CN110222925A - 绩效量化考核方法、装置及计算机可读存储介质 - Google Patents

绩效量化考核方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN110222925A
CN110222925A CN201910338222.7A CN201910338222A CN110222925A CN 110222925 A CN110222925 A CN 110222925A CN 201910338222 A CN201910338222 A CN 201910338222A CN 110222925 A CN110222925 A CN 110222925A
Authority
CN
China
Prior art keywords
data
performance
neural network
network model
quantization
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
CN201910338222.7A
Other languages
English (en)
Other versions
CN110222925B (zh
Inventor
聂妮
林燕文
陈靖宇
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.)
SHENZHEN STOCK EXCHANGE
Original Assignee
SHENZHEN STOCK EXCHANGE
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 SHENZHEN STOCK EXCHANGE filed Critical SHENZHEN STOCK EXCHANGE
Priority to CN201910338222.7A priority Critical patent/CN110222925B/zh
Publication of CN110222925A publication Critical patent/CN110222925A/zh
Application granted granted Critical
Publication of CN110222925B publication Critical patent/CN110222925B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06398—Performance of employee with respect to a job function

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种绩效量化考核方法、装置以及计算机可读存储介质，包括以下步骤：获取待考核指标数据；将所述待考核指标数据输入预设神经网络模型，其中，所述预设神经网络模型根据预测熵以及所述预测熵对应的信息熵构建，所述预测熵为将样本指标数据输入所述预设神经网络模型得到；接收所述预设神经网络模型输出的绩效考核数据。因本发明能够通过训练好的神经网络模型进行待考核人员的绩效量化考核，从而解决了在大量人员需要考核时人工考核的方式效率不高的问题。

Description

绩效量化考核方法、装置及计算机可读存储介质
技术领域
本发明涉及信息技术领域，尤其涉及一种绩效量化考核方法、装置以及计算机可读存储介质。
背景技术
在企业和职场中，员工的职业性和职业技能大多数达不到自动自发自律自主，还是需要被引导被约束被激励的，所以绝大部分的企业要实施绩效考核。
随着团队的发展，项目人员规模的壮大，绩效量化考核是团队建设和人员管理的一个不可或缺的部分。在现有的考核方法下，针对员工的考核方法一是缺乏整体度量，二是缺乏客观量化标准，三是考核效率不高，四是员工职位不同难以进行横向对比。假若考核人次达到几百或更多，那么每到考核时期都需要花费大量时间收集相关数据并做处理，然后根据这些数据人为的进行一些度量和判断。可见，在大量人员需要考核时人工考核的方式明显效率不高。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种绩效量化考核方法、装置以及计算机可读存储介质，旨在解决大量人员需要考核时人工考核的方式效率不高的问题。
为了达到上述目的，本发明提供一种绩效量化考核方法，所述绩效量化考核方法包括以下步骤：
获取待考核指标数据；
将所述待考核指标数据输入预设神经网络模型，其中，所述预设神经网络模型根据预测熵以及所述预测熵对应的信息熵构建，所述预测熵为将样本指标数据输入所述预设神经网络模型得到；
接收所述预设神经网络模型输出的绩效考核数据。
优选地，所述将所述待考核指标数据输入预设神经网络模型的步骤之前，所述信息熵根据以下步骤生成：
获取样本指标数据；
根据所述样本指标数据生成样本指标数据集；
根据信息熵评价模型以及所述样本指标数据集获取所述信息熵。
优选地，所述根据所述样本指标数据生成样本指标数据集的步骤包括：
根据所述样本指标数据生成样本数据矩阵；
对所述样本数据矩阵进行归一化处理，得到所述样本指标数据集。
优选地，所述根据信息熵评价模型以及所述样本指标数据集获取所述信息熵的步骤包括：
获取所述样本指标数据集中满足预设条件的数据；
获取样本指标数据与所述数据之间的相似度；
根据所述信息熵评价模型以及所述相似度获取所述信息熵。
优选地，所述接收所述预设神经网络模型输出的绩效考核数据的步骤之后，还包括：
获取修正函数；
根据所述修正函数修正所述绩效考核数据。
优选地，所述根据所述修正函数修正所述绩效考核数据的步骤包括：
获取所述绩效考核数据的第一平均值、待考核人员的评价结果以及历史绩效数据的第二平均值；
根据所述修正函数、所述第一平均值、所述评价结果以及所述第二平均值修正所述绩效考核数据。
优选地，所述获取所述绩效考核数据的第一平均值、待考核人员的评价结果以及历史绩效数据的第二平均值的步骤之前，所述获取待考核人员的评价结果的步骤包括：
获取所述待考核人员的权重值以及信息熵；
根据所述权重值以及所述信息熵得到所述待考核人员的评价结果。
优选地，所述接收所述预设神经网络模型输出的绩效考核数据的步骤之前，预设神经网络模型根据以下步骤构建：
获取初始预设神经网络模型；
向所述初始预设神经网络模型输入所述样本指标数据，并接收所述初始预设神经网络模型输出的初始预测熵；
判断所述信息熵与对应的所述初始预测熵的误差值是否大于或等于预设阈值；
在所述误差值大于或等于预设阈值时，通过所述误差值获取网络节点的权重值；
根据所述权重值以及所述初始预设神经网络模型构建所述预设神经网络模型。
此外，为实现上述目的，本发明还提供一种绩效量化考核装置，所述绩效量化考核装置包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的绩效量化考核程序，所述绩效量化考核程序被所述处理器执行时实现如上所述的绩效量化考核方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有绩效量化考核程序，所述绩效量化考核程序被处理器执行时实现如上所述的绩效量化考核方法的步骤。
本发明提供的绩效量化考核方法、装置以及计算机可读存储介质，首先，获取待考核指标数据，然后，将所述待考核指标数据输入预设神经网络模型，其中，所述预设神经网络模型根据预测熵以及所述预测熵对应的信息熵构建，所述预测熵为将样本指标数据输入所述预设神经网络模型得到，最后，接收所述预设神经网络模型输出的绩效考核数据。因本发明能够通过训练好的神经网络模型进行待考核人员的绩效量化考核，从而解决了在大量人员需要考核时人工考核的方式效率不高的问题。
附图说明
附图说明用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例方案涉及的绩效量化考核装置的硬件结构示意图；
图2为本发明绩效量化考核方法第一实施例的流程示意图；
图3为本发明绩效量化考核方法第二实施例的流程示意图；
图4为本发明绩效量化考核方法第三实施例的流程示意图；
图5为本发明绩效量化考核方法第四实施例的流程示意图；
图6为本发明绩效量化考核方法第五实施例的流程示意图；
图7为本发明绩效量化考核方法第六实施例的流程示意图；
图8为本发明绩效量化考核方法第七实施例的流程示意图；
图9为本发明绩效量化考核方法第八实施例的流程示意图；
图10为本发明绩效量化考核方法的神经网络模型示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例的主要解决方案是：获取待考核指标数据；将所述待考核指标数据输入预设神经网络模型，其中，所述预设神经网络模型根据预测熵以及所述预测熵对应的信息熵构建，所述预测熵为将样本指标数据输入所述预设神经网络模型得到；接收所述预设神经网络模型输出的绩效考核数据。
由于在现有的考核方法下，针对员工的考核方法一是缺乏整体度量，二是缺乏客观量化标准，三是考核效率不高，四是员工职位不同难以进行横向对比，导致在大量人员需要考核时人工考核的方式明显效率不高。
本发明提供一种解决方案，首先获取待考核指标数据；然后将所述待考核指标数据输入预设神经网络模型；最后接收所述预设神经网络模型输出的绩效考核数据。因本发明能够通过训练好的神经网络模型进行待考核人员的绩效量化考核，从而解决了在大量人员需要考核时人工考核的方式效率不高的问题，绩效考核结果更接近考核人员实际的考核结果。
如图1所示，图1是本发明实施例方案涉及装置的硬件结构示意图。
参照图1，该装置可以包括：处理器1001，例如CPU，存储器1002，通信总线1003，网络接口1004。其中，通信总线1003用于实现该装置中各组成部件之间的连接通信。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1002可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1002可选的还可以是独立于前述处理器1001的存储装置。如图1所示，作为一种计算机存储介质的存储器1002中可以包括操作系统、网络通信模块以及绩效量化考核程序。
可选地，所述装置还可以包括摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。其中，传感器比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示屏的亮度，接近传感器可在智能终端移动到耳边时，关闭显示屏和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别智能终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；当然，智能终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
本领域技术人员可以理解，图1中示出的装置结构并不构成对装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
在图1所示的装置所涉及的硬件中，网络接口1004可以用于接收样本指标数据和发送绩效考核结果；而处理器1001可以用于调用存储器1002中存储的绩效量化考核程序，并执行以下操作：
获取待考核指标数据；
将所述待考核指标数据输入预设神经网络模型，其中，所述预设神经网络模型根据预测熵以及所述预测熵对应的信息熵构建，所述预测熵为将样本指标数据输入所述预设神经网络模型得到；
接收所述预设神经网络模型输出的绩效考核数据。
进一步地，处理器1001可以用于调用存储器1002中存储的绩效量化考核程序，还执行以下操作：
获取样本指标数据；
根据所述样本指标数据生成样本指标数据集；
根据信息熵评价模型以及所述样本指标数据集获取所述信息熵。
进一步地，处理器1001可以用于调用存储器1002中存储的绩效量化考核程序，还执行以下操作：
根据所述样本指标数据生成样本数据矩阵；
对所述样本数据矩阵进行归一化处理，得到所述样本指标数据集。
进一步地，处理器1001可以用于调用存储器1002中存储的绩效量化考核程序，还执行以下操作：
获取所述样本指标数据集中满足预设条件的数据；
获取样本指标数据与所述数据之间的相似度；
根据所述信息熵评价模型以及所述相似度获取所述信息熵。
进一步地，处理器1001可以用于调用存储器1002中存储的绩效量化考核程序，还执行以下操作：
获取修正函数；
根据所述修正函数修正所述绩效考核数据。
进一步地，处理器1001可以用于调用存储器1002中存储的绩效量化考核程序，还执行以下操作：
获取所述绩效考核数据的第一平均值、待考核人员的评价结果以及历史绩效数据的第二平均值；
根据所述修正函数、所述第一平均值、所述评价结果以及所述第二平均值修正所述绩效考核数据。
进一步地，处理器1001可以用于调用存储器1002中存储的绩效量化考核程序，还执行以下操作：
获取所述待考核人员的权重值以及信息熵；
根据所述权重值以及所述信息熵得到所述待考核人员的评价结果。
进一步地，处理器1001可以用于调用存储器1002中存储的绩效量化考核程序，还执行以下操作：
获取初始预设神经网络模型；
向所述初始预设神经网络模型输入所述样本指标数据，并接收所述初始预设神经网络模型输出的初始预测熵；
判断所述信息熵与对应的所述初始预测熵的误差值是否大于或等于预设阈值；
在所述误差值大于或等于预设阈值时，通过所述误差值获取网络节点的权重值；
根据所述权重值以及所述初始预设神经网络模型构建所述预设神经网络模型。
参照图2，图2为本发明绩效量化考核方法的第一实施例，所述绩效量化考核方法包括：
步骤S10、获取待考核指标数据；
本发明提供的绩效量化考核方法主要用于通过将待待考核指标数据输入到训练好的神经网络模型得到绩效考核数据，从而替代人工绩效考核实现高效量化的绩效考核。本发明提供的绩效量化考核方法涉及的终端包括但不限于手机、平板电脑和电脑等，所述终端上预先加载有相关的应用系统，包括但不限于微信公众号、APP或者网页系统等。
本发明提供的技术方案，基于现有的人工绩效考核存在缺乏整体度量、缺乏客观量化标准、考核效率不高以及职位不同难以进行横向对比的问题，特别是有大量的绩效考核需求例如1000人时，人工的绩效考核效率问题比较突出。故采用计算机进行辅助，即将所有待考核人员的考核数据输入计算机，计算机通过预设神经网络模型处理待考核数据以输出绩效考核数据。
需要说明的是，在输入所有待考核人员的考核数据前需要先获取本次所有待考核人员的待考核指标数据，其中，待考核指标数据包括所有待考核人员的所有考核指标下的数据。获取待考核指标数据的方式可以有多种，包括但不限于接收上传的待考核指标数据文件版本，或在系统中筛选预设日期范围内的考核人员的绩效数据等。
步骤S20、将所述待考核指标数据输入预设神经网络模型，其中，所述预设神经网络模型根据预测熵以及所述预测熵对应的信息熵构建，所述预测熵为将样本指标数据输入所述预设神经网络模型得到；
本实施例提供的技术方案中，所述预设神经网络模型包括但不限于BP神经网络模型，本发明实施例基于BP神经网络模型。所述预测熵为预测的绩效考核结果，即将样本指标数据输入初始的BP神经网络模型后输出的结果，其中，因初始的预设神经网络模型还没经过学习规则或学习的规则不完善，因此输入样本指标数据后，预设神经网络模型会得到一个预测熵，此时的预测熵是不准确的，存在误差值，故需要实际计算该样本指标数据对应的信息熵(实际绩效考核结果)，通过信息熵得到预测熵与信息熵之间的误差值。
进一步的，BP神经网络模型即BP算法，是一种多层网络的计算方法，该算法通过输入节点与隐藏层之间点对点作为计算，计算结果通过激活函数后向一层层传播，得到预测熵与信息熵之间的误差值后，通过误差的偏导与之前隐藏层进行加权求和，如此从右到左一层层反向传递下去，不断调整网络节点权重值，最终使得网络输出结果与实际结果之间的误差值在预设阈值内，即可判定BP神经网络模型构建完成。
步骤S30、接收所述预设神经网络模型输出的绩效考核数据。
本实施例提供的技术方案中，所述预设神经网络模型为已构建好的BP神经网络模型，将所述待考核指标数据输入已经构建好的BP神经网络模型后，BP算法通过学习好的规则处理待考核指标数据，并输出绩效考核数据。
通过将大量的待考核指标数据输入到构建好的BP神经网络模型得到绩效考核数据，从而替代了人工的绩效考核，提高了绩效考核的效率。
进一步的，参照图3，图3为本发明绩效量化考核方法的第二实施例，基于上述实施例，所述步骤S20之前，所述信息熵根据以下步骤生成：
步骤S40、获取样本指标数据；
步骤S50、根据所述样本指标数据生成样本指标数据集；
步骤S60、根据信息熵评价模型以及所述样本指标数据集获取所述信息熵。
本实施例提供的技术方案中，因样本指标数据输入初始BP神经网络模型进而输出的预测熵与实际的绩效考核结果存在误差值，故先计算得到所述样本指标数据的信息熵(实际的绩效考核结果)，从而通过信息熵得到与预测熵之间的误差值。首先获取样本指标数据，获取的方式包括但不限于接收上传的历史绩效考核数据文件，或在系统中筛选预设日期范围内的考核人员的绩效数据等。因原始的大量指标数据难以直接进行运算处理，故根据所述样本指标数据生成样本指标数据集，所述样本指标数据集兼容于BP神经网络模型和信息熵评价模型的运行处理。生成样本指标数据集后，将样本指标数据集输入信息熵评价模型进行运算从而得到预测熵。
计算样本指标数据的信息熵并得到预测熵与信息熵之间的误差值，从而给初始BP神经网络模型根据误差值学习运算规则并构建自身。
进一步的，参照图4，图4为本发明绩效量化考核方法的第三实施例，在上述图3所示的实施例基础上，所述步骤S50，包括：
步骤S51、根据所述样本指标数据生成样本数据矩阵；
步骤S52、对所述样本数据矩阵进行归一化处理，得到所述样本指标数据集。
本实施例提供的技术方案中，因原始的大量指标数据难以直接进行运算处理，故需将大量的样本指标数据进行预处理生成BP神经网络模型能够运行的样本指标数据集。因样本指标数据包括多个人员的多个指标的指标数据，故为方便运算根据所述样本指标数据生成样本数据矩阵，所述样本数据矩阵可以是量化矩阵，如下图：
P1至Pm表示第一个考核人员至第m个考核人员，V11至Vmn表示指标数据。由于在实际实验中每个考核指标数值单位和大小的差异性，容易引起单个考核指标值极端异常情况会导致整个计算结果变动，从而需要消除属性边际变化对结果影响，对所述样本数据矩阵中的每个指标数据进行归一化处理，得到所述样本指标数据集，其中，样本指标数据集也可以使矩阵，矩阵数据归一化的公式如下：
其中，Vij表示样本指标数据，rij表示归一化处理后的样本指标数据。
将样本指标数据处理后得到方便BP神经网络模型运算的样本指标数据集，从而提高了BP神经网络模型输出的结果的准确率以及提高了BP神经网络模型的运算速度。
进一步的，参照图5，图5为本发明绩效量化考核方法的第四实施例，在上述图3所示的实施例基础上，所述步骤S60，包括：
步骤S61、获取所述样本指标数据集中满足预设条件的数据；
步骤S62、获取样本指标数据与所述数据之间的相似度；
步骤S63、根据所述信息熵评价模型以及所述相似度获取所述信息熵。
本实施例提供的技术方案中，因样本指标数据输入初始的BP神经网络模型后输出的预测熵与实际绩效考核数据有较大误差，故需要一个实际考核数据供初始的BP神经网络模型作参照来学习运算规则。获取所述样本指标数据集中满足预设条件的数据，即在所有参与绩效考核人员的指标数据中寻找每个考核指标的最优值组成一个最优集，然后获取样本指标数据与所述数据之间的相似度，即计算每个考核人员的各个指标与最优集中的各个指标之间相似度，最后通过信息熵评价模型即可得出对每个考核人员与最优集之间的信息增益即可得出信息熵。
需要说明的是，所述信息熵评价模型为运行公式，公式如下：
其中，pij表示第i个考核对象与最优目标的相似度，gaini为第i个考核人员与最优目标之间的信息熵，gaini值越小表面该人员与最优目标越相似，因此其评价结果1-gaini值越高。
通过信息熵评价模型获取样本指标数据实际的绩效考核结果即信息熵，从而方便BP神经网络模型根据信息熵与自身输出的预测熵学习运算规则。
进一步的，参照图6，图6为本发明绩效量化考核方法的第五实施例，在上述图2所示的实施例基础上，所述步骤S30之后，还包括：
步骤S70、获取修正函数；
步骤S80、根据所述修正函数修正所述绩效考核数据。
本实施例提供的技术方案中，由于BP神经网络模型模型考虑整体人员的绩效考核表现，并且从人员考核指标中选取最优目标进行衡量，因此不同时候的指标数据所得到的最优目标就有差异，特别是有的人各个指标的数据都特别突出情况下容易导致绩效考核数据与最优集之间的相似度整体偏移，如最优集较为理想时，会出现整体评价结果整体过低的情况。例如考题难时考生平均分会偏低，考题简单时考生平均分会偏高。因此，为平衡最优指标目标变动而导致最终结果差异性，本发明获取修正函数，然后根据所述修正函数修正所述绩效考核数据。
使用修正函数修正绩效考核数据，从而使得每次评价结果具有相对公平性，从而缓解最优目标的变动而发生的差异性。
进一步的，参照图7，图7为本发明绩效量化考核方法的第六实施例，在上述图6所示的实施例基础上，所述步骤S80，包括：
步骤S81、获取所述绩效考核数据的第一平均值、待考核人员的评价结果以及历史绩效数据的第二平均值；
步骤S82、根据所述修正函数、所述第一平均值、所述评价结果以及所述第二平均值修正所述绩效考核数据。
本实施例提供的技术方案中，基于每次评价结果需要相对公平性，缓解最优目标的变动而发生的差异性。故使用修正函数修正绩效考核数据。在修正绩效考核数据的过程中，首先获取当前待考核指标数据的第一平均值、待考核人员的评价结果以及历史绩效数据的第二平均值，然后根据所述修正函数、所述第一平均值、所述评价结果以及所述第二平均值修正所述绩效考核数据，其中，将所述第一平均值、所述评价结果以及所述第二平均值代入修正函数即可得到对应的绩效考核数据。修正函数具体表示如下：
其中，a表示历史考核结果平均值，表示本次考核结果的平均值，yi表示修正前评价结果，y′i表示修正后结果。若本次平均值低于历史评价值，则本次考核结果值就放大，反之则缩小，从而达缓解最优目标变化产生的差异。
使用修正函数修正绩效考核数据，从而使得每次评价结果具有相对公平性，从而缓解最优目标的变动而发生的差异性。
进一步的，参照图8，图8为本发明绩效量化考核方法的第七实施例，在上述图7所示的实施例基础上，所述步骤S81之前，所述获取待考核人员的评价结果的步骤包括：
步骤S83、获取所述待考核人员的权重值以及信息熵；
步骤S84、根据所述权重值以及所述信息熵得到所述待考核人员的评价结果。
本实施例提供的技术方案中，基于考虑到同一种职位如开发内容的难易程度以及功能模块对项目的重要性不同，故本发明为区分项目人员工作内容重要程度，本发明引入权重值α用以标记人员对项目影响程度，所以改进后评价结果为α*g(x)。其中，g(χ)表示信息熵(实际评价结果)。在修正绩效考核数据的过程中，首先获取所述待考核人员的权重值以及信息熵，根据所述权重值以及所述信息熵得到所述待考核人员的评价结果，然后获取当前待考核指标数据的第一平均值、待考核人员的评价结果以及历史绩效数据的第二平均值，再根据所述修正函数、所述第一平均值、所述评价结果以及所述第二平均值修正所述绩效考核数据，其中，将所述第一平均值、所述评价结果以及所述第二平均值代入修正函数即可得到对应的绩效考核数据。
通过不同工作人员对应的职位的重要性不同，引入权重值修正信息熵的值，从而提高了绩效考核数据的准确性。
进一步的，参照图9，图9为本发明绩效量化考核方法的第七实施例，在上述图2所示的实施例基础上，所述步骤S30之前，预设神经网络模型根据以下步骤构建：
步骤S90、获取初始预设神经网络模型；
步骤S100、向所述初始预设神经网络模型输入所述样本指标数据，并接收所述初始预设神经网络模型输出的初始预测熵；
步骤S110、判断所述信息熵与对应的所述初始预测熵的误差值是否大于或等于预设阈值；
步骤S120、在所述误差值大于或等于预设阈值时，通过所述误差值获取网络节点的权重值；
步骤S130、根据所述权重值以及所述初始预设神经网络模型构建所述预设神经网络模型。
本实施例提供的技术方案中，因人工进行绩效考核时若考核数据量过多，则绩效考核的效率通过不高，故使用BP神经网络模型进行绩效考核，但BP神经网络模型通常需要先学习运算规则去构建自身，即初始的BP神经网络模型接收样本指标数据后输出的预测熵(预测结果)与实际的绩效考核结果误差较大。每次学习规则后输出新的预测熵，再判断所述信息熵与对应的所述初始预测熵的误差值是否大于或等于预设阈值，在判定所述误差值大于或等于预设阈值时，通过所述误差值获取网络节点的权重值，直到误差值小于预设阈值时判定BP神经网络模型构建完成。
需要说明的，具体原理如图10所示，BP神经网络模型中的BP算法是一种多层网络的计算方法，该算法通过输入节点与隐藏层之间点对点作为计算，计算结果通过激活函数后向一层层传播，最终可计算出实际结果与输出结果间误差，并通过误差的偏导与之前隐藏层进行加权求和，如此从右到左一层层反向传递下去，不断调整网络节点权重值，最终使得网络输出结果与实际结果之间的误差符合一个既定的值，以达到回归预测目的。
需要说明的是，神经网络由多层神经网络组成，第一排通常为输入层，最后一排为输出层，而中间部分为隐藏层，网络中点与点之间的直线代表一个权重。节点本身输入和输出使用Sigmoid函数(S型生长曲线)作为激活函数进行映射。而反向传递过程中输出层到隐藏层残差等于实际结果减去输出结果后乘以节点本身对激活函数求导，隐藏层到隐藏层直接残差为右边节点加权求和后乘以本身对激活函数偏导数，如此一层层传递下去直到输入层，最后通过计算出的最新结果更新每个节点权重，再从左到右进行计算，直到输出值与实际值之间的误差满足一定精度。
通过将大量的待考核指标数据输入到构建好的BP神经网络模型得到绩效考核数据，从而替代了人工的绩效考核，提高了绩效考核的效率。
为实现上述目的，本发明还提供一种绩效量化考核装置，所述绩效量化考核装置包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的绩效量化考核程序，所述绩效量化考核程序被所述处理器执行时实现如上所述的绩效量化考核方法的步骤。
为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有绩效量化考核程序，所述绩效量化考核程序被处理器执行时实现如上所述的绩效量化考核方法的步骤。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是电视机，手机，计算机，装置，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种绩效量化考核方法，其特征在于，所述绩效量化考核方法包括以下步骤：
获取待考核指标数据；
将所述待考核指标数据输入预设神经网络模型，其中，所述预设神经网络模型根据预测熵以及所述预测熵对应的信息熵构建，所述预测熵为将样本指标数据输入所述预设神经网络模型得到；
接收所述预设神经网络模型输出的绩效考核数据。
2.如权利要求1所述的绩效量化考核方法，其特征在于，所述将所述待考核指标数据输入预设神经网络模型的步骤之前，所述信息熵根据以下步骤生成：
获取样本指标数据；
根据所述样本指标数据生成样本指标数据集；
根据信息熵评价模型以及所述样本指标数据集获取所述信息熵。
3.如权利要求2所述的绩效量化考核方法，其特征在于，所述根据所述样本指标数据生成样本指标数据集的步骤包括：
根据所述样本指标数据生成样本数据矩阵；
对所述样本数据矩阵进行归一化处理，得到所述样本指标数据集。
4.如权利要求2所述的绩效量化考核方法，其特征在于，所述根据信息熵评价模型以及所述样本指标数据集获取所述信息熵的步骤包括：
获取所述样本指标数据集中满足预设条件的数据；
获取样本指标数据与所述数据之间的相似度；
根据所述信息熵评价模型以及所述相似度获取所述信息熵。
5.如权利要求1所述的绩效量化考核方法，其特征在于，所述接收所述预设神经网络模型输出的绩效考核数据的步骤之后，还包括：
获取修正函数；
根据所述修正函数修正所述绩效考核数据。
6.如权利要求5所述的绩效量化考核方法，其特征在于，所述根据所述修正函数修正所述绩效考核数据的步骤包括：
获取所述绩效考核数据的第一平均值、待考核人员的评价结果以及历史绩效数据的第二平均值；
根据所述修正函数、所述第一平均值、所述评价结果以及所述第二平均值修正所述绩效考核数据。
7.如权利要求6所述的绩效量化考核方法，其特征在于，所述获取所述绩效考核数据的第一平均值、待考核人员的评价结果以及历史绩效数据的第二平均值的步骤之前，所述获取待考核人员的评价结果的步骤包括：
获取所述待考核人员的权重值以及信息熵；
根据所述权重值以及所述信息熵得到所述待考核人员的评价结果。
8.如权利要求1所述的绩效量化考核方法，其特征在于，所述接收所述预设神经网络模型输出的绩效考核数据的步骤之前，预设神经网络模型根据以下步骤构建：
获取初始预设神经网络模型；
向所述初始预设神经网络模型输入所述样本指标数据，并接收所述初始预设神经网络模型输出的初始预测熵；
判断所述信息熵与对应的所述初始预测熵的误差值是否大于或等于预设阈值；
在所述误差值大于或等于预设阈值时，通过所述误差值获取网络节点的权重值；
根据所述权重值以及所述初始预设神经网络模型构建所述预设神经网络模型。
9.一种绩效量化考核装置，其特征在于，所述绩效量化考核装置包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的绩效量化考核程序，所述绩效量化考核程序被所述处理器执行时实现如权利要求1至8中任一项所述的绩效量化考核方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有绩效量化考核程序，所述绩效量化考核程序被处理器执行时实现如权利要求1至8中任一项所述的绩效量化考核方法的步骤。
CN201910338222.7A 2019-04-24 2019-04-24 绩效量化考核方法、装置及计算机可读存储介质 Active CN110222925B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910338222.7A CN110222925B (zh) 2019-04-24 2019-04-24 绩效量化考核方法、装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910338222.7A CN110222925B (zh) 2019-04-24 2019-04-24 绩效量化考核方法、装置及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN110222925A true CN110222925A (zh) 2019-09-10
CN110222925B CN110222925B (zh) 2022-04-08

Family

ID=67820189

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910338222.7A Active CN110222925B (zh) 2019-04-24 2019-04-24 绩效量化考核方法、装置及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN110222925B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111639861A (zh) * 2020-06-01 2020-09-08 上海大学 一种基于神经网络的绩效考核方法及系统
CN111950933A (zh) * 2020-08-27 2020-11-17 卫宁健康科技集团股份有限公司 一种基于过程管控的社区卫生中心绩效考核方法及系统
CN112101918A (zh) * 2020-11-19 2020-12-18 深圳市维度数据科技股份有限公司 一种绩效考核方法及系统
CN113487152A (zh) * 2021-06-25 2021-10-08 国网山东省电力公司济宁市任城区供电公司 一种基于变电运维用值班记录系统的绩效考核方法及系统
CN115660508A (zh) * 2022-12-13 2023-01-31 湖南三湘银行股份有限公司 一种基于bp神经网络的员工绩效考核评价方法
CN116579671A (zh) * 2023-07-14 2023-08-11 新亿成科技(江苏)有限公司 一种自动匹配指标的绩效考核方法、系统、终端及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN105931153A (zh) * 2016-04-14 2016-09-07 湘潭大学 一种基于神经网络预测分析模型的问卷调查间接评估方法
CN107633323A (zh) * 2017-08-28 2018-01-26 平安科技（深圳）有限公司 核保难度预测的方法、装置、计算机设备及存储介质
CN109299866A (zh) * 2018-09-11 2019-02-01 张连祥 一种用于招商引资的绩效考核系统
CN109345109A (zh) * 2018-09-26 2019-02-15 中国平安人寿保险股份有限公司 一种基于分类预测模型的员工评估方法及终端设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN105931153A (zh) * 2016-04-14 2016-09-07 湘潭大学 一种基于神经网络预测分析模型的问卷调查间接评估方法
CN107633323A (zh) * 2017-08-28 2018-01-26 平安科技（深圳）有限公司 核保难度预测的方法、装置、计算机设备及存储介质
CN109299866A (zh) * 2018-09-11 2019-02-01 张连祥 一种用于招商引资的绩效考核系统
CN109345109A (zh) * 2018-09-26 2019-02-15 中国平安人寿保险股份有限公司 一种基于分类预测模型的员工评估方法及终端设备

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
C.G.M. SNOEK,ETAL: "Time interval maximum entropy based event indexing in soccer", 《IEEE》 *
俞艺涵 等: "基于Shannon信息熵与BP神经网络的隐私数据度量与分级模型", 《通信学报》 *
汪和平 等: "基于信息熵值法的生鲜品需求集成预测模型研究", 《南阳理工学院学报》 *
黄亚驹 等: "基于混合算法和BP神经网络的网络舆情预测研究", 《情报科学》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111639861A (zh) * 2020-06-01 2020-09-08 上海大学 一种基于神经网络的绩效考核方法及系统
CN111950933A (zh) * 2020-08-27 2020-11-17 卫宁健康科技集团股份有限公司 一种基于过程管控的社区卫生中心绩效考核方法及系统
CN112101918A (zh) * 2020-11-19 2020-12-18 深圳市维度数据科技股份有限公司 一种绩效考核方法及系统
CN112101918B (zh) * 2020-11-19 2021-06-04 深圳市维度数据科技股份有限公司 一种绩效考核方法及系统
CN113487152A (zh) * 2021-06-25 2021-10-08 国网山东省电力公司济宁市任城区供电公司 一种基于变电运维用值班记录系统的绩效考核方法及系统
CN115660508A (zh) * 2022-12-13 2023-01-31 湖南三湘银行股份有限公司 一种基于bp神经网络的员工绩效考核评价方法
CN116579671A (zh) * 2023-07-14 2023-08-11 新亿成科技(江苏)有限公司 一种自动匹配指标的绩效考核方法、系统、终端及存储介质
CN116579671B (zh) * 2023-07-14 2024-01-02 新亿成科技(江苏)有限公司 一种自动匹配指标的绩效考核方法、系统、终端及存储介质

Also Published As

Publication number Publication date
CN110222925B (zh) 2022-04-08

Similar Documents

Publication Publication Date Title
CN110222925A (zh) 绩效量化考核方法、装置及计算机可读存储介质
EP3346428A1 (en) Sensor design support apparatus, sensor design support method and computer program
US20200208861A1 (en) Refrigerant leak detection method and device for air conditioner
US20180336452A1 (en) Predicting wildfires on the basis of biophysical indicators and spatiotemporal properties using a long short term memory network
EP3438887A1 (en) Information processing device and information processing method
WO2017012321A1 (zh) 显示状态的调节方法、显示状态调节装置及显示装置
JP2021523430A (ja) 教師付き機械学習問題用のニューラルネットワークアーキテクチャの選択
CN106295682A (zh) 一种判断图片质量因子的方法、装置和计算设备
CN109345553A (zh) 一种手掌及其关键点检测方法、装置和终端设备
TWI670628B (zh) 動作評量模型生成裝置及其動作評量模型生成方法
CN108121961A (zh) 巡检行为识别方法、装置、计算机设备和存储介质
CN115631396A (zh) 一种基于知识蒸馏的YOLOv5目标检测方法
CN105518683A (zh) 用于幼儿特征识别及潜能开发评估的系统和方法
CN111783516A (zh) 一种基于深度学习的耕地质量自然等级评价方法
CN113421023A (zh) 一种农田土壤生态系统健康评价方法及系统
CN116321620B (zh) 智能照明开关控制系统及其方法
Arrieta-Ibarra et al. Metrics of calibration for probabilistic predictions
CN115168669A (zh) 传染病筛查方法、装置、终端设备及介质
CN111387932B (zh) 一种视力检测方法、装置及设备
Ejigu et al. Geostatistical methods for modelling non-stationary patterns in disease risk
CN108197424A (zh) 大规模网络教育中网络学习行为幂律分布概率建模方法
CN117058756A (zh) 老年人群膝关节动作识别方法
CN112733729B (zh) 模型训练、回归分析的方法、装置、存储介质和设备
EP3955587A1 (en) Machine learning device
CN113837521A (zh) 数据处理方法、装置、计算机可读存储介质及计算机设备

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