[发明专利]用于选择针对工业系统的配置而使用的项目的平台

说明书

用于在选择会话期间对可用于系统的配置的项目进行上下文感知的排序的计算机实现方法和平台，所述方法包括以下步骤：提供（S1）数字输入向量V作为上下文，所述数字输入向量V表示在当前选择会话中选择的项目；使用人工神经网络ANN从所述数字输入向量V来计算（S2）压缩向量V_comp，所述人工神经网络ANN被适配成捕获项目之间的非线性依赖性；将所述压缩向量V_comp乘以（S3）权重矩阵E_I以计算输出得分向量S，所述权重矩阵E_I是从因子矩阵E中导出的，所述因子矩阵E是作为对所存储的关系张量T_r进行张量因子分解的结果而获得的，所述关系张量T_r表示历史选择会话中执行的项目选择、可用项目以及其属性之间的关系r；以及）根据所计算的输出得分向量S的相关性得分来对所述可用项目进行自动排序（S4），以用于在当前选择会话中选择。

本发明涉及一种平台，该平台被配置成选择可以针对技术系统、特别是工业系统（诸如，包括多个项目的自动化系统）的配置而使用的项目、特别是该系统的硬件组件和/或软件组件。

技术系统、特别是工业系统可能非常复杂，并且包括多个不同的子系统和/或组件。每个组件可以包括对于相应系统的操作所需的各种不同特征或属性。工业系统可以是例如制造设施，其具有在通信子系统中彼此连接的多个机器，并且具有由控制组件控制的多个机床和/或硬件组件，这些控制组件被适配成在制造过程期间执行软件组件。所有这些组件形成了设置相应技术系统所需的项目（item）。为了实现这种工业系统、特别是工业制造系统或自动化系统，有必要提供由组件的制造商或组件供应商所提供的多个项目。计划构建工业系统或复杂产品的最终客户需要订购多个不同的项目或组件。通常，最终客户有权访问制造商的产品列表，该产品列表列出了相应制造商所供应的多个不同的可用项目或组件。复杂系统或复杂产品通常由典型地一起被购买的若干个组件或项目组成。为了选择这些组件，通常基于某些标准对所提供的产品列表进行排序。排序标准可以包括例如产品名称，其中按字母顺序对产品进行排序。另外的排序标准可以是例如相应项目或组件的产品价格，其中按照组件根据增加或降低的价格来对项目进行排序。另外的可能排序标准是相应项目的产品发布日期。

常规平台还向最终客户提供附加的服务，诸如推荐过去最经常一起被购买的项目，这些项目处于排名列表的顶部。这些常规服务主要基于相同或不同用户所执行的历史选择。这些常规平台实际上在其中历史选择数据缺失或者历史选择数据对于平台不可用的场景中会失败。此外，常规平台无法识别当前选择会话以及项目本身的上下文方面（contextual aspect）。上下文方面例如由当前选择会话中当前被选择的项目所形成。

Hildebrandt等人的“Configuration of Industrial Automation SolutionsUsing Multi-relational Recommender Systems”公开了构建复杂的自动化解决方案（其对于过程工业和构建自动化是常见的）需要在工程过程中的早期选择组件。通常，推荐系统指导用户选择适当的组件，并且在这样做时考虑各种级别的上下文信息。许多流行的购物篮推荐系统基于协作过滤（collaborative filtering）。在生成个性化推荐时，这些方法仅依赖于观察到的用户行为，并且通常是上下文无关的（context-free）。此外，它们有限的表达性使得它们在被用于设置复杂的工程解决方案时不是那么有价值。基于确定性的手工构建的规则（handcrafted rule）的产品配置器可以更好地应对这些用例。然而，除了相当静态且不灵活之外，这种系统开发起来是耗时费力的，并且需要领域专门知识。在他们的文档中，Hildebrandt等人研究了用于在构建复杂的工程解决方案时生成推荐的各种方法。他们利用数据中的包含大量预测性能力（predictive power）并且比严格的确定性规则更加灵活得多的统计模式。为了实现这一点，他们提出了用于复杂的工业解决方案的通用推荐方法，该方法将过去的用户行为和语义信息两者并入在联合知识库中。这得到了图形结构化的多关系数据描述——通常被称为知识图。在这种设置下，预测用户针对某项目的偏好对应于预测该图中的边。