[發明專利]一種配網實體相關的語義搜索方法

在審

• 申請號: 202010864615.4
• 申請日: 2020-08-25
• 公開（公告）號: CN112036178A
• 公開（公告）日: 2020-12-04
• 發明（設計）人: 王鑫;張淑娟;汪玉;趙龍;胡世駿;秦丹丹;鄭高峰;劉麗;李龍躍;高博;徐斌;袁方;李金中;王瀟;孫偉;李博;卞真旭;金雨楠;錢光超;仇茹嘉
• 申請（專利權）人: 國家電網有限公司;國網安徽省電力有限公司;國網安徽省電力有限公司電力科學研究院
• 主分類號: G06F40/289
• 分類號: G06F40/289;G06F40/30;G06F16/33
• 代理公司: 西安毅聯專利代理有限公司 61225
• 代理人: 楊燕珠

本發明為一種配網實體相關的語義搜索方法，其特征在于包括：對配網實體中的文本進行基于詞頻統計的分詞方法進行分詞，得到詞庫；對配網實體中的文本進行模型分詞，得到詞庫；合并基于詞頻的詞庫和基于模型的詞庫；對詞庫中分詞錯誤的專有名詞進行標注；用標注的詞語對配網實體中的文本進行大量的訓練，得到詞庫；合并上述的三個詞庫，是基于Jieba分詞包；所述Jieba分詞包可以添加自己標注的專業詞語；對詞庫進行大量的訓練之前先將換行符、句號、逗號等分隔符將全文分成短句；基于詞頻統計分詞是統計任意兩個字同時出現的頻率。

技術領域

本發明一種配網實體相關的語義搜索方法，涉及圖數據庫和語義搜索。

背景技術

對于拓撲數據實體的搜索一方面需要通過業務人員協助定位到具體的系統和物理表，另一方面還需要數據管理人員編寫固定的查詢語句在數據庫中進行關聯檢索。這種數據資源檢索方式不僅費時費力，而且方法的可拓展性差，對不同類別的實體進行搜索時，需要業務人員和數據管理人員重新進行處理，難以覆蓋到全業務統一數據中心中所有的配網拓撲數據實體。

為克服現有搜索引擎搜索內容局限于關鍵字段、搜索效率較低、查詢結果無序且單一等問題，本項目以知識圖譜、自然語言處理等技術為基礎，分析信息搜索特征，開展基于語義的配網數據資源智能搜索工作。首先，通過配網實體名稱識別模型訓練，使其能夠精確識別電網領域內專有實體名稱，其次通過詞法分析、語法分析、語義識別等自然語言處理技術，對用戶輸入的自然語言問題進行語義解析；再利用倒排索引技術，對知識圖譜中文本信息構建索引，為快速對搜索目標進行定位提供技術支撐；最后，對結果列表進行相關性計算，將相關性最高的結果返回給用戶。

發明內容

本發明的目的在于解決配網實體中語義搜索的問題。

實現本發明的技術方案如下：

本發明為一種配網實體相關的語義搜索方法，包括步驟1：對配網實體中的文本進行分詞；

S1、對配網實體中的文本基于詞頻的方法得到第一詞庫；

S2、使用配網實體名稱識別模型對配網實體中的文本進行分詞，得到第二詞庫；

S3、合并第一詞庫和第二詞庫得到合并詞庫；

S4、人工對合并詞庫中分詞錯誤的詞語進行刪除，并在配網實體中的文本中標注出對應分詞錯誤的正確詞語，得到標注文本；

S5、使用配網實體名稱識別模型對標注文本再次分詞，得到第三詞庫；

S6、重復S2～S5，直至得到最終詞庫；

優選的，步驟S1基于詞頻的方法是基于Jieba分詞包的一種處理方式；

優先的，在進行所述步驟S1之前，先以換行符、句號、逗號等分隔符將全文分成短句；

優選的，步驟S2配網實體名稱識別模型是BiLSTM-CRF的模型；

優選的，步驟S6重復S2～S5，重復的次數至少一次；

一種配網實體相關的語義搜索方法，，包括以下步驟：

步驟1：對配網實體中的文本進行分詞，并將分詞分解成單個的字符形式，得到字符表和詞組表；

步驟2：將步驟1中的字符表中的字符進行向量化，得到字符向量；

步驟3：將步驟1中的詞組表中的詞組利用模型訓練得到詞向量；

步驟4：將步驟2中得到的字符向量和詞向量進行合并，得到上下文信息向量；

步驟5：將步驟4中得到上下文信息向量信息傳入雙向LSTM進行訓練，得到輸入文本的語義信息特征；