一种基于人工智能的供应链验证方法及系统与流程

1.本技术涉及人工智能、数据处理领域，具体而言，涉及一种基于人工智能的供应链验证方法及系统。


背景技术：

2.供应链管理是站在全局、广域、产品全生命周期的广度，不仅注重企业的内部，还将目光关注到企业外部，与企业有联系的其他企业，以及企业生存所依靠的外部环境。将不同企业的采购、生产、销售等环节纳入网链结构。智慧供应链管理将应用物联网、互联网、人工智能、大数据等新一代信息技术，优化创新供应链的效率和效益，通过智慧供应链管理方案的实施，有效支持相关业务的智能化运作、信息化管理，提升业务链条整体的运作效率，真正做到供应链管理的及时化、透明化、互动化和可追溯化，从而最大程度为各利益相关方实现价值。目前，在智慧供应链管理中，如何进行供应链的异常识别验证，特别是如何提高异常识别准确性是需要解决的技术问题。


技术实现要素：

3.本发明的目的在于提供一种基于人工智能的供应链验证方法及系统，以改善上述问题。
4.本技术实施例的实现方式如下：
5.第一方面，本技术实施例提供一种基于人工智能的供应链验证方法，应用于供应链服务器，所述方法包括：
6.响应于模板调取指令，从基础数据库中调取供应链记录训练日志，基于原始供应链日志验证网络执行得到所述供应链记录训练日志对应的第一归一映射结果，通过所述第一归一映射结果和所述供应链记录训练日志的模板提炼表征向量建立第一注意力聚焦数据集；其中，所述第一归一映射结果为通过所述供应链记录训练日志中的供应链流程训练数据对应的目标合规性表征向量获取到，所述第一注意力聚焦数据集用以指示所述供应链流程训练数据的异常流程节点在所述供应链记录训练日志中的分布情况；
7.对所述供应链记录训练日志进行数据调整得到调整供应链记录日志，基于所述原始供应链日志验证网络执行得到所述调整供应链记录日志对应的第二归一映射结果，通过所述第二归一映射结果与所述调整供应链记录日志的调整提炼表征向量建立第二注意力聚焦数据集；其中，所述第二归一映射结果为通过所述调整供应链记录日志中的供应链流程训练数据对应的调整合规性表征向量获取到，所述第二注意力聚焦数据集用以指示所述供应链流程训练数据的异常流程节点在所述调整供应链记录日志中的分布情况；
8.通过所述第一注意力聚焦数据集和所述第二注意力聚焦数据集，确定所述原始供应链日志验证网络的趋同代价值，通过所述第一归一映射结果、所述第二归一映射结果和所述供应链记录训练日志匹配的异常流程节点类型注释信息，确定所述原始供应链日志验证网络的映射代价值；
9.基于所述趋同代价值和所述映射代价值，对所述原始供应链日志验证网络的网络配置变量进行优化，得到目标供应链日志验证网络；所述目标供应链日志验证网络被配置为识别目标供应链记录日志中的异常流程节点所对应的异常类型和数据分布信息。
10.作为一种实施方式，所述基于原始供应链日志验证网络执行得到所述供应链记录训练日志对应的第一归一映射结果，通过所述第一归一映射结果和所述供应链记录训练日志的模板提炼表征向量建立第一注意力聚焦数据集，包括：
11.将所述供应链记录训练日志加载到所述原始供应链日志验证网络，通过所述原始供应链日志验证网络获取所述供应链记录训练日志中的所述供应链流程训练数据对应的目标合规性表征向量；
12.通过所述原始供应链日志验证网络中的归一映射算子对所述目标合规性表征向量进行处理，得到所述供应链记录训练日志对应的第一归一映射结果；
13.获取所述原始供应链日志验证网络中的目标特征提炼算子执行得到的针对所述供应链记录训练日志的模板提炼表征向量，将所述第一归一映射结果和所述模板提炼表征向量相乘，得到所述供应链记录训练日志对应的中间注意力聚焦数据集；
14.对所述中间注意力聚焦数据集进行双线性插值，得到与所述供应链记录训练日志同样维度的第一注意力聚焦数据集。
15.作为一种实施方式，所述通过所述原始供应链日志验证网络获取所述供应链记录训练日志中的所述供应链流程训练数据对应的目标合规性表征向量，包括：
16.在所述原始供应链日志验证网络中获取所述供应链记录训练日志中的所述供应链流程训练数据对应的整体合规性表征向量，基于所述原始供应链日志验证网络中的归一映射算子，执行得到所述整体合规性表征向量对应的整体归一映射结果；
17.将所述整体归一映射结果和所述模板提炼表征向量相乘，得到所述供应链记录训练日志对应的整体注意力聚焦数据集，通过所述整体注意力聚焦数据集对所述供应链记录训练日志进行拆分，得到u个子供应链记录日志，u≥1；
18.将所述u个子供应链记录日志逐一加载到所述原始供应链日志验证网络，在所述原始供应链日志验证网络中获取所述u个子供应链记录日志各自对应的子合规性表征向量；
19.将所述整体合规性表征向量与所述u个子供应链记录日志所对应的子合规性表征向量进行向量融合，得到所述供应链记录训练日志中的所述供应链流程训练数据对应的目标合规性表征向量。
20.作为一种实施方式，所述原始供应链日志验证网络包括v个跳跃误差模块，每个跳跃误差模块包括至少一个特征提炼算子，其中，v≥1；所述在所述原始供应链日志验证网络中获取所述供应链记录训练日志中的所述供应链流程训练数据对应的整体合规性表征向量，包括：
21.获取所述v个跳跃误差模块中的第p个跳跃误差模块加载的表征向量；若p＝1，所述第p个跳跃误差模块加载的表征向量为所述供应链记录训练日志，1≤p≤v；
22.通过所述第p个跳跃误差模块中的至少一个特征提炼算子，对第p个跳跃误差模块加载的表征向量进行滤波，得到中间提炼表征向量；
23.对所述中间提炼表征向量和所述第p个跳跃误差模块加载的表征向量进行融合，
得到所述第p个跳跃误差模块的跳跃误差表征向量，将所述第p个跳跃误差模块的跳跃误差表征向量确定为第q个跳跃误差模块的输入表征向量；所述第p个跳跃误差模块与所述第q个跳跃误差模块级联，其中，q＝p+1；
24.将第v个跳跃误差模块的跳跃误差表征向量确定为所述供应链记录训练日志中的所述供应链流程训练数据对应的整体合规性表征向量。
25.作为一种实施方式，所述整体合规性表征向量的数目为t，t≥1；所述基于所述原始供应链日志验证网络中的归一映射算子，执行得到所述整体合规性表征向量对应的整体归一映射结果，包括：
26.获取t个整体合规性表征向量各自对应的向量调节结果，将所述t个整体合规性表征向量所对应的向量调节结果拼接成整体向量表示；
27.通过所述原始供应链日志验证网络中的非线性变换算子将所述整体向量表示变换为拟映射向量表示；
28.将所述拟映射向量表示加载到所述原始供应链日志验证网络中的归一映射算子，基于所述原始供应链日志验证网络中的归一映射算子，执行得到所述拟映射向量表示对应的整体归一映射结果。
29.作为一种实施方式，所述通过所述第一注意力聚焦数据集和所述第二注意力聚焦数据集，确定所述原始供应链日志验证网络的趋同代价值，包括：
30.对所述第二注意力聚焦数据集进行所述数据调整，得到调整注意力聚焦数据集；
31.对所述第一注意力聚焦数据集和所述调整注意力聚焦数据集进行共性限制，确定所述原始供应链日志验证网络的趋同代价值。
32.作为一种实施方式，所述通过所述第一归一映射结果、所述第二归一映射结果和所述供应链记录训练日志匹配的异常流程节点类型注释信息，确定所述原始供应链日志验证网络的映射代价值，包括：
33.获取所述第一归一映射结果与所述供应链记录训练日志匹配的异常流程节点类型注释信息之间的第一差异信息，通过所述第一差异信息确定所述原始供应链日志验证网络的训练日志代价值；
34.获取所述第二归一映射结果与所述异常流程节点类型注释信息之间的第二差异信息，通过所述第二差异信息确定所述原始供应链日志验证网络的调整代价值；
35.通过所述训练日志代价值和所述调整代价值，确定所述原始供应链日志验证网络的所述映射代价值；
36.所述基于所述趋同代价值和所述映射代价值，对所述原始供应链日志验证网络的网络配置变量进行优化，得到目标供应链日志验证网络，包括：
37.通过所述趋同代价值和所述映射代价值，确定所述原始供应链日志验证网络对应的网络整合代价值；
38.基于对所述网络整合代价值进行梯度下降操作，调节所述原始供应链日志验证网络的网络配置变量，将对应调节好的网络配置变量的原始供应链日志验证网络确定为目标供应链日志验证网络。
39.作为一种实施方式，所述方法还包括：
40.获取目标供应链记录日志，基于目标供应链日志验证网络获取目标供应链记录日
志中的目标供应链流程数据所对应的目标合规性表征向量，识别所述目标合规性表征向量对应的异常归一映射结果；所述异常归一映射结果用以指示所述目标供应链流程数据的异常流程节点所对应的异常类型；
41.通过所述异常归一映射结果和所述目标供应链记录日志的对象提炼表征向量，建立异常注意力聚焦数据集；
42.获取所述异常注意力聚焦数据集对应的数据均衡结果，通过所述数据均衡结果确定所述目标供应链流程数据中的异常流程节点在所述目标供应链记录日志中的数据分布信息，通过所述异常类型和所述数据分布信息确定所述目标供应链记录日志中的所述目标供应链流程数据所对应的异常评估结果。
43.作为一种实施方式，所述基于目标供应链日志验证网络获取目标供应链记录日志中的目标供应链流程数据所对应的目标合规性表征向量，包括：
44.将所述目标供应链记录日志加载到所述目标供应链日志验证网络，在所述目标供应链日志验证网络中获取所述目标供应链记录日志中的所述目标供应链流程数据对应的整体数据表征向量，通过所述目标供应链日志验证网络中的归一映射算子，执行得到所述整体数据表征向量对应的整体数据归一映射结果；
45.获取所述目标供应链日志验证网络中的目标特征提炼算子执行得到的针对所述目标供应链记录日志的对象提炼表征向量，将所述整体数据归一映射结果和所述对象提炼表征向量相乘，得到所述目标供应链记录日志对应的整体数据表征向量数据集；
46.通过所述整体数据表征向量数据集对所述目标供应链记录日志进行拆分，得到u个流程异常记录日志，通过所述目标供应链日志验证网络获取所述u个流程异常记录日志各自对应的流程异常表征向量；u≥1；
47.将所述整体数据表征向量和所述u个流程异常记录日志所对应的流程异常表征向量融合为所述目标合规性表征向量。
48.第二方面，本技术实施例提供一种供应链验证系统，包括互相之间通信连接的数据采集端和供应链服务器，所述供应链服务器包括存储器和处理器，所述存储器存储有计算机程序，当所述处理器运行所述计算机程序时，实现以上所述的方法。
49.本技术至少包含以下有益效果：本技术实施例提供的基于人工智能的供应链验证方法及系统，基于原始供应链日志验证网络挖掘供应链记录训练日志的目标合规性表征向量，通过对目标合规性表征向量进行归一映射以获得标合规性表征向量的第一归一映射结果，并基于第一归一映射结果和供应链记录训练日志的模板提炼表征向量建立第一注意力聚焦数据集，此外对供应链记录训练日志进行数据调整得到调整供应链记录日志，并基于原始供应链日志验证网络挖掘调整供应链记录日志中的调整合规性表征向量，通过调整合规性表征向量的第二归一映射结果和调整供应链记录日志的调整提炼表征向量建立第二注意力聚焦数据集，这样能为第一注意力聚焦数据集和第二注意力聚焦数据集加之共性限制，也就是趋同代价，使得训练获得的目标供应链日志验证网络可以增加供应链记录日志中的异常流程节点的识别精度，且在对原始供应链日志验证网络进行优化的过程中，不用对供应链记录训练日志中的供应链流程训练数据的各个异常流程节点的分布情况进行标注，供应链记录训练日志的获取渠道更加丰富，让供应链记录训练日志的异常流程节点分布标注的过程减少，使得供应链记录日志的验证速度得到提升。
50.在后面的描述中，将部分地陈述其他的特征。在检查后面内容和附图时，本领域的技术人员将部分地发现这些特征，或者可以通过生产或运用了解到这些特征。通过实践或使用后面所述详细示例中列出的方法、工具和组合的各个方面，当前申请中的特征可以被实现和获得。
附图说明
51.为了更清楚地说明本技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
52.附图中的方法、系统和/或程序将根据示例性实施例进一步描述。这些示例性实施例将参照图纸进行详细描述。这些示例性实施例是非限制的示例性实施例，其中参考数字在附图的各个视图中代表相似的机构。
53.图1是根据本技术的一些实施例所示的供应链验证系统的组成示意图。
54.图2是根据本技术的一些实施例所示的一种供应链服务器中硬件和软件组成的示意图。
55.图3是根据本技术的一些实施例所示的一种基于人工智能的供应链验证方法的流程图。
56.图4是本技术实施例提供的供应链验证装置的架构示意图。
具体实施方式
57.为了更好的理解上述技术方案，下面通过附图以及具体实施例对本技术技术方案做详细的说明，应当理解本技术实施例以及实施例中的具体特征是对本技术技术方案的详细的说明，而不是对本技术技术方案的限定，在不冲突的情况下，本技术实施例以及实施例中的技术特征可以相互组合。
58.在下面的详细描述中，通过实例阐述了许多具体细节，以便提供对相关指导的全面了解。然而，对于本领域的技术人员来说，显然可以在没有这些细节的情况下实施本技术。在其他情况下，公知的方法、程序、系统、组成和/或电路已经在一个相对较高水平上被描述，没有细节，以避免不必要的模糊本技术的方面。
59.这些和其他特性、当前申请披露的功能、执行的方法、结构中相关元素的功能和部件的组合和生产经济性,在参照附图进行以下描述的考虑中可能会变得更加明显,所有这些形成本技术的一部分。然而，需要理解清楚的是，附图仅仅是为了说明和描述的目的，并不旨在限制本技术的范围。应当了解的是，这些图纸不是按比例绘制的。然而，应当明确理解的是，附图仅用于说明和描述的目的，并不意图限制本技术的范围。应当知晓的是，这些附图并不依照比例。
60.本技术中使用流程图说明根据本技术的实施例的系统所执行的执行过程。应当明确理解的是，流程图的执行过程可以不按顺序执行。相反，这些执行过程可以以相反的顺序或同时执行。另外，可以将至少一个其他执行过程添加到流程图。一个或多个执行过程可以从流程图中删除。
61.图1是根据本技术的一些实施例所示的供应链验证系统400的组成示意图，供应链验证系统400包括相互之间通过网络200通信连接的供应链服务器100和数据采集端300。数据采集端300例如是设置在全供应链的各个环节的数据接收装置，例如设置在供应商、制造商、生产经销商等环节的数字化设备，如记录设备。
62.在一些实施例中，请参照图2，是供应链服务器100的架构示意图，该供应链服务器100包括供应链验证装置110、存储器120、处理器130和通信单元140。存储器120、处理器130以及通信单元140各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。供应链验证装置110包括至少一个可以软件或固件(firmware)的形式存储于存储器120中或固化在供应链服务器100的操作系统(operating system，os)中的软件功能模块。处理器130用于执行存储器120中存储的可执行模块，例如供应链验证装置110所包括的软件功能模块及计算机程序等。
63.其中，所述存储器120可以是，但不限于，随机存取存储器(random access memory，ram)，只读存储器(read only memory，rom)，可编程只读存储器(programmable read-only memory，prom)，可擦除只读存储器(erasable programmable read-only memory，eprom)，电可擦除只读存储器(electric erasable programmable read-only memory，eeprom)等。其中，存储器120用于存储程序，处理器130在接收到执行指令后，执行所述程序。通信单元140用于通过网络建立供应链服务器100与数据采集端300之间的通信连接，并用于通过网络收发数据。
64.处理器可能是一种集成电路芯片，具有信号的处理能力。上述的处理器可以是通用处理器，包括中央处理器(central processing unit，cpu)、网络处理器(network processor，np)等；还可以是数字信号处理器(dsp))、专用集成电路(asic)、现场可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
65.可以理解，图2所示的结构仅为示意，供应链服务器100还可包括比图2中所示更多或者更少的组件，或者具有与图2所示不同的配置。图2中所示的各组件可以采用硬件、软件或其组合实现。
66.本技术实施例可以获取需要进行处理的目标供应链记录日志，采取目标供应链日志验证网络输出目标供应链记录日志中的目标供应链流程数据的各个异常流程节点各自对应的异常类型和数据分布信息，通过数据分布信息和异常类型可以确定目标供应链记录日志中的目标供应链流程数据所对应的异常评估结果。本技术实施例还可基于大量匹配异常流程节点类型注释信息的训练日志(训练的样本)，对原始供应链日志验证网络进行优化，优化好的的原始供应链日志验证网络即目标供应链日志验证网络。其中，目标供应链记录日志是对供应链管理过程中涉及的环节进行数据记录得到的日志文件，例如在供应商、制造商、多级经销商等多个环节产生的商流、信息流、资金流、物流等数据，对于不同类型的数据可以通过不同的编码进行指代，并辅以对应的数值，形成的数据文件即目标供应链记录日志。
67.原始供应链日志验证网络即网络调试环节没有优化完毕的供应链日志验证网络，
供应链日志验证网络用于对供应链记录日志进行验证是否具有异常供应链流程及对应的异常类型，如对于其中的供应链流程数据验证是否包含异常生产、物资供应断档、仓库设备类型或数量异常等异常类型。目标供应链日志验证网络例如是优化好的的原始供应链日志验证网络，异常流程节点例如是不同的环节中的节点，其节点的划分粒度根据实际需要进行设定，例如针对计划、采购、生产、分销、零售等进行划分，还对例如生产进行更细致划分，如加工、仓储、运输等。
68.下面对本技术实施例提供的基于人工智能的供应链验证方法的具体流程进行介绍，请参照图3，该方法应用于供应链服务器，具体包含：
69.步骤110，响应于模板调取指令，从基础数据库中调取供应链记录训练日志，基于原始供应链日志验证网络执行得到供应链记录训练日志对应的第一归一映射结果，通过第一归一映射结果和供应链记录训练日志的模板提炼表征向量建立第一注意力聚焦数据集。
70.本技术实施例中，第一归一映射结果为通过供应链记录训练日志中的供应链流程训练数据对应的目标合规性表征向量获取到，第一注意力聚焦数据集用以指示供应链流程训练数据的异常流程节点在供应链记录训练日志中的分布情况。归一映射结果实质上是经过分类器进行分类后得到的结果，分类器的选择不做限定，如决策树，逻辑回归，朴素贝叶斯，全连接神经网络等。
71.供应链记录训练日志的数目可以为多个，每个供应链记录训练日志均是包含供应链流程训练数据的供应链记录日志，每个供应链记录训练日志均可匹配异常流程节点类型注释信息，异常流程节点类型注释信息表示供应链记录训练日志中涵盖的供应链流程训练数据的各个异常流程节点各自对应的类型。供应链服务器调用初始化的供应链日志验证网络(原始供应链日志验证网络)，对原始供应链日志验证网络进行调试时，每一次调试可加载一个供应链记录训练日志，或者加载多个供应链记录训练日志，具体而言，对供应链记录训练日志的数目不做限定。对于多个供应链记录训练日志中的任一供应链记录训练日志，供应链服务器将供应链记录训练日志加载到原始供应链日志验证网络，基于原始供应链日志验证网络可以调取供应链记录训练日志中的供应链流程训练数据所对应的目标合规性表征向量，目标合规性表征向量可以表征供应链记录训练日志中的供应链流程训练数据的合规性，合规性表示供应链流程是否符合标准流程。基于原始供应链日志验证网络的归一映射算子对目标合规性表征向量进行处理，得到目标合规性表征向量对应的第一归一映射结果；再通过第一归一映射结果和供应链记录训练日志对应的模板提炼表征向量，建立第一注意力聚焦数据集，第一注意力聚焦数据集可以用以指示供应链流程训练数据的各个异常流程节点分别在供应链记录训练日志中的分布情况。其中，模板提炼表征向量例如为原始供应链日志验证网络中的目标特征提炼算子执行得到的针对供应链记录训练日志的提炼表征向量，目标特征提炼算子为原始供应链日志验证网络中的末尾的特征提炼算子，特征提炼算子可以是卷积算子，对数据进行卷积滤波以完成数据的提炼。
72.原始供应链日志验证网络的网络架构具体不做限定，例如可包括dnn、cnn、lstm、resnet、rnn等。
73.作为一种实施方式，供应链服务器通过原始供应链日志验证网络获取供应链记录训练日志中的供应链流程训练数据对应的目标合规性表征向量，同时识别得到目标合规性表征向量对应的第一归一映射结果，获取原始供应链日志验证网络中的目标特征提炼算子
执行得到的针对供应链记录训练日志的模板提炼表征向量，将第一归一映射结果和模板提炼表征向量相乘，得到供应链记录训练日志对应的中间注意力聚焦数据集；目标特征提炼算子例如是原始供应链日志验证网络中末尾的特征提炼算子，因为末尾的特征提炼算子执行得到的模板提炼表征向量的维度小于供应链记录训练日志的维度，也就是中间注意力聚焦数据集的维度小于供应链记录训练日志的维度，则对中间注意力聚焦数据集进行双线性插值，完成上采样后获得和供应链记录训练日志同样维度的第一注意力聚焦数据集。其中，第一归一映射结果包含供应链流程训练数据的异常流程节点对应不同类型的置信水平，第一归一映射结果中的置信水平被视作目标特征提炼算子执行得到的模板提炼表征向量对应的影响系数(权值)，依据第一归一映射结果对模板提炼表征向量进行加权，对原始供应链日志验证网络所聚焦的数据范围进行指示，第一注意力聚焦数据集即显著性图(class activation mapping)原理获得。
74.步骤120，对供应链记录训练日志进行数据调整得到调整供应链记录日志，基于原始供应链日志验证网络执行得到调整供应链记录日志对应的第二归一映射结果，通过第二归一映射结果与调整供应链记录日志的调整提炼表征向量建立第二注意力聚焦数据集。
75.本技术实施例中，第二归一映射结果为通过调整供应链记录日志中的供应链流程训练数据对应的调整合规性表征向量获取到，第二注意力聚焦数据集用以指示供应链流程训练数据的异常流程节点在调整供应链记录日志中的分布情况。
76.例如，供应链服务器对训练日志进行数据调整，得到供应链记录训练日志对应的调整供应链记录日志，其中调整供应链记录日志的数目可以为至少一个，不同的调整供应链记录日志可以是对供应链记录训练日志进行不同的数据调整得到，数据调整包含数据删除、数据更改、噪声引入等。针对数据调整得到的至少一个调整供应链记录日志，供应链服务器将至少一个调整供应链记录日志逐一加载到原始供应链日志验证网络，基于原始供应链日志验证网络可获取调整供应链记录日志中的供应链流程训练数据所对应的调整合规性表征向量，基于原始供应链日志验证网络的归一映射算子对调整合规性表征向量进行处理，得到调整供应链记录日志对应的第二归一映射结果，再依据第二归一映射结果和调整供应链记录日志的调整提炼表征向量建立第二注意力聚焦数据集。也就是说，供应链服务器依据原始供应链日志验证网络对调整供应链记录日志的处理方式和以上供应链记录训练日志的过程一致。如果供应链服务器基于一种调整方式对供应链记录训练日志进行数据调整时，可获得供应链记录训练日志对应的一个调整供应链记录日志，并基于原始供应链日志验证网络可以建立调整供应链记录日志对应的第二注意力聚焦数据集，如果供应链服务器基于多种调整方式对供应链记录训练日志进行数据调整，可获得供应链记录训练日志对应的多个调整供应链记录日志，基于原始供应链日志验证网络可以建立多个调整供应链记录日志各自对应的第二注意力聚焦数据集，也就是一个调整供应链记录日志可对应一个第二注意力聚焦数据集。
77.步骤130，通过第一注意力聚焦数据集和第二注意力聚焦数据集，确定原始供应链日志验证网络的趋同代价值，通过第一归一映射结果、第二归一映射结果和供应链记录训练日志匹配的异常流程节点类型注释信息，确定原始供应链日志验证网络的映射代价值。
78.例如，供应链服务器通过供应链记录训练日志对应的第一注意力聚焦数据集，以及数据调整后的调整供应链记录日志所对应的第二注意力聚焦数据集，确定原始供应链日
志验证网络的共性代价值。共性代价值的获取方式例如为：供应链服务器对第二注意力聚焦数据集进行一样的数据调整，得到调整注意力聚焦数据集，对第一注意力聚焦数据集和调整注意力聚焦数据集进行共性限制，即相似性约束，得到原始供应链日志验证网络的共性代价值。该供应链记录训练日志和各个调整供应链记录日志中的供应链流程训练数据为相同的供应链流程训练数据，供应链记录训练日志对应的第一注意力聚焦数据集和上述调整注意力聚焦数据集则对一个一致的分布情况，则原始供应链日志验证网络在调试过程中，可以为第一注意力聚焦数据集和调整注意力聚焦数据集进行共性限制，使得网络学习不同异常流程节点的分布情况。
79.因为供应链记录训练日志匹配包含供应链流程训练数据对应的异常流程节点类型注释信息，无论是供应链记录训练日志和数据调整后的调整供应链记录日志，对应的供应链流程训练数据是一致的，所以供应链流程训练数据和调整供应链记录日志中的异常流程节点的异常类型相同，且异常流程节点的异常类型为供应链记录训练日志所匹配的异常流程节点类型注释信息。供应链服务器可获取第一归一映射结果和异常流程节点类型注释信息之间的第一差异信息，通过第一差异信息确定原始供应链日志验证网络的训练日志代价值，第一差异信息例如为第一归一映射结果和异常流程节点类型注释信息之间的矢量差值，还可获取第二归一映射结果与异常流程节点类型注释信息之间的第二差异信息，通过第二差异信息可以确定原始供应链日志验证网络的调整代价值，第二差异信息为第二归一映射结果和异常流程节点类型注释信息之间的矢量差值；通过训练日志代价值和调整代价值，确定原始供应链日志验证网络的映射代价值。举例而言，将训练日志代价值ca和调整代价值cb求和或加权求和，将求和或加权求和的结果确定为原始供应链日志验证网络的映射代价值。
80.步骤140，基于趋同代价值和映射代价值，对原始供应链日志验证网络的网络配置变量进行优化，得到目标供应链日志验证网络；目标供应链日志验证网络被配置为识别目标供应链记录日志中的异常流程节点所对应的异常类型和数据分布信息。
81.举例而言，供应链服务器基于趋同代价值和映射代价值对原始供应链日志验证网络的网络配置变量进行优化，将优化好的原始供应链日志验证网络确定为目标供应链日志验证网络。作为一种实施方式，供应链服务器通过趋同代价值和映射代价值，确定原始供应链日志验证网络对应的网络整合代价值，网络整合代价值为趋同代价值和映射代价值的求和结果或加权求和结果。基于对原始供应链日志验证网络的网络整合代价值进行梯度下降操作，可以调节原始供应链日志验证网络的网络配置变量，将对应调节好的网络配置变量的原始供应链日志验证网络确定为目标供应链日志验证网络，目标供应链日志验证网络为优化好的原始供应链日志验证网络。也就是说，基于梯度下降操作，最小化网络整合代价值，持续优化原始供应链日志验证网络的网络配置变量，如果原始供应链日志验证网络的迭代次数满足预设的最大次数或原始供应链日志验证网络收敛，则确定下网络配置变量，将具有该网络配置变量的原始供应链日志验证网络确定为目标供应链日志验证网络。目标供应链日志验证网络可以被配置为识别目标供应链记录日志中的异常流程节点对应的异常类型和数据分布信息，异常类型和数据分布信息可以用于确定目标供应链记录日志中目标供应链流程数据对应的异常评估结果。
82.作为一种示意性解释，供应链服务器在获取到供应链记录训练日志后，将供应链
记录训练日志加载到跳跃误差算子，其为resnet，即以上的原始供应链日志验证网络，基于跳跃误差算子获得目标合规性表征向量，对目标合规性表征向量进行处理得到供应链记录训练日志对应的第一归一映射结果，将第一归一映射结果和跳跃误差算子中的末尾的特征提炼算子执行得到的模板提炼表征向量相乘，获得第一注意力聚焦数据集，第一注意力聚焦数据集的数目可以为至少一个，与供应链记录训练日志涵盖的供应链流程训练数据的异常流程节点类型数目一致，也即，第一注意力聚焦数据集包含供应链记录训练日志中的各个异常流程节点类型各自对应的注意力聚焦数据集。供应链服务器通过第一归一映射结果与供应链记录训练日志匹配的异常流程节点类型注释信息之间的第一差异信息，确定跳跃误差算子的训练日志代价值。然后，供应链服务器对供应链记录训练日志中的供应链流程训练数据进行调整，得到调整供应链记录日志，将调整供应链记录日志加载到跳跃误差算子，基于跳跃误差算子得到调整合规性表征向量，对调整合规性表征向量进行处理得到供应链记录训练日志对应的第二归一映射结果，将第二归一映射结果和跳跃误差算子中的末尾的特征提炼算子执行得到的调整提炼表征向量相乘，得到第二注意力聚焦数据集，第二注意力聚焦数据集包括调整供应链记录日志中的各个异常流程节点类型各自对应的注意力聚焦数据集。供应链服务器通过第二归一映射结果与异常流程节点类型注释信息之间的第二差异信息，确定跳跃误差算子的调整代价值。
83.供应链服务器还可以为第一注意力聚焦数据集和第二注意力聚焦数据集加之共性限制，确定跳跃误差算子的趋同代价值，基于训练日志代价值、调整代价值以及趋同代价值确定跳跃误差算子的网络整合代价值，基于对网络整合代价值进行梯度下降操作，反复优化跳跃误差算子的网络配置变量直到达到预设停止条件，得到优化好的目标供应链日志验证网络。
84.本技术实施例基于原始供应链日志验证网络挖掘供应链记录训练日志中的目标合规性表征向量，基于对目标合规性表征向量进行归一映射，得到目标合规性表征向量的第一归一映射结果，依据第一归一映射结果和供应链记录训练日志的模板提炼表征向量建立第一注意力聚焦数据集，且对供应链记录训练日志进行数据调整得到调整供应链记录日志，基于原始供应链日志验证网络挖掘调整供应链记录日志中的调整合规性表征向量，通过调整合规性表征向量的第二归一映射结果和调整供应链记录日志的调整提炼表征向量建立第二注意力聚焦数据集，为第一注意力聚焦数据集和第二注意力聚焦数据集加之共性限制(趋同代价值)，如此优化获得的目标供应链日志验证网络增加了供应链记录日志中的异常流程节点的确定精度，另一方面，原始供应链日志验证网络的优化过程中，不用对供应链记录训练日志中的供应链流程训练数据的各个异常流程节点的分布情况进行标注，供应链记录训练日志的获取渠道更加丰富，让供应链记录训练日志的异常流程节点分布标注的过程减少，使得供应链记录日志的验证速度得到提升。
85.在另一可行的实施方案中，本技术提供的基于人工智能的供应链验证方法包含以下步骤：
86.步骤210，响应于模板调取指令，从基础数据库中调取供应链记录训练日志，在原始供应链日志验证网络中，调取供应链记录训练日志中的供应链流程训练数据对应的整体合规性表征向量，基于原始供应链日志验证网络中的归一映射算子，执行得到整体合规性表征向量对应的整体归一映射结果。
87.举例而言，供应链服务器获取供应链记录训练日志后，将供应链记录训练日志加载到原始供应链日志验证网络，通过原始供应链日志验证网络获取供应链记录训练日志中的供应链流程训练数据所对应的整体合规性表征向量，整体合规性表征向量表征供应链记录训练日志中的供应链流程训练数据的全局合规性。基于原始供应链日志验证网络的归一映射算子对整体合规性表征向量进行处理，得到该整体合规性表征向量对应的整体归一映射结果。
88.一个实施方式中，原始供应链日志验证网络为跳跃误差算子(残差算子)，原始供应链日志验证网络包括v个跳跃误差模块，每个跳跃误差模块包括至少一个特征提炼算子，其中，v≥1。整体合规性表征向量的挖掘过程包括：供应链服务器获取v个跳跃误差模块中的第p个跳跃误差模块加载的表征向量，若p＝1，第p个跳跃误差模块加载的表征向量为供应链记录训练日志，1≤p≤v。作为一种实施方式，在原始供应链日志验证网络的v个跳跃误差模块之前，原始供应链日志验证网络还包含至少一个单独的特征提炼算子，第一个特征提炼算子加载的表征向量为供应链记录训练日志经由原始供应链日志验证网络中的单独特征提炼算子后执行得到的提炼表征向量。
89.通过第p个跳跃误差模块中的至少一个特征提炼算子对第p个跳跃误差模块加载的表征向量进行滤波，得到中间提炼表征向量，再对中间提炼表征向量和第p个中间跳跃误差模块加载的表征向量进行融合，如相加，获得第p个跳跃误差模块的跳跃误差表征向量，将第p个跳跃误差模块的跳跃误差表征向量确定为第q个跳跃误差模块的输入表征向量，将第v个跳跃误差模块的跳跃误差表征向量确定为供应链记录训练日志中的供应链流程训练数据对应的整体合规性表征向量。其中，第p个跳跃误差模块与第q个跳跃误差模块级联，q＝p+1。作为一种实施方式，如果中间提炼表征向量的维度与第p个中间跳跃误差模块加载的表征向量的维度不同，则对第p个中间跳跃误差模块加载的表征向量进行线性变换，得到的变换表征向量的维度和中间提炼表征向量的维度一致，将变换表征向量与中间提炼表征向量求和得到第p个跳跃误差模块的跳跃误差表征向量。也就是说，原始供应链日志验证网络中的v个跳跃误差模块级联，上一跳跃误差模块的跳跃误差表征向量为下一跳跃误差模块输入的表征向量，最后将末尾的跳跃误差模块(第v个跳跃误差模块)的跳跃误差表征向量确定为供应链记录训练日志中的供应链流程训练数据对应的整体合规性表征向量。
90.作为一种实施方式，整体合规性表征向量的数目为t，t≥1。t例如为整体合规性表征向量的通道或卷积核数，供应链服务器获取t个整体合规性表征向量各自对应的向量调节结果，具体地，可以是计算向量的平均值得到的均值计算结果，将t个整体合规性表征向量对应的向量调节结果拼接成整体向量表示，再通过原始供应链日志验证网络中的非线性变换算子(如sigmoid)将整体向量表示变换为拟映射向量表示，将拟映射向量表示加载到原始供应链日志验证网络的归一映射算子，基于原始供应链日志验证网络的归一映射算子，执行得到拟映射向量表示对应的整体归一映射结果。也即，供应链服务器对t个目标合规性表征向量进行降维(如进行global average pooling)，将每一整体合规性表征向量变换为一个向量，将t个目标合规性表征向量变换为一t维的整体向量表示，整体向量表示在穿过非线性变换算子后加载到归一映射算子，获得整体归一映射结果。这样留存供应链记录训练日志中的分布性信息，利于对数据进行分布情况确定。
91.步骤220，将整体归一映射结果和模板提炼表征向量相乘，得到供应链记录训练日
志对应的整体注意力聚焦数据集，通过整体注意力聚焦数据集对供应链记录训练日志进行拆分，得到u个子供应链记录日志；u≥1。
92.例如，供应链服务器将整体归一映射结果与供应链记录训练日志的模板提炼表征向量相乘，得到供应链记录训练日志对应的整体注意力聚焦数据集，整体注意力聚焦数据集包含供应链记录训练日志中的供应链流程训练数据的各个异常流程节点对应的注意力聚焦数据集。整体注意力聚焦数据集的建立，请参照步骤110。供应链服务器将各个异常流程节点的注意力聚焦数据集作为已知信息对供应链记录训练日志进行拆分得到u个子供应链记录日志，也即，通过整体注意力聚焦数据集对供应链记录训练日志进行拆解获得各个异常数据对应的子供应链记录日志。
93.步骤130，将u个子供应链记录日志逐一加载到原始供应链日志验证网络，在原始供应链日志验证网络中获取u个子供应链记录日志各自对应的子合规性表征向量。
94.例如，供应链服务器将拆分得到的u个子供应链记录日志再次加载到原始供应链日志验证网络，基于原始供应链日志验证网络获取更下层精细的表征向量，即每个子供应链记录日志各自对应的子合规性表征向量，子合规性表征向量表征供应链记录训练日志涵盖的供应链流程训练数据的每个供应链流程数据的合规性。
95.步骤240，将整体合规性表征向量与u个子供应链记录日志所对应的子合规性表征向量进行向量融合，得到供应链记录训练日志中的供应链流程训练数据对应的目标合规性表征向量。
96.例如，供应链服务器将原始供应链日志验证网络学习到的整体合规性表征向量和u个子合规性表征向量进行向量融合，如将整体合规性表征向量与u个子合规性表征向量拼接以获得供应链记录训练日志中的供应链流程训练数据所对应的目标合规性表征向量。目标合规性表征向量既可以包括供应链流程训练数据的每个供应链流程数据的子合规性表征向量，还可以包括供应链流程训练数据的整体合规性表征向量。在原始供应链日志验证网络中加入依据流程数据识别的拆分训练，使得目标合规性表征向量的精细性得到提高，以提升网络对分布信息识别的精度。
97.步骤250，通过原始供应链日志验证网络中的归一映射算子对目标合规性表征向量进行处理，得到供应链记录训练日志对应的第一归一映射结果；通过第一归一映射结果和供应链记录训练日志的模板提炼表征向量建立第一注意力聚焦数据集。
98.步骤260，对供应链记录训练日志进行数据调整得到调整供应链记录日志，基于原始供应链日志验证网络执行得到调整供应链记录日志对应的第二归一映射结果，通过第二归一映射结果与调整供应链记录日志的调整提炼表征向量建立第二注意力聚焦数据集；第二归一映射结果为通过调整供应链记录日志中的供应链流程训练数据对应的调整合规性表征向量获取到，第二注意力聚焦数据集用以指示供应链流程训练数据的异常流程节点在调整供应链记录日志中的分布情况。
99.步骤270，通过第一注意力聚焦数据集和第二注意力聚焦数据集，确定原始供应链日志验证网络的趋同代价值，通过第一归一映射结果、第二归一映射结果和供应链记录训练日志匹配的异常流程节点类型注释信息，确定原始供应链日志验证网络的映射代价值。
100.步骤280，基于趋同代价值和映射代价值，对原始供应链日志验证网络的网络配置变量进行优化，得到目标供应链日志验证网络；目标供应链日志验证网络被配置为识别目
标供应链记录日志中的异常流程节点所对应的异常类型和数据分布信息。
101.作为一种实施方式，原始供应链日志验证网络的映射代价值除涵盖训练日志代价值和调整代价值，还可包含整体代价值。整体代价值可以基于整体归一映射结果与异常流程节点类型注释信息之间的第三差异信息确定。
102.作为示意举例，在前面的示意举例的前提下，增加了依据流程数据识别的拆分训练，供应链服务器经过跳跃误差算子得到供应链记录训练日志对应的整体合规性表征向量后，基于降维和非线性变换算子对整体合规性表征向量进行处理，然后归一映射，得到整体归一映射结果，将整体归一映射结果与末尾的特征提炼算子执行得到的模板提炼表征向量作积得到整体注意力聚焦数据集。通过整体注意力聚焦数据集对供应链记录训练日志进行拆分，获得u个子供应链记录日志将u个子供应链记录日志逐一加载到跳跃误差算子，通过跳跃误差算子获得u个子供应链记录日志各自对应的子合规性表征向量。将u个子合规性表征向量与供应链记录训练日志的整体合规性表征向量进行向量融合，得到目标合规性表征向量，基于对目标合规性表征向量进行处理得到第一归一映射结果，将第一归一映射结果和跳跃误差算子中的末尾的特征提炼算子执行得到的模板提炼表征向量相乘，得到第一注意力聚焦数据集，该第一注意力聚焦数据集对供应链记录训练日志的异常流程数据的分布情况的识别性更强。
103.本技术实施例基于原始供应链日志验证网络挖掘供应链记录训练日志中的目标合规性表征向量，基于对目标合规性表征向量进行归一映射，得到目标合规性表征向量的第一归一映射结果，基于第一归一映射结果和供应链记录训练日志的模板提炼表征向量建立第一注意力聚焦数据集。此外，对供应链记录训练日志进行数据调整得到调整供应链记录日志，基于原始供应链日志验证网络挖掘调整供应链记录日志中的调整合规性表征向量，通过调整合规性表征向量的第二归一映射结果和调整供应链记录日志的调整提炼表征向量建立第二注意力聚焦数据集；再为第一注意力聚焦数据集和第二注意力聚焦数据集加之共性限制，如此优化获得的目标供应链日志验证网络可以增加供应链记录日志中的异常流程节点的分布情况确定的精度。进一步地，原始供应链日志验证网络的优化过程中，不用对供应链记录训练日志中的供应链流程训练数据的各个异常流程节点的分布情况进行标注，供应链记录训练日志的获取渠道更加丰富，让供应链记录训练日志的异常流程节点分布标注的过程减少，使得供应链记录日志的验证速度得到提升。更进一步地，在原始供应链日志验证网络中加入依据流程数据识别的拆分训练，获取到更精细的知识，获得对异常流程数据的分布情况更易感知的第一注意力聚焦数据集，增加供应链记录日志中的异常流程节点的分布情况确定的精度。
104.在一实施方案中，本技术提供一种基于人工智能的供应链验证方法，包含以下步骤：
105.步骤310，获取目标供应链记录日志，基于目标供应链日志验证网络获取目标供应链记录日志中的目标供应链流程数据所对应的目标合规性表征向量，识别目标合规性表征向量对应的异常归一映射结果；异常归一映射结果用以指示目标供应链流程数据的异常流程节点所对应的异常类型。
106.原始供应链日志验证网络在优化好后，优化好的原始供应链日志验证网络即目标供应链日志验证网络。供应链服务器获取目标供应链记录日志，将目标供应链记录日志加
载到优化好的目标供应链日志验证网络，通过目标供应链日志验证网络获取目标供应链记录日志中的目标供应链流程数据对应的目标合规性表征向量，基于目标供应链日志验证网络的归一映射算子，可以执行得到目标合规性表征向量对应的异常归一映射结果，异常归一映射结果用以指示目标供应链流程数据的异常流程节点的异常类型。目标合规性表征向量为通过目标供应链日志验证网络所挖掘到的针对目标供应链流程数据的整体数据表征向量，或者是目标供应链流程数据对应的整体数据表征向量和局部数据表征向量的整合表征向量。如果目标合规性表征向量为目标供应链记录日志中的目标供应链流程数据所对应的整体数据表征向量，代表基于目标供应链日志验证网络对目标供应链记录日志进行表征向量挖掘时没有加入依据流程数据识别的拆分训练，如果目标合规性表征向量为目标供应链记录日志中的目标供应链流程数据对应的整体数据表征向量和局部数据表征向量之间的整合表征向量，代表基于目标供应链日志验证网络对目标供应链记录日志进行表征向量挖掘时加入了依据流程数据识别的拆分训练。作为一种实施方式，如果基于目标供应链日志验证网络对目标供应链记录日志进行表征向量挖掘时加入了依据流程数据识别的拆分训练，则供应链服务器将目标供应链记录日志加载到目标供应链日志验证网络，在目标供应链日志验证网络中获取目标供应链记录日志中的目标供应链流程数据对应的整体数据表征向量，通过目标供应链日志验证网络中的归一映射算子执行得到整体数据表征向量对应的整体数据归一映射结果，获取目标供应链日志验证网络中的目标特征提炼算子执行得到的针对目标供应链记录日志的提炼表征向量，将整体数据归一映射结果和提炼表征向量相乘，获得目标供应链记录日志对应的整体数据表征向量数据集，通过整体数据表征向量数据集对目标供应链记录日志进行拆分，得到u个流程异常记录日志，通过目标供应链日志验证网络获取u个流程异常记录日志各自对应的流程异常表征向量；u≥1。将整体数据表征向量和u个流程异常记录日志对应的流程异常表征向量融合为目标合规性表征向量。
107.步骤320，通过异常归一映射结果和目标供应链记录日志的对象提炼表征向量，建立异常注意力聚焦数据集。
108.例如，供应链服务器在获得异常归一映射结果后，将异常归一映射结果和目标供应链记录日志的提炼表征向量作积以建立异常注意力聚焦数据集。
109.步骤330，获取异常注意力聚焦数据集对应的数据均衡结果，通过数据均衡结果确定目标供应链流程数据中的异常流程节点在目标供应链记录日志中的数据分布信息，通过异常类型和数据分布信息确定目标供应链记录日志中的目标供应链流程数据所对应的异常评估结果。
110.例如，供应链服务器对异常注意力聚焦数据集取数据均衡结果，将数据均衡结果确定为目标供应链流程数据中的异常流程节点在目标供应链记录日志中的数据分布信息，通过异常类型和数据分布信息确定目标供应链记录日志中的目标供应链流程数据的异常覆盖范围，以得到异常评估结果。
111.可选地，目标供应链记录日志包含至少一个目标供应链流程数据，供应链服务器得到目标供应链记录日志后，基于目标供应链日志验证网络识别目标供应链记录日志中涵盖的目标供应链流程数据，在目标供应链记录日志中确定目标供应链流程数据对应的数据范围，对目标供应链流程数据对应的数据范围进行合规性识别，也就是对目标供应链流程数据对应的数据范围进行表征向量挖掘，识别目标供应链流程数据中涵盖的全部异常流程
节点和每个异常流程节点对应的异常类型和数据分布信息，通过每个异常流程节点的异常类型和数据分布信息，对识别得到的全部异常流程节点连接起来获得针对目标供应链流程数据对应的覆盖范围。
112.请参照图4，是本发明实施例提供的供应链验证装置110的功能模块架构示意图，该供应链验证装置110可用于执行基于人工智能的供应链验证方法，其中，供应链验证装置110包括：
113.日志调取处理模块111，用于响应于模板调取指令，从基础数据库中调取供应链记录训练日志，基于原始供应链日志验证网络执行得到所述供应链记录训练日志对应的第一归一映射结果，通过所述第一归一映射结果和所述供应链记录训练日志的模板提炼表征向量建立第一注意力聚焦数据集；其中，所述第一归一映射结果为通过所述供应链记录训练日志中的供应链流程训练数据对应的目标合规性表征向量获取到，所述第一注意力聚焦数据集用以指示所述供应链流程训练数据的异常流程节点在所述供应链记录训练日志中的分布情况；
114.日志调整处理模块112，用于对所述供应链记录训练日志进行数据调整得到调整供应链记录日志，基于所述原始供应链日志验证网络执行得到所述调整供应链记录日志对应的第二归一映射结果，通过所述第二归一映射结果与所述调整供应链记录日志的调整提炼表征向量建立第二注意力聚焦数据集；其中，所述第二归一映射结果为通过所述调整供应链记录日志中的供应链流程训练数据对应的调整合规性表征向量获取到，所述第二注意力聚焦数据集用以指示所述供应链流程训练数据的异常流程节点在所述调整供应链记录日志中的分布情况；
115.网络代价获取模块113，用于通过所述第一注意力聚焦数据集和所述第二注意力聚焦数据集，确定所述原始供应链日志验证网络的趋同代价值，通过所述第一归一映射结果、所述第二归一映射结果和所述供应链记录训练日志匹配的异常流程节点类型注释信息，确定所述原始供应链日志验证网络的映射代价值；
116.网络参数优化模块114，用于基于所述趋同代价值和所述映射代价值，对所述原始供应链日志验证网络的网络配置变量进行优化，得到目标供应链日志验证网络；所述目标供应链日志验证网络被配置为识别目标供应链记录日志中的异常流程节点所对应的异常类型和数据分布信息。
117.由于在上述实施例中，已经对本发明实施例提供的基于人工智能的供应链验证方法进行了详细的介绍，而该供应链验证装置110的原理与该方法相同，此处不再对供应链验证装置110的各模块的执行原理进行赘述。
118.在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每
个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
119.另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
120.所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，物联数据服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
121.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
122.需要理解的是，针对上述内容没有进行名词解释的技术术语，本领域技术人员可以根据上述所公开的内容进行前后推导毫无疑义地确定其所指代的含义。本技术实施例公开的上述内容对于本领域技术人员而言是清楚完整的。应当理解，本领域技术人员基于上述公开的内容对未作解释的技术术语进行推导和分析的过程是基于本技术所记载的内容进行的，因此上述内容并不是对整体方案的创造性的评判。
123.上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅作为示例，而并不构成对本技术的限定。虽然此处并没有明确说明，本领域技术人员可以对本技术进行各种修改、改进和修正。该类修改、改进和修正在本技术中被建议，所以该类修改、改进、修正仍属于本技术示范实施例的精神和范围。
124.同样应当理解的是，为了简化本技术揭示的表述，从而帮助对至少一个发明实施例的理解，前文对本技术实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法幷不意味着本技术对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

技术特征：
1.一种基于人工智能的供应链验证方法，其特征在于，应用于供应链服务器，所述方法包括：响应于模板调取指令，从基础数据库中调取供应链记录训练日志，基于原始供应链日志验证网络执行得到所述供应链记录训练日志对应的第一归一映射结果，通过所述第一归一映射结果和所述供应链记录训练日志的模板提炼表征向量建立第一注意力聚焦数据集；其中，所述第一归一映射结果为通过所述供应链记录训练日志中的供应链流程训练数据对应的目标合规性表征向量获取到，所述第一注意力聚焦数据集用以指示所述供应链流程训练数据的异常流程节点在所述供应链记录训练日志中的分布情况；对所述供应链记录训练日志进行数据调整得到调整供应链记录日志，基于所述原始供应链日志验证网络执行得到所述调整供应链记录日志对应的第二归一映射结果，通过所述第二归一映射结果与所述调整供应链记录日志的调整提炼表征向量建立第二注意力聚焦数据集；其中，所述第二归一映射结果为通过所述调整供应链记录日志中的供应链流程训练数据对应的调整合规性表征向量获取到，所述第二注意力聚焦数据集用以指示所述供应链流程训练数据的异常流程节点在所述调整供应链记录日志中的分布情况；通过所述第一注意力聚焦数据集和所述第二注意力聚焦数据集，确定所述原始供应链日志验证网络的趋同代价值，通过所述第一归一映射结果、所述第二归一映射结果和所述供应链记录训练日志匹配的异常流程节点类型注释信息，确定所述原始供应链日志验证网络的映射代价值；基于所述趋同代价值和所述映射代价值，对所述原始供应链日志验证网络的网络配置变量进行优化，得到目标供应链日志验证网络；所述目标供应链日志验证网络被配置为识别目标供应链记录日志中的异常流程节点所对应的异常类型和数据分布信息。2.如权利要求1所述的方法，其特征在于，所述基于原始供应链日志验证网络执行得到所述供应链记录训练日志对应的第一归一映射结果，通过所述第一归一映射结果和所述供应链记录训练日志的模板提炼表征向量建立第一注意力聚焦数据集，包括：将所述供应链记录训练日志加载到所述原始供应链日志验证网络，通过所述原始供应链日志验证网络获取所述供应链记录训练日志中的所述供应链流程训练数据对应的目标合规性表征向量；通过所述原始供应链日志验证网络中的归一映射算子对所述目标合规性表征向量进行处理，得到所述供应链记录训练日志对应的第一归一映射结果；获取所述原始供应链日志验证网络中的目标特征提炼算子执行得到的针对所述供应链记录训练日志的模板提炼表征向量，将所述第一归一映射结果和所述模板提炼表征向量相乘，得到所述供应链记录训练日志对应的中间注意力聚焦数据集；对所述中间注意力聚焦数据集进行双线性插值，得到与所述供应链记录训练日志同样维度的第一注意力聚焦数据集。3.如权利要求2所述的方法，其特征在于，所述通过所述原始供应链日志验证网络获取所述供应链记录训练日志中的所述供应链流程训练数据对应的目标合规性表征向量，包括：在所述原始供应链日志验证网络中获取所述供应链记录训练日志中的所述供应链流程训练数据对应的整体合规性表征向量，基于所述原始供应链日志验证网络中的归一映射
算子，执行得到所述整体合规性表征向量对应的整体归一映射结果；将所述整体归一映射结果和所述模板提炼表征向量相乘，得到所述供应链记录训练日志对应的整体注意力聚焦数据集，通过所述整体注意力聚焦数据集对所述供应链记录训练日志进行拆分，得到u个子供应链记录日志，u≥1；将所述u个子供应链记录日志逐一加载到所述原始供应链日志验证网络，在所述原始供应链日志验证网络中获取所述u个子供应链记录日志各自对应的子合规性表征向量；将所述整体合规性表征向量与所述u个子供应链记录日志所对应的子合规性表征向量进行向量融合，得到所述供应链记录训练日志中的所述供应链流程训练数据对应的目标合规性表征向量。4.如权利要求3所述的方法，其特征在于，所述原始供应链日志验证网络包括v个跳跃误差模块，每个跳跃误差模块包括至少一个特征提炼算子，其中，v≥1；所述在所述原始供应链日志验证网络中获取所述供应链记录训练日志中的所述供应链流程训练数据对应的整体合规性表征向量，包括：获取所述v个跳跃误差模块中的第p个跳跃误差模块加载的表征向量；若p＝1，所述第p个跳跃误差模块加载的表征向量为所述供应链记录训练日志，1≤p≤v；通过所述第p个跳跃误差模块中的至少一个特征提炼算子，对第p个跳跃误差模块加载的表征向量进行滤波，得到中间提炼表征向量；对所述中间提炼表征向量和所述第p个跳跃误差模块加载的表征向量进行融合，得到所述第p个跳跃误差模块的跳跃误差表征向量，将所述第p个跳跃误差模块的跳跃误差表征向量确定为第q个跳跃误差模块的输入表征向量；所述第p个跳跃误差模块与所述第q个跳跃误差模块级联，其中，q＝p+1；将第v个跳跃误差模块的跳跃误差表征向量确定为所述供应链记录训练日志中的所述供应链流程训练数据对应的整体合规性表征向量。5.如权利要求3所述的方法，其特征在于，所述整体合规性表征向量的数目为t，t≥1；所述基于所述原始供应链日志验证网络中的归一映射算子，执行得到所述整体合规性表征向量对应的整体归一映射结果，包括：获取t个整体合规性表征向量各自对应的向量调节结果，将所述t个整体合规性表征向量所对应的向量调节结果拼接成整体向量表示；通过所述原始供应链日志验证网络中的非线性变换算子将所述整体向量表示变换为拟映射向量表示；将所述拟映射向量表示加载到所述原始供应链日志验证网络中的归一映射算子，基于所述原始供应链日志验证网络中的归一映射算子，执行得到所述拟映射向量表示对应的整体归一映射结果。6.如权利要求1所述的方法，其特征在于，所述通过所述第一注意力聚焦数据集和所述第二注意力聚焦数据集，确定所述原始供应链日志验证网络的趋同代价值，包括：对所述第二注意力聚焦数据集进行所述数据调整，得到调整注意力聚焦数据集；对所述第一注意力聚焦数据集和所述调整注意力聚焦数据集进行共性限制，确定所述原始供应链日志验证网络的趋同代价值。7.如权利要求1所述的方法，其特征在于，所述通过所述第一归一映射结果、所述第二
归一映射结果和所述供应链记录训练日志匹配的异常流程节点类型注释信息，确定所述原始供应链日志验证网络的映射代价值，包括：获取所述第一归一映射结果与所述供应链记录训练日志匹配的异常流程节点类型注释信息之间的第一差异信息，通过所述第一差异信息确定所述原始供应链日志验证网络的训练日志代价值；获取所述第二归一映射结果与所述异常流程节点类型注释信息之间的第二差异信息，通过所述第二差异信息确定所述原始供应链日志验证网络的调整代价值；通过所述训练日志代价值和所述调整代价值，确定所述原始供应链日志验证网络的所述映射代价值；所述基于所述趋同代价值和所述映射代价值，对所述原始供应链日志验证网络的网络配置变量进行优化，得到目标供应链日志验证网络，包括：通过所述趋同代价值和所述映射代价值，确定所述原始供应链日志验证网络对应的网络整合代价值；基于对所述网络整合代价值进行梯度下降操作，调节所述原始供应链日志验证网络的网络配置变量，将对应调节好的网络配置变量的原始供应链日志验证网络确定为目标供应链日志验证网络。8.如权利要求1所述的方法，其特征在于，所述方法还包括：获取目标供应链记录日志，基于目标供应链日志验证网络获取目标供应链记录日志中的目标供应链流程数据所对应的目标合规性表征向量，识别所述目标合规性表征向量对应的异常归一映射结果；所述异常归一映射结果用以指示所述目标供应链流程数据的异常流程节点所对应的异常类型；通过所述异常归一映射结果和所述目标供应链记录日志的对象提炼表征向量，建立异常注意力聚焦数据集；获取所述异常注意力聚焦数据集对应的数据均衡结果，通过所述数据均衡结果确定所述目标供应链流程数据中的异常流程节点在所述目标供应链记录日志中的数据分布信息，通过所述异常类型和所述数据分布信息确定所述目标供应链记录日志中的所述目标供应链流程数据所对应的异常评估结果。9.如权利要求8所述的方法，其特征在于，所述基于目标供应链日志验证网络获取目标供应链记录日志中的目标供应链流程数据所对应的目标合规性表征向量，包括：将所述目标供应链记录日志加载到所述目标供应链日志验证网络，在所述目标供应链日志验证网络中获取所述目标供应链记录日志中的所述目标供应链流程数据对应的整体数据表征向量，通过所述目标供应链日志验证网络中的归一映射算子，执行得到所述整体数据表征向量对应的整体数据归一映射结果；获取所述目标供应链日志验证网络中的目标特征提炼算子执行得到的针对所述目标供应链记录日志的对象提炼表征向量，将所述整体数据归一映射结果和所述对象提炼表征向量相乘，得到所述目标供应链记录日志对应的整体数据表征向量数据集；通过所述整体数据表征向量数据集对所述目标供应链记录日志进行拆分，得到u个流程异常记录日志，通过所述目标供应链日志验证网络获取所述u个流程异常记录日志各自对应的流程异常表征向量；u≥1；
将所述整体数据表征向量和所述u个流程异常记录日志所对应的流程异常表征向量融合为所述目标合规性表征向量。10.一种供应链验证系统，其特征在于，包括互相之间通信连接的数据采集端和供应链服务器，所述供应链服务器包括存储器和处理器，所述存储器存储有计算机程序，当所述处理器运行所述计算机程序时，实现如权利要求1～9任一项所述的方法。

技术总结
本申请实施例提供的基于人工智能的供应链验证方法及系统，基于原始供应链日志验证网络挖掘供应链记录训练日志的目标合规性表征向量，进行归一映射得到第一归一映射结果，随后建立第一注意力聚焦数据集，对供应链记录训练日志进行数据调整并挖掘，得到调整合规性表征向量，通过第二归一映射结果和调整提炼表征向量建立第二注意力聚焦数据集，为第一注意力聚焦数据集和第二注意力聚焦数据集加之共性限制，使目标供应链日志验证网络可以增加供应链记录日志中的异常流程节点的识别精度，不用对数据的各个异常流程节点的分布情况进行标注，样本获取渠道更加丰富，异常流程节点分布标注的过程减少，使得供应链记录日志的验证速度得到提升。度得到提升。度得到提升。


技术研发人员：于丰泽 左冬雪
受保护的技术使用者：深圳市创新源供应链集成有限公司
技术研发日：2023.04.11
技术公布日：2023/8/22