CN114491236A - 一种基于知识学习的供应链智能匹配技术 - Google Patents
一种基于知识学习的供应链智能匹配技术 Download PDFInfo
- Publication number
- CN114491236A CN114491236A CN202111636073.6A CN202111636073A CN114491236A CN 114491236 A CN114491236 A CN 114491236A CN 202111636073 A CN202111636073 A CN 202111636073A CN 114491236 A CN114491236 A CN 114491236A
- Authority
- CN
- China
- Prior art keywords
- matching
- similarity
- service
- supply chain
- attribute
- 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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于知识学习的供应链智能匹配技术,属于供应链管理技术领域,技术的实现途径包括数据处理阶段、智能匹配阶段以及最优推荐阶段,根据战时/应急状态下供应链需求侧所需生产的急需物资订单信息对服务方提供生产服务能力信息进行筛选和匹配。该基于知识学习的供应链智能匹配技术,通过构建联动保供供应链智能匹配模型,根据所需补充的产能、生产企业类型及距离等特征,为其快速推荐最佳匹配企业,实现受损供应链缺失能力的及时补链和强链,确保战时和应急状态下供应链健壮性,并基于战时和应急状态下不同应用场景下的推荐和匹配知识的学习机制,实现推荐和匹配知识的更新及不同应用场景下最优匹配。
Description
技术领域
本发明属于供应链管理技术领域,具体为一种基于知识学习的供应链智能匹配技术。
背景技术
现代供应链的概念更加注重围绕核心企业的网链关系,如核心企业与供应商、供应商的供应商与一切前向关系,与用户、用户的用户及一切后向关系。供应链已经构成了一个宏观复杂的大系统,如何解决系统中各部分间的匹配问题,已成为关系到整个系统能否正常运转的重大问题。
现有技术中,传统的供应链匹配方法如匈牙利算法,只能满足配的多,而不能保证匹配的良好效果。为了提高匹配的准确性,我们提出了基于知识学习的供应链智能匹配技术方案。
发明内容
针对现有技术的不足,本发明提供了一种基于知识学习的供应链智能匹配技术,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种基于知识学习的供应链智能匹配技术,技术的实现途径包括数据处理阶段、智能匹配阶段以及最优推荐阶段;
所述数据处理阶段,用于在进行战时/应急联动保供供应链需求方订单与生产能力服务信息采集的同时,结合属性信息描述方法,对战时/应急联动保供供应链需求方的订单信息及生产服务能力属性信息进行规范化描述,建立订单和生产服务能力属性信息模型;
所述智能匹配阶段,用于根据战时/应急状态下供应链需求侧所需生产的急需物资订单信息对服务方提供生产服务能力信息进行筛选和匹配的实现过程;
所述最优推荐阶段,用于匹配结果优选排序并根据最优匹配结果推荐将最终确定的最优生产服务结果推荐给需求方。
进一步优化本技术方案,所述数据处理阶段采用的属性信息描述方法包括把各种具有不同内容的属性加以比较,找出其中各个部分相互联结的方式,抽取出共同的形式结构;再引入表达形式结构的符号语言,对属性信息进行规范化描述。
进一步优化本技术方案,所述智能匹配阶段的实现过程进一步的包括以下实现步骤:
S1、基于需求方订单信息的生产方服务信息筛选:根据需求侧各类急需物资订单信息提炼出所需生产服务能力类型,进而对供给侧所提供的生产服务能力信息进行筛选,选择需要的服务类型;
S2、相似度匹配计算方法甄选:找到与需求侧要求最符合的生产能力服务,每个生产服务属性中的值都和需求方所需要的服务子属性进行匹配,进行相似度匹配计算,以达精确匹配的目的;
S3、基础属性和功能属性相似性匹配:采用甄选的相似度匹配,筛选出满足设定的相似值的生产服务,筛选出的生产服务即为满足需求侧订单需求的服务;
S4、服务评价属性相似性匹配:对S3中筛选出符合需求侧订单需求的生产服务,再进行服务评价匹配,计算服务评价匹配相似度值;
S5、三类属性权重的匹配计算:对基础属性、功能属性和服务评价属性进行权重计算;
S6、属性综合相似性匹配:在三类属性权重的匹配计算基础上,采用综合加权法进行三类属性的相似度计算,保留并输出满足设定值的生产服务,即为需求方满意的服务。
进一步优化本技术方案,所述S1中,服务类型包括仿真分析、结构设计、电路设计在内的服务类型,在选择需要的服务类型的同时,需要过滤掉不相关的服务,用于减少智能匹配过程中的计算量。
进一步优化本技术方案,所述S2中,进行相似度匹配计算时,相似度匹配的算法包括皮尔逊相关系数法、欧几里得距离法以及Cosine相似度法在内的算法。
进一步优化本技术方案,所述S3中,采用甄选的相似度匹配的内容更进一步的包括:首先进行基本属性和功能属性的相似度匹配,得出基本信息匹配和功能匹配的相似度值,再根据基本属性和功能属性的相似度值计算两者的相似度值大小,并筛选出满足设定的相似值的生产服务。
进一步优化本技术方案,所述S5中,不同的需求对权重的要求不相同,进行综合模糊相似度计算之前,需要首先结合战时/应急状态下的联动保供实际需求为三类属性权重估算合理的范围,采用标准差的方法对三个属性所匹配的权重进行具体计算,根据计算结果,若某属性标准差越大,则对服务相似度的影响程度就越大,其权重也越大,反之则权重越小。
进一步优化本技术方案,所述最优推荐阶段的推荐过程进一步的包括以下具体步骤:
A1、匹配结果优选排序;
A2、最优匹配结果推荐。
进一步优化本技术方案,所述A1中,进行智能匹配后,不排除最终计算得出的属性综合相似性匹配存在相同大小的情况,需要优先排序的机制来判断输出服务结果的先后顺序;并结合从推优知识库中抽取的推优知识进行筛选。
进一步优化本技术方案,所述A2中,将最终确定的最优生产服务结果推荐给需求方,同时将形成推优新知识存储至推优知识库,用于推优知识的动态更新与迭代。
与现有技术相比,本发明提供了一种基于知识学习的供应链智能匹配技术,具备以下有益效果:
该基于知识学习的供应链智能匹配技术,通过构建联动保供供应链智能匹配模型,根据所需补充的产能、生产企业类型及距离等特征,为其快速推荐最佳匹配企业,实现受损供应链缺失能力的及时补链和强链,确保战时和应急状态下供应链健壮性,并基于战时和应急状态下不同应用场景下的推荐和匹配知识的学习机制,实现推荐和匹配知识的更新及不同应用场景下最优匹配。
附图说明
图1为本发明提出的一种基于知识学习的供应链智能匹配技术的实现途径图。
具体实施方式
下面将结合本发明的实施例,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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:
请参阅图1,一种基于知识学习的供应链智能匹配技术,技术的实现途径包括数据处理阶段、智能匹配阶段以及最优推荐阶段。
根据战时/应急状态下供应链需求侧所需生产的急需物资订单信息对服务方提供生产服务能力信息进行筛选和匹配。首先进行基本属性和功能属性的相似度匹配,得出基本信息匹配和功能匹配的相似度值,再进行服务评价匹配,计算服务评价匹配相似度值。采用标准差等方法对三个属性所匹配的权重进行具体计算,然后采用综合加权法进行三类属性的相似度计算,最后根据属性综合相似性排名将最优生产服务结果推荐给需求方。
所述数据处理阶段,用于在进行战时/应急联动保供供应链需求方订单与生产能力服务信息采集的同时,结合属性信息描述方法,对战时/应急联动保供供应链需求方的订单信息及生产服务能力属性信息进行规范化描述,建立订单和生产服务能力属性信息模型。
进一步的,所述数据处理阶段采用的属性信息描述方法包括把各种具有不同内容的属性加以比较,找出其中各个部分相互联结的方式,抽取出共同的形式结构;再引入表达形式结构的符号语言,对属性信息进行规范化描述。
所述智能匹配阶段,用于根据战时/应急状态下供应链需求侧所需生产的急需物资订单信息对服务方提供生产服务能力信息进行筛选和匹配的实现过程。
进一步的,所述智能匹配阶段的实现过程包括以下实现步骤:
S1、基于需求方订单信息的生产方服务信息筛选:根据需求侧各类急需物资订单信息提炼出所需生产服务能力类型,进而对供给侧所提供的生产服务能力信息进行筛选,选择需要的服务类型。
更进一步的,服务类型包括仿真分析、结构设计、电路设计在内的服务类型,在选择需要的服务类型的同时,需要过滤掉不相关的服务,用于减少智能匹配过程中的计算量。
S2、相似度匹配计算方法甄选:找到与需求侧要求最符合的生产能力服务,每个生产服务属性中的值都和需求方所需要的服务子属性进行匹配,进行相似度匹配计算,以达精确匹配的目的。
更进一步的,进行相似度匹配计算时,相似度匹配的算法包括皮尔逊相关系数法、欧几里得距离法以及Cosine相似度法在内的算法。
S3、基础属性和功能属性相似性匹配:采用甄选的相似度匹配,筛选出满足设定的相似值的生产服务,筛选出的生产服务即为满足需求侧订单需求的服务。
更进一步的,采用甄选的相似度匹配的内容更进一步的包括:首先进行基本属性和功能属性的相似度匹配,得出基本信息匹配和功能匹配的相似度值,再根据基本属性和功能属性的相似度值计算两者的相似度值大小,并筛选出满足设定的相似值的生产服务。
S4、服务评价属性相似性匹配:对S3中筛选出符合需求侧订单需求的生产服务,再进行服务评价匹配,计算服务评价匹配相似度值。
S5、三类属性权重的匹配计算:对基础属性、功能属性和服务评价属性进行权重计算。
更进一步的,基础属性、功能属性和服务评价属性对最终匹配相似度值的贡献有高低之分,即需要进行权重计算。不同的需求对权重的要求不相同,进行综合模糊相似度计算之前,需要首先结合战时/应急状态下的联动保供实际需求为三类属性权重估算合理的范围,采用标准差的方法对三个属性所匹配的权重进行具体计算,根据计算结果,若某属性标准差越大,则对服务相似度的影响程度就越大,其权重也越大,反之则权重越小。
S6、属性综合相似性匹配:在三类属性权重的匹配计算基础上,采用综合加权法进行三类属性的相似度计算,保留并输出满足设定值的生产服务,即为需求方满意的服务。
所述最优推荐阶段,用于匹配结果优选排序并根据最优匹配结果推荐将最终确定的最优生产服务结果推荐给需求方。
进一步的,所述最优推荐阶段的推荐过程包括以下具体步骤:
A1、匹配结果优选排序;
A2、最优匹配结果推荐。
更进一步的,所述A1中,进行智能匹配后,不排除最终计算得出的属性综合相似性匹配存在相同大小的情况,需要优先排序的机制来判断输出服务结果的先后顺序;并结合从推优知识库中抽取的推优知识进行筛选。
更进一步的,所述A2中,将最终确定的最优生产服务结果推荐给需求方,同时将形成推优新知识存储至推优知识库,用于推优知识的动态更新与迭代。
经过如上技术实现途径,实现基于知识学习的供应链生产服务能力最优智能匹配。
本发明的有益效果是:
该基于知识学习的供应链智能匹配技术,通过构建联动保供供应链智能匹配模型,根据所需补充的产能、生产企业类型及距离等特征,为其快速推荐最佳匹配企业,实现受损供应链缺失能力的及时补链和强链,确保战时和应急状态下供应链健壮性,并基于战时和应急状态下不同应用场景下的推荐和匹配知识的学习机制,实现推荐和匹配知识的更新及不同应用场景下最优匹配。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种基于知识学习的供应链智能匹配技术,其特征在于,技术的实现途径包括数据处理阶段、智能匹配阶段以及最优推荐阶段;
所述数据处理阶段,用于在进行战时/应急联动保供供应链需求方订单与生产能力服务信息采集的同时,结合属性信息描述方法,对战时/应急联动保供供应链需求方的订单信息及生产服务能力属性信息进行规范化描述,建立订单和生产服务能力属性信息模型;
所述智能匹配阶段,用于根据战时/应急状态下供应链需求侧所需生产的急需物资订单信息对服务方提供生产服务能力信息进行筛选和匹配的实现过程;
所述最优推荐阶段,用于匹配结果优选排序并根据最优匹配结果推荐将最终确定的最优生产服务结果推荐给需求方。
2.根据权利要求1所述的一种基于知识学习的供应链智能匹配技术,其特征在于,所述数据处理阶段采用的属性信息描述方法包括把各种具有不同内容的属性加以比较,找出其中各个部分相互联结的方式,抽取出共同的形式结构;再引入表达形式结构的符号语言,对属性信息进行规范化描述。
3.根据权利要求1所述的一种基于知识学习的供应链智能匹配技术,其特征在于,所述智能匹配阶段的实现过程进一步的包括以下实现步骤:
S1、基于需求方订单信息的生产方服务信息筛选:根据需求侧各类急需物资订单信息提炼出所需生产服务能力类型,进而对供给侧所提供的生产服务能力信息进行筛选,选择需要的服务类型;
S2、相似度匹配计算方法甄选:找到与需求侧要求最符合的生产能力服务,每个生产服务属性中的值都和需求方所需要的服务子属性进行匹配,进行相似度匹配计算,以达精确匹配的目的;
S3、基础属性和功能属性相似性匹配:采用甄选的相似度匹配,筛选出满足设定的相似值的生产服务,筛选出的生产服务即为满足需求侧订单需求的服务;
S4、服务评价属性相似性匹配:对S3中筛选出符合需求侧订单需求的生产服务,再进行服务评价匹配,计算服务评价匹配相似度值;
S5、三类属性权重的匹配计算:对基础属性、功能属性和服务评价属性进行权重计算;
S6、属性综合相似性匹配:在三类属性权重的匹配计算基础上,采用综合加权法进行三类属性的相似度计算,保留并输出满足设定值的生产服务,即为需求方满意的服务。
4.根据权利要求3所述的一种基于知识学习的供应链智能匹配技术,其特征在于,所述S1中,服务类型包括仿真分析、结构设计、电路设计在内的服务类型,在选择需要的服务类型的同时,需要过滤掉不相关的服务,用于减少智能匹配过程中的计算量。
5.根据权利要求3所述的一种基于知识学习的供应链智能匹配技术,其特征在于,所述S2中,进行相似度匹配计算时,相似度匹配的算法包括皮尔逊相关系数法、欧几里得距离法以及Cosine相似度法在内的算法。
6.根据权利要求3所述的一种基于知识学习的供应链智能匹配技术,其特征在于,所述S3中,采用甄选的相似度匹配的内容更进一步的包括:首先进行基本属性和功能属性的相似度匹配,得出基本信息匹配和功能匹配的相似度值,再根据基本属性和功能属性的相似度值计算两者的相似度值大小,并筛选出满足设定的相似值的生产服务。
7.根据权利要求3所述的一种基于知识学习的供应链智能匹配技术,其特征在于,所述S5中,不同的需求对权重的要求不相同,进行综合模糊相似度计算之前,需要首先结合战时/应急状态下的联动保供实际需求为三类属性权重估算合理的范围,采用标准差的方法对三个属性所匹配的权重进行具体计算,根据计算结果,若某属性标准差越大,则对服务相似度的影响程度就越大,其权重也越大,反之则权重越小。
8.根据权利要求1所述的一种基于知识学习的供应链智能匹配技术,其特征在于,所述最优推荐阶段的推荐过程进一步的包括以下具体步骤:
A1、匹配结果优选排序;
A2、最优匹配结果推荐。
9.根据权利要求8所述的一种基于知识学习的供应链智能匹配技术,其特征在于,所述A1中,进行智能匹配后,不排除最终计算得出的属性综合相似性匹配存在相同大小的情况,需要优先排序的机制来判断输出服务结果的先后顺序;并结合从推优知识库中抽取的推优知识进行筛选。
10.根据权利要求1所述的一种基于知识学习的供应链智能匹配技术,其特征在于,所述A2中,将最终确定的最优生产服务结果推荐给需求方,同时将形成推优新知识存储至推优知识库,用于推优知识的动态更新与迭代。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111636073.6A CN114491236A (zh) | 2021-12-29 | 2021-12-29 | 一种基于知识学习的供应链智能匹配技术 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111636073.6A CN114491236A (zh) | 2021-12-29 | 2021-12-29 | 一种基于知识学习的供应链智能匹配技术 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114491236A true CN114491236A (zh) | 2022-05-13 |
Family
ID=81508828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111636073.6A Pending CN114491236A (zh) | 2021-12-29 | 2021-12-29 | 一种基于知识学习的供应链智能匹配技术 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114491236A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642823A (zh) * | 2020-04-27 | 2021-11-12 | 横河电机株式会社 | 数据分析系统、数据分析方法和非暂时性计算机可读介质 |
CN114792211A (zh) * | 2022-06-21 | 2022-07-26 | 张家港市民华塑胶有限公司 | 一种基于柔性供应链的人造丝生产管理方法及系统 |
-
2021
- 2021-12-29 CN CN202111636073.6A patent/CN114491236A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642823A (zh) * | 2020-04-27 | 2021-11-12 | 横河电机株式会社 | 数据分析系统、数据分析方法和非暂时性计算机可读介质 |
CN113642823B (zh) * | 2020-04-27 | 2024-04-30 | 横河电机株式会社 | 数据分析系统、数据分析方法和非暂时性计算机可读介质 |
CN114792211A (zh) * | 2022-06-21 | 2022-07-26 | 张家港市民华塑胶有限公司 | 一种基于柔性供应链的人造丝生产管理方法及系统 |
CN114792211B (zh) * | 2022-06-21 | 2022-09-20 | 张家港市民华塑胶有限公司 | 一种基于柔性供应链的人造丝生产管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113537271B (zh) | 基于人工智能的大数据挖掘方法、系统及云端服务中心 | |
CN114491236A (zh) | 一种基于知识学习的供应链智能匹配技术 | |
CN112101363B (zh) | 基于空洞残差和注意力机制的全卷积语义分割系统及方法 | |
CN109255586B (zh) | 一种面向电子政务办事的在线个性化推荐方法 | |
CN109741120B (zh) | 用于用户需求的产品深度个性化定制方法 | |
CN103838857B (zh) | 一种基于语义的自动服务组合系统及方法 | |
CN110287292B (zh) | 一种裁判量刑偏离度预测方法及装置 | |
Beresnev et al. | Approximate algorithms for the competitive facility location problem | |
CN107145516A (zh) | 一种文本聚类方法及系统 | |
CN115577858B (zh) | 基于区块链的碳排放量预测方法、装置及电子设备 | |
CN108765180A (zh) | 基于影响力与种子扩展的重叠社区发现方法 | |
CN113159067A (zh) | 一种基于多粒度局部特征软关联聚合的细粒度图像辨识方法及装置 | |
CN107729939A (zh) | 一种面向新增电网资源的cim模型扩展方法及装置 | |
CN113821674A (zh) | 一种基于孪生神经网络的智能货物监管方法及系统 | |
CN111159420B (zh) | 一种基于属性计算与知识模板的实体优化方法 | |
CN111861679A (zh) | 一种基于人工智能的商品推荐方法 | |
US8341170B2 (en) | Apparatus and method for visualizing technology change | |
CN108470251B (zh) | 基于平均互信息的社区划分质量评价方法及系统 | |
CN114328913A (zh) | 一种文本分类方法、装置、计算机设备和存储介质 | |
CN109977902A (zh) | 一种基于深度学习的建筑施工车辆识别方法 | |
CN117010373A (zh) | 一种电力设备资产管理数据所属类别和组的推荐方法 | |
CN116522131A (zh) | 对象表示方法、装置、电子设备及计算机可读存储介质 | |
CN116051961A (zh) | 一种目标检测模型训练方法、目标检测方法、设备及介质 | |
CN115345710A (zh) | 一种电商商务大数据决策分析与数据处理方法 | |
CN112465567A (zh) | 一种服装风格流行预测的系统及方法 |
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 |