知识图谱在汽车维修的应用

摘要：针对汽车维修效率低、维修知识覆盖广、维修经验不能有效共享等问题,提出利用知识图谱解决汽车维修场景业务痛点的思路。分析利用本体设计、知识抽取、知识映射等步骤构建汽车维修场景知识图谱的方法，并开发维修问答助手、维修知识搜索、知识后台等应用，提升汽车维修效率。

关键词：知识图谱;汽车维修;推理;智能问答;知识搜索

1引言

汽车售后维修服务的质量逐渐成为各汽车品牌的核心竞争力之一。各大汽车厂商和从业者也在探索各种提升售后维修服务质量和口碑的方法。随着大量维修记录、维修案例等数据的积累，部分从业者开始引入大数据和人工智能技术来提升售后维修服务的质量。本文将分析应用知识图谱技术提升汽车维修效率。

2汽车维修面临的痛点

在汽车维修场景中，车厂和4S店存在以下痛点。(1)维修效率低汽车是一个结构较复杂的设备，包含大量零部件和电路，一个故障往往涉及多个系统和零部件。对于某些故障，维修技师无法直接找到故障原因，导致客户等待时间长、体验差、满意度低。甚至会投诉4S店和厂家，质疑该车型的质量，进而影响该车型的口碑和销量。(2)维修知识覆盖广汽车维修涉及机械、电工和电子、材料、力学等多个领域知识。且不同车型、不同部件的构造、工作原理、诊断方法、维修方法等都不同。一次维修可能需要翻阅若干工具书和资料，而且耗时费力。(3)依赖厂家支持某些疑难故障需要厂家的技术专家参与，结合整车结构和工作原理，端到端分析故障原因。每个车型的技术专家人数有限，难以及时有效地支撑全国各地的维修技师解决疑难问题。此外，某位技师无法维修的故障，可能在其他技师处维修过。各车型的技术专家也可能要重复为不同的维修技师提供相同疑难故障的解决方法。维修知识和经验无法在技术专家和维修技师间有效共享。(4)维修技师成长慢维修技师需要大量的实践和经验积累，才能成长。一名维修技师，大概需要2~3年才能成为熟练工；一般需要8年以上才能成长为维修高级技师。技师培养周期长、成长慢。因此，迫切需要新的知识沉淀渠道，让技术专家的知识更有效传承，助力维修技师快速成长。

3知识图谱技术

3.1基本概念

知识图谱2012年由Google提出，目的是让搜索引擎能够洞察用户查询背后的语义，返回更为精确的信息。知识图谱本质是一种知识的表示形式，它模仿人类的认知体系，以图的形式表示知识表式客观世界中的概念和实体及其之间的关系,是支撑语义搜索、智能问答、决策支持等智能服务的基础技术[1]。它让机器能更有效地对知识进行学习和处理，实现从感知智能到认知智能的飞跃。

3.2技术分类

一般将知识图谱技术分为三个部分：知识图谱构建技术、知识图谱推理技术、知识图谱应用技术。知识图谱构建技术包括本体论和数据处理技术两类，本体论是知识图谱的骨架，是模仿人的认知体系对知识的建模；数据处理技术将现实世界中格式多样、结构混乱的数据处理成结构良好的数据，并将其对应到知识图谱本体中赋予数据的内涵。知识图谱推理技术则从已知的知识中运算推理得到人需要的新的知识，是实现智能化语义搜索、决策支持与溯因的关键。知识图谱应用技术包括语义搜索、智能问答、智能推荐等直接的应用，为其他人工智能模型提供先验知识支持、为大数据应用提供结构化数据支持等间接的应用。

4知识图谱技术在汽车维修场景的应用

汽车维修场景已积累丰富的维修数据，比如“维修记录”、“维修案例”、“维修手册”、“维修指导视频”等。但数据相互割裂，未能形成有效知识。将维修数据构建成知识图谱，开发上层应用，能有效赋能汽车维修业务，解决场景痛点，充分发挥知识的价值。知识图谱构建及应用流程如图1所示.

4.1知识图谱构建

首先需要构建汽车维修知识图谱，构建步骤依次为：本体设计、知识抽取、知识映射、知识融合与消歧。4.1.1本体设计本体设计是一个知识建模的过程，常用设计流程如图2所示。该过程需要汽车维修领域专家和知识图谱专家协同，通过抽象、总结该领域的知识实现本体设计，一般可使用RDFS、OWL等语言进行建模。参考本体构建七步法[2]，复用公开的汽车本体，并辅以关键短语、业务知识等信息抽取算法，通过半自动化形式实现汽车维修场景的知识建模，快速完成汽车维修知识图谱本体设计。该本体包含：故障现象、故障码、零部件、系统等概念及之间语义关系。4.1.2知识抽取通过搜集相关数据，基于相关算法技术完成知识三元组抽取。对于结构化数据，经过简单转换，即可生成三元组；对于非结构化数据，首先需要将其文档格式进行转换，得到txt、docx等易于处理的文本格式；其次可以使用基于词典、模板的无监督学习方法，抽取知识；也可以使用有监督学习、弱监督学习等方法，人工对部分原始数据进行标注，再利用标注数据训练知识抽取模型，进而用该模型从原始数据中抽取知识。传统的流水线式抽取方法，将知识抽取任务拆分为命名实体识别(NER)任务和关系抽取任务。比如，一种常用的抽取方法采用LSTM-CRF+PCNN的模型结构，先通过NER识别出实体，再抽取实体之间的关系，两个任务的结果不会互相影响。另一种联合式抽取方法，则将实体抽取和关系抽取相结合，组成一个联合模型，比如双向树形结构的LSTM-RNNs[3]。一般认为，联合式抽取方法可以避免流水线方法存在的错误和积累的问题。4.1.3知识映射由信息抽取阶段得到的三元组，需经过知识映射将抽取结果映射到本体上，才能生成知识图谱。如果数据量较大，该过程可以借助Hadoop等大数据技术加速。4.1.4知识融合与消歧最后，还需要对来自不同数据源的知识在统一规范下进行异构数据整合、消歧，才能完成新知识图谱的创建。如图3所示，故障现象：“车辆无法启动”和“车辆打不着火”，实际表示的是相同故障现象。经过知识融合对知识图谱中的知识进行融合消歧，能提高知识图谱的质量，进而提升上层应用的效果。常用的有基于快速相似度计算、基于规则、基于分治等方法[1]。

4.2应用开发

基于汽车维修知识图谱，可打造“智能维修助手”。该系统包含的典型应用有：维修问答助手、维修知识搜索/推荐、故障根因推理、知识后台及统计等。4.2.1维修问答助手维修助手是以维修知识图谱为知识库底座，结合自然语言处理技术构建多轮问答引擎，实现基于知识库的问答系统。用户可询问故障原因及解决方案、零部件拆装指导、故障码详情等信息。此外，同一故障现象可能与多个案例、零部件等相关，候选答案较多。基于知识图谱推理能力，可动态追问用户，通过多轮问答引导，获得更精准的答案。比如用户询问“车辆无法启动”，经知识图谱推理，追问“是否存在故障码XXX？”，“故障频率是经常还是偶尔？”等信息。根据用户的回答，再筛选生成最终答案。4.2.2维修知识搜索/推荐传统搜索引擎是基于字符匹配，可快速返回与用户输入存在关键字/词匹配的网页、文档等信息。基于知识图谱的搜索，可进一步理解用户输入的语义信息，并推荐与搜索结果相关联的知识。比如，用户搜索“油门踏板的车身位置”，能理解用户搜索意图实际为油门踏板的位置，进而优先返回油门踏板的位置图，而不仅仅返回包含“油门”、“踏板”、“车身”等关键词的文档信息。此外，知识图谱可推荐“油门踏板”相关的故障码和维修案例。该种推荐方法支持冷启动场景，无需积累大量用户点击和浏览数据，即可准确推荐内容，并具备一定可解释性。4.2.3故障根因推理可梳理出汽车各功能模块、部件、零件、电路等概念之间的调控关系。并总结、抽象维修技术专家定位故障原因的逻辑，用Datalog等逻辑语言，描述为具体可执行的逻辑规则。再结合推理引擎，在知识图谱上，推理出某种故障现象可能的故障部位及故障根因。为罕见的疑难故障维修提供参考，并解释推理过程。4.2.4知识后台知识后台可对维修技师查询的故障现象、故障码、零部件等信息进行统计，辅助维修技术专家发图3知识融合示意图掘热点故障，判断一线维修技师欠缺的知识域，以针对性设计培训和知识共享机制。同时，考虑到新车型不断上市，维修案例不断积累，知识在持续产生。知识后台支持维修技术专家自助向知识图谱中添加知识，供维修技师查询。维修技术专家可持续沉淀自身知识，在维修技师间有效共享。

4.3应用效果

实践表明，“智能维修助手”对维修技师在日常维修和外出救援的场景中有很大帮助。信息获取更加便捷，且在遇到疑难故障时，能及时获得参考维修方法。维修技术也在该应用的加持下逐步提高。维修效率和一次性修复率显著提升，客户等待时间缩短。对厂家的技术专家而言，“智能维修助手”让他们从繁琐的故障咨询中解放出来，专注于疑难问题攻关。

5未来展望

知识图谱作为一种知识的表示形式，能有效地让计算机和AI算法对知识进行表示、学习和处理。将知识图谱及其上下游技术应用于汽车维修场景，能有效解决部分场景痛点。展望未来，还可在以下方向进行探索。

5.1结合故障树分析法

故障树分析(FTA)[4]是由上往下的演绎式失效分析法，利用布林逻辑组合低阶事件，分析系统中不希望出现的状态。该方法在航空航天、工业、制药、软件工程等领域都有应用。可进一步在知识图谱中构建汽车维修故障树图，可对汽车故障进行定性和定量分析，更准确预判故障根因。

5.2应用多模态知识图谱技术

汽车维修数据包含大量的图片和视频，比如零部件图片、拆装教学视频等。可进一步应用多模态知识图谱技术，从以上数据中抽取知识，构建语义关联，以提升搜索、问答的效果，并为用户提供多种媒体形式的信息。

作者：黄巍 徐海强 单位：华为技术有限公司 中国第一汽车集团有限公司