1.本发明属于自然语言处理领域。
背景技术：2.以知识图谱为代表的处理关联数据的大数据应用技术是解决飞机维修领域各类故障最有效的手段。知识图谱能够实现数据信息的语义分析，通过在实体之间建立三元组关系，借助图像的形式将各类信息反馈出来。能够实现对飞机维修领域非结构化数据信息的有效维护和维修日志的准确记录，便于提取繁杂维修数据中的相关行业知识。
3.当前，机载传感器行业知识图谱研究相关甚少，飞机维修领域知识图谱研究工作较为缺乏。飞机维修领域实体识别可以实现对特定目标的识别，也就是针对非结构化的目标对象中识别出维修日期、维修站点、维修故障类型、维修章节号等实现对不同载体的科学分析，从而实现对非结构维修日志文本结构化。该领域知识图谱的建立主要分为实体识别和实体关系抽取两个部分。
4.目前而言，飞机维修领域实体有以下特点：实体长度比较长、例如机维修手册任务号(ammtask49-52-31-400-801)、实体和关系类型数量庞大、类型多样。因此基于传统识别方法的准确率相对较低，且费时费力。当前实体识别主流算法采用bert_bilstm_crf模型，但这种实体识别算法以字符级输入的序列标注，会破坏语义的完整性。生成训练样本时分开的子词会随机被mask，对机载实体词语的原始意义造成负面影响。因此，本发明在改进型bert_bilstm_crf基础上，加入快速梯度方法(fmg，fast gradient method)进行对抗训练来克服上述缺点，提出一种bert_fmg_bilstm_crf方法。
5.飞机维修领域已知关系抽取算法存在的问题如下：传统的基于依存关系模型不能很好的处理主实体(subject)和客实体(object)。同时存在较大噪声、现在已有的实体关系抽取算法无法解决同一个subject对应多个(predicate，object)的问题。本发明在bilstm_attion模型基础上提出了双层bilstm和词语层注意机制、句子层注意机制，利用softmax分类器实现多角度关系抽取，改善上述问题。
技术实现要素：6.本发明提出一种基于bert_fmg_bilstm_crf和双层bilstm_att的飞机维修领域知识图谱构建方法。该方法步骤如下：
7.(1)步骤一：先对数据进行预处理，预分词(pre_tokenize)后输入嵌入层，利用改进bert得到输入初始维修文本的向量表示。
8.(2)步骤二：用fmg方法计算对抗扰动δx，将生成的对抗样本加入到训练数据集，提高模型的泛化能力。
9.(3)步骤三：将更新过的飞机维修文本向量输入基线模型bilstm_crf，完成特征提取和解码，完成基于bert_fmg_bilstm_crf的实体抽取。
10.(4)步骤四：关系抽取，通过词向量ww和位置特征向量w
p
得到每个词的特征融合向
量u，依次输入到双层bilstm并融合词语级、句子级注意力机制，得到表征输入句子的向量集合。重复该步骤以确定最优参数，完成基于双层bilstm_att的关系抽取。
附图说明
11.附图1为改进bert嵌入层结构。
12.附图2为对抗训练流程。
13.附图3为改进型bert加入fmg对抗训练的模型结构。
14.附图4为改进型bert_fmg_bilstm_crf实体识别训练算法流程。
15.附图5为飞机维修实体识别模型整体结构。
16.附图6为机载传感器实体识别结果。
17.附图7为双层bilstm结构。
18.附图8为句子级注意力机制工作原理。
19.附图9为飞机维修关系抽取结果。
具体实施方式
20.步骤一：先对数据进行预处理，预分词(pre_tokenize)后输入嵌入层，利用改进bert得到输入初始维修文本的向量表示。
21.把特定的维修领域专属词典加入到bert字典vocab.txt当中；输入一个句子s，用pre_tokenize先进行一次分词操作，得到{w1,w2,....w
l
}；遍历各个wi，如果wi在词表中则保留，否则将wi用bert自带的tokenize函数再分一次；将每个wi的tokenize结果有序拼接起来，作为最后的结果{tok1,tok2,....tokn}。该改进bert嵌入层结构如图1所示。
22.通过以上改进，bert分词时将这些词语的信息加入分词结构中，在中文环境中，在将输入句子转换为词向量的时候，将会对句子中完整的词语进行随机遮挡，而不会是单纯随机遮挡该词语中的某个字。再通过字嵌入、段嵌入和位置嵌入输出词向量嵌入{e
[cls]
,e1,e2,e3,....en,e
[sep]
}。将词向量嵌入输入双向transformer编码器训练后生成文本的向量表示。
[0023]
步骤二：用fmg方法计算对抗扰动δx，将生成的对抗样本加入到训练数据集，提高模型的泛化能力。
[0024]
本发明在词嵌入层加入了对抗训练，对抗训练扰动添加的实现形式是在embedding的参数矩阵开展的。假设输入的文本序列的embedding为x，对抗训练的一般原理可以用最大最小化公式来体现，见式(1)：
[0025][0026]
式(1)中，d代表训练集，y代表标签，θ是模型参数，l(x,y；θ)是单个样本的loss，δx是对抗扰动，ω是扰动空间，其目的在于选择合适的对抗扰动来使得单个样本的loss达到最大且最小化神经网络的模型参数θ。
[0027]
具体步骤为：向输入x中加入对抗扰动δx使l(x,y；θ)尽可能大，当每个样本都构造出其对抗样本δx+x之后，再用(δx+x,y)作为数据对去最小化loss来更新参数θ；式(1)中δx的目的在于使l(δx+x,y；θ)增大，通过使梯度上升的方法增大loss如式(2)：
[0028][0029]
为了防止δx过大，对δx进行标准化如式(3)：
[0030][0031]
整体对抗训练流程如图2所示。得到δx之后将其带入式(1)进行优化，实现embedding层的参数更新。结合步骤一，改进型bert加入fmg对抗训练的模型结构如图3所示。
[0032]
步骤三：将更新过的飞机维修文本向量输入基线模型bilstm_crf，完成特征提取和解码，完成基于bert_fmg_bilstm_crf的实体抽取，改进型bert_fmg_bilstm_crf实体识别训练算法流程如图4所示，结合步骤一、二，飞机维修实体识别模型整体结构如图5所示。
[0033]
bilstm层是由前向长短记忆网络lstm和后向lstm组成的，实现文本在序列空间方面的关联分析。bilstm_crf模型能够将双向长短记忆网络bilstm和条件随机场crf模型结合起来。设输入序列为x＝(x1,x2,...,xn)，输出预测标签序列为y＝(y1,y2,...,yn)。bilstm的输出矩阵为p，p
ij
代表词xi映射到标签yj的非归一化概率。p的维度为n
×
k,k为标签的类别数。
[0034]
在双向长短记忆网络bilstm的隐藏层输出之后，进入条件随机场crf作为其输入。设crf的转移矩阵为a，a
ij
代表标签yi到yj的转移概率。y0和yn是句子的开始和结束标签,则a的维度为(k+2)
×
(k+2)。
[0035]
定义得分函数如式(4)：
[0036][0037]
利用softmax函数，为每一个正确的标签序列y定义一个概率值，y
x
为所有可能预测的标签序列，具体概率值如式(5)：
[0038][0039]
在训练过程中，最大化p(y|x)的对数似然:
[0040][0041]
将loss损失函数定义为：
[0042][0043]
在解码时，选择y
*
作为输出预测标签序列，通过动态规划算法求得y
*
为：
[0044][0045]
通过以上步骤进对数据进行实体抽取，对于机载传感器的实体识别结果较好，如图6所示。
[0046]
步骤四：通过词向量ww和位置特征向量w
p
得到每个词的特征融合向量u，依次输入到双层bilstm并融合词语级、句子级注意力机制，得到表征输入句子的向量集合。重复该步骤以确定最优参数，完成基于双层bilstm_att的关系抽取。
[0047]
①
特征向量生成主要包括词向量和位置特征向量。其中词向量依靠中文分词工具jieba生成，对输入的文本用jieba分词工具进行分词，并调用gensim包采用cbow的方式对所有文本进行了词向量训练，生成关于机载传感器文本数据的词向量结果ww。
[0048]
为扩展输入的表示能力，引入位置特征向量w
p
。每个位置之间的相对距离利用位置特征向量来进行区分。位置特征向量的具体表示是，给出一个句子s＝{w1,w2,...wn}表示句子序列，其中wn表示该句子的第n词。第s个词序列ws和第t个词序列w
t
距离第i个词序列wi的相对距离如式(x)：
[0049]ds
＝i-s
ꢀꢀꢀ
(9)
[0050]dt
＝i-t
ꢀꢀꢀ
(10)
[0051]
通过词向量ww和位置特征向量w
p
得到每个词的特征融合向量u＝{u1,u2,...un}，依次输入到双层bilstm。
[0052]
②
双层bilstm层由双层的两个子lstm网络组成，其结构如图7所示：设其中一个lstm的输入为向量x
t
＝{x1,x2,...xn}，lstm的输出是向量h
t
。利用在t-1时刻lstm网络隐藏层的输出h
t-1
和t时刻(当前时刻)的词向量x
t
，可以计算出遗忘门f
t
的值如式(11)：
[0053]ft
＝σ(wf·
[h
t-1
,x
t
]+bf)
ꢀꢀꢀ
(11)
[0054]
输入门i
t
计算如式(12)所示：
[0055]it
＝σ(wi·
[h
t-1
,x
t
]+bi)
ꢀꢀꢀ
(12)
[0056]
输出门o
t
计算如式(x)所示：
[0057]ot
＝σ(wo·
[h
t-1
,x
t
]+bo)
ꢀꢀꢀ
(13)
[0058]
式(13)中σ是sigmoid函数，中间值计算如式(14)所示:
[0059][0060]
式(14)中tanh是双曲正切函数，也即激活函数。式(11)、(12)、(13)、(14)中bf,bi,bo,bc是相应的偏移量。利用遗忘门的值、输入门的值、t时刻(此时刻)以及t-1(前一时刻)的临时值可以计算c
t
值计算如式(15)所示：
[0061][0062]
进一步推出：
[0063]ct
＝f
t
*c
t-1
+i
t
*tanh(wc·
[h
t-1
,x
t
]+bc)
ꢀꢀꢀ
(16)
[0064]
最后，隐藏层的状态h
t
更新计算如式(17)所示：
[0065]ht
＝o
t
×
tanh(c
t
)
ꢀꢀꢀ
(17)
[0066]
设u＝{u1,u2,...un}是句子长度为n的融合特征向量，在对句子级处理时，将输入
句子的融合特征向量分别输入至bilstm的前向lstm网络和后向lstm网络当中，前向lstm和后向lstm组合成了双向bilstm，隐藏层的状态h
t
更新如式(18)、(19)：
[0067][0068][0069]
这样bilstm就具备了良好的获取语义信息的能力。此时完成了输入句子及反句的全文编码。双层bilstm中的两层bilstm面向对象不同，但搭建方式相同，将全文编码输入到双层bilstm结构中得到文本表示h如式(20)所示：
[0070][0071]
将句子分词标注之后的特征融合向量编码输入至bilstm层后输出给词语级注意力机制就可以得到融合了语义信息的句子特征向量如式(21)，句子级注意力机制工作原理如图8所示。
[0072]mw
＝tanh(hw)
ꢀꢀꢀ
(21)
[0073]
式(21)中hw为h
t
所构成的特征矩阵。
[0074]
将句子特征向量输入至第二层bilstm后再通过句子级注意力机制就可以得到能表征句子的向量集合如式(22)、(23)：
[0075]
α＝soft max(w
wlmw
)
ꢀꢀꢀ
(22)
[0076]
s＝αhwꢀꢀꢀ
(23)
[0077]
式(22)、(23)中α为词语层注意力权重，s为加权句子特征向量,w
wl
是训练的参数向量。
[0078]
③
利用softmax的多元关系分类，就可以实现从表征输入句子的向量集合到输出关系结果的转变。首先明确实体对应索引之后，结合函数实现对其定性分析，找出其存在的概率。结合句子级注意力层的特征向量分析，概率值如公式(24)所示:
[0079][0080]
式(24)中ri为抽取的关系，c为输入句子集合，θ为参数。然后使用交叉熵来定义目标函数如公式(25)所示:
[0081][0082]
④
重复上述步骤，实现对双层bilstm_词句级att模型进行训练，这样就可以明确模型的参数空间子集、参数范围，以及最优参数。
[0083]
保存双层bilstm_词句级att模型的最优参数，并在测试集上面测试模型效果，就可以抽取出飞机维修领域实体关系，飞机维修关系抽取结果如图9所示，可以看出显示该改进算法效果较好。
技术特征：1.一种基于bert_fmg_bilstm_crf和双层bilstm_att的飞机维修领域知识图谱构建方法，包括步骤如下：步骤一：先对数据进行预处理，预分词(pre_tokenize)后输入嵌入层，利用改进bert得到输入初始维修文本的向量表示。把特定的维修领域专属词典加入到bert字典vocab.txt当中；输入一个句子s，用pre_tokenize先进行一次分词操作，得到{w1,w2,....w
l
}；遍历各个w
i
，如果w
i
在词表中则保留，否则将w
i
用bert自带的tokenize函数再分一次；将每个w
i
的tokenize结果有序拼接起来，作为最后的tokenize结果{tok1,tok2,tok3,....tok
n
}。通过以上改进，bert分词时将这些词语的信息加入分词结构中，在中文环境中，在将输入句子转换为词向量的时候，将会对句子中完整的词语进行随机遮挡，而不会是单纯随机遮挡该词语中的某个字。再通过字嵌入、段嵌入和位置嵌入输出词向量嵌入{e
[cls]
,e1,e2,e3,....e
n
,e
[sep]
}。将词向量嵌入输入双向transformer编码器训练后生成文本的向量表示。步骤二：用fmg方法计算对抗扰动δx，将生成的对抗样本加入到训练数据集，提高模型的泛化能力。本发明在词嵌入层加入了对抗训练，对抗训练扰动添加的实现形式是在embedding的参数矩阵开展的。假设输入的文本序列的embedding为x，对抗训练的一般原理可以用最大最小化公式来体现，见式(1)：式(1)中，d代表训练集，y代表标签，θ是模型参数，l(x,y；θ)是单个样本的loss，δx是对抗扰动，ω是扰动空间，其目的在于选择合适的对抗扰动来使得单个样本的loss达到最大且最小化神经网络的模型参数θ。具体步骤为：向输入x中加入对抗扰动δx使l(x,y；θ)尽可能大，当每个样本都构造出其对抗样本δx+x之后，再用(δx+x,y)作为数据对去最小化loss来更新参数θ；式(1)中δx的目的在于使l(δx+x,y；θ)增大，通过使梯度上升的方法增大loss如式(2)：δx＝
▽
xl(x,y；θ)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)为了防止δx过大，对δx进行标准化如式(3)：得到δx之后将其带入式(1)进行优化，实现embedding层的参数更新。步骤三：将更新过的飞机维修文本向量输入基线模型bilstm_crf，完成特征提取和解码，完成基于bert_fmg_bilstm_crf的实体抽取。bilstm层是由前向长短记忆网络lstm和后向lstm组成的，实现文本在序列空间方面的关联分析。bilstm_crf模型能够将双向长短记忆网络bilstm和条件随机场crf模型结合起来。设输入序列为x＝(x1,x2,...,x
n
)，输出预测标签序列为y＝(y1,y2,...,y
n
)。bilstm的输出矩阵为p，p
ij
代表词x
i
映射到标签y
j
的非归一化概率。p的维度为n
×
k,k为标签的类别数。在双向长短记忆网络bilstm的隐藏层输出之后，进入条件随机场crf作为其输入。设crf的转移矩阵为a，a
ij
代表标签y
i
到y
j
的转移概率。y0和y
n
是句子的开始和结束标签,则a的维度为(k+2)
×
(k+2)。
定义得分函数如式(4)：利用softmax函数，为每一个正确的标签序列y定义一个概率值，y
x
为所有可能预测的标签序列，具体概率值如式(5)：在训练过程中，最大化p(y|x)的对数似然:将loss损失函数定义为：在解码时，选择y
*
作为输出预测标签序列，通过动态规划算法求得y
*
为：步骤四：通过词向量w
w
和位置特征向量w
p
得到每个词的特征融合向量u，依次输入到双层bilstm并融合词语级、句子级注意力机制，得到表征输入句子的向量集合。重复该步骤以确定最优参数，完成基于双层bilstm_att的关系抽取。
①
特征向量生成主要包括词向量和位置特征向量。其中词向量依靠中文分词工具jieba生成，对输入的文本用jieba分词工具进行分词，并调用gensim包采用cbow的方式对所有文本进行了词向量训练，生成关于机载传感器文本数据的词向量结果w
w
。为扩展输入的表示能力，引入位置特征向量w
p
。每个位置之间的相对距离利用位置特征向量来进行区分。位置特征向量的具体表示是，给出一个句子s＝{w1,w2,...w
n
}表示句子序列，其中w
n
表示该句子的第n词。第s个词序列w
s
和第t个词序列w
t
距离第i个词序列w
i
的相对距离如式(x)：d
s
＝i-s
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)d
t
＝i-t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)通过词向量w
w
和位置特征向量w
p
得到每个词的特征融合向量u＝{u1,u2,...u
n
}，依次输入到双层bilstm。
②
双层bilstm层由双层的两个子lstm网络组成：设其中一个lstm的输入为向量x
t
＝{x1,x2,...x
n
}，lstm的输出是向量h
t
。利用在t-1时刻lstm网络隐藏层的输出h
t-1
和t时刻(当前时刻)的词向量x
t
，可以计算出遗忘门f
t
的值如式(11)：f
t
＝σ(w
f
·
[h
t-1
,x
t
]+b
f
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
输入门i
t
计算如式(12)所示：i
t
＝σ(w
i
·
[h
t-1
,x
t
]+b
i
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)输出门o
t
计算如式(x)所示：o
t
＝σ(w
o
·
[h
t-1
,x
t
]+b
o
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)式(13)中σ是sigmoid函数，中间值计算如式(14)所示:式(14)中tanh是双曲正切函数，也即激活函数。式(11)、(12)、(13)、(14)中b
f
,b
i
,b
o
,b
c
是相应的偏移量。利用遗忘门的值、输入门的值、t时刻(此时刻)以及t-1(前一时刻)的临时值可以计算c
t
值计算如式(15)所示：进一步推出：c
t
＝f
t
*c
t-1
+i
t
*tanh(w
c
·
[h
t-1
,x
t
]+b
c
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(16)最后，隐藏层的状态h
t
更新计算如式(17)所示：h
t
＝o
t
×
tanh(c
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(17)设u＝{u1,u2,...u
n
}是句子长度为n的融合特征向量，在对句子级处理时，将输入句子的融合特征向量分别输入至bilstm的前向lstm网络和后向lstm网络当中，前向lstm和后向lstm组合成了双向bilstm，隐藏层的状态h
t
更新如式(18)、(19)：更新如式(18)、(19)：这样bilstm就具备了良好的获取语义信息的能力。此时完成了输入句子及反句的全文编码。双层bilstm中的两层bilstm面向对象不同，但搭建方式相同，将全文编码输入到双层bilstm结构中得到文本表示h如式(20)所示：将句子分词标注之后的特征融合向量编码输入至bilstm层后输出给词语级注意力机制就可以得到融合了语义信息的句子特征向量如式(21)：m
w
＝tanh(h
w
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(21)式(21)中hw为ht所构成的特征矩阵。将句子特征向量输入至第二层bilstm后再通过句子级注意力机制就可以得到能表征句子的向量集合如式(22)、(23)：α＝softmax(w
wl
m
w
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(22)s＝αh
w
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(23)式(22)、(23)中α为词语层注意力权重，s为加权句子特征向量,w
wl
是训练的参数向量。
③
利用softmax的多元关系分类，就可以实现从表征输入句子的向量集合到输出关系结果的转变。首先明确实体对应索引之后，结合函数实现对其定性分析，找出其存在的概率。结合句子级注意力层的特征向量分析，概率值如公式(24)所示:
式(24)中r
i
为抽取的关系，c为输入句子集合，θ为参数。然后使用交叉熵来定义目标函数如公式(25)所示:
④
重复上述步骤，实现对双层bilstm词句级att模型进行训练，这样就可以明确模型的参数空间子集、参数范围，以及最优参数。保存双层bilstm词句级att模型的最优参数，并在测试集上面测试模型效果，就可以抽取出飞机维修领域实体关系。2.如权利要求1所述方法，在词嵌入模块本发明考虑了飞机维修领域实体的特征，对bert模型进行了改进，在收集飞机维修领域特定词语的基础上，将bert的mask方法从传统的遮掩策略改成按照词语的遮掩策略，增加预分词(pre_tokenize)操作。这种mask方法能够将训练数据中确定的完整词语当成一个整体，提高数据的有效性。3.如权利要求1所述方法，其特征在于，在步骤二中，由于本领域无可用的无大型公开数据集，数据来源于航空公司维修数据，为提高模型泛化能力，本发明加入快速梯度方法(fmg，fast gradient method)进行对抗训练，在word embedding向量的时候进行扰动，由于embedding层的输出是直接取自于embedding参数矩阵的，因此本发明直接对embedding参数矩阵进行扰动。这样得到的对抗样本的复杂性更低，且仍然能起到正则化的作用。4.如权利要求1所述方法，其特征在于：步骤三针对飞机维修日志，基于飞机维修相关行业技术标准，利用改进的bert_bilstm_crf算法构建综合的实体抽取方法，对机载传感器实体进行了识别。对传感器命名实体和关系抽取任务中需要的大量数据进行了采集和标注，行成了含有丰富机载传感器实体和关系数据的传感器实体—关系数据集。实验结果表明，该方法能够在飞机维修标注数据集上取得良好的效果。5.如权利要求1所述方法，其特征在于：步骤四改进了飞机维修领域的实体关系抽取方法，提出了关系抽取算法双层bilstm_att，通过词向量w
w
和位置特征向量w
p
得到每个词的特征融合向量u＝{u1,u2,...u
n
}，依次输入到双层bilstm并加入词语级，语句级注意力机制。后利用大量的机载传感器数据集对模型进行了训练。通过监督学习方法，模型在相关数据集上的测试表现较好，实现了实体关系的有效抽取。
技术总结一种飞机维修领域的知识图谱构建方法，本发明涉及知识图谱领域的命名实体识别，实体关系抽取等内容。本发明的目的是解决飞机维修领域知识图谱数据缺乏、完整度较低，且具有较大稀疏度的问题，构建出飞机维修领域较为完整的知识图谱。本发明以国内大型航空公司的机载传感器维修日志文本信息为基础，分析命名实体识别和关系抽取经典算法并进行优化改进：在实体抽取部分提出了改进型BERT_BiLSTM_CRF算法，改善了飞机维修领域实体边界模糊、数量多且复杂等问题；在关系抽取部分提出了双层BiLSTM_Att算法，改善了上下文语义抽取困难的问题。经实验验证，这两种算法很大程度上改善了实体识别、关系抽取结果，最终能够构建出较为完备的的飞机维修领域知识图谱。的飞机维修领域知识图谱。的飞机维修领域知识图谱。
技术研发人员：周焕来 陈泓秀 李金润 陈璐 黄婧 高源 江雪婷
受保护的技术使用者：成都量子矩阵科技有限公司
技术研发日：2022.06.22
技术公布日：2022/11/1
