薄利軍，夏文杰，閆新慶

(華北水利水電大學(xué)信息工程學(xué)院，河南鄭州 450011)

我國是一個能源消耗大國，在眾多能源消耗中，煤炭能源占絕大部分。據(jù)預(yù)測，到2020年全國煤炭消費(fèi)量將達(dá)到約48億噸。目前，煤炭在我國一次能源消費(fèi)結(jié)構(gòu)中的比重在60%以上，煤炭工業(yè)仍具有較大的發(fā)展空間［1］。煤炭銷售關(guān)系到國家的經(jīng)濟(jì)發(fā)展和企業(yè)的切身利益。

在大型煤炭企業(yè)的銷售中，礦井、運(yùn)銷公司和客戶構(gòu)成了星形網(wǎng)絡(luò)，運(yùn)銷公司位于網(wǎng)絡(luò)的中心。礦井通過內(nèi)部結(jié)算方式將生產(chǎn)的煤炭銷售給運(yùn)銷公司，運(yùn)銷公司再將煤炭銷售給客戶。由于煤炭運(yùn)輸?shù)木窒扌裕糠执笮涂蛻艉兔禾科髽I(yè)構(gòu)建了戰(zhàn)略聯(lián)盟關(guān)系。

2006年以來，我國煤炭銷售采用質(zhì)量分級的發(fā)熱量浮動計價政策，這使得煤炭產(chǎn)品在交易中的價格計算有了明確的標(biāo)準(zhǔn)，規(guī)避了傳統(tǒng)噸煤計價政策所導(dǎo)致的質(zhì)量與價格的偏離問題，但也帶來了交易雙方因檢測值不同產(chǎn)生的貿(mào)易糾紛等新問題。同時市場環(huán)境的變化使得煤炭企業(yè)逐漸從片面追求利潤最大轉(zhuǎn)向構(gòu)建戰(zhàn)略聯(lián)盟，形成了區(qū)域煤炭市場壟斷供給局面［2］。

但由于采樣的隨機(jī)性，礦井與客戶對同一批煤采樣得到的發(fā)熱量值均不同，致使貿(mào)易糾紛的產(chǎn)生，影響交易雙方的信譽(yù)。針對這一情況，本文通過對雙方大量歷史交易數(shù)據(jù)的深入研究，提出應(yīng)用貝葉斯概率進(jìn)行煤炭交易對象的選擇推薦。

貝葉斯概率主要用來表示事件在條件下發(fā)生的概率，其在郵件過濾、水文預(yù)測、數(shù)據(jù)挖掘等方面均有廣泛應(yīng)用［3－4］。在研究中，針對大型煤炭企業(yè)銷售，根據(jù)雙方以往交易次數(shù)所占各自交易比例和雙方無爭議交易次數(shù)，較真實(shí)和準(zhǔn)確地預(yù)測雙方下次成功交易的可能性，在此基礎(chǔ)上提出應(yīng)用貝葉斯概率計算交易雙方的信譽(yù)度，使得運(yùn)銷公司比較各種可能交易對象的信譽(yù)度，實(shí)現(xiàn)銷售的最優(yōu)選擇推薦，降低了交易雙方產(chǎn)生貿(mào)易糾紛的可能，保證交易各方的利益。

1 貝葉斯概率

貝葉斯定理由英國數(shù)學(xué)家貝葉斯提出，用來描述兩個條件概率之間的關(guān)系，其基本公式為

對上述公式進(jìn)行變形，可得到隨機(jī)事件的貝葉斯公式:若 B1，B2，B3，…，為一系列互不相容的事件，且

則對任一事件A，有

其中，i=1，2，…。

式(2)中A表示已發(fā)生的事件，引起A發(fā)生的可能性有i種(最大為無窮個，實(shí)際中可能為n個)，每種事件為Bi，P(Bi)表示先驗概率，是在A發(fā)生前就發(fā)生的，通過計算可直接得到表示 Bi引起A發(fā)生的概率，稱為后驗概率越大，則表示Bi引起A發(fā)生的可能性越大［5］。

對于煤炭交易雙方而言，由于雙方交易環(huán)境相對穩(wěn)定，在一段時期內(nèi)產(chǎn)生的交易數(shù)據(jù)就有了較高分析價值。例如，對于某一礦井，其有若干客戶，而每個客戶所占交易比例不同，且礦井和客戶進(jìn)行交易時，雙方的無爭議成交比例也不相同，則在礦井需選擇客戶時，通常希望交易的對象是與其交易次數(shù)較多且無爭議成交比例較高的客戶。同樣，客戶在選擇礦井時也遵循這一原則，而這兩個因素均可通過概率統(tǒng)計表示，且每一筆交易又可看成是一個隨機(jī)事件，因而可通過隨機(jī)事件的貝葉斯公式來進(jìn)行相關(guān)數(shù)據(jù)的統(tǒng)計分析。將這兩部分的統(tǒng)計結(jié)果用一個概率表示，其可稱之為信譽(yù)度值，其值范圍為［0，1］，決定因素即為雙方交易次數(shù)所占礦井(客戶)交易總次數(shù)比例和雙方無爭議成交比例。可根據(jù)需要對影響因素設(shè)置不同的權(quán)值，更準(zhǔn)確的計算信譽(yù)度值，信譽(yù)值越接近1，表示其越適合被推薦，通過比較某一礦井(客戶)的各客戶(礦井)的信譽(yù)度值來對其進(jìn)行最優(yōu)選擇推薦。

2 基于貝葉斯概率煤炭銷售推薦流程

基于貝葉斯概率的煤炭銷售推薦流程及具體步驟如圖1所示。

圖1 煤炭銷售推薦流程圖

步驟1 統(tǒng)計一段時間內(nèi)大型煤炭企業(yè)交易雙方的歷史數(shù)據(jù)，若存在n個礦井和k個客戶，記錄各個礦井和客戶的交易總次數(shù)及無爭議交易次數(shù)。

步驟2 根據(jù)條件概率公式

計算出對于每個礦井(客戶)，其的每個客戶(礦井)所占其交易總次數(shù)的比例。若上式B代表礦井;Ai代表客戶，則P(AiB)表示礦井B與客戶Ai的交易次數(shù);P(B)表示礦井 B與所有客戶的交易次數(shù);P(Ai)表示客戶Ai與礦井B發(fā)生交易次數(shù)所占礦井B所有交易次數(shù)的比例，若上式B代表客戶，Ai代表礦井，則)表示客戶B與礦井Ai發(fā)生交易次數(shù)所占客戶B所有交易次數(shù)的比例。

步驟3 計算每個礦井和每個客戶無爭議交易比例，即

其中，i=1，2，…，n，j=1，2，…，k。統(tǒng)計得到各礦井和客戶的無爭議交易比例。

步驟4 通過貝葉斯概率公式計算各交易對象信譽(yù)度值，在計算信譽(yù)度值時，不同的客戶側(cè)重點(diǎn)可能不同，因此對雙方交易次數(shù)所占礦井(客戶)交易總次數(shù)比例和雙方無爭議成交比例設(shè)置不同的權(quán)值，以滿足不同客戶需求，設(shè)權(quán)值系數(shù)分別為g，l，則有

其中，i=1，2，…;j=1，2，…;g，l∈［0，1］，g+l=1。

若Ai表示礦井;Bj表示客戶，則 P(P(AiP(Xij)))表示礦井Ai對于該客戶Bj所擁有的信譽(yù)度值，信譽(yù)度值越高，表示這一礦井相較于其他礦井而言與這一客戶的交易次數(shù)、無爭議交易次數(shù)越多。因而該礦井更適合這一客戶，則會優(yōu)先將這一礦井推薦給該客戶。值越接近1，表示這個礦井越適合這一客戶，對于該客戶而言，其的信譽(yù)度越好，產(chǎn)生貿(mào)易糾紛的可能性越小。反之，則表示其的信譽(yù)度較差，不適合做最優(yōu)推薦。若Ai表示礦井，Bj表示客戶，同理運(yùn)銷公司根據(jù)比較信譽(yù)度值向礦井推薦合適客戶，信譽(yù)度值相同的情況下，則通過比較雙方交易次數(shù)，推薦交易次數(shù)較多者。

3 實(shí)驗分析

以平頂山天安煤業(yè)股份有限公司一段時期礦井與客戶的煤炭質(zhì)量檢驗數(shù)據(jù)為例，基于貝葉斯概率理論實(shí)現(xiàn)為雙方推薦合適的交易對象。該煤炭企業(yè)有8個生產(chǎn)煤礦(M1～M8)，與15家戰(zhàn)略聯(lián)盟客戶(C1～C15)進(jìn)行長期煤炭營銷合作。對運(yùn)銷公司而言，可將雙方的大量歷史交易數(shù)據(jù)作為數(shù)據(jù)來源，從中進(jìn)行深入挖掘和統(tǒng)計分析，并最終通過計算和比對信譽(yù)度值實(shí)現(xiàn)對交易對象的選擇推薦，雙方一段時期內(nèi)的交易數(shù)據(jù)統(tǒng)計，如表1所示。

表1 礦井與客戶的交易數(shù)據(jù)

表 1 中，Mi(i=1，2，3，…，8)表示礦井，Cj(j=1，2，3，…，15)表示客戶，中間數(shù)據(jù)表示兩者之間的交易數(shù)據(jù)，記為“礦井與客戶無爭議交易次數(shù)礦井與客戶所有交易次數(shù)”，空值表示二者并未交易數(shù)據(jù)。

根據(jù)表1可通過條件概率公式計算得到相對于每個礦井Mi(或每個客戶Cj)，其客戶Cj(礦井Mi)與之發(fā)生交易次數(shù)占其所有交易次數(shù)的比例。

其次，計算雙方無爭議交易次數(shù)占雙方交易次數(shù)的比例。然后，通過貝葉斯概率公式計算礦井(客戶)中每個客戶(礦井)的信譽(yù)度，這里權(quán)值系數(shù)均設(shè)置為0.5。最終，若Ai表示客戶，Bj表示礦井，當(dāng)需計算礦井的每個客戶的信譽(yù)度時，則表示礦井中某位客戶所占交易比例，P(Xij)表示該客戶與礦井無爭議交易所占的比例，則表示該客戶對此礦井所擁有的信譽(yù)度通過計算，可得到表2數(shù)據(jù)。

表2 各客戶相對某一礦井的信譽(yù)度值

對于礦井Mi而言，客戶信譽(yù)度越大，則該客戶越適合推薦。從表2中可看出，對于礦井M1，所有客戶中客戶C1的信譽(yù)度值最大，為0.427，從表1中也可看出對于礦井M1，客戶C1的交易量和無爭議次數(shù)均比較高，運(yùn)銷公司將礦井M1生產(chǎn)的煤推薦給客戶C1則較為理想。同理，對于礦井M6，客戶C6是其最合適客戶，其信譽(yù)度達(dá)到0.17。從表1中可看出，礦井M6與客戶C6進(jìn)行交易次數(shù)較多，且無爭議比例也相對較高，所以其成為最適合推薦的交易對象。

同理，當(dāng)Ai表示礦井，Bj表示客戶，表示計算客戶的每個礦井的信譽(yù)度值表示客戶中某一個礦井所占交易比例，P(Xij)表示該客戶與礦井無爭議交易所占的比例，則P(P(AiP(Xij))表示該礦井對于該客戶所擁有的信譽(yù)度值，信譽(yù)度值越高，表示此礦井越適合該客戶，則會優(yōu)先將這一礦井推薦給該客戶。文中將權(quán)值系數(shù)均設(shè)置為0.5，通過計算，可得到表3數(shù)據(jù)。

表3 各礦井相對某一客戶的信譽(yù)度值

如表3所示，對于客戶C1，礦井M1的信譽(yù)度最高，為0.292，如表1所示。對于客戶C1的所有交易礦井中，礦井M1是交易次數(shù)最多且無爭議次數(shù)較多的，所以其是最適合推薦給客戶C1的礦井。

實(shí)驗表明，通過礦井和客戶交易次數(shù)所占礦井(客戶)總交易的比例和礦井與客戶成功交易比例計算得出的信譽(yù)度值能較真實(shí)的反映雙方歷史交易情況，通過比較信譽(yù)度值，可實(shí)現(xiàn)對運(yùn)銷公司的最優(yōu)客戶推薦，當(dāng)運(yùn)銷公司需為雙方選擇交易對象時，推薦給其一個可信度較高的合適客戶，進(jìn)而降低雙方交易風(fēng)險，使其能準(zhǔn)確做出選擇。而信譽(yù)度值的計算又是立足雙方以往的交易數(shù)據(jù)，所以具有較高的可信度。

4 結(jié)束語

本文提出了將貝葉斯概率運(yùn)用到煤炭商品交易雙方的交易對象推薦中，通過在大型煤炭企業(yè)銷售中對交易雙方大量歷史交易數(shù)據(jù)的深入分析與挖掘，根據(jù)雙方交易次數(shù)所占各自交易比例，以及雙方無爭議交易次數(shù)比例，并通過設(shè)置不同的權(quán)值系數(shù)，應(yīng)用基于貝葉斯概率的的方法計算交易雙方的信譽(yù)度值。并以此為依據(jù)實(shí)現(xiàn)了為運(yùn)銷公司優(yōu)化推薦交易對象，降低和減少交易雙方的貿(mào)易風(fēng)險，從而達(dá)到維護(hù)煤炭交易雙方利益。

［1］岳福斌.中國煤炭工業(yè)發(fā)展研究報［M］.北京:中國經(jīng)濟(jì)出版社，2013.

［2］閆新慶，王換換，栗青霞，等.基于改進(jìn)K－Means聚類的煤炭交易者信譽(yù)度劃分［J］.計算機(jī)工程與應(yīng)用，2014(2):1－8.

［3］張銘，李承軍，張勇傳.貝葉斯概率水文預(yù)報系統(tǒng)在中長期徑流預(yù)報中的應(yīng)用［J］.水科學(xué)進(jìn)展，2009，20(1):40－44.

［4］李翔鷹，葉楓.一種基于多貝葉斯算法的垃圾郵件過濾方法［J］.計算機(jī)工程與應(yīng)用，2006(31):114－116.

［5］王洪春.貝葉斯公式與貝葉斯統(tǒng)計［J］.重慶科技學(xué)院學(xué)報:自然科學(xué)版，2010，12(3):203 －205.

［6］謝斌.樸素貝葉斯分類在數(shù)據(jù)挖掘中的應(yīng)用［J］.甘肅聯(lián)合大學(xué)學(xué)報:自然科學(xué)版，2007，21(4):79 －91.

［7］李靜梅，孫麗華，張巧榮，等.一種文本處理中的樸素貝葉斯分類器［J］.哈爾濱工程大學(xué)學(xué)報，2003，24(1):71－74.

［8］許敬，王曉鋒.基于貝葉斯概率的運(yùn)動目標(biāo)識別方法［J］.南京理工大學(xué)學(xué)報，2013，37(1):76 －80.

［9］賴英旭，楊震.改進(jìn)貝葉斯算法在未知惡意軟件識別中的研究［J］.北京工業(yè)大學(xué)學(xué)報，2011，37(5):766 －772.

［7］孟憲福，陳莉.基于貝葉斯理論的協(xié)同過濾推薦算法［J］.計算機(jī)應(yīng)用，2009，29(10):2733 －2735.

［8］楊靜，陳冬，程小紅.貝葉斯公式的幾個應(yīng)用［J］.大學(xué)數(shù)學(xué)，2011，27(2):166 －169.

［9］吳奎，周獻(xiàn)中，王建宇，等.基于貝葉斯估計的概念語義相似度算法［J］.中文信息學(xué)報，2010，24(2):52 －67.

［10］徐光美，楊炳儒，張偉，等.多關(guān)系數(shù)據(jù)挖掘方法研究［J］.計算機(jī)應(yīng)用研究，2006(9):8－12.

［11］HAN Jiawei，MICHELINE K，PEI Jian.數(shù)據(jù)挖掘:概念與技術(shù)［M］.3版.范明，孟小峰，譯.北京:機(jī)械工業(yè)出版社，2012.

［12］PEDRAM M，BEHZAD T，MAJID A J，et al.Application of bayesian in determining productive zones by well log data in oil wells［J］.Journal of Petroleum Science and Engineering，2012(94－95):47－54.