[发明专利]一种基于机器学习的供应链调整方法、装置及电子设备

说明书

本发明提供了一种基于机器学习的供应链调整方法、装置及电子设备，在完善供应链时，调用预先生成的数据处理模型对未在册企业的待分析特征信息以及各个在册企业的特征信息进行处理，得到未在册企业与各个在册企业之间的关联关系，输出关联关系，并在接收到关联关系的确认指令的情况下，依据关联关系，将未在册企业添加到初始供应链中。即本发明能够自动进行供应链的完善，并且在供应链完善时，使用了数据处理模型，数据处理模型使用训练数据训练得到，则数据处理模型的处理准确度较高，进而使用数据处理模型得到未在册企业与在册企业之间的关联关系时，准确度较高，进而能够提高完善后的供应链的准确度。

技术领域

本发明涉及供应链领域，更具体的说，涉及一种基于机器学习的供应链调整方法、装置及电子设备。

背景技术

为了能够更直观的了解各个企业之间的关联关系，可以构建各个企业之间的供应链。其中，供应链(Supply chain)，是指生产及流通过程中，涉及将产品或服务提供给最终用户活动的上游与下游企业，所形成的网链结构。

目前，在建立供应链后，若有新的企业加入，则人工通过企业之间的买卖合同来不断完善供应链，人工完善供应链时容易受到人工误判的影响，使得完善后的供应链的准确度较低。

发明内容

有鉴于此，本发明提供一种基于机器学习的供应链调整方法、装置及电子设备，以解决人工完善供应链时容易受到人工误判的影响，使得完善后的供应链的准确度较低的问题。

为解决上述技术问题，本发明采用了如下技术方案：

一种基于机器学习的供应链调整方法，包括：

获取预先构建的初始供应链；所述初始供应链包括各个在册企业、以及各个在册企业之间的关联关系；

获取未位于所述初始供应链中的未在册企业的企业信息，并对所述企业信息进行特征提取操作，得到待分析特征信息；

调用预先生成的数据处理模型对所述待分析特征信息以及所述各个在册企业的特征信息进行处理，得到所述未在册企业与所述各个在册企业之间的关联关系；所述数据处理模型使用训练数据训练得到，所述训练数据包括特征信息样本以及所述特征信息样本之间的样本关联关系；

输出所述关联关系，并在接收到所述关联关系的确认指令的情况下，响应所述确认指令，并依据所述关联关系，将所述未在册企业添加到所述初始供应链中。

可选地，获取未位于所述初始供应链中的未在册企业的企业信息，包括：

获取未位于所述初始供应链中的未在册企业的初始企业信息；

调用预设数据清洗模型对所述初始企业信息进行数据清洗操作，得到所述未在册企业的企业信息。

可选地，对所述企业信息进行特征提取操作，得到待分析特征信息，包括：

对所述企业信息进行特征提取操作，得到各个特征信息；

对所述各个特征信息进行相关性分析，得到所述各个特征信息之间的相关性；

基于所述各个特征信息之间的相关性，从所述各个特征信息中筛选出显著特征信息，并确定为待分析特征信息。

可选地，所述数据处理模型的生成过程包括：

获取训练数据；所述训练数据包括特征信息样本以及所述特征信息样本之间的样本关联关系；

使用所述训练数据，对数据处理模型进行训练，直至所述数据处理模型的损失函数小于预设阈值时停止训练。

可选地，获取预先构建的初始供应链，包括：

获取预先构建的目标供应链，并对所述目标供应链进行图形化处理，得到初始供应链。