一种基于图卷积的工业互联网工厂协同推荐算法制造技术

本申请涉及一种基于图卷积的工业互联网工厂协同推荐算法，包括：构建工厂实体模型、动态模型和网络模型；根据工厂与工厂、工厂与企业、企业与企业的关系，构建工厂企业网络图；通过聚类算法对工厂企业网络图进行图卷积操作，判断工厂是否符合推荐标准。本公开实施例将图卷积模型应用于工业互联网推荐算法中，从而深度挖掘企业与工厂的关联关系，同时将不同工厂在之前的工作状态与评价等信息作为注意力计算依据，从而提高其推荐的精准度。从而提高其推荐的精准度。从而提高其推荐的精准度。

【技术实现步骤摘要】
一种基于图卷积的工业互联网工厂协同推荐算法


[0001]本申请涉及工业互联网
，特别涉及一种基于图卷积的工业互联网工厂协同推荐算法。

技术介绍

[0002]现有技术未能针对工业互联网环境下的工厂与企业间的关系进行深入挖掘，现有针对一般性商品的建模方法无法体现加工工厂的特点以及属性，从而导致其选择的准确性的降低。
[0003]此外，目前基于图卷积的推荐算法在算法准确率上仍然有待提高，特别是当节点间的关联关系较为复杂的情况下，无法找到一种合适的能够深度挖掘的其关键点的方法。
[0004]最终，由于工业互联网数据规模较大，所涉及的企业与工厂数量非常多，因此现有算法处理大规模数据耗时较长。
[0005]如何针对工业互联网环境下的工厂与企业间的关系进行深入挖掘，向用户精确推荐互联网工厂，是目前亟待解决的问题。

技术实现思路

[0006]为了对披露的实施例的一些方面有基本的理解，下面给出了简单的概括。所述概括不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围，而是作为后面的详细说明的序言。
[0007]本公开实施例提供了一种基于图卷积的工业互联网工厂协同推荐算法。
[0008]在一些实施例中，所述基于图卷积的工业互联网工厂协同推荐算法包括：
[0009]构建工厂实体模型、动态模型和网络模型；
[0010]根据工厂与工厂、工厂与企业、企业与企业的关系，构建工厂企业网络图；
[0011]通过聚类算法对工厂企业网络图进行图卷积操作，判断工厂是否符合推荐标准。
[0012]可选地，所述动态模型包括一项或多项动态状态；
[0013]所述动态状态通过构建综合评价指标，对工厂运行状态进行转化获得其状态或存量评分，并计算其平均值获得。
[0014]可选地，对于网络模型的关键信息，考虑时间先后对于当前状态的影响，较早时间的关键信息的权重比较近时间的权重更低。
[0015]可选地，所述网络模型还包括基于时间的融合方法，具体如下：
[0016][0017]其中V
i
为当前时刻i时获得的评价，V
i
‑1为前一时刻获得的评价，α为权重参数。
[0018]可选地，所述根据工厂与工厂、工厂与企业、企业与企业的关系，构建工厂企业网络图的步骤，包括：
[0019]首先，根据企业基本情况，建立企业特征，并根据已知的企业工厂的关系构建企业
‑
工厂关联关系图；
[0020]然后，将企业与工厂的特征，通过线性变化映射为同一维度的特征向量。
[0021]可选地，所述根据工厂与工厂、工厂与企业、企业与企业的关系，构建工厂企业网络图的步骤，还包括使用结合注意力机制的图卷积网络对企业
‑
工厂关联关系图中的节点进行更新的步骤，在节点更新时对不同节点赋予不同权重，提高算法对于重点节点的关注。
[0022]可选地，所述使用结合注意力机制的图卷积网络对企业
‑
工厂关联关系图中的节点进行更新的步骤，通过如下公式进行注意力系数的计算：
[0023][0024]其中，表示节点i的注意力系数；是通过节点i与节点j的关系计算得到的注意力系数，表示在第l隐藏层当中第j节点更新到中心节点i的权重值；N(i)为节点i的邻居节点集合；为第l层的特征结果；W(l)表示第 l层的训练参数；
[0025]对于的计算首先需要定义注意力互相关系数节点j对于节点i重要性，如下式所示：
[0026][0027]其中，为定义注意力互相关系数；
[0028]之后，引入Softmax对节点i的相邻接点进行正则化；
[0029]得到公式如下式所示：
[0030][0031]可选地，所述通过聚类算法对工厂企业网络图进行图卷积操作的步骤，包括：
[0032]首先，对于所有工厂节点的特征采用KNN算法进行聚类；
[0033]之后，对于每个簇选择其中心节点作为整个分类的代表，保留该节点的连接关系，构建新的高层次全局图，实现图结构的分层，分为高层次全局图和子图；
[0034]对于高层次全局图和子图进行图卷积操作。
[0035]可选地，所述对于高层次全局图和子图进行图卷积操作的步骤，包括：
[0036]对于高层次全局图的卷积操作，每个节点采用图卷积方法卷积得到更新的特征
[0037]对于子图的卷积操作，每个节点采用图卷积方法卷积得到每个节点更新的特征
[0038]可选地，所述对于高层次全局图和子图进行图卷积操作的步骤，还包括：
[0039]将特征和进行拼接，如下式所示
[0040][0041]拼接之后的节点仍然作为每个节点的最后特征并进行下一层的聚类与卷积过程。
[0042]本公开实施例提出一种基于图卷积的工业互联网工厂协同推荐算法，专门针对工业互联网环境下的企业与工厂的关键节点进行建模，从而解决目前技术没有专门针对工业工厂的节点建模的问题。
[0043]本公开实施例将图卷积模型应用于工业互联网推荐算法中，从而深度挖掘企业与工厂的关联关系，同时将不同工厂在之前的工作状态与评价等信息作为注意力计算依据，从而提高其推荐的精准度。
[0044]本公开实施例通过聚类分层方法，将大规模数据首先进行分层处理，降低数据处理时间，提升方法的运行效率。
[0045]以上的总体描述和下文中的描述仅是示例性和解释性的，不用于限制本申请。
附图说明
[0046]一个或多个实施例通过与之对应的附图进行示例性说明，这些示例性说明和附图并不构成对实施例的限定，附图中具有相同参考数字标号的元件示为类似的元件，附图不构成比例限制，并且其中：
[0047]图1是本公开实施例提供的基于图卷积的工业互联网工厂协同推荐算法流程示意图；
[0048]图2是本公开实施例提供的企业
‑
工厂关联关系图；
[0049]图3是本公开实施例提供的高层次全局图和子图分层结构示意图；
[0050]图4是本公开实施例提供的电子设备的结构示意图。
具体实施方式
[0051]为了能够更加详尽地了解本公开实施例的特点与
技术实现思路
，下面结合附图对本公开实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本公开实施例。在以下的技术描述中，为方便解释起见，通过多个细节以提供对所披露实施例的充分理解。然而，在没有这些细节的情况下，一个或多个实施例仍然可以实施。在其它情况下，为简化附图，熟知的结构和装置可以简化展示。
[0052]如图1所示，本公开实施例提供了一种基于图卷积的工业互联网工厂协同推荐算法，包括以下步骤：
[0053]步骤1，构建工厂实体模型、动态模型和网络模型；
[0054]步骤2，根据工厂与工厂、工厂与企业、企业与企业的关系，构建工厂企业网络图；
[0055]步骤3，通过聚类算法对工厂企本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图卷积的工业互联网工厂协同推荐算法，其特征在于，包括：构建工厂实体模型、动态模型和网络模型；根据工厂与工厂、工厂与企业、企业与企业的关系，构建工厂企业网络图；通过聚类算法对工厂企业网络图进行图卷积操作，判断工厂是否符合推荐标准。2.根据权利要求1所述的一种基于图卷积的工业互联网工厂协同推荐算法，其特征在于，所述动态模型包括一项或多项动态状态；所述动态状态通过构建综合评价指标，对工厂运行状态进行转化获得其状态或存量评分，并计算其平均值获得。3.根据权利要求1所述的一种基于图卷积的工业互联网工厂协同推荐算法，其特征在于，对于网络模型的关键信息，考虑时间先后对于当前状态的影响，较早时间的关键信息的权重比较近时间的权重更低。4.根据权利要求3所述的一种基于图卷积的工业互联网工厂协同推荐算法，其特征在于，所述网络模型还包括基于时间的融合方法，具体如下：其中V
i
为当前时刻i时获得的评价，V
i
‑1为前一时刻获得的评价，α为权重参数。5.根据权利要求1所述的一种基于图卷积的工业互联网工厂协同推荐算法，其特征在于，所述根据工厂与工厂、工厂与企业、企业与企业的关系，构建工厂企业网络图的步骤，包括：首先，根据企业基本情况，建立企业特征，并根据已知的企业工厂的关系构建企业
‑
工厂关联关系图；然后，将企业与工厂的特征，通过线性变化映射为同一维度的特征向量。6.根据权利要求5所述的一种基于图卷积的工业互联网工厂协同推荐算法，其特征在于，所述根据工厂与工厂、工厂与企业、企业与企业的关系，构建工厂企业网络图的步骤，还包括使用结合注意力机制的图卷积网络对企业
‑
工厂关联关系图中的节点进行更新的步骤，在节点更新时对不同节点赋予不同权重，...

【专利技术属性】
技术研发人员：尚继富，李臻，
申请(专利权)人：菏泽汇豪纺织有限公司，
类型：发明
国别省市：