CN114881329B - 一种基于引导图卷积神经网络的轮胎质量预测方法及系统 - Google Patents
一种基于引导图卷积神经网络的轮胎质量预测方法及系统 Download PDFInfo
- Publication number
- CN114881329B CN114881329B CN202210498279.5A CN202210498279A CN114881329B CN 114881329 B CN114881329 B CN 114881329B CN 202210498279 A CN202210498279 A CN 202210498279A CN 114881329 B CN114881329 B CN 114881329B
- Authority
- CN
- China
- Prior art keywords
- tire
- expression vector
- prediction
- quality
- neighborhood
- 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
- 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/06395—Quality analysis or management
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明轮胎质量预测分析技术领域,提供了一种基于引导图卷积神经网络的轮胎质量预测方法及系统。该方法包括构建轮胎知识图谱;基于轮胎知识图谱,构建邻接矩阵,采用嵌入向量进行邻域信息嵌入表示学习,得到邻域实体表示向量;基于所述邻域实体表示向量,引入注意力机制学习轮胎知识图谱中邻域实体表示向量对轮胎产品质量的重要程度,结合引导图卷积神经网络,得到轮胎产品综合表示向量;计算轮胎产品综合表示向量与质检标准的邻域信息的注意力分数,以引导质检标准的卷积和聚合,得到轮胎质检标准的综合表示向量;基于轮胎质检标准的综合表示向量,对待检测样本进行轮胎产品质量预测,得到轮胎质量预测结果,本发明实现了对轮胎质量的精准预测。
Description
技术领域
本发明属于轮胎质量预测分析技术领域,尤其涉及一种基于引导图卷积神经网络的轮胎质量预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
轮胎企业轮胎生产中存在大量实体,涉及到密炼、压出、贴合、裁断、成型、硫化等多个流程,主要是生产过程中的多种生产机器与中间产品,且这些实体存在上下游关系,使得生产流程易于图谱化。例如玲珑轮胎的生产报告中包含了密炼、压出、贴合、裁断、成型、硫化等多个流程,涉及到密炼机、密炼生产的终炼胶、半制品机台-裁断机、半制品-覆胶帘子布、成型机、成型胎胚、硫化机、成品外胎、动平衡机、X光机等。生产流程被图谱化后,生产流程图谱的结构特点可以被深度学习的神经网络所应用,指挥指导轮胎企业的生产,提高效率和产能。
在轮胎的生产过程中,质量检测是非常重要的一环,劣质轮胎或是不合格轮胎的出厂不仅直接造成轮胎购买者的财产损失乃至影响轮胎使用者的生命安全,还会对轮胎生产方的形象造成恶劣的影响。对轮胎进行严格筛选是每个轮胎生产企业必要的环节。轮胎质量的合格与否牵扯到轮胎生产过程中的机器,工艺,原料,操作员,参数等多种因素。质检员在检测过程中也可能存在比通用标准更高的主观检测标准或者在高强度工作过程中存在疏漏。因此急需一种有效的轮胎质量预测方法,能够自动对生产出的轮胎质量进行分析,进一步捕获生产过程中的潜在问题,从而准确预测出相应的轮胎质量,这对轮胎生产效率的提升具有重要的意义。
人工智能、知识图谱技术逐渐被应用到轮胎生产的各种场景和过程中。发明人发现这种方式通常停留在对生产过程中实体浅层特征的表示学习,而缺乏细粒度,深层次的结构挖掘,这种浅层的表示方法难以全面地表示轮胎在生产过程中与各实体和特征之间的结构与关系,因此轮胎质量预测的准确性还存在进一步提升的空间。
发明内容
为了解决上述背景技术中存在的技术问题,本发明提供一种基于引导图卷积神经网络的轮胎质量预测方法及系统,其对轮胎质量和生产过程中的各种因素的关系进行更深度的挖掘,从而更加完整地表示轮胎的质量,实现了轮胎质量的准确预测。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供一种基于引导图卷积神经网络的轮胎质量预测方法。
一种基于引导图卷积神经网络的轮胎质量预测方法,包括:
基于待检测样本,采用预测模型,得到轮胎质量预测结果;
所述预测模型预测的过程包括:构建轮胎知识图谱;
确定轮胎产品表示向量和检测标准表示向量;
基于轮胎知识图谱,构建邻接矩阵,采用嵌入向量进行邻域信息嵌入表示学习,得到邻域实体表示向量;
基于所述邻域实体表示向量,引入注意力机制学习轮胎知识图谱中邻域实体表示向量对轮胎产品质量的重要程度,结合引导图卷积神经网络,得到轮胎产品综合表示向量;
计算轮胎产品综合表示向量与质检标准的邻域信息的注意力分数,以引导质检标准的卷积和聚合,得到轮胎质检标准的综合表示向量;
基于轮胎质检标准的综合表示向量,对待检测样本进行轮胎产品质量预测,得到轮胎质量预测结果。
进一步地,所述构建轮胎知识图谱具体包括:获取轮胎生产过程中的关系型数据库,提取关系型数据库中的知识实体和属性,确定实体与实体间的关系,构建包括轮胎产品知识和轮胎分类检测标准的轮胎知识图谱。
进一步地,所述得到轮胎产品综合表示向量的具体过程包括:
基于检测标准表示向量,求取在构建轮胎知识图谱过程中被抽取为关系的轮胎生产流程的第一注意力分数;
规范化所述第一注意力分数,作为关系连接的实体的嵌入表示向量的第一权重;
采用引导图卷积神经网络对邻域实体表示向量和第一权重进行卷积操作,得到第一邻域实体嵌入表示向量;
将第一邻域实体嵌入表示向量聚合到轮胎产品表示向量,得到轮胎产品综合表示向量。
进一步地,所述得到轮胎质检标准的综合表示向量的具体过程包括:
基于轮胎产品综合表示向量,求取在构建知识图谱过程中被抽取为关系的轮胎生产流程的第二注意力分数;
规范化所述第二注意力分数,作为关系连接的实体的嵌入表示向量的第二权重;
采用引导图卷积神经网络对第二权重进行卷积操作,得到第二邻域实体嵌入表示向量;
将第二邻域实体嵌入表示向量聚合到轮胎检测标准表示向量,得到轮胎质检标准的综合表示向量。
进一步地,所述邻域信息为在知识图谱中与被聚合的实体节点相邻的节点与相邻节点对应的关系。
进一步地,若待检测样本为训练样本,则得到轮胎质量预测结果的具体过程包括:基于所述轮胎质检标准的综合表示向量,采用Softmax预测函数,计算Softmax预测函数输出的损失函数,采用反向传播算法训练预测模型的学习参数,完成轮胎质量的预测。
进一步地,所述预测模型训练完成后,将样本集的预测结果与实际结果进行对比,反馈更新底层数据信息,不断优化预测模型中的数据权重值,完善轮胎质量预测的精度。
本发明的第二个方面提供一种基于引导图卷积神经网络的轮胎质量预测系统。
一种基于引导图卷积神经网络的轮胎质量预测系统,包括:
输出模块,其被配置为:基于待检测样本,采用预测模型,得到轮胎质量预测结果;
模型构建预测模块,其被配置为:所述预测模型预测的过程包括:构建轮胎知识图谱;确定轮胎产品表示向量和检测标准表示向量;基于轮胎知识图谱,构建邻接矩阵,采用嵌入向量进行邻域信息嵌入表示学习,得到邻域实体表示向量;基于所述邻域实体表示向量,引入注意力机制学习轮胎知识图谱中邻域实体表示向量对轮胎产品质量的重要程度,结合引导图卷积神经网络,得到轮胎产品综合表示向量;计算轮胎产品综合表示向量与质检标准的邻域信息的注意力分数,以引导质检标准的卷积和聚合,得到轮胎质检标准的综合表示向量;基于轮胎质检标准的综合表示向量,对待检测样本进行轮胎产品质量预测,得到轮胎质量预测结果。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述第一个方面所述的基于引导图卷积神经网络的轮胎质量预测方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述第一个方面所述的基于引导图卷积神经网络的轮胎质量预测方法中的步骤。
与现有技术相比,本发明的有益效果是:
本发明能够实现对轮胎质量和生产过程中的各种因素的关系进行更深度的挖掘,更加完整地表示轮胎的质量,实现了轮胎质量的准确预测。
本发明使用分别完成聚合的轮胎产品表示向量和检测标准表示向量进行轮胎产品质量分数计算完成轮胎产品质量预测。从而提高轮胎产品质量预测的准确性。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例一提供的轮胎产品质量预测方法的整体流程图;
图2为本发明实施例一提供的基于引导图卷积神经网络的轮胎产品质量预测方法的数据流处理过程图;
图3为本发明实施例一提供的轮胎产品质量预测实施例流程图;
图4为本发明实施例二提供的轮胎产品质量预测系统结构示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要注意的是,附图中的流程图和框图示出了根据本公开的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意,在有些作为备选的实现中,方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,或者它们有时也可以按照相反的顺序执行,这取决于所涉及的功能。同样应当注意的是,流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合,可以使用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以使用专用硬件与计算机指令的组合来实现。
实施例一
如图1所示,本实施例提供了一种基于引导图卷积神经网络的轮胎质量预测方法,本实施例以该方法应用于服务器进行举例说明,可以理解的是,该方法也可以应用于终端,还可以应用于包括终端和服务器和系统,并通过终端和服务器的交互实现。服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务器、云通信、中间件服务、域名服务、安全服务CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等,但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请在此不做限制。本实施例中,该方法包括:
基于待检测样本,采用预测模型,得到轮胎质量预测结果;
所述预测模型预测的过程包括:构建轮胎知识图谱;
确定轮胎产品表示向量和检测标准表示向量;
基于轮胎知识图谱,构建邻接矩阵,采用嵌入向量进行邻域信息嵌入表示学习,得到邻域实体表示向量;
基于所述邻域实体表示向量,引入注意力机制学习轮胎知识图谱中邻域实体表示向量对轮胎产品质量的重要程度,结合引导图卷积神经网络,得到轮胎产品综合表示向量;
计算轮胎产品综合表示向量与质检标准的邻域信息的注意力分数,以引导质检标准的卷积和聚合,得到轮胎质检标准的综合表示向量;
基于轮胎质检标准的综合表示向量,对待检测样本进行轮胎产品质量预测,得到轮胎质量预测结果。
其中,轮胎产品表示向量可以理解为将某轮胎的型号或者标号转换为向量形式表示,检测标准表示向量可以理解为该轮胎对应的检测标准的向量化。
为了对本申请的上述技术方案进行详细描述,下面进行具体分析:
如图1和图3所示,本实施例的一种基于引导图卷积神经网络的轮胎质量预测方法,包括:
A.从关系型数据库中抽取工艺、设备、原料、产品、半成品、工人、参数等方面的知识实体与属性,然后根据现实世界与轮胎生产过程抽取实体与实体间的关系,构建轮胎质量预测所使用的知识图谱,知识图谱由实体节点与连接节点的边组成,边表示两个节点之间的关系,头实体节点、关系与尾实体节点构成形如(h,r,t)的三元组,知识图谱是大量三元组的集合。将轮胎产品与轮胎分类检测标准分别构建不同的知识图谱,对获取的轮胎数据预处理,包括轮胎产品与检测标准之间构建标准-产品交互图建立联系,建立‘0’代表不合格和‘1’代表合格的隐式反馈,并划分预测使用的训练集与测试集。
具体地,基于某轮胎企业公司数据管理系统中获取的数据,包括16259089条数据。该数据中包含基础数据域、曲线域、产品域和质检域等数据信息。
B.基于A中构建好的知识图谱,首先为实体构建邻接矩阵Ne,然后再采用嵌入向量进行邻域信息嵌入表示学习。我们使用e表示邻域实体表示向量,其中:
e∈Ne
C.基于步骤B获得的实体的嵌入向量,引入注意力机制学习知识图谱中邻域实体表示向量对轮胎产品质量的重要程度。如图2所示。
具体方式是首先使用质检标准初始嵌入表示向量求取在构建知识图谱过程中被抽取为关系的各生产流程注意力分数。
其中,g()是求取注意力分数的预测函数,u是检测标准表示向量,ri,e是构建知识图谱过程中被抽取为关系的轮胎生产流程。
然后将分数规范化作为关系连接的实体的嵌入表示向量的权重。
将邻域实体嵌入表示向量聚合到轮胎产品表示向量,从而生成轮胎产品综合表示向量i’:
其中,σ()表示sigmoid函数,i表示轮胎初始嵌入表示向量。
D.基于步骤C获得的轮胎产品综合表示向量,计算其与质检标准的邻域信息的注意力分数来引导质检标准的卷积和聚合。
首先使用轮胎产品综合表示向量求取抽取为关系的各生产流程注意力分数。
其中g()是求取注意力分数的预测函数,i′是轮胎产品聚合邻域信息后最终的嵌入表示向量,ru,e是构建知识图谱过程中被抽取为关系的轮胎质检流程。
然后将分数规范化作为关系连接的实体的嵌入表示向量的权重。
将邻域实体嵌入表示向量聚合到轮胎检测标准表示向量,从而生成轮胎质检标准的综合表示向量u’:
其中σ()表示sigmoid函数,W表示权重矩阵,W∈Rd,b为可训练参数。
E.基于步骤D获得的综合表示向量u’,对待检测样本进行轮胎产品质量预测,输入Softmax层进行结果预测:
y′=Softmax(u′,i′)
其中,y′表示最终的预测结果。
对待测试样本进行轮胎产品质量预测,将预测结果进行推送,并与实际应用情况进行结果对比,反馈更新底层数据信息,从而不断优化模型中的数据权重值,不断完善轮胎质量预测精度。
为了验证本实施例所述的轮胎质量预测方法的可行性,与NCF、FM、NFM、KGCN、RippleNet、KGAT等网络进行实现验证对比。
NCF(Neural Collaborative Filtering):NCF设计了一个基于神经网络结构的协同过滤模型。神经网络结构被用来对用户和项目的潜在特征进行建模,多层感知机被用来赋予NCF获得高阶非线性交互的能力。
FM(Factorization Machines):这是一个基准的因式分解模型,其中考虑了输入之间的二阶特征互动。
NFM(Neural Factorization Machines):该方法是一个最先进的因子化模型,它将FM归入神经网络之下。
KGCN(Knowledge graph convolutional networks):利用GCN来收集知识图的高阶邻域信息。它使用用户张量的嵌入表示关注不同的关系的重要性,并为对应的邻域嵌入分配权重。
RippleNet:模拟水波能量传播现象,并通过自动和迭代地沿着从知识图中提取的链路进行扩展,是一种类似记忆网络的方法,通过用户的相关项目来表示用户。RippleNet使用知识图中的所有相关实体来传播用户表示,以进行预测。
KGAT(Knowledge graph attention network):KGAT是一个基于图神经网络的推荐模型,其配备了一个图注意力网络,采用了一种注意力机制来区分邻域的重要性。
本实施例采用准确率、F1分数和AUROC值作为预测方法的评价指标,其中,F1分数(F1 Score),是统计学中用来衡量二分类(或多任务二分类)模型精确度的一种指标;AUROC值为接受者操作特性曲线所覆盖的区域面积,AUC越大,分类器分类效果越好。
对比结果如表1所示。
表1预测方法对比情况
基于表1中的结果可得,本实施例所提出的推荐方法的性能优于其他方法。
实施例二
本实施例提供了一种基于引导图卷积神经网络的轮胎质量预测系统。
一种基于引导图卷积神经网络的轮胎质量预测系统,包括:
输出模块,其被配置为:基于待检测样本,采用预测模型,得到轮胎质量预测结果;
模型构建预测模块,其被配置为:所述预测模型预测的过程包括:构建轮胎知识图谱;确定轮胎产品表示向量和检测标准表示向量;基于轮胎知识图谱,构建邻接矩阵,采用嵌入向量进行邻域信息嵌入表示学习,得到邻域实体表示向量;基于所述邻域实体表示向量,引入注意力机制学习轮胎知识图谱中邻域实体表示向量对轮胎产品质量的重要程度,结合引导图卷积神经网络,得到轮胎产品综合表示向量;计算轮胎产品综合表示向量与质检标准的邻域信息的注意力分数,以引导质检标准的卷积和聚合,得到轮胎质检标准的综合表示向量;基于轮胎质检标准的综合表示向量,对待检测样本进行轮胎产品质量预测,得到轮胎质量预测结果。
其中,如图4所示,模型构建预测模块包括:知识图谱构建模块、轮胎产品表示向量获取模块、轮胎分类检测标准的综合表示向量获取模块、推荐模型训练模块、反馈更新模块和预处理模块。其中,各个模型所实现的功能如下:
(1)知识图谱构建模块,其被配置为:从关系型数据库中抽取工艺、设备、原料、产品、半成品、工人、参数等方面的知识实体与属性,然后根据现实世界与轮胎生产过程抽取实体与实体间的关系,构建轮胎质量预测所使用的知识图谱,知识图谱由实体节点与连接节点的边组成,边表示两个节点之间的关系,头实体节点、关系与尾实体节点构成形如(h,r,t)的三元组,知识图谱是大量三元组的集合。其中,知识图谱中包括轮胎产品与轮胎分类检测标准。
(2)轮胎产品表示向量获取模块,其被配置为:使用引导图卷积神经网络使轮胎产品的表示向量聚合知识图谱中的邻域信息,其中邻域信息为在知识图谱中与被聚合的实体节点相邻的节点与关系,即在知识图谱中与被聚合实体直接相连的实体节点与其对应的关系,例如在生产过程中,某一阶段的中间产品的邻域信息包括本生产阶段中的设备、工人、材料等实体及属性,该中间产品作为下一阶段的材料加入生产过程,则该中间产品为下一阶段产品的邻域实体之一,属于下一阶段产品的邻域信息之一。使下游实体聚合和其上游所涉及的所有的实体与关系信息,聚合时使用注意力机制为被聚合邻居实体分配权重后再聚合到下游实体中,得到轮胎产品的最终表示向量;
(3)轮胎分类检测标准的综合表示向量获取模块,其被配置为:使用聚合后的轮胎产品的表示向量求取其与各检测标准实体的注意力分数分配聚合权重,根据对应权重将检测标准信息聚合。
(4)推荐模型训练模块,其被配置为:利用获得的综合表示向量,构建Softmax预测函数;计算Softmax函数输出值的损失函数,采用反向传播算法训练模型的学习参数,完成轮胎质量预测;
(5)反馈更新模块,其被配置为:模型训练完成后,输出实验样本集的推荐结果,与实际情况进行对比,反馈更新底层数据信息,从而不断优化模型中的数据权重值,不断完善轮胎质量预测精度。
(6)预处理模块,其被配置为:对海量轮胎产品数据进行数据预处理,包括轮胎产品与检测标准之间构建标准-产品交互图建立联系,建立‘0’代表不合格和‘1’代表合格的隐式反馈,并划分预测使用的训练集与测试集。
此处需要说明的是,上述输出模块和模型构建预测模块与于实施例一中的步骤所实现的示例和应用场景相同,但不限于上述实施例一所公开的内容。需要说明的是,上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
实施例三
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述实施例一所述的基于引导图卷积神经网络的轮胎质量预测方法中的步骤。
实施例四
本实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述实施例一所述的基于引导图卷积神经网络的轮胎质量预测方法中的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明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和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、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。
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,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于引导图卷积神经网络的轮胎质量预测方法,其特征在于,包括:
基于待检测样本,采用预测模型,得到轮胎质量预测结果;
所述预测模型预测的过程包括:构建轮胎知识图谱;
确定轮胎产品表示向量和检测标准表示向量;
基于轮胎知识图谱,构建邻接矩阵,采用嵌入向量进行邻域信息嵌入表示学习,得到邻域实体表示向量;
基于所述邻域实体表示向量,引入注意力机制学习轮胎知识图谱中邻域实体表示向量对轮胎产品质量的重要程度,结合引导图卷积神经网络,得到轮胎产品综合表示向量;
计算轮胎产品综合表示向量与质检标准的邻域信息的注意力分数,以引导质检标准的卷积和聚合,得到轮胎质检标准的综合表示向量;
基于轮胎质检标准的综合表示向量,对待检测样本进行轮胎产品质量预测,得到轮胎质量预测结果;
所述得到轮胎产品综合表示向量的具体过程包括:
基于检测标准表示向量,求取在构建轮胎知识图谱过程中被抽取为关系的轮胎生产流程的第一注意力分数;
规范化所述第一注意力分数,作为关系连接的实体的嵌入表示向量的第一权重;
采用引导图卷积神经网络对邻域实体表示向量和第一权重进行卷积操作,得到第一邻域实体嵌入表示向量;
将第一邻域实体嵌入表示向量聚合到轮胎产品表示向量,得到轮胎产品综合表示向量;
所述得到轮胎质检标准的综合表示向量的具体过程包括:
基于轮胎产品综合表示向量,求取在构建知识图谱过程中被抽取为关系的轮胎生产流程的第二注意力分数;
规范化所述第二注意力分数,作为关系连接的实体的嵌入表示向量的第二权重;
采用引导图卷积神经网络对第二权重进行卷积操作,得到第二邻域实体嵌入表示向量;
将第二邻域实体嵌入表示向量聚合到轮胎检测标准表示向量,得到轮胎质检标准的综合表示向量。
2.根据权利要求1所述的基于引导图卷积神经网络的轮胎质量预测方法,其特征在于,所述构建轮胎知识图谱具体包括:获取轮胎生产过程中的关系型数据库,提取关系型数据库中的知识实体和属性,确定实体与实体间的关系,构建包括轮胎产品知识和轮胎分类检测标准的轮胎知识图谱。
3.根据权利要求1所述的基于引导图卷积神经网络的轮胎质量预测方法,其特征在于,所述邻域信息为在知识图谱中与被聚合的实体节点相邻的节点与相邻节点对应的关系。
4.根据权利要求1所述的基于引导图卷积神经网络的轮胎质量预测方法,其特征在于,若待检测样本为训练样本,则得到轮胎质量预测结果的具体过程包括:基于所述轮胎质检标准的综合表示向量,采用Softmax预测函数,计算Softmax预测函数输出的损失函数,采用反向传播算法训练预测模型的学习参数,完成轮胎质量的预测。
5.根据权利要求4所述的基于引导图卷积神经网络的轮胎质量预测方法,其特征在于,所述预测模型训练完成后,将样本集的预测结果与实际结果进行对比,反馈更新底层数据信息,不断优化预测模型中的数据权重值,完善轮胎质量预测的精度。
6.一种基于引导图卷积神经网络的轮胎质量预测系统,其特征在于,包括:
输出模块,其被配置为:基于待检测样本,采用预测模型,得到轮胎质量预测结果;
模型构建预测模块,其被配置为:所述预测模型预测的过程包括:构建轮胎知识图谱;确定轮胎产品表示向量和检测标准表示向量;基于轮胎知识图谱,构建邻接矩阵,采用嵌入向量进行邻域信息嵌入表示学习,得到邻域实体表示向量;基于所述邻域实体表示向量,引入注意力机制学习轮胎知识图谱中邻域实体表示向量对轮胎产品质量的重要程度,结合引导图卷积神经网络,得到轮胎产品综合表示向量;计算轮胎产品综合表示向量与质检标准的邻域信息的注意力分数,以引导质检标准的卷积和聚合,得到轮胎质检标准的综合表示向量;基于轮胎质检标准的综合表示向量,对待检测样本进行轮胎产品质量预测,得到轮胎质量预测结果;
所述得到轮胎产品综合表示向量的具体过程包括:
基于检测标准表示向量,求取在构建轮胎知识图谱过程中被抽取为关系的轮胎生产流程的第一注意力分数;
规范化所述第一注意力分数,作为关系连接的实体的嵌入表示向量的第一权重;
采用引导图卷积神经网络对邻域实体表示向量和第一权重进行卷积操作,得到第一邻域实体嵌入表示向量;
将第一邻域实体嵌入表示向量聚合到轮胎产品表示向量,得到轮胎产品综合表示向量;
所述得到轮胎质检标准的综合表示向量的具体过程包括:
基于轮胎产品综合表示向量,求取在构建知识图谱过程中被抽取为关系的轮胎生产流程的第二注意力分数;
规范化所述第二注意力分数,作为关系连接的实体的嵌入表示向量的第二权重;
采用引导图卷积神经网络对第二权重进行卷积操作,得到第二邻域实体嵌入表示向量;
将第二邻域实体嵌入表示向量聚合到轮胎检测标准表示向量,得到轮胎质检标准的综合表示向量。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-5中任一项所述的基于引导图卷积神经网络的轮胎质量预测方法中的步骤。
8.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-5中任一项所述的基于引导图卷积神经网络的轮胎质量预测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210498279.5A CN114881329B (zh) | 2022-05-09 | 2022-05-09 | 一种基于引导图卷积神经网络的轮胎质量预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210498279.5A CN114881329B (zh) | 2022-05-09 | 2022-05-09 | 一种基于引导图卷积神经网络的轮胎质量预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114881329A CN114881329A (zh) | 2022-08-09 |
CN114881329B true CN114881329B (zh) | 2023-04-07 |
Family
ID=82672874
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210498279.5A Active CN114881329B (zh) | 2022-05-09 | 2022-05-09 | 一种基于引导图卷积神经网络的轮胎质量预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114881329B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232925A (zh) * | 2020-11-02 | 2021-01-15 | 哈尔滨工程大学 | 一种融合知识图谱对商品进行个性化推荐的方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11657094B2 (en) * | 2019-06-28 | 2023-05-23 | Meta Platforms Technologies, Llc | Memory grounded conversational reasoning and question answering for assistant systems |
CN111310604A (zh) * | 2020-01-21 | 2020-06-19 | 华为技术有限公司 | 一种物体检测方法、装置以及存储介质 |
US20210406779A1 (en) * | 2020-06-26 | 2021-12-30 | Facebook, Inc. | System and methods for feature engineering based on graph learning |
CN112257841A (zh) * | 2020-09-03 | 2021-01-22 | 北京大学 | 图神经网络中的数据处理方法、装置、设备及存储介质 |
CN112733027B (zh) * | 2021-01-08 | 2022-10-25 | 西安交通大学 | 一种基于局部和全局表示模型联合学习的混合推荐方法 |
CN113010691A (zh) * | 2021-03-30 | 2021-06-22 | 电子科技大学 | 一种基于图神经网络的知识图谱推理关系预测方法 |
-
2022
- 2022-05-09 CN CN202210498279.5A patent/CN114881329B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232925A (zh) * | 2020-11-02 | 2021-01-15 | 哈尔滨工程大学 | 一种融合知识图谱对商品进行个性化推荐的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114881329A (zh) | 2022-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110880019B (zh) | 通过无监督域适应训练目标域分类模型的方法 | |
CN112685504B (zh) | 一种面向生产过程的分布式迁移图学习方法 | |
Beskorovainyi et al. | Spesific Subset Effective Option in Technology Desing Decisions | |
CN107368526A (zh) | 一种数据处理方法及装置 | |
CN104657574A (zh) | 一种医疗诊断模型的建立方法及装置 | |
CN110321947A (zh) | 一种基于卷积神经网络的用电异常预判方法 | |
Zaidi et al. | Learning graph representation of bug reports to triage bugs using graph convolution network | |
CN109656808A (zh) | 一种基于混合式主动学习策略的软件缺陷预测方法 | |
CN112346974B (zh) | 基于深度特征嵌入的跨移动应用程序即时缺陷预测方法 | |
CN114881329B (zh) | 一种基于引导图卷积神经网络的轮胎质量预测方法及系统 | |
CN112329879A (zh) | 基于反事实多智能体学习的图像场景图的生成方法和系统 | |
Dong | Application of Big Data Mining Technology in Blockchain Computing | |
CN111753998A (zh) | 多数据源的模型训练方法、装置、设备及存储介质 | |
CN114780619B (zh) | 一种自动工程审价审计数据的异常预警方法 | |
CN110457329A (zh) | 一种实现个性化推荐的方法及装置 | |
CN117033997A (zh) | 数据切分方法、装置、电子设备和介质 | |
CN115099934A (zh) | 一种高潜客户识别方法、电子设备和存储介质 | |
Viswambaran et al. | Evolutionary design of long short term memory (lstm) ensemble | |
CN114820074A (zh) | 基于机器学习的目标用户群体预测模型构建方法 | |
Wang et al. | An enhanced software defect prediction model with multiple metrics and learners | |
Salimbeni et al. | Generative system to assist the artist in the choice of 3D composition for a still life painting | |
CN116775900B (zh) | 一种基于规则知识图谱驱动的政务辅助管理方法及系统 | |
CN113705075B (zh) | 一种基于图神经网络的社交关系分析方法 | |
Isabella et al. | Analysis of earthquake magnitude level based on data Twitter with decision tree algorithm | |
CN116629388B (zh) | 差分隐私联邦学习训练方法、装置和计算机可读存储介质 |
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 |