基于知識圖譜實現企業文檔知識化管理研究

高靖宇 楊俊 劉園麗 劉勇堅 李緒平

摘 要：企業文檔資料越來越多，普遍存在保存困難，查找、使用不方便、知識管理難的問題。企業知識一般主要建立在企業文檔數據基礎上，通過信息關聯和處理，形成用以支持業務應用和領導決策的數據資源;知識圖譜的核心是建立實體與實體的關系，形成知識網絡。因此，將知識圖譜及相關技術應用到企業知識管理過程中，用于解決以上問題有重要意義。本課題是通過應用知識圖譜技術，在企業內部的文檔庫、數據庫的基礎上，構建企業知識圖譜，以支撐企業的搜索引擎、智能推薦、智能問答等方面，優化企業知識管理的用戶體驗，提高知識服務的準確性和便捷性。

關鍵詞：知識圖譜;知識管理;文檔智能管理

中圖分類號：X913 文獻標識碼：A 文章編號：1671-2064（2019）22-0241-02

0 引言

目前企業文檔管理主要使用FTP或云盤進行文件存儲，存儲類型較為單一，僅存儲了文檔、表格、圖片等文件類型;文檔應用較為簡單，只是進行查詢和下載;文檔之間關聯性較弱，無法通過分類或標簽將不同類型文檔關聯到一起;無文檔版本管理，僅通過創建日期或命名來判斷版本新舊，經常出現一個文件多個版本或版本應用錯誤的問題。隨著企業文檔的持續增加，在企業文檔管理中普遍存在文檔數量持續增長，造成保存困難;文檔版本管理混亂;資源協作共享困難;查找、使用不方便;知識資源閑置，安全缺乏保障等問題。如何建立文檔間信息的聯系，如何實現知識資源的融合共享，如何幫助用戶快速檢索和找到所需要的知識，并據此實現新知識的生產，以及應用到業務實踐中等，對現代企業越來越重要。企業知識一般主要建立在文檔數據基礎上，通過信息關聯和處理，形成用以支持業務應用和領導決策的數據資源;知識圖譜的核心是建立實體與實體的關系，形成知識網絡。因此，將知識圖譜及相關技術應用到企業知識管理過程中，用于解決以上問題有重要意義。

基于知識圖譜實現企業文檔知識化管理研究，是通過應用知識圖譜技術實現企業文檔知識化管理目標。在企業內部的文檔庫、數據庫的基礎上，構建企業知識圖譜，以支撐企業業務的創新與應用，改善企業知識管理和應用方式，提高企業知識開發與利用的便捷性和準確性，為最終實現“信息化智慧型企業”打下堅實基礎。

1 相關理論研究

知識圖譜概念最初來源于語義網絡，1956年由Richard H于最早提出;進入21世紀，Berners Lee提出了語義Web的概念。在此基礎上，谷歌公司在2012年提出“知識圖譜”概念，知識圖譜是一種描述實體之間關系的語義網絡，可以對現實世界的事物及其相互關系進行描述。谷歌當初主要目的是用于改善其搜索引擎的智能化水平，可以此為基礎構建新一代的智能化搜索引擎。目前知識圖譜技術已被互聯網企業用于各種大型的知識庫建設。

知識圖譜建立主要涉及三大關鍵技術：知識抽取、知識融合和知識加工。知識抽取過程包括：實體抽取、關系抽取以及屬性值抽取，知識抽取的的質量很大程度影響知識圖譜的生成質量。知識融合是通過實體關聯和知識并合，來消除知識中的概念歧義、錯誤和冗余，保證知識庫的建設質量。知識加工主要步驟包括：本體構建、知識推理和質量驗證，目的是通過計算與推理，豐富知識網絡體系。

2 企業知識圖譜構建

企業知識圖譜的構建，需首先梳通過對企業知識管理的現狀進行調研;梳理企業構建知識圖譜的數據來源、數據特征、數據流向及管理機制;了解企業知識開發利用中面臨的問題，以及企業知識管理需求;進一步明確建立企業知識圖譜的目標要求，并明確知識圖譜的具體應用場景（如圖1所示）。

2.1 數據獲取

首先需要明確知識的來源、類型、結構、存儲方式，企業知識一般主要來源于企業的工作文件、管理文件、技術文件等，以及信息系統等積累的數據，其中包括企業工作論壇和個人微博等。

2.2 知識抽取

知識抽取是從企業各種非結構化和半結構化的數據源中，提取出知識實體、屬性和實體關系，形成結構化的知識描述。

知識抽取主要過程包括：實體抽取、關系抽取和屬性抽取。實體抽取是指從文本數據中識別出命名實體;屬性抽取是識別出企業的機構、人員、設備、文檔等實體的屬性;關系抽取是抽取出實體與實體之間存在的關系，將分散的知識關聯起來。

2.3 知識融合

通過知識抽取后，獲得了知識單元實體、實體的關聯關系以及實體的屬性信息，但這些信息僅是知識碎片，散亂無章，有些知識碎片可能是錯誤碎片，并且各知識碎片間缺乏必要的層次和邏輯;那么如何解決這一問題，就需通過知識融合來解決。

知識融合，就是從文本中抽取得到的實體對象，鏈接到知識庫中其他相關的實體對象的操作，消除實體指稱項與實體對象之間的歧義，得到一系列基本的事實表達，并通過知識建模方式，將知識實體以一種結構化、規范化的方式組合成知識體系。

2.4 知識加工

從原始數據源中提取出了知識實體、實體關系與實體屬性等要素，并且經過知識融合得到一系列基本的事實表達，但事實表達并非是可利用的知識。還需進一步進行知識加工，才能最終獲得結構化、網絡化的知識體系。知識加工是通過本體抽取、知識推理和質量驗證等技術，進一步深度獲取知識間的關聯和邏輯關系，得到的知識網絡體系更加緊密和豐富。

2.5 知識更新

知識圖譜的內容更新有兩種方式：（1）全面更新：是以所有原始數據為輸入數據，重新開始構建全部知識圖譜。這種方法比較簡單，但對資源消耗大。（2）增量更新：以當前新增數據為輸入，向現有知識圖譜中添加新增知識。這種方式資源消耗小，但一般需要大量人工干預，實施組織比較困難。

2.6 知識應用

即通過知識應用技術的提升，對進一步挖掘知識應用潛力，擴展知識的應用范圍;同時將知識圖譜與移動通信、人工智能等新技術的結合，從多個層面深化和擴展企業知識應用場景。

3 基于知識圖譜的企業知識應用

企業知識應用目的對企業知識資源進行有效管理和利用，促進知識在企業內的順暢交換和分享，提升工作效率和服務質量，助力企業競爭力提升。結合大數據分析、人工智能等新技術，在企業知識圖譜的基礎上，可實現知識的智能搜索、智能推薦、不一致性驗證、異常分析、智能問答、決策支持等創新應用。

3.1 智能搜索

智能搜索是知識圖譜最為典型的應用場景，谷歌最初提出知識圖譜技術就是應用于搜索引擎。也是自動給出與相關事物相關的搜索結果，并構建事物關系圖，查看更多維度的數據。

3.2 智能推薦

智能推薦是將不同的業務知識精準推薦到企業員工，促進企業內部知識的傳播與流通，是一種智能化的企業知識傳播方式。在企業內部，主要應用場景包括：（1）場景化推薦;（2）任務型推薦;（3）跨領域的推薦。

3.3 不一致性驗證

通過知識關系的推理，對信息的不一致性進行驗證，類似交叉驗證，盡量避免錯誤信息傳播和使用。

3.4 異常分析

異常分析包括靜態分析和動態分析。靜態分析：給定一個知識結構和某個時間點，從中去發現一些異常點。動態分析：分析其結構隨時間變化的趨勢。假設短時間內知識圖譜結構的變化不會太大，如果它的變化很大，就說明可能存在異常，需要進一步的關注和提醒。

3.5 智能問答系統

智能問答系統是基于傳統的信息檢索技術基礎上，結合知識圖譜技術，能夠為用戶提供準確簡潔的問題解答。目前很多問答平臺引入了知識圖譜，如國內百度公司研發的小度機器人，專門為各類互聯網平臺提供智能問答解決方案。

3.6 決策支持

基于企業知識圖譜，信息系統將相關決策支持知識，智能地與企業的生產計劃、執行調度和流程審批等決策點關聯起來，以支持或輔助決策。借助知識圖譜可及時感知市場新的關系和變化，例如通過知識圖譜對市場的變化進行智能檢測，幫助企業管理者及時發現市場變化和產品趨勢，及時采取措施。

4 結語

事實上，基于知識圖譜的企業知識應用遠不止于此。整個企業與其外部世界就是一張巨大的知識圖譜，是無數個實體關系對，近年來企業界對圖數據庫、知識圖譜的巨大應用價值給予越來越多的關注。識圖譜目前在新聞、金融、司法等領域的應用比較成功，在企業知識管理中的應用比較鮮見。本文雖然提出了基于知識圖譜實現企業文檔知識化建設思路和方法，并對其應用場景進行了探討，但研究仍然還不夠全面與深入，需要進一步在實踐中持續改進和完善。

參考文獻

[1] 彭鑫.基于知識管理的企業知識圖譜構建研究[D].武漢：武漢大學，2018.

[2] 曹倩，等.知識圖譜的技術實現流程及相關應用[J].北京：情報理論與實踐，2015（12）：131-136.

[3] 劉嶠，等.知識圖譜構建技術綜述[J].北京：計算機研究與發展，2016（3）：582-600.

[4] 趙宇.知識圖譜自動演進算法研究[D].北京：北京郵電大學，2017.

[5] 聶莉莉.概述知識圖譜在人工智能中的應用[J].北京：醫學信息學，2018（06）：11-16.