[发明专利]一种招标信息的推荐方法、装置及计算机设备

说明书

本发明涉及机器学习技术，提出的招标信息的推荐方法、装置、计算机设备和存储介质，其中方法包括：获取指定用户的个人信息，从个人信息获取指定用户的个人特征；将个人特征输入到预设的分类模型中计算得到计算结果；依据计算结果得到指定用户对招标数据的偏好类型；依据指定用户的偏好类型从指定平台中获取对应的招标信息，记为推荐信息，指定平台存储有多种不同偏好类型的招标信息；将推荐信息推荐给指定用户，这样通过确定用户的个人的招标偏好，再获取与该招标偏好对应的招标信息来进行推荐，由于确定了用户的个人喜好，大大提高了用户对推荐内容的点击率，避免浪费推荐资源，达到了精准推荐，满足用户需求的目的。

技术领域

本发明涉及到机器学习的技术领域，特别是涉及到一种招标信息的推荐方法、装置、计算机设备和存储介质。

背景技术

随着经济的发展，招标投标的交易方式越来越受到企业的青睐，市场上也开始涌现出不少招标平台，为各企业用户提供各种招标投标服务。目前在各种招标信息网站或者招标采购管理平台，在用户进入时一般都会推荐招标内容，但是通过给用户推荐基本都是热点招标内容，或者推荐最新的招标内容，这样无针对性的推荐，通常不是用户所需求的，不但用户体验差，而且平台的客户转化率也较低，浪费资源。

发明内容

本发明的主要目的为提供一种招标信息的推荐方法、装置、计算机设备和存储介质，旨在解决现有技术中平台推荐招标内容无针对性效果差的技术问题。

基于上述发明目的，本发明提出一种招标信息的推荐方法，包括：

获取指定用户的个人信息，从所述个人信息获取所述指定用户的个人特征；

将所述个人特征输入到预设的分类模型中进行计算，得到计算结果，所述分类模型为基于逻辑回归算法训练而得的神经网络模型；

依据所述计算结果得到所述指定用户对招标数据的偏好类型；

依据所述指定用户的偏好类型从指定平台中获取对应的招标信息，记为推荐信息，所述指定平台存储有多种不同偏好类型的招标信息；

将所述推荐信息推荐给所述指定用户。

进一步地，所述分类模型的训练步骤，包括：

获取样本集，所述样本集包括多个已经标注偏好标签的样本，每个所述样本为一组偏好标签与用户特征组合而成的训练数据；

将所述样本集输入预设的初始分类网络模型中进行计算，得到对应的特征向量，所述初始分类网络模型基于逻辑回归算法构建；

将所述特征向量通过预设的损失函数进行计算得到损失值，并通过网络反向传播计算梯度更新模型参数，直至模型收敛，得到所述分类模型。

进一步地，所述获取样本集的步骤，包括：

获取所述指定平台中所有用户的操作行为数据，所述操作行为数据包括操作次数以及每次操作出现的招标关键词；

依据所述操作行为数据计算出各所述招标关键词在所述用户操作行为中出现的频率，记为TF值；

依据所述操作行为数据计算各所述招标关键词的逆向文件频率，记为IDF值；

依据所述TF值与所述IDF值计算出每个所述用户对各所述招标关键词的偏好权重；

依据所述偏好权重确定每个所述用户偏好的招标关键词；

以所述用户偏好的招标关键词作为标签对所述用户的用户特征进行标注，得到所述样本。

进一步地，所述依据所述偏好权重确定每个所述用户偏好的招标关键词的步骤，包括：

将所述招标关键词按对应的所述偏好权重从大到小进行排序；