一种基于知识图谱的运维问答方法技术

本发明专利技术提供了运维技术领域的一种基于知识图谱的运维问答方法，包括如下步骤：步骤S10、基于神经网络创建一分词模型、一关系类别模型以及一问题类别模型；步骤S20、获取大量的语料，利用所述语料训练分词模型、关系类别模型以及问题类别模型；步骤S30、获取运维历史数据，分别利用所述分词模型、关系类别模型以及问题类别模型提取运维历史数据里的词语、词性、关系表述以及属性表述，利用所述词语、词性、关系表述以及属性表述创建知识图谱；步骤S40、利用所述知识图谱进行运维问答。本发明专利技术的优点在于：极大的提升了运维效率。极大的提升了运维效率。极大的提升了运维效率。

【技术实现步骤摘要】
一种基于知识图谱的运维问答方法


[0001]本专利技术涉及运维
，特别指一种基于知识图谱的运维问答方法。

技术介绍

[0002]运维是数字世界基础设施级别的技术，随着支撑数字世界的软硬件系统越来越庞大、越来越复杂，运维对智能化的要求越来越高。因此，AIOps(智能运维)正在逐渐的走进人的视野，运维问答系统是AIOps的重要分支，辅助运维人员了解IT业务系统的日志、运维监控，实时状态查看等。
[0003]然而，传统的运维问答系统只能基于关键字映射一对应的答案，无法进行全面的展示，运维人员经常得不到满意的答案，需要再深入分析、研究，使得运维的效率低下。因此，如何提供一种基于知识图谱的运维问答方法，实现提升运维效率，成为一个亟待解决的问题。

技术实现思路

[0004]本专利技术要解决的技术问题，在于提供一种基于知识图谱的运维问答方法，实现提升运维效率。
[0005]本专利技术是这样实现的：一种基于知识图谱的运维问答方法，包括如下步骤：
[0006]步骤S10、基于神经网络创建一分词模型、一关系类别模型以及一问题类别模型；
[0007]步骤S20、获取大量的语料，利用所述语料训练分词模型、关系类别模型以及问题类别模型；
[0008]步骤S30、获取运维历史数据，分别利用所述分词模型、关系类别模型以及问题类别模型提取运维历史数据里的词语、词性、关系表述以及属性表述，利用所述词语、词性、关系表述以及属性表述创建知识图谱；
[0009]步骤S40、利用所述知识图谱进行运维问答。
[0010]进一步地，所述步骤S20具体包括：
[0011]步骤S21、获取大量的语料，人工对所述语料进行词语、词性、关系表述以及属性表述的标注，进而生成分词训练集、关系训练集以及问题训练集；
[0012]步骤S22、分别按预设的比例将所述分词训练集、关系训练集以及问题训练集划分为训练集和验证集；
[0013]步骤S23、利用各所述训练集分别对分词模型、关系类别模型以及问题类别模型进行训练；
[0014]步骤S24、利用各所述验证集分别对分词模型、关系类别模型以及问题类别模型进行验证。
[0015]进一步地，所述步骤S30具体包括：
[0016]步骤S31、获取运维历史数据，利用所述分词模型提取运维历史数据中的词语和词性，利用所述关系类别模型提取运维历史数据中的关系表述，利用所述问题类别模型提取
运维历史数据中的属性表述；
[0017]步骤S32、将各所述词语和词性抽取为实体、将各所述关系表述抽取为关系、将各所述属性表述抽取为属性，设定各所述属性对应的属性值；
[0018]步骤S33、利用各所述实体、关系、属性以及属性值创建包含实体
‑
关系
‑
实体、实体
‑
属性
‑
属性值，关系
‑
属性
‑
属性值结构的知识图谱。
[0019]进一步地，所述步骤S40具体包括：
[0020]步骤S41、预设若干个问句模板以及答句模板，设定各所述问句模板和答句模板的关联关系；
[0021]步骤S42、获取用户输入的运维问句，对所述运维问句进行预处理后，利用所述分词模型提取词语和词性，并抽取为实体；
[0022]步骤S43、利用所述实体查询知识图谱，获取所述实体关联的关系、属性以及属性值，基于所述实体、关系、属性以及属性值生成结构化查询语句；
[0023]步骤S44、利用所述结构化查询语句查询问句模板，进而匹配答句模板，生成所述运维问句对应的运维答句。
[0024]进一步地，所述步骤S42中，所述对所述运维问句进行预处理具体为：
[0025]对所述运维问句进行去除冗余词串以及末尾标点符号的预处理。
[0026]进一步地，所述步骤S43具体为：
[0027]判断所述实体的个数是否为1个，若是，则直接查询所述知识图谱，获取所述实体关联的关系、属性以及属性值，基于所述实体、关系、属性以及属性值生成结构化查询语句；
[0028]若否，则基于最短路径查询所述知识图谱，获取所述实体关联的关系、属性以及属性值，基于所述实体、关系、属性以及属性值生成结构化查询语句。
[0029]进一步地，所述步骤S44具体为：
[0030]利用所述结构化查询语句查询问句模板，判断是否存在对应的所述问句模板，若是，则利用所述问句模板匹配答句模板，生成所述运维问句对应的运维答句；
[0031]若否，则利用VSM算法计算所述结构化查询语句与各问句模板的相似度，选取相似度最高的所述问句模板匹配答句模板，生成所述运维问句对应的运维答句。
[0032]进一步地，还包括：
[0033]步骤S50、对所述运维问答的日志进行存储。
[0034]本专利技术的优点在于：
[0035]通过训练分词模型、关系类别模型以及问题类别模型分别用于提取运维历史数据里的词语、词性、关系表述以及属性表述，再基于词语、词性、关系表述以及属性表述创建知识图谱，最终利用知识图谱进行运维问答，相对于传统上只基于关键字映射对应的答案，能够更为全面的查找关联的数据，能够快速、准确对运维问句进行识别，进而极大的提升了运维效率。
附图说明
[0036]下面参照附图结合实施例对本专利技术作进一步的说明。
[0037]图1是本专利技术一种基于知识图谱的运维问答方法的流程图。
具体实施方式
[0038]本申请实施例中的技术方案，总体思路如下：通过训练分词模型、关系类别模型以及问题类别模型分别用于提取运维历史数据里的词语、词性、关系表述以及属性表述，再基于词语、词性、关系表述以及属性表述创建知识图谱，最终利用知识图谱进行运维问答，以提升运维效率。
[0039]请参照图1所示，本专利技术一种基于知识图谱的运维问答方法的较佳实施例，包括如下步骤：
[0040]步骤S10、基于神经网络创建一分词模型、一关系类别模型以及一问题类别模型；
[0041]步骤S20、获取大量的语料，利用所述语料训练分词模型、关系类别模型以及问题类别模型；
[0042]步骤S30、获取运维历史数据，分别利用所述分词模型、关系类别模型以及问题类别模型提取运维历史数据里的词语、词性、关系表述以及属性表述，利用所述词语、词性、关系表述以及属性表述创建知识图谱；知识图谱实际是一种语义网络，关系丰富、相互关联，其节点代表实体(entity)，连线代表关系，因此，采用知识图谱可以生成准确而简洁的答案；
[0043]步骤S40、利用所述知识图谱进行运维问答。
[0044]所述步骤S20具体包括：
[0045]步骤S21、获取大量的语料，人工对所述语料进行词语、词性、关系表述以及属性表述的标注，进而生成分词训练集、关系训练集以及问题训练集；
[0046]步骤S22、分别按预设的比例将所述分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于知识图谱的运维问答方法，其特征在于：包括如下步骤：步骤S10、基于神经网络创建一分词模型、一关系类别模型以及一问题类别模型；步骤S20、获取大量的语料，利用所述语料训练分词模型、关系类别模型以及问题类别模型；步骤S30、获取运维历史数据，分别利用所述分词模型、关系类别模型以及问题类别模型提取运维历史数据里的词语、词性、关系表述以及属性表述，利用所述词语、词性、关系表述以及属性表述创建知识图谱；步骤S40、利用所述知识图谱进行运维问答。2.如权利要求1所述的一种基于知识图谱的运维问答方法，其特征在于：所述步骤S20具体包括：步骤S21、获取大量的语料，人工对所述语料进行词语、词性、关系表述以及属性表述的标注，进而生成分词训练集、关系训练集以及问题训练集；步骤S22、分别按预设的比例将所述分词训练集、关系训练集以及问题训练集划分为训练集和验证集；步骤S23、利用各所述训练集分别对分词模型、关系类别模型以及问题类别模型进行训练；步骤S24、利用各所述验证集分别对分词模型、关系类别模型以及问题类别模型进行验证。3.如权利要求1所述的一种基于知识图谱的运维问答方法，其特征在于：所述步骤S30具体包括：步骤S31、获取运维历史数据，利用所述分词模型提取运维历史数据中的词语和词性，利用所述关系类别模型提取运维历史数据中的关系表述，利用所述问题类别模型提取运维历史数据中的属性表述；步骤S32、将各所述词语和词性抽取为实体、将各所述关系表述抽取为关系、将各所述属性表述抽取为属性，设定各所述属性对应的属性值；步骤S33、利用各所述实体、关系、属性以及属性值创建包含实体
‑
关系
‑
实体、实体
‑
属性
‑
属性值，关系
‑
属性
‑
...

【专利技术属性】
技术研发人员：闫二乐，林诚汉，陈立峰，林俊德，
申请(专利权)人：福建新大陆软件工程有限公司，
类型：发明
国别省市：