CN113312854A - 选型推荐方法、装置、电子设备和可读存储介质 - Google Patents
选型推荐方法、装置、电子设备和可读存储介质 Download PDFInfo
- Publication number
- CN113312854A CN113312854A CN202110810868.8A CN202110810868A CN113312854A CN 113312854 A CN113312854 A CN 113312854A CN 202110810868 A CN202110810868 A CN 202110810868A CN 113312854 A CN113312854 A CN 113312854A
- Authority
- CN
- China
- Prior art keywords
- components
- target
- component
- knowledge graph
- type selection
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供一种选型推荐方法、装置、电子设备和可读存储介质,首先根据获取的性能需求,查找到匹配的目标元器件,根据设置的选型目标和预先优化得到的知识图谱,查找到与目标元器件之间满足预设替代关系的相关元器件,再获得目标元器件和相关元器件的评分信息,最后根据目标元器件和相关元器件的评分信息,生成推荐列表以进行推荐。该方案,可基于知识图谱并在选型目标的指导下,找到与目标元器件具有预设替代关系的相关元器件,进而一并进行推荐,如此,选型推荐不仅仅局限在匹配到的目标元器件,还包含可替代的相关元器件,可全面、有效地为用户选型提供支持。
Description
技术领域
本申请涉及设备信息管理技术领域,具体而言,涉及一种选型推荐方法、装置、电子设备和可读存储介质。
背景技术
一直以来,对于元器件的选型上往往是基于设计师的需求进行目标元器件的匹配。然而,由于设计师不可能考虑到方方面面的因素,不可能从各种不同角度进行需求罗列,因此,基于设计师的需求信息匹配到的目标元器件可能仅仅是从其中的一个角度或多个角度匹配到的合适的元器件。
但是,仅仅为设计师展示这些匹配到的元器件以供设计师进行选用,很难有效、全面地进行元器件的选用推荐,难以为设计师提供有效的元器件选用支持。
发明内容
本申请的目的包括,例如,提供了一种选型推荐方法、装置、电子设备和可读存储介质,其能够全面、有效地为用户选型提供支持。
本申请的实施例可以这样实现:
第一方面,本申请提供一种选型推荐方法,所述方法包括:
获取性能需求,依据所述性能需求从知识库中查找到匹配的目标元器件;
根据设置的选型目标,和预先优化得到的知识图谱,查找到所述知识图谱中与所述目标元器件之间满足预设替代关系的相关元器件;
获得所述目标元器件和所述相关元器件的评分信息;
根据所述目标元器件和相关元器件的评分信息,生成推荐列表以进行推荐。
如此,可基于知识图谱并在选型目标的指导下,查找到与目标元器件具有预设替代关系的相关元器件,进而一并进行推荐,选型推荐不仅仅局限在匹配到的目标元器件,还包含可替代的相关元器件,可全面、有效地为用户选型提供支持。
在可选的实施方式中,所述知识图谱包含多个元器件中两两之间的映射关系;
所述根据设置的选型目标,和预先优化得到的知识图谱,查找到所述知识图谱中与所述目标元器件之间满足预设替代关系的相关元器件的步骤,包括:
根据预先优化得到的知识图谱,查找与所述目标元器件之间构成三元组的关联元器件,其中,所述三元组包含两个具有映射关系的元器件;
基于设置的选型目标计算所述目标元器件和所述关联元器件之间的相似度;
确定相似度超过预设阈值的关联元器件为与所述目标元器件之间满足预设替代关系的相关元器件。
通过计算目标元器件和与其构成三元组的关联元器件的相似度以确定相关元器件,基于相似度可准确确定出目标元器件的可替代的元器件。
在可选的实施方式中,各所述元器件具有多项器件信息;
所述基于设置的选型目标计算所述目标元器件和所述关联元器件之间的相似度的步骤,包括:
基于设置的选型目标为所述目标元器件和关联元器件具有的各项器件信息设置相应的权值;
根据携带有权值的器件信息计算所述目标元器件和所述关联元器件之间的相似度。
本申请中,基于选型目标进行权值设置,可使相似度计算的机制符合选型目标的指导,使相似度计算向选型目标的侧重点倾斜。
在可选的实施方式中,所述方法还包括预先优化得到知识图谱,该步骤包括:
基于所述知识库中的元器件的器件信息构建初始知识图谱,所述初始知识图谱中包含多组由两两元器件的器件信息和映射关系构成的三元组;
将所述初始知识图谱中的三元组作为正样本,并对所初始知识图谱中的三元组包含的任一元器件的器件信息进行随机替换后作为负样本;
根据得到的正样本、负样本和构建的损失函数对所述初始知识图谱进行优化,直至满足预设条件时得到优化后的知识图谱。
通过预先利用训练样本进行优化得到优化后的知识图谱的方式,可以得到准确体现元器件之间映射关系的知识图谱,提高后续可替代相关元器件查找的精确性。
在可选的实施方式中,所述根据得到的正样本、负样本和构建的损失函数对所述初始知识图谱进行优化的步骤,包括:
根据得到的正样本中三元组包含的元器件的器件信息和映射关系,得到正样本的得分函数;
根据得到的负样本中三元组包含的元器件的器件信息和映射关系,得到负样本的得分函数;
基于所述正样本的得分函数、负样本的得分函数构建损失函数,并对所述损失函数进行最小化处理以对所述初始知识图谱进行优化。
通过采用构建损失函数的方式,可基于损失函数进行知识图谱的优化,使得优化过程便捷、有依据。
在可选的实施方式中,所述目标元器件和所述相关元器件来自多个不同的数据库;
所述根据所述目标元器件和所述相关元器件的评分信息,生成推荐列表以进行推荐的步骤,包括:
获得各所述目标元器件和相关元器件所属的数据库;
对所属不同数据库的目标元器件和相关元器件采用不同的标识信息进行标识;
根据所述评分信息以及标识后的目标元器件和相关元器件,生成推荐列表以进行推荐。
通过获取各个元器件的数据库来源并采用不同的标识进行标记的方式,可对各个元器件的来源进行显著地标识,便于用户了解各个元器件的来源信息。
在可选的实施方式中,所述方法还包括:
获取用户基于所述推荐列表进行元器件选用后的选用目录;
获得评审人员对所述选用目录的修改信息;
基于所述修改信息对优化得到的知识图谱进行调整。
基于评审人员的修改信息对知识图谱进行调整,可以在专家经验的指导下进一步优化知识图谱。
第二方面,本申请提供一种选型推荐装置,所述装置包括:
获取模块,用于获取性能需求,依据所述性能需求从知识库中查找到匹配的目标元器件;
查找模块,用于根据设置的选型目标,和预先优化得到的知识图谱,查找到所述知识图谱中与所述目标元器件之间满足预设替代关系的相关元器件;
获得模块,用于获得所述目标元器件和所述相关元器件的评分信息;
推荐模块,用于根据所述目标元器件和相关元器件的评分信息,生成推荐列表以进行推荐。
本申请提供的选型推荐装置,可基于知识图谱并在选型目标的指导下,查找到与目标元器件具有预设替代关系的相关元器件,进而一并进行推荐,选型推荐不仅仅局限在匹配到的目标元器件,还包含可替代的相关元器件,可全面、有效地为用户选型提供支持。
第三方面,本申请提供一种电子设备,包括一个或多个存储介质和一个或多个与存储介质通信的处理器,一个或多个存储介质存储有处理器可执行的机器可执行指令,当电子设备运行时,处理器执行所述机器可执行指令,以执行前述实施方式中任意一项所述的方法步骤。
第四方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质存储有机器可执行指令,所述机器可执行指令被执行时实现前述实施方式中任意一项所述的骤。
本申请实施例的有益效果包括,例如:
本申请提供一种选型推荐方法、装置、电子设备和可读存储介质,首先根据获取的性能需求,查找到匹配的目标元器件,根据设置的选型目标和预先优化得到的知识图谱,查找到与目标元器件之间满足预设替代关系的相关元器件,再获得目标元器件和相关元器件的评分信息,最后根据目标元器件和相关元器件的评分信息,生成推荐列表以进行推荐。该方案,可基于知识图谱并在选型目标的指导下,找到与目标元器件具有预设替代关系的相关元器件,进而一并进行推荐,如此,选型推荐不仅仅局限在匹配到的目标元器件,还包含可替代的相关元器件,可全面、有效地为用户选型提供支持。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例提供的选型推荐方法的流程图;
图2为本申请实施例提供的知识图谱的示意图;
图3为本申请实施例提供的优化方法的流程图;
图4为图1中步骤S120包含的子步骤的流程图;
图5为图4中步骤S122包含的子步骤的流程图;
图6为图1中步骤S140包含的子步骤的流程图;
图7为本申请实施例提供的电子设备的结构框图;
图8为本申请实施例提供的选型推荐装置的功能模块框图。
图标:110-存储介质;120-处理器;130-选型推荐装置;131-获取模块;132-查找模块;133-获得模块;134-推荐模块;140-通信接口。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本申请的描述中,需要说明的是,在不冲突的情况下,本申请的实施例中的特征可以相互结合。
请参阅图1,为本申请实施例提供的一种选型推荐方法的流程示意图。应当理解,在其它实施例中,本实施例所述的选型推荐方法其中部分步骤的顺序可以根据实际需要相互交换,或者其中的部分步骤也可以省略或删除。该选型推荐方法的详细步骤介绍如下。
步骤S110,获取性能需求,依据所述性能需求从知识库中查找到匹配的目标元器件。
步骤S120,根据设置的选型目标,和预先优化得到的知识图谱,查找到所述知识图谱中与所述目标元器件之间满足预设替代关系的相关元器件。
步骤S130,获得所述目标元器件和所述相关元器件的评分信息。
步骤S140,根据所述目标元器件和相关元器件的评分信息,生成推荐列表以进行推荐。
在工业设备设计过程中,设计师会对可能用到的潜在元器件进行选型。设计师可以根据设计的需求确定所需的性能指标,将相应的性能需求输入到***中,以触发***进行相应元器件的搜索。可选地,可以采用在***中逐个输入所需的性能需求的方式,也可以采用以BOM清单的方式批量录入所需的性能需求的方式。
其中,性能需求包含针对目标元器件的性能指标,例如,可以包括如所需的元器件尺寸、功能、位置、物料编码、名称、规格、用量、单位、工艺层次、生产属性等中的任意一种或多种。
本实施例中,预先将从多个不同的数据库获取其存储的元器件的信息,并统一保存至知识库中。可选地,可获取各个数据库中的元器件及其多项器件信息保存至知识库中,例如元器件基础信息、生产商数据、合格供方数据、标准规范数据、选用目录数据、禁限运风险信息、国产替代数据、伪国产化信息、失效分析数据、验证数据、检测质量数据、自然投放数据、延寿试验数据、寿命评价信息、装机质量数据、维护保养数据、质量归零数据等。其中,元器件基础信息可包括如元器件尺寸、名称、编码、生产属性等信息。
本实施例中,各个元器件的器件信息可采用RDF或Embedding的形式存储至知识库中。
如此,可基于获得的设计师输入的性能需求,从知识库中查找到可直接与设计师性能需求相匹配的目标元器件。
在本实施例中,知识库中的元器件的器件信息将转换为知识图谱的形式存储。其中,知识图谱包含多个节点,各个节点则表征一元器件(元器件具有的器件信息),节点与节点之间可连接,表征元器件之间的映射关系,如图2中所示。此外,知识图谱中还包括多个相关性能指标的指标节点,例如图2中的标识有大容量、耐高温的指标节点。围绕在相应的指标节点周围的元器件的节点,则表明这些元器件具有相应的性能特征。例如,围绕在大容量的指标节点周围的元器件则具有大容量的性能特征,围绕在耐高温的指标节点周围的元器件则具有耐高温的性能特征,但不代表图中标识大容量以及耐高温的节点只有大容量和耐高温属性,这里只是强调其突出属性为大容量以及耐高温,而图中其他节点,如A、B、C和D节点,均有若干属性,包括但不限于:尺寸、生产厂家、历史质量数据。而图中的英文标语,HR代表Func replaceable ,HP代表Has property ,LR代表 Loc replaceable,其具体表达依次翻译为:功能替代、包含属性和原位替代,均为领域内通用词汇,本领域技术人员均可理解。
基于获得的性能需求,则可自动匹配到相应的目标元器件。进而可获得目标元器件的所有器件信息,如元器件规格、生产厂家、元器件历史质量数据等。可将匹配到的目标元器件及其器件信息进行展示,以供设计师了解。
本实施例中,考虑到仅基于设计师输入的性能需求所匹配到目标元器件往往较少,而实际应用过程中,可能还存在其他的可以替代的元器件,若能找到这类可替代的元器件,并一并推荐给设计师,则可以更为全面地向设计师提供选型的支持。
而在工业设计过程中,设计师的选型往往是在一定选型目标的指导下进行,其中,选型目标可根据实际需求进行相应设置,例如,选型目标可以是,如成本最优型、质量最优型、可靠性或库存最优型等。并且,不同选型目标之间可存在多元或叠加关系,也即,选型目标可以是多个。例如,可以是首先满足成本最优的目的、其次满足库存最优的目标。
本实施例中,知识库中预先构建的知识图谱可体现各个元器件之间的一定关系,如此,可以基于设计师设置的选型目标和知识图谱,查找与目标元器件之间满足预设替代关系的相关元器件。
在查找到目标元器件和相关元器件之后,可以基于目标元器件和相关元器件在历史上用户对其的操作行为、浏览行为等获得相应元器件的评分信息。最后,则可以基于各个元器件的评分信息生成推荐列表,该推荐列表中可包括基于评分信息排序后的各目标元器件和相关元器件。
本实施例中,基于历史上用户对元器件的操作行为和浏览行为确定各个目标元器件和相关元器件的评分信息的方式可以是,例如,在历史上目标元器件和相关元器件作为推荐元器件推送给用户时,若用户最终对其进行选用,则相应地可以设置为较高评分数值,而用户最终并未选用的目标元器件或相关元器件可设置为较低评分数值。此外,若用户最终并未选用,但是在进行推荐之后,用户对其的浏览次数以及浏览时长较长,则可以相应地提高其评分数值。若用户最终并未选用,并且也并未对其进行浏览,则相应地其评分数值可设置为最低。
本实施例提供的选型推荐方案,可在查找到与性能需求匹配的目标元器件之后,基于选型目标和预先优化得到的知识图谱,查找到与目标元器件之间具有预设替代关系的相关元器件,进而将目标元器件和相关元器件一并推荐给用户。该方案,在选型推荐时不仅仅局限在匹配到的目标元器件,还包含可替代的相关元器件,可全面、有效地为用户选型提供支持。
本实施例中,基于知识图谱来实现可替代元器件的查找,构建的知识图谱可体现元器件之间的关系信息,因此,可替代元器件的精准查找的前提在于,是否构建得到合理的知识图谱。
本实施例中,在实际执行可替代元器件的查找之前,可预先进行知识图谱的优化过程。请参阅图3,可通过以下方式实现知识图谱的优化。
步骤S101,基于所述知识库中的元器件的器件信息构建初始知识图谱,所述初始知识图谱中包含多组由两两元器件的器件信息和映射关系构成的三元组。
步骤S102,将所述初始知识图谱中的三元组作为正样本,并对所初始知识图谱中的三元组包含的任一元器件的器件信息进行随机替换后作为负样本。
步骤S103,根据得到的正样本、负样本和构建的损失函数对所述初始知识图谱进行优化,直至满足预设条件时得到优化后的知识图谱。
本实施例中,可预先基于专家经验知识构建包含多个元器件的器件信息的初始知识图谱。其中,初始知识图谱中包含多个节点,各个节点则表征各个元器件(元器件的器件信息),各个元器件可为实体。而两两节点之间可能连接,这就表征两两节点之间的映射关系。
本实施例中,基于表示学习的推理通过将知识图谱中包括的实体和关系的元素映射到一个连续的向量空间中,为每个元素学习在向量中的表示。向量空间中的表示可以是一个或多个向量或矩阵。表示学习让算法在学习向量表示的过程中自动捕捉推理所需的特征。可通过训练学习将知识图谱中离散符号表示的信息编码在不同的向量空间表示中,使得知识图谱的推理能够通过预设的向量空间之间的计算自动实现,不需要显式的推理步骤。
在一种可能的实现方式中,可采用TranE模型实现基于表示学习的推理。知识图谱中连接的两两节点可能构成一组三元组,三元组中包含两个具有映射关系的元器件。三元组可以表示为(h,r,t),其中,h表示头实体,r表示关系,而t表示尾实体。
知识图谱中的每个实体与关系可表示成一个向量,按照词向量的启示,可将三元组中的关系看做是从头实体向量到尾实体向量的翻译。在理想情况下,知识图谱中的三元组应当满足以下关系:
本实施例中,可采用构建损失函数的方式进行知识图谱的优化。其中,采用的正样本可以是初始知识图谱中的三元组,也即,多组分别包含映射关系的两个元器件的集合。而采用的负样本可以通过对初始知识图谱中的三元组包含的任一元器件的器件信息进行随机替换后得到,例如,可以是对三元组中的头实体进行随机替换,也可以对三元组中的尾实体进行随机替换。
基于上述假设的理想情况下三元组中的关系,则获得的各个正样本应当可满足以下关系:
而构建的各个负样本,则满足以下关系:
在获得正样本和负样本的基础上,可基于正样本、负样本的信息以及构建的损失函数,对初始知识图谱进行优化。
本实施例中,通过预先利用训练样本进行优化得到优化后的知识图谱的方式,可以得到准确体现元器件之间映射关系的知识图谱,提高后续可替代相关元器件查找的精确性。
本实施例中,三元组中h+r和t之间的相似程度可以用向量相似度来衡量,在一种可能的实现方式中,可以采用欧式距离计算方式计算两者之间的相似度。可以根据得到的正样本中三元组包含的元器件的器件信息和映射关系,得到正样本的得分函数,同时,可以根据得到的负样本中三元组包含的器件信息和映射关系,得到负样本的得分函数。
正样本和负样本中各三元组的得分函数可以采用以下公式计算得到:
其中,f表示正样本或负样本的得分函数,对于正样本,则得分函数f应当尽可能小,而对于负样本,得分函数f应当尽可能大。
在此基础上,基于正样本的得分函数、负样本的得分函数构建损失函数,并对损失函数进行最小化处理以对初始知识图谱进行优化。
本实施例中,得到的正样本和负样本分别包含多个,可构建正样本集和负样本集。可基于正样本和负样本的得分函数,按以下方式构建损失函数:
通过对损失函数进行多次迭代以进行最小化处理,在每次迭代后可以调整初始知识图谱中节点之间的连接关系、连接强度等后,再进行下一轮迭代,直至满足预设条件时停止迭代。其中,预设条件可以是达到设置的迭代次数,或者是损失函数达到收敛等。在训练达到预设条件时,此时得到的知识图谱为优化后的知识图谱。
本实施例中,通过采用构建损失函数的方式,可基于损失函数进行知识图谱的优化,使得优化过程便捷、有依据。
TranE模型由于其有效合理的向量空间假设,是一种简单高效的知识图谱表示学习方法,并且能够完成多种关系的链接预测任务。TranE模型的简单高效使其能够自动且很好地捕捉推理特征,无需人工设计,很适合在大规模复杂的知识图谱上推广,是一种有效的知识图谱推理手段。
在其他可能的实现方式中,也可以采用TranH模型或TranR模型来实现基于表示学习的推理,TranH模型或TranR模型可适用于一对多、多对一以及多对多等关系的场景下。
此外,由于知识图谱表示学习的推理能力和采用的向量空间假设可能存在很多复杂的关系,除了翻译假设之外,实体之间还可采用线性映射假设。其中,实体可表示为向量、关系可表示为矩阵,可将关系当做一种向量空间的线性变换。在此情形下,对于一个三元组,在理想情况下,可满足以下公式:
其中,h和t分别表示头实体和尾实体,Mr为关系r的矩阵表示。上式表达的意思是头实体通过与关系矩阵相乘,经过空间中的线性变换后,可转变为尾实体向量。在此情况下,训练的目标是使正样本中的hMr与t尽量接近,而负样本中的hMr与t尽可能远离。相应地,在此情形下,正样本或负样本的得分函数可表示如下:
本实施例中,除了可以应用于实数的计算之外,还可应用于复数情况下的计算。在应用于复数计算时,则正样本或负样本的得分函数可表示如下:
此外,图神经网络也是一种用于处理图结构的数据的有效方法,图神经网络中,随着信息在节点之间的传播以捕捉图中节点间的依赖关系。其图结构的表示方式使得模型可以基于图进行推理。
在实际应用过程中,可根据实际业务以及数据特征适应性地采用上述任意一种模型进行计算,进而实现对知识图谱的优化。
本实施例中,通过以上方式则可实现预先对知识图谱的优化,在得到优化后的知识图谱的基础上,在实际应用过程中,则可以基于知识图谱查找到与目标元器件具有预设替代关系的相关元器件。
请参阅图4,本实施例中,可以通过以下方式查找与目标元器件具有预设替代关系的相关元器件:
步骤S121,根据预先优化得到的知识图谱,查找与所述目标元器件之间构成三元组的关联元器件,其中,所述三元组包含两个具有映射关系的元器件。
步骤S122,基于设置的选型目标计算所述目标元器件和所述关联元器件之间的相似度。
步骤S123,确定相似度超过预设阈值的关联元器件为与所述目标元器件之间满足预设替代关系的相关元器件。
由上述可知,知识图谱中的两两元器件可能构成一组三元组,三元组中两个元器件之间具有一定的映射关系。因此,基于目标元器件可找到其中与目标元器件构成三元组的关联元器件。例如,在该包含目标元器件的三元组中,目标元器件为头实体、关联元器件为尾实体,两者之间具有关系,或者目标元器件为尾实体、关联元器件为头实体,两者之间具有关系。
而构建三元组的两个元器件并不一定能够满足预设替代关系,本实施例中,可在选型目标的指导下计算目标元器件和关联元器件之间的相似度。
其中,目标元器件和关联元器件的之间的相似度可以采用欧式距离计算方式计算得到,可选地,目标元器件和关联元器件之间的欧式距离可采用以下方式计算得到:
目标元器件和关联元器件之间的欧式距离越小,则表明其相似度越高,而欧式距离越大,则表示其相似度越低。本实施例中,在目标元器件和关联元器件的相似度超过预设阈值时,则该关联元器件可确定为与目标元器件之间满足预设替代关系的相关元器件。
本实施例中,通过计算目标元器件和与其构成三元组的关联元器件的相似度以确定相关元器件,基于相似度可准确确定出目标元器件的可替代的元器件。
本实施例中,各个元器件的器件信息可包含多项,上式在计算两个元器件之间的欧式距离时,基于两个元器件包含的多项器件信息进行计算。而在计算元器件之间的欧式距离时,是在设置的选型目标的指导下进行,作为一种可能的实现方式,详细地,请参阅图5,可以采用以下方式实现:
步骤S1221,基于设置的选型目标为所述目标元器件和关联元器件包含的各项器件信息设置相应的权值。
步骤S1222,根据携带有权值的器件信息计算所述目标元器件和所述关联元器件之间的相似度。
本实施例中,选型目标为确定相关元器件作出指导。在选型目标为一个的情况下,例如选型目标为成本最优时,则在为目标元器件和关联元器件的各项器件信息设置相应的权值时,器件信息中的成本数据则可设置为最大权值。如此,以成本数据占较大权值的情况下进行计算,则可以将相似度向成本数据上作一定倾斜。
此外,若选型目标为多个,例如,选型目标为首先满足成本最优、其次满足库存最优。则在为目标元器件和关联元器件的各项器件信息设置相应的权值时,器件信息中的成本数据可设置为最大权值,器件信息中的库存数据的权值可设置为第二大数值。如此,可在成本数据和库存数据占据较大权重的情况下,计算目标元器件和相关元器件的相似度,满足成本最优和库存最优的选型目标的要求。
本实施例中,通过以上方式,可以在优化得到的知识图谱的基础上,通过计算元器件之间的相似度的方式,查找出与目标元器件之间满足预设替代关系的相关元器件。在此基础上,实现目标元器件和相关元器件的推荐。
在此过程中,基于选型目标进行权值设置,可使相似度计算的机制符合选型目标的指导,使相似度计算向选型目标的侧重点倾斜。由上述可知,知识库中的元器件可能来自不同的数据库,而在工业设计实际过程中,往往会优先关注来自某些数据库的元器件,例如优选目录、国产替代目录,而除了该两个目录之外,元器件可能还来自如伪国产化数据库、禁限运风险数据库等其他数据库。
为了在进行元器件推荐时,可以使设计师一目了然了解各个元器件的来源,本实施例中,请参阅图6,在生成推荐列表时可以通过以下方式实现:
步骤S141,获得各所述目标元器件和相关元器件所属的数据库。
步骤S142,对所属不同数据库的目标元器件和相关元器件采用不同的标识信息进行标识。
步骤S143,根据所述评分信息以及标识后的目标元器件和相关元器件,生成推荐列表以进行推荐。
本实施例中,在获得目标元器件和相关元器件所属的数据库后,可以采用如分色标注或备注的方式,对所属不同的数据库的目标元器件和相关元器件进行标识。
如此,通过获取各个元器件的数据库来源并采用不同的标识进行标记的方式,可对各个元器件的来源进行显著地标识,在呈现给设计师的推荐列表中加以提示,以便于设计师进行区分、了解各个元器件的来源信息。本实施例中,在最终生成的推荐列表中,对于其中的相关元器件,除了可以基于其评分信息进行排序进行推荐之外,还可基于各个相关元器件与目标元器件之间的相似度大小进行排序。例如,可按照与目标元器件之间的相似度的从大到小的顺序依次排序,以生成推荐列表。
此外,在一种可能的实现方式中,在生成推荐列表时,还可将设定数据库中的目标元器件和相关元器件排列在前面,设定数据库例如可以是优选目录和国产替代目录。
本实施例中,最终呈现给设计师的推荐列表中包含有推荐的各个目标元器件和相关元器件的详细的器件信息、历史质量信息等。此外,本实施例中,还可获得相关专家和***工程师设定的风险评测指标,还可在推荐列表中,基于获得的风险评测指标进行推荐的元器件的排序,从使用风险的从高到低的顺序呈现各推荐元器件。
本实施例中,在以推荐列表的形式呈现给设计师后,设计师可以基于需求进行最终的元器件选择,所选用的元器件还需发送给评审人员进行审核。因此,本实施例所提供的选型推荐方法还可包括以下步骤:
获取用户基于推荐列表进行元器件选用后的选用目录,获得评审人员对该选用目录的修改信息,基于修改信息对优化得到的知识图谱进行调整。
本实施例中,***可记录评审人员对选用目录中所罗列的元器件的审查和选用情况,例如替换选用目录中元器件、控制国产化率等。可根据评审人员对选用目录的修改情况对知识图谱进行调整,例如对知识图谱中的节点之间的关系作调整。
而在对知识图谱中节点之间的关系作调整的情况下,相应地基于知识图谱进行的元器件的推荐情况也将有所变化。如,基于变化后的知识图谱进行元器件的推荐,将倾向于评审人员修改后的选用目录中所推荐的元器件。
如此,可在基于损失函数进行知识图谱的优化的基础上,结合专家评审的信息进行调整,可不断调整、优化知识图谱,使得元器件的推荐更加科学、合理。
请参阅图7,本申请实施例还提供了一种电子设备,以用于执行上述的选型推荐方法。该电子设备可包括存储介质110、处理器120、选型推荐装置130及通信接口140。本实施例中,存储介质110与处理器120均位于电子设备中且二者分离设置。然而,应当理解的是,存储介质110也可以是独立于电子设备之外,且可以由处理器120通过总线接口来访问。可替换地,存储介质110也可以集成到处理器120中,例如,可以是高速缓存和/或通用寄存器。
选型推荐装置130可以理解为上述电子设备,或电子设备的处理器120,也可以理解为独立于上述电子设备或处理器120之外的在电子设备控制下实现上述选型推荐方法的软件功能模块。
如图8所示,上述选型推荐装置130可以包括获取模块131、查找模块132、获得模块133、推荐模块134。下面分别对该选型推荐装置130的各个功能模块的功能进行详细阐述。
获取模块131,用于获取性能需求,依据所述性能信息从知识库中查找到匹配的目标元器件。
可以理解,该获取模块131可以用于执行上述步骤S110,关于该获取模块131的详细实现方式可以参照上述对步骤S110有关的内容。
查找模块132,用于根据设置的选型目标,和预先优化得到的知识图谱,查找到所述知识图谱中与所述目标元器件之间满足预设替代关系的相关元器件。
可以理解,该查找模块132可以用于执行上述步骤S120,关于该查找模块132的详细实现方式可以参照上述对步骤S120有关的内容。
获得模块133,用于获得所述目标元器件和所述相关元器件的评分信息。
可以理解,该获得模块133可以用于执行上述步骤S130,关于该获得模块133的详细实现方式可以参照上述对步骤S130有关的内容。
推荐模块134,用于根据所述目标元器件和相关元器件的评分信息,生成推荐列表以进行推荐。
可以理解,该推荐模块134可以用于执行上述步骤S140,关于该推荐模块134的详细实现方式可以参照上述对步骤S140有关的内容。
在一种可能的实现方式中,所述知识图谱包含多个元器件中两两之间的映射关系,上述查找模块132具体可以用于:
根据预先优化得到的知识图谱,查找与所述目标元器件之间构成三元组的关联元器件,其中,所述三元组包含两个具有映射关系的元器件;
基于设置的选型目标计算所述目标元器件和所述关联元器件之间的相似度;
确定相似度超过预设阈值的关联元器件为与所述目标元器件之间满足预设替代关系的相关元器件。
在一种可能的实现方式中,各所述元器件具有多项器件信息,上述查找模块132具体可以用于:
基于设置的选型目标为所述目标元器件和关联元器件具有的各项器件信息设置相应的权值;
根据携带有权值的器件信息计算所述目标元器件和所述关联元器件之间的相似度。
在一种可能的实现方式中,所述选型推荐装置130还可包括用于预先优化得到知识图谱的优化模块,该优化模块可以用于:
基于所述知识库中的元器件的器件信息构建初始知识图谱,所述初始知识图谱中包含多组由两两元器件的器件信息和映射关系构成的三元组;
将所述初始知识图谱中的三元组作为正样本,并对所初始知识图谱中的三元组包含的任一元器件的器件信息进行随机替换后作为负样本;
根据得到的正样本、负样本和构建的损失函数对所述初始知识图谱进行优化,直至满足预设条件时得到优化后的知识图谱。
在一种可能的实现方式中,上述优化模块具体可以用于:
根据得到的正样本中三元组包含的元器件的器件信息和映射关系,得到正样本的得分函数;
根据得到的负样本中三元组包含的元器件的器件信息和映射关系,得到负样本的得分函数;
基于所述正样本的得分函数、负样本的得分函数构建损失函数,并对所述损失函数进行最小化处理以对所述初始知识图谱进行优化。
在一种可能的实现方式中,所述目标元器件和所述相关元器件来自多个不同的数据库,上述推荐模块134具体可以用于:
获得各所述目标元器件和相关元器件所属的数据库;
对所属不同数据库的目标元器件和相关元器件采用不同的标识信息进行标识;
根据所述评分信息以及标识后的目标元器件和相关元器件,生成推荐列表以进行推荐。
在一种可能的实现方式中,所述选型推荐装置130还可包括调整模块,该调整模块可以用于:
获取用户基于所述推荐列表进行元器件选用后的选用目录;
获得评审人员对所述选用目录的修改信息;
基于所述修改信息对优化得到的知识图谱进行调整。
关于装置中的各模块的处理流程、以及各模块之间的交互流程的描述可以参照上述方法实施例中的相关说明,这里不再详述。
进一步地,本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质存储有机器可执行指令,机器可执行指令被执行时实现上述实施例提供的选型推荐方法。
具体地,该计算机可读存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该计算机可读存储介质上的计算机程序被运行时,能够执行上述选型推荐方法。关于计算机可读存储介质中的及其可执行指令被运行时,所涉及的过程,可以参照上述方法实施例中的相关说明,这里不再详述。
综上所述,本申请实施例提供一种选型推荐方法、装置、电子设备和可读存储介质,首先根据获取的性能需求,查找到匹配的目标元器件,根据设置的选型目标和预先优化得到的知识图谱,查找到与目标元器件之间满足预设替代关系的相关元器件,再获得目标元器件和相关元器件的评分信息,最后根据目标元器件和相关元器件的评分信息,生成推荐列表以进行推荐。该方案,可基于知识图谱并在选型目标的指导下,找到与目标元器件具有预设替代关系的相关元器件,进而一并进行推荐,如此,选型推荐不仅仅局限在匹配到的目标元器件,还包含可替代的相关元器件,可全面、有效地为用户选型提供支持。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种选型推荐方法,其特征在于,所述方法包括:
获取性能需求,依据所述性能需求从知识库中查找到匹配的目标元器件;
根据设置的选型目标,和预先优化得到的知识图谱,查找到所述知识图谱中与所述目标元器件之间满足预设替代关系的相关元器件;
获得所述目标元器件和所述相关元器件的评分信息;
根据所述目标元器件和相关元器件的评分信息,生成推荐列表以进行推荐。
2.根据权利要求1所述的选型推荐方法,其特征在于,所述知识图谱包含多个元器件中两两之间的映射关系;
所述根据设置的选型目标,和预先优化得到的知识图谱,查找到所述知识图谱中与所述目标元器件之间满足预设替代关系的相关元器件的步骤,包括:
根据预先优化得到的知识图谱,查找与所述目标元器件之间构成三元组的关联元器件,其中,所述三元组包含两个具有映射关系的元器件;
基于设置的选型目标计算所述目标元器件和所述关联元器件之间的相似度;
确定相似度超过预设阈值的关联元器件为与所述目标元器件之间满足预设替代关系的相关元器件。
3.根据权利要求2所述的选型推荐方法,其特征在于,各所述元器件具有多项器件信息;
所述基于设置的选型目标计算所述目标元器件和所述关联元器件之间的相似度的步骤,包括:
基于设置的选型目标为所述目标元器件和关联元器件具有的各项器件信息设置相应的权值;
根据携带有权值的器件信息计算所述目标元器件和所述关联元器件之间的相似度。
4.根据权利要求1所述的选型推荐方法,其特征在于,所述方法还包括预先优化得到知识图谱,该步骤包括:
基于所述知识库中的元器件的器件信息构建初始知识图谱,所述初始知识图谱中包含多组由两两元器件的器件信息和映射关系构成的三元组;
将所述初始知识图谱中的三元组作为正样本,并对所述初始知识图谱中的三元组包含的任一元器件的器件信息进行随机替换后作为负样本;
根据得到的正样本、负样本和构建的损失函数对所述初始知识图谱进行优化,直至满足预设条件时得到优化后的知识图谱。
5.根据权利要求4所述的选型推荐方法,其特征在于,所述根据得到的正样本、负样本和构建的损失函数对所述初始知识图谱进行优化的步骤,包括:
根据得到的正样本中三元组包含的元器件的器件信息和映射关系,得到正样本的得分函数;
根据得到的负样本中三元组包含的元器件的器件信息和映射关系,得到负样本的得分函数;
基于所述正样本的得分函数、负样本的得分函数构建损失函数,并对所述损失函数进行最小化处理以对所述初始知识图谱进行优化。
6.根据权利要求1所述的选型推荐方法,其特征在于,所述目标元器件和所述相关元器件来自多个不同的数据库;
所述根据所述目标元器件和所述相关元器件的评分信息,生成推荐列表以进行推荐的步骤,包括:
获得各所述目标元器件和相关元器件所属的数据库;
对所属不同数据库的目标元器件和相关元器件采用不同的标识信息进行标识;
根据所述评分信息以及标识后的目标元器件和相关元器件,生成推荐列表以进行推荐。
7.根据权利要求1所述的选型推荐方法,其特征在于,所述方法还包括:
获取用户基于所述推荐列表进行元器件选用后的选用目录;
获得评审人员对所述选用目录的修改信息;
基于所述修改信息对优化得到的知识图谱进行调整。
8.一种选型推荐装置,其特征在于,所述装置包括:
获取模块,用于获取性能需求,依据所述性能需求从知识库中查找到匹配的目标元器件;
查找模块,用于根据设置的选型目标,和预先优化得到的知识图谱,查找到所述知识图谱中与所述目标元器件之间满足预设替代关系的相关元器件;
获得模块,用于获得所述目标元器件和所述相关元器件的评分信息;
推荐模块,用于根据所述目标元器件和相关元器件的评分信息,生成推荐列表以进行推荐。
9.一种电子设备,其特征在于,包括一个或多个存储介质和一个或多个与存储介质通信的处理器,一个或多个存储介质存储有处理器可执行的机器可执行指令,当电子设备运行时,处理器执行所述机器可执行指令,以执行权利要求1-7中任意一项所述的方法步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有机器可执行指令,所述机器可执行指令被执行时实现权利要求1-7中任意一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110810868.8A CN113312854B (zh) | 2021-07-19 | 2021-07-19 | 选型推荐方法、装置、电子设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110810868.8A CN113312854B (zh) | 2021-07-19 | 2021-07-19 | 选型推荐方法、装置、电子设备和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113312854A true CN113312854A (zh) | 2021-08-27 |
CN113312854B CN113312854B (zh) | 2021-11-02 |
Family
ID=77381687
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110810868.8A Active CN113312854B (zh) | 2021-07-19 | 2021-07-19 | 选型推荐方法、装置、电子设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113312854B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114117244A (zh) * | 2022-01-24 | 2022-03-01 | 深圳市云采网络科技有限公司 | 一种元器件关系的识别方法及电子设备 |
CN114692486A (zh) * | 2022-03-10 | 2022-07-01 | 中国科学技术大学 | 一种基于用户反馈知识图谱的产品优化设计方法 |
CN115080587A (zh) * | 2022-05-19 | 2022-09-20 | 华南理工大学 | 一种基于知识图谱的电子元器件替代方法、装置及介质 |
CN117421941A (zh) * | 2023-12-19 | 2024-01-19 | 中冶南方工程技术有限公司 | 应用于冶金领域的元件选型方法、装置、设备及存储介质 |
CN117473910A (zh) * | 2023-11-28 | 2024-01-30 | 南方电网调峰调频发电有限公司检修试验分公司 | 低压电器元器件选型方法、装置、计算机设备和存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160314158A1 (en) * | 2015-04-27 | 2016-10-27 | Rovi Guides, Inc. | Systems and methods for updating a knowledge graph through user input |
CN107729444A (zh) * | 2017-09-30 | 2018-02-23 | 桂林电子科技大学 | 一种基于知识图谱的个性化旅游景点推荐方法 |
CN110472155A (zh) * | 2019-07-03 | 2019-11-19 | 五邑大学 | 基于知识图谱的协同推荐方法、装置、设备和存储介质 |
CN110472067A (zh) * | 2019-08-19 | 2019-11-19 | 腾讯科技(深圳)有限公司 | 知识图谱表示学习方法、装置、计算机设备及存储介质 |
CN110502621A (zh) * | 2019-07-03 | 2019-11-26 | 平安科技(深圳)有限公司 | 问答方法、问答装置、计算机设备及存储介质 |
CN111881934A (zh) * | 2020-06-18 | 2020-11-03 | 江苏大学 | 电子元器件属性与类别的空间关系发现方法 |
CN112084383A (zh) * | 2020-09-07 | 2020-12-15 | 中国平安财产保险股份有限公司 | 基于知识图谱的信息推荐方法、装置、设备及存储介质 |
CN112612973A (zh) * | 2020-12-31 | 2021-04-06 | 重庆邮电大学 | 结合知识图谱的个性化智能服装搭配推荐方法 |
CN112667877A (zh) * | 2020-12-25 | 2021-04-16 | 陕西师范大学 | 一种基于旅游知识图谱的景点推荐方法及设备 |
CN112765369A (zh) * | 2021-01-31 | 2021-05-07 | 西安电子科技大学 | 知识图谱信息表示学习方法、***、设备及终端 |
-
2021
- 2021-07-19 CN CN202110810868.8A patent/CN113312854B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160314158A1 (en) * | 2015-04-27 | 2016-10-27 | Rovi Guides, Inc. | Systems and methods for updating a knowledge graph through user input |
CN107729444A (zh) * | 2017-09-30 | 2018-02-23 | 桂林电子科技大学 | 一种基于知识图谱的个性化旅游景点推荐方法 |
CN110472155A (zh) * | 2019-07-03 | 2019-11-19 | 五邑大学 | 基于知识图谱的协同推荐方法、装置、设备和存储介质 |
CN110502621A (zh) * | 2019-07-03 | 2019-11-26 | 平安科技(深圳)有限公司 | 问答方法、问答装置、计算机设备及存储介质 |
CN110472067A (zh) * | 2019-08-19 | 2019-11-19 | 腾讯科技(深圳)有限公司 | 知识图谱表示学习方法、装置、计算机设备及存储介质 |
CN111881934A (zh) * | 2020-06-18 | 2020-11-03 | 江苏大学 | 电子元器件属性与类别的空间关系发现方法 |
CN112084383A (zh) * | 2020-09-07 | 2020-12-15 | 中国平安财产保险股份有限公司 | 基于知识图谱的信息推荐方法、装置、设备及存储介质 |
CN112667877A (zh) * | 2020-12-25 | 2021-04-16 | 陕西师范大学 | 一种基于旅游知识图谱的景点推荐方法及设备 |
CN112612973A (zh) * | 2020-12-31 | 2021-04-06 | 重庆邮电大学 | 结合知识图谱的个性化智能服装搭配推荐方法 |
CN112765369A (zh) * | 2021-01-31 | 2021-05-07 | 西安电子科技大学 | 知识图谱信息表示学习方法、***、设备及终端 |
Non-Patent Citations (2)
Title |
---|
KUN ZHOU等: "Improving Conversational Recommender Systems via Knowledge Graph based Semantic Fusion", 《PROCEEDINGS OF THE 26TH ACM SIGKDD INTERNATIONAL CONFERENCE ON KNOWLEDGE DISCOVERY & DATA MINING》 * |
丁春光等: "基于大数据与人工智能的元器件数据智慧管理", 《计算机科学与技术》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114117244A (zh) * | 2022-01-24 | 2022-03-01 | 深圳市云采网络科技有限公司 | 一种元器件关系的识别方法及电子设备 |
CN114692486A (zh) * | 2022-03-10 | 2022-07-01 | 中国科学技术大学 | 一种基于用户反馈知识图谱的产品优化设计方法 |
CN114692486B (zh) * | 2022-03-10 | 2024-03-15 | 中国科学技术大学 | 一种基于用户反馈知识图谱的产品优化设计方法 |
CN115080587A (zh) * | 2022-05-19 | 2022-09-20 | 华南理工大学 | 一种基于知识图谱的电子元器件替代方法、装置及介质 |
CN115080587B (zh) * | 2022-05-19 | 2024-04-16 | 华南理工大学 | 一种基于知识图谱的电子元器件替代方法、装置及介质 |
CN117473910A (zh) * | 2023-11-28 | 2024-01-30 | 南方电网调峰调频发电有限公司检修试验分公司 | 低压电器元器件选型方法、装置、计算机设备和存储介质 |
CN117421941A (zh) * | 2023-12-19 | 2024-01-19 | 中冶南方工程技术有限公司 | 应用于冶金领域的元件选型方法、装置、设备及存储介质 |
CN117421941B (zh) * | 2023-12-19 | 2024-04-26 | 中冶南方工程技术有限公司 | 应用于冶金领域的元件选型方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113312854B (zh) | 2021-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113312854B (zh) | 选型推荐方法、装置、电子设备和可读存储介质 | |
US9390142B2 (en) | Guided predictive analysis with the use of templates | |
CN108320171B (zh) | 热销商品预测方法、***及装置 | |
US9171078B2 (en) | Automatic recommendation of vertical search engines | |
US8280894B2 (en) | Method and system for maintaining item authority | |
CN109033101B (zh) | 标签推荐方法及装置 | |
US8190556B2 (en) | Intellegent data search engine | |
US20150019530A1 (en) | Query language for unstructed data | |
US20110264665A1 (en) | Information retrieval system with customization | |
US20070118546A1 (en) | User's preference prediction from collective rating data | |
EP2860672A2 (en) | Scalable cross domain recommendation system | |
US20120296879A1 (en) | Guided data repair | |
Torkestani | An adaptive learning to rank algorithm: Learning automata approach | |
US20210090105A1 (en) | Technology opportunity mapping | |
CN114638234B (zh) | 应用于线上业务办理的大数据挖掘方法及*** | |
CN116187524B (zh) | 一种基于机器学习的供应链分析模型对比方法及装置 | |
CN115080587B (zh) | 一种基于知识图谱的电子元器件替代方法、装置及介质 | |
CN115456707A (zh) | 提供商品推荐信息的方法、装置及电子设备 | |
Trueman et al. | A graph-based method for ranking of cloud service providers | |
CN116561134B (zh) | 业务规则处理方法、装置、设备及存储介质 | |
US8577814B1 (en) | System and method for genetic creation of a rule set for duplicate detection | |
JP4891638B2 (ja) | 目的データをカテゴリに分類する方法 | |
US8671120B1 (en) | Method and system for manually maintaining item authority | |
CN116579803A (zh) | 基于替代和关联作用的多品类联合需求预测方法及装置 | |
WO2021250950A1 (ja) | 文書検索の性能を評価する方法、システム、および装置 |
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 | ||
CP03 | Change of name, title or address |
Address after: 610000 No. 270, floor 2, No. 8, Jinxiu street, Wuhou District, Chengdu, Sichuan Patentee after: Chengdu shuzhilian Technology Co.,Ltd. Address before: 610000 No.2, 4th floor, building 1, Jule Road intersection, West 1st section of 1st ring road, Wuhou District, Chengdu City, Sichuan Province Patentee before: CHENGDU SHUZHILIAN TECHNOLOGY Co.,Ltd. |
|
CP03 | Change of name, title or address |