CN113111256A - 基于深度知识图谱的生产工单推荐方法 - Google Patents
基于深度知识图谱的生产工单推荐方法 Download PDFInfo
- Publication number
- CN113111256A CN113111256A CN202110326133.8A CN202110326133A CN113111256A CN 113111256 A CN113111256 A CN 113111256A CN 202110326133 A CN202110326133 A CN 202110326133A CN 113111256 A CN113111256 A CN 113111256A
- Authority
- CN
- China
- Prior art keywords
- work order
- manufacturer
- knowledge
- production work
- production
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/288—Entity relationship models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Animal Behavior & Ethology (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于深度知识图谱的生产工单推荐方法,包括建立生产工单知识图谱,动态更新生产工单知识图谱;将生产工单知识图谱作为样本输入循环神经网络,训练样本得到包括生产厂家隐表示和生产商品隐表示的生产厂家信息;确定目标生产厂家和邻近生产厂家,根据目标生产厂家和邻近生产厂家的生产厂家信息计算相似度,根据相似度得到生成工单的推荐列表。本发明通过使用知识图谱技术建立和动态更新生产工单知识图谱,充分考虑生产厂家的生产工单记录和产品会随时间发生变化这一事实,实现了推荐结果的动态变化;同时通过根据邻近生产厂家和目标生产厂家之间的最大相似度生成推荐列表,提高生产工单推荐结果的精准性。
Description
技术领域
本发明涉及生产工单处理技术领域,具体涉及一种基于深度知识图谱的生产工单推荐方法。
背景技术
随着市场经济的不断发展,人们对提高工作效率的需求越来越迫切,厂家对生产工单的管理也提出了更多要求。现有的工单管理系统种类繁多,功能都包括有添加删除工单、查询检索工单、统计筛选、报表查询等;同时,可以通过用户编号、公司名称、用户名称等查询条件生成内容齐全的生产工单。
推荐功能作为一项已日渐融入人们生活中功能,运用在实际生产生活过程中可以显著提升各行各业的办事效率。但是现有的工单管理系统大都没有包含推荐功能,并且推荐的精准度不高。
发明内容
为此,本发明所要解决的技术问题在于克服现有技术中的不足,提供一种可以根据生产厂家的生产工单记录对生产工单进行精准的个性化推荐的基于深度知识图谱的生产工单推荐方法。
为解决上述技术问题,本发明提供了一种基于深度知识图谱的生产工单推荐方法,包括:
步骤1:利用知识图谱存储生产工单上的属性特征,建立生产工单知识图谱;使用知识图谱中的知识更新技术对生产工单随时间变化而产生的新数据进行数据分析,动态更新生产工单知识图谱;
步骤2:将生产工单知识图谱作为样本输入循环神经网络,训练样本得到包括生产厂家隐表示和生产商品隐表示的生产厂家信息;
步骤3:确定目标生产厂家,将其余的生产厂家作为邻近生产厂家,根据目标生产厂家和邻近生产厂家的生产厂家信息计算相似度,根据相似度得到生成工单的推荐列表。
进一步地,所述步骤1中的利用知识图谱存储生产工单上的属性特征,建立生产工单知识图谱,具体包括:
步骤1.1:从生产工单数据库中抽取生产工单相关的实体、关系和属性的知识信息,
步骤1.2:将抽取得到的知识信息进行知识融合,整合形成知识库,
步骤1.3:对知识库进行知识加工,得到生产工单知识图谱。
进一步地,所述步骤1.1中的所述实体包括商品名称、厂家名称、厂家老板姓名、订购商品者姓名、厂家地址、厂家商品生产记录、厂家商品搜索记录,所述关系包括生产记录、购买记录、邻近关系,所述属性包括商品价格、商品编号、工厂编号、订单数量、商品规格、商品尺寸;
所述步骤1.2中的知识库包括商品知识库、厂家知识库和生产情况知识库;
所述步骤1.3中的知识加工包括通过计算机辅助进行本体的构建,根据生产情况进行知识推理,进行保障知识库质量的质量评估。
进一步地,所述步骤2中的将生产工单知识图谱作为样本输入循环神经网络,训练样本得到包括生产厂家隐表示和生产商品隐表示的生产厂家信息,具体过程为:
步骤2.1:将t时刻的实体xe (t)和t时刻的关系xr (t)相加,作为循环神经网络的总输入x(t);
步骤2.2:初始化t=0时刻的状态记忆h(0)、x(0)的样本的权重U、输出的权重V、上一层状态记忆的权重W,U、V、W的初值取值均为区间[-0.1,0.1]上的任一随机数,将x(0)输入循环神经网络中的第一层隐层;
步骤2.3:根据此时的x(t)计算状态记忆h(t)=f(W×h(t-1)+U×x(t)),其中f为激活函数;
步骤2.4:根据此时的h(t)计算输出o(t)=g(V×h(t)),其中g为激活函数;
步骤2.5:更新权重U、V、W,将输出o(t)作为循环神经网络中的下一层隐层的输入,进入t=t+1时刻;
步骤2.6:重复步骤2.3~2.5,直到样本经过循环神经网络的每一层隐层,训练完成,将此时的o(t)输出,得到生产厂家信息。
进一步地,所述步骤2.3中的所述f为sigmoid函数或者tanh函数,所述步骤2.4中的所述g为softmax函数。
进一步地,所述步骤2.5中更新权重U、V、W的方法为使用BPTT算法更新权重U、V、W。
进一步地,所述使用BPTT算法更新权重U、V、W的具体过程为:
其中U’、V’和W’为更新后的权重,L(t)为t时刻的损失函数。
进一步地,所述L(t)为平方损失函数,L(t)的计算公式为:
L(t)(y(t),f(t)(x))=(y(t)-f(t)(x))2,其中y(t)表示t时刻样本的实际数值,f(t)(x)表示t时刻通过循环神经网络模型计算得到的样本的计算数值。
进一步地,所述步骤3中根据目标生产厂家和邻近生产厂家的生产厂家信息计算相似度,具体方法为通过计算目标生产厂家和各邻近生产厂家之间的余弦相似度cos(θ)得到相似度S,S的计算公式为:
进一步地,所述根据相似度得到生成工单的推荐列表,具体为:根据计算出的相似度S筛选出S的值在区间[0,1]上的数值,将这些数值所对应的商品作为生产工单的推荐列表。
本发明的上述技术方案相比现有技术具有以下优点:
(1)本发明通过使用知识图谱技术建立和动态更新生产工单知识图谱,将生产厂家的生产工单记录作为影响推荐结果的影响因子,并且充分考虑生产厂家生产的产品会随时间发生变化这一事实,实现了推荐结果的动态变化,提高生产工单推荐结果的精准性。
(2)本发明充分搜集邻近生产工单的信息资源,根据邻近生产厂家和目标生产厂家之间的最大相似度生成推荐列表,相比于传统的推荐算法只从自身进行数据集的构建和特征提取而忽视同样具有大量信息资源的邻近者,本发明可以达到更精准的生产工单的个性化推荐。
附图说明
为了使本发明的内容更容易被清楚的理解,下面根据本发明的具体实施例并结合附图,对本发明作进一步详细的说明。
图1是本发明的结构图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
在本发明的描述中,需要理解的是,术语“包括”意图在于覆盖不排他的包含,例如包含了一系列步骤或单元的过程、方法、系统、产品或设备,没有限定于已列出的步骤或单元而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
参照图1所示,本发明一种基于深度知识图谱的生产工单推荐方法的实施例,包括:
步骤1:利用知识图谱存储生产工单上的属性特征,建立生产工单知识图谱。使用知识图谱中的知识更新技术动态更新生产工单知识图谱,实现动态变化的生产工单推荐。通过知识图谱存储和更新生产商品和生成厂家的信息,可以直观地了解厂家和商品之间以及内部的关系,从而得到目标生产厂家和邻近生产厂家,在检索时也更加便捷、快速。
步骤1.1:进行知识抽取,从生产工单数据库中抽取生产工单相关的实体、关系和属性等结构化的知识信息。所述实体包括“商品名称”、“厂家名称”、“厂家老板姓名”、“订购商品者姓名”、“厂家地址”、“厂家商品生产记录”、“厂家商品搜索记录”等,所述关系包括“生产记录”、“购买记录”、“邻近关系”等,所述属性包括“商品价格”、“商品编号”、“工厂编号”、“订单数量”、“商品规格”、“商品尺寸”等。
步骤1.2:将抽取得到的多个不完整不准确的知识信息进行知识融合,整合形成完整准确的知识库,用于解决实体对齐。所述知识库包括商品知识库、厂家知识库和生产情况知识库。
步骤1.3:对知识库进行知识加工,获得结构化、网络化的生产工单知识图谱。知识加工包括通过计算机辅助进行本体的构建,根据生产情况进行知识推理,进行保障知识库质量的质量评估。
步骤1.4:使用知识图谱中的知识更新技术对生产工单随时间变化而产生的生产记录、搜索记录、购买记录、邻近厂商等新数据进行数据分析,动态更新生产工单知识图谱,预测生产工单在未来短期内可能出现的更新从而达到推荐结果动态变化的目标。
步骤2:将构建的生产工单知识图谱作为样本输入循环神经网络(RecurrentNeural Network,RNN),训练样本得到包括生产厂家隐表示和生产商品隐表示的生产厂家信息。
循环神经网络包括输入、多层隐层和输出,其中各隐层之间的节点是连接的。在隐层中,t表示时间序列,x表示输入的样本,h(t)表示样本在时间t处的记忆。t时刻的样本x(t)由知识实体和知识关系构成,t时刻的实体通过xe (t)表示,t时刻的关系通过xr (t)表示。W表示上一时刻状态记忆的权重,U表示此刻输入的样本的权重,V表示此刻输出的样本的权重。权重U、V、W可以控制企业转型、结构转变等各种生产信息在计算工单推荐列表时的占比程度,使知识图谱中的企业转型、结构转变等信息都对生产工单推荐结果产生影响,实现生产工单动态推荐的同时提高个性化推荐的精准性。
步骤2.2:初始化t=0时刻的状态记忆h(0)、x(0)的样本的权重U、输出的权重V、上一层状态记忆的权重W,U、V、W的初值取值均为区间[-0.1,0.1]上的任一随机数,将x(0)输入循环神经网络中的第一层隐层。
步骤2.3:根据此时的x(t)计算状态记忆h(t)=f(W×h(t-1)+U×x(t)),其中f为激活函数,f可以为sigmoid函数或者tanh函数,本实施例中选择tanh函数作为f激活函数。
不选择sigmoid函数是因为在求解最优权重时,sigmoid函数的导数范围是(0,0.2.5),它的导数都不大于1,会导致在使用sigmoid函数时是一堆小数在做乘法,其结果只会越来越小;随着时间序列的深入,小数的累乘会使梯度越来越接近于0,导致出现“梯度消失”现象;梯度消失意味着消失那一层的参数再也不更新,那么那一层隐层就变成单纯的映射层而无意义。
步骤2.4:根据此时的h(t)计算输出o(t),o(t)=g(V×h(t)),其中g为激活函数,本实施例中选择softmax函数作为g激活函数。
步骤2.5:更新权重U、V、W,将输出o(t)作为循环神经网络中的下一层隐层的输入,进入t=t+1时刻。由于每一步的输出不仅仅依赖当前的网络,还需要若干步之前网络的状态,因此采用BPTT(back-propagation through time)训练方法对权重U、V、W的数值进行更新。BPTT沿着需要优化的参数的负梯度方向不断寻找更优的点直至收敛,其本质依然是梯度下降法,那么需要寻找最优解的参数有三个,分别为U、V、W。
U的更新方式为其中L(t)为当前t时刻的平方损失函数,损失函数使用平方损失函数L(t)(y(t),f(t)(x))=(y(t)-f(t)(x))2,其中y(t)表示t时刻的训练样本的实际数值,f(t)(x)表示t时刻通过循环神经网络模型计算得出的训练样本的计算数值。
步骤2.6:重复步骤2.3~2.5,直到样本经过循环神经网络的每一层隐层,将此时的o(t)作为输出,o(t)包含生产厂家隐表示和生产商品隐表示。
步骤3:确定目标生产厂家,将其余的生产厂家作为邻近生产厂家,根据目标生产厂家和邻近生产厂家的生产厂家信息计算相似度,根据相似度得到生成工单的推荐列表。
其中x1t代表t时刻的目标生产厂家的信息(包括目标生产厂家隐表示和生产商品隐表示),x2t代表t时刻的邻近生产厂家的信息(包括邻近生产厂家隐表示和生产商品隐表示)。余弦值cos(θ)的范围为[-1,1],-1代表完全负相关,+1代表完全正相关。余弦值cos(θ)越大,表示目标生产厂家和该邻近生产厂家的相似度S越高。根据计算出的相似度S筛选出S的值在区间[0.1]的数值,将这些数值所对应的商品作为生产工单的推荐列表。
普通的卷积神经网络或全连接神经网络是从输入层到隐层再到输出层的结构,层与层之间是全连接而且每层节点之间是无连接的。这种神经网络在推荐的过程中,往往无法根据当前的情况和历史情况做出及时的推荐调整。RNN因为能够建立不同时刻数据之间的依赖关系,进而实现针更精准适时的推荐。RNN最大的特点在于神经网络各隐层之间的节点是连接的。RNN能够通过获取前一时刻隐层的输出来计算当前时刻隐层的输出,也就是说RNN具有对过去信息记忆的功能。而隐层的神经元也是带有权值的,这就表示随着算法的执行,前面的隐层将会影响到后面的隐层。通过循环神将网络计算得出的生产工单推荐列表将具有更高的准确性和可靠性。此外循环神经网络还会计算出目标生产厂家和邻近生产厂家之间的匹配度,使邻近生产厂家的生成工单在目标生产厂家推荐结果上也占有一定的权重。
本发明的上述技术方案相比现有技术具有以下优点:
(1)本发明不仅将生产厂家的生产工单记录作为影响推荐结果的影响因子,同时还考虑到生产厂家的生产结构转变、企业转型等影响因素并给予一定的权重,充分考虑生产厂家生产的产品会随时间发生变化这一事实,实现推荐结果的动态变化。
(2)本发明充分搜集邻近生产工单的信息资源,找寻邻近生产厂家和目标生产厂家之间的最大相似度,相比于传统的推荐算法只从自身进行数据集的构建和特征提取而忽视同样具有大量信息资源的邻近者,本发明可以达到更精准的生产工单个性化推荐效果。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,上述实施例仅仅是为清楚地说明所作的举例,并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种基于深度知识图谱的生产工单推荐方法,其特征在于,包括:
步骤1:利用知识图谱存储生产工单上的属性特征,建立生产工单知识图谱;使用知识图谱中的知识更新技术对生产工单随时间变化而产生的新数据进行数据分析,动态更新生产工单知识图谱;
步骤2:将生产工单知识图谱作为样本输入循环神经网络,训练样本得到包括生产厂家隐表示和生产商品隐表示的生产厂家信息;
步骤3:确定目标生产厂家,将其余的生产厂家作为邻近生产厂家,根据目标生产厂家和邻近生产厂家的生产厂家信息计算相似度,根据相似度得到生成工单的推荐列表。
2.根据权利要求1所述的基于深度知识图谱的生产工单推荐方法,其特征在于:所述步骤1中的利用知识图谱存储生产工单上的属性特征,建立生产工单知识图谱,具体包括:
步骤1.1:从生产工单数据库中抽取生产工单相关的实体、关系和属性的知识信息,
步骤1.2:将抽取得到的知识信息进行知识融合,整合形成知识库,
步骤1.3:对知识库进行知识加工,得到生产工单知识图谱。
3.根据权利要求2所述的基于深度知识图谱的生产工单推荐方法,其特征在于:所述步骤1.1中的所述实体包括商品名称、厂家名称、厂家老板姓名、订购商品者姓名、厂家地址、厂家商品生产记录、厂家商品搜索记录,所述关系包括生产记录、购买记录、邻近关系,所述属性包括商品价格、商品编号、工厂编号、订单数量、商品规格、商品尺寸;
所述步骤1.2中的知识库包括商品知识库、厂家知识库和生产情况知识库;
所述步骤1.3中的知识加工包括通过计算机辅助进行本体的构建,根据生产情况进行知识推理,进行保障知识库质量的质量评估。
4.根据权利要求1所述的基于深度知识图谱的生产工单推荐方法,其特征在于:所述步骤2中的将生产工单知识图谱作为样本输入循环神经网络,训练样本得到包括生产厂家隐表示和生产商品隐表示的生产厂家信息,具体过程为:
步骤2.1:将t时刻的实体xe (t)和t时刻的关系xr (t)相加,作为循环神经网络的总输入x(t);
步骤2.2:初始化t=0时刻的状态记忆h(0)、x(0)的样本的权重U、输出的权重V、上一层状态记忆的权重W,U、V、W的初值取值均为区间[-0.1,0.1]上的任一随机数,将x(0)输入循环神经网络中的第一层隐层;
步骤2.3:根据此时的x(t)计算状态记忆h(t)=f(W×h(t-1)+U×x(t)),其中f为激活函数;
步骤2.4:根据此时的h(t)计算输出o(t)=g(V×h(t)),其中g为激活函数;
步骤2.5:更新权重U、V、W,将输出o(t)作为循环神经网络中的下一层隐层的输入,进入t=t+1时刻;
步骤2.6:重复步骤2.3~2.5,直到样本经过循环神经网络的每一层隐层,训练完成,将此时的o(t)输出,得到生产厂家信息。
5.根据权利要求4所述的基于深度知识图谱的生产工单推荐方法,其特征在于:所述步骤2.3中的所述f为sigmoid函数或者tanh函数,所述步骤2.4中的所述g为softmax函数。
6.根据权利要求4所述的基于深度知识图谱的生产工单推荐方法,其特征在于:所述步骤2.5中更新权重U、V、W的方法为使用BPTT算法更新权重U、V、W。
8.根据权利要求7所述的基于深度知识图谱的生产工单推荐方法,其特征在于:所述L(t)为平方损失函数,L(t)的计算公式为:
L(t)(y(t),f(t)(x))=(y(t)-f(t)(x))2,其中y(t)表示t时刻样本的实际数值,f(t)(x)表示t时刻通过循环神经网络模型计算得到的样本的计算数值。
10.根据权利要求9所述的基于深度知识图谱的生产工单推荐方法,其特征在于:所述根据相似度得到生成工单的推荐列表,具体为:根据计算出的相似度S筛选出S的值在区间[0,1]上的数值,将这些数值所对应的商品作为生产工单的推荐列表。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110326133.8A CN113111256A (zh) | 2021-03-26 | 2021-03-26 | 基于深度知识图谱的生产工单推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110326133.8A CN113111256A (zh) | 2021-03-26 | 2021-03-26 | 基于深度知识图谱的生产工单推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113111256A true CN113111256A (zh) | 2021-07-13 |
Family
ID=76712300
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110326133.8A Pending CN113111256A (zh) | 2021-03-26 | 2021-03-26 | 基于深度知识图谱的生产工单推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113111256A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116542634A (zh) * | 2023-06-21 | 2023-08-04 | 中国电信股份有限公司 | 工单处理方法、装置和计算机可读存储介质 |
CN117094688A (zh) * | 2023-10-20 | 2023-11-21 | 国网信通亿力科技有限责任公司 | 一种供电所数字化管控方法及系统 |
-
2021
- 2021-03-26 CN CN202110326133.8A patent/CN113111256A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116542634A (zh) * | 2023-06-21 | 2023-08-04 | 中国电信股份有限公司 | 工单处理方法、装置和计算机可读存储介质 |
CN117094688A (zh) * | 2023-10-20 | 2023-11-21 | 国网信通亿力科技有限责任公司 | 一种供电所数字化管控方法及系统 |
CN117094688B (zh) * | 2023-10-20 | 2023-12-19 | 国网信通亿力科技有限责任公司 | 一种供电所数字化管控方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kizielewicz et al. | Comparison of Fuzzy TOPSIS, Fuzzy VIKOR, Fuzzy WASPAS and Fuzzy MMOORA methods in the housing selection problem | |
CN111563706A (zh) | 一种基于lstm网络的多变量物流货运量预测方法 | |
Rao et al. | Multi-attribute group decision making method with dual comprehensive clouds under information environment of dual uncertain Z-numbers | |
CN113298230B (zh) | 一种基于生成对抗网络的不平衡数据集的预测方法 | |
Huang et al. | Forecasting container throughput of Qingdao port with a hybrid model | |
CN113590900A (zh) | 一种融合动态知识图谱的序列推荐方法 | |
Rahman et al. | Discretization of continuous attributes through low frequency numerical values and attribute interdependency | |
CN110910218A (zh) | 一种基于深度学习的多行为迁移推荐方法 | |
Chirra et al. | A survey on software cost estimation techniques | |
CN110647683B (zh) | 一种信息推荐方法、装置 | |
CN111582538A (zh) | 一种基于图神经网络的社群价值预测方法及系统 | |
CN113111256A (zh) | 基于深度知识图谱的生产工单推荐方法 | |
CN114091614A (zh) | 一种实体标签关联预测方法、装置及计算机可读存储介质 | |
CN115186097A (zh) | 一种基于知识图谱和强化学习的交互式推荐方法 | |
CN115470994B (zh) | 基于显式时间和级联注意力的信息流行度预测方法和系统 | |
CN109002927A (zh) | 基于递归神经网络的油田勘探储量预测方法 | |
CN114706989A (zh) | 一种基于技术创新资产为知识库的智能推荐方法 | |
CN106407379A (zh) | 一种基于Hadoop平台的电影推荐方法 | |
CN106097094A (zh) | 一种面向中小企业的人机结合信贷评估新模型 | |
Wang et al. | Distribution inference from early-stage stationary data streams by transfer learning | |
CN117312680A (zh) | 一种基于用户-实体子图对比学习的资源推荐方法 | |
Wu et al. | A forecasting model based support vector machine and particle swarm optimization | |
Gunawan et al. | C4. 5, K-Nearest Neighbor, Naïve Bayes, and Random Forest Algorithms Comparison to Predict Students' on TIME Graduation | |
CN116629918A (zh) | 一种基于跨境电商的用户消费预测方法及系统 | |
Yu et al. | SALSTM: An improved LSTM algorithm for predicting the competitiveness of export products |
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 |