一种绩效评分卡指标权重的优化方法及系统

摘要

本发明提供了一种绩效评分卡指标权重的优化方法及系统，根据原始输入，基于原始输入信息熵并结合专家权重，生成初始权重；针对生成的初始权重，定义基于多元高斯分布的初始权重约束空间，采样生成候选权重集；计算原始总评分，获得原始总评分中评分分布的正态特性，应用联合分布变换得到目标评分；计算候选总评分，结合目标评分，计算KL散度，利用期望增益优化搜索方法在候选权重集中搜索最优评分对应的权重值作为最优权重。本发明结合了统计学习方法与领域知识经验，有效利用评分前单项原始输入信息的分布信息，改善了仅使用专家经验作为指标权重设计依据带来主观性问题与时效性问题，同时改善了评分总体分布的病态性问题。

说明书

技术领域

本发明涉及绩效评估技术领域，具体地，涉及一种利用期望增益优化搜索方法实现的绩效评分卡指标权重的优化方法及系统。

背景技术

绩效评价作为财政管理的重要手段，具有较强的事后监管性质。绩效评价的一般方法是根据企业或部门的总业务目标，按照一定方法将其分解为多个分目标，并通过一些列相关指标的目标值来量化分目标的完成效果，构成绩效评价指标体系。绩效指标体系赋权是多指标综合体系中难以绕开的重要问题，属于方法论范畴，也具有较为普遍的适用业界普遍认为，绩效指标体系的赋权方法可大致分为两类：主观赋权法和客观赋权法。主观赋权法主要包括专家咨询法、层次分析法、环比赋权法、调查统计法、对比排序法等，核心思想是借鉴主观业务经验与抽样统计确定指标重要性排序；客观赋权法主要包括主成分分析法、指标聚类法、频数统计法等，核心思想是以无监督学习方法挖掘统计特征中与指标重要性相关的信息实现排序。主观赋权法的不足在于主观经验经验偏差与样本偏差；客观赋权法充分利用了当期指标数据的统计信息。但在实际业务环境中，事后监管的目的往往在于指导下一周期的决策调整。而现阶段内，决策调整的方向仍无法脱离主观经验的参考。客观赋权方法仍需要业务知识的嵌入，才能真正具备实用性。

此外，即便在公共管理领域，针对各类业务所调研的数据，在统计分析中也要求具有较广泛的样本量，其目的实质是保证各类数据的观测分布充分反映总体分布。在关联因素分析中，回归方法可被用于预测各因素的对于结果指标的影响因子大小。此时结果指标的分布对回归结果的置信度有着至关重要的影响。通常情况下，人们采信的是正态假设。其原因在于如果结果指标满足近似正态分布，数理统计理论可以保证常规分析方法如t检验和线性回归的结果可成为最优分析结论。在公共领域典型的大型数据集中，多数统计方法依赖于中心极限定理。该定理指出，大量独立随机变量的平均值近似正态分布在真实的平均值附近。正是这种平均值的正态分布奠定了t检验、线性回归、逻辑回归等方法的有效性。反之数据正态性极弱可能导致这些方法得出的结论产生较大偏差或可泛化性不强。因此从结果意义上，绩效指标体系的特定权重下所得到的绩效评分总体分布，可以反映该权重配置方案的合理性。一般认为正态分布的评分更为合理。但在现有方法中，较少度量评分总体与单项原始输入分布，同时充分结合专家系统经验完成绩效体系权重的设计。

目前没有发现同本发明类似技术的说明或报道，也尚未收集到国内外类似的资料。

发明内容

本发明针对现有技术中存在的上述不足，提供了一种绩效评分卡指标权重的优化方法及系统。

本发明是通过以下技术方案实现的。

根据本发明的一个方面，提供了一种绩效评分卡指标权重的优化方法，包括：

根据原始输入，基于原始输入信息熵并结合专家权重，生成初始权重；

针对生成的初始权重，定义基于多元高斯分布的初始权重约束空间，采样生成候选权重集；

计算原始总评分，获得原始总评分中评分分布的正态特性，应用联合分布变换得到目标评分；

计算候选总评分，结合目标评分，计算KL散度；利用期望增益优化搜索方法在候选权重集中搜索KL散度最低的候选权重作为最优权重；

其中：

所述期望增益优化搜索方法，包括：

将历史观测到的候选权重，对应求得KL散度，取相反数作为增益函数；

将迭代中的所有增益函数视为一高斯过程，计算已经观测过的历史增益函数值的均值和协方差；

以次轮待观测候选权重为随机变量，计算历史增益函数值与次轮增益函数值的联合高斯分布，估计次轮增益函数关于次轮候选权重值的后验分布，对应均值与对应协方差分别称为后验均值与后验协方差；

根据该后验分布的后验均值与后验协方差，计算关于次轮候选权重值的期望增益采集函数，在所有候选权重中求使得该期望增益采集函数取最大值的候选权重，取为次轮实际观测权重，其中期望增益采集函数按照以下方式计算：

以次轮权重值为自变量，求次轮增益函数与历史增益函数中最大值之差其结果与0中的最大值，在上述后验分布下的数学期望；

迭代进行上述步骤，直至搜索完所有候选权重或迭代步数达到预设上限；最终轮迭代得到的次轮实际观测权重，即取为最优权重。

优选地，所述根据原始输入，基于原始输入信息熵并结合专家权重，生成初始权重，包括：

根据输入的单项原始输入，计算单项熵值并归一化，得到熵归一化权重；

将熵归一化权重与输入的专家权重加权平均，生成初始权重。

优选地，所述针对生成的初始权重，定义基于多元高斯分布的初始权重约束空间，采样生成候选权重集，包括：

利用生成的初始权重，并输入各权重项允许浮动的范围及权重归一化条件，标定约束域，作为搜索最终权重的候选范围；在约束域中，以初始权重为多元均值项，各维均值项至任意一维约束域边界取为该维的n倍标准差项，构建多元高斯分布函数进行充分采样，形成候选权重集。

优选地，所述计算原始总评分，获得原始总评分中评分分布的正态特性，应用联合分布变换得到目标评分，包括：

根据原始输入评定各评分卡指标单项得分，将各评分卡指标单项得分与专家权重加权求和，计算得到原始总评分；

针对任意分布的原始总评分，利用Box-Cox变换实现总评分分布的正态性校正，生成校正评分；

利用Z-score变换将校正评分向目标均值与方差对齐；

利用最值归一化排除取值范围可能超过评分理论上下限的越界问题，形成评分优化目标，即为目标评分。

优选地，所述计算候选总评分，结合目标评分，计算KL散度；利用期望增益优化搜索方法在候选权重集中搜索KL散度最低的候选权重作为最优权重，包括：

将各评分卡指标单项得分与候选权重集中各候选权重分别加权求和，计算得到候选总评分；

随机选取部分候选总评分，利用前向KL散度计算候选总评分与目标评分的分布差异，作为优化搜索的初始项；

利用期望增益优化算法构建采集函数，优化分布差异测度，并在候选权重集中搜索最低KL散度对应的权重值，作为最终搜索得到的最优权重。

根据本发明的另一个方面，提供了一种绩效评分卡指标权重的优化系统，包括：

初始权重生成模块：根据原始输入，基于原始输入信息熵并结合专家权重，生成初始权重；

候选权重集生成模块：针对初始权重生成模块生成的初始权重，定义基于多元高斯分布的初始权重约束空间，采样生成候选权重集；

目标评分生成模块：计算原始总评分，获得原始总评分中评分分布的正态特性，应用联合分布变换得到目标评分；

最优权重获得模块：计算候选总评分，结合目标评分，计算KL散度；利用期望增益优化搜索方法在候选权重集中搜索KL散度最低的候选权重作为最优权重；其中，所述期望增益优化搜索方法，包括：

将历史观测到的候选权重，对应求得KL散度，取相反数作为增益函数；

将迭代中的所有增益函数视为一高斯过程，计算已经观测过的历史增益函数值的均值和协方差；

以次轮待观测候选权重为随机变量，计算历史增益函数值与次轮增益函数值的联合高斯分布，估计次轮增益函数关于次轮候选权重值的后验分布，对应均值与对应协方差分别称为后验均值与后验协方差；

根据该后验分布的后验均值与后验协方差，计算关于次轮候选权重值的期望增益采集函数，在所有候选权重中求使得该期望增益采集函数取最大值的候选权重，取为次轮实际观测权重，其中期望增益采集函数按照以下方式计算：

以次轮权重值为自变量，求次轮增益函数与历史增益函数中最大值之差其结果与0中的最大值，在上述后验分布下的数学期望；

迭代进行上述步骤，直至搜索完所有候选权重或迭代步数达到预设上限；最终轮迭代得到的次轮实际观测权重，即取为最优权重。

优选地，所述初始权重生成模块生成初始权重的方法，包括：

根据输入的单项原始输入，计算单项熵值并归一化，得到熵归一化权重；

将熵归一化权重与输入的专家权重加权平均，生成初始权重。

优选地，所述候选权重集生成模块生成候选权重集的方法，包括：

利用生成的初始权重，并输入各权重项允许浮动的范围及权重归一化条件，标定约束域，作为搜索最终权重的候选范围；在约束域中，以初始权重为多元均值项，各维均值项至任意一维约束域边界取为该维的n倍标准差项，构建多元高斯分布函数进行充分采样，形成候选权重集。

优选地，所述目标评分生成模块得到目标评分的方法，包括：

根据原始输入评定各评分卡指标单项得分，将各评分卡指标单项得分与专家权重加权求和，计算得到原始总评分；

针对任意分布的原始总评分，利用Box-Cox变换实现总评分分布的正态性校正，生成校正评分；

利用Z-score变换将校正评分向目标均值与方差对齐；

利用最值归一化排除异常值，形成评分优化目标，即为目标评分。

优选地，所述最优权重获得模块获得最优权重的方法，包括：

将各评分卡指标单项得分与候选权重集中各候选权重分别加权求和，计算得到候选总评分；

随机选取部分候选总评分，利用前向KL散度计算候选总评分与目标评分的分布差异，作为优化搜索的初始项；

利用期望增益优化算法构建采集函数，优化分布差异测度，在候选权重集中搜索最低KL散度对应的权重值，作为最终搜索得到的最优权重。

由于采用了上述技术方案，本发明与现有技术相比，具有如下有益效果：

本发明提供的绩效评分卡指标权重的优化方法及系统，是一种改进的客观赋权法，同时将专家系统经验以初始权重和约束范围形式引入权重迭代设计过程。在通常的客观权重设计方案中，当设计结果与经验存在较大偏差时，无法在特定数据范围内给出合理性解释。而本发明在约束空间内使用多元高斯函数采样得到候选权重值可保证候选权重在统计上不过分偏离专家权重。利用Box-Cox-Z-score联合变换对目标得分的分布性质予以正态校正，也可使得绩效指标间的相关性更加明晰，对于分布偏斜导致的绩效度量区分度不足问题有着较好的改善效果。期望增益方法作为搜索采集函数的使用，充分平衡了新值探索与旧值最优化需求。相比于随机或人工试探，在大规模候选集条件下，使得最优值的求解获得极大的效率提升。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明一优选实施例中绩效评分卡指标权重的优化方法流程图。

具体实施方式

下面对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

本发明一实施例提供了一种绩效评分卡指标权重的优化方法，该方法是一种创新的绩效评分卡权重设计方法，以充分利用评分前各单项原始输入的统计分布信息，同时校正病态分布的加权总分，快速优化先验专家权重，得到最优权重。

如图1所示，本实施例所提供的绩效评分卡指标权重的优化方法，包括如下步骤：

步骤1，根据原始输入，基于原始输入信息熵并结合专家权重，生成初始权重；

步骤2，针对生成的初始权重，定义基于多元高斯分布的初始权重约束空间，采样生成候选权重集；

步骤3，计算原始总评分，获得原始总评分中评分分布的正态特性，应用联合分布变换得到目标评分；

步骤4，基于候选权重集和目标评分计算候选总评分，结合目标评分，随机选取部分候选总评分计算KL散度作为优化搜索的初始项，利用期望增益优化搜索方法在候选权重集中搜索最优评分对应的权重值作为最优权重。

进一步地，期望增益优化搜索方法，包括：

将历史观测到的候选权重，对应求得KL散度，取相反数作为增益函数；

将迭代中的所有增益函数视为一高斯过程，计算已经观测过的历史增益函数值的均值、协方差；

以次轮待观测候选权重为随机变量，计算历史增益函数值与次轮增益函数值的联合高斯分布，估计次轮增益函数关于次轮候选权重值的后验分布，对应均值与对应协方差分别称为后验均值与后验协方差；

根据该后验分布的后验均值与后验协方差，计算关于次轮候选权重值的期望增益采集函数，在所有候选权重中求使得该期望增益采集函数取最大值的候选权重，取为次轮实际观测权重，其中期望增益采集函数按照以下方式计算：

以次轮权重值为自变量，求次轮增益函数与历史增益函数中最大值之差其结果与0中的最大值，在上述后验分布下的数学期望；

迭代进行上述步骤，直至搜索完所有候选权重或迭代步数达到预设上限。最终轮迭代得到的次轮实际观测权重，即取为最优权重。

作为一优选实施例，步骤1中，根据原始输入，基于原始输入信息熵并结合专家权重，生成初始权重，包括：

根据输入的单项原始输入，计算单项熵值并归一化，得到熵归一化权重；

将熵归一化权重与输入的专家权重加权平均，生成初始权重。

专家权重一般以有限个总和为1的权重数字[w

作为一优选实施例，步骤2中，针对生成的初始权重，定义基于多元高斯分布的初始权重约束空间，采样生成候选权重集，包括：

利用生成的初始权重，并输入各权重项允许浮动的范围及权重归一化条件，标定约束域，作为搜索最终权重的候选范围；在约束域中，以初始权重为多元均值项，各维均值项至任意一维约束域边界取为该维的n倍标准差项，构建多元高斯分布函数进行充分采样，形成候选权重集。进一步地，n倍优选为3倍。

假设存在k个待求解的权重[w

作为一优选实施例，步骤3中，计算原始总评分，获得原始总评分中评分分布的正态特性，应用联合分布变换得到目标评分，包括：

根据原始输入评定各评分卡指标单项得分，将各评分卡指标单项得分与专家权重加权求和，计算得到原始总评分；

针对任意分布的原始总评分，利用Box-Cox变换实现总评分分布的正态性校正，生成校正评分；

利用Z-score变换将校正评分向目标均值与方差对齐；

利用最值归一化排除异常值，形成评分优化目标，即为目标评分。

进一步地，在步骤3中，各评分卡指标单项得分乘以原始权重后进行加权求和。

作为一优选实施例，步骤4中，计算候选总评分，结合目标评分，随机选取部分候选总评分计算KL散度作为优化搜索的初始项；利用期望增益优化搜索方法在候选权重集中搜索KL散度最低的候选权重作为最优权重，包括：

将各评分卡指标单项得分与候选权重集中各候选权重分别加权求和，计算得到候选总评分集；

利用前向KL散度，随机选取候选总评分集中部分总评分，计算得到这些候选评分与目标评分的分布差异，作为优化搜索的初始项；

利用期望增益优化算法构建采集函数，优化分布差异测度，在候选权重集中搜索最低KL散度对应的权重值，作为最终搜索得到的最优权重。

下面对本实施例所提供的绩效评分卡指标权重的优化方法进一步详细描述如下。

在本发明部分实施例中：

步骤1完成了初始权重的生成。首先根据评分前的原始输入，依据评分函数(专家系统)的性质，可将指标分为正向指标(依据输入，产生正值单项得分)与负向指标(依据输入，产生负值单项扣分)。正向指标计算指标取值与指标最小值之差与该项指标极差的比值，负向指标计算指标最大值与指标取值之差与该项指标极差的比值。从而完成原始输入的标准化。得到的标准化输入值将用于计算信息熵冗余度并归一化形成熵权重用于反映不同类指标的差异信息，保证方差较大(具有更高信息熵)的指标所赋予的熵权重更高。所输入的专家权重作为业务经验信息，与熵权重加权平均后生成初始权重。

在此步骤中，评分函数通常是根据评分卡各项指标，转换为量化的单项得分的函数，常见为分段常值函数形式、线性函数形式。评分函数的确定可以依据专家系统，确定先验式评分方案。例如：指标1的三个具体实例原始输入分别为1、2、3(单位)，规则经专家系统已经确定如下，指标1(以x

在本实施例中，可以假设已知所有单项指标的评分函数具体形式，在步骤1中，根据函数f

步骤2完成了候选权重集的生成。根据步骤1所生成的初始权重，结合另外输入的各权重项允许浮动范围及归一化条件，标定约束域作为步骤4搜索权重的合理范围。在约束域中，以原始权重为多元均值项，控制多元均值项与各维约束域边界的距离为各维标准差项取值的3倍，从而以该均值项及方差项为分布参数，构建多元高斯分布函数。利用该分布函数进行充分采样，形成候选权重集。

步骤3完成了目标分布的正态校正。针对任意分布的原始总评分(即原始权重体系下各单项原始输入乘以原始权重后的加权和)，利用Box-Cox变换实现评分分布的正态性校正；利用Z-score变换将校正评分向目标均值与方差对齐；利用最值归一化排除异常值，形成正态校正评分，即目标评分，作为权重设计的优化目标。

步骤4利用步骤3中生成的大规模权重候选集与各评分卡单项得分加权求和，得到与候选权重对应的候选总评分。利用前向KL散度计算候选总评分与步骤3中生成的正态校正评分(即目标评分)的分布差异。最后利用增益期望算法构建采集函数，在候选权重集中优化分布差异测度，搜索最优权重值。

在步骤1中，输入评分前的原始输入X＝[x

针对第j项指标的单项评分规则函数(即评分函数)为f

依据评分函数的性质，可将指标分为正向指标(依据输入，产生正值单项得分)与负向指标(依据输入，得到负值单项扣分)。假设第k项指标为正向指标，第r项指标为负向指标，进行以下标准化操作：

式中x

标准化输入可用于计算信息熵：

式中E

以及熵冗余度D

D

式中D

依据熵冗余度可求得熵归一化权重

式中E

另输入专家经验权重(先验权重)

则步骤1输出的初始权重

在步骤2中，结合已知的经验权重约束范围

根据权重归一化条件，即

在约束空间内，构建多元高斯核函数

其中Σ＝[σ

利用多元高斯核函数随机采样M次，得到步骤2的输出候选权重集{W

在步骤3中，输入各赋权指标项的归一化得分矩阵U,应用Box-Cox-Z-score联合变换进行分布校正。

原始权重

得到正态化变换总评分

对

然后对

在步骤4中，根据Y

式中

通过优化增益函数

考虑到{W

在第1论搜索中，输入初始候选集权重及其对应增益函数

式中,i随机从1,2,…M中选择部分取值，最少选择2项

假设已完成t轮搜索，已记录了D

μ

其中，

k＝[k(W,W

式中k(W

根据期望最大化策略，假设

Φ(·)为标准高斯分布的概率分布函数，

当增益函数值G

本实施例所提供的绩效评分卡指标权重的优化方法，主要包括：基于专家系统与熵权归一化的初始权重生成、基于多元高斯分布的约束采样、基于Box-Cox-Z-score联合方法的分布变换、基于期望增益方法的优化搜索。其中，基于专家系统与熵权归一化的初始权重生成综合所引入的专家经验与原始输入信息熵，生成了初始化权重；基于多元高斯分布的约束采样主要针对初始化权重定义约束空间，采样生成候选权重集；基于Box-Cox-Z-score联合方法的分布变换主要利用Box-Cox变换方法强化评分卡总分分布的正态特性，并利用Z-score变换方法对齐总分的统计特性；基于期望增益方法的优化搜索充分利用先验搜索知识，快速搜索最优权重。采用本方法设计得到的权重，与纯主观赋权方法所得结果相比降低了经验偏差，客观反映了原始数据的单项分布，改善了主观赋权法带来的主观性、时效性问题，同时也能够针对评分总体的分布可能具有的病态性分布，如呈现双峰分布、左偏态分布、右偏态分布等严重偏离正态特性分布的问题，予以优化校正。

本发明另一实施例提供了一种绩效评分卡指标权重的优化系统，包括：

初始权重生成模块：根据原始输入，基于原始输入信息熵并结合专家权重，生成初始权重；

候选权重集生成模块：针对初始权重生成模块生成的初始权重，定义基于多元高斯分布的初始权重约束空间，采样生成候选权重集；

目标评分生成模块：计算原始总评分，获得原始总评分中评分分布的正态特性，应用联合分布变换得到目标评分；

最优权重获得模块：计算候选总评分，结合目标评分，随机选取候选总评分集中部分总评分，计算KL散度得到这些候选评分与目标评分的分布差异，作为优化搜索的初始项；利用期望增益优化搜索方法在候选权重集中搜索KL散度最低的候选权重作为最优权重；其中，期望增益优化搜索方法，包括：

将历史观测到的候选权重，对应求得KL散度，取相反数作为增益函数；

将迭代中的所有增益函数视为一高斯过程，计算已经观测过的历史增益函数值的均值、协方差；

以次轮待观测候选权重为随机变量，计算历史增益函数值与次轮增益函数值的联合高斯分布，估计次轮增益函数关于次轮候选权重值的后验分布，对应均值与对应协方差分别称为后验均值与后验协方差；

根据该后验分布的后验均值与后验协方差，计算关于次轮候选权重值的期望增益采集函数，在所有候选权重中求使得该期望增益采集函数取最大值的候选权重，取为次轮实际观测权重，其中期望增益采集函数按照以下方式计算：

以次轮权重值为自变量，求次轮增益函数与历史增益函数中最大值之差其结果与0中的最大值，在上述后验分布下的数学期望；

迭代进行上述步骤，直至搜索完所有候选权重或迭代步数达到预设上限。最终轮迭代得到的次轮实际观测权重，即取为最优权重。。

作为一优选实施例，初始权重生成模块生成初始权重的方法，包括：

根据输入的单项原始输入，计算单项熵值并归一化，得到熵归一化权重；

将熵归一化权重与输入的专家权重加权平均，生成初始权重。

作为一优选实施例，候选权重集生成模块生成候选权重集的方法，包括：

利用生成的初始权重，并输入各权重项允许浮动的范围及权重归一化条件，标定约束域，作为搜索最终权重的候选范围；在约束域中，以初始权重为多元均值项，各维均值项至任意一维约束域边界取为该维的n倍标准差项，构建多元高斯分布函数进行充分采样，形成候选权重集。

作为一优选实施例，目标评分生成模块得到目标评分的方法，包括：

根据原始输入评定各评分卡指标单项得分，将各评分卡指标单项得分与专家权重加权求和，计算得到原始总评分；

针对任意分布的原始总评分，利用Box-Cox变换实现总评分分布的正态性校正，生成校正评分；

利用Z-score变换将校正评分向目标均值与方差对齐；

利用最值归一化排除异常值，形成评分优化目标，即为目标评分。

作为一优选实施例，最优权重获得模块获得最优权重的方法，包括：

将各评分卡指标单项得分与候选权重集中各候选权重分别加权求和，计算得到候选总评分集；

随机选取部分候选总评分，利用前向KL散度计算候选总评分集中各评分与目标评分的分布差异，作为优化搜索的初始项；

利用期望增益优化算法构建采集函数，优化分布差异测度，在候选权重集中搜索最低KL散度对应的权重值，作为最终搜索得到的最优权重。

本发明上述实施例所提供的绩效评分卡指标权重的优化方法及系统，通过正态变换方法校正目标评分分布；以专家系统给出的先验权重与各项指标输入的熵权重得到的平均值为中心，在归一化约束与边界约束下，通过多元高斯采样形成候选权重集；使用KL散度作为校正分布与候选权重对应分布的损失测度，通过期望增益方法估计特定权重取值与对应KL散度的映射关系，从而搜索最接近校正后分布的最优绩效评分卡权重。

在本发明上述实施例所提供的绩效评分卡指标权重的优化方法及系统中，通过Box-Cox-Z-score联合变换方法预测合理的目标评分分布；通过对原始输入数据的熵权归一化度量，与专家系统给出的经验权重加权平均，从而生成初始化权重；在归一化约束与边界约束下，通过多元高斯采样形成候选权重集；使用KL散度作为损失测度，通过期望增益方法快速搜索最优权重，从而有效降低评分分布的病态性。本发明上述实施例结合了期望增益方法、正态统计分析与领域知识经验，有效利用评分前单项原始输入信息的分布信息，改善了仅使用专家经验作为指标权重设计依据带来主观性问题与时效性问题，同时改善了评分总体分布的可能呈现双峰分布、左偏态分布、右偏态分布等严重偏离正态特性分布的病态性分布问题。

需要说明的是，本发明提供的方法中的步骤，可以利用系统中对应的模块、装置、单元等予以实现，本领域技术人员可以参照系统的技术方案实现方法的步骤流程，即，系统中的实施例可理解为实现方法的优选例，在此不予赘述。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。