CN108364131A - 利用类神经网络进行人格类型的自动识别与分群的方法 - Google Patents

Abstract

本发明公开了一种利用类神经网络进行人格类型的自动识别与分群的方法，包括以下步骤：S1、利用已搜集人格特质资料建置数据库；S2、将通过训练资料搜集的人格特质数据将进行数据清理以确保数据质量；S3、采用类神经网络获得人格类型识别模型；S4、利用人格类型识别模型判定其所属人格类型；S5、利用人格类型识别模型，对新受测者进行相似人格特质分群。该方法不仅可以帮助企业了解人才的人格特质、能力指标、职业匹配度情况，进而从源头上科学地解决企业选人失准、用人错误的问题，二期而且还可以帮助受测者准确地了解自身的人格类型，进而匹配相应特质的工作岗位，由此提高应聘的成功率和在工作岗位实现自身最大的价值。

Description

利用类神经网络进行人格类型的自动识别与分群的方法

技术领域

本发明涉及人力资源领域，特别涉及利用类神经网络进行人格类型的自动识别与分群的方法。

背景技术

市场经济深入发展，人才竞争日趋激烈。员工是企业的重要组成部分，员工知识技能道德素养及敬业精神的重要组成部分，员工的知识技能，道德素养及敬业精神会对企业的效益产生直接影响。经营核心问题是企业用人的问题，人才是企业发展重要动力，是企业生存发展的基础，无论从宏观还是微角度来分析探讨，人才始终是企业发展的源泉和决定因素。所以，当一个拥有了充足的人才，并且人才与工作匹配，领导适当用才，企业便能实现稳步快速的发展。然而，我国在选才和用才方面还存在一些问题，特别是中小型企业容易出现选才失准的状况，无法坚持“选贤任能”。

人才选拔是企业力资源管理中最基础性的工作，它关系到人才作用的发挥和企业绩效增长，甚至关系到人才作用的发挥和企业绩效增长，甚至企业的长远发展。企业只有找“对”人，才能做“对”事。然而，企业在选才时由于缺乏完善的标准导致多关注应聘者的学历、工作经验和能力，注重考试成绩和面试表现，这样的选才往过于片面或者主观化。有些企业管理者甚至在选人时随心所欲，不讲程序，不讲规范，认为朋友或熟人介绍的用着放心、踏实，从而也极易导致拉帮结派，任人唯亲、任人唯“乡”，搞“小圈子”、拉“小山头”。选才只看重能力，没有专业而系统地分析应聘者与企业、岗位上级的匹配度，能力再高也不代表就能适用。

总之，企业选人失准、用人错误的危害是非常严重的，不仅对企业是一个成本损失，还有机会成本、质量事故、低效率及更换成本等很多隐形问题。对就职者本人，未必不是一个损失，因为他需要重新寻找合适的机会，并建立自己的业绩表现。

发明内容

本发明的目的是提供一种利用类神经网络进行人格类型的自动识别与分群的方法。

根据本发明的一个方面，提供了一种利用类神经网络进行人格类型的自动识别与分群的方法，包括以下步骤：

S1、利用已搜集人格特质资料建置数据库，每笔资料含受测者的14项人格特质的分数；

S2、将通过训练资料搜集的人格特质数据将进行数据清理以确保数据质量，数据清理程序包含遗失值处理和异常值侦测，人格特质数据的输入值为各项人格特质的分数，人格特质的分数为0至18之间的整数，输出值为人格类型编号，其值域范围约为数百，然后将输出值转换为向量以供后续训练使用；

S3、采用类神经网络进行训练学习，由此获得人格类型识别模型；

S4、利用人格类型识别模型，当获得新受测者的14种人格特质分数后，再计算输出结果，依输出结果判定其所属人格类型；

S5、采用类神经网络进行训练学习，由此获得人格特质分群模型，利用人格特质分群模型，通过多个新受测者的14种人格特质分数对新受测者进行相似人格特质分群。

进一步地，类神经网络为三层网络架构，包括：

输入层，用于接收外部的输入信息；

隐藏层，与输入层相连接，用于将收集到的输入信号作加和，并且透过非线性转换得到新的信号，再将结果送到输出层；

输出层，用于接收隐藏层计算后的结果，输出层就具有多个神经元，每个神经元对应一个人格类型。

进一步地，采用类神经网络进行训练学习包括以下步骤：

S31、根据需要确定类神经网络的网格层数及各个层面之间的神经元节点；

S32、以随机乱数产生类神经网络的初始权重植及初始偏权值，对于不同层的神经节点之间所连接的部分将会产生一个权重植，设定偏权值时，只有隐藏层与输出层拥有偏权值；

S33、输入训练样本及目标输出值，训练样本为任意实数值，目标输出值的值域限定于[0，1]之间；

S34、计算类神经网络的推导输出值y，将时间t之输入值x与权重植w_ij做加权乘积和后加上偏权值θ_j得到X_j值，并且透过双弯曲转换函数计算出隐藏层各个节点值h_j，而隐藏层至输出层的推导过程相同，推导过程如下列公式：

S35、计算输出层与隐藏层的差距量，首先评估推导输出值y_k与目标输出值y_d，k之间的误差e_k，并且将输出误差值δ_k回传至隐藏层计算隐藏层的误差值δj，公式如下：

δ_k(t)＝y_k(t)×(1-y_k(t))×e_k(t)

其中，且e_k(t)＝y_d，k(t)-y_k(t)，

S36、计算各层间的权重植修正量及偏权值修正量，并且更新各层间的权重植及偏权值，公式如下：

w_jk(t+1)＝w_jk(t)+Δw_jk(t)，Δw_jk(t)＝α×y_j(t)×δ_k(t)

θ_k(t+1)＝θ_k(t)+Δθ_k(t)，Δθ_k(t)＝-ηδ_k(t)

其中，η为学习速率，α为惯性因子；

S37、重复步骤S33至步骤S36，直到采用类神经网络收敛结束。

进一步地，相似人格特质分群学习过程步骤如下：

S51、设定网络参数：设定网络训练所需的各种参数，如神经元数量、输入向量笔数、学习数率α(t)、学习次数T等，并以随机随机数初始化神经元权重向量w_i；

S52、自训练文件向量中随机选取一笔向量，设其为D_j；

S53、计算D_j与所有神经元键结权重向量w_i之间的欧基里德距离，选择与输入向量距离最小的神经元，则该神经元为优胜神经元，令其为神经元i^*，则

其中，M为自我组织结构的神经元总数；

S54、调整优胜神经元i^*与邻近之神经元键结权重向量，

其中，N_c(i^*)为i^*之邻近区域内神经元的集合，此邻近区域会随着训练时间增加而递减，α(t)为时间戳t时的学习速率，其值会随着t的增加而递减；

S55、重复步骤S52至步骤S53，直到全部输入向量皆被选择一次为止，此为一训练周期；

S56、将时间戳t之值增加1，若t未达默认的最大训练周期数，则降低α(t)与N_c的大小，返回S51；否则训练结束。

进一步地，利用类神经网络训练完成后，可获得受测者人格类型受测者，每一神经元皆代表一受测者群集，通过一个标记过程，可以获知受测者属于具体的哪一个群集，标记过程按照以下列规则进行：若下式成立，则受测者D_j被标记于神经元i^*上：

标记完成后，相似人格类型的受测者将会被标记在同一神经元上，代表他们属于同一群集。

进一步地，利用已搜集人格特质资料建置数据库时，将以其中三分之二作为训练资料，另三分之一作为测试资料。

进一步地，14种人格特质分别为：勤奋不懈的水牛型、绚丽璀璨的孔雀型、积极进取的秃鹰型、温驯婉约的白兔型、洞察先机的猎犬型、爱家恋爱的绵羊型、王者风范的狮子型、难以捉摸的变色龙型、清明孤寂的猫头鹰型、勇于挑战的黑豹型、无为而治的无尾熊型、特立独行的猫型、服务奉献的蜜蜂型以及刻苦耐劳的骆驼型。

进一步地，14种人格特质特质的参考维度基于环境应变力、改革创新力、领导管理力、人际社交力、分析思考力、团队合作力、学习精神、执行力、沟通协调力、成就动机、情绪稳定度和工作续航力。

进一步地，受测者通过在线回答140道生活化题目，获得14种人格特质分数。

采用以上技术方案的利用类神经网络进行人格类型的自动识别与分群的方法，受测者在线答题后，得出的测评报告，主要包含了人格特质说明、职业匹配度分析、能力量化数据分析、上下级之间人际匹配等，通过这项测评，可以专业和科学地分析出受测者的人格类型并据此进行分群。该方法不仅可以帮助企业了解人才的人格特质、能力指标、职业匹配度情况，进而从源头上科学地解决企业选人失准、用人错误的问题，二期而且还可以帮助受测者准确地了解自身的人格类型，进而匹配相应特质的工作岗位，由此提高应聘的成功率和在工作岗位实现自身最大的价值。

附图说明

图1为本发明一种实施方式的利用类神经网络进行人格类型的自动识别与分群的方法的流程架构图。

图2为图1所示利用类神经网络进行人格类型的自动识别与分群的方法的14种人格特质分析示意图。

图3为图1所示利用类神经网络进行人格类型的自动识别与分群的方法的邻近区域示意图。

图4为图1所示利用类神经网络进行人格类型的自动识别与分群的方法的相似人格特质分群学习过程架构图。

具体实施方式

下面结合附图对本发明作进一步详细的说明。

图1至图4示意性地显示了根据本发明的一种实施方式的利用类神经网络进行人格类型的自动识别与分群的方法。如图所示，该方法包括以下步骤：

S1、利用已搜集人格特质资料建置数据库，每笔资料含受测者的14项人格特质的分数；

S2、将通过训练资料搜集的人格特质数据将进行数据清理以确保数据质量，数据清理程序包含遗失值处理和异常值侦测，人格特质数据的输入值为各项人格特质的分数，人格特质的分数为0至18之间的整数，输出值为人格类型编号，其值域范围约为数百，然后将输出值转换为向量以供后续训练使用；

S3、采用类神经网络进行训练学习，由此获得人格类型识别模型；

S4、利用人格类型识别模型，当获得新受测者的14种人格特质分数后，再计算输出结果，依输出结果判定其所属人格类型；

S5、采用类神经网络进行训练学习，由此获得人格特质分群模型，利用人格特质分群模型，通过多个新受测者的14种人格特质分数对新受测者进行相似人格特质分群。

其中，类神经网络为三层网络架构，包括：

输入层，用于接收外部的输入信息；

隐藏层，与输入层相连接，用于将收集到的输入信号作加和，并且透过非线性转换得到新的信号，再将结果送到输出层；

输出层，用于接收隐藏层计算后的结果，输出层就具有多个神经元，每个神经元对应一个人格类型。

其中，采用类神经网络进行训练学习包括以下步骤：

S31、根据需要确定类神经网络的网格层数及各个层面之间的神经元节点；

S32、以随机乱数产生类神经网络的初始权重植及初始偏权值，对于不同层的神经节点之间所连接的部分将会产生一个权重植，设定偏权值时，只有隐藏层与输出层拥有偏权值；

S33、输入训练样本及目标输出值，训练样本为任意实数值，目标输出值的值域限定于[0，1]之间；

S34、计算类神经网络的推导输出值y，将时间t之输入值x与权重植w_ij做加权乘积和后加上偏权值θ_j得到X_j值，并且透过双弯曲转换函数计算出隐藏层各个节点值h_j，而隐藏层至输出层的推导过程相同，推导过程如下列公式：

S35、计算输出层与隐藏层的差距量，首先评估推导输出值y_k与目标输出值y_d，k之间的误差e_k，并且将输出误差值δ_k回传至隐藏层计算隐藏层的误差值δj，公式如下：

δ_k(t)＝y_k(t)×(1-y_k(t))×e_k(t)

其中，且e_k(t)＝y_d，k(t)-y_k(t)，

S36、计算各层间的权重植修正量及偏权值修正量，并且更新各层间的权重植及偏权值，公式如下：

w_jk(t+1)＝w_jk(t)+Δw_jk(t)，Δw_jk(t)＝α×y_j(t)×δ_k(t)

θ_k(t+1)＝θ_k(t)+Δθ_k(t)，Δθ_k(t)＝-ηδ_k(t)

其中，η为学习速率，α为惯性因子；

S37、重复步骤S33至步骤S36，直到采用类神经网络收敛结束。

其中，相似人格特质分群学习过程步骤如下：

S51、设定网络参数：设定网络训练所需的各种参数，如神经元数量、输入向量笔数、学习数率α(t)、学习次数T等，并以随机随机数初始化神经元权重向量w_i；

S52、自训练文件向量中随机选取一笔向量，设其为D_j；

S53、计算D_j与所有神经元键结权重向量w_i之间的欧基里德距离，选择与输入向量距离最小的神经元，则该神经元为优胜神经元，令其为神经元i^*，则

其中，M为自我组织结构的神经元总数；

S54、调整优胜神经元i^*与邻近之神经元键结权重向量，

其中，N_c(i^*)为i^*之邻近区域内神经元的集合，ri^*为邻近半径。邻近半径ri^*决定邻近区域N_c(i^*)之大小。一般起始大小为整个区域，随着训练周期或时间的增加，会缩小此邻近半径ri^*，因此邻近区域随之变小。此邻近区域会随着训练时间增加而递减，α(t)为时间戳t时的学习速率，其值会随着t的增加而递减；

S55、重复步骤S52至步骤S53，直到全部输入向量皆被选择一次为止，此为一训练周期；

S56、将时间戳t之值增加1，若t未达默认的最大训练周期数，则降低α(t)与N_c的大小，返回S51；否则训练结束。

利用类神经网络训练完成后，可获得受测者人格类型受测者，每一神经元皆代表一受测者群集，通过一个标记过程，可以获知受测者属于具体的哪一个群集，标记过程按照以下列规则进行：若下式成立，则受测者D_j被标记于神经元i^*上：

标记完成后，相似人格类型的受测者将会被标记在同一神经元上，代表他们属于同一群集。

在本实施例中，利用已搜集人格特质资料建置数据库时，将以其中三分之二作为训练资料，另三分之一作为测试资料。

14种人格特质分别为：勤奋不懈的水牛型、绚丽璀璨的孔雀型、积极进取的秃鹰型、温驯婉约的白兔型、洞察先机的猎犬型、爱家恋爱的绵羊型、王者风范的狮子型、难以捉摸的变色龙型、清明孤寂的猫头鹰型、勇于挑战的黑豹型、无为而治的无尾熊型、特立独行的猫型、服务奉献的蜜蜂型以及刻苦耐劳的骆驼型。

14种人格特质特质的参考维度基于环境应变力、改革创新力、领导管理力、人际社交力、分析思考力、团队合作力、学习精神、执行力、沟通协调力、成就动机、情绪稳定度和工作续航力。

受测者通过在线回答140道生活化题目，获得14种人格特质分数。

采用以上技术方案的利用类神经网络进行人格类型的自动识别与分群的方法，受测者在线答题后，得出的测评报告，主要包含了人格特质说明、职业匹配度分析、能力量化数据分析、上下级之间人际匹配等，通过这项测评，可以专业和科学地分析出受测者的人格类型并据此进行分群。该方法不仅可以帮助企业了解人才的人格特质、能力指标、职业匹配度情况，进而从源头上科学地解决企业选人失准、用人错误的问题，二期而且还可以帮助受测者准确地了解自身的人格类型，进而匹配相应特质的工作岗位，由此提高应聘的成功率和在工作岗位实现自身最大的价值。

以上所述的仅是本发明的一些实施方式。对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (9)

1.利用类神经网络进行人格类型的自动识别与分群的方法，其特征在于，包括以下步骤：

S1、利用已搜集人格特质资料建置数据库，每笔资料含受测者的14项人格特质的分数；

S2、将通过训练资料搜集的所述人格特质数据将进行数据清理以确保数据质量，所述数据清理程序包含遗失值处理和异常值侦测，所述人格特质数据的输入值为各项人格特质的分数，所述人格特质的分数为0至18之间的整数，所述人格特质数据的输出值为人格类型编号，其值域范围为数百，最后将所述输出值转换为向量以供后续训练使用；

S3、采用类神经网络进行训练学习，由此获得人格类型识别模型；

S4、利用所述人格类型识别模型，当获得新受测者的14种人格特质分数后，再计算输出结果，依所述输出结果判定其所属人格类型；

S5、采用类神经网络进行训练学习，由此获得人格特质分群模型，利用所述人格特质分群模型，通过多个新受测者的14种人格特质分数对所述新受测者进行相似人格特质分群。

2.根据权利要求1所述的利用类神经网络进行人格类型的自动识别与分群的方法，其特征在于，所述类神经网络为三层网络架构，包括：

输入层，用于接收外部的输入信息；

隐藏层，与所述输入层相连接，用于将收集到的输入信号作加和，并且透过非线性转换得到新的信号，再将结果送到输出层；

输出层，用于接收所述隐藏层计算后的结果，所述输出层就具有多个神经元，每个所述神经元对应一个人格类型。

3.根据权利要求2所述的利用类神经网络进行人格类型的自动识别与分群的方法，其特征在于，所述采用类神经网络进行训练学习包括以下步骤：

S31、根据需要确定类神经网络的网格层数及各个层面之间的神经元节点；

S32、以随机乱数产生类神经网络的初始权重植及初始偏权值，对于不同层的神经节点之间所连接的部分将会产生一个权重植，设定偏权值时，只有所述隐藏层与所述输出层拥有偏权值；

S33、输入训练样本及目标输出值，所述训练样本为任意实数值，所述目标输出值的值域限定于[0,1]之间；

S34、计算类神经网络的推导输出值y，将时间t之输入值x与所述权重植w_ij做加权乘积和后加上所述偏权值θ_j得到X_j值，并且透过双弯曲转换函数计算出所述隐藏层各个节点值h_j，而所述隐藏层至所述输出层的推导过程相同，推导过程如下列公式：

S35、计算所述输出层与所述隐藏层的差距量，首先评估推导输出值y_k与目标输出值y_d,k之间的误差e_k，并且将输出误差值δ_k回传至所述隐藏层计算所述隐藏层的误差值δj，公式如下：

δ_k(t)＝y_k(t)×(1-y_k(t))×e_k(t)

其中，且e_k(t)＝y_d,k(t)-y_k(t)，

S36、计算各层间的权重植修正量及偏权值修正量，并且更新各层间的权重植及偏权值，公式如下：

w_jk(t+1)＝w_jk(t)+Δw_jk(t),Δw_jk(t)＝α×y_j(t)×δ_k(t)

θ_k(t+1)＝θ_k(t)+Δθ_k(t),Δθ_k(t)＝-ηδ_k(t)

其中，η为学习速率，α为惯性因子；

S37、重复所述步骤S33至所述步骤S36，直到类神经网络收敛结束。

4.根据权利要求1所述的利用类神经网络进行人格类型的自动识别与分群的方法，其特征在于，所述相似人格特质分群学习过程步骤如下：

S51、设定网络训练所需的各种参数，如神经元数量、输入向量笔数、学习数率α(t)和学习次数T，并以随机随机数初始化神经元权重向量w_i；

S52、自训练文件向量中随机选取一笔向量，设其为D_j；

S53、计算D_j与所有神经元键结权重向量w_i之间的欧基里德距离，选择与输入向量距离最小的神经元，则该神经元为优胜神经元，令其为神经元i^*，则

其中，M为自我组织结构的神经元总数；

S54、调整优胜神经元i^*与邻近之神经元键结权重向量，

其中，N_c(i^*)为i^*之邻近区域内神经元的集合，此邻近区域会随着训练时间增加而递减，α(t)为时间戳t时的学习速率，其值会随着t的增加而递减；

S55、重复所述步骤S52至所述步骤S53，直到全部输入向量皆被选择一次为止，此为一训练周期；

S56、将时间戳t之值增加1，若t未达默认的最大训练周期数，则降低α(t)与N_c的大小，返回所述步骤S51；否则训练结束。

5.根据权利要求1所述的利用类神经网络进行人格类型的自动识别与分群的方法，其特征在于，利用类神经网络训练完成后，可获得受测者人格类型之分群模型，每一神经元皆代表一受测者群集，通过一个标记过程，可以获知受测者属于具体的哪一个群集，所述标记过程按照以下列规则进行：若下式成立，则所述受测者D_j被标记于神经元i^*上：

标记完成后，相似人格类型的受测者将会被标记在同一神经元上，代表他们属于同一群集。

6.根据权利要求1所述的利用类神经网络进行人格类型的自动识别与分群的方法，其特征在于，利用所述已搜集人格特质资料建置数据库时，将以其中三分之二作为训练资料，另三分之一作为测试资料。

7.根据权利要求6所述的利用类神经网络进行人格类型的自动识别与分群的方法，其特征在于，所述14种人格特质分别为：勤奋不懈的水牛型、绚丽璀璨的孔雀型、积极进取的秃鹰型、温驯婉约的白兔型、洞察先机的猎犬型、爱家恋爱的绵羊型、王者风范的狮子型、难以捉摸的变色龙型、清明孤寂的猫头鹰型、勇于挑战的黑豹型、无为而治的无尾熊型、特立独行的猫型、服务奉献的蜜蜂型以及刻苦耐劳的骆驼型。

8.根据权利要求7所述的利用类神经网络进行人格类型的自动识别与分群的方法，其特征在于，所述14种人格特质特质的参考维度基于环境应变力、改革创新力、领导管理力、人际社交力、分析思考力、团队合作力、学习精神、执行力、沟通协调力、成就动机、情绪稳定度和工作续航力。

9.根据权利要求1所述的利用类神经网络进行人格类型的自动识别与分群的方法，其特征在于，受测者通过在线回答140道生活化题目，获得所述14种人格特质分数。