CN114385921A - 一种标书推荐方法、系统、设备及存储介质 - Google Patents

Abstract

本发明属于推荐系统领域，具体涉及一种标书推荐方法、系统、设备及存储介质，标书推荐方法包括：维度获取：确定供应商以及标书的属性维度；模型训练：采用自注意力机制对供应商的属性、标书的属性进行特征交叉，得到供应商高阶特征以及标书高阶特征；再将供应商高阶特征以及标书高阶特征送入神经网络建模，生成供应商的嵌入表示、标书的嵌入表示以及边的嵌入表示；标书推荐：选择需要推荐的标书，计算供应商和标书嵌入表示的相似度得分，向供应商推荐得分最高的K个标书。本发明通过属性交互捕捉属性之间的高阶特征，自注意力机制和图神经网络联合训练实现自交互和跨交互，最大化利用交互所携带的有效信息，能够有效提供推荐的准确度。

Description

一种标书推荐方法、系统、设备及存储介质

技术领域

本发明涉及推荐系统技术领域，具体而言，涉及一种标书推荐方法、系统、设备及存储介质。

背景技术

招投标，是指招标投标的简称。招投标平台是利用互联网进行电子招投标，降低成本，提高工作效率，能进一步规范招投标市场秩序，有助于信息共享，增强透明度，预防和惩治腐败，促进行业健康、有序发展。一份完整的标书具备明确的招投标周期，履约金额，履约地区等属性；大部分的招投标周期在7-15天以内，时间较短且部分标书较长，多达上百页，对于供应商而言从若干繁杂的标书中择优挑选出最适合标书，以此提升自身的中标率面临着巨大的挑战。

且当前主流推荐系统大多数都是基于用户的交互信息进行推荐，忽略了用户与物品的属性信息，这导致模型的标书预测结果不够准确，很难满足招投标场景下供应商的标书推荐需求。

招投标平台属于典型的B2B平台，随着平台日均发标数和注册供应商人数迅速增长，为供应商提供个性化的标书智能推荐服务是很有必要的。

发明内容

本发明的目的在于提供一种标书推荐方法、系统、设备及存储介质，通过属性交互捕捉属性之间的高阶特征，最大化利用交互所携带的有效信息，为供应商提供精准感兴趣的标书，以解决背景技术中所指出的供应商短时间内从若干繁杂的标书中择优挑选出最适合标书面临着巨大的挑战，忽略了用户与物品的属性信息，这导致模型的标书预测结果不够准确，很难满足招投标场景下供应商的标书推荐需求的问题。

本发明的实施例通过以下技术方案实现：一种标书推荐方法，包括如下步骤：

维度获取：确定供应商的属性维度，以及确定标书的属性维度；

模型训练：采用自注意力机制对供应商的属性、标书的属性进行特征交叉，得到供应商高阶特征以及标书高阶特征；

再将供应商高阶特征以及标书高阶特征送入神经网络建模，生成供应商的嵌入表示、标书的嵌入表示以及边的嵌入表示；

标书推荐：选择需要推荐的标书，计算供应商和标书嵌入表示的相似度得分，向供应商推荐得分最高的K个标书。

具体地，所述维度获取步骤包括：

定义供应商属性集合Ω^S和标书属性集合Ω^T，对每个属性进行随机初始化d维的向量e^d。

具体地，所述神经网络可选为图神经网络、递归神经网络、卷积神经网络、全连接神经网络。

根据一种优选实施方式，所述再将供应商高阶特征以及标书高阶特征送入神经网络建模，生成供应商的嵌入表示、标书的嵌入表示以及边的嵌入表示包括：

将供应商高阶特征以及标书高阶特征送入图神经网络，通过图卷积的方式聚合邻居信息，对各层输出的嵌入表示进行拼接或求平均，得到最终嵌入。

根据一种优选实施方式，所述通过图卷积的方式聚合邻居信息的聚合函数如下：

上式中，

表示第l层供应商节点s的聚合函数，

表示节点s的邻居节点，

表示节点t的邻居节点；

通过求平均得到的所述最终嵌入的表达式如下：

上式中，

表示供应商节点s的最终嵌入表示，L表示堆叠的层数。

根据一种优选实施方式，所述计算供应商和标书嵌入表示的相似度得分的表达式如下：

上式中，

表示

的转置。

本发明还提供一种标书推荐系统，应用到如上述所述的方法，包括：

维度获取模块，用于确定供应商的属性维度，以及确定标书的属性维度；

模型训练模块，用于采用自注意力机制对供应商的属性、标书的属性进行特征交叉，得到供应商高阶特征以及标书高阶特征；

再将供应商高阶特征以及标书高阶特征送入神经网络建模，生成供应商的嵌入表示、标书的嵌入表示以及边的嵌入表示；

标书推荐模块，用于选择需要推荐的标书，计算供应商和标书嵌入表示的相似度得分，向供应商推荐得分最高的K个标书。

本发明还提供一种电子设备，包括：

存储器，所述存储器存储执行指令；以及

处理器，所述处理器执行所述存储器存储的执行指令，使得所述处理器执行如上述所述的方法。

本发明还提供一种可读存储介质，所述可读存储介质存储有执行指令，所述执行指令被处理器执行时用于实现如上述所述的方法。

本发明实施例的技术方案至少具有如下优点和有益效果：本发明通过属性交互捕捉属性之间的高阶特征，最大化利用交互所携带的有效信息，能够有效提供推荐的准确度；本发明通过将自注意力机制与图神经网络联合训练，使得属性交互分为自交互和跨交互，即学习供应商与标书的自身特征，又学习供应商与标书之间的交互特征，能够有效减少组合(交互)后的无用特征数量。

附图说明

图1为本发明实施例1提供的图神经网络推荐系统架构图；

图2为本发明实施例1提供的自注意力机制流程示意；

图3为本发明实施例1提供的标书推荐方法的流程图；

图4为本发明实施例2提供的标书推荐装置系统的结构图；

图5为本发明实施例3提供的电子设备的结构图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

实施例1

经申请人研究发现，一份完整的标书具备明确的招投标周期，履约金额，履约地区等属性；大部分的招投标周期在7-15天以内，时间较短且部分标书较长，多达上百页，对于供应商而言从若干繁杂的标书中择优挑选出最适合标书，以此提升自身的中标率面临着巨大的挑战，忽略了用户与物品的属性信息，这导致模型的标书预测结果不够准确，很难满足招投标场景下供应商的标书推荐需求的问题。

基于此，本发明的第一实施例提供基于深度图神经网络的标书推荐方法，旨在解决背景技术中所指出的问题。

本实施例的标书推荐方法的具体流程如图3所示，包括如下步骤：

首先确定招标平台中标书的属性维度，以及确定供应商的属性维度，定义供应商属性集合Ω^S和标书属性集合Ω^T；在本实施例中，供应商属性集合Ω^S含注册地区area、经营品类category，员工数employee，纳税金额tax fund等，可描述为

例如某供应商的描述为S_i＝{(area：Beijing)，（category：cement)，(employee:500)，(tax:1000000)}；相应地，标书的属性集合Ω^T含有招标地区area、招标品类category，招标金额amount等。

进一步地对每个属性进行随机初始化d维的向量e^d。

考虑到若直接将供应商属性与标书属性进行特征组合，会组合出许多无效的特征，较为低效；而依靠人工去寻找有意义的特征组合，一方面较为耗时，另一方面也难以穷举所有有意义的特征组合。因此，在本实施例模型训练步骤的一种实施方式中，采用自注意力机制对供应商的属性、标书的属性进行特征交叉，通过自交互的方式，以学习供应商和标书的自身特征，能够提前从供应商和标书中选取有意义的特征，得到供应商高阶特征以及标书高阶特征。

以下通过供应商的描述S_i对通过自注意力机制，得到供应商高阶特征以及标书高阶特征的步骤进行简单描述，具体如下：

设特征S₁(area:Beijing)，特征S₂＝(category:cement)，特征S₁和特征S₂之间的关系表达式如下：

上式中，ψ( )表示注意力函数，定义了特征S₁和特征S₂之间的相似性，

表示将原始嵌入空间

映射到一个新的空间

的变换矩阵。

进一步地，对特征S₁的表征向量进行更新：

上式中，

表示特征S₁和它在子空间中的相关特征的组合。

最后，对所有注意力头中学到的组合特征进行拼接，利用残差网络来更新特征表示向量

再通过上述注意力机制得到供应商高阶特征以及标书高阶特征之后，进一步地进行特征的跨交互，学习供应商和标书之间的交互特征，步骤具体如下：

将供应商高阶特征以及标书高阶特征送入神经网络建模，生成供应商的嵌入表示、标书的嵌入表示以及边的嵌入表示；其中，所述神经网络可选为图神经网络、递归神经网络、卷积神经网络、全连接神经网络。

本实施例以图神经网络为例进行举例说明。

在本实施例基于图神经网络的模型中，将供应商、标书及其中标关系视为无向二分图G＝(Ω，A)，其中Ω＝(Ω^S，Ω^T)表示图上的节点集，A表示邻接矩阵。

将供应商高阶特征以及标书高阶特征送入图神经网络，图神经网络层利用二分图的结构特征通过图卷积的方式传播属性

根据图结构节点之间聚合邻居信息的操作；例如，第一层对供应商和具有交互的标书嵌入，第二层对具有交互标书(供应商)重叠的供应商(标书)采用图卷积的方式进行交互建模，通过上述聚合堆叠L层之后，并对各层输出的嵌入表示进行拼接或求平均，得到供应商/标书最终嵌入。

在本实施例中，所述通过图卷积的方式聚合邻居信息的聚合函数如下：

第l层供应商节点s的聚合函数

表达式如下：

第l层标书节点t的聚合函数

表达式如下：

上式中，

表示节点s的邻居节点，

表示节点t的邻居节点。

通过求平均得到的所述最终嵌入的表达式如下：

供应商节点s的最终嵌入表示

如下：

标书节点t的最终嵌入表示

如下：

上式中，L表示堆叠的层数。

需要说明的是，本发明通过将自注意力机制与图神经网络联合训练，使得属性交互分为自交互和跨交互，即学习供应商与标书的自身特征，又学习供应商与标书之间的交互特征，能够有效减少组合(交互)后的无用特征数量。

在通过上述方法完成训练过后，应用模型实现标书推荐步骤，具体如下：

选择需要推荐的标书，计算供应商和标书嵌入表示的相似度得分，表达式如下：

上式中，

表示

的转置，对得到的所有标书的相似度得分进行排序，向供应商推荐得分最高的K个标书。

参考下例：本实施例在数据集Gowalla、Yelp2018上分别运行了上述方法，选择信息检索领域常见的Recall@20和NDCG@20评价指标，对比其评价指标，参见下表1所示：

表1.实验效果表

Model	Yelp2018	Yelp2018	Gowalla	Gowalla
						Recall@20	nDCG@20	Recall@20	nDCG@20
DGCF模型	0.0579	0.0477	0.1570	0.1327
					NGCF模型	0.0649	0.0530	0.1830	0.1554
本发明方法	0.0683	0.0561	0.1862	0.1580

从上表所示的评价指标可以看出，本发明提供的算法模型各项指标均取得了最优结果。

实施例2

本发明实施例涉及基于深度图神经网络的标书推荐装置系统，应用到如上述所述的方法，本实施例提供的标书推荐装置系统的结构图参考图4所示，包括：

维度获取模块，用于确定供应商的属性维度，以及确定标书的属性维度；

模型训练模块，用于采用自注意力机制对供应商的属性、标书的属性进行特征交叉，得到供应商高阶特征以及标书高阶特征；

再将供应商高阶特征以及标书高阶特征送入神经网络建模，生成供应商的嵌入表示、标书的嵌入表示以及边的嵌入表示；

标书推荐模块，用于选择需要推荐的标书，计算供应商和标书嵌入表示的相似度得分，向供应商推荐得分最高的K个标书。

实施例3

本发明实施例涉及一种电子设备，本实施例提供的电子设备的结构图参考图5所示，包括：存储器，所述存储器存储执行指令；以及处理器，所述处理器执行所述存储器存储的执行指令，使得所述处理器执行如上述所述的方法。

其中，存储器和处理器采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器和存储器的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器处理的数据通过天线在无线介质上进行传输，进一步地，天线还接收数据并将数据传送给处理器。

处理器负责管理总线和通常的处理，还可以提供各种功能，包括定时、外围接口、电压调节、电源管理以及其他控制功能。而存储器可以被用于存储处理器在执行操作时所使用的数据。

实施例4

本发明实施例涉及一种可读存储介质，所述可读存储介质存储有执行指令，所述执行指令被处理器执行时用于实现如上述所述的方法。

本领域技术人员可以理解的是，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用于使得一个设备(可以是单片机、芯片等)或处理器执行本发明各个实施例所述的方法的全部或部分步骤。而上述的存储介质包括：U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。

综上所述，本发明实施例的技术方案至少具有如下优点和有益效果：本发明通过属性交互捕捉属性之间的高阶特征，最大化利用交互所携带的有效信息，能够有效提供推荐的准确度；本发明通过将自注意力机制与图神经网络联合训练，使得属性交互分为自交互和跨交互，即学习供应商与标书的自身特征，又学习供应商与标书之间的交互特征，能够有效减少组合(交互)后的无用特征数量。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种标书推荐方法，其特征在于，包括如下步骤：

维度获取：确定供应商的属性维度，以及确定标书的属性维度；

模型训练：采用自注意力机制对供应商的属性、标书的属性进行特征交叉，得到供应商高阶特征以及标书高阶特征；

再将供应商高阶特征以及标书高阶特征送入神经网络建模，生成供应商的嵌入表示、标书的嵌入表示以及边的嵌入表示；

标书推荐：选择需要推荐的标书，计算供应商和标书嵌入表示的相似度得分，向供应商推荐得分最高的K个标书。

2.如权利要求1所述的标书推荐方法，其特征在于，所述维度获取步骤包括：

定义供应商属性集合Ω^S和标书属性集合Ω^T，对每个属性进行随机初始化d维的向量e^d。

3.如权利要求1所述的标书推荐方法，其特征在于，所述神经网络可选为图神经网络、递归神经网络、卷积神经网络、全连接神经网络。

4.如权利要求1所述的标书推荐方法，其特征在于，所述再将供应商高阶特征以及标书高阶特征送入神经网络建模，生成供应商的嵌入表示、标书的嵌入表示以及边的嵌入表示包括：

将供应商高阶特征以及标书高阶特征送入图神经网络，通过图卷积的方式聚合邻居信息，对各层输出的嵌入表示进行拼接或求平均，得到最终嵌入。

5.如权利要求4所述的标书推荐方法，其特征在于，所述通过图卷积的方式聚合邻居信息的聚合函数如下：

上式中，

表示第l层供应商节点s的聚合函数，

表示节点s的邻居节点，

表示节点t的邻居节点；

通过求平均得到的所述最终嵌入的表达式如下：

上式中，

表示供应商节点s的最终嵌入表示，L表示堆叠的层数。

6.如权利要求5所述的标书推荐方法，其特征在于，所述计算供应商和标书嵌入表示的相似度得分的表达式如下：

上式中，

表示

的转置。

7.一种标书推荐系统，应用到如权利要求1至6任一项所述的方法，其特征在于，包括：

维度获取模块，用于确定供应商的属性维度，以及确定标书的属性维度；

模型训练模块，用于采用自注意力机制对供应商的属性、标书的属性进行特征交叉，得到供应商高阶特征以及标书高阶特征；

再将供应商高阶特征以及标书高阶特征送入神经网络建模，生成供应商的嵌入表示、标书的嵌入表示以及边的嵌入表示；

标书推荐模块，用于选择需要推荐的标书，计算供应商和标书嵌入表示的相似度得分，向供应商推荐得分最高的K个标书。

8.一种电子设备，其特征在于，包括：

存储器，所述存储器存储执行指令；以及

处理器，所述处理器执行所述存储器存储的执行指令，使得所述处理器执行如权利要求1至6任一项所述的方法。

9.一种可读存储介质，其特征在于，所述可读存储介质存储有执行指令，所述执行指令被处理器执行时用于实现如权利要求1至6任一项所述的方法。

Images