基于知识图谱实现企业文档知识化管理研究

高靖宇 杨俊 刘园丽 刘勇坚 李绪平

摘 要：企业文档资料越来越多，普遍存在保存困难，查找、使用不方便、知识管理难的问题。企业知识一般主要建立在企业文档数据基础上，通过信息关联和处理，形成用以支持业务应用和领导决策的数据资源;知识图谱的核心是建立实体与实体的关系，形成知识网络。因此，将知识图谱及相关技术应用到企业知识管理过程中，用于解决以上问题有重要意义。本课题是通过应用知识图谱技术，在企业内部的文档库、数据库的基础上，构建企业知识图谱，以支撑企业的搜索引擎、智能推荐、智能问答等方面，优化企业知识管理的用户体验，提高知识服务的准确性和便捷性。

关键词：知识图谱;知识管理;文档智能管理

中图分类号：X913 文献标识码：A 文章编号：1671-2064（2019）22-0241-02

0 引言

目前企业文档管理主要使用FTP或云盘进行文件存储，存储类型较为单一，仅存储了文档、表格、图片等文件类型;文档应用较为简单，只是进行查询和下载;文档之间关联性较弱，无法通过分类或标签将不同类型文档关联到一起;无文档版本管理，仅通过创建日期或命名来判断版本新旧，经常出现一个文件多个版本或版本应用错误的问题。随着企业文档的持续增加，在企业文档管理中普遍存在文档数量持续增长，造成保存困难;文档版本管理混乱;资源协作共享困难;查找、使用不方便;知识资源闲置，安全缺乏保障等问题。如何建立文档间信息的联系，如何实现知识资源的融合共享，如何帮助用户快速检索和找到所需要的知识，并据此实现新知识的生产，以及应用到业务实践中等，对现代企业越来越重要。企业知识一般主要建立在文档数据基础上，通过信息关联和处理，形成用以支持业务应用和领导决策的数据资源;知识图谱的核心是建立实体与实体的关系，形成知识网络。因此，将知识图谱及相关技术应用到企业知识管理过程中，用于解决以上问题有重要意义。

基于知识图谱实现企业文档知识化管理研究，是通过应用知识图谱技术实现企业文档知识化管理目标。在企业内部的文档库、数据库的基础上，构建企业知识图谱，以支撑企业业务的创新与应用，改善企业知识管理和应用方式，提高企业知识开发与利用的便捷性和准确性，为最终实现“信息化智慧型企业”打下坚实基础。

1 相关理论研究

知识图谱概念最初来源于语义网络，1956年由Richard H于最早提出;进入21世纪，Berners Lee提出了语义Web的概念。在此基础上，谷歌公司在2012年提出“知识图谱”概念，知识图谱是一种描述实体之间关系的语义网络，可以对现实世界的事物及其相互关系进行描述。谷歌当初主要目的是用于改善其搜索引擎的智能化水平，可以此为基础构建新一代的智能化搜索引擎。目前知识图谱技术已被互联网企业用于各种大型的知识库建设。

知识图谱建立主要涉及三大关键技术：知识抽取、知识融合和知识加工。知识抽取过程包括：实体抽取、关系抽取以及屬性值抽取，知识抽取的的质量很大程度影响知识图谱的生成质量。知识融合是通过实体关联和知识并合，来消除知识中的概念歧义、错误和冗余，保证知识库的建设质量。知识加工主要步骤包括：本体构建、知识推理和质量验证，目的是通过计算与推理，丰富知识网络体系。

2 企业知识图谱构建

企业知识图谱的构建，需首先梳通过对企业知识管理的现状进行调研;梳理企业构建知识图谱的数据来源、数据特征、数据流向及管理机制;了解企业知识开发利用中面临的问题，以及企业知识管理需求;进一步明确建立企业知识图谱的目标要求，并明确知识图谱的具体应用场景（如图1所示）。

2.1 数据获取

首先需要明确知识的来源、类型、结构、存储方式，企业知识一般主要来源于企业的工作文件、管理文件、技术文件等，以及信息系统等积累的数据，其中包括企业工作论坛和个人微博等。

2.2 知识抽取

知识抽取是从企业各种非结构化和半结构化的数据源中，提取出知识实体、属性和实体关系，形成结构化的知识描述。

知识抽取主要过程包括：实体抽取、关系抽取和属性抽取。实体抽取是指从文本数据中识别出命名实体;属性抽取是识别出企业的机构、人员、设备、文档等实体的属性;关系抽取是抽取出实体与实体之间存在的关系，将分散的知识关联起来。

2.3 知识融合

通过知识抽取后，获得了知识单元实体、实体的关联关系以及实体的属性信息，但这些信息仅是知识碎片，散乱无章，有些知识碎片可能是错误碎片，并且各知识碎片间缺乏必要的层次和逻辑;那么如何解决这一问题，就需通过知识融合来解决。

知识融合，就是从文本中抽取得到的实体对象，链接到知识库中其他相关的实体对象的操作，消除实体指称项与实体对象之间的歧义，得到一系列基本的事实表达，并通过知识建模方式，将知识实体以一种结构化、规范化的方式组合成知识体系。

2.4 知识加工

从原始数据源中提取出了知识实体、实体关系与实体属性等要素，并且经过知识融合得到一系列基本的事实表达，但事实表达并非是可利用的知识。还需进一步进行知识加工，才能最终获得结构化、网络化的知识体系。知识加工是通过本体抽取、知识推理和质量验证等技术，进一步深度获取知识间的关联和逻辑关系，得到的知识网络体系更加紧密和丰富。

2.5 知识更新

知识图谱的内容更新有两种方式：（1）全面更新：是以所有原始数据为输入数据，重新开始构建全部知识图谱。这种方法比较简单，但对资源消耗大。（2）增量更新：以当前新增数据为输入，向现有知识图谱中添加新增知识。这种方式资源消耗小，但一般需要大量人工干预，实施组织比较困难。

2.6 知识应用

即通过知识应用技术的提升，对进一步挖掘知识应用潜力，扩展知识的应用范围;同时将知识图谱与移动通信、人工智能等新技术的结合，从多个层面深化和扩展企业知识应用场景。

3 基于知识图谱的企业知识应用

企业知识应用目的对企业知识资源进行有效管理和利用，促进知识在企业内的顺畅交换和分享，提升工作效率和服务质量，助力企业竞争力提升。结合大数据分析、人工智能等新技术，在企业知识图谱的基础上，可实现知识的智能搜索、智能推荐、不一致性验证、异常分析、智能问答、决策支持等创新应用。

3.1 智能搜索

智能搜索是知识图谱最为典型的应用场景，谷歌最初提出知识图谱技术就是应用于搜索引擎。也是自动给出与相关事物相关的搜索结果，并构建事物关系图，查看更多维度的数据。

3.2 智能推荐

智能推荐是将不同的业务知识精准推荐到企业员工，促进企业内部知识的传播与流通，是一种智能化的企业知识传播方式。在企业内部，主要应用场景包括：（1）场景化推荐;（2）任务型推荐;（3）跨领域的推荐。

3.3 不一致性验证

通过知识关系的推理，对信息的不一致性进行验证，类似交叉验证，尽量避免错误信息传播和使用。

3.4 异常分析

异常分析包括静态分析和动态分析。静态分析：给定一个知识结构和某个时间点，从中去发现一些异常点。动态分析：分析其结构随时间变化的趋势。假设短时间内知识图谱结构的变化不会太大，如果它的变化很大，就说明可能存在异常，需要进一步的关注和提醒。

3.5 智能问答系统

智能问答系统是基于传统的信息检索技术基础上，结合知识图谱技术，能够为用户提供准确简洁的问题解答。目前很多问答平台引入了知识图譜，如国内百度公司研发的小度机器人，专门为各类互联网平台提供智能问答解决方案。

3.6 决策支持

基于企业知识图谱，信息系统将相关决策支持知识，智能地与企业的生产计划、执行调度和流程审批等决策点关联起来，以支持或辅助决策。借助知识图谱可及时感知市场新的关系和变化，例如通过知识图谱对市场的变化进行智能检测，帮助企业管理者及时发现市场变化和产品趋势，及时采取措施。

4 结语

事实上，基于知识图谱的企业知识应用远不止于此。整个企业与其外部世界就是一张巨大的知识图谱，是无数个实体关系对，近年来企业界对图数据库、知识图谱的巨大应用价值给予越来越多的关注。识图谱目前在新闻、金融、司法等领域的应用比较成功，在企业知识管理中的应用比较鲜见。本文虽然提出了基于知识图谱实现企业文档知识化建设思路和方法，并对其应用场景进行了探讨，但研究仍然还不够全面与深入，需要进一步在实践中持续改进和完善。

参考文献

[1] 彭鑫.基于知识管理的企业知识图谱构建研究[D].武汉：武汉大学，2018.

[2] 曹倩，等.知识图谱的技术实现流程及相关应用[J].北京：情报理论与实践，2015（12）：131-136.

[3] 刘峤，等.知识图谱构建技术综述[J].北京：计算机研究与发展，2016（3）：582-600.

[4] 赵宇.知识图谱自动演进算法研究[D].北京：北京邮电大学，2017.

[5] 聂莉莉.概述知识图谱在人工智能中的应用[J].北京：医学信息学，2018（06）：11-16.