CN106504015A - 一种结合bp神经网络的企业领域供应商推荐方法 - Google Patents
一种结合bp神经网络的企业领域供应商推荐方法 Download PDFInfo
- Publication number
- CN106504015A CN106504015A CN201610900406.4A CN201610900406A CN106504015A CN 106504015 A CN106504015 A CN 106504015A CN 201610900406 A CN201610900406 A CN 201610900406A CN 106504015 A CN106504015 A CN 106504015A
- Authority
- CN
- China
- Prior art keywords
- supplier
- neural network
- index
- bid
- enterprise
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 21
- 238000003062 neural network model Methods 0.000 claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000011156 evaluation Methods 0.000 claims description 23
- 238000013210 evaluation model Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 14
- 230000002860 competitive effect Effects 0.000 claims description 8
- 238000013461 design Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 230000007935 neutral effect Effects 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000007796 conventional method Methods 0.000 abstract description 2
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000007418 data mining Methods 0.000 abstract description 2
- 230000004927 fusion Effects 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 31
- 238000012360 testing method Methods 0.000 description 5
- 238000005065 mining Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000003326 Quality management system Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种结合BP神经网络的企业领域供应商推荐方法，属于数据分析和数据挖掘技术领域，本方法利用神经网络和供应商指标体系可以随招投标数据增加而更新，这就保证了决策的有效性和考虑趋势的变化；本方法克服了供应商的总分不易获取和一般方法先利用直接简介方式给供应商打分导致用于预测的数据集不够真实客观的难点；本方法与实际情况结合，对于指标体系和神经网络模型的预测结果充分融合，并给专家留出决策空间，保证了供应商选择能够主客观结合；本方法建立的供应商指标体系，从供应商和供应产品两个方面出发，扩充指标容量，考虑供应商受偏爱程度等指标，形成一套更全面适用的指标体系。
Description
技术领域
本发明涉及数据分析和数据挖掘技术领域，具体涉及一种结合BP神经网络的企业领域供应商推荐方法。
背景技术
目前，在矿业企业竞投标环节中，矿业企业在初次寻找供应商时往往是靠采购员的个人经验从网络搜索相关信息，或者由于利益关系主观地选择供应商。因此经常会选择到不合适的供应商，同时选择供应商的过程需要耗费的时间较长，造成企业成本的增加。另外，由于企业日常采购物料的种类多，采购频繁，因此并不适用于耗时长、成本高的招投标过程。此外，矿业企业在采购专业设备时往往更加注重质量问题，因此会更加倾向于有过合作经验且满意度较高的供应商。而采购企业日常生活需求品时，更加注重价格因素。
所以，怎样提炼企业的基本要求和判别影响企业效益的诸项因素以归集供应商不同种类产品评价的具体指标，怎样对指标进行规范化处理并赋予其适当的权重，进而采用科学的计算方法对供应商进行量化分析和精准评价，优选出价值较高的供应商是需要迫切解决的关键问题。
基于BP神经网络的供应商选择评价模型，一般是通过主观方式给出供应商总分，将供应商各项指标打分和总分作为训练集样本输入BP神经网络，对BP神经网络模型进行训练及仿真，构建基于BP神经网络的供应商选择评价模型。江志娟在《基于BP神经网络和合作博弈的供应商评价选择研究》提出了利用神经网络给供应商打分的方法，但是这种方法的难点是供应商的总分不易获取且先利用层次分析法得到的训练集本身就增加了主观性，使得预测得到的结果不够客观可靠。
发明内容
针对现有技术的不足，本发明提出一种结合BP神经网络的企业领域供应商推荐方法，直接利用竞投标历史数据训练BP神经网络，得到供选优质供应商，并辅以层次分析法建立传统供应商评价体系计算供应商得分，主客观相结合综合评价选择供应商。
一种结合BP神经网络的企业领域供应商推荐方法，包括以下步骤：
步骤1、确定供应商指标，建立供应商评价模型；
步骤2、对招投标历史数据进行预处理；
步骤3、根据所建立的供应商评价模型，采用层次分析法获得供应商评价总分，并按照分数进行排序；
步骤4、将供应商指标历史数据作为神经网络模型的输入，将是否推荐对应供应商作为神经网络模型的输出，对神经网络模型进行训练；
步骤5、将预处理后的多组供应商指标数据输入至训练完成的神经网络模型中，获得是否推荐该供应商；
步骤6、结合神经网络模型所推荐供应商和该供应商评价总分排名，确定最终推荐的供应商。
步骤1所述的确定供应商指标，建立供应商评价模型，具体为：
供应商一级指标：供应商和招标产品；
供应商二级指标：信用度、忠诚度、基本信息、满意度、招标信息和质量；
供应商三级指标：
信用度：是否有营业执照、税务登记信息是否正常、年销售业绩、企业信用等级、质量管理体系认证等级、ISO体系认证和注册资本；
忠诚度：历史中标率、历史投标次数、历史中标次数、平均中标胜出率、平均准时交货率和历史降采额；
基本信息：地理距离、行业距离、投标金额偏离度、产品检测能力和公司规模；
满意度：设计研发水平、技术装备水平、退货率、合作满意度、连续中标次数、交货提前期和维修服务；
招标信息：类别、供货量、首次提交信息时间根据所建立的供应商评价模型，采用层次分析法获得供应商评价总分，并按照分数进行排序、竞标价格优势、现库存、同期竞标人数和推荐家数；
质量：担保寿命或要求寿命、担保最低寿命或基本寿命、产品合格率。
步骤2所述的对招投标历史数据进行预处理，具体采用归一化处理。
步骤3所述的根据所建立的供应商评价模型，采用层次分析法获得供应商评价总分，并按照分数进行排序，具体步骤如下：
步骤3-1、建立分层的指标体系模型；
具体为：目标层对应供应商评价总分，准则层对应供应商一级指标，子准则层对应供应商二级指标，方案层对应供应商三级指标；
步骤3-2、确定每级指标的相对重要性；
步骤3-3、构建每级指标的判断矩阵并计算权重；
步骤3-4、对所构建的判断矩阵进行一致性检验；
步骤3-5、综合各级指标的权重，获得三级指标的组合权重。
步骤6所述的结合神经网络模型所推荐供应商和该供应商评价总分排名，确定最终推荐的供应商，具体为：判断神经网络模型所推荐供应商的评价总分是否在排名的前30％，若是，则该供应商为最终推荐的供应商，否则，则该供应商并非最终推荐的供应商。
本发明优点：
采用本发明可以直接利用竞投标历史数据训练BP神经网络，得到供选的推荐供应商，并辅以层次分析法建立传统供应商评价体系计算供应商得分，主客观相结合综合评价选择供应商。
具体优点：
1、本方法利用神经网络和供应商指标体系可以随招投标数据增加而更新，这就保证了决策的有效性和考虑趋势的变化；
2、本方法克服了供应商的总分不易获取和一般方法先利用直接简介方式给供应商打分导致用于预测的数据集不够真实客观的难点。
3、本方法与实际情况结合，对于指标体系和神经网络模型的预测结果充分融合，并给专家留出决策空间，保证了供应商选择能够主客观结合。
4、本方法建立的供应商指标体系，从供应商和供应产品两个方面出发，扩充指标容量，考虑供应商受偏爱程度等指标，形成一套更全面适用的指标体系。
附图说明
图1为本发明一种实施例的结合BP神经网络的企业领域供应商推荐方法流程图。
图2为本发明一种实施例的采用层次分析法获得供应商评价总分方法流程图。
具体实施方式
下面结合附图对本发明一种实施例做进一步说明。
本发明实施例中，结合BP神经网络的企业领域供应商推荐方法，方法流程图如图1所示。包括以下步骤：
步骤1、确定供应商指标，建立供应商评价模型；
本发明实施例中，供应商一级指标：供应商和招标产品；供应商二级指标：信用度、忠诚度、基本信息、满意度、招标信息和质量；
供应商三级指标：
信用度：是否有营业执照、税务登记信息是否正常、年销售业绩、企业信用等级、质量管理体系认证等级、ISO体系认证和注册资本；
忠诚度：历史中标率、历史投标次数、历史中标次数、平均中标胜出率、平均准时交货率和历史降采额；
基本信息：地理距离、行业距离、投标金额偏离度、产品检测能力和公司规模；
满意度：设计研发水平、技术装备水平、退货率、合作满意度、连续中标次数、交货提前期和维修服务；
招标信息：类别、供货量、首次提交信息时间根据所建立的供应商评价模型，采用层次分析法获得供应商评价总分，并按照分数进行排序、竞标价格优势、现库存、同期竞标人数和推荐家数；
质量：担保寿命或要求寿命、担保最低寿命或基本寿命、产品合格率；
步骤2、对招投标历史数据进行预处理；
本发明实施例中，读取招投标历史数据，并对数据做规范化处理；将确定的三级指标项与数据库字段相对应，字段空缺，数据错误的指标从数据库中删除；由于各个输入指标数据的量纲和数量级不同，不适宜直接地输入计算，应该对数据进行规范化处理，归一到[0，1]之间；
具体公式如下：
yi＝(xi-xmin)/(xmax-xmin) (1)
其中，xi表示归一化处理前的指标，yi表示归一化处理后的指标，xmin表示该指标的最小值，xmax表示该指标的最大值；
步骤3、根据所建立的供应商评价模型，采用层次分析法(Analytical HierarchyProcess，简称AHP方法)获得供应商评价总分，并按照分数进行排序；
供应商评价总分计算公式如下：
供应商总分＝∑各指标权重×各评分指标数值
各指标权重确定方法使用层次分析法，如图2所示，具体步骤如下：
步骤3-1、建立分层的指标体系模型；
本发明实施例中，传统AHP方法所建指标体系模型包括目标层、准则层和方案层，目标层对应评价的目标，即供应商分值，准则层对应供应商一级指标，子准则层对应供应商二级指标，方案层对应供应商三级指标。由于二级指标每个元素对应的三级指标相互没有交叉，所以只需计算单一级指标的权重及一致性检验以后加权叠加即可；
步骤3-2、确定每级指标的相对重要性；
本发明实施例中，该方法将指标两两互相比较，采用相对尺度，以尽可能地减少性质不同的指标相互比较的困难，以提高准确度；
表1指标重要性数量标度
步骤3-3、构建每级指标的判断矩阵并计算权重；
步骤3-3-1、构造单层次判断矩阵A；
判断矩阵：
其中，n为矩阵内指标的个数，air表示该层指标第i个元素对第r个元素的重要程度，i，r均小于等于n，air的值由表1所示的指标重要性数量标度确定；
本发明实施例中，以供应商的信用度下属的三级指标是否有营业执照、税务登记信息是否正常、年销售业绩、企业信用等级、质量管理体系认证等级、iso体系认证、注册资本为例给出他们的判断矩阵，如表2所示；
表2
本发明实施例中，该步骤将所有二级指标对应的三级指标的重要度矩阵都表示出来并且将一级指标对应的二级指标判断矩阵表示出来；
步骤3-3-2、将判断矩阵的每一行元素求方根值，并进行归一化处理，得到该层指标指标的权重向量W＝(w1，w2，…，wn)T，其中n表示当前判断矩阵元素的个数；
对矩阵而言，首先其权重向量其中对权重向量归一化得到W＝(w1，w2，…，wn)T，此处归一化方法不赘述；
本发明实施例中，以表2得到的矩阵为例，供应商的信用度下属的三级指标权重为：
表3
步骤3-3-3、求该级指标最大特征根其中wi为该指标层第i个元素的权重，A为该指标层的判断矩阵。
本发明实施例中，以供应商的信用度下属的三级指标为例，得到最大特征根λmax＝7.4663；
步骤3-4、对所构建的判断矩阵进行一致性检验；
本发明实施例中，计算AHP中一致性指标可记作CI：
CI值越大，表明判断矩阵偏离完全一致性越厉害，CI值越小，表明判断矩阵越接近于完全一致性。判断矩阵的阶数n越大，人为造成偏离完全一致性的指标CI便越大；如果检测到非一致性矩阵，对该判断矩阵对应的指标数据进行调整修正或者丢弃该指标数据；本步骤需要将所有指标的下级指标层权重一致性做出判断；
本发明实施例中，以供应商的信用度下属的三级指标为例，得到其一致性指数
本发明实施例中，计算平均随机一致性指标RI：
RI通过多次重复进行随机判断矩阵特征值的计算后取算术平均数得到，由表4给出1～15维矩阵重复计算1000次的平均随机一致性指标：
计算一致性比例CR：
CR＝CI/RI；
表4 1～15维矩阵重复计算1000次的平均随机一致性指标
| 维数 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 | 15 |
| R.l. | 0 | 0 | 0.52 | 0.89 | 1.12 | 1.26 | 1.36 | 1.41 | 1.46 | 1.49 | 1.52 | 1.54 | 1.56 | 1.58 | 1.59 |
当CR＜0.1时，一般认为层次总排序的结果具有满意的一致性，否则该判断矩阵对应的指标数据进行调整修正或者丢弃该指标数据；
本发明实施例中，以供应商的信用度下属的三级指标为例，得到其一致性比例
步骤3-5、综合各级指标的权重，获得三级指标的组合权重；
本发明实施例中，每一级指标都是唯一的，不存在交叉，所以在计算组合权重时可按照加权计算一般性方法得到三级指标的组合权重w* abc＝w1 a×w2 ab×w3 abc；其中，w1 a表示第a个一级指标的权重，w2 ab表示第a个一级指标下属的第b个二级指标的权重，w3 abc表示第a个一级指标下属的第b个二级指标的第c个三级指标的权重；这一步骤中可以计算出三级指标的最终权重；
本发明实施例中，以是否有营业执照这个三级指标权重为例，上面例子已经给出其单层权重为0.0528，同时二级指标信用度的权重是0.2584，一级指标供应商的权重是0.3333(具体计算过程不赘述)，可以得出是否有营业执照这个指标最终权重为：0.0528×0.3333×0.2584＝0.0045474。；
步骤4、将供应商指标历史数据作为神经网络模型的输入，将是否推荐对应供应商作为神经网络模型的输出，对神经网络模型进行训练；具体步骤如下：
步骤4-1、收集某类产品竞标过程中各供应商的三级指标数据，以及此次竞投标的胜出者，作为神经网络训练测试集；
本发明实施例中，在矿业采购的不同物料类别中比如专用设备类、原燃料类、通用产品类等，招标的侧重点不尽相同。神经网络处理数据先将数据字段数值化，对种类的判别会产生误差，所以将不同种类的数据分别整理，产品种类共有m套，设计出m套用于神经网络建模用的训练集和测试集；训练集：测试集的数量选取一般为3∶1，并为随机分布。
步骤4-2、输入输出设置；
把供应商评价的三级指标数据作为BP神经网络的输入向量，把每次竞标的结果作为神经网络的输出。使用m套数据集样本生成m个神经网络模型；本发明实施例中，输入输出设置决定了神经网络的输入层有35个节点，神经网络的输出层2个节点；
步骤4-3、隐含层设置；
在BP-神经网络中，隐含层节点数的选择非常重要，若隐含层节点数太少，网络可能根本不能训练或网络性能很差；若隐含层节点数太多，虽然可使网络的系统误差减小，但一方面使网络训练时间延长，另一方面，训练容易陷入局部极小点而得不到最优点，也是训练时出现“过拟合”的内在原因。但是目前理论上还没有一种科学的和普遍的确定方法。隐含层节点数不仅与输入/输出层的节点数有关，更与需解决的问题的复杂程度和转换函数的型式以及样本数据的特性等因素有关；
本发明实施例中，在确定隐含层节点数时必须满足下列条件：
(1)隐含层节点数必须小于N-1(其中N为训练样本数)，否则，网络模型的系统误差与训练样本的特性无关而趋于零，即建立的网络模型没有泛化能力，也没有任何实用价值。同理可推得：输入层的节点数(变量数)必须小于N-1；
(2)训练样本数必须多于神经网络模型的连接权数，一般为2～10倍，否则，样本必须分成几部分并采用“轮流训练”的方法才可能得到可靠的神经网络模型；
在满足以上条件的基础上，本方法把层次分析法中的子准则层的一半作为网络的隐含层，即18个；
步骤4-4、神经网络的函数及收敛条件设置；
本发明实施例中，输入层采用“tansig”传输函数，隐含层采用“purelin”传递函数，收敛条件为网络的误差小于等于1.0e -2；
步骤4-5、使用测试集验证神经网络评价模型的正确性；
本发明实施例中，使用测试集验证神经网络评价模型，如果选择正确率大于80％，则认为模型是可行的，如果正确率无法达到80％，则重新进行训练，直到结果可以达到80％为止。
步骤5、将预处理后的多组供应商指标数据输入至训练完成的神经网络模型中，获得是否推荐该供应商；
步骤6、结合神经网络模型所推荐供应商和该供应商评价总分排名，确定最终推荐的供应商；
本发明实施例中，判断BP神经网络模型推荐的供应商在层次分析法所确定的供应商评价模型中的排序是否为前30％，若是则本次推荐结果可信度较高，可将推荐出的供应商作为结果输出；若BP神经网络模型推荐的供应商排序不能排在前30％，则将推荐结果和层次分析法所输出的排名结果输出，由采购人员做出选择。
Claims (5)
1.一种结合BP神经网络的企业领域供应商推荐方法，其特征在于，包括以下步骤：
步骤1、确定供应商指标，建立供应商评价模型；
步骤2、对招投标历史数据进行预处理；
步骤3、根据所建立的供应商评价模型，采用层次分析法获得供应商评价总分，并按照分数进行排序；
步骤4、将供应商指标历史数据作为神经网络模型的输入，将是否推荐对应供应商作为神经网络模型的输出，对神经网络模型进行训练；
步骤5、将预处理后的多组供应商指标数据输入至训练完成的神经网络模型中，获得是否推荐该供应商；
步骤6、结合神经网络模型所推荐供应商和该供应商评价总分排名，确定最终推荐的供应商。
2.根据权利要求1所述的结合BP神经网络的企业领域供应商推荐方法，其特征在于，步骤1所述的确定供应商指标，建立供应商评价模型，具体为：
供应商一级指标：供应商和招标产品；
供应商二级指标：信用度、忠诚度、基本信息、满意度、招标信息和质量；
供应商三级指标：
信用度：是否有营业执照、税务登记信息是否正常、年销售业绩、企业信用等级、质量管理体系认证等级、ISO体系认证和注册资本；
忠诚度：历史中标率、历史投标次数、历史中标次数、平均中标胜出率、平均准时交货率和历史降采额；
基本信息：地理距离、行业距离、投标金额偏离度、产品检测能力和公司规模；
满意度：设计研发水平、技术装备水平、退货率、合作满意度、连续中标次数、交货提前期和维修服务；
招标信息：类别、供货量、首次提交信息时间根据所建立的供应商评价模型，采用层次分析法获得供应商评价总分，并按照分数进行排序、竞标价格优势、现库存、同期竞标人数和推荐家数；
质量：担保寿命或要求寿命、担保最低寿命或基本寿命、产品合格率。
3.根据权利要求1所述的结合BP神经网络的企业领域供应商推荐方法，其特征在于，步骤2所述的对招投标历史数据进行预处理，具体采用归一化处理。
4.根据权利要求1所述的结合BP神经网络的企业领域供应商推荐方法，其特征在于，步骤3所述的根据所建立的供应商评价模型，采用层次分析法获得供应商评价总分，并按照分数进行排序，具体步骤如下：
步骤3-1、建立分层的指标体系模型；
具体为：目标层对应供应商评价总分，准则层对应供应商一级指标，子准则层对应供应商二级指标，方案层对应供应商三级指标；
步骤3-2、确定每级指标的相对重要性；
步骤3-3、构建每级指标的判断矩阵并计算权重；
步骤3-4、对所构建的判断矩阵进行一致性检验；
步骤3-5、综合各级指标的权重，获得三级指标的组合权重。
5.根据权利要求1所述的结合BP神经网络的企业领域供应商推荐方法，其特征在于，步骤6所述的结合神经网络模型所推荐供应商和该供应商评价总分排名，确定最终推荐的供应商，具体为：判断神经网络模型所推荐供应商的评价总分是否在排名的前30％，若是，则该供应商为最终推荐的供应商，否则，则该供应商并非最终推荐的供应商。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610900406.4A CN106504015A (zh) | 2016-10-17 | 2016-10-17 | 一种结合bp神经网络的企业领域供应商推荐方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610900406.4A CN106504015A (zh) | 2016-10-17 | 2016-10-17 | 一种结合bp神经网络的企业领域供应商推荐方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106504015A true CN106504015A (zh) | 2017-03-15 |
Family
ID=58294034
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610900406.4A Pending CN106504015A (zh) | 2016-10-17 | 2016-10-17 | 一种结合bp神经网络的企业领域供应商推荐方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106504015A (zh) |
Cited By (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107093014A (zh) * | 2017-04-14 | 2017-08-25 | 广东红餐文化传播有限公司 | 一种餐饮企业信息排名系统 |
| CN107274191A (zh) * | 2017-05-12 | 2017-10-20 | 南京邮电大学 | 一种基于销售方的网络购物退货预测系统 |
| CN107451199A (zh) * | 2017-07-05 | 2017-12-08 | 阿里巴巴集团控股有限公司 | 问题推荐方法及装置、设备 |
| CN107622420A (zh) * | 2017-09-28 | 2018-01-23 | 浪潮通用软件有限公司 | 一种供应商推荐方法及装置 |
| CN107944760A (zh) * | 2017-12-15 | 2018-04-20 | 广州市齐明软件科技有限公司 | 一种企业投标竞争力分析方法与系统 |
| CN108022036A (zh) * | 2017-11-01 | 2018-05-11 | 平安科技（深圳）有限公司 | 评估管理方法、应用服务器及计算机可读存储介质 |
| CN108256763A (zh) * | 2018-01-15 | 2018-07-06 | 苏州索及信息技术有限公司 | 基于层次分析法的非标零部件供应商制造能力分析方法及装置 |
| CN108415921A (zh) * | 2017-09-25 | 2018-08-17 | 平安科技（深圳）有限公司 | 供应商推荐方法、装置及计算机可读存储介质 |
| CN108428037A (zh) * | 2017-10-31 | 2018-08-21 | 平安科技（深圳）有限公司 | 电子装置、调整供应商的方法及存储介质 |
| CN110009242A (zh) * | 2019-04-12 | 2019-07-12 | 网易（杭州）网络有限公司 | 基于神经网络的评标方法及装置、存储介质 |
| CN110070413A (zh) * | 2019-03-25 | 2019-07-30 | 太仓中科信息技术研究院 | 一种基于机器学习的供应商排序方法 |
| CN111460260A (zh) * | 2020-03-31 | 2020-07-28 | 上海智芝全智能科技有限公司 | 多类型数据的数据处理系统、方法及介质 |
| CN111639843A (zh) * | 2020-05-21 | 2020-09-08 | 中国工商银行股份有限公司 | 基于残差神经网络的供应商选择方法及装置 |
| CN111667197A (zh) * | 2020-06-23 | 2020-09-15 | 环胜电子(深圳)有限公司 | 用于表面黏着技术制造工艺的生产质量诊断方法及系统 |
| CN111814056A (zh) * | 2020-07-31 | 2020-10-23 | 平安金融管理学院(中国·深圳) | 基于信息处理的供应商推荐方法及相关设备 |
| CN111915188A (zh) * | 2020-07-31 | 2020-11-10 | 中国建设银行股份有限公司 | 企业的系统性能测试方法、装置和设备 |
| CN112396211A (zh) * | 2019-08-19 | 2021-02-23 | 中移(苏州)软件技术有限公司 | 一种数据预测方法及装置、设备和计算机存储介质 |
| CN112529456A (zh) * | 2020-12-22 | 2021-03-19 | 海尔数字科技(青岛)有限公司 | 一种供应商评价系统、方法、后台设备及存储介质 |
| CN112785226A (zh) * | 2021-01-15 | 2021-05-11 | 上海航天计算机技术研究所 | 一种物资推荐决策系统及推荐决策方法 |
| CN112948667A (zh) * | 2021-02-03 | 2021-06-11 | 北京优易惠技术有限公司 | 一种基于招投标的供应商推荐系统及方法 |
| CN113837793A (zh) * | 2021-08-25 | 2021-12-24 | 杭州杰牌传动科技有限公司 | 一种供应商推荐方法、装置、存储介质及终端 |
| CN114912905A (zh) * | 2022-07-15 | 2022-08-16 | 北京拓普丰联信息科技股份有限公司 | 一种目标对象的挖掘方法及装置 |
| CN116342234A (zh) * | 2023-05-26 | 2023-06-27 | 山东纵横易购产业互联网有限公司 | 一种针对货物实现自动招标采购的方法 |
| CN116434928A (zh) * | 2023-03-27 | 2023-07-14 | 峰禾(北京)科技有限公司 | 一种医疗spd供应链智慧管理方法、装置及计算机设备 |
| US20240144137A1 (en) * | 2022-10-28 | 2024-05-02 | Arkestro Inc. | Procurement modeling system for predicting preferential suppliers and supplier pricing power |
-
2016
- 2016-10-17 CN CN201610900406.4A patent/CN106504015A/zh active Pending
Cited By (31)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107093014A (zh) * | 2017-04-14 | 2017-08-25 | 广东红餐文化传播有限公司 | 一种餐饮企业信息排名系统 |
| CN107274191A (zh) * | 2017-05-12 | 2017-10-20 | 南京邮电大学 | 一种基于销售方的网络购物退货预测系统 |
| CN107451199A (zh) * | 2017-07-05 | 2017-12-08 | 阿里巴巴集团控股有限公司 | 问题推荐方法及装置、设备 |
| CN107451199B (zh) * | 2017-07-05 | 2020-06-26 | 阿里巴巴集团控股有限公司 | 问题推荐方法及装置、设备 |
| CN108415921A (zh) * | 2017-09-25 | 2018-08-17 | 平安科技（深圳）有限公司 | 供应商推荐方法、装置及计算机可读存储介质 |
| CN107622420A (zh) * | 2017-09-28 | 2018-01-23 | 浪潮通用软件有限公司 | 一种供应商推荐方法及装置 |
| CN108428037A (zh) * | 2017-10-31 | 2018-08-21 | 平安科技（深圳）有限公司 | 电子装置、调整供应商的方法及存储介质 |
| CN108022036A (zh) * | 2017-11-01 | 2018-05-11 | 平安科技（深圳）有限公司 | 评估管理方法、应用服务器及计算机可读存储介质 |
| CN107944760A (zh) * | 2017-12-15 | 2018-04-20 | 广州市齐明软件科技有限公司 | 一种企业投标竞争力分析方法与系统 |
| CN107944760B (zh) * | 2017-12-15 | 2020-09-25 | 广州市齐明软件科技有限公司 | 一种企业投标竞争力分析方法与系统 |
| CN108256763A (zh) * | 2018-01-15 | 2018-07-06 | 苏州索及信息技术有限公司 | 基于层次分析法的非标零部件供应商制造能力分析方法及装置 |
| CN110070413A (zh) * | 2019-03-25 | 2019-07-30 | 太仓中科信息技术研究院 | 一种基于机器学习的供应商排序方法 |
| CN110009242A (zh) * | 2019-04-12 | 2019-07-12 | 网易（杭州）网络有限公司 | 基于神经网络的评标方法及装置、存储介质 |
| CN112396211A (zh) * | 2019-08-19 | 2021-02-23 | 中移(苏州)软件技术有限公司 | 一种数据预测方法及装置、设备和计算机存储介质 |
| CN112396211B (zh) * | 2019-08-19 | 2022-12-13 | 中移(苏州)软件技术有限公司 | 一种数据预测方法及装置、设备和计算机存储介质 |
| CN111460260A (zh) * | 2020-03-31 | 2020-07-28 | 上海智芝全智能科技有限公司 | 多类型数据的数据处理系统、方法及介质 |
| CN111639843A (zh) * | 2020-05-21 | 2020-09-08 | 中国工商银行股份有限公司 | 基于残差神经网络的供应商选择方法及装置 |
| CN111667197A (zh) * | 2020-06-23 | 2020-09-15 | 环胜电子(深圳)有限公司 | 用于表面黏着技术制造工艺的生产质量诊断方法及系统 |
| CN111667197B (zh) * | 2020-06-23 | 2023-05-05 | 环荣电子(惠州)有限公司 | 用于表面黏着技术制造工艺的生产质量诊断方法及系统 |
| CN111814056A (zh) * | 2020-07-31 | 2020-10-23 | 平安金融管理学院(中国·深圳) | 基于信息处理的供应商推荐方法及相关设备 |
| CN111915188A (zh) * | 2020-07-31 | 2020-11-10 | 中国建设银行股份有限公司 | 企业的系统性能测试方法、装置和设备 |
| CN112529456A (zh) * | 2020-12-22 | 2021-03-19 | 海尔数字科技(青岛)有限公司 | 一种供应商评价系统、方法、后台设备及存储介质 |
| CN112785226A (zh) * | 2021-01-15 | 2021-05-11 | 上海航天计算机技术研究所 | 一种物资推荐决策系统及推荐决策方法 |
| CN112948667A (zh) * | 2021-02-03 | 2021-06-11 | 北京优易惠技术有限公司 | 一种基于招投标的供应商推荐系统及方法 |
| CN113837793A (zh) * | 2021-08-25 | 2021-12-24 | 杭州杰牌传动科技有限公司 | 一种供应商推荐方法、装置、存储介质及终端 |
| CN114912905A (zh) * | 2022-07-15 | 2022-08-16 | 北京拓普丰联信息科技股份有限公司 | 一种目标对象的挖掘方法及装置 |
| US20240144137A1 (en) * | 2022-10-28 | 2024-05-02 | Arkestro Inc. | Procurement modeling system for predicting preferential suppliers and supplier pricing power |
| CN116434928A (zh) * | 2023-03-27 | 2023-07-14 | 峰禾(北京)科技有限公司 | 一种医疗spd供应链智慧管理方法、装置及计算机设备 |
| CN116434928B (zh) * | 2023-03-27 | 2024-04-05 | 峰禾(北京)科技有限公司 | 一种医疗spd供应链智慧管理方法、装置及计算机设备 |
| CN116342234A (zh) * | 2023-05-26 | 2023-06-27 | 山东纵横易购产业互联网有限公司 | 一种针对货物实现自动招标采购的方法 |
| CN116342234B (zh) * | 2023-05-26 | 2023-08-29 | 山东纵横易购产业互联网有限公司 | 一种针对货物实现自动招标采购的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106504015A (zh) | 一种结合bp神经网络的企业领域供应商推荐方法 | |
| El-Sawalhi et al. | Contractor pre-qualification model: State-of-the-art | |
| Nasab et al. | Finding a probabilistic approach to analyze lean manufacturing | |
| Alvand et al. | Identification and assessment of risk in construction projects using the integrated FMEA-SWARA-WASPAS model under fuzzy environment: a case study of a construction project in Iran | |
| Jin et al. | Modelling optimal risk allocation in PPP projects using artificial neural networks | |
| Chatterjee et al. | Supplier selection in Telecom supply chain management: a Fuzzy-Rasch based COPRAS-G method | |
| Sun et al. | Financial distress early warning based on group decision making | |
| Chuu | Selecting the advanced manufacturing technology using fuzzy multiple attributes group decision making with multiple fuzzy information | |
| Khaleie et al. | Supplier selection using a novel intuitionist fuzzy clustering approach | |
| Xu et al. | A decision support system for product design in concurrent engineering | |
| Cho et al. | A loss function approach to group preference aggregation in the AHP | |
| CN104462827B (zh) | 一种综合评价中指标权重的柔性耦合方法 | |
| KR100766149B1 (ko) | 컴퓨터로 구현되는 자산 샘플링 방법, 시스템 및 컴퓨터 | |
| Chang | A novel supplier selection method that integrates the intuitionistic fuzzy weighted averaging method and a soft set with imprecise data | |
| Su | A hybrid fuzzy approach to fuzzy multi-attribute group decision-making | |
| KR20010108282A (ko) | 입찰가 판정 방법, 시스템 및 컴퓨터 | |
| KR20020063614A (ko) | 신용점수의 자동 추론 평가를 위한 방법 및 시스템 | |
| KR20020063615A (ko) | 어세트 가치 평가에 대한 최저 변동 가정 선택 방법과,포트폴리오 가치 평가 시스템 및 컴퓨터 | |
| Esbouei et al. | Using FANP and fuzzy VIKOR for ranking manufacturing companies based on their financial performance | |
| CN109345050A (zh) | 一种量化交易预测方法、装置及设备 | |
| CN111784109A (zh) | 一种基于毕达哥拉斯模糊集和vikor的供应商选择方法 | |
| CN108596765A (zh) | 一种金融电子资源推荐方法和装置 | |
| Fanaei et al. | Performance prediction of construction projects using soft computing methods | |
| Gritta et al. | A review of the history of air carrier bankruptcy forecasting and the application of various models to the US airline industry, 1980-2005 | |
| CN105844373A (zh) | 目标商圈强度评估系统与方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170315 |
|
| RJ01 | Rejection of invention patent application after publication |