趙東明

（中國移動通信集團天津有限公司，天津 300020）

0 引言

“計算－感知－認知”的人工智能技術發(fā)展路徑，已經成為大多人工智能研究和應用專家的共識。機器具備認知智能，進而實現推理、歸納、決策甚至創(chuàng)作，在一定程度上需要一個充滿知識的大腦[1]。知識圖譜（knowledge graph，KG）將互聯網的信息表達成更接近人類認知世界的形式[2]，提供了一種更好地組織、管理和理解互聯網海量信息的能力。知識圖譜給互聯網語義搜索帶來了活力，同時也在智能問答、大數據分析與決策中顯示出強大威力，已經成為互聯網基于知識的智能服務基礎[3-4]，已成為推動人工智能從感知能力向認知能力發(fā)展的重要途徑[5-6]。知識圖譜的應用現在非常廣泛：在通用領域，Google、百度等搜索公司利用其提供智能搜索服務[7]，IBM Waston 問答機器人、蘋果的Siri語音助手和Wolfram Alpha都利用圖譜進行問題理解、推理和問答[8]；在各垂直領域，行業(yè)數據從大規(guī)模數據到圖譜化知識快速演變，且基于圖譜形式的行業(yè)知識，對智能客服、智能決策、智能營銷等各類智能化服務進行賦能[9-10]。

隨著電信運營商數字化轉型的推進，無論是系統架構還是業(yè)務的數據都發(fā)生著重大變化[11]，體系趨于復雜化、精細化，業(yè)務的數據在成倍增長，這些均對運營、運維工作提出了更高的要求[12]。因此，需要運用知識圖譜技術，發(fā)揮其在認知理解、智能分析領域的優(yōu)勢，構建業(yè)務、運維智能大腦，以知識圖譜的認知關系網絡為動態(tài)決策提供數據分析引擎，從而支撐相關場景[13-14]，讓圖譜場景應用結合行業(yè)需求，促進行業(yè)解決方案的落地，從而提升業(yè)務、運維等工作的服務質量和效率[15]。目前，知識圖譜已在電信運營商業(yè)務及運維場景的知識搜索、自然語言處理、智能服務助手、故障根因分析等領域發(fā)揮著重要作用，成為電信運營商數智化轉型和發(fā)展的核心驅動力之一。

1 知識圖譜的應用價值

知識圖譜用節(jié)點和關系所組成的圖譜，為電信運營商的各個場景直觀地建模，運用“圖”這種基礎性、通用性的“語言”，以網狀結構表達業(yè)務推薦、存量運營、系統運維、客戶服務的各種關系，并且非常直觀、自然、直接和高效，不需要中間過程的轉換和處理。

目前知識圖譜對電信運營商的應用場景和價值如圖1所示，分類主要集中在：業(yè)務推薦及營銷、電子渠道觸點營銷、系統運維、社交網絡數據分析、服務決策和支撐、滿意度評測和系統故障根因分析等領域。另外在風控管理領域中，知識圖譜也可應用于反欺詐、反洗錢、互聯網授信風控、保險欺詐、銀行欺詐、電商欺詐、項目作假、企業(yè)關系分析等場景中。

圖1 知識圖譜對電信運營商的應用場景和價值

（1）復雜業(yè)務和運維場景中關系表達能力強

傳統數據通常通過表格、字段等方式進行讀取，而關系的層級及表達方式多種多樣，知識圖譜基于圖論和概率圖模型，可以處理復雜多樣的關聯分析，滿足運營商各種角色關系的分析和管理需要。

（2）具有較強的認知分析和邏輯推理能力

基于知識圖譜的交互探索式分析，可以模擬人的思考過程去發(fā)現、求證、推理，業(yè)務人員自己就可以完成全部推薦、分析、表達過程，從而大大提升效率，降本增效又安全可信。

（3）知識學習從而驅動模型自我優(yōu)化

知識圖譜利用交互式機器學習技術，支持根據推理、糾錯、標注等交互動作的學習功能，不斷沉淀知識邏輯和模型，提高系統智能性，將知識沉淀在運營商應用領域內部，降低對經驗的依賴，也可以基于知識反饋不斷優(yōu)化模型，實現半自動化的知識模型迭代更新。

（4）跨領域的知識數據合作實現智能策略輔助能力

知識圖譜作為AI發(fā)展的底層技術，能夠幫助運營商更好地參與到新的泛行業(yè)化的協作網絡和聯邦主態(tài)中，通過跨領域的企業(yè)界知識合作，更高效地訓練模型輔助自身市場布局、策略優(yōu)化，從而提升競爭力。

（5）降低技術成本，促進創(chuàng)新技術發(fā)展

知識圖譜技術體系能夠有效降低業(yè)務、運維、服務人員掌握AI應用的門檻，擴大技術應用的范圍和廣度，能夠為不同客戶提供更加豐富的產品及服務，同時去除數據安全隱憂，在提升效率和獲得成長的同時，實現自身發(fā)展。

2 知識圖譜技術體系架構

知識圖譜是實現機器認知智能的底層支撐技術，應用場景主要體現在業(yè)務推薦、精益運維、精準分析、智慧搜索、智能推薦、智能解釋、更自然的人機交互和深層關系推理等各個方面。其框架面向業(yè)務類和運維類大體一致，僅在數據源、模型構建等有所區(qū)別。

2.1 知識圖譜應用分類

針對電信運營商的業(yè)務運營、系統運維場景，知識圖譜因其構建方式和應用場景的不同，知識圖譜技術體系可以分為四大類：問答檢索類知識圖譜、工單分析類知識圖譜、系統運維類知識圖譜和業(yè)務運營類知識圖譜。

知識圖譜在共享數據源的情況下，基于統一的知識圖譜運營平臺，構建“一體四面”的知識圖譜運營體系，如圖2所示，從而實現完整的知識圖譜訓練和推理應用架構，在圖譜構建、營業(yè)推薦、存量保有等領域打造一系列標桿應用。

圖2 電信運營商“一體四面”的知識圖譜技術體系分類

? 一體：知識圖譜運營管理系統。以統一AI賦能、統一架構管理、統一數據支撐方式，打造知識圖譜研發(fā)運營一體化的管理系統，入駐統一 AI平臺，嵌入微營銷主流程，實現個性化數據選擇、模型訓練和客群生成。

? 四面：問答檢索類知識圖譜、工單分析類知識圖譜、系統運維類知識圖譜和業(yè)務運營知識類圖譜。針對4類知識圖譜的構建，可以在機器問答、業(yè)務推薦、系統運維等場景打造個性化應用。

（1）問答檢索類知識圖譜

問答檢索類知識圖譜總體遵循自底向上的構建方法，系統通過從業(yè)務數據域、基礎數據域、應用渠道域等獲取海量非結構化數據，進行數據清洗和語義分析，并輔以原子化知識庫中的固有內容，以無監(jiān)督/有監(jiān)督兩種模式自動構建面向移動業(yè)務服務的知識圖譜，對業(yè)務和服務渠道提供知識檢索及知識推薦能力，賦能知識庫、智能應答、工單處理等領域提升效能。問答檢索類知識圖譜分類對應的實例，包括業(yè)務運維知識圖譜、行業(yè)知識圖譜等。

（2）工單分析類知識圖譜

工單分析類知識圖譜，基于結構化知識的工單信息檢索方法，面向自然語言領域的應答、查詢、檢索等問題，該知識圖譜結合自然語言理解技術對問題進行理解，并根據問題理解的結果從知識圖譜中查找或推理問題對應的答案，給請求方進行反饋。

工單分析類知識圖譜可以自動獲取解決方案合并后形成處理意見，自動推送到工單處理人待辦進行決策輔助。其對應的實例，包括工單分析知識圖譜、投訴溯源分析知識圖譜等。

（3）系統運維類知識圖譜

傳統的監(jiān)控告警手段已經無法滿足高效運維管理的訴求，迫切需要引入領域知識結合AI方法構建有效的知識圖譜，打造以知識圖譜技術驅動的監(jiān)控和告警智能管理體系，可視化展示告警的關聯關系，對告警進行收斂，降低人工投入，提升運維效率。

通過知識圖譜與認知推理技術結合，最終以邏輯表達的方式輔助運維分析、系統異常根因挖掘，在提供推理、推薦結果的同時，給出可解釋的原因，在面向系統智能運維的推薦、分析、挖掘等場景反饋富語義的認知結論。

系統運維類知識圖譜對應的實例，包括監(jiān)控運維態(tài)勢感知知識圖譜、告警關聯關系知識圖譜、故障定位知識圖譜、故障處置知識圖譜、資源快速溯源 CMDB（configuration management database）知識圖譜和資產優(yōu)化知識圖譜。

（4）業(yè)務運營類知識圖譜

業(yè)務運營類知識圖譜，重點突出知識圖譜可解釋、可溯源能力，在決策輔助、根因分析、問題溯源、業(yè)務推薦、服務預測等領域體現認知能力，尤其在中國移動關鍵的存量運營領域，可實現基于認知推理的權益推薦、5G換機推薦和預離網用戶識別，在系統運維領域，實現告警分析、故障根因發(fā)現等。

業(yè)務運營類知識圖譜分類對應的實例，包括權益推薦知識圖譜、預離網知識圖譜、滿意度預測知識圖譜、騷擾電話識別知識圖譜等。

2.2 知識圖譜技術架構

知識圖譜技術在電信運營商領域的應用，一類是信息檢索和工單文本處理，通過文本信息處理、概念提取和關系提取，實現面向信息檢索和智能應答的能力輸出，其技術特點主要是針對可讀文本數據的處理和網絡構建。一類是業(yè)務運營和系統運維的分析，主要面向系統運維和業(yè)務運營知識圖譜，重點從隱語義數據（大數據畫像、偏好、標簽、主機、應用、數據庫、監(jiān)控等）挖掘邏輯挖掘，針對業(yè)務推薦、根因分析、問題溯源等提供認知理解能力。知識圖譜技術體系架構如圖3所示。

圖3 電信運營商知識圖譜技術體系架構

（1）數據層

知識圖譜中的知識來源于結構化、半結構化和非結構化的信息資源，通過各類數據抽取工具從各類業(yè)務系統抽取到圖譜系統，文本類數據，包括服務工單數據、用戶標簽數據、訂購數據、DPI數據、家庭好友關系以及運維日志等基礎數據。運維類數據，包括CMDB、服務調用鏈、工單、監(jiān)控、日志等運維系統對接實現多源數據的匯聚及清洗，將數據整理形成層次化、結構化一致數據。標簽類數據，可以提供“客戶號碼－標簽－特征－偏好－畫像”數據，家庭寬帶、無線業(yè)務系統均可以提供領域感知數據。

（2）圖譜構建層

圖譜構建層提供圖譜結構配置、構建模型標注、構建模型訓練、三元組生成、三元組審核、三元組發(fā)布等頁面工具。圖譜構建層預置多個智能分析模型，實現文本分類、實體識別、機器閱讀理解、文本聚類、詞法/句法分析等自然語言能力遵循“模式設計→數據清洗→實體識別→關系識別→知識融合”的流程將數據層的非結構化數據轉化為領域場景需要的圖譜實體及關系，生成三元組。

（3）圖譜存儲層

圖譜存儲層使用圖數據庫將構建層生成的三元組進行圖關系存儲，不同類別的圖譜將分別單獨存儲。

（4）圖譜計算層

知識計算是基于已構建的知識圖譜進行能力輸出的過程，是知識圖譜能力輸出的主要方式。主要包括知識統計與圖挖掘、知識推理兩大部分內容，知識統計與圖挖掘重點在于圖查詢、圖特征統計、關聯分析、異常檢測、預測推理等能力；知識推理重點研究的是基于圖譜的邏輯推理能力，主要包括知識搜索、知識推薦、智能補充、多跳推薦等能力。通過知識中心進行對外能力封裝，為上層應用提供能力支撐。

（5）應用層

基于知識中心封裝的能力，通過運維場景實現知識圖譜的落地，包括基于事件工單、故障單等歷史工單的分析，實現問題的關聯分析并給出相應的解決方案，提高運維人員處理效率?；诟婢墓收细蚍治?，通過對歷史告警的分析結合資源關聯關系實現告警收斂及告警根因定位，縮短運維人員告警處理時間，提高告警處理效率?；谫Y源關聯關系的實體關系分析，通過對已有資源關聯關系的分析，推導出新的實體關系，從而提高CMDB完整性與準確性，為上層運維應用的建立奠定堅實的基礎，以及面向業(yè)務和服務的應用，包括智能問答機器人、智能知識庫、智能工單分析、業(yè)務搜索引擎等。

2.3 知識圖譜應用實例

電信運營商知識圖譜技術體系中，數據層是基礎數據的存儲、預處理，圖譜構建層、圖譜存儲層、圖譜計算層主要針對基礎數據構建圖譜結構，而應用層則面向具體業(yè)務場景進行賦能，根據知識圖譜分類的描述，主要分為智能問答、工單分析、系統運維和業(yè)務運營。以某大型電信運營商為例，目前具有示范意義的為 14個應用實例，通過描述知識圖譜應用實例的應用場景、服務對象、功能、拓展前景，可以系統性地梳理知識圖譜從構建，到應用、服務、技術框架、算法的整體方案，知識圖譜應用及技術架構對應關系如圖4所示。同時，知識圖譜應用實例，是可回溯、可拓展的，當前的知識圖譜技術方案，可以支撐問答檢索類、工單分析類、業(yè)務運營類、系統運維類的場景要求，未來可根據問答、工單、運維、業(yè)務的業(yè)務發(fā)展而不斷完善和更新，基于新的需求進行實例擴展，形成具有電信運營特色的一套知識圖譜生態(tài)循環(huán)體系。

圖4 電信運營商知識圖譜應用及技術架構對應關系

電信運營商知識圖譜典型應用實例如圖5所示，主要為以下內容。

圖5 電信運營商知識圖譜典型應用實例

（1）業(yè)務運維知識圖譜

主要應用于機器人智能應答場景，在智慧化擬人問答領域體現價值。通過對用戶問題進行分詞、長句理解、語義解析，提取關鍵語義并與知識圖譜模板的匹配，獲取圖譜實體或屬性內容。在圖數據庫查詢并完成消息整合后，以機器人形式與用戶進行服務應答，通過知識圖譜豐富的邏輯、關系能力提升機器人智能感知。

（2）行業(yè)知識圖譜

主要應用場景為行業(yè)客戶智能服務，對行業(yè)數據進行要素提取，并按照業(yè)務邏輯進行關系生成及存儲，基于用戶咨詢歷史、工單處理記錄、企業(yè)運營信息等文本信息，提取關鍵語義、解決方案、問題溯源、核心語義等內容，賦能行業(yè)智能應答系統進行自服務、預服務，賦能知識庫系統進行圖譜式語義搜索，賦能個性化推薦系統進行智慧化服務推薦。

（3）工單分析知識圖譜

主要應用于投訴工單智能分析場景。通過對工單內容進行實體提取和語義理解，并與知識圖譜模板的匹配，獲取解決方案合并后形成處理意見，自動推送到工單處理人待辦進行決策輔助，實現“人－機”協同的投訴工單的自動分析、自動處理、自動回復。

（4）投訴溯源分析知識圖譜

應用于工單分析和溯源。主要基于投訴歷史數據，引入語義分析、知識圖譜等人工智能技術，構建投訴從產生到解決修復上線全程溯源分析能力，包括全過程溯源追蹤、投訴問題根因溯源、投訴處理質量問題溯源分析等，輔助投訴處理及管理人員，提升投訴處理及壓降分析過程中的效率和質量。

（5）監(jiān)控運維動態(tài)感知知識圖譜

從海量的日志、調用鏈、資源庫等眾多的信息中發(fā)現資源之間的圖譜關系，構建運維知識圖譜，當系統發(fā)生故障時，利用運維圖譜給運維人員提供系統監(jiān)控工具，幫助維護人員進行故障影響分析，并引入告警根因AI算法能力，實現業(yè)務、應用、平臺三層告警根因推導，配合服務調用分析、日志分析、指標異常檢測等智能化手段，實現問題快速定位。

（6）告警關聯關系知識圖譜

通過對各類數據的挖掘動態(tài)構建運維圖譜，實現圖譜關系實時準確，最終實現故障根因分析結果的推薦，可以輔助運維人員快速定位及解決問題，同時通過運維人員對根因分析結果的不斷優(yōu)化，為運維無人駕駛發(fā)展奠定了基礎。

（7）故障定位知識圖譜

應用于 SRE（site reliability engineer）/運維人員，通過結合領域相關知識，借助設備固有拓撲結構、應用調用關系、歷史告警數據、性能數據、故障數據等梳理相關的實體、屬性、關系，利用自然語言處理、因果關系算法、路徑搜索算法等AI算法從文本告警信息映射為一條完整的根因鏈路，更好地為SRE/運維人員提供指引，且具有更強的解釋性。

（8）故障處置知識圖譜

應用于故障處理及系統運維人員。通過對歷史故障處理方案的梳理及分析，沉淀專家經驗、故障分析報告內容、梳理故障與處理預案之間的關系、處理預案之間的關系等，提煉通用化故障處理方案，建立決策中心，為一線運維人員提供故障處理建議及可沉淀的處理作業(yè)預案，推動故障的快速處置。

（9）資源快速溯源知識圖譜

通過對資源對象全生命周期的信息以及資源對象之間的關系（包括物理關系、邏輯關系和依賴關系）的梳理及分析，沉淀全局視角下的軟硬件知識圖譜，實現顯性及隱性關系的挖掘，助力一線運維人員，幫助其對龐大體系下的復雜應用和設備進行管理和運營。

（10）資產優(yōu)化知識圖譜

通過對歷史資源使用情況進行分析，沉淀資源對象與適配資源使用情況的關系，實現顯性及隱性關系的挖掘，助力一線運維人員，幫助其在對不同資產資源的使用進行管理和配置，對不同資源給出最優(yōu)的設備使用狀態(tài)建議，對低效資產進行回收、對高使用資產進行及時擴容。

（11）權益推薦知識圖譜

應用于電信運營商市場存量運營人員。針對電信運營商、互聯網行業(yè)重點推薦的權益優(yōu)惠、產品、營銷活動，提供最佳目標客戶群，幫助存量運營人員自動化獲取每名用戶針對每一種權益優(yōu)惠的推薦概率，并輸出到外呼營銷、CRM（customer relationship management）彈窗、觸點營銷、電子渠道營銷等，進行針對性業(yè)務推薦。

（12）預離網知識圖譜

應用于潛在流失客戶智能看護場景，建立以用戶離網流失預警為目標的客戶行為異動識別看護系統，引入隨機森林、KNN（K-nearest neighbor）分類算法和知識圖譜，通過對用戶每日行為監(jiān)控、異動行為發(fā)現、流失用戶識別、運營結果回饋，形成客戶高危自識別、模型自優(yōu)化、結果自呈現、運營自執(zhí)行的智慧看護系統。

（13）滿意度預測知識圖譜

用于挖掘潛在不滿意用戶，給予精準維系和服務。基于大數據標簽進行構建，納入“原子－概念”生成算法實現語義延伸，在傳統大數據分析基礎上加入語義理解能力，構建以用戶號碼節(jié)點為中心的服務分析圖譜，鏈接用戶服務評測結果（不滿意）、大數據標簽、原因概念，并實現全量用戶潛在不滿意的推理，輸出用戶群進行后續(xù)維系。

（14）騷擾電話識別知識圖譜

用于識別電信運營商網內騷擾電話號碼，并進行安全管控。將現全網手機用戶和大數據屬性標簽作為輸入構建騷擾電話識別知識圖譜，并利用緊密度算法構建騷擾電話識別模塊，提供騷擾電話識別能力，對判定為騷擾電話的號碼進行關停處置。

3 電信運營商知識圖譜功能與構建

3.1 知識圖譜功能框架

電信運營商知識圖譜的功能框架主要體現在整體業(yè)務、服務、運維、管理中，主要為文本類應用和分析類應用。對于文本類，知識圖譜通過文本信息處理、概念提取和關系提取，實現面向信息檢索和智能應答的能力輸出，其技術特點主要針對可讀文本數據的處理和網絡構建。針對分析類，知識圖譜重點從隱語義數據（大數據畫像、偏好、標簽、主機、應用、數據庫、監(jiān)控等）挖掘邏輯挖掘，針對業(yè)務推薦、根因分析、問題溯源等提供認知理解能力。

電信運營商知識圖譜的功能框架，可以描述各種與知識相關的實體和概念之間的關聯關系，從而更快捷準確地進行智能問答和信息檢索。知識圖譜最常用的語義關系為“實體－關系－實體”與“實體－屬性－屬性值”，電信客戶服務領域存在各種復雜異常、故障、事件，知識圖譜是描述其內在聯系的最佳載體。知識圖譜是將知識實體之間的關系和邏輯進行圖形化展示的語義網絡，作為中臺核心組件，為客戶服務域的知識庫輸出邏輯搜索能力，為智能機器人輸出智慧應答能力，為工單處理輸出自動回復能力。為 CRM/BOSS（business & operation support system）等營業(yè)前端，提供業(yè)務/服務/數據/事件之間復雜關系的結構化輸出，串聯運營與運維，為運營商業(yè)務、服務、營銷、運維等全量場景提供圖譜化的實體邏輯支撐，驅動業(yè)務服務一體化，服務支撐智能化，海量數據處理自動化。

電信運營商知識圖譜功能框架如圖6所示，可以用于經營決策、客戶服務的分析并具備理解和解釋能力，從而在電信領域的認知理解、數據分析、決策支持領域進行能力輸出。一方面通過建立從數據到認知圖譜中實體、概念、關系的映射，讓機器理解數據的本質；另一方面利用認知圖譜中實體、概念和關系解釋現實世界中的事物和現象，讓機器解釋現象的本質。以市場領域的存量運營為例，基于目前大數據標簽庫、歷史投訴工單、業(yè)務管理文檔等基礎能力和數據，打造面向存量運營“場景”的認知網絡，包含面向運營場景的概念層（概念標簽）、原子層（原子標簽）、分層理論庫（基于原子屬性分層鏈接實體）、運營策略庫（面向場景的維系、推薦、服務策略）提升運營推薦的精準度，并面向“客戶需求”提供可理解、可解釋的運營策略。

圖6 電信運營商知識圖譜功能框架

3.2 知識圖譜構建方法

電信運營商知識圖譜構建遵循自底向上的邏輯，通過從業(yè)務數據域、基礎數據域、應用渠道域等獲取海量非結構化數據，進行數據清洗和語義分析，并輔以原子化知識庫中的固有內容，以無監(jiān)督/有監(jiān)督兩種模式自動構建面向移動業(yè)務服務的知識圖譜，針對運營商復雜的投訴和異常場景提出針對性解決方案。

構建知識圖譜的步驟分為模式設計、數據清洗、實體識別、關系識別以及知識融合。

（1）模式設計

模式是知識圖譜的概念模型和邏輯基礎, 借助實體關系的規(guī)則定義，約束知識圖譜的數據。模式設計是知識圖譜構建的基礎，基于現有事件單、投訴單、異常單、客戶畫像、網絡數據，設計一套圖譜自動抽取的框架，以運維為例面向故障的模式包括故障內容描述、故障原因、故障解決方案、故障歸屬、故障詳細描述、故障發(fā)生地點、客戶號碼、客戶資費、關聯需求等。

（2）數據清洗

基于事件單、異常單、運維總結報告及運營商領域專業(yè)詞匯進行數據清洗，得到含有相關語義信息的文本內容，用作后續(xù)文本語義分析的基礎。待清洗數據包括規(guī)范化的工單數據、報告數據，也包括非結構化的日志數據、問答數據，數據清洗質量直接關系到模型的訓練精度。

（3）實體識別

實體識別是知識圖譜語義分析的關鍵。采用機器學習技術自動或半自動地從多源數據中提取知識圖譜的實體、關系、屬性等要素。知識抽取包含實體抽取、關系抽取和屬性抽取。

實體識別的工具是 LSTM（long-short term memory）+CRF（conditional random field），通過LSTM網絡的處理，得到了輸入數據的表示方法，在輸出端將softmax與CRF結合起來，使用LSTM解決提取序列特征的問題，使用CRF有效利用了句子級別的標記信息。

（4）關系識別

關系識別是對非結構化文檔處理的重要環(huán)節(jié)，自然語言中對事件的描述往往會以多個子句的形式存在，且多句之間具有相關性，關系識別需要對投訴工單數據的上下文，進行依存句法相關性分析，從而找出實體間存在哪種關系，以及關系周邊的實體分別是什么，例如運維場景中“A導致了B”“C的故障原因是D”“E的變更產生了F現象”，面向運維場景的關系識別是構建RDF（resource description framework）三元組的基礎。

（5）知識融合

知識圖譜在進行知識抽取時所使用的數據源是多樣化的，存在知識重復、知識間關系不明確等問題。知識融合可消除實體、關系、屬性等與事實對象間的歧義， 使不同來源的知識能夠得到規(guī)范化整合。為了讓運維知識圖譜內容在客服領域具備通用性，本文對抽取出的三元組內容進行二次分析，將根據詞性及依存句法抽取出的實體進行聚類，將涉及同類內容的實體進行融合，組成完整語義的回復答案，反饋到知識庫及機器人前端。

3.3 知識圖譜技術方法及參數

知識圖譜構建過程中應用的人工智能技術算法，主要包括以下3種。

? 實體識別：長文本分詞算法、層次聚類算法、Bi-LSTM算法、CRF算法。

? 關系識別：詞法&依存句法分析，Bert模型（大規(guī)模預訓練網絡）。

? 知識融合：相關性分析算法，相似度計算方法。

知識圖譜構建后，以接口方式對應用賦能，具體輸入輸出數據如下。

（1）輸入數據

在訓練過程中，輸入主要為投訴處理工單、用戶問題記錄等信息，需要包括關鍵信息：故障內容描述、故障原因、故障解決方案、工單工作、工單處理人、投訴類別、關聯問題單、需求單等。在應用過程中，輸入為客戶的一種問題表述“故障現象”，待獲取對應的“故障原因”“問題解決方案”或工單下一步動作、處理人等信息。

知識圖譜訓練數據以 RDF方式存入關系數據庫，即Neo4j。

（2）輸出數據

根據輸入的問題，在知識圖譜關系數據庫Neo4j中查詢對應的故障原因、解決方案、下一步動作、處理人信息，反饋到請求方。

4 電信運營商知識圖譜演進發(fā)展

電信運營商知識圖譜技術體系，是基于實際需求總結歸納的符合電信特色的知識圖譜應用、實例、系統建設運營方法理論，實現對內外部業(yè)務的支撐發(fā)展。其演進主要分為 3個階段：探索實踐階段、優(yōu)化提升階段和中臺賦能階段，以集中化和能力分享兩種方式持續(xù)推進，前期由技術先進、運營經驗豐富的省專公司進行重點知識圖譜實例建設，并在業(yè)務場景產生實際效果，后期以集中化方式進行全網知識圖譜能力聚合、資源集約化、承接全網集中化知識圖譜應用需求。

4.1 探索實踐階段

面向智能應答、工單分析、系統運維、業(yè)務運營等領域的重點需求場景，研究知識圖譜的構建、訓練和推理技術方法，并實現基本功能實現和能力輸出；形成數據標注、知識圖譜體系搭建、知識迭代優(yōu)化和協同運營等運營流程，結合場景化需要，實現“人－機”協同運營；針對智能應答、工單分析、系統運維、業(yè)務運營四大場景，啟動一系列知識圖譜實例的研究，完成解決方案規(guī)劃、數據準備和模式設計，并實現重點急需實例的建設，如業(yè)務運維、工單分析、故障定位等，完成統一的知識圖譜指導白皮書。

4.2 優(yōu)化提升階段

面向文本數據、標簽數據、運維數據等，完成一系列個性化知識圖譜技術方案，如結合機器閱讀、實體識別、關系識別、摘要提取、鏈路預測等機器學習模型的知識圖譜技術方法，以解決方案方式完成需求，并將不同模式的知識圖譜歸納總結、體系化；形成成熟的業(yè)務人員、技術人員協同的知識圖譜運營體系，在關鍵語料庫梳理、文本匹配、文本分類標注等方面不斷融合協同，形成成熟的迭代運營團隊；以知識圖譜實例建設成果為基礎，形成較完善的知識圖譜知識體系、算法體系和方案體系，在業(yè)務運營、服務運營、系統運維和問答檢索場景中產生效果，并探索知識圖譜集中化建設賦能的可行性，指導全行業(yè)以自建或者集中化復用方式，廣泛開展知識圖譜實踐工作。

4.3 中臺賦能階段

梳理架構實現中臺化管理，統一的運維知識、業(yè)務知識、大數據特征知識等，以中臺組織方式實現集中化知識管理，并完成基礎框架建設，總體資源集約、運行高效，AI與業(yè)務形成合力；探索知識圖譜集中化賦能的“集團－省”兩級協同模式，逐步擴大知識運營范圍和賦能范圍；建立完備的運營體系，通過內外部運營需求拉動能力運營，賦能業(yè)務高質量發(fā)展；知識圖譜中臺能力歸納、收斂、匯聚，形成若干通用知識圖譜實例能力，沉淀的共性能力比較豐富，廣泛發(fā)揮注智賦能作用。同時，支持各省屬地化需求進行能力拓展和靈活調度。

5 結束語

本文主要介紹了面向電信運營商的知識圖譜技術體系及應用實踐方法，通過研究知識圖譜架構、分類、技術、服務對象、應用場景、生態(tài)循環(huán)解決方案等內容，結合現有優(yōu)秀案例經驗，打造了面向外部客戶以及內部運維人員的知識圖譜應用實例，包括面向外部客戶的權益推薦、預離網分析、滿意度預測知識圖譜，面向內部業(yè)務人員的騷擾電話識別知識圖譜，面向內部運維人員的工單分析、投訴溯源分析、監(jiān)控運維態(tài)勢感知、告警關聯關系、故障定位、故障處置、資源快速溯源CMDB、資產優(yōu)化知識圖譜，以及面向內部和外部用戶共用的業(yè)務運維、行業(yè)知識圖譜，并將知識圖譜服務于智能問答、日常的運營分析、工單處理流程、系統運維等，體現了知識圖譜技術的價值。

未來，在知識圖譜完整體系搭建完成后，可服務的電信行業(yè)應用形態(tài)、服務時采用的具體技術手段均是需要探索的課題，例如在智能問答、智能客服、智能運維、知識搜索等系統進行交互時，知識數據存放位置、訓練數據預處理方法、調用算法和模型方法等。同時，電信運營商知識圖譜生態(tài)循環(huán)如何演進也是需要研究的問題，知識圖譜構建后需隨著業(yè)務、管理的不斷更新而迭代優(yōu)化，系統架構、知識關系也需變化，需要確保知識圖譜的生態(tài)化演講方式，降低對專家經驗的依賴，真正建立知識的時效性、關聯性、服務性、共享性的一體化循環(huán)迭代方案，提升系統的運營體驗，以知識圖譜技術賦能運營管理頂層設計，成為數字化變革的新引擎。