CN113781188B - 一种计算机实施的竞标方法、计算机设备及存储介质 - Google Patents
一种计算机实施的竞标方法、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113781188B CN113781188B CN202110928542.5A CN202110928542A CN113781188B CN 113781188 B CN113781188 B CN 113781188B CN 202110928542 A CN202110928542 A CN 202110928542A CN 113781188 B CN113781188 B CN 113781188B
- Authority
- CN
- China
- Prior art keywords
- bidding
- bid
- parameters
- catboost
- regression model
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000012360 testing method Methods 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000002349 favourable effect Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 239000000047 product Substances 0.000 description 17
- 238000004891 communication Methods 0.000 description 9
- 238000007726 management method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000009471 action Effects 0.000 description 6
- 230000002452 interceptive effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 208000021825 aldosterone-producing adrenal cortex adenoma Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种计算机实施的竞标方法、计算机设备及存储介质。在一个具体实施方式中,该方法包括:利用历史竞标数据集对CatBoost回归模型进行训练,其中所述历史竞标数据集包括作为所述模型的输入的竞标配置参数以及作为所述模型输出的初始出价与最终出价的差值;将当前竞标基本参数输入训练好的CatBoost回归模型,输出优化的竞标配置参数的值,以供配置针对竞标参与者的竞标规则。该实施方式可使得采购人员以较低的价格采购到所需产品,从而节省采购成本。
Description
技术领域
本发明涉及竞标领域,更具体地,涉及一种计算机实施的竞标方法、计算机设备及存储介质。
背景技术
竞标是指在交易市场组织下,买方或卖方通过交易市场现货竞标交易系统,将可供需商品的品牌、规格等主要属性和交货地点、交货时间、数量、底价等信息对外发布要约,由符合资格的对手方自主加价或减价,按照“价格优先”的原则,在规定时间内以最高买价或最低卖价成交并通过交易市场签订电子购销合同,按合同约定进行实物交收的交易方式。
例如在采购场景下,采购方希望最终价越低越好。相反,在拍卖场景下,拍卖方希望最终价越高越好。然而,影响竞标的因素有很多,例如竞标类型,竞标时长等,由于参数众多,所以很难达到采购方/拍卖方预期的最终价。
发明内容
本发明的一个目的在于提供一种计算机实施的竞标方法、计算机设备及存储介质,解决以上技术问题。
为达到上述目的,本发明采用下述技术方案:
本发明第一方面提供一种计算机实施的竞标方法,包括:
利用历史竞标数据集对CatBoost回归模型进行训练,其中所述历史竞标数据集包括作为所述模型的输入的竞标配置参数以及作为所述模型输出的初始出价与最终出价的差值;
将当前竞标基本参数输入训练好的CatBoost回归模型,输出优化的竞标配置参数的值,以供配置针对竞标参与者的竞标规则。
在一个具体示例中,所述竞标配置参数为X(x1,x2,xi,xi+1,…,xN),其中,1≤i≤N,其中N为竞标配置参数的个数,
其中,
x1至xi为竞标基本参数,至少包括竞标参与者信息及竞标标的信息;
xi+1至xN为竞标优化参数,至少包括竞标时长以及每次竞标的价格变化步长。
在一个具体示例中,所述竞标参与者信息包括竞标参与者数量、每个竞标参与者的身份信息、每个竞标参与者提供的初始出价以及竞标参与者中没有提供初始出价的数量中的一个或多个;
所述竞标标的信息包括竞标标的名称、竞标所属地区、竞标标的数量以及预设竞标预算中的一个或多个。
在一个具体示例中,所述竞标优化参数还包括表征竞标参与者是否可以看到彼此排名的参数、表征出现意外情况时是否允许补时的参数、表征补时时间的参数及表征是否向竞标参与者显示最低竞标的参数中的一个或多个。
在一个具体示例中,所述利用历史竞标数据集对CatBoost回归模型进行训练,包括:
将历史竞标数据集A分为训练集B和测试集C,其中A=B∪C,其中训练集B和测试集C包括正样本和负样本,并且训练集B和测试集C中正样本和负样本的比例一致;
使用训练集B训练所述CatBoost回归模型;
使用测试集C对所述CatBoost回归模型进行验证,得到训练好的CatBoost回归模型。
在一个具体示例中,所述使用训练集B训练所述CatBoost回归模型,包括:
将历史竞标配置参数作为输入,对应的历史初始出价与历史最终出价的差值作为输出,对所述模型的默认参数进行权重评估,从而得到模型参数矩阵,其中所述模型参数矩阵中的参数按照权重从高到低进行排序。
在一个具体示例中,所述模型参数矩阵包括学习率learning_rate、树最大深度max_depth、最大决策树数目iterations、L2正则化系数l2_leaf_reg、损失函数loss_function、数值特征分割数border_count以及类别特征分割数ctr_border_count中的一个或多个。
在一个具体示例中,所述使用测试集C对所述CatBoost回归模型进行验证,得到训练好的CatBoost回归模型,包括:
将测试集C输入根据所述模型参数矩阵的所述回归模型,得到预测差值;
基于Catboost回归模型的适应度值,分析所述预测差值与所述历史竞标差值的关系,从而得到所述训练好的CatBoost回归模型,其中所述适应度值为AUC值、均方误差根或决定系数R的平方。
在一个具体示例中,所述将当前竞标基本参数输入训练好的CatBoost回归模型,输出优化的竞标配置参数的值,包括:
根据输入的当前竞标基本参数,得到所述竞标配置参数的值的所有组合;
将每种组合作为所述训练好的CatBoost回归模型的输入,得到对应的初始出价与最终出价的差值;
比较所有对应的初始出价与最终出价的差值,得到最大差值,从而得到所述最大差值对应的竞标配置参数的值作为所述优化的竞标配置参数的值而输出。
本发明第二方面提供一种计算机实施的竞标方法,包括:
接收根据本发明第一方面所述的方法得到的所述优化的竞标配置参数的值;
响应于竞标组织者基于所述优化的竞标配置参数的值的配置动作,在竞标系统的竞标参与者界面上呈现竞标配置参数的选项,其中所述选项仅包含所述优化的竞标配置参数的值。
本发明第三方面提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如本发明第一方面所述的方法。
本发明第四方面提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明第一方面所述的方法。
本发明第五方面提供一种计算机设备,包括竞标管理系统,所述竞标管理系统被配置为:
接收根据本发明第一方面所述的方法得到的所述优化的竞标配置参数的值;
在竞标管理系统的竞标参与者界面上呈现竞标配置参数,其中所述竞标配置参数的值为所述优化的竞标配置参数的值。
本发明第六方面提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明第二方面所述的方法。
本发明第七方面提供一种竞标系统,包括:
根据本发明第三方面提供的计算机设备;
根据本发明第五方面提供的计算机设备。
本发明的有益效果如下:
本发明所述技术方案,利用历史竞标数据集对CatBoost回归模型进行训练,之后将当前竞标基本参数输入训练好的CatBoost回归模型,以获得模型输出的优化的竞标配置参数的值,根据所述优化的竞标配置参数的值配置针对竞标参与者的竞标规则,可使得拍卖方或采购方以有利于自身的价格完成竞标。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明。
图1示出根据本申请的一个实施例的实现本发明方法的硬件架构图。
图2示出根据本申请实施例的计算机实施的竞标方法的流程图。
图3示出本申请实施例的竞标配置参数中的竞标基本参数的显示界面示意图。
图4示出本申请实施例的竞标配置参数中的竞标优化参数的显示界面示意图。
图5示出实现本发明实施例提供的方法的计算机系统的结构示意图。
具体实施方式
为了更清楚地说明本发明,下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解,下面所具体描述的内容是说明性的而非限制性的,不应以此限制本发明的保护范围。
本发明的一个实施例以采购场景为例进行说明。
在正规的采购流程中,采购方需要创建一个竞标事项,这可以通过商用采购管理软件,例如Ariba采购管理系统来实现。具体地,在创建竞标事项之前,采购方的业务人员和多个潜在供应商(竞标参与者)线下联系过货物和初始出价(first quote),初始出价中最低的称为最佳初始出价(best first quote)。这个价格是竞标时的初始设定价格。
之后,采购方在如图1所示的用户端101上输入账户信息(用户名和密码),经由网络103登入计算机设备107中的采购管理系统,录入竞标的标的信息(例如采购的产品名称等)、供应商信息(例如名称、银行账户信息等),并且需要人工配置竞标配置参数,例如采购类型,竞标时长的具体值等。在配置好这些参数后,就可以生成一个竞标订单,系统会自动发给对应的供应商。供应商收到消息后按照竞标日期通过各自的账户登录采购管理系统进行竞标,供应商在线上竞标时从初始出价(更优选地,从最佳初始出价)往下出价,直至竞标时间结束,出价最低的获得此标。
这人工设置竞标配置参数过程中,由于参数众多,人工配置往往不能最优化采购参数,导致公司以过高价格完成采购流程。
实施例一
为此,本发明实施例提出了一种计算机实施的竞标方法。在一个实施例中,该竞标方法可以实现在如图1的硬件架构上。
计算机设备105中设置有竞标配置参数优化模型,在本发明的实施例中,使用基于深度学习框架的CatBoost回归模型(CatBoostRegressor),用于对竞标配置参数进行优化。进而,该模型将优化的配置参数经由网络103提供给采购方,由采购方在计算机设备107中安装的采购管理系统中按照优化后的配置参数值进行设置。
其中,网络103是用以在用户端101和计算机设备105和107之间提供通信链路的介质。网络103可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等。
用户端101可以是具有显示屏的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等。
计算机设备105、107可以是任何具有处理器和存储器的设备,例如服务器。
需要说明的是,图1中的用户端、网络和计算机设备的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
本发明提供了一种计算机实施的竞标方法,在一个具体示例中,采购的产品种类可以为实物产品,例如数码产品、教学用品、通讯设备、家具家电等,也可以是一种服务,例如法律服务等,本发明对此不作限定。
如图2所示,该方法包括如下步骤:
S10、利用历史竞标数据集对CatBoost回归模型进行训练,其中所述历史竞标数据集包括作为所述模型的输入的竞标配置参数以及作为所述模型输出的初始出价与最终出价的差值。
为了使用CatBoost回归模型进行预测,需要对其先进行训练。
CatBoost回归模型可以采用任何合适的数据集训练而成。本实施例中,所述CatBoost回归模型采用历史竞标数据集训练而成,所述历史竞标数据集包括作为所述模型的输入的竞标配置参数以及作为所述模型输出的初始出价(若初始出价中存在最低值,则以该最低值作为初始出价)与最终出价的差值(若最终出价中存在最低值,则以该最低值作为最终出价)。
在一种可能的实现方式中,所述竞标配置参数包括N个,以N维向量表示:X(x1,x2,xi,xi+1,…,xN),其中,1≤i≤N。
其中,x1至xi为竞标基本参数,至少包括竞标标的信息及竞标参与者(供应商)信息。
在一个示例中,所述竞标标的信息包括如下中一个或多个:竞标标的名称、竞标所属地区、竞标标的数量以及预设竞标预算。
在一个示例中,所述竞标参与者信息包括如下中的一个或多个:竞标参与者数量、每个竞标参与者的身份信息、每个竞标参与者提供的初始出价以及竞标参与者中没有提供初始出价的数量。
其中,xi+1至xN为竞标优化参数,例如包括竞标时长和每次竞标的价格变化步长。
在一个具体示例中,历史竞标数据可以从互联网上获取,例如通过爬虫技术获取。
然而,从互联网获取的数据往往格式不规范,不符合上述历史数据的格式定义,例如各个领域的数据格式不一致,另外,这些数据例如缺少某些关键信息(例如最终出价)。所以,在对模型进行训练之前,该方法还包括对获取的数据进行清洗的步骤。
可选地,对各个历史数据下缺失的信息补充完整。在一个具体示例中,如果某一历史下的信息缺失量超过一半,则删除该历史数据;如果该历史数据下的信息缺失量未超过一半,则使用该历史数据下该信息的平均数、中位数或行/列众数对该历史数据补充完整。
在另一实施例中,历史竞标数据可以从计划进行采购的采购方处获取。例如采购方通过其用户端101将过往参与其公司采集项目竞标的历史数据传输到CatBoost模型,以对该模型进行训练。在这个实施例中,用于训练该模型的历史数据更具有针对性,尤其是对于该计划进行的采购的竞标参与者也参与了该公司过往采购项目竞标的情况下,这样,通过模型的训练,能够获取该竞标参与者的出价习惯(例如每次的出价步长)等等。
这里需要说明的是,作为历史竞标数据集,其中的竞标产品的种类不必限于与该计划进行采购的产品(例如电脑)相同。它可以为其它数码产品、教学用品、通讯设备、家具家电等各类产品。更优选地,历史竞标数据集包括这些竞标参与者对于计划采购的产品(例如电脑)在其它场合的历史竞标数据集。
在一个具体实施例中,发明人采集了15000条历史竞价数据训练CatBoost回归模型,即历史竞标数据集中包括的竞标配置参数例如15000组,并且每组的配置参数采用竞标中常见的参数,包括上述竞标时长等,共40个,即为40维向量Xj(x1,x2,x3,x4,x5,x5+1,…,x40)。其中,x1至x5为竞标基本参数;x6至x40为竞标优化参数。Xj(x1,x2,x3,x4,x5,x5+1,…,x40)对应的初始出价与最终出价的差值为Yj,其中,1≤j≤15000。
将15000组X(x1,x2,x3,x4,x5,x5+1,…,x40)作为CatBoost回归模型的输入,将每组X(x1,x2,x3,x4,x5,x5+1,…,x40)对应的初始出价与最终出价的差值为Yj作为CatBoost回归模型的输出,训练得到CatBoost回归模型。
在一个可能的实现方式中,所述利用历史竞标数据集对CatBoost回归模型进行训练,包括:
S100、将历史竞标数据集A分为训练集B和测试集C,其中A=B∪C,其中训练集B和测试集C包括正样本和负样本,并且训练集B和测试集C中正样本和负样本的比例一致。
在一个具体示例中,将这些历史竞标数据集按照产品类型分类,并在每类产品的数据集A中分出训练集B和测试集C,例如将每类产品的数据集A中的75%作为训练集B,每类产品的数据集A中的25%作为测试集B,训练集B和测试集C包括正样本和负样本,并且训练集B和测试集C中正样本和负样本的比例一致。
S105、使用训练集B训练所述CatBoost回归模型。
在一个可能的实现方式中,所述模型参数矩阵包括学习率learning_rate、树最大深度max_depth、最大决策树数目iterations、L2正则化系数l2_leaf_reg、损失函数loss_function、数值特征分割数border_count以及类别特征分割数ctr_border_count中的一个或多个。
通过大量的数据分析,发明人发现,对于不同的竞标产品及竞标参与者(相应地,不同的用户出价习惯),上述模型参数矩阵中所包括的参数的权重是不同的,参数依重要性的排列顺序会直接影响了模型的预测精度。为此,在一个可能的实现方式中,所述使用训练集B训练所述CatBoost回归模型,包括:
对历史竞标数据中的每种产品,将对应的历史竞标配置参数作为输入,对应的历史初始出价与历史最终出价的差值作为输出,对CatBoost模型的默认参数进行权重评估,从而得到针对该竞标产品的模型参数矩阵,其中所述模型参数矩阵中的参数按照权重从高到低进行排序。
类似地,对历史竞标数据中的每个竞标参与者,将对应的历史竞标配置参数作为输入,对应的历史初始出价与历史最终出价的差值作为输出,对CatBoost模型的默认参数进行权重评估,从而得到针对该竞标参与者的模型参数矩阵,其中所述模型参数矩阵中的参数按照权重从高到低进行排序。
进一步,对以上述两种方式得到的模型参数矩阵进行融合,得到针对该竞标参与者和该产品的模型参数矩阵,其中所述模型参数矩阵中的参数按照权重从高到低进行排序。
具体地,本发明实施例使用R2作为Catboost回归模型的权重排序优化参数。根据训练数据集首先使用模型参数(如上述模型参数矩阵所包括的参数)的默认值进行计算,获取反演值,根据反演值和预测差值与所述历史竞标差值的关系,计算R2,然后改变模型参数的取值,R2的变化越大,说明模型参数的重要性越大,将模型参数按照重要性的大小由大到小进行排列构建优化的模型参数矩阵,用于后续计算。
S110、使用测试集C对所述CatBoost回归模型进行验证,得到训练好的CatBoost回归模型。
在一个可能的实现方式中,所述使用测试集C对所述CatBoost回归模型进行验证,得到训练好的CatBoost回归模型,包括:
将测试集C输入根据所述模型参数矩阵的所述回归模型,得到预测差值;
基于Catboost回归模型的适应度值,分析所述预测差值与所述历史竞标差值的关系,从而得到所述训练好的CatBoost回归模型,其中所述适应度值为AUC值、均方误差根或决定系数R的平方。
例如,以R2为例,可以设置一个阈值,例如0.9,计算R2的值,若R2的值超过0.9,则认为CatBoost回归模型训练好了,此时获得模型优化参数的CatBoost回归模型。
S20、将当前竞标基本参数输入训练好的CatBoost回归模型,输出优化的竞标配置参数的值,以供配置针对竞标参与者的竞标规则。
在一个实施例中,该步骤包括:
S200、根据输入的当前竞标基本参数,得到所述竞标配置参数的值的所有组合。
在一个具体示例中,例如需要在亚太地区采购10台电脑,采购方在模型的可视化交互界面上(如图3所示)输入当前竞标基本参数信息:竞标标的名称为电脑、竞标所属地区为亚太地区(APAC)、竞标参与者数量为5、竞标参与者中没有提供初始出价的数量为2、竞标标的数量为10、初始出价为50000以及预设竞标预算为45000。
采购方工作人员点击提交按钮,将当前竞标基本参数发送给CatBoost模型。
对这7个基本参数与上述40个参数中除这7个基本参数之外的33个参数的参数值的组合进行枚举,也就是说7个基本参数已经确定,其余33个参数每个参数都有多个参数值选项,例如表征竞标过程是否允许延时,存在是/否两种选项;表征延时时间参数,存在更多选项值;表征竞标参与者是否可以看到彼此排名的参数,存在是/否两种选项;表征多个竞标项目如何进行的参数,存在并行、串行和交错进行三种选项;表征是否允许竞标延时的参数,存在是/否两种选项;表征允许触发延时的竞标者排名,例如设置为3,则允许排名前三的竞标者超时;表征延时时间的参数,例如以分钟记;表征在竞标结束前多长时间段内允许延时的参数,例如以分钟记,如果排名在所述允许触发延时的竞标者排名内的竞标参与者在该时间段内出价或者新的出价在该时间段内出现,则触发延时,且以上述延时时间进行延时;表征是否向所有参与者显示领先出价的参数,存在是/否两种选项等,选定这33个参数的参数值的每一种选项,这样,形成多种40个竞标配置参数的值的组合。
S205、基于所述组合,所述训练好的CatBoost回归模型输出对应的初始出价与预测最终出价的差值。
S210、比较所有对应的初始出价与预测最终出价的差值,得到最大差值,从而得到所述最大差值对应的竞标配置参数的值作为所述优化的竞标配置参数的值而输出。
如图4所示,在模型的交互界面上,呈现优化的配置参数结果(仅部分示出):
竞标参与者是否可以看到彼此排名:否;
竞价时长:20分钟;
每次出价步长:10%;
多个竞标项目如何进行:串行;
是否允许竞标延时:是;
允许触发延时的竞标者排名:3;
延时时间:5分钟;
在竞标结束前多长时间段内允许延时:6分钟;
是否向所有参与者显示领先出价:是。
在该交互界面上,采购方工作人员例如通过点击输出按钮,可以导出包含了优化的配置参数值的Excel格式文件。
本发明所述技术方案,利用历史竞标数据集对CatBoost回归模型进行训练,之后将当前竞标基本参数输入训练好的CatBoost回归模型,以获得模型输出的优化的竞标配置参数的值,根据所述优化的竞标配置参数的值配置针对竞标参与者的竞标规则,可使得采购方以有利于自身的价格完成竞标。
实施例二
本发明提供一种计算机实施的竞标方法,在例如图1的计算机设备107中执行,包括:
S30、接收根据实施例一所述的方法得到的所述优化的竞标配置参数的值。
在一个具体示例中,采购方工作人员将上述Excel表导入计算机设备107中安装的Ariba采购管理系统,并通过交互界面(未示出)输入的方式将竞标基本参数输入到该采购管理系统中。
S32、在采购管理系统的竞标参与者界面上呈现竞标配置参数,其中所述竞标配置参数的值为所述优化的竞标配置参数的值。
在上述实施例的情形下,竞标参与者以规定好的竞标规则参与竞标:例如,竞价时长:20分钟;每次出价步长:10%;竞标参与者不能看到彼此排名;多个竞标项目串行;允许排名前3的竞价参与者在20分钟内的最后6分钟内延长5分钟;允许向所有参与者显示领先出价。最终最低出价的竞标参与者赢得此标。
本发明所述技术方案,利用历史竞标数据集对CatBoost回归模型进行训练,之后将当前竞标基本参数输入训练好的CatBoost回归模型,以获得模型输出的优化的竞标配置参数的值,根据所述优化的竞标配置参数的值配置针对竞标参与者的竞标规则,可使得采购方以有利于自身的价格完成竞标。
实施例三
如图1所述的计算机设备105和107,可以包括如图5所示的架构,分别适于用来实现上述实施例一和实施例二提供的计算机实施的竞标方法。该架构包括中央处理模块(CPU),其可以根据存储在只读存储器(ROM)中的程序或者从存储部分加载到随机访问存储器(RAM)中的程序而执行各种适当的动作和处理。在RAM中,还存储有计算机系统操作所需的各种程序和数据。CPU、ROM以及RAM通过总线被此相连。输入/输入(I/O)接口也连接至总线。
以下部件连接至I/O接口:包括键盘、鼠标等的输入部分;包括诸如液晶显示器(LCD)等以及扬声器等的输出部分;包括硬盘等的存储部分;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分。通信部分经由诸如因特网的网络执行通信处理。驱动器也根据需要连接至I/O接口。可拆卸介质,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器上,以便于从其上读出的计算机程序根据需要被安装入存储部分。
特别地,根据本实施例,上文流程图描述的过程可以被实现为计算机软件程序。例如,本实施例包括一种计算机程序产品,其包括有形地包含在计算机可读介质上的计算机程序,上述计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分从网络上被下载和安装,和/或从可拆卸介质被安装。
附图中的流程图和示意图,图示了本实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或示意图中的每个方框可以代表一个模块、程序段或代码的一部分,上述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,示意图和/或流程图中的每个方框、以及示意和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
实施例四
作为另一方面,本实施例还提供了一种非易失性计算机存储介质,该非易失性计算机存储介质可以是上述实施例中上述装置中所包含的非易失性计算机存储介质,也可以是单独存在,未装配入终端中的非易失性计算机存储介质。上述非易失性计算机存储介质存储有一个或者多个程序,当上述一个或者多个程序被如图5所示的设备执行时,实现上述实施例一或实施例二提供的计算机实施的竞标方法。
本领域技术人员能够理解,尽管以上实施例均是以采购场景进行的描述,但本发明的教导显然可以用于其它竞标场景,例如拍卖,在这种场景下,最终价是最高价,采购系统可以替换为商用的拍卖系统。
在本发明的描述中,需要说明的是,术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
还需要说明的是,在本发明的描述中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定,对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无法对所有的实施方式予以穷举,凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (13)
1.一种计算机实施的竞标方法,其特征在于,包括:
利用历史竞标数据集对CatBoost回归模型进行训练,其中所述历史竞标数据集包括作为所述模型的输入的竞标配置参数以及作为所述模型输出的初始出价与最终出价的差值;
将当前竞标基本参数输入训练好的CatBoost回归模型,输出优化的竞标配置参数的值,以供配置针对竞标参与者的竞标规则,使得拍卖方或采购方以有利于自身的价格完成竞标;
所述竞标配置参数为X(x1,x2,xi,xi+1,…,xN),其中,1≤i≤N,其中N为竞标配置参数的个数,
其中,
x1至xi为竞标基本参数,至少包括竞标参与者信息及竞标标的信息;
xi+1至xN为竞标优化参数,至少包括竞标时长以及每次竞标的价格变化步长;
所述利用历史竞标数据集对CatBoost回归模型进行训练,包括:
将历史竞标数据集A分为训练集B和测试集C,其中A=B∪C,其中训练集B和测试集C包括正样本和负样本,并且训练集B和测试集C中正样本和负样本的比例一致;
使用训练集B训练所述CatBoost回归模型;
使用测试集C对所述CatBoost回归模型进行验证,得到训练好的CatBoost回归模型;
所述使用训练集B训练所述CatBoost回归模型,包括:
将历史竞标配置参数作为输入,对应的历史初始出价与历史最终出价的差值作为输出,对所述模型的默认参数进行权重评估,从而得到模型参数矩阵,其中所述模型参数矩阵中的参数按照权重从高到低进行排序。
2.根据权利要求1所述的竞标方法,其特征在于,如果某一历史下的信息缺失量超过一半,则删除该历史数据;如果该历史数据下的信息缺失量未超过一半,则使用该历史数据下该信息的平均数、中位数或行/列众数对该历史数据补充完整。
3.根据权利要求2所述的竞标方法,其特征在于,
所述竞标参与者信息包括竞标参与者数量、每个竞标参与者的身份信息、每个竞标参与者提供的初始出价以及竞标参与者中没有提供初始出价的数量中的一个或多个;
所述竞标标的信息包括竞标标的名称、竞标所属地区、竞标标的数量以及预设竞标预算中的一个或多个。
4.根据权利要求2所述的竞标方法,其特征在于,
所述竞标优化参数还包括表征竞标参与者是否可以看到彼此排名的参数、表征出现意外情况时是否允许补时的参数、表征补时时间的参数及表征是否向竞标参与者显示最低竞标的参数中的一个或多个。
5.根据权利要求1所述的方法,其特征在于,所述模型参数矩阵包括学习率learning_rate、树最大深度max_depth、最大决策树数目iterations、L2正则化系数l2_leaf_reg、损失函数loss_function、数值特征分割数border_count以及类别特征分割数ctr_border_count中的一个或多个。
6.根据权利要求5所述的方法,其特征在于,所述使用测试集C对所述CatBoost回归模型进行验证,得到训练好的CatBoost回归模型,包括:
将测试集C输入根据所述模型参数矩阵的所述回归模型,得到预测差值;
基于Catboost回归模型的适应度值,分析所述预测差值与所述历史竞标差值的关系,从而得到所述训练好的CatBoost回归模型,其中所述适应度值为AUC值、均方误差根或决定系数R的平方。
7.根据权利要求1-6中任一项所述的方法,其特征在于,所述将当前竞标基本参数输入训练好的CatBoost回归模型,输出优化的竞标配置参数的值,包括:
根据输入的当前竞标基本参数,得到所述竞标配置参数的值的所有组合;
基于所述组合,所述训练好的CatBoost回归模型输出对应的初始出价与预测最终出价的差值;
比较所有对应的初始出价与预测最终出价的差值,得到最大差值,从而得到所述最大差值对应的竞标配置参数的值作为所述优化的竞标配置参数的值而输出。
8.一种计算机实施的竞标方法,其特征在于,包括:
接收根据权利要求1-7中任一项所述的方法得到的所述优化的竞标配置参数的值;
在采购管理系统的竞标参与者界面上呈现竞标配置参数,其中所述竞标配置参数的值为所述优化的竞标配置参数的值。
9.一种计算机设备,包括处理器和存储器,所述存储器上存储有计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一项所述的方法。
11.一种计算机设备,其特征在于,包括竞标管理系统,所述竞标管理系统被配置为:
接收根据权利要求1-7中任一项所述的方法得到的所述优化的竞标配置参数的值;
在竞标管理系统的竞标参与者界面上呈现竞标配置参数,其中所述竞标配置参数的值为所述优化的竞标配置参数的值。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求8所述的方法。
13.一种竞标系统,其特征在于,包括:
根据权利要求9的计算机设备;
根据权利要求11的计算机设备。
Priority Applications (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110928542.5A CN113781188B (zh) | 2021-08-13 | 2021-08-13 | 一种计算机实施的竞标方法、计算机设备及存储介质 |
US17/615,108 US20230351463A1 (en) | 2021-08-13 | 2021-09-23 | Computer-implemented bidding method, computer equipment and storage medium |
CA3139962A CA3139962A1 (en) | 2021-08-13 | 2021-09-23 | Computer-implemented bidding method, computer equipment and storage medium |
EP21806612.4A EP4156068A4 (en) | 2021-08-13 | 2021-09-23 | COMPUTER-IMPLEMENTED OFFERING METHOD, COMPUTER DEVICE AND STORAGE MEDIA |
PCT/CN2021/119768 WO2023015679A1 (zh) | 2021-08-13 | 2021-09-23 | 一种计算机实施的竞标方法、计算机设备及存储介质 |
ZA2021/09526A ZA202109526B (en) | 2021-08-13 | 2021-11-25 | Computer-implemented bidding method, computer equipment and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110928542.5A CN113781188B (zh) | 2021-08-13 | 2021-08-13 | 一种计算机实施的竞标方法、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113781188A CN113781188A (zh) | 2021-12-10 |
CN113781188B true CN113781188B (zh) | 2024-02-23 |
Family
ID=78837627
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110928542.5A Active CN113781188B (zh) | 2021-08-13 | 2021-08-13 | 一种计算机实施的竞标方法、计算机设备及存储介质 |
Country Status (3)
Country | Link |
---|---|
CN (1) | CN113781188B (zh) |
WO (1) | WO2023015679A1 (zh) |
ZA (1) | ZA202109526B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8266009B1 (en) * | 2003-08-22 | 2012-09-11 | Earthtrax, Inc. | Auction optimization system |
WO2019143542A1 (en) * | 2018-01-21 | 2019-07-25 | Microsoft Technology Licensing, Llc | Time-weighted risky code prediction |
CN112396211A (zh) * | 2019-08-19 | 2021-02-23 | 中移(苏州)软件技术有限公司 | 一种数据预测方法及装置、设备和计算机存储介质 |
CN112464635A (zh) * | 2020-07-27 | 2021-03-09 | 上海汇招信息技术有限公司 | 投标文件自动打分的方法及其系统 |
CN112990281A (zh) * | 2021-03-01 | 2021-06-18 | 中国工商银行股份有限公司 | 异常投标识别模型训练方法、异常投标识别方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020082977A1 (en) * | 2000-09-25 | 2002-06-27 | Hammond Mark S. | Aggregation of on-line auction listing and market data for use to increase likely revenues from auction listings |
US7702564B2 (en) * | 2002-06-19 | 2010-04-20 | Hewlett-Packard Development Company, L.P. | Determining a demand function for an item |
RU2637431C2 (ru) * | 2015-10-12 | 2017-12-04 | Общество С Ограниченной Ответственностью "Яндекс" | Способ и система определения оптимального значения параметра аукциона для цифрового объекта |
-
2021
- 2021-08-13 CN CN202110928542.5A patent/CN113781188B/zh active Active
- 2021-09-23 WO PCT/CN2021/119768 patent/WO2023015679A1/zh unknown
- 2021-11-25 ZA ZA2021/09526A patent/ZA202109526B/en unknown
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8266009B1 (en) * | 2003-08-22 | 2012-09-11 | Earthtrax, Inc. | Auction optimization system |
WO2019143542A1 (en) * | 2018-01-21 | 2019-07-25 | Microsoft Technology Licensing, Llc | Time-weighted risky code prediction |
CN112396211A (zh) * | 2019-08-19 | 2021-02-23 | 中移(苏州)软件技术有限公司 | 一种数据预测方法及装置、设备和计算机存储介质 |
CN112464635A (zh) * | 2020-07-27 | 2021-03-09 | 上海汇招信息技术有限公司 | 投标文件自动打分的方法及其系统 |
CN112990281A (zh) * | 2021-03-01 | 2021-06-18 | 中国工商银行股份有限公司 | 异常投标识别模型训练方法、异常投标识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113781188A (zh) | 2021-12-10 |
ZA202109526B (en) | 2022-03-30 |
WO2023015679A1 (zh) | 2023-02-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Scholz et al. | Measuring consumers' willingness to pay with utility-based recommendation systems | |
US7403911B2 (en) | Method and system for setting an optimal preference policy for an auction | |
Chu et al. | Position ranking and auctions for online marketplaces | |
US20070288330A1 (en) | Initial product offering system and method | |
US20210311751A1 (en) | Machine-learning models applied to interaction data for determining interaction goals and facilitating experience-based modifications to interface elements in online environments | |
Huang et al. | Optimal inventory control with sequential online auction in agriculture supply chain: An agent-based simulation optimisation approach | |
US8442861B2 (en) | Multi-dimensional price determination | |
US20120185348A1 (en) | Systems and Methods for Implementing Iterated Sealed-Bid Auctions | |
Aryal et al. | A point decision for partially identified auction models | |
Snijders et al. | Online reputation systems | |
US11551194B2 (en) | System to facilitate exchange of data segments between data aggregators and data consumers | |
WO2022063118A1 (zh) | 用于确定价格敏感度的方法和装置 | |
Samak | An experimental study of reputation with heterogeneous goods | |
Gluhovsky | Forecasting click-through rates based on sponsored search advertiser bids and intermediate variable regression | |
AU2013101756A4 (en) | Method and system of optimizing a marketing campaign of a saleable commodity | |
CN113781188B (zh) | 一种计算机实施的竞标方法、计算机设备及存储介质 | |
Kakade et al. | An optimal dynamic mechanism for multi-armed bandit processes | |
US20190392512A1 (en) | Electronic negotiation system | |
EP4156068A1 (en) | Computer-implemented bidding method, computer device, and storage medium | |
CN114463079A (zh) | 计算机实施的供应商推荐方法、计算机设备及存储介质 | |
WO2021240819A1 (ja) | 見積提示装置、見積提示プログラムおよび記憶媒体 | |
Snijders et al. | Online programming markets | |
RU124417U1 (ru) | Система управления покупками и продажами | |
KR20190084145A (ko) | 온라인 특허 경매 시스템을 이용한 유망 기술 발굴 인공지능 시스템 | |
CN114581183A (zh) | 一种智能询价方法、装置、设备以及存储介质 |
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 |