梁 野,张树有,刘晓健,吴晨睿
(浙江大学 流体动力与机电系统国家重点实验室,浙江 杭州 310027)
在信息化与知识经济环境下,产品设计活动已经从以经验为主过渡到以知识为主[1]。计算机和互联网技术的迅速发展与广泛应用方便了设计人员对设计知识的获取,但也让产品设计知识的数量呈几何级增长,如何从庞大的知识库中检索到满足当前需求的设计知识成为设计人员面临的新难题,严重影响了设计效率的提高。知识推送技术依据用户需求,将知识主动、实时地推送给用户,能有效解决知识使用中的知识超载、知识迷航等问题,因此也是产品设计知识管理与重用的重要研究方向。
目前,知识推送技术在国内外得到了很多学者的关注。最初的研究热点是面向电子商务、社交网络和网络多媒体等领域,以协同过滤为基础的知识推送算法在这些领域中得到了广泛应用[2-4]。也有学者将知识推送应用到知识检索中,将知识拉取与知识推送结合,以提升检索效果与用户体验。例如:文献[5]通过分析用户的浏览历史,采用基于语义扩展的方法构建用户模型,推送个性化知识,使检索结果更符合用户兴趣;文献[6]考虑用户初始检索式的模糊性,通过设计人员的主动反馈对检索式进行重构,获得新的检索结果并推送给用户。还有些学者对知识推送在企业知识管理中的应用进行了研究。例如:文献[7]提出了一种企业客户服务中心知识推送系统的构建方法,帮助服务人员对企业与客户提供双向的知识咨询服务。文献[8]运用主动学习与被动学习方式获取用户兴趣,通过制造信息资源相似度、相关度的计算获得符合用户兴趣的制造信息并推送给企业人员。文献[9]从知识属性、流程、领域三个维度描述企业知识,通过计算三个维度匹配向量的相似度,推送符合员工需求的企业知识。文献[10]提出基于工作流引擎和知识引擎双驱动的知识主动推送实现机制。针对产品设计知识的推送是对企业知识推送技术的细化研究,受到了很多学者的重视。例如:文献[11]提出基于设计对象的文本相似度算法,计算设计任务、设计知识、设计人员需求之间的相似度,以工作流驱动的方式推送产品设计知识。文献[12]针对产品族设计构建了基于代理的知识推送系统,通过基于市场的学习机制获取客户的需求偏好并推送给设计人员,以辅助设计人员进行产品设计。文献[1]提出了基于本体和粗糙集的产品设计知识推送技术,利用本体对设计任务与设计知识进行建模,通过粗糙集学习知识记录形成推送规则,并考虑了设计人员对设计知识的熟悉程度。文献[13]提出了基于协同设计意图捕捉的设计知识推送服务方法,以辅助产品的概念设计过程。
产品设计是一个不断往复迭代的过程,产品设计过程中的知识需求也是根据设计人员的设计活动不断变化的,即使在同一个设计任务中,设计人员对设计知识的需求也在动态变化。目前针对产品设计知识推送的研究一般细化到设计任务,缺乏根据设计人员的行为与反馈形成更加精确与动态的知识推送。
本文提出了基于变权分层激活扩散模型的产品设计知识动态推送技术。分析了设计知识推送系统架构,针对传统的激活扩散模型的不足,建立了面向产品设计知识推送的变权分层激活扩散模型,利用集聚关联分析方法获得设计知识节点的关联关系,通过层次激活扩散过程获得设计知识推送结果。结合设计人员行为反馈的分析,提出了设计知识单源与多源动态推送方法,实现了跟随设计人员知识活动的动态知识推送。
产品设计知识的推送是将设计知识实例根据用户对知识的需求,以有组织的形式呈现给产品设计人员,并能根据设计人员对设计知识需求的变化动态更新推送结果,其宏观过程即基础知识数据→产品设计人员。依据这一思想,产品设计知识推送系统框架可以分为用户层、交互层、系统层、接口层和数据层五个层次。图1描述了五层架构之间的逻辑关系。
各层的主要功能为:
(1)用户层 企业内部的设计人员,是设计知识推送的目标。设计人员向系统输入知识需求,设定系统功能,获得知识推送结果,并可以进行知识检索、信息管理等操作。
(2)交互层 设计人员与系统的人机交互界面,在浏览器/服务器(Browser,Server,B/S)架构下,交互层以浏览器为载体,以网页的形式向设计人员提供知识推送服务。设计人员在交互层的操作活动作为反馈信息由系统层分析记录。
(3)系统层 设计知识推送系统的核心,用来完成以知识推送为核心的所有知识管理活动,例如数据库维护、设计知识日志分析、设计人员反馈行为分析和推送计算等功能。本文的研究重点即系统层中的设计知识推送形成过程。
(4)接口层 提供统一的数据接口,保证系统快速访问数据层各数据库,以完成实时的动态推送。
(5)数据层 知识推送相关的底层数据库,包括设计知识库、设计知识关系库、设计知识本体库、设计知识使用日志和设计人员信息库等。
激活扩散模型(Spreading Activation Model,SAM)是用来模拟人类大脑语义记忆机制的认知模型[14]。在该模型中,代表语义概念的节点和节点之间相互的联系构成了语义网络,节点在获得外来刺激后被赋予激活值,激活值通过赋有权值的联系向与其相连的节点传递,不断激活满足条件的节点,直到扩散过程完成。由于该模型模拟了神经元传递加工信息的过程,引入了强度思想,具有并行性、模糊性和动态性的特征,在认知科学、数据库、人工智能、生物学和信息检索等领域有着广泛的应用[15]。在对知识推送的研究兴起后,很多学者将其应用于互联网、电子商务、社交网络中的个性化知识推送[5,16-18]。但是传统的激活扩散模型在面向设计知识推送时还有以下不足:
(1)传统的激活扩散模型以语义概念为节点,并以语义相似性为基础来度量概念间的联系,这是由于其最初来源于学者关于人脑对语义的记忆与认知机制的研究。在面向设计知识推送时,以设计知识为节点,但用语义相似性度量设计知识之间的联系时有很大的缺陷,很难避免“过专业化”,即语义相似度高并不一定能满足用户需求,这一点在产品设计知识中体现得尤为明显,由于设计任务与其所需要的设计知识在语义上不一定具有相关性,而且传统激活扩散模型中的关系权值是不变的,难以满足设计知识动态更新的需求。
(2)传统的激活扩散模型是层次网络模型的补充,它虽然不完全排除层次关系,但是以横向联系为主,从而构成概念网络。在面向设计知识的推送中,若仅考虑设计知识之间的联系、不考虑层次关系,则不利于设计知识的组织管理。
针对以上问题,本文提出了变权分层激活扩散模型,使其适合于面向产品设计过程的知识推送。
变权分层激活扩散模型是指将知识节点和节点间的关系构成关系网络,通过分析知识使用记录获得并更新表征知识节点关系程度的关系权值;若某一设计知识被使用,则其对应的知识节点进入激活状态,激活值通过节点间的关联关系传递,激活满足条件的知识节点,从而获得相关的设计知识并推送给设计人员;通过知识节点、知识数据、知识本体的划分形成分层结构,实现对产品设计知识的有效管理和高效推送。
2.2.1 变权分层激活扩散模型结构
面向设计知识推送的激活扩散模型是具有设计知识组织层、设计知识数据层和节点激活扩散层的三层结构,如图2所示。
(1)设计知识组织层
设计知识组织层采用领域本体对设计知识进行层次逻辑组织管理,帮助设计人员构建个人知识体系结构,提升设计水平。领域本体是对指定领域内共享概念的明确规范化说明,能够描述概念与概念间的继承(kind-of)关系、部分与整体(part-of)关系、概念实例与概念(instance-of)关系和属性(attribute-of)关系[1]。在领域本体中,通过概念与概念间的继承关系可以将领域概念组织成树状的层次结构,而产品设计过程中所需要的具体设计知识项都是某个领域本体概念的实例。例如领域本体概念“数控机床设计”,该概念有机床方案设计、机床部件及机构设计、机床零件设计等子概念;“机床方案设计”又有工艺分析、运动分析与分配、传动形式与选择等子概念;其中的“工艺分析”又有常用工艺过程、工序间余量的确定、切削用量的选择等设计知识实例。通过概念间的继承关系和设计知识与领域本体概念的实例—概念映射关系,就可以层次清晰地组织散乱、异构的产品设计知识。
(2)设计知识数据层
设计知识数据层是设计人员在产品设计过程中直接浏览到的设计知识,设计知识推送的结果在这一层向设计人员呈现。本体构建的设计知识模型可以用一个四元组表示,K=(KID,KD,KC,KL)。其中:KID为设计知识的唯一标识,KD为设计知识领域,KC为设计知识类别,KL为设计知识的存储位置。设计知识数据层的知识数据是设计知识组织层中领域本体概念的实例,同时与节点激活扩散层中的知识节点具有映射关系。
(3)节点激活扩散层
节点激活扩散层是由知识节点及其之间的联系构成的知识节点网络。产品设计知识的推送结果在这一层计算获得。
知识节点网络由如下定义说明:
定义1 设计知识网络可以用二元组S=(N,W)表示,其中:N=(n1,n2,n3,…,nk),表示知识网络中的知识节点,映射某项或者某几项设计知识;W={wij|1≤i≤k,1≤j≤k,i≠j},表示知识节点间的关系,wij为节点ni与nj的关系权值。
定义2 知识节点域N与知识实例域K的映射关系可以表示为{N→K|ni→{kj,…,kh}},一个知识节点对应一个或多个知识实例。
由于知识节点与知识实例的一对多映射关系需要根据用户偏好分别讨论,形成方法较复杂,并不是本文的研究重点,以下设定知识节点与知识实例为一一映射关系。
节点间的关系权值将通过对知识管理系统中的知识使用日志进行集聚关联分析获得,并在系统应用的过程中不断更新、动态变化。
图2所示变权分层激活扩散模型可以看作设计知识动态推送的一个完整子过程,在该过程中,首先分析设计人员的浏览行为,获得当前已确定需要的设计知识输入推送系统,系统通过激活扩散过程得到相关的设计知识并推送给设计人员。
2.2.2 基于集聚关联分析的产品设计知识节点关系获取
产品设计知识由于与设计对象、设计过程紧密相关,在使用上有着明显的集聚特性。例如在进行机床主轴设计时,轴承布置方式、轴承类型选取是必然会使用到的知识,而不管针对什么设计任务,轴承类型选取又必然会涉及到轴承载荷计算、轴承寿命计算、轴承精度选择等设计知识。同时由于产品设计是不断往复迭代的过程,这种集聚特性在该过程中得到不断的加强。在知识使用记录中,设计知识的集聚特性体现在知识使用的时间维上,即同一设计人员完成某一设计任务时的设计知识在使用时间上是相近的。
具体分析过程包括:
(1)知识使用记录前处理 设计人员通过知识管理系统获取和使用设计知识,所有知识活动被系统按时间顺序记录、形成知识使用记录,为了便于进行集聚关联分析,需要对知识使用记录进行前处理,具体工作包括:①按设计人员分类,因为多个不同设计人员可同时进行不同的设计任务,对应的知识使用记录在时间上也是相邻的,但其设计任务不同,对应的设计知识之间也不具有相关性,所以需要分别针对单个设计人员的知识活动进行集聚关联分析;②按时间分类,分析数据应当在一个确定的时间段内,避免时间跨度太大的关联分析。据此,将使用记录分为一系列待分析数据集,每个待分析数据集具有三个属性{SPID,SIT,SFT},其中:SPID为设计人员编号,SIT为待分析数据集的起始时间,SFT为待分析数据集的结束时间;每个待分析数据集中,设计知识使用记录按时间排序,由于设计人员主要在工作时间使用设计知识,可以取一自然天为待分析数据集的起始时间与结束时间的间隔。
(2)噪声浏览过滤 设计知识使用记录往往包含许多噪声记录,由于设计人员无法仅通过标题确定设计知识是否对当前的设计任务有帮助,需要对内容进行大概浏览,判断其与当前任务无关时就会在短时间内结束浏览,这一短暂的浏览过程也会被知识系统记录下来,因其对应的设计知识与当前任务无关,在关联分析中属于无效记录。为此,需要尽可能去除设计人员判断设计知识为无用的使用记录。可以采用两个参数(浏览时间t和规定时间内浏览次数n)决定某条知识的使用记录是否为有效记录。若用布尔值k表示某条知识的使用记录是否为有效记录,1表示是,0表示否,则有如下判断逻辑
式中:ts为某一设计人员的浏览时间阈值,ns为浏览次数阈值。由于不同设计人员的阅读习惯和阅读速度不同,ts对于不同设计人员有不同的值。ns的设定是为了避免将设计人员对已熟悉的设计知识的短时获取行为过滤掉,例如查表、查公式等。在固定的时间域内,若某条知识记录的浏览时间大于时间阈值ts,则该知识的使用记录为有效,并且在该时间域内所有该知识的使用记录均为有效,若某条知识记录的浏览时间小于时间阈值ts,但在该时间域内的浏览次数大于浏览次数阈值ns,则该知识的浏览记录均为有效,除此之外为噪声浏览。
(3)关系权值计算 知识使用日志以天为自然分割点,对于同一设计人员,其一天中所浏览的设计知识被认为具有相关性。不同设计人员的阅览习惯、设计效率不同,用时间度量相关性的差异会很大,而两项设计知识使用记录间其他使用记录所对应的不同设计知识的数量不会受到这些因素的影响,因此将其作为离散变量映射到关系函数上获得知识节点的关系权值。设计知识的关系程度随着其使用记录间距的增加逐渐降低,虽然使用记录是具有严格先后顺序的线性序列,但由于设计知识使用的集聚特性,知识的相关程度并不是线性下降的。与当前的设计知识距离较近时,其关系程度下降较慢,而距离较远的设计知识由于相关性都比较低,其关系程度变化也很小。由此,进行集聚关联分析的关系函数具有以下特点:①定义域(0,+∞),值域(0,1),单调递减;②函数曲线在函数值接近0与1时平缓,中间段较陡。
本文采用S型的Logistic曲线作为关系函数度量设计知识的相关性。Logistic曲线最初是由比利时学者Verhulst提出的人口增长模型,其简单形式中蕴涵着丰富的内涵,后被广泛应用于生物种群数量预测、商品销售预测、混沌分析等领域[19-21]。假设设计知识ki与设计知识kj出现在同一设计人员一天内的浏览记录中,则其关系权值wij与记录间隔tij的Logistic模型为
式中tij∈(1,2,…,n),a、b和c为调整参数,且a>0,b>0,0<c≤1。
其一阶导数为:
其二阶导数为:
可以看到,拐点位置由参数a和b确定,其中参数b还控制曲线由0到1的变化范围,又由于曲线关于拐点中心对称,确定初始间隔1对应的关系权值以及最大间隔,即可计算得到参数a和b的值,参数c可以从整体上控制关系权值的大小,一般取为1。由上可知,Logistic模型符合集聚关联分析对关系函数的需求。
(4)关系权值的更新 由于相关设计知识也可能同时出现在其他设计人员的知识使用记录中,而且设计知识使用记录是不断增加的,两项设计知识的关系权值wij需要根据计算得到的新关系权值动态更新。因为算数平均值是最常用的平均指标,计算简单,适合于关系权值的频繁更新,所以这里取设计知识ki与kj所有关系权值的算数平均值作为综合关系权值,更新公式为
式中:wij(n)为n个关系 权值平均值,wij(n+1)为根据新的记录或者其他设计人员的知识使用记录计算得到的关系权值。
2.2.3 层次激活扩散过程
虽然整个知识关系网络中的知识节点没有层次区分,但对于某一次激活扩散活动却是层次递进的过程,如图3所示。某个节点激活后,其激活值会向与其相关的周围节点扩散,扩散传递的激活值为激活节点的激活值p与两个节点关系权值w的乘积。
激活扩散过程包括以下三个步骤:
(1)基层激活 如图3a所示,节点Ra和Rb为2个初始激活的知识根节点,定义其为基层,则根节点激活值pr为初始激活值和其他与其有关系的根节点传递的激活值之和:
式中:pi为当前节点初始激活值,pj为与当前节点相联系的节点激活值,wij为二者的关系权值,cs为层内激活衰减系数,用以控制间接关系对激活值计算的影响程度。
(2)扩散层激活值计算 基层节点激活值计算完成后,进入下一层激活扩散过程,与基层节点直接相关的所有节点都为该层次节点,如图3b中的节点N1~N6。该层节点激活值pf为直接上层传递激活值与同层传递激活值之和:
式中:pu为与当前节点直接相关的上层节点激活值,pj为同层相关节点的直接激活值,wuf和wjf分别为二者的关系权值,cd为层级激活衰减系数,扩散层级越大,距离初始激活节点越远,则cd值越小。包含激活节点的n个知识节点可以构建节点关系矩阵W=[wij]n×n,若Na为激活节点,则可以获得Na与其他节点的关系向量T=[wia](n-1)×1,将节点关系矩阵中Na对应的行与列去除,得到Wr=[wij](n-1)×(n-1),加入层内衰减系数cs,则该层节点的激活值向量V=csWrT+T=[via](n-1)×1。通过式(9)和式(10)对激活值进行规范化处理,并加入层级衰减,获得最终的节点激活值。
(3)激活条件与终止条件判断 激活条件与终止条件影响激活扩散过程的走向,二者结合起来可以满足不同设计人员的设计知识使用习惯。
判断节点是否被激活可以采用两种方式:①判断节点激活值;②判断单层激活节点数量。激活过程终止的判断可以采用三种方式:①激活扩散达到设定的层数;②激活的节点数量大于设定的最大激活数;③所有叶节点的激活值都低于设定的阈值vs。
结合节点激活与终止方式可判断控制节点整个激活过程。采用激活方式①是通过判断节点激活值是否达到设定的阈值来进行。该方式激活的节点与当前节点具有较高的关联度,激活过程终止条件可控制激活节点的数量与扩散深度,三种终止方式都可采用。采用激活方式②是通过判断激活节点数量是否达到设定的阈值来进行。该方式激活节点是与当前节点相对相关性高的节点,激活过程终止条件可采用终止方式①和②,激活过程终止条件除可控制激活节点的数量与扩散深度,还有控制激活节点的方向。通过激活与终止条件组合可以避免低关联度节点无法产生推送结果的情况,并可以控制激活扩散过程沿着最相关的方向进行。
激活扩散过程结束后,可以获得所有激活节点构成的节点网络,如图3d所示。
为实现设计知识的动态推送,知识推送系统必须与设计人员进行实时的交互反馈,以此推理出设计人员当前所需要的设计知识并进行推送。在设计知识使用过程中,设计人员的反馈行为主要有显性反馈和隐性反馈两种[22]。
显性反馈即用户对推送结果的主动评价,但显性反馈往往难以获得,这是因为设计人员不愿在繁忙的设计工作中分散注意力来对设计知识进行评价。
隐性反馈来源于设计人员对设计知识的使用行为,如浏览、搜索和收藏等,是对用户需求的推理。获得隐性反馈需要对用户的行为数据进行实时分析。
应用激活扩散模型实现动态推送只需要获取当前知识对用户的作用,判断是否将对应的知识节点激活,因此不需要复杂的评价方法。显性反馈方面,参考社交网络中流行的“点赞”行为,设定被设计人员“赞”的设计知识是设计人员认为对当前的设计任务有用,予以激活,而被设计人员“踩”的设计知识说明知识质量低且无用。隐性反馈方面,取最具代表性的浏览时间和搜索行为两种行为作为反馈。用户浏览设计知识一般是通过标题寻找所需要的备选知识,打开进行泛读。若设计知识与设计需求不相关,则关闭继续浏览;若相关,则进行一定时间的阅读。分辨二者需要的设置时间阈值ts,判断逻辑与式(1)相同。时间阈值对于不同的设计人员是不同的,需要对每个设计人员进行知识浏览行为测试。给定设计任务与一定数量的设计知识,让设计人员判断其相关性,统计从打开文档到做出判断的时间间隔,取最大值作为时间阈值。结合显性与隐性反馈的激活判断逻辑式如式(11)所示:
式中s为代表设计人员显性反馈的布尔值,s=1表示“赞”,s=0表示“踩”,其余变量含义与式(1)相同。
用户的搜索行为具有强表征特性,当用户需要搜索时,说明当前的设计知识已不满足其需求,根据用户对搜索结果的浏览行为分析来获取用户需求,激活相应的知识节点。
激活扩散过程按照初始激活点的个数分为单源激活扩散和多源激活扩散,即单个节点激活或多个节点同时激活。因此,对于设计知识也可以采用两种动态推送模式:
(1)单源动态推送模式 该模式下,在利用3.1节中描述的设计人员行为反馈方法获得一个有效激活点后,即进行激活扩散过程,形成更新推送结果。在实际推送中,设计人员浏览的当前设计知识达到时间阈值后即可在后台计算形成新的结果集,从而保证最大的动态性与实时性,并且不需要设计人员的额外操作。但在一次激活扩散过程形成的推送结果集中可能会有多项设计人员需要的设计知识,若在设计人员浏览其中之一后就进行新的激活扩散过程,则可能无法推送出与原来相同的知识项。
(2)多源动态推送模式 该模式为多个初始激活点同时进行激活扩散过程。在实际推送中有两种方式:①设置一个更新选项让设计人员手动操作,以确认当前的推送结果已浏览完毕。在设计人员确认后,再利用3.1节中的方法取得当前推送中被用户激活的知识节点,进行多源激活扩散过程并形成新的推送结果,从而保证推送效用的最大化,并使结果更加符合用户需求,但需要设计人员进行主动更新操作。②类似于单源动态推送过程,在获得一个有效激活点后即进行激活扩散过程,但取当前激活点与前一个或几个历史激活点同时进行激活扩散,形成多源动态推送,从而在一定程度上兼顾动态性与推送效果。
在实际的推送系统设计中可以根据用户的特点灵活选用不同的推送模式。
结合变权分层激活扩散模型和设计人员行为反馈,获得设计知识的动态推送流程如图4所示,其主要步骤包括:①通过对知识使用日志的前处理、噪声过滤、知识节点关系计算,形成设计知识节点关系网络。②对设计任务进行基于本体的分解与标注,将设计任务本体关联的设计知识按点击率进行排序,形成初始推送序列。③通过分析用户对初始推送序列的浏览行为,获得初始激活知识节点,进行激活扩散,得到相关设计知识并按照激活值排序推送给设计人员,再继续分析设计人员的浏览行为、得到新的初始激活节点,如此动态往复,直到设计人员完成设计任务,最后分析这一阶段的设计知识使用情况,对关系权值进行更新。
基于ASP.NET 技术体系,采用SQL Server2008R2数据库,以数控机床设计资源共享平台在机床企业应用中所获得的知识使用记录为数据集,建立数控机床设计知识推送的原型系统。首先对平台上的设计知识进行本体标注,并根据实际的知识使用情况确定式(2)中的参数。得到关系权值计算公式:
依据集聚关联分析方法对知识使用记录进行分析,去除噪声浏览,计算设计知识关系权值,建立设计知识关系库。以数控机床主轴部件的设计任务为例,基于本体对主轴部件的设计任务进行分解,得到如图5所示的本体概念树。
进行设计知识动态推送的主要步骤如下。
(1)取主轴部件的各领域本体对应点击率最高的设计知识形成初始推送序列,如图6所示。
(2)进行子任务“主轴轴承选配”,选择浏览“主轴常用滚动轴承类型”这条设计知识,如图7所示。
将此设计知识作为初始激活节点,通过读取设计知识关系库与设计知识本体库,获得该知识相关设计知识的组织结构图、节点关系图,如图8和图9所示,这里取其中一部分来说明推送过程。
(3)根据上面获得的关系信息,依据2.3节中的激活扩散过程进行激活扩散计算,扩散终止条件为扩散层级达到2。以“主轴常用滚动轴承类型”对应的节点K32为根节点,则与K32直接相关的知识节点有5个,由此构成的知识节点关系矩阵如表2所示。
表2 知识节点关系矩阵
续表2
取层内的衰减系数为0.3,则初始激活值为
利用式(9)和式(10)进行规范化处理,得到
取激活阈值为0.75,则激活的知识节点为{K05,K11,K25,K30}。
重复上述过程,取层间衰减系数为0.9,得到所有与上层节点相关的节点{K01,K26,K07,K06,K31,K02,K23,K04,K17,K19,K24}的激活值为{0.76,0.71,0.80,0.64,0.63,0.52,0.65,0.90,0.86,0.80,0.22},同样取激活阈值为0.75,则该层激活的知识节点为{K01,K07,K04,K17,K19}。
(4)对所有的激活节点按激活值进行排序,对应的设计知识形成新的推送结果,如图10所示。
从得到的推送结果可以看到,排在最前面的是与激活知识“主轴常用滚动轴承类型”密切相关的产品设计知识“主轴轴承合理布置”、“主轴部件轴承选择”、“滚动轴承类型选择”等,而“传动件位置的合理布局”因其与激活知识具有相同的领域“主轴部件传动方案”,具有一定的参考意义,但排在序列最后,符合设计人员的浏览习惯且满足当前的设计知识需求。继续分析设计人员对推送结果的浏览行为,重复上述过程,直到完成设计任务。
精确、动态的知识推送是面向产品设计的知识推送技术研究的目标。本文提出了基于变权分层激活扩散模型的设计知识动态推送技术,主要工作与特点有:
(1)针对传统的激活扩散模型关系权值固定和知识组织能力差的缺陷,提出了面向设计知识推送的具有层次激活扩散过程的变权分层激活扩散模型。
(2)通过分析产品设计知识使用上的集聚特性,提出了针对知识使用日志在时间维度上的集聚关联分析方法,获得设计知识间的内在联系。
(3)通过对设计人员的知识使用行为的反馈分析,并结合激活扩散模型,提出了单源与多源动态推送模式,实现了跟随设计人员知识活动的动态推送。基于数控机床设计资源共享平台构建知识推送原型系统,以数控机床设计中的知识活动为例,对所提方法进行了验证。
本文提出的推送方法为解决设计知识动态推送问题提供了新的思路,但还有很多问题有待完善,如考虑设计人员知识背景的更加精确和个性化的推送方法,以及设计知识与知识节点的复杂映射关系的获得等,这些是下一步值得研究的内容。
[1]JI Xiang,GU Xinjian,DAI Feng,et al.Technology for product design knowledge push based on ontology and rough sets[J].Computer Integrated Manufacturing Systems,2013,19(1):7-20(in Chinese).[吉 祥,顾新建,代 风,等.基于本体和粗糙集的产品设计知识推送技术[J].计算机集成制造系统,2013,19(1):7-20.]
[2]NILASHI M,IBRAHIM O B,ITHNIN N.Multi-criteria collaborative filtering with high accuracy using higher order singular value decomposition and Neuro-Fuzzy system [J].Knowledge-Based Systems,2014,60(4):82-101.
[3]YAN Junwei,HUANG Xun,LIU Min,et al.Personalized recommendation algorithm for user interest model based on ontology[J].Computer Integrated Manufacturing Systems,2010,16(12):2757-2762(in Chinese).[严隽薇,黄 勋,刘敏,等.基于本体用户兴趣模型的个性化推荐算法[J].计算机集成制造系统,2010,16(12):2757-2762.]
[4]BIRTOLO C,RONCA D.Advances in clustering collaborative filtering by means of fuzzy C-means and trust[J].Expert Systems with Applications,2013,40(17):6997-7009.
[5]LIANG T,YANG Y,CHEN D,et al.A semantic-expansion approach to personalized knowledge recommendation[J].Decision Support Systems,2008,45(3):401-412.
[6]HUANG Weidong,WANG Youyuan,XIE Qiang,et al.Research on management of design knowledge based on ontology in the integrated product development[J].China Mechanical Engineering,2007,18(21):2566-2569(in Chinese).[黄卫东,王有远,谢 强,等.基于本体的设计知识检索研究[J].中国机械工程,2007,18(21):2566-2569.]
[7]FENG Yong,FAN Zhiping,FENG Bo,et al.Construction of knowledge push system in customer service center of enterprise[J].Computer Integrated Manufacturing Systems,2007,13(5):1015-1020(in Chinese).[冯 勇,樊治平,冯 博,等.企业客户服务中心知识推送系统构建研究[J].计算机集成制造系统,2007,13(5):1015-1020.]
[8]FANG Hui,TAN Jianrong,TAN Ying,et al.Manufacturing information active recommendation based on Web services[J].Computer Integrated Manufacturing Systems,2008,14(11):2253-2260(in Chinese).[方 辉,谭建荣,谭 颖,等.基于Web的制造信息主动推荐服务研究[J].计算机集成制造系统,2008,14(11):2253-2260.]
[9]LE Chengyi,DAI Feng,JI Xiang,et al.Domain knowledge actively pushing system driven by process[J].Computer Integrated Manufacturing Systems,2010,16(12):2720-2727(in Chinese).[乐承毅,代 风,吉 祥,等.基于流程驱动的领域知识主动推送研究[J].计算机集成制造系统,2010,16(12):2720-2727.]
[10]SHI Meihong,WANG Ting,CHEN Yongdang,et al.Knowledge push system based on business process and knowledge need[J].Computer Integrated Manufacturing Systems,2011,17(4):882-887(in Chinese).[石美红,王 婷,陈永当,等.基于业务过程和知识需求的知识推送系统[J].计算机集成制造系统,2011,17(4):882-887.]
[11]WANG Shengfa,GU Xinjian,GUO Jianfeng,et al.Knowledge active push for product design[J].Computer Integrated Manufacturing Systems,2007,13(2):234-239(in Chinese).[王生发,顾新建,郭剑锋,等.面向产品设计的知识主动推送研究[J].计算机集成制造系统,2007,13(2):234-239.]
[12]MOON S K,SIMPSON T W,KUMARA S R T.An agentbased recommender system for developing customized families of products[J].Journal of Intelligent Manufacturing,2009,20(6):649-659.
[13]XU Y,YIN G,NIE Y,et al.Research on an active knowledge push service based on collaborative intent capture[J].Journal of Network and Computer Applications,2013,36(6):14-18.
[14]COLLINS A M L.A spreading-activation theory of semantic processing[J].Psychological Review,1975,82(6):407-428.
[15]CRESTANI F.Application of spreading activation techniques in information retrieval[J].Artificial Intelligence Review,1997,11(6):453-482.
[16]BLANCO-FERNÁNDEZ Y,LÓPEZ-NORES M,GIL-SOLLA A,et al.Exploring synergies between content-based filtering and Spreading Activation techniques in knowledge-based recommender systems[J].Information Sciences,2011,181(21):4823-4846.
[17]HAWALAH A,FASLI M.Utilizing contextual ontological user profiles for personalized recommendations[J].Expert Systems with Applications,2014,41(10):4777-4797.
[18]NEVES A R D M,CARVALHOÁ M G,RALHA C G.Agent-based architecture for context-aware and personalized event recommendation[J].Expert Systems with Applications,2014,41(2):563-573.
[19]PEARCE J,FERRIER S.Evaluating the predictive performance of habitat models developed using logistic regression[J].Ecological Modelling,2000,133(3):225-245.
[20]MAY R M.Simple mathematical models with very complicated dynamics[J].Nature,1976,261(5560):459-467.
[21]TASHIRO T,MINAGAWA H,CHIBA M.Hierarchical logistic equation to describe the dynamical behavior of penetration rates[J].Physica A:Statistical Mechanics and its Applications,2015,430:57-64.
[22]LIAO Kaiji,YE Donghai,XI Yunjiang.Research on personalized knowledge service model based on relevance feedback[J].Library and Information Service,2010(8):103-107(in Chinese).[廖开际,叶东海,席运江.基于相关反馈的个性化知识服务模型研究[J].图书情报工作,2010(8):103-107.]