一种基于DMN规范的决策引擎设计方法与流程

本发明涉及信息，尤其涉及一种基于dmn规范的决策引擎设计方法。

背景技术：

1、生产商，也称为“制造厂商”，它是主要包装食品及轻工制品的供应商；经销商是指从事商品交易业务，在商品买卖过程中拥有产品的所有权的中间商，经销商通过从企业中进货再转手卖给消费者以获得利润；一般来说，经销商在做产品销量预估的时候会忽略产品生产商的企业舆情相关问题，而这种疏忽会对经销商造成没有必要的损失；企业舆情是“企业舆论情况”的简称，是指在一定的社会空间内，围绕某一企业事件的发生、发展和变化，对事件所持有的信念、态度、意见和情绪等表达的集合；它包括舆论和公众对有关企业的任何话题的讨论、报道和反映；而生产商的企业舆情往往会对其企业产品的销量造成极大影响；对于经销商企业，有效地监测并及时获取生产商企业在网络上的相关舆情信息就显得尤为重要，经销商无法及时获取生产商的企业舆情，会导致后续货物出售困难，造成不可避免的损失，或者没有考虑生产商的企业舆情问题所引起的后续进货价格变动，提前进货，导致亏损的情况；因此为经销商提供一种合理防止亏损的进货决策方法具有很重要的现实意义及理论研究价值。

技术实现思路

1、本发明提供了一种基于dmn规范的决策引擎设计方法，主要包括：

2、分析生产商企业的多源数据舆情信息文本，根据分类结果确定初步进货决策，所述分析生产商企业的多源数据舆情信息文本，根据分类结果确定初步进货决策，具体包括：对多源数据舆情信息文本进行数据预处理，使用基于特征降维的文本数据分析算法分析多源数据舆情信息文本，通过层次分析模型算法初步确定进货决策；根据分类结果验证生产商企业产品销量与企业舆情的关联性，所述根据分类结果验证生产商企业产品销量与企业舆情的关联性，具体包括：通过特征递归消除算法挖掘扫描后产品销量数据集中的频繁项集，基于支持度数使用哈希算法获得频繁项集的支持度，通过频繁模式增长算法验证企业产品销量与企业舆情数据关联性；基于朴素贝叶斯算法通过相关企业舆情评估企业舆情的正负面态势及其延续性；根据舆情分析结果对当前生产商企业的舆情态势进行预测和模拟，具体包括：使用反向传播神经网络算法建立预测模型；根据企业舆情的变化节点对不同舆情阶段进行划分，获得生产商企业所处的舆情阶段；根据生产商企业所处的不同舆情阶段获得企业发展趋势的评估结果；基于dmn规范根据评估结果对生产商企业的每个舆情阶段进行不同决策，包括：通过综合评分法对每个舆情阶段进行评估得到最优决策。

3、进一步可选地，所述分析生产商企业的多源数据舆情信息文本，根据分类结果确定初步进货决策包括：

4、获取经销商企业关于寻找生产商企业合作对象的需求；根据经销商企业的需求，通过深度优先遍历算法获取符合需求的生产商企业的多源数据舆情信息文本；对生产商企业的多源数据舆情信息文本进行数据预处理；通过基于特征降维的文本数据分析算法分析生产商企业的多源数据舆情信息文本，得到分类结果；通过层次分析模型对分类结果进行处理，初步确定生产商企业；包括：对多源数据舆情信息文本进行数据预处理；使用基于特征降维的文本数据分析算法分析多源数据舆情信息文本；通过层次分析模型算法初步确定进货决策；

5、所述对多源数据舆情信息文本进行数据预处理，具体包括：

6、使用jieba组件对多源数据舆情信息文本进行分词处理；在分词后采用基于规则的词性标注和基于统计的词性标注组合方法对文本进行词性标注，确定每个词的词性；采用基于规则的词性标注和基于统计的词性标注组合方法对若干个词进行词性标注，确定若干个词中的每个词的词性。

7、所述使用基于特征降维的文本数据分析算法分析多源数据舆情信息文本，具体包括：

8、采用融合多种传统的特征降维算法优化方法分析多源数据舆情信息文本；多种传统的特征降维算法包括：文档频率算法、互信息算法和卡方检验算法；将生产商企业的多源数据舆情信息文本作为输入数据进行特征降维；根据经销商企业的需求确定多源数据舆情信息文本中的文档频率因子；基于互信息算法计算出文档频率因子的值和相互的信息价值；然后基于卡方检验算法计算卡方检验值并乘以标准分数因子，得到卡方值；最后将文档频率因子的值乘以信息价值再加上卡方值，相加的和除以预设阈值计算得到平均值，输出文本分类结果。

9、所述通过层次分析模型算法初步确定进货决策，具体包括：

10、获取生产商企业的多源数据舆情信息文本的分类结果；使用文档对象模型方法处理生产商企业的多源数据舆情信息文本的分类结果，将分类结果转化成决策进货生产商企业的文本节点，并根据关联算法计算决策进货生产商企业的文本节点的关联度；针对不同关联度的决策进货生产商企业的文本节点，通过递阶层次结构决策指标体系构建算法建立生产商企业的层级指标；根据决策进货生产商企业的层级指标建立决策进货生产商企业的文本节点影响权重的目标层、准则层以及方案层；参考标度评估准则，计算出决策进货生产商企业文本节点的目标层、准则层与方案层的标度；根据标度的计算结果构造生产商企业层级指标的判断矩阵，并计算层级指标的特征向量、特征根以及权重值；将层级指标的特征向量、特征根以及权重值的计算结果代入到临界比值的计算公式当中进行一致性检验分析，使用权重分配算法将权重值的计算结果转化成文本节点的影响权重指标；对文本节点的影响权重指标进行降序排序，根据文本节点的影响权重指标大小初步确定进货生产商企业。

11、进一步可选地，所述根据分类结果验证生产商企业产品销量与企业舆情的关联性包括：

12、通过分析生产商的多源数据舆情信息文本获得分类结果；在分类结果中通过扫描算法筛选生产商企业的产品销量数据集；通过特征递归消除算法挖掘扫描后的生产商企业产品销量数据集中的频繁项集；频繁项集是对应生产商企业产品销量数据集中销量最大的数据集；使用哈希算法计算频繁项集的支持度；根据频繁项集及其支持度，使用频繁模式增长算法验证生产商企业产品销量与企业舆情的关联性；包括：通过特征递归消除算法挖掘扫描后产品销量数据集中的频繁项集；基于支持度数使用哈希算法获得频繁项集的支持度；通过频繁模式增长算法验证企业产品销量与企业舆情数据关联性；

13、所述通过特征递归消除算法挖掘扫描后产品销量数据集中的频繁项集，具体包括：

14、将生产商企业产品销量数据总集作为输入建立训练模型；按产品销量总数对不同生产商企业进行降序排序；针对每个生产商企业产品销量子集s{i}，根据销量提取前s个生产商企业产品，得到新的数据集；基于新数据集建立训练模型；重新按产品销量总数对不同生产商企业进行排序；结合总集与子集模型的训练结果选择最优的数据集；将最优的数据集作为频繁项集输出。

15、所述基于支持度数使用哈希算法获得频繁项集的支持度，具体包括：

16、获取生产商企业销量的频繁项集；将频繁项集转化成候选三项集；通过随机森林算法计算候选三项集的最大叶节点数；输出候选三项集的最大叶节点数结果，并根据候选三项集及其最大叶节点数使用哈希函数建立哈希树；通过深度优先算法计算哈希树的支持度数；基于支持度数，通过哈希算法计算频繁项集的支持度，输出频繁项集的支持度的计算结果。

17、所述通过频繁模式增长算法验证企业产品销量与企业舆情数据关联性，具体包括：

18、将频繁项集及其支持度的计算结果作为输入，通过频繁模式增长算法验证生产商企业产品销量与企业舆情的关联性；支持度和置信度是关联规则的两种兴趣度量；支持度是指集合在总项集中出现的概率；置信度表示在先决条件x发生的情境下，由关联规则x-y推出y的概率；当满足最小支持度阈值和最小置信度阈值时认为关联规则是有趣的；有趣的关联规则是指所发现的关联规则是有意义的、能指导实践的；根据关联规则判断结果，输出生产商企业产品销量与企业舆情的关联性验证结果。

19、进一步可选地，所述基于朴素贝叶斯算法通过相关企业舆情评估企业舆情的正负面态势及其延续性包括：

20、通过对生产商企业的多源数据舆情信息文本进行分析得到相关企业舆情；通过朴素贝叶斯算法将企业舆情作为输入数据建立企业舆情评估模型；分析企业舆情的正负面态势及其延续性；输出企业舆情的正负面态势和延续性的分析结果。

21、进一步可选地，所述根据舆情分析结果对当前生产商企业的舆情态势进行预测和模拟包括：

22、获得评估模型中企业舆情的正负面态势和延续性的分析结果；在获得企业舆情的正负面态势的分析结果后，形成正面舆论倾向词云图、中性舆论倾向词云图和负面舆论倾向词云图；通过分析三种词云图中出现频率最高的词汇获得过去企业舆情态势；基于过去企业舆情态势，通过反向传播神经网络算法建立企业舆情态势的预测模型；基于预测模型针对企业舆情进行预测和模拟；输出预测和模拟结果中的企业舆情变化节点；包括：使用反向传播神经网络算法建立预测模型；

23、所述使用反向传播神经网络算法建立预测模型，具体包括：

24、将企业舆情作为反向神经网络的输入特征；设置学习率、最大迭代次数、误差范围参数，训练反向神经网络；针对生产商企业的舆情态势，将其分为多个训练集，将训练集放入训练好的反向传播神经网络中，计算出预测值；输出企业舆情的预测与模拟结果。

25、进一步可选地，所述根据企业舆情的变化节点对不同舆情阶段进行划分，获得生产商企业所处的舆情阶段包括：

26、获取生产商企业的舆情变化节点；根据舆情变化节点划分不同舆情阶段；根据舆情的发展进度将其分成四个阶段：舆情潜伏期、舆情爆发期、舆情持续期和舆情淡化期，输出生产商企业所处的舆情阶段。

27、进一步可选地，所述根据生产商企业所处的不同舆情阶段获得企业发展趋势的评估结果包括：

28、获得生产商企业所处的舆情阶段；根据企业所处的不同的舆情阶段，采用预设评估指标评估生产商企业的发展趋势；预设评估指标分为：大众关注度、媒体关注度、传播速度、话题敏感性、舆情偏差和态度中心；大众关注度是民众参与企业舆情的程度，媒体关注度是媒体参与企业舆情的程度；传播速度是舆情信息扩散的速度，不同的传播速度会产生不同的社会效应；话题敏感性的高低对舆情的发展有着重要的影响，越敏感的话题所引起的企业舆情也会越大；舆情偏差是社会上流传的信息与企业舆情话题真实信息之间的差异，是影响企业发展的重要因素；在大众里数量超过预设阈值的人的态度就是态度中心，态度中心是影响舆情变化方向的重要因素；输出企业发展趋势的评估结果。

29、进一步可选地，所述基于dmn规范根据评估结果对生产商企业的每个舆情阶段进行不同决策包括：

30、获得生产商企业发展趋势的评估结果；针对生产商企业的不同舆情阶段，首先根据评估结果定义要决策的事件和条件，获得决策所需要的相关信息；基于相关信息，提供所有备选的决策方案；基于dmn规范，根据不同企业发展趋势的舆情阶段对备选方案进行论证；通过综合评分法在不同舆情阶段里选择最优的决策方案；输出经销商企业在生产商企业的不同舆情阶段所作出的最优决策；包括：通过综合评分法对每个舆情阶段进行评估得到最优决策；

31、所述通过综合评分法对每个舆情阶段进行评估得到最优决策，具体包括：

32、通过综合评分法为经销商在生产商企业的每个舆情阶段里选择最优的决策方案；综合评分法是指通过选择对不同的决策方案影响都有明显作用的评估指标，确定它们的权重和评分，计算得到总分数，总分数的高低选择决策方案的方法；根据经销商需求选择对经销商决策有明显影响的评估指标,包括产品的“价格”、“销量”和“质量”；根据在不同企业舆情阶段中所处的地位和重要性确定各个指标的权重；赋予不同指标相应的分值，结合权重进行加权计算得出总分数；以总分数的高低选择决策方案的方法，输出经销商企业的最优决策。

33、本发明实施例提供的技术方案可以包括以下有益效果：

34、本发明基于决策模型管理规范的决策引擎设计能够帮助经销商企业及时掌握生产商企业的舆情信息，选择最优的生产商企业合作对象，避免生产商企业形成贸易垄断，进而保护经销商企业利益。本发明根据经销商企业的需求获取生产商企业的多源数据舆情信息文本，并使用基于特征降维的文本数据分析算法对其进行分析；通过分析结果使用人工神经网络算法对生产商的企业舆情变化趋势进行预测和模拟，获取生产商企业的舆情变化节点；根据舆情变化节点划分不同的舆情阶段；最后在决策模型管理规范的基础上根据不同舆情阶段的实际发展趋势选择最优的决策方案，从而决定经销商企业的具体进货决策，包括是否需要更换生产厂商和进货的具体时间，使企业获得更大的利润。