CN109949010A - 基于信息系统整合的大数据的医院高层次人才测评系统 - Google Patents
基于信息系统整合的大数据的医院高层次人才测评系统 Download PDFInfo
- Publication number
- CN109949010A CN109949010A CN201910213071.2A CN201910213071A CN109949010A CN 109949010 A CN109949010 A CN 109949010A CN 201910213071 A CN201910213071 A CN 201910213071A CN 109949010 A CN109949010 A CN 109949010A
- Authority
- CN
- China
- Prior art keywords
- information
- scoring
- data
- big data
- hospital
- 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.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 27
- 230000010354 integration Effects 0.000 title claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000011160 research Methods 0.000 claims abstract description 26
- 238000007405 data analysis Methods 0.000 claims abstract description 25
- 238000007726 management method Methods 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000000034 method Methods 0.000 claims description 13
- 210000002569 neuron Anatomy 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000012098 association analyses Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000013500 data storage Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 210000004218 nerve net Anatomy 0.000 claims 1
- 230000036541 health Effects 0.000 abstract description 4
- 230000006872 improvement Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 210000000352 storage cell Anatomy 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005201 scrubbing Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于信息系统整合的大数据的医院高层次人才测评系统,包括大数据信息采集模块、大数据分析处理模块、评分模块以及数据服务器,所述大数据信息采集模块连接所述大数据分析处理模块,所述大数据分析处理模块连接所述评分模块,所述大数据分析处理模块与所述评分模块都连接所述数据服务器。所述大数据信息采集模块分别连接办公网OA系统、医院信息系统以及科研管理系统,本发明能够全面大量的采集测评信息,通过对信息统筹评估进行人才测评,提高了全院高层次医疗人才测评的准确性和时效性。
Description
技术领域
本发明属于人才测评领域,尤其是涉及一种基于信息系统整合的大数据的医院高层次人才测评系统。
背景技术
医院高层次人才测评系统是对高层次医疗人才的全方面能力的综合测评。现阶段,医院的测评方式还是通过人工评分的方式,该方式耗时耗力,人工工作量繁重,统计工作繁琐,容易出错。对着信息化的发展,通过信息系统自动进行人才测评系统,是提高医疗人才测评效率的一个有效途径。
由于医院信息系统应用与建设的不同,医疗人才的不同信息分布在不同的信息系统中,通过对医院不同信息系统数据的整合,能够保证被测评数据的时效性、完整性、齐备性。现有的信息采集方式都是人工采集上报,这种方式获得的数据类型有限、数据量小,影响测评结果的正确性。
发明内容
有鉴于此,本发明旨在提出一种基于信息系统整合的大数据的医院高层次人才测评系统,以解决人工进行医院高层次人才测评产生的工作量繁重、统计工作繁琐、出错率高的问题。
为达到上述目的,本发明的技术方案是这样实现的:
基于信息系统整合的大数据的医院高层次人才评分系统,包括大数据信息采集模块、大数据分析处理模块、评分模块以及数据服务器,所述大数据信息采集模块用于采集人才信息,并将所述人才信息传送至所述大数据分析处理模块进行数据处理,所述评分模块对经所述大数据分析处理模块处理后的人才信息进行评分,所述数据服务器分别连接所述大数据分析处理模块以及所述评分模块,用于存储数据。
进一步的,所述大数据信息采集模块包括基础信息数据采集单元、专业能力信息数据采集单元、科研能力信息数据采集单元以及其他信息数据采集单元。
进一步的,所述评分模块包括基础信息评分子模块、专业能力评分子模块、科研能力评分子模块、其它信息评分子模块、综合评分子模块和评分准则子模块,所述综合评分子模块用于计算最终分数,所述评分准则子模块用于录入评分准则。
进一步的,所述基础信息评分子模块和专业能力评分子模块用于计算各评分项的权重系数,包括:
神经网络模型建立单元:所述神经网络模型为三层BP神经网络,输入层有m个神经元x,x代表各个评分项,输出层的n个输出向量为y,y代表所述评分项的分数,期望输出向量为d,d代表受评人对所述评分项期望的分数,第l层隐含层各神经元的输出为h,激活函数为:设为从l-1层第j个神经元与l层第i个神经元之间的连接权重;为第l层第i个神经元的偏置,第1层隐含层输出为输出层的输出向量为
初始化单元:用于初始化各个评分项的权重值,定义误差精度ε和最大迭代次数M;
误差函数计算单元:用于计算误差函数
参数更新项计算单元:用于利用自适应学习率和增加动量项相结合的方法对BP神经网络改进并计算参数更新项Δω(t);
权重值更新单元:用于更新权重值ω←ω+Δω,并通过所述误差函数计算子单元计算误差函数E(t+1),直到E(t+1)<ε或者到达最大迭代次数M,停止迭代;
权重值输出单元:输出经BP神经网络算法训练后的各个评分项的权重值。
进一步的,所述科研能力评分子模块包括DBSCAN密度聚类分析单元,用于对受评人的科研能力进行DBSCAN密度聚类分析,所述DBSCAN密度聚类分析单元输入的数据集为受评人的科研能力评分项。
进一步的,所述DBSCAN密度聚类分析单元包括邻域对象计算子单元,用于建立n×n矩阵:
其中,aij为第i个元素到第j个元素之间的距离,进行邻域计算时,即可计算count(A[p][A[p]<=ε]),其中p为输入的数据集中的对象,ε为半径参数。
进一步的,所述其它信息评分子模块包括Apriori关联性分析单元,用于根据Apriori算法进行各项评分数据之间的关联性分析,得到关联规则,根据得到的关联规则计算各项参评数据与参评人被评优或者被聘用的关联性,当其关联程度大于预设值,则此参评数据可以作评分项参与评分。
进一步的,所述基础信息数据采集单元以及所述其他信息数据采集单元从办公网OA系统获取数据;
所述专业能力信息数据采集单元从医院信息系统获取数据;
所述科研能力信息数据采集单元从科研管理系统获取数据;
进一步的,所述大数据分析处理模块包括:数据预处理单元、数据分析单元和数据存储单元。
相对于现有技术,本发明所述的基于信息系统整合的大数据的医院高层次人才测评系统具有以下优势:本发明的大数据信息采集模块通过办公网OA系统、医院信息系统以及科研管理系统,从基本信息、专业能力、科研能力、其它综合能力方面,从不同角度、不同维度、不同类型、全面大量的采集测评信息,通过对上述信息的统筹评估进行人才测评,提高了全院高层次医疗人才测评的准确性和时效性,提高人事管理人员的工作效率;
本发明通过改进BP神经网络、聚类分析和并联分析等方式对受评人才进行评估,具有灵活度高,实用性强,测评结果准确的特点,所述的评分模块,可输入评分准则,适应不同阶段、不同时期评分准则多样性的情况。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例所述的测评系统原理框图;
图2为本发明实施例所述的BP神经网络算法实例图。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。
如图1为本发明的系统原理框图,一种基于信息系统整合的大数据的医院高层次人才测评系统,包括大数据信息采集模块、大数据分析处理模块、评分模块以及数据服务器,所述大数据信息采集模块连接所述大数据分析处理模块,所述大数据分析处理模块连接所述评分模块,所述大数据分析处理模块与所述评分模块都连接所述数据服务器;
所述大数据信息采集模块包括用于采集基础信息的基础信息数据采集单元、用于采集专业能力信息的专业能力信息数据采集单元、用于采集科研能力信息的科研能力信息数据采集单元以及用于采集其他信息的其他信息数据采集单元;所述基础信息包括但不限于:姓名、年龄、当前职称、学历学位、英语能力、政治面貌、毕业院校、所属专业;所述专业能力信息包括但不限于:每日主管床位数量、门诊出勤时长、接诊病人数量、手术类型、手术数量、手术时间、治疗病人的康复率、转院率、死亡率以及医疗差错信息;所述科研能力信息包括但不限于:论文或科研项目的类型、等级、参与名次、数量、所获奖励以及继续教育、带教授课信息;所述其他信息包括但不限于:社区服务、党政工作、医风医德。
所述基础信息数据采集单元以及所述其他信息数据采集单元都连接办公网OA系统,所述专业能力信息数据采集单元连接医院信息系统(HIS),所述科研能力信息数据采集单元连接科研管理系统,优选的,所述大数据信息采集模块采用web Service技术从所述办公网OA系统、所述医院信息系统(HIS)以及所述科研管理系统中获取数据信息。
所述大数据信息采集模块将采集到的信息数据传送给所述大数据分析处理模块,所述大数据分析处理模块包括数据预处理单元、数据分析单元和数据存储单元。
所述数据预处理单元用于对数据信息采集模块采集到的数据进行预处理工作,因为数据信息来自不同的信息系统,易受到噪声数据、数据值缺失、数据冲突等影响,因此首先需要对收集到的大数据集合进行预处理,以保证大数据分析与预测结果的准确性与价值性,数据预处理单元主要包括数据清理、数据集成、数据规约和数据转换。
所述的数据分析单元,采用MapReduce分布式计算框架,MapReduce是一个批处理的分布式计算框架,可对海量数据进行并行分析与处理,它适合对各种结构化、非结构化数据的处理,分布式内存计算系统可有效减少数据读写和移动的开销,提高大数据处理性能。
所述的数据存储单元,用于对分析处理之后的数据进行按类存储至数据服务器中。
所述评分模块包括基础信息评分子模块、专业能力评分子模块、科研能力评分子模块、其它信息评分子模块、综合评分单元和评分准则单元。
所述基础信息评分子模块和专业能力评分子模块引入改进BP神经网络的训练方法,计算各评分项的权重系数,包括:
神经网络模型建立单元:所述神经网络模型为三层BP神经网络,输入层有m个神经元x,x代表各个评分项,输出层的n个输出向量为y,y代表所述评分项的分数,期望输出向量为d,d代表受评人对所述评分项期望的分数,第l层隐含层各神经元的输出为h,激活函数为:设为从l-1层第j个神经元与l层第i个神经元之间的连接权重;为第l层第i个神经元的偏置,第1层隐含层输出为输出层的输出向量为
初始化单元:用于初始化各个评分项的权重值,定义误差精度ε和最大迭代次数M;
误差函数计算单元:用于计算误差函数
参数更新项计算单元:用于利用自适应学习率和增加动量项相结合的方法对BP神经网络改进并计算参数更新项Δω(t);
权重值更新单元:用于更新权重值ω←ω+Δω,并通过所述误差函数计算子单元计算误差函数E(t+1),直到E(t+1)<ε或者到达最大迭代次数M,停止迭代;
权重值输出单元:输出经BP神经网络算法训练后的各个评分项的权重值。
对BP神经网络的改进主要通过以下两个方面:
(1)附加动量项
标准BP算法的参数更新项为:
Δω(t)=ηg(t),式中Δω(t)为第t次迭代的参数调整量,η为学习率,g(t)为第t次迭代计算出的梯度。
在添加动量项之后,其参数更新项为:
Δω(t)=η(1-μ)g(t)+ηg(t),其中,μ为动量因子(取值0~1)。
(2)自适应学习率
附加动量法面临选取率的选取困难,进而产生收敛速度和收敛性的矛盾。于是另考虑引入学习速率自适应设计,所以引入自适应学习率:
η(t)=ση(t-1)
σ(t)=2λ,λ=sign(g(t)(t-1))
式中,η(t)为第t次迭代时的自适应学习速率因子。
所述科研能力评分子模块,包括DBSCAN密度聚类分析单元,用于通过DBSCAN算法对受评人的科研能力进行密度聚类分析,具体包括如下步骤:
步骤S1:输入受评人包含n个评分项的数据集D、半径参数ε、领域密度阈值MinPts;
步骤S2:标记所有的对象为unvisited状态;
步骤S3:从输入的数据集D中随机选择一个评分项p,如论文数量,将其标记为visited状态;
步骤S4:若p的ε邻域中至少有MinPts个对象,创建一个新的簇C,并把p添加到C;若上述条件不满足,则标记p为噪声;
步骤S5:令N为p的ε邻域中的对象的集合;
步骤S6:对于N中的每个点q,如论文类型,如果q是unvisited状态,则将其标记为visited状态,若q的ε邻域中至少有MinPts个对象,则把这些对象添加到N中,若q不是任何簇的成员,则把q添加到C中;
步骤S7:重复步骤S3-S6,直至不存在状态为unvisited的对象;
步骤S8:输出簇C;
优选的,所述DBSCAN密度聚类分析单元还包括邻域对象计算子单元,用于在所述步骤S4中计算距离小于ε的对象的个数时,建立n×n矩阵,矩阵内容为:
其中,aij为第i个元素到第j个元素之间的距离,在步骤S4中计算距离小于ε的对象的个数时,即可计算count(A[p][A[p]<=ε]),由矩阵An×n的构成可知,其为对称矩阵,根据矩阵的对称性,An×n=Bn×n+BT n×n,其中Bn×n为An×n对角线上半部分的内容。由此可知该改进算法将步骤S4的时间节省了一半,同理,步骤S6中计算q对象的ε邻域对象个数的时候亦可以使用本改进方法。
其它信息评分子模块,包括Apriori关联性分析单元,用于对受评人才的社区服务、党政工作、医风医德等信息通过Apriori算法进行各项评分数据之间的关联性分析,算法步骤如下:
步骤S11:找出历史数据中参评人被评优或者聘用后,其它信息出现频率最大的一个参评数据L1;
步骤S12:根据L1找频繁2项集的集合C2;
步骤S13:去除不满足支持阈值的项,得到L2;
步骤S14:根据L2找频繁3项集的几个C3;
步骤S15:循环上述过程,直到得到空集C,即直到不能发现更大的频繁项集L;
步骤S16:计算最大频繁项集的非空子集,两两计算置信度,得到大于置信度阈值的强关联规则;
步骤S17:根据得到的强关联规则,计算各项参评数据与参评人被评优或者被聘用的关联性,当其关联程度大于一定程度之后,如75%,则此参评数据可以作评分项参与此项内容的评分。
优选的,Apriori关联性分析单元还包括数据表格式化处理子单元,用于针对Apriori算法多次扫描数据特性,参考数据库表格的设计方式,将参评数据进行关系数据表格式化处理,即每个受评人为数据表的主键,每项参评数据为数据表的其余字段,参评数据有效,则该项数据的值为1,否则为0,通过数据库表格的COUNT方法即可快速计算出该项的支持度计数,不需要多次扫描数据,大大加快了计算速度。
优选地,所述综合评分单元根据上述四种评分结果,按照所述改进BP神经网络,对上述四种评分结果的权重不断优化,根据每项分值和权重,计算出受评人的最终分数。
所述评分准则单元,可以根据实际情况,根据医院不同时期、不同的政策要求,进行评分准则的录入,实现测评系统的灵活性和多样性。
所述数据服务器用于存储经大数据信息采集模块采集后的原始数据、经分析处理后的数据以及测评结果,供后续查询的同时为以后的数据计算提供参考值。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.基于信息系统整合的大数据的医院高层次人才评分系统,其特征在于:包括大数据信息采集模块、大数据分析处理模块、评分模块以及数据服务器,所述大数据信息采集模块用于采集人才信息,并将所述人才信息传送至所述大数据分析处理模块进行数据处理,所述评分模块对经所述大数据分析处理模块处理后的人才信息进行评分,所述数据服务器分别连接所述大数据分析处理模块以及所述评分模块,用于存储数据。
2.根据权利要求1所述的基于信息系统整合的大数据的医院高层次人才测评系统,其特征在于:所述大数据信息采集模块包括基础信息数据采集单元、专业能力信息数据采集单元、科研能力信息数据采集单元以及其他信息数据采集单元。
3.根据权利要求1所述的基于信息系统整合的大数据的医院高层次人才测评系统,其特征在于:所述评分模块包括基础信息评分子模块、专业能力评分子模块、科研能力评分子模块、其它信息评分子模块、综合评分子模块和评分准则子模块,所述综合评分子模块用于计算最终分数,所述评分准则子模块用于录入评分准则。
4.根据权利要求3所述的基于信息系统整合的大数据的医院高层次人才测评系统,其特征在于:所述基础信息评分子模块和专业能力评分子模块用于计算各评分项的权重系数,包括:
神经网络模型建立单元:所述神经网络模型为三层BP神经网络,输入层有m个神经元x,x代表各个评分项,输出层的n个输出向量为y,y代表所述评分项的分数,期望输出向量为d,d代表受评人对所述评分项期望的分数,第l层隐含层各神经元的输出为h,激活函数为:设为从l-1层第j个神经元与l层第i个神经元之间的连接权重;为第l层第i个神经元的偏置,第1层隐含层输出为输出层的输出向量为
初始化单元:用于初始化各个评分项的权重值,定义误差精度ε和最大迭代次数M;
误差函数计算单元:用于计算误差函数
参数更新项计算单元:用于利用自适应学习率和增加动量项相结合的方法对BP神经网络改进并计算参数更新项Δω(t);
权重值更新单元:用于更新权重值ω←ω+Δω,并通过所述误差函数计算子单元计算误差函数E(t+1),直到E(t+1)<ε或者到达最大迭代次数M,停止迭代;
权重值输出单元:输出经BP神经网络算法训练后的各个评分项的权重值。
5.根据权利要求3所述的基于信息系统整合的大数据的医院高层次人才测评系统,其特征在于:所述科研能力评分子模块包括DBSCAN密度聚类分析单元,用于对受评人的科研能力进行DBSCAN密度聚类分析,所述DBSCAN密度聚类分析单元输入的数据集为受评人的科研能力评分项。
6.根据权利要求5所述的基于信息系统整合的大数据的医院高层次人才测评系统,其特征在于:所述DBSCAN密度聚类分析单元包括邻域对象计算子单元,用于建立n×n矩阵:
其中,aij为第i个元素到第j个元素之间的距离,进行邻域计算时,即可计算count(A[p][A[p]<=ε]),其中p为输入的数据集中的对象,ε为半径参数。
7.根据权利要求3所述的基于信息系统整合的大数据的医院高层次人才测评系统,其特征在于:所述其它信息评分子模块包括Apriori关联性分析单元,用于根据Apriori算法进行各项评分数据之间的关联性分析,得到关联规则,根据得到的关联规则计算各项参评数据与参评人被评优或者被聘用的关联性,当其关联程度大于预设值,则此参评数据可以作评分项参与评分。
8.根据权利要求2所述的基于信息系统整合的大数据的医院高层次人才测评系统,其特征在于:
所述基础信息数据采集单元以及所述其他信息数据采集单元从办公网OA系统获取数据;
所述专业能力信息数据采集单元从医院信息系统获取数据;
所述科研能力信息数据采集单元从科研管理系统获取数据。
9.根据权利要求1所述的基于信息系统整合的大数据的医院高层次人才测评系统,其特征在于:所述大数据分析处理模块包括:数据预处理单元、数据分析单元和数据存储单元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910213071.2A CN109949010A (zh) | 2019-03-20 | 2019-03-20 | 基于信息系统整合的大数据的医院高层次人才测评系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910213071.2A CN109949010A (zh) | 2019-03-20 | 2019-03-20 | 基于信息系统整合的大数据的医院高层次人才测评系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109949010A true CN109949010A (zh) | 2019-06-28 |
Family
ID=67010390
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910213071.2A Pending CN109949010A (zh) | 2019-03-20 | 2019-03-20 | 基于信息系统整合的大数据的医院高层次人才测评系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109949010A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111459805A (zh) * | 2020-03-16 | 2020-07-28 | 福建省农村信用社联合社 | 一种外协测试人才管理方法和系统 |
CN111724135A (zh) * | 2020-06-21 | 2020-09-29 | 华中科技大学同济医学院附属协和医院 | 一种职称申报评审全流程管理系统及方法 |
CN112819384A (zh) * | 2021-02-23 | 2021-05-18 | 吉林省地方病第一防治研究所 | 一种基于互联网平台的数据化鼠疫人才管理分析系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020198766A1 (en) * | 2001-02-22 | 2002-12-26 | Magrino Susan A. | Human capital management inventory and position matching system and methods |
CN105243508A (zh) * | 2015-10-29 | 2016-01-13 | 刘永芳 | 一种餐饮服务人员绩效管理的数据处理方法及系统 |
CN105590175A (zh) * | 2016-02-15 | 2016-05-18 | 云南电网有限责任公司 | 一种基于因子分析与bp神经网络的技能人才评价方法 |
CN106228479A (zh) * | 2016-08-04 | 2016-12-14 | 解张伟 | 一种基于互联网+理念的高校教师分类评价与选拔系统 |
CN107248062A (zh) * | 2017-05-26 | 2017-10-13 | 郑连涛 | 一种人才评估与推荐系统 |
CN108961112A (zh) * | 2017-05-18 | 2018-12-07 | 镇江杜微人才咨询有限公司 | 一种人才大数据分布式管理系统 |
-
2019
- 2019-03-20 CN CN201910213071.2A patent/CN109949010A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020198766A1 (en) * | 2001-02-22 | 2002-12-26 | Magrino Susan A. | Human capital management inventory and position matching system and methods |
CN105243508A (zh) * | 2015-10-29 | 2016-01-13 | 刘永芳 | 一种餐饮服务人员绩效管理的数据处理方法及系统 |
CN105590175A (zh) * | 2016-02-15 | 2016-05-18 | 云南电网有限责任公司 | 一种基于因子分析与bp神经网络的技能人才评价方法 |
CN106228479A (zh) * | 2016-08-04 | 2016-12-14 | 解张伟 | 一种基于互联网+理念的高校教师分类评价与选拔系统 |
CN108961112A (zh) * | 2017-05-18 | 2018-12-07 | 镇江杜微人才咨询有限公司 | 一种人才大数据分布式管理系统 |
CN107248062A (zh) * | 2017-05-26 | 2017-10-13 | 郑连涛 | 一种人才评估与推荐系统 |
Non-Patent Citations (2)
Title |
---|
吴蔚: "人才测评在我院管理人才评价体系中的实施及层次分析法研究", 《中国医药导报》 * |
龚怡琳等: "三甲综合医院医师职称晋升量化评估体系效果分析", 《中国医院管理》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111459805A (zh) * | 2020-03-16 | 2020-07-28 | 福建省农村信用社联合社 | 一种外协测试人才管理方法和系统 |
CN111459805B (zh) * | 2020-03-16 | 2022-09-30 | 福建省农村信用社联合社 | 一种外协测试人才管理方法和系统 |
CN111724135A (zh) * | 2020-06-21 | 2020-09-29 | 华中科技大学同济医学院附属协和医院 | 一种职称申报评审全流程管理系统及方法 |
CN112819384A (zh) * | 2021-02-23 | 2021-05-18 | 吉林省地方病第一防治研究所 | 一种基于互联网平台的数据化鼠疫人才管理分析系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110462604A (zh) | 基于设备使用关联互联网设备的数据处理系统和方法 | |
CN107203872A (zh) | 基于大数据的区域人才需求量化分析方法 | |
Zhao et al. | Participant selection for federated learning with heterogeneous data in intelligent transport system | |
CN107239892A (zh) | 基于大数据的区域人才供需平衡量化分析方法 | |
CN109949010A (zh) | 基于信息系统整合的大数据的医院高层次人才测评系统 | |
Xue et al. | Optimizing Ontology Alignments by using NSGA-II. | |
CN111260514A (zh) | 一种基于校园大数据的学生成绩预测方法 | |
CN107633093A (zh) | 一种供电决策知识图谱的构建及其查询方法 | |
CN109949174A (zh) | 一种异构社交网络用户实体锚链接识别方法 | |
CN116468300A (zh) | 基于神经网络的军队总医院学科评估方法及系统 | |
Sun | Predictive analysis and simulation of college sports performance fused with adaptive federated deep learning algorithm | |
CN117217634B (zh) | 一种基于复杂网络的企业合作社区发现方法 | |
Su | The study of physical education evaluation based on a fuzzy stochastic algorithm | |
CN105279388B (zh) | 多层云计算框架协同的孕龄新生儿脑病历集成约简方法 | |
Neville et al. | Supporting relational knowledge discovery: Lessons in architecture and algorithm design | |
CN109902970A (zh) | 一种基于聚类随机森林的城市创新力评价方法及系统 | |
Cheng | [Retracted] Construction of Data Resource Sharing Platform for College Students’ Ideological and Political Education Based on Constraint Clustering | |
Goodman | Patterns in special district creation and dissolution | |
Bhatnagar et al. | Decentralised computing for rural development | |
Wang | [Retracted] Construction and Effect Analysis of College Students’ Physical Education Teaching Mode Based on Data Mining Algorithm | |
Wang | [Retracted] Optimization of Ideological and Political Education Management Strategies under k‐Means Algorithm in Big Data Environment | |
Zbidi et al. | On mining summaries by objective measures of interestingness | |
Guo et al. | Visualization research of college students’ career planning paths integrating deep learning and big data | |
CN109685698A (zh) | 一种基于3s技术构建人口大数据服务体系及平台建设的方法 | |
Cui | Academic influence of China’s sports social discipline based on bibliometrics |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190628 |