CN110390471A - 一种基于LightGBM的供应商价值评价方法及系统 - Google Patents
一种基于LightGBM的供应商价值评价方法及系统 Download PDFInfo
- Publication number
- CN110390471A CN110390471A CN201910595927.7A CN201910595927A CN110390471A CN 110390471 A CN110390471 A CN 110390471A CN 201910595927 A CN201910595927 A CN 201910595927A CN 110390471 A CN110390471 A CN 110390471A
- Authority
- CN
- China
- Prior art keywords
- training
- score
- supplier
- value
- lightgbm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 180
- 238000011156 evaluation Methods 0.000 claims abstract description 45
- 238000013210 evaluation model Methods 0.000 claims abstract description 18
- 238000010276 construction Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 10
- 230000015572 biosynthetic process Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 5
- 238000003786 synthesis reaction Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012854 evaluation process Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013068 supply chain management Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于LightGBM的供应商价值评价方法及系统,包括构建用于对供应商价值进行评分的评分指标;获取训练样本集,并基于评分指标计算出训练样本集中每一训练样本的价值评分,构建训练数据集;其中,训练样本对应的评分指标的值作为训练时使用的训练数据,相应训练样本的价值评分作为训练时使用的标签数据;利用训练数据集对LightGBM模型进行训练,得到价值评价模型;获取待评价供应商对应的评分指标的值,利用价值评价模型,通过待评价供应商对应的评价指标的值,得到待评价供应商的价值评分。本发明当供应商数据有缺失时也可很好地进行评价,模型的鲁棒性和易用性极大地降低了供应商评价难度,减少了供应链的管理成本。
Description
技术领域
本发明涉及机器学习技术领域,特别是指一种基于LightGBM的供应商价值评价方法及系统。
背景技术
随着大数据、人工智能等新技术在制造行业越来越广泛的应用,对企业与企业之间的合作提供了新思路。供应链管理可以提升企业的市场反应速度,大大缩短满足消费者需求的时间,从而使企业在这个快速变化的世界里获得无法复制的竞争优势。更多的企业意识到提升供应链管理水平的重要性。
对于生产型企业而言,供应商的优劣直接影响到产品的成本、质量和交货期及供应链的整体绩效。因此,科学、合理、客观地评价并选择供应商是供应链上核心企业的重要工作之一。但目前对于供应商的评价主要是基于评价人员的主观性进行的,在整个评价过程中主观性太强,由于评价人员的主观性造成的不确定因素也较多,不利于对供应商进行客观、公正的评价。
发明内容
本发明要解决的技术问题是提供一种基于LightGBM的供应商价值评价方法及系统,解决现有的对供应商价值进行评价的方法主观性太强的缺陷,实现对供应商高效客观的评价,降低供应商评价难度,减少管理成本。
为解决上述技术问题,本发明提供一种基于LightGBM的供应商价值评价方法,所述基于LightGBM的供应商价值评价方法包括:
构建用于对供应商价值进行评分的评分指标;
获取训练样本集,并基于所述评分指标计算出所述训练样本集中每一训练样本的价值评分,构建训练数据集;其中,训练样本对应的评分指标的值作为训练时使用的训练数据,相应训练样本的价值评分作为训练时使用的标签数据;
利用所述训练数据集对LightGBM模型进行训练,得到价值评价模型;
获取待评价供应商对应的评分指标的值,利用所述价值评价模型,通过所述待评价供应商对应的评价指标的值,得到所述待评价供应商的价值评分。
可选地,所述评分指标包括:基本评分指标、创新能力评分指标、财务状况评分指标,以及企业信誉评分指标;其中,
所述基本评分指标包括:供应商属性、供应商类型、供应商注册资本、供应商注册时长,以及参与度;
所述创新能力评分指标包括:供应商专利总数、供应商发明专利个数,以及供应商实用新型专利个数;
所述财务状况评分指标包括:供应商年报信息的完整程度、供应商是否具有连续的年报信息,以及供应商最近一次年报的经营状态;
所述企业信誉评分指标包括:供应商工商处罚总数、供应商最近一年的处罚数,以及供应商最近一年处罚数占处罚总数的比例。
进一步地,所述基于评分指标计算出训练样本集中每一训练样本的价值评分,包括:
基于训练样本对应的基本评分指标、创新能力评分指标、财务状况评分指标,以及企业信誉评分指标,分别计算出相应训练样本的基本评分、创新能力评分、财务状况评分,以及企业信誉评分;
为得到的基本评分、创新能力评分、财务状况评分,以及企业信誉评分,分别赋予不同的预设权重,并进行加权综合得到相应训练样本的价值评分。
进一步地,在计算基本评分时,通过为供应商属性和供应商类型分别打上1-100分的预设权重分值,对供应商属性和供应商类型进行数值化;通过等频离散化法对供应商注册资本和供应商注册时长进行离散化;并通过下列公式计算参与度:
其中,Score参与度为参与度的值,w(j)为参与次数对应的最高分值,weakenFactor(t)为时间衰减因子,根据投标时间随统计的时间变化,k为统计周期数量,count(t)为每月参与的投标次数,b为常数。
进一步地,在计算创新能力评分时,采用Topsis算法模型对供应商专利总数、供应商发明专利个数,以及供应商实用新型专利个数进行评估。
进一步地,所述利用所述训练数据集对LightGBM模型进行训练,包括:
使用交叉验证法对所述训练数据集进行划分,将所述训练数据集划分成预设数量的大小相同的互斥子数据集;
根据划分的子数据集对LightGBM模型进行训练;其中,每次训练时,选定子数据集中的一个作为验证集,其余的子数据集作为训练集对LightGBM模型进行训练,得预设数量的训练结果,对训练结果取均值作为最终的预测结果。
相应地,为解决上述技术问题,本发明还提供一种基于LightGBM的供应商价值评价系统,所述基于LightGBM的供应商价值评价系统包括:
评分指标构建模块,用于构建用于对供应商价值进行评分的评分指标;
训练数据集构建模块,用于获取训练样本集,并基于所述评分指标计算出所述训练样本集中每一训练样本的价值评分,构建训练数据集;其中,训练样本对应的评分指标的值作为训练时使用的训练数据,相应训练样本的价值评分作为训练时使用的标签数据;
模型训练模块,用于利用所述训练数据集对LightGBM模型进行训练,得到价值评价模型;
供应商价值评价模块,用于获取待评价供应商对应的评分指标的值,利用所述价值评价模型,通过所述待评价供应商对应的评价指标的值,得到所述待评价供应商的价值评分。
可选地,所述评分指标构建模块所构建的评分指标包括:基本评分指标、创新能力评分指标、财务状况评分指标,以及企业信誉评分指标;
所述训练数据集构建模块,具体用于:
基于训练样本对应的基本评分指标、创新能力评分指标、财务状况评分指标,以及企业信誉评分指标,分别计算出相应训练样本的基本评分、创新能力评分、财务状况评分,以及企业信誉评分;
为得到的基本评分、创新能力评分、财务状况评分,以及企业信誉评分分别赋予不同的预设权重,并进行加权综合得到相应训练样本的价值评分。
进一步地,所述训练数据集构建模块在计算基本评分时,通过为供应商属性和供应商类型分别打上1-100分的预设权重分值,对供应商属性和供应商类型进行数值化;通过等频离散化法对供应商注册资本和供应商注册时长进行离散化;并通过下列公式计算参与度:
其中,Score参与度为参与度的值,w(j)为参与次数对应的最高分值,weakenFactor(t)为时间衰减因子,根据投标时间随统计的时间变化,k为统计周期数量,count(t)为每月参与的投标次数,b为常数;
在计算创新能力评分时,采用Topsis算法模型对供应商专利总数、供应商发明专利个数,以及供应商实用新型专利个数进行评估。
进一步地,所述模型训练模块,具体用于:
使用交叉验证法对所述训练数据集进行划分,将所述训练数据集划分成预设数量的大小相同的互斥子数据集;
根据划分的子数据集对LightGBM模型进行训练;其中,每次训练时,选定子数据集中的一个作为验证集,其余的子数据集作为训练集对LightGBM模型进行训练,得预设数量的训练结果,对训练结果取均值作为最终的预测结果。
本发明的上述技术方案的有益效果如下:
本发明通过构建用于对供应商价值进行评分的评分指标;获取训练样本集,并基于评分指标计算出训练样本集中每一训练样本的价值评分,构建训练数据集;其中,训练样本对应的评分指标的值作为训练时使用的训练数据,相应训练样本的价值评分作为训练时使用的标签数据;利用训练数据集对LightGBM模型进行训练,得到价值评价模型;获取待评价供应商对应的评分指标的值,利用价值评价模型,通过待评价供应商对应的评价指标的值,得到待评价供应商的价值评分。从而通过使用机器学习技术,实现对供应商高效客观的评价,避免评价过程中主观性太强造成评价不够准确的缺陷,并且采用本发明的方法,即使当供应商数据有缺失时,也可很好地对其进行评价,所用模型的鲁棒性和易用性极大地降低了供应商评价难度,减少了供应链的管理成本。
附图说明
图1为本发明第一实施例提供的基于LightGBM的供应商价值评价方法的流程示意图;
图2为本发明第一实施例提供的交叉验证的示意图;
图3为本发明第一实施例提供的价值评价模型拟合结果示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
本发明针对现有供应商评价方法,主观性太强,评价结果不够客观,容易造成评价结果不准确的问题,提供一种基于LightGBM的供应商价值评价方法及系统;其中,该基于LightGBM的供应商价值评价方法详见下方第一实施例:
第一实施例
如图1所示,本发明实施例提供一种基于LightGBM的供应商价值评价方法,该基于LightGBM的供应商价值评价方法包括:
S101,构建用于对供应商价值进行评分的评分指标;
S102,获取训练样本集,并基于评分指标计算出训练样本集中每一训练样本的价值评分,构建训练数据集;
其中,在训练数据集中,上述训练样本对应的评分指标的值作为训练时使用的训练数据,相应训练样本的价值评分作为训练时使用的标签数据;
S103,利用训练数据集对LightGBM模型进行训练,得到价值评价模型;
S104,获取待评价供应商对应的评分指标的值,利用价值评价模型,通过待评价供应商对应的评价指标的值,得到待评价供应商的价值评分。
需要说明的是,上述S101所构建的评分指标如表一所示,包括:基本评分指标、创新能力评分指标、财务状况评分指标、企业信誉评分指标;其中,
基本评分指标包括:供应商属性、供应商类型、供应商注册资本、供应商注册时长,以及参与度;
创新能力评分指标包括:供应商专利总数、供应商发明专利个数,以及供应商实用新型专利个数;
财务状况评分指标包括:供应商年报信息的完整程度、供应商是否具有连续的年报信息,以及供应商最近一次年报的经营状态;
企业信誉评分指标包括:供应商工商处罚总数、供应商最近一年的处罚数,以及供应商最近一年处罚数占处罚总数的比例。
表一 指标数据描述
进一步地,S102中基于评分指标计算出训练样本集中每一训练样本的价值评分的过程,具体包括:
基于训练样本对应的基本评分指标、创新能力评分指标、财务状况评分指标,以及企业信誉评分指标,分别计算出相应训练样本的基本评分、创新能力评分、财务状况评分,以及企业信誉评分;
为得到的基本评分、创新能力评分、财务状况评分,以及企业信誉评分,分别赋予不同的预设权重,并进行加权综合得到相应训练样本的价值评分。
其中,各评分对应的权重如表二所示:
表二 供应商各部分权重
更进一步地,在计算基本评分时,本实施例通过为供应商属性和供应商类型分别打上1-100分的预设权重分值,对供应商属性和供应商类型进行数值化,具体地,供应商属性和供应商类型对应分值如表三所示:
表三 企业属性、供应商类型权重分值
另外,由于机器学习算法对离散化的数据有更好的拟合能力,并且离散化后的数值对异常数据有很强的鲁棒性,所以对连续值离散化会使模型更加稳定。因此本实施例对注册资本、注册时长进行离散化。
离散化方法一般分为两种:等宽离散和等频离散。其中,等宽离散化是指将属性的值域从最小值到最大值分成具有相同宽度的n个区间;等频离散化是指将相同数量的记录放在每个区间,保证每个区间的数量基本一致。由于一般的等宽离散化会受极端值影响,导致数值分布不均匀。因此本实施例中使用等频离散化方法对供应商注册资本和供应商注册时长进行离散化,具体地,供应商注册资本和供应商注册时长的划分结果如表四所示:
表四 等频离散化为6个区间:
参与度则通过下列公式(1)计算:
其中,Score参与度为参与度的值,w(j)为参与次数对应的最高分值,weakenFactor(t)为时间衰减因子,根据投标时间随统计的时间变化,k为统计周期数量,count(t)为每月参与的投标次数,b为常数。
在计算创新能力评分时,采用Topsis算法模型对供应商专利总数、供应商发明专利个数,以及供应商实用新型专利个数进行评估。
TOPSIS(Technique for Order Preference by Similarity to IdealSolution)称为逼近于理想解的排序方法;它的基本思想是:对归一化后的原始数据矩阵,确定出理想中的最佳方案和最差方案,然后通过求出各被评方案与最佳方案和最差方案之间的距离,得出该方案与最佳方案的接近程度,并以此作为评价各被评对象优劣的依据。
假设有m个目标,每个目标都有n个属性,则多属性决策问题的数学描述如式(2)所示:
Z=max/min{|i=l,2,…m,j=l,2,….n} (2)
针对于四项指标对招投标参与情况的评估,其正负理想解分布及权重如表五所示:
表五 正负理想解分布及权重
指标 | 专利总数 | 发明专利个数 | 实用新型专利的个数 |
正负理想解 | 正 | 正 | 正 |
权重 | 1 | 1 | 1 |
最终结果如表六所示(截取部分数据):
表六 最终结果(部分数据)
排名 | 用户编号 | 相对接近度 |
1 | 11214 | 0.746 |
2 | 10362 | 0.633 |
3 | 11100 | 0.618 |
4 | 10625 | 0.509 |
5 | 10255 | 0.487 |
6 | 10967 | 0.476 |
7 | 11014 | 0.418 |
8 | 10895 | 0.396 |
9 | 11248 | 0.389 |
… | … | … |
本实施例中,将相对于接近度映射到1到100之间,作为供应商的评分,结果如表七所示:
表七 映射为1-100分结果
排名 | 用户编号 | 相对接近度 | 映射分值 |
1 | 11214 | 0.746 | 100 |
2 | 10362 | 0.633 | 85.0 |
3 | 11100 | 0.618 | 83.0 |
4 | 10625 | 0.509 | 68.3 |
5 | 10255 | 0.487 | 65.4 |
6 | 10967 | 0.476 | 63.9 |
7 | 11014 | 0.418 | 56.1 |
8 | 10895 | 0.396 | 53.1 |
9 | 11248 | 0.389 | 52.2 |
… | … | … | … |
对于年报信息的完整程度、是否具有连续的年报信息、最近一次年报的经营状态,本实施例通过这三个指标评价一个供应商的财务状况。
其中:
其中,最近一次年报的经营状态为最近一次年报中企业的经营状态。
对于企业工商处罚总数、最近一年的处罚数,最近一年处罚数所占的比例本实施例使用这三个指标来评价供应商的信用评分。
其中:
最后通过映射将这三项评价指标也转化为1到100之间,得最终价值评分。
进一步地,S103利用训练数据集对LightGBM模型进行训练,包括:
使用交叉验证法对训练数据集进行划分,将训练数据集划分成K个大小相同的互斥子数据集;
根据划分的子数据集对LightGBM模型进行训练;其中,每次训练时,选定子数据集中的一个作为验证集,其余的K-1个子数据集作为训练集对LightGBM模型进行训练,得预设数量的训练结果,对训练结果取均值作为最终的预测结果。
K折交叉验证,初始采样分割成K个子样本,一个单独的子样本被保留作为验证模型的数据,其他K-1个样本用来训练。交叉验证重复K次,每个子样本验证一次,平均K次的结果或者使用其它结合方式,最终得到一个单一估测。这个方法的优势在于,同时重复运用随机产生的子样本进行训练和验证,每次的结果验证一次,如图2所示。训练好的模型的主要参数如表八所示:在模型训练完成后,对于新的要预测的数据直接送入模型中进行预测,即可得到供应商的评价分数。在此,对于有数据有缺失项的供应商模型的拟合效果也很好,效果如图3所示。
表八 模型的主要参数
参数名称 | 值 |
boosting_type | gbdt |
num_leaves | 31 |
learning_rate | 0.05 |
Subsample | 0.8 |
n_estimators | 500 |
max_depth | -1 |
第二实施例
本实施例提供一种基于LightGBM的供应商价值评价系统,该基于LightGBM的供应商价值评价系统包括:
评分指标构建模块,用于构建用于对供应商价值进行评分的评分指标;
训练数据集构建模块,用于获取训练样本集,并基于评分指标计算出训练样本集中每一训练样本的价值评分,构建训练数据集;其中,训练样本对应的评分指标的值作为训练时使用的训练数据,相应训练样本的价值评分作为训练时使用的标签数据;
模型训练模块,用于利用训练数据集对LightGBM模型进行训练,得到价值评价模型;
供应商价值评价模块,用于获取待评价供应商对应的评分指标的值,利用价值评价模型,通过待评价供应商对应的评价指标的值,得到待评价供应商的价值评分。
本实施例的基于LightGBM的供应商价值评价系统与上述第一实施例中的基于LightGBM的供应商价值评价方法相互对应,其中,该系统中各模块单元所实现的功能与上述方法中的各流程步骤一一对应;故,在此不再赘述。
本发明通过构建用于对供应商价值进行评分的评分指标;获取训练样本集,并基于评分指标计算出训练样本集中每一训练样本的价值评分,构建训练数据集;其中,训练样本对应的评分指标的值作为训练时使用的训练数据,相应训练样本的价值评分作为训练时使用的标签数据;利用训练数据集对LightGBM模型进行训练,得到价值评价模型;获取待评价供应商对应的评分指标的值,利用价值评价模型,通过待评价供应商对应的评价指标的值,得到待评价供应商的价值评分。从而通过使用机器学习技术,实现对供应商高效客观的评价,避免评价过程中主观性太强造成评价不够准确的缺陷,并且采用本发明的方法,即使当供应商数据有缺失时,也可很好地对其进行评价,所用模型的鲁棒性和易用性极大地降低了供应商评价难度,减少了供应链的管理成本。
此外,需要说明的是,本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
还需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于LightGBM的供应商价值评价方法,其特征在于,包括:
构建用于对供应商价值进行评分的评分指标;
获取训练样本集,并基于所述评分指标计算出所述训练样本集中每一训练样本的价值评分,构建训练数据集;其中,训练样本对应的评分指标的值作为训练时使用的训练数据,相应训练样本的价值评分作为训练时使用的标签数据;
利用所述训练数据集对LightGBM模型进行训练,得到价值评价模型;
获取待评价供应商对应的评分指标的值,利用所述价值评价模型,通过所述待评价供应商对应的评价指标的值,得到所述待评价供应商的价值评分。
2.如权利要求1所述的基于LightGBM的供应商价值评价方法,其特征在于,所述评分指标包括:基本评分指标、创新能力评分指标、财务状况评分指标,以及企业信誉评分指标;其中,
所述基本评分指标包括:供应商属性、供应商类型、供应商注册资本、供应商注册时长,以及参与度;
所述创新能力评分指标包括:供应商专利总数、供应商发明专利个数,以及供应商实用新型专利个数;
所述财务状况评分指标包括:供应商年报信息的完整程度、供应商是否具有连续的年报信息,以及供应商最近一次年报的经营状态;
所述企业信誉评分指标包括:供应商工商处罚总数、供应商最近一年的处罚数,以及供应商最近一年处罚数占处罚总数的比例。
3.如权利要求2所述的基于LightGBM的供应商价值评价方法,其特征在于,所述基于评分指标计算出训练样本集中每一训练样本的价值评分,包括:
基于训练样本对应的基本评分指标、创新能力评分指标、财务状况评分指标,以及企业信誉评分指标,分别计算出相应训练样本的基本评分、创新能力评分、财务状况评分,以及企业信誉评分;
为得到的基本评分、创新能力评分、财务状况评分,以及企业信誉评分,分别赋予不同的预设权重,并进行加权综合得到相应训练样本的价值评分。
4.如权利要求3所述的基于LightGBM的供应商价值评价方法,其特征在于,在计算基本评分时,通过为供应商属性和供应商类型分别打上1-100分的预设权重分值,对供应商属性和供应商类型进行数值化;通过等频离散化法对供应商注册资本和供应商注册时长进行离散化;并通过下列公式计算参与度:
其中,Score参与度为参与度的值,w(j)为参与次数对应的最高分值,weakenFactor(t)为时间衰减因子,根据投标时间随统计的时间变化,k为统计周期数量,count(t)为每月参与的投标次数,b为常数。
5.如权利要求3所述的基于LightGBM的供应商价值评价方法,其特征在于,在计算创新能力评分时,采用Topsis算法模型对供应商专利总数、供应商发明专利个数,以及供应商实用新型专利个数进行评估。
6.如权利要求1-5任一项所述的基于LightGBM的供应商价值评价方法,其特征在于,所述利用所述训练数据集对LightGBM模型进行训练,包括:
使用交叉验证法对所述训练数据集进行划分,将所述训练数据集划分成预设数量的大小相同的互斥子数据集;
根据划分的子数据集对LightGBM模型进行训练;其中,每次训练时,选定子数据集中的一个作为验证集,其余的子数据集作为训练集对LightGBM模型进行训练,得预设数量的训练结果,对训练结果取均值作为最终的预测结果。
7.一种基于LightGBM的供应商价值评价系统,其特征在于,包括:
评分指标构建模块,用于构建用于对供应商价值进行评分的评分指标;
训练数据集构建模块,用于获取训练样本集,并基于所述评分指标计算出所述训练样本集中每一训练样本的价值评分,构建训练数据集;其中,训练样本对应的评分指标的值作为训练时使用的训练数据,相应训练样本的价值评分作为训练时使用的标签数据;
模型训练模块,用于利用所述训练数据集对LightGBM模型进行训练,得到价值评价模型;
供应商价值评价模块,用于获取待评价供应商对应的评分指标的值,利用所述价值评价模型,通过所述待评价供应商对应的评价指标的值,得到所述待评价供应商的价值评分。
8.如权利要求7所述的基于LightGBM的供应商价值评价系统,其特征在于,所述评分指标构建模块所构建的评分指标包括:基本评分指标、创新能力评分指标、财务状况评分指标,以及企业信誉评分指标;
所述训练数据集构建模块,具体用于:
基于训练样本对应的基本评分指标、创新能力评分指标、财务状况评分指标,以及企业信誉评分指标,分别计算出相应训练样本的基本评分、创新能力评分、财务状况评分,以及企业信誉评分;
为得到的基本评分、创新能力评分、财务状况评分,以及企业信誉评分分别赋予不同的预设权重,并进行加权综合得到相应训练样本的价值评分。
9.如权利要求8所述的基于LightGBM的供应商价值评价系统,其特征在于,所述训练数据集构建模块在计算基本评分时,通过为供应商属性和供应商类型分别打上1-100分的预设权重分值,对供应商属性和供应商类型进行数值化;通过等频离散化法对供应商注册资本和供应商注册时长进行离散化;并通过下列公式计算参与度:
其中,Score参与度为参与度的值,w(j)为参与次数对应的最高分值,weakenFactor(t)为时间衰减因子,根据投标时间随统计的时间变化,k为统计周期数量,count(t)为每月参与的投标次数,b为常数;
在计算创新能力评分时,采用Topsis算法模型对供应商专利总数、供应商发明专利个数,以及供应商实用新型专利个数进行评估。
10.如权利要求7-9任一项所述的基于LightGBM的供应商价值评价系统,其特征在于,所述模型训练模块,具体用于:
使用交叉验证法对所述训练数据集进行划分,将所述训练数据集划分成预设数量的大小相同的互斥子数据集;
根据划分的子数据集对LightGBM模型进行训练;其中,每次训练时,选定子数据集中的一个作为验证集,其余的子数据集作为训练集对LightGBM模型进行训练,得预设数量的训练结果,对训练结果取均值作为最终的预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910595927.7A CN110390471A (zh) | 2019-07-03 | 2019-07-03 | 一种基于LightGBM的供应商价值评价方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910595927.7A CN110390471A (zh) | 2019-07-03 | 2019-07-03 | 一种基于LightGBM的供应商价值评价方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110390471A true CN110390471A (zh) | 2019-10-29 |
Family
ID=68286092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910595927.7A Pending CN110390471A (zh) | 2019-07-03 | 2019-07-03 | 一种基于LightGBM的供应商价值评价方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110390471A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242430A (zh) * | 2019-12-31 | 2020-06-05 | 国网北京市电力公司 | 电力设备供应商评价方法和装置 |
CN111639843A (zh) * | 2020-05-21 | 2020-09-08 | 中国工商银行股份有限公司 | 基于残差神经网络的供应商选择方法及装置 |
JP2022035965A (ja) * | 2020-08-20 | 2022-03-04 | 株式会社日立製作所 | インテリジェントサプライヤー管理システム及びインテリジェントサプライヤー管理方法 |
CN115423049A (zh) * | 2022-11-03 | 2022-12-02 | 荣耀终端有限公司 | 一种价值评价模型的训练方法、价值评价方法及电子设备 |
-
2019
- 2019-07-03 CN CN201910595927.7A patent/CN110390471A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242430A (zh) * | 2019-12-31 | 2020-06-05 | 国网北京市电力公司 | 电力设备供应商评价方法和装置 |
CN111639843A (zh) * | 2020-05-21 | 2020-09-08 | 中国工商银行股份有限公司 | 基于残差神经网络的供应商选择方法及装置 |
JP2022035965A (ja) * | 2020-08-20 | 2022-03-04 | 株式会社日立製作所 | インテリジェントサプライヤー管理システム及びインテリジェントサプライヤー管理方法 |
JP7181334B2 (ja) | 2020-08-20 | 2022-11-30 | 株式会社日立製作所 | インテリジェントサプライヤー管理システム及びインテリジェントサプライヤー管理方法 |
CN115423049A (zh) * | 2022-11-03 | 2022-12-02 | 荣耀终端有限公司 | 一种价值评价模型的训练方法、价值评价方法及电子设备 |
CN115423049B (zh) * | 2022-11-03 | 2023-09-12 | 荣耀终端有限公司 | 一种价值评价模型的训练方法、价值评价方法及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110390471A (zh) | 一种基于LightGBM的供应商价值评价方法及系统 | |
CN110196814B (zh) | 一种软件质量评价方法 | |
US20150088606A1 (en) | Computer Implemented Tool and Method for Automating the Forecasting Process | |
WO2018132840A1 (en) | Methods of assessing long-term indicators of sentiment | |
CN108399453A (zh) | 一种电力客户信用等级评价方法和装置 | |
EP3121770A1 (en) | Evaluating performance of organizational units using human capital values | |
CN107957929B (zh) | 一种基于主题模型的软件缺陷报告修复人员分配方法 | |
CN110766428A (zh) | 一种数据价值评估系统以及方法 | |
CN112396211B (zh) | 一种数据预测方法及装置、设备和计算机存储介质 | |
CN113743615A (zh) | 简化机器学习的特征移除框架 | |
CN109657962A (zh) | 一种品牌的声量资产的评估方法及系统 | |
Kokkodis et al. | The utility of skills in online labor markets | |
CN109345109A (zh) | 一种基于分类预测模型的员工评估方法及终端设备 | |
US20230410020A1 (en) | Systems and methods for real-time lead grading | |
McNamara et al. | Predicting high impact academic papers using citation network features | |
Fang et al. | A model to predict employee turnover rate: observing a case study of Chinese enterprises | |
Mor et al. | A comparative study of forecasting methods for sporadic demand in an auto service station | |
Cervi et al. | Comparing the reputation of researchers using a profile model and scientific metrics | |
Culka | Uncertainty analysis using Bayesian model averaging: a case study of input variables to energy models and inference to associated uncertainties of energy scenarios | |
Loehnert | About statistical analysis of qualitative survey data | |
CN110858368A (zh) | 一种数据评估服务价值确定系统和方法 | |
Simpson et al. | The shelf life of official sub-national population forecasts in England | |
CN110858343A (zh) | 一种数据资产价值评估系统以及方法 | |
EP2851851A1 (en) | A computer implemented tool and method for automating the forecasting process | |
Beręsewicz et al. | Enhancing the demand for labour survey by including skills from online job advertisements using model-assisted calibration |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191029 |
|
RJ01 | Rejection of invention patent application after publication |