基于联邦学习的薪资计算方法、装置、设备及存储介质制造方法及图纸

本申请公开了一种基于联邦学习的薪资计算方法、装置、设备及存储介质，应用于薪资管理技术领域，用于提高计算员工薪资的效率。本申请提供的方法包括：创建薪资计算任务；基于所述薪资基础信息，从薪资聚合服务器获取薪资聚合参数；基于所述薪资聚合参数，获取本地数据库的人力成本数据，并将所述人力成本数据输入到参数计算神经网络，得到员工业绩参数和薪资阈值数据；基于所述薪资阈值数据，生成薪资阈值区间，并基于所述薪资阈值区间，生成薪资计算公式；根据所述薪资聚合参数和所述员工业绩参数，通过所述薪资计算公式计算得到员工薪资。资。资。

【技术实现步骤摘要】
基于联邦学习的薪资计算方法、装置、设备及存储介质


[0001]本申请涉及薪资管理
，尤其涉及一种基于联邦学习的薪资计算方法、装置、设备及存储介质。

技术介绍

[0002]企业计算员工的薪资的方式通常会设定人员基本薪资，按照薪资加项属性和薪资减项属性，根据薪资加项属性和薪资减项属性以及人员基本信息生成薪资计算公式，按照薪资计算公式计算得到员工的薪资。
[0003]其中，人员基本薪资是根据员工的岗位、工作经验等属性人为设置，缺少统一的计算标准，并且不能反映员工的真实工作水平。
[0004]并且，不同层级的员工的不同情况，造成绩效比较的基础也不同，进而使得奖金等绩效的参数标准也不同，在员工的数量众多的情况下，薪资计算的数量也愈发巨大，造成薪资计算过程费时费力，效率较低。

技术实现思路

[0005]本申请提供一种基于联邦学习的薪资计算方法、装置、设备及存储介质，以提高员工薪资的计算效率。
[0006]一种基于联邦学习的薪资计算方法，包括：
[0007]所述应用端创建薪资计算任务，其中，所述薪资计算任务包括薪资基础信息，所述薪资基础信息包括行业信息和岗位信息；
[0008]所述本地参与方模型基于所述薪资基础信息，从薪资聚合服务器获取薪资聚合参数，其中，所述薪资聚合服务器和所述本地参与方模型基于联邦学习模型构建；
[0009]所述本地参与方模型基于所述薪资聚合参数，获取本地数据库的人力成本数据，并将所述人力成本数据输入到参数计算神经网络，得到员工业绩参数和薪资阈值数据，其中，所述参数计算神经网络基于卷积神经网络构建；
[0010]所述应用端基于所述薪资阈值数据，生成薪资阈值区间，并基于所述薪资阈值区间，生成薪资计算公式；
[0011]所述应用端根据所述薪资聚合参数和所述员工业绩参数，通过所述薪资计算公式计算得到员工薪资。
[0012]一种基于联邦学习的薪资计算装置，包括：
[0013]薪资任务创建模块，用于所述应用端创建薪资计算任务，其中，所述薪资计算任务包括薪资基础信息，所述薪资基础信息包括行业信息和岗位信息；
[0014]聚合参数获取模块，用于所述本地参与方模型基于所述薪资基础信息，从薪资聚合服务器获取薪资聚合参数，其中，所述薪资聚合服务器和所述本地参与方模型基于联邦学习模型构建；
[0015]参数计算模块，用于所述本地参与方模型基于所述薪资聚合参数，获取本地数据
库的人力成本数据，并将所述人力成本数据输入到参数计算神经网络，得到员工业绩参数和薪资阈值数据，其中，所述参数计算神经网络基于卷积神经网络构建；
[0016]公式生成模块，用于所述应用端基于所述薪资阈值数据，生成薪资阈值区间，并基于所述薪资阈值区间，生成薪资计算公式；
[0017]薪资计算模块，用于所述应用端根据所述薪资聚合参数和所述员工业绩参数，通过所述薪资计算公式计算得到员工薪资。
[0018]一种计算机设备，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于联邦学习的薪资计算方法的步骤。
[0019]一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于联邦学习的薪资计算方法的步骤。
[0020]本申请提供的基于联邦学习的薪资计算方法、装置、计算机设备及存储介质，通过联邦学习模型构建薪资聚合服务器和本地参与方服务器，通过薪资聚合服务器计算得到薪资聚合参数，在本地数据库基于薪资聚合参数获取本地数据库的人力成本数据，将人力成本数据输入到本地参与方模型中的参数计算神经网络，得到员工业绩参数和薪资阈值数据；基于薪资阈值数据的限定关系，生成薪资计算公式，将员工业绩参数和薪资聚合参数输入到薪资计算公式，则计算得到员工薪资，根据联邦学习模型聚合得到薪资聚合参数，并通过参数计算神经网络计算得到员工业绩参数，避免了人工录入员工业绩信息，人工计算出员工业绩信息，根据自动生成的薪资计算公式，计算得到员工薪资，提高员工薪资的计算效率，并能有效保证员工薪资的准确性。
附图说明
[0021]为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0022]图1是本申请一实施例中基于联邦学习的薪资计算方法的一应用环境示意图；
[0023]图2是本申请一实施例中基于联邦学习的薪资计算方法的一流程图；
[0024]图3是本申请一实施例中基于联邦学习的薪资计算装置的结构示意图；
[0025]图4是本申请一实施例中计算机设备的一示意图。
具体实施方式
[0026]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0027]本申请实施例提供的基于联邦学习的薪资计算方法，可应用在如图1的应用环境中，其中，终端设备通过网络与服务器进行通信。其中，终端设备可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器
或者是多个服务器组成的服务器集群来实现。
[0028]系统框架100可以包括终端设备、网络和服务器。网络用以在终端设备和服务器之间提供通信链路的介质。网络可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
[0029]用户可以使用终端设备通过网络与服务器交互，以接收或者发送消息等。
[0030]终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Eperts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Eperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
[0031]服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
[0032]需要说明的是，本申请实施例所提供的基于联邦学习的薪资计算方法由服务器执行，相应地，基于联邦学习的薪资计算装置设置于服务器中。
[0033]应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的，根据实现需要，可以具有任意数目的终端设备、网络和服务器，本申请实施例中的终端设备具体可以对应的是实际生产中的应用系统。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于联邦学习的薪资计算方法，其特征在于，所述方法应用于薪资计算系统，所述薪资计算系统包括应用端、薪资聚合服务器和本地参与方模型所述方法包括：所述应用端创建薪资计算任务，其中，所述薪资计算任务包括薪资基础信息，所述薪资基础信息包括行业信息和岗位信息；所述本地参与方模型基于所述薪资基础信息，从薪资聚合服务器获取薪资聚合参数，其中，所述薪资聚合服务器和所述本地参与方模型基于联邦学习模型构建；所述本地参与方模型基于所述薪资聚合参数，获取本地数据库的人力成本数据，并将所述人力成本数据输入到参数计算神经网络，得到员工业绩参数和薪资阈值数据，其中，所述参数计算神经网络基于卷积神经网络构建；所述应用端基于所述薪资阈值数据，生成薪资阈值区间，并基于所述薪资阈值区间，生成薪资计算公式；所述应用端根据所述薪资聚合参数和所述员工业绩参数，通过所述薪资计算公式计算得到员工薪资。2.根据权利要求1所述的基于联邦学习的薪资计算方法，其特征在于，所述基于联邦学习模型构建的薪资聚合服务器和本地参与方模型的方法包括：所述薪资聚合服务器将初始模型参数发送给本地参与方模型，其中，所述本地参与方模型由属于同一领域的至少两个薪资计算对象构建；所述薪资聚合服务器接收所述本地参与方模型发送的加密梯度信息，并对所述加密梯度信息进行聚合，得到加密聚合参数；所述本地参与方模型基于所述加密聚合参数进行本地模型更新，得到本地薪资计算模型以及本地模型更新参数，将所述本地模型更新参数发送给所述薪资聚合服务器，并基于所述薪资计算模型构建薪资计算系统。3.根据权利要求1所述的基于联邦学习的薪资计算方法，其特征在于，所述薪资聚合参数的类型包括基础薪资参数、间接薪资参数、可变薪资参数和薪资计算因子。4.根据权利要求3所述的基于联邦学习的薪资计算方法，其特征在于，所述本地参与方模型基于所述薪资聚合参数，获取本地数据库的人力成本数据，并将所述人力成本数据输入到卷积神经网络，得到员工业绩参数和薪资阈值数据包括：获取本地数据库的人力成本数据，按照所述薪资聚合参数的类型，将所述人力成本数据划分为人力成本数据集、绩效数据集、企业福利数据集和企业目标数据集；将所述薪资计算因子分别与所述人力成本数据集、所述绩效数据集、所述企业福利数据集合所述企业目标数据集共同输入到卷积神经网络中，依次得到薪资阈值数据、工作能力参数、福利参数和间接薪资参数；将所述工作能力参数、所述福利参数和所述间接薪资参数作为员工业绩参数。5.根据权利要求1所述的基于联邦学习的薪资计算方法，其特征在于，所述应用端基于所述薪资阈值数据，生成薪资阈值区间，并基于所述薪资阈值区间，生成薪资计算公式包括：基于所述薪资阈值数据，生成薪资阈值区间；根据所述薪资阈值区间以及薪资计算规则，生成薪资计算方程，并将所述薪资计...

【专利技术属性】
技术研发人员：陈晓红，陈杰，徐雪松，胡东滨，李亮亮，
申请(专利权)人：湖南红普创新科技发展有限公司，
类型：发明
国别省市：