CN115033679A - 基于知识图谱搜索汽车维修数据的方法 - Google Patents
基于知识图谱搜索汽车维修数据的方法 Download PDFInfo
- Publication number
- CN115033679A CN115033679A CN202210956760.4A CN202210956760A CN115033679A CN 115033679 A CN115033679 A CN 115033679A CN 202210956760 A CN202210956760 A CN 202210956760A CN 115033679 A CN115033679 A CN 115033679A
- Authority
- CN
- China
- Prior art keywords
- fault
- automobile
- pair
- historical
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/12—Use of codes for handling textual entities
- G06F40/126—Character encoding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Human Computer Interaction (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种基于知识图谱搜索汽车维修数据的方法，在步骤S1中，故障识别单元获取用户端输入的汽车故障信息的文本，并对输入的故障信息的文本进行故障识别得到故障对并将得到的故障对发送至候选答案生成单元；能够降低汽车故障售后维修时候的沟通成本，在短时间内知道到汽车故障的相关问题，节省了售后维修的时间；通过利用自然语言处理和KBQA的技术高效解决了汽车故障维修，汽车故障原因等相关信息的咨询；解决了传统的机器人问答系统的说法表泛化问题。高效的利用结构化后的历史信息来解决相关的汽车知识的咨询从而不被说法表多样化问题约束；其候选答案是基于历史数据，更加可靠。
Description
技术领域
本发明涉及汽车服务技术领域，更具体地说，涉及一种基于知识图谱搜索汽车维修数据的方法。
背景技术
问答系统(Question Answering System, QA)是自然语言处理中重要的方向,是一种高级别信息检索系统,它用准确并且简洁的语言与用户进行交互。因此它被广泛应用于工业中的各种商业场景。
同样问答系统也适用于汽车行业多种业务场景中。用户对于基本用车操作，维修保养，优惠活动等多条场景中，用户都有大量的问题需要咨询。因此我们基于问答系统，以自动智能回复或推荐回复的方式，来提升回答用户的效率，从而更快速的解决用户的问题。针对不同类型的问题，我们采用了不同的解决方案：(1)PairQA：信息检索技术，从已有回答的问题中返回与当前问题最接近的问题答案。(2)DocQA：基于阅读理解技术，从非结构化的信息、用户评论中抽取出答案片段(3)KBQA（Knowledge-based Question Answering）：基于知识图谱问答技术，从历史结构化信息中对答案进行推理。
本方案通过利用KBQA技术，构建汽车维修知识图谱搜索引擎的实践与探索。但是实际应用时，KBQA系统面临着多方面的挑战，例如：
1、带约束问题：用户的提问通常有多条条件，例如“广州的专营店新用户有优惠吗”，需要我们对专营店所关联的优惠政策进行筛选，而不是把所有的优惠政策都回答给用户。
2、多跳问题：用户的问题涉及到知识图谱中多条节点组成的路径，例如“广州花都区的专营店的几点开门”，需要我们在图谱中先后找到广州花都区、专营店、营业时间。
发明内容
本发明要解决的技术问题在于，针对上述技术方案存在的不足，提供基于知识图谱搜索汽车维修数据的方法能够降低汽车故障售后维修时候的沟通成本，在短时间内知道到汽车故障的相关问题，节省了售后维修的时间。
本发明提供一种基于知识图谱搜索汽车维修数据的方法，所述方法包括以下步骤：
S1，故障识别单元获取用户端输入的汽车故障信息的文本，并对输入的故障信息的文本进行故障识别得到故障对并将得到的故障对发送至候选答案生成单元；
S2，所述候选答案生成单元将接收到的所述故障对及发生条件输入到知识图谱中生成侯选答案并同时产生从输入到答案的关系路径，将生成的候选答案发送至侯选答案排序单元；
S3，所述候选答案排序单元根据历史的侯选答案对各个故障对发生的原因进行计数，并将接收到的所述候选答案进行排序后输出与输入的汽车故障信息的文本最匹配的N个答案。
在本发明所述的基于知识图谱搜索汽车维修数据的方法中，所述步骤S1还包括以下步骤：
S11，所述故障识别单元从云端随机抽取多条历史的汽车故障信息的文本，将抽取的历史的汽车故障信息的文本作为样本数据，再利用标注工具对抽取的历史的汽车故障信息的文本进行人工标注，主要标注的信息为历史的汽车故障信息的文本中的故障模式和故障模型的关系，其中故障模式包括备件和现象，所述故障模型的关系包括原因故障对和结果故障对。
在本发明所述的基于知识图谱搜索汽车维修数据的方法中，所述步骤S1还包括以下子步骤：
S12，根据步骤S11获取已标注的历史的汽车故障信息的文本数据，对该历史的汽车故障信息的文本进行BIO序列标注后再对历史的汽车故障信息的文本进行向量编码，将BIO序列标注和向量编码结合得到模型的训练数据，再进一步训练实体识别模型，并识别历史的汽车维修保养的文本中的备件词和现象。
在本发明所述的基于知识图谱搜索汽车维修数据的方法中，所述步骤S1还包括以下子步骤：
S13，基于步骤S11抽取标注的多条历史的汽车故障信息的文本数据，将每条历史的汽车故障信息的文本数据中已标注的故障对作为正样本，其中未标注的故障对作为负样本并构建数据集，基于构建的数据集进行训练深度语义判别模型可得到m个备件和n个现象，其中所述故障对由一个备件和一个现象组成，对备件和现象进行笛卡尔积，可得m*n个故障对，并根据训练的故障对筛选模型从m*n的故障对中筛选出有效的故障对。
在本发明所述的基于知识图谱搜索汽车维修数据的方法中，所述步骤S1还包括以下子步骤：
S14，将步骤S13中得到的有效的故障对通过故障对标准化模型对备件和现象进行标准化，由专家预先标注和总结部分标准化备件表和现象标准化表，根据历史的汽车故障信息的文本数据训练词向量模型对故障对中的备件和现象分别推荐标准化表中最匹配的N个答案，再利用专家标注过程中的文件训练语义判别模型，判断步骤S13中的备件和现象与推荐的最匹配的N个答案进行语义判断，判断是否一致，若一致则进行相关标准化。
在本发明所述的基于知识图谱搜索汽车维修数据的方法中，所述步骤S2还包括以下子步骤：
S21，将汽车故障信息的文本识别的结果和所需查询的关系作为输入得到候选答案，其中识别的结果是故障对，所需查询的关系可以是发生故障对的原因、并发故障对、故障对的故障码或故障对的主备件或从备件。
在本发明所述的基于知识图谱搜索汽车维修数据的方法中，当使用单跳单实体查询时其关系路径为输入单个故障对实体，查询在某个条件下其发生的原因得到候选答案。
在本发明所述的基于知识图谱搜索汽车维修数据的方法中，当使用单跳双实体查询时其关系路径为输入两个故障对实体，查询在某个条件下其发生的原因得到候选答案。
在本发明所述的基于知识图谱搜索汽车维修数据的方法中，当使用双跳单实体查询时其关系路径为输入单个故障对实体，查询在某个条件下故障对发生的原因得到候选答案。
在本发明所述的基于知识图谱搜索汽车维修数据的方法中，当使用双跳双实体查询时其关系路径为输入两个故障对实体，查询在某个条件下故障对发生的原因得到候选答案。
本发明的基于知识图谱搜索汽车维修数据的方法能够降低汽车故障售后维修时候的沟通成本，在短时间内知道到汽车故障的相关问题，节省了售后维修的时间；通过利用自然语言处理和KBQA的技术高效解决了汽车故障维修，汽车故障原因等相关信息的咨询；解决了传统的机器人问答系统的说法表泛化问题。高效的利用结构化后的历史信息来解决相关的汽车知识的咨询从而不被说法表多样化问题约束；其候选答案是基于历史数据，更加可靠。
附图说明
图1是本发明基于知识图谱搜索汽车维修数据的方法实施例的流程示意图；
图2是本发明基于知识图谱搜索汽车维修数据的方法的中构建实体模型的过程的示意图；
图3是本发明基于知识图谱搜索汽车维修数据的方法中深度语义判别模型的预测过程的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1-3所示，是本发明基于知识图谱搜索汽车维修数据的方法实施例的流程示意图。提供一种基于知识图谱搜索汽车维修数据的方法，包括以下步骤：
在步骤S1中，故障识别单元获取用户端输入的汽车故障信息的文本，并对输入的故障信息的文本进行故障识别得到故障对并将得到的故障对发送至候选答案生成单元；
在步骤S2中，候选答案生成单元将接收到的故障对及发生条件输入到知识图谱中生成侯选答案并同时产生从输入到答案的关系路径，将生成的候选答案发送至侯选答案排序单元；
在步骤S3中，候选答案排序单元根据历史的侯选答案对各个故障对发生的原因进行计数，并将接收到的候选答案进行排序后输出与输入的汽车故障信息的文本最匹配的N个答案。
具体的N个答案选用次数高的优先，取其前5位答案作为最终候选答案。
在一实施例中，步骤S1还包括以下步骤：
在步骤S11中，故障识别单元从云端随机抽取多条历史的汽车故障信息的文本，将抽取的历史的汽车故障信息的文本作为样本数据，再利用标注工具对抽取的历史的汽车故障信息的文本进行人工标注，主要标注的信息为历史的汽车故障信息的文本中的故障模式和故障模型的关系，其中故障模式包括备件和现象，故障模型的关系包括原因故障对和结果故障对。对历史的汽车故障信息的文本数据的抽取与清洗。获取相关历史的汽车故障信息的文本后，在对其进行数据清洗，主要过滤乱码与英文等影响模型构建的数据。
在一实施例中，步骤S1还包括以下子步骤：
在步骤S12中，根据步骤S11获取已标注的历史的汽车故障信息的文本数据，对该历史的汽车故障信息的文本进行BIO序列标注后再对历史的汽车故障信息的文本进行向量编码，将BIO序列标注和向量编码结合得到模型的训练数据，再进一步训练实体识别模型，并识别历史的汽车维修保养的文本中的备件词和现象。
在一实施例中，步骤S1还包括以下子步骤：
在步骤S13中，基于步骤S11抽取标注的多条历史的汽车故障信息的文本数据，将每条历史的汽车故障信息的文本数据中已标注的故障对作为正样本，其中未标注的故障对作为负样本并构建数据集，基于构建的数据集进行训练深度语义判别模型可得到m个备件和n个现象，其中故障对由一个备件和一个现象组成，对备件和现象进行笛卡尔积，可得m*n个故障对，并根据训练的故障对筛选模型从m*n的故障对中筛选出有效的故障对。目的是对故障对粗排，再对粗排结果进行故障对筛选，即故障对精排。
在一实施例中，步骤S1还包括以下子步骤：
在步骤S14中，将步骤S13中得到的有效的故障对通过故障对标准化模型对备件和现象进行标准化，由专家预先标注和总结部分标准化备件表和现象标准化表，根据历史的汽车故障信息的文本数据训练词向量模型对故障对中的备件和现象分别推荐标准化表中最匹配的N个答案，再利用专家标注过程中的文件训练语义判别模型，判断步骤S3中的备件和现象与推荐的最匹配的N个答案进行语义判断，判断是否一致，若一致则进行相关标准化。目的是将故障对中的备件和现象进行标准化，也是一个将故障对中的实体与图谱中的实体链接的过程。
在一实施例中，步骤S2还包括以下子步骤：
在步骤S21中，将汽车故障信息的文本识别的结果和所需查询的关系作为输入得到候选答案，其中识别的结果是故障对，所需查询的关系可以是发生故障对的原因、并发故障对、故障对的故障码或故障对的主备件或从备件。
在一实施例中，当使用单跳单实体查询时其关系路径为输入单个故障对实体，查询在某个条件下其发生的原因得到候选答案。具体的当查询发动机异响的原因时其关系路径为：输入发动机异响得到其中一个答案是弹簧裂开。
在一实施例中，当使用单跳双实体查询时其关系路径为输入两个故障对实体，查询在某个条件下其发生的原因得到候选答案。具体的当查询发动机异响和变速箱异响同时发生的原因时其关系路径为：发动机异响与变速箱异响得到其中一个答案是驱动盘裂开。
在一实施例中，当使用双跳单实体查询时其关系路径为输入单个故障对实体，查询在某个条件下故障对发生的原因得到候选答案。具体的当查询发动机异响发生的原因时其关系路径为：发动机异响得到其中一个答案是增压器轮。
在一实施例中，当使用双跳双实体查询时其关系路径为输入两个故障对实体，查询在某个条件下故障对发生的原因得到候选答案。具体的当查询挂挡时，发动机异响的原因其关系路径为挂挡时发动机异响。
在车企中的客服问答中，用户的问题包含着大量关于汽车故障维修，例如用车的具体操作，保养，汽车故障原因，优惠政策等相关信息的咨询。传统的机器人问答系统是通过qa模式完成的问答，即数据库数据结构为问题-答案对的方式存储。这种方案对问题的多样化要求比较高，即对说法表的收集要求高，若问题超出模型对说发表的泛化范围，易搜索不出答案。而基于KBQA技术构建的知识图谱搜索引擎可以高效的利用结构化后的历史信息来解决相关的汽车知识的咨询且不被说法表多样化问题约束。基于KBQA技术构建的知识图谱搜索引擎在用户输入问题后，基于机器学习算法对用户提出的问题进行分析和理解，对知识库中的结构化信息进行查询和推导，最后将查询的准确答案返回给用户。相对于PairQA和DocQA, KBQA的候选答案是基于汽车故障信息的文本，其更加可靠。同时，它可以执行多跳查询，约束过滤，更好地处理复杂的问题。
本发明实施例提供的一种车维修知识图谱搜索引擎的方法的有益效果至少在于：
1、解决了传统的机器人问答系统的说法表泛化问题；
2、高效的利用结构化后的历史信息来解决相关的汽车知识的咨询，候选答案是基于历史数据，更加可靠。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如 ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
因此，以上所述，仅为本发明较佳的具体实施方式，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内，本发明的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种基于知识图谱搜索汽车维修数据的方法，其特征在于，所述方法包括以下步骤：
S1，故障识别单元获取用户端输入的汽车故障信息的文本，并对输入的故障信息的文本进行故障识别得到故障对并将得到的故障对发送至候选答案生成单元；
S2，所述候选答案生成单元将接收到的所述故障对及发生条件输入到知识图谱中生成侯选答案并同时产生从输入到答案的关系路径，将生成的候选答案发送至侯选答案排序单元；
S3，所述候选答案排序单元根据历史的侯选答案对各个故障对发生的原因进行计数，并将接收到的所述候选答案进行排序后输出与输入的汽车故障信息的文本最匹配的N个答案。
2.根据权利要求1所述的基于知识图谱搜索汽车维修数据的方法，其特征在于，所述步骤S1还包括以下步骤：
S11，所述故障识别单元从云端随机抽取多条历史的汽车故障信息的文本，将抽取的历史的汽车故障信息的文本作为样本数据，再利用标注工具对抽取的历史的汽车故障信息的文本进行人工标注，主要标注的信息为历史的汽车故障信息的文本中的故障模式和故障模型的关系，其中故障模式包括备件和现象，所述故障模型的关系包括原因故障对和结果故障对。
3.根据权利要求2所述的基于知识图谱搜索汽车维修数据的方法，其特征在于，所述步骤S1还包括以下子步骤：
S12，根据步骤S11获取已标注的历史的汽车故障信息的文本数据，对该历史的汽车故障信息的文本进行BIO序列标注后再对历史的汽车故障信息的文本进行向量编码，将BIO序列标注和向量编码结合得到模型的训练数据，再进一步训练实体识别模型，并识别历史的汽车维修保养的文本中的备件词和现象。
4.根据权利要求3所述的基于知识图谱搜索汽车维修数据的方法，其特征在于，所述步骤S1还包括以下子步骤：
S13，基于步骤S11抽取标注的多条历史的汽车故障信息的文本数据，将每条历史的汽车故障信息的文本数据中已标注的故障对作为正样本，其中未标注的故障对作为负样本构建数据集，基于构建的数据集进行训练深度语义判别模型得到m个备件和n个现象，其中所述故障对由一个备件和一个现象组成，对备件和现象进行笛卡尔积，可得m*n个故障对，并根据训练的故障对筛选模型从m*n的故障对中筛选出有效的故障对。
5.根据权利要求4所述的基于知识图谱搜索汽车维修数据的方法，其特征在于，所述步骤S1还包括以下子步骤：
S14，将步骤S13中得到的有效的故障对通过故障对标准化模型对备件和现象进行标准化，由专家预先标注和总结部分标准化备件表和现象标准化表，根据历史的汽车故障信息的文本数据训练词向量模型对故障对中的备件和现象分别推荐标准化表中最匹配的N个答案，再利用专家标注的文件训练语义判别模型，判断步骤S13中的备件和现象与推荐的最匹配的N个答案进行语义判断，判断是否一致，若一致则进行相关标准化。
6.根据权利要求1所述的基于知识图谱搜索汽车维修数据的方法，其特征在于，所述步骤S2还包括以下子步骤：
S21，将汽车故障信息的文本识别的结果和所需查询的关系作为输入得到候选答案，其中识别的结果是故障对，所需查询的关系可以是发生故障对的原因、并发故障对、故障对的故障码或故障对的主备件或从备件。
7.根据权利要求6所述的基于知识图谱搜索汽车维修数据的方法，其特征在于，当使用单跳单实体查询时其关系路径为输入单个故障对实体，查询在某个条件下其发生的原因得到候选答案。
8.根据权利要求7所述的基于知识图谱搜索汽车维修数据的方法，其特征在于，当使用单跳双实体查询时其关系路径为输入两个故障对实体，查询在某个条件下其发生的原因得到候选答案。
9.根据权利要求8所述的基于知识图谱搜索汽车维修数据的方法，其特征在于，当使用双跳单实体查询时其关系路径为输入单个故障对实体，查询在某个条件下故障对发生的原因得到候选答案。
10.根据权利要求9所述的基于知识图谱搜索汽车维修数据的方法，其特征在于，当使用双跳双实体查询时其关系路径为输入两个故障对实体，查询在某个条件下故障对发生的原因得到候选答案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210956760.4A CN115033679B (zh) | 2022-08-10 | 2022-08-10 | 基于知识图谱搜索汽车维修数据的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210956760.4A CN115033679B (zh) | 2022-08-10 | 2022-08-10 | 基于知识图谱搜索汽车维修数据的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115033679A true CN115033679A (zh) | 2022-09-09 |
| CN115033679B CN115033679B (zh) | 2023-01-13 |
Family
ID=83130454
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210956760.4A Active CN115033679B (zh) | 2022-08-10 | 2022-08-10 | 基于知识图谱搜索汽车维修数据的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115033679B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115659056A (zh) * | 2022-12-28 | 2023-01-31 | 北京百车宝科技有限公司 | 基于大数据的用户服务精准匹配系统 |
| CN116129551A (zh) * | 2022-12-09 | 2023-05-16 | 浙江凌骁能源科技有限公司 | 汽车故障根因分析方法、装置、计算机设备和存储介质 |
| CN116414990A (zh) * | 2023-06-05 | 2023-07-11 | 深圳联友科技有限公司 | 一种车辆故障诊断与预防方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106294762A (zh) * | 2016-08-11 | 2017-01-04 | 齐鲁工业大学 | 一种基于学习的实体识别方法 |
| CN110717018A (zh) * | 2019-04-15 | 2020-01-21 | 中国石油大学(华东) | 一种基于知识图谱的工业设备故障维修问答系统 |
| CN112287095A (zh) * | 2020-12-30 | 2021-01-29 | 中航信移动科技有限公司 | 确定问题答案的方法、装置、计算机设备及存储介质 |
| CN114328963A (zh) * | 2021-12-29 | 2022-04-12 | 安徽继远软件有限公司 | 基于知识图谱的故障处置辅助决策系统及方法 |
| CN114691831A (zh) * | 2022-03-31 | 2022-07-01 | 彩虹无线（北京）新技术有限公司 | 一种基于知识图谱的任务型汽车故障智能问答系统 |
| CN114841347A (zh) * | 2022-04-02 | 2022-08-02 | 中国工商银行股份有限公司 | 基于知识图谱的自助故障诊断方法及装置 |
-
2022
- 2022-08-10 CN CN202210956760.4A patent/CN115033679B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106294762A (zh) * | 2016-08-11 | 2017-01-04 | 齐鲁工业大学 | 一种基于学习的实体识别方法 |
| CN110717018A (zh) * | 2019-04-15 | 2020-01-21 | 中国石油大学(华东) | 一种基于知识图谱的工业设备故障维修问答系统 |
| CN112287095A (zh) * | 2020-12-30 | 2021-01-29 | 中航信移动科技有限公司 | 确定问题答案的方法、装置、计算机设备及存储介质 |
| CN114328963A (zh) * | 2021-12-29 | 2022-04-12 | 安徽继远软件有限公司 | 基于知识图谱的故障处置辅助决策系统及方法 |
| CN114691831A (zh) * | 2022-03-31 | 2022-07-01 | 彩虹无线（北京）新技术有限公司 | 一种基于知识图谱的任务型汽车故障智能问答系统 |
| CN114841347A (zh) * | 2022-04-02 | 2022-08-02 | 中国工商银行股份有限公司 | 基于知识图谱的自助故障诊断方法及装置 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116129551A (zh) * | 2022-12-09 | 2023-05-16 | 浙江凌骁能源科技有限公司 | 汽车故障根因分析方法、装置、计算机设备和存储介质 |
| CN116129551B (zh) * | 2022-12-09 | 2024-08-27 | 浙江凌骁能源科技有限公司 | 汽车故障根因分析方法、装置、计算机设备和存储介质 |
| CN115659056A (zh) * | 2022-12-28 | 2023-01-31 | 北京百车宝科技有限公司 | 基于大数据的用户服务精准匹配系统 |
| CN116414990A (zh) * | 2023-06-05 | 2023-07-11 | 深圳联友科技有限公司 | 一种车辆故障诊断与预防方法 |
| CN116414990B (zh) * | 2023-06-05 | 2023-08-11 | 深圳联友科技有限公司 | 一种车辆故障诊断与预防方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115033679B (zh) | 2023-01-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115033679B (zh) | 基于知识图谱搜索汽车维修数据的方法 | |
| CN110807085B (zh) | 故障信息的查询方法及装置、存储介质、电子装置 | |
| CN113051382A (zh) | 一种基于知识图谱的电力故障智能问答方法及装置 | |
| CN102163317A (zh) | 用于确定车辆保修报告中出现的问题的文字提取 | |
| CN106649557B (zh) | 一种缺陷报告与邮件列表语义关联挖掘方法 | |
| CN111666425A (zh) | 基于语义知识的汽配件搜索方法 | |
| CN113570380A (zh) | 基于语义分析的业务投诉处理方法、装置、设备及计算机可读存储介质 | |
| CN114218402A (zh) | 一种计算机硬件故障更换件推荐的方法 | |
| Arnarsson et al. | Supporting knowledge re-use with effective searches of related engineering documents-a comparison of search engine and natural language processing-based algorithms | |
| CN110689371A (zh) | 一种基于ai和大数据的智能营销云服务平台 | |
| CN117332858A (zh) | 基于知识图谱的汽车故障智能诊断系统的构建方法 | |
| Bach et al. | A case-based reasoning approach for providing machine diagnosis from service reports | |
| CN115358481A (zh) | 一种企业外迁预警识别的方法、系统及装置 | |
| Bergmann | Highlights of the european INRECA projects | |
| CN115048532A (zh) | 基于知识图谱的汽车维修场景智能问答机器人及设计方法 | |
| CN112199488A (zh) | 面向电力客服问答的渐增式知识图谱实体抽取方法和系统 | |
| Hamza et al. | a Comparison of Sentimental Analysis Algorithms on Twitter Data Using Machine Learning | |
| CN110147980A (zh) | 工单处理方法及装置 | |
| Ashari et al. | Analyzing Public Opinion on Electrical Vehicles in Indonesia Using Sentiment Analysis and Topic Modeling | |
| CN116452212A (zh) | 一种智能客服商品知识库信息管理方法及系统 | |
| CN116071013A (zh) | 一种环保产业科技咨询服务平台 | |
| Siwczyk et al. | White Spot Analysis: The potential of patent information for research and development | |
| CN112800219A (zh) | 客服日志反馈回流数据库的方法及系统 | |
| Marzec et al. | Verification of text mining techniques accuracy when dealing with urban buses maintenance data | |
| CN116707834B (zh) | 一种基于云存储的分布式大数据取证与分析平台 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |