在企业信息化的大趋势下,招投标作为企业采购物料、招聘人才、项目外包的一大形式,其电子化的应用已经较为广泛。但现有的电子招投标网站大多只局限于对招投标数据的检索和发布。推荐算法作为大数据时代的智能产物,可以通过对数据的训练与计算获取数据实体间潜在的关系,这些关系能为人们提供科学的参考意见,帮助他们进行决策。因此,将推荐算法应用于电子招投标领域具有较深的研究意义,此外,Neo4j作为非关系型图数据库,可将招投标数据通过知识图谱的形式进行存储与可视化,并能计算节点间的相似度,缓解基于招投标数据进行推荐而产生的冷启动问题。本文主要工作内容如下:（1）基于招投标数据进行知识图谱的构建。使用爬虫技术在公开招投标信息网站上爬取招投标数据,使用Jieba分词对招投标项目名称进行处理,并在去除冗余词后进行词频排序,提取出招投标主体标签与项目标签。采用自顶向下的方式对知识图谱进行设计,使用Cypher语句在Neo4j中进行知识图谱的构建,使用Neo4j图数据库中的节点相似度函数对招投标主体间及招投标项目间的相似度进行计算,并设计无关招投标主体和项目间的相似度计算方法,最后基于所得相似度计算结果生成招投标评分数据集和主体偏好特征。（2）基于深度学习兴趣推荐模型进行改进。提出一种融合多头注意力机制和残差网络结构的深度学习兴趣推荐模型,利用多头注意力模块计算分配主体偏好数据集和当前选择项目的权重。所得特征结果将与用户特征和项目特征相连后经由残差网络结构传入输出训练层进行训练。在招投标数据集上的实验结果表明,所提推荐模型符合预期,具有一定有效性和可行性。（3）对招投标推荐系统进行设计与实现。通过调研进行系统需求分析,确定系统所需实现的功能与非功能需求。使用Pycharm工具与Python编程语言对该系统进行设计及实现,系统前端则使用Echarts工具对用户画像和招投标画像进行可视化展示,并设计相关功能测试用例对系统进行测试,经测试该系统功能及性能均达到需求分析中所提要求。