3. 智能寻源算法架构：算法输入、处理与输出

智能寻源算法的核心是将采购决策从“经验驱动”转向“数据+模型驱动”。在中标场景下，风险权重作为关键调节因子，贯穿整个算法链路。理解算法架构是定位风险权重故障的前提。本章从输入、处理、输出三个环节拆解架构，并重点标注风险权重的介入点。

3.1 算法输入：标书与供应商画像

算法输入层负责将非结构化的招标需求与结构化的供应商数据融合，形成统一的特征空间。输入质量直接决定后续评分与排序的可靠性。

3.2 算法处理：评分与排序

处理层是算法的核心引擎，包含特征工程、评分模型、风险加权与排序逻辑。风险权重在此层以“惩罚项”或“调节系数”的形式参与计算。

3.2.1 评分模型架构

评分模型通常采用多维度加权求和的方式，风险权重作为独立维度或调节因子嵌入其中。以下为典型评分公式：

最终评分 = (价格评分 × W_price) 
          + (技术评分 × W_tech) 
          + (服务评分 × W_service) 
          - (风险评分 × W_risk)

其中：
- W_price + W_tech + W_service + W_risk = 1
- 风险评分 = f(信用风险, 履约风险, 合规风险, 市场风险)
- W_risk 为风险权重，默认值通常设为 0.15 ~ 0.30

3.2.2 排序逻辑与风险阈值

排序阶段不仅依赖最终评分，还需结合风险阈值进行“一票否决”或“降级处理”。常见排序策略如下：

• 综合排序法： 按最终评分降序排列，取 Top-N 进入中标候选列表。
• 风险阈值过滤法： 若供应商风险评分超过预设阈值（如 0.7），则直接淘汰，不参与排序。
• 分层排序法： 将供应商按风险等级分为“低风险池”、“中风险池”、“高风险池”，在低风险池内按评分排序，中风险池需额外提供担保措施。

3.3 算法输出：中标推荐列表

输出层将排序结果转化为可执行的中标推荐列表，同时附带风险说明与置信度指标。输出格式需满足采购合规要求，并支持人工复核。

3.4 智能寻源算法架构总览

以下 SVG 图展示了从输入到输出的完整数据流，并标注风险权重在评分与排序环节的介入位置。

3.5 风险权重故障的典型表现

当风险权重在算法链路中出现异常时，输出结果会呈现以下可观测特征，可作为故障排查的切入点：

• 评分分布异常： 所有供应商评分集中在极窄区间（如 0.95~1.0），说明风险权重未起到区分作用。
• 高风险供应商排名靠前： 历史履约记录差的供应商出现在推荐列表前三位，表明风险权重可能被置零或阈值失效。
• 置信度普遍偏低： 算法对推荐结果的置信度低于 0.5，提示输入特征或权重配置存在冲突。
• 风险等级与评分矛盾： 供应商风险等级为“高”，但最终评分却高于“低风险”供应商，说明风险权重未正确参与评分计算。