CN111369174B - 一种基于特征提取的军民融合跨层式纵向资源匹配方法 - Google Patents

Abstract

本发明公开了一种基于特征提取的军民融合跨层式纵向资源匹配方法，提出军需需求供应链的分层概念，将一个特定的军需需求分解为供应链中的各个元素，再利用收集工具所获取的众多供应商资源进行匹配对接，属于一种新的资源匹配方式；通过数据建模，并利用机器学习的理论，成功构建了有限军需需求分解的供应链，与海量供应商之间的转换关系,实现了军需需求与供应商之间的跨层匹配；提出了第三方约束条件下两种迭代式的转换矩阵更新方法，为军需需求提供了更准确、有效的资源匹配方式。

Description

一种基于特征提取的军民融合跨层式纵向资源匹配方法

技术领域

本发明属于资源匹配方法技术领域，具体涉及一种基于特征提取的军民融合跨层式纵向资源匹配方法。

背景技术

国家对军民融合的发展诉求迫切，业已上升至国家战略层面，其是历经几代国家领导人智慧的结晶。从经济学角度讲，军民融合追求国防硬实力的“最优成本”，讲求剥离国防装备研制、非核心竞争力的资源供给、后勤服务保障等业务，集中优势力量总体设计国防装备能力、发展作战能力。从国家发展角度讲，军民融合又面向全社会释放各类高科技、基础产业、服务产业等供给需求，能够极大程度带动国民经济发展，形成良性循环。我国军民融合重要理论的提出时间较早，但实施较晚，目前也正处在初步发展阶段。

发明内容

本发明的目的是提供一种基于特征提取的军民融合跨层式纵向资源匹配方法，通过构建有限军需需求分解的供应链与海量供应商之间的转换关系,实现军需需求与供应商之间的跨层匹配。

本发明采用的技术方案是，一种基于特征提取的军民融合跨层式纵向资源匹配方法，具体按照以下步骤实施：

步骤1、构建军需需求筛选模型，该模型中分为三层结构，第一层为供应链，第二层为各供应链中每个供应商的解决方案，第三层为每个供应商的第三方约束；

步骤2、通过军需需求筛选模型将军需需求根据供应链拆分为多个元素，将多个元素构成的军需需求列向量，同时搜索相应数量的供应链中每个供应商提供解决方案作为解决方案列向量，建立军需需求列向量、解决方案列向量以及需求接矩矩阵之间的等式关系；

步骤3、采用监督式机器学习的方法进行推导需求接矩矩阵；

步骤4、通过已知军需需求列向量和需求对接矩阵求得理论供应向量，计算解决方案列向量中每个向量与理论供应向量的线性相关系数，选出最优线性关系数；

步骤5、将每个供应商的第三方约束定义为向量，并在需求矩阵中体现，通过需求法或减少供应法进行求解，迭代重新计算需求接矩矩阵和最佳供应方的特征向量。

本发明的特点还在于：

步骤2具体过程为：

步骤2.1、通过军需需求筛选模型将军需需求根据供应链拆分为n个元素，n个元素构成的军需需求n维列向量，表示为：

步骤2.2、搜索相应数量的供应链中每个供应商提供解决方案作为解决方案列向量，则该列向量的维度数为n，该向量表示为：

步骤2.3、假设军需需求列向量X和供应商提供的解决方案列向量Y之间的强关系对应需求接矩矩阵为A，取需求接矩矩阵A为跨层资源匹配对接矩阵，则满足A*X＝Y；

步骤3具体过程为：

步骤3.1、假设已知军需需求样本为D为：

D＝{X₁,X₂,…,X_m}

假设供应商供给样本为S为：

S＝{S₁,S₂,…,S_m}

其中式中m为已知的样本数量，并且可合理进行规定m≥n；

步骤3.2、假设军需需求矩阵A为:

其中A_i表示矩阵A的第i个列向量，将供应商供给样本S进行转置运算，并按列向量表示，可得如下公式：

S^T＝{b_i,b₂,…,b_n}

则由A*X＝Y可获得：

D^T*A_i＝b_i

其中i＝(1,2,3,…,n)；

进而获得一组m行n列的超定线性方程组，采用最小二乘法进行求解A_i；

步骤3.3、分别求得i＝(1,2,3,…,n)时对应的A_i，则可求的由n个列向量A_i构成需求接矩矩阵A。

步骤4具体过程为：

步骤4.1、已知军需需求列向量X和需求对接矩阵A,可由下式求得理论供应向量Y_o,

A*X＝Y_o

对于所有供应商提供的供应集向量即解决方案列向量假设为：

S＝{Y₁,Y₂,…Y_M}

其中M>>m；

步骤4.2、遍历计算集合S中每个向量Y_i与Y_o的线性相关系数，计算公式如下：

其中，Cov(X,Y)为X与Y的协方差，Var[X]为X的方差，Var[Y]为Y的方差；

设Y_i与Y_o的相关系数为：

r_i＝r(Y_i,Y_o)

步骤4.3、最佳供应商的特征向量Y_best为：

r(Y_best,Y_o)＝MAX{r(Y₁,Y_o),r(Y₂,Y_o),r(Y₃,Y_o)…,r(Y_M,Y_o)}。

步骤1和步骤5中第三方约束为3个维度审查和1个专家体系性分析，3个维度审查包括资质审查、征信查询、风险控制评估。

步骤5具体过程为：

步骤5.1、第三方约束定义为向量W，并假设向量W矩阵如下：

W＝(W₁,W₂,W₃,…W_k)^T；

步骤5.2、将W当做另一种特殊的军需需求，将其追加到军需需求X中，生成新的军需需求X'：

X'＝(X₁,X₂,X₃,…X_n,W₁,W₂,W₃,…W_k)；

步骤5.3、采用步骤2-步骤4的方法，重新迭代更新需求接矩矩阵A'和最佳供应方的特征向量Y_best'。

步骤5具体过程为：

步骤5.1、第三方约束条件定义为向量W，并假设向量W矩阵如下：

W＝(W₁,W₂,W₃,…W_k)^T；

步骤5.2、根据W当做另一种特殊的军需需求，对所有供应方提供的供应向量集合Y＝(y₁,y₂,...，y_n)^T进行过滤，不满足W的将提前剔除，生成新的供应向量Y'，假设为：

Y'＝(Y₁,Y₂,Y₃,…Y_S)；

其中s＝n-k，k为向量W的维度；

步骤5.3、采用步骤2-步骤4的方法，重新迭代更新需求接矩矩阵A'和最佳供应方的特征向量Y_best'。

本发明基于特征提取的军民融合跨层式纵向资源匹配算法有益效果是：

(1)提出军需需求供应链的分层概念，将一个特定的军需需求分解为供应链中的各个元素，再利用收集工具所获取的众多供应商资源进行匹配对接，属于一种新的资源匹配方式；

(2)通过数据建模，并利用机器学习的理论，成功构建了有限军需需求分解的供应链，与海量供应商之间的转换关系,实现了军需需求与供应商之间的跨层匹配。

(3)提出了第三方约束条件下两种迭代式的转换矩阵更新方法，为军需需求提供了更准确、有效的资源匹配方式。

附图说明

图1是传统军民融合资源匹配示意图；

图2是跨层纵向资源配匹配算法描述示意图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

传统的资源匹配算法，如图1所示，仅凭人工经验或者有限的需求发送，来进行资源匹配，如在固定的供应商库里面去寻找类似的，通过打听或者搜索关键字，一家一家进行询问，最终得到匹配，这种方式存在人为的主观判断，结果的准确性不高；本发明正是通过将海量的供应商进行特征归类，通过人工智能的方式进行匹配，从而更加详细、精准地进行用户的需求匹配。

本发明一种基于特征提取的军民融合跨层式纵向资源匹配方法，如图2所示，，具体按照以下步骤实施：

步骤1、构建军需需求筛选模型，该模型中分为三层结构，第一层为供应链，第二层为各供应链中每个供应商的解决方案，第三层为每个供应商的第三方约束；

第一层是基于垂直领域的搜索引擎，由于任何研究机构、私营、公营公司，具有军民融合在技术、产品、渠道方面集合搜索的引擎，因此本发明中提出军需需求供应链的分层概念，即军方提出的某个项目设计研发或项目需求，进行行业分类，如一台坦克的采购，首先将坦克的需求进入对应的需求分解器，防弹材料、结构要求、载弹需求，发动机需求、通信模块需求、涂料需求、坦克控制系统需求等需求分解。其作用是：将不同的需求对应进行不同的行业分类，进行细分对应，之后将各个对应的行业分类进行产品的特征库提取，产生第二次的需求集分解，此时的需求则是可被下一层完全可以理解和匹配的关键需求关键数据。

第二层为军工领域垂直搜索对接层，其与传统的搜索引擎不同在于，其更加注重在军工领域的产品、技术、能力的搜索，其下层面向的是爬虫系统可爬取的各类信息数据源，其中有传统搜索引擎百度、Bing、搜狗面向全维度信息的搜索引擎，也有针对军工领域专门设计的定向爬取数据源信息。

军工垂直领域搜索的信息搜索是承接上层需求，直接面向公网和特定数据库进行检索匹配的模块，其优势在于其能够扩大需求的搜索范围，能够找出尽可能多的匹配项，但确无法断定那个需求为最优匹配项。

第三层为筛选层，本发明从3个维度审查和1个专家体系性分析，最终决定最优匹配项。3个维度分别是：①第三方资质审查，主要对发布的需求面向筛选的军民融合供应商进行涉密、生产许可等各种要求的资质进行筛选；②第三方征信审查，主要是对筛选的企业、法人、高管的个人及关联公司的征信进行筛选，筛选出信誉方面最优的军民融合供货商；③第三是风险控制，主要是对筛选的企业在进行此次需求提供时的风险、企业目前存在的风险进行分析，筛选出相对能够较好完成需求供给的企业，以降低后续供货时的风险。

步骤2、通过军需需求筛选模型将军需需求根据供应链拆分为多个元素，将多个元素构成的军需需求列向量，同时搜索相应数量的供应链中每个供应商提供解决方案作为解决方案列向量，建立军需需求列向量、解决方案列向量以及需求接矩矩阵之间的等式关系，采用监督式机器学习的方法进行推导需求接矩矩阵；步骤2具体过程为：

步骤2.1、通过军需需求筛选模型将军需需求根据供应链拆分为n个元素，n个元素构成的军需需求n维列向量，表示为：

步骤2.2、搜索相应数量的供应链中每个供应商提供解决方案作为解决方案列向量，由于面向基于军工类的垂直领域搜索引擎，供应链的供应方的数据是庞大的，涉及了各个行业和各种相关度，但从本质上讲，可假设供应商提供的产品具有的对应产品特征向量为Y，特征向量的维度与供应方的维度相同，同为n，该向量表示为：

步骤3.3、假设军需需求列向量X和供应商提供的解决方案列向量Y之间的强关系对应需求接矩矩阵为A，则可将A进行如下的合理假设：

称式(3)为跨层资源匹配对接矩阵。则军需需求X和供应商提供的解决方案Y之间满足关系满足下式：

A*X＝Y (4)；

该步骤中，假设需发布的军需需求X,可被分解为n个供应链需求，也就是只要从供应链中找出n个相关性较强的供应产品，将其信息集中共给某家产品提供商，则可提高该产品的供应效果的同时，还能够对该供应商的技术积累，材料采购成本、产品维护等方面均有较大帮助。

步骤3、采用监督式机器学习的方法进行推导需求接矩矩阵，过程为：

步骤3.1、假设已知军需需求样本为D为：

D＝{X₁,X₂,…,X_m} (5)

假设供应商供给样本为S为：

S＝{S₁,S₂,…,S_m} (6)

其中式中m为已知的样本数量，并且可合理进行规定m≥n；

步骤3.2、假设军需需求矩阵A为:

其中A_i表示矩阵A的第i个列向量，将供应商供给样本S进行转置运算，并按列向量表示，可得如下公式：

S^T＝{b_i,b₂,…,b_n} (8)

则由A*X＝Y可获得：

D^T*A_i＝b_i (9)

其中i＝(1,2,3,…,n)；

式(9)为一组m行n列的超定线性方程组，采用最小二乘法进行求解A_i。

对式(9)两边分别左乘矩阵D,则式(9)转化为

D*D^T*A_i＝D*b_i (10)

其中D*D^T为n*n的矩阵，而D*b_i为1*n的列向量。因此，式(10)转化为一组n个方程，且n个未知数的方程组，对该方程组求唯一解，便可求得A_i。

步骤3.3、分别求得i＝(1,2,3,…,n)时对应的A_i，则可求的由n个列向量A_i构成需求接矩矩阵A。

步骤4、通过已知军需需求列向量和需求对接矩阵求得理论供应向量，计算解决方案列向量中每个向量与理论供应向量的线性相关系数，选出最优线性关系数；步骤4具体过程为：

步骤4.1、已知军需需求列向量X和需求对接矩阵A,可由下式求得理论供应向量Y_o,

A*X＝Y_o (11)

对于所有供应商提供的供应集向量即解决方案列向量假设为：

S＝{Y₁,Y₂,…Y_M} (12)

其中M>>m；

步骤4.2、遍历计算集合S中每个向量Y_i与Y_o的线性相关系数，计算公式如下：

其中，Cov(X,Y)为X与Y的协方差，Var[X]为X的方差，Var[Y]为Y的方差；

设Y_i与Y_o的相关系数为：

r_i＝r(Y_i,Y_o) (14)

步骤4.3、最佳供应商的特征向量Y_best为：

r(Y_best,Y_o)＝MAX{r(Y₁,Y_o),r(Y₂,Y_o),r(Y₃,Y_o)…,r(Y_M,Y_o)} (15)。

步骤5、将每个供应商的第三方约束定义为向量，并在需求矩阵中体现，通过需求法或减少供应法进行求解，迭代重新计算需求接矩矩阵和最佳供应方的特征向量。

步骤1和步骤5中第三方约束为3个维度审查和1个专家体系性分析，3个维度审查包括资质审查、征信查询、风险控制评估。

迭代重新计算需求接矩矩阵和最佳供应方的特征向量包括以下两种形式：

第一种：需求法

步骤5具体过程为：

步骤5.1、第三方约束定义为向量W，并假设向量W矩阵如下：

W＝(W₁,W₂,W₃,…W_k)^T (16)；

步骤5.2、将W当做另一种特殊的军需需求，将其追加到军需需求X中，生成新的军需需求X'：

X'＝(X₁,X₂,X₃,…X_n,W₁,W₂,W₃,…W_k) (17)；

步骤5.3、采用步骤2-步骤4的方法，重新迭代更新需求接矩矩阵A'和最佳供应方的特征向量Y_best'。

第二种：减少供应法

步骤5具体过程为：

步骤5.1、第三方约束条件定义为向量W，并假设向量W矩阵如下：

W＝(W₁,W₂,W₃,…W_k)^T；

步骤5.2、根据W当做另一种特殊的军需需求，对所有供应方提供的供应向量集合Y＝(y₁,y₂,...，y_n)^T进行过滤，不满足W的将提前剔除，生成新的供应向量Y'，假设为：

Y'＝(Y₁,Y₂,Y₃,…Y_S) (19)；

其中s＝n-k，k为向量W的维度；

步骤5.3、采用步骤2-步骤4的方法，重新迭代更新需求接矩矩阵A'和最佳供应方的特征向量Y_best'。

通过上述方式，本发明中基于特征提取的军民融合跨层式综合资源匹配算法的核心，是解决以下三个问题：①如何对需求对接矩阵A进行合适的建模，找出尽量合适的A，使其满足式(4)；②如何通过矩阵A判定供应方Y是否满足需求方X；③对海量搜索引擎提供的供应链数据中，如何通过资质审查，征信查询，风控评估和专家体系分析等外界因素如何在对接矩阵A中进行体现。也就是如何对对接矩阵进行正约束，使对接矩阵更符合要求。从实际意义解释，则为筛出更为合适的供应链体系中的各类供应商。

Claims (7)

1.一种基于特征提取的军民融合跨层式纵向资源匹配方法，其特征在于，具体按照以下步骤实施：

步骤1、构建军需需求筛选模型，该模型中分为三层结构，第一层为供应链，第二层为各供应链中每个供应商的解决方案，第三层为每个供应商的第三方约束；

步骤2、通过军需需求筛选模型将军需需求根据供应链拆分为多个元素，将多个元素构成的军需需求列向量，同时搜索相应数量的供应链中每个供应商提供解决方案作为解决方案列向量，建立军需需求列向量、解决方案列向量以及需求接矩矩阵之间的等式关系；

步骤3、采用监督式机器学习的方法进行推导需求接矩矩阵；

步骤4、通过已知军需需求列向量和需求对接矩阵求得理论供应向量，计算解决方案列向量中每个向量与理论供应向量的线性相关系数，选出最优线性关系数；

步骤5、将每个供应商的第三方约束定义为向量，并在需求矩阵中体现，通过需求法或减少供应法进行求解，迭代重新计算需求接矩矩阵和最佳供应方的特征向量。

2.根据权利要求1所述一种基于特征提取的军民融合跨层式纵向资源匹配方法，其特征在于，步骤2具体过程为：

步骤2.1、通过军需需求筛选模型将军需需求根据供应链拆分为n个元素，n个元素构成的军需需求n维列向量，表示为：

步骤2.2、搜索相应数量的供应链中每个供应商提供解决方案作为解决方案列向量，则该列向量的维度数为n，该向量表示为：

步骤2.3、假设军需需求列向量X和供应商提供的解决方案列向量Y之间的强关系对应需求接矩矩阵为A，取需求接矩矩阵A为跨层资源匹配对接矩阵，则满足A*X＝Y。

3.根据权利要求1所述一种基于特征提取的军民融合跨层式纵向资源匹配方法，其特征在于，所述步骤3具体过程为：

步骤3.1、假设已知军需需求样本为D为：

D＝{X₁,X₂,…,X_m}

假设供应商供给样本为S为：

S＝{S₁,S₂,…,S_m}

其中式中m为已知的样本数量，并且规定m≥n；

步骤3.2、假设军需需求矩阵A为:

其中A_i表示矩阵A的第i个列向量，将供应商供给样本S进行转置运算，并按列向量表示，可得如下公式：

S^T＝{b_i,b₂,…,b_n}

则由A*X＝Y可获得：

D^T*A_i＝b_i

其中i＝(1,2,3,…,n)；

进而获得一组m行n列的超定线性方程组，采用最小二乘法进行求解A_i；

步骤3.3、分别求得i＝(1,2,3,…,n)时对应的A_i，则可求的由n个列向量A_i构成需求接矩矩阵A。

4.根据权利要求1所述一种基于特征提取的军民融合跨层式纵向资源匹配方法，其特征在于，步骤4具体过程为：

步骤4.1、已知军需需求列向量X和需求对接矩阵A,可由下式求得理论供应向量Y_o,

A*X＝Y_o

对于所有供应商提供的供应集向量即解决方案列向量假设为：

S＝{Y₁,Y₂,…Y_M}

其中M>>m；

步骤4.2、遍历计算集合S中每个向量Y_i与Y_o的线性相关系数，计算公式如下：

其中，Cov(X,Y)为X与Y的协方差，Var[X]为X的方差，Var[Y]为Y的方差；

设Y_i与Y_o的相关系数为：

r_i＝r(Y_i,Y_o)

步骤4.3、最佳供应商的特征向量Y_best为：

r(Y_best,Y_o)＝MAX{r(Y₁,Y_o),r(Y₂,Y_o),r(Y₃,Y_o)…,r(Y_M,Y_o)}。

5.根据权利要求1所述一种基于特征提取的军民融合跨层式纵向资源匹配方法，其特征在于，步骤1和步骤5中所述第三方约束为3个维度审查和1个专家体系性分析，所述3个维度审查包括资质审查、征信查询、风险控制评估。

6.根据权利要求4所述一种基于特征提取的军民融合跨层式纵向资源匹配方法，其特征在于，步骤5具体过程为：

步骤5.1、第三方约束定义为向量W，并假设向量W矩阵如下：

W＝(W₁,W₂,W₃,…W_k)^T；

步骤5.2、将W当做另一种特殊的军需需求，将其追加到军需需求X中，生成新的军需需求X'：

X'＝(X₁,X₂,X₃,…X_n,W₁,W₂,W₃,…W_k)；

步骤5.3、采用步骤2-步骤4的方法，重新迭代更新需求接矩矩阵A'和最佳供应方的特征向量Y_best'。

7.根据权利要求4所述一种基于特征提取的军民融合跨层式纵向资源匹配方法，其特征在于，步骤5具体过程为：

步骤5.1、第三方约束条件定义为向量W，并假设向量W矩阵如下：

W＝(W₁,W₂,W₃,…W_k)^T；

步骤5.2、根据W当做另一种特殊的军需需求，对所有供应方提供的供应向量集合Y＝(y₁,y₂,...，y_n)^T进行过滤，不满足W的将提前剔除，生成新的供应向量Y'，假设为：

Y'＝(Y₁,Y₂,Y₃,…Y_S)；

其中s＝n-k，k为向量W的维度；

步骤5.3、采用步骤2-步骤4的方法，重新迭代更新需求接矩矩阵A'和最佳供应方的特征向量Y_best'。

Images