CN115187182A - 评审分配方法和***、电子设备可读存储介质 - Google Patents
评审分配方法和***、电子设备可读存储介质 Download PDFInfo
- Publication number
- CN115187182A CN115187182A CN202110357027.6A CN202110357027A CN115187182A CN 115187182 A CN115187182 A CN 115187182A CN 202110357027 A CN202110357027 A CN 202110357027A CN 115187182 A CN115187182 A CN 115187182A
- Authority
- CN
- China
- Prior art keywords
- evaluation
- clustering
- review
- project
- expert
- 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
Links
- 238000012552 review Methods 0.000 title claims abstract description 112
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000011156 evaluation Methods 0.000 claims abstract description 169
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 41
- 235000018185 Betula X alpestris Nutrition 0.000 claims abstract description 32
- 235000018212 Betula X uliginosa Nutrition 0.000 claims abstract description 32
- 230000008901 benefit Effects 0.000 claims abstract description 22
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 37
- 239000002245 particle Substances 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例提供了一种评审分配方法和***、电子设备可读存储介质,其中评审方法包括基于评审特征数据,利用BIRCH聚类方法将输入的评审项目聚类成若干个聚类群组;所述评审特征数据包括评审项目领域、评审项目效益、评审项目实施周期和评审项目开销;利用PSO算法的惯性权重模型对每个所述聚类群组进行优化,识别出每个聚类群组中满足预设条件的评审项目,将满足第一预设条件的评审项目构成评审集。本发明提供的评审分配方法将BIRCH和PSO结合在一起,利用BIRCH聚类算法针对大量数据的聚类速度快的特点进行评审聚类筛选,在快速聚类的同时,结合PSO算法使得全局优化能力和局部搜索能力达到平衡。
Description
技术领域
本发明涉及评审项目分配领域,尤其涉及一种评审分配方法和***、电子设备可读存储介质。
背景技术
现有的方案中,一般采用K-means算法进行聚类,随后随机分配给对应领域的专家,K-means聚类的步骤为:1)选择初始化的k个样本作为初始聚类中心;2)针对数据集中每个样本计算它到k个聚类中心的距离并将其分到距离最小的聚类中心所对应的类中;3)针对每个类别,重新计算它的聚类中心,即属于该类的所有样本的质心;4)重复以上2)、3)两步操作,直到达到某个中止条件(迭代次数、最小误差变化等)。可以看出K的取值对于整个聚类效果会有影响,同时样本只能归为一类,不适合多分类任务,并且聚类速度并不高效,同时随机分配可能会导致部分项目分配到非专业领域的专家。
现有技术方案存在以下两个不足:
1)聚类指标过于粗略。理论上说项目评审分配应该是根据相关专业领域进行聚类后再分配给对应领域的专家进行评审。目前现有技术方案的聚类的指标多半为单一指标,没有从多维度考虑,导致分配时可能存在不能真正分配到对应领域的专家进行评审的情况。
2)评审项目聚类后缺乏可信的分配机制。现有的分配方法较少关注专家与评审项目的关系,默认分配到的专家都是可信的,导致部分项目评审被误分配给非相关领域的专家,影响最终评审效果。
发明内容
本发明提供一种评审分配方法和***、电子设备可读存储介质,用以解决现有技术中存在的技术缺陷。
本发明提供一种评审分配方法,包括:
基于评审特征数据,利用BIRCH聚类方法将输入的评审项目聚类成若干个聚类群组;所述评审特征数据包括评审项目领域、评审项目效益、评审项目实施周期和评审项目开销;
利用PSO算法的惯性权重模型对每个所述聚类群组进行优化,识别出每个聚类群组中满足预设条件的评审项目,将满足第一预设条件的评审项目构成评审集。
根据本发明提供的评审分配方法,所述基于评审特征数据,利用BIRCH聚类方法将输入的评审项目聚类成若干个聚类群组包括:
S11、基于所述评审特征数据,通过BIRCH聚类方法中的给定阈值,构建存放在内存中的原始聚类特征树;
S12、判断内存中是否能够存放所述原始聚类特征树,若是,则执行S13;若否,则提升所述给定阈值并返回所述S11;
S13、利用全局聚类方法对所述原始聚类特征树进行聚类,生成若干个聚类群组。
根据本发明提供的评审分配方法,所述PSO算法的惯性权重模型中的速度向量迭代公式为:
Vi(t+1)=wVi(t)+c1r1(pibest(t)-Xi(t))+c2r2(gbest(t)-Xi(t))所述PSO算法的惯性权重模型中的位置向量迭代公式为:
Xi(t+1)=Xi(t)+Vi(t+1)
其中,参数w为PSO的惯性权重,它的取值介于[0,1]区间,Xi=(xi1,xi2,...,xin)为粒子i的位置向量,Vi=(vi1,vi2,...,vin)为粒子i的速度向量,其中,n为优化问题的维度大小,pibest(t)和gbest(t)分别为粒子i的历史最佳位置向量和种群历史最佳位置向量,c1、c2为用于保持搜索效果和收敛速度的均衡的学习因子,r1、r2为介于0-1之间的随机函数。
根据本发明提供的评审分配方法,所述将满足预设条件的评审项目构成评审集之后,还包括:
根据带有权重的适应度函数搜索出符合第二预设条件的评审项目,并基于所述带有权重的适应度函数将符合第二预设条件的评审项目分配给对应的评审专家。
根据本发明提供的评审分配方法,所述带有权重的适应度函数的计算公式为:
fitness2=[qwdom×(1-Qdom/Qdom max)]2+[qwben×(1-Qben/Qben max)]2+[qwcyc×(Qcyc/Qcyc max)]2+[qwcost×(Qcost/Qcost max)]2
其中,qw为自定义的属性参数所占权重,四个属性参数所占权重值的范围都在(0,1)之间,Qdom为该专家属于的评审项目领域个数,Qdom max为所有的评审项目领域的最大值,Qben为该专家评审项目效益,Qben max为所有专家评审项目效益的最大值,Qcyc为评审项目实施周期,Qcyc max为所有专家评审项目实施周期的最大值,Qcost为评审项目开销,Qcost max为评审项目开销的最大值。
根据本发明提供的评审分配方法,所述将满足预设条件的评审项目构成评审集之后,还包括:
基于评审专家以往表现的可信度,确认评审专家的可信度,所述可信度用于确认所述评审专家是否为可信专家;所述可信度的计算公式为:
本发明还提供了一种评审分配***,包括:
聚类模块,用于基于评审特征数据,利用BIRCH聚类方法将输入的评审项目聚类成若干个聚类群组;所述评审特征数据包括评审项目领域、评审项目效益、评审项目实施周期和评审项目开销;
识别分配模块,用于利用PSO算法的惯性权重模型对每个所述聚类群组进行优化,识别出每个聚类群组中满足预设条件的评审项目,将满足第一预设条件的评审项目构成评审集。
根据本发明提供的评审分配***,所述***还包括:
适应度模块,用于根据带有权重的适应度函数搜索出符合第二预设条件的评审项目,并基于所述带有权重的适应度函数将符合第二预设条件的评审项目分配给对应的评审专家。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述评审分配方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述评审分配方法的步骤。
本发明提供的评审分配方法,利用BIRCH聚类方法将输入的评审项目聚类成若干个聚类群组,然后结合PSO算法的惯性权重模型对每个所述聚类群组进行优化,识别出每个聚类群组中满足预设条件的评审项目,将满足第一预设条件的评审项目构成评审集,将BIRCH和PSO结合在一起,利用BIRCH聚类算法针对大量数据的聚类速度快的特点进行评审聚类筛选,在快速聚类的同时,结合PSO算法使得全局优化能力和局部搜索能力达到平衡。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,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的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的评审分配方法的流程示意图;
图2是本发明一实施例提供的评审分配***的示意图;
图3是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明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所有其他实施例,都属于本发明保护的范围。
本发明实施例公开了一种评审分配方法,参见图1,包括:
一种评审分配方法,包括:
S1、基于评审特征数据,利用BIRCH聚类方法将输入的评审项目聚类成若干个聚类群组;所述评审特征数据包括评审项目领域、评审项目效益、评审项目实施周期和评审项目开销;
在评审项目聚类这一步骤中,我们使用BIRCH算法将大量的评审项目聚类成若干组细粒度的群组。在大数据集的情况下,BIRCH方法是一个鲁棒性很好的解决方案。BIRCH算法聚类速度很快,将两个簇进行合并时只需要对两个簇的CF特征向量进行加法运算。衡量簇与簇之间的距离时只需要将合并前后的CF的值进行减法运算即可。
BIRCH算法的最重要的结构元素是聚类特征(CF)数据三元组。CF只要简单的算数运算就能计算出核心聚类特征,而不是去分析单个元素。CF的结构可用如下的公式表示:
CF={N,LS,SS}
其中:N是集合中的点数;LS是集合中点的线性和SS是集合中点的平方和CF(聚类特征)本质上是给定簇的统计信息汇总。使用CF(聚类特征)可以推导出簇的一部分统计量:簇的形心x0,半径R。x0与R的计算公式如下:
其中,半径R反映了形心周围簇的紧密程度,半径R测量了成员对象到形心的平均距离。将从评审项目领域、评审项目效益、评审项目实施周期和评审项目开销四方面提取项目的特征,对上报的评审项目进行聚类,选择出细粒度的群组。
在一个具体实施例中,上述BIRCH聚类的过程如下:
从评审项目领域、评审项目效益、评审项目实施周期和评审项目开销四个方面提取项目的特征,给定阈值T(默认为0.5),构建初始的聚类特征树;
提升阈值T(默认提升到0.8),重新构建聚类特征树,得到一个压缩的聚类特征树;
利用全局聚类算法对原有聚类特征树进行聚类,得到更好的聚类结果。
S2、利用PSO算法的惯性权重模型对每个所述聚类群组进行优化,识别出每个聚类群组中满足预设条件的评审项目,将满足第一预设条件的评审项目构成评审集。
经过BIRCH聚类后,再继续对每个群组应用PSO算法,识别出每组中满足专家要求的评审项目,将它们构成评审集。PSO算法的输入是BIRCH算法输出的聚类结果,也就是多个聚类。PSO算法是一种从随机解出发,通过迭代寻找最优解的优化方法,同时也是通过适应度函数来评价解的品质。因此,通过设计合适的适应度函数能反映出专家需求,通过使用这种适应度函数的PSO算法能对原有聚类群组优化,识别出满足专家要求的评审项目。本方案主要考虑四个属性:评审项目领域、评审项目效益、评审项目实施周期和评审项目开销。
同时现有的PSO公式中存在一个问题:速度向量迭代公式中的更新具有较大的随机性,从而使得整个PSO算法的全局优化能力很强,但是局部搜索能力较差。而实际上,在本发明实施例中,需要在算法迭代初期PSO有着较强的全局优化能力,而在算法的后期,整个种群应该具有更强的局部搜索能力。所以根据上述的弊端,通过引入惯性权重修改了速度向量迭代公式,从而提出了PSO的惯性权重模型,所述PSO算法的惯性权重模型中的速度向量迭代公式为:
Vi(t+1)=wVi(t)+c1r1(pibest(t)-Xi(t))+c2r2(gbest(t)-Xi(t))所述PSO算法的惯性权重模型中的位置向量迭代公式为:
Xi(t+1)=Xi(t)+Vi(t+1)
其中,参数w为PSO的惯性权重,它的取值介于[0,1]区间,一般应用中均采取自适应的取值方法,Xi=(xi1,xi2,...,xin)为粒子i的位置向量,Vi=(vi1,vi2,...,vin)为粒子i的速度向量,其中,n为优化问题的维度大小,pibest(t)和gbest(t)分别为粒子i的历史最佳位置向量和种群历史最佳位置向量,c1、c2为用于保持搜索效果和收敛速度的均衡的学习因子,r1、r2为介于0-1之间的随机函数(默认设定为0.5),增加局部搜索的能力。
迭代次数一般是不确定的,也可以根据实际条件,设定迭代次数为10,PSO算法的终止条件,一般有两个:(1)达到迭代次数则终止;(2)找到符合适应度函数值的最优解则终止。
满足第一预设条件的评审项目即表示迭代结束后得到的最优解。
PSO算法的一些特征如下:
每个粒子代表一个可能的解决方案。
在每次迭代之后,粒子更新以下三个参数:当前的位置、当前的速度、自身的最佳位置。当前的位置为粒子通过迭代后在解空间的位置,当前的速度决定了下一次迭代中粒子搜索的方向和速度,自身最佳位置是每次迭代中,目前粒子处在的最接近最优解的位置。粒子最终找到的最优解是一个项目。
在每次的迭代后,上面的值都可以改变。
群中的所有粒子具有相同的全局最佳位置,这个全局最佳位置是最佳的解决方案。
进一步的,所述基于评审特征数据,利用BIRCH聚类方法将输入的评审项目聚类成若干个聚类群组包括:
S11、基于所述评审特征数据,通过BIRCH聚类方法中的给定阈值,构建存放在内存中的原始聚类特征树;
S12、判断内存中是否能够存放所述原始聚类特征树,若是,则执行S13;若否,则提升所述给定阈值并返回所述S11;
S13、利用全局聚类方法对所述原始聚类特征树进行聚类,生成若干个聚类群组。
为了能满足不同专家的需求,我们提出一种带有权重的适应度函数计算公式来计算适应度函数,专家可根据自己的需要对不同指标选取不同的权重。也就是说,所述将满足预设条件的评审项目构成评审集之后,还包括:
根据带有权重的适应度函数搜索出符合第二预设条件的评审项目,并基于所述带有权重的适应度函数将符合第二预设条件的评审项目分配给对应的评审专家。
所述带有权重的适应度函数的计算公式为:
fitness2=[qwdom×(1-Qdom/Qdom max)]2+[qwben×(1-Qben/Qben max)]2+[qwcyc×(Qcyc/Qcyc max)]2+[qwcost×(Qcost/Qcost max)]2
其中,qw为自定义的属性参数所占权重,四个属性参数所占权重值的范围都在(0,1)之间,例如qwdom∈(0,1)。Qdom为该专家属于的评审项目领域个数,Qdom max为所有的评审项目领域的最大值,Qben为该专家评审项目效益,Qben max为所有专家评审项目效益的最大值,Qcyc为评审项目实施周期,Qcyc max为所有专家评审项目实施周期的最大值,Qcost为评审项目开销,Qcost max为评审项目开销的最大值。参数qw一般是手动输入的,Q的是从***里自动根据以往经验值统计到的。用户可以通过提供qw的自定义的值来表达其属性偏好。例如,qwdom表示评审领域的加权值,如果qwdom分配了更高的权重,那么评审领域将对整体适应度产生更大的影响。对于上述适应度评价公式中,评审专家根据自己的需求相应地使用参数。PSO算法会根据适应度函数搜索出符合条件的评审项目,分配给专家。Fitness是指计算出来是适应度函数值,也就是专家希望被分配到的评审项目的一个数值。符合第二预设条件的评审项目是指适应度函数在预设的阈值范围内。
粒子的目的是找寻最优解,这个最优解就是尽可能符合专家适应度函数的项目,找寻方式是在当前位置根据当前速度在解空间寻找,自身的最佳位置就是潜在的最优解,也就是匹配的项目。
同时增加可信监控机制,确认专家的可信度。其值由专家对以往的对于项目评分的反馈采纳率来决定。也就是,所述将满足预设条件的评审项目构成评审集之后,还包括:
基于评审专家以往表现的可信度,确认评审专家的可信度,所述可信度用于确认所述评审专家是否为可信专家;所述可信度的计算公式为:
其中,是由专家Uj提交并被评审***fs采纳的评分;是专家Uj以往提交给评审***fs的总的反馈信息;可以设立阈值e(比如0.9)用来判定一个专家是否为可信专家。如果评审***fs就将用Uj判定为可信专家,那么权重值就会增加;如果那么则认为专家Uj不可信。那么相应的权重值就会减小。高可信度的专家将会被分配更多的项目进行评审,低可信度的专家将会被分配较少的项目进行评审。
本发明提供的评审分配方法,利用BIRCH聚类方法将输入的评审项目聚类成若干个聚类群组,然后结合PSO算法的惯性权重模型对每个所述聚类群组进行优化,识别出每个聚类群组中满足预设条件的评审项目,将满足第一预设条件的评审项目构成评审集,将BIRCH和PSO结合在一起,利用BIRCH聚类算法针对大量数据的聚类速度快的特点进行评审聚类筛选,在快速聚类的同时,结合PSO算法使得全局优化能力和局部搜索能力达到平衡。
本发明实施例公开了一种评审分配***,参见图2,包括:
聚类模块10,用于基于评审特征数据,利用BIRCH聚类方法将输入的评审项目聚类成若干个聚类群组;所述评审特征数据包括评审项目领域、评审项目效益、评审项目实施周期和评审项目开销;
识别分配模块20,用于利用PSO算法的惯性权重模型对每个所述聚类群组进行优化,识别出每个聚类群组中满足预设条件的评审项目,将满足第一预设条件的评审项目构成评审集。
所述***还包括:
适应度模块,用于根据带有权重的适应度函数搜索出符合第二预设条件的评审项目,并基于所述带有权重的适应度函数将符合第二预设条件的评审项目分配给对应的评审专家。
进一步的,所述聚类模块10具体用于:
基于所述评审特征数据,通过BIRCH聚类方法中的给定阈值,构建存放在内存中的原始聚类特征树;
判断内存中是否能够存放所述原始聚类特征树,若是,则执行S13;若否,则提升所述给定阈值并返回所述S11;
利用全局聚类方法对所述原始聚类特征树进行聚类,生成若干个聚类群组。
为了能满足不同专家的需求,我们提出一种带有权重的适应度函数计算公式来计算适应度函数,专家可根据自己的需要对不同指标选取不同的权重。也就是说,所述适应度模块具体用于:
根据带有权重的适应度函数搜索出符合第二预设条件的评审项目,并基于所述带有权重的适应度函数将符合第二预设条件的评审项目分配给对应的评审专家。
所述带有权重的适应度函数的计算公式为:
fitness2=[qwdom×(1-Qdom/Qdom max)]2+[qwben×(1-Qben/Qben max)]2+[qwcyc×(Qcyc/Qcyc max)]2+[qwcost×(Qcost/Qcost max)]2
其中,qw为自定义的属性参数所占权重,四个属性参数所占权重值的范围都在(0,1)之间,例如qwdom∈(0,1)。Qdom为该专家属于的评审项目领域个数,Qdom max为所有的评审项目领域的最大值,Qben为该专家评审项目效益,Qben max为所有专家评审项目效益的最大值,Qcyc为评审项目实施周期,Qcyc max为所有专家评审项目实施周期的最大值,Qcost为评审项目开销,Qcost max为评审项目开销的最大值。参数qw一般是手动输入的,Q的是从***里自动根据以往经验值统计到的。用户可以通过提供qw的自定义的值来表达其属性偏好。例如,qwdom表示评审领域的加权值,如果qwdom分配了更高的权重,那么评审领域将对整体适应度产生更大的影响。对于上述适应度评价公式中,评审专家根据自己的需求相应地使用参数。PSO算法会根据适应度函数搜索出符合条件的评审项目,分配给专家。Fitness是指计算出来是适应度函数值,也就是专家希望被分配到的评审项目的一个数值。符合第二预设条件的评审项目是指适应度函数在预设的阈值范围内。
粒子的目的是找寻最优解,这个最优解就是尽可能符合专家适应度函数的项目,找寻方式是在当前位置根据当前速度在解空间寻找,自身的最佳位置就是潜在的最优解,也就是匹配的项目。
同时增加可信监控机制,确认专家的可信度。其值由专家对以往的对于项目评分的反馈采纳率来决定。也就是,还包括用于评价专家可信度的可信度确定模块,所述可信度确定模块用于:
基于评审专家以往表现的可信度,确认评审专家的可信度,所述可信度用于确认所述评审专家是否为可信专家;所述可信度的计算公式为:
其中,是由专家Uj提交并被评审***fs采纳的评分;是专家Uj以往提交给评审***fs的总的反馈信息;可以设立阈值e(比如0.9)用来判定一个专家是否为可信专家。如果评审***fs就将用Uj判定为可信专家,那么权重值就会增加;如果那么则认为专家Uj不可信。那么相应的权重值就会减小。高可信度的专家将会被分配更多的项目进行评审,低可信度的专家将会被分配较少的项目进行评审。
图3示例了一种电子设备的实体结构示意图,该电子设备可以包括:处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340,其中,处理器310,通信接口320,存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令,以执行一种图布局优化方法,该方法包括:
S1、基于评审特征数据,利用BIRCH聚类方法将输入的评审项目聚类成若干个聚类群组;所述评审特征数据包括评审项目领域、评审项目效益、评审项目实施周期和评审项目开销;
S2、利用PSO算法的惯性权重模型对每个所述聚类群组进行优化,识别出每个聚类群组中满足预设条件的评审项目,将满足第一预设条件的评审项目构成评审集。
此外,上述的存储器中的逻辑指令可以通过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取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行一种评审分配方法,该方法包括:
S1、基于评审特征数据,利用BIRCH聚类方法将输入的评审项目聚类成若干个聚类群组;所述评审特征数据包括评审项目领域、评审项目效益、评审项目实施周期和评审项目开销;
S2、利用PSO算法的惯性权重模型对每个所述聚类群组进行优化,识别出每个聚类群组中满足预设条件的评审项目,将满足第一预设条件的评审项目构成评审集。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行一种评审分配方法,该方法包括:
S1、基于评审特征数据,利用BIRCH聚类方法将输入的评审项目聚类成若干个聚类群组;所述评审特征数据包括评审项目领域、评审项目效益、评审项目实施周期和评审项目开销;
S2、利用PSO算法的惯性权重模型对每个所述聚类群组进行优化,识别出每个聚类群组中满足预设条件的评审项目,将满足第一预设条件的评审项目构成评审集。
以上所描述的***实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
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)
1.一种评审分配方法,其特征在于,包括:
基于评审特征数据,利用BIRCH聚类方法将输入的评审项目聚类成若干个聚类群组;所述评审特征数据包括评审项目领域、评审项目效益、评审项目实施周期和评审项目开销;
利用PSO算法的惯性权重模型对每个所述聚类群组进行优化,识别出每个聚类群组中满足预设条件的评审项目,将满足第一预设条件的评审项目构成评审集。
2.根据权利要求1所述的评审分配方法,其特征在于,所述基于评审特征数据,利用BIRCH聚类方法将输入的评审项目聚类成若干个聚类群组包括:
S11、基于所述评审特征数据,通过BIRCH聚类方法中的给定阈值,构建存放在内存中的原始聚类特征树;
S12、判断内存中是否能够存放所述原始聚类特征树,若是,则执行S13;若否,则提升所述给定阈值并返回所述S11;
S13、利用全局聚类方法对所述原始聚类特征树进行聚类,生成若干个聚类群组。
3.根据权利要求1所述的评审分配方法,其特征在于,所述PSO算法的惯性权重模型中的速度向量迭代公式为:
Vi(t+1)=wVi(t)+c1r1(pibest(t)-Xi(t))+c2r2(gbest(t)-Xi(t))
所述PSO算法的惯性权重模型中的位置向量迭代公式为:
Xi(t+1)=Xi(t)+Vi(t+1)
其中,参数w为PSO的惯性权重,它的取值介于[0,1]区间,Xi=(xi1,xi2,...,xin)为粒子i的位置向量,Vi=(vi1,vi2,...,vin)为粒子i的速度向量,其中,n为优化问题的维度大小,pibest(t)和gbest(t)分别为粒子i的历史最佳位置向量和种群历史最佳位置向量,c1、c2为用于保持搜索效果和收敛速度的均衡的学习因子,r1、r2为介于0-1之间的随机函数。
4.根据权利要求3所述的评审分配方法,其特征在于,所述将满足预设条件的评审项目构成评审集之后,还包括:
根据带有权重的适应度函数搜索出符合第二预设条件的评审项目,并基于所述带有权重的适应度函数将符合第二预设条件的评审项目分配给对应的评审专家。
5.根据权利要求4所述的评审分配方法,其特征在于,所述带有权重的适应度函数的计算公式为:
fitness2=[qwdom×(1-Qdom/Qdom max)]2+[qwben×(1-Qben/Qben max)]2+[qwcyc×(Qcyc/Qcyc max)]2+[qwcost×(Qcost/Qcost max)]2
其中,qw为自定义的属性参数所占权重,四个属性参数所占权重值的范围都在(0,1)之间,Qdom为该专家属于的评审项目领域个数,Qdom max为所有的评审项目领域的最大值,Qben为该专家评审项目效益,Qben max为所有专家评审项目效益的最大值,Qcyc为评审项目实施周期,Qcyc max为所有专家评审项目实施周期的最大值,Qcost为评审项目开销,Qcost max为评审项目开销的最大值。
7.一种评审分配***,其特征在于,包括:
聚类模块,用于基于评审特征数据,利用BIRCH聚类方法将输入的评审项目聚类成若干个聚类群组;所述评审特征数据包括评审项目领域、评审项目效益、评审项目实施周期和评审项目开销;
识别分配模块,用于利用PSO算法的惯性权重模型对每个所述聚类群组进行优化,识别出每个聚类群组中满足预设条件的评审项目,将满足第一预设条件的评审项目构成评审集。
8.根据权利要求7所述的评审分配***,其特征在于,所述***还包括:
适应度模块,用于根据带有权重的适应度函数搜索出符合第二预设条件的评审项目,并基于所述带有权重的适应度函数将符合第二预设条件的评审项目分配给对应的评审专家。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述的评审分配方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至6任一项所述的评审分配方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110357027.6A CN115187182A (zh) | 2021-04-01 | 2021-04-01 | 评审分配方法和***、电子设备可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110357027.6A CN115187182A (zh) | 2021-04-01 | 2021-04-01 | 评审分配方法和***、电子设备可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115187182A true CN115187182A (zh) | 2022-10-14 |
Family
ID=83512195
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110357027.6A Pending CN115187182A (zh) | 2021-04-01 | 2021-04-01 | 评审分配方法和***、电子设备可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115187182A (zh) |
-
2021
- 2021-04-01 CN CN202110357027.6A patent/CN115187182A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111507470A (zh) | 一种异常账户的识别方法及装置 | |
CN112749281B (zh) | 一种融合服务协作关系的Restful类型Web服务聚类方法 | |
CN111967971A (zh) | 银行客户数据处理方法及装置 | |
CN113158024B (zh) | 一种纠正推荐***流行度偏差的因果推理方法 | |
CN108665148B (zh) | 一种电子资源质量评价方法、装置和存储介质 | |
CN114418035A (zh) | 决策树模型生成方法、基于决策树模型的数据推荐方法 | |
CN112529638B (zh) | 基于用户分类和深度学习的服务需求动态预测方法及*** | |
CN110598061A (zh) | 一种多元图融合的异构信息网嵌入方法 | |
CN109471982A (zh) | 一种基于用户和服务聚类QoS感知的Web服务推荐方法 | |
CN110348516A (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN114417095A (zh) | 一种数据集划分方法及装置 | |
WO2020147259A1 (zh) | 一种用户画像方法、装置、可读存储介质及终端设备 | |
CN111984842B (zh) | 银行客户数据处理方法及装置 | |
CN111967973B (zh) | 银行客户数据处理方法及装置 | |
CN114297025A (zh) | 数据中心资源分析***及方法、存储介质及电子设备 | |
CN113204642A (zh) | 文本聚类方法、装置、存储介质和电子设备 | |
CN113159213A (zh) | 一种业务分配方法、装置及设备 | |
CN113034264A (zh) | 客户流失预警模型的建立方法、装置、终端设备及介质 | |
CN117056761A (zh) | 一种基于x-dbscan算法的客户细分方法 | |
KR102264969B1 (ko) | 빅데이터 분석을 위한 시장 세분화 반딧불 알고리즘 방법 및 시스템 | |
CN115187182A (zh) | 评审分配方法和***、电子设备可读存储介质 | |
CN110764907A (zh) | 一种云计算资源图谱构建方法 | |
CN114024912A (zh) | 一种基于改造chameleon算法的网络流量应用识别分析方法及*** | |
CN115658979A (zh) | 基于加权GraphSAGE的上下文感知方法、***及数据访问控制方法 | |
CN114219522A (zh) | 客户消费行为预测方法、装置、电子设备及存储介质 |
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 |