招投标合作关系的预测方法、设备及系统

摘要

本申请实施例提供了一种招投标合作关系的预测方法、设备及系统。预测方法包括：获取任意两个招标方之间的第一相似度以及任意两个投标方之间的第二相似度；确定招标方与投标方之间的历史合作关系以及任意两个历史合作关系之间的第三相似度；基于第一相似度、第二相似度和第三相似度，预测招标方与投标方进行合作的概率信息。本申请提供的技术方案，基于两个招标方之间的第一相似度、两个投标方之间的第二相似度以及招标方与投标方之间的历史合作关系来预测招标方与投标方进行合作的概率信息，这样有效地提高了对招投标合作关系进行预测的准确度，而后便于基于概率信息进行招标方和投标方的推荐操作，进一步提高了该方法的实用性。

说明书

技术领域

本申请涉及数据处理技术领域，尤其涉及一种招投标合作关系的预测方法、设备及系统。

背景技术

目前，在招投标技术领域，很少有对招投方之间的合作关系进行预测的方案，存在少数的预测方案是基于一些历史的合作关系的统计进行预测，例如：乙方供应商A和甲方企业B如果在历史上合作过M次，A和甲方企业C在历史上合作过N次，如果M>N，那么可以认为A和B合作的可能性要大于A和C合作的可能性。

然而，上述仅基于直接的历史合作数据进行合作关系的预测操作比较简单粗暴，并且具有直接合作关系的招投方毕竟是少数，因此，上述进行合作关系预测的实现方式的实用性和适用范围较差。

发明内容

本申请实施例提供一种招投标合作关系的预测方法、设备及系统，能够提高对招投标合作关系进行预测的实用性，并保证该预测方法的适用范围。

第一方面，本申请实施例提供了一种招投标合作关系的预测方法，包括：

获取任意两个招标方之间的第一相似度以及任意两个投标方之间的第二相似度；

确定所述招标方与所述投标方之间的历史合作关系以及任意两个历史合作关系之间的第三相似度；

基于所述第一相似度、第二相似度和第三相似度，预测所述招标方与所述投标方进行合作的概率信息。

第二方面，本申请实施例提供了一种招投标合作关系的预测装置，包括：

第一获取模块，用于获取任意两个招标方之间的第一相似度以及任意两个投标方之间的第二相似度；

第一确定模块，用于确定所述招标方与所述投标方之间的历史合作关系以及任意两个历史合作关系之间的第三相似度；

第一处理模块，用于基于所述第一相似度、第二相似度和第三相似度，预测所述招标方与所述投标方进行合作的概率信息。

第三方面，本申请实施例提供了一种电子设备，包括：存储器、处理器；其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行时实现上述第一方面所示的招投标合作关系的预测方法。

第四方面，本发明实施例提供了一种计算机存储介质，用于储存计算机程序，所述计算机程序使计算机执行时实现上述第一方面所示的招投标合作关系的预测方法。

第五方面，本发明实施例提供了一种计算机程序产品，包括：计算机程序，当所述计算机程序被电子设备的处理器执行时，使所述处理器执行上述第一方面所示的招投标合作关系的预测方法中的步骤。

第六方面，本发明实施例提供了一种关联关系的预测方法，包括：

获取任意两个第一类对象之间的第一相似度以及任意两个第二类对象之间的第二相似度；

确定所述第一类对象与所述第二类对象之间的历史关联关系以及任意两个历史关联关系之间的第三相似度；

基于所述第一相似度、第二相似度和第三相似度，预测所述第一类对象与所述第二类对象进行关联的概率信息。

第七方面，本发明实施例提供了一种关联关系的预测装置，包括：

第二获取模块，用于获取任意两个第一类对象之间的第一相似度以及任意两个第二类对象之间的第二相似度；

第二确定模块，用于确定所述第一类对象与所述第二类对象之间的历史关联关系以及任意两个历史关联关系之间的第三相似度；

第二处理模块，用于基于所述第一相似度、第二相似度和第三相似度，预测所述第一类对象与所述第二类对象进行关联的概率信息。

第八方面，本申请实施例提供了一种电子设备，包括：存储器、处理器；其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行时实现上述第六方面所示的关联关系的预测方法。

第九方面，本发明实施例提供了一种计算机存储介质，用于储存计算机程序，所述计算机程序使计算机执行时实现上述第六方面所示的关联关系的预测方法。

第十方面，本发明实施例提供了一种计算机程序产品，包括：计算机程序，当所述计算机程序被电子设备的处理器执行时，使所述处理器执行上述第六方面所示的关联关系的预测方法中的步骤。

第十一方面，本发明实施例提供了一种招投标合作关系的预测系统，包括：

请求端，用于显示对招标方与投标方之间合作关系进行预测的交互界面，通过所述交互界面获取多个招标方和多个投标方，并将多个招标方和多个投标方发送至预测装置；

所述预测装置，与所述请求端通信连接，用于接收所述请求端发送的多个招标方和多个投标方，获取任意两个招标方之间的第一相似度以及任意两个投标方之间的第二相似度；确定所述招标方与所述投标方之间的历史合作关系以及任意两个历史合作关系之间的第三相似度；基于所述第一相似度、第二相似度和第三相似度，预测所述招标方与所述投标方进行合作的概率信息，并将所述招标方与所述投标方进行合作的概率信息发送至所述请求端；

所述请求端，用于通过所述交互界面对所述招标方与所述投标方进行合作的概率信息进行显示。

本申请实施例提供的技术方案，通过获取任意两个招标方之间的第一相似度以及任意两个投标方之间的第二相似度，确定所述招标方与所述投标方之间的历史合作关系以及任意两个历史合作关系之间的第三相似度，而后基于所述第一相似度、第二相似度和第三相似度来预测所述招标方与所述投标方进行合作的概率信息，由于上述的概率信息由第一相似度、第二相似度和第三相似度来确定的，这样不仅提高了对招投标合作关系进行预测的准确度，并且扩展了该预测方法的适用范围，而后便于基于概率信息进行招标方和投标方的推荐操作，进一步提高了该技术方案的实用性。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种招投标合作关系的预测方法的场景示意图；

图2为本申请实施例提供的一种招投标合作关系的预测方法的流程示意图；

图3为本申请实施例提供的获取任意两个招标方之间的第一相似度以及任意两个投标方之间的第二相似度的流程示意图；

图4为本申请实施例提供的确定任意两个历史合作关系之间的第三相似度的流程示意图；

图4a为本申请实施例提供的构建二部图的示意图；

图5为本申请实施例提供的另一种招投标合作关系的预测方法的流程示意图；

图6为本申请应用实施例提供了一种招投标合作关系的预测方法的流程示意图；

图7为本申请应用实施例提供了一种招投标合作关系的预测方法的示意图；

图8为本申请实施例提供了一种关联关系的预测方法的流程示意图；

图9为本申请实施例提供的一种招投标合作关系的预测装置的结构示意图；

图10为图9所示的招投标合作关系的预测装置所对应的电子设备的结构示意图；

图11为本申请实施例提供的一种关联关系的预测装置的结构示意图；

图12为图11所示的关联关系的预测装置所对应的电子设备的结构示意图；

图13为本申请实施例提供的一种招投标合作关系的预测系统的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种，但是不排除包含至少一种的情况。

应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

取决于语境，如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的商品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的商品或者系统中还存在另外的相同要素。

另外，下述各方法实施例中的步骤时序仅为一种举例，而非严格限定。

为了方便本领域技术人员理解本申请实施例提供的技术方案，下面对相关技术进行说明：在招投标技术领域，市面上很少有对招投方之间的合作关系进行预测的方案，存在少数的预测方案是基于一些历史的合作关系的统计进行预测，例如：乙方供应商A和甲方企业B如果在历史上合作过M次，A和甲方企业C在历史上合作过N次，如果M>N，那么可以认为A和B合作的可能性要大于A和C合作的可能性。然而，上述仅基于直接的历史合作数据进行合作关系的预测操作比较简单粗暴，并且具有直接合作关系的招投方毕竟是少数，因此，上述进行合作关系预测的实现方式的实用性和意义不大。

此外，相关技术还提供了另一种基于用户的协同过滤U2I2U算法实现合作关系的预测方法，例如：供应商A企业合作过甲方企业B，B与供应商C合作过，而C又与甲方企业D合作过，这样即使A历史上没有与甲方企业D合作过，也可以认为A和D有潜在的合作关系。

通过协同过滤算法进行合作关系的预测方法，虽然在一定程度上解决了历史合作关系稀疏的问题，但是，同样存在一些准确率上的问题，这在招投标领域的推荐领域显的尤为严重。举例来说，供应商A是做IT服务的供应商，曾经与某医院B合作过关于IT服务采购的项目，而医院B经常与某医药类供应商C合作药品采购类的项目，C又与其他医院类的供应商D经常合作，这时若直接将甲方D推荐给供应商A就不是很合适。

为了解决上述技术问题，本实施例提供了一种招投标合作关系的预测方法、设备及计算机存储介质。其中，参考附图1所示，该招投标合作关系的预测方法的执行主体为招投标合作关系的预测装置，招投标合作关系的预测装置可以与请求端通信连接，以实现招投标合作关系的预测操作。

其中，请求端可以是任何具有一定数据传输能力的计算设备，具体实现时，请求端可以是手机、个人电脑PC、平板电脑、设定应用程序等等。此外，请求端的基本结构可以包括：至少一个处理器。处理器的数量取决于请求端的配置和类型。请求端也可以包括存储器，该存储器可以为易失性的，例如RAM，也可以为非易失性的，例如只读存储器(Read-OnlyMemory，简称ROM)、闪存等，或者也可以同时包括两种类型。存储器内通常存储有操作系统(Operating System，简称OS)、一个或多个应用程序，也可以存储有程序数据等。除了处理单元和存储器之外，请求端还包括一些基本配置，例如网卡芯片、IO总线、显示组件以及一些外围设备等。可选地，一些外围设备可以包括，例如键盘、鼠标、输入笔、打印机等。其它外围设备在本领域中是众所周知的，在此不做赘述。

招投标合作关系的预测装置是指可以在网络虚拟环境中提供招投标合作关系的预测服务的设备，通常是指利用网络进行信息规划、招投标合作关系的预测操作的装置。在物理实现上，招投标合作关系的预测装置可以是任何能够提供计算服务，响应服务请求，并进行处理的设备，例如：可以是集群服务器、常规服务器、云服务器、云主机、虚拟中心等。招投标合作关系的预测装置的构成主要包括处理器、硬盘、内存、系统总线等，和通用的计算机架构类似。

在上述本实施例中，请求端可以与招投标合作关系的预测装置进行网络连接，该网络连接可以是无线或有线网络连接。若请求端与招投标合作关系的预测装置是通信连接，该移动网络的网络制式可以为2G(GSM)、2.5G(GPRS)、3G(WCDMA、TD-SCDMA、CDMA2000、UTMS)、4G(LTE)、4G+(LTE+)、WiMax、5G、6G等中的任意一种。

在本申请实施例中，请求端可以获取进行合作关系预测操作所需要的多个招标方和多个投标方，具体的，可以基于用户输入的执行操作获取用于进行合作关系预测操作的多个招标方和多个投标方；或者，请求端可以通过访问预设区域即可获取用于进行合作关系预测操作的多个招标方和多个投标方。在请求端获取需要进行合作关系预测操作的多个招标方和多个投标方之后，可以将需要进行合作关系预测操作的多个招标方和多个投标方发送至预测装置，以使得预测装置可以获取到需要进行合作关系预测操作的多个招标方和多个投标方，并对需要进行合作关系预测操作的多个招标方和多个投标方进行分析处理。

招投标合作关系的预测装置，用于获取任意两个招标方之间的第一相似度以及任意两个投标方之间的第二相似度，具体的，可以获取请求端所发送的多个招标方和多个投标方，而后对任意两个招标方进行分析处理，获得任意两个招标方之间的第一相似度，相类似的，对任意两个投标方进行分析处理，获得任意两个投标方之间的第二相似度。

为了能够准确地预测招标方与投标方之间的合作关系，除了获取到上述的第一相似度和第二相似度之外，还可以确定招标方与投标方之间的历史合作关系以及任意两个历史合作关系之间的第三相似度，而后基于第一相似度、第二相似度和第三相似度来预测招标方与投标方进行合作的概率信息，具体的，预先训训练有用于预测招标方和投标方进行合作概率的机器学习模型，在获取到第一相似度、第二相似度和第三相似度之后，可以将第一相似度、第二相似度和第三相似度输入至机器学习模型中，从而可以获得机器学习模型所输出的概率信息。

本实施例提供的技术方案，通过获取任意两个招标方之间的第一相似度以及任意两个投标方之间的第二相似度，确定招标方与投标方之间的历史合作关系以及任意两个历史合作关系之间的第三相似度，而后基于第一相似度、第二相似度和第三相似度来预测招标方与投标方进行合作的概率信息，由于概率信息由第一相似度、第二相似度和第三相似度来确定的，这样不仅提高了对招投标合作关系进行预测的准确度，并且扩展了该预测方法的适用范围，而后便于基于概率信息进行招标方和投标方的推荐操作，进一步提高了该技术方案的实用性。

下面通过一个示例性的应用场景具体说明本申请各个实施例提供的招投标合作关系的预测方法、设备及计算机存储介质。在各实施例之间不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。

图2为本申请实施例提供的一种招投标合作关系的预测方法的流程示意图；参考附图2所示，本实施例提供了一种招投标合作关系的预测方法，该方法的执行主体可以为招投标合作关系的预测装置，其中，该招投标合作关系的预测装置可以实现为软件、或者软件和硬件的组合。具体的，该招投标合作关系的预测方法可以包括：

步骤S201：获取任意两个招标方之间的第一相似度以及任意两个投标方之间的第二相似度。

步骤S202：确定招标方与投标方之间的历史合作关系以及任意两个历史合作关系之间的第三相似度。

步骤S203：基于第一相似度、第二相似度和第三相似度，预测招标方与投标方进行合作的概率信息。

下面对上述各个步骤的具体实现过程和实现效果进行详细说明：

步骤S201：获取任意两个招标方之间的第一相似度以及任意两个投标方之间的第二相似度。

在招投标的应用场景中，存在多个招标方和多个投标方，不同的招标方可以对应有相同或者不同的招投标项目。为了能够准确地对招投标合作关系进行预测，可以获取任意两个招标方之间的第一相似度以及任意两个投标方之间的第二相似度，上述的第一相似度能够标识两个招标方在招投标项目方面、企业经营类目等方面的相似程度，第二相似度能够标识两个投标方在招投标项目方面、企业经营类目等方面的相似程度。

其中，本实施例对于获取任意两个招标方之间的第一相似度以及任意两个投标方之间的第二相似度的具体实现方式不做限定，例如：任意两个招标方之间的第一相似度、任意两个投标方之间的第二相似度可以存储在预设区域中，在需要进行招投标合作关系进行预测时，通过访问预设区域即可获取任意两个招标方之间的第一相似度以及任意两个投标方之间的第二相似度。或者，第一相似度和第二相似度可以存储在第三设备中，在需要进行招投标合作关系进行预测时，可以主动或者被动地通过第三设备获取任意两个招标方之间的第一相似度以及任意两个投标方之间的第二相似度。

另外，本实施例对于第一相似度和第二相似度的获取顺序并不限定，例如：可以先获取任意两个招标方之间的第一相似度，而后再获取任意两个投标方之间的第二相似度；或者，可以先获取任意两个投标方之间的第二相似度，而后再获取任意两个招标方之间的第一相似度；或者，任意两个招标方之间的第一相似度和任意两个投标方之间的第二相似度可以同时获取，本领域技术人员可以根据具体的应用场景或者应用需求进行设置或选择。

步骤S202：确定招标方与投标方之间的历史合作关系以及任意两个历史合作关系之间的第三相似度。

在招投标领域中，由于招标方与投标方之间的合作关系不仅与任意两个招标方之间的第一相似度以及任意两个投标方之间的第二相似度相关，还可以与招标方和投标方之间的历史合作关系有关，举例来说，历史合作关系1为招标方A与投标方B合作的类目为建筑类，合作次数为4次；历史合作关系2为招标方A与投标方C合作的类目为IT类，合作次数为2次；历史合作关系3为招标方A与投标方D合作的类目为建筑类，合作次数为5次，显然的，上述历史合作关系1与历史合作关系2之间的相似度与历史合作关系1与历史合作关系3之间的相似度不同。因此，为了能够准确地进行招投标合作关系的预测操作，除了获取任意两个招标方之间的第一相似度以及任意两个投标方之间的第二相似度之外，还可以确定招标方与投标方之间的历史合作关系以及任意两个历史合作关系之间的第三相似度。

在一些实例中，招标方与投标方之间的历史合作关系可以存储在预设区域中，此时，确定招标方与投标方之间的历史合作关系可以包括：通过访问预设区域即可获取招标方与投标方之间的历史合作关系。在又一些实例中，确定招标方与投标方之间的历史合作关系可以包括：通过预设数据库或者预设数据平台获取招标方和/或投标方相对应的历史中标公告；在获取到历史中标公告之后，可以基于历史中标公告确定招标方与投标方之间的历史合作关系。

在确定招标方与投标方之间的历史合作关系之后，可以对任意两个历史合作关系进行分析处理，以确定任意两个历史合作关系之间的第三相似度。在一些实例中，确定任意两个历史合作关系之间的第三相似度可以包括：获取任意两个历史合作关系各自对应的合作表征向量(包括：合作类目、合作金额、合作次数等)，基于合作表征向量确定任意两个历史合作关系的第三相似度。具体的，预先训练有用于确定任意两个历史合作关系之间的第三相似度的机器学习模型，此时，确定任意两个历史合作关系之间的第三相似度可以包括：获取用于对任意两个历史合作关系的机器学习模型，将任意两个历史合作关系输入至机器学习模型中，从而可以获得机器学习模型输出的任意两个历史合作关系的第三相似度。

在另一些实例中，由于不同的招标方与不同的投标方之间的历史合作关系的数量可以较多，而任意两个历史合作关系可以包括以下四类：两个历史合作关系中包括相同的招标方、两个历史合作关系中包括相同的投标方、两个历史合作关系中包括相同的招标方和投标方、两个历史合作关系中包括不同的招标方和不同的投标方。在对招标方和投标方之间合作关系进行预测时，由于包括不同的招标方和不同的投标方的两个历史合作关系对招标方和投标方之间合作关系进行预测的影响程度较小，因此可以无需对上述的历史合作关系进行相似度的计算操作。此时，确定任意两个历史合作关系之间的第三相似度可以包括：基于所有的历史合作关系，确定包括不同的招标方和不同的投标方的任意两个历史合作关系；获取除了包括不同的招标方和不同的投标方的任意两个历史合作关系之外的其他任意两个历史合作关系之间的第三相似度，这样可以过滤掉对合作关系进行预测的影响程度较小的数据量，进而可以提高对第三相似度进行计算的质量和效率。

步骤S203：基于第一相似度、第二相似度和第三相似度，预测招标方与投标方进行合作的概率信息。

在获取到第一相似度、第二相似度和第三相似度之后，可以对第一相似度、第二相似度和第三相似度进行分析处理，以预测招标方与投标方进行合作的概率信息。在一些实例中，基于第一相似度、第二相似度和第三相似度，预测招标方与投标方进行合作的概率信息可以包括：获取用于对第一相似度、第二相似度和第三相似度进行分析处理的机器学习模型，将第一相似度、第二相似度和第三相似度输入至机器学习模型中，从而可以获得机器学习模型所输出的招标方与投标方进行合作的概率信息。

在另一些实例中，基于第一相似度、第二相似度和第三相似度，预测招标方与投标方进行合作的概率信息可以包括：获取与第一相似度、第二相似度和第三相似度各自对应的权重信息；基于与第一相似度、第二相似度和第三相似度各自对应的权重信息对第一相似度、第二相似度和第三相似度进行加权求和，获得招标方与投标方进行合作的概率信息。

具体的，由于第一相似度用于表征任意两个招标方之间的相似程度，第二相似度用于表征任意两个投标方之间的相似程度，第三相似度用于表征任意两个历史合作关系之间的相似程度，在对招投标合作关系进行预测的过程中，第一相似度、第二相似度和第三相似度对招投标合作关系的概率信息的影响程度不同，因此，可以先获取与第一相似度、第二相似度和第三相似度各自对应的权重信息，权重信息可以是预先配置的，或者，也可以根据用户根据应用需求或者设计需求进行配置的。

在获取到与第一相似度、第二相似度和第三相似度各自对应的权重信息之后，可以基于与第一相似度、第二相似度和第三相似度各自对应的权重信息对第一相似度、第二相似度和第三相似度进行加权求和，从而可以获得招标方与投标方进行合作的概率信息，在概率信息越大时，则说明招标方与投标方之间进行合作的可能性越大，在概率信息越小时，则说明招标方与投标方之间进行合作的可能性较小。

本实施例提供的招投标合作关系的预测方法，通过获取任意两个招标方之间的第一相似度以及任意两个投标方之间的第二相似度，而后确定招标方与投标方之间的历史合作关系以及任意两个历史合作关系之间的第三相似度，并基于第一相似度、第二相似度和第三相似度，预测招标方与投标方进行合作的概率信息，由于上述的概率信息由第一相似度、第二相似度和第三相似度来确定的，这样不仅提高了对招投标合作关系进行预测的准确度，并且该预测方法并不限定招标方与投标方之间是否存在直接的合作关系，从而有效地扩展了该预测方法的适用范围，另外，在获得招标方与投标方进行合作的概率信息之后，还可以基于概率信息进行招标方和投标方的推荐操作，进一步提高了该预测方法的实用性。

图3为本申请实施例提供的获取任意两个招标方之间的第一相似度以及任意两个投标方之间的第二相似度的流程示意图；在上述实施例的基础上，参考附图3所示，本实施例提供了一种基于招标方所对应的表征信息以及投标方所对应的表征信息来获取第一相似度和第二相似度的实现方式，具体的，本实施例中的获取任意两个招标方之间的第一相似度以及任意两个投标方之间的第二相似度可以包括：

步骤S301：获取各个招标方所对应的第一表征信息以及各个投标方所对应的第二表征信息，第一表征信息至少用于标识所对应招标方的经营特征，第二表征信息至少用于标识所对应投标方的经营特征。

其中，不同的招标方对应有不同的第一表征信息，不同的投标方对应有不同的第二表征信息，上述的第一表征信息和第二表征信息可以包括以下至少之一：企业类目、经营范围、专利信息、招聘信息、历史中标公告，可以理解的是，第一表征信息和第二表征信息可以不仅仅包括上述所描述的信息内容，还可以包括其他信息，例如：第一表征信息和第二表征信息还可以包括企业简介信息、企业信用信息等等。

由于可以基于招标方的第一表征信息来确定第一相似度，基于投标方的第二表征信息来确定第二相似度，因此，为了能够准确地获取到任意两个招标方的第一相似度和任意两个投标方的第二相似度，可以先获取各个招标方所对应的第一表征信息以及各个投标方所对应的第二表征信息，具体的，各个招标方所对应的第一表征信息以及各个投标方所对应的第二表征信息可以存储在预设数据库或者预设数据平台中，通过访问预设数据库和预设数据平台获取到各个招标方所对应的第一表征信息以及各个投标方所对应的第二表征信息。

步骤S302：基于任意两个招标方各自对应的第一表征信息，确定第一相似度。

在获取到任意两个招标方各自对应的第一表征信息之后，可以对任意两个招标方各自对应的第一表征信息进行分析处理，以确定第一相似度。在一些实例中，预先训练有用于获取任意两个表征信息的相似度的机器学习模型，在获取到任意两个招标方各自对应的第一表征信息之后，可以将任意两个招标方各自对应的第一表征信息输入至机器学习模型中，从而可以获得机器学习模型所输出的第一相似度。

在另一些实例中，基于任意两个招标方各自对应的第一表征信息，确定第一相似度可以包括：获取与第一表征信息相对应的第一表征向量；基于任意两个招标方各自对应的第一表征向量，确定第一相似度。

其中，在获取到任意两个招标方各自对应的第一表征信息之后，可以利用文本转发算法或者预设的机器学习模型对第一表征信息进行处理，获得与第一表征信息相对应的第一表征向量，可以理解的是，不同的第一表征信息可以对应有不同的第一表征向量。

在另一些实例中，获取与第一表征信息相对应的第一表征向量可以包括：对第一表征信息进行分词处理，获得与第一表征信息相对应的多个关键词；确定多个关键词各自对应的词向量；基于所有关键词所对应的词向量，确定第一表征向量。

在获取到第一表征信息之后，可以先对第一表征信息进行分词处理，从而可以获得与第一表征信息相对应的多个关键词，多个关键词可以为第一表征信息中的至少一部分；而后可以对多个关键词进行分析处理，以确定多个关键词各自对应的词向量，可以理解的是，不同的关键词可以对应有不同的词向量。在获得所有关键词所对应的词向量之后，可以对所有关键词相对应的词向量进行分析处理，以确定第一表征向量，在一些实例中，可以将所有关键词相对应的词向量进行拼接处理，从而可以获得第一表征向量。

其中，在基于所有关键词所对应的词向量，确定第一表征向量时，由于所生成的所有关键词的字符长度可能不同，因此，所获得的关键词所对应的词向量的表征维度不同，此时，为了能够保证对第一表征向量进行获取的质量和效率，可以先检测所有关键词的词向量的维度是否对齐，在所有关键词的词向量不对齐时，则可以先将所有的关键词的词向量进行对齐操作，而后再将所有关键词相对应的词向量进行拼接处理，从而可以获得第一表征向量。

在另一些实例中，基于所有关键词所对应的词向量，确定第一表征向量可以包括：获取词向量相对应的权重信息；基于权重信息对词向量进行加权求和，获得第一表征向量。

由于不同的词向量用于表征不同关键词的重要程度，为了能够准确地提高对第一表征向量进行确定的准确可靠性，可以获取词向量相对应的权重信息，具体的，获取词向量相对应的权重信息可以包括：获取关键词相对应的权重信息，其中，不同的关键词可以对应有相同或者不同的权重信息，而后将关键词相对应的权重信息确定为相对应的词向量的权重信息。或者，获取词向量相对应的权重信息可以包括：获取各个关键词所对应的词频及逆向文件频率；基于词频及逆向文件频率，确定词向量相对应的权重信息，权重信息与词频及逆向文件频率呈正相关。

具体的，在获取到第一表征信息之后，可以基于第一表征信息所对应的历史公告信息来获取各个关键词所对应的词频及逆向文件频率，其中，词频可以为(关键词在文章中的出现次数)/(文章中出现次数最多的关键词的出现次数)，逆文本频率可以表征关键词在所有文章中出现的频率的倒数。在获取到词频和逆文本频率之后，可以对词频和逆文本频率进行处理，以获得词频及逆向文件频率，例如：可以对词频和逆文本频率进行加权求和，获得词频以及逆向文本频率。

在获取到词频及逆向文本频率之后，可以基于词频及逆向文件频率来确定词向量相对应的权重信息，该权重信息与词频及逆向文件频率呈正相关，具体的，预先配置有词频及逆向文件频率与权重信息之间的映射关系，而后可以词频及逆向文件频率和映射关系来确定词向量相对应的权重信息，从而有效地保证了对权重信息进行确定的准确可靠性；在获取到权重信息之后，可以基于权重信息对词向量进行加权求和，从而可以稳定地获得第一表征向量。

步骤S303：基于任意两个投标方各自对应的第二表征信息，确定第二相似度。

其中，基于任意两个投标方各自对应的第二表征信息，确定第二相似度可以包括：获取与第二表征信息相对应的第二表征向量；基于任意两个投标方各自对应的第二表征向量，确定第二相似度。

在一些实例中，获取与第二表征信息相对应的第二表征向量可以包括：对第二表征信息进行分词处理，获得与第二表征信息相对应的多个关键词；确定多个关键词各自对应的词向量；基于所有关键词所对应的词向量，确定第二表征向量。

在又一些实例中，基于所有关键词所对应的词向量，确定第二表征向量，包括：获取词向量相对应的权重信息；基于权重信息对词向量进行加权求和，获得第二表征向量。

获取词向量相对应的权重信息可以包括：获取各个关键词所对应的词频及逆向文件频率；基于词频及逆向文件频率，确定词向量相对应的权重信息，权重信息与词频及逆向文件频率呈正相关。

具体的，本实施例中确定第二相似度的具体实现方式和实现效果与上述实施例中确定第一相似度的具体实现方式和实现效果相类似，具体可参考上述陈述内容，在此不再赘述。

需要注意的是，本实施例中步骤S302与步骤S303的执行顺序并不限于上述实施例中所描述的执行顺序，本领域技术人员可以根据具体的应用场景或者应用需求进行配置，例如：步骤S302可以在步骤S303之后执行，或者，步骤S302与步骤S303同时执行。

本实施例中，通过获取各个招标方所对应的第一表征信息以及各个投标方所对应的第二表征信息，而后可以基于任意两个招标方各自对应的第一表征信息确定第一相似度，并基于任意两个投标方各自对应的第二表征信息确定第二相似度，从而有效地实现了对第一相似度和第二相似度进行确定的准确可靠性，而后可以基于所获得的第一相似度和第二相似度对招投标合作关系进行准确地预测操作，进一步提高了该方法的实用性。

图4为本申请实施例提供的确定任意两个历史合作关系之间的第三相似度的流程示意图；在上述实施例的基础上，参考附图4所示，本实施例提供了一种利用二部图来确定任意两个历史合作关系之间的第三相似度的实现方式，具体的，本实施例中的确定任意两个历史合作关系之间的第三相似度可以包括：

步骤S401：基于招标方与投标方之间的历史合作关系，构建二部图，二部图中包括用于标识招标方与投标方之间存在历史合作关系的合作边，合作边对应有合作特征。

在获取到招标方与投标方之间的历史合作关系之后，可以对招标方与投标方之间的历史合作关系进行分析处理，以构建二部图，如图4a所示，所构建的二部图中可以包括用于标识招标方与投标方之间存在历史合作关系的合作边，合作边对应有合作特征，该合作特征可以包括以下至少之一：合作类目、合作次数、合作金额。

步骤S402：基于合作边所对应的合作特征，确定任意两个历史合作关系之间的第三相似度。

由于合作边对应有用于标识历史合作关系的合作特征，而不同的合作边可以对应有不同的合作特征，因此，为了能够准确地获取到任意两个历史合作关系之间的第三相似度，在获取到招标方与投标方之间的历史合作关系之后，可以基于任意两个合作边所对应的合作特征来确定第三相似度。具体的，基于合作边所对应的合作特征，确定任意两个历史合作关系之间的第三相似度可以包括：确定与合作边相对应的合作特征向量；基于任意两个历史合作关系之间的合作特征向量，确定第三相似度，在一些实例中，可以获取任意两个历史合作关系所对应的合作特征向量之间的余弦相似度，将余弦相似度确定为第三相似度，从而有效地保证了对第三相似度进行确定的准确可靠性。

本实施例中，通过基于招标方与投标方之间的历史合作关系，构建二部图，而后基于合作边所对应的合作特征确定任意两个历史合作关系之间的第三相似度，从而有效地保证了对第三相似度进行确定的准确可靠性，而后可以提高基于第三相似度对招投标合作关系进行预测的准确可靠性。

图5为本申请实施例提供的另一种招投标合作关系的预测方法的流程示意图；在上述实施例的基础上，参考附图5所示，在预测招标方与投标方进行合作的概率信息之后，为了提高该方法的实用性，可以基于概率信息为投标方进行招标方的推荐操作，此时，本实施例中的方法还可以包括：

步骤S501：在多个招标方中，基于概率信息确定与投标方进行合作的至少一个目标招标方。

在获取到招标方与投标方进行合作的概率信息之后，可以在多个招标方中，基于概率信息确定与投标方进行合作的至少一个目标招标方，在一些实例中，基于概率信息确定与投标方进行合作的至少一个目标招标方可以包括：基于概率信息对所有的招标方进行排序，获得排序信息；将排序信息中位于前N个的招标方确定为至少一个目标招标方。

具体的，在获取到招标方与投标方进行合作的概率信息之后，可以基于概率信息对所有的招标方进行排序，获得排序信息，而后可以将排序信息中位于前N个的招标方确定为至少一个目标招标方。

在另一些实例中，基于概率信息对所有的招标方进行排序，获得排序信息可以包括：将概率信息与预设阈值进行比较；在概率信息大于或等于预设阈值时，则基于概率信息对相对应的招标方进行排序，获得排序信息；在概率信息小于预设阈值时，则忽略对概率信息相对应的招标方进行排序。

步骤S502：将至少一个目标招标方推荐至投标方。

在获取到至少一个目标招标方之后，可以将至少一个目标招标方推荐至投标方，具体的，将至少一个目标招标方推荐至投标方可以包括：生成与至少一个目标招标方各自对应的推荐信息，而后将推荐信息发送至投标方。

相类似的，在预测招标方与投标方进行合作的概率信息之后，为了提高该方法的实用性，还可以基于概率信息为招标方进行投标方的推荐操作，具体的，本实施例中的方法可以包括：在多个投标方中，基于概率信息确定与招标方进行合作的至少一个目标投标方，而后可以将至少一个目标投标方推荐至招标方，具体的，将至少一个目标投标方推荐至招标方可以包括：生成与至少一个目标投标方各自对应的推荐信息，而后将推荐信息发送至招标方，从而有效地实现了可以基于招标方与投标方进行合作的预测概率来进行招投标双方的推荐操作。

本实施例中，在预测招标方与投标方进行合作的概率信息之后，通过在多个招标方中，基于概率信息确定与投标方进行合作的至少一个目标招标方，而后将至少一个目标招标方推荐至投标方，从而有效地实现了可以将存在较大合作概率的招标方推荐至投标方，这样有利于提高合作的概率，有利于提高招投标操作的质量和效率，进一步提高了该方法的实用性。

具体应用时，以供应商作为投标方、甲方企业作为招标方为例，本应用实施例提供了一种基于多相似度辅助路径概率的商机合作关系的预测方法，该预测方法可以在利用路径概率来计算供应商和甲方企业之间进行合作关系预测的时候，分别考虑二部图中任意两个供应商之间的辅助文本特征相似度、任意两个甲方企业之间的辅助文本特征相似度、合作关系边之间的类目相似度的因素，从而达到进行更精准的合作关系预测和推荐的目的。具体的，参考附图6所示，该预测方法可以包括如下步骤：

步骤1：历史合作关系抽取。

从海量的中标公告中抽取供应商和甲方企业之间的合作关系，可以将供应商中标和投标行为都作为合作关系，具体的，可以利用一些通用的自然语言处理(NaturalLanguage Processing，简称NLP)实体抽取模型，在标注好的数据上进行招标方、中标方、投标方、标的物等字段的抽取。抽取完成之后，对于每一篇中标公告，就能获得一条或者多条供应商和招标方之间的合作关系。

步骤2：历史合作二部图构建。

利用上述抽取得到的合作关系构建二部图，如图7所示，图中的实线能够标识供应商和招标方之间存在真实的历史合作关系，对于二部图而言，二部图的左边节点可以是供应商(对应于投标方)，右边节点可以是招标方，如果供应商和招标方之间存在历史合作关系，则将图中的这两个节点连成一条合作边，每一条合作边还可以包含一些合作特征，合作特征可以包括以下至少之一：中标次数、中标金额、中标类目等等。如果这两个节点之间存在多次的合作关系，那么，可以对历史信息进行汇总统计后作为这条合作边的特征，比如：一条合作边的特征可以是一个类似如下形式的嵌套词典：{交通类：{中标次数：10次，中标累计金额：1kw元}，建筑类：{中标次数：5次，中标累计金额：2kw元}…}。

另外，在获得历史合作关系之后，可以基于协同过滤算法进行初步的合作关系预测推荐，具体的，从图7中可以看出，供应商2和供应商3都和招标方B合作过，而招标方A与供应商1和供应商2合作过，虽然招标方A没有直接和供应商3有过历史合作，但是，利用协同过滤的原理，可以认为招标方A与供应商3直接存在潜在的合作关系。同理的，虽然供应商4没有直接和招标方A合作过，但是供应商4与供应商2同时都与招标方C合作过，因此也可以认为招标方A与供应商4之间存在潜在的合作关系，将供应商标记为U，招标方标记为I，这是一条U-I-U-I的召回方案。

另外，在上实施步骤中，利用协同过滤算法对二部图进行处理，可以认为供应商3和供应商4都与供应商A有潜在的合作关系，通过图7中的虚线来表示，这两个公司都是通过与供应商2有过共同合作单位而推导出的合作关系。在不考虑合作边的权重差异的情况下，供应商3和供应商4与招标方A的合作关系的概率是一样的。

然而，虽然从二部图的协同过滤角度出发可以确定供应商2和供应商4都与招标方C合作过，但是合作的领域完全不一样，这样推导出来的合作关系就不可靠，再或者，即使供应商2和供应商4与招标方C合作的领域是一样的，那么也需要一种更为定量的方法比较供应商3和供应商4哪个与招标方A的潜在合作关系更为紧密，从而更好进行合作关系的推荐操作。基于此，可以有效地利用供应商之间的相似度、招标方间的相似度以及任意两个合作边的相似度来辅助进行合作关系的协同过滤，此时则需要分别计算供应商和供应商之间的相似度、招标方和招标方之间的相似度，详见步骤3和步骤4。

步骤3：对供应商和供应商之间的文本主题相似度进行计算，获得供应商之间的相似度。

其中，对于二部图中所包括的供应商节点或者是招标方节点而言，供应商节点或者招标方节点均可以对应有很多额外的文本辅助信息，尤其是包括很多能够帮助表征企业所属的主题的文本辅助信息，具体的，上述的文本辅助信息可以包括但不限于：企业类目信息、经营范围、专利信息、招聘信息、历史中标公告等等；上述的文本辅助信息可以称为域，每个文本域都可以利用一些NLP的技术手段将文本表征为一个对应长度或者固定长度的向量特征。

例如：对于企业经营范围的文本表征，可以先对经营范围文本进行分词，然后计算每个词语的词频-逆向文件频率TFIDF特征，对于每一个企业的经营范围的词语，可以按照TFIDF特征提取排名在前N个的关键词之后，之后利用一些自然语言处理gensim算法或者基于Transformer算法的双向编码表征算法(Bidirectional Encoder Representationsfrom Transformers，简称Bert)等预训练好的词向量，将关键词的词向量依据TFIDF特征进行加权求和，得到当前企业经营范围的文本主题向量表征。

对于其他域的文本主题向量表征而言，也可以采用上述相类似的方法获取营范围域、专利域、招聘域、历史中标域等等不同领域的主题文本向量表征，之后可以按照一定的经验对所有域的主体文本向量表征进行加权求和，或者直接进行拼接，最终可以得到对于一个企业整体的文本主题表征向量。

在获取到各个供应商所对应的文本主题表征向量之后，可以采用余弦相似度等向量相似度计算方法对任意两个供应商所对应的文本主题表征向量进行处理，获得供应商之间的相似度。

在获取到任意两个供应商之间的相似度之后，可以将多个相似度进行分析比较，以实现供应商的推荐操作。举例来说，供应商2和供应商3之间的相似度为Sim(2,3)，供应商2和供应商4之间的相似度为Sim(2,4)，若Sim(2,3)>Sim(2,4),在不考虑其他更多额外因素的情况下，基于上述Sim(2,3)>Sim(2,4)的对比结果可认为：供应商2和供应商3具有共同合作单位的事实E1要比供应商2和供应商4具有共同合作单位的事实E2的稳定性更高，也就是说供应商2和供应商4虽然有过共同合作单位C，但很有可能E2是一个偶发事件，而且合作领域的相似概率也要比E1低。基于此，当发现供应商2有与招标方A进行过历史合作时，可以优先将供应商3推荐给招标方A。

基于上述协同过滤的原理，从二部图的另一半来看，如果计算得到招标方A和招标方B的相似度Sim(A,B)要比A和C的相似度Sim(A,C)要大时，在不考虑额外的其他因素的情况下，供应商3和招标方A之间的潜在合作关系也应该要比供应商4和招标方A之间的潜在合作关系更紧密。

步骤4：对招标方和招标方之间文本主题相似度进行计算操作，获得招标方间的相似度。

其中，本实施例中步骤4的具体实现方式和实现效果与上述步骤3的具体实现方式和实现效果相类似，具体可参考上述陈述内容，在此不再赘述。

步骤5：基于合作类别计算任意两个合作边的相似度，获得合作边相似度。

由于在构建二部图时，二部图中的合作边上均对应有合作特征。为了简化计算，基于合作类别统计次数相关的特征参与边的相似度计算，假设合作类别的枚举类别一共m类，在供应商i与招标方a之间的合作关系边的特征为{类别1:C1次，类别2:C2次,…,类别M:Cm次}，那么这条边Eia的特征可以表示为[C1,C2,…,Cm]。在获得每一条合作关系边的特征向量之后，可以利用余弦相似度等方法计算合作关系边与合作关系边之间的相似度，需要注意的是，参与计算的边特征向量可以是经过全局归一化之后的。

如图7所示，分别计算E2B与E3B两条合作边的特征向量之间的相似度Sim(E2B,E3B)，以及E2C与E4C两条合作边的特征向量之间的相似度Sim(E2C,E4C)。如果Sim(E2B,E3B)>Sim(E2C,E4C)，则说明供应商2与供应商3同时与招标方B合作这个事件比供应商2与供应商4同时与招标方C合作这个事件更加稳定，原因是供应商2与供应3很有可能是在类似的领域与招标方B合作，而供应商2与供应商4虽然都与招标方C合作，但是很有可能不是同一个领域的合作事件，是偶然事件，没有因果关系。

步骤6：基于供应商间的相似度、招标方间的相似度以及合作边相似度计算供应商与招标方进行合作的概率信息。

在获取到供应商间的相似度、招标方间的相似度以及合作边相似度之后，可以对供应商间的相似度、招标方间的相似度以及合作边相似度进行分析处理，以计算供应商与招标方进行合作的概率信息。具体的，为了能够实现一条U1-I1-U2-I2的推荐召回路径，此时，U1与I2之间的合作概率应表示为P(U1,I2)_1＝w1*Sim(EU1,i1,EU2,I1)+w2*Sim(U1,U2)+w3*Sim(I1,I2)。其中，w1、w2、w3可以是场景需求或者应用需求进行定义的权重，也可以是根据实际训练数据训练优化得到的权重，Sim(EU1,i1,EU2,I1)用于标识任意两个合作边的相似度，Sim(U1,U2)用于标识供应商间的相似度，Sim(I1,I2)用于标识招标方间的相似度。

在一些实例中，如果U1与I2之间还在多条路径，则可以得到整体的联合概率P(U1,I2)＝∑P(U1,I2)_i，而后可以将整体的联合概率确定为供应商与招标方进行合作的目标概率信息。

步骤7：基于供应商与招标方进行合作的概率信息，推断潜在的合作关系。

在获取到供应商与招标方进行合作的概率信息之后，可以基于概率信息推断供应商与招标方之间的合作潜在关系进行推断，具体的，对于任意一个供应商j和一个招标方k之间的潜在合作关系概率表示为P(Uj,Ik)。如果P(Uj1,Ik)>P(Uj2,Ik)，则说明供应商j1与招标方k的合作关系要比供应商j2与招标方k的合作关系要大，因此可以根据实际需要以及概率信息为每一个供应商推荐top n个潜在招标方客户，或者，在获取到概率信息之后，可以将概率信息与阈值进行分析比较，将超过阈值的合作边统作为潜在合作关系进行推荐，例如：可以为招标方推荐具有潜在合作关系的供应商，或者，也可以向供应商推荐具有潜在合作关系的招标方，这样可以提高合作关系进行推断的准确可靠性。

本应用实施例提供了一种综合考虑供应商之间的相似度、招标方之间的相似度以及合作边的相似度共同优化基于U-I-U-I路径概率计算的潜在合作概率预测的方案，通过方案能够在招投标商机推荐领域有效地消除因招标方需求发散导致的领域偏移和错误传导的问题，从而更加精准的将不存在直接历史合作关系的供应商U与招标方I之间建立潜在合作关系，同时能够更精准地定量识别供应商和招标方之间的合作概，进一步提高了该技术方案的实用性，有利于市场的推广与应用。

图8为本申请实施例提供了一种关联关系的预测方法的流程示意图；参考附图8所示，本实施例提供了一种关联关系的预测方法，该预测方法的执行主体为关联关系的预测装置，其中，该关联关系的预测装置可以实现为软件、或者软件和硬件的组合；本实施例中的关联关系的预测方法可以包括：

步骤S801：获取任意两个第一类对象之间的第一相似度以及任意两个第二类对象之间的第二相似度。

其中，不同的应用场景中的任意两个第一类对象和任意两个第二类对象可以不同，例如：在电商交易的应用场景中，第一类对象可以为存在潜在交易概率的用户，第二类对象可以为存在潜在交易概率的商品信息；在文章推送的应用场景中，第一类对象可以为待推送的文章信息，第二类对象可以为存在潜在文章查看概率的用户。

步骤S802：确定第一类对象与第二类对象之间的历史关联关系以及任意两个历史关联关系之间的第三相似度。

步骤S803：基于第一相似度、第二相似度和第三相似度，预测第一类对象与第二类对象进行关联的概率信息。

另外，本实施例中上述步骤S801-步骤S803的具体实现方式和实现效果与上述实施例中步骤S201-步骤S203的具体实现方式和实现效果相类似，具体可参考上述陈述内容，在此不再赘述。

需要注意的是，本实施例中的方法还可以包括图1-图7所示实施例的方法，本实施例未详细描述的部分，可参考对图1-图7所示实施例的相关说明。该技术方案的执行过程和技术效果参见图1-图7所示实施例中的描述，在此不再赘述。

应用场景1：第一类对象包括商品a、商品b、商品c和商品d，第二类对象包括用户甲、用户乙和用户丙，而后可以获取任意两个第一类对象之间的第一相似度以及任意两个第二类对象的第二相似度，例如：第一相似度可以包括：sim1(a，b)、sim1(a，c)、sim1(a，d)、sim1(b，c)、sim1(b，d)以及sim1(c，d),第二相似度可以包括：sim2(甲，乙)、sim2(甲，丙)。同时还可以确定第一类对象与第二类对象之间的历史关联关系以及任意两个历史关联关系之间的第三相似度，第三相似度可以包括：sim1(甲a，甲b)、sim1(乙a，乙c)、sim1(丙a，丙d)等等，在获取到上述第一相似度和第二相似度、第三相似度之后，可以基于第一相似度、第二相似度和第三相似度来确定第一类对象与第二类对象进行关联的概率信息。例如：对于用户乙而言，确定商品b和商品d的概率信息较高，因此，而后则可以基于概率信息将商品b和商品d推荐给用户乙；相类似的，对于用户丙而言，若商品a和商品d的概率信息较高，则可以将商品a和商品d推荐给用户丙，从而有效地实现了商品的推荐操作。

应用场景2：第一类对象包括文章a、文章b和文章c，第二类对象包括用户甲、用户乙和用户丙，而后可以获取任意两个第一类对象之间的第一相似度以及任意两个第二类对象的第二相似度，例如：第一相似度可以包括：sim1(a，b)、sim1(a，c)以及sim1(b，c),第二相似度可以包括：sim2(甲，乙)、sim2(甲，丙)。同时还可以确定第一类对象与第二类对象之间的历史关联关系以及任意两个历史关联关系之间的第三相似度，第三相似度可以包括：sim1(甲a，甲b)、sim1(乙a，乙c)、sim1(丙a，丙b)等等，在获取到上述第一相似度和第二相似度、第三相似度之后，可以基于第一相似度、第二相似度和第三相似度来确定第一类对象与第二类对象进行关联的概率信息。例如：对于用户乙而言，确定文章b的概率信息较高，因此，而后则可以基于概率信息将文章b推荐给用户乙；相类似的，对于用户丙而言，若文章a和文章c的概率信息较高，则可以将文章a和文章c推荐给用户丙，从而有效地实现了文章的推荐操作。

本实施例提供的关联关系的预测方法，通过获取任意两个第一类对象之间的第一相似度以及任意两个第二类对象之间的第二相似度，确定第一类对象与第二类对象之间的历史关联关系以及任意两个历史关联关系之间的第三相似度，并基于第一相似度、第二相似度和第三相似度预测第一类对象与第二类对象进行关联的概率信息，由于上述的概率信息由第一相似度、第二相似度和第三相似度来确定的，这样不仅提高了对关联关系进行预测的准确度，并且扩展了该预测方法的适用范围，而后便于基于概率信息进行对象的推荐操作，进一步提高了该技术方案的实用性。

图9为本申请实施例提供的一种招投标合作关系的预测装置的流程示意图；参考附图9所示，本实施例提供了一种招投标合作关系的预测装置，该招投标合作关系的预测装置用于执行上述图2所示的招投标合作关系的预测方法，具体的，该招投标合作关系的预测装置可以包括：

第一获取模块11，用于获取任意两个招标方之间的第一相似度以及任意两个投标方之间的第二相似度；

第一确定模块12，用于确定招标方与投标方之间的历史合作关系以及任意两个历史合作关系之间的第三相似度；

第一处理模块13，用于基于第一相似度、第二相似度和第三相似度，预测招标方与投标方进行合作的概率信息。

在一些实例中，在第一获取模块11获取任意两个招标方之间的第一相似度以及任意两个投标方之间的第二相似度时，该第一获取模块11用于：获取各个招标方所对应的第一表征信息以及各个投标方所对应的第二表征信息，第一表征信息至少用于标识所对应招标方的经营特征，第二表征信息至少用于标识所对应投标方的经营特征；基于任意两个招标方各自对应的第一表征信息，确定第一相似度；基于任意两个投标方各自对应的第二表征信息，确定第二相似度。

在一些实例中，第一表征信息和第二表征信息包括以下至少之一：企业类目、经营范围、专利信息、招聘信息、历史中标公告。

在一些实例中，在第一获取模块11基于任意两个招标方各自对应的第一表征信息，确定第一相似度时，该第一获取模块11用于：获取与第一表征信息相对应的第一表征向量；基于任意两个招标方各自对应的第一表征向量，确定第一相似度。

在一些实例中，在第一获取模块11获取与第一表征信息相对应的第一表征向量时，该第一获取模块11用于：对第一表征信息进行分词处理，获得与第一表征信息相对应的多个关键词；确定多个关键词各自对应的词向量；基于所有关键词所对应的词向量，确定第一表征向量。

在一些实例中，在第一获取模块11基于所有关键词所对应的词向量，确定第一表征向量时，该第一获取模块11用于：获取词向量相对应的权重信息；基于权重信息对词向量进行加权求和，获得第一表征向量。

在一些实例中，在第一获取模块11获取词向量相对应的权重信息时，该第一获取模块11用于：获取各个关键词所对应的词频及逆向文件频率；基于词频及逆向文件频率，确定词向量相对应的权重信息，权重信息与词频及逆向文件频率呈正相关。

在一些实例中，在第一确定模块12确定任意两个历史合作关系之间的第三相似度时，该第一确定模块12用于执行：基于招标方与投标方之间的历史合作关系，构建二部图，二部图中包括用于标识招标方与投标方之间存在历史合作关系的合作边，合作边对应有合作特征；基于合作边所对应的合作特征，确定任意两个历史合作关系之间的第三相似度。

在一些实例中，合作特征包括以下至少之一：合作类目、合作次数、合作金额。

在一些实例中，在第一处理模块13基于第一相似度、第二相似度和第三相似度，预测招标方与投标方进行合作的概率信息时，该第一处理模块13用于执行：获取与第一相似度、第二相似度和第三相似度各自对应的权重信息；基于与第一相似度、第二相似度和第三相似度各自对应的权重信息对第一相似度、第二相似度和第三相似度进行加权求和，获得招标方与投标方进行合作的概率信息。

在一些实例中，在预测招标方与投标方进行合作的概率信息之后，本实施例中的第一处理模块13用于执行：在多个招标方中，基于概率信息确定与投标方进行合作的至少一个目标招标方；将至少一个目标招标方推荐至投标方。

在一些实例中，在第一处理模块13基于概率信息确定与投标方进行合作的至少一个目标招标方时，该第一处理模块13用于执行：基于概率信息对所有的招标方进行排序，获得排序信息；将排序信息中位于前N个的招标方确定为至少一个目标招标方。

在一些实例中，在第一处理模块13基于概率信息对所有的招标方进行排序，获得排序信息时，该第一处理模块13用于执行：将概率信息与预设阈值进行比较；在概率信息大于或等于预设阈值时，则基于概率信息对相对应的招标方进行排序，获得排序信息；在概率信息小于预设阈值时，则忽略对概率信息相对应的招标方进行排序。

图9所示招投标合作关系的预测装置可以执行图1-图7所示实施例的方法，本实施例未详细描述的部分，可参考对图1-图7所示实施例的相关说明。该技术方案的执行过程和技术效果参见图1-图7所示实施例中的描述，在此不再赘述。

在一个可能的设计中，图9所示招投标合作关系的预测装置的结构可实现为一电子设备，该电子设备可以是集群服务器、常规服务器、云服务器、云主机、虚拟中心等。如图10所示，该电子设备可以包括：第一处理器21和第一存储器22。其中，第一存储器22用于存储相对应电子设备执行上述图1-图7所示实施例中提供的招投标合作关系的预测方法的程序，第一处理器21被配置为用于执行第一存储器22中存储的程序。

程序包括一条或多条计算机指令，其中，一条或多条计算机指令被第一处理器21执行时能够实现如下步骤：获取任意两个招标方之间的第一相似度以及任意两个投标方之间的第二相似度；确定招标方与投标方之间的历史合作关系以及任意两个历史合作关系之间的第三相似度；基于第一相似度、第二相似度和第三相似度，预测招标方与投标方进行合作的概率信息。

进一步的，第一处理器21还用于执行前述图1-图7所示实施例中的全部或部分步骤。

其中，电子设备的结构中还可以包括第一通信接口23，用于电子设备与其他设备或通信网络通信。

另外，本发明实施例提供了一种计算机存储介质，用于储存电子设备所用的计算机软件指令，其包含用于执行上述图1-图7所示方法实施例中的招投标合作关系的预测方法所涉及的程序。

此外，本发明实施例提供了一种计算机程序产品，包括：计算机程序，当计算机程序被电子设备的处理器执行时，使处理器执行图1-图7所示方法实施例中的招投标合作关系的预测方法。

图11为本申请实施例提供的一种关联关系的预测装置的结构示意图；参考附图11所示，本实施例提供了一种关联关系的预测装置，该关联关系的预测装置用于执行上述图8所示的关联关系的预测方法，具体的，该关联关系的预测装置可以包括：

第二获取模块31，用于获取任意两个第一类对象之间的第一相似度以及任意两个第二类对象之间的第二相似度；

第二确定模块32，用于确定第一类对象与第二类对象之间的历史关联关系以及任意两个历史关联关系之间的第三相似度；

第二处理模块33，用于基于第一相似度、第二相似度和第三相似度，预测第一类对象与第二类对象进行关联的概率信息。

图11所示关联关系的预测装置可以执行图8所示实施例的方法，本实施例未详细描述的部分，可参考对图8所示实施例的相关说明。该技术方案的执行过程和技术效果参见图8所示实施例中的描述，在此不再赘述。

在一个可能的设计中，图11所示关联关系的预测装置的结构可实现为一电子设备。如图12所示，该电子设备可以包括：第二处理器41和第二存储器42。其中，第二存储器42用于存储相对应电子设备执行上述图8所示实施例中提供的关联关系的预测方法的程序，第二处理器41被配置为用于执行第二存储器42中存储的程序。

程序包括一条或多条计算机指令，其中，一条或多条计算机指令被第二处理器41执行时能够实现如下步骤：获取任意两个第一类对象之间的第一相似度以及任意两个第二类对象之间的第二相似度；确定第一类对象与第二类对象之间的历史关联关系以及任意两个历史关联关系之间的第三相似度；基于第一相似度、第二相似度和第三相似度，预测第一类对象与第二类对象进行关联的概率信息。

进一步的，第二处理器41还用于执行前述图8所示实施例中的全部或部分步骤。其中，电子设备的结构中还可以包括第二通信接口43，用于电子设备与其他设备或通信网络通信。

另外，本发明实施例提供了一种计算机存储介质，用于储存电子设备所用的计算机软件指令，其包含用于执行上述图8所示方法实施例中的关联关系的预测方法所涉及的程序。

此外，本发明实施例提供了一种计算机程序产品，包括：计算机程序，当计算机程序被电子设备的处理器执行时，使处理器执行图8所示方法实施例中的关联关系的预测方法。

图13为本申请实施例提供的一种招投标合作关系的预测系统的结构示意图，参考附图13所示，本实施例提供了一种招投标合作关系的预测系统，该预测系统用于对招投标合作关系进行准确地预测操作，该预测系统包括：请求端51和与请求端51通信连接的预测装置52；

其中，请求端51可以是任何具有一定数据传输能力的计算设备，具体实现时，请求端51可以是手机、个人电脑PC、平板电脑、设定应用程序等等。此外，请求端51的基本结构可以包括：至少一个处理器。处理器的数量取决于请求端51的配置和类型。请求端51也可以包括存储器，该存储器可以为易失性的，例如RAM，也可以为非易失性的，例如只读存储器(Read-Only Memory，简称ROM)、闪存等，或者也可以同时包括两种类型。存储器内通常存储有操作系统(Operating System，简称OS)、一个或多个应用程序，也可以存储有程序数据等。除了处理单元和存储器之外，请求端51还包括一些基本配置，例如网卡芯片、IO总线、显示组件以及一些外围设备等。可选地，一些外围设备可以包括，例如键盘、鼠标、输入笔、打印机等。

预测装置52是指可以在网络虚拟环境中提供招投标合作关系的预测服务的设备，通常是指利用网络进行信息规划、招投标合作关系的预测操作的装置。在物理实现上，预测装置52可以是任何能够提供计算服务，响应服务请求，并进行处理的设备，例如：可以是集群服务器、常规服务器、云服务器、云主机、虚拟中心等。具体的，请求端51和预测装置52用于执行以下步骤：

请求端51，用于显示对招标方与投标方之间合作关系进行预测的交互界面，通过交互界面获取多个招标方和多个投标方，并将多个招标方和多个投标方发送至预测装置52。

预测装置52，用于接收请求端51发送的多个招标方和多个投标方，获取任意两个招标方之间的第一相似度以及任意两个投标方之间的第二相似度；确定招标方与投标方之间的历史合作关系以及任意两个历史合作关系之间的第三相似度；基于第一相似度、第二相似度和第三相似度，预测招标方与投标方进行合作的概率信息，并将招标方与投标方进行合作的概率信息发送至请求端51。

请求端51，用于通过交互界面对招标方与投标方进行合作的概率信息进行显示。

图13所示招投标合作关系的预测系统还可以执行图1-图7所示实施例的方法，本实施例未详细描述的部分，可参考对图1-图7所示实施例的相关说明。该技术方案的执行过程和技术效果参见图1-图7所示实施例中的描述，在此不再赘述。

以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助加必需的通用硬件平台的方式来实现，当然也可以通过硬件和软件结合的方式来实现。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以计算机产品的形式体现出来，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程设备的处理器以产生一个机器，使得通过计算机或其他可编程设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。