CN116992862B - 数控机床异常辅助处理方法、装置、设备及介质 - Google Patents
数控机床异常辅助处理方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116992862B CN116992862B CN202311246730.5A CN202311246730A CN116992862B CN 116992862 B CN116992862 B CN 116992862B CN 202311246730 A CN202311246730 A CN 202311246730A CN 116992862 B CN116992862 B CN 116992862B
- Authority
- CN
- China
- Prior art keywords
- corpus
- segment
- sentence
- target
- sample
- 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
- 230000005856 abnormality Effects 0.000 title claims abstract description 60
- 238000003672 processing method Methods 0.000 title claims description 21
- 239000013598 vector Substances 0.000 claims abstract description 109
- 238000012545 processing Methods 0.000 claims abstract description 106
- 230000002159 abnormal effect Effects 0.000 claims abstract description 83
- 238000000605 extraction Methods 0.000 claims abstract description 62
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims description 27
- 239000012634 fragment Substances 0.000 claims description 25
- 238000004220 aggregation Methods 0.000 claims description 13
- 230000002776 aggregation Effects 0.000 claims description 13
- 230000004931 aggregating effect Effects 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000005520 cutting process Methods 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 6
- 238000003754 machining Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/211—Syntactic parsing, e.g. based on context-free grammar [CFG] or unification grammars
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/12—Use of codes for handling textual entities
- G06F40/151—Transformation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/226—Validation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- 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
- 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
-
- 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
本发明提供数控机床异常辅助处理方法、装置、设备及介质，涉及数控加工技术领域，方法包括：对异常处理语料进行切片处理，得到切片语料，基于切片语料生成知识图谱；将意图文本转换为意图向量，将意图向量与知识图谱中的各个第一文本对应的第一语义特征向量进行匹配，确定目标第一节点，第一语义特征向量是将知识图谱中反映异常类型的第一文本输入至语义提取模型输出的特征向量；在知识图谱中获取目标第一节点对应的目标第二节点和目标第三节点，基于目标第二节点对应的描述异常处理方案的第二文本以及目标第三节点对应的描述异常处理方案涉及的资源的第三文本得到异常辅助处理信息。本发明可以提升查找的异常处理辅助信息的准确性。
Description
技术领域
本发明涉及数控加工技术领域，尤其涉及一种数控机床异常辅助处理方法、装置、设备及介质。
背景技术
为了方便操作人员及时获取数控机床的异常处理方案，在现有技术中，对操作人员输入的异常文本，在操作手册中进行查找，以关键词匹配的形式查找对应的异常处理辅助信息。由于同一关键词可能在操作手册中多次出现，通过这种方法往往会在操作手册中查找到可能与待处理的异常不相关的多个内容，异常处理辅助信息的查找准确性低。
发明内容
本发明提供数控机床异常辅助处理方法、装置、设备及介质，用以解决现有技术中异常处理辅助信息查找准确率低的缺陷，实现提升在操作手册中查找异常处理辅助信息的准确性的效果。
本发明提供一种数控机床异常辅助处理方法，包括：
获取数控机床的异常处理语料，对异常处理语料进行切片处理，得到多个切片语料，基于多个切片语料生成知识图谱，知识图谱中包括多个第一节点、多个第二节点和多个第三节点，第一节点对应第一文本，第二节点对应第二文本，第三节点对应第三文本，第一文本描述异常类型，第二文本描述异常处理方案，第三文本描述异常处理方案涉及的资源；
获取意图文本，意图文本是基于数控机床操作人员的输入数据得到，输入数据反映待处理的异常类型；
将意图文本转换为意图向量，将意图向量与知识图谱中的各个第一文本对应的第一语义特征向量进行匹配，基于匹配结果确定目标第一节点，第一语义特征向量是将知识图谱中的第一文本输入至已训练的语义提取模型之后，语义提取模型输出的特征向量；
在知识图谱中获取目标第一节点对应的目标第二节点和目标第三节点，基于目标第二节点对应的第二文本以及目标第三节点对应的第三文本得到待处理的异常类型对应的异常辅助处理信息。
根据本发明提供的一种数控机床异常辅助处理方法，所述基于所述多个切片语料生成知识图谱，包括：
对所述切片语料进行信息提取，得到目标段落，所述目标段落中包括异常类型以及异常类型对应的异常处理方案；
对所述目标段落中的异常处理方案进行命名实体抽取，得到异常处理方案涉及的资源；
根据异常类型、异常处理方案以及异常处理方案涉及的资源之间的对应关系生成所述知识图谱。
根据本发明提供的一种数控机床异常辅助处理方法，所述对所述异常处理语料进行切片处理，得到多个切片语料，包括：
将所述异常处理语料按照预设的文本长度进行分段，得到多个语料段；
通过已训练的切片模型获取未处理的所述语料段中的第一个所述语料段中的片段，每个所述片段包括一个信息对，所述信息对中包括异常类型以及对应的异常处理方案；
当所述语料段中最后一个所述片段后还存在文本时，将所述语料段中最后一个所述片段后的文本与下一个所述语料段组合以更新下一个所述语料段；
重新执行所述通过已训练的切片模型获取未处理的所述语料段中的第一个所述语料段中的片段的步骤，直至所有的所述语料段均被处理；
将至少一个片段组合，得到一个所述切片语料。
根据本发明提供的一种数控机床异常辅助处理方法，所述切片模型包括特征融合模块、特征提取模块以及句子聚合模块；所述通过已训练的切片模型获取未处理的所述语料段中的第一个所述语料段中的片段，包括：
根据预先训练的词向量提取模型获取所述语料段中每个词的词向量，通过所述特征融合模块将所述语料段中每个句子中包括的词的词向量融合，得到所述语料段中每个句子的句子向量；
将所述语料段中每个句子的句子向量输入至所述特征提取模块中，获取所述特征提取模块输出的句子特征；
计算目标句子特征和所述目标句子特征的下一个所述句子特征之间的第一相似度，当所述第一相似度达到第一阈值时，通过所述句子聚合模块将所述目标句子特征的下一个所述句子特征与所述目标句子特征对应的句子中最后一个句子的所述句子特征聚合，得到参考句子特征，当所述参考句子特征和所述目标句子特征之间的第二相似度达到第二阈值时，通过所述句子聚合模块将所述目标句子特征和下一个所述句子特征聚合以更新所述目标句子特征；
重复执行所述目标句子特征和所述目标句子特征的下一个所述句子特征之间的相似度的步骤，直至所述第一相似度未达到所述第一阈值或所述第二相似度未达到所述第二阈值；
将所述目标句子特征中聚合的每个所述句子特征分别对应的句子组合，得到一个所述片段。
根据本发明提供的一种数控机床异常辅助处理方法，所述切片模型的训练过程包括：
获取至少一个第一样本语料段，所述至少一个第一样本语料段是对样本语料进行随机切割后得到的；
获取所述切片模型输出的所述第一样本语料段中的各个第一样本片段；
获取至少一个第二样本语料段，所述至少一个第二样本语料段是对所述样本语料进行随机切割后得到的；
获取所述切片模型输出的所述第二样本语料段中的各个第二样本片段；
基于各个所述第一样本片段以及各个所述第二样本片段确定切片训练损失；
基于所述切片训练损失更新所述切片模型。
根据本发明提供的一种数控机床异常辅助处理方法，所述切片训练损失包括第一损失和第二损失；所述基于各个所述第一样本片段以及各个所述第二样本片段确定切片训练损失，包括：
获取每个所述第一样本片段对应的第一语义相似度，其中，第n个所述第一样本片段对应的第一语义相似度是第n个所述第一样本片段与所述样本语料对应的片段标注结果中的第n个片段标签之间的语义相似度；
获取每个所述第二样本片段对应的第二语义相似度，其中，第n个所述第二样本片段对应的第二语义相似度是第n个所述第二样本片段与所述样本语料对应的片段标注结果中的第n个片段标签之间的语义相似度；
基于所述第一语义相似度和所述第二语义相似度得到第一损失；
确定分割相似度，基于所述分割相似度得到第二损失，所述分割相似度基于各个所述第一样本片段中的句子数量与各个所述第二样本片段中的句子数量确定。
根据本发明提供的一种数控机床异常辅助处理方法，所述将所述意图文本转换为意图向量，包括：
将所述意图文本输入至所述语义提取模型；
获取所述语义提取模型输出的所述意图向量；
所述语义提取模型的训练过程包括：
获取样本数据对，所述样本数据对包括样本意图文本和样本第一文本；
分别将所述样本意图文本和所述样本第一文本输入至所述语义提取模型中，获取所述语义提取模型输出的样本意图向量和样本第一语义特征向量；
获取所述样本意图向量和所述样本第一语义特征向量之间的第三相似度，获取所述样本意图文本和所述样本第一文本之间的第四相似度；
基于所述第三相似度和所述第四相似度确定语义训练损失；
基于所述语义训练损失更新所述语义提取模型。
本发明还提供一种数控机床异常辅助处理装置，包括：
知识图谱生成模块，用于获取数控机床的异常处理语料，对所述异常处理语料进行切片处理，得到多个切片语料，基于所述多个切片语料生成知识图谱，所述知识图谱中包括多个第一节点、多个第二节点和多个第三节点，所述第一节点对应第一文本，所述第二节点对应第二文本，所述第三节点对应第三文本，所述第一文本描述异常类型，所述第二文本描述异常处理方案，所述第三文本描述异常处理方案涉及的资源；
意图获取模块，用于获取意图文本，所述意图文本是基于数控机床操作人员的输入数据得到，所述输入数据反映待处理的异常类型；
语义匹配模块，用于将所述意图文本转换为意图向量，将所述意图向量与所述知识图谱中的各个所述第一文本对应的第一语义特征向量进行匹配，基于匹配结果确定目标第一节点，所述第一语义特征向量是将所述知识图谱中的所述第一文本输入至已训练的语义提取模型之后，所述语义提取模型输出的特征向量；
信息提取模块，用于在所述知识图谱中获取所述目标第一节点对应的目标第二节点和目标第三节点，基于所述目标第二节点对应的所述第二文本以及所述目标第三节点对应的所述第三文本得到所述待处理的异常类型对应的异常辅助处理信息。
本发明还提供一种电子设备，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计算机程序时实现如上述任一种所述数控机床异常辅助处理方法。
本发明还提供一种非暂态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如上述任一种所述数控机床异常辅助处理方法。
本发明提供的数控机床异常辅助处理方法、装置、设备及介质，首先对数控机床的异常处理语料进行梳理，形成包括异常类型-异常处理方法-异常处理方法涉及的资源三种节点的知识图谱，将数控机床操作人员的输入数据转换为意图文本，将意图文本对应的意图向量与知识图谱中反映异常类型的第一节点对应的第一文本的第一语义特征向量进行匹配，基于匹配结果确定目标第一节点，基于目标第一节点在知识图谱中确定与目标第一节点关联的反映异常处理方案的第二节点和反映异常处理方案涉及的资源的第三节点，基于第二节点和第二节点对应的文本得到异常辅助处理信息，可以实现在大量的异常处理语料中快速定位待处理的异常需要辅助处理信息，提供准确的异常处理方案。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的数控机床异常辅助处理方法的流程示意图；
图2是本发明提供的数控机床异常辅助处理装置的结构示意图；
图3是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合图1描述本发明提供的数控机床异常辅助处理方法，该方法包括步骤：
S100、获取数控机床的异常处理语料，对异常处理语料进行切片处理，得到多个切片语料，基于多个切片语料生成知识图谱，知识图谱中包括多个第一节点、多个第二节点和多个第三节点，第一节点对应第一文本，第二节点对应第二文本，第三节点对应第三文本，第一文本描述异常类型，第二文本描述异常处理方案，第三文本描述异常处理方案涉及的资源。
S200、获取意图文本，意图文本是基于数控机床操作人员的输入数据得到，输入数据反映待处理的异常类型。
S300、将意图文本转换为意图向量，将意图向量与知识图谱中的各个第一文本对应的第一语义特征向量进行匹配，基于匹配结果确定目标第一节点，第一语义特征向量是将知识图谱中的第一文本输入至已训练的语义提取模型之后，语义提取模型输出的特征向量。
S400、在知识图谱中获取目标第一节点对应的目标第二节点和目标第三节点，基于目标第二节点对应的第二文本以及目标第三节点对应的第三文本得到待处理的异常类型对应的异常辅助处理信息。
本发明提供的方法，首先对数控机床的异常处理语料进行梳理，形成包括异常类型-异常处理方法-异常处理方法涉及的资源三种节点的知识图谱，将数控机床操作人员的输入数据转换为意图文本，将意图文本对应的意图向量与知识图谱中反映异常类型的第一节点对应的第一文本的第一语义特征向量进行匹配，基于匹配结果确定目标第一节点，基于目标第一节点在知识图谱中确定与目标第一节点关联的反映异常处理方案的第二节点和反映异常处理方案涉及的资源的第三节点，基于第二节点和第二节点对应的文本得到异常辅助处理信息，可以实现在大量的异常处理语料中快速定位待处理的异常需要辅助处理信息，提供准确的异常处理方案。
异常处理方法涉及的资源包括机床异常处理工具、材料的名称以及存放位置等信息。异常处理语料可以是数控机床的操作手册，异常处理指导手册等中记载的文本，可以理解的是，异常处理语料中包含的文本字数是很多的，但是单个模型可以处理的文本字数有限，本发明提供的方法，先对异常处理语料进行切片，得到切片语料，再基于切片语料进行后续的处理，生成知识图谱。具体来说，基于多个切片语料生成知识图谱，包括：
对切片语料进行信息提取，得到目标段落，目标段落中包括异常类型以及异常类型对应的异常处理方案；
对目标段落中的异常处理方案进行命名实体抽取，得到异常处理方案涉及的资源；
根据异常类型、异常处理方案以及异常处理方案涉及的资源之间的对应关系生成知识图谱。
对切片语料进行信息提取，得到目标段落，可以通过大语言模型实现，对目标段落中的异常处理方案件命名实体抽取，可以通过命名实体抽取模型实现。
对异常处理语料进行切片得到的切片语料中应当包含一个完整的异常类型对应的异常处理方案，即，切片语料中应该包含异常类型以及该异常类型对应的完整的异常处理方案，而不应该只包括某个异常类型的异常处理方案的部分内容。为了实现这个目的，本发明提供的方法中，对异常处理语料进行切片处理，得到多个切片语料，包括：
将异常处理语料按照预设的文本长度进行分段，得到多个语料段；
通过已训练的切片模型获取未处理的语料段中的第一个语料段中的片段，每个片段包括一个信息对，信息对中包括异常类型以及对一个的异常处理方案；
当语料段中最后一个片段后还存在文本时，将语料段中最后一个片段后的文本与下一个语料段组合以更新下一个语料段；
重新执行通过已训练的切片模型获取未处理的语料段中的第一个语料段中的片段的步骤，直至所有的语料段均被处理；
将至少一个片段组合，得到一个切片语料。
一个片段中包括一个异常类型以及该异常类型对应的完整的异常处理方案。在对异常处理语料进行分段前，异常处理语料中包括几个异常类型以及对应的异常处理方案，本发明提供的方法，先对异常处理语料按照预设的文本长度进行分段，得到多个语料段，例如每1000字作为一个语料段。然后依次对语料段输入至切片模型进行处理，并且，基于已处理的切片模型的处理结果更新还未被处理的语料段。举例来说，有语料段A、B、C、D，先将语料段A输入至切片模型进行处理，切片模型输出语料段A中存在的片段a、b、c，但是在语料段A中c之后还存在文本d，可以是一句话或者两句话，将文本d加入至下一个要被处理的语料段，即语料段B的开头，得到更新后的语料段B，下一轮中将更新后的语料段B输入至切片模型进行处理，以此类推，直至处理完所有的语料段。
具体地，切片模型包括特征融合模块、特征提取模块以及句子聚合模块，通过已训练的切片模型获取未处理的语料段中的第一个语料段中的片段，包括：
根据预先训练的词向量提取模型获取语料段中每个词的词向量，通过特征融合模块将语料段中每个句子中包括的词的词向量融合，得到语料段中每个句子的句子向量；
将语料段中每个句子的句子向量输入至特征提取模块中，获取特征提取模块输出的句子特征；
计算目标句子特征和目标句子特征的下一个句子特征之间的第一相似度，当第一相似度达到第一阈值时，通过句子聚合模块将目标句子特征的下一个句子特征与目标句子特征对应的句子中最后一个句子的句子特征聚合，得到参考句子特征，当参考句子特征和目标句子特征之间的第二相似度达到第二阈值时，通过句子聚合模块将目标句子特征和下一个句子特征聚合以更新目标句子特征；
重复执行目标句子特征和目标句子特征的下一个句子特征之间的相似度的步骤，直至第一相似度未达到第一阈值或第二相似度未达到第二阈值；
将目标句子特征中聚合的每个句子特征分别对应的句子组合，得到一个片段，并丢弃当前的目标句子特征，将当前的目标句子特征的下一个句子特征作为新的目标句子特征。
举例来说，语料段X中包括A、B、C、D四个句子，首先利用已训练的词向量生成模型，例如word2vec等，将A、B、C、D四个句子中的每个词转换为词向量，之后，将A中的每个词对应的词向量均输入至特征融合模块中，将A中的每个词对应的词向量融合，得到句子A的句子向量a，同理可以得到句子B的句子句子向量b、句子C的句子向量c以及句子D的句子向量d。将a、b、c、d分别输入至特征提取模块，获取该特征提取模块输出的句子特征a1、b1、c1、d1。句子特征可以是一个向量或者一个矩阵。将a1作为目标句子特征，那么目标句子特征的下一个句子特征为b1，目标句子特征对应的句子为A，计算a1和b1之间的第一相似度，若达到第一阈值，则通过句子聚合模块将a1和b1聚合，得到参考句子特征a2，如果a1和a2之间的相似度达到第二阈值，则将a1和b1聚合得到的特征作为更新后的目标句子特征b2，那么目标句子特征的下一个句子特征就变成了c1，目标句子特征对应的句子为A和B，计算b2和c1之间的第一相似度，若达到第一阈值，则将B对应的句子特征b1和c1聚合，得到参考句子特征c2，若c2与b2之间的相似度达到第二阈值，则将c1和b2聚合，得到更新后的目标句子特征，若b2和c1之间的第一相似度未达到第一阈值，或c2与b2之间的第二相似度未达到第二阈值，那么，将b2中聚合的句子特征a1和b1分别对应的句子A和B组合作为一个片段，此时丢弃当前的目标句子特征b2，将c1作为新的目标句子特征。
异常类型以及异常类型对应的异常解决方案之间应当具有紧密的语义联系，本发明提供的方法中，在对语料段进行切片时，为了使得一个片段中包括完整的异常类型以及对应的异常解决方案，对语料段中的句子进行逐句聚合，将语义联系紧密的句子聚合起来，得到一个片段，有效提升对语料段进行切片的结果的准确性。
为了使得切片模型的性能更好，输出的片段更加准确，本发明提供的方法中，切片模型的训练过程包括：
获取至少一个第一样本语料段，至少一个第一样本语料段是对样本语料进行随机切割后得到的；
获取切片模型输出的第一样本语料段中的各个第一样本片段；
获取至少一个第二样本语料段，至少一个第二样本语料段是对样本语料进行随机切割后得到的；
获取切片模型输出的第二样本语料段中的各个第二样本片段；
基于样本句子向量、样本句子特征、各个第一样本片段以及各个第二样本片段确定切片训练损失；
基于切片训练损失更新切片模型。
切片训练损失包括第一损失和第二损失，基于样本句子向量、样本句子特征、各个第一样本片段以及各个第二样本片段确定切片训练损失，包括：
获取每个第一样本片段对应的第一语义相似度，其中，第n个第一样本片段对应的第一语义相似度是第n个第一样本片段与样本语料对应的片段标注结果中的第n个片段标签之间的语义相似度；
获取每个第二样本片段对应的第二语义相似度，其中，第n个第二样本片段对应的第二语义相似度是第n个第二样本片段与样本语料对应的片段标注结果中的第n个片段标签之间的语义相似度；
基于第一语义相似度和第二语义相似度得到第一损失；
确定分割相似度，基于分割相似度得到第二损失，分割相似度基于各个第一样本片段中的句子数量与各个第二样本片段中的句子数量确定。
切片模型输出的片段与标注的片段标签之间的差异越小，说明切片模型切割片段的准确性越高。本发明中，通过第一损失衡量切片模型输出的片段与标注的片段标签之间的差异，具体来说，当第一语义相似度和第二语义相似度的总和越大，且第一语义相似度和第二语义相似度之间的相似度越大，第一损失越小。
第一语义相似度和第二语义相似度是基于语义层面的判断，有时候，一些短小的句子对语义的影响可能不大，本发明提供的方法中，为了进一步提升切片模型的训练效果，还结合切片模型对同一样本语料的不同语料段的片段识别结果来更新切片模型。具体来说，对于同一样本语料，其中包括的异常类型以及对应的异常解决方案是相同的，也就是说，即使对同一样本语料进行了不同的划分，得到不同的语料段，通过切片模型对这些语料段提取片段的最终结果越一致，说明切片模型输出对语料段进行切割输出片段的准确性越高。本发明结合第一损失和第二损失来更新切片模型，可以训练得到准确性更高的切片模型，提升训练效率。
具体来说，分割相似度越小，第二损失越小，分割相似度可以采用如下步骤确定：
获取各个第一样本片段中的句子数量，得到第一向量；
获取各个第二样本片段中的句子数量，得到第二向量；
获取第一向量和第二向量之间的相似度作为分割相似度。
例如，第一样本片段共有三个，分别有2个句子、2个句子、3个句子，那么第一向量为（2,3,3），第二样本片段共有三个，分别有1个句子、3个句子、3个句子，那么第二向量为（1,3,3）。
在生成知识图谱后，通过语义提取模型得到每个第一文本分别对应的第一语义特征向量，在得到数控机床操作人员输入的输入数据后，将输入数据转化为意图文本，输入数据反映待处理的异常类型，输入数据可以是文本、语音，操作人员可以通过文字输入界面、麦克风等途径输入该输入数据。得到意图文本后，同样采用提取第一文本的第一语义特征向量的语义提取模型将意图文本转换为意图向量。也就是说，将意图文本转换为意图向量，包括：
将意图文本输入至语义提取模型；
获取语义提取模型输出的意图向量。
操作人员输入的反映异常类型的文字是比较口语化的，而操作手册中采用的是书面化的表达，为了使得两种表达方式的语义对齐，本发明提供的方法中，语义提取模型的训练过程包括：
获取样本数据对，样本数据包括样本意图文本和样本第一文本；
分别将样本意图文本和样本第一文本输入至语义提取模型中，获取语义提取模型输出的样本意图向量和样本第一语义特征向量；
获取样本意图向量和样本第一语义特征向量之间的第三相似度，获取样本意图文本和样本第一文本之间的第四相似度；
基于第三相似度和第四相似度确定语义训练损失；
基于语义训练损失更新语义提取模型。
样本意图文本和样本第一文本之间的第四相似度可以事先标注得到。当第三相似度和第四相似度越接近，语义训练损失越小，第三相似度和第四相似度越不同，语义训练损失越大。基于语义训练损失更新语义提取模型，可以实现操作人员输入的数据和异常处理语料中对异常类型的不同表达方式之间的语义对齐，提升意图向量与第一语义特征向量之间的匹配准确性，有利于找到最准确的第一文本。
知识图谱中节点之间存在相关性，将与目标第一节点相关的目标第二节点和目标第三节点对应的文本组合，作为异常辅助处理信息提供给数控机床的操作人员，用于辅助操作人员处理数控机床的异常。
下面对本发明提供的数控机床异常辅助处理装置进行描述，下文描述的数控机床异常辅助处理装置与上文描述的数控机床异常辅助处理方法可相互对应参照。如图2所示，该装置包括：
知识图谱生成模块210，用于获取数控机床的异常处理语料，对所述异常处理语料进行切片处理，得到多个切片语料，基于所述多个切片语料生成知识图谱，所述知识图谱中包括多个第一节点、多个第二节点和多个第三节点，所述第一节点对应第一文本，所述第二节点对应第二文本，所述第三节点对应第三文本，所述第一文本描述异常类型，所述第二文本描述异常处理方案，所述第三文本描述异常处理方案涉及的资源；
意图获取模块220，用于获取意图文本，所述意图文本是基于数控机床操作人员的输入数据得到，所述输入数据反映待处理的异常类型；
语义匹配模块230，用于将所述意图文本转换为意图向量，将所述意图向量与所述知识图谱中的各个所述第一文本对应的第一语义特征向量进行匹配，基于匹配结果确定目标第一节点，所述第一语义特征向量是将所述知识图谱中的所述第一文本输入至已训练的语义提取模型之后，所述语义提取模型输出的特征向量；
信息提取模块240，用于在所述知识图谱中获取所述目标第一节点对应的目标第二节点和目标第三节点，基于所述目标第二节点对应的所述第二文本以及所述目标第三节点对应的所述第三文本得到所述待处理的异常类型对应的异常辅助处理信息。
图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行数控机床异常辅助处理方法，该方法包括：获取数控机床的异常处理语料，对异常处理语料进行切片处理，得到多个切片语料，基于多个切片语料生成知识图谱，知识图谱中包括多个第一节点、多个第二节点和多个第三节点，第一节点对应第一文本，第二节点对应第二文本，第三节点对应第三文本，第一文本描述异常类型，第二文本描述异常处理方案，第三文本描述异常处理方案涉及的资源；
获取意图文本，意图文本是基于数控机床操作人员的输入数据得到，输入数据反映待处理的异常类型；
将意图文本转换为意图向量，将意图向量与知识图谱中的各个第一文本对应的第一语义特征向量进行匹配，基于匹配结果确定目标第一节点，第一语义特征向量是将知识图谱中的第一文本输入至已训练的语义提取模型之后，语义提取模型输出的特征向量；
在知识图谱中获取目标第一节点对应的目标第二节点和目标第三节点，基于目标第二节点对应的第二文本以及目标第三节点对应的第三文本得到待处理的异常类型对应的异常辅助处理信息。
此外，上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
又一方面，本发明还提供一种非暂态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以执行上述各方法提供的数控机床异常辅助处理方法，该方法包括：获取数控机床的异常处理语料，对异常处理语料进行切片处理，得到多个切片语料，基于多个切片语料生成知识图谱，知识图谱中包括多个第一节点、多个第二节点和多个第三节点，第一节点对应第一文本，第二节点对应第二文本，第三节点对应第三文本，第一文本描述异常类型，第二文本描述异常处理方案，第三文本描述异常处理方案涉及的资源；
获取意图文本，意图文本是基于数控机床操作人员的输入数据得到，输入数据反映待处理的异常类型；
将意图文本转换为意图向量，将意图向量与知识图谱中的各个第一文本对应的第一语义特征向量进行匹配，基于匹配结果确定目标第一节点，第一语义特征向量是将知识图谱中的第一文本输入至已训练的语义提取模型之后，语义提取模型输出的特征向量；
在知识图谱中获取目标第一节点对应的目标第二节点和目标第三节点，基于目标第二节点对应的第二文本以及目标第三节点对应的第三文本得到待处理的异常类型对应的异常辅助处理信息。
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种数控机床异常辅助处理方法，其特征在于，包括：
获取数控机床的异常处理语料，对所述异常处理语料进行切片处理，得到多个切片语料，基于所述多个切片语料生成知识图谱，所述知识图谱中包括多个第一节点、多个第二节点和多个第三节点，所述第一节点对应第一文本，所述第二节点对应第二文本，所述第三节点对应第三文本，所述第一文本描述异常类型，所述第二文本描述异常处理方案，所述第三文本描述异常处理方案涉及的资源；
获取意图文本，所述意图文本是基于数控机床操作人员的输入数据得到，所述输入数据反映待处理的异常类型；
将所述意图文本转换为意图向量，将所述意图向量与所述知识图谱中的各个所述第一文本对应的第一语义特征向量进行匹配，基于匹配结果确定目标第一节点，所述第一语义特征向量是将所述知识图谱中的所述第一文本输入至已训练的语义提取模型之后，所述语义提取模型输出的特征向量；
在所述知识图谱中获取所述目标第一节点对应的目标第二节点和目标第三节点，基于所述目标第二节点对应的所述第二文本以及所述目标第三节点对应的所述第三文本得到所述待处理的异常类型对应的异常辅助处理信息；
所述对所述异常处理语料进行切片处理，得到多个切片语料，包括：
将所述异常处理语料按照预设的文本长度进行分段，得到多个语料段；
通过已训练的切片模型获取未处理的所述语料段中的第一个所述语料段中的片段，每个所述片段包括一个信息对，所述信息对中包括异常类型以及对应的异常处理方案；
当所述语料段中最后一个所述片段后还存在文本时，将所述语料段中最后一个所述片段后的文本与下一个所述语料段组合以更新下一个所述语料段；
重新执行所述通过已训练的切片模型获取未处理的所述语料段中的第一个所述语料段中的片段的步骤，直至所有的所述语料段均被处理；
将至少一个片段组合，得到一个所述切片语料；
所述切片模型包括特征融合模块、特征提取模块以及句子聚合模块；所述通过已训练的切片模型获取未处理的所述语料段中的第一个所述语料段中的片段，包括：
根据预先训练的词向量提取模型获取所述语料段中每个词的词向量，通过所述特征融合模块将所述语料段中每个句子中包括的词的词向量融合，得到所述语料段中每个句子的句子向量；
将所述语料段中每个句子的句子向量输入至所述特征提取模块中，获取所述特征提取模块输出的句子特征；
计算目标句子特征和所述目标句子特征的下一个所述句子特征之间的第一相似度，当所述第一相似度达到第一阈值时，通过所述句子聚合模块将所述目标句子特征的下一个所述句子特征与所述目标句子特征对应的句子中最后一个句子的所述句子特征聚合，得到参考句子特征，当所述参考句子特征和所述目标句子特征之间的第二相似度达到第二阈值时，通过所述句子聚合模块将所述目标句子特征和下一个所述句子特征聚合以更新所述目标句子特征；
重复执行所述目标句子特征和所述目标句子特征的下一个所述句子特征之间的相似度的步骤，直至所述第一相似度未达到所述第一阈值或所述第二相似度未达到所述第二阈值；
将所述目标句子特征中聚合的每个所述句子特征分别对应的句子组合，得到一个所述片段。
2.根据权利要求1所述的数控机床异常辅助处理方法，其特征在于，所述基于所述多个切片语料生成知识图谱，包括：
对所述切片语料进行信息提取，得到目标段落，所述目标段落中包括异常类型以及异常类型对应的异常处理方案；
对所述目标段落中的异常处理方案进行命名实体抽取，得到异常处理方案涉及的资源；
根据异常类型、异常处理方案以及异常处理方案涉及的资源之间的对应关系生成所述知识图谱。
3.根据权利要求1所述的数控机床异常辅助处理方法，其特征在于，所述切片模型的训练过程包括：
获取至少一个第一样本语料段，所述至少一个第一样本语料段是对样本语料进行随机切割后得到的；
获取所述切片模型输出的所述第一样本语料段中的各个第一样本片段；
获取至少一个第二样本语料段，所述至少一个第二样本语料段是对所述样本语料进行随机切割后得到的；
获取所述切片模型输出的所述第二样本语料段中的各个第二样本片段；
基于各个所述第一样本片段以及各个所述第二样本片段确定切片训练损失；
基于所述切片训练损失更新所述切片模型。
4.根据权利要求3所述的数控机床异常辅助处理方法，其特征在于，所述切片训练损失包括第一损失和第二损失；所述基于各个所述第一样本片段以及各个所述第二样本片段确定切片训练损失，包括：
获取每个所述第一样本片段对应的第一语义相似度，其中，第n个所述第一样本片段对应的第一语义相似度是第n个所述第一样本片段与所述样本语料对应的片段标注结果中的第n个片段标签之间的语义相似度；
获取每个所述第二样本片段对应的第二语义相似度，其中，第n个所述第二样本片段对应的第二语义相似度是第n个所述第二样本片段与所述样本语料对应的片段标注结果中的第n个片段标签之间的语义相似度；
基于所述第一语义相似度和所述第二语义相似度得到第一损失；
确定分割相似度，基于所述分割相似度得到第二损失，所述分割相似度基于各个所述第一样本片段中的句子数量与各个所述第二样本片段中的句子数量确定。
5.根据权利要求1所述的数控机床异常辅助处理方法，其特征在于，所述将所述意图文本转换为意图向量，包括：
将所述意图文本输入至所述语义提取模型；
获取所述语义提取模型输出的所述意图向量；
所述语义提取模型的训练过程包括：
获取样本数据对，所述样本数据对包括样本意图文本和样本第一文本；
分别将所述样本意图文本和所述样本第一文本输入至所述语义提取模型中，获取所述语义提取模型输出的样本意图向量和样本第一语义特征向量；
获取所述样本意图向量和所述样本第一语义特征向量之间的第三相似度，获取所述样本意图文本和所述样本第一文本之间的第四相似度；
基于所述第三相似度和所述第四相似度确定语义训练损失；
基于所述语义训练损失更新所述语义提取模型。
6.一种数控机床异常辅助处理装置，其特征在于，包括：
知识图谱生成模块，用于获取数控机床的异常处理语料，对所述异常处理语料进行切片处理，得到多个切片语料，基于所述多个切片语料生成知识图谱，所述知识图谱中包括多个第一节点、多个第二节点和多个第三节点，所述第一节点对应第一文本，所述第二节点对应第二文本，所述第三节点对应第三文本，所述第一文本描述异常类型，所述第二文本描述异常处理方案，所述第三文本描述异常处理方案涉及的资源；
意图获取模块，用于获取意图文本，所述意图文本是基于数控机床操作人员的输入数据得到，所述输入数据反映待处理的异常类型；
语义匹配模块，用于将所述意图文本转换为意图向量，将所述意图向量与所述知识图谱中的各个所述第一文本对应的第一语义特征向量进行匹配，基于匹配结果确定目标第一节点，所述第一语义特征向量是将所述知识图谱中的所述第一文本输入至已训练的语义提取模型之后，所述语义提取模型输出的特征向量；
信息提取模块，用于在所述知识图谱中获取所述目标第一节点对应的目标第二节点和目标第三节点，基于所述目标第二节点对应的所述第二文本以及所述目标第三节点对应的所述第三文本得到所述待处理的异常类型对应的异常辅助处理信息；
所述对所述异常处理语料进行切片处理，得到多个切片语料，包括：
将所述异常处理语料按照预设的文本长度进行分段，得到多个语料段；
通过已训练的切片模型获取未处理的所述语料段中的第一个所述语料段中的片段，每个所述片段包括一个信息对，所述信息对中包括异常类型以及对应的异常处理方案；
当所述语料段中最后一个所述片段后还存在文本时，将所述语料段中最后一个所述片段后的文本与下一个所述语料段组合以更新下一个所述语料段；
重新执行所述通过已训练的切片模型获取未处理的所述语料段中的第一个所述语料段中的片段的步骤，直至所有的所述语料段均被处理；
将至少一个片段组合，得到一个所述切片语料；
所述切片模型包括特征融合模块、特征提取模块以及句子聚合模块；所述通过已训练的切片模型获取未处理的所述语料段中的第一个所述语料段中的片段，包括：
根据预先训练的词向量提取模型获取所述语料段中每个词的词向量，通过所述特征融合模块将所述语料段中每个句子中包括的词的词向量融合，得到所述语料段中每个句子的句子向量；
将所述语料段中每个句子的句子向量输入至所述特征提取模块中，获取所述特征提取模块输出的句子特征；
计算目标句子特征和所述目标句子特征的下一个所述句子特征之间的第一相似度，当所述第一相似度达到第一阈值时，通过所述句子聚合模块将所述目标句子特征的下一个所述句子特征与所述目标句子特征对应的句子中最后一个句子的所述句子特征聚合，得到参考句子特征，当所述参考句子特征和所述目标句子特征之间的第二相似度达到第二阈值时，通过所述句子聚合模块将所述目标句子特征和下一个所述句子特征聚合以更新所述目标句子特征；
重复执行所述目标句子特征和所述目标句子特征的下一个所述句子特征之间的相似度的步骤，直至所述第一相似度未达到所述第一阈值或所述第二相似度未达到所述第二阈值；
将所述目标句子特征中聚合的每个所述句子特征分别对应的句子组合，得到一个所述片段。
7.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述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计算机程序时实现如权利要求1至5任一项所述数控机床异常辅助处理方法。
8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述数控机床异常辅助处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311246730.5A CN116992862B (zh) | 2023-09-26 | 2023-09-26 | 数控机床异常辅助处理方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311246730.5A CN116992862B (zh) | 2023-09-26 | 2023-09-26 | 数控机床异常辅助处理方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116992862A CN116992862A (zh) | 2023-11-03 |
| CN116992862B true CN116992862B (zh) | 2024-02-20 |
Family
ID=88521697
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311246730.5A Active CN116992862B (zh) | 2023-09-26 | 2023-09-26 | 数控机床异常辅助处理方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116992862B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113268538A (zh) * | 2021-05-17 | 2021-08-17 | 哈尔滨工业大学（威海） | 一种基于领域知识图谱的复杂装备故障溯源方法及系统 |
| CN113962219A (zh) * | 2021-10-13 | 2022-01-21 | 国网浙江省电力有限公司电力科学研究院 | 面向电力变压器知识检索和问答的语义匹配方法及系统 |
| 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 |
| WO2022227162A1 (zh) * | 2021-04-25 | 2022-11-03 | 平安科技（深圳）有限公司 | 问答数据处理方法、装置、计算机设备及存储介质 |
| CN115356939A (zh) * | 2022-08-18 | 2022-11-18 | 青岛海尔科技有限公司 | 控制指令的发送方法、控制装置、存储介质及电子装置 |
| CN116414996A (zh) * | 2021-12-31 | 2023-07-11 | 第四范式（北京）技术有限公司 | 基于知识图谱的问题查询方法、装置及电子设备 |
| CN116542254A (zh) * | 2023-05-17 | 2023-08-04 | 中国航空工业集团公司沈阳空气动力研究所 | 风洞试验数据异常决策方法、装置、电子设备及存储介质 |
| CN116702891A (zh) * | 2023-03-20 | 2023-09-05 | 南方科技大学 | 一种基于汽车制造业的故障溯源方法及终端 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP4181030A1 (en) * | 2021-11-15 | 2023-05-17 | Sap Se | Computer-implemented method, computer program product and computer system for problem-solving based on knowledge graphs |
-
2023
- 2023-09-26 CN CN202311246730.5A patent/CN116992862B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022227162A1 (zh) * | 2021-04-25 | 2022-11-03 | 平安科技（深圳）有限公司 | 问答数据处理方法、装置、计算机设备及存储介质 |
| CN113268538A (zh) * | 2021-05-17 | 2021-08-17 | 哈尔滨工业大学（威海） | 一种基于领域知识图谱的复杂装备故障溯源方法及系统 |
| CN113962219A (zh) * | 2021-10-13 | 2022-01-21 | 国网浙江省电力有限公司电力科学研究院 | 面向电力变压器知识检索和问答的语义匹配方法及系统 |
| 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 |
| CN116414996A (zh) * | 2021-12-31 | 2023-07-11 | 第四范式（北京）技术有限公司 | 基于知识图谱的问题查询方法、装置及电子设备 |
| CN115356939A (zh) * | 2022-08-18 | 2022-11-18 | 青岛海尔科技有限公司 | 控制指令的发送方法、控制装置、存储介质及电子装置 |
| CN116702891A (zh) * | 2023-03-20 | 2023-09-05 | 南方科技大学 | 一种基于汽车制造业的故障溯源方法及终端 |
| CN116542254A (zh) * | 2023-05-17 | 2023-08-04 | 中国航空工业集团公司沈阳空气动力研究所 | 风洞试验数据异常决策方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 基于知识的汽车故障诊断专家系统;李小青;煤矿机械(第11期);第131-133页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116992862A (zh) | 2023-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109670191B (zh) | 机器翻译的校准优化方法、装置与电子设备 | |
| CN110543643B (zh) | 文本翻译模型的训练方法及装置 | |
| WO2017071226A1 (zh) | 一种语言模型的训练方法及装置、设备 | |
| CN110209790B (zh) | 问答匹配方法和装置 | |
| US20170308526A1 (en) | Compcuter Implemented machine translation apparatus and machine translation method | |
| US20070067153A1 (en) | Morphological analysis apparatus, morphological analysis method and morphological analysis program | |
| CN111813923B (zh) | 文本摘要方法、电子设备及存储介质 | |
| CN115981615B (zh) | 融合语言模型与知识图谱的g代码生成方法及相关设备 | |
| CN112231451B (zh) | 指代词恢复方法、装置、对话机器人及存储介质 | |
| CN112016319A (zh) | 预训练模型获取、疾病实体标注方法、装置及存储介质 | |
| CN111191468B (zh) | 术语替换方法及装置 | |
| JP6535607B2 (ja) | 前処理モデル学習装置、方法、及びプログラム | |
| JP2016224483A (ja) | モデル学習装置、方法、及びプログラム | |
| CN113934834A (zh) | 一种问句匹配的方法、装置、设备和存储介质 | |
| CN116992862B (zh) | 数控机床异常辅助处理方法、装置、设备及介质 | |
| CN109558580B (zh) | 一种文本分析方法及装置 | |
| CN108959253A (zh) | 核心短语的提取方法、装置及可读存储介质 | |
| CN113128224B (zh) | 一种中文纠错方法、装置、设备以及可读存储介质 | |
| JP6564709B2 (ja) | 文書き換え装置、方法、及びプログラム | |
| CN113688615B (zh) | 一种字段注释生成、字符串理解方法、设备及存储介质 | |
| CN113961725A (zh) | 一种标签自动标注方法及系统、设备和存储介质 | |
| CN116149258B (zh) | 基于多模态信息的数控机床代码生成方法及相关设备 | |
| JPH11328316A (ja) | 文字認識装置、方法及び記憶媒体 | |
| CN111737988B (zh) | 一种复述句识别的方法及装置 | |
| CN115146630B (zh) | 基于专业领域知识的分词方法、装置、设备及存储介质 |
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 |