一种物料寻源方法和系统

技术领域

本申请涉及策划采购技术领域，尤其涉及一种融合产业链知识图谱和用户行为序列图表示的物料寻源方法和系统。

背景技术

物料寻源一直是策采业务中至关重要的一环，准确的在市场上找到规格、功能相似且性价比更高的替代物料，能从源头上为企业进行降本或者防范风险。又或者从市场上找到合适的新品，从而在产品上与时俱进，使公司产品有独特的新颖力与竞争力。而在策采业务中，物料线较多，不同物料线下物料品类包含万千。

经过广泛的调研，目前行业内物料寻源的方式大多分为三类：基于行业供应源共享进行物料寻源、利用云服务进行在线寻源搜索、利用用户行为序列构建物料向量进行搜索检索。前两类方案都是在物料端做收集和整理，没有考虑用户历史行为信息，对于用户搜索召回的物料只能通过搜索关键词进行匹配。第三类将用户和物料进行向量化建模，将搜索关键词、用户行为信息、物料属性信息融合进行搜索，但是没有考虑物料在行业上的上下游关系，无法进行新品/替代品发现。

发明内容

有鉴于此，本申请从算法层面，基于产业链图谱和图表示学习算法，构建物料向量化表示模型，帮助业务方在百万级别的物料库里面快速的发现替代品和新品(下面简称物料寻源)，提高产品价格透明度，降低采购成本和相关费用。

基于上述目的，本申请提出了一种物料寻源方法，包括：

爬取外部数据，根据所述外部数据和企业内部数据构建产业链知识图谱，以获取上下游关系；

获取用户埋点数据，根据所述用户埋点数据构建用户行为序列；

将所述产业链知识图谱和用户行为序列输入产业链图谱与用户行为融合模型进行训练；所述产业链图谱与用户行为融合模型包括翻译向量(Translating Embeddings，TransE)模型和图向量模型；

根据历史检索数据，构建物料与关键词的双塔模型并训练，将所有物料转化为物料向量；所述双塔模型包括产业链图谱与用户行为融合模型以及关键词模型；

将关键词输入所述关键词模型，得到关键词向量，将所述关键词向量和所有所述物料向量做相似度计算，选择相似度最高的至少一个物料作为物料寻源结果。

进一步地，所述将所述产业链知识图谱和用户行为序列输入产业链图谱与用户行为融合模型进行训练，包括：

利用TransE模型训练所述产业链知识图谱中上下游关系的节点向量；

利用图向量模型训练基于所述用户行为序列的物料向量；

将所述节点向量和物料向量进行融合压缩得到融合向量；

将融合向量与所述TransE模型和图向量模型各自的原始向量进行合并后，分别在各自模型的下游任务计算损失，反向传播训练各自模型。

进一步地，所述爬取外部数据，根据所述外部数据和企业内部数据构建产业链知识图谱，以获取上下游关系，包括：

根据企业内部已有的结构化数据提取出企业内部实体；

利用实体识别、关系抽取、实体融合，在爬虫数据中提取产业链图谱需要的实体和关系，结合所述企业内部实体，生成产业链知识图谱；所述知识图谱的每一个关系用三元组表示，即头结点-关系-尾结点形式；

根据产品与类目的关系映射到对应类目所在产业链节点，根据类目上下游关系，得到当前物料的产业链属性。

进一步地，所述获取用户埋点数据，根据所述用户埋点数据构建用户行为序列，包括：

将所有用户的点击序列构建成图结构形式，将不同用户的兴趣通过物料进行关联；

采用随机游走的形式，根据所述图结构形式的路径游走采样出一个序列；

反复游走多次，得到多个序列，作为用户行为序列。

进一步地，所述利用TransE模型训练所述产业链知识图谱中上下游关系的节点向量，包括：

利用向量层将所述产业链知识图谱中的节点进行向量化表示，得到所述产业链知识图谱中上下游关系的节点向量；

输入头结点ID和关系ID，分别经过向量层得到头结点向量和关系向量，然后利用向量的三角表示，得到头结点向量和关系向量的和向量，最后评估头结点向量和关系向量与尾结点向量的距离作为损失值，进行反向传播训练模型。

进一步地，所述图向量模型为跳字(skip-gram)模型。

进一步地，所述利用图向量模型训练基于所述用户行为序列的物料向量，包括：

从所述用户行为序列中采用滑窗的形式构建物料对，每次滑窗确定一个中心物料；

对于每个物料，通过向量参数矩阵得到各自对应的物料向量，用中心物料预测邻居物料，用距离函数作为预测得分，最终损失函数为正样本得分-负样本得分。

进一步地，所述将所述节点向量和物料向量进行融合压缩得到融合向量，包括：

对所述节点向量和物料向量进行交叉处理，得到交叉向量；

经过多层全连接，将交叉向量进行压缩得到需要的维度，再返回给图向量模型和TransE模型做下游任务。

进一步地，所述双塔模型的输入分别为物料ID和关键词，输出所述关键词是否为点击对应的物料的概率，损失函数采用二分类交叉熵损失函数。

基于上述目的，本申请还提出了一种物料寻源系统，包括：

知识图谱模块，用于爬取外部数据，根据所述外部数据和企业内部数据构建产业链知识图谱，以获取上下游关系；

行为序列模块，用于获取用户埋点数据，根据所述用户埋点数据构建用户行为序列；

融合模型模块，用于将所述产业链知识图谱和用户行为序列输入产业链图谱与用户行为融合模型进行训练；所述产业链图谱与用户行为融合模型包括TransE模型和图向量模型；

双塔模型模块，用于根据历史检索数据，构建物料与关键词的双塔模型并训练，将所有物料转化为物料向量；所述双塔模型包括所述产业链图谱与用户行为融合模型以及关键词模型；

寻源计算模块，用于将关键词输入所述关键词模型，得到关键词向量，将所述关键词向量和所有所述物料向量做相似度计算，选择相似度最高的至少一个物料作为物料寻源结果。

基于上述目的，本申请还提出了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述物料寻源方法的步骤。

基于上述目的，本申请还提出了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行上述物料寻源方法的步骤。

总的来说，本申请的优势及给用户带来的体验在于：

(1)本申请充分考虑用户行为信息，在用户进行检索时，可以根据行为发现用户兴趣，返回更准确可靠的结果集。

(2)本申请从产业链图谱得到上下游信息，信息结构更丰富，解释性更高。在进行新品和替换品推荐时，根据产业链上下游关系，可以更好的找到同类型、同规格的相关物料。

(3)本申请显式学习了用户、物料、物料上下游关系的信息，使最终的融合向量表达更准确。除了返回用户感兴趣的物料外，还可以根据相关物料去检索产业链相关物料、新品物料或者替换物料。从用户的兴趣，物料的产业两个方面进行检索。

(4)本申请是一个端到端的训练模型，同时也是一种融合模型的范式。即用户行为序列模型和知识图谱表示模型可以更换成其他模型进行实验训练，择优选择。而且学习到的融合向量还可以在其他业务中使用，作为预训练初始化权重。

附图说明

在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本申请公开的一些实施方式，而不应将其视为是对本申请范围的限制。

图1示出根据本申请实施例的产业链图谱与用户行为融合的流程图。

图2示出根据本申请实施例的产业链图谱示意图。

图3示出根据本申请实施例的三元组存储格式示意图。

图4示出根据本申请实施例的根据产业链图谱提取实体上下游关系示意图。

图5示出根据本申请实施例的TransE模型向量化表示示意图。

图6示出根据本申请实施例的向量化过程示意图。

图7示出根据本申请实施例的TransE模型原理示意图。

图8示出根据本申请实施例的物料向量化表示示意图。

图9示出根据本申请实施例的Skip-gram模型示意图。

图10示出根据本申请实施例的产业链图谱与用户行为融合模型示意图。

图11示出根据本申请实施例的物料与关键词的双塔模型示意图。

图12示出根据本申请实施例的检索流程图。

图13示出根据本申请实施例的物料寻源系统示意图。

图14示出了本申请一实施例所提供的一种电子设备的结构示意图；

图15示出了本申请一实施例所提供的一种存储介质的示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

对于物料寻源来说，一方面是要构建自己的物料库，范围要全且要动态更新，保证全面性和实时性。同时构建的物料库要有属性信息、关系信息，使整个物料库包含现实生活中的语义关系。二是在物料库搜索的时候，要考虑用户历史行为，聚焦用户感兴趣物料，同时搜索返回的物料候选集要有多样性，保证在用户搜索某个物料时，也能返回相关新品物料或者替代物料。

因此，为了实现上述两个功能，本申请提出一个融合产业链知识图谱(chain-knowledge-graph，ckg)和用户行为序列图表示(graph-embedding)方法(ckg-graph-embedding)和系统。

如图1示出根据本申请实施例的产业链图谱与用户行为融合的流程图，包括以下步骤：

爬取外部数据，根据所述外部数据和企业内部数据构建产业链知识图谱，以获取上下游关系；

获取用户埋点数据，根据所述用户埋点数据构建用户行为序列；

利用翻译向量(Translating Embeddings)模型训练所述产业链知识图谱中上下游关系的节点向量(node embedding)；

利用图向量(Graph Embedding)模型训练基于所述用户行为序列的物料向量(item embedding)；

将所述节点向量和物料向量进行融合压缩得到融合向量(fusion embedding)；

将融合向量与所述TransE模型和图向量模型各自的原始向量进行合并(concat)后，分别在各自模型的下游任务计算损失，反向传播训练各自模型。

简单来说，本申请先是利用爬虫技术爬取外界行业信息，结合企业内部数据构建产业链图谱，使物料库包含的物料足够全面且能够根据业务场景进行关系链接。然后在物料向量化表示方面，融入用户行为信息、产业链上下游、物料属性等信息。使其在向量化检索中，能够充分挖掘用户检索意图，返回检索目标物料外，提供相关上下游物料、新品物料、替换物料等额外检索结果，增加结果集的多样性。

下面分别从产业链图谱向量化表示、基于用户行为的物料向量化表示、产业链图谱与用户行为融合模型三个方面介绍。另外，下文中向量、嵌入，和embedding属于同一意思，可互相代替。

1、产业链图谱向量化表示

在产业链图谱构建方面，针对物料寻源的场景，本申请设计了企业实体、产品实体、行业实体、类目实体4个实体类型，设计了企业与企业、企业与产品、行业与企业、类目与产品等基础关系，然后在这基础上，以企业内部数据做基础，同时爬取外界数据自底向上的构建知识图谱，并不断完善知识图谱的属性和关系。图谱基本结构如图2所示。

图2所示的产业链图谱当中，首先根据企业内部已有的结构化数据提取出行业、企业、产品、一二级类目等实体。然后利用实体识别、关系抽取、实体融合等技术，在爬虫数据中提取产业链图谱需要的实体和关系，补充图谱数据。在产业链图谱存储中，本申请将每一个关系用三元组表示，即(头结点-关系-尾结点)形式，存入关系数据库当中。比如(企业-生产-产品)这个三元组，头尾实体节点(企业、产品)用各自唯一的UUID(通用唯一识别码(Universally Unique IDentifier))表示，关系用对应的关系类型ID(生产)表示，数据表存储如图3所示。

在物料寻源业务场景中，物料可以对应产品实体，根据产品与类目的关系可以映射到对应类目所在产业链节点，然后根据类目上下游关系，得到当前物料的产业链属性。比如对于物料片式电阻器RC0805FR-073KL，它的一级类目是电阻器，根据产业链关系可以得到电阻器的上游原材料有钽镍、铬合金等，它的下游产品可做PCB板卡，半导体芯片等，示意图如图4所示。

得到物料的上下游关系后，如何将这种关系属性融入物料的向量化表示当中，就需要借助知识图谱向量嵌入(embedding)技术。这里本申请选用TransE模型，模型基本思路如图5所示。

TransE模型主要是学习知识图谱中各个节点的向量化表示，其核心思想是先将图谱中各个节点向量化表示，然后学习三元组关系。比如对于(企业-生产-产品)这个三元组，分别向量化后用(h，r，t)表示，h＝head表示头结点向量，r＝relation表示关系向量，t＝tail表示尾结点向量。在向量空间中，如果h和t有关系相连接，那么h+r＝t是恒成立的。借助这种数学思想，TransE模型在训练过程中，输入为h和r，希望模型输出h+r的结果，尽可能和t靠近，从而使模型学习到三元组的关系信息。下面详细介绍TransE模型的原理。

首先是如何对节点进行向量化表示，所谓向量化，就是把节点用一个一维向量来表示，使其有语义信息，可以计算相似度。业界中一般利用Embedding层对节点进行向量化表示，具体来说利用一个参数矩阵W∈R

训练过程中，对于每个节点，根据唯一的UUID到Embedding参数矩阵中索引得到对应的向量表示，然后输入下游任务，得到损失值，再利用反向传播去更新Embedding参数矩阵，从而使矩阵收敛，得到最终的各个节点的向量参数。

得到各个节点的向量表示后，就可以根据TransE思想，训练模型，如图7所示。首先输入头结点ID和关系ID，分别经过Embedding层得到头结点向量和关系向量，然后利用向量的三角表示，得到h+r的和向量，最后评估h+r和尾结点向量t的距离作为损失值，进行反向传播训练模型。

训练过程中一个三元组(h，r，t)作为一个模型的训练样本，其中在产业链图谱中真实存在关系的三元组作为正样本，然后将三元组的头结点随机替换或者将尾结点随机替换作为负样本，正负样本各自得分的差作为损失函数，具体公式如下：

S′

其中S表示三元组正样本集合。S`表示负样本集合。E表示图谱中节点集合。d(.)表示h+r向量与t向量的距离公式，利用L2范数进行正则化。γ是超参常数。Loss公式最后的+号表示取正(如果是负数则取为0，如果是正数则不变)。模型学习过程中，loss越小越好，就表示正样本得分d(h+r，t)越大越好，负样本得分d(h′+r，t′)越小越好，这样模型就可以学习到产业链图谱中真实存在的三元组关系。比如(企业-生产-产品)三元组作为正样本，随机替换头结点(行业-生产-产品)或者随机替换尾结点(企业-生产-一级类目)作为负样本，利用上述公式训练模型，可以使模型越来越关注正样本(企业-生产-产品)的关系，而忽略负样本(行业-生产-产品)或者(企业-生产-一级类目)这种不存在的关系。从而使Embedding层学习到的参数矩阵蕴含正确的产业链图谱信息。由于头结点，尾节点都属于产业链图谱中的节点，统一用node embedding表示。

2、基于用户行为的物料向量化表示

在构建物料向量部分，采样经典的图表示模型。为了将物料的embedding融入用户行为信息，本申请将用户行为序列构建成图表示，然后利用随机游走的采样方式，采样出物料序列，最后输入跳字(skip-gram)模型当中，训练得到本申请想要的物料embedding表示。结构如图8所示。

图8中，(a)表示不同用户点击物料的行为，比如user1，分别点击了物料B、D、A进行查看，即显式反馈出user1对于物料B、D、A有一定的兴趣。然后将所有用户的点击序列构建成(b)的图结构形式。此时就将不同用户的兴趣通过物料进行关联。接着采用随机游走的形式，即随机定义一个节点，然后根据图的路径游走采样出一个序列，比如节点B，可以走到D，还可以从D走到A，这样就得到了B-D-A这样一个序列。反复游走多次，得到多个序列，最后输入skip-gram模型，训练物料向量化表示模型。这样得到的物料向量便包含丰富的用户行为信息。

图8中(a)到(b)是基于规则，将用户行为序列构建成图结构。(b)到(c)是根据随机游走形式，随机定一个节点作为当前序列的起始节点，然后设置游走步长在图上采样序列即可。最后(d)是利用skip-gram模型训练序列数据，模型结构如图9所示。

skip-gram模型是一种无监督模型，主要训练序列数据的语义向量化表示。比如对于一个用户序列C-D-E-B，在该场景下，本申请可以认为用户点击物料E时，应该也会受到前后物料的影响，即一个序列中，不同物料会产生相互影响的关系。如何学习这种相互关系，便是skip-gram的核心所在。下文中用item表示物料。

具体流程主要是从序列中采用滑窗的形式构建item pair，每次滑窗确定一个中心item，然后用中心item去预测邻居item，从而使模型显式学习序列中相互影响的关系。同样对于序列C-D-E-B，本申请设定窗口大小为2，则以C为中心item，对应图9中的v(t)，可以构建(C，D)、(C，E)这样的item pair，其中D是C的t+1邻居，即图9中的v(t+1)，E是C的t+2邻居，即图9中的v(t+2)。由于C是起始节点，所以没有t-1，t-2的邻居节点。以D为中心词时，可以构建(D，C)、(D，E)、(D，B)的item pair，其中C是D的t-1邻居，E，B分别是D的t+1，t+2邻居。因此窗口大小为2，每个中心物料构建物料对都是前后2个步长的物料。继续滑窗，就可以得到模型的输入数据集。同时为了提高模型的泛化性以及加快模型训练，利用负采样，每个中心item都随机配对其它item，构成负样本。

在训练过程和产业链图谱向量化类似，输入就是一个item pair，也是用一个Embedding参数矩阵W，对于每个item，通过矩阵W后可以得到各自对应的item embedding向量，用中心item去预测邻居item，用距离函数作为预测得分，最终损失函数为正样本得分-负样本得分，使模型能够关正样本item pair的关系。比如对于序列C-D-E-B，以D为中心物料时，有正样本(D，C)、(D，E)、(D，B)。然后随机构建负样本(D，A)、(D，F)。模型训练时，每个正样本匹配5个负样本，loss公式如下：

其中dist表示h+r向量与t向量的距离公式，v(t)表示正样本，u(t)表示负样本。当loss越来越小时，模型便能更好的学习到正样本的item pair关系，此时更新收敛的Embedding参数矩阵就能更好的表示每一个item的向量(item embedding)。

3、产业链图谱与用户行为融合模型

在得到产业链图谱每个节点的向量(node embedding)和物料向量(itemembedding)的基础上，为了达到两者融合的效果，在TransE和图表示模型进行融合，设计了如下图10所示的ckg-graph-embedding融合表示模型，在构建物料向量过程中显式学习产业链图谱信息。

图10中左侧基于用户行为序列的物料embedding模型，右侧可以是基于TransE知识图谱向量化表示模型。融合的基本思想是在两侧模型输入物料ID后，分别得到物料itemembedding向量和TransE的node embedding向量，然后对两个向量做交叉(cross)处理，使两侧模型的向量进行融合。交叉可以用简单的哈达玛乘积，也可以用内积，根据业务效果择优。交叉完成后进行压缩(compress)，即经过多层全连接，将交叉向量进行压缩得到需要的维度，再返回给两侧模型做下游任务。这样的模型融合范式，可以将物料embedding模型较好的融入产业链图谱模型的信息，使其最后的融合embedding表达更丰富，即包含用户点击行为兴趣的信息，也有产业链图谱上下游关系的信息。

同时在样本构建方面，由于正负样本的构建对模型尤为重要，结合业务经验，从以下方面构建负样本：

1、正样本物料同类别下随机采样物料；

2、用户曝光未点击的物料中，选择曝光次数topK个物料；

3、用户曝光误点击物料；

4、从未点击行为的用户曝光物料。

以上4个步骤的负采样，分别从流行度、用户显示负反馈、随机性等几个方面考虑，这样构建的正负样本可以很好的区分出用户是否对当前物料感兴趣。

另外在TransE模型样本构建方面，除了更换头结点外，在物料作为头结点时，也可以更换关系向量作为负样本，使模型重点关注上下游关系信息。

根据上述产业链图谱与用户行为融合模型，便可以得到融合用户信息与产业链信息的物料表示向量，即图10中的融合向量fusion embedding。在检索系统中，根据历史检索数据，构建物料(item)与关键词(query)的双塔模型，使物料embedding和关键词embedding在同一个语义空间进行训练微调，使ckg-graph-embedding包含query语义信息，模型如图11所示。其中MLP为多层感知器的缩写(Multi-layer Perceptron)。

该双塔模型输入分别为物料ID和关键词，输出是否点击的概率。即输入某个关键词后，是否为点击对应的item。损失函数采用二分类交叉熵损失函数。模型训练完成后，左侧可以离线将所有物料转化成物料embedding，存储在缓存数据库中。右侧query层可以部署在线上，以便将实时query转为embedding表示。最后用query embedding去物料库中进行相似度检索，选择相似度最高的前N个物料作为检索结果返回给用户。整体流程如图12所示。

图12中，主要步骤如下：

1、用户输入query关键词；

2、query层模型将关键词输出为query embedding向量；

3、将query embedding和所有物料embedding做相似度计算，选择相似度最高的N个物料作为结果集返回。

4、返回物料结果集合给用户。

综上，此时用户搜索的物料结果，既包含用户历史行为信息的物料，也包含了产业链上下游相关性的物料，使得用户在检索时，返回结果更加准确。

根据本申请的另一个方面，申请实施例提供了一种物料寻源系统，该系统用于执行上述实施例所述的物料寻源方法，如图13所示，该系统包括：

知识图谱模块501，用于爬取外部数据，根据所述外部数据和企业内部数据构建产业链知识图谱，以获取上下游关系；

行为序列模块502，用于获取用户埋点数据，根据所述用户埋点数据构建用户行为序列；

融合模型模块503，用于将所述产业链知识图谱和用户行为序列输入产业链图谱与用户行为融合模型进行训练；所述产业链图谱与用户行为融合模型包括TransE模型和图向量模型；

双塔模型模块504，用于根据历史检索数据，构建物料与关键词的双塔模型并训练，将所有物料转化为物料向量；所述双塔模型包括所述产业链图谱与用户行为融合模型以及关键词模型；

寻源计算模块505，用于将关键词输入所述关键词模型，得到关键词向量，将所述关键词向量和所有所述物料向量做相似度计算，选择相似度最高的至少一个物料作为物料寻源结果。

本申请的上述实施例提供的物料寻源系统与本申请实施例提供的物料寻源方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。

本申请实施方式还提供一种与前述实施方式所提供的物料寻源方法对应的电子设备，以执行上物料寻源方法。本申请实施例不做限定。

请参考图14，其示出了本申请的一些实施方式所提供的一种电子设备的示意图。如图14所示，所述电子设备2包括：处理器200，存储器201，总线202和通信接口203，所述处理器200、通信接口203和存储器201通过总线202连接；所述存储器201中存储有可在所述处理器200上运行的计算机程序，所述处理器200运行所述计算机程序时执行本申请前述任一实施方式所提供的物料寻源方法。

其中，存储器201可能包含高速随机存取存储器(RAM：Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口203(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。

总线202可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中，存储器201用于存储程序，所述处理器200在接收到执行指令后，执行所述程序，前述本申请实施例任一实施方式揭示的所述物料寻源方法可以应用于处理器200中，或者由处理器200实现。

处理器200可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器200中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器200可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(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申请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。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器201，处理器200读取存储器201中的信息，结合其硬件完成上述方法的步骤。

本申请实施例提供的电子设备与本申请实施例提供的物料寻源方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。

本申请实施方式还提供一种与前述实施方式所提供的物料寻源方法对应的计算机可读存储介质，请参考图15，其示出的计算机可读存储介质为光盘30，其上存储有计算机程序(即程序产品)，所述计算机程序在被处理器运行时，会执行前述任意实施方式所提供的物料寻源方法。

需要说明的是，所述计算机可读存储介质的例子还可以包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。

本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的物料寻源方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。

需要说明的是：

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备有固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本申请也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本申请的内容，并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本申请并帮助理解各个发明方面中的一个或多个，在上面对本申请的示例性实施例的描述中，本申请的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本申请的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本申请的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的虚拟机的创建系统中的一些或者全部部件的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者系统程序(例如，计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本申请进行说明而不是对本申请进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干系统的单元权利要求中，这些系统中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到其各种变化或替换，这些都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。