[发明专利]一种基于词频的相似供应商推荐方法及装置在审

专利信息
申请号: 202011453560.4 申请日: 2020-12-12
公开(公告)号: CN112465389A 公开(公告)日: 2021-03-09
发明(设计)人: 佟忠正;王喆;赵永发;林俊;王泽涌;洪雨天;黄杰韬;吴赟;臧笑宇;陈非 申请(专利权)人: 广东电力信息科技有限公司
主分类号: G06Q10/06 分类号: G06Q10/06;G06Q30/08;G06F40/284;G06N3/04
代理公司: 广州一锐专利代理有限公司 44369 代理人: 杨昕昕;董云
地址: 510000 广东省广*** 国省代码: 广东;44
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 基于 词频 相似 供应商 推荐 方法 装置
【说明书】:

发明涉及招标采购管理技术领域,提供一种基于词频的相似供应商推荐方法及装置,用于解决招标采购过程中供应商的挑选问题。本发明提供的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;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;训练、测试后得到通过测试的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。该方法可以有效地节约供应商的筛选成本,提高供应商筛选效率。

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:

其中为堆叠输入向量,一个向量化的采购方重要特征词集,为一个向量化的供应商重要特征词集,将加入LSTM神经网络中进行训练。采购方的信息和供应商的信息是堆叠后输入神经网络的,进一步提高了推荐效率。

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;

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于广东电力信息科技有限公司,未经广东电力信息科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202011453560.4/2.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top