劉 陽(yáng),張冠偉,王 磊,張 奇

(天津大學(xué)機(jī)械工程學(xué)院,天津 300350)

0 引言

我國(guó)制造業(yè)自改革開(kāi)放以來(lái)取得了較高水平的發(fā)展,但是仍然存在著經(jīng)濟(jì)負(fù)荷嚴(yán)重、資源消耗大、附加價(jià)值低的情況,許多產(chǎn)業(yè)制造資源沒(méi)有統(tǒng)一的管理方法,難以高效利用[1]。李伯虎等[2]提出了云制造的概念,介紹了云制造的內(nèi)在原理和技術(shù)框架,隨著云制造的提出,制造企業(yè)開(kāi)始使用云計(jì)算、大數(shù)據(jù)等技術(shù)服務(wù)和表達(dá)各種制造資源,并幫助用戶獲取質(zhì)量較高的資源服務(wù),但目前云制造發(fā)展尚不完善,技術(shù)體系不夠完整,企業(yè)應(yīng)對(duì)產(chǎn)品加工需求時(shí)資源推薦質(zhì)量仍然不高。

基于知識(shí)圖譜的制造資源推薦方法能夠有效提高資源的利用效率,國(guó)內(nèi)外已經(jīng)有很多學(xué)者對(duì)制造資源的推薦方法有所研究,制造資源推薦架構(gòu)可以總結(jié)為,根據(jù)用戶提出的服務(wù)需求和企業(yè)內(nèi)部制造資源構(gòu)建描述模型,然后通過(guò)相關(guān)的資源推薦方法,得到滿足要求的資源。

在制造資源和需求模型的表達(dá)方面,畢筱雪[3]基于語(yǔ)義構(gòu)建制造資源模型,實(shí)現(xiàn)制造資源在云制造環(huán)境下的本體建模與服務(wù)化封裝。吳斌等[4]提出了需求的定義,通過(guò)產(chǎn)品將抽象的需求以具象的視覺(jué)方式表達(dá)出來(lái)。于澤源等[5]利用三元組對(duì)需求信息進(jìn)行表達(dá),涵蓋基本原理、設(shè)計(jì)過(guò)程、規(guī)范標(biāo)準(zhǔn)等不同的需求類型。徐進(jìn)[6]從三維圖檔案中抽取零件實(shí)體和關(guān)系,并將裝配設(shè)計(jì)規(guī)范融入到模型中。

在制造資源的匹配和推薦方面,李新等[7]融合領(lǐng)域匹配和功能匹配,解決了云制造環(huán)境下資源搜索效率不高的問(wèn)題。楊娟等[8]將需求和服務(wù)之間的匹配劃分為原子匹配、擴(kuò)展匹配和產(chǎn)品匹配,采用了語(yǔ)義相似度和結(jié)構(gòu)匹配算法相融合的循環(huán)遞歸設(shè)計(jì)方法。殷亮等[9]提出了雙層規(guī)劃模型,并利用改進(jìn)的遺傳算法進(jìn)行求解,解決資源配置問(wèn)題。陳映蓮[10]從供需雙方的利益、匹配的優(yōu)先級(jí)、匹配的質(zhì)量、雙方的滿意度4個(gè)方面出發(fā),致力于同時(shí)提高供需雙方的滿意度。鄭杰等[11]融合神經(jīng)網(wǎng)絡(luò)模型,通過(guò)智能推薦方法提高推薦的效率和質(zhì)量。

針對(duì)上述問(wèn)題,構(gòu)建了一種基于知識(shí)圖譜的制造資源推薦方法,從制造領(lǐng)域知識(shí)圖譜的生成、資源的綜合推薦兩個(gè)方面實(shí)現(xiàn)該方法的表達(dá),旨在面向產(chǎn)品制造加工,探索制造領(lǐng)域知識(shí)圖譜的構(gòu)建方法,并基于所構(gòu)建的知識(shí)圖譜進(jìn)行制造資源的推薦,提高企業(yè)服務(wù)質(zhì)量和資源利用率。

1 制造資源推薦方法的整體模型

制造資源推薦方法的整體模型如圖1所示,主要包括兩個(gè)模塊。

圖1 制造資源推薦方法的整體模型

(1)面向產(chǎn)品加工的制造領(lǐng)域知識(shí)圖譜構(gòu)建模塊。構(gòu)建知識(shí)圖譜的數(shù)據(jù)來(lái)自于企業(yè)內(nèi)部已有數(shù)據(jù)庫(kù)、未規(guī)劃分類的數(shù)據(jù)資源和實(shí)體資源組成的制造資源以及產(chǎn)品制造圖紙、文本、數(shù)據(jù)組成的需求資源,針對(duì)相關(guān)數(shù)據(jù)進(jìn)行信息提取,運(yùn)用本體建模、知識(shí)抽取等技術(shù),獲取制造領(lǐng)域信息的知識(shí)表達(dá),最后利用圖數(shù)據(jù)庫(kù)完成知識(shí)存儲(chǔ)和可視化表達(dá)。

(2)基于知識(shí)圖譜嵌入的制造資源推薦模塊。提出一種制造資源雙重推薦方法,以構(gòu)建的制造領(lǐng)域知識(shí)圖譜為基礎(chǔ),運(yùn)用知識(shí)圖譜嵌入實(shí)現(xiàn)知識(shí)圖譜的向量化表示,然后利用相似度排序技術(shù),以基本特征為匹配目標(biāo),實(shí)現(xiàn)制造資源初步匹配。同時(shí),為提高推薦質(zhì)量,融合制造資源服務(wù)質(zhì)量推薦指標(biāo),完成資源的雙重匹配,實(shí)現(xiàn)基于需求單元的制造資源的推薦。

2 制造領(lǐng)域知識(shí)圖譜的構(gòu)建

知識(shí)圖譜是一個(gè)巨大的知識(shí)庫(kù),它以統(tǒng)一的規(guī)范連接和存儲(chǔ)來(lái)自世界各地的知識(shí)。知識(shí)圖譜有通用圖譜和領(lǐng)域圖譜兩類,其中,領(lǐng)域圖譜面向縱向需求,更多集中于專業(yè)領(lǐng)域的研究。知識(shí)圖譜的構(gòu)建模式主要可以分為自頂向下和自底向上,自頂向下即模型構(gòu)建在先,然后將數(shù)據(jù)填充到模型庫(kù)中,而自底向上則是優(yōu)先從數(shù)據(jù)層入手抽取相關(guān)數(shù)據(jù)。制造領(lǐng)域知識(shí)圖譜的構(gòu)建采用自頂向下和自底向上相結(jié)合的方法,自頂向下構(gòu)建制造領(lǐng)域本體作為圖譜的模式層,再對(duì)企業(yè)內(nèi)部的數(shù)據(jù)資源進(jìn)行提取,構(gòu)建知識(shí)圖譜的數(shù)據(jù)層。其中,需要處理的數(shù)據(jù)可能是結(jié)構(gòu)化的,也可能是半結(jié)構(gòu)化或者非結(jié)構(gòu)化的,對(duì)于這樣的數(shù)據(jù),采用實(shí)體抽取和關(guān)系抽取的方法進(jìn)行數(shù)據(jù)處理,加入到知識(shí)庫(kù)中,最后將三元組信息進(jìn)行存儲(chǔ),實(shí)現(xiàn)知識(shí)圖譜的表達(dá)。

2.1 領(lǐng)域本體模型構(gòu)建

本體是一種知識(shí)表示方法,可以表示概念之間的關(guān)系,采用本體構(gòu)建7步法,表示出需求信息和制造資源的概念及關(guān)系,作為制造領(lǐng)域知識(shí)圖譜的模式層。采用自頂向下的層次結(jié)構(gòu)方法,根據(jù)產(chǎn)品制造加工的相關(guān)需求,將制造領(lǐng)域知識(shí)繼續(xù)細(xì)分為制造資源知識(shí)和產(chǎn)品制造加工知識(shí)兩個(gè)概念,其中,制造資源知識(shí)繼續(xù)分為人力資源、設(shè)備資源、技術(shù)資源、場(chǎng)地資源和外部資源,不同資源再分為不同的設(shè)備、技術(shù)等,產(chǎn)品制造加工知識(shí)繼續(xù)分為不同的需求知識(shí)。建立4種概念間的關(guān)系,分別是part-of(局部與整體的關(guān)系)、kind-of(父類與子類之間的關(guān)系)、instance-of(類與實(shí)例之間的關(guān)系)、attribute-of(類的屬性,包括對(duì)象屬性和數(shù)據(jù)屬性)。采用protégé本體建模方法整合上述本體模型構(gòu)建過(guò)程,protégé建模界面如圖2所示。

圖2 protégé建模界面

2.2 實(shí)體抽取

采用深度學(xué)習(xí)的方法對(duì)文本型的資源數(shù)據(jù)進(jìn)行實(shí)體抽取,針對(duì)基于知識(shí)圖譜的制造資源推薦方法的研究,主要進(jìn)行產(chǎn)品制造需求和企業(yè)制造資源的描述文檔中實(shí)體的識(shí)別。進(jìn)行實(shí)體抽取任務(wù)時(shí),要準(zhǔn)備好訓(xùn)練集、驗(yàn)證集和測(cè)試集。進(jìn)行實(shí)體抽取之前,需要對(duì)文本進(jìn)行標(biāo)注,為模型提供訓(xùn)練集,采用BIO標(biāo)注方法進(jìn)行標(biāo)注,B、I、O分別表示實(shí)體的開(kāi)始、中間字符和尾部字符及其他不屬于實(shí)體的內(nèi)容,并建立實(shí)體標(biāo)簽用來(lái)表示不同類型的實(shí)體,文本標(biāo)注方法如圖3所示。

圖3 文本標(biāo)注方法

文本標(biāo)注預(yù)處理之后,需要采用詞嵌入技術(shù)對(duì)文本進(jìn)行向量化表示。在模型的選擇上,采用基于BiLSTM-CRF模型的深度學(xué)習(xí)方法實(shí)現(xiàn)知識(shí)的提取,圖4為BiLSTM-CRF模型的基本框架,BiLSTM通過(guò)將輸入序列同時(shí)接入前向LSTM和后向LSTM,并將這兩個(gè)LSTM層共同接入到輸出層,可以充分利用輸入序列的上下文信息。CRF條件隨機(jī)場(chǎng)是一種判定模型,它的作用是可以對(duì)輸出進(jìn)行分析,尋找其中的聯(lián)系,用來(lái)預(yù)測(cè)序列。BiLSTM的輸入是訓(xùn)練好的詞向量,輸出是某一單詞對(duì)應(yīng)各個(gè)類別的分?jǐn)?shù)。

圖4 BiLSTM-CRF模型的基本框架

2.3 知識(shí)圖譜可視化表示

得到實(shí)體標(biāo)簽后,通過(guò)分類器對(duì)實(shí)體進(jìn)行關(guān)系識(shí)別和建立,此過(guò)程可基于開(kāi)源的機(jī)器學(xué)習(xí)庫(kù)Scikit-learn實(shí)現(xiàn)。由此,便可以得到實(shí)體與關(guān)系的三元組數(shù)據(jù),并基于機(jī)械制造領(lǐng)域相關(guān)規(guī)范完成知識(shí)的融合,再使用圖數(shù)據(jù)庫(kù)Neo4j映射實(shí)體間的關(guān)系,并得到可視化圖譜。

Neo4j是目前使用最為廣泛的圖數(shù)據(jù)庫(kù),采用Cypher語(yǔ)言,將得到的實(shí)體和關(guān)系數(shù)據(jù)存入結(jié)構(gòu)化的CSV文件中,編寫Neo4j導(dǎo)入節(jié)點(diǎn)和關(guān)系程序,可以自動(dòng)導(dǎo)入數(shù)據(jù),實(shí)現(xiàn)制造領(lǐng)域知識(shí)圖譜的生成。

3 基于知識(shí)圖譜的制造資源推薦

制造資源推薦需要以零件的需求信息為依據(jù),在滿足各類設(shè)計(jì)和加工的條件下,從可選的制造資源范圍內(nèi)選擇最為精確合適的制造資源。是制造領(lǐng)域知識(shí)圖譜應(yīng)用的重要方式,其推薦質(zhì)量直接影響到產(chǎn)品的生產(chǎn)加工以及后續(xù)的使用。因此本文提出一種雙重推薦方法,通過(guò)基本特征匹配和資源服務(wù)匹配,采用知識(shí)圖譜嵌入、相似度分析、Qos服務(wù)匹配等方法,得到最優(yōu)的資源推薦,保證制造資源推薦的質(zhì)量。

3.1 知識(shí)圖譜嵌入方法

知識(shí)圖譜由實(shí)體和關(guān)系構(gòu)成,為實(shí)現(xiàn)產(chǎn)品制造加工需求信息和制造資源信息在知識(shí)圖譜中的結(jié)構(gòu)化表示,知識(shí)圖譜的邊采用事實(shí)三元組的形式進(jìn)行表達(dá):

T=(h,r,t)

(1)

式中:h代表頭實(shí)體,t代表尾實(shí)體,r代表頭尾實(shí)體的關(guān)系。

知識(shí)圖譜嵌入可以將知識(shí)圖譜中的實(shí)體和關(guān)系表示為低維向量,采用TransE模型實(shí)現(xiàn)知識(shí)圖譜嵌入,將實(shí)體和關(guān)系映射到同一空間。將關(guān)系r看作頭實(shí)體h向尾實(shí)體t的平移操作,該模型的訓(xùn)練目標(biāo)是通過(guò)訓(xùn)練制造領(lǐng)域知識(shí)圖譜中已存在的三元組,使實(shí)體和關(guān)系的向量滿足h+r-t=0,則該三元組正確性越高。

TransE模型的損失函數(shù)定義為:

(2)

式中:γ為超參數(shù),取值預(yù)先設(shè)定;(h,r,t)表示正確三元組,(h′,r,t′)表示錯(cuò)誤的三元組,G表示正確的三元組集合,G′表示錯(cuò)誤的三元組集合,d(h+r,t)表示三元組的勢(shì)能函數(shù),可以將其取為L(zhǎng)1或L2范數(shù)。

對(duì)于正確的三元組,其勢(shì)能越低,則代表兩個(gè)實(shí)體越接近,而對(duì)于錯(cuò)誤的三元組,則希望其勢(shì)能越高越好。從知識(shí)圖譜中選取盡可能多的實(shí)體數(shù)據(jù),并抽取其中的三元組,同時(shí)需要為實(shí)體構(gòu)造關(guān)系索引,以此構(gòu)建實(shí)驗(yàn)所需訓(xùn)練集。因?yàn)橹R(shí)圖譜中存在的三元組都是正確的,因此為了模型訓(xùn)練需要,使用替換法獲取錯(cuò)誤三元組,在訓(xùn)練過(guò)程中,隨機(jī)替換頭尾實(shí)體,獲取錯(cuò)誤三元組,即負(fù)樣本,然后通過(guò)隨機(jī)梯度下降方法,不斷對(duì)損失函數(shù)進(jìn)行優(yōu)化,獲得合格的嵌入向量。

3.2 制造資源雙重推薦方法

制造資源進(jìn)行加工服務(wù)時(shí)不僅需要考慮資源的加工屬性是否滿足制造要求,其服務(wù)質(zhì)量也是重要的考察因素,制造企業(yè)不僅要保證產(chǎn)品功能的實(shí)現(xiàn),還要在自身服務(wù)質(zhì)量上不斷提升。從目前的研究來(lái)看,一般的制造資源推薦只是滿足特征的適應(yīng)度,僅僅考慮資源的加工屬性是否滿足制造要求,往往只面向產(chǎn)品需求和制造資源之間的特征關(guān)系進(jìn)行匹配,因此,本文提出一種基于制造資源雙重推薦方法,使得最終的候選資源在功能屬性和服務(wù)質(zhì)量上都有很好的表現(xiàn)。

制造資源雙重推薦方法分為兩部分,首先是基本特征的匹配過(guò)程,基于知識(shí)圖譜嵌入方法獲得實(shí)體對(duì)的向量表示后,采用向量的相似度計(jì)算方法,從制造資源知識(shí)圖譜中尋找與需求信息知識(shí)圖譜中某特征的向量相似度較高的資源實(shí)體。

在基本特征匹配之后,從企業(yè)的歷史制造數(shù)據(jù)庫(kù)中選取相關(guān)已完成的加工任務(wù)數(shù)據(jù)資料,從資源的Qos服務(wù)方面出發(fā),利用服務(wù)質(zhì)量指標(biāo)對(duì)候選制造資源集進(jìn)行評(píng)分計(jì)算。將Qos服務(wù)定義為加工時(shí)效PT、成本水平CL、加工質(zhì)量PQ、滿意度S四個(gè)指標(biāo)。資源加工時(shí)效表示為:

(3)

式中:Ta表示所選資源完成其加工任務(wù)的平均時(shí)間,Tave表示所有同類加工資源完成該加工任務(wù)的平均時(shí)間。

成本水平表示為:

(4)

式中:Ca表示所選資源完成其加工任務(wù)的成本,Cave表示企業(yè)內(nèi)所有同類加工資源完成該加工任務(wù)的平均成本。

加工質(zhì)量表示為:

(5)

式中:Qa表示所選加工資源所有加工任務(wù)中合格任務(wù)的數(shù)量,Qe表示完成加工任務(wù)總數(shù)。

滿意度表示為:

(6)

式中:Si表示以往每次產(chǎn)品制造加工得到的用戶滿意度評(píng)分。

利用各資源的Qos參數(shù)可構(gòu)建評(píng)價(jià)矩陣Q,Q中包含n個(gè)制造資源的4項(xiàng)評(píng)價(jià)指標(biāo)。

加工質(zhì)量PQ和滿意度S的值均在[0,1]內(nèi),可以直接參與計(jì)算,而資源加工時(shí)效PT和成本水平指標(biāo)CL需要進(jìn)行歸一化處理,計(jì)算方法為:

(7)

式中:PT′和CL′表示歸一化處理后的資源加工時(shí)效和成本水平指標(biāo),P(i)表示歷史數(shù)據(jù)庫(kù)中所有有加工時(shí)間記錄的資源個(gè)體,Q(i)表示所有有成本記錄的資源個(gè)體。

采用變異系數(shù)法確定各指標(biāo)的權(quán)重系數(shù):

(8)

根據(jù)變異系數(shù)可以得到權(quán)重ωi為:

(9)

通過(guò)上述方法,對(duì)特征匹配得到的候選制造資源進(jìn)行權(quán)重計(jì)算,并對(duì)4種指標(biāo)賦權(quán)求和得到Qos評(píng)分分?jǐn)?shù),依照得分情況對(duì)制造資源進(jìn)行排名,設(shè)立資源選擇分?jǐn)?shù),選擇排名最高的一組或幾組制造資源作為基于知識(shí)圖譜的制造資源推薦方法的結(jié)果。

4 實(shí)例驗(yàn)證

現(xiàn)有一家項(xiàng)目合作企業(yè),利用企業(yè)內(nèi)的一機(jī)器人手臂零件的制造任務(wù)驗(yàn)證基于知識(shí)圖譜的制造資源推薦方法,其零件圖如圖5所示。

圖5 機(jī)器人手臂零件圖

首先根據(jù)加工特征以及工藝規(guī)則將其加工任務(wù)分為不同的任務(wù)單元,如表1所示。

表1 零件任務(wù)信息

選擇制造任務(wù)單元RT1銑平面的加工任務(wù),將其特征描述為{平面,銑削,45鋼,132.5,Ra6.3},依照第2.1～2.3節(jié)中的制造領(lǐng)域知識(shí)圖譜構(gòu)建方法,首先構(gòu)建制造資源本體模型,然后進(jìn)行知識(shí)抽取。

整合企業(yè)內(nèi)部的文本數(shù)據(jù)和資料,數(shù)據(jù)示例如表2所示。

表2 數(shù)據(jù)示例

按照BIO標(biāo)注方法進(jìn)行預(yù)處理,得到的文本數(shù)據(jù)集共10 353條,按3∶1∶1分成訓(xùn)練集、驗(yàn)證集和測(cè)試集。設(shè)置好模型參數(shù),啟動(dòng)模型,進(jìn)行模型訓(xùn)練,為評(píng)價(jià)訓(xùn)練效果是否達(dá)到預(yù)期,設(shè)定模型評(píng)價(jià)指標(biāo)為準(zhǔn)確率、召回率和F1分?jǐn)?shù)。同時(shí)為了比較BiLSTM-CRF模型與其他模型的可靠程度,加入HMM模型,用同樣的數(shù)據(jù)集進(jìn)行實(shí)驗(yàn),得到各實(shí)體標(biāo)簽在訓(xùn)練中的準(zhǔn)確率、召回率和F1分?jǐn)?shù)如圖6所示。

(a) HMM模型 (b) BiLSTM-CRF模型圖6 不同模型的實(shí)體標(biāo)簽評(píng)價(jià)指標(biāo)數(shù)值

根據(jù)實(shí)驗(yàn)結(jié)果可以看到,BiLSTM-CRF模型的效果明顯好于HMM模型。因此,采用BiLSTM-CRF模型完成知識(shí)抽取任務(wù),并將實(shí)體和關(guān)系導(dǎo)入Neo4j,構(gòu)建出制造領(lǐng)域知識(shí)圖譜,其局部示意圖如圖7所示。

圖7 制造資源知識(shí)圖譜局部示意圖

根據(jù)知識(shí)圖譜嵌入方法,利用TransE模型,實(shí)現(xiàn)知識(shí)圖譜的向量化?；赥ransE模型得到向量表示后即可通過(guò)向量值的計(jì)算來(lái)衡量各資源特征的相似程度,采用余弦相似度計(jì)算方法計(jì)算向量之間的相似度,計(jì)算公式為:

(10)

式中:n是向量維度值,ai∈A=[a1,a2,…,an],bi∈B=[b1,b2,…,bn]。

在基本特征匹配中,利用不同節(jié)點(diǎn)的向量化和相似度計(jì)算,得到與需求特征實(shí)體訓(xùn)練所得向量相匹配的相似特征向量。以上述任務(wù)單元為例,將該特征視作目標(biāo)特征,通過(guò)知識(shí)圖譜嵌入,得到100維向量,以余弦相似度尋找相似特征向量,以余弦相似度尋找相似特征向量,按照相似度由高到低排序,如圖8所示。

圖8 相似特征匹配示意圖

經(jīng)過(guò)計(jì)算后相似特征的向量相似度排序如表3所示,可以看出,符合與目標(biāo)特征相似的3個(gè)制造特征中,特征類型均為外圓,全部符合;材料特征方面,與目標(biāo)特征一致的是鋁合金,然后是45鋼;表面粗糙度方面,最為符合的是Ra1.25,第2名的特征為Ra0.32,第3名是Ra3.2;加工精度方面,最符合的是IT7,第2名是IT8;加工路線方面,最為符合的是編號(hào)為Z014的特征,第2名為編號(hào)Z015的加工路線。在進(jìn)行選擇時(shí),相似特征的相似度越高,則其在制造信息上更符合目標(biāo)特征,根據(jù)此方法選擇得到排名較高的若干制造特征,然后根據(jù)其連接關(guān)系確定制造資源的名稱,得到制造資源初步候選集,并進(jìn)行下一步資源匹配。

表3 相似單元排序信息

設(shè)定候選集數(shù)量為4,利用所述方法,選擇排名前4的制造資源,得到如表4所示的制造資源初步候選集,并統(tǒng)計(jì)這些制造資源的加工時(shí)效、成本水平、加工質(zhì)量、滿意度指標(biāo)填入表4中。

表4 制造資源初步候選集

歸一化處理后,得到評(píng)價(jià)矩陣Q′為:

計(jì)算得到4種指標(biāo)的標(biāo)準(zhǔn)差和平均值,再根據(jù)式(8)和式(9)計(jì)算得出各指標(biāo)的變異系數(shù)和權(quán)重,如表5所示。

表5 各指標(biāo)的變異系數(shù)和權(quán)重

以權(quán)重設(shè)立制造資源服務(wù)評(píng)分函數(shù),計(jì)算得權(quán)重為{ω1,ω2,ω3,ω4=0.35,0.25,0.18,0.22},對(duì)4種指標(biāo)賦權(quán)求和,并依照得分情況對(duì)制造資源進(jìn)行排序,如表6所示。

表6 制造資源服務(wù)匹配排序

以任務(wù)單元RT1的匹配過(guò)程為例,分別計(jì)算得到其他任務(wù)單元的制造資源服務(wù)匹配排名,設(shè)立優(yōu)選目標(biāo)分?jǐn)?shù),實(shí)現(xiàn)對(duì)制造資源初步候選集的篩選,完成基于任務(wù)單元的制造資源服務(wù)細(xì)粒度匹配。

5 結(jié)論

針對(duì)當(dāng)前制造資源推薦模型存在的資源信息分散、資源與需求描述方式不統(tǒng)一、資源推薦效率低質(zhì)量差等問(wèn)題,提出了一種基于知識(shí)圖譜的制造資源推薦方法,以供需模型為指導(dǎo)構(gòu)建本體模型作為知識(shí)圖譜的模式層,采用自然語(yǔ)言處理中的實(shí)體抽取方法從相關(guān)數(shù)據(jù)中提取實(shí)體和關(guān)系作為知識(shí)圖譜的數(shù)據(jù)層,并將知識(shí)圖譜可視化表達(dá)。然后提出了一種制造資源雙重推薦方法,采用知識(shí)圖譜嵌入方法實(shí)現(xiàn)知識(shí)圖譜向量化,通過(guò)相似度計(jì)算,完成基本特征匹配,并設(shè)置了制造資源的Qos服務(wù)質(zhì)量指標(biāo),計(jì)算各制造資源的服務(wù)質(zhì)量評(píng)價(jià)分?jǐn)?shù),對(duì)候選資源集中的資源進(jìn)行排序,得到最合適的資源推薦方案。

該方法適用于云制造模式下的制造資源推薦任務(wù),能充分挖掘企業(yè)內(nèi)部所有數(shù)據(jù)信息,對(duì)其進(jìn)行規(guī)范化整合,還能根據(jù)制造要求和服務(wù)質(zhì)量,實(shí)現(xiàn)質(zhì)量更高的制造資源推薦,提高了企業(yè)面對(duì)產(chǎn)品加工任務(wù)的響應(yīng)速度,使得企業(yè)制造加工更加高效準(zhǔn)確。未來(lái)的研究方向是將構(gòu)建的知識(shí)圖譜根據(jù)企業(yè)的大規(guī)模數(shù)據(jù)進(jìn)行知識(shí)圖譜補(bǔ)全和細(xì)粒度化工作,使該方法的適用性更強(qiáng)。