CN114691680A - 维修案例信息查询方法、装置、电子设备及存储介质 - Google Patents
维修案例信息查询方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114691680A CN114691680A CN202210217501.XA CN202210217501A CN114691680A CN 114691680 A CN114691680 A CN 114691680A CN 202210217501 A CN202210217501 A CN 202210217501A CN 114691680 A CN114691680 A CN 114691680A
- Authority
- CN
- China
- Prior art keywords
- information
- fault
- maintenance case
- feature
- maintenance
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
- G06F16/2237—Vectors, bitmaps or matrices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/248—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种维修案例信息查询方法、装置、电子设备及存储介质,首先获取待查询故障信息;然后对所述待查询故障信息进行特征提取,得到故障特征向量;进而计算所述故障特征向量与各维修案例信息对应的案例故障特征向量之间的相似度;最后通过各相似度,从所述各维修案例信息中选取目标维修案例信息作为所述待查询故障信息对应的查询结果。该方法并不需要专业工程师进行现场服务,而是通过查询的方式可以确定目标维修案例信息,进而找到对应的维修信息,用户通过该维修信息可以对故障设备进行维修,不仅可以大大降低人力成本,而且可以降低故障定位耗时和企业成本。
Description
技术领域
本发明涉及维修案例查询技术领域,尤其涉及一种维修案例信息查询方法、装置、电子设备及存储介质。
背景技术
随着科学技术与工业互联网应用的迅速发展,设备的故障维修成为企业售后部门的工作重点。
目前,大多数公司多采用专业工程师到现场进行故障维修服务,这不仅增加了人力成本,也增加了故障定位耗时和企业成本。
为此,现急需提供一种维修案例信息查询方法。
发明内容
本发明提供一种维修案例信息查询方法、装置、电子设备及存储介质,用以解决现有技术中存在的缺陷。
本发明提供一种维修案例信息查询方法,包括:
获取待查询故障信息;
对所述待查询故障信息进行特征提取,得到故障特征向量;
计算所述故障特征向量与各维修案例信息对应的案例故障特征向量之间的相似度;
基于各相似度,从所述各维修案例信息中选取目标维修案例信息作为所述待查询故障信息对应的查询结果。
根据本发明提供的一种维修案例信息查询方法,所述待查询故障信息包括形式不同的多项故障信息;
相应地,所述对所述待查询故障信息进行特征提取,得到故障特征向量,包括:
分别对所述多项故障信息进行特征提取,得到所述多项故障信息对应的特征向量;
将所述多项故障信息对应的特征向量进行融合,得到所述故障特征向量。
根据本发明提供的一种维修案例信息查询方法,所述多项故障信息包括故障文字信息、故障图像信息、故障视频信息以及故障音频信息中的至少两项。
根据本发明提供的一种维修案例信息查询方法,所述分别对所述多项故障信息进行特征提取,得到所述多项故障信息对应的特征向量,包括:
对于所述多项故障信息中的任一项故障信息,基于所述任一项故障信息对应的特征提取模型,对所述任一项故障信息进行特征提取,得到所述任一项故障信息对应的特征向量;
其中,所述任一项故障信息对应的特征提取模型基于携带有特征向量标签的所述任一项故障信息对应的样本故障信息训练得到。
根据本发明提供的一种维修案例信息查询方法,所述将所述多项故障信息对应的特征向量进行融合,得到所述故障特征向量,包括:
将所述多项故障信息对应的特征向量输入至多模态特征融合模型,由所述多模态特征融合模型对所述多项故障信息对应的特征向量进行融合,得到并输出所述故障特征向量;
其中,所述多模态特征融合模型基于携带有融合结果标签的多项故障信息对应的样本故障信息的特征向量样本训练得到。
根据本发明提供的一种维修案例信息查询方法,所述计算所述故障特征向量与各维修案例信息对应的案例故障特征向量之间的相似度,包括:
将所述故障特征向量以及所述各维修案例信息对应的案例故障特征向量输入至神经协同过滤模型,由所述神经协同过滤模型计算并输出所述故障特征向量与各维修案例信息对应的案例故障特征向量之间的相似度;
其中,所述神经协同过滤模型基于第一特征向量样本、多个第二特征向量样本以及所述第一特征向量样本与所述多个第二特征向量样本之间的相似度标签训练得到。
根据本发明提供的一种维修案例信息查询方法,所述基于各相似度,从所述各维修案例信息中选取目标维修案例信息作为所述待查询故障信息对应的查询结果,包括:
按所述各相似度,对所述各维修案例信息进行排序,得到排序结果;
基于所述排序结果,确定所述目标维修案例信息作为所述查询结果。
本发明还提供一种维修案例信息查询装置,包括:
信息获取模块,用于获取待查询故障信息;
特征提取模块,用于对所述待查询故障信息进行特征提取,得到故障特征向量;
相似度计算模块,用于计算所述故障特征向量与各维修案例信息对应的案例故障特征向量之间的相似度;
查询结果确定模块,用于基于各相似度,从所述各维修案例信息中选取目标维修案例信息作为所述待查询故障信息对应的查询结果。
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程序时实现如上述任一种所述维修案例信息查询方法的步骤。
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维修案例信息查询方法的步骤。
本发明提供的维修案例信息查询方法、装置、电子设备及存储介质,首先获取待查询故障信息;然后对所述待查询故障信息进行特征提取,得到故障特征向量;进而计算所述故障特征向量与各维修案例信息对应的案例故障特征向量之间的相似度;最后通过各相似度,从所述各维修案例信息中选取目标维修案例信息作为所述待查询故障信息对应的查询结果。该方法并不需要专业工程师进行现场服务,而是通过查询的方式可以确定目标维修案例信息,进而找到对应的维修信息,用户通过该维修信息可以对故障设备进行维修,不仅可以大大降低人力成本,而且可以降低故障定位耗时和企业成本。
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是本发明提供的维修案例信息查询方法的流程示意图;
图2是本发明提供的特征提取以及特征融合步骤的流程示意图;
图3是本发明提供的维修案例信息查询装置的结构示意图;
图4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。
由于现有技术中在进行故障设备的维修时,通常采用专业工程师到现场进行故障维修服务的方式,或者使用户通过关键词检索的方法对维修案例进行查找,进而得到维修案例信息中的维修信息,用户通过该维修信息即以对故障设备进行维修。采用专业工程师现场服务的方式将大大增加人力成本,增加故障定位耗时和企业成本。而采用基于关键词检索的方法对维修案例进行查找,则会使检索局限于文字表征的维修案例,不可避免地,在维修过程中会出现描述不清楚的情况出现,可能会降低检索结果的准确性,进而导致用户无法得到满意的维修方案,这也变相的增加了故障定位耗时和企业成本。为此,本发明实施例中提供了一种维修案例信息查询方法。
图1为本发明实施例中提供的一种维修案例信息查询方法的流程示意图,如图1所示,该方法包括:
S1,获取待查询故障信息;
S2,对所述待查询故障信息进行特征提取,得到故障特征向量;
S3,计算所述故障特征向量与各维修案例信息对应的案例故障特征向量之间的相似度;
S4,基于各相似度,从所述各维修案例信息中选取目标维修案例信息作为所述待查询故障信息对应的查询结果。
具体地,本发明实施例中提供的维修案例信息查询方法,其执行主体为维修案例信息查询装置,该维修案例信息查询装置可以配置于服务器内,该服务器可以是本地服务器,也可以是云端服务器,本地服务器具体可以是计算机、平板电脑以及智能手机等,本发明实施例中对此不作具体限定。可以理解的是,该维修案例信息查询装置可以配置有显示界面,通过该显示界面可以显示步骤S1中获取的待查询故障信息以及步骤S4中得到的该待查询故障信息对应的查询结果。
该方法涉及的维修案例信息也即历史记录的维修案例信息,是指历史记录的故障设备的同类型设备出现故障并完成维修的整个过程的相关信息。一次故障发生及对应的维修动作完成,称为一个维修案例。维修案例信息可以包括基础信息、故障信息以及维修信息,可以通过故障维修工单进行表示。
首先,执行步骤S1,获取待查询故障信息。在该维修案例信息查询装置的显示界面上可以具有用于用户输入信息的输入框,用户可以在输入框内输入该待查询故障信息,以使该维修案例信息查询装置可以获取到该待查询故障信息并进行显示,使用户进一步确认输入的待查询故障信息是否正确。此处,该用户可以是维修人员、客服人员或故障设备的使用者。
除此之外,待查询故障信息还可以通过信息采集设备获取得到,该信息采集设备与该维修案例信息查询装置通信连接,以使信息采集设备获取到的待查询故障信息可以传输至该维修案例信息查询装置,该维修案例信息查询装置的显示界面可以显示获取到的待查询故障信息。
可以理解的是,该待查询故障信息可以是需要确定维修方案的故障设备的故障信息,该故障设备可以是任何领域的设备,例如工业领域的作业机械、电力领域的配电网、电力设备、物业管理领域的物业设备等,此处不作具体限定。
该待查询故障信息可以包括形式不同的若干项故障信息,例如可以是故障文字信息、故障图像信息、故障视频信息以及故障音频信息中的一项故障信息,也可以是文字信息、图像信息、视频信息以及音频信息中至少两项故障信息的组合,此处不作具体限定。
其中,文字信息是指用户用文字描述的故障信息,例如“液压泵不受控制”;图像信息是指通过图片表示的故障信息,例如用户对故障设备的故障位置进行拍摄得到的图片;视频信息是指通过视频表示的故障信息,例如用户对故障设备的故障现象进行拍摄得到的视频,视频长度可以根据需要进行调整,可以是短视频也可以是较长视频,此处不作具体限定;音频信息是指用户用语音描述的故障信息,例如可以是用户口述故障设备的故障信息并通过录音设备进行录制得到。
然后执行步骤S2,对待查询故障信息进行特征提取,得到待查询故障信息的故障特征向量。该过程可以通过特征提取模型实现。可以理解的是,待查询故障信息中包含的形式不同的若干项故障信息需要通过不同的方式进行特征提取,因此形式不同的若干项故障信息可以共同采用同一个特征提取模型进行特征提取,此时该特征提取模型需要同时具备提取各项故障信息的特征向量的功能,还需要具有特征向量融合的功能。
例如,该特征提取模型可以包括特征融合层以及各种形式的信息对应的特征提取层,各特征提取层均与特征融合层连接,每一特征提取层用于提取对应形式的故障信息的特征向量,特征融合层用于将输入其内的各特征向量进行融合,并得到融合结果。本发明实施例中,该特征提取模型可以具有四种形式的故障信息对应的特征提取层,分别用于提取故障文字信息、故障图像信息、故障视频信息以及故障音频信息中的特征向量。
若待查询故障信息仅有某种形式的故障信息,即仅有某一项故障信息,则上述特征提取模型中仅有该项故障信息对应的特征提取层工作,其他特征提取层的输入和输出均为空,特征融合层的输入和输出均为该项故障信息对应的特征提取层的输出,即该项故障信息的特征向量。此时,该项故障信息的特征向量即为待查询故障信息的故障特征向量。
若待查询故障信息包含有至少两种形式的故障信息,即包含有至少两项故障信息,则上述特征提取模型中与待查询故障信息中各项故障信息对应的特征提取层工作,其他特征提取层的输入和输出均为空,特征融合层的输入为各项故障信息的特征向量,输出为各项故障信息的特征向量的融合结果,即待查询故障信息的故障特征向量。
上述特征提取模型可以通过携带有故障特征向量标签的形式不同的各项故障信息样本训练得到,此处不作具体限定。可以理解的是,各项故障信息样本与待查询故障信息所对应的故障设备的类型是相同的。
然后执行步骤S3,计算待查询故障信息的故障特征向量与各维修案例信息对应的案例故障特征向量之间的相似度。其中,各维修案例信息是指故障设备的同类型设备在生命周期内出现的各次故障及对应的维修方案的相关信息。每个维修案例对应一个维修案例信息,每个维修案例信息均包括基础信息、故障信息以及维修信息。
每个维修案例信息中的基础信息可以包括故障报修人员及其联系电话、维修类型、所在区域、故障设备地址、故障维修人员及其联系电话等。
每个维修案例信息中的故障信息可以包括故障的相关描述信息,例如可以包括故障文字信息、故障图像信息、故障视频信息以及故障音频信息中形式不同的若干项故障信息,此处不作具体限定。
优选地,为提高维修案例信息查询的有效性,每个维修案例信息中的故障信息可以包括所有形式的故障信息,即至少可以包括故障文字信息、故障图像信息、故障视频信息以及故障音频信息。
每个维修案例信息中的维修信息是指针对故障信息做出的维修方案以及维修等级信息等,还可以包括故障报修人员对故障维修人员的评价信息以及评分信息等。
每个维修案例信息对应的案例故障特征向量是指每个维修案例信息中故障信息的特征向量,可以事先采用对待查询故障信息进行特征提取的方法,对每个维修案例信息中故障信息进行特征提取得到,也可以采用其他方法事先得到,此处不作具体限定。
此后,可以计算待查询故障信息的故障特征向量与各维修案例信息对应的案例故障特征向量之间的相似度,该相似度可以采用余弦相似度的计算方式进行计算,也可以采用神经网络模型进行计算,此处对相似度的计算方式不作具体限定。该相似度可以是百分数形式,也可以是百分制得分形式。
该相似度用于表征待查询故障信息与各维修案例信息中故障信息之间的相似程度,相似度越大则相似程度越大。
最后,执行步骤S4,通过待查询故障信息的故障特征向量与各维修案例信息对应的案例故障特征向量之间的相似度,可以从各维修案例信息中选取目标维修案例信息,并将该目标维修案例信息作为待查询故障信息对应的查询结果。该目标维修案例信息可以是各维修案例信息中对应的相似度高的若干个维修案例信息。
进而,可以根据目标维修案例信息中的维修信息对待查询故障信息进行故障定位及维修,可以大大降低故障定位耗时和企业成本。
本发明实施例中提供的维修案例信息查询方法,首先获取待查询故障信息;然后对所述待查询故障信息进行特征提取,得到故障特征向量;进而计算所述故障特征向量与各维修案例信息对应的案例故障特征向量之间的相似度;最后通过各相似度,从所述各维修案例信息中选取目标维修案例信息作为所述待查询故障信息对应的查询结果。该方法并不需要专业工程师进行现场服务,而是通过查询的方式可以确定目标维修案例信息,进而找到对应的维修信息,用户通过该维修信息可以对故障设备进行维修,不仅可以大大降低人力成本,而且可以降低故障定位耗时和企业成本。
在上述实施例的基础上,本发明实施例中提供的维修案例信息查询方法,所述待查询故障信息包括形式不同的多项故障信息;
相应地,所述对所述待查询故障信息进行特征提取,得到故障特征向量,包括:
分别对所述多项故障信息进行特征提取,得到所述多项故障信息对应的特征向量;
将所述多项故障信息对应的特征向量进行融合,得到所述故障特征向量。
具体地,本发明实施例中,待查询故障信息可以包括形式不同的多项故障信息,即形式不同的至少两项故障信息。例如,故障文字信息、故障图像信息、故障视频信息以及故障音频信息中的至少两项。
相应地,在对待查询故障信息进行特征提取,得到故障特征向量时,可以先分别对形式不同的各项故障信息进行特征提取,得到各项故障信息对应的特征向量。此处,可以分别对各项故障信息采用不同的特征提取算法进行特征提取,采用的具体算法可以根据需要进行选取,此处不作具体限定。
此后,为充分利用各项故障信息,可以将各项故障信息对应的特征向量进行融合,即可得到待查询故障信息的故障特征向量,进而可以使得到的故障特征向量充分表征待查询故障信息。
在进行融合时,可以采用直接融合的方式将各项故障信息对应的特征向量拼接成故障特征向量,也可以将各项故障信息对应的特征向量逐元素相加或相乘,进而得到故障特征向量,此处对融合方式不作具体限定。
本发明实施例中,在对待查询故障信息进行特征提取的过程中,当待查询故障信息中包含有多项故障信息时,需要分别进行特征提取并进行特征融合,可以使得到的故障特征向量可以表征完整的待查询故障信息,便于后续相似度的计算,可以提高推荐结果的准确性。
在上述实施例的基础上,本发明实施例中提供的维修案例信息查询方法,所述分别对所述多项故障信息进行特征提取,得到所述多项故障信息对应的特征向量,包括:
对于所述多项故障信息中的任一项故障信息,基于所述任一项故障信息对应的特征提取模型,对所述任一项故障信息进行特征提取,得到所述任一项故障信息对应的特征向量;
其中,所述任一项故障信息对应的特征提取模型基于携带有特征向量标签的所述任一项故障信息对应的样本故障信息训练得到。
具体地,本发明实施例中,在分别对多项故障信息进行特征提取,得到多项故障信息对应的特征向量时,对于多项故障信息中的任一项故障信息,该任一项故障信息可以是多项故障信息中的每一项故障信息,可以引入该任一项故障信息对应的特征提取模型,通过该任一项故障信息对应的特征提取模型,对该任一项故障信息进行特征提取,得到该任一项故障信息对应的特征向量。
可以理解的是,该任一项故障信息对应的特征提取模型可以基于神经网络模型构建,并通过携带有特征向量标签的该任一项故障信息对应的样本故障信息训练得到。
例如,若该任一项故障信息为故障文本信息,则该任一项故障信息对应的特征提取模型可以是文本特征提取模型,该文本特征提取模型可以用于对该故障文本信息进行分词、关键词提取、实体词提取以及句向量提取等,得到的该任一项故障信息对应的特征向量可以包括词向量以及句向量,词向量可以包括关键词向量以及实体词向量等。
此处,文本特征提取模型可以是基于BETR模型、LSTM模型、RCNN模型、BiLSTM模型、AlBert模型或fastcnn模型等构建。文本特征提取模型可以通过携带有文本特征向量标签的故障文本信息对应的样本故障信息训练得到。
若该任一项故障信息为故障图像信息,则该任一项故障信息对应的特征提取模型可以是图像特征提取模型,可以将故障图像信息输入至该图像特征提取模型,可以得到故障图像信息对应的图像特征向量。
此处,图像特征提取模型可以是基于BETR模型、LSTM模型、RCNN模型、BiLSTM模型、AlBert模型或fastcnn模型等构建。图像特征提取模型可以通过携带有图像特征向量标签的故障图像信息对应的样本故障信息训练得到。
若该任一项故障信息为故障视频信息,则该任一项故障信息对应的特征提取模型可以是视频特征提取模型,可以将故障视频信息输入至该视频特征提取模型,可以得到故障视频信息对应的视频特征向量。
此处,视频特征提取模型可以是基于BETR模型、LSTM模型、RCNN模型、BiLSTM模型、AlBert模型或fastcnn模型等构建。视频特征提取模型可以通过携带有视频特征向量标签的故障视频信息对应的样本故障信息训练得到。
若该任一项故障信息为故障音频信息,则该任一项故障信息对应的特征提取模型可以是音频特征提取模型,可以将故障音频信息输入至该音频特征提取模型,可以得到故障音频信息对应的音频特征向量。
此处,音频特征提取模型可以是基于BETR模型、LSTM模型、RCNN模型、BiLSTM模型、AlBert模型或fastcnn模型等构建。音频特征提取模型可以通过携带有音频特征向量标签的故障音频信息对应的样本故障信息训练得到。
本发明实施例中,在进行特征提取时,引入相应的特征提取模型实现,可以提高特征提取效率,进而提高检索效率。
在上述实施例的基础上,本发明实施例中提供的维修案例信息查询方法,所述将所述多项故障信息对应的特征向量进行融合,得到所述故障特征向量,包括:
将所述多项故障信息对应的特征向量输入至多模态特征融合模型,由所述多模态特征融合模型对所述多项故障信息对应的特征向量进行融合,得到并输出所述故障特征向量;
其中,所述多模态特征融合模型基于携带有融合结果标签的多项故障信息对应的样本故障信息的特征向量样本训练得到。
具体地,本发明实施例中,在将多项故障信息对应的特征向量进行融合,得到故障特征向量时,可以将多项故障信息对应的特征向量输入至多模态特征融合模型,由多模态特征融合模型对多项故障信息对应的特征向量进行融合,得到并输出故障特征向量。
该多模态特征融合模型可以是多模态分解双线性池(multi-modal FactorizedBilinear pooling,MFB)模型,包括全连接层(fully connected layers,FC))、运算层以及池化层,通过全连接层将输入的各特征向量转换为高维向量。通过运算层将各特征向量对应的高维向量进行逐元素运算,得到运算结果。其中,该运算可以是相乘运算或相加运算等,通过池化层对上述运算结果进行SUM pooling操作,得到故障特征向量。
可以理解的是,该多模态特征融合模型可以通过携带有融合结果标签的多项故障信息对应的样本故障信息的特征向量样本训练得到。
本发明实施例中,在进行特征融合时,引入多模态特征融合模型,可以提高特征融合效率,进而提高信息检索效率。
图2为特征提取以及特征融合步骤的流程示意图,如图2所示,待查询故障信息包括故障文字信息、故障图像信息、故障视频信息以及故障音频信息共四项故障信息,故障文字信息进行文字特征提取,故障图像信息进行图像特征提取,故障视频信息进行视频特征提取,故障音频信息进行音频特征提取,分别得到文字特征向量、图像特征向量、视频特征向量以及音频特征向量。然后,将各特征向量输入至多模态特征融合模型的全连接层、运算层以及池化层,最终得出故障特征向量。
在上述实施例的基础上,本发明实施例中提供的维修案例信息查询方法,所述计算所述故障特征向量与各维修案例信息对应的案例故障特征向量之间的相似度,包括:
将所述故障特征向量以及所述各维修案例信息对应的案例故障特征向量输入至神经协同过滤模型,由所述神经协同过滤模型计算并输出所述故障特征向量与各维修案例信息对应的案例故障特征向量之间的相似度;
其中,所述神经协同过滤模型基于第一特征向量样本、多个第二特征向量样本以及所述第一特征向量样本与所述多个第二特征向量样本之间的相似度标签训练得到。
具体地,本发明实施例中,在计算故障特征向量与各案例故障特征向量之间的相似度时,可以引入神经协同过滤(Neural Collaborative Filtering,NCF)模型,将故障特征向量与各案例故障特征向量均作为NCF模型的输入,通过NCF模型计算故障特征向量与各案例故障特征向量之间的相似度,且NCF模型以得分的形式输出各相似度。
可以理解的是,NCF模型是通过第一特征向量样本、多个第二特征向量样本以及第一特征向量样本与多个第二特征向量样本之间的相似度标签训练得到。
本发明实施例中,通过神经协同过滤模型计算各特征向量之间的相似度,可以使相似度计算结果更加准确,也可以提高计算效率,进而提高检索结果的准确性以及检索效率。
在上述实施例的基础上,本发明实施例中提供的维修案例信息查询方法,所述基于各相似度,从所述各维修案例信息中选取目标维修案例信息作为所述待查询故障信息对应的查询结果,包括:
按所述各相似度,对所述各维修案例信息进行排序,得到排序结果;
基于所述排序结果,确定所述目标维修案例信息作为所述查询结果。
具体地,本发明实施例中,在通过各相似度,从各维修案例信息中选取目标维修案例信息作为待查询故障信息对应的查询结果时,可以先按各相似度,对各维修案例信息进行排序,得到排序结果。在排序时,可以是按相似度取值的升序排列,也可以是按相似度取值的降序排列,此处不做具体限定。
此后,可以根据得到的排序结果,确定出目标维修案例信息作为查询结果。该目标维修案例信息可以是升序排序结果中的前N个相似度对应的维修案例信息,也可以是降序排序结果中的后N个相似度对应的维修案例信息。其中,N≥1。
本发明实施例中,通过对各维修案例信息按相似度进行排序,进而确定查询结果,可以使查询结果更加符合用户的需求,提高用户体验。
如图3所示,在上述实施例的基础上,本发明实施例中提供了一种维修案例信息查询装置,包括:
信息获取模块31,用于获取待查询故障信息;
特征提取模块32,用于对所述待查询故障信息进行特征提取,得到故障特征向量;
相似度计算模块33,用于计算所述故障特征向量与各维修案例信息对应的案例故障特征向量之间的相似度;
查询结果确定模块34,用于基于各相似度,从所述各维修案例信息中选取目标维修案例信息作为所述待查询故障信息对应的查询结果。
在上述实施例的基础上,本发明实施例中提供的维修案例信息查询装置,所述待查询故障信息包括形式不同的多项故障信息;
相应地,所述特征提取模块,用于:
分别对所述多项故障信息进行特征提取,得到所述多项故障信息对应的特征向量;
将所述多项故障信息对应的特征向量进行融合,得到所述故障特征向量。
在上述实施例的基础上,本发明实施例中提供的维修案例信息查询装置,所述多项故障信息包括故障文字信息、故障图像信息、故障视频信息以及故障音频信息中的至少两项。
在上述实施例的基础上,本发明实施例中提供的维修案例信息查询装置,所述特征提取模块,具体用于:
对于所述多项故障信息中的任一项故障信息,基于所述任一项故障信息对应的特征提取模型,对所述任一项故障信息进行特征提取,得到所述任一项故障信息对应的特征向量;
其中,所述任一项故障信息对应的特征提取模型基于携带有特征向量标签的所述任一项故障信息对应的样本故障信息训练得到。
在上述实施例的基础上,本发明实施例中提供的维修案例信息查询装置,所述特征提取模块,还具体用于:
将所述多项故障信息对应的特征向量输入至多模态特征融合模型,由所述多模态特征融合模型对所述多项故障信息对应的特征向量进行融合,得到并输出所述故障特征向量;
其中,所述多模态特征融合模型基于携带有融合结果标签的多项故障信息对应的样本故障信息的特征向量样本训练得到。
在上述实施例的基础上,本发明实施例中提供的维修案例信息查询装置,所述相似度计算模块,用于:
将所述故障特征向量以及所述各维修案例信息对应的案例故障特征向量输入至神经协同过滤模型,由所述神经协同过滤模型计算并输出所述故障特征向量与各维修案例信息对应的案例故障特征向量之间的相似度;
其中,所述神经协同过滤模型基于第一特征向量样本、多个第二特征向量样本以及所述第一特征向量样本与所述多个第二特征向量样本之间的相似度标签训练得到。
在上述实施例的基础上,本发明实施例中提供的维修案例信息查询装置,所述查询结果确定模块,用于:
按所述各相似度,对所述各维修案例信息进行排序,得到排序结果;
基于所述排序结果,确定所述目标维修案例信息作为所述查询结果。
具体地,本发明实施例中提供的维修案例信息查询装置中各模块的作用与上述方法类实施例中各步骤的操作流程是一一对应的,实现的效果也是一致的,具体参见上述实施例,本发明实施例中对此不再赘述。
图4示例了一种电子设备的实体结构示意图,如图4所示,该电子设备可以包括:处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440,其中,处理器410,通信接口420,存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令,以执行上述各实施例中提供的维修案例信息查询方法,该方法包括:获取待查询故障信息;对所述待查询故障信息进行特征提取,得到故障特征向量;计算所述故障特征向量与各维修案例信息对应的案例故障特征向量之间的相似度;基于各相似度,从所述各维修案例信息中选取目标维修案例信息作为所述待查询故障信息对应的查询结果。
此外,上述的存储器430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。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各实施例中提供的维修案例信息查询方法,该方法包括:获取待查询故障信息;对所述待查询故障信息进行特征提取,得到故障特征向量;计算所述故障特征向量与各维修案例信息对应的案例故障特征向量之间的相似度;基于各相似度,从所述各维修案例信息中选取目标维修案例信息作为所述待查询故障信息对应的查询结果。
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实施例中提供的维修案例信息查询方法,该方法包括:获取待查询故障信息;对所述待查询故障信息进行特征提取,得到故障特征向量;计算所述故障特征向量与各维修案例信息对应的案例故障特征向量之间的相似度;基于各相似度,从所述各维修案例信息中选取目标维修案例信息作为所述待查询故障信息对应的查询结果。
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 (10)
1.一种维修案例信息查询方法,其特征在于,包括:
获取待查询故障信息;
对所述待查询故障信息进行特征提取,得到故障特征向量;
计算所述故障特征向量与各维修案例信息对应的案例故障特征向量之间的相似度;
基于各相似度,从所述各维修案例信息中选取目标维修案例信息作为所述待查询故障信息对应的查询结果。
2.根据权利要求1所述的维修案例信息查询方法,其特征在于,所述待查询故障信息包括形式不同的多项故障信息;
相应地,所述对所述待查询故障信息进行特征提取,得到故障特征向量,包括:
分别对所述多项故障信息进行特征提取,得到所述多项故障信息对应的特征向量;
将所述多项故障信息对应的特征向量进行融合,得到所述故障特征向量。
3.根据权利要求2所述的维修案例信息查询方法,其特征在于,所述多项故障信息包括故障文字信息、故障图像信息、故障视频信息以及故障音频信息中的至少两项。
4.根据权利要求2所述的维修案例信息查询方法,其特征在于,所述分别对所述多项故障信息进行特征提取,得到所述多项故障信息对应的特征向量,包括:
对于所述多项故障信息中的任一项故障信息,基于所述任一项故障信息对应的特征提取模型,对所述任一项故障信息进行特征提取,得到所述任一项故障信息对应的特征向量;
其中,所述任一项故障信息对应的特征提取模型基于携带有特征向量标签的所述任一项故障信息对应的样本故障信息训练得到。
5.根据权利要求2所述的维修案例信息查询方法,其特征在于,所述将所述多项故障信息对应的特征向量进行融合,得到所述故障特征向量,包括:
将所述多项故障信息对应的特征向量输入至多模态特征融合模型,由所述多模态特征融合模型对所述多项故障信息对应的特征向量进行融合,得到并输出所述故障特征向量;
其中,所述多模态特征融合模型基于携带有融合结果标签的多项故障信息对应的样本故障信息的特征向量样本训练得到。
6.根据权利要求1-5中任一项所述的维修案例信息查询方法,其特征在于,所述计算所述故障特征向量与各维修案例信息对应的案例故障特征向量之间的相似度,包括:
将所述故障特征向量以及所述各维修案例信息对应的案例故障特征向量输入至神经协同过滤模型,由所述神经协同过滤模型计算并输出所述故障特征向量与各维修案例信息对应的案例故障特征向量之间的相似度;
其中,所述神经协同过滤模型基于第一特征向量样本、多个第二特征向量样本以及所述第一特征向量样本与所述多个第二特征向量样本之间的相似度标签训练得到。
7.根据权利要求1-5中任一项所述的维修案例信息查询方法,其特征在于,所述基于各相似度,从所述各维修案例信息中选取目标维修案例信息作为所述待查询故障信息对应的查询结果,包括:
按所述各相似度,对所述各维修案例信息进行排序,得到排序结果;
基于所述排序结果,确定所述目标维修案例信息作为所述查询结果。
8.一种维修案例信息查询装置,其特征在于,包括:
信息获取模块,用于获取待查询故障信息;
特征提取模块,用于对所述待查询故障信息进行特征提取,得到故障特征向量;
相似度计算模块,用于计算所述故障特征向量与各维修案例信息对应的案例故障特征向量之间的相似度;
查询结果确定模块,用于基于各相似度,从所述各维修案例信息中选取目标维修案例信息作为所述待查询故障信息对应的查询结果。
9.一种电子设备,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程序时实现如权利要求1至7任一项所述维修案例信息查询方法的步骤。
10.一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7任一项所述维修案例信息查询方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210217501.XA CN114691680A (zh) | 2022-03-07 | 2022-03-07 | 维修案例信息查询方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210217501.XA CN114691680A (zh) | 2022-03-07 | 2022-03-07 | 维修案例信息查询方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114691680A true CN114691680A (zh) | 2022-07-01 |
Family
ID=82137188
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210217501.XA Pending CN114691680A (zh) | 2022-03-07 | 2022-03-07 | 维修案例信息查询方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114691680A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114996536A (zh) * | 2022-08-08 | 2022-09-02 | 深圳市信润富联数字科技有限公司 | 维修方案查询方法、装置、设备及计算机可读存储介质 |
CN116542648A (zh) * | 2023-04-18 | 2023-08-04 | 国网宁夏电力有限公司中卫供电公司 | 一种基于大数据匹配的电网设备故障维护辅助方法和*** |
-
2022
- 2022-03-07 CN CN202210217501.XA patent/CN114691680A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114996536A (zh) * | 2022-08-08 | 2022-09-02 | 深圳市信润富联数字科技有限公司 | 维修方案查询方法、装置、设备及计算机可读存储介质 |
CN116542648A (zh) * | 2023-04-18 | 2023-08-04 | 国网宁夏电力有限公司中卫供电公司 | 一种基于大数据匹配的电网设备故障维护辅助方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108804641B (zh) | 一种文本相似度的计算方法、装置、设备和存储介质 | |
CN110472090B (zh) | 基于语义标签的图像检索方法以及相关装置、存储介质 | |
CN111966716B (zh) | 数据处理方法以及装置 | |
CN114691680A (zh) | 维修案例信息查询方法、装置、电子设备及存储介质 | |
CN112380870A (zh) | 用户意图分析方法、装置、电子设备及计算机存储介质 | |
CN109299245A (zh) | 知识点召回的方法和装置 | |
CN112765230B (zh) | 基于互联网金融的支付大数据分析方法及大数据分析*** | |
JP2019040402A (ja) | 特許要件適否予測装置および特許要件適否予測プログラム | |
CN112182145A (zh) | 文本相似度确定方法、装置、设备和存储介质 | |
CN112434501A (zh) | 工单智能生成的方法、装置、电子设备及介质 | |
CN108984777B (zh) | 客户服务方法、装置和计算机可读存储介质 | |
CN111126054A (zh) | 确定相似文本的方法、装置、存储介质及电子设备 | |
CN114049174A (zh) | 用于商品推荐的方法及装置、电子设备、存储介质 | |
CN112597292B (zh) | 问题回复推荐方法、装置、计算机设备和存储介质 | |
CN110377803B (zh) | 信息处理方法以及装置 | |
CN112163098A (zh) | 一种知识图谱的创建方法、装置、存储介质和服务器 | |
CN111831286B (zh) | 一种用户投诉处理方法和设备 | |
CN112148939A (zh) | 数据处理方法、装置及电子设备 | |
CN113705201B (zh) | 基于文本的事件概率预测评估算法、电子设备及存储介质 | |
CN111782774A (zh) | 一种问题推荐的方法及装置 | |
CN111611353A (zh) | 筛选方法、装置、电子设备及计算机可读存储介质 | |
CN108334522B (zh) | 确定海关编码的方法,以及确定类型信息的方法和*** | |
CN115309865A (zh) | 基于双塔模型的交互式检索方法、装置、设备及存储介质 | |
CN111476641A (zh) | 一种移动设备上语音自动下单的方法、***及存储介质 | |
Shirol et al. | Semantic Search for Sustainable Platforms Using Transformers |
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 |