论文部分内容阅读
供应链管理在企业的运作中越来越发挥着重要的作用,对下游生产厂商而言,上游供应商的风险很容易通过供应链传导,进而对自身经营造成负面影响,因此如何对供应商进行健康度评估成为企业越来越关注的问题之一。传统的健康度评估方法人工成本较高,且专家的主观意见对评估结果的影响较大。本文主要基于传统机器学习及迁移学习和终身学习的方法对供应商健康度评估问题进行探索,并构建了性能优良的评估模型。具体研究内容如下:(1)为了更好地从训练数据中挖掘信息,进一步提高模型的评估性能,本文在集成学习方法的基础上构建了基于维度划分的健康度评估模型。在模型构建过程中,首先将通过Logistic、随机森林和XGBoost基分类器得到的二级特征与原始特征合并,得到用于训练二级分类器的混合训练集。随后借鉴CNN对区域特征进行提取的思想,创新性地将混合训练集中的特征按照偿债能力、盈利能力、运营能力、发展能力和二级特征进行划分,并在训练二级分类器之前先在维度内部进行一次网络变换,最后通过ANN二级分类器得到评估结果。通过与其他常用的健康度评估方法进行比较,该模型取得了较好的评估效果。(2)由于行业差异性的存在,为每个行业建立单独的评估模型往往会取得更好的评估效果,但行业过多会导致评估模型的数量过多,因此本文将迁移学习和终身学习的思想相结合,创新性地提出了基于相似度的多任务学习方法,Fine-tune+SI。该方法的主要思想是,对差异较大的任务构建不同模型,将差异较小任务的模型合并。不同行业间的差异使得单模型评估方法无法有效针对所以行业进行评估,本文将每个行业划作一个单独的任务,并利用本文提出的多任务学习方法进行模型构建。实验表明本文提出的基于相似度的多任务学习方法可以在保证模型性能的情况下,大幅降低模型复杂度,将模型个数从14个降为了4个。此外,该方法还可以在一定程度上对行业间内在的相关性进行挖掘分析。(3)为加速供应商健康度评估模型在实际生产环境中的应用,本文基于python的Flask框架开发了供应商健康度评估服务,服务集成了模型训练、模型评价和模型应用等模块,并提供了对企业进行健康度评估的功能,同时厂商还可以上传自己的数据集并在其上训练模型。