[發(fā)明專利]一種基于聚類的專家分類畫像方法、裝置及存儲(chǔ)介質(zhì)

有效

• 申請(qǐng)?zhí)枺?/td>: 202011374682.4
• 申請(qǐng)日: 2020-11-30
• 公開（公告）號(hào): CN112488507B
• 公開（公告）日: 2023-04-07
• 發(fā)明（設(shè)計(jì)）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(qǐng)（專利權(quán)）人: 廣東電網(wǎng)有限責(zé)任公司
• 主分類號(hào): G06Q10/0639
• 分類號(hào): 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(qiáng)

本發(fā)明涉及一種分類畫像方法，具體公開了一種基于聚類的專家分類畫像方法、裝置及存儲(chǔ)介質(zhì)，包括：建立專家評(píng)分規(guī)范體系；在所述專家評(píng)分規(guī)范體系的基礎(chǔ)上，建立評(píng)分預(yù)測(cè)模型，結(jié)合對(duì)標(biāo)書的智能分析，判斷出評(píng)分是否屬于異常值，將屬于異常值的評(píng)分?jǐn)?shù)據(jù)進(jìn)行輸出；建立異常評(píng)分歷史數(shù)據(jù)庫，將所述評(píng)分預(yù)測(cè)模型輸出的異常值的評(píng)分?jǐn)?shù)據(jù)數(shù)據(jù)輸入至所述異常評(píng)分歷史數(shù)據(jù)庫中；建立專家評(píng)價(jià)模型，所述專家評(píng)價(jià)模型基于所述異常評(píng)分歷史數(shù)據(jù)庫，計(jì)算得出考評(píng)分值；自定義專家標(biāo)簽類型，結(jié)合所述考評(píng)分值，通過聚類算法為專家設(shè)置標(biāo)簽，得到標(biāo)簽數(shù)據(jù)；將所述標(biāo)簽數(shù)據(jù)輸入標(biāo)簽數(shù)據(jù)庫。具有能夠即時(shí)發(fā)現(xiàn)評(píng)分異常避免因評(píng)標(biāo)專家作出不合理的標(biāo)書評(píng)分導(dǎo)致造成企業(yè)損失。

技術(shù)領(lǐng)域

本發(fā)明涉及一種分類畫像方法，具體涉及了一種基于聚類的專家分類畫像方法。

背景技術(shù)

按照廣電企【2019】8號(hào)文《關(guān)于印發(fā)公司深化招標(biāo)管理改革任務(wù)分解表的通知》整體要求，通過利用供應(yīng)商數(shù)據(jù)重構(gòu)等技術(shù)實(shí)現(xiàn)智能推薦、風(fēng)險(xiǎn)分析與智能預(yù)警，保證招標(biāo)采購遴選供應(yīng)商合規(guī)高效，防范采購過程中由于供應(yīng)商自身風(fēng)險(xiǎn)導(dǎo)致履約、審計(jì)的風(fēng)險(xiǎn)。

招標(biāo)過程中需要由評(píng)標(biāo)專家來對(duì)標(biāo)書進(jìn)行評(píng)分，評(píng)標(biāo)專家對(duì)標(biāo)書所作出的評(píng)分有可能受評(píng)標(biāo)專家與作出該標(biāo)書的企業(yè)的關(guān)系影響，從而有些評(píng)分不盡真實(shí)，評(píng)標(biāo)過程透明度不足，導(dǎo)致企業(yè)在招投標(biāo)中受到損失。目前缺乏一種可以識(shí)別與檢測(cè)評(píng)標(biāo)專家異常評(píng)分現(xiàn)象的方法，不能很好地動(dòng)態(tài)考核評(píng)標(biāo)專家，從而導(dǎo)致評(píng)標(biāo)效率低以及透明度不高，導(dǎo)致企業(yè)在招投標(biāo)中受到難以預(yù)估的損失。

發(fā)明內(nèi)容

本發(fā)明解決的技術(shù)問題為評(píng)標(biāo)專家在評(píng)標(biāo)過程中透明度不足的問題，提供基于聚類的專家分類畫像方法，能夠更好地了解評(píng)標(biāo)進(jìn)度以及評(píng)分質(zhì)量。

為了解決上述技術(shù)問題，本發(fā)明提供的技術(shù)方案為：

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(píng)分規(guī)范體系；

在所述專家評(píng)分規(guī)范體系的基礎(chǔ)上，建立評(píng)分預(yù)測(cè)模型，結(jié)合對(duì)標(biāo)書的智能分析，判斷出評(píng)分是否屬于異常值，將屬于異常值的評(píng)分?jǐn)?shù)據(jù)進(jìn)行輸出；

建立異常評(píng)分歷史數(shù)據(jù)庫，將所述評(píng)分預(yù)測(cè)模型輸出的異常值的評(píng)分?jǐn)?shù)據(jù)數(shù)據(jù)輸入至所述異常評(píng)分歷史數(shù)據(jù)庫中；

建立專家評(píng)價(jià)模型，所述專家評(píng)價(jià)模型基于所述異常評(píng)分歷史數(shù)據(jù)庫，計(jì)算并得出考評(píng)分值；

自定義專家標(biāo)簽類型，結(jié)合所述考評(píng)分值，通過聚類算法為專家設(shè)置標(biāo)簽，得到標(biāo)簽數(shù)據(jù)；

將所述標(biāo)簽數(shù)據(jù)輸入標(biāo)簽數(shù)據(jù)庫。

能夠即時(shí)發(fā)現(xiàn)評(píng)分異常，避免或減少因評(píng)標(biāo)專家自身原因所作出不合理的標(biāo)書評(píng)分從而導(dǎo)致企業(yè)造成損失。

在評(píng)標(biāo)專家對(duì)標(biāo)書進(jìn)行評(píng)價(jià)時(shí)，能夠結(jié)合該評(píng)標(biāo)專家對(duì)該類型的標(biāo)書的歷史評(píng)分以及該評(píng)標(biāo)專家的行為規(guī)則，對(duì)該次標(biāo)書的評(píng)分作出評(píng)估，能夠更加直觀并準(zhǔn)確地知道該次評(píng)標(biāo)專家作出的評(píng)分是否合理。

優(yōu)選地，所述建立專家評(píng)分規(guī)范體系包括：

采集專家評(píng)審歷史數(shù)據(jù)以及同項(xiàng)目其他專家評(píng)分?jǐn)?shù)據(jù)；

基于采集到的數(shù)據(jù)結(jié)合異常值分析算偏離模型，對(duì)每一個(gè)評(píng)分指標(biāo)設(shè)定一個(gè)合理范圍（偏離閾值）；

當(dāng)所述評(píng)分指標(biāo)符合所述合理范圍時(shí)，則認(rèn)為是正常值，當(dāng)所述評(píng)分指標(biāo)超出所述合理范圍時(shí)，則認(rèn)為是異常值。采集專家評(píng)審立式數(shù)據(jù)以及同項(xiàng)目其他專家評(píng)分?jǐn)?shù)據(jù)，對(duì)其進(jìn)行處理，所產(chǎn)生的一個(gè)評(píng)分指標(biāo)合理范圍能夠更加準(zhǔn)確地反應(yīng)出評(píng)標(biāo)專家該次評(píng)分是否合理。

優(yōu)選地，所述評(píng)分預(yù)測(cè)模型為深度學(xué)習(xí)模型，所述建立評(píng)分預(yù)測(cè)模型包括：

獲取專家數(shù)據(jù)倉庫中的歷史數(shù)據(jù)；

通過采集到的數(shù)據(jù)分析出專家評(píng)分的行為規(guī)則；