【技术实现步骤摘要】
本申请涉及机器学习中的用于训练矩阵生成器的方法和系统、用于构建对比矩阵的方法和系统、层次分析方法和系统以及实现上述方法的计算机可读存储介质。
技术介绍
1、层次分析法是一种系统分析与决策的综合评价方法,其是在充分研究了人类思维过程的基础上提出来的一种多因素决策方法，能够较合理地实现定性问题定量化的处理过程。
2、层次分析法通过构建层次结构以将复杂的问题处理过程转化为若干因素两两之间重要性的比较，从而把难以量化的定性判断转化为可操作的重要性的比较。具体地，层次分析法将涉及多因素的决策任务转化为对比矩阵，而后通过求解对比矩阵特征向量的办法求得每一层次的各因素对上一层次某因素的优先权重，是一种将定性和定量相结合的方法。自从层次分析法被提出之后，其被广泛地应用于例如金融领域中的企业能力评估、商户价值评估、客户需求评级、供应商选择、制造系统以及战略决策等方面。
3、通常，层次分析方法一般包括问题建模、对比矩阵的构建、优先级推导和一致性检验四个步骤。目前，对比矩阵的构建过程需要通过专家人工的比较和打分来实现。然而，随着多因素的决策任务的复杂度提高，其涉及的因素数量倍增，导致需要耗费大量的人力和物力来构建对比矩阵。此外，人工基于局限性认知构建的对比矩阵存在局限性，甚至有时无法人工构建出对比矩阵，影响了层次分析法的处理效率并限制了层次分析法的应用领域。
技术实现思路
1、为了解决或至少缓解以上问题中的一个或多个，提供了以下技术方案。
2、按照本申请的第一方面，提
3、根据本申请一实施例所述的用于训练矩阵生成器的方法，其中所述矩阵生成器用于在层次分析法中根据多个输入因素生成对比矩阵。
4、根据本申请一实施例或以上任一实施例的所述的用于训练矩阵生成器的方法，其中获取因素特征组合的集合包括：获取多个因素和多个因素中的每个因素的语义向量；将多个因素中的每个因素的语义向量组合为因素特征的集合；将所述因素特征的集合中的因素特征进行两两组合以生成多个因素特征对；以及将所述多个因素特征对作为所述因素特征组合的集合，其中每个因素特征组合包括第一因素的语义向量和第二因素的语义向量。
5、根据本申请一实施例或以上任一实施例的所述的用于训练矩阵生成器的方法，其中获取每个因素特征组合的因素判别标签包括：基于第一因素相较于第二因素的重要性来获取每个因素特征组合的因素判别标签。
6、根据本申请一实施例或以上任一实施例的所述的用于训练矩阵生成器的方法，其中获取每个因素特征组合的因素判别标签进一步包括：响应于确定所述第一因素比所述第二因素重要而将所述因素判别标签设置为第一值；以及响应于确定所述第二因素比所述第一因素重要而将所述因素判别标签设置为第二值。
7、根据本申请一实施例或以上任一实施例的所述的用于训练矩阵生成器的方法，其中获取每个因素特征组合的层级评分标签包括：基于第一因素相较于第二因素的重要性程度来获取每个因素特征组合的层级评分标签。
8、根据本申请一实施例或以上任一实施例的所述的用于训练矩阵生成器的方法，其中获取每个因素特征组合的层级评分标签进一步包括：确定用于表示所述第一因素相较于所述第二因素的重要性程度的评分；响应于所述第一因素比所述第二因素重要而将所述层级评分标签设置为所述评分；以及响应于所述第二因素比所述第一因素重要而将所述层级评分标签设置为所述评分的倒数。
9、根据本申请一实施例或以上任一实施例的所述的用于训练矩阵生成器的方法，其中所述第一损失函数基于每个因素特征组合的因素判别标签和训练的第一神经网络模型输出的因素判别结果来构建。
10、根据本申请一实施例或以上任一实施例的所述的用于训练矩阵生成器的方法，其中利用第一损失函数更新训练的第一神经网络模型包括：利用所述第一损失函数调整所述训练的第一神经网络模型的参数直至所述第一损失函数处于收敛状态，以得到所述因素判别模型。
11、根据本申请一实施例或以上任一实施例的所述的用于训练矩阵生成器的方法，其中所述第二损失函数基于每个因素特征组合的层级评分标签、所述因素判别模型输出的因素判别结果、训练的第二神经网络模型输出的层级评分结果、训练的第二神经网络模型输出的层级评分结果的倒数来构建。
12、根据本申请一实施例或以上任一实施例的所述的用于训练矩阵生成器的方法，其中利用第二损失函数更新训练的第二神经网络模型包括：利用所述第二损失函数调整所述训练的第二神经网络模型的参数直至所述第二损失函数处于收敛状态，以得到所述层级评分模型。
13、按照本申请的第二方面，提供一种用于训练矩阵生成器的系统，所述矩阵生成器包括因素判别模型和层级评分模型，所述系统包括：获取单元，其配置成获取因素特征组合的集合以及每个因素特征组合的因素判别标签和层级评分标签；第一训练单元，其配置成将所述因素特征组合的集合和每个因素特征组合的因素判别标签作为第一训练集训练第一神经网络模型并利用第一损失函数更新训练的第一神经网络模型，以得到所述因素判别模型；以及第二训练单元，其配置成将所述因素特征组合的集合和每个因素特征组合的层级评分标签作为第二训练集训练第二神经网络模型并利用第二损失函数更新训练的第二神经网络模型，以得到所述层级评分模型，其中，所述第二损失函数至少基于所述因素判别模型输出的因素判别结果和训练的第二神经网络模型输出的层级评分结果的倒数来构建。
14、根据本申请的第三方面，提供一种计算机可读存储介质，其包括指令，所述指令在运行时执行根据本申请第一方面所述的用于训练矩阵生成器的方法的步骤。
15、根据本申请的第四方面，提供一种用于构建对比矩阵的方法，所述方法包括下列步骤：获取因素特征的集合；以及将所述因素特征的集合输入至矩阵生成器以得到对比矩阵，其中所述矩阵生成器利用根据本申请第一方面所述的用于训练矩阵生成器的方法进行训练。
16、根据本申请的第五方面，提供一种用于构建对比矩阵的系统，所述系统包括：获取单元，其配置成获取因素特征的集合；以及矩阵生成器，其配置成处理所述因素特征的集合以得到对比矩阵，其中所述矩阵生成器利用根据本申请第一方面所述的用于训练矩阵生成器的方法进行训练。
17、根据本申请的第六方面，提供一种计算本文档来自技高网...
【技术保护点】
1.一种用于训练矩阵生成器的方法，其特征在于，所述矩阵生成器包括因素判别模型和层级评分模型，所述方法包括下列步骤：
2.根据权利要求1所述的方法，其中所述矩阵生成器用于在层次分析法中根据多个输入因素生成对比矩阵。
3.根据权利要求1所述的方法，其中获取因素特征组合的集合包括：
4.根据权利要求3所述的方法，其中获取每个因素特征组合的因素判别标签包括：
5.根据权利要求4所述的方法，其中获取每个因素特征组合的因素判别标签进一步包括：
6.根据权利要求3所述的方法，其中获取每个因素特征组合的层级评分标签包括：
7.根据权利要求6所述的方法，其中获取每个因素特征组合的层级评分标签进一步包括：
8.根据权利要求1所述的方法，其中所述第一损失函数基于每个因素特征组合的因素判别标签和训练的第一神经网络模型输出的因素判别结果来构建。
9.根据权利要求1所述的方法，其中利用第一损失函数更新训练的第一神经网络模型包括：
10.根据权利要求1所述的方法，其中所述第二损失函数基于每个因素特征组合
11.根据权利要求1所述的方法，其中利用第二损失函数更新训练的第二神经网络模型包括：
12.一种用于训练矩阵生成器的系统，其特征在于，所述矩阵生成器包括因素判别模型和层级评分模型，所述系统包括：
13.根据权利要求12所述的系统，其中所述矩阵生成器用于在层次分析法中根据多个输入因素生成对比矩阵。
14.根据权利要求12所述的系统，其中所述获取单元进一步配置成：
15.根据权利要求14所述的系统，其中所述获取单元进一步配置成：
16.根据权利要求15所述的系统，其中所述获取单元进一步配置成：
17.根据权利要求14所述的系统，其中所述获取单元进一步配置成：
18.根据权利要求17所述的系统，其中所述获取单元进一步配置成：
19.根据权利要求12所述的系统，其中所述第一损失函数基于每个因素特征组合的因素判别标签和训练的第一神经网络模型输出的因素判别结果来构建。
20.根据权利要求12所述的系统，其中所述第一训练单元进一步配置成：
21.根据权利要求12所述的系统，其中所述第二损失函数基于每个因素特征组合的层级评分标签、所述因素判别模型输出的因素判别结果、训练的第二神经网络模型输出的层级评分结果、训练的第二神经网络模型输出的层级评分结果的倒数来构建。
22.根据权利要求12所述的系统，其中所述第二训练单元进一步配置成：
23.一种计算机可读存储介质，其特征在于，所述计算机存储介质包括指令，所述指令在运行时执行根据权利要求1-11中的任一项所述的用于训练矩阵生成器的方法。
24.一种用于构建对比矩阵的方法，其特征在于，所述方法包括下列步骤：
25.根据权利要求24所述的方法，其中获取因素特征的集合包括：
26.根据权利要求24所述的方法，其中将所述因素特征的集合输入至矩阵生成器以得到对比矩阵包括：
27.一种用于构建对比矩阵的系统，其特征在于，所述系统包括：
28.根据权利要求27所述的系统，其中所述获取单元进一步配置成：
29.根据权利要求27所述的系统，其中所述矩阵生成器进一步配置成：
30.一种计算机可读存储介质，其特征在于，所述计算机存储介质包括指令，所述指令在运行时执行根据权利要求24-26中的任一项所述的用于构建对比矩阵的方法。
31.一种层次分析方法，其特征在于，所述层次分析方法包括下列步骤：
32.根据权利要求31所述的方法，其中获取与目标任务相关联的多个因素的因素特征的集合包括：
33.根据权利要求31所述的方法，其中将所述因素特征的集合输入至矩阵生成器以得到对比矩阵包括：
34.根据权利要求31所述的方法，其中处理所述对比矩阵以确定所述多个因素的优先级包括：
35.根据权利要求31所述的方法，其中利用所述多个因素的优先级对所述对比矩阵进行一致性检验包括：
36.根据权利要求35所述的方法，其中所述方法还包括：
37.一种层次分析系统，其特征在于，所述系统包括：
38.根据权利要求37所述的系统，其中所述计算机程序的运行进一步导致下列操作：
39....
【技术特征摘要】
1.一种用于训练矩阵生成器的方法，其特征在于，所述矩阵生成器包括因素判别模型和层级评分模型，所述方法包括下列步骤：
2.根据权利要求1所述的方法，其中所述矩阵生成器用于在层次分析法中根据多个输入因素生成对比矩阵。
3.根据权利要求1所述的方法，其中获取因素特征组合的集合包括：
4.根据权利要求3所述的方法，其中获取每个因素特征组合的因素判别标签包括：
5.根据权利要求4所述的方法，其中获取每个因素特征组合的因素判别标签进一步包括：
6.根据权利要求3所述的方法，其中获取每个因素特征组合的层级评分标签包括：
7.根据权利要求6所述的方法，其中获取每个因素特征组合的层级评分标签进一步包括：
8.根据权利要求1所述的方法，其中所述第一损失函数基于每个因素特征组合的因素判别标签和训练的第一神经网络模型输出的因素判别结果来构建。
9.根据权利要求1所述的方法，其中利用第一损失函数更新训练的第一神经网络模型包括：
10.根据权利要求1所述的方法，其中所述第二损失函数基于每个因素特征组合的层级评分标签、所述因素判别模型输出的因素判别结果、训练的第二神经网络模型输出的层级评分结果、训练的第二神经网络模型输出的层级评分结果的倒数来构建。
11.根据权利要求1所述的方法，其中利用第二损失函数更新训练的第二神经网络模型包括：
12.一种用于训练矩阵生成器的系统，其特征在于，所述矩阵生成器包括因素判别模型和层级评分模型，所述系统包括：
13.根据权利要求12所述的系统，其中所述矩阵生成器用于在层次分析法中根据多个输入因素生成对比矩阵。
14.根据权利要求12所述的系统，其中所述获取单元进一步配置成：
15.根据权利要求14所述的系统，其中所述获取单元进一步配置成：
16.根据权利要求15所述的系统，其中所述获取单元进一步配置成：
17.根据权利要求14所述的系统，其中所述获取单元进一步配置成：
18.根据权利要求17所述的系统，其中所述获取单元进一步配置成：
19.根据权利要求12所述的系统，其中所述第一损失函数基于每个因素特征组合的因素判别标签和训练的第一神经网络模型输出的因素判别结果来构建。
20.根据权利要求12所述的系统，其中所述第一训练单元进一步配置成：
21.根据权利要求12所述的系统，其中所述第二损失函数基于每个因素特征组合的层级评分标签、所述因素判别模型输出的因素判别结果、训练的第二...
【专利技术属性】
技术研发人员：顾河建，郑建宾，高鹏飞，陈滢，刘红宝，
申请(专利权)人：中国银联股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。