基于CNM-BA的投標異常行為的離散化信息識別技術

摘要：電力供應商圍標串標主要依靠人工經驗識別，準確率低、識別時間長和識別誤差大。結合圍標、串標中的離散化行為特征，設計基于社團檢測-蝙蝠算法（CNM-BA）識別圍標串標行為。融合改進蝙蝠算法和關聯規則算法提取圍標串標行為特征，離散化獲取交易軌跡和行為特點，創新性地離散化改進蝙蝠算法；利用支持向量機算法對交易軌跡和特點信息進行識別分類，識別圍標串標異常行為。實驗結果表明，該方法的識別準確率高于88%，識別時間小于10 s，降低了識別誤差，可以準確識別圍標串標行為。

關鍵詞：CNM-BA離散化；圍標串標；蝙蝠算法；關聯規則；支持向量機算法

中圖分類號：TP391.97文獻標志碼：A文章編號：1001-5922（2024）10-0137-04

Discrete information recognition technology of abnormal"bidding behavior based on CNM-BA

SONG Yongchun1，2"，LI Zhi3，CAO Yu1，KAN Tao1，SONG Shu1

（1. Anhui Wandian Tendering Co.，Ltd.，Hefei 230022 China；2.Anhui Jianzhu University，Hefei 230601，China；"3. Anhui Jiyuan Software Co.，Ltd.，Hefei 230022，China）

Abstract：The power supplier’s bid collusion mainly relies on manual experience identification，with low accura?cy，long identification time and large identification error. Combined with the discrete behavior characteristics of bidcollusion and bid collusion， the design was based on the Finding Local Community Structure in Networks-Bat Algo?rithm（CNM-BA）to identify the collusion behavior. The improved bat algorithm and association rule algorithmwere integrated to extract the behavior characteristics of the beacon collusion，the transaction track and behaviorcharacteristics were discretized，and bat algorithm was creatively discretely improved. The support vector machinealgorithm was used to identify and classify the trading track and characteristic information，and to identify the abnor?mal behavior of bid collusion. The experimental results showed that the recognition accuracy of this method washigher than 88%，and the recognition time was less than 10 s，which reduces the recognition error and can accurate?ly identify the behavior of collusion.

Keywords：CNM-BA discretization；bid collusion；bat algorithm；association rules；support vector machine algorithm

大數據信息中特定行為的識別技術已廣泛應用于汽車、金融、電力等行業，其可以有效識別企業行為特征，為防范風險提供依據。如結合BERT模型方法和語義分析方法，精細計算敏感信息的敏感程度，識別過濾以關鍵詞形式出現的不良信息[1]。利用整體層面應遵循效用最大化的分析模式，當符合成本最小化條件時，識別存在社會性意圖的2個智能體間的結構信息[2]。因此，為了保證電力企業高效有序發展，可以利用大數據信息識別技術分析電力供應商的圍標串標行為。為此本文利用社團檢測-蝙蝠算法（CNM-BA）離散化算法識別圍標串標行為信息。利用二進制蝙蝠算法離散化處理行為信息，通過關聯規則算法挖掘圍標串標信息，構建行為特征提取模型，使得電力供應商的圍標串標信息識別過程具有高準確率，短時間，低誤差的優點。

1識別圍標串標行為信息

1. 1違規操作信息特征離散化

為了進行有效識別，可以挑選具備較多交叉產品的物資類別，但投標文件間的相似度較高，或者同一招標文件制作投標文件、同一賬號虛擬保證金、文件相似度分析、同一設備電子簽章等內容，此類違規操作的目標信息的全局搜索過程成為難點[3-4]，因此在蝙蝠算法的基礎上，對投標單位的授權情況、商務標情況、投標單位的價格文件等交易軌跡和特點信息進行離散化，實現蝙蝠算法的創新性優化。

設全局搜索速度Vit和位置Xit的離散化公式定義如下：

式中：?為離散運算符號；V為網絡中的誠信節點i。

假設由m個不同項目組成的集合通過I={ii1 2im}來表示。設置D表示信息數據庫，此時在I中，每個信息T均是其中任意一組項目集合，即Tì1，且T僅有一個標志符，那就是TID。倘若項集Xì1且XìT，這時項集X在信息集T中。XY就是關聯規則的方程式，此時Xì1、Yì1，XY=Φ，實現關聯分析。

關聯規則的優劣取決于對適應度函數的設置情況，根據適應度值的設定大小，分析意向期望效用，完成行為信息特征提取。適應度函數被設置后定義如下：

式中：Support（A?B）為關聯規則A?B的支持度；Confidence（A?B）為置信度；N1和N2分別為意向區間和協商區間的權重參數，即N1+N2=1，主要對支持度和置信度進行平衡；*為適應度函數計算。

設定適應度函數后通過關聯規則數據挖掘算法提取圍標串標行為特征[5]，將電力供應商交易信息數據轉換至布爾矩陣完成對f（x）適應度值函數計算，

根據平衡情況獲取圍標串標的交易軌跡和行為特征即違規操作特征。

1. 2基于支持向量機的圍標串標行為分類與識別

將上述獲取的圍標串標交易軌跡和行為特征輸入至支持向量機中，依據線性可分情況，按照圍標串標特征進行分類，選擇最優分類面進行線性不可分處理，結果如圖1所示。

根據圖1可知，H1和H2分別表示與分類超平面相距最近的面，分類超平面為H，二者之間的距0離被稱作分類間隔。最優分類超平面是為了保證訓練過程中的低錯誤率，最大化分類間隔。

假設（xy）表示線性可分訓練集，其中i=1ii2n，即x?Rdy?{+1-1}。分類超平面Hi0在高維空間內的方程表達式為：

式中：f（x）為分類函數；xi為圍標串標支持向量；ω為樣本；b為閾值。將樣本劃分為2類，每類的最大間

隔距離用描述，ω2為間隔距離，令等于ω2的最小值。最佳超平面可以定義為：

在H1和H2中，將訓練樣本點輸入支持向量中。

通過經驗風險最小化準則y（ω×x+b）1i=12iin，有效識別社團i與社團j。采用CNM-BA離散化算法，在變換空間中取得最優分類面，定義為：

式中：α為社團i的拉格朗日乘子，對應各培訓樣本i。將建立的最優分類超平面問題轉化為二次規劃問題，得到關于共謀行為信息的最優解，即網絡社區結構強度最大的社團i和社團j，從而得到最優分類超曲面的分類函數：

式中：x為二次規劃α*的最優解；b為分類閾值。通ii過上式實現對圍標串標行為信息的高效識別。

但是在非線性問題內，無法將分類面分成兩類，所以需要先將其轉換為高維空間內的線性問題，即應用離散化處理后的蝙蝠算法[6]，獲取異常信息數據，在變換空間中取得最優分類面。此時，將圍標串標行為信息識別問題轉換為最優化超平面問題，目標函數為：

式中：K（xi×xj）為核函數。如果核函數選取得當，結合業務實際，分析每一個社團i與社團j間的強關聯規則，并且橫向分析各供應商投標前后的價格以及價格變化與投標價格間的差異；若支持向量機下的訓練樣本點滿足目標函數，則可以判斷是否存在不合理的投標行為，項目將以最低投標價格為準，并依據提取的交易軌跡和行為特征，完成對電力供應商圍標串標行為信息識別。

2實例與分析

為了驗證CNM-BA離散化算法下圍標串標行為信息識別技術的整體有效性，通過CNM-BA離散化算法下圍標串標行為信息識別技術（方法1）、文獻[1]BERT模型方法和語義分析方法相結合的識別方法（方法2）和文獻[2]基于成本最小化信息的識別方法（方法3）對電力供應商圍標串標行為識別效果進行測試。

2. 1離散化特征識別準確率分析

在關聯矩陣中，800個離散化特征中包含25個異常信息數據即違規操作特征，通過對比不同方法對圍標串標行為進行識別，識別準確率分析結果如圖2所示。

根據圖2中的數據可知，3種方法的識別準確率由高到低依次為方法1、方法3、方法2，這是因為本文方法利用了二進制蝙蝠算法獲取全局最優蝙蝠，引入位置概念，并在蝙蝠算法的基礎上進行離散化，離散化處理后的蝙蝠算法對異常信息數據有較強的魯棒性，可以獲取全局最優蝙蝠，有利于提取電力供應商圍標串標行為信息特征，提升了圍標串標行為信息的處理能力。

2. 2行為信息識別時間分析

將8家電力供應商的所有行為信息作為測試樣本集，將非線性問題轉換為高維空間內的線性問題時，其800個特征全局搜索位置的意向區間被離散化表示為圖3所示。

圖3中，離散化處理后，其間隔明確，便于獲取按照圍標串標特征最優分類面與分類超平面相距最近的面，進而保證在變換空間中取得最優分類面。

將實例測試過程重復100次，樣本數據集包含800個行為信息，假設識別時間為30 s，基于圖3意向區間被離散化形式，采用3種方法測試識別800個行為信息的時間，結果如圖4所示。

由圖4可知，當行為信息數量提高，識別時間隨之增加，當方法的對應曲線切線斜率小于1，即小于收斂性曲線，則為迭代收斂，否則無法收斂，本文方法在200個行為信息數量完成收斂，而其他方法始終未收斂。因此本文方法收斂性較強。識別時間測試中，方法1的識別時間低于方法2和方法3，方法1的識別時間明顯小于10s。由此表明，方法1在行為信息識別過程中耗時最短。

2. 3變換誤差分析

設置電力供應商在投標過程中的8次投標結果，通過不同誠信節點下的誤差分析結果測試，對電力供應商投標行為進行信息識別誤差測試，具體測試結果如圖5所示。

由圖5可知，不同誠信節點下，方法1的變換誤差始終保持最低，誤差不超過30個，這是因為方法1提取圍標串標特征時，在變換空間中，應用行為特征提取模型對圍標串標信息進行了充分的數據挖掘，保證支持向量機下的訓練樣本點滿足目標函數，即減少變換誤差，助力圍標串標行為識別效果。

3結語

由于電力企業之間競爭激烈，許多供電企業在投標過程中采取圍標、串通等方式牟利，為解決這一問題，必須有效識別電力供應商圍標串標行為。本文提出了一種CNM-BA離散化算法下圍標串標行為信息識別技術。采集電力供應商圍標串標行為信息，建立圍標串標行為信息分析模型，提取圍標串標行為特征，根據交易軌跡和行為特征，有效識別電力供應商圍標串標行為信息。通過對比實驗結果可知，本文方法信息識別準確率均值為93%，信息識別在10s內可以有效識別800個行為信息，識別誤差為0，提高了電力供應商圍標串標信息行為識別的有效性，具有較強實用性。

【參考文獻】

[1]李瀛，王冠楠.網絡新聞敏感信息識別與風險分級方法研究[J].情報理論與實踐，2022，45（4）：105-112.

[2]林靜，黃量杰成，何耘豐，等.基于成本最小化信息的社會性意圖識別：來自腦電和行為的證據[J].心理學報，2022，54（1）：12-24.

[3]鄒金，袁爽，禤培正，等.考慮預測誤差的風電場電量投標博弈分析[J].電力系統自動化，2020，44（1）：219-225.

[4]盧華升，丁娟，霍明林.投標人圍標、串標行為在電子招標投標中的風險識別與防范[J].招標采購管理，2021（3）：29-32.

[5]屠海彪，顏亦磊，劉凱銳，等.一種高效的支持向量機回歸補償算法[J].信息技術與信息化，2021（11）：36-42.

[6]王敏，王勇，鄒春明，等.基于多新息擴展Kalman粒子群的Modbus協議攻擊檢測方法[J].微型電腦應用，2022，38（10）：1-5.