CN109214448A - 非绩优人员培训方法、系统、终端及计算机可读存储介质 - Google Patents

非绩优人员培训方法、系统、终端及计算机可读存储介质 Download PDF

Info

Publication number
CN109214448A
CN109214448A CN201810983357.4A CN201810983357A CN109214448A CN 109214448 A CN109214448 A CN 109214448A CN 201810983357 A CN201810983357 A CN 201810983357A CN 109214448 A CN109214448 A CN 109214448A
Authority
CN
China
Prior art keywords
good performance
personnel
behavior factor
potentiality
type
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810983357.4A
Other languages
English (en)
Other versions
CN109214448B (zh
Inventor
邓悦
金戈
徐亮
肖京
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201810983357.4A priority Critical patent/CN109214448B/zh
Publication of CN109214448A publication Critical patent/CN109214448A/zh
Priority to PCT/CN2019/077511 priority patent/WO2020042584A1/zh
Application granted granted Critical
Publication of CN109214448B publication Critical patent/CN109214448B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance
    • G06Q50/2057—Career enhancement or continuing education service

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Educational Technology (AREA)
  • Educational Administration (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Marketing (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种非绩优人员培训方法、系统、终端及计算机可读存储介质。所述非绩优人员培训方法包括：获取多个绩优人员的样本数据；根据多个绩优人员的非行为因子数据建立并训练得到一潜力绩优识别模型，以识别得出非绩优人员成长为每一绩优类型的概率值；从计算得出的概率值中选取一最大概率值对应的绩优类型作为非绩优人员的潜力绩优类型；将非绩优人员的每一行为因子值与所述潜力绩优类型的每一行为因子的均值进行一一对应比较，以判定所述非绩优人员是否需要选择提升该行为因子的培训课程。本发明基于神经网络训练得到潜力绩优识别模型，根据模型定位出非绩优人员成长的潜力绩优类型，再对成长为该潜力绩优类型的行为因素进行有针对性培训。

Description

非绩优人员培训方法、系统、终端及计算机可读存储介质
技术领域
本发明涉及数据处理领域，尤其涉及一种非绩优人员培训方法、系统、终端及计算机可读存储介质。
背景技术
本部分旨在为权利要求书及具体实施方式中陈述的本发明的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
当今时代企业的发展主要表现在人力资源的竞争上，企业对员工的必要培训是人力资源开发的基础。现有人员培训方案主要可分为三类：一是统一进行人员培训，二是个人选择培训课程，三是他人推荐培训课程。第一类方法不能因人而异，对不同适应性水平的学习者采用相同的培训策略，难以因材施教。后两种方法太过主观，培训方案是否合适与选择人的判断是否正确相关很大。
发明内容
鉴于上述，本发明提供一种非绩优人员培训方法、系统、终端及计算机可读存储介质，可以实现根据不同的培训人员进行有针对性的培训方案生成。
本申请一实施方式提供一种非绩优人员培训方法，所述方法包括：获取多个绩优人员的样本数据，其中所述样本数据包括行为因子数据及非行为因子数据，多个所述绩优人员分属于多种绩优类型，每一所述绩优人员分属于一种绩优类型；
根据多个所述绩优人员的非行为因子数据建立并训练得到一潜力绩优识别模型；
将非绩优人员的非行为因子数据输入至所述潜力绩优识别模型计算得出所述非绩优人员成长为每一绩优类型的概率值；
从计算得出的所有概率值中选取一最大概率值，并将最大概率值对应的绩优类型作为所述非绩优人员的潜力绩优类型；
计算所述潜力绩优类型中的绩优人员的每一行为因子的均值与标准差，并将所述非绩优人员的每一行为因子值与所述潜力绩优类型的每一行为因子的均值进行一一对应比较；及
当所述非绩优人员的一行为因子值与对应的行为因子的均值的差值大于标准差的预设倍数时，判定所述非绩优人员需要选择提升该行为因子的培训课程。
优选地，所述行为因子数据包括多个行为因子，所述非行为因子数据包括多个非行为因子，每一所述行为因子对应有一行为因子值，每一所述非行为因子对应有一非行为因子值，且所述绩优人员与所述非绩优人员具有相同的行为因子与非行为因子。
优选地，所述根据多个所述绩优人员的非行为因子数据建立并训练得到一潜力绩优识别模型的步骤包括：
建立一神经网络模型，所述神经网络模型包括输入层、多个隐藏层及输出层；及
利用多个所述绩优人员的非行为因子数据对所述神经网络模型进行训练得到所述潜力绩优识别模型。
优选地，所述根据多个所述绩优人员的非行为因子数据建立并训练得到一潜力绩优识别模型的步骤包括：
将多个所述绩优人员的非行为因子数据划分为训练集及验证集；
建立一神经网络模型，并利用所述训练集对所述神经网络模型进行训练；
利用所述验证集对训练后的神经网络模型进行验证，并根据每一验证结果统计得到一模型预测准确率；
判断所述模型预测准确率是否小于预设阈值；
若所述模型预测准确率不小于所述预设阈值，将训练完成的所述神经网络模型作为所述潜力绩优识别模型。
优选地，所述判断所述模型预测准确率是否小于预设阈值的步骤之后还包括：
若所述模型预测准确率小于所述预设阈值，调整所述神经网络模型的参数，并利用所述训练集重新对调整后的神经网络模型进行训练；
利用所述验证集对重新训练的神经网络模型进行验证，并根据每一验证结果重新统计得到一模型预测准确率，并判断重新统计得到的模型预测准确率是否小于预设阈值；
若所述重新统计得到的模型预测准确率不小于所述预设阈值，将所述重新训练得到的神经网络模型作为所述潜力绩优识别模型；及
若所述重新统计得到的模型预测准确率小于所述预设阈值，重复上述步骤直至通过所述验证集验证得到的模型预测准确率不小于所述预设阈值；
其中，所述神经网络模型的参数包括总层数、每一层的神经元数。
优选地，所述计算所述潜力绩优类型中的绩优人员的每一行为因子的均值与标准差的步骤包括：
获取所述潜力绩优类型中包含的每一绩优人员的行为因子及行为因子值；及
根据每一绩优人员的一行为因子的行为因子值计算得出该行为因子的均值与标准差。
优选地，所述将所述非绩优人员的每一行为因子值与所述潜力绩优类型的每一行为因子的均值进行一一对应比较的步骤之后还包括：
当所述非绩优人员的一行为因子值与对应的行为因子的均值的差值不大于标准差的预设倍数时，判定所述非绩优人员不需要选择提升该行为因子的培训课程。
本申请一实施方式提供一种非绩优人员培训系统，所述系统包括：
获取模块，用于获取多个绩优人员的样本数据，其中所述样本数据包括行为因子数据及非行为因子数据，多个所述绩优人员分属于多种绩优类型，每一所述绩优人员分属于一种绩优类型；
建立模块，用于根据多个所述绩优人员的非行为因子数据建立并训练得到一潜力绩优识别模型；
第一计算模块，用于将非绩优人员的非行为因子数据输入至所述潜力绩优识别模型计算得出所述非绩优人员成长为每一绩优类型的概率值；
选取模块，用于从计算得出的所有概率值中选取一最大概率值，并将最大概率值对应的绩优类型作为所述非绩优人员的潜力绩优类型；
第二计算模块，用于计算所述潜力绩优类型中的绩优人员的每一行为因子的均值与标准差，并将所述非绩优人员的每一行为因子值与所述潜力绩优类型的每一行为因子的均值进行一一对应比较；及
判定模块，用于在所述非绩优人员的一行为因子值与对应的行为因子的均值的差值大于标准差的预设倍数时，判定所述非绩优人员需要选择提升该行为因子的培训课程。
本申请一实施方式提供一种终端，所述终端包括处理器及存储器，所述存储器上存储有若干计算机程序，所述处理器用于执行存储器中存储的计算机程序时实现如前面所述的非绩优人员培训方法的步骤。
本申请一实施方式提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如前面所述的非绩优人员培训方法的步骤。
上述非绩优人员培训方法、系统、终端及计算机可读存储介质，基于机器学习与绩优人员的非行为因子数据来建立并训练得到潜力绩优识别模型，并利用该模型实现识别出非绩优人员成长的潜力的绩优类型，将非绩优人员的一行为因子与绩优人员的行为因子均值进行比较来判定非绩优人员是否需要选择提升该行为因子的培训课程，实现从先天的角度客观确定非绩优人员最有可能成长的绩优类型，再从后天的角度找到了非绩优人员与目标绩优类型的不足，提升人员培训效果。
附图说明
为了更清楚地说明本发明实施方式的技术方案，下面将对实施方式描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例中非绩优人员培训方法的步骤流程图。
图2是本发明另一实施例中非绩优人员培训方法的步骤流程图。
图3为本发明一实施例中非绩优人员培训系统的功能模块图。
图4为本发明一实施例中计算机装置示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施方式及实施方式中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的，不是旨在于限制本发明。
优选地，本发明的非绩优人员培训方法应用在一个或者多个计算机装置中。所述计算机装置是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific IntegratedCircuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机装置可以是桌上型计算机、笔记本电脑、平板电脑、服务器等计算设备。所述计算机装置可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
实施例一：
图1是本发明非绩优人员培训方法较佳实施例的步骤流程图。根据不同的需求，所述流程图中步骤的顺序可以改变，某些步骤可以省略。
参阅图1所示，所述非绩优人员培训方法具体包括以下步骤。
步骤S11、获取多个绩优人员的样本数据，其中所述样本数据包括行为因子数据及非行为因子数据，多个所述绩优人员分属于多种绩优类型，每一所述绩优人员分属于一种绩优类型。
在一实施方式中，可以通过接入网络来连接至一绩优人员样本库，进而来获取所述绩优人员样本库存储的绩优人员的样本数据。所述绩优人员样本库可以通过大数据方式搜集多个绩优人员的样本数据，也可以通过接收人为录入的多个绩优人员的样本数据。
在一实施方式中，多个所述绩优人员分属于多种绩优类型，但每一所述绩优人员只分属于一个绩优类型，即每一所述绩优人员不能同时属于多种绩优类型。
举例而言，该多个绩优类型可以包括三种绩优类型，分别为资源型、学习型及勤奋型。资源型可以是指业务能力强、工作能力强的人员，学习型可以是指学习能力强、成长能力强的人员，勤奋型可以是指学习时间长、每天工作时间长的人员。对于每一绩优人员来说，其只能被归类到三种绩优类型中的一种。以下以绩优人员和非绩优人员是A公司员工为例进行举例说明。
举例而言，A公司包括1000名员工，该1000名员工可以被划分为绩优人员和非绩优人员两种类型，每一员工只能被划分为绩优人员或者被划分为非绩优人员，绩优人员和非绩优人员的划分可以根据多个绩优类型对应的划分规则进行划分，比如对于学习型绩优类型，可以根据每一员工的学习能力、成长能力来判定某一员工是否为学习型的绩优人员，再比如对应资源型绩优类型，可以根据每一员工的业务能力来判定某一员工是否属于资源型的绩优人员。绩优人员的类型包括资源型、学习型及勤奋型。比如根据每一员工的日常表现，其中200名员工被划分为绩优人员，其余800名员工被划分为非绩优人员。在200名绩优人员中，每一绩优人员属于一种绩优类型，资源型绩优人员包括80人，学习型绩优人员包括50人，勤奋型绩优人员包括70人。
在一实施方式中，绩优人员和非绩优人员的样本数据均包括行为因子数据及非行为因子数据。所述行为因子数据包括多个行为因子，所述非行为因子数据包括多个非行为因子，每一所述行为因子对应有一行为因子值，每一所述非行为因子对应有一非行为因子值，且所述绩优人员与所述非绩优人员具有相同的行为因子与非行为因子。所述行为因子优选是指后天的行为因素或者短时间可以改变、培养的行为因素，比如所述行为因子包括活动范围、出入各场所的频次、考勤、APP活跃情况、沟通能力等。所述非行为因子优选是指先天的行为因素或者短时间难以改变、培养的行为因素，比如所述非行为因子包括年龄、性别、学历等。
举例而言，一非行为因子为年龄，则对应的非行为因子值为年龄大小，若绩优人员A1的年龄为27，绩优人员A2的年龄为30，则绩优人员A1的年龄的非行为因子值为27，绩优人员A2的年龄的非行为因子值为30；若一行为因子为沟通能力，该行为因子的行为因子值可以根据员工的实际沟通能力水平进行评分(可以根据一预设评分标准)得到对应的行为因子值。在步骤S11中，所述获取多个绩优人员的样本数据即获取多个绩优人员的行为因子数据及非行为因子数据。
步骤S12、根据多个所述绩优人员的非行为因子数据建立并训练得到一潜力绩优识别模型。
在一实施方式中，所述潜力绩优识别模型可以是基于神经网络模型和多个所述绩优人员的非行为因子数据训练出来的分类模型。具体地，可以先建立一神经网络模型，所述神经网络模型包括输入层、多个隐藏层及输出层，再利用多个所述绩优人员的非行为因子数据对所述神经网络模型进行训练得到所述潜力绩优识别模型。
所述神经网络模型的输入层用于接收多个所述绩优人员的非行为因子数据，每一隐藏层包括多个节点(神经元)，每一隐藏层中的每一节点被配置成对来自该模型中的相邻下层的至少一个节点的输出执行线性或非线性变换。其中，上层隐藏层的节点的输入可以基于相邻下层中的一个节点或若干节点的输出，每个隐藏层具有对应的权值，该权值是基于训练样本数据获得的。在对该模型进行训练时，可以通过利用有监督的学习过程来进行模型的训练，得到各个隐藏层的初始权值。可以通过向后传播(Back propagation，BP)算法来对各隐藏层的权值的进行调节，所述神经网络模型的输出层用于接收来自最后一层隐藏层的输出信号。
在一实施方式中，所述步骤S12可以具体包括：
a.将多个所述绩优人员的非行为因子数据划分为训练集及验证集；
b.建立一神经网络模型，并利用所述训练集对所述神经网络模型进行训练；
c.利用所述验证集对训练后的神经网络模型进行验证，并根据每一验证结果统计得到一模型预测准确率；
d.判断所述模型预测准确率是否小于预设阈值；
e.若所述模型预测准确率不小于所述预设阈值，将训练完成的所述神经网络模型作为所述潜力绩优识别模型。
f.若所述模型预测准确率小于所述预设阈值，调整所述神经网络模型的参数，并利用所述训练集重新对调整后的神经网络模型进行训练，直到验证集验证得到的模型预测准确率不小于所述预设阈值，其中所述神经网络模型的参数包括总层数、每一层的神经元数等。
在一实施方式中，所述调整所述神经网络模型的参数可以是调整所述神经网络模型的总层数和/或每一层的神经元数。所述训练集用于对神经网络模型进行训练，所述验证集用于对训练后的神经网络模型进行验证。
在一实施方式中，可以先利用所述训练集对神经网络模型进行训练得到一中间模型，再将所述验证集中的绩优人员非行为因子数据输入至所述中间模型中进行绩优类型分类验证，并根据每一验证结果可以统计得到一模型预测准确率；再判断所述中间模型预测准确率是否小于预设阈值；若所述中间模型预测准确率不小于所述预设阈值，表明此中间模型分类效果较好，满足使用需求，可以直接将所述中间模型作为所述潜力绩优识别模型；若所述模型预测准确率小于所述预设阈值时，表明此中间模型分类效果不好，需要进行改善，此时可以调整所述神经网络模型的参数，并利用所述训练集重新对调整后的神经网络模型进行训练得到一新的中间模型，然后再次利用所述验证集对重新得到的中间模型进行验证得到一新的模型预测准确率，再判断该新的模型预测准确率是否小于预设阈值，若该新的模型预测准确率不小于所述预设阈值，表明重新得到的中间模型分类效果较好，满足使用需求，可以将重新得到的中间模型作为所述潜力绩优识别模型；如果该新的模型预测准确率仍然小于所述预设阈值，需要再次重复上述步骤直至通过验证集得到的模型预测准确率不小于所述预设阈值。
在一实施方式中，所述预设阈值可以根据实际使用需求进行设定，例如所述预设阈值设置为95％，即模型预测准确率需不小于95％。
步骤S13、将非绩优人员的非行为因子数据输入至所述潜力绩优识别模型计算得出所述非绩优人员成长为每一绩优类型的概率值。
在一实施方式中，通过步骤S12的训练与验证，所述潜力绩优识别模型可以实现对非绩优人员的潜力绩优类型进行识别，此时可以将非绩优人员的非行为因子数据作为所述潜力绩优识别模型的输入，将所述潜力绩优识别模型的输出视为非绩优人员成长为各绩优类型的概率。
S14、从计算得出的所有概率值中选取一最大概率值，并将最大概率值对应的绩优类型作为所述非绩优人员的潜力绩优类型。
在一实施方式中，每一所述概率值代表着所述非绩优人员成长为每一绩优类型的绩优人员的概率值，可以从计算得出的所有概率值中选取一最大概率值，并将最大概率值对应的绩优类型作为所述非绩优人员的潜力绩优类型，从而实现识别出所述非绩优人员成长的最具潜力的绩优类型。
举例而言，通过所述潜力绩优识别模型得到非绩优人员A1成长为资源型绩优人员的概率为0.6，成长为学习型绩优人员的概率为0.7，成长为勤奋型绩优人员的概率为0.55，由于成长为学习型绩优人员的概率值最大，则将学习型判定为该非绩优人员A1的潜力绩优类型。
在一实施方式中，当存在多个最大概率值时，可以随机选择一最大概率值对应的绩优类型作为所述非绩优人员的潜力绩优类型。比如，通过所述潜力绩优识别模型得到非绩优人员A2成长为资源型绩优人员的概率为0.8，成长为学习型绩优人员的概率为0.7，成长为勤奋型绩优人员的概率为0.8，由于成长为勤奋型绩优人员与成长为资源型绩优人员的概率值均为0.8，则可以选择将勤奋型判定为该非绩优人员A2的潜力发展绩优类型，也可以将资源型判定为该非绩优人员A2的潜力发展绩优类型。
在一实施方式中，当存在多个最大概率值时，还可以选择一与预设需求匹配的最大概率值对应的绩优类型作为所述非绩优人员的潜力绩优类型。比如，所述预设需求可以是公司当前紧要人员类型需求，若公司对于资源型绩优人员需求最大，对学习型绩优人员需求次之，对勤奋型绩优人员需求最低。此时若通过所述潜力绩优识别模型得到非绩优人员A2成长为资源型绩优人员的概率为0.8，成长为学习型绩优人员的概率为0.7，成长为勤奋型绩优人员的概率为0.8，由于成长为勤奋型绩优人员与成长为资源型绩优人员的概率值均为0.8且公司对于资源型绩优人员需求最大，则可以将资源型判定为该非绩优人员A2的潜力发展绩优类型。
S15、计算所述潜力绩优类型中的绩优人员的每一行为因子的均值与标准差，并将所述非绩优人员的每一行为因子值与所述潜力绩优类型的每一行为因子的均值进行一一对应比较。
在一实施方式中，通过步骤S14可以确定非绩优人员的潜力绩优类型，该潜力绩优类型包含有多个绩优人员的行为因子数据，通过计算所述潜力绩优类型中的绩优人员的每一行为因子的均值与标准差，再将所述非绩优人员的每一行为因子值与所述潜力绩优类型的每一行为因子的均值进行一一对应比较来实现判断所述非绩优人员的每一行为因子是否需要进行提升。
在一实施方式中，所述非绩优人员的每一行为因子预先已经过量化，每一行为因子均具有一行为因子值。同样地，每一绩优人员的每一行为因子预先也已经过量化，即每一绩优人员的每一行为因子均具有一行为因子值。假设每一人员(绩优和非绩优)具有50个行为因子，通过步骤S14得到非绩优人员A1的潜力绩优类型是资源型。在绩优人员样本库中，资源型有100个绩优人员，则对于每一行为因子均具有100个值，求这100个绩优人员的每一行为因子的均值和标准差。比如，对于100个绩优人员的行为因子a1、行为因子a2而言，计算得到行为因子a1在该100个绩优人员的行为因子均值为70，标准差为4，计算得到行为因子a2在该100个绩优人员的行为因子均值为72，标准差为3.5。再将所述非绩优人员的行为因子a1的值与该均值70进行比较，将所述非绩优人员的行为因子a2的值与该均值72进行比较。
步骤S16、当所述非绩优人员的一行为因子值与对应的行为因子的均值的差值大于标准差的预设倍数时，判定所述非绩优人员需要选择提升该行为因子的培训课程。
在一实施方式中，所述预设倍数可以根据实际使用场景进行设定，比如设定为2倍的标准差。在本发明的其他实施方式中，也可以设定为3倍或者4倍的标准差。
在一实施方式中，以2倍的标准差进行举例说明，所述非绩优人员的行为因子a1的值与对应均值70进行比较，判断差值是否大于2倍的标准差，即判断所述非绩优人员的行为因子a1的值与对应均值70的差值是否大于8(2*4)，若差值大于8，则判断所述非绩优人员需要选择提升该行为因子a1的培训课程。将所述非绩优人员的行为因子a2的值与对应均值72进行比较，判断差值是否大于2倍的标准差，即判断所述非绩优人员的行为因子a2的值与对应均值72的差值是否大于7(2*3.5)，若差值大于7，则判断所述非绩优人员需要选择提升该行为因子a2的培训课程。
请同时参阅图2，与图1示出的非绩优人员培训方法相比，图2示处的非绩优人员培训方法还包括步骤S17。
步骤S17，当所述非绩优人员的一行为因子值与对应的行为因子的均值的差值不大于标准差的预设倍数时，判定所述非绩优人员不需要选择提升该行为因子的培训课程。
在一实施方式中，同样以2倍的标准差进行举例说明，所述非绩优人员的行为因子a1的值与对应均值70进行比较，判断差值是否大于2倍的标准差，即判断所述非绩优人员的行为因子a1的值与对应均值70的差值是否大于8(2*4)，若差值不大于8，则判断所述非绩优人员不需要选择提升该行为因子a1的培训课程。将所述非绩优人员的行为因子a2的值与对应均值72进行比较，判断差值是否大于2倍的标准差，即判断所述非绩优人员的行为因子a2的值与对应均值72的差值是否大于7(2*3.5)，若差值不大于7，则判断所述非绩优人员不需要选择提升该行为因子a2的培训课程。
举例而言，一非绩优人员A1的行为因子a1的值为63，行为因子a2的值为60。此时可计算得到所述非绩优人员A1的行为因子a1与对应均值的差值＝(70-63)＝7，其小于2倍的标准差(2*4)，则判断所述非绩优人员A1暂时不需要选择提升该行为因子a1的培训课程。所述非绩优人员A1的行为因子a2与对应均值的差值＝(72-60)＝12，其大于2倍的标准差(2*3.5)，则判断所述非绩优人员A1需要选择提升该行为因子a2的培训课程。
实施例二：
图3为本发明非绩优人员培训系统较佳实施例的功能模块图。
参阅图2所示，所述非绩优人员培训系统10可以包括获取模块101、建立模块102、第一计算模块103、选取模块104、第二计算模块105及判定模块106。
获取模块101用于获取多个绩优人员的样本数据，其中所述样本数据包括行为因子数据及非行为因子数据，多个所述绩优人员分属于多种绩优类型，每一所述绩优人员分属于一种绩优类型。
在一实施方式中，所述获取模块101可以通过接入网络来连接至一绩优人员样本库，进而来获取所述绩优人员样本库存储的绩优人员的样本数据。所述绩优人员样本库可以通过大数据方式搜集多个绩优人员的样本数据，也可以通过接收人为录入的多个绩优人员的样本数据。
在一实施方式中，多个所述绩优人员分属于多种绩优类型，但每一所述绩优人员只分属于一个绩优类型，即每一所述绩优人员不能同时属于多种绩优类型。
举例而言，该多个绩优类型可以包括三种绩优类型，分别为资源型、学习型及勤奋型。资源型可以是指业务能力强、工作能力强的人员，学习型可以是指学习能力强、成长能力强的人员，勤奋型可以是指学习时间长、每天工作时间长的人员。对于每一绩优人员来说，其只能被归类到三种绩优类型中的一种。以下以绩优人员和非绩优人员是A公司员工为例进行举例说明。
举例而言，A公司包括1000名员工，该1000名员工可以被划分为绩优人员和非绩优人员两种类型，每一员工只能被划分为绩优人员或者被划分为非绩优人员，绩优人员和非绩优人员的划分可以根据多个绩优类型对应的划分规则进行划分，比如对于学习型绩优类型，可以根据每一员工的学习能力、成长能力来判定某一员工是否为学习型的绩优人员，再比如对应资源型绩优类型，可以根据每一员工的业务能力来判定某一员工是否属于资源型的绩优人员。绩优人员的类型包括资源型、学习型及勤奋型。比如根据每一员工的日常表现，其中200名员工被划分为绩优人员，其余800名员工被划分为非绩优人员。在200名绩优人员中，每一绩优人员属于一种绩优类型，资源型绩优人员包括80人，学习型绩优人员包括50人，勤奋型绩优人员包括70人。
在一实施方式中，绩优人员和非绩优人员的样本数据均包括行为因子数据及非行为因子数据。所述行为因子数据包括多个行为因子，所述非行为因子数据包括多个非行为因子，每一所述行为因子对应有一行为因子值，每一所述非行为因子对应有一非行为因子值，且所述绩优人员与所述非绩优人员具有相同的行为因子与非行为因子。所述行为因子优选是指后天的行为因素或者短时间可以改变、培养的行为因素，比如所述行为因子包括活动范围、出入各场所的频次、考勤、APP活跃情况、沟通能力等。所述非行为因子优选是指先天的行为因素或者短时间难以改变、培养的行为因素，比如所述非行为因子包括年龄、性别、学历等。
举例而言，一非行为因子为年龄，则对应的非行为因子值为年龄大小，若绩优人员A1的年龄为27，绩优人员A2的年龄为30，则绩优人员A1的年龄的非行为因子值为27，绩优人员A2的年龄的非行为因子值为30；若一行为因子为沟通能力，该行为因子的行为因子值可以根据员工的实际沟通能力水平进行评分(可以根据一预设评分标准)得到对应的行为因子值。在步骤S11中，所述获取多个绩优人员的样本数据即获取多个绩优人员的行为因子数据及非行为因子数据。
建立模块102用于根据多个所述绩优人员的非行为因子数据建立并训练得到一潜力绩优识别模型。
在一实施方式中，所述潜力绩优识别模型可以是基于神经网络模型和多个所述绩优人员的非行为因子数据训练出来的分类模型。具体地，所述建立模块102可以先建立一神经网络模型，所述神经网络模型包括输入层、多个隐藏层及输出层，再利用多个所述绩优人员的非行为因子数据对所述神经网络模型进行训练得到所述潜力绩优识别模型。
所述神经网络模型的输入层用于接收多个所述绩优人员的非行为因子数据，每一隐藏层包括多个节点(神经元)，每一隐藏层中的每一节点被配置成对来自该模型中的相邻下层的至少一个节点的输出执行线性或非线性变换。其中，上层隐藏层的节点的输入可以基于相邻下层中的一个节点或若干节点的输出，每个隐藏层具有对应的权值，该权值是基于训练样本数据获得的。在对该模型进行训练时，可以通过利用有监督的学习过程来进行模型的训练，得到各个隐藏层的初始权值。可以通过向后传播(Back propagation，BP)算法来对各隐藏层的权值的进行调节，所述神经网络模型的输出层用于接收来自最后一层隐藏层的输出信号。
在一实施方式中，所述建立模块102建立并训练得到一潜力绩优识别模型的方式可以具体包括：
a.将多个所述绩优人员的非行为因子数据划分为训练集及验证集；
b.建立一神经网络模型，并利用所述训练集对所述神经网络模型进行训练；
c.利用所述验证集对训练后的神经网络模型进行验证，并根据每一验证结果统计得到一模型预测准确率；
d.判断所述模型预测准确率是否小于预设阈值；
e.若所述模型预测准确率不小于所述预设阈值，将训练完成的所述神经网络模型作为所述潜力绩优识别模型。
f.若所述模型预测准确率小于所述预设阈值，调整所述神经网络模型的参数，并利用所述训练集重新对调整后的神经网络模型进行训练，直到验证集验证得到的模型预测准确率不小于所述预设阈值，其中所述神经网络模型的参数包括总层数、每一层的神经元数等。
在一实施方式中，所述调整所述神经网络模型的参数可以是调整所述神经网络模型的总层数和/或每一层的神经元数。所述训练集用于对神经网络模型进行训练，所述验证集用于对训练后的神经网络模型进行验证。
在一实施方式中，所述建立模块102可以先利用所述训练集对神经网络模型进行训练得到一中间模型，再将所述验证集中的绩优人员非行为因子数据输入至所述中间模型中进行绩优类型分类验证，并根据每一验证结果可以统计得到一模型预测准确率；再判断所述中间模型预测准确率是否小于预设阈值；若所述中间模型预测准确率不小于所述预设阈值，表明此中间模型分类效果较好，满足使用需求，可以直接将所述中间模型作为所述潜力绩优识别模型；若所述模型预测准确率小于所述预设阈值时，表明此中间模型分类效果不好，需要进行改善，此时可以调整所述神经网络模型的参数，并利用所述训练集重新对调整后的神经网络模型进行训练得到一新的中间模型，然后再次利用所述验证集对重新得到的中间模型进行验证得到一新的模型预测准确率，再判断该新的模型预测准确率是否小于预设阈值，若该新的模型预测准确率不小于所述预设阈值，表明重新得到的中间模型分类效果较好，满足使用需求，可以将重新得到的中间模型作为所述潜力绩优识别模型；如果该新的模型预测准确率仍然小于所述预设阈值，需要再次重复上述步骤直至通过验证集得到的模型预测准确率不小于所述预设阈值。
在一实施方式中，所述预设阈值可以根据实际使用需求进行设定，例如所述预设阈值设置为95％，即模型预测准确率需不小于95％。
所述第一计算模块103用于将非绩优人员的非行为因子数据输入至所述潜力绩优识别模型计算得出所述非绩优人员成长为每一绩优类型的概率值。
在一实施方式中，通过所述建立模块102的训练与验证，所述潜力绩优识别模型可以实现对非绩优人员的潜力绩优类型进行识别，此时可以将非绩优人员的非行为因子数据作为所述潜力绩优识别模型的输入，将所述潜力绩优识别模型的输出视为非绩优人员成长为各绩优类型的概率。
选取模块104用于从计算得出的所有概率值中选取一最大概率值，并将最大概率值对应的绩优类型作为所述非绩优人员的潜力绩优类型。
在一实施方式中，每一所述概率值代表着所述非绩优人员成长为每一绩优类型的绩优人员的概率值，所述选取模块104可以从计算得出的所有概率值中选取一最大概率值，并将最大概率值对应的绩优类型作为所述非绩优人员的潜力绩优类型，从而实现识别出所述非绩优人员成长的最具潜力的绩优类型。
举例而言，通过所述潜力绩优识别模型得到非绩优人员A1成长为资源型绩优人员的概率为0.6，成长为学习型绩优人员的概率为0.7，成长为勤奋型绩优人员的概率为0.55，由于成长为学习型绩优人员的概率值最大，则将学习型判定为该非绩优人员A1的潜力绩优类型。
在一实施方式中，当存在多个最大概率值时，所述选取模块104可以随机选择一最大概率值对应的绩优类型作为所述非绩优人员的潜力绩优类型。比如，通过所述潜力绩优识别模型得到非绩优人员A2成长为资源型绩优人员的概率为0.8，成长为学习型绩优人员的概率为0.7，成长为勤奋型绩优人员的概率为0.8，由于成长为勤奋型绩优人员与成长为资源型绩优人员的概率值均为0.8，则可以选择将勤奋型判定为该非绩优人员A2的潜力发展绩优类型，也可以将资源型判定为该非绩优人员A2的潜力发展绩优类型。
在一实施方式中，当存在多个最大概率值时，所述选取模块104还可以选择一与预设需求匹配的最大概率值对应的绩优类型作为所述非绩优人员的潜力绩优类型。比如，所述预设需求可以是公司当前紧要人员类型需求，若公司对于资源型绩优人员需求最大，对学习型绩优人员需求次之，对勤奋型绩优人员需求最低。此时若通过所述潜力绩优识别模型得到非绩优人员A2成长为资源型绩优人员的概率为0.8，成长为学习型绩优人员的概率为0.7，成长为勤奋型绩优人员的概率为0.8，由于成长为勤奋型绩优人员与成长为资源型绩优人员的概率值均为0.8且公司对于资源型绩优人员需求最大，则可以将资源型判定为该非绩优人员A2的潜力发展绩优类型。
第二计算模块105用于计算所述潜力绩优类型中的绩优人员的每一行为因子的均值与标准差，并将所述非绩优人员的每一行为因子值与所述潜力绩优类型的每一行为因子的均值进行一一对应比较。
在一实施方式中，通过所述选取模块104可以确定非绩优人员的潜力绩优类型，该潜力绩优类型包含有多个绩优人员的行为因子数据，通过所述第二计算模块105可以计算得到所述潜力绩优类型中的绩优人员的每一行为因子的均值与标准差，再将所述非绩优人员的每一行为因子值与所述潜力绩优类型的每一行为因子的均值进行一一对应比较来实现判断所述非绩优人员的每一行为因子是否需要进行提升。
在一实施方式中，所述非绩优人员的每一行为因子预先已经过量化，每一行为因子均具有一行为因子值。同样地，每一绩优人员的每一行为因子预先也已经过量化，即每一绩优人员的每一行为因子均具有一行为因子值。假设每一人员(绩优和非绩优)具有50个行为因子，通过步骤S14得到非绩优人员A1的潜力绩优类型是资源型。在绩优人员样本库中，资源型有100个绩优人员，则对于每一行为因子均具有100个值，求这100个绩优人员的每一行为因子的均值和标准差。比如，对于100个绩优人员的行为因子a1、行为因子a2而言，计算得到行为因子a1在该100个绩优人员的行为因子均值为70，标准差为4，计算得到行为因子a2在该100个绩优人员的行为因子均值为72，标准差为3.5。再将所述非绩优人员的行为因子a1的值与该均值70进行比较，将所述非绩优人员的行为因子a2的值与该均值72进行比较。
判定模块106用于在所述非绩优人员的一行为因子值与对应的行为因子的均值的差值大于标准差的预设倍数时，判定所述非绩优人员需要选择提升该行为因子的培训课程。
在一实施方式中，所述预设倍数可以根据实际使用场景进行设定，比如设定为2倍的标准差。在本发明的其他实施方式中，也可以设定为3倍或者4倍的标准差。
在一实施方式中，以2倍的标准差进行举例说明，所述非绩优人员的行为因子a1的值与对应均值70进行比较，判断差值是否大于2倍的标准差，即判断所述非绩优人员的行为因子a1的值与对应均值70的差值是否大于8(2*4)，若差值大于8，则所述判定模块106判断所述非绩优人员需要选择提升该行为因子a1的培训课程。将所述非绩优人员的行为因子a2的值与对应均值72进行比较，判断差值是否大于2倍的标准差，即判断所述非绩优人员的行为因子a2的值与对应均值72的差值是否大于7(2*3.5)，若差值大于7，则所述判定模块106判断所述非绩优人员需要选择提升该行为因子a2的培训课程。
在一实施方式中，所述判定模块106还用于在所述非绩优人员的一行为因子值与对应的行为因子的均值的差值不大于标准差的预设倍数时，判定所述非绩优人员不需要选择提升该行为因子的培训课程。
在一实施方式中，同样以2倍的标准差进行举例说明，所述非绩优人员的行为因子a1的值与对应均值70进行比较，判断差值是否大于2倍的标准差，即判断所述非绩优人员的行为因子a1的值与对应均值70的差值是否大于8(2*4)，若差值不大于8，则所述判定模块106判断所述非绩优人员不需要选择提升该行为因子a1的培训课程。将所述非绩优人员的行为因子a2的值与对应均值72进行比较，判断差值是否大于2倍的标准差，即判断所述非绩优人员的行为因子a2的值与对应均值72的差值是否大于7(2*3.5)，若差值不大于7，则所述判定模块106判断所述非绩优人员不需要选择提升该行为因子a2的培训课程。
举例而言，一非绩优人员A1的行为因子a1的值为63，行为因子a2的值为60。此时可计算得到所述非绩优人员A1的行为因子a1与对应均值的差值＝(70-63)＝7，其小于2倍的标准差(2*4)，则所述判定模块106判断所述非绩优人员A1暂时不需要选择提升该行为因子a1的培训课程。所述非绩优人员A1的行为因子a2与对应均值的差值＝(72-60)＝12，其大于2倍的标准差(2*3.5)，则所述判定模块106判断所述非绩优人员A1需要选择提升该行为因子a2的培训课程。
图4为本发明计算机装置较佳实施例的示意图。
所述计算机装置1包括存储器20、处理器30以及存储在所述存储器20中并可在所述处理器30上运行的计算机程序40，例如非绩优人员培训程序。所述处理器30执行所述计算机程序40时实现上述非绩优人员培训方法实施例中的步骤，例如图1所示的步骤S11～S16、图2所示的步骤S11～S17。或者，所述处理器30执行所述计算机程序40时实现上述非绩优人员培训系统实施例中各模块的功能，例如图3中的模块101～106。
示例性的，所述计算机程序40可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器20中，并由所述处理器30执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，所述指令段用于描述所述计算机程序40在所述计算机装置1中的执行过程。例如，所述计算机程序40可以被分割成图3中的获取模块101、建立模块102、第一计算模块103、选取模块104、第二计算模块105及判定模块106。各模块具体功能参见实施例二。
所述计算机装置1可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。本领域技术人员可以理解，所述示意图仅仅是计算机装置1的示例，并不构成对计算机装置1的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述计算机装置1还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者所述处理器30也可以是任何常规的处理器等，所述处理器30是所述计算机装置1的控制中心，利用各种接口和线路连接整个计算机装置1的各个部分。
所述存储器20可用于存储所述计算机程序40和/或模块/单元，所述处理器30通过运行或执行存储在所述存储器20内的计算机程序和/或模块/单元，以及调用存储在存储器20内的数据，实现所述计算机装置1的各种功能。所述存储器20可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据计算机装置1的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器20可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述计算机装置1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，所述计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
在本发明所提供的几个实施例中，应该理解到，所揭露的计算机装置和方法，可以通过其它的方式实现。例如，以上所描述的计算机装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
另外，在本发明各个实施例中的各功能单元可以集成在相同处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在相同单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。计算机装置权利要求中陈述的多个单元或计算机装置也可以由同一个单元或计算机装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种非绩优人员培训方法，其特征在于，所述方法包括：
获取多个绩优人员的样本数据，其中所述样本数据包括行为因子数据及非行为因子数据，多个所述绩优人员分属于多种绩优类型，每一所述绩优人员分属于一种绩优类型；
根据多个所述绩优人员的非行为因子数据建立并训练得到一潜力绩优识别模型；
将非绩优人员的非行为因子数据输入至所述潜力绩优识别模型计算得出所述非绩优人员成长为每一绩优类型的概率值；
从计算得出的所有概率值中选取一最大概率值，并将最大概率值对应的绩优类型作为所述非绩优人员的潜力绩优类型；
计算所述潜力绩优类型中的绩优人员的每一行为因子的均值与标准差，并将所述非绩优人员的每一行为因子值与所述潜力绩优类型的每一行为因子的均值进行一一对应比较；及
当所述非绩优人员的一行为因子值与对应的行为因子的均值的差值大于标准差的预设倍数时，判定所述非绩优人员需要选择提升该行为因子的培训课程。
2.如权利要求1所述的非绩优人员培训方法，其特征在于，所述行为因子数据包括多个行为因子，所述非行为因子数据包括多个非行为因子，每一所述行为因子对应有一行为因子值，每一所述非行为因子对应有一非行为因子值，且所述绩优人员与所述非绩优人员具有相同的行为因子与非行为因子。
3.如权利要求1或2所述的非绩优人员培训方法，其特征在于，所述根据多个所述绩优人员的非行为因子数据建立并训练得到一潜力绩优识别模型的步骤包括：
建立一神经网络模型，所述神经网络模型包括输入层、多个隐藏层及输出层；及
利用多个所述绩优人员的非行为因子数据对所述神经网络模型进行训练得到所述潜力绩优识别模型。
4.如权利要求1或2所述的非绩优人员培训方法，其特征在于，所述根据多个所述绩优人员的非行为因子数据建立并训练得到一潜力绩优识别模型的步骤包括：
将多个所述绩优人员的非行为因子数据划分为训练集及验证集；
建立一神经网络模型，并利用所述训练集对所述神经网络模型进行训练；
利用所述验证集对训练后的神经网络模型进行验证，并根据每一验证结果统计得到一模型预测准确率；
判断所述模型预测准确率是否小于预设阈值；
若所述模型预测准确率不小于所述预设阈值，将训练完成的所述神经网络模型作为所述潜力绩优识别模型。
5.如权利要求4所述的非绩优人员培训方法，其特征在于，所述判断所述模型预测准确率是否小于预设阈值的步骤之后还包括：
若所述模型预测准确率小于所述预设阈值，调整所述神经网络模型的参数，并利用所述训练集重新对调整后的神经网络模型进行训练；
利用所述验证集对重新训练的神经网络模型进行验证，并根据每一验证结果重新统计得到一模型预测准确率，并判断重新统计得到的模型预测准确率是否小于预设阈值；
若所述重新统计得到的模型预测准确率不小于所述预设阈值，将所述重新训练得到的神经网络模型作为所述潜力绩优识别模型；及
若所述重新统计得到的模型预测准确率小于所述预设阈值，重复上述步骤直至通过所述验证集验证得到的模型预测准确率不小于所述预设阈值；
其中，所述神经网络模型的参数包括总层数、每一层的神经元数。
6.如权利要求1所述的非绩优人员培训方法，其特征在于，所述计算所述潜力绩优类型中的绩优人员的每一行为因子的均值与标准差的步骤包括：
获取所述潜力绩优类型中包含的每一绩优人员的行为因子及行为因子值；及
根据每一绩优人员的一行为因子的行为因子值计算得出该行为因子的均值与标准差。
7.如权利要求1所述的非绩优人员培训方法，其特征在于，所述将所述非绩优人员的每一行为因子值与所述潜力绩优类型的每一行为因子的均值进行一一对应比较的步骤之后还包括：
当所述非绩优人员的一行为因子值与对应的行为因子的均值的差值不大于标准差的预设倍数时，判定所述非绩优人员不需要选择提升该行为因子的培训课程。
8.一种非绩优人员培训系统，其特征在于，所述系统包括：
获取模块，用于获取多个绩优人员的样本数据，其中所述样本数据包括行为因子数据及非行为因子数据，多个所述绩优人员分属于多种绩优类型，每一所述绩优人员分属于一种绩优类型；
建立模块，用于根据多个所述绩优人员的非行为因子数据建立并训练得到一潜力绩优识别模型；
第一计算模块，用于将非绩优人员的非行为因子数据输入至所述潜力绩优识别模型计算得出所述非绩优人员成长为每一绩优类型的概率值；
选取模块，用于从计算得出的所有概率值中选取一最大概率值，并将最大概率值对应的绩优类型作为所述非绩优人员的潜力绩优类型；
第二计算模块，用于计算所述潜力绩优类型中的绩优人员的每一行为因子的均值与标准差，并将所述非绩优人员的每一行为因子值与所述潜力绩优类型的每一行为因子的均值进行一一对应比较；及
判定模块，用于在所述非绩优人员的一行为因子值与对应的行为因子的均值的差值大于标准差的预设倍数时，判定所述非绩优人员需要选择提升该行为因子的培训课程。
9.一种终端，所述终端包括处理器及存储器，所述存储器上存储有若干计算机程序，其特征在于，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1-7中任意一项所述的非绩优人员培训方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任意一项所述的非绩优人员培训方法的步骤。
CN201810983357.4A 2018-08-27 2018-08-27 非绩优人员培训方法、系统、终端及计算机可读存储介质 Active CN109214448B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201810983357.4A CN109214448B (zh) 2018-08-27 2018-08-27 非绩优人员培训方法、系统、终端及计算机可读存储介质
PCT/CN2019/077511 WO2020042584A1 (zh) 2018-08-27 2019-03-08 非绩优人员培训方法、系统、计算机装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810983357.4A CN109214448B (zh) 2018-08-27 2018-08-27 非绩优人员培训方法、系统、终端及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN109214448A true CN109214448A (zh) 2019-01-15
CN109214448B CN109214448B (zh) 2023-04-07

Family

ID=64985452

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810983357.4A Active CN109214448B (zh) 2018-08-27 2018-08-27 非绩优人员培训方法、系统、终端及计算机可读存储介质

Country Status (2)

Country Link
CN (1) CN109214448B (zh)
WO (1) WO2020042584A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109919811A (zh) * 2019-01-25 2019-06-21 平安科技（深圳）有限公司 基于大数据的保险代理人培养方案生成方法及相关设备
WO2020042584A1 (zh) * 2018-08-27 2020-03-05 平安科技（深圳）有限公司 非绩优人员培训方法、系统、计算机装置及存储介质
CN112349168A (zh) * 2020-11-10 2021-02-09 国网天津静海供电有限公司 电力调控员沟通协调仿真培训系统及方法

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112529324A (zh) * 2020-12-18 2021-03-19 平安科技（深圳）有限公司 基于深度学习的产能计算方法、装置、设备及存储介质
CN114997263B (zh) * 2022-04-20 2024-05-07 平安科技（深圳）有限公司 基于机器学习的结训率分析方法、装置、设备及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107909272A (zh) * 2017-11-15 2018-04-13 平安科技（深圳）有限公司 员工培训报名方法、应用服务器及计算机可读存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106126597A (zh) * 2016-06-20 2016-11-16 乐视控股（北京）有限公司 用户属性预测方法及装置
CN108062657A (zh) * 2017-11-30 2018-05-22 朱学松 人才招聘面试方法及系统
CN108280542B (zh) * 2018-01-15 2021-05-11 深圳市和讯华谷信息技术有限公司 一种用户画像模型的优化方法、介质以及设备
CN109214448B (zh) * 2018-08-27 2023-04-07 平安科技（深圳）有限公司 非绩优人员培训方法、系统、终端及计算机可读存储介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107909272A (zh) * 2017-11-15 2018-04-13 平安科技（深圳）有限公司 员工培训报名方法、应用服务器及计算机可读存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020042584A1 (zh) * 2018-08-27 2020-03-05 平安科技（深圳）有限公司 非绩优人员培训方法、系统、计算机装置及存储介质
CN109919811A (zh) * 2019-01-25 2019-06-21 平安科技（深圳）有限公司 基于大数据的保险代理人培养方案生成方法及相关设备
CN109919811B (zh) * 2019-01-25 2023-09-15 平安科技（深圳）有限公司 基于大数据的保险代理人培养方案生成方法及相关设备
CN112349168A (zh) * 2020-11-10 2021-02-09 国网天津静海供电有限公司 电力调控员沟通协调仿真培训系统及方法

Also Published As

Publication number Publication date
WO2020042584A1 (zh) 2020-03-05
CN109214448B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN109214448A (zh) 非绩优人员培训方法、系统、终端及计算机可读存储介质
CN109214446A (zh) 潜力绩优人员类型识别方法、系统、终端及计算机可读存储介质
CN107766929B (zh) 模型分析方法及装置
CN111967971B (zh) 银行客户数据处理方法及装置
CN106952159B (zh) 一种不动产抵押品风险控制方法、系统及存储介质
CN110377804A (zh) 培训课程数据的推送方法、装置、系统及存储介质
CN109242012A (zh) 分组归纳方法及装置、电子装置及计算机可读存储介质
WO2020151170A1 (zh) 一种岗位画像设置方法、岗位画像设置装置及终端设备
CN111797320A (zh) 数据处理方法、装置、设备及存储介质
CN111582341B (zh) 用户异常操作预测方法及装置
CN109214671A (zh) 人员分组方法、装置、电子装置及计算机可读存储介质
CN114638442B (zh) 面向个体差异的飞行训练方案生成系统、方法及设备
CN107729921B (zh) 一种机器主动学习方法及学习系统
CN115081515A (zh) 能效评价模型构建方法、装置、终端及存储介质
CN110196805B (zh) 数据处理方法、装置、存储介质和电子装置
CN113256100B (zh) 一种基于虚拟现实技术的室内设计用教学方法及系统
CN109635869A (zh) 在线学习干预系统
Basaran et al. A multi-criteria decision making to rank android based mobile applications for mathematics
CN110175911A (zh) 基于深度学习的信贷审批结果预判方法及相关设备
CN112734142A (zh) 基于深度学习的资源学习路径规划方法及装置
CN111368131B (zh) 用户关系识别方法、装置、电子设备及存储介质
CN111754370B (zh) 一种基于人工智能的在线教育课程管理方法及系统
CN109993562A (zh) 一种满意度仿真方法、装置及终端设备
CN109413663B (zh) 一种信息处理方法和设备
CN116011787A (zh) 智能排课方法、装置、电子设备及计算机可读存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant