CN114091964A - 一种基于误差逆传播算法的供应商多指标评价方法 - Google Patents

Abstract

本发明公开了一种基于误差逆传播算法的供应商多指标评价方法，包括，对原始评价数据进行统一化处理，获得评价数据；利用决策树选取具有明显区分度的指标，并判断是否将其纳入指标体系，若不纳入，则对未纳入的指标进行专家复审，并判断是否将其纳入指标体系，若不纳入，则删除该指标；若纳入，则将评价数据中的指标替换为入选指标，并补全评价数据中的空缺值；通过误差逆传播算法确定入选指标的权重，建立评价模型，将供应商在各个指标上的评分输入至评价模型，获得最终评分；本发明能够自动提取合理的评分规则，智能化地确定指标在最终评分中所占权重，提高了评价结果的公正性和合理性。

Description

一种基于误差逆传播算法的供应商多指标评价方法

技术领域

本发明涉及供应商指标评价的技术领域，尤其涉及一种基于误差逆传播算法的供应商多指标评价方法。

背景技术

随着经济的发展和科技的进步，整体市场环境发生了翻天覆地的变化，企业间的竞争也发展为供应链之间的竞争。电力企业供应商是供应链的源头，原材料的质量直接影响产品的质量，电力企业供应商的整体水平和企业的经营管理息息相关。选择最为优质的电力企业供应商，并与之建立合作，是现代企业的核心工作之一，优质的电力企业供应商不仅能提高企业的产品质量和综合实力，而且能实现整体供应效益的最大化。面对众多的电力企业供应商，企业借助电力企业供应商评价指标体系，来选择合适的供应商。

电力企业供应商评价指标体系的构建是一个复杂的过程，构建指标体系需要按照一定的原则，对此不同经济学家曾发表过不同的看法。Dickson是最早研究指标体系原则的经济学家，他分析了170份对采购经理的问卷，提出了23项评估准则，此后大量文献从不同角度研究了这23项评估准则。Weber总结了这些文献，发现电力企业供应商评价问题是一个多准则的决策问题。此外，Globersont提出了八大原则，用于构建指标体系；Patton在供应商评价领域提出了七项评估准则，等等。他们都是通过数据分析的方式，在总结大量研究和资料后，从中提出评价指标体系的准则。随着市场环境的不断改变，指标体系也在不断发展，其中的各类指标也越来越多，有些指标具有代表性，而有些指标效用并不明显。面对大量指标体系数据，传统的依靠人的经验的分析方式，已经无法处理。而现有的应用于供应商评价领域的算法，更多的是关注评价模型的构建，少有工作关注指标体系的构建。

此外，在指标体系中，必须确定每个评价指标的权重，才能根据这些指标得到最终的评价结果。在传统的评价过程中，主要依靠人的经验来确定权重，其中的主观随意性过大。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明提供了一种基于误差逆传播算法的供应商多指标评价方法，能够解决现有技术难以选取适当指标纳入指标体系以及如何确定指标权重的问题。

为解决上述技术问题，本发明提供如下技术方案：包括，对原始评价数据进行统一化处理，获得评价数据；利用决策树选取具有明显区分度的指标，并判断是否将其纳入指标体系，若不纳入，则对未纳入的指标进行专家复审，并判断是否将其纳入所述指标体系，若不纳入，则删除该指标；若纳入，则将评价数据中的指标替换为入选指标，并补全评价数据中的空缺值；通过误差逆传播算法确定入选指标的权重，建立评价模型，将供应商在各个指标上的评分输入至所述评价模型，获得最终评分。

作为本发明所述的基于误差逆传播算法的供应商多指标评价方法的一种优选方案，其中：所述统一化处理包括，若超过一半的原始评价数据的指标采用离散型评分策略，则令原始评价数据中的所有指标采用离散型评分；否则，则将原始评价数据中的所有指标采用连续型评分；其中，离散型评分的评分等级为不及格、及格、良好和优秀，所述连续型评分为数值型评分。

作为本发明所述的基于误差逆传播算法的供应商多指标评价方法的一种优选方案，其中：选取具有明显区分度的指标包括，假设评价数据的样本集为D，所述样本集D按评价等级被划分为y类，第i类所占比例为p_i，则样本集D的信息熵为：

0≤Ent(D)≤log₂|y|

假设离散指标t有M个可能的取值{t¹,t²,...,t^M}，若采用所述离散指标t对所述样本集D进行划分，则所述样本集D会被分为M个部分，其中第m个部分包含了样本集D在离散指标t上取值为t^m的样本，用D^m表示样本集D中在离散指标t上取值为t^m的样本的集合；

为每个样本x赋予权重w_x，并定义：

采用所述离散指标t划分所述样本集D所获得的信息增益Gain(D，t)为：

若离散指标t的信息增益最大，则表明对于样本集D、离散指标t的区分度最好，则所述离散指标t即为所述具有明显区分度的指标；

其中，D’表示样本集D中在离散指标t上没有缺失值的样本子集，根据D’判断离散指标t的优劣；Ent(D’)为样本子集D’的信息熵；D’^m表示D’在离散指标t上取值为t^m的样本子集，D’_k表示D’属于第k类的样本子集；s为没有缺失数据的样本所占的比例，p_k为没有缺失数据的样本中第k类所占的比例，r_m为没有缺失数据的样本中在离散指标t上取值为t^m的样本所占的比例。

作为本发明所述的基于误差逆传播算法的供应商多指标评价方法的一种优选方案，其中：还包括，采用后剪枝策略自底向上地考察决策树的非叶结点，若该结点对应的子树替换成叶结点能提升决策树的泛化性能，则删去该子树，替换成叶结点；其中，决策树中的每个结点为一个指标，对被删子树中的指标进行专家复审。

作为本发明所述的基于误差逆传播算法的供应商多指标评价方法的一种优选方案，其中：补全空缺值包括，纳入指标体系的指标为入选指标；评价数据中的指标和入选指标重合部分的评分保持不变，根据评分结果并按比例填补评价数据中的空缺值。

作为本发明所述的基于误差逆传播算法的供应商多指标评价方法的一种优选方案，其中：还包括，假设有i各入选指标，则初始评价模型的输入层包括i个结点，每个指标对应输入层的一个结点；初始评价模型包括输入层、隐层和输出层，定义隐层的第h个结点与输出结点之间的网络权重为u_h，输入层第i个结点与隐层第h个结点之间的网络权重为v_ih；初始化权重，而后根据均方误差并用梯度更新策略不断更新权重u_h和v_ih，直到均方误差趋于稳定后停止更新，获得所述评价模型。

作为本发明所述的基于误差逆传播算法的供应商多指标评价方法的一种优选方案，其中：更新权重u_h和v_ih包括，设定学习率μ，根据下式更新权重u_h：

u_h＝μy_k’(1-y_k’)(y_k-y_k’)b_h

根据下式更新权重v_ih：

v_ih＝μb_h(1-b_h)u_hy_k’(1-y_k’)(y_k-y_k’)x_i

其中，y_k’为评价模型的输出，y_k为最终评分，b_h表示第h个隐层结点的输出；x_i表示由i个入选指标的评分构成的输入。

作为本发明所述的基于误差逆传播算法的供应商多指标评价方法的一种优选方案，其中：所述均方误差包括，

其中，E_k为所述均方误差。

作为本发明所述的基于误差逆传播算法的供应商多指标评价方法的一种优选方案，其中：还包括，初始评价模型的隐层结点个数为：

其中，I、H、O分别代表输入层、隐层和输出层的结点个数，O＝1；a为1～10之间的调节常数。

作为本发明所述的基于误差逆传播算法的供应商多指标评价方法的一种优选方案，其中：初始化权重包括，将权重所在层的输入结点数设为n，输出结点数设为m，权重初始化的范围为：

从所述权重初始化的范围中进行均匀采样。

本发明的有益效果：本发明通过使用信息增益从众多评价指标中挑选出更具代表性的指标，并采用后剪枝的方式进一步精简评价指标；同时基于误差逆传播算法，学习从已有的评分数据，自动提取合理的评分规则，从而智能化地确定指标在最终评分中所占权重，提高了评价结果的公正性和合理性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明第一个实施例所述的基于误差逆传播算法的供应商多指标评价方法的流程示意图；

图2为本发明第二个实施例所述的基于误差逆传播算法的供应商多指标评价方法的决策树结构示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”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。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

参照图1，为本发明的第一个实施例，该实施例提供了一种基于误差逆传播算法的供应商多指标评价方法，包括：

S1：对原始评价数据进行统一化处理，获得评价数据。

其中需要说明的是，评价数据根据指标体系打分得来，不同的指标体系之间大部分指标是相同的，小部分指标不同，因此需要对原始评价数据进行统一化处理；每个指标的评分方法分为离散型和连续型两类，离散型评分等级诸如不及格、及格、良好、优秀这类离散型数据，连续型评分就是数值型评分。

若超过一半的原始评价数据的指标采用离散型评分，则令原始评价数据中的所有指标采用离散型评分；否则，则将原始评价数据中的所有指标采用连续型评分；

离散型评分和连续型评分之间的转换例如：假设连续型评分区间为[a,b]，离散型评分有k个离散值，按序表示为c1、c2......ck，则连续型评分m对应的离散型评分为ci，其中i＝k*m/(a-b)；离散型评分ci对应的连续型评分m＝i*(a-b)/k。

S2：利用决策树选取具有明显区分度的指标，并判断是否将其纳入指标体系。

选取具有明显区分度的指标的步骤包括：

(1)假设评价数据的样本集为D，样本集D按评价等级被划分为y类，第i类所占比例为p_i，则样本集D的信息熵为：

0≤Ent(D)≤log₂|y|

本实施例通过信息熵来度量样本集D中的纯度，样本集的纯度越大，该样本集的信息熵就越小；样本集D的纯度越高，意味着样本集D中的k类样本分布越不均匀，即某几类样本所占比例特别高、其他类别样本所占比例低，当样本集D中只有一类样本时，样本集D中的样本最纯，此时信息熵取得最小值为0；当样本集D中有k类样本且每类样本所占比例都相同时，样本集D的纯度最低，即样本最杂，此时由Jensen不等式得到样本集D的信息熵最大值log₂|y|。

(2)假设离散指标t有M个可能的取值{t¹,t²,...,t^M}，若采用离散指标t对样本集D进行划分，则样本集D会被分为M个部分，其中第m个部分包含了样本集D在离散指标t上取值为t^m的样本，用D^m表示样本集D中在离散指标t上取值为t^m的样本的集合；

为每个样本x赋予权重w_x，并定义：

采用离散指标t划分样本集D所获得的信息增益Gain(D，t)为：

若离散指标t的信息增益最大，则表明对于样本集D、离散指标t的区分度最好，则离散指标t即为具有明显区分度的指标；

其中，D’表示样本集D中在离散指标t上没有缺失值的样本子集，根据D’判断离散指标t的优劣；Ent(D’)为样本子集D’的信息熵；D’^m表示D’在离散指标t上取值为t^m的样本子集，D’_k表示D’属于第k类的样本子集；s为没有缺失数据的样本所占的比例，p_k为没有缺失数据的样本中第k类所占的比例，r_m为没有缺失数据的样本中在离散指标t上取值为t^m的样本所占的比例。

(3)若离散指标t的信息增益最大，则表明对于样本集D、离散指标t的区分度最好，则离散指标t即为具有明显区分度的指标。

本实施例利用信息增益不断挑选对当前样本集区分度最好的指标，根据该指标划分样本集，然后对样本子集重复该操作，直至所有样本属于同一类别，或者所有样本在该指标上取值相同，进而从已有的样本数据中构造出指标体系决策树，为了进一步精简指标的选取，降低过拟合风险，本实施例采用后剪枝策略自底向上地考察决策树的非叶结点，若该结点对应的子树替换成叶结点能提升决策树的泛化性能，则删去该子树，替换成叶结点；

其中，决策树中的每个结点为一个指标，对被删子树中的指标进行专家复审，即由相关领域专家进一步决定是删去该指标，还是将该指标纳入企业的前期资质审核中。

进一步地，判断是否将其纳入指标体系；具体的，(1)本实施例从已有评价数据中，选出区分度最大的指标纳入指标体系；

(2)若不纳入，则对未纳入的指标进行专家复审，并判断是否将其纳入指标体系；

例如“安全”指标，由于几乎所有供应商都能达标，所以区分度不大，但这是供应商必须保证的基本指标，这类基本指标应该放入“前期资质审核”中，具体如何设置由相关领域专家进一步决定；还有些指标，例如“企业文化”这类新型软指标，由于现有评价数据中关于该指标的数据较少，所以区分度也不大，但它们对于改进指标体系有一定的创新意义，仍需结合实际考虑是否纳入指标体系中；因此，对于在信息增益中未被选中的指标以及在后剪枝中被删去的指标，还需要进一步由专家复审，并判断是否将其纳入指标体系，若不纳入，则删除该指标。

S3：若纳入，则将评价数据中的指标替换为入选指标，并补全评价数据中的空缺值。

纳入指标体系的指标为入选指标，若纳入，则将评价数据中的指标替换为入选指标；

评价数据中的指标和入选指标重合部分的评分保持不变，根据评分结果并按比例填补评价数据中的空缺值；比如某供应商最终评分结果为e，在某个指标上没有评分，则该指标评分就用e代替。

S4：通过误差逆传播算法确定入选指标的权重，建立评价模型，将供应商在各个指标上的评分输入至评价模型，获得最终评分。

建立评价模型：

(1)假设有i各入选指标，则初始评价模型的输入层包括i个结点，每个指标对应输入层的一个结点；

(2)初始评价模型包括输入层、隐层和输出层，定义隐层的第h个结点与输出结点之间的网络权重为u_h，输入层第i个结点与隐层第h个结点之间的网络权重为v_ih；

初始评价模型的隐层结点个数为：

其中，I、H、O分别代表输入层、隐层和输出层的结点个数，O＝1；a为1～10之间的调节常数。

初始评价模型的每个节点接收来自上一层所有节点的输入，这些输入通过带权重的连接传递，节点接收到的总输入通过激活函数后进行输出。

其中，隐层和输出层结点的激活函数使用Sigmoid函数：

(3)初始化权重，而后根据均方误差并用梯度更新策略不断更新权重u_h和v_ih，直到均方误差趋于稳定后停止更新，获得评价模型。

①初始化权重

将权重所在层的输入结点数设为n，输出结点数设为m，权重初始化的范围为：

从权重初始化的范围中进行均匀采样。

②更新权重u_h和v_ih包括，

均方误差为：

其中，E_k为均方误差。

设定学习率μ，根据下式更新权重u_h：

u_h＝μy_k’(1-y_k’)(y_k-y_k’)b_h

根据下式更新权重v_ih：

v_ih＝μb_h(1-b_h)u_hy_k’(1-y_k’)(y_k-y_k’)x_i

其中，y_k’为评价模型的输出，y_k为最终评分，b_h表示第h个隐层结点的输出；x_i表示由i个入选指标的评分构成的输入。

实施例2

为了对本方法中采用的技术效果加以验证说明，本实施例对指标数据进行仿真实验，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。

选取200条仿真的多指标评价数据，每条评价数据由供应商在12个不同指标上的评分和供应商的总分组成；首先对原始评价数据进行统一化处理，下表为处理后的部分评价数据。

表1：统一化处理后的部分评价数据。

其中每个指标的权重设为0.1或0.05，总分由各个指标加权求和得来；总分在[90,100]内的设为等级A，总分在[80,90)内的设为等级B，总分在[70,80)内的设为等级C，其余设为等级D。

评价数据按总分被分为A、B、C、D四个评价等级后，构造出决策树，其中决策树上的节点就是区分度较大的节点；决策树用字典格式表示，如图2所示，如图，只有“商品合规性”、“商品品类覆盖率”、“商品合格率”、“预占确认率”、“配送服务投诉率”这5个指标出现在决策树中，这就是区分度大的指标——换句话说，在这200条评价数据中，只根据这5个指标上的得分，就能很好的区分供应商的评价等级；进一步观察其他7个指标发现，所有供应商在“接口响应平均时长”指标上均得分100，所以该指标没有区分度，可由相关领域专家决定是删去该指标还是改为扣分制指标；在剩下的6个指标中，供应商彼此得分差距不大，所以这些指标的区分度也不大，也应该由相关领域专家复审，从而确定指标体系中的指标。

最后，为展示本方法能够实现自动打分，本实施从200条评价数据中的190条评价数据学习评分规则，对剩下10条数据进行评分，结果如下：

模型输出分数	真实分数
		85.41789348	85.25
89.22875524	89.25
		80.88199418	81.25
84.786172	84.5
		87.869232	87.75
83.35185165	83.25
		82.53024401	82.5
84.96437739	84.75
		83.86987338	83.75
92.11103	92

可以看到，模型输出的评分十分接近真实的评分，这表明本方法可以从历史评价数据中学习到评分规则，能够完成自动评分的任务。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种基于误差逆传播算法的供应商多指标评价方法，其特征在于：包括，

对原始评价数据进行统一化处理，获得评价数据；

利用决策树选取具有明显区分度的指标，并判断是否将其纳入指标体系，若不纳入，则对未纳入的指标进行专家复审，并判断是否将其纳入所述指标体系，若不纳入，则删除该指标；

若纳入，则将评价数据中的指标替换为入选指标，并补全评价数据中的空缺值；

通过误差逆传播算法确定入选指标的权重，建立评价模型，将供应商在各个指标上的评分输入至所述评价模型，获得最终评分。

2.如权利要求1所述的基于误差逆传播算法的供应商多指标评价方法，其特征在于：所述统一化处理包括，

若超过一半的原始评价数据的指标采用离散型评分，则令原始评价数据中的所有指标采用离散型评分；

否则，则将原始评价数据中的所有指标采用连续型评分；

其中，离散型评分的评分等级为不及格、及格、良好和优秀，所述连续型评分为数值型评分。

3.如权利要求2所述的基于误差逆传播算法的供应商多指标评价方法，其特征在于：选取具有明显区分度的指标包括，

假设评价数据的样本集为D，所述样本集D按评价等级被划分为y类，第i类所占比例为p_i，则样本集D的信息熵为：

0≤Ent(D)≤log₂|y|

假设离散指标t有M个可能的取值{t¹,t²,...,t^M}，若采用所述离散指标t对所述样本集D进行划分，则所述样本集D会被分为M个部分，其中第m个部分包含了样本集D在离散指标t上取值为t^m的样本，用D^m表示样本集D中在离散指标t上取值为t^m的样本的集合；

为每个样本x赋予权重w_x，并定义：

采用所述离散指标t划分所述样本集D所获得的信息增益Gain(D，t)为：

若离散指标t的信息增益最大，则表明对于样本集D、离散指标t的区分度最好，则所述离散指标t即为所述具有明显区分度的指标；

其中，D’表示样本集D中在离散指标t上没有缺失值的样本子集，根据D’判断离散指标t的优劣；Ent(D’)为样本子集D’的信息熵；D’^m表示D’在离散指标t上取值为t^m的样本子集，D’_k表示D’属于第k类的样本子集；s为没有缺失数据的样本所占的比例，p_k为没有缺失数据的样本中第k类所占的比例，r_m为没有缺失数据的样本中在离散指标t上取值为t^m的样本所占的比例。

4.如权利要求2或3所述的基于误差逆传播算法的供应商多指标评价方法，其特征在于：还包括，

采用后剪枝策略自底向上地考察决策树的非叶结点，若该结点对应的子树替换成叶结点能提升决策树的泛化性能，则删去该子树，替换成叶结点；

其中，决策树中的每个结点为一个指标，对被删子树中的指标进行专家复审。

5.如权利要求4所述的基于误差逆传播算法的供应商多指标评价方法，其特征在于：补全空缺值包括，

纳入指标体系的指标为入选指标；

评价数据中的指标和入选指标重合部分的评分保持不变，根据评分结果并按比例填补评价数据中的空缺值。

6.如权利要求5所述的基于误差逆传播算法的供应商多指标评价方法，其特征在于：还包括，

假设有i各入选指标，则初始评价模型的输入层包括i个结点，每个指标对应输入层的一个结点；

初始评价模型包括输入层、隐层和输出层，定义隐层的第h个结点与输出结点之间的网络权重为u_h，输入层第i个结点与隐层第h个结点之间的网络权重为v_ih；

初始化权重，而后根据均方误差并用梯度更新策略不断更新权重u_h和v_ih，直到均方误差趋于稳定后停止更新，获得所述评价模型。

7.如权利要求6所述的基于误差逆传播算法的供应商多指标评价方法，其特征在于：更新权重u_h和v_ih包括，

设定学习率μ，根据下式更新权重u_h：

u_h＝μy_k’(1-y_k’)(y_k-y_k’)b_h

根据下式更新权重v_ih：

v_ih＝μb_h(1-b_h)u_hy_k’(1-y_k’)(y_k-y_k’)x_i

其中，y_k’为评价模型的输出，y_k为最终评分，b_h表示第h个隐层结点的输出；x_i表示由i个入选指标的评分构成的输入。

8.如权利要求6或7所述的基于误差逆传播算法的供应商多指标评价方法，其特征在于：所述均方误差包括，

其中，E_k为所述均方误差。

9.如权利要求8所述的基于误差逆传播算法的供应商多指标评价方法，其特征在于：还包括，

初始评价模型的隐层结点个数为：

其中，I、H、O分别代表输入层、隐层和输出层的结点个数，O＝1；a为1～10之间的调节常数。

10.如权利要求9所述的基于误差逆传播算法的供应商多指标评价方法，其特征在于：初始化权重包括，

将权重所在层的输入结点数设为n，输出结点数设为m，权重初始化的范围为：

从所述权重初始化的范围中进行均匀采样。

Images