一种用于融媒体中心的评估系统及评估方法

1.本发明涉及融媒体技术领域，特别是涉及一种用于融媒体中心的评估系统及评估方法。


背景技术：

2.融媒体是一种新型媒体宣传理念，融媒体中心则是利用多种媒介载体实现了“资源通融、内容兼融、宣传互融、利益共融”。因此针对融媒体中心的评估显得极其重要使其实现更高的效益。
3.现有技术中，在对融媒体中心进行评估时，通常是按照时间段采集相关人员对融媒体中心的多个具体指标进行不同的满意度，然后对多个具体指标进行统计分析后再对其中满意度差的指标进行针对改进提升，但是在统计分析中，并未从更全面的去综合判断，再则受人为因素影响过大。


技术实现要素：

4.（一）申请目的有鉴于此，本发明提出一种用于融媒体中心的评估系统及评估方法，以解决现有技术中，在对融媒体中心进行评估时，并未从更全面的去综合判断，再则受人为因素影响过大。
5.（二）技术方案本技术公开了一种用于融媒体中心的评估系统，包括投入数据评估部分、产出数据评估部分和dea评估部分，其中，所述投入数据评估部分用于对融媒体的机构建设评价，所述产出数据评估部分用于对融媒体的融合效果评价，所述dea评估部分的用于对融媒体的有效效率值进行评价，所述综合权重计算模块用于确定每个具体指标的综合权重b；所述评价模块采用神经网络模型，所述评价模块基于所述每个具体指标的综合权重b获得评价结果并将所述评价结果作为神经网络输出层的单个输出节点，所述神经网络模型输入层的输入节点为每个具体指标的客观数据；所述综合权重计算模块包括数据接收单元、数据ahp权重计算单元、数据熵权权重计算单元、组合赋权计算单元；所述数据接收单元用于接收h条均包括m个具体指标的主观数据和接收e条包括m个具体指标的客观数据；所述数据接收单元将所述h条均包括m个具体指标的主观数据送入数据ahp权重计算单元，其中，所述h条对应不相同的h个主观数据来源,所述数据接收单元将所述e条包括m个具体指标的客观数据送入数据熵权权重计算单元；所述数据ahp权重计算单元用于对接收到的h条均包括m个具体指标的主观数据进行一致性筛选得到n条包括m个具体指标的主观数据，其中n≤h，其中，n条对应不相同的n个主观数据来源；所述数据ahp权重计算单元用于通过n条包括m个具体指标的主观数据计算n个主观数据来源中每个所述数据来源的权重，根据所述每个所述数据来源的权重计算所述具体指标的权重；所述数据熵权权重计算单元用于通过e条包括m个具体指标的客观数据计算每个所述具体指标的权重
c = [c
ij
]n×
n 所述数据ahp权重计算单元计算所述不相同的数据来源的最大化权向量矩阵：；所述所述数据ahp权重计算单元计算所述不相同的数据来源的最大化权向量矩阵具体为，建立线性规划模型：其中：所述数据ahp权重计算单元对所述线性规划模型的最优解得到所述不相同的数据来源的最大化权向量矩阵：其中：；所述数据ahp权重计算单元根据所述不相同的数据来源的最大化权向量矩阵计算得到所述不相同的数据来源的权重：令通过求以下非线性规划的最优解y*得所述数据ahp权重计算单元计算所述具体指标的权重： 。
[0008]
在一种可能的实施方式中，所述数据熵权权重计算单元用于通过e条包括m个具体指标的客观数据计算每个所述具体指标的权重，具体为：所述数据熵权权重计算单元对所述客观数据矩阵所述客观数据矩阵所述客观数据矩阵；所述数据熵权权重计算单元对矩阵中的每个元素进行归一化处理：（i=1,2....e;j=1,2....m）所述数据熵权权重计算单元计算所述权重矩a所述数据熵权权重计算单元计算所述权重矩a：所述数据熵权权重计算单元计算所述权重矩阵第j项的熵值：所述数据熵权权重计算单元计算所述权重矩阵第j项的差异系数：，(j=1,2,3......m)所述数据熵权权重计算单元计算所述权重矩阵第j项的权重：
计算最大特征值: 计算一致性比率cr： 通过一致性比率cr对所述h条m个具体指标的数据进行筛选得到n条包括m个具体指标的数据，其中n≤h。
[0012]
在一种可能的实施方式中，所述通过所述数据ahp权重计算单元通过n条包括m个具体指标的主观数据计算n个主观数据来源中每个所述数据来源的权重，根据所述每个所述数据来源的权重计算所述具体指标的权重 (t=1,2...m)，具体为：所述数据ahp权重计算单元对n条包括m个具体指标的数据构建n条数据中每条数据与每个所述m个具体指标的权重矩阵:其中:为n条数据中第数据的；代表具体指标权重矩阵第行的行向量；所述数据ahp权重计算单元对所述权重矩阵进行去偏好化处理，具体为：计算权重矩阵第行与第j行的第一相关系数r
ij
和第一相关系数的矩阵r:其中： r=[r
ij
]n×n确定第二相关系数c
ij
和第二相关系数的矩阵c：其中： c = [c
ij
]n×n所述数据ahp权重计算单元计算所述不相同的数据来源的最大化权向量矩阵：；所述所述数据ahp权重计算单元计算所述不相同的数据来源的最大化权向量矩阵具体为，建立线性规划模型：其中：所述数据ahp权重计算单元对所述线性规划模型的最优解得到所述不相同的数据来源的最大化权向量矩阵：其中：；
所述数据ahp权重计算单元根据所述不相同的数据来源的最大化权向量矩阵计算得到所述不相同的数据来源的权重：令通过求以下非线性规划的最优解y*得所述数据ahp权重计算单元计算所述具体指标的权重： 。
[0013]
在一种可能的实施方式中，所述通过所述数据熵权权重计算单元根据e条包括m个具体指标的客观数据计算每个指标的权重，具体为：所述数据熵权权重计算单元对所述客观数据矩阵a进行处理得到每个所述具体指标的权重；所述数据熵权权重计算单元对矩阵中的每个元素进行归一化处理：（i=1,2....e;j=1,2....m）所述数据熵权权重计算单元计算所述权重矩阵第j项下第i个记录所占比重：所述数据熵权权重计算单元计算所述权重矩阵第j项的熵值：所述数据熵权权重计算单元计算所述权重矩阵第j项的差异系数：，(j=1,2,3......m)所述数据熵权权重计算单元计算所述权重矩阵第j项的权重：。
[0014]
在一种可能的实施方式中，所述通过组合赋权计算单元根据所述具体指标的权重和所述具体指标的权重得到所述具体指标的综合权重b，具体为：；其中，α
1、
α2使
║b║2最小。
[0015]
（三）有益效果本技术对比现有技术有如下的有益效果：通过综合权重计算模块确定每个具体指标的综合权重可以更全面的综合判断；综合权重计算模块的数据ahp权重计算单元对数据处理可以避免人为因素影响；评价模块基于所述每个具体指标的综合权重b获得评价结果并将所述评价结果作为神经网络输出层的单个输出节点，能够优化神经网络的隐藏层的权重。
[0016]
本技术的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可
以从本技术的实践中得到教导。
[0017]
本技术的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
[0018]
以下参考附图描述的实施例是示例性的，旨在用于解释和说明本技术，而不能理解为对本技术的保护范围的限制。
[0019]
图1为本技术的系统结构图；图2为本技术综合权重计算模块结构图；图3为本技术神经网络优化流程图；图4为本技术效率评估模块结构图；其中：1、数据接收单元；2、数据ahp权重计算单元；3、数据熵权权重计算单元；4、组合赋权计算单元。
具体实施方式
[0020]
为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。
[0021]
因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0022]
在本发明的上述描述中，需要说明的是，术语“一侧”、“另一侧”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0023]
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
[0024]
如图1-2提供了一种用于融媒体中心的评估系统，包括投入数据评估部分、产出数据评估部分和dea评估部分，所述投入数据评估部分用于对融媒体的机构建设评价，所述产出数据评估部分用于对融媒体的融合效果评价；所述投入数据评估部分和产出数据评估部分均包括综合权重计算模块和评价模块，其中，所述综合权重计算模块用于确定每个具体指标的综合权重b；所述评价模块基于所述每个具体指标的综合权重获得评价结果并将所述评价结果作为神经网络输出层的单个输出节点，所述神经网络模型输入层的输入节点为具体指标的客观数据，具体为：将基于去偏好化ahp、熵权法以及博弈论组合赋权的指标确权模型所得到的评价结果作为神经网络输出层的单个输出节点，而所述神经网络输入层的输入节点为每个具体指标的客观数据，评价结果为机构建设或融合效果的每个具体指标的综合权重b与每个具体指标的客观数据加权求和，通过反向传播算法，优化神经网络。机构
建设或融合效果的每个具体指标的客观数据通过与被评估融媒体中心合作的方式，从相关运营负责人处获取每个具体指标的数据。每个具体指标的数据均可从微信、微博、抖音、快手、今日头条、西瓜视频、央视频app、人民日报app、搜狐网、百度百家等10家媒体平台采集被评估融媒体中心的媒体账号数据。其中微信、抖音、快手等媒体平台的部分数据通过清博大数据平台获取；今日头条、搜狐网、西瓜视频、百度百家等媒体平台的部分数据通过八爪鱼网络数据采集器获取；微博、央视频、人民日报app等媒体平台的部分数据通过charles抓包工具及python爬虫获取。神经网络构建包括：确定输入层、输出层以及隐含层节点数，不同的层次之间具有较为紧密的关联性。利用神经网络非线性化输入-输出模式映射的特性，将m个具体指标的数据作为神经网络输入层的m个输入节点，为了提高网络性能，指标评价数据在输入网络之前先做归一化处理；将基于去偏好化ahp、熵权法以及博弈论组合赋权的指标确权模型所得到的评价结果作为神经网络输出层的单个输出节点。隐含层节点数的确定对整个神经网络的性能和稳定性十分重要。如果隐含层节点数过小，会导致输入到输出之间的映射得不到足够的训练节点支撑进而使得网络的性能较差；如果隐含层节点数过大，会使得网络训练时间大大延长，并且输出结果也容易陷入局部极值。一般情况下神经网络的隐含层节点数根据经验公式在输入节点数及输出节点数所控制的范围内进行调整直到找到最优节点数。
[0025]
其中：q表示隐含层节点数，m表示输入层节点数，n表示输出层节点数，是1～10范围内的正整数。
[0026]
设定初始权值及阈值初始权值和阈值是影响神经网络训练效率的重要因素，通常情况下，初始权值和阈值的设定由计算机随机生成0～1范围内的随机初始权值。但是使用计算机随机初始化的方式容易导致网络训练结果收敛于不同的局部极值。对神经网络的阈值和权值进行优化。具体过程主要分为三个部分，首先是确定神经网络的网络结构，即依据问题的实际情况确定模型的各个参数；然后是利用遗传算法得出 神经网络的初始连接权值及阈值，意思是计算出个体的适应度值，再依据适应度值进行选择、交叉、变异三个遗传操作不断生成新的个体种群，搜寻最优个体，以及所对应的权值和阈值，将其赋给神经网络作为初始权值与阈值；最后便是根据前两步所确定的 神经网络的最终结构作为优化后的新模型，进行网络训练。
[0027]
如图3对神经网络进行优化的具体为：（1）根据实际需要及反复实验确定网络的拓扑结构以及网络中的参数设置，构建初始的神经网络。
[0028]
（2）根据选定的编码方法对网络的初始权值和阈值进行编码，生成新的初始种群。
[0029]
（3）依据网络的误差确定遗传算法的适应度函数，在种群中的对个体的适应度值进行计算。
[0030]
（4）根据适应度值的大小及选择方式选择进入到下一代繁衍的个体。
[0031]
（5）按照交叉率，随机在选择好的个体中选取两个个体进行交叉操作。
[0032]
（6）依据变异率对个体进行变异操作。
[0033]
（7）循环反复步骤（3）-（6），对神经网络的初始权值及阈值不断进行更新，直至满足遗传算法的终止条件。
[0034]
（8）最终将搜寻到的最优权值和阈值赋给神经网络作为初始连接权值与阈值。
[0035]
（9）对神经网络进行训练，优化隐藏层的权重值，找到一组全局最优解来作为神经网络的初始权值和阈值。
[0036]
设置学习率及动量系数学习率是对神经网络收敛速度有着重要影响的参数。一般情况下，学习率越大，网络训练过程中的权值变化就越大，网络的收敛速度也就越快。但当学习率设置得过大，网络可能会出现振荡现象从而破坏模型的稳定性；当学习率设置得过小时，则会降低网络收敛的速度从而增加训练耗时。在大部分的建模实验中，学习率会设置在0.01～0.8之间。在反向传播算法中，学习率较小减慢了网络训练的学习速度，为了加快学习速度同时保持网络的稳定性引入0～1范围内的动量因子控制节点权值的更新。设置训练误差及最大训练步数，训练误差和最大训练步数是根据设计者的不同期望而可以被设定为不同的值。所述综合权重计算模块包括数据接收单元1、数据ahp权重计算单元2、数据熵权权重计算单元3、组合赋权计算单元4。所述数据接收单元用于接收h条均包括m个具体指标的主观数据和接收e条包括m个具体指标的客观数据；所述数据接收单元用于接收h条均包括m个具体指标的主观数据和接收e条包括m个具体指标的客观数据；所述数据接收单元将所述h条均包括m个具体指标的主观数据送入数据ahp权重计算单元，其中，所述h条对应不相同的h个主观数据来源，所述数据接收单元将所述e条包括m个具体指标的客观数据送入数据熵权权重计算单元，e条包括m个具体指标的客观数据通过与被评估融媒体中心合作的方式，从相关运营负责人处获取每个具体指标的数据。每个具体指标的数据均可从微信、微博、抖音、快手、今日头条、西瓜视频、央视频app、人民日报app、搜狐网、百度百家等10家媒体平台采集被评估融媒体中心的媒体账号数据。其中微信、抖音、快手等媒体平台的部分数据通过清博大数据平台获取；今日头条、搜狐网、西瓜视频、百度百家等媒体平台的部分数据通过八爪鱼网络数据采集器获取；微博、央视频、人民日报app等媒体平台的部分数据通过charles抓包工具及python爬虫获取。
[0037]
所述数据接收单元用于接收h条均包括m个具体指标的主观数据，这里需要指出的是h条均包括m个具体指标的主观数据并不代表机构建设的主观数据的条数和具体指标的个数与融合效果的主观数据的条数和具体指标的个数是相同。所述数据接收单元将所述h条均包括m个具体指标的主观数据送入数据ahp权重计算单元，其中，所述h条对应不相同的h个主观数据来源。所述数据ahp权重计算单元用于对接收到的h条均包括m个具体指标的主观数据进行一致性筛选得到n条包括m个具体指标的主观数据，其中n≤h，具体为：按照1-9标度构建关于多个具体指标的中任一两个所述具体指标的关系度矩阵：其中：分别代表多个具体指标中不同的具体指标；a
ij
代表不同两个具体指标bi与bj之间的关系度数值且a
ij
=1/a
ji
；对关系度矩阵每行元素连乘并开m次方，得到向量
ꢀꢀ
，其中:
; 对p进行归一化处理，计算指标综合权重:
ꢀꢀ
计算最大特征值:计算一致性比率cr： ri为平均随机一致性指标(查表可得)，如果 cr《0.1，则认为该判断矩阵的一致性可以接受。
[0038]
通过一致性比率cr对所述h条m个具体指标的数据进行筛选得到n条包括m个具体指标的主观数据，其中n≤h。所述数据ahp权重计算单元用于通过n条包括m个具体指标的主观数据计算n个主观数据来源中每个所述数据来源的权重，根据所述每个所述数据来源的权重计算所述具体指标的权重 (t=1,2...m)，具体为：所述数据ahp权重计算单元对n条包括m个具体指标的数据构建n条数据中每条数据与每个所述m个具体指标的权重矩阵:其中:为n条数据中第的；代表具体指标权重矩阵第行的行向量；所述数据ahp权重计算单元对所述权重矩阵进行去偏好化处理，具体为：计算权重矩阵第行与第j行的第一相关系数r
ij
和第一相关系数的矩阵r:其中：r=[r
ij
]n×n确定第二相关系数c
ij
和第二相关系数的矩阵c：其中： c = [c
ij
]n×
n 所述数据ahp权重计算单元计算所述不相同的数据来源的最大化权向量矩阵：；具体为：建立线性规划模型其中：所述数据ahp权重计算单元对所述线性规划模型的最优解得到所述不相同的数据来源的最大化权向量矩阵：
其中：；所述数据ahp权重计算单元根据所述不相同的数据来源的最大化权向量矩阵计算得到所述不相同的数据来源的权重，具体为：令通过求以下非线性规划的最优解y*得所述数据ahp权重计算单元计算所述具体指标的权重： 。
[0039]
所述数据熵权权重计算单元用于通过e条包括m个具体指标的客观数据计算每个所述具体指标的权重这里需要指出的是e条均包括m个具体指标的客观数据并不代表机构建设的客观数据的条数和具体指标的个数与融合效果的客观数据的条数和具体指标的个数是相同，具体为：所述数据熵权权重计算单元对所述客观数据矩阵a同，具体为：所述数据熵权权重计算单元对所述客观数据矩阵a；矩阵通过e条包括m个具体指标的客观数据构建所述数据熵权权重计算单元对矩阵中的每个元素进行归一化处理：（i=1,2....e;j=1,2....m）所述数据熵权权重计算单元计算所述权重矩a权重计算单元计算所述权重矩a：所述数据熵权权重计算单元计算所述权重矩阵第j项的熵值：所述数据熵权权重计算单元计算所述权重矩阵第j项的差异系数：，(j=1,2,3......m)所述数据熵权权重计算单元计算所述权重矩阵第j项的权重：。
[0040]
所述组合赋权计算单元用于根据所述具体指标的权重和所述具体指标的权重得到所述具体指标的综合权重b，综合权重b包括每个具体指标的综合权重：；其中，α
1、
α2使
║b║2最小。
[0041]
根据矩阵的微分性质，得出最优化的一阶导数条件为：
进一步整理可得线性方程组：解出α1和α2。
[0042]
通过综合权重计算模块确定每个具体指标的综合权重可以更全面的综合判断；综合权重计算模块的数据ahp权重计算单元可以避免人为因素影响；评价模块基于所述每个具体指标的综合权重b获得评价结果并将所述评价结果作为神经网络输出层的单个输出节点，能够优化神经网络的隐藏层的权重。
[0043]
所述机构建设的具体指标可以包括：
本实施例中，采用机构建设评价指标的三级指标中的每个指标作为具体指标，不同专家都按照1-9标度构建关于三级指标中任一两个具体指标的关系度矩阵。1-9标度中1代表两个具体指标比较其中一个指标相对另外一个指标同样重要，3代表两个具体指标比较其中一个指标相对另外一个指标稍微重要，5代表两个具体指标比较其中一个指标相对另外一个指标明显重要，7代表两个具体指标比较其中一个指标相对另外一个指标非常重要，9代表两个具体指标比较其中一个指标相对另外一个指标极端重要,其余2、4、6、8代表上述相邻判断的中间值，2代表同样重要和稍微重要之间的中间值，4代表稍微重要和明显重要之间的中间值，6代表明显重要和非常重要之间的中间值，8代表非常重要和极端重要的中间值。不同专家根据上述的一个关系度标准来赋予三级指标中任一两个具体指标的关系度来构建判断矩阵。
[0044]
区本实施例中，采用机构建设评价指标的三级指标中的每个指标作为具体指标，不同专家都按照1-9标度构建关于三级指标中任一两个具体指标的关系度矩阵。1-9标度中1代表两个具体指标比较其中一个指标相对另外一个指标同样重要，3代表两个具体指标比较其中一个指标相对另外一个指标稍微重要，5代表两个具体指标比较其中一个指标相对另外一个指标明显重要，7代表两个具体指标比较其中一个指标相对另外一个指标非常重要，9代表两个具体指标比较其中一个指标相对另外一个指标极端重要,其余2、4、6、8代表上述相邻判断的中间值，2代表同样重要和稍微重要之间的中间值，4代表稍微重要和明显重要之间的中间值，6代表明显重要和非常重要之间的中间值，8代表非常重要和极端重要的中间值。专家根据上述的一个关系度标准来赋予三级指标中任一两个具体指标的关系度。
[0045]
也可通过构建机构建设评价的多个层级指标，每个专家对每个层级中的每个指标之间赋予关系度，最后再确定每个具体指标之间的关系度。本实施例中，第一层级为多个一级指标；第一层级中的每个一级指标有下辖多个二级指标，第一层级中的每个一级指标下辖的多个二级指标构成第二层级指标；第二层级中的每个二级指标下辖多个三级指标，以此类推构建机构建设评价的第三层次指标。通过构建三个层级指标更好的用于确定第三层的具体指标的权重。不同专家先按照1-9标度赋予第一层级中每个指标间的关系度，其次按照1-9标度赋予第一层级中的每个一级指标下辖的多个二级指标之间的关系度，最后按照1-9标度赋予第二层级中的每个二级指标下辖的多个三级指标之间的关系度。通过三个层级的赋予关系度确定三级指标每个具体指标关系度并构建判断矩阵。例如：按照1-9标度赋予第一层级中每个指标间的关系度为： 组织建设信息化建设资源建设组织建设1信息化建设与组织建设1-9标度任一数字资源建设与组织建设1-9标度任一数字信息化建设信息化建设与组织建设1-9标度任一数字的倒数1资源建设与信息化建设1-9标度任一数字资源建设资源建设与组织建设1-9标度任一数字资源建设与信息化建设1-9标度任一数字的倒数1
按照1-9标度赋予第一层级中的每个一级指标有下辖多个二级指标之间的关系度为：
ꢀ
人才建设体制机制建设人才建设1体制机制建设与人才建设1-9标度任一数字体制机制建设体制机制建设与人才建设1-9标度任一数字的倒数1 信息安全建设信息技术建设信息安全建设1信息技术建设与信息安全建设1-9标度任一数字信息技术建设信息技术建设与信息安全建设1-9标度任一数字的倒数1 资源整合度多元化业务资源整合度1多元化业务与资源整合度1-9标度任一数字多元化业务多元化业务与资源整合度1-9标度任一数字的倒数1
按照1-9标度赋予第二层级中的每个二级指标下辖多个三级指标之间的关系度为： 员工人数员工素质人才培养投入人才晋升制度员工人数1员工素质与员工人数1-9标度任一数字人才培养投入与员工人数1-9标度任一数字人才晋升制度与员工人数1-9标度任一数字员工素质员工素质与员工人数1-9标度任一数字的倒数1人才培养投入与员工素质1-9标度任一数字人才晋升制度与员工素质1-9标度任一数字人才培养投入人才培养投入与员工人数1-9标度任一数字的倒数人才培养投入与员工素质1-9标度任一数字1人才晋升制度与人才培养投入1-9标度任一数字人才晋升制度人才晋升制度与员工人数1-9标度任一数字的倒数人才晋升制度与员工素质1-9标度任一数字的倒数人才晋升制度与人才培养投入1-9标度任一数字的倒数1
以此类推。这里要说明的是对每个层级中指标之间赋予的关系度均需要通过一致性检验。
[0046]
所述融合效果的具体指标包括：
本实施例中，采用融合效果评价指标的三级指标中的每个指标作为具体指标，不同专家都按照1-9标度构建关于三级指标中任一两个具体指标的关系度矩阵，与上述机构建设评价中判断矩阵构建的方法相同，区别在于具体指标的名称和各个层级指标的名称不同。
[0047]
如图4，所述dea评估部分的用于对融媒体的有效效率值进行评价。传统dea计算模型只单从最优效率前沿对各个融媒体中心的有效效率进行比较分析，所计算出来的有效效率值不仅因为dea计算模型不够好存在一定的片面性和偏差，并且当有多个融媒体中心的决策单元计算出有效效率值都相同的情况下，无法评估多个具有相同最优效率的融媒体中心，通过对所有融媒体中心进行综合评估更具有科学性。因此，所述dea评估部分的包括效率评估模块，效率评估模块从区别于机构建设维度和融合效果维度的第三个维度评价融媒体中心，第三个维度是通过投入指标数据和产出指标数据并采用双前沿随机dea模型来评
价融媒体中心，投入指标数据包括组织建设、信息化建设以及资源建设3项，产出指标数据包括传播力、影响力、引导力以及公信力4项。所述效率评估模块包括最优效率单元和最差效率单元，其中，最优效率单元基于最优决策模型计算该决策单元的投入指标数据和产出指标数据的最优效率值；最差效率单元基于最差效率模型计算决策单元（dmu）的投入指标数据和产出指标数据的最差效率值；根据同一决策单元投入指标数据和产出指标数据的最优效率值和最差效率值计算同一决策单元的有效效率值，通过有效效率值评价融媒体中心。其中最优效率模型为：心。其中最优效率模型为：其中：m 和 s 分别代表同一个决策单元的投入指标数据的项数和产出指标数据的项数；为dmu的个数；值为个dmu中第o个dmu的最优效率值（0=1,2...n）；为随机投入指标数据，其中（i=1,;j=1）,为随机产出指标数据，其中，是个dmu中第o个dmu最优效率的系数变量，可以在具体的实际规划运算中得以确定；表示概率；是一个取值在0～1之间的预定义风险系数；分别是投入指标数据约束和产出指标数据约束的松弛变量；表示风险水平下个dmu中第o个dmu的产出指标数据的比例增长，表示风险水平下个dmu中第o个dmu的投入指标数据的比例减少；为投入指标数据随机性的投入随机变量，为产出指标数据随机性的产出随机变量；最优效率模型或为：其中：m 和 s 分别代表同一个决策单元的投入指标数据的项数和产出指标数据的项数；为dmu的数量；值为个dmu中第o个dmu的最优效率值（0=1,2...n）；是个dmu中第o个dmu最优效率的系数变量，可以在具体的实际规划运算中得以确定；是一个取值在0～1之间的预定义风险系数；分别是投入指标数据约束和产出指标数据
约束的松弛变量；表示风险水平下个dmu中第o个dmu的产出指标数据的比例增长，表示风险水平下个dmu中第o个dmu的投入指标数据的比例减少；和分别是和的平均值，为随机投入指标数据，其中（i=1,;j=1）,为随机产出指标数据，其中，；表示风险水平下个dmu中第o个dmu的产出指标数据的比例增长，表示风险水平下个dmu中第o个dmu的投入指标数据的比例减少；是标准正态分布函数的逆函数；为投入指标数据随机性的投入随机变量的标准差，为产出指标数据随机性的产出随机变量的标准差。
[0048]
通过求解模型所得到的值即为决策单元dmu的最优效率值。当且仅当并且所有的松弛变量都等于0，即的情况下，该决策单元为风险水平下最优前沿面上的最优决策单元。
[0049]
最差效率模型为：其中：m 和 s 分别代表同一个决策单元的投入指标数据的项数和产出指标数据项数；为dmu的个数；值为个dmu中第o个dmu的最差效率值（0=1,2...n）;为随机投入指标数据，其中（i=1,;j=1）,为随机产出指标数据，其中，为个dmu中第个dmu最差效率的系数变量，在具体的实际规划运算中得以确定；p{}表示概率；是一个取值在0～1之间的预定义风险系数；和分别是投入指标数据约束和产出指标数据约束的松弛变量；表示风险水平下个dmu中第o个dmu的产出指标数据的比例增长，表示风险水平下个dmu中第o个dmu的投入指标数据的比例减少，为投入指标数据随机性的投入随机变量，为产出指标数据随机性的产出随机变量；最差效率模型或为：
其中：m 和 s 分别代表同一个决策单元的投入指标数据的项数和产出指标数据项数；为dmu的数量；值为个dmu中第o个dmu的最优效率值（0=1,2...n）；是个dmu中第o个dmu最优效率的系数变量，可以在具体的实际规划运算中得以确定；是一个取值在0～1之间的预定义风险系数；分别是投入指标数据约束和产出指标数据约束的松弛变量；表示风险水平下个dmu中第o个dmu的产出指标数据的比例增长，表示风险水平下个dmu中第o个dmu的投入指标数据的比例减少；和分别是和的平均值，为随机投入指标数据，其中（i=1,;j=1）,为随机产出指标数据，其中，；表示风险水平下个dmu中第o个dmu的产出指标数据的比例增长，表示风险水平下个dmu中第o个dmu的投入指标数据的比例减少，是标准正态分布函数的逆函数；为投入指标数据随机性的投入随机变量的标准差，为产出指标数据随机性的产出随机变量的标准差。
[0050]
通过求解值即为决策单元dmuo的最差效率值。当决策单元的最差效率值越大，说明其越偏离无效效率前沿，即说明在最差前沿面上该决策单元越有效。当且仅当并且所有的松弛变量都等于0，即的情况下，该决策单元为风险水平下最差前沿面上的最差决策单元。
[0051]
在风险水平下，通过基于最优前沿面的随机dea效率评估模型得到决策单元的最优效率，基于最差前沿面的随机dea效率评估模型得到决策单元的最差效率。为了实现决策单元最优效率以及最差效率的统一，进而得到更加全面、真实的有效效率值以便有效评价并比较各个决策单元的效率表现情况，本技术将采用几何平均数方法求解基于双前沿随机dea的效率评估模型的有效效率值，有效效率值公式为:其中：为有效效率值；为最优效率值； 为最差效率值作为本技术的第二方面，提供了一种用于融媒体中心的评估方法，方法包括如下步骤：s1、通过综合权重计算模块确定每个具体指标的综合权重b，具体为：数据接收单元接收h条均包括m个具体指标的主观数据和接收e条包括m个具体指标的客观数据；所述数据接收单元将所述h条均包括m个具体指标的主观数据送入数据ahp权重计算单元,其中，所述h条对应不相同的h个主观数据来源，所述数据接收单元将所述e条包括m个具体指标的客
观数据送入数据熵权权重计算单元；数据ahp权重计算单元对接收到的h条均包括m个具体指标的数据进行一致性筛选得到n条包括m个具体指标的主观数据，其中n≤h，其中，n条对应不相同的n个主观数据来源；所述数据ahp权重计算单元通过n条包括m个具体指标的主观数据计算n个主观数据来源中每个所述数据来源的权重，根据所述每个所述数据来源的权重计算所述具体指标的权重 (t=1,2...m)；数据熵权权重计算单元通过e条包括m个具体指标的客观数据计算每个指标的权重；组合赋权计算单元根据所述具体指标的权重和所述具体指标的权重得到所述具体指标的综合权重b。所述数据ahp权重计算单元对接收到的h条均包括m个具体指标的数据进行一致性筛选得到n条包括m个具体指标的数据，其中n≤h，其中，n条对应不相同的n个主观数据来源，具体为：按照1-9标度构建关于多个具体指标的中任一两个所述具体指标的关系度矩阵：其中：分别代表多个具体指标中不同的具体指标； a
ij
代表不同两个具体指标bi与bj之间的关系度数值且a
ij
=1/a
ji
；对关系度矩阵每行元素连乘并开m次方，得到向量
ꢀꢀ
，其中:;对p进行归一化处理，计算指标综合权重: 计算最大特征值: 计算一致性比率cr：
ꢀꢀ
通过一致性比率cr对所述h条m个具体指标的数据进行筛选得到n条包括m个具体指标的数据，其中n≤h。所述所述数据ahp权重计算单元通过n条包括m个具体指标的主观数据计算n个主观数据来源中每个所述数据来源的权重，根据所述每个所述数据来源的权重计算所述具体指标的权重 (t=1,2...m)，具体为：所述数据ahp权重计算单元对n条包括m个具体指标的数据构建n条数据中每条数据与每个所述m个具体指标的权重矩阵:其中: 为n条数据中第数据的；代表具体指标权重矩阵
第行的行向量；所述数据ahp权重计算单元对所述权重矩阵进行去偏好化处理，具体为：计算权重矩阵第行与第j行的第一相关系数rij和第一相关系数的矩阵r:其中： r=[r
ij
]n×
n 确定第二相关系数c
ij
和第二相关系数的矩阵c：其中： c = [c
ij
]n×n所述数据ahp权重计算单元计算所述不相同的数据来源的最大化权向量矩阵：；具体为：建立线性规划模型其中：所述数据ahp权重计算单元对所述线性规划模型的最优解得到所述不相同的数据来源的最大化权向量矩阵：其中：；所述数据ahp权重计算单元根据所述不相同的数据来源的最大化权向量矩阵计算得到所述不相同的数据来源的权重，具体为：令通过求以下非线性规划的最优解y*得所述数据ahp权重计算单元计算所述具体指标的权重：。所述数据熵权权重计算单元通过e条包括m个具体指标的客观数据计算每个指标的权重，具体为：所述数据熵权权重计算单元对所述客观数据矩阵a进行处理得到每个所述具体指标的权重；所述数据熵权权重计算单元对矩阵中的每个元素进行归一化处理：（i=1,2....e;j=1,2....m）
所述数据熵权权重计算单元计算所述权重矩阵第j项下第i个记录所占比重：所述数据熵权权重计算单元计算所述权重矩阵第j项的熵值：，所述数据熵权权重计算单元计算所述权重矩阵第j项的差异系数：，(j=1,2,3......m)所述数据熵权权重计算单元计算所述权重矩阵第j项的权重：。所述组合赋权计算单元根据所述具体指标的权重和所述具体指标的权重得到所述具体指标的综合权重b：；其中，α
1、
α2使
║b║2最小；根据矩阵的微分性质，得出最优化的一阶导数条件为：进一步整理可得线性方程组：解出α1和α2。
[0052]
s2、通过评价模块基于所述每个具体指标的综合权重b对所述神经网络模型进行优化。所述评价模块基于所述每个具体指标的综合权重b获得评价结果并将所述评价结果作为神经网络输出层的单个输出节点，所述神经网络模型输入层的输入节点为具体指标的客观数据，具体为：将基于去偏好化ahp、熵权法以及博弈论组合赋权的指标确权模型所得到的评价结果作为神经网络输出层的单个输出节点，而所述神经网络输入层的输入节点为每个具体指标的客观数据，评价结果为机构建设或融合效果的每个具体指标的综合权重b与每个具体指标的客观数据加权求和，通过反向传播算法，优化神经网络。
[0053]
所述方法还包括通过效率评估模块评估对融媒体中心的有效效率值进行评估，其步骤为：通过效率评估模块的最优效率单元基于最优决策模型计算该决策单元（dmu）的投入指标数据和产出指标数据的最优效率值。其中，最优效率模型为：
其中：m 和 s 分别代表同一个决策单元的投入指标数据的项数和产出指标数据项数；为dmu的个数；值为个dmu中第o个dmu的最优效率值（0=1,2...n）；为随机投入指标数据，其中（i=1,;j=1）,为随机产出指标数据，其中，是个dmu中第o个dmu最优效率的系数变量，可以在具体的实际规划运算中得以确定；表示概率；是一个取值在0～1之间的预定义风险系数；和分别是投入指标数据约束和产出指标数据约束的松弛变量；表示风险水平下个dmu中第o个dmu的产出指标数据的比例增长，表示风险水平下个dmu中第o个dmu的投入指标数据的比例减少；为投入指标数据随机性的投入随机变量，为产出指标数据随机性的产出随机变量；最优效率模型或为：其中：m 和 s 分别代表同一个决策单元的投入指标数据的项数和产出指标数据项数；为dmu的数量；值为个dmu中第o个dmu的最优效率值（0=1,2...n）；是个dmu中第o个dmu最优效率的系数变量，可以在具体的实际规划运算中得以确定；是一个取值在0～1之间的预定义风险系数；和分别是投入指标数据约束和产出指标数据约束的松弛变量；表示风险水平下个dmu中第o个dmu的产出指标数据的比例增长，表示风险水平下个dmu中第o个dmu的投入指标数据的比例减少；和分别是和的平均值，为随机投入指标数据，其中（i=1,;j=1）,为随机产出指标数据，其中，；表示风险水平下个dmu中第o个dmu的产出指标数据的比例增长，表示风险水平下个dmu中第o个dmu的投入指标数据的比例减少；是标准正态分布函数的逆函数；为投入指标数据随机性的投入随机变量的标准差，为产出指标数据随机性的产出随机变量的标准差。通过所述效率评估模块的最差效率单元基于最差效率模型计算决策单元（dmu）的投入指标数据和产出指标数据的最
差效率值。其中，最差效率模型为：其中：m 和 s 分别代表同一个决策单元的投入指标数据的项数和产出指标数据项数；为dmu的个数；值为个dmu中第o个dmu的最差效率值（0=1,2...n）;为随机投入指标数据，其中（i=1,;j=1）,为随机产出指标数据，其中，为个dmu中第个dmu最差效率的系数变量，在具体的实际规划运算中得以确定；表示概率；是一个取值在0～1之间的预定义风险系数；和分别是投入指标数据约束和产出指标数据约束的松弛变量；表示风险水平下个dmu中第o个dmu的产出指标数据的比例增长，表示风险水平下个dmu中第o个dmu的投入指标数据的比例减少，为投入指标数据随机性的投入随机变量，为产出指标数据随机性的产出随机变量；最差效率模型或为：其中：m 和 s 分别代表同一个决策单元的投入指标数据项数和产出指标数据项数；为dmu的数量；值为个dmu中第o个dmu的最优效率值（0=1,2...n）；是个dmu中第o个dmu最优效率的系数变量，可以在具体的实际规划运算中得以确定；是一个取值在0～1之间的预定义风险系数；和分别是投入指标数据约束和产出指标数据约束的松弛变量；表示风险水平下个dmu中第o个dmu的产出指标数据的比例增长，表示风险水平下个dmu中第o个dmu的投入指标数据的比例减少；和
分别是和的平均值，为随机投入指标数据，其中（i=1,;j=1）,为随机产出指标数据，其中，；表示风险水平下个dmu中第o个dmu的产出指标数据的比例增长，表示风险水平下个dmu中第o个dmu的投入指标数据的比例减少，是标准正态分布函数的逆函数；为投入指标数据随机性的投入随机变量的标准差，为产出指标数据随机性的产出随机变量的标准差。
[0054]
根据同一决策单元投入指标数据和产出指标数据的最优效率值和最差效率值计算同一决策单元的有效效率值，采用几何平均数方法求解基于双前沿随机dea的效率评估模型的有效效率值，有效效率值公式为:其中：为有效效率值；为最优效率值； 为最差效率值。
[0055]
最后说明的是，以上实施例仅用以说明本技术的技术方案而非限制，尽管参照较佳实施例对本技术进行了详细说明，本领域的普通技术人员应当理解，可以对本技术的技术方案进行修改或者等同替换，而不脱离本技术技术方案的宗旨和范围，其均应涵盖在本技术的权利要求范围当中。