本发明涉及招标采购管理技术领域，具体涉及一种基于用户协同过滤的供应商推荐方法、装置、终端。
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。如何智能筛选邀标的供应商是亟待解决的的技术问题。
技术实现要素：
本发明解决的技术问题为招标采购过程中供应商筛选问题，提供一种基于用户协同过滤的供应商推荐方法。
为了解决上述技术问题，本发明提供的技术方案为：
一种基于用户协同过滤的供应商推荐方法，包括：
获取与目标用户相似的用户集；所述用户集内的元素与目标用户的相似度在预设范围内；所述相似度为：
其中u为用户，u为用户集，sim为相似度，s为标的物，score为标的物评分，基于
获取所述用户集内使用过的标的物，将标的物的供应商集推荐给目标用户。
其他用户在招标采购过程也可能采购过相同的标的物，根据其他用户采购相同标的物的供应商进行推荐，可以降低采购成本。
降低采购成本，利用其他用户的采购经历，获取了最终供应商的名单，从其中挑选此次采购的供应商，更可能采购到质优价廉的标的物。
优选地，还包括：
获取用户集的用户特征，加入交叉网络中，进行特征交叉操作，得到第一输入特征；
获取供应商集的特征，进行贝叶斯平滑处理的得到第二输入特征；
将第一输入特征和第二输入特征进行堆叠操作，输入全连接深度神经网络中进行训练；
采用对数似然函数的损失函数集自适应矩阵估计算法对所述全连接深度神经网络进行优化，利用在线学习的方式，得到训练好的神经网络模型。根据用户特征也就是采购方的特征和供应商的特征训练神经网络，得到更适应于本次采购方用户特点的供应商集合。
优选地，进行特征交叉操作的公式为：
其中，
优选地，将第一输入特征和第二输入特征进行堆叠操作，操作公式为：
其中
优选地，全连接深度神经网络的激活函数使用线性校正单元。
优选地，全连接深度神经网络的输出函数sigmoid函数。
基于用户协同过滤的供应商推荐装置，包括：
相似用户获取模块，所述相似用户获取模块获取与目标用户相似的用户集；所述用户集内的元素与目标用户的相似度在预设范围内；所述相似度为：
其中u为用户，u为用户集，sim为相似度，s为标的物，score为标的物评分，基于
供应商推荐模块，所述供应商推荐模块获取所述用户集内使用过的标的物，将标的物的供应商集推荐给目标用户。
优选地，还包括：
第一输入模块，所述第一输入模块获取目标用户的用户特征，加入交叉网络中，进行特征交叉操作，得到第一输入特征；
第二输入模块，所述第二输入模块获取供应商集的特征，进行贝叶斯平滑处理的得到第二输入特征；
处理模块，所述处理模块将第一输入特征和第二输入特征进行堆叠操作，输入全连接深度神经网络中进行训练；采用对数似然函数的损失函数集自适应矩阵估计算法对所述全连接深度神经网络进行优化，利用在线学习的方式，得到训练好的神经网络模型。
一种终端，包括处理器和存储器，所述存储器内存储有计算机程序，所述处理器执行所述计算机程序以实现上述的方法。
一种存储介质，存储有计算机程序，所述计算机程序可被执行以实现上述的方法。
与现有技术相比，本发明具有的有益效果为：降低采购成本，利用其他用户的采购经历，获取了最终供应商的名单，从其中挑选此次采购的供应商，更可能采购到质优价廉的标的物。
相似企业对标的物供应商的推荐是招标过程中的重要参考，本申请对这种推荐方式进行了优化了，提供了更加客观精准的推荐方式，为招标采购过程中筛选供应商提供了新的方式。
附图说明
图1为一种基于用户协同过滤的供应商推荐方法的示意图。
图2为一种基于用户协同过滤的供应商推荐装置的示意图。
具体实施方式
以下实施列是对本发明的进一步说明，不是对本发明的限制。
一种基于用户协同过滤的供应商推荐方法，在本申请的一些实施例中，包括：
获取与目标用户相似的用户集；所述用户集内的元素与目标用户的相似度在预设范围内；所述相似度为：
其中u为用户，u为用户集，sim为相似度，s为标的物，score为标的物评分，基于
获取所述用户集内使用过的标的物，将标的物的供应商集推荐给目标用户。
其他用户在招标采购过程也可能采购过相同的标的物，根据其他用户采购相同标的物的供应商进行推荐，可以降低采购成本。
降低采购成本，利用其他用户的采购经历，获取了最终供应商的名单，从其中挑选此次采购的供应商，更可能采购到质优价廉的标的物。
在本申请的一些实施例中，用户u拟采购标的物a为例，有多家企业采购过标的物a，用户u为国企，营利能力较强，那么可以根据企业性质、企业财务状况这些特征，筛选与用户u相似的采购过标的物a的企业；也可以根据其他用户对标的物a的喜好度的评分，例如企业b对标的物a的需求度高，评分也就高，评分可以从网络上抓取，也可以邀请企业b填写调查问卷获取，筛选与用户u相似的采购过标的物a的企业，形成用户集u。
在本申请的一些实施例中，还包括：
获取用户集的用户特征，加入交叉网络中，进行特征交叉操作，得到第一输入特征；
获取供应商集的特征，进行贝叶斯平滑处理的得到第二输入特征；
将第一输入特征和第二输入特征进行堆叠操作，输入全连接深度神经网络中进行训练；
采用对数似然函数的损失函数集自适应矩阵估计算法对所述全连接深度神经网络进行优化，利用在线学习的方式，得到训练好的神经网络模型。
根据用户特征也就是采购方的特征和供应商的特征训练神经网络，得到更适应于本次采购方用户特点的供应商集合。
根据用户集和供应商集作为输入训练神经网络模型，建立用户同供应商的深层次特征关系，从而提高供应商推荐的精准度。
在本申请的起一些实施例中，进行特征交叉操作的公式为：
其中，
通过交叉神经网络提取出特征，可以节约运算成本。
在本申请的一些实施例中，用户集中元素的特征可以提取为{企业性质，纳税规模}，企业b为国企，其特征可以表示为{1,1}，表示国企，纳税规模大；企业c为私企，其特征可以表示为{0,0}，表示私企，纳税规模小。将这些特征加入到特征交叉网络中，得到第一输入特征。
在本申请的一些实施例中，将第一输入特征和第二输入特征进行堆叠操作，操作公式为：
其中
在本申请的一些实施例中，全连接神经网络的公式表达为：
其中，
最后一层是针对样本是否中标的概率输出，其公式为：
式中，
随后对整体的深度神经网络进行求解，使用的损失函数加了正则想的对数损失函数，公式为：
其中
通过深度神经网络，可以更加有效地发觉采购方用户与供应商的深层次特征关系，更精准的推荐。
全连接深度神经网络的激活函数使用线性校正单元。
全连接深度神经网络的输出函数sigmoid函数。
在本申请的一些实施例中，将目标用户u的特征、标的物a的供应商集输入训练好的全连接深度网络模型，得到经过进一步筛选推荐供应商的集合。
一种基于用户协同过滤的供应商推荐装置，包括：
相似用户获取模块，所述相似用户获取模块获取与目标用户相似的用户集；所述用户集内的元素与目标用户的相似度在预设范围内；所述相似度为：
其中u为用户，u为用户集，sim为相似度，s为标的物，score为标的物评分，基于
供应商推荐模块，所述供应商推荐模块获取所述用户集内使用过的标的物，将标的物的供应商集推荐给目标用户。
在本申请的一些实施例中，还包括：
第一输入模块，所述第一输入模块获取用户集中的用户特征，加入交叉网络中，进行特征交叉操作，得到第一输入特征；
第二输入模块，所述第二输入模块获取供应商集的特征，进行贝叶斯平滑处理的得到第二输入特征；
处理模块，所述处理模块将第一输入特征和第二输入特征进行堆叠操作，输入全连接深度神经网络中进行训练；采用对数似然函数的损失函数集自适应矩阵估计算法对所述全连接深度神经网络进行优化，利用在线学习的方式，得到训练好的神经网络模型。
一种终端，包括处理器和存储器，所述存储器内存储有计算机程序，所述处理器执行所述计算机程序以上述的方法。
一种存储介质，存储有计算机程序，所述计算机程序可被执行以实现上述的方法。
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。
1.一种基于用户协同过滤的供应商推荐方法，其特征在于，包括：
获取与目标用户相似的用户集；所述用户集内的元素与目标用户的相似度在预设范围内；所述相似度为：
其中u为用户，u为用户集，sim为相似度，s为标的物，score为标的物评分，基于
获取所述用户集内使用过的标的物，将标的物的供应商集推荐给目标用户。
2.根据权利要求1所述的一种基于用户协同过滤的供应商推荐方法，其特征在于，还包括：
获取用户集的用户特征，加入交叉网络中，进行特征交叉操作，得到第一输入特征；
获取供应商集的特征，进行贝叶斯平滑处理的得到第二输入特征；
将第一输入特征和第二输入特征进行堆叠操作，输入全连接深度神经网络中进行训练；
采用对数似然函数的损失函数集自适应矩阵估计算法对所述全连接深度神经网络进行优化，利用在线学习的方式，得到训练好的神经网络模型。
3.根据权利要求2所述的一种基于用户协同过滤的供应商推荐方法，其特征在于，进行特征交叉操作的公式为：
其中，
4.根据权利要求2所述的一种基于用户协同过滤的供应商推荐方法，其特征在于，将第一输入特征和第二输入特征进行堆叠操作，操作公式为：
其中
5.根据权利要求2所述的一种基于用户协同过滤的供应商推荐方法，其特征在于，全连接深度神经网络的激活函数使用线性校正单元。
6.根据权利要求2所述的一种基于用户协同过滤的供应商推荐方法，其特征在于，全连接深度神经网络的输出函数sigmoid函数。
7.一种基于用户协同过滤的供应商推荐装置，其特征在于，包括：
相似用户获取模块，所述相似用户获取模块获取与目标用户相似的用户集；所述用户集内的元素与目标用户的相似度在预设范围内；所述相似度为：
其中u为用户，u为用户集，sim为相似度，s为标的物，score为标的物评分，基于
供应商推荐模块，所述供应商推荐模块获取所述用户集内使用过的标的物，将标的物的供应商集推荐给目标用户。
8.根据权利要求1所述的一种基于用户协同过滤的供应商推荐方法，其特征在于，还包括：
第一输入模块，所述第一输入模块获取目标用户的用户特征，加入交叉网络中，进行特征交叉操作，得到第一输入特征；
第二输入模块，所述第二输入模块获取供应商集的特征，进行贝叶斯平滑处理的得到第二输入特征；
处理模块，所述处理模块将第一输入特征和第二输入特征进行堆叠操作，输入全连接深度神经网络中进行训练；采用对数似然函数的损失函数集自适应矩阵估计算法对所述全连接深度神经网络进行优化，利用在线学习的方式，得到训练好的神经网络模型。
9.一种终端，其特征在于，包括处理器和存储器，所述存储器内存储有计算机程序，所述处理器执行所述计算机程序以实现权利要求1~6任一项所述的方法。
10.一种存储介质，其特征在于，存储有计算机程序，所述计算机程序可被执行以实现权利要求1~6任一项所述的方法。
技术总结