申请/专利权人：大连理工大学

申请日：2020-08-25

公开（公告）日：2024-04-05

公开（公告）号：CN112053167B

主分类号：G06Q30/018

分类号：G06Q30/018;G06F18/243;G06F18/25;G06N20/20

优先权：

专利状态码：有效-授权

法律状态：2024.04.05#授权;2020.12.25#实质审查的生效;2020.12.08#公开

摘要：本发明提供一种基于改进的EasyEnsemble算法的供应商信用评价方法、系统及存储介质，包括：采用层次分析法建立评价指标体系，获取企业相关历史数据；对企业相关历史数据进行归一化处理，将处理后的数据与供应商信用评价历史得分形成数据对形式的训练集；对训练集进行重组，形成多个训练子集；基于多个训练子集和预先构建的深度森林模型，得到多个预测结果；基于多个预测结果和预先构建的混合模型，进行混合处理，得到阈值θ；将待评价供应商输入深度森林模型，经过深度森林模型与混合模型的处理后，得到预测值，将预测值与阈值θ进行比较得出评价结果。集成学习方法有强大的表征学习的能力，能够更好地适应非线性特征，从而能够对供应商的信用表现做出更加科学准确的评价。

主权项：1.一种基于改进的EasyEnsemble算法的供应商信用评价方法，其特征在于，包括：步骤S1、采用层次分析法，建立评价指标体系，获取企业相关历史数据；步骤S2、对所述获取的企业相关历史数据进行归一化处理，并将处理后的数据与供应商信用评价历史得分形成数据对形式的训练集；步骤S3、对所述训练集进行重组，形成多个训练子集；所述步骤S3具体为：S31、将信用不良的供应商数据与信用良好的供应商数据进行区分，形成信用不良供应商子集与信用良好供应商子集；S32、假设信用不良的供应商样本数据规模为N，信用良好的供应商样本数据规模为M；对信用良好供应商子集进行下采样，得到MN个数据规模为N的正样本，信用不良供应商子集直接复制成负样本；S33、在每一个所述正样本中添加负样本，形成MN个训练子集；步骤S4、基于所述的多个训练子集和预先构建的深度森林模型，得到多个预测结果；所述步骤S4中，深度森林模型包括用于特征预提取的扫描模块和用于特征提取的瀑布森林模块；所述扫描模块包括三个扫描器向量，三个扫描器维度各不相同，从而得出三个尺寸不同的特征向量；将三个特征向量输入给对应的森林集合，森林集合包括随机树和完全随机树两种类型，每个森林集合输出子预处理向量；将三个子预处理向量进行连接，形成预处理向量；所述瀑布森林模块共p层，每一层由两个随机树与两个完全随机树组成，每一个分类树输出一个预测结果，每一层的森林输出一个维度为4的预测向量，再将该预测向量与所述预处理向量进行拼接，再将拼接后的向量作为下一层瀑布森林的输入，最后一层随机森林直接输出预测向量中元素的平均值，作为一个预测结果，记为Oi，最终输出MN个预测结果；步骤S5、基于所述多个预测结果和预先构建的混合模型，进行混合处理，得到阈值θ，阈值θ的公式为：θ＝meanO1,O2,O3,L,Oi,L,OMN+varO1,O2,O3,L,Oi,L,OMN其中，meanO1,O2,O3,L,Oi,L,OMN为求取平均值函数，varO1,O2,O3，…,Oi,…,OMN为求取标准差函数；步骤S6、将待评价供应商输入深度森林模型，经过所述深度森林模型与混合模型的处理后，得到预测值，将预测值与所述阈值θ进行比较，若预测值大于阈值则该供应商信用良好，反之则信用不良。

全文数据：

权利要求：

百度查询： 大连理工大学 基于改进的EasyEnsemble算法的供应商信用评价方法、系统及存储介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD