本文介绍了一种将启发式评估法集成到层次分析法层次框架中的方法，并提供了多种决策制定的例子。

May, 2022

本研究提出了平行和分级策略以及传播策略来优化多属性决策问题，介绍了相对重要性和传播性等启发式，并对印度高中行政因素进行案例分析，最终得出了传播效果在 14.43% 左右的最佳策略。

Jul, 2023

该论文提出了一种基于物理学原理的模型和高效算法，用于推断有向网络中节点的层次排名，并介绍了一种更精确的排名方式，并提供了一种对强度进行统计显著性检验的方法，应用于预测边的存在性和方向，并在实际和合成数据上分析展示出算法的效率与可扩展度。

Sep, 2017

提出一种非参数贝叶斯因子回归模型，考虑因子个数的不确定性和因子间的关系，通过 Kingman coalescent 基于因子的分层模型，将其与 sparse Indian Buffet Process 相结合，应用于基因表达数据分析中的因子分析和因子回归问题。

Aug, 2009

本文提出一种基于众包的层次结构构建系统，包括不确定性建模和用信息增益准则选择问题的方法，实验结果表明该系统具有噪声鲁棒性、高效性和高质量的层次结构。

Apr, 2015

基于 TOPSIS 和优化模型的方法用于环境中的多属性群体决策。通过最小化个体评价与所有专家的整体一致评价之间的差异的总和，建立新的优化模型以确定专家权重；基于 TOPSIS 方法，得出改进的评价指标用于评估每个备选方案；最后，通过建立优化模型来确定属性权重，将其纳入评价指标以对备选方案进行排名。综合以上步骤，提出了完整的模糊多属性群体决策算法，能充分发挥主观和客观权重方法的优势。通过实际案例研究验证了所提供方法的可行性和有效性。

Nov, 2023

本文提出一种使用多准则决策制定方法学习模式排名功能的方法，其中将不同的趣味度度量聚合成单个加权线性排名函数，使用交互式学习过程。该方法基于层次分析过程（AHP）和一组用户排名的模式来构建偏好矩阵，比较根据用户特定趣味度而言的测量的重要性。在广受欢迎的数据集上进行的实验表明，与现有技术相比，该方法显著减少运行时间并返回精确模式排名，同时对用户误差具有鲁棒性。

Mar, 2022

研究如何使用 Hierarchical Interdisciplinary Research Proposal Classification Network (HIRPCN) 开发一个自动的跨学科课题路径检测系统，该系统使用分层变压器来提取文本语义信息，并使用 GNN 学习每个领域的特征表示，以提取跨学科知识和实现级别预测。在三个实际数据集上的实验和专家评估中，表明我们提出的模型的有效性。

Sep, 2022

本文介绍了一种名为 Feature Importance Ranking Measure（FIRM）的方法，通过回顾性分析任意学习机器，该方法能够达到优秀的预测性能和优越的解释性。与标准的原始特征加权不同，FIRM 考虑了特征之间的相关性结构。因此，它能够发现最相关的特征，即使它们在训练数据中的出现完全被噪声阻止。

Jun, 2009

基于 Shapley 值的 ShaRP 框架用于解释特征对排序结果的贡献，展示了即使排名算法使用已知和线性的评分函数，特征的权重也不能与其 Shapley 值对应，而是依赖于特征分布和评分特征之间微妙的局部交互。ShaRP 在多个感兴趣的指标（包括分数、排名、成对偏好和前 k 个）上计算特征的贡献，并能解释基于分数和学习排序模型。通过实际和合成数据集的大量实验证明了 ShaRP 的有用性。

Jan, 2024