供应商智能推荐方法及系统技术方案

本发明专利技术提供了一种供应商智能推荐方法及系统，包括：步骤S1：获取数据，对数据进行数据分析和清洗；步骤S2：建立供应商特征工程、询单特征工程及询单行物料特征工程；步骤S3：根据供应商特征工程、供应商画像、以及询单和物料维度特征工程进行供应商召回；步骤S4：对召回的供应商集进行排序，根据排序后的供应商筛选作为推荐的结果。本发明专利技术基于真实历史数据而来，解决了人工推荐工程中千人千面、供应商与业务人员绑定、新供应商得不到推荐机会的问题；本发明专利技术帮助业务人员找到更多的、优质的供应商；本发明专利技术为业务人员选择供应商提供更多的参考，从而给公司带来更多的营收。从而给公司带来更多的营收。从而给公司带来更多的营收。

【技术实现步骤摘要】
供应商智能推荐方法及系统


[0001]本专利技术涉及信息处理
，具体地，涉及一种供应商智能推荐方法及系统。

技术介绍

[0002]供应商推荐是采购业务中必不可少的一个环节，推荐供应商的好坏不管对采购方还是供应方都会产生巨大的利益价值。现阶段供应商推荐采取的方式多以业务专家根据其经验进行推荐，且推荐的供应商必是业务专家觉得好的甚至是有利益往来的。因此对于某一领域的商品物料而言，这个业务专家只可能推荐固定的几家，这样使得更优质的其他供应商没有了合作的机会；并且如果换了另外一个业务专家，又会是另外的结果，导致了千人千面。
[0003]专利文献CN112581189A(申请号：CN202011594892.4)公开了一种供应商智能推荐系统及方法，其包括以下步骤：S1、获取用户基础信息及用户对于供应商的条件需求；S2、获取供应商信息并存储在供应商数据库；S3、根据用户对于供应商的条件需求，通过与供应商数据库的供应商信息相匹配，计算不同供应商的匹配相似度，获取对应的相似度评分并进行排列；S4、根据用户基础信息，通过相似性比较得到近邻用户及其反馈信息，并进行协同过滤算法，筛选得到感兴趣供应商；S5、结合不同供应商的相似度评分及感兴趣供应商进行评分并排列，得到最终推荐供应商。但该专利技术没有解决人工推荐工程中千人千面、供应商与业务人员绑定、新供应商得不到推荐机会的问题。

技术实现思路

[0004]针对现有技术中的缺陷，本专利技术的目的是提供一种供应商智能推荐方法及系统。
[0005]根据本专利技术提供的一种供应商智能推荐方法，包括：
[0006]步骤S1：获取数据，对数据进行数据分析和清洗；
[0007]步骤S2：建立供应商特征工程、询单特征工程及询单行物料特征工程；
[0008]步骤S3：根据供应商特征工程、询单行物料特征工程以及获取的供应商画像进行供应商召回；
[0009]步骤S4：对召回的供应商进行排序，根据排序后的供应商筛选作为推荐的结果。
[0010]优选地，在所述步骤S1中：
[0011]获取数据包括：实际业务产生的询单、订单、合同、物料及供应商或采购方自身的画像数据以及利用爬虫技术手段从外部进行获取的数据；
[0012]步骤S1.1：对获取到的数据进行数据分析，包括对供应商的画像数据的缺失度分析、供应商地域分布的分析；
[0013]步骤S1.2：对指标的缺失数据进行填充；对缺失度高的维度进行剔除；对离群点的剔除；对文本数据进行去停用词、分词；
[0014]步骤S1.3：对分词后的文本数据采用RoBERTa
‑
wwm
‑
ext算法生成Embedding向量。
[0015]优选地，在所述步骤S2中：
[0016]步骤S2.1：针对供应商特征工程，通过数据分析，并结合供应商画像，选定维度作为评价供应商的特征维度，选定的维度包括供应商报价响应率、中标率、不良事项次数、订单额度和订单个数；
[0017]步骤S2.2：针对询单行物料特征工程，根据生成的Embedding向量，考虑物料的周期属性、关联供应商和对应叶类的采购热度进行建立特征维度；
[0018]步骤S2.3：针对询单特征工程，考虑采购方条件，包括询单的收货地址和询单的紧急程度。
[0019]优选地，在所述步骤S3中：
[0020]步骤S3.1：对于询单行物料，基于供应商特征工程生成的特征维度，进行第一步召回：历史上购买过该物料的供应商；
[0021]步骤S3.2：对于与该物料相似程度符合预设标准的物料和其所属的业类，进行供应商的第二部分召回。
[0022]优选地，在所述步骤S4中：
[0023]步骤S4.1：基于召回的供应商及其对应的特征工程，计算供应商的综合评价指数，计算方法采用基于熵权的TOPSIS模型：
[0024]基于具体的企业基本信息，对于影响企业综合评价的指标进行分数的量化；
[0025]输入企业的各指标得分矩阵X；对X按列进行指标正向化处理与归一化操作；
[0026]运用公式计算各指标的信息熵，进而计算各供应商指标的权重E
j
：
[0027][0028]其中，1≤i≤M,1≤j≤N，M为供应商的个数，N为特征维度的个数，p
ij
为第i个供应商第j个特征维度的值；
[0029]单独求出供应商各指标的最优解与最劣解，并通过信息熵计算的权重计算各供应商的单项指标与最优解之间的距离、计算各供应商的单项指标与最劣解之间的距离；
[0030]对于第j个特征维度，记最优解R
+j
为每个指标的最大值，最劣解R
‑
j
为每个指标的最小值，即：
[0031]R
+j
＝max(r
1j
,...,r
Mj
)
[0032]R
‑
j
＝min(r
1j
,...,r
Mj
)
[0033]其中，r
ij
为p
ij
经过归一化计算得来；计算各供应商各指标与最优解与最劣解间的距离，公式为：
[0034][0035]其中，w
j
为第j个特征维度所含信息量的多少，具体的计算公式如下：
[0036][0037]输出供应商与理想状况下最优供应商之间的接近程度即为该供应商的综合得分：
[0038]利用计算各供应商与正理想解的接近程度为得分，越接近1，则总体
评价越好；
[0039]步骤S4.2：通过预先处理好的各地域之间的距离向量，得到采购商的收货地域与供应商发货地域之间的距离度量；
[0040]步骤S4.3：通过计算供应商可供物料与采购方发起的询单行物料之间的相似度，得到与目标物料相似的其他物料，相似度计算方法采用余弦相似度：
[0041][0042]其中，similarity(A,B)表示余弦相似度；A表示目标用户的行为向量；B表示除目标用户的行为向量；A
·
B表示向量A和向量B的内积；||A||表示向量A的模；||B||表示向量B的模；n表示向量的分量数；i表示向量的第i个分量；Ai表示向量A的第i个分量；Bi表示向量B的第i个分量；
[0043]步骤S4.4：得到经过排序后的供应商集合，选取前预设个作为结果。
[0044]根据本专利技术提供的一种供应商智能推荐系统，包括：
[0045]模块M1：获取数据，对数据进行数据分析和清洗；
[0046]模块M2：建立供应商特征工程、询单特征工程及询单行物料特征工程；
[0047]模块M3：根据供应商特征工程、询单行物料特征工程以及获取的供应商画像进行供应商召回；
[0048]模块M4：对召回的供应商进行排序，根据排序后的供应商筛选作为推荐的结果。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种供应商智能推荐方法，其特征在于，包括：步骤S1：获取数据，对数据进行数据分析和清洗；步骤S2：建立供应商特征工程、询单特征工程及询单行物料特征工程；步骤S3：根据供应商特征工程、询单行物料特征工程以及获取的供应商画像进行供应商召回；步骤S4：对召回的供应商进行排序，根据排序后的供应商筛选作为推荐的结果。2.根据权利要求1所述的供应商智能推荐方法，其特征在于，在所述步骤S1中：获取数据包括：实际业务产生的询单、订单、合同、物料及供应商或采购方自身的画像数据以及利用爬虫技术手段从外部进行获取的数据；步骤S1.1：对获取到的数据进行数据分析，包括对供应商的画像数据的缺失度分析、供应商地域分布的分析；步骤S1.2：对指标的缺失数据进行填充；对缺失度高的维度进行剔除；对离群点的剔除；对文本数据进行去停用词、分词；步骤S1.3：对分词后的文本数据采用RoBERTa
‑
wwm
‑
ext算法生成Embedding向量。3.根据权利要求1所述的供应商智能推荐方法，其特征在于，在所述步骤S2中：步骤S2.1：针对供应商特征工程，通过数据分析，并结合供应商画像，选定维度作为评价供应商的特征维度，选定的维度包括供应商报价响应率、中标率、不良事项次数、订单额度和订单个数；步骤S2.2：针对询单行物料特征工程，根据生成的Embedding向量，考虑物料的周期属性、关联供应商和对应叶类的采购热度进行建立特征维度；步骤S2.3：针对询单特征工程，考虑采购方条件，包括询单的收货地址和询单的紧急程度。4.根据权利要求1所述的供应商智能推荐方法，其特征在于，在所述步骤S3中：步骤S3.1：对于询单行物料，基于供应商特征工程生成的特征维度，进行第一步召回：历史上购买过该物料的供应商；步骤S3.2：对于与该物料相似程度符合预设标准的物料和其所属的业类，进行供应商的第二部分召回。5.根据权利要求1所述的供应商智能推荐方法，其特征在于，在所述步骤S4中：步骤S4.1：基于召回的供应商及其对应的特征工程，计算供应商的综合评价指数，计算方法采用基于熵权的TOPSIS模型：基于具体的企业基本信息，对于影响企业综合评价的指标进行分数的量化；输入企业的各指标得分矩阵X；对X按列进行指标正向化处理与归一化操作；运用公式计算各指标的信息熵，进而计算各供应商指标的权重E
j
：其中，1≤i≤M,1≤j≤N，M为供应商的个数，N为特征维度的个数，p
ij
为第i个供应商第j个特征维度的值；单独求出供应商各指标的最优解与最劣解，并通过信息熵计算的权重计算各供应商的单项指标与最优解之间的距离、计算各供应商的单项指标与最劣解之间的距离；
对于第j个特征维度，记最优解R
+j
为每个指标的最大值，最劣解R
‑
j
为每个指标的最小值，即：R
+j
＝max(r
1j
,...,r
Mj
)R
‑
j
＝min(r
1j
,...,r
Mj
)其中，r
ij
为p
ij
经过归一化计算得来；计算各供应商各指标与最优解与最劣解间的距离，公式为：其中，w
j
为第j个特征维度所含信息量的多少，具体的计算公式如下：输出供应商与理想状况下最优供应商之间的接近程度即为该供应商的综合得分：利用计算各供应商与正理想解的接近程度为得分，越接近1，则总体评价越好；步骤S4.2：通过预先处理好的各地域之间的距离向量，得到采购商的收货地域与供应商发货地域之间的距离度量；步骤S4.3：通过计算供应商可供物料与采购方发起的询单行物料之间的相似度，得到与目标物料相似的其他物料，相似度计算方法采用余弦相似度：其中，similarity(A,B)表示余弦相似度；A表示目标用户的行为向量；B表示除目标用户的行为向量；A
·
B表示向量A和向量B的内积；||A||表示向量A的模；||B||表示向量B的模；n表示向量的分量数；i表示向量的第i个分量；Ai表示向量A的第i个分量；Bi表示向量B的第i个分量；步骤S4.4：得到经过排序后的供应商集合，选取前预设个作为结果。6.一种供应商...

【专利技术属性】
技术研发人员：戴智鑫，朱俊，沈达峰，夏竟翔，姚泽坤，闫晨光，李燕北，孙志强，
申请(专利权)人：欧冶工业品股份有限公司，
类型：发明
国别省市：