本方案介绍了一种可重复的、由人工智能驱动的工作流程，该流程对 BERT 模型进行微调以实现实体与关系抽取，采用图神经网络进行本体对齐，从非结构化数据中构建企业级知识图谱，并系统评估语义检索性能与决策支持效率。
需要JoVE订阅才能观看此内容。 请登录或开始免费试用
研究文章
本方案介绍了一种可重复的、由人工智能驱动的工作流程，该流程对 BERT 模型进行微调以实现实体与关系抽取，采用图神经网络进行本体对齐，从非结构化数据中构建企业级知识图谱，并系统评估语义检索性能与决策支持效率。
大量非结构化组织数据可能导致企业知识管理（KM）系统难以提取正确且具有上下文相关性的信息，从而造成知识共享效率低下和决策延迟。本研究提出一种统一的人工智能驱动框架以克服这一局限。该框架结合图神经网络（GNN）用于本体对齐和语义推理，以及优化后的基于Transformer的双向编码器表示（BERT）用于特定领域实体与关系抽取。方法学流程包括：系统性数据收集、企业文本语料的预处理、微调BERT以识别实体和关系、将提取出的三元组转化为结构化知识图谱，以及基于GNN的本体对齐以确保异构知识源之间的语义一致性。为评估该框架在真实企业场景中的有效性，系统还集成了面向任务的评估指标，如检索准确率、本体对齐正确率和决策延迟时间。与基线方法相比，在两个行业应用中的实验验证显示，决策延迟减少了35%，知识检索准确率提高了21%。
此外，用户反馈表明，KM 界面通过其语义搜索和上下文标记功能提高了用户满意度。所提出的架构通过系统地融合基于图的推理与对齐方法以及基于深度学习的信息提取技术，实现了从非结构化企业数据中构建可重复的知识图谱。研究结果表明，当有组织的知识表示与组织流程相一致时，战略性和操作性的知识管理成效均得到提升。总体而言，所提出的方法提高了检索准确性，加快了决策工作流程的响应时间，并为企业级知识管理系统提供了一种切实可行且可扩展的解决方案。
由于数据存储库分散、组织平台多样以及知识碎片化地分布在非结构化文档中，有效的知识管理（KM）在数字化转型项目中往往难以实施。尽管早期研究已从组织和行业视角探讨了人工智能的采用与数字化转型，但鲜有研究提出一种可复现且具备技术可实施性的框架，用以系统性地提取、结构化、对齐并实现企业知识的可操作性1,2,3。当前的方法主要关注管理或战略层面的影响，但在支持规模化部署所需的架构细节方面仍显不足。先前研究表明，在分布式数字工作环境中，有效的知识传递不仅依赖于技术基础设施，还依赖于能够促进组织参与者之间协调、共享理解与持续协作的交互机制（Aman & Nicholson, 2009）。这进一步凸显了企业知识管理架构的必要性——其功能应超越信息提取，还需保留实现有意义知识交换所必需的上下文条件4。
传统的管理信息系统（MIS）和企业资源计划（ERP）系统主要处理结构化数据，并支持事务性报告，但无法处理非结构化文本或进行具有上下文感知能力的语义推理。相比之下，基于Transformer的模型（如BERT）能够实现从复杂文本语料库中提取上下文实体和关系抽取（RE）5，
访问受限。请登录或开始试用以查看此内容。
伦理声明
本研究在数据收集前已通过马来西亚国民大学（The National University of Malaysia, UKM）机构审查委员会（IRB）的审查与批准（批准编号：UKM/FEP/2025/AI-047；批准日期：2025年3月12日）。获批的方案涵盖对人类参与者实施结构化问卷调查和半结构化访谈。所有参与者均被告知研究目的、参与的自愿性质以及随时无后果退出的权利，并在纳入研究前获得书面知情同意。研究严格维护参与者的匿名性和保密性，分析与发表过程中不包含任何可识别个人身份的信息，所有数据均安全存储，并仅用于符合机构伦理标准及相关国际人类受试者研究指南的学术研究目的。
所提出的 BERT–GNN 知识管理框架的整体架构
首先使用一个经过微调的 Transformer 编码器来处理非结构化文本，包括内部文档、客户交互内容以及社交媒体内容。基于 BERT–GNN 的知识管理流程的整体系统架构如图 1所示。本研究中使用的企业数据以数字文档格式收集，包括结构化调查文件、访谈记录、企业内部报告以及公开可用的案例研究文档。所有文档被整合为一个统一的语料库用于分析。从这些来源中提取文本内容，并进行清洗以去除无关的元数据、重复条目以及格式化残留物。清洗后的语料库被分割为句子，并通过词元化处理，为下游自然....
访问受限。请登录或开始试用以查看此内容。
数据预处理与 BERT 微调
所提出的设备集成了一个经过最优调参的 BERT 版本，用于非结构化理解信息的提取，以及一个图神经网络（GNN），用于在理解图框架内进行本体对齐和推理。实验设置重点比较了 BERT 模块在命名实体识别（NER）和关系抽取（RE）任务上的整体性能，同时对 GNN 模块在所构建的理解图上的链接预测和节点分类任务中进行了评估。
命名实体识别（NER）任务和关系抽取（RE）任务的F1分数如表3所示。为避免数据泄露，所有报告的数值仅反映在独立保留的测试集上的性能表现，该测试集与训练集和验证集严格按照70:15:15的比例进行划分。在独立保留的测试集上，所提出的BERT–GNN架构在RE和NER任务中表现最佳。基于图的本体对齐方法相较于仅使用上下文Transformer建模的方法带来了可量化的提升，其相对于BERT基线模型的改进具有统计学显著性（p < 0.01）。通过五次独立训练实验中较低的标准差值可看出模型训练稳定性良好，而较窄的置信区间则表明模型具有较强的泛化能.......
访问受限。请登录或开始试用以查看此内容。
本研究提出了一种统一的企业级知识管理框架，该框架通过BERT实现上下文语义提取，并结合基于图的关系推理与利用图神经网络（GNN）的本体对齐。为了实现实体链接、跨文档推理以及在不同业务数据源之间连贯的知识表示，本研究的主要贡献在于将深度上下文语言建模与结构化、本体感知的推理集成于单一处理流程中3,5。通过解决现有方法的局限性——例如规则系统在可扩展性和歧义性方面的不足、仅使用Transformer的模型产生的扁平化输出，以及仅依赖图的方法对预结构化数据的依赖——所提出的框架提升了科学性。该方法通过融合基于BERT的语义提取与基于GNN的推理，实现了持续的本体对齐、有序的跨源推理以及可扩展的语义检索6,7。通过超越独立的提取或推理模块，这种集成有助于构建更为复杂且具备推理能力的企业级知识系统。
本研究存在若干限制。由于该框架依赖于.......
访问受限。请登录或开始试用以查看此内容。
作者衷心感谢马来西亚班吉马来亚国立大学经济与管理学院提供的支持。
....访问受限。请登录或开始试用以查看此内容。
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| BERT-Base (Uncased) 预训练模型 | Google AI | N/A | 基于 Transformer 的预训练语言模型（bert-base-uncased 变体） |
| Deep Graph Library (DGL) | AWS Labs | RRID: SCR_017054 | 用于图神经网络建模的 2.1 版本 |
| Matplotlib 可视化库 | PyData 社区 | RRID: SCR_008624 | 用于性能图表绘制与可视化分析 |
| NetworkX 图分析库 | PyPI 社区 | RRID: SCR_005317 | 用于图结构构建与分析的 3.2 版本 |
| NumPy 数值计算库 | PyData 社区 | RRID: SCR_008633 | 用于数值运算与数组处理 |
| NVIDIA GPU (Tesla T4 / RTX 3080) | NVIDIA Corporation | RRID: SCR_016409 | 支持 CUDA 的硬件加速器，用于模型训练 |
| Pandas 数据分析库 | PyData 社区 | RRID: SCR_018214 | 用于结构化数据操作 |
| Python 编程语言 | Python 软件基金会 | RRID: SCR_008394 | 用于模型开发与数据处理的 3.10 版本 |
| PyTorch 深度学习框架 | Meta AI | RRID: SCR_018536 | 用于神经网络实现的 2.0 版本 |
| Scikit-learn 机器学习库 | Scikit-learn 开发者团队 | RRID: SCR_002577 | 用于预处理与评估指标计算的 1.5 版本 |
| Transformers 自然语言处理库 | Hugging Face | RRID: SCR_020989 | 用于预训练 Transformer 模型的 4.40 版本 |
| Ubuntu Linux 操作系统 | Canonical Ltd. | RRID: SCR_018317 | 20.04 LTS 版本运行环境 |