[发明专利]基于SVM学习模型的科技期刊来稿质量评价系统

说明书

本发明公开了一种基于SVM学习模型的科技期刊来稿质量评价系统，步骤1，获取若干专家的专家评价指标；步骤2，将每个专家的评价指标建立以下集合量：步骤3，将若干专家集合C作为训练样本，输入装有SVM学习模型的计算机中，得到SVM分类器；步骤4，根据步骤3得到的SVM分类器，决定该稿件是否录用；这样大大的减少审稿过程中人为因素的干扰，严格以稿件质量作为稿件取舍的标准，同时，也提高了审稿专家的审稿认真程度，并缩短审稿周期，提高科技期刊的质量。

技术领域

本发明涉及计算机应用工程技术领域，尤其涉及科技期刊来稿质量评价系统。

背景技术

科技期刊以发表系统性、专门性、创造性的学术论文为主体，以反映高水平、高质量的科研教学成果为重点的期刊。科技期刊责任编辑的一项重要任务就是对科技期刊的总体质量进行有效的控制，而最有效的途径就是专家审稿和专家评价。通过专家对文稿的审阅，为期刊筛选出高质量的文稿。专家评价法是出现较早且应用较广的一种评价方法。专家评价法就是根据评价对象的具体情况选定评价指标，由若干专家分别对每个指标定出评价等级, 等级分为好，较好，一般，差四类，并用分值100，80，60，0来表示；传统的审稿过程是经人工粗略统计计算，总分值达到某个分值以上的稿件，确定为可刊登的稿件。这种传统方法往往受人为因素的干扰，使评价等级不符合实际状况，影响审稿质量；同时依靠大量，审稿的效率也低。

本发明与SVM有关。SVM (Support Vector Machine)中文名为支持向量机，是常见的一种判别方法。在机器学习领域，通常用来进行模式识别、分类以及回归分析,是数据挖掘领域的有监督的经典学习模型。下面作一简单介绍：

SVM分类问题的描述如下:给定样本训练集，，其中是输入指标向量，是输出指标，确定上的一个实值函数，使得对任意输入，都可由决策函数推断出其对应的输出，其中为符号函数,等等。

分类问题可描述如下：给定个分类训练样本,其中且,基于上述样本构造一个分类函数。多分类和二分类问题之间有一定的对应关系：若分类问题完全可分，则类中任意两类一定可分；反之，若其任意两类之间可分，则通过一定的组合或投票法则，可由两两可分来最终实现类可分。

基于二叉树的SVM多分类算法的基本思想是将所有类别分成两个子类，再将子类划分成两个次级子类，重复执行直到所有的结点只包含一个单独的类别为止。该方法将原有的多类问题同样分解成了一系列的两类分类问题，其中两个子类间的分类函数采用SVM。

目前，在科技期刊来稿质量评价方面还没有人建立基于SVM学习模型的评价系统。

发明内容

为了提高审稿质量，使专家评价指标与综合评价指标的评价结果分离，避免审稿结果受其他因素的影响，同时提高审稿的效率与方便性，实现远程审稿与网络资源的共享，提出一种基于SVM学习模型的科技期刊来稿质量评价系统。

本发明为解决上述技术问题采用以下技术方案：

一种基于SVM学习模型的科技期刊来稿质量评价系统，具体包含如下步骤：

步骤1，获取若干专家的；所述的专家评价指标，是按照传统的专家评价法得到的评价指标，包括政治性、思想性、创新性、学术性、科学性和实用性6项评价内容，每个评价指标分为好、较好、一般、差等4个评价等级，将6项评价内容的4个评价等级赋予对应的定性模糊评价量值，4个评价等级的定性模糊评价量值分别为100，80，60，0；

步骤2，将每个专家的评价指标建立以下集合量：

A={好，较好，一般，差};B={100，80，60，0};C=(a₁，a₂，a₃，a₄，a₅，a_6, b)