CN115879614A - 一种供应链问题的求解方法、装置、设备以及存储介质 - Google Patents
一种供应链问题的求解方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN115879614A CN115879614A CN202211536459.4A CN202211536459A CN115879614A CN 115879614 A CN115879614 A CN 115879614A CN 202211536459 A CN202211536459 A CN 202211536459A CN 115879614 A CN115879614 A CN 115879614A
- Authority
- CN
- China
- Prior art keywords
- supply chain
- solving
- data set
- samples
- chain problem
- 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
-
- 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
- Stored Programmes (AREA)
Abstract
本申请实施例涉及人工智能技术领域,特别涉及一种供应链问题的求解方法、装置、设备以及存储介质。本申请将待求解供应链问题输入至程序执行器中进行求解,得到待求解供应链问题的答案;其中,程序执行器由经过数值特征调整和/或领域主题内容调整的多个样本对预设的程序生成模型训练器进行训练得到,样本包括供应链问题及其对应求解程序,本申请将通过经过数值特征调整和/或领域主题内容调整的多个样本对程序生成模型训练器进行训练得到的程序执行器能够充分提取输入数据中的供应链特征,进而提升程序执行器识别供应链问题的用户意图能力和抽取该问题对应求解程序的能力,最终提高程序执行器求解供应链问题的准确度。
Description
技术领域
本申请实施例涉及人工智能技术领域,尤其涉及一种供应链问题的求解方法、装置、设备以及存储介质。
背景技术
在供应链管理场景中,通常需要处理很多带约束条件的最优化问题,例如给定一些条件,求运输某些货物的最短路径、最少运费等。这类问题需要具有一定数学背景的专业人员,利用如GUROBI、CPLEX等软件包求解器才能解决;但这些软件授权使用费非常昂贵,且有较高使用门槛和并发用户数限制。
现阶段,为了进一步简化使用场景的要求,多通过对用户描述的问题进行复杂的语法结构解析,识别其中的参数,然后将这些参数输入到对应程序函数中,执行得到结果。但由于人的教育背景、语言习惯之间存在的巨大差异,以及语法结构解析的不够精准,导致现有技术在识别用户意图和抽取求解程序中函数的参数这方面,识别效果不够准,很大程度上影响了用户使用效果。
发明内容
以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
本公开实施例的主要目的在于提出一种供应链问题的求解方法、装置、设备以及存储介质,能够提升程序执行器识别供应链问题的用户意图能力和抽取该问题对应求解程序的能力,最终提高程序执行器求解供应链问题的准确度。
为实现上述目的,本公开实施例的第一方面提出了一种供应链问题的求解方法,所述供应链问题的求解方法包括:
获取待求解供应链问题;
将所述待求解供应链问题输入至程序执行器中进行求解,得到所述待求解供应链问题的答案;其中,所述程序执行器由经过数值特征调整和/或领域主题内容调整的多个样本对预设的程序生成模型训练器进行训练得到,所述样本包括供应链问题及其对应求解程序。
在一些实施例中,所述程序执行器通过如下方式训练得到:
获取多个供应链问题及其对应求解程序,并将所述供应链问题及其对应求解程序作为样本生成第一数据集;
对所述第一数据集中样本的数值特征进行调整,得到第二数据集;
对所述第一数据集中样本的领域主题内容进行调整,得到第三数据集;
将所述第二数据集和所述第三数据集中样本输入至预设的程序生成模型训练器中进行训练,得到所述程序执行器。
在一些实施例中,所述对所述第一数据集中样本的数值特征进行调整,包括:
将所述第一数据集中的样本调整成依次包括所述供应链问题、所述供应链问题中的数值词以及对应求解程序的样本。
在一些实施例中,所述对所述第一数据集中样本的领域主题内容进行调整,包括:
获取所述供应链问题对应供应链场景的需求描述文本;
从所述需求描述文本中提取需求描述的实体、名词和动词,得到需求描述数据集;
将所述第一数据集中的样本调整成依次包括所述供应链问题、所述需求描述数据集中的类型元素以及对应求解程序的样本;其中,所述类型元素包括非实体名词、实体名词、动词中的一种。
在一些实施例中,所述从所述需求描述文本中提取需求描述的实体、名词和动词,得到需求描述数据集,包括:
根据所述需求描述的实体、名词和动词生成第一集合;
获取供应链领域短语集合,将所述第一集合中的元素与所述供应链领域短语集合中的元素进行字符串匹配,得到由两个集合之间的匹配元素组成的第二集合和所述第一集合中的不匹配元素组成的第三集合;
将所述第三集合中的元素与所述供应链领域短语集合中的元素进行相似度匹配,得到由所述第三集合中的相似度超出阈值的元素组成的第四集合;
根据所述第二集合和所述第四集合,得到需求描述数据集。
在一些实施例中,通过如下方式选取所述需求描述数据集中的类型元素:
计算非实体名词、实体名词和动词在所述需求描述数据集中的所占概率,根据所述所占概率对所述非实体名词、实体名词和动词分别设置对应的选取概率;其中,所述类型元素在所述需求描述数据集中的所占概率越高,则所述类型元素的所述选取概率越高;
根据所述选取概率选取所述需求描述数据集中的类型元素。
在一些实施例中,所述程序生成模型训练器采用交叉熵损失函数进行联合训练,采用梯度下降算法进行优化。
为实现上述目的,本公开实施例的第二方面提出了一种供应链问题的求解装置,所述供应链问题的求解装置包括:
问题获取单元,用于获取待求解供应链问题;
问题求解单元,用于将所述待求解供应链问题输入至程序执行器中进行求解,得到所述待求解供应链问题的答案;其中,所述程序执行器由经过数值特征调整和/或领域主题内容调整的多个样本对预设的程序生成模型训练器进行训练得到,所述样本包括供应链问题及其对应求解程序。
为实现上述目的,本公开实施例的第三方面提出了一种电子设备,包括至少一个存储器;
至少一个处理器;
至少一个计算机程序;
所述计算机程序被存储在所述存储器中,处理器执行所述至少一个计算机程序以实现:
如第一方面实施例任一项所述的供应链问题的求解方法。
为实现上述目的,本公开实施例的第四方面还提出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计算机可执行指令,所述计算机可执行指令用于使计算机执行:
如第一方面实施例任一项所述的供应链问题的求解方法。
本申请实施例第一方面提供了一种供应链问题的求解方法,本方法充分考虑供应链管理知识对于供应链问题自动求解的有利影响,将数值特征和/或领域主题内容加入训练样本,通过经过数值特征调整和/或领域主题内容调整的多个样本对预设的程序生成模型训练器进行训练得到的程序执行器能够充分提取输入数据中的供应链管理领域特征,从而提升程序执行器识别供应链问题的用户意图能力和抽取该问题对应求解程序的能力,最终提高程序执行器求解供应链问题的准确度。
可以理解的是,上述第二方面至第四方面与相关技术相比存在的有益效果与上述第一方面与相关技术相比存在的有益效果相同,可以参见上述第一方面中的相关描述,在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请实施例的一些实施例,对于本领域普通技术人员来说,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一个实施例提供的一种供应链问题的求解方法的流程示意图;
图2是本申请一个实施例提供的程序执行器的训练流程示意图;
图3是图2中的步骤S220的流程示意图;
图4是图2中的步骤S230的流程示意图;
图5是图4中的步骤S232的流程示意图;
图6是图4中的步骤S233的流程示意图;
图7是本申请一个实施例提供的一种供应链问题的求解装置的结构示意图;
图8是本申请一个实施例提供的电子设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
需要说明的是,虽然在装置示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于装置中的模块划分,或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
在供应链管理场景中,通常需要处理很多带约束条件的最优化问题,例如给定一些条件,求运输某些货物的最短路径、最少运费等。这类问题需要具有一定数学背景的专业人员,利用如GUROBI、CPLEX等软件包求解器才能解决;但这些软件授权使用费非常昂贵,且有较高使用门槛和并发用户数限制。
现阶段,为了进一步简化使用场景的要求,多通过对用户描述的问题进行复杂的语法结构解析,识别其中的参数,然后将这些参数输入到对应程序函数中,执行得到结果。但由于人的教育背景、语言习惯之间存在的巨大差异,以及语法结构解析的不够精准,导致现有技术在识别用户意图(即用户需要调用什么程序)和抽取求解程序中函数的参数这方面,识别效果不够准,很大程度上影响了用户使用效果。
基于此,本公开实施例提供一种供应链问题的求解方法、装置、设备以及存储介质,能够提升程序执行器识别供应链问题的用户意图能力和抽取该问题对应求解程序的能力,最终提高程序执行器求解供应链问题的准确度。
本申请实施例提供一种供应链问题的求解方法、装置、设备以及存储介质,具体通过如下实施例进行说明,首先描述本公开实施例中的供应链问题的求解方法。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例提供的供应链问题的求解方法,涉及人工智能技术领域,尤其涉及软件设计技术领域。本申请实施例提供的供应链问题的求解方法可应用于终端中,也可应用于服务器端中,还可以是运行于终端或服务器端中的软件。在一些实施例中,终端可以是智能手机、平板电脑、笔记本电脑、台式计算机或者智能手表等;服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器;软件可以是实现供应链问题的求解方法的应用等,但并不局限于以上形式。
本申请可用于众多通用或专用的计算机***环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器***、基于微处理器的***、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何***或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
第一方面,请参照图1,图1是本申请一个实施例提供的一种供应链问题的求解方法,应理解,本申请实施例的供应链问题的求解方法包括但不限于步骤S100至S200,下面结合图1对步骤S100和步骤S200进行详细介绍:
步骤S100、获取待求解供应链问题。
步骤S200、将待求解供应链问题输入至程序执行器中进行求解,得到待求解供应链问题的答案;其中,程序执行器由经过数值特征调整和/或领域主题内容调整的多个样本对预设的程序生成模型训练器进行训练得到,样本包括供应链问题及其对应求解程序。
在步骤S100中,待求解供应链问题是指现在需要进行求解答案的供应链问题。例如:“有三个工厂F1,F2,F3生产同种产品,它们的产量分别为25,15,10吨。该公司把这些产品分别运往四个销售点D1,D2,D3,D4,各销售点销量分别为13,21,9和7。从各工厂到各销售点的单位产品的运价为P11、P12,..,P34。问该公司应如何调运产品,在满足各销售点需求量的前提下,使得总运费为最少?”
在步骤S200中,程序生成模型训练器通常是基于GPT系列(此处系列指的是,GPT、GPT2和GPT3)自回归模型,结合不同编程语言(如C++、Java、Python)实现的针对指定业务需求的程序进行训练得到的模型。程序生成模型训练器能够掌握人类输入的自然问句和对应求解程序之间的映射关系;程序生成模型训练器能够接受用户输入的问句,生成并执行相应的求解程序,从而得到用户想要的答案。目前业界已经公开的性能较好的预训练程序生成模型有codex、codebert、pymt5等。在一些实施例中,这里可选择codex作为程序生成模型训练器。在本方案中,因为程序生成模型训练器在当初并非针对供应链管理领域训练,不掌握供应链管理领域的知识,直接使用效果不佳。所以还需要对程序生成模型训练器,结合不同供应链管理领域特征对训练样本进行微调训练,得到最后的程序执行器。
参照图2,在本申请的一些实施例中,程序执行器通过如下方式训练得到:
步骤S210、获取多个供应链问题及其对应求解程序,并将供应链问题及其对应求解程序作为样本生成第一数据集。
步骤S220、对第一数据集中样本的数值特征进行调整,得到第二数据集。
参照图3,在本申请的一些实施例中,步骤S220中的对第一数据集中样本的数值特征进行调整,包括如下步骤:
步骤S221、将第一数据集中的样本调整成依次包括供应链问题、供应链问题中的数值词以及对应求解程序的样本。
假设第一数据集中的一个样本包括供应链问题及其对应求解程序,那么将样本调整成如下形式:
[CLS]用户问题[SEP][用户问题中的数值词][SEP][问题对应程序][EOS],其中[CLS]、[SEP]、[EOS]为特殊标识符,用于表示一个样本的开始、对不同文本的间隔、样本的结尾。其中,数值词为具体的数字,如1吨、20立方米、最高、最小、最大这样的描述文本。
步骤S230、对第一数据集中样本的领域主题内容进行调整,得到第三数据集。
参照图4,在本申请的一些实施例中,步骤S230中的对第一数据集中样本的领域主题内容进行调整,包括如下步骤:
步骤S231、获取供应链问题对应供应链场景的需求描述文本。需求描述文本来源于用户输入。
步骤S232、从需求描述文本中提取需求描述的实体、名词和动词,得到需求描述数据集。
其中,参照图5步骤S232具体包括如下步骤S2321至S2324:
步骤S2321、根据需求描述的实体、名词和动词生成第一集合。
步骤S2322、获取供应链领域短语集合,将第一集合中的元素与供应链领域短语集合中的元素进行字符串匹配,得到由两个集合之间的匹配元素组成的第二集合和第一集合中的不匹配元素组成的第三集合。
步骤S2323、将第三集合中的元素与供应链领域短语集合中的元素进行相似度匹配,得到由第三集合中的相似度超出阈值的元素组成的第四集合。
步骤S2324、根据第二集合和第四集合,得到需求描述数据集。
首先,预先建立一个供应链领域短语集合,其存储了之前由专家收集的供应链问题对应供应链场景涉及的相关名词和动词。例如,一个涉及零售供应链场景的供应链领域短语集合的形式为:[工厂:杭州XX工厂、惠州XX厂、...、深圳XX厂],[门店:深圳上梅林店、深圳莲花路店、...、广州东风路店],[操作:搬运、装载、运输]。
然后,当用户输入一段需求描述文本后,调用语义分析器,将需求描述文本输入语义分析器,能够得到需求描述文本中的实体、名词、动词,将上述成分加入到第一集合。由于命名实体识别技术已较为成熟,本实施例不限定具体方法。
然后,将第一集合中的元素与供应链领域短语集合中的各元素进行逐一匹配,第一部分先采用精确字符串匹配方式,若二者完全匹配,则认为前者(第一集合)中元素与供应链领域短语集合中元素为同一个事物,将该部分元素生成第二集合;若不完全匹配,将第一集合中的不匹配的元素组成第三集合。第二部分将第三集合和供应链领域短语集合两个集合中的所有元素分别输入到语义特征提取器中,将得到的元素对应向量进行相似度匹配(可采用余弦等方式),若已识别第三集合中某个元素与供应链领域短语集合中某个元素的相似度超过阈值Ts(由用户预先设定),则可近似认为这两个元素为同一个事物,将该部分的元素组成第四集合;反之,若两个元素的相似度低于阈值Ts,则可提示用户,其输入的需求描述文本难以识别,需要用户重新输入更清晰的需求描述文本。这一步的目的是判断用户输入的需求描述文本中的主题词是否合适,语义匹配差距太远的就摒弃,因为会影响后续生成程序执行器的效果。
最后,将第二集合中元素和第四集合中元素组成需求描述数据集。
步骤S233、将第一数据集中的样本调整成依次包括供应链问题、需求描述数据集中的类型元素以及对应求解程序的样本;其中,类型元素包括非实体名词、实体名词、动词中的一种。
参照图6,在步骤S233中,通过如下方式选取需求描述数据集中的类型元素:
步骤S2331、计算非实体名词、实体名词和动词在需求描述数据集中的所占概率,根据所占概率对非实体名词、实体名词和动词分别设置对应的选取概率;其中,类型元素在需求描述数据集中的所占概率越高,则类型元素的选取概率越高。
步骤S2332、根据选取概率选取需求描述数据集中的类型元素。
比如,选择需求描述数据集中的元素方法为:按照a%概率选择非实体名词、b%概率选择实体名词、c%概率选择动词,a+b+c=1。a、b、c的取值原则为:按照非实体名词、实体名词、动词三种类型元素各自在需求描述数据集中出现频率降序排列,越靠前的某种类型元素被选中的概率越高。
在经过步骤S233之后,第三数据集中的样本调整成如下形式:
[CLS]用户问题[SEP][用户需求描述主题词集合中被选择的某种类型元素][SEP][问题对应程序][EOS],其中[CLS]、[SEP]、[EOS]为特殊标识符,用于表示一个样本的开始、对不同文本的间隔、样本的结尾。
步骤S240、将第二数据集和第三数据集中样本输入至预设的程序生成模型训练器中进行训练,得到程序执行器。
在本申请的一些实施例中,对上述两种训练目标(第一种是依据步骤S221中调整数值特征之后的样本进行训练的训练目标,另一种是步骤S233中调整领域主题内容的样本进行训练的训练目标),分别设置损失函数为loss1和loss2,分别赋予不同权重α、β,构成总损失函数Loss=αloss1+βloss2;在训练中采用交叉熵损失函数,进行联合训练,可采用SGD、Adam等梯度下降算法进行优化。
现阶段,为了进一步简化使用场景的要求,多通过对用户描述的问题进行复杂的语法结构解析,识别其中的参数,然后将这些参数输入到对应程序函数中,执行得到结果。但由于人的教育背景、语言习惯之间存在的巨大差异,以及语法结构解析的不够精准,导致现有技术在识别用户意图(即用户需要调用什么程序)和抽取求解程序中函数的参数这方面,识别效果不够准,很大程度上影响了用户使用效果。本方法实施例充分考虑供应链管理知识对于供应链问题自动求解的有利影响,将数值特征和/或领域主题内容加入训练样本,通过经过数值特征调整和/或领域主题内容调整的多个样本对预设的程序生成模型训练器进行训练得到的程序执行器能够充分提取输入数据中的供应链管理领域特征,选取更为合理的求解程序求解供应链问题,提升程序执行器识别供应链问题的用户意图能力和抽取该问题对应求解程序的能力,最终提高程序执行器求解供应链问题的准确度。
请参照图7,图7是本申请一些实施例提供的供应链问题的求解装置的模块框图。在一些实施例中,供应链问题的求解装置1000包括问题获取单元1100和问题求解单元1200,其中:
问题获取单元1100用于获取待求解供应链问题。
问题求解单元1200用于将待求解供应链问题输入至程序执行器中进行求解,得到待求解供应链问题的答案;其中,程序执行器由经过数值特征调整和/或领域主题内容调整的多个样本对预设的程序生成模型训练器进行训练得到,样本包括供应链问题及其对应求解程序。
现阶段,为了进一步简化使用场景的要求,多通过对用户描述的问题进行复杂的语法结构解析,识别其中的参数,然后将这些参数输入到对应程序函数中,执行得到结果。但由于人的教育背景、语言习惯之间存在的巨大差异,以及语法结构解析的不够精准,导致现有技术在识别用户意图(即用户需要调用什么程序)和抽取求解程序中函数的参数这方面,识别效果不够准,很大程度上影响了用户使用效果。本装置实施例充分考虑供应链管理知识对于供应链问题自动求解的有利影响,将数值特征和/或领域主题内容加入训练样本,通过经过数值特征调整和/或领域主题内容调整的多个样本对预设的程序生成模型训练器进行训练得到的程序执行器能够充分提取输入数据中的供应链管理领域特征,提升程序执行器识别供应链问题的用户意图能力和抽取该问题对应求解程序的能力,最终提高程序执行器求解供应链问题的准确度。
需要说明的是,本申请实施例的供应链问题的求解装置与前述的供应链问题的求解方法是基于同一个发明构思,因此,本申请实施例的供应链问题的求解装置与前述的供应链问题的求解方法相对应,具体的实现过程请参照前述的供应链问题的求解方法,在此不再赘述。
本申请实施例还提供了一种电子设备,本电子设备包括:
至少一个存储器;
至少一个处理器;
至少一个程序;
程序被存储在存储器中,处理器执行至少一个程序以实现本公开实施上述的供应链问题的求解方法。
该电子设备可以为包括手机、平板电脑、个人数字助理(Personal DigitalAssistant,PDA)、车载电脑等任意智能终端。
本申请实施例的电子设备,用于执行上述供应链问题的求解方法,充分考虑供应链管理知识对于供应链问题自动求解的有利影响,将数值特征和/或领域主题内容加入训练样本,通过经过数值特征调整和/或领域主题内容调整的多个样本对预设的程序生成模型训练器进行训练得到的程序执行器能够充分提取输入数据中的供应链管理领域特征,提升程序执行器识别供应链问题的用户意图能力和抽取该问题对应求解程序的能力,最终提高程序执行器求解供应链问题的准确度。
下面结合图8对本申请实施例的电子设备进行详细介绍。
如图8,图8示意了另一实施例的电子设备的硬件结构,电子设备包括:
处理器1600,可以采用通用的中央处理器(Central Processing Unit,CPU)、微处理器、应用专用集成电路(Application Specific Integrated Circuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本公开实施例所提供的技术方案;
存储器1700,可以采用只读存储器(Read Only Memory,ROM)、静态存储设备、动态存储设备或者随机存取存储器(Random Access Memory,RAM)等形式实现。存储器1700可以存储操作***和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器1700中,并由处理器1600来调用执行本公开实施例的供应链问题的求解方法。
输入/输出接口1800,用于实现信息输入及输出;
通信接口1900,用于实现本设备与其他设备的通信交互,可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信;
总线2000,在设备的各个组件(例如处理器1600、存储器1700、输入/输出接口1800和通信接口1900)之间传输信息;
其中处理器1600、存储器1700、输入/输出接口1800和通信接口1900通过总线2000实现彼此之间在设备内部的通信连接。
本公开实施例还提供了一种存储介质,该存储介质是计算机可读存储介质,该计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令用于使计算机执行上述供应链问题的求解方法。
本申请实施例的存储介质,用于执行上述供应链问题的求解方法,充分考虑供应链管理知识对于供应链问题自动求解的有利影响,将数值特征和/或领域主题内容加入训练样本,通过经过数值特征调整和/或领域主题内容调整的多个样本对预设的程序生成模型训练器进行训练得到的程序执行器能够充分提取输入数据中的供应链管理领域特征,提升程序执行器识别供应链问题的用户意图能力和抽取该问题对应求解程序的能力,最终提高程序执行器求解供应链问题的准确度。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本公开实施例描述的实施例是为了更加清楚的说明本公开实施例的技术方案,并不构成对于本公开实施例提供的技术方案的限定,本领域技术人员可知,随着技术的演变和新应用场景的出现,本公开实施例提供的技术方案对于类似的技术问题,同样适用。
本领域技术人员可以理解的是,图中示出的技术方案并不构成对本公开实施例的限定,可以包括比图示更多或更少的步骤,或者组合某些步骤,或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的,其中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,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可以理解,上文中所公开方法中的全部或某些步骤、***、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以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,本申请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全部或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,包括多指令用以使得一台电子设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例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(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序的介质
以上是对本申请实施例的较佳实施进行了具体说明,但本申请实施例并不局限于上述实施方式,熟悉本领域的技术人员在不违背本申请实施例精神的前提下还可作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请实施例权利要求所限定的范围内。
Claims (10)
1.一种供应链问题的求解方法,其特征在于,所述供应链问题的求解方法包括:
获取待求解供应链问题;
将所述待求解供应链问题输入至程序执行器中进行求解,得到所述待求解供应链问题的答案;其中,所述程序执行器由经过数值特征调整和/或领域主题内容调整的多个样本对预设的程序生成模型训练器进行训练得到,所述样本包括供应链问题及其对应求解程序。
2.根据权利要求1所述的供应链问题的求解方法,其特征在于,所述程序执行器通过如下方式训练得到:
获取多个供应链问题及其对应求解程序,并将所述供应链问题及其对应求解程序作为样本生成第一数据集;
对所述第一数据集中样本的数值特征进行调整,得到第二数据集;
对所述第一数据集中样本的领域主题内容进行调整,得到第三数据集;
将所述第二数据集和所述第三数据集中样本输入至预设的程序生成模型训练器中进行训练,得到所述程序执行器。
3.根据权利要求2所述的供应链问题的求解方法,其特征在于,所述对所述第一数据集中样本的数值特征进行调整,包括:
将所述第一数据集中的样本调整成依次包括所述供应链问题、所述供应链问题中的数值词以及对应求解程序的样本。
4.根据权利要求2所述的供应链问题的求解方法,其特征在于,所述对所述第一数据集中样本的领域主题内容进行调整,包括:
获取所述供应链问题对应供应链场景的需求描述文本;
从所述需求描述文本中提取需求描述的实体、名词和动词,得到需求描述数据集;
将所述第一数据集中的样本调整成依次包括所述供应链问题、所述需求描述数据集中的类型元素以及对应求解程序的样本;其中,所述类型元素包括非实体名词、实体名词、动词中的一种。
5.根据权利要求4所述的供应链问题的求解方法,其特征在于,所述从所述需求描述文本中提取需求描述的实体、名词和动词,得到需求描述数据集,包括:
根据所述需求描述的实体、名词和动词生成第一集合;
获取供应链领域短语集合,将所述第一集合中的元素与所述供应链领域短语集合中的元素进行字符串匹配,得到由两个集合之间的匹配元素组成的第二集合和所述第一集合中的不匹配元素组成的第三集合;
将所述第三集合中的元素与所述供应链领域短语集合中的元素进行相似度匹配,得到由所述第三集合中的相似度超出阈值的元素组成的第四集合;
根据所述第二集合和所述第四集合,得到需求描述数据集。
6.根据权利要求4所述的供应链问题的求解方法,其特征在于,通过如下方式选取所述需求描述数据集中的类型元素:
计算非实体名词、实体名词和动词在所述需求描述数据集中的所占概率,根据所述所占概率对所述非实体名词、实体名词和动词分别设置对应的选取概率;其中,所述类型元素在所述需求描述数据集中的所占概率越高,则所述类型元素的所述选取概率越高;
根据所述选取概率选取所述需求描述数据集中的类型元素。
7.根据权利要求1至6任一项所述的供应链问题的求解方法,其特征在于,所述程序生成模型训练器采用交叉熵损失函数进行联合训练,采用梯度下降算法进行优化。
8.一种供应链问题的求解装置,其特征在于,所述供应链问题的求解装置包括:
问题获取单元,用于获取待求解供应链问题;
问题求解单元,用于将所述待求解供应链问题输入至程序执行器中进行求解,得到所述待求解供应链问题的答案;其中,所述程序执行器由经过数值特征调整和/或领域主题内容调整的多个样本对预设的程序生成模型训练器进行训练得到,所述样本包括供应链问题及其对应求解程序。
9.一种电子设备,其特征在于,包括:
至少一个存储器;
至少一个处理器;
至少一个计算机程序;
所述计算机程序被存储在所述存储器中,处理器执行所述至少一个计算机程序以实现:如权利要求1至7任一项所述的供应链问题的求解方法。
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计算机可执行指令,所述计算机可执行指令用于使计算机执行:
如执行权利要求1至7任一项所述的供应链问题的求解方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211536459.4A CN115879614A (zh) | 2022-12-02 | 2022-12-02 | 一种供应链问题的求解方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211536459.4A CN115879614A (zh) | 2022-12-02 | 2022-12-02 | 一种供应链问题的求解方法、装置、设备以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115879614A true CN115879614A (zh) | 2023-03-31 |
Family
ID=85765525
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211536459.4A Pending CN115879614A (zh) | 2022-12-02 | 2022-12-02 | 一种供应链问题的求解方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115879614A (zh) |
-
2022
- 2022-12-02 CN CN202211536459.4A patent/CN115879614A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11062089B2 (en) | Method and apparatus for generating information | |
CN110795913B (zh) | 一种文本编码方法、装置、存储介质及终端 | |
CN112164391A (zh) | 语句处理方法、装置、电子设备及存储介质 | |
CN112633003A (zh) | 一种地址识别方法、装置、计算机设备及存储介质 | |
CN111078842A (zh) | 查询结果的确定方法、装置、服务器及存储介质 | |
CN111198939A (zh) | 语句相似度的分析方法、装置及计算机设备 | |
CN113849661A (zh) | 实体嵌入数据的提取方法和装置、电子设备、存储介质 | |
CN111651994B (zh) | 一种信息抽取方法、装置、电子设备和存储介质 | |
CN116680386A (zh) | 基于多轮对话的答案预测方法和装置、设备、存储介质 | |
CN110717333B (zh) | 文章摘要自动生成方法、装置及计算机可读存储介质 | |
CN112906361A (zh) | 文本数据的标注方法和装置、电子设备和存储介质 | |
CN116955561A (zh) | 问答方法、装置、电子设备以及存储介质 | |
CN114492661A (zh) | 文本数据分类方法和装置、计算机设备、存储介质 | |
CN114385694A (zh) | 一种数据加工处理方法、装置、计算机设备及存储介质 | |
CN113901838A (zh) | 对话检测方法和装置、电子设备、存储介质 | |
CN116701604A (zh) | 问答语料库的构建方法和装置、问答方法、设备及介质 | |
CN116244442A (zh) | 文本分类方法、装置、存储介质及电子设备 | |
CN114647739B (zh) | 实体链指方法、装置、电子设备及存储介质 | |
CN116775875A (zh) | 问题语料库构建方法和装置、问答方法、设备及存储介质 | |
CN114398903B (zh) | 意图识别方法、装置、电子设备及存储介质 | |
CN116543798A (zh) | 基于多分类器的情感识别方法和装置、电子设备、介质 | |
CN116127066A (zh) | 文本聚类方法、文本聚类装置、电子设备及存储介质 | |
CN115017886A (zh) | 文本匹配方法、文本匹配装置、电子设备及存储介质 | |
CN115659967A (zh) | 运筹优化方法、运筹优化装置、电子设备及存储介质 | |
CN115168544A (zh) | 信息提取方法及电子设备和存储介质 |
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 |