CN116611519B - 一种基于生产链全周期事理图谱的时间规划方法及系统 - Google Patents
一种基于生产链全周期事理图谱的时间规划方法及系统 Download PDFInfo
- Publication number
- CN116611519B CN116611519B CN202310885080.2A CN202310885080A CN116611519B CN 116611519 B CN116611519 B CN 116611519B CN 202310885080 A CN202310885080 A CN 202310885080A CN 116611519 B CN116611519 B CN 116611519B
- Authority
- CN
- China
- Prior art keywords
- time
- event
- semantic
- earliest
- latest
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 79
- 238000013439 planning Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000009776 industrial production Methods 0.000 claims abstract description 15
- 230000003111 delayed effect Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 239000000470 constituent Substances 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 3
- 238000011282 treatment Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 6
- 238000007689 inspection Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 239000002994 raw material Substances 0.000 description 4
- 230000001364 causal effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000004806 packaging method and process Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- -1 production equipment Substances 0.000 description 1
- 230000007115 recruitment Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013068 supply chain management Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于生产链全周期事理图谱的时间规划方法及系统，该方法，包括以下步骤：S1，事理图谱构建：构建设定工业生产领域生产链全周期的事理图谱；S2，时间规划方案生成：基于事件约束，生成时间规划方案。本发明解决了现有技术存在的耗费人工、通用性差、缺乏事理推理能力、缺乏专业知识约束等问题。
Description
技术领域
本发明涉及自然语言处理技术领域，具体是一种基于生产链全周期事理图谱的时间规划方法及系统。
背景技术
在传统制造行业确定生产链条的时间规划方案是费时费力的，在各个生产阶段对应着多种可选方案，如何满足时间需求在大规模方案中挑选出合理的时间规划方案并非易事，而且易受人的主观性影响。好的时间规划方案不仅可以提高生产效率和资源利用率，优化供应链管理，还可以提升客户满意度，降低风险，并帮助企业控制成本，实现可持续发展。由于在电子信息工业的实际生产过程中尚未出现统一的生产线全周期事理图谱，所以如何在满足客户需要的前提下得到最合理的时间规划方案成为了电子信息工业真实生产环境的一大挑战。
生产链全周期时间规划方案的技术发展可以追溯到上世纪60年代，当时人们通过个人经验和纸质资料对方案进行大致的评估。随着计算机技术的快速发展，生产计划系统和供应链管理软件逐渐兴起，为企业提供了更强大的计划和协调能力。而目前数据分析和预测技术的快速发展为生产链时间规划提供了更多的支持。大数据分析、机器学习和人工智能等技术被应用于供应链和生产计划中，可以更准确地预测需求、优化资源分配，并提供实时决策支持。同时，物联网技术的兴起使得生产链中的各个环节可以实时连接和通信，进一步提升了时间规划的准确性和效率。
目前主流的时间规划方案生成技术主要有4大类：基于规则的时间规划方案生成、基于案例推理的时间规划方案生成、基于知识图谱的时间规划方案生成、基于事理图谱的时间规划方案生成。基于规则的时间规划方案生成技术是指通过对时间规划领域知识和规则进行建模和描述，来生成符合要求的时间规划方案。该技术的优点是可控性强、可解释性好，但需要花费大量时间和精力来制定和维护规则库。基于案例推理的时间规划方案生成技术是指将已有的时间规划方案作为案例，通过推理来生成符合要求的时间规划方案。该技术的优点是可以从实际案例中获取经验，快速生成可行的方案，但缺点是需要大量的案例数据支持，且缺乏通用性，难以对案例库之外的方案进行时间规划。基于知识图谱的时间规划方案生成技术是指通过构建以实体为中心的知识图谱，利用图谱上的语义关系来进行时间规划方案的推理和生成。该技术的优点是可以将实体及其关系进行结构化建模，提高了推理和生成的效率和准确性，但缺点是以实体为中心的知识相对静止，更适合完成诸如“是什么/在哪里/什么时候”的常识问题，而不是像“怎么办/接下来怎么做”这样具备事理逻辑和转移概率的动态问题。基于事理图谱的时间规划方案生成技术是指通过对事件之间的关系和演化规律进行建模，来实现对时间规划方案的推理和生成。该技术更适合处理事件演化推理和后续事件预测问题，但缺点是当前基于事理图谱的时间规划方案并没有引入电子信息领域专业知识，在实际生产环境下无法受专业领域知识的约束，可靠性差。
针对于实际生产环境，当前技术具有以下缺陷：
1.基于规则的时间规划方案生成依赖于大量的人工规则制定，耗费巨大且难以扩展。
2.基于案例的时间规划方案难以对案例库之外的方案进行时间规划。
3.基于知识图谱的时间规划方案难以基于事件演化推理进行时间规划。
4.当前基于事理图谱的时间规划方案并没有引入电子信息领域专业知识，在实际生产环境下无法提供，无法受专业领域知识的约束，这些缺陷使得目前技术效率低下，可靠性差。
发明内容
为克服现有技术的不足，本发明提供了一种基于生产链全周期事理图谱的时间规划方法及系统，解决现有技术存在的耗费人工、通用性差、缺乏事理推理能力、缺乏专业知识约束等问题。
本发明解决上述问题所采用的技术方案是：
一种基于生产链全周期事理图谱的时间规划方法，包括以下步骤：
S1，事理图谱构建：构建设定工业生产领域生产链全周期的事理图谱；
S2，时间规划方案生成：基于事件约束，生成时间规划方案。
作为一种优选的技术方案，步骤S1包括以下步骤：
S11，数据收集和预处理；
S12，事件本体构建；
S13，事件抽取；
S14，事件关系抽取。
作为一种优选的技术方案，步骤S11包括以下步骤：
S111，收集设定工业生产领域的语料；
S112，对语料中的句子进行预处理；其中，预处理包括以下处理的一种或多种：分词、词性标注、句法分析、语义分析。
作为一种优选的技术方案，步骤S13包括以下步骤：
S131，基于已构造的事件框架，结合事件触发词和设定工业生产领域特征词，构造规则；
S132，基于规则，识别触发词和事件类型；
S133，利用特征模型，抽取事件组成元素；
S134，利用词嵌入模型和K-Means算法对事件进行聚类，实现事件泛化。
作为一种优选的技术方案，步骤S14包括以下步骤：
S141，结合语义句法的核函数，抽取事件关系联系词，从而构建多种事件关系的模板库；
S142，对文本构建句法结构树，用基于树核的相似度来衡量语料库中文本与模板句的句法相似度；
S143，用BERT模型表达文本的语义特征，用向量余弦相似度来衡量语料库中文本与模板句的语义相似度；
S144，若句法结构树的树核相似度大于某个阈值，或，语义向量的余弦相似度大于某个阈值，则判断该文本中存在该模板句所代表的事件关系。
作为一种优选的技术方案，步骤S2包括以下步骤：
S21，进行语义表征生成和事件语义匹配；
S22，基于事件约束的关键路径算法，生成时间规划方案。
作为一种优选的技术方案，步骤S21包括以下步骤：
S211，用预训练语言模型，对实际需求和事理图谱中的事件进行语义表征；
S212，基于语义对齐和注意力机制，对实际需求和事理图谱中的事件进行语义匹配；
S213，得到实际需求在生产链全周期的各个阶段匹配到的相关事件节点。
作为一种优选的技术方案，步骤S22包括以下步骤：
S221，确定起始节点：选择一个起始节点作为时间规划的起点；
S222，计算最早开始时间和最晚开始时间：计算每个节点最早开始时间和最晚开始时间；其中，最早开始时间是指在没有任何限制的情况下，该节点能够开始的最早时间；最晚开始时间是指在保证整个流程不被延误的情况下，该节点必须开始的最晚时间；
S223，计算最早完成时间和最晚完成时间：计算每个节点最早完成时间和最晚完成时间；其中，最早完成时间是指在没有任何限制的情况下，该节点能够完成的最早时间；最晚完成时间是指在保证整个流程不被延误的情况下，该节点必须完成的最晚时间；
S224，计算关键路径：根据节点之间的依赖关系，计算出关键路径；其中，关键路径指整个流程中最长的路径，关键路径上的节点是整个流程中不能延误的节点；
S225，生成最优时间规划：基于计算出的最早开始时间、最晚开始时间、最早完成时间、最晚完成时间和关键路径，生成最优时间规划。
作为一种优选的技术方案，设定工业生产领域为电子信息工业生产领域。
一种基于生产链全周期事理图谱的时间规划系统，用于实现所述的一种基于生产链全周期事理图谱的时间规划方法，包括依次相连的以下模块：
事理图谱构建模块：用以，构建设定工业生产领域生产链全周期的事理图谱；
时间规划方案生成模块：用以，基于事件约束，生成时间规划方案。
本发明相比于现有技术，具有以下有益效果：
（1）本发明相比于其它通用的事理图谱，本发明中的事理图谱引入了电子信息领域的知识，使其更能适应实际生产环境；
（2）本发明相比基于规则、基于案例、基于知识图谱等方法，本发明基于事理图谱的时间规划算法更高效、更有普适性、更具备事理推理能力和专业知识约束。
附图说明
图1为本发明所述的一种基于生产链全周期事理图谱的时间规划方法的步骤示意图；
图2为事理图谱构建的具体步骤示意图；
图3为时间规划方案生成的具体步骤示意图；
图4为事件抽取的具体步骤示意图；
图5为事件关系抽取的具体步骤示意图；
图6为步骤S22的具体步骤示意图。
具体实施方式
下面结合实施例及附图，对本发明作进一步的详细说明，但本发明的实施方式不限于此。
实施例1
如图1至图6所示，本发明采用了基于电子信息工业生产链全周期事理图谱的事件约束时间规划方法，先构建生产链全周期的事理图谱，再使用事件约束的关键路径算法生成时间规划方案，解决了现有技术中时间规划方法耗费人工、通用性差、缺乏事理推理能力、缺乏专业知识约束的问题。
为实现上述目的，本发明提供一种基于生产链全周期事理图谱的时间规划方法，通过对专业领域知识进行数据标注，构造全生产链，全生产周期时间信息数据库，从而构建多源异构知识图谱。该知识图谱整合了来自不同数据源的信息，包括供应商、原材料、生产设备、产品等实体以及它们之间的关系和属性，能够为生产链的各个环节提供准确、可靠的信息支持。利用该知识图谱，可以对实际需求进行语义表征和语义匹配，以更精确地理解和满足用户的需求。通过在知识图谱中进行搜索，可以快速获取与特定需求相关的信息，如设备的可用性、特定产品的生产周期、相关供应商的交付时间等。最后，采用事件约束规划算法，结合知识图谱中的时间信息和约束条件，生成符合要求的时间规划方案。这样的方案可以帮助优化生产过程，减少生产周期，确保资源的合理分配和生产计划的准时执行，为生产链的管理和决策提供有力支持，解决现有技术存在的耗费人工、通用性差、缺乏事理推理能力、缺乏专业知识约束等问题。
包括以下步骤：
S1：构建电子信息工业生产链全周期的事理图谱；
S2：面向实际需求，基于事件约束，生成时间规划方案。
可选的，所述步骤S1，具体包括：
S11：数据收集和预处理；
S12：事件本体构建；
S13：事件抽取；
S14：事件关系抽取。
可选的，所述步骤S2，具体包括：
S21：对实际需求进行语义表征生成和事件语义匹配；
S22：基于事件约束的关键路径算法，生成时间规划方案。
可选的，所述步骤S11，具体包括：
S111：收集电子信息工业生产领域的语料；
S112：对语料中的句子进行预处理，主要包括分词、词性标注、句法分析和语义分析等。
可选的，所述步骤S12，具体包括：
S121：事先确定事件的组成要素框架：实体或对象，事件，实体和事件的相关属性等；
S122：事先确定事件之间的逻辑演化关系：包括时序关系、因果关系、顺承关系等。
可选的，所述步骤S13，具体包括：
S131：基于已构造的事件框架，结合事件触发词和电子信息工业领域特征词，构造规则；
S132：基于规则，识别触发词和事件类型；
S133：利用特征模型，抽取事件组成元素；
S134：利用词嵌入模型和K-Means对事件进行聚类，实现事件泛化。
可选的，所述步骤S14，具体包括：
S141：结合语义句法的核函数，抽取事件关系联系词，从而构建多种事件关系的模板库；
S142，对文本构建句法结构树，用基于树核的相似度来衡量语料库中文本与模板句的句法相似度；
S143，用BERT模型表达文本的语义特征，用向量余弦相似度来衡量语料库中文本与模板句的语义相似度；
S144，若句法结构树的树核相似度大于某个阈值（如：0.8），或，语义向量的余弦相似度大于某个阈值（如：0.8），则判断该文本中存在该模板句所代表的事件关系。
可选的，所述步骤S21，具体包括：
S211：用大规模预训练语言模型，对实际需求和事理图谱中的事件进行语义表征；
S212：基于语义对齐和注意力机制，对实际需求和事理图谱中的事件进行语义匹配；
S213：得到实际需求在生产链全周期的各个阶段匹配到的相关事件节点；
可选的，所述步骤S22，具体包括：
S221：确定起始节点：选择一个起始节点作为时间规划的起点。
S222：计算最早开始时间和最晚开始时间：对于每个节点，计算其最早开始时间和最晚开始时间。最早开始时间是指在没有任何限制的情况下，该节点能够开始的最早时间。最晚开始时间是指在保证整个流程不被延误的情况下，该节点必须开始的最晚时间。
S223：计算最早完成时间和最晚完成时间：对于每个节点，计算其最早完成时间和最晚完成时间。最早完成时间是指在没有任何限制的情况下，该节点能够完成的最早时间。最晚完成时间是指在保证整个流程不被延误的情况下，该节点必须完成的最晚时间。
S224：计算关键路径：根据节点之间的依赖关系，计算出关键路径，即整个流程中最长的路径。关键路径上的节点是整个流程中不能延误的节点。
S225：生成最优时间规划：基于计算出的最早开始时间、最晚开始时间、最早完成时间、最晚完成时间和关键路径，生成最优时间规划。
本发明相比于其它通用的事理图谱，本发明中的事理图谱引入了电子信息领域的知识，使其更能适应实际生产环境；
本发明相比基于规则、基于案例、基于知识图谱等方法，本发明基于事理图谱的时间规划算法更高效、更有普适性、更具备事理推理能力和专业知识约束。
本发明通过数据标注，构建了生产链全周期的事理图谱，与实际需求进行语义匹配，最后用事件约束的关键路径算法生成时间规划方案。数据标注是指对来自生产链各环节的数据进行标注，构建事理图谱是指事件本体构建、事件知识的抽取和事件关系的抽取，需求语义匹配是指对实际需求进行语义表征并匹配到事理图谱中的事件上，关键路径算法是一种帮助生成时间规划方案的算法。本发明针对电子信息领域构建生产链全周期的事理图谱，并基于实际需求中事件的约束生成时间规划方案，避免了使用其他时间规划方法耗费人工、通用性差的情况，解决了当前电子信息领域的时间规划方法缺乏专业知识约束导致的可靠性问题。
实施例2
如图1至图6所示，作为实施例1的进一步优化，在实施例1的基础上，本实施例还包括以下技术特征：
以手机的生产为例：
S1：构建手机生产链全周期的事理图谱，其中可能包括“原材料采购”“零件的生产加工”“手机组装”“质量检验”“包装”等事件；
S2：现在公司的实际需求是“确定生产线的安排”。面向这个实际需求，基于事件约束，生成时间规划方案。
可选的，所述步骤S1，具体包括：
S11：手机生产链相关数据的收集和预处理；
S12：手机生产链事件的本体构建，即：确定手机生产的每个事件都由哪些部分构成；
S13：对手机生产链相关数据中的事件进行抽取；
S14：对手机生产链相关数据中的事件关系进行抽取。
可选的，所述步骤S2，具体包括：
S21：对“确定生产线的安排”的实际需求进行语义表征生成，并和S1生成的事件图谱中的事件进行语义匹配，得到图谱中与实际需求相关的事件；
S22：基于相关事件的约束，采用关键路径算法，生成时间规划方案。
可选的，所述步骤S11，具体包括：
S111：收集手机生产领域的语料；
S112：对语料中的句子进行预处理，主要包括分词、词性标注、句法分析和语义分析等。
可选的，所述步骤S12，具体包括：
S121：事先确定事件的组成要素框架：实体或对象，事件，实体和事件的相关属性等。例如：在手机生产中，每个事件都由“耗时”“成本”“前置条件”“下属子事件”等部分构成；
S122：事先确定事件之间的逻辑演化关系：包括时序关系、因果关系、顺承关系等。例如：在安排工人和安排生产顺序时，需要考虑到前面原材料采购和质量检验事件的时间约束。
可选的，所述步骤S13，具体包括：
S131：基于已构造的事件框架，结合事件触发词和电子信息工业领域特征词，构造规则。例如：以“采购”、“订购”、“购买”等词语开头的短语，可能表示“原材料采购”事件，如“采购电池”等；以“包装”、“装箱”、“打包”等词语开头的短语，可能表示“包装”事件，如“装箱发货”等；
S132：基于规则，识别触发词和事件类型；
S133：利用特征模型，抽取事件组成元素。例如：“生产手机外壳”这个事件中，行为就是“生产”，实体就是“手机外壳”；
S134：利用词嵌入模型和K-Means对事件进行聚类，实现事件泛化。例如：“检验手机屏幕亮度”、“质检电池寿命”等词语会被聚到一起，泛化为“质量检测”类别的事件。
可选的，所述步骤S14，具体包括：
S141：结合语义句法的核函数，抽取事件关系联系词，从而构建多种事件关系的模板库。例如：因果关系的模板可能包括“由于 [原因]，导致了 [事件]。”，条件关系的模板可能包括“如果 [条件]，那么进行 [事件]。”；
S142，对文本构建句法结构树，用基于树核的相似度来衡量语料库中文本与模板句的句法相似度；
S143，用BERT模型表达文本的语义特征，用向量余弦相似度来衡量语料库中文本与模板句的语义相似度；
S144，若句法结构树的树核相似度大于某个阈值（如：0.8），语义向量的余弦相似度大于某个阈值（如：0.8），则判断该文本中存在该模板句所代表的事件关系。
可选的，所述步骤S21，具体包括：
S211：用大规模预训练语言模型，对实际需求和事理图谱中的事件进行语义表征。例如：实际需求“确定生产线的安排”被表征为向量r，事理图谱中的事件被表征为g1, g2,…, gn；
S212：基于语义对齐和注意力机制，对实际需求和事理图谱中的事件进行语义匹配；
S213：得到实际需求在生产链全周期的各个阶段匹配到的相关事件节点。例如：“确定生产线的安排”这一需求，匹配到的各阶段相关节点可能有：“确定生产线数量和类型”，“确定生产线布局”，“确定生产线人员情况”，“制定生产计划”“进行生产线测试”“监控机制设计”等；
可选的，所述步骤S22，具体包括：
S221：确定起始节点：“确定生产线数量和类型”为时间规划的起点。
S222：对于每个节点，计算其最早开始时间和最晚开始时间。
S223：对于每个节点，计算其最早完成时间和最晚完成时间。
S224：根据节点之间的依赖关系，计算出关键路径，即整个流程中最长的路径。其中可能需要考虑的有：分析市场需求需要时间，不能耽误确定生产线数量和类型；生产线人员的招募和培训需要时间，不能耽误后续的生产线测试，等等。
S225：生成最优时间规划：基于计算出的最早开始时间、最晚开始时间、最早完成时间、最晚完成时间和关键路径，生成最优时间规划。
如上所述，可较好地实现本发明。
本说明书中所有实施例公开的所有特征，或隐含公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合和/或扩展、替换。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，依据本发明的技术实质，在本发明的精神和原则之内，对以上实施例所作的任何简单的修改、等同替换与改进等，均仍属于本发明技术方案的保护范围之内。
Claims (5)
1.一种基于生产链全周期事理图谱的时间规划方法，其特征在于,包括以下步骤：
S1，事理图谱构建：构建设定工业生产领域生产链全周期的事理图谱；
S2，时间规划方案生成：基于事件约束，生成时间规划方案；
步骤S1包括以下步骤：
S11，数据收集和预处理；
S12，事件本体构建；
S13，事件抽取；
S14，事件关系抽取；
步骤S14包括以下步骤：
S141，结合语义句法的核函数，抽取事件关系联系词，从而构建多种事件关系的模板库；
S142，对文本构建句法结构树，用基于树核的相似度来衡量语料库中文本与模板句的句法相似度；
S143，用BERT模型表达文本的语义特征，用向量余弦相似度来衡量语料库中文本与模板句的语义相似度；
S144，若句法结构树的树核相似度大于某个阈值，或，语义向量的余弦相似度大于某个阈值，则判断该文本中存在该模板句所代表的事件关系；
步骤S2包括以下步骤：
S21，进行语义表征生成和事件语义匹配；
S22，基于事件约束的关键路径算法，生成时间规划方案；
步骤S21包括以下步骤：
S211，用预训练语言模型，对实际需求和事理图谱中的事件进行语义表征；
S212，基于语义对齐和注意力机制，对实际需求和事理图谱中的事件进行语义匹配；
S213，得到实际需求在生产链全周期的各个阶段匹配到的相关事件节点；
步骤S22包括以下步骤：
S221，确定起始节点：选择一个起始节点作为时间规划的起点；
S222，计算最早开始时间和最晚开始时间：计算每个节点最早开始时间和最晚开始时间；其中，最早开始时间是指在没有任何限制的情况下，该节点能够开始的最早时间；最晚开始时间是指在保证整个流程不被延误的情况下，该节点必须开始的最晚时间；
S223，计算最早完成时间和最晚完成时间：计算每个节点最早完成时间和最晚完成时间；其中，最早完成时间是指在没有任何限制的情况下，该节点能够完成的最早时间；最晚完成时间是指在保证整个流程不被延误的情况下，该节点必须完成的最晚时间；
S224，计算关键路径：根据节点之间的依赖关系，计算出关键路径；其中，关键路径指整个流程中最长的路径，关键路径上的节点是整个流程中不能延误的节点；
S225，生成最优时间规划：基于计算出的最早开始时间、最晚开始时间、最早完成时间、最晚完成时间和关键路径，生成最优时间规划。
2.根据权利要求1所述的一种基于生产链全周期事理图谱的时间规划方法，其特征在于，步骤S11包括以下步骤：
S111，收集设定工业生产领域的语料；
S112，对语料中的句子进行预处理；其中，预处理包括以下处理的一种或多种：分词、词性标注、句法分析、语义分析。
3.根据权利要求1所述的一种基于生产链全周期事理图谱的时间规划方法，其特征在于，步骤S13包括以下步骤：
S131，基于已构造的事件框架，结合事件触发词和设定工业生产领域特征词，构造规则；
S132，基于规则，识别触发词和事件类型；
S133，利用特征模型，抽取事件组成元素；
S134，利用词嵌入模型和K-Means算法对事件进行聚类，实现事件泛化。
4.根据权利要求1至3任一项所述的一种基于生产链全周期事理图谱的时间规划方法，其特征在于，设定工业生产领域为电子信息工业生产领域。
5.一种基于生产链全周期事理图谱的时间规划系统，其特征在于，用于实现权利要求1至4任一项所述的一种基于生产链全周期事理图谱的时间规划方法，包括依次相连的以下模块：
事理图谱构建模块：用以，构建设定工业生产领域生产链全周期的事理图谱；
时间规划方案生成模块：用以，基于事件约束，生成时间规划方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310885080.2A CN116611519B (zh) | 2023-07-19 | 2023-07-19 | 一种基于生产链全周期事理图谱的时间规划方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310885080.2A CN116611519B (zh) | 2023-07-19 | 2023-07-19 | 一种基于生产链全周期事理图谱的时间规划方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116611519A CN116611519A (zh) | 2023-08-18 |
| CN116611519B true CN116611519B (zh) | 2023-10-13 |
Family
ID=87678664
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310885080.2A Active CN116611519B (zh) | 2023-07-19 | 2023-07-19 | 一种基于生产链全周期事理图谱的时间规划方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116611519B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2012202421A1 (en) * | 2005-02-11 | 2012-05-17 | Volt Information Sciences Inc | Project Work Change in Plan/Scope Administrative and Business Information Synergy System and Method |
| CN110968700A (zh) * | 2019-11-01 | 2020-04-07 | 数地科技(北京)有限公司 | 一种融合多类事理与实体知识的领域事件图谱构建方法和装置 |
| CN111582787A (zh) * | 2020-04-29 | 2020-08-25 | 上海久耶供应链管理有限公司 | 一种冻库规模型拣货系统及其方法 |
| CN114637864A (zh) * | 2022-04-02 | 2022-06-17 | 筏渡(上海)科技有限公司 | 一种知识图谱的更新方法及装置 |
| CN115481789A (zh) * | 2022-08-31 | 2022-12-16 | 同济大学 | 一种基于关联图谱的自动化集装箱码头装卸时间预测方法 |
| CN115605894A (zh) * | 2020-09-03 | 2023-01-13 | 京东方科技集团股份有限公司（Cn） | 智能管理系统、智能管理方法和计算机程序产品 |
| CN115759577A (zh) * | 2022-11-01 | 2023-03-07 | 深圳市大数据研究院 | 任务动态调度方法和装置、电子设备、存储介质 |
| CN115759605A (zh) * | 2022-11-10 | 2023-03-07 | 青岛民航凯亚系统集成有限公司 | 基于关键路径算法实现保障节点动态调整的方法 |
| CN115796527A (zh) * | 2022-12-01 | 2023-03-14 | 北京智谱华章科技有限公司 | 一种基于知识图谱的生产调度管理方法及设备 |
| CN116406018A (zh) * | 2019-03-14 | 2023-07-07 | 华为技术有限公司 | 调度规则确定方法及其装置 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7877233B2 (en) * | 2006-07-26 | 2011-01-25 | Invensys Systems, Inc. | Selectively presenting timestamped time-series data values for retrieved supervisory control and manufacturing/production parameters |
| US11636439B2 (en) * | 2019-06-18 | 2023-04-25 | Capital One Services, Llc | Techniques to apply machine learning to schedule events of interest |
| JP2024517412A (ja) * | 2021-04-16 | 2024-04-22 | ストロング フォース ヴィーシーエヌ ポートフォリオ ２０１９，エルエルシー | デジタル製品ネットワークシステム及び生物学ベースのバリューチェーンネットワークのための、システム、方法、キット、並びに装置 |
| TWI799008B (zh) * | 2021-12-16 | 2023-04-11 | 凌華科技股份有限公司 | 查詢導向之事件辨識系統及方法 |
-
2023
- 2023-07-19 CN CN202310885080.2A patent/CN116611519B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2012202421A1 (en) * | 2005-02-11 | 2012-05-17 | Volt Information Sciences Inc | Project Work Change in Plan/Scope Administrative and Business Information Synergy System and Method |
| CN116406018A (zh) * | 2019-03-14 | 2023-07-07 | 华为技术有限公司 | 调度规则确定方法及其装置 |
| CN110968700A (zh) * | 2019-11-01 | 2020-04-07 | 数地科技(北京)有限公司 | 一种融合多类事理与实体知识的领域事件图谱构建方法和装置 |
| CN111582787A (zh) * | 2020-04-29 | 2020-08-25 | 上海久耶供应链管理有限公司 | 一种冻库规模型拣货系统及其方法 |
| CN115605894A (zh) * | 2020-09-03 | 2023-01-13 | 京东方科技集团股份有限公司（Cn） | 智能管理系统、智能管理方法和计算机程序产品 |
| CN114637864A (zh) * | 2022-04-02 | 2022-06-17 | 筏渡(上海)科技有限公司 | 一种知识图谱的更新方法及装置 |
| CN115481789A (zh) * | 2022-08-31 | 2022-12-16 | 同济大学 | 一种基于关联图谱的自动化集装箱码头装卸时间预测方法 |
| CN115759577A (zh) * | 2022-11-01 | 2023-03-07 | 深圳市大数据研究院 | 任务动态调度方法和装置、电子设备、存储介质 |
| CN115759605A (zh) * | 2022-11-10 | 2023-03-07 | 青岛民航凯亚系统集成有限公司 | 基于关键路径算法实现保障节点动态调整的方法 |
| CN115796527A (zh) * | 2022-12-01 | 2023-03-14 | 北京智谱华章科技有限公司 | 一种基于知识图谱的生产调度管理方法及设备 |
Non-Patent Citations (7)
| Title |
|---|
| Construction and Application of Event Logic Graph: A Survey;Bin Zhang等;International Conference on Database Systems for Advanced Applications;160–174 * |
| ELG: An Event Logic Graph;Ding, Xiao 等;arXiv:1907.08015 [cs.AI];1-11 * |
| Machine learning and optimization for production rescheduling in Industry 4.0;Yuanyuan Li等;The International Journal of Advanced Manufacturing Technology(第10期);2445–2463 * |
| 基于主题词聚类和社会网络分析的患者就医体验主题挖掘;张瑶 等;中华医学图书情报杂志;第28卷(第10期);25-33 * |
| 数字孪生的新边界——面向多感知的模型构建方法;刘青 等;河北科技大学学报;第42卷(第02期);180-194 * |
| 面向制造业的知识图谱表示模型与构建技术研究;袁芳怡;中国硕士学位论文全文数据库 (信息科技辑)(第（2020）02期);I138-2336 * |
| 面向突发公共卫生事件网络舆情的事理图谱构建及演化分析;曾子明 等;情报理论与实践;第46卷(第08期);147-155 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116611519A (zh) | 2023-08-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110046087B (zh) | 非接触式测试平台 | |
| CN113138920B (zh) | 基于知识图谱与语义角色标注的软件缺陷报告分派方法及装置 | |
| CN113204967B (zh) | 简历命名实体识别方法及系统 | |
| CN117236676A (zh) | 一种基于多模态事件抽取的rpa流程挖掘方法和装置 | |
| CN117236677A (zh) | 一种基于事件抽取的rpa流程挖掘方法及装置 | |
| Pérez et al. | Utilizing automatic query reformulations as genetic operations to improve feature location in software models | |
| CN117891458A (zh) | 一种sql语句生成方法、装置、设备及存储介质 | |
| Li et al. | Do pre-trained language models indeed understand software engineering tasks? | |
| CN117874200A (zh) | 风电运维数据的答案文本生成方法、装置、设备及介质 | |
| Lytvyn et al. | Knowledge novelty assessment during the automatic development of ontologies | |
| CN116611519B (zh) | 一种基于生产链全周期事理图谱的时间规划方法及系统 | |
| CN114388108A (zh) | 一种基于多任务学习的用户反馈分析方法 | |
| CN113835739B (zh) | 一种软件缺陷修复时间的智能化预测方法 | |
| CN113282519B (zh) | 一种用于软件测试的用例数据推荐方法、系统和介质 | |
| Jubair et al. | A multi‐agent K‐means with case‐based reasoning for an automated quality assessment of software requirement specification | |
| Sonnenschein et al. | Validating and constructing behavioral models for simulation and projection using automated knowledge extraction | |
| Asyrofi et al. | Comparative Studies of Several Methods for Building Simple Traceability and Identifying The Quality Aspects of Requirements in SRS Documents | |
| Kumar et al. | Bug Report Classification into Orthogonal Defect Classification Defect Type using Long Short Term Memory | |
| Gao et al. | An Ontology-based Knowledge Base System for Military Software Testing | |
| McCluskey et al. | The automated refinement of a requirements domain theory | |
| Jiang et al. | A knowledge graph–based requirement identification model for products remanufacturing design | |
| Yang et al. | An Intelligent Risk Assessment Model Based on NLP | |
| Zhang et al. | Predicting Relations in SG-CIM Model Based on Graph Structure and Semantic Information | |
| CN117852553B (zh) | 基于聊天记录提取元器件交易场景信息的语言处理系统 | |
| CN118503132A (zh) | 基于图形编程的用电信息采集终端自动测试方法及系统 |
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 |