专家评价的异质性研究 ——基于卷烟评吸数据
发布时间：2021-07-28 08:32
烟草产业是云南省经济社会发展的重要支撑和财税收入的主要来源,是当前及今后相当长一个时期促进全省经济持续健康发展的重要支柱产业。在烟草行业中,感官评吸技术已成为烟叶新品种培育、卷烟新产品研发、配方成分替换、品质管理、市场预测等诸多方面的重要技术手段,能解决一般理化分析所不能解决的复杂生理感觉问题,实用性强、灵敏度高、结果可靠。由于卷烟产品的最终消费形式是吸食,卷烟的风格特征和香味品质经燃烧才能为消费者提供直接感受,因此,对卷烟的感官评吸结果最能够代表消费者意志。然而,感官质量评吸在卷烟评估的过程中也往往存在一个不可忽视的问题:由于评吸专家间存在评价尺度、各项感官质量指标的捕捉程度、耐烟量、感官阈值及灵敏度等方面的差异,导致不同专家对不同样烟的评价结果无法直接地进行横向比较。评价结果的直接比较将无法真实反映样烟之间的真实差异,直接将评价结果进行比较将造成较大误差,此类误差很大程度源于评吸专家之间的异质性。本文针对专家评吸数据集从三个部分对评价行为中的异质性进行相关数据分析:专家评价偏好、专家敏感指标、专家评价结果的横向可比性。根据部分专家历史评分数据对专家评价行为进行相关研究,对烟草厂商、...
【文章来源】：云南财经大学云南省
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
研究框架
第二章理论模型13第二节基本概念一、协同过滤协同过滤推荐技术的工作过程如图2.2包括：建立用户评分数据模型、依据对象间相似度以选取最近邻居、评分预测并依据预测评分生成推荐。图2.2协同过滤算法过程1.建立用户数据模型。数据经处理将用户评价数据转化为用户-项目评分矩阵，一般用矩阵(,)表示个用户对个项目的评分矩阵。2.计算相似度并选取最近邻居。选择邻居用户的策略主要包括两种：设定最近邻个数k、设定相似度阈值，若目标用户与该用户的相似度大于这个阈值，就选取该用户作为邻居用户，本文选取与每个目标专家相似度最高的5位近邻专家（前25%）作为邻居专家。比较常见的相似度度量方法包括余弦相似度、修正的余弦相似度、皮尔逊相关系数。①余弦相似度。假设两个用户对项目的评分向量分别为、，那么他们在共同评分项目上的评分向量表示为、，‖‖、‖‖表示两个评分向量的模长。={|≠≠}（为全部项目合集）为两用户的共同评分项目集合，他们对共同项目的评分集合为、。则用户和用户的余弦相似度为：(,)=cos(,)=‖‖×‖‖=∑√∑2√∑2（2.1）②修正的余弦相似度。原始的余弦相似度忽略了用户间评判尺度的差异，修
第二章理论模型16(→)=0.150.2×0.8=0.9375<1（2.13）该规则表明饮茶者和喝咖啡的人之间存在较小的负相关，我们将提升度大于1的规则视为有效规则，{茶}→{咖啡}为无效规则。本文运用Apriori算法对专家评分行为相关规则进行挖掘提取，核心原理为如果某个项集是频繁项集，那么它所有的子集也是频繁的。如图2.3所示：若({})<；即{}出现的事务占事务总数的频率小于最小支持度时，{}是非频繁项集，其超集{,}、{,}、{,}、{,,}、{,,}、{,,}、{,,,}均是非频繁项集，这些项集的支持度我们没有必要去计算。若({})≥；即{}出现的事务占事务总数的频率不小于最小支持度时，{}是频繁项集，其子集{}、{}、{}、{,}、{,}、{,}均为频繁项集。图2.3Apriori算法挖掘过程三、聚类分析本文使用系统聚类，设有个样本，每个样本有个属性，系统聚类的基本步骤为：先将每个样本各自看成一类，总共有类，将类样本中最相似的两类合并成一个新类，得1类，再在这1类种找出最相似的两类合并，得到2类，如此下去，直到将所有的个样本合并成一个大类为止，并类中的关键是相似程度最高的优先合并成一类。
【参考文献】：
期刊论文
[1]基于关联规则与变权重系数的变压器状态综合评估方法[J]. 谭贵生,曹生现,赵波,魏宏建,刘丹丹. 电力系统保护与控制. 2020(01)
[2]基于专家动态生成的协同过滤推荐算法[J]. 贾彭慧,刘鑫一,孔亚斌,郗佳林. 计算机技术与发展. 2020(03)
[3]融合用户兴趣和评分差异的协同过滤推荐算法[J]. 陆航,师智斌,刘忠宝. 计算机工程与应用. 2020(07)
[4]评价数据中的用户偏好建模:一种基于隐变量模型的方法[J]. 雷震,阚伊戎,孙正宝,岳昆. 云南大学学报(自然科学版). 2019(04)
[5]基于蜂群K-means聚类模型的协同过滤推荐算法[J]. 李艳娟,牛梦婷,李林辉. 计算机工程与科学. 2019(06)
[6]关联规则在高校教学质量评价中的应用研究[J]. 阮梦勋,沈良忠. 电脑知识与技术. 2018(02)
[7]改进型关联规则算法在教学评价系统中的研究[J]. 叶茂华. 山东工业技术. 2017(23)
[8]基于贝叶斯网的评价数据分析和动态行为建模[J]. 王飞,岳昆,孙正宝,武浩,冯辉. 计算机研究与发展. 2017(07)
[9]卷烟感官评价结果的统计分析方法研究[J]. 余江,詹建波,王浩,郑晗,张莹,张伟,王旭,高莉,顾建龙,付荣荣. 新型工业化. 2017(06)
[10]基于SOFM网络的烤烟感官质量聚类模式分析[J]. 邵惠芳,赵昕宇,许自成,李东亮. 中国烟草学报. 2016(01)
博士论文
[1]烟叶质量评价方法优选与实证研究[D]. 胡建军.湖南农业大学 2009
硕士论文
[1]基于关联规则与用户兴趣模型的个性化云服务推荐算法[D]. 未翠翠.北京邮电大学 2017
[2]基于关联规则的住宅小区宜居性评价研究[D]. 元海燕.华北水利水电大学 2017
[3]基于贝叶斯网络的卷烟配方规则提取和配方维护[D]. 吴雨露.东北大学 2017
[4]基于局部近邻Slope One与动态专家的协同过滤推荐算法研究[D]. 李剑锋.湖南大学 2016
[5]统计视角下面向数据稀疏问题的协同过滤推荐算法研究[D]. 张娟娟.重庆工商大学 2016
[6]基于先验知识的卷烟感官评吸指标预测方法[D]. 王岁寒.东北大学 2015
[7]基于聚类与关联规则的客户群消费行为研究[D]. 周威.成都理工大学 2015
[8]基于数据挖掘的单料烟感官评吸指标预测研究[D]. 徐翔禹.东北大学 2014
[9]数据挖掘在高校课堂教学评价中的应用与研究[D]. 闫魁颖.中山大学 2014
[10]卷烟烟气味觉研究以及预测模型建立[D]. 叶楠.华东理工大学 2012
本文编号：3307583
【文章来源】：云南财经大学云南省
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
研究框架
第二章理论模型13第二节基本概念一、协同过滤协同过滤推荐技术的工作过程如图2.2包括：建立用户评分数据模型、依据对象间相似度以选取最近邻居、评分预测并依据预测评分生成推荐。图2.2协同过滤算法过程1.建立用户数据模型。数据经处理将用户评价数据转化为用户-项目评分矩阵，一般用矩阵(,)表示个用户对个项目的评分矩阵。2.计算相似度并选取最近邻居。选择邻居用户的策略主要包括两种：设定最近邻个数k、设定相似度阈值，若目标用户与该用户的相似度大于这个阈值，就选取该用户作为邻居用户，本文选取与每个目标专家相似度最高的5位近邻专家（前25%）作为邻居专家。比较常见的相似度度量方法包括余弦相似度、修正的余弦相似度、皮尔逊相关系数。①余弦相似度。假设两个用户对项目的评分向量分别为、，那么他们在共同评分项目上的评分向量表示为、，‖‖、‖‖表示两个评分向量的模长。={|≠≠}（为全部项目合集）为两用户的共同评分项目集合，他们对共同项目的评分集合为、。则用户和用户的余弦相似度为：(,)=cos(,)=‖‖×‖‖=∑√∑2√∑2（2.1）②修正的余弦相似度。原始的余弦相似度忽略了用户间评判尺度的差异，修
第二章理论模型16(→)=0.150.2×0.8=0.9375<1（2.13）该规则表明饮茶者和喝咖啡的人之间存在较小的负相关，我们将提升度大于1的规则视为有效规则，{茶}→{咖啡}为无效规则。本文运用Apriori算法对专家评分行为相关规则进行挖掘提取，核心原理为如果某个项集是频繁项集，那么它所有的子集也是频繁的。如图2.3所示：若({})<；即{}出现的事务占事务总数的频率小于最小支持度时，{}是非频繁项集，其超集{,}、{,}、{,}、{,,}、{,,}、{,,}、{,,,}均是非频繁项集，这些项集的支持度我们没有必要去计算。若({})≥；即{}出现的事务占事务总数的频率不小于最小支持度时，{}是频繁项集，其子集{}、{}、{}、{,}、{,}、{,}均为频繁项集。图2.3Apriori算法挖掘过程三、聚类分析本文使用系统聚类，设有个样本，每个样本有个属性，系统聚类的基本步骤为：先将每个样本各自看成一类，总共有类，将类样本中最相似的两类合并成一个新类，得1类，再在这1类种找出最相似的两类合并，得到2类，如此下去，直到将所有的个样本合并成一个大类为止，并类中的关键是相似程度最高的优先合并成一类。
【参考文献】：
期刊论文
[1]基于关联规则与变权重系数的变压器状态综合评估方法[J]. 谭贵生,曹生现,赵波,魏宏建,刘丹丹. 电力系统保护与控制. 2020(01)
[2]基于专家动态生成的协同过滤推荐算法[J]. 贾彭慧,刘鑫一,孔亚斌,郗佳林. 计算机技术与发展. 2020(03)
[3]融合用户兴趣和评分差异的协同过滤推荐算法[J]. 陆航,师智斌,刘忠宝. 计算机工程与应用. 2020(07)
[4]评价数据中的用户偏好建模:一种基于隐变量模型的方法[J]. 雷震,阚伊戎,孙正宝,岳昆. 云南大学学报(自然科学版). 2019(04)
[5]基于蜂群K-means聚类模型的协同过滤推荐算法[J]. 李艳娟,牛梦婷,李林辉. 计算机工程与科学. 2019(06)
[6]关联规则在高校教学质量评价中的应用研究[J]. 阮梦勋,沈良忠. 电脑知识与技术. 2018(02)
[7]改进型关联规则算法在教学评价系统中的研究[J]. 叶茂华. 山东工业技术. 2017(23)
[8]基于贝叶斯网的评价数据分析和动态行为建模[J]. 王飞,岳昆,孙正宝,武浩,冯辉. 计算机研究与发展. 2017(07)
[9]卷烟感官评价结果的统计分析方法研究[J]. 余江,詹建波,王浩,郑晗,张莹,张伟,王旭,高莉,顾建龙,付荣荣. 新型工业化. 2017(06)
[10]基于SOFM网络的烤烟感官质量聚类模式分析[J]. 邵惠芳,赵昕宇,许自成,李东亮. 中国烟草学报. 2016(01)
博士论文
[1]烟叶质量评价方法优选与实证研究[D]. 胡建军.湖南农业大学 2009
硕士论文
[1]基于关联规则与用户兴趣模型的个性化云服务推荐算法[D]. 未翠翠.北京邮电大学 2017
[2]基于关联规则的住宅小区宜居性评价研究[D]. 元海燕.华北水利水电大学 2017
[3]基于贝叶斯网络的卷烟配方规则提取和配方维护[D]. 吴雨露.东北大学 2017
[4]基于局部近邻Slope One与动态专家的协同过滤推荐算法研究[D]. 李剑锋.湖南大学 2016
[5]统计视角下面向数据稀疏问题的协同过滤推荐算法研究[D]. 张娟娟.重庆工商大学 2016
[6]基于先验知识的卷烟感官评吸指标预测方法[D]. 王岁寒.东北大学 2015
[7]基于聚类与关联规则的客户群消费行为研究[D]. 周威.成都理工大学 2015
[8]基于数据挖掘的单料烟感官评吸指标预测研究[D]. 徐翔禹.东北大学 2014
[9]数据挖掘在高校课堂教学评价中的应用与研究[D]. 闫魁颖.中山大学 2014
[10]卷烟烟气味觉研究以及预测模型建立[D]. 叶楠.华东理工大学 2012
本文编号：3307583
本文链接：https://www.wllwen.com/guanlilunwen/pinpaiwenhualunwen/3307583.html
