CN110442977B - 基于建筑施工工序网络推荐的移动端bim模型智能缓存方法 - Google Patents

Abstract

本发明公开了一种基于建筑施工工序网络推荐的移动端BIM模型智能缓存方法，该方法通过对工种的施工工序进行建模，生成施工工序网络图；使用node2vec技术将网络图上的节点转变为向量表示，通过计算不同向量之间的余弦距离获得不同专业施工班组之间的相似度；将相似度最高的n个专业施工班组的BIM模型查询历史，根据不同的权重组合为目标施工班组的用户进行个性化的、智能的BIM模型构件推荐，按照推荐度的大小为用户进行分级缓存；基于用户的反馈数据更新用户的查询历史，迭代推荐的BIM模型构件。通过本方法把BIM模型按相似用户感兴趣内容为用户对BIM模型进行分级推荐缓存，有效提高移动端缓存显示模型的速度与流畅性。

Description

基于建筑施工工序网络推荐的移动端BIM模型智能缓存方法

技术领域

本发明涉及移动端BIM模型缓存技术领域，具体涉及一种一种基于建筑施工工序网络推荐的移动端BIM模型智能缓存方法。

背景技术

现如今，随着科技的进步，工程的数据源由2D CAD图纸转变为3DBIM模型，BIM模型的浏览方式从桌面PC端发展到移动端。但是，受限于移动端的硬件性能，现有基于移动端的轻量化平台均存在模型加载时间长、模型浏览过程不流畅和智能化程度较低的问题，影响用户体验。

现有的轻量化方法注重的是模型的压缩比和压缩时间效率，集中在BIM模型压缩方法的研究，而缺少了对被压缩内容的研究，即对BIM模型本身的研究。其一般轻量化策略是，对整体的BIM模型文件进行轻量化处理，之后上传到轻量化平台数据库。当于BIM源文件尺寸过大时，直接对整体文件按照某一压缩比率进行轻量化处理，处理后的文件尺寸依旧庞大，对网络、移动端的硬件性能带来严峻的考验；或简单的将源文件分割成几个小文件，之后再进行处理，但是这并未有效针对用户的偏好、用户的查询历史，来对模型内容进行筛选，为用户个性的加载其感兴趣的内容，是十分之简陋的。上述解决办法是存在相当大的改进空间的。

目前关于移动端在BIM模型缓存方面，特别是智能缓存领域存在很大的空缺。

发明内容

本发明的目的是为了解决现有技术中的上述缺陷，提供一种基于建筑施工工序网络推荐的移动端BIM模型智能缓存方法。

本发明的目的可以通过采取如下技术方案达到：

一种基于建筑施工工序网络推荐的移动端BIM模型智能缓存方法，所述的缓存方法包括以下步骤：

S1、获取BIM模型构件编码，具体为：对BIM模型构件进行识别，获取构件内置ID；

S2、基于工程施工工序与用户身份建立工序网络图，其中，所述的用户身份指从事的工种；

S3、基于node2vec技术获得每一个工种的向量化表示，其中，所述的node2vec技术用于将图上的节点表示为一个连续向量，node2vec技术先基于随机游走(random walk)随机抽取一些点的序列，然后利用word2vec词向量化技术得到每个节点的嵌入向量(embedding vector)；

S4、使用余弦距离计算图上两两节点之间的相似度ω_ab：

其中，分别是图上任意两个不同节点的向量化表示；

S5、针对用户U挑选K个最相似的用户，把查询过的BIM模型构件中，将用户U从未查询过的BIM模型构件推荐给用户U，并根据不同用户的余弦相似度以及构件查询次数来进行进一步打分，将打分最高的N个构件推荐给用户U，评分公式如下：

其中，θ_ij是用户i对构件j查询次数的归一化结果，ω_iU是用户i与目标用户U的余弦相似度，可由步骤S4中公式计算得到；

S6、对BIM模型构件进行分级，具体为：第一级，为用户的历史查询构件与相似用户查询构件的推荐；第二级，为不相似用户的查询构件；第三级，为剩下的未被查询的构件；

S7、根据构件分级顺序以及构件编码分级导出BIM模型文件，通过轻量化方法对BIM源文件进行轻量化处理并上传到轻量化平台数据库，用户查询时根据分级顺序来为用户缓存BIM构件；

S8、根据用户点击的反馈数据更新用户历史查询数据库，然后重复步骤S5～S7。

进一步地，所述的步骤S2过程如下：

S2.1、根据建筑施工过程中涉及到的全部工种，将全部工种作为工序网络图的节点，用V表示节点的集合；

S2.2、若工种V_a与V_b存在关系，则用一条边e(V_a，V_b)连接两个节点，E表示边的集合，W(V_a，V_b)表示两条边的权重，因此用图G(V，E，W)来定义一个施工工序网络。

进一步地，所述的步骤S3过程如下：

S3.1、基于随机游走和设定的规则随机抽取一些点的序列；

S3.2、基于word2vec中的Skip-Gram模型，将获得的节点序列转化成连续的向量。

进一步地，所述的步骤S3.1、基于随机游走和设定的规则随机抽取一些点的序列的过程如下：

S3.1.1、在全部节点中随机选择一个初始节点，保证每一个节点都至少会被选中k次，k∈[5，10]；

S3.1.2、按照边的权重α进行跳转，权重的设置方法根据如下公式所不：

其中，α为边的权重，d是跳转的下一节点与跳转上一节点的距离，当p＞max(q，1)时，已经跳转过的节点不容易再被搜索到；而p＜min(q，1)时，搜索周边的节点，搜索的总步长可选为根据总节点数N跳转步。

进一步地，所述的步骤S3.2、基于word2vec模型中的Skip-Gram模型，将获得的节点序列转化成连续的向量的过程如下：

S3.2.1、对所述的工序网络图上的全部节点进行one-hot编码，其中，one-hot编码规则如下：假如有L种构件类型，则每一种类型由一个L维向量组成，若某一类型第u，u＝1，2，...L个出现，其除第u维为1外其余为0，即[0，...，0，1，0，...，0]；

S3.2.2、将获得的节点序列的one-hot编码作为训练数据训练Skip-Gram模型。

进一步地，所述的步骤S3.2.2、将获得的节点序列的one-hot编码作为训练数据训练Skip-Gram模型的过程如下：

假设随机行走获得节点序列B、C、A、D、E，则通过输入中心节点A的one-hot编码向量获得目标节点B、C、D、E的概率分布，具体为：

(1)设输入是节点A经过one-hot编码后的V维列向量x_k，x_k只有第k维为1其余位置为0；

(2)随机初始化矩阵W_V×N和W′_N×V，其中：W_V×N是V×N的矩阵，W′_N×V是N×V的矩阵，N是一个超参数，用户可根据实际情况自行选择；

(3)计算投影层输入为：实质上/>即h是矩阵W里的第k行/>用向量/>表示，/>也可理解为节点A的输入向量；

(4)计算输出层的输入为：其中：c＝1，2，…，C，/>是矩阵W′_N×V的第j列，u_c，j可理解为中心节点的输出向量，C的大小为选定输入中心节点两侧获取的节点的数量，此处示例在A的左侧和右侧各取两个节点，C＝4；

(5)利用softmax函数计算每一个目标输出节点的概率分布，获得C个概率分布，如下公式所示：

其中：ω_c，j是第c(c＝1，2，…，C)个输出上的第j个节点；ω_O，c是目标节点中的第c个节点；ω_i是唯一的输入中心节点；y_c，j是输出的第c个概率分布上的第j个节点位置的输出值；u_c，j是第c个输出上的第j个节点位置的输入；

(6)定义损失函数E，最大化被查询节点的概率：

E＝-log p(ω_O，1，ω_o，2，…，ω_O，C|ω_i)

(7)利用Tensorflow优化器计算梯度，反向传播更新模型参数，以使目标损失函数达到最小，获得更新后的变换矩阵W″_V×N，具体计算公式如下所示：

式中：EH是一个N维向量，向量每个单元被定义为：w′_ij是矩阵W′_N×V中的值，/>

(8)利用更新后的变换矩阵W″_V×N获得每一个节点的向量化表示h′＝W″_V×N·x，x是全部节点的one-hot向量。

本发明相对于现有技术具有如下的优点及效果：

本发明提供了基于建筑施工工序网络推荐的移动端BIM模型智能缓存方法的实现，可自动化地为用户推荐工序流程中可能感兴趣的构件模型。通过本方法把BIM模型按相似用户感兴趣内容为用户对BIM模型进行分级推荐缓存，有效提高移动端缓存显示模型的速度与流畅性。

附图说明

图1是本发明公开的基于建筑施工工序网络推荐的移动端BIM模型智能缓存方法的工作流程图；

图2是本发明的施工工序网络示意图；

图3是本发明使用的Skip-Gram模型结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例

如图1所示，本实施例公开了一种基于建筑施工工序网络推荐的移动端BIM模型智能缓存方法，包括如下步骤：

S1、获取BIM模型构件编码，具体为：对BIM构件进行识别，获取构件内置ID。

S2、基于工程施工工序与用户身份(工种)建立工序网络图，如图2所示，具体为：

S2.1、根据建筑施工过程中涉及到的全部工种，将全部工种分别作为工序网络图的节点，用V表示节点的集合；

S2.2、若工种V_a与V_b存在关系，则用一条边e(V_a，V_b)连接两个节点，E表示边的集合，W(V_a，V_b)表示两条边的权重，因此可以用图G(V，E，W)来定义一个施工工序网络。

S3、基于node2vec技术获得每一个节点的向量化表示；

该步骤S3中，node2vec技术是一种将图上的节点表示为一个连续向量的技术。其主要思想是，先基于随机游走随机抽取一些点的序列，然后利用word2vec技术中的Skip-Gram模型得到每个节点的嵌入向量(embedding vector)。

该步骤S3的具体步骤为：

S3.1、随机游走，基于设定的规则随机抽取一些点的序列；

S3.1.1、在全部节点中随机选择一个初始节点，保证每一个节点都至少会被选中k次，k的值可根据实际情况自行设置，一般取5～10次；

S3.1.2、按照边的权重α进行跳转，权重的设置方法根据如下公式所示：

其中，α为边的权重，d是跳转的下一节点与跳转上一节点的距离。当p＞max(q，1)时，此时产生的搜索序列与以深度优先的搜索相似，即已经跳转过的节点不容易再被搜索到；而p＜min(q，1)时与宽度优先的搜索类似，倾向于搜索周边的节点。搜索的总步长可选为根据总节点数N跳转步。

S3.2、基于word2vec模型中的Skip-Gram模型，将获得的节点序列转化成连续的向量，如图3所示，具体步骤如下：

S3.2.1对步骤S2中获得网络图上的全部节点进行one-hot编码。其中，one-hot编码规则如下：假如有L种构件类型，则每一种类型由一个L维向量组成，若某一类型第u，u＝1，2，...L个出现，其除第u维为1外其余为0，即[0，...，0，1，0，...，0]；

具体举例如下：假如有20个施工工种，则网络图有20个节点，每一个节点由一个20维向量组成。若某一节点第三个出现，其除第三维为1外其余为0，即[0，0，1，0，...，0]。

S3.2.2将获得的节点序列的one-hot编码作为训练数据训练Skip-Gram模型，假设随机行走获得节点序列B、C、A、D、E，则通过输入中心节点A的one-hot编码向量获得目标节点B、C、D、E的概率分布，具体为：

(1)设输入是节点A经过one-hot编码后的V维列向量x_k，x_k只有第k维为1其余位置为0；

(2)随机初始化矩阵W_V×N和W′_N×V，其中：W_V×N是V×N的矩阵，W′_N×V是N×V的矩阵，N是一个超参数，用户可根据实际情况自行选择；

(3)计算投影层输入为：实质上/>即h是矩阵W里的第k行/>用向量/>表示，/>也可理解为节点A的输入向量；

(4)计算输出层的输入为：其中：c＝1，2，…，C，/>是矩阵W′_N×V的第j列，u_c，j可理解为中心节点的输出向量，C的大小为选定输入中心节点两侧获取的节点的数量，此处示例在A的左侧和右侧各取两个节点，C＝4；

(5)利用softmax函数计算每一个输出节点的概率分布，获得C个概率分布，如下公式所示：

其中：ω_c，j是第c(c＝1，2，…，C)个输出上的第j个节点；ω_O，c是目标节点中的第c个节点；ω_i是唯一的输入中心节点；y_c，j是输出的第c个概率分布上的第j个节点位置的输出值；u_c，j是第c个输出上的第j个节点位置的输入；

(6)定义损失函数E，最大化被查询节点的概率：

E＝-logp(ω_O，1，ω_O，2，…，ω_O，c|ω_i)

(7)利用Tensorflow优化器计算梯度，反向传播更新模型参数，以使目标损失函数达到最小，获得更新后的变换矩阵W″_V×N，具体计算公式如下所示：

式中：EH是一个N维向量，向量每个单元被定义为：w′_ij是矩阵W′_N×V中的值，/>

(8)利用更新后的变换矩阵W″_V×N获得每一个节点的向量化表示h′_j＝W″_V×N·x_k。

S4、使用余弦距离计算图上两两节点之间的相似度ω_ab：

S5、针对用户U挑选K个最相似的用户，把查询过的BIM模型构件中，将用户U从未查询过的BIM模型构件推荐给用户U，并根据不同用户的余弦相似度以及构件查询次数来进行进一步打分，将打分最高的N个构件推荐给用户U，评分公式如下：

其中，θ_ij是用户i对构件j查询次数的归一化结果，ω_iU是用户i与目标用户U的余弦相似度，可由步骤S4中公式计算得到；

S6、对BIM模型构件进行分级，具体为：第一级，为用户的历史查询构件与相似用户查询构件的推荐；第二级，为不相似用户的查询构件；第三级，为剩下的未被查询的构件。

S7、根据构件分级顺序以及构件编码分级导出BIM模型文件，通过现有的轻量化方法对BIM源文件进行轻量化处理并上传到轻量化平台数据库。用户查询时根据分级顺序来为用户缓存BIM构件。

S8、根据用户点击的反馈数据更新用户历史查询数据库，重复S5～S7步骤。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (4)

1.一种基于建筑施工工序网络推荐的移动端BIM模型智能缓存方法，其特征在于，所述的缓存方法包括以下步骤：

S1、获取BIM模型构件编码，具体为：对BIM模型构件进行识别，获取构件内置ID；

S2、基于工程施工工序与用户身份建立工序网络图，其中，所述的用户身份指从事的工种；

S2.1、根据建筑施工过程中涉及到的全部工种，将全部工种作为工序网络图的节点，用V表示节点的集合；

S2.2、若工种V_a与V_b存在关系，则用一条边e(V_a，V_b)连接两个节点，E表示边的集合，W(V_a，V_b)表示两条边的权重，因此用图G(V,E,W)来定义一个施工工序网络；

S3、基于node2vec技术获得每一个工种的向量化表示，其中，所述的node2vec技术用于将图上的节点表示为一个连续向量，node2vec技术先基于随机游走随机抽取一些点的序列，然后利用word2vec词向量化技术得到每个节点的嵌入向量；

S3.1、基于随机游走和设定的规则随机抽取一些点的序列；

S3.2、基于word2vec中的Skip-Gram模型，将获得的节点序列转化成连续的向量；

S4、使用余弦距离计算图上两两节点之间的相似度ω_ab：

其中，分别是图上任意两个不同节点的向量化表示；

S5、针对用户U挑选K个最相似的用户，把查询过的BIM模型构件中，将用户U从未查询过的BIM模型构件推荐给用户U，并根据不同用户的余弦相似度以及构件查询次数来进行进一步打分，将打分最高的N个构件推荐给用户U，评分公式如下：

其中，是用户i₀对构件j₀查询次数的归一化结果，/>是用户i₀与目标用户U的余弦相似度，由步骤S4中公式计算得到；

S6、对BIM模型构件进行分级，具体为：第一级，为用户的历史查询构件与相似用户查询构件的推荐；第二级，为不相似用户的查询构件；第三级，为剩下的未被查询的构件；

S7、根据构件分级顺序以及构件编码分级导出BIM模型文件，通过轻量化方法对BIM源文件进行轻量化处理并上传到轻量化平台数据库，用户查询时根据分级顺序来为用户缓存BIM构件；

S8、根据用户点击的反馈数据更新用户历史查询数据库，然后重复步骤S5～S7。

2.根据权利要求1所述的基于建筑施工工序网络推荐的移动端BIM模型智能缓存方法，其特征在于，所述的步骤S3.1、基于随机游走和设定的规则随机抽取一些点的序列的过程如下：

S3.1.1、在全部节点中随机选择一个初始节点，保证每一个节点都至少会被选中k次，k∈[5,10]；

S3.1.2、按照边的权重α进行跳转，权重的设置方法根据如下公式所示：

其中，α为边的权重，d是跳转的下一节点与跳转上一节点的距离，当p＞max(q，1)时，已经跳转过的节点不容易再被搜索到；而p＜min(q，1)时，搜索周边的节点，搜索的总步长为根据总节点数N跳转步。

3.根据权利要求2所述的基于建筑施工工序网络推荐的移动端BIM模型智能缓存方法，其特征在于，所述的步骤S3.2、基于word2vec模型中的Skip-Gram模型，将获得的节点序列转化成连续的向量的过程如下：

S3.2.1、对所述的工序网络图上的全部节点进行one-hot编码，其中，one-hot编码规则如下：假如有L种构件类型，则每一种类型由一个L维向量组成，若某一类型第u，u＝1，2，…L个出现，其除第u维为1外其余为0，即[0,…,0,1,0,…,0]；

S3.2.2、将获得的节点序列的one-hot编码作为训练数据训练Skip-Gram模型。

4.根据权利要求3所述的基于建筑施工工序网络推荐的移动端BIM模型智能缓存方法，其特征在于，所述的步骤S3.2.2、将获得的节点序列的one-hot编码作为训练数据训练Skip-Gram模型的过程如下：

假设随机行走获得节点序列B、C、A、D、E，则通过输入中心节点A的one-hot编码向量获得目标节点B、C、D、E的概率分布，具体为：

(1)设输入是节点A经过one-hot编码后的V维列向量x_k，x_k只有第k维为1其余位置为0；

(2)随机初始化矩阵W_V×N和W′_N×V，其中：W_V×N是V×N的矩阵，W′_N×V是N×V的矩阵，N是一个超参数，用户根据实际情况自行选择；

(3)计算投影层输入为：实质上/>即h是矩阵W里的第k行/>用向量/>表示，/>为节点A的输入向量；

(4)计算输出层的输入为：其中：c＝1，2，…，C，/>是矩阵W′_N×V的第j列，u_c，j为中心节点的输出向量，C的大小为选定输入中心节点两侧获取的节点的数量；

(5)利用softmax函数计算每一个目标输出节点的概率分布，获得C个概率分布，如下公式所示：

其中，ω_c，j是第c个输出上的第j个节点，ω_O，c是目标节点中的第c个节点，ω_i是唯一的输入中心节点，y_c，j是输出的第c个概率分布上的第j个节点位置的输出值，u_c，j是第c个输出上的第j个节点位置的输入；

(6)定义损失函数E，最大化被查询节点的概率：

E＝-log p(ω_O，1，ω_O，2，…，ω_O，C|ω_i)

(7)利用Tensorflow优化器计算梯度，反向传播更新模型参数，以使目标损失函数达到最小，获得更新后的变换矩阵W″_V×N，具体计算公式如下所示：

式中：EH是一个N维向量，向量每个单元被定义为：w′_ij是矩阵W′_N×V中的值，/>

(8)利用更新后的变换矩阵W″_V×N获得每一个节点的向量化表示h′＝W″_V×N·x，x是全部节点的one-hot向量。