CN110555576A - 工作饱和度分析方法和装置 - Google Patents

Abstract

本发明实施例提出一种工作饱和度分析方法和装置。其中，该方法包括：从各员工的工作内容数据和公司的组织架构数据中，提取各员工的局部特征和全局特征，所述局部特征用于表示员工在部门内部的特征，所述全局特征用于表示员工在公司范围内的特征；从工作时间数据中，提取各员工的实际工作时长；根据各员工的局部特征和全局特征构建相似度矩阵；根据所述相似度矩阵和所述实际工作时长构建工作饱和度分析模型；以及根据所述工作饱和度分析模型，确定各员工的工作状态是否饱和。本发明实施例通过建立工作饱和度分析模型，能够自动分析员工的工作状态是否饱和，有利于节约人力成本，提高管理效率，分析结果更加合理、准确。

Description

工作饱和度分析方法和装置

技术领域

本发明涉及计算机技术领域，尤其涉及一种工作饱和度分析方法和装置。

背景技术

工作饱和度分析是各个公司管理部门的重要工作，其工作内容在于有效精准地分析各个部门的工作时长和项目完成度是否匹配，以便精准合理地确定各个部门的工作任务分配。公司内部合理的任务分配能够维持公司活力，保持公司在行业内的高竞争力。

然而，对于各部门的工作饱和度分析并非一件容易的事情，由于部门和职位的多样性，不同部门职位之间的工作内容存在差异性，不同项目的工作周期也不尽相同，这些都会影响对工作饱和度的评估。传统的工作饱和度分析是简单基于实际工作时间来预测，这种方法很少考虑到不同项目中实际工作强度的差异，因此难以反映复杂的实际情况。实际上，对于公司内部的各个项目，很难人为准确定义工作强度和标准工作时间。因此高效并且准确地评估工作饱和度是难以基于简单统计方法实现的。

传统的工作饱和度分析通过有限的人工调研来进行。缺点如下：

1.低效性：传统的方法需要依靠大量的人力、物力进行项目和工作内容的审阅比较和部门内部合理工作时长的评估，这种方法周期长，价格昂贵，成本高。

2.局限性：传统的人工调研方法所获得结果往往局限于同一部门内部员工的工作时长比较，调研范围局限，很难进行跨部门、多岗位、多员工的多重组合的工作饱和度分析。

发明内容

本发明实施例提供一种工作饱和度分析方法和装置，以解决现有技术中的一个或多个技术问题。

第一方面，本发明实施例提供了一种工作饱和度分析方法，包括：

从各员工的工作内容数据和公司的组织架构数据中，提取各员工的局部特征和全局特征，局部特征用于表示员工在部门内部的特征，全局特征用于表示员工在公司范围内的特征；从工作时间数据中，提取各员工的实际工作时长；根据各员工的局部特征和全局特征构建相似度矩阵；根据相似度矩阵和实际工作时长构建工作饱和度分析模型；以及根据工作饱和度分析模型，确定各员工的工作状态是否饱和。

结合第一方面，本发明实施例在第一方面的第一种实现方式中，从各员工的工作内容数据和公司的组织架构数据中，提取各员工的局部特征和全局特征，包括：采用主题模型算法从各员工的工作内容数据和公司的组织架构数据中，提取各员工的局部特征和全局特征；其中，局部特征包括员工在部门内部对应的局部主题分布；全局特征包括员工在公司内部对应的全局主题分布。

结合第一方面的第一种实现方式，本发明实施例在第一方面的第二种实现方式中，根据各员工的局部特征和全局特征构建相似度矩阵，包括：根据各员工的局部主题分布计算部门内部员工之间的相似度，根据部门内部员工之间的相似度构建所述局部相似度矩阵；根据各员工的全局主题分布计算公司内部员工之间的相似度，根据公司内部员工之间的相似度构建所述全局相似度矩阵。

结合第一方面、第一方面的第一种实现方式和第一方面的第二种实现方式，本发明实施例在第一方面的第三种实现方式中，根据所述相似度矩阵和所述实际工作时长构建工作饱和度分析模型，包括：根据所述局部相似度矩阵、所述全局相似度矩阵和所述实际工作时长，构建满足多个约束条件的工作饱和度分析模型。

结合第一方面第三种实现方式，本发明实施例在第一方面的第四种实现方式中，根据所述局部相似度矩阵、所述全局相似度矩阵和所述实际工作时长，构建满足多个约束条件的工作饱和度分析模型，包括：

采用式1、式2和式3构建满足多个约束条件的工作饱和度分析模型，

其中，表示工作饱和度分析模型的目标函数，(α，β，γ)表示权重；为第一约束条件，表示同部门相似员工间的工作时长差异；为第二约束条件，表示跨部门相似员工间的工作时长差异；为第三约束条件，表示同一员工的实际工作时长与预测工作时长的差异；为第四约束条件，表示假设全部员工的实际工作时长之和与预测工作时长之和相同。

结合第一方面第四种实现方式，本发明实施例在第一方面的第五种实现方式中，第一约束条件、第二约束条件以及第三约束条件分别满足式4、式5和式6：

其中，S^c为全局相似度矩阵，表示公司内各员工之间的相似度；T^c为全局时间残差矩阵，表示公司内各员工之间的时间残差；S^d为局部相似度矩阵，表示第d个部门内各员工之间的相似度；T^d为局部时间残差矩阵，表示第d个部门内各员工之间的时间残差；t表示预测工作时长向量，表示实际工作时长向量。

结合第一方面第五种实现方式，本发明实施例在第一方面的第六种实现方式中，全局时间残差矩阵为：

其中，m为公司内全部员工数，t₁为公司内部第1个员工的预测工作时长，t_m为公司内部第m个员工的预测工作时长；

局部时间残差矩阵为：

其中，n为属于部门d的员工数，t₁为部门内部第1个员工的预测工作时长，t_n为部门内部第n个员工的预测工作时长。

第二方面，本发明实施例提供了一种工作饱和度分析装置，包括：

特征提取模块，用于从各员工的工作内容数据和公司的组织架构数据中，提取各员工的局部特征和全局特征，所述局部特征用于表示员工在部门内部的特征，所述全局特征用于表示员工在公司范围内的特征；

时长提取模块，用于从工作时间数据中，提取各员工的实际工作时长；

矩阵构建模块，用于根据各员工的局部特征和全局特征构建相似度矩阵；

模型构建模块，用于根据所述相似度矩阵和所述实际工作时长构建工作饱和度分析模型；以及

状态分析模块，用于根据所述工作饱和度分析模型，确定各员工的工作状态是否饱和。

结合第二方面，本发明实施例在第二方面的第一种实现方式中，包括：特征提取模块还用于采用主题模型算法从各员工的工作内容数据和公司的组织架构数据中，提取各员工的局部特征和全局特征；其中，所述局部特征包括员工在部门内部对应的局部主题分布；所述全局特征包括员工在公司内部对应的全局主题分布。

结合第二方面的第一种实现方式，本发明实施例在第二方面的第二种实现方式中，矩阵构建模块包括：

第一矩阵构建子模块，用于根据各员工的局部主题分布计算部门内部员工之间的相似度，根据部门内部员工之间的相似度构建所述局部相似度矩阵；

第二矩阵构建子模块，用于根据各员工的全局主题分布计算公司内部员工之间的相似度，根据公司内部员工之间的相似度构建所述全局相似度矩阵。

结合第二方面、第二方面的第一种实现方式和第二方面的第二种实现方式，本发明实施例在第二方面的第三种实现方式中，模型构建模块还用于根据所述局部相似度矩阵、所述全局相似度矩阵和所述实际工作时长，构建满足多个约束条件的工作饱和度分析模型。

结合第二方面第三种实现方式，本发明实施例在第二方面的第四种实现方式中，模型构建模块还用于采用式1、式2和式3构建满足多个约束条件的工作饱和度分析模型：

其中，表示工作饱和度分析模型的目标函数，(α，β，γ)表示权重；为第一约束条件，表示同部门相似员工间的工作时长差异；为第二约束条件，表示跨部门相似员工间的工作时长差异；为第三约束条件，表示同一员工的实际工作时长与预测工作时长的差异；为第四约束条件，表示假设全部员工的实际工作时长之和与预测工作时长之和相同。

结合第二方面第四种实现方式，本发明实施例在第二方面的第五种实现方式中，第一约束条件、第二约束条件以及第三约束条件分别满足式4、式5和式6：

其中，S^c为全局相似度矩阵，表示公司内各员工之间的相似度；T^c为全局时间残差矩阵，表示公司内各员工之间的时间残差；S^d为局部相似度矩阵，表示第d个部门内各员工之间的相似度；T^d为局部时间残差矩阵，表示第d个部门内各员工之间的时间残差；t表示预测工作时长向量，表示实际工作时长向量。

结合第二方面第五种实现方式，本发明实施例在第二方面的第六种实现方式中，全局时间残差矩阵为：

其中，m为公司内全部员工数，t₁为公司内部第1个员工的预测工作时长，t_m为公司内部第m个员工的预测工作时长；

局部时间残差矩阵为：

其中，n为属于部门d的员工数，t₁为部门内部第1个员工的预测工作时长，t_n为部门内部第n个员工的预测工作时长。

上述技术方案中的一个技术方案具有如下优点或有益效果：通过建立工作饱和度分析模型，能够自动分析员工的工作状态是否饱和，进而可以分析公司、部门的工作状态是否饱和，有利于节约人力成本，提高管理效率，降低管理成本。由于综合了员工的工作内容、公司的组织架构和员工的实际工作时长等多种因素，能够从多个角度进行工作饱和度分析，分析结果更加合理、准确。

上述技术方案中的另一个技术方案具有如下优点或有益效果：采用主题模型算法从员工的工作内容和公司的组织架构中，提取全局特征和局部特征，可以兼顾到人工难以发现的潜在因素对工作饱和度的影响，使得分析结果更为合理，避免了传统方法的局限性。

上述概述仅仅是为了说明书的目的，并不意图以任何方式进行限制。除上述描述的示意性的方面、实施方式和特征之外，通过参考附图和以下的详细描述，本发明进一步的方面、实施方式和特征将会是容易明白的。

附图说明

在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本发明公开的一些实施方式，而不应将其视为是对本发明范围的限制。

图1为根据本发明实施例的工作饱和度分析方法的流程图。

图2为根据本发明实施例的改进的LDA主题模型的示意图。

图3为根据本发明实施例的构建工作饱和度分析模型的示意图。

图4为根据本发明实施例的工作饱和度分析装置的结构框图。

图5为根据本发明实施例的工作饱和度分析装置的结构框图。

图6示出根据本发明实施例的工作饱和度分析装置的结构框图。

具体实施方式

在下文中，仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样，在不脱离本发明的精神或范围的情况下，可通过各种不同方式修改所描述的实施例。因此，附图和描述被认为本质上是示例性的而非限制性的。

图1示出根据本发明实施例的工作饱和度分析方法的流程图。如图1所示，该方法可以包括以下步骤：

S110、从各员工的工作内容数据和公司的组织架构数据中，提取各员工的局部特征和全局特征。

S120、从工作时间数据中，提取各员工的实际工作时长。

S130、根据各员工的局部特征和全局特征构建相似度矩阵。

S140、根据所述相似度矩阵和所述实际工作时长构建工作饱和度分析模型。

S150、根据所述工作饱和度分析模型，确定各员工的工作状态是否饱和。

在一种示例中，一个公司可能包括多个部门。每个部门可能包括多个员工。每个员工具有自己的工作内容数据例如项目内容文档等。公司的组织架构数据中可以包括公司的部门名称和数量、每个部门包括的员工名称、职位和数量等。例如：如果一个公司有m个员工，分布在多个部门，每个部门用d表示，假设一个部门内有n个员工。根据公司的实际组织架构，每个部门的员工数n的值可能不同。

在本发明实施例中，结合各员工的工作内容数据和各员工所属公司的部门，可以提取各员工的在全公司范围内对应的全局特征，以及各员工在部门范围内对应的局部特征。其中，所述局部特征用于表示员工在部门内部的特征，例如专项技能，所述全局特征用于表示员工在公司范围内的特征，例如通用技能。其中，局部特征可以通过局部特征向量来表示；全局特征可以通过全局特征向量来表示。

在一种可能的实现方式中，步骤S110中还包括，采用主题模型算法从各员工的工作内容数据和公司的组织架构数据中，提取各员工的局部特征和全局特征；其中，所述局部特征包括员工在部门内部对应的局部主题分布；所述全局特征包括员工在公司内部对应的全局主题分布。

具体地，可以采用主题模型算法从原始的工作内容数据和组织架构数据中提取局部主题分布和全局主题分布。局部主题分布可以表示员工在部门内专项技能，全局主题分布可以表示员工在全公司内通用技能。

例如，某公司包括的部门有：金融部，市场部，业务部和大数据部。这四个部门共同拥有一套相同的全局主题，并分别拥有四套不同的局部主题。全局主题为：用户，商品，开发，效率和资源。金融部的局部主题为：贷款、股市、财富和交易。市场部的局部主题为：直销、采购、引流、分成。类似的，其余两个部门也有各自的局部主题。根据该公司金融部门的某员工的工作文档，采用主题模型算法。如果从员工的文档中提取出与五个全局主题相关的内容的比例分别为20％(用户)、30％(商品)、0％(开发)、50％(效率)和0％(资源)，则全局主题分布为{0.2、0.3、0、0.5、0}。如果从员工的文档中提取出与金融部门的相关的内容的比例分别为10％(贷款)、10％(股市)、50％(财富)和30％(交易)，则局部主题分布为{0.1、0.1、0.5、0.3}。

在一种可能的实现方式中，步骤S120包括：

根据各员工的局部主题分布计算部门内部员工之间的相似度，根据部门内部员工之间的相似度构建所述局部相似度矩阵；

根据各员工的全局主题分布计算公司内部员工之间的相似度，根据公司内部员工之间的相似度构建所述全局相似度矩阵。

例如，可以计算某个部门内部每两个员工之间的局部主题分布的相似度，再根据所计算的各个相似度建立该部门对应的局部相似度矩阵。

再如，可以计算该公司内部每两个员工之间的全局主题分布的相似度，再根据所计算的各个相似度建立该公司对应的全局相似度矩阵。

在一种可能的实现方式中，步骤S130包括：根据局部相似度矩阵、全局相似度矩阵和实际工作时长，构建满足多个约束条件的工作饱和度分析模型。

在本发明实施例中，可以预先假设多个约束条件。例如：假设同部门相似员工的工作时长相似(第一约束条件)；假设跨部门的相似员工的工作时长相似(第二约束条件)；假设同一员工的预测工作时长实际工作时长接近(第三约束条件)；假设全公司所有员工的预测工作时长之和等于所有员工实际工作时长之和(第四约束条件)。

在一种可能的实现方式中，根据所述局部相似度矩阵、所述全局相似度矩阵和所述实际工作时长，构建满足多个约束条件的工作饱和度分析模型，包括：

其中，表示工作饱和度分析模型的目标函数，(α，β，γ)表示权重；为第一约束条件，表示同部门相似员工间的工作时长差异；为第二约束条件，表示跨部门相似员工间的工作时长差异；为第三约束条件，表示同一员工的实际工作时长与预测工作时长的差异；为第四约束条件，表示假设全部员工的实际工作时长之和与预测工作时长之和相同。表示求解的最小值。

上述约束条件是示例性描述，并非对约束条件的限制，在实际应用中，可以减少上述的约束条件，也可以增加其他的约束条件。例如，如果只有前两个约束条件，上述的公式可以修改为

在一种可能的实现方式中，所述第一约束条件、所述第二约束条件以及所述第三约束条件，包括：

其中，S^c为全局相似度矩阵，表示公司内各员工之间的相似度；T^c为全局时间残差矩阵，表示公司内各员工之间的时间残差；S^d为局部相似度矩阵，表示第d个部门内各员工之间的相似度；T^d为局部时间残差矩阵，表示第d个部门内各员工之间的时间残差；t表示预测工作时长向量，表示实际工作时长向量。

其中，第一约束条件中的diag(S^dT^d)表示取S^dT^d矩阵对角线元素作为向量。∑diag(S^dT^d)表示一个部门内部的S^dT^d矩阵对角线元素之和。表示所有部门的S^dT^d矩阵对角线元素之和。可以为经验值，也可以为其他数值。

第二约束条件中的对角线求和与第一约束条件类似，此处不再赘述。不同之处在于已考虑全局特征向量，无需再对所有部门求和。

第三约束条件中||…||是范数符号。t＝{t₁，...，t_m}，表示员工预测工作时长集合；t_i表示第i位员工的预测工作时长；表示员工真实工作时长集合；表示第i位员工的实际工作时长。

在一种可能的实现方式中，全局时间残差矩阵为：

其中，m为公司内全部员工数，t₁为公司内部第1个员工的预测工作时长，t_m为公司内部第m个员工的预测工作时长。

局部时间残差矩阵为：

其中，n为属于部门d的员工数，t₁为部门内部第1个员工的预测工作时长，t_n为部门内部第n个员工的预测工作时长。m和n为正整数。

根据上述式1至式6，求解出t＝{t₁，...，t_m}中各t_i的值，也即能够得到每个员工的预测工作时长。然后，对于每个员工来说，可以比较该员工的预测工作时长和实际工作时长。如果该员工的预测工作时长大于实际工作时长，表明该员工的工作状态不饱和，还可以承担更多的工作量。如果该员工的预测工作时长等于(或接近)实际工作时长，表明该员工的工作状态适宜。该员工的预测工作时长小于实际工作时长，表明该员工的工作状态过饱和，工作量可能过多。此外，可以通过该员工的预测工作时长和实际工作时长的差值，来比较各个员工的饱和程度。例如，该差值越大，表明越不饱和。

对于每个部门来说，可以比较该部门的员工的实际工作时长的均值、预测工作时长的均值，以确定该部门整体的工作状态。

对于全公司来说，可以比较全公司的员工的实际工作时长的均值、预测工作时长的均值，以确定该公司整体的工作状态。

本发明实施例可以根据员工的工作内容数据和公司的组织架构数据抽取员工的局部特征和全局特征，结合员工的实际工作时长，建立数学分析模型，可以自动地分析员工的工作状态是否饱和，进而可以分析公司、部门的工作状态是否饱和。与人工分析相比，可以节约人力成本，提高分析效率和分析速度。由于综合了员工的工作内容、公司的组织架构和员工的实际工作时长等多种因素，能够从多个角度进行工作饱和度分析，分析结果更加合理、准确。此外，采用主题模型算法从员工的工作内容和公司的组织架构中，提取全局特征和局部特征，可以兼顾到人工难以发现的潜在因素对工作饱和度的影响，使得分析结果更为合理，避免了传统方法的局限性。

在一种示例中，如图3所示，本发明实施例的工作饱和度分析方法可以基于多因素约束的工作饱和度分析模型自动高效地进行工作饱和度分析。该方法可以自动分析员工的工作内容数据，构造反映员工在部门内专项技能的局部特征向量和反映员工在全公司内通用技能的全局特征向量。基于两种特征向量计算局部员工相似度和全局员工相似度。该方法通过添加合理约束，整合员工相似度，基于员工的实际工作时长进行工作饱和度分析。该方法的具体流程如下：

S310、数据预处理。

构建模型所用的原始数据可以包括组织架构数据、员工的工作内容数据例如项目描述文档以及员工的实际工作时长。在实际应用中，可以先对上述原始数据进行预处理，流程如下：

1)对原始数据进行清洗和筛选，包括但不限于去除异常员工，去除无效描述文档等；

2)抽取员工基础信息，包括但不限于所属组织、员工职位等；

3)对项目文档做分词处理，包括但不限于去除停用词、低频词、特殊符号等；

4)按设定时间汇总，例如按季度汇总，计算员工的每日平均工作时长。

经过预处理后，可以获取处理好的员工的组织信息、职位级别信息、项目描述信息和实际工作时长信息。然后，采用包括但不限于特征向量等特征表示方法来表示员工的全局特征和局部特征，并将信息存储到数据库中。

S320、员工特征的提取。

如图2所示，应用改进的主题模型从数据预处理文档中提取员工的全局特征、局部特征以及员工的实际工作时长。LDA(Latent Dirichlet Allocation，主题模型)，也可以称为一个三层贝叶斯概率模型，包含词、主题和文档的结构。本发明实施例中，改进的主题模型能基于员工的工作内容数据，提取员工在所属部门内部表现出来的局部特征和在全公司范围内表现出来的全局特征。局部特征可以反映员工在特定部门具有的特有技能，全局特征可以反映员工拥有的通用技能。

进一步地，工作内容数据的文档中的所有单词所属的主题可以分为两类，一类是全公司共享的(z₁)，而另一类主题和部门有关(z₂)。对于文档描述的技能，某些只用于员工自己所属的部门，而另外一些技能在公司内的其他部门也可能被用到。在特征提取模型中，文档中每一个单词w所属的主题(z₁，z₂)采样自服从先验(α₁、α₂)的Dirichlet(狄利克雷)主题分布(θ₁、θ₂)。进一步地，采用一个二项分布γ用来控制某一单词主题的来源，用来决定这一单词来自于全局主题还是局部主题。主题的内容组成也是服从先验(β₁、β₂)的Dirichlet主题分布。对于部门主题(z₂)，同一部门的员工有相同的部门主题。此外，可以采用指示变量O记录当前员工所属的部门。对这一主题模型可以通过例如Gibbs(吉布斯)采样进行求解。

S330、多因素约束的工作饱和度分析方法。

在一种示例中，基于上述主题模型提取的局部特征和全局特征，构建多因素约束的工作饱和度评估模型可以包括：基于假设提出约束条件；“员工－员工”全局相似度矩阵的构建；“员工－员工”局部相似度矩阵的构建；时间残差矩阵的构建；构建并求解目标函数。

一，基于假设提出约束条件：

例如，基于如下几个假设构建工作饱和度分析模型，该模型属于多因素约束模型：

1)同部门内，具有相似特殊技能的员工具有相似的工作时长。

2)跨部门比较，具有相似通用技能的员工具有相似的工作时长。

3)对于同一名员工，预测的工作时长和其真实工作时长尽可能接近。

4)对于全公司，为所有员工预测的工作时长之和等于所有员工实际工作时长。

基于以上四条假设，提出了如下的数学模型。

其中，对应第一条假设，S^d用来衡量同部门内员工的相似度，T^d为时间残差矩阵，定量表示了相似员工间的工作时间差异；相似地，定量表示了第二条假设；定量表示第三条假设，t为一个时间预测向量，其中包括为所有员工预测的工作时长，为所有员工真实工作时间的向量，其中包括员工的实际工作时长。t＝{t₁，...，t_m}，表示员工预测工作时长集合；t_i表示第i位员工的预测工作时长；表示员工真实工作时长集合；表示第i位员工的实际工作时长。

二，“员工－员工”全局相似度矩阵的构建：

基于文档的全局特征向量θ₁，使用每个员工的文档的主题分布作为其特征，使用包括但不限于欧式距离、余弦距离等度量方式计算“员工－员工”全局相似度矩阵S^c。每一行和每一列分别代表一个员工与其他员工的相似度。矩阵中的值表示这一“员工－员工”对在公司层面上按通用技能和项目衡量的相似程度。

例如，可以采用欧氏距离、余弦距离等方法计算公司内部的每两个员工的全局特征向量θ₁之间的相似度，进而计算得到全局相似度矩阵为：

其中表示公司内i员工和j员工之间的相似度。

三，“员工－员工”局部相似度矩阵的构建：

进一步地，基于局部特征向量θ₂，使用包括但不限于欧式距离、余弦距离等度量方式计算“员工－员工”局部相似度矩阵S^d，矩阵中的值表示这一“员工－员工”在组织内部技能和所做项目之间的相似程度。

例如，采用欧氏距离、余弦距离等方法计算公司的某个部门内部的每两个员工的局部特征向量θ₂之间的相似度，进而计算得到局部相似度矩阵为：

其中表示部门d内部i员工和j员工之间的相似度。其中，如果公司有多个部门，则可以有多个S^d，为了区分不同的部门的S^d，可以通过S^d1、S^d2……S^dy，来分别表示各个部门的员工之间的相似度。

四，时间残差矩阵的构建。

在一种可能的实现方式中，为预测工作饱和度，可以考虑相似员工之间的工作时长差异。在本发明实施例中，构建了时间残差矩阵，用来衡量工作饱和度模型，为员工预测的工作时长之间的差异。

具体地，残差矩阵中的每一行分别代表某一员工和其他所有员工预测工作时长差值的平方。全局时间残差矩阵T^c∈R^m×m表示T^c是m×m的矩阵，其中m为全公司的员工数；C表示公司集合；

对于每一个部门的残差矩阵T^d∈R^n×n，表示T^d是n×n的矩阵。其中n为属于部门d的员工数，因此每个T^d中的n的值可以不同，可以根据实际员工的数量来确定。局部时间残差矩阵T^D包括y个T^d，其中D表示部门集合，D＝{d₁，…，d_y}；y表示公司内的部门数。

其中，T^c和T^d中的t_i表示第i位员工的预测工作时长。

五，构建并求解目标函数：

将前三个约束条件对应公式以一定权重(α，β，γ)求和，并将第四条假设以等式约束的形势加入模型。目标函数是一个有等式约束的凸优化问题，使用SLSQP(sequential least squares programming，序列最小二乘算法)进行参数的求解。

具体地，将两个矩阵函数与第四约束条件结合一起，在已知员工的实际工作时长的条件下，通过求解目标函数的最小值，得到所对应的该员工的预测工作时长。

本发明实施例的优点在于，基于员工的工作内容数据，抽取员工的局部特征和全局特征，构建局部相似度矩阵和全局相似度矩阵。并且使用组织架构信息、实际工作时长信息，基于多个假设提出了数学分析模型。基于该模型可以自动化的分析某公司、某部门的工作饱和度。为企业对部门的工作状态评估提供可靠参考，降低了企业的管理成本。该方法可以极大的减少了人力分析过程，节约了人力成本。由于综合了员工的工作内容、公司的组织架构和员工的实际工作时长等多种因素，能够从多个角度进行工作饱和度分析，分析结果更加合理、准确。此外，结合员工的工作内容和公司的组织架构，采用主题模型算法提取全局特征和局部特征，可以兼顾到人工难以发现的潜在因素对工作饱和度的影响，使得分析结果更为合理，避免了传统方法的局限性。

本发明实施例可以应用于例如百度TIC的百度人才智库项目，为百度的组织分析提供相应的数据和技术支持。

图4示出根据本发明实施例的工作饱和度分析装置的结构框图。如图4所示，该工作饱和度分析装置可以包括：

特征提取模块410，用于从各员工的工作内容数据和公司的组织架构数据中，提取各员工的局部特征和全局特征，所述局部特征用于表示员工在部门内部的特征，所述全局特征用于表示员工在公司范围内的特征；

时长提取模块420，用于从工作时间数据中，提取各员工的实际工作时长；

矩阵构建模块430，用于根据各员工的局部特征和全局特征构建相似度矩阵；

模型构建模块440，用于根据所述相似度矩阵和所述实际工作时长构建工作饱和度分析模型；以及

状态分析模块450，用于根据所述工作饱和度分析模型，确定各员工的工作状态是否饱和。

在一种可能的实现方式中，特征提取模块410还用于采用主题模型算法从各员工的工作内容数据和公司的组织架构数据中，提取各员工的局部特征和全局特征；其中，所述局部特征包括员工在部门内部对应的局部主题分布；所述全局特征包括员工在公司内部对应的全局主题分布。

在一种可能的实现方式中，参见图5所示，矩阵构建模块430包括：

第一矩阵构建子模块431，用于根据各员工的局部主题分布计算部门内部员工之间的相似度，根据部门内部员工之间的相似度构建所述局部相似度矩阵；

第二矩阵构建子模块432，用于根据各员工的全局主题分布计算公司内部员工之间的相似度，根据公司内部员工之间的相似度构建所述全局相似度矩阵。

在一种可能的实现方式中，模型构建模块440还用于根据局部相似度矩阵、全局相似度矩阵和实际工作时长，构建满足多个约束条件的工作饱和度分析模型。

在一种可能的实现方式中，模型构建模块440还用于采用式1、式2和式3构建满足多个约束条件的工作饱和度分析模型：

其中，表示工作饱和度分析模型的目标函数，(α，β，γ)表示权重；为第一约束条件，表示同部门相似员工间的工作时长差异；为第二约束条件，表示跨部门相似员工间的工作时长差异；为第三约束条件，表示同一员工的实际工作时长与预测工作时长的差异；为第四约束条件，表示假设全部员工的实际工作时长之和与预测工作时长之和相同。

在一种可能的实现方式中，

其中，S^c为全局相似度矩阵，表示公司内各员工之间的相似度；T^c为全局时间残差矩阵，表示公司内各员工之间的时间残差；S^d为局部相似度矩阵，表示第d个部门内各员工之间的相似度；T^d为局部时间残差矩阵，表示第d个部门内各员工之间的时间残差；t表示预测工作时长向量，表示实际工作时长向量。

在一种可能的实现方式中，

全局时间残差矩阵为：

其中，m为公司内全部员工数；

局部时间残差矩阵为：

其中，n为属于部门d的员工数。

本发明实施例各装置中的各模块的功能可以参见上述方法中的对应描述，在此不再赘述。

图6示出根据本发明实施例的工作饱和度分析装置的结构框图。如图6所示，该工作饱和度分析装置包括：存储器910和处理器920，存储器910内存储有可在处理器920上运行的计算机程序。所述处理器920执行所述计算机程序时实现上述实施例中的工作饱和度分析方法。所述存储器910和处理器920的数量可以为一个或多个。

该工作饱和度分析装置还包括：

通信接口930，用于与外界设备进行通信，进行数据交互传输。

存储器910可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

如果存储器910、处理器920和通信接口930独立实现，则存储器910、处理器920和通信接口930可以通过总线相互连接并完成相互间的通信。所述总线可以是工业标准体系结构(ISA，Industry Standard Architecture)总线、外部设备互连(PCI，PeripheralComponent)总线或扩展工业标准体系结构(EISA，Extended Industry StandardComponent)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

可选的，在具体实现上，如果存储器910、处理器920及通信接口930集成在一块芯片上，则存储器910、处理器920及通信接口930可以通过内部接口完成相互间的通信。

本发明实施例提供了一种计算机可读存储介质，其存储有计算机程序，该程序被处理器执行时实现上述实施例中任一所述的方法。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读存储介质中。所述存储介质可以是只读存储器，磁盘或光盘等。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到其各种变化或替换，这些都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (16)

1.一种工作饱和度分析方法，其特征在于，包括：

从各员工的工作内容数据和公司的组织架构数据中，提取各员工的局部特征和全局特征，所述局部特征用于表示员工在部门内部的特征，所述全局特征用于表示员工在公司范围内的特征；

从工作时间数据中，提取各员工的实际工作时长；

根据各员工的局部特征和全局特征构建相似度矩阵；

根据所述相似度矩阵和所述实际工作时长构建工作饱和度分析模型；以及

根据所述工作饱和度分析模型，确定各员工的工作状态是否饱和。

2.根据权利要求1所述的方法，其特征在于，所述从各员工的工作内容数据和公司的组织架构数据中，提取各员工的局部特征和全局特征，包括：

采用主题模型算法从各员工的工作内容数据和公司的组织架构数据中，提取各员工的局部特征和全局特征；其中，所述局部特征包括员工在部门内部对应的局部主题分布；所述全局特征包括员工在公司内部对应的全局主题分布。

3.根据权利要求2所述的方法，其特征在于，根据各员工的局部特征和全局特征构建相似度矩阵，包括：

根据各员工的局部主题分布计算部门内部员工之间的相似度，根据部门内部员工之间的相似度构建所述局部相似度矩阵；

根据各员工的全局主题分布计算公司内部员工之间的相似度，根据公司内部员工之间的相似度构建所述全局相似度矩阵。

4.根据权利要求1至3中任一项所述的方法，其特征在于，根据所述相似度矩阵和所述实际工作时长构建工作饱和度分析模型，包括：

根据所述局部相似度矩阵、所述全局相似度矩阵和所述实际工作时长，构建满足多个约束条件的工作饱和度分析模型。

5.根据权利要求4所述的方法，其特征在于，根据所述局部相似度矩阵、所述全局相似度矩阵和所述实际工作时长，构建满足多个约束条件的工作饱和度分析模型，包括：

采用式1、式2和式3构建满足多个约束条件的工作饱和度分析模型，

其中，表示工作饱和度分析模型的目标函数，(α，β，γ)表示权重；为第一约束条件，表示同部门相似员工间的工作时长差异；为第二约束条件，表示跨部门相似员工间的工作时长差异；为第三约束条件，表示同一员工的实际工作时长与预测工作时长的差异；为第四约束条件，表示假设全部员工的实际工作时长之和与预测工作时长之和相同。

6.根据权利要求5所述的方法，其特征在于，所述第一约束条件、所述第二约束条件以及所述第三约束条件分别满足式4、式5和式6：

其中，S^c为全局相似度矩阵，表示公司内各员工之间的相似度；T^c为全局时间残差矩阵，表示公司内各员工之间的时间残差；S^d为局部相似度矩阵，表示第d个部门内各员工之间的相似度；T^d为局部时间残差矩阵，表示第d个部门内各员工之间的时间残差；t表示预测工作时长向量，表示实际工作时长向量。

7.根据权利要求6所述的方法，其特征在于，

所述全局时间残差矩阵为：

其中，m为公司内全部员工数，t₁为公司内部第1个员工的预测工作时长，t_m为公司内部第m个员工的预测工作时长；

所述局部时间残差矩阵为：

其中，n为属于部门d的员工数，t₁为部门内部第1个员工的预测工作时长，t_n为部门内部第n个员工的预测工作时长。

8.一种工作饱和度分析装置，其特征在于，包括：

特征提取模块，用于从各员工的工作内容数据和公司的组织架构数据中，提取各员工的局部特征和全局特征，所述局部特征用于表示员工在部门内部的特征，所述全局特征用于表示员工在公司范围内的特征；

时长提取模块，用于从工作时间数据中，提取各员工的实际工作时长；

矩阵构建模块，用于根据各员工的局部特征和全局特征构建相似度矩阵；

模型构建模块，用于根据所述相似度矩阵和所述实际工作时长构建工作饱和度分析模型；以及

状态分析模块，用于根据所述工作饱和度分析模型，确定各员工的工作状态是否饱和。

9.根据权利要求8所述的装置，其特征在于，所述特征提取模块还用于采用主题模型算法从各员工的工作内容数据和公司的组织架构数据中，提取各员工的局部特征和全局特征；其中，所述局部特征包括员工在部门内部对应的局部主题分布；所述全局特征包括员工在公司内部对应的全局主题分布。

10.根据权利要求9所述的装置，其特征在于，所述矩阵构建模块包括：

第一矩阵构建子模块，用于根据各员工的局部主题分布计算部门内部员工之间的相似度，根据部门内部员工之间的相似度构建所述局部相似度矩阵；

第二矩阵构建子模块，用于根据各员工的全局主题分布计算公司内部员工之间的相似度，根据公司内部员工之间的相似度构建所述全局相似度矩阵。

11.根据权利要求8至10中任一项所述的装置，其特征在于，所述模型构建模块还用于根据所述局部相似度矩阵、所述全局相似度矩阵和所述实际工作时长，构建满足多个约束条件的工作饱和度分析模型。

12.根据权利要求11所述的装置，其特征在于，所述模型构建模块还用于采用式1、式2和式3构建满足多个约束条件的工作饱和度分析模型：

其中，表示工作饱和度分析模型的目标函数，(α，β，γ)表示权重；为第一约束条件，表示同部门相似员工间的工作时长差异；为第二约束条件，表示跨部门相似员工间的工作时长差异；为第三约束条件，表示同一员工的实际工作时长与预测工作时长的差异；为第四约束条件，表示假设全部员工的实际工作时长之和与预测工作时长之和相同。

13.根据权利要求12所述的装置，其特征在于，所述第一约束条件、所述第二约束条件以及所述第三约束条件分别满足式4、式5和式6：

其中，S^c为全局相似度矩阵，表示公司内各员工之间的相似度；T^c为全局时间残差矩阵，表示公司内各员工之间的时间残差；S^d为局部相似度矩阵，表示第d个部门内各员工之间的相似度；T^d为局部时间残差矩阵，表示第d个部门内各员工之间的时间残差；t表示预测工作时长向量，表示实际工作时长向量。

14.根据权利要求13所述的装置，其特征在于，

所述全局时间残差矩阵为：

其中，m为公司内全部员工数，t₁为公司内部第1个员工的预测工作时长，t_m为公司内部第m个员工的预测工作时长；

所述局部时间残差矩阵为：

其中，n为属于部门d的员工数，t₁为部门内部第1个员工的预测工作时长，t_n为部门内部第n个员工的预测工作时长。

15.一种工作饱和度分析装置，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至7中任一项所述的方法。

16.一种计算机可读存储介质，其存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至7中任一项所述的方法。