打分名詞演算法

A. 文章自動打分演算法

文章自動打分簡稱 AES (Automated Essay Scoring)，AES 系統利用 NLP 技術自動對文章進行打分，可以減輕閱卷人員的負擔。目前有不少大型的考試都採用了 AES 演算法進行作文打分，例如 GRE 考試，GRE 考試會有一位閱卷老師和 AES 系統一起打分，如果 AES 的分數和閱卷老師的分數相差過大，才有再增加一位閱卷老師進行打分。本文主要介紹兩種比較經典的自動打分演算法。

自動打分演算法從優化目標或者損失函數來說大致可以分為三種：

傳統的自動打分演算法通常會人工設置很多特徵，例如語法錯誤，N 元組，單詞數量，句子長度等，然後訓練機器學習模型進行打分。目前也有很多使用了神經網路的方法，通過神經網路學習出文章的特徵。

下面介紹兩種打分演算法：

出自論文《Regression based Automated Essay Scoring》。給定很多需要打分的文章後，首先需要構造出文章的特徵，用到了人工設置特徵和向量空間特徵。

拼寫錯誤 Spelling Errors ：使用 pyenchant 包統計出拼寫錯誤單詞數量占總單詞數量的比例。

統計特徵 Statistical Features ：統計字元數量，單詞數量，句子數量，段落數量，停止詞數量，命名實體數量，標點符號數量 (反映文章的組織情況)，文本長度 (反映寫作流暢程度)，不同詞彙的數量與總單詞數的佔比 (反映詞彙量水平)。

詞性統計 POS count ：統計各種詞性出現的頻率，例如名詞，動詞，形容詞，副詞等，詞性通過 nltk 包獲取。

語法流暢特徵 Grammatical Fluency ：使用 link grammar (鏈語法) 解析句子，然後統計 links 的個數；統計 n 元組出現的概率；統計詞性 n 元組出現的概率。

可讀性 Readability ：可讀性分數是衡量文本組織以及文本句法和語義復雜程度的一個指標。採用了 Kincaid 可讀性分數作為一個特徵，計算公式如下

本體特徵 Ontological Features ：為每個句子打上標簽，例如研究、假設、主張、引用、支持和反對等。

可以將一篇文章投影到一個向量空間模型中 (VSM)，此時文章可以用向量空間中的一個特徵向量表示，例如可以用 one-hot 編碼表示一篇文章，長度等於詞彙表長度，如果一個單詞出現在文章中，則對應的位置置為 1，如下：

另外也可以使用 TF-IDF 向量表示文本，但是採用這種表示方式單詞之間不存在任何關聯，為了解決這個問題，文章中使用了一個單詞相關性矩陣 W 加上線性變換從而引入單詞之間的相關性。

單詞的相關性矩陣 W 通過 word2vec 生成的詞向量計算，即 W (i,j) = 單詞 i 和單詞 j 詞向量的餘弦相似度。

最後，為了考慮文章中單詞的順序問題，將文章拆分成 k 個段落，然後分別計算向量空間特徵，融合在一起。

得到上述特徵之後，採用 SVR 演算法進行回歸學習。數據集是 kaggle ASAP 比賽數據集，數據集包含 8 個集合的文章，評價指標採用 KAPPA 和相關系數，以下是一些實驗效果。

這是在 8 個集合上分別使用 linear kernel 和 rbf kernel 的效果。

這是和人類打分者的對比。

以下內容出自論文《Neural Networks for Automated Essay Grading》，可以採用回歸或者分類的方法進行訓練，模型如下圖所示。

論文中主要使用了三種方法構造出文章的特徵向量：

論文中主要用了三種神經網路結構，NN (前向神經網路)，LSTM 和 BiLSTM。所有的網路都會輸出一個向量 h(out)，根據 h(out) 構造出損失函數，下面分別是回歸和分類的損失函數。

回歸損失

分類損失

第一種模型：NN (前向神經網路)

使用了兩層前向神經網路，網路輸入的文章特徵向量是 Glove 詞向量的平均值或者訓練的詞向量平均值。h(out) 的計算公式如下。

第二種模型：LSTM

LSTM 模型接受的輸入是文章所有單詞的詞向量序列，然後將 LSTM 最後輸出的向量作為文章的特徵向量 h(out)。

第三種模型：BiLSTM

因為文章通常比較長，單向的 LSTM 容易丟失前面的信息，因此作者也使用了 BiLSTM 模型，將前向 LSTM 和後向 LSTM 模型的輸出加在一起作為 h(out)。

添加 TF-IDF 向量

以上模型的輸出 h(out) 都可以再加上 TF-IDF 向量提升性能，首先需要對 TF-IDF 向量降維，然後和模型的輸出拼接在一起，如下圖所示 (BiLSTM 為例子)。

《Regression based Automated Essay Scoring》
《Neural Networks for Automated Essay Grading》

B. 李思賞姓名打分

李思賞
100分
經大數據測名分析，李思姓名測試打分結果為：
評分項 分數 擊敗率 評價
綜合得分 100分 90% 優秀
綜合運勢 85分 76% 優秀
周易卦象 100分 89% 優秀
名字主運 ??分 ??% 優秀
名字後運 100分 87% 優秀
基礎運 70分 60% 普通
事業運 100分 86% 優秀
社交運 95分 81% 優秀
查看李思全國重名信息

*以上分數是通過名字音律、字型、數理、五行計算得出，僅供參考。

李思姓名測試打分結果來源於傳統國學書籍，僅供娛樂參考，當前測名工具不考慮生辰八字，推薦使用我們上方提供的專業測名工具

綜合運勢解析85分
解析雖可順利成功，名利兼收，但因基礎不穩而招致困難，有遭難、外傷之慮。

總論一生勞碌不息，難成功的配置，好面子，有眼高手低的傾向，自悲自嘆命運的不公平。

性格李思為人忠厚老實，內心稍微固執，易親易離的個性，來者不拒，去者不追，有時自己有困難，還想幫忙別人，容易被人拖累或損財。

意志意志不堅定，計劃之事容易三心兩意，中途變更，但忍耐性佳，可以忍受辛勤勞碌的生活。

事業李思綜合運勢分析是基於三才五格計算得來，分析演算法來源於傳統國學書籍，內容僅供參考娛樂。名字查查提供科學的專業測名加數理運勢綜合測試名字李思怎麼樣，使用本頁面頂部測名工具全面分析名字與主人相關信息。

家庭家庭不和睦，妻子不得力，大都勞碌不安。女命者較佳。

婚姻男得意志不堅之妻，婚後不圓滿；女嫁固執好勝之夫，婚後多爭執。

子女性格孤獨，身體稍虛，應多給予愛的教育及精神上的鼓勵。

社交樂於助人，卻吃力不討好，社交運不盡如意，但人緣頗佳。

精神凡事不如意，內心多勞苦，精神不安定。

財運財運不佳，應多勤儉維持家庭生活，保持健康及精神上的愉快為要。

老運終身勞碌，無顯著進步，精神勞苦，感受到人情冷暖的凄涼。

C. 評分演算法，比如一星到五星 我的綜合評價是4.9星 ，那麼怎麼算出來這個分數的

D. 名詞解釋 演算法

演算法（Algorithm）是指解題方案的准確而完整的描述，是一系列解決問題的清晰指令，演算法代表著用系統的方法描述解決問題的策略機制。也就是說，能夠對一定規范的輸入，在有限時間內獲得所要求的輸出。如果一個演算法有缺陷，或不適合於某個問題，執行這個演算法將不會解決這個問題。不同的演算法可能用不同的時間、空間或效率來完成同樣的任務。一個演算法的優劣可以用空間復雜度與時間復雜度來衡量。

E. 成績的名詞形式是mark嗎是英語形式,我有急用!

是.mark既可以作動詞,也可以作名詞.作動詞意思是：作標記／記號／打分；作名詞意思是：記號／分數

F. 關於如何計算平均評分。 比如打分，1個星代表1分。可以打1、2、3、4、5分。

先算總的分數160*5=800 525*4=2100 25*3==75 21*2=42 36*1=36
800+2100+75+42+36=3053（注意了這里160+525+25+21+36=767說明還有10個人沒打分或者認為10個人打0分、可是你題目說可以打1、2、3、4、5那隻能說明沒打分了）
這樣下來算出的總分3053/參與的人數777==平均分3.9292你最後的平均分是10分的演算法
所以我們在5分的基礎上乘以2
所以3.9292*2=7.9這個是個大約數

G. 武漢服裝廠打分的工資演算法

打分工資法是指每一工時的工資=小組總工資/小組總工時。
個人工資=（個人工時*每一工時的工資）*（個人的分數/每人平均的分數）。例：每一工時的工資=小組總工資/小組總工時=10000/1000=10元/工時；個人工資=（個人工時*每一工時的工資）*（個人的分數/小組人均的分數）=（200*10）*(9、6/9、5)=2021、05元。

H. 層次分析法的打分機制

如果寫這篇文章僅僅是介紹層次分析法的理論，顯得完全沒有必要。層次分析法作為最早接觸到的一批演算法，登山、旅遊的決策案例聽過太多遍了。

本文想講一講層次分析法在打分機制上的應用。

詳細內容查看 AHP層次分析法的步驟和方法

層次分析法繞不開的第一步就是確定層次結構.(需要特徵在三個及三個以上，否則無法滿足一致性檢驗)

建立對比矩陣C，判斷准則層三個特徵對項目而言的重要程度。
使用專家評分的方式，評定對於項目而言各個特徵的比較分值。
例如下圖第一行技術風險A2比環境風險A1重要很多，非技術風險A3比環境風險A1重要一點。

矩陣C按列歸一化處理，新矩陣B按行求和/n得到每個特徵的權重：0.64794686, 0.12218196, 0.22987118
該矩陣滿足一致性檢驗，CR=0.003

此方法適用方案層有三個及以上的參與者。理由是RI在n=1,2時，值為0，會導致一致性檢驗不滿足要求。

A1條件下
整體環境風險A1下，三個候選人D1、D2、D3的比較。

滿足一致性檢驗，CR = 0.056740233073197095
三個項目在A1條件下，各自的權重為：0.193, 0.083, 0.723。

A2條件下
技術風險A2下，三個候選人D1、D2、D3的比較

滿足一致性檢驗，CR = 0.015807980379472106
三個項目在A1條件下，各自的權重為：0.137, 0.623, 0.239

A3條件下
非技術風險A3下，三個候選人D1、D2、D3的比較

滿足一致性檢驗，CR = 0.056475713035283585
三個項目在A1條件下，各自的權重為：0.283, 0.643, 0.074

三個項目評分
項目甲D1在環境風險A1、技術風險A2、非技術風險A3下的分值分別為0.193、0.137、0.283。所以項目D1的總得分為=分值 * 特徵權重。
SCORE = 0.193 * 0.64794686 + 0.137 * 0.12218196 + 0.283 * 0.22987118 = 0.20696492
同理計算出項目乙得分0.27802246，項目丙得分0.51501263。所以丙是最合適的選擇。

項目甲D1在環境風險A1、技術風險A2、非技術風險A3三個方面的得分分別為72, 78, 88；
項目甲D2在環境風險A1、技術風險A2、非技術風險A3三個方面的得分分別為68, 90, 94；
項目甲D3在環境風險A1、技術風險A2、非技術風險A3三個方面的得分分別為98, 80, 78；
項目總得分為=分值 * 特徵權重。
甲乙丙三個項目得分分別為：77.49、79.93、86.43，丙為最優選擇。

已經根據層次分析計算出每個特徵的權重。
方法一是採用方案層在每個特徵下的比較；方案二是直接對每個項目打分；但這類打分人工隨意性比較大。還可以採用模糊評價法，設置評價集V={很好，好，一般，差}，找20個人來打分，數值為打這些分的人數。

對矩陣歸一化後為M，得分 = 權重 * M，再歸一化 。
D1 = [0.23, 0.23, 0.17, 0.37]
同理計算出項目乙D2，項目丙D3的模糊得分
D2 = [0.17, 0.31, 0.40, 0.12]
D3 = [0.46, 0.18, 0.24, 0.12]
說明項目甲23%程度為很好，23%程度為好，17%程度為一般，37%程度為差;
說明項目乙17%程度為很好，31%程度為好，40%程度為一般，12%程度為差;
說明項目丙46%程度為很好，18%程度為好，24%程度為一般，12%程度為差;
要求很好、好的概率在60%以上，因此項目丙是最優選擇。

覺得三個特徵還能繼續深入。擴展准則層。

第一步 ：建立A1,A2,A3三個大特徵的對比矩陣，計算三個特徵的權重W1、W2、W3。
第二步 ：特徵A1下有B1、B2、B3、B4四個特徵，建立B1、B2、B3、B4的對比矩陣，計算特徵的權重w11,w12,w13,w14;
特徵A2下有B5、B6、B7三個特徵，建立B5、B6、B7的對比矩陣，計算特徵的權重w21,w22,w23;
特徵A3下有B8、B9、B10三個特徵，建立B8、B9、B10的對比矩陣，計算特徵的權重w31,w32,w33。
B1、B2、B3、B4，...，B10的特徵權重為w11 W1，w12 W1，w13 W1，...，w33 W3

第三步 ：分值計算。
先設置項目在B系列特徵的得分a1,a2,...,a10,項目總得分為sum(權重*得分)。

（1）以上專家評分是在滿足邏輯的前提下，一堆亂打的分值。所以層次分析法的打分質量的好壞影響判斷，專家打分人為因素太強，解釋性不夠。
（2）准則層涉及的特徵不宜過多，特徵太多人工寫分數很麻煩。

層次分析法在項目風險分析中的應用
絕對打分方法

I. 資產評估考試重點(名詞解釋部分)

考試重點有：

1、清算（清償）假設是指資產所有者在某種壓力下被強制進行整體或拆零，經協商或以拍賣的形式在公開市場上出售。

2、資產評估業務約定書是資產評估機構和委託人共同簽訂的，確定資產評估的委託和委託關系，明確委託目的、被評估資產范圍及雙方權利和義務等重要事項的合同。成本法是指被評估資產的現時重置成本扣減其各項損耗價值來確定被評估資產價值的方法。

3、更新重置成本是指利用新型材料，並根據現代標准、設計及格式，以現時價格生產或建造具有同等功能是全新資產所需的成本。

4、收益法是指通過估算被評估資產未來收益並折算成現值，藉以確定被評估資產價值的一種資產評估方法。修復費用法是以修復機器設備的實體性貶值使之達到全新狀態所需要支出的金額，作為估測被修復機器設備實體性貶值的一種方法。

5、房地產是指土地、建築物及其他地上定著物。具體來說，房地產有三種存在開形態，即單純的土地，單純的建築物，土地與建築物合成一體的房地產。

6、土地使用權是土地使用者依法對土地進行使用或依法對其使用權進行出讓、出租、轉讓、抵押、投資的權利。基準低級系數修正法是市場法的一種特殊狀態，是指利用當地政府制定頒布的基準地價作為參照物（比較案例），對其各種因素進行系數修正；

求得待估土地評估值的一種方法。其計算公式為：待估土地使用權評估值=基準地價
×基準地價時間因素系數×個別因素修正系數×市場轉讓因素修正系數。

7、「七通一平」，即通路、通上水、通下水、通電、通訊、通氣、通熱、土地平整。
築物評估中的成本法是基於建築物的再建造費用或投資的角度來考慮，通過估算出建築物在全新狀態下的重置成本，再扣減由於各種損耗因素造成的貶值，最後得出建築物的評估值。

計算公式為：建築物評估值=建築物重置成本-實體性貶值-功能性貶值-經濟性貶值。

8、價格指數調整法是根據建築物的賬面成本，運用建築業產值價格指數或其他相關價格指數推算出建築物重置成本的一種方法。

9、打分法是指評估人員藉助於建築物成新率的評分標准，分解建築物整體成新率評分標准，以及按不同構成部分的評分標准進行對照打分，得出或匯總得出建築物的成新率。

10、正常交易指交易應是公開、平等、自願的，即在公開市場、信息通暢、交易雙方自願、沒有私自利益關系情況下的交易。

11、房地產價格指數是指房地產在不同時期價格的漲落程度，不是任何類型的房地產價格指數都可以採用的，採用的價格指數必須是待估房地產類似的房地產價格指數。

建築物殘余估價法是指建築物與其基地合並計算收益，再用收益法以外的方法能求得土地的價格時，從建築物及其基地所產生的收益中，扣除歸屬於基地的純收益。

12、無形資產是指特定主體所控制的，不具有實物狀態，對生產經營長期發揮作用且能帶來經濟利益的資源。

13、專有技術，又稱非專利技術、技術秘密，是指未經公開、未申請專利的知識和技巧。
商譽通常是指企業在同等條件下，能獲取高於正常投資報酬率所形成的價值。

14、債券是政府、企業和銀行等債務人為了籌集資金，按照法定程序發行並向債權人承諾於指定日期還本付息的有價證券。

15、股票的內在價格是未來每股收益的折現值。

15、從資產評估的角度來看，企業是以盈利為目的，由各種要素資產組成並具有持續經營能力的相對完整的系統體系。

17、企業價值評估是指注冊資產評估師對基準日特定目的下企業整體價值、股東全部權益價值或部分權益價值進行分析，估算並發表專業意見的行為和過程。

J. 綜合評標法怎麼算分

把涉及到的投標人各種資格資質、技術、商務以及服務的條款，都折算成一定的分數值，總分為100分。

評標時，對投標人的每一項指標進行符合性審查、核對並給出分數值，最後，匯總比較，取分數值最高者為中標人。

評標時的各個評委獨立打分，互相不商討；最後匯總分數。比較容易制定具體項目的評標辦法和評標標准；評標時，評委容易對照標准「打分」。

1、必須在招標文件中，事先列出需要考評的具體項目和指標以及分數值；

2、按照有關法律法規來制定評標標准，不得擅自修改；比如，價格分佔30--60%的比例，不能改變超出范圍。

3、分數值的標准不宜太籠統。不可以制定「價格分」為40分，而沒有細則；要說明各投標人的具體分數值如何計算；還應細分每一項的指標，包括「技術分30分」包括那些考核指標，如何計算給分或者扣分的標准辦法。

(10)打分名詞演算法擴展閱讀：

其順序如下：

1、 確定評價項目，即哪些指標採取此法進行評價。

2、 制定出評價等級和標准。先制定出各項評價指標統一的評價等級或分值范圍，然後制定出每項評價指標每個等級的標准，以便打分時掌握。這項標准，一般是定性與定量相結合，也可能是定量為主，也可以是定性為主，根據具體情況而定。

3、 制定評分表。內容包括所有的評價指標及其等級區分和打分，格式如下表所示：

4、 根據指標和等級評出分數值。評價者收集和指標相關的資料，給評價對象打分，填入表格。打分的方法，一般是先對某項指標達到的成績做出等級判斷，然後進一步細化，在這個等級的分數范圍內打上一個具體分。這是往往要對不同評價對象進行橫向比較。

5、 數據處理和評價。

（1） 確定各單項評價指標得分。

（2） 計算各組的綜合評分和評價對象的總評分。

（3） 評價結果的運用。將各評價對象的綜合評分，按原先確定的評價目的，予以運用。