本发明专利技术提供的一种基于深度学习的工业服务组件推荐方法，包括以下步骤：从边缘节点中获取历史服务组件序列以及单个服务组件的描述信息；将预处理后的数据编码得到对应的向量表示，并生成向量表示进行掩码处理后的掩码序列；预测与向量表示相邻的序列，将预测结果与掩码序列进行结合得到语义向量；根据语义向量构建得到服务调度序列和单个服务组件的语义库，获取目标服务请求，通过与语义库中的向量进行匹配得到目标语义向量，并根据目标语义向量在语义库中的序列进行匹配得到目标组件调度序列；方法能够达到全局的动态更新推荐效果，并解决了在集中式环境中服务组件推荐技术无法应用于边缘节点的计算资源局限问题可广泛应用于计算机技术领域。泛应用于计算机技术领域。泛应用于计算机技术领域。
【技术实现步骤摘要】
一种基于深度学习的工业服务组件推荐方法
[0001]本专利技术涉及计算机
，尤其是一种基于深度学习的工业服务组件推荐方法。
技术介绍
[0002]随着工业4.0基于信息物理融合系统的全面使用为标志，其工业系统架构从集中式系统逐渐演变为例如云边协同的分布式系统架构，因此工业软件的从紧耦合转向松耦合，面对复杂的工业应用场景，需要实现互操作性和可重用性。在软件领域的面向服务架构体系中，所具有的灵活性、可组合性和独立性使得其被认为是潜在的解决方案，所以工业软件的开发将是以面向服务风格将各个功能块进行封装形成服务组件，从而实现互操作性和可重用性的需求并有效降低开发成本，在这样的背景下，随着工业分布式应用的逐渐增多，对应而生的服务组件数量快速增长，如何实现服务组件的推荐，从而提高组件的利用率并构建多个组件的增值应用就成为了新的技术问题。
[0003]针对这一技术问题，相关技术方案提出了根据功能、主题、类别、领域和服务质量等属性对相关的服务组件形成集群的服务组件推荐方法；但从服务组件组合的角度来看，组件之间的调用关联可以看作是服务组件执行时的实际调用情况，基于调用关联的服务组件推荐在组件组合的实际运用中更为重要。在另外一些相关技术方案中结合深度学习技术的方法来解决这一问题；但是往往没有考虑到服务组件的动态变化，在分布式环境中，边缘节点的组件调用是不断在变化的，另外，其推荐方法可能由于边缘端计算资源的匮乏无法应用在边缘节点中。
技术实现思路
[0004]有鉴于此，为至少部分解决上述技术问题或者缺陷之一，本专利技术实施例的目的在于提供一种基于深度学习的工业服务组件推荐方法，达到全局的动态更新推荐效果，并解决了在集中式环境中服务组件推荐技术无法应用于边缘节点的计算资源局限问题。
[0005]具体地，本申请技术方案提供了一种基于深度学习的工业服务组件推荐方法，包括以下步骤：
[0006]从边缘节点中获取历史服务组件序列以及单个服务组件的描述信息；
[0007]将预处理后的所述历史服务组件序进行编码得到第一向量表示，将预处理后的所述描述信息进行编码得到第二向量表示；
[0008]生成所述第一向量表示进行掩码处理后的第一掩码序列，并生成所述第二向量表示进行掩码处理后的第二掩码序列；
[0009]预测与所述第一向量表示相邻的序列，将预测结果与所述第一掩码序列进行结合得到第一语义向量，并预测与所述第二向量表示相邻的序列，将预测结果与所述第二掩码序列进行结合得到第二语义向量；
[0010]根据所述第一语义向量构建得到服务调度序列的第一语义库，根据所述第二语义
向量构建得到单个服务组件的第二语义库；
[0011]获取目标服务请求，通过与第二语义库中的向量进行匹配得到目标语义向量，根据所述目标语义向量在所述第一语义库中的序列进行匹配得到目标组件调度序列。
[0012]在本申请方案的一种可行的实施例中，所述将预处理后的所述历史服务组件序进行编码得到第一向量表示，将预处理后的所述描述信息进行编码得到第二向量表示，包括：
[0013]获取预处理后去除标点符号和空格符的输入序列，所述输入序列包括预处理后的历史服务组件序以及预处理后的描述信息；
[0014]在所述输入序列的序列首部添加第一词元得到词元嵌入序列，通过分隔符将所述词元嵌入序列进行分割得到若干嵌入向量序列；
[0015]根据所述嵌入向量序列进行编码得到所述第一向量表示以及所述第二向量表示。
[0016]在本申请方案的一种可行的实施例中，所述根据所述嵌入向量序列进行编码得到所述第一向量表示以及所述第二向量表示，包括：
[0017]将所述嵌入向量序列输入至编码模型，通过编码模型中注意力函数计算所述嵌入向量序列中的查询向量与关键字向量之间的相似度；
[0018]根据所述相似度将所述嵌入向量序列中的向量元素进行归一化处理，将归一化处理结果通过位置的前馈网络进行全连接处理得到嵌入向量表示；所述嵌入向量表示包括所述第一向量表示以及所述第二向量表示。
[0019]在本申请方案的一种可行的实施例中，在将所述嵌入向量序列输入至编码模型，通过编码模型中注意力函数计算所述嵌入向量序列中的查询向量与关键字向量之间的相似度这一步骤之后，还包括：
[0020]将通过所述注意力函数计算得到查询向量、关键字向量以及数据项进行低维投影；
[0021]将低维投影后得到的输出向量进行线性投影确定所述注意力函数的参数权重。
[0022]在本申请方案的一种可行的实施例中，所述生成所述第一向量表示进行掩码处理后的第一掩码序列，并生成所述第二向量表示进行掩码处理后的第二掩码序列，包括：
[0023]将词元向量表示以及词元位置输入至屏蔽语言模型，通过所述屏蔽语言模型预测掩蔽位置；所述词元向量表示包括所述第一向量表示以及所述第二向量表示；
[0024]根据所述掩蔽位置对所述词元向量表示中的词元进行替换得到第一掩码序列以及第二掩码序列。
[0025]在本申请方案的一种可行的实施例中，所述根据所述掩蔽位置对所述词元向量表示中的词元进行替换得到第一掩码序列以及第二掩码序列，包括：
[0026]将所述词元向量表示中词元的掩蔽位置进行乱序排列，将乱序排列后的向量表示中的词元进行替换得到初始序列；
[0027]对所述初始序列的序列长度进行补齐，并对补齐后的序列中替换的词元数量进行补齐，得到所述第一掩码序列以及第二掩码序列。
[0028]在本申请方案的一种可行的实施例中，所述预测与所述第一向量表示相邻的序列，将预测结果与所述第一掩码序列进行结合得到第一语义向量，并预测与所述第二向量表示相邻的序列，将预测结果与所述第二掩码序列进行结合得到第二语义向量，包括：
[0029]将包含有所述第一词元的嵌入向量表示输入至单隐藏层的多层感知机，通过所述
多层感知机输出二分类结果；
[0030]所述二分类结果用于表征所述嵌入向量序列为相邻序列的概率。
[0031]在本申请方案的一种可行的实施例中，所述获取目标服务请求，通过与第二语义库中的向量进行匹配得到目标语义向量，根据所述目标语义向量在所述第一语义库中的序列进行匹配得到目标组件调度序列，包括：
[0032]确定所述第一语料库中的聚类簇的第一数量以及质心向量，所述第一数量根据所述第一语义向量的维度数确定；
[0033]根据所述第一语义向量的属性维度以及所述质心向量确定所述第一语义向量与若干所述聚类簇的中心点的欧式距离；
[0034]根据若干所述欧式距离中的最小值将所述第一语料库中的第一语义向量划分至若干个聚类簇；
[0035]确定所述目标语义向量与所述聚类簇之间的第二距离，根据所述第二距离的最小值对应的聚类簇中的第一语义向量确定所述目标组件调度序列。
[0036]在本申请方案的一种可行的实施例中，9.在根据若干所述欧式距离中的最小值将所述第一语料库中的第一语义向量划分至若本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的工业服务组件推荐方法，其特征在于，包括以下步骤：从边缘节点中获取历史服务组件序列以及单个服务组件的描述信息；将预处理后的所述历史服务组件序进行编码得到第一向量表示，将预处理后的所述描述信息进行编码得到第二向量表示；生成所述第一向量表示进行掩码处理后的第一掩码序列，并生成所述第二向量表示进行掩码处理后的第二掩码序列；预测与所述第一向量表示相邻的序列，将预测结果与所述第一掩码序列进行结合得到第一语义向量，并预测与所述第二向量表示相邻的序列，将预测结果与所述第二掩码序列进行结合得到第二语义向量；根据所述第一语义向量构建得到服务调度序列的第一语义库，根据所述第二语义向量构建得到单个服务组件的第二语义库；获取目标服务请求，通过与第二语义库中的向量进行匹配得到目标语义向量，根据所述目标语义向量在所述第一语义库中的序列进行匹配得到目标组件调度序列。2.根据权利要求1所述的一种基于深度学习的工业服务组件推荐方法，其特征在于，所述将预处理后的所述历史服务组件序进行编码得到第一向量表示，将预处理后的所述描述信息进行编码得到第二向量表示，包括：获取预处理后去除标点符号和空格符的输入序列，所述输入序列包括预处理后的历史服务组件序以及预处理后的描述信息；在所述输入序列的序列首部添加第一词元得到词元嵌入序列，通过分隔符将所述词元嵌入序列进行分割得到若干嵌入向量序列；根据所述嵌入向量序列进行编码得到所述第一向量表示以及所述第二向量表示。3.根据权利要求2所述的一种基于深度学习的工业服务组件推荐方法，其特征在于，所述根据所述嵌入向量序列进行编码得到所述第一向量表示以及所述第二向量表示，包括：将所述嵌入向量序列输入至编码模型，通过编码模型中注意力函数计算所述嵌入向量序列中的查询向量与关键字向量之间的相似度；根据所述相似度将所述嵌入向量序列中的向量元素进行归一化处理，将归一化处理结果通过位置的前馈网络进行全连接处理得到嵌入向量表示；所述嵌入向量表示包括所述第一向量表示以及所述第二向量表示。4.根据权利要求3所述的一种基于深度学习的工业服务组件推荐方法，其特征在于，在将所述嵌入向量序列输入至编码模型，通过编码模型中注意力函数计算所述嵌入向量序列中的查询向量与关键字向量之间的相似度这一步骤之后，还包括：将通过所述注意力函数计算得到查询向量、关键字向量以及数据项进行低维投影；将低维投影后得到的输出向量进行线性投影确定所述注意力函数的参数权重。5.根据权利要求1所述的一种基于深度学习的工业服务组件推荐方法，其特征在于，所述生成所述第一向量表示进行掩码处理后的第一掩码序列，并生成所述第二向量表示进行掩码处理后的第二掩码序列，包括：将词元向量表示以及词元位置输入至屏蔽语言模型，通过所述屏蔽语言模型预测掩蔽位置；所述词...
【专利技术属性】
技术研发人员：王涛，徐可，程良伦，
申请(专利权)人：广东能哥知识科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。