供应商智能推荐方法及系统与流程

本发明涉及大数据分析，具体地，涉及一种供应商智能推荐方法及系统。

背景技术：

1、随着信息技术的发展，计算机和互联网被广泛应用于各行各业，并给人们的交流、出行方式及至工业生产方式等都带来了很大的变化。作为信息化时代的产物，近年来，电子商务迅速崛起，并以其低成本、高效率、全球化和交互性等特点取代传统商务，让买卖双方无需谋面就能够进行各种商贸活动，从而给买卖双方提供了极大的便利。

2、现有技术中涉及的主观评价过程过于依赖个人经验，不确定性较强，推荐效果较差，而单一客观评价过程又过分依赖数据本身，不能利用业务专家知识。

技术实现思路

1、针对现有技术中的缺陷，本发明提供一种供应商智能推荐方法及系统。

2、根据本发明提供的一种供应商智能推荐方法及系统，所述方案如下：

3、第一方面，提供了一种供应商智能推荐方法，所述方法包括：

4、步骤s1：识别并建立供应商主要特征集合，确定不同特征在供应商评价中的影响权重；

5、步骤s2：计算得出供应商静态评价得分，作为供应商精排的依据，对采购方、供应商进行匹配，推荐候选对象。

6、优选地，所述步骤s1包括：数据预处理及特征工程，数据预处理工作包括缺失数据填充、不平衡数据过滤、异常数据剔除以及数据相关性分析；基于数据预处理及分析结果，在特征工程部分，建立供应商主要特征集合，作为供应商的静态评价对象。

7、优选地，所述供应商静态评价得分由供应商特征加权求和计算得出，其中特征权重包括主观权重和客观权重；

8、所述主观权重采取层次分析法，针对影响程度对比和得分提出以下对比标准：

9、当两特征同等重要，则两特征得分均为1；

10、当两特征影响程度稍有差别，则影响大的特征得分为3，影响小的特征得分为

11、当两特征影响程度有明显差别，则影响大的特征得分为5，影响小的特征得分为

12、当两特征影响程度有强烈差别，则影响大的特征得分为7，影响小的特征得分为

13、当两特征影响程度有极端差别，则影响大的特征得分为9，影响小的特征得分为

14、当特征影响差别介于上述分级之间，则影响大的特征取得分2，4，6，8，影响小的特征取

15、通过以上方法获得的比较矩阵是一个主对角线为1，且以主对角线为轴的对称元素互为倒数的n阶方阵，其中n为供应商特征数量；通过和积法对所述比较矩阵求取近似特征向量，并通过一致性检测，该特征向量即为供应商特征的主观权向量ωs。

16、优选地，所述客观权重采用熵权法，信息熵越大的供应商特征，在静态评价体系中的计算权重也越大，依据信息论中信息熵的定义，供应商第j个特征的归一化信息熵计算公式为：

17、

18、ej表示第j个供应商特征对应的信息熵归一化结果，n表示供应商数量；pij表示第i个供应商对第j个特征取值的归一化结果，计算方法如下式：

19、

20、其中，yj表示第j个供应商特征所对应随机向量的标准化结果；fij表示yij的取值在yj中的出现频次；yij表示第i个供应商对第j个特征取值的标准化结果，n依然表示供应商数量，标准化方法见下式3)：

21、

22、xij表示第i个供应商对第j个特征的取值；xj表示第j个供应商特征所对应的随机向量；利用公式1)的结果，客观权向量ωo计算公式如下：

23、

24、其中，表示特征数量。

25、优选地，所述供应商静态评价得分中，得到主、客观权向量后，综合权向量表达式如下：

26、ω＝α*ωo+(1-α)*ωs   5)

27、其中，α为客观权重系数，主、客观权重影响程度相同时，α＝0.5；

28、使用综合权重的assess静态评估对第i个供应商的综合得分si计算如下：

29、

30、其中，xi为第i个供应商的供应商特征向量。

31、优选地，所述对采购方、供应商进行匹配包括：确定用于采购方、供应商匹配的关键属性，及匹配方法；

32、其中，关键属性包括：供应商、采购方地理距离、企业规模、企业所属行业以及物料；

33、匹配方法包括：采购方、供应商匹配将以历史询、报价记录作为主要依据，通过对比分析进行；首先依据历史报价单行数据确定供应商可供物料集合，其次，积累的询单数据将按照采购方进行分组，各采购方所发询单对应的中标供应商取做对比对象；

34、针对匹配属性的使用，物料属性将作为供应商召回条件，被推荐过程最先考虑；推荐开始时，取采购方本次询单行中的全部物料，匹配可同时供应所有发询物料的供应商，为本次推荐的候选对象；可供物料不匹配的供应商将直接被舍弃；除物料外的匹配属性，将被作为供应商粗排的依据。

35、优选地，所述方法还包括：

36、考虑历史影响因素的供应商评估及推荐：分析历史数据能够带来的决策影响，并确定历史数据评估手段；借鉴arima在内的相关时序数据模型的概念，特征数据的时间影响程度依据包括：时间段距离影响和时间段内信息重要程度影响；

37、时间距今越短的数据，对本次推荐结果影响越大，在推荐过程中，将强化考虑；对历史信息进行周期性分析，同周期内的数据较来自其他周期的数据影响程度更高，在推荐过程中，将强化考虑。

38、第二方面，提供了一种供应商智能推荐系统，所述系统包括：

39、模块m1：识别并建立供应商主要特征集合，确定不同特征在供应商评价中的影响权重；

40、模块m2：计算得出供应商静态评价得分，作为供应商精排的依据，对采购方、供应商进行匹配，推荐候选对象。

41、优选地，所述模块m1包括：数据预处理及特征工程，数据预处理工作包括缺失数据填充、不平衡数据过滤、异常数据剔除以及数据相关性分析；基于数据预处理及分析结果，在特征工程部分，建立供应商主要特征集合，作为供应商的静态评价对象；

42、所述模块m2中供应商静态评价得分由供应商特征加权求和计算得出，其中特征权重包括主观权重和客观权重；

43、所述主观权重采取层次分析法，针对影响程度对比和得分提出以下对比标准：

44、当两特征同等重要，则两特征得分均为1；

45、当两特征影响程度稍有差别，则影响大的特征得分为3，影响小的特征得分为

46、当两特征影响程度有明显差别，则影响大的特征得分为5，影响小的特征得分为

47、当两特征影响程度有强烈差别，则影响大的特征得分为7，影响小的特征得分为

48、当两特征影响程度有极端差别，则影响大的特征得分为9，影响小的特征得分为

49、当特征影响差别介于上述分级之间，则影响大的特征取得分2，4，6，8，影响小的特征取

50、通过以上方法获得的比较矩阵是一个主对角线为1，且以主对角线为轴的对称元素互为倒数的n阶方阵，其中n为供应商特征数量；通过和积法对所述比较矩阵求取近似特征向量，并通过一致性检测，该特征向量即为供应商特征的主观权向量ωs；

51、所述客观权重采用熵权法，信息熵越大的供应商特征，在静态评价体系中的计算权重也越大，依据信息论中信息熵的定义，供应商第j个特征的归一化信息熵计算公式为：

52、

53、ej表示第j个供应商特征对应的信息熵归一化结果，n表示供应商数量；pij表示第i个供应商对第j个特征取值的归一化结果，计算方法如下式：

54、

55、其中，yj表示第j个供应商特征所对应随机向量的标准化结果；fij表示yij的取值在yj中的出现频次；yij表示第i个供应商对第j个特征取值的标准化结果，n依然表示供应商数量，标准化方法见下式3)：

56、

57、xij表示第i个供应商对第j个特征的取值；xj表示第j个供应商特征所对应的随机向量；利用公式1)的结果，客观权向量ωo计算公式如下：

58、

59、其中，m表示特征数量；

60、所述供应商静态评价得分中，得到主、客观权向量后，综合权向量表达式如下：

61、ω＝α*ωo+(1-α)*ωs   5)

62、其中，α为客观权重系数，主、客观权重影响程度相同时，α＝0.5；

63、使用综合权重的assess静态评估对第i个供应商的综合得分si计算如下：

64、

65、其中，xi为第i个供应商的供应商特征向量。

66、优选地，所述对采购方、供应商进行匹配包括：确定用于采购方、供应商匹配的关键属性，及匹配方法；

67、其中，关键属性包括：供应商、采购方地理距离、企业规模、企业所属行业以及物料；

68、匹配方法包括：采购方、供应商匹配将以历史询、报价记录作为主要依据，通过对比分析进行；首先依据历史报价单行数据确定供应商可供物料集合，其次，积累的询单数据将按照采购方进行分组，各采购方所发询单对应的中标供应商取做对比对象；

69、针对匹配属性的使用，物料属性将作为供应商召回条件，被推荐过程最先考虑；推荐开始时，取采购方本次询单行中的全部物料，匹配可同时供应所有发询物料的供应商，为本次推荐的候选对象；可供物料不匹配的供应商将直接被舍弃；除物料外的匹配属性，将被作为供应商粗排的依据；

70、所述方法还包括：

71、考虑历史影响因素的供应商评估及推荐：分析历史数据能够带来的决策影响，并确定历史数据评估手段；借鉴arima在内的相关时序数据模型的概念，特征数据的时间影响程度依据包括：时间段距离影响和时间段内信息重要程度影响；

72、时间距今越短的数据，对本次推荐结果影响越大，在推荐过程中，将强化考虑；对历史信息进行周期性分析，同周期内的数据较来自其他周期的数据影响程度更高，在推荐过程中，将强化考虑。

73、与现有技术相比，本发明具有如下的有益效果：

74、1、本发明中的assess部分建立了较合理的供应商描述指标体系，并开创性地利用“层次分析法”和“熵权法”对指标体系进行了主、客观综合加权评估，融合二者优点，规避了传统主客观评价中的缺点；

75、2、本发明在assess静态评估的基础上，采购方及供应商的match匹配过程，为推荐增加了个性化、针对性的元素，相比单一基于供应商评价的泛化推荐，可用性更强。对历史数据影响的考虑，为推荐过程加入了时间维度，使其具备了“记忆”特性，推荐效果因而可能随数据量增长而持续改善。

76、本发明的其他有益效果，将在具体实施方式中通过具体技术特征和技术方案的介绍来阐述，本领域技术人员通过这些技术特征和技术方案的介绍，应能理解所述技术特征和技术方案带来的有益技术效果。