基于业务流程的认知图谱

doi:10.11772/j.issn.1001-9081.2023060850

《计算机应用》唯一官方网站 ›› 2024, Vol. 44 ›› Issue (6): 1699-1705.DOI: 10.11772/j.issn.1001-9081.2023060850

• CCF第38届中国计算机应用大会 (CCF NCCA 2023) • 上一篇

基于业务流程的认知图谱

刘耀¹(), 李雨萌², 宋苗苗²

^1.中国科学技术信息研究所信息技术支持中心，北京 100038
^2.北京大学软件与微电子学院，北京 102600

收稿日期:2023-06-29 修回日期:2023-08-30 接受日期:2023-08-31 发布日期:2023-10-09 出版日期:2024-06-10
通讯作者: 刘耀
作者简介:李雨萌（1994—），女，河南新乡人，硕士，主要研究方向：自然语言处理
宋苗苗（1999—），女，陕西汉中人，硕士研究生，CCF会员，主要研究方向：自然语言处理。
基金资助:
国家社会科学基金资助项目(21BTQ011)

Cognitive graph based on business process

Yao LIU¹(), Yumeng LI², Miaomiao SONG²

^1.Information Technology Support Center，Institute of Scientific and Technical Information of China，Beijing 100038，China
^2.School of Software & Microelectronics，Peking University，Beijing 102600，China

Received:2023-06-29 Revised:2023-08-30 Accepted:2023-08-31 Online:2023-10-09 Published:2024-06-10
Contact: Yao LIU
About author:LI Yumeng， born in 1994， M. S. Her research interests include natural language processing.
SONG Miaomiao， born in 1999， M. S. candidate. Her research interests include natural language processing.
Supported by:
National Social Science Foundation of China(21BTQ011)

摘要/Abstract

摘要：

针对目前软件项目开发过程中无法充分利用已有业务资源，进而导致开发效率低、能力弱等问题，通过研究业务资源之间的关联，提出一种基于业务流程的认知图谱。首先，通过正式文档抽取业务知识，提出建立知识层级的方法并修正；其次，通过代码特征挖掘与代码实体相似度判断构建代码网络表示模型；最后，利用实际业务数据进行实验验证，并与向量空间模型（VSM）、多样化排序和深度学习等方法进行对比。最终构建的基于业务流程的认知图谱在代码检索方面优于目前基于文本匹配的方法和深度学习算法，分别在前5准确率（precision@5）、平均精度均值（mAP）、归一化折扣增益值（?-NDCG）这3项指标上高过多样化排序的代码检索方法4.30、0.38和2.74个百分点，有效解决了潜在业务词汇识别、业务认知推理表示等多个问题，提升了代码检索效果与业务资源利用率。

关键词: 认知图谱, 业务知识, 网络表示模型, 自然语言处理, 软件开发过程

Abstract:

Concerning the inability to make full use of existing business resources in the current software project development process， which leads to low development efficiency and weak capabilities， a cognitive graph based on software development process was proposed by studying the interrelations among business resources. First， a method for building knowledge hierarchy by extracting business knowledge from formal documents was developed and corrected. Second， a network representation model for software codes was constructed through code feature extraction and code entity similarity investigation. Finally， the model was tested using real business data and was compared with three other methods： Vector Space Model （VSM）， diverse ranking method and deep learning. Experimental results show that the established cognitive graph method based on business process is superior to current text matching and deep learning algorithms in code retrieval； the cognitive graph method improves precision@5， mean Average Precision （mAP） and Normalized Discounted Cumulative Gain （?-NDCG） by 4.30， 0.38 and 2.74 percentage points respectively compared with ranking-based code search effectively method， solving many problems such as potential business vocabulary identification and business cognitive reasoning representation， and improving the code retrieval effect and business resource utilization.

Key words: cognitive graph, business knowledge, network representation model, natural language processing, software development process

中图分类号:

TP391.1

刘耀, 李雨萌, 宋苗苗. 基于业务流程的认知图谱[J]. 计算机应用, 2024, 44(6): 1699-1705.

Yao LIU, Yumeng LI, Miaomiao SONG. Cognitive graph based on business process[J]. Journal of Computer Applications, 2024, 44(6): 1699-1705.

图/表 7

参考文献 22

1	邹艳珍，王敏，谢冰，等.基于大数据的软件项目知识图谱构造及问答方法［J］. 大数据，2021，7（1）：22-36.
	ZOU Y Z， WANG M， XIE B， et al. Software knowledge graph construction and Q&A technology based on big data ［J］. Big Data Research， 2021，7（1）：22-36.
2	彭鑫，陈驰，林云.基于上下文的智能化代码复用推荐［J］.大数据，2021，7（1）：37-47.
	PENG X， CHEN C， LIN Y. Context-based intelligent recommendation for code reuse ［J］. Big Data Research， 2021，7（1）： 37-47.
3	伏广宇，李传艺，葛季栋，等.基于构建软件功能描述的可复用软件检索方法［J］. 应用科学学报， 2020， 38（5）： 682-694.
	FU G Y， LI C Y， GE J D， et al. Retrieving reusable software by constructing functional descriptions ［J］. Journal of Applied Sciences， 2020，38（5）： 682-694.
4	杨芙清，梅宏，李克勤. 软件复用与软件构件技术［J］. 电子学报， 1999， 27（2）：68-75.
	YANG F Q， MEI H， LI K Q. Software reuse and software component technology［J］. Acta Electronica Sinica，1999， 27（2）：68-75.
5	丁铭，唐杰.从知识图谱到认知图谱：历史、发展与展望［J］. 中国计算机学会通讯， 2020，16（8）： 11-18.
	DING M， TANG J. From knowledge graph to cognitive graph： history， development， and outlook［J］. Communications of the CCF， 2020，16（8）： 11-18.
6	人工智能之认知图谱［R］. 北京：清华大学人工智能研究院，2020.
	Research report of cognitive graph ［R］. Beijing： Tsinghua University. Institute for Artificial Intelligence， 2020.
7	EVANS J S. Heuristic and analytic processes in reasoning［J］. British Journal of Psychology， 1984， 75（4）： 451-468.
8	LUO X， LIU L， YANG Y， et al. AliCoCo： Alibaba e-commerce cognitive concept net［C］// Proceedings of the 2020 ACM SIGMOD International Conference on Management of Data. New York： ACM， 2020：313-327.
9	LI Y， WANG C， HAN F， et al. Mining evidences for named entity disambiguation［C］// Proceedings of the 19th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2013：1070-1078.
10	刘挺.从知识图谱到事理图谱［EB/OL］. （2017-11-15）［2023-08-10］. .
	LIU T. From knowledge graph to event graph ［EB/OL］. （2017-11-15）［2023-08-10］. .
11	RADINSKY K， DAVIDOVICH S， MARKOVITCH S. Learning causality for news events prediction［C］// Proceedings of the 21st International Conference on World Wide Web. New York： ACM， 2012：909-918.
12	DING X， ZHANG Y， LIU T， et al. Using structured events to predict stock price movement： an empirical investigation［C］// Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing. Stroudsburg： ACL， 2014：1415-1425.
13	刘永生，廖军，李亚梦，等.从知识图谱到认知图谱及电信行业应用［J］. 信息通信技术， 2021， 15（3）：48-54.
	LIU Y S， LIAO J， LI Y M， et al. Advancement of knowledge graph and cognitive graph and applications in telecom industry ［J］. Information and Communications Technologies， 2021，15（3）：48-54.
14	DING M， ZHOU C， CHEN Q， et.al. Cognitive graph for multi-hop reading comprehension at scale［C］// Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics. Stroudsburg： ACL， 2019： 2694-2703.
15	柳景兴，王彬，毛维杨，等. 深空探测器任务规划认知图谱及多属性约束冲突检测［J］. 深空探测学报， 2023， 10（1）：88-96.
	LIU J X， WANG B， MAO W Y， et al. Cognitive graph for autonomous deep space mission planning and multi-constraints collision detection ［J］. Journal of Deep Space Exploration， 2023，10（1）：88-96.
16	倪晋超. 基于知识图谱推理的食品安全情报研判系统研究［D］. 北京：北方工业大学， 2022：16-42.
	NI J C. Research on food safety information and judgment system based on knowledge graph reasoning ［D］. Beijing： North China University of Technology， 2022：16-42.
17	FAGAN M E. Design and code inspections to reduce errors in program development［J］. IBM Systems Journal， 1976， 15（3）： 182-211.
18	金芝，刘芳，李戈. 程序理解：现状与未来［J］. 软件学报， 2019， 30（1）：110-126.
	JIN Z， LIU F， LI G. Program comprehension： present and future［J］. Journal of Software， 2019， 30（1）：110-126.
19	LU J， WEI Y， SUN X， et al. Interactive query reformulation for source-code search with word relations［J］. IEEE Access， 2018， 6： 75660-75668.
20	LV F， ZHANG H， LOU J-G， et al. CodeHow： effective code search based on API understanding and extended Boolean model ［C］// Proceedings of the 2015 30th IEEE/ACM International Conference on Automated Software Engineering. Piscataway： IEEE， 2015：260-270.
21	滕昌志.基于数据驱动的学生程序代码推荐［D］.哈尔滨：哈尔滨工业大学， 2019：12-27.
	TENG C Z. Data-driven student code recommendations ［D］. Harbin： Harbin Institute of Technology， 2019：12-27.
22	IYER S， KONSTAS I， CHEUNG A， et. al. Summarizing source code using a neural attention model ［EB/OL］. ［2023-05-12］..

算法	准确率
MLP	71.27
SVM	72.58
KNN	67.34
Gaussian	63.75

算法	准确率
MLP	71.27
SVM	72.58
KNN	67.34
Gaussian	63.75

实体分类	属性/关系	连接属性/实体
Class	Name	｛Class，Name，class_name｝
	Method	｛Class，Method，method_name｝
	Code	｛Class，Code，code-content｝
	Function	｛Class，Function，function_name｝
	Extend	｛Class，Extend，Class｝
	Implement	｛Class，Implement，Class｝
	Input	｛Method，Input，input_content｝
Method	Output	｛Method，Output，output_content｝
	Keycode	｛Method，Keycode，Keycode_content｝
	Code	｛Method，Code，code_content｝
	Annotation	｛Method，Annotation，annotation_content｝
	Invoke	｛Method，Invoke，method｝
	Similar	｛Method，Similar，method｝

实体分类	属性/关系	连接属性/实体
Class	Name	｛Class，Name，class_name｝
	Method	｛Class，Method，method_name｝
	Code	｛Class，Code，code-content｝
	Function	｛Class，Function，function_name｝
	Extend	｛Class，Extend，Class｝
	Implement	｛Class，Implement，Class｝
	Input	｛Method，Input，input_content｝
Method	Output	｛Method，Output，output_content｝
	Keycode	｛Method，Keycode，Keycode_content｝
	Code	｛Method，Code，code_content｝
	Annotation	｛Method，Annotation，annotation_content｝
	Invoke	｛Method，Invoke，method｝
	Similar	｛Method，Similar，method｝

分类	问题	答案代码名称
功能	根据用户的检索词，利用相关论文和专利，通过不同年份文档主题去重，按照复杂性、时效性和成熟度等衡量标准，创建先进性技术报告	CreateAdvancedTechnologyReport
	通过已有经方库及核心文献的查询，提取中医古籍文本中的经方	ComExtractUtil， comMap， processComp，article2PresComp， book2PresComp，getCompType
	根据经方提取、药材有效成分和活性成分等，计算靶点置信度	getTargetScore， getMaxResourceScore， processTarget
任务	计算某一年领域文献内演化的所有新主题	getYearCooccurWords，searchJournalArticle，getJournalArticle， getSeg Content，searchProject
	读取一篇论文的所有方剂和药材成分	article2PresComp
	解析政府工作报告正文	getBody， segSentence， getParastrList
代码实体	计算两个文本的相对熵t	CalKL
	获取当前年、某领域下的期刊论文内演化的所有新主题，按得分倒序	getCoOccurwords
	关键词提取	KeywordExtraction

基于业务流程的认知图谱

Cognitive graph based on business process

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 22

相关文章 15

编辑推荐

Metrics

参数	值
Word embedding size	300
Gradient clip	5
Batch size	20
Learning rate	0.01
Optimizer	Adam Optimizer
Training epoch	100

检索方式	precision@5	mAP	∂-NDCG
Baseline	20.15	19.45	24.49
多样化排序	19.20	20.83	30.32
深度学习	12.38	7.29	9.38
认知图谱	23.50	21.21	33.06

[1]	高龙涛, 李娜娜. 基于方面感知注意力增强的方面情感三元组抽取[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1049-1057.
[2]	杨先凤, 汤依磊, 李自强. 基于交替注意力机制和图卷积网络的方面级情感分析模型[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1058-1064.
[3]	杨保山, 杨智, 陈性元, 韩冰, 杜学绘. Android应用敏感行为与隐私政策一致性分析[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 788-796.
[4]	王楷天, 叶青, 程春雷. 基于异构图表示的中医电子病历分类方法[J]. 《计算机应用》唯一官方网站, 2024, 44(2): 411-417.
[5]	冯程皓, 谢振平, 丁博文. 中文文本纠错软件测试用例的选择生成方法[J]. 《计算机应用》唯一官方网站, 2024, 44(1): 101-112.
[6]	张心月, 刘蓉, 魏驰宇, 方可. 融合提示知识的方面级情感分析方法[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2753-2759.
[7]	周晓敏, 滕飞, 张艺. 基于元网络的自动国际疾病分类编码模型[J]. 《计算机应用》唯一官方网站, 2023, 43(9): 2721-2726.
[8]	陈克正, 郭晓然, 钟勇, 李振平. 基于负训练和迁移学习的关系抽取方法[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2426-2430.
[9]	金泽熙, 李磊, 刘继. 基于改进领域分离网络的迁移学习模型[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2382-2389.
[10]	刘耀, 童昕, 陈一风. 面向业务需求的算法路径自组配模型[J]. 《计算机应用》唯一官方网站, 2023, 43(6): 1768-1778.
[11]	徐铭, 李林昊, 齐巧玲, 王利琴. 基于注意力平衡列表的溯因推理模型[J]. 《计算机应用》唯一官方网站, 2023, 43(2): 349-355.
[12]	廖兴滨, 秦小林, 张思齐, 钱杨舸. 交互式机器翻译综述[J]. 《计算机应用》唯一官方网站, 2023, 43(2): 329-334.
[13]	夏飞, 陈帅琦, 华珉, 蒋碧鸿. 基于改进BERT的电力领域中文分词方法[J]. 《计算机应用》唯一官方网站, 2023, 43(12): 3711-3718.
[14]	曹建乐, 李娜娜. 基于多层次注意力的语义增强情感分类模型[J]. 《计算机应用》唯一官方网站, 2023, 43(12): 3703-3710.
[15]	吴明月, 周栋, 赵文玉, 屈薇. 基于流形学习的句向量优化[J]. 《计算机应用》唯一官方网站, 2023, 43(10): 3062-3069.