CN114298659A - 评价对象指标的数据处理方法、装置、计算机设备 - Google Patents

评价对象指标的数据处理方法、装置、计算机设备 Download PDF

Info

Publication number
CN114298659A
CN114298659A CN202111485167.8A CN202111485167A CN114298659A CN 114298659 A CN114298659 A CN 114298659A CN 202111485167 A CN202111485167 A CN 202111485167A CN 114298659 A CN114298659 A CN 114298659A
Authority
CN
China
Prior art keywords
evaluation
index
weight
module
determining
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
CN202111485167.8A
Other languages
English (en)
Inventor
吴佳迅
张国栋
吴苗
吴潇
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.)
Shanghai Pudong Development Bank Co Ltd
Original Assignee
Shanghai Pudong Development Bank 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 Shanghai Pudong Development Bank Co Ltd filed Critical Shanghai Pudong Development Bank Co Ltd
Priority to CN202111485167.8A priority Critical patent/CN114298659A/zh
Publication of CN114298659A publication Critical patent/CN114298659A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开涉及一种评价对象指标的数据处理方法、装置、计算机设备。所述方法包括：根据特征向量确定评价对象的指标的主观权重，特征向量是使用方根法计算评价主体创建的项目判断矩阵得到的；根据相似矩阵、聚类评价模型确定评价主体的客观权重，相似矩阵是根据特征向量之间的相关系数构建的；根据评价对象的指标体系、主观权重、客观权重确定评价对象的总得分数据，根据客观权重确定的评价对象中指标的总得分数据；根据距离系数向量计算指标的得分数据与理想解之间的距离的平方和，根据所述距离的平方和确定所述指标的排名。采用本方法能够平衡主观因素和客观因素，且提升评价对象指标的评估结果准确率。

Description

评价对象指标的数据处理方法、装置、计算机设备
技术领域
本公开涉及数据挖掘技术领域，特别是涉及一种评价对象指标的数据处理方法、装置、计算机设备。
背景技术
随着企业的不断发展，企业越来越注重各种业务。企业的各种业务中包括了创新项目存在着投入项目大、预期收益好、收益不确定性高等特点。因此需要确定创新项目的评估方法是否客观、合理、有效。若创新项目的评估方法未客观、合理、有效，则会降低创新项目的投入风险和保障预期收益。
目前常用的对创新项目的评估方法通常有专家评价法、层次分析法、模糊评价法、理想解法等。
然而，目前常用的对创新项目评估的方法，得到最终的指标的评估结果中主观性均占一定的主导因素，而降低了最终的指标的评估结果的客观性，导致最终的指标的评估结果的说服力较差，使得最终的指标的评估结果不准确。
发明内容
基于此，有必要针对上述技术问题，提供一种能够平衡主观因素和客观因素，且提升评价对象指标的评估结果准确率的评价对象指标的数据处理方法、装置、计算机设备。
第一方面，本公开提供了一种评价对象指标的数据处理方法，所述方法包括：
根据特征向量确定评价对象的指标的主观权重，所述特征向量是使用方根法计算评价主体创建的项目判断矩阵得到的；
根据相似矩阵、聚类评价模型确定所述评价主体的客观权重，所述相似矩阵是根据所述特征向量之间的相关系数构建的；
根据所述评价对象的指标体系、所述主观权重、所述客观权重确定所述评价对象的总得分数据，根据所述客观权重确定的所述评价对象中所述指标的总得分数据；
根据距离系数向量计算所述指标的得分数据与理想解之间的距离的平方和，根据所述距离的平方和确定所述指标的排名，所述理想解是通过所述指标的得分数据对应的标准矩阵确定的，所述距离系数向量是通过预设的条件极值问题和所述距离的平方和确定的。
在其中一个实施例中，所述特征向量包括采用下述方式得到：
计算所述项目判断矩阵中每行的元素的几何平均数，得到每行对应的向量；
对所述向量进行归一化，得到特征向量。
在其中一个实施例中，所述对所述向量进行归一化，得到特征向量，之后还包括：
将所述项目判断矩阵与对应的所述特征向量相乘，得到特征判断向量；
计算所述特征判断向量的算术平均值，得到最大特征值；
根据所述最大特征值计算所述项目判断矩阵的一致性比率；
根据所述一致性比率和预设的比率阈值的关系调整所述项目判断矩阵。
在其中一个实施例中，所述根据相似矩阵、聚类评价模型确定所述评价主体的客观权重，包括：
根据所述相似矩阵确定所述评价主体的聚类方案；
通过所述聚类评价模型确定所述聚类方案的聚类指数；
根据所述聚类指数、所述一致性比率计算所述客观权重。
在其中一个实施例中，所述根据所述相似矩阵确定所述评价主体的聚类方案包括：
获取所述相似矩阵中最大的非对角线元素，合并所述非对角线元素对应的所述评价主体，得到第一评价主体，以及第一聚类方案，所述第一聚类方案包括所述评价主体中第一评价主体类和非所述第一评价主体类；
根据第一特征向量与第二特征向量之间的第一相关系数构建第一相似矩阵，所述第一特征向量是非所述第一评价主体对应的特征向量，所述第二特征向量是所述第一评价主体对应的特征向量；
重复上述步骤，直至合并所有所述评价主体，并记录合并所述评价主体后得到的聚类方案。
在其中一个实施例中，所述根据所述聚类指数、所述一致性比率计算所述客观权重，包括：
在所述聚类指数最大的情况下，确定所述聚类指数对应的聚类方案中评价主体的第一权重；
通过所述一致性比率和所述权重计算得到所述评价主体对应的第二权重；
根据所述第一权重和所述第二权重得到所述评价主体的客观权重。
在其中一个实施例中，采用如下公式确定聚类方案中评价主体的第一权重：
Figure BDA0003396233450000031
其中nq为第q个聚类方案中需要计算权重的评价主体，nh为第h个聚类方案中所有的评价主体；
采用如下公式计算得到所述评价主体对应的第二权重：
Figure BDA0003396233450000032
其中，CRi为需要确定权重的评价主体的一致性比率；
采用如下公式得到评价主体的客观权重：
Figure BDA0003396233450000033
在其中一个实施例中，所述根据所述评价对象的指标体系、所述主观权重、所述客观权重确定所述评价对象的总得分数据，根据所述客观权重确定的所述评价对象中所述指标的总得分，包括：
将得分数据、所述主观权重、所述客观权重进行加权求和得到所述评价对象的总得分数据，所述得分数据是所述评价主体根据所述指标体系确定的；
将所述得分数据中指标的得分数据与所述客观权重进行加权求和得到所述评价对象中所述指标的总得分数据。
在其中一个实施例中，所述理想解包括采用如下方法确定：
将所述得分数据中所述指标的得分数据输出为指标矩阵；
将所述指标矩阵进行向量归一标准化，得到所述标准矩阵；
将所述标准矩阵中每一列的最大值设置为理想解。
在其中一个实施例中，所述计算所述指标的得分与理想解之间的距离的平方和，包括：
通过预设的条件极值问题得到使所述距离的平方和最小的距离系数向量，所述预设的条件极值问题是通过预先设置的构造条件以及所述指标的得分与理想解之间的最小的距离的平方和创建的；
根据所述距离系数向量计算所述指标的得分与理想解之间的距离的平方和。
一种评价对象指标的数据处理装置，所述装置包括：
主观权重确定模块，用于根据特征向量确定评价对象的指标的主观权重，所述特征向量是使用方根近似法计算评价主体创建的项目判断矩阵得到的；
客观权重确定模块，用于根据相似矩阵、聚类评价模型确定所述评价主体的客观权重，所述相似矩阵是根据所述特征向量之间的相关系数构建的；
得分数据确定模块，用于根据所述评价对象的指标体系和所述主观权重确定所述评价对象的总得分数据，根据所述客观权重确定的所述评价对象中所述指标的总得分数据；
指标排名确定模块，用于根据距离系数向量计算所述指标的得分数据与理想解之间的距离的平方和，根据所述距离的平方和确定所述指标的排名，所述理想解是通过所述指标的得分数据对应的标准矩阵确定的，所述距离系数向量是通过预设的条件极值问题和所述距离的平方和确定的。
在所述装置的其中一个实施例中，所述主观权重确定模块包括：向量计算模块、归一化模块；
所述向量计算模块，用于计算所述项目判断矩阵中每行的元素的几何平均数，得到每行对应的向量；
所述归一化模块，用于对所述向量进行归一化，得到特征向量。
在所述装置的其中一个实施例中，所述装置还包括：特征向量相乘模块、第一计算模块、一致性比率计算模块、一致性比率调整模块；
所述特征向量相乘模块，用于将所述项目判断矩阵与对应的所述特征向量相乘，得到特征判断向量；
所述第一计算模块，用于计算所述特征判断向量的算术平均值，得到最大特征值；
所述一致性比率计算模块，用于根据所述最大特征值计算所述项目判断矩阵的一致性比率；
所述一致性比率调整模块，用于根据所述一致性比率和预设的比率阈值的关系调整所述项目判断矩阵。
在所述装置的其中一个实施例中，所述客观权重确定模块包括：聚类方案确定模块、聚类指数确定模块、客观权重计算模块；
所述聚类方案确定模块，用于根据所述相似矩阵确定所述评价主体的聚类方案；
所述聚类指数确定模块，用于通过所述聚类评价模型确定所述聚类方案的聚类指数；
所述客观权重计算模块，用于根据所述聚类指数、所述一致性比率计算所述客观权重。
在所述装置的其中一个实施例中，所述聚类方案确定模块包括：第一聚类方案确定模块、第一相似矩阵确定模块、循环模块；
第一聚类方案确定模块，用于获取所述相似矩阵中最大的非对角线元素，合并所述非对角线元素对应的所述评价主体，得到第一评价主体，以及第一聚类方案，所述第一聚类方案包括所述评价主体中第一评价主体类和非所述第一评价主体类；
第一相似矩阵确定模块，用于根据第一特征向量与第二特征向量之间的第一相关系数构建第一相似矩阵，所述第一特征向量是非所述第一评价主体对应的特征向量，所述第二特征向量是所述第一评价主体对应的特征向量；
聚类方案记录模块，用于重复运行第一聚类方案确定模块和第一相似矩阵确定模块，直至合并所有所述评价主体，并记录合并所述评价主体后得到的聚类方案。
在所述装置的其中一个实施例中，所述客观权重计算模块，包括：聚类方案权重计算模块、评价主体权重计算模块、权重综合模块；
所述聚类方案权重计算模块，用于在所述聚类指数最大的情况下，确定所述聚类指数对应的聚类方案中评价主体的第一权重；
所述评价主体权重计算模块，用于通过所述一致性比率和所述权重计算得到所述评价主体对应的第二权重；
所述权重综合模块，用于根据所述第一权重和所述第二权重得到所述评价主体的客观权重。
在所述装置的其中一个实施例中，所述聚类方案权重计算模块采用如下公式确定聚类方案中评价主体的第一权重：
Figure BDA0003396233450000061
其中nq为第q个聚类方案需要计算权重的评价主体，nh为第h个聚类方案中所有的评价主体；
所述评价主体权重计算模块采用如下公式计算得到所述评价主体对应的第二权重：
Figure BDA0003396233450000071
其中，CRi为需要确定权重的评价主体的一致性比率；
所述权重综合模块采用如下公式得到评价主体的客观权重：
Figure BDA0003396233450000072
在所述装置的其中一个实施例中，所述得分数据确定模块包括：加权求和模块、指标得分确定模块；
所述加权求和模块，用于将得分数据、所述主观权重、所述客观权重进行加权求和得到所述评价对象的总得分数据，所述得分数据是所述评价主体根据所述指标体系确定的；
所述指标得分确定模块，用于将所述得分数据中指标的得分数据与所述客观权重进行加权求和得到所述评价对象中所述指标的总得分数据。
在所述装置的其中一个实施例中，所述指标排名确定模块包括指标矩阵确定模块、标准化模块、理想解确定模块；
所述指标矩阵确定模块，用于将所述得分数据中所述指标的得分数据输出为指标矩阵；
所述标准化模块，用于将所述指标矩阵进行向量归一标准化，得到所述标准矩阵；
所述理想解确定模块，用于将所述标准矩阵中每一列的最大值设置为理想解。
在所述装置的其中一个实施例中，所述指标排名确定模块还包括：距离系数向量确定模块、平方和计算模块；
所述距离系数向量确定模块，用于通过预设的条件极值问题得到使所述距离的平方和最小的距离系数向量，所述预设的条件极值问题是通过预先设置的构造条件以及所述指标的得分与理想解之间的最小的距离的平方和创建的；
所述平方和计算模块，用于根据所述距离系数向量计算所述指标的得分与理想解之间的距离的平方和。
第三方面，本公开还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
第四方面，本公开还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
第五方面，本公开还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
上述评价对象指标的数据处理方法、装置、计算机设备，能够通过评价主体创建的项目判断矩阵并使用方根法得到评价对象的指标的主观权重，且根据相似矩阵、聚类评价模型确定评价主体的客观权重，综合主观权重和客观权重确定评价对象的总得分数据和指标的总得分数据，能够平衡主观因素和客观因素，且提升评价对象指标的评估结果准确率，得到的得分结果和排名能够综合反映评价主体的逻辑一致性、具有科学依据，且降低了指标的评估结果的主观性，且通过根据距离系数向量计算所述指标的得分数据与理想解之间的距离的平方和能够直接计算给出每个评价对象在具体指标领域下的优劣情况，进一步避免了主观因素给指标的排序结果带来的影响。
附图说明
为了更清楚地说明本公开具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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为一个实施例中评价对象指标的数据处理方法的流程示意图；
图2为一个实施例中一致性比率调整步骤的流程示意图；
图3为一个实施例中S104步骤的流程示意图；
图4为一个实施例中S302步骤的流程示意图；
图5为一个实施例中聚类过程示意图；
图6为一个实施例中S306步骤的流程示意图；
图7为一个实施例中评价对象指标的数据处理装置的结构示意框图；
图8为一个实施例中计算机设备的内部结构示意图。
具体实施方式
为了使本公开的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本公开进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本公开，并不用于限定本公开。
需要说明的是，本文的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本文的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系。例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
目前对创新项目的评估法中专家评价法的评价方式通常可以是指召集专家开展创新项目评审，依赖于评审专家的经验和主观判断，基于评估指标开展评审打分，便于操作，是目前企业实践中广为接受的方法。但是其缺点在于其依赖专家的经验、对问题和创新项目的熟悉程度等情况下，难以对每个评估专家的评估权重做出客观的赋权，导致最终对创新项目的评估其主观因素影响较大。
目前对创新项目的评估方法中层次分析法通常是运筹学中的一种应用广泛的决策分析方法，其特点是在对复杂问题的本质、影响因素及其内在关系进行定性分析的基础上，利用确定的定量信息，使决策的思维过程数学化。该方法的客观性较专家评价法而言有所提高，但是需要评估专家事先对指标两两之间的相对重要性进行标度，当评估指标较多时，标度的工作量和难度都大幅增加，而且标度本身也存在一定的主观性，整体来说更适用定性多且定量较少的评估指标，有时候难以具有说服力。
目前对创新项目的评估方法中模糊评价法主要是针对特性较为复杂且很难直接给出量化评价的评价主体，以自然语言方式表达评价信息，以数值计算方式处理评价信息，从而为定性评价和定量评价提供一种统一的表达预处理模式。但是目前模糊评价法存在的问题是，计算较为复杂，需要对指标权重进行判断，主观性较强。当指标集个数较多时，相对隶属度系数往往会偏小，会出现超模糊现象，分辨率差，无法区分与哪个评价结果更契合，可能会造成评判失败。
目前对创新项目的评估方法中理想解法一种多属性决策方法，通过构造多属性问题的理想解和负理想解，以靠近理想解和远离负理想解两个基准来作为评价各方案的依据。但是目前理想解法存在的问题是同样在于需要实现对指标的权重进行判断，存在主观性较强的问题。
同时，目前层次分析法、模糊综合评价法和理想解法通常适用于单个专家就一个评价指标体系对多个创新项目开展评价的场景，单个专家得到的评估结果无法直接作为整个评估专家群体的评估结果，仍需要对每个专家进行赋权或者通过投票、进一步评议等方式得到最终的评估结果，加重了主观性，降低了最终结果的客观性。
确定专家权重的主要方式通常有主观赋权和客观赋权两种。主观赋权是事先确定评估专家的权重，例如每位专家权重相等，或按照专家的职务高低、经验丰富与否差异化指定权重，需要对专家的背景情况十分熟悉。客观赋权通常是通过对专家提供的判断信息的质量来进行赋权。但是目前客观定权的方式很难说明客观定权确定的权重与专家的经验是否丰富等实际因素相匹配。
需要说明的是，在本实施例中，评价对象可以是创新项目也可以是其他存在指标的业务，评价主体通常可以是有经验的专家。
因此，为解决上述存在的问题，在一个实施例中，如图1所示，提供了一种评价对象指标的数据处理方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
S102，根据特征向量确定评价对象的指标的主观权重，所述特征向量是使用方根法计算评价主体创建的项目判断矩阵得到的。
其中，特征向量是线性变换中的数学概念。方根法是计算项目判断矩阵中要素中特征向量的方法。评价主体创建的项目判断矩阵通常可以是评价主体在评估评价对象中时对评估体系中的指标按照预先设置的标度说明对指标进行指标之间的相互相对重要性的标度，从而最终得到的矩阵。评价主体可以是对评价对象的指标进行评价的人或者第三方。评估体系通常可以是预先设置的评价对象中：指标、评价内容、以及评分参考之间的关系。主观权重通常可以根据经验，评价出可能具有一定主观因素的权重。
具体地，通过至少两个评价主体按照标度说明对评估体系中的指标进行两两之间的相对重要性的标度，得到每个评价主体的项目判断矩阵。使用方根法计算每个项目判断矩阵中的特征向量。根据特征向量确定评价对象的评价指标的主观权重，其中每个项目判断矩阵中的特征向量的分量值对应了每个项目评价主体对评价对象中每个指标的主观权重。
在确定项目判断矩阵的一些实施方式中，可以由评价主体Zk(k＝1,2,...,n)对评估指标体系中的m个指标A1、A2、A3、...、Am，按照预先设置的标度说明进行指标两两之间的相对重要性的标度，可以是对指标Ai对Aj的重要程度进行标度，赋值记为
Figure BDA0003396233450000111
最终得到评价主体Zk的判断矩阵
Figure BDA0003396233450000112
需要说明的是，反过来Aj对Ai的重要程度可以表示为：
Figure BDA0003396233450000113
aii＝1。
在确定项目判断矩阵的一些示例性的实施方式中：如5个评价主体按照表1标度说明对表2中评价对象评估指标体系中的5个指标A1(战略价值)、A2(技术与理论水平)、A3(业务成效与推广价值)、A4(实施情况)、A5(预算执行)，分别开展指标两两重要性标度，得到各自的判断矩阵。判断矩阵如下：
Figure BDA0003396233450000121
表1标度说明表
Figure BDA0003396233450000122
表2评价对象评估指标体系表
Figure BDA0003396233450000123
Figure BDA0003396233450000131
S104，根据相似矩阵、聚类评价模型确定所述评价主体的客观权重，所述相似矩阵是根据所述特征向量之间的相关系数构建的。
其中，相似矩阵可以是根据计算特征向量相关系数从而创建的矩阵，其可以是用来表示特征向量之间相关系数的矩阵。相关系数通常是用反映变量之间相关关系密切程度的统计指标。聚类评价模型通常可以用来评判聚类的结果的模型。客观权重通常可以是根据某些值计算出来的，不存在主观因素的权重。
具体地，可以计算每两个特征向量之间的相关系数，根据计算得到的特征向量之间的相关系数构建特征向量之间的相似矩阵。根据构建出的相似矩阵进行并通过聚类评价模型确定每个评价主体的客观权重。
S106，根据所述评价对象的指标体系、所述主观权重、所述客观权重确定所述评价对象的总得分数据，根据所述客观权重确定的所述评价对象中所述指标的总得分数据。
其中，指标评价体系通常可以是评价对象的指标评估体系。评价对象的总得分数据可以是根据每个评价主体对每个指标的得分确定的。指标的总得分数据可以是根据每个评价主体确定评价对象在某项指标的总体得分。
具体地，评估对象针对评价对象按照指标评估体系，给出每个评价对象的总体得分和每个评价对象在每个指标上的得分，根据每个评价对象的总体得分、所述主观权重、所述客观权重确定所述评价对象的总得分数据。根据每个评价对象在每个指标上的得分所述客观权重确定的所述评价对象中所述指标的总得分数据。
S108，根据距离系数向量计算所述指标的得分数据与理想解之间的距离的平方和，根据所述距离的平方和确定所述指标的排名，所述理想解是通过所述指标的得分数据对应的标准矩阵确定的，所述距离系数向量是通过预设的条件极值问题和所述距离的平方和确定的。
其中，距离系数向量通常可以是理想解法中确定距离的平方和的一个向量。
具体地，通过将每个评价主体对评价对象中其中一个指标的得分数据构建为矩阵，对该矩阵进行标准化得到标准矩阵，根据标准矩阵确定理想解。以确定指标的得分数据与理想解之间的距离的平方和的公式为条件，预先构建条件极值问题，并通过求解条件极值问题使所述距离的平方和最小来确定距离系数向量，然后根据距离系数向量计算指标的得分数据和理想解之间的距离平方和，根据平方和对指标进行排序，确定每个指标的排名。
S110，将所述评价对象的总得分数据、指标的排名、指标的总得分数据进行输出，从而可以直观的看到输出的结果，便于决策者了解评价对象的具体评估情况，做出科学决策。
上述评价对象指标的数据处理方法中，能够通过评价主体创建的项目判断矩阵并使用方根法得到评价对象的指标的主观权重，且根据相似矩阵、聚类评价模型确定评价主体的客观权重，综合主观权重和客观权重确定评价对象的总得分数据和指标的总得分数据，能够平衡主观因素和客观因素，且提升评价对象指标的评估结果准确率，得到的得分结果和排名能够综合反映评价主体的逻辑一致性、具有科学依据，且降低了指标的评估结果的主观性，且通过根据距离系数向量计算所述指标的得分数据与理想解之间的距离的平方和能够直接计算给出每个评价对象在具体指标领域下的优劣情况，进一步避免了主观因素给指标的排序结果带来的影响。
在一个实施例中，所述特征向量包括采用下述方式得到：
计算所述项目判断矩阵中每行的元素的几何平均数，得到每行对应的向量。
其中，几何平均数是对各变量值的连乘积开项数次方根。
具体地，在一些实施方式中，计算项目判断矩阵
Figure BDA0003396233450000151
中每一行的元素的几何平均数，可以采用如下公式计算：
Figure BDA0003396233450000152
从而得到每一行对应的一个向量，可以得到每一行对应的向量集合：
Figure BDA0003396233450000153
对所述向量进行归一化，得到特征向量。
其中，归一化是一种简化计算的方式，可以是将有量纲的表达式，经过变换，化为无量纲的表达式，成为标量。
具体地，在一些实施方式中，可以使用标准化的归一化方式将向量转换为特征向量，得到特征向量可以为：
Figure BDA0003396233450000154
其中每个特征向量的可以表示为如下公式：
Figure BDA0003396233450000161
Figure BDA0003396233450000162
可以为第i个向量，m为向量的数量。
在一些实施方式中，以Z1为例，通过
Figure BDA0003396233450000163
计算Z1的项目判断矩阵中每一行元素的几何平均数，得到如下向量α1＝(1.4758,3.5540,2.2902,0.3876,0.2148)T向量，对得到的向量进行归一化，得到其对应的特征向量x1＝(0.1863,0.4486,0.2891,0.0489,0.0271)T。
本实施例中，通过计算几何平均数得到的向量，能够受极端值的影响，且通过归一化能够简化计算，缩小量值，提升计算效率。
在一个实施例中，如图2所示，所述对所述向量进行归一化，得到特征向量，之后还包括：
S202，将所述项目判断矩阵与对应的所述特征向量相乘，得到特征判断向量。
S204，计算所述特征判断向量的算术平均值，得到最大特征值。
S206，根据所述最大特征值计算所述项目判断矩阵的一致性比率。
S208，根据所述一致性比率和预设的比率阈值的关系调整所述项目判断矩阵。
其中，算术平均值通常是统计学中最基本、最常用的一种平均指标。一致性比率通常是管理科学技术名词，可以是能够确定客观权重的指标之一，能够提升评估结果的有效性。
具体地，将判断矩阵Ak和对应的特征向量xk相乘，得到特征判断向量
Figure BDA0003396233450000164
其中特征判断向量中第i个向量可以表示为：
Figure BDA0003396233450000165
计算获取特征判断向量的算术平均值，算术平均值可以近似的看成是综合了特征判断向量的特征值，其可以相当于最大特征值，通过上述方式可以得到最大特征值
Figure BDA0003396233450000171
其中，m为特征向量的数量。然后通过下述公式计算得到评价主体的判断矩阵的一致性比率。公式如下：
Figure BDA0003396233450000172
其中RI为平均随机一致性指标，可以根据判断矩阵的阶数m的不同，对应不同的值。具体RI的确定可参照表3。
表3判断矩阵阶数与对应的平均随机一致性指标表
阶数 RI值 阶数 RI值
1 0 6 1.26
2 0 7 1.36
3 0.52 8 1.41
4 0.89 9 1.46
5 1.12 10 1.49
在通过上述公式计算出一致性比率小于等于预设的比率阈值的情况下，在本实施例中预设的比率阈值可以为0.1。证明通过一致性校验。侧面说明了评价主体的思维逻辑好。
在一致性比率大于预设比率的阈值的情况下，无法保证最终评估结果和评分的有效性，所以需要通过评价主体重新调整其创建的项目判断矩阵。
在一些示例性的实施方式中，以Z1为例，将与Z1对应的项目判断矩阵A1和特征向量x1相乘
Figure BDA0003396233450000173
得到特征判断向量Ax1＝(1.0187，2.4612,1.5839,0.2623,0.1461)T。然后计算得到最大特征值，
Figure BDA0003396233450000174
最后计算判断矩阵A1的一致性比率，
Figure BDA0003396233450000181
(该矩阵的阶数为5，对应的平均随机一致性指标RI值取1.12)通过一致性校验。可以重复上述过程，可以得到对应的Z2、Z3、Z4、Z5对应的项目判断矩阵的最大特征值、特征向量、一致性比率和是否通过一致性校验的结果，如表4所示。
表4评价主体数据表
Figure BDA0003396233450000182
在本实施例中，通过进行计算一致性比率进行一致性校验可以确保评价主体对于指标重要性的主观理解不存在自相矛盾的情况，如果没有通过一致性校验就进入后续步骤，就无法保证最终评估结果和得分的有效性，且一致性校验的指标(一致性比率)的值越小，侧面也说明了评价主体进行评价时的思维逻辑越好，在后续确定权重的时候，也给这部分评价主体对应更高的权重，确保评估结果客观的同时，提升评估结果的有效性。
在一个实施例中，如图3所示，所述根据相似矩阵、聚类评价模型确定所述评价主体的客观权重，包括：
S302，根据所述相似矩阵确定所述评价主体的聚类方案。
S304，通过所述聚类评价模型确定所述聚类方案的聚类指数。
S306，根据所述聚类指数、所述一致性比率计算所述客观权重。
其中，聚类指数可以是Calinski-Harabasz指数。聚类是一种无监督的分类方法，将对于指标重要度理解类似的专家聚为1类，通过聚类来分辨评价主体对于指标的理解差异，聚类得到的类中聚类数也将是后续计算专家客观权重的一个参数。聚类效果最佳时，说明类内部的相似度高，而类与类之间的相似度低，类中的评价主体说明对于指标的理解差异较小。
具体地，通过
Figure BDA0003396233450000191
计算每个评价主体对应的项目判断矩阵的特征向量之间的相关系数，其中rij表示特征向量
Figure BDA0003396233450000192
和
Figure BDA0003396233450000193
的之间相关系数，m为特征向量的数量。根据相关系数构建相似矩阵。根据构建完成的相似矩阵进行层次聚类，确定评价主体的聚类方案。可以通过按照公式
Figure BDA0003396233450000194
计算每个聚类方案的Calinski-Harabasz指数。
其中Gq为具体向量所在的聚类方案，xq为聚类方案Gq的中心点，这里取类Gq的均值向量，xE为所有向量的均值向量，即
Figure BDA0003396233450000195
tr(·)为矩阵的迹，即矩阵对角线元素之和。nq为类Gq包含的样本数(可以是该聚类方案包含的评价主体的数量)，k为聚类数，n为样本数(这里指评价主体的总数)。
根据计算得到的每个聚类方案的聚类指数以及一致性比率确定评价主体的客观权重。
在本实施例中，通过计算Calinski-Harabasz指数，进而根据Calinski-Harabasz指数能够确保类内部的相似度高，而类与类之间的相似度低，能够证明评价主体对于指标的差异理解性较少，通过聚类方案避免了主观对评价主体权重的影响。
在一个实施例中，如图4所示，所述根据所述相似矩阵确定所述评价主体的聚类方案，包括：
S402，获取所述相似矩阵中最大的非对角线元素，合并所述非对角线元素对应的所述评价主体，得到第一评价主体，以及第一聚类方案，所述第一聚类方案包括所述评价主体中第一评价主体类和非所述第一评价主体类。
具体地，在一些实施方式中，找到相似矩阵R＝(rij)n×n中最大的非对角线元素
Figure BDA0003396233450000201
将该元素对应的两个评价主体Zu、Zv，合并后得到第一评价主体，第一评价主体中可以包括Zu、Zv，第一聚类方案中可以包括Zu、Zv合并为一个类Gs＝{Zu,Zv}该类可以为第一评价主体类，以及所有评价主体中非Zu、Zv合并成的另一个类该类可以为非第一评价主体类。
S404，根据第一特征向量与第二特征向量之间的第一相关系数构建第一相似矩阵，所述第一特征向量是所述非所述第一评价主体对应的特征向量，所述第二特征向量是所述第一评价主体对应的特征向量。
具体地，计算出第一评价主体之外的所有评价主体对应的特征向量，该特征向量可以为第一特征向量。计算第一评价主体对应的特征向量，该向量可以为第二特征向量，通过第一特征向量和第二特征向量构建第一评价主体和第一评价主体之外的相似矩阵，该相似矩阵可以为第一相似矩阵。
在一些实施方式中，去除与评价主体Zu、Zv有关的相关系数，引入Gs＝{Zu,Zv}并计算与剩余评价主体的特征向量的相关系数
Figure BDA0003396233450000202
构建第一相似矩阵。
S406，重复上述步骤，直至合并所有所述评价主体，并记录合并所述评价主体后得到的聚类方案。
具体地，重复以上步骤，直至所有评价主体合并为一类，记录合并所有评价主体后得到所有聚类方案；
在一些示例性的实施方式中，以Z1、Z2给出的项目判断矩阵的特征向量为例，可以得到Z1、Z2给出的项目判断矩阵的特征向量的平均值为
Figure BDA0003396233450000211
可以根据表5的计算过程，得到其两个项目判断矩阵中第一个特征向量之间的相关系数为r12＝0.9916。
表5相关系数计算过程表
Figure BDA0003396233450000212
可以通过上述过程计算出Z1、Z2给出的项目判断矩阵的特征向量其他特征向量之间的相关系数，根据得到的相关系数构建相似矩阵，得到的相似矩阵可以为：
Figure BDA0003396233450000213
如图5所示，然后找到该相似矩阵中最大的非对角线元素r14＝r41＝0.9931，找到该元素对应的评价主体Z1、Z4，并将该对应的评价主体合并记为第一评价主体，将第一评价主体记为一个类，记作第一评价主体类G1＝{Z1,Z4}，将除第一评价主体之外的类记为非第一评价主体类，非第一评价主体类可以包括多个评价主体，其中多个评价主体每个为一类。第一聚类方案包括：第一评价主体类和每个非第一评价主体类。该聚类数为2。以
Figure BDA0003396233450000221
计算与剩余评价主体对应的特征向量的相关系数，构建第一相似矩阵。得到第一评价主体和剩余其他评价主体的相关系数。第一评价主体与Z2、Z3、Z5，计算与第一评价主体类G1的相关系数过程如下：
Figure BDA0003396233450000222
需要说明的是此处相关系数的计算过程可参见上述描述，在此不进行重复赘述。
构建得到第一相似矩阵，第一相似矩阵可以为：
Figure BDA0003396233450000223
重复上述过程，找到相似矩阵中最大的非对角线元素
Figure BDA0003396233450000224
将评价主体Z2与G1合并为一个类，记作第二评价主体类G2＝{Z1,Z2,Z4}，第二聚类方案可以包括第二评价主体类和非第二评价主体类，该聚类数为3。以
Figure BDA0003396233450000225
计算与剩余评价主体的特征向量的相关系数，构建一个新的相似矩阵。
第二评价主体类G2和Z3、Z5之间的相关系数的计算过程如下：
Figure BDA0003396233450000231
需要说明的是此处相关系数的计算过程可参见上述描述，在此不进行重复赘述。构建得到新的相似矩阵可以为：
Figure BDA0003396233450000232
找到相似矩阵中最大的非对角线元素0.9910，将评价主体Z3与G2合并为一个类，记作第三评价主体类G3＝{Z1,Z2,Z3,Z4}，第三聚类方案包括：第三评价主体类和非第三评价主体类，该聚类数为4。最后剩下评价主体Z5，合并得到第五评价主体类G5＝{Z1,Z2,Z3,Z4,Z5}，第五聚类方案包括第五评价主体类，该聚类数为5。
在本实施例中，通过聚类避免了主观对评价主体分类定权，且聚类是确定评价主体客观权重的一个重要指标。
在一个实施例中，如图6所示，所述根据所述聚类指数、所述一致性比率计算所述客观权重，包括：
S602，在所述聚类指数最大的情况下，确定所述聚类指数对应的聚类方案中评价主体的第一权重。
具体地，计算每个聚类方案中聚类数并通过聚类评价模型确定对应的聚类指数。在聚类指数最大时，证明该聚类方案最好。获取使聚类指数最大的聚类数对应的聚类方案，并计算聚类方案中的权重。
在一些实施方式中，以聚类数为k＝3为例，计算对应的聚类指数。当k＝3时，一类为G2＝{Z1,Z2,Z4}，评价主体Z3、Z5分别各自为一类，类G2的均值向量为
Figure BDA0003396233450000241
总体样本的均值向量为
Figure BDA0003396233450000242
首先计算Calinski-Harabasz指数分子的值：
Figure BDA0003396233450000243
于是计算上述矩阵对角线元素和，得到
Figure BDA0003396233450000244
以下计算Calinski-Harabasz指数分母的值：
Figure BDA0003396233450000245
评价主体Z3、Z5分别各自为一类，其均值向量为向量本身，作差后为零向量，所以略去。
计算该矩阵对角线元素和，得到：
Figure BDA0003396233450000246
于是代入公式得到k＝3时的Calinski-Harabasz指数为：
Figure BDA0003396233450000251
重复上述过程，可以得到每个聚类方案中聚类数对应的聚类指数，如表6所示。
表6聚类指数表
聚类数 Calinski-Harabasz指数
k＝2 33.5403
k＝3 25.5185
k＝4 24.7566
k＝5 0
根据表6可知，VRCk取值最大时，k＝2，即所需的聚类数为2，目标对象Z5单独为一类，另外一类为G＝{Z1,Z2,Z3,Z4}。
将n个评价主体Z1、Z2、Z3、...、Zn聚成了h(2≤h≤n)类，分别记为G1、...、Gh聚类方案，聚类方案Gq(q＝1,2,...,h)中评价主体的数量为nq。
于是按
Figure BDA0003396233450000252
为计算聚类方案Gq(q＝1,2,...,h)对应的评价主体的第一权重，nq为第q个聚类方案中需要计算权重的评价主体，nh为第h个聚类方案中所有的评价主体。
S604，过所述一致性比率和所述权重计算得到所述评价主体对应的第二权重。
具体地，计算聚类方案Gq(q＝1,2,...,h)的权重后，可以通过一致性比率按照公式
Figure BDA0003396233450000253
确定聚类方案Gq(q＝1,2,...,h)中每个评价主体的权重，记为第二权重。CRi为需要确定权重的评价主体的一致性比率。
S606，根据所述第一权重和所述第二权重得到所述评价主体的客观权重。
具体地，根据得到的评价主体对应的权重和所述权重进行通过
Figure BDA0003396233450000261
进行加权求均值得到评价主体的客观权重。
在本实施例的一些示例性的实施方式中，评价主体Z1属于聚类方案G＝{Z1,Z2,Z3,Z4}，该聚类方案的权重为
Figure BDA0003396233450000262
在该聚类方案中四个评价主体的一致性比率CR值分别为0.0974、0.0872、0.0907、0.0487，于是可以计算得到每个评价主体的权重：
Figure BDA0003396233450000263
类似地，可以得到β2＝0.2387、β3＝0.2343、β4＝0.3006。
评价主体Z5单独一个类，该聚类方案的权重为
Figure BDA0003396233450000264
在聚类方案类的权重为100％。于是可以得到目标对象Z1在所有评价主体中的权重为
Figure BDA0003396233450000265
该权重可以为该评价主体的客观权重。类似地可以计算得到评价主体Z2、Z3、Z4、Z5所占权重分别为0.2247、0.2205、0.2829、0.0588。可以看到，一致性比率最低(该指标越低说明评价主体的一致性水平越高)的评价主体Z4获得了最高的权重，一致性水平不佳的评价主体且与其他评价主体的判断信息差异较大的Z5权重最低，该方法可以确保水平较高的评价主体在评估中占主要的权重，且这种权重的赋予是客观由系统根据评价主体判断矩阵自动计算得出的，较为客观。
在本实施例中，由于类的权重是指依据从评价主体提供的项目判断矩阵求出的特征向量来给确定的权重，处于同一类的评价主体内容权重是一样的，但无法区分出同一类中的评价主体提供判断信息的质量高低，会造成一定误差，所以引入了一致性比率这一指标，加权均值得到的权重综合考虑了评价主体判断信息的内容和质量，且具有客观性。
在一个实施例中，所述根据所述评价对象的指标体系、所述主观权重、所述客观权重确定所述评价对象的总得分数据，根据所述客观权重确定的所述评价对象中所述指标的总得分，包括：
将得分数据、所述主观权重、所述客观权重进行加权求和得到所述评价对象的总得分数据，所述得分数据是所述评价主体根据所述指标体系确定的。
将所述得分数据中指标的得分数据与所述客观权重进行加权求和得到所述评价对象中所述指标的总得分数据。
具体地，评价主体根据指标体系给出每个评价对象在每个指标上的得分，该得分可以是得分数据。共有l个评价对象，分别记为L1、L2、L3、...、Ll。计算并记录到评价主体Zk(k＝1,2,...,n)对评估指标体系中的m个指标A1、A2、A3、...、Am的主观权重为
Figure BDA0003396233450000271
评价主体Zk在所有评价主体中的权重为λk该权重可以为评价主体的客观权重。评价主体Zk对于评价对象Ls(s＝1,2,...,l)按照评估指标体系进行评分，如果该评价对象每个指标的得分为
Figure BDA0003396233450000272
则评价主体Zk给该评价对象的得分结果可以为
Figure BDA0003396233450000273
所有的评价主体对评价对象进行评分完成后，该评价对象的总得分数据可以为：
Figure BDA0003396233450000274
该评价对象就某个指标上At的总得分数据可以为：
Figure BDA0003396233450000275
在一些实施方式中，5个目标评价主体Z1、Z2、Z3、Z4、Z5对6个评价对象L1、L2、L3、L4、L5、L6，分别按照表2评价对象评估指标体系中的5个指标A1(战略价值)、A2(技术与理论水平)、A3(业务成效与推广价值)、A4(实施情况)、A5(预算执行)进行评分，评分情况如下表7所示。
表7评分情况表
Figure BDA0003396233450000276
Figure BDA0003396233450000281
以评价对象L1为例，评价主体Z1给该评价对象的总分是：
Figure BDA0003396233450000282
参照上述方式可以计算出Z2、Z3、Z4、Z5给该评价对象的总分分别是89.0791、83.7428、85.1651、95.8774，结合上述实施例确定的每个评价主体的客观权重并进行加权求和得到该评价对象L1的总得分数据。总得分数据可以为：
Figure BDA0003396233450000291
同理可确定评价对象中每个指标的总得分数据。每个指标的总得分数据可以为：
Figure BDA0003396233450000292
可以根据各评价对象的总得分和具体评价对象在某项指标的总体得分，将计算结果归纳如下表8所示。
表8结果归纳表
Figure BDA0003396233450000293
在本实施例中，通过引入客观权重，尽可能排除了指标的得分中主观权重的影响，使得评分结果较为客观。
在一个实施例中，所述理想解包括采用如下方法确定：
将所述得分数据中所述指标的得分数据输出为指标矩阵。
将所述指标矩阵进行向量归一标准化，得到所述标准矩阵。
将所述标准矩阵中每一列的最大值设置为理想解。
具体地，记录上述所有评价对象在指标At(t＝1,2,...,m)下所有评价主体的评分情况，该评分情况可以指标的得分数据，将该得分数据输出为指标矩阵Ft＝(ft s,k)l×n将该矩阵进行向量归一标准化，得到标准化矩阵
Figure BDA0003396233450000301
记录标准化矩阵中的每一列中元素的最大值，得到标准化矩阵的理想解
Figure BDA0003396233450000302
在一些实施方式中，评分时，评价主体Zk(k＝1,2,...,n)对于评价对象Ls(s＝1,2,...,l)按照评估指标体系进行打分，记该评价对象指标At(t＝1,2,...,m)的得分为ft s,k，于是将所有评价对象在该指标下全部专家的打分情况输出为指标矩阵：
Figure BDA0003396233450000303
将该指标矩阵进行向量归一标准化，令
Figure BDA0003396233450000304
得到标准化矩阵
Figure BDA0003396233450000305
理想解的情况可以为：该标准化矩阵中每一列的最大或最小值，可以表示为：
Figure BDA0003396233450000306
本实施例中涉及到的问题是指标的得分越高越好，因此理想解通常为该标准化矩阵中的最大值。
在一些示例性的实施方式中，针对指标A1(战略价值)，参照表7中评分情况，得到指标矩阵：
Figure BDA0003396233450000311
将该矩阵进行向量归一标准化得到标准化矩阵：
Figure BDA0003396233450000312
获取该标准化矩阵中每一列的最大值，得到理想解的集合为{0.4380,0.4307,0.4389,0.4436,0.4443}。
在本实施例中，通过取最大值确定理想解的方式能够评判指标的得分，从而确定每个指标对应的距离的平方和，且上述确定理想解的方式是通过标准化矩阵确定的，客观性较重，减少主观因素带来的影响。
在一个实施例中，所述计算所述指标的得分与理想解之间的距离的平方和，包括：
通过预设的条件极值问题得到使所述距离的平方和最小的距离系数向量，所述预设的条件极值问题是通过预先设置的构造条件以及所述指标的得分与理想解之间的最小的距离的平方和创建的。
根据所述距离系数向量计算每个所述指标的得分与理想解之间的距离的平方和。
具体地，距离平方和越小，评价对象在对应的指标下优势越大，其中所有的距离平方和为：
Figure BDA0003396233450000313
其中
Figure BDA0003396233450000314
为距离向量。
所以根据下述问题构造条件极值问题，
(1)距离的平方和最小的问题：
Figure BDA0003396233450000315
(2)预先设置的构造条件：
Figure BDA0003396233450000321
根据上述条件极值问题构造拉格朗日函数，拉格朗日函数可以为：
Figure BDA0003396233450000322
令
Figure BDA0003396233450000323
得到方程组并求解得到距离系数计算公式：
Figure BDA0003396233450000324
根据求解条件极值问题得到使距离的平方和最小的距离系数向量，计算各评价对象到理想解的距离平方和
Figure BDA0003396233450000325
在一些实施方式中，按照公式
Figure BDA0003396233450000326
计算得到距离系数向量为W1＝(0.1539,0.3979,0.1877,0.1330,0.1275)T。进一步按照公式
Figure BDA0003396233450000331
计算得到各评价对象的距离平方和为：
Figure BDA0003396233450000332
从小到大排序为
Figure BDA0003396233450000333
于是在该指标上，六个评价对象从优到劣的排序为L1、L3、L2、L5、L4、L6。参照上述计算过程可以得到六个评价对象在各项指标上从优到劣的排序情况如下表9所示。
表9排序情况表
指标 排序(优——>劣)
A<sub>1</sub>(战略价值) L<sub>1</sub>、L<sub>3</sub>、L<sub>2</sub>、L<sub>5</sub>、L<sub>4</sub>、L<sub>6</sub>
A<sub>2</sub>(技术与理论水平) L<sub>5</sub>、L<sub>1</sub>、L<sub>4</sub>、L<sub>6</sub>、L<sub>3</sub>、L<sub>2</sub>
A<sub>3</sub>(业务成效与推广价值) L<sub>4</sub>、L<sub>6</sub>、L<sub>3</sub>、L<sub>2</sub>、L<sub>5</sub>、L<sub>1</sub>
A<sub>4</sub>(实施情况) L<sub>2</sub>、L<sub>1</sub>、L<sub>5</sub>、L<sub>3</sub>、L<sub>6</sub>、L<sub>4</sub>
A<sub>5</sub>(预算执行) L<sub>1</sub>＝L<sub>5</sub>＝L<sub>6</sub>、L<sub>2</sub>、L<sub>3</sub>、L<sub>4</sub>
总体得分 L<sub>6</sub>、L<sub>5</sub>、L<sub>4</sub>、L<sub>1</sub>、L<sub>3</sub>、L<sub>2</sub>
在本实施例中，通过上述表9可以看到总体得分的排序情况和表8中得分的高低排序情况几乎相同(仅评价对象2和3的排序是不同的)，通过主观权重和客观权重计算得分虽然尽可能排除了指标主观权重的影响，但是在排序上依然不如直接基于指标评分的内生因素进行排序来得客观(排序权重排除了人为赋权的因素)，且通过求解条件极值问题求得的距离向量能够更为客观的计算出每个指标的排名。
在一个实施例中，将所述评价对象的总得分数据、指标的排名、指标的总得分数据进行输出，包括：将评价对象的总得分数据、指标的排名、指标的总得分数据按照表格进行输出，提供最终决策者参考。
在一些实施方式中，单个评价对象L1评估结果输出显示可以为表10所示。
表10评价对象L1评估结果
Figure BDA0003396233450000341
在本实施例中，将上述的结果合并输出，便于决策者了解评价对象的具体评估情况，做出科学决策。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本公开实施例还提供了一种用于实现上述所涉及的评价对象指标的数据处理方法的评价对象指标的数据处理装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个评价对象指标的数据处理装置实施例中的具体限定可以参见上文中对于评价对象指标的数据处理方法的限定，在此不再赘述。
在一个实施例中，如图7所示，提供了一种评价对象指标的数据处理装置700，包括：主观权重确定模块702、客观权重确定模块704、得分数据确定模块706和指标排名确定模块708，其中：
主观权重确定模块702，用于根据特征向量确定评价对象的指标的主观权重，所述特征向量是使用方根近似法计算评价主体创建的项目判断矩阵得到的；
客观权重确定模块704，用于根据相似矩阵、聚类评价模型确定所述评价主体的客观权重，所述相似矩阵是根据所述特征向量之间的相关系数构建的；
得分数据确定模块706，用于根据所述评价对象的指标体系和所述主观权重确定所述评价对象的总得分数据，根据所述客观权重确定的所述评价对象中所述指标的总得分数据；
指标排名确定模块708，用于根据距离系数向量计算所述指标的得分数据与理想解之间的距离的平方和，根据所述距离的平方和确定所述指标的排名，所述理想解是通过所述指标的得分数据对应的标准矩阵确定的，所述距离系数向量是通过预设的条件极值问题和所述距离的平方和确定的。
在所述装置的一个实施例中，所述主观权重确定模块702包括：向量计算模块、归一化模块；
所述向量计算模块，用于计算所述项目判断矩阵中每行的元素的几何平均数，得到每行对应的向量。
所述归一化模块，用于对所述向量进行归一化，得到特征向量。
在所述装置的一个实施例中，所述装置还包括：特征向量相乘模块、第一计算模块、一致性比率计算模块、一致性比率调整模块；
所述特征向量相乘模块，用于将所述项目判断矩阵与对应的所述特征向量相乘，得到特征判断向量。
所述第一计算模块，用于计算所述特征判断向量的算术平均值，得到最大特征值。
所述一致性比率计算模块，用于根据所述最大特征值计算所述项目判断矩阵的一致性比率。
所述一致性比率调整模块，用于根据所述一致性比率和预设的比率阈值的关系调整所述项目判断矩阵。
在所述装置的一个实施例中，所述客观权重确定模块704包括：聚类方案确定模块、聚类指数确定模块、客观权重计算模块；
所述聚类方案确定模块，用于根据所述相似矩阵确定所述评价主体的聚类方案。
所述聚类指数确定模块，用于通过所述聚类评价模型确定所述聚类方案的聚类指数。
所述客观权重计算模块，用于根据所述聚类指数、所述一致性比率计算所述客观权重。
在所述装置的一个实施例中，所述聚类方案确定模块包括：第一聚类方案确定模块、第一相似矩阵确定模块、聚类方案记录模块；
第一聚类方案确定模块，用于获取所述相似矩阵中最大的非对角线元素，合并所述非对角线元素对应的所述评价主体，得到第一评价主体，以及第一聚类方案，所述第一聚类方案包括所述评价主体中第一评价主体类和非所述第一评价主体类。
第一相似矩阵确定模块，用于根据第一特征向量与第二特征向量之间的第一相关系数构建第一相似矩阵，所述第一特征向量是非所述第一评价主体对应的特征向量，所述第二特征向量是所述第一评价主体对应的特征向量。
聚类方案记录模块，用于重复运行第一聚类方案确定模块和第一相似矩阵确定模块，直至合并所有所述评价主体，并记录合并所述评价主体后得到的聚类方案。
在所述装置的一个实施例中，所述客观权重计算模块，包括：聚类方案权重计算模块、评价主体权重计算模块、权重综合模块；
所述聚类方案权重计算模块，用于在所述聚类指数最大的情况下，确定所述聚类指数对应的聚类方案中评价主体的第一权重；
所述评价主体权重计算模块，用于通过所述一致性比率和所述权重计算得到所述评价主体对应的第二权重；
所述权重综合模块，用于根据所述第一权重和所述第二权重得到所述评价主体的客观权重。
在所述装置一个实施例中，所述聚类方案权重计算模块采用如下公式确定聚类方案中评价主体的第一权重：
Figure BDA0003396233450000371
其中nq为第q个聚类方案需要计算权重的评价主体，nh为第h个聚类方案中所有的评价主体；
所述评价主体权重计算模块采用如下公式计算得到所述评价主体对应的第二权重：
Figure BDA0003396233450000372
其中CRi为需要确定权重的评价主体的一致性比率；
所述权重综合模块采用如下公式得到评价主体的客观权重：
Figure BDA0003396233450000373
在所述装置的一个实施例中，所述得分数据确定模块706包括：加权求和模块、指标得分确定模块；
所述加权求和模块，用于将得分数据、所述主观权重、所述客观权重进行加权求和得到所述评价对象的总得分数据，所述得分数据是所述评价主体根据所述指标体系确定的。
所述指标得分确定模块，用于将所述得分数据中指标的得分数据与所述客观权重进行加权求和得到所述评价对象中所述指标的总得分数据。
在所述装置的一个实施例中，所述指标排名确定模块708包括指标矩阵确定模块、标准化模块、理想解确定模块；
所述指标矩阵确定模块，用于将所述得分数据中所述指标的得分数据输出为指标矩阵。
所述标准化模块，用于将所述指标矩阵进行向量归一标准化，得到所述标准矩阵。
所述理想解确定模块，用于将所述标准矩阵中每一列的最大值设置为理想解。
在所述装置的一个实施例中，所述指标排名确定模块708还包括：距离系数向量确定模块、平方和计算模块；
所述距离系数向量确定模块，用于通过预设的条件极值问题得到使所述距离的平方和最小的距离系数向量，所述预设的条件极值问题是通过预先设置的构造条件以及所述指标的得分与理想解之间的最小的距离的平方和创建的。
所述平方和计算模块，用于根据所述距离系数向量计算所述指标的得分与理想解之间的距离的平方和。
上述评价对象指标的数据处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储评价对象的总得分数据、评价对象中所述指标的总得分数据、指标的排名数据等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种评价对象指标的数据处理方法。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本公开方案相关的部分结构的框图，并不构成对本公开方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是，本公开所涉及的评价对象中的数据，均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本公开所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本公开所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本公开所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本公开的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本公开专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本公开构思的前提下，还可以做出若干变形和改进，这些都属于本公开的保护范围。因此，本公开的保护范围应以所附权利要求为准。

Claims (23)

1.一种评价对象指标的数据处理方法，其特征在于，所述方法包括：
根据特征向量确定评价对象的指标的主观权重，所述特征向量是使用方根法计算评价主体创建的项目判断矩阵得到的；
根据相似矩阵、聚类评价模型确定所述评价主体的客观权重，所述相似矩阵是根据所述特征向量之间的相关系数构建的；
根据所述评价对象的指标体系、所述主观权重、所述客观权重确定所述评价对象的总得分数据，根据所述客观权重确定的所述评价对象中所述指标的总得分数据；
根据距离系数向量计算所述指标的得分数据与理想解之间的距离的平方和，根据所述距离的平方和确定所述指标的排名，所述理想解是通过所述指标的得分数据对应的标准矩阵确定的，所述距离系数向量是通过预设的条件极值问题和所述距离的平方和确定的。
2.根据权利要求1所述的方法，其特征在于，所述特征向量包括采用下述方式得到：
计算所述项目判断矩阵中每行的元素的几何平均数，得到每行对应的向量；
对所述向量进行归一化，得到特征向量。
3.根据权利要求2所述的方法，其特征在于，所述对所述向量进行归一化，得到特征向量，之后还包括：
将所述项目判断矩阵与对应的所述特征向量相乘，得到特征判断向量；
计算所述特征判断向量的算术平均值，得到最大特征值；
根据所述最大特征值计算所述项目判断矩阵的一致性比率；
根据所述一致性比率和预设的比率阈值的关系调整所述项目判断矩阵。
4.根据权利要求3所述的方法，其特征在于，所述根据相似矩阵、聚类评价模型确定所述评价主体的客观权重，包括：
根据所述相似矩阵确定所述评价主体的聚类方案；
通过所述聚类评价模型确定所述聚类方案的聚类指数；
根据所述聚类指数、所述一致性比率计算所述客观权重。
5.根据权利要求4所述的方法，其特征在于，所述根据所述相似矩阵确定所述评价主体的聚类方案包括：
获取所述相似矩阵中最大的非对角线元素，合并所述非对角线元素对应的所述评价主体，得到第一评价主体，以及第一聚类方案，所述第一聚类方案包括所述评价主体中第一评价主体类和非所述第一评价主体类；
根据第一特征向量与第二特征向量之间的第一相关系数构建第一相似矩阵，所述第一特征向量是非所述第一评价主体对应的特征向量，所述第二特征向量是所述第一评价主体对应的特征向量；
重复上述步骤，直至合并所有所述评价主体，并记录合并所述评价主体后得到的聚类方案。
6.根据权利要求5所述的方法，其特征在于，所述根据所述聚类指数、所述一致性比率计算所述客观权重，包括：
在所述聚类指数最大的情况下，确定所述聚类指数对应的聚类方案中评价主体的第一权重；
通过所述一致性比率和所述权重计算得到所述评价主体对应的第二权重；
根据所述第一权重和所述第二权重得到所述评价主体的客观权重。
7.根据权利要求6所述的方法，其特征在于，采用如下公式确定聚类方案中评价主体的第一权重：
Figure FDA0003396233440000021
其中nq为第q个聚类方案中需要计算权重的评价主体，nh为第h个聚类方案中所有的评价主体；
采用如下公式计算得到所述评价主体对应的第二权重：
Figure FDA0003396233440000022
其中CRi为需要确定权重的评价主体的一致性比率；
采用如下公式得到评价主体的客观权重：
Figure FDA0003396233440000031
8.根据权利要求1所述的方法，其特征在于，所述根据所述评价对象的指标体系、所述主观权重、所述客观权重确定所述评价对象的总得分数据，根据所述客观权重确定的所述评价对象中所述指标的总得分，包括：
将得分数据、所述主观权重、所述客观权重进行加权求和得到所述评价对象的总得分数据，所述得分数据是所述评价主体根据所述指标体系确定的；
将所述得分数据中指标的得分数据与所述客观权重进行加权求和得到所述评价对象中所述指标的总得分数据。
9.根据权利要求8所述的方法，其特征在于，所述理想解包括采用如下方法确定：
将所述得分数据中所述指标的得分数据输出为指标矩阵；
将所述指标矩阵进行向量归一标准化，得到所述标准矩阵；
将所述标准矩阵中每一列的最大值设置为理想解。
10.根据权利要求1所述的方法，其特征在于，所述计算所述指标的得分与理想解之间的距离的平方和，包括：
通过预设的条件极值问题得到使所述距离的平方和最小的距离系数向量，所述预设的条件极值问题是通过预先设置的构造条件以及所述指标的得分与理想解之间的最小的距离的平方和创建的；
根据所述距离系数向量计算所述指标的得分与理想解之间的距离的平方和。
11.一种评价对象指标的数据处理装置，其特征在于，所述装置包括：
主观权重确定模块，用于根据特征向量确定评价对象的指标的主观权重，所述特征向量是使用方根近似法计算评价主体创建的项目判断矩阵得到的；
客观权重确定模块，用于根据相似矩阵、聚类评价模型确定所述评价主体的客观权重，所述相似矩阵是根据所述特征向量之间的相关系数构建的；
得分数据确定模块，用于根据所述评价对象的指标体系和所述主观权重确定所述评价对象的总得分数据，根据所述客观权重确定的所述评价对象中所述指标的总得分数据；
指标排名确定模块，用于根据距离系数向量计算所述指标的得分数据与理想解之间的距离的平方和，根据所述距离的平方和确定所述指标的排名，所述理想解是通过所述指标的得分数据对应的标准矩阵确定的，所述距离系数向量是通过预设的条件极值问题和所述距离的平方和确定的。
12.根据权利要求11所述的装置，其特征在于，所述主观权重确定模块包括：向量计算模块、归一化模块；
所述向量计算模块，用于计算所述项目判断矩阵中每行的元素的几何平均数，得到每行对应的向量；
所述归一化模块，用于对所述向量进行归一化，得到特征向量。
13.根据权利要求11所述的装置，其特征在于，所述装置还包括：特征向量相乘模块、第一计算模块、一致性比率计算模块、一致性比率调整模块；
所述特征向量相乘模块，用于将所述项目判断矩阵与对应的所述特征向量相乘，得到特征判断向量；
所述第一计算模块，用于计算所述特征判断向量的算术平均值，得到最大特征值；
所述一致性比率计算模块，用于根据所述最大特征值计算所述项目判断矩阵的一致性比率；
所述一致性比率调整模块，用于根据所述一致性比率和预设的比率阈值的关系调整所述项目判断矩阵。
14.根据权利要求11所述的装置，其特征在于，所述客观权重确定模块包括：聚类方案确定模块、聚类指数确定模块、客观权重计算模块；
所述聚类方案确定模块，用于根据所述相似矩阵确定所述评价主体的聚类方案；
所述聚类指数确定模块，用于通过所述聚类评价模型确定所述聚类方案的聚类指数；
所述客观权重计算模块，用于根据所述聚类指数、所述一致性比率计算所述客观权重。
15.根据权利要求14所述的装置，其特征在于，所述聚类方案确定模块包括：第一聚类方案确定模块、第一相似矩阵确定模块、循环模块；
第一聚类方案确定模块，用于获取所述相似矩阵中最大的非对角线元素，合并所述非对角线元素对应的所述评价主体，得到第一评价主体，以及第一聚类方案，所述第一聚类方案包括所述评价主体中第一评价主体类和非所述第一评价主体类；
第一相似矩阵确定模块，用于根据第一特征向量与第二特征向量之间的第一相关系数构建第一相似矩阵，所述第一特征向量是非所述第一评价主体对应的特征向量，所述第二特征向量是所述第一评价主体对应的特征向量；
聚类方案记录模块，用于重复运行第一聚类方案确定模块和第一相似矩阵确定模块，直至合并所有所述评价主体，并记录合并所述评价主体后得到的聚类方案。
16.根据权利要求14所述的装置，其特征在于，所述客观权重计算模块，包括：聚类方案权重计算模块、评价主体权重计算模块、权重综合模块；
所述聚类方案权重计算模块，用于在所述聚类指数最大的情况下，确定所述聚类指数对应的聚类方案中评价主体的第一权重；
所述评价主体权重计算模块，用于通过所述一致性比率和所述权重计算得到所述评价主体对应的第二权重；
所述权重综合模块，用于根据所述第一权重和所述第二权重得到所述评价主体的客观权重。
17.根据权利要求14所述的装置，其特征在于，所述聚类方案权重计算模块采用如下公式确定聚类方案中评价主体的第一权重：
Figure FDA0003396233440000061
其中nq为第q个聚类方案中需要计算权重的评价主体，nh为第h个聚类方案中所有的评价主体；
所述评价主体权重计算模块采用如下公式计算得到所述评价主体对应的第二权重：
Figure FDA0003396233440000062
其中CRi为需要确定权重的评价主体的一致性比率；
所述权重综合模块采用如下公式得到评价主体的客观权重：
Figure FDA0003396233440000063
18.根据权利要求11所述的装置，其特征在于，所述得分数据确定模块包括：加权求和模块、指标得分确定模块；
所述加权求和模块，用于将得分数据、所述主观权重、所述客观权重进行加权求和得到所述评价对象的总得分数据，所述得分数据是所述评价主体根据所述指标体系确定的；
所述指标得分确定模块，用于将所述得分数据中指标的得分数据与所述客观权重进行加权求和得到所述评价对象中所述指标的总得分数据。
19.根据权利要求11所述的装置，其特征在于，所述指标排名确定模块包括指标矩阵确定模块、标准化模块、理想解确定模块；
所述指标矩阵确定模块，用于将所述得分数据中所述指标的得分数据输出为指标矩阵；
所述标准化模块，用于将所述指标矩阵进行向量归一标准化，得到所述标准矩阵；
所述理想解确定模块，用于将所述标准矩阵中每一列的最大值设置为理想解。
20.根据权利要求11所述的装置，其特征在于，所述指标排名确定模块还包括：距离系数向量确定模块、平方和计算模块；
所述距离系数向量确定模块，用于通过预设的条件极值问题得到使所述距离的平方和最小的距离系数向量，所述预设的条件极值问题是通过预先设置的构造条件以及所述指标的得分与理想解之间的最小的距离的平方和创建的；
所述平方和计算模块，用于根据所述距离系数向量计算所述指标的得分与理想解之间的距离的平方和。
21.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至10中任一项所述的方法的步骤。
22.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至10中任一项所述的方法的步骤。
23.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至10中任一项所述的方法的步骤。
CN202111485167.8A 2021-12-07 2021-12-07 评价对象指标的数据处理方法、装置、计算机设备 Pending CN114298659A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111485167.8A CN114298659A (zh) 2021-12-07 2021-12-07 评价对象指标的数据处理方法、装置、计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111485167.8A CN114298659A (zh) 2021-12-07 2021-12-07 评价对象指标的数据处理方法、装置、计算机设备

Publications (1)

Publication Number Publication Date
CN114298659A true CN114298659A (zh) 2022-04-08

Family

ID=80965719

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111485167.8A Pending CN114298659A (zh) 2021-12-07 2021-12-07 评价对象指标的数据处理方法、装置、计算机设备

Country Status (1)

Country Link
CN (1) CN114298659A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114936872A (zh) * 2022-05-11 2022-08-23 山东远盾网络技术股份有限公司 一种基于大数据的信息分析方法
CN116911693A (zh) * 2023-09-11 2023-10-20 北京赛学科技有限公司 一种基于大数据的人员推荐方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114936872A (zh) * 2022-05-11 2022-08-23 山东远盾网络技术股份有限公司 一种基于大数据的信息分析方法
CN116911693A (zh) * 2023-09-11 2023-10-20 北京赛学科技有限公司 一种基于大数据的人员推荐方法及系统
CN116911693B (zh) * 2023-09-11 2023-12-05 北京赛学科技有限公司 一种基于大数据的人员推荐方法及系统

Similar Documents

Publication Publication Date Title
CN113298230B (zh) 一种基于生成对抗网络的不平衡数据集的预测方法
CN110956273A (zh) 融合多种机器学习模型的征信评分方法及系统
Sensini An empirical analysis of financially distressed Italian companies
Ozcalici et al. An integrated multi-criteria decision making model with Self-Organizing Maps for the assessment of the performance of publicly traded banks in Borsa Istanbul
CN111626821B (zh) 基于集成特征选择实现客户分类的产品推荐方法及系统
CN114298659A (zh) 评价对象指标的数据处理方法、装置、计算机设备
CN110866782A (zh) 一种客户分类方法、系统以及电子设备
CN113822499B (zh) 一种基于模型融合的列车备件损耗预测方法
Johnstone Approximate null distribution of the largest root in multivariate analysis
CN111340086A (zh) 无标签数据的处理方法、系统、介质及终端
CN116468273A (zh) 客户风险识别方法及装置
CN114819777A (zh) 一种基于数字孪生技术的企业销售业务分析管理系统
Hwang Forecasting credit ratings with the varying-coefficient model
CN115271442A (zh) 基于自然语言评估企业成长性的建模方法及系统
Kolupaieva et al. Diagnostics of systemic risk impact on the enterprise capacity for financial risk neutralization: The case of Ukrainian metallurgical enterprises
CN111832854A (zh) 汽车研发质量管理体系的成熟度量化评价方法、系统及可读介质
CN117913796A (zh) 电力经济耦合协调关系确定方法、装置、设备和存储介质
CN115936841A (zh) 一种构建信贷风险评估模型的方法及装置
CN114021905A (zh) 一种中小企业信用风险评价方法
Ishmah et al. Multiple Discriminant Analysis Altman Z-Score, Multiple Discriminant Analysis Stepwise and K-Means Cluster for Classification of Financial Distress Status in Manufacturing Companies Listed on the Indonesia Stock Exchange in 2019
WO1992017853A2 (en) Direct data base analysis, forecasting and diagnosis method
Dendramis et al. Measuring the Default Risk of Small Business Loans: Improved Credit Risk Prediction using Deep Learning
Clavel et al. A monthly indicator of the french business climate
Murpratiwi et al. Accuracy Analysis of Predictive Value in Transaction Data of Service Company Using Combination of K-Means Clustering and Time Series Methods
Brezigar Masten et al. Comparison of parametric, semi-parametric and non-parametric methods in bankruptcy prediction

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