CN112465389A - 一种基于词频的相似供应商推荐方法及装置 - Google Patents

一种基于词频的相似供应商推荐方法及装置 Download PDF

Info

Publication number
CN112465389A
CN112465389A CN202011453560.4A CN202011453560A CN112465389A CN 112465389 A CN112465389 A CN 112465389A CN 202011453560 A CN202011453560 A CN 202011453560A CN 112465389 A CN112465389 A CN 112465389A
Authority
CN
China
Prior art keywords
supplier
information
neural network
word
lstm neural
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.)
Pending
Application number
CN202011453560.4A
Other languages
English (en)
Inventor
佟忠正
王喆
赵永发
林俊
王泽涌
洪雨天
黄杰韬
吴赟
臧笑宇
陈非
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.)
Guangdong Electric Power Information Technology Co Ltd
Original Assignee
Guangdong Electric Power Information Technology 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 Guangdong Electric Power Information Technology Co Ltd filed Critical Guangdong Electric Power Information Technology Co Ltd
Priority to CN202011453560.4A priority Critical patent/CN112465389A/zh
Publication of CN112465389A publication Critical patent/CN112465389A/zh
Pending legal-status Critical Current

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
    • G06Q10/06—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/284—Lexical analysis, e.g. tokenisation or collocates
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及招标采购管理技术领域，提供一种基于词频的相似供应商推荐方法及装置，用于解决招标采购过程中供应商的挑选问题。本发明提供的一种基于词频的相似供应商推荐方法，包括：从历史采购信息中获取供应商信息，对供应商信息进行预处理后形成词集列表；根据词频计算所述词集列表中每个词的权重，获取重要特征词集及列表；把每一个供应商的重要特征词集向量化，形成供应商集合，将供应商集合分为供应商训练集和供应商测试集；训练、测试后得到通过测试的LSTM神经网络模型；将拟采购标的物信息输入训练好的神经网络模型中，得到推荐的供应商集合。该方法可以有效地节约供应商的筛选成本，提高供应商筛选效率。

Description

一种基于词频的相似供应商推荐方法及装置
技术领域
本发明涉及招标采购技术领域，具体涉及一种基于词频的相似供应商推荐方法及装置。
背景技术
按照广电企[2019]8号文《关于印发公司深化招标管理改革任务分解表的通知》整体要求，通过利用供应商数据重构等技术实现智能推荐、风险分析与智能预警，保证招标采购遴选供应商合规高效，防范采购过程中由于供应商自身风险导致履约、审计的风险。
招标采购过程中，要邀请多个供应商投标，也就是邀请招标，也称为有限竞争招标，是一种由招标人选择若干供应商或承包商，向其发出投标邀请，由被邀请的供应商、承包商投标竞争，从中选定中标者的招标方式。如何从大量的供应商中挑选出合适的供应商是亟待解决的技术问题。
发明内容
本发明解决的技术问题为招标采购过程中供应商的筛选问题，提供一种基于词频的相似供应商推荐方法。
为了解决上述技术问题，本发明提供的技术方案为：
一种基于词频的相似供应商推荐方法，包括：
从历史采购信息中获取供应商信息，对供应商信息进行预处理后形成词集列表，所述预处理包括：对供应商信息进行分词、词性还原；
根据词频计算所述词集列表中每个词的权重，获取重要特征词集及列表；
把每一个供应商的重要特征词集向量化，形成供应商集合，将供应商集合分为供应商训练集和供应商测试集；
将供应商训练集输入LSTM神经网络模型进行训练，将供应商测试集输入训练好的LSTM神经网络进行测试，得到通过测试的LSTM神经网络模型；
将拟采购标的物信息输入训练好的神经网络模型中，得到推荐的供应商集合。
将供应标的物的供应商的特征输入神经网络，作为之后采购类似标的物时推荐的供应商，可以有效地节约供应商的筛选成本。在提取供应商特征时，根据供应商信息中的词频进行提取，可以有效地提取出供应商的重要特征。
优选地，所述供应商信息包括企业属性信息、企业规模信息和评价信息；所述供应商信息从历史采购信息、企业公开信息中获取。可以从头标文件中，也可以从供应商的官方介绍中提取信息。
优选地，输入LSTM神经网络模型的输入还包括采购方集合，所述采购方集合为每一个采购方的重要特征词集向量化后的集合。将采购方的信息也输入神经网络中， 结合采购方和供应商的信息一同作为神经网络的输入，显著提高了推荐效率。
优选地，输入LSTM神经网络时，将一个向量化的采购方重要特征词集与一个向量化的供应商重要特征词集进行堆叠操作后形成堆叠输入向量，操作公式为：
Figure 100002_DEST_PATH_IMAGE001
；
其中
Figure 639616DEST_PATH_IMAGE002
为堆叠输入向量，
Figure 100002_DEST_PATH_IMAGE003
一个向量化的采购方重要特征词集，
Figure 758882DEST_PATH_IMAGE004
为一个向量化的供应商重要特征词集，将
Figure 100002_DEST_PATH_IMAGE005
加入LSTM神经网络中进行训练。采购方的信息和供应商的信息是堆叠后输入神经网络的，进一步提高了推荐效率。
优选地，堆叠输入向量输入LSTM神经网络后，还包括：
训练集通过LSTM神经网络的遗忘门，进行信息丢弃动作；
将信息丢弃后的训练集通过LSTM神经网络的输入门，进行信息跟新动作；
将信息更新后的训练集通过LSTM神经网络的输出门，输出训练结果；
将测试数据输入训练好的LSTM神经网络，得到测试结果，验证网络的准确性，若准确性达到要求，完成训练，得到训练好的LSTM神经网络。采用LSTM神经网络，可以有效提高推荐效率，发明人在大量实验的基础上发现了该以上述堆叠操作后的输入，结合LSTM神经网络可以有效的提高推荐效率。
一种基于词频的相似供应商推荐装置，包括：
供应商信息获取模块，所述供应商信息获取模块从历史采购信息中获取供应商信息，对供应商信息进行预处理后形成词集列表，所述预处理包括：对供应商信息进行分词、词性还原；
重要特征词集获取模块，所述重要特征词集获取模块根据词频计算所述词集列表中每个词的权重，获取重要特征词集及列表；
供应商集合生成模块，所述供应商集合生成模块把每一个供应商的重要特征词集向量化，形成供应商集合，将供应商集合分为供应商训练集和供应商测试集；
模型生成模块，所述模型生成模块将供应商训练集输入LSTM神经网络模型进行训练，将供应商测试集输入训练好的LSTM神经网络进行测试，得到通过测试的LSTM神经网络模型；
推荐模块，所述推荐模块将拟采购标的物信息输入训练好的神经网络模型中，得到推荐的供应商集合。
优选地，所述供应商信息获取模块获取的所述供应商信息包括企业属性信息、企业规模信息和评价信息；所述供应商信息获取模块从历史采购信息、企业公开信息中获取供应商信息。
优选地，还包括采购方集合生成模块，所述采购方信息获取模块获取采购方信息，进行预处理后把每一个采购商的重要特征词集向量化，形成采购商集合；
进行训练过程中，输入LSTM神经网络模型的输入还包括采购方集合，所述采购方集合为每一个采购方的重要特征词集向量化后的集合。
优选地，还包括输入向量生成模块，所述输入向量模块将一个向量化的采购方重要特征词集与一个向量化的供应商重要特征词集进行堆叠操作后形成堆叠输入向量，然后输入LSTM神经网络，操作公式为：
Figure 650352DEST_PATH_IMAGE006
；
其中
Figure 100002_DEST_PATH_IMAGE007
为堆叠输入向量，
Figure 19017DEST_PATH_IMAGE008
一个向量化的采购方重要特征词集，
Figure 100002_DEST_PATH_IMAGE009
为一个向量化的供应商重要特征词集，将
Figure 788390DEST_PATH_IMAGE010
加入LSTM神经网络中进行训练。
优选地，堆叠输入向量输入LSTM神经网络后，所述模型生成模块生成训练好的神经网络模型的方法包括：
训练集通过LSTM神经网络的遗忘门，进行信息丢弃动作；
将信息丢弃后的训练集通过LSTM神经网络的输入门，进行信息跟新动作；
将信息更新后的训练集通过LSTM神经网络的输出门，输出训练结果；
将测试数据输入训练好的LSTM神经网络，得到测试结果，验证网络的准确性，若准确性达到要求，完成训练，得到训练好的LSTM神经网络。
与现有技术相比，本发明具有的有益效果为：在提取供应商特征时，根据供应商信息中的词频进行提取，可以有效地提取出供应商的重要特征。对输入进行堆叠操作，结合LSTM神经网络可以有效的提高推荐效率。
附图说明
图1为一种基于词频的相似供应商推荐方法的示意图。
图2为一种基于词频的相似供应商推荐装置的示意图。
具体实施方式
以下实施例是对本发明的进一步说明，不是对本发明的限制。
一种基于词频的相似供应商推荐方法，在本申请的一些实施例中， 包括：
从历史采购信息中获取供应商信息，对供应商信息进行预处理后形成词集列表，所述预处理包括：对供应商信息进行分词、词性还原；
根据词频计算所述词集列表中每个词的权重，获取重要特征词集及列表；
把每一个供应商的重要特征词集向量化，形成供应商集合，将供应商集合分为供应商训练集和供应商测试集；
将供应商训练集输入LSTM神经网络模型进行训练，将供应商测试集输入训练好的LSTM神经网络进行测试，得到通过测试的LSTM神经网络模型；
将拟采购标的物信息输入训练好的神经网络模型中，得到推荐的供应商集合。
将供应标的物的供应商的特征输入神经网络，作为之后采购类似标的物时推荐的供应商，可以有效地节约供应商的筛选成本。在提取供应商特征时，根据供应商信息中的词频进行提取，可以有效地提取出供应商的重要特征。
在本申请的一些实施例中，所述供应商信息包括企业属性信息、企业规模信息和评价信息；所述供应商信息从历史采购信息、企业公开信息中获取。可以从头标文件中，也可以从供应商的官方介绍中提取信息。
在本申请的一些实施例中，输入LSTM神经网络模型的输入还包括采购方集合，所述采购方集合为每一个采购方的重要特征词集向量化后的集合。将采购方的信息也输入神经网络中， 结合采购方和供应商的信息一同作为神经网络的输入，显著提高了推荐效率。
在本申请的一些实施例中，输入LSTM神经网络时，将一个向量化的采购方重要特征词集与一个向量化的供应商重要特征词集进行堆叠操作后形成堆叠输入向量，操作公式为：
Figure DEST_PATH_IMAGE011
；
其中
Figure 293320DEST_PATH_IMAGE012
为堆叠输入向量，
Figure DEST_PATH_IMAGE013
一个向量化的采购方重要特征词集，
Figure 857157DEST_PATH_IMAGE014
为一个向量化的供应商重要特征词集，将
Figure DEST_PATH_IMAGE015
加入LSTM神经网络中进行训练。采购方的信息和供应商的信息是堆叠后输入神经网络的，进一步提高了推荐效率。
在本申请的一些实施例中，堆叠输入向量输入LSTM神经网络后，还包括：
训练集通过LSTM神经网络的遗忘门，进行信息丢弃动作；
将信息丢弃后的训练集通过LSTM神经网络的输入门，进行信息跟新动作；
将信息更新后的训练集通过LSTM神经网络的输出门，输出训练结果；
将测试数据输入训练好的LSTM神经网络，得到测试结果，验证网络的准确性，若准确性达到要求，完成训练，得到训练好的LSTM神经网络。采用LSTM神经网络，可以有效提高推荐效率，发明人在大量实验的基础上发现了该以上述堆叠操作后的输入，结合LSTM神经网络可以有效的提高推荐效率。
一种基于词频的相似供应商推荐装置，在本申请的一些实施例中，包括：
供应商信息获取模块，所述供应商信息获取模块从历史采购信息中获取供应商信息，对供应商信息进行预处理后形成词集列表，所述预处理包括：对供应商信息进行分词、词性还原；
重要特征词集获取模块，所述重要特征词集获取模块根据词频计算所述词集列表中每个词的权重，获取重要特征词集及列表；
供应商集合生成模块，所述供应商集合生成模块把每一个供应商的重要特征词集向量化，形成供应商集合，将供应商集合分为供应商训练集和供应商测试集；
模型生成模块，所述模型生成模块将供应商训练集输入LSTM神经网络模型进行训练，将供应商测试集输入训练好的LSTM神经网络进行测试，得到通过测试的LSTM神经网络模型；
推荐模块，所述推荐模块将拟采购标的物信息输入训练好的神经网络模型中，得到推荐的供应商集合。
在本申请的一些实施例中，所述供应商信息获取模块获取的所述供应商信息包括企业属性信息、企业规模信息和评价信息；所述供应商信息获取模块从历史采购信息、企业公开信息中获取供应商信息。
在本申请的一些实施例中，还包括采购方集合生成模块，所述采购方信息获取模块获取采购方信息，进行预处理后把每一个采购商的重要特征词集向量化，形成采购商集合；
进行训练过程中，输入LSTM神经网络模型的输入还包括采购方集合，所述采购方集合为每一个采购方的重要特征词集向量化后的集合。
在本申请的一些实施例中，还包括输入向量生成模块，所述输入向量模块将一个向量化的采购方重要特征词集与一个向量化的供应商重要特征词集进行堆叠操作后形成堆叠输入向量，然后输入LSTM神经网络，操作公式为：
Figure 713117DEST_PATH_IMAGE016
；
其中
Figure DEST_PATH_IMAGE017
为堆叠输入向量，
Figure 519137DEST_PATH_IMAGE018
一个向量化的采购方重要特征词集，
Figure DEST_PATH_IMAGE019
为一个向量化的供应商重要特征词集，将
Figure 612995DEST_PATH_IMAGE020
加入LSTM神经网络中进行训练。
在本申请的一些实施例中，堆叠输入向量输入LSTM神经网络后，所述模型生成模块生成训练好的神经网络模型的方法包括：
训练集通过LSTM神经网络的遗忘门，进行信息丢弃动作；
将信息丢弃后的训练集通过LSTM神经网络的输入门，进行信息跟新动作；
将信息更新后的训练集通过LSTM神经网络的输出门，输出训练结果；
将测试数据输入训练好的LSTM神经网络，得到测试结果，验证网络的准确性，若准确性达到要求，完成训练，得到训练好的LSTM神经网络。
上列详细说明是针对本发明可行实施例的具体说明，以上实施例并非用以限制本发明的专利范围，凡未脱离本发明所为的等效实施或变更，均应包含于本案的专利范围中。

Claims (10)

1.一种基于词频的相似供应商推荐方法，其特征在于， 包括：
从历史采购信息中获取供应商信息，对供应商信息进行预处理后形成词集列表，所述预处理包括：对供应商信息进行分词、词性还原；
根据词频计算所述词集列表中每个词的权重，获取重要特征词集及列表；
把每一个供应商的重要特征词集向量化，形成供应商集合，将供应商集合分为供应商训练集和供应商测试集；
将供应商训练集输入LSTM神经网络模型进行训练，将供应商测试集输入训练好的LSTM神经网络进行测试，得到通过测试的LSTM神经网络模型；
将拟采购标的物信息输入训练好的神经网络模型中，得到推荐的供应商集合。
2.根据权利要求1所述的一种基于词频的相似供应商推荐方法，其特征在于，所述供应商信息包括企业属性信息、企业规模信息和评价信息；所述供应商信息从历史采购信息、企业公开信息中获取。
3.根据权利要求2所述的一种基于词频的相似供应商推荐方法，其特征在于，LSTM神经网络模型的输入还包括采购方集合，所述采购方集合为每一个采购方的重要特征词集向量化后的集合。
4.根据权利要求1所述的一种基于词频的相似供应商推荐方法，其特征在于，输入LSTM神经网络时，将一个向量化的采购方重要特征词集与一个向量化的供应商重要特征词集进行堆叠操作后形成堆叠输入向量，操作公式为：
Figure DEST_PATH_IMAGE001
；
其中
Figure 218611DEST_PATH_IMAGE002
为堆叠输入向量，
Figure DEST_PATH_IMAGE003
一个向量化的采购方重要特征词集，
Figure 911760DEST_PATH_IMAGE004
为一个向量化的供应商重要特征词集，将
Figure DEST_PATH_IMAGE005
加入LSTM神经网络中进行训练。
5.根据权利要求4所述的一种基于词频的相似供应商推荐方法，其特征在于，堆叠输入向量输入LSTM神经网络后，还包括：
训练集通过LSTM神经网络的遗忘门，进行信息丢弃动作；
将信息丢弃后的训练集通过LSTM神经网络的输入门，进行信息跟新动作；
将信息更新后的训练集通过LSTM神经网络的输出门，输出训练结果；
将测试数据输入训练好的LSTM神经网络，得到测试结果，验证网络的准确性，若准确性达到要求，完成训练，得到训练好的LSTM神经网络。
6.一种基于词频的相似供应商推荐装置，其特征在于，包括：
供应商信息获取模块，所述供应商信息获取模块从历史采购信息中获取供应商信息，对供应商信息进行预处理后形成词集列表，所述预处理包括：对供应商信息进行分词、词性还原；
重要特征词集获取模块，所述重要特征词集获取模块根据词频计算所述词集列表中每个词的权重，获取重要特征词集及列表；
供应商集合生成模块，所述供应商集合生成模块把每一个供应商的重要特征词集向量化，形成供应商集合，将供应商集合分为供应商训练集和供应商测试集；
模型生成模块，所述模型生成模块将供应商训练集输入LSTM神经网络模型进行训练，将供应商测试集输入训练好的LSTM神经网络进行测试，得到通过测试的LSTM神经网络模型；
推荐模块，所述推荐模块将拟采购标的物信息输入训练好的神经网络模型中，得到推荐的供应商集合。
7.根据权利要求6所述的一种基于词频的相似供应商推荐装置，其特征在于，所述供应商信息获取模块获取的所述供应商信息包括企业属性信息、企业规模信息和评价信息；所述供应商信息获取模块从历史采购信息、企业公开信息中获取供应商信息。
8.根据权利要求6所述的一种基于词频的相似供应商推荐装置，其特征在于，还包括采购方集合生成模块，所述采购方信息获取模块获取采购方信息，进行预处理后把每一个采购商的重要特征词集向量化，形成采购商集合；
进行训练过程中，输入LSTM神经网络模型的输入还包括采购方集合，所述采购方集合为每一个采购方的重要特征词集向量化后的集合。
9.根据权利要求6所述的一种基于词频的相似供应商推荐装置，其特征在于，还包括输入向量生成模块，所述输入向量模块将一个向量化的采购方重要特征词集与一个向量化的供应商重要特征词集进行堆叠操作后形成堆叠输入向量，然后输入LSTM神经网络，操作公式为：
Figure 442099DEST_PATH_IMAGE006
；
其中
Figure DEST_PATH_IMAGE007
为堆叠输入向量，
Figure 929712DEST_PATH_IMAGE008
一个向量化的采购方重要特征词集，
Figure DEST_PATH_IMAGE009
为一个向量化的供应商重要特征词集，将
Figure 811080DEST_PATH_IMAGE010
加入LSTM神经网络中进行训练。
10.根据权利要求6所述的一种基于词频的相似供应商推荐装置，其特征在于，堆叠输入向量输入LSTM神经网络后，所述模型生成模块生成训练好的神经网络模型的方法包括：
训练集通过LSTM神经网络的遗忘门，进行信息丢弃动作；
将信息丢弃后的训练集通过LSTM神经网络的输入门，进行信息跟新动作；
将信息更新后的训练集通过LSTM神经网络的输出门，输出训练结果；
将测试数据输入训练好的LSTM神经网络，得到测试结果，验证网络的准确性，若准确性达到要求，完成训练，得到训练好的LSTM神经网络。
CN202011453560.4A 2020-12-12 2020-12-12 一种基于词频的相似供应商推荐方法及装置 Pending CN112465389A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011453560.4A CN112465389A (zh) 2020-12-12 2020-12-12 一种基于词频的相似供应商推荐方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011453560.4A CN112465389A (zh) 2020-12-12 2020-12-12 一种基于词频的相似供应商推荐方法及装置

Publications (1)

Publication Number Publication Date
CN112465389A true CN112465389A (zh) 2021-03-09

Family

ID=74801386

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011453560.4A Pending CN112465389A (zh) 2020-12-12 2020-12-12 一种基于词频的相似供应商推荐方法及装置

Country Status (1)

Country Link
CN (1) CN112465389A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108960986A (zh) * 2018-06-26 2018-12-07 西安交通大学 一种基于网络爬虫的供应商推荐方法
CN109509054A (zh) * 2018-09-30 2019-03-22 平安科技（深圳）有限公司 海量数据下商品推荐方法、电子装置及存储介质
CN109885756A (zh) * 2018-12-18 2019-06-14 湖南大学 基于cnn和rnn的序列化推荐方法
CN110264311A (zh) * 2019-05-30 2019-09-20 佛山科学技术学院 一种基于深度学习的商业推广信息精准推荐方法及系统
CN110517121A (zh) * 2019-09-23 2019-11-29 重庆邮电大学 基于评论文本情感分析的商品推荐方法及商品推荐装置
CN111967927A (zh) * 2020-07-03 2020-11-20 青岛檬豆网络科技有限公司 一种多准则计算满意度的商业采购方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108960986A (zh) * 2018-06-26 2018-12-07 西安交通大学 一种基于网络爬虫的供应商推荐方法
CN109509054A (zh) * 2018-09-30 2019-03-22 平安科技（深圳）有限公司 海量数据下商品推荐方法、电子装置及存储介质
CN109885756A (zh) * 2018-12-18 2019-06-14 湖南大学 基于cnn和rnn的序列化推荐方法
CN110264311A (zh) * 2019-05-30 2019-09-20 佛山科学技术学院 一种基于深度学习的商业推广信息精准推荐方法及系统
CN110517121A (zh) * 2019-09-23 2019-11-29 重庆邮电大学 基于评论文本情感分析的商品推荐方法及商品推荐装置
CN111967927A (zh) * 2020-07-03 2020-11-20 青岛檬豆网络科技有限公司 一种多准则计算满意度的商业采购方法

Similar Documents

Publication Publication Date Title
CN108648074B (zh) 基于支持向量机的贷款评估方法、装置及设备
CN108665159A (zh) 一种风险评估方法、装置、终端设备及存储介质
CN107679946A (zh) 基金产品推荐方法、装置、终端设备及存储介质
CN110457441A (zh) 一种专利交易系统
CN108898476A (zh) 一种贷款客户信用评分方法和装置
CN107424007A (zh) 一种构建电子券敏感度识别模型的方法和装置
CN107516246A (zh) 用户类型的确定方法、确定装置、介质及电子设备
CN113469730A (zh) 一种非合同场景下的基于RF-LightGBM融合模型的客户复购预测方法及装置
CN107067282B (zh) 一种消费品返利销售营销管理系统及其使用方法
CN108509458A (zh) 一种业务对象识别方法及装置
CN102708364A (zh) 基于分级分类器的指纹图像分类方法
CN110400058A (zh) 基于rx法则的零售管理方法及装置
CN112948667A (zh) 一种基于招投标的供应商推荐系统及方法
CN108182457A (zh) 用于生成信息的方法和装置
CN110110035A (zh) 数据处理方法和装置以及计算机可读存储介质
Li et al. Convex optimization for bundle size pricing problem
CN116128627A (zh) 风险预测方法、装置、电子设备及存储介质
CN110633919A (zh) 经营实体的评估方法及其装置
CN110334185A (zh) 一种平台中数据的处理方法和装置
CN112465389A (zh) 一种基于词频的相似供应商推荐方法及装置
CN113554438B (zh) 账号的识别方法、装置、电子设备及计算机可读介质
CN112884496A (zh) 计算企业信用因子分数的方法、装置及计算机存储介质
CN111159589A (zh) 分类字典建立方法、商户数据分类方法、装置及设备
CN110428150A (zh) 一种变革指数生成方法及装置
Zhang et al. Improved procedures for training primal wasserstein gans

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