CN117217859A - 用于采购平台的智能推荐方法、装置、电子设备及介质 - Google Patents
用于采购平台的智能推荐方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN117217859A CN117217859A CN202311137563.0A CN202311137563A CN117217859A CN 117217859 A CN117217859 A CN 117217859A CN 202311137563 A CN202311137563 A CN 202311137563A CN 117217859 A CN117217859 A CN 117217859A
- Authority
- CN
- China
- Prior art keywords
- supplier
- user
- total
- satisfaction
- bayesian distribution
- 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 40
- 238000004590 computer program Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000012552 review Methods 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000007774 longterm Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000007115 recruitment Effects 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及人工智能技术领域,特别涉及一种用于采购平台的智能推荐方法、装置、电子设备及介质,其中,方法包括:提取采购平台上的用户采购数据和供应商数据;识别用户采购数据中用户选择每个供应商的满意总次数和不满意总次数,识别供应商数据中供应商列表;将用户选择每个供应商的满意总次数和不满意总次数、供应商列表输入智能匹配模型,智能匹配模型输出每个供应商的贝叶斯分布值,根据贝叶斯分布值推荐供应商。由此,解决了相关技术通常通过专家评审选择供应商,导致供应商选择的效率较低和准确性较差,无法满足用户的选择需求等问题。
Description
技术领域
本申请涉及人工智能技术领域,特别涉及一种用于采购平台的智能推荐方法、装置、电子设备及介质。
背景技术
采购的目标在候选的供应商中是选出最适合的供应商,对于采购方而言,传统做法一般是通过专家对供应商评分,进而然后选择分数高的供应商,而用户需求的是多元化的,因此在实际中专家的评分与实际使用该产品的用户对产品的满意度并不完全一致。
在实际的策略执行中,还存在着收益和探索之间的平衡。当得到一定量的用户反馈后,按照价值最大化原则,在下次选择供应商时,一般会选择反馈最好的供应商,但是这种策略会失去探索出潜在的更好的供应商的机会,如未选择过的供应商,或者选择次数较少的供应商,但是如果一味的选择探索新的供应商,则会导致用户反馈的满意度下降。
发明内容
本申请提供一种用于采购平台的智能推荐方法、装置、电子设备及存储介质,以解决相关技术通常通过专家评审选择供应商,导致供应商选择的效率较低和准确性较差,无法满足用户的选择需求等问题。
本申请第一方面实施例提供一种用于采购平台的智能推荐方法,包括以下步骤:提取采购平台上的用户采购数据和供应商数据;识别所述用户采购数据中用户选择每个供应商的满意总次数和不满意总次数,识别所述供应商数据中供应商列表;将所述用户选择每个供应商的满意总次数和不满意总次数、所述供应商列表输入智能匹配模型,所述智能匹配模型输出每个供应商的贝叶斯分布值,根据所述贝叶斯分布值推荐供应商。
可选地,所述智能匹配模型的匹配流程包括:获取所述供应商列表中每个供应商的贝叶斯分布的先验参数;根据所述用户选择每个供应商的满意总次数和不满意总次数、所述每个供应商的贝叶斯分布的先验参数计算每个供应商的贝叶斯分布值。
可选地,所述每个供应商的贝叶斯分布值的计算公式为:
c(i)=Beta(a(i)+S(i),b(i)+F(i))
其中,c(i)为第i个供应商的贝叶斯分布值,a(i)为用户对第i个供应商的满意程度,b(i)为用户对第i个供应商的不满意程度,S(i)为用户反馈的对第i个供应商的满意总次数,F(i)为用户反馈的对第i个供应商的不满意的总次数,a为每个供应商贝叶斯分布的第一先验参数,b为每个供应商贝叶斯分布的第二先验参数。
可选地,所述根据所述贝叶斯分布值推荐供应商,包括:推荐所述贝叶斯分布值最大的供应商。
可选地,在根据所述贝叶斯分布值推荐供应商之后,还包括:获取用户对于推荐的供应商的反馈数据;根据所述反馈数据更新对应供应商的满意总次数或不满意总次数。
本申请第二方面实施例提供一种用于采购平台的智能推荐装置,包括:提取模块,用于提取采购平台上的用户采购数据和供应商数据;识别模块,用于识别所述用户采购数据中用户选择每个供应商的满意总次数和不满意总次数,识别所述供应商数据中供应商列表;推荐模块,用于将所述用户选择每个供应商的满意总次数和不满意总次数、所述供应商列表输入智能匹配模型,所述智能匹配模型输出每个供应商的贝叶斯分布值,根据所述贝叶斯分布值推荐供应商。
可选地,所述智能匹配模型的匹配流程包括:获取所述供应商列表中每个供应商的贝叶斯分布的先验参数;根据所述用户选择每个供应商的满意总次数和不满意总次数、所述每个供应商的贝叶斯分布的先验参数计算每个供应商的贝叶斯分布值。
可选地,所述每个供应商的贝叶斯分布值的计算公式为:
c(i)=Beta(a(i)+S(i),b(i)+F(i))
其中,c(i)为第i个供应商的贝叶斯分布值,a(i)为用户对第i个供应商的满意程度,b(i)为用户对第i个供应商的不满意程度,S(i)为用户反馈的对第i个供应商的满意总次数,F(i)为用户反馈的对第i个供应商的不满意的总次数,a为每个供应商贝叶斯分布的第一先验参数,b为每个供应商贝叶斯分布的第二先验参数。
可选地,所述推荐模块,进一步用于推荐所述贝叶斯分布值最大的供应商。
可选地,用于采购平台的智能推荐装置还包括:获取模块,用于在根据所述贝叶斯分布值推荐供应商之后,获取用户对于推荐的供应商的反馈数据;更新模块,用于根据所述反馈数据更新对应供应商的满意总次数或不满意总次数。
本申请第三方面实施例提供一种电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序,以实现如上述实施例所述的用于采购平台的智能推荐方法。
本申请第四方面实施例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,以用于实现如上述实施例所述的用于采购平台的智能推荐方法。
由此,本申请至少具有如下有益效果:
本申请实施例可以在每次采购选择供应商时,通过将用户采购数据中用户选择每个供应商的满意总次数和不满意总次数,以及供应商数据中供应商列表输入智能匹配模型,计算每个供应商的贝叶斯分布值,根据贝叶斯分布值确定供应商,从而可以自动为用户推荐符合用户需求的供应商,提升供应商推荐的效率和准确性,提升供应商选择的智能性,进而提升用户的使用体验,有效满足用户的选择需求。由此,解决了相关技术通常通过专家评审选择供应商,导致供应商选择的效率较低和准确性较差,无法满足用户的选择需求等问题。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本申请实施例提供的用于采购平台的智能推荐方法的流程图;
图2为根据本申请实施例提供的用于采购平台的智能推荐装置的示例图;
图3为根据本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的用于采购平台的智能推荐方法、装置、电子设备及存储介质。针对上述背景技术中提到的问题,本申请提供了一种用于采购平台的智能推荐方法,在每次采购选择供应商时,通过将用户采购数据中用户选择每个供应商的满意总次数和不满意总次数,以及供应商数据中供应商列表输入智能匹配模型,计算每个供应商的贝叶斯分布值,根据贝叶斯分布值确定供应商,从而可以自动为用户推荐符合用户需求的供应商,提升供应商推荐的效率和准确性,提升供应商选择的智能性,进而提升用户的使用体验,有效满足用户的选择需求。由此,解决了相关技术通常通过专家评审选择供应商,导致供应商选择的效率较低和准确性较差,无法满足用户的选择需求等问题。
具体而言,图1为本申请实施例所提供的一种用于采购平台的智能推荐方法的流程示意图。
如图1所示,该用于采购平台的智能推荐方法包括以下步骤:
在步骤S101中,提取采购平台上的用户采购数据和供应商数据。
本申请实施例可以通过提取采购平台上的用户采购数据和供应商数据,对其进行分析和匹配确定采购策略,保证用户在长期采购中总体满意度最高。
在步骤S102中,识别用户采购数据中用户选择每个供应商的满意总次数和不满意总次数,识别供应商数据中供应商列表。
每次采购用户会反馈使用采购商品的满意度,本申请实施例可以通过采购平台收集记录用户反馈的采购商品的满意度,在历史的采购记录中,也会记录着用户选择每个供应商的满意总次数和不满意总次数;而采购平台同样也会收集多个供应商提供的产品和供应商信息,并组成供应商列表,进而根据用户的需求、选择每个供应商的满意总次数和不满意总次数和供应商列表选择最合适的供应商,尽最大可能满足用户需求。
在步骤S103中,将用户选择每个供应商的满意总次数和不满意总次数、供应商列表输入智能匹配模型,智能匹配模型输出每个供应商的贝叶斯分布值,根据贝叶斯分布值推荐供应商。
在联合招采过程中,作为实际招标的采购方,采购平台收集终端用户的采购需求,进行打包采购,假设有M个供应商招标,本申请实施例通过计算每个供应商的贝叶斯分布值,选出贝叶斯分布值最大的供应商为本次采购选择的供应商。由此,根据历史上采购中用户选择每个供应商的满意总次数和不满意总次数,选择的供应商和对应的用户满意度反馈,确定本次采购中的供应商选择策略,最大化长期联合招采中的总体用户满意度。
在实际执行过程中,本申请实施例可以通过智能匹配模型输出每个供应商的贝叶斯分布值,进而推荐预测满意度反馈值最大的供应商,以保证用户长时间维度的总体满意度相对较高。
其中,智能匹配模型的匹配流程包括:获取供应商列表中每个供应商的贝叶斯分布的先验参数;根据用户选择每个供应商的满意总次数和不满意总次数、每个供应商的贝叶斯分布的先验参数计算每个供应商的贝叶斯分布值。
具体而言,本申请实施例可以使用Beta分布来辅助决策供应商的选择,可以为每个供应商分配一个Beta分布,由专家知识确定每个供应商Beta分布的先验参数a,b,对于第i个供应商,其先验分布为Beta(a(i),b(i))。a(i)和b(i)反映了专家对该供应商用户满意度的一个先验知识,其中,a(i)表示满意程度,b(i)表示不满意程度。
举例而言,由于每次联合招采后,都会记录和更新供应商得到的用户满意度反馈,对于供应商i,本申请实施例可以用S(i)和F(i)分别记录用户反馈满意和不满意的总体次数,初始值S(i)=F(i)=0。
对于一个长期采购序列N:(1…n…N)中的第n次采购,本申请实施例可以分别计算M个供应商的Beta分布采样,对于第i个供应商,可以根据以下公式计算得到贝叶斯分布值:
c(i)=Beta(a(i)+S(i),b(i)+F(i))
进一步地,如果有M个供应商,就会有M个贝叶斯分布值,而本申请实施例可以选择贝叶斯分布值最大的供应商作为本次采购选择的供应商。
在本申请的一个实施例中,在根据贝叶斯分布值推荐供应商之后,还包括:获取用户对于推荐的供应商的反馈数据;根据反馈数据更新对应供应商的满意总次数或不满意总次数。
可以理解的是,本申请实施例可以在每次推荐供应商之后,获取用户对于推荐的供应商的反馈数据,如满意或者不满意,假定用户已选择的是第m个供应商(c(m)在所有c值中最大),得到相应的用户反馈,如果用户反馈满意,则满意的总体次数加一,S(m)=S(m)+1;如果用户反馈不满意,则不满意的总体次数加一,即F(m)=F(m)+1,为后续用户采购选择供应商提供真实的反馈数据,使得在每次采购选择供应商时,都能保证用户的满意度和收益最高。
根据本申请实施例提出的采购平台的智能推荐方法,在每次采购选择供应商时,通过将用户采购数据中用户选择每个供应商的满意总次数和不满意总次数,以及供应商数据中供应商列表输入智能匹配模型,计算每个供应商的贝叶斯分布值,根据贝叶斯分布值确定供应商,从而可以自动为用户推荐符合用户需求的供应商,提升供应商推荐的效率和准确性,提升供应商选择的智能性,进而提升用户的使用体验,有效满足用户的选择需求。由此,解决了相关技术通常通过专家评审选择供应商,导致供应商选择的效率较低和准确性较差,无法满足用户的选择需求等问题。
其次参照附图描述根据本申请实施例提出的用于采购平台的智能推荐装置。
图2是本申请实施例的用于采购平台的智能推荐装置的方框示意图。
如图2所示,该用于采购平台的智能推荐装置10包括:提取模块100、识别模块200和推荐模块300。
其中,提取模块100用于提取采购平台上的用户采购数据和供应商数据;识别模块200用于识别用户采购数据中用户选择每个供应商的满意总次数和不满意总次数,识别供应商数据中供应商列表;推荐模块300用于将用户选择每个供应商的满意总次数和不满意总次数、供应商列表输入智能匹配模型,智能匹配模型输出每个供应商的贝叶斯分布值,根据贝叶斯分布值推荐供应商。
在本申请的一个实施例中,智能匹配模型的匹配流程包括:获取供应商列表中每个供应商的贝叶斯分布的先验参数;根据用户选择每个供应商的满意总次数和不满意总次数、每个供应商的贝叶斯分布的先验参数计算每个供应商的贝叶斯分布值。
在本申请的一个实施例中,每个供应商的贝叶斯分布值的计算公式为:
c(i)=Beta(a(i)+S(i),b(i)+F(i))
其中,c(i)为第i个供应商的贝叶斯分布值,a(i)为用户对第i个供应商的满意程度,b(i)为用户对第i个供应商的不满意程度,S(i)为用户反馈的对第i个供应商的满意总次数,F(i)为用户反馈的对第i个供应商的不满意的总次数,a为每个供应商贝叶斯分布的第一先验参数,b为每个供应商贝叶斯分布的第二先验参数。
在本申请的一个实施例中,推荐模块300进一步用于推荐贝叶斯分布值最大的供应商。
在本申请的一个实施例中,用于采购平台的智能推荐装置10还包括:获取模块和更新模块。
其中,获取模块用于在根据贝叶斯分布值推荐供应商之后,获取用户对于推荐的供应商的反馈数据;更新模块用于根据反馈数据更新对应供应商的满意总次数或不满意总次数。
需要说明的是,前述对用于采购平台的智能推荐方法实施例的解释说明也适用于该实施例的用于采购平台的智能推荐装置,此处不再赘述。
根据本申请实施例提出的用于采购平台的智能推荐装置,在每次采购选择供应商时,通过将用户采购数据中用户选择每个供应商的满意总次数和不满意总次数,以及供应商数据中供应商列表输入智能匹配模型,计算每个供应商的贝叶斯分布值,根据贝叶斯分布值确定供应商,从而可以自动为用户推荐符合用户需求的供应商,提升供应商推荐的效率和准确性,提升供应商选择的智能性,进而提升用户的使用体验,有效满足用户的选择需求。由此,解决了相关技术通常通过专家评审选择供应商,导致供应商选择的效率较低和准确性较差,无法满足用户的选择需求等问题。
图3为本申请实施例提供的电子设备的结构示意图。该电子设备可以包括:
存储器301、处理器302及存储在存储器301上并可在处理器302上运行的计算机程序。
处理器302执行程序时实现上述实施例中提供的用于采购平台的智能推荐方法。
进一步地,电子设备还包括:
通信接口303,用于存储器301和处理器302之间的通信。
存储器301,用于存放可在处理器302上运行的计算机程序。
存储器301可能包含高速RAM(Random Access Memory,随机存取存储器)存储器,也可能还包括非易失性存储器,例如至少一个磁盘存储器。
如果存储器301、处理器302和通信接口303独立实现,则通信接口303、存储器301和处理器302可以通过总线相互连接并完成相互间的通信。总线可以是ISA(IndustryStandard Architecture,工业标准体系结构)总线、PCI(Peripheral Component,外部设备互连)总线或EISA(Extended Industry Standard Architecture,扩展工业标准体系结构)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图3中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
可选的,在具体实现上,如果存储器301、处理器302及通信接口303,集成在一块芯片上实现,则存储器301、处理器302及通信接口303可以通过内部接口完成相互间的通信。
处理器302可能是一个CPU(Central Processing Unit,中央处理器),或者是ASIC(Application Specific Integrated Circuit,特定集成电路),或者是被配置成实施本申请实施例的一个或多个集成电路。
本申请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,该程序被处理器执行时实现如上的用于采购平台的智能推荐方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不是必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“N个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列,现场可编程门阵列等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种用于采购平台的智能推荐方法,其特征在于,包括以下步骤:
提取采购平台上的用户采购数据和供应商数据;
识别所述用户采购数据中用户选择每个供应商的满意总次数和不满意总次数,识别所述供应商数据中供应商列表;
将所述用户选择每个供应商的满意总次数和不满意总次数、所述供应商列表输入智能匹配模型,所述智能匹配模型输出每个供应商的贝叶斯分布值,根据所述贝叶斯分布值推荐供应商。
2.根据权利要求1所述的用于采购平台的智能推荐方法,其特征在于,所述智能匹配模型的匹配流程包括:
获取所述供应商列表中每个供应商的贝叶斯分布的先验参数;
根据所述用户选择每个供应商的满意总次数和不满意总次数、所述每个供应商的贝叶斯分布的先验参数计算每个供应商的贝叶斯分布值。
3.根据权利要求2所述的用于采购平台的智能推荐方法,其特征在于,所述每个供应商的贝叶斯分布值的计算公式为:
c(i)=Beta(a(i)+S(i),b(i)+F(i))
其中,c(i)为第i个供应商的贝叶斯分布值,a(i)为用户对第i个供应商的满意程度,b(i)为用户对第i个供应商的不满意程度,S(i)为用户反馈的对第i个供应商的满意总次数,F(i)为用户反馈的对第i个供应商的不满意的总次数,a为每个供应商贝叶斯分布的第一先验参数,b为每个供应商贝叶斯分布的第二先验参数。
4.根据权利要求1所述的用于采购平台的智能推荐方法,其特征在于,所述根据所述贝叶斯分布值推荐供应商,包括:
推荐所述贝叶斯分布值最大的供应商。
5.根据权利要求1或4所述的用于采购平台的智能推荐方法,其特征在于,在根据所述贝叶斯分布值推荐供应商之后,还包括:
获取用户对于推荐的供应商的反馈数据;
根据所述反馈数据更新对应供应商的满意总次数或不满意总次数。
6.一种用于采购平台的智能推荐装置,其特征在于,包括:
提取模块,用于提取采购平台上的用户采购数据和供应商数据;
识别模块,用于识别所述用户采购数据中用户选择每个供应商的满意总次数和不满意总次数,识别所述供应商数据中供应商列表;
推荐模块,用于将所述用户选择每个供应商的满意总次数和不满意总次数、所述供应商列表输入智能匹配模型,所述智能匹配模型输出每个供应商的贝叶斯分布值,根据所述贝叶斯分布值推荐供应商。
7.根据权利要求6所述的用于采购平台的智能推荐装置,其特征在于,所述智能匹配模型的匹配流程包括:
获取所述供应商列表中每个供应商的贝叶斯分布的先验参数;
根据所述用户选择每个供应商的满意总次数和不满意总次数、所述每个供应商的贝叶斯分布的先验参数计算每个供应商的贝叶斯分布值。
8.根据权利要求6所述的用于采购平台的智能推荐装置,其特征在于,所述推荐模块,进一步用于:
推荐所述贝叶斯分布值最大的供应商。
9.一种电子设备,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序,以实现如权利要求1-5任一项所述的用于采购平台的智能推荐方法。
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,以用于实现如权利要求1-5任一项所述的用于采购平台的智能推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311137563.0A CN117217859A (zh) | 2023-09-05 | 2023-09-05 | 用于采购平台的智能推荐方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311137563.0A CN117217859A (zh) | 2023-09-05 | 2023-09-05 | 用于采购平台的智能推荐方法、装置、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117217859A true CN117217859A (zh) | 2023-12-12 |
Family
ID=89036359
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311137563.0A Pending CN117217859A (zh) | 2023-09-05 | 2023-09-05 | 用于采购平台的智能推荐方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117217859A (zh) |
-
2023
- 2023-09-05 CN CN202311137563.0A patent/CN117217859A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107392645A (zh) | 用户挖掘方法、装置及其设备 | |
CN110363569A (zh) | 数据产品推荐方法、装置、计算机设备和存储介质 | |
KR102362994B1 (ko) | 보험 상품 추천 서비스 제공 방법, 장치 및 컴퓨터프로그램 | |
CN111797320A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN110263136B (zh) | 基于强化学习模型向用户推送对象的方法和装置 | |
CN108667877B (zh) | 确定推荐信息的方法及装置、计算机设备及存储介质 | |
CN115631014A (zh) | 一种商品智能推荐方法及系统 | |
CN112446717A (zh) | 广告投放方法及装置 | |
EP3961507A1 (en) | Optimal policy learning and recommendation for distribution task using deep reinforcement learning model | |
CN111325572B (zh) | 一种数据处理方法及装置 | |
CN112819507A (zh) | 一种服务推送方法、装置、电子设备以及可读存储介质 | |
CN117217859A (zh) | 用于采购平台的智能推荐方法、装置、电子设备及介质 | |
CN111768246A (zh) | 一种数据处理方法、模型建立方法、装置及电子设备 | |
CN116385039A (zh) | 一种营销策略的生成方法、装置及终端设备 | |
CN115907207A (zh) | 一种投标过程中报价区间的预测方法、系统、终端及介质 | |
CN115238194A (zh) | 书籍推荐方法、计算设备及计算机存储介质 | |
CN114969517A (zh) | 对象推荐模型的训练方法、推荐方法、装置及电子设备 | |
CN113129108A (zh) | 基于Double DQN算法的产品推荐方法及装置 | |
CN110992071B (zh) | 一种服务策略制定方法、装置、存储介质及电子设备 | |
CN117217854A (zh) | 用于采购平台的智能推荐方法、装置、电子设备及介质 | |
CN117216379A (zh) | 上下文相关的联合招采供应商选择方法、装置及电子设备 | |
CN113987353B (zh) | 书籍推荐方法、计算设备及存储介质 | |
CN117217861A (zh) | 用于采购平台的智能推荐方法、装置、电子设备及介质 | |
Refaei Afshar et al. | Reinforcement learning method for ad networks ordering in real-time bidding | |
CN111598638A (zh) | 点击率确定方法、装置及设备 |
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 |