用于构建企业创新方法库的数据挖掘方法

摘要

本发明提供一种用于构建企业创新方法库的数据挖掘方法，涉及信息科学与管理科学领域。为解决现有技术成本高且效率不佳的问题而发明。本发明实施例提供的技术方案包括：通过模糊语言场方法存储数据信息，对其进行水平评价，然后基于评价使用因果关系建立方法库用于存储企业创新方法，并建立推理规则，从而通过评价后自动给出需要的挖掘方法。该方案可以应用在企业创新方法库的构建中。

说明书

技术领域

本发明涉及信息科学与管理科学领域，特别是指一种用于构建企业创新方法库的数据挖掘方法。 

背景技术

改革开放以来，面对以创新和技术升级为主要特征的激烈国际竞争，我国自主创新能力已经成为发展的瓶颈。因此，加快提高自主创新能力，是引导我国经济发展的重要任务，已经成为增强我国综合国力和竞争力的迫切需要。在自主创新方针的贯彻执行过程中，如何对自主创新进行客观、科学和有效管理已成为管理与信息科学前沿的热点问题。 

目前，我国主要通过创新专家进行创新管理。然而，由于创新专家的精力有限，难以走访多地并进行创新管理，组织大型创新专题讲座是唯一的解决途径，但是组织大型创新专题讲座成本高而且效率不佳。此外，更重要的是当前尚缺少定性与定量相结合的、企业自主创新评价与提升的管理系统（平台）。 

发明内容

本发明要解决的技术问题是提供一种用于构建企业创新方法库的数据挖掘方法，能够降低成本并提高创新管理效率。 

为解决上述技术问题，本发明的实施例提供一种用于构建企业创新方法库的数据挖掘方法，包括： 

构建针对待管理数据的指标集{D₁，D₂·D_n}，并获取所述指标集中各个指标对应的权重； 

根据所述指标集和对应的权重计算所述待管理数据的得分； 

根据所述得分建立模糊语言场，得到模糊语言值； 

建立指示器→关键因素的第一级评判算法； 

根据所述第一级评判算法确定评价结果Y，所述评价结果Y=W·M={y₁,y₂,y₃,y₄,y₅}； 

通过聚类计算所述待管理数据的水平； 

建立所述待管理数据的方法库结构。 

本发明的上述技术方案的有益效果如下： 

上述方案，通过模糊语言场方法存储数据信息，对其进行水平评价，然后基于评价使用因果关系建立方法库用于存储数据管理方法，并建立推理规则，从而通过评价后自动给出需要的挖掘方法。本发明能够通过录入自身实际数据后自动进行数据评价并给予数据改进方法，能够降低成本并提高数据管理效率。 

附图说明

图1为本发明实施例一提供的用于构建企业创新方法库的数据挖掘方法的流程图； 

图2为图1所示的用于构建企业创新方法库的数据挖掘方法中企业创新度的示意图； 

图3为图1所示的用于构建企业创新方法库的数据挖掘方法中创新方法库示意图； 

图4为本发明实施例二提供的用于构建企业创新方法库的数据挖掘方法的流程图一； 

图5为图4所示的用于构建企业创新方法库的数据挖掘方法中推理规则的结构示意图； 

图6为本发明实施例二提供的用于构建企业创新方法库的数据挖掘方法的流程图二。 

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附 图及具体实施例进行详细描述。 

本发明针对现有技术成本高且效率不佳的问题，提供一种用于构建企业创新方法库的数据挖掘方法。 

实施例一： 

如图1所示，本发明的实施例提供的用于构建企业创新方法库的数据挖掘方法，包括： 

步骤101，构建针对待管理数据的指标集{D₁，D₂·D_n}，并获取该指标集中各个指标对应的权重。 

在本实施例中，不同类型的企业，针对数据的指标集相同，指标集中各个指标对应的权重不同。其中，步骤101中待管理数据可以为创新数据。 

步骤102，根据指标集和对应的权重计算待管理数据的得分。 

步骤103，根据所述得分建立模糊语言场，得到模糊语言值。 

在本实施例中，可以建立待管理数据的模糊语言表示，通过模糊语言场，得到模糊语言值。其中，待管理数据的模糊语言表示，可以为企业创新度的模糊语言表示；该企业创新度可以被定义为一个模糊语言变量，它的模糊语言值可以表示为“卓越创新”、“战略创新”、“积极创新”、“反应创新”和“偶尔创新”，如图2所示。其中，“卓越创新”表示在全部领域管理和跨企业网络都有创新；“战略创新”表示战略性、覆盖全企业的灵活的创新管理；“积极创新”表示覆盖全企业可规划和调控项目的结构；“反应创新”表示对创新行为关注，并制定计划；“偶尔创新”表示对创新没有系统资助和战略性指导。 

在本实施例中，任意一个模糊语言值对应一个模糊子集，可以视为一个有限的状态向量。这里企业创新度语言场表示为: 

$>{\Lambda }^0=<D^0,I^0,N^0,{\le }_{N^0}>$>

称为企业创新标准语言场，其中N⁰={卓越创新(B)，战略创新(S)，积极创 新(P)，反应创新(R)，偶尔创新(O)}。D⁰表示实数上的交叉区间的集合；N⁰是模糊语言值的有限集合；I⁰:N⁰→D⁰为满足保序性的标准值的映射关系;表示N⁰上的全序关系。 

同样的，企业创新的模糊语言值结构F⁰被称为标准语言值结构，表示为： 

F⁰=<Λ⁰,W⁰,K⁰> 

这里取K⁰=5，那么企业创新度标准向量被表示为： 

α_B=(a₁,a₂,a₃,a₄,a₅), 

α_S=(b₁,b₂,b₃,b₄,b₅), 

α_P=(c₁,c₂,c₃,c₄,c₅), 

α_R=(d₁,d₂,d₃,d₄,d₅), 

α_O=(e₁,e₂,e₃,e₄,e₅), 

其中，a_i,b_i,c_i,d_i,e_i(i=1,2,3,4,5)具体取值可以使用模糊算子分别从标准向量对应的实数集{0.2,0.4,0.6,0.8,1}分别取“大小”得出它满足： 

$>\forall n_1,n_2\in N^0(n_1\le n_2\to W^0\left(n_1\right){\le }_{\mathrm{dic}}{W}^0\left(n_2\right)),$>

$>\forall n_1,n_2\in N^0(n_1{\ne n}_2\to W^0\left(n_1\right)\ne W^0\left(n_2\right)),$>

其中，≤_dic表示在[0,1]⁵上的词典顺序关系。 

已知企业创新由创新领域F^fd、关键因素F^fa、指示器Fⁱⁿ三级评判得出，其 中指示器Fⁱⁿ为最基础指标。根据模糊语言场理论，每一个指示器可以由相互独立的模糊语言变量表示。例如指示器“(Acl)”将其表示为模糊语言场通过如下所示： 

一、获取Acl指示器的模糊语言场Λ_Acl，所述所述D_Acl表示实数上的交叉区间的集合，是模糊语言值的有限集合，由所述得分确定，I_Acl:N_Acl→D_Acl为满足保序性的标准值的映射关系，表示N_Acl上的全序关系； 

其中，D_Acl是基础变量Acl的一个变量区间，并且其具体指可以表示为交叉子区间中的一个具体的点；N_Acl={专利很多(B')，专利多(S')，专利一般(P')，专利少(R')，专利很少(O')}.I_Acl:N_Acl→D_Acl为满足保序性的标准值的映射关系; 表示N_Acl上的全序关系。 

二、根据所述模糊语言场Λ_Acl获取对应的模糊语言结构F_Acl，所述F_Acl=<Λ_Acl,W_Acl,K_Acl>，所述K_Acl是自然数，所述满足： $>\forall n_1,n_2\in N_{\mathrm{Acl}}(n_1{\le }_N{n}_2\to W_{\mathrm{Acl}}\left(n_1\right){\le }_{\mathrm{dic}}{W}_{\mathrm{Acl}}\left(n_2\right))$>和 $>\forall n_1,n_2\in N_{\mathrm{Acl}}(n_1{\ne n}_2\to W_{\mathrm{Acl}}\left(n_1\right)\ne W_{\mathrm{Acl}}\left(n_2\right)),$>所述≤_dic表示在上的词典顺序关系。 

在本实施例中，取K=5，其模糊语言值的标准向量可以相应的表示为：β'_B,β'_S,β'_P,β'_R,β'_O；Λ_Acl可以扩张为Λ⁰，因为Λ_Acl和Λ⁰有相同类型的模糊语言场；5维向量F_Acl可以直接由5维向量F⁰对应给出： 

β'_B=α_B,β'_S=α_S,β'_P=α_P,β'_R=α_R,β'_O=α_O

通过上述方法，对于数据的优良程度可以统一由模糊语言场表述。同理，其他的指示器的模糊语言场也可以由标准模糊语言场统一的表述。 

步骤104，建立指示器→关键因素的第一级评判算法。 

在本实施例中，通过步骤104建立第一级评判算法，包括： 

一、确定指标项集Id，所述Id={id₁,id₂,…,id_p}。 

二、建立指标项集中指标级评判权重W，所述W＝{ω₁,ω₂,…ω_i,…,ω_p}，所述ω_i表示具体指标权重。 

在本实施例中，0≤ω_i≤1，某二级指标具有有p个一级指标，i表示指标标号。 

三、建立输入矩阵M，所述$>M=\left(\begin{array}{cccc}{m}_{11}& m_{12}& ...& m_{15}\\ m_{21}& m_{22}& ...& m_{25}\\ ...& ...& ...& ...\\ m_{p1}& m_{p2}& ...& m_{p5}\end{array}\right),$>所述输入矩阵中元素的取值方法包括：当实际输入数据为标准样本数据时，将所述得分向量表示为所述输入矩阵M中的一行；当实际输入数据为非标准样本数据时，使用插值计算对应的得分，并将其表示为所述输入矩阵M中的一行。 

在本实施例中，插值公式为： 

$>{\alpha }_t=A_t·(1-\frac{|t_i-t_i^0|}{l_i})+A_a·\left(\frac{|t_i-t_i^0|}{l_i}\right)$>

其中，t_i表示具体模糊语言变量落入变量区间i非样本真实数据；表示变量区间i样本数据；l_i表示变量区间i的长度，A_t是对应的数据水平向量，A_a表示A_t相邻的数据水平向量。 

步骤105，根据所述第一级评判算法确定评价结果Y。 

在本实施例中，通过步骤105确定的评价结果Y=W·M={y₁,y₂,y₃,y₄,y₅}；Y表示对应二级指标数据水平向量。通过步骤1-4可以通过指示器指标计算出对应所有q个二级指标数据水平向量（关键因素）Y₁,Y₂,…,Y_q。对应称为指标特征值。 

类似的，可以通过二级指标计算出三级指标，即从关键因素到领域，最终可以再由领域计算出最终的管理数据的能力。 

步骤106，通过聚类计算待管理数据的水平。 

在本实施例中，对于Y₁,Y₂,…,Y_q到企业创新度卓越创新(B)，战略创新(S)，积极创新(P)，反应创新(R)，偶尔创新(O)（可以表示为创新度1,2,3,4,5）可以通过计算距离得出： 

$>d(T_i,J)=\underset{k=1}{\overset{5}{\Sigma }}|{\mu }_{T_i}\left(u_k\right)-{\mu }_J\left(u_k\right)|(i=\mathrm{1,2},...,p;J=\mathrm{1,2},...,5).$>

步骤107，建立待管理数据的方法库结构。 

在本实施例中，通过步骤107建立待管理数据的方法库结构，包括： 

一、建立推理规则[A_i]→[S_i]，所述[A_i]为指标器集合，所述[S_i]为待管理数据的方法集。 

在本实施例中，对于企业创新指标被模糊语言场判定为语言值：N⁰={卓越创新(B)，战略创新(S)，积极创新(P)，反应创新(R)，偶尔创新(O)}，则任意指标i语言值表示为A_i(K)，其中A_i={A_i(B),A_i(S),A_i(P),A_i(R),A_i(O)}。那么有A_i(K)→S_i(K).S_i(K)∈[S_i]为创新方法集。 

对于企业创新，其评价最小单位是指示器，并且对于指示器语言值的量化都是有创新专家设定，因此可以由专家的文字描述和解释，作为对应S_i(K)存入方法库。 

二、根据所述推理规则寻找频繁模式集，建立待管理数据的方法库。 

在本实施例中，对于指标B_i由模糊语言场表示为B_i=W·A，其中W表示权重， 

$>A=\left(\begin{array}{cccc}{a}_{11}& a_{12}& ...& a_{15}\\ a_{21}& a_{22}& ...& a_{25}\\ ...& ...& ...& ...\\ a_{p1}& a_{p2}& ...& a_{p5}\end{array}\right)$>

如果矩阵行向量是模糊语言值向量，那么 

$>\left(\begin{array}{cccc}{a}_{11}& a_{12}& ...& a_{15}\\ a_{21}& a_{22}& ...& a_{25}\\ ...& ...& ...& ...\\ a_{p1}& a_{p2}& ...& a_{p5}\end{array}\right)=\left(\begin{array}{c}{A}_{1\left(K\right)}\\ A_{2\left(K\right)}\\ ...\\ A_{p\left(K\right)}\end{array}\right)$>

设表示因故输入模式向量，的样本计数由 表示，其他向量样本计数为则所有向量计数 $>N=N\left(A_{B_i}\right)+N\left(\overline{A_{B_i}}\right).$>支持度为$>\mathrm{SUP}\left(A_{B_i}\right)=N\left(A_{B_i}\right)/N.$>

设因果强度为S_v，如果对于若则不存在因果关系规则；若 则存在因果关系规则，那么此指标为频繁模式，建立S_Bi(K)∈[S_i]，建立创新方法。因果强度为S_v根据具体情形设定（文章通过专家意见，将企业创新选择因果强度设为S_v=0.2）。 

通过如上两步建立方法库，对于企业创新，因为指示器为最小单位，并且 是专人设定，则通过1）建立每条指示器对应创新方法，此方法可以是对于指示器对于不同创新度的描述。对于更高级指标，如关键因素，可以将其表示为下一级指标即指示器的度向量，那么则对于企业输入数据集进行训练，根据统计向量支持度，对满足条件向量提出，然后再由专家分析得出新的归纳创新方法。图3为创新方法库示意图。 

上述方案，通过模糊语言场方法存储数据信息，对其进行水平评价，然后基于评价使用因果关系建立方法库用于存储数据管理方法，并建立推理规则，从而通过评价后自动给出需要的挖掘方法。本发明能够通过录入自身实际数据后自动进行数据评价并给予数据改进方法，能够降低成本并提高数据管理效率。 

实施例二： 

如图4所示，本发明实施例提供的用于构建企业创新方法库的数据挖掘方法，该方法与图1所示的相似，区别在于，还包括： 

步骤108，构建数据分级的推理方案。 

在本实施例中，通过步骤108构建推理方案的过程包括： 

一、搜索向量[A_1k(J) A_2k(J) … A_pk(J)]，判断所述向量是否为频繁模式； 

二、如果为频繁模式，使用

三、如果不为频繁模式，细分关键因素为下一级指示器水平，通过因果关系搜索方法。 

对于关键因素的创新度由F_k^fa表示，如果关键因素度不是卓越创新(B)，那么此关键因素表示为!F_k^fa。关键因素可以表示为其细化的指示器度向量，所以 搜索向量 

[A_1k(J) A_2k(J) … A_pk(J)] 

判断其是否为频繁模式，如过是频繁模式，则方法库存在对应的创新方法，直接使用如果不是，则细分关键因素为其下一级指示器创新度，A_ik(J)(1≤i≤p)，直接通过因果关系搜索方法，其中A_ik(J)表示指示器创新度。 

同指示器类似，对创新度不是卓越创新(B)的指示器记为!F_i^id. 

其中，div(F_k^fa)表示搜索F_k^fa内所有指示器!F_k^id的过程。 

对于不同类型企业，对应不同的一个数值量。 

通过上述描述，我们建立企业创新分级产生式推理过程如下： 

步骤（8.1)for all F^fd∈Fⁱⁿdo 

步骤（8.2)for all F^fa∈F^fd do 

步骤（8.3)if!F_k^fa then 

步骤（8.4)div(F_k^fa) 

步骤（8.5)end 

步骤（8.6)end 

Procedure div(F_k^fa) 

步骤（8.7)for all F_i^id∈F_k^fa

步骤（8.8)if!F_i^id then 

步骤（8.9)reture R_ij

步骤（8.10)end 

图5表示了分级产生式推理规则的结构。方框A表示满足创新，方框B表示不满足。 

进一步的，如图6所示，本发明提供的用于构建企业创新方法库的数据挖掘方法，还可以包括： 

步骤109，修正与添加案例。 

上述方案，通过模糊语言场方法存储数据信息，对其进行水平评价，然后基于评价使用因果关系建立方法库用于存储企业创业方法，并建立推理规则，从而通过评价后自动给出需要的挖掘方法。本发明能够通过录入自身实际数据后自动进行数据评价并给予数据改进方法，能够降低成本并提高数据管理效率。 

本发明提供的用于构建企业创新方法库的数据挖掘方法，能够用于企业创新方法库的构建。 

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。