CN111738445B - 一种支持产品快速创新的设计知识融合推理方法 - Google Patents
一种支持产品快速创新的设计知识融合推理方法 Download PDFInfo
- Publication number
- CN111738445B CN111738445B CN202010451852.8A CN202010451852A CN111738445B CN 111738445 B CN111738445 B CN 111738445B CN 202010451852 A CN202010451852 A CN 202010451852A CN 111738445 B CN111738445 B CN 111738445B
- Authority
- CN
- China
- Prior art keywords
- knowledge
- design
- term
- semantic
- document
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
Abstract
本发明公开了一种支持产品快速创新的设计知识融合推理方法,包括如下步骤:面向产品创新设计的知识半自动抽取,实现设计知识统一结构化表示;支持产品快速创新设计的知识语义关联计算,综合评价生成的潜在语义空间;支持产品快速创新设计的知识混合融合推理。本发明所公开的融合推理方法能够帮助设计者在产品设计的早期阶段快速发现问题本质,准确定义创新性问题和冲突;为设计者提供知识智力支持、拓展创新思路以及提供创新向导,有利于设计者尽可能多地发现可能的创新设计方案,快速开发创新产品;对提高产品知识技术含量和创新力、缩短产品研发周期、预测产品未来发展趋势和显著增强产品竞争力等起到重要作用。
Description
技术领域
本发明属于知识驱动的产品创新设计领域,尤其涉及支持产品快速创新的设计知识融合推理方法。
背景技术
近年来,为了适应高效率、全球化的市场竞争环境,制造业企业间由依靠产品产量和质量占领市场阶段,转型为凭借快速响应市场需求的创新产品占领市场的崭新阶段,具有产品快速创新设计能力成为生成企业核心竞争力的关键因素。在知识网络时代,面向产品创新设计的知识具有范围广、学科复杂、形式多样等特点,且存在于各种高维、海量、异构、不完全、半结构化的设计资源中,产品快速创新设计过程越来越成为多学科知识融合的过程。
知识融合能够将多源设计知识信息经推理后进行融合,为产品创新设计提供了有效的决策方法与工具。目前,在产品创新设计领域普遍采用基于语义的知识融合方法,通过将元知识与本体相结合,建立知识资源的统一语义描述,实现设计知识融合。
中国发明专利(申请号:2017104367263,专利名称:一种支持协同设计知识共享的产品设计方法)在知识融合方面,针对产品设计一般流程概念与领域设计对象,分别构建元本体与领域本体,通过领域本体设计模块接口提取接口要素,实现设计知识协同与共享,从而有效解决了设计知识的语义异构问题。
中国发明专利(申请号:2016104299242,专利名称:一种产品设计知识服务方法和装置)基于知识需求建模,结合SWRL推理和有向图理论,从语义层面最大限度挖掘知识间的逻辑关系与内涵,实现设计知识融合与增值。
综上所述,当前对产品创新设计领域知识融合推理的研究还处于初级阶段,虽然对现有设计知识构建统一语义表示模型,能够在一定程度上实现知识推理功能,但对于产品创新设计过程中普遍存在的不确定或不完备的多源、异构设计知识,如何实现其交叉融合推理与协同工作,尚缺乏有效的解决方案。具体表现在以下几个方面:
(1)实体识别及其同义关系抽取是产品创新设计领域知识抽取的核心技术,也是能否实现设计知识统一结构化表征的关键,而传统基于三大类的命名实体识别与同义关系抽取模型不能有效解决产品创新设计领域知识结构复杂、设计属性实体难识别等问题;
(2)传统潜在语义分析方法能够利用词语共现情况捕获词语间的隐性语义关联,但对于设计原理类知识有限的数据集,不能较好的解决同义词与多义词等问题;
(3)随着产品结构复杂性的提高,创新设计过程涉及多个学科、多个领域知识的交叉融合,使用单一类型知识推理较难生成最优的创新设计方案。
发明内容
为解决上述技术问题,本发明提供了一种支持产品快速创新的设计知识融合推理方法,针对产品创新设计领域建立高效的实体识别及其同义关系抽取模型,构建准确反映设计原理类知识条目文档语义结构的潜在语义分析模型,构建融合多源异构知识的推理模型,能够为产品快速创新提供更为准确、全面的决策支持。
为达到上述目的,本发明的技术方案如下:
一种支持产品快速创新的设计知识融合推理方法,包括如下步骤:
步骤(1):面向产品创新设计的知识半自动抽取,实现设计知识统一结构化表示;
步骤(2):支持产品快速创新设计的知识语义关联计算,综合评价生成的潜在语义空间;
步骤(3):支持产品快速创新设计的知识混合融合推理。
上述方案中,步骤(1)具体包括如下步骤:
步骤(1-1):针对产品创新设计不同阶段、不同来源、不同结构的设计知识进行分类与表达模式分析;
步骤(1-2):构建设计领域本体模型,从语义层面上解决数据异构性问题;
步骤(1-3):探索基于领域本体的实体识别及其同义关系抽取方法,实现设计知识统一结构化表示。
上述方案中,步骤(2)具体包括如下步骤:
步骤(2-1):改进权重计算模式,进行领域词语与文档权重计算;
步骤(2-2):通过构建多语义特征空间计算词语语义相似度,并基于此提出词语-文档语义权重;
步骤(2-3):研究准确再现创新原理知识文档语义结构的扩展潜在语义空间构建方法,实现创新原理知识文档间相似度计算、语义关联度量与关联关系标记。
上述方案中,步骤(3)具体包括如下步骤:
步骤(3-1):设计原理类与综合类知识的融合推理;
步骤(3-2):设计原理类与领域类知识的融合推理;
步骤(3-3):基于卷积神经网络的设计知识混合融合推理。
上述方案中,步骤(1-1)中,将设计知识分为设计原理类知识、设计综合类知识和设计领域类知识。
上述方案中,步骤(2-1)中,权重计算方法如下:
W(termi,docj)=LW(termi,docj)×GWT(termi)×GWD(docj) (1)
其中,W(termi,docj)代表词语termi与文档docj对应的权重,LW(termi,docj)、GWT(termi)和GWD(docj)分别代表词语termi在文档中的局部权重、词语termi的全局权重和文档docj的全局权重;
文档全局权重的计算公式如下:
其中,H(term)用于度量词语的不确定性,H(term/docj)代表文档docj确定出现后,词语变量term仍存在的平均不确定性,H(term)-H(term/docj)代表文档docj确定出现后,词语变量term消除的不确定性,即文档docj提供给词语变量term的信息量,p(termi)表示词语termi在文档集中出现的概率,而p(termi/docj)表示文档docj出现时,词语termi出现的概率。
上述方案中,步骤(2-2)中,词语语义相似度的计算方法包括语义单元的相似度计算和基于语义单元相似度计算词语语义相似度,其中,语义单元的相似度计算公式如下:
其中,No(sti)表示词语termi语义单元的顺序,{termwi}表示语义单元sti在第w个特征空间获取的词语集,idf(termm)代表设计原理类知识文档集出现词语termm的文档数目的倒数,kw代表第w个特征权重,Qu和Qv分别代表出现词语termi和tremj的指标集;
基于语义单元相似度计算词语语义相似度的公式如下:
其中,|sti|和|stj|分别代表词语terni和termj的语义单元个数。
上述方案中,步骤(2-2)中,词语-文档语义权重的计算公式如下:
其中,termjt代表文档docj中与词语termi进行比较的第t个词语,termδ指示文档docj中与词语termi词语相似度最大的词语。
上述方案中,步骤(2-3)的具体方法如下:
步骤(2-3-1):基于设计原理类知识词语词频矩阵,分别计算局部权重、词语全局权重与文档全局权重,构造词项-文档矩阵;
步骤(2-3-2):计算词语-文档语义权重,构造词项-文档语义矩阵;
步骤(2-3-3):对词项-文档语义矩阵进行截断的奇异值分解,构建能准确反映词语与文档语义结构的kk维语义空间,并基于此实现创新原理知识文档间语义相似度计算、语义关联度量与关联关系标记。
上述方案中,步骤(3-1)的具体方法如下:
步骤(3-1-1):基于设计原理类知识与知识间语义关联关系,通过基于可信度因子的规则推理产生可用于解决创新问题的知识条目的可信度并归一化,得到基于可信度因子的规则推理的证据;
步骤(3-1-2):基于案例的推理通过最相邻策略获取相似的专利案例,并将对应的设计原理类知识条目相似度进行归一化,得到基于案例的推理的证据;
步骤(3-1-3):将基于设计原理类与综合类知识推理的证据按以下方式进行融合:
其中,各个证据对应的设计原理类知识识别框架为{I1,I2,...,In},mi与mj分别代表两个不同设计知识来源的证据,wi与wj分别代表证据i与j的权重,Iα∩Iβ=I表示设计知识条目I可由Iα与Iβ相交得到,1≤α≤n,1≤β≤n,K是归一化因子。
通过上述技术方案,本发明提供的一种支持产品快速创新的设计知识融合推理方法具有如下有益效果:
本发明可用于企业新产品研发过程,能够帮助设计者在产品设计的早期阶段快速发现问题本质,准确定义创新性问题和冲突;为设计者提供知识智力支持、拓展创新思路以及提供创新向导,有利于设计者尽可能多地发现可能的创新设计方案,快速开发创新产品;对提高产品知识技术含量和创新力、缩短产品研发周期、预测产品未来发展趋势和显著增强产品竞争力等起到重要作用。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1为本发明实施例所公开的一种支持产品快速创新的设计知识融合推理方法技术路线图;
图2为基于扩展潜在语义分析模型的设计原理类知识关联计算过程;
图3为设计知识混合融合推理模型。
具体实施方式
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。
本发明提供了一种支持产品快速创新的设计知识融合推理方法,本发明由设计原理类知识推理模型、设计综合类知识推理模型以及设计原理类与综合类知识融合推理模型三大部分组成。设计原理类知识推理模型采用基于可信度因子的规则推理(Rule-BasedReasoning,RBR)模式,模拟领域专家利用原理类知识求解创新技术问题的思路过程;设计综合类知识推理模型采用基于案例的推理(Case-Based Reasoning,CBR)模式,重用综合类知识案例的应用经验;设计原理类与综合类知识融合推理模型基于证据理论(Dempster-Shafer,D-S)融合两种推理模式,综合考虑原理性知识与工程案例经验,能够为产品快速创新提供更为准确、全面的决策支持。
如图1所示,具体实施方式如下:
步骤(1):面向产品创新设计的知识半自动抽取,实现设计知识统一结构化表示;
这里需要考虑到产品创新设计过程各阶段设计知识的实际使用情况与存在数量。本发明选取产品创新设计过程中使用的创新原理、专利知识、科学效应、决策支持知识、领域知识、多学科优化知识作为主要研究对象,具体研究思路如下:
步骤(1-1):针对产品创新设计不同阶段、不同来源、不同结构的设计知识进行分类与表达模式分析;
设计知识分类与表达模式分析的具体步骤为:
步骤(1-1-1):针对设计知识抽取过程受知识来源、应用领域以及表达方式等因素影响,考虑首先将设计知识分为设计原理类知识、设计综合类知识和设计领域类知识;
步骤(1-1-2):结合领域特征,综合考虑各类设计知识资源文档的结构及语料特征、实体上下文信息特征、实体组合类型以及实体位置关系等特征信息,分析设计知识表达形式,探索设计知识表达规律,提取和细化设计知识表达模式,建立相对稳定的设计知识表达模式库。
步骤(1-2):构建设计领域本体模型,从语义层面上解决数据异构性问题;
由于在之前的研究中,我们针对以TRIZ理论为主的设计原理类知识和科学效应,提出了一种基于描述逻辑的本体建模和推理方法。因此,本发明在前期构建的设计原理类知识本体基础上,需要针对领域顶层分类框架、设计综合类与设计领域类三类知识,重点从概念提取、概念间分类关系提取以及非分类关系提取三个方面研究设计领域本体构建模式。具体步骤如下:
步骤(1-2-1):考虑到领域顶层本体独立于特定领域问题,通过复用已有本体资源进行构建,如语言学与认知工程的描述本体(Descriptive Ontology for Linguistic andCognitive Engineering,DOLCE)和推荐上层合并本体(Suggested Upper MergedOntology,SUMO);
步骤(1-2-2):设计综合类知识以海量、非结构化资源为主,如专利知识,探索融合形式概念分析(Formal Concept Analysis,FCA)与统计学习技术的本体半自动构建方法;
步骤(1-2-3):设计领域类知识包含相对固定的领域词汇,基于叙词表构建设计领域类知识本体,实现不同来源术语及关系间的映射。
步骤(1-3):探索基于领域本体的实体识别及其同义关系抽取方法,实现设计知识统一结构化表示。
针对产品创新设计过程不同阶段不同作用不同来源的知识文档,传统基于三大类的命名实体识别与同义关系抽取模型不能有效识别领域术语和抽取术语间同义关系。为此,本发明结合问题特点与领域知识,基于步骤(1-2)构建的领域本体模型,设计面向产品创新设计领域应用需求的实体识别与同义关系抽取方法。具体步骤如下:
步骤(1-3-1):在领域实体识别方面,针对产品创新设计领域知识数量庞大、种类繁多、结构复杂、设计属性实体难以识别等问题,本发明将领域本体引入条件随机场(Conditional Random Field,CRF)、隐马尔可夫模型(Hidden Markov Model,HMM)等实体识别方法中,构建领域词典实现实体名称的自动提取,同时,在选取特征时,除了选用词性特征、词形特征、上下文特征以及指示词特征等常规特征外,还基于领域本体增加设计语义特征,通过建立设计属性实体与其修饰实体间的关系,实现对设计属性实体的有效识别;
步骤(1-3-2):在同义关系抽取方面,本发明提出融合语义的同义关系抽取方法,基于CRF、HMM等序列标注算法从以下两个方面进行探索:一方面,根据(1-2)构建的领域本体和WordNet计算实体间语义距离,基于相同词义获取实体间同义关系。另一方面,利用Word2vec最近邻词汇作为特征词汇,融合CBOW、Skip-gram等核心算法,通过最大化实体与上下文语境间的对应关系,将实体语义表示为满足条件概率最大化的实体矢量,进而获取具有类似上下文环境的不同词义实体间同义关系。
步骤(1-3-2)中,在同义关系抽取方面,考虑到设计文档的同义关系抽取可以转换为序列标注问题,而现有的序列标注算法所使用的词性标注特征由于缺乏语义信息,在处理设计领域专业文本时准确率较低,因此提出以上方法。
步骤(1-3-2)中,在计算实体间语义距离时,本发明结合实体间的边权重信息,通过计算最短路径上实体间边的权重,综合考虑路径上实体密度、深度等因素的影响,设计符合创新设计领域特征的实体间语义距离计算算法。
步骤(2):支持产品快速创新设计的知识语义关联计算,综合评价生成的潜在语义空间;
如图2所示,这里采用TRIZ理论为主的创新方法将设计原理类知识进行抽象和归纳,通过具有普遍意义的原理类知识在较高层次上实现对新产品创新的支持。本发明从挖掘设计原理类知识间的语义关联关系出发,将定性的关联问题转化为基于语言学和统计学的语义相似度计算问题,根据领域特点研究潜在语义分析模型的扩展方法,为后续进行基于混合融合推理的启发式设计知识应用模式奠定了语义基础。具体步骤如下:
步骤(2-1):改进权重计算模式,进行领域词语与文档权重计算。传统权重定义方法受向量空间模型(Vector Space Model,VSM)方法的影响,仅考虑局部权重和词语全局权重,而忽略了文档在构建词语间语义关系时的贡献。为此,我们基于信息归约的思想,在保留局部权重和词语全局权重的基础上,增加文档全局权重,并按以下方法计算权重:
W(termi,docj)=LW(termi,docj)×GWT(termi)×GWD(docj) (1)
其中,W(termi,docj)代表词语termi与文档docj对应的权重,LW(termi,docj)、GWT(termi)和GWD(docj)分别代表词语termi在文档中的局部权重、词语termi的全局权重和文档docj的全局权重;
文档全局权重的计算公式如下:
其中,H(term)用于度量词语的不确定性,H(term/docj)代表文档docj确定出现后,词语变量term仍存在的平均不确定性,H(term)-H(term/docj)代表文档docj确定出现后,词语变量term消除的不确定性,即文档docj提供给词语变量term的信息量,p(termi)表示词语termi在文档集中出现的概率,而p(termi/docj)表示文档docj出现时,词语termi出现的概率。
步骤(2-2):通过构建多语义特征空间计算词语语义相似度,并基于此提出词语-文档语义权重;
目前普遍采用的潜在语义分析方法能够挖掘文档集合中词语之间的潜在语义结构,但前提是同义词的语义结构关系相同,多义词的语义结构关系不同,进而利用词的共现情况能够准确获得这些潜在的语义结构。然而,由于设计原理类知识文档数据集有限,这些语义结构关系往往不能完全表现在词的共现关系中。为此,本发明通过构建多个语义特征空间计算词语语义相似度,并基于此提出词语-文档语义权重,以准确描述设计原理类知识文档中存在的“一义多词”和“一词多义”语义关系。具体研究思路是:
步骤(2-2-1):基于WordNet选取多个维度抽取词语并进行特征提取,如同义词维度、属类词维度等,通过计算词语在不同语义单元(Sense)特征空间中的距离得到其语义单元的相似度:
其中,No(sti)表示词语termi语义单元的顺序,{termwi}表示语义单元sti在第w个特征空间获取的词语集,idf(termm)代表设计原理类知识文档集出现词语termm的文档数目的倒数,kw代表第w个特征权重,Qu和Qv分别代表出现词语termi和tremj的指标集;
步骤(2-2-2):基于词语语义单元相似度计算词语相似度:
其中,|sti|和|stj|分别代表词语terni和termj的语义单元个数;
步骤(2-2-3):在计算词语-语义权重时,采取如下方式:
其中,termjt代表文档docj中与词语termi进行比较的第t个词语,termδ指示文档docj中与词语termi词语相似度最大的词语。
步骤(2-3):研究准确再现创新原理知识文档语义结构的扩展潜在语义空间构建方法,实现创新原理知识文档间相似度计算、语义关联度量与关联关系标记。
结合设计原理类知识文档特点,主要研究思路如下:
步骤(2-3-1):基于设计原理类知识词语词频矩阵,按步骤(2-1)分别计算局部权重、词语全局权重与文档全局权重,构造词项-文档矩阵;
步骤(2-3-2):根据步骤(2-2)计算词语-文档语义权重,构造词项-文档语义矩阵;
步骤(2-3-3):对词项-文档语义矩阵进行截断的奇异值分解,构建能准确反映词语与文档语义结构的kk维语义空间,并基于此实现创新原理知识文档间语义相似度计算、语义关联度量与关联关系标记。
其中,潜在语义空间是设计原理类知识词语间语义关系的再现,如何对其进行有效合理评价是关键,直接影响设计原理类知识语义关联计算的准确性。为此,我们基于查准率、查全率与响应时间信息检索衡量指标,引入组合相似性(Combinatorial Similarity)、置换相似性(Permutation Similarity)与定量相似性(Quantitative Similarity)等量化方法,采用文档自相关矩阵、文档自检索矩阵等检验工具,综合评价生成的潜在语义空间。
步骤(3):支持产品快速创新设计的知识混合融合推理。
由于产品创新设计过程存在多类型知识:对产品发展方向给予支持的设计原理类知识,实现各种功能原理的设计综合类知识,以及进行具体领域结构和设计方案评价的设计领域类知识,产品快速创新依赖这些知识的交叉融合,考虑到这些知识的应用场景各不相同,使用单一类型知识推理较难生成最优的创新设计方案。为此,我们根据各类设计知识应用特点,确定融合推理模式,并研究不同混合融合策略对模型推理性能的影响。
具体步骤如下:
步骤(3-1):设计原理类与综合类知识的融合推理;
如图3所示,由于基于设计原理类与综合类知识的创新问题求解思路更接近于领域专家的思维方法和推理过程,采用专家知识推理模式,其中,针对设计原理类知识的抽象性和不确定性等问题,考虑采用基于可信度因子的规则推理(Rule-Based Reasoning,RBR)模式;而设计综合类知识主要包括大量科学效应和专利案例,考虑采用基于案例的推理(Case-Based Reasoning,CBR)模式。在前期工作中,我们针对部分设计原理类知识与设计综合类知识,分别开展了基于RBR和基于CBR的推理模式研究。单纯基于可信度因子的RBR推理模式容易产生推理证据可信度赋值主观性较强的问题,而单一CBR模式也会由于案例描述结构复杂导致推理可靠性降低。为此,本发明基于D-S(Dempster-Shafer)证据理论融合两种推理模式,充分利用两类设计知识,具体研究方法是:
步骤(3-1-1):基于设计原理类知识与知识间语义关联关系(步骤(2)),通过RBR产生可用于解决创新问题的知识条目的可信度并归一化,得到基于RBR的证据;
步骤(3-1-2):基于CBR通过最相邻策略获取相似的专利案例,并将对应的设计原理类知识条目相似度进行归一化,得到基于CBR的证据;
步骤(3-1-3):将基于设计原理类与综合类知识推理的证据按以下方式进行融合:
其中,各个证据对应的设计原理类知识识别框架为{I1,I2,...,In},mi与mj分别代表两个不同设计知识来源的证据,wi与wj分别代表证据i与j的权重,Iα∩Iβ=I表示设计知识条目I可由Iα与Iβ相交得到,1≤α≤n,1≤β≤n,K是归一化因子。
由于权重是衡量各证据可信度的重要指标,因此,如何通过分析证据特征实现权重自适应分配是本阶段的重点研究内容之一。
步骤(3-2):设计原理类与领域类知识的融合推理;
设计领域类知识为实施创新设计策略提供不同领域具体设计事实知识,如领域工程标准、计算公式、工艺规划等,但由于知识组织与应用模式各不相同,很难直接使用传统专家知识推理模式。为此,本发明基于主题图相似性算法,实现设计领域专家知识与非专家知识的融合推理,具体研究思路如下:
步骤(3-2-1):基于构建的设计领域本体模型(步骤(1)),综合考虑术语语法相似度、语义相似度和语用相似度,采用主题图相似性算法,如ETMSC算法,计算术语相似性。在探索不同类型设计知识术语语用相似度计算时,按“领域术语->领域本体概念->领域顶层分类框架概念”步骤将术语间语用关系扩展到设计知识元数据层面,并按以下方式求取术语间语用相似性:
其中,Sp(ti do,tj do)与Sp(ti uo,tj uo)分别代表领域术语termi与termj在领域本体和领域顶层分类框架层面映射的概念间语用相似度,其可基于主题模型计算,如LDA算法。
步骤(3-2-2):选取设计领域类知识中可使用的知识条目,基于术语相似度获取相关设计原理类知识条目,并基于此得到RBR推理结果,实现设计原理类与领域类知识的融合推理。
步骤(3-3):基于卷积神经网络的设计知识混合融合推理。
在同一设计原理类知识识别框架{I1,I2,···,In}下,根据步骤(3-1)与(3-2)可得到数量相对稳定的识别向量。由于单一识别向量不足以为产品创新设计提供准确、全面的决策支持,本发明基于卷积神经网络构建多源异构设计知识混合融合推理模型,通过训练模型,自适应修改混合策略,提高模型决策性能。由于输入数据结构较为简单,本发明选择LeNet-5结构并保留单层卷积层和下采样层,结合领域特点,确定输入层与输出层维度、卷积层采用的激活函数、以及模型的目标函数,主要研究以下几方面内容:
步骤(3-3-1):针对各知识融合推理得到的识别向量,标准化其符号表示,形成矩阵Rm×n,m与n分别表示知识融合推理次数与设计原理类知识总数,R取值范围为{0,1},1表示通过该知识融合过程推理得到该设计知识条目,0表示通过该知识融合过程推理没有得到该设计知识条目;
步骤(3-3-2):确定卷积层与下采样层的规模,如卷积核大小、采样宽度等,对模型决策性能的影响,通过改进网络结构,减少冗余计算量;
步骤(3-3-3):对知识融合推理过程进行聚类,将总是得到相似推理结果的融合推理过程归为一类,在训练和测试阶段使用同一组训练模型参数。
本发明在Java、GATE、Protégé、JESS、Python等环境中搭建功能模块测试平台,从专利、CNKI文献、设计规范、专家经验记录、技术标准、产品数据管理平台(Product DataManagement,PDM)以及产品生命周期管理平台(Product Life-Cycle Management,PLM)获取不同知识类型的设计数据,利用我们提出的关联计算算法与混合融合推理模型对各类设计知识进行深度挖掘与推理,采用与领域专家决策相结合的手段对产品创新机理进行分析,并辅以一定的设计工程实验验证及相关的文献支撑材料进行对比分析,对提出算法与模型进行有效性和准确性评估,最后,将算法与模型集成入了我们已开发的计算机辅助创新设计平台STEPS中,进行验证和改进。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种支持产品快速创新的设计知识融合推理方法,其特征在于,包括如下步骤:
步骤(1):面向产品创新设计的知识半自动抽取,实现设计知识统一结构化表示;
步骤(2):支持产品快速创新设计的知识语义关联计算,综合评价生成的潜在语义空间;
步骤(3):支持产品快速创新设计的知识混合融合推理;
步骤(2)具体包括如下步骤:
步骤(2-1):改进权重计算模式,进行领域词语与文档权重计算;
步骤(2-2):通过构建多语义特征空间计算词语语义相似度,并基于此提出词语-文档语义权重;
步骤(2-3):研究准确再现创新原理知识文档语义结构的扩展潜在语义空间构建方法,实现创新原理知识文档间相似度计算、语义关联度量与关联关系标记。
2.根据权利要求1所述的一种支持产品快速创新的设计知识融合推理方法,其特征在于,步骤(1)具体包括如下步骤:
步骤(1-1):针对产品创新设计不同阶段、不同来源、不同结构的设计知识进行分类与表达模式分析;
步骤(1-2):构建设计领域本体模型,从语义层面上解决数据异构性问题;
步骤(1-3):探索基于领域本体的实体识别及其同义关系抽取方法,实现设计知识统一结构化表示。
3.根据权利要求1所述的一种支持产品快速创新的设计知识融合推理方法,其特征在于,步骤(3)具体包括如下步骤:
步骤(3-1):设计原理类与综合类知识的融合推理;
步骤(3-2):设计原理类与领域类知识的融合推理;
步骤(3-3):基于卷积神经网络的设计知识混合融合推理。
4.根据权利要求2所述的一种支持产品快速创新的设计知识融合推理方法,其特征在于,步骤(1-1)中,将设计知识分为设计原理类知识、设计综合类知识和设计领域类知识。
5.根据权利要求1所述的一种支持产品快速创新的设计知识融合推理方法,其特征在于,步骤(2-1)中,权重计算方法如下:
W(termi,docj)=LW(termi,docj)×GWT(termi)×GWD(docj) (1)
其中,W(termi,docj)代表词语termi与文档docj对应的权重,LW(termi,docj)、GWT(termi)和GWD(docj)分别代表词语termi在文档中的局部权重、词语termi的全局权重和文档docj的全局权重;
文档全局权重的计算公式如下:
其中,H(term)用于度量词语的不确定性,H(term/docj)代表文档docj确定出现后,词语变量term仍存在的平均不确定性,H(term)-H(term/docj)代表文档docj确定出现后,词语变量term消除的不确定性,即文档docj提供给词语变量term的信息量,p(termi)表示词语termi在文档集中出现的概率,而p(termi/docj)表示文档docj出现时,词语termi出现的概率。
6.根据权利要求1所述的一种支持产品快速创新的设计知识融合推理方法,其特征在于,步骤(2-2)中,词语语义相似度的计算方法包括语义单元的相似度计算和基于语义单元相似度计算词语语义相似度,其中,语义单元的相似度计算公式如下:
其中,No(sti)表示词语termi语义单元的顺序,{termwi}表示语义单元sti在第w个特征空间获取的词语集,idf(termm)代表设计原理类知识文档集出现词语termm的文档数目的倒数,kw代表第w个特征权重,Qu和Qv分别代表出现词语termi和tremj的指标集;
基于语义单元相似度计算词语语义相似度的公式如下:
其中,|sti|和|stj|分别代表词语terni和termj的语义单元个数。
8.根据权利要求6所述的一种支持产品快速创新的设计知识融合推理方法,其特征在于,步骤(2-3)的具体方法如下:
步骤(2-3-1):基于设计原理类知识词语词频矩阵,分别计算局部权重、词语全局权重与文档全局权重,构造词项-文档矩阵;
步骤(2-3-2):计算词语-文档语义权重,构造词项-文档语义矩阵;
步骤(2-3-3):对词项-文档语义矩阵进行截断的奇异值分解,构建能准确反映词语与文档语义结构的k维语义空间,并基于此实现创新原理知识文档间语义相似度计算、语义关联度量与关联关系标记。
9.根据权利要求3所述的一种支持产品快速创新的设计知识融合推理方法,其特征在于,步骤(3-1)的具体方法如下:
步骤(3-1-1):基于设计原理类知识与知识间语义关联关系,通过基于可信度因子的规则推理产生可用于解决创新问题的知识条目的可信度并归一化,得到基于可信度因子的规则推理的证据;
步骤(3-1-2):基于案例的推理通过最相邻策略获取相似的专利案例,并将对应的设计原理类知识条目相似度进行归一化,得到基于案例的推理的证据;
步骤(3-1-3):将基于设计原理类与综合类知识推理的证据按以下方式进行融合:
其中,各个证据对应的设计原理类知识识别框架为{I1,I2,...,In},mi与mj分别代表两个不同设计知识来源的证据,wi与wj分别代表证据i与j的权重,Iα∩Iβ=I表示设计知识条目I可由Iα与Iβ相交得到,1≤α≤n,1≤β≤n,K是归一化因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010451852.8A CN111738445B (zh) | 2020-05-26 | 2020-05-26 | 一种支持产品快速创新的设计知识融合推理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010451852.8A CN111738445B (zh) | 2020-05-26 | 2020-05-26 | 一种支持产品快速创新的设计知识融合推理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111738445A CN111738445A (zh) | 2020-10-02 |
CN111738445B true CN111738445B (zh) | 2023-05-23 |
Family
ID=72646777
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010451852.8A Active CN111738445B (zh) | 2020-05-26 | 2020-05-26 | 一种支持产品快速创新的设计知识融合推理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111738445B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113341874B (zh) * | 2021-06-07 | 2022-04-12 | 大连理工大学 | 一种基于混合推理的车削加工参数自动加载方法 |
CN114490120B (zh) * | 2021-12-30 | 2024-04-09 | 重庆特斯联智慧科技股份有限公司 | 用于物流机器人运营后台的远程交互方法和系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108536664A (zh) * | 2017-03-01 | 2018-09-14 | 华东师范大学 | 商品领域的知识融合方法 |
CN110472061A (zh) * | 2019-07-08 | 2019-11-19 | 郑州大学 | 一种基于短文本相似度计算的知识图谱融合方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101587486A (zh) * | 2009-06-23 | 2009-11-25 | 四川大学 | 支持产品创新的设计知识的组织与应用方法 |
CN105468704A (zh) * | 2015-11-18 | 2016-04-06 | 中国传媒大学 | 面向舞美场景设计的快速创意生成方法 |
CN106815293A (zh) * | 2016-12-08 | 2017-06-09 | 中国电子科技集团公司第三十二研究所 | 一种面向情报分析的构建知识图谱的系统及方法 |
CN107633075A (zh) * | 2017-09-22 | 2018-01-26 | 吉林大学 | 一种多源异构数据融合平台及融合方法 |
CN109522418B (zh) * | 2018-11-08 | 2020-05-12 | 杭州费尔斯通科技有限公司 | 一种半自动的知识图谱构建方法 |
CN109840270A (zh) * | 2018-12-23 | 2019-06-04 | 国网浙江省电力有限公司 | 一种基于Neo4j的电网设备信息管理方法 |
CN110837566B (zh) * | 2019-11-15 | 2022-05-13 | 北京邮电大学 | 一种针对cnc机床故障诊断的知识图谱的动态构建方法 |
-
2020
- 2020-05-26 CN CN202010451852.8A patent/CN111738445B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108536664A (zh) * | 2017-03-01 | 2018-09-14 | 华东师范大学 | 商品领域的知识融合方法 |
CN110472061A (zh) * | 2019-07-08 | 2019-11-19 | 郑州大学 | 一种基于短文本相似度计算的知识图谱融合方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111738445A (zh) | 2020-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | An automatic literature knowledge graph and reasoning network modeling framework based on ontology and natural language processing | |
Yu et al. | A relationship extraction method for domain knowledge graph construction | |
Jiang et al. | Wikipedia-based information content and semantic similarity computation | |
Al-Hroob et al. | The use of artificial neural networks for extracting actions and actors from requirements document | |
Feng et al. | Enhanced sentiment labeling and implicit aspect identification by integration of deep convolution neural network and sequential algorithm | |
Wan et al. | Financial causal sentence recognition based on BERT-CNN text classification | |
Dai et al. | A regularization approach for incorporating event knowledge and coreference relations into neural discourse parsing | |
Zhang et al. | Aspect-based sentiment analysis for user reviews | |
CN111738445B (zh) | 一种支持产品快速创新的设计知识融合推理方法 | |
Zhou et al. | Textrank keyword extraction algorithm using word vector clustering based on rough data-deduction | |
Ahanin et al. | A multi-label emoji classification method using balanced pointwise mutual information-based feature selection | |
Naser-Karajah et al. | Current trends and approaches in synonyms extraction: Potential adaptation to arabic | |
Jing et al. | An integrated implicit user preference mining approach for uncertain conceptual design decision-making: A pipeline inspection trolley design case study | |
Li et al. | Automatically classifying non-functional requirements using deep neural network | |
Babich et al. | The technique of key text characteristics analysis for mass media text nature assessment | |
Midhunchakkaravarthy et al. | A novel approach for feature fatigue analysis using HMM stemming and adaptive invasive weed optimisation with hybrid firework optimisation method | |
Barik et al. | Analysis of customer reviews with an improved VADER lexicon classifier | |
Khiroun et al. | A possibilistic approach for automatic word sense disambiguation | |
Girija et al. | A comparative review on approaches of aspect level sentiment analysis | |
Nabavi et al. | Leveraging Natural Language Processing for Automated Information Inquiry from Building Information Models. | |
Li | Deep Learning-Based Natural Language Processing Methods for Sentiment Analysis in Social Networks | |
Li et al. | An associative knowledge network model for interpretable semantic representation of noun context | |
Fan et al. | A Summary of Aspect-based Sentiment Analysis | |
Mishra et al. | Aspect-Based sentiment analysis of online product reviews | |
Mente et al. | Review of Word Sense Disambiguation and It’S Approaches |
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 |