技术摘要：
本发明提供一种利用多属性分析的用于工程机械租赁场景工程数据推荐方法，推荐方法为：将获取到的工程数据转化为结构化数据，过滤后计算推荐指数，对推荐指数进行排序，推荐指数越高优先推荐。本发明中通过对工程数据进行线上获取，处理过滤后转化为推荐指数进行计算， 全部
背景技术：
目前在工程设备租赁领域基本上还是通过业务人员寻找工程建设地点发展客户， 虽然这种方式的确可以找到需要工程设备的工程项目，但是这样方式存在以下几个问题： 业务人员在找工程项目时无确定目标；业务人员需要花费大量时间在找工程项目的过程 中；业务人员不知道工程项目的具体需求及施工阶段。由此导致业务人员无法快速有效且 准确地根据项目的具体情况进行工程机械的推荐，严重影响工程机械租赁行业的发展。 因此，针对以上问题研制出一种能够针对各项目的具体情况进行工程机械快速有 效且准确推荐的方法是本领域技术人员所急需解决的难题。
技术实现要素：
为解决上述问题，本发明公开了一种利用多属性分析的用于工程机械租赁场景工 程数据推荐方法。 为了达到上述目的，本发明提供如下技术方案： 一种利用多属性分析的用于工程机械租赁场景工程数据推荐方法，推荐方法为：将获 取到的工程数据转化为结构化数据，过滤后计算推荐指数，对推荐指数进行排序，推荐指数 越高优先推荐。进一步地，具体步骤如下： （1）工程数据获取 通过公共资源网招标信息平台获取工程招标文件的文本数据，此数据为非结构化工程 数据； （2）工程数据处理 通过正则匹配和模糊匹配对步骤（1）中获得的非结构化工程数据进行信息抽取，将非 结构化工程数据转化为结构化数据； （3）数据过滤 通过漏斗形式进行数据过滤，计算推荐指数，具体如下： （3.1）首先筛选出需要用车、可能用车的工程，将不用车的工程进行过滤，并优先推荐 需要用车的工程； （3.2）根据工程施工阶段，过滤掉已竣工的工程，并优先推荐处于前期和中期的工程； （3.3）对工程行业等级进行排序，优先推荐等级较高的； （3.4）根据工程规模分为大型、中型、中小型以及小型，优先推荐工程规模大的； （3.5）保存最终经过漏斗最底层的数据，根据步骤（3.1）至（3.4）计算每个工程的推荐 指数，并对推荐指数进行排序，推荐指数越高的优先推荐。 3 CN 111612578 A 说 明 书 2/3 页 进一步地，步骤（3.1）中，需要用车、可能用车以及不用车的工程分别设为2、1和0， 为工程是否用车等级；步骤（3.2）中，处于前期、中期、后期以及已竣工的工程分别设为3、2、 1和0，为工程施工阶段等级；步骤（3.3）中，建设工程的行业等级设为4，交通工程的行业等 级设为3，水利工程的行业等级设为2，市政工程的行业等级设为1，其他的行业等级设为0， 为工程所属行业等级；步骤（3.4）中，大型、中型以及小型的工程规模分别设为3、2和1，为工 程规模等级。 进一步地，推荐指数的计算方法如下： 推荐指数=3*工程是否用车等级 1.5*工程所属行业等级 1*工程施工阶段等级 0.5* 工程规模等级。 本发明与现有技术相比，通过对工程数据进行线上获取，处理过滤后转化为推荐 指数进行计算，根据推荐指数的高低针对工程项目进行推荐，大大缩减了原先业务人员花 费在寻找项目上的时间，同时使业务人员能够快速有效且准确地根据项目的具体情况进行 工程机械的租赁推荐，促进工程机械租赁行业的发展。
本发明提供一种利用多属性分析的用于工程机械租赁场景工程数据推荐方法，推荐方法为：将获取到的工程数据转化为结构化数据，过滤后计算推荐指数，对推荐指数进行排序，推荐指数越高优先推荐。本发明中通过对工程数据进行线上获取，处理过滤后转化为推荐指数进行计算， 全部
背景技术：
目前在工程设备租赁领域基本上还是通过业务人员寻找工程建设地点发展客户， 虽然这种方式的确可以找到需要工程设备的工程项目，但是这样方式存在以下几个问题： 业务人员在找工程项目时无确定目标；业务人员需要花费大量时间在找工程项目的过程 中；业务人员不知道工程项目的具体需求及施工阶段。由此导致业务人员无法快速有效且 准确地根据项目的具体情况进行工程机械的推荐，严重影响工程机械租赁行业的发展。 因此，针对以上问题研制出一种能够针对各项目的具体情况进行工程机械快速有 效且准确推荐的方法是本领域技术人员所急需解决的难题。
技术实现要素：
为解决上述问题，本发明公开了一种利用多属性分析的用于工程机械租赁场景工 程数据推荐方法。 为了达到上述目的，本发明提供如下技术方案： 一种利用多属性分析的用于工程机械租赁场景工程数据推荐方法，推荐方法为：将获 取到的工程数据转化为结构化数据，过滤后计算推荐指数，对推荐指数进行排序，推荐指数 越高优先推荐。进一步地，具体步骤如下： （1）工程数据获取 通过公共资源网招标信息平台获取工程招标文件的文本数据，此数据为非结构化工程 数据； （2）工程数据处理 通过正则匹配和模糊匹配对步骤（1）中获得的非结构化工程数据进行信息抽取，将非 结构化工程数据转化为结构化数据； （3）数据过滤 通过漏斗形式进行数据过滤，计算推荐指数，具体如下： （3.1）首先筛选出需要用车、可能用车的工程，将不用车的工程进行过滤，并优先推荐 需要用车的工程； （3.2）根据工程施工阶段，过滤掉已竣工的工程，并优先推荐处于前期和中期的工程； （3.3）对工程行业等级进行排序，优先推荐等级较高的； （3.4）根据工程规模分为大型、中型、中小型以及小型，优先推荐工程规模大的； （3.5）保存最终经过漏斗最底层的数据，根据步骤（3.1）至（3.4）计算每个工程的推荐 指数，并对推荐指数进行排序，推荐指数越高的优先推荐。 3 CN 111612578 A 说 明 书 2/3 页 进一步地，步骤（3.1）中，需要用车、可能用车以及不用车的工程分别设为2、1和0， 为工程是否用车等级；步骤（3.2）中，处于前期、中期、后期以及已竣工的工程分别设为3、2、 1和0，为工程施工阶段等级；步骤（3.3）中，建设工程的行业等级设为4，交通工程的行业等 级设为3，水利工程的行业等级设为2，市政工程的行业等级设为1，其他的行业等级设为0， 为工程所属行业等级；步骤（3.4）中，大型、中型以及小型的工程规模分别设为3、2和1，为工 程规模等级。 进一步地，推荐指数的计算方法如下： 推荐指数=3*工程是否用车等级 1.5*工程所属行业等级 1*工程施工阶段等级 0.5* 工程规模等级。 本发明与现有技术相比，通过对工程数据进行线上获取，处理过滤后转化为推荐 指数进行计算，根据推荐指数的高低针对工程项目进行推荐，大大缩减了原先业务人员花 费在寻找项目上的时间，同时使业务人员能够快速有效且准确地根据项目的具体情况进行 工程机械的租赁推荐，促进工程机械租赁行业的发展。
