A novel method based on probabilistic linguistic term sets and its application in ranking products through online ratings
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In practical decision-making problems, the coexistence of several complex situations increases the difficulty for decision makers to make reasonable decision, such as attributes outnumber alternatives, heterogeneous relationships among multiple attributes, and individual risk tendency of decision maker. In view of the advantage of probabilistic linguistic term sets (PLTSs) in presenting qualitative information, a novel decision-making approach with PLTSs is constructed to deal with the above special situations simultaneously. To realize this goal, some basic models have been proposed. First of all, to truly reflect the importance of attributes from the heterogeneous relationships, a weight determination model with generalized Banzhaf values is developed to analyze the interaction between combinations of attributes. Then, for analyzing the individual risk tendency of decision maker, the generalized Banzhaf TODIM method with PLTSs is constructed. Moreover, based on the above research results, the generalized Banzhaf TODIM-QUALIFLEX method with PLTSs is developed to solve decision-making problems where the number of attributes exceeds the number of alternatives, the combinations of attributes are interacted with each other, and decision maker is affected by individual risk propensity. Lastly, smartphones selection through online ratings is a typical case of decision-making problems with the above situations, which is designed to illustrate the performance of the proposed method. And its rationality and advantages are further demonstrated through some comparative analyses with other methods.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,042 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle