CN106469353B - 一种面向大数据的项目合作企业智慧筛选排序方法 - Google Patents

Abstract

本发明提出了一种面向大数据的项目合作企业智慧筛选排序方法。在项目需求方有项目合作需求时，总是通过中介或朋友圈等较为传统的方法寻求合作企业。本发明利用项目需求方与项目承接企业之间项目合作的相关大数据，将合作项目及承接企业建模为两个属性集合。根据项目需求方对承接企业的合作满意度的评价，以及合作项目与承接企业各个属性间的互信息量，构建贝叶斯网络，计算项目合作是否满意的概率分布。贝叶斯网络构建完成后，根据项目需求，为各个合作项目属性赋值，并依次代入大数据中各个企业的属性值，计算各个企业与该合作项目的满意概率。并筛选出满意概率较高的企业，按满意概率高低对其排序，最后输出给项目需求方供其参考。

Description

一种面向大数据的项目合作企业智慧筛选排序方法

技术领域

本发明涉及一种筛选排序方法，特别是一种面向大数据的项目合作企业智慧筛选排序方法。

背景技术

对于客观实体的评价与筛选方法，目前主要采用AHP层次分析法。AHP是对定性问题进行定量分析的一种简便、灵活而又实用的多准则决策方法。它的特点是把复杂问题中的各种因素通过划分为相互联系的有序层次，使之条理化，根据对一定客观现实的主观判断结构(主要是两两比较)把专家意见和分析者的客观判断结果直接而有效地结合起来，将一层次元素两两比较的重要性进行定量描述。而后，利用数学方法计算反映每一层次元素的相对重要性次序的权值，通过所有层次之间的总排序计算所有元素的相对权重并进行排序。但这类方法的主要缺陷在于，过于依赖人为对研究对象的数学建模，而难以发现各种因素间的潜在关系，使得其分析结果受人为因素的影响较多。

另一种用于客观实体评价方法是主成分分析法。主成分分析也称主分量分析，利用降维思想，把多指标转化为少数几个综合指标(即主成分)，其中每个主成分都能够反映原始变量的大部分信息，且所含信息互不重复。这种方法在引进多方面变量的同时将复杂因素归结为几个主成分，使问题简单化，同时得到的结果更加科学有效的数据信息。在实际问题研究中，为了全面、系统地分析问题，我们必须考虑众多影响因素。这些涉及的因素一般称为指标，在多元统计分析中也称为变量。因为每个变量都在不同程度上反映了所研究问题的某些信息，并且指标之间彼此有一定的相关性，因而所得的统计数据反映的信息在一定程度上有重叠。而这类方法一般模型较为简单，而筛选的变量之间又相互存在重叠，虽然在计算复杂度方面有一些优势，但其无法根据实际的需要灵活的改变评价的标准。

发明内容

本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了面向大数据的项目合作企业智慧筛选排序方法。

为了实现本发明的上述目的，本发明提供了一种面向大数据的项目合作企业智慧筛选排序方法，包括：

S1，根据关于项目需求方与项目承接企业之间项目合作的大数据，进行数学建模；

S2，计算项目合作的大数据属性的先验概率分布，先验条件概率分布，以及集合A中各个属性节点与集合B中各个属性节点的条件互信息量；

S3，根据条件互信息量，构建贝叶斯网络；

S4，利用贝叶斯网络计算每个项目合作之后的满意概率，并筛选排序后，使用满意概率最高的项目需求方。

所述的面向大数据的项目合作企业智慧筛选排序方法，优选的，所述S1包括：

S1-1，开始；

S1-2，从关于项目需求方与项目承接企业之间项目合作的相关大数据中提取有效的数据分为三个集合，分别为：大数据中各个企业的基本信息，以上各个企业的历史合作项目的基本信息，以及项目需求方对各历史合作项目中该企业表现的满意度评价；

S1-3，各个企业的基本信息被建模为一个包含N个属性节点的集合A，其中各个属性节点分别表示描述该企业基本信息的一项属性，所述N≥3；

各个企业历史合作项目的基本信息被建模为一个包含M个属性节点的集合B，其中各个属性节点分别表示描述该项目信息的一项属性，所述M≥4；

其中项目需求方对各历史合作项目中该企业的表现满意度评价建模为贝叶斯网络中的类属性节点C，评价为“满意”则C＝1，评价为“不满意”则C＝0。

所述的面向大数据的项目合作企业智慧筛选排序方法，优选的，所述S2包括：

S2-1，属性的先验概率分布可通过大数据中的统计信息计算；

S2-2，属性的先验条件概率分布，指集合A与B中的各个属性，在以类属性C为条件的情况下的条件概率P(A_i|C)、P(B_j|C)；其计算方法如下，

其中P(A_i,C)表示A_i与C的联合概率分布，遍历A_i与C的取值能够得到其条件概率分布P(A_i|C)；

S2-3，集合A中各个属性节点与集合B中各个属性节点的条件互信息量I(A_i；B_j|C)计算方法如下；

其中，P(A_i,B_j,C)表示A_i，B_j与C的联合概率分布。

所述的面向大数据的项目合作企业智慧筛选排序方法，优选的，所述S3包括：

S3-1，选取类属性节点C放入网络中；

S3-2，将集合A中的各个属性节点以类属性节点C为父节点，构造一个朴素贝叶斯网络；

S3-3，将集合B中的节点逐个放入网络中；对于属性节点B_j而言，若I(A_i；B_j|C)满足I(A_i；B_j|C)＞I(A_k；B_j|C)(k≠i)，则将B_j放入网络，并将A_i作为其父节点；集合B中的其余节点也通过类似方法匹配父节点；从而得到一个完整的可以用于项目合作企业筛选排序的贝叶斯网络。

所述的面向大数据的项目合作企业智慧筛选排序方法，优选的，所述S4包括：

S4-1，计算类属性C的概率质量函数P(C,A₁,...,A_N,B₁,...,B_M)，满足

其中

表示A_i的所有子节点B_j的条件概率的乘积；

S4-2，由项目需求方根据其合作项目的情况，向网络中集合A的各个属性节点A_i赋值；另一方面，根据大数据中各个企业的基本信息，轮流将各个企业的基本信息代入网络中集合B的各个属性节点B_j，计算对于各个企业的类属性C的概率质量函数P(C,A₁,...,A_N,B₁,...,B_M)；

S4-3，筛选出满意概率大于0.5的企业，并按照从大到小的顺序对这些企业排列，输出给项目需求方，从而获取满意概率最高的项目需求方。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

利用贝叶斯网络训练学习的方法，能够通过项目需求方对所需合作项目的描述为其从大数据中筛选出来适宜完成该项目的企业，并按照其适宜的程度对其排序。相较于传统的通过中介方或朋友圈的方法，该方法所受人为因素的限制和影响较少，能够从较大的海量数据的企业中进行筛选，客观得到企业的行为习惯，以及评价数据，从而能够给用户提供准确的排序数据，获得客观数值从而为工程施工或者工程合作提供良好的后续服务作为保障。

贝叶斯网络是一种常用于大数据分析决策的方法。应用贝叶斯网络做大数据分析并引导决策，首先，对分析对象建立数学模型，用各项属性描述分析对象，通过对各个数据单元中各项属性统计特性的分析，计算各个属性间的互信息量，并以此为参考构建贝叶斯网络。网络构建完成后，能够得到网络整体的概率分布，向网络中各个属性节点赋值，便可得到源节点的条件概率分布情况。

利用贝叶斯网络解决这类问题相对于AHP方法而言，其主要优势在于，贝叶斯网络利用大数据的统计信息能够有效的提取出各个被建模为属性的因素间的统计关系，能够发现属性间的潜在的联系，使得分析结果更加符合实际情况。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1朴素贝叶斯网络示意图；

图2项目合作企业智慧筛选贝叶斯网络示意图；

图3面向大数据的项目合作企业智慧筛选排序方法流程图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，能够是机械连接或电连接，也能够是两个元件内部的连通，能够是直接相连，也能够通过中间媒介间接相连，对于本领域的普通技术人员而言，能够根据具体情况理解上述术语的具体含义。

本发明利用项目需求方与项目承接企业之间项目合作的相关大数据，将合作项目及承接企业建模为两个属性集合。根据项目需求方对承接企业的合作满意度的评价，以及合作项目与承接企业各个属性间的互信息量，构建贝叶斯网络，并计算项目合作满意度的概率分布。贝叶斯网络构建完成后，根据项目需求，为各个合作项目属性赋值，并依次代入各个承接企业的属性值，计算各个承接企业与该合作项目的满意度。并筛选出满意概率较高的承接企业，按满意概率高低对其排序，并输出给项目需求方供其参考，从中筛选出满意概率最高的一方提供给用户，并且剔除掉满意概率最低的一方。

如图3所示，本发明提供了一种面向大数据的项目合作企业智慧筛选排序方法，包括：

S1，根据关于项目需求方与项目承接企业之间项目合作的大数据，进行数学建模；

S2，计算项目合作的大数据属性的先验概率分布，先验条件概率分布，以及集合A中各个属性节点与集合B中各个属性节点的条件互信息量；

S3，根据条件互信息量，构建贝叶斯网络；

S4，利用贝叶斯网络计算每个项目合作之后的满意概率，并筛选排序后，使用满意概率最高的项目需求方。

本发明的技术方案：

本发明中涉及的“企业”包括但不限于，有能力达成某种目的或完成某个任务的法人或其他社会经济组织。

本发明中涉及的“项目需求方”包括但不限于，为达成某种目的或完成某个任务时，将该任务的部分或全部作为项目，寻求合作伙伴共同完成的个人或企业。

本发明中涉及的“合作项目”包括但不限于，由项目需求方提出的某个目标或某项任务。

本发明中涉及的“满意度”包括但不限于，当企业完成项目需求方提出的合作项目后，由项目需求方对该企业是否满意的评价。

本发明中涉及的“承接企业”包括但不限于，已经完成了由项目需求方提出的合作项目，并得到了项目需求方满意度评价的企业。

本发明中涉及的“关于项目需求方与项目承接企业之间项目合作的相关大数据”包括但不限于，大数量企业的基本信息(包括但不限于：该企业的市场估值，该企业的成立时间，该企业员工数量，企业的经营业务等等)，以及以上各个企业的历史合作项目的基本信息(包括但不限于：项目的投资金额，项目的主要目标，项目的合作周期等等)，以及项目需求方对各历史合作项目中该企业的表现满意度评价(满意或不满意)。

首先，需要从关于项目需求方与项目承接企业之间项目合作的相关大数据中提取有效的数据，完成数学建模。从中提取数据可分为三个集合，分别为：大数据中各个企业的基本信息，以上各个企业的历史合作项目的基本信息，以及项目需求方对各历史合作项目中该企业的表现满意度评价。

其中各个企业的基本信息被建模为一个包含N个属性节点的集合A，其中各个属性节点分别表示描述该企业基本信息的一项属性(例如：A_i表示企业的员工人数，员工人数大于100，则A_i＝1，员工人数小于等于100，则A_i＝0)。具体各属性的赋值规则由该方法的应用领域及项目需求方的具体需求而定。

其中各个企业的历史合作项目的基本信息被建模为一个包含M个属性节点的集合B，其中各个属性节点分别表示描述该项目信息的一项属性(例如：B_j表示项目需求方在该项目上的投资金额，投资金额大于人民币10万元，则B_j＝1，投资金额小于等于10万元，则B_j＝0)。具体各属性的赋值规则由该方法的应用领域及项目需求方的具体需求而定。

其中项目需求方对各历史合作项目中该企业的表现满意度评价建模为贝叶斯网络中的类属性节点C，若评价为“满意”则C＝1；若评价为“不满意”则C＝0。

数学建模完成后，计算各属性的先验概率分布，先验条件概率分布，以及集合A中各个属性节点与集合B中各个属性节点的条件互信息量I(A_i；B_j|C)。

属性的先验概率分布计算方法如下。对类属性C而言，设大数据中共有P项历史合作项目，其中项目需求方觉得满意的有Q项，则

若其中某一属性节点A_i表示企业的员工人数，员工人数大于100，则A_i＝1，员工人数小于等于100，则A_i＝0；若大数据中共有Z家企业，其中员工人数大于100的为X家，则

由此得到了属性A_i的先验概率分布P(A_i)。其余属性先验概率分布计算方法与此相同。

属性的先验条件概率分布，指集合A与B中的各个属性，在以类属性C为条件的情况下的条件概率P(A_i|C)、P(B_j|C)。其计算方法如下，

其中P(A_i,C)表示A_i与C的联合概率分布，遍历A_i与C的取值能够得到其条件概率分布P(A_i|C)。

集合A中各个属性节点与集合B中各个属性节点的条件互信息量I(A_i；B_j|C)计算方法如下。

其中，P(A_i,B_j,C)表示A_i，B_j与C的联合概率分布。

至此训练完成，可根据上述方法计算得到的集合A中各个属性节点与集合B中各个属性节点的条件互信息量I(A_i；B_j|C)，构建贝叶斯网络，具体构建方法如下。首先选取类属性节点C放入网络中，再将集合A中的各个属性节点以类属性节点C为父节点，先构造一个朴素贝叶斯网络如附图1所示。之后，将集合B中的节点逐个放入网络中。对于属性节点B_j而言，若I(A_i；B_j|C)满足I(A_i；B_j|C)＞I(A_k；B_j|C)(k≠i)，则将B_j放入网络，并将A_i作为其父节点。集合B中的其余节点也通过类似方法匹配父节点，得到贝叶斯网络如附图2所示。

如图3所示，网络构建完成后，需根据网络的模型，计算类属性C的概率质量函数P(C,A₁,...,A_N,B₁,...,B_M)，满足

其中

表示A_i的所有子节点B_j的条件概率的乘积。

之后由项目需求方根据其合作项目的情况，向网络中集合A的各个属性节点A_i赋值。另一方面，根据大数据中各个企业的基本信息，轮流将各个企业的基本信息代入网络中集合B的各个属性节点B_j，计算对于各个企业的类属性C的概率质量函数P(C,A₁,...,A_N,B₁,...,B_M)，这一指标表示了若该企业承接此项目，项目需求方会对其表现满意的概率。

筛选出满意概率大于0.5的企业，并按照从大到小的顺序对这些企业排列，输出给项目需求方，以供其参考。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点能够在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员能够理解：在不脱离本发明的原理和宗旨的情况下能够对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (3)

1.一种面向大数据的项目合作企业智慧筛选排序方法，其特征在于，包括：

S1，根据关于项目需求方与项目承接企业之间项目合作的大数据，进行数学建模；

所述S1包括：

S1-1，从关于项目需求方与项目承接企业之间项目合作的相关大数据中提取有效的数据分为三个集合，分别为：大数据中各个企业的基本信息，各个企业的历史合作项目的基本信息，以及项目需求方对各历史合作项目中该企业表现的满意度评价；

S1-2，各个企业的基本信息被建模为一个包含N个属性节点的集合A，其中各个属性节点分别表示描述该企业基本信息的一项属性，所述N≥2；

各个企业历史合作项目的基本信息被建模为一个包含M个属性节点的集合B，其中各个属性节点分别表示描述该项目信息的一项属性，所述M≥2；

其中项目需求方对各历史合作项目中该企业的表现满意度评价建模为贝叶斯网络中的类属性节点C，评价为“满意”则C＝1，评价为“不满意”则C＝0；

S2，计算项目合作的大数据属性的先验概率分布，先验条件概率分布，以及集合A中各个属性节点与集合B中各个属性节点的条件互信息量；

S3，根据条件互信息量，构建贝叶斯网络；

所述S3包括：

S3-1，选取类属性节点C放入网络中；

S3-2，将集合A中的各个属性节点以类属性节点C为父节点，构造一个朴素贝叶斯网络；

S3-3，将集合B中的节点逐个放入网络中；对于属性节点B_j而言，若条件互信息量I(A_i；B_j|C)满足I(A_i；B_j|C)＞I(A_k；B_j|C)，k≠i，则将B_j放入网络，并将A_i作为其父节点；集合B中的其余节点也通过类似方法匹配父节点；从而得到一个完整的可以用于项目合作企业筛选排序的贝叶斯网络；

S4，利用贝叶斯网络计算每个项目合作之后的满意概率，并筛选排序后，使用满意概率最高的项目需求方。

2.根据权利要求1所述的面向大数据的项目合作企业智慧筛选排序方法，其特征在于，所述S2包括：

S2-1，属性的先验概率分布可通过大数据中的统计信息计算；

S2-2，属性的先验条件概率分布，指集合A与B中的各个属性，在以类属性C为条件的情况下的条件概率P(A_i|C)、P(B_j|C)；其计算方法如下，

其中P(A_i,C)表示A_i与C的联合概率分布，遍历A_i与C的取值能够得到其条件概率分布P(A_i|C)；

S2-3，集合A中各个属性节点与集合B中各个属性节点的条件互信息量I(A_i；B_j|C)计算方法如下；

其中，P(A_i,B_j,C)表示A_i，B_j与C的联合概率分布。

3.根据权利要求1所述的面向大数据的项目合作企业智慧筛选排序方法，其特征在于，所述S4包括：

S4-1，计算类属性C的概率质量函数P(C,A₁,...,A_N,B₁,...,B_M)，满足

其中

表示A_i的所有子节点B_j的条件概率的乘积；

S4-2，由项目需求方根据其合作项目的情况，向网络中集合A的各个属性节点A_i赋值；另一方面，根据大数据中各个企业的基本信息，轮流将各个企业的基本信息代入网络中集合B的各个属性节点B_j，计算对于各个企业的类属性C的概率质量函数P(C,A₁,...,A_N,B₁,...,B_M)；

S4-3，筛选出满意概率大于0.5的企业，并按照从大到小的顺序对这些企业排列，输出给项目需求方，从而获取满意概率最高的项目需求方。

Images