CN105740415B - 基于标签位置权重与自学习的招投标好友推荐系统 - Google Patents

基于标签位置权重与自学习的招投标好友推荐系统 Download PDF

Info

Publication number
CN105740415B
CN105740415B CN201610065055.XA CN201610065055A CN105740415B CN 105740415 B CN105740415 B CN 105740415B CN 201610065055 A CN201610065055 A CN 201610065055A CN 105740415 B CN105740415 B CN 105740415B
Authority
CN
China
Prior art keywords
label
bidding
module
position weight
self
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201610065055.XA
Other languages
English (en)
Other versions
CN105740415A (zh
Inventor
张墨琴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201610065055.XA priority Critical patent/CN105740415B/zh
Publication of CN105740415A publication Critical patent/CN105740415A/zh
Application granted granted Critical
Publication of CN105740415B publication Critical patent/CN105740415B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/955—Retrieval from the web using information identifiers, e.g. uniform resource locators [URL]
    • G06F16/9562—Bookmark management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/951—Indexing; Web crawling techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0611—Request for offers or quotes

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于标签位置权重与自学习的招投标好友推荐系统，该系统包括数据源模块、标签预处理模块、热门标签库模块、标签检测与存储模块、自学习模块以及结果筛选模块；本发明以标签位置权重及自学习模型为设计思路开发设计了此推荐系统，该系统建立一套考虑标签位置权重的标签系统，同时使用扩展的FP‑Growth算法挖掘采购行为流程中的关联规则，最终组合并筛选基于标签的推荐结果与基于挖掘的推荐结果，形成推荐结果列表。系统运行的数据表明，相比传统的基于标签的企业级招投标推荐系统，提升了标签系统的作用并挖掘了标签系统相对不擅长的系统潜在关联规则，提供了有效的推荐性能。

Description

基于标签位置权重与自学习的招投标好友推荐系统
技术领域
本发明涉及招投标好友推荐的研究领域，特别涉及一种基于标签位置权重与自学习的招投标好友推荐系统。
背景技术
在网上招投标系统中，采购方负责发起采购需求，系统根据采购需求推荐合适的供应商列表，采购商与供应商可以互相添加好友或关注对方。旧有的基于标签的招投标好友推荐系统或多或少存在以下不足：(1)多义词、同义词等噪声问题待处理，标签系统不受约束的语法可能造成上述问题。(2)采购行为流程考虑欠缺，如某公司采购了手机，则推荐系统可以向该公司推荐销售手机壳、手机膜等产品的供应商。(3)推荐有效性依赖于用户、标签、资源之间关联关系的稠密性要求，由于招投标系统中的用户只能对自己发布的信息添加标签，使得实际中并不一定能很好地达到该稠密性要求，限制了标签推荐系统的推荐性能。(4)对用户填写标签的个人规律关注不够,用户填写标签的相关统计学规律待认识与应用，如可以考虑对不同标签位置赋予不同权重，以此为基础计算标签相似程度。所以传统的基于标签的招投标好友推荐系统中，个性化标签的随意性、标签位置权重的粗略处理及系统推荐标签的质量局限等问题限制了系统的推荐效率，且现有的网上招投标系统较少考虑到采购行为流程中的产业链关系。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于标签位置权重与自学习的招投标好友推荐系统(以下简称BID-RS)。
为了达到上述目的，本发明采用以下技术方案：
本发明提供了一种基于标签位置权重与自学习的招投标好友推荐系统，包括数据源模块、标签预处理模块、热门标签库模块、标签检测与存储模块、自学习模块以及结果筛选模块；
所述数据源模块，用于收集收集招投标平台上的历史招投标数据；
所述标签预处理模块，用于从招投标公司发表的招投标数据中提取部分关键字作为标签以减轻稀疏问题；
所述热门标签库模块，用于提供系统热门标签给用户作为输入；
所述标签检测与存储模块，用于对用户填入的标签质量进行检测，并最终进行持久化存储；
所述自学习模块，用于在历史招投标数据上进行挖掘，同时若用户在线，还会对其实时招投标数据进行挖掘；
所述结果筛选模块，用于通过进一步筛选得到具有双重特点的推荐列表。
作为优选的技术方案，所述数据源模块中的招投标数据包括采购行为、销售行为、新闻及动态行为产生的数据，通过开源的轻量级对象映射框架Hibernate将上述的多种用户行为产生的数据做持久性封装，为后续其他模块提供数据支撑。
作为优选的技术方案，所述标签预处理模块中，提取技术采用扩展的TF-IDF模型，以招投标公司主页的新闻、动态为出发点，采用增加特殊段落词语权重的方法对TF-IDF模型进行扩展，使其能够考虑到位置信息权重。
作为优选的技术方案，所述热门标签库模块中热门标签库的生成从下述两方面取得：
(1)系统后台线程根据系统中实时的标签流行度生成热门标签；
(2)通过管理员设置参数来进行干预控制。
作为优选的技术方案，所述标签检测与存储模块在标签预处理模块的基础上，系统允许用户手动添加个性化的标签，但同时会对标签质量进行检测，最后加上手动选择的系统热门标签，用户所有标签信息通过Hibernate持久化存储。
作为优选的技术方案，在自学习模块中，当招投标公司双方互相关注或互相添加好友以及产生互相招投标业务行为时，及时更新关联规则，以及时反映双方招投标公司的采购或供应兴趣，其次，管理员可以对偏差较大的规则数据进行干预、纠正。
作为优选的技术方案，在结果筛选模块中，通过标签检测与存储和自学习模块产生推荐列表，其具体方法为：
S1、设需要计算标签相似度的用户实体为UA、UB，TA、TB分别为UA与UB的标签集合，UA与UB的共同标签记为CT，LocInA(x)、LocInB(x)为x标签实体在TA或TB中的位置，WeightInLocA(x)与WeightInLocB(x)分别表示上述位置对应的标签权重；
S2、使用递减的底数为p的指数函数来计算标签权重，并采用公式(1)计算UA与UB的标签相似度，UA与UB的共同标签c越靠前，其标签权值越大，则公式(1)的结果越大，UA与UB相似度越高；
式(1)中WeightInLocA(c)＝pLocInA(c)，WeightInLocB(c)＝pLocInB(c)，由于位置权重为小数，系数20用来“放大”小数以得到更稳定结果，公式(1)的结果记作wSim，它为累加和形式，每一项的值落在区间(-1,1)上，wSim∈(-N,N)，N为CT元素个数；
S3、建立各个地区的位置权重表[D1:W1,D2：W2,..Dn：Wn],记为weightList，n为BID-RS中已维护相应信息的地区数，Dn为地区n的名称，Wn为Dn对应的权重值；
S4、在FP-GROWTH算法中，扫描数据库后使用支持度作为排序依据对实体进行排序。
作为优选的技术方案，在步骤S4中，还包括下述步骤：考虑地理位置因素后，使用以下方式对上述排序方式进行扩展：
S41、使用递减支持度数排序筛选出前m个实体；
S42、设定基于位置权重的最小支持度数MS，通过公式(2)计算实体的加权支持度数并筛除结果小于MS的实体；计算公式如下：
support(weightList[Dx]，Frequency(x))＝weightList[Dx]*Frequency(x) (2)
公式(2)中函数的第一个参数weighList[Dx]表示地区x的权重值，第二个参数Frequency(x)为x的支持度数；
S43、根据support函数的输出值对m个实体排序。
作为优选的技术方案，还包括下述步骤：
在上述排序方式的基础上建立FP-Tree，然后在FP-Tree上进行BID-RS的关联规则挖掘。
本发明与现有技术相比，具有如下优点和有益效果：
1、本发明以标签位置权重及自学习模型为设计思路开发设计了此推荐系统，该系统建立一套考虑标签位置权重的标签系统，同时使用扩展的FP-Growth算法挖掘采购行为流程中的关联规则，最终组合并筛选基于标签的推荐结果与基于挖掘的推荐结果，形成推荐结果列表。系统运行的数据表明，相比传统的基于标签的企业级招投标推荐系统，提升了标签系统的作用并挖掘了标签系统相对不擅长的系统潜在关联规则，提供了有效的推荐性能。
2、本发明使用基于标签及数据挖掘的相关基础理论开发而来，通过运行期间的数据，表明该系统的推荐方式有效可行，系统通过使用标签位置权重，考虑了实际系统中用户的标签习惯；系统的自学习模块生成的关联规则库，考虑了BID-RS等招投标平台上存在的特殊产业链结构，从而适应了实际场景。
3、本发明的推荐系统减少了招投标用户为了采购物品而浪费的寻找供应商家的时间，同时增加了用户对平台的依赖性。
附图说明
图1是本发明基于标签权重与自学习的招投标好友推荐系统的结构示意图；
图2是本发明数据源模块的工作流程图；
图3是本发明标签预处理模块的工作流程图；
图4是本发明热门标签库模块的工作流程图；
图5是本发明标签系统建立模块工作流程；
图6是本发明自学习模块的工作流程；
图7是本发明结果筛选模块的工作流程图；
图8是本发明产生推荐列表工作流程图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例
如图1所示，本发明基于标签位置权重与自学习的招投标好友推荐系统，包括数据源模块1、标签预处理模块2、热门标签库模块3、标签检测与存储模块4、自学习模块5以及结果筛选模块6。
系统收集招投标平台上的历史招投标数据，包括采购、销售等行为产生的数据，通过相关算法以及管理员的合理干预，不断完善标签系统及基于自学习模块的关联规则，根据标签系统与自学习模块产生的双重推荐，筛选出符合实际需要的推荐TOP-K推荐列表。
下面针对各个具体的模块做进一步的阐述：
1.1数据源模块；
为了分析BID-RS上的用户行为，以支持标签模块及自学习模块，BID-RS需要大量实时数据提供给后续模块。
如图2所示，BID-RS的用户行为主要有采购行为、销售行为、新闻及动态行为。本发明通过开源的轻量级对象映射框架Hibernate将上述提到的多种用户行为产生的数据做持久性封装，为后续模块提供数据支撑。
1.2标签预处理模块；
由于使用基于标签的方式给用户推荐好友需要具备一定量的标签作为基础，而现在主流的研究大多都在Delicious、BibSonomy等公开数据集上进行，因而不存在冷启动问题。在BID-RS运行初期，为了解决数据稀疏问题，本发明采用从招投标公司发表的“动态”、主页新闻、少量历史招投标数据中提取部分关键字作为标签以减轻稀疏情况。
抽取技术用扩展的TF-IDF模型，TF-IDF模型本身被广泛用于信息检索中，在实际应用中存在以下局限：(1)由于实际中某些重要的词出现次数很少，这些词容易被忽略；(2)TF-IDF模型并未考虑词语的位置关系，在对物理位置上靠前与靠后的处理上没有区分。
对此本发明以招投标公司主页的新闻、动态为出发点，采用增加特殊段落词语权重的方法对TF-IDF模型进行扩展，使其能够考虑到位置信息权重，请参照图3。
1.3热门标签库模块；
用户添加标签时往往考虑自己与他人的不同之处，即优先填入个性化标签，当填入一定量的标签后就开始大量使用热门标签。该模块中热门标签库的生成从两方面取得：(1)系统后台线程根据系统中实时的标签流行度生成热门标签；(2)通过管理员设置参数来进行干预控制；请参照图4。
1.4标签检测与存储模块
在标签预处理模块的基础上，系统允许用户手动添加个性化的标签，但同时会对标签质量进行检测。最后加上手动选择的系统热门标签，用户所有标签信息通过Hibernate持久化存储；请参照图5。
1.5自学习模块；
该模块在历史招投标数据上进行挖掘，同时若用户在线，还会对其实时招投标数据进行挖掘。
当招投标公司双方互相关注或互相添加好友以及产生互相招投标业务行为时，需要及时更新关联规则，以及时反映双方招投标公司的采购或供应兴趣。其次，管理员可以对偏差较大的规则数据进行干预、纠正；请参照图6。
1.6结果筛选模块；
从标签模块与自学习模块得到了一份推荐列表，这份列表只能大致作为推荐结果，因为这份推荐结果不一定适用于实际的招投标系统推荐规则。比如，A供应商与B供应商本身为竞争对手，那么这种情况下，系统推荐竞争对手B给A显然是不合适的，而更应推荐合适的采购用户给A。
基于标签的推荐注重用户实体间的相似度，基于自学习的推荐注重实体间的相互关联，通过进一步筛选得到具有双重特点的更合理推荐列表。另外，管理员可以通过设置参数的方式对筛选规则进行人为管控，请参照图7。
本发明的另一关键是通过标签系统与自学习模块产生推荐列表，如图8所示，该模块由两个子部分组成：(1)基于标签的推荐部分；(2)基于自学习推荐部分。
在陈渊、邢千里等人的研究中，他们通过统计学分析，发现位置靠前的标签更能描述用户的个性特征，即这些位置的标签可能在推荐中有更大的价值。在BID-RS中，由于注册用户以公司或组织为单位，所以用户行为与微博等社交网络有所区别，其标签行为相对“正规”一些，即上述个性化程度有所降低，基于此，本发明使用以下计算方法。
设需要计算标签相似度的用户实体为UA、UB，TA、TB分别为UA与UB的标签集合，UA与UB的共同标签记为CT，LocInA(x)、LocInB(x)为x标签实体在TA或TB中的位置，WeightInLocA(x)与WeightInLocB(x)分别表示上述位置对应的标签权重。
由于随着位置的靠后标签个性化程度逐渐降低，结合数据观测，本发明使用递减的底数为p(以下称为底数因子)的指数函数来计算标签权重，并采用式1计算UA与UB的标签相似度。UA与UB的共同标签c越靠前，其标签权值越大，则式1的结果越大，UA与UB相似度越高。本文后续的模拟实验假定允许的最大标签数为10，且取p＝0.75。经模拟测试，根据式1计算相似度可以得到预期的计算效果。
公式(1)中WeightInLocA(c)＝pLocInA(c)，WeightInLocB(c)＝pLocInB(c)，由于位置权重为小数，系数20用来“放大”小数以得到更稳定结果。公式(1)的结果记作wSim，它为累加和形式，每一项的值落在区间(-1,1)上，wSim∈(-N,N)，N为CT元素个数。
通过以上方法计算出与用户U相似度最高的M家招投标公司。然而直接将这份用户名单推荐给用户是有弊端的，因为这种方式并未考虑BID-RS中采购的行为流程。比如某公司已经采购了某型号手机，则除了手机商外，还可以向其推荐手机膜厂商或其他与手机相关的厂商。
在关联规则挖掘方面，若直接使用经典的Apriori挖掘算法挖掘热门的关联规则(即频繁项集)，系统在面对大规模数据时的挖掘效率将显著下降，为此HAN等人提出了基于FP树生成频繁项集的FP-GROWTH算法，本文在FP-GROWTH算法基础上进行扩展。
考虑到BID-RS中的用户对商品的紧急程度，运费少、运输时间较短的商品提供商应该优先考虑推荐。因此本发明建立各个地区的位置权重表[D1:W1,D2：W2,..Dn：Wn],记为weightList，n为BID-RS中已维护相应信息的地区数，Dn为地区n的名称，Wn为Dn对应的权重值。在FP-GROWTH算法中，扫描数据库后使用支持度作为排序依据对实体进行排序，考虑地理位置因素后，本文使用以下方式对上述排序方式进行扩展：首先使用递减支持度数(supports)排序筛选出前m个实体，之后设定基于位置权重的最小支持度数MS，通过公式(2)计算实体的加权支持度数并筛除结果小于MS的实体。
support(weightList[Dx]，Frequency(x))＝weightList[Dx]*Frequency(x) (2)
公式(2)中函数的第一次参数表示地区x的权重值，第二个参数为x的支持度数，最后根据support函数的输出值对m个实体排序。算法在上述排序方式的基础上建立FP-Tree，然后在FP-Tree上进行BID-RS的关联规则挖掘。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (8)

1.基于标签位置权重与自学习的招投标好友推荐系统，其特征在于，包括数据源模块、标签预处理模块、热门标签库模块、标签检测与存储模块、自学习模块以及结果筛选模块；
所述数据源模块，用于收集招投标平台上的历史招投标数据；
所述标签预处理模块，用于从招投标公司发表的招投标数据中提取部分关键字作为标签以减轻稀疏问题；
所述热门标签库模块，用于提供系统热门标签给用户作为输入；
所述标签检测与存储模块，用于对用户填入的标签质量进行检测，并最终进行持久化存储；
所述自学习模块，用于在历史招投标数据上进行挖掘，同时若用户在线，还会对其实时招投标数据进行挖掘；
所述结果筛选模块，用于通过进一步筛选得到具有双重特点的推荐列表；
在结果筛选模块中，通过标签检测与存储模块和自学习模块产生推荐列表，其具体方法为：
S1、设需要计算标签相似度的用户实体为UA、UB，TA、TB分别为UA与UB的标签集合，UA与UB的共同标签记为CT，LocInA(x)、LocInB(x)为x标签实体在TA或TB中的位置，WeightInLocA(x)与WeightInLocB(x)分别表示上述位置对应的标签权重；
S2、使用递减的底数为p的指数函数来计算标签权重，并采用公式(1)计算UA与UB的标签相似度，UA与UB的共同标签c越靠前，其标签权值越大，则公式(1)的结果越大，UA与UB相似度越高；
式(1)中WeightInLocA(c)＝pLocInA(c)，WeightInLocB(c)＝pLocInB(c)，由于位置权重为小数，系数20用来“放大”小数以得到更稳定结果，公式(1)的结果记作wSim，它为累加和形式，每一项的值落在区间(-1,1)上，wSim∈(-N,N)，N为CT元素个数；
S3、建立各个地区的位置权重表[D1:W1，D2:W2，..Dn:Wn]，记为weightList，n为BID-RS中已维护相应信息的地区数，Dn为地区n的名称，Wn为Dn对应的权重值；
S4、在FP-GROWTH算法中，扫描数据库后使用支持度作为排序依据对实体进行排序。
2.根据权利要求1所述的基于标签位置权重与自学习的招投标好友推荐系统，其特征在于，所述数据源模块中的招投标数据包括采购行为、销售行为、新闻及动态行为产生的数据，通过开源的轻量级对象映射框架Hibernate将上述的多种行为产生的数据做持久性封装，为后续其他模块提供数据支撑。
3.根据权利要求1所述的基于标签位置权重与自学习的招投标好友推荐系统，其特征在于，所述标签预处理模块中，提取技术采用扩展的TF-IDF模型，以招投标公司主页的新闻、动态为出发点，采用增加特殊段落词语权重的方法对TF-IDF模型进行扩展，使其能够考虑到位置信息权重。
4.根据权利要求1所述的基于标签位置权重与自学习的招投标好友推荐系统，其特征在于，所述热门标签库模块中热门标签库的生成从下述两方面取得：
(1)系统后台线程根据系统中实时的标签流行度生成热门标签；
(2)通过管理员设置参数来进行干预控制。
5.根据权利要求1所述的基于标签位置权重与自学习的招投标好友推荐系统，其特征在于，所述标签检测与存储模块在标签预处理模块的基础上，系统允许用户手动添加个性化的标签，但同时会对标签质量进行检测，最后加上手动选择的系统热门标签，用户所有标签信息通过Hibernate持久化存储。
6.根据权利要求1所述的基于标签位置权重与自学习的招投标好友推荐系统，其特征在于，在自学习模块中，当招投标公司双方互相关注或互相添加好友以及产生互相招投标业务行为时，及时更新关联规则，以及时反映双方招投标公司的采购或供应兴趣，其次，管理员能对偏差较大的规则数据进行干预、纠正。
7.根据权利要求1所述的基于标签位置权重与自学习的招投标好友推荐系统，其特征在于，在步骤S4中，还包括下述步骤：考虑地理位置因素后，使用以下方式对上述排序方式进行扩展：
S41、使用递减支持度数排序筛选出前m个实体；
S42、设定基于位置权重的最小支持度数MS，通过公式(2)计算实体的加权支持度数并筛除结果小于MS的实体；计算公式如下：support(weightList[Dx]，Frequency(x))＝weightList[Dx]*Frequency(x) (2)
公式(2)中函数的第一个参数weighList[Dx]表示x的权重值，第二个参数Frequency(x)为x的支持度数；
S43、根据support函数的输出值对m个实体排序。
8.根据权利要求7所述的基于标签位置权重与自学习的招投标好友推荐系统，其特征在于，还包括下述步骤：
在上述步骤S43排序方式的基础上建立FP-Tree，然后在FP-Tree上进行BID-RS的关联规则挖掘。
CN201610065055.XA 2016-01-29 2016-01-29 基于标签位置权重与自学习的招投标好友推荐系统 Expired - Fee Related CN105740415B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610065055.XA CN105740415B (zh) 2016-01-29 2016-01-29 基于标签位置权重与自学习的招投标好友推荐系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610065055.XA CN105740415B (zh) 2016-01-29 2016-01-29 基于标签位置权重与自学习的招投标好友推荐系统

Publications (2)

Publication Number Publication Date
CN105740415A CN105740415A (zh) 2016-07-06
CN105740415B true CN105740415B (zh) 2019-07-26

Family

ID=56247046

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610065055.XA Expired - Fee Related CN105740415B (zh) 2016-01-29 2016-01-29 基于标签位置权重与自学习的招投标好友推荐系统

Country Status (1)

Country Link
CN (1) CN105740415B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109711912A (zh) * 2017-10-25 2019-05-03 贵州师范学院 一种融合FP-growth算法和Slope-One算法的混合推荐模型
CN107833076A (zh) * 2017-11-16 2018-03-23 中国银联股份有限公司 一种营销信息推送方法及装置
CN108399191B (zh) * 2018-01-25 2021-06-15 广州大学 一种招标信息的个性化推荐方法
CN109165348A (zh) * 2018-08-21 2019-01-08 麦格创科技（深圳）有限公司 一种招投标信息推荐方法、系统及服务器
CN111861684B (zh) * 2020-07-31 2024-04-05 贵州光奕科科技有限公司 招标数据及流程的线上管理平台
CN112036988B (zh) * 2020-09-24 2023-04-07 上海风秩科技有限公司 标签生成方法和装置、存储介质及电子设备
CN112948667A (zh) * 2021-02-03 2021-06-11 北京优易惠技术有限公司 一种基于招投标的供应商推荐系统及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090248495A1 (en) * 2008-04-01 2009-10-01 Certona Corporation System and method for combining and optimizing business strategies
CN102789462A (zh) * 2011-05-18 2012-11-21 阿里巴巴集团控股有限公司 一种项目推荐方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090248495A1 (en) * 2008-04-01 2009-10-01 Certona Corporation System and method for combining and optimizing business strategies
CN102789462A (zh) * 2011-05-18 2012-11-21 阿里巴巴集团控股有限公司 一种项目推荐方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于轻量级J2EE的工程招投标信息系统的设计与实现;徐坤;《中国优秀硕士学位论文全文数据库信息科技辑》;20111215(第S2期);第1-60页 *

Also Published As

Publication number Publication date
CN105740415A (zh) 2016-07-06

Similar Documents

Publication Publication Date Title
CN105740415B (zh) 基于标签位置权重与自学习的招投标好友推荐系统
US11798052B2 (en) Systems, apparatuses, and methods for extracting inventory from unstructured electronic messages
Gbetibouo et al. Vulnerability of the South African farming sector to climate change and variability: An indicator approach
Brown et al. Influence of livelihoods on climate change adaptation for smallholder farmers in the Mekong Delta Vietnam
CN102279851B (zh) 一种智能导航方法、装置和系统
CN106326248B (zh) 数据库数据的存储方法和装置
CN106327227A (zh) 一种信息推荐系统及信息推荐方法
CN105760443B (zh) 项目推荐系统、项目推荐装置以及项目推荐方法
CN108205766A (zh) 信息推送方法、装置及系统
CN102129431B (zh) 应用于网上交易平台的检索方法和系统
CN105138690B (zh) 确定关键词的方法和装置
CN106469392A (zh) 选择及推荐展示对象的方法及装置
CN109636430A (zh) 对象识别方法及其系统
CN110020128A (zh) 一种搜索结果排序方法及装置
CN102609422A (zh) 类目错放识别方法和装置
CN106557480A (zh) 查询改写的实现方法及装置
CN104239335B (zh) 特定用户信息获取方法及装置
CN108572988A (zh) 一种房产评估数据生成方法和装置
CN104077707B (zh) 一种推广呈现方式的优化方法和装置
Stiakakis et al. Combining the priority rankings of DEA and AHP methodologies: a case study on an ICT industry
CN106407316A (zh) 基于主题模型的软件问答推荐方法和装置
CN104133913B (zh) 一种基于视频分析与搜索聚合的城市商铺信息库自动构建系统及方法
CN111680213B (zh) 信息推荐方法、数据处理方法及装置
CN103577473A (zh) 分类消岐方法、分类消岐装置及其系统
KR102585895B1 (ko) 오픈마켓에서의 키워드 마케팅 효율 증가를 위한 방법 및 시스템

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20190726

Termination date: 20200129