CN115953021A - 一种基于机器学习的供应商风险分析方法及装置 - Google Patents

Abstract

本发明实施例提供一种基于机器学习的供应商风险分析方法及装置，所述方法包括：采集供应商的历史订单中的供应链评价数据及供应链资产数据，根据供应链评价数据确定评价关键词出现频率与订单等级间的关联函数，根据供应链资产数据建立与商品类型对应的关联神经网络模型，获取目标供应商的实时订单，根据实时订单的订单等级要求结合关联函数，确定目标供应商是否满足风险要求，根据实时订单的订单供应周期内的第三方关联信息结合神经网络模型得到目标供应商履行实时订单的风险系数。采用本方法能够先对目标供应商的对于订单完成的可能性进行评判，然后对订单进行实时跟踪监控，及时对可能影响订单完成的情况进行监控提醒，方便用户做出应对措施。

Description

一种基于机器学习的供应商风险分析方法及装置

技术领域

本发明涉及风险分析技术领域，尤其涉及一种基于机器学习的供应商风险分析方法及装置。

背景技术

供应链（Supply chain）是指生产及流通过程中，涉及将产品或服务提供给最终用户活动的上游与下游企业所形成的网链结构,即将产品从商家送到消费者手中整个链条。并且随着移动网络不断迭代，供应链已经进入了移动时代。移动供应链，是利用无线网络实现供应链的技术。它将原有供应链系统上的客户关系管理功能迁移到手机。移动供应链系统具有传统供应链系统无法比拟的优越性。移动供应链系统使业务摆脱时间和场所局限，随时随地与公司进行业务平台沟通，有效提高管理效率，推动企业效益增长。

但在供应链的业务场景下，通常都需要业务人员进行供应商的各种资质考核，检测供应商是否满足需求，并且在订单的持续过程中，也要时刻监控是否能按约定完成，是否存在违约风险，上述问题通常是通过人工进行资质审核，以及实时监控的，不仅浪费人力资源，浪费时间的同时，得到的相应效果也不够好。

发明内容

针对现有技术中存在的问题，本发明实施例提供一种基于机器学习的供应商风险分析方法及装置。

本发明实施例提供一种基于机器学习的供应商风险分析方法，包括：

采集供应商的历史订单中的供应链数据，并对供应链数据进行预处理，得到供应链评价数据及供应链资产数据；

对所述供应链评价数据进行分类，获取每种分类结果中的评价关键词、评价关键词的出现频率，及每种分类结果对应的订单等级，并基于所述出现频率、订单等级确定每种分类结果中出现频率与订单等级之间的关联函数；

获取所述历史订单对应的商品类型，结合所述供应链资产数据确定与所述商品类型关联的资产关键词及关键词幅度，并获取所述供应链资产数据对应的资产浮动数据，将所述关键词幅度及资产浮动数据作为输入数据，输入到神经网络模型进行模型训练，得到与所述商品类型对应的关联神经网络模型；

获取目标供应商的实时订单，并基于所述实时订单确定对应的订单等级要求，结合所述关联函数，确定所述订单等级要求对应的每种分类结果中评价关键词的目标出现频率，基于所述目标出现频率判断所述目标供应商是否满足风险要求；

当所述目标供应商满足风险要求时，获取所述实时订单的商品类型及订单供应周期，并根据所述实时订单的商品类型确定对应的关联神经网络模型，并在所述订单供应周期内获取第三方关联信息，实时检测所述第三方信息是否存在与所述商品类型对应的资产关键词；

当所述第三方信息存在资产关键词时，获取所述资产关键词对应的关键词幅度，将所述关键词幅度输入所述关联神经网络模型，得到输出的资产浮动数据，并结合所述目标供应商的资质属性，得到所述目标供应商履行所述实时订单的风险系数。

在其中一个实施例中，所述方法还包括：

根据所述商品类型确定影响商品的自身属性及环境属性，并获取商品的自身属性的变化周期规律及环境属性的影响因子，并结合所述供应链资产数据确定变化周期规律、影响因子与商品类型的关联性；

当所述变化周期规律、影响因子与商品类型的关联性大于预设阈值时，将所述变化周期规律对应的自身属性、影响因子对应的环境属性确定为所述商品类型关联的资产关键词，所述变化周期规律、影响因子确定为所述关键词幅度。

在其中一个实施例中，所述方法还包括：

基于所述订单供应周期，周期性获取所述目标供应商的供应链评价数据，并确定目标供应商的供应链评价数据中评价关键词的周期频率，判断所述周期频率是否达到所述目标出现频率的对应要求。

在其中一个实施例中，所述方法还包括：

根据所述目标供应商的资质属性确定所述目标供应商的资产浮动承受能力，结合所述资产浮动数据，得到所述目标供应商的违约可能性，根据所述违约可能性确定所述目标供应商履行所述实时订单的风险系数。

在其中一个实施例中，所述分类结果，包括：

供应商服务满意度评价、质量检验评价、到货验收评价、交接试验验收、交货是否及时评价。

本发明实施例提供一种基于机器学习的供应商风险分析装置，包括：

采集模块，用于采集供应商的历史订单中的供应链数据，并对供应链数据进行预处理，得到供应链评价数据及供应链资产数据；

分类模块，用于对所述供应链评价数据进行分类，获取每种分类结果中的评价关键词、评价关键词的出现频率，及每种分类结果对应的订单等级，并基于所述出现频率、订单等级确定每种分类结果中出现频率与订单等级之间的关联函数；

训练模块，用于获取所述历史订单对应的商品类型，结合所述供应链资产数据确定与所述商品类型关联的资产关键词及关键词幅度，并获取所述供应链资产数据对应的资产浮动数据，将所述关键词幅度及资产浮动数据作为输入数据，输入到神经网络模型进行模型训练，得到与所述商品类型对应的关联神经网络模型；

获取模块， 用于获取目标供应商的实时订单，并基于所述实时订单确定对应的订单等级要求，结合所述关联函数，确定所述订单等级要求对应的每种分类结果中评价关键词的目标出现频率，基于所述目标出现频率判断所述目标供应商是否满足风险要求；

检测模块，用于当所述目标供应商满足风险要求时，获取所述实时订单的商品类型及订单供应周期，并根据所述实时订单的商品类型确定对应的关联神经网络模型，并在所述订单供应周期内获取第三方关联信息，实时检测所述第三方信息是否存在与所述商品类型对应的资产关键词；

风险预测模块，用于当所述第三方信息存在资产关键词时，获取所述资产关键词对应的关键词幅度，将所述关键词幅度输入所述关联神经网络模型，得到输出的资产浮动数据，并结合所述目标供应商的资质属性，得到所述目标供应商履行所述实时订单的风险系数。

在其中一个实施例中，所述装置还包括：

第二获取模块，用于根据所述商品类型确定影响商品的自身属性及环境属性，并获取商品的自身属性的变化周期规律及环境属性的影响因子，并结合所述供应链资产数据确定变化周期规律、影响因子与商品类型的关联性；

第二训练模块，用于当所述变化周期规律、影响因子与商品类型的关联性大于预设阈值时，将所述变化周期规律对应的自身属性、影响因子对应的环境属性确定为所述商品类型关联的资产关键词，所述变化周期规律、影响因子确定为所述关键词幅度。

在其中一个实施例中，所述装置还包括：

判断模块，用于基于所述订单供应周期，周期性获取所述目标供应商的供应链评价数据，并确定目标供应商的供应链评价数据中评价关键词的周期频率，判断所述周期频率是否达到所述目标出现频率的对应要求。

本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述基于机器学习的供应商风险分析方法的步骤。

本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述基于机器学习的供应商风险分析方法的步骤。

本发明实施例提供的一种基于机器学习的供应商风险分析方法及装置，采集供应商的历史订单中的供应链数据，并对供应链数据进行预处理，得到供应链评价数据及供应链资产数据；对供应链评价数据进行分类，获取每种分类结果中的评价关键词、评价关键词的出现频率，及每种分类结果对应的订单等级，并基于出现频率、订单等级确定每种分类结果中出现频率与订单等级之间的关联函数；获取历史订单对应的商品类型，结合供应链资产数据确定与商品类型关联的资产关键词及关键词幅度，并获取供应链资产数据对应的资产浮动数据，将关键词幅度及资产浮动数据作为输入数据，输入到神经网络模型进行模型训练，得到与商品类型对应的关联神经网络模型；获取目标供应商的实时订单，并基于实时订单确定对应的订单等级要求，结合关联函数，确定订单等级要求对应的每种分类结果中评价关键词的目标出现频率，基于目标出现频率判断目标供应商是否满足风险要求；当目标供应商满足风险要求时，获取实时订单的商品类型及订单供应周期，并根据实时订单的商品类型确定对应的关联神经网络模型，并在订单供应周期内获取第三方关联信息，实时检测第三方信息是否存在与商品类型对应的资产关键词；当第三方信息存在资产关键词时，获取资产关键词对应的关键词幅度，将关键词幅度输入关联神经网络模型，得到输出的资产浮动数据，并结合目标供应商的资质属性，得到目标供应商履行实时订单的风险系数。这样能够先对目标供应商的对于订单完成的可能性进行基本评判，并在判断目标供应商能完成订单的可能性的基础上对订单进行实时跟踪监控，及时对可能影响订单完成的情况进行监控提醒，方便用户做出对应的应对措施。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例中一种基于机器学习的供应商风险分析方法的流程图；

图2为本发明实施例中一种基于机器学习的供应商风险分析装置的结构图；

图3为本发明实施例中电子设备结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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作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。

图1为本发明实施例提供的一种基于机器学习的供应商风险分析方法的流程示意图，如图1所示，本发明实施例提供了一种基于机器学习的供应商风险分析方法，应用于一种包含电极片的头套，且所述头套套在仿体上，包括：

步骤S101，采集供应商的历史订单中的供应链数据，并对供应链数据进行预处理，得到供应链评价数据及供应链资产数据。

具体地，采集各个供应航的历史订单中与订单相关的供应链数据，供应链数据可以是与供应商订单相关的任意数据，比如：订单相关的电子票据、交易往来记录、订单的相关评价数据等等，对数据进行整合、过滤等数据预处理，得到与订单评价相关的供应链评价数据，比如供应商服务满意度评价、质量检验评价、到货验收评价等等，以及与订单的商品金额、商品数量等相关的供应链资产数据，比如历史订单的订单笔数、订单总额、订单商品单价等等。

步骤S102，对所述供应链评价数据进行分类，获取每种分类结果中的评价关键词、评价关键词的出现频率，及每种分类结果对应的订单等级，并基于所述出现频率、订单等级确定每种分类结果中出现频率与订单等级之间的关联函数。

具体地，对供应链评价数据进行分类，即根据供应链评价数据中的评价对象进行分类，分类结果可以比如供应商服务满意度评价、质量检验评价、到货验收评价、交接试验验收、交货是否及时等等，然后获取每种分类结果的评价关键词，其中，评价关键词可以为对应的评级内容，比如好评、差评，也可以为评价星级、评价分数等，然后获取评价关键词的出现评率，以及分类结果对应的订单等级，然后根据出现频率、订单等级确定每种分类结果中出现频率与订单等级之间的关联函数，即确定每种分类结果中评价关键词与出现频率关联关系，比如当评价关键词中交货是否及时的差评率达到10%，则对应的交货及时率等级为低级，差评率达到5%时，对应的交货及时率等级为中级，差评率达到1%时，对应的交货及时率等级为高级等等。

步骤S103，获取所述历史订单对应的商品类型，结合所述供应链资产数据确定与所述商品类型关联的资产关键词及关键词幅度，并获取所述供应链资产数据对应的资产浮动数据，将所述关键词幅度及资产浮动数据作为输入数据，输入到神经网络模型进行模型训练，得到与所述商品类型对应的关联神经网络模型。

具体地，获取历史订单对应的商品类型，然后结合供应链资产数据确定与商品类型关联的资产关键词，比如当商品类型为蔬菜时，天气、温度、降雨量等自然环境因素，以及蝗灾、蔬菜相关政策等非自然环境因素，这些会影响供应链资产数据的资产关键词，并获取资产关键词的关键词幅度，比如降水量导致的水涝程度、温度导致的干旱程度等等，并获取在历史订单中供应链资产数据在关键词幅度影响下的对应的资产浮动数据，然后将关键词幅度及资产浮动数据作为输入数据，输入到神经网络模型的输入层进行模型训练，得到与商品类型对应的与关键词幅度及资产浮动数据关联的神经网络模型 。

另外，还可以根据商品类型确定影响商品的自身属性及环境属性，比如商品自身的价值本身是随着时间变化而发生改变的，为商品的自身属性，而商品也会随着空间环境的变化而发生改变，即为商品的环境属性，然后获取商品的自身属性的变化周期规律，及会导致商品自身价值发生变化的环境属性的影响因子，并结合供应链资产数据确定变化周期规律、影响因子与商品类型的关联性，比如供应链资产数据中数据的时间变化规律以及环境影响因子，然后在确定变化周期规律、影响因子与商品类型的关联性大于预设阈值时，将变化周期规律对应的自身属性、影响因子对应的环境属性确定为商品类型关联的资产关键词，变化周期规律、影响因子确定为关键词幅度。

步骤S104，获取目标供应商的实时订单，并基于所述实时订单确定对应的订单等级要求，结合所述关联函数，确定所述订单等级要求对应的每种分类结果中评价关键词的目标出现频率，基于所述目标出现频率判断所述目标供应商是否满足风险要求。

具体地，获取订单供应对象的目标供应商以及目标供应商需要检测的实时订单，基于实时订单的客户要求、订单数额、订单保密性等属性确定实时订单对应的订单等级要求，结合评价关键词出现频率与订单等级之间的关联函数，确定与每种分类结果中与订单等级要求对应的评价关键词的目标出现频率，即在每种分类结果中，好评或差评率是否达到评价关键词的目标出现频率，然后可以基于目标出现频率判断目标供应商是否满足风险要求，即目标供应商本身的关于订单的各类型评价是否达到风险要求，比如可以基于订单供应周期，周期性获取目标供应商的供应链评价数据，比如获取目标供应商一个月内的评价关键词，然后确定目标供应商的供应链评价数据中评价关键词的周期频率，即一个月内的好评频率或差评频率，然后判断周期内的好评频率或差评频率是否达到目标出现频率的对应要求。

步骤S105，当所述目标供应商满足风险要求时，获取所述实时订单的商品类型及订单供应周期，并根据所述实时订单的商品类型确定对应的关联神经网络模型，并在所述订单供应周期内获取第三方关联信息，实时检测所述第三方信息是否存在与所述商品类型对应的资产关键词。

具体地，当目标供应商满足客户对于订单的各类型评价的风险要求时，则进一步的检测目标供应商是否能够履行实时订单，则获取实时订单的商品类型及以及订单履行的订单供应周期，根据实时订单的商品类型确定与商品类型对应的与关键词幅度及资产浮动数据关联的神经网络模型，并单供应周期内获取第三方关联信息，比如在互联网大数据、商品类型的相关商品价值波动大数据等等会对商品价值影响的关联信息，比如当商品类型为蔬菜时，天气、温度、降雨量等自然环境因素，以及蝗灾、蔬菜相关政策等非自然环境因素，这些会影响商品价值的资产关键词。

步骤S106，当所述第三方信息存在资产关键词时，获取所述资产关键词对应的关键词幅度，将所述关键词幅度输入所述关联神经网络模型，得到输出的资产浮动数据，并结合所述目标供应商的资质属性，得到所述目标供应商履行所述实时订单的风险系数。

当第三方信息存在资产关键词时，获取资产关键词对应的关键词幅度，并将关键词幅度输入对应的关联神经网络模型，得到输出的与关键词幅度对应的资产浮动数据，然后结合目标供应商的资质属性，得到目标供应商履行实时订单的风险系数，即目标供应商履行实时订单的可能性，比如根据目标供应商的资质属性确定目标供应商的资产浮动承受能力，结合资产浮动数据，得到目标供应商的违约可能性，根据违约可能性确定目标供应商履行实时订单的风险系数。

本发明实施例提供的一种基于机器学习的供应商风险分析方法，采集供应商的历史订单中的供应链数据，并对供应链数据进行预处理，得到供应链评价数据及供应链资产数据；对供应链评价数据进行分类，获取每种分类结果中的评价关键词、评价关键词的出现频率，及每种分类结果对应的订单等级，并基于出现频率、订单等级确定每种分类结果中出现频率与订单等级之间的关联函数；获取历史订单对应的商品类型，结合供应链资产数据确定与商品类型关联的资产关键词及关键词幅度，并获取供应链资产数据对应的资产浮动数据，将关键词幅度及资产浮动数据作为输入数据，输入到神经网络模型进行模型训练，得到与商品类型对应的关联神经网络模型；获取目标供应商的实时订单，并基于实时订单确定对应的订单等级要求，结合关联函数，确定订单等级要求对应的每种分类结果中评价关键词的目标出现频率，基于目标出现频率判断目标供应商是否满足风险要求；当目标供应商满足风险要求时，获取实时订单的商品类型及订单供应周期，并根据实时订单的商品类型确定对应的关联神经网络模型，并在订单供应周期内获取第三方关联信息，实时检测第三方信息是否存在与商品类型对应的资产关键词；当第三方信息存在资产关键词时，获取资产关键词对应的关键词幅度，将关键词幅度输入关联神经网络模型，得到输出的资产浮动数据，并结合目标供应商的资质属性，得到目标供应商履行实时订单的风险系数。这样能够先对目标供应商的对于订单完成的可能性进行基本评判，并在判断目标供应商能完成订单的可能性的基础上对订单进行实时跟踪监控，及时对可能影响订单完成的情况进行监控提醒，方便用户做出对应的应对措施。

图2为本发明实施例提供的一种基于机器学习的供应商风险分析装置，包括：采集模块S201、分类模块S202、训练模块S203、获取模块S204、检测模块S205、风险预测模块S206，其中：

采集模块S201，用于采集供应商的历史订单中的供应链数据，并对供应链数据进行预处理，得到供应链评价数据及供应链资产数据。

分类模块S202，用于对所述供应链评价数据进行分类，获取每种分类结果中的评价关键词、评价关键词的出现频率，及每种分类结果对应的订单等级，并基于所述出现频率、订单等级确定每种分类结果中出现频率与订单等级之间的关联函数。

训练模块S203，用于获取所述历史订单对应的商品类型，结合所述供应链资产数据确定与所述商品类型关联的资产关键词及关键词幅度，并获取所述供应链资产数据对应的资产浮动数据，将所述关键词幅度及资产浮动数据作为输入数据，输入到神经网络模型进行模型训练，得到与所述商品类型对应的关联神经网络模型。

获取模块S204， 用于获取目标供应商的实时订单，并基于所述实时订单确定对应的订单等级要求，结合所述关联函数，确定所述订单等级要求对应的每种分类结果中评价关键词的目标出现频率，基于所述目标出现频率判断所述目标供应商是否满足风险要求。

检测模块S205，用于当所述目标供应商满足风险要求时，获取所述实时订单的商品类型及订单供应周期，并根据所述实时订单的商品类型确定对应的关联神经网络模型，并在所述订单供应周期内获取第三方关联信息，实时检测所述第三方信息是否存在与所述商品类型对应的资产关键词。

风险预测模块S206，用于当所述第三方信息存在资产关键词时，获取所述资产关键词对应的关键词幅度，将所述关键词幅度输入所述关联神经网络模型，得到输出的资产浮动数据，并结合所述目标供应商的资质属性，得到所述目标供应商履行所述实时订单的风险系数。

在一个实施例中，装置还可以包括：

第二获取模块，用于根据所述商品类型确定影响商品的自身属性及环境属性，并获取商品的自身属性的变化周期规律及环境属性的影响因子，并结合所述供应链资产数据确定变化周期规律、影响因子与商品类型的关联性。

第二训练模块，用于当所述变化周期规律、影响因子与商品类型的关联性大于预设阈值时，将所述变化周期规律对应的自身属性、影响因子对应的环境属性确定为所述商品类型关联的资产关键词，所述变化周期规律、影响因子确定为所述关键词幅度。

在一个实施例中，装置还可以包括：

判断模块，用于基于所述订单供应周期，周期性获取所述目标供应商的供应链评价数据，并确定目标供应商的供应链评价数据中评价关键词的周期频率，判断所述周期频率是否达到所述目标出现频率的对应要求。

关于基于机器学习的供应商风险分析装置的具体限定可以参见上文中对于基于机器学习的供应商风险分析方法的限定，在此不再赘述。上述基于机器学习的供应商风险分析装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)301、存储器(memory)302、通信接口(Communications Interface)303和通信总线304，其中，处理器301，存储器302，通信接口303通过通信总线304完成相互间的通信。处理器301可以调用存储器302中的逻辑指令，以执行如下方法：采集供应商的历史订单中的供应链数据，并对供应链数据进行预处理，得到供应链评价数据及供应链资产数据；对供应链评价数据进行分类，获取每种分类结果中的评价关键词、评价关键词的出现频率，及每种分类结果对应的订单等级，并基于出现频率、订单等级确定每种分类结果中出现频率与订单等级之间的关联函数；获取历史订单对应的商品类型，结合供应链资产数据确定与商品类型关联的资产关键词及关键词幅度，并获取供应链资产数据对应的资产浮动数据，将关键词幅度及资产浮动数据作为输入数据，输入到神经网络模型进行模型训练，得到与商品类型对应的关联神经网络模型；获取目标供应商的实时订单，并基于实时订单确定对应的订单等级要求，结合关联函数，确定订单等级要求对应的每种分类结果中评价关键词的目标出现频率，基于目标出现频率判断目标供应商是否满足风险要求；当目标供应商满足风险要求时，获取实时订单的商品类型及订单供应周期，并根据实时订单的商品类型确定对应的关联神经网络模型，并在订单供应周期内获取第三方关联信息，实时检测第三方信息是否存在与商品类型对应的资产关键词；当第三方信息存在资产关键词时，获取资产关键词对应的关键词幅度，将关键词幅度输入关联神经网络模型，得到输出的资产浮动数据，并结合目标供应商的资质属性，得到目标供应商履行实时订单的风险系数。

此外，上述的存储器302中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法，例如包括：采集供应商的历史订单中的供应链数据，并对供应链数据进行预处理，得到供应链评价数据及供应链资产数据；对供应链评价数据进行分类，获取每种分类结果中的评价关键词、评价关键词的出现频率，及每种分类结果对应的订单等级，并基于出现频率、订单等级确定每种分类结果中出现频率与订单等级之间的关联函数；获取历史订单对应的商品类型，结合供应链资产数据确定与商品类型关联的资产关键词及关键词幅度，并获取供应链资产数据对应的资产浮动数据，将关键词幅度及资产浮动数据作为输入数据，输入到神经网络模型进行模型训练，得到与商品类型对应的关联神经网络模型；获取目标供应商的实时订单，并基于实时订单确定对应的订单等级要求，结合关联函数，确定订单等级要求对应的每种分类结果中评价关键词的目标出现频率，基于目标出现频率判断目标供应商是否满足风险要求；当目标供应商满足风险要求时，获取实时订单的商品类型及订单供应周期，并根据实时订单的商品类型确定对应的关联神经网络模型，并在订单供应周期内获取第三方关联信息，实时检测第三方信息是否存在与商品类型对应的资产关键词；当第三方信息存在资产关键词时，获取资产关键词对应的关键词幅度，将关键词幅度输入关联神经网络模型，得到输出的资产浮动数据，并结合目标供应商的资质属性，得到目标供应商履行实时订单的风险系数。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于机器学习的供应商风险分析方法，其特征在于，包括：

采集供应商的历史订单中的供应链数据，并对供应链数据进行预处理，得到供应链评价数据及供应链资产数据；

对所述供应链评价数据进行分类，获取每种分类结果中的评价关键词、评价关键词的出现频率，及每种分类结果对应的订单等级，并基于所述出现频率、订单等级确定每种分类结果中出现频率与订单等级之间的关联函数；

获取所述历史订单对应的商品类型，结合所述供应链资产数据确定与所述商品类型关联的资产关键词及关键词幅度，并获取所述供应链资产数据对应的资产浮动数据，将所述关键词幅度及资产浮动数据作为输入数据，输入到神经网络模型进行模型训练，得到与所述商品类型对应的关联神经网络模型；

获取目标供应商的实时订单，并基于所述实时订单确定对应的订单等级要求，结合所述关联函数，确定所述订单等级要求对应的每种分类结果中评价关键词的目标出现频率，基于所述目标出现频率判断所述目标供应商是否满足风险要求；

当所述目标供应商满足风险要求时，获取所述实时订单的商品类型及订单供应周期，并根据所述实时订单的商品类型确定对应的关联神经网络模型，并在所述订单供应周期内获取第三方关联信息，实时检测所述第三方信息是否存在与所述商品类型对应的资产关键词；

当所述第三方信息存在资产关键词时，获取所述资产关键词对应的关键词幅度，将所述关键词幅度输入所述关联神经网络模型，得到输出的资产浮动数据，并结合所述目标供应商的资质属性，得到所述目标供应商履行所述实时订单的风险系数。

2.根据权利要求1所述的基于机器学习的供应商风险分析方法，其特征在于，所述获取所述历史订单对应的商品类型，结合所述供应链资产数据确定与所述商品类型关联的资产关键词及关键词幅度，包括：

根据所述商品类型确定影响商品的自身属性及环境属性，并获取商品的自身属性的变化周期规律及环境属性的影响因子，并结合所述供应链资产数据确定变化周期规律、影响因子与商品类型的关联性；

当所述变化周期规律、影响因子与商品类型的关联性大于预设阈值时，将所述变化周期规律对应的自身属性、影响因子对应的环境属性确定为所述商品类型关联的资产关键词，所述变化周期规律、影响因子确定为所述关键词幅度。

3.根据权利要求1所述的基于机器学习的供应商风险分析方法，其特征在于，所述基于所述目标出现频率判断所述目标供应商是否满足风险要求，包括：

基于所述订单供应周期，周期性获取所述目标供应商的供应链评价数据，并确定目标供应商的供应链评价数据中评价关键词的周期频率，判断所述周期频率是否达到所述目标出现频率的对应要求。

4.根据权利要求1所述的基于机器学习的供应商风险分析方法，其特征在于，所述结合所述目标供应商的资质属性，得到所述目标供应商履行所述实时订单的风险系数，包括：

根据所述目标供应商的资质属性确定所述目标供应商的资产浮动承受能力，结合所述资产浮动数据，得到所述目标供应商的违约可能性，根据所述违约可能性确定所述目标供应商履行所述实时订单的风险系数。

5.根据权利要求1所述的基于机器学习的供应商风险分析方法，其特征在于，所述分类结果，包括：

供应商服务满意度评价、质量检验评价、到货验收评价、交接试验验收、交货是否及时评价。

6.一种基于机器学习的供应商风险分析装置，其特征在于，所述装置包括：

采集模块，用于采集供应商的历史订单中的供应链数据，并对供应链数据进行预处理，得到供应链评价数据及供应链资产数据；

分类模块，用于对所述供应链评价数据进行分类，获取每种分类结果中的评价关键词、评价关键词的出现频率，及每种分类结果对应的订单等级，并基于所述出现频率、订单等级确定每种分类结果中出现频率与订单等级之间的关联函数；

训练模块，用于获取所述历史订单对应的商品类型，结合所述供应链资产数据确定与所述商品类型关联的资产关键词及关键词幅度，并获取所述供应链资产数据对应的资产浮动数据，将所述关键词幅度及资产浮动数据作为输入数据，输入到神经网络模型进行模型训练，得到与所述商品类型对应的关联神经网络模型；

获取模块， 用于获取目标供应商的实时订单，并基于所述实时订单确定对应的订单等级要求，结合所述关联函数，确定所述订单等级要求对应的每种分类结果中评价关键词的目标出现频率，基于所述目标出现频率判断所述目标供应商是否满足风险要求；

检测模块，用于当所述目标供应商满足风险要求时，获取所述实时订单的商品类型及订单供应周期，并根据所述实时订单的商品类型确定对应的关联神经网络模型，并在所述订单供应周期内获取第三方关联信息，实时检测所述第三方信息是否存在与所述商品类型对应的资产关键词；

风险预测模块，用于当所述第三方信息存在资产关键词时，获取所述资产关键词对应的关键词幅度，将所述关键词幅度输入所述关联神经网络模型，得到输出的资产浮动数据，并结合所述目标供应商的资质属性，得到所述目标供应商履行所述实时订单的风险系数。

7.根据权利要求6中所述的基于机器学习的供应商风险分析装置，其特征在于，所述装置还包括：

第二获取模块，用于根据所述商品类型确定影响商品的自身属性及环境属性，并获取商品的自身属性的变化周期规律及环境属性的影响因子，并结合所述供应链资产数据确定变化周期规律、影响因子与商品类型的关联性；

第二训练模块，用于当所述变化周期规律、影响因子与商品类型的关联性大于预设阈值时，将所述变化周期规律对应的自身属性、影响因子对应的环境属性确定为所述商品类型关联的资产关键词，所述变化周期规律、影响因子确定为所述关键词幅度。

8.根据权利要求6中所述的基于机器学习的供应商风险分析装置，其特征在于，所述装置还包括：

判断模块，用于基于所述订单供应周期，周期性获取所述目标供应商的供应链评价数据，并确定目标供应商的供应链评价数据中评价关键词的周期频率，判断所述周期频率是否达到所述目标出现频率的对应要求。

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述基于机器学习的供应商风险分析方法的步骤。

10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至5任一项所述基于机器学习的供应商风险分析方法的步骤。

Images