CN112233108A - 一种基于递归算法的质量评价方法 - Google Patents

一种基于递归算法的质量评价方法 Download PDF

Info

Publication number
CN112233108A
CN112233108A CN202011225243.7A CN202011225243A CN112233108A CN 112233108 A CN112233108 A CN 112233108A CN 202011225243 A CN202011225243 A CN 202011225243A CN 112233108 A CN112233108 A CN 112233108A
Authority
CN
China
Prior art keywords
evaluation
dominance
random
service provider
dimension
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.)
Pending
Application number
CN202011225243.7A
Other languages
English (en)
Inventor
崔旖
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.)
Shenzhen Lihu Software Co ltd
Original Assignee
Shenzhen Lihu Software 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 Shenzhen Lihu Software Co ltd filed Critical Shenzhen Lihu Software Co ltd
Priority to CN202011225243.7A priority Critical patent/CN112233108A/zh
Publication of CN112233108A publication Critical patent/CN112233108A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于递归算法的质量评价方法。该方法对所获取的评价数据根据结构相似性进行离线聚类，将基于减法聚类算法计算出的质量评价数据的评价量化值输入到递归神经网络模型中，以预测并添加服务质量评价标度标签。本发明的方法将各个平台数据库中的评价信息作为数据来源，相较发放调查问卷的方法更容易获得大量真实有效的数据。此外，利用递归神经网络模型来预测并添加服务质量评价标度标签，在很大程度上避免了主观因素的影响。

Description

一种基于递归算法的质量评价方法
【技术领域】
本发明涉及质量评价技术领域，尤其涉及一种基于递归算法的质量评价方法。
【背景技术】
随着质量评价技术的发展，对服务信息进行质量评价已经广泛应用在许多领域中，例如，在医学图像融合技术领域，通过医学图像融合有利于医生对病人的病情进行分析，提高诊断率；红外与可见光图像融合则能清晰地反映复杂环境情况下的情报信息，使其在军事领域获得重要的应用；多聚焦图像融合可以有效地提高相机的成像质量，改善场景辨识准确率，消除数据间的冗余信息。为了有效的进行质量评价，通常采用两种质量评价方式：第一种是以人眼视觉观察为主体的评价方法，即主观评价方法；第二种是以某种特定算法从数据信息中计算出一个具体的数值指标来对数据信息质量进行量化评价的方法，即客观评价方法。
主观评价方法具有直观、简单、符合个性需求等优点，但是人的主观意识之间存在着差异，会影响最终的评价结果。客观评价方法是根据特定算法来提供量化的评价值。因此客观评价方法具有效率高，确定性强，且成本低，易操作，方便快捷，可以方便进行更深入研究等优点。但是由于人的主观意识的复杂性，客观质量评价结果不一定能够符合主观意识的特性。递归是程序设计语言中的一种算法，它通常是将一个大型复杂的问题转化为若干与原问题相似的小问题，先对小问题进行求解，然后通过层层迭代，完成原问题的求解。递归算法的这种层层迭代特性对提高质量评价的准确性有一定的帮助作用，如何使用递归算法进行有效的客观质量评价并与主观评价相结合已成为了急需解决的问题。
【发明内容】
本发明提供了一种基于递归算法的质量评价方法。本发明所采用的技术方案如下：
一种基于递归算法的质量评价方法，步骤1、获取质量评价数据并进行数据预处理，针对不同维度的评价指标，基于获取的所述评价数据，计算服务提供者的概率分布函数、累积分布函数以及期望矩阵；
步骤2、利用随机占优准则得出在各评价维度下同类型服务提供者两两之间的随机占优关系矩阵；
步骤3、通过优序度函数确定随机占优程度矩阵；
步骤4、利用熵权将各评价维度下的随机占优程度矩阵进行集结；
步骤5、计算各评价维度和总体服务质量的排序值。
进一步的，获取质量评价数据并进行数据预处理，具体包括：
步骤101、从评价数据库中获取质量评价数据；
步骤102、对所获取的评价数据根据结构相似性进行离线聚类，相似性结构中的不相关部分被分析和删减，然后将基于减法聚类算法计算出的质量评价数据的评价量化值输入到递归神经网络模型中，以预测并添加服务质量评价标度标签。
进一步的，使用基于减法聚类算法的如下公式来计算评价数据的评价量化值：
Figure 49587DEST_PATH_IMAGE001
其中，
Figure 435569DEST_PATH_IMAGE002
是在时间k计算的评价数据的数据点zk的评价量化值。
进一步的，所述计算服务提供者的概率分布函数、累积分布函数以及期望矩阵，具体包括：
确定在评价维度S j 下给出H i 的服务质量评价标度为T ε 的用户数，即
Figure 418569DEST_PATH_IMAGE004
其中，
Figure 79357DEST_PATH_IMAGE006
Figure 96992DEST_PATH_IMAGE007
表示第x个用户关于服务提供者H i 的评价维度S j 进行质量评价所使用的评价标度，i∈I，j∈J，x∈{1,2,…,N ij }，ε∈{1,2,…,v}，η∈{1,2,…,v}；
然后，计算在评价维度S j 下给出H i 的服务质量评价标度为T ε 的概率
Figure 185034DEST_PATH_IMAGE008
，即
Figure 920909DEST_PATH_IMAGE009
其中，
Figure 323071DEST_PATH_IMAGE010
，
Figure 257529DEST_PATH_IMAGE011
；
由上述公式计算出服务提供者H i 关于评价维度S j 的评价标度T ε 的累积分布函数F ij (t)，即
Figure 454155DEST_PATH_IMAGE012
此外，构建服务提供者H i 针对评价维度S j 的评价标度的期望矩阵
Figure 474064DEST_PATH_IMAGE013
，其中
Figure 679917DEST_PATH_IMAGE014
。
进一步的，利用随机占优准则得出在各评价维度下同类型服务提供者两两之间的随机占优关系矩阵，具体包括：
当随机占优准则用于服务提供者服务质量评估时，F(x)和G(x)分别为服务提供者H i 和H h 针对评价维度的评价标度的累积分布函数，那么当(x)随机占优于G(x)时，说明在这一评价维度下服务提供者H i 随机占优于H h ；
根据以上的随机占优准则建立针对评价维度S j 的两两服务提供者之间的随机占优关系矩阵
Figure 905100DEST_PATH_IMAGE015
，其中
Figure 600523DEST_PATH_IMAGE016
表示针对评价维度S j 服务提供者H i 和H h 之间的随机占优关系，即
Figure 45411DEST_PATH_IMAGE017
其中
Figure 789376DEST_PATH_IMAGE018
表示针对评价维度S j 服务提供者H i 一阶随机占优于H h ，
Figure 698426DEST_PATH_IMAGE019
表示针对评价维度S j 服务提供者Hi二阶随机占优于H h ，
Figure 236855DEST_PATH_IMAGE020
表示针对评价维度S j 服务提供者H i 三阶随机占优于H h ，
Figure 231356DEST_PATH_IMAGE021
表示针对评价维度S j 服务提供者H i 和H h 之间不存在随机占优关系。
进一步的，所述随机占优准则具体包括：
设X和Y均为区间［a，b］上的随机变量，其累积分布函数分别为F(x)和G(x)，则随机占优的准则表述如下：
一阶随机占优：当且仅当F(x)≠G(x)，且H1(x)=F(x)-G(x)≤0，
Figure 513433DEST_PATH_IMAGE022
x∈［a，b］，则称F(x)一阶随机占优于G(x)，记作F(x)FSDG(x)；
二阶随机占优：当且仅当F(x)≠G(x)，且
Figure 276989DEST_PATH_IMAGE023
，
Figure 517478DEST_PATH_IMAGE022
x∈［a，b］，则称F(x)二阶随机占优于G(x)，记作F(x)SSDG(x)；
三阶随机占优：当且仅当F(x)≠G(x)，且
Figure 671379DEST_PATH_IMAGE024
，
Figure 819463DEST_PATH_IMAGE022
x∈［a，b］，则称F(x)三阶随机占优于G(x)，记作F(x)TSDG(x)。
进一步的，所述通过优序度函数确定随机占优程度矩阵，具体包括：
在确定了随机占优关系矩阵的基础上，利用优序度函数可以进一步描述针对评价维度S j 服务提供者H i 和H h 之间的随机占优程度；
基于得到的随机占优关系矩阵，通过优序度函数确定随机占优程度矩阵的过程如下：
Figure 375210DEST_PATH_IMAGE026
其中，a j 为评价维度的偏好阈值，可由服务提供者针对该评价维度的期望差值经计算得出，计算公式为
Figure 583337DEST_PATH_IMAGE027
其中，
Figure 988648DEST_PATH_IMAGE028
Figure 612528DEST_PATH_IMAGE029
的值越大说明针对评价维度S j 服务提供者H i 优于H h 的程度越高，否则越低；
基于上述方法构建针对评价维度S j 两两服务提供者之间的随机占优程度矩阵
Figure 350676DEST_PATH_IMAGE030
,i,h∈I,i≠h,j∈J。
进一步的，所述利用熵权将各评价维度下的随机占优程度矩阵进行集结，具体包括：
将期望矩阵
Figure 667388DEST_PATH_IMAGE031
规范化，其计算公式为
Figure 858198DEST_PATH_IMAGE032
然后确定评价维度的熵权，信息熵的定义为：
Figure 551348DEST_PATH_IMAGE033
其中m为评价对象的个数。
进一步的，确定评价维度的熵权，具体包括：
步骤401、计算输出熵，即
Figure 816107DEST_PATH_IMAGE034
步骤402、计算评价维度的差异度，即
Figure 366037DEST_PATH_IMAGE035
步骤403、计算评价维度的熵权，即
Figure 247405DEST_PATH_IMAGE036
最后利用熵权对对各评价维度下的占优程度矩阵进行集结，构建所有服务提供者的总体优序度矩阵
Figure 478667DEST_PATH_IMAGE037
，i,h∈I,i≠h,j∈J；其中，
Figure 129091DEST_PATH_IMAGE038
为服务提供者H i 对服务提供者H h 的总体优序度，其值越大，表示程度越高，且
Figure 584343DEST_PATH_IMAGE039
计算公式为
Figure 185963DEST_PATH_IMAGE040
。
进一步的，所述计算各评价维度和总体服务质量的排序值，具体包括：
依据优序度矩阵计算某一服务提供者的
Figure 220915DEST_PATH_IMAGE041
和
Figure 788163DEST_PATH_IMAGE042
，进而得出排序值，根据矩阵
Figure 351999DEST_PATH_IMAGE037
可以计算出服务提供者针对评价维度S j 的
Figure 207960DEST_PATH_IMAGE041
和
Figure 843341DEST_PATH_IMAGE042
，计算公式为
Figure 937199DEST_PATH_IMAGE043
Figure 203095DEST_PATH_IMAGE044
其中，
Figure 77510DEST_PATH_IMAGE041
表示针对评价维度S j 服务提供者H i 优于其他所研究服务提供者的总可信度，
Figure 454265DEST_PATH_IMAGE045
越大，表示服务提供者H i 的评价维度S j 的水平越高，
Figure 730525DEST_PATH_IMAGE046
表示针对评价维度S j 服务提供者H i 劣于其他所研究服务提供者的总可信度，
Figure 167323DEST_PATH_IMAGE047
越小，表示服务提供者H i 的评价维度S j 的水平越高；
根据
Figure 976971DEST_PATH_IMAGE041
和
Figure 954154DEST_PATH_IMAGE042
计算服务提供者H i 针对评价维度S j 的排序值
Figure 22604DEST_PATH_IMAGE048
，计算公式为：
Figure 427041DEST_PATH_IMAGE049
由得到的排序值即可针对评价维度S j 对同类型的服务提供者进行排序；再根据矩阵
Figure 479311DEST_PATH_IMAGE037
计算出服务提供者H i 的
Figure 932289DEST_PATH_IMAGE041
和
Figure 183141DEST_PATH_IMAGE042
，计算公式为
Figure 696162DEST_PATH_IMAGE050
Figure 32466DEST_PATH_IMAGE051
其中，
Figure 289135DEST_PATH_IMAGE052
表示服务提供者H i 优于其他同类型服务提供者的总可信度，
Figure 597756DEST_PATH_IMAGE052
越大，表示服务提供者H i 的总体服务质量越高，
Figure 343995DEST_PATH_IMAGE053
表示服务提供者H i 劣于其他同类型服务提供者的总可信度，
Figure 839699DEST_PATH_IMAGE053
越小，表示服务提供者H i 的总体服务质量越高；
根据
Figure 962376DEST_PATH_IMAGE041
和
Figure 624039DEST_PATH_IMAGE042
可计算服务提供者H i 的总体排序值，计算公式为
Figure 100002_DEST_PATH_IMAGE054
再根据得到的排序值即可对同类型服务提供者的服务质量进行总体排序。
通过本发明实施例，可以获得如下技术效果：相较发放调查问卷的方法更容易获得大量真实有效的数据。利用递归神经网络模型来预测并添加服务质量评价标度标签，在很大程度上避免了主观因素的影响。
【附图说明】
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明基于递归算法的质量评价方法的流程示意图。
【具体实施方式】
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作出创造性劳动前提下所获得的全部其他实施例，都属于本发明保护的范围。
步骤1、获取质量评价数据并进行数据预处理，针对不同维度的评价指标，基于获取的所述评价数据，计算服务提供者的概率分布函数、累积分布函数以及期望矩阵；
在上述步骤中，获取质量评价数据并进行数据预处理，具体包括：
步骤101、从评价数据库中获取质量评价数据。获取方式可以包括直接从数据库中读取，也可以是通过网络爬虫从不同网络平台的评价数据库中抓取相对应的评价数据；
步骤102、对所获取的评价数据根据结构相似性进行离线聚类，相似性结构中的不相关部分被分析和删减，然后将基于减法聚类算法计算出的质量评价数据的评价量化值输入到递归神经网络模型中，以预测并添加服务质量评价标度标签。
由于递归神经网络模型是基于相似性结构构造的，通过使用相似性结构和一些关键词作为特征来聚类评价数据。预设一些在评价数据中经常出现的影响各种目标分析的关键字，例如，“本来”、“可是”、“但是”、“无语”等，并使用减法聚类来聚类评价数据。评价数据本身可以看作是候选焦点，每个评价数据的评价量化值通过以下公式计算：
Figure 100002_DEST_PATH_IMAGE056
其中，
Figure 100002_DEST_PATH_IMAGE057
是数据点z i 的潜在值，Ｎ是数据点的数目，r a 是正常数。由上可知每个评价数据的评价量化值是其到所有其它数据点的距离的函数。选择具有最高评价量化值的点作为聚类中心。所有评价数据的数据点的评价量化值逐渐减少，减少值取决于它们到聚类中心的距离。下一个聚类中心是具有剩余最大评价量化值的评价数据的数据点，以此类推。为了聚类评价数据，使用基于减法聚类算法的如下公式来计算评价数据的评价量化值：
Figure DEST_PATH_IMAGE058
其中，
Figure 682125DEST_PATH_IMAGE002
是在时间k计算的评价数据的数据点z k 的评价量化值。
所述计算服务提供者的概率分布函数、累积分布函数以及期望矩阵，具体包括：
确定在评价维度S j 下给出H i 的服务质量评价标度为T ε 的用户数，即
Figure DEST_PATH_IMAGE059
其中，
Figure DEST_PATH_IMAGE060
Figure 399545DEST_PATH_IMAGE007
表示第x个用户关于服务提供者H i 的评价维度S j 进行质量评价所使用的评价标度，i∈I，j∈J，x∈{1,2,…,N ij }，ε∈{1,2,…,v}，η∈{1,2,…,v}。
然后，计算在评价维度S j 下给出H i 的服务质量评价标度为T ε 的概率
Figure 60333DEST_PATH_IMAGE008
，即
Figure 77968DEST_PATH_IMAGE009
其中，
Figure 369272DEST_PATH_IMAGE010
，
Figure 901885DEST_PATH_IMAGE011
。
由上述公式计算出服务提供者H i 关于评价维度S j 的评价标度T ε 的累积分布函数F ij (t)，即
Figure 802582DEST_PATH_IMAGE012
此外，构建服务提供者H i 针对评价维度S j 的评价标度的期望矩阵
Figure 471461DEST_PATH_IMAGE013
，其中
Figure 199246DEST_PATH_IMAGE014
步骤2、利用随机占优准则得出在各评价维度下同类型服务提供者两两之间的随机占优关系矩阵；
设X和Y均为区间［a，b］上的随机变量，其累积分布函数分别为F(x)和G(x)，则随机占优的准则表述如下：
一阶随机占优：当且仅当F(x)≠G(x)，且H1(x)=F(x)-G(x)≤0，
Figure 156837DEST_PATH_IMAGE022
x∈［a，b］，则称F(x)一阶随机占优于G(x)，记作F(x)FSDG(x)；
二阶随机占优：当且仅当F(x)≠G(x)，且
Figure 159428DEST_PATH_IMAGE023
，
Figure 151655DEST_PATH_IMAGE022
x∈［a，b］，则称F(x)二阶随机占优于G(x)，记作F(x)SSDG(x)；
三阶随机占优：当且仅当F(x)≠G(x)，且
Figure 784762DEST_PATH_IMAGE024
，
Figure 26387DEST_PATH_IMAGE022
x∈［a，b］，则称F(x)三阶随机占优于G(x)，记作F(x)TSDG(x)；
当随机占优准则用于服务提供者服务质量评估时，F(x)和G(x)分别为服务提供者H i 和H h 针对评价维度的评价标度的累积分布函数，那么当(x)随机占优于G(x)时，说明在这一评价维度下服务提供者H i 随机占优于H h 。
根据以上的随机占优准则可以建立针对评价维度S j 的两两服务提供者之间的随机占优关系矩阵
Figure 770352DEST_PATH_IMAGE015
，其中
Figure 882665DEST_PATH_IMAGE016
表示针对评价维度S j 服务提供者H i 和H h 之间的随机占优关系，即
Figure DEST_PATH_IMAGE061
其中
Figure 686673DEST_PATH_IMAGE018
表示针对评价维度S j 服务提供者H i 一阶随机占优于H h ，
Figure 681174DEST_PATH_IMAGE019
表示针对评价维度S j 服务提供者Hi二阶随机占优于H h ，
Figure 461786DEST_PATH_IMAGE020
表示针对评价维度S j 服务提供者H i 三阶随机占优于H h ，
Figure 225342DEST_PATH_IMAGE021
表示针对评价维度S j 服务提供者H i 和H h 之间不存在随机占优关系。
步骤3、通过优序度函数确定随机占优程度矩阵；
在确定了随机占优关系矩阵的基础上，利用优序度函数可以进一步描述针对评价维度S j 服务提供者H i 和H h 之间的随机占优程度。基于得到的随机占优关系矩阵，通过优序度函数确定随机占优程度矩阵的过程如下：
Figure DEST_PATH_IMAGE062
其中，a j 为评价维度的偏好阈值，可由服务提供者针对该评价维度的期望差值经计算得出，计算公式为
Figure 200251DEST_PATH_IMAGE027
其中，
Figure 619731DEST_PATH_IMAGE028
Figure 971078DEST_PATH_IMAGE029
的值越大说明针对评价维度S j 服务提供者H i 优于H h 的程度越高，否则越低。
基于上述方法可构建针对评价维度S j 两两服务提供者之间的随机占优程度矩阵
Figure 589142DEST_PATH_IMAGE030
,i,h∈I,i≠h,j∈J。
步骤4、利用熵权将各评价维度下的随机占优程度矩阵进行集结；
首先将期望矩阵
Figure 734952DEST_PATH_IMAGE031
规范化，其计算公式为
Figure 438466DEST_PATH_IMAGE032
然后确定评价维度的熵权，信息熵是系统无序程度的度量，能够在一定程度上避免主观因素的影响，解决信息的量化问题，信息熵的定义为：
Figure 62345DEST_PATH_IMAGE033
其中m为评价对象的个数。熵是运用概率理论对信息不确定性程度的一种测度工具，数据越分散，其不确定性越大。一般来说，若某一指标值的变异程度越大，它的信息熵就越小，那么这一指标提供的信息量也就越大，所以该指标的权重就越大；反之，权重越小。因此，利用信息熵这个工具可分三个步骤计算出各评价维度的权重“熵权”。
步骤401、计算输出熵，即
Figure 3756DEST_PATH_IMAGE034
步骤402、计算评价维度的差异度，即
Figure 117206DEST_PATH_IMAGE035
步骤403、计算评价维度的熵权，即
Figure 245699DEST_PATH_IMAGE036
最后利用熵权对对各评价维度下的占优程度矩阵进行集结，构建所有服务提供者的总体优序度矩阵
Figure 735586DEST_PATH_IMAGE037
，i,h∈I,i≠h,j∈J。其中，
Figure 764460DEST_PATH_IMAGE038
为服务提供者H i 对服务提供者H h 的总体优序度，其值越大，表示程度越高，且
Figure 314390DEST_PATH_IMAGE039
计算公式为
Figure 930179DEST_PATH_IMAGE040
步骤5、计算各评价维度和总体服务质量的排序值
依据优序度矩阵可以计算某一服务提供者的
Figure 161440DEST_PATH_IMAGE041
和
Figure 608602DEST_PATH_IMAGE042
，进而可以得出排序值。根据矩阵
Figure 267116DEST_PATH_IMAGE037
可以计算出服务提供者针对评价维度S j 的
Figure 432519DEST_PATH_IMAGE041
和
Figure 201891DEST_PATH_IMAGE042
，计算公式为
Figure 706822DEST_PATH_IMAGE043
Figure 598555DEST_PATH_IMAGE044
其中，
Figure 188936DEST_PATH_IMAGE041
表示针对评价维度S j 服务提供者H i 优于其他所研究服务提供者的总可信度，
Figure 558738DEST_PATH_IMAGE045
越大，表示服务提供者H i 的评价维度S j 的水平越高，
Figure 918175DEST_PATH_IMAGE046
表示针对评价维度S j 服务提供者H i 劣于其他所研究服务提供者的总可信度，
Figure 980809DEST_PATH_IMAGE047
越小，表示服务提供者H i 的评价维度S j 的水平越高。
根据
Figure 557021DEST_PATH_IMAGE041
和
Figure 933776DEST_PATH_IMAGE042
计算服务提供者H i 针对评价维度S j 的排序值
Figure 210036DEST_PATH_IMAGE048
，计算公式为：
Figure 381255DEST_PATH_IMAGE049
由得到的排序值即可针对评价维度S j 对同类型的服务提供者进行排序。再根据矩阵
Figure 742966DEST_PATH_IMAGE037
可以计算出服务提供者H i 的
Figure 392253DEST_PATH_IMAGE041
和
Figure 788599DEST_PATH_IMAGE042
，计算公式为
Figure 396298DEST_PATH_IMAGE050
Figure 182989DEST_PATH_IMAGE051
其中，
Figure 698284DEST_PATH_IMAGE052
表示服务提供者H i 优于其他同类型服务提供者的总可信度，
Figure 886820DEST_PATH_IMAGE052
越大，表示服务提供者H i 的总体服务质量越高，
Figure 462157DEST_PATH_IMAGE053
表示服务提供者H i 劣于其他同类型服务提供者的总可信度，
Figure 736144DEST_PATH_IMAGE053
越小，表示服务提供者H i 的总体服务质量越高。
根据
Figure 756927DEST_PATH_IMAGE041
和
Figure 862287DEST_PATH_IMAGE042
可计算服务提供者H i 的总体排序值，计算公式为
Figure 546209DEST_PATH_IMAGE054
再根据得到的排序值即可对同类型服务提供者的服务质量进行总体排序。
本发明的基于递归算法的质量评价方法利用递归神经网络模型来预测并添加服务质量评价标度标签，并在此基础上计算在各评价维度下同类型服务提供者两两之间的随机占优关系矩阵，通过将各评价维度下的随机占优程度矩阵进行集结，从而得到两两服务主体之间的总体优序度矩阵，进而计算出质量评价的排序值。该方法将各个平台数据库中的评价信息作为数据来源，相较发放调查问卷的方法更容易获得大量真实有效的数据。此外，利用递归神经网络模型来预测并添加服务质量评价标度标签，在很大程度上避免了主观因素的影响。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于递归算法的质量评价方法，其特征在于，
步骤1、获取质量评价数据并进行数据预处理，针对不同维度的评价指标，基于获取的所述评价数据，计算服务提供者的概率分布函数、累积分布函数以及期望矩阵；
步骤2、利用随机占优准则得出在各评价维度下同类型服务提供者两两之间的随机占优关系矩阵；
步骤3、通过优序度函数确定随机占优程度矩阵；
步骤4、利用熵权将各评价维度下的随机占优程度矩阵进行集结；
步骤5、计算各评价维度和总体服务质量的排序值。
2.根据权利要求1所述的质量评价方法，其特征在于，获取质量评价数据并进行数据预处理，具体包括：
步骤101、从评价数据库中获取质量评价数据；
步骤102、对所获取的评价数据根据结构相似性进行离线聚类，相似性结构中的不相关部分被分析和删减，然后将基于减法聚类算法计算出的质量评价数据的评价量化值输入到递归神经网络模型中，以预测并添加服务质量评价标度标签。
3.根据权利要求2所述的质量评价方法，其特征在于，使用基于减法聚类算法的如下公式来计算评价数据的评价量化值：
Figure 977734DEST_PATH_IMAGE002
其中，
Figure 160453DEST_PATH_IMAGE003
是在时间k计算的评价数据的数据点zk的评价量化值。
4.根据权利要求1至3之一所述的质量评价方法，其特征在于，所述计算服务提供者的概率分布函数、累积分布函数以及期望矩阵，具体包括：
确定在评价维度S j 下给出H i 的服务质量评价标度为T ε 的用户数，即
Figure 143453DEST_PATH_IMAGE005
其中，
Figure 804241DEST_PATH_IMAGE007
Figure 821876DEST_PATH_IMAGE008
表示第x个用户关于服务提供者H i 的评价维度S j 进行质量评价所使用的评价标度，i∈I，j∈J，x∈{1,2,…,N ij }，ε∈{1,2,…,v}，η∈{1,2,…,v}；
然后，计算在评价维度S j 下给出H i 的服务质量评价标度为T ε 的概率
Figure 113180DEST_PATH_IMAGE009
，即
Figure 645793DEST_PATH_IMAGE010
其中，
Figure 546490DEST_PATH_IMAGE011
，
Figure 480948DEST_PATH_IMAGE013
；
由上述公式计算出服务提供者H i 关于评价维度S j 的评价标度T ε 的累积分布函数F ij (t)，即
Figure 677574DEST_PATH_IMAGE014
此外，构建服务提供者H i 针对评价维度S j 的评价标度的期望矩阵
Figure 697483DEST_PATH_IMAGE015
，其中
Figure 637757DEST_PATH_IMAGE016
。
5.根据权利要求1至4之一所述的质量评价方法，其特征在于，利用随机占优准则得出在各评价维度下同类型服务提供者两两之间的随机占优关系矩阵，具体包括：
当随机占优准则用于服务提供者服务质量评估时，F(x)和G(x)分别为服务提供者H i 和H h 针对评价维度的评价标度的累积分布函数，那么当(x)随机占优于G(x)时，说明在这一评价维度下服务提供者H i 随机占优于H h ；
根据以上的随机占优准则建立针对评价维度S j 的两两服务提供者之间的随机占优关系矩阵
Figure 426722DEST_PATH_IMAGE017
，其中
Figure 325407DEST_PATH_IMAGE018
表示针对评价维度S j 服务提供者H i 和H h 之间的随机占优关系，即
Figure 770295DEST_PATH_IMAGE020
其中
Figure 310998DEST_PATH_IMAGE021
表示针对评价维度S j 服务提供者H i 一阶随机占优于H h ，
Figure 157731DEST_PATH_IMAGE022
表示针对评价维度S j 服务提供者Hi二阶随机占优于H h ，
Figure 758477DEST_PATH_IMAGE023
表示针对评价维度S j 服务提供者H i 三阶随机占优于H h ，
Figure 690661DEST_PATH_IMAGE024
表示针对评价维度S j 服务提供者H i 和H h 之间不存在随机占优关系。
6.根据权利要求1至5之一所述的质量评价方法，其特征在于，所述随机占优准则具体包括：
设X和Y均为区间［a，b］上的随机变量，其累积分布函数分别为F(x)和G(x)，则随机占优的准则表述如下：
一阶随机占优：当且仅当F(x)≠G(x)，且H1(x)=F(x)-G(x)≤0，
Figure 35054DEST_PATH_IMAGE025
x∈［a，b］，则称F(x)一阶随机占优于G(x)，记作F(x)FSDG(x)；
二阶随机占优：当且仅当F(x)≠G(x)，且
Figure 736294DEST_PATH_IMAGE026
，
Figure 773520DEST_PATH_IMAGE025
x∈［a，b］，则称F(x)二阶随机占优于G(x)，记作F(x)SSDG(x)；
三阶随机占优：当且仅当F(x)≠G(x)，且
Figure 425956DEST_PATH_IMAGE027
，
Figure 777303DEST_PATH_IMAGE025
x∈［a，b］，则称F(x)三阶随机占优于G(x)，记作F(x)TSDG(x)。
7.根据权利要求1至6之一所述的质量评价方法，其特征在于，所述通过优序度函数确定随机占优程度矩阵，具体包括：
在确定了随机占优关系矩阵的基础上，利用优序度函数可以进一步描述针对评价维度S j 服务提供者H i 和H h 之间的随机占优程度；
基于得到的随机占优关系矩阵，通过优序度函数确定随机占优程度矩阵的过程如下：
Figure 395366DEST_PATH_IMAGE029
其中，a j 为评价维度的偏好阈值，可由服务提供者针对该评价维度的期望差值经计算得出，计算公式为
Figure 541177DEST_PATH_IMAGE030
其中，
Figure 244691DEST_PATH_IMAGE031
Figure 868570DEST_PATH_IMAGE032
的值越大说明针对评价维度S j 服务提供者H i 优于H h 的程度越高，否则越低；
基于上述方法构建针对评价维度S j 两两服务提供者之间的随机占优程度矩阵
Figure 606719DEST_PATH_IMAGE033
,i,h∈I,i≠h,j∈J。
8.根据权利要求1至7之一所述的质量评价方法，其特征在于，所述利用熵权将各评价维度下的随机占优程度矩阵进行集结，具体包括：
将期望矩阵
Figure 923431DEST_PATH_IMAGE034
规范化，其计算公式为
Figure 317503DEST_PATH_IMAGE035
然后确定评价维度的熵权，信息熵的定义为：
Figure 807390DEST_PATH_IMAGE036
其中m为评价对象的个数。
9.根据权利要求8所述的质量评价方法，其特征在于，确定评价维度的熵权，具体包括：
步骤401、计算输出熵，即
Figure 72149DEST_PATH_IMAGE037
步骤402、计算评价维度的差异度，即
Figure 622079DEST_PATH_IMAGE038
步骤403、计算评价维度的熵权，即
Figure 237869DEST_PATH_IMAGE039
最后利用熵权对对各评价维度下的占优程度矩阵进行集结，构建所有服务提供者的总体优序度矩阵
Figure 531447DEST_PATH_IMAGE040
，i,h∈I,i≠h,j∈J；其中，
Figure 414827DEST_PATH_IMAGE041
为服务提供者H i 对服务提供者H h 的总体优序度，其值越大，表示程度越高，且
Figure 73341DEST_PATH_IMAGE042
计算公式为
Figure 238743DEST_PATH_IMAGE043
。
10.根据权利要求1-9之一所述的质量评价方法，其特征在于，所述计算各评价维度和总体服务质量的排序值，具体包括：
依据优序度矩阵计算某一服务提供者的
Figure 8116DEST_PATH_IMAGE044
和
Figure 575364DEST_PATH_IMAGE045
，进而得出排序值，根据矩阵
Figure 139200DEST_PATH_IMAGE040
可以计算出服务提供者针对评价维度S j 的
Figure 791899DEST_PATH_IMAGE044
和
Figure 364962DEST_PATH_IMAGE045
，计算公式为
Figure 521137DEST_PATH_IMAGE046
Figure 787033DEST_PATH_IMAGE047
其中，
Figure 599132DEST_PATH_IMAGE044
表示针对评价维度S j 服务提供者H i 优于其他所研究服务提供者的总可信度，
Figure 38203DEST_PATH_IMAGE048
越大，表示服务提供者H i 的评价维度S j 的水平越高，
Figure 252147DEST_PATH_IMAGE049
表示针对评价维度S j 服务提供者H i 劣于其他所研究服务提供者的总可信度，
Figure 485682DEST_PATH_IMAGE050
越小，表示服务提供者H i 的评价维度S j 的水平越高；
根据
Figure 295330DEST_PATH_IMAGE044
和
Figure 272514DEST_PATH_IMAGE045
计算服务提供者H i 针对评价维度S j 的排序值
Figure 340964DEST_PATH_IMAGE051
，计算公式为：
Figure DEST_PATH_IMAGE052
由得到的排序值即可针对评价维度S j 对同类型的服务提供者进行排序；再根据矩阵
Figure 214242DEST_PATH_IMAGE040
计算出服务提供者H i 的
Figure 932DEST_PATH_IMAGE044
和
Figure 516227DEST_PATH_IMAGE045
，计算公式为
Figure DEST_PATH_IMAGE053
Figure DEST_PATH_IMAGE054
其中，
Figure DEST_PATH_IMAGE055
表示服务提供者H i 优于其他同类型服务提供者的总可信度，
Figure 642446DEST_PATH_IMAGE055
越大，表示服务提供者H i 的总体服务质量越高，
Figure DEST_PATH_IMAGE056
表示服务提供者H i 劣于其他同类型服务提供者的总可信度，
Figure 421046DEST_PATH_IMAGE056
越小，表示服务提供者H i 的总体服务质量越高；
根据
Figure 757350DEST_PATH_IMAGE044
和
Figure 512554DEST_PATH_IMAGE045
可计算服务提供者H i 的总体排序值，计算公式为
Figure DEST_PATH_IMAGE057
再根据得到的排序值即可对同类型服务提供者的服务质量进行总体排序。
CN202011225243.7A 2020-11-05 2020-11-05 一种基于递归算法的质量评价方法 Pending CN112233108A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011225243.7A CN112233108A (zh) 2020-11-05 2020-11-05 一种基于递归算法的质量评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011225243.7A CN112233108A (zh) 2020-11-05 2020-11-05 一种基于递归算法的质量评价方法

Publications (1)

Publication Number Publication Date
CN112233108A true CN112233108A (zh) 2021-01-15

Family

ID=74122063

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011225243.7A Pending CN112233108A (zh) 2020-11-05 2020-11-05 一种基于递归算法的质量评价方法

Country Status (1)

Country Link
CN (1) CN112233108A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104217296A (zh) * 2014-09-15 2014-12-17 国家电网公司 一种上市公司绩效综合评价方法
CN107679772A (zh) * 2017-10-30 2018-02-09 西南交通大学 一种铁路货运服务质量评价数据采集及处理方法
US20190034537A1 (en) * 2017-07-26 2019-01-31 International Business Machines Corporation Extractive query-focused multi-document summarization
CN111400487A (zh) * 2020-03-14 2020-07-10 北京工业大学 一种文本摘要的质量评价方法
CN111428032A (zh) * 2020-03-20 2020-07-17 北京小米松果电子有限公司 内容质量评价方法及装置、电子设备、存储介质
CN111523923A (zh) * 2020-04-06 2020-08-11 北京三快在线科技有限公司 商家评论管理系统、方法、服务器及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104217296A (zh) * 2014-09-15 2014-12-17 国家电网公司 一种上市公司绩效综合评价方法
US20190034537A1 (en) * 2017-07-26 2019-01-31 International Business Machines Corporation Extractive query-focused multi-document summarization
CN107679772A (zh) * 2017-10-30 2018-02-09 西南交通大学 一种铁路货运服务质量评价数据采集及处理方法
CN111400487A (zh) * 2020-03-14 2020-07-10 北京工业大学 一种文本摘要的质量评价方法
CN111428032A (zh) * 2020-03-20 2020-07-17 北京小米松果电子有限公司 内容质量评价方法及装置、电子设备、存储介质
CN111523923A (zh) * 2020-04-06 2020-08-11 北京三快在线科技有限公司 商家评论管理系统、方法、服务器及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李铭洋等: "基于顾客在线评价信息的服务质量评价方法", 《辽宁大学学报(哲学社会科学版)》 *
蒋一翔等: "使用递归神经网络的目标依赖产品评价分析", 《计算机工程与设计》 *

Similar Documents

Publication Publication Date Title
Dejaeger et al. Data mining techniques for software effort estimation: a comparative study
Zhang et al. Prediction uncertainty in collaborative filtering: Enhancing personalized online product ranking
Bitew et al. Machine learning algorithms for predicting undernutrition among under-five children in Ethiopia
CN112633601B (zh) 疾病事件发生概率的预测方法、装置、设备及计算机介质
Wang et al. Some programming models to derive priority weights from additive interval fuzzy preference relation
Krishnan et al. A modular adversarial approach to social recommendation
CN110532429B (zh) 一种基于聚类和关联规则的线上用户群体分类方法及装置
CN112562863A (zh) 流行病监测预警方法、装置、电子设备
CN112148986A (zh) 一种基于众包的top-N服务再推荐方法及系统
Ding et al. Hyperautomation for air quality evaluations: A perspective of evidential three-way decision-making
CN111930957A (zh) 实体间亲密度的分析方法、装置、电子设备以及存储介质
CN115456707A (zh) 提供商品推荐信息的方法、装置及电子设备
Yang et al. Estimation methods for nonprobability samples with a companion probability sample
CN112233108A (zh) 一种基于递归算法的质量评价方法
CN113435713B (zh) 基于gis技术和两模型融合的风险地图编制方法及系统
CN115936841A (zh) 一种构建信贷风险评估模型的方法及装置
Zhou et al. A novel neural network for improved in-hospital mortality prediction with irregular and incomplete multivariate data
Hoffmann et al. The risk function of the goodness-of-fit tests for tail models
CN112734233A (zh) 确认app推广渠道的新增客户质量的方法及装置
Sitepu et al. Analysis of Fuzzy C-Means and Analytical Hierarchy Process (AHP) Models Using Xie-Beni Index
Wang et al. Product design evaluation based on improved CRITIC and Comprehensive Cloud-TOPSIS–Applied to automotive styling design evaluation
Yan et al. Cost-sensitive selection of variables by ensemble of model sequences
CN109241426A (zh) 一种对象推荐方法、装置、设备及可读存储介质
Liu et al. FMEA using IVIFSs and MABAC method and its application to radiation therapy
Tekin et al. Click and sales prediction for OTAs’ digital advertisements: Fuzzy clustering based approach

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210115

RJ01 Rejection of invention patent application after publication