CN115641057A - 基于智能制造的供应链管理系统 - Google Patents
基于智能制造的供应链管理系统 Download PDFInfo
- Publication number
- CN115641057A CN115641057A CN202211351670.9A CN202211351670A CN115641057A CN 115641057 A CN115641057 A CN 115641057A CN 202211351670 A CN202211351670 A CN 202211351670A CN 115641057 A CN115641057 A CN 115641057A
- Authority
- CN
- China
- Prior art keywords
- purchasing
- user
- characteristic
- component
- historical
- 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
Links
Images
Classifications
-
- 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
Abstract
本发明涉及一种基于智能制造的供应链管理系统,包括电子采购平台和用户终端。电子采购平台包括采购特征提取模块、采购需求确定模块和采购部件推荐模块。电子采购平台根据用户终端产生的历史采购检索记录和历史浏览数据生成用户的第一采购特征,根据用户终端产生的实时采购检索记录和实时浏览数据生成用户的第二采购特征,并根据第一采购特征和第二采购特征确定用户对相应目标采购部件的采购需求置信度,若采购需求置信度小于预设置信度阈值,基于用户的第二采购特征为所述用户生成第一采购部件推荐列表;若采购需求置信度大于或等于预设置信度阈值,基于第一采购特征和第二采购特征为该用户生成第二采购部件推荐列表。
Description
技术领域
本发明涉及智能制造和大数据领域,尤其涉及一种基于智能制造的供应链管理系统。
背景技术
智能制造是面向产品的全生命周期,以新一代信息技术为基础,以制造系统为载体,在其关键环节或过程,具有一定自主感知、学习、分析、决策、通信与协调控制能力,能动态适应制造环境的变化,从而实现某些优化目标。智能制造不仅要采用新型制造技术和装备,还要将快速发展的信息通信技术渗透到工厂,在制造领域构建信息物理系统(CyberPhysical System,CPS),改变制造业的生产组织方式和人际关系,带来研发制造方式和商业模式的创新转变。
电子采购是电子商务模式的一种具体应用。它是指用计算机系统代替传统的文书系统,通过网络支持完成采购工作的一种业务处理方式。它的基本特点是在网上寻找供应商、寻找货品、网上订货,甚至网上付款。电子采购不仅能极大地提高效率、降低成木,而且能使企业在一定程度上减小因为信息不对称而造成的资源浪费,有利于社会资源的有效配置,从而便于企业将采购工作向更有价值的方向推进。
供应链管理系统中通常通过在线推荐系统提供采购导航服务,是提高电子采购系统性能的重要方面。通过在线企业客户的点击、阅读等行为的推荐方法,对企业客户行为的度量,通过一个循环过程获得企业客户对采购部件的关注程度,然后在结合分析的基础上分析企业客户采购需求,然后依据采购需求选择用户的推荐采购部件,是现有技术领域的常用推荐方法,但现有方法中直接使用企业客户的历史浏览行为和历史采购记录进行采购部件的推荐,缺乏智能化推荐手段。
发明内容
针对现有技术之不足,本发明提供了一种基于智能制造的供应链管理系统,包括电子采购平台和用户终端,电子采购平台与用户终端之间具有通信连接;电子采购平台包括采购特征提取模块、采购需求确定模块和采购部件推荐模块;
采购特征提取模块基于预设时间段内用户终端产生的历史采购检索记录和历史浏览数据确定用户的第一采购特征,基于当前时间段内用户终端产生的实时采购检索记录和实时浏览数据确定用户的第二采购特征,其中,所述第一采购特征用于表征对应用户的历史采购特征,所述第二采购特征用于表征对应用户的实时采购特征;
采购需求确定模块将所述第一采购特征与所述第二采购特征进行对比以得到用户的采购特征差异度,将所述采购特征差异度与差异度阈值进行比较,在确定所述采购特征差异度小于差异度阈值时,获取用户产生的实时采购检索记录与历史采购检索记录之间的记录特征变化量以及用户产生的实时浏览数据与历史浏览数据之间的浏览特征变化量,然后根据用户的记录特征变化量和浏览特征变化量确定用户对相应目标采购部件的采购需求置信度;
采购部件推荐模块在确定所述采购需求置信度小于预设置信度阈值时,基于用户的第二采购特征为用户生成第一采购部件推荐列表,其中,所述第一采购部件推荐列表中包括多个与用户的实时采购特征符合的采购部件;
采购部件推荐模块在确定采购需求置信度大于或等于预设置信度阈值时,基于用户的第一采购特征和第二采购特征为用户生成第二采购部件推荐列表。
优选地,基于预设时间段内用户终端产生的历史采购检索记录和历史浏览数据确定用户的第一采购特征包括:
根据历史采购检索记录和历史浏览数据分析得到用户采购次数最多且浏览量最大的采购部件作为用户需求的目标采购部件;
基于用户产生的历史采购检索记录和历史浏览数据获取用户历史浏览的所有采购页面,对用户历史浏览的每个采购页面的页面内容进行分段提取以得到每个采购页面的文字片段集合,对所有文字片段中具有相同元素标签的文字片段进行聚合以得到对应采购页面的部件标题集合、部件描述内容集合和部件简介集合;
对部件标题集合中的每个部件标题对应的文字内容、部件简介集合中的每个部件简介对应的文字内容和部件描述内容集合中的每个部件描述内容对应的文字内容进行预处理以去除对应文字内容中的符号和停用词;
从预处理后的文字内容的每个语句段中提取出用于表征对应采购部件的部件属性特征的词汇作为对应文字内容的候选词汇,基于候选词汇在对应语句段的上下文信息确定每个候选词汇之间的语义依赖关系,基于每个候选词汇的语义依赖关系分析得到目标采购部件的多个部件属性标签;
遍历组成各个部件属性标签的标签词汇以为对应目标采购部件形成相应的属性词组,其中,所述部件属性标签用于表征对应目标采购部件的类型特征、价格特征、风格特点和群体倾向;
对所述属性词组中的各个属性词进行计数统计以得到每个属性词的出现频次,基于每个属性词的出现频次为每个属性词赋予相应的词权重,对词权重大于预设权重阈值的多个属性词进行特征提取以得到用户的第一采购特征。
优选地,基于每个候选词汇的语义依赖关系分析得到目标采购部件的多个部件属性标签包括:
以不存在前驱语义依赖关系的候选词汇为根节点生成对应文字内容的多个属性生成树,其中,所述属性生成树中包括若干具有语义关联关系的词汇节点;
融合各个候选词汇对应的词特征向量以得到对应文字内容的多维部件属性特征,将从不同采购页面提取到的多维部件属性特征进行比较以得到相应的部件属性特征差异度,将部件属性特征差异度小于预设特征阈值的多维部件属性特征对应的文字内容的属性生成树进行聚类以得到同一类型的采购部件的属性生成树集合;
从属性生成树集合中确定与目标采购部件的原始部件特征相匹配的多个候选词汇节点作为关键词汇节点集,将包含所述关键词汇节点集中的每个关键词汇节点的属性生成树集合作为候选属性生成树集合,提取候选属性生成树集合中的所有候选词汇作为对应目标采购部件的属性词汇,基于获取到的所有属性词汇形成对应目标采购部件的多个部件属性标签。
优选地,获取用户产生的实时采购检索记录与历史采购检索记录之间的记录特征变化量以及用户产生的实时浏览数据与历史浏览数据之间的浏览特征变化量包括:
提取每个历史采购检索记录对应的第一时间数据和每个历史浏览数据对应的第二时间数据,基于所述第一时间数据和所述第二时间数据将每个历史采购检索记录和历史浏览数据分别按序映射至时间轴上以得到预设时间段内对应用户的历史采购检索记录的第一点集结构和历史浏览数据的第二点集结构;
按照深度优先的遍历顺序依次遍历所述第一点集结构和所述第二点集结构以确定所述第一点集结构和所述第二点集结构的深度优先序列,基于所述第一点集结构的深度优先序列为所述用户生成相应的第一时序矩阵,基于所述第二点集结构的深度优先序列为用户生成相应的第二时序矩阵,基于用户产生的实时采购检索记录和实时浏览数据为用户生成相应的第三时序矩阵和第四时序矩阵;
分别基于第一时序矩阵和第三时序矩阵生成历史采购检索记录和实时采购检索记录之间的第一变化量轨迹,基于第二时序矩阵和第四时序矩阵生成历史浏览数据和实时浏览数据之间的第二变化量轨迹,根据所述第一变化量轨迹分析得到用户的实时采购检索记录与历史采购检索记录之间的记录特征变化量,根据所述第二变化量轨迹分析得到用户的实时浏览数据与历史浏览数据之间的浏览特征变化量。
优选地,根据用户的记录特征变化量和浏览特征变化量确定用户对相应目标采购部件的采购需求置信度包括:
基于获取到的用户的若干历史记录特征变化量和若干历史浏览特征变化量为对应用户建立相应的训练数据集,其中,所述训练数据集中包括若干按序排列的训练数据对,每个训练数据对包括由对应用户的记录特征变化量和浏览特征变化量在对应历史时刻构成的会话特征变化量的值以及对应历史时刻的下一时刻作为预测目标的该用户的采购需求转移概率;
以预测目标为变量对训练数据集进行线性回归以构建用户采购需求转移概率预测的一阶回归模型,将利用所述一阶回归模型预测得到的对应用户的采购需求转移概率取值重新合并至所述训练数据集中以对其进行扩充,对扩充后的训练数据集进行线性回归以得到用户采购需求转移概率预测的二阶回归模型;
对所述二阶回归模型进行训练直至模型参数为最优,将当前获取到的用户的记录特征变化量和浏览特征变化量输入至训练完成的二阶回归模型中以得到用户的采购需求转移概率,并将该采购需求转移概率转化为用户对目标采购部件的采购需求置信度。
优选地,基于用户的第一采购特征和第二采购特征为用户生成第二采购部件推荐列表包括:
对第一采购特征和第二采购特征进行拼接融合以得到用户需求的目标采购部件的第一部件特征,并根据用户需求的目标采购部件在当前时间段内的实时采购数量确定所述目标采购部件在当前时间段内的第一部件热度时间序列,获取与该目标采购部件具有相同第一部件特征且供应商不相同的采购部件作为关联采购部件,并根据关联采购部件在当前时间段内的实时采购数量确定关联采购部件在当前时间段内的第二部件热度时间序列;
分别将第一部件热度时间序列和第二部件热度时间序列输入至LSTM模型中以得到第一部件热度时间序列的隐含状态序列和第二部件热度时间序列的隐含状态序列,对第一部件热度时间序列的隐含状态序列和第二部件热度时间序列的隐含状态序列进行拼接融合以得到用户需求的目标采购部件的第二部件特征;
从数据库中选取第一部件特征和第二部件特征均与用户需求的目标采购部件的第一部件特征和第二部件特征相匹配的采购部件作为推荐采购部件,基于获取的所有推荐采购部件生成第二采购部件推荐列表。
优选地,所述第一时间数据包括预设时间段内产生的每条采购检索记录的记录时间戳;所述第二时间数据包括预设时间段内用户浏览的每个采购页面的页面跳转时间戳。
优选地,所述历史浏览数据包括用户历史浏览的采购页面数量、采购页面跳转时间戳、采购页面驻留时长和采购页面交互轨迹。所述历史采购检索记录包括用户历史输入的采购部件检索词和用户在输入该采购部件检索词后从所推荐的列表中点击的采购部件数量。
本发明具有以下有益效果:
本发明提供的基于智能制造的供应链管理系统通过将用户的历史采购特征和实时采购特征进行比较,确定用户对历史浏览的采购部件的采购需求置信度以及时发现用户采购需求的改变,并根据用户对采购部件的采购需求置信度为用户推荐与其采购需求相符的部件,本发明相较于传统采购平台的推荐方法考虑了用户采购需求的动态变化更加的智能化,推荐结果更加精准。
附图说明
图1为一示例性实施例提供的基于智能制造的供应链管理系统的结构框图。
具体实施方式
下面将参照附图更详细地描述本发明公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
为了更好的理解上述技术方案,下面通过附图以及具体实施例对本发明技术方案做详细的说明,应当理解本发明实施例以及实施例中的具体特征是对本发明技术方案的详细的说明,而不是对本发明技术方案的限定,在不冲突的情况下,本发明实施例以及实施例中的技术特征可以相互组合。
如图1所示,本发明的基于智能制造的供应链管理系统包括电子采购平台和用户终端,电子采购平台与用户终端之间具有通信连接。用户终端为电子采购平台的用户所使用的具有计算功能、存储功能和通信功能的设备,其包括:智能手机、台式电脑和笔记本电脑。
电子采购平台包括采购特征提取模块、采购需求确定模块和采购部件推荐模块。
采购特征提取模块用于根据预设时间段内用户终端产生的历史采购检索记录和历史浏览数据确定用户的第一采购特征。基于当前时间段内用户终端产生的实时采购检索记录和实时浏览数据确定用户的第二采购特征。其中,所述第一采购特征用于表征对应用户的历史采购特征,所述第二采购特征用于表征对应用户的实时采购特征。
采购需求确定模块用于将所述第一采购特征与所述第二采购特征进行对比以得到用户的采购特征差异度,将所述采购特征差异度与差异度阈值进行比较。在确定所述采购特征差异度小于差异度阈值时,获取用户产生的实时采购检索记录与历史采购检索记录之间的记录特征变化量以及用户产生的实时浏览数据与历史浏览数据之间的浏览特征变化量。然后根据用户的记录特征变化量和浏览特征变化量确定用户对相应目标采购部件的采购需求置信度。
采购部件推荐模块用于在确定所述采购需求置信度小于预设置信度阈值时,基于用户的第二采购特征为用户生成第一采购部件推荐列表。在确定采购需求置信度大于或等于预设置信度阈值时,基于用户的第一采购特征和第二采购特征为用户生成第二采购部件推荐列表。其中,所述第一采购部件推荐列表中包括多个与用户的实时采购特征符合的采购部件。
下面对本发明的工作方法进行具体说明。具体的,基于智能制造的供应链管理系统所执行的工作方法包括以下步骤:
S10、采购特征提取模块基于预设时间段内用户终端产生的历史采购检索记录和历史浏览数据确定用户的第一采购特征。基于当前时间段内用户终端产生的实时采购检索记录和实时浏览数据确定用户的第二采购特征。其中,所述第一采购特征用于表征对应用户的历史采购特征,所述第二采购特征用于表征对应用户的实时采购特征。当前时间段是指当前这一个月内。
在本实施例中,基于预设时间段内用户终端产生的历史采购检索记录和历史浏览数据确定用户的第一采购特征包括:根据历史采购检索记录和历史浏览数据分析得到用户采购次数最多且浏览量最大的采购部件作为用户需求的目标采购部件。基于用户产生的历史采购检索记录和历史浏览数据获取用户历史浏览的所有采购页面。对用户历史浏览的每个采购页面的页面内容进行分段提取以得到每个采购页面的文字片段集合。对所有文字片段中具有相同元素标签的文字片段进行聚合以得到对应采购页面的部件标题集合、部件描述内容集合和部件简介集合。其中,元素标签用于表征对应采购页面中各段文字内容的类别,其包括标题、图片、简介、内容和链接。
对部件标题集合中的每个部件标题对应的文字内容、部件简介集合中的每个部件简介对应的文字内容和部件描述内容集合中的每个部件描述内容对应的文字内容进行预处理以去除对应文字内容中的符号和停用词。从预处理后的文字内容的每个语句段中提取出用于表征对应采购部件的部件属性特征的词汇作为对应文字内容的候选词汇。基于候选词汇在对应语句段的上下文信息确定每个候选词汇之间的语义依赖关系。基于每个候选词汇的语义依赖关系分析得到目标采购部件的多个部件属性标签。其中,所述停用词包括语气助词、介词、连词和副词。
遍历组成各个部件属性标签的标签词汇以为对应目标采购部件形成相应的属性词组。对所述属性词组中的各个属性词进行计数统计以得到每个属性词的出现频次。基于每个属性词的出现频次为每个属性词赋予相应的词权重。对词权重大于预设权重阈值的多个属性词进行特征提取以得到用户的第一采购特征。其中,所述部件属性标签用于表征对应目标采购部件的类型特征、价格特征、风格特点和群体倾向。
进一步,关于上述步骤:基于每个候选词汇的语义依赖关系分析得到目标采购部件的多个部件属性标签的进一步说明可以如下:
以不存在前驱语义依赖关系的候选词汇为根节点生成对应文字内容的多个属性生成树,其中,所述属性生成树中包括若干具有语义关联关系的词汇节点。
融合各个候选词汇对应的词特征向量以得到对应文字内容的多维部件属性特征。将从不同采购页面提取到的多维部件属性特征进行比较以得到相应的部件属性特征差异度。将部件属性特征差异度小于预设特征阈值的多维部件属性特征对应的文字内容的属性生成树进行聚类以得到同一类型的采购部件的属性生成树集合。其中,所述预设特征阈值为系统预先设置的用于判断是否为同一类采购部件的特征阈值。
从属性生成树集合中确定与目标采购部件的原始部件特征相匹配的多个候选词汇节点作为关键词汇节点集。将包含所述关键词汇节点集中的每个关键词汇节点的属性生成树集合作为候选属性生成树集合。提取候选属性生成树集合中的所有候选词汇作为对应目标采购部件的属性词汇。基于获取到的所有属性词汇形成对应目标采购部件的多个部件属性标签。
针对前述步骤中,根据历史采购检索记录和历史浏览数据分析得到用户采购次数最多且浏览量最大的采购部件作为用户需求的目标采购部件还包括:若根据历史采购检索记录和历史浏览数据分析得到的用户采购次数最多的采购部件与用户浏览量最大的采购部件不相同,则将用户浏览量最大的采购部件作为用户需求的目标采购部件。
进一步,关于前述步骤:对词权重大于预设权重阈值的多个属性词进行特征提取以得到用户的第一采购特征的进一步说明可以包括:对词权重大于预设权重阈值的多个属性词进行特征提取以得到对应属性词中包含的对应目标采购部件的类型特征、价格特征、风格特征和群体倾向特征。对所述类型特征、价格特征、风格特征和群体倾向特征进行拼接融合以得到用户的第一采购特征。其中,该预设权重阈值为系统预先设置的用于判断对应属性词的出现频次是否较大的数值。
在实际实施过程中,历史浏览数据包括用户历史浏览的采购页面数量、采购页面跳转时间戳、采购页面驻留时长和采购页面交互轨迹。历史采购检索记录包括用户历史输入的采购部件检索词和用户在输入该采购部件检索词后从所推荐的列表中点击的采购部件数量。预设时间段为系统预设的时间周期,本发明设置为一个月。即取上一个月内用户产生的历史采购检索记录和历史浏览数据。
在实际实施过程中,目标采购部件的原始部件特征即为相应采购平台预先设置的目标采购部件的部件类型和部件名称。步骤:融合各个候选词汇对应的词特征向量以得到对应文字内容的多维部件属性特征还包括对于重复的词特征向量,仅融合一次。
在本实施例中,用户的第二采购特征与用户的第一采购特征的生成步骤相同,即将对用户在预设时间段内产生的历史采购检索记录和历史浏览数据替换为对用户在当前时间段内产生的实时采购检索记录和实时浏览数据进行分析即可得到。在此不再赘述。
S20、采购需求确定模块将所述第一采购特征与所述第二采购特征进行对比以得到用户的采购特征差异度。将所述采购特征差异度与差异度阈值进行比较。在确定所述采购特征差异度小于差异度阈值时,获取用户产生的实时采购检索记录与历史采购检索记录之间的记录特征变化量以及用户产生的实时浏览数据与历史浏览数据之间的浏览特征变化量。然后根据用户的记录特征变化量和浏览特征变化量确定用户对相应目标采购部件的采购需求置信度。
在本实施例中,采购需求确定模块在确定所述采购特征差异度大于或等于差异度阈值时,将用户对相应目标采购部件的采购需求置信度置为0。
在本实施例中,获取用户产生的实时采购检索记录与历史采购检索记录之间的记录特征变化量以及用户产生的实时浏览数据与历史浏览数据之间的浏览特征变化量的步骤可以包括:
提取每个历史采购检索记录对应的第一时间数据和每个历史浏览数据对应的第二时间数据。基于所述第一时间数据和所述第二时间数据将每个历史采购检索记录和历史浏览数据分别按序映射至时间轴上以得到预设时间段内对应用户的历史采购检索记录的第一点集结构和历史浏览数据的第二点集结构。
按照深度优先的遍历顺序依次遍历所述第一点集结构和所述第二点集结构以确定所述第一点集结构和所述第二点集结构的深度优先序列。基于所述第一点集结构的深度优先序列为所述用户生成相应的第一时序矩阵。基于所述第二点集结构的深度优先序列为用户生成相应的第二时序矩阵。基于用户产生的实时采购检索记录和实时浏览数据为用户生成相应的第三时序矩阵和第四时序矩阵。
分别基于第一时序矩阵和第三时序矩阵生成历史采购检索记录和实时采购检索记录之间的第一变化量轨迹。基于第二时序矩阵和第四时序矩阵生成历史浏览数据和实时浏览数据之间的第二变化量轨迹。根据所述第一变化量轨迹分析得到用户的实时采购检索记录与历史采购检索记录之间的记录特征变化量。根据所述第二变化量轨迹分析得到用户的实时浏览数据与历史浏览数据之间的浏览特征变化量。
在实际实施过程中,第一时间数据包括预设时间段内产生的每条采购检索记录的记录时间戳,其中,所述记录时间戳包括采购部件检索词的输入时间戳和在输入该采购部件检索词后从所推荐的列表中产生的点击动作对应的点击时间戳。第二时间数据包括预设时间段内用户浏览的每个采购页面的页面跳转时间戳。第一点集结构包括若干按时间远近顺序排列的记录时间戳,第二点集结构包括若干按时间远近顺序排列的页面跳转时间戳。第三时序矩阵的生成方式与第一时序矩阵相同,第四时序矩阵的生成方式与第二时序矩阵相同。
在实际实施过程中,记录特征变化量包括检索时长变化量和点击特征变化量,其中,检索时长变化量用于表征用户在检索到同一采购部件检索词时,当前相较于历史停留时间的变化量;点击特征变化量用于表征用户在检索到同一采购部件检索词后在该采购部件检索词所推荐的列表中,当前相较于历史点击的采购部件的数量和特征的变化量。浏览特征变化量包括浏览时长变化量和交互特征变化量,其中,浏览时长变化量用于表征用户在浏览到同一采购页面时,当前相较于历史浏览时间的变化量;交互特征变化量用于表征用户在浏览到同一采购页面时,当前相较于历史采购页面交互轨迹的变化量。
在相关实施例中,针对记录特征变化量包括的检索时长变化量和点击特征变化量,检索时长变化量用于表征用户在当前时间段内检索到与预设时间段内具有相似特征的采购部件检索词时,用户对当前检索的采购部件检索词的停留时间相较于历史检索的具有相似特征的采购部件检索词的停留时间之间的变化量;点击特征变化量用于表征用户在检索到具有相似特征的采购部件检索词候后,用户在当前检索的采购部件检索词所推荐的列表中点击的采购部件的数量和特征相较于用户在历史检索的具有相似特征的采购部件检索词所推荐的列表中点击的采购部件的数量和特征之间的变化量。同时,浏览时长变化量和交互特征变化量均为前述情况下的变化量。
在本实施例中,根据用户的记录特征变化量和浏览特征变化量确定用户对相应目标采购部件的采购需求置信度的方法包括:
基于获取到的用户的若干历史记录特征变化量和若干历史浏览特征变化量为对应用户建立相应的训练数据集。其中,所述训练数据集中包括若干按序排列的训练数据对,每个训练数据对包括由对应用户的记录特征变化量和浏览特征变化量在对应历史时刻构成的会话特征变化量的值以及对应历史时刻的下一时刻作为预测目标的该用户的采购需求转移概率。
以预测目标为变量对训练数据集进行线性回归以构建用户采购需求转移概率预测的一阶回归模型。将利用所述一阶回归模型预测得到的对应用户的采购需求转移概率取值重新合并至所述训练数据集中以对其进行扩充。对扩充后的训练数据集进行线性回归以得到用户采购需求转移概率预测的二阶回归模型。
对所述二阶回归模型进行训练直至模型参数为最优。将当前获取到的用户的记录特征变化量和浏览特征变化量输入至训练完成的二阶回归模型中以得到用户的采购需求转移概率。并将该采购需求转移概率转化为用户对目标采购部件的采购需求置信度。
在实际实施过程中,差异度阈值为系统预先设置的用于判断用户历史采购特征和实时采购特征差异大小的数值。
S30、采购部件推荐模块在确定所述采购需求置信度小于预设置信度阈值时,基于用户的第二采购特征为用户生成第一采购部件推荐列表。在确定采购需求置信度大于或等于预设置信度阈值时,基于用户的第一采购特征和第二采购特征为用户生成第二采购部件推荐列表。其中,所述第一采购部件推荐列表中包括多个与用户的实时采购特征符合的采购部件,预设置信度阈值为系统预先设置的用于判断对应目标采购部件是否为用户所需求采购部件的数值。
在本实施例中,针对基于用户的第二采购特征为用户生成第一采购部件推荐列表的步骤包括:
将用户的第二采购特征作为用户需求的目标采购部件的第一部件特征。并根据用户需求的目标采购部件在当前时间段内的实时采购数量确定所述目标采购部件在当前时间段内的第一部件热度时间序列。获取与该目标采购部件具有相同第一部件特征但供应商不同的采购部件作为关联采购部件,并根据关联采购部件在当前时间段内的实时采购数量确定关联采购部件在当前时间段内的第二部件热度时间序列。
分别将第一部件热度时间序列和第二部件热度时间序列输入至LSTM模型中以得到第一部件热度时间序列的隐含状态序列和第二部件热度时间序列的隐含状态序列。对第一部件热度时间序列的隐含状态序列和第二部件热度时间序列的隐含状态序列进行拼接融合以得到用户需求的目标采购部件的第二部件特征。
从数据库中选取第一部件特征和第二部件特征均与用户需求的目标采购部件的第一部件特征和第二部件特征相匹配的采购部件作为推荐采购部件。基于获取的所有推荐采购部件生成第一采购部件推荐列表。
在本实施例中,基于用户的第一采购特征和第二采购特征为用户生成第二采购部件推荐列表的步骤包括:
对第一采购特征和第二采购特征进行拼接融合以得到用户需求的目标采购部件的第一部件特征。并根据用户需求的目标采购部件在当前时间段内的实时采购数量确定所述目标采购部件在当前时间段内的第一部件热度时间序列。获取与该目标采购部件具有相同第一部件特征且供应商不相同的采购部件作为关联采购部件。并根据关联采购部件在当前时间段内的实时采购数量确定关联采购部件在当前时间段内的第二部件热度时间序列。
分别将第一部件热度时间序列和第二部件热度时间序列输入至LSTM模型中以得到第一部件热度时间序列的隐含状态序列和第二部件热度时间序列的隐含状态序列。对第一部件热度时间序列的隐含状态序列和第二部件热度时间序列的隐含状态序列进行拼接融合以得到用户需求的目标采购部件的第二部件特征。
从数据库中选取第一部件特征和第二部件特征均与用户需求的目标采购部件的第一部件特征和第二部件特征相匹配的采购部件作为推荐采购部件。基于获取的所有推荐采购部件生成第二采购部件推荐列表。
本发明提供的基于智能制造的供应链管理系统通过将用户的历史采购特征和实时采购特征进行比较,确定用户对历史浏览的采购部件的采购需求置信度以及时发现用户采购需求的改变,并根据用户对采购部件的采购需求置信度为用户推荐与其采购需求相符的部件,本发明相较于传统采购平台的推荐方法考虑了用户采购需求的动态变化更加的智能化,推荐结果更加精准。
此外,虽然上面参考特定模块讨论了特定功能,但是应当注意,本文讨论的各个模块的功能可以分为多个模块,和/或多个模块的至少一些功能可以组合成单个模块。另外,本文讨论的特定模块执行动作包括该特定模块本身执行动作,或者替换地该特定模块调用或以其他方式访问执行该动作的另一个组件或模块(或结合该特定模块一起执行动作)。因此,执行动作的特定模块可以包括执行动作的特定模块本身和/或执行动作的该特定模块调用或以其他方式访问的另一模块。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (8)
1.一种基于智能制造的供应链管理系统,其特征在于,包括电子采购平台和所述用户终端,所述电子采购平台与用户终端之间具有通信连接;电子采购平台包括采购特征提取模块、采购需求确定模块和采购部件推荐模块;
采购特征提取模块基于预设时间段内用户终端产生的历史采购检索记录和历史浏览数据确定用户的第一采购特征,基于当前时间段内用户终端产生的实时采购检索记录和实时浏览数据确定用户的第二采购特征,其中,所述第一采购特征用于表征对应用户的历史采购特征,所述第二采购特征用于表征对应用户的实时采购特征;
采购需求确定模块将所述第一采购特征与所述第二采购特征进行对比以得到用户的采购特征差异度,将所述采购特征差异度与差异度阈值进行比较,在确定所述采购特征差异度小于差异度阈值时,获取用户产生的实时采购检索记录与历史采购检索记录之间的记录特征变化量以及用户产生的实时浏览数据与历史浏览数据之间的浏览特征变化量,然后根据用户的记录特征变化量和浏览特征变化量确定用户对相应目标采购部件的采购需求置信度;
采购部件推荐模块在确定所述采购需求置信度小于预设置信度阈值时,基于用户的第二采购特征为用户生成第一采购部件推荐列表,其中,所述第一采购部件推荐列表中包括多个与用户的实时采购特征符合的采购部件;
采购部件推荐模块在确定采购需求置信度大于或等于预设置信度阈值时,基于用户的第一采购特征和第二采购特征为用户生成第二采购部件推荐列表。
2.根据权利要求1所述的系统,其特征在于,基于预设时间段内用户终端产生的历史采购检索记录和历史浏览数据确定用户的第一采购特征包括:
根据历史采购检索记录和历史浏览数据分析得到用户采购次数最多且浏览量最大的采购部件作为用户需求的目标采购部件;
基于用户产生的历史采购检索记录和历史浏览数据获取用户历史浏览的所有采购页面,对用户历史浏览的每个采购页面的页面内容进行分段提取以得到每个采购页面的文字片段集合,对所有文字片段中具有相同元素标签的文字片段进行聚合以得到对应采购页面的部件标题集合、部件描述内容集合和部件简介集合;
对部件标题集合中的每个部件标题对应的文字内容、部件简介集合中的每个部件简介对应的文字内容和部件描述内容集合中的每个部件描述内容对应的文字内容进行预处理以去除对应文字内容中的符号和停用词;
从预处理后的文字内容的每个语句段中提取出用于表征对应采购部件的部件属性特征的词汇作为对应文字内容的候选词汇,基于候选词汇在对应语句段的上下文信息确定每个候选词汇之间的语义依赖关系,基于每个候选词汇的语义依赖关系分析得到目标采购部件的多个部件属性标签;
遍历组成各个部件属性标签的标签词汇以为对应目标采购部件形成相应的属性词组,其中,所述部件属性标签用于表征对应目标采购部件的类型特征、价格特征、风格特点和群体倾向;
对所述属性词组中的各个属性词进行计数统计以得到每个属性词的出现频次,基于每个属性词的出现频次为每个属性词赋予相应的词权重,对词权重大于预设权重阈值的多个属性词进行特征提取以得到用户的第一采购特征。
3.根据权利要求2所述的系统,其特征在于,基于每个候选词汇的语义依赖关系分析得到目标采购部件的多个部件属性标签包括:
以不存在前驱语义依赖关系的候选词汇为根节点生成对应文字内容的多个属性生成树,其中,所述属性生成树中包括若干具有语义关联关系的词汇节点;
融合各个候选词汇对应的词特征向量以得到对应文字内容的多维部件属性特征,将从不同采购页面提取到的多维部件属性特征进行比较以得到相应的部件属性特征差异度,将部件属性特征差异度小于预设特征阈值的多维部件属性特征对应的文字内容的属性生成树进行聚类以得到同一类型的采购部件的属性生成树集合;
从属性生成树集合中确定与目标采购部件的原始部件特征相匹配的多个候选词汇节点作为关键词汇节点集,将包含所述关键词汇节点集中的每个关键词汇节点的属性生成树集合作为候选属性生成树集合,提取候选属性生成树集合中的所有候选词汇作为对应目标采购部件的属性词汇,基于获取到的所有属性词汇形成对应目标采购部件的多个部件属性标签。
4.根据权利要求3所述的系统,其特征在于,获取用户产生的实时采购检索记录与历史采购检索记录之间的记录特征变化量以及用户产生的实时浏览数据与历史浏览数据之间的浏览特征变化量包括:
提取每个历史采购检索记录对应的第一时间数据和每个历史浏览数据对应的第二时间数据,基于所述第一时间数据和所述第二时间数据将每个历史采购检索记录和历史浏览数据分别按序映射至时间轴上以得到预设时间段内对应用户的历史采购检索记录的第一点集结构和历史浏览数据的第二点集结构;
按照深度优先的遍历顺序依次遍历所述第一点集结构和所述第二点集结构以确定所述第一点集结构和所述第二点集结构的深度优先序列,基于所述第一点集结构的深度优先序列为所述用户生成相应的第一时序矩阵,基于所述第二点集结构的深度优先序列为用户生成相应的第二时序矩阵,基于用户产生的实时采购检索记录和实时浏览数据为用户生成相应的第三时序矩阵和第四时序矩阵;
分别基于第一时序矩阵和第三时序矩阵生成历史采购检索记录和实时采购检索记录之间的第一变化量轨迹,基于第二时序矩阵和第四时序矩阵生成历史浏览数据和实时浏览数据之间的第二变化量轨迹,根据所述第一变化量轨迹分析得到用户的实时采购检索记录与历史采购检索记录之间的记录特征变化量,根据所述第二变化量轨迹分析得到用户的实时浏览数据与历史浏览数据之间的浏览特征变化量。
5.根据权利要求4所述的系统,其特征在于,根据用户的记录特征变化量和浏览特征变化量确定用户对相应目标采购部件的采购需求置信度包括:
基于获取到的用户的若干历史记录特征变化量和若干历史浏览特征变化量为对应用户建立相应的训练数据集,其中,所述训练数据集中包括若干按序排列的训练数据对,每个训练数据对包括由对应用户的记录特征变化量和浏览特征变化量在对应历史时刻构成的会话特征变化量的值以及对应历史时刻的下一时刻作为预测目标的该用户的采购需求转移概率;
以预测目标为变量对训练数据集进行线性回归以构建用户采购需求转移概率预测的一阶回归模型,将利用所述一阶回归模型预测得到的对应用户的采购需求转移概率取值重新合并至所述训练数据集中以对其进行扩充,对扩充后的训练数据集进行线性回归以得到用户采购需求转移概率预测的二阶回归模型;
对所述二阶回归模型进行训练直至模型参数为最优,将当前获取到的用户的记录特征变化量和浏览特征变化量输入至训练完成的二阶回归模型中以得到用户的采购需求转移概率,并将该采购需求转移概率转化为用户对目标采购部件的采购需求置信度。
6.根据权利要求5所述的系统,其特征在于,基于用户的第一采购特征和第二采购特征为用户生成第二采购部件推荐列表包括:
对第一采购特征和第二采购特征进行拼接融合以得到用户需求的目标采购部件的第一部件特征,并根据用户需求的目标采购部件在当前时间段内的实时采购数量确定所述目标采购部件在当前时间段内的第一部件热度时间序列,获取与该目标采购部件具有相同第一部件特征且供应商不相同的采购部件作为关联采购部件,并根据关联采购部件在当前时间段内的实时采购数量确定关联采购部件在当前时间段内的第二部件热度时间序列;
分别将第一部件热度时间序列和第二部件热度时间序列输入至LSTM模型中以得到第一部件热度时间序列的隐含状态序列和第二部件热度时间序列的隐含状态序列,对第一部件热度时间序列的隐含状态序列和第二部件热度时间序列的隐含状态序列进行拼接融合以得到用户需求的目标采购部件的第二部件特征;
从数据库中选取第一部件特征和第二部件特征均与用户需求的目标采购部件的第一部件特征和第二部件特征相匹配的采购部件作为推荐采购部件,基于获取的所有推荐采购部件生成第二采购部件推荐列表。
7.根据权利要求6所述的系统,其特征在于,所述第一时间数据包括预设时间段内产生的每条采购检索记录的记录时间戳;所述第二时间数据数据包括预设时间段内用户浏览的每个采购页面的页面跳转时间戳。
8.根据权利要求7所述的系统,其特征在于,所述历史浏览数据包括用户历史浏览的采购页面数量、采购页面跳转时间戳、采购页面驻留时长和采购页面交互轨迹;所述历史采购检索记录包括用户历史输入的采购部件检索词和用户在输入该采购部件检索词后从所推荐的列表中点击的采购部件数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211351670.9A CN115641057A (zh) | 2022-10-31 | 2022-10-31 | 基于智能制造的供应链管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211351670.9A CN115641057A (zh) | 2022-10-31 | 2022-10-31 | 基于智能制造的供应链管理系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115641057A true CN115641057A (zh) | 2023-01-24 |
Family
ID=84945930
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211351670.9A Pending CN115641057A (zh) | 2022-10-31 | 2022-10-31 | 基于智能制造的供应链管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115641057A (zh) |
-
2022
- 2022-10-31 CN CN202211351670.9A patent/CN115641057A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11580119B2 (en) | System and method for automatic persona generation using small text components | |
US20220100963A1 (en) | Event extraction from documents with co-reference | |
CN111125086B (zh) | 获取数据资源的方法、装置、存储介质及处理器 | |
US20200311071A1 (en) | Method and system for identifying core product terms | |
US20220100772A1 (en) | Context-sensitive linking of entities to private databases | |
CN109947902A (zh) | 一种数据查询方法、装置和可读介质 | |
US11836331B2 (en) | Mathematical models of graphical user interfaces | |
US20090327877A1 (en) | System and method for disambiguating text labeling content objects | |
CN110188291B (zh) | 基于代理日志的文档处理 | |
Abu-Rasheed et al. | Explainable Graph-Based Search for Lessons-Learned Documents in the Semiconductor Industry | |
WO2022072237A1 (en) | Lifecycle management for customized natural language processing | |
Kaur | Web content classification: A survey | |
US20220100967A1 (en) | Lifecycle management for customized natural language processing | |
CN111753151A (zh) | 一种基于互联网用户行为的服务推荐方法 | |
CN114647739B (zh) | 实体链指方法、装置、电子设备及存储介质 | |
Nia et al. | A framework for a large-scale B2B recommender system | |
CN115641057A (zh) | 基于智能制造的供应链管理系统 | |
Zhang et al. | Construction of a cloud scenario knowledge graph for cloud service market | |
CN114282119A (zh) | 一种基于异构信息网络的科技信息资源检索方法及系统 | |
CN115630205A (zh) | 一种基于大数据和智慧工厂的部件采购方法 | |
Schmidts et al. | Catalog Integration of Low-quality Product Data by Attribute Label Ranking. | |
CN117852553B (zh) | 基于聊天记录提取元器件交易场景信息的语言处理系统 | |
CN116561134B (zh) | 业务规则处理方法、装置、设备及存储介质 | |
CN116244496B (zh) | 一种基于产业链的资源推荐方法 | |
CN117056458B (zh) | 基于向量空间算法进行前端检索的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |