商显产业链交易推荐方法、装置、设备、存储介质及系统

摘要

本发明适用于计算机技术领域，提供了一种商显产业链交易推荐方法、装置、设备、存储介质及系统，所述推荐方法包括：获取商显产业链交易需求信息；确定候选商显产业链供应端及商显产业链交易供应信息；获取商显产业链供应端关联的历史交易数据；根据交易评价指标信息、历史交易数据以及预设的交易推荐模型从候选商显产业链供应端中确定优选商显产业链供应端及其商显产业链交易供应信息。本发明实施例提供的推荐方法中，既考虑了需求方在商显产业链交易需求信息加入的自助的考虑，同时交易推荐模型是预先基于改进的长短期记忆循环神经网络以及历史交易信息训练生成的，充分考虑了商显产业链供应端的历史交易数据的变化趋势，提高了推荐效果。

说明书

技术领域

本发明属于计算机技术领域，尤其涉及一种商显产业链交易推荐方法、装置、设备、存储介质及系统。

背景技术

为了促进商显产业链的交易发展，目前已经出现了许多商显产业链交易推荐平台，需求端用户以及供应端用户都可以在平台上发布自己的需求信息以及供应信息，而为了提高交易率，平台往往会基于按照既定的推荐规则实现信息的推荐，从而促成交易。

然而，在现有的商显产业链平台中，大多数平台推荐仅仅依赖于用户的点评数据，而较少以用户的实际考虑为主导，此外，平台推荐也较少考虑到历史交易信息的变化趋势，导致实际推荐效果并不理想。

可见，现有的商显产业链交易平台的交易推荐方法还存在着推荐效果不够理想的技术问题。

发明内容

本发明实施例的目的在于提供一种商显产业链交易推荐方法，旨在现有的商显产业链交易平台的交易推荐方法还存在的推荐效果不够理想的技术问题。

本发明实施例是这样实现的，一种商显产业链交易推荐方法，包括：

获取商显产业链交易需求信息；所述商显产业链交易需求信息中至少包括优选交易评价指标信息；

按照预设的筛选规则筛选出多个候选商显产业链供应端所发布的候选商显产业链交易供应信息；

获取在预设期间内的与所述多个候选商显产业链供应端关联的历史交易数据；

根据所述优选交易评价指标信息、所述历史交易数据以及预设的交易推荐模型从所述多个候选商显产业链供应端中确定至少一个优选商显产业链供应端以及相应的优选商显产业链交易供应信息；

其中，所述预设的交易推荐模型是预先基于改进的长短期记忆循环神经网络以及历史交易信息训练生成的；所述优选商显产业链供应端是指基于所述交易推荐模型以及与所述优选商显产业链供应端关联的历史交易数据所确定出的交易评价指标数据满足预设的优先要求。

本发明实施例的另一目的在于提供一种商显产业链交易推荐装置，包括：

需求信息获取单元，用于获取商显产业链交易需求信息；所述商显产业链交易需求信息中至少包括优选交易评价指标信息；

候选供应信息确定单元，用于按照预设的筛选规则筛选出多个候选商显产业链供应端所发布的候选商显产业链交易供应信息；

历史交易信息获取单元，用于获取在预设期间内的与所述多个候选商显产业链供应端关联的历史交易数据；

优选供应信息根据确定单元，用于根据所述优选交易评价指标信息、所述历史交易数据以及预设的交易推荐模型从所述多个候选商显产业链供应端中确定至少一个优选商显产业链供应端以及相应的优选商显产业链交易供应信息；

其中，所述预设的交易推荐模型是预先基于改进的长短期记忆循环神经网络以及历史交易信息训练生成的；所述优选商显产业链供应端是指基于所述交易推荐模型以及与所述优选商显产业链供应端关联的历史交易数据所确定出的交易评价指标数据满足预设的优先要求。

本发明实施例的另一目的在于提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上述所述商显产业链交易推荐方法的步骤。

本发明实施例的另一目的在于提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述所述商显产业链交易推荐方法的步骤。

本发明实施例的另一目的在于提供一种商显产业链交易推荐系统，包括商显产业链交易需求客户端以及商显产业链交易推荐服务端；所述商显产业链交易推荐服务端上预先存储有多个候选商显产业链供应端所发布的候选商显产业链交易供应信息以及历史交易信息；所述商显产业链交易需求客户端用于向所述商显产业链交易推荐服务端发送商显产业链交易需求信息；所述商显产业链交易推荐服务端，用于在获取到所述商显产业链交易需求客户端发送的商显产业链交易需求信息后，根据如上述所述商显产业链交易推荐方法确定至少一个优选商显产业链供应端以及相应的优选商显产业链交易供应信息，并向所述商显产业链交易需求客户端返回所述优选商显产业链交易供应信息。

本发明实施例提供的一种商显产业链交易推荐方法，在获取到包括优选交易评价指标信息的商显产业链交易需求信息，先按照预设的筛选规则筛选出多个候选商显产业链供应端所发布的候选商显产业链交易供应信息，然后获取预设期间内的与该多个候选商显产业链供应端关联的历史交易数据，并根据优选交易评价指标信息、历史交易数据以及预设的交易推荐模型进行处理，从多个候选商显产业链供应端中确定至少一个优选商显产业链供应端以及相应的优选商显产业链交易供应信息，其中交易推荐模型是预先基于改进的长短期记忆循环神经网络以及历史交易信息训练生成的，而优选商显产业链交易供应信息是指基于所述交易推荐模型以及与相应的历史交易数据所确定出的交易评价指标数据满足预设的优先要求。本发明提供的商显产业链交易推荐方法一方面考虑了需求方在商显产业链交易需求信息加入的自助的考虑，也就是优选交易评价指标信息，另一方面，交易推荐模型是预先基于改进的长短期记忆循环神经网络以及历史交易信息训练生成的，也就是推荐模型充分考虑了商显产业链供应端的历史交易数据的变化趋势，实际推荐效果更为理想。

附图说明

图1为本发明实施例提供的一种商显产业链交易推荐方法的应用环境图；

图2为本发明实施例提供的一种商显产业链交易推荐方法的步骤流程图；

图3为本发明实施例提供的另一种商显产业链交易推荐方法的步骤流程图；

图4为本发明实施例提供的一种训练生成交易推荐模型的步骤流程图；

图5为本发明实施例提供的另一种训练生成交易推荐模型的步骤流程图；

图6为本发明实施例提供的又一种训练生成交易推荐模型的步骤流程图；

图7为本发明实施例提供的一种确定交易预测总损失值的步骤流程图；

图8为本发明实施例提供的一种商显产业链交易推荐装置的结构示意图；

图9为本发明实施例提供的执行本发明实施例提供的方法的计算机设备的内部结构图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示，为本发明实施例提供的一种商显产业链交易推荐方法的应用环境图，具体也可以理解为一种商显产业链交易推荐系统的结构示意图，详述日下。

在本发明实施例中，具体包括商显产业链交易需求客户端110以及商显产业链交易推荐服务端120。其中需要说明的一点是，商显产业链交易推荐服务端120上预先存储有多个候选商显产业链供应端所发布的候选商显产业链交易供应信息以及历史交易信息，也就是说，该商显产业链交易推荐系统通常也包括与商显产业链交易推荐服务端120进行通讯的商显产业链供应端，但考虑到在推荐过程中，可以预先获取到商显产业链供应端的相关信息，而无需商显产业链供应端实时参与，因此，本发明不对商显产业链供应端做具体的描述。

在本发明实施例中，通常情况下，由商显产业链交易需求客户端向商显产业链交易推荐服务端发送商显产业链交易需求信息，该商显产业链交易需求信息中至少包括优选交易评价指标信息，也就是需求方的自主考虑。此时，商显产业链交易推荐服务端在获取到的商显产业链交易需求信息后，将按照既定的推荐规则确定出至少一个优选商显产业链供应端以及相应的优选商显产业链交易供应信息，并向所述商显产业链交易需求客户端返回所述优选商显产业链交易供应信息从而促成交易。

在本发明实施例中，商显产业链交易推荐服务端在获取商显产业链交易需求信息后按照既定的推荐规则确定出优选商显产业链交易供应信息的步骤为本发明的关键，其中，具体的实现步骤请参阅后续图2及其解释说明的内容。

如图2所示，为本发明实施例提供的一种商显产业链交易推荐方法的步骤流程图，该方法主要以运行于如前述所述的商显产业链交易推荐服务端120上，具体包括以下步骤：

步骤S202，获取商显产业链交易需求信息。

在本发明实施例中，所述商显产业链交易需求信息中至少包括优选交易评价指标信息。

在本发明实施例中，所述优选交易评价指标信息可以理解为需求方在商显产业链交易需求信息加入的自助的考虑，例如可以是商显产业链供应端的交易特征，如订单量、订单频率、客户回购率等等，又或者是品牌特征，例如供应端运营状态、宣传状态、信用平台信息等等，当然可以根据用户的需求确定。

在本发明实施例中，所述商显产业链交易需求信息通常是由商显产业链交易需求客户端发送的。

步骤S204，按照预设的筛选规则筛选出多个候选商显产业链供应端所发布的候选商显产业链交易供应信息。

在本发明实施例中，筛选出候选商显产业链供应端，是为了降低后续推荐算法的计算量，先通过常规的筛选规则筛选出可能完成交易的候选商显产业链供应端，在筛选过程中并未考虑到需求方在商显产业链交易需求信息加入的自助的考虑。

作为本发明一个优选实施例，所述商显产业链交易需求信息中还包括交易需求筛选信息，此时按照预设的筛选规则筛选出多个候选商显产业链供应端所发布的候选商显产业链交易供应信息的一种可行步骤，具体请参阅图3及其解释说明。

步骤S206，获取在预设期间内的与所述多个候选商显产业链供应端关联的历史交易数据。

在本发明实施例中，所述预设期间通常是指在当前时间前内的一段时间，通常选择2~3个月，而在确定候选商显产业链供应端后，由于交易信息通常会储存在数据库当中，因此，可以方便的获取到每个候选商显产业链供应端的历史交易数据。

步骤S208，根据所述优选交易评价指标信息、所述历史交易数据以及预设的交易推荐模型从所述多个候选商显产业链供应端中确定至少一个优选商显产业链供应端以及相应的优选商显产业链交易供应信息。

在本发明实施例中，预设的交易推荐模型是预先基于改进的长短期记忆循环神经网络以及历史交易信息训练生成的，该交易推荐模型充分考虑了商显产业链供应端的历史交易数据的变化趋势，可以根据商显产业链供应端的历史交易数据确定出商显产业链供应端在不同交易评价指标下的数据，因此，在用户给定优选交易评价指标信息，将在优先交易评价指标下表现较好的至少一个商显产业链供应端确定为优选商显产业链供应端，并得到优选商显产业链交易供应信息。

在本发明实施例中，其中具体训练生成交易推荐模型的步骤请参阅图4~图7及其解释说明的内容。

本发明实施例提供的一种商显产业链交易推荐方法，在获取到包括优选交易评价指标信息的商显产业链交易需求信息，先按照预设的筛选规则筛选出多个候选商显产业链供应端所发布的候选商显产业链交易供应信息，然后获取预设期间内的与该多个候选商显产业链供应端关联的历史交易数据，并根据优选交易评价指标信息、历史交易数据以及预设的交易推荐模型进行处理，从多个候选商显产业链供应端中确定至少一个优选商显产业链供应端以及相应的优选商显产业链交易供应信息，其中交易推荐模型是预先基于改进的长短期记忆循环神经网络以及历史交易信息训练生成的，而优选商显产业链交易供应信息是指基于所述交易推荐模型以及与相应的历史交易数据所确定出的交易评价指标数据满足预设的优先要求。本发明提供的商显产业链交易推荐方法一方面考虑了需求方在商显产业链交易需求信息加入的自助的考虑，也就是优选交易评价指标信息，另一方面，交易推荐模型是预先基于改进的长短期记忆循环神经网络以及历史交易信息训练生成的所确定出的推荐模型充分考虑了商显产业链供应端的历史交易数据的变化趋势，实际推荐效果更为理想。

如图3所示，为本发明实施例提供的另一种商显产业链交易推荐方法的步骤流程图，详述如下。

在本发明实施例中，与图2所示出的一种商显产业链交易推荐方法的步骤流程图的区别在于，所述商显产业链交易需求信息中还包括交易需求筛选信息，所述步骤S204，具体为：

步骤S302，根据所述交易需求筛选信息确定多个候选商显产业链供应端所发布的候选商显产业链交易供应信息。

在本发明实施例中，所述交易需求筛选信息通常是指常规的筛选信息，例如基于用户的时间、地点、价格要求等等或者其他任意不涉及到交易特征的需求。

如图4所示，为本发明实施例提供的一种训练生成交易推荐模型的步骤流程图，具体包括以下步骤：

步骤S402，获取样本数据。

在本发明实施例中，样本数据包括多个商显产业链供应端在预设周期内的历史交易数据以及真实交易评价指标数据。

步骤S404，按照预设的样本划分规则将所述样本数据划分为训练数据以及预测数据。

在本发明实施例中，本发明是对长短期记忆循环神经网络进行了改进，为提高对历史交易信息的学习效果，需要将样本数据划分为训练数据以及预测数据，其中通常情况下是基于时间序列，将前部分样本数据划分为训练数据，而将后半部分划分为预测数据。

步骤S406，构建初始化的交易信息预测自编码模型以及交易评价指标解码模型。

在本发明实施例中，由于对长短期记忆循环神经网络进行了改进，才需要用到的模型包括交易信息预测自编码模型以及交易评价指标解码模型，其中交易信息预测自编码模型是指基于历史交易数据的预测出下一期间交易数据，而交易评价指标解码模型是进一步基于下一期间交易数据确定交易评价指标。

步骤S408，根据所述训练数据以及当前交易信息预测自编码模型确定多个分别与所述预测数据对应的响应预测数据并确定所述响应预测数据与所述预测数据之间的交易预测总损失值。

在本发明实施例中，结合前述可知，当前交易信息预测自编码模型是对历史交易数据进行预测得到下一期间的交易数据，而训练数据与预测数据又是基于时间序列划分的，因此，可以根据训练数据预测出下一期间的交易数据，并分别于真实的历史交易数据进行对比确定出响应预测数据与所述预测数据之间的差值，并求和确定交易预测总损失值，为便于理解，具体请参阅图7及其解释说明的内容。

步骤S410，根据所述预测数据以及当前交易评价指标解码模型确定响应交易评价指标并确定所述响应交易评价指标信息与所述真实交易评价指标信息之间的交易评价损失值。

在本发明实施例中，交易评价指标解码模型可以理解为预测数据与交易评价指标之间的函数关系。该交易评价指标解码模型也同样需要基于响应交易评价指标信息与真实交易评价指标信息之间的交易评价损失值来进行更新。

步骤S412，根据所述交易预测损失值与所述交易评价损失值确定总损失值。

在本发明实施例中，将交易预测损失值与所述交易评价损失值按照预设的权重求和即可确定总损失值，可以理解，总损失值越小，则模型根据历史交易数据确定的交易评价指标数据越符合真实情况。

步骤S414，判断是否满足预设的模型训练结束条件。当判断否时，执行步骤S416；当判断是时，执行步骤S418。

在本发明实施例中，所述模型通常需要经过若干次的迭代更新优化，因此结束条件可以通过模型的迭代次数或者根据损失值来判定。具体请参阅图6及其解释说明的内容。

步骤S416，基于梯度下降算法以及所述总损失值对所述交易信息预测自编码模型以及所述交易评价指标解码模型进行更新，并返回至所述步骤S308。

在本发明实施例中，基于总损失值并利用梯度下降对交易信息预测自编码模型以及所述交易评价指标解码模型中含有的可变参数进行更新。

步骤S418，将所述交易信息预测自编码模型与所述交易评价指标解码模型组合生成交易推荐模型。

在本发明实施例中，将交易信息预测自编码模型与所述交易评价指标解码模型组合生成交易推荐模型，其中交易信息预测自编码模型可以根据历史的交易数据预测后续交易数据，而交易评价指标解码模型又可以进一步根据预测的后续交易数据计算交易评价指标。

如图5所示，为本发明实施例提供的另一种训练生成交易推荐模型的步骤流程图，详述如下。

在本发明实施例中，与图4所示出的一种训练生成交易推荐模型的步骤流程图的区别在于，在所述步骤S402之后，还包括：

步骤S502，对所述样本数据进行归一化处理生成归一化后的样本数据。

在本发明实施例中，考虑到历史交易数据可能具有较大值，为简化算法过程，可以将样本数据进行归一化处理生成归一化后的样本数据，也就是将样本数据映射至0~1空间的数值，以简化计算。具体归一化过程属于常见的数学处理过程，本发明在此不作具体的说明。

如图6所示，为本发明实施例提供的又一种训练生成交易推荐模型的步骤流程图，详述如下。

在本发明实施例中，与图4所示出的一种训练生成交易推荐模型的步骤流程图的区别在于，所述步骤S414，具体为：

步骤S602，根据所述总损失值以及上一总损失值之间的差值判断是否满足预设的模型训练结束条件。

在本发明实施例中，通常情况下可以根据迭代次数是否达到预设的代数阈值来判断是否训练完成，而根据当前的总损失值与上一总损失值之间的差值进行判断更加灵活，例如连续若干次差值都小于一定的值则表明优化过程已完成。

如图7所示，为本发明实施例提供的一种确定交易预测总损失值的步骤流程图，具体包括以下步骤：

步骤S702，根据当前训练数据以及当前交易评价指标解码模型确定当前响应预测数据。

在本发明实施例中，可以看出训练数据和交易评价指标解码模型都是会更新的，但不同时，图7示出的步骤中不涉及到交易评价指标解码模型的更新，而仅仅涉及到训练数据的更新，交易评价指标解码模型的更新可以参阅图4的内容，训练数据更新具体是指每一次预测交易数据后，将预测出的交易数据加入到当前训练数据中以对下一次预测交易数据进行预测，重复执行直至全部的预存数据都加入至训练数据中。

步骤S704，根据当前响应预测数据与当前预测数据之间的交易预测损失值。

步骤S706，判断是否存在不具有对应响应预测数据的预测数据。当判断是时，执行步骤S708；当判断否时，执行步骤S710。

步骤S708，将所述响应预测数据加入至当前训练数据中，并返回至所述步骤S702。

步骤S710，根据所述交易预测损失值确定交易预测总损失值。

在本发明实施例中，为便于理解，假定样本数据中按照时间序列分为1~n，其中划分的训练数据的时间序列为1~k，预测数据则为k+1~n，此时，先基于1~k的训练数据，预测出k+1序列时的交易数据，此时可以确定出预测出的k+1序列时的交易数据和已知的k+1序列时的交易数据之间的差值，此时，将预测出k+1序列加入至训练数据中，再基于1~k+1的数据，预测k+2序列时的交易数据，就可以进一步确定预测出的k+2序列时的交易数据和已知的k+2序列时的交易数据之间的差值，再将预测出k+2序列加入至训练数据中，并基于1~k+2的数据，预测后一序列时的交易数据，重复上述步骤，直至基于1~n-1的数据预测出n序列的数据，此时可以将各个序列的预测交易数据与真实的历史交易数据之间的差值求和即得交易预测总损失值。

如图8所示，为本发明实施例提供的一种商显产业链交易推荐装置的结构示意图，该商显产业链交易推荐装置主要设置于如前述所述的商显产业链交易推荐服务端120上，具体包括以下单元。

需求信息获取单元810，用于获取商显产业链交易需求信息。

在本发明实施例中，所述商显产业链交易需求信息中至少包括优选交易评价指标信息。

在本发明实施例中，所述优选交易评价指标信息可以理解为需求方在商显产业链交易需求信息加入的自助的考虑，例如可以是商显产业链供应端的交易特征，如订单量、订单频率、客户回购率等等，又或者是品牌特征，例如供应端运营状态、宣传状态、信用平台信息等等，当然可以根据用户的需求确定。

在本发明实施例中，所述商显产业链交易需求信息通常是由商显产业链交易需求客户端发送的。

候选供应信息确定单元820，用于按照预设的筛选规则筛选出多个候选商显产业链供应端所发布的候选商显产业链交易供应信息。

在本发明实施例中，筛选出候选商显产业链供应端，是为了降低后续推荐算法的计算量，先通过常规的筛选规则筛选出可能完成交易的候选商显产业链供应端，在筛选过程中并未考虑到需求方在商显产业链交易需求信息加入的自助的考虑。

作为本发明一个优选实施例，所述商显产业链交易需求信息中还包括交易需求筛选信息，此时按照预设的筛选规则筛选出多个候选商显产业链供应端所发布的候选商显产业链交易供应信息的一种可行步骤，具体请参阅图3及其解释说明。

历史交易信息获取单元830，用于获取在预设期间内的与所述多个候选商显产业链供应端关联的历史交易数据。

在本发明实施例中，所述预设期间通常是指在当前时间前内的一段时间，通常选择2~3个月，而在确定候选商显产业链供应端后，由于交易信息通常会储存在数据库当中，因此，可以方便的获取到每个候选商显产业链供应端的历史交易数据。

优选供应信息根据确定单元840，用于根据所述优选交易评价指标信息、所述历史交易数据以及预设的交易推荐模型从所述多个候选商显产业链供应端中确定至少一个优选商显产业链供应端以及相应的优选商显产业链交易供应信息。

在本发明实施例中，预设的交易推荐模型是预先基于改进的长短期记忆循环神经网络以及历史交易信息训练生成的，该交易推荐模型充分考虑了商显产业链供应端的历史交易数据的变化趋势，可以根据商显产业链供应端的历史交易数据确定出商显产业链供应端在不同交易评价指标下的数据，因此，在用户给定优选交易评价指标信息，将在优先交易评价指标下表现较好的至少一个商显产业链供应端确定为优选商显产业链供应端，并得到优选商显产业链交易供应信息。

在本发明实施例中，其中具体训练生成交易推荐模型的步骤请参阅图4~图7及其解释说明的内容。

本发明实施例提供的一种商显产业链交易推荐装置，在获取到包括优选交易评价指标信息的商显产业链交易需求信息，先按照预设的筛选规则筛选出多个候选商显产业链供应端所发布的候选商显产业链交易供应信息，然后获取预设期间内的与该多个候选商显产业链供应端关联的历史交易数据，并根据优选交易评价指标信息、历史交易数据以及预设的交易推荐模型进行处理，从多个候选商显产业链供应端中确定至少一个优选商显产业链供应端以及相应的优选商显产业链交易供应信息，其中交易推荐模型是预先基于改进的长短期记忆循环神经网络以及历史交易信息训练生成的，而优选商显产业链交易供应信息是指基于所述交易推荐模型以及与相应的历史交易数据所确定出的交易评价指标数据满足预设的优先要求。本发明提供的商显产业链交易推荐装置一方面考虑了需求方在商显产业链交易需求信息加入的自助的考虑，也就是优选交易评价指标信息，另一方面，交易推荐模型是预先基于改进的长短期记忆循环神经网络以及历史交易信息训练生成的所确定出的推荐模型充分考虑了商显产业链供应端的历史交易数据的变化趋势，实际推荐效果更为理想。

图9示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是图1中的商显产业链交易推荐服务端120。如图9所示，该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现商显产业链交易推荐方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行商显产业链交易推荐方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，本申请提供的商显产业链交易推荐装置可以实现为一种计算机程序的形式，计算机程序可在如图9所示的计算机设备上运行。计算机设备的存储器中可存储组成该商显产业链交易推荐装置的各个程序模块，比如，图8所示的需求信息获取单元810、候选供应信息确定单元820以及历史交易信息获取单元830等等。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的商显产业链交易推荐方法中的步骤。

例如，图9所示的计算机设备可以通过如图8所示的商显产业链交易推荐装置中的需求信息获取单元810执行步骤S202；计算机设备可通过候选供应信息确定单元820执行步骤S204；计算机设备可通过历史交易信息获取单元830执行步骤S206。

在一个实施例中，提出了一种计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取商显产业链交易需求信息；所述商显产业链交易需求信息中至少包括优选交易评价指标信息；

按照预设的筛选规则筛选出多个候选商显产业链供应端所发布的候选商显产业链交易供应信息；

获取在预设期间内的与所述多个候选商显产业链供应端关联的历史交易数据；

根据所述优选交易评价指标信息、所述历史交易数据以及预设的交易推荐模型从所述多个候选商显产业链供应端中确定至少一个优选商显产业链供应端以及相应的优选商显产业链交易供应信息；

其中，所述预设的交易推荐模型是预先基于改进的长短期记忆循环神经网络以及历史交易信息训练生成的；所述优选商显产业链供应端是指基于所述交易推荐模型以及与所述优选商显产业链供应端关联的历史交易数据所确定出的交易评价指标数据满足预设的优先要求。

在一个实施例中，提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，使得处理器执行以下步骤：

获取商显产业链交易需求信息；所述商显产业链交易需求信息中至少包括优选交易评价指标信息；

按照预设的筛选规则筛选出多个候选商显产业链供应端所发布的候选商显产业链交易供应信息；

获取在预设期间内的与所述多个候选商显产业链供应端关联的历史交易数据；

根据所述优选交易评价指标信息、所述历史交易数据以及预设的交易推荐模型从所述多个候选商显产业链供应端中确定至少一个优选商显产业链供应端以及相应的优选商显产业链交易供应信息；

其中，所述预设的交易推荐模型是预先基于改进的长短期记忆循环神经网络以及历史交易信息训练生成的；所述优选商显产业链供应端是指基于所述交易推荐模型以及与所述优选商显产业链供应端关联的历史交易数据所确定出的交易评价指标数据满足预设的优先要求。

应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。