CN115952778A - 问卷问题权重自适应生成方法、装置、设备及存储介质 - Google Patents

Abstract

本发明涉及人工智能技术，揭露了一种可用于金融业务调查场景的问卷问题权重自适应生成方法，包括：获取问卷主题、已填问卷及答案；计算问卷主题与已填问卷中问题相似度，将相似度作为对应问题的初始权重值；获取已填问卷的基础信息，计算基础信息与各个问题的相关性；根据题型属性从预设问卷权重算法集中选择目标权重算法，根据各个问题的答案，利用目标权重算法计算各个问题的标准权重值；对各个问题的初始权重值、相关性及标准权重值进行乘积，得到目标权重；利用各个问题的目标权重，对各个问题进行权重配置，得到目标问卷。本发明还提出一种问卷问题权重自适应生成装置、电子设备以及存储介质。本发明可以提高问卷问题权重配置的准确率。

Description

问卷问题权重自适应生成方法、装置、设备及存储介质

技术领域

本发明涉及人工智能技术领域，尤其涉及一种问卷问题权重自适应生成方法、装置、电子设备及计算机可读存储介质。

背景技术

电子问卷是线上收集资料的一种常用工具，可以用于满意度调查、意见反馈收集、测评、考试等场景，特别对应金融及医疗业务，为了更好的了解用户需求，往往需要向用户发放电子问卷调查，电子问卷的中各个问题配置的权重是一个问卷可用性的重中之重，直接影响电子问卷的准确性。

通常现有电子问卷中各个问题的权重通过决策者的主观经验决定，并且所有问题的权重均相同，无法区分不同电子问卷问题的重要程度，导致问卷问题权重配置的准确率较低。

发明内容

本发明提供一种问卷问题权重自适应生成方法、装置及计算机可读存储介质，其主要目的在于解决问卷问题权重配置的准确率较低的问题。

为实现上述目的，本发明提供的一种问卷问题权重自适应生成方法，包括：

获取问卷主题及已填问卷，并识别所述已填问卷中各个问题的答案；

计算所述问卷主题与所述已填问卷中各个问题的相似度，将所述相似度作为对应问题的初始权重值；

获取所述已填问卷对应用户的基础信息，计算所述基础信息与所述各个问题的相关性；

识别所述已填问卷中所有问题的题型属性，根据所述题型属性从预设问卷权重算法集中选择目标权重算法，根据所述各个问题的答案，利用所述目标权重算法计算所述各个问题的标准权重值；

对所述各个问题的初始权重值、相关性及标准权重值进行乘积，得到目标权重；

利用所述各个问题的目标权重，对所述各个问题进行权重配置，得到目标问卷。

可选地，所述计算所述问卷主题与所述已填问卷中各个问题的相似度，包括：

分别对所述问卷主题及所述已填问卷中各个问题进行分词，得到主题分词序列及问题分词序列集；

提取所述主题分词序列的主题特征向量；

提取所述问题分词序列集中所有问题分析序列的问题特征向量；

利用预设多层感知器网络分类器拟合所述主题特征向量及所述问题特征向量的相似度，得到所述问卷主题与所述已填问卷中各个问题的相似度。

可选地，所述计算所述基础信息与所述各个问题的相关性，包括：

提取所述各个问题的实体集；

将所述实体集中实体两两组合得到实体对集；

计算所述实体对集中所有实体对的后验概率，根据所述后验概率确定所述实体集的层级关系；

根据所述层级关系中不同实体的路径，计算所述基础信息与实体集的层级关系中任意一实体的相关性；

综合各个问题对应的所述实体集中所有的相关性，得到所述基础信息与所述各个问题的相关性。

可选地，所述根据所述题型属性从预设问卷权重算法集中选择目标权重算法，包括：

当所述题型属性为问题选项有固定分值时，从预设问卷权重算法集中选择预设变异系数问卷权重算法作为目标权重算法；

当所述题型属性为问题选项无固定分数时，从预设问卷权重算法集中选择预设信息熵问卷权重算法作为目标权重算法。

可选地，所述根据所述各个问题的答案，利用所述目标权重算法计算所述各个问题的标准权重值，包括：

当所述目标权重算法为预设变异系数问卷权重算法时，根据预设评分规则分析所述各个问题的答案，得到已填问卷的答案评分；

计算所述已填问卷的所有答案评分的均值及标准差；

根据所述标准差及所述均值，计算所述每个问题的答案评分的变异系数；

对所述变异系数进行归一化处理，得到标准权重值。

可选地，所述根据所述各个问题的答案，利用所述目标权重算法计算所述各个问题的标准权重值，还包括：

当所述目标权重算法为预设信息熵问卷权重算法时，根据所述各个问题的答案分布及预设的自定义量化策略，将所述各个问题的答案进行量化操作，得到量化结果；

利用数据标准化算法，将所述量化结果进行绝对值转变为相对值的操作，得到所述各个答案对应的标准化结果；

根据熵值计算方法，对各个所述标准化结果进行熵值计算，得到各个问题的信息熵值；

归一化所述各个问题的信息熵值，得到各个问题的标准权重值。

可选地，所述利用所述各个问题的目标权重，对所述各个问题进行权重配置，得到目标问卷之后，所述方法还包括：

将所述各个问题的答案进行量化处理，得到答案向量；

获取预设评分规则中各个问题的标准答案向量；

计算所述答案向量与所述标准答案向量的相似度；

基于所述相似度及所述预设评分规则中映射评分，计算各个问题的原始分值；

根据所述各个问题的原始分值及所述各个问题的目标权重，计算所述目标问卷的答卷得分。

为了解决上述问题，本发明还提供一种问卷问题权重自适应生成装置，所述装置包括：

问卷获取模块，用于获取问卷主题及已填问卷，并识别所述已填问卷中各个问题的答案；

初始权重值计算模块，用于计算所述问卷主题与所述已填问卷中各个问题的相似度，将所述相似度作为对应问题的初始权重值；

相关性计算模块，用于获取所述已填问卷对应用户的基础信息，计算所述基础信息与所述各个问题的相关性；

标准权重值计算模块，用于识别所述已填问卷中所有问题的题型属性，根据所述题型属性从预设问卷权重算法集中选择目标权重算法，根据所述各个问题的答案，利用所述目标权重算法计算所述各个问题的标准权重值；

权重配置模块，用于对所述各个问题的初始权重值、相关性及标准权重值进行乘积，得到目标权重；利用所述各个问题的目标权重，对所述各个问题进行权重配置，得到目标问卷。

为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的问卷问题权重自适应生成方法。

为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的问卷问题权重自适应生成方法。

本发明实施例通过计算所述问卷主题与所述已填问卷中各个问题的相似度，将所述相似度作为对应问题的初始权重值；计算所述基础信息与所述各个问题的相关性；根据所述题型属性从预设问卷权重算法集中选择目标权重算法，根据所述各个问题的答案，利用所述目标权重算法计算所述各个问题的标准权重值；对所述各个问题的初始权重值、相关性及标准权重值进行乘积，得到目标权重；利用所述各个问题的目标权重，对所述各个问题进行权重配置，得到目标问卷，从问卷主题与问题的相似度、各个题目与基础信息的相关性、问题的不同题型属性三个维度对各个问题赋予权重，使得目标权重更加贴近问卷主题、贴合用户的实际情况、使用不同的题型属性，从而使得目标权重更加准确，得到的所述目标问卷的答卷得分更能体现调查问卷的准确性。因此本发明提出的问卷问题权重自适应生成方法、装置、电子设备及计算机可读存储介质，可以解决问卷问题权重配置的准确率较低的问题。

附图说明

图1为本发明一实施例提供的问卷问题权重自适应生成方法的流程示意图；

图2为图1所示问卷问题权重自适应生成方法中其中一个步骤的详细实施流程示意图；

图3为图1所示问卷问题权重自适应生成方法中其中另一个步骤的详细实施流程示意图；

图4为本发明一实施例提供的问卷问题权重自适应生成装置的功能模块图；

图5为本发明一实施例提供的实现所述问卷问题权重自适应生成方法的电子设备的结构示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本申请实施例提供一种问卷问题权重自适应生成方法。所述问卷问题权重自适应生成方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述问卷问题权重自适应生成方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。

参照图1所示，为本发明一实施例提供的问卷问题权重自适应生成方法的流程示意图。在本实施例中，所述问卷问题权重自适应生成方法包括：

S1、获取问卷主题及已填问卷，并识别所述已填问卷中各个问题的答案。

本发明实施例中，所述问卷主题可以包括医疗、金融、教育等多方面，例如金融方面的投保意愿调查问卷。

本发明实施例中，所述已填问卷中问题可以包括基础问题及核心问题，所述基础问题包括用户的一些基础信息；所述核心问题为本调查问卷的主要方面，例如医疗、金融、教育等方面。

本发明实施例中，在识别所述已填问卷中各个问题的答案之前，对所述各个问题进行缺失值识别，并剔除所述已填问卷中缺失值大于预设阈值的问题；并根据所述已填问卷中的基础问题筛选出核心目标人群的已填问卷。

本发明实施例，剔除掉缺失值大于预设阈值的问题，使得已填问卷更加完善有效；根据所述已填问卷中的基础问题筛选出核心目标人群的已填问卷，使得问卷的可靠性更高，例如金融类问卷调查可以筛选掉16岁以下的人群的问卷，使得金融类问卷调查的结果更加准确。

S2、计算所述问卷主题与所述已填问卷中各个问题的相似度，将所述相似度作为对应问题的初始权重值。

详细地，参阅图2所示，所述S2包括：

S21、分别对所述问卷主题及所述已填问卷中各个问题进行分词，得到主题分词序列及问题分词序列集；

S22、提取所述主题分词序列的主题特征向量；

S23、提取所述问题分词序列集中所有问题分析序列的问题特征向量；

S24、利用预设多层感知器网络分类器拟合所述主题特征向量及所述问题特征向量的相似度，得到所述问卷主题与所述已填问卷中各个问题的相似度。

本发明实施例中，可以利用jieba分词工具、THULAC分词工具等常用分词工具进行分词。

本发明其中一实施例中，可以利用预设BERT(BidirectionalEncoderRepresentations from Transformer)模型提取所述主题分词序列的主题特征向量，由于预设BERT模型中的自注意力机制，得到的主题特征向量更加准确。

本发明其中一实施例中，可以利用预设的双向长短期记忆(Bi-directional LongShort-Term Memory,BiLSTM)模型提取所述问题分词序列集中所有问题分析序列的问题特征向量，能够更好捕获问题句子中上下文的信息，能够更好提取问题中长文本信息的特征信息。

本发明实施例中，所述问卷主题可以包括医疗、金融、教育等多方面，例如金融方面的投保意愿调查问卷。

本发明实施例中，所述已填问卷中问题可以包括基础问题及核心问题，所述基础问题包括用户的一些基础信息；所述核心问题为本调查问卷的主要方面，例如医疗、金融、教育等方面。

本发明实施例中，问卷中为了获取更加全面的信息，设置的题目的覆盖面会很广，例如金融类的调查问卷除了涉及到金融相关属性的题目，还会涉及到教育、爱好等多方面的问题，不同的问题对调查问卷的重要程度不同，不同重要程度的权重需要不同。

本发明实施例中，将所述问卷主题与所述已填问卷中各个问题的相似度作为对应问题的初始权重值，与主题相似度高的问题表示对所述问卷主题的重要程度高，对应的初始权重值高；与主题相似度低的问题表示对所述问卷主题的重要程度低，对应的初始权重值低，问题权重与主题密切相关，从而使得问题权重配置的更准确。

S3、获取所述已填问卷对应用户的基础信息，计算所述基础信息与所述各个问题的相关性。

本发明实施例中，所述已填问卷对应用户的基础信息可以从所述已填问卷中基础问题得来，例如年龄段、性别、就业、教育、婚姻情况等。

详细地，参阅图3所示，S3中所述计算所述基础信息与所述各个问题的相关性，包括：

S31、提取所述各个问题的实体集；

S32、将所述实体集中实体两两组合得到实体对集；

S33、计算所述实体对集中所有实体对的后验概率，根据所述后验概率确定所述实体集的层级关系；

S34、根据所述层级关系中不同实体的路径，计算所述基础信息与实体集的层级关系中任意一实体的相关性；

S35、综合各个问题对应的所述实体集中所有的相关性，得到所述基础信息与所述各个问题的相关性。

本发明实施例中，对所述实体集中实体进行两两组合得到实体对集时，当所述实体集中实体数量为奇数个时，则从所述实体集中随机抽取一个实体进行组合为实体对。

本发明实施例中，可以利用深度学习神经网络模型提取所述各个问题的实体集，例如LSTM-CRF模型、Lattice LSTM模型等模型。

本发明实施例中，可以根据实体对中实体在问题中出现句子的数量，计算所述实体对的后验概率。

本发明实施例中，可以利用常用的相关性度量算法计算所述基础信息与实体集的层级关系中任意一实体的相关性，例如皮尔逊相关系数算法。

本发明实施例中，调查问卷对大众人群进行发布，涉及到不同性别、不同教育背景、不同年龄段，计算所述基础信息与所述各个问题的相关性，使得调查问卷更加贴合用户的实际情况。

S4、识别所述已填问卷中所有问题的题型属性，根据所述题型属性从预设问卷权重算法集中选择目标权重算法，根据所述各个问题的答案，利用所述目标权重算法计算所述各个问题的标准权重值。

本发明其中一实施例中，所述题型属性包括问题选项有固定分值的题型及问题选项无固定分值的题型。

本发明实施例中，根据问题选项是否有固定分值来选择不同的问卷权重算法进行权重计算，例如投保意愿调查问卷中一个问题的选项为A、B、C、D四个选项，当A、B、C、D四个选项预设的固定分值为-1、0、1、2时，选择预设变异系数问卷权重算法作为目标权重算法；当A、B、C、D四个选项无预设固定分值时，选择预设信息熵问卷权重算法作为目标权重算法。

详细地，S4中所述根据所述题型属性从预设问卷权重算法集中选择目标权重算法，包括：

当所述题型属性为问题选项有固定分值时，从预设问卷权重算法集中选择预设变异系数问卷权重算法作为目标权重算法；

当所述题型属性为问题选项无固定分数时，从预设问卷权重算法集中选择预设信息熵问卷权重算法作为目标权重算法。

进一步地，所述根据所述各个问题的答案，利用所述目标权重算法计算所述各个问题的标准权重值，包括：

当所述目标权重算法为预设变异系数问卷权重算法时，根据预设评分规则分析所述各个问题的答案，得到已填问卷的答案评分；

计算所述已填问卷的所有答案评分的均值及标准差；

根据所述标准差及所述均值，计算所述每个问题的答案评分的变异系数；

对所述变异系数进行归一化处理，得到标准权重值。

本发明实施例中，可以将所述标准差与所述均值的比值作为所述每个问题的答案评分的变异系数；所述变异系数是对不确定或随机性的一种度量，不确定性越大，变异系数就越大，不确定性越小，变异系数就越小。

本发明实施例中，对所述变异系数进行归一化处理，所述归一化处理为对所有问题的答案评分的变异系数进行加权，得到变异系数和；将每个问题的答案评分的变异系数与所述变异系数和的比值，作为各个问题的标准权重值。

本发明实施例中，当所述题型属性为问题选项有固定分值时，根据不同问题的答案评分的变异系数，评估问题的重要程度，进而计算对应问题的标准权重值。

更进一步地，所述根据所述各个问题的答案，利用所述目标权重算法计算所述各个问题的标准权重值，还包括：

当所述目标权重算法为预设信息熵问卷权重算法时，根据所述各个问题的答案分布及预设的自定义量化策略，将所述各个问题的答案进行量化操作，得到量化结果；

利用数据标准化算法，将所述量化结果进行绝对值转变为相对值的操作，得到所述各个答案对应的标准化结果；

根据熵值计算方法，对各个所述标准化结果进行熵值计算，得到各个问题的信息熵值；

归一化所述各个问题的信息熵值，得到各个问题的标准权重值。

本发明实施例中，当所述题型属性为问题选项无固定分数时，按照所述自定义量化策略对各个问题的选项进行量化。

本发明实施例中，所述自定义量化策略是指将用户的选项进行量化，例如设置数量级为8，若一个问题的选项为A、B、C、D四个选项，则量化为2、4、6、8；而当另一个问题有五个选项，则分别量化为1.6、3.2、4.8、6.4、8。因此，可以通过量化方法将答案进行量化，得到量化结果。

本发明实施例中，由于同一问题不同选项的量化结果不同，不同题目的各个选项间的差值也不同，利用数据标准化算法，将所述量化结果进行绝对值转变为相对值的操作，得到所述各个答案对应的标准化结果；进一步根据熵值计算方法，对各个所述标准化结果进行熵值计算，得到各个问题的信息熵值；其中，所述信息熵值对不确定性信息的一种度量，可以衡量每个问题中有用信息的信息量，由此可以来代表每个问题的重要程度。

本发明实施例中，可以通过归一化算法根据各个问题的信息熵值来计算各个问题的标准权重值。

其中，标准权重值计算方法为：

其中，所述j为每份问卷的第j题；所述E_j为第j题的信息熵值；所述n为所述已填问卷中问题数量；所述i为第i个人的已填问卷。

本发明实施例中，当所述题型属性为问题选项无固定分数时，对所述各个问题的答案进行量化操作，得到量化结果，再将量化结果进行标准化处理，对各个所述标准化结果进行熵值计算，得到各个问题的信息熵值，根据各个问题的信息熵来制定权重，具有较好的数学依据，增加问卷中权重配置的准确性。

本发明实施例中，根据不同的题型属性选择不同的权重算法计算各个问题的标准权重值，使得各个问题权重值更加准确。

S5、对所述各个问题的初始权重值、相关性及标准权重值进行乘积，得到目标权重。

本发明实施例中，将所述各个问题的初始权重值、相关性及标准权重值的乘积值作为各个问题的目标权重，充分考虑到问卷主题与问题的相似度、各个题目与基础信息的相关性、问题的不同题型属性，使得目标权重更加贴近问卷主题、贴合用户的实际情况、使用不同的题型属性，从而使得目标权重更加准确。

S6、利用所述各个问题的目标权重，对所述各个问题进行权重配置，得到目标问卷。

详细地，所述S6之后，所述方法还包括：

将所述各个问题的答案进行量化处理，得到答案向量；

获取预设评分规则中各个问题的标准答案向量；

计算所述答案向量与所述标准答案向量的相似度；

基于所述相似度及所述预设评分规则中映射评分，计算各个问题的原始分值；

根据所述各个问题的原始分值及所述各个问题的目标权重，计算所述目标问卷的答卷得分。

本发明实施例中，可以利用深度学习模型将将所述各个问题的答案进行量化处理，得到答案向量，所述标准答案向量的量化方法与所述答案向量的量化方法类似，不在此赘述。

本发明实施例中，可以利用常用的相似度算法计算所述答案向量与所述标准答案向量的相似度，例如杰卡德相似系数、余弦相似度等算法。

本发明实施例中所述评分规则中包含了一个或多个标准答案及每个标准答案关联的映射评分。

本发明实施例中，从问卷主题与问题的相似度、各个题目与基础信息的相关性、问题的不同题型属性3个维度对各个问题赋予权重，使得目标权重更加贴近问卷主题、贴合用户的实际情况、使用不同的题型属性，从而使得目标权重更加准确，得到的所述目标问卷的答卷得分更能体现调查问卷的准确性。

如图4所示，是本发明一实施例提供的问卷问题权重自适应生成装置的功能模块图。

本发明所述问卷问题权重自适应生成装置100可以安装于电子设备中。根据实现的功能，所述问卷问题权重自适应生成装置100可以包括问卷获取模块101、初始权重值计算模块102、相关性计算模块103、标准权重值计算模块104及权重配置模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。

所述问卷获取模块101，用于获取问卷主题及已填问卷，并识别所述已填问卷中各个问题的答案；

本发明实施例中，所述问卷主题可以包括医疗、金融、教育等多方面，例如金融方面的投保意愿调查问卷。

本发明实施例中，所述已填问卷中问题可以包括基础问题及核心问题，所述基础问题包括用户的一些基础信息；所述核心问题为本调查问卷的主要方面，例如医疗、金融、教育等方面。

本发明实施例中，在识别所述已填问卷中各个问题的答案之前，对所述各个问题进行缺失值识别，并剔除所述已填问卷中缺失值大于预设阈值的问题；并根据所述已填问卷中的基础问题筛选出核心目标人群的已填问卷。

本发明实施例，剔除掉缺失值大于预设阈值的问题，使得已填问卷更加完善有效；根据所述已填问卷中的基础问题筛选出核心目标人群的已填问卷，使得问卷的可靠性更高，例如金融类问卷调查可以筛选掉16岁以下的人群的问卷，使得金融类问卷调查的结果更加准确。

所述初始权重值计算模块102，用于计算所述问卷主题与所述已填问卷中各个问题的相似度，将所述相似度作为对应问题的初始权重值；

详细地，本发明实施例中所述初始权重值计算模块102利用如下手段计算各个问题的相似度，包括：

分别对所述问卷主题及所述已填问卷中各个问题进行分词，得到主题分词序列及问题分词序列集；

提取所述主题分词序列的主题特征向量；

提取所述问题分词序列集中所有问题分析序列的问题特征向量；

利用预设多层感知器网络分类器拟合所述主题特征向量及所述问题特征向量的相似度，得到所述问卷主题与所述已填问卷中各个问题的相似度。

本发明实施例中，可以利用jieba分词工具、THULAC分词工具等常用分词工具进行分词。

本发明其中一实施例中，可以利用预设BERT(BidirectionalEncoderRepresentations from Transformer)模型提取所述主题分词序列的主题特征向量，由于预设BERT模型中的自注意力机制，得到的主题特征向量更加准确。

本发明其中一实施例中，可以利用预设的双向长短期记忆(Bi-directional LongShort-Term Memory,BiLSTM)模型提取所述问题分词序列集中所有问题分析序列的问题特征向量，能够更好捕获问题句子中上下文的信息，能够更好提取问题中长文本信息的特征信息。

本发明实施例中，所述问卷主题可以包括医疗、金融、教育等多方面，例如金融方面的投保意愿调查问卷。

本发明实施例中，所述已填问卷中问题可以包括基础问题及核心问题，所述基础问题包括用户的一些基础信息；所述核心问题为本调查问卷的主要方面，例如医疗、金融、教育等方面。

本发明实施例中，问卷中为了获取更加全面的信息，设置的题目的覆盖面会很广，例如金融类的调查问卷除了涉及到金融相关属性的题目，还会涉及到教育、爱好等多方面的问题，不同的问题对调查问卷的重要程度不同，不同重要程度的权重需要不同。

本发明实施例中，将所述问卷主题与所述已填问卷中各个问题的相似度作为对应问题的初始权重值，与主题相似度高的问题表示对所述问卷主题的重要程度高，对应的初始权重值高；与主题相似度低的问题表示对所述问卷主题的重要程度低，对应的初始权重值低，问题权重与主题密切相关，从而使得问题权重配置的更准确。

所述相关性计算模块103，用于获取所述已填问卷对应用户的基础信息，计算所述基础信息与所述各个问题的相关性；

本发明实施例中，所述已填问卷对应用户的基础信息可以从所述已填问卷中基础问题得来，例如年龄段、性别、就业、教育、婚姻情况等。

详细地，所述相关性计算模块103利用如下手段计算各个问题的相关性，包括：

提取所述各个问题的实体集；

将所述实体集中实体两两组合得到实体对集；

计算所述实体对集中所有实体对的后验概率，根据所述后验概率确定所述实体集的层级关系；

根据所述层级关系中不同实体的路径，计算所述基础信息与实体集的层级关系中任意一实体的相关性；

综合各个问题对应的所述实体集中所有的相关性，得到所述基础信息与所述各个问题的相关性。

本发明实施例中，对所述实体集中实体进行两两组合得到实体对集时，当所述实体集中实体数量为奇数个时，则从所述实体集中随机抽取一个实体进行组合为实体对。

本发明实施例中，可以利用深度学习神经网络模型提取所述各个问题的实体集，例如LSTM-CRF模型、Lattice LSTM模型等模型。

本发明实施例中，可以根据实体对中实体在问题中出现句子的数量，计算所述实体对的后验概率。

本发明实施例中，可以利用常用的相关性度量算法计算所述基础信息与实体集的层级关系中任意一实体的相关性，例如皮尔逊相关系数算法。

本发明实施例中，调查问卷对大众人群进行发布，涉及到不同性别、不同教育背景、不同年龄段，计算所述基础信息与所述各个问题的相关性，使得调查问卷更加贴合用户的实际情况。

所述标准权重值计算模块104，用于识别所述已填问卷中所有问题的题型属性，根据所述题型属性从预设问卷权重算法集中选择目标权重算法，根据所述各个问题的答案，利用所述目标权重算法计算所述各个问题的标准权重值；

本发明其中一实施例中，所述题型属性包括问题选项有固定分值的题型及问题选项无固定分值的题型。

本发明实施例中，根据问题选项是否有固定分值来选择不同的问卷权重算法进行权重计算，例如投保意愿调查问卷中一个问题的选项为A、B、C、D四个选项，当A、B、C、D四个选项预设的固定分值为-1、0、1、2时，选择预设变异系数问卷权重算法作为目标权重算法；当A、B、C、D四个选项无预设固定分值时，选择预设信息熵问卷权重算法作为目标权重算法。

详细地，所述标准权重值计算模块104利用如下手段选择目标权重算法，包括：

当所述题型属性为问题选项有固定分值时，从预设问卷权重算法集中选择预设变异系数问卷权重算法作为目标权重算法；

当所述题型属性为问题选项无固定分数时，从预设问卷权重算法集中选择预设信息熵问卷权重算法作为目标权重算法。

进一步地，所述标准权重值计算模块104利用如下手段计算所述各个问题的标准权重值，包括：

当所述目标权重算法为预设变异系数问卷权重算法时，根据预设评分规则分析所述各个问题的答案，得到已填问卷的答案评分；

计算所述已填问卷的所有答案评分的均值及标准差；

根据所述标准差及所述均值，计算所述每个问题的答案评分的变异系数；

对所述变异系数进行归一化处理，得到标准权重值。

本发明实施例中，可以将所述标准差与所述均值的比值作为所述每个问题的答案评分的变异系数；所述变异系数是对不确定或随机性的一种度量，不确定性越大，变异系数就越大，不确定性越小，变异系数就越小。

本发明实施例中，对所述变异系数进行归一化处理，所述归一化处理为对所有问题的答案评分的变异系数进行加权，得到变异系数和；将每个问题的答案评分的变异系数与所述变异系数和的比值，作为各个问题的标准权重值。

本发明实施例中，当所述题型属性为问题选项有固定分值时，根据不同问题的答案评分的变异系数，评估问题的重要程度，进而计算对应问题的标准权重值。

更进一步地，所述标准权重值计算模块104还可以利用如下手段计算所述各个问题的标准权重值，包括：

当所述目标权重算法为预设信息熵问卷权重算法时，根据所述各个问题的答案分布及预设的自定义量化策略，将所述各个问题的答案进行量化操作，得到量化结果；

利用数据标准化算法，将所述量化结果进行绝对值转变为相对值的操作，得到所述各个答案对应的标准化结果；

根据熵值计算方法，对各个所述标准化结果进行熵值计算，得到各个问题的信息熵值；

归一化所述各个问题的信息熵值，得到各个问题的标准权重值。

本发明实施例中，当所述题型属性为问题选项无固定分数时，按照所述自定义量化策略对各个问题的选项进行量化。

本发明实施例中，所述自定义量化策略是指将用户的选项进行量化，例如设置数量级为8，若一个问题的选项为A、B、C、D四个选项，则量化为2、4、6、8；而当另一个问题有五个选项，则分别量化为1.6、3.2、4.8、6.4、8。因此，可以通过量化方法将答案进行量化，得到量化结果。

本发明实施例中，由于同一问题不同选项的量化结果不同，不同题目的各个选项间的差值也不同，利用数据标准化算法，将所述量化结果进行绝对值转变为相对值的操作，得到所述各个答案对应的标准化结果；进一步根据熵值计算方法，对各个所述标准化结果进行熵值计算，得到各个问题的信息熵值；其中，所述信息熵值对不确定性信息的一种度量，可以衡量每个问题中有用信息的信息量，由此可以来代表每个问题的重要程度。

本发明实施例中，可以通过归一化算法根据各个问题的信息熵值来计算各个问题的标准权重值。

其中，标准权重值计算方法为：

其中，所述j为每份问卷的第j题；所述E_j为第j题的信息熵值；所述n为所述已填问卷中问题数量；所述i为第i个人的已填问卷。

本发明实施例中，当所述题型属性为问题选项无固定分数时，对所述各个问题的答案进行量化操作，得到量化结果，再将量化结果进行标准化处理，对各个所述标准化结果进行熵值计算，得到各个问题的信息熵值，根据各个问题的信息熵来制定权重，具有较好的数学依据，增加问卷中权重配置的准确性。

本发明实施例中，根据不同的题型属性选择不同的权重算法计算各个问题的标准权重值，使得各个问题权重值更加准确。

所述权重配置模块105，用于对所述各个问题的初始权重值、相关性及标准权重值进行乘积，得到目标权重；利用所述各个问题的目标权重，对所述各个问题进行权重配置，得到目标问卷。

本发明实施例中，将所述各个问题的初始权重值、相关性及标准权重值的乘积值作为各个问题的目标权重，充分考虑到问卷主题与问题的相似度、各个题目与基础信息的相关性、问题的不同题型属性，使得目标权重更加贴近问卷主题、贴合用户的实际情况、使用不同的题型属性，从而使得目标权重更加准确。

详细地，所述权重配置模块105，可以采用如下手段计算所述目标问卷的答卷得分，包括：

将所述各个问题的答案进行量化处理，得到答案向量；

获取预设评分规则中各个问题的标准答案向量；

计算所述答案向量与所述标准答案向量的相似度；

基于所述相似度及所述预设评分规则中映射评分，计算各个问题的原始分值；

根据所述各个问题的原始分值及所述各个问题的目标权重，计算所述目标问卷的答卷得分。

本发明实施例中，可以利用深度学习模型将将所述各个问题的答案进行量化处理，得到答案向量，所述标准答案向量的量化方法与所述答案向量的量化方法类似，不在此赘述。

本发明实施例中，可以利用常用的相似度算法计算所述答案向量与所述标准答案向量的相似度，例如杰卡德相似系数、余弦相似度等算法。

本发明实施例中所述评分规则中包含了一个或多个标准答案及每个标准答案关联的映射评分。

本发明实施例中，从问卷主题与问题的相似度、各个题目与基础信息的相关性、问题的不同题型属性3个维度对各个问题赋予权重，使得目标权重更加贴近问卷主题、贴合用户的实际情况、使用不同的题型属性，从而使得目标权重更加准确，得到的所述目标问卷的答卷得分更能体现调查问卷的准确性。

详细地，本发明实施例中所述问卷问题权重自适应生成装置100中所述的各模块在使用时采用与上述图1至图3中所述的问卷问题权重自适应生成方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。

如图5所示，是本发明一实施例提供的实现问卷问题权重自适应生成方法的电子设备的结构示意图。

所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如问卷问题权重自适应生成程序。

其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing Unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行问卷问题权重自适应生成程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。

所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如问卷问题权重自适应生成程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。

所述通信总线12可以是外设部件互连标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。

所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。

图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。

应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

所述电子设备1中的所述存储器11存储的问卷问题权重自适应生成程序是多个指令的组合，在所述处理器10中运行时，可以实现：

获取问卷主题及已填问卷，并识别所述已填问卷中各个问题的答案；

计算所述问卷主题与所述已填问卷中各个问题的相似度，将所述相似度作为对应问题的初始权重值；

获取所述已填问卷对应用户的基础信息，计算所述基础信息与所述各个问题的相关性；

识别所述已填问卷中所有问题的题型属性，根据所述题型属性从预设问卷权重算法集中选择目标权重算法，根据所述各个问题的答案，利用所述目标权重算法计算所述各个问题的标准权重值；

对所述各个问题的初始权重值、相关性及标准权重值进行乘积，得到目标权重；

利用所述各个问题的目标权重，对所述各个问题进行权重配置，得到目标问卷。

具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。

进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。

本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：

获取问卷主题及已填问卷，并识别所述已填问卷中各个问题的答案；

计算所述问卷主题与所述已填问卷中各个问题的相似度，将所述相似度作为对应问题的初始权重值；

获取所述已填问卷对应用户的基础信息，计算所述基础信息与所述各个问题的相关性；

识别所述已填问卷中所有问题的题型属性，根据所述题型属性从预设问卷权重算法集中选择目标权重算法，根据所述各个问题的答案，利用所述目标权重算法计算所述各个问题的标准权重值；

对所述各个问题的初始权重值、相关性及标准权重值进行乘积，得到目标权重；

利用所述各个问题的目标权重，对所述各个问题进行权重配置，得到目标问卷。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。

本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。

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限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种问卷问题权重自适应生成方法，其特征在于，所述方法包括：

获取问卷主题及已填问卷，并识别所述已填问卷中各个问题的答案；

计算所述问卷主题与所述已填问卷中各个问题的相似度，将所述相似度作为对应问题的初始权重值；

获取所述已填问卷对应用户的基础信息，计算所述基础信息与所述各个问题的相关性；

识别所述已填问卷中所有问题的题型属性，根据所述题型属性从预设问卷权重算法集中选择目标权重算法，根据所述各个问题的答案，利用所述目标权重算法计算所述各个问题的标准权重值；

对所述各个问题的初始权重值、相关性及标准权重值进行乘积，得到目标权重；

利用所述各个问题的目标权重，对所述各个问题进行权重配置，得到目标问卷。

2.如权利要求1所述的问卷问题权重自适应生成方法，其特征在于，所述计算所述问卷主题与所述已填问卷中各个问题的相似度，包括：

分别对所述问卷主题及所述已填问卷中各个问题进行分词，得到主题分词序列及问题分词序列集；

提取所述主题分词序列的主题特征向量；

提取所述问题分词序列集中所有问题分析序列的问题特征向量；

利用预设多层感知器网络分类器拟合所述主题特征向量及所述问题特征向量的相似度，得到所述问卷主题与所述已填问卷中各个问题的相似度。

3.如权利要求1所述的问卷问题权重自适应生成方法，其特征在于，所述计算所述基础信息与所述各个问题的相关性，包括：

提取所述各个问题的实体集；

将所述实体集中实体两两组合得到实体对集；

计算所述实体对集中所有实体对的后验概率，根据所述后验概率确定所述实体集的层级关系；

根据所述层级关系中不同实体的路径，计算所述基础信息与实体集的层级关系中任意一实体的相关性；

综合各个问题对应的所述实体集中所有的相关性，得到所述基础信息与所述各个问题的相关性。

4.如权利要求1所述的问卷问题权重自适应生成方法，其特征在于，所述根据所述题型属性从预设问卷权重算法集中选择目标权重算法，包括：

当所述题型属性为问题选项有固定分值时，从预设问卷权重算法集中选择预设变异系数问卷权重算法作为目标权重算法；

当所述题型属性为问题选项无固定分数时，从预设问卷权重算法集中选择预设信息熵问卷权重算法作为目标权重算法。

5.如权利要求4所述的问卷问题权重自适应生成方法，其特征在于，所述根据所述各个问题的答案，利用所述目标权重算法计算所述各个问题的标准权重值，包括：

当所述目标权重算法为预设变异系数问卷权重算法时，根据预设评分规则分析所述各个问题的答案，得到已填问卷的答案评分；

计算所述已填问卷的所有答案评分的均值及标准差；

根据所述标准差及所述均值，计算所述每个问题的答案评分的变异系数；

对所述变异系数进行归一化处理，得到标准权重值。

6.如权利要求4所述的问卷问题权重自适应生成方法，其特征在于，所述根据所述各个问题的答案，利用所述目标权重算法计算所述各个问题的标准权重值，还包括：

当所述目标权重算法为预设信息熵问卷权重算法时，根据所述各个问题的答案分布及预设的自定义量化策略，将所述各个问题的答案进行量化操作，得到量化结果；

利用数据标准化算法，将所述量化结果进行绝对值转变为相对值的操作，得到所述各个答案对应的标准化结果；

根据熵值计算方法，对各个所述标准化结果进行熵值计算，得到各个问题的信息熵值；

归一化所述各个问题的信息熵值，得到各个问题的标准权重值。

7.如权利要求1所述的问卷问题权重自适应生成方法，其特征在于，所述利用所述各个问题的目标权重，对所述各个问题进行权重配置，得到目标问卷之后，所述方法还包括：

将所述各个问题的答案进行量化处理，得到答案向量；

获取预设评分规则中各个问题的标准答案向量；

计算所述答案向量与所述标准答案向量的相似度；

基于所述相似度及所述预设评分规则中映射评分，计算各个问题的原始分值；

根据所述各个问题的原始分值及所述各个问题的目标权重，计算所述目标问卷的答卷得分。

8.一种问卷问题权重自适应生成装置，其特征在于，所述装置包括：

问卷获取模块，用于获取问卷主题及已填问卷，并识别所述已填问卷中各个问题的答案；

初始权重值计算模块，用于计算所述问卷主题与所述已填问卷中各个问题的相似度，将所述相似度作为对应问题的初始权重值；

相关性计算模块，用于获取所述已填问卷对应用户的基础信息，计算所述基础信息与所述各个问题的相关性；

标准权重值计算模块，用于识别所述已填问卷中所有问题的题型属性，根据所述题型属性从预设问卷权重算法集中选择目标权重算法，根据所述各个问题的答案，利用所述目标权重算法计算所述各个问题的标准权重值；

权重配置模块，用于对所述各个问题的初始权重值、相关性及标准权重值进行乘积，得到目标权重；利用所述各个问题的目标权重，对所述各个问题进行权重配置，得到目标问卷。

9.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的问卷问题权重自适应生成方法。

10.一种计算机可读存储介质，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如权利要求1至7中任意一项所述的问卷问题权重自适应生成方法。

Images