CN114186759A - 基于减速机知识图谱的物料调度控制方法及其系统 - Google Patents
基于减速机知识图谱的物料调度控制方法及其系统 Download PDFInfo
- Publication number
- CN114186759A CN114186759A CN202210140390.7A CN202210140390A CN114186759A CN 114186759 A CN114186759 A CN 114186759A CN 202210140390 A CN202210140390 A CN 202210140390A CN 114186759 A CN114186759 A CN 114186759A
- Authority
- CN
- China
- Prior art keywords
- entities
- corpus
- standardized
- entity
- knowledge
- 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
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- 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
- G06Q10/06316—Sequencing of tasks or work
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于减速机知识图谱的物料调度控制方法,可包括:根据对减速机的物料调度和生产控制的原始描述文件,构建标准化语料库,其中标准化语料库包括主体语料、工序语料、调度控制对象语料以及附加性因素语料。根据标准化语料库,构建针对减速机的物料调度和生产控制的知识图谱。以及提取减速机的生产计划中的关键词,并将关键词与知识图谱进行匹配,确定减速机对应的主体信息、工序信息、调度控制对象信息以及附加信息,以实现针对减速机的物料调度和生产控制。能够结合对不同型号类型的减速机的实际生产需求,针对性地给予物料调度和生产控制的优化辅助。
Description
技术领域
本申请涉及减速机技术领域,尤其涉及一种基于减速机知识图谱的物料调度控制方法及其系统。
背景技术
减速机是原动机和工作机之间用来降低转速和增大转矩的传动设备。减速机具有多种不同类型,包括:齿轮减速机、蜗轮蜗杆减速机、摆线针轮减速机等。另外,每种类型的减速机又对应着多种不同的型号。不同类型和型号的减速机适用的产品和应用场景不同,以致其内部结构、零部件、外围配件、加工工艺、组装搭配方式都存在差异。对于综合性的减速机生产企业而言,针对各种类型和型号的减速机,其生产所需的零部件、外围配件等物料的调度以及为适应减速机结构而进行的加工工艺、组装搭配的生产控制都比较复杂,且其中定制件和非标准件较多,生产调度难度较大。
但是,现有的减速机物料管理系统,只能实现一般的进度追踪、库存量统计、和缺货告警等功能,并不能基于减速机生产的实际需求,给予减速机生产的物料调度以及生产控制过程中的优化辅助。
发明内容
本申请提供了一种基于减速机知识图谱的物料调度控制方法及其系统,以期解决或部分解决背景技术中涉及的上述问题或现有技术中的其它至少一个不足。
本申请提出了这样一种基于减速机知识图谱的物料调度控制方法,可包括:
根据对减速机的物料调度和生产控制的原始描述文件,构建标准化语料库,其中标准化语料库包括主体语料、工序语料、调度控制对象语料以及附加性因素语料。根据标准化语料库,构建针对减速机的物料调度和生产控制的知识图谱。以及提取减速机的生产计划中的关键词,并将关键词与知识图谱进行匹配,确定减速机对应的主体信息、工序信息、调度控制对象信息以及附加信息,以实现针对减速机的物料调度和生产控制。
在一些实施方式中,根据对减速机的物料调度和生产控制的原始描述文件,构建标准化语料库,可包括:汇集多种减速机的物料调度和生产控制的原始描述文件。对原始描述文件中的多个语料进行文字编码格式标准化处理、语料去重处理以及语料清洗,获得多个待标记的标准化语料。按照预定的规则,分别对待标记的标准化语料进行属性标记,生成标准化语料库,其中属性包括主体、工序、调度控制对象以及附加性因素,标准化语料库包括主体语料、工序语料、调度控制对象语料以及附加性因素语料。
在一些实施方式中,根据标准化语料库,构建针对减速机的物料调度和生产控制的知识图谱,可包括:构建多个表征实体之间的逻辑关系的三元组框架,以及构建多个表征实体及其属性信息之间对应关系的三元组框架,其中,实体包括主体语料、工序语料、调度控制对象语料以及附加性因素语料。运用知识抽取技术,在标准化语料库中抽取多个实体、多个实体之间的逻辑关系、以及多个实体分别对应的属性信息。运用知识融合技术,在多个实体中筛选出具有相似性的至少两个实体,并将至少两个实体进行实体融合或实体关系融合,以去除冗余实体。将进行实体融合或实体关系融合后的多个实体、多个实体之间的逻辑关系、以及多个实体分别对应的属性信息映射至多个表征实体之间的逻辑关系的三元组框架中,以及多个表征实体及其属性信息之间对应关系的三元组框架中。
在一些实施方式中,知识抽取技术可包括:实体抽取技术,包括:利用采集的多个实体训练样本对命名实体识别模型进行训练,由训练完成的命名实体识别模型对标准化语料库中进行实体抽取,并生成实体库。关系抽取技术,包括:标准化语料库中,抽取关于实体之间的逻辑关系或实体与其属性信息之间的逻辑关系的描述信息,根据描述信息确定实体之间的逻辑关系,以构建实体之间的语义联系。属性信息抽取技术,包括:在标准化语料库中,抽取各个实体的属性信息。
在一些实施方式中,由命名实体识别模型输出包括多个实体的序列的标签,可包括:利用BERT语言模块获取表征多个实体的词向量,其中,词向量之间的逻辑关系表征实体的特征信息;将多个词向量输入至BiLSTM模块中,由BiLSTM模块深度学习词向量表征的所述特征信息,并分别对多个词向量进行识别标记,获得表征实体的特征的多个初始序列标签;以及由CRF模块对多个初始序列标签进行筛选,输出表征实体的边界的实际序列标签。
在一些实施方式中,知识融合技术可包括:对实体的本体概念与层级进行相似度计算,筛选出本体概念与层级的相似度高于预设阈值的相似度值对应的实体,并将实体的本体进行融合;以及对至少两个实体进行关于实体名称、实体之间逻辑关系和属性信息的相似度计算,筛选出高于预设阈值的相似度值对应的至少两个实体,并将至少两个实体进行融合。
在一些实施方式中,至少两个实体之间的属性的相似度值为:
其中,A和B分别表示实体名称,m表示属性类型,n表示A和B在语义空间中的分词数量,ai表示实体A在语义空间中的分词词频,bi表示实体B在语义空间中的分词词频。
在一些实施方式中,至少两个实体在各属性上的语义相似度与属性数量的比例:
其中,s表示属性数量,并且S A,B 介于0至1之间。
本申请还提出了这样一种基于减速机知识图谱的物料调度控制系统,可包括:标准化语料库构建模块、知识图谱构建模块和调度控制模块。标准化语料库构建模块用于根据对减速机的物料调度和生产控制的原始描述文件,构建标准化语料库,其中标准化语料库包括主体语料、工序语料、调度控制对象语料以及附加性因素语料。知识图谱构建模块用于根据所述标准化语料库,构建针对减速机的物料调度和生产控制的知识图谱。调度控制模块用于提取减速机的生产计划中的关键词,并将关键词与知识图谱进行匹配,确定减速机对应的主体信息、工序信息、调度控制对象信息以及附加信息,以实现针对减速机的物料调度和生产控制。
在一些实施方式中,标准化语料库构建模块的执行步骤可包括:汇集多种减速机的物料调度和生产控制的原始描述文件;对原始描述文件中的多个语料进行文字编码格式标准化处理、语料去重处理以及语料清洗,获得多个待标记的标准化语料;以及按照预定的规则,分别对待标记的标准化语料进行属性标记,生成标准化语料库,其中属性包括主体、工序、调度控制对象以及附加性因素,标准化语料库包括主体语料、工序语料、调度控制对象语料以及附加性因素语料。
在一些实施方式中,知识图谱构建模块的执行步骤可包括:构建多个表征实体之间的逻辑关系的三元组框架,以及构建多个表征实体及其属性信息之间对应关系的三元组框架,其中,实体包括主体语料、工序语料、调度控制对象语料以及附加性因素语料;运用知识抽取技术,在标准化语料库中抽取多个实体、多个实体之间的逻辑关系、以及多个实体分别对应的属性信息;运用知识融合技术,在多个实体中筛选出具有相似性的至少两个实体,并将至少两个实体进行实体融合或实体关系融合,以去除冗余实体;以及将进行实体融合或实体关系融合后的多个实体、多个实体之间的逻辑关系、以及多个实体分别对应的属性信息映射至多个表征实体之间的逻辑关系的三元组框架中,以及多个表征实体及其属性信息之间对应关系的三元组框架中。
在一些实施方式中,知识抽取技术可包括:实体抽取技术,包括:利用采集的多个实体训练样本对命名实体识别模型进行训练,由训练完成的命名实体识别模型对标准化语料库中进行实体抽取,并生成实体库;关系抽取技术,包括:在标准化语料库中,抽取关于实体之间的逻辑关系或实体与其属性信息之间的逻辑关系的描述信息,根据描述信息确定实体之间的逻辑关系,以构建实体之间的语义联系;以及属性信息抽取技术,包括:在标准化语料库中,抽取各个实体的属性信息。
在一些实施方式中,由命名实体识别模型输出包括多个实体的序列的标签,可包括:利用BERT语言模块获取表征多个实体的词向量,其中,词向量之间的逻辑关系表征实体的特征信息;将多个词向量输入至BiLSTM模块中,由BiLSTM模块深度学习词向量表征的所述特征信息,并分别对多个词向量进行识别标记,获得表征实体的特征的多个初始序列标签;以及由CRF模块对多个初始序列标签进行筛选,输出表征实体的边界的实际序列标签。
在一些实施方式中,知识融合技术可包括:对实体的本体概念与层级进行相似度计算,筛选出本体概念与层级的相似度高于预设阈值的相似度值对应的实体,并将实体的本体进行融合;以及对至少两个实体进行关于实体名称、实体之间逻辑关系和属性信息的相似度计算,筛选出高于预设阈值的相似度值对应的至少两个实体,并将至少两个实体进行融合。
在一些实施方式中,至少两个实体之间的属性的相似度值为:
其中,A和B分别表示实体名称,m表示属性类型,n表示A和B在语义空间中的分词数量,ai表示实体A在语义空间中的分词词频,bi表示实体B在语义空间中的分词词频。
在一些实施方式中,至少两个实体在各属性上的语义相似度与属性数量的比例:
其中,s表示属性数量,S A,B 介于0至1之间。
根据上述的实施方式的技术方案可至少获得以下至少一个有益效果。
根据本申请一实施方式的基于减速机知识图谱的物料调度控制方法及其系统,通过构建适用于减速机的物料调度和生产控制的标准化库,以及构建描述所述标准化库中各个实体的逻辑关系的知识图谱,进而结合任一减速机的生产计划,即可实现针对该减速机的物料调度和生产控制。通过上述方式,能够结合对不同型号类型的减速机的实际生产需求,针对性地给予物料调度和生产控制的优化辅助,降低了在减速机的加工工艺和组装搭配过程中的生产控制的复杂程度,也降低了生产减速机的过程中的物料调度难度。
附图说明
通过阅读参照以下附图所作的对非限制性实施例的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是根据本申请的示例性实施方式的基于减速机知识图谱的物料调度控制方法的流程图;
图2是根据本申请的示例性实施方式的BERT-BiLSTM-CRF模型示意图;以及
图3是根据本申请的示例性实施方式的基于减速机知识图谱的物料调度控制系统的结构示意图。
具体实施方式
为了更好地理解本申请,将参考附图对本申请的各个方面做出更详细的说明。应理解,这些详细说明只是对本申请的示例性实施方式的描述,而非以任何方式限制本申请的范围。在说明书全文中,相同的附图标号指代相同的元件。表述“和/或”包括相关联的所列项目中的一个或多个的任何和全部组合。
在附图中,为了便于说明,已稍微调整了元素的大小、尺寸和形状。附图仅为示例而并非严格按比例绘制。如在本文中使用的,用语“大致”、“大约”以及类似的用语用作表近似的用语,而不用作表程度的用语,并且旨在说明将由本领域普通技术人员认识到的、测量值或计算值中的固有偏差。另外,在本申请中,各步骤处理描述的先后顺序并不必然表示这些处理在实际操作中出现的顺序,除非有明确其它限定或者能够从上下文推导出的除外。
还应理解的是,诸如“包括”、“包括有”、“具有”、“包含”和/或“包含有”等表述在本说明书中是开放性而非封闭性的表述,其表示存在所陈述的特征、元件和/或部件,但不排除一个或多个其它特征、元件、部件和/或它们的组合的存在。此外,当诸如“...中的至少一个”的表述出现在所列特征的列表之后时,其修饰整列特征,而非仅仅修饰列表中的单独元件。此外,当描述本申请的实施方式时,使用“可”表示“本申请的一个或多个实施方式”。并且,用语“示例性的”旨在指代示例或举例说明。
除非另外限定,否则本文中使用的所有措辞(包括工程术语和科技术语)均具有与本申请所属领域普通技术人员的通常理解相同的含义。还应理解的是,除非本申请中有明确的说明,否则在常用词典中定义的词语应被解释为具有与它们在相关技术的上下文中的含义一致的含义,而不应以理想化或过于形式化的意义解释。
需要说明的是,在不冲突的情况下,本申请中的实施方式及实施方式中的特征可以相互组合。下面将参考附图并结合实施方式来详细说明本申请。
减速机在原动力机和执行机构之间起匹配转速和传递转矩的作用,在现代机械中应用极为广泛。减速机按照用途可分为通用减速机和专用减速机两大类,两者的设计、制造和实用特点各不相同。另外,每种类型的减速机又对应于不同的型号,不同型号的减速机适用的产品和应用场景也不同。因此不同类型和型号的内部结构、零部件、外围配件、加工工艺以及组装搭配方式都存在差异。对于综合性的减速机生产企业而言,针对各种类型和型号的减速机,其生产所需的零部件、外围配件等物料的调度、以及为了适应减速机结构而进行的加工工艺、组装搭配的生产控制都较为复杂,为了降低生产减速机时的物料调度和生产控制的难度,本申请提出了基于减速机知识图谱的物料调度控制方法及其系统。
图1是根据本申请的示例性实施方式的基于减速机知识图谱的物料调度控制方法的流程图。
如图1所示,本申请提供了这样一种基于减速机知识图谱的物料调度控制方法,可包括:步骤S1,根据对减速机的物料调度和生产控制的原始描述文件,构建标准化语料库,其中标准化语料库包括主体语料、工序语料、调度控制对象语料以及附加性因素语料。步骤S2,根据标准化语料库,构建针对减速机的物料调度和生产控制的知识图谱。步骤S3,提取减速机的生产计划中的关键词,并将关键词与知识图谱进行匹配,确定减速机对应的主体信息、工序信息、调度控制对象信息以及附加信息,以实现针对减速机的物料调度和生产控制。
在一些实施方式中,首先汇集现有的针对各种类型和型号的减速机的物料调度和生产控制的原始描述文件。原始描述文件相当于多种语料的语料集,例如主体语料、工序语料、调度控制对象语料以及附加性因素语料。具体地,原始描述文件可包括各种类型和型号的减速机的物料调度和生产控制过程涉及的零部件、外围配件、原材料及其加工工艺以及组装搭配方式的指令方案等与主体和工序相关的语料,也可包括与指令方案相关联的进度追溯、工时、成本测算以及故障记录等附加性因素语料。进一步地,对原始描述文件中的若干语料进行文字编码格式标注化处理、语料去重处理以及语料清洗处理。具体地,语料去重处理主要是通过计算原始描述文件中各个语料间的相似度,删除重复的语料内容,以防止一条语料的多次重复。具体地,语料清洗处理是对去重后的语料进行文本清洗,通过将去重后的语料的内容与现有的停用词典进行匹配,进而过滤掉无关或者无意义的语料内容;其中,停用词典列举了若干与生产减速机的物料调度和生产控制无关的语料内容。经过上述处理,可获得一个针对生产减速机的物料调度和生产控制相关的待标记的标准化语料集,该语料集中包含多个待标记的标准化语料。
在一些实施方式中,按照预定的规则,为待标记的标准化语料集中的各个待标记的标准化语料进行属性标签的标记。具体地,可将零部件、外围配件以及原材料等主体语料的属性标签标记为主体名称类型;可将物料运输、各道加工工艺和组装搭配方式等工序语料的属性标签标记为工序类型;可将涉及的装备和运输工具等调度控制对象语料的属性标签标记为调度控制对象类型;以及,可将与组装搭配方式的指令方案相关联的进度追溯、工时、成本测算以及故障记录等附加性因素语料的属性标签标记为附加性因素类型。通过上述标记,可获得一个采取了标准化数据结构的基础数据库,即标准化语料库,并且该标准化语料库包括主体语料、工序语料、调度控制对象语料以及附加性因素语料。
在一些实施方式中,根据标准化语料库,可构建针对减速机的物料调度和生产控制的关联知识图谱。具体地,该知识图谱包括模式层和数据层。更具体地,实体是指具有可区别性且独立存在的某种事物,是知识图谱中最基本的元素,不同的实体之间存在不同的逻辑关系,在模式层,实体可为上文所述的主体语料、工序语料、对象语料和附加性因素语料;同时,在模式层还规定了用于表征各个实体之间的逻辑关系的模式结构,该模式结构可表示为“实体-关系-实体”的三元组框架,其中逻辑关系可包括各个实体之间的关联关系和属性关系;当然,在模式层,针对每个实体还构建了用于表征实体及其属性信息之间对应关系的三元组框架,即“实体-属性-属性值”的三元组框架。其中,“关系”包括:各类减速机在零部件、外围配件、原材料等主体的组装搭配关系;减速机生产涉及的物料运输、加工工艺、组装搭配方式等各道工序之间的接续配合关系;各道工序与作为各道工序加工对象的零部件、外围配件、原材料等主体之间加工与被加工关系;所述减速机生产所需的装备、运输工具与所述各道工序之间的执行关系;各道工序与进度追溯、工时、成本测算等附加性因素之间的关联关系;以及减速机生产的装备、运输工序与附加性因素中的故障记录之间的关联关系。例如,“传动轴—联接—轴承”这一“实体—关系—实体”三元组即反映了减速机的零部件的组装搭配关系;“润滑工序—润滑保养—传动轴”表明了工序和减速机的零部件传动轴之间的加工与被加工关系;“润滑油加注器—执行—润滑工序”的三元组则表明了执行装备与工序之间的执行与被执行关系。并且,所述“属性”是上述主体、工序、调度控制对象、附加性因素各自具备的反映其状态的特性,例如零部件的尺寸、型号等参数、工序的工艺条件参数等均可以作为实体的属性,其取值即为属性值。
进一步地,采用自底向上的方式构建数据层,即从物料调度和生产控制的标准化语料库出发,借助知识抽取技术,从标准化预料库中抽取各个实体、各个实体之间的逻辑关系以及各个实体分别对应的属性等信息。
具体地,知识抽取技术可包括实体抽取技术、关系抽取技术以及属性信息抽取技术。
在一些实施方式中,在进行实体抽取时,主要采用命名实体识别模型进行实体的抽取,其中,实体可为“主体语料、工序语料、对象语料和附加性因素语料”。命名实体识别模型采用命名实体识别算法,即运用自然语言处理技术对标准化语料库中的实体内容进行自动采集,汇集成多个实体训练样本,进而将实体训练样本加入到模型中,对命名实体识别模型进行多次训练,直至输出的结果在预设的误差范围内,则获得一个训练完成的命名实体识别模型,该过程可提高命名实体识别模型的输出结果的准确度。进而利用命名实体识别模型对标准化语料库中的主体语料、工序语料、对象语料和附加性因素语料进行实体抽取,并将抽取出的全部的包含“主体语料、工序语料、对象语料和附加性因素语料”的实体信息进行汇总,生成实体库,克服了传统的基于规则和词典进行实体抽取的局限性,利用命名实体识别模型进行实体抽取具有可扩展性,且效率更高。当然,利用命名实体识别模型进行实体抽取时,需要大量的训练样本对其进行前期训练,因此可根据工作需求和实体抽取数量进行实体识别算法的选择,在此不做限制。
图2是根据本申请的示例性实施方式的BERT-BiLSTM-CRF模型示意图。如图2所示,在一些实施方式中,可采用BERT-BiLSTM-CRF(预训练语言-双向长短期记忆网络-条件随机场)模型构成命名实体识别模型。在BERT-BiLSTM-CRF模型中,首先使用BERT语言模块获取表征多个所述实体的词向量,以提取文本重要特征,BERT语言模块对自然语言处理任务效率有很大的提升,利用该模型可以解决文本特征表示时的一词多义的问题。然后通过BiLSTM模块深度学习上下文特征信息,进行命名实体识别,BiLSTM模块能够充分利用先验知识,获取有效的上下文信息;最后由CRF模块对BiLSTM模块输出的初始序列标签进行处理,结合CRF中的状态转移矩阵,根据相邻标签,获得能够表征所述实体的类型的最优的实际序列标签,CRF模块可以考虑句子级相邻标签之间的信息,获得全局最优序列。
具体地,首先由BERT-BiLSTM-CRF模型的输入成接收随机标准化语料库中的语料,并将其转换为字向量序列X={X 1,X 2,…,X n};进而T={T 1,T 2,…,T n}由BERT语言模块初始化获取输入的字向量,获得初始化的词向量序列,并将该词向量序列作为BERT语言模块的输入;进一步地,将该词向量序列中的各个初始化词向量输入至Trm(Transformer,自注意力机制)编码转换器中,由Trm编码转换器结合该词向量上下文的信息,以及连续片段之间的关系,对各个初始化词向量进行处理,并输出词向量特征序列E={E 1,E 2,…,E n}。需要说明的是,各个词向量之间的逻辑关系可表征标准化语料库中语料的实体的特征信息。进一步地,首先运用大量标注后语料对BiLSTM模块进行训练,进而由训练完成的BiLSTM模块结合上下文语义信息对词向量特征序列进行推断标注,其中序列F={F 1,F 2,…,F n}和序列B={B 1,B 2,…,B n}分别为与词向量特征序列相邻的词特征序列;进一步地,BiLSTM模块通过注意力机制设置权重对标准化语料库中语料的实体类型进行进一步筛选。换言之,将多个词向量输入至BiLSTM模型中,由BiLSTM模型深度学习词向量表征的类型信息,并分别对多个词向量进行识别标记,获得表征标准化语料库中语料的实体的多个初始序列标签H={H 1,H 2,…,H n}。进一步地,由CRF模块对多个初始序列标签进行筛选,运用概率模型预测并输出表征实体的最优的实际序列标签Y={Y 1,Y 2,…,Y n},实现对标准化语料库中语料的自动序列标注。进一步地,由输出层输出词边界特征,词边界特征能够很好地表示边界字符的位置信息,有助于确定标准化语料库中语料的实体边界,例如“B”表示实体开始标志、“I”表示实体中间部分、以及“O”表示其他非实体词,最终完成命名实体识别。
在一些实施方式中,关系抽取的目的是解决实体语义连接问题,以获取语料中实体间或实体与其属性信息之间的逻辑关系的具体描述,并通过获取潜在的含义,构建实体之间的语义联系。也就是说,在进行关系抽取时,首先在标准化语料库中,抽取关于实体之间的逻辑关系或实体与其属性信息之间的逻辑关系的描述信息,根据描述信息确定实体之间的逻辑关系,以构建述实体之间的语义联系,例如,“传动轴—联接—轴承”这一“实体—关系—实体”三元组即反映了减速机的零部件的组装搭配关系;“润滑工序—润滑保养—传动轴”表明了工序和减速机的零部件传动轴之间的加工与被加工关系;“润滑油加注器—执行—润滑工序”的三元组则表明了执行装备与工序之间的执行与被执行关系。目前,关系抽取技术主要可包括:与实体抽取相结合的人工标注技术、基于机器学习的语义关系识别技术、基于深度学习的关系识别技术、以及与命名实体识别算法相结合的联合抽取技术。
更具体地,属性信息抽取包括属性提取任务和属性值提取任务。其中属性提取的任务是为每个实体构造属性列表,而属性值提取任务则为一个语义类的实体附加属性值。属性信息的提取能够使得实体的内容形式更为丰满。常见的属性信息抽取方法可包括从百科类站点中提取,从垂直网站中进行包装器归纳,从网页表格中提取,以及利用手工定义或自动生成的模式从句子和查询日志中提取。
在一些实施方式中,在获得了新知识之后,即获得了实体库、各个实体之间的关系、以及各个实体对应的属性信息之后,需要对新知识进行整合,以消除矛盾和歧义,比如某些实体可能存在多种表达,或者某个特定称谓可能对应着不同的实体等,例如“润滑油”和“润滑剂。基于此,可通过知识融合技术将关系相似的实体或实体关系进行融合,知识融合主要分为本体对齐和实体匹配。具体地,本体对齐是指对待确认实体的本体概念和层级进行相似度计算,如果本体层级、概念的相似度较高,则认定其本体是对齐的,进而将其进行本体融合。具体地,实体匹配是对至少两个实体进行关于实体名称、实体之间逻辑关系和属性信息的相似度计算,筛选出高于预设阈值的相似度值对应的至少两个实体,并将至少两个实体进行融合。
在一些实施方式中,通过对至少两个实体,例如“润滑油”和“润滑剂”进行语义的相似度计算和阈值设置,可综合衡量上述至少两个实体在实体名称、层次类别和属性等内容上的相似程度,并结合单一属性相似度得出综合相似度相连,即可确定其是否存在实体冗余,最终通过设置相似度阈值控制是否对上述至少两个实体进行实体融合。
在一些实施方式中,至少两个实体之间的属性的相似度值为:
在公式(1)中,A表示实体名称,例如上文谈到的润滑油,B也表示实体名称,例如上文谈到的润滑剂,m表示每个实体对应的属性类型,n表示A和B在语义空间中的数量,ai表示实体A在语义空间中的出现频率,bi表示实体B在语义空间中的出现频率。
在一些实施方式中,至少两个实体在各属性上的语义相似度与属性数量的比例:
在公式(2)中,s表示属性数量;其中,S A,B 介于0至1之间,并且其数值越接近1则表示两实体—例如“润滑油”和“润滑剂”—的语义的相似度越高。
进一步地,将进行实体融合或实体关系融合后的多个实体、多个实体之间的逻辑关系、以及多个实体分别对应的属性信息映射至多个表征实体之间的逻辑关系的三元组框架中,以及多个表征实体及其信息之间对应关系的三元组框架中,进而将数据层与模式层结合,最终生成关于减速机的物料调度和生产控制的知识图谱。在本申请中,知识图谱的基本单位可如上文中举例的“传动轴—联接—轴承”、“润滑工序—润滑保养—传动轴”、“润滑油加注器—执行—润滑工序”等等,大量三元组框架彼此聚合,所形成的概念网络即作为减速机的物料调度和生产控制的知识图谱。
在一些实施方式中,确定当前被分析的减速机的生产计划,从生产计划中提取关键词。进一步地,将从生产计划中提取的关键词与上述知识图谱进行匹配,从而确定生产当前减速机涉及的零部件、外围配件、原材料等主体因素,加工工艺、组装搭配方式等工序因素,装备、人员和运输工具等调度对象因素,以及附加性因素,进而根据以上因素确定生产当前减速机所需的物料调度和生产控制的方案。
根据本申请一实施方式的基于减速机知识图谱的物料调度控制方法,通过构建适用于减速机的物料调度和生产控制的标准化库,以及构建描述所述标准化库中各个实体的逻辑关系的知识图谱,进而结合任一减速机的生产计划,即可实现针对该减速机的物料调度和生产控制。通过上述方式,能够结合对不同型号类型的减速机的实际生产需求,针对性地给予物料调度和生产控制的优化辅助,降低了在减速机的加工工艺和组装搭配过程中的生产控制的复杂程度,也降低了生产减速机的过程中的物料调度难度。
图3是根据本申请的示例性实施方式的基于减速机知识图谱的物料调度控制系统的结构示意图。
如图3所示,本申请还提出了这样一种基于减速机知识图谱的物料调度控制系统,可包括:标准化语料库构建模块1、知识图谱构建模块2和调度控制模块3。标准化语料库构建模块1用于根据对减速机的物料调度和生产控制的原始描述文件,构建标准化语料库,其中标准化语料库包括主体语料、工序语料、调度控制对象语料以及附加性因素语料。知识图谱构建模块2用于根据所述标准化语料库,构建针对减速机的物料调度和生产控制的知识图谱。调度控制模块3用于提取减速机的生产计划中的关键词,并将关键词与知识图谱进行匹配,确定减速机对应的主体信息、工序信息、调度控制对象信息以及附加信息,以实现针对减速机的物料调度和生产控制。
在一些实施方式中,标准化语料库构建模块1的执行步骤可包括:汇集多种减速机的物料调度和生产控制的原始描述文件;对原始描述文件中的多个语料进行文字编码格式标准化处理、语料去重处理以及语料清洗,获得多个待标记的标准化语料;以及按照预定的规则,分别对待标记的标准化语料进行属性标记,生成标准化语料库,其中属性包括主体、工序、调度控制对象以及附加性因素,标准化语料库包括主体语料、工序语料、调度控制对象语料以及附加性因素语料。
在一些实施方式中,知识图谱构建模块2的执行步骤可包括:构建多个表征实体之间的逻辑关系的三元组框架,以及构建多个表征实体及其属性信息之间对应关系的三元组框架,其中,实体包括主体语料、工序语料、调度控制对象语料以及附加性因素语料;运用知识抽取技术,在标准化语料库中抽取多个实体、多个实体之间的逻辑关系、以及多个实体分别对应的属性信息;运用知识融合技术,在多个实体中筛选出具有相似性的至少两个实体,并将至少两个实体进行实体融合或实体关系融合,以去除冗余实体;以及将进行实体融合或实体关系融合后的多个实体、多个实体之间的逻辑关系、以及多个实体分别对应的属性信息映射至多个表征实体之间的逻辑关系的三元组框架中,以及多个表征实体及其属性信息之间对应关系的三元组框架中。
在一些实施方式中,知识抽取技术可包括:实体抽取技术,包括:利用采集的多个实体训练样本对命名实体识别模型进行训练,由训练完成的命名实体识别模型对标准化语料库中进行实体抽取,并生成实体库;关系抽取技术,包括:在标准化语料库中,抽取关于实体之间的逻辑关系或实体与其属性信息之间的逻辑关系的描述信息,根据描述信息确定实体之间的逻辑关系,以构建实体之间的语义联系;以及属性信息抽取技术,包括:在标准化语料库中,抽取各个实体的属性信息。
在一些实施方式中,由命名实体识别模型输出包括多个实体的序列的标签,可包括:利用BERT语言模块获取表征多个实体的词向量,其中,词向量之间的逻辑关系表征实体的特征信息;将多个词向量输入至BiLSTM模块中,由BiLSTM模块深度学习词向量表征的所述特征信息,并分别对多个词向量进行识别标记,获得表征实体的特征的多个初始序列标签;以及由CRF模块对多个初始序列标签进行筛选,输出表征实体的边界的实际序列标签。
在一些实施方式中,知识融合技术可包括:对实体的本体概念与层级进行相似度计算,筛选出本体概念与层级的相似度高于预设阈值的相似度值对应的实体,并将实体的本体进行融合;以及对至少两个实体进行关于实体名称、实体之间逻辑关系和属性信息的相似度计算,筛选出高于预设阈值的相似度值对应的至少两个实体,并将至少两个实体进行融合。
在一些实施方式中,至少两个实体之间的属性的相似度值为:
其中,A和B分别表示实体名称,m表示属性类型,n表示A和B在语义空间中的分词数量,ai表示实体A在语义空间中的分词词频,bi表示实体B在语义空间中的分词词频。
在一些实施方式中,至少两个实体在各属性上的语义相似度与属性数量的比例:
其中,s表示属性数量,S A,B 介于0至1之间。
根据本申请一实施方式的基于减速机知识图谱的物料调度控制系统,通过构建适用于减速机的物料调度和生产控制的标准化库,以及构建描述所述标准化库中各个实体的逻辑关系的知识图谱,进而结合任一减速机的生产计划,即可实现针对该减速机的物料调度和生产控制。通过上述方式,能够结合对不同型号类型的减速机的实际生产需求,针对性地给予物料调度和生产控制的优化辅助,降低了在减速机的加工工艺和组装搭配过程中的生产控制的复杂程度,也降低了生产减速机的过程中的物料调度难度。
Claims (10)
1.一种基于减速机知识图谱的物料调度控制方法,其特征在于,包括:
根据对减速机的物料调度和生产控制的原始描述文件,构建标准化语料库,其中所述标准化语料库包括主体语料、工序语料、调度控制对象语料以及附加性因素语料;
根据所述标准化语料库,构建针对所述减速机的物料调度和生产控制的知识图谱;以及
提取所述减速机的生产计划中的关键词,并将所述关键词与所述知识图谱进行匹配,确定所述减速机对应的主体信息、工序信息、调度控制对象信息以及附加信息,以实现针对所述减速机的物料调度和生产控制。
2.根据权利要求1所述的基于减速机知识图谱的物料调度控制方法,其特征在于,所述根据对减速机的物料调度和生产控制的原始描述文件,构建标准化语料库,包括:
汇集多种减速机的物料调度和生产控制的原始描述文件;
对所述原始描述文件中的多个语料进行文字编码格式标准化处理、语料去重处理以及语料清洗,获得多个待标记的标准化语料;以及
按照预定的规则,分别对所述待标记的标准化语料进行属性标记,生成所述标准化语料库,其中所述属性包括主体、工序、调度控制对象以及附加性因素,所述标准化语料库包括主体语料、工序语料、调度控制对象语料以及附加性因素语料。
3.根据权利要求2所述的基于减速机知识图谱的物料调度控制方法,其特征在于,所述根据所述标准化语料库,构建针对所述减速机的物料调度和生产控制的知识图谱,包括:
构建多个表征实体之间的逻辑关系的三元组框架,以及构建多个表征所述实体及其属性信息之间对应关系的三元组框架,其中,所述实体包括主体语料、工序语料、调度控制对象语料以及附加性因素语料;
运用知识抽取技术,在所述标准化语料库中抽取多个所述实体、多个所述实体之间的逻辑关系、以及多个所述实体分别对应的属性信息;
运用知识融合技术,在多个所述实体中筛选出具有相似性的至少两个实体,并将所述至少两个实体进行实体融合或实体关系融合,以去除冗余实体;以及
将进行实体融合或实体关系融合后的多个所述实体、多个所述实体之间的逻辑关系、以及多个所述实体分别对应的属性信息映射至多个表征实体之间的逻辑关系的三元组框架中,以及多个表征所述实体及其属性信息之间对应关系的三元组框架中。
4.根据权利要求3所述的基于减速机知识图谱的物料调度控制方法,其特征在于,所述知识抽取技术包括:
实体抽取技术,包括:利用采集的多个实体训练样本对命名实体识别模型进行训练,由训练完成的命名实体识别模型对所述标准化语料库中进行实体抽取,并生成实体库;
关系抽取技术,包括:在所述标准化语料库中,抽取关于所述实体之间的逻辑关系或所述实体与其属性信息之间的逻辑关系的描述信息,根据所述描述信息确定所述实体之间的逻辑关系,以构建所述实体之间的语义联系;以及
属性信息抽取技术,包括:在所述标准化语料库中,抽取各个所述实体的属性信息。
5.根据权利要求4所述的基于减速机知识图谱的物料调度控制方法,其特征在于,所述由所述命名实体识别模型输出包括多个所述实体的序列的标签,包括:
利用BERT语言模块获取表征多个所述实体的词向量,其中,所述词向量之间的逻辑关系表征所述实体的特征信息;
将多个所述词向量输入至BiLSTM模块中,由所述BiLSTM模型深度学习所述词向量表征的所述特征信息,并分别对多个所述词向量进行识别标记,获得表征所述实体的特征的多个初始序列标签;以及
由CRF模块对多个所述初始序列标签进行筛选,输出表征所述实体的边界的实际序列标签。
6.一种基于减速机知识图谱的物料调度控制系统,其特征在于,包括:
标准化语料库构建模块,用于根据对减速机的物料调度和生产控制的原始描述文件,构建标准化语料库,其中所述标准化语料库包括主体语料、工序语料、调度控制对象语料以及附加性因素语料;
知识图谱构建模块,用于根据所述标准化语料库,构建针对所述减速机的物料调度和生产控制的知识图谱;以及
调度控制模块,用于提取所述减速机的生产计划中的关键词,并将所述关键词与所述知识图谱进行匹配,确定所述减速机对应的主体信息、工序信息、调度控制对象信息以及附加信息,以实现针对所述减速机的物料调度和生产控制。
7.根据权利要求6所述的基于减速机知识图谱的物料调度控制系统,其特征在于,所述标准化语料库构建模块的执行步骤包括:
汇集多种减速机的物料调度和生产控制的原始描述文件;
对所述原始描述文件中的多个语料进行文字编码格式标准化处理、语料去重处理以及语料清洗,获得多个待标记的标准化语料;以及
按照预定的规则,分别对所述待标记的标准化语料进行属性标记,生成所述标准化语料库,其中所述属性包括主体、工序、调度控制对象以及附加性因素,所述标准化语料库包括主体语料、工序语料、调度控制对象语料以及附加性因素语料。
8.根据权利要求7所述的基于减速机知识图谱的物料调度控制系统,其特征在于,所述知识图谱构建模块的执行步骤包括:
构建多个表征实体之间的逻辑关系的三元组框架,以及构建多个表征所述实体及其属性信息之间对应关系的三元组框架,其中,所述实体包括主体语料、工序语料、调度控制对象语料以及附加性因素语料;
运用知识抽取技术,在所述标准化语料库中抽取多个所述实体、多个所述实体之间的逻辑关系、以及多个所述实体分别对应的属性信息;
运用知识融合技术,在多个所述实体中筛选出具有相似性的至少两个实体,并将所述至少两个实体进行实体融合或实体关系融合,以去除冗余实体;以及
将进行实体融合或实体关系融合后的多个所述实体、多个所述实体之间的逻辑关系、以及多个所述实体分别对应的属性信息映射至多个表征实体之间的逻辑关系的三元组框架中,以及多个表征所述实体及其属性信息之间对应关系的三元组框架中。
9.根据权利要求8所述的基于减速机知识图谱的物料调度控制系统,其特征在于,所述知识抽取技术包括:
实体抽取技术,包括:利用采集的多个实体训练样本对命名实体识别模型进行训练,由训练完成的命名实体识别模型对所述标准化语料库中进行实体抽取,并生成实体库;
关系抽取技术,包括:在所述标准化语料库中,抽取关于所述实体之间的逻辑关系或所述实体与其属性信息之间的逻辑关系的描述信息,根据所述描述信息确定所述实体之间的逻辑关系,以构建所述实体之间的语义联系;以及
属性信息抽取技术,包括:在所述标准化语料库中,抽取各个所述实体的属性信息。
10.根据权利要求9所述的基于减速机知识图谱的物料调度控制系统,其特征在于,所述由所述命名实体识别模型输出包括多个所述实体的序列的标签,包括:
利用BERT语言模块获取表征多个所述实体的词向量,其中,所述词向量之间的逻辑关系表征所述实体的特征信息;
将多个所述词向量输入至BiLSTM模块中,由所述BiLSTM模块深度学习所述词向量表征的所述特征信息,并分别对多个所述词向量进行识别标记,获得表征所述实体的特征的多个初始序列标签;以及
由CRF模块对多个所述初始序列标签进行筛选,输出表征所述实体的边界的实际序列标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210140390.7A CN114186759A (zh) | 2022-02-16 | 2022-02-16 | 基于减速机知识图谱的物料调度控制方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210140390.7A CN114186759A (zh) | 2022-02-16 | 2022-02-16 | 基于减速机知识图谱的物料调度控制方法及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114186759A true CN114186759A (zh) | 2022-03-15 |
Family
ID=80607062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210140390.7A Pending CN114186759A (zh) | 2022-02-16 | 2022-02-16 | 基于减速机知识图谱的物料调度控制方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114186759A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111737496A (zh) * | 2020-06-29 | 2020-10-02 | 东北电力大学 | 一种电力设备故障知识图谱构建方法 |
CN112434129A (zh) * | 2020-11-20 | 2021-03-02 | 内蒙古电力(集团)有限责任公司电力调度控制分公司 | 一种电网调度领域专业语料库生成方法及系统 |
CN113326358A (zh) * | 2021-08-04 | 2021-08-31 | 中国测绘科学研究院 | 基于知识图谱语义匹配的地震灾害信息服务方法和系统 |
WO2021196520A1 (zh) * | 2020-03-30 | 2021-10-07 | 西安交通大学 | 一种面向税务领域知识图谱的构建方法及系统 |
WO2021212682A1 (zh) * | 2020-04-21 | 2021-10-28 | 平安国际智慧城市科技股份有限公司 | 知识抽取方法、装置、电子设备及存储介质 |
CN113987212A (zh) * | 2021-11-17 | 2022-01-28 | 武汉理工大学 | 一种数控加工领域工艺数据的知识图谱构建方法 |
-
2022
- 2022-02-16 CN CN202210140390.7A patent/CN114186759A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021196520A1 (zh) * | 2020-03-30 | 2021-10-07 | 西安交通大学 | 一种面向税务领域知识图谱的构建方法及系统 |
WO2021212682A1 (zh) * | 2020-04-21 | 2021-10-28 | 平安国际智慧城市科技股份有限公司 | 知识抽取方法、装置、电子设备及存储介质 |
CN111737496A (zh) * | 2020-06-29 | 2020-10-02 | 东北电力大学 | 一种电力设备故障知识图谱构建方法 |
CN112434129A (zh) * | 2020-11-20 | 2021-03-02 | 内蒙古电力(集团)有限责任公司电力调度控制分公司 | 一种电网调度领域专业语料库生成方法及系统 |
CN113326358A (zh) * | 2021-08-04 | 2021-08-31 | 中国测绘科学研究院 | 基于知识图谱语义匹配的地震灾害信息服务方法和系统 |
CN113987212A (zh) * | 2021-11-17 | 2022-01-28 | 武汉理工大学 | 一种数控加工领域工艺数据的知识图谱构建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112199511B (zh) | 跨语言多来源垂直领域知识图谱构建方法 | |
CN117453921B (zh) | 一种大语言模型的数据信息标签处理方法 | |
CN111597347B (zh) | 知识嵌入的缺陷报告重构方法及装置 | |
US11620453B2 (en) | System and method for artificial intelligence driven document analysis, including searching, indexing, comparing or associating datasets based on learned representations | |
CN108090231A (zh) | 一种基于信息熵的主题模型优化方法 | |
US20210350125A1 (en) | System for searching natural language documents | |
CN116821318B (zh) | 基于大语言模型的业务知识推荐方法、装置及存储介质 | |
CN113987199B (zh) | 一种规范自动解译的bim智能审图方法、系统和介质 | |
CN114661914B (zh) | 一种基于深度学习和知识图谱的合同审查方法、装置、设备和存储介质 | |
CN113254507B (zh) | 一种数据资产目录智能构建盘点方法 | |
CN115827819A (zh) | 一种智能问答处理方法、装置、电子设备及存储介质 | |
CN103425740A (zh) | 一种面向物联网的基于语义聚类的物资信息检索方法 | |
CN109522396B (zh) | 一种面向国防科技领域的知识处理方法及系统 | |
CN115982379A (zh) | 基于知识图谱的用户画像构建方法和系统 | |
CN113722490A (zh) | 一种基于键值匹配关系的视觉富文档信息抽取方法 | |
CN116010619A (zh) | 一种复杂装备知识图谱构建过程中的知识抽取方法 | |
Cheng et al. | A similarity integration method based information retrieval and word embedding in bug localization | |
CN115063119A (zh) | 基于招聘行为数据的自适应性的招聘决策系统及方法 | |
CN112685374B (zh) | 日志分类方法、装置及电子设备 | |
CN111831624A (zh) | 数据表创建方法、装置、计算机设备及存储介质 | |
CN112988982B (zh) | 一种计算机比较空间的自主学习方法及系统 | |
Yin et al. | A deep natural language processing‐based method for ontology learning of project‐specific properties from building information models | |
CN117574858A (zh) | 一种基于大语言模型的类案检索报告自动生成方法 | |
CN111985204A (zh) | 一种海关进出口商品税号预测方法 | |
Rogushina et al. | Use of ontologies for metadata records analysis in big data |
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 |