基于人工智能的作业流程拆解方法、装置、设备及介质

技术领域

本发明涉及人工智能领域，特别涉及一种人工智能的作业流程拆解方法、装置、设备及介质。

背景技术

现阶段，关于矿山设备检修的作业流程通常为大量的自然语言文本描述，这些文本往往存在表述不规范、逻辑混乱、复杂句型等问题，给智能化流程管理带来了挑战。

传统的作业流程拆解方法主要使用自然语言处理技术对检修作业流程进行语义表示，再基于关键词与一体化的模板库进行匹配。这种语义表示方法停留在词级或短语级的浅层语义理解，缺乏对整体逻辑结构的深层语义的建模能力，难以应对复杂的长句和隐含语义，无法精准捕捉作业流程的逻辑细节和语义关系，影响了后续的拆解质量；并且与一体化的模板库进行匹配导致泛化能力有限，难以适应语义表达的多样性和复杂性。

因此，现阶段作业流程拆解存在泛化能力差、拆解结果可解释性差以及拆解质量差的问题。

发明内容

有鉴于此，本发明的目的在于提供人工智能的作业流程拆解方法、装置、设备及介质，解决了现有技术中作业流程拆解存在泛化能力差、拆解结果可解释性差以及拆解质量差的问题。

为解决上述技术问题，本发明提供了一种基于人工智能的作业流程拆解方法，包括：

获取作业流程文本；

对所述作业流程文本进行实体识别，得到命名实体；

对所述命名实体进行语义角色标注，得到标注了语义角色标签的命名实体；

根据语义合成规则将所述标注了语义角色标签的命名实体转化为一阶谓词逻辑形式的转化结果；所述语义合成规则包括构建一阶谓词构建规则、实体映射规则、量词前缀添加规则、逻辑连接词处理规则和其他规则；

利用训练好的匹配模型，将所述一阶谓词逻辑形式的转化结果与预先构建的多层化操作步骤模板库进行自上而下地逐层化匹配，得到所述作业流程文本对应的拆解步骤序列。

可选的，根据语义合成规则将所述标注了语义角色标签的命名实体转化为一阶谓词逻辑形式的转化结果；所述语义合成规则包括构建一阶谓词构建规则、实体映射规则、量词前缀添加规则、逻辑连接词处理规则和其他规则，包括：

根据动作词和所述语义角色标签构建一阶谓词表达式；

将所述命名实体按照各自对应的所述语义角色标签映射到所述一阶谓词表达式中相应的位置，得到填参后的一阶谓词表达式；

根据所述动作词的动作主语的语义特征，在所述填参后的一阶谓词上添加相应的量词前缀，得到初步的一阶谓词表达式；

当所述作业流程文本中包含逻辑连接词时，则将所述逻辑连接词转化为相应的逻辑连接谓词；

当所述作业流程文本中包括其他语义成分，则将所述其他语义成分转化为一阶谓词形式文本；

所述一阶谓词形式文本、所述逻辑连接谓词和所述初步的一阶谓词表达式共同构建得到所述一阶谓词逻辑形式的转化结果。

可选的，预先构建的多层化操作步骤模板库，包括：

根据描述作业本质属性的步骤构建得到超类步骤层模板库；

根据描述实现目标关键的步骤构建得到类步骤层模板库；

根据描述具体可执行动作的步骤构建得到子步骤层模板库；

根据所述超类步骤层模板库、所述类步骤层模板库和所述子步骤层模板库共同组成所述多层次化操作步骤模板库；所述超类步骤层模板库中包括多个超类步骤模板，各个所述超类步骤模板包括多个类步骤层模板，各个所述类步骤模板包括多个子步骤模板。

可选的，将所述一阶谓词逻辑形式的转化结果与预先构建的多层化操作步骤模板库进行自上而下地逐层化匹配，包括：

将所述一阶谓词逻辑形式的转化结果与所述超类步骤层模板库中所有超类步骤模板进行匹配，将匹配度最高的超类步骤模板作为超类目标模板；

将所述一阶谓词逻辑形式的转化结果与所述超类目标模板中所有类步骤模板进行匹配，将匹配度最高的类步骤模板作为类目标模板；

将所述一阶谓词逻辑形式的转化结果与所述类目标模板中所有子步骤模板进行匹配，将匹配度最高的子步骤模板作为子目标模板；

所述超类目标模板、所述类目标模板和所述子目标模板构建得到层次化的所述拆解步骤序列。

可选的，将所述一阶谓词逻辑形式的转化结果与预先构建的多层化操作步骤模板库进行自上而下地逐层化匹配，包括：

在逐层化匹配过程中，每层匹配均基于知识库规则将存在矛盾的匹配结果进行过滤，所述知识库规则包括实体类别规则、实体属性规则、实体行为规则中的任一项或多项。

可选的，训练好的匹配模型，包括：

获取一阶谓词逻辑形式的训练数据和各个所述训练数据对应的拆解结果；所述拆解结果是基于所述多层化操作步骤模板库确定的目标拆解模板；

基于分层栈式LSTM-CRF模型，联合训练所述训练数据和所述拆解结果的映射关系，并自动学习和优化所述分层栈式LSTM-CRF模型各模块的参数，得到训练好的分层栈式LSTM-CRF模型。

可选的，对所述作业流程文本进行实体识别，得到命名实体；对所述命名实体进行语义角色标注，得到标注了语义角色标签的命名实体，包括：

利用基于BERT的双向Transformer模型，结合条件随机场进行序列标注，识别出所述作业流程文本中的所述命名实体；

利用注意力机制的双向LSTM-CNN模型对所述命名实体的语义角色进行标注，得到所述标注了语义角色标签的命名实体。

本发明还提供了一种基于人工智能的作业流程拆解装置，包括：

获取模块，用于获取作业流程文本；

命名实体识别模块，用于对所述作业流程文本进行实体识别，得到命名实体；

语义角色标注模块，用于对所述命名实体进行语义角色标注，得到标注了语义角色标签的命名实体；

合成转化模块，用于根据语义合成规则将所述标注了语义角色标签的命名实体转化为一阶谓词逻辑形式的转化结果；所述语义合成规则包括构建一阶谓词构建规则、实体映射规则、量词前缀添加规则、逻辑连接词处理规则和其他规则；

匹配模块，用于利用训练好的匹配模型，将所述一阶谓词逻辑形式的转化结果与预先构建的多层化操作步骤模板库进行自上而下地逐层化匹配，得到所述作业流程文本对应的拆解步骤序列。

本发明还提供了一种基于人工智能的作业流程拆解设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如上述的基于人工智能的作业流程拆解方法。

本发明还提供了一种介质，所述介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现上述的基于人工智能的作业流程拆解方法。

可见，本发明通过获取作业流程文本；对作业流程文本进行实体识别，得到命名实体；对命名实体进行语义角色标注，得到标注了语义角色标签的命名实体；根据语义合成规则将标注了语义角色标签的命名实体转化为一阶谓词逻辑形式的转化结果；语义合成规则包括构建一阶谓词构建规则、实体映射规则、量词前缀添加规则、逻辑连接词处理规则和其他规则；利用训练好的匹配模型，将一阶谓词逻辑形式的转化结果与预先构建的多层化操作步骤模板库进行自上而下地逐层化匹配，得到作业流程文本对应的拆解步骤序列。本方法利用命名识别、语义角色标注和语义合成将自然语言的作业流程文本转化为一阶谓词逻辑形式，更能够精确捕捉作业流程文本的逻辑结构和语义细节，提高了泛化能力；与预先构建的多层化操作步骤模板库进行自上而下地逐层化匹配，合理划分了作业流程的抽象层级，实现了语义表示与模板库多层次精准匹配。整体上说，本方法将形式化语义表示、层次化模板库和层级匹配算法紧密结合，不仅提高了拆解质量和泛化能力，使得结果更加准确规范，同时还具备良好的层次结构特征和可解释性，为矿山设备检修的作业流程智能化管理提供有力支撑。

此外，本发明还提供了一种基于人工智能的作业流程拆解装置、设备及介质，同样具有上述有益效果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的一种基于人工智能的作业流程拆解方法的流程图；

图2为本发明实施例提供的一种以矿山设备检修作业为超类步骤层模板库对象的层次示例图；

图3为本发明实施例提供的一种基于人工智能的作业流程拆解装置的结构示意图；

图4为本发明实施例提供的一种基于人工智能的作业流程拆解设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参考图1，图1为本发明实施例提供的一种基于人工智能的作业流程拆解方法的流程图。该方法可以包括：

S101：获取作业流程文本。

本实施例首先获取作业流程文本。其中作业流程文本可以为长文本或者短文本。作业流程文本可以是矿山设备检修的作业流程文本。

S102：对作业流程文本进行实体识别，得到命名实体。

本实施例并不对实体识别的具体算法进行限定，只要能够对提取得到实体的算法均可。为了保证命名实体提取的准确性以及可靠性，上述对作业流程文本进行实体识别，得到命名实体，具体可以包括：

利用基于BERT的双向Transformer模型，结合条件随机场进行序列标注，识别出所述作业流程文本中的所述命名实体。

Transformer模型是一种用于处理序列数据的神经网络模型；BERT是一种自然语言处理模型，可学习文本的双向表示，显著提升在情境中理解许多不同任务中的无标记文本的能力。本实施例利用基于BERT的双向Transformer模型，结合条件随机场（ConditionalRandom Field，DRF）层进行序列标注，识别出文本中的命名实体，包括人名、机具名、部件名等。条件随机场是一种常用的序列标注算法，用于接收一个输入序列并输出目标序列。

具体来说，先利用BERT对输入的作业流程文本进行编码获得上下文敏感的词向量表示，然后将这些向量序列输入CRF层，对每个词进行BIOES（命名体标注算法）标注，即标注该词是实体的开头（B-begin）、中间（I-inside）、结尾（E-end）、单词实体（S-single）还是非实体（O-outside）。该模型在矿山设备维修领域标注语料上进行了训练，取得了较高的F1（F1 Score，是用于综合评估分类模型性能的指标）值。

S103：对命名实体进行语义角色标注，得到标注了语义角色标签的命名实体。

本实施例并不对语义角色标注的具体算法进行限定，只要能够对命名实体的语义进行角色标注的算法均可。为了保证标注的准确性以及可靠性，上述对命名实体进行语义角色标注，得到标注了语义角色标签的命名实体，具体可以包括：

利用注意力机制的双向LSTM-CNN模型对命名实体的语义角色进行标注，得到标注了语义角色标签的命名实体。

采用基于注意力机制的双向LSTM-CNN（long-short term memory，长短期记忆模型；Convolutional Neural Network，卷积神经网络模型）模型，输出每个实体的语义角色标签，如动作主语、动作对象、工具等。

具体来说，先使用LSTM对输入序列建模，获取每个词的前向和后向表示；然后使用CNN提取局部特征，并通过注意力机制对LSTM和CNN特征进行融合；最后将融合后的特征输入到CRF层进行序列标注，得到每个命名实体的语义角色标签。通过上述技术，可以识别出作业流程文本中的实体词及其语义角色，为后续语义合成和逻辑表示奠定基础。

S104：根据语义合成规则将标注了语义角色标签的命名实体转化为一阶谓词逻辑形式的转化结果。

本实施例将标注了语义角色标签的命名实体按照预定义的语义合成规则转换为对应的一阶谓词逻辑形式。其中一阶谓词逻辑（First-order predicate logic）是一种形式语言系统，它用数理逻辑的方法研究推理的规律。其中语义合成规则具体包括构建一阶谓词构建规则、实体映射规则、量词前缀添加规则、逻辑连接词处理规则和其他规则。

进一步的，为了一阶谓词逻辑形式转化的准确性，上述根据语义合成规则将所述标注了语义角色标签的命名实体转化为一阶谓词逻辑形式的转化结果，可以包括以下步骤：

步骤21：根据动作词和语义角色标签构建一阶谓词表达式。

具体的，按照一阶谓词构建规则将标注了语义角色标签的命名实体转化为一阶谓词逻辑形式的转化结果可以包括：将根据动作词及其语义角色，构建一阶谓词表示，一般以动作词作为谓词名，动作主语和宾语作为谓词的参数。如“使用扳手拆解螺栓”中，可构建一阶谓词“拆解(拆解者，被拆解物，工具)”。

步骤22：将命名实体按照各自对应的语义角色标签映射到一阶谓词表达式中相应的位置，得到填参后的一阶谓词表达式。

具体的，按照实体映射规则将标注了语义角色标签的命名实体转化为一阶谓词逻辑形式的转化结果可以包括：将识别出的命名实体按语义角色映射到相应的谓词参数位置。如“使用扳手拆解螺栓”中，实体“使螺栓”映射到“使被拆解物”参数，“使扳手”映射到“使工具”参数，得到“拆解（拆解者，螺栓，扳手）”。

步骤23：根据动作词的动作主语的语义特征，在填参后的一阶谓词上添加相应的量词前缀，得到初步的一阶谓词表达式。

具体的，按照其他规则将标注了语义角色标签的命名实体转化为一阶谓词逻辑形式的转化结果可以包括：根据动作主语的语义特征，添加适当的量词前缀，如“使存在量词∃”、“使全称量词∀”等。如∃x，y (Verb(拆解，x，y)∧Object(x，螺栓)∧Instrument(y，扳手))。

步骤24：当作业流程文本中包含逻辑连接词时，则将逻辑连接词转化为相应的逻辑连接谓词。

具体的，按照逻辑连接词处理规则将标注了语义角色标签的命名实体转化为一阶谓词逻辑形式的转化结果可以包括：若作业流程文本中包含逻辑连接词(如“并且”、“或者”、“之后”等)，则将其转化为相应的逻辑连接谓词(如“And”、“Or”、“After”等)，连接相关的一阶谓词子句。

步骤25：当作业流程文本中包括其他语义成分，则将其他语义成分转化为一阶谓词形式文本。

具体的，按照逻辑连接词处理规则将标注了语义角色标签的命名实体转化为一阶谓词逻辑形式的转化结果可以包括：处理状态术语、时间状语等其他语义成分，并将其转化为适当的一阶谓词逻辑形式文本。

步骤26：一阶谓词形式文本、逻辑连接谓词和初步的一阶谓词表达式共同构建得到一阶谓词逻辑形式的转化结果。

整体经过上述规则，如“使用扳手拆解螺栓”可表示为：“∃x，y （Verb（拆解，x，y）∧Object（x，螺栓)∧Instrument（y，扳手)）”，其中：

∃x，y为存在量词前缀；Verb（拆解，x，y）对应主谓语；Object（x，螺栓)表示x是“螺栓”； Instrument（y，扳手)表示y是工具“扳手”。

按照本实施例提供的语义合成规则得到的一阶谓词逻辑形式的转化结果，逻辑表示增强，针对连词、时间状语等成分，可以进一步使用添加相应的逻辑表示，如时序连接词“之后”可表示为序列化谓词“After”。

经过步骤S101至步骤S104可以将自然语言的作业流程文本转化为一阶谓词逻辑形式。示例性的，自然语言的作业流程文本为“首先使用扳手拆解螺栓，然后用千斤顶顶起设备，之后更换新零件，最后拧紧螺栓固定设备。”经步骤S102至步骤S104即可转化为如下形式化的一阶谓词逻辑表示：

∃x，y，z，w（）Verb（拆解，x，y） ∧ Object（x，螺栓） ∧ Instrument（y，扳手） ∧After（Verb（顶起，z，w）， Verb（拆解，x，y）） ∧ Object（w，设备） ∧ Instrument(z，千斤顶） ∧ After（Verb(更换，w，新零件）， Verb（顶起，z，w） ） ∧ After（Verb（拧紧，x，y），Verb（更换，w，新零件）））。通过该形式化表示可以精确捕捉作业流程的语义信息和逻辑结构，为后续的层次化模板匹配提供了规范化的输入，有利于提高匹配的准确性和可解释性。同时这一表示形式对长句和复杂句型也具有很强的适用性和扩展性。

S105：利用训练好的匹配模型，将一阶谓词逻辑形式的转化结果与预先构建的多层化操作步骤模板库进行自上而下地逐层化匹配，得到作业流程文本对应的拆解步骤序列。

本实施例并不对多层化操作步骤模板库的层数进行限定，可以根据实际情况建立多层化操作步骤模板库。本实施例也不对匹配模型进行限定，只要能够实现匹配即可。

进一步的，为了提高匹配的准确性和效率，上述多层化操作步骤模板库，可以包括以下步骤：

根据描述作业本质属性的步骤构建得到超类步骤层模板库；

根据描述实现目标关键的步骤构建得到类步骤层模板库；

根据描述具体可执行动作的步骤构建得到子步骤层模板库；

根据超类步骤层模板库、类步骤层模板库和子步骤层模板库共同组成多层次化操作步骤模板库；超类步骤层模板库中包括多个超类步骤模板，各个超类步骤模板包括多个类步骤层模板，各个类步骤模板包括多个子步骤模板。

本实施例中多层化操作步骤模板库的层次划分主要基于作业流程的抽象层级和细节程度。图2为本发明实施例提供的一种以矿山设备检修作业为超类步骤层模板库对象的层次示例图。通过分析大量历史作业数据和专家经验，可以将矿山设备检修的作业分为三个层级：（1）超类步骤层：对应作业的最高抽象层级，描述整体的作业目标和性质，如"矿山设备检修作业"。（2）类步骤层：对应作业的中间抽象层级，描述实现整体目标的关键步骤类型，如“设备检查”、“故障诊断”、“维修作业”等。（3）子步骤层：对应作业的最低抽象层级，描述可直接操作执行的基本步骤，如“检查设备运转参数”、“更换故障零件”等。这种三层次划分能够很好地覆盖作业流程的语义特征，即高层描述作业的本质属性，中层描述实现目标的步骤类型，低层描述具体可执行的基本动作。

按照上述层次结构，分别构建每一层对应的模板库：（1）超类步骤层模板库中的超类步骤模板根据作业领域和性质构建，数量较少，覆盖面广，如“矿山设备检修作业”、“机电设备维护作业”等。（2）类步骤层模板库中的类步骤模板通过分析历史作业流程，总结出常见的步骤类型，覆盖范围较广，如“设备外观检查”、“参数诊断”、“拆卸修理”等。（3）子步骤层模板库中的子步骤模板通过挖掘作业语料，提取常见的基本操作步骤，覆盖范围较窄，数量较多，如“检查油液液位”、“拆卸螺栓连接”等。通过上述三层次设计，模板库的表示能力和匹配灵活性都得到增强，能够更好地覆盖和匹配各类作业流程文本的语义特征，提高作业拆解的质量和泛化能力。

进一步地，还可以对每层模板采用统一的形式化表示，规范命名、限定可使用词汇等，方便后续的模板匹配。

进一步地，为了模板匹配的准确性，上述将一阶谓词逻辑形式的转化结果与预先构建的多层化操作步骤模板库进行自上而下地逐层化匹配，得到作业流程文本对应的拆解步骤序列，可以包括以下步骤：

将所述一阶谓词逻辑形式的转化结果与所述超类步骤层模板库中所有超类步骤模板进行匹配，将匹配度最高的超类步骤模板作为超类目标模板；

将所述一阶谓词逻辑形式的转化结果与所述超类目标模板中所有类步骤模板进行匹配，将匹配度最高的类步骤模板作为类目标模板；

将所述一阶谓词逻辑形式的转化结果与所述类目标模板中所有子步骤模板进行匹配，将匹配度最高的子步骤模板作为子目标模板；

超类目标模板、类目标模板和子目标模板构建得到层次化的拆解步骤序列。

本实施例通过构建的多层化操作步骤模板库，就可以实现自上而下，逐层地进行精准匹配，提高了作业拆解的质量和可解释性。

进一步的，为了进一步保证拆解质量，将一阶谓词逻辑形式的转化结果与预先构建的多层化操作步骤模板库进行自上而下地逐层化匹配，可以包括以下步骤：

在逐层化匹配过程中，每层匹配均基于知识库规则将存在矛盾的匹配结果进行过滤，知识库规则包括实体类别规则、实体属性规则、实体行为规则中的任一项或多项。

本实施例在匹配的过程中，可以设定包含实体类别规则、实体属性规则、实体行为规则的知识库规则，用知识库规则对匹配结果进行过滤，以筛选掉匹配矛盾的结果。例如，若匹配到“使用扳手拆解液压油”则可基于知识库判断出这是不合理的，提示匹配结果有误。

进一步的，为了更加准确高效地得到匹配结果，上述训练好的匹配模型，可以包括以下步骤：

获取一阶谓词逻辑形式的训练数据和各个训练数据对应的拆解结果；拆解结果是基于多层化操作步骤模板库确定的目标拆解模板；

基于分层栈式LSTM-CRF模型，联合训练训练数据和所述拆解结果的映射关系，并自动学习和优化分层栈式LSTM-CRF模型各模块的参数，得到训练好的分层栈式LSTM-CRF模型。

本实施例将分层栈式LSTM-CRF模型作为匹配模型，底层LSTM用于编码形式化语义表示的一阶谓词逻辑序列，顶层CRF对每个谓词预测其所属的模板层级标签。使用标注语料，基于最大似然估计，联合训练LSTM编码器和CRF层的参数，通过一阶谓词逻辑形式的训练数据与拆解结果之间的映射模式，得到分层栈式LSTM-CRF模型各模块的参数，并且还能基于实际拆解结果与模型得出的拆解结果的误差对模型参数进行自动微调，不断优化匹配模型质量。通过上述匹配方法，可以实现精准匹配，生成规范的层次化作业拆解步骤。规则约束策略确保匹配结果符合领域知识，学习优化策略则自动改善算法性能，两者相互补充，提高了匹配的准确性和解释性。

应用本发明实施例提供的基于人工智能的作业流程拆解方法，通过获取作业流程文本；对作业流程文本进行实体识别，得到命名实体；对命名实体进行语义角色标注，得到标注了语义角色标签的命名实体；根据语义合成规则将标注了语义角色标签的命名实体转化为一阶谓词逻辑形式的转化结果；语义合成规则包括构建一阶谓词构建规则、实体映射规则、量词前缀添加规则、逻辑连接词处理规则和其他规则；利用训练好的匹配模型，将一阶谓词逻辑形式的转化结果与预先构建的多层化操作步骤模板库进行自上而下地逐层化匹配，得到作业流程文本对应的拆解步骤序列。本方法利用命名识别、语义角色标注和语义合成将自然语言的作业流程文本转化为一阶谓词逻辑形式，更能够精确捕捉作业流程文本的逻辑结构和语义细节，提高了泛化能力；与预先构建的多层化操作步骤模板库进行自上而下地逐层化匹配，合理划分了作业流程的抽象层级，实现了语义表示与模板库多层次精准匹配。整体上说，本方法将形式化语义表示、层次化模板库和层级匹配算法紧密结合，不仅提高了拆解质量和泛化能力，使得结果更加准确规范，同时还具备良好的层次结构特征和可解释性，为矿山设备检修的作业流程智能化管理提供有力支撑。

下面对本发明实施例提供的基于人工智能的作业流程拆解装置进行介绍，下文描述的基于人工智能的作业流程拆解装置与上文描述的基于人工智能的作业流程拆解方法可相互对应参照。

具体请参考图3，图3为本发明实施例提供的一种基于人工智能的作业流程拆解装置的结构示意图，可以包括：

获取模块100，用于获取作业流程文本；

命名实体识别模块200，用于对所述作业流程文本进行实体识别，得到命名实体；

语义角色标注模块300，用于对所述命名实体进行语义角色标注，得到标注了语义角色标签的命名实体；

合成转化模块400，用于根据语义合成规则将所述标注了语义角色标签的命名实体转化为一阶谓词逻辑形式的转化结果；所述语义合成规则包括构建一阶谓词构建规则、实体映射规则、量词前缀添加规则、逻辑连接词处理规则和其他规则；

匹配模块500，用于利用训练好的匹配模型，将所述一阶谓词逻辑形式的转化结果与预先构建的多层化操作步骤模板库进行自上而下地逐层化匹配，得到所述作业流程文本对应的拆解步骤序列。

基于上述实施例，其中合成转化模块，可以包括：

第一单元，用于根据动作词和语义角色标签构建一阶谓词表达式；

第二单元，用于将所述命名实体按照各自对应的所述语义角色标签映射到所述一阶谓词表达式中相应的位置，得到填参后的一阶谓词表达式；

第三单元，用于根据所述动作词的动作主语的语义特征，在所述填参后的一阶谓词上添加相应的量词前缀，得到初步的一阶谓词表达式；

第四单元，用于当所述作业流程文本中包含逻辑连接词时，则将所述逻辑连接词转化为相应的逻辑连接谓词；

第五单元，用于当所述作业流程文本中包括其他语义成分，则将所述其他语义成分转化为一阶谓词形式文本；

第六单元，用于所述一阶谓词形式文本、所述逻辑连接谓词和所述初步的一阶谓词表达式共同构建得到所述一阶谓词逻辑形式的转化结果。

基于上述实施例，其中匹配模块500，可以包括：

超类步骤层模板库构建单元，用于根据描述作业本质属性的步骤构建得到超类步骤层模板库；

类步骤层模板库构建单元，用于根据描述实现目标关键的步骤构建得到类步骤层模板库；

子步骤层模板库构建单元，用于根据描述具体可执行动作的步骤构建得到子步骤层模板库；

多层次化操作步骤模板库构建单元，用于根据所述超类步骤层模板库、所述类步骤层模板库和所述子步骤层模板库共同组成所述多层次化操作步骤模板库；所述超类步骤层模板库中包括多个超类步骤模板，各个所述超类步骤模板包括多个类步骤层模板，各个所述类步骤模板包括多个子步骤模板。

基于上述实施例，其中匹配模块500，可以包括：

第一匹配单元，用于将所述一阶谓词逻辑形式的转化结果与所述超类步骤层模板库中所有超类步骤模板进行匹配，将匹配度最高的超类步骤模板作为超类目标模板；

第二匹配单元，用于将所述一阶谓词逻辑形式的转化结果与所述超类目标模板中所有类步骤模板进行匹配，将匹配度最高的类步骤模板作为类目标模板；

第三匹配单元，用于将所述一阶谓词逻辑形式的转化结果与所述类目标模板中所有子步骤模板进行匹配，将匹配度最高的子步骤模板作为子目标模板；

结果单元，用于所述超类目标模板、所述类目标模板和所述子目标模板构建得到层次化的所述拆解步骤序列。

基于上述实施例，其中匹配模块500，可以包括：

过滤模块，用于在逐层化匹配过程中，每层匹配均基于知识库规则将存在矛盾的匹配结果进行过滤，所述知识库规则包括实体类别规则、实体属性规则、实体行为规则中的任一项或多项。

基于上述实施例，其中匹配模块500，可以包括：

训练数据获取单元，用于获取一阶谓词逻辑形式的训练数据和各个所述训练数据对应的拆解结果；所述拆解结果是基于所述多层化操作步骤模板库确定的目标拆解模板；

模型训练单元，用于基于分层栈式LSTM-CRF模型，联合训练所述训练数据和所述拆解结果的映射关系，并自动学习和优化所述分层栈式LSTM-CRF模型各模块的参数，得到训练好的分层栈式LSTM-CRF模型。

基于上述实施例，其中命名实体识别模块200，可以包括：

实体识别单元，用于利用基于BERT的双向Transformer模型，结合条件随机场进行序列标注，识别出所述作业流程文本中的所述命名实体。

基于上述实施例，其中语义角色标注模块300，可以包括：

角色标注单元，用于利用注意力机制的双向LSTM-CNN模型对所述命名实体的语义角色进行标注，得到所述标注了语义角色标签的命名实体。

需要说明的是，上述基于人工智能的作业流程拆解装置中的模块以及单元在不影响逻辑的情况下，其顺序可以前后进行更改。

应用本发明实施例提供的基于人工智能的作业流程拆解装置，通过获取模块100，用于获取作业流程文本；命名实体识别模块200，用于对作业流程文本进行实体识别，得到命名实体；语义角色标注模块300，用于对命名实体进行语义角色标注，得到标注了语义角色标签的命名实体；合成转化模块400，用于根据语义合成规则将标注了语义角色标签的命名实体转化为一阶谓词逻辑形式的转化结果；语义合成规则包括构建一阶谓词构建规则、实体映射规则、量词前缀添加规则、逻辑连接词处理规则和其他规则；匹配模块500，用于利用训练好的匹配模型，将一阶谓词逻辑形式的转化结果与预先构建的多层化操作步骤模板库进行自上而下地逐层化匹配，得到作业流程文本对应的拆解步骤序列。本装置利用命名识别、语义角色标注和语义合成将自然语言的作业流程文本转化为一阶谓词逻辑形式，更能够精确捕捉作业流程文本的逻辑结构和语义细节，提高了泛化能力；与预先构建的多层化操作步骤模板库进行自上而下地逐层化匹配，合理划分了作业流程的抽象层级，实现了语义表示与模板库多层次精准匹配。整体上说，本方法将形式化语义表示、层次化模板库和层级匹配算法紧密结合，不仅提高了拆解质量和泛化能力，使得结果更加准确规范，同时还具备良好的层次结构特征和可解释性，为矿山设备检修的作业流程智能化管理提供有力支撑。

下面对本发明实施例提供的基于人工智能的作业流程拆解设备进行介绍。基于人工智能的作业流程拆解存储器10、处理器20、通信接口31均通过通信总线32完成相互间的通信。

在本发明实施例中，存储器10中用于存放一个或者一个以上程序，程序可以包括程序代码，程序代码包括计算机操作指令，在本发明实施例中，存储器10中可以存储有用于实现以下功能的程序：

获取作业流程文本；

对作业流程文本进行实体识别，得到命名实体；

对命名实体进行语义角色标注，得到标注了语义角色标签的命名实体；

根据语义合成规则将标注了语义角色标签的命名实体转化为一阶谓词逻辑形式的转化结果；语义合成规则包括构建一阶谓词构建规则、实体映射规则、量词前缀添加规则、逻辑连接词处理规则和其他规则；

利用训练好的匹配模型，将一阶谓词逻辑形式的转化结果与预先构建的多层化操作步骤模板库进行自上而下地逐层化匹配，得到作业流程文本对应的拆解步骤序列。

在一种可能的实现方式中，存储器10可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统，以及至少一个功能所需的应用程序等；存储数据区可存储使用过程中所创建的数据。

此外，存储器10可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。存储器的一部分还可以包括NVRAM。存储器存储有操作系统和操作指令、可执行模块或者数据结构，或者它们的子集，或者它们的扩展集，其中，操作指令可包括各种操作指令，用于实现各种操作。操作系统可以包括各种系统程序，用于实现各种基础任务以及处理基于硬件的任务。

处理器20可以为中央处理器（Central Processing Unit，CPU）、特定应用集成电路、数字信号处理器、现场可编程门阵列或者其他可编程逻辑器件，处理器20可以是微处理器或者也可以是任何常规的处理器等。处理器20可以调用存储器10中存储的程序。

通信接口31可以为通信模块的接口，用于与其他设备或者系统连接。

当然，需要说明的是，图4所示的结构并不构成对本发明实施例中基于人工智能的作业流程拆解设备的限定，在实际应用中基于人工智能的作业流程拆解设备可以包括比图4所示的更多或更少的部件，或者组合某些部件。

下面对本发明实施例提供的介质进行介绍，下文描述的介质与上文描述的基于人工智能的作业流程拆解方法可相互对应参照。

本发明还提供一种介质，介质上存储有计算机程序，计算机程序被处理器执行时实现上述的基于人工智能的作业流程拆解方法的步骤。

该介质可以包括：U盘、移动硬盘、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应该认为超出本发明的范围。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系属于仅仅用来将一个实体或者操作与另一个实体或者操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其他任何变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

以上对本发明所提供的一种基于人工智能的作业流程拆解方法、装置、设备及介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。