工程项目全生命周期管理知识图谱构建与应用.pdf

建筑经济CONSTRUCTION ECONOMY第 45 卷第 1 期2024 年 1 月Vol.45 No.1Jan.2024摘要：为进一步解决工程项目涉及要素多、关联关系复杂、各类信息深度挖掘应用难等问题，本文以工程项目管理为核心，以工程项目全生命周期管理数据为基础，采用知识表示、知识建模、知识抽取、知识融合、知识存储与知识应用等技术手段，开展工程项目全生命周期管理的知识图谱构建与应用，全面、直观地揭示跨部门、跨系统、跨时间各工程项目管理要素之间的关联关系，解决工程项目管理数据多源异构、业务复杂导致的查询效率低、数据挖掘难等问题，为工程项目全生命周期信息管理提供高效、直观的实现思路。关键词：知识图谱；工程项目；全生命周期管理；图数据库中图分类号：F407，9；TU201.5文献标识码：A文章编号：1002-851X（2024）01-0028-09DOI：10.14181/ki.1002-851x.202401028引用本文 周璟茹，綦春峰，龙凤鸣，等.工程项目全生命周期管理知识图谱构建与应用J.建筑经济，2024，45（1）：28-36.作者简介：周璟茹，工程师，主要研究方向：住建信息化应用、建设项目管理。綦春峰，高级工程师，主要研究方向：住建信息化应用、建设项目管理。近年来，国家、省、市接连部署“放管服”改革，创新和加强监管职能，利用新技术、新体制加强监管体制创新，取得了诸多成效。在各项举措中，工程项目全生命周期管理以数字化、智慧化思维统筹再造行业管理和政务服务流程，构建工程项目立项、规划、勘察、设计、施工、竣工的全生命周期流程，已成为落实“放管服”改革的重要措施，为城市建设领域行业经济、生活、治理数字化转型发展提供了重要助力。然而，在工程项目全生命周期管理实际应用中，工程项目各个环节的监管要素繁多、关联关系复杂、传统存储方式无法有效存储复杂关系、长链条推理效率低下等问题突出，不利于深度挖掘各类信息，且传统分析手段展示效果欠佳，难以全面直观揭示关联 关系。知识图谱是以图的形式表现客观世界中的实体（概念）及其之间关系的知识库，作为大数据知识工程，将数据粒度从文件级别降至数据级别，从而实现知识的快速响应和推理。诸多研究安全管理、风险管理、集成管理等方面应用了知识图谱技术，但暂未有涵盖工程项目管理领域的知识图谱构建应用研究。本文基于以上研究基础，将知识图谱技术应用于工程项目工程项目全生命周期管理知识图谱构建与应用周璟茹1，3，綦春峰1，2，3，龙凤鸣1，3，孙成苗1，3（1.青岛市勘察测绘研究院，山东 青岛 266032；2.青岛市西海岸基础地理信息中心有限公司，山东 青岛 266000；3.青岛市海陆地理信息集成与应用重点实验室，山东 青岛 266000）第 45 卷第 1 期29图1工程项目行业知识图谱技术路线全生命周期管理中，有效关联各环节业务，实现跨部门、跨时间、跨系统协同应用，通过数据流驱动，打造智慧化工程项目管理模式。1需求分析（1）工程项目涉及领域广、关系复杂、时间跨度长，综合管理难度高。工程项目由多个阶段和部分有机组合而成，涉及立项、规划、勘察、设计、施工、竣工等流程，受到投资、时间、质量等多种约束条件的严格限制。在实际管理工作中，需要管理者对各阶段业务、行业人员的背景和交互方式等方面有清晰的理解和掌握，综合管理难度较大，缺乏科学有效的智慧化管理路径。（2）工程项目各阶段标准化程度不一致，语义歧义问题多在实际工程项目管理工作中，各阶段工作涉及企业繁杂，信息化、标准化程度低，命名较为随意，语义多样性和歧义性问题不可避免，通过传统手段人工识别同一语义的不同属性信息工作效率低、难度大，不利于不同阶段参建人员沟通交流，易造成项目进度拖延。（3）项目间信息关联度低，数据挖潜空间大工程更目管理工作往往以单一项目管理为主，侧重于对该项目从立项到竣工的全流程管理，对项目间的关联度关注较低。应用传统手段建立多项目的联系需要对比多个项目库，人工对比寻找关联的属性数据，存在效率低、数据挖掘不充分等问题，缺乏科学有效的挖潜手段，无益于工程项目管理过程智能优化。2知识图谱构建知识图谱包含知识表示、知识建模、知识抽取、知识融合、知识存储与知识应用。其中知识表示、知识建模、知识抽取、知识融合、知识存储旨在知识图谱构建，知识应用面向具体业务应用，实现知识检索与推理挖掘。技术路线如图1所示。周璟茹，等工程项目全生命周期管理知识图谱构建与应用建 筑 经 济2024年30本文应用数据为结构化数据，来源为某市智慧住建行业大数据中心，包含项目库、企业库、人员库、信用信息库、地理信息库5大类基础数据库，行业管理库、工程项目建设管理库、行政审批管理库、信用评价库、物业监管库6大业务数据库及各业务子库。2.1知识表示网络本体语言定义了丰富的语义词汇，满足逻辑推理需求，是目前最规范、严谨且表达最强的知识表示语言。该语言利用类和实体的概念，将知识进一步抽象成本体的表示，使现实世界的知识可以更完整、更有层次的 表示。工程项目知识图谱的知识表示代码示例 如下：1.rdf：RDF2.xmlns：rdf=“http：/www.w3.org/1999/02/22-rdf-syntax-ns#”3.xmlns：rdfs=“http：/www.w3.org/2000/01/rdf-schema#”4.xmlns：owl=“http：/www.w3.4org/2002/07/owl#”5.xmlns：xsd=“http：/www.w3.org/2001/XMLSchema#”6.xmlns：dc=“http：/www.w3.org/TR/2004/REC-owl-guide-20040210/#DublinCore”7.owl：Ontology rdf：about=“”8.owl：imports rdfrdf：resource=“http：/www.example.org/company_ontology”/9.rdfs：labelCompany Ontology/rdfs：label10./owl：0ntology11.owl：Class rdf：ID=“Company”12.owl：Restriction13.owl：minCardinality rdf：datatype=“&xsd；string”114./owl：minCardinality15./owl：Restriction16./owl：Class17.18.owl：ObjectProperty rdf：ID=“representFor”19.rdfs：domain rdf：resource=“#People”/20.rdfs：range rdf：resource=“#Company”/21./owl：ObjectProperty22.23.owl：DatatypeProperty rdf：ID=“companyName”24.rdfs：domain rdf：resource=“#Company”/25.rdfs：range rdf：resource=“&xsd；string”/26./owl：DatatypeProperty示例中第8-10行表示导入了一个已经创建好的本体Company（企业），后续的操作都是基于该本体，大幅提升了知识表示的扩展性。第11-16行对Company（企业）进行了定义，并对类中的属性数进行了基数约束。接下来的代码分别定义了企业的法人、企业名称两个 属性。通过以上方法可以通过多个类组合定义复杂的类，可以刻画关系的1 n、n 1、n n等关系基数约束，定义等价关系、互反关系、传递关系、自反关系、函数关系等复杂的语义关系。第 45 卷第 1 期312.2知识建模知识建模是在知识表示基础上对工程项目行业概念层次结构化，明确术语、关系及其形式化描述，建立一个形式化表示的可共享本体，即行业本体库。通过将行业数据库映射至行业本体库，实现工程项目行业知识库建设。2.2.1知识来源（1）项目信息：包括项目基本信息、项目建议书信息、选址意见书、用地规划许可证、招投标信息、勘察合同、勘察报告、设计成果、施工图审查报告、项目附件综合信息等数据。（2）工程信息：包括工程基本信息、工程规划许可证、施工图、施工合同、工程附件综合信息、开工报审表、项目标段工程基本信息、质量监督基本信息、施工许可证基本信息、工程单体、工程联合体、施工总包单位信息、监理合同、专业承包合同、劳务分包合同、施工进度、施工月报、监理月报、专业承包月报、催办信息、项目经理/总监变更、竣工验收、开停工申请、文明施工监管、土石方施工许可证、农民工工资专用账户、代发工资、安全监管、风险等级管控、隐患排查治理、危大工程、起重机械监管、房屋安全、质量监督检查、见证取样、检测结果、阶段验收、单体验收、绿色建材使用等 数据。（3）企业信息：包括企业基本信息、企业审核记录、分支机构信息、安全生产许可证、企业资料信息、企业资质信息、企业设备信息、企业经济指标、企业综合附件、企业招商引资情况、奖励扶持情况、固投资产投资开发情况等 数据。（4）人员信息：包括人员信息、人员资格证书、人员类别工种等数据。（5）信用信息：包括考核信用标准、不良行为类别、不良行为、良好行为类别、良好行为、企业考核情况、人员考核情况、项目考核情况、项目人员关联、项目企业关联、执法监督人员等数据。（6）空间信息：企业空间位置、项目空间位置、工程空间位置、单体空间位置等空间 数据。2.2.2行业本体库构建行业本体是一种术语概念体系，一般围绕行业需求建立相关本体。本文从企业、人员、项目等是实体维度，以及业务人员、科室、主管单位等管理角度，综合考虑归纳建立工程项目行业本体，具体流程如图2所示。图2从关系型数据库构建行业本体库过程周璟茹，等工程项目全生命周期管理知识图谱构建与应用建 筑 经 济2024年32（1）创建行业标准本体行业本体构建参考工程项目行业已有的行业分类体系，如项目分类、工程分类、企业分类、人员分类、不良行为分类、良好行为分类等，业务专家将根据已有的行业分类体系，建立行业标准本体库。包含内容如下：项目分类：新建，改建，扩建，恢复，迁建，拆除，其他。工程分类：房屋建筑工程，建筑装饰、装修和其他建筑工程，市政基础设施工程，其他。企业分类：建设单位，房地产开发企业，商混企业，鉴定机构，招标代理，造价咨询，监理单位，施工总承包，专业承包，劳务分包，设计单位，勘察单位，检测单位，预拌混凝土，起重机械安拆，测绘单位，施工图审查，其他。企业人员类型：项目经理，项目监理，普通人员，管理人员，法人代表。建设单位责任人：项目负责人，项目总工，项目副总工，精装工程师。施工单位责任人：单位法人代表，项目负责人，技术负责人（专业），施工人员（专业），质量检查人员，安全员，资料员，材料员，预算员。监理单位责任人：单位法人代表，总监理工程师，总监代表，监理工程师（岗位），资料员，其他责任人（岗位）。设计单位责任人：单位法人代表，技术负责人，项目负责人，注册建筑师，结构工程师，其他责任人（岗位）。勘察单位责任人：单位法人代表，技术负责人，项目负责人，注册岩土工程师，其他责任人（岗位）。审图机构责任人：单位法人代表，技术负责人，勘察审查人，建筑审查人，结构审查人，其他审查人（专业）。（2）抽取关系模式从行业的关系数据库中抽取出关系模式，分析关系数据中的表信息和字段信息，建立相应的概念模型，并从大量的工程信息、企业信息、人员信息、信用信息等数据中建立实体之间的语义关系，同时关注实体的时空属性，合理利用知识的动态约束信息完成动态 推理。（3）创建转换规则关系模式包括表与字段之间的关系，以及表与表之间的联系，而本体库则是包括概念与概念之间的关系、概念与属性之间的联系。因此，需要制定一些规则将关系模式映射为本体模型。通过设计一系列符合工程项目行业需求的转换规则，进一步明晰联系。比如：关系模式中的表名转换为本体中的概念名；表与表间的关系转换为本体中的概念与概念的关系；关系模式中的字段名转换为本体的属性 名等。（4）本体库评估与校验业务专家对构建完成的行业本体模型进行评估与检验，查看本体模型中的术语是否正确，概念及其关系是否完整，整体构建是否符合原则等。（5）本体构建工具的选择利用Protg本体编辑工具，屏蔽具体的本体描述语言，构建关系型数据库模型和本体之间的映射关系，内容包括行业的基本概念、概第 45 卷第 1 期33念类别关系、明确概念属性、属性值类别或范围等，定义约束或规则，如部分属性具有单值约束、属性对互逆等规则。行业本体库示例如图3所示。2.3知识抽取以5大类基础数据库、6大业务数据库及各业务子库为基础，使用D2RQ针对关系数据库生成mapping文件，采用直接映射的方法，把数据映射到已创建的行业本体上，通过mapping文件将关系数据库中的数据转为RDF三元组形式，使用支持存储三元组的软件存储生成的RDF数据，构建工程项目行业实例 图谱。2.4知识融合知识融合主要是实现实体链接，即对于从行业数据库中抽取得到的实体对象，将其链接到知识库中对应的正确实体对象上。根据给定的实体指称项，从行业知识库中选出一组候选实体对象，通过相似度计算将指称项链接到正确的实体对象。首先从行业数据库中通过实体抽取得到实体指称项，然后判断其与行业知识库中的同名实体是否代表不同的含义，再判断行业知识库中是否存在其他命名实体与其表示相同的含义，即进行实体消歧和共指消解，最后在确认行业知识库中对应的正确实体对象之后，将该实体指称项链接到行业知识库中对应 实体。例如在工程项目全生命周期管理知识图谱中，工程规划许可证阶段实体的地址信息和项目标段工程基本信息中实体的位置是等价的，因此可以判断两者处于同一空间位置，进而判断二者从属同一 工程项目。不同属性含义等价，则可以判别为同一属性，如项目地址表述为“A区B街道C社区D路”与工程规划许可证中的“D路”可以判别为同一属性。2.5知识存储采用Neo4j数据库进行知识存储，该存储方式主要是节点和边来组织数据，节点可以代表知识图谱中的实体，边可以用来代表实体间图3行业本体库示例周璟茹，等工程项目全生命周期管理知识图谱构建与应用建 筑 经 济2024年34的关系，关系可以有方向，两端对应开始节点和结束节点。另外，可以在节点上加一个或多个标签表示实体的分类，以及一个键值对集合来表示该实体除了关系属性之外的一些额外 属性。将上述结果通过图数据库的方式进行存储。通过图数据库可以明确列出了数据节点之间的依赖关系，为应用提供了数据支撑。3知识图谱应用知识检索和知识可视化是知识图谱最常用的两项应用，也是行业知识图谱构建完成后，工程项目全生命周期管理应用中最重要的两项行业智能应用。3.1知识检索知识检索方法由基于关键词的检索逐渐向基于语义的检索发展。常见的语义搜索包括关键词查询和自然语言查询，例如，搜索“A基地一期电磁兼容实验室”项目时，会以图谱可视化形式展示工程项目对应的施工许可证号、建设地址、建设规模等基本信息，施工单位、设计单位、勘察单位、监理单位等企业及参建工程信息，如图4所示。如对该图谱中的任意一要素进行查询时，如点击勘察单位负责人，即可以图谱可视化形式展示人员所属的企业信息，人员参建项目信息，人员考核信息，人员资格证书信息等，如图5所示。通过知识图谱实现知识检索时，不需要像传统库表关联方式构建要素关联关系主外键，就可以构建业务环节、业务人员等之间的关联关系，从而提升关联关系组织构建的效率，降低工程项目业务关联关系构建的复 杂度。经分析比较发现，通过工程项目全生命周期知识图谱的方式检索X项目的项目经理及公司变更信息花费0.78s，通过传统多表查询的方图4工程项目图谱可视化示例第 45 卷第 1 期35式花费时间为5min17s，与传统方法相比，使用知识图谱查询效率明显提升，操作难度大幅 下降。3.2知识推理挖掘在工程项目管理实际应用中，不仅要通过知识图谱理清工程项目全生命周期管理脉络，同时也要能借助知识图谱进行知识的推理挖掘。如在建筑业行业管理中，可以通过知识图谱定向查询该企业历史参建项目的合同额、产值、税收等经济运行情况，从而综合判断该企业的经济运行情况，及时制定相应奖励扶持政策，支持企业做大做强。与此同时，知识推理挖掘也可以用于挖掘易忽视的负面信息，及时规避工程项目潜在风险。如在工程项目招投标时，通过知识图谱一键检索参标企业历史参建项目中的安全质量事故、行政处罚、信用综合评价等，评估参标企业综合实力，保障工程项目建筑质量；在选择项目经理时，也可通过知识图谱挖掘其在以往工程项目中的扣分情况，评估项目经理的履职经历与负面信息，为建筑市场主体选择提供重要助力。4结论本文以工程项目全生命周期管理为抓手，针对工作涉及要素多、关联关系复杂等问题，采用知识表示、知识建模、知识抽取、知识融合、知识存储的技术思路，构建工程项目全生命周期管理知识图谱，通过知识检索和知识推理挖掘探索知识图谱的应用。事实证明，通过建立工程项目全生命周期知识图谱能显著提升工作效率，降低操作人员的查询难度，规避工程项目潜在风险，有效地支撑全生命周期管理业务跨层级、跨部门、跨系统、跨时间协同应用。下一步，将以此为基础开展数据挖掘应用工作，进一步打通工程项目建设完成后的“地-图5人员图谱可视化示例周璟茹，等工程项目全生命周期管理知识图谱构建与应用建 筑 经 济2024年36Construction and Application of Knowledge Graph for Whole Life Cycle Management of Engineering ProjectsZHOU Jingru1，3，QI Chunfeng1，2，3，LONG Fengming1，3，SUN Chengmiao1，3（1.Qingdao Surveying&Mapping Institute，Qingdao 266032，China；2.West Coast Geomatics Center of Qingdao Co.，Ltd，Qingdao 266000，China；3.Marine and Land Geographic Information Integration and Application Engineering Research Center of Qingdao，Qingdao 266032，China）Abstract：In order to further solve the problems that engineering projects involve many elements，complex correlation relationships，and difficult application of various information in-depth mining，this paper takes engineering project management as the core and engineering project lifecycle management data as the basis，and adopts technical means such as knowledge representation，knowledge modeling，knowledge extraction，knowledge fusion，knowledge storage and knowledge application.Carry out the construction and application of knowledge graph for the whole life cycle management of engineering projects，comprehensively and intuitively reveal the correlation between the elements of engineering project management across departments，across time and across systems，and solve the problems such as low query efficiency and difficult data mining caused by multi-source heterogeneous engineering project management data and complex business.It provides an efficient and intuitive idea for the whole life cycle information management of engineering projects.Keywords：knowledge graph；engineering project；full life cycle management；graph database楼-房-人”信息，为工程项目可持续运营管理提供新思路。参考文献1 牛伟蕊，王彬武.关于发展智能建造的国际经验启示J.建筑经济，2022（5）：10-16.2 刘孟格，张华.基于区块链结构的工程管理模式研究J.城市建筑，2022（19）：148-151.3 黄恒琪，于娟，廖晓，等.知识图谱研究综述J.计算机系统应用，2019（6）：1-12.4 刘绪忠，宋春咏，孙磊，等.基于知识图谱的故障智能诊断手段研究J.山东通信技术，2019（2）：18-20.5 王莉.基于知识图谱的城市轨道交通建设安全管理智能知识支持研究D.北京：中国矿业大学，2019.6 杨波，廖怡茗.面向企业动态风险的知识图谱构建与应用研究J.现代情报，2021（3）：110-120.7 齐小谦，张睿，司召峰，等.基于知识图谱的直升机飞行指挥模型研究J.无线电工程，2019（1）：6-10.8 吴运兵，阴爱英，林开标，等.基于多数据源的知识图谱构建方法研究J.福州大学学报（自然科学版），2017（3）：329-335.