28、常见的词嵌入算法有哪些？ A、嵌入层 B、TextRank C、AHP D、Glove

A、嵌入层和D、Glove都是常见的词嵌入算法。嵌入层是深度学习模型中常用的一种词嵌入方法，它通过将词语映射到低维空间上来表示词语，从而实现了词语的向量化表示。而Glove则是一种基于全局统计信息的词嵌入算法，它利用了大量的全局语料库信息来构建词向量，从而提高了词向量的质量。B、TextRank是一种文本摘要和关键词提取算法，不属于词嵌入算法。C、AHP是一种层次分析法，也不属于词嵌入算法。

相关问题

AHP有多个子准则层最后怎么算一致性检验

对于AHP中有多个子准则层的情况，一致性检验的计算方法如下：

1. 首先，将每个子准则层的判断矩阵进行一致性检验，计算每个子准则层的一致性指标RI（Random Index）。

2. 然后，将各个子准则层的一致性指标RI加权求和，得到子准则层的总一致性指标CI（Consistency Index）。

3. 接下来，计算子准则层的一致性比例CR（Consistency Ratio），即CR = CI / RI。

4. 最后，根据CR值与一致性指标RI的对比，判断子准则层的一致性状况。通常情况下，当CR值小于0.1时，可以认为子准则层具有较好的一致性。

需要注意的是，如果子准则层的一致性检验结果不理想，可以对判断矩阵进行调整或修改，直到满足一致性要求。

AHP有多个子准则层最后怎么算一致性检验的python代码

以下是用Python计算AHP多个子准则层一致性检验的示例代码：

import numpy as np

def ahp_consistency_check(matrix):
    n = matrix.shape[0]
    
    # 计算特征向量
    eig_val, eig_vec = np.linalg.eig(matrix)
    max_eig_val = max(eig_val.real)  # 获取最大特征值
    max_eig_vec = eig_vec[:, np.argmax(eig_val.real)]  # 获取对应的特征向量
    
    # 计算一致性指标CI
    ci = (max_eig_val - n) / (n - 1)
    
    # 获取随机一致性指标RI
    ri_dict = {1: 0, 2: 0, 3: 0.58, 4: 0.90, 5: 1.12, 6: 1.24, 7: 1.32, 8: 1.41, 9: 1.45}
    ri = ri_dict[n]
    
    # 计算一致性比例CR
    cr = ci / ri
    
    return ci, cr

# 示例使用的判断矩阵
matrix_1 = np.array([[1, 3, 5], [1/3, 1, 2], [1/5, 1/2, 1]])
matrix_2 = np.array([[1, 2], [1/2, 1]])

# 计算子准则层的一致性检验结果
ci_1, cr_1 = ahp_consistency_check(matrix_1)
ci_2, cr_2 = ahp_consistency_check(matrix_2)

print("子准则层1的一致性指标CI：", ci_1)
print("子准则层1的一致性比例CR：", cr_1)
print("子准则层2的一致性指标CI：", ci_2)
print("子准则层2的一致性比例CR：", cr_2)

请注意，代码中的 `matrix_1` 和 `matrix_2` 是示例使用的判断矩阵，你需要根据你的实际情况替换为自己的判断矩阵。同时，代码中假设判断矩阵是方阵，且已经通过一致性检验的要求进行了填充。