CN113450010A - 数据对象的评价结果的确定方法、装置和服务器 - Google Patents
数据对象的评价结果的确定方法、装置和服务器 Download PDFInfo
- Publication number
- CN113450010A CN113450010A CN202110767930.XA CN202110767930A CN113450010A CN 113450010 A CN113450010 A CN 113450010A CN 202110767930 A CN202110767930 A CN 202110767930A CN 113450010 A CN113450010 A CN 113450010A
- Authority
- CN
- China
- Prior art keywords
- evaluation
- preset
- data object
- feature
- target data
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 419
- 238000000034 method Methods 0.000 title claims abstract description 52
- 239000011159 matrix material Substances 0.000 claims abstract description 132
- 238000012545 processing Methods 0.000 claims abstract description 36
- 239000013598 vector Substances 0.000 claims abstract description 33
- 238000010276 construction Methods 0.000 claims abstract description 26
- 230000006870 function Effects 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 7
- 230000006978 adaptation Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000012552 review Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013077 scoring method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012360 testing method 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
- G06Q10/06—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Pure & Applied Mathematics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Mathematical Analysis (AREA)
- Educational Administration (AREA)
- Computational Mathematics (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书提供了一种数据对象的评价结果的确定方法、装置和服务器。基于该方法，在需要客观评价目标数据对象时，可以先获取包含有多个评论对象针对目标数据对象的多个特征的评价参数的目标评语集；再根据预设的构建规则，利用目标评语集，构建得到针对目标数据对象的多个特征矩阵；其中，每一个特征矩阵分别对应一种评价维度；且每一个特征矩阵包含有所对应的评价维度下的特征的评价统计向量；再根据预设的处理规则，利用多个特征矩阵，结合预先根据模糊综合评价法确定出的多个预设的特征权重矩阵、预设的评价维度权重矩阵，确定出目标数据对象的评价结果。从而可以智能地实现自动、客观地评价目标数据对象，得到参考价值较高、较可靠的评价结果。
Description
技术领域
本说明书属于人工智能技术领域，尤其涉及数据对象的评价结果的确定方法、装置和服务器。
背景技术
在与工作、生活相关的多种场景中，用户常常需要获得针对某一个事物对象较为准确、客观的评价结果。例如，用户在网站选择购买某件商品时，会综合网上不同消费者针对该商品的评论来确定该商品的总体评价；再根据该总体评价，确定是否购买该商品。又例如，用户在确定某个员工的季度奖金时，会综合公司里多个不同负责人对该员工的评价，来确定该员工的贡献度评价结果；再根据贡献度评价结果，确定该员工具体的季度奖金。
但是，用户在具体评价某个事物对象时，往往会同时面对多个不同的评论者针对该事物对象的多种不同评价。这种情况下，用户通常很难得到参考价值较高、较为客观的评价结果。
针对上述问题，目前尚未提出有效的解决方案。
发明内容
本说明书提供了一种数据对象的评价结果的确定方法、装置和服务器，以智能地实现自动、客观地评价目标数据对象，得到参考价值较高、较为可靠的评价结果。
本说明书实施例提供了一种数据对象的评价结果的确定方法，包括：
获取目标数据对象的目标评语集；其中，所述目标评语集包含有多个评论对象针对目标数据对象的多个特征的评价参数；所述多个特征分别属于多种评价维度；
根据预设的构建规则，利用所述目标评语集，构建得到针对目标数据对象的多个特征矩阵；其中，特征矩阵分别对应一种评价维度；所述特征矩阵包含有所对应的评价维度下的特征的评价统计向量；
根据预设的处理规则，利用多个特征矩阵、多个预设的特征权重矩阵、预设的评价维度权重矩阵，确定出目标数据对象的评价结果；其中，所述预设的特征权重矩阵分别对应一种评价维度；所述预设的特征权重矩阵和预设的评价维度权重矩阵为预先根据模糊综合评价法确定的。
在一些实施例中，所述目标评语集包含多个评论对象针对目标数据对象所分别提供的多个评价语句。
在一些实施例中，根据预设的构建规则，利用所述目标评语集，构建得到针对目标数据对象的多个特征矩阵，包括：
根据所述多个评价语句，提取出针对目标数据对象的多个特征的评价参数；
统计所述多个特征的评价参数，以得到多个特征的评价统计结果；
根据预设的构建规则，利用所述多个特征的评价统计结果，构建针对目标数据对象的多个特征矩阵。
在一些实施例中，根据预设的构建规则，利用所述多个特征的评价统计结果，构建针对目标数据对象的多个特征矩阵，包括：
按照以下方式，构建多个特征矩阵中的当前特征矩阵：
从所述多个特征的评价统计结果中筛选出属于当前评价维度的当前特征的评价统计结果；其中，所述当前特征矩阵与当前评价维度对应；
根据当前特征的评价统计结果，确定出针对当前特征的不同类型的评价参数的统计值；
根据针对当前特征的不同类型的评价参数的统计值，确定出当前特征的评价统计向量；
组合所述当前特征的评价统计向量，以构建得到所述当前特征矩阵。
在一些实施例中，根据预设的处理规则，利用多个特征矩阵、多个预设的特征权重矩阵、预设的评价维度权重矩阵，确定出目标数据对象的评价结果，包括：
根据多个特征矩阵、多个预设的特征权重矩阵、预设的评价维度权重矩阵，进行预设的函数运算，得到对应的运算结果；
对所述运算结果进行归一化处理，得到目标数据对象的评价结果。
在一些实施例中，根据多个特征矩阵、多个预设的特征权重矩阵、预设的评价维度权重矩阵，进行预设的函数运算，包括：
按照以算式进行预设的函数运算：
其中，D为运算结果，Ai为与编号为i的评价维度对应的预设的特征权重矩阵，Ri为与编号为i的评价维度对应的特征矩阵，A为预设的评价维度权重矩阵，n为评价维度的种数。
在一些实施例中，所述方法还包括：
获取历史评价记录；
根据历史评价记录，通过层次分析，构建得到针对多个评价维度的第一级判断比较矩阵，以及分别针对各个评价维度下的多个特征的多个第二级判断比较矩阵；
根据所述第一级判断比较矩阵，确定符合要求的预设的评价维度权重矩阵；根据所述多个第二级判断比较矩阵，确定符合要求的多个预设的特征权重矩阵。
在一些实施例中，所述目标数据对象包括以下至少之一：商品对象、员工对象、用户对象、企业对象。
在一些实施例中，在所述目标数据对象包括员工对象的情况下，所述评价维度包括：基本信息维度、职务等级维度、工作成绩维度。
本说明书实施例还提供了一种数据对象的评价结果的确定装置，包括：
获取模块，用于获取目标数据对象的目标评语集；其中，所述目标评语集包含有多个评论对象针对目标数据对象的多个特征的评价参数；所述多个特征分别属于多种评价维度；
构建模块，用于根据预设的构建规则，利用所述目标评语集，构建得到针对目标数据对象的多个特征矩阵；其中，特征矩阵分别对应一种评价维度；所述特征矩阵包含有所对应的评价维度下的特征的评价统计向量；
确定模块，用于根据预设的处理规则，利用多个特征矩阵、多个预设的特征权重矩阵、预设的评价维度权重矩阵，确定出目标数据对象的评价结果；其中，所述预设的特征权重矩阵分别对应一种评价维度；所述预设的特征权重矩阵和预设的评价维度权重矩阵为预先根据模糊综合评价法确定的。
本说明书实施例还提供了一种服务器，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现以下内容：获取目标数据对象的目标评语集；其中，所述目标评语集包含有多个评论对象针对目标数据对象的多个特征的评价参数；所述多个特征分别属于多种评价维度；根据预设的构建规则，利用所述目标评语集，构建得到针对目标数据对象的多个特征矩阵；其中，特征矩阵分别对应一种评价维度；所述特征矩阵包含有所对应的评价维度下的特征的评价统计向量；根据预设的处理规则，利用多个特征矩阵、多个预设的特征权重矩阵、预设的评价维度权重矩阵，确定出目标数据对象的评价结果；其中，所述预设的特征权重矩阵分别对应一种评价维度；所述预设的特征权重矩阵和预设的评价维度权重矩阵为预先根据模糊综合评价法确定的。
本说明书实施例还提供了一种计算机可读存储介质，其上存储有计算机指令，所述指令被计算机设备执行时实现：获取目标数据对象的目标评语集；其中，所述目标评语集包含有多个评论对象针对目标数据对象的多个特征的评价参数；所述多个特征分别属于多种评价维度；根据预设的构建规则，利用所述目标评语集，构建得到针对目标数据对象的多个特征矩阵；其中，特征矩阵分别对应一种评价维度；所述特征矩阵包含有所对应的评价维度下的特征的评价统计向量；根据预设的处理规则，利用多个特征矩阵、多个预设的特征权重矩阵、预设的评价维度权重矩阵，确定出目标数据对象的评价结果；其中，所述预设的特征权重矩阵分别对应一种评价维度；所述预设的特征权重矩阵和预设的评价维度权重矩阵为预先根据模糊综合评价法确定的。
本说明书提供了一种数据对象的评价结果的确定方法、装置和服务器。基于该方法，在需要客观评价目标数据对象时，可以先获取包含有多个评论对象针对该目标数据对象的多个特征的评价参数的目标评语集；再根据预设的构建规则，利用目标评语集，构建得到针对目标数据对象的多个特征矩阵；其中，每一个特征矩阵分别对应一种评价维度；且每一个特征矩阵包含有所对应的评价维度下的多个特征的评价统计向量；再根据预设的处理规则，利用多个特征矩阵，结合预先根据模糊综合评价法确定出的多个预设的特征权重矩阵、预设的评价维度权重矩阵，基于统计层面来确定出目标数据对象的评价结果。从而可以智能地实现自动、客观地评价目标数据对象，得到参考价值较高、较为可靠的评价结果。
附图说明
为了更清楚地说明本说明书实施例，下面将对实施例中所需要使用的附图作简单地介绍，下面描述中的附图仅仅是本说明书中记载的一些实施例，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是本说明书的一个实施例提供的数据对象的评价结果的确定方法的流程示意图；
图2是本说明书的一个实施例提供的服务器的结构组成示意图；
图3是本说明书的一个实施例提供的数据对象的评价结果的确定装置的结构组成示意图；
图4是在一个场景示例中，应用本说明书实施例提供的数据对象的评价结果的确定方法的一种实施例的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都应当属于本说明书保护的范围。
参阅图1所示，本说明书实施例提供了一种数据对象的评价结果的确定方法。其中，该方法具体应用于服务器一侧。具体实施时，该方法可以包括以下内容：
S101：获取目标数据对象的目标评语集；其中，所述目标评语集包含有多个评论对象针对目标数据对象的多个特征的评价参数；所述多个特征分别属于多种评价维度；
S102：根据预设的构建规则，利用所述目标评语集，构建得到针对目标数据对象的多个特征矩阵；其中，特征矩阵分别对应一种评价维度；所述特征矩阵包含有所对应的评价维度下的特征的评价统计向量；
S103：根据预设的处理规则，利用多个特征矩阵、多个预设的特征权重矩阵、预设的评价维度权重矩阵，确定出目标数据对象的评价结果；其中，所述预设的特征权重矩阵分别对应一种评价维度；所述预设的特征权重矩阵和预设的评价维度权重矩阵为预先根据模糊综合评价法确定的。
通过上述实施例，可以先获取并根据目标数据对象的目标评语集，构建得到针对该目标数据对象的，与多种评价维度分别对应的多个特征矩阵；进而可以根据上述多个特征矩阵，结合预先根据模糊综合评价法确定得到的多个预设的特征权重矩阵、预设的评价维度权重矩阵，来准确、客观地对目标数据对象的进行评价，得到参考价值较高、较为可靠的评价结果。
在一些实施例中，上述数据对象的评价结果的确定方法具体可以应用于业务数据处理系统的服务器一侧。其中，在本实施例中，该服务器具体可以包括一种应用于数据处理系统一侧，能够实现数据传输、数据处理等功能的后台服务器。具体的，所述服务器例如可以为一个具有数据运算、存储功能以及网络交互功能的电子设备。或者，所述服务器也可以为运行于该电子设备中，为数据处理、存储和网络交互提供支持的软件程序。在本实施例中，并不具体限定所述服务器的数量。所述服务器具体可以为一个服务器，也可以为几个服务器，或者，由若干服务器形成的服务器集群。
在一些实施例中，上述目标数据对象具体可以理解为一种待评价的数据对象。对应于不同的应用场景，上述目标数据对象具体可以是不同类型的数据对象。
具体的，所述目标数据对象包括以下至少之一：商品对象、员工对象、用户对象、企业对象等等。
当然，需要说明的是，上述所列举的多种目标数据对象只是一种示意性说明。具体实施实施，根据具体的应用场景和处理需求，上述目标数据对象还可以包括其他应用场景中的其他类型的数据对象。对此，本说明书不作限定。
通过上述实施例，可以将本说明书实施所提供的数据对象的评价结果的确定方法推广应用于多种不同的应用场景中，以对多种不同类型的目标数据对象进行较为准确、客观的评价。
在一些实施例中，上述目标数据对象的目标评语集具体可以包括多个评论对象针对该目标数据对象的多个特征分别给出的评价参数。其中，每一个特征又分别属于一种评价维度。
具体的，以员工对象的贡献度的评价场景为例，上述目标数据对象具体可以是待评价贡献度的员工对象。相应的，所述评价维度具体可以包括：基本信息维度、职务等级维度、工作成绩维度。
进一步，针对每一种评价维度还可以包括一个或多个下一层级的具体特征。例如，在员工对象的贡献度的评价场景中，属于所述基本信息维度的特征具体可以包括：工龄信息、年龄信息、学历信息等；属于所述职务等级维度的特征具体可以包括：职务层级、技能等级等；属于工作成绩维度的特征具体可以包括：获奖记录、考核记录等。
通过上述实施例，不同的评论对象可以基于不同的评价维度，针对不同评价维度下的具体特征来对目标数据对象进行较为全面评价，进而可以得到较为丰富的目标评语集。
在一些实施例中，对应不同的应用场景，上述评论对象也可以是不同类型的数据对象。例如，在员工对象的贡献度的评价场景中，上述评论对象具体可以是该员工对象的上级领导。又例如，在演员表演的评价场景中，上述评论对象具体可以是负责对表演评分的评委。再例如，在商品的评价场景中，上述评论对象具体可以是之前购买过该商品，并在网站留下关于该商品的消费者等等。
当然，需要说明的是，上述所列举的评论对象只是一种示意性说明。具体实施时，根据具体的应用场景和处理需求，上述评论对象还可以包括其他应用场景中的其他类型的数据对象。对此，本说明书不作限定。
在一些实施例中，评论者针对目标数据对象的特征的评价参数具体可以包括：评论者针对目标数据对象的某个具体特征的数值型评价参数，和/或，文本型评价参数。
例如，针对工作成绩维度下的特征考核记录的评价参数可以是：100(一种以量化的方式用于表征月度工作评分的数值型评价参数)，也可以是：非常优秀(一种以定性的方式用于表征月度工作情况的文本型评价参数)。
在一些实施例中，所述目标评语集具体可以包含有多个评论对象分别针对目标数据对象的提供的多个评价语句。
其中，每一个评价语句由所对应的一个评论对象提供。每一个评价语句具体可以包含有所对应的评论对象针对该目标数据对象的各个特征给出的评价参数。
通过上述实施例，可以获取并利用包含有评论对象针对该目标数据对象的各个特征给出的评价参数的评价语句来构建针对目标数据对象的符合要求的目标评语集。
在一些实施例中，上述评价语句可以包括数值型评价语句。具体的，评价语句中所包含的针对目标数据对象的各个特征的评价参数具体可以为数值型的评价参数。
例如，评论对象1对目标数据对象的数值型评价语句可以表示为：[考核记录：100；职务层级：6，技能等级：7]。评论对象2对同一个目标数据对象的数值型评价语句可以表示为：[考核记录：95；职务层级：6，技能等级：8]等。
在一些实施例中，上述评价语句还可以包括文本型评价语句。具体的，评价语句中所包含的针对目标数据对象的各个特征的评价参数具体可以为文本型的评价参数。
例如，在目标评语集中，评论对象3对目标数据对象的评价语句可以为“XXX本月度工作考核为非常优秀，职务为高工，技能等级为八级”等。
通过上述实施例，可以获取文本型评价语句和/或数值型评价语句，来构建针对目标数据对象的目标评语集，从而可以得到较为丰富、全面的目标评语集。
在一些实施例中，上述根据预设的构建规则，利用所述目标评语集，构建得到针对目标数据对象的多个特征矩阵，具体实施时，可以包括以下内容：
S1：根据所述多个评价语句，提取出针对目标数据对象的多个特征的评价参数；
S2：统计所述多个特征的评价参数，以得到多个特征的评价统计结果；
S3：根据预设的构建规则，利用所述多个特征的评价统计结果，构建针对目标数据对象的多个特征矩阵。
通过上述实施例，可以根据预设的构建规则，充分地利用目标评语集中所包含的评价参数，构建得到基于统计层面上的，效果较好、且适于后续的运算处理的多个特征矩阵。
在一些实施例中，具体实施时，可以从目标评语集中获取多个评价语句；再针对各个评价语句分别提取出所包含的针对目标数据对象的多个特征的评价参数。
具体对单个评价语句提取针对目标数据对象的多个特征的评价参数时，对于数值型评价语句，具体处理时，可以先在评价语句中检索定位出特征字段(例如，字段“考核记录”)；再基于特征字段，提取该特征字段后的数值型数据(例如，数字“100”)，作为针对该目标数据对象的特征(例如，考核记录)的评价参数。
对于文本型评价语句，可以调用预先训练好的语义识别模型处理所述评价语句，得到对应的语义识别结果；再根据语义识别结果，提取出针对该目标数据对象的各个特征的评价参数。
通过上述实施例，可以从多个评价语句中提取得到多个评论对象针对目标数据对象的多个特征中的各个特征的评价参数。
在一些实施例中，具体统计多个特征的评价参数时，以统一多个特征中的任意一个当前特征的评价参数为例，可以根据所提取到的当前特征的评价参数，先确定出当前特征的评价参数的不同类型。例如，对于考核记录特征，存在以下6个不同类型，分别为：100、95、90、85、80、75。
进一步，再统计当前特征的各种不同类型的评价参数的数量与总数量的比值，作为不同类型的评价参数的统计值。例如，对于考核记录特征中100的评价参数的数量为30(可以理解为对该特征给出评价参数为100的评论对象的数量为30)，总数量为100(可以理解为对该特征给出评价参数的评论对象的总数量为100)，进而可以确定出100这一类型的评价参数的统计值为30/100＝0.3。类似的，可以确定出：95这一类型的评价参数的统计值为：0.1；90这一类型的评价参数的统计值为：0.1；85这一类型的评价参数的统计值为：0.2；80这一类型的评价参数的统计值为：0.1；75这一类型的评价参数的统计值为：0.2。
按照类似的方式，可以计算出各个特征中不同类型的评价参数的统计值，得到多个特征中的各个特征的评价统计结果。
此外，还可以根据预设的隶属规则，确定出各个特征所属的评价维度。再根据各个评价维度下的特征的评价统计结果，来构建与该评价维度对应的特征矩阵。
在一些实施例中，上述根据预设的构建规则，利用所述多个特征的评价统计结果，构建针对目标数据对象的多个特征矩阵，具体可以包括：按照以下方式，构建多个特征矩阵中的当前特征矩阵：
S1：从所述多个特征的评价统计结果中筛选出属于当前评价维度的当前特征的评价统计结果；其中，所述当前特征矩阵与当前评价维度对应；
S2：根据当前特征的评价统计结果，确定出针对当前特征的不同类型的评价参数的统计值；
S3：根据针对当前特征的不同类型的评价参数的统计值，确定出当前特征的评价统计向量；
S4：组合所述当前特征的评价统计向量，以构建得到所述当前特征矩阵。
在本实施例中，上述当前特征具体可以理解为属于当前评价维度的一个或多个特征。上述当前特征矩阵为与当前评价维度对应的矩阵。
通过上述实施例，可以根据当前评价维度下的当前特征的评价统计结果，构建得到基于统计层面上的，效果较好的当前特征矩阵。
按照上述方式，可以构建得到与多个评价维度分别对应的多个特征矩阵。
在一些实施例中，具体实施时，可以根据当前特征的评价统计结果，将对应同一个当前特征的不同类型的评价参数的统计值按照预设的顺序(例如，按照类型的优先级顺序)排列，得到对应特征的评价统计向量；再通过组合对应同一个评价维度的特征的评价统计向量，得到与该评价维度对应的特征矩阵。
例如，对于工作成绩维度下的一个考核记录特征，可以得到以下所示的评价统计向量：(r11 r12 r13 r14 r15 r16)；对于工作成绩维度下的另一个获奖记录特征，可以得到以下所示的评价统计向量：(r21 r22 r23 r24 r25 r26)。再将上述两个评价统计向量进行组合，得到如下所示的与工作成绩维度对应的特征矩阵：
类似的，按照上述方式可以得到与其他几个评价维度对应的特征矩阵，分别表示为：
R2＝[r′11 r′12 r′13 r′14 r′15 r′16]，
在一些实施例中，上述根据预设的处理规则，利用多个特征矩阵、多个预设的特征权重矩阵、预设的评价维度权重矩阵，确定出目标数据对象的评价结果，具体实施时，可以包括以下内容：
S1：根据多个特征矩阵、多个预设的特征权重矩阵、预设的评价维度权重矩阵，进行预设的函数运算，得到对应的运算结果；
S2：对所述运算结果进行归一化处理，得到目标数据对象的评价结果。
其中，上述预设的特征权重矩阵分别对应一种评价维度；所述预设的特征权重矩阵和预设的评价维度权重矩阵为预先根据历史评价记录通过模糊综合评价法确定得到的。
通过上述实施例，可以根据预设的处理规则，利用多个特征矩阵、多个预设的特征权重矩阵、预设的评价维度权重矩阵，准确、高效地确定出目标数据对象的评价结果。
在一些实施例中，上述根据多个特征矩阵、多个预设的特征权重矩阵、预设的评价维度权重矩阵，进行预设的函数运算，具体实施时，可以包括：按照以算式进行预设的函数运算：
其中，D为运算结果，Ai为与编号为i的评价维度对应的预设的特征权重矩阵，Ri为与编号为i的评价维度对应的特征矩阵，A为预设的评价维度权重矩阵，n为评价维度的种数。
通过上述实施例，可以充分地利用矩阵的特性，通过进行预设的函数运算，快速地计算得到用于确定目标数据对象的评价结果的运算结果。
具体的，例如，预设的评价维度权重矩阵为：A＝(a1，a2，a3)，与三个评价维度分别对应的三个预设的特征权重矩阵分别表示为：
A1＝(a11，a12)、A2＝(a21)、A3＝(a31，a32)。
其中，a1、a2、a3、a11、a12、a21、a31、a32分别表示预先确定出的权重向量。
此外，与三个评价维度分别对应的三个特征矩阵可以分别表示为：R1、R2、R3。
进而，可以进行如下所示的预设的函数运算，以得到对应的运算结果D：
其中，所述运算结果具体可以包括多个参数值(例如，b1，b2，b3，b4，b5，b6)。多个参数值中的每一个参数值分别对应一个特征的评价值。
在一些实施例中，对所述运算结果进行归一化处理，得到目标数据对象的评价结果，具体实施时，可以包括：
按照以下算式，计算出目标数据对象的评价结果：
其中，D′表示经过归一化处理后的目标数据对象的评价结果。
在一些实施例中，在确定出目标数据对象的评价结果之后，所述方法具体实施时，还可以包括：根据目标对象的评价结果，进行与目标对象相关的目标数据处理。
具体的，对应不同的应用场景，可以根据目标对象的评价结果进行不同类型的目标数据处理。例如，可以根据商品对象的评价结果，确定是否购买该商品对象。又例如，可以根据员工对象的评价结果，进一步确定该员工对象的贡献度；再根据该员工对象的贡献度，确定出相匹配的奖金进行发放。还例如，可以根据用户对象的评价结果，确定该用户对象的用户类群，并将该用户对象划分到相应的用户类群中等。
在一些实施例中，具体实施前，所述方法还可以包括以下内容：
S1：获取历史评价记录；
S2：根据历史评价记录，通过层次分析，构建得到针对多个评价维度的第一级判断比较矩阵，以及分别针对各个评价维度下的多个特征的多个第二级判断比较矩阵；
S3：根据所述第一级判断比较矩阵，确定符合要求的预设的评价维度权重矩阵；根据所述多个第二级判断比较矩阵，确定符合要求的多个预设的特征权重矩阵。
通过上述实施例，可以基于模糊综合评价法，有效地利用所获取得到的历史评价记录，通过层次分析，构建得到符合要求的预设的评价维度权重矩阵，以及符合要求的多个预设的特征权重矩阵，以便后续确定目标数据对象的评价结果时使用。
在一些实施例中，具体实施时，还可以同时获取专家经验或已有的权重设置规则。相应的，可以根据历史评价记录，同时结合专家经验或已有的权重设置规则，通过层次分析，来构建得到针对多个评价维度的第一级判断比较矩阵，以及分别针对各个评价维度下的多个特征的多个第二级判断比较矩阵。
在一些实施例中，在根据所述第一级判断比较矩阵，确定符合要求的预设的评价维度权重矩阵；根据所述多个第二级判断比较矩阵，确定符合要求的多个预设的特征权重矩阵之后，还可以分别对所确定出的预设的评价维度权重矩阵、多个预设的特征权重矩阵分别进行一致性校验，在确定校验通过的情况下，才保留上述预设的评价维度权重矩阵、多个预设的特征权重矩阵以备后续使用。在确校验不通过的情况下，可以对第一级判断比较矩阵，和/或，第二级判断比较矩阵进行针对性的修改，再基于修改后的判断比较矩阵，重新确定预设的评价维度权重矩阵和多个预设的特征权重矩阵，直到所确定出的预设的评价维度权重矩阵、多个预设的特征权重矩阵一致性校验通过为止。
通过上述实施例，可以构建得到精度较高、误差较小，且符合要求的预设的评价维度权重矩阵、多个预设的特征权重矩阵。
由上可见，基于本说明书实施例提供的数据对象的评价结果的确定方法，在需要客观评价目标数据对象时，可以先获取包含有多个评论对象针对目标数据对象的多个特征的评价参数的目标数据对象的目标评语集；再根据预设的构建规则，利用目标评语集，构建得到针对目标数据对象的多个特征矩阵；其中，每一个特征矩阵分别对应一种评价维度；且每一个特征矩阵包含有所对应的评价维度下的特征的评价统计向量；再根据预设的处理规则，利用多个特征矩阵，结合预先根据模糊综合评价法确定出的多个预设的特征权重矩阵、预设的评价维度权重矩阵，确定出目标数据对象的评价结果。从而可以智能地实现自动、客观地评价目标数据对象，得到参考价值较高、较为可靠的评价结果。
本说明书实施例还提供一种服务器，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器具体实施时可以根据指令执行以下步骤：获取目标数据对象的目标评语集；其中，所述目标评语集包含有多个评论对象针对目标数据对象的多个特征的评价参数；所述多个特征分别属于多种评价维度；根据预设的构建规则，利用所述目标评语集，构建得到针对目标数据对象的多个特征矩阵；其中，特征矩阵分别对应一种评价维度；所述特征矩阵包含有所对应的评价维度下的特征的评价统计向量；根据预设的处理规则，利用多个特征矩阵、多个预设的特征权重矩阵、预设的评价维度权重矩阵，确定出目标数据对象的评价结果；其中，所述预设的特征权重矩阵分别对应一种评价维度；所述预设的特征权重矩阵和预设的评价维度权重矩阵为预先根据模糊综合评价法确定的。
为了能够更加准确地完成上述指令，参阅图2所示，本说明书实施例还提供了另一种具体的服务器，其中，所述服务器包括网络通信端口201、处理器202以及存储器203，上述结构通过内部线缆相连，以便各个结构可以进行具体的数据交互。
其中，所述网络通信端口201，具体可以用于获取目标数据对象的目标评语集；其中，所述目标评语集包含有多个评论对象针对目标数据对象的多个特征的评价参数；所述多个特征分别属于多种评价维度。
所述处理器202，具体可以用于根据预设的构建规则，利用所述目标评语集，构建得到针对目标数据对象的多个特征矩阵；其中，特征矩阵分别对应一种评价维度；所述特征矩阵包含有所对应的评价维度下的特征的评价统计向量；根据预设的处理规则，利用多个特征矩阵、多个预设的特征权重矩阵、预设的评价维度权重矩阵，确定出目标数据对象的评价结果；其中，所述预设的特征权重矩阵分别对应一种评价维度；所述预设的特征权重矩阵和预设的评价维度权重矩阵为预先根据模糊综合评价法确定的。
所述存储器203，具体可以用于存储相应的指令程序。
在本实施例中，所述网络通信端口201可以是与不同的通信协议进行绑定，从而可以发送或接收不同数据的虚拟端口。例如，所述网络通信端口可以是负责进行web数据通信的端口，也可以是负责进行FTP数据通信的端口，还可以是负责进行邮件数据通信的端口。此外，所述网络通信端口还可以是实体的通信接口或者通信芯片。例如，其可以为无线移动网络通信芯片，如GSM、CDMA等；其还可以为Wifi芯片；其还可以为蓝牙芯片。
在本实施例中，所述处理器202可以按任何适当的方式实现。例如，处理器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式等等。本说明书并不作限定。
在本实施例中，所述存储器203可以包括多个层次，在数字系统中，只要能保存二进制数据的都可以是存储器；在集成电路中，一个没有实物形式的具有存储功能的电路也叫存储器，如RAM、FIFO等；在系统中，具有实物形式的存储设备也叫存储器，如内存条、TF卡等。
本说明书实施例还提供了一种基于上述数据对象的评价结果的确定方法的计算机可读存储介质，所述计算机可读存储介质存储有计算机程序指令，在所述计算机程序指令被执行时实现以下内容：获取目标数据对象的目标评语集；其中，所述目标评语集包含有多个评论对象针对目标数据对象的多个特征的评价参数；所述多个特征分别属于多种评价维度；根据预设的构建规则，利用所述目标评语集，构建得到针对目标数据对象的多个特征矩阵；其中，特征矩阵分别对应一种评价维度；所述特征矩阵包含有所对应的评价维度下的特征的评价统计向量；根据预设的处理规则，利用多个特征矩阵、多个预设的特征权重矩阵、预设的评价维度权重矩阵，确定出目标数据对象的评价结果；其中，所述预设的特征权重矩阵分别对应一种评价维度；所述预设的特征权重矩阵和预设的评价维度权重矩阵为预先根据模糊综合评价法确定的。
在本实施例中，上述存储介质包括但不限于随机存取存储器(Random AccessMemory,RAM)、只读存储器(Read-Only Memory,ROM)、缓存(Cache)、硬盘(Hard DiskDrive,HDD)或者存储卡(Memory Card)。所述存储器可以用于存储计算机程序指令。网络通信单元可以是依照通信协议规定的标准设置的，用于进行网络连接通信的接口。
在本实施例中，该计算机可读存储介质存储的程序指令具体实现的功能和效果，可以与其它实施方式对照解释，在此不再赘述。
参阅图3所示，在软件层面上，本说明书实施例还提供了一种数据对象的评价结果的确定装置，该装置具体可以包括以下的结构模块：
获取模块301，具体可以用于获取目标数据对象的目标评语集；其中，所述目标评语集包含有多个评论对象针对目标数据对象的多个特征的评价参数；所述多个特征分别属于多种评价维度；
构建模块302，具体可以用于根据预设的构建规则，利用所述目标评语集，构建得到针对目标数据对象的多个特征矩阵；其中，特征矩阵分别对应一种评价维度；所述特征矩阵包含有所对应的评价维度下的特征的评价统计向量；
确定模块303，具体可以用于根据预设的处理规则，利用多个特征矩阵、多个预设的特征权重矩阵、预设的评价维度权重矩阵，确定出目标数据对象的评价结果；其中，所述预设的特征权重矩阵分别对应一种评价维度；所述预设的特征权重矩阵和预设的评价维度权重矩阵为预先根据模糊综合评价法确定的。
需要说明的是，上述实施例阐明的单元、装置或模块等，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
由上可见，基于本说明书实施例提供的数据对象的评价结果的确定装置，可以智能地实现自动、客观地评价目标数据对象，得到参考价值较高、较为可靠的评价结果。
在一个具体的场景示例中，可以应用本说明书实施例所提供的数据对象的评价结果的确定方法来实现基于模糊综合评价法的职工(例如，员工对象)贡献度的评价。以引导企业管理者准确地进行职工贡献进行评估，提高职工贡献度与项目规模匹配的准确性和合理性，提升人员精细化管理、提高人员利用率，助力研发管理效能提升。具体实施过程可以参阅图4所示，包括以下内容。
步骤101：建立职工贡献度评价因素集。
在本场景示例中，具体实施时，可以通过资料调研和企业实际情况建立职工贡献度评价指标体系，将评价因素分成以下两层：第一层(对应评价维度)，准则层因素集；第二层(对应评价维度下的具体特征)，指标层因素集。可以参阅表1所示。
表1评价指标表
进一步，可以确定职工贡献度指标要素的重要程度。具体可以参阅表2的评分规则(例如，历史评价记录、专家经验等)就各个指标对上层指标的重要性进行两两比较并赋值，得到相应的评价结果，可以参阅表3、表4、表5。
表2评价标度及含义表
表3一级指标相对重要度比较表
表4员工基本信息指标相对重要度比较表
| B11/C | 工龄(年)(C111) | 行龄(年)(C112) |
| 工龄(年)(C111) | 1 | 1/2 |
| 行龄(年)(C112) | 1 |
表5员工成绩指标相对重要度比较表
| B12/C | 考核水准(C121) | 获奖情况(C122) |
| 考核水准(C121) | 1 | 2 |
| 获奖情况(C122) | 1 |
步骤102：建立职工贡献的评语集(例如，目标评语集)。
具体的，不同职位层级、不同工作年限的员工，其工作贡献程度是不同的。因此建立由岗位贡献程度组成的评价评语集，并采用专家评分法对岗位贡献评价等级打分，得到评价等级的取值，评判评语集V＝{V1,V2,…,Vn}。
步骤103：确定职工贡献度指标体系指标权重(例如，构建多个预设的特征权重矩阵、预设的评价维度权重矩阵)。
在本场景示例中，职工贡献度评价指标权重的确定具体可以涉及采用层分析法的模糊综合评价法来实现。其中，层次分析法具体可以是一种定性与定量分析相结合的多层次决策方法，其基本思路是把所研究的事物划分为若干层次，对每一层各因素的相对重要性做出定量判断，并据此构建“比较判断矩阵”，计算判断矩阵的最大特征值及其对应特征向量，在通过一致性检验的前提下，确定每一层次中每个指标的相对重要性权重。
具体进行层次分析法时，可以包括以下内容：针对每个准则内的指标，运用专家的知识、智慧、信息和价值观，对同一层或同一域的指标进行两两比较对比，并按1-9判断标准及含义构造判断矩阵D＝(dij)m×n(包括第一级判断比较矩阵和第二级判断比较矩阵)。再计算比较判断矩阵D的最大特征根λmax，并由λmax解特征方程：Dx＝λmaxx，得到对应λmax的特征向量x＝(x1，x2，…，xn)T，最后进行归一化处理，得到最后的评价指标权重向量可以表示为：
在确定最终的权重向量之前需要对判断矩阵D作一致性校验。
具体进行一致性校验时，可以包括以下多个步骤：
(1)建立梯阶层次结构。
按照所建立的职工贡献度评价指标体系，建立梯阶层次结构，参阅表1所示。
(2)构造两两比较判断矩阵。
针对评价目标，评价两个元素i和j中哪个重要以及相对重要多少，并对重要多少赋予一定数值。具体可以采用的调查问卷和比例标度(例如，专家经验或已有的权重设置规则等)来设置，得到以下的比较判断矩阵：
并且，上述矩阵还具有如下关系：
(3)计算单一准则下元素(例如，特征)的相对权重(例如，与某一个评价维度对应的预设的特征权重矩阵)。
这一步要解决在某一评价层次下，n个权重系数计算的问题。
对于通过两两比较得到判断矩阵A，通过矩阵特征根问题：AW＝λmaxW。
先将比较判断矩阵A中元素按行相乘：
再计算
并将
归一化得到
所得到的特征向量可以表示为：W＝[W1 W2…Wn]T。
其中，Wi(i＝1，2，…，n)表示为各元素的权重值。
然后计算对应的最大特征值：
再对λmax，还需要进行一致性检验。计算一致性指标CI：
再计算一致性比例CR：
根据CR进行一致性校验。具体的，当CR<0.1时，认为判断矩阵的一致性是可以接受的(例如，校验通过)；否则(校验不通过)，需要对判断矩阵进行修正。
进而，可以结合表3、表4、表5中各指标的重要程度取值，最终确定出职工能力评价指标体系指标的权重(相当于确定出多个预设的特征权重矩阵、预设的评价维度权重矩阵)，可以参阅表6所示。
表6职工贡献度评价指标体系指标的权重表
步骤104：建立职工贡献度评价隶属度矩阵。
采用评委会评分方法确定隶属度rij(特征的评价参数的统计值)。
若评委会有n个人(n个评论对象)，那么对某一员工的能力，指标层中某一指标隶属于V中某一评语的隶属度rij表示为：
由于C中的6个指标按B11、B12、B13三个准则分成了三类，把每个类别中的元素作为一个整体来构造评价矩阵，如B11中的“工龄”、“行龄”对评语集V中的六个等级而言，按上述的定义可得到2×6矩阵R1，同样可得到R2、R3，即
R2＝[r′11 r′12 r′13 r′14 r′15 r′16]
步骤105：建立模糊综合评价模型，再进行职工贡献度综合评价(确定目标数据对象的评价结果)。
该步骤的计算需要由底层向上一层级计算，因此可以先描述次级层的计算方法。也就是说，首层结果即由次层计算而来，次层由第三层计算而来，如果还有第四层，则第三层结果也是由第四层计算而来，如此类推下去，直到最上一层。
在本场景示例中，仅有次层，次层基于模糊综合评估的单个指标设权重向量为
A＝(a1，a2，a3)，A1＝(a11，a12)，A2＝(a21)，A3＝(a31，a32)。
其中，A表示B11、B12、B13五个准则的权重向量。
Ai具体可以表示各准则B1i(i＝1,2,3)中的各指标的权重向量。
其中，“O”表示如下组合运算
具体的，在
中，·：a·b＝a×b＝ab；
最终可以得到：
对D进行归一化处理得：
根据评价矩阵D和评价评语集V中评价评语的取值，得到最终职工贡献度评价结果为：W＝D·VT。
通过上述场景示例，验证了本说明书实施例提供的数据对象的评价结果的确定方法区别于传统的、依靠人为主观判断的、模糊性评价语言的非量化方法，搭建了一套较为完善的指标体系，包含3项一级指标和5项二级指标，建立了基于模糊综合评价法的职工贡献能力评价系统。同时，还可以基于职工的岗位贡献能力适配模糊综合评价模型，根据项目规模和职工贡献能力适配评价体系，迅速量化项目规模与职工贡献能力的适配度，填补了项目规模与职工贡献能力适配评价领域理论的空白，能够辅助企业各级管理者客观、准确、合理地进行项目任务和人力资源分配，提升人员精细化管理，提高人员利用率，助力企业研发管理效能提升。
虽然本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构、类等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机可读存储介质中。
通过以上的实施例的描述可知，本领域的技术人员可以清楚地了解到本说明书可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本说明书的技术方案本质上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，移动终端，服务器，或者网络设备等)执行本说明书各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。本说明书可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
虽然通过实施例描绘了本说明书，本领域普通技术人员知道，本说明书有许多变形和变化而不脱离本说明书的精神，希望所附的权利要求包括这些变形和变化而不脱离本说明书的精神。
Claims (12)
1.一种数据对象的评价结果的确定方法，其特征在于，包括：
获取目标数据对象的目标评语集；其中，所述目标评语集包含有多个评论对象针对目标数据对象的多个特征的评价参数；所述多个特征分别属于多种评价维度；
根据预设的构建规则，利用所述目标评语集，构建得到针对目标数据对象的多个特征矩阵；其中，特征矩阵分别对应一种评价维度；所述特征矩阵包含有所对应的评价维度下的特征的评价统计向量；
根据预设的处理规则，利用多个特征矩阵、多个预设的特征权重矩阵、预设的评价维度权重矩阵，确定出目标数据对象的评价结果；其中，所述预设的特征权重矩阵分别对应一种评价维度；所述预设的特征权重矩阵和预设的评价维度权重矩阵为预先根据模糊综合评价法确定的。
2.根据权利要求1所述的方法，其特征在于，所述目标评语集包含多个评论对象针对目标数据对象所分别提供的多个评价语句。
3.根据权利要求2所述的方法，其特征在于，根据预设的构建规则，利用所述目标评语集，构建得到针对目标数据对象的多个特征矩阵，包括：
根据所述多个评价语句，提取出针对目标数据对象的多个特征的评价参数；
统计所述多个特征的评价参数，以得到多个特征的评价统计结果；
根据预设的构建规则，利用所述多个特征的评价统计结果，构建针对目标数据对象的多个特征矩阵。
4.根据权利要求3所述的方法，其特征在于，根据预设的构建规则，利用所述多个特征的评价统计结果，构建针对目标数据对象的多个特征矩阵，包括：
按照以下方式，构建多个特征矩阵中的当前特征矩阵：
从所述多个特征的评价统计结果中筛选出属于当前评价维度的当前特征的评价统计结果；其中，所述当前特征矩阵与当前评价维度对应；
根据当前特征的评价统计结果，确定出针对当前特征的不同类型的评价参数的统计值；
根据针对当前特征的不同类型的评价参数的统计值，确定出当前特征的评价统计向量；
组合所述当前特征的评价统计向量，以构建得到所述当前特征矩阵。
5.根据权利要求1所述的方法，其特征在于，根据预设的处理规则，利用多个特征矩阵、多个预设的特征权重矩阵、预设的评价维度权重矩阵，确定出目标数据对象的评价结果，包括：
根据多个特征矩阵、多个预设的特征权重矩阵、预设的评价维度权重矩阵，进行预设的函数运算，得到对应的运算结果；
对所述运算结果进行归一化处理，得到目标数据对象的评价结果。
6.根据权利要求5所述的方法，其特征在于，根据多个特征矩阵、多个预设的特征权重矩阵、预设的评价维度权重矩阵，进行预设的函数运算，包括：
按照以算式进行预设的函数运算：
其中，D为运算结果，Ai为与编号为i的评价维度对应的预设的特征权重矩阵，Ri为与编号为i的评价维度对应的特征矩阵，A为预设的评价维度权重矩阵，n为评价维度的种数。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取历史评价记录；
根据历史评价记录，通过层次分析，构建得到针对多个评价维度的第一级判断比较矩阵，以及分别针对各个评价维度下的多个特征的多个第二级判断比较矩阵；
根据所述第一级判断比较矩阵，确定符合要求的预设的评价维度权重矩阵；根据所述多个第二级判断比较矩阵，确定符合要求的多个预设的特征权重矩阵。
8.根据权利要求1所述的方法，其特征在于，所述目标数据对象包括以下至少之一：商品对象、员工对象、用户对象、企业对象。
9.根据权利要求8所述的方法，其特征在于，在所述目标数据对象包括员工对象的情况下，所述评价维度包括：基本信息维度、职务等级维度、工作成绩维度。
10.一种数据对象的评价结果的确定装置，其特征在于，包括：
获取模块，用于获取目标数据对象的目标评语集；其中，所述目标评语集包含有多个评论对象针对目标数据对象的多个特征的评价参数；所述多个特征分别属于多种评价维度；
构建模块，用于根据预设的构建规则，利用所述目标评语集，构建得到针对目标数据对象的多个特征矩阵；其中，特征矩阵分别对应一种评价维度；所述特征矩阵包含有所对应的评价维度下的特征的评价统计向量；
确定模块，用于根据预设的处理规则，利用多个特征矩阵、多个预设的特征权重矩阵、预设的评价维度权重矩阵，确定出目标数据对象的评价结果；其中，所述预设的特征权重矩阵分别对应一种评价维度；所述预设的特征权重矩阵和预设的评价维度权重矩阵为预先根据模糊综合评价法确定的。
11.一种服务器，其特征在于，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现权利要求1至9中任一项所述方法的步骤。
12.一种计算机可读存储介质，其特征在于，其上存储有计算机指令，所述指令被计算机设备执行时实现权利要求1至9中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110767930.XA CN113450010A (zh) | 2021-07-07 | 2021-07-07 | 数据对象的评价结果的确定方法、装置和服务器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110767930.XA CN113450010A (zh) | 2021-07-07 | 2021-07-07 | 数据对象的评价结果的确定方法、装置和服务器 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113450010A true CN113450010A (zh) | 2021-09-28 |
Family
ID=77815399
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110767930.XA Pending CN113450010A (zh) | 2021-07-07 | 2021-07-07 | 数据对象的评价结果的确定方法、装置和服务器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113450010A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115409419A (zh) * | 2022-09-26 | 2022-11-29 | 河南星环众志信息科技有限公司 | 业务数据的价值评估方法、装置、电子设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018045910A1 (zh) * | 2016-09-09 | 2018-03-15 | 阿里巴巴集团控股有限公司 | 情感倾向的识别方法、对象分类方法及数据处理系统 |
| CN111882198A (zh) * | 2020-07-22 | 2020-11-03 | 北京市水科学技术研究院 | 一种项目绩效评价方法及系统 |
| CN111881359A (zh) * | 2020-08-04 | 2020-11-03 | 携程计算机技术（上海）有限公司 | 互联网信息检索中的排序方法、系统、设备及存储介质 |
| CN112270465A (zh) * | 2020-10-19 | 2021-01-26 | 西安工程大学 | 一种产品服务系统方案评价方法 |
| CN112330168A (zh) * | 2020-11-12 | 2021-02-05 | 中国葛洲坝集团易普力股份有限公司 | 一种基于模糊数学与层次分析的绿色矿山建设评价方法 |
-
2021
- 2021-07-07 CN CN202110767930.XA patent/CN113450010A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018045910A1 (zh) * | 2016-09-09 | 2018-03-15 | 阿里巴巴集团控股有限公司 | 情感倾向的识别方法、对象分类方法及数据处理系统 |
| CN111882198A (zh) * | 2020-07-22 | 2020-11-03 | 北京市水科学技术研究院 | 一种项目绩效评价方法及系统 |
| CN111881359A (zh) * | 2020-08-04 | 2020-11-03 | 携程计算机技术（上海）有限公司 | 互联网信息检索中的排序方法、系统、设备及存储介质 |
| CN112270465A (zh) * | 2020-10-19 | 2021-01-26 | 西安工程大学 | 一种产品服务系统方案评价方法 |
| CN112330168A (zh) * | 2020-11-12 | 2021-02-05 | 中国葛洲坝集团易普力股份有限公司 | 一种基于模糊数学与层次分析的绿色矿山建设评价方法 |
Non-Patent Citations (3)
| Title |
|---|
| 周立元;: "运用模糊评价方法实现网络课程的综合评价", 教育信息化, no. 01, 15 January 2006 (2006-01-15), pages 60 - 62 * |
| 杭桂兰;: "高校教师绩效考核的实证分析――以F学院为例", 赤峰学院学报(自然科学版), no. 08, 25 April 2017 (2017-04-25), pages 145 - 148 * |
| 闫贺;白璐璐;张晓如;张再跃;: "基于模糊综合评价的美团评论数据情感分析", 软件导刊, no. 07, 15 July 2020 (2020-07-15), pages 19 - 23 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115409419A (zh) * | 2022-09-26 | 2022-11-29 | 河南星环众志信息科技有限公司 | 业务数据的价值评估方法、装置、电子设备及存储介质 |
| CN115409419B (zh) * | 2022-09-26 | 2023-12-05 | 河南星环众志信息科技有限公司 | 业务数据的价值评估方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mahmoudi et al. | A novel project portfolio selection framework towards organizational resilience: robust ordinal priority approach | |
| WO2020143233A1 (zh) | 评分卡模型的建立方法、装置、计算机设备和存储介质 | |
| CN106339795B (zh) | 运营指数综合评价方法 | |
| De Felice et al. | Absolute measurement with analytic hierarchy process: a case study for Italian racecourse | |
| CN104321794B (zh) | 一种使用多维评级来确定一实体的未来商业可行性的系统和方法 | |
| CN109615280A (zh) | 员工数据处理方法、装置、计算机设备和存储介质 | |
| Kornevs et al. | Cloud computing evaluation based on financial metrics | |
| CN107590737A (zh) | 个人信用评分以及信用额度测算方法 | |
| CN110796536A (zh) | 风险限额确定方法及装置 | |
| CN116934160A (zh) | 一种数据要素资产价值评估方法及系统 | |
| Rajeswari et al. | Predicting employee attrition through machine learning | |
| CN113450010A (zh) | 数据对象的评价结果的确定方法、装置和服务器 | |
| CN110782163A (zh) | 企业数据处理方法和装置 | |
| CN115034654A (zh) | 资产评估方法、装置、设备及存储介质 | |
| Shevchenko | A Methodical Approach to Determining the Level of Development of Digital Trade in Global Markets | |
| CN118037304A (zh) | 一种基于数据挖掘的金融风险等级标注方法及系统 | |
| KR100713546B1 (ko) | 기술평가방법 | |
| CN117172612A (zh) | 一种企业对象的评价方法和装置 | |
| Al-Halabi et al. | The impact of designing accounting information systems on the level of accounting conservatism-a field study | |
| Bhardwaj et al. | Forecasting GDP per capita of OECD countries using machine learning and deep learning models | |
| CN116385151A (zh) | 基于大数据进行风险评级预测的方法及计算设备 | |
| CN114626940A (zh) | 数据分析方法、装置及电子设备 | |
| Ioniţă et al. | Entrereneurial Clusters in European Union. A Macroeconomic Comparative Analysis | |
| Zhou et al. | [Retracted] An Improved Data Mining Model for Predicting the Impact of Economic Fluctuations | |
| KR102513757B1 (ko) | 정형-비정형 데이터의 연계를 기반으로 기업성장지수를 제공하는 방법 및 시스템 |
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 |