梁鳳鳴

泰山學(xué)院學(xué)報(bào)編輯部,山東泰安271021

基于SVM的稿件質(zhì)量評(píng)價(jià)系統(tǒng)

梁鳳鳴

泰山學(xué)院學(xué)報(bào)編輯部,山東泰安271021

分析了科技期刊稿件審理的指標(biāo)體系與SVM的基本原理，建立了基于SVM的稿件質(zhì)量評(píng)價(jià)系統(tǒng)，并應(yīng)用100個(gè)樣本對(duì)網(wǎng)絡(luò)進(jìn)行了訓(xùn)練。檢驗(yàn)結(jié)果表明，檢驗(yàn)樣本的期望輸出結(jié)果與網(wǎng)絡(luò)模型的計(jì)算結(jié)果符合較好，說(shuō)明該模型可行。

SVM;稿件質(zhì)量評(píng)價(jià)系統(tǒng)

科技期刊以發(fā)表系統(tǒng)性、專(zhuān)門(mén)性、創(chuàng)造性的學(xué)術(shù)論文為主體，以反映高水平、高質(zhì)量的科研教學(xué)成果為重點(diǎn)的期刊?？萍计诳?zé)任編輯的一項(xiàng)重要任務(wù)就是對(duì)科技期刊的總體質(zhì)量進(jìn)行有效的控制，而最有效的途徑就是專(zhuān)家審稿，專(zhuān)家通過(guò)對(duì)文稿的審閱，為期刊篩選出高質(zhì)量的文稿。專(zhuān)家審稿是保證和提高論文質(zhì)量的中心環(huán)節(jié)，是發(fā)現(xiàn)和培養(yǎng)學(xué)術(shù)新秀的重要途徑。因此，為了提高審稿質(zhì)量，使專(zhuān)家評(píng)價(jià)指標(biāo)與綜合評(píng)價(jià)指標(biāo)的評(píng)價(jià)結(jié)果分離，避免審稿結(jié)果受其他因素的影響，同時(shí)提高審稿的效率與方便性，實(shí)現(xiàn)遠(yuǎn)程審稿與網(wǎng)絡(luò)資源的共享[1]，本文在文獻(xiàn)[1]的基礎(chǔ)上建立了基于SVM的稿件質(zhì)量評(píng)價(jià)系統(tǒng)。

本文采用專(zhuān)家評(píng)價(jià)法對(duì)稿件質(zhì)量評(píng)價(jià)系統(tǒng)進(jìn)行評(píng)價(jià)，專(zhuān)家評(píng)價(jià)法是出現(xiàn)較早且應(yīng)用較廣的一種評(píng)價(jià)方法。專(zhuān)家評(píng)價(jià)法就是根據(jù)評(píng)價(jià)對(duì)象的具體情況選定評(píng)價(jià)指標(biāo)，對(duì)每個(gè)指標(biāo)均定出評(píng)價(jià)等級(jí),然后對(duì)每個(gè)等級(jí)的標(biāo)準(zhǔn)用分值來(lái)表示；專(zhuān)家對(duì)評(píng)價(jià)對(duì)象進(jìn)行分析和評(píng)價(jià)，確定各個(gè)指標(biāo)的分值。

該評(píng)價(jià)體系分為專(zhuān)家評(píng)價(jià)指標(biāo)和綜合評(píng)價(jià)指標(biāo)，并把每個(gè)評(píng)價(jià)指標(biāo)分別賦予對(duì)應(yīng)的定性模糊評(píng)價(jià)量值進(jìn)行量化。

1 評(píng)價(jià)指標(biāo)

本文選取政治性、思想性、創(chuàng)新性、學(xué)術(shù)性、科學(xué)性和實(shí)用性6項(xiàng)組成專(zhuān)家評(píng)價(jià)指標(biāo)體系。文中的綜合評(píng)價(jià)指標(biāo)采用文獻(xiàn)[1]的方法，是責(zé)任編輯根據(jù)編輯部的實(shí)際情況，參照審稿專(zhuān)家對(duì)論文從不同的側(cè)面對(duì)上述評(píng)價(jià)指標(biāo)進(jìn)行評(píng)審后所得到的結(jié)果，確定與其對(duì)應(yīng)的綜合的評(píng)價(jià)結(jié)果，每一個(gè)評(píng)價(jià)指標(biāo)的各評(píng)價(jià)元素組成的向量只能與確定的一個(gè)評(píng)價(jià)結(jié)果因素相對(duì)應(yīng)[1]。

2 評(píng)價(jià)指標(biāo)的量

根據(jù)實(shí)際情況，我們把每個(gè)評(píng)價(jià)指標(biāo)分為好、較好、一般、差等4個(gè)評(píng)價(jià)等級(jí)，并對(duì)每個(gè)評(píng)價(jià)等級(jí)賦予對(duì)應(yīng)的評(píng)價(jià)量值，用于審稿專(zhuān)家根據(jù)自己對(duì)稿件進(jìn)行判斷和選擇，最后得到一個(gè)7維的模糊向量[2-4]。

A={好，較好，一般，差};B={100，80，60，0};C=(a1，a2，a3，a4，a5，a6,b)

3 SVM評(píng)價(jià)模型

支持向量機(jī)(Support Vector machine，SVM)[4-9]作為凸二次規(guī)劃問(wèn)題的一種典型代表已經(jīng)廣泛應(yīng)用于文本識(shí)別、手寫(xiě)字體識(shí)別、人臉圖像識(shí)別、回歸分析、函數(shù)估計(jì)等領(lǐng)域。支持向量機(jī)分類(lèi)問(wèn)題的描述如下:給定樣本訓(xùn)練集，T=｛（x,y）,...,（x,y）｝，其中x∈Rm是輸入指標(biāo)向量，11nn i yi∈Y=｛1,-1｝是輸出指標(biāo)，確定Rm上的一個(gè)實(shí)值函數(shù)g（ x），使得對(duì)任意輸入x∈Rm，都可由決策函數(shù)f（x）=sign( g( x))推斷出其對(duì)應(yīng)的輸出y(1或-1)，其中sign為符號(hào)函數(shù)。

SVM理論是要求一個(gè)最優(yōu)分離超平面ωTφ(x)+b=0,其中φ(.)為Rm到另外一個(gè)空間的映射?；凇伴g隔”極大化的思想，求最優(yōu)分劃超平面的問(wèn)題即轉(zhuǎn)化為求如下關(guān)于變量ω和b的最優(yōu)化問(wèn)題[10]：

其中ξ=(ξ1,...,ξn)T為松弛變量,ω和b分別是分離超平面的法方向和截距,C＞0為間隔最大化和錯(cuò)分最小化的權(quán)衡系數(shù)。模型(1)的對(duì)偶問(wèn)題為下列二次規(guī)劃問(wèn)題：

M( M＞2)分類(lèi)問(wèn)題可描述如下：給定m個(gè)分類(lèi)訓(xùn)練樣本（x1, y1）,（x2,y2）,...,（xn,yn）,其中x∈Rm,i=1,...,n且y∈｛1,2,...,M｝,基于上述樣本構(gòu)造一個(gè)分類(lèi)函數(shù)f（x）:X=Rn→y。多分

i i

類(lèi)和二分類(lèi)問(wèn)題之間有一定的對(duì)應(yīng)關(guān)系：若M分類(lèi)問(wèn)題完全可分，則M類(lèi)中任意兩類(lèi)一定可分；反之，若其任意兩類(lèi)之間可分，則通過(guò)一定的組合或投票法則，可由兩兩可分來(lái)最終實(shí)現(xiàn)M類(lèi)可分。

基于二叉樹(shù)的SVM多分類(lèi)算法[11-12]的基本思想是將所有類(lèi)別分成兩個(gè)子類(lèi)，再將子類(lèi)劃分成兩個(gè)次級(jí)子類(lèi)，重復(fù)執(zhí)行直到所有的結(jié)點(diǎn)只包含一個(gè)單獨(dú)的類(lèi)別為止。該方法將原有的多類(lèi)問(wèn)題同樣分解成了一系列的兩類(lèi)分類(lèi)問(wèn)題，其中兩個(gè)子類(lèi)間的分類(lèi)函數(shù)采用SVM。本文中的稿件質(zhì)量三分類(lèi)問(wèn)題(60,80,100)，首先按類(lèi)別把訓(xùn)練數(shù)據(jù)集分為兩個(gè)子集SetA(80,100)和SetB(60)，對(duì)SetA的數(shù)據(jù)賦予標(biāo)號(hào)+1，SetB的數(shù)據(jù)賦予標(biāo)號(hào)-1，用此兩類(lèi)數(shù)據(jù)構(gòu)造分類(lèi)函數(shù)SVM1，進(jìn)一步對(duì)SetA中的訓(xùn)練數(shù)據(jù)集執(zhí)行相同的步驟,得到另外一個(gè)分類(lèi)函數(shù)SVM2，如圖1所示。

圖1 基于二叉樹(shù)的四分類(lèi)算法Fig.1 Four classification algorithm based on binary tree

對(duì)于一個(gè)新的樣本，用SVM1進(jìn)行分類(lèi)：如果結(jié)果為1，則表明該樣本可能屬于100,80類(lèi)中的一種；如果結(jié)果為-1，則結(jié)果為60。如果SVM1分類(lèi)結(jié)果為1，則用SVM2進(jìn)行分類(lèi)，如果結(jié)果為1，則表明該樣本類(lèi)別為100,否則為80。

為了說(shuō)明基于SVM的二叉樹(shù)多分類(lèi)算法針對(duì)稿件質(zhì)量分類(lèi)問(wèn)題的有效性，本實(shí)驗(yàn)選取了100個(gè)稿件質(zhì)量數(shù)據(jù)樣本進(jìn)行數(shù)值實(shí)驗(yàn)，程序用matlab7.10語(yǔ)言編寫(xiě)，實(shí)驗(yàn)平臺(tái)Pentium(R)，2G RAM，操作系統(tǒng)為Windows XP。

4 實(shí)例分析

本文根據(jù)《泰山學(xué)院學(xué)報(bào)》對(duì)評(píng)審稿件的要求，對(duì)稿件的思想性和政治性達(dá)到較高水平，而學(xué)術(shù)性、創(chuàng)新性、科學(xué)性、實(shí)用性要達(dá)到一般等級(jí)，參照上述7個(gè)指標(biāo)和量化原則，所有符合要求的樣本共計(jì)100個(gè),因數(shù)據(jù)較多，在此不再列出。

訓(xùn)練樣本是從100個(gè)數(shù)據(jù)樣本中隨機(jī)選取的，并把剩余的樣本作為訓(xùn)練樣本，二分類(lèi)器為L(zhǎng)ibsvm工具箱，SVM二分類(lèi)采用高斯核函數(shù)），表1列出了數(shù)據(jù)集的信息以及參數(shù)選擇信息。

表1 實(shí)驗(yàn)數(shù)據(jù)的信息Table 1 Experimental data

表2 數(shù)值結(jié)果Table 2 Numerical results

表2給出了10組隨機(jī)測(cè)試的數(shù)據(jù)結(jié)果，由表2可以看出10組數(shù)據(jù)的分類(lèi)準(zhǔn)確率集中在90%左右，最低也不低于87.5%，最高可達(dá)97.5%。因此可以說(shuō)，基于SVM的二叉樹(shù)多分類(lèi)算法對(duì)于稿件質(zhì)量評(píng)價(jià)問(wèn)題，二叉樹(shù)多分類(lèi)算法是比較有效的。

5 結(jié)語(yǔ)

本文在審稿質(zhì)量評(píng)價(jià)指標(biāo)體系的基礎(chǔ)上提出了基于SVM的二叉樹(shù)多分類(lèi)算法的稿件質(zhì)量評(píng)價(jià)模型，通過(guò)對(duì)100個(gè)樣本的訓(xùn)練，達(dá)到了期望的輸出效果。這樣在今后的審稿過(guò)程中，審稿專(zhuān)家只要根據(jù)編輯提供的審稿指標(biāo)體系以及相應(yīng)的評(píng)價(jià)因素選取相應(yīng)的值，此模型就可以根據(jù)審稿專(zhuān)家的輸入值給出期望審稿結(jié)果，這樣大大的減少審稿過(guò)程中人為因素的干擾，嚴(yán)格以稿件質(zhì)量作為稿件取舍的標(biāo)準(zhǔn)，同時(shí)，也提高了審稿專(zhuān)家在審稿認(rèn)真程度，并盡可能縮短審稿周期，為提高學(xué)報(bào)質(zhì)量把關(guān)取得了令人滿(mǎn)意的效果。

[1]趙志宏,孫守增.基于BP神經(jīng)網(wǎng)絡(luò)的稿件質(zhì)量評(píng)價(jià)系統(tǒng)[J].中國(guó)科技期刊研,2006,17(5):742-745

[2]邱浪波,劉作良,劉明.一種神經(jīng)網(wǎng)絡(luò)技術(shù)的威脅股計(jì)算法[J].空軍工程大學(xué)學(xué)報(bào)(自然科學(xué)版),2002,3(6):25-27

[3]張新紅.基于神經(jīng)網(wǎng)絡(luò)的管理信息系統(tǒng)綜合評(píng)價(jià)方法[J].系統(tǒng)工程學(xué)報(bào),2002,17(5):445-450

[4]Tseng P,Yun S W.A coordinate gradient descent method for nonsmooth separable minimization[J].Mathematical Programming,2009,(117):387–423

[5]Thomas S,Zanni L.On the working set selection in gradient projection-based decomposition techniques for support vector machines[J].Optimization Methods and Software,2005,(20):583–596

[6]Lin C J,Lucidi S,Palagil L,et al.Decomposition algorithm model for singlylinearly constrained problems subject to lower and upper bounds[J].Journal of Optimization Theory andApplication,2009,(141):107-126

[7]Lucidi S,Palagi L,RISI A,et al.A convergent decomposition algorithm for support vector machines[J].Computational Optimization andApplications,2007,38(2):217-234

[8]Tseng P,Yun S W.Acoordinate gradient descent method for linearly constrained smooth optimization and support vector machines training[J].Computational Optimization andApplications,2010,47(2):179-206

[9]李明強(qiáng).幾類(lèi)特殊凸二次規(guī)劃問(wèn)題的求解算法研究[D].青島:山東科技大學(xué)信息科學(xué)與工程學(xué)院,2013

[10]李明強(qiáng),韓叢英,賀國(guó)平.基于分解技術(shù)的并行支持向量機(jī)算法[J].中國(guó)科技論文在線-精品論文,2013,6(13):1249-1254

[11]鄧乃揚(yáng),田英杰.支持向量機(jī):理論、算法與拓展[M].北京:科學(xué)出版社,2009

[12]王永麗,韓叢英,李田,等.求解不等式約束優(yōu)化問(wèn)題無(wú)嚴(yán)格互補(bǔ)松弛條件的QP-free新算法[J].應(yīng)用數(shù)學(xué)學(xué)報(bào),2013,36(1):3-15

The Manuscript Quality Evaluation System Based on SVM

LIANG Feng-ming
Editorial Department of Journal Taishan University,Taian 271021,China

This paper analyzed the manuscripts hearing index system of scientific journals and the principle of SVM, established the manuscript quality evaluation system based on SVM,and applied 100 samples to train the network.The test results showed that the calculated results of the network model were in agreement with the expected output of test samples, which indicated that the model was feasible.

SVM;manuscript quality evaluation system

G353

A

1000-2324(2014)03-0473-03

2012-12-03

2013-03-16

山東省自然科學(xué)基金項(xiàng)目(ZR2012AL03)

梁鳳鳴(1979-),女,編輯,主要從事期刊編輯研究工作.E-mail:liang-fengming@163.com