CN113313504A - 供应商的推荐方法及相关装置 - Google Patents

Abstract

本申请公开了人工智能领域中一种供应商的推荐方法及相关装置。本申请提供的技术方案中，将待推荐企业的特征信息和多个供应商中的每一个供应商的特征信息输入至供应商推荐模型中，得到该待推荐企业的供应商推荐信息，提高了为企业推荐供应商的准确率。进一步地，使用多个企业中每个企业的特征信息和与该多个企业中的每个企业具有签约关系的供应商的特征信息对神经网络模型进行训练，得到供应商推荐模型，提高了供应商推荐模型的准确率。

Description

供应商的推荐方法及相关装置

技术领域

本申请涉及人工智能领域，尤其涉及一种供应商的推荐方法及相关装置。

背景技术

人工智能(artificial intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能、感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式作出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能领域的研究包括机器人、自然语言处理、计算机视觉、决策与推理、人机交互、推荐与搜索、AI基础理论等。

在供应链管理的背景之下，企业要想获得高效率的可持续的发展，就必须保证其产品、原料的质量问题。因此，对于企业而言，供应商的选择非常关键，如何在众多供应商之中选择出符合企业自身需求的供应商成为了一项重要课题。

现有技术中供应商的推荐方法主要分为2种，一种是通过人为调研，收集企业与供应商的签约数据资料并逐一筛选排除，这样的方法耗费大量人力物力，且效率低下，容易受调研人员的主观因素影响，导致推荐结果的准确率较低；另一种是利用信息处理技术在大数据中根据企业的需求进行筛选，得到系统认为最符合企业需求的供应商，但是这种处理方式较为单一，仅从企业对供应商的要求出发，难以准确得到符合企业需求的供应商，企业后续需要进行评估分析，准确率较低。

因此，如何提高为企业推荐的供应商的准确率成为了亟待解决的问题。

发明内容

本申请提出了人工智能领域中一种供应商的推荐方法及相关装置，提高了为企业推荐供应商的准确率。

第一方面，本申请提供了一种供应商的推荐方法，所述方法包括：获取待推荐企业的特征信息；获取多个供应商中每一个供应商的特征信息；将所述待推荐企业的特征信息和所述每一个供应商的特征信息输入至供应商推荐模型中，得到所述待推荐企业的供应商推荐信息，所述供应商推荐模型为基于企业的特征信息和供应商的特征信息训练得到的神经网络模型。

本方法中，将待推荐企业的特征信息和多个供应商中的每一个供应商的特征信息输入至供应商推荐模型中，得到该待推荐企业的供应商推荐信息，并根据该供应商推荐信息向企业推荐供应商。相比于通过人为调研为企业推荐供应商和利用信息处理技术在大数据中根据企业的需要筛选供应商，提高了为企业推荐供应商的准确率。

在一种可能的实现方式中，所述供应商推荐模型包括图卷积神经网络模型和分类模型。

在一种可能的实现方式中，企业的特征信息包括以下信息中的一种或多种：业务需求、营销模式、所属地域、成本预算和付款方式。

在一种可能的实现方式中，供应商的特征信息包括以下信息中的一种或多种：产品类型、产品价格、生产周期、收款方式和所属地区。

第二方面，本申请提供了一种供应商推荐模型的训练方法，所述方法包括：获取多个企业中每个企业的特征信息和与所述多个企业中的每个企业具有签约关系的供应商的特征信息；使用所述多个企业中每个企业的特征信息和所述与所述多个企业中的每个企业具有签约关系的供应商的特征信息对神经网络模型进行训练，得到所述供应商推荐模型。

本方法中，使用多个企业中每个企业的特征信息和与该多个企业中的每个企业具有签约关系的供应商的特征信息对神经网络模型进行训练，得到供应商推荐模型，提高了供应商推荐模型的准确率。

在一种可能的实现方式中，所述神经网络模型包括图卷积神经网络模型和分类模型；其中，所述使用所述多个企业中每个企业的特征信息和与所述多个企业中的每个企业具有签约关系的供应商的特征信息，对神经网络模型进行训练，包括：将所述多个企业中每个企业的特征信息和所述与所述多个企业中的每个企业具有签约关系的供应商的特征信息输入所述图卷积神经网络模型，得到所述多个企业中每个企业的特征向量和所述与所述多个企业中的每个企业具有签约关系的供应商的特征向量；将所述多个企业中每个企业的特征向量和所述与所述多个企业中的每个企业具有签约关系的供应商的特征向量输入所述分类模型，得到分类结果；基于所述分类结果对所述图卷积神经网络模型和所述分类模型的参数进行调整。

该实现方式中，将多个企业中每个企业的特征信息和与该多个企业中的每个企业具有签约关系的供应商的特征信息输入至图卷积神经网络模型，得到多个企业中每个企业的特征向量和与该多个企业中的每个企业具有签约关系的供应商的特征向量；将该多个企业中每个企业的特征向量和与该多个企业中的每个企业具有签约关系的供应商的特征向量输入至分类模型，得到分类结果，并基于该分类结果对图卷积神经网络模型和分类模型进行训练，进一步提高了供应商推荐模型的准确率。

在一种可能的实现方式中，所述将所述多个企业中每个企业的特征信息和所述与所述多个企业中的每个企业具有签约关系的供应商的特征信息输入所述图卷积神经网络模型，得到所述多个企业中每个企业的特征向量和所述与所述多个企业中的每个企业具有签约关系的供应商的特征向量，包括：获取所述多个企业中每个企业的发票信息和所述与所述多个企业中的每个企业具有签约关系的供应商的发票信息；根据所述多个企业中每个企业的发票信息计算所述多个企业中每个企业的嵌入向量；根据所述与所述多个企业中的每个企业具有签约关系的供应商的发票信息计算所述与所述多个企业中的每个企业具有签约关系的供应商的嵌入向量；将所述多个企业中每个企业的嵌入向量和所述与所述多个企业中的每个企业具有签约关系的供应商的嵌入向量输入所述图卷积神经网络模型，得到所述多个企业中每个企业的特征向量和所述与所述多个企业中的每个企业具有签约关系的供应商的特征向量。

该实现方式中，通过获取的多个企业中每个企业的发票信息和与该多个企业中的每个企业具有签约关系的供应商的发票信息进行预处理学习，得到多个企业中每个企业的特征向量和与该多个企业中的每个企业具有签约关系的供应商的特征向量，提高了多个企业中每个企业的特征向量和与该多个企业中的每个企业具有签约关系的供应商的特征向量的准确度，同时提高了供应商推荐模型的准确度。

在一种可能的实现方式中，企业的特征信息包括以下信息中的一种或多种：业务需求、营销模式、所属地域、成本预算和付款方式。

在一种可能的实现方式中，供应商的特征信息包括以下信息中的一种或多种：产品类型、产品价格、生产周期、收款方式和所属地区。

第三方面，本申请提供一种供应商的推荐装置，所述装置可以包括用于实现第一方面中的方法的各个模块，这些模块可以通过软件和/或硬件的方式实现。

第四方面，本申请提供一种供应商推荐模型的训练装置，所述装置可以包括用于实现第二方面中的方法的各个模块，这些模块可以通过软件和/或硬件的方式实现。

第五方面，本申请提供一种供应商的推荐装置。该装置可以包括与存储器耦合的处理器。其中，该存储器用于存储程序代码，该处理器用于执行该存储器中的程序代码，以实现第一方面或其中任意一种实现方式中的方法。

可选地，该装置还可以包括该存储器。

第六方面，本申请提供一种供应商推荐模型的训练装置。该装置可以包括与存储器耦合的处理器。其中，该存储器用于存储程序代码，该处理器用于执行该存储器中的程序代码，以实现第二方面或其中任意一种实现方式中的方法。

可选地，该装置还可以包括该存储器。

第七方面，本申请提供一种芯片，包括至少一个处理器和通信接口，所述通信接口和所述至少一个处理器通过线路互联，所述至少一个处理器用于运行计算机程序或指令，以执行如第一方面或第二方面或其中任意一种可能的实现方式所述的方法。

第八方面，本申请提供一种计算机可读介质，该计算机可读介质存储用于设备执行的程序代码，该程序代码包括用于执行如第一方面或第二方面或其中任意一种可能的实现方式所述的方法。

第九方面，本申请提供一种包含指令的计算机程序产品，当该计算机程序产品在计算机上运行时，使得计算机执行如第一方面或第二方面或其中任意一种可能的实现方式所述的方法。

第十方面，本申请提供一种计算设备，包括至少一个处理器和通信接口，所述通信接口和所述至少一个处理器通过线路互联，所述通信接口与目标系统通信，所述至少一个处理器用于运行计算机程序或指令，以执行如第一方面或第二方面或其中任意一种可能的实现方式所述的方法。

第十一方面，本申请提供一种计算系统，包括至少一个处理器和通信接口，所述通信接口和所述至少一个处理器通过线路互联，所述通信接口与目标系统通信，所述至少一个处理器用于运行计算机程序或指令，以执行如第一方面或第二方面或其中任意一种可能的实现方式所述的方法。

附图说明

图1为本申请的实施例的一种系统架构的示意图；

图2为本申请的实施例的一种供应商的推荐方法的流程示意图；

图3为本申请的实施例的一种供应商推荐模型的训练方法的流程示意图；

图4为本申请的实施例的另一种供应商推荐模型的训练方法的流程示意图；

图5为本申请一个实施例的供应商推荐装置的示意性结构图；

图6为本申请一个实施例的供应商推荐模型的训练装置的示意性结构图；

图7为本申请一个实施例提供的装置的结构示意图。

具体实施方式

下面将结合本申请的实施例中的附图，对本申请实施例中的技术方案进行描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

为了便于对本申请的理解，首先对本申请涉及的概念进行解释说明。

图卷积神经网络(graph convolutional network，GCN)：是指能对图数据进行深度学习的神经网络。其中，卷积神经网络是指包含卷积计算且具有深度结构的前馈神经网络。图卷积神经网络是卷积神经网络在图域上的自然推广。

嵌入向量：是指用以表示事物(例如企业和供应商)属性的实数向量。嵌入向量被广泛应用在机器学习领域中做预测推理，例如，可以通过某企业的嵌入向量和某供应商的嵌入向量预测该企业与该供应商的匹配度。嵌入向量是在模型训练过程中不断优化和学习得来的。

图1为本申请的实施例的一种系统架构的示意图。参见图1，数据采集设备160用于采集企业的特征信息和供应商的特征信息并存入数据库130；训练设备120基于数据库130中维护的企业的特征信息和供应商的特征信息生成供应商推荐模型101，其中，供应商推荐模型也可以称为供应商推荐规则。

训练设备120基于企业的特征信息和供应商的特征信息获取供应商推荐模型101的方法可以参见图3至图4中任意图所示的实施例。

训练设备120得到的供应商推荐模型101可以应用不同的系统或设备中，例如应用到执行设备110中。

执行设备110配置有I/O接口112，与外部设备进行数据交互，用户可以通过客户设备140向I/O接口112输入待推荐企业的特征信息。

执行设备110可以调用数据存储系统150中的数据、代码等，也可以将数据、指令等存入数据存储系统150中。

计算模块111使用供应商推荐模型101对待推荐企业的特征信息和供应商的特征信息进行处理，从而得到待推荐企业的供应商推荐信息。

最后，I/O接口112将处理结果返回给客户设备140，提供给用户。

在图1所示的情况下，用户可以手动指定输入执行设备110中的数据，例如，在I/O接口112提供的界面中操作。另一种情况下，客户设备140可以自动地向I/O接口112输入数据并获得结果，如果客户设备140自动输入数据需要获得用户的授权，用户可以在客户设备140中设置相应权限。用户可以在客户设备140查看执行设备110输出的结果，具体的呈现形式可以是显示、声音、动作等具体方式。客户设备140也可以作为数据采集端将采集到企业的特征信息和供应商的特征信息存入数据库130。

值得注意的，图1仅是本申请实施例提供的一种系统架构的示意图，图中所示设备、器件、模块等之间的位置关系不构成任何限制，例如，在图1中，数据存储系统150相对执行设备110是外部存储器，在其它情况下，也可以将数据存储系统150置于执行设备110中。

图2为本申请的实施例的一种供应商的推荐方法的流程示意图。如图2所示，该方法至少包括S201至S203。

S201，获取待推荐企业的特征信息。

待推荐企业又可以称为核心企业，包括在供应链中居于核心地位，对其上游1级供应商提供的原材料、商品或服务具有付款责任的企业。

示例性的，待推荐企业的特征信息可以包括以下信息中的一种或多种：业务需求、营销模式、所属地域、成本预算和付款方式等。

S202，获取多个供应商中每一个供应商的特征信息。

供应商可以包括直接供应商和间接供应商。直接供应商又可以称为1级供应商，包括采用赊销方式向核心企业直接提供原材料、商品或服务的企业；间接供应商又可以称为N级供应商，包括采用赊销方式向其下游供应商直接提供原材料、商品或服务的企业，N级供应商为核心企业的间接供应商，N为大于或等于2的正整数。

示例性的，该多个供应商可以包括待推荐企业有合作意向的供应商和/或与该待推荐企业有合作意向的供应商等。

示例性的，供应商的特征信息可以包括以下信息中的一种或多种：产品类型、产品价格、生产周期、收款方式和所属地区等。

S203，将待推荐企业的特征信息和每一个供应商的特征信息输入至供应商推荐模型中，得到待推荐企业的供应商推荐信息，供应商推荐模型为基于企业的特征信息和供应商的特征信息训练得到的神经网络模型。

在将待推荐企业的特征信息和每一个供应商的特征信息输入至供应商推荐模型之前，需要先根据待推荐企业的特征信息和每一个供应商的特征信息确定待推荐企业的嵌入向量和每一个供应商的嵌入向量。

示例性的，根据待推荐企业的特征信息确定待推荐企业的嵌入向量的方法可以包括：从待推荐企业的特征信息中提取企业字段并进行预处理，预处理包括计算每一个企业字段的缺失率，去除缺失率高于预设缺失率的企业字段；判断企业字段的类型，若企业字段是序列型，则对该企业字段进行One-hot处理，若企业字段是数值型，则对该企业字段进行归一化处理。

其中，One-hot形式的嵌入向量可以包括N个数据值，该数据值可以包括数据值0和数据值1。将企业字段输入至最佳XGBoost模型中，得到该企业字段的特征重要性排序，其中最佳XGBoost模型是通过对XGBoost算法训练得到的。将特征重要性排序中排名大于预设名次的企业字段进行连接，得到待推荐企业的嵌入向量。

示例性的，根据供应商的特征信息确定供应商的嵌入向量的方法可以包括：获取用来区分供应商的所有供应商字段，将每一个供应商字段对应的值进行统一量纲处理，得到供应商字段的特征值；将所有供应商字段的值按照升序排序，得到升序供应商字段队列；将升序供应商字段队列中每一个供应商字段对应的特征值按照与供应商字段队列反向顺序进行排列，得到反向特征值队列；将升序供应商字段队列中的每一个供应商字段和对应序号的反向特征值队列中的每一个特征值连接，得到供应商的嵌入向量。

根据待推荐企业的特征信息和每一个供应商的特征信息确定待推荐企业的嵌入向量和每一个供应商的嵌入向量后，将待推荐企业的嵌入向量和每一个供应商的嵌入向量输入至供应商推荐模型中，得到待推荐企业的供应商推荐信息。

在一种可能的实现方式中，供应商推荐模型包括图卷积神经网络模型和分类模型。

作为一种示例，将待推荐企业的嵌入向量和每一个供应商的嵌入向量输入至训练好的图卷积神经网络模型中，得到待推荐企业的特征向量和每一个供应商的特征向量，再将待推荐企业的特征向量和每一个供应商的特征向量输入至训练好的分类模型中，得到待推荐企业的供应商推荐信息。

示例性的，将待推荐企业的特征向量和每一个供应商的特征向量输入至训练好的分类模型中，得到待推荐企业的供应商推荐信息的方法可以包括：分别计算待推荐企业的特征向量与每一个供应商的特征向量的内积，与待推荐企业的特征向量的内积大于或等于推荐阈值β的供应商的内积对应的供应商为向该待推荐企业推荐的供应商，待推荐企业的供应商推荐信息中包括所有向该待推荐企业推荐的供应商。其中，推荐阈值β为分类模型的参数，可以通过对分类模型的训练得到。

本申请提供的技术方案，将待推荐企业的特征信息和多个供应商中的每一个供应商的特征信息输入至供应商推荐模型中，得到该待推荐企业的供应商推荐信息，并根据该供应商推荐信息向企业推荐供应商，提高了为企业推荐供应商的准确率。

图3为本申请的实施例的一种供应商推荐模型的训练方法的流程示意图。如图3所示，该方法至少包括S301至S302。

S301，获取多个企业中每个企业的特征信息和与多个企业中的每个企业具有签约关系的供应商的特征信息。

该多个企业可以包括有与一个或多个供应商存在签约数据信息的企业。企业与供应商的签约数据信息为表示该企业与该供应商具有签约关系的数据信息。企业与某供应商具有签约关系表示在二者的签约数据信息中的有效期内，该供应商为该企业的供应商，为该企业提供原材料、商品或服务等。

多个企业中的每个企业至少存在一个具有签约关系的供应商。一个供应商可以与多个企业具有签约关系。多个企业中的任意一个企业可以为另一个企业的具有签约关系的供应商，多个供应商中的任意一个供应商可以为另一个供应商的具有签约关系的企业。

示例性的，企业的特征信息可以包括以下信息中的一种或多种：业务需求、营销模式、所属地域、成本预算和付款方式等。

示例性的，供应商的特征信息可以包括以下信息中的一种或多种：产品类型、产品价格、生产周期、收款方式和所属地区等。

S302，使用多个企业中每个企业的特征信息和与多个企业中的每个企业具有签约关系的供应商的特征信息对神经网络模型进行训练，得到供应商推荐模型。

在使用多个企业中每个企业的特征信息和与多个企业中的每个企业具有签约关系的供应商的特征信息对神经网络进行训练，得到供应商推荐模型之前，需要先根据多个企业中每个企业的特征信息和与多个企业中的每个企业具有签约关系的供应商的特征信息确定每个企业的嵌入向量和与每个企业具有签约关系的供应商的嵌入向量。

需要说明的是，根据每个企业的特征信息和与每个企业具有签约关系的供应商的特征信息确定每个企业的嵌入向量和与每个企业具有签约关系的供应商的嵌入向量的方法可以参考S203，此处不再进行赘述。

在一种可能的实现方式中，供应商推荐模型包括图卷积神经网络模型和分类模型。

作为一种示例，将多个企业中每个企业的特征信息和与多个企业中的每个企业具有签约关系的供应商的特征信息输入图卷积神经网络模型，得到多个企业中每个企业的特征向量和与多个企业中的每个企业具有签约关系的供应商的特征向量；将多个企业中每个企业的特征向量和与多个企业中的每个企业具有签约关系的供应商的特征向量输入分类模型，得到分类结果；基于得到的分类结果和企业与供应商之间的实际签约结果对图卷积神经网络模型和分类模型的参数进行调整。

示例性的，使用损失函数计算通过供应商推荐模型得到的分类结果和企业与供应商之间的实际签约结果之间的损失值，并基于该损失值调整图神经网络模型和分类模型中的权重参数。

本申请提供的技术方案，使用多个企业中每个企业的特征信息和与该多个企业中的每个企业具有签约关系的供应商的特征信息对神经网络模型进行训练，得到供应商推荐模型，提高了供应商推荐模型的准确率。

图4为本申请的实施例的另一种供应商推荐模型的训练方法的流程示意图。如图4所示，该方法至少包括S401至S404。

S401，获取多个企业中每个企业的发票信息和与多个企业中的每个企业具有签约关系的供应商的发票信息。

发票信息用于表示企业和供应商在购销商品、提供或接受服务以及从事其它经营活动中所开具和收取的业务凭证数据。发票信息可以包括提供的产品或服务的名称、质量、协议价格和预付款金额等。

从发票信息中可以获取更加丰富的企业的特征信息和供应商的特征信息。

S402，根据多个企业中每个企业的发票信息计算多个企业中每个企业的嵌入向量。

首先从每个企业的发票信息中提取该企业的特征信息，再根据提取的企业的特征信息计算该企业的嵌入向量。

在一种可能的实现方式中，使用词频-逆文件频率(term frequency-inversedocument frequency，TF-IDF)的方法从企业的发票信息中提取企业的特征信息。

作为一种示例，对企业的发票信息进行分词处理，得到多个文本信息数据，计算每个文本信息数据的词频和逆文件频率，根据每个文本信息数据的词频和逆文件频率计算该文本信息数据的权重，将每个企业的发票信息中的文本信息数据按照计算得到的权重从大到小排序，根据该权重排序选取企业的特征向量。例如，将权重值排名前10的文本信息数据作为该企业的特征信息。

示例性的，可以通过下列公式计算文本信息数据的词频：

其中，tf_w表示文本数据信息的词频，M表示文本信息数据在该发票信息中出现的次数，N表示该发票信息中所有文本信息数据的数量。

示例性的，可以通过下列公式计算文本信息数据的逆文件频率：

其中，idf_w表示文本信息数据的逆文件频率，Q表示所有发票信息的个数，S表示所有包括该文本信息数据的发票信息的个数。

示例性的，可以通过计算tf_w*idf_w得到每个文本信息数据的权重。

需要说明的是，根据企业的特征信息计算企业的嵌入向量的方法可以参考S203，此处不再进行赘述。

S403，根据与多个企业中的每个企业具有签约关系的供应商的发票信息计算与多个企业中的每个企业具有签约关系的供应商的嵌入向量。

根据与多个企业中的每个企业具有签约关系的供应商的发票信息计算与多个企业中的每个企业具有签约关系的供应商的嵌入向量的方法可以参考S402，此处不再进行赘述。

S404，使用多个企业中每个企业的嵌入向量和与多个企业中的每个企业具有签约关系的供应商的嵌入向量对神经网络模型进行训练，得到供应商推荐模型。

需要说明的是，使用多个企业中每个企业的嵌入向量和与多个企业中的每个企业具有签约关系的供应商的嵌入向量对神经网络模型进行训练，得到供应商推荐模型的方法可以参考S302，此处不再进行赘述。

本申请提供的技术方案，通过获取的多个企业中每个企业的发票信息和与该多个企业中的每个企业具有签约关系的供应商的发票信息进行预处理学习，得到多个企业中每个企业的嵌入向量和与该多个企业中的每个企业具有签约关系的供应商的嵌入向量，提高了多个企业中每个企业的嵌入向量和与该多个企业中的每个企业具有签约关系的供应商的嵌入向量的准确度，使用该企业的嵌入向量和供应商的嵌入向量对供应商推荐模型进行训练，提高了供应商推荐模型的准确度。

图5为本申请一个实施例的供应商推荐装置的示意性结构图。如图5所示，装置500可以包括获取模块501和输入模块502。

本申请实施例中的获取模块和输入模块中任意模块可以全部或部分通过软件和/硬件方式实现。其中，通过软件实现的部分可以在处理器上运行以实现相应的功能，通过硬件方式实现的部分可以是处理器的构成部分。

在一种实现方式中，装置500可以用于实现图2所示的方法。例如，获取模块501可以用于实现S201和S202，输入模块502可以用于实现S203。

图6为本申请一个实施例的供应商推荐模型的训练装置的示意性结构图。如图6所示，装置600可以包括获取模块601和训练模块602。

本申请实施例中的获取模块和训练模块中任意模块可以全部或部分通过软件和/硬件方式实现。其中，通过软件实现的部分可以在处理器上运行以实现相应的功能，通过硬件方式实现的部分可以是处理器的构成部分。

在一种实现方式中，装置600可以用于实现图3所示的方法。例如，获取模块601可以用于实现S301，训练模块602可以用于实现S302。

在另一种可能的实现方式中，装置600还可以包括处理模块。该实现方式中的装置600可以用于实现图4所示的方法。例如，获取模块601可以用于实现S401，处理模块可以用于实现S402至S403，训练模块602可以用于实现S404。

图7为本申请一个实施例提供的装置的结构示意图。图7所示的装置700可以用于执行前述任意一个实施例所述的方法。

如图7所示，本实施例的装置700包括：存储器701、处理器702、通信接口703以及总线704。其中，存储器701、处理器702、通信接口703通过总线704实现彼此之间的通信连接。

存储器701可以是只读存储器(read only memory，ROM)，静态存储设备，动态存储设备或者随机存取存储器(random access memory，RAM)。存储器701可以存储程序，当存储器701中存储的程序被处理器702执行时，处理器702可以用于执行图2至图4所示的方法的各个步骤。

处理器702可以采用通用的中央处理器(central processing unit，CPU)，微处理器，应用专用集成电路(application specific integrated circuit，ASIC)，或者一个或多个集成电路，用于执行相关程序，以实现本申请方法实施例的供应商的推荐方法和供应商推荐模型的训练方法。

处理器702还可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，本申请各个实施例的方法的各个步骤可以通过处理器702中的硬件的集成逻辑电路或者软件形式的指令完成。

上述处理器702还可以是通用处理器、数字信号处理器(digital signalprocessing，DSP)、专用集成电路(ASIC)、现成可编程门阵列(field programmable gatearray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器701，处理器702读取存储器701中的信息，结合其硬件完成本申请实施例中各个方法所需执行的功能，例如，可以执行图2至图4所示实施例的各个步骤/功能。

通信接口703可以使用但不限于收发器一类的收发装置，来实现装置700与其他设备或通信网络之间的通信。

总线704可以包括在装置700各个部件(例如，存储器701、处理器702、通信接口703)之间传送信息的通路。

应理解，本申请实施例所示的装置700可以是电子设备，或者，也可以是配置于电子设备中的芯片。

上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质。半导体介质可以是固态硬盘。

应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，其中A,B可以是单数或者复数。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系，但也可能表示的是一种“和/或”的关系，具体可参考前后文进行理解。

本申请中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a,b,或c中的至少一项(个)，可以表示：a,b,c,a-b,a-c,b-c,或a-b-c，其中a,b,c可以是单个，也可以是多个。

应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (12)

1.一种供应商的推荐方法，其特征在于，所述方法包括：

获取待推荐企业的特征信息；

获取多个供应商中每一个供应商的特征信息；

将所述待推荐企业的特征信息和所述每一个供应商的特征信息输入至供应商推荐模型中，得到所述待推荐企业的供应商推荐信息，所述供应商推荐模型为基于企业的特征信息和供应商的特征信息训练得到的神经网络模型。

2.根据权利要求1所述的方法，其特征在于，所述供应商推荐模型包括图卷积神经网络模型和分类模型。

3.根据权利要求1或2所述的方法，其特征在于，所述企业的特征信息包括以下信息中的一种或多种：业务需求、营销模式、所属地域、成本预算和付款方式。

4.根据权利要求1或2所述的方法，其特征在于，所述供应商的特征信息包括以下信息中的一种或多种：产品类型、产品价格、生产周期、收款方式和所属地区。

5.一种供应商推荐模型的训练方法，其特征在于，所述方法包括：

获取多个企业中每个企业的特征信息和与所述多个企业中的每个企业具有签约关系的供应商的特征信息；

使用所述多个企业中每个企业的特征信息和与所述多个企业中的每个企业具有签约关系的供应商的特征信息对神经网络模型进行训练，得到所述供应商推荐模型。

6.根据权利要求5所述的方法，其特征在于，所述神经网络模型包括图卷积神经网络模型和分类模型；

其中，所述使用所述多个企业中每个企业的特征信息和与所述多个企业中的每个企业具有签约关系的供应商的特征信息，对神经网络模型进行训练，包括：

将所述多个企业中每个企业的特征信息和所述与所述多个企业中的每个企业具有签约关系的供应商的特征信息输入所述图卷积神经网络模型，得到所述多个企业中每个企业的特征向量和所述与所述多个企业中的每个企业具有签约关系的供应商的特征向量；

将所述多个企业中每个企业的特征向量和所述与所述多个企业中的每个企业具有签约关系的供应商的特征向量输入所述分类模型，得到分类结果；

基于所述分类结果对所述图卷积神经网络模型和所述分类模型的参数进行调整。

7.根据权利要求6所述的方法，其特征在于，所述将所述多个企业中每个企业的特征信息和所述与所述多个企业中的每个企业具有签约关系的供应商的特征信息输入所述图卷积神经网络模型，得到所述多个企业中每个企业的特征向量和所述与所述多个企业中的每个企业具有签约关系的供应商的特征向量，包括：

获取所述多个企业中每个企业的发票信息和所述与所述多个企业中的每个企业具有签约关系的供应商的发票信息；

根据所述多个企业中每个企业的发票信息计算所述多个企业中每个企业的嵌入向量；

根据所述与所述多个企业中的每个企业具有签约关系的供应商的发票信息计算所述与所述多个企业中的每个企业具有签约关系的供应商的嵌入向量；

将所述多个企业中每个企业的嵌入向量和所述与所述多个企业中的每个企业具有签约关系的供应商的嵌入向量输入所述图卷积神经网络模型，得到所述多个企业中每个企业的特征向量和所述与所述多个企业中的每个企业具有签约关系的供应商的特征向量。

8.根据权利要求5至7中任一项所述的方法，其特征在于，所述企业的特征信息包括以下信息中的一种或多种：业务需求、营销模式、所属地域、成本预算和付款方式。

9.根据权利要求5至7中任一项所述的方法，其特征在于，所述供应商的特征信息包括以下信息中的一种或多种：产品类型、产品价格、生产周期、收款方式和所属地区。

10.一种供应商的推荐装置，其特征在于，包括用于实现权利要求1至4中任一项所述的方法的各个功能模块。

11.一种供应商推荐模型的训练装置，其特征在于，包括用于实现权利要求5至9中任一项所述的方法的各个功能模块。

12.一种计算机可读介质，其特征在于，所述计算机可读介质存储用于计算机执行的程序代码，该程序代码包括用于执行如权利要求1至4中任一项所述的方法的指令或权利要求5至9中任一项所述的方法的指令。

Images