[發明專利]一種基于聚類的專家分類畫像方法、裝置及存儲介質

有效

• 申請號: 202011374682.4
• 申請日: 2020-11-30
• 公開（公告）號: CN112488507B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 鄭瑾;謝志武;李根;楊燦魁;謝化安;李志;佟忠正;雷璟;王棟;肖琪
• 申請（專利權）人: 廣東電網有限責任公司
• 主分類號: G06Q10/0639
• 分類號: G06Q10/0639;G06Q30/0601;G06F16/906;G06N3/09
• 代理公司: 廣州一銳專利代理有限公司 44369
• 代理人: 甘奎強

1.一種基于聚類的專家分類畫像方法，其特征在于，包括：

建立專家評分規范體系；

在所述專家評分規范體系的基礎上，建立評分預測模型，結合對標書的智能分析，判斷出評分是否屬于異常值，將屬于異常值的評分數據進行輸出；

建立異常評分歷史數據庫，將所述評分預測模型輸出的異常值的評分數據輸入至所述異常評分歷史數據庫中；

建立專家評價模型，所述專家評價模型基于所述異常評分歷史數據庫，計算并得出考評分值；

自定義專家標簽類型，結合所述考評分值，通過聚類算法為專家設置標簽，得到標簽數據；

將所述標簽數據輸入標簽數據庫；

所述專家評價模型為：

通過基于大數據分析的方法獲得與專家關聯最密切的評價因子；

利用Logistic回歸算法以及評價因子以及專家數據倉庫中的歷史數據計算出考評分值，所述考評分值為0至1；

所述建立專家評分規范體系包括：

采集專家評審歷史數據以及同項目其他專家評分數據；

基于采集到的數據結合異常值分析算偏離模型，對每一個評分指標設定一個合理范圍；

當所述評分指標符合所述合理范圍時，則認為是正常值，當所述評分指標超出所述合理范圍時，則認為是異常值；

所述評分預測模型為深度學習模型，所述建立評分預測模型包括：

獲取專家數據倉庫中的歷史數據；

通過采集到的數據分析出專家評分的行為規則；

根據專家評分的行為規則，輸出預測的專家評分分數。

2.根據權利要求1所述的基于聚類的專家分類畫像方法，其特征在于，所述評分預測模型的訓練方法為：使用快速學習網絡、Elman神經網絡以及趨勢分析算法對所述評分預測模型進行訓練。

3.根據權利要求1所述的基于聚類的專家分類畫像方法，其特征在于，所述評價因子包括：評分、參與度、所在領域以及異常行為。

4.根據權利要求1所述的基于聚類的專家分類畫像方法，其特征在于，所述專家評價模型還包括：

加入人為控制因素，對特殊情況單獨處理，以完善所述專家評價模型。

5.根據權利要求1所述的基于聚類的專家分類畫像方法，其特征在于，所述標簽類型包括：屬性標簽、行為標簽、項目標簽。

6.一種具有基于聚類的專家分類畫像的裝置，其特征在于，包括：

體系建立模塊，所述體系建立模塊建立專家評分規范體系；

模型建立模塊，所述模型建立模塊在所述專家評分規范體系的基礎上，建立評分預測模型，結合對標書的智能分析，判斷出評分是否屬于異常值，將屬于異常值的評分數據進行輸出；

數據庫建立模塊，所述數據庫建立模塊建立異常評分歷史數據庫，將所述評分預測模型輸出的異常值的評分數據輸入至所述異常評分歷史數據庫中；

評價模型建立模塊，所述評價模型建立模塊建立專家評價模型，所述專家評價模型基于所述異常評分歷史數據庫，計算并得出考評分值；

標簽建立模塊，所述標簽建立模塊自定義專家標簽類型，結合所述考評分值，通過聚類算法為專家設置標簽，得到標簽數據；

存儲模塊，所述存儲模塊將所述標簽數據輸入標簽數據庫；

所述專家評價模型為：

通過基于大數據分析的方法獲得與專家關聯最密切的評價因子；

利用Logistic回歸算法以及評價因子以及專家數據倉庫中的歷史數據計算出考評分值，所述考評分值為0至1；

所述建立專家評分規范體系包括：

采集專家評審歷史數據以及同項目其他專家評分數據；

基于采集到的數據結合異常值分析算偏離模型，對每一個評分指標設定一個合理范圍；

當所述評分指標符合所述合理范圍時，則認為是正常值，當所述評分指標超出所述合理范圍時，則認為是異常值；

所述評分預測模型為深度學習模型，所述建立評分預測模型包括：

獲取專家數據倉庫中的歷史數據；

通過采集到的數據分析出專家評分的行為規則；

根據專家評分的行為規則，輸出預測的專家評分分數。

7.一種存儲介質，其特征在于，存儲有計算機程序，所述計算機程序執行權利要求1~5任一項所述的方法。