一种基于LFM模型的建材智能推荐方法及招标系统技术方案

本发明专利技术公开了一种基于LFM模型的建材智能推荐方法，提取供应商自身数据以及历史投标数据样本信息，正样本采用投标的标的信息，负样本采用该供应商多次点击却未投标的标的信息，对步骤一中的信息进行规范化，随后使用随机分割数据将所有数据分为6：2：2的大小，其中，六成用作LFM模型训练，两成用于交叉验证，两成用于测试效果，计算出用户对各个招标项目的兴趣度矩阵，根据用户对招标项目的兴趣度选出N个招标项目后，根据公式S计算出与正在招标项目的相似度，本发明专利技术通过物品相似度解决了招标项目冷启动的问题，并且通过供应商行为数据库及招标信息数据库，不需要保留一张N

【技术实现步骤摘要】
一种基于LFM模型的建材智能推荐方法及招标系统


[0001]本专利技术涉及招标行业智能推荐
，具体为一种基于LFM模型的建材智能推荐方法及招标系统。

技术介绍

[0002]目前建材招标行业智能推荐一般使用ItemCF算法配合权重值计算得出来N个推荐标，该方式存在以下缺陷，ItemCF需要对网站所有用户的行为进行统计计算，内存空间消耗大、时间消耗长；各个权重值需要手动设定，准确性很难提高；推荐结果具有长尾效应，推荐更热门的标给供应商，导致冷门的标无人访问，因此流标；招标具有严重的冷启动问题，只有当标处于公布以及开始招标时，才需要对它进行推荐，而招标结束后，该标就不会再次进行招标，而ItemCF算法由于使用的招标项目的历史数据来预测供应商对他的感兴趣程度，无法解决冷启动问题。因为新招标项目没有交互数据，导致无法计算供应商对于新招标项目的兴趣度，所以传统的LFM模型也无法解决冷启动问题，因此，亟待一种改进的技术来解决现有技术中所存在的这一问题。

技术实现思路

[0003]本专利技术的目的在于提供一种基于LFM模型的建材智能推荐方法，通过物品相似度解决了招标项目冷启动的问题，并且通过供应商行为数据库及招标信息数据库，可实时计算总兴趣度，不需要保留一张N
×
N的矩阵，降低了内存消耗，同时不存在明显的长尾效应，冷门但和感兴趣相关的供应商也能得到推荐，以解决上述
技术介绍
中提出的问题。
[0004]为实现上述目的，本专利技术提供如下技术方案：一种基于LFM模型的建材智能推荐方法，包括以下步骤：
[0005]步骤一：提取供应商自身的供货区域、供货物品、历史投标数量以及历史投标的标的物品、项目地址以及标的金额作为样本信息，正样本采用投标的标的信息，负样本采用该供应商多次点击却未投标的标的信息；
[0006]步骤二：对步骤一中的信息进行规范化，随后使用随机分割数据将所有数据分为6：2：2的大小，其中，六成用作LFM模型训练，两成用于交叉验证，两成用于测试效果；
[0007]步骤三：通过损失函数C计算出用户对F个隐类的兴趣矩阵p以及物品与隐类关系的矩阵q，P(u，i)就是通过p矩阵以及q矩阵相乘获取到用户对物品i的总兴趣；
[0008]步骤四：利用步骤三中计算出来的两个矩阵，根据P(u，i)公式计算出用户对各个招标项目的兴趣度矩阵；
[0009]步骤五：根据用户对招标项目的兴趣度选出N个招标项目后，由该N个招标项目根据公式S计算出与正在招标项目的相似度，每个项目选取相似度最高的正在招标的项目作为推荐候选项。
[0010]优选的，本专利技术提供的一种基于LFM模型的建材智能推荐方法，其中，所述步骤四中P(u，i)公式为：
[0011]其中R
ui
为用户u对物品i的实际兴趣。
[0012]优选的，本专利技术提供的一种基于LFM模型的建材智能推荐方法，其中，所述步骤五中公式S为
[0013]其中K为该特征权重，S为该特征的两个项目的差值。
[0014]优选的，本专利技术提供的一种基于LFM模型的建材智能推荐的招标系统，其中，包括供应商行为数据库、招标信息数据库、行为提取模块、LFM模型训练模块、验证模块、测试模块、执行模块，所述供应商行为数据库及招标信息数据库与行为提取模块相配合，所述行为提取模块与LFM模型训练模块相连，所述招标信息数据库还与执行模块相连，所述LFM模型训练模块及执行模块均与验证模块及测试模块相连。
[0015]优选的，本专利技术提供的一种基于LFM模型的建材智能推荐的招标系统，其中，所述供应商行为数据库内部存储有供货区域数据、供货物品数据、历史投标数量数据。
[0016]优选的，本专利技术提供的一种基于LFM模型的建材智能推荐的招标系统，其中，所述招标信息数据库内部存储有历史投标的标的物品数据、项目地址数据以及标的金额数据。
[0017]与现有技术相比，本专利技术的有益效果是：
[0018](1)通过物品相似度解决了招标项目冷启动的问题。
[0019](2)通过供应商行为数据库及招标信息数据库，可实时计算总兴趣度，不需要保留一张N
×
N的矩阵，降低了内存消耗。
[0020](3)由于供货物品数据直接通过执行模块执行后，可直接计算出招标信息的最感兴趣的前N个招标项目，并且信息进行规范化，所有数据分为6：2：2的大小，六成用作LFM模型训练，两成用于交叉验证，两成用于测试效果，从而不存在明显的长尾效应，冷门但和感兴趣相关的供应商也能得到推荐，并且可测试效果。
附图说明
[0021]图1为本专利技术原理示意图；
[0022]图2为本专利技术中基于LFM模型的建材智能推荐的招标系统的结构示意图。
[0023]图中：供应商行为数据库1、招标信息数据库2、行为提取模块3、LFM模型训练模块4、验证模块5、测试模块6、执行模块7。
具体实施方式
[0024]下面将结合本专利技术实施例中的附图，对本专利技术的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围；
[0025]需要说明的是，在本专利技术的描述中，需要说明的是，术语“内”、“外”、“上”、“下”、“两侧”、“一端”、“另一端”“左”“右”等指示的方位或位置关系为基于附图所示的方位或位
置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。
[0026]请参阅图1，本专利技术提供一种技术方案：一种基于LFM模型的建材智能推荐方法，包括以下步骤：
[0027]步骤一：提取供应商自身的供货区域、供货物品、历史投标数量以及历史投标的标的物品、项目地址以及标的金额作为样本信息，正样本采用投标的标的信息，负样本采用该供应商多次点击却未投标的标的信息；
[0028]步骤二：对步骤一中的信息进行规范化，随后使用随机分割数据将所有数据分为6：2：2的大小，其中，六成用作LFM模型训练，两成用于交叉验证，两成用于测试效果；
[0029]步骤三：通过损失函数C计算出用户对F个隐类的兴趣矩阵p以及物品与隐类关系的矩阵q，P(u，i)就是通过p矩阵以及q矩阵相乘获取到用户对物品i的总兴趣，P(u，i)公式为：其中R
ui
为用户u对物品i的实际兴趣；
[0030]步骤四：利用步骤三中计算出来的两个矩阵，根据P(u，i)公式计算出用户对各个招标项目的兴趣度矩阵；
[0031]步骤五：根据用户对招标项目的兴趣度选出N个招标项目后，由该N个招标项目根据公式S(公式S为
[0032]其中K为该特征权重，S为该特征的两个项目的差值)计算出与正在招标项目的相似度，每个项目选取相似度最高的正在招标的项目作为推荐候选项。...

【技术保护点】

【技术特征摘要】
1.一种基于LFM模型的建材智能推荐方法，其特征在于：包括以下步骤：步骤一：提取供应商自身的供货区域、供货物品、历史投标数量以及历史投标的标的物品、项目地址以及标的金额作为样本信息，正样本采用投标的标的信息，负样本采用该供应商多次点击却未投标的标的信息；步骤二：对步骤一中的信息进行规范化，随后使用随机分割数据将所有数据分为6：2：2的大小，其中，六成用作LFM模型训练，两成用于交叉验证，两成用于测试效果；步骤三：通过损失函数C计算出用户对F个隐类的兴趣矩阵p以及物品与隐类关系的矩阵q，P(u，i)就是通过p矩阵以及q矩阵相乘获取到用户对物品i的总兴趣；步骤四：利用步骤三中计算出来的两个矩阵，根据P(u，i)公式计算出用户对各个招标项目的兴趣度矩阵；步骤五：根据用户对招标项目的兴趣度选出N个招标项目后，由该N个招标项目根据公式S计算出与正在招标项目的相似度，每个项目选取相似度最高的正在招标的项目作为推荐候选项。2.根据权利要求1所述的一种基于LFM模型的建材智能推荐方法，其特征在于：所述步骤四中P(u...

【专利技术属性】
技术研发人员：贾岱华，陶杰，何敏，
申请(专利权)人：江苏足财电子商务有限公司，
类型：发明
国别省市：