基于供应链网络需求与偏好挖掘的供应商推荐系统及方法与流程

本发明涉及电商平台，具体地，涉及基于供应链网络需求与偏好挖掘的供应商推荐系统及方法，更为具体地，涉及基于商品匹配和供应链网络分析的电商平台供应商推荐方法及系统。

背景技术：

1、供需匹配是供应链领域的核心难题。在传统供应链业务场景中，大多通过文本之间的精确匹配以及人工的经验来实现供需两端的匹配。然而，传统基于文本的精确匹配方式只考虑了文本字符表面上的匹配程度，没有考虑文本中包含的深层语义信息，而基于人工经验的匹配，由于个体的差异，很难考虑到供应链的全局知识与信息。正是由于这两种方式所存在的上述局限性、不确定性、操作风险性，采购商的需求与偏好往往很难得到充分挖掘，导致供需匹配的效果不甚理想。

2、专利文献cn106021590b(申请号：201610395086.1)公开了一种基于超图的多蚁群并行组合聚类方法，属于数据挖掘技术领域。本发明针对高维海量数据的快速准确聚类，将改进的基于信息熵的单蚁群聚类算法与超图相结合，其主要思路是不同的蚁群采用改进的基于信息熵的单蚁群聚类算法进行独立地并行工作，通过超图进行聚类结果组合得到不同的相似矩阵，再进行信息交换相互合作，利用相似矩阵对单蚁群聚类过程进行修正；经过反复迭代，最终得到最优的聚类结果。本发明还公开了一种b2b平台供应商推荐方法及系统。本发明可进一步提高面对高维海量数据时的算法搜索效率，同时有效克服现有技术易于过早陷入局部最优解的缺陷，提升聚类结果的准确性。

3、为了完整掌握供应链的全局知识与信息，充分挖掘供应链采购商的需求与偏好，突破传统匹配方式的局限，提升供需匹配的效果，本发明提供了一种基于供应链网络需求与偏好挖掘的供应商推荐系统及方法。

技术实现思路

1、针对现有技术中的缺陷，本发明的目的是提供一种基于供应链网络需求与偏好挖掘的供应商推荐系统及方法。

2、根据本发明提供的一种基于供应链网络需求与偏好挖掘的供应商推荐方法，包括：

3、步骤s1：采用二分图网络结构描述采购商与供应商之间的供应链业务关系；

4、步骤s2：从供应链询价单和报价单两类文本信息中挖掘采购商的商品需求和供应商偏好；

5、步骤s3：将用于描述采购商与供应商之间的供应链业务关系的二分图网络结构利用二分图协同过滤算法召回候选推荐供应商，再基于采购商的商品需求和供应商偏好进行精准过滤，筛选出推荐供应商。

6、优选地，所述二分图网络结构包括：采购商节点集和供应商节点集，当采购商节点与供应商节点存在供应链业务交互关系时建立边连接；

7、所述二分图网络结构表示为g＝(u,i,e)，其中，u表示采购商节点集，i表示供应商节点集，e表示边集；假设采购商节点数|u|＝m，供应商节点数|i|＝n，则二分图网络节点总数为r＝m+n；若采购商u_p与供应商i_q有订单关联，则g(p,q)的值为关联的订单数；否则，g(p,q)＝0。

8、优选地，所述步骤s2采用：

9、步骤s2.1：将询价单转化为采购商询价文本嵌入向量，将报价单转化为供应商报价文本嵌入向量，通过向量相似度计算得到最接近采购商需求的供应商品；

10、步骤s2.2：使用albert模型对询价单中的技术条款文本信息进行语义编码得到语义向量，再将语义向量作为特征输入到textcnn多标签分类模型，使用textcnn多标签分类模型预测采购商对供应商公司资质偏好的概率分布，最终实现智能挖掘不同采购商的供应商偏好。

11、优选地，所述步骤s2.1采用：

12、步骤s2.1.1：对询价单进行预处理，并对预处理后的询价单进行分词得到分词序列；

13、步骤s2.1.2：统计各分词的tf-idf分值，经过归一化操作后得到词-文本权重矩阵；

14、步骤s2.1.3：利用训练后的word2vec词嵌入模型对分词序列进行编码得到词嵌入；

15、步骤s2.1.4：基于词嵌入和词-文本权重矩阵进行加权求和得到采购商询价文本嵌入向量。

16、优选地，所述步骤s3采用：

17、步骤s3.1：假设采购商全集p，供应商全集为s，要召回的供应商数k，利用二分图协同过滤算法筛选出与目标采购商pi历史采购特征最为相似的k个供应商作为待推荐的候选供应商集合s_1；

18、步骤s3.2：对集合s_1中的供应商筛选出历史报价单文本与目标采购商p询价单文本相似度满足预设要求的供应商子集s_2；

19、步骤s3.3：对集合s_2中的供应商筛选其中资质标签符合采购商对于合作供应商资质偏好的供应商子集s_3；

20、步骤s3.4：将集合s_3作为对于采购商p的个性化供应商推荐的最终结果集。

21、优选地，所述步骤s3.1采用：

22、步骤s3.1.1：初始化矩阵m、历史偏好矩阵d以及相对误差容限ε；

23、步骤s3.1.2：令ir(i,j)＝1/n,(i＝1,...,m,j＝1,...,n)；

24、步骤s3.1.3：当满足||αm·ir+(1-α)d-ir||≥ε时，则ir＝αm·ir+(1-α)d；重复触发步骤s3.1.3直至不满足||αm·ir+(1-α)d-ir||≥ε，获得与目标采购商pi历史采购特征最为相似的k个供应商作为待推荐的候选供应商集合s_1；

25、其中，αm·ir表示由网络传播性带来的潜在偏好；(1-α)d表示观测到的历史偏好；α表示衡量网络的衰减水平参数；d表示采购商历史偏好矩阵；m表示两个不同采购商选择相同供应商的数目；ir表示采购商的潜在偏好矩阵。

26、根据本发明提供的一种基于供应链网络需求与偏好挖掘的供应商推荐系统，包括：

27、模块m1：采用二分图网络结构描述采购商与供应商之间的供应链业务关系；

28、模块m2：从供应链询价单和报价单两类文本信息中挖掘采购商的商品需求和供应商偏好；

29、模块m3：将用于描述采购商与供应商之间的供应链业务关系的二分图网络结构利用二分图协同过滤算法召回候选推荐供应商，再基于采购商的商品需求和供应商偏好进行精准过滤，筛选出推荐供应商。

30、优选地，所述二分图网络结构包括：采购商节点集和供应商节点集，当采购商节点与供应商节点存在供应链业务交互关系时建立边连接；

31、所述二分图网络结构表示为g＝(u,i,e)，其中，u表示采购商节点集，i表示供应商节点集，e表示边集；假设采购商节点数|u|＝m，供应商节点数|i|＝n，则二分图网络节点总数为r＝m+n；若采购商u_p与供应商i_q有订单关联，则g(p,q)的值为关联的订单数；否则，g(p,q)＝0。

32、优选地，所述模块m2采用：

33、模块m2.1：将询价单转化为采购商询价文本嵌入向量，将报价单转化为供应商报价文本嵌入向量，通过向量相似度计算得到最接近采购商需求的供应商品；

34、模块m2.2：使用albert模型对询价单中的技术条款文本信息进行语义编码得到语义向量，再将语义向量作为特征输入到textcnn多标签分类模型，使用textcnn多标签分类模型预测采购商对供应商公司资质偏好的概率分布，最终实现智能挖掘不同采购商的供应商偏好；

35、所述模块m2.1采用：

36、模块m2.1.1：对询价单进行预处理，并对预处理后的询价单进行分词得到分词序列；

37、模块m2.1.2：统计各分词的tf-idf分值，经过归一化操作后得到词-文本权重矩阵；

38、模块m2.1.3：利用训练后的word2vec词嵌入模型对分词序列进行编码得到词嵌入；

39、模块m2.1.4：基于词嵌入和词-文本权重矩阵进行加权求和得到采购商询价文本嵌入向量。

40、优选地，所述模块m3采用：

41、模块m3.1：假设采购商全集p，供应商全集为s，要召回的供应商数k，利用二分图协同过滤算法筛选出与目标采购商pi历史采购特征最为相似的k个供应商作为待推荐的候选供应商集合s_1；

42、模块m3.2：对集合s_1中的供应商筛选出历史报价单文本与目标采购商p询价单文本相似度满足预设要求的供应商子集s_2；

43、模块m3.3：对集合s_2中的供应商筛选其中资质标签符合采购商对于合作供应商资质偏好的供应商子集s_3；

44、模块m3.4：将集合s_3作为对于采购商p的个性化供应商推荐的最终结果集；

45、所述模块m3.1采用：

46、模块m3.1.1：初始化矩阵m、历史偏好矩阵d以及相对误差容限ε；

47、模块m3.1.2：令ir(i,j)＝1/n,(i＝1,...,m,j＝1,...,n)；

48、模块m3.1.3：当满足||αm·ir+(1-α)d-ir||≥ε时，则ir＝αm·ir+(1-α)d；重复触发模块m3.1.3直至不满足||αm·ir+(1-α)d-ir||≥ε，获得与目标采购商pi历史采购特征最为相似的k个供应商作为待推荐的候选供应商集合s_1；

49、其中，αm·ir表示由网络传播性带来的潜在偏好；(1-α)d表示观测到的历史偏好；α表示衡量网络的衰减水平参数；d表示采购商历史偏好矩阵；m表示两个不同采购商选择相同供应商的数目；ir表示采购商的潜在偏好矩阵。

50、与现有技术相比，本发明具有如下的有益效果：

51、1、本发明通过采用二分图网络的协同过滤和语义匹配相结合的推荐方法，一方面二分图网络的协同过滤可充分利用采购商-供应商之间的二分图关系，利用二分图对用户的偏好进行传播，挖掘出用户的潜在偏好，从而提升了推荐结果的召回量和新颖性；另一方面语义匹配又从用户个体范畴脱离出来，可以解决采购商行为稀疏、冷启动等问题；

52、2、本发明通过采用二分图网络结构，实现了对供应链采购行为的完整刻画；

53、3、本发明通过采用二分图协同过滤算法，实现了对具有相似供应链行为的供应商召回的技术能力；

54、4、本发明通过采用基于深度学习的语义匹配模型，实现了采购商采购偏好的挖掘技术能力。