AHP层次分析法—特征权重初始化

        最近在做电商知识图谱，涉及一些商品评分，店铺GMV的计算。这些结果是由一些特征加权计算得到，因此如何初始化特征的权重就显得尤为重要。如果一味的按照经验去进行初始化权重，然后不停的A/B测试，权重调整，是一件研发成本特别高的事情。故我选用AHP来对特征权重进行初始化。

---

        一、AHP简介

        AHP 层级分析程序(Analytic Hierarchy Process,AHP)

        功能：使复杂的问题分解成各个组成要素，再将这些要素依关系分组形成简明的层级结构系统

        目的：将复杂的问题系统化，由不同层面给予层级分解，且透过量化的判断，协助决策者评估

        AHP：根据第二层评估第一层，根据第三层评估第二层

        AHP有9个评分标准：

        二、AHP计算（权重计算）   

        现在有如下场景，消费者想购买一部手机，有几个几个特征作为参考依据

        （1）评估两个特征之间的重要性，比较颜色-品牌、颜色-价位、品牌-价位三个的重要性（取值在1~9之间），假设价格的重要程度是品牌的3倍，价格的重要程度是颜色的5倍，品牌的重要程度是颜色的两倍（根据价格-品牌、价格-颜色应得品牌的重要程度是颜色的1.67倍，但是便于计算，在得到正倒矩阵时需要得到整数，故取2，这个数值的改变，会在第三节讲到，这里我们只了解如何初始化特征权重）。

                               

        （2）上述特征之间重要性的值可以对多位采访者进行问卷调查得出。若有多位受访者进行问卷，他们给出的值不同。取整的方式将用集合平均数处理，而非算数平均数。（因为一个人认为因素1/因素2是1/3，另一个人认为是3，两者均和，几何平均数是1，但是算数平均数是5/3，显然几何平均数更为合理。）

        

        几何平均适用于对比率、指数等进行平均，主要用于平均增长（变化）率，对数正态分布。

         （3）AHP计算步骤

        1、建立正倒矩阵

        2、标准化，正倒矩阵列的标准化

        3、计算AHP，矩阵每行取均值

        建立正倒矩阵    ->标准化     -> 标准化  

        计算AHP               ->计算AHP 

        好了，现在我们已经计算得到价格、品牌、颜色三个特征的权重了，但是我们要验证这个权重是否正确。

        ps：在构建正倒矩阵时，建议把各个特征按照重要性由大到小做排序，再两两计算分值。

        三、AHP校验（一致性校验）

        （1）理想的正倒矩阵，理想的正倒值矩阵具有递移性（a是b的2倍，b是c的3倍，a是c的6倍），就拿第二节的例子来说，根据价格-品牌、价格-颜色应得品牌的重要程度是颜色的1.67倍，但是便于计算，在得到正倒矩阵时需要得到整数，故取2。因此第二节得到的正倒矩阵并非理想的正倒矩阵。

        

        （2）理想的正倒矩阵每一列向量均成倍数，故无法对角话，这也是为什么买手机构建的正倒矩阵不是理想的正倒矩阵，并不是说不可以构建理想的正倒矩阵，而是说理想的正倒矩阵不能对角话，不利于后期的计算。

        

        上图是理想的正倒数矩阵的变形，由这些变形可以得出理想正倒矩阵的一些特性：

        1、理想的正倒矩阵每一列向量均呈倍数，故无法对角化

        2、理想的正倒矩阵只有一个非零的特征值，即λ

        3、理想的正倒矩阵对角线和为n，故唯一非零的特征值应为n

        （3）一致性矩阵

            

                  

        一致性矩阵具有递移性（a是b的2倍，b是c的3倍，a是c的6倍），但是现实中我们没有办法得到这样的一致性矩阵，因此我们选取正倒值矩阵来拟合一致性矩阵，同时我们定义一致性指标来表示与一致性的接近程度，只要该指标<=0.1，即可使用，判断其验证通过。

          

        目标：获得一致性矩阵——>理想的正倒矩阵——>正倒矩阵

        一致性矩阵无法得到，理想正倒矩阵拟合，理想正倒矩阵无法对角化，用正倒矩阵代替

        （4）计算校验过程

         

         上述校验过程得到CI，其值<0.1，这三个特征的权重可取。