[發(fā)明專利]基于協(xié)同過濾算法的供應商推薦方法、系統(tǒng)及相關設備

在審

• 申請?zhí)枺?/td>: 202210680497.0
• 申請日: 2022-06-16
• 公開（公告）號: CN114840769A
• 公開（公告）日: 2022-08-02
• 發(fā)明（設計）人: 曾俊寧;邢瑪麗;魯仁全;吳元清;葉燕燕
• 申請（專利權）人: 廣東工業(yè)大學
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F16/9536;G06Q50/00
• 代理公司: 佛山市禾才知識產(chǎn)權代理有限公司 44379
• 代理人: 劉羽波;陳嘉琦

本發(fā)明適用于數(shù)據(jù)分析領域，提供了一種基于協(xié)同過濾算法的供應商推薦方法、系統(tǒng)及相關設備，所述方法包括：S1、構建關于生產(chǎn)商、商品之間的RFMC模型，并計算RFMC值；S2、對RFMC值進行加權求和，得到RFMC評分；S3、利用RFMC評分構建評分矩陣；S4、使用聚類算法對評分矩陣進行劃分得到評分子矩陣，并利用Baseline算法計算填充評分矩陣；S5、計算不同的商品之間的相似度，構建商品相似度矩陣；S6、根據(jù)商品相似度矩陣計算相似的多種商品，將商品按照所述供應商的類別進行分組，并獲取生產(chǎn)商對于商品的興趣度，生成供應商推薦列表。本發(fā)明通過計算生產(chǎn)商對于商品的興趣度實現(xiàn)了面向生產(chǎn)商的供應商推薦。

技術領域

本發(fā)明屬于數(shù)據(jù)分析領域，具體涉及一種基于協(xié)同過濾算法的供應商推薦方法、系統(tǒng)及相關設備。

背景技術

在工業(yè)化和信息化深度融合的今天，數(shù)據(jù)的總量呈幾何級增長，制造業(yè)面臨著數(shù)量龐大且復雜的數(shù)據(jù)，而數(shù)據(jù)其本身作為一種資源，怎樣去挖掘開發(fā)并利用數(shù)據(jù)，成為了一個對于企業(yè)來說十分關鍵的問題。在以往的研究當中，有關客戶和供應商二者的關系方面大部分的研究都將視角放在了客戶身上，但對于供應商來說則鮮有關注和分析，供應商的評價與選擇問題作為一種制造過程中對資源進行優(yōu)化配置的經(jīng)典問題。隨著時代的發(fā)展，制造的模式也發(fā)生著適應性改變，同時有關的供應鏈管理理論也不斷進行著創(chuàng)新，在這個大背景下，該經(jīng)典問題的內(nèi)涵也相應的進行著更新。

推薦算法一經(jīng)提出，便伴隨著不斷的演進和優(yōu)化，在這個過程當中出現(xiàn)了各種各樣的算法和技術形式，如聚類、關聯(lián)規(guī)則、協(xié)同推薦等，其中，協(xié)同推薦技術是它們當中最成功的推薦技術。協(xié)同算法的基本思想是查找與目標用戶評分相似的用戶集群中的評分數(shù)據(jù)，并依據(jù)該評分數(shù)據(jù)對目標用戶形成推薦列表。但協(xié)同過濾算法中有一個重要的問題，便是評分矩陣稀疏性的緩解，傳統(tǒng)的緩解評分矩陣稀疏性的方式主要是利用平均數(shù)填充法以及眾數(shù)填充法，這些方法無一例外的都有填充結果單一、推薦質(zhì)量不高的問題；此外，在推薦對象的評價方面，RFM模型的可解釋性以及可操作性較強，具有很大的優(yōu)勢，但其在不同的行業(yè)應用是不同的，需對其進行適應性改進。

舉例來說，在汽車生產(chǎn)制造領域，零部件供應商推薦對于汽車生產(chǎn)廠商進行生產(chǎn)準備來說是至關重要的，精度高的供應商推薦方法能夠很大程度上滿足生產(chǎn)廠商的零部件偏好需求，提高進貨效率，提升生產(chǎn)質(zhì)量，降低成本和庫存，優(yōu)化生產(chǎn)集團的整體效益。因此，如何更好地進行供應商推薦已經(jīng)成為業(yè)界亟待解決的問題。

發(fā)明內(nèi)容

為解決上述問題，本發(fā)明實施例提供了一種基于協(xié)同過濾算法的供應商推薦方法、系統(tǒng)及相關設備，以解決現(xiàn)有的推薦方法無法根據(jù)生產(chǎn)商對零部件的偏好進行推薦的問題。

第一方面，本發(fā)明實施例提供一種基于協(xié)同過濾算法的供應商推薦方法，所述方法包括以下步驟：

S1、構建關于生產(chǎn)商、商品之間的RFMC模型，并計算所述RFMC模型對應的RFMC值，所述生產(chǎn)商和所述商品均包括多種，每一種所述商品對應一個供應商，所述RFMC值包括購買時間跨度R、購買次數(shù)F、購買總金額M、購買總量C 的四項指標；

S2、對不同的所述RFMC值賦予權重，并根據(jù)所述權重對所述RFMC值進行加權求和，得到關于所述生產(chǎn)商、所述商品之間的RFMC評分；

S3、利用所述RFMC評分填充構建關于所述生產(chǎn)商、所述商品之間的評分矩陣；

S4、使用聚類算法對所述評分矩陣進行劃分，得到評分子矩陣，并利用 Baseline算法結合所述評分子矩陣對所述評分矩陣進行填充，得到填充評分矩陣；

S5、根據(jù)所述填充評分矩陣計算不同的所述商品之間的相似度，并構建商品相似度矩陣；

S6、根據(jù)所述RFMC模型查詢所述生產(chǎn)商購買過的所述商品，并根據(jù)所述商品相似度矩陣計算具有高相似度的多種所述商品，將所述商品按照所述供應商的類別進行分組，并獲取所述生產(chǎn)商對于所述商品的興趣度，根據(jù)所述相似度和所述興趣度生成供應商推薦列表。