SoftNER：从云事件中提取知识图谱
软件工程
2021-06-24 v2 人工智能
分布式、并行与集群计算
机器学习
摘要
从盒装产品到服务的转变以及云计算的广泛采用，对软件开发生命周期和 DevOps 流程产生了巨大影响。特别是，事件管理对于开发和运营大规模服务已变得至关重要。先前关于事件管理的工作严重聚焦于事件分派和去重方面的挑战。在这项工作中，我们解决从服务事件中进行结构化知识提取这一基本问题。我们构建了 SoftNER，一个从事件报告中挖掘知识图谱的框架。首先，我们构建了一个新颖的基于多任务学习的 BiLSTM-CRF 模型，它利用语义上下文和数据类型来以命名实体形式提取事实信息。接下来，我们提出一种在命名实体间挖掘关系以自动构建知识图谱的方法。我们已在主要云服务提供商微软部署了 SoftNER，并在超过两个月的云事件上进行了评估。我们展示该无监督机器学习流水线具有 0.96 的高精度。我们基于多任务学习的深度学习模型也优于最先进的 NER 模型。最后，利用 SoftNER 提取的知识，我们能够构建用于事件分派和基于与事件标题相关性推荐实体等应用的精确模型。
引用
@article{arxiv.2101.05961,
title = {SoftNER: Mining Knowledge Graphs From Cloud Incidents},
author = {Manish Shetty and Chetan Bansal and Sumit Kumar and Nikitha Rao and Nachiappan Nagappan},
journal= {arXiv preprint arXiv:2101.05961},
year = {2021}
}
备注
arXiv admin note: substantial text overlap with arXiv:2007.05505