一种基于图神经网络的装备采购关联规则挖掘方法及系统与流程

在装备采购部门，装备采购管理是一项重要的任务。有效地分析和挖掘装备采购数据中的关联规则，可以帮助决策者更好地理解采购行为、优化采购流程，并做出更准确的采购决策。传统的关联规则挖掘方法存在着一定的局限性，难以处理数据中的复杂关联关系。因此，本发明提出了一种基于图神经网络的装备采购关联规则挖掘方法及系统，旨在深度挖掘装备采购数据中的关联规则，为装备采购决策提供更有效的支持。

背景技术：

1、在装备采购管理中，装备采购是一项重要的管理任务。随着安保工作的不断发展和扩展，对于装备的需求也在不断增加，因此，如何高效地管理和采购装备成为了装备采购部门面临的重要挑战之一。

2、传统的装备采购管理通常依赖于人工经验和规则，存在着以下一些问题和挑战：

3、1.信息不对称性：装备采购涉及到多个部门和多个环节，信息传递不畅导致了信息不对称现象，采购部门难以及时了解到装备的实际需求和供应情况。

4、2.决策效率低下：传统的采购决策往往依赖于人工经验和直觉，缺乏科学的数据分析支持，导致了决策效率低下和决策结果的不确定性。

5、3.采购成本高昂：由于缺乏科学的采购管理方法和工具，装备采购往往面临着采购成本高昂的问题，采购部门难以实现采购成本的控制和优化。

6、4.采购流程复杂：传统的装备采购流程通常繁琐复杂，涉及到多个环节和多个部门，导致了采购流程的不透明和不规范现象。

7、针对上述问题，近年来，关联规则挖掘技术逐渐被引入到装备采购管理领域，以提高采购决策的科学性和效率性。关联规则挖掘技术能够从大规模数据中挖掘出隐藏在其中的潜在规律和关联关系，为采购决策提供数据支持和决策建议。然而，传统的关联规则挖掘方法往往只能发现简单的共现关系，难以挖掘出复杂的关联规则。因此，需要一种创新的方法来深度挖掘装备采购数据中的关联规则，以帮助采购部门更好地理解采购行为、优化采购流程，从而提高装备采购管理的科学性和效率性。

8、本发明正是基于这一背景提出，旨在利用图神经网络等先进技术，深度挖掘装备采购数据中的关联规则，为装备采购决策提供更有效的支持。

技术实现思路

1、本发明提供了一种基于图神经网络的装备采购关联规则挖掘方法及系统。该方法通过构建装备采购明细表中物品之间的关联关系图，并利用图神经网络模型进行训练和挖掘，实现了对装备采购数据中潜在关联规则的深度挖掘和分析。该系统包括数据预处理模块、图构建模块、图神经网络模型模块、关联规则挖掘模块和结果展示模块。本发明提供的方法和系统能够有效地发现装备采购数据中的关联规则，为装备采购决策提供了新的思路和方法。

2、1.数据预处理模块：

3、数据预处理模块主要包括数据清洗、数据标准化和数据编码等步骤。在数据清洗过程中，需要处理采购明细表中的异常值、缺失值和重复值，以保证数据的质量。数据标准化将不同单位的数据统一到相同的尺度范围内，以减少由于量纲不同而引起的误差。数据编码则将物品名称、物资类别等非数值型数据转换为数值型数据，以便后续处理。

4、2.图构建模块：

5、图构建模块负责将经过预处理的数据构建成装备采购关联关系图。假设共有$n$个物品，将每个物品表示为一个节点$v_i$，$i＝1，2，...，n$。如果物品$i$和物品$j$在同一需求计划编号中出现过，则在节点$v_i$和节点$v_j$之间添加一条边，表示它们之间存在关联关系。边的权重可以根据共现的次数来确定，共现次数越多，权重越大。

6、3.图神经网络模型模块：

7、图神经网络模型模块采用了基于图结构的深度学习模型，用于对构建的关联图进行训练和学习。典型的图神经网络模型包括gcn(graph convolutional networks)、gat(graph attention networks)等。设$h_v^{(1)}$表示第$1＄层节点$v$的表示，$h_v^{(0)}$是输入特征向量，$h_v^{(1+1)}＝\sigma(\sum_{u\in\mathcal{n}(v)}\frac{1}{c_{u，v}}w^{(1)}h_u^{(1)})$，其中$\mathcal{n}(v)$表示节点$v$的邻居节点集合，$c_{u，v}$是节点$u$和节点$v$之间的边数，$w^{(1)}$是第$1＄层的权重矩阵，$\sigma$是激活函数。通过多层的图卷积操作，可以学习到每个节点的表示。

8、4.关联规则挖掘模块：

9、关联规则挖掘模块利用图神经网络模型学习到的节点嵌入，对物品之间的相似性进行度量，并根据相似性得分来发现频繁共现模式和关联规则。设$e_i$表示节点$v_i$的嵌入向量，则物品$i$和物品$j$之间的相似度可以用余弦相似度来衡量：$sim(i，j)＝\frac{e_i\cdot e_j}{|e_i|\cdot|e_j|}$。根据设定的阈值，可以筛选出高度相似的物品对，从而发现潜在的关联规则。

10、5.结果展示模块：

11、结果展示模块根据挖掘得到的关联规则，进行进一步的分析和解释，并将结果以图表等形式展示出来。可以采用条形图、散点图等方式展示频繁共现模式的分布情况，以及关联规则的置信度、支持度等指标。同时，也可以采用网络图的形式展示物品之间的关系，直观地呈现出装备采购数据中的关联规则。

12、与现有技术相比，本发明的有益效果为：

13、(1)深度挖掘能力增强：传统的关联规则挖掘方法往往只能发现简单的共现关系，而本发明采用图神经网络等先进技术，能够深度挖掘装备采购数据中隐藏的复杂关联规则，捕捉到更深层次的关联关系。

14、(2)准确性提高：图神经网络模型能够学习到数据中的复杂特征和关联关系，通过学习节点嵌入，能够更准确地度量物品之间的相似性，挖掘出更精确的关联规则，提高了关联规则挖掘的准确性。

15、(3)决策支持能力增强：本发明挖掘出的关联规则能够为装备采购决策提供更有效的支持。通过分析关联规则，采购部门可以更好地理解采购行为和规律，优化采购流程，提高决策的科学性和效率性。

16、(4)实时性和灵活性提高：本发明构建的动态关联关系图能够捕捉到装备采购数据中的时间顺序关系，具有较强的实时性和灵活性，能够及时反映数据中的变化和趋势，为决策者提供更及时、更灵活的决策支持。

17、(5)成本降低和效率提高：通过挖掘隐藏在装备采购数据中的关联规则，可以帮助采购部门更好地控制采购成本，优化采购流程，提高采购效率，从而降低装备采购管理的成本和风险。

技术特征：

1.一种基于图神经网络的装备采购关联规则挖掘方法，其特征在于：

2.根据权利要求1所述的方法，其中数据预处理的步骤还包括：异常值检测采用箱线图或z-score方法识别异常值，缺失值填充采用均值或中位数进行填充，数据标准化采用min-max标准化或z-score标准化。

3.根据权利要求1所述的方法，其中图构建的步骤还包括：节点之间的关联关系图采用邻接矩阵或邻接表进行表示，边的权重基于共现次数进行确定。

4.根据权利要求1所述的方法，其中图神经网络模型训练的步骤还包括：选择合适的图神经网络结构，如gcn、gat等，并通过反向传播算法优化模型参数。

5.根据权利要求1所述的方法，其中关联规则挖掘的步骤还包括：利用图神经网络模型学习到的节点嵌入，计算物品之间的相似度，挖掘频繁共现模式和关联规则。

6.根据权利要求1所述的方法，其中结果展示的步骤还包括：以交互式图表形式展示关联规则的分布情况，并提供关联规则的解释和推理。

7.具体实施时，权利要求1所述的方法中，图构建模块可以进一步细化为：根据装备采购明细表中的物资名称和物资类别，构建动态图，以捕捉物品之间的时间顺序关系。

技术总结本发明提供了一种基于图神经网络的装备采购关联规则挖掘方法及系统。该方法通过构建装备采购明细表中物品之间的关联关系图，并利用图神经网络模型进行训练和挖掘，实现了对装备采购数据中潜在关联规则的深度挖掘和分析。该系统包括数据预处理模块、图构建模块、图神经网络模型模块、关联规则挖掘模块和结果展示模块。本发明提供的方法和系统能够有效地发现装备采购数据中的关联规则，为装备采购决策提供了新的思路和方法。技术研发人员：黄剑宇,刘煜受保护的技术使用者：北京数模科技有限公司技术研发日：技术公布日：2024/8/1