曹滔宇,熊永平,史夢潔,徐會芳,谷紀亭

1(北京郵電大學(xué) 網(wǎng)絡(luò)與交換技術(shù)國家重點實驗室,北京 100876)

2(中國電力科學(xué)研究院有限公司 人工智能應(yīng)用研究所,北京 102209)

3(國網(wǎng)浙江省電力有限公司 經(jīng)濟技術(shù)研究院,杭州 310001)

近些年來,從國家到地方,各領(lǐng)域各企事業(yè)單位都投入大量人力、物力開展科研和產(chǎn)業(yè)建設(shè),在項目招標(biāo)、申報、實施、驗收等階段,都離不開遴選出相關(guān)專家進行評審.隨著國家經(jīng)濟發(fā)展和科技管理水平的提高,各級單位每年立項的科技項目數(shù)量快速增加,以自然基金委的科研項目為例,僅在2019年國家自然科學(xué)基金項目申請集中接收期間,國家自然科學(xué)基金委員會共計接收項目申請達到了240 711 項,而國家電網(wǎng)總公司每年立項的科技項目也有300 余項,可見在短時間內(nèi)對科技項目展開評審工作的任務(wù)量是極為繁重的.

隨著項目管理流程的日益規(guī)范化,如今在項目的立項論證、中期檢查、成果驗收、成果評價等多個環(huán)節(jié)都需要組織相關(guān)專家進行會審.為了提高項目評審的效率,目前各公司及單位普遍采用分組評審的策略,但由于技術(shù)領(lǐng)域的日益細分和跨學(xué)科技術(shù)的廣泛應(yīng)用,導(dǎo)致從業(yè)務(wù)和管理維度進行分組評審?fù)鶗姑總€組的項目跨越較多的技術(shù)領(lǐng)域,因此必須遴選出一組契合這些技術(shù)領(lǐng)域的專家才能實現(xiàn)對該組項目的有效評審.

目前傳統(tǒng)專家遴選的方式普遍由人工作業(yè)完成,在成千上萬的專家?guī)熘袡z索出合適的專家組合十分具有挑戰(zhàn)性.由于候選專家排列組合的方案數(shù)巨大,因此在有限時間內(nèi)找出合適的專家團體變得十分困難,亟需找到一種能合理為科技項目評審工作匹配出評審專家組合的解決方案,以克服人工遴選專家方式所帶來的種種弊端.

考慮到在分組項目評審過程中往往同時有多個項目和多位專家,應(yīng)為科技項目選出有限數(shù)量的評審專家,使得這些專家組合成的評審團體可以較好地契合項目所涉及的各個相關(guān)領(lǐng)域.本文首先將該問題建模為一個典型的組合優(yōu)化問題,通過將項目和專家映射到技術(shù)領(lǐng)域建立起科技項目和評審專家所對應(yīng)于專業(yè)領(lǐng)域上的離散分布,進而基于余弦相似度函數(shù)來量化評價該組科技項目和評審專家組之間的匹配度.鑒于該類組合優(yōu)化問題往往在多項式級時間復(fù)雜度上無法有效求解,因此本文提出了基于貪心迭代搜索的GIS算法,該算法主要采用了多輪迭代搜索最優(yōu)部分解來組合形成全局最優(yōu)解的策略以實現(xiàn)找出最優(yōu)專家組合的目的.本文最終將GIS 算法分別在國家電網(wǎng)專家?guī)旒捌錃v史立項科技項目真實數(shù)據(jù)集上進行了實驗驗證,并研究了專家?guī)齑笮　㈩I(lǐng)域數(shù)量、項目數(shù)量等不同因素對算法的影響,結(jié)果表明本文提出的GIS 算法能在較短的時間內(nèi)找到較優(yōu)的評審專家組合方案.

1 相關(guān)工作

近些年來,已有不少相關(guān)學(xué)者對專家推薦問題進行過深入的研究,其中也不乏一些十分具有代表性的專家推薦方法,目前的專家推薦方法大體可分為兩類:第一類是針對專家獨立推薦的研究,其主要思想是在推薦一位或多位專家時,主要考慮將專家以獨立個體的方式推薦得出,即每位專家都與當(dāng)前待評審項目存在一定程度上的強相關(guān)關(guān)系,但不考慮所推薦專家形成組合后的整體情況;第二類則是針對專家組合推薦的研究,一般是在限定若干約束條件的情況下推薦出由多位專家組成的專家團體,該專家團體實現(xiàn)了對于當(dāng)前待評審項目能達到組合最優(yōu)的評審效果,但其中每位專家則不必精通每個待評審項目,下面簡要介紹在基于上述兩種研究思路下當(dāng)前已有的相關(guān)工作.

基于專家獨立推薦的研究:文獻[1–5]均通過提出一種科技項目評審專家推薦系統(tǒng)模型,該模型在挖掘文本信息的基礎(chǔ)上運用關(guān)鍵詞提取、特征權(quán)重計算等相關(guān)算法,得到科技項目的多維度特征信息,然后通過計算其與專家在詞條上的相似度,并綜合專家參評項目經(jīng)驗及專家業(yè)務(wù)能力等因素,最終使用基于內(nèi)容推薦、協(xié)同過濾推薦以及專家評分加權(quán)因子相融合的混合推薦模型,計算出每位專家的綜合評分,再根據(jù)設(shè)定的閾值以及推薦指數(shù)從高到低產(chǎn)生推薦專家名單實現(xiàn)了對科技專家的高效遴選;文獻[6–11]均通過提出了一種基于文本分類模型的方式來實現(xiàn)專家自動推薦的效果,主要借助有監(jiān)督或無監(jiān)督的方式建立起專家知識模型來判斷出評審專家的主要研究領(lǐng)域和評審項目的專業(yè)領(lǐng)域,再將評審項目的專業(yè)領(lǐng)域與評審專家的研究領(lǐng)域按相似性自動匹配,最終達到對評審專家精準(zhǔn)推薦的目的;文獻[12–14]主要提出了一種基于主題模型的評審專家協(xié)同推薦方法,即借助隱含狄利克雷分布模型構(gòu)建主題特征空間,并利用特征提取算法分別獲得項目文檔與專家文檔的主題特征向量,計算項目與專家主題特征向量的相關(guān)度并取項目相關(guān)度較髙的專家作為推薦結(jié)果.

基于專家組合推薦的研究:文獻[15–18]主要通過將項目與專家抽象為二分圖網(wǎng)絡(luò)模型,由網(wǎng)絡(luò)節(jié)點的關(guān)聯(lián)性出發(fā),提出了一種基于相似度傳播的復(fù)雜網(wǎng)絡(luò)節(jié)點匹配方法,通過借助圖論中的KM 算法、最大流匹配算法等方式實現(xiàn)節(jié)點間分組匹配的目的,最終設(shè)計出項目與專家的多重匹配算法;文獻[19]提出一種基于語義挖掘的科技項目評審專家智能推薦方法,為一個或多個項目自動推薦生成候選專家列表;文獻[20]提出一種適用于求解通用最大權(quán)完美匹配的智能優(yōu)化方法,該方法能自適應(yīng)地從改進的離散粒子群策略以及模擬退火策略中選擇適用于當(dāng)前演化過程的有效策略,并在保持種群穩(wěn)定進化的同時促使種群快速收斂.

綜上所述,對于獨立推薦專家的方式來說,其主要關(guān)注點為挖掘?qū)＜遗c項目的知識信息,并使用混合加權(quán)的方式來計算每個專家的綜合得分,最終基于該分數(shù)實現(xiàn)推薦.但這種方式難以保證由多個高評分專家組合而成的團體也能契合實際項目需求,具體來說,當(dāng)這些高評分專家均僅擅長于特定領(lǐng)域且彼此相似時,那么此時的專家組合雖能滿足每位專家最優(yōu),但卻無法保證該組合整體足夠適合于當(dāng)前項目的評審需求.而基于專家組合推薦的方式則避免了這種情況的發(fā)生,其實現(xiàn)方式主要是將項目和專家的關(guān)聯(lián)關(guān)系抽象成二部圖網(wǎng)絡(luò)模型,進而考慮使用如完美匹配、最大流匹配等圖論算法實現(xiàn)專家遴選,但這類算法常常由于具有較高的時間復(fù)雜度而難以將其應(yīng)用到大規(guī)模數(shù)據(jù)集上.為此基于上述考慮,本文設(shè)計了一種拋棄傳統(tǒng)二部圖網(wǎng)絡(luò)結(jié)構(gòu)的專家組合推薦策略,并最終將其運用到較大的數(shù)據(jù)集上實現(xiàn)了科技項目與評審專家的多重匹配.

2 問題定義

本文在考慮實際分組項目評審的情況下將該匹配問題進一步抽象描述如下:

當(dāng)前共有n個待審批科技項目,用集合P={P1,P2,···,Pi,···,Pn}來表示;專家?guī)熘泄灿衜位專家,用集合E={E1,E2,···,Ei,···,Em}來表示;項目集合P與專家集合E共涉及l(fā)個專業(yè)領(lǐng)域,用集合F={F1,F2,···,Fi,···,Fl}來表示.

由于任意一個科技項目Pi都與若干專業(yè)領(lǐng)域有一定的相關(guān)性,這里記矩陣WPF來表示項目集合P與領(lǐng)域集合F的相關(guān)性矩陣,其中WPF中的第i行j列的元素wij表示科技項目Pi與專業(yè)領(lǐng)域Fj之間的相關(guān)度,特別地,當(dāng)wij的值為零時表示科技項目Pi與專業(yè)領(lǐng)域Fj之間沒有關(guān)聯(lián)關(guān)系.

同理,因為任意一名候選專家Ei都有其所擅長的研究領(lǐng)域,所以仍可以得到矩陣WEF來表示專家集合E與領(lǐng)域集合F的相關(guān)性,矩陣WEF表示如下:

假設(shè)每個科技項目Pi都有其所關(guān)聯(lián)的專業(yè)領(lǐng)域FPi={Fx1,Fx2,···},對應(yīng)于WPF中第i行數(shù)據(jù)WiPF=(wi1,wi2,···,wil),那么對于當(dāng)前待評審的項目集合P={P1,P2,···,Pi,···,Pn}來說,該組項目所關(guān)聯(lián)的專業(yè)領(lǐng)域FP可表示為對應(yīng)到矩陣WPF即可得到能反映出項目集合所關(guān)聯(lián)專業(yè)領(lǐng)域的離散分布,記該離散分布為D(P),則其計算方式可定義為:

同理,若對已選出的k位專家所組成的集合E(k)={Ex1,Ex2,···,Exk}進行考慮,其中每位專家Ei所擅長的專業(yè)領(lǐng)域FEi={Fx1,Fx2,···},那么同樣可以找到能反映該專家團體E(k)主 要研究方向的離散分布D(E(k)),其計算方法如下所示:

為了定義所遴選出的專家與待評審項目的匹配程度,本文提出了一種評價函數(shù)S(P,E(k))來衡量當(dāng)前選出的專家子集E(k)對項目集合P的匹配度.該評價函數(shù)能夠滿足:當(dāng)項目集合P所涉及專業(yè)領(lǐng)域與專家子集E(k)研究方向足夠契合時,S(P,E(k))始終能給出較高的評價,反之則會給出較低的評價,這樣即可認為選定專家子集E(k)來評審該組科技項目是比較合適的.

因此可以借助前文所定義的離散分布D(E(k))來表示專家子集E(k)的專業(yè)能力分布,D(P)用來表示項目集合P所涉及到的研究領(lǐng)域分布,這樣通過將兩者信息映射到共同的專業(yè)領(lǐng)域維度上之后,便可以進一步分析D(E(k))與D(P)兩個離散分布間的匹配度.顯然當(dāng)兩個離散分布越“相似”時匹配度應(yīng)當(dāng)越高,但考慮到用于衡量D(E(k))和D(P)兩個離散分布相似性的方式有很多,如基于歐氏距離、交叉熵、余弦相似度等函數(shù),然而對于描述了專家子集E(k)專 業(yè)能力和項目集合P研究領(lǐng)域的兩個離散分布來說,D(E(k))和D(P)之間的差異不應(yīng)受到其具體數(shù)值大小的影響,而應(yīng)該側(cè)重關(guān)注于兩分布間整體趨勢及結(jié)構(gòu)上的相似性,那么選用余弦相似度來定義此需求下兩種離散分布的相似性是較為合適的.因為根據(jù)余弦相似度函數(shù)的特性可知,當(dāng)把兩個離散分布映射成高維空間上的向量后,此時這兩個向量的相似性將不再受到自身模值的影響,而僅僅取決于其夾角的大小.反映到離散分布上而言,只有當(dāng)兩個分布的整體趨勢及結(jié)構(gòu)足夠相似時,即使兩個分布之間具體數(shù)值可能相差若干倍,但在余弦相似度函數(shù)的度量下,仍會認為這兩個離散分布是相似的,這樣也就限制了評價函數(shù)將側(cè)重關(guān)注專家子集E(k)的所包含的主要研究領(lǐng)域與項目集合P所涉及的研究方向的契合性,以便能保證選定該專家團體來評審當(dāng)前科技項目是完全合適的,而若采用如歐氏距離、交叉熵等作為評價函數(shù)時則無法滿足此項特性.故綜合上述考慮,本文最終定義用于衡量當(dāng)前選出的專家子集E(k)與項目集合P之間匹配度的評價函數(shù)S(P,E(k))為:

離散分布間結(jié)構(gòu)相似性的度量方式如圖1.

圖1 離散分布間結(jié)構(gòu)相似性的度量方式

3 貪心迭代搜索算法

通過上一節(jié)的定義,顯然能計算出任意一組科技項目與評審專家集之間的匹配度大小,那么E(k)便可以通過枚舉E的所有k元素子集并代入評價函數(shù)S(P,E(k))中以找到最優(yōu)的匹配方案.但這樣做其實在實際應(yīng)用中是無法實現(xiàn)的,因為通過窮舉集集合E的所有k元素子集E(k)其 解的數(shù)量便高達種,而現(xiàn)實評審狀況則往往是專家?guī)靸?nèi)候選評審專家數(shù)目m是比較大的,同時也需要選出一定數(shù)量的專家構(gòu)成最終的評審專家團體,那么上述方案將無法在可接受的時間范圍內(nèi)求解,對此本節(jié)將介紹一種貪心迭代搜索算法(Greedy Iterative Search,GIS)以實現(xiàn)最優(yōu)專家組合的高效遴選.

假設(shè)本組待審的科技項目集合記為P,候選專家?guī)靸?nèi)所有評審專家集合記為E,最終需要在E中匹配到一個包含k名評審專家的組合E(k)來完成本期科技項目的評審工作.GIS 算法的主要思想則是找出某個專家團體E(k)使得S(P,E(k))最大,在保證當(dāng)前所選出的評審專家團體能達到較高匹配度的前提下,算法每輪都會從未選擇的專家?guī)熘刑暨x出若干名專家加入到當(dāng)前的評審專家團體中,并從中刪去評價較低的專家組合方案,下一輪將繼續(xù)在本輪更新后的解集中繼續(xù)加入更多的專家實現(xiàn)評審團體的擴充,以此類推不斷迭代直至產(chǎn)生出若干組評價較高且人數(shù)符合預(yù)期的評審專家組合,最終GIS 算法將在該集合中選出最優(yōu)的專家團體E(k)來作為其所找出的評審專家團體.

由此定義GIS 算法的具體實現(xiàn)步驟如算法1.

算法1.貪心迭代搜索算法topKG0={E(0)1,E(0)2,···,E(0)topK}1)定義搜索參數(shù),初始化當(dāng)前解集集合 ;G E(t)ie,(e?E(t)i )E(t)i →E(t+1)iE(t+1)i S(P,E(t+1)i )topKGt+1 2)遍歷解集集合,對每個專家團體 嘗試加入專家,使得發(fā)生的轉(zhuǎn)變,并對當(dāng)前得到的所有新專家團體 計算,并取其中評價最高的組加入到集合中;E(t)iE(t+1)i Gt+1 Gt+1={E(t+1)11,E(t+1)12,···,E(t+1)1topK,···,E(t+1)topK1,E(t+1)topK2,···,E(t+1)topKtopK}3)重復(fù)步驟2)使得所有專家團體 都求出相應(yīng)的并將其全部加入集合中,最終將得到;S(P,E(t+1))Gt+1 topK 4)根據(jù)的評價進一步削減集合的大小,使該解集集合所包含可能解的數(shù)量仍為最優(yōu)的組;Gt→Gt+1 G0→G1→···→Gk 5)至此由上述步驟已完成了一輪的轉(zhuǎn)變,算法將繼續(xù)迭代直到產(chǎn)生 ;GkS(P,E(k))E(k)=Max(Gk)E(k)6)在集合中找出能使 評價最高的專家團體,此專家團體 即為GIS 算法的最終輸出.

分析GIS 算法的執(zhí)行流程可知,該算法的主要運算成本集中在步驟2)～5)上,其中步驟2)將會迭代topK次,步驟3)和步驟4)迭代m次,步驟5)迭代k次,故GIS 算法整體的平均復(fù)雜度為O (topK×m×k),該復(fù)雜度遠小于枚舉法的時間復(fù)雜度(約為O (mk)).考慮到在實際的分組項目評審需求背景下,一般m的范圍是104量級,k的實際取值最大不會超過50,topK的可選區(qū)間亦一般不超過102量級,故本文提出的GIS 算法在極端條件下的運算成本約為107～108次,這在目前的計算設(shè)備下普遍可以在分鐘內(nèi)完成,已經(jīng)具有一定的實際可行性.

4 實驗分析

為了驗證GIS 算法的有效性,本文使用了真實的電力行業(yè)科技項目評審數(shù)據(jù)集進行實驗.圖2是GIS算法的搜索過程.該數(shù)據(jù)集共包含有8364 名電力行業(yè)資深專家,涉及127個電力行業(yè)相關(guān)研究領(lǐng)域,項目數(shù)據(jù)包含過去3年內(nèi)國家電網(wǎng)總公司立項的科技項目共912 項,其中科技項目共分為90 組,每組包含的項目從5個到20個不等,每個項目所涉及的專業(yè)領(lǐng)域也均在上述127個電力行業(yè)研究領(lǐng)域之內(nèi).本節(jié)將通過使用該數(shù)據(jù)集來測試GIS 算法對于解決專家遴選問題的表現(xiàn),并結(jié)合蠻力搜索算法、RandomSelect 算法和GradualSubtract 算法作為baseline 構(gòu)成對比實驗以綜合分析出GIS 算法的有效性.其中RandomSelect 算法的基本思想是每次從專家?guī)熘须S機挑選一名專家,使得該專家加入當(dāng)前專家團體后,專家團體的評價分數(shù)能得到提升,依此原則不斷地挑選出指定數(shù)目的專家即可;GradualSubtract 算法的主要思想則是每次都會從當(dāng)前未被選擇的專家中找出一名研究領(lǐng)域最多覆蓋于當(dāng)前項目的專家,并將其加入到評審專家團體中,然后從項目中刪除這些技術(shù)領(lǐng)域,接下來再重復(fù)地尋找下一位專家,直至構(gòu)建出最終的評審專家團體.

圖2 GIS 算法的搜索過程

4.1 蠻力搜索算法的可行性

本節(jié)通過使用蠻力搜索算法(Brute Force Search,BFS)構(gòu)成對比實驗,分析其與本文提出的GIS 算法應(yīng)用在真實場景下的可行性.鑒于BFS 算法在專家總量稍大時便會帶來巨大的耗時,所以本次實驗僅選取了150 位專家為全部候選專家,測試其在面對包含1 至10個科技項目的評審工作時,BFS 算法和GIS 算法所能達到的匹配度及耗時情況.特別地,由于分組評審工作中所需的評審專家數(shù)目與其所包含的科技項目數(shù)目一般為1:1 配置,所以本章所進行的實驗也將默認采取這種設(shè)定.

圖3和圖4展示了在逐漸改變實驗中每組評審工作中所包含的科技項目數(shù)量的情況下,BFS 算法和GIS算法各自的耗時及匹配度表現(xiàn).不難發(fā)現(xiàn)當(dāng)采用BFS算法后,雖候選專家的總量僅有150個,但面對包含4個科技項目的評審需求時,便難以在可接受的時間尺度上找出一種合適的評審專家組合方案;相比之下,本文提出的GIS 算法則能保證在盡量少的耗時下達到與BFS 算法一致的匹配度表現(xiàn),可見該算法有處理較大數(shù)據(jù)集的潛力,能應(yīng)用于現(xiàn)實情景下的實際需求.

圖3 BFS 算法和GIS 算法的耗時對比

圖4 BFS 算法和GIS 算法的匹配度對比

4.2 專家?guī)齑笮〉挠绊?/h3>

本節(jié)將測試在逐漸改變專家?guī)齑笮〉那闆r下,分析GIS 算法對于包含20個科技項目的評審工作需求時的表現(xiàn)情況,圖5和圖6記錄了實驗過程中RandomSelect算法、GradualSubtract 算法和GIS 算法的匹配度及耗時表現(xiàn).通過對比不難分析出當(dāng)專家總量逐漸增大時,GIS 算法所找出的專家組合方案的匹配度會逐漸升高,直至專家總量達到2000 左右時趨于穩(wěn)定;相比之下,RandomSelect 算法與GradualSubtract 算法的匹配度表現(xiàn)則較差,其中RandomSelect 算法的匹配度一直處于0.5 到0.6的范圍內(nèi)上下波動,而GradualSubtract 算法的匹配度雖在不斷升高,但其提升速度及穩(wěn)定上限相比于GIS 算法仍有一定差距.

考慮算法的運行時間而言,當(dāng)K值為30 時GIS 算法的耗時最多,而將K值下調(diào)至5 后GIS 算法的整體耗時便能顯著下降.值得注意的是,雖然此時GIS 算法的整體耗時仍略多于RandomSelect 算法和GradualSubtract算法,但不難發(fā)現(xiàn)其匹配度表現(xiàn)已經(jīng)有了較大幅度的提升.

圖5 改變專家?guī)齑笮rGIS 算法的匹配度表現(xiàn)

圖6 改變專家?guī)齑笮rGIS 算法的耗時表現(xiàn)

4.3 領(lǐng)域數(shù)量的影響

本節(jié)將通過調(diào)整每組評審工作中包含的20個科技項目所涉及專業(yè)領(lǐng)域的數(shù)目,探究領(lǐng)域數(shù)量對于本文所提出的GIS 算法的影響,如圖7和圖8.由實驗中匹配度曲線和耗時曲線不難看出,當(dāng)逐漸增大項目所涉及的領(lǐng)域數(shù)量后,RandomSelect 算法、GradualSubtract算法和GIS 算法的耗時曲線基本處于穩(wěn)定狀態(tài),雖個別情況下有小范圍的波動,但總體上這3 種算法的耗時表現(xiàn)均不會受領(lǐng)域數(shù)量變化的影響.

同時根據(jù)匹配度曲線亦可以發(fā)現(xiàn),RandomSelect算法的匹配度表現(xiàn)會隨著領(lǐng)域數(shù)量的增多而出現(xiàn)明顯下降,GradualSubtract 算法的表現(xiàn)則相對穩(wěn)定,其匹配度曲線在發(fā)展趨勢上并未出現(xiàn)明顯變化.相比之下,本文提出的GIS 算法的表現(xiàn)最好,其匹配度曲線始終能保持在較高位且整個過程中十分穩(wěn)定,所以本實驗證實了通過改變領(lǐng)域數(shù)量不會對GIS 算法的匹配度表現(xiàn)產(chǎn)生根本性影響.

圖7 改變領(lǐng)域數(shù)目時GIS 算法的耗時表現(xiàn)

圖8 改變領(lǐng)域數(shù)目時GIS 算法的匹配度表現(xiàn)

4.4 項目數(shù)量的影響

本節(jié)最后將通過改變每期評審工作中所包含科技項目的數(shù)量測試其對GIS 算法的影響,圖9和圖10記錄了實驗過程中在逐漸增大項目數(shù)量后RandomSelect算法、GradualSubtract 算法和GIS 算法的表現(xiàn).不難看出當(dāng)項目數(shù)量逐漸增大時,RandomSelect算法和GradualSubtract 算法的耗時相對較少,而K值為5的GIS 算法耗時則略多,且隨著科技項目數(shù)量的增加,K值設(shè)置的越大GIS 算法的耗時增長越為迅速.

同樣對比這3 種算法的匹配度曲線可知,GIS 算法相比于RandomSelect 算法和GradualSubtract 算法的表現(xiàn)更好,且增大K值后GIS 算法的表現(xiàn)仍會有小幅提升.其中GradualSubtract 算法的匹配度表現(xiàn)最高時可達到0.88的匹配度,而RandomSelect 算法最高時僅達到0.66的匹配度,且其整體表現(xiàn)較不穩(wěn)定;相比之下GIS 算法的匹配度表現(xiàn)則更加穩(wěn)定且優(yōu)異,其匹配度始終能保持在0.95 左右.

圖9 改變項目數(shù)量時GIS 算法的耗時表現(xiàn)

圖10 改變項目數(shù)量時GIS 算法的匹配度表現(xiàn)

5 結(jié)束語

本文提出了在分組項目評審的背景下求解最優(yōu)評審專家組合的GIS 算法,該算法主要通過約束貪心算法的搜索空間,多輪迭代后找出契合本期項目評審需求的專家團體.通過借助電力行業(yè)數(shù)據(jù)集對該分組項目評審專家遴選問題進行實驗分析,結(jié)果表明本文提出的GIS 算法在計算耗時和計算效果上均有較好的表現(xiàn),可以將其應(yīng)用到實際的科技項目評審工作之中.