一种生产策略确定方法、装置、电子设备及存储介质

摘要

本申请实施例公开了一种生产策略确定方法、装置、电子设备及存储介质，包括：从基础生产资源的多源异构数据中获取资源知识；对资源知识进行解析得到资源知识的关系，对资源知识进行主题抽取得到资源知识的主题；将资源知识、关系和主题作为知识分类模型的输入，并根据知识分类模型的输出确定资源知识的知识三元组；对知识三元组添加时间信息得到知识四元组，基于知识四元组为基础生产资源构建知识图谱；基于知识图谱确定基础生产资源的生产策略。本申请可以对多源异构数据构建知识图谱，可以深度地对资源知识进行整合，以便在企业生产经营过程中基于知识图谱有指导性地制定准确地基础生产资源的生产策略，为制定生产策略提供了一个新思路。

说明书

技术领域

本申请实施例涉及知识图谱技术领域，尤其涉及一种生产策略确定方法、装置、电子设备及存储介质。

背景技术

由于企业生产经营中各类基础生产资源具有地域分散性、运营独立性、种类多样丰富性的特点，在资源虚拟化过程中表现出功能和形态异构、数据格式异构、知识表达与操作异构的复杂特性，存在快速组织难、计算机理解难、数据模式动态变迁难、协同与配置难的问题，严重限制了基础生产资源间的整合优势的发挥。目前基础生产资源主要生产制造资源、生产制造节点和生产制造服务，存在结构化数据、半结构化数据以及非结构化数据三种形态，其中，结构化数据以关系数据库的形式存储于供应链内的各种基础数据服务系统中，如产品、物料、工艺、设备、用户、供应商等；半结构化数据存储在各种生产制造节点和生产制造资源的组合中，如设计、准备、采购、总装、进度、交付物等；非结构化数据存储于各种制造资源计划中，如供应链计划、企业制造计划、车架作业计划、采购库存等生产制造服务。

现有技术大多基于生产制造资源(即结构化数据)构建知识图谱，但基于生产制造节点与生产制造服务中的半结构化数据和非结构化数据构建知识图谱未有相关研究。

发明内容

本申请实施例提供了一种生产策略确定方法、装置、电子设备及存储介质，可以对多源异构数据构建知识图谱，增加数据的组织关联性，可以深度地对资源知识进行整合，以便在企业生产经营过程中基于知识图谱有指导性地制定准确地基础生产资源的生产策略，为制定生产策略提供了一个新思路。

第一方面，本申请实施例提供了一种生产策略确定方法，该方法包括：

从基础生产资源的多源异构数据中获取资源知识，所述基础生产资源包括生产制造资源、生产制造节点或生产制造服务；

对所述资源知识进行解析得到所述资源知识的关系，并对所述资源知识进行主题抽取得到所述资源知识的主题；

将所述资源知识、所述关系和所述主题作为知识分类模型的输入，并根据所述知识分类模型的输出确定所述资源知识的知识三元组；

对所述知识三元组添加时间信息得到知识四元组，基于所述知识四元组为所述基础生产资源构建知识图谱；

基于所述知识图谱确定所述基础生产资源的生产策略。

第二方面，本申请实施例提供了一种生产策略确定装置，该装置包括：

资源知识获取模块，用于从基础生产资源的多源异构数据中获取资源知识，所述基础生产资源包括生产制造资源、生产制造节点或生产制造服务；

资源知识分析模块，用于对所述资源知识进行解析得到所述资源知识的关系，并对所述资源知识进行主题抽取得到所述资源知识的主题；

知识三元组确定模块，用于将所述资源知识、所述关系和所述主题作为知识分类模型的输入，并根据所述知识分类模型的输出确定所述资源知识的知识三元组；

知识图谱构建模块，用于对所述知识三元组添加时间信息得到知识四元组，基于所述知识四元组为所述基础生产资源构建知识图谱；

生产策略确定模块，用于基于所述知识图谱确定所述基础生产资源的生产策略。

第三方面，本申请实施例提供了一种电子设备，该电子设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本申请任意实施例所述的生产策略确定方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本申请任意实施例所述的生产策略确定方法。

本申请实施例提供了一种生产策略确定方法、装置、电子设备及存储介质，该方法包括：从基础生产资源的多源异构数据中获取资源知识，基础生产资源包括生产制造资源、生产制造节点或生产制造服务；对资源知识进行解析得到资源知识的关系，并对资源知识进行主题抽取得到资源知识的主题；将资源知识、关系和主题作为知识分类模型的输入，并根据知识分类模型的输出确定资源知识的知识三元组；对知识三元组添加时间信息得到知识四元组，基于知识四元组为基础生产资源构建知识图谱；基于知识图谱确定基础生产资源的生产策略。本申请从不同数据类型的基础生产资源中获取资源知识，再对资源知识进行关系解析得到关系，以及进行主题抽取得到主题，进而得到资源知识的知识三元组，再对知识三元组添加时间信息得到知识四元组，进而基于知识四元组构建知识图谱，最终基于知识图谱确定基础生产资源的生产策略。本申请知识图谱可以融合多源异构数据，增加数据的组织关联性，可以深度地对资源知识进行整合，以便在企业生产经营过程中基于知识图谱有指导性地制定准确地基础生产资源的生产策略，为制定生产策略提供了一个新思路。

应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其他特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1为本申请实施例提供的一种生产策略确定方法的第一流程示意图；

图2为本申请实施例提供的一种生产策略确定方法的第二流程示意图；

图3为本申请实施例提供的一种生产策略确定装置的结构示意图；

图4是用来实现本申请实施例的一种生产策略确定方法的电子设备的框图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

图1为本申请实施例提供的一种生产策略确定方法的第一流程示意图，本实施例可适用于对基础生产资源构建知识图谱，并基于知识图谱确定基础生产资源的生产策略。本实施例提供的一种生产策略确定方法可以由本申请实施例提供的生产策略确定装置来执行，该装置可以通过软件和/或硬件的方式实现，并集成在执行本方法的电子设备中。

参见图1，本实施例的方法包括但不限于如下步骤：

S110、从基础生产资源的多源异构数据中获取资源知识，基础生产资源包括生产制造资源、生产制造节点或生产制造服务。

其中，基础生产资源是指企业生产经营过程中产生的或所需的各种基础数据，基础生产资源包括生产制造资源、生产制造节点或生产制造服务。生产制造资源是指企业生产经营的供应链内的各种基础数据，一般以结构化数据的形式存储在关系数据库中，可以是指产品、物料、工艺、设备、用户、供应商等数据。生产制造节点是指企业生产经营过程中的进度节点，可以包括设计、准备、采购、总装、进度、交付物等进度节点，一般以半结构化数据进行存储。生产制造服务是指企业生产经营过程中的各种制造资源计划中，如供应链计划、企业制造计划、车架作业计划、采购库存计划等，一般以半结构化数据或非结构化数据进行存储。

在本申请实施例中，首先确定基础生产资源中多源异构数据的数据类型。采用该数据类型对应的资源知识获取方法从基础生产资源中获取资源知识。其中，多源异构数据是指基础生产资源由多个不同来源的数据类型而构成，其数据类型包括生产制造资源中的结构化数据、生产制造节点或生产制造服务中的半结构化数据，以及生产制造服务中的非结构化数据。

进一步的，当多源异构数据为生产制造资源中的结构化数据时；从基础生产资源的多源异构数据中获取资源知识，包括：基于预设执行脚本通过结构化查询语言(Structured Query Language，SQL)文件生成映射文件；根据映射文件对结构化数据进行访问得到结构化数据的属性规则；根据属性规则从结构化数据中获取资源知识。其中，结构化数据是高度组织和整齐格式化的数据，可以放入表格和电子表格中，通过关系型数据库进行存储和管理。

在本申请实施例中，采用数据转化技术(如Database to RDF(即D2R))将产品、物料、工艺、设备、用户、供应商等生产制造资源对应的关系数据库中的数据转换为资源描述框架(Resource Description Framework，RDF)数据，其中，关系数据库的表名直接映射到RDF中的类，字段映射到RDF中类的属性。具体操作是：第一步是通过D2R提供生成映射文件(如Mapping文件)的执行脚本，再通过SQL文件生成Mapping文件；第二步是使用Mapping文件对关系型数据进行转换与访问，使用者可以通过D2R server访问关系型数据，或者通过在自己的Java application中调用Jena/Seasame的数据访问接口去访问数据得到结构化数据的属性规则；根据属性规则从结构化数据中获取资源知识。

进一步的，当多源异构数据为生产制造节点或生产制造服务中的半结构化数据时；从基础生产资源的多源异构数据中获取资源知识，包括：从生产制造节点或生产制造服务中提取出半结构化数据；构建规则包装器；基于规则包装器对半结构化数据进行训练得到节点交互规则；根据节点交互规则从半结构化数据中获取资源知识。其中，半结构化数据虽不符合关系型数据库或其他数据表的形式关联起来的数据模型结构，但包含相关标记，用来分隔语义元素以及对记录和字段进行分层，如常见的半结构数据有可扩展标记语言(Extensible Markup Language，XML)和JS对象简谱(JavaScript Object Notation，JSON)。

在本申请实施例中，半结构化数据可以是企业资源计划和制造资源计划中的系统日志文件或网页中的数据。规则包装器是一种有监督学习的机器学习方法。通过挖掘多个数据记录中的重复模式，自动地从标注好的训练样例集合中学习数据抽取规则，用于从其他相同标记或相同网页/网页集合模板抽取目标数据，进行训练找到节点交互规则。

规则包装器的构建过程可以是：首先，对这些日志文件或网页进行数据清洗，以清理不规范代码，生成干净的符合预设标准的代码；其次，再对数据清洗之后的日志文件或网页中的某个位置打上特殊的标注，例如：项目立项、设计、准备、制造、采购、总装等生产制造节点具备明显的流程特点，可作为网页标注的一种标签；再次，对标注的数据生成XPath集合空间，对生成的集合进行归纳形成若干子集。归纳的规则是在子集中的XPath能够覆盖多个标注的数据项，具有一定的泛化能力，从而生成包装器空间；然后，对包装器进行准确率和召回率的评估，进而输出训练的规则包装器；最后，通过挖掘多个数据记录中的重复模式自动抽取日志文件或网页，将一组日志文件或网页通过聚类将相似的日志文件或者网页分成若干个组，每组相似的日志文件或网页获得不同的包装器。将需要抽取的网页与之前生成规则包装器的日志文件或者网页进行比较得到最终的规则包装器(即确定网页分类规则)，利用规则包装器对日志文件或者网页进行分类，也可以按生产制造节点或生产制造服务的分类原则进行分类，进而确定生产制造节点或生产制造服务中半结构化数据的节点交互规则。

可选的，规则包装器是可按照生产制造节点或生产制造服务进行区分，也就是，每一个生产制造节点对应一个规则包装器。

进一步的，当多源异构数据为生产制造服务中的非结构化数据时；从基础生产资源的多源异构数据中获取资源知识，包括：对非结构化数据进行业务构件识别得到构件组合规则；根据构件组合规则从非结构化数据中获取资源知识。其中，非结构化数据是数据结构不规则或不完整，没有预定义的数据模型，不方便用数据库二维逻辑表来表现的数据，包括所有格式的办公文档、文本、图片、网页、各类报表、图像和音频/视频信息等等。

进一步的，对非结构化数据进行业务构件识别得到构件组合规则，包括：对非结构化数据内包含的相似服务进行语义抽象处理得到业务模型；可选的，语义抽象包括维度消减、分组、拆分、内涵收缩等。对业务模型进行模型分解得到多个子模型，并将多个子模型映射为对应的业务构件，得到多个业务构件；模型分解是依据特定的分解原则，将业务模型分解为一组子模型，并将每一个子模型映射为一个独立构件。分解原则有多种，如基于耦合度的分解、基于数据依赖或功能依赖的分解等。根据业务构件的粒度将多个业务构件进行合并或拆分得到新的业务构件；例如：将经常需要共同复用的构件合并在一起，得到大粒度的构件，以提高构件复用时的效率和降低复用成本。相关的合并技术包括共同复用原则、基于继承/组合关系的合并等，反之，通过拆分降低其粒度。从新的业务构件中挑选出符合预设度量指标的业务构件，从而得到构件组合规则。

S120、对资源知识进行解析得到资源知识的关系，并对资源知识进行主题抽取得到资源知识的主题。

在本申请实施例中，采用依存分析或句法解析对资源知识进行解析得到资源知识的关系，使用主题挖掘技术对资源知识进行主题抽取得到资源知识的主题，可以是提取不同粒度的主题词，最终得到资源知识中主题和关系，还可以得到与主题和关系有关的属性值信息。

S130、将资源知识、关系和主题作为知识分类模型的输入，并根据知识分类模型的输出确定资源知识的知识三元组。

其中，知识分类模型可以是长短期记忆人工神经网络-循环神经网络(即LSTM-RNN)的分类模型。可选的，还可以是其他的用于分类的神经网络模型。

在本申请实施例中，LSTM-RNN模型是双层的知识分类模型，第一层LSTM模型输入的是资源知识、关系和主题来识别主题的类型，训练得到LSTM中隐藏层的分布式表达和主题的分类标签信息，并将这些作为第二层RNN模型的输入，还可以输入主题之间的依存路径，第二层训练对关系的分类，获得基础生产资源间主题、关系、属性值信息，从而得到知识三元组。

S140、对知识三元组添加时间信息得到知识四元组，基于知识四元组为基础生产资源构建知识图谱。

传统知识图谱中的知识在大多数情况下只在特定的时间内有效，而一些事实(如演化的事件)往往出现在一个时间序列中。时间戳单独编码方法是将时间戳建模为向量、矩阵或平面，再将时间戳的信息直接用于知识图谱的展示。

在本申请实施例中，基于序列学习的方法先设计一个序列学习模型，将时间信息融合到主题或关系的表示向量中，得到知识四元组，再用已有的表示学习模型估计知识四元组的真实程度。再基于知识四元组为基础生产资源构建知识图谱，在完成知识图谱构建后采用基于spark的知识图谱存储模式，在底层完成知识三元组存储、知识片段信息存储、知识时间信息存储，在上层完成对知识推理、知识快速查询与展示的实时计算支持，并完成时态知识图谱的展示任务。

S150、基于知识图谱确定基础生产资源的生产策略。

其中，生产策略是指企业在生产经营中根据生产经营状况所制定的决策。

在本申请实施例中，经上述步骤为基础生产资源构建知识图谱之后，再基于知识图谱对基础生产资源进行深度地整合，便能够了解企业的生产经营现状，知识图谱具有强大的语义表示能力、存储能力和推理能力，进而可以为以后的生产经营中有指导性地制定准确地基础生产资源的生产策略。生产策略的确定方式可以是：先基于知识图谱构建关于基础生产资源的智能推荐系统，再基于智能推荐系统确定基础生产资源的生产策略。

本实施例提供的技术方案，通过从基础生产资源的多源异构数据中获取资源知识；对资源知识进行解析得到资源知识的关系，并对资源知识进行主题抽取得到资源知识的主题；将资源知识、关系和主题作为知识分类模型的输入，并根据知识分类模型的输出确定资源知识的知识三元组；对知识三元组添加时间信息得到知识四元组，基于知识四元组为基础生产资源构建知识图谱；基于知识图谱确定基础生产资源的生产策略。本申请从不同数据类型的基础生产资源中获取资源知识，再对资源知识进行关系解析得到关系，以及进行主题抽取得到主题，进而得到资源知识的知识三元组，再对知识三元组添加时间信息得到知识四元组，进而基于知识四元组构建知识图谱，最终基于知识图谱确定基础生产资源的生产策略。本申请知识图谱可以融合多源异构数据，增加数据的组织关联性，可以深度地对资源知识进行整合，以便在企业生产经营过程中基于知识图谱有指导性地制定准确地基础生产资源的生产策略，为制定生产策略提供了一个新思路。

下面进一步描述本发明实施例提供的生产策略确定方法，图2为本申请实施例提供的一种生产策略确定方法的第二流程示意图。本申请实施例是在上述实施例的基础上进行优化，具体优化为：本实施例对资源知识的关系解析过程、主题抽取过程以及主题与关系的一致性检查过程进行详细的解释说明。

参见图2，本实施例的方法包括但不限于如下步骤：

S210、从基础生产资源的多源异构数据中获取资源知识，基础生产资源包括生产制造资源、生产制造节点或生产制造服务。

本步骤的相关内容参见图1实施例的步骤S110，此处不再赘述。

S220、对资源知识中的句法结构进行分析得到资源知识中词汇之间的依存关系。

在本申请实施例中，基本任务是确定句子的句法结构或者句子中词汇之间的依存关系。

主要包括两方面的内容，先确定资源知识中语言的语法体系，即对语言中合法的句子的语法结构给与形式化的定义；再采用句法分析技术根据给定的语法体系，自动推导出资源知识中句子的句法结构，分析句子所包含的句法单位以及句法单位之间的关系，从而得到资源知识中词汇之间的依存关系。

S230、从依存关系中挑选出符合句法依存关系标准的关系，得到资源知识的关系。

在本申请实施例中，通过分析资源知识中语言单位内成分之间的依存关系解释其句法结构，句子中核心动词是支配其他成分的中心成分，而它本身却不受其他任何成分的支配，所有受支配成分都以某种关系从属于支配者。

句法依存关系标准可以是：(1)一个句子中只有一个成分是独立的；(2)句子的其他成分都从属于某一成分；(3)任何一个成分都不能依存于两个或两个以上的成分；(4)如果成分A直接从属成分B，而成分C在句子中位于A和B之间，那么，成分C或者从属于A，或者从属于B，或者从属于A和B之间的某一成分；(5)中心成分左右两边的其他成分相互不发生关系。

S240、对资源知识进行词性标注得到标注结果；对标注结果进行词性主题匹配得到至少两个候选主题。

在本申请实施例中，将资源知识中的句子切割成单独的词语，再为每个词语加上词性标注。常见的词性标注为名词、动词、形容词、副词等。可选的，可以使用Java实现对词语进行斯坦福日志-线性化词性标注。例如，“某用户今天登录了企业制造计划系统”分词之后，变成“某用户/PRP今天/NN登录了/VBD企业制造计划系统/NN”，其中，PRP是指人称代词，NN是指常用名词单数形式，VBD是指动词过去式。

在本申请实施例中，词性主题匹配会对所有句子的标注结果进行扫描，寻找是否有与以下三种模式匹配，每一个匹配的短语都会被当成一个候选主题，从而从句子中得到至少两个候选主题。

其中，第一种模式：实体词主题，一个名词短语，比如“邮箱”、“定单”等。第二种模式：事件主题I，一个名词前面加一个动词的主谓结构。常见的关系到一个实体词的动作，如“申请失败”、“用户关闭”或者“上次交易失败”。第三种模式：事件主题II，一个动词后面加上若干限定词及若干名词，动宾结构表示一件事情。此种情况下，限定词及名词可以脱离动词存在。比如“合并我的账户”、“关闭我们的旧账户”。

S250、从至少两个候选主题中去除符合预设标准的无用候选主题，得到有用候选主题；对有用候选主题进行排序得到资源知识的主题。

在本申请实施例中，经上述S240步骤得到至少两个候选主题之后，需要减少重复部分、去掉短语中无关紧要的无用候选主题，得到有用候选主题。具体为：首先，采用词干提取算法提取合并候选主题时，会选择词频较高的词语作为候选主题，如“view”和“profile”组成“view profile”。然后，在选择候选主题时，还需要去掉停止词，比如文章常见的停止词：介词、代词、连词、小品词或其他辅助词语，可选的，可以采用的是Lextek标准版停止词。其次，为进一步简化候选主题的整理，还可以自行添加了一些特定领域的停止词，去掉那些不会给候选主题添加价值的词语，比如社交网络领域的停止词“附加信息”、“联系我们”、“原消息”、“同样问题”、“网站”、“其他站点”、“点击链接”等。最终，候选主题需要被提炼到没有同类或同义词。比如“邮箱地址”、“邮箱账号”需要被合并为一个共同主题。同样地，还可以借助WordNet之类的语库对词条进行合并，如“link”、“connection”、“association”、“partnership”和“relationship”等。LinkedIn手动添加了一些同义词，合并特定域同类词和语义相近词可以很好地帮助候选主题的提炼。

在本申请实施例中，最终留下来的候选主题(即有用候选主题)已经都最优化。接下来，需要一个标准进行主题排序，然后可以衍生出一套主题。主题排序通过两个步骤进行：计算每个文件中有用候选主题的术语频率–逆文档频率(term frequency–inversedocument frequency，TF-IDF)值，然后保留TF-IDF值最高的预设数量的主题。可选的，可以引入文件频率这个参数为整个文件集合进行主题TF-IDF值计算。

S260、将资源知识、关系和主题作为知识分类模型的输入，并根据知识分类模型的输出确定资源知识的知识三元组。

本步骤的相关内容参见图1实施例的步骤S130，此处不再赘述。

S270、对知识三元组中主题与关系进行一致性检查，确定出主题与关系之间不一致的错误知识三元组；从知识三元组中剔除错误知识三元组得到新的知识三元组。

在本申请实施例中，采用基于WordNet以及基础生产资源的结构等信息的模式匹配算法，在获得多个关系后利用多关系加权平均计算方法，以及利用一些模式进行的一致性检查，去除主题与关系之间不一致的错误知识三元组，最后得到一个一致性的知识三元组。

可选的，一致性检查过程是可循环的，直到不再找到新的不一致对应关系为止。

S280、对新的知识三元组添加时间信息得到知识四元组，基于知识四元组为基础生产资源构建知识图谱。

在本申请实施例中，经上述S270步骤从知识三元组中剔除错误知识三元组得到新的知识三元组之后，基于序列学习的方法先设计一个序列学习模型，将时间信息融合到主题或关系的表示向量中，得到知识四元组，基于知识四元组为基础生产资源构建知识图谱。

S290、基于知识图谱确定基础生产资源的生产策略。

其中，生产策略是指企业在生产经营中根据生产经营状况所制定的决策。

在本申请实施例中，为基础生产资源构建知识图谱之后，再基于知识图谱对基础生产资源进行深度地整合，便能够了解企业的生产经营现状，知识图谱具有强大的语义表示能力、存储能力和推理能力，进而可以为以后的生产经营中有指导性地制定准确地基础生产资源的生产策略。生产策略的确定方式可以是：先基于知识图谱构建关于基础生产资源的智能推荐系统，再基于智能推荐系统确定基础生产资源的生产策略。

本实施例提供的技术方案，通过从基础生产资源的多源异构数据中获取资源知识；对资源知识中的句法结构进行分析得到资源知识中词汇之间的依存关系；从依存关系中挑选出符合句法依存关系标准的关系，得到资源知识的关系；对资源知识进行词性标注得到标注结果；对标注结果进行词性主题匹配得到至少两个候选主题；从至少两个候选主题中去除符合预设标准的无用候选主题，得到有用候选主题；对有用候选主题进行排序得到资源知识的主题；将资源知识、关系和主题作为知识分类模型的输入，并根据知识分类模型的输出确定资源知识的知识三元组；对知识三元组中主题与关系进行一致性检查，确定出主题与关系之间不一致的错误知识三元组；从知识三元组中剔除错误知识三元组得到新的知识三元组；对新的知识三元组添加时间信息得到知识四元组，基于知识四元组为基础生产资源构建知识图谱；基于知识图谱确定基础生产资源的生产策略。本申请对资源知识进行句法结构分析以及依存关系分析得到关系，对资源知识进行词性标注、词性主题匹配、主题筛选和主题排序得到资源知识的主题，进而得到资源知识的知识三元组，再对知识三元组添加时间信息得到知识四元组，进而基于知识四元组构建知识图谱，最终基于知识图谱确定基础生产资源的生产策略。本申请知识图谱可以融合多源异构数据，增加数据的组织关联性，可以深度地对资源知识进行整合，以便在企业生产经营过程中基于知识图谱有指导性地制定准确地基础生产资源的生产策略，为制定生产策略提供了一个新思路。

图3为本申请实施例提供的一种生产策略确定装置的结构示意图，如图3所示，该装置300可以包括：

资源知识获取模块310，用于从基础生产资源的多源异构数据中获取资源知识，所述基础生产资源包括生产制造资源、生产制造节点或生产制造服务；

资源知识分析模块320，用于对所述资源知识进行解析得到所述资源知识的关系，并对所述资源知识进行主题抽取得到所述资源知识的主题；

知识三元组确定模块330，用于将所述资源知识、所述关系和所述主题作为知识分类模型的输入，并根据所述知识分类模型的输出确定所述资源知识的知识三元组；

知识图谱构建模块340，用于对所述知识三元组添加时间信息得到知识四元组，基于所述知识四元组为所述基础生产资源构建知识图谱；

生产策略确定模块350，用于基于所述知识图谱确定所述基础生产资源的生产策略。

可选的，所述多源异构数据包括所述生产制造资源中的结构化数据；进一步的，上述资源知识获取模块310，可以具体用于：基于预设执行脚本通过结构化查询语言SQL文件生成映射文件；根据所述映射文件对所述结构化数据进行访问得到所述结构化数据的属性规则；根据所述属性规则从所述结构化数据中获取所述资源知识。

可选的，所述多源异构数据包括所述生产制造节点或所述生产制造服务中的半结构化数据；进一步的，上述资源知识获取模块310，可以具体用于：从所述生产制造节点或所述生产制造服务中提取出所述半结构化数据；构建规则包装器；基于所述规则包装器对所述半结构化数据进行训练得到节点交互规则；根据所述节点交互规则从所述半结构化数据中获取所述资源知识。

可选的，所述多源异构数据包括所述生产制造服务中的非结构化数据；进一步的，上述资源知识获取模块310，可以具体用于：对所述非结构化数据进行业务构件识别得到构件组合规则；根据所述构件组合规则从非结构化数据中获取所述资源知识。

进一步的，上述资源知识获取模块310，还可以具体用于：对所述非结构化数据进行语义抽象处理得到业务模型；对所述业务模型进行模型分解得到多个子模型，并将所述多个子模型映射为对应的业务构件，得到多个业务构件；根据所述业务构件的粒度将所述多个业务构件进行合并或拆分得到新的业务构件；从所述新的业务构件中挑选出符合预设度量指标的业务构件，从而得到构件组合规则。

进一步的，上述资源知识分析模块320，可以包括：关系解析单元和主题抽取单元；

所述关系解析单元，可以用于：对所述资源知识中的句法结构进行分析得到所述资源知识中词汇之间的依存关系；从所述依存关系中挑选出符合句法依存关系标准的关系，得到所述资源知识的关系。

所述主题抽取单元，可以用于：对所述资源知识进行词性标注得到标注结果；对所述标注结果进行词性主题匹配得到至少两个候选主题；从所述至少两个候选主题中去除符合预设标准的无用候选主题，得到有用候选主题；对所述有用候选主题进行排序得到所述资源知识的主题。

进一步的，上述生产策略确定装置，还可以包括：一致性检查模块；

所述一致性检查模块，用于在对所述知识三元组添加时间信息得到知识四元组之前，对所述知识三元组中所述主题与所述关系进行一致性检查，确定出所述主题与所述关系之间不一致的错误知识三元组；从所述知识三元组中剔除所述错误知识三元组得到新的知识三元组。

本实施例提供的生产策略确定装置可适用于上述任意实施例提供的生产策略确定方法，具备相应的功能和有益效果。

图4是用来实现本申请实施例的一种生产策略确定方法的电子设备的框图，图4示出了适于用来实现本申请实施例实施方式的示例性电子设备的框图。图4显示的电子设备仅仅是一个示例，不应对本申请实施例的功能和适用范围带来任何限制。该电子设备典型可以是智能手机、平板电脑、笔记本电脑、车载终端以及可穿戴设备等。

如图4所示，电子设备400以通用计算设备的形式表现。电子设备400的组件可以包括但不限于：一个或者多个处理器或者处理单元416，存储器428，连接不同系统组件(包括存储器428和处理单元416)的总线418。

总线418表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

电子设备400典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备400访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

存储器428可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)430和/或高速缓存存储器432。电子设备400可以进一步包括其他可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统434可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其他光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线418相连。存储器428可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本申请各实施例的功能。

具有一组(至少一个)程序模块442的程序/实用工具440，可以存储在例如存储器428中，这样的程序模块442包括但不限于操作系统、一个或者多个应用程序、其他程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块442通常执行本申请实施例所描述的功能和/或方法。

电子设备400也可以与一个或多个外部设备414(例如键盘、指向设备、显示器424等)通信，还可与一个或者多个使得用户能与该电子设备400交互的设备通信，和/或与使得该电子设备400能与一个或多个其他计算设备进行通信的任何设备(例如网卡，调制解调器等)通信。这种通信可以通过输入/输出(I/O)接口422进行。并且，电子设备400还可以通过网络适配器420与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图4所示，网络适配器420通过总线418与电子设备400的其他模块通信。应当明白，尽管图4中未示出，可以结合电子设备400使用其他硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理单元416通过运行存储在存储器428中的程序，从而执行各种功能应用以及数据处理，例如实现本申请任一实施例所提供的生产策略确定方法。

本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序(或称为计算机可执行指令)，该程序被处理器执行时可以用于执行本申请上述任一实施例所提供的生产策略确定方法。

本申请实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线或半导体的系统、装置或器件，或者任意以上的组合。计算机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、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦拭可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请实施例操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。