CN113034231B - 一种基于SaaS云服务的多供应链商品智能推荐系统及方法 - Google Patents
一种基于SaaS云服务的多供应链商品智能推荐系统及方法 Download PDFInfo
- Publication number
- CN113034231B CN113034231B CN202110308908.9A CN202110308908A CN113034231B CN 113034231 B CN113034231 B CN 113034231B CN 202110308908 A CN202110308908 A CN 202110308908A CN 113034231 B CN113034231 B CN 113034231B
- Authority
- CN
- China
- Prior art keywords
- target object
- target
- theme
- portal
- supply
- 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
Links
- 238000000034 method Methods 0.000 title claims description 29
- 238000012797 qualification Methods 0.000 claims abstract description 14
- 238000004891 communication Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000012216 screening Methods 0.000 claims description 15
- 238000013139 quantization Methods 0.000 claims description 10
- 238000004806 packaging method and process Methods 0.000 claims description 9
- 238000010845 search algorithm Methods 0.000 claims description 9
- 230000003993 interaction Effects 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0605—Supply or demand aggregation
Landscapes
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于SaaS云服务的多供应链商品智能推荐系统，包括供应方单元、购买方单元和SaaS云服务单元；供应方单元，与所述SaaS云服务单元通讯连接，用于对供应方的第一目标对象进行资质量化，并基于第一目标对象的资质生成目标供应链。本发明将购买方和供应商企业利用SaaS云服务模式进行推荐系统开发，可以有专业的SaaS提供商为企业搭建信息化所需要的所有网络基础设施及软件、硬件运作平台，并负责所有前期的实施、后期的维护等一系列服务，企业无需购买软硬件、建设机房、招聘IT人员，既可通过互联网使用信息系统，又可以节省供应商企业的多数营销成本。
Description
技术领域
本发明涉及电子商务技术领域，具体涉及一种基于SaaS云服务的多供应链商品智能推荐系统及方法。
背景技术
SaaS，是Software-as-a-Service的缩写名称，意思为软件即服务，即通过网络提供软件服务。SaaS平台供应商将应用软件统一部署在自己的服务器上，客户可以根据工作实际需求，通过互联网向厂商订购所需的应用软件服务，按定购的服务多少和时间长短向厂商支付费用，并通过互联网获得Saas平台供应商提供的服务，SaaS不仅适用于中小型企业，所有规模企业都可以从SaaS中获利，具有广阔的发展前景。
目前的商品智能推荐系统通常采用推荐系统所需的网络基础设施及软件、硬件运作平台，并负责所有前期的实施、后期的维护等一系列服务，如此，企业需要购买软硬件、建设机房、招聘IT人员，并且将推荐系统根植于自家企业的门户或APP平台，因此用户只能通过搜索网址或下载APP获得企业信息，导致企业的曝光度低的同时，还严重增加了营销成本。
发明内容
本发明的目的在于提供一种基于SaaS云服务的多供应链商品智能推荐系统，以解决现有技术中推荐系统所需的网络基础设施及软件、硬件运作平台，并负责所有前期的实施、后期的维护等一系列服务，导致企业的曝光度低的同时，还严重增加了营销成本的技术问题。
为解决上述技术问题，本发明具体提供下述技术方案：
一种基于SaaS云服务的多供应链商品智能推荐系统，包括供应方单元、购买方单元和SaaS云服务单元；
供应方单元，与所述SaaS云服务单元通讯连接，用于对供应方的第一目标对象进行资质量化，并基于第一目标对象的资质生成目标供应链；
购买方单元，与所述SaaS云服务单元通讯连接，用于通过供应推荐门户实时记录购买方的第二目标对象的浏览数据链，并基于浏览数据链获取第二目标对象的目标需求；
SaaS云服务单元，用于接收所述目标供应链和所述目标需求，基于目标供应链构建供应推荐门户同步传输到购买方单元，并基于目标需求实时更新供应推荐门户。
作为本发明的一种优选方案，所述供应方单元为配置有供第一目标对象主题认证的第一认证门户的智能终端，所述第一认证门户包括微信小程序、网页或软件APP中的至少之一，所述供应方单元对所述第一目标对象进行资质量化的具体方法包括：
依次获取第一目标对象的关键主题特征，并依据关键主题特征对所有所述第一目标对象进行主题量化生成多组具有相同主题的第一目标对象簇；
以簇为单位依次对多组所述第一目标对象簇进行簇内的阶梯量化，并以簇为单位链接簇内的多个第一目标对象生成多组目标供应链。
作为本发明的一种优选方案，所述获取第一目标对象的关键主题特征的具体方法包括：
提取第一目标对象的第一单阶主题特征，并利用相关性系数对第一单阶主题特征进行特征降维生成第二单阶主题特征，所述相关性系数的计算公式为：
其中，X为第一单阶特征，xi，xj为第一单阶特征中的第i，j个特征的特征值，p(xi，xj)是xi和xj的联合概率分布函数，而p(xi)和p(xj)分别是xi和xj的边缘概率分布函数。
对第二单阶主题特征进行多特征融合生成第二多阶主题特征，并利用全局搜索算法在第二多阶主题特征中筛选出关键主题特征，多特征融合的计算公式为：
β＝γ1*γ1 T；
其中，γ1为第二单阶特征矩阵，T为转置运算符。
作为本发明的一种优选方案，所述利用全局搜索算法在第二多阶主题特征中筛选出关键主题特征的具体方法为：
随机抽取一定数量的第一目标对象映射第二多阶主题特征生成特征筛选样本集；
构建在第二多阶主题特征中筛选出关键主题特征的适应度函数，所述适应度函数的具体计算公式为：
其中，Vk为第k个第一目标对象簇， M为第一目标对象簇的总数目；
对第二多阶主题特征进行全排列获得多组第二多阶主题特征集，并依次运用多组第二多阶主题特征集对特征筛选样本集进行多次分簇且计算每次分簇的适应度；
选取最大适应度对应的第二多阶主题特征集中所有的第二多阶主题特征作为关键主题特征。
作为本发明的一种优选方案，关键主题特征对所有所述第一目标对象进行主题量化生成多组具有相同主题的第一目标对象簇的具体方法包括：
步骤一：随机在所有第一目标对象中选取k个第一目标对象分别作为k个第一目标对象簇的簇中心，基于关键主题特征的特征值分别计算第一目标对象与位于k个簇中心之间的欧氏距离；
步骤二：依次将第一目标对象归属为与所述簇中心具有最短欧式距离所在的第一目标对象簇内，并依次计算k个第一目标对象簇内的关键主题特征的平均特征值更新为k个第一目标对象簇的簇中心；
步骤三：多次重复步骤二，直至k个第一目标对象簇的簇中心不再更新，输出k组具有相同主题的第一目标对象簇。
作为本发明的一种优选方案，生成所述目标供应链的具体方法包括：
依据付费阶梯公式计算第一目标对象的阶梯深度，利用阶梯深度将对第一目标对象簇簇内的所有第一目标对象进行阶梯排列，付费阶梯公式为：
B＝X/A；
其中，B为阶梯深度，A为阶梯系数，X为付费金额；
依据阶梯排列的将第一目标对象簇簇内的所有第一目标对象进行顺次链接构成目标供应链。
作为本发明的一种优选方案，所述购买方单元配置有供第二目标对象操控的供应推荐门户的智能终端，通过供应推荐门户实时记录购买方的第二目标对象的浏览数据链的具体方法包括：
实时抓取第二目标对象在供应推荐门户的浏览日志，并在所述浏览日志中提取浏览的所有第一目标对象的主题关键词；
将单个主题关键词阶梯存储构成单个意向阶梯，并将所有意向阶梯保持浏览日志的径向深度以链表形式相连接构成浏览数据链。
作为本发明的一种优选方案，基于浏览数据链获取第二目标对象的目标需求的具体方法包括：
在浏览数据链上对第二目标对象的意向度进行提取量化，所述意向度的计算公式为：
在浏览数据链上对第二目标对象的相关度进行提取量化，所述相关度的计算公式为：
在浏览数据链上对第二目标对象的关注度进行提取量化，所述关注度的计算公式为：
利用全局搜索算法在所述意向度、相关度和关注度联合建立的目标函数上求取第二目标对象的目标需求，目标函数的计算公式为：
其中，ai，aj为第i，j个意向阶梯的主题关键词，是所有对ai所在意向阶梯有出链的意向阶梯的主题关键词集合，L(aj)是aj所在意向阶梯的出链数目，Tai为ai所在意向阶梯的数目，N为意向阶梯的阶梯总数，[y1(aj)]、[y2(aj)]、[y3(aj)]为意向度、相关度和关注度最小化修正函数。
作为本发明的一种优选方案，所述每个目标供应链中包含的所有第一目标对象具有相同的主题关键词，基于目标供应链构建供应推荐门户的具体方法包括：
将目标供应链中每个第一目标对象分别单独封装为单个推荐门户项，并将阶梯深度作为推荐门户项的曝光频率；
将每个目标供应链内所有推荐门户项汇总封装为单个推荐门户层，将推荐门户层汇总封装为供应推荐门户。
作为本发明的一种优选方案，所述SaaS云服务单元、供应方单元和购买方单元分别通过网络通信进行数据和业务交互，所述浏览日志、目标需求和浏览数据链均为临时数据，并在第二目标对象在与供应推荐门户交互结束后清空，判断交互结束的条件为：所述第二目标对象主动关闭供应推荐门户或在预设时间内未应答。
本发明与现有技术相比较具有如下有益效果：
本发明将购买方和供应商企业利用SaaS云服务模式进行推荐系统开发，可以有专业的SaaS提供商为企业搭建信息化所需要的所有网络基础设施及软件、硬件运作平台，并负责所有前期的实施、后期的维护等一系列服务，企业无需购买软硬件、建设机房、招聘IT人员，既可通过互联网使用信息系统，又可以节省供应商企业的多数营销成本，并且可以SaaS提供商搭建的推荐平台对供应方进行按主题和付费金额进行资质量化，为供应方企业提供可付费的流量权限，同时为购买方提供针对性推荐，同时使购买方和供应方获得更好的用户体验。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例提供的多供应链商品智能推荐系统结构示意图；
图2为本发明实施例提供的推荐方法流程图。
图中的标号分别表示如下：
1-供应方单元；2-购买方单元；3-SaaS云服务单元。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明提供了一种基于SaaS云服务的多供应链商品智能推荐系统，包括供应方单元、购买方单元和SaaS云服务单元；
供应方单元1，与SaaS云服务单元通讯连接，用于对供应方的第一目标对象进行资质量化，并基于第一目标对象的资质生成目标供应链；
供应方单元1为配置有供第一目标对象主题认证的第一认证门户的智能终端，第一认证门户包括微信小程序、网页或软件APP中的至少之一，供应方单元1对第一目标对象进行资质量化的具体方法包括：
依次获取第一目标对象的关键主题特征，并依据关键主题特征对所有第一目标对象进行主题量化生成多组具有相同主题的第一目标对象簇；
对第一目标对象利用关键主题特征进行聚类分析，可对第一目标对象按照主题进行分类成簇，用以对供应方的企业进行分类归属，可便于后续第二目标搜索对象或目标需求为某一主题时，将所有与该主题符合的供应方企业进行展现，用以迅速对购买方进行推荐应答。
以簇为单位依次对多组第一目标对象簇进行簇内的阶梯量化，并以簇为单位链接簇内的多个第一目标对象生成多组目标供应链。
对同一主题的所有第一目标对象进行阶梯量化，可用以对第一目标对象进行效益区分，付费金额高的企业享受更高的曝光频率，反之付费金额低的企业享受较低的曝光频率，从而将曝光流量变为SaaS提供商的收益，也可为企业提供更好的高级别服务，一举两得。
获取第一目标对象的关键主题特征的具体方法包括：
提取第一目标对象的第一单阶主题特征，并利用相关性系数对第一单阶主题特征进行特征降维生成第二单阶主题特征，相关性系数的计算公式为：
其中，X为第一单阶特征，xi，xj为第一单阶特征中的第i，j个特征的特征值，p(xi，xj)是xi和xj的联合概率分布函数，而p(xi)和p(xj)分别是xi和xj的边缘概率分布函数。
具体的，依次将第一单阶特征中所有特征进行两两配对组合获得双特征对并将双特征对的特征值带入相关性计算公式获得双特征对的相关性系数；
遍历选取相关性系数高于相关性阈值的第一双特征对，并在第一双特征对中随机选取第一特征，并对应删除所有双特征对中的第一特征，直至第一双特征对遍历完成；
将所有双特征对进行配对拆分获得的第一单阶特征汇总构成第二单阶特征。
相关性系数是指两个特征的相似程度，利用相关性系数量化第一单阶特征间的相似程度，而后将第一单阶特征间相似程度高的多个特征仅用一个特征进行表征即可，实现特征降维的同时避免删除有效特征。
对第二单阶主题特征进行多特征融合生成第二多阶主题特征，并利用全局搜索算法在第二多阶主题特征中筛选出关键主题特征，多特征融合的计算公式为：
β＝γ1*γ1 T；
其中，γ1为第二单阶特征矩阵，T为转置运算符。
将单阶特征利用笛卡尔积方式融合形成多阶特征，可将单阶特征之间的区分属性进行增强，从而基于多阶特征建立的第一目标对象的主题区分能力得以增强，则可提高第一目标对象聚类成簇的精度。
利用全局搜索算法在第二多阶主题特征中筛选出关键主题特征的具体方法为：
随机抽取一定数量的第一目标对象映射第二多阶主题特征生成特征筛选样本集；
构建在第二多阶主题特征中筛选出关键主题特征的适应度函数，适应度函数的具体计算公式为：
其中，Vk为第k个第一目标对象簇， M为第一目标对象簇的总数目；
对第二多阶主题特征进行全排列获得多组第二多阶主题特征集，并依次运用多组第二多阶主题特征集对特征筛选样本集进行多次分簇且计算每次分簇的适应度；
选取最大适应度对应的第二多阶主题特征集中所有的第二多阶主题特征作为关键主题特征。
适应度越高，则第一目标对象簇的社团结构越明显，即簇内的第一目标对象簇的主题的一致程度越高，因此最大适应度对应的第二多阶主题特征集中的所有的第二多阶主题特征作为关键主题特征，可使得第一目标对象簇的分簇精度最高。
关键主题特征对所有第一目标对象进行主题量化生成多组具有相同主题的第一目标对象簇的具体方法包括：
步骤一：随机在所有第一目标对象中选取k个第一目标对象分别作为k个第一目标对象簇的簇中心，基于关键主题特征的特征值分别计算第一目标对象与位于k个簇中心之间的欧氏距离；
步骤二：依次将第一目标对象归属为与簇中心具有最短欧式距离所在的第一目标对象簇内，并依次计算k个第一目标对象簇内的关键主题特征的平均特征值更新为k个第一目标对象簇的簇中心；
步骤三：多次重复步骤二，直至k个第一目标对象簇的簇中心不再更新，输出k组具有相同主题的第一目标对象簇。
k的具体取值可根据实际使用进行选取，以关键特征值之间的欧式距离作为第一目标对象间的一致性量化，越接近则一致性程度越高，因此依据此聚类成簇可使得第一目标对象簇中所有的第一目标对象的主题具有较高的一致性程度。
生成目标供应链的具体方法包括：
依据付费阶梯公式计算第一目标对象的阶梯深度，利用阶梯深度将对第一目标对象簇簇内的所有第一目标对象进行阶梯排列，付费阶梯公式为：
B＝X/A；
其中，B为阶梯深度，A为阶梯系数，X为付费金额；
依据阶梯排列的将第一目标对象簇簇内的所有第一目标对象进行顺次链接构成目标供应链。
阶梯深度越高是指企业的曝光频率越高，阶梯深度与付费金额呈正相关，则企业可自主选择为曝光频率进行付费购买，可为SaaS提供商创造服务付费的收益，产生更高的经济效益。
购买方单元2，与SaaS云服务单元通讯连接，用于通过供应推荐门户实时记录购买方的第二目标对象的浏览数据链，并基于浏览数据链获取第二目标对象的目标需求；
SaaS云服务单元3，用于接收目标供应链和目标需求，基于目标供应链构建供应推荐门户同步传输到购买方单元2，并基于目标需求实时更新供应推荐门户。
SaaS云服务单元3、供应推荐门户和第一认证门户均由SaaS提供商进行设计制作。
购买方单元2配置有供第二目标对象操控的供应推荐门户的智能终端，通过供应推荐门户实时记录购买方的第二目标对象的浏览数据链的具体方法包括：
实时抓取第二目标对象在供应推荐门户的浏览日志，并在浏览日志中提取浏览的所有第一目标对象的主题关键词；
将单个主题关键词阶梯存储构成单个意向阶梯，并将所有意向阶梯保持浏览日志的径向深度以链表形式相连接构成浏览数据链。
基于浏览数据链获取第二目标对象的目标需求的具体方法包括：
在浏览数据链上对第二目标对象的意向度进行提取量化，意向度的计算公式为：
在浏览数据链上对第二目标对象的相关度进行提取量化，相关度的计算公式为：
在浏览数据链上对第二目标对象的关注度进行提取量化，关注度的计算公式为：
利用全局搜索算法在意向度、相关度和关注度联合建立的目标函数上求取第二目标对象的目标需求，目标函数的计算公式为：
其中，ai，aj为第i，j个意向阶梯的主题关键词，是所有对ai所在意向阶梯有出链的意向阶梯的主题关键词集合，L(aj)是aj所在意向阶梯的出链数目，Tai为ai所在意向阶梯的数目，N为意向阶梯的阶梯总数，[y1(aj)]、[y2(aj)]、[y3(aj)]为意向度、相关度和关注度最小化修正函数。
将在浏览数据链中提取第二目标对象的目标需求的问题转换为多目标搜索问题，可以从由第二目标对象无序的浏览日志中总结出的浏览数据链中发掘出行为路径过程中供应方企业主题间的意向度、相关度以及关注度，可通过对代表意向度、相关度和关注度三方面的权衡的目标函数的求解而搜索到最符合第二目标对象真实需求的目标需求，从而可依据目标需求为第二目标对象进行的供应方企业或商品推荐，则有效的提高推荐成功率。
每个目标供应链中包含的所有第一目标对象具有相同的主题关键词，基于目标供应链构建供应推荐门户的具体方法包括：
将目标供应链中每个第一目标对象分别单独封装为单个推荐门户项，并将阶梯深度作为推荐门户项的曝光频率；
将每个目标供应链内所有推荐门户项汇总封装为单个推荐门户层，将推荐门户层汇总封装为供应推荐门户。
阶梯深度越高的第一目标对象，在向第二目标对象进行主题推荐总是按照阶梯深度对推荐的同主题第一目标对象进行排列，越高的阶梯深度第一目标对象在推荐门户层中进行越置顶曝光，因此曝光频率越高。
SaaS云服务单元3、供应方单元1和购买方单元2分别通过网络通信进行数据和业务交互，浏览日志、目标需求和浏览数据链均为临时数据，并在第二目标对象在与供应推荐门户交互结束后清空，判断交互结束的条件为：第二目标对象主动关闭供应推荐门户或在预设时间内未应答。
如图2所示，基于上述推荐系统的结构，本实施例提供了一种推荐方法，包括以下步骤：
步骤S1、供应方单元对供应方的第一目标对象进行资质量化，并基于第一目标对象的资质生成目标供应链；
步骤S2、SaaS云服务单元接收目标供应链，并基于目标供应链构建供应推荐门户同步传输到购买方单元为购买方提供推荐显示；
步骤S3、购买方单元通过供应推荐门户实时记录购买方的第二目标对象的浏览数据链，并基于浏览数据链获取第二目标对象的目标需求同步传输到SaaS云服务单元；
步骤S4、SaaS云服务单元接收目标需求，并基于目标需求实时更新供应推荐门户同步传输到购买方单元，返回步骤S3，直至交互结束。
本发明将购买方和供应商企业利用SaaS云服务模式进行推荐系统开发，可以有专业的SaaS提供商为企业搭建信息化所需要的所有网络基础设施及软件、硬件运作平台，并负责所有前期的实施、后期的维护等一系列服务，企业无需购买软硬件、建设机房、招聘IT人员，既可通过互联网使用信息系统，又可以节省供应商企业的多数营销成本，并且可以SaaS提供商搭建的推荐平台对供应方进行按主题和付费金额进行资质量化，为供应方企业提供可付费的流量权限，同时为购买方提供针对性推荐，同时使购买方和供应方获得更好的用户体验。
以上实施例仅为本申请的示例性实施例，不用于限制本申请，本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本申请做出各种修改或等同替换，这种修改或等同替换也应视为落在本申请的保护范围内。
Claims (7)
1.一种基于SaaS云服务的多供应链商品智能推荐系统，其特征在于：包括供应方单元(1)、购买方单元(2)和SaaS云服务单元(3)；
供应方单元(1)，与所述SaaS云服务单元通讯连接，用于对供应方的第一目标对象进行资质量化，并基于第一目标对象的资质生成目标供应链；
购买方单元(2)，与所述SaaS云服务单元通讯连接，用于通过供应推荐门户实时记录购买方的第二目标对象的浏览数据链，并基于浏览数据链获取第二目标对象的目标需求；
SaaS云服务单元(3)，用于接收所述目标供应链和所述目标需求，基于目标供应链构建供应推荐门户同步传输到购买方单元，并基于目标需求实时更新供应推荐门户；
所述供应方单元(1)为配置有供第一目标对象主题认证的第一认证门户的智能终端，所述第一认证门户包括微信小程序、网页或软件APP中的至少之一，所述供应方单元对所述第一目标对象进行资质量化的具体方法包括：
依次获取第一目标对象的关键主题特征，并依据关键主题特征对所有所述第一目标对象进行主题量化生成多组具有相同主题的第一目标对象簇；
以簇为单位依次对多组所述第一目标对象簇进行簇内的阶梯量化，并以簇为单位链接簇内的多个第一目标对象生成多组目标供应链；
所述获取第一目标对象的关键主题特征的具体方法包括：
提取第一目标对象的第一单阶主题特征，并利用相关性系数对第一单阶主题特征进行特征降维生成第二单阶主题特征，所述相关性系数的计算公式为：
其中，X为第一单阶特征，xi，xj为第一单阶特征中的第i，j个特征的特征值，p(xi,xj)是xi和xj的联合概率分布函数，而p(xi)和p(xj)分别是xi和xj的边缘概率分布函数；
对第二单阶主题特征进行多特征融合生成第二多阶主题特征，并利用全局搜索算法在第二多阶主题特征中筛选出关键主题特征，多特征融合的计算公式为：
β＝γ1*γ1 T；
其中，γ1为第二单阶特征矩阵，T为转置运算符；
所述利用全局搜索算法在第二多阶主题特征中筛选出关键主题特征的具体方法为：
随机抽取一定数量的第一目标对象映射第二多阶主题特征生成特征筛选样本集；
构建在第二多阶主题特征中筛选出关键主题特征的适应度函数，所述适应度函数的具体计算公式为：
其中，Vk为第k个第一目标对象簇， M为第一目标对象簇的总数目；
对第二多阶主题特征进行全排列获得多组第二多阶主题特征集，并依次运用多组第二多阶主题特征集对特征筛选样本集进行多次分簇且计算每次分簇的适应度；
选取最大适应度对应的第二多阶主题特征集中所有的第二多阶主题特征作为关键主题特征。
2.根据权利要求1所述的一种基于SaaS云服务的多供应链商品智能推荐系统，其特征在于：关键主题特征对所有所述第一目标对象进行主题量化生成多组具有相同主题的第一目标对象簇的具体方法包括：
步骤一：随机在所有第一目标对象中选取k个第一目标对象分别作为k个第一目标对象簇的簇中心，基于关键主题特征的特征值分别计算第一目标对象与位于k个簇中心之间的欧氏距离；
步骤二：依次将第一目标对象归属为与所述簇中心具有最短欧式距离所在的第一目标对象簇内，并依次计算k个第一目标对象簇内的关键主题特征的平均特征值更新为k个第一目标对象簇的簇中心；
步骤三：多次重复步骤二，直至k个第一目标对象簇的簇中心不再更新，输出k组具有相同主题的第一目标对象簇。
3.根据权利要求1所述的一种基于SaaS云服务的多供应链商品智能推荐系统，其特征在于：生成所述目标供应链的具体方法包括：
依据付费阶梯公式计算第一目标对象的阶梯深度，利用阶梯深度将对第一目标对象簇簇内的所有第一目标对象进行阶梯排列，付费阶梯公式为：
B＝X/A；
其中，B为阶梯深度，A为阶梯系数，X为付费金额；
依据阶梯排列的将第一目标对象簇簇内的所有第一目标对象进行顺次链接构成目标供应链。
4.根据权利要求1所述的一种基于SaaS云服务的多供应链商品智能推荐系统，其特征在于：所述购买方单元(2)配置有供第二目标对象操控的供应推荐门户的智能终端，通过供应推荐门户实时记录购买方的第二目标对象的浏览数据链的具体方法包括：
实时抓取第二目标对象在供应推荐门户的浏览日志，并在所述浏览日志中提取浏览的所有第一目标对象的主题关键词；
将单个主题关键词阶梯存储构成单个意向阶梯，并将所有意向阶梯保持浏览日志的径向深度以链表形式相连接构成浏览数据链。
5.根据权利要求1所述的一种基于SaaS云服务的多供应链商品智能推荐系统，其特征在于，基于浏览数据链获取第二目标对象的目标需求的具体方法包括：
在浏览数据链上对第二目标对象的意向度进行提取量化，意向度的计算公式为：
在浏览数据链上对第二目标对象的相关度进行提取量化，相关度的计算公式为：
在浏览数据链上对第二目标对象的关注度进行提取量化，关注度的计算公式为：
利用全局搜索算法在意向度、相关度和关注度联合建立的目标函数上求取第二目标对象的目标需求，目标函数的计算公式为：
其中，ai，aj为第i，j个意向阶梯的主题关键词，是所有对ai所在意向阶梯有出链的意向阶梯的主题关键词集合，L(aj)是aj所在意向阶梯的出链数目，Tai为ai所在意向阶梯的数目，N为意向阶梯的阶梯总数，[y1(aj)]、[y2(aj)]、[y3(aj)]为意向度、相关度和关注度最小化修正函数。
6.根据权利要求3所述的一种基于SaaS云服务的多供应链商品智能推荐系统，其特征在于，每个目标供应链中包含的所有第一目标对象具有相同的主题关键词，基于目标供应链构建供应推荐门户的具体方法包括：
将目标供应链中每个第一目标对象分别单独封装为单个推荐门户项，并将第一目标对象的阶梯深度B作为推荐门户项的曝光频率；
将每个目标供应链内所有推荐门户项汇总封装为单个推荐门户层，将推荐门户层汇总封装为供应推荐门户。
7.根据权利要求1所述的一种基于SaaS云服务的多供应链商品智能推荐系统，其特征在于，所述SaaS云服务单元(3)、供应方单元(1)和购买方单元(2)分别通过网络通信进行数据和业务交互，浏览日志、目标需求和浏览数据链均为临时数据，并在第二目标对象在与供应推荐门户交互结束后清空，判断交互结束的条件为：所述第二目标对象主动关闭供应推荐门户或在预设时间内未应答。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110308908.9A CN113034231B (zh) | 2021-03-23 | 2021-03-23 | 一种基于SaaS云服务的多供应链商品智能推荐系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110308908.9A CN113034231B (zh) | 2021-03-23 | 2021-03-23 | 一种基于SaaS云服务的多供应链商品智能推荐系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113034231A CN113034231A (zh) | 2021-06-25 |
| CN113034231B true CN113034231B (zh) | 2024-04-05 |
Family
ID=76472881
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110308908.9A Active CN113034231B (zh) | 2021-03-23 | 2021-03-23 | 一种基于SaaS云服务的多供应链商品智能推荐系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113034231B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114004664A (zh) * | 2022-01-05 | 2022-02-01 | 杭州车凌网络科技有限公司 | 基于SaaS平台的APP软件交互方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103577579A (zh) * | 2013-11-08 | 2014-02-12 | 南方电网科学研究院有限责任公司 | 基于用户潜在需求的资源推荐方法及系统 |
| CN106991593A (zh) * | 2017-03-27 | 2017-07-28 | 苏州斯马千网络科技有限公司 | 基于SaaS的供应商和餐厅点对点订单采购系统 |
| CN112270501A (zh) * | 2020-11-17 | 2021-01-26 | 深圳市兆航物流有限公司 | 一种基于SaaS的供应链物流云系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11636393B2 (en) * | 2019-05-07 | 2023-04-25 | Cerebri AI Inc. | Predictive, machine-learning, time-series computer models suitable for sparse training sets |
-
2021
- 2021-03-23 CN CN202110308908.9A patent/CN113034231B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103577579A (zh) * | 2013-11-08 | 2014-02-12 | 南方电网科学研究院有限责任公司 | 基于用户潜在需求的资源推荐方法及系统 |
| CN106991593A (zh) * | 2017-03-27 | 2017-07-28 | 苏州斯马千网络科技有限公司 | 基于SaaS的供应商和餐厅点对点订单采购系统 |
| CN112270501A (zh) * | 2020-11-17 | 2021-01-26 | 深圳市兆航物流有限公司 | 一种基于SaaS的供应链物流云系统 |
Non-Patent Citations (1)
| Title |
|---|
| 沈小军 等.基于运行数据的风电机组间风速相关性统计分析.电工技术学报.2017,第32卷(第16期),265-274. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113034231A (zh) | 2021-06-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108763314B (zh) | 一种兴趣推荐方法、装置、服务器及存储介质 | |
| CN110162693B (zh) | 一种信息推荐的方法以及服务器 | |
| CN110909182B (zh) | 多媒体资源搜索方法、装置、计算机设备及存储介质 | |
| US20160132800A1 (en) | Business Relationship Accessing | |
| CN105760443B (zh) | 项目推荐系统、项目推荐装置以及项目推荐方法 | |
| US20180308152A1 (en) | Data Processing Method and Apparatus | |
| CN105159910A (zh) | 信息推荐方法和装置 | |
| US20090077081A1 (en) | Attribute-Based Item Similarity Using Collaborative Filtering Techniques | |
| WO2014062762A1 (en) | Propagating information through networks | |
| US20140172566A1 (en) | Matching of advertising sources and keyword sets in online commerce platforms | |
| CN110598118A (zh) | 资源对象的推荐方法、装置及计算机可读介质 | |
| CN108595493A (zh) | 媒体内容的推送方法和装置、存储介质、电子装置 | |
| CN105894310A (zh) | 一种个性化推荐方法 | |
| CN109388548A (zh) | 用于生成信息的方法和装置 | |
| CN105095279A (zh) | 文件推荐方法和装置 | |
| CN112907334B (zh) | 一种对象推荐方法及装置 | |
| CN106407381A (zh) | 一种基于人工智能的推送信息的方法和装置 | |
| CN102959539A (zh) | 一种业务交叉时的项目推荐方法及系统 | |
| CN111461827A (zh) | 产品评价信息的推送方法和装置 | |
| CN113034231B (zh) | 一种基于SaaS云服务的多供应链商品智能推荐系统及方法 | |
| CN114493786A (zh) | 一种信息推荐方法及装置 | |
| US20090077093A1 (en) | Feature Discretization and Cardinality Reduction Using Collaborative Filtering Techniques | |
| CN112231299B (zh) | 一种特征库动态调整的方法和装置 | |
| CN113469786A (zh) | 物品推荐的方法、装置、计算机设备和存储介质 | |
| CN107844536A (zh) | 应用程序选择的方法、装置和系统 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240305 Address after: Room 304, No. 47, Courtyard 741 Dongfeng East Road, Dongshan District, Guangzhou City, Guangdong Province, 510000 Applicant after: Wang Shaoping Country or region after: China Address before: 518000 1210, building 4, excellence Century Center and Huanggang business center, Southeast of the junction of Fuhua third road and Jintian Road, Fushan community, Futian street, Futian District, Shenzhen City, Guangdong Province Applicant before: Shenzhen assembly speed matching technology Co.,Ltd. Country or region before: China |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240430 Address after: B701B, Baisheng Building, No. 11 Zhongxing Road, Nansan Community, Buji Street, Longgang District, Shenzhen City, Guangdong Province, 518000 Patentee after: Xiaolixiang Technology (Shenzhen) Co.,Ltd. Country or region after: China Address before: Room 304, No. 47, Courtyard 741 Dongfeng East Road, Dongshan District, Guangzhou City, Guangdong Province, 510000 Patentee before: Wang Shaoping Country or region before: China |
|
| TR01 | Transfer of patent right |