买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜欧冶工业品股份有限公司申请的专利基于供应链网络需求与偏好挖掘的供应商推荐系统及方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116188115B 。

龙图腾网通过国家知识产权局官网在2025-03-07发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310219445.8，技术领域涉及：G06Q30/0601；该发明授权基于供应链网络需求与偏好挖掘的供应商推荐系统及方法是由肖成祥;朱俊;夏竟翔;李燕北;姚泽坤;沈达峰设计研发完成，并于2023-03-07向国家知识产权局提交的专利申请。

本基于供应链网络需求与偏好挖掘的供应商推荐系统及方法在说明书摘要公布了：本发明提供了一种基于供应链网络需求与偏好挖掘的供应商推荐方法及系统，包括：步骤S1：采用二分图网络结构描述采购商与供应商之间的供应链业务关系；步骤S2：从供应链询价单和报价单两类文本信息中挖掘采购商的商品需求和供应商偏好；步骤S3：将用于描述采购商与供应商之间的供应链业务关系的二分图网络结构利用二分图协同过滤算法召回候选推荐供应商，再基于采购商的商品需求和供应商偏好进行精准过滤，筛选出推荐供应商。

本发明授权基于供应链网络需求与偏好挖掘的供应商推荐系统及方法在权利要求书中公布了：1.一种基于供应链网络需求与偏好挖掘的供应商推荐方法，其特征在于，包括：步骤S1：采用二分图网络结构描述采购商与供应商之间的供应链业务关系；步骤S2：从供应链询价单和报价单两类文本信息中挖掘采购商的商品需求和供应商偏好；步骤S3：将用于描述采购商与供应商之间的供应链业务关系的二分图网络结构利用二分图协同过滤算法召回候选推荐供应商，再基于采购商的商品需求和供应商偏好进行精准过滤，筛选出推荐供应商；所述二分图网络结构由两类节点群体及两类节点间的连接组成；所述二分图网络结构包括：采购商节点集和供应商节点集，当采购商节点与供应商节点存在供应链业务交互关系时建立边连接，因此，拥有共同连接节点的采购商节点或供应商节点之间也就间接具备了连通性；二分图网络中采购商域与供应商域间的连接状况反映了二者间建立连接的倾向性，可视作采购商节点在供应商节点上映射的倾向；所述二分图网络结构表示为G=U,I,E，其中，U表示采购商节点集，I表示供应商节点集，E表示边集；假设采购商节点数|U|=m，供应商节点数|I|=n，则二分图网络节点总数为r=m+n；若采购商u_p与供应商i_q有订单关联，则Gp,q的值为关联的订单数；否则，Gp,q=0；所述步骤S2采用：步骤S2.1：将询价单转化为采购商询价文本嵌入向量，将报价单转化为供应商报价文本嵌入向量，通过向量相似度计算得到最接近采购商需求的供应商品；步骤S2.2：使用ALBERT模型对询价单中的技术条款文本信息进行语义编码得到语义向量，再将语义向量作为特征输入到TextCNN多标签分类模型，使用TextCNN多标签分类模型预测采购商对供应商公司资质偏好的概率分布，最终实现智能挖掘不同采购商的供应商偏好；所述步骤S2.1采用：选用TF-IDF统计法加权的Word2Vec词嵌入技术训练供应链领域的词嵌入模型；词嵌入模型训练样本来源于公司平台历史询价单数据中的包括物料名称、物料品类、物料品牌、技术属性和技术条款字段；首先基于长期积累的工业品领域词库，使用jieba分词工具对训练样本中的文本进行分词；分词后一方面使用TF-IDF统计法计算各词的重要性，经过归一化操作后得到词-文本权重矩阵，另一方面使用Word2vec词嵌入模型对分词后的分词序列进行训练，得到供应链领域词嵌入模型；最后结合词权重矩阵和词嵌入模型，可将供应链文本转换成向量；通过向量之间的相似度计算得到文本之间的语义匹配程度；更为具体地，所述步骤S2.1采用：步骤S2.1.1：对询价单进行预处理，并对预处理后的询价单进行分词得到分词序列；步骤S2.1.2：统计各分词的TF-IDF分值，经过归一化操作后得到词-文本权重矩阵；步骤S2.1.3：利用训练后的Word2vec词嵌入模型对分词序列进行编码得到词嵌入；步骤S2.1.4：基于词嵌入和词-文本权重矩阵进行加权求和得到采购商询价文本嵌入向量；假设是由文本和单词所构成的权重矩阵，对于某个文本其权重矩阵为，其中第个单词的词嵌入为，为文本中包含的单词总数，定义文本的语义信息量，既语义嵌入向量为： 步骤S2.2采用：选用由ALBERT语义编码和TextCNN多标签分类所组成的端到端的训练方式，从询价单技术条款信息中学习到采购商对合作供应商的资质需求，从而实现采购商的供应商选择偏好预测；在训练样本方面，采用“技术条款文本-公司资质标签”的监督学习训练样本格式；整个模型的前向过程可表述为：首先使用ALBERT模型对技术条款文本信息进行语义编码得到语义向量，再将语义向量作为特征输入到TextCNN模型，使用TextCNN多标签分类模型预测采购商对供应商公司资质偏好的概率分布，最终实现智能挖掘不同采购商的供应商偏好；所述步骤S3采用：二分图协同过滤是利用图结构数据的一种推荐算法，利用建立的采购商-供应商之间的供应链二分图网络进行推荐；二分图协同过滤包含两个关键特性：传播和衰减；其使用二分图来传播用户偏好，并使用参数α来衡量网络的衰减水平；假设采购商的潜在偏好矩阵为IR_m×n，D_m×n代表采购商历史偏好矩阵，其中m、n分别代表采购商和供应商总数，IRi,j代表采购商i对供应商j的潜在偏好值，Di,j代表历史偏好观测值，IR和D每行值之和为1；假设矩阵M_m×m为采购商相关矩阵，Mi,j代表采购商i、j选择相同供应商的数目；二分图协同过滤算法的核心假设是用户i的潜在偏好等于它的历史偏好与根据它的邻居得到的潜在偏好传播值的加权平均，即公式： 其中，αM·IR度量了由网络传播性带来的潜在偏好，1-αD代表观测到的历史偏好，该公式通过迭代求解；步骤S3.1：假设采购商全集P，供应商全集为S，要召回的供应商数k，利用二分图协同过滤算法筛选出与目标采购商历史采购特征最为相似的k个供应商作为待推荐的候选供应商集合S_1；步骤S3.2：对集合S_1中的供应商筛选出历史报价单文本与目标采购商p询价单文本相似度满足预设要求的供应商子集S_2；步骤S3.3：对集合S_2中的供应商筛选其中资质标签符合采购商对于合作供应商资质偏好的供应商子集S_3；步骤S3.4：将集合S_3作为对于采购商p的个性化供应商推荐的最终结果集；所述步骤S3.1采用：步骤S3.1.1：初始化矩阵M、历史偏好矩阵D以及相对误差容限；步骤S3.1.2：令；步骤S3.1.3：当满足时，则；重复触发步骤S3.1.3直至不满足，获得与目标采购商历史采购特征最为相似的k个供应商作为待推荐的候选供应商集合S_1；其中，表示由网络传播性带来的潜在偏好；表示观测到的历史偏好；表示衡量网络的衰减水平参数；D表示采购商历史偏好矩阵；M表示两个不同采购商选择相同供应商的数目；表示采购商的潜在偏好矩阵。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人欧冶工业品股份有限公司，其通讯地址为：201900 上海市宝山区水产路1269号216幢1150室；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。