[发明专利]一种用于建材投招标平台的优质供应商预测方法

权利要求书

1.一种用于建材投招标平台的优质供应商预测方法，其特征在于，包括以下步骤：

(1)将供应商按注册时长划分为第一供应商和第二供应商，并分别采集第一供应商和第二供应商的属性和行为数据，其中，第一供应商的注册时长比第二供应商的注册时长长；

(2)使用XGBoost模型对第一供应商的行为数据原始特征进行特征变换得到n维的编号向量，对n维的编号向量进行独热编码并与行为数据原始特征拼接后输入逻辑回归模型进行预测；

(3)对所述第二供应商的行为数据进行证据权重转换，并计算IV值进行特征维度筛选，使用半监督学习算法进行预测，所述IV值用于衡量变量的预测能力；

(4)按照所述第一供应商和第二供应商中优质供应商的比例选取预测概率最高的n家供应商。

2.根据权利要求1所述的用于建材投招标平台的优质供应商预测方法，其特征在于，所述步骤(1)将供应商按注册时长划分为第一供应商和第二供应商时，通过设定时间节点λ使得注册时长小于所述设定时间节点λ的供应商的负样本与正样本的比值小于阈值T，则注册时长大于所述设定时间节点λ的供应商为第一供应商，注册时长小于或等于所述设定时间节点λ的供应商为第二供应商。

3.根据权利要求1所述的用于建材投招标平台的优质供应商预测方法，其特征在于，所述步骤(2)中使用XGBoost模型对第一供应商的行为数据进行特征变换时，采用第一供应商的行为数据训练XGBoost模型以提取有效的特征组合；其中，所述XGBoost模型拟合n颗回归树，每颗回归树的每个叶子节点对应的路径表示一个特征或特征组合；对所述回归树的叶子节点进行编号，第一供应商在每颗回归树中被划分至唯一的叶子节点，对应于回归树的一个叶子编号，每个供应商的行为数据均表示为n维的编号向量以代表n个特征或特征组合。

4.根据权利要求1所述的用于建材投招标平台的优质供应商预测方法，其特征在于，所述步骤(2)中对n维的编号向量进行独热编码并与原始特征拼接后输入逻辑回归模型进行预测具体为：n棵回归树共计m个叶子节点，n维编号向量转换为m维的0，1稀疏向量，所述m维的0，1稀疏向量中有n个元素的值为1，将编码后的m维的0，1稀疏向量与原始特征进行拼接，并输入至逻辑回归模型进行预测。

5.根据权利要求1所述的用于建材投招标平台的优质供应商预测方法，其特征在于，所述步骤(3)中对所述第二供应商的行为数据进行证据权重转换，并计算IV值进行特征维度筛选具体包括以下子步骤：

(a)对所述第二供应商的原始行为数据进行分箱操作；

(b)统计每个分箱里的正样本数bin_positives_i和负样本数bin_negatives_i；

(c)将分箱的正样本数bin_positives_i和负样本数bin_negatives_i分别除以总的正样本数total_positive和负样本数total_negative得到每个分箱的边际正样本占比margin_positive_rate_i和边际负样本占比margin_negative_rate_i；

(d)计算每个分箱的证据权重

(e)检查各个分箱的证据权重之间是否满足单调性，若不满足则返回步骤(a)，否则进入步骤(f)；

(f)计算IV值，IV_i为第i个分箱的IV值，IV_i＝(margin_negative_rate_i-margin_positive_rate_i)×WOE_i；

(g)筛选出IV值大于预设值的特征作为分类器的训练特征。

6.根据权利要求5所述的用于建材投招标平台的优质供应商预测方法，其特征在于，所述步骤(c)和步骤(d)之间还包括判断分箱内是否只有正样本或负样本，若是，则该分箱证据权重