CN114565429A - 一种基于语义图模型的智能供应商匹配方法 - Google Patents

一种基于语义图模型的智能供应商匹配方法 Download PDF

Info

Publication number
CN114565429A
CN114565429A CN202210163386.2A CN202210163386A CN114565429A CN 114565429 A CN114565429 A CN 114565429A CN 202210163386 A CN202210163386 A CN 202210163386A CN 114565429 A CN114565429 A CN 114565429A
Authority
CN
China
Prior art keywords
node
supplier
similarity
graph
nodes
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.)
Granted
Application number
CN202210163386.2A
Other languages
English (en)
Other versions
CN114565429B (zh
Inventor
韩启龙
杨在强
宋洪涛
王也
李丽洁
马志强
张海涛
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.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
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 Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN202210163386.2A priority Critical patent/CN114565429B/zh
Publication of CN114565429A publication Critical patent/CN114565429A/zh
Application granted granted Critical
Publication of CN114565429B publication Critical patent/CN114565429B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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]
    • G06Q30/0605—Supply or demand aggregation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Finance (AREA)
  • Artificial Intelligence (AREA)
  • Accounting & Taxation (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Marketing (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Evolutionary Biology (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出了一种基于语义图模型的智能供应商匹配方法，输入供应商和需求的结构化数据；构建供需描述模型，将供应商和需求的结构化数据转为图结构；根据节点类型的不同，计算需求与每个供应商同类型节点间相似度；结合极大熵原理，建立权重优化模型，对模型求解得到指标权重；依据指标权重，给节点和边分配权重；调用图匹配算法，计算图匹配度，通过入口节点的选取降低时间复杂度，然后过滤低于阈值的供应商，得到针对该需求的供应商排序集合；本发明可以让用户只需要输入计划采购的产品需求和企业要求，既能得到相匹配的供应商集合，匹配概念相似的产品，同时应用于在供应商集中寻找符合需求的实例，以及在需求集中寻找最符合供应的需求。

Description

一种基于语义图模型的智能供应商匹配方法
技术领域
本发明涉及供应商匹配技术领域，具体地，涉及一种基于语义图模型的智能供应商匹配方法。
背景技术
制造业的持久成功需要稳定的成本降低，质量改进和对市场需求的反应。为此，制造企业正在广泛采用敏捷制造和全球采购战略，并寻求新的全球竞争优势来源。虽然全球外包的潜在好处是显而易见的，但它在供应链管理方面提出了新的挑战。全球供应链管理是一个复杂的业务过程，其复杂性始于第一阶段，即制造伙伴选择阶段。分布式环境给合作伙伴选择问题带来了新的挑战，因为在这样的环境中，制造商对潜在合作伙伴的不同能力有不完全的了解。选择制造业合作伙伴的传统方法(如参观工厂、使用财务报告、供应商调查和贸易期刊)，虽然在各个领域仍然有效，但不足以在全球分布的环境中快速形成供应链。为了建立敏捷的全球供应链，公司首先需要有一个庞大的供应基础，并且迫切需要一个高效的机制来进行具有成本效益的快速定位、评估和选择供应商。
应对全球供应链挑战的一个有希望的方法是采用电子商务模式。近年来，人们对基于网络外包的兴趣与日俱增，1688采购批发网是制造业电子市场的例子，它为全球范围内的数千家公司提供电子商务服务。电子商务给企业带来了便捷性、克服地理距离、绕过交易时间限制(如关门时间)等优点。此外，它还开辟了与更多潜在合作商互动的可能性。然而，随着供应和需求基数逐渐增大，找到符合需求的供应商变得越发困难。
传统搜索供应商的手段主要是关键字搜索，买方和卖方的数据通常在大多数电子市场平台上可见。然而，这些市场彼此之间的区别在于搜索方法中包含的智能水平以及它们的信息模型。对现有电子市场的审查表明，它们使用类似的关键字类别来搜索买家和卖家的数据库，如客户的行业类别，公司名称和地点，产品，质量认证等等。然而，这些有限的标准往往提供了一个供应商的能力或客户的需求的不完整的画面，导致发现的结果经常相关度不高。
此外，鉴于关键字搜索方法的语法性质，返回结果的质量在很大程度上取决于关键字的选择。因此，相关供应商可能会因为在其个人资料中选择了术语而被排除在搜索结果之外(造成假阴性错误)，同样，搜索引擎可能认为不相关的供应商相关(造成假阳性错误)。由于这一缺陷，搜索引擎的输出通常需要人类用户通过审查供应商自然语言叙述的能力来进行进一步确认，以便得出更准确的结果。然而，随着搜索空间的增大，基于人的搜索和筛选变得越来越低效和容易出错。
为了处理大量的供需实体，减少由于人类计算能力有限而造成的不足，智能匹配算法应该参与到匹配过程当中。智能匹配的研究重点在于供求关系的形式化表示，以及构建在该表示下的匹配算法。匹配质量的好坏直接取决于表示的丰富程度。
以往的研究通常通过构建供应商模型或本体，来形式化表示供求关系。JaehunLee等人以网络本体语言(OWL)建立了协作本体，为长期供应链的部署给出了解决方案。该方案除了对制造能力进行建模，还考虑了非制造能力如供应商的财务状况，客户，内部业务，以及学习和增长情况，基于平衡计分卡来评估公司。但这种长远的考虑不适合当今全球化和敏捷化的供应商选择趋势。计算供需相似度时，使用了基于向量的方法，考虑向量形式的概念特征。这类方法虽然复杂度低，但是未利用描述时的语义信息，且无法很好的考量不同对比项的权重，准确率十分有限。
在服务匹配领域中，相当一部分文献使用了基于QOS的匹配方法。这类方法将服务匹配分为功能性匹配和QOS(qualifications ofservice)匹配，功能性匹配的对象主要是服务的输入、输出参数集合，QOS匹配对象是服务质量参数集合，具有产品及服务的个性化的特征。此类方法的最新进展是孙晓琳等提出的基于模糊QOS聚类的供应商匹配方法，对QOS信息进行三角模糊化处理，结合偏好按需聚类。该方法虽然区分了功能与服务质量，但是指标的权重依赖于用户定义，增加了用户操作的复杂度，且模糊化处理是针对特征值模糊的数据集，处理具体数值的能力十分有限。
目前已有基于偏好序的匹配方法，对复杂产品进行多阶段的双边匹配。该方法将特征转化为偏好序列，对偏好序进行处理和集结，得到最优匹配结果，用于大型客机的零部件采购。该类方法适用于大型复杂产品，不适合敏捷化的供应链建立，且没能充分考量产品的概念特征，只能选择完全相同的产品类目，随着数据量级的上升，匹配的效率也大幅下降。
综上所述，目前的研究工作主要存在的问题是供应链部署时缺乏敏捷化和全球化的考虑、形式化表示供求关系上的不完善、计算匹配度时准确率有限、权重依赖于用户定义、相似产品概念的考量、匹配效率。
发明内容
本发明针对供应商匹配问题，克服现有技术的不足，提供基于语义图模型的智能供应商匹配方法；提出了一种基于语义图模型的智能供应商匹配方法。
本发明通过以下技术方案实现：
一种基于语义图模型的智能供应商匹配方法：
所述方法具体包括以下步骤：
步骤1：输入供应商和需求的结构化数据；
步骤2：构建供需描述模型，将步骤1中供应商和需求的结构化数据转为图结构；
步骤3：根据节点类型的不同，计算需求与每个供应商同类型节点间相似度；
步骤4：结合极大熵原理，建立权重优化模型，对模型求解得到指标权重；
步骤5：依据指标权重，给节点和边分配权重；
步骤6：调用图匹配算法，计算图匹配度，通过入口节点的选取降低时间复杂度，然后过滤低于阈值的供应商，得到针对该需求的供应商排序集合。
进一步地，在步骤1中，
供应商Si为：Si＝{P’，E}
其中P’表示产品集信息，P’中包括一个或多个产品信息px；E表示企业信息；
px＝{C，Q，pr，SP}；
C为产品的概念名称；
Q表示该产品的生产质量，Q＝{gs，qc}，gs表示货品满意度，qc表示产品的质量认证体系；
pr表示产品在对应购买数量下的价格；
SP表示供应商对于该产品的供货能力，SP＝{num，dod}，num表示产品数量、dod表示该数量对应的交货期；
E＝{PT，SEV，PD，POP}
PT表示企业的信誉度，PT＝{cr}，cr为企业在平台上的信誉等级；
SEV表示企业的服务水平，SEV＝{pc，sr，lt，rg}，pc为企业提供的采购咨询服务水平、sr为企业的服务响应效率、lt为企业的平均物流时效时间、rg为企业的退货受理水平，由纠纷处理与退款速度综合得出；
PD表示企业的生产能力，PD＝{pn，pe，pl}，pn为企业的生产人员人数，pe为加工设备台数，pl为生产流水线条数；
POP表示企业的受欢迎度，POP＝{rr，ic}，rr为企业客户的回头率，即重复交易率，ic为企业的意向客户数量；
需求R为客户对于想要购买的产品的需求和对供应商本身各项条件的要求；当需求一次只提出一个产品，供应商需求R表示如下：
R＝{px，E}
将需求R和供应商Si集合转为图结构存储到Neo4j中。
进一步地，在步骤3中，具体包括以下步骤：
步骤3.1：针对概念型节点，提出新的概念间语义相似度计算公式，过滤低于阈值的产品概念；
步骤3.2：针对非概念型节点，提出优化的成本型和效益型相似度计算函数。
进一步地，在步骤3.1中，根据节点类型的不同，计算需求R与供应商Si节点间相似度；
针对概念型节点，使用概念间语义相似度计算公式，构建在医疗医药领域概念结构图之上，过滤低于阈值的产品概念；
所述概念间语义相似度计算公式如下，其中C1和C2代表两个不同的概念：
(1)最短路径长度
设C1与C2间的最短路径长度表示为MinLen(C1,C2)，模型Of中的最大路径长度为MaxLen(Of)，则C1和C2的路径相似度M1为：
Figure BDA0003514927510000041
(2)节点深度
设C1的深度为Depth(C1)，C2的深度为Depth(C2)，C1和C2的深度相似度M2为：
Figure BDA0003514927510000051
(3)信息度
概念C1的信息度IC可以量化为：
IC(C1)＝-logP(C1)
其中P(C1)是概念C1的实例出现的概率；设C1和C2的最小共同父节点为Cf，则C1和C2的信息度相似度M3为：
Figure BDA0003514927510000052
概率P可以用如下公式计算：
Figure BDA0003514927510000053
N是概念分类树中端节点的总数，n1是C1包含的端节点的个数；上述度量中r1，r2，r3为可调节因子；
在路径长度、节点深度、信息度的相似度分析的基础上，计算两个概念节点C1和C2的语义相似度如下：
Figure BDA0003514927510000054
其中，α1，α2，α3分别为路径长度、节点深度和信息度相似度的权重，α1+α2+α3＝1；设定阈值Th1，利用如下公式得到产品概念相似度高于阈值Th1的供应商图集S1作为下一阶段的输入；
S1＝{si|si∈S；Max(Sim(Cr,Ci))≥Th1}。
进一步地，在步骤3.2中，针对非概念型节点，提出优化的成本型和效益型相似度计算函数；
设供应商Si的第t个节点对应的参数为fit，需求R的第t个节点对应的参数为frt，T为节点个数；
当第t个节点参数为精确数值描述，且为效益型节点，则其语义相似度计算公式为：
Figure BDA0003514927510000061
其中Min(ft)为该参数在所有供应商中的最小值；
当第t个节点参数为精确数值描述，且为成本型节点，则其语义相似度计算公式为：
Figure BDA0003514927510000062
其中Max(ft)为该参数在所有供应商中的最大值。
进一步地，在步骤4中，建立的指标权重优化模型如下：
Figure BDA0003514927510000063
Figure BDA0003514927510000064
进行去量纲化处理；设Gmax和Gmin分别为G在约束条件下的最大、最小值，Hmax和Hmin分别为H在约束条件下的最大、最小值，则上述多目标优化模型可转化为如下单目标规划模型：
Figure BDA0003514927510000065
Figure BDA0003514927510000066
式中：λ∈(0,1)为目标函数G的权系数，(1-λ)是目标函数H的权系数；为求解上述模型，令
Figure BDA0003514927510000067
则等价于如下模型：
Figure BDA0003514927510000068
Figure BDA0003514927510000071
构造Lagrange函数：
Figure BDA0003514927510000072
由极值理论可知
Figure BDA0003514927510000073
求解得到最优解为：
Figure BDA0003514927510000074
进一步地，在步骤5中，
对于处于最外端的节点，子图中只存在一个节点，分配给入口节点的权重是1；
对于不只包含1个节点的子图，对于边权重的分配考虑了边所延伸子图指标权重之和占比情况，边权重的分配公式如下所示：
Figure BDA0003514927510000075
其中weN'表示入口节点对应的指标权重，z表示该边所延伸子图指标的个数，y表示其余边所延伸子图指标的个数；
对于每个入口节点权重的分配公式如下所示：
Figure BDA0003514927510000076
其中weN'表示入口节点对应的指标权重，x表示除入口节点外其他边所延伸子图指标的个数。
进一步地，在步骤6中，
应用图匹配算法在每个供应商图中找出需求图的最大相似子图；给定一个需求图Gr＝(Vr,Er)和一个供应商图Gs＝(Vs,Es)，需求图Gr和供应商图Gs之间的相似度表示为Sim(Gr,Gs)；
假设|Vr|≤|Vs|，图匹配是在Gs中寻找一个子图Gs'使得Gr和Gs'之间的相似度最大化；
在得到入口节点的情况下，图匹配首先计算入口节点之间的相似度，然后计算入口节点延伸出的子图之间的相似度；使用er和es作为Gr和Gs的入口节点；图相似度计算涉及到由入口节点延伸出的子图之间相似度的递归计算；
Figure BDA0003514927510000081
weN表示分配给入口节点相似度的权重，
Figure BDA0003514927510000082
表示与入口节点相连的边ej相连的子图
Figure BDA0003514927510000083
和
Figure BDA0003514927510000084
之间相似度的权重，m表示入口节点eN延伸出的边的类型的个数；对于相同类型的边ej型，计算所有延伸子图相似度的最大值；
计算好图匹配度以后，利用如下公式筛选出图匹配度高于阈值Th2的供应商结果集S2；
S2＝{si|si∈S1；Sim(Gr,Gs)≥Th2}。
一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时实现上述任一项所述方法的步骤。
本发明有益效果
本发明可以让用户只需要输入计划采购的产品需求和企业要求，既能得到相匹配的供应商集合。本方法可以匹配概念相似的产品，同时既可应用于在供应商集中寻找符合需求的实例，也可在需求集中寻找最符合供应的需求，即帮助卖家找到最合适的买家，兼顾供应链的上游和下游；
本发明首先定义了具有普适性的、包含语义信息的供需描述图模型，然后依照该模型将需求和供应商结构化数据转换为图结构，计算需求图中与每个供应商图中节点的相似度并计算边和结点的权重，再应用图匹配算法通过计算需求图与供应商图之间的匹配度，最终得到针对该需求的供应商排序集合。
附图说明
图1为本发明的供需描述模型；
图2为本发明的制造业电商平台的智能匹配流程示意图；
图3为本发明的医疗医药领域概念结构图部分结构片段；
图4为本发明的四阶段匹配方法流程图。
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。
结合图1至图4。
一种基于语义图模型的智能供应商匹配方法：
所述方法具体包括以下步骤：
步骤1：输入供应商和需求的结构化数据；
步骤2：构建供需描述模型，将步骤1中供应商和需求的结构化数据转为图结构；
步骤3：根据节点类型的不同，计算需求与每个供应商同类型节点间相似度；
步骤4：结合极大熵原理，建立权重优化模型，对模型求解得到指标权重；
步骤5：依据指标权重，给节点和边分配权重；
步骤6：调用图匹配算法，计算图匹配度，通过入口节点的选取降低时间复杂度，然后过滤低于阈值的供应商，得到针对该需求的供应商排序集合。
在步骤1中，
如图1所示，其中包含了供应商描述和供应商需求描述：
(1)供应商描述；供应商Si为：Si＝{P’，E}
其中P’表示产品集信息，P’中包括一个或多个产品信息px；E表示企业信息；两者都根据平台中的信息进行描述；
px＝{C，Q，pr，SP}；
C为产品的概念名称是概念集合中具体的某一项概念；
Q表示该产品的生产质量，Q＝{gs，qc}，gs表示货品满意度，qc表示产品的质量认证体系；
pr表示产品在对应购买数量下的价格；
SP表示供应商对于该产品的供货能力，SP＝{num，dod}，num表示产品数量、dod表示该数量对应的交货期；
E＝{PT，SEV，PD，POP}
PT表示企业的信誉度，PT＝{cr}，cr为企业在平台上的信誉等级；
SEV表示企业的服务水平，SEV＝{pc，sr，lt，rg}，pc为企业提供的采购咨询服务水平、sr为企业的服务响应效率、lt为企业的平均物流时效时间、rg为企业的退货受理水平，由纠纷处理与退款速度综合得出；
PD表示企业的生产能力，PD＝{pn，pe，pl}，pn为企业的生产人员人数，pe为加工设备台数，pl为生产流水线条数；
POP表示企业的受欢迎度，POP＝{rr，ic}，rr为企业客户的回头率，即重复交易率，ic为企业的意向客户数量；
(2)供应商需求描述；供应商需求R与供应商描述的内容大体类似，表现为客户对于想要购买的产品的需求和对供应商本身各项条件的要求；当需求一次只提出一个产品，供应商需求R表示如下：
R＝{px，E}
将需求R和供应商Si集合转为图结构存储到Neo4j中，用于制造业电商平台的智能匹配流程如图2所示。
在步骤3中，具体包括以下步骤：
步骤3.1：针对概念型节点，提出新的概念间语义相似度计算公式，过滤低于阈值的产品概念；
步骤3.2：针对非概念型节点，提出优化的成本型和效益型相似度计算函数。
在步骤3.1中，根据节点类型的不同，计算需求R与供应商Si节点间相似度；
针对概念型节点，提出新的概念间语义相似度计算公式，构建在医疗医药领域概念结构图之上，过滤低于阈值的产品概念；
其中的医疗医药领域概念结构图如图2所示，所述新的概念间语义相似度计算公式如下，由以下三个角度的度量构成，其中C1和C2代表两个不同的概念：
(1)最短路径长度
设C1与C2间的最短路径长度表示为MinLen(C1,C2)，模型Of中的最大路径长度为MaxLen(Of)，则C1和C2的路径相似度M1为：
Figure BDA0003514927510000111
(2)节点深度
设C1的深度为Depth(C1)，C2的深度为Depth(C2)，C1和C2的深度相似度M2为：
Figure BDA0003514927510000112
(3)信息度
概念C1的信息度IC可以量化为：
IC(C1)＝-logP(C1)
其中P(C1)是概念C1的实例出现的概率；设C1和C2的最小共同父节点为Cf，则C1和C2的信息度相似度M3为：
Figure BDA0003514927510000113
概率P可以用如下公式计算：
Figure BDA0003514927510000114
N是概念分类树中端节点的总数，n1是C1包含的端节点的个数；上述度量中r1，r2，r3为可调节因子；
在路径长度、节点深度、信息度的相似度分析的基础上，计算两个概念节点C1和C2的语义相似度如下：
Figure BDA0003514927510000115
其中，α1，α2，α3分别为路径长度、节点深度和信息度相似度的权重，α1+α2+α3＝1；设定阈值Th1，利用如下公式得到产品概念相似度高于阈值Th1的供应商图集S1作为下一阶段的输入；
S1＝{si|si∈S；Max(Sim(Cr,Ci))≥Th1}。
在步骤3.2中，针对非概念型节点，提出优化的成本型和效益型相似度计算函数；
设供应商Si的第t个节点对应的参数为fit，需求R的第t个节点对应的参数为frt，T为节点个数；
当第t个节点参数为精确数值描述，且为效益型节点，则其语义相似度计算公式为：
Figure BDA0003514927510000121
其中Min(ft)为该参数在所有供应商中的最小值；
当第t个节点参数为精确数值描述，且为成本型节点，则其语义相似度计算公式为：
Figure BDA0003514927510000122
其中Max(ft)为该参数在所有供应商中的最大值。
在步骤4中，建立的指标权重优化模型如下：
Figure BDA0003514927510000123
Figure BDA0003514927510000124
进行去量纲化处理；设Gmax和Gmin分别为G在约束条件下的最大、最小值，Hmax和Hmin分别为H在约束条件下的最大、最小值，则上述多目标优化模型可转化为如下单目标规划模型：
Figure BDA0003514927510000131
Figure BDA0003514927510000132
式中：λ∈(0,1)为目标函数G的权系数，(1-λ)是目标函数H的权系数；为求解上述模型，令
Figure BDA0003514927510000133
则等价于如下模型：
Figure BDA0003514927510000134
Figure BDA0003514927510000135
构造Lagrange函数：
Figure BDA0003514927510000136
由极值理论可知
Figure BDA0003514927510000137
求解得到最优解为：
Figure BDA0003514927510000138
在步骤5中，
对于处于最外端的节点，子图中只存在一个节点，分配给入口节点的权重是1；
对于不只包含1个节点的子图，对于边权重的分配考虑了边所延伸子图指标权重之和占比情况，边权重的分配公式如下所示：
Figure BDA0003514927510000141
其中weN'表示入口节点对应的指标权重，z表示该边所延伸子图指标的个数，y表示其余边所延伸子图指标的个数；
对于每个入口节点权重的分配公式如下所示：
Figure BDA0003514927510000142
其中weN'表示入口节点对应的指标权重，x表示除入口节点外其他边所延伸子图指标的个数。
在步骤6中，
应用子图匹配算法在每个供应商图中找出需求图的最大相似子图；给定一个需求图Gr＝(Vr,Er)和一个供应商图Gs＝(Vs,Es)，需求图Gr和供应商图Gs之间的相似度表示为Sim(Gr,Gs)；
假设|Vr|≤|Vs|，图匹配是在Gs中寻找一个子图Gs'使得Gr和Gs'之间的相似度最大化；
由于子图匹配问题的组合性质，它被公认为是NP完全问题；本发明提出了一种方法，将“图的入口节点”引入到最大子图匹配问题，作为图匹配过程的起始位置，通过确定图的入口节点，来减小搜索空间，用该入口节点引导子图匹配过程，可以使子图匹配问题在多项式时间内完成；
引入入口节点后，只比较与入口节点相连接的节点和边，使得图匹配过程接近于从根节点遍历的树状遍历过程；假设需求图和供应商图都是高度为i、分支数为r的树；为了确定从一对节点中延伸出的子图对之间的所有相似性，最多有r2次递归调用；然后在从r！个组合中进行选择时，本发明使用了一种最大流算法，该算法通过调用Bellman-Ford算法的r次来执行；Bellman-Ford算法的复杂度为r3，因此累积的复杂度为r4；最后，高度为i的树的计算时间成本可以计算如下，其中c是一个常数，代表计算一对节点相似度的时间：
Figure BDA0003514927510000151
从上式中，我们可以得出结论，C(i)的值约为r2i+2；通常，当r不是很小时，m(边的数量)将接近ri；因此，C(i)的近似值可以转换为m2r2；如果r<<m，则C的复杂度为O(m2)；在最坏的情况下，假设图的高度等于1，即r＝m，复杂度达到O(m4)；这说明该算法的时间复杂度是多项式级别的；
对于可能存在的难以处理的图结构，格结构图在匹配过程中会隐式转换为树，因为共享节点会沿着不同的比较路径自然分裂；有向循环图可能导致分裂失败并使算法陷入无限循环，不过这种图不在本发明需要解决的范围内，因为本发明设计的供应商图结构避免了循环结构；
入口节点的选择一般是选用语义图中的中心词；本发明采用shallowparsing浅层句法分析技术对供应商集的文本描述进行分析，得到了这些文本描述的中心词均为某某供应商，所以本发明采用供应商描述图中的“供应商”节点作为入口节点，引导图匹配过程；
在得到入口节点的情况下，图匹配首先计算入口节点之间的相似度，然后计算入口节点延伸出的子图之间的相似度；使用er和es作为Gr和Gs的入口节点；图相似度计算涉及到由入口节点延伸出的子图之间相似度的递归计算；
Figure BDA0003514927510000152
weN表示分配给入口节点相似度的权重，
Figure BDA0003514927510000153
表示与入口节点相连的边(关系)ej相连的子图
Figure BDA0003514927510000154
和
Figure BDA0003514927510000155
之间相似度的权重，m表示入口节点eN延伸出的边(关系)的类型的个数；对于相同类型的边ej型，计算所有延伸子图相似度的最大值；
整个图匹配的四阶段匹配方法的流程如图4所示；计算好图匹配度以后，利用如下公式筛选出图匹配度高于阈值Th2的供应商结果集S2；
S2＝{si|si∈S1；Sim(Gr,Gs)≥Th2}。
一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时实现上述任一项所述方法的步骤。
以上对本发明所提出的一种基于语义图模型的智能供应商匹配方法，进行了详细介绍，对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于语义图模型的智能供应商匹配方法，其特征在于：
所述方法具体包括以下步骤：
步骤1：输入供应商和需求的结构化数据；
步骤2：构建供需描述模型，将步骤1中供应商和需求的结构化数据转为图结构；
步骤3：根据节点类型的不同，计算需求与每个供应商同类型节点间相似度；
步骤4：结合极大熵原理，建立权重优化模型，对模型求解得到指标权重；
步骤5：依据指标权重，给节点和边分配权重；
步骤6：调用图匹配算法，计算图匹配度，通过入口节点的选取降低时间复杂度，然后过滤低于阈值的供应商，得到针对该需求的供应商排序集合。
2.根据权利要求1所述方法，其特征在于：在步骤1中，
供应商Si为：Si＝{P’，E}
其中P’表示产品集信息，P’中包括一个或多个产品信息px；E表示企业信息；
px＝{C，Q，pr，SP}；
C为产品的概念名称；
Q表示该产品的生产质量，Q＝{gs，qc}，gs表示货品满意度，qc表示产品的质量认证体系；
pr表示产品在对应购买数量下的价格；
SP表示供应商对于该产品的供货能力，SP＝{num，dod}，num表示产品数量、dod表示该数量对应的交货期；
E＝{PT，SEV，PD，POP}
PT表示企业的信誉度，PT＝{cr}，cr为企业在平台上的信誉等级；
SEV表示企业的服务水平，SEV＝{pc，sr，lt，rg}，pc为企业提供的采购咨询服务水平、sr为企业的服务响应效率、lt为企业的平均物流时效时间、rg为企业的退货受理水平，由纠纷处理与退款速度综合得出；
PD表示企业的生产能力，PD＝{pn，pe，pl}，pn为企业的生产人员人数，pe为加工设备台数，pl为生产流水线条数；
POP表示企业的受欢迎度，POP＝{rr，ic}，rr为企业客户的回头率，即重复交易率，ic为企业的意向客户数量；
需求R为客户对于想要购买的产品的需求和对供应商本身各项条件的要求；当需求一次只提出一个产品，供应商需求R表示如下：
R＝{px，E}
将需求R和供应商Si集合转为图结构存储到Neo4j中。
3.根据权利要求2所述方法，其特征在于：
在步骤3中，具体包括以下步骤：
步骤3.1：针对概念型节点，提出新的概念间语义相似度计算公式，过滤低于阈值的产品概念；
步骤3.2：针对非概念型节点，提出优化的成本型和效益型相似度计算函数。
4.根据权利要求3所述方法，其特征在于：
在步骤3.1中，根据节点类型的不同，计算需求R与供应商Si节点间相似度；
针对概念型节点，使用概念间语义相似度计算公式，构建在医疗医药领域概念结构图之上，过滤低于阈值的产品概念；
所述概念间语义相似度计算公式如下，其中C1和C2代表两个不同的概念：
(1)最短路径长度
设C1与C2间的最短路径长度表示为MinLen(C1,C2)，模型Of中的最大路径长度为MaxLen(Of)，则C1和C2的路径相似度M1为：
Figure FDA0003514927500000021
(2)节点深度
设C1的深度为Depth(C1)，C2的深度为Depth(C2)，C1和C2的深度相似度M2为：
Figure FDA0003514927500000022
(3)信息度
概念C1的信息度IC可以量化为：
IC(C1)＝-log P(C1)
其中P(C1)是概念C1的实例出现的概率；设C1和C2的最小共同父节点为Cf，则C1和C2的信息度相似度M3为：
Figure FDA0003514927500000031
概率P可以用如下公式计算：
Figure FDA0003514927500000032
N是概念分类树中端节点的总数，n1是C1包含的端节点的个数；上述度量中r1，r2，r3为可调节因子；
在路径长度、节点深度、信息度的相似度分析的基础上，计算两个概念节点C1和C2的语义相似度如下：
Figure FDA0003514927500000033
其中，α1，α2，α3分别为路径长度、节点深度和信息度相似度的权重，α1+α2+α3＝1；设定阈值Th1，利用如下公式得到产品概念相似度高于阈值Th1的供应商图集S1作为下一阶段的输入；
S1＝{si|si∈S；Max(Sim(Cr,Ci))≥Th1}。
5.根据权利要求3所述方法，其特征在于：
在步骤3.2中，针对非概念型节点，提出优化的成本型和效益型相似度计算函数；
设供应商Si的第t个节点对应的参数为fit，需求R的第t个节点对应的参数为frt，T为节点个数；
当第t个节点参数为精确数值描述，且为效益型节点，则其语义相似度计算公式为：
Figure FDA0003514927500000034
其中Min(ft)为该参数在所有供应商中的最小值；
当第t个节点参数为精确数值描述，且为成本型节点，则其语义相似度计算公式为：
Figure FDA0003514927500000041
其中Max(ft)为该参数在所有供应商中的最大值。
6.根据权利要求3所述方法，其特征在于：
在步骤4中，建立的指标权重优化模型如下：
Figure FDA0003514927500000042
Figure FDA0003514927500000043
进行去量纲化处理；设Gmax和Gmin分别为G在约束条件下的最大、最小值，Hmax和Hmin分别为H在约束条件下的最大、最小值，则上述多目标优化模型可转化为如下单目标规划模型：
Figure FDA0003514927500000044
Figure FDA0003514927500000045
式中：λ∈(0,1)为目标函数G的权系数，(1-λ)是目标函数H的权系数；为求解上述模型，令
Figure FDA0003514927500000046
Figure FDA0003514927500000047
则等价于如下模型：
Figure FDA0003514927500000048
Figure FDA0003514927500000049
构造Lagrange函数：
Figure FDA0003514927500000051
由极值理论可知
Figure FDA0003514927500000052
求解得到最优解为：
Figure FDA0003514927500000053
7.根据权利要求6所述方法，其特征在于：在步骤5中，
对于处于最外端的节点，子图中只存在一个节点，分配给入口节点的权重是1；
对于不只包含1个节点的子图，对于边权重的分配考虑了边所延伸子图指标权重之和占比情况，边权重的分配公式如下所示：
Figure FDA0003514927500000054
其中weN'表示入口节点对应的指标权重，z表示该边所延伸子图指标的个数，y表示其余边所延伸子图指标的个数；
对于每个入口节点权重的分配公式如下所示：
Figure FDA0003514927500000055
其中weN'表示入口节点对应的指标权重，x表示除入口节点外其他边所延伸子图指标的个数。
8.根据权利要求7所述方法，其特征在于：在步骤6中，
应用图匹配算法在每个供应商图中找出需求图的最大相似子图；给定一个需求图Gr＝(Vr,Er)和一个供应商图Gs＝(Vs,Es)，需求图Gr和供应商图Gs之间的相似度表示为Sim(Gr,Gs)；
假设|Vr|≤|Vs|，图匹配是在Gs中寻找一个子图Gs'使得Gr和Gs'之间的相似度最大化；
在得到入口节点的情况下，图匹配首先计算入口节点之间的相似度，然后计算入口节点延伸出的子图之间的相似度；使用er和es作为Gr和Gs的入口节点；图相似度计算涉及到由入口节点延伸出的子图之间相似度的递归计算；
Figure FDA0003514927500000061
weN表示分配给入口节点相似度的权重，
Figure FDA0003514927500000062
表示与入口节点相连的边ej相连的子图
Figure FDA0003514927500000063
和
Figure FDA0003514927500000064
之间相似度的权重，m表示入口节点eN延伸出的边的类型的个数；对于相同类型的边ej型，计算所有延伸子图相似度的最大值；
计算好图匹配度以后，利用如下公式筛选出图匹配度高于阈值Th2的供应商结果集S2；
S2＝{si|si∈S1；Sim(Gr,Gs)≥Th2}。
9.一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述方法的步骤。
10.一种计算机可读存储介质，用于存储计算机指令，其特征在于：所述计算机指令被处理器执行时实现权利要求1至8中任一项所述方法的步骤。
CN202210163386.2A 2022-02-22 2022-02-22 一种基于语义图模型的智能供应商匹配方法 Active CN114565429B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210163386.2A CN114565429B (zh) 2022-02-22 2022-02-22 一种基于语义图模型的智能供应商匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210163386.2A CN114565429B (zh) 2022-02-22 2022-02-22 一种基于语义图模型的智能供应商匹配方法

Publications (2)

Publication Number Publication Date
CN114565429A true CN114565429A (zh) 2022-05-31
CN114565429B CN114565429B (zh) 2024-06-14

Family

ID=81714208

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210163386.2A Active CN114565429B (zh) 2022-02-22 2022-02-22 一种基于语义图模型的智能供应商匹配方法

Country Status (1)

Country Link
CN (1) CN114565429B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116977021A (zh) * 2023-07-21 2023-10-31 上海则一供应链管理有限公司 基于大数据的系统对接自动推单方法
CN117557073A (zh) * 2024-01-11 2024-02-13 云南建投物流有限公司 一种全生命周期的供应商业务管理方法及系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101398852A (zh) * 2008-10-16 2009-04-01 北京邮电大学 语义Web服务匹配方法及系统
CN106570080A (zh) * 2016-10-18 2017-04-19 河海大学常州校区 一种云制造资源服务多层次语义匹配方法
CN109558495A (zh) * 2018-11-16 2019-04-02 重庆邮电大学 一种高效的领域本体语义相似度计算算法
CN109636168A (zh) * 2018-12-05 2019-04-16 北京工业大学 一种基于本体语义的云平台调度资源智能匹配方法
CN109804371A (zh) * 2016-08-10 2019-05-24 瑞典爱立信有限公司 用于语义知识迁移的方法和装置
CN110020815A (zh) * 2019-05-07 2019-07-16 云南电网有限责任公司 一种基于网络层次分析法的电网节点综合脆弱性指标计算方法
CN110692050A (zh) * 2017-06-26 2020-01-14 国际商业机器公司 语义图中元关系的自适应评估
CN111274822A (zh) * 2018-11-20 2020-06-12 华为技术有限公司 语义匹配方法、装置、设备及存储介质
CN111401988A (zh) * 2020-03-02 2020-07-10 重庆邮电大学 一种基于语义的产品配置需求响应系统及订单生成方法
CN112308672A (zh) * 2020-11-03 2021-02-02 上海智能制造功能平台有限公司 一种基于知识图谱的智能制造行业供需匹配方法
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
CN113836310A (zh) * 2021-08-04 2021-12-24 欧冶工业品股份有限公司 知识图谱驱动的工业品供应链管理方法和系统

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101398852A (zh) * 2008-10-16 2009-04-01 北京邮电大学 语义Web服务匹配方法及系统
CN109804371A (zh) * 2016-08-10 2019-05-24 瑞典爱立信有限公司 用于语义知识迁移的方法和装置
CN106570080A (zh) * 2016-10-18 2017-04-19 河海大学常州校区 一种云制造资源服务多层次语义匹配方法
CN110692050A (zh) * 2017-06-26 2020-01-14 国际商业机器公司 语义图中元关系的自适应评估
CN109558495A (zh) * 2018-11-16 2019-04-02 重庆邮电大学 一种高效的领域本体语义相似度计算算法
CN111274822A (zh) * 2018-11-20 2020-06-12 华为技术有限公司 语义匹配方法、装置、设备及存储介质
CN109636168A (zh) * 2018-12-05 2019-04-16 北京工业大学 一种基于本体语义的云平台调度资源智能匹配方法
CN110020815A (zh) * 2019-05-07 2019-07-16 云南电网有限责任公司 一种基于网络层次分析法的电网节点综合脆弱性指标计算方法
CN111401988A (zh) * 2020-03-02 2020-07-10 重庆邮电大学 一种基于语义的产品配置需求响应系统及订单生成方法
CN112308672A (zh) * 2020-11-03 2021-02-02 上海智能制造功能平台有限公司 一种基于知识图谱的智能制造行业供需匹配方法
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
CN113836310A (zh) * 2021-08-04 2021-12-24 欧冶工业品股份有限公司 知识图谱驱动的工业品供应链管理方法和系统

Non-Patent Citations (11)

* Cited by examiner, † Cited by third party
Title
JINBAO WANG: "Top-k socially Cinstrained Spatial Keyword Search in Large Slo Networks", IEEE INTERNET OF THING JOURNAL, 21 September 2021 (2021-09-21) *
JUNJIE PANG: "Realizing the Heterogeneity:A Self-Organized Federated Learning Framwork for lo T", IEEE INTERNET OF THING JOURNAL, 7 July 2020 (2020-07-07) *
TINGHUAI MA: "A comparative study of subgraph matching isomorphic methods in social networks", IEEE ACCESS, 23 October 2018 (2018-10-23) *
余鹏;夏绪辉;王蕾;曹建华;: "基于类型和属性的再制造服务匹配方法研究", 组合机床与自动化加工技术, no. 04, 20 April 2019 (2019-04-20) *
孙晓琳;金淳;马琳;王文波;: "云制造环境下基于本体和模糊QoS的供应商匹配方法", 中国管理科学, no. 01, 5 February 2018 (2018-02-05) *
将需求R和供应商SI集合转为图结构存储到NEO4J中: "多重偏好序下的复杂产品主制造商——供应商多阶段双边匹配方法", 计算机集成制造系统, 21 April 2017 (2017-04-21) *
张亮;: "一种基于语义相似度的Web服务匹配方法", 情报科学, no. 02, 5 February 2016 (2016-02-05) *
战宇;潘海为;韩启龙;谢晓芹;张志强: "一种运用图熵的医学图像聚类方法", 小型微型计算机系统, 15 July 2016 (2016-07-15) *
曹琰;刘龙;王禹;王清贤: "基于函数语义分析的软件补丁比对技术", 网络与信息安全学报, 15 October 2019 (2019-10-15) *
杨溢;林煜明;邹文静;: "基于图模型的海量商品知识表示与管理", 计算机应用与软件, no. 04, 15 April 2018 (2018-04-15) *
袁翔;孙其博;周傲;李静林: "Web服务中信誉度评价模型研究", 无线电通信技术, 2 March 2018 (2018-03-02) *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116977021A (zh) * 2023-07-21 2023-10-31 上海则一供应链管理有限公司 基于大数据的系统对接自动推单方法
CN116977021B (zh) * 2023-07-21 2024-04-30 上海则一供应链管理有限公司 基于大数据的系统对接自动推单方法
CN117557073A (zh) * 2024-01-11 2024-02-13 云南建投物流有限公司 一种全生命周期的供应商业务管理方法及系统
CN117557073B (zh) * 2024-01-11 2024-04-02 云南建投物流有限公司 一种全生命周期的供应商业务管理方法及系统

Also Published As

Publication number Publication date
CN114565429B (zh) 2024-06-14

Similar Documents

Publication Publication Date Title
Han et al. Artificial intelligence in business-to-business marketing: a bibliometric analysis of current research status, development and future directions
US11093992B2 (en) Smart matching for real estate transactions
Rusmevichientong et al. A nonparametric approach to multiproduct pricing
CN114565429B (zh) 一种基于语义图模型的智能供应商匹配方法
CN108921702A (zh) 基于大数据的园区招商方法及装置
JP2014209376A (ja) オンライン商取引プラットフォームにおける広告ソースおよびキーワードセットの適合
CN107451210B (zh) 一种基于查询松弛结果增强的图匹配查询方法
Gernowo et al. Fuzzy-AHP MOORA approach for vendor selection applications
Gürbüz et al. Prediction of damage parameters of a 3PL company via data mining and neural networks
Zheng et al. Supplier selection problem for multiple projects with uncertain demand and project life cycles
Konno et al. Goods recommendation based on retail knowledge in a Neo4j graph database combined with an inference mechanism implemented in jess
Yin et al. Topology face–based change propagation analysis in aircraft-assembly tooling design
Calik A multi-criteria evaluation for sustainable supplier selection based on fuzzy sets
Chen et al. Managing the personalized order-holding problem in online retailing
Purba et al. Decision Making for Optimal Marketing Strategy: A Case Study in E-Commerce
Zhu et al. Integrating a prospect theory-based consensus-reaching process into large-scale quality function deployment and its application in the evaluation of contingency plan
Chu et al. Deep graph embedding for ranking optimization in e-commerce
Hooda et al. Social commerce hybrid product recommender
Farsani et al. A semantic recommendation procedure for electronic product catalog
Zeng et al. Hybrid recommendation based on graph embedding
Sabbani et al. Business matching for event management and marketing in mass based on predictive algorithms
Abbasi et al. Supply Chain Redesign: Strategic Decision Framework for Competitive Advantage
AmalNick et al. Dynamic pricing using wavelet neural network under uncertain demands
Borissova General Approaches to Decision-Making
Onokoy et al. Modern approaches to building recommender systems for online stores

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