CN103984714A - 一种基于本体语义的云制造服务供需智能匹配方法 - Google Patents

Abstract

本发明提出一种基于本体语义的云制造服务供需智能匹配方法，具体的说该方法是通过建立具有语义关系的云制造服务资源本体，形成了纵横扩展的制造业服务资源本体语义词库，并以此来实现快速高效的服务资源语义搜索，最后通过综合匹配算法来实现云制造服务的供需智能匹配，以支持服务资源的高效配置和云制造服务的公正可靠；本发明支持语义扩展搜索、服务资源管理、供需智能匹配。

Description

一种基于本体语义的云制造服务供需智能匹配方法

技术领域

本发明涉及云制造服务资源管理领域，具体的为一种基于本体语义的云制造服务供需智能匹配方法。

背景技术

随着物联网技术、信息技术、云计算技术的日益成熟，云制造服务将大力整合、共享社会制造资源，成为一种新型的跨区域跨行业的虚拟制造模式，而云制造服务起始于服务资源管理环节中的服务资源搜索与匹配，只有通过全方位的扩展搜索和多角度的综合匹配，才能找到优质的服务资源与可靠的合作伙伴，才能从源头把握云制造的质量和效用，才能真正实现低消耗、低成本、高价值、高效率的多赢目标。但是，由于面大量广的服务资源来自不同的地域、不同的行业、不同的企业，它们的名称或描述可能就不一样，或因习惯问题而有多种被接受的称呼，而且云制造服务各个业务流程紧密相关，那么仅仅依靠传统的关键字搜索、垂直搜索、结构搜索，是不可能全面系统地搜索到预期服务资源的，更不可能做到服务资源的供需智能匹配，这就需要一种基于本体语义的云制造服务供需智能匹配方法来支持云制造服务的搜索与匹配。

发明内容

本发明为了解决上述的技术问题，提出了一种基于本体语义的云制造服务供需智能匹配方法。

本发明的技术方案是：一种基于本体语义的云制造服务供需智能匹配方法，包括以下步骤：

步骤1.搜集整理制造业语义词汇，建立本体语义词库；

步骤2.需方发布需求信息，通过等级选择反映对服务资源的要求；

步骤3.查询本体语义词库，计算语义相似度和相关度，找到支持语义搜索的节点语义词，实现语义扩展；

步骤4.将节点语义词映射到云数据库进行检索，输出对应的服务资源，为供需匹配度计算提供对象；

步骤5.计算供需信息之间的综合匹配度；

步骤6.比较匹配度，确定输出对象。

所述的步骤1包括以下子步骤：

步骤1.1搜集整理制造业中具有语义相似、语义蕴含、语义外延、语义相关关系的服务词汇，实现语义横向扩展；

步骤1.2将服务词汇按照行业、业务、服务进行纵向建模分类，形成初步的语义本体；

步骤1.3在语义本体的横向扩展和纵向分类间添加关系属性描述各个语义词汇之间的关系，形成本体语义词库。

所述的步骤2包括以下子步骤：

步骤2.1需方在云制造服务平台需求信息管理模块，输入服务资源名称、所需数量、交货期、特殊要求来发布所需服务资源；

步骤2.2需方通过选择价格等级、交货期等级、信用等级、规模等级、品质等级、特殊要求等级来描述对服务资源上述各因素的要求。

所述的步骤3包括以下子步骤：

步骤3.1分析需求信息中的服务名称语义，查询本体语义词库，找到节点语义词汇；

步骤3.2计算输入词汇与节点语义词之间的语义相似度和相关度，进行语义扩展。

所述的步骤3.2语义相似度计算如下：

$\mathrm{Sim}(S_{1i},S_{2j})=\underset{i=1}{\overset{4}{\mathrm{\Σ}}}{\mathrm{\β}}_i\underset{j=1}{\overset{i}{\mathrm{\Π}}}{\mathrm{Sim}}_j(S_1,S_2)$

其中，Sim(S_1i,S_2j)为概念相似度，S₁是输入信息的某个概念描述，S₂是本体语义词库的某个概念描述，β_i(1≤i≤4)是可调节的概念映射到服务描述文档中的各个参数，同时，β₁+β₂+β₃+β₄＝1，β₁>β₂>β₃>β₄；

$\mathrm{Sim}(X_1,X_2)=\underset{i=1...n,j=1...m}{\max }\mathrm{Sim}(S_{1i},S_{2j})$

其中，输入信息与节点语义词分别为X₁和X₂，X₁有n个概念S₁₁,S₁₂,…,S_1n，X₂有m个概念S₂₁,S₂₂，…,S_2m，则X₁和X₂的相似度是各个概念的相似度的最大值，若Sim(X₁,X₂)大于阈值γ，则节点语义词直接进行语义映射；若Sim(X₁,X₂)小于阈值γ，则通过语义相关度计算来补充挖掘两者之间的语义关系；

语义相关度计算如下：

Rel(S_1i,S_2j)＝a/(ShortestPath(S_1i,S_2j)+a)

其中，Rel(S_1i,S_2j)为概念相关度，α是一个可调节的参数；即语义相关度为γ时概念间的最短距离ShortestPath(X,Y)表示从X到Y的最短路径长度，当X，Y不连通时，ShortestPath(X,Y)的值为∞；

$\mathrm{Rel}(X_1,X_2)=\underset{i=1...n,j=1...m}{\max }\mathrm{Rel}(S_{1i},S_{2j})$

其中，输入信息与节点语义词分别为X₁和X₂，X₁有n个概念S₁₁,S₁₂,…,S_1n，X₂有m个概念S₂₁,S₂₂,…,S_2m，则X₁和X₂的相关度是各个概念语义相关度的最大值，若Rel(X₁,X₂)大于阈值支持语义搜索，若Rel(X₁,X₂)小于阈值不支持语义搜索，此节点语义词汇将被跳过，进行下一个节点语义词汇计算。

所述的阈值γ为0.5，所述的阈值为0.8。

所述的步骤4包括以下子步骤，

步骤4.1满足语义相似相关关系的节点语义词映射到云数据库；

步骤4.2以节点语义词为关键词，进行关键字搜索。

所述的步骤5中的匹配度计算如下：

d＝W1/P+W2/T+W3C+W4S+W5Q+W6R

其中，W1、W2、W3、W4、W5和W6分别对应表示服务资源价格P、需方要求的交货期T，供方的信用C、供方的规模S、供方的品质Q、需方的特殊要求R的权重。

所述的权重W1、W2、W3、W4、W5和W6与步骤2中需方在所选择的各因素对应等级相关联。

所述的步骤6包括以下子步骤，

(1)比较计算所得的匹配度；

(2)将服务资源信息按照匹配度排列输出。

本发明的有益效果是：一种基于本体语义的云制造服务供需智匹配方法，具体的说该方法是通过建立具有语义关系的云制造服务资源本体，形成了纵横扩展的制造业服务资源本体语义词库，并以此来实现快速高效的服务资源语义搜索，最后通过考虑了多方面因素的综合匹配算法来实现云制造服务的供需智能匹配，以支持服务资源的高效配置和云制造服务的公正可靠。要实现该方法需要着重研究本体语义词库的建立，语义相似相关度的计算，综合匹配算法的构建，它们分别构成了这种供需智能匹配方法的前提，核心和支撑。通过这种方法，企业用户可以快速搜索到全面且优质的服务资源，并且能简单的找到可靠且合适的合作伙伴，这就为云制造服务奠定了坚实的基础。这种方法兼顾了搜索和匹配，打破了传统搜索方式不支持语义扩展的瓶颈，推出了适应于云制造服务交易的匹配机制，具有如下优点：支持语义扩展搜索，支持服务资源管理，支持供需智能匹配。

附图说明

图1是本发明的供需智能匹配模型图；

图2是本发明的流程图；

图3是本发明本体语义词库示意图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

如图1，该模型描述了这种基于本体语义的云制造服务供需智能匹配方法的实现方式与数据流向，它的核心部分就是云数据库和语义本体词库。供方企业将相应的服务资源发布后，它们将存储在云数据库中，当另外的企业用户发布需求信息来搜索对应的服务资源时，需求信息中的服务名称与本体语义词库相接触，就像查询电子词典一样，从语义上逐一锁定与其相关的语义词汇，然后再按照语义相似性和相关性的高低去检索云数据库，从而实现云制造服务资源语义搜索，最后根据匹配算法计算输入信息与各个搜索结果之间的综合匹配度，并按照匹配度高低返回一个智能推荐列表，为用户提供决策支持。

如图2，该流程图描述了这种基于本体语义的云制造服务供需智能匹配方法的整体流程与步骤，简要描述如下：

步骤1.搜集整理制造业语义词汇，建立本体语义词库；步骤1中包括如下步骤：

(1)搜集整理制造业中具有语义相似、语义蕴含、语义外延、语义相关关系的服务词汇，以此来实现语义横向扩展。例如“三维反求”、“逆向工程”和“逆向技术”在制造领域就完全等价，即它们三者之间具有语义等价关系。

(2)用protégé软件将服务词汇按照行业、业务、服务进行纵向建模分类，形成初步的语义本体。

(3)在语义本体的横向扩展和纵向分类间添加关系属性来描述和表示各个语义词汇之间的关系，形成最终向纵横扩展的本体语义词库。具体的说，就是在初步形成的语义本体中纵向描述各子父节点之间的归属关系，在横向描述各词汇之间的语义关系。

如图3，这就是经过前面3个步骤形成的一个简易的本体语义词库，仅仅只考虑了按照服务类型分类，它首先将云制造服务资源进行了纵向分类，然后建立了相关服务资源之间的语义关系。很明显，“云制造服务资源”作为最上层的父类，它拥有“人才服务”、“设计服务”等6个子类，而“设计服务”作为父类拥有“CAD服务”等3个子类，依次这样扩展下去，所有的服务资源就被明确分类，并在本体语义词库中具有唯一的位置。红色区域所展示的是语义关系，“三维反求”与“逆向工程”、“逆向技术”在语义上完全等价，它们构成了一个同义词；“CAD服务”在语义上包含“AutoCAD”和“Pro/E”等，它们就构成了一个语义蕴涵词；在制造领域，设计和加工、物流等都是相辅相成的，它们紧密相关，缺一不可，因此“设计服务”、“检测服务”和“加工服务”等在语义上构成了语义相关关系。

步骤2.需方发布需求信息，并通过等级选择来描述和反映对服务资源的要求；步骤2中包括如下步骤：

(1)需方在云制造服务平台需求信息管理模块，输入服务资源名称、所需数量、交货期、特殊要求来发布所需服务资源。

(2)通过选择价格等级、交货期等级、信用等级、规模等级、品质等级、特殊要求等级来描述其对服务资源上述各因素的重视程度或关注程度和要求。如果需方用户将价格看的非常重要，那么他将可能在价格等级上选择一等，若不是很在乎价格因素而是更加关注其他因素，那么他将可能在价格等级上选择五等甚至六等。

步骤3.查询本体语义词库，计算语义相似度和相关度，实现语义扩展；步骤3中包括如下步骤：

(1)分析需求信息中的服务名称语义，查询本体语义词库。若能在本体语义词库中找到对应的语义节点词，则进行语义相似相关度计算，以此来实现语义扩展；若找不到对应的节点语义词，该方法便自动结束。

(2)计算输入词汇与节点语义词之间的语义相似相关度，语义相似度计算如下：

$\mathrm{Sim}(S_{1i},S_{2j})=\underset{i=1}{\overset{4}{\mathrm{\Σ}}}{\mathrm{\β}}_i\underset{j=1}{\overset{i}{\mathrm{\Π}}}{\mathrm{Sim}}_j(S_1,S_2)$

其中，Sim(S_1i,S_2j)为概念相似度，S₁是输入信息的某个概念描述，S₂是本体语义词库的某个概念描述，β_i(1≤i≤4)是可调节的概念映射到服务描述文档中的各个参数，同时，β₁+β₂+β₃+β₄＝1，β₁>β₂>β₃>β₄对Sim₁至Sim₄对于总体概念描述的相似度所起到的作用会逐步递减。

$\mathrm{Sim}(X_1,X_2)=\underset{i=1...n,j=1...m}{\max }\mathrm{Sim}(S_{1i},S_{2j})$

其中，输入信息与节点语义词分别为X₁和X₂，X₁有n个概念S₁₁,S₁₂,…,S_1n，X₂有m个概念S₂₁,S₂₂,…,S_2m，则X₁和X₂的相似度是各个概念的相似度的最大值。

语义相似度的临界值为0.5，即语义相似度Sim(X₁,X₂)小于0.5的节点语义词不足以支持语义搜索，这个临界值是经过相关语言学原理和语义关系知识分析而设置的。若输入信息与节点语义词之间的相似度Sim(X₁,X₂)大于0.5，则可以直接进行语义映射；若输入信息与节点语义词之间的相似度Sim(X₁,X₂)小于0.5，则通过语义相关度计算来补充挖掘两者之间的语义关系，即计算分析两者之间是否具有予以相关关系。

语义相关度计算如下：

Rel(S_1i,S_2j)＝a/(ShortestPath(S_1i,S_2j)+a)

其中，Rel(S_1i,S_2j)为概念相关度，其中α是一个可调节的参数，即相关度为0.5时概念间的最短距离ShortestPath(X,Y)表示从X到Y的最短路径长度，当X，Y不连通时，ShortestPath(X,Y)的值为∞。

$\mathrm{Rel}(X_1,X_2)=\underset{i=1...n,j=1...m}{\max }\mathrm{Rel}(S_{1i},S_{2j})$

其中，输入信息与节点语义词分别为X₁和X₂，X₁有n个概念S₁₁,S₁₂,…,S_1n，X₂有m个概念S₂₁,S₂₂,…,S_2m，则X₁和X₂的相关度是各个概念语义相关度的最大值，语义相关度的阈值是0.8，即语义相关度小于0.8的节点语义词不足以支持语义搜索，这个临界值是经过相关语言学原理和语义关系知识分析而设置的。若Rel(X₁,X₂)大于阈值0.8，支持语义搜索，若Rel(X₁,X₂)小于阈值0.8，不支持语义搜索，此节点语义词汇将被跳过，进行下一个节点语义词汇计算。

这个相似相关度计算是遵从“相似—相关”这个顺序的，即首先计算所输入的服务名称与查询本体语义词库所得到的节点语义词汇集合中的第一个节点语义词的相似度，若它们的相似度超过了0.5，那么这个节点语义词就符合条件，能够支持语义搜索，若它们之间的相似度小于0.5，则计算它们之间的相关度，再次挖掘它两的语义关系，若它两的相关度大于0.8，则这两个词之间具有较高的相关度，依然足以支持语义搜索，若它两的相关度小于0.8，则说明它两之间的相关度很低，不足以支持语义搜索，这个节点语义词汇将被跳过，计算完这两个词之间的相似相关度后立即计算这个服务名称与下一个节点语义词汇的相似相关度，直到计算完这个服务名称与所有查到的节点语义词汇之间的相似相关度为止，此时便完成了服务名称的语义扩展。

步骤4，节点语义词映射到云数据库进行检索，输出对应的服务资源，为供需匹配度提供对象；步骤4中包括如下步骤：

(1)满足语义相似相关关系的节点语义词映射到云数据库。

(2)以节点语义词为关键词，进行关键字搜索，若云数据库中有相应的服务资源，则可以检索得到服务资源，作为供需匹配度计算的输入，若云数据库中没有与之对应的服务资源，则不会有输出，该方法便自动结束。

步骤5，通过智能匹配度计算供需信息之间的综合匹配度,其分析计算过程如下：

该智能匹配算法采用多元判别的方式将供方提供的服务资源价格(P)、需方要求的交货期(T)，供方的信用(C)、供方的规模(S)、供方的品质(Q)、需方的特殊要求(R)都纳入到了考虑范围，其计算算法如下：

d＝W₁/P+W₂/T+W₃C+W₄S+W₅Q+W₆R，

其中，其中，W₁、W₂、W₃、W₄、W₅和W₆分别表示服务资源价格P、需方要求的交货期T，供方的信用C、供方的规模S、供方的品质Q、需方的特殊要求R的权重。

该算法中的权重W₁、W₂、W₃、W₄、W₅和W₆取决于需方在步骤2中所选择的各因素所对应的等级，所以它们都以动态的形式处在一个经数理分析、经验分析和线性优化得到的范围内，而0.25≤W₁≤0.35，0.10≤W₂≤0.20，0.10≤W₃≤0.20，0.02≤W₄≤0.07，0.25≤W₅≤0.35，0.03≤W₆≤0.08，每个权重都分为6个等级，即：

W₁的6个等级(六等到一等)所对应的权重分别为0.25、0.27、0.29、0.31、0.33、0.35；

W₂的6个等级(六等到一等)所对应的权重分别为0.10、0.12、0.14、0.16、0.18、0.20；

W₃的6个等级(六等到一等)所对应的权重分别为0.10、0.12、0.14、0.16、0.18、0.20；

W₄的6个等级(六等到一等)所对应的权重分别为0.02、0.03、0.04、0.05、0.06、0.07；

W₅的6个等级(六等到一等)所对应的权重分别为0.25、0.27、0.29、0.31、0.33、0.35；

W₆的6个等级(六等到一等)所对应的权重分别为0.03、0.04、0.05、0.06、0.07、0.08；

步骤6，分析和比较匹配度计算所得的各匹配度，并最后排序，确定最终输出对象，实现供需智能匹配；步骤6中包括如下步骤：

(1)分析比较匹配度，如果有10条以上的服务资源参与匹配度计算，则需要找出匹配度排在前10的服务资源而忽略其他的；如果参与匹配度计算的服务资源少于10条，则它们将全部成为输出对象。

(2)将这些服务资源信息按照匹配度的降序排列形式输出，为用户提供决策支持。

Claims (10)

1.一种基于本体语义的云制造服务供需智能匹配方法，其特征在于，包括以下

步骤：

步骤1.搜集整理制造业语义词汇，建立本体语义词库；

步骤2.需方发布需求信息，通过等级选择反映对服务资源的要求；

步骤3.查询本体语义词库，计算语义相似度和相关度，找到支持语义搜索的节点语义词，实现语义扩展；

步骤4.将节点语义词映射到云数据库进行检索，输出对应的服务资源，为供需匹配度计算提供对象；

步骤5.计算供需信息之间的综合匹配度；

步骤6.比较匹配度，确定输出对象。

2.根据权利要求1所述一种基于本体语义的云制造服务供需智能匹配的方法，其特征在于，所述的步骤1包括以下子步骤：

步骤1.1搜集整理制造业中具有语义相似、语义蕴含、语义外延、语义相关关系的服务词汇，实现语义横向扩展；

步骤1.2将服务词汇按照行业、业务、服务进行纵向建模分类，形成初步的语义本体；

步骤1.3在语义本体的横向扩展和纵向分类间添加关系属性描述各个语义词汇之间的关系，形成本体语义词库。

3.根据权利要求1所述一种基于本体语义的云制造服务供需智能匹配的方法，其特征在于，所述的步骤2包括以下子步骤：

步骤2.1需方在云制造服务平台需求信息管理模块，输入服务资源名称、所需数量、交货期、特殊要求来发布所需服务资源；

步骤2.2需方通过选择价格等级、交货期等级、信用等级、规模等级、品质等级、特殊要求等级来描述对服务资源上述各因素的要求。

4.根据权利要求1所述一种基于本体语义的云制造服务供需智能匹配的方法，其特征在于：所述的步骤3包括以下子步骤：

步骤3.1分析需求信息中的服务名称语义，查询本体语义词库，找到节点语义词汇；

步骤3.2计算输入词汇与节点语义词之间的语义相似度和相关度，进行语义扩展。

5.根据权利要求4所述一种基于本体语义的云制造服务供需智能匹配的方法，其特征在于，所述的步骤3.2语义相似度计算如下：

$\mathrm{Sim}(S_{1i},S_{2j})=\underset{i=1}{\overset{4}{\mathrm{\Σ}}}{\mathrm{\β}}_i\underset{j=1}{\overset{i}{\mathrm{\Π}}}{\mathrm{Sim}}_j(S_1,S_2)$

其中，Sim(S_1i,S_2j)为概念相似度，S₁是输入信息的某个概念描述，S₂是本体语义词库的某个概念描述，β_i(1≤i≤4)是可调节的概念映射到服务描述文档中的各个参数，同时，β₁+β₂+β₃+β₄＝1，β₁＞β₂＞β₃＞β₄；

$\mathrm{Sim}(X_1,X_2)=\underset{i=1...n,j=1...m}{\max }\mathrm{Sim}(S_{1i},S_{2j})$

其中，输入信息与节点语义词分别为X₁和X₂，X₁有n个概念S₁₁,S₁₂,…,S_1n，X₂有m个概念S₂₁,S₂₂,…,S_2m，则X₁和X₂的相似度是各个概念的相似度的最大值，若Sim(X₁,X₂)大于阈值γ，则节点语义词直接进行语义映射；若Sim(X₁,X₂)小于阈值γ，则通过语义相关度计算来补充挖掘两者之间的语义关系；

语义相关度计算如下：

Rel(S_1i,S_2j)＝a/(ShortestPath(S_1i,S_2j)+a)

其中，Rel(S_1i,S_2j)为概念相关度，α是一个可调节的参数；即语义相关度为γ时概念间的最短距离ShortestPath(X,Y)表示从X到Y的最短路径长度，当X，Y不连通时，ShortestPath(X,Y)的值为∞；

$\mathrm{Rel}(X_1,X_2)=\underset{i=1...n,j=1...m}{\max }\mathrm{Rel}(S_{1i},S_{2j})$

其中，输入信息与节点语义词分别为X₁和X₂，X₁有n个概念S₁₁,S₁₂,…,S_1n，X₂有m个概念S₂₁,S₂₂,…,S_2m，则X₁和X₂的相关度是各个概念语义相关度的最大值，若Rel(X₁,X₂)大于阈值，支持语义搜索，若Rel(X₁,X₂)小于阈值，不支持语义搜索，此节点语义词汇将被跳过，进行下一个节点语义词汇计算。

6.根据权利要求5所述一种基于本体语义的云制造服务供需智能匹配的方法，其特征在于：所述的阈值γ为0.5，所述的阈值为0.8。

7.根据权利要求1所述一种基于本体语义的云制造服务供需智能匹配的方法，其特征在于：所述的步骤4包括以下子步骤，

步骤4.1满足语义相似相关关系的节点语义词映射到云数据库；

步骤4.2以节点语义词为关键词，进行关键字搜索。

8.根据权利要求1所述一种基于本体语义的云制造服务供需智能匹配的方法，其特征在于，所述的步骤5中的匹配度计算如下：

d＝W₁/P+W₂/T+W₃C+W₄S+W₅Q+W₆R

其中，W₁、W₂、W₃、W₄、W₅和W₆分别对应表示服务资源价格P、需方要求的交货期T，供方的信用C、供方的规模S、供方的品质Q、需方的特殊要求R的权重。

9.根据权利要求8所述一种基于本体语义的云制造服务供需智能匹配的方法，其特征在于：所述的权重W₁、W₂、W₃、W₄、W₅和W₆与步骤2中需方所选择的各因素对应等级相关联。

10.根据权利要求1所述一种基于本体语义的云制造服务供需智能匹配的方法，其特征在于：所述的步骤6包括以下子步骤，

(1)比较计算所得的匹配度；

(2)将服务资源信息按照匹配度排列输出。