随着近年来中国经济社会的高速增长,作为政府各部门管理工作的基础,合同管理已经成为各行各业管理工作中的重点管理内容,也成为科学决策和预警提示的主要依据。当下世界经济的高度一体化和计算机科学的飞速发展,推动整个社会迈入了信息化的大数据时代,如何利用大数据技术更好地为人们服务,是目前大家广泛研究的重点内容之一。作为高校统计数据的重要内容之一,合同统计数据仍然面临着质量不高、准确度低,以及数据质量严重失真的问题,影响了数据的功效,尤其是学校决策支撑功能的充分发挥,所以怎样有效评估合同数据的质量问题,有着深刻的理论研究与实践运用的价值。在此背景下,本文研究了合同数据质量的评价方法。在文献研究的基础上,本文展开论述了高校合同管理的手段和问题,介绍了异常检测的理论与应用,整理了数据质量评估的方法和特点。其次,选择某高校合同统计数据中的四类重点合同,即购销合同、修缮施工合同、横向科研项目合作合同、非横向科研项目合作合同,结合机器学习技术与人工经验,对该校合同统计数据质量进行评估。首先基于学院对四类重点合同进行简单的描述统计,对异常的分布情况进行了初步判断,然后依据合同统计数据的特点采用了两种适用的无监督学习算法,孤立森林算法和LOF算法,在检测出异常之后,通过人工经验去确定异常的背后是否符合局部和整体的变化规律。最后选择无监督的KMeans算法对合同统计数据进行质量评估,通过异常数据的占比对数据质量做出正确评价。研究结果证明两种无监督的异常检测算法在识别合同统计数据中的异常时,均具有较高的准确性。孤立森林算法不需要配置参数,所以较其他算法有显著的简便性;而LOF算法在识别局部数据中的异常时更为敏锐。从检测结果来看,本文采用的两种无监督算法所识别的异常值,在反映其背后的社会背景或规律时较为准确,因此初步认为该校合同统计数据质量较好。该校的购销合同统计数据在2021年仅有上半年的数据,数据分布较为稀疏,因此无法判断所识别的2021年的异常点是否为杂质点;横向科研项目合作合同统计数据中,该校2020年的合同金额值存在偏高情况,不符合当时的社会背景,因此被判为杂质点,其余时段所产生的异常点均不是杂质点。最后,通过基于KMeans算法的合同统计数据质量评估的结果,可以看到四类重点合同中,异常数据的占比均很小,说明绝大部分数据的波动都是处于正常范围之内的,即该校合同统计数据的质量较好。本文的主要贡献是在某高校合同统计数据质量的研究中,提出了基于机器学习的异常检测和质量评估的方法去评估合同统计数据的质量。实验研究结果表明,本文采用的机器学习的方法可以有效鉴别异常并对数据质量做出正确评价。