基于RippleNet算法的装备拆装知识个性化推荐方法

本发明涉及设备的拆卸和装配流程，更具体地，涉及一种基于多维嵌入ripplenet算法的装备拆装知识个性化推荐方法。

背景技术：

1、在工业4.0背景下，设备的性能逐步提升，其拆装流程也日趋复杂化、自动化和智能化。大型工业产品例如水轮发电机结构复杂、拆装过程繁琐，当某些部件拆装时简单的误操作可能会导致整个拆装过程的效率受到巨大影响，因此这对拆装人员的技术水平和知识掌握提出了更高要求。

2、目前，为了使得设备的拆装逻辑和内容更加清晰、自然的展现，知识图谱(knowledge graph，kg)技术因其知识关联性强、信息匹配准确等特点，开始被应用于智能制造领域，诸多设备的拆装信息开始以计算机中基于知识图谱三元组的形式存储。

3、智能制造领域中，基于知识图谱的知识推荐可以大幅提高拆装过程的效率和智能化水平，但是目前大量关于拆装工艺知识的推荐方法对知识间的联系挖掘并不充分，存在缺乏个性化推荐视角、信息覆盖度不足及推荐的准确率较低等缺点，对拆装作业中信息提示的作用有限。

4、以专利申请cn202211306215.7一种基于故障图谱的相似故障挖掘方法为例，其借助邻域信息聚合与ripplenet模型结合推荐相似故障的相关信息，但是存在信息覆盖度不足、推荐视角单一、可解释性不强的问题。

技术实现思路

1、本发明提供一种装备拆装知识个性化推荐方法，旨在解决现有复杂装备拆装知识推荐方法信息覆盖度不足、推荐结果准确性不高和个性化程度较低等问题。本发明在ripplenet模型的基础上结合doc2vec、transd、struc2vec等多种嵌入技术进行改进，综合利用节点的语义、拓扑结构信息及知识图谱上下文信息，生成用户的向量表示，利用用户和项目的向量进行点击预测。本发明基于多维度对用户进行个性化的拆装知识推荐，丰富推荐结果辅助拆装人员进行信息提示，提升拆装作业的效率。技术方案如下：

2、一种基于ripplenet算法的装备拆装知识个性化推荐方法，包括下列步骤：

3、s1：对装备拆装知识图谱中的节点和关系及用户点击历史进行数据预处理，以三元组形式存储头节点，关系和尾节点；

4、s2：基于知识图谱中的三元组数据，使用doc2vec、transd、struc2vec模型生成节点的多维度嵌入向量；

5、s3：将多维嵌入向量拼接后通过单层神经网络进行融合降维，得到每个节点的综合嵌入向量；

6、s4：基于节点的综合嵌入向量与用户历史交互数据，训练ripplenet模型，通过偏好传播的方式，生成用户的向量表示；

7、s5：进行用户向量与节点向量的相似度匹配，提供基于多维度的拆装知识的个性化推荐。

8、进一步的，所述步骤s1中，对装备拆装知识图谱中的节点和关系进行数据预处理包括：对头节点、关系及尾节点内容进行字符串拼接和语序调整、清洗不完整数据，将节点和关系以id编号替代，以三元组形式<头节点id，关系id，尾节点id>存储。

9、进一步的，所述步骤s1中，所述装备拆装知识图谱包含九种实体类型：部件名称、零件名称、装配工艺名称、装配工艺标准、拆卸工艺名称，拆装工具，拆装资源、拆装工艺约束；定义实体间关系类型，用以存储和详细描述拆装过程，实体间关系及其主要含义如下表所示：

10、

11、进一步的，所述步骤s2中，所述使用doc2vec、transd、struc2vec模型生成节点的多维度嵌入向量的方法为：

12、(1)基于头节点、关系及尾节点字符串拼接和语序调整预处理后的文本库训练doc2vec模型，生成节点的语义嵌入，增强模型对节点语义信息的学习能力，训练方式采用pv-dm；

13、(2)基于transd模型生成节点的知识图谱结构向量和上下文向量，用于增强模型对节点知识图谱位置信息的学习能力；

14、(3)基于struc2vec模型生成节点的拓扑结构向量，用于增强模型对节点拓扑结构的学习能力。

15、进一步的，所述步骤s3中，将多维度向量拼接，基于doc2vec生成节点的语义向量，transd生成节点的知识图谱结构向量和上下文向量和struc2vec模型生成节点的拓扑结构向量。

16、进一步的，所述步骤s4中，利用节点的综合嵌入向量与用户历史交互数据，训练ripplenet模型，通过偏好传播的方式，生成用户的向量表示。用户历史交互数据为步骤s1中得到的用户对知识图谱节点的点击数据。

17、本发明的有益效果如下：

18、(1)提高推荐的准确性和信息覆盖度：

19、本发明通过使用doc2vec、transd、struc2vec等多种嵌入技术生成节点的多维度嵌入向量，并通过单层神经网络进行融合降维，得到每个节点的综合嵌入向量。基于综合向量与用户的历史交互数据进行训练ripplenet模型，可以更准确地捕捉用户的需求，基于多个维度考虑，生成更符合用户预期的推荐结果。将本发明提出的方法应用于基于棉良和黎河水电站生成的用户拆装交互数据，通过实验表明，基于多维嵌入的ripplenet模型在精确度和召回率上均显著优于传统ripplenet模型，能够有效提高知识推荐的准确性和效率。

20、(2)增强推荐的个性化程度

21、本发明通过综合利用节点的语义、拓扑结构信息及知识图谱上下文信息，生成用户的向量表示。在进行推荐时，通过ripplenet模型的偏好传播，从用户的角度进行兴趣的捕捉和分析，提供个性化的推荐列表。相比于传统方法，本发明可以根据用户的特定需求和兴趣，提供更具个性化的推荐，增强用户体验，提高推荐系统的满意度。

22、(3)提升知识推荐的完备性和可解释性

23、通过多维度嵌入技术，本发明能够综合考虑节点的多种特性，使推荐结果不仅局限于某一角度，还能提供与之相关的上下文知识和扩展信息。多维度的节点嵌入表示不仅提高了推荐的相关性，还增强了推荐结果的可解释性，使用户能够更好地理解推荐的依据和原理。实验结果表明，本发明在知识推荐的完备性和可解释性方面有显著提升，有助于辅助用户进行有效的决策，提高工业设备运营的智能化水平。

技术特征：

1.一种基于ripplenet算法的装备拆装知识个性化推荐方法，包括下列步骤：

2.根据权利要求1所述的装备拆装知识个性化推荐方法，其特征在于，所述步骤s1中，对装备拆装知识图谱中的节点和关系进行数据预处理包括：对头节点、关系及尾节点内容进行字符串拼接和语序调整、清洗不完整数据，将节点和关系以id编号替代，以三元组形式<头节点id，关系id，尾节点id>存储。

3.根据权利要求1所述的装备拆装知识个性化推荐方法，其特征在于，所述步骤s1中，所述装备拆装知识图谱包含九种实体类型：部件名称、零件名称、装配工艺名称、装配工艺标准、拆卸工艺名称，拆装工具，拆装资源、拆装工艺约束；定义实体间关系类型，用以存储和详细描述拆装过程，实体间关系及其主要含义如下表所示：

4.根据权利要求1所述的装备拆装知识个性化推荐方法，其特征在于，所述步骤s2中，所述使用doc2vec、transd、struc2vec模型生成节点的多维度嵌入向量的方法为：

5.根据权利要求1所述的装备拆装知识个性化推荐方法，其特征在于，所述步骤s3中，将多维度向量拼接，基于doc2vec生成节点的语义向量，transd生成节点的知识图谱结构向量和上下文向量和struc2vec模型生成节点的拓扑结构向量。

6.根据权利要求1所述的装备拆装知识个性化推荐方法，其特征在于，所述步骤s4中，利用节点的综合嵌入向量与用户历史交互数据，训练ripplenet模型，通过偏好传播的方式，生成用户的向量表示；用户历史交互数据为步骤s1中得到的用户对知识图谱节点的点击数据。

技术总结本发明涉及一种基于RippleNet算法的装备拆装知识个性化推荐方法，包括下列步骤：S1：对装备拆装知识图谱中的节点和关系及用户点击历史进行数据预处理，以三元组形式存储头节点，关系和尾节点；S2：基于知识图谱中的三元组数据，使用Doc2Vec、TransD、Struc2Vec模型生成节点的多维度嵌入向量；S3：将多维嵌入向量拼接后通过单层神经网络进行融合降维，得到每个节点的综合嵌入向量；S4：基于节点的综合嵌入向量与用户历史交互数据，训练RippleNet模型，通过偏好传播的方式，生成用户的向量表示；S5：进行用户向量与节点向量的相似度匹配，提供基于多维度的拆装知识的个性化推荐。技术研发人员：刘秉奇,郭伟,张静,刘金剑,王磊,崔国庆受保护的技术使用者：天津仁爱学院技术研发日：技术公布日：2024/9/29