科创中国

行业领域

高技术服务业

需求背景

知识图谱作为一种人工智能技术，既是一门数据科学，也是一个数据工程。知识图谱作为图数据、积累和传递现实世界的知识，知识图谱可以有效地表示复杂信息，知识图谱中的图结构多跳信息，可以完成多跳推理、隐藏关系发现等任务，可以作为现象的机理分析与解释。因此，近年来迅速受到学术界和工业界的关注。知识图谱助力了很多热门的人工智能应用场景，例如语音助手、聊天机器人、智能问答等，覆盖了泛互联网、金融、政务、医疗等众多领域。汽车行业对知识图谱的应用主要应用在销售问答、售后维修、车主问答等，在研发设计领域目前还缺乏应用。长安积累了大量新品过程质量问题与整改的工程数据，在AQIMS系统有20万+工程数据，但这些数据利用非常浅，缺乏针对新产品过程质量问题表现，进行智能问题分析，智能推送整改方案等辅助决策的智能化、可视化知识运用与服务。

需解决的主要技术难题

在汽车研发质量大数据下面向长序列查询意图理解的知识图谱构建与推荐方法研究中，需要解决以下主要技术难题：

1. 长序列查询意图理解：长序列查询意图往往包含多个关键词和复杂的语义结构，需要进行有效的意图理解。这需要解决自然语言处理(NLP)中的语义理解、语义关系抽取、语义推理等问题。

2. 知识图谱构建：构建适用于汽车研发质量大数据的知识图谱，需要从多个数据源中提取和融合相关的实体、属性和关系。这需要解决数据抽取、实体识别、关系抽取、数据融合等问题。

3. 推荐方法研究：基于构建的知识图谱，需要设计有效的推荐方法来为长序列查询提供相关的推荐结果。这需要解决推荐算法设计、推荐结果排序、个性化推荐等问题。

4. 大数据处理：汽车研发质量大数据规模庞大、复杂多样，需要解决大数据处理的技术难题，包括数据存储、数据清洗、数据预处理、数据挖掘等问题。

5. 知识表示与表示学习：为了更好地利用知识图谱，需要解决知识表示与表示学习的问题，包括实体和关系的表示方法选择、表示学习算法设计等问题。

6. 模型评估与优化：需要设计有效的模型评估指标和优化方法，以提高长序列查询意图理解和推荐的准确性和效果。

7. 实时性与可扩展性：面对大规模的汽车研发质量大数据，需要解决实时性和可扩展性的问题，包括实时数据处理、分布式计算、并行计算等技术。

以上是在汽车研发质量大数据下面向长序列查询意图理解的知识图谱构建与推荐方法研究中需要解决的主要技术难题。

期望实现的主要技术目标

1、面向底盘产品工程师、性能工程师提供全新的智能知识服务，包含且不限于问题分析辅助、整改方案决策辅助等；

2.知识图谱构建方法与具体技术迁移至其它专业领域，形成各专业垂直领域的知识库；

3.基于知识图谱各专业领域构建的知识库参与大模型（chatGPT)训练任务，以及训练后推理结果的约束生成，提升大模型性能与精度，更好服务于汽车研发各种智化数字化场景。 

处理进度