[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

说明书

本发明涉及一种用于建材投招标平台的优质供应商预测方法，包括以下步骤：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；使用XGBoost模型对第一供应商的行为数据进行特征变换得到n维的编号向量，对n维的编号向量进行独热编码并与原始特征拼接后输入逻辑回归模型进行预测；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；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。本发明能够提高预测精准度。

技术领域

本发明涉及优质供应商预测技术领域，特别是涉及一种用于建材投招标平台的优质供应商预测方法。

背景技术

自2013年《电子招投标办法》实施以来，各种类型的线上交易平台如雨后春笋般密集出现。线上招投标平台运用互联网技术使得传统线下的招标、投标、开标、评标和中标等作业流程电子化，极大地提高了招投标效率，简化了招投标流程。

尤其值得关注是近些年国内建材采购线上招投标平台的建设。经过几年粗放式的发展，各大平台基本已完成建材采购企业和供应企业等用户的初期积累。用户量爆发式增长的同时，也暴露出线上招投标平台的诸多不足之处，如服务质量的提升跟不上平台体量的增长，用户的个性化需求难以得到满足等。这些问题导致了平台用户黏性的降低，很多用户重新将线下招投标作为自己的首选招投标方式。除去主观的自身建设意愿等因素外，客观上来说，受限于资金、人力、物力、技术等因素，平台很难提供全方位的、普惠式的招投标服务。目前招投标平台的发展已经进入深度改革阶段，平台应当在为全体用户提供普适性服务的基础上，发掘优质用户，集中优势资源，提高优质用户的服务水平，增加优质用户的平台满意度和黏性，进而提供个性化和差异化服务。

目前线上招投标领域逐渐开始引入一些机器学习方法发掘平台潜在的优质供应商。但这些方法大多较为简单，仅仅是对供应商数据做预处理后输入预测模型进行预测。这种方式主要有三个问题：1、数据特征维度的选择主要靠人工进行，这导致模型的预测能力极度依赖实施者的经验；2、方法只依赖单一预测模型，很难适应现实场景下复杂多变的环境；3、对不同特点的供应商没有区分性，往往所有供应商混在一起，使用同一套方法进行预测，使得预测结果不够准确。

发明内容

本发明所要解决的技术问题是提供一种用于建材投招标平台的优质供应商预测方法，能够有效解决优质供应商的预测问题以及新供应商的样本极度不均衡问题，为平台精准定位优质供应商。

本发明解决其技术问题所采用的技术方案是：提供一种用于建材投招标平台的优质供应商预测方法，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；

(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。

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。