面向产品云设计过程的数据建模与检索重排序方法

doi:10.11996/JG.j.2095-302X.2025040899

图学学报 ›› 2025, Vol. 46 ›› Issue (4): 899-908.DOI: 10.11996/JG.j.2095-302X.2025040899

面向产品云设计过程的数据建模与检索重排序方法

苏兆婧¹^,²(), 郭开元¹, 杨梅¹(), 丛宏宇¹, 余隋怀², 黄悦欣²

1.山东科技大学艺术学院工业设计系，山东青岛 266590
2.西北工业大学工业设计与人机工效工信部重点实验室，陕西西安 710072

收稿日期:2024-10-12 修回日期:2025-03-12 出版日期:2025-08-30 发布日期:2025-08-11
通讯作者:杨梅(1973-)，女，教授，硕士。主要研究方向为工业设计理论及方法等。E-mail：skdyangmei@163.com
第一作者:苏兆婧(1992-)，女，讲师，博士。主要研究方向为计算机辅助工业设计、智能设计方法。E-mail：suzjid@gmail.com
基金资助:
教育部人文社会科学研究青年项目(24YJCZH260);山东省自然科学基金(ZR2024QG216);山东省社科规划专项重点项目(23BLYJ04)

Data modeling and retrieval re-ranking methods for cloud-based product design processes

SU Zhaojing¹^,²(), GUO Kaiyuan¹, YANG Mei¹(), CONG Hongyu¹, YU Suihuai², HUANG Yuexin²

1. Department of Industrial Design, School of Art, Shandong University of Science and Technology, Qingdao Shandong 266590, China
2. Key Laboratory of Industrial Design and Ergonomics, Ministry of Industry and Information Technology, Northwest Polytechnic University, Xi’an Shaanxi 710072, China

Received:2024-10-12 Revised:2025-03-12 Published:2025-08-30 Online:2025-08-11
First author：SU Zhaojing (1992-), lecturer, Ph.D. Her main research interests cover computer-aided industrial design, intelligent design methods. E-mail：suzjid@gmail.com
Supported by:
Humanities and Social Sciences Research Project of the Ministry of Education(24YJCZH260);Shandong Provincial Natural Science Foundation(ZR2024QG216);Key Project of Social Science Planning in Shandong Province(23BLYJ04)

摘要/Abstract

摘要：

为应对产品设计过程非结构化数据处理的挑战，解决通用检索系统排序策略固定、推送特定行业数据缺乏精细度的局限，提出了一种面向产品云设计过程的非结构化数据建模与检索方法。首先，面向产品云设计创新和决策过程的实际需求，构建非结构化数据处理框架。随后，提出了将科技文档版面分析问题视作目标检测问题的新思路，在领域科技文档数据库的基础上，构建了产品设计领域多要素版面分析与识别模型。通过构建数据特征空间和标签特征，结合LambdaMART算法，实现了领域科技文档数据的动态排序与高效检索。最后，通过案例验证了该方法在产品技术革新中的应用潜力，为数智驱动的设计迭代与精准决策提供了创新支持。

关键词: 产品云设计, 非结构化数据, 数据聚合, 版面分析, LambdaMART

Abstract:

An unstructured data modeling and retrieval method tailored for cloud-based product design was proposed to address the challenges of unstructured data processing in product design, and to overcome the limitations of conventional retrieval systems with fixed ranking strategies and lack of precision for specific industry data First, a framework for unstructured data processing was developed to meet the practical needs of innovation and decision-making for cloud-based product design. Next, a novel approach redefined layout analysis of scientific documents as an object detection problem, building a multi-element layout analysis and recognition model within the context of domain-specific scientific document databases. By constructing a data feature space and label features, combined with the LambdaMART algorithm, dynamic ranking and efficient retrieval of domain-specific scientific document data were achieved. Finally, case studies validated the proposed method’s potential for application in product innovation, providing novel support for data-driven design iteration and precise decision-making.

Key words: cloud-based product design, unstructured data, data aggregation, layout analysis, LambdaMART

中图分类号:

TB472

苏兆婧, 郭开元, 杨梅, 丛宏宇, 余隋怀, 黄悦欣. 面向产品云设计过程的数据建模与检索重排序方法[J]. 图学学报, 2025, 46(4): 899-908.

SU Zhaojing, GUO Kaiyuan, YANG Mei, CONG Hongyu, YU Suihuai, HUANG Yuexin. Data modeling and retrieval re-ranking methods for cloud-based product design processes[J]. Journal of Graphics, 2025, 46(4): 899-908.

图/表 15

参考文献 41

[1]	余隋怀, 王鹏超, 王磊, 等. 基于知识工程的产品设计研究综述[J]. 机械工程学报, 2024, 60(13): 216-234.
	YU S H, WANG P C, WANG L, et al. Research review of product design based on knowledge engineering[J]. Journal of Mechanical Engineering, 2024, 60(13): 216-234 (in Chinese).
[2]	LI L. 数据智能市场趋势分析[R]. 互联网数据中心, 2024.
	LI L. Data intelligence market trend analysis[R]. Internet Data Center, 2024 (in Chinese).
[3]	屈鹏飞. 复杂产品生命周期设计知识大数据集成和应用研究[D]. 杭州: 浙江大学, 2016.
	QU P F. Knowledge big data integration and application research of life cycle design for complex product[D]. Hangzhou: Zhejiang University, 2016 (in Chinese).
[4]	HOU X G, GOU B C, CHEN D K, et al. A semantic data-driven knowledge base construction method to assist designers in design inspiration based on traditional motifs[J]. Advanced Engineering Informatics, 2023, 56: 101987.
[5]	MATA M P, AHMED-KRISTENSEN S, SHEA K. Implementation of design rules for perception into a tool for three-dimensional shape generation using a shape grammar and a parametric model[J]. Journal of Mechanical Design, 2019, 141(1): 11101.
[6]	ABDALLAH R, MOHAMED HUSSEIN F. Impact of semiotics and morphological semantics on self-evident product (café chair as a sample)[J]. Journal of Design Sciences and Applied Arts, 2022, 3(2): 336-344.
[7]	张书涛, 王世杰, 刘世锋, 等. 产品形态多意象蛛网灰靶决策模型[J]. 图学学报, 2022, 43(3): 548-557.
	ZHANG S T, WANG S J, LIU S F, et al. Cobweb grey target decision-making model of multi-Kansei image in product form[J]. Journal of Graphics, 2022, 43(3): 548-557 (in Chinese).
[8]	罗仕鉴, 边泽, 张宇飞, 等. 基于形态匹配的产品仿生设计融合[J]. 计算机集成制造系统, 2020, 26(10): 2633-2641. DOI
	LUO S J, BIAN Z, ZHANG Y F, et al. Product bionic fusion design based on shape matching[J]. Computer Integrated Manufacturing Systems, 2020, 26(10): 2633-2641 (in Chinese).
[9]	AVIKAL S, SINGH R, RASHMI R. QFD and Fuzzy Kano model based approach for classification of aesthetic attributes of SUV car profile[J]. Journal of Intelligent Manufacturing, 2020, 31(2): 271-284.
[10]	LI F Z, KANT S, ARAKI S, et al. Neural networks for fashion image classification and visual search[EB/OL]. [2024-06-12]. https://arxiv.org/abs/2005.08170.
[11]	KANG X H, NAGASAWA S Y, WU Y X, et al. Emotional design of bamboo chair based on deep convolution neural network and deep convolution generative adversarial network[J]. Journal of Intelligent and Fuzzy Systems, 2023, 44(2): 1977-1989.
[12]	HUANG J Y, ZHANG X F. Application of fashion element trend prediction model integrating AM and EfficientNet-b7 models in art design[J]. Scalable Computing: Practice and Experience, 2024, 25(4): 2756-2769.
[13]	苏兆婧, 余隋怀, 初建杰, 等. 面向云服务平台的产品感性评价及标注模型[J]. 计算机集成制造系统, 2021, 27(3): 868-877. DOI
	SU Z J, YU S H, CHU J J, et al. Evaluation and annotation model of product Kansei attributes on cloud service platform[J]. Computer Integrated Manufacturing Systems, 2021, 27(3): 868-877 (in Chinese).
[14]	CONG Y F, YU S H, CHU J J, et al. A small sample data-driven method: user needs elicitation from online reviews in new product iteration[J]. Advanced Engineering Informatics, 2023, 56: 101953.
[15]	REN P J, LIU X D, ZHANG W G. Consumer preference analysis: diverse preference learning with online ratings[J]. Omega, 2024, 125: 103019.
[16]	WANG J W, HU K, ZHONG Z Y, et al. Detect-order-construct: a tree construction based approach for hierarchical document structure analysis[J]. Pattern Recognition, 2024, 156: 110836.
[17]	郭鑫, 黄泽川, 王杰, 等. 人机混合交互的产品设计知识图谱构建及智能推理方法[J]. 机械工程学报, 2025, 61(3): 142-153.
	GUO X, HUANG Z C, WANG J, et al. Knowledge graph construction and intelligent reasoning methods for human-computer hybrid interaction in product design[J]. Journal of Mechanical Engineering, 2025, 61(3): 142-153 (in Chinese).
[18]	吕伶, 李华, 王武. 基于增强特征提取网络与语义特征融合的多方向文本检测[J]. 图学学报, 2024, 45(1): 56-64. DOI
	LV L, LI H, WANG W. Multi-directional text detection based on the fusion of enhanced feature extraction network and semantic feature[J]. Journal of Graphics, 2024, 45(1): 56-64 (in Chinese). DOI
[19]	王鹏, 朱韦龙. 基于大数据的产品族本体造型意象挖掘方法研究[J]. 图学学报, 2021, 42(6): 1051-1060.
	WANG P, ZHU W L. Research on product family ontology modeling image mining method based on big data[J]. Journal of Graphics, 2021, 42(6): 1051-1060 (in Chinese).
[20]	方伟光, 郭宇, 廖文和, 等. 基于本体的复杂产品设计知识表示和标注方法[J]. 计算机集成制造系统, 2016, 22(9): 2063-2071.
	FANG W G, GUO Y, LIAO W H, et al. Knowledge representation and annotation method based on ontology for complex products' design[J]. Computer Integrated Manufacturing Systems, 2016, 22(9): 2063-2071 (in Chinese).
[21]	代风, 翟翔, 施国强, 等. 面向航天产品研制的知识网络本体建模方法[J]. 浙江大学学报(工学版), 2018, 52(10): 2023-2034.
	DAI F, ZHAI X, SHI G Q, et al. Modeling ontological knowledge network for aerospace equipment development[J]. Journal of Zhejiang University (Engineering Science), 2018, 52(10): 2023-2034 (in Chinese).
[22]	LI M D, LOU S H, ZHENG H, et al. A cognitive analysis-based key concepts derivation approach for product design[J]. Expert Systems with Applications, 2024, 236: 121289.
[23]	YIN Y, DING S Y, ZHANG X Y, et al. Cultural product design concept generation with symbolic semantic information expression using GPT[EB/OL]. [2024-06-12]. https://my.idc.com/getdoc.jsp?containerId=CHC51598824&pageType=PRINTFRIENDLY.
[24]	赵芳华, 吴雪镕, 张新新, 等. 跨模态视角下产品形态设计方法[EB/OL]. 计算机集成制造系统. (2024-04-30) [2024-06- 12]. https://doi.org/10.13196/j.cims.2023.0494.
	ZHAO F H, WU X R, ZHANG X X, et al. Product form design method from a cross modal perspective[EB/OL]. Computer Integrated Manufacturing Systems. (2024-04-30)[2024-06-12]. https://doi.org/10.13196/j.cims.2023.0494. (in Chinese).
[25]	LI X G, WANG Y, SHA Z H. Deep learning methods of cross-modal tasks for conceptual design of product shapes: a review[J]. Journal of Mechanical Design, 2023, 145(4): 041401.
[26]	朱上上, 于慧伶, 董烨楠, 等. 融合消费者群体创造的产品创意设计方法[J]. 机械工程学报, 2024, 60(5): 276-287.
	ZHU S S, YU H L, DONG Y N, et al. A product creative design method that incorporates the creation of consumer groups[J]. Journal of Mechanical Engineering, 2024, 60(5): 276-287 (in Chinese).
[27]	WU J H. A design methodology for form-based knowledge reuse and representation[J]. Information & Management, 2009, 46(7): 365-375.
[28]	KANG Y B, KRISHNASWAMY S, ZASLAVSKY A. A retrieval strategy for case-based reasoning using similarity and association knowledge[J]. IEEE Transactions on Cybernetics, 2014, 44(4): 473-487.
[29]	UNGER C, BÜHMANN L, LEHMANN J, et al. Template-based question answering over RDF data[C]// The 21st International Conference on World Wide Web. New York: ACM, 2012: 639-648.
[30]	GUO J F, CAI Y Q, FAN Y X, et al. Semantic models for the first-stage retrieval: a comprehensive review[J]. ACM Transactions on Information Systems (TOIS), 2022, 40(4): 66.
[31]	YANG S, LI Q, LI W H, et al. Dual-level representation enhancement on characteristic and context for image-text retrieval[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2022, 32(11): 8037-8050.
[32]	沈思, 严大钰, 卞嘉欣, 等. 基于学术知识图谱的增强语义表示与检索[J]. 湖南大学学报(自然科学版), 2024, 51(6): 108-118.
	SHEN S, YAN D Y, BIAN J X, et al. Enhanced semantic representation and retrieval based on academic knowledge graph[J]. Journal of Hunan University (Natural Sciences), 2024, 51(6): 108-118 (in Chinese).
[33]	XU Z T, CRUZ M J, GUEVARA M, et al. Retrieval-augmented generation with knowledge graphs for customer service question answering[C]// The 47th International ACM SIGIR Conference on Research and Development in Information Retrieval. New York: ACM, 2024: 2905-2909.
[34]	李洁. 数据驱动下数字图书馆知识发现服务创新模式与策略研究[D]. 吉林: 吉林大学, 2019.
	LI J. Data-driven knowledge discovery innovation in digital library: modes and strategies[D]. Jilin: Jilin University, 2019 (in Chinese).
[35]	GE Z, LIU S T, WANG F, et al. YOLOX:exceeding YOLO series in 2021[EB/OL]. [2024-0612]. https://arxiv.org/abs/2107.08430.
[36]	QIN T, LIU T Y, XU J, et al. LETOR: a benchmark collection for research on learning to rank for information retrieval[J]. Information Retrieval, 2010, 13(4): 346-374.
[37]	CHAPELLE O, CHANG Y. Yahoo! Learning to rank challenge overview[EB/OL]. [2024-07-12]. https://dl.acm.org/doi/10.5555/3045754.3045756.
[38]	谢康. 基于在线排序学习的生物通路检索方法研究[D]. 哈尔滨: 哈尔滨工业大学, 2021.
	XIE K. Research on biological pathway retrieval method based on online learning to rank[D]. Harbin: Harbin Institute of Technology, 2021 (in Chinese).
[39]	LUCCHESE C, NARDINI F M, ORLANDO S, et al. Interpretable ranking using LambdaMART[EB/OL]. [2024-08-12]. https://dblp.uni-trier.de/db/conf/iir/iir2022.html#Lucchese N00V22.
[40]	韩保礼. 基于图知识库的分布式信息检索集合选择方法[D]. 杭州: 浙江大学, 2017.
	HAN B L. Graph-knowledge-bases based collection selection for distributed information retrieval[D]. Hangzhou: Zhejiang University, 2017 (in Chinese).
[41]	RUSSELL B C, TORRALBA A, MURPHY K P, et al. LabelMe: a database and web-based tool for image annotation[J]. International Journal of Computer Vision, 2008, 77(1): 157-173.

数据来源	数据类型	数目
科技文献数据库	期刊论文	2212
	会议论文	166
	年鉴	6
专利数据库	发明专利	1380
	实用新型专利	2868
	外观设计专利	289
设计标准库	国家标准	2
设计标准库	行业标准	8
新闻信息	新闻	28
新闻信息	报纸	0
行业观点	行业观点	79
研究报告	研究报告	13

数据来源	数据类型	数目
科技文献数据库	期刊论文	2212
	会议论文	166
	年鉴	6
专利数据库	发明专利	1380
	实用新型专利	2868
	外观设计专利	289
设计标准库	国家标准	2
设计标准库	行业标准	8
新闻信息	新闻	28
新闻信息	报纸	0
行业观点	行业观点	79
研究报告	研究报告	13

特征类型	特征内容
词频	题目的归一化词频
	摘要的归一化词频
	正文的归一化词频
	全文的归一化词频
	题目的对数词频
	摘要的对数词频
	正文的对数词频
	全文的对数词频
逆文档频率	题目的逆文档频率
	摘要的逆文档频率
	正文的逆文档频率
	全文的逆文档频率
词频-逆文档频率	题目的词频-逆文档频率
	摘要的词频-逆文档频率
	正文的词频-逆文档频率
	全文的词频-逆文档频率
BM25	题目的BM25
	摘要的BM25
	正文的BM25
	全文的BM25
线性插值平滑的 LMIR	题目基于线性插值平滑的LMIR分数
	摘要基于线性插值平滑的LMIR分数
	正文基于线性插值平滑的LMIR分数
	全文基于线性插值平滑的LMIR分数
狄里克雷 (Dirichlet) 平滑方法的 LMIR	题目基于Dirichlet平滑方法的LMIR分数
	摘要基于Dirichlet平滑方法的LMIR分数
	正文基于Dirichlet平滑方法的LMIR分数
	全文基于Dirichlet平滑方法的LMIR分数
绝对折扣平滑法的 LMIR	题目基于绝对折扣平滑法的LMIR分数
	摘要基于绝对折扣平滑法的LMIR分数
	正文基于绝对折扣平滑法的LMIR分数
	全文基于绝对折扣平滑法的LMIR分数

特征类型	特征内容
词频	题目的归一化词频
	摘要的归一化词频
	正文的归一化词频
	全文的归一化词频
	题目的对数词频
	摘要的对数词频
	正文的对数词频
	全文的对数词频
逆文档频率	题目的逆文档频率
	摘要的逆文档频率
	正文的逆文档频率
	全文的逆文档频率
词频-逆文档频率	题目的词频-逆文档频率
	摘要的词频-逆文档频率
	正文的词频-逆文档频率
	全文的词频-逆文档频率
BM25	题目的BM25
	摘要的BM25
	正文的BM25
	全文的BM25
线性插值平滑的 LMIR	题目基于线性插值平滑的LMIR分数
	摘要基于线性插值平滑的LMIR分数
	正文基于线性插值平滑的LMIR分数
	全文基于线性插值平滑的LMIR分数
狄里克雷 (Dirichlet) 平滑方法的 LMIR	题目基于Dirichlet平滑方法的LMIR分数
	摘要基于Dirichlet平滑方法的LMIR分数
	正文基于Dirichlet平滑方法的LMIR分数
	全文基于Dirichlet平滑方法的LMIR分数
绝对折扣平滑法的 LMIR	题目基于绝对折扣平滑法的LMIR分数
	摘要基于绝对折扣平滑法的LMIR分数
	正文基于绝对折扣平滑法的LMIR分数
	全文基于绝对折扣平滑法的LMIR分数

要素名称	要素数量
要素名称	训练集	验证集	测试集
题目(Title)	407	86	46
作者(Author)	463	96	57
摘要(Abstract)	366	77	43
正文(Text)	3634	703	365
表格(Table)	513	85	41
插图(Figure)	2027	399	204

面向产品云设计过程的数据建模与检索重排序方法

Data modeling and retrieval re-ranking methods for cloud-based product design processes

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 15

参考文献 41

相关文章 5

编辑推荐

Metrics

本文评价

训练阶段	参数名	参数值
冻结 (Freeze)	训练轮数(Epoch)	50
	学习率(Learning rate)	1e-3
	批量大小(Batch size)	8
	权重衰减(Weight decay)	5e-4
	非极大值抑制 (non-maximum suppression, NMS)	0.5
解冻 (Unfreeze)	训练轮数(Epoch)	150
	学习率(Learning rate)	1e-4
	批量大小(Batch size)	2

要素名称	平均精度	F1值	召回率	精确率
题目(Title)	0.979 6	0.978 7	1.000 0	0.958 3
作者(Author)	0.972 1	0.901 7	0.964 9	0.846 2
摘要(Abstract)	0.976 7	0.988 2	0.976 7	1.000 0
正文(Text)	0.976 9	0.964 6	1.000 0	0.931 6
表格(Table)	0.972 2	0.964 7	1.000 0	0.931 8
插图(Figure)	0.982 0	0.959 6	0.990 2	0.930 9

方向	实验人员	方案编号	技术方案简述
导航方式	实验组	1	①利用单目视觉传感器和双目视觉传感器采集实时环境图像信息并预处理，发送至云服务器；②卷积神经网络预处理；③将预处理后的图像信息发送到处理器中进行运算，利用实时更新的目标模型来进行机器人的避障；④将处理器运算所得出的结果交由机器人决策模块执行
	实验组	2	①高清摄像头沿障碍物边缘实时拍摄临界场景图像传输至GPU；②由AI芯片进行基于深度学习的场景图像特征提取；③场景特征输入存储器保存；④将实时场景图像特征与存储器的临界特征进行比较；⑤根据比较结果出发响应装置，引导机器人重新规划路径
	对照组	3	①通过激光模组的激光器对工作环境发射线激光；②通过摄像头获取环境图像；③解算出工作环境的激光点云信息；④基于激光点云信息计算出障碍物轮廓、高度以及宽度信息；⑤执行避障指令
	对照组	4	①利用2组平行设置的摄像机获取环境数字图像；②提取数字图像的特征点及特征线；③对摄像机进行标定，得出标定参数；④对提取的特征点和特征线进行匹配，生成深度图；⑤根据标定的参数及深度图输出障碍物的三维位置信息；⑥执行避障指令
降噪技术	实验组	5	①采集机器人发出的原始噪声信号；②对原始噪声信号进行滤波后处理为反向声波信号；③将采集到的原始噪声信号传入音频处理模块，将原始噪声信号与反向声波信号进行叠加以完成降噪处理
	实验组	6	在风道中添加降噪组件，包括分流件与汇流件，使得气流在腔体内的行程变长，在出风口处的体积增大，气压减小，风速降低，从而降低风噪
	对照组	7	①信号获取模块，用于获取机器人在工作状态下产生的噪声对应的反相声波信号；②噪声减少模块，连接信号获取模块，用于播放从信号获取模块处得到的所述反相声波信号，以抵消噪声
	对照组	8	①获取房屋户型图；②识别房间内是否有人；③识别每个房间内的降噪标定物；④在标定物周边生成降噪区；⑤在降噪区内控制扫地机器人的噪音不超过预设值

方案编号	专家评价结果				设计人员评价结果
方案编号	可行性	经济性	前瞻性	预期效果	难易程度	时间效率
1	4.17	1.00	4.17	4.17	2.625	3.812 5
2	4.50	1.50	3.83	4.50	4.125	4.500 0
3	4.00	4.00	2.83	3.17	2.625	3.375 0
4	4.50	1.67	3.50	3.83	1.250	2.562 5
5	4.83	4.00	4.50	4.17	4.500	3.812 5
6	4.83	5.00	3.17	4.00	4.625	4.000 0
7	4.83	4.00	4.50	4.17	3.375	2.750 0
8	4.50	1.50	3.00	2.83	3.125	2.500 0

用户需求	功能实现	实验组实现方式	对照组实现方式
提高清洁效率	配备强力吸尘器与智能优化模块	方案1：视觉传感器采集图像+CNN处理方案2：AI芯片场景特征提取	方案3：激光模组点云计算方案4：数字图像特征点匹配生成深度图
降低噪音	引入降噪组件，优化风道设计	方案5：滤波后处理为反向声波信号+叠加降噪方案6：优化风道，减小风速	方案7：反相声波模块实现部分降噪方案8：降噪区实现噪声控制
增强智能导航能力	结合AI模型动态调整导航策略	方案1：实时更新目标模型实现避障方案2：深度学习路径规划与比较调整	方案3：基于激光点云轮廓计算导航路径方案4：利用三维标定输出障碍物位置

[1]	张婷, 赖建都, 侯冠华, 张晶晶. 眼控速度与目标移动距离对用户交互绩效的影响[J]. 图学学报, 2025, 46(1): 233-240.
[2]	路鹏, 吴凡, 唐建. 基于人工智能生成内容的产品造型设计与评价方法[J]. 图学学报, 2024, 45(6): 1277-1288.
[3]	杨培, 宋炯, 杨冬梅, 白仁飞, 曹国忠. 设计驱动的产品颠覆性创新方法研究[J]. 图学学报, 2024, 45(5): 1071-1083.
[4]	白宇, 王坤. 基于参数化的3D打印个性化外固定支具设计研究[J]. 图学学报, 2023, 44(5): 1050-1056.
[5]	边坤, 梁慧. 基于机器学习的图案分类研究进展[J]. 图学学报, 2023, 44(3): 415-426.

算法模型	NDCG值
LambdaMART	0.932 8
LambdaRank	0.882 4
RankNet	0.798 0

算法模型	NDCG值
LambdaMART	0.932 8
LambdaRank	0.882 4
RankNet	0.798 0