工艺推荐模型的训练、工艺推荐方法及电子设备

摘要

本发明涉及工艺推荐技术领域，具体涉及工艺推荐模型的训练、工艺推荐方法及电子设备，该训练方法包括获取样本加工特征子图对以及样本加工特征子图对之间的目标相似度，目标相似度是根据样本加工特征子图对中与各节点的属性类型对应的相似度度量方式确定的，属性类型包括定量属性以及语义属性；将样本加工特征子图对输入预设工艺推荐模型中，得到预测相似度；基于预测相似度与目标相似度之间的差异，对预设工艺推荐模型的参数进行调整，以确定训练好的目标工艺推荐模型。所提出的工艺推荐模型针对工艺知识图谱进行推荐，通过将不同节点属性类型的图结构数据转化为向量形式并进行向量之间的计算，提高了目标工艺推荐模型的准确性以及推荐效率。

说明书

技术领域

本发明涉及工艺推荐技术领域，具体涉及工艺推荐模型的训练、工艺推荐方法及电子设备。

背景技术

随着CAD/CAM系统的不断发展和广泛应用，大量的数字化三维CAD模型及关联的工艺数据/知识不断地生成并存储在企业的数据/知识库中。对于企业来说，制造产品并不是完全独立的，即使更新换代，新旧产品的结构设计和数控工艺等方面仍具有一定的相似性和继承性。基于此，各种工艺推荐方法应运而生。

在工艺推荐中，基于实例推理(CBR)是人工智能的一个重要分支，它主要基于旧的实例或者经验进行类比推理，模拟人类解决问题的思路和方法。在进行工艺推荐时，CBR首先在实例库中检索与其最类似的实例，然后根据一定规则选择直接采用该实例结果或是对结果进行修改后再采用，保存该实例，实现实例库的动态学习。目前CBR中最常用的检索算法是最近邻方法，即按照一定规则计算当前实例与实例库中的实例之间的相似度，然后按照相似度大小确定检索结果。该方法最大的难点在于对不同实例间的差异距离进行合理评价，特别地，对于语义文本数据，相似度度量困难。此外，最近邻方法本质上是一种暴力搜索方法，其随着实例库的扩大而检索速度显著降低。

发明内容

有鉴于此，本发明实施例提供了一种工艺推荐模型的训练、工艺推荐方法、及电子设备，以解决工艺推荐的效率较低的问题。

根据第一方面，本发明实施例提供了一种工艺推荐模型的训练方法，包括：

获取样本加工特征子图对以及所述样本加工特征子图对之间的目标相似度，所述目标相似度是根据所述样本加工特征子图对中与各节点的属性类型对应的相似度度量方式确定的，所述属性类型包括定量属性以及语义属性；

将所述样本加工特征子图对输入预设工艺推荐模型中，得到预测相似度；

基于所述预测相似度与所述目标相似度之间的差异，对所述预设工艺推荐模型的参数进行调整，以确定训练好的目标工艺推荐模型。

本发明实施例提供的工艺推荐模型的训练方法，利用知识图谱方法实现对工艺数据的实例描述，再基于图相似度度量算法用于实际检索，且在实际检索过程中结合样本加工特征子图对中各节点的属性类型对应的相似度度量方式进行相似度的计算，即，通过将不同节点属性类型的图结构数据转化为向量形式并进行向量之间的计算，保证了各类类型的节点之间的相似度的计算，提高了所训练得到的目标工艺推荐模型的准确性以及推荐效率，相应地，提高了后续利用该目标工艺推荐模型进行工艺推荐的效率。

结合第一方面，在第一方面第一实施方式中，获取所述样本加工特征子图对之间的目标相似度，包括：

基于所述样本加工特征子图对中与各节点的数据类型，确定对应的所述属性类型；

利用所述属性类型对应的相似度度量方式，确定所述样本加工特征子图对中相应节点之间的相似度；

对所述样本加工特征子图对中相应节点之间的相似度进行融合，确定所述目标相似度。

本发明实施例提供的工艺推荐模型的训练方法，通过样本加工特征子图对中各节点的数据类型得到对应的属性类型，从而确定出准确的相似度度量方式，再对个节点之间的相似度进行融合，提高了所确定出的目标相似度的准确性。

结合第一方面第一实施方式，在第一方面第二实施方式中，所述利用所述属性类型对应的相似度度量方式，确定所述样本加工特征子图对中相应节点之间的相似度，包括：

当所述属性类型为所述定量属性时，基于所述样本加工特征子图对中相应节点的数值进行相似度计算，得到所述相似度；

当所述属性类型为所述语义属性时，基于所述样本加工特征子图对中相应节点的字符串之间的编辑距离进行相似度计算，得到所述相似度。

本发明实施例提供的工艺推荐模型的训练方法，在属性类型为定量属性时，直接利用相应的数据进行相似度计算，以减少数据转换带来的数据处理量；在属性类型为语义属性时，利用字符串之间的编辑距离进行相似度计算，由于编辑距离用来度量不同词语之间的相似度，描述了两个字符串之间的相近程度，因此，利用编辑距离的方式来描述语义属性的节点之间的相似度，提高了语义属性的相似度计算的准确性。

结合第一方面第一实施方式，在第一方面第三实施方式中，所述对所述样本加工特征子图对中相应节点之间的相似度进行融合，确定所述目标相似度，包括：

获取各个相似度对应的权重；

基于所述权重与对应的相似度进行加权计算，确定所述目标相似度。

本发明实施例提供的工艺推荐模型的训练方法，利用加权方式对各个相似度进行融合，通过减少的计算量即可实现目标相似度的确定，提高了数据处理效率。

结合第一方面或第一实施方式至第三实施方式中任一项，在第一方面第四实施方式中，所述将所述样本加工特征子图对输入预设工艺推荐模型中，得到预测相似度，包括：

利用所述预设工艺推荐模型中的向量模块对所述样本加工特征子图对进行向量化，得到维度相同的样本加工特征向量对；

利用所述预设工艺推荐模型中的相似度模块以及所述样本加工特征子图中各节点的属性类型对应的相似度度量方式对所述样本加工特征向量对进行相似度计算，确定所述预测相似度。

本发明实施例提供的工艺推荐模型的训练方法，在进行相似度模块的处理之前，先将输入的样本加工特征子图对处理成相同维度的样本加工特征向量对，以保证后续能够进行相似度的计算。

结合第一方面第四实施方式，在第一方面第五实施方式中，所述利用所述预设工艺推荐模型中的向量模块对所述样本加工特征子图对进行向量化，得到维度相同的样本加工特征向量对，包括：

利用所述向量模块中的图卷积网络模块对所述样本加工特征子图对的节点进行向量化，得到节点向量对；

利用所述向量模块中的注意力网络模块对所述节点向量对进行图向量化，得到所述维度相同的样本加工特征子图向量对。

本发明实施例提供的工艺推荐模型的训练方法，将样本加工特征子图对的节点进行向量化，即节点嵌入；然后，进行图级别的向量化，即图嵌入，得到样本加工特征向量对，通过对样本加工特征子图对依据层次关系依次进行向量化，保证了所得到的样本加工特征相对既保留了各个节点的信息又融合了样本加工特征子图的整体信息，提高了所得到的样本加工特征向量对的准确性。

根据第二方面，本发明实施例还提供了一种工艺推荐方法，包括：

获取待推荐的加工特征；

基于所述加工特征之间的关系构建待推荐加工特征子图；

将所述待推荐加工特征子图与工艺知识图谱中的各个加工特征子图输入目标工艺推荐模型中，得到所述工艺知识图谱中与所述待推荐加工特征子图的相似度最高的至少一个目标加工特征子图，所述工艺知识图谱包括加工特征子图以及加工工艺子图，所述加工特征子图与所述加工工艺子图之间具有对应关系，所述目标工艺推荐模型是根据本发明第一方面或第一方面任一项实施方式中所述的工艺推荐模型的训练方法训练得到的；

基于所述目标加工特征子图在所述工艺知识图谱中进行检索，确定与所述目标加工特征子图对应的目标加工工艺子图，以确定推荐加工工艺。

本发明实施例提供的工艺推荐方法，利用上述方法训练得到目标工艺推荐模型进行至少一个目标加工特征子图的确定，由于目标工艺推荐模型是基于图数据进行处理且相似度的计算是基于节点的属性类型进行区分计算的，提高了目标加工特征子图的确定效率，在此基础上对工艺知识图谱进行检索，保证了目标加工工艺子图的检索效率。

结合第二方面，在第二方面第一实施方式中，所述基于所述加工特征之间的关系构建待推荐加工特征子图，包括：

基于所述加工特征之间的关系，确定所述加工特征对应的父节点；

基于所述父节点以及所述加工特征构建所述待推荐加工特征子图。

本发明实施例提供的工艺推荐方法，利用加工特征之间的关系进行父节点确定，在此基础上在确定出子节点，提高了待推荐加工特征子图的准确性。

根据第三方面，本发明实施例提供了一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行第一方面或者第一方面的任意一种实施方式中所述的工艺推荐模型的训练方法，或执行第二方面或第二方面任一实施方式中所述的工艺推荐方法。

根据第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行第一方面或者第一方面的任意一种实施方式中所述的工艺推荐模型的训练方法，或执行第二方面或第二方面任一实施方式中所述的工艺推荐方法。

需要说明的是，本发明实施例提供的电子设备或计算机可读存储介质的相应效果，请参见上文中工艺推荐模型的训练方法或工艺推荐方法的对应有益效果的描述，在此不再赘述。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本发明实施例的工艺推荐模型的训练方法的流程图；

图2是根据本发明实施例的样本加工特征子图的示意图；

图3是根据本发明实施例的工艺推荐模型的训练方法的流程图；

图4是根据本发明实施例的工艺推荐模型的训练方法的流程图；

图5是根据本发明实施例的工艺推荐模型的训练示意图；

图6是根据本发明实施例的工艺推荐模型的训练示意图；

图7是根据本发明实施例的工艺推荐方法的示意图；

图8是根据本发明实施例的工艺知识图谱的示意图；

图9是根据本发明实施例的工艺推荐模型的训练装置的结构框图；

图10是根据本发明实施例的工艺推荐装置的结构框图；

图11是本发明实施例提供的电子设备的硬件结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域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，都属于本发明保护的范围。

本发明实施例提供的工艺推荐模型的训练方法以及工艺推荐方法是在实例推理的基础上，引入图相似度度量方法，用于解决现有采用CBR方法来进行工艺推荐所存在的问题，即：知识表示得不到有效的统一表示，缺少可扩展性和灵活性，导致工艺知识难以重用和共享；现有的实例检索方法效率低下，推荐工艺知识耗时，以及基于最近邻方法在文本相似度度量以及度量效率等方面的问题，实现工艺快速推荐。

进一步地，本发明实施例中利用图相似度度量的方法进行工艺推荐，输入数据为图结构数据。利用图相似度度量方式能够避免现有的先分类再暴力搜索进行相似度度量的繁琐步骤。在本实施例中直接利用一个目标工艺推荐模型进行工艺推荐，避免了暴力搜索，提高了工艺推荐效率。

作为本实施例中工艺推荐方法的一种可选应用场景，该工艺推荐方法应用于电子设备，例如电脑或服务器中。当需要进行零件加工时，在电子设备输入目标产品的加工特征，基于该加工特征以及目标工艺推荐模型，确定出推荐工艺；再将推荐工艺发送至零件加工设备，从而实现零件的加工。或者，目标产品的加工特征的输入是在零件加工设备上输入，由零件加工设备发送至电子设备，相应地，电子设备获取到目标产品的加工特征。当电子设备为服务器时，该服务器可以对多个零件加工设备进行工艺推荐。

作为本实施例中工艺推荐方法的另一种可选应用场景，该工艺推荐方法应用于零件加工设备，例如，数控机床。在零件加工设备中内置有目标工艺推荐模型，当需要对加工目标产品时，用户在零件加工设备上输入目标产品的加工特征，零件加工设备通过执行本发明实施例中所述的工艺推荐方法，确定出推荐工艺，从而使得零件加工设备利用该推荐工艺进行目标产品的加工。

需要说明的是，通过目标工艺推荐模型确定出的加工工艺可以作为一种参考，用户可以在此基础上进行调整，以便更好地适应该产品的加工。例如，将目标工艺推荐模型确定出的加工工艺显示在电子设备的界面上，用户通过与电子设备交互的方式对该加工工艺进行调整，从而确定出用于对目标产品进行加工的加工工艺。当然，也可以直接利用目标工艺推荐模型确定出的加工工艺对目标产品进行加工。

本发明实施例中提供的工艺推荐方法还可以在其他场景下应用，上述仅仅是一种示例，并不限定本发明的保护范围，具体应用场景根据实际需求进行设置。

根据本发明实施例，提供了一种工艺推荐模型的训练方法以及工艺推荐方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

在本实施例中提供了一种工艺推荐模型的训练方法，可用于电子设备，如电脑、数控机床、服务器等，图1是根据本发明实施例的工艺推荐模型的训练方法的流程图，如图1所示，该流程包括如下步骤：

S11，获取样本加工特征子图对以及样本加工特征子图对之间的目标相似度。

其中，所述目标相似度是根据样本加工特征子图对中与各节点的属性类型对应的相似度度量方式确定的，所述属性类型包括定量属性以及语义属性。

样本加工特征子图对为两个样本加工特征子图的组合，例如，对应于孔特征的两个样本加工特征子图组成样本加工特征子图对，对应于槽特征的两个样本加工特征子图组成的样本加工特征子图对。对于样本加工特征子图的确定是利用已加工产品的工艺数据构建出的，例如，从工厂获取CAM工艺文件，然后可以通过工艺特征提取算法进行加工特征、加工工艺数据的提取，工艺特征提取算法具体通过图匹配的方法实现。当然，工艺特征提取算法并不限于上文所述的图匹配的方法，也可以采用其他方式实现。

具体地，加工特征包括孔特征、槽特征等；其中，孔特征可以具体细分为：精尺寸通孔、简单光孔通孔、精尺寸盲孔、简单尖底盲孔、螺纹孔等等；槽可以具体细分为：贯通腰型槽、不贯通腰型槽等等。加工工艺步骤包括不同的工步，例如，加工步骤、刀具类型、刀具选用规则、加工深度以及加工方法等等。

需要说明的是，加工特征以及加工工艺的范围并不限于上文所述，也可以为其他加工特征或加工工艺，具体根据实际需求进行设置。其中，具体取决于零件加工设备的设计需求等等。

例如，图2示出了样本加工特征子图的一种示例，其是属于孔特征下的精尺寸通孔特征的属性特征，属性特征包括孔径、倍径比、精度以及粗糙度。其中，该样本加工特征子图是基于加工特征之间的关系确定的。

样本加工特征子图对之间的目标相似度为后续训练预设工艺推荐模型的标签，其是样本加工特征子图对中与各节点的属性类型对应的相似度度量方式确定的。即，针对不同的属性类型采用不同的相似度度量方式。具体地，定量属性即样本加工特征子图中的节点采用数值表示；语义属性及样本加工特征子图中的节点采用字符串表示，例如，图2中的节点Ra0.8。

对于定量属性的节点之间的相似度，可以直接利用节点对应的数值进行差值计算。对于语义属性的节点之间的相似度，可以利用节点对应的字符串之间的距离计算，等等。电子设备在得到各个节点间的相似度之后，将所有相似度进行整合，例如，加权和、均值等等，从而确定出目标相似度。

关于该步骤具体将在下文中进行详细描述。

S12，将样本加工特征子图对输入预设工艺推荐模型中，得到预测相似度。

预设工艺推荐模型的输入为加工特征图对，输出为加工特征图对之间的预测相似度。对于该预设工艺推荐模型而言，相对样本加工特征子图对进行向量化，再进行相似度计算，得到预测相似度。其中，相似度的计算与上述S11中目标相似度的计算方式相同，即，针对不同的属性类型采用不同的相似度度量方式。

关于预设工艺推荐模型的具体结构细节在此对其并不做任何限定，只需保证该预设工艺推荐模型能够对输入的两个样本加工特征子图确定对应的预测相似度即可。

关于该步骤具体将在下文中进行详细描述。

S13，基于预测相似度与目标相似度之间的差异，对预设工艺推荐模型的参数进行调整，以确定训练好的目标工艺推荐模型。

电子设备利用预测相似度与目标相似度进行损失函数计算确定损失，再基于确定出的损失对预设工艺推荐模型的参数进行调整。结合最小化模型的损失函数经过多次迭代循环，确定出训练好的目标工艺推荐模型。其中，损失函数是根据实际需求设置的，在此对其并不做任何限制。

本实施例提供的工艺推荐模型的训练方法，利用知识图谱方法实现对工艺数据的实例描述，再基于图相似度度量算法用于实际检索，且在实际检索过程中结合样本加工特征子图对中各节点的属性类型对应的相似度度量方式进行相似度的计算，即，通过将不同节点属性类型的图结构数据转化为向量形式并进行向量之间的计算，保证了各类类型的节点之间的相似度的计算，提高了所训练得到的目标工艺推荐模型的准确性以及推荐效率，相应地，提高了后续利用该目标工艺推荐模型进行工艺推荐的效率。

在本实施例中提供了一种工艺推荐模型的训练方法，可用于电子设备，如电脑、数控机床、服务器等，图3是根据本发明实施例的工艺推荐模型的训练方法的流程图，如图3所示，该流程包括如下步骤：

S21，获取样本加工特征子图对以及所述样本加工特征子图对之间的目标相似度。

其中，所述目标相似度是根据样本加工特征子图对中与各节点的属性类型对应的相似度度量方式确定的，所述属性类型包括定量属性以及语义属性。

具体地，上述S21包括：

S211，获取样本加工特征子图对。

关于样本加工特征子图对的获取方式请参见图1所示实施例S11的对应描述，在此不再赘述。

S212，基于样本加工特征子图对中与各节点的数据类型，确定对应的属性类型。

电子设备在获取到样本加工特征子图对之后，通过对各个节点的数据类型进行分析，例如，整数型、浮点型、字符型等等，在确定出数据类型之后即可得到对应的属性类型。若是数值型的，则确定其属性类型为定量属性；若是字符型的，则确定其属性类型为语义属性。

S213，利用属性类型对应的相似度度量方式，确定样本加工特征子图对中相应节点之间的相似度。

电子设备在确定出属性类型之后，再利用属性类型对应的相似度度量方式对相应节点之间的相似度进行计算。

在一些可选实施方式中，上述S213包括：

(1)当属性类型为定量属性时，基于样本加工特征子图对中相应节点的数值进行相似度计算，得到相似度。

(2)当属性类型为语义属性时，基于样本加工特征子图对中相应节点的字符串之间的编辑距离进行相似度计算，得到相似度。

对于定量属性，可以用值的表达来描述，包括孔径、倍径比、精度、粗糙度、槽长、槽宽等。具体地，采用如下公式计算属于定量属性的节点之间的相似度：

其中，X、Y为两个样本加工特征子图，

对于语义属性，在模型设计过程中主要用字符串或字符串集来描述，这些描述无法量化。如：特征类型、特征名称等。其中，“简单尖底盲孔”和“精尺寸尖底盲孔”这两个字符串的相似度比“简单尖底盲孔”和“腰型槽”两个字符串的相似度要大。由于语义属性主要用字符串来表示，这些描述无法量化，传统的语义属性度量公式直接通过0，1来判断，例如，下面公式进行语义属性判定并不准确：

基于此，在本实施例中采用编辑距离来度量两个字符串之间的相似度。其中，编辑距离是指一个字符串改编成另一个字符串的最短距离，它描述了两个字符串的相近程度。

关于编辑距离的计算方式是根据实际需求设置的，只需保证其能够计算出两个字符串之间的距离即可，利用字符串之间的距离表征相似度。

在属性类型为定量属性时，直接利用相应的数据进行相似度计算，以减少数据转换带来的数据处理量；在属性类型为语义属性时，利用字符串之间的编辑距离进行相似度计算，由于编辑距离用来度量不同词语之间的相似度，描述了两个字符串之间的相近程度，因此，利用编辑距离的方式来描述语义属性的节点之间的相似度，提高了语义属性的相似度计算的准确性。

S214，对样本加工特征子图对中相应节点之间的相似度进行融合，确定目标相似度。

如上文所述，融合可以采用加权和、均值等等，即，将上述S213中计算得到的所有相似度进行融合，确定出目标相似度。

在一些可选实施方式中，上述S214包括：

(1)获取各个相似度对应的权重。

(2)基于权重与对应的相似度进行加权计算，确定目标相似度。

各个相似度对应的权重是根据实际需求进行设置的，在此对其并不做任何限制。或者，为了减少数据处理的复杂度，针对不同的属性类型设置不同的权重，即相同属性类型的权重相同。在权重确定之后，电子设备就可以基于下述公式进行目标相似度的计算：

利用加权方式对各个相似度进行融合，通过减少的计算量即可实现目标相似度的确定，提高了数据处理效率。

S22，将样本加工特征子图对输入预设工艺推荐模型中，得到预测相似度。

详细请参见图1所示实施例的S12，在此不再赘述。

S23，基于预测相似度与目标相似度之间的差异，对预设工艺推荐模型的参数进行调整，以确定训练好的目标工艺推荐模型。

详细请参见图1所示实施例的S13，在此不再赘述。

本实施例提供的工艺推荐模型的训练方法，通过样本加工特征子图对中各节点的数据类型得到对应的属性类型，从而确定出准确的相似度度量方式，再对个节点之间的相似度进行融合，提高了所确定出的目标相似度的准确性。

在本实施例中提供了一种工艺推荐模型的训练方法，可用于电子设备，如电脑、数控机床、服务器等，图4是根据本发明实施例的工艺推荐模型的训练方法的流程图，如图4所示，该流程包括如下步骤：

S31，获取样本加工特征子图对以及所述样本加工特征子图对之间的目标相似度。

其中，所述目标相似度是根据样本加工特征子图对中与各节点的属性类型对应的相似度度量方式确定的，所述属性类型包括定量属性以及语义属性。

详细请参见图3所示实施例的S21，在此不再赘述。

S32，将样本加工特征子图对输入预设工艺推荐模型中，得到预测相似度。

具体地，上述S32包括：

S321，利用预设工艺推荐模型中的向量模块对样本加工特征子图对进行向量化，得到维度相同的样本加工特征向量对。

预设工艺推荐模型包括向量模块以及相似度模块，其中，向量模块用于将输入的样本加工特征子图向量化，得到维度相同的样本加工特征向量对。即，只有在维度相同的基础上，才能够进行后续相似度的计算。例如，若孔特征与槽特征的向量维度不同，那么就无法利用向量化进行相似度计算，从而导致相似度计算失败。因此，在进行相似度计算之前，先将图数据向量化处理为维度相同的向量。

向量模块的工作原理为对各个样本加工特征子图分别进行向量化，例如，对子图中的各个节点分别进行编码，再进行融合；或者，将各个样本加工特征子图作为一个整体进行编码，等等。

在一些可选实施方式中，上述S321包括：

(1)利用向量模块中的图卷积网络模块对样本加工特征子图对的节点进行向量化，得到节点向量对。

(2)利用向量模块中的注意力网络模块对节点向量对进行图向量化，得到维度相同的样本加工特征子图向量对。

如图5所示，首先利用图卷积网络模块对样本加工特征子图对的节点进行向量化，即节点嵌入，得到节点向量对；然后，再利用注意力网络模块对节点向量对进行图级别的向量化，即图嵌入，得到样本加工特征子图向量对。后续再基于该样本加工特征向量对进行相似度计算，得到预测相似度。

将样本加工特征子图对的节点进行向量化，即节点嵌入；然后，进行图级别的向量化，即图嵌入，得到样本加工特征子图向量对，通过对样本加工特征子图对依据层次关系依次进行向量化，保证了所得到的样本加工特征相对既保留了各个节点的信息又融合了样本加工特征子图的整体信息，提高了所得到的样本加工特征向量对的准确性。

S322，利用预设工艺推荐模型中的相似度模块以及样本加工特征子图中各节点的属性类型对应的相似度度量方式对样本加工特征向量对进行相似度计算，确定预测相似度。

相似度模块的工作原理与图3所示实施例的S21中目标相似度的计算方式相同，详细请参见图3所示实施例的S21的对应描述，在此不再赘述。

S33，基于预测相似度与目标相似度之间的差异，对预设工艺推荐模型的参数进行调整，以确定训练好的目标工艺推荐模型。

详细请参见图1所示实施例的S13，在此不再赘述。

本实施例提供的工艺推荐模型的训练方法，在进行相似度模块的处理之前，先将输入的样本加工特征子图对处理成相同维度的样本加工特征向量对，以保证后续能够进行相似度的计算。

作为本实施例中工艺推荐模型的训练方法的一个具体应用实例，如图6所示，该方法包括：

(1)先利用历史产品的工艺数据进行样本数据集的构建，得到工艺知识图谱；

(2)对工艺知识图谱进行采样，得到两两样本加工特征子图，确定出样本加工特征子图对；

(3)针对各个样本加工特征子图对进行目标相似度的计算；

(4)利用样本加工特征子图及其对应的目标相似度进行模型训练，得到目标工艺推荐模型。其中，训练过程主要包括图5所示的过程。

在得到目标工艺推荐模型之后，后续要进行加工工艺确定时，可以先获取到加工特征子图，再利用该目标工艺推荐模型计算该加工特征子图与工艺知识图谱中各个加工子图的相似度，从而确定出相似度最高的前N个加工特征子图。在利用工艺知识图谱中加工特征子图与加工工艺子图的对应关系，确定出目标加工工艺子图，从而确定出推荐加工工艺。

在本实施例中提供了一种工艺推荐方法，可用于电子设备，如电脑、数控机床、服务器等，图7是根据本发明实施例的工艺推荐模型的训练方法的流程图，如图7所示，该流程包括如下步骤：

S41，获取待推荐的加工特征。

待推荐的加工特征，可以是用户在电子设备上输入的，也可以是电子设备从其他设备中获得的，在此对其来源并不做任何限制。待推荐的加工特征，为目标产品的加工特征。

例如，在电子设备的界面上显示有加工特征的输入界面，依据层次进行划分，第一层次包括：孔特征、槽特征等；第二层次包括：孔特征以及槽特征下的细分；第三层次包括细分特征下的属性特征。

S42，基于加工特征之间的关系构建待推荐加工特征子图。

电子设备在获得加工特征之后，加工特征之间的关系也就相应确定。例如，用于在界面的对应标签下进行加工特征的输入，即可确定出加工特征之间的关系。

在一些可选实施方式中，上述S44包括：

(1)基于加工特征之间的关系，确定加工特征对应的父节点。

(2)基于父节点以及所述加工特征构建待推荐加工特征子图。

其中，加工特征对应的父节点对应于上文所述的输入界面的第一层次，依次往下进行子节点的确认，从而构建出待推荐加工特征子图。利用加工特征之间的关系进行父节点确定，在此基础上在确定出子节点，提高了待推荐加工特征子图的准确性。

S43，将待推荐加工特征子图与工艺知识图谱中的各个加工特征子图输入目标工艺推荐模型中，得到工艺知识图谱中与待推荐加工特征子图的相似度最高的至少一个目标加工特征子图。

其中，所述工艺知识图谱包括加工特征子图以及加工工艺子图，所述加工特征子图与加工工艺子图之间具有对应关系，所述目标工艺推荐模型是根据上述的工艺推荐模型的训练方法训练得到的，在此不再赘述。

如图8所示，矩形框框出来的子图表示的是加工特征子图，加工特征子图与加工工艺子图之间存在关联关系，即，在工艺知识图谱中加工特征子图与加工工艺子图之间可以是多对多的关系，或一对一的关系，或多对一的关系，等等。在此对加工特征子图与加工工艺子图的对应关系并不做任何限制，具体根据实际需求进行设置即可。

需要说明的是，图8仅仅表示的是工艺知识图谱的形式，并不限定每个节点的内容；即，对图8中各个节点的具体显示内容并不做任何限定。

电子设备利用目标工艺推荐模型确定出相似度最高的前N个目标加工特征子图，其中，目标加工特征子图的数量可以是1个，2个，或多个，在此对其并不做任何限定。

S44，基于目标加工特征子图在工艺知识图谱中进行检索，确定与目标加工特征子图对应的目标加工工艺子图，以确定推荐加工工艺。

电子设备在得到目标加工特征子图之后，在工艺知识图谱中进行检索，例如，在知识图谱数据层Neo4j图数据库中进行搜索，采用Cypher搜索语言进行。通过搜索匹配加工特征子图的各个节点，从而搜索出目标加工特征子图所对应的目标加工工艺子图。

电子设备可以将搜索出的目标加工工艺子图进行显示，即，可视化显示目标加工工艺子图；用户结合实际需求可以对目标加工工艺子图进行调整，从而确定出推荐加工工艺。

本实施例提供的工艺推荐方法，利用上述方法训练得到目标工艺推荐模型进行至少一个目标加工特征子图的确定，由于目标工艺推荐模型是基于图数据进行处理且相似度的计算是基于节点的属性类型进行区分计算的，提高了目标加工特征子图的确定效率，在此基础上对工艺知识图谱进行检索，保证了目标加工工艺子图的检索效率。其中，基于知识图谱的工艺推荐方法具有很强的泛化性，面对新行业，知识图谱可以不断修改调整，以满足不同行业的需求。

结合图6所示，作为工艺推荐模型的训练方法以及工艺推荐方法的一个具体应用示例，对于加工推荐模型而言，其分为两个阶段，一个是训练阶段，另一个是推荐阶段，两个阶段的模型输入输出不一样，具体为：

(1)模型训练阶段

训练方法的输入为加工特征子图对，例如，数据集包含11种不同孔和槽的加工特征数据，加工特征子图2000个，从中采样获取两两子图对共60000对。其中，将训练子图对进行划分，训练集、测试集比例为70％、30％。

训练阶段的输出：模型经过训练集数据训练完成后，在测试集上输出子图对相似度分数，并通过预测的相似度分数和实际的相似度分数计算评价指标，评价指标为MSE(均方误差)，p@k(前k个准确度)。若评价结果满足需求，表示模型训练完成；若评价结果不满足需求，表示还需要对模型的参数继续进行调整，直至满足评价需求为止。

(2)模型推荐阶段

推荐方法的输入为：加工特征，例如，孔径、倍径比、粗糙度等等。电子设备根据输入的加工特征将其转换为待推荐加工特征子图，将待推荐加工特征子图输入到目标工艺推荐模型中，与所有的2000个加工特征子图两两形成子图对，模型快速进行相似度分数预测，并取相似度最高的N个加工特征子图进行推荐。

算法输出：相似度最高的N个加工特征子图。

在本实施例中还提供了一种工艺推荐模型的训练装置以及工艺推荐装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

本实施例提供一种工艺推荐模型的训练装置，如图9所示，包括：

第一获取模块51，用于获取样本加工特征子图对以及所述样本加工特征子图对之间的目标相似度，所述目标相似度是根据所述样本加工特征子图对中与各节点的属性类型对应的相似度度量方式确定的，所述属性类型包括定量属性以及语义属性；

输入模块52，用于将所述样本加工特征子图对输入预设工艺推荐模型中，得到预测相似度；

调整模块53，用于基于所述预测相似度与所述目标相似度之间的差异，对所述预设工艺推荐模型的参数进行调整，以确定训练好的目标工艺推荐模型。

本实施例提供一种工艺推荐装置，如图10所示，包括：

第二获取模块61，用于获取待推荐的加工特征；

构建模块62，用于基于所述加工特征之间的关系构建待推荐加工特征子图；

推荐模块63，用于将所述待推荐加工特征子图与工艺知识图谱中的各个加工特征子图输入目标工艺推荐模型中，得到所述工艺知识图谱中与所述待推荐加工特征子图的相似度最高的至少一个目标加工特征子图，所述工艺知识图谱包括加工特征子图以及加工工艺子图，所述加工特征子图与所述加工工艺子图之间具有对应关系，所述目标工艺推荐模型是根据本发明第一方面或第一方面任一项实施方式中所述的工艺推荐模型的训练方法训练得到的；

检索模块64，用于基于所述目标加工特征子图在所述工艺知识图谱中进行检索，确定与所述目标加工特征子图对应的目标加工工艺子图，以确定推荐加工工艺。

本实施例中的工艺推荐模型的训练装置，或工艺推荐装置是以功能单元的形式来呈现，这里的单元是指ASIC电路，执行一个或多个软件或固定程序的处理器和存储器，和/或其他可以提供上述功能的器件。

上述各个模块的更进一步的功能描述与上述对应实施例相同，在此不再赘述。

本发明实施例还提供一种电子设备，具有上述图9所示的工艺推荐模型的训练装置，或上述图10所示的工艺推荐装置。

请参阅图11，图11是本发明可选实施例提供的一种电子设备的结构示意图，如图11所示，该电子设备可以包括：至少一个处理器71，例如CPU(Central Processing Unit，中央处理器)，至少一个通信接口73，存储器74，至少一个通信总线72。其中，通信总线72用于实现这些组件之间的连接通信。其中，通信接口73可以包括显示屏(Display)、键盘(Keyboard)，可选通信接口73还可以包括标准的有线接口、无线接口。存储器74可以是高速RAM存储器(Random Access Memory，易挥发性随机存取存储器)，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器74可选的还可以是至少一个位于远离前述处理器71的存储装置。其中处理器71可以结合图9或图10所描述的装置，存储器74中存储应用程序，且处理器71调用存储器74中存储的程序代码，以用于执行上述任一方法步骤。

其中，通信总线72可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。通信总线72可以分为地址总线、数据总线、控制总线等。为便于表示，图11中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

其中，存储器74可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(英文：hard diskdrive，缩写：HDD)或固态硬盘(英文：solid-state drive，缩写：SSD)；存储器74还可以包括上述种类的存储器的组合。

其中，处理器71可以是中央处理器(英文：central processing unit，缩写：CPU)，网络处理器(英文：network processor，缩写：NP)或者CPU和NP的组合。

其中，处理器71还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文：application-specific integrated circuit，缩写：ASIC)，可编程逻辑器件(英文：programmable logic device，缩写：PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文：complex programmable logic device，缩写：CPLD)，现场可编程逻辑门阵列(英文：field-programmable gate array，缩写：FPGA)，通用阵列逻辑(英文：generic arraylogic,缩写：GAL)或其任意组合。

可选地，存储器74还用于存储程序指令。处理器71可以调用程序指令，实现如本申请任一实施例中所示的工艺推荐模型的训练方法，或任一实施例中所示的工艺推荐方法。

本发明实施例还提供了一种非暂态计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的工艺推荐模型的训练方法，或工艺推荐方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(FlashMemory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。

虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。