一种用于建材招投标平台的智能匹配方法转让专利
申请号 : CN202010999478.5
文献号 : CN112184401B
文献日 : 2021-05-14
发明人 : 须峰 , 黄麒铭 , 李传中 , 施海鹰 , 李吉平
申请人 : 筑客网络技术(上海)有限公司
摘要 :
权利要求 :
1.一种用于建材招投标平台的智能匹配方法,其特征在于,包括以下步骤:(1)提取招标平台上的用户行为记录,并将所述用户行为记录转换为采购商‑供应商评分矩阵;
(2)对所述采购商‑供应商评分矩阵进行正样本填充和/或负样本填充,其中,所述正样本填充具体为:判断所述采购商‑供应商评分矩阵中的每一行的评分数量是否小于行向量评分数设定的阈值threshold,如果小于则进行填充,且填充的正样本数量为threshold‑nu,其中,nu为采购商u的评分数量;在进行填充时,使用相似矩阵和k均值近邻法计算矩阵每个位置的测评分,若计算的测评分大于最小评分阈值则进入填充值候选列表,若所述填充值列表中的评分数量大于填充的正样本数量threshold‑nu,则在列表中随机选择threshold‑nu个评分作为最终要加入的评分,最后将预测的评分填入所述采购商‑供应商评分矩阵的对应处;
(3)基于所述采购商‑供应商评分矩阵,采用SVD算法训练各个采购商对所有供应商的兴趣度模型;
(4)根据采购商发布标书的采购物资和地域初步筛选出匹配的供应商;
(5)对筛选出的匹配的供应商利用确定的各个评分维度结合所述兴趣度模型进行打分,并对分数进行由高到低排序,选取分数最靠前的N个供应商进行推荐。
2.根据权利要求1所述的用于建材招投标平台的智能匹配方法,其特征在于,所述步骤(1)具体为:将用户行为记录中采购商和供应商之间的相关行为数据划分成若干等级,并按划分的等级形成一个采购商‑供应商行为矩阵。
3.根据权利要求1所述的用于建材招投标平台的智能匹配方法,其特征在于,所述使用相似矩阵和k均值近邻法计算矩阵每个位置的测评分时的相关计算公式为其中,μi和μj为供应商i和供应商j的平均评分, 为与供应商i相似度最高的k个供应商,sim(i,j)表示供应商i和供应商j的评分列向量的余弦相似度,ruj为采购商u对供应商j的评分。
4.根据权利要求1所述的用于建材招投标平台的智能匹配方法,其特征在于,所述负样本填充具体为:使用相似度公式计算所述采购商‑供应商评分矩阵中每个位置的测评分,若计算的测评分小于最大评分阈值则进入填充值候选列表,若所述填充值列表中的评分数量大于负样本填充数量阈值,则随机选取所述填充值候选列表中的测评分填入所述采购商‑供应商评分矩阵的对应处。
5.根据权利要求4所述的用于建材招投标平台的智能匹配方法,其特征在于,所述使用相似度公式计算所述采购商‑供应商评分矩阵中每个位置的测评分时的相关计算公式为其中,popularityi为供应商i的流行度,maxpopularity和minpopularity分别为所有供应商中的最大流行度和最小流行度。
6.根据权利要求1所述的用于建材招投标平台的智能匹配方法,其特征在于,所述步骤(3)具体为:将所述采购商‑供应商评分矩阵分解成一个采购商因子矩阵P和一个供应商因子矩阵T(Q);根据R=OverallMean+biasU+biasI+P*T(Q)计算采购商对供应商的偏好,其中,OverallMean表示所有供应商的平均分,biasU表示采购商评分偏离OverallMean的程度,biasI表示供应商评分偏离OverallMean的程度;将预测结果和已知评分进行对比,并根据对比结果修正各个参数;最终得到采购商对供应商的兴趣度模型。
说明书 :
一种用于建材招投标平台的智能匹配方法
技术领域
背景技术
投标效率,而且简化了招投标流程,无论是标书呈递,还是投标保证金递交,均可在电子化
系统中进行在线操作。
迫切。面对平台海量的注册供应商,采购商往往难以发现符合采购项目招标要求的合适供
应商。这种采供双方信息的不匹配不仅造成了供应商资源的极大浪费,还降低了采购商和
供应商对招投标平台的满意度及粘性。因此,如何为采购商匹配符合招标需求的优质供应
商,成为线上招投标平台亟待解决的问题。
似度计算,为采购商筛选匹配度较高的供应商。二是通过层次分析法进行匹配,即让采购商
确定打分维度的权重,通过加权求和得到供应商的分数,选择排名靠前的供应商进行推送。
关键词匹配法对数据的利用仅停留在文本本身,没有进一步挖掘数据的潜在价值,而层次
分析法则带有很强的主观性,受限于采购商的自身认知水平。并且这两类匹配算法只关注
采购商和供应商的静态属性,忽视了采购商和供应商行为之间的关联性。
发明内容
量为threshold‑nu,其中,nu为采购商u的评分数量;在进行填充时,使用相似矩阵和k均值近
邻法计算矩阵每个位置的测评分,若计算的测评分大于最小评分阈值则进入填充值候选列
表,若所述填充值列表中的评分数量大于填充的正样本数量threshold‑nu,则在列表中随
机选择threshold‑nu个评分作为最终要加入的评分,最后将预测的评分填入所述采购商‑
供应商评分矩阵的对应处。
为与供应商i相似度最高的k个供应商,sim(i,j)表示供应商i和供应商j的评分列向量的余
弦相似度,ruj为采购商u对供应商j的评分。
值列表中的评分数量大于负样本填充数量阈值,则随机选取所述填充值候选列表中的测评
分填入所述采购商‑供应商评分矩阵的对应处。
的流行度,maxpopularity和minpopularity分别为所有供应商中的最大流行度和最小流行
度。
应商的偏好,其中,OverallMean表示所有供应商的平均分,biasU表示采购商评分偏离
OverallMean的程度,biasI表示供应商评分偏离OverallMean的程度;将预测结果和已知评
分进行对比,并根据对比结果修正各个参数;最终得到采购商对供应商的兴趣度模型。
商的精确度得到很大的提高,线下反馈的数据也很好的印证了该效果。同时在SVD算法中结
合正负样本预填充算法,使得最大程度挖掘数据的价值,能够为采购商匹配与采购标书高
契合度的供应商。
附图说明
具体实施方式
员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定
的范围。
和采购商对供应商的偏好角度两个角度出发,可以对特定的采购商进行智能匹配,如图1所
示,包括以下步骤:
的是三级物资;采购物资对应的地域是指项目地址,其以全国、省、市为划分,本实施方式中
地域匹配的是浙江省内和上海市内;供应商主营物资对应的供应商集合是指平台上面有一
个供应商的主营物资表,本实施方式提取出每一种主营物资对应的供应商有多少家,并将
其作为集合的形式进行记录。
化,按此等级来表示供应商和采购商之间联系的紧密,最后形成一个采购商‑供应商行为矩
阵。本实施方式中,邀请招标给4分,投标未中标给2分,中标给5分,采购商对供应商的评价
分数具有很大程度的缺失,根据该三种类型的评分构建评分矩阵,用于后面采购商对于供
应商兴趣度的预测。
行向量就填补较少的值,如果一个供应商原本的评分数据比较少,为了达到一定的匹配精
度,就需要向该供应商的评分向量中填充多一些评分数据。本实施方式中填充数量判定策
略是:为行向量评分数设定一个阈值threshold,如果采购商u的评分数量超过了这个阈值
threshold,则不再向其中添加新的预测数据,如果采购商u的评分数量小于阈值
threshold,则向其中添加threshold‑nu个填充数值,其中,nu为采购商u的评分数量。填充时
利用相似矩阵和k均值近邻法计算(u,i)位置的预测评分 具体计算方式为
其中,μi和μj为供应商i和供应商j的平均评分, 为
与供应商i相似度最高的k个供应商,sim(i,j)表示供应商i和供应商j的评分列向量的余弦
相似度,ruj为采购商u对供应商j的评分。对于第u行的所有预测评分,这里设定一个最小评
分阈值minRating,只有大于最小评分阈值minRating的预测值才能进入候选填充值列表,
即只有该项目的预测评分值大于某一特定值时才有理由认为采购商对该供应商的评分是
正向评分。在该行的所有大于最小评分阈值minRating的预测值都加入候选填充列表
ratinglist后,如果列表中的评分数量大于threshold‑nu,则在列表中随机选择
threshold‑nu个评分作为最终要加入的评分。最后将预测的评分填入该供应商评分向量的
对应处,也就是填入原始评分矩阵R的相应处。
的匹配算法在面对仅有正样本的数据时,因为缺少负样本,导致训练的结果均为正向评分。
一方面,评分集中于正向导致推荐时预测出的分数区分度不够;另一方面,预测结果均为正
向评分与事实不符。因此,仅有正样本时基于矩阵分解的匹配算法的首要问题是如何在训
练之前向样本集中加入一定量的负样本;在评分矩阵中,供应商的流行度就是该列中的非
零元素的总数。对于供应商的评分,进行计算 其
中,popularityi为供应商i的流行度,maxpopularity和minpopularity分别为所有供应商
中的最大流行度和最小流行度。显然,ratingi的值在0~1之间,因此还需要将其映射至对
应的负分数区间。最后将最终预测的评分填入该供应商评分向量的对应处,也就是填入原
始评分矩阵R的对应处。同样在进行负样本填充时,设定一个最大评分阈值maxRating,只有
小于最大评分阈值maxRating的预测值的供应商才能进入候选填充值列表,若所述填充值
列表中的评分数量大于负样本填充数量阈值λ·(threshold‑nu),则随机选取所述填充值
候选列表中的测评分填入所述采购商‑供应商评分矩阵的对应处。
k的喜好程度)和一个M行F列的供应商因子矩阵T(Q)(T(Q)[i][k]表示第i个供应商的因子k
的喜好程度)。
供应商的平均分,biasU表示采购商评分偏离OverallMean的程度,biasI表示供应商评分偏
离OverallMean的程度。
然后再根据采购物资对应的地域,从刚才的供应商集合中进一步筛选出符合供货范围的供
应商。比如,根据物资类型为三级物资找到供应该三级物资的供应商集合,再根据编号为
1010100的物资不出浙江省,物资编号为1010111的物资类型不出上海市,则匹配不出浙江
省和不出上海市的供应商。对于所有物资取交集,如果数量不满足要求,则取并集;如果数
量仍然达不到要求,则用主营物资集合进行筛选。最终得到所有符合条件的供应商,且满足
有报价的供应商。
应商,首先调用步骤(4)的SVD模型进行兴趣度预测,然后根据评价准则,加权求和得到最终
的分数,取分数最高的N个供应商进行推荐。其中,评价准则包含投标次数、中标次数、服务
态度平均、价格合理度平均、公司资质平均、入库单服务评价平均、入库单产品评价平均、入
库单送达评价平均、入库单诚信度平均、合同履约率和采购商偏好等因素。
中共有三条变化的折线和一条直线,其中,折线1为阈值threshold=80时平均绝对误差随
着比例因子λ的变化情况。折线2和折线3则分别代表了阈值threshold=100和120时的MAE
随比例因子λ的变化情况。而直线4代表没有经过正负样本预填充的矩阵分解的平均绝对误
差(因为没有预填充的分解算法不存在比例因子λ,所以这里以直线的形式表示,方便与不
同参数下的预填充算法的MAE值进行比较)。对比未进行填充的矩阵分解(图中的折线4),经
过正负样本预填充的评分矩阵,其分解效果要明显好于未填充情况下的分解效果。这也充
分说明了对于稀疏的缺乏负样本的评分矩阵,使用正负样本预填充算法的推荐效果更加理
想。
购商匹配与采购标书高契合度的供应商,其主要应用于建材招投标,采购企业线上发布标
书之后,即可得到智能匹配反馈数据,可对匹配的供应商进行招标邀请。