一种基于注意力机制的供应商评价方法技术

本发明专利技术属于供应商管理技术领域，提供了一种基于注意力机制的供应商评价方法，包括以下步骤：步骤1：确定评价项及权值，获得最大特征根λ

【技术实现步骤摘要】
一种基于注意力机制的供应商评价方法


[0001]本专利技术涉及供应商管理
，具体涉及一种基于注意力机制的供应商评价方法。

技术介绍

[0002]随着经济和电子信息技术的快速发展，供应商的管理对于企业的发展与竞争越发重要，成为了研究的热点。供应商评价是供应商管理的一个基本环节，是指企业在与供应商在建立合作关系之前，采取各种方式对潜在供应商进行考核评估，并在建立合作之后的过程中不断跟踪及反馈的过程。供应商的评价和选择是采购管理和供应管理得以顺利开展的前提条件，亦是企业在全球化形势下保持长期竞争优势的基石。准确、高效的供应商评价算法不仅可以降低企业采购成本、提高产品质量，而且可以整合产业资源，促进整个产业链良性有序成长，因此对供应商评价方法的研究具有巨大的应用价值。
[0003]现有的供应商评价算法主要是使用算采购成本来进行比较分析，通过计算包括售价、采购费用、运输费用等各项支出的总和，选择采购成本较低的供应商。这种方法单纯从采购成本的角度来进行选择，有很大的局限性，往往与企业的战略目标相违背。因此有部分学者引入了数据包络分析法DEA，通过构造多指标的输入输出，增加供应商评价的维度。数据包络分析无法有效地反应决策者对判断准则的偏好.同时，由于未分析准则之间的相关性，导致重复评价。基于此，学者们提出层次分析算法AHP，通过专家确定评价准则，采取综合咨询评分确定权重。然而AHP需要满足迭代目标和约束条件，在要素目标众多、问题规模较大时，难以满足全局的一致性要求。

技术实现思路

[0004]有鉴于此，本专利技术实施例提供了一种基于注意力机制的供应商评价方法，用以解决或部分解决上述问题。
[0005]本专利技术实施例提供的一种基于注意力机制的供应商评价方法，包括以下步骤：
[0006]步骤1：确定评价项及权值，获得最大特征根λ
max
，构造评价结果迭代算子A；
[0007]步骤2：引入正则项和注意力机制，改进迭代目标L，构造神经网络，迭代至满足迭代阈值约束，输出评价结果迭代算子A的权值输出矩阵A
output
；
[0008]步骤3：基于最大特征根λ
max
，构造一致性检验算子，并判断当前权值输出矩阵A
output
是否有效。
[0009]根据本专利技术实施例的一种具体实现方式，所述步骤1包括以下步骤：
[0010]步骤1.1：构建层次评价模型，确定供应商评价决策事件的目标层、准则层和子准则层，针对子准则层的评价项构造判断矩阵A0：
[0011][0012]步骤1.2：基于所述判断矩阵计算各因素a
ij
对目标层的权重W，具体为：
[0013]对于判断矩阵A0，按行元素求积，再球次幂：
[0014][0015]将归一化：
[0016][0017]则指标向量表示为：
[0018]W＝(W1，W2…
W
n
)
T
ꢀꢀ
(4)；
[0019]步骤1.3：基于权重W，计算最大特征根λ
max
：
[0020]AW＝λ
max
W
ꢀꢀ
(5)；
[0021]进而得：
[0022][0023]步骤1.4：构造评价结果迭代算子，具体为：
[0024]定义当前供应商评价决策事件为U
i
，则U
i
从属于决策事件嵌入矩阵U，其中m为历史决策事件的数目，d为数据库存储的决策用户数目，即决策并行数；
[0025]定义评价项矩阵其中n为评价项数，
[0026]构造评价结果迭代算子A：
[0027]A＝UV
T
ꢀꢀꢀꢀ
(7)；
[0028]则迭代优化问题可以定义为：
[0029][0030]其中，||A
‑
UV
T
||
F
表示A与其近似值UV
T
的Frobenius范数。
[0031]根据本专利技术实施例的一种具体实现方式，所述步骤1.1中，A0中元素赋值使用Santy的1
‑
9标度方法，并满足：
[0032][0033]根据本专利技术实施例的一种具体实现方式，所述步骤2具体为：
[0034]步骤2.1：对目标函数L引入l2正则项和gravity隐义矩阵的正则项：
[0035][0036]进一步得：
[0037][0038][0039][0040]式中，L表示目标函数，i是决策事件矩阵索引，j是评价项目矩阵索引，Ω表示判断矩阵A0的子集，λ
r
和λ
g
是两个正则化系数，M为集合Ω中的供应商评价决策事件总数，N为集合Ω中的评价项总数；
[0041]步骤2.2：引入注意力机制，U可以进一步表示为：
[0042][0043]式中，U
i
为第i次决策的评价得分向量，U
p
为第i次之前的历史决策向量；
[0044]步骤2.3：根据步骤2.1和步骤2.2，构造神经网络；
[0045]步骤2.4：连接数据库中的决策事件向量，构造决策事件嵌入矩阵U；
[0046]步骤2.5：根据当前迭代的序号，构造历史决策事件向量U
p
；
[0047]步骤2.6：初始化供应商评价项矩阵V为步骤1.2的W，设定神经网络学习率γ，正则超参数λ
r
和λ
g
，迭代阈值L0，最大迭代次数Maxgen，初始迭代次数k＝1；
[0048]步骤2.7：根据步骤2.2，将U
i
以及U
i
和U
p
的卷积向量作为输入数据，输入全连接层，经过非线性的ReLU激活函数，得到决策事件输入向量：
[0049][0050]步骤2.8：根据步骤2.6得到供应商评价矩阵V，对于迭代次数k，得到供应商评价项输入向量：
[0051]V
input
＝V
k
ꢀꢀ
(15)；
[0052]步骤2.9：将决策事件输入向量和供应商评价项输入向量输入神经网络，得到评价结果迭代算子A的权值输出矩阵：
[0053]A
output
＝Softmax(FCs2(FCs1(U
input
，V
input
))
ꢀꢀ
(16)；
[0054]步骤2.10：根据步骤2.1的公式(10)，计算目标函数值L；
[0055]步骤2.11：迭代次数k＝k+1，若L≥L0且k＜Maxgen，则返回步骤2.7，否则输出当前最优解，进入步骤3.1。
[0056]根据本专利技术实施例的一种具体实现方式，所述步骤3具体为：
[0057]步骤3.1：根据步骤1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于注意力机制的供应商评价方法，其特征在于，包括以下步骤：步骤1：确定评价项及权值，获得最大特征根λ
max
，构造评价结果迭代算子A；步骤2：引入正则项和注意力机制，改进迭代目标L，构造神经网络，迭代至满足迭代阈值约束，输出所述评价结果迭代算子A的权值输出矩阵A
output
；步骤3：基于所述最大特征根λ
max
，构造一致性检验算子，并判断当前权值输出矩阵A
output
是否有效。2.根据权利要求1所述的供应商评价方法，其特征在于，所述步骤1包括以下步骤：步骤1.1：构建层次评价模型，确定供应商评价决策事件的目标层、准则层和子准则层，针对子准则层的评价项构造判断矩阵A0：步骤1.2：基于所述判断矩阵计算各因素a
ij
对目标层的权重W，具体为：对于判断矩阵A0，按行元素求积，再求次幂：将归一化：则指标向量表示为：W＝(W1,W2…
W
n
)
T
ꢀꢀꢀꢀꢀꢀꢀꢀ
(4)；步骤1.3：基于权重W，计算最大特征根λ
max
：AW＝λ
max
W
ꢀꢀꢀꢀꢀꢀ
(5)；进而得：步骤1.4：构造评价结果迭代算子，具体为：定义当前供应商评价决策事件为U
i
，则U
i
从属于决策事件嵌入矩阵U，其中m为历史决策事件的数目，d为数据库存储的决策用户数目，即决策并行数；定义评价项矩阵其中n为评价项数，构造评价结果迭代算子A：A＝UV
T
ꢀꢀꢀꢀꢀꢀꢀ
(7)；则迭代优化问题定义为：其中，||A
‑
UV
T
||
F
表示A与其近似值UV
T
的Frobenius范数。3.根据权利要求2所述的供应商评价方法，其特征在于：所述步骤1.1中，A0中元素赋值使用Santy的1
‑
9标度方法，并满足：
4.根据权利要求2所述的供应商评价方法，其特征在于，所述步骤2具体为：步骤2.1：对目标函数L引入正则项和gravity隐义矩阵的正则项：进一步得：进一步得：进一步得：式中，L表示目标函数，i是决策事件矩阵索引，j是评价项目矩...

【专利技术属性】
技术研发人员：毛恒熙，牟明，于沛，王闯，朱守园，万胜来，郭雨枫，许政，
申请(专利权)人：中航机载系统共性技术有限公司，
类型：发明
国别省市：