公开/公告号CN112465389A
专利类型发明专利
公开/公告日2021-03-09
原文格式PDF
申请/专利权人 广东电力信息科技有限公司;
申请/专利号CN202011453560.4
申请日2020-12-12
分类号G06Q10/06(20120101);G06Q30/08(20120101);G06F40/284(20200101);G06N3/04(20060101);
代理机构44369 广州一锐专利代理有限公司;
代理人杨昕昕;董云
地址 510000 广东省广州市越秀区东风东路808号509房
入库时间 2023-06-19 10:08:35
技术领域
本发明涉及招标采购技术领域,具体涉及一种基于词频的相似供应商推荐方法及装置。
背景技术
按照广电企[2019]8号文《关于印发公司深化招标管理改革任务分解表的通知》整体要求,通过利用供应商数据重构等技术实现智能推荐、风险分析与智能预警,保证招标采购遴选供应商合规高效,防范采购过程中由于供应商自身风险导致履约、审计的风险。
招标采购过程中,要邀请多个供应商投标,也就是邀请招标,也称为有限竞争招标,是一种由招标人选择若干供应商或承包商,向其发出投标邀请,由被邀请的供应商、承包商投标竞争,从中选定中标者的招标方式。如何从大量的供应商中挑选出合适的供应商是亟待解决的技术问题。
发明内容
本发明解决的技术问题为招标采购过程中供应商的筛选问题,提供一种基于词频的相似供应商推荐方法。
为了解决上述技术问题,本发明提供的技术方案为:
一种基于词频的相似供应商推荐方法,包括:
从历史采购信息中获取供应商信息,对供应商信息进行预处理后形成词集列表,所述预处理包括:对供应商信息进行分词、词性还原;
根据词频计算所述词集列表中每个词的权重,获取重要特征词集及列表;
把每一个供应商的重要特征词集向量化,形成供应商集合,将供应商集合分为供应商训练集和供应商测试集;
将供应商训练集输入LSTM神经网络模型进行训练,将供应商测试集输入训练好的LSTM神经网络进行测试,得到通过测试的LSTM神经网络模型;
将拟采购标的物信息输入训练好的神经网络模型中,得到推荐的供应商集合。
将供应标的物的供应商的特征输入神经网络,作为之后采购类似标的物时推荐的供应商,可以有效地节约供应商的筛选成本。在提取供应商特征时,根据供应商信息中的词频进行提取,可以有效地提取出供应商的重要特征。
优选地,所述供应商信息包括企业属性信息、企业规模信息和评价信息;所述供应商信息从历史采购信息、企业公开信息中获取。可以从头标文件中,也可以从供应商的官方介绍中提取信息。
优选地,输入LSTM神经网络模型的输入还包括采购方集合,所述采购方集合为每一个采购方的重要特征词集向量化后的集合。将采购方的信息也输入神经网络中, 结合采购方和供应商的信息一同作为神经网络的输入,显著提高了推荐效率。
优选地,输入LSTM神经网络时,将一个向量化的采购方重要特征词集与一个向量化的供应商重要特征词集进行堆叠操作后形成堆叠输入向量,操作公式为:
其中
优选地,堆叠输入向量输入LSTM神经网络后,还包括:
训练集通过LSTM神经网络的遗忘门,进行信息丢弃动作;
将信息丢弃后的训练集通过LSTM神经网络的输入门,进行信息跟新动作;
将信息更新后的训练集通过LSTM神经网络的输出门,输出训练结果;
将测试数据输入训练好的LSTM神经网络,得到测试结果,验证网络的准确性,若准确性达到要求,完成训练,得到训练好的LSTM神经网络。采用LSTM神经网络,可以有效提高推荐效率,发明人在大量实验的基础上发现了该以上述堆叠操作后的输入,结合LSTM神经网络可以有效的提高推荐效率。
一种基于词频的相似供应商推荐装置,包括:
供应商信息获取模块,所述供应商信息获取模块从历史采购信息中获取供应商信息,对供应商信息进行预处理后形成词集列表,所述预处理包括:对供应商信息进行分词、词性还原;
重要特征词集获取模块,所述重要特征词集获取模块根据词频计算所述词集列表中每个词的权重,获取重要特征词集及列表;
供应商集合生成模块,所述供应商集合生成模块把每一个供应商的重要特征词集向量化,形成供应商集合,将供应商集合分为供应商训练集和供应商测试集;
模型生成模块,所述模型生成模块将供应商训练集输入LSTM神经网络模型进行训练,将供应商测试集输入训练好的LSTM神经网络进行测试,得到通过测试的LSTM神经网络模型;
推荐模块,所述推荐模块将拟采购标的物信息输入训练好的神经网络模型中,得到推荐的供应商集合。
优选地,所述供应商信息获取模块获取的所述供应商信息包括企业属性信息、企业规模信息和评价信息;所述供应商信息获取模块从历史采购信息、企业公开信息中获取供应商信息。
优选地,还包括采购方集合生成模块,所述采购方信息获取模块获取采购方信息,进行预处理后把每一个采购商的重要特征词集向量化,形成采购商集合;
进行训练过程中,输入LSTM神经网络模型的输入还包括采购方集合,所述采购方集合为每一个采购方的重要特征词集向量化后的集合。
优选地,还包括输入向量生成模块,所述输入向量模块将一个向量化的采购方重要特征词集与一个向量化的供应商重要特征词集进行堆叠操作后形成堆叠输入向量,然后输入LSTM神经网络,操作公式为:
其中
优选地,堆叠输入向量输入LSTM神经网络后,所述模型生成模块生成训练好的神经网络模型的方法包括:
训练集通过LSTM神经网络的遗忘门,进行信息丢弃动作;
将信息丢弃后的训练集通过LSTM神经网络的输入门,进行信息跟新动作;
将信息更新后的训练集通过LSTM神经网络的输出门,输出训练结果;
将测试数据输入训练好的LSTM神经网络,得到测试结果,验证网络的准确性,若准确性达到要求,完成训练,得到训练好的LSTM神经网络。
与现有技术相比,本发明具有的有益效果为:在提取供应商特征时,根据供应商信息中的词频进行提取,可以有效地提取出供应商的重要特征。对输入进行堆叠操作,结合LSTM神经网络可以有效的提高推荐效率。
附图说明
图1为一种基于词频的相似供应商推荐方法的示意图。
图2为一种基于词频的相似供应商推荐装置的示意图。
具体实施方式
以下实施例是对本发明的进一步说明,不是对本发明的限制。
一种基于词频的相似供应商推荐方法,在本申请的一些实施例中, 包括:
从历史采购信息中获取供应商信息,对供应商信息进行预处理后形成词集列表,所述预处理包括:对供应商信息进行分词、词性还原;
根据词频计算所述词集列表中每个词的权重,获取重要特征词集及列表;
把每一个供应商的重要特征词集向量化,形成供应商集合,将供应商集合分为供应商训练集和供应商测试集;
将供应商训练集输入LSTM神经网络模型进行训练,将供应商测试集输入训练好的LSTM神经网络进行测试,得到通过测试的LSTM神经网络模型;
将拟采购标的物信息输入训练好的神经网络模型中,得到推荐的供应商集合。
将供应标的物的供应商的特征输入神经网络,作为之后采购类似标的物时推荐的供应商,可以有效地节约供应商的筛选成本。在提取供应商特征时,根据供应商信息中的词频进行提取,可以有效地提取出供应商的重要特征。
在本申请的一些实施例中,所述供应商信息包括企业属性信息、企业规模信息和评价信息;所述供应商信息从历史采购信息、企业公开信息中获取。可以从头标文件中,也可以从供应商的官方介绍中提取信息。
在本申请的一些实施例中,输入LSTM神经网络模型的输入还包括采购方集合,所述采购方集合为每一个采购方的重要特征词集向量化后的集合。将采购方的信息也输入神经网络中, 结合采购方和供应商的信息一同作为神经网络的输入,显著提高了推荐效率。
在本申请的一些实施例中,输入LSTM神经网络时,将一个向量化的采购方重要特征词集与一个向量化的供应商重要特征词集进行堆叠操作后形成堆叠输入向量,操作公式为:
其中
在本申请的一些实施例中,堆叠输入向量输入LSTM神经网络后,还包括:
训练集通过LSTM神经网络的遗忘门,进行信息丢弃动作;
将信息丢弃后的训练集通过LSTM神经网络的输入门,进行信息跟新动作;
将信息更新后的训练集通过LSTM神经网络的输出门,输出训练结果;
将测试数据输入训练好的LSTM神经网络,得到测试结果,验证网络的准确性,若准确性达到要求,完成训练,得到训练好的LSTM神经网络。采用LSTM神经网络,可以有效提高推荐效率,发明人在大量实验的基础上发现了该以上述堆叠操作后的输入,结合LSTM神经网络可以有效的提高推荐效率。
一种基于词频的相似供应商推荐装置,在本申请的一些实施例中,包括:
供应商信息获取模块,所述供应商信息获取模块从历史采购信息中获取供应商信息,对供应商信息进行预处理后形成词集列表,所述预处理包括:对供应商信息进行分词、词性还原;
重要特征词集获取模块,所述重要特征词集获取模块根据词频计算所述词集列表中每个词的权重,获取重要特征词集及列表;
供应商集合生成模块,所述供应商集合生成模块把每一个供应商的重要特征词集向量化,形成供应商集合,将供应商集合分为供应商训练集和供应商测试集;
模型生成模块,所述模型生成模块将供应商训练集输入LSTM神经网络模型进行训练,将供应商测试集输入训练好的LSTM神经网络进行测试,得到通过测试的LSTM神经网络模型;
推荐模块,所述推荐模块将拟采购标的物信息输入训练好的神经网络模型中,得到推荐的供应商集合。
在本申请的一些实施例中,所述供应商信息获取模块获取的所述供应商信息包括企业属性信息、企业规模信息和评价信息;所述供应商信息获取模块从历史采购信息、企业公开信息中获取供应商信息。
在本申请的一些实施例中,还包括采购方集合生成模块,所述采购方信息获取模块获取采购方信息,进行预处理后把每一个采购商的重要特征词集向量化,形成采购商集合;
进行训练过程中,输入LSTM神经网络模型的输入还包括采购方集合,所述采购方集合为每一个采购方的重要特征词集向量化后的集合。
在本申请的一些实施例中,还包括输入向量生成模块,所述输入向量模块将一个向量化的采购方重要特征词集与一个向量化的供应商重要特征词集进行堆叠操作后形成堆叠输入向量,然后输入LSTM神经网络,操作公式为:
其中
在本申请的一些实施例中,堆叠输入向量输入LSTM神经网络后,所述模型生成模块生成训练好的神经网络模型的方法包括:
训练集通过LSTM神经网络的遗忘门,进行信息丢弃动作;
将信息丢弃后的训练集通过LSTM神经网络的输入门,进行信息跟新动作;
将信息更新后的训练集通过LSTM神经网络的输出门,输出训练结果;
将测试数据输入训练好的LSTM神经网络,得到测试结果,验证网络的准确性,若准确性达到要求,完成训练,得到训练好的LSTM神经网络。
上列详细说明是针对本发明可行实施例的具体说明,以上实施例并非用以限制本发明的专利范围,凡未脱离本发明所为的等效实施或变更,均应包含于本案的专利范围中。
机译: 基于差分随机变量原点相似度的基于相似度量的协同过滤推荐系统及利用RMS构建相似表的方法
机译: 用于基于协同过滤的推荐系统中所计算的相似度的可靠性的项目推荐装置和方法
机译: 用于基于协同过滤的推荐系统中所计算的相似度的可靠性的项目推荐装置和方法