基于Shannon-RVM模型的科研项目评审排序方法

对科研项目进行合理排序,是科研项目评审和筛选的前提,是科研管理的重要内容。现有的研究均是基于专家打分进行的,因为专家打分的主观性,排序结果往往失于准确。本文基于信息熵理论和专家有序投票模型,提出一种多专家多科研项目的排序方法。该方法的数据基础(即专家排序)更为合理,因而能得出更为客观的排序结果。实例研究证实了本方法的合理性。

基于投票模型的元搜索排序合成算法

排序合成问题是元搜索引擎研究的一个重要方面。该文分析了基于投票模型的排序合成问题。在讨论2个常用的投票规则Borda和Condorcet的基础上,介绍了用图论算法实现的淘汰投票算法,包括Kemeny算法。针对Kemeny算法是NP-hard问题,提出了一种易于实现的启发式淘汰投票算法,并且利用TREC数据集进行实验比较这些方法。实验结果表明,淘汰投票算法与Borda算法执行效果相当,有时甚至超过Borda算法。

基于视觉显著性近邻投票的标签排序方法

针对社交图像的标签无序性问题,提出了一个新的标签排序方法。根据标签与图像内容的相关性,将社交图像的标签次序进行重排。基于图像显著性区域的视觉内容,用k近邻算法找到给定图像的视觉近邻,用近邻图像的标签列表对给定图像的标签进行投票学习每个标签的相关性,按相关性由高到低的次序对标签进行重新排列。与现有的方法相比,该文应用显著性模型找到与标签语义更加相关的图像近邻,增强了标签排序的准确性。实验结果表明,该文提出的方法得到的标签排序结果更加接近人工排序结果。

基于CWRVM模型的科研项目评审排序方法

对科研项目进行合理排序,是科研项目评审和筛选的前提,也是科研管理的重要内容。被评科研项目数量有限情形下采用专家排序方式更为合理,而有序投票模型是处理此类问题的经典方法。提出了基于公共权重的有序投票模型,给出了基于交叉评价与总体评价的公共权重确定方法,弥补了传统有序投票模型中权重不一致、区分度不高的缺陷。