CN112488786A - 一种基于用户协同过滤的供应商推荐方法及装置 - Google Patents

一种基于用户协同过滤的供应商推荐方法及装置 Download PDF

Info

Publication number
CN112488786A
CN112488786A CN202011376796.2A CN202011376796A CN112488786A CN 112488786 A CN112488786 A CN 112488786A CN 202011376796 A CN202011376796 A CN 202011376796A CN 112488786 A CN112488786 A CN 112488786A
Authority
CN
China
Prior art keywords
user
supplier
input
neural network
collaborative filtering
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
CN202011376796.2A
Other languages
English (en)
Inventor
杨灿魁
陈剑光
谢志武
李�根
谢化安
李志�
佟忠正
雷璟
王栋
肖琪
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 Power Grid Co Ltd
Original Assignee
Guangdong Power Grid 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 Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202011376796.2A priority Critical patent/CN112488786A/zh
Publication of CN112488786A publication Critical patent/CN112488786A/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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0605—Supply or demand aggregation
    • 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
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/048—Activation functions
    • 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
    • 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]
    • G06Q30/0631—Item recommendations

Abstract

本发明涉及招标采购管理技术领域，提供一种基于用户协同过滤的供应商推荐方法及装置，用于解决招标采购过程中供应商筛选问题。本发明提供的一种基于用户协同过滤的供应商推荐方法，包括：获取与目标用户相似的用户集；所述用户集内的元素与目标用户的相似度在预设范围内；获取所述用户集内使用过的标的物，将标的物的供应商集推荐给目标用户。本申请的供应商推荐方法可以降低采购成本，利用其他用户的采购经历，获取了最终供应商的名单，从其中挑选此次采购的供应商，更可能采购到质优价廉的标的物。

Description

一种基于用户协同过滤的供应商推荐方法及装置
技术领域
本发明涉及招标采购管理技术领域，具体涉及一种基于用户协同过滤的供应商推荐方法、装置、终端。
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。如何智能筛选邀标的供应商是亟待解决的的技术问题。
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筛选问题，提供一种基于用户协同过滤的供应商推荐方法。
为了解决上述技术问题，本发明提供的技术方案为：
一种基于用户协同过滤的供应商推荐方法，包括：
获取与目标用户相似的用户集；所述用户集内的元素与目标用户的相似度在预设范围内；所述相似度为：
Figure DEST_PATH_IMAGE001
其中u为用户，U为用户集，sim为相似度，s为标的物，score为标的物评分，基于
Figure 482936DEST_PATH_IMAGE002
对标的物的行为确定；
获取所述用户集内使用过的标的物，将标的物的供应商集推荐给目标用户。
其他用户在招标采购过程也可能采购过相同的标的物，根据其他用户采购相同标的物的供应商进行推荐，可以降低采购成本。
降低采购成本，利用其他用户的采购经历，获取了最终供应商的名单，从其中挑选此次采购的供应商，更可能采购到质优价廉的标的物。
优选地，还包括：
获取用户集的用户特征，加入交叉网络中，进行特征交叉操作，得到第一输入特征；
获取供应商集的特征，进行贝叶斯平滑处理的得到第二输入特征；
将第一输入特征和第二输入特征进行堆叠操作，输入全连接深度神经网络中进行训练；
采用对数似然函数的损失函数集自适应矩阵估计算法对所述全连接深度神经网络进行优化，利用在线学习的方式，得到训练好的神经网络模型。根据用户特征也就是采购方的特征和供应商的特征训练神经网络，得到更适应于本次采购方用户特点的供应商集合。
优选地，进行特征交叉操作的公式为：
Figure 570978DEST_PATH_IMAGE003
其中，
Figure 572432DEST_PATH_IMAGE004
，
Figure 505753DEST_PATH_IMAGE005
对应的第i层特征交叉层和第i+1层特征交叉层，
Figure 643473DEST_PATH_IMAGE006
是实数域集合，
Figure 512203DEST_PATH_IMAGE007
是
Figure 953DEST_PATH_IMAGE008
的转置矩阵，
Figure 737965DEST_PATH_IMAGE009
是输入的初始层，
Figure 995771DEST_PATH_IMAGE010
和
Figure 160036DEST_PATH_IMAGE011
是第i特征交叉层对应学习到的参数，每一层的训练优化都是基于神经网络整体优化得到的；进行m层的特征交叉操作，最终得到这部分的特征为第一输入特征。通过交叉神经网络提取出特征，可以节约运算成本。
优选地，将第一输入特征和第二输入特征进行堆叠操作，操作公式为：
Figure 995137DEST_PATH_IMAGE012
；
其中
Figure 535840DEST_PATH_IMAGE013
为输入的总特征，将
Figure 913732DEST_PATH_IMAGE014
加入n层全连接深度神经网络中进行训练，每一层的网络是全连接神经网络。通过深度神经网络，可以更加有效地发觉采购方用户与供应商的深层次特征关系，更精准的推荐。
优选地，全连接深度神经网络的激活函数使用线性校正单元。
优选地，全连接深度神经网络的输出函数Sigmoid函数。
基于用户协同过滤的供应商推荐装置，包括：
相似用户获取模块，所述相似用户获取模块获取与目标用户相似的用户集；所述用户集内的元素与目标用户的相似度在预设范围内；所述相似度为：
Figure 248898DEST_PATH_IMAGE015
其中u为用户，U为用户集，sim为相似度，s为标的物，score为标的物评分，基于
Figure 712241DEST_PATH_IMAGE016
对标的物的行为确定；
供应商推荐模块，所述供应商推荐模块获取所述用户集内使用过的标的物，将标的物的供应商集推荐给目标用户。
优选地，还包括：
第一输入模块，所述第一输入模块获取目标用户的用户特征，加入交叉网络中，进行特征交叉操作，得到第一输入特征；
第二输入模块，所述第二输入模块获取供应商集的特征，进行贝叶斯平滑处理的得到第二输入特征；
处理模块，所述处理模块将第一输入特征和第二输入特征进行堆叠操作，输入全连接深度神经网络中进行训练；采用对数似然函数的损失函数集自适应矩阵估计算法对所述全连接深度神经网络进行优化，利用在线学习的方式，得到训练好的神经网络模型。
一种终端，包括处理器和存储器，所述存储器内存储有计算机程序，所述处理器执行所述计算机程序以实现上述的方法。
一种存储介质，存储有计算机程序，所述计算机程序可被执行以实现上述的方法。
与现有技术相比，本发明具有的有益效果为：降低采购成本，利用其他用户的采购经历，获取了最终供应商的名单，从其中挑选此次采购的供应商，更可能采购到质优价廉的标的物。
相似企业对标的物供应商的推荐是招标过程中的重要参考，本申请对这种推荐方式进行了优化了，提供了更加客观精准的推荐方式，为招标采购过程中筛选供应商提供了新的方式。
附图说明
图1为一种基于用户协同过滤的供应商推荐方法的示意图。
图2为一种基于用户协同过滤的供应商推荐装置的示意图。
具体实施方式
以下实施列是对本发明的进一步说明，不是对本发明的限制。
一种基于用户协同过滤的供应商推荐方法，在本申请的一些实施例中，包括：
获取与目标用户相似的用户集；所述用户集内的元素与目标用户的相似度在预设范围内；所述相似度为：
Figure 100002_DEST_PATH_IMAGE017
其中u为用户，U为用户集，sim为相似度，s为标的物，score为标的物评分，基于
Figure 525476DEST_PATH_IMAGE018
对标的物的行为确定；
获取所述用户集内使用过的标的物，将标的物的供应商集推荐给目标用户。
其他用户在招标采购过程也可能采购过相同的标的物，根据其他用户采购相同标的物的供应商进行推荐，可以降低采购成本。
降低采购成本，利用其他用户的采购经历，获取了最终供应商的名单，从其中挑选此次采购的供应商，更可能采购到质优价廉的标的物。
在本申请的一些实施例中，用户u拟采购标的物A为例，有多家企业采购过标的物A，用户u为国企，营利能力较强，那么可以根据企业性质、企业财务状况这些特征，筛选与用户u相似的采购过标的物A的企业；也可以根据其他用户对标的物A的喜好度的评分，例如企业B对标的物A的需求度高，评分也就高，评分可以从网络上抓取，也可以邀请企业B填写调查问卷获取，筛选与用户u相似的采购过标的物A的企业，形成用户集U。
在本申请的一些实施例中，还包括：
获取用户集的用户特征，加入交叉网络中，进行特征交叉操作，得到第一输入特征；
获取供应商集的特征，进行贝叶斯平滑处理的得到第二输入特征；
将第一输入特征和第二输入特征进行堆叠操作，输入全连接深度神经网络中进行训练；
采用对数似然函数的损失函数集自适应矩阵估计算法对所述全连接深度神经网络进行优化，利用在线学习的方式，得到训练好的神经网络模型。
根据用户特征也就是采购方的特征和供应商的特征训练神经网络，得到更适应于本次采购方用户特点的供应商集合。
根据用户集和供应商集作为输入训练神经网络模型，建立用户同供应商的深层次特征关系，从而提高供应商推荐的精准度。
在本申请的起一些实施例中，进行特征交叉操作的公式为：
Figure DEST_PATH_IMAGE019
其中，
Figure 866196DEST_PATH_IMAGE020
，
Figure DEST_PATH_IMAGE021
对应的第i层特征交叉层和第i+1层特征交叉层，
Figure 106685DEST_PATH_IMAGE022
是实数域集合，
Figure DEST_PATH_IMAGE023
是
Figure 57323DEST_PATH_IMAGE024
的转置矩阵，
Figure 80774DEST_PATH_IMAGE009
是输入的初始层，
Figure DEST_PATH_IMAGE025
和
Figure 167679DEST_PATH_IMAGE026
是第i特征交叉层对应学习到的参数，每一层的训练优化都是基于神经网络整体优化得到的；进行m层的特征交叉操作，最终得到这部分的特征为第一输入特征。
通过交叉神经网络提取出特征，可以节约运算成本。
在本申请的一些实施例中，用户集中元素的特征可以提取为{企业性质，纳税规模}，企业B为国企，其特征可以表示为{1,1}，表示国企，纳税规模大；企业C为私企，其特征可以表示为{0,0}，表示私企，纳税规模小。将这些特征加入到特征交叉网络中，得到第一输入特征。
在本申请的一些实施例中，将第一输入特征和第二输入特征进行堆叠操作，操作公式为：
Figure DEST_PATH_IMAGE027
；
其中
Figure 703702DEST_PATH_IMAGE028
为输入的总特征，将
Figure 141637DEST_PATH_IMAGE028
加入n层全连接深度神经网络中进行训练，每一层的网络是全连接神经网络。
在本申请的一些实施例中，全连接神经网络的公式表达为：
Figure DEST_PATH_IMAGE029
其中，
Figure 296674DEST_PATH_IMAGE030
、
Figure DEST_PATH_IMAGE031
，分别对应第i层网络和第i+1层网络，
Figure 503665DEST_PATH_IMAGE032
和
Figure DEST_PATH_IMAGE033
是第i层网络对应的参数；
Figure 194278DEST_PATH_IMAGE034
是线性校正单元，其公式为：
Figure DEST_PATH_IMAGE035
最后一层是针对样本是否中标的概率输出，其公式为：
Figure 853930DEST_PATH_IMAGE036
式中，
Figure DEST_PATH_IMAGE037
是深度神经网络的输出，
Figure 812658DEST_PATH_IMAGE038
是最后一层的参数。
Figure DEST_PATH_IMAGE039
随后对整体的深度神经网络进行求解，使用的损失函数加了正则想的对数损失函数，公式为：
Figure 998789DEST_PATH_IMAGE040
其中
Figure DEST_PATH_IMAGE041
是计算出的概率，
Figure 751981DEST_PATH_IMAGE042
是标的物是否被采购（0、1），N是输入网络的样本总数，λ是高斯正则化参数，
Figure DEST_PATH_IMAGE043
是被约束的参数，对上述公式使用ADAM算法进行优化。
通过深度神经网络，可以更加有效地发觉采购方用户与供应商的深层次特征关系，更精准的推荐。
全连接深度神经网络的激活函数使用线性校正单元。
全连接深度神经网络的输出函数Sigmoid函数。
在本申请的一些实施例中，将目标用户u的特征、标的物A的供应商集输入训练好的全连接深度网络模型，得到经过进一步筛选推荐供应商的集合。
一种基于用户协同过滤的供应商推荐装置，包括：
相似用户获取模块，所述相似用户获取模块获取与目标用户相似的用户集；所述用户集内的元素与目标用户的相似度在预设范围内；所述相似度为：
Figure 898929DEST_PATH_IMAGE044
其中u为用户，U为用户集，sim为相似度，s为标的物，score为标的物评分，基于
Figure DEST_PATH_IMAGE045
对标的物的行为确定；
供应商推荐模块，所述供应商推荐模块获取所述用户集内使用过的标的物，将标的物的供应商集推荐给目标用户。
在本申请的一些实施例中，还包括：
第一输入模块，所述第一输入模块获取用户集中的用户特征，加入交叉网络中，进行特征交叉操作，得到第一输入特征；
第二输入模块，所述第二输入模块获取供应商集的特征，进行贝叶斯平滑处理的得到第二输入特征；
处理模块，所述处理模块将第一输入特征和第二输入特征进行堆叠操作，输入全连接深度神经网络中进行训练；采用对数似然函数的损失函数集自适应矩阵估计算法对所述全连接深度神经网络进行优化，利用在线学习的方式，得到训练好的神经网络模型。
一种终端，包括处理器和存储器，所述存储器内存储有计算机程序，所述处理器执行所述计算机程序以上述的方法。
一种存储介质，存储有计算机程序，所述计算机程序可被执行以实现上述的方法。
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)

1.一种基于用户协同过滤的供应商推荐方法，其特征在于，包括：
获取与目标用户相似的用户集；所述用户集内的元素与目标用户的相似度在预设范围内；所述相似度为：
Figure 970516DEST_PATH_IMAGE002
其中u为用户，U为用户集，sim为相似度，s为标的物，score为标的物评分，基于
Figure 153236DEST_PATH_IMAGE003
对标的物的行为确定；
获取所述用户集内使用过的标的物，将标的物的供应商集推荐给目标用户。
2.根据权利要求1所述的一种基于用户协同过滤的供应商推荐方法，其特征在于，还包括：
获取用户集的用户特征，加入交叉网络中，进行特征交叉操作，得到第一输入特征；
获取供应商集的特征，进行贝叶斯平滑处理的得到第二输入特征；
将第一输入特征和第二输入特征进行堆叠操作，输入全连接深度神经网络中进行训练；
采用对数似然函数的损失函数集自适应矩阵估计算法对所述全连接深度神经网络进行优化，利用在线学习的方式，得到训练好的神经网络模型。
3.根据权利要求2所述的一种基于用户协同过滤的供应商推荐方法，其特征在于，进行特征交叉操作的公式为：
Figure 198552DEST_PATH_IMAGE004
其中，
Figure 593762DEST_PATH_IMAGE005
，
Figure 549079DEST_PATH_IMAGE006
对应的第i层特征交叉层和第i+1层特征交叉层，
Figure 637121DEST_PATH_IMAGE007
是实数域集合，
Figure 904154DEST_PATH_IMAGE008
是
Figure 368634DEST_PATH_IMAGE009
的转置矩阵，
Figure 303092DEST_PATH_IMAGE010
是输入的初始层，
Figure 296456DEST_PATH_IMAGE011
和
Figure 191730DEST_PATH_IMAGE012
是第i特征交叉层对应学习到的参数，每一层的训练优化都是基于神经网络整体优化得到的；进行m层的特征交叉操作，最终得到这部分的特征为第一输入特征。
4.根据权利要求2所述的一种基于用户协同过滤的供应商推荐方法，其特征在于，将第一输入特征和第二输入特征进行堆叠操作，操作公式为：
Figure 194321DEST_PATH_IMAGE013
；
其中
Figure 983286DEST_PATH_IMAGE014
为输入的总特征，将
Figure 413130DEST_PATH_IMAGE015
加入n层全连接深度神经网络中进行训练，每一层的网络是全连接神经网络。
5.根据权利要求2所述的一种基于用户协同过滤的供应商推荐方法，其特征在于，全连接深度神经网络的激活函数使用线性校正单元。
6.根据权利要求2所述的一种基于用户协同过滤的供应商推荐方法，其特征在于，全连接深度神经网络的输出函数Sigmoid函数。
7.一种基于用户协同过滤的供应商推荐装置，其特征在于，包括：
相似用户获取模块，所述相似用户获取模块获取与目标用户相似的用户集；所述用户集内的元素与目标用户的相似度在预设范围内；所述相似度为：
Figure 920335DEST_PATH_IMAGE016
其中u为用户，U为用户集，sim为相似度，s为标的物，score为标的物评分，基于
Figure DEST_PATH_IMAGE017
对标的物的行为确定；
供应商推荐模块，所述供应商推荐模块获取所述用户集内使用过的标的物，将标的物的供应商集推荐给目标用户。
8.根据权利要求1所述的一种基于用户协同过滤的供应商推荐方法，其特征在于，还包括：
第一输入模块，所述第一输入模块获取目标用户的用户特征，加入交叉网络中，进行特征交叉操作，得到第一输入特征；
第二输入模块，所述第二输入模块获取供应商集的特征，进行贝叶斯平滑处理的得到第二输入特征；
处理模块，所述处理模块将第一输入特征和第二输入特征进行堆叠操作，输入全连接深度神经网络中进行训练；采用对数似然函数的损失函数集自适应矩阵估计算法对所述全连接深度神经网络进行优化，利用在线学习的方式，得到训练好的神经网络模型。
9.一种终端，其特征在于，包括处理器和存储器，所述存储器内存储有计算机程序，所述处理器执行所述计算机程序以实现权利要求1~6任一项所述的方法。
10.一种存储介质，其特征在于，存储有计算机程序，所述计算机程序可被执行以实现权利要求1~6任一项所述的方法。
CN202011376796.2A 2020-11-30 2020-11-30 一种基于用户协同过滤的供应商推荐方法及装置 Pending CN112488786A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011376796.2A CN112488786A (zh) 2020-11-30 2020-11-30 一种基于用户协同过滤的供应商推荐方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011376796.2A CN112488786A (zh) 2020-11-30 2020-11-30 一种基于用户协同过滤的供应商推荐方法及装置

Publications (1)

Publication Number Publication Date
CN112488786A true CN112488786A (zh) 2021-03-12

Family

ID=74937698

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011376796.2A Pending CN112488786A (zh) 2020-11-30 2020-11-30 一种基于用户协同过滤的供应商推荐方法及装置

Country Status (1)

Country Link
CN (1) CN112488786A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113177184A (zh) * 2021-04-22 2021-07-27 武汉理工大学 一种建材装备制造企业供应商选择方法、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020161664A1 (en) * 2000-10-18 2002-10-31 Shaya Steven A. Intelligent performance-based product recommendation system
CN108629630A (zh) * 2018-05-08 2018-10-09 广州太平洋电脑信息咨询有限公司 一种基于特征交叉联合深度神经网络的广告推荐方法
CN109086281A (zh) * 2017-06-14 2018-12-25 成都淞幸科技有限责任公司 一种基于最近邻协同过滤推荐算法的供应商推荐方法
US20200258132A1 (en) * 2019-02-13 2020-08-13 Beijing Jingdong Shangke Information Technology Co., Ltd. System and method for personalized product recommendation using hierarchical bayesian

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020161664A1 (en) * 2000-10-18 2002-10-31 Shaya Steven A. Intelligent performance-based product recommendation system
CN109086281A (zh) * 2017-06-14 2018-12-25 成都淞幸科技有限责任公司 一种基于最近邻协同过滤推荐算法的供应商推荐方法
CN108629630A (zh) * 2018-05-08 2018-10-09 广州太平洋电脑信息咨询有限公司 一种基于特征交叉联合深度神经网络的广告推荐方法
US20200258132A1 (en) * 2019-02-13 2020-08-13 Beijing Jingdong Shangke Information Technology Co., Ltd. System and method for personalized product recommendation using hierarchical bayesian

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
周高云 等: "一种神经网络与用户偏好相结合的协同过滤推荐算法", 《福建电脑》 *
赵晓宇: "基于BP神经网络-协同过滤的云制造供应商推荐系统", 《价值工程》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113177184A (zh) * 2021-04-22 2021-07-27 武汉理工大学 一种建材装备制造企业供应商选择方法、设备及存储介质

Similar Documents

Publication Publication Date Title
Haile et al. Inference with an incomplete model of English auctions
Duffie et al. Information percolation in segmented markets
TW530235B (en) Valuation prediction models in situations with missing inputs
TW530236B (en) Cross correlation tool for automated portfolio descriptive statistics
US20100030799A1 (en) Method for Generating a Computer-Processed Financial Tradable Index
CA2362441A1 (en) Methods and systems for optimizing return and present value
Misund Financial ratios and prediction on corporate bankruptcy in the Atlantic salmon industry
WO2023082969A1 (zh) 基于夏普利值的数据特征组合定价方法、系统及电子设备
US10417710B2 (en) Apparatus, methods, system and framework for discovering, copying and curating investment portfolios
Freeman et al. An agent‐based simulation model of structural change in Canadian prairie agriculture, 1960–2000
Zeng et al. A decision support model for investment on P2P lending platform
Liagkouras et al. Examining the effect of different configuration issues of the multiobjective evolutionary algorithms on the efficient frontier formulation for the constrained portfolio optimization problem
CN112966189A (zh) 一种基金产品推荐系统
Laliotis et al. An agent-based model for the assessment of LTV caps
Conte et al. Private benefits of conservation and procurement auction performance
CN112488786A (zh) 一种基于用户协同过滤的供应商推荐方法及装置
CN116911962A (zh) 一种基于数据模型的选品装置及方法
He et al. Volatility and liquidity in the real estate market
Gimenes Econometrics of ascending auctions by quantile regression
Shakhnov et al. Utility tokens, network effects, and pricing power
Wang et al. Skilled mutual fund selection: false discovery control under dependence
CN114943582A (zh) 一种信息推荐方法、系统及推荐服务器
Alexander et al. A general approach to real option valuation with applications to real estate investments
CN113407827A (zh) 基于用户价值分类的信息推荐方法、装置、设备及介质
Grindel et al. Forecasting of the ID3 using limit order book data

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210312