ahp层次分析法是什么？

ahp层次分析法是指将与决策总是有关的元素分解成目标、准则、方案等层次，在此基础之上进行定性和定量分析的决策方法。

该方法是美国运筹学家匹茨堡大学教授萨蒂于20世纪70年代初，在为美国国防部研究"根据各个工业部门对国家福利的贡献大小而进行电力分配"课题时，应用网络系统理论和多目标综合评价方法，提出的一种层次权重决策分析方法。

基本原理

层次分析法根据问题的性质和要达到的总目标，将问题分解为不同的组成因素，并按照因素间的相互关联影响以及隶属关系将因素按不同层次聚集组合，形成一个多层次的分析结构模型。

从而最终使问题归结为最低层(供决策的方案、措施等)相对于最高层(总目标)的相对重要权值的确定或相对优劣次序的排定。

1、大数据情感分析是指利用大数据技术和自然语言处理技术，对海量的文本数据进行分析和挖掘，从中提取出文本中所包含的情感信息，

2、情感分析的主要目的是通过计算机技术和语言学知识，帮助人们更好地理解和分析大量的文本数据，并从中挖掘出有用的信息。

情感分类是与情绪情感有关问题的归类；情感分析是对情感情绪问题的见解与认识。

《计算机科学》 2010年07期

情感分析与认知 李维杰

摘要：分析了情感分析的3个主要步骤,包括文本情感获取与表达、文本情感分类与计算以及文本情感分析的应用。情感分析得到的结论主要是对相关观点的摘要、对相关事件态度的预测或者统计等,但这些结论都没有发挥文本情感在认知中的作用。为了将情感分析应用于认知科学,提出了情感由情感信号和情感实体组成的观点。情感信号主要是指情感的一些形式载体,比如心跳加速、脸红等这些人体内外的某些表现,表达情感的文字、、声音等这类媒体。情感实体主要是指人类对情感形成的一种共识,比如爱、恨、憎恶、高兴、羞愧、嫉妒、内疚、恐惧、焦虑等与人的意识相关联的部分。同时提出了在人工智能中利用情感信息的设想。这对于模拟情感对认知的影响具有一定的意义。

--------粘贴内容，其他未知，抱歉。

层次分析法的作用分析问题结构，确定权重，评估方案，分析决策结果等。

分析问题结构和确定权重：

AHP可以将复杂的决策问题分解成若干个层次，从而更好地理解问题的结构和关系。确定权重，AHP可以通过对各因素的比较和评价，确定各因素的权重，从而对问题进行分析和决策。

评估方案和辅助决策：

AHP可以对各个方案进行比较和评价，从而确定最佳方案。分析决策结果：AHP可以分析各因素的贡献和影响，从而对决策结果进行评估和分析。辅助决策，AHP可以为决策者提供决策依据和辅助决策，使决策结果更加科学和可靠。

方法整合：

为了实现层次分析法的最终目的，需要从上而下逐层进行各层元素对目标合成权重的计算。权重的计算有很多种方法，如特征值法、几何平均法、算术平均法等。在得出各层权重矩阵后，方案层得分则为准则层权重与各准则下方案权重乘积之和。

层次分析法简介：

层次分析法，简称AHP，是指将与决策总是有关的元素分解成目标、准则、方案等层次，在此基础之上进行定性和定量分析的决策方法。该方法是美国运筹学家匹茨堡大学教授萨蒂于20世纪70年代初，在为美国国防部研究。

根据各个工业部门对国家福利的贡献大小而进行电力分配"课题时，应用网络系统理论和多目标综合评价方法，提出的一种层次权重决策分析方法。层次分析法是指将一个复杂的多目标决策问题作为一个系统。

将目标分解为多个目标或准则，进而分解为多指标（或准则、约束）的若干层次，通过定性指标模糊量化方法算出层次单排序（权数）和总排序，以作为目标（多指标）、多方案优化决策的系统方法。

计算情感分析得分函数是预处理文本数据。

1、预处理文本数据，如去除停用词、标点符号等，进行分词和词性标注，将文本转化为计算机可处理的形式。

2、构建情感词典或使用现有的情感词典，将文本中的词语与情感词典进行匹配，计算文本中包含正面、负面和中性情感词汇的数量和权重。

3、根据算法模型，计算文本的情感极性得分，通常使用的是情感极性得分的加权平均值或者概率值。

很多人并不了解情感分析师到底是个怎样的职业，包括，某些自称是情感分析师的人。感情，是人类思维中最复杂的领域。因为感情没有标准，也难分对与错，只有爱与不爱。所以，很多只做对事的人，也有可能被所爱之人厌烦离弃；而有些常做错事的人，也照样有可能让人爱得难分难舍。

正是基于感情的复杂性，是不可能三言两语说得清的。所以，我的分析流程与绝大多数的情感分析师不同。对于首次咨询，我要求咨询者必须提供五千字以上的情况综述。综述包括个人成长经历、求学经历、工作经历、恋爱经历、家庭背景、直系亲属关系、婚恋对象情况、完整的感情发展过程、双方的原话对话记录、以及两性生活等各方面的信息。

有人可能觉得，这简直是查户口嘛。这么说还真没错，我所想要了解的信息，可能比户籍警所要了解的还细致。也为此婉拒过不少懒得写、或者写不了情况综述的咨询者。原因有三：

一、我个人认为，若一个遭遇感情难题的人，连写五千字的耐心都没有，那么，我很难相信TA在感情问题的对待上，有足够的意志和决心；又或是连写五千字的能力都没有的人，那么，我很难相信TA在相互交流的过程中，有足够的感悟力和理解力。

二、之所以先看写的，而不是去听说的，是因为，如果听，只能听一遍，我还未必记得住；而看文字，可以看几遍、甚至十几遍。这个世界上，在脑袋上画几个圈就能想出绝妙主意的人，就只有动画片里的一休。开国大将粟裕是我军百战百胜的战神，在指挥淮海战役时曾七天七夜未合眼。他在干什么？——看战报、看地图。从某种意义上讲，战争，就是两方指挥官的心理博弈，只有掌握详细和精准的战场信息，准确的分析出对战方的真实意图，自己才能做出最正确的应对。不仅是战场如此，无论在商场、职场、还是情场，概莫如此。

有足够的信息量支撑，才叫分析、推理；没有信息量支撑，那不叫分析，而是猜测、臆想。

三、感情里的很多细节需要换位思考，是要以当事人的性别、性格、思维、行事方式去思考问题。感情中的问题，其实不是事的问题，而是人的问题。只有先了解人，才有资格讨论事。

可能不少人看过我在知乎上的答复，对于公开咨询的，我并不会追问详情，答复都是从大众角度给出的。而私密分析不同，需要从感情双方的个体角度，分析具体到个人的性格、思维以及心理，而不是泛泛的男性心理、女性心理。

我常说一句话：没有任何一种方法可以解决百家问题，哪怕，是相同的问题。因为每段感情里，双方的性格对位都是不同的。什么是性格对位呢？打个俗气的比方。比如，诸葛亮的空城计，就只能由他用在司马懿身上。因为诸葛亮知道司马懿多疑，而司马懿知道诸葛亮多谋，如此，空城计才能有效。倘若是司马懿对着张飞用空城计会是什么结果？——城必破。因为以张飞鲁莽的性格，他才不管你城中有多少兵，先攻了再说。这，就是性格对位。

感情中亦是如此，在别种性格的人那里是解决问题的好方法，但未必到我们这里同样有效。

有些人以为情感分析师是份很轻松的工作，只要凭经验就能张口即来为咨询者提供建议。我不知道别人轻不轻松，我只知道自己的工作没那么轻松。经常会收到咨询者上万字的情况综述，还有少则几千、多则几万条微信、QQ等对话记录。单只是完整的看一遍，有的就需要花四五个小时，再加上思考分析的时间，往往合计是个小时以上。

读到这里，估计有不少人会感叹：你的情感分析，为何如此麻烦。

是的，很麻烦。连我本人都觉得麻烦。但真正的情感分析，原本就是个很费脑力的工作。

如果我们对自己过去所经历的事都没有一个清晰的认知，那么，我们有何资本谈掌控未来？如果我们不能转变原有的那种使自己陷入问题之中的思维，那么，我们凭什么能获得与之前不一样的结果？

我也不愿意给自己找麻烦，但深知，作为情感分析师，就需要对自己的分析负责，因为，给咨询者的每一个建议，都有可能改变其一生的感情生活轨迹。更有甚者，是生与死。

一定会有人觉得这是危言耸听。我说一个真实的事件：有一个刚入行不久的心理咨询师，在某论坛讲述自己遇到的心理咨询个案，一个女孩为情所伤，向他寻求帮助，在咨询的过程中女孩就有透露自己想要轻生的念头。这位年轻的咨询师天天安慰她，但数日之后，女孩还是选择了离开这个世界。事后还有警察登门做调查，因为女孩最后几个通话记录里有他的电话号码。然后他给警察看了与该女孩QQ里的咨询对话记录。自然，他并没有嫌疑。但他还是为此感到痛心与难过。

有人留言安慰这个年轻的咨询师：“你好心帮她，已经很尽力了，她一心求死，这不是你的责任。”

看这位咨询师的叙述，能从其行文中感觉出他是个很善良的人，所以他才会为女孩的离世深感痛心。这样一位好心人，我自然不会发言增加他的自责心理。但今天在自己的文章中，我想说是：单有好心是不行的。正是因为这位年轻咨询师的好心，断送了女孩最后的求生机会。

该女孩在结束生命之前，还肯找心理咨询师寻求心理疏导，说明她去意不绝，说明她也想摆脱这种轻生的想法。这求生与求死，就在一念之间。当一个咨询师，连咨询者的真实心理都摸不清，单只是积极安慰有何用？若是说不到当事人的心里，那么说再多正确的话、再多有理的话，也统统都是废话！一个咨询师若不能懂得咨询者的心理，那么，早早劝其求助资深咨询师，便是对咨询者最大的负责。

在我书中的序言里有一句话：作为一名情感咨询师，如果无法做到与咨询者感同身受，那便是不合适这个职业的。

监督学习

目前，基于监督学习的情感分析仍然是主流，除了（Li et al,2009）基于非负矩阵三分解（Non-negative Matrix Tri-factorization），（Abbasi et al,2008）基于遗传算法（Genetic Algorithm）的情感分析之外，使用的最多的监督学习算法是朴素贝叶斯，k最近邻（k-Nearest Neighbor，k-NN），最大熵和支持向量机的。而对于算法的改进主要在对文本的预处理阶段。

基于规则/无监督学习

和基于监督学习的情感分析相比，基于规则和无监督学习方面的研究不是很多。除了（Turney,2002）之外，（朱嫣岚 et al,2002）利用HowNet对中文词语语义的进行了情感倾向计算。（娄德成 et al,2006）利用句法结构和依存关系对中文句子语义进行了情感分析，（Hiroshi et al,2004）通过改造一个基于规则的机器翻译器实现日文短语级情感分析，（Zagibalov et al,2008）在（Turney,2002）的SO-PMI算法的基础上通过对于中文文本特征的深入分析以及引入迭代机制从而在很大程度上提高了无监督学习情感分析的准确率。

跨领域情感分析

跨领域情感分析在情感分析中是一个新兴的领域，目前在这方面的研究不是很多，主要原因是目前的研究还没有很好的解决如何寻找两个领域之间的一种映射关系，或者说如何寻找两个领域之间特征权值之间的平衡关系。对于跨领域情感分析的研究开始于（Blitzer et al,2007）将结构对应学习（Structural Correspondence Learning，SCL）引入跨领域情感分析，SCL是一种应用范围很广的跨领域文本分析算法，SCL的目的是将训练集上的特征尽量对应到测试集中。（Tan et al,2009）将SCL引入了中文跨领域情感分析中。（Tan2 et al,2009）提出将朴素贝叶斯和EM算法的一种半监督学习方法应用到了跨领域的情感分析中。（Wu et al,2009）将基于EM的思想将图排序（Graph Ranking）算法应用到跨领域的情感分析中，图排序算法可以认为是一种迭代的k-NN