一种基于孪生神经网络的评价指标计算方法技术

本发明专利技术涉及指标评价和机器学习领域，具体指一种基于孪生神经网络的评价指标计算方法，所述方法包括：采集待评价对象的底层指标值，输入预先建立和训练好的评价指标计算模型，得到综合评价值；在所述评价指标计算模型的训练环节构建孪生神经网络，进行自监督学习。本发明专利技术使用神经网络训练评价指标计算模型，不需要专家为评价指标主观赋值，综合指标计算更加客观；使用对比的方式标记训练样本，降低了标记难度，有利于提高标记数据量，并且标记样本一致性更高，有利于提升计算模型训练的准确性，使得本方法更具可行性。使得本方法更具可行性。使得本方法更具可行性。

【技术实现步骤摘要】
一种基于孪生神经网络的评价指标计算方法


[0001]本专利技术涉及指标评价和机器学习领域，具体指一种基于孪生神经网络的评价指标计算方法。

技术介绍

[0002]评价是管理活动的重要内容，当前，在军事、医学、管理、教育等各行各业均构建了大量评价指标体系。在评价指标体系明确后，还需要构建评价指标计算模型，对各分项指标进行汇总，得到综合评价值，才能进行各评价对象之间的对比。因此，在评价指标体系结构确定的基础上，评价指标计算模型的客观性、科学性直接决定了综合评价结果的可信性。
[0003]目前评价指标计算模型构建一般有两种方式，一种方式是专家直接确定各指标权重，然后按照加权平均的方式直接计算综合评价值，这种方法简单直观，但是主观性较强，结果受专家主观判断的影响较大。另一种方式是基于回归的方法，以底层指标为自变量，综合评价值为因变量，寻找综合评价值与底层指标之间的计算函数，通常需要一定的标记样本(即已知的底层指标值和对应综合评价值)，通过这些标记样本训练一个回归模型，用于计算综合评价值，这种方法更具客观性，但是标记样本难以获得，特别是标记综合评价值时，一般需要顶级专家，难以获得大量的标记样本，且不同专家的估值标准不同，标记值可能存在较大差异，难以训练出较好的计算模型。在样本标记中具有两个特点，一是直接给出综合评价值难，但对比两个评价对象相对容易；二是不同专家直接给出的综合评价值可能存在较大差异，但对比两个评价对象的好坏结果相对一致。

技术实现思路

[0004]本专利技术的目的在于克服现有技术缺陷，提出了一种基于孪生神经网络的评价指标计算方法。利用对比方法进行标记，可以训练出更加客观、科学的评价指标计算模型。
[0005]为了实现上述目的，本专利技术提出了一种基于孪生神经网络的评价指标计算方法，所述方法包括：
[0006]采集待评价对象的底层指标值，输入预先建立和训练好的评价指标计算模型，得到综合评价值；
[0007]在所述评价指标计算模型的训练环节构建孪生神经网络，进行自监督学习。
[0008]作为上述方法的一种改进，所述评价指标计算模型包括依次连接的输入层、第一隐含层、第二隐含层和输出层；其中，
[0009]所述输入层，用于接收底层评价指标值i，输入层的维度是底层评价指标i的个数；
[0010]所述第一隐含层和第二隐含层均采用全连接网络，根据下式分别计算第一隐含层的输出h1和第二隐含层的输出h2为：
[0011]h1＝sigmoid(W1i+b1)，
[0012]h2＝sigmoid(W2h1+b2)，
[0013]其中，W1和W2分别是第一隐含层和第二隐含层的权重参数矩阵，b1和b2分别是第一
隐含层和第二隐含层的偏置参数向量，sigmoid为激活函数；
[0014]所述输出层，维度为1，用于使输出的综合评价值y在0到1之间，满足下式：
[0015]y＝sigmoid(u
T
h2+b
z
)，
[0016]其中，u为输入的权重参数向量，u
T
为u的转置，b
z
为偏置参数。
[0017]作为上述方法的一种改进，所述孪生神经网络包括：待训练的评价指标计算模型、对比模型以及差值计算模块，其中，
[0018]所述对比模型和待训练的评价指标计算模型的结构和参数完全相同；
[0019]所述差值计算模块，用于计算对比模型和待训练的评价指标计算模型输出的差值。
[0020]作为上述方法的一种改进，所述方法还包括基于构建的孪生神经网络训练评价指标计算模型的步骤；具体包括：
[0021]步骤s1)基于已有的评价对象通过两两对比，进行数据标记，形成一个样本，所述样本包括两个评价对象和对应标记，由若干个样本构成训练集；
[0022]步骤s2)设定学习率和训练次数；
[0023]步骤s3)依次读取训练集的样本，将一个样本的两个评价对象分别输入孪生神经网络的评价指标计算模型和对比模型，由差值计算模块得到差值，将差值与该样本的标记计算的交叉熵误差作为损失函数，采用随机梯度下降算法调整评价指标计算模型的参数，并同步调整对比模型的参数，重复该步骤直至满足训练要求，转至步骤s4)；
[0024]步骤s4)确定此时的评价指标计算模型参数，包括W1、W2、b1、b2、u和b
z
，从而得到训练好的评价指标计算模型。
[0025]作为上述方法的一种改进，所述步骤s1)具体包括：
[0026]分别获取已有的属于同一个评价体系的评价对象A和B，A和B的底层指标值分别为i
A
和i
B
，判断A和B的综合评价值：
[0027]当A的综合评价值明显高于B时，样本标记为<A，B，1>；
[0028]当B的综合评价值明显高于A时，样本标记为<B，A，1>；
[0029]不满足以上两种判断标准则样本均标记为<A，B，0>，从而建立训练集。
[0030]作为上述方法的一种改进，所述步骤s3)的将一个样本的两个评价对象分别输入孪生神经网络的评价指标计算模型和对比模型，由差值计算模块得到差值；具体包括：
[0031]将一个样本的评价对象A的底层评价指标值i
A
输入孪生神经网络的评价指标计算模型，将该样本的评价对象B的底层评价指标值i
B
输入孪生神经网络的对比模型，根据评价指标计算模型的输出y1和对比模型的输出y2，由孪生神经网络的差值计算模块得到评价值的差值为：
[0032][0033]与现有技术相比，本专利技术的优势在于：
[0034]1、本专利技术使用神经网络训练评价指标计算模型，不需要专家为评价指标主观赋值，综合指标计算更加客观；
[0035]2、本专利技术使用对比的方式标记训练样本，降低了标记难度，有利于提高标记数据量，使方法更具可行性；
[0036]3、本专利技术使用对比的方式标记训练样本，使标记样本一致性更高，有利于提升计
算模型训练的准确性。
附图说明
[0037]图1是是本专利技术基于孪生神经网络的评价指标计算方法的流程图；
[0038]图2是评价指标计算模型的结构示意图；
[0039]图3是用于评价指标计算模型训练的孪生神经网络模型示意图。
具体实施方式
[0040]本专利技术针对评价指标计算模型构建的现有问题，旨在提供一种基于孪生神经网络的评价指标计算方法，以解决评价指标体系计算模型构建中难以标记训练样本的问题，提升评价指标体系计算模型构建的客观性、科学性和可行性。
[0041]一种基于孪生神经网络的评价指标计算方法，包括以下步骤：
[0042]步骤1：标记训练数据集；
[0043]所述步骤1的训练数据集中每个样本的特征是一对评价指标的底层评价本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于孪生神经网络的评价指标计算方法，所述方法包括：采集待评价对象的底层指标值，输入预先建立和训练好的评价指标计算模型，得到综合评价值；在所述评价指标计算模型的训练环节构建孪生神经网络，进行自监督学习。2.根据权利要求1所述的基于孪生神经网络的评价指标计算方法，其特征在于，所述评价指标计算模型包括依次连接的输入层、第一隐含层、第二隐含层和输出层；其中，所述输入层，用于接收底层评价指标值i，输入层的维度是底层评价指标i的个数；所述第一隐含层和第二隐含层均采用全连接网络，根据下式分别计算第一隐含层的输出h1和第二隐含层的输出h2为：h1＝sigmoid(W1i+b1)，h2＝sigmoid(W2h1+b2)，其中，W1和W2分别是第一隐含层和第二隐含层的权重参数矩阵，b1和b2分别是第一隐含层和第二隐含层的偏置参数向量，sigmoid为激活函数；所述输出层，维度为1，用于使输出的综合评价值y在0到1之间，满足下式：y＝sigmoid(u
T
h2+b
z
)，其中，u为输入的权重参数向量，u
T
为u的转置，b
z
为偏置参数。3.根据权利要求2所述的基于孪生神经网络的评价指标计算方法，其特征在于，所述孪生神经网络包括：待训练的评价指标计算模型、对比模型以及差值计算模块，其中，所述对比模型和待训练的评价指标计算模型的结构和参数完全相同；所述差值计算模块，用于计算对比模型和待训练的评价指标计算模型输出的差值。4.根据权利要求3所述的基于孪生神经网络的评价指标计算方法，其特征在于，所述方法还包括基于构建的孪生神经网络训练评价指标计算模型的步骤；具体包括：步骤s1)基于已有的评价对象通过两两对比，进行数据...

【专利技术属性】
技术研发人员：高强，程佳军，游宏梁，汤珊红，魏笑，
申请(专利权)人：中国人民解放军军事科学院军事科学信息研究中心，
类型：发明
国别省市：