CN110232184B - 一种云制造模式下机械加工服务供需双向语义匹配方法 - Google Patents

一种云制造模式下机械加工服务供需双向语义匹配方法 Download PDF

Info

Publication number
CN110232184B
CN110232184B CN201811533138.2A CN201811533138A CN110232184B CN 110232184 B CN110232184 B CN 110232184B CN 201811533138 A CN201811533138 A CN 201811533138A CN 110232184 B CN110232184 B CN 110232184B
Authority
CN
China
Prior art keywords
task
machining
service
matching
semantic
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
CN201811533138.2A
Other languages
English (en)
Other versions
CN110232184A (zh
Inventor
王天日
刘娟
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.)
Taiyuan University of Technology
Original Assignee
Taiyuan University of Technology
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 Taiyuan University of Technology filed Critical Taiyuan University of Technology
Priority to CN201811533138.2A priority Critical patent/CN110232184B/zh
Publication of CN110232184A publication Critical patent/CN110232184A/zh
Application granted granted Critical
Publication of CN110232184B publication Critical patent/CN110232184B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION 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
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种云制造模式下机械加工服务供需双向语义匹配方法，具体的说，该方法基于具有语义关系的机械加工资源服务本体，对机械加工任务需求进行语义扩展，进而计算机械加工任务与加工服务间的语义相关度，并利用正向匹配法以及反向匹配法对该机械加工任务与加工服务进行正向以及反向语义匹配，来实现机械加工服务供需的双向智能匹配。

Description

一种云制造模式下机械加工服务供需双向语义匹配方法
技术领域
本发明属于云制造环境下制造服务语义匹配领域，具体涉及 一种云制造环境下机械加工任务与加工服务语义精确匹配方法。
背景技术
随着新一代信息技术(云计算、物联网等)的发展，云制造 作为一种新型网络化制造模式应运而生，云制造将实现制造资源 和制造能力共享与协同，通过云服务平台，为制造企业提供按需 获取的高附加值、低成本和全球化制造的各类服务，从而实现在 网络环境下通过对资源的高效整合以及资源的高度共享，为制造 行业提供更好地服务。云制造的基础是利用信息技术对各类制造 资源进行整合，形成逻辑上统一的资源整体，通过服务资源描述 方式，提供标准规范的制造服务，其核心技术就是云制造模式下 制造资源的封装、匹配、协同。
而具体在机械加工领域，机械加工任务在执行的过程涉及到 不同的加工服务，如何在海量的资源服务中快速找到精确的加工 服务成了本领域中技术重点，而现有的技术中，一般面向制造任 务需求通过关键词搜索、垂直搜索、结构搜索等搜索预期制造服 务，是一种单向的搜索匹配机制，忽略了制造任务需求是否满足 制造服务可加工的要求。因此，这些搜索机制往往不能做到全面 系统、快速、精确地实现资源服务的供需双向匹配，所以有必要 提出一种云制造环境下机械加工任务与加工服务语义精确匹配方 法。
发明内容
针对现有技术缺点，本发明旨在云制造环境下提出一种面向 机械加工任务需求与面向机械加工服务的供需双向语义匹配方法， 实现机械加工服务的精确匹配。
一种基于云制造服务的机械加工过程供需智能匹配方法，该 方法包括以下步骤：
步骤1，搜集整理机械加工制造中相关的语义词汇，建立机械 加工服务的本体语义词库；
步骤2，对涉及的机械加工任务需求进行本体语义扩展；
步骤3，依据机械加工任务功能属性的不同参数信息，计算该 加工任务与加工服务间语义相关度，对该机械加工任务与加工服 务进行正向匹配以及反向匹配，并计算供需信息之间的综合匹配 度；
步骤4，依据计算得到的综合匹配度，对机械加任务需求匹配 具体的加工服务。
其中，对该机械加工任务与加工服务进行正向匹配的步骤中， 正向匹配的方法为正向匹配法；其中，正向匹配法是依据用户加 工任务功能属性的不同参数信息，通过计算，寻求合适的候选加 工服务，输出对应的候选加工服务。
其中，对该机械加工任务与加工服务进行反向匹配的步骤中， 反向匹配的方法为反向匹配法；其中，反向匹配法是当所述的加 工任务需求通过所述正向匹配法匹配到多个候选加工服务时，所 述加工任务需求结合所述的每个候选加工服务任务执行的历史数据，对正向匹配的结果进行修正。
其中，加工任务需求在进行反向匹配时，包括以下步骤：
提取所述的候选加工服务的历史加工任务信息；
计算所述加工任务与所匹配的历史加工任务聚类中心的相关 度，确定该加工任务信息的相似聚类，并将相关度记为 pij＝Rel(MTi,clusterofhistaskij)；其中，MTi为第i个加工任务， clusterofhistaskij表示加工任务MTi的第j个候选服务历史加工任务的 聚类中心。
根据计算所得的相关度，设计基于所述历史加工任务信息的 反向匹配学习/退化机制，利用所述学习/退化机制对所述加工任务 需求与所述加工服务进行反向匹配度的计算。
其中，反向匹配学习/退化机制的公式表示为面向服务的任务 匹配度Rmatij＝pijαij(t)βij(t)；其中，αij(t)为在时间t内加工任务i对应 的候选服务j的学习算子，βij(t)为在时间t内加工任务i对应的候 选服务j的退化算子，所述的学习效应是指连续重复执行相同或相 似加工任务的制造服务能够更好的完成该任务的执行，所述的退 化效应是指在一定时间间隔内没有加工相同或相似的任务，当再 次加工时由于环境的变化存在退化效应。
其中，学习效应中学习算子为
Figure BDA0001906207850000031
所述的退化效 应中退化算子为
Figure BDA0001906207850000032
其中，pij是所述加工任务MTi与 其匹配的候选服务j历史加工任务聚类中心的相关度，t是考察的 历史周期，Kijt是t时段内候选服务j历史加工任务中与任务i相似 任务的数量，aijk是候选服务j历史加工任务中与任务i相似的第k 个任务执行的评价值，且满足aijk∈[0,1]，
Figure BDA0001906207850000033
代表t时段内候选服务 j历史加工任务中与任务i不满足相似阈值的任务数量。
其中，对机械加工任务需求的语义扩展时，包括以下步骤：
对机械加工任务信息进行详细剖析，提取关键词；
对提取的关键词进行语义扩展；
应用网络服务本体描述语言OWL-S对所述扩展后的语义信息 进行描述。
其中，对关键词进行语义扩展时，采用知识融合工具D-S证 据理论分析方法对机械加工任务信息的关键词进行语义扩展，所 述的分析方法包括以下步骤：
通过所述关键词查询在机械加工服务本体词库中匹配到多个语 义特征信息，将其作为语义扩展证据来源，通过D-S证据理论基于 某一证据实例IAB计算待判定的关键词A的mass函数 MAB(A)＝tfAB(tB)Certainty(AIB)，其中B是与概念A直接相连的语义概念， tf代表B关键词术语tB的词频，Certainty是IAB的确定性水平；
应用D-S融合规则实现多个证据实例
Figure BDA0001906207850000042
信息的合成，即计算 语义关键词A的全局概率分配函数
Figure BDA0001906207850000041
在满 足阈值条件下实现任务需求描述的语义扩展。
本发明中，在传统面向制造任务需求匹配制造服务的基础之 上，从机械加工服务的角度对历史的执行数据进行有效分析，设 计反向任务匹配机制，进而将二者融合构建面向加工任务与加工 服务的正反双向语义匹配方法，这种方法打破了传统单向的搜索 匹配方式，为企业用户更加精准地匹配到满足加工任务需求的制 造服务，提高机械加工服务优化配置的准确性。
附图说明
图1是本发明的云制造模式下机械加工服务供需双向语义匹配 方法的流程示意图；
图2是本发明的供需双向语义匹配模型图；
图3是本发明的机械加工任务需求语义扩展模型图。
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。
结合附图1至图3，一种云制造模式下机械加工服务供需双向 语义匹配方法包括以下步骤：
步骤1，搜集整理机械加工制造中相关的语义词汇，建立机械 加工服务的本体语义词库。在本步骤中，对机械加工领域中涉及 的机械加工服务进行基于本体的语义描述，同时，搜集整理语义 词汇，建立加工服务的本体语义词库；
步骤2，对涉及的机械加工任务需求进行本体语义扩展。
对涉及的机械加工任务需求进行本体语义描述，提取语义信 息；本实施方式中，在面对多用户的机械加工任务请求时，首先 对加工服务请求的任务信息进行详细剖析，提取关键字，以此作 为机械加工任务语义扩展的基础，具体地，本实施方式中采用知 识融合工具D-S证据理论对加工任务需求进行语义扩展，通过语 义扩展可以避免因加工任务描述关键词不足、潜在语义丢失而造 成的服务匹配效率低下的问题。
在应用D-S证据理论进行分析时，通过关键字查询可以在机 械加工服务本体模型中匹配到多个语义特征信息，将其作为语义 扩展证据来源，基于某一证据实例IAB计算待判定的关键词A的 mass函数
MAB(A)＝tfAB(tB)Certainty(IAB) (1)
其中B是与概念A直接相连的语义概念，tf代表B关键词术语 tB的词频，Certainty是IAB的确定性水平；
应用D-S融合规则实现多个证据实例
Figure BDA0001906207850000051
信息的合成，即计算 语义关键词A的全局概率分配函数
Figure BDA0001906207850000061
在满足阈值条件下实现任务需求描述的语义扩展。
步骤3，依据机械加工任务功能属性的不同参数信息，计算该 加工任务与加工服务间语义相关度，对该机械加工任务与加工服 务进行正向匹配以及反向匹配，并计算供需信息之间的综合匹配 度。
依据该机械加工任务功能属性的不同参数信息，计算加工任 务需求与加工服务间语义相关度，通过正向匹配法以及反向匹配 法对该机械加工任务需求与加工服务进行正向匹配以及反向匹配， 并计算供需信息之间的综合匹配度。
具体地，本实施方式中，通过正反双向匹配实现机械加工任 务与加工服务的语义匹配。其中在加工服务功能匹配过程中涉及 到多次服务匹配的概念相关度计算。结合现有概念语义关联关系， 本实施中将两个概念的关联关系分为三种，分别是直接关联、间 接关联和无关联；其中间接关联又包含传递关联、兄弟关联和祖 先关联。进而应用概念语义相关度计算方法实现概念间各种语义 相关度的计算。
本实施方式中，所述的正向匹配是从用户加工任务需求的角 度出发，寻求合适的候选加工服务。在对任务请求语义信息扩展 后，应用OWL-S本体描述语言对其进行描述，以此作为服务匹配 的基础。在进行服务功能的正向匹配时，针对加工任务的输入、 输出参数信息采用前述概念相关度方法计算其匹配值，鉴于前提 和效果参数信息包含逻辑谓词的特征，在此应用蕴涵关系推理的 方法完成匹配，进而计算出正向匹配的匹配度。
通常机械加工服务本体功能属性的输入、输出、前提和效果 信息是不同参数概念的集合，基于上述介绍的概念相关度和蕴含 关系推理的方法首先得到了具体的输入、输出、前提和效果信息 参数的匹配值，进而获得输入、输出、前提和效果信息集合的匹 配值。常用的方法是通过遍历任务需求和服务的各功能属性参数 求最大最小值，然而该方法忽略了全局性，当多个参数语义比较 相似时容易出现错配，导致匹配的不准确。对此，本发明应用二 分图最优匹配算法计算输入、输出、前提和效果信息集合的匹配 值。
通过正向匹配方法，当某一具体的加工任务需求MTi匹配到多 个候选加工服务时，可以结合每个候选加工服务任务执行的历史 数据，对正向匹配的结果进行修正，即反向匹配。
具体地，在进行反向匹配时，首先获得每个候选服务的历史 加工任务信息，并应用上文分析的概念相关度和蕴含关系推理方 法对这些历史任务进行聚类，并计算该加工任务与聚类中心的相 关度，确定该加工任务信息的相似聚类，并将相关度记为 pij＝Rel(MTi,clusterofhistaskij)；其中MTi为第i个加工任务， clusterofhistaskij表示加工任务MTi的第j个候选服务历史加工任务的 聚类中心。考虑到连续重复执行相同或相似加工任务的资源服务 能够更好的完成该任务的执行，即所谓的学习效应，而在一定时 间间隔内没有加工相同或相似的任务，当再次加工时由于环境的 变化存在退化效应，即反向匹配学习/退化机制，反应一种映射关 系即面向服务的任务匹配度
Rmatij＝pijαij(t)βij(t) (3)
其中，αij(t)为在时间t内加工任务i对应的候选服务j的学习 算子，βij(t)为在时间t内加工任务i对应的候选服务j的退化算子。
基于上述分析，在反向匹配时，存在学习效应的，反向匹配 度应该更高，而存在退化效应的匹配度应该降低，即匹配学习算 子α(t)满足α:[0,+∞)→[1,1/p]且α(0)＝1的非递减函数，退化因子β(t) 是满足β:[0,+∞)→(0,1]且β(0)＝1的非递增函数。在此，设计其匹配 学习算子和匹配退化算子如式(4)和(5)所示。
Figure BDA0001906207850000081
Figure BDA0001906207850000082
其中式中pij是所述加工任务MTi与其匹配的候选服务j历史加 工任务聚类中心的相关度，t是考察的历史周期，Kijt是t时段内候 选服务j历史加工任务中与任务i相似任务的数量，aijk是候选服务 j历史加工任务中与任务i相似的第k个任务执行的评价值，且满足aijk∈[0,1]，
Figure BDA0001906207850000083
代表t时段内候选服务j历史加工任务中与任务i 不满足相似阈值的任务数量。
最后，基于正向匹配度和反向匹配度，将二者进行赋权求和 即可获得对每一个候选服务的匹配度值。
步骤4，依据计算得到的综合匹配度，对机械加任务需求匹配 具体的加工服务。
区别于现有技术，本发明的云制造模式下机械加工服务供需双 向语义匹配方法在传统面向制造任务需求匹配制造服务的基础之 上，从机械加工服务的角度对历史的执行数据进行有效分析，设 计反向任务匹配机制，进而将二者融合构建面向加工任务与加工服务的正反双向语义匹配方法，这种方法打破了传统单向的搜索 匹配方式，为企业用户更加精准地匹配到满足加工任务需求的制 造服务，提高机械加工服务优化配置的准确性。
通过上述具体实施方式可以实现基于迁移学习算法的供热负 荷预测方法。但本发明并不限于上述实施方式，在不脱离本发明 精神和范围的任何修改或局部替换，均应涵盖在本发明的权利要 求范围当中。

Claims (1)

1.一种云制造模式下机械加工服务供需双向语义匹配方法，其特征在于，该方法包括以下步骤：
步骤1，搜集整理机械加工制造中相关的语义词汇，建立机械加工服务的本体语义词库；
步骤2，对涉及的机械加工任务需求进行本体语义扩展；
步骤3，依据机械加工任务功能属性的不同参数信息，计算该加工任务与加工服务间语义相关度，对该机械加工任务与加工服务进行正向匹配以及反向匹配，并计算供需信息之间的综合匹配度；
步骤4，依据计算得到的综合匹配度，对所述的机械加任务需求匹配具体的加工服务；
对该机械加工任务与加工服务进行正向匹配的步骤中，正向匹配的方法为正向匹配法；其中，所述的正向匹配法是依据用户加工任务功能属性的不同参数信息，通过计算，寻求合适的候选加工服务，输出对应的候选加工服务；
对该机械加工任务与加工服务进行反向匹配的步骤中，反向匹配的方法为反向匹配法；其中，所述的反向匹配法是当所述的加工任务需求通过所述正向匹配法匹配到多个候选加工服务时，所述加工任务需求结合每个所述候选加工服务任务执行的历史数据，对正向匹配的结果进行修正；
所述的加工任务需求在进行反向匹配时，包括以下步骤：
提取所述的候选加工服务的历史加工任务信息；
计算所述加工任务与所匹配的历史加工任务聚类中心的相关度，确定该加工任务信息的相似聚类，并将相关度记为pij＝Rel(MTi,clusterofhistaskij)；其中，MTi为第i个加工任务，clusterofhistaskij表示加工任务MTi的第j个候选服务历史加工任务的聚类中心；
根据计算所得的相关度，设计基于所述历史加工任务信息的反向匹配学习/退化机制，利用所述学习/退化机制对所述加工任务需求与所述加工服务进行反向匹配度的计算；
所述的反向匹配学习/退化机制的公式表示为面向服务的任务匹配度Rmatij＝pijαij(t)βij(t)；其中，αij(t)为在时间t内加工任务i对应的候选服务j的学习算子，βij(t)为在时间t内加工任务i对应的候选服务j的退化算子，所述的学习机制是指连续重复执行相同或相似加工任务的制造服务能够更好的完成该任务的执行，所述的退化机制是指在一定时间间隔内没有加工相同或相似的任务，当再次加工时由于环境的变化存在退化效应；
所述的学习机制 中学习算子为
Figure FDA0003900225190000021
所述的退化机制 中退化算子为
Figure FDA0003900225190000022
其中，pij是所述加工任务MTi与其匹配的候选服务j历史加工任务聚类中心的相关度，t是考察的历史周期，Kijt是t时段内候选服务j历史加工任务中与任务i相似任务的数量，aijk是候选服务j历史加工任务中与任务i相似的第k个任务执行的评价值，且满足aijk∈[0,1]，
Figure FDA0003900225190000023
代表t时段内候选服务j历史加工任务中与任务i不满足相似阈值的任务数量；
对机械加工任务需求的语义扩展时，包括以下步骤：
对机械加工任务信息进行详细剖析，提取关键词；
对所述提取的关键词进行语义扩展；
应用网络服务本体描述语言OWL-S对所述扩展后的语义信息进行描述；
对所述的关键词进行语义扩展时，采用知识融合工具D-S证据理论分析方法对所述的机械加工任务信息的关键词进行语义扩展，所述的分析方法包括以下步骤：
通过所述关键词查询在机械加工服务本体词库中匹配到多个语义特征信息，将其作为语义扩展证据来源，通过D-S证据理论基于某一证据实例IAB计算待判定的关键词A的mass函数MAB(A)＝tfAB(tB)Certainty(IAB)，其中B是与概念A直接相连的语义概念，tf代表B关键词术语tB的词频，Certainty是IAB的确定性水平；
应用D-S融合规则实现多个证据实例
Figure FDA0003900225190000032
信息的合成，即计算语义关键词A的全局概率分配函数
Figure FDA0003900225190000031
在满足阈值条件下实现任务需求描述的语义扩展。
CN201811533138.2A 2018-12-14 2018-12-14 一种云制造模式下机械加工服务供需双向语义匹配方法 Active CN110232184B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811533138.2A CN110232184B (zh) 2018-12-14 2018-12-14 一种云制造模式下机械加工服务供需双向语义匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811533138.2A CN110232184B (zh) 2018-12-14 2018-12-14 一种云制造模式下机械加工服务供需双向语义匹配方法

Publications (2)

Publication Number Publication Date
CN110232184A CN110232184A (zh) 2019-09-13
CN110232184B true CN110232184B (zh) 2022-12-27

Family

ID=67862285

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811533138.2A Active CN110232184B (zh) 2018-12-14 2018-12-14 一种云制造模式下机械加工服务供需双向语义匹配方法

Country Status (1)

Country Link
CN (1) CN110232184B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116823193B (zh) * 2023-08-31 2023-11-03 深圳市永迦电子科技有限公司 基于大数据的智能制造流程管理系统
CN117151433B (zh) * 2023-10-30 2024-01-30 浙江大学高端装备研究院 一种基于云的智能制造服务供需匹配评估方法和装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101820444A (zh) * 2010-03-24 2010-09-01 北京航空航天大学 一种基于描述信息匹配相似度的资源服务匹配与搜索方法
CN103984714A (zh) * 2014-05-07 2014-08-13 湖北工业大学 一种基于本体语义的云制造服务供需智能匹配方法
JP2015006650A (ja) * 2013-06-26 2015-01-15 須知 晃一 システム構成構造細胞複合諸物体の製造方法と構成材料
CN104657745A (zh) * 2015-01-29 2015-05-27 中国科学院信息工程研究所 一种已标注样本的维护方法及双向学习交互式分类方法
CN105629874A (zh) * 2015-12-17 2016-06-01 重庆大学 一种机床装备资源分级匹配方法
CN106570080A (zh) * 2016-10-18 2017-04-19 河海大学常州校区 一种云制造资源服务多层次语义匹配方法
CN108132931A (zh) * 2018-01-12 2018-06-08 北京神州泰岳软件股份有限公司 一种文本语义匹配的方法及装置
CN108710663A (zh) * 2018-05-14 2018-10-26 北京大学 一种基于本体模型的数据匹配方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101820444A (zh) * 2010-03-24 2010-09-01 北京航空航天大学 一种基于描述信息匹配相似度的资源服务匹配与搜索方法
JP2015006650A (ja) * 2013-06-26 2015-01-15 須知 晃一 システム構成構造細胞複合諸物体の製造方法と構成材料
CN103984714A (zh) * 2014-05-07 2014-08-13 湖北工业大学 一种基于本体语义的云制造服务供需智能匹配方法
CN104657745A (zh) * 2015-01-29 2015-05-27 中国科学院信息工程研究所 一种已标注样本的维护方法及双向学习交互式分类方法
CN105629874A (zh) * 2015-12-17 2016-06-01 重庆大学 一种机床装备资源分级匹配方法
CN106570080A (zh) * 2016-10-18 2017-04-19 河海大学常州校区 一种云制造资源服务多层次语义匹配方法
CN108132931A (zh) * 2018-01-12 2018-06-08 北京神州泰岳软件股份有限公司 一种文本语义匹配的方法及装置
CN108710663A (zh) * 2018-05-14 2018-10-26 北京大学 一种基于本体模型的数据匹配方法及系统

Non-Patent Citations (16)

* Cited by examiner, † Cited by third party
Title
D-S证据融合规则的研究;陈萌; 夏昕;《科技广场》;20081201(第12期);第20-21页 *
Manufacturing task semantic modeling and description in cloud manufacturing system;Tianri Wang & Shunsheng Guo & Chi-Guhn Lee;《Int J Adv Manuf Technol》;20140131;第2017-2031页 *
Research on cloud manufacturing service discovery based on latent semantic preference about OWL-S;Hejun Jiao；Jing Zhang；Jun Huai Li；Jinfa Shi;《International Journal of Computer Integrated Manufacturing》;20150114;第30卷(第4-5期);第433-441页 *
Security Operation Center Design Based on D-S Evidence Theory;Xuanzi Hu, Cunxi Xie;《2006 IEEE International Conference on Mechatronics and Automation》;20060628;第2302-2306页 *
一种基于本体语义的云制造服务供需智能匹配方法;刘慧敏等;《湖北工业大学学报》;20150215(第01期);第49-52+78页 *
云制造服务平台供需智能匹配的研究与实现;盛步云，张成雷，卢其兵，李新龙;《计算机集成制造系统 》;20150327;第21卷(第3期);第822-830页 *
云制造环境下基于动态描述逻辑的制造服务匹配研究;杨男，李东波，童一飞;《中国机械工程》;20130815;第24卷(第16期);第2202-2207页 *
云制造环境下数控装备资源服务匹配方法研究;王晓妍等;《制造技术与机床》;20180302(第03期);第38-43页 *
利用D-S证据理论进行特征融合的同义实体识别;何晶晶等;《计算机应用研究》;20170614(第05期);第155-159页 *
基于 D-S 融合的混合专家知识系统故障诊断方法;袁杰; 王福利; 王姝; 赵露平;《自动化学报》;20170821;第43卷(第9期);第1580-1587页 *
基于OWL-S的云制造服务语义匹配方法;尹超 ，夏卿 ，黎振武;《计算机集成制造系统》;20120715;第18卷(第7期);第1494-1502页 *
基于事件驱动的制造过程数据融合处理方法研究;刘振等;《成组技术与生产现代化》;20160928(第03期);第41-47页 *
基于本体的知识融合框架;徐赐军等;《计算机辅助设计与图形学学报》;20100715(第07期);第158-164页 *
基于综合模糊相似度的云制造需求—服务双向匹配;胡雨，郭钢;《计算机应用与软件》;20171115;第34卷(第11期);第26-33页 *
应急参考咨询团队构建模式研究;叶光辉等;《情报学报》;20150724(第07期);第64-72页 *
引入记忆-遗忘机制的人工神经网络模型;代小娟等;《北京石油化工学院学报》;20100915(第03期);第5-10页 *

Also Published As

Publication number Publication date
CN110232184A (zh) 2019-09-13

Similar Documents

Publication Publication Date Title
Neelakandan et al. RETRACTED ARTICLE: An automated exploring and learning model for data prediction using balanced CA-SVM
US11481456B2 (en) Model and pattern structure online unital learning: mapsoul
Christophides et al. End-to-end entity resolution for big data: A survey
Ke et al. An intelligent design for remanufacturing method based on vector space model and case-based reasoning
CN104298776B (zh) 基于lda模型的搜索引擎结果优化系统
CN111339313A (zh) 一种基于多模态融合的知识库构建方法
Stefanowski et al. Exploring complex and big data
WO2014085776A2 (en) Web search ranking
US11620453B2 (en) System and method for artificial intelligence driven document analysis, including searching, indexing, comparing or associating datasets based on learned representations
CN101097570A (zh) 一种自动识别分类广告类型的广告分类方法
Moreira et al. Learning to rank for expert search in digital libraries of academic publications
Zhou et al. Imbalanced data processing model for software defect prediction
CN110232184B (zh) 一种云制造模式下机械加工服务供需双向语义匹配方法
CN104519112A (zh) 一种分阶段的云制造服务智能选择架构
Omri et al. Towards an efficient big data indexing approach under an uncertain environment
Sharma et al. Indexer++ workload-aware online index tuning with transformers and reinforcement learning
KR102156289B1 (ko) 처방적 분석 기반 지능형 연구정보 고부가 가치화 플랫폼을 이용한 큐레이션 시스템 및 그 방법
Swidan et al. A model for processing skyline queries in crowd-sourced databases
Gollapalli et al. Automated discovery of multi-faceted ontologies for accurate query answering and future semantic reasoning
KR102096328B1 (ko) 처방적 분석 기반 지능형 연구정보 고부가 가치화 제공 플랫폼 및 그 방법
CN102708104B (zh) 对文档排序的方法和设备
Zhu et al. Few-shot temporal knowledge graph completion based on meta-optimization
KR20220138905A (ko) Ppo 모델 기반 spark sql 조인 최적화 장치 및 방법
Frimpong Ontology matching algorithms for data model alignment in big data
Zhou et al. Data mining method based on rough set and fuzzy neural network

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