融合組合賦權(quán)與嵌套集成分類器的服務(wù)商評(píng)價(jià)

劉鵬程，孫林夫+，張常有

(1.西南交通大學(xué) 信息科學(xué)與技術(shù)學(xué)院，四川 成都 610031；2.中國(guó)科學(xué)院 軟件研究所，北京 100190)

1 問(wèn)題的提出

汽車售后服務(wù)是一項(xiàng)非常繁雜的工程，售后服務(wù)業(yè)務(wù)經(jīng)營(yíng)的優(yōu)劣不僅直接影響制造企業(yè)的利潤(rùn)，還對(duì)品牌、客戶忠誠(chéng)度等方面產(chǎn)生不同程度的影響，提供高水平售后維修服務(wù)的企業(yè)，其市場(chǎng)銷售額往往處于上升趨勢(shì)，反之，則處于不利地位[1]。

合理提升售后服務(wù)網(wǎng)絡(luò)覆蓋面是制造企業(yè)提升售后維修服務(wù)水平的基礎(chǔ)支撐，擁有完善的售后服務(wù)網(wǎng)絡(luò)可以及時(shí)響應(yīng)用戶的服務(wù)需求。而構(gòu)建覆蓋全國(guó)的售后維修服務(wù)網(wǎng)絡(luò)則需要投入大量資源，這勢(shì)必會(huì)導(dǎo)致制造企業(yè)減少對(duì)產(chǎn)品研發(fā)、制造等環(huán)節(jié)的資源投入，如此將影響制造企業(yè)核心業(yè)務(wù)的發(fā)展，且與當(dāng)前企業(yè)歸核化[2]發(fā)展趨勢(shì)不符，因此多數(shù)汽車制造企業(yè)采取與其他企業(yè)合作經(jīng)營(yíng)等策略來(lái)擴(kuò)展服務(wù)網(wǎng)絡(luò)，如汽車制造企業(yè)通過(guò)與4S店、汽車維修服務(wù)商進(jìn)行合作，提升售后服務(wù)網(wǎng)絡(luò)覆蓋面，雙方通過(guò)合作不僅為汽車制造企業(yè)節(jié)省了大量資源，還為服務(wù)商帶來(lái)了更多的利潤(rùn)。

通過(guò)這種合作形成了以制造企業(yè)為核心，同時(shí)，通過(guò)與服務(wù)商群開展服務(wù)業(yè)務(wù)協(xié)同，為終端用戶提供售后服務(wù)的服務(wù)價(jià)值鏈(如圖1)。汽車服務(wù)價(jià)值鏈包括汽車制造企業(yè)、售后服務(wù)商群、終端用戶群在內(nèi)的價(jià)值節(jié)點(diǎn)及其間的服務(wù)業(yè)務(wù)活動(dòng)，其中服務(wù)商群主要由4S店、加盟維修服務(wù)商等構(gòu)成，終端用戶群包括個(gè)人和企業(yè)用戶，服務(wù)價(jià)值鏈通過(guò)服務(wù)業(yè)務(wù)活動(dòng)產(chǎn)生的物流、信息流，資金流實(shí)現(xiàn)價(jià)值流動(dòng)。汽車制造企業(yè)對(duì)整條價(jià)值鏈進(jìn)行管控，通過(guò)與售后服務(wù)商群開展服務(wù)業(yè)務(wù)協(xié)同，共同為終端用戶群提供售后服務(wù)，實(shí)現(xiàn)整條價(jià)值鏈的增值。

服務(wù)價(jià)值鏈中的服務(wù)業(yè)務(wù)活動(dòng)主要包括兩種：①汽車制造企業(yè)與服務(wù)商群之間的服務(wù)業(yè)務(wù)協(xié)同活動(dòng)；②服務(wù)商群與終端用戶群間的服務(wù)業(yè)務(wù)活動(dòng)。服務(wù)商群是整條價(jià)值鏈中承上啟下的關(guān)鍵節(jié)點(diǎn)，制造企業(yè)通過(guò)與服務(wù)商群開展服務(wù)業(yè)務(wù)協(xié)同，向各地用戶提供售后服務(wù)資源，用戶可以直接從服務(wù)商處獲取售后服務(wù)資源，所有影響制造企業(yè)與服務(wù)商群進(jìn)行業(yè)務(wù)協(xié)同的因素最終將影響終端的服務(wù)質(zhì)量，而服務(wù)商群的業(yè)務(wù)協(xié)同能力就是其中一個(gè)重要因素，服務(wù)商的業(yè)務(wù)協(xié)同能力不僅反映出服務(wù)商對(duì)核心服務(wù)業(yè)務(wù)的處理能力，還反映出服務(wù)商與制造企業(yè)協(xié)同處理服務(wù)業(yè)務(wù)的能力，因此該因素是制造企業(yè)對(duì)服務(wù)價(jià)值鏈管控和優(yōu)化的重點(diǎn)。而對(duì)服務(wù)商進(jìn)行業(yè)務(wù)協(xié)同能力評(píng)價(jià)是汽車制造企業(yè)管控服務(wù)價(jià)值鏈和提升售后服務(wù)質(zhì)量的重要方法。

2 相關(guān)研究及問(wèn)題分析

2.1 服務(wù)商評(píng)價(jià)研究現(xiàn)狀分析

當(dāng)前，對(duì)服務(wù)商評(píng)價(jià)的研究已經(jīng)取得了許多成果，主要集中于評(píng)價(jià)指標(biāo)體系和評(píng)價(jià)方法兩個(gè)方面。其中：評(píng)價(jià)體系指對(duì)評(píng)價(jià)對(duì)象相關(guān)指標(biāo)內(nèi)容的研究；評(píng)價(jià)方法主要包括基于賦權(quán)算法的評(píng)價(jià)方法和基于分類模型的評(píng)價(jià)算法。

(1)評(píng)價(jià)指標(biāo)體系

選擇評(píng)價(jià)指標(biāo)形成服務(wù)商評(píng)價(jià)指標(biāo)體系是開展服務(wù)商評(píng)價(jià)的第一步，通過(guò)分析服務(wù)商評(píng)價(jià)指標(biāo)體系相關(guān)研究，可以發(fā)現(xiàn)當(dāng)前服務(wù)商評(píng)價(jià)指標(biāo)主要涉及到對(duì)服務(wù)商與客戶端之間的服務(wù)活動(dòng)進(jìn)行評(píng)價(jià)，如文獻(xiàn)[3]構(gòu)建了汽車售后服務(wù)客戶滿意度評(píng)價(jià)指標(biāo)，以開展汽車售后服務(wù)客戶滿意度評(píng)價(jià)；文獻(xiàn)[4]構(gòu)建了售后服務(wù)維修質(zhì)量評(píng)價(jià)體系，以開展對(duì)服務(wù)商整車維修質(zhì)量的評(píng)價(jià)；文獻(xiàn)[5]構(gòu)建了服務(wù)商服務(wù)能力評(píng)價(jià)指標(biāo)體系開展對(duì)服務(wù)能力的評(píng)價(jià)；文獻(xiàn)[6-9]圍繞服務(wù)商服務(wù)質(zhì)量評(píng)價(jià)指標(biāo)開展對(duì)服務(wù)商服務(wù)質(zhì)量的評(píng)價(jià)；文獻(xiàn)[2,10]構(gòu)建了綜合評(píng)價(jià)指標(biāo)，開展對(duì)服務(wù)商服務(wù)質(zhì)量、服務(wù)能力和維修等多方面的評(píng)價(jià)。

(2)基于賦權(quán)算法的評(píng)價(jià)方法

基于賦權(quán)算法的評(píng)價(jià)方法主要依據(jù)服務(wù)商評(píng)價(jià)指標(biāo)進(jìn)行賦權(quán)計(jì)算，基于相關(guān)評(píng)價(jià)指標(biāo)的權(quán)重計(jì)算評(píng)價(jià)結(jié)果。當(dāng)前評(píng)價(jià)指標(biāo)賦權(quán)算法可以歸為主觀賦權(quán)法、客觀賦權(quán)法和主客觀組合賦權(quán)法3種類型，3種賦權(quán)算法從不同層次進(jìn)行賦權(quán)計(jì)算。

1)主觀賦權(quán)算法 主觀賦權(quán)算法依據(jù)人為主觀判斷對(duì)各評(píng)價(jià)指標(biāo)間的重要程度進(jìn)行賦權(quán)，以實(shí)現(xiàn)目標(biāo)對(duì)象量化評(píng)價(jià)，其中Delphi[2]和層次分析法(Analytic Hierarchy Process, AHP)[4,11-12]等算法是常用的主觀評(píng)價(jià)算法。Delphi算法側(cè)重于從全局考慮各個(gè)指標(biāo)項(xiàng)間的相對(duì)權(quán)重關(guān)系，AHP算法側(cè)重于考慮不同層級(jí)指標(biāo)之間的相對(duì)權(quán)重，多數(shù)研究以該算法為基礎(chǔ)開展進(jìn)一步的研究。除直接使用AHP計(jì)算評(píng)價(jià)結(jié)果外，相關(guān)研究還將AHP算法與其他模型結(jié)合以優(yōu)化評(píng)價(jià)結(jié)果，如文獻(xiàn)[12]利用AHP算法結(jié)合服務(wù)質(zhì)量差距模型(也稱GAP模型)開展對(duì)轎車服務(wù)質(zhì)量評(píng)價(jià)的研究。

2)客觀賦權(quán)算法 客觀賦權(quán)算法是基于評(píng)價(jià)數(shù)據(jù)計(jì)算各指標(biāo)項(xiàng)所包含的評(píng)價(jià)信息來(lái)確定權(quán)重的方法，其中Critic賦權(quán)算法[2,13]、主成分分析(Principal Component Analysis, PCA)賦權(quán)算法[14]和熵權(quán)法[2,6,8]為常用的客觀評(píng)價(jià)算法。Critic算法側(cè)重于考慮指標(biāo)間的對(duì)比強(qiáng)度和沖突性。PCA賦權(quán)算法通過(guò)轉(zhuǎn)換成n(主成分個(gè)數(shù)參數(shù))個(gè)互相獨(dú)立的主成分后，利用特征向量計(jì)算權(quán)重，并不考慮指標(biāo)間的關(guān)系。熵權(quán)法依據(jù)各指標(biāo)項(xiàng)中包含信息量的多少來(lái)確定當(dāng)前指標(biāo)項(xiàng)權(quán)重，其在對(duì)服務(wù)商評(píng)價(jià)研究中有較多的應(yīng)用，如文獻(xiàn)[6]基于評(píng)價(jià)指標(biāo)收集問(wèn)卷數(shù)據(jù)，利用問(wèn)卷數(shù)據(jù)和熵權(quán)法實(shí)現(xiàn)對(duì)汽車4S店售后服務(wù)質(zhì)量評(píng)價(jià)指標(biāo)進(jìn)行賦權(quán)，找出影響服務(wù)質(zhì)量的原因。文獻(xiàn)[8]提出基于售后服務(wù)數(shù)據(jù)進(jìn)行分析，利用熵權(quán)法結(jié)合逼近理想解排序 (Technique for Order Preference by Similarity to Ideal Solution, TOPSIS)算法實(shí)現(xiàn)對(duì)售后服務(wù)商的維修和保養(yǎng)業(yè)務(wù)的評(píng)價(jià)。

3)主客觀組合賦權(quán)算法 主客觀組合賦權(quán)算法是通過(guò)相關(guān)組合算法將主觀賦權(quán)算法所得權(quán)重和客觀賦權(quán)算法所得權(quán)重進(jìn)行組合，形成新的評(píng)價(jià)權(quán)重，通過(guò)對(duì)主客觀權(quán)重進(jìn)行特定組合，實(shí)現(xiàn)對(duì)多組權(quán)重信息的融合，同時(shí)兼顧主客觀賦權(quán)算法對(duì)評(píng)價(jià)的影響。文獻(xiàn)[2]提出一種三階段主客觀公平權(quán)重評(píng)價(jià)算法，組合利用主觀和客觀賦權(quán)算法，設(shè)計(jì)了一種公平權(quán)重算法，以權(quán)重差異度最小化為目標(biāo)函數(shù)確定組合權(quán)重。文獻(xiàn)[13]利用AHP等3種主觀賦權(quán)算法與熵權(quán)法和Critic等3種客觀賦權(quán)算法進(jìn)行組合，實(shí)現(xiàn)對(duì)評(píng)價(jià)指標(biāo)的定權(quán)，通過(guò)計(jì)算3種主觀賦權(quán)和3種客觀賦權(quán)的算術(shù)平均值后，計(jì)算兩組平均值的幾何均數(shù)作為最后的組合權(quán)重進(jìn)行評(píng)價(jià)。文獻(xiàn)[15]提出通過(guò)建立以主客觀權(quán)重貢獻(xiàn)趨于均衡為優(yōu)化目標(biāo)的平衡模型，通過(guò)利用平衡系數(shù)來(lái)替代經(jīng)驗(yàn)因子進(jìn)行主客觀權(quán)重的組合。文獻(xiàn)[16]提出一種混合AHP算法和客觀賦權(quán)數(shù)據(jù)包絡(luò)分析法(Data Envelopment Analysis, DEA)的評(píng)價(jià)方法，利用AHP確定各個(gè)指標(biāo)的主觀權(quán)重，利用DEA評(píng)價(jià)方法計(jì)算評(píng)價(jià)得分，最后通過(guò)TOPSIS算法組合AHP和DEA的結(jié)構(gòu)得出最后評(píng)價(jià)結(jié)果。

(3)基于分類模型的評(píng)價(jià)方法

服務(wù)商評(píng)價(jià)問(wèn)題本質(zhì)上是一類分類問(wèn)題，該問(wèn)題是基于不同的指標(biāo)數(shù)據(jù)將不同的服務(wù)商劃分到預(yù)定類別中。因?yàn)闄C(jī)器學(xué)習(xí)技術(shù)可以實(shí)現(xiàn)較好的分類效果，所以一些機(jī)器學(xué)習(xí)分類模型被應(yīng)用到評(píng)價(jià)任務(wù)中。

1)基于監(jiān)督學(xué)習(xí)分類模型的評(píng)價(jià)方法 基于監(jiān)督學(xué)習(xí)的分類模型從已評(píng)價(jià)數(shù)據(jù)中學(xué)習(xí)評(píng)價(jià)知識(shí)構(gòu)建分類模型，訓(xùn)練完成的分類器模型可以直接對(duì)未知對(duì)象進(jìn)行評(píng)價(jià)，如文獻(xiàn)[17]提出利用相關(guān)向量機(jī)模型實(shí)現(xiàn)對(duì)服務(wù)商維修服務(wù)質(zhì)量的評(píng)價(jià)，文獻(xiàn)[18]利用決策樹算法實(shí)現(xiàn)對(duì)目標(biāo)的評(píng)價(jià)，文獻(xiàn)[19]提出利用改進(jìn)支持向量機(jī)對(duì)目標(biāo)進(jìn)行等級(jí)分類從而實(shí)現(xiàn)對(duì)目標(biāo)的評(píng)價(jià)。

2)基于非監(jiān)督學(xué)習(xí)分類模型的評(píng)價(jià)方法 利用非監(jiān)督學(xué)習(xí)分類模型不需要已知評(píng)價(jià)結(jié)果，而是基于對(duì)評(píng)價(jià)數(shù)據(jù)本身進(jìn)行計(jì)算形成分類結(jié)果，但這種分類結(jié)果是一種不明確的評(píng)價(jià)結(jié)果，因此基于非監(jiān)督學(xué)習(xí)評(píng)價(jià)方法常與賦權(quán)算法相結(jié)合形成評(píng)價(jià)模型，如文獻(xiàn)[4,20]利用AHP算法結(jié)合聚類算法，通過(guò)分類實(shí)現(xiàn)目標(biāo)評(píng)價(jià)。

2.2 服務(wù)商評(píng)價(jià)問(wèn)題分析

2.2.1 服務(wù)商評(píng)價(jià)指標(biāo)問(wèn)題分析

多數(shù)文獻(xiàn)構(gòu)建的評(píng)價(jià)體系均以服務(wù)商維修質(zhì)量、服務(wù)質(zhì)量和服務(wù)能力為主，重點(diǎn)關(guān)注于服務(wù)終端與客戶之間的活動(dòng)，而忽略了服務(wù)價(jià)值鏈中服務(wù)商與制造企業(yè)的業(yè)務(wù)協(xié)同活動(dòng)，缺少面向汽車制造企業(yè)的服務(wù)商業(yè)務(wù)評(píng)價(jià)指標(biāo)，尤其是汽車制造企業(yè)所關(guān)注的三包期內(nèi)索賠、保養(yǎng)、救援等核心售后服務(wù)業(yè)務(wù)，多數(shù)文獻(xiàn)中均沒(méi)有涉及。文獻(xiàn)[2,10]構(gòu)建的評(píng)價(jià)指標(biāo)體系中涉及了汽車制造企業(yè)所關(guān)注的相關(guān)服務(wù)業(yè)務(wù)指標(biāo)，但該類評(píng)價(jià)指標(biāo)體系存在層次劃分不夠清晰、重復(fù)冗余指標(biāo)、缺失部分重要業(yè)務(wù)指標(biāo)等問(wèn)題。如文獻(xiàn)[2]關(guān)注服務(wù)商的業(yè)務(wù)效率但卻忽視了服務(wù)商的業(yè)務(wù)量，文獻(xiàn)[10]缺少對(duì)服務(wù)業(yè)務(wù)真實(shí)性評(píng)價(jià)指標(biāo)等。

2.2.2 服務(wù)商評(píng)價(jià)算法問(wèn)題分析

利用指標(biāo)賦權(quán)算法進(jìn)行評(píng)價(jià)是常用的方法，而利用主客觀賦權(quán)算法進(jìn)行組合賦權(quán)為其中的研究重點(diǎn)，此外基于機(jī)器學(xué)習(xí)的分類算法也成為評(píng)價(jià)問(wèn)題的研究?jī)?nèi)容，下面將對(duì)這兩大類方法在評(píng)價(jià)中的應(yīng)用展開具體分析。

(1)主客觀組合賦權(quán)評(píng)價(jià)算法分析

主客觀組合賦權(quán)的目的在于將客觀數(shù)據(jù)規(guī)律與主觀人為經(jīng)驗(yàn)判斷進(jìn)行融合，在一定程度上緩解數(shù)據(jù)偏差或主觀偏好引起的賦權(quán)偏差，所以當(dāng)前研究多集中于主客觀組合賦權(quán)，而不只考慮一種賦權(quán)方法，從模型結(jié)構(gòu)角度出發(fā)主客觀組合賦權(quán)可以分為單層主客觀權(quán)重組合評(píng)價(jià)模型和雙層主客觀權(quán)重組合評(píng)價(jià)模型。

1)單層主客觀權(quán)重組合評(píng)價(jià)模型。單層指該類模型僅進(jìn)行一次主客觀權(quán)重組合，即直接將單個(gè)主觀賦權(quán)算法與單個(gè)客觀賦權(quán)算法進(jìn)行組合，如圖2所示為該模型的主要結(jié)構(gòu)，利用主觀賦權(quán)算法和客觀賦權(quán)算法分別求解主觀權(quán)重和客觀權(quán)重，而后通過(guò)主客觀組合權(quán)重實(shí)現(xiàn)對(duì)指標(biāo)數(shù)據(jù)的評(píng)價(jià)。如文獻(xiàn)[15]利用層次分析法作為主觀賦權(quán)算法、變異系數(shù)法作為客觀賦權(quán)算法，利用權(quán)重平衡模型對(duì)主客觀權(quán)重進(jìn)行組合賦權(quán)；文獻(xiàn)[21]利用層次分析法作為主觀賦權(quán)算法、通過(guò)粗糙集確定各個(gè)指標(biāo)客觀權(quán)重，再將權(quán)重結(jié)合起來(lái)對(duì)目標(biāo)進(jìn)行評(píng)價(jià)；文獻(xiàn)[22]利用層次分析法作為主觀賦權(quán)算法、主成分分析法作為客觀賦權(quán)算法實(shí)現(xiàn)組合賦權(quán)。

2)雙層主客觀權(quán)重組合評(píng)價(jià)模型。雙層模型主要包括兩個(gè)層次，如圖3所示，由第一層的主觀權(quán)重組合和客觀權(quán)重組合及第二層的主客觀權(quán)重組合構(gòu)成。雙層模型較單層模型增加了主觀權(quán)重組合和客觀權(quán)重組合，利用第一層主觀和客觀部分的組合權(quán)重結(jié)果作為第二層的權(quán)重輸入，由第二層實(shí)現(xiàn)主客觀權(quán)重的組合。

文獻(xiàn)[2]在第一層的主觀組合維度中分別利用Delphi法和AHP兩種算法，客觀組合維度部分分別利用熵權(quán)法和Critic法兩種算法，在第一和第二層中均利用最小化權(quán)重差異程度的目標(biāo)函數(shù)實(shí)現(xiàn)權(quán)重的組合。文獻(xiàn)[13]在第一層中主觀組合維度部分分別利用對(duì)比排序法法、AHP和專家直接評(píng)分法3種算法，客觀組合維度部分分別利用標(biāo)準(zhǔn)離差法、熵權(quán)法和Critic法3種算法，并分別利用算法平均數(shù)和幾何平均數(shù)作為各層的權(quán)重組合值。

雖然主客觀權(quán)重組合可以同時(shí)融合主觀與客觀兩個(gè)維度的信息，但利用單層和雙層主客觀權(quán)重組合評(píng)價(jià)模型進(jìn)行權(quán)重組合的方法卻存在以下不足：首先，對(duì)主觀權(quán)重和客觀權(quán)重進(jìn)行組合時(shí)，權(quán)重相乘法和最優(yōu)化模型法等算法并不能實(shí)現(xiàn)主客觀權(quán)重之間的權(quán)衡，經(jīng)驗(yàn)因子法會(huì)增大主觀意愿的影響等[15]。這些組合算法存在的不足將導(dǎo)致最終的組合權(quán)重偏向于主觀或客觀權(quán)重的一方，不能實(shí)現(xiàn)組合權(quán)重進(jìn)行均衡融合的目的；其次，單層的主客觀權(quán)重組合評(píng)價(jià)模型僅應(yīng)用單一的主觀或客觀賦權(quán)算法，較雙層模型而言其組合后的權(quán)重受賦權(quán)算法本身偏差的影響較大。

(2)基于分類模型的評(píng)價(jià)模型分析

基于分類模型進(jìn)行評(píng)價(jià)已經(jīng)成為一種重要的評(píng)價(jià)方法，但將分類模型應(yīng)用于評(píng)價(jià)問(wèn)題時(shí)需要解決訓(xùn)練數(shù)據(jù)集的標(biāo)注和提升模型泛化性兩個(gè)問(wèn)題：

1)訓(xùn)練數(shù)據(jù)集標(biāo)注。通過(guò)對(duì)文獻(xiàn)的分析可以發(fā)現(xiàn)，分類模型使用的訓(xùn)練數(shù)據(jù)來(lái)源于專家標(biāo)注和基于賦權(quán)算法計(jì)算所得的評(píng)價(jià)結(jié)果，利用專家標(biāo)注進(jìn)行模型訓(xùn)練易受標(biāo)注專家主觀偏好影響，利用賦權(quán)算法的計(jì)算結(jié)果訓(xùn)練模型存在同樣的問(wèn)題，由此引起的訓(xùn)練數(shù)據(jù)偏差將導(dǎo)致分類模型的分類偏差。

2)提升分類模型的泛化性。模型從訓(xùn)練數(shù)據(jù)集中學(xué)習(xí)數(shù)據(jù)規(guī)律，挖掘分類知識(shí)，但評(píng)價(jià)數(shù)據(jù)會(huì)隨時(shí)間發(fā)生變化造成基于有限數(shù)據(jù)學(xué)習(xí)的知識(shí)成為一種近似知識(shí)，因此使用當(dāng)前訓(xùn)練數(shù)據(jù)集進(jìn)行知識(shí)挖掘存在不穩(wěn)定性，而通過(guò)提升分類模型的泛化性可以緩解這類問(wèn)題。

3 融合組合賦權(quán)與嵌套集成分類器的服務(wù)商評(píng)價(jià)的總體方案

3.1 服務(wù)商評(píng)價(jià)指標(biāo)體系構(gòu)建

設(shè)計(jì)科學(xué)、合理、可靠的評(píng)價(jià)指標(biāo)體系是進(jìn)行服務(wù)商業(yè)務(wù)協(xié)同能力評(píng)價(jià)的基礎(chǔ)，本文主要考慮面向汽車制造企業(yè)構(gòu)建服務(wù)商業(yè)務(wù)協(xié)同能力評(píng)價(jià)指標(biāo)，實(shí)現(xiàn)制造企業(yè)對(duì)售后服務(wù)業(yè)務(wù)管控和優(yōu)化的目的，該指標(biāo)體系內(nèi)容主要涵蓋以下兩個(gè)方面：

(1)服務(wù)業(yè)務(wù)協(xié)同能力評(píng)價(jià)指標(biāo)

從汽車制造企業(yè)對(duì)服務(wù)商業(yè)務(wù)活動(dòng)管控的實(shí)際需求出發(fā)，針對(duì)保養(yǎng)、索賠、外出救援、重大質(zhì)量問(wèn)題等三包期內(nèi)售后服務(wù)業(yè)務(wù)進(jìn)行分析得出關(guān)鍵指標(biāo)類別，如表1所示。

表1 服務(wù)業(yè)務(wù)協(xié)同能力評(píng)價(jià)指標(biāo)類別說(shuō)明

續(xù)表1

(2)維修業(yè)務(wù)評(píng)價(jià)指標(biāo)

針對(duì)服務(wù)商維修質(zhì)量，設(shè)計(jì)維修合格率和配件滿足率兩個(gè)指標(biāo)，其中維修合格率指標(biāo)反映服務(wù)商維修質(zhì)量的合格率，配件滿足率指標(biāo)反映該服務(wù)商能否用原廠配件及時(shí)響應(yīng)客戶的維修需求，不會(huì)因?yàn)槿奔?dǎo)致客戶維修受阻。通過(guò)這兩個(gè)指標(biāo)反映服務(wù)商能否高效保質(zhì)地響應(yīng)客戶維修需求。

在文獻(xiàn)研究、企業(yè)調(diào)研及專家咨詢的基礎(chǔ)上，從以上兩方面出發(fā)，本文提出了服務(wù)商業(yè)務(wù)協(xié)同能力評(píng)價(jià)指標(biāo)體系，該指標(biāo)體系分為目標(biāo)層、一級(jí)指標(biāo)層和二級(jí)指標(biāo)層，如圖4所示。

定義1A表示目標(biāo)層，Bi表示一級(jí)指標(biāo)層中第i個(gè)指標(biāo)，Cij表示第i個(gè)一級(jí)指標(biāo)下的第j個(gè)二級(jí)指標(biāo)。

3.2 融合組合賦權(quán)與嵌套集成分類器的服務(wù)商評(píng)價(jià)模型

主客觀權(quán)重組合的目的是通過(guò)主觀與客觀的融合實(shí)現(xiàn)兩種權(quán)重的相互約束，形成一種均衡的權(quán)重，但由于當(dāng)前組合算法存在的不足，導(dǎo)致組合后的權(quán)重會(huì)偏向主觀或客觀權(quán)重，因此針對(duì)單層和雙層評(píng)價(jià)模型中主客觀權(quán)重組合存在的不足，引入融合組合賦權(quán)與嵌套集成分類器的服務(wù)商評(píng)價(jià)模型，從兩個(gè)階段完成對(duì)目標(biāo)的精確評(píng)價(jià)，其兩階段的總體架構(gòu)如圖5所示。

(1)第一階段。本階段不通過(guò)權(quán)重組合這種更為微觀的方式進(jìn)行主客觀融合，而是從更為宏觀的評(píng)價(jià)結(jié)果層面進(jìn)行融合，通過(guò)一種更為松弛的約束方式實(shí)現(xiàn)對(duì)目標(biāo)的初始評(píng)價(jià)及部分客觀數(shù)據(jù)的精確標(biāo)注，完成對(duì)服務(wù)商的初始評(píng)價(jià)。

通過(guò)雙層主客觀權(quán)重組合評(píng)價(jià)模型中第一層取得主觀組合權(quán)重和客觀組合權(quán)重，但并不進(jìn)入第二層進(jìn)行主客觀權(quán)重組合計(jì)算，而是通過(guò)評(píng)價(jià)指標(biāo)數(shù)據(jù)進(jìn)行評(píng)價(jià)結(jié)果計(jì)算，對(duì)評(píng)價(jià)結(jié)果進(jìn)行集合運(yùn)算取得確定性的相同評(píng)價(jià)結(jié)果(交集部分)和不確定性的相異評(píng)價(jià)結(jié)果(對(duì)稱差集部分)形成初始評(píng)價(jià)結(jié)果，此時(shí)處于相同評(píng)價(jià)結(jié)果集中的評(píng)價(jià)指標(biāo)數(shù)據(jù)規(guī)律與人為主觀認(rèn)識(shí)基本一致，即交集中評(píng)價(jià)結(jié)果所對(duì)應(yīng)的數(shù)據(jù)是融合了人為經(jīng)驗(yàn)和客觀數(shù)據(jù)規(guī)律的共性知識(shí)，而相異評(píng)價(jià)結(jié)果則表示評(píng)價(jià)數(shù)據(jù)與主觀認(rèn)識(shí)之間存在偏差。

(2)第二階段?；诘谝浑A段形成的確定性的評(píng)價(jià)結(jié)果(交集部分)形成標(biāo)注數(shù)據(jù)，將泛化性能更高的集成分類模型融入該階段，通過(guò)集成分類模型對(duì)標(biāo)注數(shù)據(jù)的學(xué)習(xí)形成融合人為經(jīng)驗(yàn)和客觀數(shù)據(jù)規(guī)律的共性知識(shí)，利用其對(duì)第一階段中不確定性評(píng)價(jià)結(jié)果(對(duì)稱差集部分)進(jìn)行精確評(píng)價(jià)，實(shí)現(xiàn)對(duì)服務(wù)商的評(píng)價(jià)。

以相同評(píng)價(jià)結(jié)果(交集)形成的標(biāo)注數(shù)據(jù)構(gòu)建第二階段的嵌套集成分類器，本文提出的嵌套集成分類器在深度和廣度兩個(gè)維度同時(shí)擴(kuò)展實(shí)現(xiàn)集成，融入更為多樣性的基分類器以提升集成分類器的泛化性。同時(shí)將存在相異評(píng)價(jià)結(jié)果所對(duì)應(yīng)的評(píng)價(jià)數(shù)據(jù)作為第二階段的待評(píng)價(jià)數(shù)據(jù)。利用融合主客觀知識(shí)和較強(qiáng)泛化性能的嵌套集成分類器對(duì)相異評(píng)價(jià)數(shù)據(jù)進(jìn)行分類，權(quán)衡偏差評(píng)價(jià)，實(shí)現(xiàn)精確評(píng)價(jià)。

本文提出嶺回歸的集成分類決策算法對(duì)嵌套集成分類器的基分類決策進(jìn)行集成，通過(guò)賦予高性能基分類器的分類結(jié)果以較大權(quán)重來(lái)提升嵌套集成分類器的性能，實(shí)現(xiàn)對(duì)嵌套集成分類器的分類決策集成。

4 融合組合賦權(quán)與嵌套集成分類器的服務(wù)商評(píng)價(jià)模型

4.1 基于極大熵組合賦權(quán)算法的一階段初始評(píng)價(jià)

依據(jù)最大熵原理，在給定約束下選擇不確定性最大的概率分布為權(quán)向量的系數(shù)，建立如下最大化模型：

(1)

式中m種權(quán)重計(jì)算算法會(huì)產(chǎn)生m種不同的隨機(jī)權(quán)向量，組合權(quán)重值與這m種隨機(jī)權(quán)向量越近似，則組合權(quán)重值越接近真實(shí)權(quán)重值，文獻(xiàn)[23]利用相對(duì)熵來(lái)度量組合權(quán)重值與這m種隨機(jī)權(quán)向量的符合程度(離散分布相對(duì)熵計(jì)算如定義5所示)，當(dāng)進(jìn)行組合權(quán)重計(jì)算時(shí)，若m種權(quán)重計(jì)算算法所產(chǎn)生的m種不同的隨機(jī)權(quán)向量有最優(yōu)一致性，利用最小化組合權(quán)重和m種不同隨機(jī)權(quán)向量的相對(duì)熵實(shí)現(xiàn)。

(2)

將式(1)和式(2)兩個(gè)目標(biāo)函數(shù)轉(zhuǎn)化為單目標(biāo)優(yōu)化函數(shù)：

(3)

由于此時(shí)兩組評(píng)價(jià)值處于不同的度量空間，導(dǎo)致兩組結(jié)果不能直接進(jìn)行比較，通過(guò)對(duì)兩組評(píng)價(jià)結(jié)果進(jìn)行分級(jí)劃分，統(tǒng)一度量評(píng)價(jià)結(jié)果，結(jié)合汽車制造企業(yè)的需求及評(píng)價(jià)數(shù)據(jù)規(guī)律，對(duì)評(píng)價(jià)結(jié)果進(jìn)行分級(jí)劃分。在文獻(xiàn)[6,11,17]通過(guò)主觀設(shè)置分段值的方式對(duì)服務(wù)商等級(jí)劃分存在一定的主觀偏差，文獻(xiàn)[4]運(yùn)用系統(tǒng)聚類方法并結(jié)合定量評(píng)分結(jié)果計(jì)算售后服務(wù)質(zhì)量等級(jí)，但系統(tǒng)聚類的聚類個(gè)數(shù)仍是主觀設(shè)置，并未兼顧考慮評(píng)價(jià)數(shù)據(jù)本身的特性?；贙-means結(jié)合輪廓系數(shù)探索評(píng)價(jià)數(shù)據(jù)是一種自動(dòng)確定聚類數(shù)目的有效方法，如文獻(xiàn)[24]中利用輪廓系數(shù)改進(jìn)K均值聚類算法(K-means)為神經(jīng)網(wǎng)絡(luò)反向傳播算法(Back Propagation, BP)構(gòu)造分類數(shù)據(jù)集，有效提升了BP算法的計(jì)算精度。因此，本文基于輪廓系數(shù)和K-means算法(簡(jiǎn)稱SC-KC算法)來(lái)確定服務(wù)商業(yè)務(wù)協(xié)同能力評(píng)價(jià)結(jié)果的分級(jí)數(shù)目，實(shí)現(xiàn)對(duì)服務(wù)商業(yè)務(wù)協(xié)同能力等級(jí)劃分完成一階段初始評(píng)價(jià)，其流程如圖6所示，主要步驟如下：

步驟4基于輪廓系數(shù)和K-means算法對(duì)服務(wù)商業(yè)務(wù)協(xié)同能力的主觀評(píng)價(jià)結(jié)果和客觀評(píng)價(jià)結(jié)果進(jìn)行等級(jí)劃分，將主觀評(píng)價(jià)結(jié)果和客觀評(píng)價(jià)結(jié)果劃分到統(tǒng)一的CN個(gè)等級(jí)的度量空間內(nèi)，對(duì)分級(jí)后的兩組評(píng)價(jià)結(jié)果進(jìn)行集合運(yùn)算，所得交集為主客觀相同分級(jí)評(píng)價(jià)結(jié)果，對(duì)稱差集為相異評(píng)價(jià)結(jié)果，兩集合構(gòu)成服務(wù)商初始評(píng)價(jià)結(jié)果。

4.2 嵌套集成分類器

集成分類器通過(guò)將多個(gè)基分類器的分類結(jié)果按照一定規(guī)則進(jìn)行集成，形成最終分類結(jié)果，將互補(bǔ)且精確的基分類器進(jìn)行集成分類，其分類性能將優(yōu)于單個(gè)基分類器性能[25]。目前，集成分類器在諸多領(lǐng)域[26-30]得到有效應(yīng)用，但較少應(yīng)用于服務(wù)商評(píng)價(jià)，本文通過(guò)融合組合權(quán)重算法對(duì)集成分類器在評(píng)價(jià)問(wèn)題的應(yīng)用展開研究。

集成分類器有較好的泛化性和抗噪性，在泛化性方面，多個(gè)多樣性的基分類器(分類正確率>50%)集成為強(qiáng)分類器實(shí)現(xiàn)降低分類器過(guò)擬合的目的；在抗噪性方面，通過(guò)對(duì)多個(gè)分類器進(jìn)行集成可以降低分類器的方差和分類結(jié)果對(duì)分類器性能的擾動(dòng)，從而提升分類器抗噪性[31]。此外，集成分類器在針對(duì)不平衡數(shù)據(jù)分類的研究方面取得了極大關(guān)注，它通過(guò)從數(shù)據(jù)集、數(shù)據(jù)特征和算法角度構(gòu)建包含多樣性基分類器的集成分類器提升對(duì)不平衡數(shù)據(jù)分類的正確率。

4.2.1 構(gòu)建基于特征選擇的基分類器

基分類器是構(gòu)成集成分類器的基本單元，基分類器的多樣化是影響集成分類器泛化性能的重要因素[25]，基于特征選擇產(chǎn)生特征子集是構(gòu)建多樣化基分類器的重要方法[32]，特征選擇是基于某種選擇準(zhǔn)則，從數(shù)據(jù)特征集中選擇最小特征子集的方法，通過(guò)特征選擇可以提升分類器的分類性能[33]。按照選擇準(zhǔn)則是否與分類器相關(guān)，特征選擇方法分為過(guò)濾式、封裝式和嵌入式[32-34]，本文運(yùn)用封裝式方法進(jìn)行特征選擇，通過(guò)與分類器結(jié)合及以分類正確率等指標(biāo)為準(zhǔn)則，選擇出分類正確率較高的特征子集。

特征子集的選擇一般被視為多目標(biāo)優(yōu)化問(wèn)題，多目標(biāo)優(yōu)化問(wèn)題的一般描述為[35]：

miny=F(x)=(f1(x),f2(x),…,fm(x))T,

s.t.

gi(x)≤0,i=1,2,…,q,

hj(x)=0,j=1,2,…,p。

(4)

其中：x=[x1,x2,…,xn]∈X,X?Rn為n維決策向量，X為n維決策空間，y=[y1,y2,…,ym]∈Y?Rn為m維目標(biāo)空間，gi(x)≤0定義了q個(gè)不等式約束，hi(x)≤0定義了p個(gè)等式約束。

近年來(lái)，基于多目標(biāo)的進(jìn)化算法被應(yīng)用于特征子集的選擇中，其中帶精英策略的快速非支配排序遺傳算法(fast elitist Nondominated Sorting Genetic Algorithm, NSGAⅡ)[36]作為一種典型的多目標(biāo)的進(jìn)化算法被大量應(yīng)用到此任務(wù)中，通過(guò)NSGAⅡ算法求得一組非支配解作為各基分類器的訓(xùn)練數(shù)據(jù)特征，以訓(xùn)練多樣化的基分類器提升分類器的泛化能力。如文獻(xiàn)[37]利用NSGAⅡ算法同時(shí)優(yōu)化3個(gè)度量目標(biāo)，對(duì)不平衡數(shù)據(jù)進(jìn)行特征選擇，文獻(xiàn)[38]利用改進(jìn)NSGAⅡ算法選擇多種大小不同的局部特征子集實(shí)現(xiàn)對(duì)全局非支配特征子集的選擇等都對(duì)改善分類器性能起到了積極作用。本文基于封裝式特征選擇方法結(jié)合NSGAⅡ算法，設(shè)定最小化分類性能指標(biāo)f1和特征數(shù)目f2兩個(gè)目標(biāo)函數(shù)為適應(yīng)度函數(shù)構(gòu)建特征子集。

miny=

(5)

4.2.2 構(gòu)建嵌套集成分類器

本文設(shè)計(jì)了一種嵌套集成分類器模型，該模型分為內(nèi)外兩層次，內(nèi)層包含多組多樣化的基分類器，基于該層基分類器通過(guò)逐層有效地集成分類決策形成嵌套集成分類器，下面將從模型結(jié)構(gòu)和分類決策集成兩個(gè)方面進(jìn)行說(shuō)明。

(1)嵌套集成分離器結(jié)構(gòu)

嵌套集成分類器是一種集成分類器，當(dāng)前典型的集成分類器框架主要包括Boosting、Bagging和Stacking三類。其中：Boosting串行生成一組互相依賴的基分類器，關(guān)注于通過(guò)提升基分類器的正確率實(shí)現(xiàn)提升集成分類性能目的，如Adaboost、梯度提升樹算法；Bagging并行生成一組相對(duì)獨(dú)立的基分類器，關(guān)注于通過(guò)提升基分類器的多樣性來(lái)達(dá)到提升集成分類性能的目的[20]，如隨機(jī)森林算法；Stacking通過(guò)訓(xùn)練元模型將一組基分類器的分類結(jié)果進(jìn)行組合實(shí)現(xiàn)集成多個(gè)基分類器的分類。

嵌套集成分類器的結(jié)構(gòu)如圖7所示，通過(guò)在內(nèi)層構(gòu)造多組多樣化的子集成分類器形成外層集成分類器的基分類器，再經(jīng)外層的集成分類器進(jìn)行分類決策的集成，進(jìn)而實(shí)現(xiàn)多組基分類器在廣度上的分類組合，在深度上的分類決策集成，實(shí)現(xiàn)兩個(gè)維度的同時(shí)延伸。嵌套集成分類器較Bagging和Stacking算法不僅實(shí)現(xiàn)了對(duì)多樣性基分類器的集成，還對(duì)模型深度進(jìn)行擴(kuò)展，實(shí)現(xiàn)對(duì)更高層維度數(shù)據(jù)特征的提取，通過(guò)廣度擴(kuò)展增加了基分類器的多樣性，保證了集成分類器的泛化能力，深度擴(kuò)展提升了模型對(duì)數(shù)據(jù)特征的提取能力，從這兩個(gè)維度提升了分類性能。

(2)基于嶺回歸的分類決策集成算法

基分類器的分類決策集成性能將影響集成分類器的性能，文獻(xiàn)[39-41]研究了5種常用集成分類決策算法，通過(guò)對(duì)各個(gè)基分類器的分類結(jié)果進(jìn)行取最大值、投票和求和等方法進(jìn)行集成，但這些算法未能對(duì)各集成分類器結(jié)果進(jìn)行差異化區(qū)分以識(shí)別出高性能分類器的分類結(jié)果。本文通過(guò)基于嶺回歸的分類決策集成算法對(duì)重要分類結(jié)果特征進(jìn)行識(shí)別，并賦予高性能分類器的結(jié)果以較高權(quán)重以提升嵌套集成分類的分類性能。

定義7設(shè)數(shù)據(jù)集D中各樣本對(duì)應(yīng)類分布為P=[p1,p2,…,pn]T，其中pi=[p(i,1),p(i,2),…,p(i,m)]T為某樣本xi對(duì)應(yīng)的類分布，Pl=[p(1,l),p(2,l),…,p(n,l)]T為數(shù)據(jù)集D中樣本對(duì)應(yīng)類l的分布。

運(yùn)用嶺回歸計(jì)算子集成分類器中各基分類器的預(yù)測(cè)類分布與真實(shí)類分布的誤差，利用權(quán)重解析解計(jì)算各分類器的類分布預(yù)測(cè)權(quán)重，設(shè)子集成分類器ec對(duì)l類的分類決策目標(biāo)函數(shù)為：

(6)

其解析解為：

(7)

其中式(7)為k個(gè)基分類器對(duì)l類的分類決策權(quán)重向量。嵌套集成分類器的外層分類決策集成與子集成分類器的集成算法相同，將多個(gè)子集成分類器視為嵌套集成分類器的基分類器，運(yùn)用式(7)計(jì)算外層嵌套集成分類器的分類決策集成權(quán)重。

(3)嵌套集成分類器構(gòu)建流程

嵌套集成分類器的構(gòu)建包括訓(xùn)練和測(cè)試兩個(gè)階段，訓(xùn)練階段主要包括：訓(xùn)練數(shù)據(jù)集分割、特征選擇、各內(nèi)層子集成分類器訓(xùn)練、集成分類決策4個(gè)步驟，其中集成分類決策又包括內(nèi)層子集成分類器的集成決策和外層集成分類器的集成決策；測(cè)試階段主要包括：測(cè)試數(shù)據(jù)集分割、各內(nèi)層子集成分類器測(cè)試數(shù)據(jù)的生成、測(cè)試各內(nèi)層子集成分類器及集成分類決策、測(cè)試嵌套集成分類器及集成分類決策4個(gè)步驟，其構(gòu)建詳細(xì)流程如圖8所示。

5 應(yīng)用實(shí)例分析

5.1 服務(wù)商業(yè)務(wù)協(xié)同能力數(shù)據(jù)集

本文以汽車產(chǎn)業(yè)鏈云服務(wù)平臺(tái)[42]上CQ汽車制造企業(yè)及其與之進(jìn)行服務(wù)業(yè)務(wù)協(xié)同的300多家服務(wù)商的服務(wù)業(yè)務(wù)數(shù)據(jù)為基礎(chǔ)，對(duì)服務(wù)商業(yè)務(wù)協(xié)同能力評(píng)價(jià)模型進(jìn)行實(shí)驗(yàn)驗(yàn)證。

汽車產(chǎn)業(yè)鏈云服務(wù)平臺(tái)支撐CQ與其服務(wù)商開展售后服務(wù)業(yè)務(wù)協(xié)同，累積了多年服務(wù)業(yè)務(wù)數(shù)據(jù)，包括售后保養(yǎng)數(shù)據(jù)、售后索賠數(shù)據(jù)、售后配件數(shù)據(jù)、售后舊件數(shù)據(jù)等。基于對(duì)服務(wù)商業(yè)務(wù)協(xié)同評(píng)價(jià)指標(biāo)研究，從平臺(tái)服務(wù)業(yè)務(wù)數(shù)據(jù)庫(kù)中抽取所需評(píng)價(jià)數(shù)據(jù)，通過(guò)數(shù)據(jù)預(yù)處理構(gòu)建服務(wù)數(shù)據(jù)集作為評(píng)價(jià)數(shù)據(jù)源，預(yù)處理后形成服務(wù)業(yè)務(wù)數(shù)據(jù)集，其部分?jǐn)?shù)據(jù)集如表2所示。

表2 服務(wù)業(yè)務(wù)數(shù)據(jù)集

5.2 基于主觀組合權(quán)重與客觀組合權(quán)重的一階段初始評(píng)價(jià)計(jì)算

5.2.1 主觀組合權(quán)重計(jì)算

本實(shí)驗(yàn)利用Delphi算法、AHP算法作為主觀組合賦權(quán)的基礎(chǔ)算法。

(1)Delphi算法計(jì)算評(píng)價(jià)指標(biāo)權(quán)重

選擇多位來(lái)自汽車制造企業(yè)服務(wù)部門和服務(wù)管理專家對(duì)服務(wù)商業(yè)務(wù)協(xié)同能力評(píng)價(jià)指標(biāo)項(xiàng)的全局相對(duì)重要性進(jìn)行評(píng)分，單指標(biāo)項(xiàng)評(píng)分值越高，其相應(yīng)權(quán)重值就越高，對(duì)各個(gè)專家的評(píng)分結(jié)果進(jìn)行匯總，計(jì)算出各專家的評(píng)分結(jié)果得出各評(píng)價(jià)指標(biāo)項(xiàng)的權(quán)重，如表3所示。

表3 Delphi算法評(píng)價(jià)指標(biāo)權(quán)重值

(2)AHP算法計(jì)算評(píng)價(jià)指標(biāo)權(quán)重

AHP算法權(quán)重計(jì)算依然基于專家的知識(shí)對(duì)各個(gè)指標(biāo)項(xiàng)權(quán)重進(jìn)行計(jì)算，具體步驟如下所示。

步驟1建立服務(wù)商業(yè)務(wù)協(xié)同能力評(píng)價(jià)層次模型，將服務(wù)商協(xié)同能力評(píng)價(jià)指標(biāo)中各項(xiàng)指標(biāo)劃分為相互聯(lián)系的有序?qū)哟?，形成一?jí)和二級(jí)指標(biāo)體系(如表4)，其中各個(gè)指標(biāo)均為正向指標(biāo)。

表4 服務(wù)商業(yè)務(wù)協(xié)同能力評(píng)價(jià)層次模型

步驟2采用1～9標(biāo)度，依據(jù)各指標(biāo)間的相對(duì)重要程度，計(jì)算指標(biāo)體系中的一級(jí)指標(biāo)權(quán)重，權(quán)重值如表5所示。

表5 AHP服務(wù)商業(yè)務(wù)協(xié)同能力評(píng)價(jià)層次模型一級(jí)指標(biāo)權(quán)重

步驟3在各一級(jí)指標(biāo)下，基于各二級(jí)指標(biāo)間的相對(duì)重要程度，計(jì)算一級(jí)/二級(jí)指標(biāo)權(quán)重，權(quán)重值如表6所示。

表6 AHP服務(wù)商業(yè)務(wù)協(xié)同能力評(píng)價(jià)層次模型一級(jí)/二級(jí)指標(biāo)權(quán)重

步驟4基于步驟2和步驟3中所計(jì)算的各個(gè)指標(biāo)權(quán)重計(jì)算出最終各二級(jí)指標(biāo)的權(quán)重，形成的評(píng)價(jià)指標(biāo)權(quán)重值如表7所示。

表7 AHP算法評(píng)價(jià)指標(biāo)權(quán)重值

(3)主觀組合權(quán)重計(jì)算

基于Delphi和AHP計(jì)算主觀指標(biāo)權(quán)重，利用式(3)中的目標(biāo)函數(shù)計(jì)算主觀組合權(quán)重，所得主觀組合權(quán)重?cái)?shù)值如表8所示，所得兩種主觀權(quán)重與主觀組合權(quán)重對(duì)比如圖9所示。

表8 主觀評(píng)價(jià)組合權(quán)重值

5.2.2 客觀組合權(quán)重計(jì)算

本實(shí)驗(yàn)利用Critic算法、PCA賦權(quán)算法和熵權(quán)法作為客觀組合賦權(quán)的基礎(chǔ)算法。

(1)Critic算法計(jì)算評(píng)價(jià)指標(biāo)權(quán)重

基于服務(wù)商業(yè)務(wù)協(xié)同能力評(píng)價(jià)指標(biāo)相關(guān)性來(lái)確定屬性權(quán)重，分析指標(biāo)數(shù)據(jù)間的對(duì)比強(qiáng)度和沖突性，基于此求得各個(gè)評(píng)價(jià)指標(biāo)的權(quán)重，權(quán)重值如表9所示。

表9 Critic算法評(píng)價(jià)指標(biāo)權(quán)重值

(2)PCA賦權(quán)算法計(jì)算評(píng)價(jià)指標(biāo)權(quán)重

通過(guò)線性變換消除服務(wù)商業(yè)務(wù)協(xié)同能力各指標(biāo)項(xiàng)間的信息冗余問(wèn)題，將原指標(biāo)變量經(jīng)過(guò)PCA變換后形成n(主成分個(gè)數(shù)參數(shù))個(gè)互相獨(dú)立的主成分，進(jìn)而計(jì)算服務(wù)商業(yè)務(wù)協(xié)同能力評(píng)價(jià)權(quán)重，權(quán)重值如表10所示。

表10 PCA算法評(píng)價(jià)指標(biāo)權(quán)重值

(3)熵權(quán)法計(jì)算評(píng)價(jià)指標(biāo)權(quán)重

針對(duì)服務(wù)商業(yè)務(wù)協(xié)同能力的各項(xiàng)評(píng)價(jià)指標(biāo)，計(jì)算某項(xiàng)指標(biāo)對(duì)于評(píng)價(jià)對(duì)象的特征比重和熵值，形成評(píng)價(jià)指標(biāo)的熵權(quán)，求得各個(gè)評(píng)價(jià)指標(biāo)的權(quán)重，權(quán)重值如表11所示。

表11 熵權(quán)法算法評(píng)價(jià)指標(biāo)權(quán)重值

(4)客觀組合權(quán)重計(jì)算

基于Critic賦權(quán)算法、PCA賦權(quán)算法和熵權(quán)法計(jì)算客觀指標(biāo)權(quán)重，利用式(3)中的目標(biāo)函數(shù)計(jì)算客觀組合權(quán)重，所得客觀組合權(quán)重?cái)?shù)值如表12所示，所得3種客觀權(quán)重與客觀組合權(quán)重對(duì)比如圖10所示。

表12 客觀組合權(quán)重評(píng)價(jià)指標(biāo)權(quán)重值

5.2.3 評(píng)價(jià)結(jié)果等級(jí)劃分

基于主觀組合權(quán)重和客觀組合權(quán)重對(duì)服務(wù)業(yè)務(wù)數(shù)據(jù)集中各個(gè)服務(wù)商業(yè)務(wù)協(xié)同指標(biāo)數(shù)據(jù)進(jìn)行計(jì)算可以得到主觀、客觀兩組評(píng)價(jià)結(jié)果，從圖11中可以分析出主觀組合權(quán)重與客觀組合權(quán)重在某些具體指標(biāo)值權(quán)重上存在較大差異，兩組權(quán)重的差異性將導(dǎo)致評(píng)價(jià)結(jié)果的差異，通過(guò)對(duì)評(píng)價(jià)結(jié)果進(jìn)行等級(jí)劃分在統(tǒng)一的度量空間下對(duì)主觀及客觀組合權(quán)重的評(píng)價(jià)結(jié)果進(jìn)行融合，該融合過(guò)程包括以下兩步：

步驟1基于主觀組合權(quán)重和客觀組合權(quán)重計(jì)算出主觀和客觀兩組評(píng)價(jià)結(jié)果(如圖12)，通過(guò)分析可以發(fā)現(xiàn)，主觀組合權(quán)重計(jì)算的評(píng)價(jià)結(jié)果值總體大于主觀組合權(quán)重評(píng)價(jià)結(jié)果，但主觀組合權(quán)重與客觀組合權(quán)重評(píng)價(jià)結(jié)果的相對(duì)趨勢(shì)有較高重合度。

步驟2基于K-Means算法和輪廓系數(shù)對(duì)步驟1中所得主觀組合權(quán)重與客觀組合權(quán)重評(píng)價(jià)結(jié)果進(jìn)行等級(jí)劃分，不同聚類個(gè)數(shù)代表著不同的分類等級(jí)，如當(dāng)聚類個(gè)數(shù)為n時(shí)，意味著將評(píng)價(jià)結(jié)果劃分為n個(gè)等級(jí)，依據(jù)各個(gè)聚簇中心值大小確定等級(jí)順序。如圖13是不同聚類個(gè)數(shù)下主觀組合權(quán)重與客觀組合權(quán)重評(píng)價(jià)結(jié)果的分級(jí)輪廓系數(shù)值，對(duì)于主觀評(píng)價(jià)結(jié)果其輪廓系數(shù)在聚類個(gè)數(shù)為2和3時(shí)數(shù)值較大，對(duì)于客觀評(píng)價(jià)結(jié)果其輪廓系數(shù)在聚類個(gè)數(shù)為3和4時(shí)輪廓較大，結(jié)合制造企業(yè)對(duì)評(píng)價(jià)等級(jí)劃分的需求，將評(píng)價(jià)等級(jí)定為3個(gè)等級(jí)。

將由權(quán)重計(jì)算所得的評(píng)價(jià)結(jié)果數(shù)據(jù)依據(jù)其數(shù)值的相對(duì)大小映射到A級(jí)、B級(jí)和C級(jí)3個(gè)等級(jí)空間中，其中A級(jí)為最高等級(jí)，B級(jí)為中間等級(jí)，C級(jí)為最低等級(jí)，從分類結(jié)果中隨機(jī)抽取150家服務(wù)商進(jìn)行分析，如圖14所示。分析發(fā)現(xiàn)，主客觀組合權(quán)重兩種算法對(duì)多數(shù)企業(yè)具有相同的評(píng)價(jià)結(jié)果，但存在一定數(shù)量的相異評(píng)價(jià)結(jié)果，這些相異評(píng)價(jià)結(jié)果將在第二階段中進(jìn)行精確分類。

5.3 基于嶺回歸集成分類決策算法的嵌套集成分類器測(cè)試

選擇K最近鄰算法(K-Nearest Neighbor,KNN)、支持向量機(jī)算法(Support Vector Machine,SVM)和邏輯斯特回歸算法(Logistic Regression,LR)三種常用分類算法分別作為內(nèi)層子集成分類器的基分類器，構(gòu)建ne1、ne2、ne3三個(gè)內(nèi)層子集成分類器，分別運(yùn)用嶺回歸集成分類決策算法集成各組基分類器的分類結(jié)果形成內(nèi)層分類決策。利用ne1、ne2、ne3組成外層集成分類器構(gòu)建嵌套分類器ne，運(yùn)用嶺回歸集成分類決策算法集成ne1、ne2、ne3分類結(jié)果形成嵌套集成分類的最終分類結(jié)果。

5.3.1 算法測(cè)試數(shù)據(jù)集

由于服務(wù)商業(yè)務(wù)協(xié)同能力評(píng)價(jià)可視為多分類問(wèn)題且服務(wù)商的優(yōu)秀等級(jí)和不合格等級(jí)占整體數(shù)量較少，導(dǎo)致數(shù)據(jù)存在一定程度的不平衡性，基于以上兩個(gè)特點(diǎn)，為檢測(cè)基于嶺回歸集成分類決策算法的嵌套集成分類器在此類型分類數(shù)據(jù)上的性能，實(shí)驗(yàn)選取來(lái)自UCI Machine Learning Repository(UCI數(shù)據(jù)集)中10個(gè)以多分類和不平衡數(shù)據(jù)集為主的數(shù)據(jù)集(如表13)用于測(cè)試算法性能。

表13 算法性能對(duì)比測(cè)試所用實(shí)驗(yàn)數(shù)據(jù)

5.3.2 算法性能測(cè)試分析

針對(duì)本文的多分類問(wèn)題，在實(shí)驗(yàn)部分利用所有類別中分類正確的樣本數(shù)占總樣本數(shù)的百分比來(lái)計(jì)算正確率，通過(guò)計(jì)算各類F1值的平均值作為分類的F1值，其中F1值為精準(zhǔn)率和召回率的調(diào)和平均數(shù)是對(duì)精準(zhǔn)率和召回率的綜合考慮。

對(duì)基于嶺回歸集成分類決策算法的嵌套集成分類器(簡(jiǎn)稱RREC)進(jìn)行性能測(cè)試(測(cè)試結(jié)果如表14所示)，與當(dāng)前主要集成分類算法(包括：梯度提升樹(Gradient Boosting Tree, GBT)、隨機(jī)森林(Random Forest, RF)、自適應(yīng)增強(qiáng)算法(簡(jiǎn)稱SAMME)、堆疊集成分類器(Stacking Classifier, SC))進(jìn)行性能對(duì)比。針對(duì)每個(gè)測(cè)試數(shù)據(jù)集，各算法運(yùn)行30次求出平均正確率和F1值展開對(duì)比。

表14 算法性能測(cè)試結(jié)果

通過(guò)對(duì)算法性能測(cè)試結(jié)果進(jìn)行分析可以發(fā)現(xiàn)RREC算法的正確率和F1值較其他對(duì)比算法有最優(yōu)或較優(yōu)值，說(shuō)明RREC算法在正確率(Acc)和F1值指標(biāo)度量下可以取得整體優(yōu)勢(shì)，尤其在較少類別的不平衡數(shù)據(jù)集，如Balance、Soybean、Glass等數(shù)據(jù)集中。

RREC算法運(yùn)用了嶺回歸集成分類決策算法計(jì)算最終的分類結(jié)果，如表15所示為5種常用的分類決策集成算法，將這5種常用算法作為嵌套集成分類器的集成分類決策算法與嶺回歸集成分類決策算法進(jìn)行性能測(cè)試對(duì)比，測(cè)試指標(biāo)為分類正確率和F1值。

表15 集成分類決策算法

針對(duì)每個(gè)測(cè)試數(shù)據(jù)集，各算法分別運(yùn)行30次求出平均正確率和F1值并進(jìn)行對(duì)比。實(shí)驗(yàn)測(cè)試結(jié)果如表16所示，對(duì)算法性能測(cè)試結(jié)果進(jìn)行分析可以發(fā)現(xiàn)在80%的測(cè)試數(shù)據(jù)集上，嶺回歸集成分類決策算法的正確率和F1值較其他集成分類決策算法取得了最優(yōu)值。

表16 集成分類決策算法測(cè)試結(jié)果

5.4 基于嵌套集成分類器的二階段精確評(píng)價(jià)計(jì)算

5.4.1 面向服務(wù)商業(yè)務(wù)協(xié)同能力評(píng)價(jià)的嵌套集成分類器構(gòu)建

利用主觀組合權(quán)重與客觀組合權(quán)重對(duì)服務(wù)商業(yè)務(wù)協(xié)同能力進(jìn)行評(píng)價(jià)，形成初始評(píng)價(jià)后，利用相同評(píng)價(jià)結(jié)果所對(duì)應(yīng)的評(píng)價(jià)指標(biāo)數(shù)據(jù)集作為訓(xùn)練和測(cè)試數(shù)據(jù)構(gòu)建嵌套集成分類器，構(gòu)建流程如圖8所示。利用訓(xùn)練后的嵌套集成分類器對(duì)服務(wù)商業(yè)務(wù)協(xié)同能力評(píng)價(jià)進(jìn)行測(cè)試，與梯度提升樹、隨機(jī)森林、Adaboost、堆疊集成分類器進(jìn)行性能對(duì)比，表17展示了各算法的評(píng)價(jià)測(cè)試結(jié)果，通過(guò)對(duì)結(jié)果分析可以看出RREC算法較其他算法在Acc和F1值兩個(gè)指標(biāo)上均取得了最優(yōu)值，這與表14中對(duì)UCI數(shù)據(jù)集的測(cè)試結(jié)果相吻合。

表17 服務(wù)商業(yè)務(wù)協(xié)同能力評(píng)價(jià)測(cè)試結(jié)果

5.4.2 嵌套集成分類器對(duì)服務(wù)商業(yè)務(wù)協(xié)同能力的精確評(píng)價(jià)

利用嵌套集成分類器對(duì)初始評(píng)價(jià)中相異評(píng)價(jià)結(jié)果進(jìn)行精確評(píng)價(jià)是構(gòu)建嵌套集成分類器的目的，將不確定的相異評(píng)價(jià)結(jié)果集作為嵌套集成分類器的輸入實(shí)現(xiàn)對(duì)服務(wù)商業(yè)務(wù)協(xié)同能力的最終評(píng)價(jià)，如圖15所示為嵌套集成分類器的精確評(píng)價(jià)結(jié)果與主觀組合權(quán)重和客觀組合權(quán)重分級(jí)的部分服務(wù)商評(píng)價(jià)結(jié)果對(duì)比，經(jīng)過(guò)對(duì)比分析發(fā)現(xiàn)，嵌套集成分類器與主觀組合權(quán)重或客觀組合權(quán)重的評(píng)價(jià)結(jié)果之一相匹配，沒(méi)有生成第3種評(píng)價(jià)結(jié)果，可以實(shí)現(xiàn)對(duì)不確定評(píng)價(jià)結(jié)果的精確評(píng)價(jià)。

6 結(jié)束語(yǔ)

服務(wù)商業(yè)務(wù)協(xié)同能力評(píng)價(jià)是制造企業(yè)進(jìn)行服務(wù)價(jià)值鏈管控的重要手段，在服務(wù)價(jià)值鏈優(yōu)化方面發(fā)揮著重要作用。本文面向制造企業(yè)對(duì)服務(wù)價(jià)值鏈管控的實(shí)際需求，研究并設(shè)計(jì)了服務(wù)商業(yè)務(wù)協(xié)同能力評(píng)價(jià)指標(biāo)體系，分析當(dāng)前主客觀權(quán)重組合模型中存在的不足，提出了融合組合賦權(quán)與嵌套集成分類器的評(píng)價(jià)模型。

基于該模型通過(guò)初始-精確兩個(gè)階段完成對(duì)服務(wù)商業(yè)務(wù)協(xié)同能力的評(píng)價(jià)，在初始評(píng)價(jià)階段中，結(jié)合多種主客觀賦權(quán)算法模型，利用基于極大熵組合賦權(quán)算法實(shí)現(xiàn)對(duì)服務(wù)商業(yè)務(wù)協(xié)同能力的一階段初始評(píng)價(jià)。在精確評(píng)價(jià)階段中，針對(duì)一階段初始評(píng)價(jià)中的不確定性評(píng)價(jià)結(jié)果，構(gòu)建基于嶺回歸集成分類決策算法的嵌套集成分類器模型，嵌套集成分類器通過(guò)在廣度和深度兩個(gè)維度進(jìn)行擴(kuò)展，保證了分類器的泛化能力和特征提取能力，并利用嶺回歸集成分類決策算法實(shí)現(xiàn)對(duì)分類決策的集成，形成對(duì)服務(wù)商業(yè)務(wù)協(xié)同能力的精確評(píng)價(jià)結(jié)果。通過(guò)開展與同類模型的對(duì)比實(shí)驗(yàn)，表明本文模型在服務(wù)商業(yè)務(wù)協(xié)同能力評(píng)價(jià)應(yīng)用方面具有較為突出的性能。

目前，本文所提出的嵌套集成分類器訓(xùn)練過(guò)程較為復(fù)雜，尤其在運(yùn)用特征選擇算法構(gòu)建差異化訓(xùn)練數(shù)據(jù)集的過(guò)程中，其時(shí)間復(fù)雜度仍然較高。如何實(shí)現(xiàn)模型在進(jìn)行特征選擇過(guò)程的同時(shí)，完成多樣化基分類器的構(gòu)建以降低時(shí)間復(fù)雜度，進(jìn)而提升模型訓(xùn)練的整體速度將成為下一階段的研究重點(diǎn)。