CN112446629B - 一种基于知识图谱的供应商选择方法 - Google Patents

一种基于知识图谱的供应商选择方法 Download PDF

Info

Publication number
CN112446629B
CN112446629B CN202011391045.8A CN202011391045A CN112446629B CN 112446629 B CN112446629 B CN 112446629B CN 202011391045 A CN202011391045 A CN 202011391045A CN 112446629 B CN112446629 B CN 112446629B
Authority
CN
China
Prior art keywords
purchasing
score
demand
feature vector
knowledge graph
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.)
Active
Application number
CN202011391045.8A
Other languages
English (en)
Other versions
CN112446629A (zh
Inventor
吕赐兴
鲁瑶
胡耀华
周梓荣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dongguan University of Technology
Original Assignee
Dongguan University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dongguan University of Technology filed Critical Dongguan University of Technology
Priority to CN202011391045.8A priority Critical patent/CN112446629B/zh
Publication of CN112446629A publication Critical patent/CN112446629A/zh
Application granted granted Critical
Publication of CN112446629B publication Critical patent/CN112446629B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于知识图谱的供应商选择方法，包括以下步骤：S1：构建采购数据集；S2：构建知识图谱G；S3：将知识图谱G映射到低维嵌入空间，得到所述知识图谱G中每个实体的低维特征向量；S4：基于低维特征向量计算新的采购需求u'与知识图谱G中其它实体的相关度得分；S5：将采购需求u'与知识图谱G中其它实体的相关度得分合计获得全局相关性得分，并进行排序，得到排序前N个的供应商。本发明提出基于知识图谱的供应商选择方法，将知识图谱应用于供应商选择，从而使得供应商的选择更加科学和准确，以此来指导供应商的选择，减少了人工经验依赖，提高了供应商选择效率。

Description

一种基于知识图谱的供应商选择方法
技术领域
本发明涉及深度学习技术领域，更具体地，涉及一种基于知识图谱的供应商选择方法。
背景技术
在供应链的网链结构模型中，核心企业的上游聚集着大量的供应商。供应商对核心企业提高产品的质量、改善服务的品质，进而提升顾客满意度却有着不容忽视的作用。核心企业与供应商之间已经形成了“荣辱与共”的合作关系。因此，供应商的选择和评价工作在企业采购业务活动甚至整个供应链管理工作中都居于核心地位。
在传统模式下对供应商的选择，主要基于硬指标和软指标两个因素综合考虑，其中硬指标也就是个体指标，主要考察供应商的技术水平、财务状况、综合实力等客观因素。软指标主要是指合作关系指标，主要考察供应商的诚信、企业文化等主观因素。
供应商的选择方法研究先后经历了三个发展阶段：定性方法、定量方法、定性与定量相结合的方法。定性方法主要是依据企业采购人员以往的业务经验和企业与供应商之间的合作经历选择和评价供应商。常用的方法：直观判断法、招标法和协商选择法；定量方法能非常客观、具体的反映出供应商的选择和评价结果。评价结果比较直观，效果好。常用的定量方法：线性权重法、采购成本法、ABC成本法等；采用定性与定量相结合的供应商选择和评价方法能够把决策中的各种主、客观要素有机的结合起来，体现出各指标对供应商选择结果的影响程度。
由于定性方法在供应商选择和评价过程中缺少科学依据导致在供应商选择过程中中存在大量的主观因素影响；在定量方法中难以对影响供应商选择和评价中某些指标如品牌影响力、合作精神、质量管理水平等，难以定量的客观数据去描述；而定性与定量相结合的方法往往过于追求模型的完善和求解的技巧，使供应商的选择和评价工作过于繁琐，在实践中出现操作性不强的现象。
近年来，随着客户需求变化越来越快，产品周期越来越短，供应链的开放性、动态特性越来越强，供应商的选择也体现了越来越动态的特征。另一方面，云制造等新型制造模式的兴起，要求在开放的环境下，构建实现供需双方之间的制造资源的高度集成，满足需求的动态变化的供应链对于企业至关重要，而选择合适的供应商则是构建供应链的首要前提。当前的云制造、供应商门户等平台积累了丰富的供应商数据、采购记录、评价等数据，这些数据刻画了海量实体之间的多种关系，具有网状结构。如何利用这些数据用于推荐系统中来增强供应商、所采购商品之间联系的认知与解释，从而提高供应商选择的准确度，是本发明所要解决的问题。
发明内容
本发明提供一种基于知识图谱的供应商选择方法，利用供应商数据、采购记录、评价等数据用于推荐系统中来增强供应商、所采购商品之间联系的认知与解释，从而提高供应商选择的准确度。
为解决上述技术问题，本发明的技术方案如下：
一种基于知识图谱的供应商选择方法，包括以下步骤：
S1：构建采购数据集，所述采购数据集包括采购需求量化数据集、供应商综合评分记录、采购执行数据集和采购产品的分类记录；
S2：从采购需求量化数据集、供应商综合评分记录、采购执行数据集、采购产品的分类记录中抽取实体Vec和关系Rel，构建知识图谱G；
S3：将知识图谱G映射到低维嵌入空间，得到所述知识图谱G中每个实体的低维特征向量；
S4：基于低维特征向量计算新的采购需求u'与知识图谱G中其它实体的相关度得分；
S5：将采购需求u'与知识图谱G中其它实体的相关度得分合计获得全局相关性得分，并进行排序，得到排序前N个的供应商。
优选地，步骤S1中构建采购数据集，具体包括以下步骤：
S1.1：构建采购需求量化数据集：针对每一种产品的采购记录，根据每次采购的交期要求、价格要求、供应商要求和质量要求，采用层次分析法，计算采购需求的得分向量，得分{[1,100]、[1,100]、[1,100]、[1,100]}，得分越高代表要求越高，从而得到采购需求的数据；
S1.2：采集供应商综合评分记录：基于硬指标和软指标两个因素综合考虑，其中硬指标也就是个体指标，考察包括供应商的技术水平、财务状况、综合实力的客观因素；软指标指合作关系指标，考察包括供应商的诚信、企业文化的主观因素，由采购相关人员对供应商进行综合评分，该供应商综合评分记录半年一更新；
S1.3：构建采购执行数据集：针对每一种产品、每次采购项目、采集包括采购需求、价格、质量、交期、采购项目评分数据，计算采购需求的执行平均得分；
S1.4：采集采购产品的分类记录：基于对采购产品的管理需求，建立采购产品的分类数据，如委外加工/成品采购、质量关键件/质量一般件、铸造件/机加件、盘类零件/回转类零件/箱类零件/轴类零件、精密加工/非精密加工等。
优选地，所述步骤S1.1中还基于采购需求的得分向量，采用k-means聚类算法，将采购需求分为k类，k取值100-1000，每类作为一个采购需求u。
优选地，所述步骤S1.3中计算采购需求的执行平均得分，具体为：
根据采购需求的分类情况，对k类采购需求中每类采购需求的执行平均得分。
优选地，步骤S2中从采购需求量化数据集、供应商综合评分记录、采购执行数据集、采购产品的分类记录中抽取实体Vec和关系Rel，构建知识图谱G，具体包括以下步骤：
S2.1：遍历采购需求量化数据集、供应商综合评分记录、采购执行数据集和采购产品的分类记录，抽取采购需求、交期、供应商评分、价格、质量评分、采购产品分类、采购项目评分作为实体，得到实体集{Vec}；遍历采购执行数据集，根据每条采购执行记录数据，抽取实体之间的关系集{Rel}；
S2.2：初始化知识图谱G为空，定义循环变量p，从1到P来遍历实体集{Vec}和关系集{Rel}，通过实体间的关系搭建领域知识图谱G＝(Vec，Rel)，得到采购知识图谱。
优选地，步骤S3中将知识图谱G映射到低维嵌入空间，得到所述知识图谱G中每个实体的低维特征向量，具体包括以下步骤：
S3.1：定义窗口尺寸w＝2、输出维度d＝64、以每个节点开始的路径数量H、每条路径的长度t，其中w代表跳字模型(skip-gram)中的窗口大小，d代表输出的特征向量的维度，t代表游走路径的长度；随机初始化隐含信息矩阵 初始化h＝0；
S3.2：将实体节点随机排列，即O＝Shuffle({Vec})；
S3.3：对每一个Vec∈O，执行 其中，/>运用随机游走模型以实体已有关系为边，在知识图谱G中，从vi节点出发，沿着边随机游走t长度的路径得到的节点序列/> 将节点序列/>截短为长度为2|w|+1的子序列，其中w即跳字模型中的窗口大小；将生成的子序列看作由单词组成的句子，采用Word2vec方法将Vec节点映射到d维特征向量；
S3.4：h自身加1后与H比较，若相等，则进入步骤S3.5，若不相等，则返回步骤S3.2；
S3.5：得到每个实体的嵌入表示特征向量，包括采购需求特征向量、交期特征向量、供应商评分特征向量、价格特征向量、质量评分特征向量、采购产品分类特征向量、采购执行评分特征向量。
优选地，步骤S4中基于低维特征向量计算新的采购需求u′与知识图谱G中其它实体的相关度得分，具体包括以下步骤：
S4.1：将新的需求中的采购产品、交货期、质量要求、供应商要求需求作为输入，用层次分析法，计算采购需求的得分向量；在此基础上，采用k-means聚类算法，将该采购需求的得分向量映射在新的采购需求u′；
S4.2：根据步骤S3.5得到的实体的嵌入表示特征向量，使用向量相似性度量计算实体p的相关度得分
如果实体p是采购项目评分，则采用余弦相似度方法计算采购需求u′和采购记录i的相关度得分；如果实体p是交期、供应商评分、价格、质量、采购产品分类，则采用预先相似度方法，分别计算采购记录i与同样采购需求u过去执行良好的采购记录i′的相关度得分，并求平均分作为采购需求u′和采购记录i的相关度得分。
优选地，所述采购记录i与同样采购需求u过去执行良好的采购记录i′的标准为采购执行评分大于80分，数量记为|R+(u)|。
优选地，所述使用向量相似性度量计算实体p的相关度得分的计算公式如下：
式中，u代表采购需求，i代表采购记录，xp(u)代表采购需求的嵌入式特征向量，xp(i)代表采购记录的嵌入式特征向量，s表示向量相似度的度量，采用余弦相似度计算方法，R+(u)表示采购需求u过去执行良好的采购记录。
优选地，步骤S5中将采购需求u′与知识图谱G中其它实体的相关度得分合计获得全局相关性得分，并进行排序，得到排序前N个的供应商具体为：
基于得到的采购需求u′与其它实体的相关度得分进行全局相关得分的计算，采用LambdaMART方法来计算全局相关得分并进行排序，从而得到排序前N个的供应商。
与现有技术相比，本发明技术方案的有益效果是：
本发明提出基于知识图谱的供应商选择方法，将知识图谱应用于供应商选择，通过建立知识图谱，对供应商选择中采购需求与供应商的属性和历史表现得关联进行充分的挖掘和表征，并运用局部相似度计算和全局相似度计算来综合考量供应商选择的多种因素，从而使得供应商的选择更加科学和准确。此外，基于知识图谱的方法也有利于不断将新的采购数据不断加入到采购知识图谱中，提高预估的准确性。利用本发明的推荐供应商的方法，以此来指导供应商的选择，减少了人工经验依赖，提高了供应商选择效率。
附图说明
图1为本发明的方法流程示意图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
本实施例提供一种基于知识图谱的供应商选择方法，如图1，包括以下步骤：
S1：构建采购数据集，所述采购数据集包括采购需求量化数据集、供应商综合评分记录、采购执行数据集和采购产品的分类记录；
S2：从采购需求量化数据集、供应商综合评分记录、采购执行数据集、采购产品的分类记录中抽取实体Vec和关系Rel，构建知识图谱G；
S3：将知识图谱G映射到低维嵌入空间，得到所述知识图谱G中每个实体的低维特征向量；
S4：基于低维特征向量计算新的采购需求u'与知识图谱G中其它实体的相关度得分；
S5：将采购需求u'与知识图谱G中其它实体的相关度得分合计获得全局相关性得分，并进行排序，得到排序前N个的供应商。
步骤S1中构建采购数据集，具体包括以下步骤：
S1.1：构建采购需求量化数据集：针对每一种产品的采购记录，根据每次采购的交期要求、价格要求、供应商要求和质量要求，采用层次分析法，计算采购需求的得分向量，得分越高代表要求越高，从而得到采购需求的数据；
S1.2：采集供应商综合评分记录：基于硬指标和软指标两个因素综合考虑，其中硬指标也就是个体指标，考察包括供应商的技术水平、财务状况、综合实力的客观因素；软指标指合作关系指标，考察包括供应商的诚信、企业文化的主观因素，由采购相关人员对供应商进行综合评分，该供应商综合评分记录半年一更新；
S1.3：构建采购执行数据集：针对每一种产品、每次采购项目、采集包括采购需求、价格、质量、交期、采购项目评分数据，计算采购需求的执行平均得分；
S1.4：采集采购产品的分类记录：基于对采购产品的管理需求，建立采购产品的分类数据。
所述步骤S1.1中还基于采购需求的得分向量，采用k-means聚类算法，将采购需求分为k类(k取值100-1000)，每类作为一个采购需求。
所述步骤S1.3中计算采购需求的执行平均得分，具体为：
根据采购需求的分类情况，对k类采购需求中每类采购需求的执行平均得分。
步骤S2中从采购需求量化数据集、供应商综合评分记录、采购执行数据集、采购产品的分类记录中抽取实体Vec和关系Rel，构建知识图谱G，具体包括以下步骤：
S2.1：遍历采购需求量化数据集、供应商综合评分记录、采购执行数据集和采购产品的分类记录，抽取采购需求、交期、供应商评分、价格、质量评分、采购产品分类、采购项目评分作为实体，得到实体集{Vec}；遍历采购执行数据集，根据每条采购执行记录数据，抽取实体之间的关系集{Rel}；
S2.2：初始化知识图谱G为空，定义循环变量p，从1到P来遍历实体集{Vec}和关系集{Rel}，通过实体间的关系搭建领域知识图谱G＝(Vec，Rel)，得到采购知识图谱。
步骤S3中将知识图谱G映射到低维嵌入空间，得到所述知识图谱G中每个实体的低维特征向量，具体包括以下步骤：
S3.1：定义窗口尺寸w＝2、输出维度d＝64、以每个节点开始的路径数量H、每条路径的长度t，其中w代表跳字模型中的窗口大小，d代表输出的特征向量的维度，t代表游走路径的长度；随机初始化隐含信息矩阵 初始化h＝0；
S3.2：将实体节点随机排列，即O＝Shuffle({Vec})；
S3.3：对每一个Vec∈O，执行 其中，/>运用随机游走模型以实体已有关系为边，在知识图谱G中，从vi节点出发，沿着边随机游走t长度的路径得到的节点序列/> 将节点序列/>截短为长度为2|w|+1的子序列，其中w即跳字模型中的窗口大小；将生成的子序列看作由单词组成的句子，采用Word2vec方法将Vec节点映射到d维特征向量；
S3.4：h自身加1后与H比较，若相等，则进入步骤S3.5，若不相等，则返回步骤S3.2；
S3.5：得到每个实体的嵌入表示特征向量，包括采购需求特征向量、交期特征向量、供应商评分特征向量、价格特征向量、质量评分特征向量、采购产品分类特征向量、采购执行评分特征向量。
步骤S4中基于低维特征向量计算新的采购需求u′与知识图谱G中其它实体的相关度得分，具体包括以下步骤：
S4.1：将新的需求中的采购产品、交货期、质量要求、供应商要求需求作为输入，用层次分析法，计算采购需求的得分向量；在此基础上，采用k-means聚类算法，将该采购需求的得分向量映射在新的采购需求u′；
S4.2：根据步骤S3.5得到的实体的嵌入表示特征向量，使用向量相似性度量计算实体p的相关度得分
如果实体p是采购项目评分，则采用余弦相似度方法计算采购需求u′和采购记录i的相关度得分；如果实体p是交期、供应商评分、价格、质量、采购产品分类，则采用预先相似度方法，分别计算采购记录i与同样采购需求u过去执行良好的采购记录i′的相关度得分，并求平均分作为采购需求u′和采购记录i的相关度得分。
所述采购记录i与同样采购需求u过去执行良好的采购记录i′的标准为采购执行评分大于80分，数量记为|R+(u)|。
所述使用向量相似性度量计算实体p的相关度得分的计算公式如下：
式中，u代表采购需求，i代表采购记录，xp(u)代表采购需求的嵌入式特征向量，xp(i)代表采购记录的嵌入式特征向量，s表示向量相似度的度量，采用余弦相似度计算方法，R+(u)表示采购需求u过去执行良好的采购记录。
步骤S5中将采购需求u′与知识图谱G中其它实体的相关度得分合计获得全局相关性得分，并进行排序，得到排序前N个的供应商具体为：
基于得到的采购需求u′与其它实体的相关度得分进行全局相关得分的计算，采用LambdaMART方法来计算全局相关得分并进行排序，从而得到排序前N个的供应商。
相同或相似的标号对应相同或相似的部件；
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种基于知识图谱的供应商选择方法，其特征在于，包括以下步骤：
S1：构建采购数据集，所述采购数据集包括采购需求量化数据集、供应商综合评分记录、采购执行数据集和采购产品的分类记录；
S2：从采购需求量化数据集、供应商综合评分记录、采购执行数据集、采购产品的分类记录中抽取实体Vec和关系Rel，构建知识图谱G；
S3：将知识图谱G映射到低维嵌入空间，得到所述知识图谱G中每个实体的低维特征向量；
S4：基于低维特征向量计算新的采购需求u'与知识图谱G中其它实体的相关度得分；
S5：将新的采购需求u'与知识图谱G中其它实体的相关度得分合计获得全局相关性得分，并进行排序，得到排序前N个的供应商。
2.根据权利要求1所述的基于知识图谱的供应商选择方法，其特征在于，步骤S1中构建采购数据集，具体包括以下步骤：
S1.1：构建采购需求量化数据集：针对每一种产品的采购记录，根据每次采购的交期要求、价格要求、供应商要求和质量要求，采用层次分析法，计算采购需求的得分向量，得分越高代表要求越高，从而得到采购需求的数据；
S1.2：采集供应商综合评分记录：基于硬指标和软指标两个因素综合考虑，其中硬指标也就是个体指标，考察包括供应商的技术水平、财务状况、综合实力的客观因素；软指标指合作关系指标，考察包括供应商的诚信、企业文化的主观因素，由采购相关人员对供应商进行综合评分，该供应商综合评分记录半年一更新；
S1.3：构建采购执行数据集：针对每一种产品、每次采购项目、采集包括采购需求、价格、质量、交期、采购项目评分数据，计算采购需求的执行平均得分；
S1.4：采集采购产品的分类记录：基于对采购产品的管理需求，建立采购产品的分类数据。
3.根据权利要求2所述的基于知识图谱的供应商选择方法，其特征在于，所述步骤S1.1中还基于采购需求的得分向量，采用k-means聚类算法，将采购需求分为k类，k取值范围为100-1000，每类作为一个采购需求。
4.根据权利要求3所述的基于知识图谱的供应商选择方法，其特征在于，所述步骤S1.3中计算采购需求的执行平均得分，具体为：
根据采购需求的分类情况，对k类采购需求中每类采购需求的执行平均得分。
5.根据权利要求4所述的基于知识图谱的供应商选择方法，其特征在于，步骤S2中从采购需求量化数据集、供应商综合评分记录、采购执行数据集、采购产品的分类记录中抽取实体Vec和关系Rel，构建知识图谱G，具体包括以下步骤：
S2.1：遍历采购需求量化数据集、供应商综合评分记录、采购执行数据集和采购产品的分类记录，抽取采购需求、交期、供应商评分、价格、质量评分、采购产品分类、采购项目评分作为实体，得到实体集{Vec}；遍历采购执行数据集，根据每条采购执行记录数据，抽取实体之间的关系集{Rel}；
S2.2：初始化知识图谱G为空，定义循环变量p，从1到P来遍历实体集{Vec}和关系集{Rel}，通过实体间的关系搭建领域知识图谱G＝(Vec，Rel)，得到采购知识图谱。
6.根据权利要求5所述的基于知识图谱的供应商选择方法，其特征在于，步骤S3中将知识图谱G映射到低维嵌入空间，得到所述知识图谱G中每个实体的低维特征向量，具体包括以下步骤：
S3.1：定义窗口尺寸w＝2、输出维度d＝64、以每个节点开始的路径数量H、每条路径的长度t，其中w代表跳字模型中的窗口大小，d代表输出的特征向量的维度，t代表游走路径的长度；随机初始化隐含信息矩阵初始化h＝0；
S3.2：将实体节点随机排列，即O＝Shuffle({Vec})；
S3.3：对每一个Vec∈O，执行 其中，/>运用随机游走模型以实体已有关系为边，在知识图谱G中，从vi节点出发，沿着边随机游走t长度的路径得到的节点序列/> 将节点序列/>截短为长度为2|w|+1的子序列，其中w即跳字模型中的窗口大小；将生成的子序列看作由单词组成的句子，采用Word2vec方法将Vec节点映射到d维特征向量；
S3.4：h自身加1后与H比较，若相等，则进入步骤S3.5，若不相等，则返回步骤S3.2；
S3.5：得到每个实体的嵌入表示特征向量，包括采购需求特征向量、交期特征向量、供应商评分特征向量、价格特征向量、质量评分特征向量、采购产品分类特征向量、采购执行评分特征向量。
7.根据权利要求6所述的基于知识图谱的供应商选择方法，其特征在于，步骤S4中基于低维特征向量计算新的采购需求u'与知识图谱G中其它实体的相关度得分，具体包括以下步骤：
S4.1：将新的需求中的采购产品、交货期、质量要求、供应商要求需求作为输入，用层次分析法，计算采购需求的得分向量；在此基础上，采用k-means聚类算法，将该采购需求的得分向量映射在新的采购需求u'；
S4.2：根据步骤S3.5得到的实体的嵌入表示特征向量，使用向量相似性度量计算实体p的相关度得分
如果实体p是采购项目评分，则采用余弦相似度方法计算新的采购需求u'和采购记录i的相关度得分；如果实体p是交期、供应商评分、价格、质量、采购产品分类，则采用预先相似度方法，分别计算采购记录i与同样采购需求u过去执行良好的采购记录i′的相关度得分，并求平均分作为新的采购需求u'和采购记录i的相关度得分。
8.根据权利要求7所述的基于知识图谱的供应商选择方法，其特征在于，所述采购记录i与同样采购需求u过去执行良好的采购记录i′的标准为采购执行评分大于80分，数量记为|R+(u)|。
9.根据权利要求8所述的基于知识图谱的供应商选择方法，其特征在于，所述使用向量相似性度量计算实体p的相关度得分的计算公式如下：
式中，u代表采购需求，i代表采购记录，xp(u)代表采购需求的嵌入式特征向量，xp(i)代表采购记录的嵌入式特征向量，s表示向量相似度的度量，采用余弦相似度计算方法，R+(u)表示采购需求u过去执行良好的采购记录。
10.根据权利要求9所述的基于知识图谱的供应商选择方法，其特征在于，步骤S5中将新的采购需求u'与知识图谱G中其它实体的相关度得分合计获得全局相关性得分，并进行排序，得到排序前N个的供应商具体为：
基于得到的新的采购需求u'与其它实体的相关度得分进行全局相关得分的计算，采用LambdaMART方法来计算全局相关得分并进行排序，从而得到排序前N个的供应商。
CN202011391045.8A 2020-12-02 2020-12-02 一种基于知识图谱的供应商选择方法 Active CN112446629B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011391045.8A CN112446629B (zh) 2020-12-02 2020-12-02 一种基于知识图谱的供应商选择方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011391045.8A CN112446629B (zh) 2020-12-02 2020-12-02 一种基于知识图谱的供应商选择方法

Publications (2)

Publication Number Publication Date
CN112446629A CN112446629A (zh) 2021-03-05
CN112446629B true CN112446629B (zh) 2024-03-29

Family

ID=74739636

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011391045.8A Active CN112446629B (zh) 2020-12-02 2020-12-02 一种基于知识图谱的供应商选择方法

Country Status (1)

Country Link
CN (1) CN112446629B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113127754A (zh) * 2021-04-16 2021-07-16 天津大学 一种基于知识图谱的供应商推荐方法
CN116128257A (zh) * 2023-04-17 2023-05-16 成都晓多科技有限公司 基于知识图谱的任务人员匹配方法及系统
CN117575372B (zh) * 2024-01-16 2024-04-12 湘江实验室 一种基于知识图谱的供应链质量管理系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110148043A (zh) * 2019-03-01 2019-08-20 安徽省优质采科技发展有限责任公司 基于知识图谱的招标采购信息推荐系统及推荐方法
CN113127754A (zh) * 2021-04-16 2021-07-16 天津大学 一种基于知识图谱的供应商推荐方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11042922B2 (en) * 2018-01-03 2021-06-22 Nec Corporation Method and system for multimodal recommendations
US20200302359A1 (en) * 2019-03-22 2020-09-24 Wipro Limited Method and system for determining a potential supplier for a project

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110148043A (zh) * 2019-03-01 2019-08-20 安徽省优质采科技发展有限责任公司 基于知识图谱的招标采购信息推荐系统及推荐方法
CN113127754A (zh) * 2021-04-16 2021-07-16 天津大学 一种基于知识图谱的供应商推荐方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
DeepWalk: Online Learning of Social Representations;Bryan Perozzi;PROCEEDINGS OF THE 20TH ACM SIGKOD INTERNATIONAL CONFERENCE ON KNOWLEDGE DISCOVERY AND DATA MINING;全文 *
Enrico Palumbo.entity2rec: Learning User-Item Relatedness from Knowledge Graphs for Top-N Item Recommendation.RecSys '17: Proceedings of the Eleventh ACM Conference on Recommender Systems.2017,全文. *
Supplier recommendation based on knowledge graph embedding;吕赐兴;2020 Management Science Information and Economic Innovation Development Conference (MSIEID);全文 *

Also Published As

Publication number Publication date
CN112446629A (zh) 2021-03-05

Similar Documents

Publication Publication Date Title
Wanasida et al. The role of business capabilities in supporting organization agility and performance during the COVID-19 pandemic: An empirical study in Indonesia
CN112446629B (zh) 一种基于知识图谱的供应商选择方法
Xiao et al. Crowd intelligence: Analyzing online product reviews for preference measurement
Al-Alwan et al. The effect of big data on decision quality: Evidence from telecommunication industry
US11734566B2 (en) Systems and processes for bias removal in a predictive performance model
US20090138304A1 (en) Data Mining
US20160171590A1 (en) Push-based category recommendations
Yasa et al. The influence of social media usage on the perceived business value and its impact on business performance of Silver Craft Smes in Celuk Village, Gianyar-Bali
Deng et al. RETRACTED ARTICLE: A study on e-commerce customer segmentation management based on improved K-means algorithm
Madzík et al. Customer categorization using a three-dimensional loyalty matrix analogous to FMEA
KR101625124B1 (ko) 특허 정량분석을 이용한 기술평가 방법
Namvar et al. An approach to optimised customer segmentation and profiling using RFM, LTV, and demographic features
Beigi et al. A framework for firm performance under the influence of knowledge management and dynamic capabilities: examining the mediating role of sustainable competitive advantage
Kim et al. Fitness switching costs scale (FSCS): development and assessment of higher-order reflective-formative scale
Sheshasaayee et al. An efficiency analysis on the TPA clustering methods for intelligent customer segmentation
Kosasi et al. The mediating role of intention to use e-commerce adoption in MSMEs
Yeo et al. The influence of B2B relationship quality on opportunism and firm performance
Marques et al. Tax Avoidance and Corporate Social Responsibility: A Meta-Analysis
Chou et al. The RFM Model Analysis for VIP Customer: A case study of golf clothing brand
Chen et al. Using data mining to provide recommendation service
CN114065725A (zh) 一种采购大数据管理系统
Safari et al. Proposing a framework for strategic positioning using an integrated method
Ma et al. User portrait-based hybrid recommendation method of web services
Ashouri Quality indicators in the mobile industry rankings based on indicators of customer satisfaction with the hybrid approach DEMATEL and ANP appropriate strategy based on gray system
Pham Impact of Customer Analytics Use on CRM: Role of Analytics's culture, Information quality, and customer orientation

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant