本发明涉及招投标管理领域，具体涉及基于供应商规模的司法风险预警方法。
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。
招标过程中的风险现在主要是通过专业人员，例如律师，对供应商的背景进行尽职调查获得的。聘请律师等专业人员进行调查会消耗大量的人力物力，成本极高。现有的一些第三方企业调查公司，可以评估企业的风险，但是这些评估不全面，或者专业性不强，提供的服务只能在网页上进行，评估能力有限，无法根据需要进行调整。现在缺乏一种可以评估招标采购过程中供应商司法风险的计算机软件，在招标采购过程中，尤其是在项目评审、定标等关键环节，无法及时了解供应商实时的司法风险信息。
技术实现要素：
本发明解决的技术问题为招投标过程中供应商司法风险变化问题，提供基于供应商规模的司法风险预警方法。
为了解决上述技术问题，本发明提供的技术方案为：
基于供应商规模的司法风险预警方法，包括：
获取招标采购进程信息；
在招标采购进程中的关键环节，获取供应商的规模信息和司法信息，所述司法信息包括失信执行人信息、法院公告信息、裁判文书信息、执行公告信息的其中一种或几种；
预处理所述供应商规模信息和所述司法信息，得到输入信息，将输入信息输入司法风险模型，所述司法风险模型为深度学习模型；
输出的该供应商的司法风险等级，所述司法风险等级包括低风险和高风险的其中一种。
在招标采购的进程的关键信息判断供应商的司法风险，及时在关键的时间节点为招标采购提供参考意见。
可以及时止损，避免或减少因司法风险过高造成损失。
优选地，所述规模信息包括供应商总资产信息、供应商总收入信息和供应商总利润信息的其中一种或几种。发明人发现将规模信息作为输入可以大幅提高风险等级判断的准确度。
优选地，所述司法风险模型为卷积网络模型，所述卷积网络模型的训练方法为：
获取训练样本数据，将样本数据输入卷积神经网络模型进行训练，得到初始风险预测模型；
获取测试样本数据，将测试样本数据输入初始风险预测模型进行评估测试。训练得到的卷积神经网络模型判断企业司法风险的准确率较高。
优选地，所述训练样本数据、所述测试样本数据为历史供应商的样本信息中的一部分，所述样本信息为历史供应商的规模信息、司法信息及司法风险等级；所述训练样本数据：所述测试样本数据=2~3:1
将样本信息进行图片化处理，裁剪为统一大小，对裁剪后的样本进行白化处理。
优选地，所述卷积神经网络包括第一卷积神经网络和第二卷积神经网络；
将训练样本数据中的供应商规模信息输入第一卷积神经网络进行训练，所述第一卷积神经网络包括依次相连的第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层和第二全连接层；
在训练好的第一卷积神经网络中添加第三全连接层和第四全连接层以生成第二卷积神经网络，其中所述第三全连接层与训练好的第一全连接层相同并与第二池化层连接，所述第四全连接层与训练好的第二全连接层相同并与第三全连接层连接；
根据训练样本数据，对第二卷积神经网络进行训练。设置相连接的两个神经网络，可以增强风险判断的准确率。
优选地，对第二卷积神经网络进行训练的方法包括：
将训练样本中的供应商规模信息、司法信息作为第二卷积网络中的第一卷积层的输入、所述司法风险等级作为第二卷积神经网络的输出，训练第二卷积神经网络。对第二神经网络的输入和输出进行调整，可以进一步提高风险判断的准确率。
优选地，根据评估测试的结果对卷积神经网络进行优化，优化方法为：
在卷积神经网络的结构上，增加或减少卷积层数，重新进行训练。不同的招标项目，供应商的类型不同，发生风险的可能性也不同，必要时可以增加或者减少卷积层的数量以提高判断的准确性。
基于供应商规模的司法风险预警装置，包括：
进程信息获取模块，所述进程信息获取模块获取招标采购信息；
信息获取模块，所述信息获取模块在招标采购的关键环节获取供应商的规模信息和司法信息，所述司法信息包括失信执行人信息、法院公告信息、裁判文书信息、执行公告信息的其中一种或几种；
预处理模块，所述预处理模块预处理所述供应商规模信息和所述司法信息，得到输入信息；
风险判定模块，所述风险判定模型将输入信息输入司法风险模型，所述司法风险模型为深度学习模型；
输出模块，所述输出模块输出的该供应商的司法风险等级。
基于供应商规模的司法风险预警终端，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器用于执行所述计算机程序以执行上述的方法。
基于供应商规模的司法风险预警存储介质，存储有可被执行的计算机程序，所述计算机程序被执行时实现上述的方法。
与现有技术相比，本发明具有的有益效果为：可以及时止损，避免或减少招标过程中因司法风险过高造成损失。
附图说明
图1为基于供应商规模的司法风险预警方法的示意图。
图2为第一卷积神经网络的示意图。
图3为第二卷积神经网络的示意图。
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。
实施例1
基于供应商规模的司法风险预警方法，在本申请的一些实施例中，包括：
获取招标采购进程信息；
在招标采购进程中的关键环节，获取供应商的规模信息和司法信息，所述司法信息包括失信执行人信息、法院公告信息、裁判文书信息、执行公告信息的其中一种或几种；
预处理所述供应商规模信息和所述司法信息，得到输入信息，将输入信息输入司法风险模型，所述司法风险模型为深度学习模型；
输出的该供应商的司法风险等级，所述司法风险等级包括低风险和高风险的其中一种。
在招标采购的进程的关键信息判断供应商的司法风险，及时在关键的时间节点为招标采购提供参考意见。
可以及时止损，避免或减少因司法风险过高造成损失。
在本申请的一些实施例中，获取招标采购进程信息后；再获取招标采购进程中的关键环节，在本实施例中，以项目评审、定标环节为关键环节。
应当理解，招标的项目不同，投标的供应商也不同，相应的招标过程中的关键环节设定也不同。
在本申请的一些实施例中，所述规模信息包括供应商总资产信息、供应商总收入信息和供应商总利润信息的其中一种或几种。
发明人发现将规模信息作为输入可以大幅提高风险等级判断的准确度。
在本申请的一些实施例中，所述司法风险模型为卷积网络模型，所述卷积网络模型的训练方法为：
获取训练样本数据，将样本数据输入卷积神经网络模型进行训练，得到初始风险预测模型；
获取测试样本数据，将测试样本数据输入初始风险预测模型进行评估测试。
训练得到的卷积神经网络模型判断企业司法风险的准确率较高。
在本申请的一些实施例中，所述训练样本数据、所述测试样本数据为历史供应商的样本信息中的一部分，所述样本信息为历史供应商的规模信息、司法信息及司法风险等级；所述训练样本数据：所述测试样本数据=2~3:1；
将样本信息进行图片化处理，裁剪为统一大小，对裁剪后的样本进行白化处理。
在本申请的一些实施例中，对供应商风险样本数据建库，确定风险要素，在本实例中，供应商风险要素包括：是否被列为失信执行人信息、是否有法院公告信息、是否有裁判文书信息、是否有执行公告信息、供应商总资产是否达到阈值、供应商总收入是否骤减和供应商总利润是否骤减。
在本申请的一些实施例中，所述司法风险等级分为低风险和高风险。
在本申请的一些实施例中，所述训练样本数据：所述测试样本数据=2:1。
在本申请的一些实施例中，将历史供应商的样本信息制作成图片，将图片统一裁剪成100px×100px，裁剪中央区域用于评估或随即裁剪用于训练，并对图片进行白化处理。
在本申请的一些实施例中，所述卷积神经网络包括第一卷积神经网络和第二卷积神经网络；
将训练样本数据中的供应商规模信息输入第一卷积神经网络进行训练，所述第一卷积神经网络包括依次相连的第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层和第二全连接层；
在训练好的第一卷积神经网络中添加第三全连接层和第四全连接层以生成第二卷积神经网络，其中所述第三全连接层与训练好的第一全连接层相同并与第二池化层连接，所述第四全连接层与训练好的第二全连接层相同并与第三全连接层连接；
根据训练样本数据，对第二卷积神经网络进行训练。
设置相连接的两个神经网络，可以增强风险判断的准确率。对第二神经网络的输入和输出进行调整，可以进一步提高风险判断的准确率。
在本申请的一些实施例中，一个用于训练的供应商样本图片经过裁剪后的尺寸为100px×100px，该供应商的司法风险等级为低风险。第一卷积层有20个卷积核，每个卷积核的参数个数为3×6×6，相当于3个6×6大小的卷积核在每个通道进行卷积，步长为1。则经过第一卷积层的卷积后，根据（100-6）/1 1=95可知，此时得到的图像的尺寸为95px×95px，，即获得20张95px×95px大小的特征图，实际上，在经过第一卷积层的卷积后，还需要通过激活函数来调整第一卷积层的输出，避免下一层的输出为上一层的线性组合而无法逼近任意函数。采用relu(rectifiedlinearunit)函数作为激活函数，进一步缓解过拟合问题，其表达式为f(x)＝max(0,w·x b)，其中w·x b为常规的线性函数。然后进入第一池化层，利用图像局部相关性的原理，对图像进行子抽样，从而减少数据处理下并保留有用信息。在这里，池化采用最大重叠池化，即对95px×95px的特征图进行分块，每个块的大小为3×3，步长为2，并统计每个块的最大值，作为池化后图像的像素值。根据(95-3)/2 1＝47可知，池化后的特征图尺寸为47px×47px，则经过第一下采样层之后，获得20张47px×47px的特征图。
20张47px×47px的特征图进入第二卷积层，第二卷积层具有48个卷积核，每个卷积核参数个数为6×6，相当于1个6×6大小的卷积核在每个通道进行卷积，步长为1。则经过第二卷积层卷积后，根据（47-6）/1 1=42可知，此时得到图像的尺寸为42px×42px。在第二卷积层进行卷积过程中还对20张47px×47px进行了加权组合，最后得到了48张42px×42px的特征图。再通过relu函数对第二卷积层的输出进行激活处理后，进入第二下采样层。根据最大重叠池化原理，对42px×42px的特征图进行分块，每个块的大小为2×2，步长为2，并统计每个块的最大值，作为池化后图像的像素值。根据(42-2)/2 1＝21可知，池化后的特征图尺寸为21px×21px，则经过第二下采样层之后，获得48张21px×21px的特征图。
再进入第一全连接层，第一全连接层的神经元个数选择512个，则第一全连接层的输出为512张1px×1px大小的特征图。实际处理中，通常会将上述512张特征图先通过relu函数激活，再进行dropout处理，dropout可以理解为模型平均，即训练过程中在前向传导时，让某个神经元的激活值以一定的概率p停止工作，即该神经元的激活值以概率p变为0。在本实施例中，第一全连接层的神经元为512个，dropout比率选择0.5，那么这一层神经元经过dropout之后，其中约有256个神经元的值被置为0，通过阻止某些特征的协同作用来缓解过拟合，避免一个神经元的出现以来与另一个神经元的现象。将dropout处理后的特征图输入到第二全连接层中，第二全连接层的神经元个数为2个，则最终第二全连接层输出也为2个，分别对应高风险和低风险的概率。根据输入的样本图像对应的司法风险等级为这一预知结果，对第二全连接层的输出进行调整，按极小化误差的方法反向传播以调整第一卷积神经网络中的各参数。经过大量的样本图像数据进行训练后，获得训练好的第一卷积神经网络。
在训练好的第一卷积神经网络中添加第三全连接层和第四全连接层以生成第二卷积神经网络，其中第三全连接层与训练好的第一全连接层相同并与第二池化层相连，第四全连接层与训练好的第二全连接层相同并与第三全连接层相连。形成了分别以第二全连接层为输出的第一分支和以第四全连接层为输出的第二分支
在本申请的一些实施例中，对第二卷积神经网络进行训练的方法包括：
将训练样本中的供应商规模信息、司法信息作为第二卷积网络中的第一卷积层的输入、所述司法风险等级作为第二卷积神经网络的输出，训练第二卷积神经网络。
在本申请的一些实施例中，根据样本图像数据，对第二卷积神经网络进行训练。对风险类别进行再分类，得到第一风险类别和第二风险类别，第一风险类别为低风险和其他风险的一种，第二风险类别为高风险和其他风险的一种。将样本图像作为第二卷积网络的第一卷积层的数计入、第一风险类别作为第二卷积神经网络中第二全连接层的输出、第二风险类别作为第二卷积神经网络中第四全连接层的输出，对第二卷积神经网络进行训练。
在本申请的一些实施例中，根据评估测试的结果对卷积神经网络进行优化，优化方法为：
在卷积神经网络的结构上，增加或减少卷积层数，重新进行训练。
不同的招标项目，供应商的类型不同，发生风险的可能性也不同，必要时可以增加或者减少卷积层的数量以提高判断的准确性。
基于供应商规模的司法风险预警装置，在本申请的一些实施例中，包括：
进程信息获取模块，所述进程信息获取模块获取招标采购信息；
信息获取模块，所述信息获取模块在招标采购的关键环节获取供应商的规模信息和司法信息，所述司法信息包括失信执行人信息、法院公告信息、裁判文书信息、执行公告信息的其中一种或几种；
预处理模块，所述预处理模块预处理所述供应商规模信息和所述司法信息，得到输入信息；
风险判定模块，所述风险判定模型将输入信息输入司法风险模型，所述司法风险模型为深度学习模型；
输出模块，所述输出模块输出的该供应商的司法风险等级。
基于供应商规模的司法风险预警终端，在本申请的一些实施例中，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器用于执行所述计算机程序以执行上所述的方法。
基于供应商规模的司法风险预警存储介质，在本申请的一些实施例中，存储有可被执行的计算机程序，所述计算机程序执行以实现上述的方法。
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.基于供应商规模的司法风险预警方法，其特征在于，包括：
获取招标采购进程信息；
在招标采购进程中的关键环节，获取供应商的规模信息和司法信息，所述司法信息包括失信执行人信息、法院公告信息、裁判文书信息、执行公告信息的其中一种或几种；
预处理所述供应商规模信息和所述司法信息，得到输入信息，将输入信息输入司法风险模型，所述司法风险模型为深度学习模型；
输出的该供应商的司法风险等级，所述司法风险等级包括低风险和高风险的其中一种。
2.根据权利要求1所述的基于供应商规模的司法风险预警方法，其特征在于，所述规模信息包括供应商总资产信息、供应商总收入信息和供应商总利润信息的其中一种或几种。
3.根据权利要求2所述的基于供应商规模的司法风险预警方法，其特征在于，所述司法风险模型为卷积网络模型，所述卷积网络模型的训练方法为：
获取训练样本数据，将样本数据输入卷积神经网络模型进行训练，得到初始风险预测模型；
获取测试样本数据，将测试样本数据输入初始风险预测模型进行评估测试。
4.根据权利要求1所述的基于供应商规模的司法风险预警方法，其特征在于，所述训练样本数据、所述测试样本数据为历史供应商的样本信息中的一部分，所述样本信息为历史供应商的规模信息、司法信息及司法风险等级；所述训练样本数据：所述测试样本数据=2~3:1
将样本信息进行图片化处理，裁剪为统一大小，对裁剪后的样本进行白化处理。
5.根据权利要求1所述的基于供应商规模的司法风险预警方法，其特征在于，所述卷积神经网络包括第一卷积神经网络和第二卷积神经网络；
将训练样本数据中的供应商规模信息输入第一卷积神经网络进行训练，所述第一卷积神经网络包括依次相连的第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层和第二全连接层；
在训练好的第一卷积神经网络中添加第三全连接层和第四全连接层以生成第二卷积神经网络，其中所述第三全连接层与训练好的第一全连接层相同并与第二池化层连接，所述第四全连接层与训练好的第二全连接层相同并与第三全连接层连接；
根据训练样本数据，对第二卷积神经网络进行训练。
6.根据权利要求1所述的基于供应商规模的司法风险预警方法，其特征在于，对第二卷积神经网络进行训练的方法包括：
将训练样本中的供应商规模信息、司法信息作为第二卷积网络中的第一卷积层的输入、所述司法风险等级作为第二卷积神经网络的输出，训练第二卷积神经网络。
7.根据权利要求1所述的基于供应商规模的司法风险预警方法，其特征在于，根据评估测试的结果对卷积神经网络进行优化，优化方法为：
在卷积神经网络的结构上，增加或减少卷积层数，重新进行训练。
8.基于供应商规模的司法风险预警装置，其特征在于，包括：
进程信息获取模块，所述进程信息获取模块获取招标采购信息；
信息获取模块，所述信息获取模块在招标采购的关键环节获取供应商的规模信息和司法信息，所述司法信息包括失信执行人信息、法院公告信息、裁判文书信息、执行公告信息的其中一种或几种；
预处理模块，所述预处理模块预处理所述供应商规模信息和所述司法信息，得到输入信息；
风险判定模块，所述风险判定模型将输入信息输入司法风险模型，所述司法风险模型为深度学习模型；
输出模块，所述输出模块输出的该供应商的司法风险等级。
9.一种终端，其特征在于，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器用于执行所述计算机程序以执行权利要求1~7任一项所述的方法。
10.一种存储介质，其特征在于，存储有可被执行的计算机程序，所述计算机程序被执行时实现权利要求1~7任一项所述的方法。
技术总结