本发明涉及一种分类画像方法，具体涉及了一种基于聚类的专家分类画像方法。
背景技术：
按照广电企【2019】8号文《关于印发公司深化招标管理改革任务分解表的通知》整体要求，通过利用供应商数据重构等技术实现智能推荐、风险分析与智能预警，保证招标采购遴选供应商合规高效，防范采购过程中由于供应商自身风险导致履约、审计的风险。
招标过程中需要由评标专家来对标书进行评分，评标专家对标书所作出的评分有可能受评标专家与作出该标书的企业的关系影响，从而有些评分不尽真实，评标过程透明度不足，导致企业在招投标中受到损失。目前缺乏一种可以识别与检测评标专家异常评分现象的方法，不能很好地动态考核评标专家，从而导致评标效率低以及透明度不高，导致企业在招投标中受到难以预估的损失。
技术实现要素：
本发明解决的技术问题为评标专家在评标过程中透明度不足的问题，提供基于聚类的专家分类画像方法，能够更好地了解评标进度以及评分质量。
为了解决上述技术问题，本发明提供的技术方案为：
一种基于聚类的专家分类画像方法，其特征在于，包括：
建立专家评分规范体系；
在所述专家评分规范体系的基础上，建立评分预测模型，结合对标书的智能分析，判断出评分是否属于异常值，将属于异常值的评分数据进行输出；
建立异常评分历史数据库，将所述评分预测模型输出的异常值的评分数据数据输入至所述异常评分历史数据库中；
建立专家评价模型，所述专家评价模型基于所述异常评分历史数据库，计算并得出考评分值；
自定义专家标签类型，结合所述考评分值，通过聚类算法为专家设置标签，得到标签数据；
将所述标签数据输入标签数据库。
能够即时发现评分异常，避免或减少因评标专家自身原因所作出不合理的标书评分从而导致企业造成损失。
在评标专家对标书进行评价时，能够结合该评标专家对该类型的标书的历史评分以及该评标专家的行为规则，对该次标书的评分作出评估，能够更加直观并准确地知道该次评标专家作出的评分是否合理。
优选地，所述建立专家评分规范体系包括：
采集专家评审历史数据以及同项目其他专家评分数据；
基于采集到的数据结合异常值分析算偏离模型，对每一个评分指标设定一个合理范围（偏离阈值）；
当所述评分指标符合所述合理范围时，则认为是正常值，当所述评分指标超出所述合理范围时，则认为是异常值。采集专家评审立式数据以及同项目其他专家评分数据，对其进行处理，所产生的一个评分指标合理范围能够更加准确地反应出评标专家该次评分是否合理。
优选地，所述评分预测模型为深度学习模型，所述建立评分预测模型包括：
获取专家数据仓库中的历史数据；
通过采集到的数据分析出专家评分的行为规则；
根据专家评分的行为规则，输出预测的专家评分分数。采用历史数据分析出专家历史的评分行为规则，能够更加准确地体现出评标专家在过往的评分习惯，从而更加准确地预测到专家评分的分数。
优选地，所述评分预测模型的训练方法为：使用快速学习网络(fln)、elman神经网络以及趋势分析算法对所述评分预测模型进行训练。训练得到的评分预测模型判断评标专家对标书所作出的评分是否异常的准确率较高。
优选地，所述专家评价模型包括：
通过基于大数据分析的方法获得与专家关联最密切的评价因子；
利用logistic回归算法以及评价因子以及专家数据仓库中的历史数据计算出考评分值，所述考评分值为0至1。通过不同方面的评价因子，以及利用logistic回归算法和专家数据仓库中的历史数据，能够更加准确地得到专家整体的考评分值。
优选地，所述评价因子包括：评分、参与度、所在领域以及异常行为。采集必要的评价因子能够更加准确地使专家评价模型计算出考评分值。
优选地，所述专家评价模型还包括：
加入人为控制因素，对特殊情况单独处理，以完善所述专家评价模型。人为介入能够及时并且灵活地对特殊情况进行单独处理，从而能够对专家评价模型进一步地完善。
优选地，所述标签类型包括：属性标签、行为标签（出勤、评分质量）、项目标签。能够自定义不同类型以及范围的标签，能够更全面、更准确地对评标专家进行评估。
一种具有基于聚类的专家分类画像的装置，包括：
体系建立模块，所述体系建立模块建立专家评分规范体系；
模型建立模块，所述模型建立模块在所述专家评分规范体系的基础上，建立评分预测模型，结合对标书的智能分析，判断出评分是否属于异常值，将属于异常值的评分数据进行输出；
数据库建立模块，所述数据库建立模块建立异常评分历史数据库，将所述评分预测模型输出的异常值的评分数据数据输入至所述异常评分历史数据库中；
评价模型建立模块，所述评价模型建立模块建立专家评价模型，所述专家评价模型基于所述异常评分历史数据库，计算并得出考评分值；
标签建立模块，所述标签建立模块自定义专家标签类型，结合所述考评分值，通过聚类算法为专家设置标签，得到标签数据；
存储模块，所述存储模块将所述标签数据输入标签数据库。
一种存储介质，存储有计算机程序，所述计算机程序被执行时可以实现上述的方法。
与现有技术相比，本发明具有的有益效果为：能够即时发现评分异常，避免或减少因评标专家自身原因所作出不合理的标书评分从而导致企业造成损失。
附图说明
图1为基于聚类的专家分类画像方法的示意图。
具体实施方式
以下实施例是对本发明的进一步说明，不是对本发明的限制。
一种基于聚类的专家分类画像方法，在本申请的一些实施例中，包括：
建立专家评分规范体系；
在所述专家评分规范体系的基础上，建立评分预测模型，结合对标书的智能分析，判断出评分是否属于异常值，将属于异常值的评分数据进行输出；
建立异常评分历史数据库，将所述评分预测模型输出的异常值的评分数据数据输入至所述异常评分历史数据库中；
建立专家评价模型，所述专家评价模型基于所述异常评分历史数据库，计算并得出考评分值；
自定义专家标签类型，结合所述考评分值，通过聚类算法为专家设置标签，得到标签数据；
将所述标签数据输入标签数据库。
能够即时发现评分异常，避免或减少因评标专家自身原因所作出不合理的标书评分从而导致企业造成损失。
在评标专家对标书进行评价时，能够结合该评标专家对该类型的标书的历史评分以及该评标专家的行为规则，对该次标书的评分作出评估，能够更加直观并准确地知道该次评标专家作出的评分是否合理。
在本申请的一些实施例中，所述建立专家评分规范体系包括：
采集专家评审历史数据以及同项目其他专家评分数据；
基于采集到的数据结合异常值分析算偏离模型，对每一个评分指标设定一个合理范围（偏离阈值）；
当所述评分指标符合所述合理范围时，则认为是正常值，当所述评分指标超出所述合理范围时，则认为是异常值。采集专家评审立式数据以及同项目其他专家评分数据，对其进行处理，所产生的一个评分指标合理范围能够更加准确地反应出评标专家该次评分是否合理。
在本申请的一些实施例中，所述评分预测模型为深度学习模型，所述建立评分预测模型包括：
获取专家数据仓库中的历史数据；
通过采集到的数据分析出专家评分的行为规则；
根据专家评分的行为规则，输出预测的专家评分分数。采用历史数据分析出专家历史的评分行为规则，能够更加准确地体现出评标专家在过往的评分习惯，从而更加准确地预测到专家评分的分数。
在本申请的一些实施例中，所述评分预测模型的训练方法为：使用快速学习网络(fln)、elman神经网络以及趋势分析算法对所述评分预测模型进行训练。训练得到的评分预测模型判断评标专家对标书所作出的评分是否异常的准确率较高。
在本申请的一些实施例中，所述专家评价模型包括：
通过基于大数据分析的方法获得与专家关联最密切的评价因子；
利用logistic回归算法以及评价因子以及专家数据仓库中的历史数据计算出考评分值，所述考评分值为0至1。通过不同方面的评价因子，以及利用logistic回归算法和专家数据仓库中的历史数据，能够更加准确地得到专家整体的考评分值。
在本申请的一些实施例中，所述评价因子包括：评分、参与度、所在领域以及异常行为。采集必要的评价因子能够更加准确地使专家评价模型计算出考评分值。
在本申请的一些实施例中，所述专家评价模型还包括：
加入人为控制因素，对特殊情况单独处理，以完善所述专家评价模型。人为介入能够及时并且灵活地对特殊情况进行单独处理，从而能够对专家评价模型进一步地完善。
在本申请的一些实施例中，所述标签类型包括：属性标签、行为标签（出勤、评分质量）、项目标签。能够自定义不同类型以及范围的标签，能够更全面、更准确地对评标专家进行评估。
基于聚类的专家分类画像装置，在本申请的一些实施例中，包括：
体系建立模块，所述体系建立模块建立专家评分规范体系；
模型建立模块，所述模型建立模块在所述专家评分规范体系的基础上，建立评分预测模型，结合对标书的智能分析，判断出评分是否属于异常值，将属于异常值的评分数据进行输出；
数据库建立模块，所述数据库建立模块建立异常评分历史数据库，将所述评分预测模型输出的异常值的评分数据数据输入至所述异常评分历史数据库中；
评价模型建立模块，所述评价模型建立模块建立专家评价模型，所述专家评价模型基于所述异常评分历史数据库，计算并得出考评分值；
标签建立模块，所述标签建立模块自定义专家标签类型，结合所述考评分值，通过聚类算法为专家设置标签，得到标签数据；
存储模块，所述存储模块将所述标签数据输入标签数据库。
一种存储介质，存储有计算机程序，所述计算机程序被执行时可以实现上述的方法。
上列详细说明是针对本发明可行实施例的具体说明，以上实施例并非用以限制本发明的专利范围，凡未脱离本发明所为的等效实施或变更，均应包含于本案的专利范围中。
1.一种基于聚类的专家分类画像方法，其特征在于，包括：
建立专家评分规范体系；
在所述专家评分规范体系的基础上，建立评分预测模型，结合对标书的智能分析，判断出评分是否属于异常值，将属于异常值的评分数据进行输出；
建立异常评分历史数据库，将所述评分预测模型输出的异常值的评分数据数据输入至所述异常评分历史数据库中；
建立专家评价模型，所述专家评价模型基于所述异常评分历史数据库，计算并得出考评分值；
自定义专家标签类型，结合所述考评分值，通过聚类算法为专家设置标签，得到标签数据；
将所述标签数据输入标签数据库。
2.根据权利要求1所述的基于聚类的专家分类画像方法，其特征在于，所述建立专家评分规范体系包括：
采集专家评审历史数据以及同项目其他专家评分数据；
基于采集到的数据结合异常值分析算偏离模型，对每一个评分指标设定一个合理范围（偏离阈值）；
当所述评分指标符合所述合理范围时，则认为是正常值，当所述评分指标超出所述合理范围时，则认为是异常值。
3.根据权利要求1所述的基于聚类的专家分类画像方法，其特征在于，所述评分预测模型为深度学习模型，所述建立评分预测模型包括：
获取专家数据仓库中的历史数据；
通过采集到的数据分析出专家评分的行为规则；
根据专家评分的行为规则，输出预测的专家评分分数。
4.根据权利要求1所述的基于聚类的专家分类画像方法，其特征在于，所述评分预测模型的训练方法为：使用快速学习网络(fln)、elman神经网络以及趋势分析算法对所述评分预测模型进行训练。
5.根据权利要求1所述的基于聚类的专家分类画像方法，其特征在于，所述专家评价模型包括：
通过基于大数据分析的方法获得与专家关联最密切的评价因子；
利用logistic回归算法以及评价因子以及专家数据仓库中的历史数据计算出考评分值，所述考评分值为0至1。
6.根据权利要求5所述的基于聚类的专家分类画像方法，其特征在于，所述评价因子包括：评分、参与度、所在领域以及异常行为。
7.根据权利要求5所述的基于聚类的专家分类画像方法，其特征在于，所述专家评价模型还包括：
加入人为控制因素，对特殊情况单独处理，以完善所述专家评价模型。
8.根据权利要求1所述的基于聚类的专家分类画像方法，其特征在于，所述标签类型包括：属性标签、行为标签（出勤、评分质量）、项目标签。
9.一种具有基于聚类的专家分类画像的装置，其特征在于，包括：
体系建立模块，所述体系建立模块建立专家评分规范体系；
模型建立模块，所述模型建立模块在所述专家评分规范体系的基础上，建立评分预测模型，结合对标书的智能分析，判断出评分是否属于异常值，将属于异常值的评分数据进行输出；
数据库建立模块，所述数据库建立模块建立异常评分历史数据库，将所述评分预测模型输出的异常值的评分数据数据输入至所述异常评分历史数据库中；
评价模型建立模块，所述评价模型建立模块建立专家评价模型，所述专家评价模型基于所述异常评分历史数据库，计算并得出考评分值；
标签建立模块，所述标签建立模块自定义专家标签类型，结合所述考评分值，通过聚类算法为专家设置标签，得到标签数据；
存储模块，所述存储模块将所述标签数据输入标签数据库。
10.一种存储介质，其特征在于，存储有计算机程序，所述计算机程序可以被执行以实现权利要求1~8任一项所述的方法。
技术总结