.png){kind=icon}
返回
A module partition method for complex product based on the knowledge hypergraph
.png){kind=icon}
PRE
AI
DOI：10.1016/j.engappai.2025.110842.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
模块化设计能够有效控制复杂产品的开发周期与成本，其中产品模块划分（PMP）是模块化的基础。然而，基于专家知识的模型在有效捕捉复杂产品内部关系方面存在不足，这降低了PMP的效率与准确性。为解决此问题，本文将超图理论引入PMP领域，具体提出了一种基于知识超图（KHG）的PMP方法。首先，从功能-行为-结构-约束（FunctionBehavior-Structure-Constraint）视角定义复杂产品间的多重耦合关系，形成KHG的模式层。其次，提出包含预训练模型、双向长短期记忆网络（Bi-directional Long Short-Term Memory）、条件随机场（Conditional Random Field）和注意力机制（Attention layer）的联合学习算法，以从大规模文本数据中自动提取设计知识，形成KHG的数据层。此外，考虑到PMP模型需要学习非线性关系特征、实现端到端优化并具备强抗噪声能力，采用超图神经网络对复杂产品进行模块划分，该方法包含重要性计算、超图卷积、模块度最大化及自监督模块。最后，以除雪设备为例进行案例研究，知识提取准确率达到91.67%，PMP模块度为0.68，验证了所提方法的可行性。此外，通过公开数据集对比其他知识提取和超图聚类算法，进一步证实了所提方法的可行性与优越性。
Keyword:
Product design
Product module partition
Knowledge hypergraph
Hypergraph neural network
Clustering algorithm
期刊
IF:
8
论文数:
5.7K
被引数:
3.5W
机构
引用论文
.png){kind=icon}
Neural Feature-aware Recommendation with Signed Hypergraph Convolutional Network基于签名超图卷积网络的神经特征感知推荐
PREAI
分享收藏
查看更多内容