CN113065711A - 图书采购优化决策系统及图书采购决策方法 - Google Patents
图书采购优化决策系统及图书采购决策方法 Download PDFInfo
- Publication number
- CN113065711A CN113065711A CN202110392647.3A CN202110392647A CN113065711A CN 113065711 A CN113065711 A CN 113065711A CN 202110392647 A CN202110392647 A CN 202110392647A CN 113065711 A CN113065711 A CN 113065711A
- Authority
- CN
- China
- Prior art keywords
- book
- books
- purchasing
- efficiency
- information
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims abstract description 36
- 230000000694 effects Effects 0.000 claims description 13
- 230000007774 longterm Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- 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
- 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]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种图书采购优化决策系统及图书采购决策方法,电控装置内存储有现有馆藏图书数据和采购初步订单数据;对于采购初步订单数据中的每种图书,按照作者信息效能算法计算得到该种图书的作者的图书效能XN1和作者复本采购数量M1、出版社的单种图书效能数据XN2和出版社复本采购数量M2、主题图书效能数据XN3、主题图书复本采购数量M3和中图分类号效能数据XN4以及中图分类号复本采购数量M4;分别进行历史数据计算和一年来数据计算后得到待采购的每种图书的最终效能值XNZ3和最终总复本采购数量MZ3,基于历史大数据解决了采购何种图书以及每种图书采购几本的问题,使有限的采购经费发挥最大的图书效能,并且从统计学上避免复本数量与借阅需求不相匹配的现象。
Description
技术领域
本发明涉及图书馆管理技术领域,尤其涉及大数据在图书馆管理中的运用技术。
背景技术
对于大数据环境下图书馆管理方面的研究,大多停留在宏观管理上泛泛而谈。如何在具体的图书馆管理中利用大数据去实施操作,去进行运算的量化管理与决策,这种对实际工作具有指导意义的研究还是非常欠缺。
图书馆管理中,需要将馆藏图书分类、编目,按图书的类目对图书进行管理。图书编目相关信息中,主要的信息有题名、作者、出版社、主题、中图分类号等等,其中主题可以包括多个关键词;如《5G为人工智能与工业互联网赋能》(作者王喜文)一书,其CALIS编目信息中,主题关键词就有“无线电通信”、“移动通信”、“通信技术”、“应用”、“人工智能”和“研究”等等。
作者、出版社、主题关键词和中图分类号读者检索、获取图书信息的主要途径,与图书质量、被借阅的频次具有统计科学上的关联。
图书采购是图书馆管理中的基础内容之一,无论图书馆如何建设,在图书馆的管理工作中,图书采购都不可或缺。文献资源的数量能否满足需求,结构的配置是否合理,都是图书馆管理中的重要内容。
图书采购工作受到两方面的约束,一是有限的经费,二是图书效用最大化的追求。
现有的图书采购流程通常是:图书供应商定期提供图书的电子目录和介绍,图书馆采购工作人员根据电子目录及介绍、或者根据参加书展的情况,结合读者的需求和学科专业的设置(即采购需求)来选择出采购初步订单,采购初步订单包括有每种图书拟采购的复本数量及每种图书的价格;然后通过馆藏查重,去掉已有馆藏的书目,在经费允许的范围内生成最终订单。
采购流程中,经常需要采购人员主观判断书目的选择。如经费少于订单图书的总价格时,由采购人员主观书目的取舍以及复本数量的增减。这种主观选择基于经验,但人的记忆以及选择时的“算法”不够强大和准确,人不可能记得过往各种图书的使用数据,经验与以往的图书使用中生成的大数据往往并不吻合;即采购人员的主观选择,可能排除的书籍比确定采购的书籍更符合读者的需要。
因此,有必要对于人工选择书目的图书采购工作加以改进,通过大数据预测一本新书的借阅需求及预期效用,使得有限的经费获得尽可能大的效用。
发明内容
本发明的目的在于提供一种图书采购优化决策系统,基于对图书馆的历史大数据分析,对图书采购提供具体指引,使有限的采购经费发挥最大的图书效能。
为实现上述目的,本发明的图书采购优化决策系统包括电控装置,电控装置连接有显示屏,电控装置内存储有现有馆藏图书数据和采购初步订单数据;
采购初步订单数据包括纳入采购范围并待筛选的各种待采购图书的编目信息;
现有馆藏图书数据包括图书馆内已有藏书的编目信息以及各种馆藏图书的历史信息;
待采购图书的编目信息和已有藏书的编目信息均包括有题名信息、作者信息、出版社信息、主题信息和中图分类号信息;主题信息包括若干主题关键词;
各种馆藏图书的历史信息包括各种馆藏图书的复本数量信息、历史出借记录和历史归还记录;
电控装置中存储有历史编目信息效能算法,历史编目信息效能算法针对指定的时间段,指定的时间段具有起始日期和终止日期;
历史编目信息效能算法包括作者信息效能算法、出版社信息效能算法、主题信息效能算法和中图分类号效能算法;
对于采购初步订单数据中的每种图书,按照作者信息效能算法根据种馆藏图书的历史信息计算得到该种图书的作者的图书效能XN1、该种图书的同一作者单种图书的复本采购数量M1、该种图书的出版社的单种图书效能数据XN2、该种图书的出版社单种图书的复本采购数量M2、该种图书的主题图书效能数据XN3、该种图书的主题图书复本采购数量M3和该种图书的中图分类号效能数据XN4以及该种图书的中图分类号图书复本采购数量M4;
该种图书的总图书预计效能XNZ=XN1+XN2+XN3+XN4;
该种图书的总建议复本采购数量MZ=(M1+M2+M3+M4)/4。
作者信息效能算法是:指定的时间段的天数为D天,指定时间段内,馆藏图书中,同一作者的图书种类数量为S1,S1种图书的复本总数量为F1,借阅次数为C1,F1本同作者图书的借出天数总和为J1,拒借总次数为N1次;S1、F1、C1、J1和N1均为自然数;
S1、F1、C1、J1和N1均由馆藏图书的历史信息统计后得到;
作者信息效能算法基于历史数据计算出同一作者的单种图书的效能以及同一作者单种图书的复本采购数量;
同一作者单种图书的效能XN1的计算方法是:{XN1=J1+ (J1/ C1)×N1}/ S1;其中,J1/ C1为平均借阅天数,(J1/ C1)×N1为因拒借而损失的借阅天数;XN1为实数;
同一作者单种图书的复本采购数量M1的计算方法是:
该作者的单种图书的平均复本数量PF1=F1/ S1;
该作者所有图书的月平均发生的拒借次数为PN1=30×N1/D;
如PN1<1,则待采购书目中该作者对应的M1= PF1;
如A+1>PN1≥A,则待采购书目中该作者的每种图书的复本采购数量M1= PF1+A;其中,A为大于等于1的自然数。
出版社信息效能算法是:指定的时间段的天数为D天,指定时间段内,馆藏图书中,同一出版社的图书种类数量为S2,S2种图书的复本总数量为F2,借阅次数为C2,F2本同出版社图书的借出天数总和为J2,拒借总次数为N2次;
S2、F2、C2、J2和N2均为自然数;S2、F2、C2、J2、和N2均由馆藏图书的历史信息统计后得到;
出版社信息效能算法基于历史数据计算出同一出版社的单种图书的效能XN2以及出版社单种图书的复本采购数量M2;
同一出版社单种图书效能XN2的计算方法是:XN2={J2+ (J2/ C2)×N2}/ S2;其中,J2/ C2为平均借阅天数,(J2/ C2)×N2为因拒借而损失的借阅天数;XN2为实数;
出版社单种图书的复本采购数量M2的计算方法是:
该出版社的单种图书的平均复本数量PF2=F2/ S2;该出版社所有图书的月平均发生的拒借次数为PN2=30×N2/D;
如PN2<1,则待采购书目中该出版社的出版社单种图书的复本采购数量M2= PF2;
如A+1>PN2≥A,则待采购书目中该出版社的出版社单种图书的复本采购数量M2=PF2+A;其中,A为大于等于1的自然数。
主题信息效能算法是:
第一针对所有馆藏图书的每一个主题关键词,通过关键词效能算法计算其各主题关键词效能XNC3,然后计算出所有主题关键词的平均效能CPJ;馆藏图书的主题关键词的数量为SS,CPJ=各主题关键词效能XNC3之和/SS;
第二是针对采购初步订单数据中的每一种图书,首先检索其各主题关键词是否是馆藏图书中的已有主题关键词;将存在于馆藏图书中的已有主题关键词称为已知关键词,将尚未存在于馆藏图书中的主题关键词称为未知关键词;对于未知关键词,令其主题关键词效能等于CPJ;
第三是针对采购初步订单数据中的每一种图书,将该种图书的各主题关键词效能相加后求均值得到该种图书的各主题关键词效能的均值并作为该种图书的主题图书效能数据XN3;
第四是针对所有馆藏图书的每一个主题关键词,通过关键词效能算法计算其各同一主题关键词单种图书的复本采购数量MC3,然后计算馆藏图书的各主题关键词的平均复本采购数量SPJ;SPJ=各主题关键词对应的MC3值之和/ SS;
第五是针对采购初步订单数据中的每一种图书,对于未知关键词,令其同一主题关键词单种图书的复本采购数量MC3等于SPJ;
第六是针对采购初步订单数据中的每一种图书,将该种图书的各主题关键词对应的MC3值相加后除以该种图书的主题关键词的数量,得到该种图书的主题图书复本采购数量M3;
关键词效能算法是:
指定的时间段的天数为D天,指定时间段内,馆藏图书中,同一主题关键词的图书种类数量为S3,S3种图书的复本总数量为F3,借阅次数为C3,F3本同主题关键词图书的借出天数总和为J3,拒借总次数为N3次;
S3、F3、C3、J3和N3均为自然数;
S3、F3、C3、J3、和N3均由馆藏图书的历史信息统计后得到;
关键词效能算法基于历史数据计算出同一主题关键词的单种图书的主题关键词效能XNC3以及同一主题关键词单种图书的复本采购数量MC3;
同一主题关键词单种图书的主题关键词效能XNC3的计算方法是:XNC3={J3+ (J3/C3)×N3}/S3;其中,J3/ C3为平均借阅天数,(J3/ C3)×N3为因拒借而损失的借阅天数;XNC3为实数;
同一主题关键词单种图书的复本采购数量MC3的计算方法是:
该主题关键词的单种图书的平均复本数量PF3=F3/ S3;该主题关键词所有图书的月平均发生的拒借次数为PN3=30×N3/D;
如PN3<1,则待采购书目中该主题关键词的每种图书的复本采购数量MC3= PF3;
如A+1>PN2≥A,则待采购书目中该主题关键词的每种图书的复本采购数量MC3=PF3+A;其中,A为大于等于1的自然数。
中图分类号效能算法是:指定的时间段的天数为D天,指定时间段内,馆藏图书中,同一中图分类号的图书种类数量为S4,S4种图书的复本总数量为F4,借阅次数为C4,F4本同中图分类号图书的借出天数总和为J4,拒借总次数为N4次;
S4、F4、C4、J4和N4均为自然数;S4、F4、C4、J4、和N4均由馆藏图书的历史信息统计后得到;
中图分类号效能算法基于历史数据计算出同一中图分类号的单种图书的效能XN4以及中图分类号图书复本采购数量M4;
同一中图分类号单种图书效能XN4的计算方法是:XN4={J4+ (J4/ C4)×N4}/ S4;其中,J4/ C4为平均借阅天数,(J4/ C4)×N4为因拒借而损失的借阅天数;XN4为实数;
中图分类号单种图书的复本采购数量M4的计算方法是:
该中图分类号的单种图书的平均复本数量PF4=F4/ S4;该中图分类号所有图书的月平均发生的拒借次数为PN4=30×N4/D;
如PN4<1,则待采购书目中该中图分类号的中图分类号图书复本采购数量M4=PF4;
如A+1>PN4≥A,则待采购书目中该中图分类号的中图分类号单种图书的复本采购数量M4= PF4+A;其中,A为大于等于1的自然数。
本发明还公开了使用上述图书采购优化决策系统进行的图书采购优化决策方法,按以下步骤进行:
第一是历史数据计算;
具体是对于采购初步订单数据中的每种图书,将指定的时间段设为一年前至图书馆首次开放日,然后通过历史编目信息效能算法计算出历史数据预测的历史总图书预计效能XNZ1以及历史总建议复本采购数量MZ1;
第二是一年来数据计算;
具体是对于采购初步订单数据中的每种图书,将指定的时间段设为当前日期的前一日至一年前,然后通过历史编目信息效能算法计算出历史数据预测的一年来总图书预计效能XNZ2以及一年来总建议复本采购数量MZ2;
第三是取均值,将0.5×(XNZ1+ XNZ2)作为采购初步订单数据中的该种图书的最终效能值XNZ3,将0.5×(MZ1+ MZ2)作为采购初步订单数据中的该种图书的最终总建议复本采购数量MZ3;
对于采购初步订单数据中的每种图书,均通过第一至第三步骤计算出其最终效能值XNZ3和最终总建议复本采购数量MZ3;
第四是对于采购初步订单数据中的各种图书,按各种图书的最终效能值XNZ3由高向低排列作为采购的优先排序,并按照每种图书的最终总建议复本采购数量MZ3乘以其采购单价得到每种图书的采购费用;
最后,在采购预算的范围内,优先采购最终效能值XNZ3高的图书,每种图书的采购数量为该种图书相应的最终总建议复本采购数量MZ3,MZ3为小数时,采购数量按四舍五入取整数。
本发明具有如下的优点:
本发明中的图书采购优化决策系统和图书采购优化决策方法,基于历史大数据解决了采购何种图书以及每种图书采购几本的问题,使有限的采购经费发挥最大的图书效能,并且从统计学上避免复本数量与借阅需求不相匹配的现象,既防止复本数量过少,又防止复本数量采购过多而浪费经费。相比对现行依靠人工主观决定采购图书种类及复本数量,采用本发明更能发挥出有经费的作用,在有限的经费下实现更大的图书效用。
本发明中的图书采购优化决策方法,既考虑了图书的长期效应(体现在历史数据计算步骤),又考虑了图书的近期效应(体现在一年来数据计算步骤),这种长期效应和短期效应分别计算并取均值的方法,能够兼顾采购图书未来的短期需求和长期需求。
复本采购数量以历史拒借数据为依据,根据历史30天平均拒借次数来确定一种图书的采购复本数,保证30天平均拒借次数不足1次,并针对同一种待采购书籍,将其同一作者单种图书的复本采购数量M1、主题图书复本采购数量M3、出版社单种图书的复本采购数量M2和中图分类号图书复本采购数量M4相加平均后得出一本待采购图书的总采购数量,为图书采购中的图书选择提供统计学上的科学依据,既能够实现图书价值、从统计学上避免复本数量满足不了借阅需求的现象,又防止复本数量采购过多而浪费经费。
借阅天数越长,图书的效能越高;单种图书的效能XN1等于该种图书的期间实际借阅天数加上因拒借而损失的借阅天数,期间越长,历史数据越多,则计算出的图书的效能越准确。本发明基于大数据,通过统计历史数据并进行科学计算(如弥补因拒借而损失的借阅天数),得到科学的单项图书效能值;并针对同一种待采购书籍,将其同一作者单种图书的效能、主题信息效能、出版社信息效能和中图分类号信息效能相加后得出一本待采购图书的总预期效能,为图书采购中的图书选择提供科学依据。
随着图书馆的持续运行,图书馆的历史数据会日益积累增多。图书馆时间越长,本发明所依赖的基础数据越多,则计算所得结果就越准确。
附图说明
图1是本发明的图书采购决策方法的总体流程图。
具体实施方式
如图1所示,本发明提供了一种图书采购优化决策系统,包括电控装置,电控装置连接有显示屏,电控装置内存储有现有馆藏图书数据和采购初步订单数据;图书供应商定期提供图书的电子目录和介绍,图书馆采购工作人员根据电子目录及介绍、或者根据其参加书展的情况,结合读者的需求和学科专业的设置(即采购需求)来确定采购初步订单数据并输入电控装置,此为常规技术,不详述。
采购初步订单数据包括纳入采购范围并待筛选的各种待采购图书的编目信息;现有馆藏图书数据包括图书馆内已有藏书的编目信息以及各种馆藏图书的历史信息;
待采购图书的编目信息和已有藏书的编目信息均包括有但不限于题名(即书名)信息、作者信息(当作者不止一人时,本发明以第一作者的姓名或名称作为作者信息)、出版社信息、主题信息和中图分类号信息,中图分类号是指按中国图书馆分类法对图书进行的分类;主题信息包括若干主题关键词;
各种馆藏图书的历史信息包括各种馆藏图书的复本数量信息、历史出借记录和历史归还记录;
电控装置中存储有历史编目信息效能算法,历史编目信息效能算法针对指定的时间段,指定的时间段具有起始日期和终止日期;
历史编目信息效能算法包括作者信息效能算法、出版社信息效能算法、主题信息效能算法和中图分类号效能算法;
对于采购初步订单数据中的每种图书,按照作者信息效能算法根据种馆藏图书的历史信息计算得到该种图书的作者的图书效能XN1、该种图书的同一作者单种图书的复本(建议)采购数量M1、该种图书的出版社的单种图书效能数据XN2、该种图书的出版社单种图书的复本(建议)采购数量M2、该种图书的主题图书效能数据XN3、该种图书的主题图书复本(建议)采购数量M3和该种图书的中图分类号效能数据XN4以及该种图书的中图分类号图书复本(建议)采购数量M4;
该种图书的总图书预计效能XNZ=XN1+XN2+XN3+XN4;
该种图书的总建议复本采购数量MZ=(M1+M2+M3+M4)/4。MZ为实数,可能不是整数,在图书采购决策方法方法中最终通过四舍五入取整数。其中,电控装置为工控计算机或PLC。
作者信息效能算法是:指定的时间段的天数为D天,指定时间段内,馆藏图书中,同一作者(以第一作者为准)的图书种类数量为S1,S1种图书的复本总数量为F1(如有3种不同题名即书名的图书,3种图书的复本数量之和为6种,这种情况S1=3,F1=6),借阅次数为C1,F1本同作者图书的借出天数总和为J1(天),F1本同作者图书的在馆天数总和为G1天,拒借总次数为N1次;S1、F1、C1、J1和N1以及G1均为自然数;其中,J1+G1=D×F1。书籍的借出日计为借出的第一天,书籍的还书日计入在馆天数。S1、F1、C1、J1、G1和N1均由馆藏图书的历史信息统计后得到;
作者信息效能算法基于历史数据计算出同一作者的单种图书的效能以及同一作者单种图书的复本采购数量;
同一作者单种图书的效能XN1的计算方法是:{XN1=J1+ (J1/ C1)×N1}/ S1;其中,J1/ C1为平均借阅天数,(J1/ C1)×N1为因拒借而损失的借阅天数;XN1为实数;
借阅天数越长,图书的效能越高;单种图书的效能XN1等于该种图书的期间实际借阅天数加上因拒借而损失的借阅天数,期间越长,历史数据越多,则计算出的图书的效能越准确。本发明基于大数据,通过统计历史数据并进行科学计算(如弥补因拒借而损失的借阅天数),得到科学的单项图书效能值;并针对同一种待采购书籍,将其同一作者单种图书的效能、主题信息效能、出版社信息效能和中图分类号信息效能相加后得出一本待采购图书的总预期效能,为图书采购中的图书选择提供科学依据。
同一作者单种图书的复本采购数量M1的计算方法是:
该作者的单种图书的平均复本数量PF1=F1/ S1;
该作者所有图书的月平均发生的拒借次数为PN1=30×N1/D;本发明中,月平均实际上是指30天平均。
如PN1<1,则待采购书目中(即采购初步订单数据范围内图书的编目信息中)该作者对应的M1= PF1;
如A+1>PN1≥A,则待采购书目中该作者的每种图书的复本采购数量M1= PF1+A;其中,A为大于等于1的自然数。
复本采购数量以历史拒借数据为依据,根据历史30天平均拒借次数来确定一种图书的采购复本数,保证30天平均拒借次数不足1次,并针对同一种待采购书籍,将其同一作者单种图书的复本采购数量M1、主题图书复本采购数量M3、出版社单种图书的复本采购数量M2和中图分类号图书复本采购数量M4相加平均后得出一本待采购图书的总采购数量,为图书采购中的图书选择提供统计学上的科学依据,既能够实现图书价值、从统计学上避免复本数量满足不了借阅需求的现象,又防止复本数量采购过多而浪费经费。“保证30天平均拒借次数不足1次”是根据图书馆管理目标确定的数据,本领域技术人员可以根据情况调节这一目标数据,如果更重视降低图书拒借率(N1/D),则调高目标中的天数,如“保证50天平均拒借次数不足1次”;如果更重视降低图书闲置率(G1/J1),则降低目标中的天数,如“保证20天平均拒借次数不足1次”。总体来看,“30天平均拒借次数不足1次”的目标平衡了图书拒借率和图书闲置率两种相反的目标追求,当然本领域技术人员可能根以不同图书馆的管理目标来进行不同的目标设定。
出版社信息效能算法是:指定的时间段的天数为D天,指定时间段内,馆藏图书中,同一出版社的图书种类数量为S2,S2种图书的复本总数量为F2,借阅次数为C2,F2本同出版社图书的借出天数总和为J2(天),F2本同出版社图书的在馆天数总和为G2天,拒借总次数为N2次;其中,J2+G2=D×F2。
S2、F2、C2、J2和N2以及G2均为自然数;S2、F2、C2、J2、G2和N2均由馆藏图书的历史信息统计后得到;
出版社信息效能算法基于历史数据计算出同一出版社的单种图书的效能XN2以及出版社单种图书的复本采购数量M2;
同一出版社单种图书效能XN2的计算方法是:XN2={J2+ (J2/ C2)×N2}/ S2;其中,J2/ C2为平均借阅天数,(J2/ C2)×N2为因拒借而损失的借阅天数;XN2为实数;
出版社单种图书的复本采购数量M2的计算方法是:
该出版社的单种图书的平均复本数量PF2=F2/ S2; (PF2为实数,可以带有小数)
该出版社所有图书的月平均发生的拒借次数为PN2=30×N2/D;(本发明中,月平均实际上是指30天平均。)
如PN2<1,则待采购书目中(即待采购图书的编目信息中)该出版社的出版社单种图书的复本采购数量M2= PF2;
如A+1>PN2≥A,则待采购书目中该出版社的出版社单种图书的复本采购数量M2=PF2+A;其中,A为大于等于1的自然数。
主题信息效能算法是:
第一针对所有馆藏图书的每一个主题关键词,通过关键词效能算法计算其各主题关键词效能XNC3,然后计算出所有主题关键词的平均效能CPJ;馆藏图书的主题关键词的数量为SS,CPJ=各主题关键词效能XNC3之和/SS;
第二是针对采购初步订单数据中的每一种图书,首先检索其各主题关键词是否是馆藏图书中的已有主题关键词;将存在于馆藏图书中的已有主题关键词称为已知关键词(已知关键词的主题关键词效能在上一步中已计算得出),将尚未存在于馆藏图书中的主题关键词称为未知关键词;对于未知关键词,令其主题关键词效能等于CPJ(使偏差值尽可能得小);
第三是针对采购初步订单数据中的每一种图书,将该种图书的各主题关键词效能相加后求均值(各已知关键词的XNC3值相加,然后有几个未知关键词就加几个CPJ,最后除以该种图书的主题关键词的数量,)得到该种图书的各主题关键词效能的均值并作为该种图书的主题图书效能数据XN3;
第四是针对所有馆藏图书的每一个主题关键词,通过关键词效能算法计算其各同一主题关键词单种图书的复本采购数量MC3,然后计算馆藏图书的各主题关键词的平均复本采购数量SPJ;SPJ=各主题关键词对应的MC3值之和/ SS;
第五是针对采购初步订单数据中的每一种图书,对于未知关键词,令其同一主题关键词单种图书的复本采购数量MC3等于SPJ;
第六是针对采购初步订单数据中的每一种图书,将该种图书的各主题关键词对应的MC3值相加后除以该种图书的主题关键词的数量,得到该种图书的主题图书复本采购数量M3;
关键词效能算法是:
指定的时间段的天数为D天,指定时间段内,馆藏图书中,同一主题关键词的图书种类数量为S3,S3种图书的复本总数量为F3,借阅次数为C3,F3本同主题关键词图书的借出天数总和为J3(天),F3本同主题关键词图书的在馆天数总和为G3天,拒借总次数为N3次;其中,J3+G3=D×F3。
S3、F3、C3、J3和N3以及G3均为自然数;
S3、F3、C3、J3、G3和N3均由馆藏图书的历史信息统计后得到;
关键词效能算法基于历史数据计算出同一主题关键词的单种图书的主题关键词效能XNC3以及同一主题关键词单种图书的复本采购数量MC3;
同一主题关键词单种图书的主题关键词效能XNC3的计算方法是:XNC3={J3+ (J3/C3)×N3}/S3;其中,J3/ C3为平均借阅天数,(J3/ C3)×N3为因拒借而损失的借阅天数;XNC3为实数;
同一主题关键词单种图书的复本采购数量MC3的计算方法是:
该主题关键词的单种图书的平均复本数量PF3=F3/ S3; PF3为实数,可以带有小数。
该主题关键词所有图书的月平均发生的拒借次数为PN3=30×N3/D;本发明中,月平均实际上是指30天平均。
如PN3<1,则待采购书目中(即待采购图书的编目信息中)该主题关键词的每种图书的复本采购数量MC3= PF3;
如A+1>PN2≥A,则待采购书目中该主题关键词的每种图书的复本采购数量MC3=PF3+A;其中,A为大于等于1的自然数。
中图分类号效能算法是:指定的时间段的天数为D天,指定时间段内,馆藏图书中,同一中图分类号(以第一中图分类号为准)的图书种类数量为S4,S4种图书的复本总数量为F4,借阅次数为C4,F4本同中图分类号图书的借出天数总和为J4(天),F4本同中图分类号图书的在馆天数总和为G4天,拒借总次数为N4次;其中,J4+G4=D×F4。
S4、F4、C4、J4和N4以及G4均为自然数;
S4、F4、C4、J4、、G4和N4均由馆藏图书的历史信息统计后得到;
中图分类号效能算法基于历史数据计算出同一中图分类号的单种图书的效能XN4以及中图分类号图书复本采购数量M4;
同一中图分类号单种图书效能XN4的计算方法是:XN4={J4+ (J4/ C4)×N4}/ S4;其中,J4/ C4为平均借阅天数,(J4/ C4)×N4为因拒借而损失的借阅天数;XN4为实数;
中图分类号单种图书的复本采购数量M4的计算方法是:
该中图分类号的单种图书的平均复本数量PF4=F4/ S4; PF4为实数,可以带有小数。
该中图分类号所有图书的月平均发生的拒借次数为PN4=30×N4/D;本发明中,月平均实际上是指30天平均。
如PN4<1,则待采购书目中(即待采购图书的编目信息中)该中图分类号的中图分类号图书复本采购数量M4= PF4;
如A+1>PN4≥A,则待采购书目中该中图分类号的中图分类号单种图书的复本采购数量M4= PF4+A;其中,A为大于等于1的自然数。
如图1所示,本发明还公开了使用上述图书采购优化决策系统进行的图书采购优化决策方法,按以下步骤进行:
第一是历史数据计算;
具体是对于采购初步订单数据中的每种图书,将指定的时间段设为一年前至图书馆首次开放日(比如,当前日期为2022年4月10日,则指定的时间段为2021年4月10日至图书馆首次开放日),然后通过历史编目信息效能算法计算出历史数据预测的历史总图书预计效能XNZ1以及历史总建议复本采购数量MZ1;
第二是一年来数据计算;
具体是对于采购初步订单数据中的每种图书,将指定的时间段设为当前日期的前一日至一年前(比如,当前日期为2022年4月10日,则指定的时间段为2021年4月10日至2022年4月9日),然后通过历史编目信息效能算法计算出历史数据预测的一年来总图书预计效能XNZ2以及一年来总建议复本采购数量MZ2;
第三是取均值,将0.5×(XNZ1+ XNZ2)作为采购初步订单数据中的该种图书的最终效能值XNZ3,将0.5×(MZ1+ MZ2)作为采购初步订单数据中的该种图书的最终总建议复本采购数量MZ3;
对于采购初步订单数据中的每种图书,均通过第一至第三步骤计算出其最终效能值XNZ3和最终总建议复本采购数量MZ3;
第四是对于采购初步订单数据中的各种图书,按各种图书的最终效能值XNZ3由高向低排列作为采购的优先排序,并按照每种图书的最终总建议复本采购数量MZ3乘以其采购单价得到每种图书的采购费用;
最后,在采购预算的范围内,优先采购最终效能值XNZ3高的图书,每种图书的采购数量为该种图书相应的最终总建议复本采购数量MZ3。MZ3为小数时,按四舍五入取整数。如,MZ3=2.2时,采购数量为2;MZ3=2.8时,采购数量为3。
本发明中的图书采购优化决策系统和图书采购优化决策方法,基于历史大数据解决了采购何种图书以及每种图书采购几本的问题,使有限的采购经费发挥最大的图书效能,并且从统计学上避免复本数量与借阅需求不相匹配的现象,既防止复本数量过少,又防止复本数量采购过多而浪费经费。
本发明中的图书采购优化决策方法,既考虑了图书的长期效应(体现在历史数据计算步骤),又考虑了图书的近期效应(体现在一年来数据计算步骤),这种长期效应和短期效应分别计算并取均值的方法,能够兼顾采购图书未来的短期需求和长期需求。
在本发明公开的技术思路以及具体内容的指引下,本领域技术人员有能力对算法进行优化和程序化(可使用不同编程语言编写不同的程序代码,实现本发明指出的运算目标),从而利用电控装置(工控计算机或PLC)自动运行并计算出决策结果,解决本发明所要解决的技术问题。
以上实施例仅用以说明而非限制本发明的技术方案,尽管参照上述实施例对本发明进行了详细说明,本领域的普通技术人员应当理解:依然可以对本发明进行修改或者等同替换,而不脱离本发明的精神和范围的任何修改或局部替换,其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.图书采购优化决策系统,包括电控装置,电控装置连接有显示屏,其特征在于:电控装置内存储有现有馆藏图书数据和采购初步订单数据;
采购初步订单数据包括纳入采购范围并待筛选的各种待采购图书的编目信息;
现有馆藏图书数据包括图书馆内已有藏书的编目信息以及各种馆藏图书的历史信息;
待采购图书的编目信息和已有藏书的编目信息均包括有题名信息、作者信息、出版社信息、主题信息和中图分类号信息;主题信息包括若干主题关键词;
各种馆藏图书的历史信息包括各种馆藏图书的复本数量信息、历史出借记录和历史归还记录;
电控装置中存储有历史编目信息效能算法,历史编目信息效能算法针对指定的时间段,指定的时间段具有起始日期和终止日期;
历史编目信息效能算法包括作者信息效能算法、出版社信息效能算法、主题信息效能算法和中图分类号效能算法;
对于采购初步订单数据中的每种图书,按照作者信息效能算法根据种馆藏图书的历史信息计算得到该种图书的作者的图书效能XN1、该种图书的同一作者单种图书的复本采购数量M1、该种图书的出版社的单种图书效能数据XN2、该种图书的出版社单种图书的复本采购数量M2、该种图书的主题图书效能数据XN3、该种图书的主题图书复本采购数量M3和该种图书的中图分类号效能数据XN4以及该种图书的中图分类号图书复本采购数量M4;
该种图书的总图书预计效能XNZ=XN1+XN2+XN3+XN4;
该种图书的总建议复本采购数量MZ=(M1+M2+M3+M4)/4。
2.根据权利要求1所述的图书采购优化决策系统,其特征在于:
作者信息效能算法是:指定的时间段的天数为D天,指定时间段内,馆藏图书中,同一作者的图书种类数量为S1,S1种图书的复本总数量为F1,借阅次数为C1,F1本同作者图书的借出天数总和为J1,拒借总次数为N1次;S1、F1、C1、J1和N1均为自然数;
S1、F1、C1、J1和N1均由馆藏图书的历史信息统计后得到;
作者信息效能算法基于历史数据计算出同一作者的单种图书的效能以及同一作者单种图书的复本采购数量;
同一作者单种图书的效能XN1的计算方法是:{XN1=J1+ (J1/ C1)×N1}/ S1;其中,J1/C1为平均借阅天数,(J1/ C1)×N1为因拒借而损失的借阅天数;XN1为实数;
同一作者单种图书的复本采购数量M1的计算方法是:
该作者的单种图书的平均复本数量PF1=F1/ S1;
该作者所有图书的月平均发生的拒借次数为PN1=30×N1/D;
如PN1<1,则待采购书目中该作者对应的M1= PF1;
如A+1>PN1≥A,则待采购书目中该作者的每种图书的复本采购数量M1= PF1+A;其中,A为大于等于1的自然数。
3.根据权利要求2所述的图书采购优化决策系统,其特征在于:
出版社信息效能算法是:指定的时间段的天数为D天,指定时间段内,馆藏图书中,同一出版社的图书种类数量为S2,S2种图书的复本总数量为F2,借阅次数为C2,F2本同出版社图书的借出天数总和为J2,拒借总次数为N2次;
S2、F2、C2、J2和N2均为自然数;S2、F2、C2、J2、和N2均由馆藏图书的历史信息统计后得到;
出版社信息效能算法基于历史数据计算出同一出版社的单种图书的效能XN2以及出版社单种图书的复本采购数量M2;
同一出版社单种图书效能XN2的计算方法是:XN2={J2+ (J2/ C2)×N2}/ S2;其中,J2/C2为平均借阅天数,(J2/ C2)×N2为因拒借而损失的借阅天数;XN2为实数;
出版社单种图书的复本采购数量M2的计算方法是:
该出版社的单种图书的平均复本数量PF2=F2/ S2;该出版社所有图书的月平均发生的拒借次数为PN2=30×N2/D;
如PN2<1,则待采购书目中该出版社的出版社单种图书的复本采购数量M2= PF2;
如A+1>PN2≥A,则待采购书目中该出版社的出版社单种图书的复本采购数量M2= PF2+A;其中,A为大于等于1的自然数。
4.根据权利要求3所述的图书采购优化决策系统,其特征在于:
主题信息效能算法是:
第一针对所有馆藏图书的每一个主题关键词,通过关键词效能算法计算其各主题关键词效能XNC3,然后计算出所有主题关键词的平均效能CPJ;馆藏图书的主题关键词的数量为SS,CPJ=各主题关键词效能XNC3之和/SS;
第二是针对采购初步订单数据中的每一种图书,首先检索其各主题关键词是否是馆藏图书中的已有主题关键词;将存在于馆藏图书中的已有主题关键词称为已知关键词,将尚未存在于馆藏图书中的主题关键词称为未知关键词;对于未知关键词,令其主题关键词效能等于CPJ;
第三是针对采购初步订单数据中的每一种图书,将该种图书的各主题关键词效能相加后求均值得到该种图书的各主题关键词效能的均值并作为该种图书的主题图书效能数据XN3;
第四是针对所有馆藏图书的每一个主题关键词,通过关键词效能算法计算其各同一主题关键词单种图书的复本采购数量MC3,然后计算馆藏图书的各主题关键词的平均复本采购数量SPJ;SPJ=各主题关键词对应的MC3值之和/ SS;
第五是针对采购初步订单数据中的每一种图书,对于未知关键词,令其同一主题关键词单种图书的复本采购数量MC3等于SPJ;
第六是针对采购初步订单数据中的每一种图书,将该种图书的各主题关键词对应的MC3值相加后除以该种图书的主题关键词的数量,得到该种图书的主题图书复本采购数量M3;
关键词效能算法是:
指定的时间段的天数为D天,指定时间段内,馆藏图书中,同一主题关键词的图书种类数量为S3,S3种图书的复本总数量为F3,借阅次数为C3,F3本同主题关键词图书的借出天数总和为J3,拒借总次数为N3次;
S3、F3、C3、J3和N3均为自然数;
S3、F3、C3、J3、和N3均由馆藏图书的历史信息统计后得到;
关键词效能算法基于历史数据计算出同一主题关键词的单种图书的主题关键词效能XNC3以及同一主题关键词单种图书的复本采购数量MC3;
同一主题关键词单种图书的主题关键词效能XNC3的计算方法是:XNC3={J3+ (J3/ C3)×N3}/S3;其中,J3/ C3为平均借阅天数,(J3/ C3)×N3为因拒借而损失的借阅天数;XNC3为实数;
同一主题关键词单种图书的复本采购数量MC3的计算方法是:
该主题关键词的单种图书的平均复本数量PF3=F3/ S3;该主题关键词所有图书的月平均发生的拒借次数为PN3=30×N3/D;
如PN3<1,则待采购书目中该主题关键词的每种图书的复本采购数量MC3= PF3;
如A+1>PN2≥A,则待采购书目中该主题关键词的每种图书的复本采购数量MC3= PF3+A;其中,A为大于等于1的自然数。
5.根据权利要求4所述的图书采购优化决策系统,其特征在于:
中图分类号效能算法是:指定的时间段的天数为D天,指定时间段内,馆藏图书中,同一中图分类号的图书种类数量为S4,S4种图书的复本总数量为F4,借阅次数为C4,F4本同中图分类号图书的借出天数总和为J4,拒借总次数为N4次;
S4、F4、C4、J4和N4均为自然数;S4、F4、C4、J4、和N4均由馆藏图书的历史信息统计后得到;
中图分类号效能算法基于历史数据计算出同一中图分类号的单种图书的效能XN4以及中图分类号图书复本采购数量M4;
同一中图分类号单种图书效能XN4的计算方法是:XN4={J4+ (J4/ C4)×N4}/ S4;其中,J4/ C4为平均借阅天数,(J4/ C4)×N4为因拒借而损失的借阅天数;XN4为实数;
中图分类号单种图书的复本采购数量M4的计算方法是:
该中图分类号的单种图书的平均复本数量PF4=F4/ S4;该中图分类号所有图书的月平均发生的拒借次数为PN4=30×N4/D;
如PN4<1,则待采购书目中该中图分类号的中图分类号图书复本采购数量M4= PF4;
如A+1>PN4≥A,则待采购书目中该中图分类号的中图分类号单种图书的复本采购数量M4= PF4+A;其中,A为大于等于1的自然数。
6.使用权利要求5中所述图书采购优化决策系统进行的图书采购优化决策方法,其特征在于按以下步骤进行:
第一是历史数据计算;
具体是对于采购初步订单数据中的每种图书,将指定的时间段设为一年前至图书馆首次开放日,然后通过历史编目信息效能算法计算出历史数据预测的历史总图书预计效能XNZ1以及历史总建议复本采购数量MZ1;
第二是一年来数据计算;
具体是对于采购初步订单数据中的每种图书,将指定的时间段设为当前日期的前一日至一年前,然后通过历史编目信息效能算法计算出历史数据预测的一年来总图书预计效能XNZ2以及一年来总建议复本采购数量MZ2;
第三是取均值,将0.5×(XNZ1+ XNZ2)作为采购初步订单数据中的该种图书的最终效能值XNZ3,将0.5×(MZ1+ MZ2)作为采购初步订单数据中的该种图书的最终总建议复本采购数量MZ3;
对于采购初步订单数据中的每种图书,均通过第一至第三步骤计算出其最终效能值XNZ3和最终总建议复本采购数量MZ3;
第四是对于采购初步订单数据中的各种图书,按各种图书的最终效能值XNZ3由高向低排列作为采购的优先排序,并按照每种图书的最终总建议复本采购数量MZ3乘以其采购单价得到每种图书的采购费用;
最后,在采购预算的范围内,优先采购最终效能值XNZ3高的图书,每种图书的采购数量为该种图书相应的最终总建议复本采购数量MZ3,MZ3为小数时,采购数量按四舍五入取整数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110392647.3A CN113065711B (zh) | 2021-04-13 | 2021-04-13 | 图书采购优化决策系统及图书采购决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110392647.3A CN113065711B (zh) | 2021-04-13 | 2021-04-13 | 图书采购优化决策系统及图书采购决策方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113065711A true CN113065711A (zh) | 2021-07-02 |
CN113065711B CN113065711B (zh) | 2023-05-12 |
Family
ID=76566482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110392647.3A Active CN113065711B (zh) | 2021-04-13 | 2021-04-13 | 图书采购优化决策系统及图书采购决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113065711B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWM306699U (en) * | 2006-07-21 | 2007-02-21 | Bookhous Culture & Science Tec | Book electronic recommendation operation control system |
CN101751624A (zh) * | 2010-01-05 | 2010-06-23 | 南京邮电大学 | 基于图书使用因子的图书效用评价方法 |
KR20150008218A (ko) * | 2013-07-10 | 2015-01-22 | 조재원 | 구매요청도서 마크 데이터 구축방법 |
KR20150008212A (ko) * | 2013-07-10 | 2015-01-22 | 조문환 | 구매요청도서 마크 데이터 구축방법 |
CN106095949A (zh) * | 2016-06-14 | 2016-11-09 | 东北师范大学 | 一种基于混合推荐的数字化图书馆资源个性化推荐方法与系统 |
CN107025525A (zh) * | 2017-04-19 | 2017-08-08 | 河南工程学院 | 一种图书馆可借出图书影响因子的计算方法 |
CN109408600A (zh) * | 2018-09-25 | 2019-03-01 | 浙江工业大学 | 一种基于数据挖掘的图书荐购方法 |
CN110647616A (zh) * | 2019-09-17 | 2020-01-03 | 昆明允公科技有限公司 | 一种云上图书管理平台及其管理方法 |
KR20210000150A (ko) * | 2019-06-24 | 2021-01-04 | 이성수 | 출판예정 전자책의 유통방법 및 장치 |
CN112395477A (zh) * | 2020-11-19 | 2021-02-23 | 广东省立中山图书馆(广东省古籍保护中心) | 一种图书联合采选的方法及系统 |
-
2021
- 2021-04-13 CN CN202110392647.3A patent/CN113065711B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWM306699U (en) * | 2006-07-21 | 2007-02-21 | Bookhous Culture & Science Tec | Book electronic recommendation operation control system |
CN101751624A (zh) * | 2010-01-05 | 2010-06-23 | 南京邮电大学 | 基于图书使用因子的图书效用评价方法 |
KR20150008218A (ko) * | 2013-07-10 | 2015-01-22 | 조재원 | 구매요청도서 마크 데이터 구축방법 |
KR20150008212A (ko) * | 2013-07-10 | 2015-01-22 | 조문환 | 구매요청도서 마크 데이터 구축방법 |
CN106095949A (zh) * | 2016-06-14 | 2016-11-09 | 东北师范大学 | 一种基于混合推荐的数字化图书馆资源个性化推荐方法与系统 |
CN107025525A (zh) * | 2017-04-19 | 2017-08-08 | 河南工程学院 | 一种图书馆可借出图书影响因子的计算方法 |
CN109408600A (zh) * | 2018-09-25 | 2019-03-01 | 浙江工业大学 | 一种基于数据挖掘的图书荐购方法 |
KR20210000150A (ko) * | 2019-06-24 | 2021-01-04 | 이성수 | 출판예정 전자책의 유통방법 및 장치 |
CN110647616A (zh) * | 2019-09-17 | 2020-01-03 | 昆明允公科技有限公司 | 一种云上图书管理平台及其管理方法 |
CN112395477A (zh) * | 2020-11-19 | 2021-02-23 | 广东省立中山图书馆(广东省古籍保护中心) | 一种图书联合采选的方法及系统 |
Non-Patent Citations (1)
Title |
---|
余育仁 等: ""电子书资源查重系统"", 《图书馆杂志》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113065711B (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Valenduc et al. | Digitalisation, between disruption and evolution | |
Naylor et al. | A survey of users of corporate planning models | |
CN110298539A (zh) | 任务数据处理方法、装置、计算机设备及存储介质 | |
Gabrielli et al. | Mitigating financial risk of corporate power purchase agreements via portfolio optimization | |
Olsson et al. | On the need for iterative real estate project models–Applying agile methods in real estate developments | |
CN109101493A (zh) | 一种基于对话机器人的智能购房助手 | |
CN112559895B (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
CN108959580A (zh) | 一种标签数据的优化方法及系统 | |
Becker et al. | Strategic ramp-up planning in automotive production networks | |
Chen et al. | The maximum of randomly weighted sums with long tails in insurance and finance | |
CN111191123A (zh) | 业务信息推送方法、装置、可读存储介质和计算机设备 | |
CN110533298A (zh) | 一种基于rfid电网资产帐卡物一致的设备管理方法及系统 | |
CN108319612A (zh) | 受众媒体推荐方法和系统 | |
CN110969501A (zh) | 网络购物车页面的显示方法、系统、设备和存储介质 | |
CN113065711A (zh) | 图书采购优化决策系统及图书采购决策方法 | |
KR100669971B1 (ko) | 검색 서비스 제공 방법 및 상기 방법을 수행하는 검색시스템 | |
CN109345175B (zh) | 基于司机匹配度的货源推送方法、系统、设备及存储介质 | |
CN110162607B (zh) | 一种基于卷积神经网络的政府组织公文信息追溯方法及装置 | |
Nduhura et al. | Lighting Cities: The Application of Public Private Partnerships to Light Up East African Cities | |
CN113379386B (zh) | 一种基于多阶段采样的任务分配与定价方法 | |
CN114862104A (zh) | 天然气配气方法、电子设备及计算机可读存储介质 | |
Yang | An active recommendation approach to improve book-acquisition process | |
He et al. | Tourism Demand Forecasting Considering Environmental Factors: A Case Study for Chengdu Research Base of Giant Panda Breeding | |
CN114519529A (zh) | 基于卷积自编码器的企业信用评级方法、设备及介质 | |
CN113343681A (zh) | 企业金融服务推送方法及装置 |
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 |