《Intelligent Systems with Applications》：Application of Recommender Systems in Supply Chain Management: A state-of-the-art review
推荐系统(Recommender Systems, RSs)在供应链管理(Supply Chain Management, SCM)中的应用日益广泛，以支持在不确定性、数据异构性和运营约束下的复杂决策。本研究对2006年至2024年4月间发表的相关同行评审研究进行了系统性文献综述和文献计量分析。该综述考察了推荐系统如何被用于优化关键的供应链职能，包括供应商选择、需求预测、库存管理、物流以及面向可持续性的决策。主要的推荐系统方法——基于内容的过滤(CBF)、协同过滤(CF)、混合过滤和基于知识的过滤(KBF)——在关键应用领域如制药、电子商务、物流、采购和绿色供应链中进行了系统分类和分析。结果表明，混合过滤是复杂供应链环境中最主要且最有效的方法，尤其在供应商管理和物流领域，因其能够整合异构数据源并缓解数据稀疏性和冷启动问题。基于知识的过滤在可持续驱动和高风险领域尤其有效，因为这些领域对透明度、可解释性和基于约束的推理要求至关重要。分析进一步显示，先进的方法，包括强化学习、深度学习架构和基于区块链的推荐系统，通过实现实时适应、可追溯性和多目标优化，在动态和信任敏感的供应链中表现出卓越的性能。文献计量和主题分析表明，研究明显转向人工智能驱动的、去中心化的和面向可持续的推荐系统框架，尤其是在2020年之后。
1. 引言
在全球竞争激烈且瞬息万变的市场中，客户日益要求企业快速适应其不断演变的需求。这一转变不仅由技术进步驱动，也源于消费者行为的变化和对个性化体验期望的提升。因此，企业被敦促开发成本效益高的解决方案，以增强其运营和设施的灵活性和响应性。数字技术的整合变得至关重要，推动企业拥抱工业4.0实践以保持市场领先。此外，当前世纪常被称为通信时代，其特征是信息存储的指数级增长。通过利用大数据，组织可以从海量数据中获得有价值的见解，揭示市场趋势、客户购买行为、需求水平、生产能力等。先进的分析和机器学习算法现在成为将这些数据转化为可操作策略的关键。这些见解可以支持更好的决策、降低成本并实现更有针对性的商业策略。
为了解决这个问题，推荐系统在社交网络中发展起来。这些系统采用复杂的算法分析用户行为和偏好，增强用户参与度和满意度。这些系统在帮助用户浏览海量可用选项并提供符合个人偏好的个性化推荐方面非常有效。推荐系统的发展最早可追溯到1980年代，并自此发展成为不断扩展的研究领域。最初开发于面向消费者的领域（如电子商务和社交平台），推荐系统方法论提供了可扩展的基于数据的机制，这些机制正越来越多地转移到供应链管理决策场景中，在这些场景中，需要利用大型且异构的数据集来改善运营决策。
此外，推荐系统被广泛应用的另一个领域是供应链管理，因其能够优化各种关键流程，如供应商选择、需求预测和库存管理。考虑到近期全球供应链中断，推荐系统在增强供应链韧性方面的作用变得更加突出。供应链管理中的推荐系统通过分析大型数据集提供个性化推荐来简化运营，从而提高决策效率和准确性。例如，它们根据多个标准协助识别最可靠的供应商，从而降低采购风险。此外，推荐系统通过预测客户需求和优化库存水平，有助于更好的需求规划和库存控制，帮助降低成本并提高服务水平。它们还通过整合来自物联网设备和其他实时数据源的数据来实现实时决策。这些系统还通过推荐环保实践和支持可持续发展的供应商来支持可持续供应链的发展，符合供应链管理中日益增长的可持续性关注。
本研究进行了系统性文献综述和文献计量分析，以解决推荐系统在供应链管理应用中的显著空白，涵盖2006年至2024年4月的同行评审研究，重点关注推荐系统在核心供应链管理流程中的应用。尽管推荐系统的相关性日益增长，但它们在供应链管理中的应用仍被低估。为了弥补这一空白，研究重点关注以下关键研究问题：
•供应链管理领域（如物流、采购和供应商管理）如何影响供应链管理中推荐系统方法的选择？
•在供应链管理中实施推荐系统时遇到了哪些共同挑战，以及这些挑战在各种案例研究中是如何解决的？
•用于评估供应链管理中推荐系统的关键绩效指标是什么，这些指标在不同领域和应用领域之间有何差异？
•供应链推荐系统中使用的数据集如何影响其在不同案例研究中的性能和适用性？
2. 背景
2.1. 推荐系统(RSs)
推荐系统是预测特定领域中用户所需项目的关键工具，显著有助于缓解信息过载。这些系统广泛应用于各个行业，特别是电子商务、娱乐和社交媒体，以增强用户体验并推动业务成果。虽然这些面向消费者的应用展示了推荐系统的可扩展性和个性化能力，但它们与本研究的相关性在于，成熟的推荐算法如何适应复杂、受约束驱动的供应链管理决策环境。推荐系统在数字营销中也至关重要，它们有助于更有效地定位广告。通过分析来自社交网络和其他平台的用户数据，这些系统可以推荐更可能引起用户共鸣的广告，从而提高点击率和转化率。然而，在供应链管理环境中，推荐系统的有效性较少依赖于用户参与度，而更多依赖于其整合运营约束、领域知识和多标准决策需求的能力。因此，影响推荐系统性能的关键因素包括算法选择、个性化机制和交互方法，特别是如何从运营系统而非最终用户那里捕获显式和隐式反馈。
2.1.1. 推荐系统的类型
推荐系统通过提供个性化建议，在增强用户体验方面至关重要。这些系统可以根据它们所采用的底层算法进行详细分类。主要分类包括基于内容的过滤(CBF)、协同过滤(CF)、混合过滤、上下文感知过滤、基于知识的过滤(KBF)和交互式推荐系统。其中，混合过滤和基于知识的过滤与供应链管理最相关，因为它们能够解决数据稀疏、复杂约束和有限的用户反馈问题，这些问题在供应链环境中很常见。
•基于内容的过滤(CBF)侧重于推荐与用户先前交互过的项目相似的项目，利用项目本身的属性。该技术专注于分析项目特征以找到相似性，确保推荐与用户已知的兴趣紧密匹配。这种方法通过分析用户积极评分的项目特征来构建用户画像，从而使系统能够建议具有相似特征的新项目。
•协同过滤(CF)基于这样一个前提：过去具有相似偏好的用户在未来将继续表现出相似的品味。CF利用用户-项目交互（如评分）来识别用户之间的模式和相似性。Yang等人概述了CF算法如何基于项目评分计算用户相似性，从而促进从志同道合用户的偏好中得出推荐。这些相似性可以使用皮尔逊相关或余弦相似性等技术来衡量，这些技术评估用户的评分模式有多吻合。
•混合过滤整合了多种推荐算法以利用它们的互补优势，从而提高整体性能。通过结合不同的技术，混合系统可以有效地解决各个推荐方法的缺点，从而提供更准确和可靠的建议。Jalili等人和Khan等人强调，混合技术结合了CB和CF方法，以缓解每种方法的局限性，从而提高推荐准确性，尽管系统复杂性增加。例如，当CBF可能难以提供足够的项目多样性，而CF可能面临用户数据稀疏的问题时，它们的集成有助于平衡这些弱点。
•上下文感知过滤通过将上下文信息（如位置、时间和用户活动）整合到推荐过程中来增强推荐的相关性。Abbas等人和Dadouchi等人将上下文定义为描述与感兴趣对象相关的情境方面的信息光环，涵盖位置、当前活动和可用时间等各种类别。这种过滤方法可以通过上下文预过滤（在应用传统推荐算法之前根据当前上下文选择相关数据）、上下文后过滤（根据上下文信息在生成推荐后进行调整）和上下文建模（将上下文数据直接集成到评分估计过程中）来实现。
•基于知识的过滤(KBF)通过利用广泛的领域知识来生成推荐，独立于大量的用户交互数据集，这是其独特之处。Felfernig和Kiener强调，KBF系统利用包含产品特性、用户需求和约束的知识库来提供量身定制的推荐，而不依赖于用户评分的统计数据。这种方法在用户交互数据有限或推荐必须遵守特定标准的领域特别有效。
•交互式推荐系统代表了一类动态和自适应的推荐系统，它们基于实时用户交互和反馈而发展。He等人将这些系统描述为依赖于在线学习算法，通过持续交互迭代地细化用户偏好，旨在最大化交互会话的总效用。交互式系统解决的一个关键问题是利用-探索困境，即系统必须在推荐最知名的项目（利用）和探索新项目以更深入地了解用户偏好（探索）之间取得平衡。大多数现有的交互式解决方案将此问题建模为上下文老虎机问题，该问题旨在优化行动的同时按用户学习用户偏好。然而，这些方法需要大量的用户交互来建立有效的学习基础，而且通常没有考虑客户对特征和需求的感知差异。为了克服这些限制，Dadouchi等人提出了一种交互式上下文感知知识型推荐系统，该系统将基于知识的方法与交互式学习相结合，以提高推荐准确性和用户满意度。
表格1对各种推荐系统技术（CF、CBF、混合和KBF）进行了比较分析，评估了它们的可扩展性、可解释性、准确性和计算复杂性，同时突出了它们在不同行业中的应用。
表格1. - 基于可扩展性、可解释性、准确性和计算复杂性对CF、CBF、混合和KBF的比较。
技术|可扩展性|可解释性|准确性|计算复杂性|行业应用与优势|参考文献
CF|高（尤其是使用矩阵分解技术）|低（黑匣子性质，难以解释推荐）|高（当用户交互数据充足时有效）|中-高（需要大型数据集，并且随着用户/项目增加计算密集）|电子商务：个性化产品推荐（亚马逊、Netflix）。医疗保健：预测处方遗漏。教育：个性化学习路径|(Lestari等人, 2023; Silva等人, 2022; Singh & Guttag, 2013)
CBF|中等（取决于特征提取，在新用户/项目情况下可能受限）|高（推荐基于明确定义的属性）|中等（当项目属性定义良好时有效，但难以解决冷启动问题）|低-中等（取决于特征提取和内容分析复杂性）|制药：个性化药物推荐。心理健康：叙事疗法推荐。教育：自适应学习材料|(Ali等人, 2018; Séroussi等人, 2009; Slade等人, 2023)
混合|高（结合CF和CBF的优势，减少局限性）|中等（可解释性取决于CF和CBF的合并方式）|高（解决冷启动问题并增加推荐多样性）|高（需要集成CF和CBF模型，资源密集型）|零售与电子商务：为客户提供更好的个性化。医疗保健：个性化治疗计划。教育：自适应辅导系统|(Ali等人, 2018; Séroussi等人, 2009; Slade等人, 2023)
KBF|低-中等（需要广泛的领域知识和规则创建）|高（透明且易于解释，因为推荐基于结构化知识）|中等（取决于规则准确性和知识表示）|中等（知识库需要维护和专家驱动的更新）|医疗与保健：临床决策支持系统。法律与合规：法规知识检索。金融：欺诈检测|(Berry等人, 2016; Zhang等人, 2022)
2.2. 供应链管理中的推荐系统
推荐系统在供应链管理中的采用已成为提高运营效率、韧性和明智决策的关键策略。这一点在全球供应链中断（如COVID-19大流行）期间变得尤为明显，该流行暴露了与需求波动、供应商依赖和物流瓶颈相关的脆弱性。在这样的背景下，推荐系统越来越多地用于支持在不确定性下的适应性决策。
推荐系统通过提供实时的、数据驱动的洞察来优化各种供应链流程。例如，通过考虑交付约束，这些系统可以调整产品推荐以提高卡车装载率、减少提前期并最小化运营成本。它们还可以预测潜在中断并建议应急计划，增强供应链的韧性。此外，这些系统可以通过使产品可用性与客户偏好保持一致来提高客户满意度，确保推荐的产品既符合客户期望又能在现有供应链能力范围内轻松交付。推荐技术甚至在供应链风险管理中发挥作用，Ordibazar等人将一个基于推荐的反事实解释模块整合到运输规划中以减轻中断风险。通过将反事实解释得出的约束（即对物流计划的“假设”调整）添加到运输调度模型中，他们的系统以不到1%的运营成本增加提高了调度的韧性（避免了预测的延误）。这种可解释的推荐方法为风险经理提供了透明、可操作的建议，用于改道或重新安排货物以预防延误。此类研究表明，在各种供应链决策中——从战略采购到运营物流——推荐系统可以作为决策支持引擎，利用数据在复杂标准和不确定性下推荐能够改善关键绩效指标（成本、可靠性、速度）的选择。
各个行业的真实世界验证展示了供应链性能的显著改善。例如，Mastos等人对工业4.0在循环供应链管理中的应用进行了深入的实证分析，强调了通过推荐系统在运营效率和减少浪费方面取得的重大进展。多个工业背景下的实际实施验证了可持续性和资源效率的提高，突显了将技术解决方案整合到现有供应链中的切实利益。此外，Shili等人通过引入利用空间智能、地理信息系统(GIS)和移动代理的动态推荐框架，扩大了电子商务供应链中推荐系统的范围。涉及家乐福和Monoprix等大型零售商的案例研究实证验证了该方法的有效性，展示了物流效率和库存管理的显著改进。Tarantilis等人也通过开发一个专门针对供应链调度流程的基于网页的企业资源规划(ERP)系统强化了这些发现。
除了通用物流和调度，推荐系统在农业和物联网集成供应链等专业领域也得到了可靠的实证验证。Musanase等人展示了一个数据驱动的、基于机器学习的作物和肥料选择推荐系统，强调优化资源配置和显著提高生产力，并通过农业环境中的实证研究进行了验证。与此相辅相成，Mohammadi等人回顾了物联网赋能供应链中基于信任的推荐系统，提供了增强信任、可靠性和运营效率的令人信服的证据。这些发现凸显了推荐系统在多样性和技术集成环境中的多功能性和有效性。
将区块链技术与供应链管理中的推荐系统集成也引起了广泛关注，并得到了广泛的实证支持。Perboli等人对九种不同的区块链实施进行了详细分析，展示了在物流管理、效率、可追溯性和透明度方面的明显改善。这些案例研究提供了区块链可扩展性和实际效益的有力证据，以增强供应链性能。此外，Moosavi等人强调了区块链在供应链管理中集成的成功和目前的经验证据差距，强调需要进一步的实际探索和验证，以充分实现这些技术潜力。Sun等人提出了一个用于食品供应链的混合区块链架构，其中包含一个用于库存和订单管理的推荐模块。区块链确保安全的可追溯性，而人工智能推荐器分析交易和需求数据以个性化产品供应并优化库存水平。在他们的评估中，这个集成系统产生了切实的改进——在30%的用例中监控能力得到增强，在25%的用例中透明度得到提高，并且值得注意的是漏洞事件（如缺货或质量问题）减少了20%。推荐驱动的库存优化还将库存过剩水平降低了25%，展示了更有效的库存管理。
在汽车、钢铁和化肥等多个行业的实证案例研究强调了推荐系统在供应商选择和供应链优化过程中的战略重要性。Punniyamoorty等人应用结构方程建模实证验证了推荐系统对供应商选择的积极影响，揭示了它们在管理供应努力和优化组织绩效方面的关键作用。同样，Sahu和Rao通过印度制造业内的多个案例研究验证了一个综合的供应链管理采用模型，确定了组织准备度、制度压力和供应商互动是成功实施并通过推荐系统增强竞争优势的关键因素。进一步展示其适应性，推荐系统在人道主义物流和利基行业也得到了实证验证。Moreira等人提供了来自海地灾害（如2010年地震和2016年飓风马修）的经验证据，表明由于推荐系统的实施，响应效率、利益相关者协作和规划准确性显著提高。同样，Islam和Habibri在孟加拉国渔业进行的一项详细研究显示，推荐系统有效地简化了价值链流程，减少了中间商的影响，并通过基于信息的、数据驱动的决策最大化了经济成果。
推荐系统在供应链管理中已在各个行业成功实施，从制造业和零售业到医疗保健、物流等等。在汽车行业，现代汽车公司实施了一个推荐系统来跟踪其整个供应链的碳足迹，通过优化材料采购和减少排放来增强可持续发展努力。该系统促进了基于数据的决策制定，以符合全球环境法规和客户对更环保汽车的期望。同样，在时尚行业，H&M利用系统之系统方法来优化其可持续供应链，通过减少面料浪费、改善供应商协调以及提高生产所用材料的可追溯性。纺织业的另一个案例展示了人工智能驱动的推荐系统如何帮助制造商根据需求预测调整生产计划，最大限度地减少浪费并改善资源分配。在食品和农业行业，推荐系统已被用于增强供应链的透明度和效率。印度尼西亚大米行业的一个案例研究表明，一个基于系统动力学的推荐模型帮助利益相关者优化大米分配、稳定定价并确保粮食安全。该系统在平衡供应链多个层级的供需方面发挥了关键作用，既提高了农民收入，也改善了消费者的可及性。同时，在消费品行业，泰国一家跨国快速消费品公司整合了一个供应商推荐系统，以加强供应商评估和选择，从而提高采购效率并更好地遵守可持续性标准。来自乳制品行业的另一个例子说明了人工智能驱动的库存建议如何帮助优化牛奶配送，通过确保牛奶在最佳新鲜期内送达消费者来减少变质并提高供应链效率。
制药和医疗保健行业也从供应链管理中的推荐系统中受益。引入了一个基于网页的决策支持系统来优化医院的药品分配，确保药品可用性同时最大限度地减少浪费。该系统提供了实时的库存洞察，减少了低效率并改善了患者护理。此外，关于全球疫苗分发的案例研究强调了人工智能驱动的推荐在管理冷链物流中的作用，确保疫苗在保持适当储存条件下送达目的地。另一个重要的例子来自医疗器械行业，推荐系统已被用于优化医院的设备采购和配送，确保将关键医疗工具交付给需求最高的设施，最大限度地减少短缺并避免库存过剩。Yazdinejad等人开发了一个基于区块链的药物供应链平台，其中嵌入了基于双向编码器表示转换器的推荐系统。这个智能平台可以检测欺诈活动，并在药物不可用时建议替代药物。BERT驱动的推荐模型能够建议与原始处方相似度约为99%的替代药物，从而在短缺期间有助于维持护理的连续性。所推荐替代药物的高相似度表明，该系统具有通过快速寻找等效产品来支持药房供应链决策的潜力。Kumar等人将机器学习与多准则决策方法整合用于稳健的供应商评估和订单分配。他们的两阶段模型使用支持向量机从历史数据中学习标准权重，然后应用多准则决策方法排名来选择供应商，接着使用优化模型进行订单分配。在一个制药供应链案例上的结果表明，该混合方法优先考虑了高绩效供应商并优化了成本-可靠性权衡，从而提高了整体供应链的可靠性和效率。
3. 研究方法
在本研究工作中，研究人员于2024年4月9日使用Scopus、IEEE Xplore和Web of Science数据库进行了系统性文献综述、主题分析和文献计量分析。系统性文献综述方法用于识别关键贡献、综合发现并提供通常在单一研究中无法获得的可靠性。Scopus被学者、机构和企业视为最广泛的摘要和引文数据库之一，拥有超过18亿条可追溯到1970年代的引文源。它涵盖多个领域，使得对于广泛的学术研究不可或缺。IEEE Xplore是专注于工程和计算的领先数字图书馆，提供由电气和电子工程师学会及其合作伙伴发布的超过400万份文档的访问权限。这使得IEEE Xplore对于电气工程、计算机科学和电子学等领域的研究人员至关重要，确保获取经过严格同行评审的文献。同样，Web of Science是一个值得信赖的数据库，以其全面、多学科的高质量研究文章集合而闻名。它提供来自众多学科的科学论文访问权限，具有严格的索引标准以保证高质量的出版物。该数据库通过提供更广泛的跨学科学术出版物访问权限来补充Scopus和IEEE Xplore。
在进行系统性文献综述时，研究人员遵守了PRISMA方案。PRISMA是一个公认的框架，确保系统性综述的透明度和全面报告。遵循PRISMA指南，该审查过程严谨，提高了研究结果的可信度和可靠性。使用的搜索关键词为：("推荐系统" 或 "推荐算法") 且 ("供应链" 或 "供应链管理" 或 "SCM")。诸如“寻源”和“采购”之类的关键词未被包括在内，以保持明确关注明确解决推荐系统方法论的研究，而非一般采购或寻源文献；这被认为是研究的一个局限性。本研究的主要目标是：
•考察不同的应用领域如何影响供应链管理中推荐系统算法的选择。
•识别并分析在供应链管理中实施推荐系统时遇到的共同挑战，以及这些挑战在各种案例研究中是如何解决的。
•评估用于评估供应链管理中推荐系统的关键绩效指标，以及这些指标在不同领域和应用领域之间如何变化。
•探讨供应链管理推荐系统中使用的数据集如何影响其在不同案例研究中的性能和适用性。
3.1. 纳入和排除标准
搜索没有时间限制，目的是收集到当前为止可用的最大数量的相关文献。搜索参数经过精心设计，专门用于定位涉及供应链管理中推荐系统应用的文章。为确保研究问题得到适当解决，应用了一套明确的纳入和排除标准。表2详细列出了这些标准。
表2. - 审查程序中的纳入和排除标准。
纳入标准|排除标准
(i1) 研究必须关注供应链管理主题。|(e1) 来自非学术来源的研究，如书籍章节、杂志、新闻文章和海报，被排除。
(i2) 研究必须涉及推荐系统在供应链管理中的应用。|(e2) 未涉及推荐系统在供应链管理中应用的研究被排除。
(i3) 研究必须发表在同行评审的期刊或会议论文集中。|(e3) 以非英语发表的研究被排除。
(i4) 研究必须用英语撰写。
(i5) 研究的全文必须可获取。
(i6) 来源必须来自期刊或会议论文集。
(i7) 研究的发表状态必须是最终的。
3.2. 筛选过程
全面的筛选过程涉及多个步骤：(i) 移除重复研究，(ii) 根据标题和摘要审查丢弃不符合纳入标准的文章，(iii) 进行全文审查以进一步淘汰不符合纳入标准的研究，以及(iv) 从筛选后保留的文章中提取相关数据。所有记录都导入了EndNote，用于自动和手动移除重复项。筛选过程由两名独立的审稿人进行，任何分歧通过讨论达成共识。
在通过数据库搜索确定的所有研究中，经过重复移除和相关性筛选后，保留了一组最终的相关研究，如PRISMA流程图所示。
图1. 说明本研究PRISMA搜索过程的流程图。
4. 结果与讨论
4.1. 文献计量分析
4.1.1. 全局分析
如图2所示，供应链管理中推荐系统的研究全球分布差异显著，中国因其庞大而复杂的供应链网络在出版物数量上领先。在中国，智能制造的国家计划促进了供应链管理中人工智能和推荐系统的研究，旨在升级工业供应链。中国的研究指出，制造业供应链中人工智能的采用率约为41%，仍然落后于发达国家（全球平均50%，美国约60%）。这一差距刺激了政策驱动的投资，以加速智能供应链的采用和韧性，最近的研究结果表明，中国企业必须迅速采用此类技术，否则将面临失去竞争力的风险。与此同时，美国和其他主要经济体处于物流创新中部署推荐系统的前沿。一个突出的例子是亚马逊的供应链优化技术系统，该系统使用基于人工智能的推荐来实时预测需求并为数亿产品优化库存。全球研究人员强调，即使是中小企业也应该采用这些技术；研究表明，数字技术的采用（包括人工智能/推荐系统）可以显著增强各种规模企业的供应链创新和性能。因此，各国政府被敦促支持此类投资——例如，通过激励中小企业数字化转型——以在新的“数字常态”中增强供应链韧性和效率。总之，最近的学术出版物反映了一种趋同的全球叙事：中国、美国等国的企业越来越多地在供应链管理中采用推荐系统，并得到战略投资和国家计划的支持，共同目标是促进更智能、更具创新性和韧性的供应链。
图2. 基于每个国家的论文数量。
印度有6篇出版物，显示出对该领域日益增长的兴趣，反映了其不断扩大的电子商务部门以及制造业、零售业和制药业日益增长的供应链复杂性。政府计划（如数字印度），加上快速增长的初创企业生态系统以及云计算和人工智能技术的日益普及，支持了对供应商选择、物流优化和供需匹配的推荐系统的研究。数据集中观察到的模式表明，随着数字基础设施和市场连接性的改善，印度的贡献加速了，使得能够针对新兴市场供应链开发更具应用性和可扩展性的机器学习解决方案。德国和韩国各有两篇出版物，也显示出对该领域的专注参与。德国对工业4.0和先进制造业的重视与关于智能生产规划、供应商匹配和网络物理供应链的研究一致，而韩国在电子和汽车行业技术创新方面的强烈导向支持了对人工智能驱动供应链解决方案的兴趣。在这些国家中，研究主题从早期基于规则和本体驱动的方法向基于图的模型、区块链集成和深度学习的演进，反映了供应链数字化、平台集成和智能决策支持采用的更广泛模式。
4.1.2. 关键词共现分析
图5由VOSviewer生成，展示了供应链管理中推荐系统领域内关键词和概念之间关系的全面可视化。该可视化显示了19个不同的聚类，每个聚类由不同的颜色表示，通过节点和链接展示了各种主题的相互关联性。最大的聚类以“推荐系统”和“供应链”为中心，突出了将推荐系统与供应链管理流程相结合的核心研究领域。诸如“区块链”和“大数据”等关键词所在的绿色和蓝色聚类，强调了先进技术在增强供应链安全性、透明度和数据驱动特性方面的重要性。其他聚类，如黄色和橙色的，强调了决策工具、可持续性和经济因素的作用，反映了这一研究领域的跨学科性质。粉色和紫色聚类中的“语义关系”和“机器学习”等术语对于通过先进的算法方法提高推荐的准确性至关重要。这些聚类之间的联系表明了跨领域的协作和知识共享，表明供应链管理中推荐系统的未来在于技术、决策和可持续性的交叉点。
图5. 供应链管理中推荐系统应用的关键主题的网络可视化。
深入研究特定的红色聚类，它解决了供应链管理中推荐系统的关键领域，侧重于先进的经济、运营和技术实施。它强调使用先进的人工智能和机器学习技术（如张量分解和无监督学习）来优化供应链的财务和物流方面。绿色聚类关注推荐系统、区块链技术和网络物理系统的交集，突显了去中心化技术在增强供应链安全性和透明度方面日益增长的作用，特别是在医疗保健和制药等敏感行业。蓝色聚类围绕先进的决策工具、人工智能和可持续实践，表明重点是利用人工智能驱动的系统来优化供应链流程，同时整合环境可持续实践。黄色聚类集中于推荐系统的技术基础，特别是数据驱动的方法和先进的分类技术，强调大数据、数据挖掘和语义理解的重要性。紫色聚类专注于知识管理和专家系统，强调知识密集型过程的作用，以及推荐系统如何利用专家见解为供应链管理决策提供支持。最后，橙色聚类围绕供应链流程中的优化算法和机器学习技术，特别是在制药行业，解决诸如假冒药物和供应链完整性等复杂挑战。
这些聚类的可视化凸显了供应链管理中推荐系统研究的多面性，揭示了该领域的深度和广度。对聚类的关键检查表明，虽然每个聚类都专注于特定方面，但存在显著的重叠和相互关联，表明研究正趋向于集成的、技术驱动的和可持续的供应链解决方案。例如，红色和绿色聚类都强调使用先进技术——人工智能和区块链——但它们的主要目标不同。红色聚类主要关注使用人工智能技术（如张量分解）来优化经济和运营效率，这对库存管理和个性化产品推荐具有深远意义。相比之下，绿色聚类侧重于通过区块链和网络物理系统来增强安全性和透明度，这在可追溯性和真实性至关重要的行业尤为关键。
这些技术进步的影响是巨大的。红色聚类中人工智能和机器学习的集成导致更具响应性和适应性的供应链，能够实时预测和响应市场波动。这不仅提高了运营效率，还通过个性化体验提高了客户满意度。绿色聚类对区块链和网络物理系统的强调解决了一个日益增长的需求，即在网络安全威胁增加和全球化带来的复杂性面前，需要安全透明的供应链。通过确保不可篡改的交易和安全的数据共享，区块链技术减轻了与欺诈和假冒商品相关的风险，这在制药和医疗保健行业尤其具有影响力。
相比之下，蓝色聚类通过将可持续性整合到红色和绿色聚类中所见的技术进步中，引入了一个关键维度。它不仅强调了人工智能在优化流程中的作用，还强调了通过循环经济和工业共生促进环境可持续实践的作用。这反映了供应链管理研究向不仅仅实现经济和运营效率，还要解决环境问题的转变。诸如循环供应链管理等术语的加入表明，人们日益认识到需要重新设计供应链，使其更具可持续性和资源效率，这对全球生产网络和商业实践具有深远影响。
黄色聚类通过专注于支持其他聚类进步所需的技术基础，补充了这些主题。它对大数据、数据挖掘和语义理解的强调对于处理现代供应链中产生的大量数据至关重要。先进的分类技术和语义匹配能够实现更准确和上下文感知的推荐，这对于个性化客户体验和高效的供应链运营至关重要。该集群中讨论的技术方法，如图论和自然语言处理，是开发能够在复杂和数据丰富的环境中有效运行的复杂推荐系统的基础。
紫色聚类通过强调知识管理和专家系统，引起了对供应链管理中人的因素的关注。虽然技术起着关键作用，但人类专业知识和隐性知识的整合对于有效决策仍然至关重要。对沟通和协作的强调突显了将技术工具与人类洞察相结合以推动创新和效率的重要性。这在产品设计和市场分析中尤为重要，因为理解细微的客户需求和市场趋势需要数据驱动的洞察和人类创造力。
最后，橙色集群展示了这些技术在制药行业的专门应用，突出了独特的挑战，如假冒药品和公共卫生危机。优化算法和机器学习技术的使用解决了高效安全的药品配送的需求，这对公共安全和健康结果具有直接影响。在B2B背景下对情感分析和客户定位的关注也指向了理解市场动态和客户关系在供应链优化中的重要性。
比较这些聚类可以明显看出，尽管每个聚类都有不同的重点，但它们共同促进了对推荐系统如何变革供应链管理的全面理解。红色和绿色聚类代表了技术创新的前沿，分别专注于人工智能和区块链，以提高效率和安全性。蓝色聚类将可持续性整合到这一技术格局中，推动了供应链既能高效又能对环境负责的界限。黄色聚类通过先进的数据处理和技术为其他聚类提供必要的技术支持，而紫色聚类确保在追求技术进步的同时不忽视人类专业知识和知识管理。橙色聚类在关键行业中展示了这些概念的实际应用，强调了该领域研究的现实世界影响。
这一分析对学术界和工业界都有深远的影响。对于研究人员而言，它强调了跨学科方法的重要性，这些方法结合了技术、可持续性和人类因素，以应对复杂的供应链挑战。它建议未来的研究应侧重于开发能够适应快速技术变革步伐，同时考虑环境和社会责任的集成框架。对于从业者，分析强调了采用人工智能和区块链等先进技术以在全球化市场中保持竞争力和安全性的必要性。它还强调了将可持续性和人类专业知识纳入供应链战略以实现长期成功的价值。
4.2. 主题分析
4.2.1. 供应链管理中推荐系统应用趋势分析
在本研究中，我们通过将供应链管理中推荐系统的发展划分为四个不同的阶段来分析其演变。这些阶段是根据技术进步的重大突破、研究重点的转变以及塑造供应链管理中推荐系统应用的重要行业发展来划分的。选择这些时期的理由基于观察到的里程碑，这些里程碑标志着供应链管理中推荐系统成熟度和应用的显著转变。
•早期探索和基础工作（2006-2010年）：2006年至2010年标志着将推荐系统应用于供应链管理的初步探索和基础工作。在此期间，研究人员开始改编基础算法和专家系统，以增强供应链内的决策制定和知识管理。2000年代初见证了电子商务和全球化的兴起，这增加了供应链的复杂性，并需要更复杂的工具来管理它们。然而，推荐系统在供应链管理中的应用仍处于起步阶段。研究集中在通用推荐算法及其适应供应链管理背景的潜力上。例如，早期研究探索了基于本体的系统来标准化供应链内的数据和流程，为互操作性和更高效的信息管理奠定了基础。这一基础阶段确立了基本原则，并展示了将推荐系统应用于供应链管理的潜在利益，为后续年份更专业化的研究奠定了基础。
•专业应用的出现（2011-2015年）：技术的进步和全球供应链日益增加的复杂性导致研究重点转向2011年至2015年间推荐系统的专业应用。在此期间，通用系统的局限性变得明显，需要解决供应链管理特定方面的解决方案。研究人员开始开发针对特定挑战量身定制的推荐系统，如供应商选择、采购流程以及整合可持续性考虑因素。例如，研究集中于通过纳入成本、质量和可靠性等标准来优化供应商选择，从而提高采购效率。这一时期标志着从广泛的应用
