CN116127019A - 动态参数与可视化模型生成web 2d自动建模引擎*** - Google Patents

Abstract

本申请涉及智能建模领域，其具体地公开了一种动态参数与可视化模型生成WEB 2D自动建模引擎***，其通过采用基于深度学习的神经网络模型挖掘出产品需求的文本说明的语义理解特征信息和产品需求参数特征信息，进一步将两者进行融合以得到精准的产品需求语义理解信息，提高建模效率和质量。

Description

动态参数与可视化模型生成WEB 2D自动建模引擎***

技术领域

本申请涉及智能建模领域，且更为具体地，涉及一种动态参数与可视化模型生成WEB 2D自动建模引擎***。

背景技术

随着工业智能制造的发展，工业企业对设备可视化、远程运维的需求日趋强烈，传统的单机版组态软件已经不能满足越来越复杂的控制需求，那么实现Web组态可视化界面成为了主要的技术路径。

但是，现有的WEB 2D建模的智能化程度不高，而人为设计又容易出现错误。在进行WEB 2D建模的过程中，各个参数关系的错综复杂，设计出2D模型的效率较低，其不仅需要耗费大量工程师的精力，准确性也不能保证。

因此，期望一种智能化的WEB 2D自动建模引擎***，其能够驱动WEB 2D***进行自动建模引擎，以精准地进行2D建模，提高建模效率和质量。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种动态参数与可视化模型生成WEB 2D自动建模引擎***，其通过采用基于深度学习的神经网络模型挖掘出产品需求的文本说明的语义理解特征信息和产品需求参数特征信息，进一步将两者进行融合以得到精准的产品需求语义理解信息，提高建模效率和质量。

根据本申请的一个方面，提供了一种动态参数与可视化模型生成WEB 2D自动建模引擎***，其包括：产品需求采集模块，用于获取用户输入的产品需求，所述产品需求包括产品文本说明和所述用户在产品自定义参数模板表单输入的需求参数；产品文本语义理解模块，用于对所述产品文本说明进行分词处理后通过包含词嵌入层的语义编码器以得到产品文本说明语义理解特征向量；产品参数编码模块，用于将所述用户在产品自定义参数模板表单输入的需求参数分别通过独热编码器以得到多个需求参数独热编码向量；产品参数关联模块，用于将所述多个需求参数独热编码向量通过基于转换器的上下文编码器以得到参数上下文语义关联特征向量；特征融合模块，用于融合所述产品文本说明语义理解特征向量和所述参数上下文语义关联特征向量以得到建模需求理解特征向量；优化模块，用于基于所述产品文本说明语义理解特征向量和所述参数上下文语义关联特征向量，对所述建模需求理解特征向量进行特征分布优化以得到优化建模需求理解特征向量；以及2D模型生成模块，用于将所述优化建模需求理解特征向量通过基于扩散模型的模型生成器以生成2D模型。

在上述动态参数与可视化模型生成WEB 2D自动建模引擎***中，所述产品文本语义理解模块，包括：分词单元，用于对所述产品文本说明进行分词处理以将所述产品文本说明转化为由多个词组成的词序列；词嵌入单元，用于使用所述包含嵌入层的语义编码器的嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列；上下文编码单元，用于使用所述包含嵌入层的语义编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量；以及，级联单元，用于将所述多个全局上下文语义特征向量进行级联以得到所述产品文本说明语义理解特征向量。

在上述动态参数与可视化模型生成WEB 2D自动建模引擎***中，所述上下文编码单元，包括：第一查询向量构造子单元，用于将所述词嵌入向量的序列进行一维排列以得到全局特征向量；第一自注意子单元，用于计算所述全局特征向量与所述词嵌入向量的序列中词向量的转置向量之间的乘积以得到多个自注意力关联矩阵；第一标准化子单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；第一关注度计算子单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；第一注意力施加子单元，用于分别以所述多个概率值中各个概率值作为权重对所述词嵌入向量的序列中各个词向量进行加权以得到所述多个上下文语义特征向量；第一级联子单元，用于将所述多个上下文语义特征向量进行级联以得到所述全局上下文语义特征向量。

在上述动态参数与可视化模型生成WEB 2D自动建模引擎***中，所述产品参数关联模块，包括：第二查询向量构造单元，用于将所述多个需求参数独热编码向量进行一维排列以得到全局需求参数独热编码向量；第二自注意单元，用于计算所述全局需求参数独热编码向量与所述多个需求参数独热编码向量中各个需求参数独热编码向量的转置向量之间的乘积以得到多个自注意力关联矩阵；第二标准化单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；第二关注度计算单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；第二注意力施加单元，用于分别以所述多个概率值中各个概率值作为权重对所述多个需求参数独热编码向量中各个需求参数独热编码向量进行加权以得到所述多个上下文语义需求参数独热编码向量；第二级联单元，用于将所述多个上下文语义需求参数独热编码向量进行级联以得到所述参数上下文语义关联特征向量。

在上述动态参数与可视化模型生成WEB 2D自动建模引擎***中，所述特征融合模块，用于：以如下公式来融合所述产品文本说明语义理解特征向量和所述参数上下文语义关联特征向量以得到建模需求理解特征向量；其中，所述公式为：

 ，其中，表示所述产品文本说明语义理解特征向量，表示所述参数上下文语义关联特征向量，表示级联函数，表示所述建模需求理解特征向量。

在上述动态参数与可视化模型生成WEB 2D自动建模引擎***中，所述优化模块，包括：第一响应优化单元，用于计算所述产品文本说明语义理解特征向量和所述建模需求理解特征向量的非相干稀疏响应式融合以得到第一部分响应性融合特征向量；第二响应优化单元，用于计算所述参数上下文语义关联特征向量和所述建模需求理解特征向量的非相干稀疏响应式融合以得到第二部分响应性融合特征向量；点加优化单元，用于将所述第一部分响应性融合特征向量和所述第二部分响应性融合特征向量进行按位置点加以得到所述优化建模需求理解特征向量。

在上述动态参数与可视化模型生成WEB 2D自动建模引擎***中，所述第一响应优化单元，用于：以如下公式计算所述产品文本说明语义理解特征向量和所述建模需求理解特征向量的非相干稀疏响应式融合以得到所述第一部分响应性融合特征向量；其中，所述公式为：

 ，

其中、和分别表示所述产品文本说明语义理解特征向量、所述建模需求理解特征向量和所述第一部分响应性融合特征向量，和分别表示向量的一范数和二范数，为向量的长度，和分别表示向量乘积和向量点乘，且所有向量均为行向量形式。

在上述动态参数与可视化模型生成WEB 2D自动建模引擎***中，所述第二响应优化单元，用于：以如下公式计算所述参数上下文语义关联特征向量和所述建模需求理解特征向量的非相干稀疏响应式融合以得到所述第部分响应性融合特征向量；其中，所述公式为：

 ，

其中、和分别表示所述参数上下文语义关联特征向量、所述建模需求理解特征向量和所述第二部分响应性融合特征向量，和分别表示向量的一范数和二范数，为向量的长度，和分别表示向量乘积和向量点乘，且所有向量均为行向量形式。

根据本申请的另一方面，提供了一种动态参数与可视化模型生成WEB 2D自动建模引擎方法，其包括：获取用户输入的产品需求，所述产品需求包括产品文本说明和所述用户在产品自定义参数模板表单输入的需求参数；对所述产品文本说明进行分词处理后通过包含词嵌入层的语义编码器以得到产品文本说明语义理解特征向量；将所述用户在产品自定义参数模板表单输入的需求参数分别通过独热编码器以得到多个需求参数独热编码向量；将所述多个需求参数独热编码向量通过基于转换器的上下文编码器以得到参数上下文语义关联特征向量；融合所述产品文本说明语义理解特征向量和所述参数上下文语义关联特征向量以得到建模需求理解特征向量；基于所述产品文本说明语义理解特征向量和所述参数上下文语义关联特征向量，对所述建模需求理解特征向量进行特征分布优化以得到优化建模需求理解特征向量；以及将所述优化建模需求理解特征向量通过基于扩散模型的模型生成器以生成2D模型。

根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的动态参数与可视化模型生成WEB 2D自动建模引擎方法。

根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的动态参数与可视化模型生成WEB 2D自动建模引擎方法。

与现有技术相比，本申请提供的一种动态参数与可视化模型生成WEB 2D自动建模引擎***，其通过采用基于深度学习的神经网络模型挖掘出产品需求的文本说明的语义理解特征信息和产品需求参数特征信息，进一步将两者进行融合以得到精准的产品需求语义理解信息，提高建模效率和质量。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1为根据本申请实施例的动态参数与可视化模型生成WEB 2D自动建模引擎***的框图。

图2为根据本申请实施例的动态参数与可视化模型生成WEB 2D自动建模引擎***的***架构图。

图3为根据本申请实施例的动态参数与可视化模型生成WEB 2D自动建模引擎***中产品文本语义理解模块的框图。

图4为根据本申请实施例的动态参数与可视化模型生成WEB 2D自动建模引擎***中产品参数关联模块的框图。

图5为根据本申请实施例的动态参数与可视化模型生成WEB 2D自动建模引擎***中优化模块的框图。

图6为根据本申请实施例的动态参数与可视化模型生成WEB2D自动建模引擎方法的流程图。

图7为根据本申请实施例的电子设备的框图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

 申请概述：如上所述，现有的WEB 2D建模的智能化程度不高，而人为设计又容易出现错误。在进行WEB 2D建模的过程中，各个参数关系的错综复杂，设计出2D模型的效率较低，其不仅需要耗费大量工程师的精力，准确性也不能保证。因此，期望一种智能化的WEB2D自动建模引擎***，其能够驱动WEB 2D***进行自动建模引擎，以精准地进行2D建模，提高建模效率和质量。

相应地，考虑到在实际进行WEB 2D建模的过程中，最关键在于对于产品的需求进行精准地语义理解，以此来得到产品的需求说明语义特征信息和参数特征信息，以此提高2D建模的质量。但是，由于每个产品的文本说明中都具有不同的语言表达，并且各个产品的需求参数也有所不同，难以精确地对其进行确定，也就难以对于产品的文本说明语义理解特征和产品的需求参数特征进行相对应，这给2D建模的智能化实施带来了难度。因此，在实际进行WEB 2D建模的过程中，难点在于如何准确地挖掘并融合所述产品需求的文本说明的语义理解特征信息和所述产品需求参数特征信息，以此来得到精准的产品需求语义理解信息，提高建模效率和质量。

近年来，深度学***。

深度学习以及神经网络的发展为挖掘并融合所述产品需求的文本说明的语义理解特征信息和所述产品需求参数特征信息提供了新的解决思路和方案。

具体地，在本申请的技术方案中，首先，获取用户输入的产品需求，所述产品需求包括产品文本说明和所述用户在产品自定义参数模板表单输入的需求参数。接着，考虑到对于所述产品文本说明来说，其是由多个词组成的语句，并且各个词之间具有着上下文的语义关联关系，因此，为了能够准确地提取出所述产品文本说明中的语义理解特征信息，在本申请的技术方案中，进一步对所述产品文本说明进行分词处理以避免后续语义特征提取时语义混乱后，将其通过包含词嵌入层的语义编码器中进行语义编码以得到产品文本说明语义理解特征向量。特别地，这里，所述语义编码器为基于转换器的上下文语义编码器，其通过将分词处理后的所述产品文本说明进行嵌入编码来得到计算机能够识别的语义特征后，再使用所述基于转换器的上下文语义编码器来提取出所述产品文本说明中各个词基于全局的上下文语义关联特征信息，即所述产品文本说明的语义理解特征信息，从而得到所述产品文本说明语义理解特征向量。

然后，考虑到所述用户在产品自定义参数模板表单输入的需求参数为所述产品的需求参数，所述各个需求参数之间具有着关联性的关系，为了保证建模出的产品参数满足用户需求，应对于这种关联特征信息进行捕捉提取，以此来进行2D建模。具体地，在本申请的技术方案中，首先，将所述用户在产品自定义参数模板表单输入的需求参数分别通过独热编码器以将其映射到同一矢量空间中，从而得到多个需求参数独热编码向量；接着，将所述多个需求参数独热编码向量通过基于转换器的上下文编码器中进行编码，以提取出所述需求参数中的各个参数项基于全局的上下文关联特征，从而得到参数上下文语义关联特征向量。

进一步地，融合所述产品文本说明语义理解特征向量和所述参数上下文语义关联特征向量以得到建模需求理解特征向量，以此来融合所述产品文本说明中对于产品需求的文本语义理解特征信息与所述产品需求参数中各个参数项的上下文关联特征信息，从而得到具有所述产品的文本需求特征和参数需求特征间的融合关联特征的所述建模需求理解特征向量。

接着，为了能够基于所述产品文本说明中对于产品需求的文本语义理解特征与所述产品需求参数中各个参数项的上下文关联特征的融合特征信息来生成2D模型，进一步再将所述建模需求理解特征向量通过基于扩散模型的模型生成器以生成2D模型。特别地，在本申请的一个具体示例中，所述基于扩散模型的生成器包括前向扩散过程和反向生成过程，前向扩散过程可以对所述建模需求理解特征向量逐渐添加高斯噪音直至变成随机噪音，而反向生成过程是去噪音过程，将对于所述随机噪音开始逐渐去噪音直至生成所述产品的2D模型。应可以理解，由于所述扩散模型的整体结构原理并不复杂，其可以通过大规模训练具备的及其丰富的特征空间，由此获得强大生成能力的模型，并且扩散模型是正态分布上的每个点都是真实数据的映射，具有更好的可解释性。这样，能够准确地对于所述产品的2D模型进行确定，以进行智能化的2D建模，提高建模效率和质量。

特别地，在本申请的技术方案中，在融合所述产品文本说明语义理解特征向量和所述参数上下文语义关联特征向量得到所述建模需求理解特征向量时，由于所述产品文本说明语义理解特征向量和所述参数上下文语义关联特征向量所表达的文本语义特征和参数语义特征间的差异，如果直接通过例如点加的方式进行融合将影响融合效果。

本申请的申请人考虑到所述建模需求理解特征向量既可以看作为以所述产品文本说明语义理解特征向量为源向量，以所述参数上下文语义关联特征向量作为条件化约束的响应向量，也可以看作以所述参数上下文语义关联特征向量为源向量，以所述产品文本说明语义理解特征向量作为条件化约束的响应向量，因此可以进一步分别以所述产品文本说明语义理解特征向量和所述参数上下文语义关联特征向量作为源向量，以所述建模需求理解特征向量作为响应向量来强化响应性融合，以提升所述建模需求理解特征向量对所述产品文本说明语义理解特征向量和所述参数上下文语义关联特征向量的融合效果。

具体地，将所述产品文本说明语义理解特征向量记为，将所述参数上下文语义关联特征向量记为，分别计算所述建模需求理解特征向量，例如记为的非相干稀疏响应式融合以得到分别相对于所述产品文本说明语义理解特征向量和所述参数上下文语义关联特征向量的部分响应性融合特征向量和，分别表示为：

其中和表示向量的一范数和二范数，为向量的长度，和分别表示向量乘积和向量点乘，且所有向量均为行向量形式。

这里，所述非相干稀疏响应融合在以源向量作为特征域间响应性融合的真实性分布（ground-truth distribution）的情况下，通过一范数表示的向量差异的模糊性位分布响应性，以及基于差分向量的模约束的真实差分嵌入响应性，来获得向量之间的非相干稀疏性融合表示，以提取特征向量融合后的概率分布描述度的响应关系，从而提升作为非相干稀疏响应式融合的部分响应性融合特征向量和对于具有响应关系的源向量的融合表达效果。这样，在通过对所述部分响应性融合特征向量和进行点加以优化所述建模需求理解特征向量，就可以提升所述建模需求理解特征向量的特征表达效果，从而提升通过基于扩散模型的模型生成器生成的2D模型的准确性。这样，能够基于动态参数与可视化模型生成WEB 2D自动建模引擎，以精准地进行2D建模，提高建模效率和质量。

基于此，本申请提出了一种动态参数与可视化模型生成WEB 2D自动建模引擎***，其包括：产品需求采集模块，用于获取用户输入的产品需求，所述产品需求包括产品文本说明和所述用户在产品自定义参数模板表单输入的需求参数；产品文本语义理解模块，用于对所述产品文本说明进行分词处理后通过包含词嵌入层的语义编码器以得到产品文本说明语义理解特征向量；产品参数编码模块，用于将所述用户在产品自定义参数模板表单输入的需求参数分别通过独热编码器以得到多个需求参数独热编码向量；产品参数关联模块，用于将所述多个需求参数独热编码向量通过基于转换器的上下文编码器以得到参数上下文语义关联特征向量；特征融合模块，用于融合所述产品文本说明语义理解特征向量和所述参数上下文语义关联特征向量以得到建模需求理解特征向量；优化模块，用于基于所述产品文本说明语义理解特征向量和所述参数上下文语义关联特征向量，对所述建模需求理解特征向量进行特征分布优化以得到优化建模需求理解特征向量；以及，2D模型生成模块，用于将所述优化建模需求理解特征向量通过基于扩散模型的模型生成器以生成2D模型。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

示例性***：图1为根据本申请实施例的动态参数与可视化模型生成WEB 2D自动建模引擎***的框图。如图1所示，根据本申请实施例的动态参数与可视化模型生成WEB 2D自动建模引擎***300，包括：产品需求采集模块310；产品文本语义理解模块320；产品参数编码模块330；产品参数关联模块340；特征融合模块350；优化模块360；以及，2D模型生成模块370。

其中，所述产品需求采集模块310，用于获取用户输入的产品需求，所述产品需求包括产品文本说明和所述用户在产品自定义参数模板表单输入的需求参数；所述产品文本语义理解模块320，用于对所述产品文本说明进行分词处理后通过包含词嵌入层的语义编码器以得到产品文本说明语义理解特征向量；所述产品参数编码模块330，用于将所述用户在产品自定义参数模板表单输入的需求参数分别通过独热编码器以得到多个需求参数独热编码向量；所述产品参数关联模块340，用于将所述多个需求参数独热编码向量通过基于转换器的上下文编码器以得到参数上下文语义关联特征向量；所述特征融合模块350，用于融合所述产品文本说明语义理解特征向量和所述参数上下文语义关联特征向量以得到建模需求理解特征向量；所述优化模块360，用于基于所述产品文本说明语义理解特征向量和所述参数上下文语义关联特征向量，对所述建模需求理解特征向量进行特征分布优化以得到优化建模需求理解特征向量；以及，所述2D模型生成模块370，用于将所述优化建模需求理解特征向量通过基于扩散模型的模型生成器以生成2D模型。

图2为根据本申请实施例的动态参数与可视化模型生成WEB 2D自动建模引擎***的***架构图。如图2所示，在该网络架构中，首先通过所述产品需求采集模块310获取用户输入的产品需求，所述产品需求包括产品文本说明和所述用户在产品自定义参数模板表单输入的需求参数；接着，所述产品文本语义理解模块320对所述产品需求采集模块310获取的产品文本说明进行分词处理后通过包含词嵌入层的语义编码器以得到产品文本说明语义理解特征向量；所述产品参数编码模块330将所述产品需求采集模块310获取的用户在产品自定义参数模板表单输入的需求参数分别通过独热编码器以得到多个需求参数独热编码向量；然后，所述产品参数关联模块340将所述产品参数编码模块330得到的多个需求参数独热编码向量通过基于转换器的上下文编码器以得到参数上下文语义关联特征向量；所述特征融合模块350融合所述产品文本语义理解模块320得到的产品文本说明语义理解特征向量和所述产品参数关联模块340得到的参数上下文语义关联特征向量以得到建模需求理解特征向量；所述优化模块360基于所述产品文本说明语义理解特征向量和所述参数上下文语义关联特征向量，对所述特征融合模块350融合所得的建模需求理解特征向量进行特征分布优化以得到优化建模需求理解特征向量；进而，所述2D模型生成模块370将所述优化建模需求理解特征向量通过基于扩散模型的模型生成器以生成2D模型。

具体地，在所述动态参数与可视化模型生成WEB 2D自动建模引擎***300的运行过程中，所述产品需求采集模块310，用于获取用户输入的产品需求，所述产品需求包括产品文本说明和所述用户在产品自定义参数模板表单输入的需求参数。应可以理解，在实际进行WEB 2D建模的过程中，可以通过对于产品的需求进行精准地语义理解，以此来得到产品的需求说明语义特征信息和参数特征信息来提高2D建模的质量，但是由于每个产品的文本说明中都具有不同的语言表达，并且各个产品的需求参数也有所不同，因此，在本申请的技术方案中，首先，获取用户输入的产品需求，所述产品需求包括产品文本说明和所述用户在产品自定义参数模板表单输入的需求参数，进一步通过融合所述产品需求的文本说明的语义理解特征信息和所述产品需求参数特征信息，以此来得到精准的产品需求语义理解信息，提高建模效率和质量。

具体地，在所述动态参数与可视化模型生成WEB 2D自动建模引擎***300的运行过程中，所述产品文本语义理解模块320，用于对所述产品文本说明进行分词处理后通过包含词嵌入层的语义编码器以得到产品文本说明语义理解特征向量。考虑到对于所述产品文本说明来说，其是由多个词组成的语句，并且各个词之间具有着上下文的语义关联关系，因此，为了能够准确地提取出所述产品文本说明中的语义理解特征信息，在本申请的技术方案中，进一步对所述产品文本说明进行分词处理以避免后续语义特征提取时语义混乱后，将其通过包含词嵌入层的语义编码器中进行语义编码以得到产品文本说明语义理解特征向量。特别地，这里，所述语义编码器为基于转换器的上下文语义编码器，其通过将分词处理后的所述产品文本说明进行嵌入编码来得到计算机能够识别的语义特征后，再使用所述基于转换器的上下文语义编码器来提取出所述产品文本说明中各个词基于全局的上下文语义关联特征信息，即所述产品文本说明的语义理解特征信息，从而得到所述产品文本说明语义理解特征向量。

图3为根据本申请实施例的动态参数与可视化模型生成WEB 2D自动建模引擎***中产品文本语义理解模块的框图。如图3所示，所述产品文本语义理解模块320，包括：分词单元321，用于对所述产品文本说明进行分词处理以将所述产品文本说明转化为由多个词组成的词序列；词嵌入单元322，用于使用所述包含嵌入层的语义编码器的嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列；上下文编码单元323，用于使用所述包含嵌入层的语义编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量；以及，级联单元324，用于将所述多个全局上下文语义特征向量进行级联以得到所述产品文本说明语义理解特征向量。其中，所述上下文编码单元323，包括：第一查询向量构造子单元，用于将所述词嵌入向量的序列进行一维排列以得到全局特征向量；第一自注意子单元，用于计算所述全局特征向量与所述词嵌入向量的序列中词向量的转置向量之间的乘积以得到多个自注意力关联矩阵；第一标准化子单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；第一关注度计算子单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；第一注意力施加子单元，用于分别以所述多个概率值中各个概率值作为权重对所述词嵌入向量的序列中各个词向量进行加权以得到所述多个上下文语义特征向量；第一级联子单元，用于将所述多个上下文语义特征向量进行级联以得到所述全局上下文语义特征向量。

具体地，在所述动态参数与可视化模型生成WEB 2D自动建模引擎***300的运行过程中，所述产品参数编码模块330，用于将所述用户在产品自定义参数模板表单输入的需求参数分别通过独热编码器以得到多个需求参数独热编码向量。考虑到所述用户在产品自定义参数模板表单输入的需求参数为所述产品的需求参数，所述各个需求参数之间具有着关联性的关系，为了保证建模出的产品参数满足用户需求，应对于这种关联特征信息进行捕捉提取，以此来进行2D建模。具体地，在本申请的技术方案中，首先，将所述用户在产品自定义参数模板表单输入的需求参数分别通过独热编码器以将其映射到同一矢量空间中，从而得到多个需求参数独热编码向量。

具体地，在所述动态参数与可视化模型生成WEB 2D自动建模引擎***300的运行过程中，所述产品参数关联模块340，用于将所述多个需求参数独热编码向量通过基于转换器的上下文编码器以得到参数上下文语义关联特征向量。也就是，在本申请的技术方案中，将所述多个需求参数独热编码向量通过基于转换器的上下文编码器中进行编码，以提取出所述需求参数中的各个参数项基于全局的上下文关联特征，从而得到参数上下文语义关联特征向量。

图4为根据本申请实施例的动态参数与可视化模型生成WEB 2D自动建模引擎***中产品参数关联模块的框图。如图4所示，所述产品参数关联模块330，包括：第二查询向量构造单元341，用于将所述多个需求参数独热编码向量进行一维排列以得到全局需求参数独热编码向量；第二自注意单元342，用于计算所述全局需求参数独热编码向量与所述多个需求参数独热编码向量中各个需求参数独热编码向量的转置向量之间的乘积以得到多个自注意力关联矩阵；第二标准化单元343，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；第二关注度计算单元344，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；第二注意力施加单元345，用于分别以所述多个概率值中各个概率值作为权重对所述多个需求参数独热编码向量中各个需求参数独热编码向量进行加权以得到所述多个上下文语义需求参数独热编码向量；第二级联单元346，用于将所述多个上下文语义需求参数独热编码向量进行级联以得到所述参数上下文语义关联特征向量。

具体地，在所述动态参数与可视化模型生成WEB 2D自动建模引擎***300的运行过程中，所述特征融合模块350，用于融合所述产品文本说明语义理解特征向量和所述参数上下文语义关联特征向量以得到建模需求理解特征向量。也就是，融合所述产品文本说明语义理解特征向量和所述参数上下文语义关联特征向量，以此来融合所述产品文本说明中对于产品需求的文本语义理解特征信息与所述产品需求参数中各个参数项的上下文关联特征信息，从而得到具有所述产品的文本需求特征和参数需求特征间的融合关联特征的所述建模需求理解特征向量。在本申请的一个具体示例中，可通过级联的方式来将两者进行融合，更具体地，以如下公式来融合所述产品文本说明语义理解特征向量和所述参数上下文语义关联特征向量以得到建模需求理解特征向量；其中，所述公式为：

 ，其中，表示所述产品文本说明语义理解特征向量，表示所述参数上下文语义关联特征向量，表示级联函数，表示所述建模需求理解特征向量。

具体地，在所述动态参数与可视化模型生成WEB 2D自动建模引擎***300的运行过程中，所述优化模块360，用于基于所述产品文本说明语义理解特征向量和所述参数上下文语义关联特征向量，对所述建模需求理解特征向量进行特征分布优化以得到优化建模需求理解特征向量。，在本申请的技术方案中，在融合所述产品文本说明语义理解特征向量和所述参数上下文语义关联特征向量得到所述建模需求理解特征向量时，由于所述产品文本说明语义理解特征向量和所述参数上下文语义关联特征向量所表达的文本语义特征和参数语义特征间的差异，如果直接通过例如点加的方式进行融合将影响融合效果。考虑到所述建模需求理解特征向量既可以看作为以所述产品文本说明语义理解特征向量为源向量，以所述参数上下文语义关联特征向量作为条件化约束的响应向量，也可以看作以所述参数上下文语义关联特征向量为源向量，以所述产品文本说明语义理解特征向量作为条件化约束的响应向量，因此可以进一步分别以所述产品文本说明语义理解特征向量和所述参数上下文语义关联特征向量作为源向量，以所述建模需求理解特征向量作为响应向量来强化响应性融合，以提升所述建模需求理解特征向量对所述产品文本说明语义理解特征向量和所述参数上下文语义关联特征向量的融合效果。具体地，将所述产品文本说明语义理解特征向量记为，将所述参数上下文语义关联特征向量记为，分别计算所述建模需求理解特征向量，更具体地，以如下公式计算所述产品文本说明语义理解特征向量和所述建模需求理解特征向量的非相干稀疏响应式融合以得到所述第一部分响应性融合特征向量；其中，所述公式为：

其中、和分别表示所述产品文本说明语义理解特征向量、所述建模需求理解特征向量和所述第一部分响应性融合特征向量，和分别表示向量的一范数和二范数，为向量的长度，和分别表示向量乘积和向量点乘，且所有向量均为行向量形式；以及，以如下公式计算所述参数上下文语义关联特征向量和所述建模需求理解特征向量的非相干稀疏响应式融合以得到所述第部分响应性融合特征向量；其中，所述公式为：

其中、和分别表示所述参数上下文语义关联特征向量、所述建模需求理解特征向量和所述第二部分响应性融合特征向量，和分别表示向量的一范数和二范数，为向量的长度，和分别表示向量乘积和向量点乘，且所有向量均为行向量形式。这里，所述非相干稀疏响应融合在以源向量作为特征域间响应性融合的真实性分布（ground-truth distribution）的情况下，通过一范数表示的向量差异的模糊性位分布响应性，以及基于差分向量的模约束的真实差分嵌入响应性，来获得向量之间的非相干稀疏性融合表示，以提取特征向量融合后的概率分布描述度的响应关系，从而提升作为非相干稀疏响应式融合的部分响应性融合特征向量和对于具有响应关系的源向量的融合表达效果。这样，在通过对所述部分响应性融合特征向量和进行点加以优化所述建模需求理解特征向量，就可以提升所述建模需求理解特征向量的特征表达效果，从而提升通过基于扩散模型的模型生成器生成的2D模型的准确性。这样，能够基于动态参数与可视化模型生成WEB 2D自动建模引擎，以精准地进行2D建模，提高建模效率和质量。

图5为根据本申请实施例的动态参数与可视化模型生成WEB 2D自动建模引擎***中优化模块的框图，如图5所示，所述优化模块360，包括：第一响应优化单元361，用于计算所述产品文本说明语义理解特征向量和所述建模需求理解特征向量的非相干稀疏响应式融合以得到第一部分响应性融合特征向量；第二响应优化单元362，用于计算所述参数上下文语义关联特征向量和所述建模需求理解特征向量的非相干稀疏响应式融合以得到第二部分响应性融合特征向量；点加优化单元363，用于将所述第一部分响应性融合特征向量和所述第二部分响应性融合特征向量进行按位置点加以得到所述优化建模需求理解特征向量。

具体地，在所述动态参数与可视化模型生成WEB 2D自动建模引擎***300的运行过程中，所述2D模型生成模块370，用于将所述优化建模需求理解特征向量通过基于扩散模型的模型生成器以生成2D模型。为了能够基于所述产品文本说明中对于产品需求的文本语义理解特征与所述产品需求参数中各个参数项的上下文关联特征的融合特征信息来生成2D模型，进一步再将所述建模需求理解特征向量通过基于扩散模型的模型生成器以生成2D模型。特别地，在本申请的一个具体示例中，所述基于扩散模型的生成器包括前向扩散过程和反向生成过程，前向扩散过程可以对所述建模需求理解特征向量逐渐添加高斯噪音直至变成随机噪音，而反向生成过程是去噪音过程，将对于所述随机噪音开始逐渐去噪音直至生成所述产品的2D模型。应可以理解，由于所述扩散模型的整体结构原理并不复杂，其可以通过大规模训练具备的及其丰富的特征空间，由此获得强大生成能力的模型，并且扩散模型是正态分布上的每个点都是真实数据的映射，具有更好的可解释性。这样，能够准确地对于所述产品的2D模型进行确定，以进行智能化的2D建模，提高建模效率和质量。

综上，根据本申请实施例的动态参数与可视化模型生成WEB 2D自动建模引擎***300被阐明，其通过采用基于深度学习的神经网络模型挖掘出产品需求的文本说明的语义理解特征信息和产品需求参数特征信息，进一步将两者进行融合以得到精准的产品需求语义理解信息，提高建模效率和质量。

如上所述，根据本申请实施例的动态参数与可视化模型生成WEB 2D自动建模引擎***可以实现在各种终端设备中。在一个示例中，根据本申请实施例的动态参数与可视化模型生成WEB 2D自动建模引擎***300可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该动态参数与可视化模型生成WEB 2D自动建模引擎***300可以是该终端设备的操作***中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该动态参数与可视化模型生成WEB2D自动建模引擎***300同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该动态参数与可视化模型生成WEB 2D自动建模引擎***300与该终端设备也可以是分立的设备，并且该动态参数与可视化模型生成WEB 2D自动建模引擎***300可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

示例性方法：图6为根据本申请实施例的动态参数与可视化模型生成WEB 2D自动建模引擎方法的流程图。如图6所示，根据本申请实施例的动态参数与可视化模型生成WEB2D自动建模引擎方法，包括步骤：S110，获取用户输入的产品需求，所述产品需求包括产品文本说明和所述用户在产品自定义参数模板表单输入的需求参数；S120，产品文本语义理解模块，用于对所述产品文本说明进行分词处理后通过包含词嵌入层的语义编码器以得到产品文本说明语义理解特征向量；S130，产品参数编码模块，用于将所述用户在产品自定义参数模板表单输入的需求参数分别通过独热编码器以得到多个需求参数独热编码向量；S140，产品参数关联模块，用于将所述多个需求参数独热编码向量通过基于转换器的上下文编码器以得到参数上下文语义关联特征向量；S150，特征融合模块，用于融合所述产品文本说明语义理解特征向量和所述参数上下文语义关联特征向量以得到建模需求理解特征向量；S160，优化模块，用于基于所述产品文本说明语义理解特征向量和所述参数上下文语义关联特征向量，对所述建模需求理解特征向量进行特征分布优化以得到优化建模需求理解特征向量；以及，S170，2D模型生成模块，用于将所述优化建模需求理解特征向量通过基于扩散模型的模型生成器以生成2D模型。

在一个示例中，在上述动态参数与可视化模型生成WEB 2D自动建模引擎方法中，所述步骤S120，包括：对所述产品文本说明进行分词处理以将所述产品文本说明转化为由多个词组成的词序列；使用所述包含嵌入层的语义编码器的嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列；使用所述包含嵌入层的语义编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量；以及，将所述多个全局上下文语义特征向量进行级联以得到所述产品文本说明语义理解特征向量。其中，使用所述包含嵌入层的语义编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量，包括：将所述词嵌入向量的序列进行一维排列以得到全局特征向量；计算所述全局特征向量与所述词嵌入向量的序列中词向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；分别以所述多个概率值中各个概率值作为权重对所述词嵌入向量的序列中各个词向量进行加权以得到所述多个上下文语义特征向量；将所述多个上下文语义特征向量进行级联以得到所述全局上下文语义特征向量。

在一个示例中，在上述动态参数与可视化模型生成WEB 2D自动建模引擎方法中，所述步骤S140，包括：将所述多个需求参数独热编码向量进行一维排列以得到全局需求参数独热编码向量；计算所述全局需求参数独热编码向量与所述多个需求参数独热编码向量中各个需求参数独热编码向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；分别以所述多个概率值中各个概率值作为权重对所述多个需求参数独热编码向量中各个需求参数独热编码向量进行加权以得到所述多个上下文语义需求参数独热编码向量；将所述多个上下文语义需求参数独热编码向量进行级联以得到所述参数上下文语义关联特征向量。

在一个示例中，在上述动态参数与可视化模型生成WEB 2D自动建模引擎方法中，所述步骤S150，包括：以如下公式来融合所述产品文本说明语义理解特征向量和所述参数上下文语义关联特征向量以得到建模需求理解特征向量；其中，所述公式为：

 ，其中，表示所述产品文本说明语义理解特征向量，表示所述参数上下文语义关联特征向量，表示级联函数，表示所述建模需求理解特征向量。

在一个示例中，在上述动态参数与可视化模型生成WEB 2D自动建模引擎方法中，所述步骤S160，包括：计算所述产品文本说明语义理解特征向量和所述建模需求理解特征向量的非相干稀疏响应式融合以得到第一部分响应性融合特征向量；计算所述参数上下文语义关联特征向量和所述建模需求理解特征向量的非相干稀疏响应式融合以得到第二部分响应性融合特征向量；将所述第一部分响应性融合特征向量和所述第二部分响应性融合特征向量进行按位置点加以得到所述优化建模需求理解特征向量。其中，计算所述产品文本说明语义理解特征向量和所述建模需求理解特征向量的非相干稀疏响应式融合以得到第一部分响应性融合特征向量，包括：以如下公式计算所述产品文本说明语义理解特征向量和所述建模需求理解特征向量的非相干稀疏响应式融合以得到所述第一部分响应性融合特征向量；其中，所述公式为：

其中、和分别表示所述产品文本说明语义理解特征向量、所述建模需求理解特征向量和所述第一部分响应性融合特征向量，和分别表示向量的一范数和二范数，为向量的长度，和分别表示向量乘积和向量点乘，且所有向量均为行向量形式；以及，计算所述参数上下文语义关联特征向量和所述建模需求理解特征向量的非相干稀疏响应式融合以得到第二部分响应性融合特征向量，包括：以如下公式计算所述参数上下文语义关联特征向量和所述建模需求理解特征向量的非相干稀疏响应式融合以得到所述第部分响应性融合特征向量；其中，所述公式为：

 ，

其中、和分别表示所述参数上下文语义关联特征向量、所述建模需求理解特征向量和所述第二部分响应性融合特征向量，和分别表示向量的一范数和二范数，为向量的长度，和分别表示向量乘积和向量点乘，且所有向量均为行向量形式。

综上，根据本申请实施例的动态参数与可视化模型生成WEB 2D自动建模引擎方法被阐明，其通过采用基于深度学习的神经网络模型挖掘出产品需求的文本说明的语义理解特征信息和产品需求参数特征信息，进一步将两者进行融合以得到精准的产品需求语义理解信息，提高建模效率和质量。

示例性电子设备

下面，参考图7来描述根据本申请实施例的电子设备。

图7图示了根据本申请实施例的电子设备的框图。

如图7所示，电子设备10包括一个或多个处理器11和存储器12。

处理器11可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。

存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的动态参数与可视化模型生成WEB 2D自动建模引擎***中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如融合扶梯监控特征图等各种内容。

在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线***和/或其他形式的连接机构（未示出）互连。

该输入装置13可以包括例如键盘、鼠标等等。

该输出装置14可以向外部输出各种信息，包括模型等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图7中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。

示例性计算机程序产品和计算机可读存储介质:除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性***”部分中描述的根据本申请各种实施例的动态参数与可视化模型生成WEB 2D自动建模引擎方法中的功能中的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性***”部分中描述的根据本申请各种实施例的动态参数与可视化模型生成WEB 2D自动建模引擎方法中的功能中的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、***的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、***。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (8)

1.一种动态参数与可视化模型生成WEB 2D自动建模引擎***，其特征在于，包括：产品需求采集模块，用于获取用户输入的产品需求，所述产品需求包括产品文本说明和所述用户在产品自定义参数模板表单输入的需求参数；产品文本语义理解模块，用于对所述产品文本说明进行分词处理后通过包含词嵌入层的语义编码器以得到产品文本说明语义理解特征向量；产品参数编码模块，用于将所述用户在产品自定义参数模板表单输入的需求参数分别通过独热编码器以得到多个需求参数独热编码向量；产品参数关联模块，用于将所述多个需求参数独热编码向量通过基于转换器的上下文编码器以得到参数上下文语义关联特征向量；特征融合模块，用于融合所述产品文本说明语义理解特征向量和所述参数上下文语义关联特征向量以得到建模需求理解特征向量；优化模块，用于基于所述产品文本说明语义理解特征向量和所述参数上下文语义关联特征向量，对所述建模需求理解特征向量进行特征分布优化以得到优化建模需求理解特征向量；以及2D模型生成模块，用于将所述优化建模需求理解特征向量通过基于扩散模型的模型生成器以生成2D模型。

2.根据权利要求1所述的动态参数与可视化模型生成WEB 2D自动建模引擎***，其特征在于，所述产品文本语义理解模块，包括：分词单元，用于对所述产品文本说明进行分词处理以将所述产品文本说明转化为由多个词组成的词序列；词嵌入单元，用于使用所述包含嵌入层的语义编码器的嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列；上下文编码单元，用于使用所述包含嵌入层的语义编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量；以及级联单元，用于将所述多个全局上下文语义特征向量进行级联以得到所述产品文本说明语义理解特征向量。

3.根据权利要求2所述的动态参数与可视化模型生成WEB 2D自动建模引擎***，其特征在于，所述上下文编码单元，包括：第一查询向量构造子单元，用于将所述词嵌入向量的序列进行一维排列以得到全局特征向量；第一自注意子单元，用于计算所述全局特征向量与所述词嵌入向量的序列中词向量的转置向量之间的乘积以得到多个自注意力关联矩阵；第一标准化子单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；第一关注度计算子单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；第一注意力施加子单元，用于分别以所述多个概率值中各个概率值作为权重对所述词嵌入向量的序列中各个词向量进行加权以得到所述多个上下文语义特征向量；第一级联子单元，用于将所述多个上下文语义特征向量进行级联以得到所述全局上下文语义特征向量。

4.根据权利要求3所述的动态参数与可视化模型生成WEB 2D自动建模引擎***，其特征在于，所述产品参数关联模块，包括：第二查询向量构造单元，用于将所述多个需求参数独热编码向量进行一维排列以得到全局需求参数独热编码向量；第二自注意单元，用于计算所述全局需求参数独热编码向量与所述多个需求参数独热编码向量中各个需求参数独热编码向量的转置向量之间的乘积以得到多个自注意力关联矩阵；第二标准化单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；第二关注度计算单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；第二注意力施加单元，用于分别以所述多个概率值中各个概率值作为权重对所述多个需求参数独热编码向量中各个需求参数独热编码向量进行加权以得到所述多个上下文语义需求参数独热编码向量；第二级联单元，用于将所述多个上下文语义需求参数独热编码向量进行级联以得到所述参数上下文语义关联特征向量。

5.根据权利要求4所述的动态参数与可视化模型生成WEB 2D自动建模引擎***，其特征在于，所述特征融合模块，用于：以如下公式来融合所述产品文本说明语义理解特征向量和所述参数上下文语义关联特征向量以得到建模需求理解特征向量；其中，所述公式为：

 ，其中，表示所述产品文本说明语义理解特征向量，表示所述参数上下文语义关联特征向量，表示级联函数，表示所述建模需求理解特征向量。

6.根据权利要求5所述的动态参数与可视化模型生成WEB 2D自动建模引擎***，其特征在于，所述优化模块，包括：第一响应优化单元，用于计算所述产品文本说明语义理解特征向量和所述建模需求理解特征向量的非相干稀疏响应式融合以得到第一部分响应性融合特征向量；第二响应优化单元，用于计算所述参数上下文语义关联特征向量和所述建模需求理解特征向量的非相干稀疏响应式融合以得到第二部分响应性融合特征向量；点加优化单元，用于将所述第一部分响应性融合特征向量和所述第二部分响应性融合特征向量进行按位置点加以得到所述优化建模需求理解特征向量。

7.根据权利要求6所述的动态参数与可视化模型生成WEB 2D自动建模引擎***，其特征在于，所述第一响应优化单元，用于：以如下公式计算所述产品文本说明语义理解特征向量和所述建模需求理解特征向量的非相干稀疏响应式融合以得到所述第一部分响应性融合特征向量；

其中，所述公式为：

，

其中、和分别表示所述产品文本说明语义理解特征向量、所述建模需求理解特征向量和所述第一部分响应性融合特征向量，和分别表示向量的一范数和二范数，为向量的长度，和分别表示向量乘积和向量点乘，且所有向量均为行向量形式。

8.根据权利要求7所述的动态参数与可视化模型生成WEB 2D自动建模引擎***，其特征在于，所述第二响应优化单元，用于：以如下公式计算所述参数上下文语义关联特征向量和所述建模需求理解特征向量的非相干稀疏响应式融合以得到所述第部分响应性融合特征向量；其中，所述公式为：

，

其中、和分别表示所述参数上下文语义关联特征向量、所述建模需求理解特征向量和所述第二部分响应性融合特征向量，和分别表示向量的一范数和二范数，为向量的长度，和分别表示向量乘积和向量点乘，且所有向量均为行向量形式。

Images