CN109523056A - 对象能力分类预测方法及装置、电子设备、存储介质 - Google Patents

Abstract

本公开提供了一种对象能力分类预测方法及装置、电子设备、计算机可读存储介质，属于数据处理技术领域。该方法包括：获取目标对象的历史表现记录，并从所述历史表现记录中按照统计周期统计多个指标的数据；根据所述多个指标的数据分别计算各所述统计周期内所述目标对象在多个候选类型下的评价数值；根据所述评价数值，计算预设未来周期内所述目标对象在各所述候选类型下的预测数值；将所述预测数值最大的候选类型确定为所述目标对象的预测类型。本公开可以实现对于对象能力的分类预测，结果可以反映对象未来的能力水平，且准确性较高。

Description

对象能力分类预测方法及装置、电子设备、存储介质

技术领域

本公开涉及数据处理技术领域，尤其涉及一种对象能力分类预测方法及装置、电子设备、计算机可读存储介质。

背景技术

以人为对象的能力评价方法在很多领域都有应用，例如企业对员工进行绩效评价，以确定员工是否胜任工作，并形成一定的激励制度；学校对学生进行素质评价，以确定学生是否具备录取资格等。

现有的能力评价方法多数是基于人为判断或比较简单的打分制度，存在以下几点不足：评价方法具有较强的主观性，难以形成客观的统一标准；由于实行评价的人力限制，评价所基于的数据或事实通常只是对象所有相关行为或表现中的一部分，因此评价结果对于对象能力的反映不够全面；评价结果只是反映对象当前的能力水平，不具有预测性，无法识别具有长期潜力的对象，并且也无法为对象的未来发展形成引导。

基于上述原因，有必要提出一种对象能力分类预测方法。

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对象能力分类预测方法及装置、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对象能力评价方法不具有预测性的问题。

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，提供一种对象能力分类预测方法，包括：获取目标对象的历史表现记录，并从所述历史表现记录中按照统计周期统计多个指标的数据；根据所述多个指标的数据分别计算各所述统计周期内所述目标对象在多个候选类型下的评价数值；根据所述评价数值，计算预设未来周期内所述目标对象在各所述候选类型下的预测数值；将所述预测数值最大的候选类型确定为所述目标对象的预测类型。

在本公开的一种示例性实施例中，所述历史表现记录包括自然语言记录；所述从所述历史表现记录中按照统计周期统计多个指标的数据包括：通过自然语言处理模型确定所述自然语言记录中每个语句的感情分类等级；分别统计各所述统计周期内的全部所述语句的感情分类等级，以确定至少一个所述指标在各所述统计周期的数据。

在本公开的一种示例性实施例中，所述根据所述多个指标的数据分别计算各所述统计周期内所述目标对象在多个候选类型下的评价数值包括：将所述多个指标的数据进行归一化处理，得到归一化数据；在各所述统计周期内，将所述归一化数据分别通过多个预设加权方案进行加权计算，得到所述目标对象在各所述候选类型下的评价数值。

在本公开的一种示例性实施例中，所述根据所述评价数值，计算预设未来周期内所述目标对象在各所述候选类型下的预测数值包括：分别利用函数对各所述统计周期内所述目标对象在每个所述候选类型下的评价数值进行拟合，并通过所述函数计算所述预设未来周期内所述目标对象在每个所述候选类型下的预测数值。

在本公开的一种示例性实施例中，所述函数为y＝a·x^b+c，其中，y为所述评价数值，x为所述统计周期的序号，a、b、c为所述函数的参数；所述分别利用函数对各所述统计周期内所述目标对象在每个所述候选类型下的评价数值进行拟合，并通过所述函数计算所述预设未来周期内所述目标对象在每个所述候选类型下的预测数值包括：分别利用所述函数y＝a·x^b+c对各所述统计周期内所述目标对象在每个所述候选类型下的评价数值进行拟合，以确定每个所述候选类型对应的所述函数的a、b、c的值；通过每个所述候选类型对应的所述函数y＝a·x^b+c计算所述预设未来周期内所述目标对象在每个所述候选类型下的预测数值。

在本公开的一种示例性实施例中，所述将所述预测数值最大的候选类型确定为所述目标对象的预测类型包括：判断各所述候选类型下的预测数值中最大的预测数值是否达到标准数值；如果达到，则将所述最大的预测数值对应的候选类型确定为所述目标对象的预测类型。。

根据本公开的一个方面，提供一种对象能力分类预测装置，包括：指标统计模块，用于获取目标对象的历史表现记录，并从所述历史表现记录中按照统计周期统计多个指标的数据；评价计算模块，用于根据所述多个指标的数据分别计算各所述统计周期内所述目标对象在多个候选类型下的评价数值；数值预测模块，用于根据所述评价数值，计算预设未来周期内所述目标对象在各所述候选类型下的预测数值；类型确定模块，用于将所述预测数值最大的候选类型确定为所述目标对象的预测类型。

在本公开的一种示例性实施例中，所述数值预测模块包括：函数拟合单元，用于分别利用函数对各所述统计周期内所述目标对象在每个所述候选类型下的评价数值进行拟合；数值计算单元，用于通过所述函数计算预设未来周期内所述目标对象在每个所述候选类型下的预测数值。

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：

在上述方法及装置中，获取目标对象的历史表现记录后，从中按照统计周期统计多个指标的数据，并计算各统计周期内目标对象在多个候选类型下的评价数值，再根据评价数值计算预设未来周期内各候选类型下的预测数值，将其中预测数值最大的候选类型确定为目标对象的预测类型，以完成对目标对象的分类预测。一方面，本实施例的方法实现了对于目标对象能力的分类预测，因此分类预测结果可以反映目标对象未来的能力水平，以识别出目标对象在各个方面的发展潜力，可以为目标对象未来的发展形成有效引导；并且本实施例的方法可以应用于企业对试用期员工进行分类评价等场景，帮助企业实现对员工的精准定位，提高企业进行员工培养的效率。另一方面，分类预测过程全部基于目标对象历史表现记录的数据计算，因此得到的结果非常客观，排除了主观的影响，对于不同对象的分类预测可以保证标准的统一。再一方面，本实施例的方法是基于自动计算的过程，可以将目标对象全部历史表现记录纳入考量范围，从大量的数据中计算目标对象在各候选类型下的预测数值，因此可以全面反映目标对象在不同方面的能力，结果的准确性较高。

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对象能力分类预测方法的流程图；

图2示出本公开示例性实施例中另一种对象能力分类预测方法的流程图；

图3示出本公开示例性实施例中一种对评价数值进行函数拟合的示意图；

图4示出本公开示例性实施例中一种对象能力分类预测装置的结构框图；

图5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6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对象能力分类预测方法。其中，所述对象是指待分类预测的人员，包括企业员工、学生、培训机构的学员等。分类预测是指根据对象现有的数据或事实，预测在未来某一时间该对象的能力分类评价数值，例如根据员工试用期的表现预测员工未来适合哪种类型的岗位，根据学生的历史学业表现预测学生未来适合哪个专业等，从而提供更加具体有效的参考。

下面结合附图1对本示例性实施例进行具体说明，参考图1所示，所述方法可以包括以下步骤：

步骤S11，获取目标对象的历史表现记录，并从历史表现记录中按照统计周期统计多个指标的数据。

历史表现记录是指目标对象全部相关行为表现的原始记录，例如员工的业务记录、学生的课业记录等。统计周期可以是便于统计的任意时间粒度，例如一天、一个月、一个季度等。指标是指能够体现目标对象能力的数据维度，例如员工的各种业绩指标、学生的各项学业指标等。表1示例性示出对一个保险公司员工的历史表现记录进行统计后的指标数据表，其中统计周期为一个月，活跃度、销售额、销售通话时间等为指标，这些指标的数据能够反映该员工的业绩能力。需要说明的是，指标的数据可以来自于历史表现记录中的原始数据，例如表1中的团队人数、业务考试成绩，也可以来自于历史表现记录中原始数据的计算或转换，例如表1中的活跃度数据是由员工的活跃时间、活跃频率等转化计算得到的，销售额数据是由每个月的销售数据累积得到的。此外，历史表现记录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，可以将其定量的转换为数据，例如表1中的奖惩事件。

表1

步骤S12，根据所述多个指标的数据分别计算各统计周期内目标对象在多个候选类型下的评价数值。

候选类型是指为了预测目标对象在不同方面的能力而设置的分类。例如表2所示为保险公司对员工进行分类预测而设置了3个候选类型，包括销售型、主管型、综金型(综合金融业务岗位)。对于每个候选类型，可以通过特定的公式(如加权公式)计算出其在每个统计周期内的评价数值。由于不同候选类型与各个指标的相关性及相关程度都不同，计算不同候选类型的评价数值所需的数据种类以及采用的计算方法也可以都不同。为了便于比较不同候选类型的评价数值，可以将评价数值转换为统一的标准，例如在一个较大的员工数据样本集中，计算出各统计周期内每个员工在每种候选类型下的评价数值，从中选择每个候选类型的最大评价数值，将各评价数值除以所属候选类型的最大评价数值，得到的结果可以作为最终的评价数值。

统计周期	销售型	主管型	综金型
				第1个月	0.372	0.226	0.458
第2个月	0.430	0.248	0.519
				第3个月	0.508	0.315	0.572
第4个月	0.457	0.375	0.540
				第5个月	0.573	0.519	0.647
……
				第12个月
第24个月

表2

步骤S13，根据所述评价数值，计算预设未来周期内目标对象在各候选类型下的预测数值。

预设未来周期是指根据实际需要而设定的衡量目标对象能力发展的时间节点。以表2为例，如果企业重视员工入职一年后或两年后的能力发展状况，可以相应的将预设未来周期设定为12或24，根据已有的5个统计周期的评价数值计算员工在第12或24个统计周期内的预测数值。在计算每个候选类型下的预测数值时，基本原理可以是基于已有的评价数值，计算变化的趋势，再根据变化的趋势及预设未来周期计算预测数值。具体的计算方法可以有多种，举例说明如下：

以表2中的销售型计算为例，已有的5个统计周期的评价数值分别是S1＝0.372，S2＝0.430，S3＝0.508，S4＝0.457，S5＝0.573，则可以计算变化率：

然后计算出第12个统计周期的预测数值：

S12＝S5+R*(12-5)＝0.931。

在另一种算法中，通过已有的5个统计周期的评价数值S1＝0.372，S2＝0.430，S3＝0.508，S4＝0.457，S5＝0.573可以计算变化率：

然后计算出第12个统计周期的预测数值：

S12＝S5+R*(12-5)＝0.941。

可见，上述两种算法得到的预测数值差别不大。当然，实际应用中可以采用的算法不限于上述两种算法，也可以根据候选类型的特点构建计算模型，本实施例对此不做特别限定。

步骤S14，将所述预测数值最大的候选类型确定为所述目标对象的预测类型。

在计算出每个候选类型下的预测数值后，可以比较出预测数值最大的候选类型，说明在预设未来周期内，目标对象在该候选类型下的能力评价最高，因此可以确定为目标对象的预测类型，即为分类预测的结果。仍然以表2为例，如果计算出第12个月时主管型的预测数值最高，则说明该员工在第12个月时最适合主管型的岗位，可以依此将该员工划分到主管型的岗位。

在上述方法中，获取目标对象的历史表现记录后，从中按照统计周期统计多个指标的数据，并计算各统计周期内目标对象在多个候选类型下的评价数值，再根据评价数值计算预设未来周期内各候选类型下的预测数值，将其中预测数值最大的候选类型确定为目标对象的预测类型，以完成对目标对象的分类预测。一方面，本实施例的方法实现了对于目标对象能力的分类预测，因此分类预测结果可以反映目标对象未来的能力水平，以识别出目标对象在各个方面的发展潜力，可以为目标对象未来的发展形成有效引导；并且本实施例的方法可以应用于企业对试用期员工进行分类评价等场景，帮助企业实现对员工的精准定位，提高企业进行员工培养的效率。另一方面，分类预测过程全部基于目标对象历史表现记录的数据计算，因此得到的结果非常客观，排除了主观的影响，对于不同对象的分类预测可以保证标准的统一。再一方面，本实施例的方法是基于自动计算的过程，可以将目标对象全部历史表现记录纳入考量范围，从大量的数据中计算目标对象在各候选类型下的预测数值，因此可以全面反映目标对象在不同方面的能力，结果的准确性较高。

在一示例性实施例中，历史表现记录可以包括自然语言记录，例如员工业务记录中的客户评论、上级评语等。参考图2所示，在步骤S21，获取目标对象的历史表现记录后，可以将历史表现记录分为数据型记录与自然语言记录；对于自然语言记录，可以通过以下步骤实现步骤S11中的数据统计：步骤S22，通过自然语言处理(Natural LanguageProcessing，NLP)模型确定自然语言记录中每个语句的感情分类等级；步骤S23，分别统计各统计周期内的全部语句的感情分类等级，以确定至少一个指标在各统计周期的数据。

其中，感情分类等级是指自然语言的语句中所蕴含的对于目标对象肯定或否定的感情倾向及程度。例如，客户对于员工做出的评论中，如果表达了“非常好”、“非常满意”、“特别出色”等强烈肯定的感情，感情分类等级可以是2；如果表达了“不错”、“好”等一般肯定的感情，感情分类等级可以是1；如果表达了“较差”、“不满意”等一般否定的感情，感情分类等级可以是-1；如果表达了“非常差”、“极不满意”等强烈否定的感情，感情分类等级可以是-2；如果未表达任何感情倾向，感情分类等级可以是0。依据该标准，统计每个统计周期内全部客户评论语句的感情分类等级，通过简单相加即可以得到每个统计周期内的客户评论指标数据，以反映员工在客户评论这一指标上的表现优劣。此外，也可以统计上级评语语句的感情分类等级，得到员工的上级评语指标数据，还可以综合统计多种类型的语句以得到一个指标的数据，例如统计员工的业务投诉记录、违规记录等自然语言语句的感情分类等级，得到员工的奖惩事件指标数据等，本实施例对此不做特别限定。

需要说明的是，上述对语句的分类及确定感情分类等级的标准仅是示例，还可以通过NLP模型对自然语言语句进行深层语义的分析及分类。许多机器学习模型都可以被训练成为NLP模型，例如卷积神经网络模型、逻辑回归模型、朴素贝叶斯模型、支持向量机模型等，也可以采用现有的NLP模型，例如斯坦福大学团队开发的Core NLP工具、哈尔滨工业大学团队开发的LTP语言分析工具等，此处不进行赘述。在NLP模型的基础上，还可以根据本实施例的自然语言记录的语料特点，加入正则匹配的规则，以强化NLP模型在不同场景中的适用性，提高语句分析的准确度。

在本示例性实施例中，主要通过两个计算步骤实现分类预测：一个是通过各指标的数据计算评价数值，即步骤S12；一个是通过评价数值计算预测数值，即步骤S13。下面分别对这两个计算步骤进行具体说明。

在一示例性实施例中，参考图2所示，步骤S12可以通过以下步骤实现：步骤S24中，将所述多个指标的数据进行归一化处理，得到归一化数据；步骤S25中，在各统计周期内，将归一化数据分别通过多个预设加权方案进行加权计算，得到目标对象在各候选类型下的评价数值。其中，归一化处理可视为对数据的预处理过程，以表1为例，表1中不同指标的数据差别很大，有的甚至相差多个数量级，通过归一化处理可以将不同指标的数据转化到同一数值大小水平上，以便于后续的加权计算。归一化处理可以是给各指标的数据分别乘以特定的归一化系数，该系数可以是根据经验设定的系数，也可以是每个指标的样本最大值的倒数等。在加权计算中，每个预设加权方案对应于一个候选类型，这是由于每个候选类型与各指标的相关性及相关性程度不同，因此权重系数也应当完全或部分的不同。表3示例示出了一种关于表1中指标数据的归一化系数及权重系数的设定方案，可见，每种候选类型对应的各指标的权重系数不完全相同。根据表3中的方案，可以得到以下计算公式：

销售型评价数值＝活跃度*0.1*0.1+销售额*0.00005*0.4+销售通话时间*0.0002*0.3+业务考试成绩*0.01*0.1+奖惩事件*0.1*0.1；

主管型评价数值＝活跃度*0.1*0.1+销售额*0.00005*0.1+团队人数*0.1*0.3+团队销售总额*0.00001*0.3+业务考试成绩*0.01*0.1+奖惩事件*0.1*0.1；

综金型评价数值＝活跃度*0.1*0.1+销售额*0.00005*0.2+销售通话时间*0.0002*0.2+业务考试成绩*0.01*0.4+奖惩事件*0.1*0.1。

将表1中各指标的数据代入以上计算公式，可以计算得到表2所示的评价数值结果。

表3

在一示例性实施例中，参考图2所示，步骤S13可以通过以下步骤实现：步骤S26中，分别利用函数对各统计周期内目标对象在每个候选类型下的评价数值进行拟合，并通过所述函数计算预设未来周期内目标对象在每个候选类型下的预测数值。通过函数拟合，可以更加准确的反映各候选类型的评价数值的变化趋势，并且当评价数值的变化趋势不同时，可以通过不同类型的函数进行拟合，例如当评价数值稳定增长时，可以通过线性函数进行拟合，当评价数值在快速增长后逐渐趋于稳定时，可以通过对数函数进行拟合，当评价数值经历了高点后回落或经历了低点后上升时，可以通过多项式函数进行拟合等等。可见，通过函数拟合的方法对于各种应用场景都具有较好的适用性。

进一步的，根据经验发现，评价数值的变化趋势在短期内较多的符合幂函数曲线，则可以通过幂函数y＝a·x^b+c对每个候选类型下的评价数值进行拟合，其中，y为评价数值，x为统计周期的序号，a、b、c为函数的参数。步骤S26可以通过以下步骤实现：分别利用函数y＝a·x^b+c对各统计周期内目标对象在每个候选类型下的评价数值进行拟合，以确定每个候选类型对应的函数的a、b、c的值；通过每个候选类型对应的函数y＝a·x^b+c计算预设未来周期内目标对象在每个候选类型下的预测数值。例如可以利用幂函数对表2中的评价数值进行拟合，以统计周期为横坐标、评价数值为纵坐标，得到多个数值点的图像，再利用函数曲线对各数值点拟合。在拟合时，应当分别对每个候选类型的评价数值进行拟合，从而每个候选类型对应于一条函数曲线以及一组a、b、c的值。图3示出了对主管型的评价数值拟合的结果，通过拟合可以确定幂函数的参数a、b、c的值，从而得到幂函数方程，可以根据幂函数方程计算出预设未来周期的预测数值。

在计算出目标对象在各候选类型下的预测数值后，还可以根据目标对象的预测数值判断目标对象是否符合要求。在一示例性实施例中，步骤S14可以包括以下步骤：判断各候选类型下的预测数值中最大的预测数值是否达到标准数值；如果达到，则将所述最大的预测数值对应的候选类型确定为目标对象的预测类型。其中，标准数值是将各候选类型对于能力要求量化反映的数值，可以根据经验预设，例如设为0.6(满分为1)，也可以根据比例确定等，例如计算出多个对象的预测数值，根据前30％的预测数值确定标准数值。各候选类型的标准数值可以相同，也可以不同。本实施例的目的在于除了确认目标对象在哪个候选类型的预测数值最大外，还确认目标对象在该候选类型的预测数值是否符合要求，符合要求时才将该候选类型确定为目标对象的预测类型。例如，以表2为例，计算出目标员工在销售型、管理型、综金型的预测数值，但是如果该员工在三种类型下的预测数值都较低，未达到标准数值，则可以判断该员工对于三种类型的工作岗位都不适合。判断未达到标准数值后，还可以进行相应的处置，例如判断试用期员工在预设未来周期无法符合某个岗位的要求，可以将该员工淘汰或不予转正等，判断学生在预设未来周期无法符合某个专业的要求，可以对该学生追加考察或不予录取等。

本公开的示例性实施例还提供了一种对象能力分类预测装置，参考图4所示，该对象能力分类预测装置40可以包括：指标统计模块41，用于获取目标对象的历史表现记录，并从历史表现记录中按照统计周期统计多个指标的数据；评价计算模块42，用于根据所述多个指标的数据分别计算各统计周期内目标对象在多个候选类型下的评价数值；数值预测模块43，用于根据所述评价数值，计算预设未来周期内目标对象在各候选类型下的预测数值；类型确定模块44，用于将预测数值最大的候选类型确定为目标对象的预测类型。

在一示例性实施例中，数值预测模块还可以包括：函数拟合单元，用于分别利用函数对各统计周期内目标对象在每个候选类型下的评价数值进行拟合；数值计算单元，用于通过所述函数计算预设未来周期内目标对象在每个候选类型下的预测数值。

上述各模块/单元的具体细节在方法部分的实施例已经详细说明，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5来描述根据本公开的这种示例性实施例的电子设备500。图5显示的电子设备500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5所示，电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于：上述至少一个处理单元510、上述至少一个存储单元520、连接不同系统组件(包括存储单元520和处理单元510)的总线530、显示单元540。

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510执行，使得所述处理单元510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510可以执行如图1中所示的步骤：步骤S11，获取目标对象的历史表现记录，并从历史表现记录中按照统计周期统计多个指标的数据；步骤S12，根据所述多个指标的数据分别计算各统计周期内目标对象在多个候选类型下的评价数值；步骤S13，根据所述评价数值，计算预设未来周期内目标对象在各候选类型下的预测数值；步骤S14，将预测数值最大的候选类型确定为目标对象的预测类型。

存储单元520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)521和/或高速缓存存储单元522，还可以进一步包括只读存储单元(ROM)523。

存储单元520还可以包括具有一组(至少一个)程序模块525的程序/实用工具524，这样的程序模块525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530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500也可以与一个或多个外部设备700(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500交互的设备通信，和/或与使得该电子设备500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550进行。并且，电子设备500还可以通过网络适配器560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560通过总线530与电子设备500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500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6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600，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)

1.一种对象能力分类预测方法，其特征在于，包括：

获取目标对象的历史表现记录，并从所述历史表现记录中按照统计周期统计多个指标的数据；

根据所述多个指标的数据分别计算各所述统计周期内所述目标对象在多个候选类型下的评价数值；

根据所述评价数值，计算预设未来周期内所述目标对象在各所述候选类型下的预测数值；

将所述预测数值最大的候选类型确定为所述目标对象的预测类型。

2.根据权利要求1所述的方法，其特征在于，所述历史表现记录包括自然语言记录；所述从所述历史表现记录中按照统计周期统计多个指标的数据包括：

通过自然语言处理模型确定所述自然语言记录中每个语句的感情分类等级；

分别统计各所述统计周期内的全部所述语句的感情分类等级，以确定至少一个所述指标在各所述统计周期的数据。

3.根据权利要求1所述的方法，其特征在于，所述根据所述多个指标的数据分别计算各所述统计周期内所述目标对象在多个候选类型下的评价数值包括：

将所述多个指标的数据进行归一化处理，得到归一化数据；

在各所述统计周期内，将所述归一化数据分别通过多个预设加权方案进行加权计算，得到所述目标对象在各所述候选类型下的评价数值。

4.根据权利要求1所述的方法，其特征在于，所述根据所述评价数值，计算预设未来周期内所述目标对象在各所述候选类型下的预测数值包括：

分别利用函数对各所述统计周期内所述目标对象在每个所述候选类型下的评价数值进行拟合，并通过所述函数计算所述预设未来周期内所述目标对象在每个所述候选类型下的预测数值。

5.根据权利要求4所述的方法，其特征在于，所述函数为y＝a·x^b+c，其中，y为所述评价数值，x为所述统计周期的序号，a、b、c为所述函数的参数；

所述分别利用函数对各所述统计周期内所述目标对象在每个所述候选类型下的评价数值进行拟合，并通过所述函数计算所述预设未来周期内所述目标对象在每个所述候选类型下的预测数值包括：

分别利用所述函数y＝a·x^b+c对各所述统计周期内所述目标对象在每个所述候选类型下的评价数值进行拟合，以确定每个所述候选类型对应的所述函数的a、b、c的值；

通过每个所述候选类型对应的所述函数y＝a·x^b+c计算所述预设未来周期内所述目标对象在每个所述候选类型下的预测数值。

6.根据权利要求1所述的方法，其特征在于，所述将所述预测数值最大的候选类型确定为所述目标对象的预测类型包括：

判断各所述候选类型下的预测数值中最大的预测数值是否达到标准数值；

如果达到，则将所述最大的预测数值对应的候选类型确定为所述目标对象的预测类型。

7.一种对象能力分类预测装置，其特征在于，包括：

指标统计模块，用于获取目标对象的历史表现记录，并从所述历史表现记录中按照统计周期统计多个指标的数据；

评价计算模块，用于根据所述多个指标的数据分别计算各所述统计周期内所述目标对象在多个候选类型下的评价数值；

数值预测模块，用于根据所述评价数值，计算预设未来周期内所述目标对象在各所述候选类型下的预测数值；

类型确定模块，用于将所述预测数值最大的候选类型确定为所述目标对象的预测类型。

8.根据权利要求7所述的装置，其特征在于，所述数值预测模块包括：

函数拟合单元，用于分别利用函数对各所述统计周期内所述目标对象在每个所述候选类型下的评价数值进行拟合；

数值计算单元，用于通过所述函数计算预设未来周期内所述目标对象在每个所述候选类型下的预测数值。

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。