí)獲取的壓力傳感器監(jiān)測(cè)數(shù)據(jù)發(fā)現(xiàn)系統(tǒng)出現(xiàn)了“液壓支架壓力過(guò)低”這一類型的故障，結(jié)合知識(shí)圖譜中的三元組lt;“液壓油泄漏”，“導(dǎo)致”，“液壓支架壓力過(guò)低”gt;和lt;“液壓泵異?！?，“導(dǎo)致”，“液壓支架壓力過(guò)低”gt;，可以推理出可能的故障原因是“液壓油泄漏”或“液壓泵異?！薄＿M(jìn)一步分析溫度傳感器和聲音傳感器的實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)，如果出現(xiàn)“液壓油溫度升高”而沒(méi)有出現(xiàn)“噪聲過(guò)大”的現(xiàn)象，結(jié)合知識(shí)圖譜中的三元組lt;“液壓油泄漏” ， “表現(xiàn)為” ，“液壓油溫度升高”gt;和lt;“液壓泵異?！?， “表現(xiàn)為”，“噪聲過(guò)大”gt;，可以更準(zhǔn)確地推斷出系統(tǒng)出現(xiàn)“液壓支架壓力過(guò)低”這一類型故障的原因是“液壓油泄漏”而不是“液壓泵異常”。

4結(jié)語(yǔ)

梳理了知識(shí)圖譜尤其是煤礦領(lǐng)域知識(shí)圖譜的研究現(xiàn)狀，分析了煤礦領(lǐng)域知識(shí)圖譜構(gòu)建與推理技術(shù)面臨的挑戰(zhàn)，對(duì)煤礦領(lǐng)域知識(shí)圖譜構(gòu)建與推理的技術(shù)趨勢(shì)進(jìn)行展望，并列舉了煤礦領(lǐng)域知識(shí)圖譜在設(shè)備故障診斷、應(yīng)急救援方案生成、災(zāi)害事故原因分析及生產(chǎn)組織和運(yùn)營(yíng)決策支持等方面的應(yīng)用。煤礦領(lǐng)域存在大量圖像、視頻等多模態(tài)數(shù)據(jù)，未來(lái)可以構(gòu)建煤礦領(lǐng)域多模態(tài)知識(shí)圖譜，還可以融入時(shí)間信息構(gòu)建煤礦領(lǐng)域時(shí)序知識(shí)圖譜，以進(jìn)一步完善煤礦領(lǐng)域知識(shí)圖譜的內(nèi)容并提升應(yīng)用效果。