[发明专利]一种基于组合赋权的购车倾向用户识别方法

权利要求书

1.一种基于组合赋权的购车倾向用户识别方法，其特征在于，包括：

S1、抓取用户指标数据，利用多种主观赋权方法分别得出用户指标的多种主观指标权重、多种客观赋权方法得出用户指标的多种客观指标权重；

S2、计算所有主观赋权方法和客观赋权方法的兼容性，并从主观赋权方法和客观赋权方法中分别选出兼容性最大的赋权方法；

S3、根据用户指标中兼容性最大的赋权方法的指标权重，构建基于改进理想点广义最小距离和最大熵原则的组合权系数目标函数，求解目标函数；

S4、利用拉格朗日乘子判断目标函数的解是否是最优解，若是则对目标函数的解进行归一化处理并该解作为购车倾向指标综合权重进行购车倾向用户识别，否则返回步骤S3重新求解函数。

2.根据权利要求1所述的一种基于组合赋权的购车倾向用户识别方法，其特征在于，所述计算主观赋权方法和客观赋权方法的兼容性包括：

若从客观赋权方法或主观赋权方法中选取两个赋权方法，若选取的赋权方法为赋权方法A、赋权方法B，则两种赋权方法之间的的相关系数表示为：

根据相关系数计算兼容性：

其中，ρ表示两个赋权方法之间的斯皮尔曼相关系数；ρ′表示两个赋权方法之间的兼容性；D_i为A_i与B_i之间的差，表示为D_i＝A_i-B_i，A_i表示赋权方法A中的第i个元素，B_i表示赋权方法B中的第i个元素；m表示赋权方法中的元素个数；u表示赋权方法的数量。

3.根据权利要求1所述的一种基于组合赋权的购车倾向用户识别方法，其特征在于，所述构建基于改进理想点广义最小距离和最大熵原则的组合权系数目标函数包括：

S11、将已购车用户与评价对象相同的指标合并并进行归一化；

S12、根据已购车用户的理想点数量计算评价对象与理想值之间的广义距离；

S13、根据最大熵原则计算组合系数α_k的最大熵；

S14、以评价对象与理想值之间的广义距离与组合系数α_k的最大熵之和的最小值时α_k的值作为目标函数。

4.根据权利要求3所述的一种基于组合赋权的购车倾向用户识别方法，其特征在于，所述将已购车用户与评价对象相同的指标合并并进行归一化包括：已购车用户购车前的指标数据表示为R＝(r_st)_h×m，由于不同数据集的归一化标准不同，现将获取已购车用户购车前的指标数据与评价样本相同指标数据合并进行归一化为：

其中，XR表示已购车用户购车前的指标数据与购车倾向评价样本相同指标数据的归一化数据，x_ij表示标准化后第i个评价对象的第j个指标，i＝{1,2,...,n}，j＝{1,2,...,m}，n表示评价对象个数，m表示指标个数；r_st表示标准化后的第s个理想点的第t个指标值，s＝{n+1,n+2,...,h}，t＝j＝{1,2,...,m}，h表示理想点个数。

5.根据权利要求3所述的一种基于组合赋权的购车倾向用户识别方法，其特征在于，根据已购车用户的理想点数量计算评价对象与理想值之间的广义距离包括：

当h＝1时，此时的广义距离表示为：

当h>1时，此时的广义距离表示为：

其中，r_sj表示标准化后的第s个理想点的第j个指标值，s＝{n+1,n+2,...,h}，j＝{1,2,...,m}，m表示指标个数；x_ij表示标准化后第i个评价对象第j个指标值，i＝{1,2,...,n}，n表示评价对象个数；α_k表示组合系数；表示第j个指标值第k赋权方法的权重值；m表示指标个数，n表示评价对象个数，u表示赋权方法个数，h表示理想点个数。