一种BOM整理核对方法及系统

技术领域

本发明涉及数据处理领域，尤其涉及一种BOM整理核对方法及系统。

背景技术

随着制造业的发展，产品的物料清单（Bill of Materials，BOM）管理变得愈发复杂。BOM包含了产品组成的各种零部件和原材料信息，对于确保生产过程的准确性、降低成本以及提高生产效率都至关重要。

制造业中的BOM数据可能来自多个部门、系统或供应链的不同环节。整合这些多源数据并确保其准确性是一项具有挑战性的任务。由于部门之间、系统之间的信息孤岛，BOM的管理和核对变得异常困难。传统的BOM管理方法往往面临数据不一致、冗余信息、错误等问题，影响了生产效率和产品质量。

发明内容

本发明提供了一种BOM整理核对方法及系统，用于提高BOM物料清单的整理核对准确率。

本发明第一方面提供了一种BOM整理核对方法，所述BOM整理核对方法包括：

获取待处理的目标BOM物料数据，并对所述目标BOM物料数据进行物料对象识别，得到多个目标物料对象；

对所述多个目标物料对象进行关联规则分析，得到多个初始关联规则，并对所述多个初始关联规则进行置信度计算和规则选取，得到多个目标关联规则；

根据所述多个目标关联规则，构建所述多个目标物料对象对应的第一物料关系图；

对所述第一物料关系图进行关系图特征聚类分析，得到每个目标物料对象的节点关系聚类结果；

基于所述节点关系聚类结果，对所述第一物料关系图进行关系图节点加权处理，得到第二物料关系图；

根据所述第二物料关系图，对所述目标BOM物料数据进行物料数据整理和校对，生成目标BOM核对报告。

结合第一方面，在本发明第一方面的第一种实现方式中，所述获取待处理的目标BOM物料数据，并对所述目标BOM物料数据进行物料对象识别，得到多个目标物料对象，包括：

基于预置的BOM文件管理平台，从多个不同的部门以及系统获取待处理的多个BOM数据文件；

对所述多个BOM数据文件进行数据清洗，得到目标BOM物料数据；

通过预置的自然语言处理模型，对所述目标BOM物料数据进行关键信息提取，得到目标BOM物料信息，其中，所述目标BOM物料信息包括物料编号、物料描述、数量及层次结构信息；

对所述目标BOM物料信息进行对象实体识别，得到多个目标物料对象，并将所述多个目标物料对象存储至预置的物料对象列表，每个目标物料对象作为一个单独的实体，所述物料对象列表包括每个目标物料对象的唯一标识符以及物料对象关联信息。

结合第一方面，在本发明第一方面的第二种实现方式中，所述对所述多个目标物料对象进行关联规则分析，得到多个初始关联规则，并对所述多个初始关联规则进行置信度计算和规则选取，得到多个目标关联规则，包括：

根据所述多个目标物料对象创建对应的交易数据集，所述交易数据集中每个交易代表一个目标物料对象，每个目标物料对象作为一个交易中的物品；

通过预置的Apriori算法，对所述交易数据集进行频繁关联规则分析，得到多个初始关联规则；

通过预置的置信度函数分别计算每个初始关联规则的置信度，其中，所述置信度函数为：置信度=支持度（A∩B）/支持度A，A和B分别表示一个目标物料对象，支持度表示包含A和B的交易数占总交易数的比例；

对所述置信度和预设的置信度阈值进行比较，得到每个初始关联规则的置信度比较结果；

根据所述置信度比较结果，对所述多个初始关联规则进行规则选取，得到多个目标关联规则。

结合第一方面，在本发明第一方面的第三种实现方式中，所述根据所述多个目标关联规则，构建所述多个目标物料对象对应的第一物料关系图，包括：

定义物料关系图结构，其中，物料关系图结构中每个节点代表一个目标物料对象，每个边表示目标物料对象之间的关联关系；

基于所述物料关系图结构，并通过预置的图论算法创建一个空的物料关系图，得到初始物料关系图；

分别将每个目标物料对象的唯一标识符作为节点标签，并根据所述节点标签为每个目标物料对象添加一个节点到所述初始物料关系图中；

根据所述多个目标关联规则，对所述初始物料关系图进行边添加，得到对应的第一物料关系图。

结合第一方面，在本发明第一方面的第四种实现方式中，所述对所述第一物料关系图进行关系图特征聚类分析，得到每个目标物料对象的节点关系聚类结果，包括：

将所述第一物料关系图输入预置的图聚类算法，并通过所述图聚类算法对所述第一物料关系图中的多个节点进行节点特征提取，得到每个节点的目标图特征，其中，所述目标图特征包括节点的度、介数中心性及紧密度；

将每个节点的目标图特征映射到对应的向量空间，得到每个节点的节点特征向量；

分别将所述节点特征向量输入预置的双层门限循环网络以及全连接网络进行特征整合，得到每个目标物料对象的节点关系聚类结果。

结合第一方面，在本发明第一方面的第五种实现方式中，所述基于所述节点关系聚类结果，对所述第一物料关系图进行关系图节点加权处理，得到第二物料关系图，包括：

根据所述节点关系聚类结果，确定所述第一物料关系图中每个节点的目标权重数据；

根据所述目标权重数据对所述第一物料关系图中的多个节点进行加权分析，得到节点权重关系；

根据所述节点权重关系，对所述多个目标关联规则进行关联规则更新，得到多个更新关联规则；

基于所述多个更新关联规则，对所述第一物料关系图进行关系图动态优化，得到第二物料关系图。

结合第一方面，在本发明第一方面的第六种实现方式中，所述根据所述第二物料关系图，对所述目标BOM物料数据进行物料数据整理和校对，生成目标BOM核对报告，包括：

根据所述第二物料关系图，对所述目标BOM物料数据进行冗余数据识别，得到目标冗余数据；

根据所述第二物料关系图，对所述目标BOM物料数据进行异常数据识别，得到目标异常数据；

根据所述目标冗余数据，对所述目标BOM物料数据进行物料数据重新排序、分组和添加新的属性，得到目标整理结果；

根据所述目标异常数据，对所述目标BOM物料数据进行物料数据校对，得到目标校对结果；

根据所述目标整理结果和所述目标校对结果，生成对应的目标BOM核对报告。

本发明第二方面提供了一种BOM整理核对系统，所述BOM整理核对系统包括：

获取模块，用于获取待处理的目标BOM物料数据，并对所述目标BOM物料数据进行物料对象识别，得到多个目标物料对象；

计算模块，用于对所述多个目标物料对象进行关联规则分析，得到多个初始关联规则，并对所述多个初始关联规则进行置信度计算和规则选取，得到多个目标关联规则；

构建模块，用于根据所述多个目标关联规则，构建所述多个目标物料对象对应的第一物料关系图；

分析模块，用于对所述第一物料关系图进行关系图特征聚类分析，得到每个目标物料对象的节点关系聚类结果；

处理模块，用于基于所述节点关系聚类结果，对所述第一物料关系图进行关系图节点加权处理，得到第二物料关系图；

整理校对模块，用于根据所述第二物料关系图，对所述目标BOM物料数据进行物料数据整理和校对，生成目标BOM核对报告。

本发明第三方面提供了一种BOM整理核对设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述BOM整理核对设备执行上述的BOM整理核对方法。

本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的BOM整理核对方法。

本发明提供的技术方案中，对目标BOM物料数据进行物料对象识别，得到多个目标物料对象；对多个目标物料对象进行关联规则分析，得到多个初始关联规则，并对多个初始关联规则进行置信度计算和规则选取，得到多个目标关联规则；根据多个目标关联规则构建第一物料关系图；对第一物料关系图进行关系图特征聚类分析，得到每个目标物料对象的节点关系聚类结果；基于节点关系聚类结果，对第一物料关系图进行关系图节点加权处理，得到第二物料关系图；根据第二物料关系图，对目标BOM物料数据进行物料数据整理和校对，生成目标BOM核对报告，本发明通过预置的BOM文件管理平台和自然语言处理模型，实现对多个不同部门和系统的BOM数据文件的自动获取和处理，提高了整个流程的自动化程度。利用自然语言处理模型，对目标BOM物料数据进行关键信息提取，确保了物料对象的准确性和一致性，避免了手动处理中可能出现的错误。应用Apriori算法对多个目标物料对象进行关联规则分析，可以发现物料对象之间的潜在关系，为后续的关系图构建提供了基础。基于目标关联规则，构建了物料关系图，直观地展现了物料对象之间的关系，利用图聚类算法对第一物料关系图进行特征聚类分析，得到了每个目标物料对象的节点关系聚类结果，更清晰地揭示了物料对象之间的关联模式。基于聚类结果对第一物料关系图进行节点加权处理，使得第二物料关系图更加准确地反映了物料对象之间的关系，提高了关联规则的精度。利用第二物料关系图进行冗余和异常数据的识别，帮助发现潜在的问题，进一步提高了数据的质量。通过对第一物料关系图的动态优化，保持关系图的实时性和准确性，适应数据变化和业务需求的变化。结合整理和校对的结果，生成了目标BOM核对报告，进而提高了BOM物料清单的整理核对准确率。

附图说明

图1为本发明实施例中BOM整理核对方法的一个实施例示意图；

图2为本发明实施例中置信度计算和规则选取的流程图；

图3为本发明实施例中构建第一物料关系图的流程图；

图4为本发明实施例中关系图特征聚类分析的流程图；

图5为本发明实施例中BOM整理核对系统的一个实施例示意图；

图6为本发明实施例中BOM整理核对设备的一个实施例示意图。

具体实施方式

本发明实施例提供了一种BOM整理核对方法及系统，用于提高BOM物料清单的整理核对准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）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，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，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。

为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中BOM整理核对方法的一个实施例包括：

S101、获取待处理的目标BOM物料数据，并对目标BOM物料数据进行物料对象识别，得到多个目标物料对象；

可以理解的是，本发明的执行主体可以为BOM整理核对系统，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。

具体的，服务器利用预置的BOM文件管理平台，从多个不同的部门以及系统获取待处理的多个BOM数据文件。这些文件可能包含了产品的组成部分、零部件、原材料等信息。这些数据文件的来源多种多样，包括设计部门、采购部门、生产系统等。对这些多个BOM数据文件进行数据清洗，以去除可能存在的重复数据、错误数据和不一致数据。数据清洗是确保后续分析的数据质量的重要步骤，它有助于减少数据的噪音。通过预置的自然语言处理模型，对清洗后的目标BOM物料数据进行关键信息提取。这个自然语言处理模型可以自动识别和提取物料编号、物料描述、数量以及层次结构信息等关键数据。这种自动化的提取过程能够大大提高效率，并降低人工处理的错误风险。得到的目标BOM物料信息包括物料编号、物料描述、数量以及层次结构信息。对目标BOM物料信息进行对象实体识别，以将不同物料信息关联到多个目标物料对象。这一步骤有助于将具体的物料数据转化为计算机可理解的实体，便于后续处理。每个目标物料对象被赋予一个唯一的标识符，以确保其唯一性。这些目标物料对象被存储至预置的物料对象列表。这个列表充当了一个中央数据库，包括了每个目标物料对象的唯一标识符以及物料对象关联信息。通过这个列表，可以轻松地查找、更新和管理不同物料对象，确保其一致性和准确性。

S102、对多个目标物料对象进行关联规则分析，得到多个初始关联规则，并对多个初始关联规则进行置信度计算和规则选取，得到多个目标关联规则；

具体的，服务器将多个目标物料对象的数据用于关联规则分析。每个目标物料对象可以被看作一个独立的交易，其中包含了物料对象所需的物品。这将有助于服务器了解不同物料对象之间的关联性，以便更好地管理BOM数据。使用预置的Apriori算法来对交易数据集进行频繁关联规则分析。Apriori算法是一种常用于关联规则挖掘的算法，它可以帮助服务器找到物品之间的频繁关联关系。在这一步骤中，服务器得到多个初始关联规则，这些规则描述了不同物料对象之间的关系。服务器计算每个初始关联规则的置信度。置信度是一个关键的度量，用于确定规则的可靠性。这里使用一个置信度函数，该函数计算置信度为支持度（A∩B）除以支持度A。其中，A和B分别表示一个目标物料对象，支持度表示包含A和B的交易数占总交易数的比例。通过这个函数，服务器评估每个关联规则的置信度。置信度的计算可以帮助服务器了解每个规则的强度，即规则中的物料对象之间的关联程度。高置信度意味着规则更可信，低置信度则表示规则可能不太可靠。服务器将置信度与预设的置信度阈值进行比较。预设的置信度阈值是一个决定性的因素，它用于确定哪些规则应该被选取。通常，只有当规则的置信度大于阈值时，才被认为是足够可信的规则。这有助于筛选出最具价值的规则，减少不必要的规则。根据置信度比较结果，对多个初始关联规则进行规则选取，得到多个目标关联规则。这些目标关联规则描述了不同物料对象之间的关联关系，这些规则具有足够的可信度，可以在BOM管理中提供有用的信息。例如，假设一个电子设备制造公司选择了一种产品，其中包含许多不同的电子组件。通过将每个组件视为一个目标物料对象，服务器构建了交易数据集，其中每个交易代表一个产品的组成部分。服务器运用Apriori算法进行关联规则分析，得到多个初始关联规则，描述了这些组件之间的关系。服务器计算每个初始关联规则的置信度，以确定其可信度。例如，服务器发现规则A（电池→电子板）的置信度非常高，表明电池和电子板之间存在强烈的依赖关系。服务器将置信度与预设的置信度阈值进行比较。如果某个规则的置信度高于阈值，服务器将选择该规则。例如，如果服务器的阈值设定为0.7，那么规则A的高置信度可能使其被选中。最终，服务器得到了一组目标关联规则，这些规则可以帮助服务器更好地管理电子设备的BOM，确保正确的组装和材料采购。这有助于提高生产效率和产品质量，减少错误和浪费。

S103、根据多个目标关联规则，构建多个目标物料对象对应的第一物料关系图；

需要说明的是，为了构建物料关系图，服务器定义物料关系图的结构。在这个结构中，每个节点代表一个目标物料对象，而每个边表示目标物料对象之间的关联关系。这种结构将帮助服务器可视化和理解不同物料对象之间的关系。基于这一物料关系图结构，服务器开始创建一个空的物料关系图。这个空的关系图是一个初始状态，它包含了结构，但尚未包含具体的物料对象或关联关系。服务器分别将每个目标物料对象的唯一标识符作为节点标签，并根据这些节点标签为每个目标物料对象添加一个节点到初始物料关系图中。这一步骤将物料对象映射到物料关系图中的节点，以确保每个对象在图中有一个对应的表示。服务器根据多个目标关联规则，对初始物料关系图进行边的添加。这一步骤涉及将关联规则中的物料对象之间的关系反映到物料关系图中的边上。如果两个物料对象在关联规则中有关联，服务器就在物料关系图中添加一条边来表示它们之间的连接。例如，假设根据物料关系图结构，服务器确定了关系图的结构，其中每个节点代表一个电子组件。服务器创建了一个空的物料关系图，该图包含了节点，但尚未包含具体的物料对象或关联关系。服务器将每个电子组件的唯一标识符作为节点标签，为每个电子组件添加了节点到初始物料关系图中。这样，每个组件都在图中有一个对应的节点表示。服务器使用多个目标关联规则来完善物料关系图。例如，一条关联规则可能是"电池关联到电子板"，于是服务器在物料关系图中添加了一条边来表示这两个组件之间的关联。另一条规则可能是"屏幕关联到电子板"，服务器也在关系图中添加了相应的边。通过这个过程，服务器构建了一个物料关系图，用于可视化和理解电子产品的组成结构。这个图表可以帮助服务器更好地管理BOM数据，确保正确的组装和材料采购。此外，当需要更新或修改BOM时，服务器通过修改物料关系图来反映这些变化，使管理更加高效。

S104、对第一物料关系图进行关系图特征聚类分析，得到每个目标物料对象的节点关系聚类结果；

具体的，将第一物料关系图输入预置的图聚类算法。这个算法将用于对关系图中的多个节点进行特征提取，以获得每个节点的目标图特征。目标图特征包括节点的度、介数中心性（betweenness centrality）以及紧密度（closeness centrality）。这些特征将有助于服务器理解节点在关系图中的重要性和相对位置。每个节点的目标图特征被映射到对应的向量空间，以形成每个节点的节点特征向量。这一步骤将图特征转化为数值向量，方便后续的计算和分析。每个节点特征向量可以看作是该节点在向量空间中的坐标，其中每个特征对应一个维度。服务器分别将节点特征向量输入预置的双层门限循环网络（dual-layergated recurrent network）以及全连接网络进行特征整合。这些网络将用于进一步处理节点特征，以获得每个目标物料对象的节点关系聚类结果。例如，假设服务器构建了第一物料关系图，其中每个节点代表一个材料或零部件，如金属板、电子元件、电机等。这个关系图反映了这些零部件之间的关联关系，例如，电子元件与电路板之间的关联。服务器将这个关系图输入了图聚类算法。这个算法分析了每个节点的特征，包括度、介数中心性和紧密度等。这些特征有助于理解不同零部件在生产过程中的相对重要性和关联性。对于每个节点，算法提取了这些特征并将它们映射到向量空间，生成了节点特征向量。每个向量代表了一个零部件在向量空间中的位置。服务器使用双层门限循环网络和全连接网络来进行特征整合。这些神经网络分析了节点特征向量，以确定相似性和关联性，并将节点组织成聚类。例如，它们可能会发现金属板、螺栓和螺母这几个零部件在一个聚类中，因为它们在关系图中具有相似的特征，可能都与机械部件的制造有关。

S105、基于节点关系聚类结果，对第一物料关系图进行关系图节点加权处理，得到第二物料关系图；

具体的，基于节点关系聚类结果，确定第一物料关系图中每个节点的目标权重数据。这些权重数据可以是关于节点的重要性、价值或其他相关信息。权重数据的确定可以基于各种因素，如节点在产品中的作用、可靠性等。使用目标权重数据对第一物料关系图中的多个节点进行加权分析。这个分析过程将考虑节点的权重，以便更准确地反映节点在关系图中的重要性。节点的加权分析可以采用各种方法，如加权度中心性，其中节点的度（连接数）乘以节点的权重，以计算节点的综合重要性。根据节点权重关系，对多个目标关联规则进行关联规则更新。对现有的关联规则进行调整，以反映节点的加权信息。例如，如果一个关联规则涉及两个节点A和B，其中A的权重高于B，那么这个规则的可信度可能会相应增加。基于多个更新关联规则，对第一物料关系图进行关系图动态优化，以得到第二物料关系图。这个动态优化过程将采用新的关联规则信息，重新组织关系图中的节点和边，以反映节点的加权重要性。

S106、根据第二物料关系图，对目标BOM物料数据进行物料数据整理和校对，生成目标BOM核对报告。

具体的，根据第二物料关系图，对目标BOM物料数据进行冗余数据识别。查找和识别具有相同或相似特征的物料数据，以确定哪些数据是重复的。例如，可能存在多个相同型号的螺栓或螺母。根据第二物料关系图，对目标BOM物料数据进行异常数据识别。这包括检测不合格、错误或不一致的数据。异常数据可能包括规格不匹配、数量错误或不完整的数据。基于冗余数据和异常数据的识别结果，对目标BOM物料数据进行整理和校对。对于冗余数据，可能需要将它们合并或删除，以消除重复。对于异常数据，需要进行修正或删除。在这个过程中，可以重新排序物料数据，将相关的物料组合在一起，或者添加新的属性来更好地描述物料。基于整理结果和校对结果，生成目标BOM核对报告。这份报告将包括整理后的物料清单，标识了冗余数据的处理方式、异常数据的修正方式，以及可能的新增属性。这有助于提供一个清晰的、经过校对的BOM，以支持后续的制造流程。例如，考虑一家机械制造公司，服务器使用BOM整理核对方法来管理各种机械设备的制造。服务器的BOM包括数百个零部件，如螺栓、齿轮、轴承、电机等。服务器根据第二物料关系图，对BOM数据进行冗余数据识别。服务器发现有多个相同型号的螺栓出现在不同的位置，这被视为冗余数据。服务器对BOM数据进行异常数据识别。服务器发现一个齿轮的规格与其应用不匹配，这被视为异常数据。基于这些识别结果，服务器开始整理BOM数据。服务器合并了相同型号的螺栓，以减少冗余。对于不匹配规格的齿轮，服务器进行了修正，以确保规格与应用相符。服务器还为每个零部件添加了制造商信息作为新的属性。服务器生成了BOM核对报告，其中包括整理后的物料清单，指出了冗余数据的处理方式和异常数据的修正方式，以及新增的属性信息。这份报告为服务器的制造团队提供了清晰、校对后的BOM，有助于确保生产过程的准确性和效率。

本发明实施例中，通过预置的BOM文件管理平台和自然语言处理模型，实现对多个不同部门和系统的BOM数据文件的自动获取和处理，提高了整个流程的自动化程度。利用自然语言处理模型，对目标BOM物料数据进行关键信息提取，确保了物料对象的准确性和一致性，避免了手动处理中可能出现的错误。应用Apriori算法对多个目标物料对象进行关联规则分析，可以发现物料对象之间的潜在关系，为后续的关系图构建提供了基础。基于目标关联规则，构建了物料关系图，直观地展现了物料对象之间的关系，利用图聚类算法对第一物料关系图进行特征聚类分析，得到了每个目标物料对象的节点关系聚类结果，更清晰地揭示了物料对象之间的关联模式。基于聚类结果对第一物料关系图进行节点加权处理，使得第二物料关系图更加准确地反映了物料对象之间的关系，提高了关联规则的精度。利用第二物料关系图进行冗余和异常数据的识别，帮助发现潜在的问题，进一步提高了数据的质量。通过对第一物料关系图的动态优化，保持关系图的实时性和准确性，适应数据变化和业务需求的变化。结合整理和校对的结果，生成了目标BOM核对报告，进而提高了BOM物料清单的整理核对准确率。

在一具体实施例中，执行步骤S101的过程可以具体包括如下步骤：

（1）基于预置的BOM文件管理平台，从多个不同的部门以及系统获取待处理的多个BOM数据文件；

（2）对多个BOM数据文件进行数据清洗，得到目标BOM物料数据；

（3）通过预置的自然语言处理模型，对目标BOM物料数据进行关键信息提取，得到目标BOM物料信息，其中，目标BOM物料信息包括物料编号、物料描述、数量及层次结构信息；

（4）对目标BOM物料信息进行对象实体识别，得到多个目标物料对象，并将多个目标物料对象存储至预置的物料对象列表，每个目标物料对象作为一个单独的实体，物料对象列表包括每个目标物料对象的唯一标识符以及物料对象关联信息。

具体的，服务器建立一个预置的BOM文件管理平台，该平台可以连接多个部门和系统，以便获取待处理的多个BOM数据文件。这些数据文件可能来自工程部门、采购部门、生产部门以及供应链系统等。对获取的多个BOM数据文件进行数据清洗。这个步骤旨在去除数据中的噪声、不一致性和冗余信息，确保数据的质量。数据清洗可以包括格式标准化、缺失数据填充和错误数据修复。通过预置的自然语言处理模型，对清洗后的BOM数据进行关键信息提取。这个模型可以识别文本中的关键信息，如物料编号、物料描述、数量和层次结构信息。自然语言处理技术可以自动识别这些信息，无需手动处理。接着，对提取的目标BOM物料信息进行对象实体识别。这一步骤旨在将文本信息转化为结构化的物料对象。实体识别模型可以识别物料对象的各个属性，如名称、型号、数量等，并将它们组合成一个完整的物料对象。将多个目标物料对象存储至预置的物料对象列表。每个目标物料对象被视为一个单独的实体，并在列表中分配一个唯一的标识符。此列表还包括物料对象之间的关联信息，以便在后续步骤中更好地理解它们之间的联系。例如，假设服务器从工程部门获得了一份BOM文件，其中包括零部件名称、数量和层次结构信息。服务器还从采购部门获取了另一份BOM文件，其中包括物料编号和描述。服务器将这两个文件上传到BOM文件管理平台，该平台支持多种数据格式。平台执行数据清洗，确保两个文件的格式一致，并填充缺失的数据。清洗后，数据准备就绪。服务器使用预置的自然语言处理模型，对BOM数据进行处理。模型成功提取了物料编号、物料描述、数量和层次结构信息，转化为结构化的BOM数据。服务器运行实体识别模型，以将提取的信息转化为物料对象。例如，一个零部件的物料编号和描述被识别为该物料对象的属性。这些物料对象被存储在物料对象列表中，并分配唯一标识符。最终，服务器在物料对象列表中查看各个物料对象之间的关联信息，从而更好地理解BOM数据的结构和组成。

在一具体实施例中，如图2所示，执行步骤S102的过程可以具体包括如下步骤：

S201、根据多个目标物料对象创建对应的交易数据集，交易数据集中每个交易代表一个目标物料对象，每个目标物料对象作为一个交易中的物品；

S202、通过预置的Apriori算法，对交易数据集进行频繁关联规则分析，得到多个初始关联规则；

S203、通过预置的置信度函数分别计算每个初始关联规则的置信度，其中，置信度函数为：置信度=支持度（A∩B）/支持度A，A和B分别表示一个目标物料对象，支持度表示包含A和B的交易数占总交易数的比例；

S204、对置信度和预设的置信度阈值进行比较，得到每个初始关联规则的置信度比较结果；

S205、根据置信度比较结果，对多个初始关联规则进行规则选取，得到多个目标关联规则。

具体的，服务器根据多个目标物料对象，创建对应的交易数据集。在这里，每个交易代表一个目标物料对象，而每个目标物料对象则作为交易中的物品。交易数据集是一个包含多个交易的数据集，每个交易包含目标物料对象。使用预置的Apriori算法对交易数据集进行频繁关联规则分析。Apriori算法是一种常用于挖掘关联规则的方法，可以帮助发现物品之间的关联关系。通过这一步骤，可以找到多个初始关联规则。通过预置的置信度函数分别计算每个初始关联规则的置信度。置信度函数的计算基于支持度，其中A和B分别表示一个目标物料对象。支持度表示包含A和B的交易数占总交易数的比例。这一步骤用于确定每个关联规则的可信程度。对于每个初始关联规则，进行置信度计算后，将得到每个规则的置信度值。这些值将在下一步骤中用于与预设的置信度阈值进行比较。接着，对置信度和预设的置信度阈值进行比较，以得到每个初始关联规则的置信度比较结果。这一步骤将决定哪些规则具有足够高的置信度，以被选取为目标关联规则。根据置信度比较结果，选择多个目标关联规则。选取的规则将反映物料对象之间的显著关联，这对于后续的分析和决策非常重要。

在一具体实施例中，如图3所示，执行步骤S103的过程可以具体包括如下步骤：

S301、定义物料关系图结构，其中，物料关系图结构中每个节点代表一个目标物料对象，每个边表示目标物料对象之间的关联关系；

S302、基于物料关系图结构，并通过预置的图论算法创建一个空的物料关系图，得到初始物料关系图；

S303、分别将每个目标物料对象的唯一标识符作为节点标签，并根据节点标签为每个目标物料对象添加一个节点到初始物料关系图中；

S304、根据多个目标关联规则，对初始物料关系图进行边添加，得到对应的第一物料关系图。

具体的，服务器定义物料关系图结构。在该图结构中，每个节点代表一个目标物料对象，而每个边表示物料对象之间的关联关系。这个结构将帮助服务器清晰地表示不同物料对象之间的联系。基于物料关系图结构，并利用预置的图论算法，创建一个空的初始物料关系图。这个初始图是一个空白的画布，准备用来容纳目标物料对象和它们之间的关系。将每个目标物料对象的唯一标识符作为节点标签。这些标识符可以是独一无二的标识符，例如物料编号或名称。根据这些节点标签，为每个目标物料对象添加一个节点到初始物料关系图中。这个步骤有助于将目标物料对象引入图中。根据多个目标关联规则，对初始物料关系图进行边添加。为图中的节点之间建立关联关系的边。这些关联规则可以是基于业务逻辑或数据分析结果的，它们将帮助连接不同的目标物料对象，形成一个完整的物料关系图。例如，假设服务器定义了图结构，其中每个节点代表一个零部件，每个边表示零部件之间的关系，如装配、依赖和替代关系。服务器使用预置的图论算法创建一个空的初始物料关系图。这个图是一个空白画布，准备用来容纳所有的零部件。接着，服务器将每个零部件的唯一标识符（通常是零部件编号）作为节点标签，然后为每个零部件添加一个节点到初始物料关系图中。服务器根据多个目标关联规则，例如装配规则和替代规则，为图中的节点之间添加边。这些规则指定了哪些零部件应该装配在一起，哪些可以互相替代，从而构建了一个完整的物料关系图。

在一具体实施例中，如图4所示，执行步骤S104的过程可以具体包括如下步骤：

S401、将第一物料关系图输入预置的图聚类算法，并通过图聚类算法对第一物料关系图中的多个节点进行节点特征提取，得到每个节点的目标图特征，其中，目标图特征包括节点的度、介数中心性及紧密度；

S402、将每个节点的目标图特征映射到对应的向量空间，得到每个节点的节点特征向量；

S403、分别将节点特征向量输入预置的双层门限循环网络以及全连接网络进行特征整合，得到每个目标物料对象的节点关系聚类结果。

具体的，服务器将第一物料关系图输入预置的图聚类算法。图聚类算法是一种用于将图中的节点划分为不同的群组的技术。通过这一步骤，服务器将相似的目标物料对象分为同一类别，从而更好地理解它们之间的关系。通过图聚类算法对第一物料关系图中的多个节点进行节点特征提取。算法将从图中提取每个节点的特征，这些特征通常包括节点的度、介数中心性以及紧密度。这些特征有助于描述节点在图中的位置和连接程度。将每个节点的目标图特征映射到对应的向量空间。这一步骤将节点特征转化为数值形式，以便进一步的处理和分析。通常，这可以通过数学转换和映射来完成。得到每个节点的节点特征向量后，分别将这些向量输入预置的双层门限循环网络以及全连接网络进行特征整合。这些神经网络用于进一步处理节点特征，以产生更高级的表示，有助于节点之间的关系聚类。根据特征整合的结果，得到每个目标物料对象的节点关系聚类结果。物料对象将根据它们的特征和关系被分组或聚类到不同的类别中。例如，假设服务器首先创建一个设备关系图，其中每个节点代表一个设备，边表示设备之间的连接和依赖关系。接着，服务器运行图聚类算法，以将相似的设备聚类到一起。例如，所有与某个生产阶段相关的设备被划分为同一类别。服务器提取每个设备节点的特征，如度、介数中心性和紧密度。这些特征有助于描述设备在生产线上的位置和与其他设备的连接程度。将这些特征映射到向量空间后，服务器使用预置的双层门限循环网络和全连接网络，对特征进行整合。这些神经网络帮助服务器生成更高级的表示，用于设备之间的关系聚类。

在一具体实施例中，执行步骤S105的过程可以具体包括如下步骤：

（1）根据节点关系聚类结果，确定第一物料关系图中每个节点的目标权重数据；

（2）根据目标权重数据对第一物料关系图中的多个节点进行加权分析，得到节点权重关系；

（3）根据节点权重关系，对多个目标关联规则进行关联规则更新，得到多个更新关联规则；

（4）基于多个更新关联规则，对第一物料关系图进行关系图动态优化，得到第二物料关系图。

具体的，根据节点关系聚类结果，确定第一物料关系图中每个节点的目标权重数据。对于每个节点，需要确定一个权重值，反映了它在关系图中的重要性或影响力。这些权重数据可以基于节点的特征、聚类结果或其他因素来确定。根据目标权重数据对第一物料关系图中的多个节点进行加权分析。这一步骤涉及将权重数据应用到关系图中的节点，以更好地理解它们在关系图中的作用和影响。节点的权重将影响它们在关系图中的位置和连接程度。根据节点权重关系，对多个目标关联规则进行关联规则更新。关联规则的选择和权重可能会根据节点的权重数据进行调整。规则的更新可以涉及增加、减少或修改关联规则，以更好地反映节点之间的关系。基于多个更新关联规则，对第一物料关系图进行关系图动态优化。这一步骤旨在重新组织关系图，以反映更新后的规则和权重。关系图的动态优化可以帮助更好地表示节点之间的关系，提高图的可读性和分析效果。例如，假设服务器创建一个供应链关系图，其中每个节点代表一个供应商、分销商或生产环节。接着，服务器根据供应商的交货准时性、质量和成本等因素，确定每个节点的目标权重数据。这些权重数据反映了供应商的重要性和影响力，有助于更好地管理供应链。服务器根据权重对供应链关系图中的节点进行加权分析。高权重的供应商将在关系图中占据重要位置，而低权重的供应商可能处于边缘位置。根据节点权重关系，服务器更新供应链管理规则，例如采购、订单量和交货时间。这些规则的更新基于供应商的权重，以更好地反映服务器在供应链中的地位。服务器对供应链关系图进行动态优化，以重新组织节点和边，使其更好地反映更新后的规则和权重。这有助于改进供应链的效率和稳定性，提高产品的生产和交付效率。

在一具体实施例中，执行步骤S106的过程可以具体包括如下步骤：

（1）根据第二物料关系图，对目标BOM物料数据进行冗余数据识别，得到目标冗余数据；

（2）根据第二物料关系图，对目标BOM物料数据进行异常数据识别，得到目标异常数据；

（3）根据目标冗余数据，对目标BOM物料数据进行物料数据重新排序、分组和添加新的属性，得到目标整理结果；

（4）根据目标异常数据，对目标BOM物料数据进行物料数据校对，得到目标校对结果；

（5）根据目标整理结果和目标校对结果，生成对应的目标BOM核对报告。

具体的，根据第二物料关系图，对目标BOM物料数据进行冗余数据识别。冗余数据是指在BOM中重复出现的物料信息，它可能导致数据不一致和浪费。通过关系图的信息，可以识别出重复的物料对象和相关信息，从而得到目标冗余数据。根据第二物料关系图，对目标BOM物料数据进行异常数据识别。异常数据可以是不合理的数量、规格或其他属性，也可能是在BOM中出现的不应存在的物料。通过关系图的信息，可以识别这些异常数据，从而得到目标异常数据。根据目标冗余数据，对目标BOM物料数据进行物料数据重新排序、分组和添加新的属性。这一步骤旨在去除重复的物料信息，重新组织数据以提高数据质量，并添加新的属性信息以更好地描述物料对象。同时，根据目标异常数据，对目标BOM物料数据进行物料数据校对。这包括修复数量错误、删除不合理的物料和调整属性信息等。数据校对的目的是确保BOM数据的准确性和一致性。根据目标整理结果和目标校对结果，生成对应的目标BOM核对报告。该报告将包括冗余数据的清理情况、异常数据的修复情况、数据整理和校对的结果以及其他相关信息。例如，假设由于不同部门和系统的数据输入，服务器发现BOM中存在大量的冗余数据和异常数据。通过关系图的分析，服务器识别了这些问题，并对BOM数据进行了清理和校对。服务器去除了重复的零部件信息，修复了数量错误，删除了不合理的物料，并为每个物料对象添加了更多属性信息。最终，服务器生成了BOM核对报告，该报告详细说明了数据清理和校对的过程，以及最终的数据整理结果。这有助于提高产品设计的准确性、生产效率和成本控制。

上面对本发明实施例中BOM整理核对方法进行了描述，下面对本发明实施例中BOM整理核对系统进行描述，请参阅图5，本发明实施例中BOM整理核对系统一个实施例包括：

获取模块501，用于获取待处理的目标BOM物料数据，并对所述目标BOM物料数据进行物料对象识别，得到多个目标物料对象；

计算模块502，用于对所述多个目标物料对象进行关联规则分析，得到多个初始关联规则，并对所述多个初始关联规则进行置信度计算和规则选取，得到多个目标关联规则；

构建模块503，用于根据所述多个目标关联规则，构建所述多个目标物料对象对应的第一物料关系图；

分析模块504，用于对所述第一物料关系图进行关系图特征聚类分析，得到每个目标物料对象的节点关系聚类结果；

处理模块505，用于基于所述节点关系聚类结果，对所述第一物料关系图进行关系图节点加权处理，得到第二物料关系图；

整理校对模块506，用于根据所述第二物料关系图，对所述目标BOM物料数据进行物料数据整理和校对，生成目标BOM核对报告。

通过上述各个组成部分的协同合作，通过预置的BOM文件管理平台和自然语言处理模型，实现对多个不同部门和系统的BOM数据文件的自动获取和处理，提高了整个流程的自动化程度。利用自然语言处理模型，对目标BOM物料数据进行关键信息提取，确保了物料对象的准确性和一致性，避免了手动处理中可能出现的错误。应用Apriori算法对多个目标物料对象进行关联规则分析，可以发现物料对象之间的潜在关系，为后续的关系图构建提供了基础。基于目标关联规则，构建了物料关系图，直观地展现了物料对象之间的关系，利用图聚类算法对第一物料关系图进行特征聚类分析，得到了每个目标物料对象的节点关系聚类结果，更清晰地揭示了物料对象之间的关联模式。基于聚类结果对第一物料关系图进行节点加权处理，使得第二物料关系图更加准确地反映了物料对象之间的关系，提高了关联规则的精度。利用第二物料关系图进行冗余和异常数据的识别，帮助发现潜在的问题，进一步提高了数据的质量。通过对第一物料关系图的动态优化，保持关系图的实时性和准确性，适应数据变化和业务需求的变化。结合整理和校对的结果，生成了目标BOM核对报告，进而提高了BOM物料清单的整理核对准确率。

上面图5从模块化功能实体的角度对本发明实施例中的BOM整理核对系统进行详细描述，下面从硬件处理的角度对本发明实施例中BOM整理核对设备进行详细描述。

图6是本发明实施例提供的一种BOM整理核对设备的结构示意图，该BOM整理核对设备600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，CPU）610（例如，一个或一个以上处理器）和存储器620，一个或一个以上存储应用程序633或数据632的存储介质630（例如一个或一个以上海量存储设备）。其中，存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对BOM整理核对设备600中的一系列指令操作。更进一步地，处理器610可以设置为与存储介质630通信，在BOM整理核对设备600上执行存储介质630中的一系列指令操作。

BOM整理核对设备600还可以包括一个或一个以上电源640，一个或一个以上有线或无线网络接口650，一个或一个以上输入输出接口660，和/或，一个或一个以上操作系统631，例如Windows Server，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图6示出的BOM整理核对设备结构并不构成对BOM整理核对设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

本发明还提供一种BOM整理核对设备，所述BOM整理核对设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述BOM整理核对方法的步骤。

本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述BOM整理核对方法的步骤。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。