[发明专利]基于embedding属性相似度的材料工艺流程匹配方法

说明书

本发明提供了一种基于embedding属性相似度的材料工艺流程匹配方法。本方法首先获取工艺实体和属性关系向量嵌入，计算工艺实体特征相似度；再根据工艺实体特征相似度进行实体对齐，计算工艺属性特征相似度；结合预设标准工艺流程步骤训练工艺实体特征权重信息；再根据工艺实体特征权重信息和属性特征相似度，加权求和得到两个材料之间的工艺流程相似度；再根据工艺流程相似度对工艺流程进行匹配。本发明基于属性相似度的材料工艺流程匹配方法，不同于传统流程相似度计算只考虑网络结构而忽视属性边的语义信息，而是融合了多样化的属性语义信息，有效提升材料加工工艺流程的相似度计算和匹配的准确度。

技术领域

本发明涉及材料工艺流程相似度计算的方法，尤其是一种基于embedding属性相似度的材料工艺流程匹配方法，应用于材料学知识图谱技术领域。

背景技术

材料工艺流程对材料的性能影响很大，比如优质碳素结构钢的显微组织在很大程度上取决最终轧制、锻造和热处理工艺。热处理工艺有助于消除树枝状偏析和使其均匀化。热处理还分为退火、淬火、正火、回火四种不同的处理方式。不同的工艺有不同的属性和属性值。比如淬火的属性就是温度。而不同的属性值的表示形式和阈值不尽相同，所以很难采用规则的方式转换成统一的形式。

目前的流程相似度计算方法均没有考虑节点属性，更侧重于图结构的计算。经典的用Petri 网建模的流程计算方法，考虑的是图结构中的并发、异步关系。而材料领域的工艺流程更侧重工艺和工艺属性值对性能的影响。

针对上述两种问题，采用基于embedding网络模型的方法，可以将实体和实体属性映射到一个低维稠密的空间，用向量表示实体和属性，以解决属性值形式不一的问题。为了挖掘工艺和工艺属性值对性能的影响，需要考虑工艺的语义信息，由于材料实体中存在多种不同形式的属性，工艺流程的先后关系复杂，而传统流程相似度计算只考虑网络结构而忽视属性边的语义信息。因此，如何利用表示学习和权重信息来计算相似度，如何充分体现出两个流程之间的相似度和差异度，并据此指导改进材料生产流程，实现材料性能提升，成为亟待解决的技术问题。

发明内容

为了解决现有技术问题，本发明的目的在于克服已有技术存在的不足，提供一种基于 embedding属性相似度的材料工艺流程匹配方法，针对材料实体中存在多种不同形式的属性，工艺流程的先后关系，提供材料工艺流程相似度计算的方法。

为达到上述发明创造目的，本发明采用如下发明构思：

根据所述材料实体的三元组集合、已对齐的工艺流程，三元组集合中包括工艺、属性、属性值这三类元素，三元组集合即相似的工艺流程对集合，用TransE模型做表示学习。

根据已对齐的工艺流程，通过Translation-based模型生成联合向量。

根据获取的联合向量，通过TransE和它的扩展方法PTransE获得两个知识库分别学到各自的知识向量，利用联合向量将这些知识向量合并到同一语义空间。

根据获取的知识向量，里面有工艺实体向量和属性关系向量，遵循f(头实体向量,关系向量)＝尾实体向量，即工艺实体向量+属性向量＝属性值向量。

根据获取的工艺实体向量，在合并的语义空间通过计算实体之间的语义距离实现实体之间的对齐，语义距离的计算方法采用欧氏距离计算方法，从而得到工艺实体特征相似度。

根据获取的工艺实体特征相似度，将同一实体对象链接到一起。

根据获取的属性向量，采用Cosine距离计算工艺属性关系相似度。

根据获取的属性值的向量和工艺属性关系相似度，在工艺属性关系相似度达到阈值的情况下，采用Cosine距离计算同一属性下的工艺属性特征相似度。

根据获取的工艺实体特征相似度，输入预设标准工艺流程，通过TF-IDF指数对所述工艺实体特征进行赋权，得到实体特征权重信息。