一种多准则目标决策方法及装置[发明专利]

(12)发明专利申请

(10)申请公布号 CN 106095761 A (43)申请公布日 2016.11.09

(21)申请号 201510988877.0(22)申请日 2015.12.16

(71)申请人段云涛

地址473004 河南省南阳江路80号软

件学院(72)发明人段云涛 牛咏梅 胡四平 陈长法

薛磊 刘美丽(51)Int.Cl.

G06F 17/30(2006.01)

权利要求书2页 说明书5页 附图1页

()发明名称

一种多准则目标决策方法及装置(57)摘要

本发明公开了一种多准则目标决策方法，包括：S1.用户输入决策对象(目标)；S2.确定准则集合，该集合必须是完备且非冗余的，定义语义变量，输入用户偏好信息，输入系统用到的其它参数信息；S3.依据准则的不同类型，计算每个准则的权重；S4.依据用户输入项目、定义的准则、参数信息，生成多准则原始评分矩阵；然后依次对原始评分矩阵用三角模糊数及加权处理得到加权用户-项目评分矩阵；S5.使用经过修改的模糊TOPSIS方法将不同准则下的评分值聚集成目标的整体贴近度。S6.分别用基于内容的推荐和协同过滤推荐计算的线性组合对S5得到的贴近度进行进步的处理，并对两种算法结果进行线性组合；S7.为某个特定用户将结果从最优到最劣排序，推荐给用户。本发明还公开了一种多准则目标决策装置。发明在多准则环境下可以显著的提供推荐的准确性和用户满意度。

C N 1 0 6 0 9 5 7 6 1 ACN 106095761 A

权　利　要　求　书

1/2页

1.一种多准则目标决策方法，其特征在于，包括：S1.用户输入决策对象(目标)；S2.针对输入的决策对象，确定一组准则集合，该集合必须是完备且非冗余的，并定义语义变量，输入用户偏好信息；输入系统其它参数信息；

S3.依据准则的不同类型，计算每个准则的权重；

S4.根据S2，生成多准则评分得到模糊用户-项目评分矩阵

u是代表用户，i代

表项目；输入的多个决策对象，构成用户-项目评分矩阵R，用三角模糊数对矩阵R进行处理，

利用S3得到的权重，对模糊用户-项目评分矩阵进行加权

处理，得到加权用户-项目评分矩阵

S5.使用修改过的模糊TOPSIS方法来将项目不同准则下的评分值聚集成目标对象的贴近度。具体做法是用设定的模糊正理想解对S4的矩阵进行处理，处理方式是对象的贴近度，计算方法是

S6.分别用基于内容的推荐技术和协同过滤推荐技术对S5得到的贴近度进行计算，并对两种算法结果进行线性组合，得到更符合用户心理需求，更准确的推荐结果。

S7.依据预测出的贴近度结果，为某个特定用户将结果从最优到最劣排序，推荐给用户。

2.如权利要求1所述的一种多准则目标决策方法，其特征在于，步骤S3内可分解成以下步骤：

S31.判断准则的类型，若准则的类型是优先级和重要性，则进入步骤S33；若准则的类型是判断相互影响关系，则进入步骤S32。

S32.使用AHP方法来计算准则权重。AHP(Analytic Hierarchy Process)即层次分析法，是美国运筹学家T.L.Saaty教授于上世纪70年代提出的一种实用的多方案或多目标的决策方法，是一种定性与定量相结合的决策分析方法。

S33.使用DEMATEL方法来计算准则权重。DEMATEL(Decision Making Trial and Evaluation Laboratory)即决策试验和评价实验法，是一种用来筛选复杂系统的主要要素，减缓系统结构分析的过程而提出的方。

3.如权利要求1所述的一种多准则目标决策方法，其特征在于，步骤S6内可分解以下步骤：

S61.对S5得到的贴近度用协同过滤推荐技术进行处理，协同过滤的公式：

和模糊负理想解和

然后计算目标

S62.对S5得到的贴近度用基于内容推荐技术进行处理，基于内容推荐的公式：

2

CN 106095761 A

权　利　要　求　书

2/2页

S63.将S61与S62得到的结果进行线性组合，用户自定义的线性组合权重用来衡

量算法的重要性，当多个项目相似，那么基于内容的推荐技术会更加准确，则此时比重设置大一些；如果项目大多为友邻项目评分，那么协同过滤推荐技术会更加准确，则此时比重设置小一些，线性组合的公式：

包括：4.一种多准则目标决策装置，用于实现权利要求1所述的方法，其特征在于，输入及定义决策对象或目标模块：输入决策对象，并将其定义成项目编号或项目集，推荐系统默认这些项目是用户更为偏好的项目，系统决策目标定义为“排序”，所述“排序”定义是将项目从最优到最劣进行排序；

定义准则和参数模块：为了对项目进行分析，需要定义多条准则，并确定准则权重，本模块DEMATEL和AHP两种方法来确定准则权重；另外本模块还要求用户输入其它系统用到的参数信息；

实现用户多准则评分数据模块：本模块依据用户输入项目、定义的准则、参数信息，能够生成多准则原始评分矩阵，即：用户-项目评分矩阵R；然后依次对原始评分矩阵用三角模糊数处理得到模糊用户-项目评分矩阵，及进行加权处理，得到加权用户-项目评分矩阵；

生成目标整体贴近度模块：本模块使用经过修改的模糊TOPSIS方法将不同准则下的评分值聚集成目标的整体贴近度。

生成推荐结果模块：本模块通过基于内容的推荐和协同过滤推荐技术的线性组合来得到最终的推荐结果，并将推荐结果从优到劣，排序推荐。

3

CN 106095761 A

说　明　书

一种多准则目标决策方法及装置

1/5页

技术领域

[0001]本发明涉及计算机技术领域，尤其涉及一种多准则目标决策方法及装置。背景技术

[0002]随着信息技术的飞速发展，一方面，人们充分享受信息共享带来的便利；另一方面，人们也越来越普遍的意识到信息过载带来的不良后果。渴望得到有用信息的人们期盼能有一种高效方式来帮助他们更好的了解自身需求，并且更有效的利用信息资源。[0003]推荐系统，是一种特殊的信息过滤技术，这种技术与许多学科密切相关，例如：信息系统、机器学习、数据挖掘等等；通过向用户提供个性化的推荐服务，推荐系统也是一种重要的解决信息过载问题的方法。通常来说，推荐系统是指一些特定的技术和软件，它们将“项目”推荐给用户；在这里，“项目”是一种总称，指代推荐系统推荐给用户的某种特定物品。

[0004]一般来说，推荐系统首先是收集项目信息和用户偏好信息；即：推荐系统需要用某种方式来表达用户/项目的特征，这些特征将被用来为用户偏好建模。其次推荐系统的推荐问题在一般情况下将会被简化成根据用户偏好模型为一个“项目”估计一个“评分”，而之前这个被估计评分的项目还没有被某个用户接触过。[0005]虽然推荐技术发展迅速，现实中也有大量推荐系统的应用，但现在大多数的推荐技术仍然忽略项目特征中自带的多属性特征。大多数推荐系统仍然使用单一评价标准在一个用户×项目的二维空间中来表达某个项目对于某个用户的效用值。[0006]项目的多属性特征可以被自然的转化为多准则决策问题，即MCDM问题。MCDM问题是专门研究决策制定时的多准则问题，一般被用来寻找多个可行解中的最优解。目前，即使使用多准则评分系统，其往往采用单一的算法，预测准确性不高，推荐的结果往往不理想。发明内容：

[0007]本发明为了解决现有技术存在的缺陷，提供一种多准则目标决策方法及装置，该方法采用一种新的混合推荐算法，通过推荐算法、模糊逻辑以及多种MCDM方法的相互结合，能极大的提高推荐系统在多准则推荐环境下的预测准确性。[0008]本发明公开了一种多准则目标决策方法，包括：[0009]S1.用户输入决策对象(目标)；[0010]S2.针对输入的决策对象，确定一组准则集合，该集合必须是完备且非冗余的，并定义语义变量，输入用户偏好信息；输入系统其它参数信息；[0011]S3.依据准则的不同类型，计算每个准则的权重；

[0012]

S4.根据S2，生成多准则评分u是代表用

利用S3得到的权重，对模糊用户-项目评分矩阵

户，i代表项目；输入的多个决策对象，构成用户-项目评分矩阵R，用三角模糊数对矩阵R进行处理，得到模糊用户-项目评分矩阵进行加权处理，得到加权用户-项目评分矩阵

4

CN 106095761 A[0013]

说　明　书

和模糊负理想解和

2/5页

S5.使用修改过的模糊TOPSIS方法来将项目不同准则下的评分值聚集成目标对象

的贴近度。具体做法是用设定的模糊正理想解对S4的矩阵进行处理，处理方式是对象的贴近度，计算方法是

然后计算目标

S6.分别用基于内容的推荐技术和协同过滤推荐技术对S5得到的贴近度进行计算，并对两种算法结果进行线性组合，得到更符合用户心理需求，更准确的推荐结果。[0015]S7.依据预测出的贴近度结果，为某个特定用户将结果从最优到最劣排序，推荐给用户。

[0016]在本发明所述的一种多准则目标决策方法中，在步骤S3内可以分解成以下步骤：[0017]S31.判断准则的类型，若准则的类型是优先级和重要性，则进入步骤S33；若准则的类型是判断相互影响关系，则进入步骤S32。[0018]S32.使用AHP方法来计算准则权重。AHP(Analytic Hierarchy Process)即层次分析法，是美国运筹学家T.L.Saaty教授于上世纪70年代提出的一种实用的多方案或多目标的决策方法，是一种定性与定量相结合的决策分析方法。[0019]S33.使用DEMATEL方法来计算准则权重。DEMATEL(Decision Making Trial and Evaluation Laboratory)即决策试验和评价实验法，是一种用来筛选复杂系统的主要要素，减缓系统结构分析的过程而提出的方。

[0020]在本发明所述的一种多准则目标决策方法中，在步骤S6内可以分解成以下步骤：[0021]S61.对S5得到的贴近度用协同过滤推荐技术进行处理，协同过滤的公式：

[0014]

[0022]

S62.对S5得到的贴近度用基于内容推荐技术进行处理，基于内容推荐的公式：

[0023]S63.将S61与S62得到的结果进行线性组合，用户自定义的线性组合权重，用来

衡量算法的重要性，当多个项目相似，那么基于内容的推荐技术会更加准确，则此时比重设置大一些；如果项目大多为友邻项目评分，那么协同过滤推荐技术会更加准确，则此时比重设置小一些，线性组合的公式：

[0024]

本发明还公开了一种多准则目标决策装置，用于实现上述方法，包括：[0025]输入及定义决策对象或目标模块：输入决策对象，并将其定义成项目编号或项目集，推荐系统默认这些项目是用户更为偏好的项目，系统决策目标定义为“排序”，所述“排序”定义是将项目从最优到最劣进行排序；[0026]定义准则和参数模块：为了对项目进行分析，需要定义多条准则，并确定准则权重，本模块DEMATEL和AHP两种方法来确定准则权重；另外本模块还要求用户输入其它系统用到的参数信息；

5

CN 106095761 A[0027]

说　明　书

3/5页

实现用户多准则评分数据模块：本模块依据用户输入项目、定义的准则、参数信

息，能够生成多准则原始评分矩阵，即：用户-项目评分矩阵R；然后依次对原始评分矩阵用三角模糊数处理得到模糊用户-项目评分矩阵，及进行加权处理，得到加权用户-项目评分矩阵；

[0028]生成目标整体贴近度模块：本模块使用经过修改的模糊TOPSIS方法将不同准则下的评分值聚集成目标的整体贴近度。[0029]生成推荐结果模块：本模块通过基于内容的推荐和协同过滤推荐技术的线性组合来得到最终的推荐结果，并将推荐结果从优到劣，排序推荐。附图说明

[0030]图1是本发明实施例提供的方法流程图；[0031]图2是本发明实施例提供的装置结构图

具体实施方式

[0032]为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明详细描述。[0033]实施例：本实施例的一种多准则目标决策方法实现方法，如图1所示，用模糊数和语义变量来描述用户偏好信息。通过MCDM算法中的DEMATEL和AHP算法来衡量准则间的相互关系和重要程度。结合TOPSIS算法和传统推荐技术中的协同过滤和基于内容的算法来得到更好的推荐结果。其步骤分解为：

[0034]S1.用户输入决策对象(目标)；[0035]S2.针对输入的决策对象，确定一组准则集合，该集合必须是完备且非冗余的，并定义语义变量，输入用户偏好信息；输入系统其它参数信息；[0036]S3.依据准则的不同类型，计算每个准则的权重；S3可分解成以下步骤：[0037]S31.判断准则的类型，若准则的类型是优先级和重要性，则进入步骤S33；若准则的类型是判断相互影响关系，则进入步骤S32。[0038]S32.使用AHP方法来计算准则权重。AHP(Analytic Hierarchy Process)即层次分析法，是美国运筹学家T.L.Saaty教授于上世纪70年代提出的一种实用的多方案或多目标的决策方法，是一种定性与定量相结合的决策分析方法。[0039]S33.使用DEMATEL方法来计算准则权重。DEMATEL(Decision Making Trial and Evaluation Laboratory)即决策试验和评价实验法，是一种用来筛选复杂系统的主要要素，减缓系统结构分析的过程而提出的方。

[0040]

S4.根据S2，生成多准则评分u是代表用

利用S3得到的权重，对模糊用户-项目评分矩阵

户，i代表项目；输入的多个决策对象，构成用户-项目评分矩阵R，用三角模糊数对矩阵R进行处理，得到模糊用户-项目评分矩阵

[0041]

进行加权处理，得到加权用户-项目评分矩阵

S5.使用修改过的模糊TOPSIS方法来将项目不同准则下的评分值聚集成目标对象

和模糊负理想解

的贴近度。具体做法是用设定的模糊正理想解

6

CN 106095761 A

说　明　书

和

4/5页

对S4的矩阵进行处理，处理方式是对象的贴近度，计算方法是

[0042]

然后计算目标

S6.分别用基于内容的推荐技术和协同过滤推荐技术对S5得到的贴近度进行计算，并对两种算法结果进行线性组合，得到更符合用户心理需求，更准确的推荐结果。S6可以分解成以下步骤：

[0043]S61.对S5得到的贴近度用协同过滤推荐技术进行处理，协同过滤的公式：

[0044]

S62.对S5得到的贴近度用基于内容推荐技术进行处理，基于内容推荐的公式：

[0045]S63.将S61与S62得到的结果进行线性组合，用户自定义的线性组合权重，用来

衡量算法的重要性，当多个项目相似，那么基于内容的推荐技术会更加准确，则此时比重那么协同过滤推荐技术会更加准确，则此时比设置大一些；如果项目大多为友邻项目评分，重设置小一些，线性组合的公式：

[0046]

S7.依据预测出的贴近度结果，为某个特定用户将结果从最优到最劣排序，推荐给

用户。

相应地，本发明提供一种多准则目标决策装置，如图2所示，包括：[0048]输入及定义决策对象或目标模块10：输入决策对象，并将其定义成项目编号或项目集，推荐系统默认这些项目是用户更为偏好的项目，系统决策目标定义为“排序”，所述“排序”定义是将项目从最优到最劣进行排序；[0049]定义准则和参数模块20：为了对项目进行分析，需要定义多条准则，并确定准则权重，本模块DEMATEL和AHP两种方法来确定准则权重；另外本模块还要求用户输入其它系统用到的参数信息；

[0050]实现用户多准则评分数据模块30：本模块依据用户输入项目、定义的准则、参数信息，能够生成多准则原始评分矩阵，即：用户-项目评分矩阵R；然后依次对原始评分矩阵用三角模糊数处理得到模糊用户-项目评分矩阵，及进行加权处理，得到加权用户-项目评分矩阵；

[0051]生成目标整体贴近度模块40：本模块使用经过修改的模糊TOPSIS方法将不同准则下的评分值聚集成目标的整体贴近度。[0052]生成推荐结果模块50：本模块通过基于内容的推荐和协同过滤推荐技术的线性组合来得到最终的推荐结果，并将推荐结果从优到劣，排序推荐。[0053]综上，技术人员在不脱离本发明的情况下，可以对公开的装置进行适当的调整，由此，如上描述仅用于示例而并非之目的，技术人员应该清楚的认识到不明显改变上述的操作情况下可以对公开的装置或者工艺进行稍作改动达到相同效果之目的，本发明由权

7

[0047]

CN 106095761 A

说　明　书

5/5页

利要求书做出。

8

CN 106095761 A

说　明　书　附　图

1/1页

图1

图2

9