[發明專利]一種基于機器學習的供應鏈調整方法、裝置及電子設備

在審

• 申請號: 202011457285.3
• 申請日: 2020-12-10
• 公開（公告）號: CN112418893A
• 公開（公告）日: 2021-02-26
• 發明（設計）人: 張春光;于卓;邵志妍;郝艷亞;崔蔚;顏擁;蔣煒
• 申請（專利權）人: 北京中電普華信息技術有限公司;國網信息通信產業集團有限公司;國網浙江省電力有限公司電力科學研究院;國家電網有限公司
• 主分類號: G06Q30/00
• 分類號: G06Q30/00;G06F16/25;G06N20/00
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 尹秀

本發明提供了一種基于機器學習的供應鏈調整方法、裝置及電子設備，在完善供應鏈時，調用預先生成的數據處理模型對未在冊企業的待分析特征信息以及各個在冊企業的特征信息進行處理，得到未在冊企業與各個在冊企業之間的關聯關系，輸出關聯關系，并在接收到關聯關系的確認指令的情況下，依據關聯關系，將未在冊企業添加到初始供應鏈中。即本發明能夠自動進行供應鏈的完善，并且在供應鏈完善時，使用了數據處理模型，數據處理模型使用訓練數據訓練得到，則數據處理模型的處理準確度較高，進而使用數據處理模型得到未在冊企業與在冊企業之間的關聯關系時，準確度較高，進而能夠提高完善后的供應鏈的準確度。

技術領域

本發明涉及供應鏈領域，更具體的說，涉及一種基于機器學習的供應鏈調整方法、裝置及電子設備。

背景技術

為了能夠更直觀的了解各個企業之間的關聯關系，可以構建各個企業之間的供應鏈。其中，供應鏈(Supply chain)，是指生產及流通過程中，涉及將產品或服務提供給最終用戶活動的上游與下游企業，所形成的網鏈結構。

目前，在建立供應鏈后，若有新的企業加入，則人工通過企業之間的買賣合同來不斷完善供應鏈，人工完善供應鏈時容易受到人工誤判的影響，使得完善后的供應鏈的準確度較低。

發明內容

有鑒于此，本發明提供一種基于機器學習的供應鏈調整方法、裝置及電子設備，以解決人工完善供應鏈時容易受到人工誤判的影響，使得完善后的供應鏈的準確度較低的問題。

為解決上述技術問題，本發明采用了如下技術方案：

一種基于機器學習的供應鏈調整方法，包括：

獲取預先構建的初始供應鏈；所述初始供應鏈包括各個在冊企業、以及各個在冊企業之間的關聯關系；

獲取未位于所述初始供應鏈中的未在冊企業的企業信息，并對所述企業信息進行特征提取操作，得到待分析特征信息；

調用預先生成的數據處理模型對所述待分析特征信息以及所述各個在冊企業的特征信息進行處理，得到所述未在冊企業與所述各個在冊企業之間的關聯關系；所述數據處理模型使用訓練數據訓練得到，所述訓練數據包括特征信息樣本以及所述特征信息樣本之間的樣本關聯關系；

輸出所述關聯關系，并在接收到所述關聯關系的確認指令的情況下，響應所述確認指令，并依據所述關聯關系，將所述未在冊企業添加到所述初始供應鏈中。

可選地，獲取未位于所述初始供應鏈中的未在冊企業的企業信息，包括：

獲取未位于所述初始供應鏈中的未在冊企業的初始企業信息；

調用預設數據清洗模型對所述初始企業信息進行數據清洗操作，得到所述未在冊企業的企業信息。

可選地，對所述企業信息進行特征提取操作，得到待分析特征信息，包括：

對所述企業信息進行特征提取操作，得到各個特征信息；

對所述各個特征信息進行相關性分析，得到所述各個特征信息之間的相關性；

基于所述各個特征信息之間的相關性，從所述各個特征信息中篩選出顯著特征信息，并確定為待分析特征信息。

可選地，所述數據處理模型的生成過程包括：

獲取訓練數據；所述訓練數據包括特征信息樣本以及所述特征信息樣本之間的樣本關聯關系；

使用所述訓練數據，對數據處理模型進行訓練，直至所述數據處理模型的損失函數小于預設閾值時停止訓練。

可選地，獲取預先構建的初始供應鏈，包括：

獲取預先構建的目標供應鏈，并對所述目標供應鏈進行圖形化處理，得到初始供應鏈。