一种高可信部件模型智能匹配与自推荐方法及装置与流程

本发明涉及人工智能的，尤其涉及一种一种高可信部件模型智能匹配与自推荐方法，以及一种高可信部件模型智能匹配与自推荐装置。

背景技术：

1、在工业制造的装备设计与研制生产过程中，需要快速获得满足研制需求的部件信息，因此部件信息的匹配与推荐至关重要。匹配与推荐算法大致可以分为三类：基于内容的匹配与推荐算法、协同过滤的匹配与推荐算法和基于知识的匹配与推荐算法。

2、基于内容的推荐算法，原理是为用户推荐与其使用过部件具备相似功能和能力的部件，比如用户选择使用过一个螺母部件，则该方法会给用户推荐其他型号的螺母。该方法通过分析部件功能之间的关系实现推荐，弊端主要体现在推荐的部件可能会重复。另一个弊端是当部件的功能特征难以提取时很难实现推荐，现有的解决思路是人工为部件功能打上标签。

3、协同过滤算法，原理是用户推荐同类型用户选择的部件组合，比如其他设计师选择了某型号螺母，则该方法为其他同类设计师用户推荐该螺母。这种方法训练过程比较长，但是训练完成后，推荐过程比较快。

4、基于知识的推荐算法，也有人将这种方法归为基于内容的推荐，这种方法是基于领域专业知识体系构建知识模型，知识模型体现了专业知识之间的关联性，从而进行推荐。

5、随着智能化技术在制造业领域的深入应用，上述三类匹配与推荐算法也逐步应用在部件优选与推荐中，可以充分利用历史信息，提高部件优选和推荐的效率。不过，上述算法匹配和推荐的准确率依靠大量数据集进行算法模型的训练，算法对样本数据集具有依赖性，当样本量越充足时，算法的匹配和推荐能力越强。

6、离散型制造企业生产型号产品存在批次小批量的特点，不同批次的型号产品设计要求和功能要求存在差异，涉及到的部件数据也呈现批次小批量的特征，难以提取不同批次部件之间的关联特性从而实现推荐，且知识体系难以构建，现有匹配与推荐算法很难直接得到精准应用。因此，在数据呈现多批次小批量的情况下现有匹配与推荐算法的能力不足、精度不高，无法满足实际工程应用需要。

7、如何在数据多批次小批量的条件下，构建匹配与推荐算法，优化改进现有模型的准确率，减少模型对样本的依赖性，是匹配与推荐算法亟需解决的瓶颈问题。

技术实现思路

1、为克服现有技术的缺陷，本发明要解决的技术问题是提供了一种一种高可信部件模型智能匹配与自推荐方法，其能够大幅度提高部件模型智能匹配与推荐的准确率，实现了自适应的部件智能推送，形成了一种新的匹配与推荐算法优化策略的理论和方法，为样本不均衡条件下部件的匹配与推荐提供了新思路。

2、本发明的技术方案是：这种一种高可信部件模型智能匹配与自推荐方法，包括以下步骤：

3、(1)获取面向型号产品设计领域的部件需求；

4、(2)开展部件模型数据智能匹配技术研究，通过fp-growth方法实现部件数据之间的关联分析，依托部件原型数据资源库，以部

5、件、型号、产品、质量问题信息为主线索，对部件参数、所属型

6、号、产品层级、历史质量问题、研制时间、研制人员多个维度的属性之间的关联性进行挖掘分析，查找具有强关联性的属性；

7、(3)执行协同过滤算法，依据设计师的感兴趣程度对部件进行排序，同时结合fp-growth方法获得部件之间的相关性，生成一个满足用户需求的高可信的部件模型匹配和推荐列表；

8、(4)在用户发起请求后进行自推荐。

9、本发明提出一种混合策略的高可信部件模型智能匹配和推荐算法，结合实际应用需求可解决多批次小批量数据存在细分差异、关联性较差的问题，引入fp-growth方法获取不同部件之间的关联关系，缓解部件信息之间的细分差异导致的推荐错误，结合协同过滤算法融合用户感兴趣部件信息以及部件关联信息完成部件推荐，从而提高整体匹配和推荐的精度，对于实际工程应用具有较大的实用价值。通过构建一种混合策略的高可信部件模型智能匹配和推荐算法，优化改进现有模型在多批次小批量数据下匹配和推荐的准确率，提高模型对细分差异的部件信息的推荐能力，解决了在多批次小批量数据情况下匹配和推荐算法精度不高，无法满足实际工程应用需要的瓶颈问题。

10、还提供了一种高可信部件模型智能匹配与自推荐装置，其包括：

11、获取模块，其配置来获取面向型号产品设计领域的部件需求；

12、关联分析模块，其配置来开展部件模型数据智能匹配技术研究，通过fp-growth方法实现部件数据之间的关联分析，依托部件原型数据资源库，以部件、型号、产品、质量问题信息为主线索，对部件参数、所属型号、产品层级、历史质量问题、研制时间、研制人员多个维度的属性之间的关联性进行挖掘分析，查找具有强关联性的属性；

13、部件模型推荐模块，其配置来通过协同过滤算法完成部件模型的推荐；

14、列表生成模块，其配置来依据设计师的感兴趣程度对部件进行排

15、序，同时结合fp-growth方法获得部件之间的相关性，生成一个满足用户需求的高可信的部件模型匹配和推荐列表；

16、自推荐模块，其配置来在用户发起请求后进行自推荐。

技术特征：

1.一种高可信部件模型智能匹配与自推荐方法，其特征在于：该方法包括以下步骤：

2.根据权利要求1所述的高可信部件模型智能匹配与自推荐方法，其特征在于：所述步骤(2)中，fp-growth方法包括：首先构建fp树，然后利用它来挖掘频繁项集；为构建fp树，对原始数据集扫描两遍，第一遍对所有元素项的出现次数进行计数，第二遍扫描中只考虑那些频繁元素；fp树是前缀树，根节点是空集，结点上是单个元素，保存它在数据集中的出现次数，出现次数越多的元素越接近根，结点之间通过链接link相连，只有相似元素会被连起来，连起来的元素又看成链表，同一个元素在fp树中多次出现，根据位置不同，对应着不同的频繁项集，为fp树设置最小支持度，过滤掉出现次数少的元素。

3.根据权利要求2所述的高可信部件模型智能匹配与自推荐方法，其特征在于：所述步骤(2)包括以下分步骤：

4.根据权利要求3所述的高可信部件模型智能匹配与自推荐方法，其特征在于：所述步骤(3)包括以下分步骤：

5.根据权利要求4所述的高可信部件模型智能匹配与自推荐方法，其特征在于：所述步骤(3.1)中，使用下面的公式定义部件的相似度：

6.根据权利要求5所述的高可信部件模型智能匹配与自推荐方法，其特征在于：所述步骤(3.2)中，通过如下公式计算设计师u对一个部件j的兴趣：

7.一种高可信部件模型智能匹配与自推荐装置，其特征在于：其包括：

8.根据权利要求7所述的高可信部件模型智能匹配与自推荐装置，其特征在于：所述关联分析模块中，fp-growth方法包括：首先构建fp树，然后利用它来挖掘频繁项集；为构建fp树，对原始数据集扫描两遍，第一遍对所有元素项的出现次数进行计数，第二遍扫描中只考虑那些频繁元素；fp树是前缀树，根节点是空集，结点上是单个元素，保存它在数据集中的出现次数，出现次数越多的元素越接近根，结点之间通过链接link相连，只有相似元素会被连起来，连起来的元素又看成链表，同一个元素在fp树中多次出现，根据位置不同，对应着不同的频繁项集，为fp树设置最小支持度，过滤掉出现次数少的元素。

9.根据权利要求8所述的高可信部件模型智能匹配与自推荐装置，其特征在于：所述关联分析模块执行以下步骤：

10.根据权利要求9所述的高可信部件模型智能匹配与自推荐装置，其特征在于：所述部件模型推荐模块执行以下步骤：

技术总结一种高可信部件模型智能匹配与自推荐方法及装置，能够大幅度提高部件模型智能匹配与推荐的准确率。方法包括：(1)获取面向型号产品设计领域的部件需求；(2)开展部件模型数据智能匹配技术研究，通过FP‑Growth方法实现部件数据之间的关联分析，对部件参数、所属型号、产品层级、历史质量问题、研制时间、研制人员多个维度的属性之间的关联性进行挖掘分析，查找具有强关联性的属性；(3)通过协同过滤算法完成依据设计师的感兴趣程度对部件进行排序，同时结合FP‑Growth方法获得部件之间的相关性，生成一个满足用户需求的高可信的部件模型匹配和推荐列表；(4)在用户发起请求后进行自推荐。技术研发人员：白洋,牛志超,王宇浩,张彤,李帅衡,郝创博,范国超,梅林,王雪娇受保护的技术使用者：北京京航计算通讯研究所技术研发日：技术公布日：2024/9/26