基于人工智能的项目交易推送方法及系统与流程

本发明涉及人工智能，特别涉及一种基于人工智能的项目交易推送方法及系统。

背景技术：

1、目前，在项目交易推送方面存在以下问题和缺点：推送精准度不高：现有的项目交易推送方法往往基于简单的规则匹配或关键词搜索，无法实现精准的个性化推送。这导致用户收到的推送信息中，很多并不符合其实际需求，降低了用户体验。数据处理能力有限：随着项目交易数据的不断增长，现有的数据处理方法已经无法满足大规模数据的处理需求。这导致很多有价值的信息被埋没在海量数据中，无法得到有效的利用。模型更新困难：由于市场的变化快速且复杂，现有的推送模型往往需要人工干预才能进行更新和调整。这不仅增加了人力成本，还可能导致模型更新不及时，无法适应市场的变化。

技术实现思路

1、本发明旨在至少一定程度上解决上述技术中的技术问题之一。为此，本发明的第一个目的在于提出基于人工智能的项目交易推送方法，通过大数据与人工智能技术，构建公共资源交易项目和服务的推送算法模型，由公共服务平台完成向市场主体进行信息推送，供各类型市场了解市场动向，把握交易机会。通过深度挖掘和分析用户的历史交易数据、浏览行为等信息，模型能够准确识别用户的需求和偏好，实现精准的个性化推送。模型采用先进的深度学习算法和分布式计算技术，能够高效处理大规模的项目交易数据，并从中提取有价值的信息。模型具备迭代更新能力，能够根据市场变化和用户需求调整和优化推送策略，实现精准推送。

2、本发明的第二个目的在于提出基于人工智能的项目交易推送系统。

3、为达到上述目的，本发明第一方面实施例提出了一种基于人工智能的项目交易推送方法，包括：

4、通过项目信息来源获取项目交易信息；

5、对项目交易信息进行数据预处理，得到预处理数据；

6、根据预处理数据对初始模型进行训练，得到项目交易推送模型；

7、获取待处理数据，将待处理数据输入到项目交易推送模型，输出项目交易推送信息。

8、根据本发明的一些实施例，项目信息来源包括政府采购项目、建设工程项目及阳光采购项目；项目交易信息包括项目名称、项目类型、交易方式、交易金额及项目描述。

9、根据本发明的一些实施例，对项目交易信息进行数据预处理，包括：

10、去除项目交易信息中重复、无效及格式不规范的数据，得到清洗数据；

11、对清洗数据进行标准化处理及归一化处理，得到目标数据；

12、对目标数据进行特征提取，确定项目特征；其中，所述项目特征包括厂商角色、供应商历史成交项目数量、供应商项目类型偏好、采购人项目类型偏好。

13、根据本发明的一些实施例，根据预处理数据对初始模型进行训练，得到项目交易推送模型，包括：

14、将预处理数据划分为训练集、验证集和测试集；

15、基于机器学习算法通过训练集对初始模型进行训练，验证集用于调整模型参数以防止过拟合，测试集用于评估模型性能；在训练过程中，初始模型会不断迭代优化参数，最终得到项目交易推送模型。

16、根据本发明的一些实施例，还包括：根据用户的埋点反馈数据对项目交易推送模型进行在线学习或更新；所述埋点反馈数据包括点击率及转化率。

17、根据本发明的一些实施例，基于机器学习算法通过训练集对初始模型进行训练，包括：

18、基于机器学习算法通过训练集在采购人推荐供应商应用场景及供应商推荐采购人应用场景下对初始模型进行训练，得到第一模型；

19、基于机器学习算法通过训练集在供应商推荐项目应用场景及项目推荐供应商应用场景下对初始模型进行训练，得到第二模型；

20、根据第一模型及第二模型确定项目交易推送模型。

21、根据本发明的一些实施例，基于机器学习算法通过训练集在采购人推荐供应商应用场景及供应商推荐采购人应用场景下对初始模型进行训练，得到第一模型，包括：

22、在模型训练阶段，根据训练集确定企业主体信息及历史项目信息，招标单位记为采购人角色，中标单位记为供应商角色，分别输出采购人及历史项目信息、供应商及历史项目信息；

23、根据采购人及历史项目信息构建采购人画像表；所述采购人画像表包括采购人基本信息及采购人历史采购项目偏好；根据采购人画像表训练采购人聚类模型；采购人聚类模型用于输出采购人类别；基于kmeans聚类方法根据采购人类别进行聚类，得到采购人聚类结果；根据采购人聚类结果计算簇类别到达簇中心的距离，以到达簇中心距离计算采购人基础得分，得到采购人类别表；

24、根据供应商及历史项目信息构建供应商画像表；所述供应商画像表包括供应商基本信息、供应商历史中标项目偏好、供应商历史投标项目偏好；根据供应商画像表训练供应商聚类模型；供应商聚类模型用于输出供应商类别；基于kmeans聚类方法根据供应商类别进行聚类，得到供应商聚类结果；根据供应商聚类结果计算簇类别到达簇中心的距离，以到达簇中心距离计算供应商基础得分，得到供应商类别表；

25、根据采购人类别表、供应商类别表及历史成交项目信息，从历史项目中分析学习各类别之间的关联关系和关联程度，并输出第一关联关系表，生成第一模型。

26、根据本发明的一些实施例，基于机器学习算法通过训练集在供应商推荐项目应用场景及项目推荐供应商应用场景下对初始模型进行训练，得到第二模型，包括：

27、获取供应商类别表；

28、基于供应商对应的历史项目信息构建项目画像表，其中包含项目基本信息、项目所属行业；基于标讯信息训练项目分类模型，输出三级行业分类，结合项目画像表，输出项目类别表；

29、根据供应商类别表及项目类别表，从历史成交项目中分析学习各主体类别之间的关联关系和关联程度，输出第二关联关系表，生成第二模型。

30、根据本发明的一些实施例，根据采购人及历史项目信息构建采购人画像表，包括：

31、对采购人及历史项目信息进行词频统计，得到采购人文本信息词汇表；根据采购人文本信息词汇表，生成带有词汇位置信息的和上下文关联信息的关于采购人的第一特征向量；

32、对采购人及历史项目信息进行项目关系剖析，获取位于采购人的项目邻节点处的多层次项目对象，作为采购人的第二特征向量；所述多层次项目对象包括项目时长、步骤及项目沟通次数；

33、将第一特征向量及第二特征向量输入至全连接层中，输出中间向量，所述全连接层用于学习描述输入的第一特征向量及第二特征向量与采购人标签之间的对应关系的参数；将所述中间向量输入至多维度标签分类器中的n个标签分类器中，输出采购人在n个维度上的标签预测概率，n为正整数；所述n个标签分类器中的每个标签分类器包括不同的逻辑回归函数层，用于输出不同维度的采购人标签；

34、将n个维度上的标签预测概率按照由大到小的规则进行排序；根据排序结果从n个维度上的采购人标签中选择前k个采购人标签；

35、根据前k个采购人标签构建采购人画像表。

36、为达到上述目的，本发明第二方面实施例提出了一种基于人工智能的项目交易推送系统，包括：

37、获取模块，用于通过项目信息来源获取项目交易信息；

38、预处理模块，用于对项目交易信息进行数据预处理，得到预处理数据；

39、训练模块，用于根据预处理数据对初始模型进行训练，得到项目交易推送模型；

40、输出模块，用于获取待处理数据，将待处理数据输入到项目交易推送模型，输出项目交易推送信息。

41、本发明提出基于人工智能的项目交易推送方法及系统，通过大数据与人工智能技术，构建公共资源交易项目和服务的推送算法模型，由公共服务平台完成向市场主体进行信息推送，供各类型市场了解市场动向，把握交易机会。通过深度挖掘和分析用户的历史交易数据、浏览行为等信息，模型能够准确识别用户的需求和偏好，实现精准的个性化推送。模型采用先进的深度学习算法和分布式计算技术，能够高效处理大规模的项目交易数据，并从中提取有价值的信息。模型具备迭代更新能力，能够根据市场变化和用户需求调整和优化推送策略，实现精准推送。通过精准推送，用户可以更快地找到符合自己需求的交易项目，缩短了交易周期，提高了交易效率。由于推送的项目更符合用户需求，减少了用户在筛选和对比项目上的时间和精力投入，从而降低了交易成本。通过精准推送和个性化服务，提高了用户满意度和忠诚度，有助于企业建立长期稳定的客户关系。

42、本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。

43、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。