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 PDFInfo
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000001914 filtration Methods 0.000 title claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000006399 behavior Effects 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 abstract description 4
- 239000013077 target material Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012502 risk assessment Methods 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
- G06Q30/0601—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
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。
其中,,对应的第i层特征交叉层和第i+1层特征交叉层,是实数域集合,是的转置矩阵,是输入的初始层,和是第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,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:
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。
其中,,对应的第i层特征交叉层和第i+1层特征交叉层,是实数域集合,是的转置矩阵,是输入的初始层,和是第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。
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:
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)
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。
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。
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。
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)
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)
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 |
-
2020
- 2020-11-30 CN CN202011376796.2A patent/CN112488786A/zh active Pending
Patent Citations (4)
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)
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)
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 |