[发明专利]一种面向设计知识推送的加权特征知识适用概率匹配方法

说明书

本发明公开了一种面向设计知识推送的加权特征知识适用概率匹配方法。在设计知识库为知识条目建立设计知识表示向量，组成设计知识表示向量集合，建立用于后续机器学习的训练样本集，将训练样本集中的每个训练样本特征向量分为适用和不适用；每个设计人员被分配到不同的设计任务，根据设计任务的要求构建针对每个设计内容的设计内容特征向量；针对每一设计内容特征向量，遍历并采用朴素贝叶斯决策算法进行设计知识表示向量与设计内容特征向量的匹配概率计算，根据设计知识特征向量是否适用于设计内容特征向量的结果赋值设计知识特征向量，最后进行排序处理。本发明将人工智能的算法思想应用于知识推送，提高了设计知识匹配过程中的智能性与操作性。

技术领域

本发明涉及复杂机械装备智能设计知识推送领域，主要涉及一种面向设计知识推送的加权特征知识适用概率匹配方法。

背景技术

传统的机械设计中，采用设计人员主动查找搜寻设计知识已完成相应的设计任务，随着时代与科技的进步，传统方面的拉取(pull)知识显示出越来越多的弊病，如设计效率低，设计周期增长而设计结果不优等。为了满足越来越多的复杂装备与个性化定制装备的设计要求，设计任务不断加重，传统的机械设计手段正在不断进行革新，智能设计成为机械工业一个明确的未来发展趋势。智能设计内容丰富，涵盖内容学科极广，其中一项研究内容：知识推送，将传统的“拉取”转变为“推送(push)”，使得设计人员不用再去重复寻找自己知识盲点下的设计知识内容，节省了大量设计时间同时也提高了设计的正确性。

目前知识推送方面的研究越来越多，从一开始的知识发现(KDD)与知识管理(KM)等研究领域展开延伸，将其发展到应用于机械产品的设计中。知识推送中通常涉及的内容有：设计知识库的建立，设计场景建模与知识需求的获取，设计知识匹配，设计知识推送引擎，后续的更新与优化等等内容。而随着数据挖掘，机器学习等一系列人工智能研究大热，知识推送的发展也迎合了相关的趋势，不再是单一的传统的知识推送，而是在智能化准确化的方面不断前进，使得知识推送实现在正确的时间以正确的形式将正确的知识推送给正确的人。本发明即融合了现有的有关机器学习方面的内容，创新了知识推送中的知识匹配算法，机器学习的手段可以在不断的设计过程中进行推送方法的学习与优化，使得最后的推送知识结果更加准确，使得知识结果更加适用于该环境下的设计人员。

发明内容

为改进现有知识推送的技术手段，本发明提供了一种面向设计知识推送的加权特征知识适用概率匹配方法。

本发明采用的技术方案的步骤如下：

(1.1)在设计知识库为知识条目建立设计知识表示向量：

将已知设计知识库中知识条目的数据分为文档类、公式类、图表类、图纸类、案例类的五大类；然后对于每个知识条目构建设计知识表示向量，设计知识表示向量由doc＝{类别，内容，设计人员}表示，其中doc表示知识条目的设计知识表示向量，“类别”表示设计知识表示向量doc归属五大类中的一类，“内容”为设计知识的具体内容，也是最后要推送的设计知识，“设计人员”表示存在于设计图纸类与设计案例类的两类知识条目中涉及的设计人员；

由设计知识库中所有知识条目的设计知识表示向量组成设计知识表示向量集合γ，γ＝{doc₁,doc₂,…,doc_N}，其中N表示知识条目的总数，设计知识表示向量集合γ用于后续的知识匹配，作为类别标记；

(1.2)建立用于后续机器学习的训练样本集：