CN117435897A - 项目方案评估方法、装置、设备及存储介质 - Google Patents

项目方案评估方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN117435897A
CN117435897A CN202311394276.8A CN202311394276A CN117435897A CN 117435897 A CN117435897 A CN 117435897A CN 202311394276 A CN202311394276 A CN 202311394276A CN 117435897 A CN117435897 A CN 117435897A
Authority
CN
China
Prior art keywords
evaluation
project
information
model
index
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202311394276.8A
Other languages
English (en)
Inventor
任陆平
陈璐璐
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.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
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 Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN202311394276.8A priority Critical patent/CN117435897A/zh
Publication of CN117435897A publication Critical patent/CN117435897A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开提供了一种项目方案评估方法、装置、设备及存储介质，可以应用于大数据领域、人工智能领域、机器学习技术领域和金融科技领域。该方法包括：获取与待评估的项目方案相关的评估指标；利用处理器调用项目评估模型处理评估指标，得到评估信息，其中，项目评估模型是基于强化学习策略，利用奖励信息对预训练的初始项目评估模型进行训练后得到的，奖励信息是基于初始项目评估模型输出的预测评估信息确定的；以及基于评估信息，在交互界面中生成与项目方案的重要性程度相关的评估结果。

Description

项目方案评估方法、装置、设备及存储介质
技术领域
本公开涉及人工智能领域、大数据领域、机器学习技术领域和金融科技领域，更具体地涉及一种项目方案评估方法、装置、设备及存储介质。
背景技术
业务需求(或称业务需求方案、项目方案)通常由业务部门口头传达或者通过办公自动化(Office Automation，简称OA)平台传达的方式提出，相关人员可以根据收到的需求内容制作业务需求清单，但是随着需求清单中内容的数量增多，导致针对业务需求清单的处理成本较高、处理效率较低，同时由于业务需求内容的重要性通常由业务部门用户或需求处理用户通过文字描述、重要性标识等对项目方案进行标注，难以准确地评估项目方案的重要性程度，难以满足用户需求。
发明内容
鉴于上述问题，本公开提供了一种项目方案评估方法、装置、设备、存储介质和程序产品。
根据本公开的第一个方面，提供了一种项目方案评估方法，包括：获取与待评估的项目方案相关的评估指标；
利用处理器调用项目评估模型处理上述评估指标，得到评估信息，其中，上述项目评估模型是基于强化学习策略，利用奖励信息对预训练的初始项目评估模型进行训练后得到的，上述奖励信息是基于上述初始项目评估模型输出的预测评估信息确定的；以及
基于上述评估信息，在交互界面中生成与上述项目方案的重要性程度相关的评估结果。
根据本公开的实施例，上述方法还包括：
获取与上述评估指标对应的样本评估指标；
获取上述初始项目评估模型和预训练的奖励模型，上述奖励模型与上述初始项目评估模型相关联；
将上述样本评估指标输入至上述初始项目评估模型，输出上述预测评估信息；
将上述预测评估信息和上述样本评估指标输入至上述奖励模型，输出与上述预测评估信息对应的上述奖励信息；以及
根据上述奖励信息训练上述初始项目评估模型，得到上述项目评估模型。
根据本公开的实施例，上述根据上述奖励信息训练上述初始项目评估模型，得到上述项目评估模型包括：
根据上述奖励信息确定与上述样本评估指标相关的折扣回报信息；
基于与上述初始项目评估模型相对应的目标优化函数处理上述折扣回报信息，得到优化后的模型参数；以及
根据上述模型参数更新上述初始项目评估模型的初始模型参数，得到上述项目评估模型。
根据本公开的实施例，上述利用处理器调用项目评估模型处理上述评估指标，得到评估信息包括：
利用上述处理器调用与上述评估指标相对应的项目评估模型；
将上述评估指标输入至上述项目评估模型，输出中间评估信息；以及
根据与上述项目评估模型对应的修正因子更新上述中间评估信息，得到上述目标评估信息；
其中，上述修正因子是基于如下方式得到的，上述方式包括：
将获得到的验证评估指标输入至上述项目评估模型，输出验证评估信息；
根据与上述验证评估指标对应的标签和上述验证评估信息，确定上述项目评估模型的预测准确率；以及
根据上述预测准确率，确定上述修正因子。
根据本公开的实施例，上述方法还包括：
针对获得到的样本初始评估指标集，确定与上述样本初始评估指标集中的样本初始评估指标相关联的指标信息增益数据；以及
根据上述指标信息增益数据，从上述样本初始评估指标集中确定上述样本评估指标。
根据本公开的实施例，上述基于上述评估信息，在交互界面中生成与上述项目方案的重要性程度相关的评估结果包括：
在上述交互界面中生成与上述项目方案对应的评估结果图标，其中，上述评估结果图标具有与上述评估信息相对应的目标显示属性，上述评估结果包括上述评估结果图标。
根据本公开的实施例，上述项目方案包括多个，多个上述项目方案与至少一个上述评估信息相关联；
其中，上述基于上述评估信息，在交互界面中生成与上述项目方案的重要性程度相关的评估结果还包括：
基于多个上述评估信息各自表征的评估值，确定与多个上述评估结果各自对应的排列位置信息；以及
根据多个上述排列位置信息，在上述交互界面中生成多个上述项目方案各自对应的评估结果。
根据本公开的实施例，上述项目评估模型基于以下至少一项算法构建得到：
梯度提升决策树算法、极端梯度上升算法、多层感知机算法。
根据本公开的实施例，上述评估指标包括以下至少一项：
项目需求类型指标、项目资源收益指标、项目资源投入指标、项目审核周期指标。
本公开的第二方面提供了一种项目方案评估装置，包括：
评估指标获取模块，用于获取与待评估的项目方案相关的评估指标。
评估指标处理模块，用于利用处理器调用项目评估模型处理上述评估指标，得到评估信息，其中，上述项目评估模型是基于强化学习策略，利用奖励信息对预训练的初始项目评估模型进行训练后得到的，上述奖励信息是基于上述初始项目评估模型输出的预测评估信息确定的。
评估结果生成模块，用于基于上述评估信息，在交互界面中生成与上述项目方案的重要性程度相关的评估结果。
本公开的第三方面提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，其中，当上述一个或多个程序被上述一个或多个处理器执行时，使得一个或多个处理器执行上述项目方案评估方法。
本公开的第四方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述项目方案评估方法。
本公开的第方面还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项目方案评估方法。
根据本公开提供的一种项目方案评估方法、装置、设备及存储介质，通过基于强化学习策略并利用奖励信息来对预训练的初始项目评估模型进行训练，可以使得到的训练后的的项目评估模型充分学习到项目指标对于项目方案的重要性程度的影响程度，从而进一步提升针对项目方案的重要性程度的评估准确性，通过处理器调用项目评估模型来处理评估指标，可以使项目评估模型对项目方案的重要性进行精准评估，从而使评估信息可以提升针对项目方案的重要性评估的准确性，使用户通过根据评估信息生成的评估结果来快速地、准确地了解项目方案的重要性程度，避免通过简单标注、文字描述等方式来对项目方案进行重要性评估产生的准确性较低、可靠性较差等问题，提升实现自动化地、准确地评估项目方案的重要性，进而便于用户根据评估结果制定项目方案的实施计划，帮助用户更合理的规划项目方案的整体实施安排提升项目方案实施效率，提升用户体验。
附图说明
通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：
图1示意性示出了根据本公开实施例的项目方案评估方法、装置、设备及存储介质的应用场景图；
图2示意性示出了根据本公开实施例的项目方案评估方法的流程图；
图3示意性示出了根据本公开实施例的确定项目评估模型的原理图；
图4示意性示出了根据本公开实施例的评估结果图标的显示图；
图5示意性示出了根据本公开实施例的项目方案评估装置的结构框图；以及
图6示意性示出了根据本公开实施例的适于实现项目方案评估方法的电子设备的方框图。
具体实施方式
以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
随着科技的飞速发展，在制定需求工作计划的过程中，传统的提出业务需求的方式(口头传达或OA传达)已经满足不了业务部门协同发展的需要，如何在有限的资源内合理排期和规划需求方案，是亟需解决的问题。
有鉴于此，本公开的实施例提供了一种项目方案评估方法，包括：获取与待评估的项目方案相关的评估指标；利用处理器调用项目评估模型处理评估指标，得到评估信息，其中，项目评估模型是基于强化学习策略，利用奖励信息对预训练的初始项目评估模型进行训练后得到的，奖励信息是基于初始项目评估模型输出的预测评估信息确定的；以及基于评估信息，在交互界面中生成与项目方案的重要性程度相关的评估结果。
根据本公开提供的一种项目方案评估方法、装置、设备及存储介质，通过基于强化学习策略并利用奖励信息来对预训练的初始项目评估模型进行训练，可以使得到的训练后的的项目评估模型充分学习到项目指标对于项目方案的重要性程度的影响程度，从而进一步提升针对项目方案的重要性程度的评估准确性，通过处理器调用项目评估模型来处理评估指标，可以使项目评估模型对项目方案的重要性进行精准评估，从而使评估信息可以提升针对项目方案的重要性评估的准确性，使用户通过根据评估信息生成的评估结果来快速地、准确地了解项目方案的重要性程度，避免通过简单标注、文字描述等方式来对项目方案进行重要性评估产生的准确性较低、可靠性较差等问题，提升实现自动化地、准确地评估项目方案的重要性，进而便于用户根据评估结果制定项目方案的实施计划，帮助用户更合理的规划项目方案的整体实施安排提升项目方案实施效率，提升用户体验。
在本发明的技术方案中，所涉及的用户信息(包括但不限于用户个人信息、用户图像信息、用户设备信息，例如位置信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，并且相关数据的收集、存储、使用、加工、传输、提供、公开和应用等处理，均遵守相关国家和地区的相关法律法规和标准，采取了必要保密措施，不违背公序良俗，并提供有相应的操作入口，供用户选择授权或者拒绝。
需要说明的是，本公开提供的项目方案评估方法和项目方案评估装置可用于金融领域，例如银行等金融机构，也可用于除金融领域之外的任意领域，例如人工智能等领域，因此，本公开提供的项目方案评估方法和项目方案评估装置的应用领域不做限定。
图1示意性示出了根据本公开实施例的项目评估方案方法的应用场景图。
如图1所示，根据该实施例的应用场景100可以包括终端设备101、102、103、网络104、服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是，本公开实施例所提供的项目方案评估方法一般可以由服务器105执行。相应地，本公开实施例所提供的项目方案评估装置一般可以设置于服务器105中。本公开实施例所提供的项目方案评估方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的项目方案评估装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
以下将基于图1描述的场景，通过图2～图4对公开实施例的项目方案评估方法进行详细描述。
图2示意性示出了根据本公开实施例的项目方案评估方法的流程图。
如图2所示，该实施例的项目方案评估方法包括操作S210～操作S230。
在操作S210，获取与待评估的项目方案相关的评估指标。
根据本公开的实施例，评估指标可以是指示待评估的项目方案的重要程度的数据，例如项目收益、项目投资等等，评估指标可以起到支撑项目方案内部协同发展的重要作用。
在操作S220，利用处理器调用项目评估模型处理评估指标，得到评估信息。
根据本公开的实施例，项目评估模型是基于强化学习策略，利用奖励信息对预训练的初始项目评估模型进行训练后得到的，奖励信息是基于初始项目评估模型输出的预测评估信息确定的。
根据本公开的实施例，项目评估模型可以包括机器学习模型，例如GBDT(GradientBoosting Decision Tree，梯度提升决策树)模型、Xgboost(EXtreme Gradient Boosting，极度梯度提升树)模型、MLP(Multilayer Perceptron，多层感知机)模型等等，但不仅限于此，还可以包括其他类型的机器学习模型，本公开的实施例对项目评估模型的具体类型不做限定。
根据本公开的实施例，强化学习策略可以基于环境的反馈(奖励信息)而行动，通过不断与环境的交互、试错，最终完成特定目的或者使得整体行动收益最大化。强化学习策略可以在没有训练数据的标签的条件下，通过将模型输出的行动(预测评估信息)输入至对应的环境(例如奖励模型)来获取奖励信息，例如正面的奖励信息，或反面的奖励信息(惩罚)从而量化模型的训练效果，基于奖励信息反馈可以不断调整被训练对象(初始项目评估模型)的行为(预测评估信息)，从而提升初始项目评估模型的预测精度，使得到的项目评估模型更加精准地预测与项目方案的重要性相关的评估信息。
根据本公开的实施例，可以基于强化学习策略，利用基于初始项目评估模型输出的预测评估信息，得到奖励信息，从而利用得到的奖励信息对预训练的初始项目评估模型进行训练，最终可以得到项目评估模型，根据项目评估模型处理评估指标，得到评估信息，从而可以利用基于强化学习训练得到的项目评估模型来快速地、自动化地得到表征项目方案的重要程度的评估信息，提升针对项目方案重要性分析的效率。此外，还可以基于预设的规则，自动地或手动的基于强化学习策略，利用奖励信息对预训练的项目评估模型进行再次训练，以便于迭代地提升项目评估模型的预测准确性。
在操作S230，基于评估信息，在交互界面中生成与项目方案的重要性程度相关的评估结果。
根据本公开的实施例，评估结果可以包括分数、图标、项目方案的排序结果等，本公开的实施例对生成的评估结果的具体展示形式不做限定。
根据本公开的实施例，可以对生成与多个项目方案各自相关的评估结果进行重要性排序，例如，分数的高低可以显示其重要性的程度，分数越高，其重要性越高等等，但不仅限于此，本公开的实施例对重要性排序的方式不做限定。
根据本公开的实施例，项目方案可以包括一个方案，也可以包括多个方案，在此，本公开的实施例对项目方案的具体个数不做限定。基于评估信息，在交互界面中可以生成与项目方案相关的评估结果。
根据本公开的实施例，可以通过使用强化学习策略，得到评估信息，在得到评估信息的过程中，使得精度有所提高，有利于后续生成更准确的评估结果。通过对项目方案重要性的评估，提高了后续项目实施的效率。
根据本公开的实施例，项目方案评估方法还包括：获取与评估指标对应的样本评估指标；获取初始项目评估模型和预训练的奖励模型，奖励模型与初始项目评估模型相关联；将样本评估指标输入至初始项目评估模型，输出预测评估信息；将预测评估信息和样本评估指标输入至奖励模型，输出与预测评估信息对应的奖励信息；以及根据奖励信息训练初始项目评估模型，得到项目评估模型。
图3示意性示出了根据本公开实施例的确定项目评估模型的原理图。
如图3所示，可以将样本评估指标输入至初始项目评估模型301中，输出预测评估信息302；将预测评估信息302和样本评估指标输入至奖励模型303，输出与预测评估信息对应的奖励信息304；以及根据奖励信息304训练初始项目评估模型301，得到项目评估模型305。
根据本公开的实施例，样本评估指标可以包括多阶段的样本评估指标，预测评估信息可以包括多阶段的预测评估信息。在此，本公开的实施例对样本评估指标和预测评估信息是否为多阶段不做限定。
根据本公开的实施例，可以基于强化学习策略，利用奖励信号调整参数，根据预测的评估信息和样本评估指标输入到奖励模型可以得到奖励信息，利用奖励信息训练初始项目评估模型，得到项目评估模型。
根据本公开的实施例，为强化学习系统创建一个奖励模型，给需求价值测算模型(初始项目评估模型)输入需求价值测算的相关指标(样本评估指标)，并让它生成几个需求价值(预测评估信息)。根据是否符合实际情况对生成的需求价值进行从最好到最差的排序。然后，训练奖励模型来预测需求的价值(预测评估信息)。通过训练需求价值模型(初始项目评估模型)输出的需求价值和排名分数。通过最大化预期奖励来调整模型的策略，使模型在选择行为时更倾向于选择可以得到更高奖励的行为。在每个训练集中，需求价值测算模型获取相关指标并生成需求价值。然后，它的输出被传递给奖励模型，奖励模型提供一个分数来评估偏好的一致性。需求价值测算模型随后被更新(项目评估模型)，以创建在奖励模型中得分更高的输出。
根据本公开的实施例，评估指标包括以下至少一项：项目需求类型指标、项目资源收益指标、项目资源投入指标、项目审核周期指标。
根据本公开的实施例，评估指标可以包括项目需求类型指标、项目资源收益指标、项目资源投入指标、项目审核周期指标等等，但不仅限于此，本公开的实施例对评估指标的具体类型不做限定，只要能够应用于项目方案中即可。
根据本公开的实施例，由项目需求类型指标所得到的评估结果可以用于评估项目方案的需求价值，降低用户的管理成本，更合理的规划整体工作安排，提高工作效率。
根据本公开的实施例，由项目资源收益指标所得到的评估结果可以用于评估项目方案的资源收益价值，以便用户更加及时的调整项目策略方针，提高了项目方案的资源收益率。
根据本公开的实施例，由项目资源投入指标所得到的评估结果可以用于评估项目方案的资源投入量是否合适，降低资源消耗。
根据本公开的实施例，由项目审核周期指标所得到的评估结果可以用于评估项目方案管理的适配性，为管理项目提供了基本框架。
根据本公开的实施例，项目评估模型基于以下至少一项算法构建得到：梯度提升决策树算法、极端梯度上升算法、多层感知机算法。
根据本公开的实施例，可以通过梯度提升决策树算法构建项目评估模型，从而得到项目方案的评估信息，使用梯度提升决策树算法，可以提高训练的效率，其泛化能力也更好。
根据本公开的实施例，可以通过极端梯度上升算法构建项目评估模型，从而得到项目方案的评估信息，使用极端梯度上升算法，可以降低模型的误差，避免数据过拟合的问题，提高了预测评估信息的正确率。
根据本公开的实施例，可以通过多层感知机算法构建项目评估模型，从而得到项目方案的评估信息，使用多层感知机算法，可以处理更复杂的任务包括非线性关系的问题，具有较强的表达能力，在训练大规模数据集上也具有更好的性能。
根据本公开的实施例，根据奖励信息训练初始项目评估模型，得到项目评估模型包括：根据奖励信息确定与样本评估指标相关的折扣回报信息；基于与初始项目评估模型相对应的目标优化函数处理折扣回报信息，得到优化后的模型参数；以及根据模型参数更新初始项目评估模型的初始模型参数，得到项目评估模型。
根据本公开的实施例，折扣回报信息可以衡量在一个决策过程中累计的奖励值，如公式(1)所示：
ui＝ri+γ.ri+1+γ2.ri+2+…+γn-i.rn (1)
其中，ui表示为折扣回报信息，γ表示为折扣因子，rn表示为在第n个阶段时的即时奖励(奖励信息)。
根据本公开的实施例，可以根据奖励信息确定与样本评估指标相关的折扣回报信息，基于与初始项目评估模型相对应的目标优化函数处理折扣回报信息，其中，目标优化函数公式如(2)所示：
其中，si可以表示为多阶段的样本评估指标，ai可以表示为多阶段的预测评估信息，ui表示为折扣回报信息。
根据本公开的实施例，构造L(θ|θold)近似J(θ)，在最大化的过程中可以用范数作为约束条件，也可以用于参数θ和θold的KL散度(Kullback-Leibler divergence)来作为约束条件。
根据本公开的实施例，将折扣回报信息输入梯度下降算法可以得到模型参数θ，找到最大θ值，更新初始模型参数，最大θ值公式如(3)所示：
根据本公开的实施例，在更新初始模型参数时，可以通过一次迭代或者多次迭代得到最大θ值，在此，本公开实施例对迭代次数不做限定。在更新初始模型参数后，可以通过更新后的初始模型参数值得到项目评估模型。
根据本公开的实施例，目标优化函数可以包括：最大化采样奖励的期望和更新后的策略和原始策略之间限制KL散度的大小。通过使用目标优化函数处理折扣回报信息，不断迭代，提高了策略的性能。
根据本公开的实施例，项目方案评估方法还可以包括：针对获得到的样本初始评估指标集，确定与样本初始评估指标集中的样本初始评估指标相关联的指标信息增益数据；以及根据指标信息增益数据，从样本初始评估指标集中确定样本评估指标。
根据本公开的实施例，样本初始评估指标集可以包括任意类型的项目方案指标，例如项目需求类型指标、项目业务核心指标、项目运营体系指标、项目标签指标、项目研发人力资源指标等等，但不仅限于此，本公开的实施例对样本初始评估指标集的具体类型不做限定。样本初始评估指标集中的相关指标越多，所包含的信息特征量越多，信息特征量可以包括评估要素选取客户体量、交易量、需投入人次天数等，但不仅限于此，本公开实施例对所包含的信息的特征量不做限定。
根据本公开的实施例，信息特征量可以包括应用个数、单个应用规模、物理表个数等可量化的指标，需要对其进行价值测算，以需求项“安心账户接口调整”为例，1、是否涉及项目重点战略：通过对项目背景进行文本分词，与0个重点战略相匹配，赋值为0；2、是否涉及痛点问题：该需求项解决了痛点问题，赋值为1；3、监管报送时间要求(1个月、3个月、半年、一年、无时间要求分别赋值为1、2、3、4、5)等等，对于信息特征量的赋值越大，则表征该特征越重要。
根据本公开的实施例，可以对于评估指标价值测算数据缺失值进行填补，对各个评估价值测算指标的量纲进行标准化处理。缺失值填补可以使用测算数据均值或中值等方式进行填补，降低不必要的误差。标准化量纲可以包括归一化处理，归一化处理可以包括将不同量纲的数值转化为(0，1)，使用标准化量纲的方法可以提高数据的质量。
根据本公开的实施例，对于样本初始评估指标集中的信息特征量会有重叠，并且还需去除一些不重要的特征，当对信息特征量进行信息增益后，所得到的可以包括与样本初始评估指标集中的样本初始评估指标相关联的指标信息增益数据。
根据本公开的实施例，可以根据指标信息增益数据，从样本初始评估指标集中确定样本评估指标，从而可以提高模型的泛化能力。
根据本公开的实施例，信息增益可以用来评估一个特征对决策树分类能力的重要性指标，一个特征能够为分类系统带来的信息越多，相应的信息增益也越大。
根据本公开的实施例，特征A对样本集D的信息增益可以等于样本集D的信息熵(H(D))与特征A条件下的条件熵(H(D|A))之差，即：Gain(D，A)＝H(D)-H(D|A)。
其中，信息熵H(D)可以表征样本集D的不确定性，信息熵越大，样本集的不确定性就越高，特征A条件下的条件熵(H(D|A))可以表征在特征A给定的情况下，样本集D的不确定性。如果特征A对分类任务有帮助，则H(D|A)会比H(D)小，因此，信息增益越大，特征对分类能力的贡献就越大。通过计算信息增益可以确定每个特征的重要性，从而选择最相关的特征。
根据本公开的实施例，可以通过决策树模型，基于信息增益去除样本初始评估指标集相关程度低的特征，设置相关系数阈值，将与相关系数低于阈值的变量去除，进行特征筛选，从而使模型的泛化能力得到提高。
图4示意性示出了根据本公开实施例的评估结果图标的显示图。
如图4所示，该实施例的评估结果图标的显示图包括底纹结果图标410、形状结果图标420、颜色结果图标430。
根据本公开的实施例，可以基于项目方案的评估信息，在交互界面中生成与项目方案的重要性程度相关的评估结果。其中，评估结果可以包括在交互界面中生成与项目方案对应的评估结果图标。评估结果图标具有与评估信息相对应的目标显示属性，目标显示属性可以包括底纹、形状、颜色等，但不仅限于此，本公开的实施例对目标显示属性的具体形式不做限定。
根据本公开的实施例，评估结果可以包括评估结果图标，对于一个评估结果内的评估结果图标可以包括多个不同的样式，不同的样式可以表示评估信息重要性的不同，例如，对于颜色结果图标可以显示为黑色、白色和灰色，其颜色越深，可以表示该评估信息越重要，但不仅限于此，本公开的实施例对评估结果图标的具体方式不做限定。
根据本公开的实施例，通过在交互界面设置评估结果图标，有利于直观显示评估信息的重要性，提高可读性，以便于有效指导资源规划和配置。
根据本公开的实施例，利用处理器调用项目评估模型处理评估指标，得到评估信息包括：利用所述处理器调用与所述评估指标相对应的项目评估模型；将评估指标输入至项目评估模型，输出中间评估信息；以及根据与项目评估模型对应的修正因子更新中间评估信息，得到目标评估信息；其中，修正因子是基于如下方式得到的，方式包括：将获得到的验证评估指标输入至项目评估模型，输出验证评估信息；根据与验证评估指标对应的标签和验证评估信息，确定项目评估模型的预测准确率；以及根据预测准确率，确定修正因子。
根据本公开的实施例，评估指标可以输入到项目评估模型，从而输出中间评估信息。根据与项目评估模型对应的修正因子可以更新中间评估信息，得到目标评估信息。可以通过训练集得到项目评估模型，通过验证集得到修正因子，最终可以通过项目评估模型和修正因子对预测集数据对应的中间评估信息进行更新，得到目标评估信息。目标评估信息计算公式(4)如下所示：
目标评估信息＝项目评估模型*修正因子 (4)
根据本公开的实施例，可以将用于评价指标内的信息特征量等变量数据分割为训练数据集、验证数据集、测试数据集，已投产的评价指标按比例8∶2分为训练集和验证集，未投产的评价指标作为预测集。其次，可以选择神经网络等机器学习模型，也可以选择决策树等模型，但不仅限于此，本公开实施例对项目评估模型不做限定。
根据本公开的实施例，可以通过训练集训练项目评估模型，验证集验证模型的准确率，不断调整模型参数，最终确定使得验证集中需求价值预测准确率最高的参数。
根据本公开的实施例，修正因子的获取方式可以包括将获得到的验证评估指标输入到项目评估模型，输出验证评估信息，可以根据与验证评估指标对应的标签和验证评估信息，确定项目评估模型的预测准确率，根据预测的准确率，确定修正因子。
根据本公开的实施例，项目方案包括多个，多个项目方案与至少一个评估信息相关联；其中，基于评估信息，在交互界面中生成与项目方案的重要性程度相关的评估结果还包括：基于多个评估信息各自表征的评估值，确定与多个评估结果各自对应的排列位置信息；以及根据多个排列位置信息，在交互界面中生成多个项目方案各自对应的评估结果。
根据本公开的实施例，项目方案可以包括多个，多个项目方案至少与一个评估信息相关联，在交互界面中多个项目方案基于评估信息可以生成相关的评估结果。基于多个评估信息各自表征的评估值，可以将多个评估结果各自对应的项目方案进行排序，可以将生成的评估值进行最高到最低的排序，评估值和项目方案可以一一对应。最终，可以根据多个排列位置信息，在交互界面中显示生成的与多个项目方案所对应的评估结果。
根据本公开的实施例，可以按照多个评估结果所显示的重要性排序，提升项目的规划效率，进而更合理的规划整体工作安排，有效指导资源规划及配置。
基于上述项目方案评估方法，本公开还提供了一种项目方案评估装置。以下将结合图5对该装置进行详细描述。
图5示意性示出了根据本公开实施例的项目方案评估装置的结构框图。
如图5所示，该实施例的项目方案评估装置500包括评估指标获取模块510、评估指标处理模块520和评估结果生成模块530。
评估指标获取模块510，用于获取与待评估的项目方案相关的评估指标。
评估指标处理模块520，用于利用处理器调用项目评估模型处理评估指标，得到评估信息，其中，项目评估模型是基于强化学习策略，利用奖励信息对预训练的初始项目评估模型进行训练后得到的，奖励信息是基于初始项目评估模型输出的预测评估信息确定的。
评估结果生成模块530，用于基于评估信息，在交互界面中生成与项目方案的重要性程度相关的评估结果。
根据本公开的实施例，项目方案评估装置，还包括：样本评估指标获取模块、奖励模型获取模块、预测评估信息输出模块、奖励信息输出模块和训练模块。
样本评估指标获取模块，用于获取与评估指标对应的样本评估指标。
奖励模型获取模块，用于获取初始项目评估模型和预训练的奖励模型，奖励模型与初始项目评估模型相关联。
预测评估信息输出模块，用于将样本评估指标输入至初始项目评估模型，输出预测评估信息。
奖励信息输出模块，用于将预测评估信息和样本评估指标输入至奖励模型，输出与预测评估信息对应的奖励信息。
训练模块，用于根据奖励信息训练初始项目评估模型，得到项目评估模型。
根据本公开的实施例，训练模块包括：折扣回报信息确定单元、模型参数优化单元和初始模型参数更新单元。
折扣回报信息确定单元，用于根据奖励信息确定样本评估指标相关的折扣回报信息。
模型参数优化单元，用于基于与初始项目评估模型相对应的目标优化函数处理折扣回报信息，得到优化后的模型参数。
初始模型参数更新单元，用于根据模型参数更新初始项目评估模型的初始模型参数，得到项目评估模型。
根据本公开的实施例，评估指标处理模块包括：调用单元、中间评估信息输出单元和目标评估信息确定单元。
调用单元，用于利用处理器调用与评估指标相对应的项目评估模型。
中间评估信息输出单元，用于将评估指标输入至项目评估模型，输出中间评估信息。
目标评估信息确定单元，用于根据与项目评估模型对应的修正因子更新中间评估信息，得到目标评估信息，其中，修正因子是基于如下方式得到的，方式包括：将获得到的验证评估指标输入至项目评估模型，输出验证评估信息；根据与验证评估指标对应的标签和验证评估信息，确定项目评估模型的预测准确率；以及根据预测准确率，确定修正因子。
根据本公开的实施例，项目方案评估装置还包括：信息增益数据确定模块和样本评估指标确定模块。
信息增益数据确定模块，用于针对获得到的样本初始评估指标集，确定与样本初始评估指标集中的样本初始评估指标相关联的指标信息增益数据。
样本评估指标确定模块，用于根据指标信息增益数据，从样本初始评估指标集中确定样本评估指标。
根据本公开的实施例，评估结果生成模块包括：评估结果图标生成单元。
评估结果图标生成单元，用于在交互界面中生成与项目方案对应的评估结果图标，其中，评估结果图标具有与评估信息相对应的目标显示属性，评估结果包括评估结果图标。
根据本公开的实施例，项目方案包括多个，多个项目方案与至少一个评估信息相关联。
根据本公开的实施例，评估结果生成模块包括：排列位置确定单元和评估结果生成单元。
排列位置确定单元，用于基于多个评估信息各自表征的评估值，确定与多个评估结果各自对应的排列位置信息。
评估结果生成单元，用于根据多个排列位置信息，在交互界面中生成多个项目方案各自对应的评估结果。
根据本公开的实施例，项目评估模型基于以下至少一项算法构建得到：梯度提升决策树算法、极端梯度上升算法、多层感知机算法。
根据本公开的实施例，评估指标包括以下至少一项：项目需求类型指标、项目资源收益指标、项目资源投入指标、项目审核周期指标。
根据本公开的实施例，评估指标获取模块510、评估指标处理模块520、评估结果生成模块530中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，评估指标获取模块510、评估指标处理模块520、评估结果生成模块530中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，评估指标获取模块510、评估指标处理模块520、评估结果生成模块530、中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
图6示意性示出了根据本公开实施例的适于实现项目方案评估方法的电子设备的方框图。
如图6所示，根据本公开实施例的电子设备600包括处理器601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。处理器601例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))等等。处理器601还可以包括用于缓存用途的板载存储器。处理器601可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 603中，存储有电子设备600操作所需的各种程序和数据。处理器601、ROM602以及RAM 603通过总线604彼此相连。处理器601通过执行ROM 602和/或RAM 603中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 602和RAM 603以外的一个或多个存储器中。处理器601也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例，电子设备600还可以包括输入/输出(I/O)接口605，输入/输出(I/O)接口605也连接至总线604。电子设备600还可以包括连接至I/O接口605的以下部件中的一项或多项：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。
本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。
根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 602和/或RAM 603和/或ROM 602和RAM 603以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的项目方案评估方法。
在该计算机程序被处理器601执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分609被下载和安装，和/或从可拆卸介质611被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被处理器601执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (11)

1.一种项目方案评估方法，包括：
获取与待评估的项目方案相关的评估指标；
利用处理器调用项目评估模型处理所述评估指标，得到评估信息，其中，所述项目评估模型是基于强化学习策略，利用奖励信息对预训练的初始项目评估模型进行训练后得到的，所述奖励信息是基于所述初始项目评估模型输出的预测评估信息确定的；以及
基于所述评估信息，在交互界面中生成与所述项目方案的重要性程度相关的评估结果。
2.根据权利要求1所述的方法，还包括：
获取与所述评估指标对应的样本评估指标；
获取所述初始项目评估模型和预训练的奖励模型，所述奖励模型与所述初始项目评估模型相关联；
将所述样本评估指标输入至所述初始项目评估模型，输出所述预测评估信息；
将所述预测评估信息和所述样本评估指标输入至所述奖励模型，输出与所述预测评估信息对应的所述奖励信息；以及
根据所述奖励信息训练所述初始项目评估模型，得到所述项目评估模型。
3.根据权利要求2所述的方法，其中，所述根据所述奖励信息训练所述初始项目评估模型，得到所述项目评估模型包括：
根据所述奖励信息确定与所述样本评估指标相关的折扣回报信息；
基于与所述初始项目评估模型相对应的目标优化函数处理所述折扣回报信息，得到优化后的模型参数；以及
根据所述模型参数更新所述初始项目评估模型的初始模型参数，得到所述项目评估模型。
4.根据权利要求1所述的方法，其中，所述利用处理器调用项目评估模型处理所述评估指标，得到评估信息包括：
利用所述处理器调用与所述评估指标相对应的项目评估模型；
将所述评估指标输入至所述项目评估模型，输出中间评估信息；以及
根据与所述项目评估模型对应的修正因子更新所述中间评估信息，得到所述目标评估信息；
其中，所述修正因子是基于如下方式得到的，所述方式包括：
将获得到的验证评估指标输入至所述项目评估模型，输出验证评估信息；
根据与所述验证评估指标对应的标签和所述验证评估信息，确定所述项目评估模型的预测准确率；以及
根据所述预测准确率，确定所述修正因子。
5.根据权利要求1所述的方法，还包括：
针对获得到的样本初始评估指标集，确定与所述样本初始评估指标集中的样本初始评估指标相关联的指标信息增益数据；以及
根据所述指标信息增益数据，从所述样本初始评估指标集中确定所述样本评估指标。
6.根据权利要求1所述的方法，其中，所述基于所述评估信息，在交互界面中生成与所述项目方案的重要性程度相关的评估结果包括：
在所述交互界面中生成与所述项目方案对应的评估结果图标，其中，所述评估结果图标具有与所述评估信息相对应的目标显示属性，所述评估结果包括所述评估结果图标。
7.根据权利要求1所述的方法，其中，所述项目方案包括多个，多个所述项目方案与至少一个所述评估信息相关联；
其中，所述基于所述评估信息，在交互界面中生成与所述项目方案的重要性程度相关的评估结果还包括：
基于多个所述评估信息各自表征的评估值，确定与多个所述评估结果各自对应的排列位置信息；以及
根据多个所述排列位置信息，在所述交互界面中生成多个所述项目方案各自对应的评估结果。
8.根据权利要求1所述的方法，其中，所述评估指标包括以下至少一项：
项目需求类型指标、项目资源收益指标、项目资源投入指标、项目审核周期指标。
9.一种项目方案评估装置，包括：
评估指标获取模块，用于获取与待评估的项目方案相关的评估指标。
评估指标处理模块，用于利用处理器调用项目评估模型处理所述评估指标，得到评估信息，其中，所述项目评估模型是基于强化学习策略，利用奖励信息对预训练的初始项目评估模型进行训练后得到的，所述奖励信息是基于所述初始项目评估模型输出的预测评估信息确定的。
评估结果生成模块，用于基于所述评估信息，在交互界面中生成与所述项目方案的重要性程度相关的评估结果。
10.一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行根据权利要求1～8中任一项所述的方法。
11.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行根据权利要求1～8中任一项所述的方法。
CN202311394276.8A 2023-10-25 2023-10-25 项目方案评估方法、装置、设备及存储介质 Pending CN117435897A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311394276.8A CN117435897A (zh) 2023-10-25 2023-10-25 项目方案评估方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311394276.8A CN117435897A (zh) 2023-10-25 2023-10-25 项目方案评估方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN117435897A true CN117435897A (zh) 2024-01-23

Family

ID=89554717

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311394276.8A Pending CN117435897A (zh) 2023-10-25 2023-10-25 项目方案评估方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN117435897A (zh)

Similar Documents

Publication Publication Date Title
Alfaro-Navarro et al. A fully automated adjustment of ensemble methods in machine learning for modeling complex real estate systems
US20180240041A1 (en) Distributed hyperparameter tuning system for machine learning
CN106095942B (zh) 强变量提取方法及装置
Smith Modelling migration futures: development and testing of the Rainfalls Agent-Based Migration Model–Tanzania
US20210303970A1 (en) Processing data using multiple neural networks
US12050762B2 (en) Methods and systems for integrated design and execution of machine learning models
Kitova et al. Development of hybrid models and a system for forecasting the indicators of the Russian economy
CN113191681A (zh) 网点选址方法、装置、电子设备及可读存储介质
Stødle et al. Data‐driven predictive modeling in risk assessment: Challenges and directions for proper uncertainty representation
Ugur et al. Information asymmetry, risk aversion and R&D subsidies: effect-size heterogeneity and policy conundrums
almahameed et al. Applying machine learning and particle swarm optimization for predictive modeling and cost optimization in construction project management
MacCarthy et al. The asymmetric and non-linear relationship between capital flight and economic growth nexus
CN117934154A (zh) 交易风险预测方法、模型训练方法、装置、设备、介质和程序产品
Yilmaz Housing GANs: Deep Generation of Housing Market Data
Avenali et al. Heterogeneity of national accounting systems, world-class universities and financial resources: What are the links?
CN115795345A (zh) 信息处理方法、装置、设备及存储介质
KR102284440B1 (ko) 딥러닝 모델 거래중개서버에 의해서 수행되는 딥러닝 모델 거래를 중개하는 방법
CN117435897A (zh) 项目方案评估方法、装置、设备及存储介质
Ostadi et al. A quantitative target-setting model using Monte Carlo simulation method: mapping in strategic management and balanced scorecard (BSC) context
CN114897607A (zh) 产品资源的数据处理方法及装置、电子设备、存储介质
García-Céspedes et al. Random LGD adjustments in the Vasicek credit risk model
Feroz et al. An empirical analysis of hyperparameter tuning impact on ensemble machine learning algorithm for earthquake damage prediction
Dong et al. A method for managing scientific research project resource conflicts and predicting risks using BP neural networks
Li [Retracted] Enterprise Financing Risk Control of Machine Learning Combined with Blockchain Technology
Boda et al. Prediction of insolvency of Hungarian micro enterprises

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