CN109657962B - 一种品牌的声量资产的评估方法及系统 - Google Patents

一种品牌的声量资产的评估方法及系统 Download PDF

Info

Publication number
CN109657962B
CN109657962B CN201811522474.7A CN201811522474A CN109657962B CN 109657962 B CN109657962 B CN 109657962B CN 201811522474 A CN201811522474 A CN 201811522474A CN 109657962 B CN109657962 B CN 109657962B
Authority
CN
China
Prior art keywords
indexes
fuzzy
amount
calculating
index
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
CN201811522474.7A
Other languages
English (en)
Other versions
CN109657962A (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 CN201811522474.7A priority Critical patent/CN109657962B/zh
Publication of CN109657962A publication Critical patent/CN109657962A/zh
Application granted granted Critical
Publication of CN109657962B publication Critical patent/CN109657962B/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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
    • 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
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Educational Administration (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Optimization (AREA)
  • Algebra (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Biomedical Technology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Computation (AREA)
  • Computational Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种品牌的声量资产的评估方法及系统，该方法包括：建立声量资产的评估指标体系；获取评估指标体系的最底层指标在给定行业的全部品牌的点赞量、转发量、评论量和阅读量，并计算点赞量、转发量、评论量和阅读量的增量数据；对增量数据进行模糊区间划分，建立评估指标体系的评分标准；建立各级指标的权重；利用乘加算子计算各级指标的隶属度向量；根据评分标准、权重及隶属度向量，利用乘加算子逐级计算评估指标体系的综合评分。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，实现了对品牌的声量资产的定量、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

一种品牌的声量资产的评估方法及系统
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声量资产的评估方法及系统。
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，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。
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声量资产评估领域，实现对声量资产的评估，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，提供一种品牌的声量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声量资产进行评估，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：
一种品牌的声量资产的评估方法，包括：
步骤S1、建立声量资产的评估指标体系；
步骤S2、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点赞量、转发量、评论量和阅读量，并分别计算所述点赞量、转发量、评论量和阅读量的增量数据；
步骤S3、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S4、利用层次分析法，建立各级指标的权重；
步骤S5、利用乘加算子计算各级指标的隶属度向量；
步骤S6、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S3，包括：
步骤S31、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S32、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S4包括：
步骤S41、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S42、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S43、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，所述步骤S5包括：
步骤S51、根据公式(1)对所述点赞量、转发量、评论量和阅读量的增量数据进行标准化处理：
Figure BDA0001903566550000041
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S52、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 BDA0001903566550000042
从而得到Δx*所对应的指标的隶属度向量为：
Figure BDA0001903566550000043
其中，
Figure BDA0001903566550000044
其中，a,b,c,d为所述步骤S31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S53、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 BDA0001903566550000045
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 BDA0001903566550000046
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S6包括：
步骤S61、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 BDA0001903566550000047
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S62、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 BDA0001903566550000051
其中，
Figure BDA0001903566550000052
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 BDA0001903566550000053
代表上一时刻所述评估指标体系的综合评分，/>
Figure BDA0001903566550000054
代表当前时刻所述评估指标体系的综合评分。
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点赞量、转发量、评论量和阅读量，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声量资产的评估系统，包括：
建立单元，用于建立声量资产的评估指标体系；
增量数据计算单元，用于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点赞量、转发量、评论量和阅读量，并计算所述点赞量、转发量、评论量和阅读量的增量数据；
评分标准建立单元，用于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；
权重建立单元，用于利用层次分析法，建立各级指标的权重；
隶属度计算单元，用于利用乘加算子计算各级指标的隶属度向量；
综合评分单元，用于根据所述评分标准、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，所述评分标准建立单元，包括：
划分单元，用于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；
确定单元，用于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，所述权重建立单元，包括：
统计单元，用于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；
加权单元，用于根据专家的可信度，加权汇总得到两指标之间的权重分配；
还用于根据专家的可信度，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，所述增量数据计算单元，通过以下方式中的至少一种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点赞量、转发量、评论量和阅读量：
爬虫程序从互联网抓取、人工录入、第三方数据平台提供。
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，实现了对品牌的声量资产的定量、客观、精准的评估，将抽象的声量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声量资产的评估方法的流程图；
图2为本发明一实施例提供的一种计算声量资产的综合评分的示意框图；
图3为本发明一实施例提供的一种品牌的声量资产的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声量资产的评估方法，包括：
步骤S1、建立声量资产的评估指标体系；
步骤S2、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点赞量、转发量、评论量和阅读量，并分别计算所述点赞量、转发量、评论量和阅读量的增量数据；
步骤S3、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S4、利用层次分析法，建立各级指标的权重；
步骤S5、利用乘加算子计算各级指标的隶属度向量；
步骤S6、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。
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，实现了对品牌的声量资产的定量、客观、精准的评估，将抽象的声量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。
可以理解的是，在具体实践中，所述声量资产的评估指标体系，可以包括多级指标，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，以所述声量资产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 BDA0001903566550000081
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声量资产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声量资产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，所述声量资产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。
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点赞量、转发量、评论量和阅读量，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S2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点赞量、转发量、评论量和阅读量，是因为只有最底层指标有点赞量、转发量、评论量和阅读量，其他层指标没有点赞量、转发量、评论量和阅读量。本实施例提供的技术方案实质是，最底层指标根据点赞量、转发量、评论量和阅读量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，得出最终的声量资产的得分。
所述步骤S2中计算所述点赞量、转发量、评论量和阅读量的增量数据为现有技术，例如，已知前一时刻的点赞量、转发量、评论量和阅读量为N1，当前时刻的点赞量、转发量、评论量和阅读量为N2，那么当前时刻，点赞量、转发量、评论量和阅读量的增量数据Δx＝N2-N1。
为了便于理解本实施例提供的这种声量资产评估方法，参见图2，假设声量资产的评估指标体系为三级。
步骤S2、对于声量资产的三级评估指标体系，先计算最底层指标的点赞量的增量数据Likes、转发量的增量数据Shares、评论量的增量数据Comments和阅读量的增量数据Reads。
步骤S3、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S4、利用层次分析法，建立各级指标的权重；例如，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。
步骤S5、利用乘加算子计算各级指标的隶属度向量。
步骤S6、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S3，包括：
步骤S31、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S32、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S31，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S31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S311、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S312、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S313、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S314、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S315、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S4包括：
步骤S41、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S42、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，以所述声量资产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 BDA0001903566550000121
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S43、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 BDA0001903566550000131
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，所述步骤S5包括：
步骤S51、根据公式(1)对所述点赞量、转发量、评论量和阅读量的增量数据进行标准化处理：
Figure BDA0001903566550000132
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S52、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 BDA0001903566550000133
从而得到Δx*所对应的指标的隶属度向量为：
Figure BDA0001903566550000134
其中，
Figure BDA0001903566550000135
其中，a,b,c,d为所述步骤S31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S53、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 BDA0001903566550000141
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 BDA0001903566550000142
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S6包括：
步骤S61、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 BDA0001903566550000143
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S62、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 BDA0001903566550000144
其中，
Figure BDA0001903566550000145
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 BDA0001903566550000146
代表上一时刻所述评估指标体系的综合评分，/>
Figure BDA0001903566550000147
代表当前时刻所述评估指标体系的综合评分。
另外，参见图3，本发明还提出了一种品牌的声量资产的评估系统100，包括：
建立单元101，用于建立声量资产的评估指标体系；
增量数据计算单元102，用于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点赞量、转发量、评论量和阅读量，并分别计算所述点赞量、转发量、评论量和阅读量的增量数据；
评分标准建立单元103，用于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；
权重建立单元104，用于利用层次分析法，建立各级指标的权重；
隶属度计算单元105，用于利用乘加算子计算各级指标的隶属度向量；
综合评分单元106，用于根据所述评分标准、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。
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，实现了对品牌的声量资产的定量、客观、精准的评估，将抽象的声量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，所述评分标准建立单元103，包括：
划分单元，用于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；
确定单元，用于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，所述权重建立单元104，包括：
统计单元，用于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；
加权单元，用于根据专家的可信度，加权汇总得到两指标之间的权重分配；
还用于根据专家的可信度，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，所述增量数据计算单元102，通过以下方式中的至少一种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点赞量、转发量、评论量和阅读量：
爬虫程序从互联网抓取、人工录入、第三方数据平台提供。
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)

1.一种品牌的声量资产的评估方法，其特征在于，包括：
步骤S1、建立声量资产的评估指标体系；
步骤S2、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点赞量、转发量、评论量和阅读量，并分别计算所述点赞量、转发量、评论量和阅读量的增量数据；
步骤S3、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S4、利用层次分析法，建立各级指标的权重；
步骤S5、利用乘加算子计算各级指标的隶属度向量；
步骤S6、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S3，包括：
步骤S31、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S32、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；
其中，所述步骤S31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S311、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S312、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S313、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S314、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S315、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，所述步骤S4包括：
步骤S41、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S42、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S43、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。
3.根据权利要求1所述的方法，其特征在于，所述步骤S5包括：
步骤S51、根据公式(1)对所述点赞量、转发量、评论量和阅读量的增量数据进行标准化处理：
Figure FDA0004175602940000031
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S52、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μGi(Δx*)，从而得到Δx*所对应的指标的隶属度向量为：
(μG1(Δx*)，μG2(Δx*)，......μGn(Δx*))，其中，
Figure FDA0004175602940000032
其中，a,b,c,d为所述步骤S31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S53、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 FDA0004175602940000041
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 FDA0004175602940000042
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。
4.根据权利要求3所述的方法，其特征在于，所述步骤S6包括：
步骤S61、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 FDA0004175602940000043
1≤i≤n，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S62、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 FDA0004175602940000044
其中，
Figure FDA0004175602940000045
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 FDA0004175602940000046
代表上一时刻所述评估指标体系的综合评分，/>
Figure FDA0004175602940000047
代表当前时刻所述评估指标体系的综合评分。
5.根据权利要求1～4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点赞量、转发量、评论量和阅读量，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。
6.一种品牌的声量资产的评估系统，其特征在于，包括：
建立单元，用于建立声量资产的评估指标体系；
增量数据计算单元，用于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点赞量、转发量、评论量和阅读量，并计算所述点赞量、转发量、评论量和阅读量的增量数据；
评分标准建立单元，用于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；
权重建立单元，用于利用层次分析法，建立各级指标的权重；
隶属度计算单元，用于利用乘加算子计算各级指标的隶属度向量；
综合评分单元，用于根据所述评分标准、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，所述评分标准建立单元，包括：
划分单元，用于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；
确定单元，用于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；
其中，所述划分单元对所述增量数据进行模糊区间划分，具体实现方法为：
步骤S311、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S312、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S313、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S314、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S315、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]。
7.根据权利要求6所述的系统，其特征在于，所述权重建立单元，包括：
统计单元，用于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；
加权单元，用于根据专家的可信度，加权汇总得到两指标之间的权重分配；
还用于根据专家的可信度，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。
8.根据权利要求6～7任一项所述的系统，其特征在于，所述增量数据计算单元，通过以下方式中的至少一种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点赞量、转发量、评论量和阅读量：
爬虫程序从互联网抓取、人工录入、第三方数据平台提供。
CN201811522474.7A 2018-12-13 2018-12-13 一种品牌的声量资产的评估方法及系统 Active CN109657962B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811522474.7A CN109657962B (zh) 2018-12-13 2018-12-13 一种品牌的声量资产的评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811522474.7A CN109657962B (zh) 2018-12-13 2018-12-13 一种品牌的声量资产的评估方法及系统

Publications (2)

Publication Number Publication Date
CN109657962A CN109657962A (zh) 2019-04-19
CN109657962B true CN109657962B (zh) 2023-05-23

Family

ID=66112939

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811522474.7A Active CN109657962B (zh) 2018-12-13 2018-12-13 一种品牌的声量资产的评估方法及系统

Country Status (1)

Country Link
CN (1) CN109657962B (zh)

Families Citing this family (5)

* 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
CN111461553A (zh) * 2020-04-02 2020-07-28 上饶市中科院云计算中心大数据研究院 景区舆情监测分析系统和方法
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
CN113627188A (zh) * 2021-08-16 2021-11-09 上海明略人工智能(集团)有限公司 基于时序点过程的新品发现方法、系统、设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103413038A (zh) * 2013-08-01 2013-11-27 雷英杰 基于矢量量化的长期直觉模糊时间序列预测方法
CN107274056A (zh) * 2017-05-04 2017-10-20 国家电网公司 一种电网节能降损方案综合评价方法
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

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102800009A (zh) * 2012-09-05 2012-11-28 宋梁 通过互联网对品牌展示及品牌影响力评估的方法
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
CN104243261B (zh) * 2014-08-12 2018-05-01 福建富士通信息软件有限公司 一种私网资产的远程安全评估方法
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
CN107563820A (zh) * 2017-09-19 2018-01-09 精硕科技（北京）股份有限公司 微博表现的评估方法与装置
CN108416627A (zh) * 2018-03-09 2018-08-17 北京搜狐新媒体信息技术有限公司 一种基于互联网数据的品牌影响力监控方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103413038A (zh) * 2013-08-01 2013-11-27 雷英杰 基于矢量量化的长期直觉模糊时间序列预测方法
CN107274056A (zh) * 2017-05-04 2017-10-20 国家电网公司 一种电网节能降损方案综合评价方法
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
交通运输企业品牌价值的模糊综合评价;朱艳茹;胡思涛;;交通标准化(第07期);全文 *

Also Published As

Publication number Publication date
CN109657962A (zh) 2019-04-19

Similar Documents

Publication Publication Date Title
CN109657962B (zh) 一种品牌的声量资产的评估方法及系统
CN109636467B (zh) 一种品牌的互联网数字资产的综合评估方法及系统
CN109784806B (zh) 供应链控制方法、系统以及存储介质
Daneshvar Rouyendegh et al. Selecting the best project using the fuzzy ELECTRE method
Azzeh et al. Analogy-based software effort estimation using Fuzzy numbers
CN107423859B (zh) 一种组合模型建模方法及系统
Pendharkar et al. An empirical study of the Cobb–Douglas production function properties of software development effort
CN105022825A (zh) 结合财经新闻挖掘和金融历史数据的金融品种价格预测方法
CN109636184B (zh) 一种品牌的账号资产的评估方法及系统
CN107886241B (zh) 资源分析方法、装置、介质和电子设备
Arshadi Khamseh et al. A new fuzzy TOPSIS‐TODIM hybrid method for green supplier selection using fuzzy time function
CN109636128A (zh) 一种基于营业厅效能评估的网点数量与结构的优化方法
Yan et al. Spatial prediction of housing prices in Beijing using machine learning algorithms
CN111199493A (zh) 一种基于客户缴费信息及征信信息的欠费风险识别方法
CN108647869A (zh) 工程评估方法和装置
CN110738565A (zh) 基于数据集合的房产金融人工智能复合风控模型
CN109377110B (zh) 一种品牌的内容资产的评估方法及系统
Azzeh et al. Software effort estimation based on weighted fuzzy grey relational analysis
CN112070336A (zh) 一种基于层次分析法的制造业信息量化分析方法及装置
CN117291655A (zh) 基于实体、网络协同映射的消费者生命周期运营分析方法
TWI792101B (zh) 基於確定值及預測值的數據定量化方法
CN113205274B (zh) 一种施工质量定量化排名方法
CN116187450A (zh) 一种基于数据质量智能评估的用户ai推理服务方法
CN111353673A (zh) 一种用于区块链项目的评判系统
CN118365205A (zh) 一种基于ahp和熵权法的服务效能度量方法及系统

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