📚 课程目录第2章寻源算法基础

2. 寻源算法基础：常见寻源算法介绍与选型原则

在智能寻源场景中，算法是驱动“从海量供应商中精准匹配中标候选”的核心引擎。本章将系统梳理三类主流寻源算法——RPA（机器人流程自动化）、ML（机器学习）和规则引擎，并给出面向中标场景的算法选型原则。

算法类别	核心机制	典型寻源场景	数据依赖	可解释性
RPA（机器人流程自动化）	模拟人工操作，按固定规则执行重复性任务	供应商资质自动核验、招标公告抓取、报价单录入	低（结构化表单）	极高（流程透明）
ML（机器学习）	从历史数据中学习模式，进行预测或分类	中标概率预测、供应商评分、异常报价检测	高（需大量标注历史数据）	中低（模型黑盒）
规则引擎	基于预定义业务规则（IF-THEN）进行决策	合规性检查、价格阈值过滤、品类匹配	低（规则库维护）	极高（规则可审计）

  关键认知： 三类算法并非互斥。在中标场景中，通常采用“规则引擎 + ML 模型 + RPA 执行”的混合架构，以兼顾效率、准确性与可解释性。

RPA 在寻源中主要承担“数据搬运工”角色。它不改变底层逻辑，而是通过模拟鼠标点击、键盘输入、屏幕抓取等操作，将人工从重复性工作中解放出来。

ML 是智能寻源的核心“大脑”。通过训练历史中标数据，模型可以学习到报价、资质、历史履约、市场行情等多维特征与中标结果之间的复杂映射关系。

常用模型： 梯度提升树（XGBoost/LightGBM）用于中标概率预测；聚类算法（K-Means）用于供应商分层；异常检测（Isolation Forest）用于识别围标串标。
数据要求： 至少需要 3 年以上的完整历史寻源数据，且需包含“中标/未中标”标签。
挑战： 数据稀疏性（某些品类历史中标样本极少）、模型漂移（市场环境变化导致旧模型失效）。

规则引擎是业务逻辑的“硬编码”层。它将采购专家的经验转化为可执行的决策规则，常用于前置过滤和后置校验。

规则示例：

规则1: IF 报价 > 预算上限 * 1.1 THEN 标记为“超预算”
规则2: IF 供应商等级 = “黑名单” THEN 直接淘汰
规则3: IF 历史履约评分 < 60 THEN 触发人工复核

实战建议： 在调试参数时，规则引擎的阈值（如价格上浮比例）通常作为 ML 模型输出的“安全护栏”。例如，ML 模型推荐了中标候选人，但规则引擎会拦截掉所有报价超过预算 10% 的候选。

选型不是“哪个最好”，而是“哪个最适合当前场景”。以下五条原则适用于中标场景的算法选型：

数据成熟度原则： 历史数据充足且标签清晰 → 优先 ML；数据缺失或质量差 → 优先规则引擎 + RPA。
可解释性要求原则： 采购决策需要审计（如国企、政府项目）→ 优先规则引擎或可解释 ML（如决策树、线性模型）；内部效率优化 → 可使用复杂 ML 模型。
变更频率原则： 业务规则频繁变动 → 优先规则引擎（热更新）；市场模式稳定 → 优先 ML（模型定期重训）。
实时性要求原则： 毫秒级实时决策（如自动报价拦截）→ 优先规则引擎；准实时（如每日供应商评分）→ 可接受 ML 推理延迟。
成本与维护原则： 团队缺乏算法工程师 → 优先 RPA + 规则引擎；有专职数据团队 → 可引入 ML 提升精度。

下图展示了在中标场景中，RPA、ML 和规则引擎如何协同工作，形成从数据采集到决策输出的完整链路。

常见误区：