CN109636467B - 一种品牌的互联网数字资产的综合评估方法及系统 - Google Patents

一种品牌的互联网数字资产的综合评估方法及系统 Download PDF

Info

Publication number
CN109636467B
CN109636467B CN201811522475.1A CN201811522475A CN109636467B CN 109636467 B CN109636467 B CN 109636467B CN 201811522475 A CN201811522475 A CN 201811522475A CN 109636467 B CN109636467 B CN 109636467B
Authority
CN
China
Prior art keywords
index
fuzzy
asset
data
indexes
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811522475.1A
Other languages
English (en)
Other versions
CN109636467A (zh
Inventor
王宇
张奇业
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Luoyang Bode Tiance Network Technology Co ltd
Original Assignee
Luoyang Bode Tiance Network Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Luoyang Bode Tiance Network Technology Co ltd filed Critical Luoyang Bode Tiance Network Technology Co ltd
Priority to CN201811522475.1A priority Critical patent/CN109636467B/zh
Publication of CN109636467A publication Critical patent/CN109636467A/zh
Application granted granted Critical
Publication of CN109636467B publication Critical patent/CN109636467B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0278—Product appraisal
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种品牌的互联网数字资产的综合评估方法及系统，该方法包括：根据用户的评估需求，将互联网数字资产划分为不同的资产模块；建立各资产模块的评估指标体系；利用预设算法，计算各资产模块的评估指标体系的综合评分；获取各资产模块在互联网数字资产中的权重信息；根据各资产模块的综合评分及所述权重信息，利用乘加算子得到所述互联网数字资产的综合评分；所述预设算法，包括：层次分析法和模糊综合评价法。本发明提供的技术方案，综合利用了层次分析法及模糊综合评价法，实现了对品牌的互联网数字资产的定量、客观、精准的评估，为商家提高品牌营销精准度及用户改善品牌消费体验度奠定了决策基础，用户满意度高，体验好。

Description

一种品牌的互联网数字资产的综合评估方法及系统
技术领域
本发明涉及大数据处理技术领域，具体涉及一种品牌的互联网数字资产的综合评估方法及系统。
背景技术
随着网络化的快速发展，各个品牌在网络上的运行轨迹日趋增多，各品牌的网络化数据信息也在海量增加，这些信息在当今的大数据时代无疑可作为品牌的无形互联网数字资产。
但名目繁多的数字信息会让公司或消费者觉得眼花缭乱，无所适从。因此，对各品牌相关数字信息的统计、分析及评判对于该公司的运营、消费者对于公司的理解都有着良好的促进作用。公司通过了解自己的互联网数字资产可以及时掌握自己的品牌优势和不足，保持优势，弥补不足，进一步提高自己的品牌效应，为公司赚取更多利润；消费者通过了解公司的品牌互联网数字资产，可以指导自己更科学的消费，买到更理想的产品或服务。
从品牌价值评估的角度来说，品牌的互联网数字资产包括：内容资产、声量资产、账号资产。
其中，内容资产是指第三方社交平台、第三方搜索平台、第三方直播平台、第三方文档平台等互联网渠道公布的某个品牌的有价值的内容信息。要评估某个品牌的互联网数字资产，必定涉及到如何评估该品牌的内容资产。
声量资产是指用户通过第三方社交平台、第三方搜索平台、第三方直播平台、第三方文档平台等互联网渠道对某个品牌的用户体验反馈。要评估某个品牌的互联网数字资产，必定涉及到如何评估该品牌的声量资产。
账号资产是指第三方社交平台、第三方搜索平台、第三方直播平台、第三方文档平台等互联网渠道上的某个品牌的用户账号数及粉丝数。要评估某个品牌的互联网数字资产，必定涉及到如何评估该品牌的账号资产。
目前，在国内外应用最为广泛的综合评价理论是层次分析法(AnalyticHierarchy Process，AHP)。AHP的思想是首先通过建立清晰的层次结构来分解复杂问题，其次引入测度理论，通过对比，用相对标度将人的判断标准化，并逐层建立判断矩阵，然后求解判断矩阵的权重，最后计算方案的综合权重。但是AHP法在进行两两比较时，如果信息不完全，就会出现判断不确定的情况，以致求解精度有较大偏差。模糊评价方法(FuzzyComprehensive Evaluation Method)是一种基于模糊集合论，对分析评估中的各种模糊信息作量化处理，并进行状态判断的分析方法，这种定性指标合理量化的方法，较好地解决了综合评判中原始数据的不确定性或评估标准的模糊性等问题。
模糊综合评价是应用模糊变换原理，考虑与评价对象相关的各种因素，对其所作的综合评价。
其基本原理是：
(1)根据评价的标准构造多个隶属函数，
(2)通过评测指标在各个隶属函数中对应的程度不同(即隶属度不同)，可以形成一个模糊关系矩阵。
(3)构造权重系数矩阵。
(4)将权重系数模糊矩阵和模糊关系矩阵通过模糊运算，最终就可以得到综合指标对各个评价等级的隶属度矩阵。
虽然，现有技术中AHP理论及模糊综合评价理论发展很完善，且在多个领域有应用，但是如何将AHP理论及模糊综合评价理论应用到品牌的互联网数字资产评估领域，实现对品牌的互联网数字资产的评估，现有技术中还未涉及。这使得品牌用户及品牌商家无法对特定品牌进行定量、客观、准确的评估，导致商家的品牌营销精准度低，用户的品牌消费体验差。
发明内容
有鉴于此，本发明的目的在于克服现有技术的不足，提供一种品牌的互联网数字资产的评估方法及系统，以解决现有技术中无法实现对品牌的互联网数字资产进行评估，导致商家的品牌营销精准度低，用户的品牌消费体验差的问题。
为实现以上目的，本发明采用如下技术方案：
一种品牌的互联网数字资产的综合评估方法，包括：
步骤S1、根据用户的评估需求，将互联网数字资产划分为不同的资产模块；
步骤S2、建立各资产模块的评估指标体系；
步骤S3、利用预设算法，计算各资产模块的评估指标体系的综合评分；
步骤S4、获取各资产模块在互联网数字资产中的权重信息；
步骤S5、根据各资产模块的综合评分及所述权重信息，利用乘加算子得到所述互联网数字资产的综合评分；
所述预设算法，包括：层次分析法和模糊综合评价法。
优选地，所述资产模块包括以下项中的至少一项：
内容资产模块、声量资产模块、账号资产模块。
优选地，所述步骤S3包括：
步骤S31、对任一所述资产模块，获取所述资产模块的评估指标体系的最底层指标在给定行业的全部品牌的指标数，并计算所述指标数的增量数据；
步骤S32、对所述增量数据进行模糊区间划分，建立所述评估指标体系的评分标准；
步骤S33、利用层次分析法，建立各级指标的权重；
步骤S34、利用乘加算子计算各级指标的隶属度向量；
步骤S35、根据所述评分标准、权重及隶属度向量，利用乘加算子逐级计算所述评估指标体系的综合评分。
优选地，
若所述资产模块为内容资产模块，所述指标数包括：内容数；
若所述资产模块为声量资产模块，所述指标数包括：点赞量、转发量、评论量和阅读量；
若所述资产模块为账号资产模块，所述指标数包括：账号数和粉丝数。
优选地，所述步骤S32，包括：
步骤S321、对所述增量数据进行模糊区间划分，并将划分结果用向量表示，得到任一指标对应n个评分等级的模糊集向量(G1，G2....Gn)，其中，n≥1；
步骤S322、根据实际经验值确定模糊集向量(G1，G2....Gn)的代表值(g1，g2....gn)，并将(g1，g2....gn)作为计算指标得分的评分标准；或者，
将g1＝C(G1),g2＝C(G2)....gn＝C(Gn)确定为模糊集向量(G1，G2....Gn)的代表值(g1，g2....gn)，并将(g1，g2....gn)作为计算指标得分的评分标准；
其中，C(Gi)代表Gi的重心值或中心值，1≤i≤n。
优选地，所述步骤S33包括：
步骤S331、向专家发放调查问卷统计各位专家对于所述评估指标体系中两两指标之间的重要性程度的判断矩阵，以及两指标的直接权重分配；
步骤S332、根据专家的可信度，加权汇总得到两指标之间的权重分配；
步骤S333、根据专家的可信度，加权汇总得到三个及三个以上指标的判断矩阵，并根据层次分析法计算得出三个及三个以上指标之间的权重分配。
优选地，其特征在于，所述步骤S34包括：
步骤S341、根据公式(1)对所述指标数的增量数据进行标准化处理：
Figure BDA0001903566310000041
其中，Δx*表示标准化处理后的增量数据，Δx表示标准化处理前的增量数据，minData表示增量数据的最小值，maxData表示增量数据的最大值；
步骤S342、根据公式(2)计算Δx*对于梯形模糊集Gi＝[a,b,c,d]，1≤i≤n的隶属度
Figure BDA0001903566310000042
从而得到Δx*所对应的指标的隶属度向量为：
Figure BDA0001903566310000043
其中，
Figure BDA0001903566310000051
其中，a,b,c,d为所述步骤S321中通过对所述增量数据进行模糊区间划分，得到的各梯形模糊集Gi的分点；
步骤S343、假设中间层级指标中的任一指标下有m个下一级指标，这m个下一级指标的第j个指标的隶属度向量记为：
Figure BDA0001903566310000052
这m个下一级指标的第j个指标的权重为Wj，1≤j≤m，则根据公式(3)计算中间层级指标中的任一指标的隶属度向量：/>
Figure BDA0001903566310000053
其中，所述中间层级指标是指除最底层指标外的其他层级的指标。
优选地，所述步骤S35包括：
步骤S351、假设中间层级指标中的任一指标的隶属度向量为(a1，a2....an)，其中，
Figure BDA0001903566310000054
对应的模糊集向量(G1，G2....Gn)的代表值为(g1，g2....gn)，则根据公式(4)计算该级指标的增量得分ΔS：
ΔS＝a1g1+a2g2+.....angn (4)，
步骤S352、设所述评估指标体系共有y级指标，中间层级指标中的任一指标下有m个下级指标，根据公式(5)计算所述评估指标体系的综合评分：
Figure BDA0001903566310000055
其中，
Figure BDA0001903566310000056
代表当前时刻，第x级的第j个指标的增量得分；Wxj代表第x级的第j个指标的权重；/>
Figure BDA0001903566310000057
代表上一时刻所述评估指标体系的综合评分，/>
Figure BDA0001903566310000058
代表当前时刻所述评估指标体系的综合评分；z＝c,s,a；当z＝c时，Sc代表内容资产模块的综合评分；当z＝s时，Ss代表声量资产模块的综合评分；当z＝a时，Sa代表账号资产模块的综合评分。
优选地，所述获取所述评估指标体系的最底层指标在给定行业的全部品牌的指标数，通过以下方式中的至少一种：
爬虫程序从互联网抓取、人工录入、第三方数据平台提供。
另外，本发明还提出了一种品牌的互联网数字资产的综合评估系统，包括：
划分单元，用于根据用户的评估需求，将互联网数字资产划分为不同的资产模块；
建立单元，用于建立各资产模块的评估指标体系；
计算单元，用于利用预设算法，计算各资产模块的评估指标体系的综合评分；
获取单元，用于获取各资产模块在互联网数字资产中的权重信息；
所述计算单元，还用于根据各资产模块的综合评分及所述权重信息，利用乘加算子得到所述互联网数字资产的综合评分；
所述预设算法，包括：层次分析法和模糊综合评价法。
本发明采用以上技术方案，至少具备以下有益效果：
本发明提供的技术方案，考虑到互联网上数据信息的浩瀚繁杂及真假掺杂，会对评估结果造成干扰，综合利用了层次分析法在分配权重上的优势及模糊综合评价法在处理不确定性上的优势，实现了对品牌的互联网数字资产的定量、客观、精准的评估，将抽象的互联网数字资产的价值评估进行了具象的数据描述，相比一般的加权平均模型，具有更强的鲁棒性和抗干扰性，为商家提高品牌营销精准度及用户改善品牌消费体验度奠定了决策基础，用户满意度高，体验好。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种品牌的互联网数字资产的综合评估方法的流程图；
图2为本发明一实施例提供的一种计算互联网数字资产的综合评分的示意框图；
图3A为本发明一实施例提供的一种计算内容资产的综合评分的示意框图；
图3B为本发明一实施例提供的一种计算声量资产的综合评分的示意框图；
图3C为本发明一实施例提供的一种计算账号资产的综合评分的示意框图；
图4为本发明一实施例提供的一种品牌的互联网数字资产的综合评估系统的示意框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
参见图1，本发明一实施例提供的一种品牌的互联网数字资产的综合评估方法，包括：
步骤S1、根据用户的评估需求，将互联网数字资产划分为不同的资产模块；
步骤S2、建立各资产模块的评估指标体系；
步骤S3、利用预设算法，计算各资产模块的评估指标体系的综合评分；
步骤S4、获取各资产模块在互联网数字资产中的权重信息；
步骤S5、根据各资产模块的综合评分及所述权重信息，利用乘加算子得到所述互联网数字资产的综合评分；
所述预设算法，包括：层次分析法和模糊综合评价法。
本实施例提供的技术方案，考虑到互联网上数据信息的浩瀚繁杂及真假掺杂，会对评估结果造成干扰，综合利用了层次分析法在分配权重上的优势及模糊综合评价法在处理不确定性上的优势，实现了对品牌的互联网数字资产的定量、客观、精准的评估，将抽象的互联网数字资产的价值评估进行了具象的数据描述，相比一般的加权平均模型，具有更强的鲁棒性和抗干扰性，为商家提高品牌营销精准度及用户改善品牌消费体验度奠定了决策基础，用户满意度高，体验好。
优选地，所述资产模块包括以下项中的至少一项：
内容资产模块、声量资产模块、账号资产模块。
为了便于理解本实施例提供的这种互联网数字资产评估方法，参见图2，假设根据用户的评估需求，将互联网数字资产划分为三个资产模块：内容资产模块、声量资产模块、账号资产模块；利用预设算法，计算得到的各个资产模块的综合评分分别为Sc、Ss、Sa，对应的权重分别为Wc、Ws、Wa，那么，利用乘加算子，计算得到互联网数字资产的综合评分为：
S＝Wc*Sc+Ws*Ss+Wa*Sa+S0，其中，S0为上一时刻互联网数字资产的综合评分，即原始得分。
需要说明的是，所述步骤S4中，获取各资产模块在互联网数字资产中的权重信息根据层次分析法获取，由于根据层次分析法获取多级指标的权重分配为现有技术，本申请在此不再赘述。
可以理解的是，所述步骤S2建立各资产模块的评估指标体系，各资产模块的评估指标体系可以是一级，也可以是多级。为了便于理解，以内容资产模块为例，假设内容资产模块的评估指标体系为三级，除了最底层指标，每级指标又可以包含多个下一级指标。
为了便于理解，以所述内容资产模块的评估指标体系包括三级指标为例，现通过表一举例说明如下：
Figure BDA0001903566310000091
表一
需要说明的是，上述表一只是为了便于说明本实施例提及的资产模块的评估指标体系而举的一个示例，并不代表本实施例提及的内容资产模块或其资产模块的评估指标体系只有如表一所示的指标体系，也不代表仅有如表一所示的这些指标。
可以理解的是，所述各资产模块的评估指标体系可以仅包括一级指标，也可以包括二级指标、三级指标....或者更多，每级指标可以包含的下级指标的数量也是可以根据用户需要进行设置的。
参见图3A～3C，优选地，所述步骤S3包括：
步骤S31、对任一所述资产模块，获取所述资产模块的评估指标体系的最底层指标在给定行业的全部品牌的指标数，并计算所述指标数的增量数据；
步骤S32、对所述增量数据进行模糊区间划分，建立所述评估指标体系的评分标准；
步骤S33、利用层次分析法，建立各级指标的权重；
步骤S34、利用乘加算子计算各级指标的隶属度向量；
步骤S35、根据所述评分标准、权重及隶属度向量，利用乘加算子逐级计算所述评估指标体系的综合评分。
优选地，
参见图3A，若所述资产模块为内容资产模块，所述指标数包括：内容数；
参见图3B，若所述资产模块为声量资产模块，所述指标数包括：点赞量、转发量、评论量和阅读量；
参见图3C，若所述资产模块为账号资产模块，所述指标数包括：账号数和粉丝数。
优选地，所述步骤S31中获取所述评估指标体系的最底层指标在给定行业的全部品牌的指标数，通过以下方式中的至少一种：
爬虫程序从互联网抓取、人工录入、第三方数据平台提供。
需要说明的是，所述步骤S31中限定获取所述评估指标体系的最底层指标在给定行业的全部品牌的指标数，是因为只有最底层指标有指标数，其他层指标没有指标数。本实施例提供的技术方案实质是，最底层指标根据指标数的增量数据计算出各自的隶属度，其他层指标根据自己下一次层指标的隶属度及权重，算出自己的指标得分，然后层层累加，得出最终的任一资产模块的得分。
所述步骤S31中计算所述指标数的增量数据为现有技术，例如，已知前一时刻的指标数为N1，当前时刻的指标数为N2，那么当前时刻，指标数的增量数据Δx＝N2-N1。
为了便于理解本实施例提供的这种互联网数字资产评估方法，参见图3A～图3C，假设根据用户的评估需求，将互联网数字资产划分为三个资产模块：内容资产模块、声量资产模块、账号资产模块，每个资产模块的评估指标体系为三级。
步骤S31、对于每个资产模块的三级评估指标体系，先计算最底层指标的指标数的增量数据，例如，对于内容资产模块来说，就是计算内容数的增量数据；对于声量资产模块来说，就是分别计算点赞量、转发量、评论量和阅读量的增量数据；对于账号资产模块来说，就是分别计算账号数和粉丝数的增量数据。
步骤S32、对所述增量数据进行模糊区间划分，建立所述评估指标体系的评分标准。
步骤S33、利用层次分析法，建立各级指标的权重；例如，对于内容资产模块来说，第一级指标中第i个指标的权重为Wc1i，第一级指标中第i个指标的第j个二级指标的权重为Wc2ij，第一级指标中第i个指标的第j个二级指标的第k个三级指标的权重为Wc3ijk；对于声量资产模块来说，第一级指标中第i个指标的权重为Ws1i，第一级指标中第i个指标的第j个二级指标的权重为Ws2ij，第一级指标中第i个指标的第j个二级指标的第k个三级指标的权重为Ws3ijk；对于账号资产模块来说，第一级指标中第i个指标的权重为Wa1i，第一级指标中第i个指标的第j个二级指标的权重为Wa2ij，第一级指标中第i个指标的第j个二级指标的第k个三级指标的权重为Wa3ijk。
步骤S34、利用乘加算子计算各级指标的隶属度向量；
步骤S35、根据所述评分标准、权重及隶属度向量，利用乘加算子逐级计算所述评估指标体系的综合评分。
优选地，所述步骤S32，包括：
步骤S321、对所述增量数据进行模糊区间划分，并将划分结果用向量表示，得到任一指标对应n个评分等级的模糊集向量(G1，G2....Gn)，其中，n≥1；
步骤S322、根据实际经验值确定模糊集向量(G1，G2....Gn)的代表值(g1，g2....gn)，并将(g1，g2....gn)作为计算指标得分的评分标准；或者，
将g1＝C(G1),g2＝C(G2)....gn＝C(Gn)确定为模糊集向量(G1，G2....Gn)的代表值(g1，g2....gn)，并将(g1，g2....gn)作为计算指标得分的评分标准；
其中，C(Gi)代表Gi的重心值或中心值，1≤i≤n。
对于步骤S321，假设有3个评分等级，其对应的等级术语向量可表述为(低、中、高)，对应的模糊集向量可记为(G1，G2，G3)。
所述步骤S321中对所述增量数据进行模糊区间划分，具体实现方法为：
步骤S3211、设置模糊区间划分的模糊集总个数numMF，并计算分点个数q＝2*numMF-1。
步骤S3212、读取待划分模糊区间的数据Datas，计算其最小值minData和最大值maxData；
需要说明的是：如果数据做归一化处理，则minData＝0，maxData＝1；
所述待划分模糊区间的数据Datas即为所述增量数据。
步骤S3213、如果Datas为空集或数据全部相同，此时将区间[0，1]平均划分为numNF个梯形模糊集(备注：数据集为空或数据全部相同，无论什么样的区间划分其结果都一样，所以采用简单的平均划分方式)：
(1)第一个梯形模糊集的参数设置为[0，0，1/q分位数，2/q分位数]；
(2)for k＝1:q-3do(中间的梯形模糊集参数设置)；
[k/q分位数，(k+1)/q分位数，(k+2)/q分位数，(k+3)/q分位数]；
(3)最后一个梯形模糊集的参数设置为[(q-2)/q分位数，(q-1)/q分位数，1，1]。
步骤S3214、如果Datas中不同数据的数量小于等于分点个数q，此时将区间平均划分为numNF个三角模糊集(备注：由于数据较少，将区间平均划分成更为细致的三角模糊集)：
(1)第一个三角模糊集的参数设置为[minData，minData，minData，1/(numMF-1)分位数]；
(2)for j＝0:numNF-3do(中间的梯形模糊集参数设置)
[j/(numMF-1)分位数，(j+1)/(numMF-1)分位数，(j+1)/(numMF-1)分位数，(j+2)/(numMF-1)分位数]；
(3)最后一个三角模糊集的参数设置为[(numMF-2)/(numMF-1)分位数，maxData，maxData，maxData]。
步骤S3215、如果Datas中不同数据的数量大于分点个数q，此时如下设置numMF个梯形模糊集：
t＝0；(控制分位数的指标，用于剔除异常大或异常小的值)
while t<＝10(最多剔除到10％分位数之下和90％分位数之上，这个量级可自行调整)
quantile＝99；(初始设置为99％分位数，即将小于1％分位数和大于99％分位数的数值剔除)
low＝(100-quantile-t*0.1)/100分位数；
high＝(quantile+t*0.1)/100分位数；(设置新的区间最小值low和最大值high)
if介于[low，high]之间的数据>分点个数q
(1)第一个梯形模糊集的参数设置为[low，low，1/q分位数，2/q分位数]；
(2)for k＝1:q-3do(中间的梯形模糊集参数设置)
[k/q分位数，(k+1)/q分位数，(k+2)/q分位数，(k+3)/q分位数]；
(3)最后一个梯形模糊集的参数设置为[(q-2)/q分位数，(q-1)/q分位数，high，high]；
else
t＝t+1。
优选地，所述步骤S33包括：
步骤S331、向专家发放调查问卷统计各位专家对于所述评估指标体系中两两指标之间的重要性程度的判断矩阵，以及两指标的直接权重分配；
步骤S332、根据专家的可信度，加权汇总得到两指标之间的权重分配；
为了便于理解，以所述内容资产模块为例，假设内容资产模块的评估指标体系包括三级指标为例，现通过表二举例说明如下：
Figure BDA0001903566310000141
表二
表二中是专家给出的权重数据，利用这些数据求出对应指标的权重，如三级指标服务号和订阅号的下一层指标权重分别为：
认证：未认证＝3/(3+7):3/(3+7)＝0.3:0.7(服务号)
认证：未认证＝4/(4+5):5/(4+5)＝0.44:0.56(订阅号)
如此也统一了量纲，满足权重和等于1。
步骤S333、根据专家的可信度，加权汇总得到三个及三个以上指标的判断矩阵，并根据层次分析法计算得出三个及三个以上指标之间的权重分配。
以上述表二示例的评估指标体系为例，三个二级指标的判断矩阵可以如下表三所示：
Figure BDA0001903566310000142
表三
需要说明的是，根据层次分析法，为各级指标分配权重是现有技术，本申请在权重分配的实现方案上利用的是现有技术，现有技术中已有公开，本申请在此不再赘述。
优选地，其特征在于，所述步骤S34包括：
步骤S341、根据公式(1)对所述指标数的增量数据进行标准化处理：
Figure BDA0001903566310000151
其中，Δx*表示标准化处理后的增量数据，Δx表示标准化处理前的增量数据，minData表示增量数据的最小值，maxData表示增量数据的最大值；
步骤S342、根据公式(2)计算Δx*对于梯形模糊集Gi＝[a,b,c,d]，1≤i≤n的隶属度
Figure BDA0001903566310000152
从而得到Δx*所对应的指标的隶属度向量为：
Figure BDA0001903566310000153
其中，
Figure BDA0001903566310000154
其中，a,b,c,d为所述步骤S321中通过对所述增量数据进行模糊区间划分，得到的各梯形模糊集Gi的分点；
步骤S343、假设中间层级指标中的任一指标下有m个下一级指标，这m个下一级指标的第j个指标的隶属度向量记为：
Figure BDA0001903566310000155
这m个下一级指标的第j个指标的权重为Wj，1≤j≤m，则根据公式(3)计算中间层级指标中的任一指标的隶属度向量：/>
Figure BDA0001903566310000156
其中，所述中间层级指标是指除最底层指标外的其他层级的指标。
优选地，所述步骤S35包括：
步骤S351、假设中间层级指标中的任一指标的隶属度向量为(a1，a2....an)，其中，
Figure BDA0001903566310000161
对应的模糊集向量(G1，G2....Gn)的代表值为(g1，g2....gn)，则根据公式(4)计算该级指标的增量得分ΔS：
ΔS＝a1g1+a2g2+.....angn (4)，
步骤S352、设所述评估指标体系共有y级指标，中间层级指标中的任一指标下有m个下级指标，根据公式(5)计算所述评估指标体系的综合评分：
Figure BDA0001903566310000162
其中，
Figure BDA0001903566310000163
代表当前时刻，第x级的第j个指标的增量得分；Wxj代表第x级的第j个指标的权重；/>
Figure BDA0001903566310000164
代表上一时刻所述评估指标体系的综合评分，/>
Figure BDA0001903566310000165
代表当前时刻所述评估指标体系的综合评分；z＝c,s,a；当z＝c时，Sc代表内容资产模块的综合评分；当z＝s时，Ss代表声量资产模块的综合评分；当z＝a时，Sa代表账号资产模块的综合评分。
优选地，所述获取所述评估指标体系的最底层指标在给定行业的全部品牌的指标数，通过以下方式中的至少一种：
爬虫程序从互联网抓取、人工录入、第三方数据平台提供。
另外，参见图3，本发明还提出了一种品牌的互联网数字资产的综合评估系统100，包括：
划分单元101，用于根据用户的评估需求，将互联网数字资产划分为不同的资产模块；
建立单元102，用于建立各资产模块的评估指标体系；
计算单元103，用于利用预设算法，计算各资产模块的评估指标体系的综合评分；
获取单元104，用于获取各资产模块在互联网数字资产中的权重信息；
所述计算单元103，还用于根据各资产模块的综合评分及所述权重信息，利用乘加算子得到所述互联网数字资产的综合评分；
所述预设算法，包括：层次分析法和模糊综合评价法。
本实施例提供的技术方案，考虑到互联网上数据信息的浩瀚繁杂及真假掺杂，会对评估结果造成干扰，综合利用了层次分析法在分配权重上的优势及模糊综合评价法在处理不确定性上的优势，实现了对品牌的互联网数字资产的定量、客观、精准的评估，将抽象的互联网数字资产的价值评估进行了具象的数据描述，相比一般的加权平均模型，具有更强的鲁棒性和抗干扰性，为商家提高品牌营销精准度及用户改善品牌消费体验度奠定了决策基础，用户满意度高，体验好。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。术语“多个”指两个或两个以上，除非另有明确的限定。

Claims (8)

1.一种品牌的互联网数字资产的综合评估方法，其特征在于，包括：
步骤S1、根据用户的评估需求，将互联网数字资产划分为不同的资产模块；
步骤S2、建立各资产模块的评估指标体系；
步骤S3、利用预设算法，计算各资产模块的评估指标体系的综合评分；
步骤S4、获取各资产模块在互联网数字资产中的权重信息；
步骤S5、根据各资产模块的综合评分及所述权重信息，利用乘加算子得到所述互联网数字资产的综合评分；
所述预设算法，包括：层次分析法和模糊综合评价法；
其中，所述步骤S3包括：
步骤S31、对任一所述资产模块，获取所述资产模块的评估指标体系的最底层指标在给定行业的全部品牌的指标数，并计算所述指标数的增量数据；
步骤S32、对所述增量数据进行模糊区间划分，建立所述评估指标体系的评分标准；
步骤S33、利用层次分析法，建立各级指标的权重；
步骤S34、利用乘加算子计算各级指标的隶属度向量；
步骤S35、根据所述评分标准、权重及隶属度向量，利用乘加算子逐级计算所述评估指标体系的综合评分；
其中，所述步骤S32，包括：
步骤S321、对所述增量数据进行模糊区间划分，并将划分结果用向量表示，得到任一指标对应n个评分等级的模糊集向量(G1，G2....Gn)，其中，n≥1；
步骤S322、根据实际经验值确定模糊集向量(G1，G2....Gn)的代表值(g1，g2....gn)，并将(g1，g2....gn)作为计算指标得分的评分标准；或者，
将g1＝C(G1),g2＝C(G2)....gn＝C(Gn)确定为模糊集向量(G1，G2....Gn)的代表值(g1，g2....gn)，并将(g1，g2....gn)作为计算指标得分的评分标准；
其中，C(Gi)代表Gi的重心值或中心值，1≤i≤n；
所述步骤S321中对所述增量数据进行模糊区间划分，具体实现方法为：
步骤S3211、设置模糊区间划分的模糊集总个数numMF，并计算分点个数q＝2*numMF-1；
步骤S3212、读取待划分模糊区间的增量数据Datas，计算其最小值minData和最大值maxData；
步骤S3213、如果Datas为空集或数据全部相同，此时将区间[0，1]平均划分为numNF个梯形模糊集：
(1)第一个梯形模糊集的参数设置为[0，0，1/q分位数，2/q分位数]；
(2)对k＝1到k＝q-3个中间的梯形模糊集的参数设置为：
[k/q分位数，(k+1)/q分位数，(k+2)/q分位数，(k+3)/q分位数]；
(3)最后一个梯形模糊集的参数设置为[(q-2)/q分位数，(q-1)/q分位数，1，1]；
步骤S3214、如果Datas中不同数据的数量小于等于分点个数q，此时将区间平均划分为numNF个三角模糊集：
(1)第一个三角模糊集的参数设置为[minData，minData，minData，1/(numMF-1)分位数]；
(2)对j＝0到j＝numNF-3个中间的梯形模糊集的参数设置为：
[j/(numMF-1)分位数，(j+1)/(numMF-1)分位数，(j+1)/(numMF-1)分位数，(j+2)/(numMF-1)分位数]；
(3)最后一个三角模糊集的参数设置为[(numMF-2)/(numMF-1)分位数，maxData，maxData，maxData]；
步骤S3215、如果Datas中不同数据的数量大于分点个数q，此时如下设置numMF个梯形模糊集：
初始化控制分位数的参数t＝0；
当t<＝10，且，分位数的百分比quantile＝99时，
设置新的区间最小值low和最大值high，以将小于1％分位数和大于99％分位数的数值剔除：
low＝(100-quantile-t*0.1)/100分位数；
high＝(quantile+t*0.1)/100分位数；
如果介于[low，high]之间的数据>分点个数q，则：
(1)第一个梯形模糊集的参数设置为[low，low，1/q分位数，2/q分位数]；
(2)对k＝1到k＝q-3个中间的梯形模糊集的参数设置为：
[k/q分位数，(k+1)/q分位数，(k+2)/q分位数，(k+3)/q分位数]；
(3)最后一个梯形模糊集的参数设置为[(q-2)/q分位数，(q-1)/q分位数，high，high]。
2.根据权利要求1所述的方法，其特征在于，所述资产模块包括以下项中的至少一项：
内容资产模块、声量资产模块、账号资产模块。
3.根据权利要求1所述的方法，其特征在于，
若所述资产模块为内容资产模块，所述指标数包括：内容数；
若所述资产模块为声量资产模块，所述指标数包括：点赞量、转发量、评论量和阅读量；
若所述资产模块为账号资产模块，所述指标数包括：账号数和粉丝数。
4.根据权利要求1所述的方法，其特征在于，所述步骤S33包括：
步骤S331、向专家发放调查问卷统计各位专家对于所述评估指标体系中两两指标之间的重要性程度的判断矩阵，以及两指标的直接权重分配；
步骤S332、根据专家的可信度，加权汇总得到两指标之间的权重分配；
步骤S333、根据专家的可信度，加权汇总得到三个及三个以上指标的判断矩阵，并根据层次分析法计算得出三个及三个以上指标之间的权重分配。
5.根据权利要求1所述的方法，其特征在于，所述步骤S34包括：
步骤S341、根据公式(1)对所述指标数的增量数据进行标准化处理：
Figure FDA0004086250620000041
其中，Δx*表示标准化处理后的增量数据，Δx表示标准化处理前的增量数据，minData表示增量数据的最小值，maxData表示增量数据的最大值；
步骤S342、根据公式(2)计算Δx*对于梯形模糊集Gi＝[a,b,c,d]，1≤i≤n的隶属度
Figure FDA0004086250620000042
从而得到Δx*所对应的指标的隶属度向量为：
Figure FDA0004086250620000043
其中，/>
Figure FDA0004086250620000044
其中，a,b,c,d为所述步骤S321中通过对所述增量数据进行模糊区间划分，得到的各梯形模糊集Gi的分点；
步骤S343、假设中间层级指标中的任一指标下有m个下一级指标，这m个下一级指标的第j个指标的隶属度向量记为：
Figure FDA0004086250620000045
这m个下一级指标的第j个指标的权重为Wj，1≤j≤m，则根据公式(3)计算中间层级指标中的任一指标的隶属度向量：
Figure FDA0004086250620000046
其中，所述中间层级指标是指除最底层指标外的其他层级的指标。
6.根据权利要求5所述的方法，其特征在于，所述步骤S35包括：
步骤S351、假设中间层级指标中的任一指标的隶属度向量为(a1，a2....an)，其中，
Figure FDA0004086250620000047
对应的模糊集向量(G1，G2....Gn)的代表值为(g1，g2....gn)，则根据公式(4)计算该级指标的增量得分ΔS：
ΔS＝a1g1+a2g2+.....angn(4)，
步骤S352、设所述评估指标体系共有y级指标，中间层级指标中的任一指标下有m个下级指标，根据公式(5)计算所述评估指标体系的综合评分：
Figure FDA0004086250620000051
其中，
Figure FDA0004086250620000052
代表当前时刻，第x级的第j个指标的增量得分；Wxj代表第x级的第j个指标的权重；/>
Figure FDA0004086250620000053
代表上一时刻所述评估指标体系的综合评分，/>
Figure FDA0004086250620000054
代表当前时刻所述评估指标体系的综合评分；z＝c,s,a；当z＝c时，Sc代表内容资产模块的综合评分；当z＝s时，Ss代表声量资产模块的综合评分；当z＝a时，Sa代表账号资产模块的综合评分。
7.根据权利要求1～6任一项所述的方法，其特征在于，所述获取所述评估指标体系的最底层指标在给定行业的全部品牌的指标数，通过以下方式中的至少一种：
爬虫程序从互联网抓取、人工录入、第三方数据平台提供。
8.一种品牌的互联网数字资产的综合评估系统，其特征在于，包括：
划分单元，用于根据用户的评估需求，将互联网数字资产划分为不同的资产模块；
建立单元，用于建立各资产模块的评估指标体系；
计算单元，用于利用预设算法，计算各资产模块的评估指标体系的综合评分；
获取单元，用于获取各资产模块在互联网数字资产中的权重信息；
所述计算单元，还用于根据各资产模块的综合评分及所述权重信息，利用乘加算子得到所述互联网数字资产的综合评分；
所述预设算法，包括：层次分析法和模糊综合评价法；
其中，所述计算单元具体用于：
步骤S31、对任一所述资产模块，获取所述资产模块的评估指标体系的最底层指标在给定行业的全部品牌的指标数，并计算所述指标数的增量数据；
步骤S32、对所述增量数据进行模糊区间划分，建立所述评估指标体系的评分标准；
步骤S33、利用层次分析法，建立各级指标的权重；
步骤S34、利用乘加算子计算各级指标的隶属度向量；
步骤S35、根据所述评分标准、权重及隶属度向量，利用乘加算子逐级计算所述评估指标体系的综合评分；
其中，所述步骤S32，包括：
步骤S321、对所述增量数据进行模糊区间划分，并将划分结果用向量表示，得到任一指标对应n个评分等级的模糊集向量(G1，G2....Gn)，其中，n≥1；
步骤S322、根据实际经验值确定模糊集向量(G1，G2....Gn)的代表值(g1，g2....gn)，并将(g1，g2....gn)作为计算指标得分的评分标准；或者，
将g1＝C(G1),g2＝C(G2)....gn＝C(Gn)确定为模糊集向量(G1，G2....Gn)的代表值(g1，g2....gn)，并将(g1，g2....gn)作为计算指标得分的评分标准；
其中，C(Gi)代表Gi的重心值或中心值，1≤i≤n；
所述步骤S321中对所述增量数据进行模糊区间划分，具体实现方法为：
步骤S3211、设置模糊区间划分的模糊集总个数numMF，并计算分点个数q＝2*numMF-1；
步骤S3212、读取待划分模糊区间的增量数据Datas，计算其最小值minData和最大值maxData；
步骤S3213、如果Datas为空集或数据全部相同，此时将区间[0，1]平均划分为numNF个梯形模糊集：
(1)第一个梯形模糊集的参数设置为[0，0，1/q分位数，2/q分位数]；
(2)对k＝1到k＝q-3个中间的梯形模糊集的参数设置为：
[k/q分位数，(k+1)/q分位数，(k+2)/q分位数，(k+3)/q分位数]；
(3)最后一个梯形模糊集的参数设置为[(q-2)/q分位数，(q-1)/q分位数，1，1]；
步骤S3214、如果Datas中不同数据的数量小于等于分点个数q，此时将区间平均划分为numNF个三角模糊集：
(1)第一个三角模糊集的参数设置为[minData，minData，minData，1/(numMF-1)分位数]；
(2)对j＝0到j＝numNF-3个中间的梯形模糊集的参数设置为：
[j/(numMF-1)分位数，(j+1)/(numMF-1)分位数，(j+1)/(numMF-1)分位数，(j+2)/(numMF-1)分位数]；
(3)最后一个三角模糊集的参数设置为[(numMF-2)/(numMF-1)分位数，maxData，maxData，maxData]；
步骤S3215、如果Datas中不同数据的数量大于分点个数q，此时如下设置numMF个梯形模糊集：
初始化控制分位数的参数t＝0；
当t<＝10，且，分位数的百分比quantile＝99时，
设置新的区间最小值low和最大值high，以将小于1％分位数和大于99％分位数的数值剔除：
low＝(100-quantile-t*0.1)/100分位数；
high＝(quantile+t*0.1)/100分位数；
如果介于[low，high]之间的数据>分点个数q，则：
(1)第一个梯形模糊集的参数设置为[low，low，1/q分位数，2/q分位数]；
(2)对k＝1到k＝q-3个中间的梯形模糊集的参数设置为：
[k/q分位数，(k+1)/q分位数，(k+2)/q分位数，(k+3)/q分位数]；
(3)最后一个梯形模糊集的参数设置为[(q-2)/q分位数，(q-1)/q分位数，high，high]。
CN201811522475.1A 2018-12-13 2018-12-13 一种品牌的互联网数字资产的综合评估方法及系统 Active CN109636467B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811522475.1A CN109636467B (zh) 2018-12-13 2018-12-13 一种品牌的互联网数字资产的综合评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811522475.1A CN109636467B (zh) 2018-12-13 2018-12-13 一种品牌的互联网数字资产的综合评估方法及系统

Publications (2)

Publication Number Publication Date
CN109636467A CN109636467A (zh) 2019-04-16
CN109636467B true CN109636467B (zh) 2023-05-26

Family

ID=66073537

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811522475.1A Active CN109636467B (zh) 2018-12-13 2018-12-13 一种品牌的互联网数字资产的综合评估方法及系统

Country Status (1)

Country Link
CN (1) CN109636467B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111127103B (zh) * 2019-12-24 2023-10-24 北京阿尔山区块链联盟科技有限公司 数字资产的价值评估方法及系统
CN111160783B (zh) * 2019-12-30 2023-10-24 北京阿尔山区块链联盟科技有限公司 数字资产价值的评价方法、系统及电子设备
CN111553609A (zh) * 2020-04-29 2020-08-18 桂林电子科技大学 一种互联网品牌价值评估系统
CN111784404B (zh) * 2020-07-08 2024-04-16 杭州安恒信息技术股份有限公司 一种基于行为变量预测的异常资产识别方法
CN111861753B (zh) * 2020-07-28 2024-03-15 北京金山云网络技术有限公司 评估结果获取方法及装置、存储介质及电子设备
CN116596563B (zh) * 2023-07-17 2023-09-12 北京大学 一种基于多因素模型的数字资产估值系统
CN117455521A (zh) * 2023-11-16 2024-01-26 深圳市秦丝科技有限公司 一种连锁加盟品牌鉴价系统及方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106295332A (zh) * 2016-08-30 2017-01-04 湖北工业大学 基于区间数和理想解的信息安全风险评估方法

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004310465A (ja) * 2003-04-07 2004-11-04 Kiyoshi Shibuya ブランドイメージ評価・修正方法及びブランドイメージ評価・修正システム
EP2645323A1 (en) * 2012-03-26 2013-10-02 Tata Consultancy Services Limited Brand positioning and promotion impact evaluation system
CN102663508A (zh) * 2012-05-08 2012-09-12 东北电力科学研究院有限公司 基于层次分析法和模糊综合评价的智能电网综合评估系统
CN103095712A (zh) * 2013-01-24 2013-05-08 无锡南理工科技发展有限公司 一种基于CORAS-Petri的安全策略层次联合建模方法
CN104217369A (zh) * 2013-06-05 2014-12-17 国家电网公司 一种大电网建设经济性评价方法
WO2014207753A1 (en) * 2013-06-27 2014-12-31 Hewlett-Packard Development Company, L.P. Assessing value of brand based on online content
CN104978665A (zh) * 2015-06-16 2015-10-14 北京畅游天下网络技术有限公司 一种品牌评估方法和装置
CN105023067A (zh) * 2015-08-04 2015-11-04 环境保护部南京环境科学研究所 基于层次分析法-模糊综合评价的化工项目环境风险评价体系
CN106203864A (zh) * 2016-07-18 2016-12-07 周云 一种基于大数据的品牌资产评估方法及系统
CN108229769A (zh) * 2016-12-12 2018-06-29 上海看榜信息科技有限公司 一种新媒体品牌价值评估系统
CN107832950A (zh) * 2017-11-09 2018-03-23 国家电网公司 一种基于改进区间模糊评价的配电网投资成效评价方法
CN108038592A (zh) * 2017-11-22 2018-05-15 华北电力大学 一种基于模糊区间层次分析法的配电网投资成效评价方法
CN108241932A (zh) * 2018-01-24 2018-07-03 国网山东省电力公司泰安供电公司 一种电力供应商评价模型的建立方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106295332A (zh) * 2016-08-30 2017-01-04 湖北工业大学 基于区间数和理想解的信息安全风险评估方法

Also Published As

Publication number Publication date
CN109636467A (zh) 2019-04-16

Similar Documents

Publication Publication Date Title
CN109636467B (zh) 一种品牌的互联网数字资产的综合评估方法及系统
CN109657962B (zh) 一种品牌的声量资产的评估方法及系统
Nguyen et al. A trust and reputation model based on bayesian network for web services
CN106952159B (zh) 一种不动产抵押品风险控制方法、系统及存储介质
Jia et al. Quantification for the importance degree of engineering characteristics with a multi-level hierarchical structure in QFD
CN110246037B (zh) 交易特征预测方法、装置、服务器及可读存储介质
CN109636184B (zh) 一种品牌的账号资产的评估方法及系统
CN112597392B (zh) 一种基于动态注意力和分层强化学习的推荐系统
Dwivedi et al. A business intelligence technique for forecasting the automobile sales using Adaptive Intelligent Systems (ANFIS and ANN)
Oshodi et al. Comparing univariate techniques for tender price index forecasting: Box-Jenkins and neural network model
CN110309904A (zh) 一种神经网络压缩方法
CN112612920A (zh) 基于领域交互信息强度因子分解机的电影点击率预估方法
Zhong et al. Evaluation of the BMA probabilistic inflow forecasts using TIGGE numeric precipitation predictions based on artificial neural network
CN116579640A (zh) 电力营销服务渠道用户体验评估方法及系统
CN114091768A (zh) 基于stl和带有注意力机制的lstm的旅游需求预测方法
Luo et al. A novel nonlinear combination model based on support vector machine for stock market prediction
CN109377110B (zh) 一种品牌的内容资产的评估方法及系统
CN110738565A (zh) 基于数据集合的房产金融人工智能复合风控模型
CN111105127A (zh) 一种基于数据驱动的模块化产品设计评价方法
CN115689331A (zh) 一种基于mlp的输变电工程量合理性分析方法
TWI792101B (zh) 基於確定值及預測值的數據定量化方法
Li et al. A scalar expected value of intuitionistic fuzzy random individuals and its application to risk evaluation in insurance companies
CN114707784A (zh) 一种基于组合赋权法的权重确定方法及系统
Zhang et al. A combinational QoS-prediction approach based on RBF neural network
Yu et al. SALSTM: An improved LSTM algorithm for predicting the competitiveness of export products

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant