人工智能与大数据结合的ERP数据管理方法及系统技术方案

本发明专利技术公开了人工智能与大数据结合的ERP数据管理方法，应用于企业资源计划ERP系统中，该方法包括：采集分布式多源异构数据源的元数据，所述多源异构数据源为企业内部的多个管理系统；将所述元数据进行虚拟化，构建数据资产；结合所述元数据之间的关联关系，构建所述数据资产的语义知识图谱；基于所述语义知识图谱，为所述数据资产创建标准化管理档案。为所述数据资产创建标准化管理档案。为所述数据资产创建标准化管理档案。

【技术实现步骤摘要】
人工智能与大数据结合的ERP数据管理方法及系统


[0001]本专利技术属于信息
，具体地，涉及人工智能与大数据结合的ERP 数据管理方法及系统。

技术介绍

[0002]企业资源计划(Enterprise Resource Planning)是MRP II(企业制造资源计划)下一代的制造业系统和资源计划软件。除了MRP II已有的生产资源计划、制造、财务、销售、采购等功能外，还有质量管理，实验室管理，业务流程管理，产品数据管理，存货、分销与运输管理，人力资源管理和定期报告系统。目前，在我国ERP所代表的含义已经被扩大，用于企业的各类软件，已经统统被纳入ERP的范畴。它跳出了传统企业边界，从供应链范围去优化企业的资源，是基于网络经济时代的新一代信息系统。它主要用于改善企业业务流程以提高企业核心竞争力。
[0003]然而，在目前的ERP系统内部，不同数据源的元数据分散且凌乱，不能够对不同数据源的数据进行统一管理，导致数据管理耗时耗力，不利于大规模数据普及与管理。

技术实现思路

[0004]本专利技术提供了人工智能与大数据结合的ERP数据管理方法及服务系统，解决了现有技术中异常检测机制效率不高且精度不够的问题，有效提升了异常检测的效率和精度。
[0005]为了实现上述目的，一种人工智能与大数据结合的ERP数据管理方法，应用于企业资源计划ERP系统中，该方法包括：
[0006]采集分布式多源异构数据源的元数据，所述多源异构数据源为企业内部的多个管理系统；
[0007]将所述元数据进行虚拟化，构建数据资产；
[0008]结合所述元数据之间的关联关系，构建所述数据资产的语义知识图谱；
[0009]基于所述语义知识图谱，为所述数据资产创建标准化管理档案。
[0010]可选地，所述结合所述元数据之间的关联关系，构建所述数据资产的语义知识图谱，包括：
[0011]构建语义知识图谱的本体层，所述本体层包括本体、本体属性和本体关系；
[0012]建立所述语义知识图谱的三元组，所述三元组包括头实体、关系和尾实体；
[0013]对所述三元组进行知识融合；
[0014]将所述知识融合后的三元组进行低维稠密向量化，并进行知识推理。
[0015]可选地，对所述三元组进行知识融合，包括：
[0016]将所述三元组中的实体与结构化图谱中的实体进行对齐，并利用所述三元组中的关系信息与所述结构化图谱中的语义信息进行关系预测。
[0017]可选地，所述利用所述三元组中的关系信息与所述结构化图谱中的语义信息进行关系预测，包括：
[0018]采用BERT模型对所述三元组中的关系信息和所述结构化图谱中的语义信息分别进行编码和学习，获得学习得到的关系型向量；
[0019]将所述所有三元组的实体的邻接顶点和关联边进行汇聚，输出对应的实体向量表示；
[0020]将所述关系型向量和实体向量表示分别输入至多层感知机MLP中，预测出所述三元组与所述结构化图谱的关联关系。
[0021]可选地，将所述关系型向量和实体向量表示分别输入至多层感知机MLP中，预测出所述三元组与所述结构化图谱的关联关系，包括：
[0022]建立所述多层感知机MLP，所述MLP包括输入层、隐藏层和输出层，设置所述MLP的损失函数为sigmoid函数；
[0023]将所述关系型向量和实体向量表示分别输入至所述隐藏层中，对所述关系型向量和实体向量进行迭代运算；
[0024]将迭代运算后的所述关系型向量和实体向量进行回归运算，并输入至softmax分类器进行分类，确定所述三元组与所述结构化图谱的关联关系。
[0025]可选地，对所述三元组进行知识融合之后，所述方法还包括：
[0026]将所述知识融合之后的数据资产进行知识计算，以评估所述数据融合的合格率，并删除掉不合格的数据资产。
[0027]可选地，将所述知识融合后的三元组进行低维稠密向量化，并进行知识推理，包括：
[0028]定义每一个三元组的能量等于d(h+l,t)，其中h表示头实体对应的向量，r表示关系对应的向量，t表示尾实体对应的向量；
[0029]将所述每一个三元组的能量取值为L1范数；
[0030]定义损失函数：
[0031]L＝∫[αd(h+l,t)+βd(h'+l',t')]d(h,l,t)
[0032]其中α,β为修正因子，h
’
为结构化图谱的头实体向量,l
’
为结构化图谱的关系向量和t
’
为结构化图谱的尾实体向量；
[0033]基于上述损失函数进行知识推理。
[0034]可选地，将所述元数据进行虚拟化，构建数据资产，包括：
[0035]利用EPR系统的连接器，将所述元数据进行连接；
[0036]将所述连接后的元数据进行抽象处理，构建数据资产的统一可视化视图。
[0037]本专利技术实施例还提供一种人工智能与大数据结合的ERP系统，包括：
[0038]采集单元，用于采集分布式多源异构数据源的元数据，所述多源异构数据源为企业内部的多个管理系统；
[0039]虚拟化单元，用于将所述元数据进行虚拟化，构建数据资产；
[0040]构建单元，用于结合所述元数据之间的关联关系，构建所述数据资产的语义知识图谱；
[0041]创建单元，用于基于所述语义知识图谱，为所述数据资产创建标准化管理档案。
[0042]本专利技术实施例提供人工智能与大数据结合的ERP数据管理服务系统，包括存储器和处理器，所述存储器上存储有计算机可执行指令，所述处理器运行所述存储器上的计算
机可执行指令时实现上述方法。
[0043]本专利技术实施例的方法及系统具有下列优点：
[0044]本专利技术实施例中，采用人工智能和大数据相结合的方法，将数据抽象为数据资产后，利用语义知识图谱的方法将不同元数据进行关联，实现数据全局关联与统一管理，解决了现有技术中无法针对大规模数据的管理问题，解决了数据孤岛带来的数据凌乱且分散的问题，提升了数据资产管理的能力和效率。
附图说明
[0045]图1为一个实施例中人工智能与大数据结合的ERP数据管理的方法流程图；
[0046]图2为一个实施例中构建数据资产的语义知识图谱的方法流程图；
[0047]图3为一个实施例中人工智能与大数据结合的ERP数据管理服务系统架构图；
[0048]图4为一个实施例中系统的硬件组成示意图。
具体实施方式
[0049]为了使本专利技术的目的、技术方案及优点更加清楚，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。此外，下面所描述的本专利技术各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0050]图1是本专利技术实施例中的流程图，如图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人工智能与大数据结合的ERP数据管理方法，其特征在于，应用于企业资源计划ERP系统中，该方法包括：采集分布式多源异构数据源的元数据，所述多源异构数据源为企业内部的多个管理系统；将所述元数据进行虚拟化，构建数据资产；结合所述元数据之间的关联关系，构建所述数据资产的语义知识图谱；基于所述语义知识图谱，为所述数据资产创建标准化管理档案。2.根据权利要求1所述的方法，其特征在于，所述结合所述元数据之间的关联关系，构建所述数据资产的语义知识图谱，包括：构建语义知识图谱的本体层，所述本体层包括本体、本体属性和本体关系；建立所述语义知识图谱的三元组，所述三元组包括头实体、关系和尾实体；对所述三元组进行知识融合；将所述知识融合后的三元组进行低维稠密向量化，并进行知识推理。3.根据权利要求2所述的方法，其特征在于，对所述三元组进行知识融合，包括：将所述三元组中的实体与结构化图谱中的实体进行对齐，并利用所述三元组中的关系信息与所述结构化图谱中的语义信息进行关系预测。4.根据权利要求3所述的方法，其特征在于，所述利用所述三元组中的关系信息与所述结构化图谱中的语义信息进行关系预测，包括：采用BERT模型对所述三元组中的关系信息和所述结构化图谱中的语义信息分别进行编码和学习，获得学习得到的关系型向量；将所述所有三元组的实体的邻接顶点和关联边进行汇聚，输出对应的实体向量表示；将所述关系型向量和实体向量表示分别输入至多层感知机MLP中，预测出所述三元组与所述结构化图谱的关联关系。5.根据权利要求4所述的方法，其特征在于，将所述关系型向量和实体向量表示分别输入至多层感知机MLP中，预测出所述三元组与所述结构化图谱的关联关系，包括：建立所述多层感知机MLP，所述MLP包括输入层、隐藏层和输出层，设置所述MLP的损失函数为sigmoid函数；将所述关系型向量和实体向量表示分别输入至所述隐藏层中，对所述关系型向量和实体向量进行迭代运算；将迭代运算后的所述关系型向量和实...

【专利技术属性】
技术研发人员：许闻，彭志刚，
申请(专利权)人：许闻，
类型：发明
国别省市：