System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及一种基于数据离散化和标签融合方法判别企业员工潜力的新型框架实现方法,属于多任务学习、数据离散化和多标签学习方法。
技术介绍
1、简单地依赖企业员工的绩效评估其工作能力并不准确,因为员工的表现受多种因素影响,比如项目类型和工作内容。有些员工在某些项目或工作内容中的绩效得分低,并不意味着他们能力不足,而可能只是因为该项工作并不适合他们。因此,迫切需要一种能够评估员工在不同工作领域能力的方法,以便将员工调配到最适合他们的岗位上。
技术实现思路
1、本专利技术旨在解决企业员工能力的问题,通过挖掘员工潜力,并将其合理调配到适合的岗位。为实现此目标,本专利技术综合运用了多任务学习、数据离散化和多标签融合学习方法,提出了一种创新且高效的深度学习方法。
2、本专利技术为实现上述专利技术目的采用如下技术方案:一种基于数据离散化和标签融合方法判别企业员工潜力的新型框架实现方法,该方法包括如下步骤:
3、1)本专利技术使用代表企业员工绩效数据中的所有历史数据,代表数据中所有员工的集合,代表数据中所有绩效指标的集合。
4、2)为了从员工绩效中准确得知员工的能力,我们旨在建立员工绩效得分与员工能力得分之间的等价关系,即员工绩效得分等于员工能力得分。然而,考虑到以下两种情况:首先,员工对经常被考核的考核指标更加重视,而对不经常被考核的指标不够重视。这种差异使得这些考核指标不能充分代表员工的真实能力。其次,如果员工在某项考核指标上得分相近,无论得分高低,都不能准
5、针对第一个问题,指标影响力的概念被引入。指标影响力旨在体现某项指标在员工心中的重视程度。具体公式如下:
6、
7、其中c(x1)表示指标出现次数为x1时,该项指标的指标影响力;α1、β1和γ1均为函数的系数。
8、针对第二个问题,我们采用信息熵来衡量员工在某项考核指标上得分的相近程度。信息熵是描述信息中不确定性的度量,随机变量的不确定性越高,熵越高。首先,所有员工在该考核指标上的得分通过线性规则映射为1到5之间的整数分值。然后,通过计算该考核指标得分分布的信息熵来判断该指标对员工能力的反映程度。我们将这种反映程度称为能力真实度。具体公式如下:
9、
10、其中d(x2)表示评分分布为x2的绩效指标的能力真实度;h(x2)表示评分分布为x2的绩效指标的信息熵;α2和β2均为函数的系数。
11、3)连续特征离散化可以减少数据的波动对模型性能的影响,从而增强模型的鲁棒性。因此我们首先将指标影响力和能力真实度用最大-最小归一化方法进行归一化,随后利用如下公式将连续数值转化为离散的标签。
12、
13、其中n表示标签分组的数量;t(pnorm;n)表示n个标签分组中指标影响力或能力真实度的所属标签。
14、4)综合以上分析,考核指标的得分应是员工、考核指标、指标影响力和能力真实度的共同作用结果。指标影响力和能力真实度是影响员工在考核指标得分上的细分因素,而考核指标的得分受到的影响应由这两者融合而成的因素所决定,因此它们应该作为一个整体考虑。因此,可以用如下公式来表达:
15、ebdw=f1(ebdu,ebdi,ebdp)
16、ebdp=f1(ebdc,ebdd)
17、其中此处ebdu、ebdi和ebdp的表示形式可以是非数值类型的向量,也可以是数值类型的特征。f1(·)代表ebdu、ebdi,和ebdp的融合方法,诸如哈达玛积和累加等常见方法都可以应用于此融合方法。此处的ebdp指的是指标影响力和能力真实度融合而成的融合影响因素。ebdc表示指标影响力的表达形式。ebdd表示能力真实度的表达形式。
18、以上公式将任意员工的考核指标的融合影响因素表达出来的目的在于利用影响因素学习器学习这无形的因素,将无形的因素化为有形的表示形式,并从中分离出ebdp。最终,ebdw仅由ebdu和ebdi组成,即embw=f1(ebdu,ebdi)。
19、影响因素学习器有两个主要的学习目标:第一,准确识别融合影响因素ebdp所对应的指标影响力标签和能力真实度标签;第二,由于影响因素学习器所学习的是员工在某项考核指标上的得分,因此它应能准确的预测当前受融合影响因素ebdp影响后的得分,即员工在某项考核指标上的得分。因此影响因素学习器的损失由两部分组成,分别是标签识别准确性的损失和得分预测的损失α和β分别表示系数,用于调节损失值的权重:
20、
21、标签识别准确性损失主要计算样本d的输入的影响因素标签zd与模型所识别的影响因素标签之间误差,llabel表示推荐任务中的损失函数,二值交叉熵损失常用于多类别分类任务中,因此我们选择其作为损失函数。公式如下所示:
22、
23、评分预测损失主要计算样本d的真实得分yd与模型预测的得分之间误差,lscore表示推荐任务中的损失函数,均方差损失被用于计算推荐模型的误差,公式如下所示:
24、
25、本专利技术用一个感知机来预测员工在某项考核指标中的得分并用单层的线性层来预测影响因素标签φ1(·)和φ2(·)表示融合影响因素标签和得分的预测函数,公式如下所示:
26、
27、影响因素学习器通过准确识别指标影响力和能力真实度的标签组和准确预测员工在考核指标上的得分的方式,学习指标影响力和能力真实度的融合影响因素ebdp的表示形式。待正确学习融合影响因素后,在深度学习模型的推理阶段,影响因素学习器不再参与深度学习模型的推理,这使得输入给深度学习模型的ebdp被剥离。于是在推理阶段员工在某项考核指标中的得分被表示为ebdw=f1(ebdu,ebdi)。由于此时数据中的影响因素已经被剥离,因此此时的ebdw是一种不受影响因素影响的表示形式。
28、深度学习模型的损失,通过以下函数计算。表示深度学习模型的损失,lrec表示预测任务中的损失函数,代表深度学习模型的预测得分,md代表员工的真实得分:
29、
30、通过深度学习模型预测函数得出,φ3(·)表示深度学习模型的预测函数,表示针对深度学习模型rs样本d的输入形式,具体可由以下公式表示:
31、
32、本文框架的总体损失由影响因素学习器的损失和深度学习模型的损失构成,因此本文方法的损失函数可由以下公式表示,γ和ω是用于调节模型损失权重的系数:
33、
34、5)随后,以上框架被应用于预测员工在每项考核指标中的得分,从而最终形成该员工的综合得分。值得一提的是,该方法具有较大的通用性,因为针对不同的企业项目,企业可以自由组合考核指标。这种方法能够极大地帮助企业充分发挥员工的潜力。
35、有益效果:本专利技术从两个角度纠正了考核指标不能与员工能力等价的问题:一是考虑员工心理对考核指标的本文档来自技高网...
【技术保护点】
1.一种基于数据离散化和标签融合方法判别企业员工潜力的新型框架实现方法,其特征在于,所述方法包括如下步骤:
2.根据权利要求1所述的一种基于数据离散化和标签融合方法判别企业员工潜力的新型框架实现方法,其特征在于,所述步骤1计算每个考核指标的指标影响力和能力真实度,数据如表2所示:
3.根据权利要求1所述的一种基于数据离散化和标签融合方法判别企业员工潜力的新型框架实现方法,其特征在于,所述步骤2将指标影响力和能力真实度归一化,数据如表3所示:
4.根据权利要求1所述的一种基于数据离散化和标签融合方法判别企业员工潜力的新型框架实现方法,其特征在于,所述步骤3根据自定义的分类规则将归一化后的指标影响力和能力真实度赋予相对应的标签,我们将标签数量定义为2,数据如表4所示:
【技术特征摘要】
1.一种基于数据离散化和标签融合方法判别企业员工潜力的新型框架实现方法,其特征在于,所述方法包括如下步骤:
2.根据权利要求1所述的一种基于数据离散化和标签融合方法判别企业员工潜力的新型框架实现方法,其特征在于,所述步骤1计算每个考核指标的指标影响力和能力真实度,数据如表2所示:
3.根据权利要求1所述的一种基于数据离散化和标签...
【专利技术属性】
技术研发人员:焦永纪,黄薪屹,陈晓雪,罗涵,苏红,雷晓静,
申请(专利权)人:南京邮电大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。