一种群体中个体的评价系统技术领域
本发明涉及群体中个体的评价技术，尤其涉及用于分析一个群体中个体的某个
主观方面(例如个体情感、个人能力、公司招聘以及内部的绩效考核等需要人员对
比性的领域)上的对比指数的评价系统。
背景技术
对于群体中个体的判断，如果是具有硬性分数的指标，则往往比较简单，直接
按照分数进行排序是最为简单客观的方法；有些时候，我们需要对一个群体中每一
个的员工在比较主观的方面做出一个对比性的判断，例如员工的绩效排名、一个学
生在班级里的受欢迎程度、一个人在社会上的受尊敬程度等，此时就很难做出一个
绝对客观的方案，一般在这种情况下，个体的评分都建立在其他个体对他的评价上。
个体的评价是比较主观的判断，主要表现为以下几个方面：
1.个体评价的好坏程度，亦即得分情况，如何使得得分客观？
2.多个个体评价如何做综合计算？如果不同的个体做出了截然相反的判断该
如何处理？
3.每个个体评价的权重应该如何分配才算合理？
4.如何处理个体的评价中存在偏离现实的情况？有两种情况，第一种是主观
的偏离，出于一些其他目的故意做出错误的评价；第二种是客观的偏离，亦即做出
评价的人本身的不足导致做出的判断有误。
现行比较通用的有两种方法：
1.权威法
有一个或者若干个权威来打分，则每个人的分数为被打分分数或者按照一定规
则下分数集合的一个加权平均值。现实中的模型有一个人说了算，或者几个人说了
算，去掉最高最低取平均值等。
权威法的优点是：权威水平越高，则此时分数越接近实际，而往往权威水平是
高的。
权威法的缺点是：一旦权威本身不客观，则会使得结果变得极其不客观。
如何选取权威的过程变得复杂，具有人为的操作空间。
2.普选法
由全体成员参与打分，然后按照一定的规则取分数集合的加权平均值。
普选法的优点：体现了全体人员的意志，比权威法更具客观性。
普选法的缺点：抹杀了个体判断力的区别；个体很难对不熟悉的做出客观的评
价，容易被引导。
基于以上理由，评价的公正性随着被评价人员的排名的降低而客观性直线降
低；排名越高的越客观，越低的甚至于失去了客观性。
除去上述的缺点外，以上两种方法，更适用于一个群体对于群体中一部分的个
体进行比较，而不适用于对于群体中所有个体的比较评价。因为无论作为权威的个
人还是作为普通的个人，都无法对群体中每个个体都很了解。
发明内容
本发明的目的在于解决上述问题，提供了一种群体中个体的评价系统，克服了
个体评价在主观性上的缺陷。
本发明的技术方案为：本发明揭示了一种群体中个体的评价系统，包括个体评
价实施模块、个体评价计算模块、个体分数计算模块，其中：
所述个体评价实施模块，个体对群体中的其他个体进行独立的投票；
所述个体评价计算模块，连接所述个体评价实施模块，根据所述个体评价实施
模块中的投票行为计算投票数据；
所述个体分数计算模块，根据投票数据计算每个个体的得分。
根据本发明的群体中个体的评价系统的一实施例，在所述个体评价实施模块
中，个体对群体中的其他个体的投票的值为布尔值。
根据本发明的群体中个体的评价系统的一实施例，在所述个体评价实施模块
中，个体对其熟悉的其他个体进行投票。
根据本发明的群体中个体的评价系统的一实施例，在所述个体评价实施模块
中，个体在符合预设的规则下被允许对同一个体进行重复投票。
根据本发明的群体中个体的评价系统的一实施例，所述个体评价计算模块包括
被投票人集合查询单元、投票次数统计单元、投票权重计算单元，其中：
所述被投票人集合查询单元，查询所有投票人为当前个体的投票，计算出投票
人为当前个体的所有被投票人的集合；
所述投票次数统计单元，连接所述被投票人集合查询单元，遍历投票人为当前
个体的所有被投票人的集合，统计当前被投票人的投票次数；
所述投票权重计算单元，连接所述投票次数统计单元，通过当前投票人的投票
总数和当前被投票人的被投票次数计算投票权重。
根据本发明的群体中个体的评价系统的一实施例，所述个体分数计算模块包括
投票链集合计算单元、投票链得分计算单元、个体得分计算单元，其中：
所述投票链集合计算单元，按照群体中所有个体的投票计算投票链集合；
所述投票链得分计算单元，连接所述投票链集合计算单元，按照投票权重计算
投票链集合中每条投票链的得分；
所述个体得分计算单元，连接所述投票链得分计算单元，找到投票链集合中最
后一个个体为当前个体的投票链，计算当前个体的得分。
根据本发明的群体中个体的评价系统的一实施例，所述个体分数计算模块还包
括：
衰弱因子计算单元，连接在所述投票链得分计算单元和所述个体得分计算单元
之间，按照每条投票链的长度以及衰弱因子重新计算投票链的得分。
本发明对比现有技术有如下的有益效果：本发明的系统是计算一个群体中各个
人员在特定方面的重要度排序，在群体中的每个个体只需要对自己熟悉的人员进行
简化的评价，就能客观的计算出每个个体在此方面上在群体中的排名。对比现有技
术，本发明的系统能够在一个群体中个体的某个主观方面的评价给出科学、合理的
指标。
附图说明
图1是本发明的群体中个体的评价系统的第一实施例的原理图。
图2是本发明的群体中个体的评价系统的第二实施例的原理图。
图3是本发明的系统的总体运行的流程图。
图4是本发明的个体评价计算模块的运行流程图。
图5是本发明的个体分数计算模块的运行流程图。
图6是本发明的四个个体组成的群体的实例示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的描述。
群体中个体的评价系统的第一实施例
图1示出了本发明的群体中个体的评价系统的第一实施例的构成。请参见图1，
本实施例的系统包括个体评价实施模块10、个体评价计算模块12、个体分数计算
模块14。个体评价计算模块12包括被投票人集合查询单元120、投票次数统计单
元122、投票权重计算单元124。个体分数计算模块14包括投票链集合计算单元
140、投票链得分计算单元142、个体得分计算单元144。
模块之间的连接关系如图1所示，个体评价实施模块10、个体评价计算模块
12、个体分数计算模块14是依序连接的。在个体评价计算模块12中，被投票人集
合查询单元120、投票次数统计单元122、投票权重计算单元124是依序连接的。
在个体分数计算模块14中，投票链集合计算单元140、投票链得分计算单元142、
个体得分计算单元144是依序连接的。
在描述各个模块的功能之前，首先对本系统所涉及的原则进行说明：
(1)个体的得分是建立在其他个体对他的评价的基础之上的。
(2)每个个体之间随着熟悉程度的提高，则做出的评价越接近现实。
(3)不客观的个体判断是存在的，越容易被主观引导不客观评价的个体评价
越倾向于偏低。
(4)个体间的评价是有权重区分的，被评价越高的个体所做的评价越接近现
实。
(5)对于不同类型的评价，则个体间的权重区分是有差别的，例如喜欢程度
差别较小，人各有所爱；又例如信任程度，则信任度越高的个体所信任的个体更值
得信任。
请同时参见图3的系统总体运行流程，个体评价实施模块10中完成的工作是
由个体对群体中的其他个体进行独立的投票。
在本发明中，投票是指一个个体对另外一个个体的肯定的评价。所谓个体，可
以是被评价的对象，也可以评价其他个体，具有多个评价维度。而群体就是若干个
个体的集合。
在个体评价实施模块10中，个体对群体中的其他个体的投票的值为布尔值，
即肯定或是否定，因为维度的值域的层次结构可由群体中个体的排序体现。个体不
需要对群体中所有的个体进行判断，只需要对其熟悉的个体进行投票，这体现了上
述的原则(2)。个体对于不同的其他的个体的看法有可能有程度上的区分，因此
允许个体在符合预设的规则下对同一个体进行重复投票。
个体评价实施模块10简化了评价行为，每个个体都是评价和被评价对象；每
个个体只需做出简单的二维判断；每个只需对自己熟悉的人做出判断。因此降低了
个体做出判断的复杂度，提高了判断的客观性。
之后，由个体评价计算模块12运行，根据所述个体评价实施模块中的投票行
为计算投票数据。个体评价计算模块12的运行流程如图4所示。
被投票人集合查询单元120查询所有投票人为当前个体的投票，计算出投票人
为当前个体的所有被投票人的集合。
记群体S中有n个个体{P1，P2....Pn-1，Pn}，把个体Pi给个体Pj的投票记为(Pi→Pj)，
则通过评价实施模块，系统中投票的集合V为
且Pi投票给了Pj}，其中(Pi→Pj)有可能重复存在。
对于个体Pi，从集合V中找出所有投票人为Pi的投票。
投票次数统计单元122遍历投票人为当前个体的所有被投票人的集合，统计当
前被投票人的投票次数。
对于找出的所有投票人为Pi的投票，即Pi的被投票个体集合，
投票权重计算单元124通过当前投票人的投票总数和当前被投票人的被投票
次数计算投票权重。
在此假设个体Pi给个体集合Si{Pi1，Pi2...Pin}投过票，次数分别为{N1，N2...Nn}。
则Pi投票给个体的权重计算公式为：
Pi→Pix{Pix∈Si}＝Nx{个体Pi给个体Pix的投票次数}/(N1+N2+...Nn)
遍历所有群体S中所有的个体。按照以上方法计算出所有个体对于他所投票
的个体的投票分数。此时，生成了新的投票的集合Vnew，表述为
且Pi投票给了Pj}，其中任意的投票(Pi→Pj)都是唯一的，而
且可能具有不同的投票权重。
最后，通过个体分数计算模块14，根据投票数据计算每个个体的得分。在个
体分数计算模块14中，按照以下方式来计算个体得分：(1)个体的得分来自被投
票分数的累加；(2)投票是可以传递的，这样被投票越多的人所投出的票的权重
越大；(3)个体的总体权重是恒定的，投票越多，则每次投票的权重越小。
为了区别不同个体的投票权重，本发明引入了以下概念：
1.直接投票。A-＞B，则称A直接投票给B
2.间接投票。A-＞B，B-＞C则称A间接投票给C
3.投票链。A-＞B，B-＞C，则称A-＞B，B-＞C，A-＞B-＞C为投票链
第3点中的投票链遵循以下的两个原则：
(1).在投票链条中，每个用户在一条链条中只能出现一次。
如a-＞b，b-＞a，a-＞c是合法的，a-＞b-＞a是不合法的
(2).允许两条链条中，出现一样的元素，只是由于元素之间的排序不同。
投票是有方向性的，亦即投票链的顺序是有意义的。
例如a-＞b，b-＞a，a-＞c，b-＞c，则：a-＞b-＞c，b-＞a-＞c都是合法的。
个体分数计算模块14的运行流程如图5所示。
投票链集合计算单元140按照群体中所有个体的投票计算投票链集合。在本实
施例中，群体中m个个体组成的投票链：Link＝Pi1→Pi2....→Pim-1→Pim，其中
Pii(i∈{1，m})为群体S任意一个个体。
投票链得分计算单元142按照投票权重计算投票链集合中每条投票链的得分。
此投票链中总共有m-1次直接投票。记Wmn为个体Pim给个体Pin的投票权重，
Wmn的取值范围为{0，1}；0代表个体Pim没有投票给个体Pin，1代表个体Pim只投票给
了个体Pin。
则此投票链的得分计算公式为：Scorelink＝Wi1i2*Wi2i3*...*Wim-2im-1*Wim-1im。
个体得分计算单元144找到投票链集合中最后一个个体为当前个体的投票链，
计算当前个体的得分。
个体Pi分数计算公式为：
Scorei＝∑Scorelink{link∈投票链全集，且link的最后一个个体为Pi}+1。
本实施例的分数计算方法也对于不客观情形做出了有效的制约：
1.对于主观的不客观，分为两种情况。
a.做出过好的评价。如果个体的权重大，则发生这种事的概率就比较小，如
果个体权重小，则对整体评价影响不大。
b.做出过差的评价。这个没有操作空间，因为在此评价系统中，个体的主动
动作只能让其他个体更好，而不能变得更差。
2.对于客观的不客观因素，则因为出于能力而导致评价偏离的人本身权重比
较低，故对整体的影响不大。
群体中个体的评价系统的第二实施例
图2示出了本发明的群体中个体的评价系统的第二实施例的构成。请参见图2，
本实施例的系统包括个体评价实施模块20、个体评价计算模块22、个体分数计算
模块24。个体评价计算模块22包括被投票人集合查询单元220、投票次数统计单
元222、投票权重计算单元224。个体分数计算模块24包括投票链集合计算单元
240、投票链得分计算单元242、个体得分计算单元244、衰弱因子计算单元246。
模块之间的连接关系如图2所示，个体评价实施模块20、个体评价计算模块
22、个体分数计算模块24是依序连接的。在个体评价计算模块22中，被投票人集
合查询单元220、投票次数统计单元222、投票权重计算单元224是依序连接的。
在个体分数计算模块24中，投票链集合计算单元240、投票链得分计算单元242、
衰弱因子计算单元246、个体得分计算单元244是依序连接的。
在描述各个模块的功能之前，首先对本系统所涉及的原则进行说明：
(1)个体的得分是建立在其他个体对他的评价的基础之上的。
(2)每个个体之间随着熟悉程度的提高，则做出的评价越接近现实。
(3)不客观的个体判断是存在的，越容易被主观引导不客观评价的个体评价
越倾向于偏低。
(4)个体间的评价是有权重区分的，被评价越高的个体所做的评价越接近现
实。
(5)对于不同类型的评价，则个体间的权重区分是有差别的，例如喜欢程度
差别较小，人各有所爱；又例如信任程度，则信任度越高的个体所信任的个体更值
得信任。
请同时参见图3的系统总体运行流程，个体评价实施模块20中完成的工作是
由个体对群体中的其他个体进行独立的投票。
在本发明中，投票是指一个个体对另外一个个体的肯定的评价。所谓个体，可
以是被评价的对象，也可以评价其他个体，具有多个评价维度。而群体就是若干个
个体的集合。
在个体评价实施模块20中，个体对群体中的其他个体的投票的值为布尔值，
即肯定或是否定，因为维度的值域的层次结构可由群体中个体的排序体现。个体不
需要对群体中所有的个体进行判断，只需要对其熟悉的个体进行投票，这体现了上
述的原则(2)。个体对于不同的其他的个体的看法有可能有程度上的区分，因此
允许个体在符合预设的规则下对同一个体进行重复投票。
个体评价实施模块20简化了评价行为，每个个体都是评价和被评价对象；每
个个体只需做出简单的二维判断；每个只需对自己熟悉的人做出判断。因此降低了
个体做出判断的复杂度，提高了判断的客观性。
之后，由个体评价计算模块22运行，根据所述个体评价实施模块中的投票行
为计算投票数据。个体评价计算模块22的运行流程如图4所示。
被投票人集合查询单元220查询所有投票人为当前个体的投票，计算出投票人
为当前个体的所有被投票人的集合。
记群体S中有n个个体{P1，P2....Pn-1，Pn}，把个体Pi给个体Pj的投票记为(Pi→Pj)，
则通过评价实施模块，系统中投票的集合V为
且Pi投票给了Pj}，其中(Pi→Pj)有可能重复存在。
对于个体Pi，从集合V中找出所有投票人为Pi的投票。
投票次数统计单元222遍历投票人为当前个体的所有被投票人的集合，统计当
前被投票人的投票次数。
对于找出的所有投票人为Pi的投票，即Pi的被投票个体集合，
投票权重计算单元224通过当前投票人的投票总数和当前被投票人的被投票
次数计算投票权重。
在此假设个体Pi给个体集合Si{Pi1，Pi2...Pin}投过票，次数分别为{N1，N2...Nn}。
则Pi投票给个体的权重计算公式为：
Pi→Pix{Pix∈Si}＝Nx{个体Pi给个体Pix的投票次数}/(N1+N2+...Nn)
遍历所有群体S中所有的个体。按照以上方法计算出所有个体对于他所投票
的个体的投票分数。此时，生成了新的投票的集合Vnew，表述为
且Pi投票给了Pj}，其中任意的投票(Pi→Pj)都是唯一的，而
且可能具有不同的投票权重。
最后，通过个体分数计算模块24，根据投票数据计算每个个体的得分。在个
体分数计算模块24中，按照以下方式来计算个体得分：(1)个体的得分来自被投
票分数的累加；(2)投票是可以传递的，这样被投票越多的人所投出的票的权重
越大；(3)个体的总体权重是恒定的，投票越多，则每次投票的权重越小。
为了区别不同个体的投票权重，本发明引入了以下概念：
1.直接投票。A-＞B，则称A直接投票给B
2.间接投票。A-＞B，B-＞C则称A间接投票给C
3.投票链。A-＞B，B-＞C，则称A-＞B，B-＞C，A-＞B-＞C为投票链
第3点中的投票链遵循以下的两个原则：
(1).在投票链条中，每个用户在一条链条中只能出现一次。
如a-＞b，b-＞a，a-＞c是合法的，a-＞b-＞a是不合法的
(2).允许两条链条中，出现一样的元素，只是由于元素之间的排序不同。
投票是有方向性的，亦即投票链的顺序是有意义的。
例如a-＞b，b-＞a，a-＞c，b-＞c，则：a-＞b-＞c，b-＞a-＞c都是合法的。
个体分数计算模块24的运行流程如图5所示。
投票链集合计算单元240按照群体中所有个体的投票计算投票链集合。在本实
施例中，群体中m个个体组成的投票链：Link＝Pi1→Pi2....→Pim-1→Pim，其中
Pii(i∈{1，m})为群体S任意一个个体。
投票链得分计算单元242按照投票权重计算投票链集合中每条投票链的得分。
此投票链中总共有m-1次直接投票。记Wmn为个体Pim给个体Pin的投票权重，
Wmn的取值范围为{0，1}；0代表个体Pim没有投票给个体Pin，1代表个体Pim只投票给
了个体Pin。
对于不同类型的投票，个体的判断的区别度是不一致的，在本实施例中引入衰
弱因子的概念，记衰弱因子为σ∈{0，1}。在衰弱因子计算单元246中，间接的投票
的分数将随着投票链长度的增大而逐渐衰弱，记投票链的长度为d。此时投票链公
式变形为：
Score1link＝Wi1i2*Wi2i3*...*Wim-2im-1*Wim-1im*σd
个体得分计算单元244找到投票链集合中最后一个个体为当前个体的投票链，
计算当前个体的得分。
个体Pi分数计算公式为：
Scorei＝∑Score1link{link∈投票链全集，且link的最后一个个体为Pi}+1。
本实施例的分数计算方法也对于不客观情形做出了有效的制约：
1.对于主观的不客观，分为两种情况。
a.做出过好的评价。如果个体的权重大，则发生这种事的概率就比较小，如
果个体权重小，则对整体评价影响不大。
b.做出过差的评价。这个没有操作空间，因为在此评价系统中，个体的主动
动作只能让其他个体更好，而不能变得更差。
2.对于客观的不客观因素，则因为出于能力而导致评价偏离的人本身权重比
较低，故对整体的影响不大。
本发明的实例
假设图6为由四个个体组成的群体，每个箭头代表了个体对另外一个个体的投
票。
假设此次投票的维度为信任度，假设此时的衰弱因子的经验值为1
ScoreA＝1*0.3(C-＞A)+1*0.5(D-＞A)+1*0.5*1*0.3(D-＞C-＞A)+
1*0.3*1*0.5(C-＞D-＞A)+1＝2.1
ScoreB＝1*1(A-＞B)+1*0.4(C-＞B)+1*0.3*1*1(C-＞A-＞B)+1*
0.5*1*1(D-＞A-＞B)+1*0.5*1*0.3*1*1(D-＞C-＞A-＞B)+
1*0.3*1*0.5*1*1(C-＞D-＞A-＞B)+1*0.5*1*0.4(D-＞C-＞A)+1＝3.7
ScoreC＝1*0.5(D-＞C)+1＝1.5
ScoreD＝1*0.3(C-＞D)+1＝1.3
由上可以得出结论：通过个体A，B，C，D的理性投票，得出的此群体的受
信任的排名为B，A，C，D。
上述实施例是提供给本领域普通技术人员来实现和使用本发明的，本领域普通
技术人员可在不脱离本发明的发明思想的情况下，对上述实施例做出种种修改或变
化，因而本发明的发明范围并不被上述实施例所限，而应该是符合权利要求书所提
到的创新性特征的最大范围。