基于DEA結(jié)合技術(shù)的專家?guī)旌蜻x特征智能抽取均衡實(shí)現(xiàn)

關(guān)鍵詞：DEA；關(guān)聯(lián)規(guī)則；專家數(shù)據(jù)庫(kù)；專業(yè)特征集；評(píng)價(jià)指標(biāo)

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1001-5922（2024）12-0173-05

評(píng)標(biāo)專家數(shù)據(jù)庫(kù)是收集和整理各位專家專業(yè)特征的信息并將其用于招標(biāo)評(píng)選的數(shù)據(jù)庫(kù)[1]，通過(guò)對(duì)評(píng)標(biāo)專家數(shù)據(jù)庫(kù)的抽取[2]，對(duì)投標(biāo)文件進(jìn)行評(píng)審和比較，以確定中標(biāo)人。在當(dāng)今的招標(biāo)過(guò)程中，評(píng)標(biāo)專家數(shù)據(jù)庫(kù)的隨機(jī)抽取算法越來(lái)越受到關(guān)注。如建立一個(gè)反饋機(jī)制，不斷更新專業(yè)特征工作記錄，并提取專業(yè)特征長(zhǎng)期和短期知識(shí)特征[3]。建立一個(gè)專業(yè)特征語(yǔ)料庫(kù)，構(gòu)造專業(yè)領(lǐng)域詞匯要素特征，并利用雙向門(mén)控神經(jīng)網(wǎng)絡(luò)，提取特定詞語(yǔ)之間的依賴關(guān)系[4]。采集專業(yè)特征評(píng)審意見(jiàn)作為數(shù)據(jù)樣本，采用數(shù)據(jù)挖掘技術(shù)獲取知識(shí)元，基于此建立專業(yè)特征領(lǐng)域知識(shí)結(jié)構(gòu)，給出科學(xué)的專業(yè)特征抽取結(jié)果[5]。

基于此，提出一種結(jié)合DEA與關(guān)聯(lián)規(guī)則的評(píng)標(biāo)專家數(shù)據(jù)庫(kù)隨機(jī)抽取算法，通過(guò)規(guī)則建立、獲取候選專業(yè)特征集、專業(yè)特征評(píng)價(jià)和隨機(jī)抽選等環(huán)節(jié)，從庫(kù)中選取符合項(xiàng)目要求的評(píng)標(biāo)專業(yè)特征，期望能夠?yàn)轫?xiàng)目提供更好的專業(yè)支持，推動(dòng)項(xiàng)目的成功實(shí)施。

1結(jié)合DEA與關(guān)聯(lián)規(guī)則設(shè)計(jì)隨機(jī)抽取算法

1.1制定評(píng)標(biāo)專業(yè)特征挑選規(guī)則

從評(píng)標(biāo)專家數(shù)據(jù)庫(kù)內(nèi)抽取專業(yè)特征時(shí)，需要考慮具體的項(xiàng)目需求和人數(shù)需求，指定專業(yè)特征挑選規(guī)則[6]，以期最終隨機(jī)抽取結(jié)果滿足預(yù)期要求。每一次評(píng)標(biāo)專家數(shù)據(jù)庫(kù)隨機(jī)抽取過(guò)程中，專業(yè)特征被抽取概率可以表示為：

式中：i表示評(píng)標(biāo)專業(yè)特征；I表示評(píng)標(biāo)專家數(shù)據(jù)庫(kù)內(nèi)專業(yè)特征數(shù)量；P表示專業(yè)特征被抽取概率。

同時(shí)，充分考慮庫(kù)內(nèi)每個(gè)評(píng)標(biāo)專業(yè)特征參加評(píng)價(jià)的次數(shù)，并獲取專業(yè)特征參與項(xiàng)目次數(shù)分布圖。將其融入到后續(xù)評(píng)標(biāo)專家數(shù)據(jù)庫(kù)隨機(jī)抽取過(guò)程中，以專業(yè)特征挑選滿足均勻分布為目標(biāo)，給出關(guān)于專業(yè)特征人數(shù)的挑選規(guī)則。

式中：N表示專業(yè)特征挑選人數(shù)；δ表示庫(kù)內(nèi)評(píng)標(biāo)專業(yè)特征已參與項(xiàng)目的次數(shù)。

最后，考慮到評(píng)標(biāo)專業(yè)特征被挑選概率分布是不能直接獲取的，將其看做一個(gè)不確定性量，引入信息熵思想用來(lái)度量概率分布。

式中：E表示信息熵值；L表示取極大值的函數(shù)。

通過(guò)式（3）解析出評(píng)標(biāo)專家數(shù)據(jù)庫(kù)中每個(gè)專業(yè)特征的隨機(jī)抽取概率，通過(guò)選取信息熵極大值，確保評(píng)標(biāo)專家數(shù)據(jù)庫(kù)內(nèi)眾多專業(yè)特征的任意選擇趨于均衡[7]，避免出現(xiàn)評(píng)標(biāo)專業(yè)特征被忽略的情況。

1.2設(shè)計(jì)基于關(guān)聯(lián)規(guī)則的候選專業(yè)特征聚類算法

在給出多條評(píng)標(biāo)專業(yè)特征挑選規(guī)則后，運(yùn)用關(guān)聯(lián)規(guī)則算法，計(jì)算當(dāng)前評(píng)標(biāo)專家數(shù)據(jù)庫(kù)中各個(gè)專業(yè)特征的支持度和可信度，并觀察不同評(píng)標(biāo)專業(yè)特征之間的相似程度，實(shí)現(xiàn)專業(yè)特征聚類，形成候選專業(yè)特征集合[8]。通常情況下，一條關(guān)聯(lián)規(guī)則是由規(guī)則前件和規(guī)則后件組成的，二者分別對(duì)應(yīng)著支持度項(xiàng)集、可信度項(xiàng)集。以任意2名專業(yè)特征為例，前者對(duì)后者給出的支持度和置信度分別可以表示為：

假如2名評(píng)標(biāo)專業(yè)特征之間不存在關(guān)聯(lián)規(guī)則，即可判斷二者之間的置信度為0。針對(duì)關(guān)聯(lián)矩陣中相同位置的值進(jìn)行加權(quán)平均計(jì)算，得到原始矩陣的對(duì)稱矩陣，更準(zhǔn)確地反映不同專業(yè)特征之間的關(guān)聯(lián)程度。以此為基礎(chǔ)進(jìn)行評(píng)標(biāo)專業(yè)特征的模糊C均值聚類，給定聚類目標(biāo)函數(shù)如式（7）所示。

式中：J表示模糊C均值聚類目標(biāo)函數(shù)；U表示隸屬度集合；g表示聚類中心；G表示評(píng)標(biāo)專業(yè)特征聚類的個(gè)數(shù)；?表示加權(quán)指數(shù)；ε表示隸屬度；d表示聚類中心與專業(yè)特征之間的模糊距離。

通過(guò)對(duì)式（7）求解，得出最優(yōu)模糊C均值聚類結(jié)果，將庫(kù)內(nèi)的所有評(píng)標(biāo)專業(yè)特征分為多個(gè)聚類，觀察每個(gè)類別中的專業(yè)特征是否能夠滿足挑選規(guī)則，找到滿足挑選規(guī)則的分類，得到滿足均衡性要求的候選評(píng)標(biāo)專業(yè)特征集合。

1.3建立評(píng)標(biāo)專業(yè)特征評(píng)價(jià)指標(biāo)體系

考慮到專業(yè)特征抽取的影響條件繁多，在已知候選評(píng)標(biāo)專業(yè)特征集合的情況下，深入分析眾多專業(yè)特征選取影響因素，并應(yīng)用層次分析法，構(gòu)建圖1所示的評(píng)標(biāo)專業(yè)特征綜合素質(zhì)評(píng)價(jià)指標(biāo)體系。通過(guò)該指標(biāo)體系全面評(píng)估每一名候選專業(yè)特征的專業(yè)能力和基本能力[9]，只有符合候選企業(yè)需求的專業(yè)特征才能被抽取出來(lái)。

由圖1可知，在分析不同評(píng)標(biāo)專業(yè)特征綜合素質(zhì)時(shí)，分別從基礎(chǔ)能力、評(píng)標(biāo)能力、評(píng)標(biāo)態(tài)度和其他方面，選定專業(yè)特征綜合素質(zhì)評(píng)價(jià)指標(biāo)。并在方案層中，針對(duì)所有指標(biāo)進(jìn)行兩兩對(duì)比，判斷所有專業(yè)特征抽取影響指標(biāo)之間的相對(duì)重要程度，給定指標(biāo)權(quán)重系數(shù)，針對(duì)指標(biāo)權(quán)重系數(shù)和指標(biāo)評(píng)分進(jìn)行加權(quán)計(jì)算，獲取專業(yè)特征綜合素質(zhì)評(píng)估結(jié)果。

1.4構(gòu)建DEA評(píng)標(biāo)專家數(shù)據(jù)庫(kù)隨機(jī)抽取模型

為了確保專業(yè)特征智能隨機(jī)抽取結(jié)果更加準(zhǔn)確，將數(shù)學(xué)規(guī)劃領(lǐng)域的數(shù)據(jù)包絡(luò)分析法引入到隨機(jī)抽取方案確定過(guò)程中，將每個(gè)抽取方案看作一個(gè)決策單元，通過(guò)比較多個(gè)決策單元的相對(duì)效率，對(duì)候選評(píng)標(biāo)專業(yè)特征進(jìn)行定級(jí)排隊(duì)[10]。以任意一輸入變量為例，其對(duì)應(yīng)的決策單元有7個(gè)，將其投影到目標(biāo)空間內(nèi)，可以得到圖2所示的DMU投影結(jié)果。

由圖2可知，連接決策單元投影點(diǎn)3、5、1、6和7，再引伸一段垂直線和水平線，即可形成分段線型的“最小凸包”，保證所有投影點(diǎn)都位于“最小凸包”的上方，這種情況下“最小凸包”就可以充當(dāng)理想邊界。以此為基礎(chǔ)篩選所有輸入分量。假設(shè)當(dāng)前存在多個(gè)可供隨機(jī)抽取的候選評(píng)標(biāo)專業(yè)特征，可以構(gòu)成數(shù)個(gè)評(píng)標(biāo)專家數(shù)據(jù)庫(kù)隨機(jī)抽取方案，每個(gè)隨機(jī)抽取方案的評(píng)價(jià)指標(biāo)中包含幾個(gè)獨(dú)立的公共因子，而輸入變量中又存在特殊因子，將公共因子和特殊因子線性組合起來(lái)，即可得到因子分析數(shù)學(xué)模型，提取發(fā)揮主導(dǎo)作用的因子。

確定評(píng)價(jià)指標(biāo)體系主因子之后，將評(píng)標(biāo)專業(yè)特征綜合素質(zhì)評(píng)價(jià)結(jié)果也看作DEA模型的一項(xiàng)輸入指標(biāo)，通過(guò)DEA模型評(píng)價(jià)每個(gè)評(píng)標(biāo)專業(yè)特征參與項(xiàng)目的投入產(chǎn)出效率，從而實(shí)現(xiàn)評(píng)標(biāo)專家數(shù)據(jù)庫(kù)的有效隨機(jī)抽取。以任意一個(gè)決策單元為例，將其對(duì)應(yīng)的投入產(chǎn)出模型結(jié)果表示如圖3。

圖3中，m表示投入單元數(shù)量；n表示決策單元數(shù)量；p表示產(chǎn)出單元數(shù)量；a、b分別表示輸入、輸出單元的度量權(quán)重；o表示輸入的投入量；u表示輸出的產(chǎn)出量。

求出式（9）的最優(yōu)解，最優(yōu)解取值為1是DEA有效的充分必要條件，利用上述模型進(jìn)行一系列推算，得到DEA模型認(rèn)可的方案，這些專業(yè)特征挑選方案的投入和產(chǎn)出水平是合理的，可以作為專業(yè)特征智能隨機(jī)抽取結(jié)果。

2實(shí)驗(yàn)結(jié)果與分析

2.1評(píng)標(biāo)專家數(shù)據(jù)庫(kù)基本情況

在測(cè)試基于DEA與關(guān)聯(lián)規(guī)則的新型抽取算法應(yīng)用效果時(shí)，選定四川省多個(gè)行業(yè)廳局組成的評(píng)標(biāo)專家數(shù)據(jù)庫(kù)作為研究對(duì)象，該專家數(shù)據(jù)庫(kù)內(nèi)的記錄人員涵蓋了17個(gè)行業(yè)廳局。經(jīng)過(guò)統(tǒng)計(jì)可知，該評(píng)標(biāo)專家數(shù)據(jù)庫(kù)內(nèi)共存在7822名專業(yè)特征，具體分布情況如表1所示。

為了簡(jiǎn)化評(píng)標(biāo)專家數(shù)據(jù)庫(kù)隨機(jī)抽取算法的實(shí)驗(yàn)過(guò)程，從上述專家數(shù)據(jù)庫(kù)內(nèi)選定10名專業(yè)特征作為備選，這10名專業(yè)特征在2020～2023年的挑選概率如圖4所示。

運(yùn)用新研究算法按照項(xiàng)目要求產(chǎn)生專業(yè)特征抽取結(jié)果，以此來(lái)體現(xiàn)結(jié)合DEA與關(guān)聯(lián)規(guī)則的新算法的優(yōu)越效果。此外，將文獻(xiàn)[3]和文獻(xiàn)[4]給出算法應(yīng)用到實(shí)驗(yàn)過(guò)程中，作為新研究算法的對(duì)照組，以便更加直觀地展現(xiàn)新算法的應(yīng)用價(jià)值。

2.2專業(yè)特征隨機(jī)抽取結(jié)果

為了便于驗(yàn)證隨機(jī)抽取算法，以此為核心開(kāi)發(fā)一個(gè)評(píng)標(biāo)專家數(shù)據(jù)庫(kù)隨機(jī)抽取平臺(tái)，根據(jù)招標(biāo)項(xiàng)目評(píng)價(jià)要求，在專業(yè)特征自動(dòng)抽取頁(yè)面設(shè)置多條抽取條件，如圖5所示。

通過(guò)關(guān)聯(lián)規(guī)則聚類、專業(yè)特征綜合素質(zhì)評(píng)估、隨機(jī)抽取方案驗(yàn)證等環(huán)節(jié)，給出最終抽取結(jié)果，如圖6所示。

由圖6可知，專業(yè)特征隨機(jī)抽取結(jié)果顯示了專業(yè)特征編號(hào)、姓名、第一專業(yè)和職稱。整體來(lái)看，該結(jié)果基本滿足了圖5所示的抽取條件，這證明了新研究算法是可行的。

2.3均衡性分析

為了避免評(píng)標(biāo)專家數(shù)據(jù)庫(kù)內(nèi)的部分專業(yè)特征出現(xiàn)坐冷板凳的情況，在設(shè)計(jì)隨機(jī)抽取算法時(shí)需要滿足均衡性要求。因此，本次實(shí)驗(yàn)過(guò)程中也針對(duì)這一評(píng)估內(nèi)容進(jìn)一步測(cè)試，應(yīng)用3種算法重復(fù)進(jìn)行多次評(píng)標(biāo)專業(yè)特征隨機(jī)抽取，并統(tǒng)計(jì)不同評(píng)標(biāo)專業(yè)特征被抽取次數(shù)，得到圖7所示的統(tǒng)計(jì)結(jié)果。

由圖7可以看出，結(jié)合DEA和關(guān)聯(lián)規(guī)則的新算法應(yīng)用后，數(shù)次隨機(jī)抽取結(jié)果顯示每名專業(yè)特征的被抽取次數(shù)都在30～35次之間，沒(méi)有出現(xiàn)特別大的差異，證明了其良好的均衡能力。而2種文獻(xiàn)給出算法隨機(jī)抽取結(jié)果中，專業(yè)特征被抽取次數(shù)存在過(guò)多和過(guò)少情況，相對(duì)來(lái)說(shuō)依舊存在非均衡問(wèn)題。

3結(jié)語(yǔ)

提出了一種基于DEA結(jié)合技術(shù)的專家數(shù)據(jù)庫(kù)專業(yè)特征智能隨機(jī)抽取均衡實(shí)現(xiàn)方法，該算法能夠綜合考慮項(xiàng)目需求、專業(yè)特征的專業(yè)領(lǐng)域、技術(shù)水平、工作效率等多方面因素，提高專業(yè)特征抽取的準(zhǔn)確性和均衡性。在未來(lái)的研究中，將繼續(xù)深入探討DEA和關(guān)聯(lián)規(guī)則在評(píng)標(biāo)專家數(shù)據(jù)庫(kù)隨機(jī)抽取算法中的應(yīng)用，不斷完善和優(yōu)化算法性能，為招標(biāo)過(guò)程中的評(píng)標(biāo)專家數(shù)據(jù)庫(kù)隨機(jī)抽取提供更加準(zhǔn)確、高效的方法。