CN112184401A - 一种用于建材招投标平台的智能匹配方法 - Google Patents
一种用于建材招投标平台的智能匹配方法 Download PDFInfo
- Publication number
- CN112184401A CN112184401A CN202010999478.5A CN202010999478A CN112184401A CN 112184401 A CN112184401 A CN 112184401A CN 202010999478 A CN202010999478 A CN 202010999478A CN 112184401 A CN112184401 A CN 112184401A
- Authority
- CN
- China
- Prior art keywords
- buyer
- supplier
- score
- matrix
- suppliers
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 239000004566 building material Substances 0.000 title claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims abstract description 55
- 239000000463 material Substances 0.000 claims abstract description 24
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims description 29
- 239000013598 vector Substances 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/08—Auctions
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种用于建材招投标平台的智能匹配方法，包括以下步骤：提取招标平台上的用户行为记录，并将所述用户行为记录转换为采购商‑供应商评分矩阵；基于所述采购商‑供应商评分矩阵，采用SVD算法训练各个采购商对所有供应商的兴趣度模型；根据采购商发布标书的采购物资和地域初步筛选出匹配的供应商；对筛选出的匹配的供应商利用确定的各个评分维度结合所述兴趣度模型进行打分，并对分数进行由高到低排序，选取分数最靠前的N个供应商进行推荐。本发明能够为采购商匹配与采购标书高契合度的供应商。
Description
技术领域
本发明涉及智能匹配技术领域，特别是涉及一种用于建材招投标平台的智能匹配方法。
背景技术
继国家发展改革委颁布《电子招标投标办法》和《招标投标系统技术规范》等文件后，线上招投标平台的建设变得更加科学和规范。对于建材企业而言，电子化不仅提高了招投标效率，而且简化了招投标流程，无论是标书呈递，还是投标保证金递交，均可在电子化系统中进行在线操作。
随着线上招投标平台的发展，越来越多的建材采购商将线下的物资采购招标过程进行线上迁移，采购商与供应商之间的联系更为紧密，采购商对优质供应商的需求也更为迫切。面对平台海量的注册供应商，采购商往往难以发现符合采购项目招标要求的合适供应商。这种采供双方信息的不匹配不仅造成了供应商资源的极大浪费，还降低了采购商和供应商对招投标平台的满意度及粘性。因此，如何为采购商匹配符合招标需求的优质供应商，成为线上招投标平台亟待解决的问题。
目前线上招投标领域应用较多的采购商-供应商匹配方法，主要有两种。一是关键词匹配法，即根据招标项目的物资属性及采供双方自身信息进行关键词匹配，通过信息相似度计算，为采购商筛选匹配度较高的供应商。二是通过层次分析法进行匹配，即让采购商确定打分维度的权重，通过加权求和得到供应商的分数，选择排名靠前的供应商进行推送。关键词匹配法对数据的利用仅停留在文本本身，没有进一步挖掘数据的潜在价值，而层次分析法则带有很强的主观性，受限于采购商的自身认知水平。并且这两类匹配算法只关注采购商和供应商的静态属性，忽视了采购商和供应商行为之间的关联性。
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招投标平台的智能匹配方法，能够为采购商匹配与采购标书高契合度的供应商。
本发明解决其技术问题所采用的技术方案是：提供一种用于建材招投标平台的智能匹配方法，包括以下步骤：
(1)提取招标平台上的用户行为记录，并将所述用户行为记录转换为采购商-供应商评分矩阵；
(2)基于所述采购商-供应商评分矩阵，采用SVD算法训练各个采购商对所有供应商的兴趣度模型；
(3)根据采购商发布标书的采购物资和地域初步筛选出匹配的供应商；
(4)对筛选出的匹配的供应商利用确定的各个评分维度结合所述兴趣度模型进行打分，并对分数进行由高到低排序，选取分数最靠前的N个供应商进行推荐。
所述步骤(1)具体为：将用户行为记录中采购商和供应商之间的相关行为数据划分成若干等级，并按划分的等级形成一个采购商-供应商行为矩阵。
所述步骤(1)和步骤(2)之间还包括对所述采购商-供应商评分矩阵进行正样本填充和/或负样本填充的步骤。
所述正样本填充具体为：判断所述采购商-供应商评分矩阵中的每一行的评分数量是否小于行向量评分数设定的阈值threshold，如果小于则进行填充，且填充的正样本数量为threshold-nu，其中，nu为采购商u的评分数量；在进行填充时，使用相似矩阵和k均值近邻法计算矩阵每个位置的测评分，若计算的测评分大于最小评分阈值则进入填充值候选列表，若所述填充值列表中的评分数量大于填充的正样本数量threshold-nu，则在列表中随机选择threshold-nu个评分作为最终要加入的评分，最后将预测的评分填入所述采购商-供应商评分矩阵的对应处。
所述使用相似矩阵和k均值近邻法计算矩阵每个位置的测评分时的相关计算公式为
其中，μi和μj为供应商i和供应商j的平均评分，
为与供应商i相似度最高的k个供应商，sim(i,j)表示供应商i和供应商j的评分列向量的余弦相似度，ruj为采购商u对供应商j的评分。
所述负样本填充具体为：使用相似度公式计算所述采购商-供应商评分矩阵中每个位置的测评分，若计算的测评分小于最大评分阈值则进入填充值候选列表，若所述填充值列表中的评分数量大于负样本填充数量阈值，则随机选取所述填充值候选列表中的测评分填入所述采购商-供应商评分矩阵的对应处。
所述使用相似度公式计算所述采购商-供应商评分矩阵中每个位置的测评分时的相关计算公式为
其中，popularityi为供应商i的流行度，maxpopularity和minpopularity分别为所有供应商中的最大流行度和最小流行度。
所述步骤(2)具体为：将所述采购商-供应商评分矩阵分解成一个采购商因子矩阵P和一个供应商因子矩阵T(Q)；根据R＝OverallMean+biasU+biasI+P*T(Q)计算采购商对供应商的偏好，其中，OverallMean表示所有供应商的平均分，biasU表示采购商评分偏离OverallMean的程度，biasI表示供应商评分偏离OverallMean的程度；将预测结果和已知评分进行对比，并根据对比结果修正各个参数；最终得到采购商对供应商的兴趣度模型。
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：本发明通过SVD算法训练各个采购商对所有供应商的兴趣度模型，使得匹配出来的供应商的精确度得到很大的提高，线下反馈的数据也很好的印证了该效果。同时在SVD算法中结合正负样本预填充算法，使得最大程度挖掘数据的价值，能够为采购商匹配与采购标书高契合度的供应商。
附图说明
图1是本发明的流程图；
图2是本发明中的正样本预填充算法的流程图；
图3是本发明中的负样本预填充算法的流程图；
图4是本发明方法与传统方法在MovieLens数据集上的实验效果对比图。
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智能匹配方法，该算法基于平台上的用户本身的数据和交易产生的行为数据，对其进行分析和挖掘，从供应商评价角度和采购商对供应商的偏好角度两个角度出发，可以对特定的采购商进行智能匹配，如图1所示，包括以下步骤：
(1)获取采购商发布标书的采购物资、采购物资对应的地域和供应商主营物资对应的供应商集合。其中，采购物资记载在标书中，其可以分为四级，本实施方式中匹配使用的是三级物资；采购物资对应的地域是指项目地址，其以全国、省、市为划分，本实施方式中地域匹配的是浙江省内和上海市内；供应商主营物资对应的供应商集合是指平台上面有一个供应商的主营物资表，本实施方式提取出每一种主营物资对应的供应商有多少家，并将其作为集合的形式进行记录。
(2)将招标平台上用户行为记录转化成采购商-供应商评分矩阵R[u][i]，具体为：需要将采购商和供应商之间的行为特征具体化，将相关行为数据划分成多个等级然后数值化，按此等级来表示供应商和采购商之间联系的紧密，最后形成一个采购商-供应商行为矩阵。本实施方式中，邀请招标给4分，投标未中标给2分，中标给5分，采购商对供应商的评价分数具有很大程度的缺失，根据该三种类型的评分构建评分矩阵，用于后面采购商对于供应商兴趣度的预测。
(3)对采购商-供应商评分矩阵进行正负样本预填充。
如图2所示，首先是正样本的预填充，由于采购商对供应商的评价较少，造成矩阵比较稀疏，如果一个供应商原有的评分数据已经比较多了，那么对该供应商所对应的评分行向量就填补较少的值，如果一个供应商原本的评分数据比较少，为了达到一定的匹配精度，就需要向该供应商的评分向量中填充多一些评分数据。本实施方式中填充数量判定策略是：为行向量评分数设定一个阈值threshold，如果采购商u的评分数量超过了这个阈值threshold，则不再向其中添加新的预测数据，如果采购商u的评分数量小于阈值threshold，则向其中添加threshold-nu个填充数值，其中，nu为采购商u的评分数量。填充时利用相似矩阵和k均值近邻法计算(u,i)位置的预测评分
具体计算方式为
其中，μi和μj为供应商i和供应商j的平均评分，
为与供应商i相似度最高的k个供应商，sim(i,j)表示供应商i和供应商j的评分列向量的余弦相似度，ruj为采购商u对供应商j的评分。对于第u行的所有预测评分，这里设定一个最小评分阈值minRating，只有大于最小评分阈值minRating的预测值才能进入候选填充值列表，即只有该项目的预测评分值大于某一特定值时才有理由认为采购商对该供应商的评分是正向评分。在该行的所有大于最小评分阈值minRating的预测值都加入候选填充列表ratinglist后，如果列表中的评分数量大于threshold-nu，则在列表中随机选择threshold-nu个评分作为最终要加入的评分。最后将预测的评分填入该供应商评分向量的对应处，也就是填入原始评分矩阵R的相应处。
如图3所示，然后是负样本填充。比如供应商和采购商之间的数据是由采购商隐式评分获得，分数越高表示对供应商的满意度越高，没有表明负面评价的数据。基于矩阵分解的匹配算法在面对仅有正样本的数据时，因为缺少负样本，导致训练的结果均为正向评分。一方面，评分集中于正向导致推荐时预测出的分数区分度不够；另一方面，预测结果均为正向评分与事实不符。因此，仅有正样本时基于矩阵分解的匹配算法的首要问题是如何在训练之前向样本集中加入一定量的负样本；在评分矩阵中，供应商的流行度就是该列中的非零元素的总数。对于供应商的评分，进行计算
其中，popularityi为供应商i的流行度，maxpopularity和minpopularity分别为所有供应商中的最大流行度和最小流行度。显然，ratingi的值在0～1之间，因此还需要将其映射至对应的负分数区间。最后将最终预测的评分填入该供应商评分向量的对应处，也就是填入原始评分矩阵R的对应处。同样在进行负样本填充时，设定一个最大评分阈值maxRating，只有小于最大评分阈值maxRating的预测值的供应商才能进入候选填充值列表，若所述填充值列表中的评分数量大于负样本填充数量阈值λ·(threshold-nu)，则随机选取所述填充值候选列表中的测评分填入所述采购商-供应商评分矩阵的对应处。
(4)SVD算法训练各个采购商对所有供应商的兴趣度模型；由得到的评分矩阵，用SVD算法进行训练，最终得到采购商对供应商的兴趣度评分模型。具体如下：
根据得到的评分矩阵R，将一个N行M列的评分矩阵R(R[u][i]代表第u个采购商对第i个供应商的评分)，分解成一个N行F列的采购商因子矩阵P(P[u][k]表示采购商u对因子k的喜好程度)和一个M行F列的供应商因子矩阵T(Q)(T(Q)[i][k]表示第i个供应商的因子k的喜好程度)。
根据SVD的公式R＝OverallMean+biasU+biasI+P*T(Q)用已知的一部分的采购商对供应商的评分，通过该算法，来计算采购商对供应商的偏好。其中，OverallMean表示所有供应商的平均分，biasU表示采购商评分偏离OverallMean的程度，biasI表示供应商评分偏离OverallMean的程度。
将预测结果和已知评分进行对比，根据结果修正各个参数；
最后得到采购商对供应商的偏好模型，并且保存。
(5)根据物资和地域初步筛选出匹配的供应商；筛选的时候，先根据步骤(1)中标书上的采购物资和供应商主营物资对应的供应商集合，找到供应这种物资的供应商集合；然后再根据采购物资对应的地域，从刚才的供应商集合中进一步筛选出符合供货范围的供应商。比如，根据物资类型为三级物资找到供应该三级物资的供应商集合，再根据编号为1010100的物资不出浙江省，物资编号为1010111的物资类型不出上海市，则匹配不出浙江省和不出上海市的供应商。对于所有物资取交集，如果数量不满足要求，则取并集；如果数量仍然达不到要求，则用主营物资集合进行筛选。最终得到所有符合条件的供应商，且满足有报价的供应商。
(6)对匹配出来的初步的供应商利用确定的各个评分维度结合SVD偏好维度进行打分，分数由高到低排序，选择分数最靠前的N个供应商进行推荐。对于步骤(5)选出来的供应商，首先调用步骤(4)的SVD模型进行兴趣度预测，然后根据评价准则，加权求和得到最终的分数，取分数最高的N个供应商进行推荐。其中，评价准则包含投标次数、中标次数、服务态度平均、价格合理度平均、公司资质平均、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、入库单诚信度平均、合同履约率和采购商偏好等因素。
图4所示的是本发明方法与传统方法在MovieLens数据集上的实验效果对比图。其中，横坐标为填充的负样本数量相对于正样本数量的比例λ，纵坐标为平均绝对误差MAE。图中共有三条变化的折线和一条直线，其中，折线1为阈值threshold＝80时平均绝对误差随着比例因子λ的变化情况。折线2和折线3则分别代表了阈值threshold＝100和120时的MAE随比例因子λ的变化情况。而直线4代表没有经过正负样本预填充的矩阵分解的平均绝对误差(因为没有预填充的分解算法不存在比例因子λ，所以这里以直线的形式表示，方便与不同参数下的预填充算法的MAE值进行比较)。对比未进行填充的矩阵分解(图中的折线4)，经过正负样本预填充的评分矩阵，其分解效果要明显好于未填充情况下的分解效果。这也充分说明了对于稀疏的缺乏负样本的评分矩阵，使用正负样本预填充算法的推荐效果更加理想。
该方法根据筑集采平台多年的建筑行业行为数据积累，对采供双方行为习惯、项目地区、征信风控、供货评价、垫资情况、历史交易偏好等多个维度进行数据挖掘，能够为采购商匹配与采购标书高契合度的供应商，其主要应用于建材招投标，采购企业线上发布标书之后，即可得到智能匹配反馈数据，可对匹配的供应商进行招标邀请。
本发明根据物资类型为采购商更加精准匹配供应商，帮助采购企业精确地找到供应商，有效解决招标难的痛点，每次匹配记录都有数据可回溯，方便采购企业复盘。
Claims (8)
1.一种用于建材招投标平台的智能匹配方法，其特征在于，包括以下步骤：
(1)提取招标平台上的用户行为记录，并将所述用户行为记录转换为采购商-供应商评分矩阵；
(2)基于所述采购商-供应商评分矩阵，采用SVD算法训练各个采购商对所有供应商的兴趣度模型；
(3)根据采购商发布标书的采购物资和地域初步筛选出匹配的供应商；
(4)对筛选出的匹配的供应商利用确定的各个评分维度结合所述兴趣度模型进行打分，并对分数进行由高到低排序，选取分数最靠前的N个供应商进行推荐。
2.根据权利要求1所述的用于建材招投标平台的智能匹配方法，其特征在于，所述步骤(1)具体为：将用户行为记录中采购商和供应商之间的相关行为数据划分成若干等级，并按划分的等级形成一个采购商-供应商行为矩阵。
3.根据权利要求1所述的用于建材招投标平台的智能匹配方法，其特征在于，所述步骤(1)和步骤(2)之间还包括对所述采购商-供应商评分矩阵进行正样本填充和/或负样本填充的步骤。
4.根据权利要求3所述的用于建材招投标平台的智能匹配方法，其特征在于，所述正样本填充具体为：判断所述采购商-供应商评分矩阵中的每一行的评分数量是否小于行向量评分数设定的阈值threshold，如果小于则进行填充，且填充的正样本数量为threshold-nu，其中，nu为采购商u的评分数量；在进行填充时，使用相似矩阵和k均值近邻法计算矩阵每个位置的测评分，若计算的测评分大于最小评分阈值则进入填充值候选列表，若所述填充值列表中的评分数量大于填充的正样本数量threshold-nu，则在列表中随机选择threshold-nu个评分作为最终要加入的评分，最后将预测的评分填入所述采购商-供应商评分矩阵的对应处。
5.根据权利要求4所述的用于建材招投标平台的智能匹配方法，其特征在于，所述使用相似矩阵和k均值近邻法计算矩阵每个位置的测评分时的相关计算公式为
其中，μi和μj为供应商i和供应商j的平均评分，
为与供应商i相似度最高的k个供应商，sim(i,j)表示供应商i和供应商j的评分列向量的余弦相似度，ruj为采购商u对供应商j的评分。
6.根据权利要求3所述的用于建材招投标平台的智能匹配方法，其特征在于，所述负样本填充具体为：使用相似度公式计算所述采购商-供应商评分矩阵中每个位置的测评分，若计算的测评分小于最大评分阈值则进入填充值候选列表，若所述填充值列表中的评分数量大于负样本填充数量阈值，则随机选取所述填充值候选列表中的测评分填入所述采购商-供应商评分矩阵的对应处。
7.根据权利要求6所述的用于建材招投标平台的智能匹配方法，其特征在于，所述使用相似度公式计算所述采购商-供应商评分矩阵中每个位置的测评分时的相关计算公式为
其中，popularityi为供应商i的流行度，maxpopularity和minpopularity分别为所有供应商中的最大流行度和最小流行度。
8.根据权利要求1所述的用于建材招投标平台的智能匹配方法，其特征在于，所述步骤(2)具体为：将所述采购商-供应商评分矩阵分解成一个采购商因子矩阵P和一个供应商因子矩阵T(Q)；根据R＝OverallMean+biasU+biasI+P*T(Q)计算采购商对供应商的偏好，其中，OverallMean表示所有供应商的平均分，biasU表示采购商评分偏离OverallMean的程度，biasI表示供应商评分偏离OverallMean的程度；将预测结果和已知评分进行对比，并根据对比结果修正各个参数；最终得到采购商对供应商的兴趣度模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010999478.5A CN112184401B (zh) | 2020-09-22 | 2020-09-22 | 一种用于建材招投标平台的智能匹配方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010999478.5A CN112184401B (zh) | 2020-09-22 | 2020-09-22 | 一种用于建材招投标平台的智能匹配方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112184401A true CN112184401A (zh) | 2021-01-05 |
| CN112184401B CN112184401B (zh) | 2021-05-14 |
Family
ID=73955282
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010999478.5A Expired - Fee Related CN112184401B (zh) | 2020-09-22 | 2020-09-22 | 一种用于建材招投标平台的智能匹配方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112184401B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112800113A (zh) * | 2021-02-04 | 2021-05-14 | 天津德尔塔科技有限公司 | 一种基于数据挖掘分析技术的招投标审计方法及系统 |
| CN113421003A (zh) * | 2021-06-30 | 2021-09-21 | 平安国际智慧城市科技股份有限公司 | 标的信息匹配方法、装置、计算机设备及存储介质 |
| CN114387010A (zh) * | 2021-12-07 | 2022-04-22 | 北京隆道网络科技有限公司 | 一种基于供应链管理的信息推送方法及系统 |
| CN115422438A (zh) * | 2022-07-21 | 2022-12-02 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 铁路物资供应资源推荐方法、系统和存储介质 |
| CN115545853A (zh) * | 2022-12-02 | 2022-12-30 | 云筑信息科技(成都)有限公司 | 一种寻找供应商的搜索方法 |
| CN117495515B (zh) * | 2023-12-29 | 2024-04-05 | 优材优建(青岛)供应链科技有限公司 | 招投标智能匹配方法、系统、计算机设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104079960A (zh) * | 2013-12-05 | 2014-10-01 | 深圳市腾讯计算机系统有限公司 | 文件推荐方法和装置 |
| CN106981228A (zh) * | 2017-02-13 | 2017-07-25 | 上海大学 | 一种交互式it技能在线教育方法 |
| CN108764743A (zh) * | 2018-06-04 | 2018-11-06 | 筑客网络技术（上海）有限公司 | 一种用于建材采购的自动评标方法 |
| CN110334284A (zh) * | 2019-04-03 | 2019-10-15 | 厦门大学 | 一种新型融合多因素决策的推荐方法 |
| CN110851707A (zh) * | 2019-10-11 | 2020-02-28 | 筑客网络技术（上海）有限公司 | 一种用于建材招投标平台的智能推荐方法 |
-
2020
- 2020-09-22 CN CN202010999478.5A patent/CN112184401B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104079960A (zh) * | 2013-12-05 | 2014-10-01 | 深圳市腾讯计算机系统有限公司 | 文件推荐方法和装置 |
| CN106981228A (zh) * | 2017-02-13 | 2017-07-25 | 上海大学 | 一种交互式it技能在线教育方法 |
| CN108764743A (zh) * | 2018-06-04 | 2018-11-06 | 筑客网络技术（上海）有限公司 | 一种用于建材采购的自动评标方法 |
| CN110334284A (zh) * | 2019-04-03 | 2019-10-15 | 厦门大学 | 一种新型融合多因素决策的推荐方法 |
| CN110851707A (zh) * | 2019-10-11 | 2020-02-28 | 筑客网络技术（上海）有限公司 | 一种用于建材招投标平台的智能推荐方法 |
Non-Patent Citations (3)
| Title |
|---|
| 曾广翔: "面向推荐系统的矩阵填充算法研究", 《万方数据知识服务平台》 * |
| 秦灿: "基于SVD填充和用户特征属性聚类的混合推荐算法", 《电脑知识与技术》 * |
| 黄祖卫: "职位信息实时推荐系统的设计与实现", 《万方数据知识服务平台》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112800113A (zh) * | 2021-02-04 | 2021-05-14 | 天津德尔塔科技有限公司 | 一种基于数据挖掘分析技术的招投标审计方法及系统 |
| CN113421003A (zh) * | 2021-06-30 | 2021-09-21 | 平安国际智慧城市科技股份有限公司 | 标的信息匹配方法、装置、计算机设备及存储介质 |
| CN114387010A (zh) * | 2021-12-07 | 2022-04-22 | 北京隆道网络科技有限公司 | 一种基于供应链管理的信息推送方法及系统 |
| CN114387010B (zh) * | 2021-12-07 | 2022-07-12 | 北京隆道网络科技有限公司 | 一种基于供应链管理的信息推送方法及系统 |
| CN115422438A (zh) * | 2022-07-21 | 2022-12-02 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 铁路物资供应资源推荐方法、系统和存储介质 |
| CN115545853A (zh) * | 2022-12-02 | 2022-12-30 | 云筑信息科技(成都)有限公司 | 一种寻找供应商的搜索方法 |
| CN117495515B (zh) * | 2023-12-29 | 2024-04-05 | 优材优建(青岛)供应链科技有限公司 | 招投标智能匹配方法、系统、计算机设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112184401B (zh) | 2021-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112184401B (zh) | 一种用于建材招投标平台的智能匹配方法 | |
| Liao et al. | Two new approaches based on ELECTRE II to solve the multiple criteria decision making problems with hesitant fuzzy linguistic term sets | |
| CN108537623A (zh) | 一种电子商务中供应商推荐方法及系统 | |
| Xue et al. | Pricing personalized bundles: A new approach and an empirical study | |
| CN107194722A (zh) | 一种共享经济下的基于数据挖掘的动态定价算法 | |
| Aubry et al. | Biased auctioneers | |
| Wang | A survey of online advertising click-through rate prediction models | |
| Lu et al. | Credit rating change modeling using news and financial ratios | |
| CN116308599A (zh) | 基于产品标签与客户标签的理财产品智能推荐方法和装置 | |
| CN115829683A (zh) | 一种基于逆奖赏学习优化的电力积分商品推荐方法及系统 | |
| CN111612583A (zh) | 一种基于聚类的个性化导购系统 | |
| CN114862506A (zh) | 一种基于深度强化学习的金融产品推荐方法 | |
| WO2020119017A1 (zh) | 大数据背景下实现数据资产感知及定价功能的系统及其方法 | |
| CN113837844A (zh) | 一种多级联下游企业推荐系统、方法及可存储介质 | |
| Chou et al. | The RFM Model Analysis for VIP Customer: A case study of golf clothing brand | |
| CN112396455A (zh) | 数据资产的定价方法、装置、设备和介质 | |
| CN116523597A (zh) | 大数据云熵挖掘的电子商务定制化推荐方法 | |
| CN110851707B (zh) | 一种用于建材招投标平台的智能推荐方法 | |
| Gumelar et al. | NFT coin price prediction (non-fungible token) using K-nearest neighbors method | |
| CN113989050A (zh) | 一种基于topsis综合分析的钢贸企业供应链金融风险评估方法 | |
| CN113254775A (zh) | 一种基于客户浏览行为序列的信用卡产品推荐方法 | |
| CN113269610A (zh) | 银行产品的推荐方法、装置及存储介质 | |
| CN110956528A (zh) | 一种电商平台的推荐方法及系统 | |
| CN111738657B (zh) | 基于替代品推荐的物流拆单优化方法和系统 | |
| Vedernikov et al. | Analysis of competitive behavior strategies in the Russian banking industry |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210514 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |