.png){kind=icon}
返回
Semantic and Engineering-Based Embedding for Classification List Development
.png){kind=icon}
OA
AI
DOI：10.3390/make8030061.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
分类类别标签的创建与应用是将复杂信息转化为结构化知识的关键任务。类别用于摘要和报告目的，历史上通常由领域专家根据其过往经验和规范进行识别。我们的研究关注一般情况，即专家生成的类别列表需要改进，而仅依赖无监督学习难以有效识别用于人类生成文本的多类分类的类别。我们假设，在嵌入过程中纳入标注知识图谱（KG）将有助于提升无监督聚类性能。我们的目标是识别可标记并用于分类的聚类。我们考察了维护工作订单（MWO）文本的无监督聚类。MWO记录了流程和重工业中设备故障的关键观察信息。所选知识图谱包含基于工业系统对象分类的国际标准IEC 81346-2，将设备类型映射至其固有功能。性能通过统计分析、领域专家评估和归一化互信息（Normalized Mutual Information）得分进行评估。我们证明，Word2Vec Bi-LSTM和Sentence-BERT NN嵌入方法能够利用知识图谱中的设备固有功能信息，以提升MWO故障模式聚类的识别效果。目前，组织若要利用AI自动为每个MWO分配故障模式代码，需要人类分类的测试集。本研究结果表明，包含知识图谱语义层的映射（将设备类型映射至固有功能，再将固有功能映射至故障模式）可辅助自动化故障模式分类的质量控制。
Keyword:
technical language processing
clustering
knowledge graph
Maintenance Work Order
FMEA
failure mode
IEC 81346
ISO 14224
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
M
IF:
6
论文数:
846
被引数:
1.8K
机构
引用论文
.png){kind=icon}
分享收藏Defect Diagnosis Method of Main Transformer Based on Operation and Maintenance Text Mining张, Y.; 王, Y.; 顾, H.; 刘, L.; 张, J.; 林, H. 基于运维文本挖掘的主变压器缺陷诊断方法. 在2020年国际高电压工程与应用会议(ICHVE)论文集, 北京, 中国, 2020年9月6–10日. [Google Scholar] [CrossRef]
PREAI
分享收藏
查看更多内容