本發(fā)明涉及智能供應鏈，特別涉及一種基于多模態(tài)ai與大數(shù)據(jù)的供應商風險防控系統(tǒng)。

背景技術：

1、現(xiàn)有的供應商風險防控技術都是風險條件限制或風險事件判定的方式，都是通過規(guī)則的方式，把企業(yè)對供應商管控的制度以及供應商可能的風險事件記錄入系統(tǒng)，寫成系統(tǒng)中的一條又一條的風險判定規(guī)則，當供應商出現(xiàn)符合規(guī)則的事件或者多個事件加權評定的分值達到系統(tǒng)預警閥值時，則判定這個供應商有潛在風險，或者已經(jīng)發(fā)生了風險?，F(xiàn)有技術的方法是“規(guī)則條件”制，枚舉可能的風險規(guī)則，在系統(tǒng)中進行監(jiān)測和限制。

2、現(xiàn)有技術只是把供應商的風險信息羅列給出，并給與預警，對于風險的最終判定主要依賴人的專業(yè)判斷和或臆斷，主觀性強，不規(guī)范。且對于非結構化的風險數(shù)據(jù)無法處理，且屬于風險規(guī)則枚舉的形式，系統(tǒng)中可預先定義的風險類型有限，風險維度也過于單一，很多未登記枚舉的風險往往發(fā)現(xiàn)不了?，F(xiàn)有技術商風險防控一般只是作為輔助使用，對風險往往只是預警和提醒，風險評定的實效性和準確性也比較差，精準度不高。

技術實現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于多模態(tài)ai與大數(shù)據(jù)的供應商風險防控系統(tǒng)，用于解決供應商的風險不全面，精準度不高的問題。

2、本發(fā)明一種基于多模態(tài)ai與大數(shù)據(jù)的供應商風險防控系統(tǒng)，其中，包括：多模態(tài)識別器、供應商數(shù)倉、風險特征抽取器、特征邏輯匹配器、特征邏輯學習器、供應商特征庫以及風險評估模塊；多模態(tài)識別器用于對供應商的輸入信息進行識別，并對識別后的信息進行數(shù)據(jù)抽取，對于所抽取的數(shù)據(jù)存入供應商數(shù)倉中；風險特征抽取器，把多模態(tài)識別器所抽取的數(shù)據(jù)整理成規(guī)則的數(shù)據(jù)結構，并進行有效特征進行提取，將提取的有效特征轉換為詞向量的形式；特征邏輯學習器用于利用輸入的供應商的知識型數(shù)據(jù)進行訓練，并進行向量相似度的標注，根據(jù)所標注的向量相似度，建立特征邏輯關系；特征邏輯匹配器根據(jù)特征邏輯關系將風險特征抽取器的詞向量匹配供應商特征數(shù)據(jù)，存入供應商特征庫中；風險評估模塊分別獲取供應商數(shù)倉以及供應商特征庫的數(shù)據(jù)，構建供應商數(shù)據(jù)的特征圖結構；基于該特征圖結構構建風險評估坐標系，坐標軸分別表示供應商抗風險能力和供應商風險程度，基于供應商抗風險能力和供應商風險程度在坐標系所表征的風險區(qū)域，確定供應商風險判定結果，并輸出。

3、根據(jù)本發(fā)明的基于多模態(tài)ai與大數(shù)據(jù)的供應商風險防控系統(tǒng)的一實施例，其中，供應商特征庫包括供應商風險畫像特征庫和供應商口碑畫像庫；特征邏輯匹配器根據(jù)特征邏輯關系將風險特征抽取器的詞向量分別匹配為風險畫像特征數(shù)據(jù)和口碑畫像特征數(shù)據(jù)；風險畫像特征數(shù)據(jù)存入供應商風險畫像特征庫中，口碑畫像特征數(shù)據(jù)存入供應商口碑畫像特征庫中；風險評估模塊讀取該供應商的風險畫像特征數(shù)據(jù)、口碑畫像特征數(shù)據(jù)、從供應商數(shù)倉中讀取供應商的各項數(shù)據(jù)，構建特征圖結構。

4、根據(jù)本發(fā)明的基于多模態(tài)ai與大數(shù)據(jù)的供應商風險防控系統(tǒng)的一實施例，其中，多模態(tài)識別器對于供應商的圖片類數(shù)據(jù)能夠進行ocr識別；對于供應商的非結構化文本數(shù)據(jù)，能夠進行實體識別；對于識別的供應商數(shù)據(jù)進行數(shù)據(jù)抽取，以抽取供應商風險的相關數(shù)據(jù)。

5、根據(jù)本發(fā)明的基于多模態(tài)ai與大數(shù)據(jù)的供應商風險防控系統(tǒng)的一實施例，其中，風險特征抽取器預先定義有供應商風險數(shù)據(jù)的多種特征模版，風險特征抽取器按照供應商風險數(shù)據(jù)的類型所對應的特征模版進行數(shù)據(jù)整理；風險特征抽取器將整理后的規(guī)則的數(shù)據(jù)中的有效特征進行提取，并將提取后的數(shù)據(jù)轉化為詞向量的形式，發(fā)送給特征邏輯匹配器。

6、根據(jù)本發(fā)明的基于多模態(tài)ai與大數(shù)據(jù)的供應商風險防控系統(tǒng)的一實施例，其中，風險特征抽取器還包括臟詞過濾器，對規(guī)則的數(shù)據(jù)中的臟詞進行過濾。

7、根據(jù)本發(fā)明的基于多模態(tài)ai與大數(shù)據(jù)的供應商風險防控系統(tǒng)的一實施例，其中，特征邏輯匹配器根據(jù)各詞向量在向量空間的距離，進行相似度匹配，根據(jù)匹配結果分為風險畫像特征數(shù)據(jù)和口碑畫像特征數(shù)據(jù)。

8、根據(jù)本發(fā)明的基于多模態(tài)ai與大數(shù)據(jù)的供應商風險防控系統(tǒng)的一實施例，其中，特征邏輯學習器進行供應商數(shù)據(jù)的特征邏輯關系的學習，通過專家標注和知識型數(shù)據(jù)導入的過程，把不同供應商數(shù)據(jù)的特征值和特征名構建成特征邏輯關系。

9、根據(jù)本發(fā)明的基于多模態(tài)ai與大數(shù)據(jù)的供應商風險防控系統(tǒng)的一實施例，其中，基于供應商抗風險能力和供應商風險程度在坐標系所表征的風險區(qū)域，確定供應商風險判定結果，具體包括：風險評估坐標系包括x軸和y軸，x軸表示抗風險能力；x的值根據(jù)供應商的信息加權計算；y軸表示風險程度，y＝風險事件類型乘以風險事件數(shù)量，根據(jù)每個風險事件嚴重程度確定風險事件類型的值；根據(jù)x和y的計算結果，在風險評估坐標系上按照風險程度從高到低劃定絕對風險紅線、相對風險警示線以及風險提示線，風險紅線的劃定僅考慮y軸的風險程度值，超過某一風險程度閾值即視為絕對風險；相對風險警示線以及風險提示線根據(jù)y以及x的值劃定；將風險區(qū)域為絕對高風險區(qū)域、相對高風險區(qū)域、中風險區(qū)域以及低風險區(qū)域；絕對風險紅線之上的區(qū)域為絕對高風險區(qū)域；絕對風險紅線之下且相對風險警示線之上的區(qū)域為相對高風險區(qū)域；絕對風險紅線之下、相對風險警示線之下且風險提示線之上的區(qū)域為中風險區(qū)域；風險提示線之下的區(qū)域為低風險區(qū)域；根據(jù)風險區(qū)域的劃分結果確定風險判定結果。

10、根據(jù)本發(fā)明的基于多模態(tài)ai與大數(shù)據(jù)的供應商風險防控系統(tǒng)的一實施例，其中，風險評估模塊從供應商風險畫像特征庫讀取該供應商的風險畫像特征數(shù)據(jù)；風險評估模塊從供應商口碑畫像特征庫讀取該供應商的口碑畫像特征數(shù)據(jù)；風險評估模塊從供應商數(shù)倉中讀取供應商的各項數(shù)據(jù)，通過流式計算引擎進行處理，把該各項數(shù)據(jù)構建成一個時間序列上的數(shù)據(jù)集；風險評估模塊對于所獲取的該供應商的風險畫像特征數(shù)據(jù)、口碑畫像特征數(shù)據(jù)、供應商的數(shù)據(jù)集通過時間序列、結構特征、邏輯關系，構建特征圖結構。

11、根據(jù)本發(fā)明的基于多模態(tài)ai與大數(shù)據(jù)的供應商風險防控系統(tǒng)的一實施例，其中，利用知識圖譜方式，將風險畫像特征數(shù)據(jù)和口碑畫像特征數(shù)據(jù)生成圖的結構，構建節(jié)點和邊的關系，節(jié)點為數(shù)據(jù)構成，邊為節(jié)點之間數(shù)據(jù)的關系，以形成特征圖結構；將供應商數(shù)據(jù)中與風險畫像特征數(shù)據(jù)和口碑畫像特征數(shù)據(jù)之間不存在關系的數(shù)據(jù)，作為獨立因子；風險評估模塊利用特征圖結構和獨立因子構建風險評估坐標系。

12、本發(fā)明的基于多模態(tài)ai與大數(shù)據(jù)的供應商風險防控系統(tǒng)實現(xiàn)了全自動化、智能的供應商風險發(fā)現(xiàn)和預警防控能力，直接輸出風險等級，精準的給出風險判定結果。

技術特征：

1.一種基于多模態(tài)ai與大數(shù)據(jù)的供應商風險防控系統(tǒng)，其特征在于，包括：

2.如權利要求1所述的基于多模態(tài)ai與大數(shù)據(jù)的供應商風險防控系統(tǒng)，其特征在于，供應商特征庫包括供應商風險畫像特征庫和供應商口碑畫像庫；

3.如權利要求1所述的基于多模態(tài)ai與大數(shù)據(jù)的供應商風險防控系統(tǒng)，其特征在于，

4.如權利要求1所述的基于多模態(tài)ai與大數(shù)據(jù)的供應商風險防控系統(tǒng)，其特征在于，風險特征抽取器預先定義有供應商風險數(shù)據(jù)的多種特征模版，風險特征抽取器按照供應商風險數(shù)據(jù)的類型所對應的特征模版進行數(shù)據(jù)整理；

5.如權利要求1所述的基于多模態(tài)ai與大數(shù)據(jù)的供應商風險防控系統(tǒng)，其特征在于，風險特征抽取器還包括臟詞過濾器，對規(guī)則的數(shù)據(jù)中的臟詞進行過濾。

6.如權利要求2所述的基于多模態(tài)ai與大數(shù)據(jù)的供應商風險防控系統(tǒng)，其特征在于，特征邏輯匹配器根據(jù)各詞向量在向量空間的距離，進行相似度匹配，根據(jù)匹配結果分為風險畫像特征數(shù)據(jù)和口碑畫像特征數(shù)據(jù)。

7.如權利要求1所述的基于多模態(tài)ai與大數(shù)據(jù)的供應商風險防控系統(tǒng)，其特征在于，特征邏輯學習器進行供應商數(shù)據(jù)的特征邏輯關系的學習，通過專家標注和知識型數(shù)據(jù)導入的過程，把不同供應商數(shù)據(jù)的特征值和特征名構建成特征邏輯關系。

8.如權利要求1所述的基于多模態(tài)ai與大數(shù)據(jù)的供應商風險防控系統(tǒng)，其特征在于，基于供應商抗風險能力和供應商風險程度在坐標系所表征的風險區(qū)域，確定供應商風險判定結果，具體包括：

9.如權利要求2所述的基于多模態(tài)ai與大數(shù)據(jù)的供應商風險防控系統(tǒng)，其特征在于，

10.如權利要求9所述的基于多模態(tài)ai與大數(shù)據(jù)的供應商風險防控系統(tǒng)，其特征在于，利用知識圖譜方式，將風險畫像特征數(shù)據(jù)和口碑畫像特征數(shù)據(jù)生成圖的結構，構建節(jié)點和邊的關系，節(jié)點為數(shù)據(jù)構成，邊為節(jié)點之間數(shù)據(jù)的關系，以形成特征圖結構；

技術總結
本發(fā)明涉及一種基于多模態(tài)AI與大數(shù)據(jù)的供應商風險防控系統(tǒng)，其中，包括：多模態(tài)識別器用于對供應商的輸入信息進行識別，并對識別后的信息進行數(shù)據(jù)抽?。伙L險特征抽取器，把多模態(tài)識別器所抽取的數(shù)據(jù)整理成規(guī)則的數(shù)據(jù)結構，并進行有效特征進行提??；特征邏輯學習器用于利用輸入的供應商的知識型數(shù)據(jù)進行訓練，建立特征邏輯關系；特征邏輯匹配器根據(jù)特征邏輯關系將風險特征抽取器的詞向量匹配供應商特征數(shù)據(jù)，存入供應商特征庫中；風險評估模塊構建供應商數(shù)據(jù)的特征圖結構；基于該特征圖結構構建風險評估坐標系，基于供應商抗風險能力和供應商風險程度在坐標系所表征的風險區(qū)域，確定供應商風險判定結果。

技術研發(fā)人員：周鵬
受保護的技術使用者：陜西建工材料設備物流集團有限公司
技術研發(fā)日：
技術公布日：2025/1/9