CN115422438B - 铁路物资供应资源推荐方法、系统和存储介质 - Google Patents

铁路物资供应资源推荐方法、系统和存储介质 Download PDF

Info

Publication number
CN115422438B
CN115422438B CN202210860324.7A CN202210860324A CN115422438B CN 115422438 B CN115422438 B CN 115422438B CN 202210860324 A CN202210860324 A CN 202210860324A CN 115422438 B CN115422438 B CN 115422438B
Authority
CN
China
Prior art keywords
materials
similarity
user
resource
scoring
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
Application number
CN202210860324.7A
Other languages
English (en)
Other versions
CN115422438A (zh
Inventor
王璞
孙晶
王芳
张文哲
宋嘉斗
张振江
武晓亮
倪铮
王占
李红利
李明星
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.)
Institute of Computing Technologies of CARS
Beijing Jingwei Information Technology Co Ltd
Original Assignee
Institute of Computing Technologies of CARS
Beijing Jingwei Information Technology 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 Institute of Computing Technologies of CARS, Beijing Jingwei Information Technology Co Ltd filed Critical Institute of Computing Technologies of CARS
Priority to CN202210860324.7A priority Critical patent/CN115422438B/zh
Publication of CN115422438A publication Critical patent/CN115422438A/zh
Application granted granted Critical
Publication of CN115422438B publication Critical patent/CN115422438B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G06F16/24578—Query processing with adaptation to user needs using ranking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/3332—Query translation
    • G06F16/3334—Selection or weighting of terms from queries, including natural language queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/954—Navigation, e.g. using categorised browsing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Artificial Intelligence (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供一种铁路物资供应资源推荐方法、系统和存储介质，方法包括：采集各用户在资源池对物资的操作行为数据；基于采集的数据和预先建立的用户行为评分权重模型，生成与物资和用户的操作行为相关的行为评分矩阵；基于行为评分矩阵建立物资表征向量，利用物资表征向量和余弦相似度算法计算物资之间的相似度，并将得到的物资相似度结果存储在相似度词库中；基于采集的当前用户对物资的历史操作行为数据，从相似度词库中查找与当前用户的历史操作行为数据所涉及的物资相似度匹配的物资，并基于查找结果确定推荐物资列表；基于推荐物资列表在用户访问资源池的页面上向用户推荐物资。本发明能够实现资源精准推荐。

Description

铁路物资供应资源推荐方法、系统和存储介质
技术领域
本发明涉及铁路物资匹配技术领域，尤其涉及一种铁路物资供应资源推荐方法和系统。
背景技术
铁路企业的物资供应资源渠道繁多，包括铁路企业自身所拥有的库存资源、跟供应商签订的协议资源和战略合作供应商的信息资源等等。同时，铁路企业经营涉及高铁车辆的维修、铁轨线路的维护、铁路供电设备的维护、铁路桥梁施工建设等方面，因此维持日常经营涉及的物资品种繁多，如：铁路机车车辆配件、铁路线路维护材料、日常办公物资等，并且相同名称下的物资可能就有很多种。这些物资供应资源汇集起来形成资源池。
现有物资推荐系统仅能像目前的购物平台一样，根据用户自身的操作历史确定用户偏好，并根据用户偏好从资源池中选择要推荐的候选物资并进行物资推荐。但是，这种物资推荐方式仅考虑了用户操作行为，而没有考虑其他可能影响物资供应资源的因素，因此存在资源推荐不精准、数据稀疏等问题，致使不能很好地匹配铁路企业各部门的需求实现精准推荐。
发明内容
有鉴于此，本发明实施例提供了一种铁路物资供应资源推荐方法和系统，以消除或改善现有技术中存在的一个或更多个缺陷。
本发明的一个方面提供了一种铁路物资供应资源推荐方法，该方法包括以下步骤：
采集各用户在资源池对物资的操作行为数据；
基于采集的操作行为数据和预先建立的用户行为评分权重模型，生成与物资和用户的操作行为相关的行为评分矩阵；其中，所述用户评分权重模型是基于用户对物资的操作行为及其行为类型建立的，所述用户评分权重模型中记录有用户对物资的各操作行为所占的评分权重指标以及各操作行为的行为类型，所述行为类型包括个人行为类型和单位行为类型；
基于所述行为评分矩阵建立物资表征向量，利用物资表征向量和余弦相似度算法计算物资之间的相似度，并将得到的物资相似度结果存储在相似度词库中；
基于采集的当前用户对物资的历史操作行为数据，从所述相似度词库中查找与当前用户的历史操作行为数据所涉及的物资相似度匹配的物资，并基于查找结果确定推荐物资列表；
基于推荐物资列表在用户访问资源池的页面上向用户推荐物资和对应的供应资源。
在本发明的一些实施例中，所述方法还包括：基于查找结果确定推荐物资列表后，基于推荐物资列表和该列表中物资的资源的优先级配置确定该列表中物资的排序，以基于确定的排序向用户推荐物资和对应的供应资源。
在本发明的一些实施例中，所述方法还包括：在采集的操作行为数据中含有当前用户实时操作行为数据的情况下，在资源池中查找与用户实时操作行为数据涉及的物资相似度匹配的物资和对应的供应资源，并基于查找结果确定推荐物资列表，以基于推荐物资列表在用户访问资源池的页面上向用户推荐物资和供应资源。
在本发明的一些实施例中，所述基于查找结果确定推荐物资列表包括：在所述相似度词库中存在与当前用户的历史操作行为数据所涉及的物资相似度匹配的物资的情况下，确定所述相似度匹配的物资的相似度评分，按照相似度评分高低进行排序，并基于排序获得推荐物资列表；在当前用户不存在对物资的历史操作行为数据的情况下，或者在所述相似度词库中不存在与当前用户的历史操作行为数据所涉及的物资相似度匹配的物资的情况下，根据当前用户所属单位和/或所属专业下的历史采购消耗数据，获取最近预定时间段内采购或消耗频次最高的预定种类的物资作为推荐热词，基于推荐热词对资源池进行自动搜索，并按照预定的资源类型优先级评分配置算法产生搜索结果，来基于搜索结果确定推荐物资列表。
在本发明的一些实施例中，所述基于推荐物资列表和该列表中物资的资源的优先级配置确定该列表中物资的排序包括：基于推荐物资列表和预定的资源类型优先级评分配置算法确定该列表中物资的排序，所述预定的资源类型优先级评分配置算法包括：基于预定评分要素及其评分权重来对搜索结果进行物资的综合评分，并基于综合评分结果来确定推荐物资列表排序，其中所述预定评分要素包括以下要素中的部分或全部要素：物资与资源信息的匹配相似度评分要素、资源优先级评分要素、供应商评价评分要素、本单位资源物资采购额评分要素、全路物资销售额评分要素、资源信息完整度等级评分要素和供应商发货时长评分要素。
在本发明的一些实施例中，当用户输入物资关键词在资源池进行物资搜索或者在系统利用推荐热词作为物资关键词在资源池内进行物资搜索时，所述物资与资源信息的匹配相似度评分要素为基于词频-逆向文档频率算法对物资与资源信息进行匹配的相似度评分要素。
在本发明的一些实施例中，所述推荐热词的提取优先级由高到低依次为：本站段、本路局本专业、全路本专业。
在本发明的一些实施例中，所述操作行为包括以下操作行为中的一种或多种操作行为：搜索物资、匹配物资、加入物资需求清单、查看物资、采集采购订单记录和采集资源消耗记录；所述利用物资表征向量和余弦相似度算法计算物资之间的相似度包括：利用物资表征向量和余弦相似度算法计算具有相同类别标签的物资之间的相似度。
在本发明的一些实施例中，所述基于推荐物资列表和该列表中物资的资源的优先级配置确定该列表中物资的排序包括：基于推荐物资列表和预定的资源类型优先级评分配置算法确定该列表中物资的排序，所述预定的资源类型优先级评分配置算法包括：基于预定评分要素及其评分权重来对搜索结果进行物资的综合评分，并基于综合评分结果来确定推荐物资列表排序，其中所述预定评分要素包括以下要素中的部分或全部要素：物资与资源信息的匹配相似度评分要素、资源优先级评分要素、供应商评价评分要素、本单位资源物资采购额评分要素、全路物资销售额评分要素、资源信息完整度等级评分要素和供应商发货时长评分要素。
在本发明的一些实施例中，当用户输入物资关键词在资源池进行物资搜索或者在系统利用推荐热词作为物资关键词在资源池内进行物资搜索时，所述物资与资源信息的匹配相似度评分要素为基于词频-逆向文档频率算法对物资与资源信息进行匹配的相似度评分要素。
在本发明的一些实施例中，所述推荐热词的提取优先级由高到低依次为：本站段、本路局本专业、全路本专业。
在本发明的一些实施例中，所述资源优先级评分要素包括以下要素中的一种或多种：两年无动态资源、闲置资源、库存资源、其他存量资源、代储资源、框架协议资源、联合采购资源、区域联采资源、配件中心资源、所属企业间采购名录和生产商库存资源。
本发明的另一方面提供了一种铁路物资供应资源推荐系统，该系统包括处理器和存储器，所述存储器中存储有计算机指令，所述处理器用于执行所述存储器中存储的计算机指令，当所述计算机指令被处理器执行时该系统实现如前所述方法的步骤。
本发明的另一方面提供了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前所述方法的步骤。
本发明的铁路物资供应资源推荐方法和系统，能够基于用户针对物资的行为数据以及用户所在单位针对物资的行为数据，更精准地得出用户行为偏好，并根据用户的行为偏好以及对应的资源优先级配置算法展示相应的资源信息同时协助用户过滤低价值信息，实现资源精准推荐。
本发明的附加优点、目的，以及特征将在下面的描述中将部分地加以阐述，且将对于本领域普通技术人员在研究下文后部分地变得明显，或者可以根据本发明的实践而获知。本发明的目的和其它优点可以通过在说明书以及附图中具体指出的结构实现到并获得。
本领域技术人员将会理解的是，能够用本发明实现的目的和优点不限于以上具体所述，并且根据以下详细说明将更清楚地理解本发明能够实现的上述和其他目的。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。
图1为本发明一实施例中铁路物资供应资源推荐方法的流程示意图。
图2为本发明另一实施例中铁路物资供应资源推荐方法的流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对本发明做进一步详细说明。在此，本发明的示意性实施方式及其说明用于解释本发明，但并不作为对本发明的限定。
在此，还需要说明的是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的方案密切相关的结构和/或处理步骤，而省略了与本发明关系不大的其他细节。
应该强调，术语“包括/包含”在本文使用时指特征、要素、步骤或组件的存在，但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。
为克服现有物资推荐系统物资推荐不精准、数据稀疏等造成的物资推荐不精准等问题，本发明提出了一种铁路物资供应资源推荐方法，基于用户针对物资的行为数据以及用户所在单位针对物资的行为数据，更精准地得出用户行为偏好，并根据用户的行为偏好以及对应的资源优先级配置算法协助用户过滤低价值信息，降低信息过载，进行物资精准推荐。本发明将物资的各种供应资源汇集起来形成资源池，通过组合优化，促进资源的高效配置和综合利用。
本发明在资源池首页可设置有资源推荐模块，铁路物资供应资源推荐系统(以下简称“系统”)可通过资源模型构建算法为登录用户精准推荐资源信息。首先对用户以及用户所在单位的操作行为数据进行采集，然后通过操作行为数据对用户资源信息进行数据挖掘分析，得出用户行为偏好，最后系统根据用户的行为偏好以及对应的资源优先级配置算法在资源推荐模块展示相应的推荐资源信息。在本发明一些实施例中，资源优先级配置算法还可考虑可扩展性，可以结合大数据挖掘分析，不断优化算法推荐模型，提高用户体验。
图1为本发明一实施例中铁路物资供应资源推荐方法流程示意图。如图1所示，本实施例的方法包括以下步骤：
步骤S1，采集各用户在资源池对物资的操作行为数据。
在本发明实施例中，针对铁路物资供应资源推荐系统中的用户，铁路物资供应资源推荐系统会首先采集各用户在资源池对物资的操作行为数据，操作行为数据例如可包括用户信息、物资信息、行为信息和行为类型信息等。其中，操作行为可以包括以下操作行为中的一种或多种操作行为：搜索物资、匹配物资、加入物资需求清单、查看物资、采集采购订单记录和采集资源消耗记录。所采集的操作行为数据包括用户个人行为类型的数据和单位行为类型的数据。举例来说，搜索物资、匹配物资、加入物资需求清单、查看物资属于个人行为，采集采购订单记录和采集资源消耗记录可属于单位行为。
在采集用户在资源池对物资的操作行为数据时，既可以是采集用户实时的操作行为数据，也可以是历史操作行为数据。例如，系统自动采集各用户的历史操作行为数据，以基于历史操作行为数据确定用户可能感兴趣的一些推荐物资，这样，在刚进入资源池首页用户还未进行搜索等操作时，系统便可以基于当前用户的历史操作行为数据向用户进行物资的推荐。如果用户进入资源池页面后发生了实时操作行为(如开始搜索物资)，系统可以采集实时的用户操作行为数据，并基于实时的用户操作行为数据确定要推荐的物资列表，并相应生成推荐信息。
在本发明实施例中，采集的历史操作行为数据可以是预定时段内的历史操作行为数据，如1年、半年或3个月内的历史操作行为数据，但并不限于此。此外，在本发明实施例中，所采集的用户在资源池对物资的操作行为数据可以是整个铁路物资供应资源推荐系统中所有用户的操作行为数据，也可以是当前用户所属的某级部门或区域下所有用户的操作行为数据，如某站段、某路局下所有用户的操作行为数据等。
如下表1为采集的历史操作行为数据(包括用户个人操作行为数据和用户单位操作行为数据)的示例。实际采集的数据量比较大，在下表中，仅仅列出几条数据作为示例。
表1.用户个人操作行为数据和用户单位操作行为数据示例：
用户 物资 行为 行为类型
U1 a 搜索资源信息 个人
U1 b 查看资源信息 个人
U1 d 加入资源需求清单 个人
U2 a 搜索资源信息 个人
U2 b 查看资源信息 个人
U2 e 采集采购订单记录 单位
U3 c 采集采购订单记录 单位
U3 d 采集物资消耗记录 单位
如表1所示，操作行为被分为个人行为和单位行为这两种类型。在本发明另选实施例中，采集的用户在资源池对物资的操作行为数据中还可包括用户相同操作的操作次数信息。
步骤S2，基于采集的操作行为数据和预先建立的用户行为评分权重模型，生成与物资和用户的操作行为相关的行为评分矩阵。
在本发明实施例中，用户评分权重模型是基于用户对物资的操作行为及其行为类型建立的，用户评分权重模型中记录有各用户对物资的各操作行为所占的评分权重指标以及各操作行为的行为类型，行为类型包括个人行为类型和单位行为类型。预先建立的用户行为评分权重模型中，存储有不同用户对资源池中物资(或称物品)进行不同操作行为的评分关系表。基于该用户行为评分权重模型中的评分关系表以及采集的操作行为数据便可以生成与物资和用户的操作行为相关的行为评分矩阵。
表2.根据用户以及用户所在单位的操作行为记录形成的对某物资操作行为的评分关系表。
操作行为 评分 行为类型
搜索资源信息 2.0 个人
匹配资源信息 2.0 个人
加入资源需求清单 3.0 个人
查看资源信息 1.0 个人
采集采购订单记录 0.8 单位
采集物资消耗记录 1.2 单位
......
如表2所示，用户行为评分权重模型中，操作行为的评分越高，代表该操作行为重要性越高，即权重就越高，模型中操作行为的类型、行为所占权重值(评分，或称评分权重指标)均为提前设置的数据，可根据需要进行更改。在本发明另选实施例中，对于不同的用户，可以根据其角色或权限的不同，在用户评分权重模型中设定其对物资的相同行为操作所占的评分权重指标不同。
如表2所示，用户所在单位的操作行为所占评分(权重)通常低于用户个人行为所占评分(权重)。
单位用户操作行为作为铁路行业特有的一种形式，代表了用户所属单位的操作行为，因为单位用户操作行为主要包括采集本单位采购订单记录及本单位采集物资消耗记录，没有对物资的直接操作行为，而用户的操作代表个人行为，可以直接对物资进行搜索、查看和加入采购清单等不同操作行为，所以个人用户权重评分要高于单位用户的权重评分，权重评分越高代表该操作的重要性越高。同时使用单位的操作行为数据和用户的操作行为数据使得用户行为数据更加丰富，当用户行为数据越庞大，依据用户行为计算的物品相似度也就越精准，向用户推荐的物资也就越精准。
例如，当采集到：(1)用户U1对物品a、b、d分别进行了搜索资源、查看资源、加入采购清单(加入物资需求清单)等不同操作行为；(2)用户U2对物品a、b、e分别进行了搜索资源、查看资源、采集采购订单记录等不同操作行为；(3)用户U3对物品c、d分别进行了采集采购订单记录、采集物资消耗记录等不同操作行为，则基于该采集到的历史操作行为以及预先建立的用户行为评分权重模型生成与物资和用户的操作行为相关的行为评分矩阵，如表3所示。
表3.行为评分矩阵示例：
用户U1 用户U2 用户U3
物资a 2.0 2.0 0
物资b 1.0 1.0 0
物资c 0 0 0.8
物资d 3.0 0 1.2
物资e 0 0.8 0
将表3表示为矩阵形式，则为：
矩阵A中，元素aij表示用户j对物资i进行的特定操作的权重评分指标。在此，不同用户对不同物资进行的操作可以相同或不同，相应的权重评分指标基于预定的用户行为评分权重模型确定。
如上表3中所示，如果未采集到某一用户对某一物资的操作行为，也即采集的数据中不含有该用户对某一物资的操作行为，则将权重评分指标置为0，也即表示该用户未对该物资进行操作。
本发明实施例中，如上计算的行为评分矩阵，用于进一步从资源池中查找与当前用户的操作行为数据涉及的物资相似度匹配的物资。
在本发明一些实施例中，在历史操作行为数据中，同一用户对某一物资存在多个操作的情况下，用户对该物资进行的操作行为的权重评分指标为对该物资进行的所有操作行为的评分之和。
步骤S3，基于行为评分矩阵建立物资表征向量，利用物资表征向量和余弦相似度算法计算物资之间的相似度，并将得到的物资相似度结果存储在相似度词库中。
在本发明实施例中，可基于行为评分矩阵并利用余弦相似度计算方法来计算在采集的操作行为数据中物资相似度较高的物资。
余弦相似度计算的原理是用向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小的度量，余弦值越接近1，就表明夹角越接近0度，也就是两个向量越相似，即表示余弦相似。例如，从原点([0,0,...])出发，指向不同的方向的两条线段之间形成一个夹角，如果夹角为0度，意味着方向相同、线段重合，这是表示两个向量代表的特征完全相等；如果夹角为90度，意味着形成直角，方向完全不相似，这表示两个向量代表的特征完全不相似；如果夹角为180度，意味着方向正好相反，表示两个向量代表的特征也不相似。因此，可以通过夹角的大小，来判断向量的相似程度。夹角越小，就代表越相似。
余弦相似度的计算公式如下：
其中，余弦值cos(θ)表示两向量间的相似度，xi、yi分别表示不同向量的分量。在本发明实施例中，两个向量分别为两个物资所涉及的所有用户对这两个物资的操作行为所占的评分权重指标。例如，以物资a为例，其对应的物资表征向量为历史操作数据中所有对物资a进行操作过的用户对物资a的操作行为所占的评分权重指标，以表3中的行为评分矩阵为例则得到物资表征向量(2,2,0)。同样，物资d对应的向量为历史操作数据中所有对物资d进行操作过的用户对物资d的操作行为所占的评分权重指标，以表3中的行为评分矩阵为例则得到向量(3,0,1.2)。在这种情况下，可以基于如上公式(1)计算出物资a和d之间的余弦相似度：
物资a与物资d间的余弦值约为0.99，接近于1，说明相似度较高。
再例如，如果要计算物资a和b之间的余弦相似度，则基于表3和公式(1)可以得到：
可见，物资a和b之间的余弦值比较高，说明相似度较高。
再例如，如果要计算物资a和e之间的余弦相似度，则基于表3和公式(1)可以得到：
可见，物资a和e之间的余弦值比较低，相似度不匹配。
在本发明实施例中，可以设置一余弦相似度匹配阈值(如0.7，本发明并不限于此)，余弦值高于该阈值时便认为物资相似度较高，即彼此为相似度匹配的物资，该余弦相似度匹配阈值可基于要达到的精度进行灵活设置。
上述可知，根据多个用户对物资的操作评分，可以算出两个物资在这多个用户角度的相似度，用户标本越多则结果越精准。
在依据行为评分矩阵中对物资的操作的评分和余弦相似度算法计算得到物资之间的相似度后，可以将计算的相似度结果生成物资相似度数据库(或称相似度词库)，存储在铁路物资供应资源推荐系统中。
为了提高计算的速度，在本发明另选实施例中，在利用余弦相似度计算公式计算物资间相似度时，还可以仅计算采集的操作行为数据中相同类别的物资间的相似度。在这种情况下，采集的操作行为数据中的物资携带有物资类别标签或者与资源池中的物资类别标签相关联，由此可以确定物资之间是否属于相同类别的物资。例如，对于物资名称“制服”和“防护服”，其可能都属于类别“服装”，并均携带该相同的类别标签，于是可以确定物资“制服”和“防护服”属于相同类别的物资。在本发明一些实施例中，同样的物资可以携带多个属于不同分类维度的类别标签，物资之间只要有个标签匹配可以认为其属于相同类别。
步骤S4，基于采集的当前用户对物资的历史操作行为数据，从相似度词库中查找与当前用户的历史操作行为数据所涉及的物资相似度匹配的物资，并基于查找结果确定推荐物资列表。
在用户访问资源池页面的情况下，系统可以采集当前用户预定时间段内(如1年内、半年内或3个月内)的历史操作行为数据(历史操作记录)，并基于用户评分权重模型或基于行为评分矩阵对其历史操作行为数据中涉及的对物资的操作行为进行评分，由此得到对物资的评分(对该物资的所有操作行为的评分之和)，然后按照评分高低从当前用户的历史操作行为数据中确定用户物资偏好名单，如取物资得分最高的前N条历史数据，获得用户物资偏好名单，该物资偏好名单中可包括用户操作涉及的物资的评分和排序等，此外，还可包括操作名称和对物资的各操作的评分等。
示例1：若按照行为评分矩阵将采集的操作行为数据中当前用户所操作过的物资的评分进行排序，预设获取当前用户操作得分最高的前2条数据时，获取到当前用户U1的操作记录涉及物资为物资d和物资a。
表4.当前用户操作得分最高的前2条数据
用户U1
物资d 3.0
物资a 2.0
基于表4可以得到，用户物资偏好名单包括物资d和物资a。
然后，系统基于该物资偏好名单查找相似度词库中与名单中的物资相似度匹配的物资，并基于查找结果确定推荐物资列表。在相似度词库中存在与当前用户的历史操作行为数据所涉及的物资相似度匹配的物资的情况下，进一步确定相似度匹配的物资的相似度评分，按照相似度评分高低进行排序，并基于排序获得推荐物资列表。例如，从相似度词库中查找到与名单中的物资相似度匹配的物资后，根据相似度得分(余弦值)对物资进行排序，由此得到推荐物资列表，该推荐物资列表中往往含有更多相匹配的物资。系统中同时还记录有各物资的供应资源信息，因此基于推荐物资列表也可以得到对应的供应资源。
在本发明实施例中，如果从相似度词库中查找到与名单中存在相似度得分一样的多个物资，则可进一步使用预定的资源优先级配置算法来确定推荐物资列表中相似度得分一样的物资的排序，即，可以根据系统预设的物资的优先级等级进行展示，例如，推荐中的物资如果包含闲置物资则会优先展示。
在实际应用中，由于用户数量庞大，可以基于大量用户历史操作行为数据来利用用户行为评分权重模型和余弦相似度算法精准生成当前用户的推荐物资列表，并得到对应的供应资源。此外，在本发明实施例中，由于同时考虑了用户个人操作行为数据和单位操作行为数据，能够使得在铁路企业内部，个人用户权限不足导致的用户操作行为过少的情况下，获取该用户所在单位的操作记录的同时并通过其单位属性收集行为信息，从而克服现有互联网推荐算法中基于个体用户的推荐因数据稀疏性的问题导致的物资推荐不精准，当采集的行为数据越多，数据资源越丰富，数据模型的计算结果越精准。
在本发明一些实施例中，基于查找结果确定推荐物资列表还包括如下情况：在当前用户不存在对物资的历史操作行为数据的情况下，或者在相似度词库中不存在与当前用户的历史操作行为数据所涉及的物资相似度匹配的物资的情况下，可根据当前用户所属单位和/或所属专业下的历史采购消耗数据，获取最近预定时间段内采购或消耗频次最高的预定条数的物资信息作为推荐热词，基于推荐热词对资源池进行自动搜索，并按照预定的资源类型优先级评分配置算法产生搜索结果(如搜索相似度匹配的物资)，来基于搜索结果确定推荐物资列表。该情况下，是采用资源所属单位特有的属性来进行物资推荐。推荐热词的数量可以根据需要进行设置，如设置为3条、5条、10条或20条等数量，本发明并不限于此。
作为示例，系统可根据当前用户的所属单位及所属专业下的历史采购消耗规律，获取最近一个月采购或消耗频次最高的10项物资作为推荐热词。推荐热词的提取优先级由高到低依次为：为本站段、本路局本专业、全路本专业。如本路局本专业的推荐热词数量不足，则获取上一级单位或全路本专业的推荐热词。例如，当前站段为XX机务段，专业为机务，所属局别为XX铁路局。如果XX机务段的推荐热词不足10条，则继续获取XX铁路局所有机务专业站段的推荐热词，如果XX铁路局机务专业站段的推荐热词不足，则继续获取所有铁路局机务专业站段的推荐热词。
获得推荐热词后，基于推荐热词作为物资关键词对资源池进行自动搜索，并按照预定的资源类型优先级评分配置算法产生相匹配的搜索结果，来基于搜索结果确定推荐物资列表。
系统可每天依据当前单位的采购和消耗信息实时更新汇总本单位的推荐热词，根据本单位每日推荐热词对资源池的信息进行自动检索，将检索结果按照资源优先级配置算法在资源池首页资源推荐模块进行物资供应资源的推荐展示。后面将对资源类型优先级评分配置算法进行描述。
步骤S5，基于得到推荐物资列表，在用户访问资源池的页面上向用户推荐物资和对应的供应资源。
在本发明一些实施例中，在步骤S4基于查找结果确定推荐物资列表后，如果推荐物资列表中有的物资的排序难以确定，则本发明的方法还包括：基于推荐物资列表和该列表中物资的资源的优先级配置确定该列表中物资的排序，以基于确定的排序向用户推荐物资和对应的供应资源。
在本发明一些实施例中，上述铁路物资供应资源推荐方法还可包括以下步骤：在系统采集到当前用户实时操作行为数据的情况下，在资源池中查找与用户实时物资操作行为数据涉及的物资相似度匹配的物资，按照预定的资源类型优先级评分配置算法产生搜索结果，并基于搜素结果确定推荐物资列表，以基于推荐物资列表在用户访问资源池的页面上向用户推荐物资和供应资源。
该实时物资操作行为例如可以是物资搜索操作，但本发明并不限于此。
本步骤是将实时物资操作行为数据涉及的物资作为物资关键词在资源池中进行匹配物资的搜索。
本发明实施例中，基于推荐物资列表和该列表中物资的资源的优先级配置确定该列表中物资的排序可包括：基于推荐物资列表和预定的资源类型优先级评分配置算法确定该列表中物资的排序。
在本发明实施例中，采用的预定的资源类型优先级评分配置算法可包括：基于预定评分要素及其评分权重来对搜索结果进行物资的综合评分，并基于综合评分结果来确定推荐物资列表排序，其中预定评分要素包括以下要素中的部分或全部要素：物资与资源信息的匹配相似度评分要素、资源优先级评分要素、供应商评价评分要素、本单位资源物资采购额评分要素、全路物资销售额评分要素、资源信息完整度等级评分要素和供应商发货时长评分要素。
下面对本发明中涉及的资源类型优先级评分配置算法进行描述。
(1)物资与资源信息的匹配相似度评分要素R1
在利用推荐热词在资源池内进行物资的自动搜索时，可考虑待搜索热词(物资关键词)在历史采购消耗数据的相关资源中出现的频率和在资源池全部资源匹配库出现的频率，根据词频-逆向文档频率(Term Frequency-Inverse Document Frequency，TF-IDF)算法计算待搜索物资关键词和资源池中物资资源信息的匹配程度(或称匹配相似度)。
通过TF-IDF算法实现在数据库同类别物资中查找出与用户实时操作行为数据涉及的物资相似度匹配的物资，生成物资推荐列表。
TF-IDF是一种用于信息检索(information retrieval)与文本挖掘(textmining)的常用加权技术。用以评估一词条对于一个文档集的重要程度。词条的重要性随着它在当前文档中出现的次数成正比增加，但同时会随着它在整个语料库中出现的频率成反比下降，词条的重要性指标计算公式如下：
词频TF表示词条在当前文档出现的频率，出现当频率越高，得分越高。词条占文档空间比率越高，得分越高。
在本发明实施例中，基于物资关键词在资源池中进行自动搜索时，基于TF-IDF算法可以利用如下公式计算出物资关键词在资源池全部资源中出现的频率：
其中，w表示物资关键词，TFw表示当物资关键词在当前资源中出现的频率，频率越高，则得分越高，说明关键词w越重要。
IDF为逆文档频率，计算公式如下：
在本发明实施例中，可以得到：
其中，IDFw为逆文档频率，体现的是包含物资关键词w的物资资源(相对于包含某词条的文档)在语料库(资源池)中所有文档(所有物资资源)中出现的频率。
本发明实施例中，基于TFw和IDFw计算TF-IDFw，以TF-IDFw的值作为物资与资源信息的匹配相似度得分。
TF-IDFw(词频-逆向文档频率)＝TFw*IDFw
当用户输入物资关键字进行物资资源搜索时，物资关键字和物资资源信息的相似度得分是由搜索关键词在本条资源信息出现的频率和在全部资源匹配库出现的频率决定。例如搜索“铁路制服”关键词，进行分词查询后“铁路”和“制服”两词在当前词条出现频次都很高，但是“铁路”关键词在全部资源库出现的频率同样很高，则说明这个关键词不是特征词。“制服”关键词在全部资源库出现的频率很低，并且能够反映这个物资的特性，证明“制服”为该搜索操作的特征词。关键词的重要性随着它在某条资源信息中出现的次数成正比增加，随着它在整个信息库中出现的频率成反比下降。
在本发明实施例中，物资与资源信息的匹配相似度评分要素所占的权重为0.4，该权重值仅为示例，本发明并不限于此。
(2)资源优先级评分要素R2
在用户搜索结果同等的条件下,资源本身优先级越高，排名越靠前，按照资供应资源类型将资源优先级定义如下：
两年无动态资源>闲置资源>库存资源>其他存量资源>代储资源>框架协议资源、联合采购资源、区域联采资源、配件中心资源>所属企业间采购名录>生产商库存资源。
资源本身的优先级评分规则为：
资源本身的优先级等级一共有8个，优先级越高对应等级越高，总分为100分，每个等级对应得分为100/8*对应等级。例如两年无动态资源得分为：100/8*8＝100分。
以上资源本身的优先级等级仅为示例，还可以有更多或更少的上述或其他优先级等级。
在本发明实施例中，资源优先级评分要素所占的权重为0.3，该权重值仅为示例，本发明并不限于此。
(3)供应商评价评分要素R3
在用户搜索结果同等的条件下，供应商得分越高的资源排名越靠前。
供应商年度评价得分评分规则如下：
根据供应商得分将供应商分为4个等级，分别为A、B、C、D，对应得分分别为100分、75分、50分、25分。
以上的供应商等级仅为示例，还可以划分为更多或更少的供应商等级。
在本发明实施例中，供应商评价评分要素所占的权重为0.1，该权重值仅为示例，本发明并不限于此。
(4)本单位资源物资采购额评分要素R4
在用户搜索结果同等的条件下，本单位针对同类物资的采购额越高排名越靠前，例如某单位经常购买螺丝钉，规格型号为XXX，那么搜索螺丝钉关键词时结果中规格型号为XXX的螺丝钉采购额最大，相应的排名越靠前。
本单位物资采购额评分规则如下：
根据本单位物资采购额将某种物资分为4个等级，分别为A、B、C、D，对应得分分别为100分、75分、50分、25分。
以上物资采购额划分等级仅为示例，还可以划分为更多或更少的等级。
在本发明实施例中，本单位资源物资采购额评分要素所占的权重为0.05，该权重值仅为示例，本发明并不限于此。
(5)全路物资销售额评分要素R5
在用户搜索结果同等的条件下，当前物资的全路销售额越高排名越靠前。
全路物资销售额得分评分规则如下：
根据全路物资销售额将供应商分为4个等级，分别为A、B、C、D，对应得分分别为100分、75分、50分、25分。
以上全路物资销售额划分等级仅为示例，还可以划分为更多或更少的等级。
在本发明实施例中，全路物资销售额评分要素所占的权重为0.05，该权重值仅为示例，本发明并不限于此。
(6)资源信息完整度等级评分要素R6
在用户搜索结果同等的条件下，供应商得分越高的资源排名越靠前。例如资源信息所有字段都填充完整丰富，完全符合资源发布标准，资源等级得分为满分。
资源信息完整度星级评分规则如下：
根据资源信息完整度星级将资源信息分为4个等级，分别为A、B、C、D，对应得分分别为100分、75分、50分、25分。
以上资源信息完整度划分等级仅为示例，还可以划分为更多或更少的等级。
在本发明实施例中，资源信息完整度等级评分要素所占的权重为0.05，该权重值仅为示例，本发明并不限于此。
(7)供应商发货时长评分要素R7
在用户搜索结果同等的条件下，供应商发货时长越短资源排名靠前。
供应商发货时长评分计算规则：
可根据采购订单记录数据将发货时长等级定为：发货时长<＝3天、3天<发货时长<＝6天、6天<发货时长<＝9天和发货时长>9天共4个等级，对应评分为：100分、75分、50分、25分。
以上供应商发货时长划分等级仅为示例，还可以划分为更多或更少的等级。
在本发明实施例中，供应商发货时长评分要素所占的权重为0.05，该权重值仅为示例，本发明并不限于此。
综上所述，利用资源优先级配置算法中的多个要素R1、R2、R3、R4、R5、R6、R7中的部分或全部要素来计算物资最终得分，具体方法例如为：将各要素的评分结果加权后相加。如得到物资资源最终得分score：
score＝R1*0.4+R2*0.3+R3*0.1+R4*0.05+R5*0.5+R6*0.05+R7*0.05
示例如下：
根据以上结果资源A合计得分为：57分，资源B合计得分为：47.75分。资源A的得分大于资源B，所以资源A的展示排名优于资源B。具体优先级设置及权重值设置可根据业务场景及使用效果进行调整。
图2为本发明另一实施例中铁路物资供应资源推荐方法的流程示意图。如图2所示，在铁路物资供应资源推荐系统建立有用户评分权重模型后，可采集用户操作行为记录(即各用户在资源池对物资的操作行为数据)，基于用户操作行为记录和用户评分权重模型生成用户评分矩阵，并基于用户评分矩阵来建立物资表征向量，利用物资表征向量和余弦相似度算法计算各用户操作过的物资之间的相似度，并将相似度大于预定相似度阈值的物资记录到物资相似度词库中。
当用户访问资源池页面时，铁路物资供应资源推荐系统确定当前用户是否存在历史操作行为，如果有历史操作行为，则基于评分矩阵对当前用户历史操作行为中的物资进行评分后，按照评分从高到低的顺序选择前N条物资(生成物资偏好名单)，在物资相似度词库中查找与选择的物资相似度匹配的物资(余弦相似度值高于匹配的物资)。在相似度匹配结果不为零的情况下，可将基于用户最近的操作行为(如至今6个月内的历史操作行为)查找得到的相似物资按照余弦相似度得分进行排序，相似度得分越高排名越靠前；对于相似度得分相同的物资，可利用资源优先级配置算法来确定其排名，并基于确定的排名为当前用户生成物资推荐列表和相应的供应资源，并展现给用户。在当前用户及本单位不存在对物资的历史操作行为数据或历史操作行为数据不足的情况下，或者在相似度词库中不存在与当前用户的历史操作行为数据所涉及的物资相似度匹配的物资，则系统冷启动并依据行业热词作为物资搜索关键词在资源池中进行物资搜索，在物资搜索完毕后进一步基于资源优先级配置算法来确定其排名，并基于确定的排名为当前用户生成物资推荐列表和相应的供应资源，并展现给用户。如果当前用户通过输入关检测进行了主动搜索，则系统依据输入的物资搜索关键词在资源池中进行物资搜索，在物资搜索完毕后进一步基于资源优先级配置算法来确定其排名，并基于确定的排名为当前用户生成物资推荐列表和相应的供应资源，并展现给用户。
系统可每天依据当前单位的采购和消耗信息实时更新汇总本单位的推荐热词，根据本单位每日推荐热词对资源池的信息进行自动检索，将检索结果按照资源优先级配置算法在资源池首页资源推荐模块进行物资供应资源的推荐展示，从而解决在当前用户及本单位不存在对物资的历史操作行为数据或历史操作行为数据不足的情况下，或者在相似度词库中不存在与当前用户的历史操作行为数据所涉及的物资相似度匹配的物资情况下产生的用户冷启动和数据稀疏性问题，提高推荐算法的推荐质量。
本发明的铁路物资供应资源推荐方法，能够基于铁路行业物资信息的特殊性、铁路用户所处的专业不同，根据用户针对物资的行为数据以及用户所在单位针对物资的行为数据，更精准地得出用户行为偏好，并根据用户的行为偏好以及对应的资源优先级配置算法展示相应的资源信息同时协助用户过滤低价值信息，实现在铁路供应资源渠道多、物资品种多、专业技术物资多、物资间相似度高、没有相关专业技术人员识别的情况下，对用户进行资源精准推荐。
与上述方法相应地，本发明还提供了一种铁路物资供应资源推荐系统，该系统包括计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机指令，所述处理器用于执行所述存储器中存储的计算机指令，当所述计算机指令被处理器执行时该系统实现如前所述方法的步骤。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时以实现前述边缘计算服务器部署方法的步骤。该计算机可读存储介质可以是有形存储介质，诸如随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、软盘、硬盘、可移动存储盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质。
本领域普通技术人员应该可以明白，结合本文中所公开的实施方式描述的各示例性的组成部分、系统和方法，能够以硬件、软件或者二者的结合来实现。具体究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。
需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
本发明中，针对一个实施方式描述和/或例示的特征，可以在一个或更多个其它实施方式中以相同方式或以类似方式使用，和/或与其他实施方式的特征相结合或代替其他实施方式的特征。
以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例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 (11)

1.一种铁路物资供应资源推荐方法，其特征在于，该方法包括以下步骤：
采集各用户在资源池对物资的操作行为数据；所采集的操作行为数据包括用户个人行为类型的数据和单位行为类型的数据；
基于采集的操作行为数据和预先建立的用户行为评分权重模型，生成与物资和用户的操作行为相关的行为评分矩阵；其中，所述用户评分权重模型是基于用户对物资的操作行为及其行为类型建立的，所述用户评分权重模型中记录有用户对物资的各操作行为所占的评分权重指标以及各操作行为的行为类型，所述行为类型包括个人行为类型和单位行为类型；
基于所述行为评分矩阵建立物资表征向量，利用物资表征向量和余弦相似度算法计算物资之间的相似度，并将得到的物资相似度结果存储在相似度词库中；
基于采集的当前用户对物资的历史操作行为数据，从所述相似度词库中查找与当前用户的历史操作行为数据所涉及的物资相似度匹配的物资，并基于查找结果确定推荐物资列表；所述基于查找结果确定推荐物资列表包括：在所述相似度词库中存在与当前用户的历史操作行为数据所涉及的物资相似度匹配的物资的情况下，确定所述相似度匹配的物资的相似度评分，按照相似度评分高低进行排序，如果从相似度词库中查找到与当前用户的历史操作行为数据所涉及的物资相似度得分一样的多个物资，进一步使用预定的资源优先级配置算法来确定从相似度词库种查找到的相似度得分一样的物资的排序，并基于排序获得所述推荐物资列表；在当前用户不存在对物资的历史操作行为数据的情况下，或者在所述相似度词库中不存在与当前用户的历史操作行为数据所涉及的物资相似度匹配的物资的情况下，根据当前用户所属单位和/或所属专业下的历史采购消耗数据，获取最近预定时间段内采购或消耗频次最高的预定种类的物资作为推荐热词，基于推荐热词对资源池进行自动搜索，并按照预定的资源类型优先级评分配置算法产生搜索结果，来基于搜索结果确定推荐物资列表；
基于推荐物资列表向用户推荐物资和对应的供应资源。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
基于查找结果确定推荐物资列表后，基于推荐物资列表和该列表中物资的资源的优先级配置确定该列表中物资的排序，以基于确定的排序向用户推荐物资和对应的供应资源。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在采集的操作行为数据中含有当前用户实时操作行为数据的情况下，在资源池中查找与用户实时操作行为数据涉及的物资相似度匹配的物资和对应的供应资源，并基于查找结果确定推荐物资列表，以基于推荐物资列表在用户访问资源池的页面上向用户推荐物资和供应资源。
4.根据权利要求1所述的方法，其特征在于，所述利用物资表征向量和余弦相似度算法计算物资之间的相似度的步骤，还包括：根据每一种物资的物资类别标签确定物资之间是否属于相同类别，仅计算属于相同类别的物资之间的相似度。
5.根据权利要求2所述的方法，其特征在于，所述基于推荐物资列表和该列表中物资的资源的优先级配置确定该列表中物资的排序包括：基于推荐物资列表和预定的资源类型优先级评分配置算法确定该列表中物资的排序，所述预定的资源类型优先级评分配置算法包括：基于预定评分要素及其评分权重来对搜索结果进行物资的综合评分，并基于综合评分结果来确定推荐物资列表排序，其中所述预定评分要素包括以下要素中的部分或全部要素：物资与资源信息的匹配相似度评分要素、资源优先级评分要素、供应商评价评分要素、本单位资源物资采购额评分要素、全路物资销售额评分要素、资源信息完整度等级评分要素和供应商发货时长评分要素。
6.根据权利要求5所述的方法，其特征在于，
当用户输入物资关键词在资源池进行物资搜索或者在系统利用推荐热词作为物资关键词在资源池内进行物资搜索时，所述物资与资源信息的匹配相似度评分要素为基于词频-逆向文档频率算法对物资与资源信息进行匹配的相似度评分要素。
7.根据权利要求6所述的方法，其特征在于，所述推荐热词的提取优先级由高到低依次为：本站段、本路局本专业、全路本专业。
8.根据权利要求1所述的方法，其特征在于，
所述操作行为包括以下操作行为中的一种或多种操作行为：搜索物资、匹配物资、加入物资需求清单、查看物资、采集采购订单记录和采集资源消耗记录；
所述利用物资表征向量和余弦相似度算法计算物资之间的相似度包括：利用物资表征向量和余弦相似度算法计算具有相同类别标签的物资之间的相似度。
9.根据权利要求5所述的方法，其特征在于，所述资源优先级评分要素包括以下要素中的一种或多种：两年无动态资源、闲置资源、库存资源、其他存量资源、代储资源、框架协议资源、联合采购资源、区域联采资源、配件中心资源、所属企业间采购名录和生产商库存资源。
10.一种铁路物资供应资源推荐系统，包括处理器和存储器，其特征在于，所述存储器中存储有计算机指令，所述处理器用于执行所述存储器中存储的计算机指令，当所述计算机指令被处理器执行时该系统实现如权利要求1至9中任一项所述方法的步骤。
11.一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至9中任一项所述方法的步骤。
CN202210860324.7A 2022-07-21 2022-07-21 铁路物资供应资源推荐方法、系统和存储介质 Active CN115422438B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210860324.7A CN115422438B (zh) 2022-07-21 2022-07-21 铁路物资供应资源推荐方法、系统和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210860324.7A CN115422438B (zh) 2022-07-21 2022-07-21 铁路物资供应资源推荐方法、系统和存储介质

Publications (2)

Publication Number Publication Date
CN115422438A CN115422438A (zh) 2022-12-02
CN115422438B true CN115422438B (zh) 2023-07-28

Family

ID=84195666

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210860324.7A Active CN115422438B (zh) 2022-07-21 2022-07-21 铁路物资供应资源推荐方法、系统和存储介质

Country Status (1)

Country Link
CN (1) CN115422438B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116012039A (zh) * 2022-12-30 2023-04-25 广西电网有限责任公司南宁供电局 一种基于双向匹配的电力生态伙伴资源配比方法
CN115829695B (zh) * 2023-02-16 2023-05-12 中信联合云科技有限责任公司 基于数据处理的电商线上线下货物调配方法和装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110866180A (zh) * 2019-10-12 2020-03-06 平安国际智慧城市科技股份有限公司 资源推荐方法、服务器及存储介质
WO2021068610A1 (zh) * 2019-10-12 2021-04-15 平安国际智慧城市科技股份有限公司 资源推荐的方法、装置、电子设备及存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160217399A1 (en) * 2015-01-22 2016-07-28 Elementum Scm (Cayman) Ltd. Method and system for monitoring shipments in a supply and/or logistics chain
CN112184401B (zh) * 2020-09-22 2021-05-14 筑客网络技术（上海）有限公司 一种用于建材招投标平台的智能匹配方法
CN112381616A (zh) * 2020-11-28 2021-02-19 武汉虹信技术服务有限责任公司 物品推荐引导方法、装置及计算机设备
CN113051480A (zh) * 2021-04-22 2021-06-29 深圳壹账通智能科技有限公司 资源推送方法、装置、电子设备及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110866180A (zh) * 2019-10-12 2020-03-06 平安国际智慧城市科技股份有限公司 资源推荐方法、服务器及存储介质
WO2021068610A1 (zh) * 2019-10-12 2021-04-15 平安国际智慧城市科技股份有限公司 资源推荐的方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN115422438A (zh) 2022-12-02

Similar Documents

Publication Publication Date Title
CN115422438B (zh) 铁路物资供应资源推荐方法、系统和存储介质
Bughin et al. The impact of Internet technologies: Search
US9020933B2 (en) Identifying inadequate search content
WO2018053966A1 (zh) 点击率预估
WO2018040069A1 (zh) 信息推荐系统及方法
JP6373462B1 (ja) 予測装置、予測方法及び予測プログラム
Wang et al. Database submission—market dynamics and user-generated content about tablet computers
TW201327233A (zh) 個性化的資訊推送方法及裝置
US20120271806A1 (en) Generating domain-based training data for tail queries
US9330071B1 (en) Tag merging
Badriyah et al. Recommendation system for property search using content based filtering method
US20130179218A1 (en) Seller conversion factor to ranking score for presented item listings
US20160171590A1 (en) Push-based category recommendations
US20170228378A1 (en) Extracting topics from customer review search queries
KR20090017268A (ko) 사용자의 관심 키워드를 업데이트 하는 방법과 그 방법을수행하기 위한 시스템
Hong et al. Measuring product type with dynamics of online product review variance
Preibusch et al. The privacy landscape: product differentiation on data collection
Liu et al. A study on the influencing factors of tourism demand from mainland China to Hong Kong
CN105468649A (zh) 一种待展示对象匹配的判断方法及其装置
Ivanov The digital marketing with the application of cloud technologies
CN114969566B (zh) 一种距离度量的政务服务事项协同过滤推荐方法
Ivanov Cloud-based Digital Marketing.
Lin et al. A computer-based approach for analyzing consumer demands in electronic word-of-mouth
US20150142782A1 (en) Method for associating metadata with images
Jürgensmeier et al. Measuring Fair Competition on Digital Platforms

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