基于AI大数据的供应链行业分类关联方法与流程

摘要: 本发明涉及计算机数据处理、供应链大数据关联分析,具体为基于ai大数据的供应链行业分类关联方法。背景技术:1、供应链行业分类关联系统通常以企业登记行业、商品类目、...
基于AI大数据的供应链行业分类关联方法与流程

本发明涉及计算机数据处理、供应链大数据关联分析,具体为基于ai大数据的供应链行业分类关联方法。

背景技术:

1、供应链行业分类关联系统通常以企业登记行业、商品类目、订单品类、展会报名类目和人工维护的行业词表作为基础数据源,对参展商、服务商、采购商等主体进行行业归类。常规实现方式是从业务系统、会展报名系统、交易系统和客户关系系统中抽取主体名称、主营产品、服务范围、采购需求、历史订单、询价记录等字段,经过去重、分词、关键词匹配和类目映射后,将主体挂接至预设行业分类表中。对于存在多个业务描述的主体,现有系统通常按照出现频次较高的关键词、历史成交金额较高的品类或人工选择的主营行业确定主分类,再将其他类目作为辅助标签保存。此类方案依赖固定分类表和关键词规则,能够处理字段完整、行业边界清楚的主体,但在供应链数据来源复杂、业务描述粒度不一致、同一主体兼具生产、服务、采购等多重角色时,分类结果容易停留在粗行业层级,难以表达具体业务子类之间的差异。

2、现有基于机器学习的行业分类方法一般采用文本向量化、主题模型、词向量模型或神经网络分类模型处理企业介绍、产品描述、采购需求和交易文本,通过训练样本学习行业标签与文本语义之间的对应关系,再对新增主体或新增业务对象进行自动分类。部分系统会进一步引入交易共现关系、上下游企业关系或展会互动行为,将浏览、收藏、预约、询价、洽谈等行为数据作为附加特征,用于修正行业标签或生成行业关联推荐。该类方案相较于单纯关键词规则具有更强的数据适应能力,但其实现中通常将文本、交易、角色、行为等特征直接拼接或统一送入分类模型,缺少对不同数据来源可信度、语义冲突、字段缺失和行业标签层级边界的约束处理。当通用词、高频词、热门展商行为或历史类目错误进入训练样本后,模型容易将表面相似的行业归入同一类别,也容易将真实相关但文本描述差异较大的业务主体划分到不同类别。

3、现有技术的主要技术问题在于,供应链全链路多源业务大数据中存在文本语义、业务对象、交易角色、会展行为和原始行业标签之间的粒度不一致与语义冲突,而常规行业分类方法缺少能够同时约束行业标签边界、识别模态可信度并校准冲突样本的处理机制,导致行业分类特征向量在细粒度聚类时容易被噪声字段、通用描述词或错误历史标签牵引,无法形成稳定的行业语义边界。对于参展商、服务商、采购商等主体,同一主体可能在不同时间窗口呈现不同业务重点,同一业务对象也可能对应生产、服务、采购等不同角色关系,若仅依据静态类目或简单文本相似度生成行业标签,会造成跨业态主体被粗化分类,近似行业被错误合并,辅助行业与主行业缺少可计算区分,影响后续供应链上下游行业智能映射与动态关联匹配的基础数据质量。

技术实现思路

1、本发明的目的在于提供基于ai大数据的供应链行业分类关联方法,可以解决上述背景技术中的问题。

2、为实现上述目的,本发明采取的技术方案为:

3、基于ai大数据的供应链行业分类关联方法,包括:采集供应链全链路多源业务大数据,对参展商、服务商、采购商的主体信息、业务对象、交易角色、会展场景行为特征和行业标签进行标准化处理;

4、依据标准化处理结果构建多维度行业分类特征向量库;

5、在所述多维度行业分类特征向量库中生成行业标签锚点;

6、将所述多维度行业分类特征向量库输入改进的多模态注意力ai模型,得到模态融合行业表征;

7、依据所述行业标签锚点对所述模态融合行业表征执行细粒度语义聚类;

8、对聚类冲突样本进行语义校准,输出行业分类关联结果。

9、优选的,所述标准化处理包括:对供应链全链路多源业务大数据中的企业名称、展品名称、服务能力描述、采购需求描述、订单品类、询价文本、合同文本和会展报名类目进行实体消歧,生成统一主体标识、统一业务对象标识和统一行业术语标识;

10、按照主体在供应链中的参展商、服务商、采购商角色,为所述统一主体标识绑定角色序列和时间窗口;

11、将所述统一行业术语标识与原始行业标签建立映射关系,并记录来源字段和数据源置信标记。

12、优选的,所述多维度行业分类特征向量库包括文本语义向量、业务对象向量、交易角色向量、会展场景行为向量和行业标签先验向量;

13、所述文本语义向量由展品描述、服务能力描述、采购需求描述和询价文本编码获得;

14、所述业务对象向量由订单品类、服务品类和采购品类归一编码获得;

15、所述交易角色向量依据参展商、服务商、采购商在同一业务对象上的流向关系生成;

16、所述会展场景行为向量依据搜索、浏览、预约、询价和会后跟进的时序记录生成。

17、优选的,所述行业标签锚点由标准行业类目样本、历史高置信行业分类样本和供应链交易共现稳定样本共同生成;

18、对于同一行业标签下的样本集合,计算文本语义向量、业务对象向量和交易角色向量的中心表征,并依据来源字段完整度、跨时间窗口一致性和上下游交易闭合度生成锚点置信值;

19、当新输入样本与已有行业标签锚点之间的语义距离和业务对象距离均满足归属条件时,将所述新输入样本并入对应锚点样本集合。

20、优选的,所述实体消歧包括:以统一社会信用信息、展会报名信息、历史交易主体信息和文本相似候选项构成主体候选集合;

21、对所述主体候选集合中的主体名称相似度、业务对象重合度、联系信息一致性和会展行为连续性进行联合评分;

22、当多个主体候选项共享相同业务对象但供应链角色不同,依据参展商、服务商、采购商的角色序列保留差异化主体记录;

23、当多个所述主体候选项共享相同角色且业务对象相似,依据时间窗口内交易记录和会展交互记录合并主体标识。

24、优选的,所述改进的多模态注意力ai模型包括模态可信度计算过程;

25、分别依据文本字段缺失率、业务对象冲突度、行业标签一致度、交易角色稳定度和会展场景行为连续性,为所述文本语义向量、所述业务对象向量、所述交易角色向量、所述会展场景行为向量和所述行业标签先验向量生成可信度权重;

26、将所述可信度权重与多模态注意力权重相乘后归一化,得到每一主体在不同行业标签候选项下的模态融合行业表征。

27、优选的,所述细粒度语义聚类包括:依据标准行业类目构建粗行业层、细行业层和业务子类层的层级标签树;

28、将所述模态融合行业表征投影至所述层级标签树中与行业标签锚点对应的节点空间;

29、在同一粗行业层内依据类内紧凑度和业务对象差异度划分细行业簇,在相邻细行业簇之间依据上下游交易闭合度和语义边界距离判断是否保留分裂边界;

30、对无法归入既有细行业簇的样本生成候选业务子类节点。

31、优选的,所述会展场景行为连续性由预展意向阶段、展中交互阶段和展后验证阶段的行为序列生成;

32、所述预展意向阶段包括搜索关键词、收藏和预约记录,所述展中交互阶段包括展位访问、资料下载、洽谈和询价记录,所述展后验证阶段包括跟进记录和成交确认记录;

33、对同一主体在三个阶段中的行为序列进行去重、时间排序和角色匹配,生成与参展商、服务商、采购商对应的会展场景行为向量。

34、优选的,所述聚类冲突样本的语义校准包括:识别同一主体同时落入多个细行业簇、同一业务对象对应多个行业标签、同一行业标签锚点下存在相互排斥角色序列的样本;

35、分别计算冲突样本与各候选细行业簇的语义距离、业务对象距离、角色方向距离和锚点置信值差值;

36、按照所述语义距离与所述业务对象距离的联合排序确定主行业标签,按照所述角色方向距离和所述锚点置信值差值确定辅助行业标签,并记录冲突来源字段。

37、优选的,所述行业分类关联结果通过业态关联度量化算法生成,所述业态关联度量化算法以主行业标签、辅助行业标签、交易角色序列、会展场景行为向量和上下游行业路径作为输入,计算行业语义邻近度、业务对象互补度、角色方向一致度和行为验证强度;

38、将计算结果写入分类关联权重,并依据所述分类关联权重对上下游行业进行智能映射与动态关联匹配,形成包含主体标识、行业标签、关联行业、关联方向和权重来源字段的输出记录。

39、与现有技术相比,本发明的有益效果在于:

40、1.通过供应链全链路多源业务大数据的标准化处理、多维度行业分类特征向量库、行业标签锚点、改进的多模态注意力模型和细粒度语义聚类的配合,使行业分类过程具备标签边界约束和冲突样本校准能力。多源数据经统一主体标识、统一业务对象标识和统一行业术语标识处理后,文本语义、业务对象、交易角色、会展场景行为和行业标签先验能够在同一特征空间中参与计算;行业标签锚点为聚类提供稳定参照,模态可信度权重对字段缺失、标签冲突、角色波动和行为连续性进行区分,层级标签树进一步限定粗行业、细行业和业务子类之间的归属关系。由此能够减少噪声字段和错误历史标签对分类结果的牵引,使细粒度行业分类结果具有较清楚的语义边界和来源依据。

41、2.通过实体消歧、角色序列保留、会展场景行为向量生成、聚类冲突样本语义校准和业态关联度量化处理,使行业分类结果能够继续用于上下游行业的智能映射与动态关联匹配。对于名称相似但角色不同的主体,依据参展商、服务商、采购商角色序列保留差异化记录;对于同一主体落入多个细行业簇的情形,依据语义距离、业务对象距离、角色方向距离和锚点置信值确定主行业标签与辅助行业标签;对于关联输出,结合行业语义邻近度、业务对象互补度、角色方向一致度和行为验证强度形成分类关联权重。该处理方式使行业分类结果与关联结果之间保持数据来源和计算逻辑的一致性,减少由主体混淆、角色倒置和行业标签冲突造成的关联偏差。