CN117495154A - 用于确定供应商评分的方法、装置、存储介质及处理器 - Google Patents
用于确定供应商评分的方法、装置、存储介质及处理器 Download PDFInfo
- Publication number
- CN117495154A CN117495154A CN202311276882.XA CN202311276882A CN117495154A CN 117495154 A CN117495154 A CN 117495154A CN 202311276882 A CN202311276882 A CN 202311276882A CN 117495154 A CN117495154 A CN 117495154A
- Authority
- CN
- China
- Prior art keywords
- scoring
- probability
- determining
- index
- provider
- 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 48
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 230000006870 function Effects 0.000 claims description 65
- 238000004364 calculation method Methods 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 16
- 238000007476 Maximum Likelihood Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 8
- 238000011156 evaluation Methods 0.000 description 25
- 238000010586 diagram Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Finance (AREA)
- Probability & Statistics with Applications (AREA)
- Accounting & Taxation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供一种用于确定供应商评分的方法、装置、存储介质及处理器。方法包括:获取与待采购商品对应的多个待评分供应商;确定与每个待评分供应商对应的多个评分指标、多个评分影响因子以及每个评分指标对应的目标权重值,并确定每个评分影响因子属于每个评分指标的初始概率;基于初始概率进行聚类处理,以确定每个评分影响因子属于每个评分指标的目标概率,根据全部的评分影响因子、目标概率以及目标权重值确定在每个待评分供应商采购待采购商品的评分结果。通过聚类处理对评分影响因子进行细化分类,以根据目标概率、目标权重值等数据得到精确的评分结果,基于该评分结果可以更科学、合理地分配供应商资源,优化供应结构,降低采购成本。
Description
技术领域
本申请涉及采购寻源管理技术领域,具体涉及一种用于确定供应商评分的方法、装置、存储介质及处理器。
背景技术
随着经济全球化在近几年间的快速发展,信息互联网技术突飞猛进,企业面临着愈发激烈的市场和资源竞争。采购价格是企业物资供应部门最重要的管理内容之一,物资采购价格的高低直接影响企业生产成本,关系到企业市场竞争力的决定因素。因此,其逐渐成为各个企业管理层需要考虑的重要问题,也是采购工作转型的关键方向。针对现有技术中,企业的采购系统进行调研分析,发现企业在进行供应商选择时采用的是直观判断法,对于企业长期发展来说,这种方法缺少科学性和合理性,会造成企业的利益损害,并不利于企业形成长效机制。
发明内容
本申请实施例的目的是提供一种用于确定供应商评分的方法、装置、存储介质及处理器,用以解决现有技术中采购方法缺乏科学性和合理性的技术问题。
为了实现上述目的,本申请第一方面提供一种用于确定供应商评分的方法,包括:
获取与待采购商品对应的多个待评分供应商;
确定与每个待评分供应商对应的多个评分指标;
确定每个待评分供应商每个评分指标对应的目标权重值;
获取每个待评分供应商的多个评分影响因子,并确定每个评分影响因子属于每个评分指标的初始概率;
基于初始概率对每个评分影响因子进行聚类处理,以确定每个评分影响因子属于每个评分指标的目标概率;
针对每个待评分供应商,根据全部的评分影响因子、目标概率以及目标权重值确定在待评分供应商采购待采购商品的评分结果。
在本申请的实施例中,基于初始概率对每个评分影响因子进行聚类处理,以确定每个评分影响因子属于每个评分指标对应的目标概率包括:针对每个评分指标,确定每个评分影响因子属于评分指标的概率密度函数;针对每个评分指标,根据每个概率密度函数和每个初始概率确定每个评分影响因子属于评分指标的后验概率;针对每个后验概率,基于最大似然估计公式根据后验概率对对应的初始概率和概率密度函数进行迭代计算;通过更新后的初始概率和概率密度函数确定更新后的后验概率;针对每个后验概率,在后验概率与更新后的后验概率之间的差值小于预设阈值的情况下,将更新后的后验概率确定为每个评分影响因子属于每个评分指标的目标概率。
在本申请的实施例中,针对每个评分指标,确定每个评分影响因子属于评分指标的概率密度函数包括,概率密度函数的函数表达式如公式(1)所示:
其中,N(xi|μc,∑c)是指第i个评分影响因子属于第c个评分指标的概率密度函数,xi是指第i个评分影响因子,μc是指第c个评分指标对应的数据均值,∑c是指第c个评分指标对应的协方差,n是指第i个评分影响因子的数据维度。
在本申请的实施例中,针对每个评分指标,根据每个概率密度函数和每个初始概率确定每个评分影响因子属于评分指标的后验概率包括,根据以下公式(2)进行计算后验概率:
其中,γic是指第i个评分影响因子属于第c个评分指标的后验概率,N(xi|μc,∑c)是指第i个评分影响因子属于第c个评分指标的概率密度函数,k是指评分影响因子的数量,πc是指第i个评分影响因子属于第c个评分指标的初始概率。
在本申请的实施例中,概率密度函数的参数包括期望向量和协方差,针对每个后验概率,基于最大似然公式根据后验概率对对应的初始概率和概率密度函数进行迭代计算,以得到迭代更新后的初始概率和概率密度函数,以通过更新后的初始概率和概率密度函数确定更新后的后验概率包括:分别根据以下公式(3)、(4)、(5)对初始概率、期望向量以及协方差进行迭代计算:
根据以下公式(4)对期望向量进行迭代计算:
根据以下公式(5)对协方差进行迭代计算:
其中,πc是指第i个评分影响因子属于第c个评分指标更新后的初始概率,γic是指第m-1次迭代计算得到每个评分影响因子属于评分指标的后验概率,m是指当前迭代计算的迭代次数,μc是指第c个评分指标对应的更新后的期望向量,xi是指第i个评分影响因子。
在本申请的实施例中,确定每个待评分供应商的每个评分指标对应的目标权重值包括:确定每个待评分供应商的每个评分指标的主观权重值;获取每个待评分供应商的每个评分指标的客观评分值;针对每个待评分供应商,根据每个客观评分值确定每个评分指标的信息熵;针对每个待评分供应商,根据每个信息熵确定每个评分指标的客观权重值;针对每个待评分供应商,根据每个主观权重值和每个客观权重值确定每个评分指标对应的目标权重值。
在本申请的实施例中,针对每个待评分供应商,根据全部的评分影响因子、目标概率以及目标权重值确定在待评分供应商采购待采购商品的评分结果包括,根据以下公式(6)计算评分结果:
Rp=Xk×γkc×Ac (6)
其中,Rp是指待评分供应商p的评分结果,Xk是针对待评分供应商p的每个影响因子的评分的矩阵,γkc是指待评分供应商p的每个评分影响因子属于每个评分指标的目标概率,Ac是指待评分供应商p的每个评分指标对应的目标权重值,k是指待评分供应商p的第k个影响因子,c是指待评分供应商p的第c个评分指标。
本申请第二方面提供一种处理器,被配置成执行上述的用于确定供应商评分的方法。
本申请第三方面提供一种用于确定供应商评分的装置,包括:
存储器,被配置成存储指令;以及
如上述的处理器。
本申请第四方面提供一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令在被处理器执行时使得所述处理器被配置成执行上述的用于确定供应商评分的方法。
通过上述技术方案,通过聚类处理对评分影响因子进行细化分类,得到其属于每个评价指标的目标概率,进一步确定每个评价指标的目标权重值,以根据目标概率、目标权重值等数据进行分析,得到精确的评分结果。基于该评分结果可以针对待采购商品提供更加科学、合理的依据,来规划采购方案。可以更合理分配供应商资源,优化供应结构,降低采购成本。
本申请实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本申请实施例,但并不构成对本申请实施例的限制。在附图中:
图1示意性示出了根据本申请实施例的用于确定供应商评分的方法的流程示意图;
图2示意性示出了根据本申请实施例的用于确定供应商评分的装置的结构框图;
图3示意性示出了根据本申请实施例的计算机设备的内部结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解的是,此处所描述的具体实施方式仅用于说明和解释本申请实施例,并不用于限制本申请实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明,若本申请实施例中有涉及方向性指示(诸如上、下、左、右、前、后……),则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
另外,若本申请实施例中有涉及“第一”、“第二”等的描述,则该“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本申请要求的保护范围之内。
图1示意性示出了根据本申请实施例的用于确定供应商评分的方法的流程示意图。如图1所示,在本申请一实施例中,提供了一种用于确定供应商评分的方法,包括以下步骤:
S102,获取与待采购商品对应的多个待评分供应商。
S104,确定与每个待评分供应商对应的多个评分指标。
S106,确定每个待评分供应商每个评分指标对应的目标权重值。
S108,获取每个待评分供应商的多个评分影响因子,并确定每个评分影响因子属于每个评分指标的初始概率。
S110,基于初始概率对每个评分影响因子进行聚类处理,以确定每个评分影响因子属于每个评分指标的目标概率。
S112,针对每个待评分供应商,根据全部的评分影响因子、目标概率以及目标权重值确定在待评分供应商采购待采购商品的评分结果。
待采购商品是指个人或者企业从供应商进行采购得到的商品。个人或企业可以从不同的供应商采购待采购商品。待评分供应商是指在进行采购活动时,待进行打分评价的供应商。在进行采购活动时,可以先确定采购该商品时的多个待评分供应商,则可以根据供应商的评分来决定待采购商品从哪个供应商进行购买,也可以根据供应商的评分来决定不同供应商的采购配额。每个待评分供应商对应有多个评价指标。评价指标是指在进行采购活动时,针对待评分供应商进行考核、评估、比较的统计指标。具体地,评价指标包括但不限于成本、质量、服务、价格等指标。由此,可以评价供应商的供货质量、供货及时性、供货能力、供货价格等多个因素。
针对每个待评分供应商的每个评价指标,可以确定该评价指标的目标权重值。目标权重值是指评价指标在整体评价中的相对重要程度。评分影响因子是针对评价指标进一步细化后的下级指标。例如,价格的评分影响因子包括到厂价、出厂价、现金价、净价、毛价、合约价、实价等。但是评分影响因子种类繁多,因此需要事先对其进行归类,将其划分至对应的评价指标下。则,处理器可以获取每个待评分供应商的多个评分影响因子,并确定每个评分影响因子属于每个评分指标的初始概率。初始概率是技术人员鱼线给定的一个概率,并非每个评分影响因子属于每个评分指标的真实概率。处理器基于初始概率对每个评分影响因子进行聚类处理,以确定每个评分影响因子属于每个评分指标的目标概率。目标概率是指通过聚类算法计算得出的每个评分影响因子属于每个评分指标的统计概率。具体地,可以通过GMM算法(Gaussian Mixture Model,高斯混合模型)对评分影响因子进行聚类,得出每个评分影响因子属于每个评分指标的目标概率。
进一步地,针对每个待评分供应商,根据全部的评分影响因子、目标概率以及目标权重值,确定在待评分供应商采购待采购商品的评分结果。通过聚类处理对评分影响因子进行细化分类,得到其属于每个评价指标的目标概率,进一步确定每个评价指标的目标权重值,以根据目标概率、目标权重值等数据进行分析,得到精确的评分结果。基于该评分结果可以针对待采购商品提供更加科学、合理的依据,来规划采购方案。可以更合理分配供应商资源,优化供应结构,降低采购成本。
在一个实施例中,基于初始概率对每个评分影响因子进行聚类处理,以确定每个评分影响因子属于每个评分指标对应的目标概率包括:针对每个评分指标,确定每个评分影响因子属于评分指标的概率密度函数;针对每个评分指标,根据每个概率密度函数和每个初始概率确定每个评分影响因子属于评分指标的后验概率;针对每个后验概率,基于最大似然估计公式根据后验概率对对应的初始概率和概率密度函数进行迭代计算;通过更新后的初始概率和概率密度函数确定更新后的后验概率;针对每个后验概率,在后验概率与更新后的后验概率之间的差值小于预设阈值的情况下,将更新后的后验概率确定为每个评分影响因子属于每个评分指标的目标概率。
通过GMM算法(Gaussian Mixture Model,高斯混合模型)对评分影响因子进行聚类,得出每个评分影响因子属于每个评分指标的目标概率。具体地,针对每个评分指标,首先给定每个评分影响因子属于每个评分指标的初始概率。进一步,确定每个评分影响因子属于评分指标的概率密度函数。概率密度函数(Probability Density Function,简称PDF)是一个描述连续随机变量在某个特定值附近取值的可能性的函数。针对每个评分指标,可以根据每个概率密度函数和每个初始概率,确定每个评分影响因子属于评分指标的后验概率。后验概率(Posterior Probability)是指在得到“结果"的信息后重新修正的概率。在得到每个后验概率后,将后验概率代入至最大似然估计公式(Maximum likelihoodestimation,简称MLE)中,以对该后验概率对应的初始概率和概率密度函数进行迭代计算,从而得到迭代更新后的初始概率和概率密度函数。进一步地,根据更新后的初始概率和概率密度函数,对该后验概率进行迭代更新,得到更新后的后验概率。如果上一次迭代的后验概率与这次迭代的后验概率,这两者之间的差值小于预设阈值的情况下,将更新后的后验概率确定为每个评分影响因子属于每个评分指标的目标概率。通过将GMM算法应用至对评分影响因子的归类,提供了科学准确的分类结果。
例如,设定为成本、质量、服务、价格4个评价指标,使用条件概率,具体为贝叶斯定理,假设存在n个评价影响因子,将其聚类成4组,设定其初始概率为π1=π2=π3=π4=1/4。在得到每个评分影响因子属于每个评分指标的目标概率之后,可以将针对每个评分影响因子对应的最大概率对应的评分指标,确定为该评分影响因子归类的评分指标。
在一个实施例中,针对每个评分指标,确定每个评分影响因子属于评分指标的概率密度函数包括,概率密度函数的函数表达式如公式(1)所示:
其中,N(xi|μc,∑c)是指第i个评分影响因子属于第c个评分指标的概率密度函数,xi是指第i个评分影响因子,μc是指第c个评分指标对应的数据均值,∑c是指第c个评分指标对应的协方差,n是指第i个评分影响因子的数据维度。
在一个实施例中,针对每个评分指标,根据每个概率密度函数和每个初始概率确定每个评分影响因子属于评分指标的后验概率包括,根据以下公式(2)进行计算后验概率:
其中,γic是指第i个评分影响因子属于第c个评分指标的后验概率,N(xi|μc,∑c)是指第i个评分影响因子属于第c个评分指标的概率密度函数,k是指评分影响因子的数量,πc是指第i个评分影响因子属于第c个评分指标的初始概率。
在一个实施例中,概率密度函数的参数包括期望向量和协方差,针对每个后验概率,基于最大似然公式根据后验概率对对应的初始概率和概率密度函数进行迭代计算,以得到迭代更新后的初始概率和概率密度函数,以通过更新后的初始概率和概率密度函数确定更新后的后验概率包括:分别根据以下公式(3)、(4)、(5)对初始概率、期望向量以及协方差进行迭代计算:
根据以下公式(4)对期望向量进行迭代计算:
根据以下公式(5)对协方差进行迭代计算:
其中,πc是指第i个评分影响因子属于第c个评分指标更新后的初始概率,γic是指第m-1次迭代计算得到每个评分影响因子属于评分指标的后验概率,m是指当前迭代计算的迭代次数,μc是指第c个评分指标对应的更新后的期望向量,xi是指第i个评分影响因子。上述公式(3)(4)(5)即为最大化步骤算法(M-step),使用高斯分布的responsibilities(在E-step中计算的)来更新模型参数的估计值,更新混合系数πc,更新后的估计会在下一个E-step中用于计算数据点的新responsibilities,GMM算法将重复这个过程直到算法收敛,通常在模型参数从一次迭代到下一次迭代没有显著变化时,就被认为收敛了。因此,如果上一次迭代的后验概率与这次迭代的后验概率,这两者之间的差值小于预设阈值的情况下,将更新后的后验概率确定为每个评分影响因子属于每个评分指标的目标概率。
在一个实施例中,确定每个待评分供应商的每个评分指标对应的目标权重值包括:确定每个待评分供应商的每个评分指标的主观权重值;获取每个待评分供应商的每个评分指标的客观评分值;针对每个待评分供应商,根据每个客观评分值确定每个评分指标的信息熵;针对每个待评分供应商,根据每个信息熵确定每个评分指标的客观权重值;针对每个待评分供应商,根据每个主观权重值和每个客观权重值确定每个评分指标对应的目标权重值。
具体地,可以通过层次分析法(Analytic Hierarchy Process,简称AHP)来分析每个待评分供应商的每个评分指标的目标权重值。首选,通过AHP法对每个评分指标进行量化,得到评价体系中的各个评分指标的主观权重值。主观权重值是专家根据历史经验主观设定的。并且,还可以获取每个待评分供应商的每个评分指标的客观评分值。客观评分值是按照预先制定的详细而明确的评分标准(具体可以是指评价指标的判断矩阵)评定测验的结果。针对每个待评分供应商,可以根据每个客观评分值确定每个评分指标的信息熵。评分指标的客观评分值在判断矩阵中的离散程度越大,评分指标的差异程度越大,对应的信息熵值越小。则,可以根据每个信息熵确定该评分指标的客观权重值,以根据每个主观权重值和每个客观权重值确定每个评分指标对应的目标权重值。
具体地,信息熵可以根据以下公式(7)进行计算:
其中,e是指每个评分指标的信息熵,c是指评分指标的数量,yij是指第i个待评分供应商的第j个评价指标的客观评分值。
进一步地,客观权重值可以根据以下公式(8)进行计算:
其中,a0是指每个评价指标的客观权重值,e是指每个评分指标的信息熵,z是指待评分供应商的数量。
进一步地,目标权重值可以根据以下公式(9)进行计算:
Ac=ka1+(1-k)a0 (9)
其中,Ac是指每个评价指标的目标权重值,a1是指每个评价指标的主观权重值,a0是指每个评价指标的客观权重值,k为预设系数。当k大于0.5的情况下,说明采购方更注重主观权重值。当k等于0.5的情况下,说明采购方针对主观指标和客观指标的注重程度相同。当k小于0.5的情况下,说明采购方更注重客观主观权重值。
具体地,在一个实施例中,针对每个待评分供应商,根据全部的评分影响因子、目标概率以及目标权重值确定在待评分供应商采购待采购商品的评分结果包括,根据以下公式(6)计算评分结果:
Rp=Xk×γkc×Ac (6)
其中,Rp是指待评分供应商p的评分结果,Xk是针对待评分供应商p的每个影响因子的评分的矩阵,γkc是指待评分供应商p的每个评分影响因子属于每个评分指标的目标概率,Ac是指待评分供应商p的每个评分指标对应的目标权重值,k是指待评分供应商p的第k个影响因子,c是指待评分供应商p的第c个评分指标。根据上述技术方案,可以得出相对客观与准确的采购评分结果,得出待采购商品对应的最佳采购方式。
通过上述技术方案,利用GMM算法聚类分析供应商的相关评分数据,并通过AHP方法对评价指标的权重进行分析,从而得到供应商的评分结果,以根据结果确定最佳采购方案。基于GMM算法的采购比价方法进行深度研究,力求达到为企业的供应商选择,提供科学依据。可以更合理分配供应商资源,优化供应结构,降低采购成本。使得企业对供应商的选择科学合理化,利于企业形成长效机制。
图1为一个实施例中用于确定供应商评分的方法的流程示意图。应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
图2示意性示出了根据本申请实施例的一种用于确定供应商评分的装置的结构框图。如图2所示,本申请实施例提供一种用于确定供应商评分的装置,可以包括:
存储器210,被配置成存储指令;以及
处理器220,被配置成从存储器210调用指令以及在执行指令时能够实现上述的用于确定供应商评分的方法。
具体地,在本申请实施例中,处理器220可以被配置成:
获取与待采购商品对应的多个待评分供应商;
确定与每个待评分供应商对应的多个评分指标;
确定每个待评分供应商每个评分指标对应的目标权重值;
获取每个待评分供应商的多个评分影响因子,并确定每个评分影响因子属于每个评分指标的初始概率;
基于初始概率对每个评分影响因子进行聚类处理,以确定每个评分影响因子属于每个评分指标的目标概率;
针对每个待评分供应商,根据全部的评分影响因子、目标概率以及目标权重值确定在待评分供应商采购待采购商品的评分结果。
进一步地,处理器220还可以被配置成:
基于初始概率对每个评分影响因子进行聚类处理,以确定每个评分影响因子属于每个评分指标对应的目标概率包括:针对每个评分指标,确定每个评分影响因子属于评分指标的概率密度函数;针对每个评分指标,根据每个概率密度函数和每个初始概率确定每个评分影响因子属于评分指标的后验概率;针对每个后验概率,基于最大似然估计公式根据后验概率对对应的初始概率和概率密度函数进行迭代计算;通过更新后的初始概率和概率密度函数确定更新后的后验概率;针对每个后验概率,在后验概率与更新后的后验概率之间的差值小于预设阈值的情况下,将更新后的后验概率确定为每个评分影响因子属于每个评分指标的目标概率。
进一步地,处理器220还可以被配置成:
针对每个评分指标,确定每个评分影响因子属于评分指标的概率密度函数包括,概率密度函数的函数表达式如公式(1)所示:
其中,N(xi|μc,∑c)是指第i个评分影响因子属于第c个评分指标的概率密度函数,xi是指第i个评分影响因子,μc是指第c个评分指标对应的数据均值,∑c是指第c个评分指标对应的协方差,n是指第i个评分影响因子的数据维度。
进一步地,处理器220还可以被配置成:
针对每个评分指标,根据每个概率密度函数和每个初始概率确定每个评分影响因子属于评分指标的后验概率包括,根据以下公式(2)进行计算后验概率:
其中,γic是指第i个评分影响因子属于第c个评分指标的后验概率,N(xi|μc,∑c)是指第i个评分影响因子属于第c个评分指标的概率密度函数,k是指评分影响因子的数量,πc是指第i个评分影响因子属于第c个评分指标的初始概率。
进一步地,处理器220还可以被配置成:
概率密度函数的参数包括期望向量和协方差,针对每个后验概率,基于最大似然公式根据后验概率对对应的初始概率和概率密度函数进行迭代计算,以得到迭代更新后的初始概率和概率密度函数,以通过更新后的初始概率和概率密度函数确定更新后的后验概率包括:分别根据以下公式(3)、(4)、(5)对初始概率、期望向量以及协方差进行迭代计算:
根据以下公式(4)对期望向量进行迭代计算:
根据以下公式(5)对协方差进行迭代计算:
其中,πc是指第i个评分影响因子属于第c个评分指标更新后的初始概率,γic是指第m-1次迭代计算得到每个评分影响因子属于评分指标的后验概率,m是指当前迭代计算的迭代次数,μc是指第c个评分指标对应的更新后的期望向量,xi是指第i个评分影响因子。
进一步地,处理器220还可以被配置成:
确定每个待评分供应商的每个评分指标对应的目标权重值包括:确定每个待评分供应商的每个评分指标的主观权重值;获取每个待评分供应商的每个评分指标的客观评分值;针对每个待评分供应商,根据每个客观评分值确定每个评分指标的信息熵;针对每个待评分供应商,根据每个信息熵确定每个评分指标的客观权重值;针对每个待评分供应商,根据每个主观权重值和每个客观权重值确定每个评分指标对应的目标权重值。
进一步地,处理器220还可以被配置成:
针对每个待评分供应商,根据全部的评分影响因子、目标概率以及目标权重值确定在待评分供应商采购待采购商品的评分结果包括,根据以下公式(6)计算评分结果:
Rp=Xk×γkc×Ac (6)
其中,Rp要是指待评分供应商p的评分结果,Xk是针对待评分供应商p的每个影响因子的评分的矩阵,γkc是指待评分供应商p的每个评分影响因子属于每个评分指标的目标概率,Ac是指待评分供应商p的每个评分指标对应的目标权重值,k是指待评分供应商p的第k个影响因子,c是指待评分供应商p的第c个评分指标。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来实现对用于确定供应商评分的方法。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本申请实施例提供了一种存储介质,其上存储有程序,该程序被处理器执行时实现上述用于确定供应商评分的方法。
本申请实施例提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行上述用于确定供应商评分的方法。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图3所示。该计算机设备包括通过系统总线连接的处理器A01、网络接口A02、存储器(图中未示出)和数据库(图中未示出)。其中,该计算机设备的处理器A01用于提供计算和控制能力。该计算机设备的存储器包括内存储器A03和非易失性存储介质A04。该非易失性存储介质A04存储有操作系统B01、计算机程序B02和数据库(图中未示出)。该内存储器A03为非易失性存储介质A04中的操作系统B01和计算机程序B02的运行提供环境。该计算机设备的数据库用于存储用于确定供应商评分的数据。该计算机设备的网络接口A02用于与外部的终端通过网络连接通信。该计算机程序B02被处理器A01执行时以实现一种用于确定供应商评分的方法。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合
本申请实施例提供了一种设备,设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现上述用于确定供应商评分的方法的步骤。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有上述用于确定供应商评分的方法步骤的程序。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请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,本申请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。
本申请是参照根据本申请实施例的方法、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、专用计算机、嵌入式处理机或其他可编程数据处理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设备上,使得在计算机或其他可编程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。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商品或者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、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种用于确定供应商评分的方法,其特征在于,所述方法包括:
获取与待采购商品对应的多个待评分供应商;
确定与每个待评分供应商对应的多个评分指标;
确定每个待评分供应商每个评分指标对应的目标权重值;
获取每个待评分供应商的多个评分影响因子,并确定每个评分影响因子属于每个评分指标的初始概率;
基于所述初始概率对每个评分影响因子进行聚类处理,以确定每个评分影响因子属于每个评分指标的目标概率;
针对每个待评分供应商,根据全部的评分影响因子、目标概率以及目标权重值确定在所述待评分供应商采购所述待采购商品的评分结果。
2.根据权利要求1所述的用于确定供应商评分的方法,其特征在于,所述基于所述初始概率对每个评分影响因子进行聚类处理,以确定每个评分影响因子属于每个评分指标对应的目标概率包括:
针对每个评分指标,确定每个评分影响因子属于所述评分指标的概率密度函数;
针对每个评分指标,根据每个概率密度函数和每个初始概率确定每个评分影响因子属于所述评分指标的后验概率;
针对每个后验概率,基于最大似然估计公式根据所述后验概率对对应的初始概率和概率密度函数进行迭代计算;
通过更新后的初始概率和概率密度函数确定更新后的后验概率;
针对每个后验概率,在所述后验概率与更新后的后验概率之间的差值小于预设阈值的情况下,将更新后的后验概率确定为每个评分影响因子属于每个评分指标的目标概率。
3.根据权利要求2所述的用于确定供应商评分的方法,其特征在于,所述针对每个评分指标,确定每个评分影响因子属于所述评分指标的概率密度函数包括,所述概率密度函数的函数表达式如公式(1)所示:
其中,N(xi|μc,∑c)是指第i个评分影响因子属于第c个评分指标的概率密度函数,xi是指第i个评分影响因子,μc是指第c个评分指标对应的数据均值,∑c是指第c个评分指标对应的协方差,n是指第i个评分影响因子的数据维度。
4.根据权利要求2所述的用于确定供应商评分的方法,其特征在于,所述针对每个评分指标,根据每个概率密度函数和每个初始概率确定每个评分影响因子属于所述评分指标的后验概率包括,根据以下公式(2)进行计算所述后验概率:
其中,γic是指第i个评分影响因子属于第c个评分指标的后验概率,N(xi|μc,∑c)是指第i个评分影响因子属于第c个评分指标的概率密度函数,k是指评分影响因子的数量,πc是指第i个评分影响因子属于第c个评分指标的初始概率。
5.根据权利要求2所述的用于确定供应商评分的方法,其特征在于,所述概率密度函数的参数包括期望向量和协方差,针对每个后验概率,基于最大似然公式根据所述后验概率对对应的初始概率和概率密度函数进行迭代计算,以得到迭代更新后的初始概率和概率密度函数,以通过所述更新后的初始概率和概率密度函数确定更新后的后验概率包括:
分别根据以下公式(3)、(4)、(5)对所述初始概率、所述期望向量以及所述协方差进行迭代计算:
根据以下公式(4)对所述期望向量进行迭代计算:
根据以下公式(5)对所述协方差进行迭代计算:
其中,πc是指第i个评分影响因子属于第c个评分指标更新后的初始概率,γic是指第m-1次迭代计算得到每个评分影响因子属于所述评分指标的后验概率,m是指当前迭代计算的迭代次数,μc是指第c个评分指标对应的更新后的期望向量,xi是指第i个评分影响因子。
6.根据权利要求1所述的用于确定供应商评分的方法,其特征在于,所述确定每个待评分供应商的每个评分指标对应的目标权重值包括:
确定每个待评分供应商的每个评分指标的主观权重值;
获取每个待评分供应商的每个评分指标的客观评分值;
针对每个待评分供应商,根据每个客观评分值确定每个评分指标的信息熵;
针对每个待评分供应商,根据每个信息熵确定每个评分指标的客观权重值;
针对每个待评分供应商,根据每个主观权重值和每个客观权重值确定每个评分指标对应的目标权重值。
7.根据权利要求1所述的用于确定供应商评分的方法,其特征在于,所述针对每个待评分供应商,根据全部的评分影响因子、目标概率以及目标权重值确定在所述待评分供应商采购所述待采购商品的评分结果包括,根据以下公式(6)计算所述评分结果:
Rp=Xk×γkc×Ac (6)
其中,Rp是指待评分供应商p的评分结果,Ck是针对待评分供应商p的每个影响因子的评分的矩阵,γkc是指待评分供应商p的每个评分影响因子属于每个评分指标的目标概率,Ac是指待评分供应商p的每个评分指标对应的目标权重值,k是指待评分供应商p的第k个影响因子,c是指待评分供应商p的第c个评分指标。
8.一种处理器,其特征在于,被配置成执行根据权利要求1至7中任意一项所述的用于确定供应商评分的方法。
9.一种用于确定供应商评分的装置,其特征在于,所述装置包括:
存储器,被配置成存储指令;以及
如权利要求8所述的处理器。
10.一种机器可读存储介质,该机器可读存储介质上存储有指令,其特征在于,该指令在被处理器执行时使得所述处理器被配置成执行根据权利要求1至7中任一项所述的用于确定供应商评分的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311276882.XA CN117495154A (zh) | 2023-09-28 | 2023-09-28 | 用于确定供应商评分的方法、装置、存储介质及处理器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311276882.XA CN117495154A (zh) | 2023-09-28 | 2023-09-28 | 用于确定供应商评分的方法、装置、存储介质及处理器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117495154A true CN117495154A (zh) | 2024-02-02 |
Family
ID=89678909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311276882.XA Pending CN117495154A (zh) | 2023-09-28 | 2023-09-28 | 用于确定供应商评分的方法、装置、存储介质及处理器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117495154A (zh) |
-
2023
- 2023-09-28 CN CN202311276882.XA patent/CN117495154A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10917425B2 (en) | Graph structure model training and junk account identification | |
US11138193B2 (en) | Estimating the cost of data-mining services | |
Wisesa et al. | Prediction analysis sales for corporate services telecommunications company using gradient boost algorithm | |
US10755196B2 (en) | Determining retraining of predictive models | |
US8275762B2 (en) | Reverse mapping of feature space to predict execution in a database | |
CN107220217A (zh) | 基于逻辑回归的特征系数训练方法和装置 | |
CN110995459B (zh) | 异常对象识别方法、装置、介质及电子设备 | |
US20200234218A1 (en) | Systems and methods for entity performance and risk scoring | |
CN102855259A (zh) | 大规模数据聚类分析的并行化 | |
CN108629436B (zh) | 一种估算仓库拣货能力的方法和电子设备 | |
CN112598472B (zh) | 产品推荐方法、装置、系统、介质和程序产品 | |
CN110428139A (zh) | 基于标签传播的信息预测方法及装置 | |
US11461709B2 (en) | Resource capacity planning system | |
CN112818162A (zh) | 图像检索方法、装置、存储介质和电子设备 | |
CA3131040A1 (en) | Method and system for optimizing an objective having discrete constraints | |
CN108228879A (zh) | 一种数据更新方法、存储介质和智能设备 | |
Filiopoulou et al. | On the efficiency of cloud providers: A DEA approach incorporating categorical variables | |
US10769651B2 (en) | Estimating prospect lifetime values | |
US20200193229A1 (en) | Combining group-level and item-level information for forecasting by empirical bayesian deconvolution based technique | |
CN116629612A (zh) | 一种风险预测的方法、装置、存储介质及电子设备 | |
CN117495154A (zh) | 用于确定供应商评分的方法、装置、存储介质及处理器 | |
Ulkhaq et al. | Predicting customer churn: A comparison of eight machine learning techniques: A case study in an Indonesian telecommunication company | |
CN116188025A (zh) | 一种电商平台供应商的筛选方法、装置、设备和介质 | |
US10185980B1 (en) | Efficiently computing a feature based on a plurality of variables | |
CN115943399A (zh) | 生成方法、生成装置、程序、信息处理方法及信息处理装置 |
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 |