........................................

ELECTRIC POWER ICT

中图分类号：TP319 文献标志码：A 文章编号：2095-641X(2020)01-060-07 DOI：10.16543/j.2095-641x.electric.power.ict.2020.01.009

著录格式：刘津 , 杜宁 , 徐菁 , 等 . 知识图谱在电力领域的应用与研究 [J]. 电力信息与通信技术 , 2020, 18(1): 60-66.

知识图谱在电力领域的
应用与研究
刘津 1，杜宁 1，徐菁 2，刘雪莹 1，宋钰龙 1，邱丽萍 1，赵杨奥 2，孙梦园 2
（1. 中国电力科学研究院有限公司，北京 100192; 2. 清华大学 计算机科学与技术系，北京 100084）

Application and Research of Knowledge Graph in

Electric Power Field
LIU Jin1, DU Ning1, XU Jing2, LIU Xueying1, SONG Yulong1, QIU Liping1, ZHAO Yang'ao2, SUN Mengyuan2
(1. China Electric Power Research Institute Co., Ltd., Beijing 100192, China;
2. Department of Computer Science & Technology, Tsinghua University, Beijing 100084, China)

摘要：为了实现电力领域的技术创新，文章利用人工智能、大数据分析和挖掘、知识图谱、自然语言处
理等技术，并结合领域专家的意见，构建电力领域的中文专业词典和知识图谱，并通过对电力领域与
能
源 人工智能领域进行交叉分析，预测电力领域未来的研究热点。结果表明：知识图谱技术适用于电力
互 领域，能够实现电力系统各个环节移动互联、人机交互的发展目标，扩大智能电网应用，推动能源生
联 态建设。
网
关键词：知识图谱；电力领域；智能化；数字化；信息处理
Abstract: In order to realize the technology innovation in the electricity power ★eld, this paper takes
advantage of artificial intelligence, big data analysis and mining, knowledge graph, nature language
process and other technology, then combining with the advice from ★eld experts to build the professional
Chinese dictionary and knowledge graph of the electricity power field. Based on the analysis of the
interdisciplinary field of electricity power and artificial intelligence, the future research hotspot in
the electricity power ★eld is predicted. The result shows that the knowledge graph is suitable for the
electricity power ★eld and could achieve the development goals of mobile interconnection and human-
machine interaction in all parts of the power system, expanding the application of smart grids and
promoting the construction of energy ecology.
Key words: knowledge graph; electric power field; intellectualization; digitization; information
processing

的新思路。随着电力领域的发展，电力信息的利用
0 引言
率达到瓶颈期，为了提高电力数据的有效利用，实现
电力行业作为国家重大的基础能源体系，应用 电力系统的智能化、自动化，人工智能与电力领域的
领域遍布广泛，但是随着全世界对环境保护的日趋 结合成了新的发展方向。
关注以及各国对能源管理的创新与改革，对电力行 知识图谱是融合人工智能技术与传统数据库的
业提出了节能环保和信息化等要求，而传统的电力 智能数据库，用于大规模知识的结构化管理。将知
系统无法满足这些要求。同时，随着互联网、云计算、 识图谱与电力领域结合，使电力系统获得挖掘和分
物联网技术的应用与普及，
“大数据”成了推动行业 析大规模文本信息中有用知识的能力，能够串联电
发展的新动力，电力大数据成为电力领域改革发展 力领域内零散的知识点 [1]。充分借助移动互联、人工

电力信息与通信技术
60 2020 年 第 18 卷 第 1 期
www.dlxxtx.com

万方数据
2020.1信息化.indb 60 2020/2/20 11:41:06
 ELECTRIC POWER ICT
智能等先进信息与通信技术，实现各种信息传感设
备与通信信息资源结合，可以衍生出更智能的电力
系统，为电力系统的安全运行、有效管理、精准投资、
优质服务提供了一条新出路
析与挖掘技术，通过对电力领域构建中文专业词典、
知识图谱以及交叉学科分析，为电力企业更为准确
把握行业发展动态及学科建设提供指导。
1 知识图谱电力热点适用性分析
1.1 知识图谱理论概述
知 识 图 谱（Knowledge Graph）是 由 google 在
2012 年正式提出的概念，主要目的是提升搜索引擎
的智能化和效率。知识图谱本质上是一种语义网络，
节点代表实体或属性，边代表实体之间以及实体与
属性之间的各种语义关系
存在于现实世界并且具有区分性的对象或事物，比
如中国、桃子等。属性是描述实体特征的信息，比如
面积、成熟度等。关系是知识图谱最重要的特征，据
此才能实现万事万物的互联，从而支撑语义理解、情
报检索等多种应用 [4]
。知识图谱构建技术主要包括：
知识抽取、知识融合、知识表示、知识验证和知识推
理，构建流程框架如图 1 所示。
多源数据
结构化
数据
半结构化 知识抽取
数据
实 属 关
无结构化
体 性 系 知识推理
识 抽 抽
数据
别 取 取 电力工业作为国家重大的能源支撑体系，分布
图 1 知识图谱构建流程
Fig.1 Knowledge graph construction process
知识抽取指从海量的半结构化和非结构化数据
中抽取实体、属性和关系等信息，其抽取的完整性、
准确率、召回率等将直接影响到知识图谱构建的质
量。知识抽取技术主要包括无监督的基于规则与词
典的方法，以及有监督的基于统计机器学习和深度
学习的方法。由于抽取的实体、属性和关系等知识
来 自 多 个 数 据 源，容 易 存 在 名 称 多 样 性 问 题，从 而
导致与事实对象之间的歧义。为了融合不同来源的
万方数据
2020.1信息化.indb 61
........................................
数据来提高知识图谱的规模和质量，以实体消歧、指
代消解等为代表的知识融合技术应运而生 [5]。知识
表示指为知识和数据进行抽象建模，主要方法包括
[2]
。本文采取大数据分 资 源 描 述 框 架（Resource Description Framework，
RDF），以及基于深度学习的神经张量模型、矩阵分
解模型、单层神经网络模型等 [6]。知识表示技术可
以高效计算实体、关系及其之间的复杂语义关联，对
知识库的构建、推理、融合以及应用均具有重要的意
义。知识验证的目的是将正确的知识放入知识图谱
中，保证知识图谱的质量，代表方法是马尔科夫逻辑
网 络 模 型，通 过 使 用 概 率 软 逻 辑 机 制（Probabilistic
[7]
soft logic）来实现知识的质量评估 。知识推理则
是在构建的知识图谱基础上进一步挖掘隐含的知
识，从而丰富、扩展知识图谱。知识推理方法主要分
[3]
。其中，实体是指客观 为以一阶谓词逻辑、描述逻辑以及规则等为代表的
基于逻辑的推理和基于图的推理 2 种类别。在基于
图的推理方法中，主要是利用关系路径中的蕴涵信
息，通过图中 2 个实体间的多步路径来预测它们之
间的语义关系。
知识图谱作为一种智能高效的知识组织方法， 能
让 机 器 具 备 认 知 能 力 来 理 解 世 界，成 为 学 术 界 和 源
互
工 业 界 竞 相 研 究 的 课 题。 比 较 知 名 的 知 识 图 谱 包 联
括 DBpedia [8]、YAGO [9]、Freebase [10]、XLORE [11] 及 网
Zhishi.me [12] 等，除 了 这 些 中 英 文 通 用 知 识 图 谱 外，
知识融合
实 指
知 知 与特定行业结合的领域知识图谱也投入使用，比如
识 识
体 代 知识
消 消
表 验 图谱 天眼查构建了一个包含企业基本数据、企业诉讼数
示 证
歧 解 据、企业失信数据等行业信息数据的知识图谱，达到
业务智能化，提升用户的使用体验。
1.2 电力知识图谱适用性分析
广泛，结构复杂，在发电、输电、变电、配电、用电等电
力生产和电力服务的各环节都会产生海量数据，比
如，发电过程中，火电厂会产生水位、温度和变速风
力等数据；智能电表每 15 min 采集 1 次数据，理想
状态下采集数据的间隔可以不足 1 s。在输电网下，
各种开关信号量、电压、电流、功率、变压器油温等基
础信息也可达到至少 1 s 刷新 1 次。在这种高频率
的记录下，后台会形成可观的数据量。国家电网有
限公司现在正在运行 2.4 亿块智能电表，平均每年产
生数据量为 200 TB 左右；此外，电力公司在运行和
管理过程中会产生大量的人才物资、电力市场信息、
资本运作、协同办公等数据。
电力信息与通信技术
2020 年 第 18 卷 第 1 期
www.dlxxtx.com
61
2020/2/20 11:41:06
 ........................................ ELECTRIC POWER ICT

随着电力信息化的不断深入和电能应用领域的 中文专业词典的构建方法。
不断拓宽，电力数据正以前所未有的速度增长，并且 2.1 词典构建方法
由于各级电力调度中心在建设信息化平台过程中缺 术语抽取和定义抽取是构建词典的重要方法。
乏标准化的数据输出格式的规定，使得数据来源种 电力领域术语抽取问题主要是通过形式化表示，输出
类不一，导致数据表示格式多样，除了结构化的数据 它的置信度，从而判断领域术语的置信程度。但是，
格式外，大部分数据以文本、音频、视频等非结构化 领域术语抽取问题存在一个较为明显的问题：低频问
的形式存储。此外，由于电力生产和电力服务各个 题可利用的统计信息有限。为了控制通用分词的识
环节都会产生数据，导致电力数据的维度很多。这 别难度，分词错误对识别效果的影响，领域术语抽取
些数据一起构成了庞大、零散、多源、异构、多维、多 主要基于表示学习和置信度传播的方法，抽取过程主
形式的电力数据资源。 要包括三步。第一，使用模版匹配自动从语料中抽取
知识图谱作为一种智能高效的知识组织方法， 候选术语集 [15]；第二，借助点互信息的方法计算候选
在 通 用 领 域 以 及 金 融、医 疗、地 理 等 特 定 领 域 已 有 术语词组性，使用百科语料库利用词向量表示学习的
了 广 泛 应 用，阿 里 巴 巴 的 达 摩 研 究 院 发 布 了“藏 经 方法获得候选术语的语义嵌入表示，再通过语义关系
阁”计划；中国平安等集团努力打造医疗领域知识 构建“术语语义网络”；最后，根据置信度传播的术语
图谱；众多金融和投资机构则已经在金融知识图谱 排序，筛选排名高的候选术语，如图 2 所示。
构建方面取得了一定的进展。由于电力领域与其他
领域的数据存在相同的特征：规模庞大、来源多样、 多源数据
术语抽取 定义抽取

数据结构不一致等，因此知识图谱的很多应用场景 论文数据
候选术语抽取
基于语义
[13]
和想法都可以延伸到电力领域。其中，以 Reverb 相似度的
词条匹配 电力领域中
能 和 TextRunner [14] 为 代 表 的 开 放 域 信 息 抽 取 技 术 百科数据 术语语义图 文专业词典
源 （Open Information Extraction），就 是 高 效 处 理 互 联
构建
基于隶属度的
互 其他数据 定义抽取

联 网上海量的不同领域的文本数据，用以构建基于自 基于置信度传
播的术语排序
网 由文本的开放域知识图谱。现有的知识图谱，包括
DBpedia、YAGO、Freebase、XLORE 等，构建的数据
图 2 电力领域中文专业词典构建方法流程
来源包括维基百科、百度百科等，这类数据存在大量
Fig.2 The construction process of Chinese professional
的电力领域知识，包括电力系统、智能电网等科技名
dictionary in the electricity power field
词的详细介绍，从中可以分析提取电力热点领域中
的技术术语，并分析其间的关联关系，是建设电力领 术语的定义信息还有助于理解电力领域专业词
域知识图谱非常重要的手段。 条的涵义。定义抽取主要从网络中的知识共享平台，
综上所述，构建电力领域知识图谱，可以将电力 通过统计自然语言处理的方法获取定义。首先是从
领域零散分布及结构多样的数据进行有效处理和组 预处理的领域专业词表出发，通过基于语义相似度
织，来保证电网的数据能“一处录入，全网使用”，为 的词条匹配方法获取百科知识库中相关的词条页
信息的真实性、一致性和完整性提供保障，以实现国 面。由于在进行专业术语和数据源词条匹配时存在
家“SG186 工程”将全国电网建成“一体化企业级信 多样化表示的问题，因此通过基于大规模的语料库
息集成平台”的目标。 作为训练词语向量空间模型，对专业术语和词条向
量化，利用余弦相似度计算语义相似度，抽取超过阈
2 电力领域中文专业词典构建
值的词条 [16]。然后使用基于隶属度的定义抽取方法
研究电力领域的第一要素就是充分理解电力领 从词条页面获取定义信息，定义隶属度越高，候选定
域的相关专业术语，因为专业术语是理解领域专业 义句作为术语定义的概率越大。
文章的基础。构建电力领域中文专业词典可以帮助 在构建电力领域中文专业词典过程中，因为词
人们了解专业词条涵义，提高专业知识学习效率，继 典包括专业领域最基础的信息，直接关系到文本预
而推动电力领域的技术发展。下面将介绍电力领域 处理中分词、词性标注等的准确率和领域知识图谱

电力信息与通信技术
62 2020 年 第 18 卷 第 1 期
www.dlxxtx.com

万方数据
2020.1信息化.indb 62 2020/2/20 11:41:06
 ELECTRIC POWER ICT ........................................

[17]
的 构 建，所 以 对 词 条 的 数 量 和 质 量 有 较 高 要 求 。 多种数据源中分析提取了与电力领域相关的专业
但是，电力领域相关术语的数量繁多，分支繁杂，表 术语及上下位关系。其中，术语抽取方法与构建电
达方式多样，增加了词条抽取、信息处理的工作量， 力领域中文专业词典的术语抽取方法一致，针对术
并且在最终确定专业词典之前需要借助人工审核保 语之间的层次关系学习问题，本文采用了一个三阶
障定义描述准确度，导致词条数量和质量受限，这是 段 的 解 决 方 案，包 括 标 签 文 档 语 义 建 模、标 签 语 义
需要进一步完善的问题。 关 系 度 量 及 基 于 主 动 学 习 的 层 次 结 构 建 模，如 图 3
2.2 词典构建分析 所示。
根据第 2.1 中的词典构建方法，从论文数据、百
科网站等多种数据源中分析提取了与电力领域相关 术语抽取 上下位关系生成
多源数据
的 471 条中文专业术语及其详细解释，构建了电力
候选术语抽取 标签文档语义建模
领域中文专业词典。 论文数据

大数据、云计算、物联网、移动互联网、人工智能 电力领域
百科数据 术语语义图构建 知识图谱
标签语义关系度量
等现代信息技术和先进通信技术是实现电力领域智
能化发展的必要手段。为了满足电力领域的智能化 其他数据
基于置信度传播 基于主动学习的层
和信息化发展需求，本文编制的中文专业词典，涵盖 的术语排序 次结构建模
了电力领域和计算机领域的相关专业词条。其中与
电力领域相关的有：配电变压器、自动电压控制、输
图 3 电力领域知识图谱构建方法
电物联网、配电物联网、同步发电机、送端电网、送电
Fig.3 Construction method of knowledge graph in the
线路、枢纽变电站、三相不平衡、柔性交流输电系统
electricity power field
等；与计算机领域相关的有：自然语言处理、机器学 能
习、神经网络、机器视觉、知识图谱、云计算、云平台、 首先对标签文档进行语义建模。通常标签可能 源
互
形式文法、网络信息安全等。 隐含多种语义，为了掌握标签文档间固有的语义关 联
系和标签间语义相似度，一般采用向量空间模型或 网
3 电力领域知识图谱构建与应用分析
者语言模型对语义关系进行建模 [18]。由于 2 种模型
由于电力领域中文专业词典中各个词条独立存 对语义关系和语义关联性的描述能力有限，本文主
在，它们之间不存在关联性，因此需要构建电力领域 要利用词嵌入表示和概率话题模型 2 种方式。词嵌
知 识 图 谱，用 可 视 化 和 关 联 分 析 等 技 术 来 挖 掘、分 入表示是将词语以连续实值向量表示，具体方式是
析、构建、绘制和显示专业词条及他们互相之间的关 借 助 Skip-Gram 模 型，最 大 化 词 条 的 共 现 概 率。 考
系，以结构化知识表示形式帮助电力企业实现业务 虑标签产生的场景可能会影响词语与潜在话题的关
智能化。本章节将重点论述构建电力领域知识图谱 联性，于是提出了标签话题模型进行描述，在计算概
的方法。 率时需要进行参数估计，主要使用的方法是吉布斯
3.1 电力领域知识图谱的构建方法 采样（Gibbs Sampling）。通过该模型虽然能够基于
电力领域大量创新性和交叉研究成果的涌现， 文档建立标签潜在语义描述，但是标签间的同现关
使得电力领域的技术体系急剧膨胀，如何准确描述 系并没有被充分考虑，需要通过对话题平滑来解决。
和快速跟踪该领域的技术体系及其变化，成为一个 主要方法是通过建立标签的同现网络，再基于该网
亟 待 解 决 的 问 题。 从 各 种 数 据 源 中 分 析 提 取 该 领 络定义标签调和 [19]。
域中的技术术语，并分析其间的关联关系是非常重 标签文档语义建模为每个标签赋予了词嵌入
要的手段。将这个问题映射到知识图谱研究领域， 和话题分布两种潜在语义表示，再通过标签语义关
可以发现，这就是一个典型的领域知识图谱构建的 系度量量化各标签间可能存在的语义关系，以方便
过程。 层次结构建模。研究过程中通过定义上下位连接、
基 于 以 上 考 虑，对 电 力 领 域 知 识 图 谱 的 构 建 合并，保持，并分布通过量化指标，如词向量的余弦
问 题，本 文 的 解 决 方 案 是 从 论 文 数 据、百 科 网 站 等 相 似 度 和 话 题 分 布 的 KL 散 度（Kullback-Leibler

电力信息与通信技术
2020 年 第 18 卷 第 1 期
www.dlxxtx.com
63

万方数据
2020.1信息化.indb 63 2020/2/20 11:41:06
 ........................................ ELECTRIC POWER ICT

divergence，又称相对熵）来度量，一般散度越大，可 知识表示的局限性，是通用知识图谱和领域知识图
能性越小。 谱需要进一步探索的问题。
最后进行层次结构建模，从全局角度，筛选出操 3.2 电力领域知识图谱分析
作组合来生成最终的层次化概念体系。具体迭代过 电力领域不论在数据积累、行业信息化程度，还
程中采用主动学习框架，根据既定策略选取一些包 是资源支撑力度和应用需求等方面都具有一定的优
含信息量比较大的标签对寻求用户的反馈信息，并 势，因此，在电力领域发展知识图谱及相关技术是非
充分利用该信息指导后续的操作选择。每次选取一 常必要的，也是水到渠成的。
个标签（或者已经进行过某种操作的虚拟节点）对进 电力领域知识图谱包括了大量该领域的相关
行一个局部最优操作，迭代进行至总体目标函数不 专 业 术 语，以 及 它 们 之 间 的 上 下 位 关 系，并 以 网 络
再减小后终止。 形 式 组 织。 通 过 第 3.1 节 构 建 方 法，将 电 力 领 域 的
在电力领域知识图谱构建过程中，虽然基于中 1187 个中英文专业术语细分为 1~6 级，并通过知识
文专业词典进行实体识别时可以保证准确率，但在 图谱的方式清晰地展现了它们之间存在的层级关
关系抽取过程中，确定电力相关实体的关系类型是 系。图 4 展示了电力领域知识图谱部分词条之间的
一个挑战，既需要做到精准描述，又要满足数据挖掘 组织关系。
需求，这需要依靠专业的实践经验和总结。在确定 3.3 电力领域知识图谱交叉领域分析
实体关系后如何推理出新的关系是实现电力知识图 通过构建电力领域知识图谱，可以发现电力领
谱智能化的关键步骤，也是重要挑战之一。 域是一个多学科交叉领域，涉及大数据、云计算、物
尽管电力知识的表示形式都规范为“实体 – 关 联网、网络安全、人工智能等多个领域。通过统计分
系 – 实体”三元组，但如何将三元组运用到所有电力 析电力领域与多个领域的交叉研究论文数量，如表 1
能 实体关系表示，可否使用其他的知识表示形式，避免 所示。我们选择论文数量最多的人工智能领域进行
源
互
联
网

图 4 电力领域知识图谱示例
Fig.4 Examples of knowledge graph in the electricity power field

电力信息与通信技术
64 2020 年 第 18 卷 第 1 期
www.dlxxtx.com

万方数据
2020.1信息化.indb 64 2020/2/20 11:41:07
 ELECTRIC POWER ICT ........................................

表 1 电力领域与其他学科领域交叉研究论文数量统计结果 据为交叉领域涉及的研究学者数量，蓝色标注的数
Table 1 Statistical results of the number of papers 据为交叉领域相关的论文数量。根据这些信息可以
between the electricity power and other interdisciplinary 看出机器学习与配电物联网、新一代智能电表、输电
research fields
物联网、负荷分解等子领域的交叉研究，以及计算机
学科领域 交叉研究论文数量 / 篇
视觉与输电物联网领域的交叉研究是电力领域未来
人工智能 20 468
的热点研究方向。
网络安全 8 297

云计算 8 006

大数据 7 574

物联网 6 989

区块链 1 286

芯片 410

交叉分析。
在构建电力领域与人工智能交叉图谱时，选取
了电力领域中的 11 个子领域和人工智能领域中热
度最高的 17 个子领域，使用“交叉创新笛卡尔智能
分析”方法，通过对 2 个领域的研究学者和发表论文 图 5 电力领域与人工智能交叉研究热点图
的计算，再对 2 个领域的子领域进行笛卡尔乘积热 Fig.5 Interdisciplinary research heat maps of the
点挖掘，实现通过分析历史数据，来预测未来趋势。 electricity power field and artificial intelligence field
能
其中，领域交叉热力值由交叉研究的论文的引用量
5 结语 源
等数据加权计算得出，热力值越高，表明这 2 个交叉 互
子领域交叉研究的越深入和广泛。 在电力领域中，随着电力信息化水平的逐步深 联
入，积累了大量电力数据，电力数据的有效使用对构
网
4 电力领域研究热点分析与预测
建智能电网、电网安全运行、精益电力管理、优质电
基于构建的电力领域中文专业词典和领域知识 力 服 务、精 准 电 力 投 资 等 工 作 都 有 着 重 要 的 意 义。
图谱，并对其与人工智能领域进行交叉分析，为预测 构建电力领域的知识图谱提供了一种从海量电力信
电力领域未来研究热点分布提供重要依据。 息和图像中抽取结构化知识的手段，具有广阔的应
“人工智能 + 电力领域”是目前的热门话题，它 用前景。本文从知识图谱与电力热点领域相结合的
将人工智能、大数据、物联网、云计算等新型技术和 视角出发，通过构建电力领域的中文专业词典、知识
手段，运用于电力领域上。人工智能与电力领域的 图谱、与人工智能领域交叉图谱，电力领域的技术进
结合，使得设备智能化、电网数字化和决策智能化成 行了全面调研和深入分析。基于多源多结构数据构
[20]
为可能 。 建的电力领域知识图谱有助于实现对全局电力数据
本文综合利用循环神经网络 (RNN) 和长短期记 资源的智能分析、索引及管理，使电网大数据得到充
忆网络 (LSTM) 来解决交叉领域研究热点预测问题， 分利用，有效支撑了上层应用的开展，为电网应用的
主要采用 2 层 RNN，其中的神经元单元采用 LSTM。 深度探索和创新提供了思路。
根据工作单元的信息读取速度，模拟近因效应，得出
交叉领域的研究学者数量和论文数量的预测模型。 参考文献：
图 5 展示了人工智能和电力领域交叉领域的研 [1] 俞阳. 基于知识图谱的电力知识平台关键技术研究[D]. 南京:
究热点分布。其中，交叉的单元背景颜色表示当前 东南大学, 2018.
研究的技术热点，颜色越深代表当前越受关注，空白 [2] 孟祥甫, 郭志华, 芮光辉, 等. 关于泛在电力物联网二重性的探

则表示需要进一步挖掘。数字方面，绿色标注的数 讨[J]. 青海电力, 2019, 38(2): 64-67.

电力信息与通信技术
2020 年 第 18 卷 第 1 期
www.dlxxtx.com
65

万方数据
2020.1信息化.indb 65 2020/2/20 11:41:07
 ........................................ ELECTRIC POWER ICT
MENG Xiangfu, GUO Zhihua, RUI Guanghui, et al. Discussion
on the duality of ubiquitous electric power Internet of things[J].
Qinghai Electric Power, 2019, 38(2): 64-67.
[3] 刘峤, 李杨, 段宏, 等. 知识图谱构建技术综述[J]. 计算机研究
与发展, 2016, 53(3): 582-600.
LIU Qiao, LI Yang, DUAN Hong, et al. Overview of knowledge
mapping technology[J]. Computer Research and Development,
2016, 53(3): 582-600.
[4] 郭云峰, 韩龙, 皮立华, 等. 知识图谱在大数据中的应用[J]. 电
信技术, 2015, 1(6): 25-29.
GUO Yunfeng, HAN Long, PI Lihua, et al. Application of
knowledge mapping in big data[J]. Telecom Technology, 2015,
1(6): 25-29.
[5] 欧艳鹏. 知识图谱技术研究综述[J]. 电子世界, 2018(13): 54,
56.
[6] 李涓子, 侯磊. 知识图谱研究综述[J]. 山西大学学报(自然科学
版), 2017, 40(3): 454-459.
LI Juanzi, HOU Lei. Overview of knowledge mapping
research[J]. Journal of Shanxi University(Natural Science
Edition), 2017, 40(3): 454-459.
能 [7] 宫云宝. 面向知识图谱构建的知识验证方法研究[D]. 湖南: 国
源
互 防科学技术大学, 2017.
联 [8] BIZER C, LEHMANN J, KOBILAROV G, et al. DBpedia-
网 a crystallization point for the web of data[J]. Web Semantics:
Science, Services and Agents on the World Wide Web, 2009,
7(3): 154-165.
[9] SUCHANEK F M, KASNECI G, WEIKUM G. YAGO: a core
of semantic knowledge[C]// International Conference on World
Wide Web. Banff, Canada: University of Calgary, 2007: 697-706.
[10] BOLLACKER K D, EVANS C, PARITOSH P, et al. Freebase:
A collaboratively created graph database for structuring human
knowledge[C]// Proceedings of the 2008 ACM SIGMOD
international conference on Management of data. Vancouver,
Canada: AcM, 2008: 1247-1250.
[11] WANG Z, LI J, WANG Z, et al. XLore: a large-scale english-
chinese bilingual knowledge graph[C]// International semantic
web conference(Posters & Demos). Sydney, Australia:
International Association, 2013: 121-124.
[12] NIU X, SUN X, WANG H, et al. Zhishi. me-weaving chinese
linking open data[C]// International Semantic Web Conference.
Heidelberg, Germany, 2011: 205-220.
[13] WU F, WELD D S. Open information extraction using
Wikipedia[C]// Proceedings of the 48th Annual Meeting of the
电力信息与通信技术
66 2020 年 第 18 卷 第 1 期
www.dlxxtx.com
万方数据
2020.1信息化.indb 66
Association for Computational Linguistics. Uppsala, Sweden:
Association for Computational Linguistics, 2010: 118-127.
[14] YATES A, CAFARELLA M, BANKO M, et al. Textrunner:
open information extraction on the web[C]// Proceedings of
Human Language Technologies: The Annual Conference of the
North American Chapter of the Association for Computational
Linguistics: Demonstrations. New York, USA: Association for
Computational Linguistics, 2007: 25-26.
[15] 傅质馨, 李潇逸, 袁越. 泛在电力物联网关键技术探讨[J]. 电力
建设, 2019, 40(5): 5-16.
FU Zhixin, LI Xiaoyi, YUAN Yue. Discussion on key
technologies of ubiquitous power Internet of things[J]. Electric
Power Construction, 2019, 40(5): 5-16.
[16] WANG J Z, DU Z, PAYATTAKOOL R, et al. A new method to
measure the semantic similarity of GO terms[J]. Bioinformatics,
2007, 23(10): 1274-1281.
[17] 王慧芳, 曹靖, 罗麟. 电力文本数据挖掘现状及挑战[J]. 浙江电
力, 2019, 38(3): 4-10.
WANG Huifang, CAO Jing, LUO Lin. Current situation and
challenges of power text data mining[J]. Zhejiang Electric Power,
2019, 38(3): 4-10.
[18] ZHAO L, ZHANG Q. Mapping knowledge domains of Chinese
digital library research output, 1994–2010[J]. Scientometrics,
2011, 89(1): 51-87.
[19] 罗杰, 王庆林, 李原. 基于word2vec与语义相似度的领域词语
聚类[C]// 中国控制会议, 南京, 中国, 2014: 528-532.
[20] 许振亮, 陈悦, 葛莉, 等. 基于知识图谱的国际创新管理前沿与
热点的分析[J]. 管理评论, 2009, 21(5): 13-18, 34.
XU Zhenliang, CHEN Yue, GE Li, et al. Analysis of frontier
and hot spots of international innovation management based on
knowledge mapping[J]. Management Review, 2009, 21(5): 13-
18, 34.
编辑 刘雪莹
收稿日期：2019-12-20
作者简介：
刘津（1976–），女，高级工程师，参与制定
多项电力行业标准及国家标准，从事电力期刊
品牌建设与国际化竞争策略研究工作；
杜宁（1980–），女，副编审，从事科技期刊
编审及运营工作；
刘津
徐菁（1990–），女，博士研究生，从事科技
人才大数据研究工作，xjqh@mail.tsinghua.edu.cn。
2020/2/20 11:41:07