CN109685215B - 一种快捷的智能辅助决策支持系统及方法 - Google Patents

一种快捷的智能辅助决策支持系统及方法 Download PDF

Info

Publication number
CN109685215B
CN109685215B CN201811542723.9A CN201811542723A CN109685215B CN 109685215 B CN109685215 B CN 109685215B CN 201811542723 A CN201811542723 A CN 201811542723A CN 109685215 B CN109685215 B CN 109685215B
Authority
CN
China
Prior art keywords
decision
user
count
tγt
pos
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
CN201811542723.9A
Other languages
English (en)
Other versions
CN109685215A (zh
Inventor
符建辉
言语
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.)
Zhongke Guoli Zhenjiang Intelligent Technology Co ltd
Original Assignee
Zhongke Guoli Zhenjiang Intelligent 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 Zhongke Guoli Zhenjiang Intelligent Technology Co ltd filed Critical Zhongke Guoli Zhenjiang Intelligent Technology Co ltd
Priority to CN201811542723.9A priority Critical patent/CN109685215B/zh
Publication of CN109685215A publication Critical patent/CN109685215A/zh
Application granted granted Critical
Publication of CN109685215B publication Critical patent/CN109685215B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Machine Translation (AREA)

Abstract

本发明公开了一种快捷的智能辅助决策支持系统及方法，包括模块A：历史决策数据的预处理；模块B：从历史决策数据中发掘候选的决策知识；模块C：对候选的决策知识的验证；模块D：利用决策知识辅助用户进行决策；模块E：通过反馈学习优化决策知识。这种方法具有两个优势：(1)降低人工建模成本，避免了传统的决策建模方法依赖专业的决策人员的局限。(2)减少了决策方法在实际应用过程中的建模、测试和优化等环节的工作量。上述两个优势，确保了本发明的智能辅助决策支持系统及方法的实际应用效果好，而且更容易在实际应用中推广。

Description

一种快捷的智能辅助决策支持系统及方法
技术领域
本发明涉及个性化服务、智能辅助决策支持、智能知识挖掘领域，特别是涉及一种快捷的智能辅助决策支持系统及方法。
背景技术
决策是人们日常生活中每天都遇到的一个问题。对一个企业(或者政府机构)而言，决策的科学性和速度直接影响了这个机构的效益。
更为重要的是，对一个大型企业(或者政府机构)而言，决策的成本一般都比较高。例如，对服务商(如电信运营商、产品销售商)而言，客户服务是一项人力成本极高、服务质量要求极严的日常事务。但是，现在的客服人员的成本高，而且需要经过较长的锻炼后，客服人员才能胜任为用户提供合理的决策建议。
决策分析和决策工具的研究已经有了几十年的历史，学术界和工业界提出了许多决策方法，例如决策树方法、影响图方法、贝叶斯方法、粗糙集方法、灰色决策方法等。
但是，这些方法的使用需要决策建模人员具备很高的决策理论和方法学的知识，同时这些方法实在际应用过程(包括建模、测试、优化、试用、再优化等环节)的也需要耗费大量的时间，因此应用成本很高。
每一个企业(或政府机构)都积累了大量的历史决策数据，它们是对各种相关问题的成功决策经验的记载，也有对决策失误的记录。例如，对运营商而言，当用户来电咨询“为什么我的流量超了”时，客服人员会做出以下决策行动：检查用户流量使用记录、向用户反馈流量使用记录、提醒用户闲时流量优惠、推荐流量加餐包、推荐含有大流量的套餐。通过智能知识挖掘技术，可以从类似的历史决策数据挖掘大量有用的决策知识，从而减少客服人员的培训成本、记忆负担，也减低了决策建模的成本。
本发明采用人工智能技术、智能辅助决策技术，结合智能知识挖掘技术，提出了一种快捷的智能辅助决策支持系统及方法。本发明从历史决策数据中自动地挖掘决策知识，然后把这些决策知识应用的实际的问题中。本发明的系统具有两个技术优势：(1)降低人工建模成本，避免了传统的决策建模方法依赖专业的决策人员的局限。(2)减少了决策方法在实际应用过程中的建模、测试和优化等环节的工作量。
发明内容
本发明所要解决的技术问题：针对辅助决策技术在实际应用中存在的人员水平要求高、技术应用过程需要耗费大量时间等问题，本发明采用人工智能技术、智能辅助决策技术、智能知识挖掘技术、反馈学习技术等，提出了一种快捷的智能辅助决策支持系统及方法。该系统具有两个技术优势：(1)降低人工建模成本，避免了传统的决策建模方法依赖专业的决策人员的局限。(2)减少了决策方法在实际应用过程中的建模、测试和优化等环节的工作量。
为了解决以上问题，本发明采用了如下技术方案：一种快捷的智能辅助决策支持系统及方法，包括以下模块：
模块A：历史决策数据的预处理；
模块B：从历史决策数据中发掘候选的决策知识；
模块C：对候选的决策知识的验证；
模块D：利用决策知识辅助用户进行决策；
模块E：通过反馈学习优化决策知识。
所述的模块A的实施步骤如下：模块A的输入是历史决策数据Γ＝{S1,S2,...,Si,...,Sn}，其中Si＝(用户文本i,决策集i)(1≤i≤n)；引入一个空集合TΓ；所述的模块A对历史决策数据Γ＝{S1,S2,...,Si,...,Sn}执行以下步骤：
步骤A-1：初始化i＝1，TΓ＝φ；
步骤A-2：如果i>n，则结束；
步骤A-3：采用Stanford分词系统对用户文本i进行分词，形成用户文本i的分词结果，记为T用户文本i，即T用户文本i＝ti1/posi1ti2/posi2...tij/posij...tik/posik(1≤j≤k)；
步骤A-4：对T用户文本i＝ti1/posi1ti2/posi2...tij/posij...tik/posik，如果posij为r(代词)、p(介词)、u(助词)、e(感叹词)、w(标点符号)或者d(副词)，或者tij属于业务停用词词典，那么从T用户文本i中删除分词项tij/posij；
步骤A-5：如果T用户文本i没有在步骤A-4中被删空，即T用户文本i不为空串，那么TΓ＝TΓ∪{(T用户文本i,决策集i)}；
步骤A-6：i＝i+1，转步骤A-2。
所述的模块B的实施如下：引入一个由二元组(t,TΓt)构成的集合，记为TΓindex，其中t表示一个词，TΓt是由DΓ中含有词t的用户文本构成集合；引入一个由三元组(t,TΓt,|TΓt|)构成的集合，记为TΓindex1，其中|TΓt|是TΓt的基数；引入一个由三元组({t,t′},TΓt∩TΓt′,|TΓt∩TΓt′|)构成的集合，记为TΓindex2，其中{t,t′}是TΓ中的两个词,TΓt∩TΓt′为TΓt和TΓt′的交集，|TΓt∩TΓt′|是TΓt∩TΓt′的基数；类似地，引入一个由三元组({t,t′,t′},TΓt∩TΓt′∩TΓt″,|TΓt∩TΓt′∩TΓt″|)构成的集合，记为TΓindex3，其中{t,t′,t″}是TΓ中的三个词，TΓt∩TΓt′∩TΓt″为TΓt、TΓt′与TΓt″的交集，|TΓt∩TΓt′∩TΓt″|是TΓt∩TΓt′∩TΓt″的基数；最后引入三个集合TΓindex1D、TΓindex2D、TΓindex3D，用于保存候选的决策知识；所述的模块B执行如下步骤：
步骤B-1：初始化TΓindex＝φ，TΓindex1＝φ，TΓindex2＝φ，TΓindex3＝φ，TΓindex1D＝φ，TΓindex2D＝φ，TΓindex3D＝φ；
步骤B-2：初始化i＝1；
步骤B-3：如果i>n，则转步骤B-9；
步骤B-4：从TΓ＝{S1,S2,...,Si,...,Sn}取出Si＝(T用户文本i,决策集i)，TΓ＝TΓ\{Si}，其中用户文本i＝ti1/posi1ti2/posi2...tij/posij...tik/posik(1≤j≤k)；
步骤B-5：初始化j＝1；
步骤B-6：如果j>k，则转步骤B-3；
步骤B-7：如果TΓindex中存在二元组(tij,TΓtij)，那么TΓtij＝TΓtij∪{T用户文本i}，j＝j+1，转步骤B-6；
步骤B-8：如果同近义词表中存在一个二元组(t,t的同近义词集)满足tij属于t的同近义词集，那么执行以下子步骤：
步骤B-8-1：如果TΓindex中存在二元组(t,TΓt)使得tij∈TΓt，那么TΓt＝TΓt∪{T用户文本i}，j＝j+1，转步骤B-6；
步骤B-8-2：TΓindex＝TΓindex∪{(tij,{T用户文本i})}，j＝j+1，转步骤B-6；
步骤B-9：对TΓindex中的任意一个二元组(t,TΓt)，TΓindex1＝TΓindex1∪{(t,TΓt,|TΓt|/|TΓ|)}；DR为TΓt中的各个T用户文本i对应的决策集i的交集，TΓindex1D＝TΓindex1D∪{(<t,DR>,TΓt,|TΓt|/|TΓ|)}；
步骤B-10：对TΓindex中的任意两个二元组(t,TΓt)、(t′,TΓt′)，如果TΓt∩TΓt′≠φ，那么TΓindex2＝TΓindex2∪{({t,t′},TΓt∩TΓt′,|TΓt∩TΓt′|/|TΓt∪TΓt′|)}；ER为TΓt∩TΓt′中的各个T用户文本i对应的决策集i的交集，TΓindex2D＝TΓindex2D∪{(<{t,t′},ER>,TΓt∩TΓt′,|TΓt∩TΓt′|/|TΓt∪TΓt′|)}；
步骤B-11：对TΓindex2中的任意一个三元组({t,t′},TΓt∩TΓt′,|TΓt∩TΓt′|/|TΓt∪TΓt′|)，对TΓindex中的任意一个二元组(t″,TΓt″)，如果TΓt∩TΓt′∩TΓt″≠φ，那么TΓindex3＝TΓindex3∪{({t,t′,t″},TΓt∩TΓt′∩TΓt″,|TΓt∩TΓt′∩TΓt″|/|TΓt∪TΓt′∪TΓt″|)}；FR为TΓt∩TΓt′∩TΓt″中的各个T用户文本i对应的决策集i的交集，TΓindex3D＝TΓindex3D∪{(<{t,t′,t″},FR>,TΓt∩TΓt′∩TΓt″,|TΓt∩TΓt′∩TΓt″|/|TΓt∪TΓt′∪TΓt″|)}。
所述的模块C的实施步骤如下：引入存储一个决策知识结果的集合DΓ；所述的模块C执行步骤如下：
步骤C-1：初始化DΓ＝φ；
步骤C-2：对TΓindex1D中的任意一个三元组(<t,DR>,TΓt,|TΓt|)}：如果DR≠φ，并且|TΓt|/|TΓ|>0.2，那么DΓ＝DΓ∪{<{t},DR>}；
步骤C-3：对TΓindex2D中的任意一个三元组(<{t,t′},ER>,TΓt∩TΓt′,|TΓt∩TΓt′|/|TΓt∪TΓt′|)}：如果ER≠φ，并且|TΓt∩TΓt′|/|TΓt∪TΓt′|>0.2，那么DΓ＝DΓ∪{<{t,t′},ER>}；
步骤C-4：对TΓindex3D中的任意一个三元组{(<{t,t′,t″},FR>,TΓt∩TΓt′∩TΓt″,|TΓt∩TΓt′∩TΓt″|/|TΓt∪TΓt′∪TΓt″|)}：如果FR≠φ，并且|TΓt∩TΓt′∩TΓt″|/|TΓt∪TΓt′∪TΓt″|>0.5*0.2，那么DΓ＝DΓ∪{<{t,t′,t″},FR>}；
步骤C-5：输出DΓ给模块D使用。
所述的模块D的实施步骤如下：引入六个决策记录集Accept3D、Reject3D、Accept2D、Reject2D、Accept1D、Reject1D，分别用于记录接受的和拒绝不同形式的决策结果，所述的模块D执行如下步骤：
步骤D-1：初始化Accept3D＝φ，Reject3D＝φ，Accept2D＝φ，Reject2D＝φ，Accept1D＝φ，Reject1D＝φ；
步骤D-2：接收用户使用汉语表达的具体决策问题，记为P；
步骤D-3：采用Stanford分词系统对P进行分词，记分词结果为TP＝p1/pos1p2/pos2...pj/posj...pk/posk(1≤j≤k)；
步骤D-4：如果决策知识集DΓ存在<{t,t′,t″},FR>，使得
Figure BDA0001908582110000051
Figure BDA0001908582110000052
那么向用户输出决策FR；如果用户接受决策FR，那么
Figure BDA0001908582110000053
如果用户不接受决策FR，那么
Figure BDA0001908582110000054
转步骤D-2；
步骤D-5：如果决策知识集DΓ存在<{t,t′},ER>，使得
Figure BDA0001908582110000055
那么向用户输出决策ER；如果用户接受决策ER，那么
Figure BDA0001908582110000056
Figure BDA0001908582110000057
如果用户不接受决策E，那么
Figure BDA0001908582110000058
Figure BDA0001908582110000059
转步骤D-2；
步骤D-6：如果决策知识集DΓ存在<{t},DR>，使得
Figure BDA00019085821100000510
那么向用户输出决策DR；如果用户接受决策DR，那么
Figure BDA00019085821100000511
Figure BDA00019085821100000512
如果用户不接受决策DR，那么
Figure BDA00019085821100000513
Figure BDA00019085821100000514
转步骤D-2。
所述的模块E的实施步骤如下：
步骤E-1：遍历Reject3D中的每个元素({t,t′,t″},FR,“reject”,count3D)：如果Accept3D中存在一个元素({t,t′,t″},FR,“accept”,count3D′)，满足count3D/(count3D′+count3D)>ɑ，其中ɑ∈(0,1)是一个决策误差参数，由用户根据能容忍的误差要求来确定；ɑ越小，决策误差越小；反之ɑ越大，决策误差越大，那么DΓ＝DΓ\{<{t,t′,t″},FR>}，并且执行以下子步骤：
步骤E-1-1：遍历Accept3D中的每个元素({t,t′,t″},FR3x,“accept”,count3x)：如果FR3x∩FR≠φ，那么DΓ＝DΓ\{<{t,t′,t″},FR3x>}步骤E-1-2：遍历Accept2D中的每个元素({tx,ty},ERxy,“accept”,countxy)：如果
Figure BDA0001908582110000061
并且ERxy∩FR≠φ,那么DΓ＝DΓ\{<{tx,ty},ERxy>}；
步骤E-1-3：遍历Accept1D中的元素({tz},DRz,“accept”,countz)：如果
Figure BDA0001908582110000062
并且DRz∩FR≠φ,那么DΓ＝DΓ\{<{tz},DRz>}；
步骤E-2：遍历Reject2D中的每个元素({t,t′},ER,“reject”,count2D)：如果Accept2D中存在一个元素({t,t′},ER,“accept”,count2D′)，满足count2D/(count2D′+count2D)>ɑ，那么DΓ＝DΓ\{<{t,t′},ER>}，并且执行以下子步骤：
步骤E-2-1：遍历Accept2D中的每个元素({t,t′},ER2x,“accept”,count2x)：如果ER2x∩ER≠φ，那么DΓ＝DΓ\{<{t,t′},ER2x>}；
步骤E-2-2：遍历Accept1D中的元素({tz},DRz,“accept”,countz)：如果
Figure BDA0001908582110000063
并且DRz∩ER≠φ,那么DΓ＝DΓ\{<{tz},DRz>}；
步骤E-3：遍历Reject1D中的每个元素({t},DR,“reject”,count1D)：如果Accept1D中存在一个元素({t},DR,“accept”,count1D′)，满足count1D/(count1D′+count1D)>ɑ，那么DΓ＝DΓ\{<{t},DR>}，并且遍历Accept1D中的每个元素({t},DR1x,“accept”,count1x)：如果DR1x∩DR≠φ，那么DΓ＝DΓ\{<{t},DR1x>}。
有益效果：现有的决策分析方法和决策工具(例如决策树方法、影响图方法、贝叶斯方法、粗糙集方法、灰色决策方法等)需要决策建模人员具备很高的决策理论和方法学的知识。同时，这些方法实在际应用过程涉及了众多的环节，包括建模、测试、优化、试用、再优化，需要耗费大量的人力成本和时间成本。本发明具有两个优势：(1)通过数据挖掘和反馈学习方法，降低人工建模成本，避免了传统的决策建模方法依赖专业的决策人员的局限。(2)减少了决策方法在实际应用过程中的建模、测试和优化等环节的工作量。本发明的智能辅助决策支持系统及方法的实际应用效果好，更容易在实际应用中推广。
附图说明
图1是一种快捷的智能辅助决策支持系统的工作流程图。
具体实施方式
为了能够更清楚的描述本发明，以下先定义并解释一些重要的术语：
(1)实体集：实体集是一个机构向用户提供的各种产品或服务的名称集合，本发明的系统要准确地从中找到符合用户需要的产品或服务，然后提供给用户。例如，对运营商而言，实体集含有各种出境到美国的漫游套餐、家庭合约计划、终端产品等。客服人员接听到用户的“在美国上网费用高吗？”的电话咨询时，或者用户直接在终端上键入上述咨询时，本发明的智能辅助决策系统能够向客服人员提示几种合适的套餐，这样不仅可以减轻客服人员的工作强度，而且可以提升他们的工作效率。为了便于统一处理，实体集含有一个特殊的实体：“无决策”。
(2)决策知识：由应用场景与决策行动构成的信息结构。例如，在运营商服务中，针对用户提出“为什么我的流量超了”这一质疑场景，对应的决策行动有检查用户流量使用记录、向用户反馈流量使用记录、提醒用户闲时流量优惠、推荐流量加餐包、推荐含有大流量的套餐。这种决策知识普遍存在于各行各业，对它们的发掘和充分利用，是人工智能中的一项重要的工作。
(3)历史决策数据语料：历史决策数据语料是由一些形如(用户文本,决策集)的二元组构成的集合，在每一个二元组中，用户文本是用户提出的咨询内容或者键入的关键词，决策集是用户实际决策的内容，并且决策集
Figure BDA0001908582110000071
实体集。注意，实体集含有一个特殊的实体——“无决策”，此时二元组(用户文本,{“无决策”})的含义为：当用户提交或者键入用户文本时，不给出任何决策(也即无决策)。
(4)Stanford分词系统：Stanford分词系统是斯坦福大学研发的、开源的分词系统，网址为https://nlp.stanford.edu/，其中Stanford为斯坦福大学的英文简称。一个文本分词后，形成“词/词性”的串结构，形如t1/pos1t2/pos2...tj/posj...tk/posk，其中tj称为句子的一个词，tj/posj称为句子的一个分词项，posj为tj的词性。
(5)业务停用词词典：在大多数行业的语料中，都存在一些意义不相关或者可有可无的词汇，本发明将这些词成为业务停用词词典。例如，在客户服务行业中，在“请问我的套餐还有多少流量？谢谢您！”中，“请问”、“谢谢您”就是可有可无的词语。也即，就实际服务效果而言，用户说不说“请问”、“谢谢您”，并不影响用户从客服人员那里获得所需要的信息。
(6)近义词、同近义词表：在自然语言中，一个词通常存在一个或多个意思相近的词，称为近义词。本发明将同义词也视为近义词，便于统一处理。因此下文将使用“同近义词”这一术语来统称同义词和近义词。例如，“怎么”的同近义词有：怎么、怎样、怎么样、如何，等等；“购买”的同近义词有：购买、买、购、订、订购、办理、预购、网购，等。同近义词表是一个由二元组(词,同近义词集合)构成的集合。例如，同近义词表＝{(怎么,{怎样,怎么样,如何},(购买,(买,购,订,订购,办理,预购,网购},(北京,{北京市,北京市区,北京城}),...}。
(7)集合的交运算、并运算、差运算、基数：给定两个集合S1和S2。S1与S2的交集，记为S1∩S2，是一个由同时出现S1和S2中的元素组成的集合。S1与S2的并集，记为S1∪S2，是一个由出现S1或出现在S2中的元素组成的集合。S1与S2的差集，记为S1\S2，是一个由出现S1中但不出现在S2中的元素组成的集合。对集合S，|S|为S的基数函数，它的函数值为S中的元素个数。注意，本发明也用φ表示空集合，即φ＝{}。
(8)集合与元组的
Figure BDA0001908582110000081
运算：本发明提出了一种集合与元组的
Figure BDA0001908582110000082
运算。设X是一个由长度为m的元组构成的集合，它的元素记为(x1,x2,...,xi,...,xm-1,xm)，其中xm的数据类型是数值型；设(y1,y2,...,yi,...,ym-1)是一个长度为(m-1)的元组。
Figure BDA0001908582110000083
是一个特殊的运算，
Figure BDA0001908582110000084
也是一个集合，记为Y，即
Figure BDA0001908582110000085
Figure BDA0001908582110000086
Y的计算方法如下：首先，初始化Y＝X；其次，如果Y中存在一个元素(x1,x2,...,xi,...,xm-1,xm)使得xi＝yi(1≤i<m)，那么将Y中的(x1,x2,...,xi,...,xm-1,xm)中的xm增加1，即xm＝xm+1；否则，将(y1,y2,...,yi,...,ym-1,1)添加到Y中，即Y＝Y∪{(y1,y2,...,yi,...,ym-1,1)}。
下面结合附图1对本发明作进一步详细说明。本发明提出的一种快捷的智能辅助决策支持系统及方法。一种快捷的智能化辅助决策支持系统分为五个大的模块，每个大的模块的具体实施又由一些步骤或子步骤完成。下面给出模块功能、核心步骤的详细解释。
模块A：历史决策数据的预处理
模块A的输入是历史决策数据Γ＝{S1,S2,...,Si,...,Sn}，其中Si＝(用户文本i,决策集i)(1≤i≤n)。模块A的实施步骤如下：首先引入一个空集合TΓ；然后对历史决策数据Γ＝{S1,S2,...,Si,...,Sn}，执行以下步骤：
步骤A-1：初始化i＝1，TΓ＝φ；
步骤A-2：如果i>n，则结束；
步骤A-3：采用Stanford分词系统对用户文本i进行分词，形成用户文本i的分词结果，记为T用户文本i，即T用户文本i＝ti1/posi1ti2/posi2...tij/posij...tik/posik(1≤j≤n)；
步骤A-4：对T用户文本i＝ti1/posi1ti2/posi2...tij/posij...tik/posik，如果posij为r(代词)、p(介词)、u(助词)、e(感叹词)、w(标点符号)或者d(副词)，或者tij属于业务停用词词典，那么从T用户文本i中删除分词项tij/posij；
步骤A-5：如果T用户文本i没有在步骤A-4中被删空，即T用户文本i不为空串，那么TΓ＝TΓ∪{(T用户文本i,决策集i)}；
步骤A-6：i＝i+1，转步骤A-2。
需要补充说明的是，通过实际的试验发现，经过上述6个步骤处理后，TΓ中的T用户文本i(其中1≤i≤n)中的汉字平均减少35％以上。这样极大地提升了后续模块的处理效率。
模块B：从历史决策数据中发掘候选的决策知识
引入一个由二元组(t,TΓt)构成的集合，记为TΓindex，其中t表示一个词，TΓt是由DΓ中含有词t的用户文本构成集合。引入一个由三元组(t,TΓt,|TΓt|)构成的集合，记为TΓindex1，其中|TΓt|是TΓt的基数。引入一个由三元组({t,t′},TΓt∩TΓt′,|TΓt∩TΓt′|)构成的集合，记为TΓindex2，其中{t,t′}是TΓ中的两个词,TΓt∩TΓt′为TΓt和TΓt′的交集，|TΓt∩TΓt′|是TΓt∩TΓt′的基数。类似地，引入一个由三元组({t,t′,t′},TΓt∩TΓt′∩TΓt″,|TΓt∩TΓt′∩TΓt″|)构成的集合，记为TΓindex3，其中{t,t′,t″}是TΓ中的三个词，TΓt∩TΓt′∩TΓt″为TΓt、TΓt′与TΓt″的交集，|TΓt∩TΓt′∩TΓt″|是TΓt∩TΓt′∩TΓt″的基数。最后引入三个集合TΓindex1D、TΓindex2D、TΓindex3D，用于保存候选的决策知识。
步骤B-1：初始化TΓindex＝φ，TΓindex1＝φ，TΓindex2＝φ，TΓindex3＝φ，TΓindex1D＝φ，TΓindex2D＝φ，TΓindex3D＝φ；
步骤B-2：初始化i＝1；
步骤B-3：如果i>n，则转步骤B-9；
步骤B-4：从TΓ＝{S1,S2,...,Si,...,Sn}取出Si＝(T用户文本i,决策集i)，TΓ＝TΓ\{Si}，其中用户文本i＝ti1/posi1ti2/posi2...tij/posij...tik/posik(1≤j≤k)；
步骤B-5：初始化j＝1；
步骤B-6：如果j>k，则转步骤B-3；
步骤B-7：如果TΓindex中存在二元组(tij,TΓtij)，那么TΓtij＝TΓtij∪{T用户文本i}，j＝j+1，转步骤B-6；
步骤B-8：如果同近义词表中存在一个二元组(t,t的同近义词集)满足tij属于t的同近义词集，那么执行以下子步骤：
步骤B-8-1：如果TΓindex中存在二元组(t,TΓt)使得tij∈TΓt，那么TΓt＝TΓt∪{T用户文本i}，j＝j+1，转步骤B-6；
步骤B-8-2：TΓindex＝TΓindex∪{(tij,{T用户文本i})}，j＝j+1，转步骤B-6。
步骤B-9：对TΓindex中的任意一个二元组(t,TΓt)，TΓindex1＝TΓindex1∪{(t,TΓt,|TΓt|/|TΓ|)}；DR为TΓt中的各个T用户文本i对应的决策集i的交集，TΓindex1D＝TΓindex1D∪{(<t,DR>,TΓt,|TΓt|/|TΓ|)}；
步骤B-10：对TΓindex中的任意两个二元组(t,TΓt)、(t′,TΓt′)，如果TΓt∩TΓt′≠φ，那么TΓindex2＝TΓindex2∪{({t,t′},TΓt∩TΓt′,|TΓt∩TΓt′|/|TΓt∪TΓt′|)}；ER为TΓt∩TΓt′中的各个T用户文本i对应的决策集i的交集，TΓindex2D＝TΓindex2D∪{(<{t,t′},ER>,TΓt∩TΓt′,|TΓt∩TΓt′|/|TΓt∪TΓt′|)}；
步骤B-11：对TΓindex2中的任意一个三元组({t,t′},TΓt∩TΓt′,|TΓt∩TΓt′|/|TΓt∪TΓt′|)，对TΓindex中的任意一个二元组(t″,TΓt″)，如果TΓt∩TΓt′∩TΓt″≠φ，那么TΓindex3＝TΓindex3∪{({t,t′,t″},TΓt∩TΓt′∩TΓt″,|TΓt∩TΓt′∩TΓt″|/|TΓt∪TΓt′∪TΓt″|)}；FR为TΓt∩TΓt′∩TΓt″中的各个T用户文本i对应的决策集i的交集，TΓindex3D＝TΓindex3D∪{(<{t,t′,t″},FR>,TΓt∩TΓt′∩TΓt″,|TΓt∩TΓt′∩TΓt″|/|TΓt∪TΓt′∪TΓt″|)}。
上面的步骤完成了候选决策知识的发掘，形成了3个候选决策知识的结果，它们分别存储在TΓindex1D、TΓindex2D、TΓindex3D中。
模块C：对候选的决策知识的验证
引入存储一个决策知识结果的集合DΓ。模块C的具体实施步骤如下：
步骤C-1：初始化DΓ＝φ。
步骤C-2：对TΓindex1D中的任意一个三元组(<t,DR>,TΓt,|TΓt|)}：如果DR≠φ，并且|TΓt|/|TΓ|>β，那么DΓ＝DΓ∪{<{t},DR>}。其中，β是一个参数，试验表明：β＝0.2的时候，本发明取得最好的效果。
步骤C-3：对TΓindex2D中的任意一个三元组(<{t,t′},ER>,TΓt∩TΓt′,|TΓt∩TΓt′|/|TΓt∪TΓt′|)}：如果ER≠φ，并且|TΓt∩TΓt′|/|TΓt∪TΓt′|>β，那么DΓ＝DΓ∪{<{t,t′},ER>}。
步骤C-4：对TΓindex3D中的任意一个三元组{(<{t,t′,t″},FR>,TΓt∩TΓt′∩TΓt″,|TΓt∩TΓt′∩TΓt″|/|TΓt∪TΓt′∪TΓt″|)}：如果FR≠φ，并且|TΓt∩TΓt′∩TΓt″|/|TΓt∪TΓt′∪TΓt″|>0.5*β，那么DΓ＝DΓ∪{<{t,t′,t″},FR>}。
步骤C-5：输出DΓ给模块D使用。
模块D：利用决策知识辅助用户进行决策
面对用户在实际工作中遇到的具体问题，模块D利用模块C获得的决策知识，辅助用户作出决策，并且将保存对具体问题的决策数据，以便模块E通过反馈学习优化决策知识。有两点需要注意：(1)如模块C所述，决策知识集DΓ由三种形式的决策知识构成：<{t},DR>，<{t,t′},ER>，<{t,t′,t″},FR>。(2)模块D是一个服务，它不断接收用户的具体问题，然后给出决策。
模块D的实施步骤如下：引入六个决策记录集Accept3D、Reject3D、Accept2D、Reject2D、Accept1D、Reject1D，分别用于记录接受的和拒绝的不同形式的决策结果。
步骤D-1：初始化Accept3D＝φ，Reject3D＝φ，Accept2D＝φ，Reject2D＝φ，Accept1D＝φ，Reject1D＝φ；
步骤D-2：接收用户使用汉语表达的决策问题，记为P；
步骤D-3：采用Stanford分词系统对P进行分词，记分词结果为TP＝p1/pos1p2/pos2...pj/posj...pk/posk(1≤j≤n)。
步骤D-4：如果决策知识集DΓ存在<{t,t′,t″},FR>，使得
Figure BDA00019085821100001211
Figure BDA00019085821100001214
那么向用户输出决策FR；如果用户接受决策FR，那么
Figure BDA0001908582110000121
如果用户不接受决策FR，那么
Figure BDA0001908582110000122
转步骤D-2；
步骤D-5：如果决策知识集DΓ存在<{t,t′},ER>，使得
Figure BDA00019085821100001212
那么向用户输出决策ER；如果用户接受决策ER，那么
Figure BDA0001908582110000123
Figure BDA0001908582110000124
如果用户不接受决策E，那么
Figure BDA0001908582110000125
Figure BDA0001908582110000126
转步骤D-2；
步骤D-6：如果决策知识集DΓ存在<{t},DR>，使得
Figure BDA00019085821100001213
那么向用户输出决策DR；如果用户接受决策DR，那么
Figure BDA0001908582110000127
Figure BDA0001908582110000128
如果用户不接受决策DR，那么
Figure BDA0001908582110000129
Figure BDA00019085821100001210
转步骤D-2；
模块E：通过反馈学习优化决策知识
上述步骤输出的决策知识可能存在一些错误，需要在实际的应用过程中进行再分析、再优化。有两点需要注意：(1)如模块C所述，决策知识集DΓ由三种形式的决策知识构成：<{t},DR>，<{t,t′},ER>，<{t,t′,t″},FR>。(2)模块E的输入是模块D中产生的决策记录集Accept3D、Reject3D、Accept2D、Reject2D、Accept1D、Reject1D。
模块E的具体实施步骤如下：
步骤E-1：遍历Reject3D中的每个元素({t,t′,t″},FR,“reject”,count3D)：如果Accept3D中存在一个元素({t,t′,t″},FR,“accept”,count3D′)，满足count3D/(count3D′+count3D)>ɑ(其中ɑ∈(0,1)是一个决策误差参数，由本发明的用户根据能容忍的误差要求来确定。ɑ越小，决策误差越小；反之ɑ越大，决策误差越大)，那么DΓ＝DΓ\{<{t,t′,t″},FR>}，并且执行以下子步骤：
步骤E-1-1：遍历Accept3D中的每个元素({t,t′,t″},FR3x,“accept”,count3x)：如果FR3x∩FR≠φ，那么DΓ＝DΓ\{<{t,t′,t″},FR3x>}；
步骤E-1-2：遍历Accept2D中的每个元素({tx,ty},ERxy,“accept”,countxy)：如果
Figure BDA0001908582110000131
并且ERxy∩FR≠φ,那么DΓ＝DΓ\{<{tx,ty},ERxy>}；
步骤E-1-3：遍历Accept1D中的元素({tz},DRz,“accept”,countz)：如果
Figure BDA0001908582110000132
并且DRz∩FR≠φ,那么DΓ＝DΓ\{<{tz},DRz>}；
步骤E-2：遍历Reject2D中的每个元素({t,t′},ER,“reject”,count2D)：如果Accept2D中存在一个元素({t,t′},ER,“accept”,count2D′)，满足count2D/(count2D′+count2D)>ɑ，那么DΓ＝DΓ\{<{t,t′},ER>}，并且执行以下子步骤：
步骤E-2-1：遍历Accept2D中的每个元素({t,t′},ER2x,“accept”,count2x)：如果ER2x∩ER≠φ，那么DΓ＝DΓ\{<{t,t′},ER2x>}；
步骤E-2-2：遍历Accept1D中的元素({tz},DRz,“accept”,countz)：如果
Figure BDA0001908582110000133
并且DRz∩ER≠φ,那么DΓ＝DΓ\{<{tz},DRz>}；
步骤E-3：遍历Reject1D中的每个元素({t},DR,“reject”,count1D)：如果Accept1D中存在一个元素({t},DR,“accept”,count1D′)，满足count1D/(count1D′+count1D)>ɑ，那么DΓ＝DΓ\{<{t},DR>}，并且遍历Accept1D中的每个元素({t},DR1x,“accept”,count1x)：如果DR1x∩DR≠φ，那么DΓ＝DΓ\{<{t},DR1x>}。
本发明的实验效果
本发明提出的一种快捷的智能辅助决策支持系统及方法具有良好的实验效果。利用客服人员在客户服务中形成的10万条历史决策数据，本发明发现β＝0.2时，决策误差参数α设置为0.1时，通过比对本发明的决策结果发现，本发明获得了最佳的决策效果。将用户的浏览观看的数据作为“用户文本”，将用户最终购买的商品作为“决策集”，本发明利用10万条历史决策数据，实验发现β＝0.2时，决策误差参数α设置为0.20时，通过比对本发明的决策结果发现，本发明获得了最佳的决策效果。上述实验表明本发明的智能辅助决策支持系统及方法的实际应用效果好，更容易在实际应用中推广。

Claims (2)

1.一种快捷的智能辅助决策支持系统，其特征在于，包括以下模块：
模块A：历史决策数据的预处理；
模块B：从历史决策数据中发掘候选的决策知识；
模块C：对候选的决策知识的验证；
模块D：利用决策知识辅助用户进行决策；
模块E：通过反馈学习优化决策知识；
所述的模块A的实施步骤如下：模块A的输入是历史决策数据Γ＝{S1，S2，...，Si，...，Sn}，其中Si＝(用户文本i，决策集i)(1≤i≤n)；引入一个空集合TΓ；所述的模块A对历史决策数据Γ＝{S1，S2，...，Si，...，Sn}执行以下步骤：
步骤A-1：初始化i＝1，TΓ＝φ；
步骤A-2：如果i＞n，则结束；
步骤A-3：采用Stanford分词系统对用户文本i进行分词，形成用户文本i的分词结果，记为T用户文本i，即T用户文本i＝ti1/posi1 ti2/posi2 ... tij/posij ... tik/posik；
步骤A-4：对T用户文本i＝ti1/posi1 ti2/posi2 ... tij/posij ... tik/posik，如果posij为r、p、u、e、w或者d，或者tij属于业务停用词词典，那么从T用户文本i中删除分词项tij/posij，；其中r为代词、p为介词、u为助词、e为感叹词、w为标点符号、d为副词；
步骤A-5：如果T用户文本i没有在步骤A-4中被删空，即T用户文本i不为空串，那么TΓ＝TΓ∪{(T用户文本i，决策集i)}；
步骤A-6：i＝i+1，转步骤A-2；
所述的模块B的实施如下：引入一个由二元组(t，TΓt)构成的集合，记为TΓindex，其中t表示一个词，TΓt是由DΓ中含有词t的用户文本构成集合；引入一个由三元组(t，TΓt，|TΓt|)构成的集合，记为TΓindex1，其中|TΓt|是TΓt的基数；引入一个由三元组({t，t′}，TΓt∩TΓt′，|TΓt∩TΓt′|)构成的集合，记为TΓindex2，其中{t，t′}是TΓ中的两个词，TΓt∩TΓt′为TΓt和TΓt′的交集，|TΓt∩TΓt′|是TΓt∩TΓt′的基数；类似地，引入一个由三元组({t，t′，t′}，TΓt∩TΓt′∩TΓt″，|TΓt∩TΓt′∩TΓt″|)构成的集合，记为TΓindex3，其中{t，t′，t″}是TΓ中的三个词，TΓt∩TΓt′∩TΓt″为TΓt、TΓt′与TΓt″的交集，|TΓt∩TΓt′∩TΓt″|是TΓt∩TΓt′∩TΓt″的基数；最后引入三个集合TΓindex1D、TΓindex2D、TΓindex3D，用于保存候选的决策知识；所述的模块B执行如下步骤：
步骤B-1：初始化TΓindex＝φ，TΓindex1＝φ，TΓindex2＝φ，TΓindex3＝φ，TΓindex1D＝φ，TΓindex2D＝φ，TΓindex3D＝φ；
步骤B-2：初始化i＝1；
步骤B-3：如果i＞n，则转步骤B-9；
步骤B-4：从TΓ＝{S1，S2，...，Si，...，Sn}取出Si＝(T用户文本i，决策集i)，TΓ＝TΓ\{Si}，其中用户文本i＝ti1/posi1 ti2/posi2 ... tij/posij ... tik/posik(1≤j≤k)；
步骤B-5：初始化j＝1；
步骤B-6：如果j＞k，则转步骤B-3；
步骤B-7：如果TΓindex中存在二元组(tij，TΓtij)，那么TΓtij＝TΓtij∪{T用户文本i}，j＝j+1，转步骤B-6；
步骤B-8：如果同近义词表中存在一个二元组(t，t的同近义词集)满足tij属于t的同近义词集，那么执行以下子步骤：
步骤B-8-1：如果TΓindex中存在二元组(t，TΓt)使得tij∈TΓt，那么TΓt＝TΓt∪{T用户文本i}，j＝j+1，转步骤B-6；
步骤B-8-2：TΓindex＝TΓindex∪{(tij，{T用户文本i})}，j＝j+1，转步骤B-6；
步骤B-9：对TΓindex中的任意一个二元组(t，TΓt)，TΓindex1＝TΓindex1∪{(t，TΓt，|TΓt|/|TΓ|)}；DR为TΓt中的各个T用户文本i对应的决策集i的交集，TΓindex1D＝TΓindex1D∪{(<t，DR>，TΓt，|TΓt|/|TΓ|)}；
步骤B-10：对TΓindex中的任意两个二元组(t，TΓt)、(t′，TΓt′)，如果TΓt∩TΓt′≠φ，那么TΓindex2＝TΓindex2∪{({t，t′}，TΓt∩TΓt′，|TΓt∩TΓt′|/|TΓt∪TΓt′|)}；ER为TΓt∩TΓt′中的各个T用户文本i对应的决策集i的交集，TΓindex2D＝TΓindex2D∪{(<{t，t′}，ER>，TΓt∩TΓt′，|TΓt∩TΓt′|/|TΓt∪TΓt′|)}；
步骤B-11：对TΓindex2中的任意一个三元组({t，t′}，TΓt∩TΓt′，|TΓt∩TΓt′|/|TΓt∪TΓt′|)，对TΓindex中的任意一个二元组(t″，TΓt″)，如果TΓt∩TΓt′∩TΓt″≠φ，那么TΓindex3＝TΓindex3∪{({t，t′，t″}，TΓt∩TΓt′∩TΓt″，|TΓt∩TΓt′∩TΓt″|/|TΓt∪TΓt′∪TΓt″|)}；FR为TΓt∩TΓt′∩TΓt″中的各个T用户文本i对应的决策集i的交集，TΓindex3D＝TΓindex3D∪{(<{t，t′，t″}，FR>，TΓt∩TΓt′∩TΓt″，|TΓt∩TΓt′∩TΓt″|/|TΓt∪TΓt′∪TΓt″|)}；
所述的模块C的实施步骤如下：引入存储一个决策知识结果的集合DΓ；所述的模块C执行步骤如下：
步骤C-1：初始化DΓ＝φ；
步骤C-2：对TΓindex1D中的任意一个三元组(<t，DR>，TΓt，|TΓt|)}：如果DR≠φ，并且|TΓt|/|TΓ|＞0.2，那么DΓ＝DΓ∪{<{t}，DR>}；
步骤C-3：对TΓindex2D中的任意一个三元组(<{t，t′}，ER>，TΓt∩TΓt′，|TΓt∩TΓt′|/|TΓt∪TΓt′|)}：如果ER≠φ，并且|TΓt∩TΓt′|/|TΓt∪TΓt′|＞0.2，那么DΓ＝DΓ∪{<{t，t′}，ER>}；
步骤C-4：对TΓindex3D中的任意一个三元组{(<{t，t′，t″}，FR>，TΓt∩TΓt′∩TΓt″，|TΓt∩TΓt′∩TΓt″|/|TΓt∪TΓt′∪TΓt″|)}：如果FR≠φ，并且|TΓt∩TΓt′∩TΓt″|/|TΓt∪TΓt′∪TΓt″|＞0.5*0.2，那么DΓ＝DΓ∪{<{t，t′，t″}，FR>}；
步骤C-5：输出DΓ给模块D使用；
所述的模块D的实施步骤如下：引入六个决策记录集Accept3D、Reject3D、Accept2D、Reject2D、Accept1D、Reject1D，分别用于记录接受的和拒绝的不同形式的决策结果；所述的模块D执行如下步骤：
步骤D-1：初始化Accept3D＝φ，Reject3D＝φ，Accept2D＝φ，Reject2D＝φ，Accept1D＝φ，Reject1D＝φ；
步骤D-2：接收用户使用汉语表达的具体决策问题，记为P；
步骤D-3：采用Stanford分词系统对P进行分词，记分词结果为TP＝p1/pos1 p2/pos2 ...pj/posj ... pk/posk(1≤j≤k)；
步骤D-4：如果决策知识集DΓ存在<{t，t′，t″}，FR>，使得
Figure FDA0003873454170000031
那么向用户输出决策FR；如果用户接受决策FR，那么
Figure FDA0003873454170000032
Figure FDA00038734541700000411
如果用户不接受决策FR，那么
Figure FDA0003873454170000041
转步骤D-2；
步骤D-5：如果决策知识集DΓ存在<{t，t′}，ER>，使得
Figure FDA0003873454170000042
那么向用户输出决策ER；如果用户接受决策ER，那么
Figure FDA0003873454170000043
如果用户不接受决策E，那么
Figure FDA0003873454170000044
转步骤D-2；
步骤D-6：如果决策知识集DΓ存在<{t}，DR>，使得
Figure FDA0003873454170000045
那么向用户输出决策DR；如果用户接受决策DR，那么
Figure FDA0003873454170000046
如果用户不接受决策DR，那么
Figure FDA0003873454170000047
转步骤D-2；
所述的模块E的实施步骤如下：
步骤E-1：遍历Reject3D中的每个元素({t，t′，t″}，FR，“reject”，count3D)：如果Accept3D中存在一个元素({t，t′，t″}，FR，“accept”，count3D′)，满足count3D/(count3D′+count3D)＞α，其中α∈(0，1)是一个决策误差参数，由用户根据能容忍的误差要求来确定；α越小，决策误差越小；反之α越大，决策误差越大，那么DΓ＝DΓ\{<{t，t′，t″}，FR>}，并且执行以下子步骤：
步骤E-1-1：遍历Accept3D中的每个元素({t，t′，t″}，FR3x，“accept”，count3x)：如果FR3x∩FR≠φ，那么DΓ＝DΓ\{<{t，t′，t″}，FR3x>}步骤E-1-2：遍历Accept2D中的每个元素({tx，ty}，ERxy，“accept”，countxy)：如果
Figure FDA0003873454170000048
并且ERxy∩FR≠φ，那么DΓ＝DΓ\{<{tx，ty}，ERxy>}；
步骤E-1-3：遍历Accept1D中的元素({tz}，DRz，“accept”，countz)：如果
Figure FDA0003873454170000049
并且DRz∩FR≠φ，那么DΓ＝DΓ\{<{tz}，DRz>}；
步骤E-2：遍历Reject2D中的每个元素({t，t′}，ER，“reject”，count2D)：如果Accept2D中存在一个元素({t，t′}，ER，“accept”，count2D′)，满足count2D/(count2D′+count2D)>α，那么DΓ＝DΓ\{<{t，t′}，ER>}，并且执行以下子步骤：
步骤E-2-1：遍历Accept2D中的每个元素({t，t′}，ER2x，“accept”，coynt2x)：如果ER2x∩ER≠φ，那么DΓ＝DΓ\{<{t，t′}，ER2x>}；
步骤E-2-2：遍历Accept1D中的元素({tz}，DRz，“accept”，countz)：如果
Figure FDA00038734541700000410
并且DRz∩ER≠φ，那么DΓ＝DΓ\{<{tz}，DRz>}；
步骤E-3：遍历Reject1D中的每个元素({t}，DR，“reject”，count1D)：如果Accept1D中存在一个元素({t}，DR，“accept”，count1D′)，满足count1D/(count1D′+count1D)>α，那么DΓ＝DΓ\{<{t}，DR>}，并且遍历Accept1D中的每个元素({t}，DR1x，“accept”，count1x)：如果DR1x∩DR≠φ，那么DΓ＝DΓ\{<{t}，DR1x>}。
2.根据权利要求1所述系统的一种快捷的智能辅助决策支持方法，其特征在于，包括以下步骤：
步骤A：历史决策数据的预处理；
步骤B：从历史决策数据中发掘候选的决策知识；
步骤C：对候选的决策知识的验证；
步骤D：利用决策知识辅助用户进行决策；
步骤E：通过反馈学习优化决策知识；
所述的模块A的实施步骤如下：模块A的输入是历史决策数据Γ＝{S1，S2，...，Si，...，Sn}，其中Si＝(用户文本i，决策集i)(1≤i≤n)；引入一个空集合TΓ；所述的模块A对历史决策数据Γ＝{S1，S2，...，Si，...，Sn}执行以下步骤：
步骤A-1：初始化i＝1，TΓ＝φ；
步骤A-2：如果i＞n，则结束；
步骤A-3：采用Stanford分词系统对用户文本i进行分词，形成用户文本i的分词结果，记为T用户文本i，即T用户文本i＝ti1/posi1 ti2/posi2 ... tij/posij ... tik/posik(1≤j≤n)；
步骤A-4：对T用户文本i＝ti1/posi1 ti2/posi2 ... tij/posij ... tik/posik，如果posij为r、p、u、e、w或者d，或者tij属于业务停用词词典，那么从T用户文本i中删除分词项tij/posij，；其中r为代词、p为介词、u为助词、e为感叹词、w为标点符号、d为副词；
步骤A-5：如果T用户文本i没有在步骤A-4中被删空，即T用户文本i不为空串，那么TΓ＝TΓ∪{(T用户文本i，决策集i)}；
步骤A-6：i＝i+1，转步骤A-2；
所述的模块B的实施如下：引入一个由二元组(t，TΓt)构成的集合，记为TΓindex，其中t表示一个词，TΓt是由DΓ中含有词t的用户文本构成集合；引入一个由三元组(t，TΓt，|TΓt|)构成的集合，记为TΓindex1，其中|TΓt|是TΓt的基数；引入一个由三元组({t，t′}，TΓt∩TΓt′，|TΓt∩TΓt′|)构成的集合，记为TΓindex2，其中{t，t′}是TΓ中的两个词，TΓt∩TΓt′为TΓt和TΓt′的交集，|TΓt∩TΓt′|是TΓt∩TΓt′的基数；类似地，引入一个由三元组({t，t′，t′}，TΓt∩TΓt′∩TΓt″，|TΓt∩TΓt′∩TΓt″|)构成的集合，记为TΓindex3，其中{t，t′，t″}是TΓ中的三个词，TΓt∩TΓt′∩TΓt″为TΓt、TΓt′与TΓt″的交集，|TΓt∩TΓt′∩TΓt″|是TΓt∩TΓt′∩TΓt″的基数；最后引入三个集合TΓindex1D、TΓindex2D、TΓindex3D，用于保存候选的决策知识；所述的模块B执行如下步骤：
步骤B-1：初始化TΓindex＝φ，TΓindex1＝φ，TΓindex2＝φ，TΓindex3＝φ，TΓindex1D＝φ，TΓindex2D＝φ，TΓindex3D＝φ；
步骤B-2：初始化i＝1；
步骤B-3：如果i＞n，则转步骤B-9；
步骤B-4：从TΓ＝{S1，S2，...，Si，...，Sn}取出Si＝(T用户文本i，决策集i)，TΓ＝TΓ\{Si}，其中用户文本i＝ti1/posi1 ti2/posi2 ... tij/posij ... tik/posik(1≤j≤k)；
步骤B-5：初始化j＝1；
步骤B-6：如果j＞k，则转步骤B-3；
步骤B-7：如果TΓindex中存在二元组(tij，TΓtij)，那么TΓtij＝TΓtij∪{T用户文本i}，j＝j+1，转步骤B-6；
步骤B-8：如果同近义词表中存在一个二元组(t，t的同近义词集)满足tij属于t的同近义词集，那么执行以下子步骤：
步骤B-8-1：如果TΓindex中存在二元组(t，TΓt)使得tij∈TΓt，那么TΓt＝TΓt∪{T用户文本i}，j＝j+1，转步骤B-6；
步骤B-8-2：TΓindex＝TΓindex∪{(tij，{T用户文本i})}，j＝j+1，转步骤B-6；
步骤B-9：对TΓindex中的任意一个二元组(t，TΓt)，TΓindex1＝TΓindex1∪{(t，TΓt，|TΓt|/|TΓ|)}；DR为TΓt中的各个T用户文本i对应的决策集i的交集，TΓindex1D＝TΓindex1D∪{(<t，DR>，TΓt，|TΓt|/|TΓ|)}；
步骤B-10：对TΓindex中的任意两个二元组(t，TΓt)、(t′，TΓt′)，如果TΓt∩TΓt′≠φ，那么TΓindex2＝TΓindex2∪{({t，t′}，TΓt∩TΓt′，|TΓt∩TΓt′|/|TΓt∪TΓt′|)}；ER为TΓt∩TΓt′中的各个T用户文本i对应的决策集i的交集，TΓindex2D＝TΓindex2D∪{(<{t，t′}，ER>，TΓt∩TΓt′，|TΓt∩TΓt′|/|TΓt∪TΓt′|)}；
步骤B-11：对TΓindex2中的任意一个三元组({t，t′}，TΓt∩TΓt′，|TΓt∩TΓt′|/|TΓt∪TΓt′|)，对TΓindex中的任意一个二元组(t″，TΓt″)，如果TΓt∩TΓt′∩TΓt″≠φ，那么TΓindex3＝TΓindex3∪{({t，t′，t″}，TΓt∩TΓt′∩TΓt″，|TΓt∩TΓt′∩TΓt″|/|TΓt∪TΓt′∪TΓt″|)}；FR为TΓt∩TΓt′∩TΓt″中的各个T用户文本i对应的决策集i的交集，TΓindex3D＝TΓindex3D∪{(<{t，t′，t″}，FR>，TΓt∩TΓt′∩TΓt″，|TΓt∩TΓt′∩TΓt″|/|TΓt∪TΓt′∪TΓt″|)}；
所述的模块C的实施步骤如下：引入存储一个决策知识结果的集合DΓ；所述的模块C执行步骤如下：
步骤C-1：初始化DΓ＝φ；
步骤C-2：对TΓindex1D中的任意一个三元组(<t，DR>，TΓt，|TΓt|)}：如果DR≠φ，并且|TΓt|/|TΓ|＞0.2，那么DΓ＝DΓ∪{<{t}，DR>}；
步骤C-3：对TΓindex2D中的任意一个三元组(<{t，t′}，ER>，TΓt∩TΓt′，|TΓt∩TΓt′|/|TΓt∪TΓt′|)}：如果ER≠φ，并且|TΓt∩TΓt′|/|TΓt∪TΓt′|＞0.2，那么DΓ＝DΓ∪{<{t，t′}，ER>}；
步骤C-4：对TΓindex3D中的任意一个三元组{(<{t，t′，t″}，FR>，TΓt∩TΓt′∩TΓt″，|TΓt∩TΓt′∩TΓt″|/|TΓt∪TΓt′∪TΓt″|)}：如果FR≠φ，并且|TΓt∩TΓt′∩TΓt″|/|TΓt∪TΓt′∪TΓt″|＞0.5*0.2，那么DΓ＝DΓ∪{<{t，t′，t″}，FR>}；
步骤C-5：输出DΓ给模块D使用；
所述的模块D的实施步骤如下：引入六个决策记录集Accept3D、Reject3D、Accept2D、Reject2D、Accept1D、Reject1D，分别用于记录接受的和拒绝的不同形式的决策结果，所述的模块D执行如下步骤：
步骤D-1：初始化Accept3D＝φ，Reject3D＝φ，Accept2D＝φ，Reject2D＝φ，Accept1D＝φ，Reject1D＝φ；
步骤D-2：接收用户使用汉语表达的具体决策问题，记为P；
步骤D-3：采用Stanford分词系统对P进行分词，记分词结果为TP＝p1/pos1 p2/pos2 ...pj/posj ... pk/posk(1≤j≤k)；
步骤D-4：如果决策知识集DΓ存在<{t，t′，t″}，FR>，使得
Figure FDA0003873454170000081
那么向用户输出决策FR；如果用户接受决策FR，那么
Figure FDA0003873454170000082
Figure FDA0003873454170000083
如果用户不接受决策FR，那么
Figure FDA0003873454170000084
转步骤D-2；
步骤D-5：如果决策知识集DΓ存在<{t，t′}，ER>，使得
Figure FDA0003873454170000085
那么向用户输出决策ER；如果用户接受决策ER，那么
Figure FDA0003873454170000086
如果用户不接受决策E，那么
Figure FDA0003873454170000087
转步骤D-2；
步骤D-6：如果决策知识集DΓ存在<{t}，DR>，使得
Figure FDA0003873454170000088
那么向用户输出决策DR；如果用户接受决策DR，那么
Figure FDA0003873454170000089
如果用户不接受决策DR，那么
Figure FDA00038734541700000810
转步骤D-2；
所述的模块E的实施步骤如下：
步骤E-1：遍历Reject3D中的每个元素({t，t′，t″}，FR，“reject”，count3D)：如果Accept3D中存在一个元素({t，t′，t″}，FR，“accept”，count3D′)，满足count3D/(count3D′+count3D)>α，其中α∈(0，1)是一个决策误差参数，由用户根据能容忍的误差要求来确定；α越小，决策误差越小；反之α越大，决策误差越大，那么DΓ＝DΓ\{<{t，t′，t″}，FR>}，并且执行以下子步骤：
步骤E-1-1：遍历Accept3D中的每个元素({t，t′，t″}，FR3x，“accept”，count3x)：如果FR3x∩FR≠φ，那么DΓ＝DΓ\{<{t，t″，t″}，FR3x>}步骤E-1-2：遍历Accept2D中的每个元素({tx，ty}，ERxy，“accept”，countxy)：如果
Figure FDA00038734541700000812
并且ERxy∩FR≠φ，那么DΓ＝DΓ\{<{tx，ty}，ERxy>}；
步骤E-1-3：遍历Accept1D中的元素({tz}，DRz，“accept”，countz)：如果
Figure FDA00038734541700000811
并且DRz∩FR≠φ，那么DΓ＝DΓ\{<{tz}，DRz>}；
步骤E-2：遍历Reject2D中的每个元素({t，t′}，ER，“reject”，count2D)：如果Accept2D中存在一个元素({t，t′}，ER，“accept”，count2D′)，满足count2D/(count2D′+count2D)>α，那么DΓ＝DΓ\{<{t，t′}，ER>}，并且执行以下子步骤：
步骤E-2-1：遍历Accept2D中的每个元素({t，t′}，ER2x，“accept”，count2x)：如果ER2x∩ER≠φ，那么DΓ＝DΓ\{<{t，t′}，ER2x>}；
步骤E-2-2：遍历Accept1D中的元素({tz}，DRz，“accept”，countz)：如果
Figure FDA0003873454170000091
并且DRz∩ER≠φ，那么DΓ＝DΓ\{<{tz}，DRz>}；
步骤E-3：遍历Reject1D中的每个元素({t}，DR，“reject”，count1D)：如果Accept1D中存在一个元素({t}，DR，“accept”，count1D′)，满足count1D/(count1D′+count1D)>α，那么DΓ＝DΓ\{<{t}，DR>}，并且遍历Accept1D中的每个元素({t}，DR1x，“accept”，count1x)：如果DR1x∩DR≠φ，那么DΓ＝DΓ\{<{t}，DR1x>}。
CN201811542723.9A 2018-12-17 2018-12-17 一种快捷的智能辅助决策支持系统及方法 Active CN109685215B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811542723.9A CN109685215B (zh) 2018-12-17 2018-12-17 一种快捷的智能辅助决策支持系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811542723.9A CN109685215B (zh) 2018-12-17 2018-12-17 一种快捷的智能辅助决策支持系统及方法

Publications (2)

Publication Number Publication Date
CN109685215A CN109685215A (zh) 2019-04-26
CN109685215B true CN109685215B (zh) 2023-01-20

Family

ID=66186165

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811542723.9A Active CN109685215B (zh) 2018-12-17 2018-12-17 一种快捷的智能辅助决策支持系统及方法

Country Status (1)

Country Link
CN (1) CN109685215B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1435781A (zh) * 2003-02-24 2003-08-13 杨炳儒 一种基于信息挖掘的智能决策支持构造方法
CN105512195A (zh) * 2015-11-26 2016-04-20 中国航空工业集团公司沈阳飞机设计研究所 一种产品fmeca报告分析决策辅助方法
CN106295187A (zh) * 2016-08-11 2017-01-04 中国科学院计算技术研究所 面向智能临床辅助决策支持系统的知识库构建方法与系统
CN106447346A (zh) * 2016-08-29 2017-02-22 北京中电普华信息技术有限公司 一种智能电力客服系统的构建方法及系统
CN107992597A (zh) * 2017-12-13 2018-05-04 国网山东省电力公司电力科学研究院 一种面向电网故障案例的文本结构化方法
CN108053351A (zh) * 2018-02-08 2018-05-18 南京邮电大学 智能高考志愿推荐系统和推荐方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9037529B2 (en) * 2011-06-15 2015-05-19 Ceresis, Llc Method for generating visual mapping of knowledge information from parsing of text inputs for subjects and predicates

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1435781A (zh) * 2003-02-24 2003-08-13 杨炳儒 一种基于信息挖掘的智能决策支持构造方法
CN105512195A (zh) * 2015-11-26 2016-04-20 中国航空工业集团公司沈阳飞机设计研究所 一种产品fmeca报告分析决策辅助方法
CN106295187A (zh) * 2016-08-11 2017-01-04 中国科学院计算技术研究所 面向智能临床辅助决策支持系统的知识库构建方法与系统
CN106447346A (zh) * 2016-08-29 2017-02-22 北京中电普华信息技术有限公司 一种智能电力客服系统的构建方法及系统
CN107992597A (zh) * 2017-12-13 2018-05-04 国网山东省电力公司电力科学研究院 一种面向电网故障案例的文本结构化方法
CN108053351A (zh) * 2018-02-08 2018-05-18 南京邮电大学 智能高考志愿推荐系统和推荐方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
Knowledge-Aided Convolutional Neural Network for Small Organ Segmentation;Yu Zhao等;《IEEE Journal of Biomedical and Health Informatics》;20090731;第23卷(第4期);第1363-1373页 *
基于互联网新闻文本挖掘的投资与监管辅助决策系统;何印;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140415(第4期);第I138-1221页 *
基于文本挖掘的科研项目管理辅助决策系统研究与实现;蒙杰等;《计算机应用与软件》;20160915;第33卷(第9期);第24-26+55页 *
基于本体和语义文法的上下文相关问答;符建辉等;《中文信息学报》;20160315;第30卷(第2期);第142-152+159页 *
智能辅助决策系统的研究;成江东;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20140515(第5期);第C042-424页 *
面向工程决策的经验型隐性知识获取方法;刘利军等;《https://www.docin.com/p-602142938.html》;20130221;第1-10页 *
面向限定领域问答系统的自然语言理解方法综述;王东升等;《计算机科学》;20170815;第44卷(第8期);第1-8+41页 *

Also Published As

Publication number Publication date
CN109685215A (zh) 2019-04-26

Similar Documents

Publication Publication Date Title
CN110427623A (zh) 半结构化文档知识抽取方法、装置、电子设备及存储介质
CN112667794A (zh) 一种基于孪生网络bert模型的智能问答匹配方法及系统
CN110377759A (zh) 事件关系图谱构建方法及装置
US10726058B2 (en) System, computer program product and method for generating embeddings of textual and quantitative data
US11586815B2 (en) Method, system and computer program product for generating artificial documents
Ghosh et al. Natural language processing fundamentals: build intelligent applications that can interpret the human language to deliver impactful results
CN108733644A (zh) 一种文本情感分析方法、计算机可读存储介质及终端设备
KR20200139008A (ko) 딥러닝 기술을 활용한 법률서비스 이용자의 의도분석 기반 계약서 추천 및 자동완성 서비스
WO2021260554A1 (en) Domain-specific grammar correction system, server and method for academic text
CN105975497A (zh) 微博话题自动推荐方法及装置
CN115600605A (zh) 一种中文实体关系联合抽取方法、系统、设备及存储介质
Kanev et al. Sentiment analysis of multilingual texts using machine learning methods
CN113379432B (zh) 一种基于机器学习的销售系统客户匹配方法
CN111382243A (zh) 文本的类别匹配方法、类别匹配装置及终端
Ma et al. Multi-resolution annotations for emoji prediction
CN109685215B (zh) 一种快捷的智能辅助决策支持系统及方法
Surendran et al. Conversational AI-A retrieval based chatbot
CN112328812B (zh) 基于自调参数的领域知识抽取方法与系统、电子设备
Jiang et al. Sentiment classification based on clause polarity and fusion via convolutional neural network
CN107133207A (zh) 一种信息提取方法及装置
Chenna et al. Emotion And Sentiment Analysis From Twitter Text
Arora et al. Evaluation Of Product Reviews Using Deep Learning Classifier Models
Rahman et al. ChartSumm: A large scale benchmark for Chart to Text Summarization
CN116028620B (zh) 一种基于多任务特征协同的生成专利摘要的方法及系统
Omar et al. Using machine learning model to predict libyan telecom company customer satisfaction

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