CN114662009A - 一种基于图卷积的工业互联网工厂协同推荐算法 - Google Patents

一种基于图卷积的工业互联网工厂协同推荐算法 Download PDF

Info

Publication number
CN114662009A
CN114662009A CN202111518672.8A CN202111518672A CN114662009A CN 114662009 A CN114662009 A CN 114662009A CN 202111518672 A CN202111518672 A CN 202111518672A CN 114662009 A CN114662009 A CN 114662009A
Authority
CN
China
Prior art keywords
factory
graph
node
factories
convolution
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.)
Granted
Application number
CN202111518672.8A
Other languages
English (en)
Other versions
CN114662009B (zh
Inventor
尚继富
李臻
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Heze Huihao Textile Co ltd
Original Assignee
Heze Huihao Textile Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Heze Huihao Textile Co ltd filed Critical Heze Huihao Textile Co ltd
Priority to CN202111518672.8A priority Critical patent/CN114662009B/zh
Publication of CN114662009A publication Critical patent/CN114662009A/zh
Application granted granted Critical
Publication of CN114662009B publication Critical patent/CN114662009B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • 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
    • 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

本申请涉及一种基于图卷积的工业互联网工厂协同推荐算法，包括：构建工厂实体模型、动态模型和网络模型；根据工厂与工厂、工厂与企业、企业与企业的关系，构建工厂企业网络图；通过聚类算法对工厂企业网络图进行图卷积操作，判断工厂是否符合推荐标准。本公开实施例将图卷积模型应用于工业互联网推荐算法中，从而深度挖掘企业与工厂的关联关系，同时将不同工厂在之前的工作状态与评价等信息作为注意力计算依据，从而提高其推荐的精准度。

Description

一种基于图卷积的工业互联网工厂协同推荐算法
技术领域
本申请涉及工业互联网技术领域，特别涉及一种基于图卷积的工业互联网工厂协同推荐算法。
背景技术
现有技术未能针对工业互联网环境下的工厂与企业间的关系进行深入挖掘，现有针对一般性商品的建模方法无法体现加工工厂的特点以及属性，从而导致其选择的准确性的降低。
此外，目前基于图卷积的推荐算法在算法准确率上仍然有待提高，特别是当节点间的关联关系较为复杂的情况下，无法找到一种合适的能够深度挖掘的其关键点的方法。
最终，由于工业互联网数据规模较大，所涉及的企业与工厂数量非常多，因此现有算法处理大规模数据耗时较长。
如何针对工业互联网环境下的工厂与企业间的关系进行深入挖掘，向用户精确推荐互联网工厂，是目前亟待解决的问题。
发明内容
为了对披露的实施例的一些方面有基本的理解，下面给出了简单的概括。所述概括不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围，而是作为后面的详细说明的序言。
本公开实施例提供了一种基于图卷积的工业互联网工厂协同推荐算法。
在一些实施例中，所述基于图卷积的工业互联网工厂协同推荐算法包括：
构建工厂实体模型、动态模型和网络模型；
根据工厂与工厂、工厂与企业、企业与企业的关系，构建工厂企业网络图；
通过聚类算法对工厂企业网络图进行图卷积操作，判断工厂是否符合推荐标准。
可选地，所述动态模型包括一项或多项动态状态；
所述动态状态通过构建综合评价指标，对工厂运行状态进行转化获得其状态或存量评分，并计算其平均值获得。
可选地，对于网络模型的关键信息，考虑时间先后对于当前状态的影响，较早时间的关键信息的权重比较近时间的权重更低。
可选地，所述网络模型还包括基于时间的融合方法，具体如下：
Figure BDA0003407605590000021
其中Vi为当前时刻i时获得的评价，Vi-1为前一时刻获得的评价，α为权重参数。
可选地，所述根据工厂与工厂、工厂与企业、企业与企业的关系，构建工厂企业网络图的步骤，包括：
首先，根据企业基本情况，建立企业特征，并根据已知的企业工厂的关系构建企业-工厂关联关系图；
然后，将企业与工厂的特征，通过线性变化映射为同一维度的特征向量。
可选地，所述根据工厂与工厂、工厂与企业、企业与企业的关系，构建工厂企业网络图的步骤，还包括使用结合注意力机制的图卷积网络对企业-工厂关联关系图中的节点进行更新的步骤，在节点更新时对不同节点赋予不同权重，提高算法对于重点节点的关注。
可选地，所述使用结合注意力机制的图卷积网络对企业-工厂关联关系图中的节点进行更新的步骤，通过如下公式进行注意力系数的计算：
Figure BDA0003407605590000031
其中，
Figure BDA0003407605590000032
表示节点i的注意力系数；
Figure BDA0003407605590000033
是通过节点i与节点j的关系计算得到的注意力系数，表示在第l隐藏层当中第j节点更新到中心节点i的权重值；N(i)为节点i的邻居节点集合；
Figure BDA0003407605590000034
为第l层的特征结果；W(l)表示第 l层的训练参数；
对于
Figure BDA0003407605590000035
的计算首先需要定义注意力互相关系数
Figure BDA0003407605590000036
节点j对于节点i重要性，如下式所示：
Figure BDA0003407605590000037
其中，
Figure BDA0003407605590000038
为定义注意力互相关系数；
之后，引入Softmax对节点i的相邻接点进行正则化；
得到
Figure BDA0003407605590000039
公式如下式所示：
Figure BDA0003407605590000041
可选地，所述通过聚类算法对工厂企业网络图进行图卷积操作的步骤，包括：
首先，对于所有工厂节点的特征采用KNN算法进行聚类；
之后，对于每个簇选择其中心节点作为整个分类的代表，保留该节点的连接关系，构建新的高层次全局图，实现图结构的分层，分为高层次全局图和子图；
对于高层次全局图和子图进行图卷积操作。
可选地，所述对于高层次全局图和子图进行图卷积操作的步骤，包括：
对于高层次全局图的卷积操作，每个节点
Figure BDA0003407605590000042
采用图卷积方法卷积得到更新的特征
Figure BDA0003407605590000043
对于子图的卷积操作，每个节点
Figure BDA0003407605590000044
采用图卷积方法卷积得到每个节点更新的特征
Figure BDA0003407605590000045
可选地，所述对于高层次全局图和子图进行图卷积操作的步骤，还包括：
将特征
Figure BDA0003407605590000046
和
Figure BDA0003407605590000047
进行拼接，如下式所示
Figure BDA0003407605590000048
拼接之后的节点
Figure BDA0003407605590000049
仍然作为每个节点的最后特征并进行下一层的聚类与卷积过程。
本公开实施例提出一种基于图卷积的工业互联网工厂协同推荐算法，专门针对工业互联网环境下的企业与工厂的关键节点进行建模，从而解决目前技术没有专门针对工业工厂的节点建模的问题。
本公开实施例将图卷积模型应用于工业互联网推荐算法中，从而深度挖掘企业与工厂的关联关系，同时将不同工厂在之前的工作状态与评价等信息作为注意力计算依据，从而提高其推荐的精准度。
本公开实施例通过聚类分层方法，将大规模数据首先进行分层处理，降低数据处理时间，提升方法的运行效率。
以上的总体描述和下文中的描述仅是示例性和解释性的，不用于限制本申请。
附图说明
一个或多个实施例通过与之对应的附图进行示例性说明，这些示例性说明和附图并不构成对实施例的限定，附图中具有相同参考数字标号的元件示为类似的元件，附图不构成比例限制，并且其中：
图1是本公开实施例提供的基于图卷积的工业互联网工厂协同推荐算法流程示意图；
图2是本公开实施例提供的企业-工厂关联关系图；
图3是本公开实施例提供的高层次全局图和子图分层结构示意图；
图4是本公开实施例提供的电子设备的结构示意图。
具体实施方式
为了能够更加详尽地了解本公开实施例的特点与技术内容，下面结合附图对本公开实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本公开实施例。在以下的技术描述中，为方便解释起见，通过多个细节以提供对所披露实施例的充分理解。然而，在没有这些细节的情况下，一个或多个实施例仍然可以实施。在其它情况下，为简化附图，熟知的结构和装置可以简化展示。
如图1所示，本公开实施例提供了一种基于图卷积的工业互联网工厂协同推荐算法，包括以下步骤：
步骤1，构建工厂实体模型、动态模型和网络模型；
步骤2，根据工厂与工厂、工厂与企业、企业与企业的关系，构建工厂企业网络图；
步骤3，通过聚类算法对工厂企业网络图进行图卷积操作，判断工厂是否符合推荐标准。
工厂实体模型分为加工设备类、加工方法类、工人类、物料类、仓储类等一系列的模型组件并进行注册。所有组件在模型组件库的相应类型库中注册，每个工厂在构建过程中自主选择合适的实体模型进行组合构建。
然而，这些工厂实体模型仅作为工厂的静态模型无法用以评估工厂状态。因此，本公开实施例针对工厂的动态信息构建工厂动态模型，动态模型包括当前工厂的运营状态、任务进度、设备操作记录、物流状态、任务状态、设备状态、物料存量等一项或多项动态状态。对于动态状态，本公开实施例构建综合评价指标，对工厂运行状态进行转化获得其状态或存量评分R，并计算其平均值获得。
此外，本公开实施例还基于工业互联网构建网络模型，网络模型包括业务联系、历史信息，企业评价，用户评级等一项或多项信息，这些信息对于挖掘工业互联网的关联关系具有重要的作用。
然而，对于网络模型的关键信息，例如企业评价、用户评级等应考虑时间先后对于当前状态的影响，较早时间的评价\联系的权重应该比较近时间的权重更低。可选地，本公开实施例还包括基于时间的融合方法，具体如下：
Figure BDA0003407605590000071
其中Vi为当前时刻i时获得的评价，Vi-1为前一时刻获得的评价，α为权重参数，
Figure BDA0003407605590000072
为融合第i时刻与i-1时刻的评价结果。
协同推荐的目的在于使得企业在进行加工时能够根据推荐算法自动进行工厂选择推荐，因此，本公开实施例根据工厂与工厂、工厂与企业、企业与企业的关系，构建工厂企业网络图，具体包括：首先，根据企业基本情况，将经营规模、员工数量、位置、企业类型、订单信息等一项或多项信息二值化后作为企业特征，并根据已知的企业工厂的关系构建企业-工厂关联关系图，如图2所示。然后，将企业与工厂的特征，通过线性变化映射为同一维度的特征向量Hi,Hc。工厂特征包括工厂的前运营状态、任务进度、设备操作记录、物流状态、任务状态、设备状态、物料存量等。
本公开实施例通过图模型表示企业与工厂关联关系，从而深度挖掘其潜在信息。
可选地，本公开实施例还包括使用结合注意力机制的图卷积网络对企业-工厂关联关系图中的节点进行更新的步骤，节点表示在图模型中的工厂或者企业，在节点更新时对不同节点赋予不同权重，提高算法对于重点节点的关注。本公开实施例加入注意力机制，对节点中作用有区别的工厂赋予不同的注意力权重，最终组合为待卷积节点的特征，通过如下公式进行注意力系数的计算：
Figure BDA0003407605590000081
其中，
Figure BDA0003407605590000082
表示节点i的注意力系数；
Figure BDA0003407605590000083
是通过节点i与节点j的关系计算得到的注意力系数，表示在第l隐藏层当中第j节点更新到中心节点i的权重值；N(i)为节点i的邻居节点集合；
Figure BDA0003407605590000084
为第l层的特征结果；W(l)表示第 l层的训练参数。
对于
Figure BDA0003407605590000085
的计算首先需要定义注意力互相关系数
Figure BDA0003407605590000086
节点j对于节点i重要性，如下式所示：
Figure BDA0003407605590000087
其中，
Figure BDA0003407605590000088
为定义注意力互相关系数；
之后，引入Softmax对节点i的相邻接点进行正则化；
得到
Figure BDA0003407605590000089
公式如下式所示：
Figure BDA00034076055900000810
本公开实施例通过将工厂工作状态与评价等信息作为注意力应用于企业工厂推荐算法，能够准确提取企业对于工厂关注的关键特征，从而提升推荐准确度。
由于工业互联网中的企业与工厂数量非常大，直接将图卷积方法应用于整个工业互联网会导致运算量非常大，节点一次更新的计算量耗时较高，因此，本公开实施例通过聚类算法，首先，对于所有工厂节点的特征采用KNN算法进行聚类，聚类之后对于每个簇选择其中心节点作为整个分类的代表，保留该节点的连接关系，从而构建新的高层次全局图，实现图结构的分层，分为高层次全局图和子图；然后，对于高层次全局图和子图进行图卷积操作。同时对于每一个与中心节点连接的子图中的所有节点进行图卷积从而实现所有工厂的二次卷积过程，从而确保其可计算性，分层过程如图3所示。
对于高层次全局图的卷积操作，每个节点
Figure BDA0003407605590000091
采用图卷积方法卷积得到更新的特征
Figure BDA0003407605590000092
对于子图的卷积操作，每个节点
Figure BDA0003407605590000093
采用图卷积方法卷积得到每个节点更新的特征
Figure BDA0003407605590000094
为了更有效的融合两者的关系，本公开实施例将两者进行拼接，如下式所示
Figure BDA0003407605590000095
拼接之后的节点仍然作为每个节点的最后特征并进行下一层的聚类与卷积过程。在更新完所有节点之后，将两个对应企业与工厂的特征进行拼接，并通过一个多层感知机来判断某一工厂是否符合推荐标准。
本公开实施例利用聚类算法提出基于分层的预测方法，提供预测速度。
本公开实施例的算法，训练之后得到的模型可以进行推荐预测。对于整个网络图输入所有的企业与工厂的节点信息，进行同样的线性变换过程，遍历企业与所有工厂的连接关系，将两者的特征进行拼接，并根据之前训练的结果来判断两者是否能够连接，从而表示是否将工厂推荐给该企业。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储静态信息和动态信息数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述方法实施例中的步骤。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述方法实施例中的步骤。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read- Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(StaticRandom Access Memory，SRAM)或动态随机存取存储器 (Dynamic Random Access Memory，DRAM)等。
以上描述和附图充分地示出了本公开的实施例，以使本领域的技术人员能够实践它们。其他实施例可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求，否则单独的部件和功能是可选的，并且操作的顺序可以变化。一些实施例的部分和特征可以被包括在或替换其他实施例的部分和特征。本公开实施例的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。当用于本申请中时，虽然术语“第一”、“第二”等可能会在本申请中使用以描述各元件，但这些元件不应受到这些术语的限制。这些术语仅用于将一个元件与另一个元件区别开。比如，在不改变描述的含义的情况下，第一元件可以叫做第二元件，并且同样的，第二元件可以叫做第一元件，只要所有出现的“第一元件”一致重命名并且所有出现的“第二元件”一致重命名即可。第一元件和第二元件都是元件，但可以不是相同的元件。而且，本申请中使用的用词仅用于描述实施例并且不用于限制权利要求。如在实施例以及权利要求的描述中使用的，除非上下文清楚地表明，否则单数形式的“一个″(a)、“一个”(an)和″所述”(the)旨在同样包括复数形式。类似地，如在本申请中所使用的术语″和/或”是指包含一个或一个以上相关联的列出的任何以及所有可能的组合。另外，当用于本申请中时，术语″包括”指陈述的特征、整体、步骤、操作、元素，和/或组件的存在，但不排除一个或一个以上其它特征、整体、步骤、操作、元素、组件和/或这些的分组的存在或添加。在没有更多限制的情况下，由语句″包括一个……”限定的要素，并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。本文中，每个实施例重点说明的可以是与其他实施例的不同之处，各个实施例之间相同相似部分可以互相参见。对于实施例公开的方法、产品等而言，如果其与实施例公开的方法部分相对应，那么相关之处可以参见方法部分的描述。
本文所披露的实施例中，所揭露的产品(包括但不限于装置、设备等)，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，可以仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例。另外，在本公开实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

Claims (10)

1.一种基于图卷积的工业互联网工厂协同推荐算法，其特征在于，包括：
构建工厂实体模型、动态模型和网络模型；
根据工厂与工厂、工厂与企业、企业与企业的关系，构建工厂企业网络图；
通过聚类算法对工厂企业网络图进行图卷积操作，判断工厂是否符合推荐标准。
2.根据权利要求1所述的一种基于图卷积的工业互联网工厂协同推荐算法，其特征在于，
所述动态模型包括一项或多项动态状态；
所述动态状态通过构建综合评价指标，对工厂运行状态进行转化获得其状态或存量评分，并计算其平均值获得。
3.根据权利要求1所述的一种基于图卷积的工业互联网工厂协同推荐算法，其特征在于，
对于网络模型的关键信息，考虑时间先后对于当前状态的影响，较早时间的关键信息的权重比较近时间的权重更低。
4.根据权利要求3所述的一种基于图卷积的工业互联网工厂协同推荐算法，其特征在于，
所述网络模型还包括基于时间的融合方法，具体如下：
Figure FDA0003407605580000011
其中Vi为当前时刻i时获得的评价，Vi-1为前一时刻获得的评价，α为权重参数。
5.根据权利要求1所述的一种基于图卷积的工业互联网工厂协同推荐算法，其特征在于，
所述根据工厂与工厂、工厂与企业、企业与企业的关系，构建工厂企业网络图的步骤，包括：
首先，根据企业基本情况，建立企业特征，并根据已知的企业工厂的关系构建企业-工厂关联关系图；
然后，将企业与工厂的特征，通过线性变化映射为同一维度的特征向量。
6.根据权利要求5所述的一种基于图卷积的工业互联网工厂协同推荐算法，其特征在于，
所述根据工厂与工厂、工厂与企业、企业与企业的关系，构建工厂企业网络图的步骤，还包括使用结合注意力机制的图卷积网络对企业-工厂关联关系图中的节点进行更新的步骤，在节点更新时对不同节点赋予不同权重，提高算法对于重点节点的关注。
7.根据权利要求6所述的一种基于图卷积的工业互联网工厂协同推荐算法，其特征在于，
所述使用结合注意力机制的图卷积网络对企业-工厂关联关系图中的节点进行更新的步骤，通过如下公式进行注意力系数的计算：
Figure FDA0003407605580000021
其中，
Figure FDA0003407605580000022
表示节点i的注意力系数；
Figure FDA0003407605580000023
是通过节点i与节点j的关系计算得到的注意力系数，表示在第l隐藏层当中第j节点更新到中心节点i的权重值；N(i)为节点i的邻居节点集合；
Figure FDA0003407605580000031
为第l层的特征结果；W(l)表示第l层的训练参数；
对于
Figure FDA0003407605580000032
的计算首先需要定义注意力互相关系数
Figure FDA0003407605580000033
节点j对于节点i重要性，如下式所示：
Figure FDA0003407605580000034
其中，
Figure FDA0003407605580000035
为定义注意力互相关系数；
之后，引入Softmax对节点i的相邻接点进行正则化；
得到
Figure FDA0003407605580000036
公式如下式所示：
Figure FDA0003407605580000037
。
8.根据权利要求1所述的一种基于图卷积的工业互联网工厂协同推荐算法，其特征在于，
所述通过聚类算法对工厂企业网络图进行图卷积操作的步骤，包括：
首先，对于所有工厂节点的特征采用KNN算法进行聚类；
之后，对于每个簇选择其中心节点作为整个分类的代表，保留该节点的连接关系，构建新的高层次全局图，实现图结构的分层，分为高层次全局图和子图；
对于高层次全局图和子图进行图卷积操作。
9.根据权利要求8所述的一种基于图卷积的工业互联网工厂协同推荐算法，其特征在于，
所述对于高层次全局图和子图进行图卷积操作的步骤，包括：
对于高层次全局图的卷积操作，每个节点
Figure FDA0003407605580000041
采用图卷积方法卷积得到更新的特征
Figure FDA0003407605580000042
对于子图的卷积操作，每个节点
Figure FDA0003407605580000043
采用图卷积方法卷积得到每个节点更新的特征
Figure FDA0003407605580000044
10.根据权利要求9所述的一种基于图卷积的工业互联网工厂协同推荐算法，其特征在于，
所述对于高层次全局图和子图进行图卷积操作的步骤，还包括：
将特征
Figure FDA0003407605580000049
和
Figure FDA0003407605580000046
进行拼接，如下式所示
Figure FDA0003407605580000047
拼接之后的节点
Figure FDA0003407605580000048
仍然作为每个节点的最后特征并进行下一层的聚类与卷积过程。
CN202111518672.8A 2021-12-13 2021-12-13 一种基于图卷积的工业互联网工厂协同推荐方法 Active CN114662009B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111518672.8A CN114662009B (zh) 2021-12-13 2021-12-13 一种基于图卷积的工业互联网工厂协同推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111518672.8A CN114662009B (zh) 2021-12-13 2021-12-13 一种基于图卷积的工业互联网工厂协同推荐方法

Publications (2)

Publication Number Publication Date
CN114662009A true CN114662009A (zh) 2022-06-24
CN114662009B CN114662009B (zh) 2022-11-18

Family

ID=82026461

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111518672.8A Active CN114662009B (zh) 2021-12-13 2021-12-13 一种基于图卷积的工业互联网工厂协同推荐方法

Country Status (1)

Country Link
CN (1) CN114662009B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115641097A (zh) * 2022-12-23 2023-01-24 深圳市仕瑞达自动化设备有限公司 基于云平台的非标准机械加工协同制造管理方法及系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180121988A1 (en) * 2016-10-31 2018-05-03 Adobe Systems Incorporated Product recommendations based on augmented reality viewpoints
CN109299396A (zh) * 2018-11-28 2019-02-01 东北师范大学 融合注意力模型的卷积神经网络协同过滤推荐方法及系统
CN111428091A (zh) * 2020-03-19 2020-07-17 腾讯科技（深圳）有限公司 一种编码器的训练方法、信息推荐的方法以及相关装置
CN112115378A (zh) * 2020-09-16 2020-12-22 长沙理工大学 基于图卷积协同过滤的推荐预测系统以及推荐预测方法
CN112651487A (zh) * 2020-12-21 2021-04-13 广东交通职业技术学院 基于图坍缩卷积神经网络的数据推荐方法、系统及介质
CN112765490A (zh) * 2021-01-28 2021-05-07 重庆兆光科技股份有限公司 一种基于知识图谱和图卷积网络的信息推荐方法及系统
CN112861017A (zh) * 2020-12-21 2021-05-28 河北工程大学 一种基于图卷积的神经协同过滤的信息推荐方法
CN112905900A (zh) * 2021-04-02 2021-06-04 辽宁工程技术大学 基于图卷积注意力机制的协同过滤推荐算法
CN113407817A (zh) * 2021-01-25 2021-09-17 北京工业大学 一种基于注意力机制的图神经协同过滤方法
CN113407864A (zh) * 2021-06-21 2021-09-17 南京邮电大学 一种基于混合注意力网络的群组推荐方法
CN113672811A (zh) * 2021-08-24 2021-11-19 广东工业大学 一种基于拓扑信息嵌入的超图卷积协同过滤推荐方法、系统及计算机可读存储介质
CN113744023A (zh) * 2021-08-20 2021-12-03 太原理工大学 一种基于图卷积网络的双通道协同过滤推荐方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180121988A1 (en) * 2016-10-31 2018-05-03 Adobe Systems Incorporated Product recommendations based on augmented reality viewpoints
CN109299396A (zh) * 2018-11-28 2019-02-01 东北师范大学 融合注意力模型的卷积神经网络协同过滤推荐方法及系统
CN111428091A (zh) * 2020-03-19 2020-07-17 腾讯科技（深圳）有限公司 一种编码器的训练方法、信息推荐的方法以及相关装置
CN112115378A (zh) * 2020-09-16 2020-12-22 长沙理工大学 基于图卷积协同过滤的推荐预测系统以及推荐预测方法
CN112651487A (zh) * 2020-12-21 2021-04-13 广东交通职业技术学院 基于图坍缩卷积神经网络的数据推荐方法、系统及介质
CN112861017A (zh) * 2020-12-21 2021-05-28 河北工程大学 一种基于图卷积的神经协同过滤的信息推荐方法
CN113407817A (zh) * 2021-01-25 2021-09-17 北京工业大学 一种基于注意力机制的图神经协同过滤方法
CN112765490A (zh) * 2021-01-28 2021-05-07 重庆兆光科技股份有限公司 一种基于知识图谱和图卷积网络的信息推荐方法及系统
CN112905900A (zh) * 2021-04-02 2021-06-04 辽宁工程技术大学 基于图卷积注意力机制的协同过滤推荐算法
CN113407864A (zh) * 2021-06-21 2021-09-17 南京邮电大学 一种基于混合注意力网络的群组推荐方法
CN113744023A (zh) * 2021-08-20 2021-12-03 太原理工大学 一种基于图卷积网络的双通道协同过滤推荐方法
CN113672811A (zh) * 2021-08-24 2021-11-19 广东工业大学 一种基于拓扑信息嵌入的超图卷积协同过滤推荐方法、系统及计算机可读存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
NAN MU等: "Graph Attention Networks for Neural Social Recommendation", 《IEEE》 *
杨欣豫: "基于时间感知的多重图嵌入的用户推荐算法", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115641097A (zh) * 2022-12-23 2023-01-24 深圳市仕瑞达自动化设备有限公司 基于云平台的非标准机械加工协同制造管理方法及系统

Also Published As

Publication number Publication date
CN114662009B (zh) 2022-11-18

Similar Documents

Publication Publication Date Title
CN112529168B (zh) 一种基于gcn的属性多层网络表示学习方法
Farsi et al. Parallel genetic algorithms for optimizing the SARIMA model for better forecasting of the NCDC weather data
Owolabi et al. Predicting completion risk in PPP projects using big data analytics
US11151096B2 (en) Dynamic syntactic affinity group formation in a high-dimensional functional information system
US20050125474A1 (en) Method and structure for transform regression
WO2023079139A1 (en) Automated standardized location digital twin and location digital twin method factoring in dynamic data at different construction levels, and system thereof
CN114048331A (zh) 一种基于改进型kgat模型的知识图谱推荐方法及系统
Talebiyan et al. Decentralized decision making for the restoration of interdependent networks
CN114372573B (zh) 用户画像信息识别方法、装置、计算机设备和存储介质
Ahmed et al. Knowledge graph based trajectory outlier detection in sustainable smart cities
CN111967972A (zh) 理财产品推荐方法及装置
CN114662009B (zh) 一种基于图卷积的工业互联网工厂协同推荐方法
CN111178986A (zh) 用户-商品偏好的预测方法及系统
Fan et al. Integrating multi-granularity model and similarity measurement for transforming process data into different granularity knowledge
CN116503158A (zh) 基于数据驱动的企业破产风险预警方法、系统及装置
CN111737319B (zh) 用户集群的预测方法、装置、计算机设备和存储介质
Poornima et al. Prediction of Water Consumption Using Machine Learning Algorithm
Alamdari et al. Deep reinforcement learning in seat inventory control problem: an action generation approach
CN112989182A (zh) 信息处理方法、装置、信息处理设备及存储介质
Trivedi Machine Learning Fundamental Concepts
CN114548463A (zh) 线路信息预测方法、装置、计算机设备和存储介质
Say et al. Reward potentials for planning with learned neural network transition models
Fávero et al. Analogy-based effort estimation: A systematic mapping of literature
CN116089722B (zh) 基于图产出标签的实现方法、装置、计算设备和存储介质
Luo et al. Timeseries Suppliers Allocation Risk Optimization via Deep Black Litterman Model

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