[發(fā)明專利]一種基于貝葉斯的開放性答案決策方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201810329661.7
• 申請(qǐng)日: 2018-04-13
• 公開（公告）號(hào): CN108596800B
• 公開（公告）日: 2022-05-13
• 發(fā)明（設(shè)計(jì)）人: 王寧;暴雨晴
• 申請(qǐng)（專利權(quán)）人: 北京交通大學(xué)
• 主分類號(hào): G06Q50/20
• 分類號(hào): G06Q50/20;G06N7/00;G06F40/205;G06F40/216
• 代理公司: 北京市商泰律師事務(wù)所 11255
• 代理人: 黃曉軍

一種基于貝葉斯的開放性答案決策方法，屬于計(jì)算機(jī)程序技術(shù)領(lǐng)域。利用工人以往表現(xiàn)，建立工人質(zhì)量模型；先驗(yàn)概率預(yù)處理步驟:通過對(duì)填空內(nèi)容的預(yù)處理，當(dāng)填空內(nèi)容的加入使得候選答案個(gè)數(shù)增加后，需要對(duì)所有候選答案的先驗(yàn)概率重新計(jì)算，保障答案決策更加準(zhǔn)確；貝葉斯決策步驟；對(duì)多選題的答案決策算法進(jìn)行優(yōu)化，給出時(shí)間復(fù)雜度較低的近似算法；收到工人的答案及質(zhì)量后，先對(duì)問題候選答案及先驗(yàn)概率進(jìn)行預(yù)處理，得到處理結(jié)果后根據(jù)工人對(duì)問題的回答情況，建立貝葉斯概率模型，得出問題候選答案的后驗(yàn)概率分布；更新工人質(zhì)量模型步驟:工人質(zhì)量模型隨工人回答問題數(shù)量的變化而動(dòng)態(tài)更新，建立更新工人質(zhì)量模型，保障工人的質(zhì)量在答案決策過程中是可信的。

技術(shù)領(lǐng)域

本發(fā)明涉及一種基于貝葉斯的開放性答案決策方法，屬于計(jì)算機(jī)程序技術(shù)領(lǐng)域。

背景技術(shù)

現(xiàn)實(shí)生活中往往存在一些計(jì)算機(jī)難以處理或者處理效果不佳的問題，如給圖像打標(biāo)簽、衡量兩個(gè)記錄是不是同一個(gè)實(shí)體、評(píng)價(jià)一個(gè)商品等。這類機(jī)器難以處理的問題可以借助于眾包來完成。眾包直接將任務(wù)發(fā)布到互聯(lián)網(wǎng)上，通過集合互聯(lián)網(wǎng)上的未知大眾來解決傳統(tǒng)計(jì)算機(jī)單獨(dú)難以處理的問題。

由于工人來自不同的地域，年齡和文化背景不盡相同，回答問題的質(zhì)量難以保證。眾包平臺(tái)的任務(wù)發(fā)布者希望通過冗余的方式得到一個(gè)更可信的答案，因此會(huì)將任務(wù)發(fā)布給多個(gè)工人進(jìn)行回答，根據(jù)多個(gè)工人的答案推測出最終的結(jié)果。眾包的一個(gè)重要技術(shù)挑戰(zhàn)是在眾包工人可能給出錯(cuò)誤答案的情況下，如何進(jìn)行高質(zhì)量的答案決策。此外，眾包平臺(tái)上的任務(wù)類型是多種多樣的，有填空題、選擇題(分單選題和多選題)、選擇和填空的混合等類型，目前眾包技術(shù)中的答案決策算法主要是基于單選題類型提出的，不能兼容多種任務(wù)類型，尤其無法處理包含填空等開放性答案的任務(wù)類型。

近年來，國內(nèi)外學(xué)者對(duì)答案的決策算法進(jìn)行了大量的研究。Feng A.等人于2011年提出了MV方法，它考慮每個(gè)候選答案的工人個(gè)數(shù)，主要思想是少數(shù)服從多數(shù)，但是眾包中不同工人的經(jīng)驗(yàn)水平是不同的，MV方法沒有考慮工人質(zhì)量，因此它決策出來的答案不可靠。Xuan Liu等人于2012年提出基于貝葉斯的決策模型，它將工人的準(zhǔn)確性考慮到答案決策過程中，根據(jù)工人回答問題的準(zhǔn)確性以及答案，計(jì)算每個(gè)候選答案的后驗(yàn)概率分布，后驗(yàn)概率最大的答案作為決策答案，該方法對(duì)工人質(zhì)量采用的是固定策略，實(shí)質(zhì)上工人的質(zhì)量應(yīng)該隨著工人回答問題個(gè)數(shù)的變化而動(dòng)態(tài)改變。Amazon Mechanical Turk(AMT)是目前國內(nèi)外應(yīng)用比較廣泛的平臺(tái)，它根據(jù)工人質(zhì)量以及工人的答案，利用Expectation Maximization(EM)算法不斷迭代更新工人質(zhì)量和答案后驗(yàn)概率分布，直至后驗(yàn)概率分布收斂為止，得到最終決策的答案，由于EM算法需要大量的迭代，運(yùn)行時(shí)間較長。Jianhong Feng等人于2014年提出一個(gè)可以在保證決策質(zhì)量的同時(shí)減少運(yùn)行時(shí)間的Inquire方法，該方法對(duì)每個(gè)工人建立了一個(gè)質(zhì)量模型，用于計(jì)算工人回答問題的準(zhǔn)確性。Inquire方法的主要思想是：根據(jù)第一個(gè)工人的準(zhǔn)確性以及答案得到候選答案的后驗(yàn)概率分布，將該后驗(yàn)概率作為下一個(gè)工人回答該問題的先驗(yàn)概率，進(jìn)一步計(jì)算答案的后驗(yàn)概率，直至回答這個(gè)問題的工人個(gè)數(shù)達(dá)到要求為止；在得到最終的后驗(yàn)概率分布后，更新所有工人的質(zhì)量模型矩陣。JianhongFeng等人通過實(shí)驗(yàn)比較了各種方法，結(jié)果顯示：MV方法的準(zhǔn)確性最低，EM算法的運(yùn)行時(shí)間最長，Inquire方法的準(zhǔn)確率與EM算法的準(zhǔn)確率大致相同，但運(yùn)行時(shí)間減少了很多。此外，在現(xiàn)有的文獻(xiàn)中，多選題是通過轉(zhuǎn)換成多個(gè)單選題進(jìn)行決策的，至于填空題，則簡單地將與大多數(shù)答案都相似的答案作為決策答案。

目前眾包答案決策算法存在的問題如下：

(1)工人回答問題的準(zhǔn)確性是不斷變化的，以往對(duì)工人建立的質(zhì)量模型矩陣大小是固定的，僅適用于候選答案固定的情況。

(2)目前的答案決策方法基于單一任務(wù)類型提出，缺少能兼容多種任務(wù)類型，并能處理開放性答案的決策方法，且決策的準(zhǔn)確性和效率有待提高。

發(fā)明內(nèi)容

為了克服現(xiàn)有技術(shù)的不足,本發(fā)明提供一種基于貝葉斯的開放性答案決策方法。