(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210692845.6 (22)申请日 2022.06.17 (71)申请人 青岛科技大 学 地址 266000 山东省青岛市崂山区松岭路 99号 (72)发明人 胡强　綦浩泉　彭菲　沈嘉吉　 赵振　 (74)专利代理 机构 青岛汇智海纳 知识产权代理 有限公司 373 35 专利代理师 万桂斌 (51)Int.Cl. G06F 16/33(2019.01) G06F 16/35(2019.01) G06F 40/194(2020.01) G06F 40/30(2020.01)G06K 9/62(2022.01) (54)发明名称 一种基于深度学习的云制造服务流程推荐 方法 (57)摘要 本发明提出一种基于深度学习的云制造服 务流程推荐方法， 包括： 步骤A、 用户按照需求表 达模型提交流程需求； 步骤B、 构建基于聚类映射 的流程需求序列； 步骤C、 将步骤B中流程需求序 列送入训练好的Seq2Seq模型， 生成近似推荐流 程序列Ar_ps； 步骤D、 将近似推荐 流程序列Ar _ps 与流程模型库中的已有流程序列ps做字符串相 似度计算； 步骤E、 将相似度最高的云制造流程推 荐给用户。 本发 明提出了一种链式流程需求表达 模型， 解决了用户对所需要的服务和流程的业务 逻辑表达模糊问题， 降低了用户建模流程需求的 难度； 提出了面向聚类映射的需求解析机制和流 程需求序列生成方法， 有效地降低了流程需求中 的服务解析难度； 提出了基于深度学习的流程推 荐方法， 大幅度降低了流程推荐时的计算复杂 度， 也提高了推荐精度。 权利要求书2页 说明书8页 附图3页 CN 115048490 A 2022.09.13 CN 115048490 A 1.一种基于深度学习的云制造服 务流程推荐方法， 其特 征在于包括： 步骤A、 用户按照需求表达模型提交流 程需求 采用自然语言文本描述流程中的组成服务， 按照顺序结构依次排序所需要的服务及子 流程结构块， 所述子流 程结构块是由路由结点引导的分支服 务流程链组成； 步骤B、 构建基于聚类映射的流 程需求序列 将平台中的已有云制造服务进行聚类， 通过计算用户需求表达模型中的服务与聚类的 语义相似度， 将 需求表达模型中的服务映射为所属的聚类标识， 采用聚类标识和流程路由 标识构建流 程需求序列； 步骤C、 将步骤B中流程需求序列送入训 练好的Seq2Seq模型， 生成近似推荐流程序列 Ar_ps 步骤D、 将近似推荐流程序列Ar_ps与流程模型库中的已有流程序列ps做字符串相似度 计算， 其中,Levenshtein(Ar_ps， ps)为编辑距离， MaxLength(Ar_ps， ps)为两个字符串的最 大长度， Jac card(Ar_ps， ps)为Jac card距离； 步骤E、 将相似度最高的云制造流 程推荐给用户。 2.根据权利要求1所述的基于深度学习的云制造服务流程推荐方法， 其特征在于， 所述 步骤B中， 平台 中的已有云制造服 务按照如下步骤进行聚类： 步骤B11、 对服务功能描述和工艺 参数进行 预处理； 步骤B12、 利用Bert为服务描述生成一个功能向量， 利用Word2Vec分别为服务类别和工 艺参数生成词向量， 命名为类别向量和工艺 参数向量； 步骤B13、 将功能向量、 类别向量和工艺 参数向量 拼接为一个向量， 即服 务表征向量； 步骤B14、 利用K ‑means++算法为所有云制造服 务的服务表征向量进行聚类； 步骤B15、 为生成的每个聚类设置一个聚类标号， 为每一个聚类计算聚类中心向量， 所 述聚类中心向量 为该聚类中所有服 务的服务表征向量的均值。 3.根据权利要求1所述的基于深度学习的云制造服务流程推荐方法， 其特征在于， 所述 步骤B中， 按照如下步骤构建流 程需求序列： 步骤B21、 顺序连接的服务si和sj， 需求序列映射为CiCj， 其中Ci和Cj分别为服务si和sj所 对应的聚类标识； 步骤B22、 子流程结构块spj按如下规则生成对应的需求序列： 步骤B221、 序列起始和终止 字符分别为路由结点对应的标识与分支数目形成的符号； 步骤B222、 对于分支子流程， 如果为服务组成的服务链则按步骤B21处理为需求序列， 如果包含子流程结构块则按步骤B2 2递归处理为需求序列； 步骤B223、 将分支子流程形成的需求序列按照 长度又大到小排序， 依次连接， 插入步骤 B221生成的起始和终止 字符， 形成子流 程结构块spj对应的最终需求序列Cspj； 步骤B23、 对应顺序连接的子流程结构块si和spj， 需求序列映射为CiCspj,其中Ci为服务 si的聚类标识， Cspj为按步骤B2 2生成的spj对应的需求序列。 4.根据权利要求1所述的基于深度学习的云制造服务流程推荐方法， 其特征在于， 所述权　利　要　求　书 1/2 页 2 CN 115048490 A 2步骤A中， 需求表达模型为 二元组PR， PR及其组成元 素如下： PR:＝{SN, →}； SN:＝{sb,se,S,S P}； SP:＝{RN,SL}； SL:＝{S, →}； RN:＝{as,os,aj,oj,ls,le}； 其中， SN为流程业务结点， →表示顺序关系， PR为由SN类型的结点按照顺序结构组成的 业务逻辑序列， sb为流程起始结点， se为流程终止结点， S为服务结点， SP为子流程结构块。 对于子流程类型结点SP， 其递归定义为路由结点RN与服务结点链表SL的集合， SL为顺序执 行的服务结点序列， S为服务结点， 路由结点对{as,aj}， {os,oj}和{ls,le}分别用于构建并 发结构、 选择 结构和循环结构。 5.根据权利要求1所述的基于深度学习的云制造服务流程推荐方法， 其特征在于， 所述 步骤A中， 所述服务为五元组cms＝(id,sn,st,sf,TP)， 其中， id为服务编号， sn为服务名称， st为服务类别， sf为 服务功能描述,TP为工艺 参数集合。 6.根据权利要求1所述的基于深度学习的云制造服务流程推荐方法， 其特征在于， 所述 步骤D中， 流程模型库中的已有流程序列构建过程如下： 将云制造服务流程采取逻辑Petri 网建模为 服务网； 采用路径约简的方式， 求 解服务网对应的字符序列， 即流 程序列。 7.根据权利要求1所述的基于深度学习的云制造服务流程推荐方法， 其特征在于， 所述 步骤C中， Seq2Seq模型的训练过程包括： (1)根据平台中已有流程需求和响应流程模型， 建立起对应的需求序列和流程序列数 据集。 (2)利用所述数据集训练Seq2Seq模型。权　利　要　求　书 2/2 页 3 CN 115048490 A 3