汽车生产主机厂在售后服务中主要有三个问题：

第一是效率问题，主要是维修的支撑问题。汽车厂希望把同类问题通过快速解决来降低支撑成本，并且希望把具体到每一个维修工人的维修经验进行汇总，将其统一固化成一个维修的质量知识图谱，通过不断迭代优化，就像滚雪球一样越滚越大，从而带来效率的提升。

第二是如何提前发现问题。现有车联网通过车内各种相关的传感器能够做到可视化，使厂商了解全国车辆整体状况，但是缺失对车辆状况的快速响应，厂家希望能够支持自定义地设置阈值等方法进行监控预警。

第三是专业支持程度不够。厂家希望把相关的各个系统（如法务、质检等系统）打通，支持线上分析，帮助监督检查经销商上报的质量问题。

针对以上问题，通过自然语言处理（natural language processing，NLP）、深度学习相关技术对4S店上传的维修工单进行分析，实现对零部件、故障、工况、维修方法等实体和关系的信息抽取，并构建汽车故障维修知识图谱。有了汽车故障知识图谱之后，就可以在知识图谱上构建各种应用，如在语义检索方向或问题分类预测上展开一些相关的应用开发，最终实现基于知识图谱归纳总结案例问题与维修经验，并且通过图计算实现故障模式的挖掘与识别，解决厂家的三个痛点。

图8为针对汽车维修故障做的一个图谱构架设计。这里展现了图谱构架的一个原型，实体关系并没有完全展现出来，只列举了一部分。针对4S店收集上来的维修工单，可以从中抽取以下相关的实体，如检修方法、失效模式、故障工况、故障程度、发生方位、故障灯和故障码等，然后定义实体和实体之间的语义关系，最终目标是针对每一个维修案例能够做到自动化的知识结构化或者自动的知识抽取。在此案例中，拆分出来相关的案例编号、发动机号、机架号、失效模式和检修方法（检修方法会带有成功或失败标志），以及一些相关的故障码等。每一个案例都可以利用知识抽取的技术形成一张单一的知识图谱。通过相同的实体把每一个维修工单的小知识图谱串联起来形成一张大的知识图谱，进而在这张大的知识图谱上做相关的语义挖掘和统计分析，这就可以支撑上层的各种应用。(www.daowen.com)

图8　汽车故障维修知识图谱

在对实体进行描述的过程中存在同源异构的问题，需要实体对齐。例如，在知识谱图上，有一个加速无力的实体，但在实际的维修工单里可以看到不同的维修工人给出的说法不一样，或者对于同一种描述，不同的人在做记录的时候比较随意，不一定按照官方给的标准说法进行记录。如加速无力可以表述为不给油、车辆跑不动或提不起速度等；对于异响标准的失效模式，说法就更多了，因为很多人都喜欢用拟声词来描述它，如嗒嗒异响、咕咚响、嗡嗡响等；对于车速，也有各种描述车速和相关的工况的说法。

对于实体对齐，很多主机厂现有检索系统中相关语义检索算法能力比较弱，像售后技术支持工程师做语义检索的时候需要自己去总结各种不同的说法，然后把不同的说法输入检索系统，并结合系统返回的结果，再做人工的总结。总结相似案例的故障模式、方法过程是非常复杂的，或者说是非常无聊的过程。有了知识图谱和实体对齐技术，只需要输入一个加速无力的标准说法，就可以自动把相关说法和相关案例进行总结分析，然后推荐知识给售后技术支持工程师，这样能大大降低搜索成本、提高工作效率。

图9是一个简单的图谱检索界面。在做同车型所有故障监测时只需要输入一个车型就好了，知识图谱就会把这个车型所有的历史故障检索出来，当然这个也是后台可设置的，在页面内最多能显示多少个实体、多少种关系可以做限制，因为这张图谱非常大，整个页面显示不完。右侧是针对同一车型不同故障总结的维修方法，每一类维修方法都有很多案例，每一个案例详细的信息都能够展现出来。通过这个方式，可以看到不同维修方法成功的案例和失败的案例，能够帮助售后技术支持工程师快速找到靠谱的、成功率高的维修方法，提升检修的效率和效果。

图9　图谱检索挖掘（同车型所有故障案例）