CN107798387B - 一种适用于高端装备全生命周期的知识服务系统及方法 - Google Patents

一种适用于高端装备全生命周期的知识服务系统及方法 Download PDF

Info

Publication number
CN107798387B
CN107798387B CN201711058073.6A CN201711058073A CN107798387B CN 107798387 B CN107798387 B CN 107798387B CN 201711058073 A CN201711058073 A CN 201711058073A CN 107798387 B CN107798387 B CN 107798387B
Authority
CN
China
Prior art keywords
knowledge
end equipment
service
life cycle
full
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.)
Active
Application number
CN201711058073.6A
Other languages
English (en)
Other versions
CN107798387A (zh
Inventor
周光辉
张超
常丰田
田长乐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN201711058073.6A priority Critical patent/CN107798387B/zh
Publication of CN107798387A publication Critical patent/CN107798387A/zh
Application granted granted Critical
Publication of CN107798387B publication Critical patent/CN107798387B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00Computing arrangements using knowledge-based models
    • G06N5/04Inference or reasoning models
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/10Office automation; Time management
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04Manufacturing
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02PCLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种适用于高端装备全生命周期的知识服务系统及方法,该方法适用于通过知识服务系统接口与高端装备制造企业信息系统通信的知识服务平台中,基于复杂知识资源获取模板的半自动化获取方式,从高端装备制造企业信息系统抽取历史数据或从技术人员脑海中获取专家经验,通过预设的知识获取流程获取高端装备全生命周期知识;将上述步骤获取的知识按其表现形式分别存放到分布式数据库中,形成高端装备制造企业知识库;通过主/被动相结合的方式获取高端装备制造企业技术人员的知识服务需求,根据知识服务需求调用多模式知识服务方法库中相应的知识服务引擎,知识服务引擎通过调用知识库中的高端装备全生命周期知识并利用推理算法生成所需的知识服务。

Description

一种适用于高端装备全生命周期的知识服务系统及方法
技术领域
本发明属于先进制造技术智能化信息技术领域,具体涉及一种适用于高端装备全生命周期的知识服务系统及方法。
背景技术
以高档数控机床、大型燃气轮机、汽轮机、超/特高压电气装备、智能电力装备等为代表的高端装备制造业是典型的知识密集、技术密集和多学科交叉集成的高科技产业。随着技术的进步,高端装备制造企业正从以产品为中心转向以知识为中心的新产品开发中,知识服务正成为企业提高其竞争力的核心因素。产品结构日趋复杂,开发过程日趋复杂,产品功能日趋集成化和复合化,导致产品开发直至全生命周期均需各种复杂知识的支持,产品的设计、制造、维护等活动均需要各种知识资源的融合,实现各种复杂知识的高效服务已成为支撑高端装备产品技术创新的原动力。
请参阅图1,随着信息化建设的进一步深入,高端装备制造企业正朝着智能化、集成化的方向发展,特别是将企业信息化建设所沉淀下来的信息,通过数据抽取、挖掘等技术转化为指导高端装备制造企业研发生产的知识,并通过知识服务平台渗透到高端装备研发生产的各个环节,是未来非常重要的一个方向。
知识的有效管理和高效应用是企业走向智能化的重要表现,当前这方面的研究主要聚焦在知识获取工具、知识表达工具和知识服务工具的开发上。目前知识获取工具主要有搜索引擎、知识挖掘系统、知识门户等。其中,百度、搜狐等搜索引擎用于实现对Internet上的知识进行快速获取,但仅局限于模糊搜索,难以准确将知识与用户的需求相联系;而知识挖掘主要用于帮助用户从数据库中发现隐含的、有价值的知识,常见的知识挖掘系统有Enterprise Miner、Intelligent Miner、SetMiner等。知识表达工具常用于知识的语义表达,实现对复杂知识资源的有效组织、合理存储与标准化表达,提高用户对知识应用的效率和准确性。知识服务工具有知识共享、知识推送和知识评价等功能,Knowledge X公司开发的知识管理工具可为用户提供不同知识元素相互联系的知识地图,实现知识的关联表达与应用。微软公司开发的ExchangeServer为用户提供了交流看法和协同工作的虚拟平台,Aurigin公司提出了IPAM系统,可对企业的专利和版权等知识进行管理和应用。
在知识资源的集成化管理方面,目前国内外已经有多个商用化的知识管理软件。安世亚太公司的PERA.KnowleMan平台已经在航空航天、船舶、石油石化、精密机床等2000多家知识密集型行业应用。Qdes系统继承了多种特殊形式的知识表示和推理技术,辅助开发钢材产品。OHCS系统能够快速生成满足要求的CAD图形,利用多种专家知识辅助油压回路设计。MOCA系统主要用于大规模启发式规则探索和匹配,主要进行飞机维修流程的自动安排和智能控制,已经在马特拉航空公司、英国航空等多家公司进行使用。深蓝海域kmpro知识管理系统,基于国内企业需求,首次实现组织结构型、人力结构型知识地图,提升对知识应用的效率,目前已在制造业、汽车业、旅游业多个领域得到应用。国内许多高校和企业联合进行知识管理软件的开发。由海尔集团和上海交通大学共同合作开发的“注塑模具KBE系统”是国内较成熟的KBE系统,可实现工业化应用。清华大学刘宽宏采用Lotus Domino、IBMWebsphere、IBM DB2作为开发平台,针对中小型软件企业设计实现了一款知识管理系统。西安交通大学教育部现代设计及转子轴承系统教育部重点实验室和教育部现代设计网上合作中心一直从事复杂产品与转子轴承系统的数字化设计与复杂设计知识资源协同服务的研究,拥有支持网络知识资源集成管理FIPER平台,集成了包括产品/零部件模型库、轴承等基础功能部件等仿真分析程序库、仪器设备、专家经验等在内的多种知识资源,能为高端装备产品的设计创新提供知识支撑。
基于以上对国内外研究现状与成效的分析发现,已有研究从对底层的知识处理技术到整体的平台系统设计都有所研究,国内外也已有多款商业化的知识工程系统软件在不同的行业有所应用,并且取得一些有益效果。但是,目前的知识管理工具存在功能单一、集成度低、协同性差等缺点,多针对产品全生命周期中的一个环节展开,适合于企业推广应用的面向产品全生命周期的知识管理软件系统较为匮乏。随着信息技术应用的不断发展,面向产品全生命周期的集成化成为知识管理系统发展的主要发展趋势,国内在这一领域尚未有所建树,而高端装备制造业作为高新技术产业,其创新发展迫切需要知识资源的大力支持。因此,围绕高端装备制造业的创新需求,研究开发一套针对性强、时效性好、准确度高的知识服务系统及方法势在必行。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种适用于高端装备全生命周期的知识服务系统及方法,为高端装备制造企业复杂知识资源的有效管理和高效应用提供支撑。
本发明采用以下技术方案:
一种适用于高端装备全生命周期的知识服务系统,包括知识服务平台,知识服务平台通过知识服务系统接口与高端装备制造企业信息系统通信,其特征在于,知识服务平台包括复杂知识资源获取模块、知识库、多模式知识服务方法库和知识服务模块,知识服务系统接口采用FTP、JDBC和WebService技术,并为企业级数据交互提供监控审计和数据缓存功能;
复杂知识资源获取模块通过预设的知识获取流程从高端装备制造企业信息系统或技术人员脑海中获取高端装备全生命周期知识;
知识库用于储存所述复杂知识资源获取模块获取的高端装备全生命周期复杂异构的知识资源;
多模式知识服务方法库用于预存基于Lucene和中文分词的高性能全文检索引擎,以及基于图的知识推理引擎;
知识服务模块用于主动或被动地获取高端装备制造企业技术人员的知识服务需求,根据知识服务需求调用多模式知识服务方法库中相应的知识服务引擎,知识服务引擎通过调用知识库中的高端装备全生命周期知识并利用推理算法生成所需的知识服务。
进一步的,高端装备全生命周期复杂异构的知识资源包括性能设计参数,制造工艺参数,材料性能参数,试验测试数据,2D/3D图纸,设计分析文档,动静热分析算法和专家经验。
一种适用于高端装备全生命周期的知识服务方法,采用知识的被动检索和主动推送相结合的知识服务方式,实现对高端装备制造企业复杂知识的高效利用,具体包括以下步骤:
S1、基于复杂知识资源获取模板的半自动化获取方式,从高端装备制造企业信息系统中抽取历史数据或从技术人员脑海中获取专家经验,通过预设的知识获取流程获取高端装备全生命周期知识;
S2、将步骤S1获取的高端装备全生命周期知识按其表现形式分别存放到分布式数据库中,形成高端装备制造企业知识库;
S3、主动或被动地获取高端装备制造企业技术人员的服务需求,根据知识服务需求调用多模式知识服务方法库中相应的知识服务引擎,知识服务引擎通过调用知识库中的高端装备全生命周期知识并利用推理算法生成所需的知识服务。
更进一步的,步骤S1中,知识获取流程具体如下:
S1.1、将高端装备制造企业信息化建设过程中未经加工的性能设计参数,制造工艺参数,材料性能参数,试验测试数据,2D/3D图纸,设计分析文档和动静热分析算法,以及技术人员脑海中的专家经验,按其表现形式分别整理为数据类知识、过程类知识、经验类知识和文档类知识;
S1.2、对步骤S1.1整理的知识根据其内容主题进行语义标注,主题包括产品对象,工作原理,结构设计和制造工程;
S1.3、将步骤S1.2语义标注后的信息/数据通过数据挖掘、文本挖掘、问卷调查和接口技术对其进行知识抽取,形成格式化的知识。
更进一步的,步骤S3中,知识服务引擎包括基于Lucene和中文分词的全文检索引擎和基于图的知识推理引擎,全文检索引擎的Lucene索引采用倒排索引方式,包括Termindex,Team Dictionary和Posting List三部分,全文检索引擎的中文分词通过自定义字典规则的方式,实现对中文输入的快速分词。
更进一步的,基于图的知识推理引擎具体包括以下步骤:
S3.1、构建高端装备全生命周期知识地图;
S3.2、将知识地图存储到多模式知识服务方法库中;
S3.3、按照服务需求获取方法获取高端装备制造企业技术人员的知识服务需求,得到知识服务需求集合K;
S3.4、运行个性化PageRank算法,得到最终的PageRank向量;
S3.5、选取步骤S3.4中大于阈值的知识作为输入服务需求的响应知识,生成所需的知识服务。
更进一步的,步骤S3.1中,采用OWL本体作为知识地图构建的方法,OWL本体定义为四元组KO=(C,I,OP,DP),C(概念)表示包含一组具有相同性质的实例的集合,该集合定义了能够成为其实例的充要条件;I(实例)表示概念的实例化对象;OP(对象属性)表示概念/实例间的关系;DP(数据属性)表示从实例到XML Scheme数据类型或RDF文本的一个连接。
更进一步的,高端装备全生命周期知识地图定义为二元组KMap(KDiagram,KDetail),其中,KDiagram表示知识草图,KDetail表示知识细节,知识草图为知识的图形化描述,图中结点代表知识,而连接结点的边代表对应知识之间的关系,知识细节是对知识的详细描述,描述方式包括三维模型、流程表、鱼骨图、流程图和决策表。
更进一步的,步骤S3.3中,采用主动或被动方式获取高端装备制造企业技术人员的知识服务需求,具体步骤如下:
S3.3.1、抽取技术人员在使用知识服务平台的全文检索功能时用到的高频词汇;
S3.3.2、抽取用户最近一周浏览的知识的主题词汇;
S3.3.3、获取技术人员最近一周的任务信息;
S3.3.4、由用户通过知识智能检索框主动输入的知识服务需求。
更进一步的,步骤S3.4中运行个性化PageRank算法具体包括以下步骤:
S3.4.1、利用匹配度计算服务需求集合K={k1,k2,…,ki,…,kn}中每个实例化需求ki和知识地图中概念的匹配度,并选取匹配度最高的概念作为实例化需求的匹配概念,其中,匹配度计算如下:
Figure BDA0001454055190000061
其中,ek和ec表示术语集,分别对应于一个服务需求和一个概念,V(e)表示每个术语集所对应的向量空间模型中的术语向量,向量的每个维度都代表了术语集中的一个字;
S3.4.2、将服务需求K={k1,k2,…,ki,…,kn}中每个实例化需求ki插入到知识地图中,并用有向边将ki与其匹配概念相连,得到重构的知识地图;
S3.4.3、初始化跳转概率矩阵u:矩阵的维数N=n+m,其中,n表示实例化需求的数目,m表示知识地图中原有的结点数目;u={u1,...,ui,...,un,un+1,...,uj,...,un+m},其中ui=1/n,表示新插入到知识地图中的结点的初始化跳转概率,uj=0表示知识地图中原有结点的初始化跳转概率;
S3.4.4、初始化转移概率矩阵M:如果知识地图中结点vi到vj的连接存在,则mji=1/di,否则mji=0;
S3.4.5、运行个性化PageRank算法,得到最终的PageRank向量,个性化PageRank算法计算如下:
P=(1-α)MP+αu
其中,P表示PageRank向量,pi衡量了知识地图上第i个结点vi代表的知识资源KMi与服务需求的相关度,M是N×N维的转移概率矩阵,u表示N×1维的跳转概率矩阵,α表示跟随边的随机游走和不跟随边的随机跳转两种行为的权重,取0.1~0.2。
与现有技术相比,本发明至少具有以下有益效果:
本发明一种适用于高端装备全生命周期的知识服务系统,包括知识服务平台,知识服务平台通过知识服务系统接口与高端装备制造企业信息系统通信,知识服务系统接口采用FTP、JDBC和WebService技术,并为企业级数据交互提供监控审计和数据缓存功能;知识服务平台包括复杂知识资源获取模块、知识库、多模式知识服务方法库和知识服务模块,知识服务模块用于主动或被动地获取高端装备制造企业技术人员的服务需求,根据知识服务需求调用多模式知识服务方法库中相应的知识服务引擎,知识服务引擎通过调用知识库中的高端装备全生命周期知识并利用推理算法生成所需的知识服务,基于上述模块,采用C/S架构,构建了浏览器(用户层)/服务器(应用层)/数据库(数据层)三层结构的复杂知识服务平台系统的软件体系架构,本发明提供的知识服务系统不仅能够兼容Web应用工具包和Windows桌面应用工具包,实现Web应用工具的直接访问和Windows桌面应用工具包的下载启用,还能通过知识服务系统接口与高端装备制造企业信息系统通信,从而实现了对高端装备制造企业复杂知识的高效应用与服务集成。
进一步的,将企业信息化建设过程中积淀下来的未经过加工的信息或数据,包括性能设计参数,制造工艺参数,材料性能参数,试验测试数据,2D/3D图纸,设计分析文档,动静热分析算法,根据其表现形式分别整理为数据类知识、过程类知识、经验类知识和文档类知识;整理后的知识按其内容主题的不同进行语义标注,这些主题包括产品对象类,工作原理类,结构设计类和制造工程类。语义标注后的信息/数据通过数据挖掘、文本挖掘、问卷调查、接口等技术对其进行知识抽取,形成格式化的知识;最后将这些格式化的知识存储到分布式数据库中,为高端装备制造企业知识资源的高效应用提供支撑。
本发明还公开了一种适用于高端装备全生命周期的知识服务方法,采用主/被动相结合的方式实时挖掘高端装备制造企业技术人员的知识服务需求,并根据知识服务需求自动调用相应的知识服务引擎,通过知识服务引擎中预设的知识推理方法,将知识库中的知识资源更快更好地提供给企业技术人员。在考虑高端装备制造企业知识资源分散化、碎片化和异构化等特点的基础之上,本发明进一步考虑了高端装备制造企业技术人员对知识服务的需求具有多样化的特点,提供了一套适用于高端装备全生命周期的知识服务方法,相较于传统的知识服务方法,具有更好的专业性和更强的针对性。
进一步的,知识服务引擎包括基于Lucene和中文分词的全文检索引擎和基于图的知识推理引擎,采用多模式知识服务方法能够根据企业技术人员的知识服务需求调用相应的知识服务引擎,使得知识服务更加高效、准确;同时,基于开放源代码的高性能全文检索引擎Lucene结合自定义分词规则的中文分词技术定制开发的能对中文输入进行有效分词并具有一定关联推理功能的中文检索引擎,以及基于OWL本体的知识地图结合高效个性化的PageRank算法定制开发的知识推理引擎,在保证知识查全率的同时,还大大提高了知识的查准率。
进一步的,本发明采用能够清晰无歧义地描述领域概念以及这些概念间关系的OWL本体作为知识地图构建的方法,通过Protégé软件对高端装备领域本体进行建模,根据高端装备领域知识主题分别构建产品对象类本体、工作原理类本体、结构设计类本体和制造工程类本体,再通过本体集成和本体融合技术,构建出基于本体的知识地图,知识地图有效地将高端装备制造企业零散、碎片化的知识组织到了一起,为后续知识推送奠定基础。
进一步的,采用主动或被动方式获取高端装备制造企业技术人员的知识服务需求,通过抽取技术人员在使用知识服务平台的全文检索功能时用到的高频词汇、抽取用户最近一周浏览的知识的主题词汇、获取技术人员最近一周的任务信息、由用户通过知识智能检索框主动输入的知识服务需求四种知识服务需求获取方法,能够全面、准确、实时地获取知识服务需求,使得知识服务更加高效。
进一步的,采用个性化PageRank算法,通过匹配度将知识服务需求映射到高端装备全生命周期知识地图中,得到重构的知识地图,再结合基于个性化PageRank算法的知识导航方式,快速得到知识服务需求的响应知识,进而生成所需的知识服务,相较于传统的知识推理方法,该方法的准确性更高、适用性更强。
综上所述,本发明系统及方法具有针对性更强,实时性更好,准确性更高以及兼容性和集成性更好的特点,为高端装备制造企业复杂知识资源的有效管理和高效应用提供支撑。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为高端装备研发生产过程知识服务需求的说明示意图;
图2为适用于高端装备的多模式知识服务框架示意图;
图3为高端装备复杂知识获取流程示意图;
图4为本发明知识服务引擎生成知识服务的流程示意图;
图5为服务于高端装备的知识地图图形化定义示意图;
图6为高端装备全生命周期知识地图实例示意图;
图7为高端装备知识服务平台体系架构示意图;
图8为知识服务系统接口方案示意图;
图9为面向高端装备制造企业应用的知识服务案例示意图,其中,(a)为基于全文检索引擎的知识服务案例示意图,(b)为基于知识推理引擎的知识服务案例示意图。
具体实施方式
本发明提供了一种适用于高端装备全生命周期的知识服务系统,围绕高端装备产品的全生命周期,从方法和技术层面上,突破了高端装备复杂知识资源的获取、存储、表达以及应用服务的方法与技术,构建了适用于高端装备全生命周期的知识服务平台,实现了对复杂知识的高效应用与服务集成。
本发明适用于高端装备全生命周期的知识服务系统包括知识服务平台,知识服务平台通过知识服务系统接口与高端装备制造企业信息系统通信,知识服务系统接口采用FTP、JDBC和WebService技术,并为企业级数据交互提供监控审计和数据缓存功能,知识服务平台包括:
复杂知识资源获取模块,用于从高端装备制造企业信息系统抽取历史数据或从技术人员脑海中获取经验知识,通过预设的知识获取流程获取高端装备全生命周期知识;复杂知识资源获取模块获取的知识包括性能设计参数,制造工艺参数,材料性能参数,试验测试数据,2D/3D图纸,设计分析文档,动静热分析算法;
知识库,用于储存所述复杂知识资源获取模块获取的高端装备全生命周期复杂异构的知识资源;
多模式知识服务方法库,用于预存基于Lucene和中文分词的高性能全文检索引擎,以及基于图的知识推理引擎;
知识服务模块,用于主动或被动地获取高端装备制造企业技术人员的服务需求,根据知识服务需求调用多模式知识服务方法库中相应的知识服务引擎,所述知识服务引擎通过调用知识库中的高端装备全生命周期知识及利用推理算法,从而生成所需的知识服务。
请参阅图2,针对高端装备制造企技术人员在新产品研发生产过程中对知识服务的需求具有多样性的特点,本发明提出了一种适用于高端装备全生命周期的知识服务方法,通过知识的被动检索和主动推送相结合的服务方式,实现对高端装备制造企业复杂知识的高效利用,该方法包括以下步骤:
S1、基于复杂知识资源获取模板的半自动化获取方式,从高端装备制造企业信息系统抽取历史数据或从技术人员脑海中获取专家经验,通过预设的知识获取流程获取高端装备全生命周期知识;
请参阅图3,本发明基于高端装备制造企业知识资源的复杂性、分布性、异构性和变化性的特点,从便于高端装备制造企业知识资源有效管理与应用的角度,提出了从知识源→语义标注→知识抽取→格式化知识的高端装备全生命周期知识获取流程,具体如下:
S1.1、知识源整理,将高端装备制造企业信息化建设过程中积淀下来的未经过加工的信息或数据(知识源),包括性能设计参数,制造工艺参数,材料性能参数,试验测试数据,2D/3D图纸,设计分析文档,动静热分析算法等,按其表现形式分别整理为数据类知识、过程类知识、经验类知识和文档类知识;
S1.2、语义标注,将步骤S1.1整理后的知识根据其内容主题进行语义标注,这些主题包括产品对象,工作原理,结构设计和制造工程;
S1.3、形成格式化知识,将经过步骤S1.2语义标注后的信息/数据通过数据挖掘、文本挖掘、问卷调查、接口等技术对其进行知识抽取,形成格式化的知识。
S2、将步骤S1获取的高端装备全生命周期知识按其表现形式分别存放到分布式数据库中,形成高端装备制造企业知识库;
S3、主动或被动地获取高端装备制造企业技术人员的知识服务需求,根据知识服务需求调用多模式知识服务方法库中相应的知识服务引擎,请参阅图4,包括:基于Lucene和中文分词的高性能全文检索引擎和基于图的知识推理引擎,所述知识服务引擎通过调用知识库中的高端装备全生命周期知识及利用推理算法,从而生成所需的知识服务。
基于Lucene和中文分词的高性能全文检索引擎包括:
Lucene索引技术,Lucene索引是基于倒排索引组织的,Lucene的索引由Termindex,TeamDictionary和Posting List三部分组成。
索引包括倒排索引(Invertedindex)和正排索引(Forwardindex)两种。正排索引就是文档(Document)和它的字段Fields正向对应的关系,如下表所示。
表1正排索引举例
Figure BDA0001454055190000121
倒排索引就是字段Field和拥有这个字段Field的文档对应的关系,如下表所示是按照性别字段和年龄字段的倒排索引。
表2倒排索引举例
Figure BDA0001454055190000122
有了经过排序的Term Dictionary之后,就可以采用二分法的方式进行查找,比全部遍历的查找方式能更快的找出目标Term。为了进一步提高索引效率,再把一些数据缓存到内存里,但受制于整个Term dictionary本身太大的缘故,无法完整地保存到内存里,本发明采用了基于Term index的存储方式。
Lucene的Term index和Term Dictionary其实对应的就是MySQL的B+Tree的功能,为关键字key提供索引。Lucene的inverted index可以比MySQL的B-Tree检索更快。
Term index在内存中是以FST(finite state transducers)的形式保存的,其特点是非常节省内存。所以Lucene搜索一个关键字KEY的速度是非常快的,而MySQL的B+Tree需要读磁盘比较。
Term dictionary在磁盘上是以分Block的方式保存的,一个Block内部利用公共前缀压缩,比如都是Ab开头的单词就可以把Ab省去。这样Term dictionary可以比B-Tree更节约磁盘空间。
Lucene对不同的数据类型采用了不同的索引方式,上面分析是针对field为字符串的,比如针对int,有TrieIntField类型,针对经纬度,就可以用GeoHash编码。
在Mysql中给两个字段独立建立的索引无法联合起来使用,必须对联合查询的场景建立复合索引,而Lucene可以对任何AND或者OR组合使用索引进行检索。
中文分词技术,通过自定义字典规则的方式,实现对中文输入的快速分词。
分词是进行全文快速检索的前提和关键,是全文搜索引擎的核心技术之一。由于汉语中的“词”难以清晰界定,现代汉语的基本表达单元虽然为“词”,且以双字或者多字词居多,但由于人们认识水平的不同,对词和短语的边界很难去区分。例如:“结构设计与强度类知识”本身是一个词还是一个短语,不同的人会有不同的标准,同样的“电力装配”“装配模型”等等,即使是同一个人也可能做出不同判断。如果汉语真的要分词书写,必然会出现混乱,难度很大。加上汉语句子的复杂性和多变性,中文分词一直是中文信息处理的难点,且分词准确性对搜索引擎来说十分重要,但如果分词速度太慢,即使准确性再高,对于搜索引擎来说也是不可用的,因为搜索引擎需要处理大量的数据,如果分词耗用的时间过长,会严重影响搜索引擎内容更新的速度。因此对于搜索引擎而言,分词的准确性和速度,二者都具有很高的要求。
本发明采用中文分词技术,通过自定义字典规则的方式,实现对中文输入的快速分词。
基于图的知识推理引擎包括以下步骤:
S3.1、构建高端装备全生命周期知识地图;
请参阅图5,知识地图定义为二元组KMap(KDiagram,KDetail),其中,KDiagram表示知识草图,KDetail表示知识细节,知识草图是知识的图形化描述:图的结点代表知识,而连接结点的边代表对应知识之间的关系;知识细节是对知识的详细描述,这样的描述方式包括三维模型、流程表、鱼骨图、决策表等。
其中,知识地图采用能够清晰无歧义地描述领域概念以及这些概念间关系的OWL本体作为知识地图构建的方法,OWL本体定义为四元组KO=(C,I,OP,DP),C(概念)表示包含一组具有相同性质的实例的集合,该集合定义了能够成为其实例的充要条件;I(实例)表示概念的实例化对象;OP(对象属性)表示概念/实例间的关系;DP(数据属性)表示从实例到XML Scheme数据类型或RDF文本的一个连接,换言之,数据属性将实例和它对应的知识细节通过一定的方式连接起来。
本发明采用Protégé软件对高端装备领域本体进行建模,根据高端装备领域知识主题分别构建产品对象类本体、工作原理类本体、结构设计类本体和制造工程类本体,再通过本体集成和本体融合技术,构建出基于本体的知识地图(构建实例如图6所示)。知识地图有效地将高端装备制造企业零散、碎片化的知识组织到了一起,为后续知识推送奠定基础。
S3.2、将知识地图存储到多模式知识服务方法库中;
S3.3、按照服务需求获取方法获取高端装备制造企业技术人员的知识服务需求,并将其表示为知识服务需求集合如下:
K={k1,k2,…,ki,…,kn}
其中,K表示由一组服务需求序列构成的服务需求集合,ki表示实例化的服务需求;
服务需求获取方法的步骤如下:
S3.3.1、抽取技术人员在使用知识服务平台的全文检索功能时用到的高频词汇;
S3.3.2、抽取用户最近一周浏览的知识的主题词汇;
S3.3.3、获取技术人员最近一周的任务信息;
S3.3.4、由用户通过知识智能检索框主动输入的服务需求。
S3.4、运行个性化PageRank算法,得到最终的PageRank向量;
服务需求序列通过匹配度计算得到一组与其相近的概念集合,再基于概念集合中每个概念在知识地图中的关联关系和关联结构,通过基于个性化PageRank算法的知识导航方式,最终推理出与服务需求最相关的知识资源,为高端装备产品研发生产相关环节的决策提供支持。
个性化PageRank算法由下式计算:
P=(1-α)MP+αu (1)
上式中,向量P表示PageRank向量,pi衡量了知识地图上第i个结点vi代表的知识资源KMi与服务需求的相关度,换句话说,pi越大,KMi与输入服务需求的相关性就越大;M是N×N维的转移概率矩阵,其包含的元素定义如下:如果知识地图中结点vi到vj的连接存在,则mji=1/di,其中di表示结点vi的出度,否则mji=0,mji的直观含义是从结点vi跟随边到达结点vj的概率;u表示N×1维的跳转概率矩阵,ui表示从知识地图上任意结点跳转(不必跟随边)到vi的概率;因而个性化的PageRank算法实际上是模拟了跟随边的随机游走和不跟随边的随机跳转两种物理行为,α则表示了这两种行为的权重,一般取0.1~0.2。
基于个性化PageRank算法的知识导航方法主要包含以下步骤:
S3.4.1、由式(2)计算服务需求K={k1,k2,…,ki,…,kn}中每个实例化需求ki和知识地图中概念的匹配度,并选取匹配度最高的概念作为实例化需求的匹配概念;匹配度由下式计算:
Figure BDA0001454055190000151
上式中,ek和ec表示术语集,分别对应于一个服务需求和一个概念。V(e)表示每个术语集所对应的向量空间模型中的术语向量,向量的每个维度都代表了术语集中的一个字。由此,服务需求和概念间的匹配度就定义为向量ek和ec间的余弦值,由式(2)计算得到。
S3.4.2、将服务需求K={k1,k2,…,ki,…,kn}中每个实例化需求ki插入到知识地图中,并用有向边将ki与其匹配概念相连,得到重构的知识地图;
S3.4.3、初始化跳转概率矩阵u:矩阵的维数N=n+m,其中n表示实例化需求的数目,m表示知识地图中原有的结点数目;u={u1,...,ui,...,un,un+1,...,uj,...,un+m},其中ui=1/n,表示新插入到知识地图中的结点的初始化跳转概率,uj=0表示知识地图中原有结点的初始化跳转概率;
S3.4.4、初始化转移概率矩阵M:如果知识地图中结点vi到vj的连接存在,则mji=1/di,否则mji=0;
S3.4.5、运行个性化PageRank算法,即式(2),得到最终的PageRank向量;
S3.5、选取与服务需求最相关的知识(即pi大于阈值的知识)作为输入服务需求的响应知识,从而生成所需的知识服务。
面向高端装备制造企业的知识服务系统实现框架及服务系统接口
根据高端装备制造企业技术人员对知识服务需求具有针对性、时效性和准确性的特点,基于多模式的知识服务方法,结合知识服务系统所包含的知识服务模块,本发明采用C/S架构,构建了浏览器(用户层)/服务器(应用层)/数据库(数据层)三层结构的复杂知识服务平台系统的软件体系架构,如图7所示。
为便于在网络环境各异的企业服务器上部署,平台系统基于开放源代码的轻型高效的大型数据库MySQL深度定制开发了针对性强并且接近零配置的数据库作为存储知识资源的数据库;为了能将种类繁杂和形式多样的知识元素进行有效的组织和管理,平台采用了支持3D等多媒体的Web技术,开发了能对各类知识元素通过自定义格式和信息标签进行有序组织并且易于扩展的知识模板;平台基于开放源代码的高性能全文检索引擎Lucene结合自定义的中文分词技术定制开发了能对中文输入进行有效分词并具有一定关联推理的中文检索引擎,并集成了基于个性化PageRank算法的知识推理引擎,满足企业对知识服务时效性、针对性和准确性的要求;平台还运用基于Web的桌面应用开发技术将以Web技术开发的知识资源集成管理模块封装成C/S架构的专用客户端,并实现与其他系列软件工具包的集成和数据交互。
高端装备制造企业产品研发生产过程中会用到各式各样的软件工具包,为更好地为高端装备制造企业新产品研发生产服务,本发明提出了系列软件工具包集成到知识服务平台中以及知识服务平台与高端装备制造企业信息系统通信的解决方案(如图8所示),其中系列软件工具包主要包括Web应用工具包和Windows桌面应用工具包两类。通过软件集成后,对于Web应用软件工具包,通过页面跳转的方式直接跳转到Web应用软件界面;对于Windows桌面应用软件工具包,通过专用客户端从服务器下载同步的方式下载到本地之后再启动。知识服务平台系统与系列软件工具包和高端装备制造企业信息系统的数据交互采用以下两种方式:
导出文件方式:从系列工具软件包或高端装备制造企业信息系统中导出的求解结果文档或者图表,作为知识的知识元素之一,导入到知识服务平台系统中;
接口数据模板方式:从系列工具软件包或高端装备制造企业信息系统中导出事先定义好的接口数据模板文件,然后导入到知识服务平台系统,按照定义接口数据模板规则解析作为知识资源模板的输入导入到知识服务平台系统中。
实施例:
参见图9(a),基于全文检索引擎的知识服务主要包括如下步骤:
步骤1:高端装备制造企业技术人员将知识服务需求“断路器”输入到复杂知识服务平台系统中的智能检索框,并点击检索;
步骤2:知识服务系统后台通过自定义词典的中文分词技术和基于Lucene的高性能全文检索引擎,推理得到知识服务需求的响应知识,并按相似度排序输出到前端界面;
步骤3:技术人员根据前端界面显示的知识条目选择感兴趣的内容进行知识学习(如“LW23-420断路器外形”),并根据知识的引导对遇到的问题作出决策。
参考图9(b),基于个性化PageRank算法的知识服务主要包括如下步骤:
步骤1:按式(1)计算服务需求K={装配工艺规划;功能;装配树}中每个实例化需求ki与知识地图中概念的匹配度,并选取匹配度最高的概念作为实例化需求的匹配概念,本例中”assembly process plan”、”function”、”assembly tree”作为匹配概念;
步骤2:将服务需求K={装配工艺规划;功能;装配树}中每个实例化需求ki插入到知识地图中,并用有向边将ki与其匹配概念相连,得到重构的知识地图;
步骤3:初始化跳转概率矩阵为:
u=[0.333,0.333,0.333,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0]T
步骤4:初始化转移概率矩阵M:如果知识地图中结点vi到vj的连接存在,则mji=1/di,否则mji=0;
步骤5:运行个性化PageRank算法,即式(2),得到最终的PageRank向量:
P=[0.0500,0.0500,0.0500,0.1156,0.1126,0.0965,0.0738,0.1842,0.0453,0.0191,0.0491,0.0191,0.0410,0.0313,0.0313,0.0077,0.0077,0.0077,0.0077]T
步骤6:选取与服务需求最相关的知识,即assemblyFeature(PageRank值为0.1842),作为输入服务需求的响应知识;
步骤7:服务响应知识通过复杂知识服务平台系统被推送给相关的技术人员,技术人员进行知识学习,并根据知识的引导对遇到的问题作出决策。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。

Claims (4)

1.一种适用于高端装备全生命周期的知识服务方法,其特征在于,采用知识的被动检索和主动推送相结合的知识服务方式,实现对高端装备制造企业复杂知识的高效利用,适用于高端装备全生命周期的知识服务系统包括知识服务平台,知识服务平台通过知识服务系统接口与高端装备制造企业信息系统通信,知识服务平台包括复杂知识资源获取模块、知识库、多模式知识服务方法库和知识服务模块,知识服务系统接口采用FTP、JDBC和WebService技术,并为企业级数据交互提供监控审计和数据缓存功能,高端装备全生命周期复杂异构的知识资源包括性能设计参数,制造工艺参数,材料性能参数,试验测试数据,2D/3D图纸,设计分析文档,动静热分析算法和专家经验;
复杂知识资源获取模块通过预设的知识获取流程从高端装备制造企业信息系统或技术人员脑海中获取高端装备全生命周期知识;
知识库用于储存所述复杂知识资源获取模块获取的高端装备全生命周期复杂异构的知识资源;
多模式知识服务方法库用于预存基于Lucene和中文分词的高性能全文检索引擎,以及基于图的知识推理引擎;
知识服务模块用于主动或被动地获取高端装备制造企业技术人员的知识服务需求,根据知识服务需求调用多模式知识服务方法库中相应的知识服务引擎,知识服务引擎通过调用知识库中的高端装备全生命周期知识并利用推理算法生成所需的知识服务,具体包括以下步骤:
S1、基于复杂知识资源获取模板的半自动化获取方式,从高端装备制造企业信息系统中抽取历史数据或从技术人员脑海中获取专家经验,通过预设的知识获取流程获取高端装备全生命周期知识,知识获取流程具体如下:
S1.1、将高端装备制造企业信息化建设过程中未经加工的性能设计参数,制造工艺参数,材料性能参数,试验测试数据,2D/3D图纸,设计分析文档和动静热分析算法,以及技术人员脑海中的专家经验,按其表现形式分别整理为数据类知识、过程类知识、经验类知识和文档类知识;
S1.2、对步骤S1.1整理的知识根据其内容主题进行语义标注,主题包括产品对象,工作原理,结构设计和制造工程;
S1.3、将步骤S1.2语义标注后的信息/数据通过数据挖掘、文本挖掘、问卷调查和接口技术对其进行知识抽取,形成格式化的知识;
S2、将步骤S1获取的高端装备全生命周期知识按其表现形式分别存放到分布式数据库中,形成高端装备制造企业知识库;
S3、主动或被动地获取高端装备制造企业技术人员的服务需求,根据知识服务需求调用多模式知识服务方法库中相应的知识服务引擎,知识服务引擎通过调用知识库中的高端装备全生命周期知识并利用推理算法生成所需的知识服务,知识服务引擎包括基于Lucene和中文分词的全文检索引擎和基于图的知识推理引擎,全文检索引擎的Lucene索引采用倒排索引方式,包括Termindex,Team Dictionary和Posting List三部分,全文检索引擎的中文分词通过自定义字典规则的方式,实现对中文输入的快速分词,基于图的知识推理引擎具体包括以下步骤:
S3.1、构建高端装备全生命周期知识地图,采用OWL本体作为知识地图构建的方法,OWL本体定义为四元组KO=(C,I,OP,DP),C表示包含一组具有相同性质的实例的集合,该集合定义了能够成为其实例的充要条件;I表示概念的实例化对象;OP表示概念/实例间的关系;DP表示从实例到XML Scheme数据类型或RDF文本的一个连接;
S3.2、将知识地图存储到多模式知识服务方法库中;
S3.3、按照服务需求获取方法获取高端装备制造企业技术人员的知识服务需求,得到知识服务需求集合K;
S3.4、运行个性化PageRank算法,得到最终的PageRank向量;
S3.5、选取步骤S3.4中大于阈值的知识作为输入服务需求的响应知识,生成所需的知识服务。
2.根据权利要求1所述的一种适用于高端装备全生命周期的知识服务方法,其特征在于,高端装备全生命周期知识地图定义为二元组KMap(KDiagram,KDetail),其中,KDiagram表示知识草图,KDetail表示知识细节,知识草图为知识的图形化描述,图中结点代表知识,而连接结点的边代表对应知识之间的关系,知识细节是对知识的详细描述,描述方式包括三维模型、流程表、鱼骨图、流程图和决策表。
3.根据权利要求1所述的一种适用于高端装备全生命周期的知识服务方法,其特征在于,步骤S3.3中,采用主动或被动方式获取高端装备制造企业技术人员的知识服务需求,具体步骤如下:
S3.3.1、抽取技术人员在使用知识服务平台的全文检索功能时用到的高频词汇;
S3.3.2、抽取用户最近一周浏览的知识的主题词汇;
S3.3.3、获取技术人员最近一周的任务信息;
S3.3.4、由用户通过知识智能检索框主动输入的知识服务需求。
4.根据权利要求1所述的一种适用于高端装备全生命周期的知识服务方法,其特征在于,步骤S3.4中运行个性化PageRank算法具体包括以下步骤:
S3.4.1、利用匹配度计算服务需求集合K={k1,k2,…,ki,…,kn}中每个实例化需求ki和知识地图中概念的匹配度,并选取匹配度最高的概念作为实例化需求的匹配概念,其中,匹配度计算如下:
Figure FDA0002475544880000031
其中,ek和ec表示术语集,分别对应于一个服务需求和一个概念,V(e)表示每个术语集所对应的向量空间模型中的术语向量,向量的每个维度都代表了术语集中的一个字;
S3.4.2、将服务需求K={k1,k2,…,ki,…,kn}中每个实例化需求ki插入到知识地图中,并用有向边将ki与其匹配概念相连,得到重构的知识地图;
S3.4.3、初始化跳转概率矩阵u:矩阵的维数N=n+m,其中,n表示实例化需求的数目,m表示知识地图中原有的结点数目;u={u1,...,ui,...,un,un+1,...,uj,...,un+m},其中ui=1/n,表示新插入到知识地图中的结点的初始化跳转概率,uj=0表示知识地图中原有结点的初始化跳转概率;
S3.4.4、初始化转移概率矩阵M:如果知识地图中结点vi到vj的连接存在,则mji=1/di,否则mji=0,di是结点vi的出度;
S3.4.5、运行个性化PageRank算法,得到最终的PageRank向量,个性化PageRank算法计算如下:
P=(1-α)MP+αu
其中,P表示PageRank向量,pi衡量了知识地图上第i个结点vi代表的知识资源KMi与服务需求的相关度,M是N×N维的转移概率矩阵,u表示N×1维的跳转概率矩阵,α表示跟随边的随机游走和不跟随边的随机跳转两种行为的权重,取0.1~0.2。
CN201711058073.6A 2017-11-01 2017-11-01 一种适用于高端装备全生命周期的知识服务系统及方法 Active CN107798387B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711058073.6A CN107798387B (zh) 2017-11-01 2017-11-01 一种适用于高端装备全生命周期的知识服务系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711058073.6A CN107798387B (zh) 2017-11-01 2017-11-01 一种适用于高端装备全生命周期的知识服务系统及方法

Publications (2)

Publication Number Publication Date
CN107798387A CN107798387A (zh) 2018-03-13
CN107798387B true CN107798387B (zh) 2020-07-28

Family

ID=61548491

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711058073.6A Active CN107798387B (zh) 2017-11-01 2017-11-01 一种适用于高端装备全生命周期的知识服务系统及方法

Country Status (1)

Country Link
CN (1) CN107798387B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109272430A (zh) * 2018-09-25 2019-01-25 东北大学 面向智能制造的自主学习系统
CN109460506B (zh) * 2018-09-28 2021-07-16 昆明理工大学 一种用户需求驱动的资源匹配推送方法
CN109684537A (zh) * 2018-10-29 2019-04-26 昆明理工大学 一种面向业务流程的知识资源智能推送系统及其推送方法
CN110135595A (zh) * 2019-04-12 2019-08-16 中国运载火箭技术研究院 基于任务模板的装备信息操作的方法和系统
CN110674206A (zh) * 2019-09-30 2020-01-10 广东鼎义互联科技股份有限公司 一种应用于企业知识共享平台
CN111191880B (zh) * 2019-12-13 2022-08-16 华能澜沧江水电股份有限公司 一种基于数字化映射的边坡全生命周期安全管理方法
CN111460139B (zh) * 2020-03-02 2021-02-02 广州高新工程顾问有限公司 一种基于智慧管理的工程监理知识服务系统及方法
CN116171453A (zh) * 2020-09-22 2023-05-26 西门子股份公司 用于生成和利用制造仿真模型的知识图谱的方法和装置
CN112308230A (zh) * 2020-10-30 2021-02-02 云南电网有限责任公司电力科学研究院 一种资产管理全生命周期知识库的构建及应用方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103995858A (zh) * 2014-05-15 2014-08-20 北京航空航天大学 基于任务分解的个性化知识主动推送方法
CN104951590A (zh) * 2015-04-20 2015-09-30 广东工业大学 模具设计与制造的知识服务系统及方法
CN106599064A (zh) * 2016-11-16 2017-04-26 西安交通大学 一种适用于高端装备的复杂知识自动分类、获取及存储方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10504025B2 (en) * 2015-03-13 2019-12-10 Cisco Technology, Inc. Parallel processing of data by multiple semantic reasoning engines

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103995858A (zh) * 2014-05-15 2014-08-20 北京航空航天大学 基于任务分解的个性化知识主动推送方法
CN104951590A (zh) * 2015-04-20 2015-09-30 广东工业大学 模具设计与制造的知识服务系统及方法
CN106599064A (zh) * 2016-11-16 2017-04-26 西安交通大学 一种适用于高端装备的复杂知识自动分类、获取及存储方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"Graph-based knowledge reuse for supporting knowledge-driven decision-making in new product development";Chao Zhang, Guanghui Zhou, Qi Lu, Fengtian Chang;《International Journal of Production Research》;20170713;第58卷(第23期);第1-11页、附图1-4、7 *

Also Published As

Publication number Publication date
CN107798387A (zh) 2018-03-13

Similar Documents

Publication Publication Date Title
CN107798387B (zh) 一种适用于高端装备全生命周期的知识服务系统及方法
CA2723179C (en) Method, system, and computer program for user-driven dynamic generation of semantic networks and media synthesis
Jain et al. Ontology based information retrieval in semantic web: A survey
CN112463980A (zh) 一种基于知识图谱的预案智能推荐方法
CN104239513A (zh) 一种面向领域数据的语义检索方法
US20130232147A1 (en) Generating a taxonomy from unstructured information
CN102043793A (zh) 一种面向知识服务的推荐方法
CN109783484A (zh) 基于知识图谱的数据服务平台的构建方法及系统
Zhang et al. A knowledge graph system for the maintenance of coal mine equipment
CN105354339B (zh) 基于上下文的内容个性化提供方法
CN112667286A (zh) 一种基于编程现场环境上下文的搜索方法
Zhang et al. A knowledge reuse-based computer-aided fixture design framework
CN116484023A (zh) 一种基于人工智能的电力行业知识库构建方法及系统
Roith et al. Supporting the building design process with graph-based methods using centrally coordinated federated databases
Dai et al. Search Engine System Based on Ontology of Technological Resources.
Eddamiri et al. Graph embeddings for linked data clustering
Wei et al. A Data-Driven Human–Machine Collaborative Product Design System Toward Intelligent Manufacturing
Fernández-Pena et al. A conceptual data model for the automatic generation of data views
Oelen et al. Organizing scholarly knowledge leveraging crowdsourcing, expert curation and automated techniques
Yuan et al. Discussion on the construction method of ooil exploration and development domain ontology
CN111709239A (zh) 一种基于专家逻辑结构树的地学数据发现方法
El Asikri et al. Mining the Web for learning ontologies: State of art and critical review
CN113505600B (zh) 一种基于语义概念空间的工业产业链的分布式索引方法
Katsadaki et al. Topic modeling and association rule mining to discover geospatial semantic information from unstructured data sources
Rhee et al. Measuring semantic closeness of ontologically demarcated resources

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant