CN116341502A - 基于数字工厂的产品数据检测方法及系统 - Google Patents

基于数字工厂的产品数据检测方法及系统 Download PDF

Info

Publication number
CN116341502A
CN116341502A CN202310394679.6A CN202310394679A CN116341502A CN 116341502 A CN116341502 A CN 116341502A CN 202310394679 A CN202310394679 A CN 202310394679A CN 116341502 A CN116341502 A CN 116341502A
Authority
CN
China
Prior art keywords
text
neural network
knowledge
vectors
example target
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
CN202310394679.6A
Other languages
English (en)
Other versions
CN116341502B (zh
Inventor
刘富雄
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.)
Liu Fuxiong
Original Assignee
Shijiazhuang Weihang Technology 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 Shijiazhuang Weihang Technology Co ltd filed Critical Shijiazhuang Weihang Technology Co ltd
Priority to CN202310394679.6A priority Critical patent/CN116341502B/zh
Publication of CN116341502A publication Critical patent/CN116341502A/zh
Application granted granted Critical
Publication of CN116341502B publication Critical patent/CN116341502B/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
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/166—Editing, e.g. inserting or deleting
    • 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
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3347—Query execution using vector based model
    • 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
    • G06N3/094—Adversarial learning
    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Manufacturing & Machinery (AREA)
  • Primary Health Care (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请提供的基于数字工厂的产品数据检测方法及系统，响应于产品数据检测指令调取目标产品，通过目标产品将不少于两个文本约束要素赋予抽取获得的不少于两个文本知识向量，再调取文本构建神经网络，依据不少于两个文本知识向量和每个文本知识向量对应的文本约束要素进行处理，构建包含对应文本知识向量的目标文本。基于为抽取获得的文本知识向量分配限制的文本约束要素，对构建得到的目标文本中属于不同的文本约束要素的文本知识向量进行约束，能对构建得到的目标文本中对应于文本约束要素的文本知识向量进行修改，维持对应于其他文本约束要素的文本知识向量的现有状态，如此使得构建得到的目标文本具有高度的可塑能力，便于控制。

Description

基于数字工厂的产品数据检测方法及系统
技术领域
本申请涉及数据处理领域，尤其涉及人工智能领域，具体涉及一种基于数字工厂的产品数据检测方法及系统。
背景技术
随着信息技术的不断发展，三维数字化工厂逐渐普及，三维数字化工厂以企业管理创新与数据集成的优势逐步被更多企业采用。作为公司生产运营管控信息的载体，三维数字化工厂可以实现公司的生产、能源、安防和设备的一体化运维管控，从而确保管理决策科学化。数字工厂集成了产品、过程和工厂模型数据库，通过先进的可视化、仿真和文档管理，以提高产品的质量和生产过程所涉及的质量和动态性能。随着数字工厂生产的产品越来越多，为了确保产品的性能，对于产品的数据检测评估，比如进行产品质量检测中的数据检测，是需要重点考虑的环节。
发明内容
本申请提供了一种基于数字工厂的产品数据检测方法及系统。
根据本申请的一方面，提供了一种基于数字工厂的产品数据检测方法，应用于数字工厂AI检测系统，所述方法包括：响应于产品数据检测指令，调取目标产品；依据所述目标产品在文本知识向量库中进行抽取，获得不少于两个第一文本知识向量，所述文本知识向量库包括用于构建文本的多个文本知识向量；为所述不少于两个第一文本知识向量中的每个第一文本知识向量赋予一个文本约束要素；调取文本构建神经网络，依据所述不少于两个第一文本知识向量和每个第一文本知识向量对应的文本约束要素，构建第一目标文本，使得所述第一目标文本中对应每个文本约束要素的文本知识向量与对应每个文本约束要素的第一文本知识向量各自相同；将抽取获得的第二文本知识向量代替所述不少于两个第一文本知识向量中对应于第一文本约束要素的第一文本知识向量，所述第一文本约束要素为不少于两个文本约束要素中的任意一个文本约束要素；调取所述文本构建神经网络，依据其他的第一文本知识向量、所述第二文本知识向量和其他的第一文本知识向量对应的文本约束要素和所述第二文本知识向量对应的文本约束要素，构建第二目标文本，使得所述第二目标文本中对应每个文本约束要素的文本知识向量与对应每个文本约束要素的其他的第一文本知识向量或所述第二文本知识向量各自相同。
作为一种实施方式，所述调取文本构建神经网络，依据所述不少于两个第一文本知识向量和每个第一文本知识向量对应的文本约束要素，构建第一目标文本之前，所述方法还包括：依据所述不少于两个文本约束要素的分布位次和每个第一文本知识向量对应的文本约束要素，将所述不少于两个第一文本知识向量进行组合；所述调取文本构建神经网络，依据所述不少于两个第一文本知识向量和每个第一文本知识向量对应的文本约束要素，构建第一目标文本，包括：调取所述文本构建神经网络，依据组合后的第一文本知识向量构建所述第一目标文本。
作为一种实施方式，所述在文本知识向量库中进行抽取，获得不少于两个第一文本知识向量，包括：在不少于两个文本知识向量库中进行抽取，获得所述不少于两个第一文本知识向量，其中不同的文本知识向量库对应的文本约束要素不同；所述为所述不少于两个第一文本知识向量中的每个第一文本知识向量赋予一个文本约束要素，包括：分别为所述每个第一文本知识向量赋予所属文本知识向量库对应的文本约束要素。
作为一种实施方式，所述文本构建神经网络通过如下步骤进行调试获得：在所述文本知识向量库中进行抽取，获得不少于两个第三文本知识向量；为所述不少于两个第三文本知识向量中的每个第三文本知识向量赋予一个文本约束要素；调取所述文本构建神经网络，依据所述不少于两个第三文本知识向量和每个第三文本知识向量对应的文本约束要素，构建示例目标文本Sample1，使得所述示例目标文本Sample1中对应每个文本约束要素的文本知识向量与对应每个文本约束要素的第三文本知识向量各自相同；对所述示例目标文本Sample1进行分析，获得第一分析结果，所述第一分析结果指示所述示例目标文本Sample1被识别成自然文本的可信系数，所述自然文本不是通过文本构建神经网络构建得到的；依据所述第一分析结果调试所述文本构建神经网络，使得调取调试后的文本构建神经网络构建得到的目标文本被识别成所述自然文本的可信系数提高。
作为一种实施方式，所述对所述示例目标文本Sample1进行分析，获得第一分析结果，包括：调取文本质量分析神经网络，对所述示例目标文本Sample1进行分析，获得所述第一分析结果；所述依据所述第一分析结果调试所述文本构建神经网络，包括：依据所述第一分析结果调试所述文本构建神经网络和所述文本质量分析神经网络，使得调取调试后的文本构建神经网络构建得到的目标文本被识别成所述自然文本的可信系数提高，调取调试后的文本质量分析神经网络将所述文本构建神经网络构建得到的目标文本识别成所述自然文本的可信系数降低。
作为一种实施方式，所述方法还包括：获取示例目标文本Sample2，所述示例目标文本Sample2为所述自然文本；调取所述文本质量分析神经网络，对所述示例目标文本Sample2进行分析，获得第二分析结果，所述第二分析结果指示所述示例目标文本Sample2被识别成所述自然文本的可信系数；所述依据所述第一分析结果调试所述文本构建神经网络和所述文本质量分析神经网络，包括：依据所述第一分析结果调试所述文本构建神经网络，使得调取调试后的文本构建神经网络构建得到的目标文本被识别成所述自然文本的可信系数提高；依据所述第一分析结果和所述第二分析结果调试所述文本质量分析神经网络，使得调取调试后的文本质量分析神经网络将所述文本构建神经网络构建得到的目标文本识别成所述自然文本的可信系数降低，且调取调试后的文本质量分析神经网络将所述自然文本识别成所述自然文本的可信系数提高。
作为一种实施方式，所述方法还包括：在所述文本知识向量库中进行抽取，获得第四文本知识向量；将所述第四文本知识向量代替所述不少于两个第三文本知识向量中对应于第二文本约束要素的第三文本知识向量，所述第二文本约束要素为不少于两个文本约束要素中的任意一个文本约束要素；调取所述文本构建神经网络，依据其他的第三文本知识向量、所述第四文本知识向量和其他的第三文本知识向量对应的文本约束要素和所述第四文本知识向量对应的文本约束要素，构建示例目标文本Sample3，使得所述示例目标文本Sample3中对应每个文本约束要素的文本知识向量与对应每个文本约束要素的其他的第三文本知识向量或所述第四文本知识向量各自相同；所述对所述示例目标文本Sample1进行分析，获得第一分析结果，包括：对所述示例目标文本Sample1和所述示例目标文本Sample3进行分析，获得所述第一分析结果，所述第一分析结果指示所述示例目标文本Sample1和所述示例目标文本Sample3符合第一预设要求的可信系数，所述第一预设要求指示所述示例目标文本Sample1和所述示例目标文本Sample3被识别成所述自然文本，且所述示例目标文本Sample1和所述示例目标文本Sample3中一个或多个文本约束要素的文本知识向量相同，同时和一个或多个文本约束要素的文本知识向量不同。
作为一种实施方式，所述对所述示例目标文本Sample1和所述示例目标文本Sample3进行分析，获得所述第一分析结果，包括：调取文本质量分析神经网络，对所述示例目标文本Sample1和所述示例目标文本Sample3进行分析，获得所述第一分析结果；所述依据所述第一分析结果调试所述文本构建神经网络，包括：依据所述第一分析结果调试所述文本构建神经网络和所述文本质量分析神经网络，使得调取调试后的文本构建神经网络构建的不少于两个目标文本被识别成符合所述第一预设要求的可信系数提高，调取调试后的文本质量分析神经网络将所述文本构建神经网络构建的不少于两个目标文本识别成符合所述第一预设要求的可信系数降低。
作为一种实施方式，所述方法还包括：获取示例目标文本Sample4和示例目标文本Sample5，所述示例目标文本Sample4和所述示例目标文本Sample5符合第二预设要求，所述第二预设要求指示所述示例目标文本Sample4和所述示例目标文本Sample5为所述自然文本，且所述示例目标文本Sample4和所述示例目标文本Sample5中一个或多个文本约束要素的文本知识向量相同，同时和一个或多个文本约束要素的文本知识向量不同；调取所述文本质量分析神经网络，对所述示例目标文本Sample4和所述示例目标文本Sample5进行分析，获得第三分析结果，所述第三分析结果指示所述示例目标文本Sample4和所述示例目标文本Sample5被识别成符合所述第二预设要求的可信系数；所述依据所述第一分析结果调试所述文本构建神经网络和所述文本质量分析神经网络，包括：依据所述第一分析结果调试所述文本构建神经网络，使得调取调试后的文本构建神经网络构建的不少于两个目标文本被识别成符合所述第一预设要求的可信系数提高；依据所述第一分析结果和所述第三分析结果调试所述文本质量分析神经网络，使得调取调试后的文本质量分析神经网络将所述文本构建神经网络构建的不少于两个目标文本识别成符合所述第一预设要求的可信系数降低，且调取调试后的文本质量分析神经网络将符合所述第二预设要求的目标文本识别成符合所述第二预设要求的可信系数提高。
根据本申请的另一方面，提供了数字工厂AI检测系统，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的方法。
本申请至少包括如下有益效果：
本申请实施例提供的基于数字工厂的产品数据检测方法，响应于产品数据检测指令调取目标产品，通过目标产品将不少于两个文本约束要素赋予抽取获得的不少于两个文本知识向量，再调取文本构建神经网络，依据不少于两个文本知识向量和每个文本知识向量对应的文本约束要素进行处理，从而构建包含对应文本知识向量的目标文本。基于为抽取获得的文本知识向量分配限制的文本约束要素，以完成对构建得到的目标文本中属于不同的文本约束要素的文本知识向量进行约束，则采用更换对应其中一个文本约束要素的文本知识向量，就能对构建得到的目标文本中对应于所述文本约束要素的文本知识向量进行修改，并且可以维持对应于其他文本约束要素的文本知识向量的现有状态，如此使得构建得到的目标文本具有高度的可塑能力，便于控制。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本申请的实施例的基于数字工厂的产品数据检测方法的应用场景示意图。
图2示出了根据本申请的实施例的一种基于数字工厂的产品数据检测方法的流程图。
图3示出了根据本申请的实施例的数据检测装置的功能模块架构示意图。
图4示出了根据本申请的实施例的一种数字工厂AI检测系统的组成示意图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
在本申请中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个要素与另一要素区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。
在本申请中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本申请中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
图1示出了根据本申请的实施例提供的场景的示意图。其中包括一个或产品运行设备101、数字工厂AI检测系统120以及将一个或多个产品运行设备101耦接到数字工厂AI检测系统120的一个或多个通信网络110。产品运行设备101可以被配置为执行目标产品，在其他实施方式中，目标产品可以通过数字工厂AI检测系统120直接运行。
在某些实施例中，数字工厂AI检测系统120还可以提供其他服务或软件应用，这些服务或软件应用可以包括非虚拟环境和虚拟环境。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给产品运行设备101的用户。在图1所示的配置中，数字工厂AI检测系统120可以包括实现由数字工厂AI检测系统120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作产品运行设备101的用户可以依次利用一个或多个应用程序来与数字工厂AI检测系统120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。产品运行设备101可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS)；或包括各种移动操作系统，例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。产品运行设备101能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、区块链网络、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。数字工厂AI检测系统120可以包括一个或多个通用计算机、专用数字工厂AI检测系统计算机(例如PC(个人计算机)数字工厂AI检测系统、UNIX数字工厂AI检测系统、中端数字工厂AI检测系统)、刀片式数字工厂AI检测系统、大型计算机、数字工厂AI检测系统群集或任何其他适当的布置和/或组合。数字工厂AI检测系统120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护数字工厂AI检测系统的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，数字工厂AI检测系统120可以运行提供下文所描述的功能的一个或多个服务或软件应用。数字工厂AI检测系统120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的数字工厂AI检测系统操作系统的一个或多个操作系统。数字工厂AI检测系统120还可以运行各种附加数字工厂AI检测系统应用程序和/或中间层应用程序中的任何一个，包括HTTP数字工厂AI检测系统、FTP数字工厂AI检测系统、CGI数字工厂AI检测系统、JAVA数字工厂AI检测系统、数据库数字工厂AI检测系统等。在一些实施方式中，数字工厂AI检测系统120可以包括一个或多个应用程序，以分析和合并从产品运行设备101的用户接收的数据馈送和/或事件更新。数字工厂AI检测系统120还可以包括一个或多个应用程序，以经由产品运行设备101的一个或多个显示设备来显示数据馈送和/或实时事件。在一些实施方式中，数字工厂AI检测系统120可以为分布式系统的数字工厂AI检测系统，或者是结合了区块链的数字工厂AI检测系统。数字工厂AI检测系统120也可以是云数字工厂AI检测系统，或者是带人工智能技术的智能云计算数字工厂AI检测系统或智能云主机。云数字工厂AI检测系统是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用数字工厂AI检测系统(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。此外，场景中还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储产品的检测数据。数据库130可以驻留在各种位置。例如，由数字工厂AI检测系统120使用的数据库可以在数字工厂AI检测系统120本地，或者可以远离数字工厂AI检测系统120且可以经由基于网络或专用的连接与数字工厂AI检测系统120通信。数据库130可以是不同的类型。在某些实施例中，由数字工厂AI检测系统120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。
下面介绍本申请实施例提供的基于数字工厂的产品数据检测方法，请参照图2，其具体可以包括：
S101：响应于产品数据检测指令，调取目标产品。
目标产品即需要进行数据检测的产品，具体而言，本申请中的目标产品为自动构建生产日志的产品，例如针对精密电子仪器、工业电子设备等生成的生产日志文本。产品数据的检测过程即通过该目标产品进行生产日志文本生成的过程。
S102：依据目标产品在文本知识向量库中进行抽取，获得不少于两个第一文本知识向量。
本申请实施例中，文本知识向量库包含用于构建文本的多个文本知识向量，即文本特征向量，文本知识向量库中的多个文本知识向量基于正态分布进行分布的，在文本知识向量库中进行抽取，获得不少于两个第一文本知识向量，抽取的方式例如是随机的。
S103：为不少于两个第一文本知识向量中的每个第一文本知识向量赋予一个文本约束要素。
本申请实施例中，可以事先设定不少于两个文本约束要素，文本约束要素是描述文本属性的要素信息，比如文本约束要素可以表示文本的语境（如语言风格）、文本的分段方式、文本的内容（如场景限定、人物数量）等等。得到不少于两个第一文本知识向量后，为每个第一文本知识向量赋予不少于两个文本约束要素中的一个文本约束要素，同时每个第一文本知识向量赋予到的文本约束要素不同，以获得属于不少于两个文本约束要素的第一文本知识向量。
S104：调取文本构建神经网络，依据不少于两个第一文本知识向量和每个第一文本知识向量对应的文本约束要素，构建第一目标文本，使得第一目标文本中对应每个文本约束要素的文本知识向量与对应每个文本约束要素的第一文本知识向量各自相同。
文本构建神经网络用于依据对应于所述不少于两个文本约束要素的文本知识向量构建文本，文本构建神经网络的调试方式在后续内容介绍。
为不少于两个第一文本知识向量赋予文本约束要素后，调取文本构建神经网络，基于不少于两个第一文本知识向量对应的文本约束要素，对不少于两个第一文本知识向量进行处理，将第一文本知识向量从文本向量域映射至文本域，获得第一目标文本，同时输出第一目标文本，第一目标文本中对应每个文本约束要素的文本知识向量与对应每个文本约束要素的第一文本知识向量各自相同。
举例而言，不少于两个第一文本知识向量包括属于文本语境约束要素的第一文本知识向量V1和属于文本场景约束要素的第一文本知识向量V2，调取文本构建神经网络，依据这两个第一文本知识向量和每个第一文本知识向量对应的文本约束要素，构建包括剧情描述的第一目标文本，该第一目标文本中的剧情描述包含第一文本知识向量V1对应的语境和第一文本知识向量V2对应的场景。
S105：将抽取获得的第二文本知识向量代替不少于两个第一文本知识向量中对应于第一文本约束要素的第一文本知识向量，第一文本约束要素为不少于两个文本约束要素中的任意一个文本约束要素。
本申请实施例中，再次在文本知识向量库中进行抽取，获得第二文本知识向量。可以理解，第二文本知识向量和第一文本知识向量都可以是随机抽取获得的文本知识向量。在不少于两个文本约束要素中确定第一文本约束要素，第一文本约束要素为不少于两个文本约束要素中的任意一个文本约束要素，在不少于两个第一文本知识向量中确定对应于所述第一文本约束要素的第一文本知识向量，将对应于第一文本约束要素的第一文本知识向量代替为抽取获得的第二文本知识向量，第二文本知识向量与对应于所述第一文本约束要素的第一文本知识向量不同，那么，代替后获得的不少于两个文本知识向量中，对应于第一文本约束要素的文本知识向量产生改变，对应于除第一文本约束要素外的其他文本约束要素的文本知识向量未改变。
S106：调取文本构建神经网络，依据其他的第一文本知识向量、第二文本知识向量和其他的第一文本知识向量对应的文本约束要素和第二文本知识向量对应的文本约束要素，构建第二目标文本，使得第二目标文本中对应每个文本约束要素的文本知识向量与对应每个文本约束要素的其他的第一文本知识向量或第二文本知识向量各自相同。
上述S106中调取文本构建神经网络构建第二目标文本的方式可以参照S104调取文本构建神经网络构建第一目标文本的方式。
为了进行区分，本申请实施例将不少于两个文本约束要素中除第一文本约束要素外的文本约束要素视作第三文本约束要素，第一目标文本中对应于第一文本约束要素的文本知识向量与第二目标文本中对应于第一文本约束要素的文本知识向量不同，第一目标文本中对应于第三文本约束要素的文本知识向量与第二目标文本中对应于第三文本约束要素的文本知识向量相同。举例而言，第一文本约束要素为文本场景约束要素，其代表文本中剧情描述的场景，第三文本约束要素为文本语境约束要素，其代表文本中剧情描述的语境，那么，因为构建第一目标文本和第二目标文本采用的对应于第一文本约束要素的文本知识向量不同，则第一目标文本中剧情描述的场景与第二目标文本中剧情描述的场景不同，构建第一目标文本和第二目标文本采取的对应于第三文本约束要素的文本知识向量相同，则第一目标文本中剧情描述的语境与第二目标文本中剧情描述的语境一致。
本申请实施例中，将不少于两个文本约束要素赋予给抽取获得的不少于两个文本知识向量，再调取文本构建神经网络依据不少于两个文本知识向量和每个文本知识向量对应的文本约束要素进行处理，构建包含上述两个文本知识向量的文本。基于为抽取获得的文本知识向量分配限制的文本约束要素，以完成对构建得到的目标文本中对应于不同的文本约束要素的文本知识向量进行约束，则采用更换对应其中一个文本约束要素的文本知识向量，就能对构建得到的目标文本中对应于所述文本约束要素的文本知识向量进行修改，并且可以维持对应于其他文本约束要素的文本知识向量不变，如此使得构建得到的目标文本具有高度的可塑能力，便于控制文本的内容走向。
下面介绍抽取获得第一文本知识向量、第二文本知识向量和构建第一目标文本和第二目标文本的方式，具体地，还提供一种基于数字工厂的产品数据检测方法，包括：
S201：响应于产品数据检测指令，调取目标产品。
S202：依据目标产品在不少于两个文本知识向量库中进行抽取，获得不少于两个第一文本知识向量。
本申请实施例事先设置不少于两个文本约束要素，分别为每个文本约束要素部署一个文本知识向量库，如此，获得不少于两个文本知识向量库，每个文本知识向量库包括任意构建的一个或多个文本知识向量，同时不同的文本知识向量库对应的文本约束要素不一样。
作为一种实施方式，不同的文本知识向量库中文本知识向量具有不同的维度，分别在不少于两个文本知识向量库中进行抽取，以在每个文本知识向量库中抽取获得一个第一文本知识向量。例如不少于两个文本知识向量库包括文本知识向量库B1和文本知识向量库B2，在文本知识向量库B1中进行抽取，获得第一文本知识向量V1，在文本知识向量库B2中进行抽取，获得第一文本知识向量V2。
S203：分别为每个第一文本知识向量赋予所属文本知识向量库对应的文本约束要素。
本申请实施例在获取到不少于两个第一文本知识向量后，针对每一第一文本知识向量，确定第一文本知识向量所属文本知识向量库对应的文本约束要素，将文本约束要素赋予给第一文本知识向量，以将该第一文本知识向量确定为对应于所述文本约束要素的文本知识向量，最后获得属于不少于两个文本约束要素的第一文本知识向量。本申请实施例为不同的文本约束要素部署不同的文本知识向量库，在不同的文本知识向量库抽取获得第一文本知识向量，同时将在不同文本知识向量库中抽取获得的第一文本知识向量赋予不同的文本约束要素，这样扩大对应于不同文本约束要素的文本知识向量间的差别，有利于对构建得到的目标文本中对应于不同的文本约束要素的文本知识向量分别进行约束，如此使得构建得到的目标文本具有高度的可塑能力，便于文本内容控制。
举例来说，不少于两个文本约束要素包括文本语境约束要素和文本场景约束要素，文本语境约束要素用于代表文本中剧情描述的语境，文本场景约束要素用于代表文本中剧情描述的场景。获取到第一文本知识向量V1和第一文本知识向量V2后，将第一文本知识向量V1作为属于文本语境约束要素的文本知识向量，将第一文本知识向量V2作为属于文本场景约束要素的文本知识向量。
S204：依据不少于两个文本约束要素的分布位次和每个第一文本知识向量对应的文本约束要素，将不少于两个第一文本知识向量进行组合。
举例而言，不少于两个文本约束要素为文本语境约束要素和文本场景约束要素，第一文本知识向量V1属于文本语境约束要素，第一文本知识向量V2属于文本场景约束要素，不少于两个文本约束要素的分布位次为文本语境约束要素、文本场景约束要素，那么依据第一文本知识向量V1、第一文本知识向量V2的分布位次将两个第一文本知识向量进行组合，完成拼接融合。
S205：调取文本构建神经网络，依据组合后的第一文本知识向量构建第一目标文本。
本申请实施例中，第一目标文本中对应每个文本约束要素的文本知识向量与对应每个文本约束要素的第一文本知识向量各自相同。因为不少于两个第一文本知识向量是依据不少于两个文本约束要素的分布位次进行组合得到，那么将组合后的第一文本知识向量加载到文本构建神经网络后，文本构建神经网络就能基于不少于两个文本约束要素的分布位次，确定组合后的文本知识向量中哪个文本知识向量是对应的文本约束要素的文本知识向量，基于此对组合后的文本知识向量中的各个文本知识向量完成适应性处理，构建对应的目标文本。
S206：将抽取获得的第二文本知识向量代替不少于两个第一文本知识向量中对应于第一文本约束要素的第一文本知识向量。
其中将第二文本知识向量代替第一文本知识向量的方式可以参照S105中将第二文本知识向量代替第一文本知识向量的方式。
S207：依据不少于两个文本约束要素的分布位次和其他的第一文本知识向量对应的文本约束要素和第二文本知识向量对应的文本约束要素，将其他的第一文本知识向量和第二文本知识向量进行组合。
S208：调取文本构建神经网络，依据组合后的第一文本知识向量和第二文本知识向量构建第二目标文本。
其中，第二目标文本中对应每个文本约束要素的文本知识向量与对应每个文本约束要素的其他的第一文本知识向量或第二文本知识向量各自相同。S207和S208中构建第二目标文本的方式请参照S204和S205。
本申请实施例对不同的文本约束要素进行区分，以对文本中对应于不同文本约束要素的文本知识向量进行约束，在构建文本的过程中，基于更换对应于其中一个文本约束要素的文本知识向量，就能对构建得到的目标文本中对应于所述文本约束要素的文本知识向量进行修改，并且可以维持对应于其他文本约束要素的文本知识向量的状态，以完成文本的特征约束。
本申请实施例将不少于两个文本约束要素赋予给抽取获得的不少于两个文本知识向量，再调取文本构建神经网络，依据不少于两个文本知识向量和每个文本知识向量对应的文本约束要素进行处理，以构建包含两文本知识向量的目标文本。通过为抽取获得的文本知识向量分配限制的文本约束要素，以完成对构建得到的目标文本中对应于不同的文本约束要素的文本知识向量进行约束，则采用更换对应其中一个文本约束要素的文本知识向量，就能对构建得到的目标文本中对应于所述文本约束要素的文本知识向量进行修改，并且可以维持对应于其他文本约束要素的文本知识向量不变，如此使得构建得到的目标文本具有高度的可塑能力，以便对文本内容进行有效控制。此外，针对不同的文本约束要素部署不同的文本知识向量库，在不同的文本知识向量库中进行抽取获得第一文本知识向量，同时将在不同文本知识向量库中获得的第一文本知识向量赋予不同的文本约束要素，这样提升了对应于不同文本约束要素的文本知识向量间的差别，有利于对构建得到的目标文本中对应于不同的文本约束要素的文本知识向量分别进行约束，如此使得构建得到的目标文本具有高度的可塑能力。同时，不少于两个第一文本知识向量可以基于不少于两个文本约束要素的分布位次进行组合，则将组合后的第一文本知识向量加载到文本构建神经网络后，文本构建神经网络就能基于不少于两个文本约束要素的分布位次，确定组合后的文本知识向量的局部对应哪个文本约束要素的文本知识向量，完成适应性地处理，构建匹配的文本。
接下来介绍本申请实施例提供的文本构建神经网络的调试过程，具体可以包括：
TS110：在文本知识向量库中进行抽取，获得不少于两个第三文本知识向量。
TS120：为不少于两个第三文本知识向量中的每个第三文本知识向量赋予一个文本约束要素。
可选地，在不少于两个文本知识向量库中进行抽取，获得不少于两个第三文本知识向量，每一文本知识向量库包括随机构建的一个或多个文本知识向量，同时不同的文本知识向量库对应的文本约束要素不同。本申请实施例分别为每个第三文本知识向量赋予所属文本知识向量库对应的文本约束要素，获得对应于不少于两个文本约束要素的第三文本知识向量。
TS130：调取文本构建神经网络，依据不少于两个第三文本知识向量和每个第三文本知识向量对应的文本约束要素，构建示例目标文本Sample1，使得示例目标文本Sample1中对应每个文本约束要素的文本知识向量与对应每个文本约束要素的第三文本知识向量各自相同。
可选地，依据不少于两个文本约束要素的分布位次和每个第三文本知识向量对应的文本约束要素，将不少于两个第三文本知识向量进行组合。调取文本构建神经网络，依据组合后的第三文本知识向量构建示例目标文本Sample1。
上述TS110~TS130中构建示例目标文本Sample1的方式请参照S102~S104或S202~S204。
TS140：对示例目标文本Sample1进行分析，获得第一分析结果。
获得示例目标文本Sample1后，对示例目标文本Sample1进行分析获得第一分析结果。其中，第一分析结果指示示例目标文本Sample1被识别成自然文本的可信系数，例如可信系数可以通过置信度、概率、支持度进行表示，自然文本不是通过文本构建神经网络构建得到的。示例目标文本Sample1为文本构建神经网络构建得到的，示例目标文本Sample1被识别成自然文本的可信系数越大，代表示例目标文本Sample1越符合人工书写的特性，换言之，更加具有可读性，此时，文本构建神经网络所构建得到的目标文本的质量好，文本构建神经网络构建文本的性能优异。反之，示例目标文本Sample1被识别成自然文本的可信系数越小，示例目标文本Sample1越不具有可读性，文本构建神经网络所构建得到的目标文本的质量不好，文本构建神经网络构建文本的性能差。
TS150：依据第一分析结果调试文本构建神经网络，使得调取调试后的文本构建神经网络构建得到的目标文本被识别成自然文本的可信系数提高。
因为文本构建神经网络构建得到的目标文本被识别成自然文本的可信系数越大，文本构建神经网络构建得到的目标文本的质量越高，文本构建神经网络构建得到的目标文本被识别成自然文本的可信系数越小，文本构建神经网络构建得到的目标文本的质量越不好，那么将提升示例目标文本Sample1被识别成自然文本的可信系数为调试的目的调试文本构建神经网络，使得调取调试好的文本构建神经网络构建得到的目标文本被识别成自然文本的可信系数提高。
本申请实施例使调取调试后的文本构建神经网络构建得到的目标文本被识别成自然文本的可信系数提高，具体是在文本构建神经网络的输入信息一致的前提下，调取调试后的文本构建神经网络构建得到的目标文本被识别成自然文本的可信系数大于调取调试前的文本构建神经网络构建得到的目标文本被识别成自然文本的可信系数。
本申请实施例将不少于两个文本约束要素赋予任意构建的不少于两个文本知识向量，获得对应于该不少于两个文本约束要素的文本知识向量，再调取文本构建神经网络，对属于不少于两个文本约束要素的文本知识向量进行处理，以构建示例目标文本，再通过对示例目标文本的分析结果调试文本构建神经网络，使得文本构建神经网络构建得到的目标文本被识别成自然文本的可信系数提高，以使网络依据不少于两个文本约束要素的文本知识向量构建文本，对约束要素进行调节，构建的文本内容更加容易调节。
在其他实施例中，对于文本构建神经网络的调试，还介绍调试文本构建神经网络和文本质量分析神经网络的过程，具体包括：
TS201：在文本知识向量库中进行抽取，获得不少于两个第三文本知识向量。
TS202：为不少于两个第三文本知识向量中的每个第三文本知识向量赋予一个文本约束要素。
TS203：调取文本构建神经网络，依据不少于两个第三文本知识向量和每个第三文本知识向量对应的文本约束要素，构建示例目标文本Sample1，使得示例目标文本Sample1中对应每个文本约束要素的文本知识向量与对应每个文本约束要素的第三文本知识向量各自相同。
上述TS201~TS203中构建示例目标文本Sample1的方式请参照TS101~TS203中构建示例目标文本Sample1的方式。
TS204：调取文本质量分析神经网络对示例目标文本Sample1进行分析，获得第一分析结果。
文本质量分析神经网络用于分析文本为自然文本的可信系数。
获取示例目标文本Sample1后，将示例目标文本Sample1加载到文本质量分析神经网络中，基于文本质量分析神经网络对示例目标文本Sample1进行分析，得到第一分析结果。本申请实施例中，示例目标文本Sample1为文本构建神经网络构建的，示例目标文本Sample1被文本质量分析神经网络识别成自然文本的可信系数越大，则文本质量分析神经网络的精度越小。示例目标文本Sample1被文本质量分析神经网络识别成自然文本的可信系数越小，文本质量分析神经网络的精度越高。
TS205：依据第一分析结果调试文本构建神经网络和文本质量分析神经网络，使得调取调试后的文本构建神经网络构建得到的目标文本被识别成自然文本的可信系数提高，调取调试后的文本质量分析神经网络将文本构建神经网络构建得到的目标文本识别成自然文本的可信系数降低。
因为文本构建神经网络构建得到的目标文本被识别成自然文本的可信系数越大，文本构建神经网络构建得到的目标文本的质量越好，文本构建神经网络构建得到的目标文本被识别成自然文本的可信系数越小，文本构建神经网络构建得到的目标文本的质量越不好，那么将提升示例目标文本Sample1被识别成自然文本的可信系数为调试的目的去调试文本构建神经网络，使得调取调试后的文本构建神经网络构建得到的目标文本被识别成自然文本的可信系数提高。然而，因为示例目标文本Sample1被文本质量分析神经网络识别成自然文本的可信系数越大，文本质量分析神经网络的精度越差。示例目标文本Sample1被文本质量分析神经网络识别成自然文本的可信系数越小，文本质量分析神经网络的精度越高，那么，将降低文本质量分析神经网络将示例目标文本Sample1识别成自然文本的可信系数为调试的目的去调试文本质量分析神经网络，使得调取调试后的文本质量分析神经网络将文本构建神经网络构建得到的目标文本识别成自然文本的可信系数降低。
本申请实施例中，使调取调试后的文本质量分析神经网络将文本构建神经网络构建得到的目标文本识别成自然文本的可信系数降低，表示在加载到的文本构建神经网络所构建得到的目标文本一致的基础上，调取调试后的文本质量分析神经网络将文本识别成自然文本的可信系数小于调取调试前的文本质量分析神经网络将文本识别成自然文本的可信系数。
本申请实施例中，通过对抗学习去调试文本构建神经网络和文本质量分析神经网络，具体地，通过调试文本构建神经网络，让文本质量分析神经网络较为困难地确定文本构建神经网络所构建得到的目标文本，以此提升文本构建神经网络的精度，通过调试文本质量分析神经网络使文本质量分析神经网络可以确定得到文本构建神经网络所构建得到的目标文本，以此提升文本质量分析神经网络的精度，基于对文本构建神经网络和文本质量分析神经网络进行对抗学习进行网络优化，可以使构建的文本的质量更高。
可选地，TS205可以包括如下步骤：
TS2051：获取示例目标文本Sample2，调取文本质量分析神经网络，对示例目标文本Sample2进行分析，获得第二分析结果。
示例目标文本Sample2为自然文本，举例而言，示例目标文本Sample2可以是从已有非网络撰写的小说中节选的文本，第二分析结果指示示例目标文本Sample2被识别成自然文本的可信系数。本申请实施例中，示例目标文本Sample2为自然文本，示例目标文本Sample2被文本质量分析神经网络识别成自然文本的可信系数越大，说明文本质量分析神经网络的精度越高，反之，二示例目标文本被文本质量分析神经网络识别成自然文本的可信系数越小，说明文本质量分析神经网络的精度越差。
TS2052：依据第一分析结果调试文本构建神经网络，使得调取调试后的文本构建神经网络构建得到的目标文本被识别成自然文本的可信系数提高。
TS2053：依据第一分析结果和第二分析结果调试文本质量分析神经网络，使得调取调试后的文本质量分析神经网络将文本构建神经网络构建得到的目标文本识别成自然文本的可信系数降低，且调取调试后的文本质量分析神经网络将自然文本识别成自然文本的可信系数提高。
因为示例目标文本Sample1被文本质量分析神经网络识别成自然文本的可信系数越大，说明文本质量分析神经网络的精度越差；示例目标文本Sample1被文本质量分析神经网络识别成自然文本的可信系数越小，说明文本质量分析神经网络的精度越高，那么，将降低文本质量分析神经网络将示例目标文本Sample1识别成自然文本的可信系数为调试的目的去调试文本质量分析神经网络，使得调取调试后的文本质量分析神经网络将文本构建神经网络构建得到的目标文本识别成自然文本的可信系数降低。但是，因为示例目标文本Sample2被文本质量分析神经网络识别成自然文本的可信系数越大，说明文本质量分析神经网络的精度越高，示例目标文本Sample2被文本质量分析神经网络识别成自然文本的可信系数越小，说明文本质量分析神经网络的精度越差，则将提升文本质量分析神经网络将示例目标文本Sample2识别成自然文本的可信系数为调试目的去调试文本质量分析神经网络，使得调取调试后的文本质量分析神经网络将自然文本识别成自然文本的可信系数提高。
本申请实施例中，将文本构建神经网络构建的示例目标文本Sample1作为消极示例文本，将属于自然文本的示例目标文本Sample2确定为积极示例文本，通过积极示例文本和消极示例文本一起调试文本质量分析神经网络，可以让文本质量分析神经网络从积极示例文本和消极示例文本两个维度去学习分析自然文本，这样可以加强文本质量分析神经网络的分析评估性能和识别的精度。
本申请实施例将不少于两个文本约束要素赋予任意构建的不少于两个文本知识向量，获得属于该不少于两个文本约束要素的文本知识向量，再调取文本构建神经网络对属于不少于两个文本约束要素的文本知识向量进行处理，以构建示例目标文本，再通过对示例目标文本的分析结果调试文本构建神经网络，使得文本构建神经网络构建得到的目标文本被识别成自然文本的可信系数提高，使得网络学习基于不少于两个文本约束要素的文本知识向量构建文本，完成对构建文本的约束要素进行更容易的调节。此外，采取对抗学习调试文本构建神经网络和文本质量分析神经网络，通过调试文本构建神经网络，令文本质量分析神经网络不易区分文本构建神经网络所构建得到的目标文本，如此提升文本构建神经网络的精度，通过调试文本质量分析神经网络使文本质量分析神经网络可以区分文本构建神经网络构建得到的目标文本，如此提升文本质量分析神经网络的精度，对文本构建神经网络和文本质量分析神经网络进行对抗学习，可以强化文本构建的质量。进一步地，将文本构建神经网络构建的示例目标文本Sample1确定为消极示例文本，将属于自然文本的示例目标文本Sample2确定为积极示例文本，通过积极示例文本和消极示例文本共同调试文本质量分析神经网络，使文本质量分析神经网络从积极示例文本和消极示例文本两个维度去学习分析自然文本，使得文本质量分析神经网络的分析精度和性能更高。
基于上述步骤，还提供一种文本构建神经网络的调试方法，以介绍调试文本构建神经网络和文本质量分析神经网络的过程，具体包括：
TS301：在文本知识向量库中进行抽取，获得不少于两个第三文本知识向量。
TS302：为不少于两个第三文本知识向量中的每个第三文本知识向量赋予一个文本约束要素。
TS303：调取文本构建神经网络，依据不少于两个第三文本知识向量和每个第三文本知识向量对应的文本约束要素，构建示例目标文本Sample1，使得示例目标文本Sample1中对应每个文本约束要素的文本知识向量与对应每个文本约束要素的第三文本知识向量各自相同。
上述TS301~TS303中构建示例目标文本Sample1的方式请参照TS101~TS103中构建示例目标文本Sample1的方式。
TS304：在文本知识向量库中进行抽取，获得第四文本知识向量，将第四文本知识向量代替不少于两个第三文本知识向量中对应于第二文本约束要素的第三文本知识向量。
本申请实施例提供的方法中，再次在文本知识向量库中进行抽取，获得第四文本知识向量，在不少于两个文本约束要素中确定第二文本约束要素。其中，第二文本约束要素为不少于两个文本约束要素中的任意一个文本约束要素，在不少于两个第三文本知识向量中确定对应于所述第二文本约束要素的第三文本知识向量，将对应于所述第二文本约束要素的第三文本知识向量代替为抽取获得的第四文本知识向量，其中，第四文本知识向量与对应于第二文本约束要素的第三文本知识向量不同，那么，代替后获得的不少于两个文本知识向量中对应于第二文本约束要素的文本知识向量产生了改变，而对应于除第二文本约束要素外的其余约束要素的文本知识向量未产生改变。
TS305：调取文本构建神经网络，依据其他的第三文本知识向量、第四文本知识向量和其他的第三文本知识向量对应的文本约束要素和第四文本知识向量对应的文本约束要素，构建示例目标文本Sample3，使得示例目标文本Sample3中对应每个文本约束要素的文本知识向量与对应每个文本约束要素的其他的第三文本知识向量或第四文本知识向量各自相同。
TS305中调取文本构建神经网络构建示例目标文本Sample3的方式请参照TS203中调取文本构建神经网络构建示例目标文本Sample1的方式。
为进行区分，本申请实施例中将不少于两个文本约束要素中除第二文本约束要素外的其余约束要素视作第四文本约束要素，那么，示例目标文本Sample1中对应于第二文本约束要素的文本知识向量与示例目标文本Sample3中对应于第二文本约束要素的文本知识向量不同；示例目标文本Sample1中对应于第四文本约束要素的文本知识向量与示例目标文本Sample3中对应于第四文本约束要素的文本知识向量相同。
TS306：调取文本质量分析神经网络，对示例目标文本Sample1和示例目标文本Sample3进行分析，获得第一分析结果。
本申请实施例中，文本质量分析神经网络用于分析任两个文本是否符合第一预设要求，第一分析结果指示示例目标文本Sample1和示例目标文本Sample3符合第一预设要求的可信系数。第一预设要求指示示例目标文本Sample1和示例目标文本Sample3被识别成自然文本，同时示例目标文本Sample1和示例目标文本Sample3中一个或多个文本约束要素的文本知识向量相同，同时和一个或多个文本约束要素的文本知识向量不同。其中，示例目标文本Sample1和示例目标文本Sample3被识别成符合第一预设要求的可信系数越大，则文本构建神经网络所构建得到的目标文本越具有可读性，文本构建神经网络辨别不同约束要素的文本知识向量的性能越优异，文本构建神经网络的精度越高。示例目标文本Sample1和示例目标文本Sample3被识别成符合第一预设要求的可信系数越小，则示例目标文本Sample1越不具备可读性，同时文本构建神经网络辨别不同约束要素的文本知识向量的性能越差，文本构建神经网络的精度越差。进一步地，在网络调试时，可以假设文本构建神经网络的精度不足，示例目标文本Sample1和示例目标文本Sample3中不符合该第一预设要求，则示例目标文本Sample1和示例目标文本Sample3被文本质量分析神经网络识别成符合第一预设要求的可信系数越大，说明文本质量分析神经网络的精度越差，示例目标文本Sample1和示例目标文本Sample3被文本质量分析神经网络识别成符合第一预设要求的可信系数越小，说明文本质量分析神经网络的精度越高。
TS307：依据第一分析结果调试文本构建神经网络和文本质量分析神经网络，使得调取调试后的文本构建神经网络构建的不少于两个目标文本被识别成符合第一预设要求的可信系数提高，调取调试后的文本质量分析神经网络将文本构建神经网络构建的不少于两个目标文本识别成符合第一预设要求的可信系数降低。
因为示例目标文本Sample1和示例目标文本Sample3被识别成符合第一预设要求的可信系数越大，文本构建神经网络的精度越高。该示例目标文本Sample1和示例目标文本Sample3被识别成符合第一预设要求的可信系数越小，文本构建神经网络的精度越差，则可姜提升示例目标文本Sample1和示例目标文本Sample3被识别成符合第一预设要求的可信系数为调试的目的去调试文本构建神经网络，使得调取调试后的文本构建神经网络构建的不少于两个目标文本被识别成符合第一预设要求的可信系数提高。作为一种实施方式，使调取调试后的文本构建神经网络构建的不少于两个目标文本被识别成符合第一预设要求的可信系数提高，代表在文本构建神经网络的输入信息一致的基础上，通过TS301~TS306一致的过程去调取调试后的文本构建神经网络构建的两个文本被识别成符合第一预设要求的可信系数，大于调取调试前的文本构建神经网络构建的两个文本被识别成符合第一预设要求的可信系数。
本申请实施例对不同的文本约束要素进行区分，对文本中对应于不同的文本约束要素的文本知识向量进行约束，在调试文本构建神经网络时，采取更换对应于其中一个文本约束要素的文本知识向量的方式对构建得到的目标文本中对应于所述文本约束要素的文本知识向量进行修改，同时维持对应于其他文本约束要素的文本知识向量的特性，让文本构建神经网络去学习区分对应于不同文本约束要素的文本知识向量的知识，这样可让文本构建神经网络对文本构建时的调控性能得到加强。进一步地，示例目标文本Sample1和示例目标文本Sample3被文本质量分析神经网络识别成符合第一预设要求的可信系数越大，说明文本质量分析神经网络的精度越差，示例目标文本Sample1和示例目标文本Sample3被文本质量分析神经网络识别成符合第一预设要求的可信系数越小，说明文本质量分析神经网络的精度越高，那么将降低文本质量分析神经网络将示例目标文本Sample1和示例目标文本Sample3识别成符合第一预设要求的可信系数为调试的目的去调试文本质量分析神经网络，使得调取调试后的文本质量分析神经网络将文本构建神经网络构建的不少于两个目标文本识别成符合第一预设要求的可信系数降低。
作为一种实施方式，使调取调试后的文本质量分析神经网络将文本构建神经网络构建的不少于两个目标文本识别成符合第一预设要求的可信系数降低，代表在加载到的两个文本一样的情形中，调取调试好的文本质量分析神经网络将两个文本识别成符合第一预设要求的可信系数，小于调取调试前的文本质量分析神经网络将两个文本识别成符合第一预设要求的可信系数。同时，加载到的两个文本是依据TS301~TS306相同的方式调取文本构建神经网络所构建得到的。
本申请实施例基于对抗学习的方式调试文本构建神经网络和文本质量分析神经网络，通过调试文本构建神经网络，让文本质量分析神经网络不易精确分析文本构建神经网络所构建的两个文本，以增加文本构建神经网络的精度，基于调试文本质量分析神经网络，让文本质量分析神经网络可准确分析文本构建神经网络所构建的两个文本，使得文本质量分析神经网络的精度提高。
可选地，TS307具体可以包括：
TS3071：获取示例目标文本Sample4和示例目标文本Sample5。
示例目标文本Sample4和示例目标文本Sample5符合第二预设要求，第二预设要求指示示例目标文本Sample4和示例目标文本Sample5为自然文本，且示例目标文本Sample4和示例目标文本Sample5中一个或多个文本约束要素的文本知识向量相同，同时和一个或多个文本约束要素的文本知识向量不同。
TS3072：调取文本质量分析神经网络，对示例目标文本Sample4和示例目标文本Sample5进行分析，获得第三分析结果。
第三分析结果指示示例目标文本Sample4和示例目标文本Sample5被识别成符合第二预设要求的可信系数。本申请实施例中，因为示例目标文本Sample4和示例目标文本Sample5符合第二预设要求，则示例目标文本Sample4和示例目标文本Sample5被文本质量分析神经网络识别成符合第二预设要求的可信系数越大，说明文本质量分析神经网络的精度越高。示例目标文本Sample4和示例目标文本Sample5被文本质量分析神经网络识别成符合第二预设要求的可信系数越小，说明文本质量分析神经网络的精度越差。
TS3073：依据第一分析结果调试文本构建神经网络，使得调取调试后的文本构建神经网络构建的不少于两个目标文本被识别成符合第一预设要求的可信系数提高。
TS3074：依据第一分析结果和第三分析结果调试文本质量分析神经网络，使得调取调试后的文本质量分析神经网络将文本构建神经网络构建的不少于两个目标文本识别成符合第一预设要求的可信系数降低，且调取调试后的文本质量分析神经网络将符合第二预设要求的目标文本识别成符合第二预设要求的可信系数提高。
因为示例目标文本Sample1和示例目标文本Sample3被文本质量分析神经网络识别成符合第一预设要求的可信系数越大，说明文本质量分析神经网络的精度越差；示例目标文本Sample1和示例目标文本Sample3被文本质量分析神经网络识别成符合第一预设要求的可信系数越小，说明文本质量分析神经网络的精度越高，那么，将降低文本质量分析神经网络将示例目标文本Sample1和示例目标文本Sample3识别成符合第一预设要求的可信系数为调试的目的去调试文本质量分析神经网络，使得调取调试后的文本质量分析神经网络将文本构建神经网络构建的不少于两个目标文本识别成第一预设要求的可信系数降低。但是因为示例目标文本Sample4和示例目标文本Sample5被文本质量分析神经网络识别成符合第二预设要求的可信系数越大，说明文本质量分析神经网络的精度越高。该示例目标文本Sample4和示例目标文本Sample5被文本质量分析神经网络识别成符合第二预设要求的可信系数越小，说明文本质量分析神经网络的精度越差，则将提升文本质量分析神经网络将示例目标文本Sample4和示例目标文本Sample5识别成符合第二预设要求的可信系数为调试的目的去调试文本质量分析神经网络，使得调取调试后的文本质量分析神经网络将符合第二预设要求的目标文本识别成符合第二预设要求的可信系数提高。
本申请实施例中，将文本构建神经网络构建的示例目标文本Sample1和示例目标文本Sample3确定为消极示例文本，将符合第二预设要求的示例目标文本Sample4和示例目标文本Sample5确定为积极示例文本，通过积极示例文本和消极示例文本共同调试文本质量分析神经网络，可以让文本质量分析神经网络从积极示例文本和消极示例文本两个维度去学习分析文本的知识，便于让文本质量分析神经网络的分析性能和精度得到提升加强。
作为可独立实施的实施方案中，在获得第二目标文本后，还可以对第二目标文本的文本内容进行评估，例如评估文本的可读性，以评估产品的性能。那么，在该独立的实施方案中，可以包括如下步骤：
S107：获取第二目标文本对应的文本段落序列；
其中，文本段落序列可以是对第二目标文本进行预设分段抽取获得，例如，依照分段间隔(如每隔1段)从第二目标文本中抽取多个文本段落构成的文本段落序列。
S108：基于文本段落序列确定出多个核心段落集合，确定各核心段落集合涵盖的核心段落之间的表征向量关联信息作为对应的衍生段落间表征向量，依据多个衍生段落间表征向量获得文本段落序列对应的全局段落间表征向量。
该实施方案中，各核心段落集合可以涵盖从文本段落序列中筛选获得的多个核心段落，同时多个核心段落集合对应的核心段落在文本延伸顺序上可以对应不同的稠密度。在获得文本段落序列后，基于文本段落序列确定出多个核心段落集合，对于每个核心段落集合，确定各核心段落集合涵盖的核心段落之间的表征向量关联信息，确定为文本段落序列对应的衍生段落间表征向量，再基于多个衍生段落间表征向量获得文本段落序列对应的全局段落间表征向量，比如将文本段落序列加载到文本内容评估网络，通过文本内容评估网络中的多个Encoder（编码器）的文本延伸顺序聚焦模块（Attention Mechanism模块）进行处理，基于多个衍生段落间表征向量获得文本段落序列对应的全局段落间表征向量。
可选地，基于文本内容评估网络中各Encoder的文本延伸顺序聚焦模块，实现对不同段落间的关联度建模，获得文本段落间表征向量关联信息(全局段落间表征向量)，文本延伸顺序聚焦模块可以包括两部分，一是通过筛选对应不同信息的核心段落实现低质量表征向量(衍生段落间表征向量)，二是同步获取不同文本延伸顺序长度的核心段落集合，以依据不同文本延伸顺序长度的核心段落集合分析得到不同的低质量表征向量(基于多个衍生段落间表征向量获得文本段落序列对应的全局段落间表征向量)，将两部分加入网络。
S109：基于文本段落序列对应的全局段落间表征向量，获得第二目标文本的文本内容评估信息。
例如，基于全局段落间表征向量确定文本内容评估网络的执行结果，进而基于文本内容评估网络的执行结果获得第二目标文本的文本内容评估信息。
基于S107~S109，本实施方案中通过获取第二目标文本对应的文本段落序列，文本段落序列为对第二目标文本进行预设分段抽取获得，再基于文本段落序列得到多个核心段落集合，确定各核心段落集合涵盖的核心段落之间的表征向量关联信息作为对应的衍生段落间表征向量，依据多个衍生段落间表征向量获得文本段落序列对应的全局段落间表征向量，各核心段落集合涵盖从文本段落序列中筛选获得的多个核心段落，同时多个核心段落集合对应的核心段落在文本延伸顺序上对应不同的稠密度，再基于文本段落序列对应的全局段落间表征向量获得第二目标文本的文本内容评估信息。这样一来，从重复的文本段落中识别核心段落进行分析，以精准确定涵盖不同种类低质量表征向量的文本段落，同时建模大量低质量表征向量，可以使得低质量表征向量识别的性能得到提高。
其中，S108中基于该文本段落序列确定出多个核心段落集合，具体可以包括：获取该文本段落序列涵盖的文本段落数目和预设稠密因子，该预设稠密因子代表从该文本段落序列中选取核心段落的最大稠密度；根据该文本段落序列涵盖的文本段落数目和该预设稠密因子，确定用于获取该衍生段落间表征向量的衍生序列数目，多个衍生序列中每个衍生序列用于获取在文本延伸顺序上具有稠密度M的核心段落之间的文本段落间表征向量关联信息，作为该每个衍生序列对应的衍生段落间表征向量，该稠密度M小于该最大稠密度；从该文本段落序列确定出多个核心段落，并基于多个该核心段落确定出与该衍生序列数目对应的多个核心段落集合。
其中，从该文本段落序列确定出多个核心段落，并基于多个该核心段落确定出与该衍生序列数目对应的多个核心段落集合，例如是针对每个衍生序列，获取该每个衍生序列对应的核心段落的稠密度，再根据该每个衍生序列对应的核心段落的稠密度，确定该每个衍生序列对应的核心段落数量，然后基于该每个衍生序列对应的核心段落的稠密度和该每个衍生序列对应的核心段落数量，从该文本段落序列中选取出与该核心段落数量对应的核心段落，获得该每个衍生序列对应的核心段落集合。
其中，获取每个衍生序列对应的核心段落的稠密度，例如是获取该每个衍生序列在该多个衍生序列中的唯一标志，再基于该每个衍生序列在该多个衍生序列中的唯一标志以及该预设稠密因子，确定该每个衍生序列对应的核心段落的稠密度。
S108中确定各核心段落集合涵盖的核心段落之间的表征向量关联信息作为对应的衍生段落间表征向量，具体可以包括：针对每个核心段落集合，根据核心段落集合涵盖的各核心段落对应的权重，确定核心段落集合涵盖的核心段落之间的表征向量关联信息，作为核心段落集合对应的衍生段落间表征向量，其中，各核心段落对应的权重为利用Attention Mechanism获取文本段落序列中每个文本段落在att_map中的权重获得的。
进一步地，S108中，由多个衍生段落间表征向量获得文本段落序列对应的全局段落间表征向量，例如可以包括如下步骤：将多个该核心段落集合对应的多个衍生段落间表征向量进行表征向量融合，获得融合后的文本段落间表征向量，对融合后的文本段落间表征向量进行表征向量弥补（例如基于均值填充），其中，表征向量弥补之后的文本段落间表征向量所对应的文本段落数目与该文本段落序列涵盖的文本段落数目相同，最后基于表征向量弥补之后的文本段落间表征向量获得文本段落序列对应的全局段落间表征向量。
进一步地，基于该文本段落序列确定出多个核心段落集合，确定各该核心段落集合涵盖的核心段落之间的表征向量关联信息作为对应的衍生段落间表征向量，依据多个该衍生段落间表征向量获得该文本段落序列对应的全局段落间表征向量的过程可以包括：将文本段落序列输入文本内容评估网络，文本内容评估网络包括多个子网络，每个子网络基于该文本段落序列确定出一个核心段落集合，并确定该一个核心段落集合涵盖的核心段落之间的表征向量关联信息作为每个子网络对应的衍生段落间表征向量，由多个子网络对应的多个该衍生段落间表征向量获得文本段落序列对应的全局段落间表征向量，那么，基于该文本段落序列对应的全局段落间表征向量，获得该第二目标文本的文本内容评估信息，具体可以包括：基于文本内容评估网络的执行结果，确定第二目标文本的文本内容评估信息，其中，文本内容评估网络的执行结果为基于该全局段落间表征向量确定的。
根据本申请的另一方面，还提供一种数据检测装置，请参图3，装置900包括：
软件调取模块910，用于响应于产品数据检测指令，调取目标产品；
向量选取模块920，用于依据所述目标产品在文本知识向量库中进行抽取，获得不少于两个第一文本知识向量，所述文本知识向量库包括用于构建文本的多个文本知识向量；
要素赋予模块930，用于为所述不少于两个第一文本知识向量中的每个第一文本知识向量赋予一个文本约束要素；
第一构建模块940，用于调取文本构建神经网络，依据所述不少于两个第一文本知识向量和每个第一文本知识向量对应的文本约束要素，构建第一目标文本，使得所述第一目标文本中对应每个文本约束要素的文本知识向量与对应每个文本约束要素的第一文本知识向量各自相同；
向量代替模块950，用于将抽取获得的第二文本知识向量代替所述不少于两个第一文本知识向量中对应于第一文本约束要素的第一文本知识向量，所述第一文本约束要素为不少于两个文本约束要素中的任意一个文本约束要素；
第二构建模块960，用于调取所述文本构建神经网络，依据其他的第一文本知识向量、所述第二文本知识向量和其他的第一文本知识向量对应的文本约束要素和所述第二文本知识向量对应的文本约束要素，构建第二目标文本，使得所述第二目标文本中对应每个文本约束要素的文本知识向量与对应每个文本约束要素的其他的第一文本知识向量或所述第二文本知识向量各自相同。
根据本申请的实施例，还提供了一种电子设备（即数字工厂AI检测系统）、一种可读存储介质和一种计算机程序产品。
请参考图4，为本申请的数字工厂AI检测系统的电子设备1000的结构框图，电子设备1000包括计算单元1001，其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序，来执行各种适当的动作和处理。在RAM 1003中，还可存储电子设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。电子设备1000中的多个部件连接至I/O接口1005，包括：输入单元1006、输出单元1007、存储单元1008以及通信单元10010。输入单元1006可以是能向电子设备1000输入信息的任何类型的设备，输入单元1006可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元1007可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元1008可以包括但不限于磁盘、光盘。通信单元10010允许电子设备1000通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元1001可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1001的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1001执行上文所描述的各个方法和处理，例如方法200。例如，在一些实施例中，方法200可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1008。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到电子设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时，可以执行上文描述的方法200的一个或多个步骤。备选地，在其他实施例中，计算单元1001可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法200。本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或数字工厂AI检测系统上执行。在本申请的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据数字工厂AI检测系统)、或者包括中间件部件的计算系统(例如，应用数字工厂AI检测系统)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和数字工厂AI检测系统。客户端和数字工厂AI检测系统一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-数字工厂AI检测系统关系的计算机程序来产生客户端和数字工厂AI检测系统的关系。数字工厂AI检测系统可以是云数字工厂AI检测系统，也可以为分布式系统的数字工厂AI检测系统，或者是结合了区块链的数字工厂AI检测系统。应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。虽然已经参照附图描述了本申请的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本申请中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本申请之后出现的等同要素进行替换。

Claims (10)

1.一种基于数字工厂的产品数据检测方法，其特征在于，应用于所述数字工厂AI检测系统，所述方法包括：
响应于产品数据检测指令，调取目标产品；
依据所述目标产品在文本知识向量库中进行抽取，获得不少于两个第一文本知识向量，所述文本知识向量库包括用于构建文本的多个文本知识向量；
为所述不少于两个第一文本知识向量中的每个第一文本知识向量赋予一个文本约束要素；
调取文本构建神经网络，依据所述不少于两个第一文本知识向量和每个第一文本知识向量对应的文本约束要素，构建第一目标文本，使得所述第一目标文本中对应每个文本约束要素的文本知识向量与对应每个文本约束要素的第一文本知识向量各自相同；
将抽取获得的第二文本知识向量代替所述不少于两个第一文本知识向量中对应于第一文本约束要素的第一文本知识向量，所述第一文本约束要素为不少于两个文本约束要素中的任意一个文本约束要素；
调取所述文本构建神经网络，依据其他的第一文本知识向量、所述第二文本知识向量和其他的第一文本知识向量对应的文本约束要素和所述第二文本知识向量对应的文本约束要素，构建第二目标文本，使得所述第二目标文本中对应每个文本约束要素的文本知识向量与对应每个文本约束要素的其他的第一文本知识向量或所述第二文本知识向量各自相同。
2.根据权利要求1所述的基于数字工厂的产品数据检测方法，其特征在于，所述调取文本构建神经网络，依据所述不少于两个第一文本知识向量和每个第一文本知识向量对应的文本约束要素，构建第一目标文本之前，所述方法还包括：
依据所述不少于两个文本约束要素的分布位次和每个第一文本知识向量对应的文本约束要素，将所述不少于两个第一文本知识向量进行组合；
所述调取文本构建神经网络，依据所述不少于两个第一文本知识向量和每个第一文本知识向量对应的文本约束要素，构建第一目标文本，包括：
调取所述文本构建神经网络，依据组合后的第一文本知识向量构建所述第一目标文本。
3.根据权利要求1~2任一项所述的基于数字工厂的产品数据检测方法，其特征在于，所述在文本知识向量库中进行抽取，获得不少于两个第一文本知识向量，包括：
在不少于两个文本知识向量库中进行抽取，获得所述不少于两个第一文本知识向量，其中不同的文本知识向量库对应的文本约束要素不同；
所述为所述不少于两个第一文本知识向量中的每个第一文本知识向量赋予一个文本约束要素，包括：
分别为所述每个第一文本知识向量赋予所属文本知识向量库对应的文本约束要素。
4.根据权利要求2~3任一项所述的基于数字工厂的产品数据检测方法，其特征在于，所述文本构建神经网络通过如下步骤进行调试获得：
在所述文本知识向量库中进行抽取，获得不少于两个第三文本知识向量；
为所述不少于两个第三文本知识向量中的每个第三文本知识向量赋予一个文本约束要素；
调取所述文本构建神经网络，依据所述不少于两个第三文本知识向量和每个第三文本知识向量对应的文本约束要素，构建示例目标文本Sample1，使得所述示例目标文本Sample1中对应每个文本约束要素的文本知识向量与对应每个文本约束要素的第三文本知识向量各自相同；
对所述示例目标文本Sample1进行分析，获得第一分析结果，所述第一分析结果指示所述示例目标文本Sample1被识别成自然文本的可信系数，所述自然文本不是通过文本构建神经网络构建得到的；
依据所述第一分析结果调试所述文本构建神经网络，使得调取调试后的文本构建神经网络构建得到的目标文本被识别成所述自然文本的可信系数提高。
5.根据权利要求4所述的基于数字工厂的产品数据检测方法，其特征在于，所述对所述示例目标文本Sample1进行分析，获得第一分析结果，包括：
调取文本质量分析神经网络，对所述示例目标文本Sample1进行分析，获得所述第一分析结果；
所述依据所述第一分析结果调试所述文本构建神经网络，包括：
依据所述第一分析结果调试所述文本构建神经网络和所述文本质量分析神经网络，使得调取调试后的文本构建神经网络构建得到的目标文本被识别成所述自然文本的可信系数提高，调取调试后的文本质量分析神经网络将所述文本构建神经网络构建得到的目标文本识别成所述自然文本的可信系数降低。
6.根据权利要求5所述的基于数字工厂的产品数据检测方法，其特征在于，所述方法还包括：
获取示例目标文本Sample2，所述示例目标文本Sample2为所述自然文本；
调取所述文本质量分析神经网络，对所述示例目标文本Sample2进行分析，获得第二分析结果，所述第二分析结果指示所述示例目标文本Sample2被识别成所述自然文本的可信系数；
所述依据所述第一分析结果调试所述文本构建神经网络和所述文本质量分析神经网络，包括：
依据所述第一分析结果调试所述文本构建神经网络，使得调取调试后的文本构建神经网络构建得到的目标文本被识别成所述自然文本的可信系数提高；
依据所述第一分析结果和所述第二分析结果调试所述文本质量分析神经网络，使得调取调试后的文本质量分析神经网络将所述文本构建神经网络构建得到的目标文本识别成所述自然文本的可信系数降低，且调取调试后的文本质量分析神经网络将所述自然文本识别成所述自然文本的可信系数提高。
7.根据权利要求4所述的基于数字工厂的产品数据检测方法，其特征在于，所述方法还包括：
在所述文本知识向量库中进行抽取，获得第四文本知识向量；
将所述第四文本知识向量代替所述不少于两个第三文本知识向量中对应于第二文本约束要素的第三文本知识向量，所述第二文本约束要素为不少于两个文本约束要素中的任意一个文本约束要素；
调取所述文本构建神经网络，依据其他的第三文本知识向量、所述第四文本知识向量和其他的第三文本知识向量对应的文本约束要素和所述第四文本知识向量对应的文本约束要素，构建示例目标文本Sample3，使得所述示例目标文本Sample3中对应每个文本约束要素的文本知识向量与对应每个文本约束要素的其他的第三文本知识向量或所述第四文本知识向量各自相同；
所述对所述示例目标文本Sample1进行分析，获得第一分析结果，包括：
对所述示例目标文本Sample1和所述示例目标文本Sample3进行分析，获得所述第一分析结果，所述第一分析结果指示所述示例目标文本Sample1和所述示例目标文本Sample3符合第一预设要求的可信系数，所述第一预设要求指示所述示例目标文本Sample1和所述示例目标文本Sample3被识别成所述自然文本，且所述示例目标文本Sample1和所述示例目标文本Sample3中一个或多个文本约束要素的文本知识向量相同，同时和一个或多个文本约束要素的文本知识向量不同。
8.根据权利要求7所述的基于数字工厂的产品数据检测方法，其特征在于，所述对所述示例目标文本Sample1和所述示例目标文本Sample3进行分析，获得所述第一分析结果，包括：
调取文本质量分析神经网络，对所述示例目标文本Sample1和所述示例目标文本Sample3进行分析，获得所述第一分析结果；
所述依据所述第一分析结果调试所述文本构建神经网络，包括：
依据所述第一分析结果调试所述文本构建神经网络和所述文本质量分析神经网络，使得调取调试后的文本构建神经网络构建的不少于两个目标文本被识别成符合所述第一预设要求的可信系数提高，调取调试后的文本质量分析神经网络将所述文本构建神经网络构建的不少于两个目标文本识别成符合所述第一预设要求的可信系数降低。
9.根据权利要求8所述的基于数字工厂的产品数据检测方法，其特征在于，所述方法还包括：
获取示例目标文本Sample4和示例目标文本Sample5，所述示例目标文本Sample4和所述示例目标文本Sample5符合第二预设要求，所述第二预设要求指示所述示例目标文本Sample4和所述示例目标文本Sample5为所述自然文本，且所述示例目标文本Sample4和所述示例目标文本Sample5中一个或多个文本约束要素的文本知识向量相同，同时和一个或多个文本约束要素的文本知识向量不同；
调取所述文本质量分析神经网络，对所述示例目标文本Sample4和所述示例目标文本Sample5进行分析，获得第三分析结果，所述第三分析结果指示所述示例目标文本Sample4和所述示例目标文本Sample5被识别成符合所述第二预设要求的可信系数；
所述依据所述第一分析结果调试所述文本构建神经网络和所述文本质量分析神经网络，包括：
依据所述第一分析结果调试所述文本构建神经网络，使得调取调试后的文本构建神经网络构建的不少于两个目标文本被识别成符合所述第一预设要求的可信系数提高；
依据所述第一分析结果和所述第三分析结果调试所述文本质量分析神经网络，使得调取调试后的文本质量分析神经网络将所述文本构建神经网络构建的不少于两个目标文本识别成符合所述第一预设要求的可信系数降低，且调取调试后的文本质量分析神经网络将符合所述第二预设要求的目标文本识别成符合所述第二预设要求的可信系数提高。
10.一种数字工厂AI检测系统，其特征在于，包括：
至少一个处理器；
以及与所述至少一个处理器通信连接的存储器；其中所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1~9中任一项所述的方法。
CN202310394679.6A 2023-04-13 2023-04-13 基于数字工厂的产品数据检测方法及系统 Active CN116341502B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310394679.6A CN116341502B (zh) 2023-04-13 2023-04-13 基于数字工厂的产品数据检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310394679.6A CN116341502B (zh) 2023-04-13 2023-04-13 基于数字工厂的产品数据检测方法及系统

Publications (2)

Publication Number Publication Date
CN116341502A true CN116341502A (zh) 2023-06-27
CN116341502B CN116341502B (zh) 2024-09-17

Family

ID=86884148

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310394679.6A Active CN116341502B (zh) 2023-04-13 2023-04-13 基于数字工厂的产品数据检测方法及系统

Country Status (1)

Country Link
CN (1) CN116341502B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111666418A (zh) * 2020-04-23 2020-09-15 北京三快在线科技有限公司 文本重生成方法、装置、电子设备和计算机可读介质
CN113392182A (zh) * 2021-05-11 2021-09-14 宜通世纪物联网研究院(广州)有限公司 融合上下文语义约束的知识匹配方法、装置、设备及介质
US20210374349A1 (en) * 2020-09-21 2021-12-02 Beijing Baidu Netcom Science And Technology Co., Ltd. Method for text generation, device and storage medium
CN113761124A (zh) * 2021-05-25 2021-12-07 腾讯科技（深圳）有限公司 文本编码模型的训练方法、信息检索方法及设备
CN114330312A (zh) * 2021-11-03 2022-04-12 腾讯科技（深圳）有限公司 标题文本处理方法、装置、存储介质和程序

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111666418A (zh) * 2020-04-23 2020-09-15 北京三快在线科技有限公司 文本重生成方法、装置、电子设备和计算机可读介质
US20210374349A1 (en) * 2020-09-21 2021-12-02 Beijing Baidu Netcom Science And Technology Co., Ltd. Method for text generation, device and storage medium
CN113392182A (zh) * 2021-05-11 2021-09-14 宜通世纪物联网研究院(广州)有限公司 融合上下文语义约束的知识匹配方法、装置、设备及介质
CN113761124A (zh) * 2021-05-25 2021-12-07 腾讯科技（深圳）有限公司 文本编码模型的训练方法、信息检索方法及设备
CN114330312A (zh) * 2021-11-03 2022-04-12 腾讯科技（深圳）有限公司 标题文本处理方法、装置、存储介质和程序

Also Published As

Publication number Publication date
CN116341502B (zh) 2024-09-17

Similar Documents

Publication Publication Date Title
CN113656587B (zh) 文本分类方法、装置、电子设备及存储介质
CN116028605B (zh) 逻辑表达式生成方法、模型训练方法、装置及介质
CN116306862B (zh) 用于文本处理神经网络的训练方法、装置和介质
CN115809325B (zh) 文档处理模型训练方法、文档处理方法、装置及设备
CN116737928B (zh) 平台用户需求的文本挖掘方法、系统及云平台
CN115600646B (zh) 语言模型的训练方法、装置、介质及设备
CN117351330A (zh) 图像处理方法、图像处理模型的训练方法、装置和设备
CN115862031B (zh) 文本处理方法、神经网络的训练方法、装置和设备
CN116152607A (zh) 目标检测方法、训练目标检测模型的方法及装置
CN116341502B (zh) 基于数字工厂的产品数据检测方法及系统
CN115578501A (zh) 图像处理方法、装置、电子设备和存储介质
CN114842476A (zh) 水印检测方法及装置、模型训练方法及装置
CN114861658B (zh) 地址信息解析方法及装置、设备和介质
CN116070711B (zh) 数据处理方法、装置、电子设备和存储介质
CN115578584B (zh) 图像处理方法、图像处理模型的构建和训练方法
CN114205164B (zh) 流量分类方法及装置、训练方法及装置、设备和介质
CN116028750B (zh) 网页文本审核方法及装置、电子设备和介质
CN114140851B (zh) 图像检测方法和用于训练图像检测模型的方法
CN115713071B (zh) 用于处理文本的神经网络的训练方法和处理文本的方法
CN113836939B (zh) 基于文本的数据分析方法和装置
CN115879468B (zh) 基于自然语言理解的文本要素提取方法、装置和设备
CN114117046B (zh) 数据处理方法、装置、电子设备及介质
CN113963234B (zh) 数据标注处理方法、装置、电子设备和介质
CN112667196B (zh) 信息展示方法及装置、电子设备和介质
CN117709471A (zh) 可解释性分析方法、装置、设备和介质

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
TA01 Transfer of patent application right

Effective date of registration: 20230919

Address after: 050000 No.8 Huiming Road, Qiaoxi District, Shijiazhuang, Hebei

Applicant after: Liu Fuxiong

Address before: 050000 No. 10, Huiming Road, Qiaoxi District, Shijiazhuang City, Hebei Province

Applicant before: Shijiazhuang Weihang Technology Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant