[发明专利]基于深度神经网络的圈闭评价智能专家推荐方法

说明书

本发明提供一种基于深度神经网络的圈闭评价智能专家推荐方法，该基于深度神经网络的圈闭评价智能专家推荐方法包括：步骤1，进行基于深度神经网络的圈闭评价数据表示；步骤2，进行专家评价的因子描述；步骤3，进行基于深度神经网络的圈闭评价算法设计。该基于深度神经网络的圈闭评价智能专家推荐方法充分利用了数据量较大时，直接的统计显然无法表达深层的变化的特性，在很大程度上提高了遴选专家的准确率，可以开展进行圈闭评价实践中的专家推荐工作。

技术领域

本发明涉及计算机图形学、生物科学、神经科学、心理学和地质学的交叉领域，特别是涉及到一种基于深度神经网络的圈闭评价智能专家推荐方法。

背景技术

在圈闭评价过程中，与会专家的遴选工作对于圈闭评价的准确性具有重要意义。

专家预测的准确度和他对这个圈闭的认识程度有关，这个程度和几个主观因素有关，专家的知识水平、认真程度、评价时的状态、对圈闭资料的熟悉程度和业务分析能力等等。按照深度神经网络的思维将这几个因素进行量化学习可用来表示参与圈闭评价专家的权重。

根据现有专家历史打分和专家历史评价准确度数据，分析逻辑关系可得到如下结论。从逻辑上，现有的数据同专家权重没有直接的逻辑推理关系，因此可以使用统计的方法在现有数据上去估计专家权重。但是，值得深思的一点是：它们之间存在一个连接点，就是前面说的几个决定性的主观因素。如果从历史评价打分去回溯、去估计这几个主观因素的分布情况，然后由估计的分布情况去表征权重，这个问题就可用深度神经网络来解决。这些主观因素在深度神经网络领域里称为隐变量。

隐变量存在的原因是因为这几个因素处于专家推荐的中间过程。因为因素的个数、每个因素具体的影响力、因素之间的关系等等方面都不易量化的特性，如果将其明确量化的话，得到结果往往事与愿违。隐变量可以以数据作为驱动的特性，让数据决定中间的隐变量个数以及关系。如果我们想知道每个隐变量的意义，可使用一些可视化的算法，对整个自适应过程进行分析，这也是为什么叫隐变量的原因。具体的问题是，既然主观因素的个数、意义与关系都不好确定，那么干脆让数据说话，让数据通过模型来自适应的决定。通过实验验证：当数据量较小的时候，我们的方法没有直接统计好，但当数据量较大时，直接的统计显然无法表达深层的变化，而我们的模型和方法随着数据量的增大，效果渐渐提升。

1962年Hubel和Wiesel通过对猫视觉皮层细胞的研究，提出了感受野(receptivefield)的概念，1984年日本学者Fukushima基于感受野概念提出的神经认知机(neocognitron)可以看作是卷积神经网络的第一个实现网络，也是感受野概念在人工神经网络领域的首次应用。在其后的研究应用中，Fukushima将神经认知机主要用于手写数字的识别。随后，国内外的研究人员提出多种卷积神经网络形式，在邮政编码识别和人脸识别方面得到了大规模的应用。Trotin等人提出了动态构造神经认知机并自动降低闭值的方法，初始态的神经认知机各层的神经元数目设为零，然后会对于给定的应用找到合适的网络规模，也通过修改阈值以使神经认知机成为最优的分类器。Lovell应用Hildebrandt的训练方法却没有成功。事实上，Hildebrandt没有考虑信息在网络传播中会逐层丢失。Van Ooyen和Niehuis为提高神经认知机的区别能力引入抑制了神经元对重复激励特征的激励。

上述都是神经认知机的发展过程，而卷积神经网络可看作是神经认知机的推广形式，神经认知机是卷积神经网络的一个特例。但随着深度学习的快速发展，其内涵早已超过了传统的多层神经网络。将深度学习应用到智能抉择的过程中，需要将建立的可靠预测模型与实际问题相结合，进行决策。为此我们发明了一种新的基于深度神经网络的圈闭评价智能专家推荐方法，解决了以上技术问题。

发明内容

本发明的目的是提供一种能在保障完成推荐功能的前提下，结构简单，复杂度低，算法效率高，适合在圈闭评价的群体决策系统中应用的基于深度神经网络的圈闭评价智能专家推荐方法。