一种用于建材招投标平台的智能匹配方法

摘要

本发明涉及一种用于建材招投标平台的智能匹配方法，包括以下步骤：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；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；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；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。本发明能够为采购商匹配与采购标书高契合度的供应商。

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

[0001] 本发明涉及智能匹配技术领域，特别是涉及一种用于建材招投标平台的智能匹配方法。

背景技术

[0002] 继国家发展改革委颁布《电子招标投标办法》和《招标投标系统技术规范》等文件后，线上招投标平台的建设变得更加科学和规范。对于建材企业而言，电子化不仅提高了招
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。

[0003] 随着线上招投标平台的发展，越来越多的建材采购商将线下的物资采购招标过程进行线上迁移，采购商与供应商之间的联系更为紧密，采购商对优质供应商的需求也更为
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。

[0004] 目前线上招投标领域应用较多的采购商‑供应商匹配方法，主要有两种。一是关键词匹配法，即根据招标项目的物资属性及采供双方自身信息进行关键词匹配，通过信息相
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

[0005] 本发明所要解决的技术问题是提供一种用于建材招投标平台的智能匹配方法，能够为采购商匹配与采购标书高契合度的供应商。

[0006] 本发明解决其技术问题所采用的技术方案是：提供一种用于建材招投标平台的智能匹配方法，包括以下步骤：

[0007] (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；

[0008] (2)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；

[0009] (3)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；

[0010] (4)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。

[0011] 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。

[0012] 所述步骤(1)和步骤(2)之间还包括对所述采购商‑供应商评分矩阵进行正样本填充和/或负样本填充的步骤。

[0013] 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。

[0014] 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。

[0015] 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。

[0016] 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。

[0017] 所述步骤(2)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。

[0018] 有益效果

[0019] 由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明通过SVD算法训练各个采购商对所有供应商的兴趣度模型，使得匹配出来的供应
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

[0020] 图1是本发明的流程图；

[0021] 图2是本发明中的正样本预填充算法的流程图；

[0022] 图3是本发明中的负样本预填充算法的流程图；

[0023] 图4是本发明方法与传统方法在MovieLens数据集上的实验效果对比图。

具体实施方式

[0024] 下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人
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。

[0025] 本发明的实施方式涉及一种用于建材招投标平台的智能匹配方法，该算法基于平台上的用户本身的数据和交易产生的行为数据，对其进行分析和挖掘，从供应商评价角度
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：

[0026] (1)获取采购商发布标书的采购物资、采购物资对应的地域和供应商主营物资对应的供应商集合。其中，采购物资记载在标书中，其可以分为四级，本实施方式中匹配使用
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。

[0027] (2)将招标平台上用户行为记录转化成采购商‑供应商评分矩阵R[u][i]，具体为：需要将采购商和供应商之间的行为特征具体化，将相关行为数据划分成多个等级然后数值
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。

[0028] (3)对采购商‑供应商评分矩阵进行正负样本预填充。

[0029] 如图2所示，首先是正样本的预填充，由于采购商对供应商的评价较少，造成矩阵比较稀疏，如果一个供应商原有的评分数据已经比较多了，那么对该供应商所对应的评分
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。

[0030] 如图3所示，然后是负样本填充。比如供应商和采购商之间的数据是由采购商隐式评分获得，分数越高表示对供应商的满意度越高，没有表明负面评价的数据。基于矩阵分解
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。

[0031] (4)SVD算法训练各个采购商对所有供应商的兴趣度模型；由得到的评分矩阵，用SVD算法进行训练，最终得到采购商对供应商的兴趣度评分模型。具体如下：

[0032] 根据得到的评分矩阵R，将一个N行M列的评分矩阵R(R[u][i]代表第u个采购商对第i个供应商的评分)，分解成一个N行F列的采购商因子矩阵P(P[u][k]表示采购商u对因子
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)。

[0033] 根据SVD的公式R＝OverallMean+biasU+biasI+P*T(Q)用已知的一部分的采购商对供应商的评分，通过该算法，来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。

[0034] 将预测结果和已知评分进行对比，根据结果修正各个参数；

[0035] 最后得到采购商对供应商的偏好模型，并且保存。

[0036] (5)根据物资和地域初步筛选出匹配的供应商；筛选的时候，先根据步骤(1)中标书上的采购物资和供应商主营物资对应的供应商集合，找到供应这种物资的供应商集合；
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。

[0037] (6)对匹配出来的初步的供应商利用确定的各个评分维度结合SVD偏好维度进行打分，分数由高到低排序，选择分数最靠前的N个供应商进行推荐。对于步骤(5)选出来的供
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。

[0038] 图4所示的是本发明方法与传统方法在MovieLens数据集上的实验效果对比图。其中，横坐标为填充的负样本数量相对于正样本数量的比例λ，纵坐标为平均绝对误差MAE。图
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。

[0039] 该方法根据筑集采平台多年的建筑行业行为数据积累，对采供双方行为习惯、项目地区、征信风控、供货评价、垫资情况、历史交易偏好等多个维度进行数据挖掘，能够为采
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。

[0040] 本发明根据物资类型为采购商更加精准匹配供应商，帮助采购企业精确地找到供应商，有效解决招标难的痛点，每次匹配记录都有数据可回溯，方便采购企业复盘。