[发明专利]基于协同过滤算法的供应商推荐方法、系统及相关设备

说明书

本发明适用于数据分析领域，提供了一种基于协同过滤算法的供应商推荐方法、系统及相关设备，所述方法包括：S1、构建关于生产商、商品之间的RFMC模型，并计算RFMC值；S2、对RFMC值进行加权求和，得到RFMC评分；S3、利用RFMC评分构建评分矩阵；S4、使用聚类算法对评分矩阵进行划分得到评分子矩阵，并利用Baseline算法计算填充评分矩阵；S5、计算不同的商品之间的相似度，构建商品相似度矩阵；S6、根据商品相似度矩阵计算相似的多种商品，将商品按照所述供应商的类别进行分组，并获取生产商对于商品的兴趣度，生成供应商推荐列表。本发明通过计算生产商对于商品的兴趣度实现了面向生产商的供应商推荐。

技术领域

本发明属于数据分析领域，具体涉及一种基于协同过滤算法的供应商推荐方法、系统及相关设备。

背景技术

在工业化和信息化深度融合的今天，数据的总量呈几何级增长，制造业面临着数量庞大且复杂的数据，而数据其本身作为一种资源，怎样去挖掘开发并利用数据，成为了一个对于企业来说十分关键的问题。在以往的研究当中，有关客户和供应商二者的关系方面大部分的研究都将视角放在了客户身上，但对于供应商来说则鲜有关注和分析，供应商的评价与选择问题作为一种制造过程中对资源进行优化配置的经典问题。随着时代的发展，制造的模式也发生着适应性改变，同时有关的供应链管理理论也不断进行着创新，在这个大背景下，该经典问题的内涵也相应的进行着更新。

推荐算法一经提出，便伴随着不断的演进和优化，在这个过程当中出现了各种各样的算法和技术形式，如聚类、关联规则、协同推荐等，其中，协同推荐技术是它们当中最成功的推荐技术。协同算法的基本思想是查找与目标用户评分相似的用户集群中的评分数据，并依据该评分数据对目标用户形成推荐列表。但协同过滤算法中有一个重要的问题，便是评分矩阵稀疏性的缓解，传统的缓解评分矩阵稀疏性的方式主要是利用平均数填充法以及众数填充法，这些方法无一例外的都有填充结果单一、推荐质量不高的问题；此外，在推荐对象的评价方面，RFM模型的可解释性以及可操作性较强，具有很大的优势，但其在不同的行业应用是不同的，需对其进行适应性改进。

举例来说，在汽车生产制造领域，零部件供应商推荐对于汽车生产厂商进行生产准备来说是至关重要的，精度高的供应商推荐方法能够很大程度上满足生产厂商的零部件偏好需求，提高进货效率，提升生产质量，降低成本和库存，优化生产集团的整体效益。因此，如何更好地进行供应商推荐已经成为业界亟待解决的问题。

发明内容

为解决上述问题，本发明实施例提供了一种基于协同过滤算法的供应商推荐方法、系统及相关设备，以解决现有的推荐方法无法根据生产商对零部件的偏好进行推荐的问题。

第一方面，本发明实施例提供一种基于协同过滤算法的供应商推荐方法，所述方法包括以下步骤：

S1、构建关于生产商、商品之间的RFMC模型，并计算所述RFMC模型对应的RFMC值，所述生产商和所述商品均包括多种，每一种所述商品对应一个供应商，所述RFMC值包括购买时间跨度R、购买次数F、购买总金额M、购买总量C 的四项指标；

S2、对不同的所述RFMC值赋予权重，并根据所述权重对所述RFMC值进行加权求和，得到关于所述生产商、所述商品之间的RFMC评分；

S3、利用所述RFMC评分填充构建关于所述生产商、所述商品之间的评分矩阵；

S4、使用聚类算法对所述评分矩阵进行划分，得到评分子矩阵，并利用 Baseline算法结合所述评分子矩阵对所述评分矩阵进行填充，得到填充评分矩阵；

S5、根据所述填充评分矩阵计算不同的所述商品之间的相似度，并构建商品相似度矩阵；

S6、根据所述RFMC模型查询所述生产商购买过的所述商品，并根据所述商品相似度矩阵计算具有高相似度的多种所述商品，将所述商品按照所述供应商的类别进行分组，并获取所述生产商对于所述商品的兴趣度，根据所述相似度和所述兴趣度生成供应商推荐列表。