一种基于图谱的工单推荐实现方法及系统技术方案

本发明专利技术公开一种基于图谱的工单推荐实现方法，属于人工智能技术领域；该方法包括：获取工单数据；根据工单数据，构建知识图谱；获取待推荐内容；根据知识图谱和待推荐内容进行推荐，得到推荐结果。本发明专利技术还公开一种基于图谱的工单推荐实现系统。本发明专利技术对大数据的高效处理，适用于数据生成速度快、多源数据融合过程中引入更多的噪声和冗余的场景。本发明专利技术基于知识图谱的推荐系统的准确度和效率更高，适用于使用了不同的数据集的复杂实际问题。使用了不同的数据集的复杂实际问题。使用了不同的数据集的复杂实际问题。

【技术实现步骤摘要】
一种基于图谱的工单推荐实现方法及系统


[0001]本专利技术涉及人工智能
，具体涉及一种基于图谱的工单推荐实现方法及系统。

技术介绍

[0002]随着市场经济的不断发展，人们对提高工作效率的需求越来越迫切，厂家对生产工单的管理也提出了更多要求。现有的工单管理系统种类繁多，功能都包括有添加删除工单、查询检索工单、统计筛选、报表查询等；同时，可以通过用户编号、公司名称、用户名称等查询条件生成内容齐全的生产工单。
[0003]推荐功能作为一项已日渐融入人们生活中功能，运用在实际生产生活过程中可以显著提升各行各业的办事效率。但是现有的工单管理系统大都没有包含推荐功能，并且推荐的精准度不高。
[0004]基于图谱的工单推荐的重点与难点如下：
[0005]1.对用户偏好的精准建模问题：
[0006]知识图谱可以融合多源异构信息，包括丰富的用户信息及用户与工单的交互信息；如何全面考虑用户与用户、用户与工单之间的联系，进一步提高推荐的准确度，是未来的研究重点。
[0007]2.对大数据的高效处理问题：
[0008]由于数据生成速度快，而且多源数据融合过程中引入了更多的噪声和冗余，使得传统推荐算法中采用的精确计算方式越来越难以应对，概率模型统计方法将可能发挥更为重要的作用。
[0009]3.推荐系统的效用评价问题：
[0010]对传统推荐系统的评价指标主要是准确度和效率，通常采用的方法有MAE、RMSE、关联度等。这些指标当然也可以用于基于知识图谱的推荐系统，可以采用准确率和召回率来表征推荐系统的准确度。然而，由于工单推荐系统面临的实际问题较为复杂，相应地使用了不同的数据集，使得难以形成统一的效用评价标准。
[0011]4.如何通过深度挖掘和相关性知识发现提高推荐效果：
[0012]由于知识图谱本身的特点，相对于因果关系挖掘，其更适合于相关关系挖掘。
[0013]5.推荐系统的可扩展性：
[0014]可扩展性一直是推荐系统应用中面临的难点问题。在传统推荐系统中，随着用户与项目数量的增加，会使得计算量显著增大。目前主要的解决方法有聚类、数据集缩减、降维等。在知识图谱中，用户之间、用户与项目之间随时随地的信息互动会产生大规模的数据集；将这些数据集融入知识图谱后会急剧增加计算复杂度。如何将用户之间产生的数据动态、快速地融入知识图谱并提高推荐系统的可扩展性，是未来需要解决的难点问题。
[0015]6.社交网络信息的充分利用问题：
[0016]传统的推荐系统假设用户之间是独立同分布的，忽略了用户之间的社会交互及联
系。知识图谱中用户与用户、用户与工单、工单与工单之间都存在一定的联系，用户不再是单一的用户，需要进一步挖掘彼此之间的联系以发现更多的隐含信息。因此结合社交网络关系也是今后的一个研究重点。

技术实现思路

[0017]本专利技术的目的在于提供一种准确性及效率高的基于图谱的工单推荐实现方法。
[0018]为解决上述技术问题，本专利技术提供一种基于图谱的工单推荐实现方法，包括以下步骤：
[0019]获取工单数据；
[0020]根据工单数据，构建知识图谱；
[0021]获取待推荐内容；
[0022]根据知识图谱和待推荐内容进行推荐，得到推荐结果。
[0023]优选地，根据工单数据，构建知识图谱，具体包括以下步骤：
[0024]从工单数据中抽取实体和关系；
[0025]对实体进行消歧和对齐处理，得到处理后实体；
[0026]根据处理后实体和关系，构建知识图谱。
[0027]优选地，根据知识图谱和待推荐内容进行推荐，得到推荐结果，具体包括以下步骤：
[0028]将知识图谱输入TransE模型中训练，得到训练后TransE模型；
[0029]将待推荐内容输入训练后TransE模型，输出推荐结果。
[0030]优选地，将知识图谱输入TransE模型中训练，得到训练后TransE模型，具体包括以下步骤：
[0031]通过知识图谱特征学习模型对知识图谱进行向量化处理，得到三元组；所述三元组包括head向量、relation向量和tail向量；
[0032]将head向量、relation向量和tail向量输入到TransE模型中进行训练，通过negative sampling算法不断调整head向量、relation向量和tail向量，使head向量加上relation向量与tail向量，得到训练后TransE模型。
[0033]优选地，negative sampling算法的损失函数如下：
[0034][0035]其中：h
′
+l，t
′
为打破的三元组corrupted triplet，是随机替换头或尾实体得到；γ为正负三元组最大的距离margin；h为head向量；r为relation向量；t为tail向量；S为三元组。
[0036]优选地，根据知识图谱和待推荐内容进行推荐，得到推荐结果，具体包括以下步骤：
[0037]将知识图谱作为异构的信息网络；
[0038]构造异构的信息网络中工单之间的基于元路径和元图的特征；得到构造后异构信息网络；
[0039]根据构造后异构信息网络对待推荐内容进行推荐，得到推荐结果。
[0040]优选地，根据知识图谱和待推荐内容进行推荐，得到推荐结果，具体包括以下步骤：
[0041]根据知识图谱构建波纹网络；所述波纹网络包括中心业务以及多层波纹层；
[0042]确定所述多层波纹层对应的三元组向量；
[0043]根据所述多层波纹层对应的三元组向量对待推荐内容进行推荐，得到推荐结果。
[0044]优选地，根据知识图谱和待推荐内容进行推荐，得到推荐结果，具体包括以下步骤：
[0045]获取知识图谱中的实体和关系；
[0046]根据知识图谱中的实体和关系，生成二部图；
[0047]根据待推荐内容，对二部图中的通过连接的边的每个节点打分，得到推荐结果。
[0048]本专利技术还提供一种基于图谱的工单推荐实现系统，包括：
[0049]第一获取模块，用于获取工单数据；
[0050]构建模块，用于根据工单数据，构建知识图谱；
[0051]第二获取模块，用于获取待推荐内容；
[0052]推荐模块，用于根据知识图谱和待推荐内容进行推荐，得到推荐结果。
[0053]与现有技术相比，本专利技术的有益效果为：
[0054]本专利技术的知识图谱可以融合多源异构信息，包括丰富的用户信息及用户与工单的交互信息；全面考虑用户与用户、用户与工单之间的联系，进一步提高推荐的准确度。
[0055]本专利技术对大数据的高效处理，适用于数据生成速度快、多源数据融合过程中引入更多的噪声和冗余的场景。
[0056]本专利技术基于知识图谱的推荐系统的准确度和效率更本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图谱的工单推荐实现方法，其特征在于，包括以下步骤：获取工单数据；根据工单数据，构建知识图谱；获取待推荐内容；根据知识图谱和待推荐内容进行推荐，得到推荐结果。2.根据权利要求1所述的基于图谱的工单推荐实现方法，其特征在于，根据工单数据，构建知识图谱，具体包括以下步骤：从工单数据中抽取实体和关系；对实体进行消歧和对齐处理，得到处理后实体；根据处理后实体和关系，构建知识图谱。3.根据权利要求1所述的基于图谱的工单推荐实现方法，其特征在于，根据知识图谱和待推荐内容进行推荐，得到推荐结果，具体包括以下步骤：将知识图谱输入TransE模型中训练，得到训练后TransE模型；将待推荐内容输入训练后TransE模型，输出推荐结果。4.根据权利要求3所述的基于图谱的工单推荐实现方法，其特征在于，将知识图谱输入TransE模型中训练，得到训练后TransE模型，具体包括以下步骤：通过知识图谱特征学习模型对知识图谱进行向量化处理，得到三元组；所述三元组包括head向量、relation向量和tail向量；将head向量、relation向量和tail向量输入到TransE模型中进行训练，通过negative sampling算法不断调整head向量、relation向量和tail向量，使head向量加上relation向量与tail向量，得到训练后TransE模型。5.根据权利要求4所述的基于图谱的工单推荐实现方法，其特征在于，negative sampling算法的损失函数如下：其中：h
′
+l，t
′
...

【专利技术属性】
技术研发人员：王绪刚，白璐，
申请(专利权)人：北京欧拉认知智能科技有限公司，
类型：发明
国别省市：