一种基于递归算法的质量评价方法与流程

【技术领域】

本发明涉及质量评价技术领域，尤其涉及一种基于递归算法的质量评价方法。

背景技术：

随着质量评价技术的发展，对服务信息进行质量评价已经广泛应用在许多领域中，例如，在医学图像融合技术领域，通过医学图像融合有利于医生对病人的病情进行分析，提高诊断率；红外与可见光图像融合则能清晰地反映复杂环境情况下的情报信息，使其在军事领域获得重要的应用；多聚焦图像融合可以有效地提高相机的成像质量，改善场景辨识准确率，消除数据间的冗余信息。为了有效的进行质量评价，通常采用两种质量评价方式：第一种是以人眼视觉观察为主体的评价方法，即主观评价方法；第二种是以某种特定算法从数据信息中计算出一个具体的数值指标来对数据信息质量进行量化评价的方法，即客观评价方法。

主观评价方法具有直观、简单、符合个性需求等优点，但是人的主观意识之间存在着差异，会影响最终的评价结果。客观评价方法是根据特定算法来提供量化的评价值。因此客观评价方法具有效率高，确定性强，且成本低，易操作，方便快捷，可以方便进行更深入研究等优点。但是由于人的主观意识的复杂性，客观质量评价结果不一定能够符合主观意识的特性。递归是程序设计语言中的一种算法，它通常是将一个大型复杂的问题转化为若干与原问题相似的小问题，先对小问题进行求解，然后通过层层迭代，完成原问题的求解。递归算法的这种层层迭代特性对提高质量评价的准确性有一定的帮助作用，如何使用递归算法进行有效的客观质量评价并与主观评价相结合已成为了急需解决的问题。

技术实现要素：

本发明提供了一种基于递归算法的质量评价方法。本发明所采用的技术方案如下：

一种基于递归算法的质量评价方法，步骤1、获取质量评价数据并进行数据预处理，针对不同维度的评价指标，基于获取的所述评价数据，计算服务提供者的概率分布函数、累积分布函数以及期望矩阵；

步骤2、利用随机占优准则得出在各评价维度下同类型服务提供者两两之间的随机占优关系矩阵；

步骤3、通过优序度函数确定随机占优程度矩阵；

步骤4、利用熵权将各评价维度下的随机占优程度矩阵进行集结；

步骤5、计算各评价维度和总体服务质量的排序值。

进一步的，获取质量评价数据并进行数据预处理，具体包括：

步骤101、从评价数据库中获取质量评价数据；

步骤102、对所获取的评价数据根据结构相似性进行离线聚类，相似性结构中的不相关部分被分析和删减，然后将基于减法聚类算法计算出的质量评价数据的评价量化值输入到递归神经网络模型中，以预测并添加服务质量评价标度标签。

进一步的，使用基于减法聚类算法的如下公式来计算评价数据的评价量化值：

其中，是在时间k计算的评价数据的数据点zk的评价量化值。

进一步的，所述计算服务提供者的概率分布函数、累积分布函数以及期望矩阵，具体包括：

确定在评价维度sj下给出hi的服务质量评价标度为t^ε的用户数，即

其中，

表示第x个用户关于服务提供者hi的评价维度sj进行质量评价所使用的评价标度，i∈i，j∈j，x∈{1,2,…,nij}，ε∈{1,2,…,v}，η∈{1,2,…,v}；

然后，计算在评价维度sj下给出hi的服务质量评价标度为t^ε的概率，即

其中，，；

由上述公式计算出服务提供者hi关于评价维度sj的评价标度t^ε的累积分布函数fij(t)，即

此外，构建服务提供者hi针对评价维度sj的评价标度的期望矩阵，其中

。

进一步的，利用随机占优准则得出在各评价维度下同类型服务提供者两两之间的随机占优关系矩阵，具体包括：

当随机占优准则用于服务提供者服务质量评估时，f(x)和g(x)分别为服务提供者hi和hh针对评价维度的评价标度的累积分布函数，那么当(x)随机占优于g(x)时，说明在这一评价维度下服务提供者hi随机占优于hh；

根据以上的随机占优准则建立针对评价维度sj的两两服务提供者之间的随机占优关系矩阵，其中表示针对评价维度sj服务提供者hi和hh之间的随机占优关系，即

其中表示针对评价维度sj服务提供者hi一阶随机占优于hh，表示针对评价维度sj服务提供者hi二阶随机占优于hh，表示针对评价维度sj服务提供者hi三阶随机占优于hh，表示针对评价维度sj服务提供者hi和hh之间不存在随机占优关系。

进一步的，所述随机占优准则具体包括：

设x和y均为区间［a，b］上的随机变量，其累积分布函数分别为f(x)和g(x)，则随机占优的准则表述如下：

一阶随机占优：当且仅当f(x)≠g(x)，且h1(x)=f(x)-g(x)≤0，x∈［a，b］，则称f(x)一阶随机占优于g(x)，记作f(x)fsdg(x)；

二阶随机占优：当且仅当f(x)≠g(x)，且，x∈［a，b］，则称f(x)二阶随机占优于g(x)，记作f(x)ssdg(x)；

三阶随机占优：当且仅当f(x)≠g(x)，且，x∈［a，b］，则称f(x)三阶随机占优于g(x)，记作f(x)tsdg(x)。

进一步的，所述通过优序度函数确定随机占优程度矩阵，具体包括：

在确定了随机占优关系矩阵的基础上，利用优序度函数可以进一步描述针对评价维度sj服务提供者hi和hh之间的随机占优程度；

基于得到的随机占优关系矩阵，通过优序度函数确定随机占优程度矩阵的过程如下：

其中，aj为评价维度的偏好阈值，可由服务提供者针对该评价维度的期望差值经计算得出，计算公式为

其中，

的值越大说明针对评价维度sj服务提供者hi优于hh的程度越高，否则越低；

基于上述方法构建针对评价维度sj两两服务提供者之间的随机占优程度矩阵,i,h∈i,i≠h,j∈j。

进一步的，所述利用熵权将各评价维度下的随机占优程度矩阵进行集结，具体包括：

将期望矩阵规范化，其计算公式为

然后确定评价维度的熵权，信息熵的定义为：

其中m为评价对象的个数。

进一步的，确定评价维度的熵权，具体包括：

步骤401、计算输出熵，即

步骤402、计算评价维度的差异度，即

步骤403、计算评价维度的熵权，即

最后利用熵权对对各评价维度下的占优程度矩阵进行集结，构建所有服务提供者的总体优序度矩阵，i,h∈i,i≠h,j∈j；其中，为服务提供者hi对服务提供者hh的总体优序度，其值越大，表示程度越高，且计算公式为

。

进一步的，所述计算各评价维度和总体服务质量的排序值，具体包括：

依据优序度矩阵计算某一服务提供者的和，进而得出排序值，根据矩阵可以计算出服务提供者针对评价维度sj的和，计算公式为

其中，表示针对评价维度sj服务提供者hi优于其他所研究服务提供者的总可信度，越大，表示服务提供者hi的评价维度sj的水平越高，表示针对评价维度sj服务提供者hi劣于其他所研究服务提供者的总可信度，越小，表示服务提供者hi的评价维度sj的水平越高；

根据和计算服务提供者hi针对评价维度sj的排序值，计算公式为：

由得到的排序值即可针对评价维度sj对同类型的服务提供者进行排序；再根据矩阵计算出服务提供者hi的和，计算公式为

其中，表示服务提供者hi优于其他同类型服务提供者的总可信度，越大，表示服务提供者hi的总体服务质量越高，表示服务提供者hi劣于其他同类型服务提供者的总可信度，越小，表示服务提供者hi的总体服务质量越高；

根据和可计算服务提供者hi的总体排序值，计算公式为

再根据得到的排序值即可对同类型服务提供者的服务质量进行总体排序。

通过本发明实施例，可以获得如下技术效果：相较发放调查问卷的方法更容易获得大量真实有效的数据。利用递归神经网络模型来预测并添加服务质量评价标度标签，在很大程度上避免了主观因素的影响。

【附图说明】

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于递归算法的质量评价方法的流程示意图。

【具体实施方式】

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本发明保护的范围。

步骤1、获取质量评价数据并进行数据预处理，针对不同维度的评价指标，基于获取的所述评价数据，计算服务提供者的概率分布函数、累积分布函数以及期望矩阵；

在上述步骤中，获取质量评价数据并进行数据预处理，具体包括：

步骤101、从评价数据库中获取质量评价数据。获取方式可以包括直接从数据库中读取，也可以是通过网络爬虫从不同网络平台的评价数据库中抓取相对应的评价数据；

步骤102、对所获取的评价数据根据结构相似性进行离线聚类，相似性结构中的不相关部分被分析和删减，然后将基于减法聚类算法计算出的质量评价数据的评价量化值输入到递归神经网络模型中，以预测并添加服务质量评价标度标签。

由于递归神经网络模型是基于相似性结构构造的，通过使用相似性结构和一些关键词作为特征来聚类评价数据。预设一些在评价数据中经常出现的影响各种目标分析的关键字，例如，“本来”、“可是”、“但是”、“无语”等，并使用减法聚类来聚类评价数据。评价数据本身可以看作是候选焦点，每个评价数据的评价量化值通过以下公式计算：

其中，是数据点zi的潜在值，ｎ是数据点的数目，ra是正常数。由上可知每个评价数据的评价量化值是其到所有其它数据点的距离的函数。选择具有最高评价量化值的点作为聚类中心。所有评价数据的数据点的评价量化值逐渐减少，减少值取决于它们到聚类中心的距离。下一个聚类中心是具有剩余最大评价量化值的评价数据的数据点，以此类推。为了聚类评价数据，使用基于减法聚类算法的如下公式来计算评价数据的评价量化值：

其中，是在时间k计算的评价数据的数据点zk的评价量化值。

所述计算服务提供者的概率分布函数、累积分布函数以及期望矩阵，具体包括：

确定在评价维度sj下给出hi的服务质量评价标度为t^ε的用户数，即

其中，

表示第x个用户关于服务提供者hi的评价维度sj进行质量评价所使用的评价标度，i∈i，j∈j，x∈{1,2,…,nij}，ε∈{1,2,…,v}，η∈{1,2,…,v}。

然后，计算在评价维度sj下给出hi的服务质量评价标度为t^ε的概率，即

其中，，。

由上述公式计算出服务提供者hi关于评价维度sj的评价标度t^ε的累积分布函数fij(t)，即

此外，构建服务提供者hi针对评价维度sj的评价标度的期望矩阵，其中

步骤2、利用随机占优准则得出在各评价维度下同类型服务提供者两两之间的随机占优关系矩阵；

设x和y均为区间［a，b］上的随机变量，其累积分布函数分别为f(x)和g(x)，则随机占优的准则表述如下：

一阶随机占优：当且仅当f(x)≠g(x)，且h1(x)=f(x)-g(x)≤0，x∈［a，b］，则称f(x)一阶随机占优于g(x)，记作f(x)fsdg(x)；

二阶随机占优：当且仅当f(x)≠g(x)，且，x∈［a，b］，则称f(x)二阶随机占优于g(x)，记作f(x)ssdg(x)；

三阶随机占优：当且仅当f(x)≠g(x)，且，x∈［a，b］，则称f(x)三阶随机占优于g(x)，记作f(x)tsdg(x)；

当随机占优准则用于服务提供者服务质量评估时，f(x)和g(x)分别为服务提供者hi和hh针对评价维度的评价标度的累积分布函数，那么当(x)随机占优于g(x)时，说明在这一评价维度下服务提供者hi随机占优于hh。

根据以上的随机占优准则可以建立针对评价维度sj的两两服务提供者之间的随机占优关系矩阵，其中表示针对评价维度sj服务提供者hi和hh之间的随机占优关系，即

其中表示针对评价维度sj服务提供者hi一阶随机占优于hh，表示针对评价维度sj服务提供者hi二阶随机占优于hh，表示针对评价维度sj服务提供者hi三阶随机占优于hh，表示针对评价维度sj服务提供者hi和hh之间不存在随机占优关系。

步骤3、通过优序度函数确定随机占优程度矩阵；

在确定了随机占优关系矩阵的基础上，利用优序度函数可以进一步描述针对评价维度sj服务提供者hi和hh之间的随机占优程度。基于得到的随机占优关系矩阵，通过优序度函数确定随机占优程度矩阵的过程如下：

其中，aj为评价维度的偏好阈值，可由服务提供者针对该评价维度的期望差值经计算得出，计算公式为

其中，

的值越大说明针对评价维度sj服务提供者hi优于hh的程度越高，否则越低。

基于上述方法可构建针对评价维度sj两两服务提供者之间的随机占优程度矩阵,i,h∈i,i≠h,j∈j。

步骤4、利用熵权将各评价维度下的随机占优程度矩阵进行集结；

首先将期望矩阵规范化，其计算公式为

然后确定评价维度的熵权，信息熵是系统无序程度的度量，能够在一定程度上避免主观因素的影响，解决信息的量化问题，信息熵的定义为：

其中m为评价对象的个数。熵是运用概率理论对信息不确定性程度的一种测度工具，数据越分散，其不确定性越大。一般来说，若某一指标值的变异程度越大，它的信息熵就越小，那么这一指标提供的信息量也就越大，所以该指标的权重就越大；反之，权重越小。因此，利用信息熵这个工具可分三个步骤计算出各评价维度的权重“熵权”。

步骤401、计算输出熵，即

步骤402、计算评价维度的差异度，即

步骤403、计算评价维度的熵权，即

最后利用熵权对对各评价维度下的占优程度矩阵进行集结，构建所有服务提供者的总体优序度矩阵，i,h∈i,i≠h,j∈j。其中，为服务提供者hi对服务提供者hh的总体优序度，其值越大，表示程度越高，且计算公式为

步骤5、计算各评价维度和总体服务质量的排序值

依据优序度矩阵可以计算某一服务提供者的和，进而可以得出排序值。根据矩阵可以计算出服务提供者针对评价维度sj的和，计算公式为

其中，表示针对评价维度sj服务提供者hi优于其他所研究服务提供者的总可信度，越大，表示服务提供者hi的评价维度sj的水平越高，表示针对评价维度sj服务提供者hi劣于其他所研究服务提供者的总可信度，越小，表示服务提供者hi的评价维度sj的水平越高。

根据和计算服务提供者hi针对评价维度sj的排序值，计算公式为：

由得到的排序值即可针对评价维度sj对同类型的服务提供者进行排序。再根据矩阵可以计算出服务提供者hi的和，计算公式为

其中，表示服务提供者hi优于其他同类型服务提供者的总可信度，越大，表示服务提供者hi的总体服务质量越高，表示服务提供者hi劣于其他同类型服务提供者的总可信度，越小，表示服务提供者hi的总体服务质量越高。

根据和可计算服务提供者hi的总体排序值，计算公式为

再根据得到的排序值即可对同类型服务提供者的服务质量进行总体排序。

本发明的基于递归算法的质量评价方法利用递归神经网络模型来预测并添加服务质量评价标度标签，并在此基础上计算在各评价维度下同类型服务提供者两两之间的随机占优关系矩阵，通过将各评价维度下的随机占优程度矩阵进行集结，从而得到两两服务主体之间的总体优序度矩阵，进而计算出质量评价的排序值。该方法将各个平台数据库中的评价信息作为数据来源，相较发放调查问卷的方法更容易获得大量真实有效的数据。此外，利用递归神经网络模型来预测并添加服务质量评价标度标签，在很大程度上避免了主观因素的影响。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。