CN109492858A - 基于机器学习的员工绩效预测方法及装置、设备、介质 - Google Patents

Abstract

本公开提供了一种基于机器学习的员工绩效预测方法及装置、电子设备、计算机可读存储介质，属于人工智能技术领域。该方法包括：获取待预测员工的业务日志，并统计所述待预测员工的初始特征数据；通过决策树模型处理所述初始特征数据，得到组合特征数据；通过线性回归模型处理所述组合特征数据，得到所述待预测员工的绩效预测值。本公开提供了一种可以预测员工绩效的方法，并且预测结果可以体现特征之间的关联，具有较高的准确性。

Description

基于机器学习的员工绩效预测方法及装置、设备、介质

技术领域

本公开涉及人工智能技术领域，尤其涉及一种基于机器学习的员工绩效预测方法及装置、电子设备、计算机可读存储介质。

背景技术

员工绩效评价几乎是每个企业中不可缺少的一项业务。基于员工绩效评价，可以实现企业的人力培养、人才筛选、岗位分配、员工激励等多方面的人力资源战略目标，因此对于企业具有重要的意义。

现有的员工绩效评价方法多数是设立与绩效相关的多个评价指标，根据员工的业务表现对每个指标进行打分，再综合各个得分以做出员工的绩效评价。然而该方法存在以下几点不足：对于多个指标独立评价，无法将各个指标关联起来，从而忽视了指标相关联所产生的影响，不利于做出准确的绩效评价；并且，评价结果只是反映员工当前的业务水平，不具有预测性，无法识别出具有发展潜力的员工，特别是对于竞聘期、试用期员工的短期绩效评价，无法为企业实现有效的人才筛选。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种基于机器学习的员工绩效预测方法及装置、电子设备、计算机可读存储介质，进而至少在一定程度上克服现有的员工绩效评价方法无法反映绩效指标的关联性，以及无法预测员工绩效的问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的一个方面，提供一种基于机器学习的员工绩效预测方法，包括：获取待预测员工的业务日志，并统计所述待预测员工的初始特征数据；通过决策树模型处理所述初始特征数据，得到组合特征数据；通过线性回归模型处理所述组合特征数据，得到所述待预测员工的绩效预测值。

在本公开的一种示例性实施例中，所述决策树模型包括n棵决策树，其中决策树i包括a(i)条决策路径，每条所述决策路径中的全部特征分类条件形成一个组合特征，所述决策树模型共包括m个所述组合特征，其中，i∈[1,n]，通过决策树模型处理所述初始特征数据，得到组合特征数据包括：将所述初始特征数据分别输入所述n棵决策树，以确定所述初始特征数据在各所述决策树中对应的特征决策路径；将所述待预测员工在所述特征决策路径形成的组合特征下的组合特征数据确定为1，并将所述待预测员工在其他组合特征下的组合特征数据确定为0。

在本公开的一种示例性实施例中，所述决策树模型包括梯度提升决策树模型。

在本公开的一种示例性实施例中，所述梯度提升决策树模型包括多棵双层决策树。

在本公开的一种示例性实施例中，还包括：获取样本特征数据及对应的绩效标记值；通过所述样本特征数据及绩效标记值训练并得到所述梯度提升决策树模型；通过所述梯度提升决策树模型处理所述样本特征数据，得到样本组合特征数据；通过所述样本组合特征数据及绩效标记值训练并得到所述线性回归模型。

在本公开的一种示例性实施例中，还包括：将所述样本特征数据及绩效标记值划分为训练集与验证集；通过所述样本特征数据及绩效标记值训练并得到所述梯度提升决策树模型包括：通过所述训练集训练并得到多颗候选决策树，并通过所述验证集验证各所述候选决策树的准确率；保留各所述候选决策树中所述准确率高于预设值的候选决策树，以获得所述梯度提升决策树模型。

根据本公开的一个方面，提供一种基于机器学习的员工绩效预测装置，包括：数据统计模块，用于获取待预测员工的业务日志，并统计所述待预测员工的初始特征数据；特征组合模块，用于通过决策树模型处理所述初始特征数据，得到组合特征数据；回归分析模块，用于通过线性回归模型处理所述组合特征数据，得到所述待预测员工的绩效预测值。

在本公开的一种示例性实施例中，所述决策树模型包括n棵决策树，其中决策树i包括a(i)条决策路径，每条所述决策路径中的全部特征分类条件形成一个组合特征，所述决策树模型共包括m个所述组合特征，其中，i∈[1,n]，所述特征组合模块包括：路径确定单元，用于将所述初始特征数据分别输入所述n棵决策树，以确定所述初始特征数据在各所述决策树中对应的特征决策路径；数据确定单元，用于将所述待预测员工在所述特征决策路径形成的组合特征下的组合特征数据确定为1，并将所述待预测员工在其他组合特征下的组合特征数据确定为0。

根据本公开的一个方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一种示例性实施例所述的方法。

根据本公开的一个方面，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上述任意一种示例性实施例所述的方法。

本公开的示例性实施例具有以下有益效果：

获取待预测员工的业务日志后，统计出初始特征数据，并通过决策树模型转换为组合特征数据，再通过线性回归模型由组合特征数据计算待预测员工的绩效预测值。一方面，本实施例提供了一种预测员工绩效的方法，预测结果可以反映员工未来的绩效水平，以识别出员工的发展潜力，帮助企业实现准确的人才筛选及员工定位，降低企业进行员工培养的成本。另一方面，通过将初始特征数据转换为组合特征数据，可以在不同的初始特征之间建立联系，并通过组合特征数据分析绩效预测值，以体现初始特征相联系后所形成的影响，相较于孤立的分析各特征的方法，本实施例的绩效预测结果更加准确。再一方面，本实施例基于决策树模型及线性回归模型对员工业务数据进行分析，以做出绩效的预测结果，分析过程完全客观，且标准统一，从而使预测结果能够较好的反映不同员工之间的差异，以帮助企业实现对员工的个性化管理及培养。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出本公开示例性实施例中一种员工绩效预测方法的流程图；

图2示出本公开示例性实施例中一种用于员工绩效预测的决策树模型示意图；

图3示出本公开示例性实施例中一种员工绩效预测方法的子流程图；

图4示出本公开示例性实施例中另一种员工绩效预测方法的子流程图；

图5示出本公开示例性实施例中一种员工绩效预测装置的结构框图；

图6示出本公开示例性实施例中一种用于实现上述方法的电子设备；

图7示出本公开示例性实施例中一种用于实现方法的计算机可读存储介质。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的属性、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。

本公开的示例性实施例首先提供了一种基于机器学习的员工绩效预测方法，可以根据员工短期或当前的业务表现预测其长期或未来的绩效水平。参考图1所示，该方法可以包括以下步骤S11～S13：

步骤S11，获取待预测员工的业务日志，并统计待预测员工的初始特征数据。

其中，初始特征是指能够从不同方面反映员工绩效的指标，初始特征下的数据即初始特征数据。表1示出多个保险公司员工的初始特征数据，其中员工的出勤率、销售额、电销通话时间等为初始特征。需要说明的是，初始特征数据可以来自于员工的业务日志中的原始数据，例如表1中的客户数量、业务考试成绩，也可以来自于业务日志中原始数据的计算或转换，例如表1中的销售额、电销通话时间是由一段时间的流水记录数据累积计算得到的。此外，业务日志还可以包括非数据型记录，例如员工的业务投诉记录、工作违规记录、客户褒奖记录等的原始记录通常都是文本信息，为了便于后续的分析处理，可以将其量化并转换为数据。

表1

步骤S12，通过决策树模型处理初始特征数据，得到组合特征数据。

在机器学习中，决策树模型是一种预测模型，代表的是对象的属性值与分类结果之间的一种映射关系。决策树模型通常包含一棵或多棵决策树，其中每棵决策树可以将对象的属性值进行一系列决策分类，以将对象尽量的区分为不同的分类结果。在决策分类中，决策树形成的决策路径实际上将对象的属性值进行了分类组合。本实施例中，对象即待预测员工，属性值即初始特征数据，决策树模型并非用于预测分类结果，而是通过决策路径对初始特征数据进行组合转换，以生成组合特征数据。

举例而言，在一示例性实施例中，决策树模型可以包括n棵决策树，其中决策树i可以包括a(i)条决策路径，每条所述决策路径中的全部特征分类条件可以形成一个组合特征，则该决策树模型一共可以包括m个组合特征，其中，i∈[1,n]，可以将m个组合特征按照决策树的顺序以及特征路径在决策树中的顺序进行排列，例如决策树1的第1条特征路径对应的组合特征为组合特征[1]，决策树2的第2条特征路径对应的组合特征为组合特征[a(1)+1]，决策树i的第j条特征路径对应的组合特征为组合特征[a(1)+a(2)+…+a(i-1)+j]。

步骤S12可以通过以下步骤实现：将初始特征数据分别输入n棵决策树，以确定初始特征数据在各决策树中对应的特征决策路径；将待预测员工在特征决策路径形成的组合特征下的组合特征数据确定为1，在其他组合特征下的组合特征数据确定为0。

假设待预测员工的初始特征数据在决策树i中的特征决策路径为决策树i的第b(i)条路径，则该员工在以下组合特征的数据为1：组合特征[b(1)]、组合特征[a(1)+b(2)]…组合特征[a(1)+a(2)+…+a(i-1)+b(i)]…组合特征[a(1)+a(2)+…+a(n-1)+b(n)]，一共有n个；该员工在其他组合特征的数据为0。

图2示出一种决策树模型，包括两棵决策树，其中每棵决策树又分别包含4条决策路径，每条决策路径形成一个组合特征，则图2的决策树模型一共包括8个组合特征，具体可以如表2所示。将表1中的初始特征数据输入图2的决策树模型中，以员工A为例，员工A的初始特征数据在决策树1中对应于第2条决策路径，在决策树2中对应于第3条决策路径，则员工A的组合特征数据可以如表2所示，其中组合特征2与组合特征7的数据为1，其他组合特征的数据为0。依据同样的方法，可以将员工B～员工F的初始特征数据转换为组合特征数据，转换结果如表2所示。

表2

应当理解，图2中的模型及表2中的组合特征数据仅是示例。实际应用中，决策树模型可以是单决策树模型，也可以是包含任意数量决策树的集成学习模型，并且其中决策树的决策分类次数也不限于图2所示的两次，可以通过任意次数的决策分类得到最终的决策路径；组合特征数据也不限于表2所示的1/0形式，表2中组合特征数据1代表该组合特征为待预测员工的初始特征数据对应的特征决策路径所形成的组合特征，反之则为0，其他任何能够区分的方式都可以被采用，例如+1/-1，100/0等，本实施例对此不做特别限定。

步骤S13，通过线性回归模型处理组合特征数据，得到待预测员工的绩效预测值。

线性回归是利用数理统计中回归分析，来确定两种或两种以上变量间相互依赖的定量关系的一种分析方法。本实施例中，每个组合特征可以为一个自变量，最终的绩效预测值可以为因变量。线性回归模型在各组合特征与绩效预测值之间建立了线性关联，通常可以表示为以下公式：

Y＝W^T*X+C； (1)

其中，X为组合特征数据向量，W为权重向量，C为常数项，Y为绩效预测值。W与C的数值都是已经确定的，通常可以在模型的训练过程中确定。以表2中的组合特征数据为例，员工A的组合特征数据向量为X(A)＝(0；1；0；0；0；0；1；0)，将X(A)代入上述公式(1)，即可计算出员工A的绩效预测值。

上述方法中，获取待预测员工的业务日志后，统计出初始特征数据，并通过决策树模型转换为组合特征数据，再通过线性回归模型由组合特征数据计算待预测员工的绩效预测值。一方面，本实施例提供了一种预测员工绩效的方法，预测结果可以反映员工未来的绩效水平，以识别出员工的发展潜力，帮助企业实现准确的人才筛选及员工定位，降低企业进行员工培养的成本。另一方面，通过将初始特征数据转换为组合特征数据，可以在不同的初始特征之间建立联系，并通过组合特征数据分析绩效预测值，以体现初始特征相联系后所形成的影响，相较于孤立的分析各特征的方法，本实施例的绩效预测结果更加准确。再一方面，本实施例基于决策树模型及线性回归模型对员工业务数据进行分析，以做出绩效的预测结果，分析过程完全客观，且标准统一，从而使预测结果能够较好的反映不同员工之间的差异，以帮助企业实现对员工的个性化管理及培养。

根据取样方法的不同，可以生成不同类型的决策树模型：通过Bagging(BootstrapAggregating，一种等权重的放回取样方法)取样生成决策树，各决策树之间平均分配权重，例如随机森林模型；通过Boosting(一种递归调整权重的取样方法)取样生成决策树，后期生成的决策树具有更高的权重，例如梯度提升决策树模型。两种取样方法都可以用于生成本实施例的决策树。在一示例性实施例中，为了减少组合特征的数量，可以通过Boosting取样以生成决策树，则决策树模型可以是梯度提升决策树模型。由前述实施例可知，组合特征的数量为：其中n为决策树的数量。可见，决策树的数量对于组合特征的数量有非常大的影响，当决策树数量较少时，组合特征的数量也相应的较少。而Boosting取样有利于确定分类预测准确率较高的决策树，决策树数量通常少于Bagging取样生成的决策树，因此采用梯度提升决策树模型可以较好的控制组合特征的数量，以降低模型的数据量。

进一步的，为了降低组合特征的复杂度，梯度提升决策树模型可以包括多棵双层决策树。双层决策树是指所有的决策路径最多经过两次决策分类即到达叶节点的决策树。上述图2所示的决策树即为双层决策树，其中的决策路径均经过两次决策分类，例如决策树1的第1条决策路径经过“出勤率≥90”与“销售额≥6000”两次决策分类后到达叶节点1，对应的组合特征为“出勤率≥90+销售额≥6000”，是两个初始特征分类条件的组合。可见，组合特征包含的初始特征分类条件的数量与决策树的决策层数有关。在双层决策树中，组合特征包含的初始特征分类条件数均不超过2。需要说明的是，双层决策树中可能还包括经过一次决策分类即到达叶节点的决策路径，则相应的组合特征只包含一个初始特征分类条件。

此外，为了增强组合特征中的各初始特征分类条件的关联性，梯度提升决策树模型也可以包括三层决策树、四层决策树等，本实施例对此不做特别限定。通常决策树的层数越多，越能够体现初始特征之间复杂的关联。

在一示例性实施例中，参考图3所示，所述方法还可以包括以下步骤：步骤S31，获取样本特征数据及对应的绩效标记值；步骤S32，通过样本特征数据及绩效标记值训练并得到梯度提升决策树模型；步骤S33，通过梯度提升决策树模型处理样本特征数据，得到样本组合特征数据；步骤S34，通过样本组合特征数据及绩效标记值训练并得到线性回归模型。

其中，样本特征数据可以来自于其他员工的历史数据，并且这些员工已经进行过绩效评价，其评价结果即绩效标记值。例如，本实施例可用于根据新员工在试用期的业绩表现预测其一年后的绩效水平，则可将老员工同时期的业绩表现作为样本特征数据，并将老员工在同时期的一年后的绩效评价作为样本特征数据对应的绩效标记值。由于绩效标记值通常是连续分布的数值，难以直接作为梯度提升决策树模型的样本数据标记而使用，可以将其转换为离散的分类标记，例如绩效评价高于60的标记为“合格”，低于60的标记为“不合格”，或者将绩效评价划分为“优秀”、“良好”、“中等”、“不足”等，并按照划分标准进行标记。利用样本特征数据以及将绩效标记值离散化处理后的分类标记，可以通过Boosting取样生成多颗决策树，以获得梯度提升决策树模型。将样本特征数据输入梯度提升决策树模型中，根据样本特征数据在各决策树中对应的特征决策路径，可以得到样本组合特征数据。再通过样本组合特征数据及最初的绩效标记值(即未进行离散化处理的绩效标记值)训练线性回归模型，多次迭代以调整模型的各项参数，包括公式(1)中的W与C，得到最终的线性回归模型。则梯度提升决策树模型加线性回归模型可以组成本实施例的绩效预测模型。

在梯度提升决策树模型的各决策树中，初期训练的决策树通常准确率较低，随着Boosting取样中加强错误分类样本的权重，后期训练的决策树准确率较高。基于这种情况，在一示例性实施例中，参考图4所示，所述方法还可以包括：步骤S41，将样本特征数据及绩效标记值划分为训练集与验证集；例如常用的随机8:2划分等。则步骤S32可以通过图4中的步骤S42与S43实现：步骤S42，通过训练集训练并得到多颗候选决策树，并通过验证集验证各候选决策树的准确率；步骤S43，保留各候选决策树中准确率高于预设值的候选决策树，以获得梯度提升决策树模型。换而言之，可以舍弃梯度提升决策树模型中准确率较低的候选决策树。其中，作为准确率标准的预设值可以根据经验设定，也可以根据各决策树的准确率水平而调整，例如准确率水平普遍较高时，可以适当调高预设值，反之可以适当调低预设值等。

除了准确率预设值外，还可以通过其他方式对决策树进行筛选，例如保留准确率最高的k颗候选决策树(当候选决策树的决策路径数量普遍较多时，可以设定较小的k值，反之可以设定较大的k值)，保留一定比例的候选决策树等，本实施例对此不做特别限定。

通过候选决策树筛选，可以对梯度提升决策树模型进行精简，并减少组合特征的数量，以进一步降低模型的数据量。

本公开的示例性实施例还提供了一种基于机器学习的员工绩效预测装置，参考图5所示，该装置50可以包括：数据统计模块51，用于获取待预测员工的业务日志，并统计待预测员工的初始特征数据；特征组合模块52，用于通过决策树模型处理初始特征数据，得到组合特征数据；回归分析模块53，用于通过线性回归模型处理组合特征数据，得到待预测员工的绩效预测值。

在一示例性实施例中，决策树模型可以包括n棵决策树，其中决策树i可以包括a(i)条决策路径，每条决策路径中的全部特征分类条件形成一个组合特征，决策树模型共包括m个组合特征，其中，i∈[1,n]，特征组合模块可以包括：路径确定单元，用于将初始特征数据分别输入n棵决策树，以确定初始特征数据在各决策树中对应的特征决策路径；数据确定单元，用于将待预测员工在特征决策路径形成的组合特征下的组合特征数据确定为1，并将待预测员工在其他组合特征下的组合特征数据确定为0。

在一示例性实施例中，决策树模型可以包括梯度提升决策树模型。

在一示例性实施例中，梯度提升决策树模型可以包括多棵双层决策树。

在一示例性实施例中，员工绩效预测装置还可以包括：模型训练模块，其中模型训练模块又可以包括：样本获取单元，用于获取样本特征数据及样本特征数据对应的绩效标记值；决策树训练单元，用于通过样本特征数据及绩效标记值训练并得到梯度提升决策树模型；组合特征确定单元，用于通过梯度提升决策树模型处理样本特征数据，得到样本组合特征数据；线性回归训练单元，用于通过样本组合特征数据及绩效标记值训练并得到线性回归模型。

在一示例性实施例中，样本获取单元还可以用于将样本特征数据及绩效标记值划分为训练集与验证集；决策树训练单元还可以用于通过训练集训练并得到多颗候选决策树，并通过验证集验证各候选决策树的准确率，以及保留各候选决策树中准确率高于预设值的候选决策树，以获得梯度提升决策树模型。

上述各模块/单元的具体细节在方法部分的实施例中已经详细说明，因此不再赘述。

本公开的示例性实施例还提供了一种能够实现上述方法的电子设备。

所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图6来描述根据本公开的这种示例性实施例的电子设备600。图6显示的电子设备600仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：上述至少一个处理单元610、上述至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如，所述处理单元610可以执行图1所示的步骤S11～S13，也可以执行图3所示的步骤S31～S34等。

存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)621和/或高速缓存存储单元622，还可以进一步包括只读存储单元(ROM)623。

存储单元620还可以包括具有一组(至少一个)程序模块625的程序/实用工具624，这样的程序模块625包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备600也可以与一个或多个外部设备800(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器660通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开示例性实施例的方法。

本公开的示例性实施例还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。

参考图7所示，描述了根据本公开的示例性实施例的用于实现上述方法的程序产品700，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的示例性实施例，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。

Claims (10)

1.一种基于机器学习的员工绩效预测方法，其特征在于，包括：

获取待预测员工的业务日志，并统计所述待预测员工的初始特征数据；

通过决策树模型处理所述初始特征数据，得到组合特征数据；

通过线性回归模型处理所述组合特征数据，得到所述待预测员工的绩效预测值。

2.根据权利要求1所述的方法，其特征在于，所述决策树模型包括n棵决策树，其中决策树i包括a(i)条决策路径，每条所述决策路径中的全部特征分类条件形成一个组合特征，所述决策树模型共包括m个所述组合特征，其中，i∈[1,n]，

所述通过决策树模型处理所述初始特征数据，得到组合特征数据包括：

将所述初始特征数据分别输入所述n棵决策树，以确定所述初始特征数据在各所述决策树中对应的特征决策路径；

将所述待预测员工在所述特征决策路径形成的组合特征下的组合特征数据确定为1，并将所述待预测员工在其他组合特征下的组合特征数据确定为0。

3.根据权利要求1或2所述的方法，其特征在于，所述决策树模型包括梯度提升决策树模型。

4.根据权利要求3所述的方法，其特征在于，所述梯度提升决策树模型包括多棵双层决策树。

5.根据权利要求3所述的方法，其特征在于，还包括：

获取样本特征数据及所述样本特征数据对应的绩效标记值；

通过所述样本特征数据及所述绩效标记值训练并得到所述梯度提升决策树模型；

通过所述梯度提升决策树模型处理所述样本特征数据，得到样本组合特征数据；

通过所述样本组合特征数据及所述绩效标记值训练并得到所述线性回归模型。

6.根据权利要求5所述的方法，其特征在于，还包括：

将所述样本特征数据及所述绩效标记值划分为训练集与验证集；

所述通过所述样本特征数据及所述绩效标记值训练并得到所述梯度提升决策树模型包括：

通过所述训练集训练并得到多颗候选决策树，并通过所述验证集验证各所述候选决策树的准确率；

保留各所述候选决策树中所述准确率高于预设值的候选决策树，以获得所述梯度提升决策树模型。

7.一种基于机器学习的员工绩效预测装置，其特征在于，包括：

数据统计模块，用于获取待预测员工的业务日志，并统计所述待预测员工的初始特征数据；

特征组合模块，用于通过决策树模型处理所述初始特征数据，得到组合特征数据；

回归分析模块，用于通过线性回归模型处理所述组合特征数据，得到所述待预测员工的绩效预测值。

8.根据权利要求7所述的装置，其特征在于，所述决策树模型包括n棵决策树，其中决策树i包括a(i)条决策路径，每条所述决策路径中的全部特征分类条件形成一个组合特征，所述决策树模型共包括m个所述组合特征，其中，i∈[1,n]，

所述特征组合模块包括：

路径确定单元，用于将所述初始特征数据分别输入所述n棵决策树，以确定所述初始特征数据在各所述决策树中对应的特征决策路径；

数据确定单元，用于将所述待预测员工在所述特征决策路径形成的组合特征下的组合特征数据确定为1，并将所述待预测员工在其他组合特征下的组合特征数据确定为0。

9.一种电子设备，其特征在于，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-6任一项所述的方法。

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权利要求1-6任一项所述的方法。