CN113836310B - 知识图谱驱动的工业品供应链管理方法和系统 - Google Patents

知识图谱驱动的工业品供应链管理方法和系统 Download PDF

Info

Publication number
CN113836310B
CN113836310B CN202110892813.6A CN202110892813A CN113836310B CN 113836310 B CN113836310 B CN 113836310B CN 202110892813 A CN202110892813 A CN 202110892813A CN 113836310 B CN113836310 B CN 113836310B
Authority
CN
China
Prior art keywords
score
commodity
user
similarity
target
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
CN202110892813.6A
Other languages
English (en)
Other versions
CN113836310A (zh
Inventor
朱俊
李志霞
叶成龙
陆芊
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.)
Ouye Industrial Products Co ltd
Original Assignee
Ouye Industrial Products 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 Ouye Industrial Products Co ltd filed Critical Ouye Industrial Products Co ltd
Priority to CN202110892813.6A priority Critical patent/CN113836310B/zh
Publication of CN113836310A publication Critical patent/CN113836310A/zh
Application granted granted Critical
Publication of CN113836310B publication Critical patent/CN113836310B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Finance (AREA)
  • General Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computational Linguistics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种知识图谱驱动的工业品供应链管理方法和系统，包括：根据采购上传的询单，得到商品描述字符串；从商品描述字符串中抽取出实体集合；根据已建知识图谱得到实体集合的对应节点及每个节点一跳关系内的商品集合和匹配到的商品集合；根据匹配到的商品集合和已建知识图谱，得到目标用户对商品集合中每个商品的历史询单统计量及目标客户商品评分；计算相似客户商品评分；根据商品集合、目标客户商品评分以及相似客户商品评分对计算总分；基于匹配到的商品集合，根据总分从高到低排序，得到商品匹配结果；根据匹配结果和已建知识图谱得到供应商集合；将目标用户、匹配结果、供应商集合作为供应商商机推送列表推送给相应供应商。

Description

知识图谱驱动的工业品供应链管理方法和系统
技术领域
本发明涉及供应链管理技术领域，具体地，涉及知识图谱驱动的工业品供应链管理方法和系统，更为具体地，涉及知识图谱驱动的数字化智能工业品供应链管理系统及方法。
背景技术
专利文献CN112256887A(申请号：202011171965.9)公开了提供基于知识图谱的智能供应链管理方法，适合电网企业内部供应商的全景管理和监控方式，从供应商管理的实际需求出发，集合了文本分析、知识图谱和图数据库的方法，同时融合了电网内部采购相关数据，与供应商外部数据结合，分析挖掘实现的风险指标计算和分析方法，同时通过知识图谱的方式实现关联挖掘分析，进而实现电网企业内部供应商的有效管理、风险评价和风险控制。
现有技术中，工业品供应链生态平台供应链供需匹配的基本模式是：采购方公开寻源+供应方自主寻找商机的组合，一般情况下效率低、匹配效果无法达到全局最优；为了提升供需匹配的效率及有效性，改善用户体验，在此基础之上，现有供应链管理系统设计并提供了一系列供应链管理服务，其中就包括：为供应商提供商机推送、为采购方提供优质供应商及商品推荐这两项收费服务；然而上述两项服务当前的技术实现主要是通过业务专家以人工过滤、筛选、排序等手段再加上行业经验来实现的，实践过程中发现这种实现方式存在着诸如效率低、自动化程度地、人工成本高等缺点，无法规模化达到预期理想效果，可能反而导致产品的用户体验不好，用户不再续用服务以及用户粘性降低等不理想的结果；本发明的目的就是通过引入知识图谱技术，组合人工智能及推荐算法等技术，以解决现有供应链管理服务中存在的上述问题，实现更高效率、更加精准、更懂客户的服务产品，来提升用户得体验及用户粘性，同时还能成为营销人员营销决策辅助工具，从而为公司降本、增效、增收。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种知识图谱驱动的工业品供应链管理方法和系统。
根据本发明提供的一种知识图谱驱动的工业品供应链管理方法，包括：
步骤S1：根据采购用户上传的询单REQUEST，对询单数据进行预处理，得到商品描述字符串DESCRIBE；
步骤S2：根据商品描述字符串DESCRIBE，运用NER技术，从商品描述字符串DESCRIBE中抽取出实体集合ENTITY；
步骤S3：根据实体集合ENTITY和已建工业品知识图谱，得到实体集合ENTITY的对应节点，通过关系路径得到每个节点一跳关系内的商品集合ITEM_E，对所有商品集合ITEM_E取交集，得到匹配到的商品集合ITEM；
步骤S4：根据匹配到的商品集合ITEM和已建工业品知识图谱，得到目标用户对ITEM中每个商品的历史询单统计量，通过归一化得到目标客户商品评分SCORE_HISTORY；
步骤S5：根据一种或多种行为关系计算用户相似度，将匹配到的商品集合ITEM作为范围根据用户相似度计算出相似客户商品评分SCORE_SIMI；
步骤S6：根据匹配到的商品集合ITEM、目标客户商品评分SCORE_HISTORY以及相似客户商品评分SCORE_SIMI对匹配到的商品集合ITEM中的每一件商品计算目标客户商品评分SCORE_HISTORY和相似客户商品评分SCORE_SIMI的加权总分score；
步骤S7：基于匹配到的商品集合ITEM，根据score从高到低排序，取前N个作为对目标用户询单的商品匹配结果ITEM_MATCH；
步骤S8：根据ITEM_MATCH和已建工业品知识图谱得到供应商集合SUP；
步骤S9：将三元组(目标用户、ITEM_MATCH、SUP)作为供应商商机推送列表推送给相应供应商。
优选地，所述预处理采用包括jieba分词和正则匹配。
优选地，所述用户相似度包括：用户基本面相似度和用户行为相似度；
所述用户基本面相似度采用JACCARD相似度：
Figure BDA0003196632510000021
其中，J(A,B)表示集合A和集合B的JACCARD相似度；A表示目标用户基本面实体集合；B表示除目标用户的基本面实体集合；|A|表示A集合的元素个数；|B|表示B集合的元素个数；A∩B表示集合A和集合B的交集；A∪B表示集合A和集合B的并集；
所述用户行为相似度采用余弦相似度：
Figure BDA0003196632510000031
其中，similarity(C,D)表示余弦相似度；C表示目标用户的行为向量；D表示除目标用户的行为向量；C·D表示向量C和向量D的内积；||C||表示向量A的模；||D||表示向量D的模；n表示向量的分量数；i表示向量的第i个分量；Ci表示向量C的第i个分量；Di表示向量D的第i个分量；
所述用户相似度包括：通过加权求和用户基本面相似度和用户行为相似度计算用户相似度；
sim＝a*J(A,B)+β*similarity(C,D) (3)
其中，sim表示用户相似度；α表示用户基本面的所占权重；β表示用户行为的所占权重。
优选地，所述相似客户商品评分采用：
步骤S5.1：相似客户商品为目标用户未曾购买过，且所述品类在目标用户历史消费商品所属品类集合中的商品，计算相似客户商品评分；
Figure BDA0003196632510000032
其中，I表示目标用户购买过的商品集合；
Figure BDA0003196632510000033
表示目标用户未购买过的商品；U表示除目标客户之外的用户的集合；u表示第u个除目标客户之外的用户；valueui表示第u个除目标客户之外的用户对第i个商品的行为值；simu表示第u个除目标客户之外的用户对目标用户的相似度；
步骤S5.2：将相似客户商品评分从高到低排序并作为对目标客户推荐商品的顺序。
优选地，所述步骤S6包括：
score＝a*SCORE_HISTORY+β*SCORE_SIMI (5)
其中，score表示商品评分；SCORE_HISTORY表示目标客户商品评分；SCORE_SIMI表示相似客户商品评分；α表示目标客户商品评分所占权重；β表示相似客户商品评分所占权重。
根据本发明提供的一种知识图谱驱动的工业品供应链管理系统，包括：
模块M1：根据采购用户上传的询单REQUEST，对询单数据进行预处理，得到商品描述字符串DESCRIBE；
模块M2：根据商品描述字符串DESCRIBE，运用NER技术，从商品描述字符串DESCRIBE中抽取出实体集合ENTITY；
模块M3：根据实体集合ENTITY和已建工业品知识图谱，得到实体集合ENTITY的对应节点，通过关系路径得到每个节点一跳关系内的商品集合ITEM_E，对所有商品集合ITEM_E取交集，得到匹配到的商品集合ITEM；
模块M4：根据匹配到的商品集合ITEM和已建工业品知识图谱，得到目标用户对ITEM中每个商品的历史询单统计量，通过归一化得到目标客户商品评分SCORE_HISTORY；
模块M5：根据一种或多种行为关系计算用户相似度，将匹配到的商品集合ITEM作为范围根据用户相似度计算出相似客户商品评分SCORE_SIMI；
模块M6：根据匹配到的商品集合ITEM、目标客户商品评分SCORE_HISTORY以及相似客户商品评分SCORE_SIMI对匹配到的商品集合ITEM中的每一件商品计算目标客户商品评分SCORE_HISTORY和相似客户商品评分SCORE_SIMI的加权总分score；
模块M7：基于匹配到的商品集合ITEM，根据score从高到低排序，取前N个作为对目标用户询单的商品匹配结果ITEM_MATCH；
模块M8：根据ITEM_MATCH和已建工业品知识图谱得到供应商集合SUP；
模块M9：将三元组(目标用户、ITEM_MATCH、SUP)作为供应商商机推送列表推送给相应供应商。
优选地，所述预处理采用包括jieba分词和正则匹配。
优选地，所述用户相似度包括：用户基本面相似度和用户行为相似度；
所述用户基本面相似度采用JACCARD相似度：
Figure BDA0003196632510000041
其中，J(A,B)表示集合A和集合B的JACCARD相似度；A表示目标用户基本面实体集合；B表示除目标用户的基本面实体集合；|A|表示A集合的元素个数；|B|表示B集合的元素个数；A∩B表示集合A和集合B的交集；A∪B表示集合A和集合B的并集；
所述用户行为相似度采用余弦相似度：
Figure BDA0003196632510000051
其中，similarity(C,D)表示余弦相似度；C表示目标用户的行为向量；D表示除目标用户的行为向量；C·D表示向量C和向量D的内积；||C||表示向量A的模；||D||表示向量D的模；n表示向量的分量数；i表示向量的第i个分量；Ci表示向量C的第i个分量；Di表示向量D的第i个分量；
所述用户相似度包括：通过加权求和用户基本面相似度和用户行为相似度计算用户相似度；
sim＝a*J(A,B)+β*similarity(C,D) (3)
其中，sim表示用户相似度；α表示用户基本面的所占权重；β表示用户行为的所占权重。
优选地，所述相似客户商品评分采用：
模块M5.1：相似客户商品为目标用户未曾购买过，且所述品类在目标用户历史消费商品所属品类集合中的商品，计算相似客户商品评分；
Figure BDA0003196632510000052
其中，I表示目标用户购买过的商品集合；
Figure BDA0003196632510000053
表示目标用户未购买过的商品；U表示除目标客户之外的用户的集合；u表示第u个除目标客户之外的用户；valueui表示第u个除目标客户之外的用户对第i个商品的行为值；simu表示第u个除目标客户之外的用户对目标用户的相似度；
模块M5.2：将相似客户商品评分从高到低排序并作为对目标客户推荐商品的顺序。
优选地，所述模块M6包括：
score＝a*SCORE_HISTORY+β*SCORE_SIMI (5)
其中，score表示商品评分；SCORE_HISTORY表示目标客户商品评分；SCORE_SIMI表示相似客户商品评分；α表示目标客户商品评分所占权重；β表示相似客户商品评分所占权重。
与现有技术相比，本发明具有如下的有益效果：
1、本发明通过知识图谱技术，将原本散落在关系型数据库各个库与表中的结构化数据，以及文本数据等非结构化数据中蕴含的工业品供应链相关领域知识，以一张个网状结构的图的形式贯穿了起来，因为知识图谱使用图结构存储数据，所以带来了犹如窄表的简单存储结构(三元组结构)，同时又具备宽表的查询性能；
2、本发明由于知识图谱本身是图的结构，同时采用图数据库进行存储，因此在可视化方面效果更好；
3、本发明由于知识图谱中强调的是实体与实体之间的关系，在关系推理方面存在先天的优势，因此对工业品供应链管理中的供需关系、从属关系、上下游关系都可以很好得支持，并通过路径推理、图计算等手段实现匹配与推荐等的下游任务；
4、本发明由于工业品供应链知识图谱将用户、商品、场景等主要的实体以相互之间的各种关系连接成了一个整体图，因此可以根据不同的需求切分不同的子图作为不同的特征表示，对下游机器学习任务来说是更为理想的特征输入，有利于产生更好的模型输出效果。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为工业品供应链知识图谱的构建体系示意图。
图2为工业品供应链知识图谱的结构示意图。
图3为工业品知识图谱实体关系结构示意图。
图4为工业品知识图谱用户基本面维度示意图。
图5为工业品知识图谱用户行为维度示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例1
根据本发明提供的一种知识图谱驱动的工业品供应链管理方法，如图1至5所示，包括：
步骤S1：根据采购用户上传的询单REQUEST，对询单数据进行预处理，得到商品描述字符串DESCRIBE；
步骤S2：根据商品描述字符串DESCRIBE，运用NER技术，从商品描述字符串DESCRIBE中抽取出实体集合ENTITY；
步骤S3：根据实体集合ENTITY和已建工业品知识图谱，得到实体集合ENTITY的对应节点，通过关系路径得到每个节点一跳关系内的商品集合ITEM_E，对所有商品集合ITEM_E取交集，得到匹配到的商品集合ITEM；
步骤S4：根据匹配到的商品集合ITEM和已建工业品知识图谱，得到目标用户对ITEM中每个商品的历史询单统计量，通过归一化得到目标客户商品评分SCORE_HISTORY；
步骤S5：根据一种或多种行为关系计算用户相似度，将匹配到的商品集合ITEM作为范围根据用户相似度计算出相似客户商品评分SCORE_SIMI；
步骤S6：根据匹配到的商品集合ITEM、目标客户商品评分SCORE_HISTORY以及相似客户商品评分SCORE_SIMI对匹配到的商品集合ITEM中的每一件商品计算目标客户商品评分SCORE_HISTORY和相似客户商品评分SCORE_SIMI的加权总分score；
步骤S7：基于匹配到的商品集合ITEM，根据score从高到低排序，取前N个作为对目标用户询单的商品匹配结果ITEM_MATCH；
步骤S8：根据ITEM_MATCH和已建工业品知识图谱得到供应商集合SUP；
步骤S9：将三元组(目标用户、ITEM_MATCH、SUP)作为供应商商机推送列表推送给相应供应商。
具体地，所述预处理采用包括jieba分词和正则匹配。
具体地，所述用户相似度包括：用户基本面相似度和用户行为相似度；
所述用户基本面相似度采用JACCARD相似度：
Figure BDA0003196632510000071
其中，J(A,B)表示集合A和集合B的JACCARD相似度；A表示目标用户基本面实体集合；B表示除目标用户的基本面实体集合；|A|表示A集合的元素个数；|B|表示B集合的元素个数；A∩B表示集合A和集合B的交集；A∪B表示集合A和集合B的并集；
所述用户行为相似度采用余弦相似度：
Figure BDA0003196632510000081
其中，similarity(C,D)表示余弦相似度；C表示目标用户的行为向量；D表示除目标用户的行为向量；C·D表示向量C和向量D的内积；||C||表示向量A的模；||D||表示向量D的模；n表示向量的分量数；i表示向量的第i个分量；Ci表示向量C的第i个分量；Di表示向量D的第i个分量；
所述用户相似度包括：通过加权求和用户基本面相似度和用户行为相似度计算用户相似度；
sim＝a*J(A,B)+β*similarity(C,D) (3)
其中，sim表示用户相似度；α表示用户基本面的所占权重；β表示用户行为的所占权重。
具体地，所述相似客户商品评分采用：
步骤S5.1：相似客户商品为目标用户未曾购买过，且所述品类在目标用户历史消费商品所属品类集合中的商品，计算相似客户商品评分；
Figure BDA0003196632510000082
其中，I表示目标用户购买过的商品集合；
Figure BDA0003196632510000083
表示目标用户未购买过的商品；U表示除目标客户之外的用户的集合；u表示第u个除目标客户之外的用户；valueui表示第u个除目标客户之外的用户对第i个商品的行为值；simu表示第u个除目标客户之外的用户对目标用户的相似度；
步骤S5.2：将相似客户商品评分从高到低排序并作为对目标客户推荐商品的顺序。
具体地，所述步骤S6包括：
score＝a*SCORE_HISTORY+β*SCORE_SIMI (5)
其中，score表示商品评分；SCORE_HISTORY表示目标客户商品评分；SCORE_SIMI表示相似客户商品评分；α表示目标客户商品评分所占权重；β表示相似客户商品评分所占权重。
根据本发明提供的一种知识图谱驱动的工业品供应链管理系统，包括：
模块M1：根据采购用户上传的询单REQUEST，对询单数据进行预处理，得到商品描述字符串DESCRIBE；
模块M2：根据商品描述字符串DESCRIBE，运用NER技术，从商品描述字符串DESCRIBE中抽取出实体集合ENTITY；
模块M3：根据实体集合ENTITY和已建工业品知识图谱，得到实体集合ENTITY的对应节点，通过关系路径得到每个节点一跳关系内的商品集合ITEM_E，对所有商品集合ITEM_E取交集，得到匹配到的商品集合ITEM；
模块M4：根据匹配到的商品集合ITEM和已建工业品知识图谱，得到目标用户对ITEM中每个商品的历史询单统计量，通过归一化得到目标客户商品评分SCORE_HISTORY；
模块M5：根据一种或多种行为关系计算用户相似度，将匹配到的商品集合ITEM作为范围根据用户相似度计算出相似客户商品评分SCORE_SIMI；
模块M6：根据匹配到的商品集合ITEM、目标客户商品评分SCORE_HISTORY以及相似客户商品评分SCORE_SIMI对匹配到的商品集合ITEM中的每一件商品计算目标客户商品评分SCORE_HISTORY和相似客户商品评分SCORE_SIMI的加权总分score；
模块M7：基于匹配到的商品集合ITEM，根据score从高到低排序，取前N个作为对目标用户询单的商品匹配结果ITEM_MATCH；
模块M8：根据ITEM_MATCH和已建工业品知识图谱得到供应商集合SUP；
模块M9：将三元组(目标用户、ITEM_MATCH、SUP)作为供应商商机推送列表推送给相应供应商。
具体地，所述预处理采用包括jieba分词和正则匹配。
具体地，所述用户相似度包括：用户基本面相似度和用户行为相似度；
所述用户基本面相似度采用JACCARD相似度：
Figure BDA0003196632510000091
其中，J(A,B)表示集合A和集合B的JACCARD相似度；A表示目标用户基本面实体集合；B表示除目标用户的基本面实体集合；|A|表示A集合的元素个数；|B|表示B集合的元素个数；A∩B表示集合A和集合B的交集；A∪B表示集合A和集合B的并集；
所述用户行为相似度采用余弦相似度：
Figure BDA0003196632510000092
其中，similarity(C,D)表示余弦相似度；C表示目标用户的行为向量；D表示除目标用户的行为向量；C·D表示向量C和向量D的内积；||C||表示向量A的模；||D||表示向量D的模；n表示向量的分量数；i表示向量的第i个分量；Ci表示向量C的第i个分量；Di表示向量D的第i个分量；
所述用户相似度包括：通过加权求和用户基本面相似度和用户行为相似度计算用户相似度；
sim＝a*J(A,B)+β*similarity(C,D) (3)
其中，sim表示用户相似度；α表示用户基本面的所占权重；β表示用户行为的所占权重。
具体地，所述相似客户商品评分采用：
模块M5.1：相似客户商品为目标用户未曾购买过，且所述品类在目标用户历史消费商品所属品类集合中的商品，计算相似客户商品评分；
Figure BDA0003196632510000101
其中，I表示目标用户购买过的商品集合；
Figure BDA0003196632510000102
表示目标用户未购买过的商品；U表示除目标客户之外的用户的集合；u表示第u个除目标客户之外的用户；valueui表示第u个除目标客户之外的用户对第i个商品的行为值；simu表示第u个除目标客户之外的用户对目标用户的相似度；
模块M5.2：将相似客户商品评分从高到低排序并作为对目标客户推荐商品的顺序。
具体地，所述模块M6包括：
score＝a*SCORE_HISTORY+β*SCORE_SIMI (5)
其中，score表示商品评分；SCORE_HISTORY表示目标客户商品评分；SCORE_SIMI表示相似客户商品评分；α表示目标客户商品评分所占权重；β表示相似客户商品评分所占权重。
实施例2
实施例2是实施例1的优选例
本发明提供的一种知识图谱驱动的工业品供应链管理方法，如图1至5所示，包括：
供需匹配指的是为工业品供应链的采购方匹配优质供应商及商品，为供应方推送商机的双向匹配+推荐的行为，如图3至5中，圆圈表示实体，圆圈中的文字代表实体的标签；箭头表示关系；箭头中的问题代表关系类型，例如：用户实体采购了商品实体；
如图3所示，工业品知识图谱实体关系结构包括用户节点和商品节点，从商品节点中提取商品所属叶类、所属品牌以及所属材质，得到品类节点、材质节点以及品牌节点；从用户节点中基于用户的公司类型、公司角色、企业规模、公司性质以及所属地区，得到公司类型节点、公司角色节点、企业规模节点、公司性质节点以及地区节点；基于商品的应用，得到商品的应用场景节点；基于用户所属行业以及用户所在地区主打产业，得到用户的行业节点；应用场景节点为行业节点的归属领域；用户节点与商品节点之间存在包括采购、供应、询单和/或报价行为。
步骤A：根据采购用户上传的询单REQUEST，对询单数据进行预处理，得到商品描述字符串DESCRIBE；
步骤B：根据商品描述字符串DESCRIBE，运用NER(命名实体识别)技术，从DESCRIBE中抽取出实体集合ENTITY，实体集合即为关键词集合，如图3至5所示，从商品中提取商品所属叶类、所属品牌以及所属材质，得到商品描述的实体集合ENTITY{品类，品牌，材质}；
步骤C：根据实体集合和工业品知识图谱，从工业品知识图谱中查询出ENTITY的对应节点，通过关系路径“(ENTITY)-[..1]-(ITEM_E)”找到每个节点一跳关系内的商品集合ITEM_E，然后对所有ITEM_E取交集，得到匹配到的商品集合ITEM；
步骤D：根据商品集合ITEM和工业品知识图谱，通过“(目标用户)-[询单{询单统计量}]-(ITEM)”关系路径，找到目标用户对ITEM中每个商品的历史询单统计量,在通过归一化求得值域在(0,1)范围内的目标客户商品评分SCORE_HISTORY；
步骤E：根据基于工业品知识图谱和用户相似度的工业品供应链商品推荐算法，根据行为关系“询单”计算用户相似度，再将(i∈ITEM)作为范围计算出相似客户商品评分SCORE_SIMI；
具体地，所述基于工业品知识图谱和用户相似度的工业品供应链商品推荐算法包括：
根据工业品知识图谱，计算用户相似度
用户相似度由用户基本面相似度、用户行为相似度所组成
根据已建工业品知识图谱，计算用户基本面相似度
如图4所示，用户基于公司类型、公司角色、企业规模、公司性质以及所属地区得到用户描述的实体集合，基于用户描述的实体集合可计算得到用户基本面相似度；
相似度算法采用JACCARD相似度：
Figure BDA0003196632510000111
其中，J(A,B)表示集合A和集合B的JACCARD相似度；A表示目标用户基本面实体集合；B表示其他用户基本面实体集合；|A|表示A集合的元素个数；|B|表示B集合的元素个数；A∩B表示集合A和集合B的交集；A∪B表示集合A和集合B的并集；
根据工业品知识图谱，计算用户行为相似度；
如图5所示，用户节点与商品节点之间存在包括采购、供应、询单和/或报价行为，用户行为相似度为工业品知识图谱中“(用户)-[采购、供应、询单和/或报价]-(商品)”所组成的关系路径中，可选行为关系[采购、供应、询单以及报价]所带属性的相似度，多个行为可通过拼接得到行为向量，相似度算法采用余弦相似度；
Figure BDA0003196632510000121
其中，similarity(C,D)表示余弦相似度；C表示目标用户的行为向量；D表示除目标用户的行为向量；C·D表示向量C和向量D的内积；||C||表示向量A的模；||D||表示向量D的模；n表示向量的分量数；i表示向量的第i个分量；Ci表示向量C的第i个分量；Di表示向量D的第i个分量；
根据用户基本面相似度和用户行为相似度计算用户相似度
通过加权求和用户基本面相似度和用户行为相似度计算出最终的用户相似度，权重的设置可用来控制用户基本面因素和行为因素不同的影响程度
sim＝a*simA+β*simB
其中，sim表示用户相似度；simA表示用户基本面相似度；simB表示用户行为相似度；α表示用户基本面的所占权重；β表示用户行为的所占权重；
计算商品评分
对目标用户未曾购买过，且所属品类在该用户历史消费商品所属品类集合中的商品，计算每个商品的评分：
Figure BDA0003196632510000122
其中，score表示商品的评分；I表示目标用户购买过的商品集合；scoreoi表示目标用户的第i个未购买过的商品的评分；U表示其他用户的集合；u表示第u个其他用户valueui表示第u个其他用户对第i个商品的行为值；simu表示第u个其他用户对目标用户的相似度；
Figure BDA0003196632510000123
表示目标用户未购买过的商品。
根据scoreoi集合，根据score从高到低排序，作为对目标客户推荐商品的顺序；
步骤F：根据ITEM、SCORE_HISTORY、SCORE_SIMI，对ITEM中的每一件商品计算SCORE_HISTORY、SCORE_SIMI的加权总分，权重可根据自相关及他相关的不同重要程度设定；
score＝α*SCORE_HISTORY+β*SCORE_SIMI
其中，score表示商品评分；SCORE_HISTORY表示目标客户商品评分；SCORE_SIMI表示相似客户商品评分；α表示目标客户商品评分所占权重；β表示相似客户商品评分所占权重。
步骤G：根据ITEM集合，根据score从高到低排序，取TOPN作为对目标用户询单的商品匹配结果ITEM_MATCH；
步骤H：根据ITEM_MATCH和工业品知识图谱，通过(ITEM_MATCH)-[供应|报价]-(SUP)一条关系路径，找到供应商集合SUP；
步骤I：组合(目标用户、ITEM_MATCH、SUP)三元组，作为供应商商机推送列表推送给相应供应商。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (10)

1.一种知识图谱驱动的工业品供应链管理方法，其特征在于，包括：
步骤S1：根据采购用户上传的询单REQUEST，对询单数据进行预处理，得到商品描述字符串DESCRIBE；
步骤S2：根据商品描述字符串DESCRIBE，运用NER技术，从商品描述字符串DESCRIBE中抽取出实体集合ENTITY；
步骤S3：根据实体集合ENTITY和已建工业品知识图谱，得到实体集合ENTITY的对应节点，通过关系路径得到每个节点一跳关系内的商品集合ITEM_E，对所有商品集合ITEM_E取交集，得到匹配到的商品集合ITEM；
步骤S4：根据匹配到的商品集合ITEM和已建工业品知识图谱，得到目标用户对ITEM中每个商品的历史询单统计量，通过归一化得到目标客户商品评分SCORE_HISTORY；
步骤S5：根据一种或多种行为关系计算用户相似度，将匹配到的商品集合ITEM作为范围根据用户相似度计算出相似客户商品评分SCORE_SIMI；其中，相似客户商品为目标用户未曾购买过，且所属品类在目标用户历史消费商品所属品类集合中的商品，计算相似客户商品评分；
Figure FDA0003818286470000011
其中，I表示目标用户购买过的商品集合；
Figure FDA0003818286470000012
表示目标用户未购买过的商品；U表示除目标客户之外的用户的集合；u表示第u个除目标客户之外的用户；valueui表示第u个除目标客户之外的用户对第i个商品的行为值；simu表示第u个除目标客户之外的用户对目标用户的相似度；
步骤S6：根据匹配到的商品集合ITEM、目标客户商品评分SCORE_HISTORY以及相似客户商品评分SCORE_SIMI对匹配到的商品集合ITEM中的每一件商品计算目标客户商品评分SCORE_HISTORY和相似客户商品评分SCORE_SIMI的加权总分score；
步骤S7：基于匹配到的商品集合ITEM，根据score从高到低排序，取前N个作为对目标用户询单的商品匹配结果ITEM_MATCH；
步骤S8：根据ITEM_MATCH和已建工业品知识图谱得到供应商集合SUP；
步骤S9：将三元组(目标用户、ITEM_MATCH、SUP)作为供应商商机推送列表推送给相应供应商。
2.根据权利要求1所述的知识图谱驱动的工业品供应链管理方法，其特征在于，所述预处理采用包括jieba分词和正则匹配。
3.根据权利要求1所述的知识图谱驱动的工业品供应链管理方法，其特征在于，所述用户相似度包括：用户基本面相似度和用户行为相似度；
所述用户基本面相似度采用JACCARD相似度：
Figure FDA0003818286470000021
其中，J(A,B)表示集合A和集合B的JACCARD相似度；A表示目标用户基本面实体集合；B表示除目标用户的基本面实体集合；|A|表示A集合的元素个数；|B|表示B集合的元素个数；A∩B表示集合A和集合B的交集；A∪B表示集合A和集合B的并集；
所述用户行为相似度采用余弦相似度：
Figure FDA0003818286470000022
其中，similarity(C,D)表示余弦相似度；C表示目标用户的行为向量；D表示除目标用户的行为向量；C·D表示向量C和向量D的内积；||C||表示向量A的模；||D||表示向量D的模；n表示向量的分量数；i表示向量的第i个分量；Ci表示向量C的第i个分量；Di表示向量D的第i个分量；
所述用户相似度包括：通过加权求和用户基本面相似度和用户行为相似度计算用户相似度；
sim＝α*J(A,B)+β*similarity(C,D) (3)
其中，sim表示用户相似度；α表示用户基本面的所占权重；β表示用户行为的所占权重。
4.根据权利要求1所述的知识图谱驱动的工业品供应链管理方法，其特征在于，所述步骤S5采用：将相似客户商品评分从高到低排序并作为对目标客户推荐商品的顺序。
5.根据权利要求1所述的知识图谱驱动的工业品供应链管理方法，其特征在于，所述步骤S6包括：
score＝α*SCORE_HISTORY+β*SCORE_SIMI (5)
其中，score表示商品评分；SCORE_HISTORY表示目标客户商品评分；SCORE_SIMI表示相似客户商品评分；α表示目标客户商品评分所占权重；β表示相似客户商品评分所占权重。
6.一种知识图谱驱动的工业品供应链管理系统，其特征在于，包括：
模块M1：根据采购用户上传的询单REQUEST，对询单数据进行预处理，得到商品描述字符串DESCRIBE；
模块M2：根据商品描述字符串DESCRIBE，运用NER技术，从商品描述字符串DESCRIBE中抽取出实体集合ENTITY；
模块M3：根据实体集合ENTITY和已建工业品知识图谱，得到实体集合ENTITY的对应节点，通过关系路径得到每个节点一跳关系内的商品集合ITEM_E，对所有商品集合ITEM_E取交集，得到匹配到的商品集合ITEM；
模块M4：根据匹配到的商品集合ITEM和已建工业品知识图谱，得到目标用户对ITEM中每个商品的历史询单统计量，通过归一化得到目标客户商品评分SCORE_HISTORY；
模块M5：根据一种或多种行为关系计算用户相似度，将匹配到的商品集合ITEM作为范围根据用户相似度计算出相似客户商品评分SCORE_SIMI；其中，相似客户商品为目标用户未曾购买过，且所属品类在目标用户历史消费商品所属品类集合中的商品，计算相似客户商品评分；
Figure FDA0003818286470000031
其中，I表示目标用户购买过的商品集合；
Figure FDA0003818286470000032
表示目标用户未购买过的商品；U表示除目标客户之外的用户的集合；u表示第u个除目标客户之外的用户；valueui表示第u个除目标客户之外的用户对第i个商品的行为值；simu表示第u个除目标客户之外的用户对目标用户的相似度；
模块M6：根据匹配到的商品集合ITEM、目标客户商品评分SCORE_HISTORY以及相似客户商品评分SCORE_SIMI对匹配到的商品集合ITEM中的每一件商品计算目标客户商品评分SCORE_HISTORY和相似客户商品评分SCORE_SIMI的加权总分score；
模块M7：基于匹配到的商品集合ITEM，根据score从高到低排序，取前N个作为对目标用户询单的商品匹配结果ITEM_MATCH；
模块M8：根据ITEM_MATCH和已建工业品知识图谱得到供应商集合SUP；
模块M9：将三元组(目标用户、ITEM_MATCH、SUP)作为供应商商机推送列表推送给相应供应商。
7.根据权利要求6所述的知识图谱驱动的工业品供应链管理系统，其特征在于，所述预处理采用包括jieba分词和正则匹配。
8.根据权利要求6所述的知识图谱驱动的工业品供应链管理系统，其特征在于，所述用户相似度包括：用户基本面相似度和用户行为相似度；
所述用户基本面相似度采用JACCARD相似度：
Figure FDA0003818286470000041
其中，J(A,B)表示集合A和集合B的JACCARD相似度；A表示目标用户基本面实体集合；B表示除目标用户的基本面实体集合；|A|表示A集合的元素个数；|B|表示B集合的元素个数；A∩B表示集合A和集合B的交集；A∪B表示集合A和集合B的并集；
所述用户行为相似度采用余弦相似度：
Figure FDA0003818286470000042
其中，similarity(C,D)表示余弦相似度；C表示目标用户的行为向量；D表示除目标用户的行为向量；C·D表示向量C和向量D的内积；||C||表示向量A的模；||D||表示向量D的模；n表示向量的分量数；i表示向量的第i个分量；Ci表示向量C的第i个分量；Di表示向量D的第i个分量；
所述用户相似度包括：通过加权求和用户基本面相似度和用户行为相似度计算用户相似度；
sim＝α*J(A,B)+β*similarity(C,D) (3)
其中，sim表示用户相似度；α表示用户基本面的所占权重；β表示用户行为的所占权重。
9.根据权利要求6所述的知识图谱驱动的工业品供应链管理系统，其特征在于，在所述模块M5中：将相似客户商品评分从高到低排序并作为对目标客户推荐商品的顺序。
10.根据权利要求6所述的知识图谱驱动的工业品供应链管理系统，其特征在于，所述模块M6包括：
score＝α*SCORE_HISTORY+β*SCORE_SIMI (5)
其中，score表示商品评分；SCORE_HISTORY表示目标客户商品评分；SCORE_SIMI表示相似客户商品评分；α表示目标客户商品评分所占权重；β表示相似客户商品评分所占权重。
CN202110892813.6A 2021-08-04 2021-08-04 知识图谱驱动的工业品供应链管理方法和系统 Active CN113836310B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110892813.6A CN113836310B (zh) 2021-08-04 2021-08-04 知识图谱驱动的工业品供应链管理方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110892813.6A CN113836310B (zh) 2021-08-04 2021-08-04 知识图谱驱动的工业品供应链管理方法和系统

Publications (2)

Publication Number Publication Date
CN113836310A CN113836310A (zh) 2021-12-24
CN113836310B true CN113836310B (zh) 2022-11-29

Family

ID=78963210

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110892813.6A Active CN113836310B (zh) 2021-08-04 2021-08-04 知识图谱驱动的工业品供应链管理方法和系统

Country Status (1)

Country Link
CN (1) CN113836310B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114565429A (zh) * 2022-02-22 2022-05-31 哈尔滨工程大学 一种基于语义图模型的智能供应商匹配方法
CN115619238B (zh) * 2022-12-20 2023-05-12 万联易达物流科技有限公司 一种为非特定b2b平台建立企业间合作关系的方法
CN116861077A (zh) * 2023-06-25 2023-10-10 北京信大融金教育科技有限公司 基于供应链系统的产品推荐方法、装置、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109166017A (zh) * 2018-10-12 2019-01-08 平安科技（深圳）有限公司 基于重聚类的推送方法、装置、计算机设备及存储介质
CN109300014A (zh) * 2018-10-24 2019-02-01 中南民族大学 基于日志挖掘的商品推荐方法、装置、服务器及存储介质
CN109389442A (zh) * 2017-08-04 2019-02-26 北京京东尚科信息技术有限公司 商品推荐方法及装置、存储介质及电子终端
WO2019205795A1 (zh) * 2018-04-26 2019-10-31 腾讯科技（深圳）有限公司 兴趣推荐方法、计算机设备及存储介质
CN111507796A (zh) * 2020-04-07 2020-08-07 桂林电子科技大学 一种基于知识图谱的网上商城商品推荐方法
CN112785372A (zh) * 2021-01-11 2021-05-11 北京欧拉认知智能科技有限公司 一种基于语义关系的智能推荐方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109389442A (zh) * 2017-08-04 2019-02-26 北京京东尚科信息技术有限公司 商品推荐方法及装置、存储介质及电子终端
WO2019205795A1 (zh) * 2018-04-26 2019-10-31 腾讯科技（深圳）有限公司 兴趣推荐方法、计算机设备及存储介质
CN109166017A (zh) * 2018-10-12 2019-01-08 平安科技（深圳）有限公司 基于重聚类的推送方法、装置、计算机设备及存储介质
CN109300014A (zh) * 2018-10-24 2019-02-01 中南民族大学 基于日志挖掘的商品推荐方法、装置、服务器及存储介质
CN111507796A (zh) * 2020-04-07 2020-08-07 桂林电子科技大学 一种基于知识图谱的网上商城商品推荐方法
CN112785372A (zh) * 2021-01-11 2021-05-11 北京欧拉认知智能科技有限公司 一种基于语义关系的智能推荐方法

Also Published As

Publication number Publication date
CN113836310A (zh) 2021-12-24

Similar Documents

Publication Publication Date Title
CN113836310B (zh) 知识图谱驱动的工业品供应链管理方法和系统
CN109903117B (zh) 一种用于商品推荐的知识图谱处理方法及装置
CN107220365B (zh) 基于协同过滤与关联规则并行处理的精准推荐系统及方法
CN106844407B (zh) 基于数据集相关性的标签网络产生方法和系统
Zhang et al. A system for tender price evaluation of construction project based on big data
CN104636402A (zh) 一种业务对象的分类、搜索、推送方法和系统
Carrasco et al. A fuzzy linguistic RFM model applied to campaign management
CN105205188A (zh) 采购物料供应商的推荐方法及推荐装置
CN111192161A (zh) 电力市场交易对象推荐方法、装置
Lin Sentiment analysis of e-commerce customer reviews based on natural language processing
Bhade et al. A systematic approach to customer segmentation and buyer targeting for profit maximization
Apichottanakul et al. Customer behaviour analysis based on buying-data sparsity for multi-category products in pork industry: A hybrid approach
Yang et al. Discovery of online shopping patterns across websites
CN112905906A (zh) 一种融合局部协同与特征交叉的推荐方法及系统
Dai et al. Item-level forecasting for e-commerce demand with high-dimensional data using a two-stage feature selection algorithm
CN114996579A (zh) 信息推送方法、装置、电子设备和计算机可读介质
Hung Using Cloud Services to Develop Marketing Information System Applications
MOERTINI et al. EFFICIENT TECHNIQUES FOR PREDICTING SUPPLIERS CHURN TENDENCY IN E-COMMERCE BASED ON WEBSITE ACCESS DATA.
Xu et al. Closed-loop supply chain network equilibrium model and its Newton method
Lytvyn et al. Ontology of big data analytics
CN111460300A (zh) 网络内容推送方法、装置及存储介质
CN112364180A (zh) 基于知识图谱的标签定义和计算的方法及系统
Hsu et al. Similarity search over personal process description graph
Lu et al. A framework for segmenting customers based on probability density of transaction data
CN110968685A (zh) 商品名称的归集方法和装置

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