CN113392229A - 供应链关系构建和预测方法、装置、设备、存储介质 - Google Patents

供应链关系构建和预测方法、装置、设备、存储介质 Download PDF

Info

Publication number
CN113392229A
CN113392229A CN202110928947.9A CN202110928947A CN113392229A CN 113392229 A CN113392229 A CN 113392229A CN 202110928947 A CN202110928947 A CN 202110928947A CN 113392229 A CN113392229 A CN 113392229A
Authority
CN
China
Prior art keywords
supply chain
enterprise
relation
business transaction
transaction data
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
Application number
CN202110928947.9A
Other languages
English (en)
Inventor
张鑫
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.)
Sichuan New Turtle Technology Co ltd
Original Assignee
Sichuan New Turtle Technology Co ltd
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 Sichuan New Turtle Technology Co ltd filed Critical Sichuan New Turtle Technology Co ltd
Priority to CN202110928947.9A priority Critical patent/CN113392229A/zh
Publication of CN113392229A publication Critical patent/CN113392229A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/08—Learning methods
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Databases & Information Systems (AREA)
  • Animal Behavior & Ethology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例公开了一种供应链关系构建和预测方法、装置、设备、存储介质，该方法通过获取目标企业与多个供应链企业的包括业务往来的时序信息的业务往来数据，并根据预设本体模型以及所述业务往来数据，以每个供应链企业为实体节点构建知识图谱，获得各供应链企业的时态知识底层图谱；在对各供应链企业的时态知识底层图谱进行以本体对齐的知识融合，获得包含所述目标企业供应链关系的时态知识图谱。解决了现有技术中构建的供应链关系维度少，准确率低的技术问题，大大的丰富了供应链企业的关系链，大大提高了构建的供应链关系的准确率。

Description

供应链关系构建和预测方法、装置、设备、存储介质
技术领域
本申请涉及人工智能技术领域，尤其涉及一种供应链关系构建和预测方法、装置、设备、存储介质。
背景技术
在供应链体系下，核心企业、中心企业、物流、仓储等多节点因为贸易关系而产生链接关系。目前，在供应链关系构建和挖掘时，学术上和商业应用大多集中在供应商关系管理，站在核心企业的角度，根据已知的供应链关系来对上游供应商进行信息管理和风险管理，更多围绕在企业的直接上下游。这种供应链构建方式无法挖掘潜在的供应链关系，构建的供应链关系准确率低。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本申请的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本申请实施例提供了一种供应链关系构建和预测方法、装置、设备、存储介质，丰富了供应链企业的关系链，提高了构建的供应链关系的准确率。
一方面，本申请实施例提供了一种供应链关系构建方法，包括：
获取目标企业与多个供应链企业的业务往来数据，所述业务往来数据中包括业务往来的时序信息；
根据预设本体模型以及所述业务往来数据，以每个供应链企业为实体节点构建知识图谱，获得各供应链企业的时态知识底层图谱；
对各供应链企业的时态知识底层图谱进行以本体对齐的知识融合，获得包含所述目标企业供应链关系的时态知识图谱。
可选地，在所述根据预设本体模型以及所述业务往来数据，以每个供应链企业为实体节点构建知识图谱，获得各供应链企业的时态知识底层图谱之前，还包括：
构建知识图谱的本体模型，获得所述预设本体模型，所述预设本体模型中包括企业实体属性和企业贸易属性。
可选地，所述企业实体属性包括实体；所述根据预设本体模型[A1]以及所述业务往来数据，以每个供应链企业为实体节点构建知识图谱，获得各供应链企业的时态知识底层图谱，包括：
将所述业务往来数据与所述实体对齐，获得对齐业务往来数据；
将所述对齐业务往来数据转换为符合知识图谱结构的图数据；
根据预设本体模型以及所述图数据，以每个供应链企业为实体节点构建知识图谱，获得各供应链企业的时态知识底层图谱。
可选地，在所述将所述业务往来数据与所述实体对齐，获得对齐业务往来数据之前，还包括：
根据所述企业实体属性和所述企业贸易属性，对所述业务往来数据进行校验，获得校验业务往来数据；
所述将所述业务往来数据与所述实体对齐，获得对齐业务往来数据，包括：
将所述校验业务往来数据与所述实体对齐，获得对齐业务往来数据。
再一方面，本申请实施例提供了一种供应链关系预测方法，包括：
基于前述的包含所述目标企业供应链关系的时态知识图谱，获得包含时间序列的企业关系向量；
对所述企业关系向量进行特征提取，获得企业关系特征；
将所述企业关系特征输入神经网络模型进行训练，获得所述目标企业的供应链关系预测信息。
可选地，所述神经网络模型为长短期记忆人工神经网络LSTM模型；
所述对所述企业关系向量进行特征提取，获得企业关系特征，包括：
对所述企业关系向量进行低维特征提取，获得企业关系低维特征；
所述将所述企业关系特征输入神经网络模型进行训练，获得所述目标企业的供应链关系预测信息，包括：
将所述企业关系低维特征输入LSTM模型进行训练，获得低维特征预测向量；
将所述低维特征预测向量映射到高维空间，获得所述目标企业的供应链关系预测信息
再一方面，本申请实施例提供了一种供应链关系构建装置，包括：
数据获取模块，用于获取目标企业与多个供应链企业的业务往来数据，所述业务往来数据中包括业务往来的时序信息；
图谱构建模块，用于根据预设本体模型以及所述业务往来数据，以每个供应链企业为实体节点构建知识图谱，获得各供应链企业的时态知识底层图谱；
图谱融合模块，用于对各供应链企业的时态知识底层图谱进行以本体对齐的知识融合，获得包含所述目标企业供应链关系的时态知识图谱。
再一方面，本申请实施例提供了一种供应链关系预测装置，包括：
向量获得模块，用于基于前述的包含所述目标企业供应链关系的时态知识图谱，获得包含时间序列的企业关系向量；
特征提取模块，用于对所述企业关系向量进行特征提取，获得企业关系特征；
关系预测模块，用于将所述企业关系特征输入神经网络模型进行训练，获得所述目标企业的供应链关系预测信息
再一方面，本申请实施例提供了一种电子设备，包括：
存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序，实现前述的供应链关系构建方法或供应链关系预测方法。
再一方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述处理器执行所述计算机程序，实现前述的供应链关系构建方法或供应链关系预测方法。
本申请的实施例提供一种供应链关系构建和预测方法、装置、设备、存储介质，该关系构建通过获取目标企业与多个供应链企业的包括业务往来的时序信息的业务往来数据，并根据预设本体模型以及所述业务往来数据，以每个供应链企业为实体节点构建知识图谱，获得各供应链企业的时态知识底层图谱；在对各供应链企业的时态知识底层图谱进行以本体对齐的知识融合，获得包含所述目标企业供应链关系的时态知识图谱。也即，该方法通过本体模型以及业务往来数据，构建包含所述目标企业供应链关系的时态知识图谱，相对于现有技术，时态知识图谱可以包括更全面的企业之间的关系，尤其是包含时间序列，进而可以反映供应链关系随着时间的变化，更全面的技术表达企业供应链的动态的演变，解决了现有技术中构建的供应链关系维度少，准确率低的技术问题，大大丰富了供应链企业的关系链，大大提高了构建的供应链关系的准确率。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种电子设备的结构示意图；
图2是本申请实施例提供的一种供应链关系构建方法的流程示意图；
图3是构建包含供应链关系的时态知识图谱的原理示意流程图；
图4是图2中S40的一种具体实施过程流程示意图；
图5是本申请实施例提供的一种供应链关系预测方法的流程示意图；
图6是本申请实施例提供的一种供应链关系构建装置的结构示意图；
图7是本申请实施例提供的一种供应链关系预测装置的结构示意图。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
在一个实施例中，本申请提供的供应链关系构建方法或供应链关系预测方法可以应用于电子设备中。该电子设备可以是服务器，也可以是客户端，其内部结构图可以如图1所示。该电子设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置等。其中，处理器用于提供计算和控制能力；存储器包括非易失性存储介质、内存储器，该非易失性存储介质存储有操作系统、计算机程序(该计算机程序被处理器执行时实现一种供应链关系构建方法或供应链关系预测方法)和数据库，该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境；数据库用于存储供应链关系构建方法或供应链关系预测方法执行过程中涉及到的数据，例如该数据库中可以存储业务往来数据等数据；网络接口用于与外部的终端通过网络连接通信；显示屏可以是液晶显示屏或者电子墨水显示屏，输入装置可以是显示屏上覆盖的触摸层，也可以是电子设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。进一步的，客户端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
基于上述实施例的硬件，请参见图2，本申请的实施例提供了一种供应链关系构建方法，该方法包括：
S20，获取目标企业与多个供应链企业的业务往来数据，所述业务往来数据中包括业务往来的时序信息。
在具体实施过程中，目标企业是构建供应链关系的对象，可以是任意的企业。一般来说，目标企业会有多个供应链企业，进而在供应业务中产生业务往来数据。作为一种实施例，业务往来数据可以包括：上下游订单数据、上下游物流数据、企业基础信息、上下游资金往来数据、上下游信息数据、人工输入数据。其中，这些数据都包括时序信息。举例来说，供应链企业A为目标企业提供原材料，供应链企业A在2021年4月与目标企业签订一笔原材料订单，则该订单数据中包括签订时间。
参见图3，图3为构建包含供应链关系的时态知识图谱的原理示意流程图。具体的，参见图3，本实施例中的业务往来数据都会导入到指定的数据仓库中，例如Hive、ClickHouse等，在本实施实例中使用的是ClickHouse。ClickHouse具有单机高性能的效率表现。
S40，根据预设本体模型以及所述业务往来数据，以每个供应链企业为实体节点构建知识图谱，获得各供应链企业的时态知识底层图谱。
在具体实施过程中，预设本体模型即为知识图谱的本体模型，在构建知识图谱之前需要首先构建本体模型。
因此，作为一种可选的实施例，在所述根据预设本体模型以及所述业务往来数据，以每个供应链企业为实体节点构建知识图谱，获得各供应链企业的时态知识底层图谱之前，本实施例的方法还包括：
构建知识图谱的本体模型，获得所述预设本体模型。在本实施例中，参见图3，根据知识图谱典型本体模型设计理念创建的预设本体模型中包括企业实体属性和企业贸易属性。其中，企业实体属性包括供应链中的实体、实体属性和关系属性，例如：公司法人、股东等，企业贸易属性包括订单属性、物流属性、信息属性、资金属性。
在本实施例中可以基于Protégé构建知识图谱主体模型，根据企业实体属性和企业贸易属性定义好RFD三元组关系图。
在一种实施方式中，所述根据预设本体模型以及所述业务往来数据，以每个供应链企业为实体节点构建知识图谱，获得各供应链企业的时态知识底层图谱，参见图4，包括：
S401、将所述业务往来数据与所述实体对齐，获得对齐业务往来数据；
在具体实施过程中，参见图3，为了构建知识图谱，需要首先将业务往来数据与所述实体对齐，获得对齐业务往来数据。
S402、将所述对齐业务往来数据转换为符合知识图谱结构的图数据；
在具体实施过程中，为了构建知识图谱，其次，还需要将对齐业务往来数据转换为符合知识图谱结构的图数据，具体的，可以通过ETL或者数据结构的方式转换为符合知识图谱结构的图数据，并加载到以图数据库为核心存储的知识图谱系统平台中。举例来说，参见图3，可以基于R2RQ工具做知识抽取，把对齐业务往来数据转化成RDF的三元组形式，并且把三元组数据存储在Neo4j的图数据库中。
S403、根据预设本体模型以及所述图数据，以每个供应链企业为实体节点构建知识图谱，获得各供应链企业的时态知识底层图谱。
在具体实施过程中，为了获得更详细准确的供应链关系，首先以每个供应链企业为实体节点构建知识图谱，具体的，可以基于SPARQL 的形式从Neo4j中检索关系模型，从而获得各供应链企业的时态知识底层图谱。
在一种实施方式中，在所述将所述业务往来数据与所述实体对齐，获得对齐业务往来数据之前，还包括：
根据所述企业实体属性和所述企业贸易属性，对所述业务往来数据进行校验，获得校验业务往来数据；
在具体实施过程中，参见图3，可以根据创建的实体、实体关系模型、企业贸易属性，进行数据核查，即对供应链中涉及的目标企业和本体模型进行数据清洗、加工。并进行指标判定：完整性核查、一致性核查、合理性核查、准确性核查。可以保证剔除冗余和错误数据，提高最终知识图谱中供应链关系的准确率。
相应的，所述将所述业务往来数据与所述实体对齐，获得对齐业务往来数据，包括：
将所述校验业务往来数据与所述实体对齐，获得对齐业务往来数据。
S60，对各供应链企业的时态知识底层图谱进行以本体对齐的知识融合，获得包含所述目标企业供应链关系的时态知识图谱。
在具体实施过程中，在获得各供应链企业的时态知识底层图谱后，进行以本体对齐的知识融合，创建包含所述目标企业供应链关系的时态知识图谱。
本申请实施例提供了一种供应链关系构建方法，通过获取目标企业与多个供应链企业的包括业务往来的时序信息的业务往来数据，并根据预设本体模型以及所述业务往来数据，以每个供应链企业为实体节点构建知识图谱，获得各供应链企业的时态知识底层图谱；在对各供应链企业的时态知识底层图谱进行以本体对齐的知识融合，获得包含所述目标企业供应链关系的时态知识图谱。也即，该方法通过本体模型以及业务往来数据，构建包含所述目标企业供应链关系的时态知识图谱，相对于现有技术，时态知识图谱可以包括更全面的企业之间的关系，尤其是包含时间序列，进而可以反映供应链关系随着时间的变化，更全面的技术表达企业供应链的动态的演变，解决了现有技术中构建的供应链关系维度少，准确率低的技术问题，大大的丰富了供应链企业的关系链，大大提高了构建的供应链关系的准确率。
因此，根据本实施例的技术方案，结合各个企业的企业交易数据挖掘供应链关系，减少人工干预程度，使得构建的供应链关系图谱非常客观可信；能够主动挖掘潜在的交易对手，提供潜在的供应链关系；通过数据指标的配置可以排除一部分干扰选项，进一步提高所构建供应链关系的可信度和可解释度。
在前述实施例的基础上，参见图5，本申请的实施例还提供了一种供应链关系预测方法，包括：
S200、基于前述实施例的包含所述目标企业供应链关系的时态知识图谱，获得包含时间序列的企业关系向量；
在具体实施过程中，知识图谱可以定义为G＝{E，R}，其中E和R分别表示实体和关系的集合，G中的每个元素即为三元组实例(h ,r ,o)，h表示头实体，o表示尾实体，r表示头尾实体间的关系。时态知识图谱可以看作基于时间序列的知识图谱，是笛卡尔积的子集，在时态知识图谱G＝ {G1 ,...,GT }中，时间点t的知识图谱Gt由前m步以及当前步的数据窗口s决定，即p(Gt |s , Gt-m:t-1 )；时间点t中供应链企业实体对头实体h以及尾实体o之间的企业关系为p(r|h ,o ,s ,Gt-m:t-1 )＝ p(r|h ,o ,Gt )*p(Gt |s ,Gt-m:t-1 )。
基于此，本实施例中可以从包含所述目标企业供应链关系的时态知识图谱中提取包含时间序列的企业关系向量，作为神经网络的输入，来进行目标企业的供应链关系预测。
S400、对所述企业关系向量进行特征提取，获得企业关系特征；
在具体实施过程中，可以通过一维卷积层Conv1D和全局最大池化层GlobalMaxPooling（GMP）来对输入的企业关系向量进行特征提取，获得企业关系特征。
S600、将所述企业关系特征输入神经网络模型进行训练，获得所述目标企业的供应链关系预测信息。
在具体实施过程中，神经网络可以学习时序特征，预测下一时刻的企业供应链关系。
需要说明的是，神经网络模型可以包括多种，作为一个实施例，所述神经网络模型为长短期记忆人工神经网络LSTM模型；
所述对所述企业关系向量进行特征提取，获得企业关系特征，包括：
对所述企业关系向量进行低维特征提取，获得企业关系低维特征；
所述将所述企业关系特征输入神经网络模型进行训练，获得所述目标企业的供应链关系预测信息，包括：
将所述企业关系低维特征输入LSTM模型进行训练，获得低维特征预测向量；
将所述低维特征预测向量映射到高维空间，获得所述目标企业的供应链关系预测信息。
可以理解的是，提取低维特征向量，输入到LSTM进行训练，由于低维特征的维度低，因此，可以提高训练的效率。
具体的，在本实施例中，LSTM内部其实有4个前馈神经网络，组成了LSTM记忆单元的遗忘门、输入门和输出门结构，遗忘门决定了记忆单元是否忘记历史信息，输入门决定了当前输入数据对记忆单元状态的影响，输出门决定了记忆单元的输出信息，假设
Figure 14974DEST_PATH_IMAGE001
表示t时刻的输入向量，
Figure 653897DEST_PATH_IMAGE002
表示t-1时刻的输出，则LSTM记忆模块进行状态更新和信息输出的过程如下：
首先由遗忘门决定保留过去历史信息的程度
Figure 615424DEST_PATH_IMAGE003
：
Figure 503746DEST_PATH_IMAGE004
然后，由输入门和
Figure 838781DEST_PATH_IMAGE003
共同对记忆单元的存储信息
Figure 128948DEST_PATH_IMAGE005
进行更新：
Figure 258447DEST_PATH_IMAGE006
Figure 961961DEST_PATH_IMAGE007
Figure 320261DEST_PATH_IMAGE008
，
最后由输出门决定当前输出t时刻的输出
Figure 979781DEST_PATH_IMAGE009
:
Figure 296493DEST_PATH_IMAGE010
Figure 411604DEST_PATH_IMAGE011
其中，
Figure 573595DEST_PATH_IMAGE003
，
Figure 822043DEST_PATH_IMAGE012
，
Figure 44077DEST_PATH_IMAGE013
分别表示当前t时刻的遗忘门、输入门、输出门的状态，
Figure 846816DEST_PATH_IMAGE014
表示激活函数，tanh()表示双曲线激活函数，
Figure 812498DEST_PATH_IMAGE015
、
Figure 181032DEST_PATH_IMAGE016
、
Figure 308388DEST_PATH_IMAGE017
、
Figure 409810DEST_PATH_IMAGE018
表示内部前馈神经网络的权重，
Figure 179183DEST_PATH_IMAGE019
、
Figure 667802DEST_PATH_IMAGE020
、
Figure 966059DEST_PATH_IMAGE021
、
Figure 618757DEST_PATH_IMAGE022
表示偏置向量。
然后，可以基于Decode实现传播预测，具体的，将LSTM层预测输出的低维特征预测向量输入到解码层进行解码，将低维特征预测向量重新映射回高维空间，就得到了下一时刻的企业关系链预测信息。
在一个实施例中，在训练过程使用交叉熵损失函数构建模型的损失函数。具体的，由于在整个体系中的数据比较多，会产生数据不平衡，采用真实值为0的误差更大权重
Figure 175509DEST_PATH_IMAGE023
作为损失函数，选取相关性作为传播预测的评价指标，具体公式如下：
Figure 3788DEST_PATH_IMAGE024
相关性(accuracy)=
Figure 987793DEST_PATH_IMAGE025
其中，
Figure 534312DEST_PATH_IMAGE026
表示真实值为1，
Figure 897685DEST_PATH_IMAGE027
为真实值为1的个数，
Figure 111629DEST_PATH_IMAGE028
表示真实值为0，
Figure 266535DEST_PATH_IMAGE029
为真实值为0的个数，
Figure 300350DEST_PATH_IMAGE030
代表预测值，weight代表真实值为0误差权重。m为预测正确的个数，n为总个数，准确率分为真实值为0和真实值为1两个情况，分为Accuracy_1,Accuracy_0。具体的预测情况见下表1。
表1 不同权重下企业供应链关系预测数据
Figure 402168DEST_PATH_IMAGE031
由表1中的数据可知，由于不同阈值和权重情况下，真实值为1和0的比例分布，真实值为1就是代表完全是真实的企业关系，真实值为0，代表供应链企业之间无真实的关系，因此，在获得包含所述目标企业供应链关系的时态知识图谱的基础上，通过神经网络可以准确的预测目标企业的供应链关系趋势。
由此可见，本实施例提供的供应链关系预测方法，基于包含所述目标企业供应链关系的时态知识图谱，获得包含时间序列的企业关系向量；对所述企业关系向量进行特征提取，获得企业关系特征；将所述企业关系特征输入神经网络模型进行训练，获得所述目标企业的供应链关系预测信息。由于构建的时态知识图谱包含的供应链关系信息准确且动态，因此，可利用神经网络进行预测获得准确的目标企业的供应链关系预测信息。
在前述实施例的基础上，参见图6，本申请实施例还提供了一种供应链关系构建装置。如图6所示，该装置包括数据获取模块601、图谱构建模块602、图谱融合模块603；其中，
数据获取模块601，用于获取目标企业与多个供应链企业的业务往来数据，所述业务往来数据中包括业务往来的时序信息；
图谱构建模块602，用于根据预设本体模型以及所述业务往来数据，以每个供应链企业为实体节点构建知识图谱，获得各供应链企业的时态知识底层图谱；
图谱融合模块603，用于对各供应链企业的时态知识底层图谱进行以本体对齐的知识融合，获得包含所述目标企业供应链关系的时态知识图谱。
在一个实施例中，该装置还包括：
本体构建模块604，用于构建知识图谱的本体模型，获得所述预设本体模型，所述预设本体模型中包括企业实体属性和企业贸易属性。
所述图谱构建模块602可具体用于执行如下步骤：
将所述业务往来数据与所述实体对齐，获得对齐业务往来数据；
将所述对齐业务往来数据转换为符合知识图谱结构的图数据；
根据预设本体模型以及所述图数据，以每个供应链企业为实体节点构建知识图谱，获得各供应链企业的时态知识底层图谱。
在又一个实施例中，所述图谱构建模块602还可具体用于执行如下步骤：
在所述将所述业务往来数据与所述实体对齐，获得对齐业务往来数据之前，根据所述企业实体属性和所述企业贸易属性，对所述业务往来数据进行校验，获得校验业务往来数据。
本申请实施例提供了一种供应链关系构建方法，通过本体模型以及业务往来数据，构建包含所述目标企业供应链关系的时态知识图谱，相对于现有技术，时态知识图谱可以包括更全面的企业之间的关系，尤其是包含时间序列，进而可以反映供应链关系随着时间的变化，更全面的技术表达企业供应链的动态的演变，解决了现有技术中构建的供应链关系维度少，准确率低的技术问题，大大的丰富了供应链企业的关系链，大大提高了构建的供应链关系的准确率。
在前述实施例的基础上，参见图7，本申请实施例还提供了一种供应链关系预测装置。如图7所示，该装置包括数据获取模块701、特征提取模块702、关系预测模块703；其中，
向量获得模块701，用于基于前述的包含所述目标企业供应链关系的时态知识图谱，获得包含时间序列的企业关系向量；
特征提取模块702，用于对所述企业关系向量进行特征提取，获得企业关系特征；
关系预测模块703，用于将所述企业关系特征输入神经网络模型进行训练，获得所述目标企业的供应链关系预测信息。
在一个实施例中，所述神经网络模型为长短期记忆人工神经网络LSTM模型；
特征提取模块702，还用于对所述企业关系向量进行低维特征提取，获得企业关系低维特征；
关系预测模块703，还用于将所述企业关系低维特征输入LSTM模型进行训练，获得低维特征预测向量；将所述低维特征预测向量映射到高维空间，获得所述目标企业的供应链关系预测信息。
由此可见，本实施例提供的供应链关系预测方法，基于包含所述目标企业供应链关系的时态知识图谱，获得包含时间序列的企业关系向量；对所述企业关系向量进行特征提取，获得企业关系特征；将所述企业关系特征输入神经网络模型进行训练，获得所述目标企业的供应链关系预测信息。由于构建的时态知识图谱包含的供应链关系信息准确且动态，因此，可利用神经网络进行预测获得准确的目标企业的供应链关系预测信息。
在一种实施例中，基于与前述实施例相同的发明构思，本申请实施例还提供了一种电子设备，包括：
存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序，实现前述实施例的供应链关系构建方法和供应链关系预测方法。
需要说明的是，本实施例的具体实施方式以及可以达到的技术效果均可参照前述实施例的供应链关系构建方法和供应链关系预测方法实施例的内容，这里不再赘述。
在一个实施例中，基于与前述实施例相同的发明构思，本申请的实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述处理器执行所述计算机程序，实现实施例的供应链关系构建方法和供应链关系预测方法。
需要说明的是，本实施例的具体实施方式以及可以达到的技术效果均可参照前述实施例的供应链关系构建方法和供应链关系预测方法实施例的内容，这里不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所揭露的仅为本申请的局部实施例而已，当然不能以此来限定本申请之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或局部流程，并依本申请权利要求所作的等同变化，仍属于发明所涵盖的范围。

Claims (10)

1.一种供应链关系构建方法，其特征在于，包括：
获取目标企业与多个供应链企业的业务往来数据，所述业务往来数据中包括业务往来的时序信息；
根据预设本体模型以及所述业务往来数据，以每个供应链企业为实体节点构建知识图谱，获得各供应链企业的时态知识底层图谱；
对各供应链企业的时态知识底层图谱进行以本体对齐的知识融合，获得包含所述目标企业供应链关系的时态知识图谱。
2.根据权利要求1所述的方法，其特征在于，在所述根据预设本体模型以及所述业务往来数据，以每个供应链企业为实体节点构建知识图谱，获得各供应链企业的时态知识底层图谱之前，还包括：
构建知识图谱的本体模型，获得所述预设本体模型，所述预设本体模型中包括企业实体属性和企业贸易属性。
3.根据权利要求2所述的方法，其特征在于，所述企业实体属性包括实体；所述根据预设本体模型以及所述业务往来数据，以每个供应链企业为实体节点构建知识图谱，获得各供应链企业的时态知识底层图谱，包括：
将所述业务往来数据与所述实体对齐，获得对齐业务往来数据；
将所述对齐业务往来数据转换为符合知识图谱结构的图数据；
根据预设本体模型以及所述图数据，以每个供应链企业为实体节点构建知识图谱，获得各供应链企业的时态知识底层图谱。
4.根据权利要求3所述的方法，其特征在于，在所述将所述业务往来数据与所述实体对齐，获得对齐业务往来数据之前，还包括：
根据所述企业实体属性和所述企业贸易属性，对所述业务往来数据进行校验，获得校验业务往来数据；
所述将所述业务往来数据与所述实体对齐，获得对齐业务往来数据，包括：
将所述校验业务往来数据与所述实体对齐，获得对齐业务往来数据。
5.一种供应链关系预测方法，其特征在于，包括：
基于如权利要求1-4中任一项所述的供应链关系构建方法中包含所述目标企业供应链关系的时态知识图谱，获得包含时间序列的企业关系向量；
对所述企业关系向量进行特征提取，获得企业关系特征；
将所述企业关系特征输入神经网络模型进行训练，获得所述目标企业的供应链关系预测信息。
6.根据权利要求5所述的方法，其特征在于，所述神经网络模型为长短期记忆人工神经网络LSTM模型；
所述对所述企业关系向量进行特征提取，获得企业关系特征，包括：
对所述企业关系向量进行低维特征提取，获得企业关系低维特征；
所述将所述企业关系特征输入神经网络模型进行训练，获得所述目标企业的供应链关系预测信息，包括：
将所述企业关系低维特征输入LSTM模型进行训练，获得低维特征预测向量；
将所述低维特征预测向量映射到高维空间，获得所述目标企业的供应链关系预测信息。
7.一种供应链关系构建装置，其特征在于，包括：
数据获取模块，用于获取目标企业与多个供应链企业的业务往来数据，所述业务往来数据中包括业务往来的时序信息；
图谱构建模块，用于根据预设本体模型以及所述业务往来数据，以每个供应链企业为实体节点构建知识图谱，获得各供应链企业的时态知识底层图谱；
图谱融合模块，用于对各供应链企业的时态知识底层图谱进行以本体对齐的知识融合，获得包含所述目标企业供应链关系的时态知识图谱。
8.一种供应链关系预测装置，其特征在于，包括：
向量获得模块，用于基于如权利要求1-4中任一项所述的供应链关系构建方法中包含所述目标企业供应链关系的时态知识图谱，获得包含时间序列的企业关系向量；
特征提取模块，用于对所述企业关系向量进行特征提取，获得企业关系特征；
关系预测模块，用于将所述企业关系特征输入神经网络模型进行训练，获得所述目标企业的供应链关系预测信息。
9.一种电子设备，其特征在于，该电子设备包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序，实现如权利要求1-4或5-6中任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，处理器执行所述计算机程序，实现如权利要求1-4或5-6中任一项所述的方法。
CN202110928947.9A 2021-08-13 2021-08-13 供应链关系构建和预测方法、装置、设备、存储介质 Pending CN113392229A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110928947.9A CN113392229A (zh) 2021-08-13 2021-08-13 供应链关系构建和预测方法、装置、设备、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110928947.9A CN113392229A (zh) 2021-08-13 2021-08-13 供应链关系构建和预测方法、装置、设备、存储介质

Publications (1)

Publication Number Publication Date
CN113392229A true CN113392229A (zh) 2021-09-14

Family

ID=77622585

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110928947.9A Pending CN113392229A (zh) 2021-08-13 2021-08-13 供应链关系构建和预测方法、装置、设备、存储介质

Country Status (1)

Country Link
CN (1) CN113392229A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114428864A (zh) * 2022-04-01 2022-05-03 杭州未名信科科技有限公司 知识图谱的构建方法、装置、电子设备及介质
CN114819255A (zh) * 2022-03-08 2022-07-29 深圳市天人供应链管理有限公司 一种基于区块链的供应链管理方法及系统
CN117236521A (zh) * 2023-11-10 2023-12-15 中国联合网络通信集团有限公司 产业风险等级预测方法、装置、设备及存储介质
CN117473199A (zh) * 2023-11-17 2024-01-30 广东永锢电子机械科技有限公司 应用于供应链物流系统的信息推送方法及系统

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108427735A (zh) * 2018-02-28 2018-08-21 东华大学 基于电子病历的临床知识图谱构建方法
CN109255034A (zh) * 2018-08-08 2019-01-22 数据地平线（广州）科技有限公司 一种基于产业链的行业知识图谱构建方法
CN110197280A (zh) * 2019-05-20 2019-09-03 中国银行股份有限公司 一种知识图谱构建方法、装置及系统
CN111159425A (zh) * 2019-12-30 2020-05-15 浙江大学 一种基于历史关系和双图卷积网络的时态知识图谱表示方法
CN111221983A (zh) * 2020-01-15 2020-06-02 北京百度网讯科技有限公司 时序知识图谱生成方法、装置、设备和介质
WO2020110036A1 (en) * 2018-11-28 2020-06-04 Turvo, Inc. Systems, apparatuses and methods for supply chain network identification and optimization
CN111368089A (zh) * 2018-12-25 2020-07-03 中国移动通信集团浙江有限公司 一种基于知识图谱的业务处理方法及装置
CN111612620A (zh) * 2020-05-18 2020-09-01 上海齐网网络科技有限公司 供应链金融实现方法和装置
CN111951052A (zh) * 2020-08-14 2020-11-17 中国工商银行股份有限公司 基于知识图谱的获取潜在客户方法及装置
CN112015909A (zh) * 2020-08-19 2020-12-01 普洛斯科技(重庆)有限公司 知识图谱的构建方法及装置、电子设备、存储介质
CN112256887A (zh) * 2020-10-28 2021-01-22 福建亿榕信息技术有限公司 基于知识图谱的智能供应链管理方法
CN112330183A (zh) * 2020-11-18 2021-02-05 布瑞克农业大数据科技集团有限公司 一种构建农业企业大数据画像的方法和系统
CN112905738A (zh) * 2021-02-05 2021-06-04 中山大学 一种基于时态知识图谱推理的社交关系演变预测方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108427735A (zh) * 2018-02-28 2018-08-21 东华大学 基于电子病历的临床知识图谱构建方法
CN109255034A (zh) * 2018-08-08 2019-01-22 数据地平线（广州）科技有限公司 一种基于产业链的行业知识图谱构建方法
WO2020110036A1 (en) * 2018-11-28 2020-06-04 Turvo, Inc. Systems, apparatuses and methods for supply chain network identification and optimization
CN111368089A (zh) * 2018-12-25 2020-07-03 中国移动通信集团浙江有限公司 一种基于知识图谱的业务处理方法及装置
CN110197280A (zh) * 2019-05-20 2019-09-03 中国银行股份有限公司 一种知识图谱构建方法、装置及系统
CN111159425A (zh) * 2019-12-30 2020-05-15 浙江大学 一种基于历史关系和双图卷积网络的时态知识图谱表示方法
CN111221983A (zh) * 2020-01-15 2020-06-02 北京百度网讯科技有限公司 时序知识图谱生成方法、装置、设备和介质
CN111612620A (zh) * 2020-05-18 2020-09-01 上海齐网网络科技有限公司 供应链金融实现方法和装置
CN111951052A (zh) * 2020-08-14 2020-11-17 中国工商银行股份有限公司 基于知识图谱的获取潜在客户方法及装置
CN112015909A (zh) * 2020-08-19 2020-12-01 普洛斯科技(重庆)有限公司 知识图谱的构建方法及装置、电子设备、存储介质
CN112256887A (zh) * 2020-10-28 2021-01-22 福建亿榕信息技术有限公司 基于知识图谱的智能供应链管理方法
CN112330183A (zh) * 2020-11-18 2021-02-05 布瑞克农业大数据科技集团有限公司 一种构建农业企业大数据画像的方法和系统
CN112905738A (zh) * 2021-02-05 2021-06-04 中山大学 一种基于时态知识图谱推理的社交关系演变预测方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114819255A (zh) * 2022-03-08 2022-07-29 深圳市天人供应链管理有限公司 一种基于区块链的供应链管理方法及系统
CN114428864A (zh) * 2022-04-01 2022-05-03 杭州未名信科科技有限公司 知识图谱的构建方法、装置、电子设备及介质
CN117236521A (zh) * 2023-11-10 2023-12-15 中国联合网络通信集团有限公司 产业风险等级预测方法、装置、设备及存储介质
CN117473199A (zh) * 2023-11-17 2024-01-30 广东永锢电子机械科技有限公司 应用于供应链物流系统的信息推送方法及系统
CN117473199B (zh) * 2023-11-17 2024-03-19 广东永锢电子机械科技有限公司 应用于供应链物流系统的信息推送方法及系统

Similar Documents

Publication Publication Date Title
CN113392229A (zh) 供应链关系构建和预测方法、装置、设备、存储介质
US11770571B2 (en) Matrix completion and recommendation provision with deep learning
US11928600B2 (en) Sequence-to-sequence prediction using a neural network model
US20230059579A1 (en) Structural data matching using neural network encoders
US10438133B2 (en) Spend data enrichment and classification
Mall et al. Comparison of artificial neural network architecture in solving ordinary differential equations
CN109326353B (zh) 预测疾病终点事件的方法、装置及电子设备
US20090089228A1 (en) Generalized reduced error logistic regression method
EP4120137A1 (en) System and method for molecular property prediction using edge conditioned identity mapping convolution neural network
Hariri-Ardebili Analytical failure probability model for generic gravity dam classes
CN111597352B (zh) 结合本体概念和实例的网络空间知识图谱推理方法和装置
Liang et al. Stock price prediction based on procedural neural networks
Martino et al. Multivariate hidden Markov models for disease progression
CN115409111A (zh) 命名实体识别模型的训练方法和命名实体识别方法
US11836633B2 (en) Generating realistic counterfactuals with residual generative adversarial nets
CN108475346A (zh) 神经随机访问机器
CN113515625A (zh) 测试结果分类模型训练方法、分类方法及装置
Livieris et al. An advanced conjugate gradient training algorithm based on a modified secant equation
KR102519878B1 (ko) 금융기관 신용공여 사업에서의 인공지능 기반 리스크 관리 솔루션을 제공하기 위한 장치, 방법 및 명령을 기록한 기록 매체
Li et al. An improved active learning method combing with the weight information entropy and Monte Carlo simulation of efficient structural reliability analysis
CN114971892A (zh) 贷款行为识别方法、装置、计算机设备和存储介质
Yatkın et al. Machine learning enabled identification of sheet metal localization
Chen et al. Instability in regime switching models
Cherasia et al. Data Nuggets in Supervised Learning
Elitzur Machine Learning and Non-Investment Crowdfunding Research: A Tutorial

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210914

RJ01 Rejection of invention patent application after publication