CN110414862A - 基于分类模型的任务调整方法及装置 - Google Patents
基于分类模型的任务调整方法及装置 Download PDFInfo
- Publication number
- CN110414862A CN110414862A CN201910716593.4A CN201910716593A CN110414862A CN 110414862 A CN110414862 A CN 110414862A CN 201910716593 A CN201910716593 A CN 201910716593A CN 110414862 A CN110414862 A CN 110414862A
- Authority
- CN
- China
- Prior art keywords
- user population
- targeted user
- disaggregated model
- task
- attribute data
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063112—Skill-based matching of a person or a group to a task
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063114—Status monitoring or status determination for a person or group
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063116—Schedule adjustment for a person or group
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种基于分类模型的任务调整方法及装置，方法包括：接收针对目标用户群体的分类请求信息，所述分类请求信息中包含有该目标用户群体的属性数据；将所述属性数据输入预存储的该目标用户群体对应的分类模型，得到该分类模型输出的针对该目标用户群体的预测分类结果；其中，所述分类模型是根据目标用户群体的历史属性数据以及该历史属性数据对应的分类结果进行训练得到的；根据所述针对该目标用户群体的预测分类结果对所述目标用户群体的任务进行数量上的调整。本发明能够为目标用户群体的合理的分配任务，从而有效减少工作量，提高资源分配效率，最终提高企业的生产效率。
Description
技术领域
本发明涉及数据分析和预测技术领域，具体涉及一种基于分类模型的任务调整方法及装置。
背景技术
目前大型企业的信息化建设水平越来越高，在人力资源管理管理理念和投入力度上也逐步对向国际先进企业看齐，但是在人力资源配置和员工缺乏智能化的应用支持，只能通过管理者人工的数据分析和主观判断来进行决策。这种传统的方式存在人工管理成本高，在办公管理、业绩考核、调查反馈等方面投入大量的分析和沟通工作量；主观判断考虑不全面，因为管理人员风格和关注点差异，往往忽视对员工行为和发展产生重要影响的因素。
随着人才逐步成为世界经济发展的核心，人力资源管理的职能和关注点也发生着显著的变化，如今的的人力资本管理强调“预测和决策”，通过“大数据”提供前瞻性的分析洞见，实现投资收益的最大化。
因此亟需一种通过“大数据”的方式来解决人力资源优化分配和资源之间的冲突的问题，实现企业产出效率的提升和人力资源成本的下降。
发明内容
针对现有技术中的问题，本发明提供一种基于分类模型的任务调整方法及装置，能够提高企业产出效率以及降低人力资源成本。
为解决上述技术问题，本发明提供以下技术方案：
第一方面，本发明提供一种基于分类模型的任务调整方法，包括：
接收针对目标用户群体的分类请求信息，所述分类请求信息中包含有该目标用户群体的属性数据；
将所述属性数据输入预存储的该目标用户群体对应的分类模型，得到该分类模型输出的针对该目标用户群体的预测分类结果；其中，所述分类模型是根据目标用户群体的历史属性数据以及该历史属性数据对应的分类结果进行训练得到的；
根据所述针对该目标用户群体的预测分类结果对所述目标用户群体的任务进行数量上的调整。
进一步的，在所述接收针对目标用户群体的分类请求信息之后，还包括：
对所述分类请求信息中包含的目标用户群体的属性数据进行预处理；
相对应的，所述将所述属性数据输入预存储的该目标用户群体对应的分类模型，得到该分类模型输出的针对该目标用户群体的预测分类结果，包括：
将预处理的属性数据输入预存储的该目标用户群体对应的分类模型，得到该分类模型输出的针对该目标用户群体的预测分类结果。
其中，所述根据所述针对该目标用户群体的预测分类结果对所述目标用户群体的任务进行数量上的调整，包括：
根据所述预测分类结果将所述目标用户群体划分为两个目标用户子群体，确定两个所述目标用户子群体中目标用户数量最少的目标用户子群体；
对所述目标用户数量最少的目标用户子群体的任务进行数量上的调整。
进一步的，在所述接收针对目标用户群体的分类请求信息之前，还包括：
获取目标用户群体的属性数据以及目标用户群体对应的分类结果；
采用回归算法对所述属性数据和所述分类结果进行训练得到分类模型。
其中，所述回归算法包括：逻辑回归算法和支持向量机中任意一种。
其中，所述目标用户群体的属性数据，包括：年龄、考核评分、工作负荷、年涨薪幅度、当前薪酬水平、当前岗位时间、家庭成员是否异地、所处小组在全公司排名、近半年缺勤数据、调查问卷反馈、是否外传公司数据、是否浏览招聘信息、在本公司工作年限、当前岗位职级和即时通讯工具中至少一种。
其中，所述对所述分类请求信息中包含的目标用户群体的属性数据进行预处理，包括：
确定所述属性数据中各个属性对应的分值及权重，并计算各个属性的分值和权重的乘积；
对各个属性对应的乘积结果进行归一化处理。
第二方面，本发明提供一种基于分类模型的任务调整装置，包括：
接收单元，用于接收针对目标用户群体的分类请求信息，所述分类请求信息中包含有该目标用户群体的属性数据；
分类单元，用于将所述属性数据输入预存储的该目标用户群体对应的分类模型，得到该分类模型输出的针对该目标用户群体的预测分类结果；其中，所述分类模型是根据目标用户群体的历史属性数据以及该历史属性数据对应的分类结果进行训练得到的；
调整单元，用于根据所述针对该目标用户群体的预测分类结果对所述目标用户群体的任务进行数量上的调整。
进一步的，还包括：
处理单元，用于对所述分类请求信息中包含的目标用户群体的属性数据进行预处理；
相对应的，所述分类单元包括：
分类子单元，用于将预处理的属性数据输入预存储的该目标用户群体对应的分类模型，得到该分类模型输出的针对该目标用户群体的预测分类结果。
其中，所述调整单元包括：
划分子单元，用于根据所述预测分类结果将所述目标用户群体划分为两个目标用户子群体，确定两个所述目标用户子群体中目标用户数量最少的目标用户子群体；
调整子单元，用于对所述目标用户数量最少的目标用户子群体的任务进行数量上的调整。
进一步的，还包括：
获取单元，用于获取目标用户群体的属性数据以及目标用户群体对应的分类结果；
训练单元，用于采用回归算法对所述属性数据和所述分类结果进行训练得到分类模型。
其中，所述回归算法包括：逻辑回归算法和支持向量机中任意一种。
其中，所述目标用户群体的属性数据，包括：年龄、考核评分、工作负荷、年涨薪幅度、当前薪酬水平、当前岗位时间、家庭成员是否异地、所处小组在全公司排名、近半年缺勤数据、调查问卷反馈、是否外传公司数据、是否浏览招聘信息、在本公司工作年限、当前岗位职级和即时通讯工具中至少一种。
其中，所述处理单元包括：
第一处理子单元，用于确定所述属性数据中各个属性对应的分值及权重，并计算各个属性的分值和权重的乘积；
第二处理子单元，用于对各个属性对应的乘积结果进行归一化处理。
第三方面，本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的基于分类模型的任务调整方法的步骤。
第四方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的基于分类模型的任务调整方法的步骤。
由上述技术方案可知，本发明提供一种基于分类模型的任务调整方法及装置，通过接收针对目标用户群体的分类请求信息，所述分类请求信息中包含有该目标用户群体的属性数据；将所述属性数据输入预存储的该目标用户群体对应的分类模型，得到该分类模型输出的针对该目标用户群体的预测分类结果；其中，所述分类模型是根据目标用户群体的历史属性数据以及该历史属性数据对应的分类结果进行训练得到的；根据所述针对该目标用户群体的预测分类结果对所述目标用户群体的任务进行数量上的调整，能够为目标用户群体的合理的分配任务，从而有效减少工作量，提高资源分配效率，最终提高企业的生产效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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为本发明实施例中的基于分类模型的任务调整方法的一种流程示意图。
图2为本发明实施例中的基于分类模型的任务调整方法的另一种流程示意图。
图3为本发明实施例中的基于分类模型的任务调整方法中分类模型的训练流程示意图。
图4为本发明实施例中的基于分类模型的任务调整方法中分类模型的第一种训练结果示意图。
图5为本发明实施例中的基于分类模型的任务调整方法中分类模型的第二种训练结果示意图。
图6为本发明实施例中的基于分类模型的任务调整方法中分类模型的第三种训练结果示意图。
图7为本发明实施例中的基于分类模型的任务调整装置的结构示意图。
图8为本发明实施例中的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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例，都属于本发明保护的范围。
本发明提供一种基于分类模型的任务调整方法的实施例，参见图1，所述基于分类模型的任务调整方法具体包含有如下内容：
S101：接收针对目标用户群体的分类请求信息，所述分类请求信息中包含有该目标用户群体的属性数据；
在本步骤中，在接收到外部终端发送的对目标用户群体的分类请求信息，对该分类请求消息进行解码，得到该分类请求信息中携带的目标用户群体的属性数据。
需要说明的是，目标用户群体中各个目标用户均对应有唯一一个属性数据。
目标用户群体的属性数据的挑选，可以按照专家规则、业内常用方法调研以及查阅学术论文的方式，挑选出能够用来预测员工行为的相关属性，从而建立预测员工行为的相关维度。
在本实施例中该属性数据包括：年龄、考核评分、工作负荷、年涨薪幅度、当前薪酬水平、当前岗位时间、家庭成员是否异地、所处小组在全公司排名、近半年缺勤数据、调查问卷反馈、是否外传公司数据、是否浏览招聘信息、在本公司工作年限、当前岗位职级和即时通讯工具中至少一种。
S102：将所述属性数据输入预存储的该目标用户群体对应的分类模型，得到该分类模型输出的针对该目标用户群体的预测分类结果；其中，所述分类模型是根据目标用户群体的历史属性数据以及该历史属性数据对应的分类结果进行训练得到的；
在本步骤中，将目标用户群体的属性数据写入数据表中，并将数据表输入预选训练并存储的分类模型，通过分类模型对输入的数据表中的目标用户群体的属性数据进行评分得到目标用户群体中每个目标用户的评分，根据各个目标用户的评分对目标用户群体划分为两类并输出两类分别对应的输出结果。
其中，一类对应的输出结果为1，另一类对应的输出结果为-1，输出结果为1时表示当前一类中的目标用户有离职迹象。输出结果为-1时表示当前另一类中的目标用户没有离职迹象。
S103：根据所述针对该目标用户群体的预测分类结果对所述目标用户群体的任务进行数量上的调整。
在本步骤中，根据上述步骤S102，已经将目标用户群体划分为两类，即两个目标用户子群体，确定两个目标用户子群体中目标用户数量最少的目标用户子群体；该目标用户数量最少的目标用户子群体对应的是分类模型的输出结果为1表示有离职迹象的目标用户。该目标用户数量较多的目标用户子群体对应的是分类模型的输出结果为-1表示没有离职迹象的目标用户。
对目标用户数量最少的目标用户子群体的任务进行数量上的调整，在具体实施时可以对该目标用户子群体的任务数量进行调小，实现能够为目标用户群体的合理的分配任务，避免目标用户离职后造成企业产出效率的降低以及企业招人的成本上升。
从上述描述可知，本发明提供一种基于分类模型的任务调整方法，通过接收针对目标用户群体的分类请求信息，所述分类请求信息中包含有该目标用户群体的属性数据；将所述属性数据输入预存储的该目标用户群体对应的分类模型，得到该分类模型输出的针对该目标用户群体的预测分类结果；其中，所述分类模型是根据目标用户群体的历史属性数据以及该历史属性数据对应的分类结果进行训练得到的；根据所述针对该目标用户群体的预测分类结果对所述目标用户群体的任务进行数量上的调整，能够为目标用户群体的合理的分配任务，从而有效减少工作量，提高资源分配效率，最终提高企业的生产效率；而且对于有离职迹象的员工，可以提前了解员工想法，通过岗位、工作内容调整等干预措施挽留，从而使人力资源可以有的放矢的对目标员工进行合理岗位安排以及离职意向干预，对企业整体运营成本和业绩目标的达成起到重要作用。
在上述实施例的基础上，参见图2，在步骤S101之后，还包括：
S104：对所述分类请求信息中包含的目标用户群体的属性数据进行预处理；
在本步骤中，对目标用户群体的属性数据进行预处理包括计算各个属性的分值以及该分值与该分值对应的权重的乘积；对各个属性对应的乘积结果进行归一化处理，便于分类模型进行分类。
其中。各个属性包括：年龄、考核评分、工作负荷、年涨薪幅度、当前薪酬水平、当前岗位时间、家庭成员是否异地、所处小组在全公司排名、近半年缺勤数据、调查问卷反馈、是否外传公司数据、是否浏览招聘信息、在本公司工作年限、当前岗位职级和即时通讯工具中至少一种。
属性数据中的参数按下表1的评分表和表2的规则表进行评分。
表1-评分表
表2-规则表
相对应的，步骤S102所述将所述属性数据输入预存储的该目标用户群体对应的分类模型得到该分类模型输出的针对该目标用户群体的预测分类结果，包括：
S105：将预处理的属性数据输入预存储的该目标用户群体对应的分类模型，得到该分类模型输出的针对该目标用户群体的预测分类结果。
从上述描述可知，本发明实施例提供的一种基于分类模型的任务调整方法，能够为目标用户群体的合理的分配任务，从而有效减少工作量，提高资源分配效率，最终提高企业的生产效率；而且对于有离职迹象的员工，可以提前了解员工想法，通过岗位、工作内容调整等干预措施挽留，从而使人力资源可以有的放矢的对目标员工进行合理岗位安排以及离职意向干预，对企业整体运营成本和业绩目标的达成起到重要作用。
本发明实施例还提供一种分类模型的训练方法，参见图3，具体包括：
S301：获取目标用户群体的属性数据以及目标用户群体对应的分类结果；
在本步骤中，目标用户群体的属性数据并对收集的属性数据进行清理。在收集属性数据时，收集两个方面的样本。
一个方面是五年来离职员工的样本数据，另一个方面是连续工作三年以上的正常在职员工数据，根据目标用户群体对应的各个属性计算各个属性的分值，以及确定每个属性在离职员工样本以及正常在职员工样本所占权重的大小。该权重的大小根据用户需求自行设置。
由于样本数据清理的目的在于首先要避免一些特征值范围过大而另一些特征值范围过小，然后要避免在训练时为了计算核函数而计算內积的时候引起数值计算的困难。计算各个属性对应分值以及分值对应的权重大小的乘积，实现将数据缩放到[-1，1]或者是[0，1]之间。
在本实施例中，数据的清理是通过调用pandas函数进行处理来实现的。
S302：采用回归算法对所述属性数据和所述分类结果进行训练得到分类模型。
在本步骤中，回归算法包括：逻辑回归算法和支持向量机中任意一种。
需要说明的是，通过支持向量机(SVM)这种小样本学习方法，可避免涉及概率测度及大数定理等，避开了从归纳到演绎的传统过程，实现了高效的从训练样本到预报样本的“转导推理”，大大简化了通常的分类和回归的问题。最终决策函数只由少数的支持向量所确定，从而可以帮助我们抓住关键样本，剔除冗余数据，所以该方法不但算法简单并且具有较好的“鲁棒”性。本实施例中是用来对用户进行划分，且样本数据量无法满足逻辑回归算法大量的样本需求，因此本实施例中选择SVM算法来构建分类模型。
具体包括：
先通过命令load infos来加载目标用户群体的属性数据；再通过命令[train,test]＝crossvalind(‘holdOut’,groups)来将数据平均分为两部分，一部分用作训练，一部分用作测试；
接下来调用函数svmStruct＝svmtrain(data(train,:),groups(train),’showplot’,true)来发起SVM的模型训练并将结果通过图形展示来进行分析，其中RBF核是SVM最常用的核函数，因此该模型的调优围绕着RBF展开，主要调整正则超参数，包括C(正则系数，一般在log域(取log后的值)均匀设置候选参数)和核函数的宽度gamma。如果发生了欠拟合，则表示无法正确的进行分类，因此要进行参数的调整，所以我们要将C和gamma调大；如果发生了过拟合，则会出现模型训练中所取得良好效果无法在实际场景中重现，因此要将C和gamma调小，并再发起模型训练；直到实验结果既不过拟合又不欠拟合，并取得较好的准确率时结束训练；
将最后训练结果保存在svmStruct结构中，对实验结果调用matplotlib生成如图4示。
从图4上可以看出当前模型的结果欠拟合，无法正确的进行分类，因此要进行参数的调整，其中RBF核是SVM最常用的核函数，因此该模型的调优围绕着RBF展开，主要调整正则超参数，包括C(正则系数，一般在log域(取log后的值)均匀设置候选参数)和核函数的宽度gamma，由于是欠拟合，所以我们要将C和gamma调大，并再发起模型训练，将其结果保存在svmStruct结构中，对实验结果调用matplotlib生成如图5示。
从图5中可以看出当前的曲线可以很好的将两种类别分开，但是过于完美，并且曲线过于复杂，从业界经验来看此类模型往往在生产上无法满足需要，因此要将C和gamma调小，并再发起模型训练，直到实验结果达到如图6示。达到如图6所示时表示模型训练成功。
本发明实施例提供一种能够实现所述基于分类模型的任务调整方法中全部内容的基于分类模型的任务调整装置的具体实施方式，参见图7，所述基于分类模型的任务调整装置具体包括如下内容：
接收单元10，用于接收针对目标用户群体的分类请求信息，所述分类请求信息中包含有该目标用户群体的属性数据；
分类单元20，用于将所述属性数据输入预存储的该目标用户群体对应的分类模型，得到该分类模型输出的针对该目标用户群体的预测分类结果；其中，所述分类模型是根据目标用户群体的历史属性数据以及该历史属性数据对应的分类结果进行训练得到的；
调整单元30，用于根据所述针对该目标用户群体的预测分类结果对所述目标用户群体的任务进行数量上的调整。
进一步的，还包括：
处理单元40，用于对所述分类请求信息中包含的目标用户群体的属性数据进行预处理；
相对应的，所述分类单元包括：
分类子单元，用于将预处理的属性数据输入预存储的该目标用户群体对应的分类模型，得到该分类模型输出的针对该目标用户群体的预测分类结果。
其中，所述调整单元包括：
划分子单元，用于根据所述预测分类结果将所述目标用户群体划分为两个目标用户子群体，确定两个所述目标用户子群体中目标用户数量最少的目标用户子群体；
调整子单元，用于对所述目标用户数量最少的目标用户子群体的任务进行数量上的调整。
进一步的，还包括：
获取单元50，用于获取目标用户群体的属性数据以及目标用户群体对应的分类结果；
训练单元60，用于采用回归算法对所述属性数据和所述分类结果进行训练得到分类模型。
其中，所述回归算法包括：逻辑回归算法和支持向量机中任意一种。
其中，所述目标用户群体的属性数据，包括：年龄、考核评分、工作负荷、年涨薪幅度、当前薪酬水平、当前岗位时间、家庭成员是否异地、所处小组在全公司排名、近半年缺勤数据、调查问卷反馈、是否外传公司数据、是否浏览招聘信息、在本公司工作年限、当前岗位职级和即时通讯工具中至少一种。
其中，所述处理单元包括：
第一处理子单元，用于确定所述属性数据中各个属性对应的分值及权重，并计算各个属性的分值和权重的乘积；
第二处理子单元，用于对各个属性对应的乘积结果进行归一化处理。
本发明提供的基于分类模型的任务调整装置的实施例具体可以用于执行上述实施例中的基于分类模型的任务调整方法的实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。
从上述描述可知，本发明实施例提供的基于分类模型的任务调整装置，充分利用企业内部管理信息数据，通过机器学习模型预测，可以快速准确地对用户进行分类，辅助企业人力资源管理进行资源计划调整、岗位调整决策，对企业整体运营成本和业绩目标的达成起到重要作用；还可以应用于企业人力资源管理领域对岗位分工辅助决策、员工职业发展建议、员工离职意向预测等场景，提供了高效准确的结果。
本申请提供一种用于实现所述基于分类模型的任务调整方法中的全部或部分内容的电子设备的实施例所述电子设备具体包含有如下内容：
处理器(processor)、存储器(memory)、通信接口(Communications Interface)和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述通信接口用于实现相关设备之间的信息传输；该电子设备可以是台式计算机、平板电脑及移动终端等，本实施例不限于此。在本实施例中，该电子设备可以参照实施例用于实现所述基于分类模型的任务调整方法的实施例及用于实现所述基于分类模型的任务调整装置的实施例进行实施，其内容被合并于此，重复之处不再赘述。
图8为本申请实施例的电子设备9600的系统构成的示意框图。如图8所示，该电子设备9600可以包括中央处理器9100和存储器9140；存储器9140耦合到中央处理器9100。值得注意的是，该图8是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。
一实施例中，基于分类模型的任务调整功能可以被集成到中央处理器9100中。其中，中央处理器9100可以被配置为进行如下控制：接收针对目标用户群体的分类请求信息，所述分类请求信息中包含有该目标用户群体的属性数据；将所述属性数据输入预存储的该目标用户群体对应的分类模型，得到该分类模型输出的针对该目标用户群体的预测分类结果；其中，所述分类模型是根据目标用户群体的历史属性数据以及该历史属性数据对应的分类结果进行训练得到的；根据所述针对该目标用户群体的预测分类结果对所述目标用户群体的任务进行数量上的调整。
从上述描述可知，本申请的实施例提供的电子设备，通过接收针对目标用户群体的分类请求信息，所述分类请求信息中包含有该目标用户群体的属性数据；将所述属性数据输入预存储的该目标用户群体对应的分类模型，得到该分类模型输出的针对该目标用户群体的预测分类结果；其中，所述分类模型是根据目标用户群体的历史属性数据以及该历史属性数据对应的分类结果进行训练得到的；根据所述针对该目标用户群体的预测分类结果对所述目标用户群体的任务进行数量上的调整，能够为目标用户群体的合理的分配任务，从而有效减少工作量，提高资源分配效率，最终提高企业的生产效率。
在另一个实施方式中，基于分类模型的任务调整装置可以与中央处理器9100分开配置，例如可以将基于分类模型的任务调整配置为与中央处理器9100连接的芯片，通过中央处理器的控制来实现基于分类模型的任务调整功能。
如图8所示，该电子设备9600还可以包括：通信模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是，电子设备9600也并不是必须要包括图8中所示的所有部件；此外，电子设备9600还可以包括图8中没有示出的部件，可以参考现有技术。
如图8所示，中央处理器9100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。
其中，存储器9140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序，以实现信息存储或处理等。
输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。
该存储器9140可以是固态存储器，例如，只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142，该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。
存储器9140还可以包括数据存储部9143，该数据存储部9143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通信模块(发送机/接收机)9110耦合到中央处理器9100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。
基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块9110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132，以经由扬声器9131提供音频输出，并接收来自麦克风9132的音频输入，从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器9130还耦合到中央处理器9100，从而使得可以通过麦克风9132能够在本机上录音，且使得可以通过扬声器9131来播放本机上存储的声音。
本发明的实施例还提供能够实现上述实施例中的基于分类模型的任务调整方法中全部步骤的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计算机程序，该计算机程序被处理器执行时实现上述实施例中的基于分类模型的任务调整方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：接收针对目标用户群体的分类请求信息，所述分类请求信息中包含有该目标用户群体的属性数据；将所述属性数据输入预存储的该目标用户群体对应的分类模型，得到该分类模型输出的针对该目标用户群体的预测分类结果；其中，所述分类模型是根据目标用户群体的历史属性数据以及该历史属性数据对应的分类结果进行训练得到的；根据所述针对该目标用户群体的预测分类结果对所述目标用户群体的任务进行数量上的调整。
从上述描述可知，本发明实施例提供的计算机可读存储介质，通过接收针对目标用户群体的分类请求信息，所述分类请求信息中包含有该目标用户群体的属性数据；将所述属性数据输入预存储的该目标用户群体对应的分类模型，得到该分类模型输出的针对该目标用户群体的预测分类结果；其中，所述分类模型是根据目标用户群体的历史属性数据以及该历史属性数据对应的分类结果进行训练得到的；根据所述针对该目标用户群体的预测分类结果对所述目标用户群体的任务进行数量上的调整，能够为目标用户群体的合理的分配任务，从而有效减少工作量，提高资源分配效率，最终提高企业的生产效率。
虽然本发明提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
本领域技术人员应明白，本说明书的实施例可提供为方法、装置(系统)或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。本发明并不局限于任何单一的方面，也不局限于任何单一的实施例，也不局限于这些方面和/或实施例的任意组合和/或置换。而且，可以单独使用本发明的每个方面和/或实施例或者与一个或更多其他方面和/或其实施例结合使用。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (16)
1.一种基于分类模型的任务调整方法，其特征在于，包括：
接收针对目标用户群体的分类请求信息，所述分类请求信息中包含有该目标用户群体的属性数据；
将所述属性数据输入预存储的该目标用户群体对应的分类模型，得到该分类模型输出的针对该目标用户群体的预测分类结果；其中，所述分类模型是根据目标用户群体的历史属性数据以及该历史属性数据对应的分类结果进行训练得到的；
根据所述针对该目标用户群体的预测分类结果对所述目标用户群体的任务进行数量上的调整。
2.根据权利要求1所述的基于分类模型的任务调整方法，其特征在于，在所述接收针对目标用户群体的分类请求信息之后，还包括：
对所述分类请求信息中包含的目标用户群体的属性数据进行预处理；
相对应的，所述将所述属性数据输入预存储的该目标用户群体对应的分类模型，得到该分类模型输出的针对该目标用户群体的预测分类结果，包括：
将预处理的属性数据输入预存储的该目标用户群体对应的分类模型，得到该分类模型输出的针对该目标用户群体的预测分类结果。
3.根据权利要求1所述的基于分类模型的任务调整方法，其特征在于，所述根据所述针对该目标用户群体的预测分类结果对所述目标用户群体的任务进行数量上的调整，包括：
根据所述预测分类结果将所述目标用户群体划分为两个目标用户子群体，确定两个所述目标用户子群体中目标用户数量最少的目标用户子群体；
对所述目标用户数量最少的目标用户子群体的任务进行数量上的调整。
4.根据权利要求1所述的基于分类模型的任务调整方法，其特征在于，在所述接收针对目标用户群体的分类请求信息之前，还包括：
获取目标用户群体的属性数据以及目标用户群体对应的分类结果；
采用回归算法对所述属性数据和所述分类结果进行训练得到分类模型。
5.根据权利要求4所述的基于分类模型的任务调整方法，其特征在于，所述回归算法包括：逻辑回归算法和支持向量机中任意一种。
6.根据权利要求1所述的基于分类模型的任务调整方法，其特征在于，所述目标用户群体的属性数据，包括：年龄、考核评分、工作负荷、年涨薪幅度、当前薪酬水平、当前岗位时间、家庭成员是否异地、所处小组在全公司排名、近半年缺勤数据、调查问卷反馈、是否外传公司数据、是否浏览招聘信息、在本公司工作年限、当前岗位职级和即时通讯工具中至少一种。
7.根据权利要求2所述的基于分类模型的任务调整方法，其特征在于，所述对所述分类请求信息中包含的目标用户群体的属性数据进行预处理，包括：
确定所述属性数据中各个属性对应的分值及权重，并计算各个属性的分值和权重的乘积；
对各个属性对应的乘积结果进行归一化处理。
8.一种基于分类模型的任务调整装置，其特征在于，包括：
接收单元，用于接收针对目标用户群体的分类请求信息，所述分类请求信息中包含有该目标用户群体的属性数据；
分类单元，用于将所述属性数据输入预存储的该目标用户群体对应的分类模型，得到该分类模型输出的针对该目标用户群体的预测分类结果；其中，所述分类模型是根据目标用户群体的历史属性数据以及该历史属性数据对应的分类结果进行训练得到的；
调整单元，用于根据所述针对该目标用户群体的预测分类结果对所述目标用户群体的任务进行数量上的调整。
9.根据权利要求8所述的基于分类模型的任务调整装置，其特征在于，还包括：
处理单元，用于对所述分类请求信息中包含的目标用户群体的属性数据进行预处理；
相对应的，所述分类单元包括：
分类子单元，用于将预处理的属性数据输入预存储的该目标用户群体对应的分类模型，得到该分类模型输出的针对该目标用户群体的预测分类结果。
10.根据权利要求8所述的基于分类模型的任务调整装置，其特征在于，所述调整单元包括：
划分子单元，用于根据所述预测分类结果将所述目标用户群体划分为两个目标用户子群体，确定两个所述目标用户子群体中目标用户数量最少的目标用户子群体；
调整子单元，用于对所述目标用户数量最少的目标用户子群体的任务进行数量上的调整。
11.根据权利要求8所述的基于分类模型的任务调整装置，其特征在于，还包括：
获取单元，用于获取目标用户群体的属性数据以及目标用户群体对应的分类结果；
训练单元，用于采用回归算法对所述属性数据和所述分类结果进行训练得到分类模型。
12.根据权利要求11所述的基于分类模型的任务调整装置，其特征在于，所述回归算法包括：逻辑回归算法和支持向量机中任意一种。
13.根据权利要求8所述的基于分类模型的任务调整装置，其特征在于，所述目标用户群体的属性数据，包括：年龄、考核评分、工作负荷、年涨薪幅度、当前薪酬水平、当前岗位时间、家庭成员是否异地、所处小组在全公司排名、近半年缺勤数据、调查问卷反馈、是否外传公司数据、是否浏览招聘信息、在本公司工作年限、当前岗位职级和即时通讯工具中至少一种。
14.根据权利要求9所述的基于分类模型的任务调整装置，其特征在于，所述处理单元包括：
第一处理子单元，用于确定所述属性数据中各个属性对应的分值及权重，并计算各个属性的分值和权重的乘积；
第二处理子单元，用于对各个属性对应的乘积结果进行归一化处理。
15.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至7任一项所述的基于分类模型的任务调整方法的步骤。
16.一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，该计算机程序被处理器执行时实现权利要求1至7任一项所述的基于分类模型的任务调整方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910716593.4A CN110414862A (zh) | 2019-08-05 | 2019-08-05 | 基于分类模型的任务调整方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910716593.4A CN110414862A (zh) | 2019-08-05 | 2019-08-05 | 基于分类模型的任务调整方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110414862A true CN110414862A (zh) | 2019-11-05 |
Family
ID=68365750
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910716593.4A Pending CN110414862A (zh) | 2019-08-05 | 2019-08-05 | 基于分类模型的任务调整方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110414862A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112508599A (zh) * | 2020-11-13 | 2021-03-16 | 北京沃东天骏信息技术有限公司 | 信息反馈方法和装置 |
| CN113342518A (zh) * | 2021-05-31 | 2021-09-03 | 中国工商银行股份有限公司 | 任务处理方法和装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104881800A (zh) * | 2015-06-03 | 2015-09-02 | 西北工业大学 | 一种基于移动群智感知的激励机制实现方法 |
| CN108256907A (zh) * | 2018-01-09 | 2018-07-06 | 北京腾云天下科技有限公司 | 一种客户分群模型的构建方法和计算设备 |
| CN109242275A (zh) * | 2018-08-21 | 2019-01-18 | 平安科技（深圳）有限公司 | 任务分配方法、装置及存储介质 |
| CN109523237A (zh) * | 2018-11-15 | 2019-03-26 | 平安科技（深圳）有限公司 | 基于用户偏好的众包任务推送方法及相关装置 |
| CN109872036A (zh) * | 2019-01-10 | 2019-06-11 | 平安科技（深圳）有限公司 | 基于分类算法的任务分配方法、装置及计算机设备 |
-
2019
- 2019-08-05 CN CN201910716593.4A patent/CN110414862A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104881800A (zh) * | 2015-06-03 | 2015-09-02 | 西北工业大学 | 一种基于移动群智感知的激励机制实现方法 |
| CN108256907A (zh) * | 2018-01-09 | 2018-07-06 | 北京腾云天下科技有限公司 | 一种客户分群模型的构建方法和计算设备 |
| CN109242275A (zh) * | 2018-08-21 | 2019-01-18 | 平安科技（深圳）有限公司 | 任务分配方法、装置及存储介质 |
| CN109523237A (zh) * | 2018-11-15 | 2019-03-26 | 平安科技（深圳）有限公司 | 基于用户偏好的众包任务推送方法及相关装置 |
| CN109872036A (zh) * | 2019-01-10 | 2019-06-11 | 平安科技（深圳）有限公司 | 基于分类算法的任务分配方法、装置及计算机设备 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112508599A (zh) * | 2020-11-13 | 2021-03-16 | 北京沃东天骏信息技术有限公司 | 信息反馈方法和装置 |
| CN112508599B (zh) * | 2020-11-13 | 2024-05-24 | 北京沃东天骏信息技术有限公司 | 信息反馈方法和装置 |
| CN113342518A (zh) * | 2021-05-31 | 2021-09-03 | 中国工商银行股份有限公司 | 任务处理方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107194743B (zh) | 一种网络调查问卷生成方法和装置 | |
| US11272059B2 (en) | Exclusive agent pool allocation method, electronic device, and computer readable storage medium | |
| US8374912B2 (en) | System and method for managing and optimizing advertising campaigns managed on the internet | |
| CN110956202B (zh) | 基于分布式学习的图像训练方法、系统、介质及智能设备 | |
| CN103647671B (zh) | 一种基于Gur Game的群智感知网络管理方法及其系统 | |
| CN110084616A (zh) | 智能回访方法、装置、计算机装置及存储介质 | |
| CN105898402A (zh) | 网络调度方法和系统 | |
| CN108322317A (zh) | 一种账号识别关联方法及服务器 | |
| CN107330715A (zh) | 选择图片广告素材的方法和装置 | |
| CN112035325B (zh) | 文本机器人自动监控方法及装置 | |
| CN111028007B (zh) | 用户画像信息提示方法、装置及系统 | |
| CN111949795A (zh) | 工单自动分类方法及装置 | |
| CN110414862A (zh) | 基于分类模型的任务调整方法及装置 | |
| CN113538188B (zh) | 试卷生成方法、装置、电子设备及计算机可读存储介质 | |
| CN107943697A (zh) | 问题分配方法、装置、系统、服务器和计算机存储介质 | |
| CN107203883A (zh) | 一种风险控制方法和设备 | |
| CN110458410A (zh) | 一种任务分配的方法和设备 | |
| CN111080204A (zh) | 一种基于客户优先级评价的智能排序派件系统 | |
| WO2020124087A1 (en) | Value index score | |
| CN101044499A (zh) | 用于确定理想客户的评级系统和方法 | |
| CN109412930A (zh) | 一种im落地页的跳转方法、装置、存储介质及终端 | |
| CN111352841B (zh) | 金融交易软件的质量检测方法及装置 | |
| US20210271925A1 (en) | Contact Center Call Volume Prediction | |
| CN107895217A (zh) | 测试管理方法及应用服务器 | |
| CN111046156A (zh) | 奖励数据的确定方法、装置和服务器 |
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 |
Application publication date: 20191105 |
|
| RJ01 | Rejection of invention patent application after publication |