CN112163704B - 一种用于建材投招标平台的优质供应商预测方法 - Google Patents

一种用于建材投招标平台的优质供应商预测方法 Download PDF

Info

Publication number
CN112163704B
CN112163704B CN202011053231.0A CN202011053231A CN112163704B CN 112163704 B CN112163704 B CN 112163704B CN 202011053231 A CN202011053231 A CN 202011053231A CN 112163704 B CN112163704 B CN 112163704B
Authority
CN
China
Prior art keywords
supplier
suppliers
negative
prediction
dimensional
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.)
Active
Application number
CN202011053231.0A
Other languages
English (en)
Other versions
CN112163704A (zh
Inventor
须峰
黄麒铭
李传中
施海鹰
李吉平
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.)
Zhuke Network Technology Shanghai Co ltd
Original Assignee
Zhuke Network Technology Shanghai Co ltd
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 Zhuke Network Technology Shanghai Co ltd filed Critical Zhuke Network Technology Shanghai Co ltd
Priority to CN202011053231.0A priority Critical patent/CN112163704B/zh
Publication of CN112163704A publication Critical patent/CN112163704A/zh
Application granted granted Critical
Publication of CN112163704B publication Critical patent/CN112163704B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Abstract

本发明涉及一种用于建材投招标平台的优质供应商预测方法，包括以下步骤：将供应商按注册时长划分为第一供应商和第二供应商，并分别采集第一供应商和第二供应商的属性和行为数据；使用XGBoost模型对第一供应商的行为数据进行特征变换得到n维的编号向量，对n维的编号向量进行独热编码并与原始特征拼接后输入逻辑回归模型进行预测；对所述第二供应商的行为数据进行证据权重转换，并计算IV值进行特征维度筛选，使用半监督学习算法进行预测；按照所述第一供应商和第二供应商中优质供应商的比例选取预测概率最高的n家供应商。本发明能够提高预测精准度。

Description

一种用于建材投招标平台的优质供应商预测方法
技术领域
本发明涉及优质供应商预测技术领域，特别是涉及一种用于建材投招标平台的优质供应商预测方法。
背景技术
自2013年《电子招投标办法》实施以来，各种类型的线上交易平台如雨后春笋般密集出现。线上招投标平台运用互联网技术使得传统线下的招标、投标、开标、评标和中标等作业流程电子化，极大地提高了招投标效率，简化了招投标流程。
尤其值得关注是近些年国内建材采购线上招投标平台的建设。经过几年粗放式的发展，各大平台基本已完成建材采购企业和供应企业等用户的初期积累。用户量爆发式增长的同时，也暴露出线上招投标平台的诸多不足之处，如服务质量的提升跟不上平台体量的增长，用户的个性化需求难以得到满足等。这些问题导致了平台用户黏性的降低，很多用户重新将线下招投标作为自己的首选招投标方式。除去主观的自身建设意愿等因素外，客观上来说，受限于资金、人力、物力、技术等因素，平台很难提供全方位的、普惠式的招投标服务。目前招投标平台的发展已经进入深度改革阶段，平台应当在为全体用户提供普适性服务的基础上，发掘优质用户，集中优势资源，提高优质用户的服务水平，增加优质用户的平台满意度和黏性，进而提供个性化和差异化服务。
目前线上招投标领域逐渐开始引入一些机器学习方法发掘平台潜在的优质供应商。但这些方法大多较为简单，仅仅是对供应商数据做预处理后输入预测模型进行预测。这种方式主要有三个问题：1、数据特征维度的选择主要靠人工进行，这导致模型的预测能力极度依赖实施者的经验；2、方法只依赖单一预测模型，很难适应现实场景下复杂多变的环境；3、对不同特点的供应商没有区分性，往往所有供应商混在一起，使用同一套方法进行预测，使得预测结果不够准确。
发明内容
本发明所要解决的技术问题是提供一种用于建材投招标平台的优质供应商预测方法，能够有效解决优质供应商的预测问题以及新供应商的样本极度不均衡问题，为平台精准定位优质供应商。
本发明解决其技术问题所采用的技术方案是：提供一种用于建材投招标平台的优质供应商预测方法，包括以下步骤：
(1)将供应商按注册时长划分为第一供应商和第二供应商，并分别采集第一供应商和第二供应商的属性和行为数据，其中，第一供应商的注册时长比第二供应商的注册时长长；
(2)使用XGBoost模型对第一供应商的行为数据进行特征变换得到n维的编号向量，对n维的编号向量进行独热编码并与原始特征拼接后输入逻辑回归模型进行预测；
(3)对所述第二供应商的行为数据进行证据权重转换，并计算IV值进行特征维度筛选，使用半监督学习算法进行预测；
(4)按照所述第一供应商和第二供应商中优质供应商的比例选取预测概率最高的n家供应商。
所述步骤(1)将供应商按注册时长划分为第一供应商和第二供应商时，通过设定时间节点λ使得注册时长小于所述设定时间节点λ的供应商的负样本与正样本的比值小于阈值T，则注册时长大于所述设定时间节点λ的供应商为第一供应商，注册时长小于或等于所述设定时间节点λ的供应商为第二供应商。
所述步骤(2)中使用XGBoost模型对第一供应商的行为数据进行特征变换时，采用第一供应商的行为数据训练XGBoost模型以提取有效的特征组合；其中，所述XGBoost模型拟合n颗回归树，每颗回归树的每个叶子节点对应的路径表示一个特征或特征组合；对所述回归树的叶子节点进行编号，第一供应商在每颗回归树中被划分至唯一的叶子节点，对应于回归树的一个叶子编号，每个供应商的行为数据均表示为n维的编号向量以代表n个特征或特征组合。
所述步骤(2)中对对n维的编号向量进行独热编码并与原始特征拼接后输入逻辑回归模型进行预测具体为：n棵回归树共计m个叶子节点，n维编号向量转换为m维的0，1稀疏向量，所述m维的0，1稀疏向量中有n个元素的值为1，将编码后的m维的0，1稀疏向量与原始特征进行拼接，并输入至逻辑回归模型进行预测。
所述步骤(3)中对所述第二供应商的行为数据进行证据权重转换，并计算IV值进行特征维度筛选具体包括以下子步骤：
(a)对所述第二供应商的原始行为数据进行分箱操作；
(b)统计每个分箱里的正样本数bin_positivesi和负样本数bin_negativesi；
(c)将分箱的正样本数bin_positivesi和负样本数bin_negativesi分别除以总的正样本数total_positive和负样本数total_negative得到每个分箱的边际正样本占比margin_positive_ratei和边际负样本占比margin_negative_ratei；
(d)计算每个分箱的证据权重
Figure BDA0002710167930000031
(e)检查各个分箱的证据权重之间是否满足单调性，若不满足则返回步骤(a)，否则进入步骤(f)；
(f)计算IV值，
Figure BDA0002710167930000032
IVi为第i个分箱的IV值，IVi＝(margin_negative_ratei-margin_positive_ratei)×WOEi；
(g)筛选出IV值大于预设值的特征作为分类器的训练特征。
所述步骤(c)和步骤(d)之间还包括判断分箱内是否只有正样本或负样本，若是，则该分箱证据权重
Figure BDA0002710167930000033
所述步骤(d)和步骤(e)之间还包括判断相邻的两个分箱的证据权重值的差值是否小于预设值的步骤，若小于预设值则将这两个分箱进行合并。
所述步骤(3)中使用半监督学习算法进行预测时具体包括以下子步骤：
(A)随机从所述第二供应商中采样无标签样本作为负例，与已有的少量负样本构成负样本集，将负样本集与正样本集汇合，构成正负样本比例均衡的训练集；
(B)训练集通过证据权重转换得到新的特征维度，并输入支持向量机进行训练；
(C)使用训练好的支持向量机识别出无标签数据中的可靠负例；
(D)使用原有正负例和所述可靠负例训练支持向量机，并不断迭代。
所述步骤(6)具体为：分别对第一供应商和第二供应商按预测概率进行排序，并根据现有第一供应商和第二供应商中优质供应商的比例分别从预测结果中抽取排名靠前的n位供应商，组成优质供应商集合。
有益效果
由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明将优质供应商的预测根据注册时长划分为第一供应商预测和第二供应商预测，分别针对两类供应商的不同特点进行预测。本发明中对第一供应商的特征使用XGBoost模型进行编码，相比于人工特征工程，能够发现更好的特征组合。本发明将XGBoost模型与逻辑回归模型融合进行预测，相比于单模型预测精度更高。本发明对第二供应商的特征进行证据权重转换和值筛选，最大程度去除冗余及对预测增益不大的特征。本发明使用半监督学习算法对第二供应商进行预测，解决了在第二供应商训练样本集因缺乏负样而导致的样本分布极度不均匀情况下的优质供应商预测问题。
附图说明
图1是本发明的流程图；
图2是本发明中使用XGBoost算法进行特征编码的示意图；
图3是本发明中证据权重转换和值特征筛选的流程图。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种用于建材招投标平台的优质供应商预测方法，该方法是一种基于建材招投标平台供应商历史数据，由机器学习算法从数据中学习得到优质供应商的特征模式，从而精准定位优质供应商的方法，如图1所示，包括以下步骤：
(1)将供应商按注册时长划分为第一供应商和第二供应商。第一供应商和第二供应商的划分方式为设定时间节点λ，使得注册时长小于设定时间节点λ的供应商的负样本与正样本的比值小于某一阈值T。定义注册时长大于设定时间节点λ的供应商为第一供应商，反之为第二供应商。
第一供应商和第二供应商对应的属性维度不同，正负样本比例不同。分别采集不同维度的数据，并应用不同的方法进行预测。具体而言，以第一供应商为例，预测所使用的数据维度为附件统计、服务态度平均、入库单服务评价平均、入库单产品评价平均、入库单送达评价平均、价格合理度平均、中标次数、投标次数、登录次数、标书关注次数、平台操作的时间维度信息(包括投标、中标、登录、关注等操作的近半年操作次数、频率、最大时间间隔、周期性、周期内最大及最小操作数、移动平均、扩散值、离散值等)、注册完整度统计、合同履约率、入库单诚信度平均、注册时间、公司类型、注册资金等。
(2)使用第一供应商的原始数据训练XGBoost模型，提取有效的特征组合。XGBoost模型共拟合n棵回归树[k1,k2,...,ki,...,kn]，图2所示为其中的第i颗回归树ki。对回归树的叶子节点进行编号，设回归树ki共有p个叶子节点，则叶子节点的编号为[1,2,...,p]，回归树ki的叶子节点可表示为
Figure BDA0002710167930000051
以第2个叶子节点为例，其对应的特征路径为f12→f27→f26→f27→f13，则特征{f12,f27,f26,f27,f13}构成了一个新的特征组合，编号为2。
每个样本s(即第一供应商)在每棵树中均划分至唯一的叶子节点，对应于回归树的一个叶子编号。设样本s在n棵回归树中对应的叶子节点分别为
Figure BDA0002710167930000052
则样本s可表示为n维的编号向量[j1,j2,...jn]，分别代表n个特征或特征组合。
(3)对n维的编号向量进行独热编码n棵回归树的叶子节点数分别为p1,p2,...,pn，共计m个叶子节点。样本s的对应的第l棵树中划分到的叶子节点
Figure BDA0002710167930000053
的编号jl经过独热编码后可表示为
Figure BDA0002710167930000054
即第jl个元素为1，其余元素均为0的pl维向量，则n维编号向量可表示为
Figure BDA0002710167930000055
即n个特征或特征组合对应的独热编码的拼接，为m维的0，1稀疏向量，其中有n个元素的值为1。将编码后的稀疏向量与原始特征向量[f1,f2,...,fq]进行拼接，q为原始特征的数量，得到新的特征向量
Figure BDA0002710167930000056
输入逻辑回归模型进行预测。
(4)对第二供应商数据进行证据权重转换，并计算IV值进行特征维度筛选。
如图3所示，对第二供应商原始数据进行分箱操作。可以选择等频、等距，或自定义间隔分箱，如果分箱太多，则进行分箱合并。例如选择自定义间隔分箱按注册资金对供应商进行分箱操作，分箱间隔为：[0,50)万元，[50,200)万元，[200,1000)万元，[1000,5000)万元和[5000,+∞)万元。属于相同区间的供应商划分到同一个分箱。统计每个分箱里的正样本数bin_positivesi和负样本数bin_negativesi，分别除以总的正样本数total_positive和负样本数total_negative，得到每个分箱内的边际正样本占比margin_positive_ratei和边际负样本占比margin_negative_ratei。计算每个分箱的证据权重
Figure BDA0002710167930000061
检查各个分箱的WOE值之间是否满足单调性，若不满足，则重新划分分箱间隔。如果相邻的两个分箱的WOE值相同或相近，则将这两个分箱合并。如果一个分箱内只有正样本或负样本，则该分箱的WOE值的计算公式可修正为
Figure BDA0002710167930000062
计算每个分箱的IV值IVi＝(margin_negative_ratei-margin_positive_ratei)×WOEi，求和得到该特征的
Figure BDA0002710167930000063
IV值可以衡量变量的预测能力，一般情况下，两者的关系为：IV≤0.02，变量几乎无预测能力，予以丢弃；0.02＜IV≤0.1，具有较弱的预测能力；0.1＜IV≤0.3，预测能力一般；0.3＜IV≤0.5，预测能力强；IV＞0.5，预测能力极强，需进一步检查。实际中可以选择IV＞0.02的变量输入模型进行预测。IV＞0.5的变量为过预测变量，可以用于变量的分群，即将样本拆分成多个群体，针对不同的群体分别进行预测。
(5)使用半监督学习算法对第二供应商进行预测。随机从第二供应商采样无标签样本作为负例，与已有的少量负样本构成负样本集。将负样本集与正样本集混合，构成正负样本比例均衡的训练集。训练集通过WOE转换，得到新的特征维度，并输入支持向量机进行训练。使用训练好的支持向量机对无标签数据进行预测，识别出其中的可靠负例。使用原有正例及少量的负例结合识别出的可靠负例构成新的训练集，重新训练支持向量机。不断迭代上述过程，使预测精度不断提高。
(6)分别对第一供应商和第二供应商按预测概率进行排序，并根据现有第一供应商和第二供应商中优质供应商的比例分别从预测结果中选取排名靠前的n位供应商，组成优质供应商集合。
不难发现，本发明按注册时长将招投标平台的供应商分为两个类别，并根据两个类别供应商不同的数据特征和样本分布情况针对性地使用了两种不同的优质供应商预测方法。本发明对新第一供应商的数据维度均采用了相应的特征筛选和转化方法，避免了预测模型对传统特征工程中人工经验的依赖。本发明使用了多模型融合的方法，解决了单一模型难以适应现实复杂场景的问题。本发明使用了半监督学习算法解决了第二供应商样本分布极度不均匀的问题。

Claims (9)

1.一种用于建材投招标平台的优质供应商预测方法，其特征在于，包括以下步骤：
(1)将供应商按注册时长划分为第一供应商和第二供应商，并分别采集第一供应商和第二供应商的属性和行为数据，其中，第一供应商的注册时长比第二供应商的注册时长长；
(2)使用XGBoost模型对第一供应商的行为数据原始特征进行特征变换得到n维的编号向量，对n维的编号向量进行独热编码并与行为数据原始特征拼接后输入逻辑回归模型进行预测；
(3)对所述第二供应商的行为数据进行证据权重转换，并计算IV值进行特征维度筛选，使用半监督学习算法进行预测，所述IV值用于衡量变量的预测能力；
(4)按照所述第一供应商和第二供应商中优质供应商的比例选取预测概率最高的n家供应商。
2.根据权利要求1所述的用于建材投招标平台的优质供应商预测方法，其特征在于，所述步骤(1)将供应商按注册时长划分为第一供应商和第二供应商时，通过设定时间节点λ使得注册时长小于所述设定时间节点λ的供应商的负样本与正样本的比值小于阈值T，则注册时长大于所述设定时间节点λ的供应商为第一供应商，注册时长小于或等于所述设定时间节点λ的供应商为第二供应商。
3.根据权利要求1所述的用于建材投招标平台的优质供应商预测方法，其特征在于，所述步骤(2)中使用XGBoost模型对第一供应商的行为数据进行特征变换时，采用第一供应商的行为数据训练XGBoost模型以提取有效的特征组合；其中，所述XGBoost模型拟合n颗回归树，每颗回归树的每个叶子节点对应的路径表示一个特征或特征组合；对所述回归树的叶子节点进行编号，第一供应商在每颗回归树中被划分至唯一的叶子节点，对应于回归树的一个叶子编号，每个供应商的行为数据均表示为n维的编号向量以代表n个特征或特征组合。
4.根据权利要求1所述的用于建材投招标平台的优质供应商预测方法，其特征在于，所述步骤(2)中对n维的编号向量进行独热编码并与原始特征拼接后输入逻辑回归模型进行预测具体为：n棵回归树共计m个叶子节点，n维编号向量转换为m维的0，1稀疏向量，所述m维的0，1稀疏向量中有n个元素的值为1，将编码后的m维的0，1稀疏向量与原始特征进行拼接，并输入至逻辑回归模型进行预测。
5.根据权利要求1所述的用于建材投招标平台的优质供应商预测方法，其特征在于，所述步骤(3)中对所述第二供应商的行为数据进行证据权重转换，并计算IV值进行特征维度筛选具体包括以下子步骤：
(a)对所述第二供应商的原始行为数据进行分箱操作；
(b)统计每个分箱里的正样本数bin_positivesi和负样本数bin_negativesi；
(c)将分箱的正样本数bin_positivesi和负样本数bin_negativesi分别除以总的正样本数total_positive和负样本数total_negative得到每个分箱的边际正样本占比margin_positive_ratei和边际负样本占比margin_negative_ratei；
(d)计算每个分箱的证据权重
Figure FDA0002997080570000021
(e)检查各个分箱的证据权重之间是否满足单调性，若不满足则返回步骤(a)，否则进入步骤(f)；
(f)计算IV值，
Figure FDA0002997080570000022
IVi为第i个分箱的IV值，IVi＝(margin_negative_ratei-margin_positive_ratei)×WOEi；
(g)筛选出IV值大于预设值的特征作为分类器的训练特征。
6.根据权利要求5所述的用于建材投招标平台的优质供应商预测方法，其特征在于，所述步骤(c)和步骤(d)之间还包括判断分箱内是否只有正样本或负样本，若是，则该分箱证据权重
Figure FDA0002997080570000023
7.根据权利要求5所述的用于建材投招标平台的优质供应商预测方法，其特征在于，所述步骤(d)和步骤(e)之间还包括判断相邻的两个分箱的证据权重值的差值是否小于预设值的步骤，若小于预设值则将这两个分箱进行合并。
8.根据权利要求1所述的用于建材投招标平台的优质供应商预测方法，其特征在于，所述步骤(3)中使用半监督学习算法进行预测时具体包括以下子步骤：
(A)随机从所述第二供应商中采样无标签样本作为负例，与已有的少量负样本构成负样本集，将负样本集与正样本集汇合，构成正负样本比例均衡的训练集；
(B)训练集通过证据权重转换得到新的特征维度，并输入支持向量机进行训练；
(C)使用训练好的支持向量机识别出无标签数据中的可靠负例；
(D)使用原有正负例和所述可靠负例训练支持向量机，并不断迭代。
9.根据权利要求1所述的用于建材投招标平台的优质供应商预测方法，其特征在于，所述步骤(4)具体为：分别对第一供应商和第二供应商按预测概率进行排序，并根据现有第一供应商和第二供应商中优质供应商的比例分别从预测结果中抽取排名靠前的n位供应商，组成优质供应商集合。
CN202011053231.0A 2020-09-29 2020-09-29 一种用于建材投招标平台的优质供应商预测方法 Active CN112163704B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011053231.0A CN112163704B (zh) 2020-09-29 2020-09-29 一种用于建材投招标平台的优质供应商预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011053231.0A CN112163704B (zh) 2020-09-29 2020-09-29 一种用于建材投招标平台的优质供应商预测方法

Publications (2)

Publication Number Publication Date
CN112163704A CN112163704A (zh) 2021-01-01
CN112163704B true CN112163704B (zh) 2021-05-14

Family

ID=73862155

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011053231.0A Active CN112163704B (zh) 2020-09-29 2020-09-29 一种用于建材投招标平台的优质供应商预测方法

Country Status (1)

Country Link
CN (1) CN112163704B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116188091A (zh) * 2023-05-04 2023-05-30 品茗科技股份有限公司 造价清单自动匹配单价引用的方法、装置、设备及介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105205188A (zh) * 2015-11-04 2015-12-30 用友网络科技股份有限公司 采购物料供应商的推荐方法及推荐装置
CN106022508A (zh) * 2016-05-06 2016-10-12 陈丛威 预测线上理财平台的用户邀请好友行为的方法和装置
CN106095942A (zh) * 2016-06-12 2016-11-09 腾讯科技（深圳）有限公司 强变量提取方法及装置
CN107392319A (zh) * 2017-07-20 2017-11-24 第四范式（北京）技术有限公司 生成机器学习样本的组合特征的方法及系统
CN107657506A (zh) * 2017-09-06 2018-02-02 北京五八到家信息技术有限公司 一种服务商品的智能推荐方法以及推荐系统
CN108648023A (zh) * 2018-05-18 2018-10-12 上海电机学院 一种融合历史均值与提升树的商家客流量预测方法
CN109584006A (zh) * 2018-11-27 2019-04-05 中国人民大学 一种基于深度匹配模型的跨平台商品匹配方法
CN111612491A (zh) * 2019-02-25 2020-09-01 北京嘀嘀无限科技发展有限公司 状态分析模型构建方法、分析方法及装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9294576B2 (en) * 2013-01-02 2016-03-22 Microsoft Technology Licensing, Llc Social media impact assessment
JP6543986B2 (ja) * 2015-03-25 2019-07-17 日本電気株式会社 情報処理装置、情報処理方法およびプログラム
US20200193486A1 (en) * 2018-12-14 2020-06-18 Motive Interactive, Inc. System and method for determining bid vector transformed predictive click-through rate
CN110298725A (zh) * 2019-05-24 2019-10-01 北京三快在线科技有限公司 商品组合的推荐方法、装置、电子设备及可读存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105205188A (zh) * 2015-11-04 2015-12-30 用友网络科技股份有限公司 采购物料供应商的推荐方法及推荐装置
CN106022508A (zh) * 2016-05-06 2016-10-12 陈丛威 预测线上理财平台的用户邀请好友行为的方法和装置
CN106095942A (zh) * 2016-06-12 2016-11-09 腾讯科技（深圳）有限公司 强变量提取方法及装置
CN107392319A (zh) * 2017-07-20 2017-11-24 第四范式（北京）技术有限公司 生成机器学习样本的组合特征的方法及系统
CN107657506A (zh) * 2017-09-06 2018-02-02 北京五八到家信息技术有限公司 一种服务商品的智能推荐方法以及推荐系统
CN108648023A (zh) * 2018-05-18 2018-10-12 上海电机学院 一种融合历史均值与提升树的商家客流量预测方法
CN109584006A (zh) * 2018-11-27 2019-04-05 中国人民大学 一种基于深度匹配模型的跨平台商品匹配方法
CN111612491A (zh) * 2019-02-25 2020-09-01 北京嘀嘀无限科技发展有限公司 状态分析模型构建方法、分析方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于产业链协同平台的配件商品库构建及交易系统研究;文占婷;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180315(第03期);全文 *
基于机器学习算法的电力供应商及客户价值体系构建与应用;陈峰;《财务与会计》;20200905;第65-68页 *

Also Published As

Publication number Publication date
CN112163704A (zh) 2021-01-01

Similar Documents

Publication Publication Date Title
CN112784130B (zh) 孪生网络模型训练、度量方法、装置、介质和设备
CN107423859B (zh) 一种组合模型建模方法及系统
CN110599234A (zh) 一种产品销售预测方法
CN106875206A (zh) 信息获取、评估、问卷调查方法、装置及服务器
CN107133315B (zh) 一种基于语义分析的智能媒介推荐方法
CN110704510A (zh) 一种结合用户画像的题目推荐方法及系统
CN110415086A (zh) 基于用户连续行为序列特征的智能理财推荐方法
CN111950195B (zh) 一种基于画像系统与深度回归模型的工程进度预测方法
CN107562787A (zh) 一种poi编码方法及装置、poi推荐方法，电子设备
CN110414710A (zh) 基于人工智能的趋势预测方法及装置
CN112163704B (zh) 一种用于建材投招标平台的优质供应商预测方法
CN114861050A (zh) 一种基于神经网络的特征融合推荐方法及系统
CN111161244A (zh) 基于FCN+FC-WXGBoost的工业产品表面缺陷检测方法
CN114549142A (zh) 一种线上竞价拍卖信息处理方法及系统
CN113570398A (zh) 推广数据处理方法、模型训练方法、系统和存储介质
CN110852808A (zh) 基于深度神经网络的电子产品异步自适应价值评估方法
CN108596765A (zh) 一种金融电子资源推荐方法和装置
CN110751170A (zh) 面板质量检测方法、系统、终端设备及计算机可读介质
CN112132679A (zh) 产品推荐方法及装置
CN112541010A (zh) 一种基于逻辑回归的用户性别预测方法
CN114004530B (zh) 基于排序支撑向量机的企业电力信用分建模方法及系统
CN116029201A (zh) 基于聚类和循环神经网络的燃气流量预测方法及系统
CN115809376A (zh) 一种基于教学大数据的智能推荐方法
CN114282657A (zh) 一种市场数据长期预测模型训练方法、装置、设备及存储介质
CN113449923A (zh) 一种多模型标的物行情预测方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant