CN115605894A - 智能管理系统、智能管理方法和计算机程序产品 - Google Patents

智能管理系统、智能管理方法和计算机程序产品 Download PDF

Info

Publication number
CN115605894A
CN115605894A CN202080001988.7A CN202080001988A CN115605894A CN 115605894 A CN115605894 A CN 115605894A CN 202080001988 A CN202080001988 A CN 202080001988A CN 115605894 A CN115605894 A CN 115605894A
Authority
CN
China
Prior art keywords
planning
supply chain
knowledge graph
entity
processors
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
CN202080001988.7A
Other languages
English (en)
Inventor
刘楠
王川
林雪梅
吴建民
王洪
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.)
BOE Technology Group Co Ltd
Original Assignee
BOE Technology Group 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 BOE Technology Group Co Ltd filed Critical BOE Technology Group Co Ltd
Publication of CN115605894A publication Critical patent/CN115605894A/zh
Pending legal-status Critical Current

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
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • 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
    • G06Q10/0633—Workflow analysis
    • 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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

提供了一种智能管理系统。智能管理系统包括：智能供应链管理器，其被配置为基于包括需求规划和预测、库存规划、销售规划和预测、或预算规划中的至少一个的信息的供应链知识图谱，生成供应链限制；基于包括事件紧急度、事件重要度和事件影响传播度中的至少一个的信息的所述产业链事件知识图谱，生成产业链意外事件；基于供应链限制和产业链意外事件生成对供应链的约束；以及基于所述对供应链的约束，生成建议并将该建议提供给商业系统以用于供应链规划，该建议包括对需求重新规划和重新预测、库存重新规划、销售重新规划和重新预测、或预算重新规划中的至少一个的建议。

Description

智能管理系统、智能管理方法和计算机程序产品
技术领域
本发明涉及智能管理技术，尤其涉及一种智能管理系统、智能管理方法及计算机程序产品。
背景技术
供应链是包括供应商、制造商、仓库、配送中心和渠道提供商的物流网络。同一商业实体可以用作供应链网络中不同的组成节点。例如，在给定的供应链网络中，同一企业可以是制造商，并且具有仓库中心和配送中心。然而，更经常地，不同的商业实体形成网络中的不同节点。
发明内容
在一个方面，本公开提供了一种智能管理系统，包括：供应链知识图谱；产业链事件知识图谱；以及智能供应链管理器，其连接到所述供应链知识图谱和所述产业链事件知识图谱；其中，所述智能供应链管理器包括：存储器；一个或多个处理器；其中，所述存储器和所述一个或多个处理器彼此连接；以及所述存储器存储用于控制所述一个或多个处理器执行以下操作的计算机可执行指令：基于包括需求规划和预测、库存规划、销售规划和预测、或预算规划中的至少一个的信息的所述供应链知识图谱，生成供应链限制；基于包括事件紧急度、事件重要度和事件影响传播度中的至少一个的信息的所述产业链事件知识图谱，生成产业链意外事件；基于供应链限制和产业链意外事件生成对供应链的约束；以及基于所述对供应链的约束，生成建议并将该建议提供给商业系统以用于供应链规划，该建议包括对需求重新规划和重新预测、库存重新规划、销售重新规划和重新预测、或预算重新规划中的至少一个的建议。
可选地，所述存储器还存储用于控制所述一个或多个处理器以进行以下操作的计算机可执行指令：基于所述供应链限制和产业链意外事件之间的潜在冲突，生成警报并将所述警报提供给所述商业系统；以及从所述商业系统接收确认所述潜在冲突的确认；其中，在接收到所述确认时生成所述建议。
可选地，所述建议包括分别基于替代优先级的一组替代建议。
可选地，所述智能管理系统还包括供应链知识图谱生成器，所述供应链知识图谱生成器被配置为通过从包括所述商业系统或行业标准中的至少一个的源提取实体、关系和属性来生成所述供应链知识图谱；其中，所述供应链知识图谱生成器包括：存储器；一个或多个处理器；其中，所述存储器和所述一个或多个处理器彼此连接；以及所述存储器存储用于控制一个或多个处理器执行以下操作的计算机可执行指令：使用提取工具从结构化数据中提取实体和关系；分别使用实体提取模板、关系提取模板和属性提取模板从非结构化数据中提取实体、关系和属性；以及在专家验证时，将所提取的实体、所提取的关系和所提取的属性存储在知识图谱数据库中。
可选地，为了从所述非结构化数据提取实体、关系和属性，所述存储器还存储用于控制所述一个或多个处理器以进行以下操作的计算机可执行指令：构建实体识别字典和实体识别规则；基于所述实体识别字典和所述实体识别规则，使用启发式算法来扩展所述实体识别规则以生成新规则；构建包括所述实体识别规则和所述新规则的实体识别规则库；基于所述实体识别规则库构建所述实体提取模板；以及基于关键词、词法和句法分析来构建所述关系提取模板和属性提取模板。
可选地，所述智能管理系统还包括产业链事件知识图谱生成器，所述产业链事件知识图谱生成器被配置为通过从包括内部知识库或公共网络知识库中的至少一个的源提取实体、关系和属性来生成所述产业链事件知识图谱；其中，所述产业链事件知识图谱生成器包括：存储器；一个或多个处理器；其中，所述存储器和所述一个或多个处理器彼此连接；以及所述存储器存储用于控制一个或多个处理器执行以下操作的计算机可执行指令：通过网络爬虫对所述公共网络知识库进行爬取，得到相关行业的趋势事件；使用实体提取模板、关系提取模板和属性提取模板分别从所述趋势事件中提取实体、关系和属性；将所述内部知识库、提取的实体、提取的关系和提取的属性进行知识融合，生成融合的知识库；从融合的知识库中提取新的关键词；以及重复执行：爬取所述公共网络知识库，从所述趋势事件中提取实体、关系和属性，以及执行知识融合。
可选地，为了从所述趋势事件提取实体、关系和属性，所述存储器还存储用于控制所述一个或多个处理器以进行以下操作的计算机可执行指令：构建实体识别字典和实体识别规则；基于所述实体识别字典和所述实体识别规则，使用启发式算法来扩展所述实体识别规则以生成新规则；构建包括所述实体识别规则和所述新规则的实体识别规则库；基于所述实体识别规则库构建所述实体提取模板；以及基于关键词、词法和句法分析来构建所述关系提取模板和属性提取模板。
可选地，所述存储器还存储计算机可执行指令，用于控制所述一个或多个处理器重复执行：爬取所述公共网络知识库，从所述趋势事件中提取实体、关系和属性，以及执行知识融合。
可选地，所述存储器还存储用于控制所述一个或多个处理器基于TextRank算法生成趋势事件概要的计算机可执行指令；其中，为了生成所述趋势事件概要，所述存储器存储用于控制所述一个或多个处理器执行以下操作的计算机可执行指令：将所述产业链事件知识图谱中的句子作为节点处理；利用无向量加权边连接所述产业链事件知识图谱中的节点，其中，相应边的相应权重是由所述相应边连接的相应两个节点之间的相似度；基于所述节点和所述无向量加权边，构建无向量加权图谱G(V，E，W)，其中，V代表所述节点，E代表所述无向量加权边，W代表各个连接节点之间的相似度；分别计算所述节点的重要性；分别对所述节点的重要性进行级别排序；以及使用级别相对较高的选择节点来形成所述趋势事件概要。
可选地，根据等式(1)计算所述重要性：
Figure BDA0002687164840000031
其中，Si代表第i个节点；WS(Si)代表第i个节点的重要性；Sj代表第j个节点；wji代表第i个节点和第j个节点之间的相似度；d代表阻尼系数，其指示第i个节点被选择为所选节点之一的概率；In(Si)代表指向第i个节点的一组节点；Out(Sj)代表指向第j个节点的一组节点。
可选地，为了由所述网络爬虫爬取所述公共网络知识库，所述存储器还存储用于控制所述一个或多个处理器进行以下操作的计算机可执行指令：基于种子网页初始化爬虫任务；根据JSoup选择器语法下载并解析所述种子网页以定位所述种子网页上的基本信息；将所述种子网页上的相关事件、任务和实体链接词添加到爬取队列；以及将Json格式的经解析的数据存储到文本。
可选地，所述实体提取模板被配置为提取从由工厂、物流公司、订单、原材料供应商、零件供应商、分包商、经销商、库存、材料、预算、国家、地区、产业链长下游企业、合作伙伴、外包供应商、关键设备、金融机构、市场、策略、生产计划、行业标准、输出、订单优先级、目标、单线生产指数、产品周期、约束、生产停止、异常天气、疾病、自然灾害、人员转移和时间组成的组中选择的一个或多个实体。
可选地，所述关系提取模板被配置为提取从由收购、融资、合并、上游、下游、收据、支付、取货、交付、需求、购买、维护、得自、遏制、合作、战略合作伙伴关系、影响、一致性、配送、优先级、收据、瓶颈、限制、因果关系、年表、以及区域关系组成的组中选择的一个或多个关系。
可选地，所述属性提取模板被配置为提取从由位置、数量、订单状态、交付状态、企业状态、设备状态、合作状态、运输状态、生产状态、财务状态、支付状态组成的组中选择的一个或多个属性。
可选地，所述智能管理系统还包括被配置为生成所述供应链知识图谱的供应链知识图谱生成器和被配置为生成所述产业链事件知识图谱的产业链事件知识图谱生成器；其中，所述供应链知识图谱生成器或所述产业链事件知识图谱生成器中的至少一个包括推断器，所述推断器被配置为推断两个实体之间的关系或实体的类别中的至少一个。
可选地，所述推断器包括：存储器；一个或多个处理器；其中，所述存储器和所述一个或多个处理器彼此连接；以及所述存储器存储用于控制所述一个或多个处理器基于知识图谱的本体论框架中的约束来推断所述实体的类别的计算机可执行指令，所述约束包括连接到所述实体的关系的定义域和值域。
可选地，所述推断器包括：存储器；一个或多个处理器；其中，所述存储器和所述一个或多个处理器彼此连接；以及所述存储器存储用于控制所述一个或多个处理器以使用评分算法来做出推断的计算机可执行指令；其中所述评分算法包括：实体1和(关系
Figure BDA0002687164840000051
实体2)之间的相似度；(实体1
Figure BDA0002687164840000052
关系)和实体2之间的相似度；以及关系与(实体1
Figure BDA0002687164840000053
实体2)之间的相似度；其中，
Figure BDA0002687164840000054
表示从由加法、乘法和神经网络运算组成的组中选择的线性或非线性运算。
可选地，所述存储器还存储用于控制所述一个或多个处理器以使用训练数据集来训练所述评分算法的参数的计算机可执行指令。
在另一方面，本公开提供了一种智能管理方法，包括：基于供应链知识图谱生成供应链限制，所述供应链知识图谱包括需求规划和预测、库存规划、销售规划和预测、或预算规划中的至少一个的信息；基于产业链事件知识图谱来生成产业链意外事件，所述产业链事件知识图谱包括事件紧急度、事件重要度和事件影响传播度中的至少一个的信息；基于供应链限制和产业链意外事件生成对供应链的约束；以及基于所述对供应链的约束，生成建议并将该建议提供给商业系统以用于供应链规划，所述建议包括对需求重新规划和重新预测、库存重新规划、销售重新规划和重新预测、或预算重新规划中的至少一个的建议。
在另一方面，本公开提供了一种计算机程序产品，其包括其上具有计算机可读指令的非暂时性有形计算机可读介质，所述计算机可读指令可由处理器执行以使所述处理器执行：基于供应链知识图谱生成供应链限制，所述供应链知识图谱包括需求规划和预测、库存规划、销售规划和预测、或预算规划中的至少一个的信息；基于产业链事件知识图谱来生成产业链意外事件，所述产业链事件知识图谱包括事件紧急度、事件重要度和事件影响传播度中的至少一个的信息；基于供应链限制和产业链意外事件生成对供应链的约束；以及基于所述对供应链的约束，生成建议并将该建议提供给商业系统以用于供应链规划，所述建议包括对需求重新规划和重新预测、库存重新规划、销售重新规划和重新预测、或预算重新规划中的至少一个的建议。
附图说明
根据各种公开的实施例，以下附图仅是用于说明目的的示例，并且不旨在限制本发明的范围。
图1示出了根据本公开的一些实施例中的智能管理系统。
图2A是根据本公开的一些实施例中的设备的结构的示意图。
图2B是示出了根据本公开的一些实施例中的设备的结构的示意图。
图3示出了根据本公开的一些实施例中的供应链知识图谱的功能模块。
图4示出了根据本公开的一些实施例中的产业链事件知识图谱的功能模块。
图5示出了根据本公开的一些实施例中的智能管理系统。
图6示出了根据本公开的一些实施例中的供应链知识图谱的功能模块。
图7示出了根据本公开的一些实施例中的智能管理系统。
图8示出了根据本公开的一些实施例中的生成供应链知识图谱的方法。
图9示出了根据本公开的一些实施例中的生成产业链事件知识图谱的方法。
图10示出了根据本公开的一些实施例中的产业链事件知识图谱的结构。
图11示出了根据本公开的一些实施例中的智能管理系统。
图12示出了根据本发明的一些实施例中的推断器的结构。
具体实施方式
现在将参考以下实施例更具体地描述本公开。应当注意，本文中呈现的一些实施例的以下描述仅用于说明和描述的目的。其不是穷举的或限于所公开的精确形式。
本公开的发明人发现，公共供应链管理系统缺乏对不确定性和易失性快速做出响应的能力，因为它不具有及时预测短缺、分析事件、推断事件和约束之间的关系或帮助决策的能力。而且，公共供应链管理系统中的数据库不能被容易地维护和扩展。
因此，本公开尤其提供了一种智能管理系统、智能管理方法和计算机程序产品，其基本上消除了由于现有技术的限制和缺点而导致的一个或多个问题。在一个方面，本公开提供了一种智能管理系统。在一些实施例中，智能管理系统包括供应链知识图谱；产业链事件知识图谱；以及智能供应链管理器，其连接到所述供应链知识图谱和所述产业链事件知识图谱。可选地，所述智能供应链管理器包括：存储器；一个或多个处理器。存储器和所述一个或多个处理器彼此连接。存储器存储用于控制所述一个或多个处理器执行以下操作的计算机可执行指令：基于包括需求规划和预测、库存规划、销售规划和预测、或预算规划中的至少一个的信息的所述供应链知识图谱，生成供应链限制；基于包括事件紧急度、事件重要度和事件影响传播度中的至少一个的信息的所述产业链事件知识图谱，生成产业链意外事件；基于供应链限制和产业链意外事件生成对供应链的约束；以及基于所述对供应链的约束，生成建议并将该建议提供给商业系统以用于供应链规划，该建议包括对需求重新规划和重新预测、库存重新规划、销售重新规划和重新预测、或预算重新规划中的至少一个的建议。
如本文所使用的，术语“知识图谱”可以表示联网的数据结构，其包括以节点表示的事实和表示节点之间的连接或链接的边。因此，知识图谱可以表示用于所谓的非结构化数据，即事实及其语义关系的组织的知识库。知识图谱的核心构建块可以是包括信息的节点和构建所选不同节点之间的链接的边。边可以具有定义两个节点之间的关系的强度值的权重或权重因子。另外，节点还可以具有分数或分数值，以描述节点内容的某种重要性。如本文所使用的，术语“实体”指的是事物或对象的类别，其均被识别为能够独立存在并且其可以被唯一地识别。实体通常由知识图谱中的节点表示。如本文所使用的，术语“关系”指的是实体之间的关系。关系通常由知识图谱中的边来表示。如本文所用，术语“属性”是指可获得的关于实体的特性。
图1示出了根据本公开的一些实施例中的智能管理系统。参考图1，在一些实施例中，智能管理系统包括供应链知识图谱SKG；产业链事件知识图谱ICEKG；智能供应链管理器ISM，其连接到供应链知识图谱SKG和产业链事件知识图谱ICEKG。
在一些实施例中，智能供应链管理器ISM包括被配置为生成对供应链的约束的约束生成器CG。具体地，约束生成器CG被配置为基于供应链知识图谱生成供应链限制，该供应链知识图谱包括需求规划和预测、库存规划或销售规划和预测中的至少一个的信息；基于产业链事件知识图谱，生成产业链意外事件(contingency)，该产业链事件知识图谱包括事件紧急度、事件重要度和事件影响传播度中的至少一个的信息；并且基于供应链限制和产业链意外事件，生成对供应链的约束。在一些实施例中，智能供应链管理器ISM还包括智能管家IB，其被配置成接收约束生成器CG生成的约束，并且基于对供应链的约束生成建议并将建议提供给商业系统BY以用于供应链规划，该建议包括用于需求重新规划和重新预测、库存重新规划或销售重新规划和重新预测中的至少一个的建议。
图2A是根据本公开的一些实施例中的智能供应链管理器ISM的结构的示意图。参考图2A，在一些实施例中，设备包括中央处理单元(CPU)，其被配置为根据存储在ROM或RAM中的计算机可执行指令来执行动作。可选地，计算机系统所需的数据和程序被存储在RAM中。可选地，CPU、ROM和RAM通过总线彼此电连接。可选地，输入/输出接口电连接到总线。
图2B是示出了根据本公开的一些实施例中的智能供应链管理器ISM的结构的示意图。参考图2B，在一些实施例中，设备包括显示面板DP；连接到显示面板DP的集成电路IC；存储器M；和一个或多个处理器P。存储器M与一个或多个处理器P相互连接。在一些实施例中，存储器M存储用于控制一个或多个处理器P执行本文描述的方法步骤的计算机可执行指令。
在一些实施例中，智能供应链管理器包括存储器；一个或多个处理器。存储器和一个或多个处理器彼此连接。在一些实施例中，存储器存储计算机可执行指令，用于控制一个或多个处理器以基于供应链知识图谱生成供应链限制，该供应链知识图谱包括需求规划和预测、库存规划或销售规划和预测中的至少一个的信息；基于产业链事件知识图谱，生成产业链意外事件，该产业链事件知识图谱包括事件紧急度、事件重要度和事件影响传播度中的至少一个的信息；基于供应链限制和产业链意外事件生成对供应链的约束；以及基于对供应链的约束生成建议并将该建议提供给商业系统BY以用于供应链规划，该建议包括用于需求重新规划和重新预测、库存重新规划或销售重新规划和重新预测中的至少一个的建议。
再次参考图1，在一些实施例中，商业系统BY包括需求规划和预测模块DPF(例如，关于如何满足市场需求的规划和预测市场需求)、库存规划模块IP(例如，关于仓库库存的规划)以及销售规划和预测模块SPF(例如，关于销售的规划和预测销售)。图3示出了根据本公开的一些实施例中的供应链知识图谱的功能模块。参考图3，在一些实施例中，供应链知识图谱SKG包括短期规划模块STPM、中期规划模块MTPM和长期规划模块LTPM。在一个示例中，短期规划模块STPM包括现场工作调度模块FWS和出货调度模块SS；中期规划模块MTPM包括供应规划模块SP、配送规划模块DTP、和运输规划模块TNP；以及长期规划模块LTPM包括需求规划和预测模块DPF、库存规划模块IP、以及销售规划和预测模块SPF。供应链限制基于分别来自需求规划和预测模块DPF、库存规划模块IP以及销售规划和预测模块SPF的需求规划和预测、库存规划或销售规划和预测中的至少一个的信息而生成。根据长期规划模块LTPM中包含的信息，图1中的约束生成器CG被配置成生成供应链限制。
图4示出了根据本公开的一些实施例中的产业链事件知识图谱的功能模块。参考图4，在一些实施例中，产业链事件知识图谱ICEKG包括多个子知识图谱，子知识图谱的示例包括采购子知识图谱PSKG、物流子知识图谱LSKG和销售子知识图谱SSKG。从这些子知识图谱中，可以提取行业事件的信息，包括事件紧急度EUL、事件重要度EIL和事件影响传播度EISL。图1中的约束生成器CG被配置为生成分别对应于事件紧急度EUL、事件重要度EIL和事件影响传播度EISL的产业链意外事件。
智能管家IB被配置为分析现有需求规划和预测、库存规划、销售规划和预测，考虑供应链限制和产业链意外事件，预测供应延迟、需求延迟和物流延迟，从而建议需求重新规划和重新预测、库存重新规划或销售重新规划和重新预测中的至少一个。
再次参考图1，在一些实施例中，商业系统BY包括需求规划和预测系统DPF’、库存规划系统IP’以及销售规划和预测系统SPF’。需求重新规划和重新预测、库存重新规划和销售重新规划和重新预测的建议分别提供给需求规划和预测系统DPF’、库存规划系统IP’和销售规划和预测系统SPF’。生产商业实体、采购商业实体和销售商业实体中的用户可以分别审阅需求重新规划和重新预测、库存重新规划和销售重新规划和重新预测的建议。
图5示出了根据本公开的一些实施例中的智能管理系统。图6示出了根据本公开的一些实施例中的供应链知识图谱的功能模块。参考图5和图6，在一些实施例中，供应链知识图谱SKG包括短期规划模块STPM、中期规划模块MTPM和长期规划模块LTPM。在一个示例中，短期规划模块STPM包括现场工作调度模块FWS和出货调度模块SS；中期规划模块MTPM包括供应规划模块SP、配送规划模块DTP、和运输规划模块TNP；以及长期规划模块LTPM包括需求规划和预测模块DPF、库存规划模块IP、销售规划和预测模块SPF以及预算规划模块BP。供应链限制基于分别来自需求规划和预测模块DPF、库存规划模块IP、销售规划和预测模块SPF、以及预算规划模块BP的需求规划和预测、库存规划、销售规划和预测、或预算规划中的至少一个的信息而生成。
根据长期规划模块LTPM中包含的信息，图5中的约束生成器CG被配置成生成供应链限制。供应链限制基于分别来自需求规划和预测模块DPF、库存规划模块IP、以及销售规划和预测模块SPF的需求规划和预测、库存规划、销售规划和预测、或预算规划中的至少一个的信息而生成。
智能管家IB被配置为接收约束生成器CG生成的约束，并且基于对供应链的约束生成建议并将建议提供给商业系统BY以用于供应链规划，该建议包括用于需求重新规划和重新预测、库存重新规划、销售重新规划和重新预测、或者预算重新规划中的至少一个的建议。具体地，智能管家IB被配置为分析现有需求规划和预测、库存规划、销售规划和预测，考虑供应链限制和产业链意外事件，预测供应延迟、需求延迟和物流延迟，从而建议需求重新规划和重新预测、库存重新规划、销售重新规划和重新预测、或预算重新规划中的至少一个。
在一些实施例中，智能供应链管理器包括存储器；一个或多个处理器。存储器和一个或多个处理器彼此连接。在一些实施例中，存储器存储计算机可执行指令，以控制一个或多个处理器以基于供应链知识图谱生成供应链限制，该供应链知识图谱包括需求规划和预测、库存规划、销售规划和预测、或预算规划中的至少一个的信息；基于产业链事件知识图谱，生成产业链意外事件，该产业链事件知识图谱包括事件紧急度、事件重要度和事件影响传播度中的至少一个的信息；基于供应链限制和产业链意外事件，生成对供应链的约束；以及基于对供应链的约束生成建议并将该建议提供给商业系统BY以用于供应链规划，该建议包括用于需求重新规划和重新预测、库存重新规划、销售重新规划和重新预测、或预算重新规划中的至少一个的建议。
再次参考图5，在一些实施例中，商业系统BY包括需求规划和预测系统DPF’、库存规划系统IP’、销售规划和预测系统SPF’和预算规划系统BP’。需求重新规划和重新预测、库存重新规划、销售重新规划和重新预测以及预算重新规划的建议分别提供给需求规划和预测系统DPF’、库存规划系统IP’、销售规划和预测系统SPF’和预算规划系统BP’。生产商业实体、采购商业实体、销售商业实体和财务商业实体(例如，同一企业中的生产部门、采购部门、销售部门和财务部门)中的用户可以分别检查需求重新规划和重新预测、库存重新规划、销售重新规划和重新预测以及预算重新规划。
在一些实施例中，智能管家IB被配置为基于供应链限制和产业链意外事件之间的潜在冲突，生成警报并将该警报提供给商业系统BY。由于供应链限制和产业链意外事件之间的潜在冲突而生成的警报的示例包括潜在材料短缺的警报、潜在生产能力短缺的警报、定制订单交付中的潜在延迟的警报。在一些实施例中，警报还包括现有规划和预测现实之间的比较。
在一些实施例中，商业系统BY(例如，需求规划和预测系统DPF’、库存规划系统IP’、销售规划和预测系统SPF’和预算规划系统BP’)被配置为发送确认，以确认潜在冲突。在一个示例中，商业系统BY上的用户可以检查和确认潜在冲突。智能管家IB被配置为接收来自商业系统BY的用于确认潜在冲突的确认。在接收到确认时，智能管家IB被配置成基于对供应链的约束，生成建议并将建议提供到商业系统BY以用于供应链规划，该建议包括用于需求重新规划和重新预测、库存重新规划、销售重新规划和重新预测、或预算重新规划中的至少一个的建议。
可选地，该建议包括分别基于替代优先级的一组替代建议，例如，置于交付的优先级、置于采购的优先级等。可选地，供应链限制和产业链意外事件之间的潜在冲突在每个替代建议中被解决。
图7示出了根据本公开的一些实施例中的智能管理系统。参考图7，在一些实施例中，智能管理系统ISM进一步包括供应链知识图谱生成器GSKG，其被配置为通过从包括商业系统或行业标准中的至少一个的源提取实体、关系和属性来生成供应链知识图谱SKG。在一些实施例中，供应链知识图谱生成器SKG包括存储器和一个或多个处理器。存储器和一个或多个处理器彼此连接。存储器存储用于控制一个或多个处理器执行以下操作的计算机可执行指令：使用提取工具从结构化数据提取实体和关系；使用实体提取模板、关系提取模板和属性提取模板分别从非结构化数据中提取实体、关系和属性；并且在专家验证时将所提取的实体、所提取的关系和所提取的属性存储在知识图谱数据库中。可选地，提取工具是提取-变换-加载(ETL)工具。可以从中提取实体、关系和属性的源的示例还包括过程文件、文档、案例、装置信息。
如本文所使用的，术语“结构化数据”指的是其中明确定义了所存储的数据的语义含义的数据。例如，结构化数据源包括关系数据库、XML数据库等。术语“非结构化数据”用于指其中没有明确定义数据的语义含义的数据源。例如，非结构化数据可以指纯文本文档、扫描文档、
Figure BDA0002687164840000131
可移植文档文件(PDF)、
Figure BDA0002687164840000132
Word文档。术语“非结构化数据”在本文也用于指代半结构化数据，其中例如使用元数据标签对数据的语义含义进行编码。半结构化文档的示例包括可扩展标记语言(XML)文件和超文本标记语言(HTML)文件等。
图8示出了根据本公开的一些实施例中的生成供应链知识图谱的方法。参考图8，从中可以提取实体、关系和属性的源包括商业系统BY、工业标准、过程文件、文档和案例、装置信息。在知识表示和建模步骤中，(一个或多个)提取工具被配置成包含商业逻辑；提取实体、关系和属性；基于各种应用构建商业级知识图谱数据融合和补充；以及将结构化数据提取到实体表和关系表中(例如，通过ETL工具)。如图8所示，在一个示例中，在知识图谱数据库中提取的实体、提取的关系和提取的属性，其示例包括Neo4j、Titan、Orient DB、gStore和Jena。
在一些实施例中，为了从非结构化数据提取实体、关系和属性，存储器还存储用于控制一个或多个处理器执行以下操作的计算机可执行指令：构建实体识别字典和实体识别规则；基于实体识别字典和实体识别规则，使用启发式算法来扩展实体识别规则以生成新规则；构建包括实体识别规则和新规则的实体识别规则库；基于实体识别规则库，构建实体提取模板；以及基于关键词、词法和句法分析，构建关系提取模板和属性提取模板。
参考图7，在一些实施例中，智能管理系统ISM进一步包括产业链事件知识图谱生成器GICEKG，其被配置成通过从包括内部知识库或公共网络知识库中的至少一个的源提取实体、关系和属性来生成产业链事件知识图谱ICEKG。在一些实施例中，产业链事件知识图谱生成器GICEKG包括存储器和一个或多个处理器。存储器和一个或多个处理器彼此连接。为了从公共网络知识库中提取实体、关系和属性，存储器存储用于控制一个或多个处理器执行以下操作的计算机可执行指令：通过网络爬虫来爬取公共网络知识库以获得相关行业中的趋势事件；使用实体提取模板、关系提取模板和属性提取模板分别从趋势事件中提取实体、关系和属性；将内部知识库、提取的实体、提取的关系和提取的属性进行知识融合，以生成融合知识库；从融合知识库中提取新的关键词；以及重复执行：爬取公共网络知识库，从趋势事件中提取实体、关系和属性，并且执行知识融合。
如本文所使用的，术语“爬取”涉及使用链接以方法和/或自动化方式浏览计算装置的网络(例如
Figure BDA0002687164840000141
)的过程。此外，爬取包括提取存储在网络的计算装置之一中的数据。此外，爬取指的是以使得能够优化提取存储在网络的计算装置中的数据的过程的方式来分析和索引所提取的数据。另外，爬取可以包括对爬取什么的一个或多个规范，包括如何爬取、何时爬取以及用于控制爬取过程的其他参数。可选地，爬取包括提取与和链接相关联的静态数据或资源文件相关的备份数据。此外，爬取可包括从链接中提取动态数据，诸如从因特网下载或在执行时由链接显示的数据。
在一些实施例中，为了从趋势事件中提取实体、关系和属性，存储器还存储用于控制一个或多个处理器执行以下操作的计算机可执行指令：构建实体识别字典和实体识别规则；基于实体识别字典和实体识别规则，使用启发式算法来扩展实体识别规则以生成新规则；构建包括实体识别规则和新规则的实体识别规则库；基于实体识别规则库构建实体提取模板；以及基于关键词、词法和句法分析，构建关系提取模板和属性提取模板。
可选地，存储器还存储用于控制一个或多个处理器重复执行：爬取公共网络知识库、从趋势事件提取实体、关系和属性以及执行知识融合的计算机可执行指令。
图9示出了根据本公开的一些实施例中的生成产业链事件知识图谱的方法。参考图9，可以从包括维基百科、新闻报道、官方网站和社交媒体的各种源获得趋势事件。为了由网络爬虫爬取公共网络知识库，在一些实施例中，存储器还存储用于控制一个或多个处理器以执行以下操作的计算机可执行指令：基于种子网页，初始化爬虫任务；根据JSoup选择器语法，下载并解析种子网页以定位种子网页上的基本信息；将种子网页上的相关事件、任务和实体链接词(links to entity word)添加到爬取队列；以及将Json格式的经解析的数据存储为文本。可选地，在初始化爬虫任务期间，网络爬虫被配置为设置线程的数量、设置访问间隔以及设置重试的次数。参考图9，一旦爬虫任务开始，就可以从趋势事件中提取各种信息，包括人、公司、时间、位置、事件动作、事件描述和影响传播度。将提取的趋势事件信息与内部知识库融合(“知识融合”)。内部知识库可以包括来自供应、合作者、销售和物流的知识。可以从融合的知识库中提取新的关键词。可以将新的关键词提供给网络爬虫，以重复执行爬取公共网络知识库。图10示出了根据本公开的一些实施例中的产业链事件知识图谱的结构。
在一些实施例中，参考图9，产业链事件知识图谱生成器GICEKG还被配置成生成趋势事件概要。在一个示例中，基于TextRank算法生成趋势事件概要。在一些实施例中，为了生成趋势事件概要，存储器存储用于控制一个或多个处理器以执行以下操作的计算机可执行指令：将产业链事件知识图谱中的句子作为节点来处理；利用无向量加权边连接产业链事件知识图谱中的节点，其中，相应边的相应权重是由相应边连接的相应两个节点之间的相似度；基于节点和无向量加权边，构建无向量加权图谱G(V，E，W)，其中，V代表节点，E代表无向量加权边，W代表各个连接节点之间的相似度；分别计算节点的重要性；分别对节点的重要性进行级别排序；并且使用级别相对较高的选择节点来形成所述趋势事件概要。
在一些实施例中，根据等式(1)计算重要性：
Figure BDA0002687164840000161
其中，Si代表第i个节点；WS(Si)代表第i个节点的重要性；Sj代表第j个节点；wji代表第i个节点和第j个节点之间的相似度；d代表阻尼系数，其指示第i个节点被选择为所选节点之一的概率；In(Si)代表指向第i个节点的一组节点；Out(Sj)代表指向第j个节点的一组节点。
在一些实施例中，实体提取模板被配置为提取从由工厂、物流公司、订单、原材料供应商、零件供应商、分包商、经销商、库存、材料、预算、国家、地区、产业链长下游企业、合作伙伴、外包供应商、关键设备、金融机构、市场、策略、生产计划、行业标准、输出、订单优先级、目标、单线生产指数、产品周期、约束、生产停止、异常天气、疾病、自然灾害、人员转移和时间组成的组中选择的一个或多个实体。
在一些实施例中，关系提取模板被配置为提取从由收购、融资、合并、上游、下游、收据、支付、取货(pickup)、交付、需求、购买、维护、得自(from)、遏制、合作、战略合作伙伴关系、影响、一致性、配送、优先级、收据、瓶颈、限制、因果关系、年表、以及区域关系组成的组中选择的一个或多个关系。
在一些实施例中，属性提取模板被配置为提取从由位置、数量、订单状态、交付状态、企业状态、设备状态、合作状态、运输状态、生产状态、财务状态、支付状态组成的组中选择的一个或多个属性。
在一些实施例中，供应链知识图谱生成器或产业链事件知识图谱生成器中的至少一个包括推断器，其被配置为推断两个实体之间的关系或实体的类别中的至少一个。图11示出了根据本公开的一些实施例中的智能管理系统。参考图11，供应链知识图谱生成器GSKG和产业链事件知识图谱生成器GICEKG都包括推断器IR。图12示出了根据本发明的一些实施例中的推断器的结构。参考图12，在一些实施例中，推断器IR包括数据层，其被配置为从供应链知识图谱SKG和/或产业链事件知识图谱ICEKG接收数据。在一些实施例中，推断器IR还包括搜索层。在一些实施例中，搜索层包括多个模块，其包括正(orthographic)索引模块、倒索引模块、本体索引模块、SPARQL分析模块、属性筛选模块和SPARQL支持模块。在一些实施例中，推断器IR还包括算法层。可选地，算法层包括多个模块，其包括推断模块、预测模块和统计分析模块。
在一些实施例中，推断器IR被配置为推断两个实体之间的关系或实体的类别中的至少一个。在一些实施例中，推断器IR包括存储器；一个或多个处理器。存储器和一个或多个处理器彼此连接。存储器存储用于控制一个或多个处理器基于知识图谱的本体论框架中的约束来推断实体的类别的计算机可执行指令，约束包括连接到实体的关系的定义域和值域。
在一些实施例中，存储器存储用于控制一个或多个处理器以使用评分算法来进行推断的计算机可执行指令。可选地，评分算法包括实体1和(关系
Figure BDA0002687164840000171
实体2)之间的相似度；(实体1
Figure BDA0002687164840000172
关系)和实体2之间的相似度；以及关系与(实体1
Figure BDA0002687164840000173
实体2)之间的相似度；其中，
Figure BDA0002687164840000174
表示从由加法、乘法和神经网络运算组成的组中选择的线性或非线性运算。
可选地，存储器还存储用于控制一个或多个处理器以使用训练数据集来训练评分算法的参数的计算机可执行指令。
在另一方面，本公开提供了一种智能管理方法。在一些实施例中，智能管理方法包括基于供应链知识图谱生成供应链限制，所述供应链知识图谱包括需求规划和预测、库存规划、销售规划和预测、或预算规划中的至少一个的信息；基于产业链事件知识图谱来生成产业链意外事件，所述产业链事件知识图谱包括事件紧急度、事件重要度和事件影响传播度中的至少一个的信息；基于供应链限制和产业链意外事件生成对供应链的约束；以及基于所述对供应链的约束，生成建议并将该建议提供给商业系统以用于供应链规划，所述建议包括对需求重新规划和重新预测、库存重新规划、销售重新规划和重新预测、或预算重新规划中的至少一个的建议。
在一些实施例中，智能管理方法还包括基于所述供应链限制和产业链意外事件之间的潜在冲突，生成警报并将所述警报提供给所述商业系统；以及从所述商业系统接收确认所述潜在冲突的确认。可选地，在接收到所述确认时生成所述建议。可选地，该建议包括分别基于替代优先级的一组替代建议。
在一些实施例中，所述智能管理方法还包括通过供应链知识图谱生成器通过从包括所述商业系统或行业标准中的至少一个的源提取实体、关系和属性来生成所述供应链知识图谱。具体地，智能管理方法包括使用提取工具从结构化数据中提取实体和关系；使用实体提取模板、关系提取模板和属性提取模板分别从非结构化数据中提取实体、关系和属性；以及在专家验证时，将所提取的实体、所提取的关系和所提取的属性存储在知识图谱数据库中。
在一些实施例中，从非结构化数据中提取实体、关系和属性包括构建实体识别字典和实体识别规则；基于所述实体识别字典和所述实体识别规则，使用启发式算法来扩展所述实体识别规则以生成新规则；构建包括所述实体识别规则和所述新规则的实体识别规则库；基于所述实体识别规则库构建所述实体提取模板；以及基于关键词、词法和句法分析来构建所述关系提取模板和属性提取模板。
在一些实施例中，智能管理方法还包括通过产业链事件知识图谱生成器通过从包括内部知识库或公共网络知识库中的至少一个的源提取实体、关系和属性来生成所述产业链事件知识图谱。具体地，智能管理方法包括通过网络爬虫对所述公共网络知识库进行爬取，得到相关行业的趋势事件；分别使用实体提取模板、关系提取模板和属性提取模板从所述趋势事件中提取实体、关系和属性；将所述内部知识库、提取的实体、提取的关系和提取的属性进行知识融合，以生成融合的知识库；从融合的知识库中提取新的关键词；以及重复执行：爬取所述公共网络知识库，从所述趋势事件中提取实体、关系和属性，以及执行知识融合。
在一些实施例中，从所述趋势事件中提取实体、关系和属性包括构建实体识别字典和实体识别规则；基于所述实体识别字典和所述实体识别规则，使用启发式算法来扩展所述实体识别规则以生成新规则；构建包括所述实体识别规则和所述新规则的实体识别规则库；基于所述实体识别规则库构建所述实体提取模板；以及基于关键词、词法和句法分析来构建所述关系提取模板和属性提取模板。
在一些实施例中，智能管理方法还包括重复执行：爬取所述公共网络知识库，从所述趋势事件中提取实体、关系和属性，以及执行知识融合。
在一些实施例中，智能管理方法还包括基于TextRank算法生成趋势事件概要。具体地，生成趋势事件概要包括：将所述产业链事件知识图谱中的句子作为节点处理；利用无向量加权边连接所述产业链事件知识图谱中的节点，其中，相应边的相应权重是由所述相应边连接的相应两个节点之间的相似度；基于所述节点和所述无向量加权边，构建无向量加权图谱G(V，E，W)，其中，V代表所述节点，E代表所述无向量加权边，W代表各个连接节点之间的相似度；分别计算所述节点的重要性；分别对所述节点的重要性进行级别排序；以及使用级别相对较高的选择节点来形成所述趋势事件概要。
在一些实施例中，根据等式(1)计算所述重要性：
Figure BDA0002687164840000191
其中，Si代表第i个节点；WS(Si)代表第i个节点的重要性；Sj代表第j个节点；wji代表第i个节点和第j个节点之间的相似度；d代表阻尼系数，其指示第i个节点被选择为所选节点之一的概率；In(Si)代表指向第i个节点的一组节点；Out(Sj)代表指向第j个节点的一组节点。
在一些实施例中，由网络爬虫爬取公共网络知识库包括基于种子网页初始化爬虫任务；根据JSoup选择器语法下载并解析所述种子网页以定位所述种子网页上的基本信息；将所述种子网页上的相关事件、任务和实体链接词添加到爬取队列；以及将Json格式的经解析的数据存储到文本。
在一些实施例中，实体提取模板被配置为提取从由工厂、物流公司、订单、原材料供应商、零件供应商、分包商、经销商、库存、材料、预算、国家、地区、产业链长下游企业、合作伙伴、外包供应商、关键设备、金融机构、市场、策略、生产计划、行业标准、输出、订单优先级、目标、单线生产指数、产品周期、约束、生产停止、异常天气、疾病、自然灾害、人员转移和时间组成的组中选择的一个或多个实体。
在一些实施例中，关系提取模板被配置为提取从由收购、融资、合并、上游、下游、收据、支付、取货、交付、需求、购买、维护、得自、遏制、合作、战略合作伙伴关系、影响、一致性、配送、优先级、收据、瓶颈、限制、因果关系、年表、以及区域关系组成的组中选择的一个或多个关系。
在一些实施例中，属性提取模板被配置为提取从由位置、数量、订单状态、交付状态、企业状态、设备状态、合作状态、运输状态、生产状态、财务状态、支付状态组成的组中选择的一个或多个属性。
在一些实施例中，智能管理方法还包括推断两个实体之间的关系或实体的类别中的至少一个。可选地，推断所述实体的类别基于知识图谱的本体论框架中的约束，所述约束包括连接到所述实体的关系的定义域和值域。
在一些实施例中，智能管理方法还包括使用评分算法进行推断。可选地，评分算法包括：实体1和(关系
Figure BDA0002687164840000201
实体2)之间的相似度；(实体1
Figure BDA0002687164840000202
关系)和实体2之间的相似度；以及关系与(实体1
Figure BDA0002687164840000203
实体2)之间的相似度；其中，
Figure BDA0002687164840000204
表示从由加法、乘法和神经网络运算组成的组中选择的线性或非线性运算。
在一些实施例中，智能管理方法还包括使用训练数据集来训练评分算法的参数。
在另一方面，本公开提供了一种计算机程序产品。所述计算机程序产品包括其上面具有计算机可读指令的非暂时性有形计算机可读介质。在一些实施例中，计算机可读指令可由处理器执行以使处理器执行：基于供应链知识图谱生成供应链限制，所述供应链知识图谱包括需求规划和预测、库存规划、销售规划和预测、或预算规划中的至少一个的信息；基于产业链事件知识图谱来生成产业链意外事件，所述产业链事件知识图谱包括事件紧急度、事件重要度和事件影响传播度中的至少一个的信息；基于供应链限制和产业链意外事件生成对供应链的约束；以及基于所述对供应链的约束，生成建议并将该建议提供给商业系统以用于供应链规划，所述建议包括对需求重新规划和重新预测、库存重新规划、销售重新规划和重新预测、或预算重新规划中的至少一个的建议。
在一些实施例中，计算机可读指令可由处理器执行以使处理器还执行：基于所述供应链限制和产业链意外事件之间的潜在冲突，生成警报并将所述警报提供给所述商业系统；以及从所述商业系统接收确认所述潜在冲突的确认。可选地，在接收到所述确认时生成所述建议。可选地，该建议包括分别基于替代优先级的一组替代建议。
在一些实施例中，计算机可读指令可由处理器执行以使处理器还执行：通过供应链知识图谱生成器通过从包括所述商业系统或行业标准中的至少一个的源提取实体、关系和属性来生成所述供应链知识图谱。具体地，计算机可读指令可由处理器执行以使处理器还执行：使用提取工具从结构化数据中提取实体和关系；使用实体提取模板、关系提取模板和属性提取模板分别从非结构化数据中提取实体、关系和属性；以及在专家验证时，将所提取的实体、所提取的关系和所提取的属性存储在知识图谱数据库中。
在一些实施例中，为了从非结构化数据中提取实体、关系和属性，计算机可读指令可由处理器执行以使处理器还执行：构建实体识别字典和实体识别规则；基于所述实体识别字典和所述实体识别规则，使用启发式算法来扩展所述实体识别规则以生成新规则；构建包括所述实体识别规则和所述新规则的实体识别规则库；基于所述实体识别规则库构建所述实体提取模板；以及基于关键词、词法和句法分析来构建所述关系提取模板和属性提取模板。
在一些实施例中，计算机可读指令可由处理器执行以使处理器还执行：通过产业链事件知识图谱生成器通过从包括内部知识库或公共网络知识库中的至少一个的源提取实体、关系和属性来生成所述产业链事件知识图谱。具体地，计算机可读指令可由处理器执行以使处理器还执行：通过网络爬虫对所述公共网络知识库进行爬取，以得到相关行业的趋势事件；分别使用实体提取模板、关系提取模板和属性提取模板从所述趋势事件中提取实体、关系和属性；将所述内部知识库、提取的实体、提取的关系和提取的属性进行知识融合，以生成融合的知识库；从融合的知识库中提取新的关键词；以及重复执行：爬取所述公共网络知识库，从所述趋势事件中提取实体、关系和属性，以及执行知识融合。
在一些实施例中，为了从所述趋势事件中提取实体、关系和属性，计算机可读指令可由处理器执行以使处理器还执行：构建实体识别字典和实体识别规则；基于所述实体识别字典和所述实体识别规则，使用启发式算法来扩展所述实体识别规则以生成新规则；构建包括所述实体识别规则和所述新规则的实体识别规则库；基于所述实体识别规则库构建所述实体提取模板；以及基于关键词、词法和句法分析来构建所述关系提取模板和属性提取模板。
在一些实施例中，计算机可读指令可由处理器执行以使处理器还执行：重复执行：爬取所述公共网络知识库，从所述趋势事件中提取实体、关系和属性，以及执行知识融合。
在一些实施例中，计算机可读指令可由处理器执行以使处理器还执行：基于TextRank算法生成趋势事件概要。具体地，生成趋势事件概要包括：将所述产业链事件知识图谱中的句子作为节点处理；利用无向量加权边连接所述产业链事件知识图谱中的节点，其中，相应边的相应权重是由所述相应边连接的相应两个节点之间的相似度；基于所述节点和所述无向量加权边，构建无向量加权图谱G(V，E，W)，其中，V代表所述节点，E代表所述无向量加权边，W代表各个连接节点之间的相似度；分别计算所述节点的重要性；分别对所述节点的重要性进行级别排序；以及使用级别相对较高的选择节点来形成所述趋势事件概要。
在一些实施例中，根据等式(1)计算所述重要性：
Figure BDA0002687164840000221
其中，Si代表第i个节点；WS(Si)代表第i个节点的重要性；Sj代表第j个节点；wji代表第i个节点和第j个节点之间的相似度；d代表阻尼系数，其指示第i个节点被选择为所选节点之一的概率；In(Si)代表指向第i个节点的一组节点；Out(Sj)代表指向第j个节点的一组节点。
在一些实施例中，为了由网络爬虫爬取公共网络知识库，计算机可读指令可由处理器执行以使处理器还执行：基于种子网页初始化爬虫任务；根据JSoup选择器语法下载并解析所述种子网页以定位所述种子网页上的基本信息；将所述种子网页上的相关事件、任务和实体链接词添加到爬取队列；以及将Json格式的经解析的数据存储到文本。
在一些实施例中，实体提取模板被配置为提取从由工厂、物流公司、订单、原材料供应商、零件供应商、分包商、经销商、库存、材料、预算、国家、地区、产业链长下游企业、合作伙伴、外包供应商、关键设备、金融机构、市场、策略、生产计划、行业标准、输出、订单优先级、目标、单线生产指数、产品周期、约束、生产停止、异常天气、疾病、自然灾害、人员转移和时间组成的组中选择的一个或多个实体。
在一些实施例中，关系提取模板被配置为提取从由收购、融资、合并、上游、下游、收据、支付、取货、交付、需求、购买、维护、得自、遏制、合作、战略合作伙伴关系、影响、一致性、配送、优先级、收据、瓶颈、限制、因果关系、年表、以及区域关系组成的组中选择的一个或多个关系。
在一些实施例中，属性提取模板被配置为提取从由位置、数量、订单状态、交付状态、企业状态、设备状态、合作状态、运输状态、生产状态、财务状态、支付状态组成的组中选择的一个或多个属性。
在一些实施例中，计算机可读指令可由处理器执行以使处理器还执行：推断两个实体之间的关系或实体的类别中的至少一个。可选地，计算机可读指令可由处理器执行以使处理器还执行：基于知识图谱的本体论框架中的约束推断所述实体的类别，所述约束包括连接到所述实体的关系的定义域和值域。
在一些实施例中，计算机可读指令可由处理器执行以使处理器还执行：使用评分算法进行推断。可选地，评分算法包括：实体1和(关系
Figure BDA0002687164840000241
实体2)之间的相似度；(实体1
Figure BDA0002687164840000242
关系)和实体2之间的相似度；以及关系与(实体1
Figure BDA0002687164840000243
实体2)之间的相似度；其中，
Figure BDA0002687164840000244
表示从由加法、乘法和神经网络运算组成的组中选择的线性或非线性运算。
在一些实施例中，计算机可读指令可由处理器执行以使处理器还执行：使用训练数据集来训练评分算法的参数。
为了说明和描述的目的，已经给出了本发明的实施例的上述描述。其不是穷举的，也不是要将本发明限制为所公开的精确形式或示例性实施例。因此，前面的描述应当被认为是说明性的而不是限制性的。显然，许多修改和变化对于本领域技术人员将是显而易见的。选择和描述实施例是为了解释本发明的原理及其最佳模式实际应用，从而使得本领域技术人员能够理解本发明的各种实施例以及适合于所考虑的特定使用或实现的各种修改。本发明的范围旨在由所附权利要求及其等价物来限定，其中除非另有说明，所有术语都意味着其最广泛的合理意义。因此，术语“该发明”、“本发明”等不一定将权利要求范围限制为特定实施例，并且对本发明的示例性实施例的引用不意味着对本发明的限制，并且不应推断出这样的限制。本发明仅由所附权利要求的精神和范围来限定。此外，这些权利要求可能涉及使用后接名词或元素的“第一”、“第二”等。这些术语应当被理解为命名法，并且不应当被解释为对由这些命名法所修改的元件的数量进行限制，除非已经给出了特定的数量。所描述的任何优点和益处可能不适用于本发明的所有实施例。应当理解，在不脱离由所附权利要求限定的本发明的范围的情况下，本领域技术人员可以对所描述的实施例进行改变。此外，本公开中的元件和组件都不是要贡献给公众，无论该元件或组件是否在所附权利要求中明确叙述。

Claims (20)

1.一种智能管理系统，包括：
供应链知识图谱；
产业链事件知识图谱；以及
智能供应链管理器，其连接到所述供应链知识图谱和所述产业链事件知识图谱；
其中，所述智能供应链管理器包括：
存储器；
一个或多个处理器；
其中，所述存储器和所述一个或多个处理器彼此连接；以及
所述存储器存储用于控制所述一个或多个处理器执行以下操作的计算机可执行指令：
基于包括需求规划和预测、库存规划、销售规划和预测、或预算规划中的至少一个的信息的所述供应链知识图谱，生成供应链限制；
基于包括事件紧急度、事件重要度和事件影响传播度中的至少一个的信息的所述产业链事件知识图谱，生成产业链意外事件；
基于供应链限制和产业链意外事件生成对供应链的约束；以及
基于所述对供应链的约束，生成建议并将该建议提供给商业系统以用于供应链规划，该建议包括对需求重新规划和重新预测、库存重新规划、销售重新规划和重新预测、或预算重新规划中的至少一个的建议。
2.根据权利要求1所述的智能管理系统，其中所述存储器还存储用于控制所述一个或多个处理器以进行以下操作的计算机可执行指令：
基于所述供应链限制和所述产业链意外事件之间的潜在冲突，生成警报并将所述警报提供给所述商业系统；以及
从所述商业系统接收确认所述潜在冲突的确认；
其中，在接收到所述确认时生成所述建议。
3.根据权利要求1或2所述的智能管理系统，其中所述建议包括分别基于替代优先级的一组替代建议。
4.根据权利要求1至3中任一项所述的智能管理系统，还包括供应链知识图谱生成器，所述供应链知识图谱生成器被配置为通过从包括所述商业系统或行业标准中的至少一个的源提取实体、关系和属性来生成所述供应链知识图谱；
其中，所述供应链知识图谱生成器包括：
存储器；
一个或多个处理器；
其中，所述存储器和所述一个或多个处理器彼此连接；以及
所述存储器存储用于控制一个或多个处理器执行以下操作的计算机可执行指令：
使用提取工具从结构化数据中提取实体和关系；
分别使用实体提取模板、关系提取模板和属性提取模板从非结构化数据中提取实体、关系和属性；以及
在专家验证时，将所提取的实体、所提取的关系和所提取的属性存储在知识图谱数据库中。
5.根据权利要求4所述的智能管理系统，其中，为了从所述非结构化数据提取实体、关系和属性，所述存储器还存储用于控制所述一个或多个处理器以进行以下操作的计算机可执行指令：
构建实体识别字典和实体识别规则；
基于所述实体识别字典和所述实体识别规则，使用启发式算法来扩展所述实体识别规则以生成新规则；
构建包括所述实体识别规则和所述新规则的实体识别规则库；
基于所述实体识别规则库构建所述实体提取模板；以及
基于关键词、词法和句法分析来构建所述关系提取模板和所述属性提取模板。
6.根据权利要求1至5中任一项所述的智能管理系统，还包括产业链事件知识图谱生成器，所述产业链事件知识图谱生成器被配置为通过从包括内部知识库或公共网络知识库中的至少一个的源提取实体、关系和属性来生成所述产业链事件知识图谱；
其中，所述产业链事件知识图谱生成器包括：
存储器；
一个或多个处理器；
其中，所述存储器和所述一个或多个处理器彼此连接；以及
所述存储器存储用于控制所述一个或多个处理器执行以下操作的计算机可执行指令：
通过网络爬虫对所述公共网络知识库进行爬取，以得到相关行业的趋势事件；
分别使用实体提取模板、关系提取模板和属性提取模板从所述趋势事件中提取实体、关系和属性；
将所述内部知识库、提取的实体、提取的关系和提取的属性进行知识融合，以生成融合的知识库；
从所述融合的知识库中提取新的关键词；以及
重复执行：爬取所述公共网络知识库，从所述趋势事件中提取实体、关系和属性，以及执行知识融合。
7.根据权利要求6所述的智能管理系统，其中，为了从所述趋势事件提取实体、关系和属性，所述存储器还存储用于控制所述一个或多个处理器以进行以下操作的计算机可执行指令：
构建实体识别字典和实体识别规则；
基于所述实体识别字典和所述实体识别规则，使用启发式算法来扩展所述实体识别规则以生成新规则；
构建包括所述实体识别规则和所述新规则的实体识别规则库；
基于所述实体识别规则库构建所述实体提取模板；以及
基于关键词、词法和句法分析来构建所述关系提取模板和所述属性提取模板。
8.根据权利要求6或7所述的智能管理系统，其中所述存储器还存储计算机可执行指令，用于控制所述一个或多个处理器重复执行：爬取所述公共网络知识库，从所述趋势事件中提取实体、关系和属性，以及执行知识融合。
9.根据权利要求6至8中任一项所述的智能管理系统，其中所述存储器还存储用于控制所述一个或多个处理器基于TextRank算法生成趋势事件概要的计算机可执行指令；
其中，为了生成所述趋势事件概要，所述存储器存储用于控制所述一个或多个处理器执行以下操作的计算机可执行指令：
将所述产业链事件知识图谱中的句子作为节点处理；
利用无向量加权边连接所述产业链事件知识图谱中的节点，其中，相应边的相应权重是由所述相应边连接的相应两个节点之间的相似度；
基于所述节点和所述无向量加权边，构建无向量加权图谱G(V，E，W)，其中，V代表所述节点，E代表所述无向量加权边，W代表各个连接节点之间的相似度；
分别计算所述节点的重要性；
分别对所述节点的重要性进行级别排序；以及
使用级别相对较高的选择节点来形成所述趋势事件概要。
10.根据权利要求9所述的智能管理系统，其中根据等式(1)计算所述重要性：
Figure FDA0002687164830000041
其中，Si代表第i个节点；WS(Si)代表第i个节点的重要性；Sj代表第j个节点；wji代表第i个节点和第j个节点之间的相似度；d代表阻尼系数，其指示第i个节点被选择为所选节点之一的概率；In(Si)代表指向第i个节点的一组节点；Out(Sj)代表指向第j个节点的一组节点。
11.根据权利要求6至10中任一项所述的智能管理系统，其中，为了由所述网络爬虫爬取所述公共网络知识库，所述存储器还存储用于控制所述一个或多个处理器进行以下操作的计算机可执行指令：
基于种子网页初始化爬虫任务；
根据JSoup选择器语法下载并解析所述种子网页以定位所述种子网页上的基本信息；
将所述种子网页上的相关事件、任务和实体链接词添加到爬取队列；以及
将Json格式的经解析的数据存储到文本。
12.根据权利要求6至11中任一项所述的智能管理系统，其中所述实体提取模板被配置为提取从由工厂、物流公司、订单、原材料供应商、零件供应商、分包商、经销商、库存、材料、预算、国家、地区、产业链长下游企业、合作伙伴、外包供应商、关键设备、金融机构、市场、策略、生产计划、行业标准、输出、订单优先级、目标、单线生产指数、产品周期、约束、生产停止、异常天气、疾病、自然灾害、人员转移和时间组成的组中选择的一个或多个实体。
13.根据权利要求6至12中任一项所述的智能管理系统，其中所述关系提取模板被配置为提取从由收购、融资、合并、上游、下游、收据、支付、取货、交付、需求、购买、维护、得自、遏制、合作、战略合作伙伴关系、影响、一致性、配送、优先级、收据、瓶颈、限制、因果关系、年表、以及区域关系组成的组中选择的一个或多个关系。
14.根据权利要求6至13中任一项所述的智能管理系统，其中所述属性提取模板被配置为提取从由位置、数量、订单状态、交付状态、企业状态、设备状态、合作状态、运输状态、生产状态、财务状态、支付状态组成的组中选择的一个或多个属性。
15.根据权利要求1至14中任一项所述的智能管理系统，还包括被配置为生成所述供应链知识图谱的供应链知识图谱生成器和被配置为生成所述产业链事件知识图谱的产业链事件知识图谱生成器；
其中，所述供应链知识图谱生成器或所述产业链事件知识图谱生成器中的至少一个包括推断器，所述推断器被配置为推断两个实体之间的关系或实体的类别中的至少一个。
16.根据权利要求15所述的智能管理系统，其中所述推断器包括：
存储器；
一个或多个处理器；
其中，所述存储器和所述一个或多个处理器彼此连接；以及
所述存储器存储用于控制所述一个或多个处理器基于知识图谱的本体论框架中的约束来推断所述实体的类别的计算机可执行指令，所述约束包括连接到所述实体的关系的定义域和值域。
17.根据权利要求15或16所述的智能管理系统，其中所述推断器包括：
存储器；
一个或多个处理器；
其中，所述存储器和所述一个或多个处理器彼此连接；以及
所述存储器存储用于控制所述一个或多个处理器以使用评分算法来做出推断的计算机可执行指令；
其中所述评分算法包括：
实体1和(关系
Figure FDA0002687164830000061
实体2)之间的相似度；
(实体1
Figure FDA0002687164830000062
关系)和实体2之间的相似度；以及
关系与(实体1
Figure FDA0002687164830000063
实体2)之间的相似度；
其中，
Figure FDA0002687164830000064
表示从由加法、乘法和神经网络运算组成的组中选择的线性或非线性运算。
18.根据权利要求17所述的智能管理系统，其中所述存储器还存储用于控制所述一个或多个处理器以使用训练数据集来训练所述评分算法的参数的计算机可执行指令。
19.一种智能管理方法，包括：
基于供应链知识图谱生成供应链限制，所述供应链知识图谱包括需求规划和预测、库存规划、销售规划和预测、或预算规划中的至少一个的信息；
基于产业链事件知识图谱来生成产业链意外事件，所述产业链事件知识图谱包括事件紧急度、事件重要度和事件影响传播度中的至少一个的信息；
基于供应链限制和产业链意外事件生成对供应链的约束；以及
基于所述对供应链的约束，生成建议并将该建议提供给商业系统以用于供应链规划，所述建议包括对需求重新规划和重新预测、库存重新规划、销售重新规划和重新预测、或预算重新规划中的至少一个的建议。
20.一种计算机程序产品，其包括其上具有计算机可读指令的非暂时性有形计算机可读介质，所述计算机可读指令可由处理器执行以使所述处理器执行：
基于供应链知识图谱生成供应链限制，所述供应链知识图谱包括需求规划和预测、库存规划、销售规划和预测、或预算规划中的至少一个的信息；
基于产业链事件知识图谱来生成产业链意外事件，所述产业链事件知识图谱包括事件紧急度、事件重要度和事件影响传播度中的至少一个的信息；
基于所述供应链限制和所述产业链意外事件生成对供应链的约束；以及
基于所述对供应链的约束，生成建议并将该建议提供给商业系统以用于供应链规划，所述建议包括对需求重新规划和重新预测、库存重新规划、销售重新规划和重新预测、或预算重新规划中的至少一个的建议。
CN202080001988.7A 2020-09-03 2020-09-03 智能管理系统、智能管理方法和计算机程序产品 Pending CN115605894A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2020/113223 WO2022047696A1 (en) 2020-09-03 2020-09-03 Intelligent management system, intelligent management method, and computer-program product

Publications (1)

Publication Number Publication Date
CN115605894A true CN115605894A (zh) 2023-01-13

Family

ID=80492399

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080001988.7A Pending CN115605894A (zh) 2020-09-03 2020-09-03 智能管理系统、智能管理方法和计算机程序产品

Country Status (3)

Country Link
US (1) US20220318697A1 (zh)
CN (1) CN115605894A (zh)
WO (1) WO2022047696A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116523262A (zh) * 2023-06-02 2023-08-01 深圳普菲特信息科技股份有限公司 基于大数据的生产计划智能规划方法、系统和介质
CN116611519A (zh) * 2023-07-19 2023-08-18 中国电子科技集团公司第十研究所 一种基于生产链全周期事理图谱的时间规划方法及系统
CN116703470A (zh) * 2023-08-09 2023-09-05 深圳市土地公网络科技有限公司 供应信息的预测方法、装置、设备及存储介质
CN116720819A (zh) * 2023-08-10 2023-09-08 福建省闽清双棱纸业有限公司 一种融合知识图谱和神经网络的浸渍纸原料管理系统
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

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116452130B (zh) * 2023-03-17 2023-09-05 国网山东省电力公司淄博供电公司 一种基于知识图谱的变电设备信息管理系统及方法

Family Cites Families (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7761782B1 (en) * 2004-10-26 2010-07-20 Xsb, Inc. User programmable deductive spreadsheet apparatus which supports solutions to circular definitions
US8473373B2 (en) * 2006-01-27 2013-06-25 GM Global Technology Operations LLC Feedback control theoretic parts inventory management model
US9224110B2 (en) * 2007-03-08 2015-12-29 Jda Software Group, Inc. Sub-problem optimization of supply chain planning problems
US9218585B2 (en) * 2007-05-25 2015-12-22 Hussmann Corporation Supply chain management system
US10262283B2 (en) * 2009-12-01 2019-04-16 Thomson Reuters Global Resources Unlimited Company Methods and systems for generating supply chain representations
US8655705B2 (en) * 2010-01-13 2014-02-18 Lockheed Martin Corporation Systems, methods and apparatus for implementing hybrid meta-heuristic inventory optimization based on production schedule and asset routing
US20160217406A1 (en) * 2013-03-13 2016-07-28 Jda Software Group, Inc. Self-Learning Supply Chain System
US20150134399A1 (en) * 2013-11-11 2015-05-14 International Business Machines Corporation Information model for supply chain risk decision making
US20150317576A1 (en) * 2014-05-02 2015-11-05 OpenLink Financial LLC Framework for assessing the sensitivity of productivity measures to exogenous factors and operational decisions and for the computer generated proposal of optimal operating plans
US11238389B2 (en) * 2015-07-14 2022-02-01 Tata Consultancy Limited Services System and method for risk management in a supply chain
US20210173711A1 (en) * 2015-10-28 2021-06-10 Qomplx, Inc. Integrated value chain risk-based profiling and optimization
US20170124495A1 (en) * 2015-11-04 2017-05-04 Tata Consultancy Services Limited Method and system for mitigating risk in a supply chain
US20170213168A1 (en) * 2016-01-22 2017-07-27 Wipro Limited Methods and systems for optimizing risks in supply chain networks
US10515315B2 (en) * 2016-03-11 2019-12-24 Wipro Limited System and method for predicting and managing the risks in a supply chain network
US20180114161A1 (en) * 2016-10-26 2018-04-26 T3W Business Solutions, Inc. Systems and methods for supply chain risk analysis
DE102016223193A1 (de) * 2016-11-23 2018-05-24 Fujitsu Limited Verfahren und Vorrichtung zum Komplettieren eines Wissensgraphen
US11392875B2 (en) * 2016-12-06 2022-07-19 Refinitiv Us Organization Llc Risk identification engine and supply chain graph generator
CN108108994A (zh) * 2017-11-10 2018-06-01 浙江中控软件技术有限公司 用于化工企业供应链的计划优化方法
US11631052B2 (en) * 2018-03-30 2023-04-18 Clms Uk Limited Ad hoc supply chain community node
US20190303849A1 (en) * 2018-04-03 2019-10-03 Jda Software Group, Inc. Omni-Channel Multi-Level Demand Prioritization and Allocation
CN109034833B (zh) * 2018-06-16 2021-07-23 复旦大学 一种基于区块链的产品追溯信息管理系统及方法
US20200327470A1 (en) * 2019-04-15 2020-10-15 International Business Machines Corporation Cognitively-Derived Knowledge Base of Supply Chain Risk Management
US11521143B2 (en) * 2019-08-14 2022-12-06 International Business Machines Corporation Supply chain disruption advisor
US11615473B2 (en) * 2020-03-05 2023-03-28 Noor SHAKFEH Resilience measurement system
US20220138655A1 (en) * 2020-10-29 2022-05-05 International Business Machines Corporation Supply chain restltency plan generation based on risk and carbon footprint utilizing machine learning
US11928699B2 (en) * 2021-03-31 2024-03-12 International Business Machines Corporation Auto-discovery of reasoning knowledge graphs in supply chains

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116523262A (zh) * 2023-06-02 2023-08-01 深圳普菲特信息科技股份有限公司 基于大数据的生产计划智能规划方法、系统和介质
CN116523262B (zh) * 2023-06-02 2023-12-22 深圳普菲特信息科技股份有限公司 基于大数据的生产计划智能规划方法、系统和介质
CN116611519A (zh) * 2023-07-19 2023-08-18 中国电子科技集团公司第十研究所 一种基于生产链全周期事理图谱的时间规划方法及系统
CN116611519B (zh) * 2023-07-19 2023-10-13 中国电子科技集团公司第十研究所 一种基于生产链全周期事理图谱的时间规划方法及系统
CN116703470A (zh) * 2023-08-09 2023-09-05 深圳市土地公网络科技有限公司 供应信息的预测方法、装置、设备及存储介质
CN116703470B (zh) * 2023-08-09 2024-01-12 深圳市土地公网络科技有限公司 供应信息的预测方法、装置、设备及存储介质
CN116720819A (zh) * 2023-08-10 2023-09-08 福建省闽清双棱纸业有限公司 一种融合知识图谱和神经网络的浸渍纸原料管理系统
CN116720819B (zh) * 2023-08-10 2023-10-27 福建省闽清双棱纸业有限公司 一种融合知识图谱和神经网络的浸渍纸原料管理系统
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

Also Published As

Publication number Publication date
WO2022047696A1 (en) 2022-03-10
US20220318697A1 (en) 2022-10-06

Similar Documents

Publication Publication Date Title
CN115605894A (zh) 智能管理系统、智能管理方法和计算机程序产品
Yuan et al. Topic sentiment mining for sales performance prediction in e-commerce
US20160371618A1 (en) Risk identification and risk register generation system and engine
US20100268684A1 (en) System and Method for Optimizing Federated and ETLd Databases with Considerations of Specialized Data Structures Within an Environment Having Multidimensional Constraints
US8676566B2 (en) Method of extracting experience sentence and classifying verb in blog
Sakka et al. An ontological approach for strategic alignment: a supply chain operations reference case study
Ponis et al. Competitive intelligence for SMEs: a web-based decision support system
KR102344075B1 (ko) 데이터 마이닝기반 온라인 마케팅 플랫폼
US20200074300A1 (en) Artificial-intelligence-augmented classification system and method for tender search and analysis
Liu et al. Identifying helpful quality-related reviews from social media based on attractive quality theory
Ahmadi et al. The bright side of consumers’ opinions of improving reverse logistics decisions: a social media analytic framework
Wang et al. Developing an employee turnover risk evaluation model using case-based reasoning
Garg et al. Potential use-cases of natural language processing for a logistics organization
CN114303140A (zh) 与产品和服务相关的知识产权数据分析
Upreti et al. Online content match-making in B2B markets: Application of neural content modeling
Dhingra et al. Development of ontology in laptop domain for knowledge representation
CN109840788A (zh) 用于分析用户行为数据的方法及装置
Chung et al. A domain adaptation approach for resume classification using graph attention networks and natural language processing
Zhang et al. Factors influencing crowdsourcing riders’ satisfaction based on online comments on real-time logistics platform
CN114036921A (zh) 一种政策信息匹配方法和装置
Verma et al. Role of corporate memory in the global supply chain environment
Bodendorf et al. Business analytics in strategic purchasing: identifying and evaluating similarities in supplier documents
António et al. Twenty-two years of International Journal of Hospitality Management: A bibliometric analysis 2000–2021
Ben Khalifa et al. Multiple criteria fake reviews detection using belief function theory
Chen et al. Effects of an inaccurate sorting procedure on optimal procurement and production decisions in a remanufacturing system

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