CN117495515B - 招投标智能匹配方法、***、计算机设备及存储介质 - Google Patents
招投标智能匹配方法、***、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN117495515B CN117495515B CN202311840428.2A CN202311840428A CN117495515B CN 117495515 B CN117495515 B CN 117495515B CN 202311840428 A CN202311840428 A CN 202311840428A CN 117495515 B CN117495515 B CN 117495515B
- Authority
- CN
- China
- Prior art keywords
- bidding
- bid
- history
- array
- duty ratio
- 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 41
- 230000002159 abnormal effect Effects 0.000 claims abstract description 20
- 238000012216 screening Methods 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 7
- 238000012163 sequencing technique Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 29
- 238000003491 array Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 11
- 230000007115 recruitment Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 7
- 239000002023 wood Substances 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000003550 marker Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 239000004568 cement Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- GOLXNESZZPUPJE-UHFFFAOYSA-N spiromesifen Chemical compound CC1=CC(C)=CC(C)=C1C(C(O1)=O)=C(OC(=O)CC(C)(C)C)C11CCCC1 GOLXNESZZPUPJE-UHFFFAOYSA-N 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000006870 function Effects 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
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 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
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据处理技术领域,特别是涉及一种招投标智能匹配方法、***、计算机设备及存储介质。其中,该方法包括获取投标企业的投标历史特征、浏览历史特征及多个候选招标项目的招标特征;分别将投标历史特征、浏览历史特征与招标特征进行对比构建相应的投标对比数组及浏览对比数组,根据对比结果数组与一异常数组之间的余弦相似度进行排序,得到多个候选招标项目的投标历史相似度及浏览历史相似度;筛选预设周期内投标历史特征,基于投标历史特征利用K近邻算法确定最优占比系数,从而计算候选招标项目的最终相似度向所述投标企业推荐高相似度的候选招标项目。通过本发明实现提供更符合投标企业需求的推荐结果。
Description
技术领域
本发明涉及数据处理技术领域,特别是涉及一种招投标智能匹配方法、***、计算机设备及存储介质。
背景技术
随着建筑行业招投标业务的复杂度越来越高,在互联网线上招投标需求越来越多,而建筑行业的物资类型非常的繁多,而且存在不同地区、不同品牌、不同规格价格差异较大的情况,在这种背景条件下,投标企业想要能够准确的与其目标企业进行匹配,需要能够在业务中获取与所自己预期招标项匹配的招标项目。
但现有的一些招投标平台中,一般是通过投标企业在平台设置筛选项的方式,筛选与其预期投标的招标项类型、可供货区域等基础信息适配的信息获取目标招标信息,平台基于投标企业预设的既定条件进行匹配。这种匹配方式需要企业根据自身条件单独设置标签,标签类别繁杂多样且缺少客观性;也无法灵活适应企业变化,每次变化需要调整筛选项或标签,极大增加成本;进一步的,也无法挖掘出招标企业在招标项中所隐藏的深层兴趣趋向。
发明内容
本发明实施例提供了一种应用于建筑行业招投标***的招投标智能匹配方法、***、计算机设备和计算机可读存储介质,提高运算效率,提供更符合投标企业需求的推荐结果。
第一方面,本发明实施例提供了一种招投标智能匹配方法,应用于建筑行业在线招投标***,包括:
投标企业数据获取步骤,获取所述在线招投标***中投标企业的数据读取许可并基于预配置项及数据读取许可获取所述投标企业的投标历史特征、浏览历史特征及多个处于招标报名状态的候选招标项目的招标特征;所述预配置项至少包括:供货区域、招标项、品牌、付款方式或是否为境外项目。
历史招投特征匹配步骤,分别将所述投标历史特征、浏览历史特征与所述招标特征进行对比构建相应的投标对比数组及浏览对比数组,根据所述对比结果数组与一异常数组之间的余弦相似度进行排序,得到多个候选招标项目的投标历史相似度t及浏览历史相似度l,其中,所述异常数组配置为与所述对比结果数组元素个数相同的元素值均为1的数组,用于表示招标特征与每一所述预配置项完全相同的情况;
招投标匹配推荐步骤,筛选预设周期内投标历史特征,基于所述预设周期内投标历史特征利用K近邻算法确定最优占比系数d,根据所述最优占比系数d计算所述候选招标项目的最终相似度,根据所述最终相似度降序向所述投标企业推荐相应的候选招标项目,其中,最终相似度可基于如下计算模型计算得到:
sum=d×t j +(1-d)×l j,其中,j=[1,N],N为候选招标项目数量,最优占比系数d是基于一投标历史特征占比系数x及相应浏览历史特征占比系数(1-x)枚举迭代得到的,基于该投标历史特征占比系数x及浏览历史特征占比系数(1-x)计算最终相似度确定预选推荐的候选招标项目并计算预选推荐的候选招标项目在所述预设周期内投标历史特征中的占比,将使所述占比值最高的投标历史特征占比系数x作为最优占比系数d。
在其中一些实施例中,所述历史招投特征匹配步骤进一步包括:
投标对比数组获取步骤,对比所述投标历史特征与多个所述招标特征并配置一第一标记值为1或0,基于所述第一标记值构建所述投标对比数组;
浏览对比数组获取步骤,对比所述浏览历史特征与多个所述招标特征并配置一第二标记值为1或0,基于所述第二标记值构建所述浏览对比数组;
余弦相似度计算步骤,分别计算所述投标对比数组、所述浏览对比数组与所述异常数组的余弦相似度。
在其中一些实施例中,所述招投标匹配推荐步骤中,通过在预设范围内枚举所述投标历史特征占比系数x,相应浏览历史特征占比系数为(1-x),将所述投标历史特征占比系数x及浏览历史特征占比系数(1-x)代入最终相似度计算模型计算最终相似度,将根据所述最终相似度降序得到所述预选推荐的候选招标项目,计算所述预选推荐的候选招标项目与所述预设周期内投标历史特征的重合特征在所述预设周期内投标历史特征的占比y,占比y最高的投标历史特征占比系数x为最优占比系数d,所述预设范围配置为10%至80%。
在其中一些实施例中,所述余弦相似度cos(θ)可基于如下计算模型计算得到:
,
其中,x i为所述投标对比数组或浏览对比数组的取值,y i为所述异常数组的取值,i=[1,n],n为数组元素数。
第二方面,本发明实施例提供了一种招投标智能匹配***,包括:
投标企业数据获取模块,用于获取所述在线招投标***中投标企业的数据读取许可并基于预配置项及数据读取许可获取所述投标企业的投标历史特征、浏览历史特征及多个处于招标报名状态的候选招标项目的招标特征;所述预配置项至少包括:供货区域、招标项、品牌、付款方式或是否为境外项目。
历史招投特征匹配模块,用于分别将所述投标历史特征、浏览历史特征与所述招标特征进行对比构建相应的投标对比数组及浏览对比数组,根据所述对比结果数组与一异常数组之间的余弦相似度进行排序,得到多个候选招标项目的投标历史相似度t及浏览历史相似度l,其中,所述异常数组配置为与所述对比结果数组元素个数相同的元素值均为1的数组,用于表示招标特征与每一所述预配置项完全相同的情况;
招投标匹配推荐模块,用于筛选预设周期内投标历史特征,基于所述预设周期内投标历史特征利用K近邻算法确定最优占比系数d,根据所述最优占比系数d计算所述候选招标项目的最终相似度,根据所述最终相似度降序向所述投标企业推荐相应的候选招标项目,其中,最终相似度可基于如下计算模型计算得到:
sum=d×t j +(1-d)×l j,其中,j=[1,N],N为候选招标项目数量,最优占比系数d是基于一投标历史特征占比系数x及相应浏览历史特征占比系数(1-x)枚举迭代得到的,基于该投标历史特征占比系数x及浏览历史特征占比系数(1-x)计算最终相似度确定预选推荐的候选招标项目并计算预选推荐的候选招标项目在所述预设周期内投标历史特征中的占比,将使所述占比值最高的投标历史特征占比系数x作为最优占比系数d。
在其中一些实施例中,所述历史招投特征匹配模块进一步包括:
投标对比数组获取模块,用于对比所述投标历史特征与多个所述招标特征并配置一第一标记值为1或0,基于所述第一标记值构建所述投标对比数组;
浏览对比数组获取模块,用于对比所述浏览历史特征与多个所述招标特征并配置一第二标记值为1或0,基于所述第二标记值构建所述浏览对比数组;
余弦相似度计算模块,用于分别计算所述投标对比数组、所述浏览对比数组与所述异常数组的余弦相似度。
在其中一些实施例中,所述招投标匹配推荐模块中,通过在预设范围内枚举所述投标历史特征占比系数x,相应浏览历史特征占比系数为(1-x),将所述投标历史特征占比系数x及浏览历史特征占比系数(1-x)代入最终相似度计算模型计算最终相似度,将根据所述最终相似度降序得到所述预选推荐的候选招标项目,计算所述预选推荐的候选招标项目与所述预设周期内投标历史特征的重合特征在所述预设周期内投标历史特征的占比y,占比y最高的投标历史特征占比系数x为最优占比系数d,所述预设范围配置为10%至80%。
第三方面,本发明实施例提供了一种计算机设备,包括存储器、处理器以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计算机程序时实现如上述第一方面所述的招投标智能匹配方法。
第四方面,本发明实施例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上述第一方面所述的招投标智能匹配方法。
相比于相关技术,本发明实施例提供的招投标智能匹配方法、***、计算机设备及存储介质,基于投标企业的行为数据为其匹配相适应的投标企业进行推荐,结合了投标企业的投标历史特征及浏览历史特征,既可以利用既往的投标经验,也可以基于浏览历史特征挖掘出投标企业的隐藏需求,以提供更符合投标企业需求的推荐结果;同时,本申请实施例将招投标数据的数据结构进行规范,可以组合成招投标数据的多维矩阵,利用数组结构提高访问存储的效率,利用数组对招标项目中招投标数据进行同步运算,提高数据分析效率,在本申请应用于建筑行业招投标***的场景下,需要处理建筑项目中大宗大量采购错综复杂的数据,利用数组计算可以快速运算。
本发明的一个或多个实施例的细节在以下附图和描述中提出,以使本发明的其他特征、目的和优点更加简明易懂。
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,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的招投标智能匹配方法的流程图;
图2是根据本发明实施例的招投标智能匹配方法的分步骤流程图;
图3是根据本发明实施例的招投标智能匹配***的结构框图。
图中:
1、投标企业数据获取模块;2、历史招投标特征匹配模块;
3、招投标匹配推荐模块;201、投标对比数组获取模块;
202、浏览对比数组获取模块;203、余弦相似度计算模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行描述和说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。基于本发明提供的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
除非另作定义,本发明所涉及的技术术语或者科学术语应当为本发明所属技术领域内具有一般技能的人士所理解的通常意义。本发明所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制,可表示单数或复数。本发明所涉及的术语“包括”、“包含”、“具有”以及它们任何变形,意图在于覆盖不排他的包含;例如包含了一系列步骤或模块(单元)的过程、方法、***、产品或设备没有限定于已列出的步骤或单元,而是可以还包括没有列出的步骤或单元,或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本发明所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电气的连接,不管是直接的还是间接的。本发明所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本发明所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象,不代表针对对象的特定排序。
本实施例提供了一种招投标智能匹配方法,应用于建筑行业在线招投标***。图1至图2是根据本发明实施例的招投标智能匹配方法的流程图,如图1至图2所示,该流程包括如下步骤:
投标企业数据获取步骤S1,获取在线招投标***中投标企业的数据读取许可并基于预配置项及数据读取许可获取投标企业的投标历史特征、浏览历史特征及多个处于招标报名状态的候选招标项目的招标特征;预配置项至少包括:供货区域、招标项、品牌、付款方式或是否为境外项目。可选的,可以通过向用户发送数据请求弹窗、提供数据配置界面等交互方式获取用户准予读取数据的许可。
历史招投特征匹配步骤S2,分别将投标历史特征、浏览历史特征与招标特征进行对比构建相应的投标对比数组及浏览对比数组,根据对比结果数组与一异常数组之间的余弦相似度进行排序,得到多个候选招标项目的投标历史相似度t及浏览历史相似度l,其中,异常数组配置为与对比结果数组元素个数相同的元素值均为1的数组,用于表示招标特征与每一预配置项完全相同的情况,基于此,无需对投标企业或招标项目设置标签,根据特征进行表达即可,减少标注成本,且投标历史和浏览历史均为随着招投标活动过程不断更新数据的,可以适应在企业发展过程中的需求变化,无需过多调整标签或筛选项,也降低了调整成本;
招投标匹配推荐步骤S3,筛选预设周期内投标历史特征,基于预设周期内投标历史特征利用K近邻算法确定最优占比系数d,根据最优占比系数d计算候选招标项目的最终相似度,根据最终相似度降序向投标企业推荐相应的候选招标项目,其中,最终相似度可基于如下计算模型计算得到:
sum=d×t j +(1-d)×l j,其中,j=[1,N],N为候选招标项目数量,最优占比系数d是基于一投标历史特征占比系数x及相应浏览历史特征占比系数(1-x)枚举迭代得到的,基于该投标历史特征占比系数x及浏览历史特征占比系数(1-x)计算最终相似度确定预选推荐的候选招标项目并计算预选推荐的候选招标项目在所述预设周期内投标历史特征中的占比,将使所述占比值最高的投标历史特征占比系数x作为最优占比系数d。
在其中一些实施例中,历史招投特征匹配步骤S2进一步包括:
投标对比数组获取步骤S201,对比投标历史特征与多个招标特征并配置一第一标记值为1或0,若相同则所述第一标记值为1,否则,所述第一标记值为0,基于第一标记值构建投标对比数组;
浏览对比数组获取步骤S202,对比浏览历史特征与多个招标特征并配置一第二标记值为1或0,若相同则所述第二标记值为1,否则,所述第二标记值为0,基于第二标记值构建浏览对比数组;
余弦相似度计算步骤S203,分别计算投标对比数组、浏览对比数组与异常数组的余弦相似度,余弦相似度cos(θ)可基于如下计算模型计算得到:
,
其中,x i为投标对比数组或浏览对比数组的取值,y i为异常数组的取值,i=[1,n],n为数组元素数。通过计算该余弦相似度判断投标历史或浏览历史与招标特征与每一预配置项完全相同的情况是否相似,更好的推荐与投标企业(即供应商)各配置项更匹配的招标企业。
在其中一些实施例中,招投标匹配推荐步骤S3中,通过在预设范围内枚举所述投标历史特征占比系数x,相应浏览历史特征占比系数为(1-x),将所述投标历史特征占比系数x及浏览历史特征占比系数(1-x)代入最终相似度计算模型计算最终相似度,将根据所述最终相似度降序得到所述预选推荐的候选招标项目,计算所述预选推荐的候选招标项目与所述预设周期内投标历史特征的重合特征在所述预设周期内投标历史特征的占比y,占比y最高的投标历史特征占比系数x为最优占比系数d,预设范围配置为10%至80%。
基于上述步骤,本申请实施例基于投标企业的行为数据为其匹配相适应的投标企业进行推荐,结合了投标企业的投标历史特征及浏览历史特征,既可以利用既往的投标经验,也可以基于浏览历史特征挖掘出投标企业的隐藏需求,以提供更符合投标企业需求的推荐结果;同时,本申请实施例将招投标数据的数据结构进行规范,可以组合成招投标数据的多维矩阵,利用数组结构提高访问存储的效率,利用数组对招标项目中招投标数据进行同步运算,提高数据分析效率,在本申请应用于建筑行业招投标***的场景下,需要处理建筑项目中大宗大量采购错综复杂的数据,利用数组计算可以快速运算。
下面通过优选实施例对本发明实施例进行描述和说明。
通过投标企业数据获取步骤S1获取投标企业的投标历史特征、浏览历史特征及多个处于招标报名状态的候选招标项目的招标特征,举例但不限于,
投标历史特征、浏览历史特征的数据表示形式相同,具体为如下形式:
投标历史特征表示为 “区域:A市-a1区;类型:木方;境外项目:否”;
浏览历史特征表示为 “区域:A市-a1区;类型:[木胶板,木方];境外项目:否”;
候选招标项目的招标特征的数据表示为如下形式:“
1号招标;区域:A市-a1区;物资类型:水泥;境外项目:是;
2号招标;区域:B市-b1区;物资类型:水泥;境外项目:否;
3号招标;区域:A市-a1区;类型:木方;境外项目:否;
4号招标;区域:B市-b1区;类型:木方;境外项目:否;
5号招标;区域:A市-a1区;类型:木胶板;境外项目:否”;
经历史招投特征匹配步骤S2,基于上述投标历史特征与招标特征生成投标对比数组,投标对比数组可以表示为如下形式:“
1号招标形成数组为 [1,0,0]
2号招标形成数组为 [0,0,1]
3号招标形成数组为 [1,1,1]
4号招标形成数组为 [0,1,1]
5号招标形成数组为 [1,0,1]”;
浏览对比数组可以表示为如下形式:“
1号招标形成数组为 [1,0,0]
2号招标形成数组为 [0,0,1]
3号招标形成数组为 [1,1,1]
4号招标形成数组为 [0,1,1]
5号招标形成数组为 [1,1,1]”;
基于余弦相似度计算步骤S203中余弦相似度计算模型最终计算结果为:
1号招标投标历史相似度t 1为 0.57;浏览历史相似度l 1为0.57;
2号招标投标历史相似度t 2结果为 0.57;浏览历史相似度l 2为0.57;
3号招标投标历史相似度t 3结果为 1;浏览历史相似度l 3为1;
4号招标投标历史相似度t 4结果为 0.81;浏览历史相似度l 4为0.81;
5号招标投标历史相似度t 5结果为 0.81;浏览历史相似度l 5为1;
以计算得到的最优占比系数为80%为例,则基于上述实施例的最终相似度计算模型计算得到的最终相似度分别为:
1号招标 最终相似度=0.57×0.8+0.57×0.2=0.57;
2号招标 最终相似度=0.57×0.8+0.57×0.2=0.57;
3号招标 最终相似度=1×0.8+1×0.2=1;
4号招标 最终相似度=0.81×0.8 +0.81×0.2=0.81;
5号招标 最终相似度=0.81×0.8+1×0.2=0.848;
则将最终相似度进行降序排列依次为:3号招标,5号招标,4号招标,2号招标,1号招标,优先推荐3号招标项目至投标企业作为最匹配的候选招标项目,也可以是推荐前60%的候选招标项目,如3号招标、5号招标、4号招标,可根据投标企业的需求进行灵活推荐。
经测试,本申请实施例在招标过程中,实现为投标企业推荐更匹配的招标项目,大大提高了投标率,解决招标企业和投标企业双向的匹配需求,也提高了招投标平台的用户体验。
需要说明的是,在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本实施例还提供了一种招投标智能匹配***,该***用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图3是根据本发明实施例的招投标智能匹配***的结构框图,如图3所示,该***包括:
投标企业数据获取模块1,用于获取在线招投标***中投标企业的数据读取许可并基于预配置项及数据读取许可获取投标企业的投标历史特征、浏览历史特征及多个处于招标报名状态的候选招标项目的招标特征;预配置项至少包括:供货区域、招标项、品牌、付款方式或是否为境外项目。可选的,可以通过向用户发送数据请求弹窗、提供数据配置界面等交互方式获取用户准予读取数据的许可。
历史招投特征匹配模块2,用于分别将投标历史特征、浏览历史特征与招标特征进行对比构建相应的投标对比数组及浏览对比数组,根据对比结果数组与一异常数组之间的余弦相似度进行排序,得到多个候选招标项目的投标历史相似度t及浏览历史相似度l,其中,异常数组配置为与对比结果数组元素个数相同的元素值均为1的数组,用于表示招标特征与每一预配置项完全相同的情况,基于此,无需对投标企业或招标项目设置标签,根据特征进行表达即可,减少标注成本,且投标历史和浏览历史均为随着招投标活动过程不断更新数据的,可以适应在企业发展过程中的需求变化,无需过多调整标签或筛选项,也降低了调整成本;其中,历史招投特征匹配模块2进一步包括:
投标对比数组获取模块201,用于对比投标历史特征与多个招标特征并配置一第一标记值为1或0,若相同则所述第一标记值为1,否则,所述第一标记值为0,基于第一标记值构建投标对比数组;
浏览对比数组获取模块202,用于对比浏览历史特征与多个招标特征并配置一第二标记值为1或0,若相同则所述第二标记值为1,否则,所述第二标记值为0,基于第二标记值构建浏览对比数组;
余弦相似度计算模块203,用于分别计算投标对比数组、浏览对比数组与异常数组的余弦相似度,通过计算该余弦相似度判断投标历史或浏览历史与招标特征与每一预配置项完全相同的情况是否相似。
招投标匹配推荐模块3,用于筛选预设周期内投标历史特征,基于预设周期内投标历史特征利用K近邻算法确定最优占比系数d,根据最优占比系数d计算候选招标项目的最终相似度,根据最终相似度降序向投标企业推荐相应的候选招标项目,其中,最终相似度可基于如下计算模型计算得到:
sum=d×t j +(1-d)×l j,其中,j=[1,N],N为候选招标项目数量,最优占比系数d是基于一投标历史特征占比系数x及相应浏览历史特征占比系数(1-x)枚举迭代得到的,基于该投标历史特征占比系数x及浏览历史特征占比系数(1-x)计算最终相似度确定预选推荐的候选招标项目并计算预选推荐的候选招标项目在所述预设周期内投标历史特征中的占比,将使所述占比值最高的投标历史特征占比系数x作为最优占比系数d。
在其中一些实施例中,招投标匹配推荐模块3中,通过在预设范围内枚举所述投标历史特征占比系数x,相应浏览历史特征占比系数为(1-x),将所述投标历史特征占比系数x及浏览历史特征占比系数(1-x)代入最终相似度计算模型计算最终相似度,将根据所述最终相似度降序得到所述预选推荐的候选招标项目,计算所述预选推荐的候选招标项目与所述预设周期内投标历史特征的重合特征在所述预设周期内投标历史特征的占比y,占比y最高的投标历史特征占比系数x为最优占比系数d,预设范围配置为10%至80%。
上述模块的计算模型为与上述实施例相同之处,在此不作赘述。
基于上述结构,本申请实施例基于投标企业的行为数据为其匹配相适应的投标企业进行推荐,结合了投标企业的投标历史特征及浏览历史特征,既可以利用既往的投标经验,也可以基于浏览历史特征挖掘出投标企业的隐藏需求,以提供更符合投标企业需求的推荐结果;同时,本申请实施例将招投标数据的数据结构进行规范,可以组合成招投标数据的多维矩阵,利用数组结构提高访问存储的效率,利用数组对招标项目中招投标数据进行同步运算,提高数据分析效率,在本申请应用于建筑行业招投标***的场景下,需要处理建筑项目中大宗大量采购错综复杂的数据,利用数组计算可以快速运算。
需要说明的是,上述各个模块可以是功能模块也可以是程序模块,既可以通过软件来实现,也可以通过硬件来实现。对于通过硬件来实现的模块而言,上述各个模块可以位于同一处理器中;或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
另外,结合图1描述的本发明实施例招投标智能匹配方法可以由计算机设备来实现。计算机设备可以包括处理器以及存储有计算机程序指令的存储器。
具体地,上述处理器可以包括中央处理器(CPU),或者特定集成电路(ApplicationSpecific Integrated Circuit,简称为ASIC),或者可以被配置成实施本发明实施例的一个或多个集成电路。
其中,存储器可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器可包括硬盘驱动器(Hard Disk Drive,简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive,简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(Universal SerialBus,简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器可在数据处理装置的内部或外部。在特定实施例中,存储器是非易失性(Non-Volatile)存储器。在特定实施例中,存储器包括只读存储器(Read-Only Memory,简称为ROM)和随机存取存储器(Random AccessMemory,简称为RAM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory,简称为PROM)、可擦除PROM(Erasable ProgrammableRead-Only Memory,简称为EPROM)、电可擦除PROM(Electrically Erasable ProgrammableRead-Only Memory,简称为EEPROM)、电可改写ROM(Electrically Alterable Read-OnlyMemory,简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下,该RAM可以是静态随机存取存储器(Static Random-Access Memory,简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory,简称为DRAM),其中,DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode Dynamic Random Access Memory,简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic RandomAccess Memory,简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory,简称SDRAM)等。
存储器可以用来存储或者缓存需要处理和/或通信使用的各种数据文件,以及处理器所执行的可能的计算机程序指令。
处理器通过读取并执行存储器中存储的计算机程序指令,以实现上述实施例中的任意一种招投标智能匹配方法。
另外,结合上述实施例中的招投标智能匹配方法,本发明实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种招投标智能匹配方法。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种招投标智能匹配方法,应用于建筑行业在线招投标***,其特征在于,包括:
投标企业数据获取步骤,获取所述在线招投标***中投标企业的数据读取许可并基于预配置项及数据读取许可获取所述投标企业的投标历史特征、浏览历史特征及多个候选招标项目的招标特征;
历史招投特征匹配步骤,分别将所述投标历史特征、浏览历史特征与所述招标特征进行对比构建相应的投标对比数组及浏览对比数组作为对比结果数组,根据所述对比结果数组与一异常数组之间的余弦相似度进行排序,得到多个候选招标项目的投标历史相似度t及浏览历史相似度l,其中,所述异常数组配置为与所述对比结果数组元素个数相同的元素值均为1的数组,用于表示招标特征与每一所述预配置项完全相同的情况;
招投标匹配推荐步骤,筛选预设周期内投标历史特征,基于所述预设周期内投标历史特征利用K近邻算法确定最优占比系数d,根据所述最优占比系数d计算所述候选招标项目的最终相似度,根据所述最终相似度降序向所述投标企业推荐相应的候选招标项目,其中,最终相似度可基于如下计算模型计算得到:
sum=d×t j +(1-d)×l j,其中,j=[1,N],N为候选招标项目数量,最优占比系数d是基于一投标历史特征占比系数x及相应浏览历史特征占比系数(1-x)枚举迭代得到的,基于该投标历史特征占比系数x及浏览历史特征占比系数(1-x)计算最终相似度确定预选推荐的候选招标项目并计算预选推荐的候选招标项目在所述预设周期内投标历史特征中的占比,将使所述占比的值最高的投标历史特征占比系数x作为最优占比系数d,具体的,所述招投标匹配推荐步骤中,通过在预设范围内枚举所述投标历史特征占比系数x,相应浏览历史特征占比系数为(1-x),将所述投标历史特征占比系数x及浏览历史特征占比系数(1-x)代入最终相似度计算模型计算最终相似度,将根据所述最终相似度降序得到所述预选推荐的候选招标项目,计算所述预选推荐的候选招标项目与所述预设周期内投标历史特征的重合特征在所述预设周期内投标历史特征的占比y,占比y最高的投标历史特征占比系数x为最优占比系数d;
其中,所述历史招投特征匹配步骤进一步包括:
投标对比数组获取步骤,对比所述投标历史特征与多个所述招标特征并配置一第一标记值为1或0,基于所述第一标记值构建所述投标对比数组;
浏览对比数组获取步骤,对比所述浏览历史特征与多个所述招标特征并配置一第二标记值为1或0,基于所述第二标记值构建所述浏览对比数组;
余弦相似度计算步骤,分别计算所述投标对比数组、所述浏览对比数组与所述异常数组的余弦相似度。
2.根据权利要求1所述的招投标智能匹配方法,其特征在于,所述预设范围配置为10%至80%。
3.根据权利要求1所述的招投标智能匹配方法,其特征在于,所述余弦相似度cos(θ)可基于如下计算模型计算得到:
,
其中,x i为所述投标对比数组或浏览对比数组的取值,y i为所述异常数组的取值,i=[1,n],n为数组元素数。
4.一种招投标智能匹配***,其特征在于,包括:
投标企业数据获取模块,用于获取一在线招投标***中投标企业的数据读取许可并基于预配置项及数据读取许可获取所述投标企业的投标历史特征、浏览历史特征及多个候选招标项目的招标特征;
历史招投特征匹配模块,用于分别将所述投标历史特征、浏览历史特征与所述招标特征进行对比构建相应的投标对比数组及浏览对比数组作为对比结果数组,根据所述对比结果数组与一异常数组之间的余弦相似度进行排序,得到多个候选招标项目的投标历史相似度t及浏览历史相似度l,其中,所述异常数组配置为与所述对比结果数组元素个数相同的元素值均为1的数组,用于表示招标特征与每一所述预配置项完全相同的情况;
招投标匹配推荐模块,用于筛选预设周期内投标历史特征,基于所述预设周期内投标历史特征利用K近邻算法确定最优占比系数d,根据所述最优占比系数d计算所述候选招标项目的最终相似度,根据所述最终相似度降序向所述投标企业推荐相应的候选招标项目,其中,最终相似度可基于如下计算模型计算得到:
sum=d×t j +(1-d)×l j,其中,j=[1,N],N为候选招标项目数量,最优占比系数d是基于一投标历史特征占比系数x及相应浏览历史特征占比系数(1-x)枚举迭代得到的,基于该投标历史特征占比系数x及浏览历史特征占比系数(1-x)计算最终相似度确定预选推荐的候选招标项目并计算预选推荐的候选招标项目在所述预设周期内投标历史特征中的占比,将使所述占比的值最高的投标历史特征占比系数x作为最优占比系数d,具体的,所述招投标匹配推荐模块中,通过在预设范围内枚举所述投标历史特征占比系数x,相应浏览历史特征占比系数为(1-x),将所述投标历史特征占比系数x及浏览历史特征占比系数(1-x)代入最终相似度计算模型计算最终相似度,将根据所述最终相似度降序得到所述预选推荐的候选招标项目,计算所述预选推荐的候选招标项目与所述预设周期内投标历史特征的重合特征在所述预设周期内投标历史特征的占比y,占比y最高的投标历史特征占比系数x为最优占比系数d;
其中,所述历史招投特征匹配模块进一步包括:
投标对比数组获取模块,用于对比所述投标历史特征与多个所述招标特征并配置一第一标记值为1或0,基于所述第一标记值构建所述投标对比数组;
浏览对比数组获取模块,用于对比所述浏览历史特征与多个所述招标特征并配置一第二标记值为1或0,基于所述第二标记值构建所述浏览对比数组;
余弦相似度计算模块,用于分别计算所述投标对比数组、所述浏览对比数组与所述异常数组的余弦相似度。
5.根据权利要求4所述的招投标智能匹配***,其特征在于,所述预设范围配置为10%至80%。
6.一种计算机设备,包括存储器、处理器以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,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至3中任一项所述的招投标智能匹配方法。
7.一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3中任一项所述的招投标智能匹配方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311840428.2A CN117495515B (zh) | 2023-12-29 | 2023-12-29 | 招投标智能匹配方法、***、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311840428.2A CN117495515B (zh) | 2023-12-29 | 2023-12-29 | 招投标智能匹配方法、***、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117495515A CN117495515A (zh) | 2024-02-02 |
CN117495515B true CN117495515B (zh) | 2024-04-05 |
Family
ID=89680370
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311840428.2A Active CN117495515B (zh) | 2023-12-29 | 2023-12-29 | 招投标智能匹配方法、***、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117495515B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070069701A (ko) * | 2005-12-28 | 2007-07-03 | 연세대학교 산학협력단 | 건설공사용 입찰의사결정방법 및 장치 |
JP2016062297A (ja) * | 2014-09-18 | 2016-04-25 | ヤフー株式会社 | 広告入札管理システム、方法、およびプログラム |
JP2016062358A (ja) * | 2014-09-18 | 2016-04-25 | ヤフー株式会社 | 抽出装置、抽出方法及び抽出プログラム |
CN108595409A (zh) * | 2018-03-16 | 2018-09-28 | 上海大学 | 一种基于神经网络的需求文档和服务文档匹配方法 |
CN109658192A (zh) * | 2018-12-20 | 2019-04-19 | 重庆锐云科技有限公司 | 一种房源推荐方法及服务器 |
CN111488526A (zh) * | 2020-04-14 | 2020-08-04 | 北京声智科技有限公司 | 一种推荐方法及装置 |
KR102151361B1 (ko) * | 2019-10-29 | 2020-09-02 | (주)에스시큐리티 | 전자입찰 공동도급협정 자동매칭 프로그램 제공 시스템 및 방법 |
CN112184401A (zh) * | 2020-09-22 | 2021-01-05 | 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 |
CN112419011A (zh) * | 2020-12-14 | 2021-02-26 | 国泰新点软件股份有限公司 | 一种公共资源交易推荐方法、装置、计算机可读存储介质 |
CN114943279A (zh) * | 2022-04-28 | 2022-08-26 | 阿里巴巴(中国)有限公司 | 招投标合作关系的预测方法、设备及*** |
CN115659031A (zh) * | 2022-10-31 | 2023-01-31 | 江苏足财电子商务有限公司 | 一种基于lfm模型的建材智能推荐方法及招标*** |
KR20230079344A (ko) * | 2021-11-24 | 2023-06-07 | 주식회사 에이치엠씨네트웍스 | 간병인 추천 방법 및 그 장치 |
CN116340650A (zh) * | 2023-02-15 | 2023-06-27 | 深圳采骏绿碳供应链有限公司 | 一种用于建材招投标平台的智能推荐方法 |
CN116414874A (zh) * | 2023-06-07 | 2023-07-11 | 益普索(中国)咨询有限公司 | 一种招投标信息管理***和方法 |
-
2023
- 2023-12-29 CN CN202311840428.2A patent/CN117495515B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070069701A (ko) * | 2005-12-28 | 2007-07-03 | 연세대학교 산학협력단 | 건설공사용 입찰의사결정방법 및 장치 |
JP2016062297A (ja) * | 2014-09-18 | 2016-04-25 | ヤフー株式会社 | 広告入札管理システム、方法、およびプログラム |
JP2016062358A (ja) * | 2014-09-18 | 2016-04-25 | ヤフー株式会社 | 抽出装置、抽出方法及び抽出プログラム |
CN108595409A (zh) * | 2018-03-16 | 2018-09-28 | 上海大学 | 一种基于神经网络的需求文档和服务文档匹配方法 |
CN109658192A (zh) * | 2018-12-20 | 2019-04-19 | 重庆锐云科技有限公司 | 一种房源推荐方法及服务器 |
KR102151361B1 (ko) * | 2019-10-29 | 2020-09-02 | (주)에스시큐리티 | 전자입찰 공동도급협정 자동매칭 프로그램 제공 시스템 및 방법 |
CN111488526A (zh) * | 2020-04-14 | 2020-08-04 | 北京声智科技有限公司 | 一种推荐方法及装置 |
CN112184401A (zh) * | 2020-09-22 | 2021-01-05 | 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 |
CN112419011A (zh) * | 2020-12-14 | 2021-02-26 | 国泰新点软件股份有限公司 | 一种公共资源交易推荐方法、装置、计算机可读存储介质 |
KR20230079344A (ko) * | 2021-11-24 | 2023-06-07 | 주식회사 에이치엠씨네트웍스 | 간병인 추천 방법 및 그 장치 |
CN114943279A (zh) * | 2022-04-28 | 2022-08-26 | 阿里巴巴(中国)有限公司 | 招投标合作关系的预测方法、设备及*** |
CN115659031A (zh) * | 2022-10-31 | 2023-01-31 | 江苏足财电子商务有限公司 | 一种基于lfm模型的建材智能推荐方法及招标*** |
CN116340650A (zh) * | 2023-02-15 | 2023-06-27 | 深圳采骏绿碳供应链有限公司 | 一种用于建材招投标平台的智能推荐方法 |
CN116414874A (zh) * | 2023-06-07 | 2023-07-11 | 益普索(中国)咨询有限公司 | 一种招投标信息管理***和方法 |
Non-Patent Citations (3)
Title |
---|
基于算法推荐的个性化广告传播研究;徐慧琴等;《无线互联科技》;20231031;全文 * |
电子招投标在建设工程招投标中的应用;吴燕妮;;河南建材;20180902(第05期);全文 * |
结合用户评分和项目标签的协同过滤算法;程高伟;丁亦喆;吴振强;计算机技术与发展;20150331(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117495515A (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109858740B (zh) | 企业风险的评估方法、装置、计算机设备及存储介质 | |
Zheng et al. | ChIP-chip: data, model, and analysis | |
CN101923563B (zh) | 信息处理设备、信息处理方法 | |
CN111798273A (zh) | 产品的购买概率预测模型的训练方法及购买概率预测方法 | |
US8001001B2 (en) | System and method using sampling for allocating web page placements in online publishing of content | |
CN109300003B (zh) | 企业推荐方法、装置、计算机设备和存储介质 | |
CN107704485A (zh) | 一种职位推荐方法及计算设备 | |
CN111666275B (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
CN103646070A (zh) | 搜索引擎的数据处理方法及装置 | |
WO2015034850A2 (en) | Feature selection for recommender systems | |
CN108509466A (zh) | 一种信息推荐方法和装置 | |
CN110674391A (zh) | 基于大数据的产品数据推送方法、***和计算机设备 | |
Carey | Parallel supercomputing: methods, algorithms and applications | |
CN109885745A (zh) | 一种用户画像方法、装置、可读存储介质及终端设备 | |
CN112470172B (zh) | 使用随机序列嵌入的符号序列分析的计算效率 | |
CN111143678A (zh) | 推荐***和推荐方法 | |
CN117495515B (zh) | 招投标智能匹配方法、***、计算机设备及存储介质 | |
US10521809B2 (en) | System and method for grouping time series data for forecasting purposes | |
US11782947B2 (en) | Apparatus for recommending feature and method for recommending feature using the same | |
CN109409990B (zh) | 交易撮合方法及装置 | |
US20200302455A1 (en) | Industry Forecast Point of View Using Predictive Analytics | |
CN109886299A (zh) | 一种用户画像方法、装置、可读存储介质及终端设备 | |
CN114385921B (zh) | 一种标书推荐方法、***、设备及存储介质 | |
Tarassenko et al. | On sign-based regression quantiles | |
Joo et al. | Assessing comparative production efficiencies for product line management |
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 |