基于AIGC的开发态模型的数据配置方法、设备和可读存储介质与流程

本发明涉及工业软件和人工智能领域，特别是指一种基于aigc的开发态模型的数据配置方法、设备和可读存储介质。

背景技术：

1、mom系统作为企业生产运营的核心支撑体系，其稳定性和可靠性至关重要。任何突发性的系统崩溃或程序异常事件，都可能对企业的日常运营造成不同程度的影响。轻则可能导致生产过程中的延误与混乱，重则引发生产线停滞甚至整个工厂的暂时性停摆，给企业带来严重的经济损失和信誉损害。为此，mom系统必须具备高度的稳定性，确保在各种复杂工况下都能持续、准确、有效地执行各项管理任务。

2、当前的低代码开发平台为mom系统的设计与优化提供了直观易用的界面和工具，使得非专业程序员也能通过简单的拖拽操作完成一部分业务逻辑的构建。这些平台不仅包含了大量的预制业务组件，而且还允许用户通过嵌入微代码片段或者进行函数级别的二次开发，以满足更加个性化和深入的业务需求。然而，这种方式也对用户提出了较高的业务理解要求，尤其是在设计某些复杂功能时，需要准确把握并实现相应的业务规则。若业务逻辑设定不当，极有可能触发系统错误，进而影响整体系统的正常运行和效能表现。

3、进一步的，当前多数低代码开发平台没有普遍配备智能化的解决方案来自动校验逻辑合理性或给出优化建议。用户主要依赖于论坛讨论、官方提供的开发文档以及社区经验分享等方式获取技术支持和最佳实践案例。特别是在mom领域，因其涉及到从原材料采购、生产计划、工序控制到成品出库等贯穿企业全链条的供应链管理环节，业务逻辑错综复杂，对开发者理解业务场景的深度有着极高要求。

技术实现思路

1、本发明的主要目的在于克服现有技术中的上述缺陷，提出一种基于aigc的开发态模型的数据配置方法、设备和可读存储介质，保证了mom系统低代码开发平台的逻辑合理性。

2、本发明采用如下技术方案：

3、一种基于aigc的开发态模型的数据配置方法，包括如下步骤：

4、收集若干领域的原始信息作为原始知识，进行处理后存储为数据组；

5、从原始知识中提取出实体、关系和属性信息，将原本用来描述相同属性的知识转换成统一的属性名称，构建出新的分类体系；

6、融合现有知识，对抽取到的实体寻找别名或简称作为补充，扩充近义词库；

7、将处理好的知识转换为节点性信息存储至数据库，将知识转换为数组，设置多层或多级的语言规则理解器；

8、构建bma模型，将存储的处理好的知识分割为训练集和测试集，对构建的bma模型进行训练和测试；

9、在所述bma模型的测试过程中，对所述bma模型进行语义匹配程度的定量计算与评估，进而确定是否进一步训练所述bma模型；

10、采用训练好且测试通过的所述bma模型为业务需求提供数据配置建议。

11、若干所述领域的原始信息包括所述领域的专业术语、概念、原理和规范，所述原始信息包含文本信息作为所述原始知识；对所述原始知识进行处理包括删除所述原始信息中的嘈杂、格式不正确、重复、损坏、不相关或不完整的内容。

12、从原始知识中提取出实体、关系和属性信息，将原本用来描述相同属性的知识转换成统一的属性名称，构建出新的分类体系，具体包括如下：

13、将实体进行特征化表示，包括词本身、词性和词的前缀后缀；

14、构建crf模型，度量输入序列和输出序列的关联度；

15、调用crf模型，将原始知识作为输入序列，输出序列为经crf模型从原始知识抽取到的实体、关系和属性信息。

16、将知识转换为数组，设置多层或多级的语言规则理解器，具体包括如下：

17、构建一个词汇表，将每个不重复的单词映射到一个唯一的整数编号；

18、使用skip-gram模型，将生成的所述词汇表的语义信息转换为实数空间中的n维向量。

19、构建的bma模型包含输入层、嵌入层、bilstm层、注意力层，批标准化层和输出层；所述输入层先对输入的两个句子执行预处理操作，去除无关紧要的内容，之后采取措施确保这两个句子调整至相同的长度；所述嵌入层将句子中的各个词汇映射成稠密向量，以此达成对整个句子进行向量化表示的目的；所述bilstm层用于对来自嵌入层的两个句子文本深入分析并提炼出最具代表性的语义内容；所述注意力层对每个输入句子中的单词赋予相应的关注度，揭示出句子内部各词汇的相对重要性以及整体的句法与语义关联结构；所述输出层先将注意力层信息依次通过神经元随机失活技术和批标准化层标准化处理，再针对每个句子整合后的多头信息，经过激活函数运算得出特征向量。

20、构建所述bma模型还包括对所述bma模型的参数进行初始化设定：

21、批次大小为n；

22、训练次数为m；

23、最大序列长度为128；

24、bilstm层数为1；

25、注意力层数为k；

26、bilstm层的激活函数为f(x)；

27、所述bilstm层的激活函数f(x)为双曲正切函数。

28、在所述bma模型的测试过程中，对所述bma模型进行语义匹配程度的定量计算与评估，进而确定是否进一步训练所述bma模型，具体包括如下：

29、对所述bma模型的全连接层输出的检索向量与输入层输入的文档向量计算匹配度，公式如下：

30、

31、其中，θ表示检索向量与文档向量的夹角，x表示检索向量，y表示文档向量，xi表示第i个检索向量，yi表示第i个文档向量，n表示检索向量的固定长度；

32、若测试集的平均匹配度达到设定的指标，则采用当前训练好的所述bma模型；若测试集的平均匹配度未达到设定指标，则再进行所述bma模型训练。

33、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。

34、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。

35、由上述对本发明的描述可知，与现有技术相比，本发明具有如下有益效果：

36、本发明提供的方法，通过条件随机场与双向长短期记忆网络相结合构建bma模型，能够充分捕捉上下文于信息，且处理序列效果优于单向长期记忆网络将，构建出一个更高效的实体识别方案，能够更有效地完成复杂的任务。通过集成aigc技术和自动化手段，本发明能自动理解业务需求，并依据既定规则和场景智能生成配置建议，极大地减少了人工编写代码和设计业务逻辑所需的时间，从而显著提升低代码开发平台上的开发效率。

技术特征：

1.一种基于aigc的开发态模型的数据配置方法，其特征在于，包括如下步骤：

2.如权利要求1所述的一种基于aigc的开发态模型的数据配置方法，其特征在于：若干所述领域的原始信息包括所述领域的专业术语、概念、原理和规范，所述原始信息包含文本信息作为所述原始知识；对所述原始知识进行处理包括删除所述原始信息中的嘈杂、格式不正确、重复、损坏、不相关或不完整的内容。

3.如权利要求1所述的一种基于aigc的开发态模型的数据配置方法，其特征在于：从原始知识中提取出实体、关系和属性信息，将原本用来描述相同属性的知识转换成统一的属性名称，构建出新的分类体系，具体包括如下：

4.如权利要求1所述的一种基于aigc的开发态模型的数据配置方法，其特征在于：将知识转换为数组，设置多层或多级的语言规则理解器，具体包括如下：

5.如权利要求1所述的一种基于aigc的开发态模型的数据配置方法，其特征在于：构建的bma模型包含输入层、嵌入层、bilstm层、注意力层、批标准化层和输出层；所述输入层先对输入的两个句子执行预处理操作，去除无关紧要的内容，之后采取措施确保这两个句子调整至相同的长度；所述嵌入层将句子中的各个词汇映射成稠密向量，以此达成对整个句子进行向量化表示的目的；所述bilstm层用于对来自嵌入层的两个句子文本深入分析并提炼出最具代表性的语义内容；所述注意力层对每个输入句子中的单词赋予相应的关注度，揭示出句子内部各词汇的相对重要性以及整体的句法与语义关联结构；所述输出层先将注意力层信息依次通过神经元随机失活技术和批标准化层标准化处理，再针对每个句子整合后的多头信息，经过激活函数运算得出特征向量。

6.如权利要求5所述的一种基于aigc的开发态模型的数据配置方法，其特征在于：构建所述bma模型还包括对所述bma模型的参数进行初始化设定：

7.如权利要求6所述的一种基于aigc的开发态模型的数据配置方法，其特征在于：所述bilstm层的激活函数f(x)为双曲正切函数。

8.如权利要求5所述的一种基于aigc的开发态模型的数据配置方法，其特征在于：在所述bma模型的测试过程中，对所述bma模型进行语义匹配程度的定量计算与评估，进而确定是否进一步训练所述bma模型，具体包括如下：

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。

10.一种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权利要求1至8中任一项所述的方法的步骤。

技术总结本发明公开的基于AIGC的开发态模型的数据配置方法、设备和可读存储介质，通过对以工业领域和软件开发领域为主的原始专业知识进行精细化抽取与处理，构建分类体系，并融合现有知识扩充知识库，构建一个语言规则理解器，再引入改进的BMA‑双向长期记忆网络模型，输出合理配置建议。本发明能切实解决领域中低代码开发平台设计复杂功能时，缺少智能化校验业务开发逻辑的方法，通过智能生成合理配置建议，为开发人员提供更有效的支持和指导，帮助减少人为错误，提高系统的可靠性和性能。技术研发人员：王维龙,洪佳吟,郭文水受保护的技术使用者：厦门嵘拓物联科技有限公司技术研发日：技术公布日：2024/7/29