利用辅助建模工具建模的模型筛选方法

技术领域

本发明涉及模型筛选构建技术领域，尤其涉及利用辅助建模工具建模的模型筛选方法。

背景技术

随着信息技术及人工智能技术的飞速发展，系统体系架构设计的重点将不仅局限于自顶向下的设计，更需着眼信息系统纵横交错的复杂架构。如何在复杂信息系统中快速处理关键要素及要素间的相互关系，已经成为复杂、庞大系统体系架构设计的痛点。现有主流体系架构设计工具都通过依赖大量的人工手动操作，然后通过人工对模型要素进行创建以及手动对孤立要素间关系进行创建。

发明内容

本发明的目的在于提供利用辅助建模工具建模的模型筛选方法。通过人工智能技术，利用外挂辅助方式配合相应的逻辑装置加快复杂系统体系架构的建模操作，为建模人员省去繁琐的手动信息录入操作，降低手工处理工作量，提升交互效率。

为了实现上述技术效果，本发明通过以下技术手段予以实现。

利用辅助建模工具建模的模型筛选方法，包括以下步骤：

用户利用体系建模工具，输入检索条件；

利用辅助建模工具，分析检索条件，于检索引擎中，将分析后的检索条件形成主题，进而在元模型数据库中，检索得到与主题相关的特征数据，根据用户的行为数据以及操作记录，在模型管理工具中得到用户感兴趣的且与特征数据相对应的推荐模型，若干个推荐模型组合形成产品的整体模型；

用户于辅助建模工具中发出指令，选择是否展示推荐结果以获得用户建模的整体模型，并选择是否将推荐结果添加于体系建模工具中。

作为本发明的进一步改进，还包括体系建模工具与辅助建模工具之间的数据交换，具体为，将用户输入的检索条件，参考DoDAF Vol III定义的DM2PES XSD规范进行扩展得到数目化的文件结构，其包括结构数据以及视图模型。

作为本发明的进一步改进，还包括模型管理工具中的数据迭代更新，具体为：将元模型数据库中的若干个数据通过预定义模板，使其转换为有序的、有关联的、按DoDAF规范分类的模型数据，并存储于元模型知识库，成为辅助建模插件的数据源。

作为本发明的进一步改进，还包括知识库的构建，具体为：于模型管理工具中，保存用户标签化分类的特征数据，并保存特征数据关联次数最多的关联模型，自动建立关联关系。

作为本发明的进一步改进，还包括检索中，根据检索条件对知识库中知识的抽取,具体为：在模型管理工具中抽取特征数据中的知识点作为检索条件，所述知识点根据基本概念和关系，以技术领域为主，进行标签化分类。

作为本发明的进一步改进，所述分析检索条件，具体为，辅助建模工具将检索条件，分别进行属性检索、自然语言检索以及关系检索，得到所述主题。

作为本发明的进一步改进，所述主题具体为：利用自然语言处理主要以提取识别自然语言中与技术领域相关的关键字，通过提取到的关键字，按照设定的关键字与主题的映射关系表，确定数据属于哪个技术领域。

作为本发明的进一步改进，还包括关联关系的排序，具体为，用户选取关联模型时，同时选取其它特征数据，且选取的时间维度上关联，则判断其它特征数据与关联模型有关联，以此形成两者的关联关系，根据使用频次，对该关联关系与关联模型与之前特征数据的关联关系进行排序。

作为本发明的进一步改进，所述选择是否展示推荐结果中还包括元模型数据库内容的显示，具体为：利用可视化资源描述元模型数据库中的知识图谱的知识资源及载体，同时挖掘、分析、构建、回执和显示知识资源及知识资源之间的互相联系。

作为本发明的进一步改进，还包括模型管理工具的自主学习，具体为：采用机器学习模型，实现模型管理工具添加的数据按照不同主题自动分类，省略人工手动标注进行数据分类的步骤。

本发明的有益效果如下：

本发明中，采用知识工程方法对体系架构设计知识进行获取、管理和充分利用，形成“知识互联”的设计方法机制。运用先进的知识图谱人工智能技术，将片面的、临时的局部体系架构设计知识互联，构建联合的、动态的联合体系架构设计知识库，引入知识推理技术，提升复杂信息系统体系架构智能化设计能力。通过智能化手段和对存量数据进行复用，对人工操作进行简化，提升建模人员效能。

本发明中，通过辅助建模工具的增加，为建模提供对模型的检索、推荐操作，用户以自然语言提问的方式进行搜索，辅助建模插件通过自然语义分析、分词，通过得到与关键词匹的配模型库中的模型信息，将模型数据按照DoDAF规范进行分类展示，并根据用户历史兴趣度对数据做排序，提供用户可能感兴趣的数据。

本发明中，通过对模型管理工具中数据的筛选等增加，使得数据转化为有序的、有关联的、按DoDAF规范分类的模型数据，并存储于模型知识库，成为辅助建模插件的数据源。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1为本发明提供的利用辅助建模工具建模的模型筛选方法的流程图；

图2为本发明提供的知识存储流程示意图；

图3为本发明提供的数据交换文件结构示意图；

图4为本发明提供的数据交换文件数据部分示例示意图；

图5为本发明提供的数据交换数据交换文件视图部分示意图；

图6为本发明提供的装置软件总体结构示意图；

图7为本发明提供的模型管理工具与辅助建模插件逻辑架构示意图；

图8为本发明提供的模型管理工具与辅助建模插件接口设计示意图；

图9为本发明提供的模型管理工具与辅助建模插件典型使用流程示意图；

图10为本发明应用于汽车整机原型设计案例中的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

在本申请中，术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本申请及其实施例，并非用于限定所指示的装置、元件或组成部分必须具有特定方位，或以特定方位进行构造和操作。

并且，上述部分术语除了可以用于表示方位或位置关系以外，还可能用于表示其他含义，例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言，可以根据具体情况理解这些术语在本申请中的具体含义。

此外，术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如，可以是固定连接，可拆卸连接，或整体式构造；可以是机械连接，或电连接；可以是直接相连，或者是通过中间媒介间接相连，又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

鉴于以上情形，本发明旨在提供利用辅助建模工具建模的模型筛选方法，其通过人工智能技术，利用外挂辅助方式配合相应的逻辑装置加快复杂系统体系架构的建模操作，为建模人员省去繁琐的手动信息录入操作，降低手工处理工作量，提升交互效率。

本发明中，利用辅助建模工具建模的模型筛选方法，包括以下步骤：

第一步，用户利用体系建模工具，输入检索条件；

为了实现数据的同一化管理，本发明中，还包括体系建模工具与辅助建模工具之间的数据交换，具体为，将用户输入的检索条件，参考DoDAF Vol III定义的DM2 PES XSD规范进行扩展得到数目化的文件结构，其包括结构数据以及视图模型。

为了适用迭代更新，本发明中，还包括模型管理工具中的数据迭代更新，具体为：将元模型数据库中的若干个数据通过预定义模板，使其转换为有序的、有关联的、按DoDAF规范分类的模型数据，并存储于元模型知识库，成为辅助建模插件的数据源。

为了便于查找，本发明中，还包括知识库的构建，具体为：于模型管理工具中，保存用户标签化分类的特征数据，并保存特征数据关联次数最多的关联模型，自动建立关联关系。本发明中，以以往描述为中介，先按照标签分类，然后根据设定特性，选择对应标签分类，

具体是基于知识推理技术，建立元模型和知识库的智能关联算法，实现元模型数据库和建模管理工具的转换程序。例如用户主要从事汽车整车制造，相关建模数据可能包含汽车各个子系统或部件，数据经过常用的数据标记算法，将数据通过标签形式按照车身、动力、控制、照明等进行标签化分类(标签化分类算法不限于关键词词典分类算法、大数据学习模型分类算法等，以实际用户转化是自身需求为主)。用户在进行建模时如果某一类型车身数据经常匹配特定的动力系统，系统将该类型车身与该型号动力系统自动产生关联，用户下次查询该车身数据时，系统主动提供匹配的动力系统型号参数，产生关联查询、推荐，以此实现数据的关联和互动。同理，该处理方式也适用于其他相互之间有关联关系的数据，系统通过记录分析用户多次使用有联系的数据，自动将其建立关联关系。

第二步，利用辅助建模工具，分析检索条件，于检索引擎中，将分析后的检索条件形成主题，进而在元模型数据库中，检索得到与主题相关的特征数据，根据用户的行为数据以及操作记录，在模型管理工具中得到用户感兴趣的且与特征数据相对应的推荐模型，若干个推荐模型组合形成产品的整体模型；

本实施例中，还包括检索中，根据检索条件对知识库中知识的抽取,具体为：在模型管理工具中抽取特征数据中的知识点作为检索条件，所述知识点根据基本概念和关系，以技术领域为主，进行标签化分类。

进一步地，所述分析检索条件，具体为，辅助建模工具将检索条件，分别进行属性检索、自然语言检索以及关系检索，得到所述主题。

具体地，人工手动搜索一般常用的搜索行为主要包括：以关键字作为属性值的属性检索(如“B级、车身”)；使用提问语句的自然语言搜索(如“马力大于300匹的发动机型号”)；使用带有关联关系的查询(如“查询B级车车身匹配的底盘系统”)。因此建模工具将支持以上三种常用的检索方式。

上述主题具体为：利用自然语言处理主要以提取识别自然语言中与技术领域相关的关键字，通过提取到的关键字，按照设定的关键字与主题的映射关系表，确定数据属于哪个技术领域。

所述主题，包括主题分类、自然语言处理、关系分析以及关联关系分析，所述关系检索包括关系分析和关联关系分析。自然语言处理主要以提取识别自然语言中与行业相关的关键字，通过提取到的关键字(如“该车车身轴距2.9米”，提取到关键字“轴距2.9”)，按照关键字与主题的映射关系表(映射关系表需要自行指定，如“轴距>2.8”映射为“B级车”)确定改数据属于哪个主题。同样如上4中所述，用户使用特定数据时，同样多次使用另一数据，且前后时间维度上紧密关联，则判定前后两种数据存在关联关系。数据标注为关联数据后，通过分析使用频次等的信息，确定关联性强弱。进而在进行查找时进行关联数据推荐，且推荐数据根据关联强弱进行优先级由高到低排序。

第三步，用户于辅助建模工具中发出指令，选择是否展示推荐结果以获得用户建模的整体模型，并选择是否将推荐结果添加于体系建模工具中。

本实施例中，所述选择是否展示推荐结果中还包括元模型数据库内容的显示，具体为：利用可视化资源描述元模型数据库中的知识图谱的知识资源及载体，同时挖掘、分析、构建、回执和显示知识资源及知识资源之间的互相联系。

使用在图书情报界被称为知识域可视化或知识领域映射地图的知识图谱技术。将知识发展进程与结构关系以一系列各种不同的图形可视化展示，并使用可视化技术描述知识资源及其载体，同时能够挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。相关图谱的构建主要在模型管理工具，通过可视化编辑面板进行。

为了实现更智能化，还包括模型管理工具的自主学习，具体为：采用机器学习模型，实现模型管理工具添加的数据按照不同主题自动分类，省略人工手动标注进行数据分类的步骤。

及决策树、KNN、logistic回归等常见的机器学习模型，实现模型管理工具添加的数据按照不同主题自动分类，省略人工手动标注进行数据分类的步骤。如：用户导入历史车型设计的所有子系统数据，模型管理工具利用上述常见学习算法，将数据分别分类到对应子系统，对于无法匹配的数据则自动抛弃，以此来完成数据自动化筛选和整理。

现有建模手段，仅仅以体系建模工具作为建模单一的模型绘制媒介，用户在模型绘制时需要通过一系列的鼠标点击操作，添加绘图操作，并在相关图示节点上进行文字输入，形成带描述的节点数据。此过程繁琐，容易引发人为操作错误。使用辅助建模工具，所有用户输入数据都通过提前整理导入模型管理工具，模型管理工具自动处理分类、筛选。本发明中的辅助建模工具以关键字查询方式提供内置数据展示，用户仅通过拖拽即可快速在建模工具完成模型节点绘制。与前者相比操作简化，输入操作简单，省略大量中间步骤。

参照附图1-9所示，本发明中，还包括利用辅助建模工具建模的模型筛选系统，其主要包括两部分：辅助建模插件和模型管理工具。

辅助建模插件以独立方式运行于建模工具之外，以SYSML语言规范作为物理交换规则，现有的主流体系建模工具都基于DoDAF规范并良好兼容SYSML语法，以SYSML作为交换规则基准可以快速适配市面主流建模工具，以及以上述规范作为标准的国产建模工具。辅助建模插件提供对模型的检索、推荐操作，用户以自然语言提问的方式进行搜索，辅助建模插件通过自然语义分析、分词，通过得到与关键词匹的配模型库中的模型信息，将模型数据按照DoDAF规范进行分类展示，并根据用户历史兴趣度对数据做排序，提供用户可能感兴趣的数据。在检索结果列表分类展示，以用户历史检索频度作为依据，智能化感知用户兴趣度，对检索所得数据做排序，通过精确化处理，提供用户可能感兴趣的数据。在检索结果中用户可查看模型信详细息，同时也可查看以该模型作为本体的关联数据的知识图谱，并对其关联模型和关系进行编辑，以达到手动优化目的。本实施例中，辅助建模工具：提供数据查询操作入口，搜索栏支持以关键词、自然语句方式存储数据进行查询。查询结果以列表方式现实与下方，排列顺序以应用频次倒序排列。

模型管理工具用于对建模时用到的模型数据以及模型与模型之前的关联关系进行管理，同时以人工智能方式对数据通过机器学习对数据条目进行标签化标注以实现自动分分类处理，数据标签化标注可以使用常用的词典库和语义理解分词，对未能进行标注的无效数据进行自动清理。通过设定定时任务或其他自动化触发机制判断模型数据完整度，通过比对当前数据与新识别数据的完整性实现数据的迭代更新，如当前数据条目完整度为百分之六十，新标注数据完整度为百分之七十五，将使用更高完整度数据替换旧数据，查询时返回更新替换后的数据信息。使用上述自动化任务与完整度模型将脏数据、冗余数据筛选，对于长期没有被查询或者引用的数据，进行查询时做自动屏蔽过滤，实现数据的自动化清洗。提供批量导入方式，通过预定义模板，将无序的、无关联的、未分类的存量模型数据转化为有序的、有关联的、按DoDAF规范分类的模型数据，并存储于模型知识库，成为辅助建模插件的数据源。本发明中利用模型管理工具：提供数据导入功能，用户导入行业数据，并根据设置的标签对数据进行标签化分类，标签类型以树形展示与左侧数据列表处。选择列表对应类型，将当前数据作为知识本体进行数据关系编辑，形成知识图谱。

本发明中，还包括数据库和体系建模工具，所述数据库的目的是将所有原始数据及用户处理后的数据均存储于数据库，数据库提供数据查询服务。所述体系建模工具是将辅助建模工具查询列表中的单个条目选中，鼠标拖拽至体系建模工具建模客户区，松开鼠标左键，改数据即可自动添加为当前绘图中的摸个节点。

采用上述技术方案，实现的效果：

采用知识工程方法对体系架构设计知识进行获取、管理和充分利用，形成“知识互联”的设计方法机制。运用先进的知识图谱人工智能技术，将片面的、临时的局部体系架构设计知识互联，构建联合的、动态的联合体系架构设计知识库，引入知识推理技术，提升复杂信息系统体系架构智能化设计能力。通过智能化手段和对存量数据进行复用，对人工操作进行简化，提升建模人员效能。

构建体系架构知识本体，采用自然语义分析和未登录词分词识别技术，在输入批量导入和单条数据新增时通过出发数据语义分析操作，将新识别数据抽取到数据审核列表，再有人工判读数据有效性，人工审批通过后，将数据录入基础数据库，通过以上半自动化方式从现有案例模型中抽取知识点，其中知识点基本概念和关系在领域专家的帮助下进行整理获取。本体形式化即通过可视化的图谱编辑工具，将知识本体与其具有关联关系的只是数据以知识图谱的像是表示出来，并在知识图谱以不同的颜色和连线类型表示本体数据和关联数据。

总体来说，本体构建是一个循环迭代的过程，首先需要构建一个本体的初始框架，并对构建完成的初始本体进行不同维度的指标评价检验，如数据完整度、数据语义关联度、数据采集时间指标等，具体的评价维度以实际各领域对数据的需求场景视情况而定，此处只提供处理的逻辑框架。然后在此框架上通过不断的改进评价维度数量，修正指标权重值并配合数据采集的时效参数，达到dui迭代框架和迭代指标的完善，进而逐渐使数据采集的检验过程和标准趋向详细完备。

(1)建立知识库知识的获取渠道

研究从体系架构框架元数据、多视图模型文件以及设计文档获取知识的方法，采用语义网OWL描述为中介，基于知识推理技术建立模型与知识库的智能关联算法，开发相应数据库和模型转换程序，提出典型体系架构设计知识库的构建方法。

知识获取的过程，首先进行需求分析，明确需要利用信息系统领域体系架构设计知识库解决的问题，从而确定知识库的主题和范畴；根据需求分析，重点以多视图体系架构模型为主，体系多视图架构从能力需求、任务需求、活动需求、资源需求、执行者等多方面多角度多视角去拆解知识的类型，通过收集和建立相关信息系统体系架构设计知识；通过构建体系架构模型到符合OWL语义技术规范的智能推理转换算法，对体系架构模型中语义和关系进行抽取，建立从体系架构模型抽取领域知识的途径。

(2)实现知识库的知识存储

参照附图2所示，在进行知识推理应用之前，必须构建一个存储知识的空间，在一个完善的知识图谱存储框架上进行知识图谱的构建、表示以及应用将会大大提高知识图谱的使用效率。本项目拟采用图形数据库的方式对采集的设计知识进行存储管理，知识存储流程如下图2所示。

本实施例中，知识库中数据本体知识的获取，具体为：通过用户层获取需求，确定用户所属领域，针对用户领域将知识数据条目化，存储于可规则存储的文本或表格中(不限于excel、分隔符文本等)。将条目化的规则数据导入到服务层，服务层将数据解析存储于关系型数据库，并使用图形化的数据管理界面，进行数据间关联关系的可视化编辑，数据间的关联关系被存储于知识图谱数据库。服务层提供数据查询接口，用户在辅助建模工具中以自然语义问答的方式输入文字化的查询语句，辅助建模工具发送查询请求至服务层，服务层检索知识条目存储数据表，返回带有查询语句关键字的条目数据列表，该数据列表在辅助管理工具显示，用户以拖拽方式将条目数据拖拽至建模工具，实现完成的数据使用操作流程。

本实施例中，先通过确定建模工具用户所属领域，按照上述流程进行领域数据采集。再将上述采集的数据按照体系架构分类，抽取为可对应到体系架构分类下的知识条目，对知识表木做图形化关联关系编辑，形成知识图谱并存储，成为最终的知识库。同时知识库提供对外知识查询接口，接收自然语言形式的查询语句，按照该语句提供查询结果，在查询过程中通过语义分词、数据标签匹配等方式作为推荐算法，对查询结果做推荐处理。

基于领域模型的数据交换规则设计

基于领域模型的数据交换规则，主要参考DoDAF Vol III定义的DM2 PES XSD规范进行扩展，其交换文件格式采用XML Schema Definition，文件结构包括attributes(属性参数)、ideasData(交换数据)、ideasVIews(视图数据)、constraints(包含内容)四部分，如图3所示。

其中IdeasData部分存储体系结构数据，只要包括Measuer(度量)和serviceEnablesAccessToResoure(服务可转化资源)两部分。Measuer(度量)包含attributes(属性)、name(名称)、measurePoint(度量点)、measureRange(度量范围)几个方面，具体数据值定义无要求，符合自身领域数据特性即可，结构如图4所示。

IdeasViews部分存储视图模型，主要包括attributes(体系框架属性)，体系任务、能力、执行者、服务、数据、人员、活动等视图类型定义，并指定每个视图类型下的elements，示例数据如图5所示。

总体架构设计

模型管理工具、辅助建模插件、模型数据库三部分。用户建模工具不包含在本发明中，以用户使用的当前主流建模工具为主，本发明均可适配。系统总体架构如图6所示。

模型管理工具负责体系知识模型数据的生命管理和空间管理，日常体系模型的知识数据存储以及模型复杂关系的数据维护，以便知识数据的复用，替代建模时重复劳动、并降低建模人员初学学习成本；

辅助建模工具负责体系模型的快速、便捷查询体系模型以及其相关联模型，支持将模型快速添加到体系工程，实现知识复用；

模型数据库负责体系模型的存储以及模型关系存储，并根据用户所需创建本地数据库、远程数据库、基线数据库来处理不同体系建模业务。

模型管理工具

模型管理工具开发，重点根据体系架构建模方法和流程，开展基于领域元模型的模型管理，利用机器学习技术实现知识模型学习，并支持建模人员在日常使用中，方便、快捷、精确地利用已有知识模型提高建模效率。

辅助建模工具

辅助建模工具开发，重点根据体系架构建模流程，在用户使用的建模工具基础上，结合已有的知识模型，提供更加便捷的模型知识检索服务和模型添加服务，将已有的知识充分高效地利用起来，切实提高建模人员的工作效率。

接口设计

用户在建模过程中可以根据需求进行属性检索、自然语言检索、关系检索，进行数据查询，检索引擎在收到检索请求后，根据检索类型条件进行处理分析，最后在数据库中找到匹配的模型，同时兴趣推荐模块根据用户历史使用记录和所查找的模型类型，推荐相关联的高使用率模型，最后通过列表、图谱和兴趣推荐的形式展示到模型操作界面。用户可以选择所展示模型添加到当前的建模工具中。外部接口如图8所示。

使用流程

数据管理工具与辅助建模插件用于模型存储、管理以及知识复用检索，并通过辅助建模插件实现知识复用，降低建模工具学习成本和低成本重复劳动，延长历史模型数据的生命力，提高工作效率。

系统支持高级管理员、项目负责人、建模工程师、来宾客户等不同角色的用户以及不同用户权限，针对不同用户提供了不同的功能服务。

模型的数据管理工具与辅助建模插件使用流程如下图6所示，分别是：

体系数据建模：通过Rhapsody等主流体系建模工具建立信息系统模型设计；

知识检索：在建模过程中，根据所需模型的相关信息(名称、主题)查询相关模型；

知识图谱分析：在模型查询结束后，根据检索结果生成知识图谱，主要包含检索的节点模型，以及节点下一级关系的相关模型；

建模扩展插件辅助：根据知识图谱检索出的节点数据，选择所需节点模型，拖拽添加到Rhapsody工程中，所添加的模型和知识图谱相关模型被加入到工程中。

数据采集：系统记录用户查询的模型节点关键词，检索系统根据用户搜索习惯和使用数据习惯，自主学习更新检索结果排序和兴趣推荐内容。

本实施例中，具体以汽车整机原型设计为示例进行介绍，整个的筛选过程如下：

参照附图10所示，本实施例中，用户利用辅助建模工具，输入关键词或包含语义数据的自然语句(如B级车匹配的车车身匹配的发动机)作为检索条件；

具体地，还包括体系建模工具与辅助建模工具之间的数据交换，具体为，将用户输入的检索条件，参考DoDAF Vol III定义的DM2 PES XSD规范进行扩展得到数目化的文件结构，其包括结构数据以及视图模型。

具体地，还包括模型管理工具中的数据迭代更新，更新规则包括但不限于数据字段个数的填写完整度(如数据条目包括10个字段，旧数据只填充了8个字段，新数据包括9个字段，则使用完整度更高的9字段数据替换旧的8字段数据)、数据编辑的最后时间(将最新版本替换掉旧版本)等。其他数据迭代更新机制还包括为：将元模型数据库中的若干个数据通过预定义模板，使其转换为有序的、有关联的、按DoDAF规范分类的模型数据，并存储于元模型知识库，成为辅助建模插件的数据源。

在进行检索前，还包括知识库的构建，具体为：于模型管理工具中，以往描述为中介，基于知识推理技术，建立元模型和知识库的智能关联算法，如关联规则、群组分析、主要成分分析等常见数据分析处理算法，实现元模型数据库和建模管理工具的转换程序。

还包括检索中，根据检索条件对知识库中知识的抽取,具体为：在模型管理工具中抽取知识点，所述知识点根据基本概念和关系，以技术领域为主，进行分类。

本发明中主要以汽车整车研制的建模过程作为领域使用示例，本发明不限制所适用行业，如相关建模过程与汽车整车研制类似或相同，皆可使用该发明。

利用辅助建模工具，分析检索条件，于检索引擎中，将分析后的检索条件形成主题，进而在元模型数据库中，检索得到与主题相关的模型数据，根据用户的行为数据以及操作记录，在模型管理工具中得到用户感兴趣的推荐模型；具体示例如：用户高频次使用某发动机型号数据、并同时高频次使用与该发动机匹配的传动系统型号数据。系统将自动记录改数据为用户较高洗好的数据，下次查询发动机时，如果查询结果包含该发动机型号，则将该型号数据排列在查询结果首位。同理其他数据也以类似方式，向用户做推荐。

用户于辅助建模工具中发出指令，选择是否展示推荐结果以获得用户建模的模型，并选择是否将推荐结果添加于体系建模工具中。

本实施例中，如果用户建模习惯为经常设计B级车车身系统，则用户在查询发动机相关数据时，系统自动匹配与该型号B级车车身匹配的发动机(直接推荐)，间接推荐该发动机匹配的传动、空调、电器、油液系统(关联推荐)，并直接过滤非B级车匹配的其他系统数据。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。