一种基于知识图谱和网络分析法的系统评价方法技术方案

本发明专利技术公开了一种基于知识图谱和网络分析法的系统评价方法，包括如下步骤：根据评价目标相关的文本数据建立知识图谱；确定网络分析法的控制层，然后根据控制层准则，利用知识图谱查询和关键词词向量，检索准则控制的具体指标，构建网络层，并由专家修改或补充；对于专家组给出指标间的相对重要性标度，根据指标与准则之间的相似度对标度进行修正，构建判断矩阵，计算网络分析法的极限相对排序向量，确定各指标的权重。本发明专利技术提升了评价过程的效率；同时基于相似度对指标间的相对重要性标度进行了修正，增加了评价决策过程的客观性。增加了评价决策过程的客观性。增加了评价决策过程的客观性。

【技术实现步骤摘要】
一种基于知识图谱和网络分析法的系统评价方法


[0001]本专利技术涉及自然语言处理
，尤其是一种基于知识图谱和网络分析法的系统评价方法。

技术介绍

[0002]知识图谱的概念在2012年由Google公司首先提出，最初应用于改善其搜索引擎的质量。知识图谱本质上是一种大规模的语义网络，拥有丰富的节点和关系。构成知识图谱的节点代表实体或者概念，边代表实体或概念之间的各种关系。知识图谱的技术流程一般为：首先确定知识表示模型，然后根据数据来源选择不同步的知识获取手段导入知识，接着综合利用知识推理、知识融合、知识挖掘等技术对构建的知识图谱进行质量提升，最后根据需求设计不同的知识访问或者呈现方法，如语义搜索、问答交互、图谱可视化分析等。作为一种应用型技术，知识图谱在许多行业中都有具体应用，如信息检索、问答系统、推荐系统、电子商务、教育医疗、工业生产等。
[0003]网络分析法(ANP)是Satty提出的一种适应复杂结构的决策方法，它是在层次分析法(AHP)的基础上发展形成的一种实用决策方法。网络分析法将系统因素分为控制因素层和网络层两个部分。控制因素层包括目标和控制准则，每个控制准则的权重可由层次分析法获得；网络层由所有受控制层支配的元素组组成，元素组之间是相互影响的网络结构，每个元素组内部是具有相同性质的元素，网络层利用超矩阵对相互影响的各个因素进行综合分析得到混合权重。与层次分析法相比，网络分析法考虑到了不同层次以及同层次间因素交叉作用的情况，而且网络分析法构建的系统结构并不要求像层次分析法那样有严格的层次关系。网络分析法更符合决策问题的实际情况，具有比层次分析法更广阔的应用场景，能解决更复杂的实际问题。
[0004]目前，关于系统评价方法的研究大多偏向于与具体应用相结合，理论基础往往是对单一系统评价方法的改进和多种已有系统评价方法的综合，研究发展遇到瓶颈。传统的系统评价方法往往过于依赖专家的意见，会导致建立的指标体系不完备和难以体现指标间的潜在联系；各因素权重的分配主观性较强；整个系统评价过程周期长、效率低；对现有的数据不能做到快速、充分利用等问题。

技术实现思路

[0005]本专利技术所要解决的技术问题在于，提供一种基于知识图谱和网络分析法的系统评价方法，能够实现系统评价理论与人工智能的创新结合，充分利用已有数据作为对专家知识的补充，提升评价过程的效率和智能化程度，减少评价决策过程中的主观性。
[0006]为解决上述技术问题，本专利技术提供一种基于知识图谱和网络分析法的系统评价方法，包括如下步骤：
[0007]S1、根据评价目标，搜集包括专家组初始设定的控制层准则及相关文本数据，对数据进行词嵌入获得到词向量库；通过文本分类、实体识别、关系抽取技术，最终将文本数据
建立成知识图谱，该知识图谱作为网络分析法中网络层建立的一个指标库；
[0008]S2、对于由专家组构建网络分析法的初始控制层，根据控制层的准则，基于知识图谱查询和关键词词向量信息，搜索知识图谱中相关节点作为指标建立网络层，提交给专家组进行修改或补充；
[0009]S3、对于由专家组给出的各指标间的相对重要性标度，根据指标间的相似度，对指标间的相对重要性标度进行修正，计算网络分析法的超矩阵、加权超矩阵和极限相对排序向量，确定各指标的权重。
[0010]优选的，步骤S1中，在对文本数据进行词嵌入时，若步骤S1中专家初始给出的控制层准则在文本数据中不存在，则需专家给出该准则的补充描述，放入文本数据中一起做词嵌入以获得控制层准则的词向量，需要根据文本数据设定自定义词典确保重要的专有词汇不被破坏，设定停用词典过滤无用的词汇；
[0011]在构建完知识图谱后，若存在节点实体是较长的文本信息而非单一词汇，则需对节点提取关键词，为步骤S2中根据控制层准则查询和步骤S3中对指标间相对重要性标度修正做准备工作，提取关键词的算法就是计算出节点每个词的TF
‑
INF值：
[0012]TF
‑
INF＝TF*INF
[0013]其中，TF定义为某个词在该节点中出现的频率，INF定义为逆节点频率；
[0014]然后按降序排列，取排序最高的词或较高的几个词；
[0015][0016]其中，N表示知识图谱的总节点数，m表示包含该词的节点数。
[0017]优选的，步骤S2中，若控制层准则在知识图谱中有相同的节点，即该准则与网络层有直接关系，可视为网络分析法中的“连接”准则，查询时只需返回其邻接的、具有特定标签的节点作为该准则候选相关指标；
[0018]若控制层准则在知识图谱中无相同节点，即该准则与网络层无直接关系，可视为网络分析法中的“诱导”准则，查询前需先找到与准则相似度最高的节点：
[0019]定义准则与节点间的相似度为其关键词词向量的相似度，计算公式为：
[0020][0021]其中，表示控制层准则P
S
的词向量，表示节点Node第i个关键词的词向量；
[0022]计算每个节点与准则的若存在多个节点与准则的相似度相同的的情形，则比较以此类推，直至选出最相似节点或关键词全部比较完成，最后再通过查询在知识图谱中找到节点并返回其邻接的、具有特定标签的节点作为候选指标；
[0023]使用上述两种情况搜索到的指标构建网络层时，保留它们在知识图谱中原本存在的关系。
[0024]优选的，步骤S3中，网络分析法结构已经构建完成，假设在控制层准则P
S
控制元素
组C
i
和C
j
，以元素组C
j
中元素c
jk
为次准则，比较元素组C
i
中的元素c
il
和c
im
的相对重要性需要根据元素的相似度修正相对重要性标度，定义元素c
il
和c
im
与次准则c
jk
相似度为：
[0025][0026]其中，为元素c
jk
、c
il
、c
im
排序最高的关键词词向量。
[0027]同理也可比较直接以P
S
为准则，元素组C
i
中的元素c
il
和c
im
的相对重要性；
[0028]相对重要性标度采用1
‑
9标度法，假设专家组给出在c
jk
次准则下，c
il
对c
im
的相对重要性标度为a
il_im
，(a
il_im
＝1,2,
…
,9)，则修正后，最终的相对重要性标度表示为：
[0029][0030]其具体含义为若元素c
il
比元素c
im
在客观意义上的含义更接近次准则c
jk
，即c
il
与c<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于知识图谱和网络分析法的系统评价方法，其特征在于，包括如下步骤：S1、根据评价目标，搜集包括专家组初始设定的控制层准则及相关文本数据，对数据进行词嵌入获得到词向量库；通过文本分类、实体识别、关系抽取技术，最终将文本数据建立成知识图谱，该知识图谱作为网络分析法中网络层建立的一个指标库；S2、对于由专家组构建网络分析法的初始控制层，根据控制层的准则，基于知识图谱查询和关键词词向量信息，搜索知识图谱中相关节点作为指标建立网络层，提交给专家组进行修改或补充；S3、对于由专家组给出的各指标间的相对重要性标度，根据指标间的相似度，对指标间的相对重要性标度进行修正，计算网络分析法的超矩阵、加权超矩阵和极限相对排序向量，确定各指标的权重。2.如权利要求1所述的基于知识图谱和网络分析法的系统评价方法，其特征在于，步骤S1中，在对文本数据进行词嵌入时，若步骤S1中专家初始给出的控制层准则在文本数据中不存在，则需专家给出该准则的补充描述，放入文本数据中一起做词嵌入以获得控制层准则的词向量，需要根据文本数据设定自定义词典确保重要的专有词汇不被破坏，设定停用词典过滤无用的词汇；在构建完知识图谱后，若存在节点实体是较长的文本信息而非单一词汇，则需对节点提取关键词，为步骤S2中根据控制层准则查询和步骤S3中对指标间相对重要性标度修正做准备工作，提取关键词的算法就是计算出节点每个词的TF
‑
INF值：TF
‑
INF＝TF*INF其中，TF定义为某个词在该节点中出现的频率，INF定义为逆节点频率；然后按降序排列，取排序最高的词或较高的几个词；其中，N表示知识图谱的总节点数，m表示包含该词的节点数。3.如权利要求1所述的基于知识图谱和网络分析法的系统评价方法，其特征在于，步骤S2中，若控制层准则在知识图谱中有相同的节点，即该准则与网络层有直接关系，视为网络分析法中的“连接”准则，查询时只需返回其邻接的、具有特定标签的节点作为该准则候选相关指标；若控制层准则在知识图谱中无相同节点，即该准则与网络层无直接关系，视为网络分析法中的“诱导”准则，查询前需先找到与准则相似度最高的节点：定义准则与节点间的相似度为其关键词词向量的余弦相似度，计算公式为：其中，表示控制层准则P
S
的词向量，表示节点Node第i个关键词的词向量；计算每个节点与准则的若存在多个节点与准则的相似度相同的的情...

【专利技术属性】
技术研发人员：邢健豪，刘剑慰，冒泽慧，付鑫华，戴志浩，王一凡，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：