CN117592451A - 基于智能推荐的试验方案在线编写方法、系统及电子设备 - Google Patents

基于智能推荐的试验方案在线编写方法、系统及电子设备 Download PDF

Info

Publication number
CN117592451A
CN117592451A CN202311557756.1A CN202311557756A CN117592451A CN 117592451 A CN117592451 A CN 117592451A CN 202311557756 A CN202311557756 A CN 202311557756A CN 117592451 A CN117592451 A CN 117592451A
Authority
CN
China
Prior art keywords
test
test scheme
scheme
historical
attribute
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.)
Pending
Application number
CN202311557756.1A
Other languages
English (en)
Inventor
吴彦军
弓志强
南福春
洪学超
周博
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.)
BEIJING RAINFE TECHNOLOGY CO LTD
Original Assignee
BEIJING RAINFE 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 BEIJING RAINFE TECHNOLOGY CO LTD filed Critical BEIJING RAINFE TECHNOLOGY CO LTD
Priority to CN202311557756.1A priority Critical patent/CN117592451A/zh
Publication of CN117592451A publication Critical patent/CN117592451A/zh
Pending legal-status Critical Current

Links

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
    • G06F40/186—Templates
    • 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
    • G06F40/14—Tree-structured documents
    • 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)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本发明公开一种基于智能推荐的试验方案在线编写方法、系统及电子设备，涉及方案编写技术领域，所述方法包括：确定待编写试验方案的试验方案属性，以及多种类型的历史试验方案的试验方案属性、用户行为数据和试验方案结构树；计算待编写试验方案与各历史试验方案之间的属性相似度；计算各历史试验方案的重要程度；基于各属性相似度和重要程度，计算综合相似度；对各综合相似度按照从大到小的顺序进行排序，从而确定多个推荐试验方案；按照待编写试验方案的需求选择一个推荐试验方案作为目标试验方案；基于目标试验方案的试验方案结构树对待编写试验方案进行自动填充。本发明可以高效完成试验方案编写工作，减少试验验证时间，提高装备研制效率。

Description

基于智能推荐的试验方案在线编写方法、系统及电子设备
技术领域
本发明涉及方案编写技术领域，特别是涉及一种基于智能推荐的试验方案在线编写方法、系统及电子设备。
背景技术
在装备研制领域中，为了对装备样机的功能和性能进行验证，装备设计人员需要编写试验任务书，明确试验目的、试验内容、试验环境等内容。试验任务书下发到试验部门后，试验执行人员需要根据试验任务书编写试验方案(如试验大纲、试验实施细则等)，明确试验方法、试验步骤、试验设备、数据采集参数等详细内容。因此，试验方案的编写对于指导试验的具体实施具有重大的作用和意义。
目前，试验方案的编写通常是由试验工程师在单机上利用文档编写软件进行编写，但是编写的试验方案质量良莠不齐，更改多，所需时间长，一定程度上影响了装备研制周期。随着大数据和人工智能技术的发展，基于智能推荐算法实现试验大纲内容的准确关联和自动填充已成为重要的发展方向。
为了编写试验方案，第一种技术方案利用文档编写工具在单机上编写，主要工作包括：(1)试验任务书内容获取。为了编写试验方案，需要基于试验任务书中的要求进行编写，将试验任务书中的试验项目、试验目的、试验内容等信息添加到试验方案中。对于纸质的试验任务书，还需要进行利用数字化工具纸质文档的数字化，然后利用OCR软件进行文字的识别。(2)历史试验方案内容拷贝。试验方案的编写需要参考同类试验的经验，将以往完成该类试验的试验大纲的部分相同内容拷贝到本试验方案中。(3)特殊内容的增删与修改。在以上内容的基础上，需要根据本次试验的特殊性，对试验方案中的特殊内容进行增加，对于不合适的内容进行删除或修改，最终完成本次试验的试验方案的编写。第一种技术方案的缺点包括：(1)工作量大、效率低下。在获取试验任务数据内容和历史试验方案内容的过程中，需要大量的复制、粘贴等工作，效率低下。(2)方案质量无法保证。在编写试验方案的过程中，需要基于试验任务书的哪些内容、需要参考哪个历史试验方案及其中的哪些内容，都需要有经验的试验工程师才能够准确把握，经验欠缺的试验工程师编写的试验方案后续还需要进行多次的修改才能符合质量要求。为了编写试验方案，第二种技术方案是利用试验方案设计软件在线协同编写，与第一种技术方案相比，不同的技术内容包括：(1)基于文档在线编写控件，试验方案可由多人完成；(2)文档在线编写控件具有文档版本功能，试验方案的更改受控。与第一种技术方案相比，第二种技术方案能够在一定程度上提高试验方案质量，但是还存在以下缺点：(1)工作量大、效率低下。在获取试验任务数据内容和历史试验方案内容的过程中，依然需要大量的复制、粘贴等工作用于在线协同编写，效率低下。(2)在线协同编写结果错误。在多人进行在线协同编写试验方案时，可能因为两个或两个以上的人员对同一内容进行编辑，导致试验方案的最终版本内容错误的情况发生。
发明内容
本发明的目的是提供一种基于智能推荐的试验方案在线编写方法、系统及电子设备，高效完成试验方案编写工作，减少试验验证时间，提高装备研制效率。
为实现上述目的，本发明提供了如下方案：
一种基于智能推荐的试验方案在线编写方法，包括：
确定待编写试验方案的试验方案属性，以及多种类型的历史试验方案的试验方案属性、用户行为数据和试验方案结构树；所述试验方案属性包括：试验类型、试验阶段和试验件类型，所述试验类型包括：强度试验、气动试验和隐身试验，所述试验阶段包括：方案阶段、初样阶段、正样阶段、定型阶段和批产阶段；所述试验件类型包括：整机、机身和部件，所述用户行为数据包括：最近一月使用次数、最近一季度使用次数、总使用次数、最近一月点赞数、最近一季度点赞数和总点赞数；
分别基于各所述历史试验方案的试验方案属性和所述待编写试验方案的试验方案属性，计算所述待编写试验方案与对应历史试验方案之间的属性相似度；
分别基于各所述历史试验方案的用户行为数据，计算对应历史试验方案的重要程度；
基于各所述属性相似度和对应历史试验方案的重要程度，计算所述待编写试验方案与对应历史试验方案之间的综合相似度；
对各所述综合相似度按照从大到小的顺序进行排序，并将前k个排序后的综合相似度对应的历史试验方案均确定为推荐试验方案；k为预设数值；
按照待编写试验方案的需求选择一个所述推荐试验方案作为目标试验方案；
基于所述目标试验方案的试验方案结构树对所述待编写试验方案进行自动填充。
可选地，各历史试验方案的试验方案结构树的确定过程，包括：
基于各所述历史试验方案的试验方案属性对各所述历史试验方案进行分类，并提取出每一类历史试验方案的模板；
利用模板定制工具将各类历史试验方案的模板按章节名称形成结构树模版；
获取各所述历史试验方案的方案内容；所述方案内容的格式为word格式；
对各所述历史试验方案的方案内容按章节提取内容，并将提取到的内容关联到历史试验方案对应的结构树模版的节点上，得到对应历史试验方案的试验方案结构树。
可选地，分别基于各所述历史试验方案的试验方案属性和所述待编写试验方案的试验方案属性，计算所述待编写试验方案与对应历史试验方案之间的属性相似度，包括：
将任一历史试验方案确定为当前历史试验方案；
对所述当前历史试验方案的试验方案属性进行抽取，形成多个当前历史试验方案属性向量；
对所述待编写试验方案的试验方案属性进行抽取，形成多个试验方案需求向量；
利用余弦相似度计算法，分别计算各所述当前历史试验方案属性向量和各所述试验方案需求向量之间的余弦相似度；
对各所述余弦相似度进行归一化处理，得到归一化后的余弦相似度；
基于所有归一化后的余弦相似度，确定所述待编写试验方案与对应历史试验方案之间的属性相似度。
可选地，分别基于各所述历史试验方案的用户行为数据，计算对应历史试验方案的重要程度，包括：
将任一历史试验方案确定为当前历史试验方案；
基于当前历史试验方案的用户行为数据，确定多个当前用户行为特征向量；
对各所述当前用户行为特征向量进行归一化处理，得到归一化后的当前用户行为特征向量；
基于所有归一化后的当前用户行为特征向量，确定所述当前历史试验方案的重要程度。
可选地，基于各所述属性相似度和对应历史试验方案的重要程度，计算所述待编写试验方案与对应历史试验方案之间的综合相似度，包括：
利用线性综合法，对各所述属性相似度和对应历史试验方案的重要程度，确定所述待编写试验方案与对应历史试验方案之间的综合相似度。
一种基于智能推荐的试验方案在线编写系统，包括：
获取模块，用于确定待编写试验方案的试验方案属性，以及多种类型的历史试验方案的试验方案属性、用户行为数据和试验方案结构树；所述试验方案属性包括：试验类型、试验阶段和试验件类型，所述试验类型包括：强度试验、气动试验和隐身试验，所述试验阶段包括：方案阶段、初样阶段、正样阶段、定型阶段和批产阶段；所述试验件类型包括：整机、机身和部件，所述用户行为数据包括：最近一月使用次数、最近一季度使用次数、总使用次数、最近一月点赞数、最近一季度点赞数和总点赞数；
属性相似度计算模块，用于分别基于各所述历史试验方案的试验方案属性和所述待编写试验方案的试验方案属性，计算所述待编写试验方案与对应历史试验方案之间的属性相似度；
重要程度计算模块，用于分别基于各所述历史试验方案的用户行为数据，计算对应历史试验方案的重要程度；
综合相似度计算模块，用于基于各所述属性相似度和对应历史试验方案的重要程度，计算所述待编写试验方案与对应历史试验方案之间的综合相似度；
推荐试验方案确定模块，用于对各所述综合相似度按照从大到小的顺序进行排序，并将前k个排序后的综合相似度对应的历史试验方案均确定为推荐试验方案；k为预设数值；
目标试验方案确定模块，用于按照待编写试验方案的需求选择一个所述推荐试验方案作为目标试验方案；
填充模块，用于基于所述目标试验方案的试验方案结构树对所述待编写试验方案进行自动填充。
一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述所述的基于智能推荐的试验方案在线编写方法。
可选地，所述存储器为可读存储介质。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明公开了一种基于智能推荐的试验方案在线编写方法、系统及电子设备，首先，确定待编写试验方案的试验方案属性，以及多种类型的历史试验方案的试验方案属性、用户行为数据和试验方案结构树；分别基于各历史试验方案的试验方案属性和待编写试验方案的试验方案属性，计算待编写试验方案与对应历史试验方案之间的属性相似度；其次，分别基于各历史试验方案的用户行为数据，计算对应历史试验方案的重要程度；基于各属性相似度和对应历史试验方案的重要程度，计算待编写试验方案与对应历史试验方案之间的综合相似度；再次，对各综合相似度按照从大到小的顺序进行排序，并将前k个排序后的综合相似度对应的历史试验方案均确定为推荐试验方案；k为预设数值；按照待编写试验方案的需求选择一个推荐试验方案作为目标试验方案；最后，基于目标试验方案的试验方案结构树对待编写试验方案进行自动填充。从而高效完成了试验方案编写工作，减少了试验验证时间，提高了装备研制效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明实施例1提供的基于智能推荐的试验方案在线编写方法流程示意图；
图2为试验方案在线编写工作流程示意图；
图3为智能推荐流程示意图；
图4为试验方案在线编写工作系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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做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。
本发明的目的是提供一种基于智能推荐的试验方案在线编写方法、系统及电子设备，旨在高效完成试验方案编写工作，减少试验验证时间，提高装备研制效率。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
图1为本发明实施例1提供的基于智能推荐的试验方案在线编写方法流程示意图。图2为试验方案在线编写工作流程示意图。如图1和图2所示，本实施例中的基于智能推荐的试验方案在线编写方法，包括：
步骤101：确定待编写试验方案的试验方案属性，以及多种类型的历史试验方案的试验方案属性、用户行为数据和试验方案结构树。
其中，试验方案属性包括：试验类型、试验阶段和试验件类型，试验类型包括：强度试验、气动试验和隐身试验，试验阶段包括：方案阶段、初样阶段、正样阶段、定型阶段和批产阶段；试验件类型包括：整机、机身和部件，用户行为数据包括：最近一月使用次数、最近一季度使用次数、总使用次数、最近一月点赞数、最近一季度点赞数和总点赞数。
作为一种可选的实施方式，各历史试验方案的试验方案结构树的确定过程，包括：
基于各历史试验方案的试验方案属性对各历史试验方案进行分类，并提取出每一类历史试验方案的模板。
利用模板定制工具将各类历史试验方案的模板按章节名称形成结构树模版。
获取各历史试验方案的方案内容；方案内容的格式为word格式。
对各历史试验方案的方案内容按章节提取内容，并将提取到的内容关联到历史试验方案对应的结构树模版的节点上，得到对应历史试验方案的试验方案结构树。
具体的，步骤101具体包括：
(1)试验方案需求管理。
对待编写试验方案进行属性设置，确定需要编写的试验方案的试验类型、试验阶段、试验件类型等属性，为智能推荐算法提供输入条件。同时利用模板定制工具将试验方案模板定制在系统中，形成试验方案模板库，支撑试验方案的在线编写。
(2)历史试验方案获取。
获取包括强度试验、气动试验、隐身试验等类型试验的word格式的试验方案(试验大纲、试验细则等)及其所基于的模板。对历史试验方案进行试验类型、试验阶段、试验件类型等进行属性设置。
同时基于模板对历史试验方案进行结构化解析，以便针对性地对每个章节内容进行填充。
(1)按照试验方案属性对历史试验方案进行分类，提取出每一类试验方案的模板。
(2)利用模板定制工具将各类试验方案模板按章节名称形成结构树模型，并建立包括文字、图片、表格的内容存储模型。
(3)将word格式的方案内容按章节进行内容提取，其中文字、图片、表格进行分类提取，并关联到该结构树模型的相应的节点上，得到试验方案结构树。
步骤102：分别基于各历史试验方案的试验方案属性和待编写试验方案的试验方案属性，计算待编写试验方案与对应历史试验方案之间的属性相似度。
作为一种可选的实施方式，步骤102，包括：
步骤1021：将任一历史试验方案确定为当前历史试验方案。
步骤1022：对当前历史试验方案的试验方案属性进行抽取，形成多个当前历史试验方案属性向量。
步骤1023：对待编写试验方案的试验方案属性进行抽取，形成多个试验方案需求向量。
步骤1024：利用余弦相似度计算法，分别计算各当前历史试验方案属性向量和各试验方案需求向量之间的余弦相似度。
具体的，向量A和向量B之间的余弦相似度cosθ的计算公式为：
cosθ＝(A·B)/(|A|·|B|)。
其中，θ为向量A和向量B之间的夹角，|A|表示向量A的模长，|B|表示向量B的模长。
在进行余弦相似度计算过程中，每个词被赋予不同的维度，而每一个维度由一个向量表示，各个维度上的值对应于该词在方案内容中出现的频率，所以可以用来计算方案的相似度。cosθ的值越接近于1，相似度越高。
步骤1025：对各余弦相似度进行归一化处理，得到归一化后的余弦相似度。
第i个历史试验方案中的第j个试验方案属性与待编写试验方案中的第j个试验方案需求向量之间的余弦相似度的归一化处理公式为：
sij＝mij/(mi1+mi2+…+min)×100％。
其中，sij为第i个历史试验方案中的第j个试验方案属性对应的余弦相似度归一化之后的值，mij为第i个历史试验方案中的第j个试验方案属性对应的余弦相似度归一化之前的值，mi1为第i个历史试验方案中的第1个试验方案属性对应的余弦相似度归一化之前的值，mi2为第i个历史试验方案中的第2个试验方案属性对应的余弦相似度归一化之前的值，min为第i个历史试验方案中的第n个试验方案属性对应的余弦相似度归一化之前的值。
步骤1027：基于所有归一化后的余弦相似度，确定待编写试验方案与对应历史试验方案之间的属性相似度。
具体的，步骤1027包括：
(1)根据试验方案属性的重要程度进行权重分配，各试验方案属性的权重值pi在0到1之间，同时所有试验方案属性的权重值相加为1。
(2)利用加权求和法计算，待编写试验方案与对应历史试验方案之间的属性相似度，属性相似度的计算公式为：
Si＝si1×p1+si2×p2+…+sin×pn。
其中，Si为第i个历史试验方案与待编写试验方案之间的属性相似度，si1为第i个历史试验方案中的第1个试验方案属性对应的余弦相似度归一化之后的值，si2为第i个历史试验方案中的第2个试验方案属性对应的余弦相似度归一化之后的值，sin为第i个历史试验方案中的第n个试验方案属性对应的余弦相似度归一化之后的值，p1为第1个试验方案属性的权重值，p2第2个试验方案属性的权重值，pn为第n个试验方案属性的权重值。
步骤103：分别基于各历史试验方案的用户行为数据，计算对应历史试验方案的重要程度。
作为一种可选的实施方式，步骤103，包括：
步骤1031：将任一历史试验方案确定为当前历史试验方案。
步骤1032：基于当前历史试验方案的用户行为数据，确定多个当前用户行为特征向量。
步骤1033：对各当前用户行为特征向量进行归一化处理，得到归一化后的当前用户行为特征向量。
具体的，第i个历史试验方案中的第d个用户行为特征向量的归一化处理公式为：
gid＝fid/(fi1+fi2+…+fic)×100％。
其中，gid为第i个历史试验方案中的第d个用户行为特征向量归一化之后的值，fid为第i个历史试验方案中的第d个用户行为特征向量归一化之前的值，fi1为第i个历史试验方案中的第1个用户行为特征向量归一化之前的值，fi2为第i个历史试验方案中的第2个用户行为特征向量归一化之前的值，fic为第i个历史试验方案中的第c个用户行为特征向量归一化之前的值。
步骤1034：基于所有归一化后的当前用户行为特征向量，确定当前历史试验方案的重要程度。
具体的，步骤1034包括：
(1)权重分配：根据各用户行为特征向量的重要程度进行权重分配，各用户行为特征向量的权重值qi在0到1之间，同时所有用户行为特征向量的权重值相加为1。
(2)利用加权求和法对各历史试验方案的重要程度进行计算，重要程度计算公式为：
Gi＝gi1×q1+gi2×q2+…+gic×qc。
其中，Gi为第i个历史试验方案的重要程度，gi1为第i个历史试验方案中的第1个用户行为特征向量归一化之后的值，gi2为第i个历史试验方案中的第2个用户行为特征向量归一化之后的值，gic为第i个历史试验方案中的第c个用户行为特征向量归一化之后的值，q1为第1个用户行为特征向量的权重值，q2为第2个用户行为特征向量的权重值，qc为第c个用户行为特征向量的权重值。
步骤104：基于各属性相似度和对应历史试验方案的重要程度，计算待编写试验方案与对应历史试验方案之间的综合相似度。
作为一种可选的实施方式，步骤104，包括：
利用线性综合法，对各属性相似度和对应历史试验方案的重要程度，确定待编写试验方案与对应历史试验方案之间的综合相似度。
具体的，步骤104具体包括：
(1)根据推荐策略，如Top-N推荐、基于阈值的推荐等，设置试验方案属性的权重P1和重要程度的权重P2，且两者之和为1，从而得到更加符合用户需求的试验排序结果。
(2)利用线性综合法计算得到综合相似度，综合相似度的计算公式为：
Mi＝Si×P1+Gi×P2。
其中，Mi为第i个历史试验方案与待编写试验方案之间的综合相似度。
步骤105：对各综合相似度按照从大到小的顺序进行排序，并将前k个排序后的综合相似度对应的历史试验方案均确定为推荐试验方案；k为预设数值。
具体的，如图3所示，试验方案智能推荐时，基于属性(对应步骤102)、用户行为(对应步骤103)两方面实现试验方案的智能推荐，并通过综合指标计算结果对试验方案进行排序。
步骤106：按照待编写试验方案的需求选择一个推荐试验方案作为目标试验方案。
具体的，默认条件下，将排序靠前的前十个历史试验方案作为推荐试验方案给用户，用户通常需要选择排序第一的历史试验方案，但是当排序靠前的多个文档的综合计算结果分值很接近的情况下，用户就需要根据实际情况进行合理的选择。
步骤107：基于目标试验方案的试验方案结构树对待编写试验方案进行自动填充。
具体的，当用户选择好目标试验方案后，目标试验方案的各章节中的内容会自动填充到待编写试验方案中。对于其中与该试验不一致的相关内容需要进行人工修改，对于缺少的内容需要人工补充。通过以上处理完成待编写的试验方案的编写。试验方案完成后，在线编写的试验方案各章节内容是以结构化方式存储在数据库中的，利用试验方案模板将数据库中数据进行融合，并填充到word文档中形成试验方案。
为了实现实施例1中的方法如图4所示，还提供了一种试验方案在线编写工作系统，该系统包括：
试验方案需求管理模块：用于对待编写的试验方案属性设置及试验方案模板定制，支撑试验方案的在线编写。
历史试验方案获取模块：用于获取word格式的历史试验方案，并基于模板进行结构化，以便针对性地对每个章节内容进行填充。
试验方案智能推荐模块：用于实现基于属性、用户行为两方面的试验方案的智能推荐，并通过综合计算得到试验方案排序后推荐给用户。
智能推荐结果展示模块：用于智能推荐排序靠前的前十个试验方案的展示，方便用户预览与选择。
试验方案在线编写与导出模块：用于试验方案的在线编写，支持将在线编写的试验方案内容导出为word格式的文档。
实施例2
本实施例中的基于智能推荐的试验方案在线编写系统，包括：
获取模块，用于确定待编写试验方案的试验方案属性，以及多种类型的历史试验方案的试验方案属性、用户行为数据和试验方案结构树；试验方案属性包括：试验类型、试验阶段和试验件类型，试验类型包括：强度试验、气动试验和隐身试验，试验阶段包括：方案阶段、初样阶段、正样阶段、定型阶段和批产阶段；试验件类型包括：整机、机身和部件，用户行为数据包括：最近一月使用次数、最近一季度使用次数、总使用次数、最近一月点赞数、最近一季度点赞数和总点赞数。
属性相似度计算模块，用于分别基于各历史试验方案的试验方案属性和待编写试验方案的试验方案属性，计算待编写试验方案与对应历史试验方案之间的属性相似度。
重要程度计算模块，用于分别基于各历史试验方案的用户行为数据，计算对应历史试验方案的重要程度。
综合相似度计算模块，用于基于各属性相似度和对应历史试验方案的重要程度，计算待编写试验方案与对应历史试验方案之间的综合相似度。
推荐试验方案确定模块，用于对各综合相似度按照从大到小的顺序进行排序，并将前k个排序后的综合相似度对应的历史试验方案均确定为推荐试验方案；k为预设数值。
目标试验方案确定模块，用于按照待编写试验方案的需求选择一个推荐试验方案作为目标试验方案。
填充模块，用于基于目标试验方案的试验方案结构树对待编写试验方案进行自动填充。
实施例3
一种电子设备，包括存储器及处理器，存储器用于存储计算机程序，处理器运行计算机程序以使电子设备执行实施例1中的基于智能推荐的试验方案在线编写方法。
作为一种可选的实施方式，存储器为可读存储介质。
本发明的有益效果：
(1)工作效率提升：基于文档编辑智能提示和智能推荐算法，减少大量复制、粘贴的重复操作，并通过在线协同大大提高文档编辑效率。
(2)知识不断积累：基于用户可定制化模板工具，实现企业知识的固化；同时基于该模板生成的大量文档不断产生，实现企业知识的不断积累。
(3)促进数字化转型：通过改变传统基于文档的系统工程模式，转变为MBSE(基于模型的系统工程)模式，有助于逐步实现试验业务的设计、准备、实施、评估全过程的数字化转型。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种基于智能推荐的试验方案在线编写方法，其特征在于，所述方法包括：
确定待编写试验方案的试验方案属性，以及多种类型的历史试验方案的试验方案属性、用户行为数据和试验方案结构树；所述试验方案属性包括：试验类型、试验阶段和试验件类型，所述试验类型包括：强度试验、气动试验和隐身试验，所述试验阶段包括：方案阶段、初样阶段、正样阶段、定型阶段和批产阶段；所述试验件类型包括：整机、机身和部件，所述用户行为数据包括：最近一月使用次数、最近一季度使用次数、总使用次数、最近一月点赞数、最近一季度点赞数和总点赞数；
分别基于各所述历史试验方案的试验方案属性和所述待编写试验方案的试验方案属性，计算所述待编写试验方案与对应历史试验方案之间的属性相似度；
分别基于各所述历史试验方案的用户行为数据，计算对应历史试验方案的重要程度；
基于各所述属性相似度和对应历史试验方案的重要程度，计算所述待编写试验方案与对应历史试验方案之间的综合相似度；
对各所述综合相似度按照从大到小的顺序进行排序，并将前k个排序后的综合相似度对应的历史试验方案均确定为推荐试验方案；k为预设数值；
按照待编写试验方案的需求选择一个所述推荐试验方案作为目标试验方案；
基于所述目标试验方案的试验方案结构树对所述待编写试验方案进行自动填充。
2.根据权利要求1所述的基于智能推荐的试验方案在线编写方法，其特征在于，各历史试验方案的试验方案结构树的确定过程，包括：
基于各所述历史试验方案的试验方案属性对各所述历史试验方案进行分类，并提取出每一类历史试验方案的模板；
利用模板定制工具将各类历史试验方案的模板按章节名称形成结构树模版；
获取各所述历史试验方案的方案内容；所述方案内容的格式为word格式；
对各所述历史试验方案的方案内容按章节提取内容，并将提取到的内容关联到历史试验方案对应的结构树模版的节点上，得到对应历史试验方案的试验方案结构树。
3.根据权利要求1所述的基于智能推荐的试验方案在线编写方法，其特征在于，分别基于各所述历史试验方案的试验方案属性和所述待编写试验方案的试验方案属性，计算所述待编写试验方案与对应历史试验方案之间的属性相似度，包括：
将任一历史试验方案确定为当前历史试验方案；
对所述当前历史试验方案的试验方案属性进行抽取，形成多个当前历史试验方案属性向量；
对所述待编写试验方案的试验方案属性进行抽取，形成多个试验方案需求向量；
利用余弦相似度计算法，分别计算各所述当前历史试验方案属性向量和各所述试验方案需求向量之间的余弦相似度；
对各所述余弦相似度进行归一化处理，得到归一化后的余弦相似度；
基于所有归一化后的余弦相似度，确定所述待编写试验方案与对应历史试验方案之间的属性相似度。
4.根据权利要求1所述的基于智能推荐的试验方案在线编写方法，其特征在于，分别基于各所述历史试验方案的用户行为数据，计算对应历史试验方案的重要程度，包括：
将任一历史试验方案确定为当前历史试验方案；
基于当前历史试验方案的用户行为数据，确定多个当前用户行为特征向量；
对各所述当前用户行为特征向量进行归一化处理，得到归一化后的当前用户行为特征向量；
基于所有归一化后的当前用户行为特征向量，确定所述当前历史试验方案的重要程度。
5.根据权利要求1所述的基于智能推荐的试验方案在线编写方法，其特征在于，基于各所述属性相似度和对应历史试验方案的重要程度，计算所述待编写试验方案与对应历史试验方案之间的综合相似度，包括：
利用线性综合法，对各所述属性相似度和对应历史试验方案的重要程度，确定所述待编写试验方案与对应历史试验方案之间的综合相似度。
6.一种基于智能推荐的试验方案在线编写系统，其特征在于，所述系统包括：
获取模块，用于确定待编写试验方案的试验方案属性，以及多种类型的历史试验方案的试验方案属性、用户行为数据和试验方案结构树；所述试验方案属性包括：试验类型、试验阶段和试验件类型，所述试验类型包括：强度试验、气动试验和隐身试验，所述试验阶段包括：方案阶段、初样阶段、正样阶段、定型阶段和批产阶段；所述试验件类型包括：整机、机身和部件，所述用户行为数据包括：最近一月使用次数、最近一季度使用次数、总使用次数、最近一月点赞数、最近一季度点赞数和总点赞数；
属性相似度计算模块，用于分别基于各所述历史试验方案的试验方案属性和所述待编写试验方案的试验方案属性，计算所述待编写试验方案与对应历史试验方案之间的属性相似度；
重要程度计算模块，用于分别基于各所述历史试验方案的用户行为数据，计算对应历史试验方案的重要程度；
综合相似度计算模块，用于基于各所述属性相似度和对应历史试验方案的重要程度，计算所述待编写试验方案与对应历史试验方案之间的综合相似度；
推荐试验方案确定模块，用于对各所述综合相似度按照从大到小的顺序进行排序，并将前k个排序后的综合相似度对应的历史试验方案均确定为推荐试验方案；k为预设数值；
目标试验方案确定模块，用于按照待编写试验方案的需求选择一个所述推荐试验方案作为目标试验方案；
填充模块，用于基于所述目标试验方案的试验方案结构树对所述待编写试验方案进行自动填充。
7.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行权利要求1至5中任一项所述的基于智能推荐的试验方案在线编写方法。
8.根据权利要求7所述的一种电子设备，其特征在于，所述存储器为可读存储介质。
CN202311557756.1A 2023-11-21 2023-11-21 基于智能推荐的试验方案在线编写方法、系统及电子设备 Pending CN117592451A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311557756.1A CN117592451A (zh) 2023-11-21 2023-11-21 基于智能推荐的试验方案在线编写方法、系统及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311557756.1A CN117592451A (zh) 2023-11-21 2023-11-21 基于智能推荐的试验方案在线编写方法、系统及电子设备

Publications (1)

Publication Number Publication Date
CN117592451A true CN117592451A (zh) 2024-02-23

Family

ID=89917637

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311557756.1A Pending CN117592451A (zh) 2023-11-21 2023-11-21 基于智能推荐的试验方案在线编写方法、系统及电子设备

Country Status (1)

Country Link
CN (1) CN117592451A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110245080A (zh) * 2019-05-28 2019-09-17 厦门美柚信息科技有限公司 生成场景测试用例的方法及装置
CN110647631A (zh) * 2018-06-25 2020-01-03 阿里巴巴集团控股有限公司 案例推荐的方法及装置、存储介质、处理器
CN110738033A (zh) * 2018-07-03 2020-01-31 百度在线网络技术（北京）有限公司 报告模板生成方法、装置及存储介质
CN112989025A (zh) * 2021-04-13 2021-06-18 山东科技大学 一种基于主题模型和用户行为数据的文本写作实时推荐方法
CN113254354A (zh) * 2021-07-02 2021-08-13 南昌航空大学 测试用例推荐方法、装置、可读存储介质及电子设备
CN116487041A (zh) * 2023-03-28 2023-07-25 江苏亚寰软件股份有限公司 一种基于机器学习的糖尿病健康管理方案推荐方法
US20230267271A1 (en) * 2022-02-24 2023-08-24 Research Factory And Publication Inc. Auto conversion system and method of manuscript format

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110647631A (zh) * 2018-06-25 2020-01-03 阿里巴巴集团控股有限公司 案例推荐的方法及装置、存储介质、处理器
CN110738033A (zh) * 2018-07-03 2020-01-31 百度在线网络技术（北京）有限公司 报告模板生成方法、装置及存储介质
CN110245080A (zh) * 2019-05-28 2019-09-17 厦门美柚信息科技有限公司 生成场景测试用例的方法及装置
CN112989025A (zh) * 2021-04-13 2021-06-18 山东科技大学 一种基于主题模型和用户行为数据的文本写作实时推荐方法
CN113254354A (zh) * 2021-07-02 2021-08-13 南昌航空大学 测试用例推荐方法、装置、可读存储介质及电子设备
US20230267271A1 (en) * 2022-02-24 2023-08-24 Research Factory And Publication Inc. Auto conversion system and method of manuscript format
CN116487041A (zh) * 2023-03-28 2023-07-25 江苏亚寰软件股份有限公司 一种基于机器学习的糖尿病健康管理方案推荐方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
龙婧等: "面向智能写作的混合推荐模型研究", 电力信息与通信技术, vol. 17, no. 4, 15 April 2019 (2019-04-15), pages 56 - 61 *

Similar Documents

Publication Publication Date Title
US6098061A (en) Computer system for interactive help using human-understandable knowledge and computer-understandable knowledge
CN106874244B (zh) 一种基于工作序列的文档自动生成模型的构建方法
US11556702B2 (en) Orchestration of crud operations for a hierarchical web service data model in a spreadsheet
CN111290813B (zh) 一种软件界面字段数据标准化的方法、装置、设备和介质
CN111784108B (zh) 一种主数据管理平台的建模方法和装置
CN112507973A (zh) 一种基于ocr技术的文本和图片识别系统
CN112561253A (zh) 基于生产计划的订单分派方法、系统、平台及存储介质
CN108829651A (zh) 一种公文处理的方法、装置、终端设备及存储介质
CN112396322A (zh) 一种基于生产计划的制程工艺单产能评估方法及系统
WO2022127349A1 (zh) 一种检查报告生成方法、生成系统、设备及存储介质
CN117709866A (zh) 一种标书生成方法及系统、计算机可读存储介质
CN117592451A (zh) 基于智能推荐的试验方案在线编写方法、系统及电子设备
CN113255303B (zh) 一种文档辅助编辑的方法和系统
CN107844639B (zh) 一种项目标准结构自动生成方法及系统
CN113705180A (zh) 一种文档编审方法、装置、电子设备及存储介质
CN116956838A (zh) 工程量清单的项目确定方法及确定装置
CN114035783A (zh) 一种软件代码知识图谱构建方法及工具
CN103177064A (zh) 一种自动取录电子文档中指定内容的方法
CN109634606A (zh) 一种定义功能菜单的方法及装置
JPH06214768A (ja) プログラム部品作成方法及びプログラム自動生成方法
CN116860227B (zh) 一种基于大数据etl脚本编排的数据开发系统及方法
JP3695410B2 (ja) 生産技術の管理方法及びそのための装置
CN113190514B (zh) 一种电子文档按照优先顺序录入数据的方法
JP2001273342A (ja) 製品製造方法と製品製造支援方法
CN111461653A (zh) 面向飞机制造的结构化工艺规范编制系统及编制方法

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
CB03 Change of inventor or designer information

Inventor after: Wu Yanjun

Inventor after: Qin Jiashen

Inventor after: Gong Zhiqiang

Inventor after: Nan Fuchun

Inventor after: Hong Xuechao

Inventor after: Zhou Bo

Inventor before: Wu Yanjun

Inventor before: Gong Zhiqiang

Inventor before: Nan Fuchun

Inventor before: Hong Xuechao

Inventor before: Zhou Bo

CB03 Change of inventor or designer information