CN102662973B - 机械产品设计文档的推荐系统及方法 - Google Patents
机械产品设计文档的推荐系统及方法 Download PDFInfo
- Publication number
- CN102662973B CN102662973B CN201210063186.6A CN201210063186A CN102662973B CN 102662973 B CN102662973 B CN 102662973B CN 201210063186 A CN201210063186 A CN 201210063186A CN 102662973 B CN102662973 B CN 102662973B
- Authority
- CN
- China
- Prior art keywords
- design
- document
- module
- user
- ontological
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000013461 design Methods 0.000 title claims abstract description 188
- 238000000034 method Methods 0.000 title claims abstract description 18
- 230000000694 effects Effects 0.000 claims abstract description 30
- 238000012544 monitoring process Methods 0.000 claims abstract description 4
- 235000010894 Artemisia argyi Nutrition 0.000 claims description 7
- 244000030166 artemisia Species 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000000151 deposition Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 229910001385 heavy metal Inorganic materials 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种机械产品设计文档的推荐系统及方法,现有推荐系统及方法以用户兴趣模型为推荐基础,不能适应用户需求快速变化的情况。本发明系统括任务监听模块、本体解释模块、推荐规则学习模块、推荐模块、推荐规则库、用户活动日志、决策表、本体库;本发明方法包括如下五个步骤:1.创建本体模型、2.收集用户活动日志、3.推荐规则生成、4.捕获新分配的设计任务、5推荐设计文档。本发明考虑了推荐对象的特点,并采用本体建立相关模型,为推荐对象增加了语义信息,提高了推荐规则的精确度;对用户的设计活动进行监听,使文档推荐和用户的工作流程紧密结合;能迅速适应用户文档需求的变化,保证文档推荐的质量。
Description
技术领域
本发明属于计算机应用技术领域,尤其涉及一种机械产品设计文档的推荐系统和方法。
背景技术
机械产品设计活动已经从过去的以经验为主过渡到现如今的以知识为主,具有知识高度密集、分布式、协同工作的特点。为辅助机械产品设计,一些计算机辅助软件应用于设计活动中,主要有AutoCAD、IntelliCAD、Pro-Engineer、Windchill PDMlink。同时,为了对产品设计流程进行控制,工作流引擎如jBPM、K2.Net系列等也大量采用。随着市场需求的快速变化,机械产品的设计周期越来越短,给设计人员带来了巨大的工作压力。设计文档作为知识的重要载体有着极高的价值,它们对设计活动有着强烈的支撑作用,能帮助设计人员更好地完成设计任务。而在机械企业中,文档往往来源于不同的设计阶段、保存在不同的设计系统中,缺乏统一的表示、一致性差,在加上数量的巨大,设计人员为获取知识往往需要花费大量时间去查找文档,甚至根本查找不到。这不仅造成企业知识资源的浪费,也严重阻碍了设计人员设计水平的发挥、设计效率的提高。
推荐技术能有效解决机械产品设计过程中文档泛滥的问题,帮助设计人员节约时间,找到合适的文档。目前,推荐系统已经被应用于社会的多个行业中,如电子商务、SNS社交网站和视频网站等。在电子商务应用中,主要有淘宝网、京东商城、Amazon.com、eBay等。在SNS社交网站中,如人人网、Facebook以及朋友网等。现有推荐技术的基本原理是对用户的历史活动记录进行统计分析,归纳总结出用户的兴趣模型,以此作为信息推荐的依据并完成推荐,如授权公开号为CN101334792B[一种个性化服务推荐系统和方法]、CN100412870C[采用元推荐引擎的门户个性化推荐服务方法和系统]的发明专利。但在机械产品的设计活动中,设计人员对文档的需求随着设计人员当前从事的设计任务的变化而变化,而用户兴趣模型具有一定时间内的稳定性,所以并不能简单以用户兴趣进行设计文档的推荐。已有的信息推荐技术较难直接应用于产品设计文档的推荐中,因此有必要提出一种针对机械产品设计文档的推荐方法。
发明内容
本发明的目的是针对现有技术的不足,提供一种机械产品设计文档的推荐系统及方法。
机械产品设计文档的推荐系统,包括任务监听模块、本体解释模块、推荐规则学习模块、推荐模块、推荐规则库、用户活动日志、决策表、本体库;
所述任务监听模块,用于获取当前用户的设计任务和所阅览文档的信息,并形成记录,为推荐规则学习模块提供原始数据;同时在用户接收到新的产品设计任务时,触发推荐模块为该用户推荐设计文档;
所述本体解释模块,包括设计任务解释子模块和设计文档解释子模块,它们通过文档或任务标识符找出对应的本体表达,并查询出特定属性的值以及其所属的本体类;
所述推荐规则学习模块,将用户的活动日志经本体解释模块处理成决策表的形式,且在推荐规则学习模块控制下,调用基于变精度粗糙集理论的约简算法对决策表进行机器学习以生成推荐规则,经筛选后的推荐规则保存至推荐规则库;
所述推荐模块,包括文档查找子模块和熟悉度计算子模块,文档查找子模块调用本体解释模块解释规则后件,查找符合推荐规则的文档;熟悉度计算子模块通过艾宾浩斯(H.Ebbinghaus)遗忘曲线计算用户对文档的熟悉程度,最后推荐熟悉度低于熟悉度阈值的文档;
所述用户活动日志,用于存放任务监听模块收集到的用户活动信息;
所述决策表以设计文档本体表达的属性作为条件属性,以设计任务本体表达的属性作为决策属性;
所述推荐规则库,用于保存推荐规则,推荐规则前件和后件的值均为本体实例值或本体类;
所述本体库,保存所有设计任务、设计文档的本体表达形式。
本发明还提供了机械产品设计文档的推荐方法,步骤如下:
步骤(1).用本体语言OWL分别定义设计任务和设计文档的模型,对设计任务进行本体标注,添加设计目标、设计内容等信息,并保存设计任务标识符和设计任务本体表达之间的关联;对设计文档添加本体标注,标注后的设计文档包含文档类型、文档知识领域等属性,并保存设计文档标识符和设计文档本体表达之间的关联;
所述的设计任务本体表达,包括“设计目标”、“设计内容”和“设计约束”父本体类,其中父本体类包括子类;设计任务本体表达由“设计目标”、“设计内容”和“设计约束”三个父本体类及“父任务”、“任务标识符”、“任务描述”属性组成;
步骤(2).收集所有用户的用户活动日志,作为推荐规则学习模块的原始学习数据;
所述的收集用户活动日志,即识别用户当前正在进行的设计任务,记录下用户标识符、任务标识符;当正在完成设计任务的用户浏览设计文档时,记录下阅览时间、用户标识符、文档标识符等;
步骤(3).将步骤(2)收集到的原始学习数据经本体解释模块处理,形成包含条件属性和决策属性的决策表,使用基于变精度粗糙集理论的约简算法对决策表进行机器学习以生成推荐规则,并筛选出推荐规则强度高于强度阈值的推荐规则,并保存至推荐规则库;
所述的条件属性为设计文档信息,包括文档类型、文档来源、文档知识领域;决策属性为为设计任务信息,包括设计内容、设计目标或设计约束;
所述的本体解释模块处理方式,即根据用户活动日志先以本体实例值填充,形成一张决策表;再以本体类填充,再形成一张决策表;若本体类存在本体父类,则以本体父类再次填充,再次形成一张决策表,若不存在本体父类,则停止填充,不再形成决策表;
所述的推荐规则强度计算如下:
步骤(4).任务监听模块捕获用户新分配的设计任务;
步骤(5).调用本体解释模块对步骤(4)捕获的设计任务进行本体解释,推荐模块根据设计任务的本体解释结果迭代查找推荐规则;调用本体解释模块对查找到的推荐规则进行本体解释,推荐模块根据推荐规则的本体解释结果找到待推荐文档;逐一计算用户和待推荐文档的熟悉度:若用户没有阅览过该待推荐文档,则用户对其熟悉度为零;若用户阅览过该待推荐文档,则使用艾宾浩斯(H.Ebbinghaus)遗忘曲线计算其熟悉度;若计算出的熟悉度低于熟悉度阈值,则为用户推荐该待推荐文档。
所述的熟悉度阈值取值范围在20到22之间;
所述的强度阈值取值范围在0.1到0.3之间;
所述的步骤(5)中设计任务本体解释,即本体解释模块根据捕获的设计任务在本体库中查找出该设计任务的本体表达,而后读取该本体表达的所有属性的本体实例值,再查找这些本体实例值所属的本体类(包括父本体类),最后以本体实例值和其所属的本体类作为设计任务本体解释的结果;
所述的步骤(5)中的迭代查找方式,即采取由具体到抽象的规则查找策略,推荐模块先以本体实例值做为条件进行规则查找,若查找不到可用推荐规则,则以本体实例值所属的本体类或父类再查找;
所述的步骤(5)中推荐规则的本体解释,即本体解释模块根据推荐规则的前件,在本体库中查找符合条件的文档本体表达。
本发明有益效果如下:
(1)考虑了推荐对象——设计文档的特点,采用本体建立相关模型,为推荐对象增加了语义信息,提高了推荐规则的精确度;
(2)对用户的设计活动进行监听,以用户当前设计任务为基础间接计算用户的文档需求,使文档推荐和用户的工作流程紧密结合;
(3)基于规则而不是基于用户兴趣的文档推荐,能迅速适应用户文档需求的变化,保证文档推荐的质量。
附图说明
图1示出了本发明实现的机械产品设计文档推荐系统的结构图;
图2设计任务本体模型示意图;
图3设计文档本体模型示意图;
图4机械产品设计文档推荐方法步骤图。
具体实施方式
下面结合附图对本发明作进一步说明。
如图1所示,机械产品设计文档的推荐系统,包括任务监听模块、本体解释模块、推荐规则学习模块、推荐模块、推荐规则库、用户活动日志、决策表、本体库;
所述任务监听模块,用于获取当前用户的设计任务和所阅览文档的信息,并形成记录,为推荐规则学习模块提供原始数据;同时在用户接收到新的产品设计任务时,触发推荐模块为该用户推荐设计文档;
所述本体解释模块,包括设计任务解释子模块和设计文档解释子模块,它们通过文档或任务标识符找出对应的本体表达,并查询出特定属性的值以及其所属的本体类;该模块的实现可采用开源的JAVA工具包Jena处理由OWL语言编写的本体文件,以SparQL作为查询语言对设计任务和设计文档的本体表达进行查询解释。
所述推荐规则学习模块,将用户活动日志经本体解释模块处理成决策表的形式,且在推荐规则学习模块控制下,调用基于变精度粗糙集理论的约简算法对决策表进行机器学习以生成推荐规则,如:“IF知识领域=产品回收 THEN 设计目标=降低重金属污染”,经筛选后的推荐规则保存至推荐规则库;
所述推荐模块,包括文档查找子模块和熟悉度计算子模块,文档查找子模块调用本体解释模块解释规则后件,查找符合推荐规则的文档;熟悉度计算子模块通过艾宾浩斯(H.Ebbinghaus)遗忘曲线计算用户对文档的熟悉程度,最后推荐熟悉度低于熟悉度阈值的文档;
所述用户活动日志,用于存放任务监听模块收集到的用户活动信息,主要字段包括:
序号:用于标识每条记录,作为主键;
用户标识:用于标识用户,如Email、登录账号等;
文档标识:用于标识文档,如文档流水号等;
活动发生时间:记录本条信息的时间。
所述决策表以设计文档本体表达的属性作为条件属性,以设计任务本体表达的属性作为决策属性,如设计文档M本体表达的“文档领域”、“文档来源”、“文档知识类型”的属性值分别为本体实例A、B、C,设计任务N本体表达的“设计内容”、“设计目标”、“设计约束”属性值分别为本体实例E、F、G,某一用户在完成设计任务N时浏览了设计文档M,根据该用户活动日志可生成决策表1:
决策表1
所述推荐规则库,用于保存推荐规则,推荐规则前件和后件的值均为本体实例值或本体类,其存储形式如下表2:
表2
规则的前件(IF) | 规则的后件(THEN) | 规则强度 |
知识领域=产品回收 | 设计目标=降低重金属污染 | 0.37 |
(文档类型=设计手册)∨(知识领域=制造) | 设计内容=减速齿轮组 | 0.24 |
… | … | … |
所述本体库,保存所有设计任务、设计文档的本体表达。
如图2所示,设计任务本体表达主要由以下本体类及它们的子类组成:
设计内容:描述设计任务中设计对象所属的类别,子类包括方案设计、结构设计、传动设计等;
设计目标:产品设计活动须取得的预期成果,子类包括技术目标、思想目标、成本目标、时间目标、环境目标等;
设计约束:描述了设计约束的不同方面,子类包括制造条件约束、工作寿命约束、检修间隔约束等。
如图3所示设计文档本体表达主要由以下本体类及它们的子类组成:
文档知识领域:文档所描述的内容所属的学科领域,子类包括设计领域、制造领域、管理领域、服务领域等;
文档知识来源:文档知识的来源,子类包括组织外部、组织内部,组织外部的子类包括技术专著、技术手册、学术期刊等;
文档知识类型:文档中知识的类型,子类包括包括显性知识、隐性知识、显性知识子类包括原理型、经验型知识等。
如图4所示,本发明还提供了机械产品设计文档的推荐方法,具体步骤如下:
步骤(1).用本体语言OWL定义设计任务和设计文档模型,并对设计任务进行本体标注,添加设计目标、设计内容等信息,并保存设计任务标识符和设计任务的本体表达之间的关联;对设计文档添加本体标注,标注后的设计文档包含文档类型、文档知识领域等属性,并保存设计文档标识符和设计文档本体表达之间的关联;
所述的设计任务的本体表达,包括“设计目标”、“设计内容”和“设计约束”父本体类,其中父本体类包括子类;设计任务本体表达由以上三个父本体类及“父任务”、“任务标识符”、“任务描述”等属性组成;
步骤(2).收集所有用户的用户活动日志,作为推荐规则学习模块的原始学习数据;
所述的收集用户活动日志,即识别用户当前正在进行的设计任务,记录下用户标识符、任务标识符;当正在完成设计任务的用户浏览设计文档时,记录下阅览时间、用户标识符、文档标识符等;
步骤(3).将步骤(2)收集到的原始学习数据经本体解释模块处理,形成包含条件属性和决策属性的决策表,使用基于变精度粗糙集理论的约简算法对决策表进行机器学习以生成推荐规则,并筛选出推荐规则强度高于强度阈值的推荐规则,并保存至推荐规则库;
所述的条件属性为设计文档信息,包括文档类型、文档来源、文档知识领域;决策属性为设计内容、设计目标或设计约束;
所述的本体解释模块处理方式,即根据用户活动日志先以本体实例值填充,形成一张决策表;再以本体类填充,再形成一张决策表;若本体类存在本体父类,则以本体父类再次填充,再次形成一张决策表,若不存在本体父类,则停止填充,不再形成决策表;
所述的推荐规则强度(强度阈值)计算如下:
步骤(4).任务监听模块捕获用户新分配的设计任务,任务捕获有两种方式:一种是分发新的设计任务时,通知任务监听模块并发送相关信息;其二,任务监听模块拦截用户的网络通信,当用户接收到新的任务时主动记录下相关信息;
步骤(5).调用本体解释模块对步骤(4)捕获的设计任务进行本体解释,推荐模块根据设计任务的本体解释结果迭代查找推荐规则;调用本体解释模块对查找到的推荐规则进行本体解释,推荐模块根据推荐规则的本体解释结果找到待推荐文档;逐一计算用户和待推荐文档的熟悉度:若用户没有阅览过该待推荐文档,则用户对其熟悉度为零;若用户阅览过该待推荐文档,则使用艾宾浩斯(H.Ebbinghaus)遗忘曲线的拟合公式计算其熟悉度,若计算出的熟悉度低于熟悉度阈值,则为用户推荐该待推荐文档;
艾宾浩斯(H.Ebbinghaus)遗忘曲线拟合公式计算如下:
其中X表示至今距上次浏览该设计知识的天数;若计算出的熟悉度低于熟悉度阈值,则为用户推荐该待推荐文档。
所述的熟悉度阈值取值范围在20到22之间;
所述的强度阈值取值范围在0.1到0.3之间;
所述的步骤(5)中设计任务的本体解释,即本体解释模块根据捕获的设计任务在本体库中查找出该设计任务的本体表达,而后读取该本体表达的所有属性的本体实例值,再查找这些本体实例值所属的本体类(包括父本体类),最后以本体实例值和其所属的本体类作为规则查找条件;
所述的步骤(5)中的迭代查找方式,即采取由具体到抽象的规则查找策略,推荐模块先以本体实例值做为条件进行规则查找,若查找不到可用推荐规则,则以本体实例值所属的本体类或父类再查找;
所述的步骤(5)中推荐规则的本体解释,即本体解释模块根据推荐规则的前件,在本体库中查找符合条件的文档本体表达。
以上对本发明的具体实施方式进行了描述和说明,这些实施方式应该被认为只是示例性的,并不用于对本发明进行限制,本发明应根据所述的权利要求书进行解释。
Claims (2)
1.机械产品设计文档的推荐系统,其特征在于:包括任务监听模块、本体解释模块、推荐规则学习模块、推荐模块;
所述任务监听模块,用于获取当前用户的设计任务和所阅览文档的信息,并形成记录,为推荐规则学习模块提供原始数据;同时在用户接收到新的产品设计任务时,触发推荐模块为该用户推荐设计文档;
所述本体解释模块,包括设计任务解释子模块和设计文档解释子模块,它们通过文档或任务标识符找出对应的本体表达,并查询出特定属性的值以及其所属的本体类;
所述推荐规则学习模块,将用户活动日志经本体解释模块处理成决策表的形式,且在推荐规则学习模块控制下,调用基于变精度粗糙集理论的约简算法对决策表进行机器学习以生成推荐规则,经筛选后的推荐规则保存至推荐规则库;
所述推荐模块,包括文档查找子模块和熟悉度计算子模块,文档查找子模块调用本体解释模块解释规则后件,查找符合推荐规则的文档;熟悉度计算子模块通过艾宾浩斯遗忘曲线计算用户对文档的熟悉程度,最后推荐熟悉度低于熟悉度阈值的文档;
所述用户活动日志,用于存放任务监听模块收集到的用户活动信息;
所述决策表以设计文档本体表达的属性作为条件属性,以设计任务本体表达的属性作为决策属性;
所述推荐规则库,用于保存推荐规则,推荐规则前件和后件的值均为本体实例值或本体类。
2.机械产品设计文档的推荐方法,其特征在于包括如下步骤:
步骤(1).用本体语言分别定义设计任务和设计文档的模型,对设计任务进行本体标注,添加设计目标、设计内容信息,并保存设计任务标识符和设计任务本体表达之间的关联;对设计文档添加本体标注,标注后的设计文档包含文档类型、文档知识领域属性,并保存设计文档标识符和设计文档本体表达之间的关联;
所述的设计任务本体表达,包括“设计目标”、“设计内容”和“设计约束”父本体类,其中父本体类包括子类;设计任务本体表达由“设计目标”、“设计内容”和“设计约束”三个父本体类及“父任务”、“任务标识符”、“任务描述”属性组成;
步骤(2).收集所有用户的用户活动日志,作为推荐规则学习模块的原始学习数据;
所述的收集用户活动日志,即识别用户当前正在进行的设计任务,记录下用户标识符、任务标识符;当正在完成设计任务的用户浏览设计文档时,记录下阅览时间、用户标识符、文档标识符;
步骤(3).将步骤(2)收集到的原始学习数据经本体解释模块处理,形成包含条件属性和决策属性的决策表,使用基于变精度粗糙集理论的约简算法对决策表进行机器学习以生成推荐规则,并筛选出推荐规则强度高于强度阈值的推荐规则,并保存至推荐规则库;
所述的条件属性为设计文档信息,包括文档类型、文档来源、文档知识领域;决策属性为为设计任务信息,包括设计内容、设计目标或设计约束;
所述的本体解释模块处理方式,即根据用户活动日志先以本体实例值填充,形成一张决策表;再以本体类填充,再形成一张决策表;若本体类存在本体父类,则以本体父类再次填充,再次形成一张决策表,若不存在本体父类,则停止填充,不再形成决策表;
所述的推荐规则强度计算如下:
其中U是对象的论域,stre(Y)为规则r:CONC(Xi)→DECD(Yj)的支持数,即论域中属性值域规则匹配的对象数;
步骤(4).任务监听模块捕获用户新分配的设计任务;
步骤(5).调用本体解释模块对步骤(4)捕获的设计任务进行本体解释,推荐模块根据设计任务的本体解释结果迭代查找推荐规则;调用本体解释模块对查找到的推荐规则进行本体解释,推荐模块根据推荐规则的本体解释结果找到待推荐文档;逐一计算用户和待推荐文档的熟悉度:若用户没有阅览过该待推荐文档,则用户对其熟悉度为零;若用户阅览过该待推荐文档,则使用艾宾浩斯遗忘曲线计算其熟悉度;若计算出的熟悉度低于熟悉度阈值,则为用户推荐该待推荐文档;
所述的熟悉度阈值取值范围在20到22之间;
所述的强度阈值取值范围在0.1到0.3之间;
所述的步骤(5)中设计任务本体解释,即本体解释模块根据捕获的设计任务在本体库中查找出该设计任务的本体表达,而后读取该本体表达的所有属性的本体实例值,再查找这些本体实例值所属的本体类,最后以本体实例值和其所属的本体类作为设计任务本体解释的结果;
所述的步骤(5)中的迭代查找方式,即采取由具体到抽象的规则查找策略,推荐模块先以本体实例值做为条件进行规则查找,若查找不到可用推荐规则,则以本体实例值所属的本体类或父类再查找;
所述的步骤(5)中推荐规则的本体解释,即本体解释模块根据推荐规则的前件,在本体库中查找符合条件的文档本体表达。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210063186.6A CN102662973B (zh) | 2012-03-12 | 2012-03-12 | 机械产品设计文档的推荐系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210063186.6A CN102662973B (zh) | 2012-03-12 | 2012-03-12 | 机械产品设计文档的推荐系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102662973A CN102662973A (zh) | 2012-09-12 |
CN102662973B true CN102662973B (zh) | 2014-04-09 |
Family
ID=46772464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210063186.6A Expired - Fee Related CN102662973B (zh) | 2012-03-12 | 2012-03-12 | 机械产品设计文档的推荐系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102662973B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107679112B (zh) * | 2017-09-15 | 2020-01-14 | 浙江大学 | 一种面向设计知识推送的加权特征知识适用概率匹配方法 |
CN107870987B (zh) * | 2017-10-12 | 2020-07-21 | 广东德威名颐品牌策划有限公司 | 一种设计作品的智能推荐方法及系统 |
CN108874935B (zh) * | 2018-06-01 | 2021-03-30 | 广东小天才科技有限公司 | 一种基于语音搜索的复习内容推荐方法及电子设备 |
CN112182406A (zh) * | 2020-10-27 | 2021-01-05 | 上海设序科技有限公司 | 机械设计方案推荐方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1731430A (zh) * | 2005-08-04 | 2006-02-08 | 浙江大学 | 分布式机械零部件模型库集成方法及其系统 |
CN101216862A (zh) * | 2008-01-16 | 2008-07-09 | 南京航空航天大学 | 无纸化三维装配工艺文件的实现方法 |
CN101477521A (zh) * | 2008-12-18 | 2009-07-08 | 四川大学 | 用于构建机械产品设计知识库的非规范知识获取方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006072837A (ja) * | 2004-09-03 | 2006-03-16 | Ykk Corp | 製品設計方法、製品設計装置、製品設計システム及び製品設計プログラム |
JP4928173B2 (ja) * | 2006-06-22 | 2012-05-09 | 株式会社日立製作所 | 設計支援装置、プログラム及び設計支援方法 |
-
2012
- 2012-03-12 CN CN201210063186.6A patent/CN102662973B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1731430A (zh) * | 2005-08-04 | 2006-02-08 | 浙江大学 | 分布式机械零部件模型库集成方法及其系统 |
CN101216862A (zh) * | 2008-01-16 | 2008-07-09 | 南京航空航天大学 | 无纸化三维装配工艺文件的实现方法 |
CN101477521A (zh) * | 2008-12-18 | 2009-07-08 | 四川大学 | 用于构建机械产品设计知识库的非规范知识获取方法 |
Non-Patent Citations (1)
Title |
---|
马军 等.面向快速响应设计的零件资源可重用建模与匹配.《浙江大学学报(工学版)》.2008,第42卷(第8期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN102662973A (zh) | 2012-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102855309B (zh) | 一种基于用户行为关联分析的信息推荐方法及装置 | |
US20170364834A1 (en) | Real-time monitoring of public sentiment | |
Yan et al. | Fast business process similarity search | |
US8468153B2 (en) | Information service for facts extracted from differing sources on a wide area network | |
CN104281607A (zh) | 微博热点话题分析方法 | |
CN102298650B (zh) | 一种海量数字信息的分布式推荐方法 | |
US10579734B2 (en) | Web-based influence system and method | |
CN102662973B (zh) | 机械产品设计文档的推荐系统及方法 | |
CN103778304A (zh) | 一种机动车驱动桥的设计方法 | |
CN102609465A (zh) | 基于潜在社群的信息推荐方法 | |
Kraiem et al. | Modeling and OLAPing social media: the case of Twitter | |
Li et al. | An intelligent transformation knowledge mining method based on Extenics | |
Song et al. | Proactive remanufacturing timing determination method based on residual strength | |
CN104572832B (zh) | 一种需求元模型构建方法及装置 | |
Sohn et al. | Dynamic FOAF management method for social networks in the social web environment | |
Jamil et al. | A collaborative names recommendation in the Twitter environment based on location | |
Karna et al. | Social CRM using web mining | |
Luo et al. | A hybrid user profile model for personalized recommender system with linked open data | |
Fong | Framework of competitor analysis by monitoring information on the web | |
Wu et al. | Analysis of University Students Employment Recommendation System Based on Apriori Algorithm | |
Wang | A context centric model for building a knowledge advantage machine based on personal ontology patterns | |
Dang-Ha et al. | Graph of virtual actors (gova): A big data analytics architecture for IoT | |
Keikha et al. | Linguistic aggregation methods in blog retrieval | |
Ashraf et al. | Making sense from Big RDF Data: OUSAF for measuring ontology usage | |
CN103324640A (zh) | 一种确定搜索结果文档的方法、装置和设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140409 |
|
CF01 | Termination of patent right due to non-payment of annual fee |