CN110675017A - 基于人工智能的绩效评价方法和装置 - Google Patents
基于人工智能的绩效评价方法和装置 Download PDFInfo
- Publication number
- CN110675017A CN110675017A CN201910744224.6A CN201910744224A CN110675017A CN 110675017 A CN110675017 A CN 110675017A CN 201910744224 A CN201910744224 A CN 201910744224A CN 110675017 A CN110675017 A CN 110675017A
- Authority
- CN
- China
- Prior art keywords
- neural network
- deep neural
- target
- network model
- score
- 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
Images
Classifications
-
- 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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/105—Human resources
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种基于人工智能的绩效评价方法和装置。本发明涉及人工智能领域,该方法包括:根据用户的指令确定K个评价指标;根据用户的指令确定K个评价指标中每个评价指标的权重;从多个深度神经网络模型中筛选出K个深度神经网络模型,K个深度神经网络模型中每个深度神经网络模型与K个评价指标中的一个评价指标具有映射关系;将待评价绩效文本分别输入K个深度神经网络模型中每个深度神经网络模型;将K个深度神经网络模型中每个深度神经网络模型输出的评价指标的分数按照预设权重相加,得到目标员工的绩效分数。本发明实施例提供的技术方案能够解决相关技术中对绩效文本进行评分效率低的问题。
Description
【技术领域】
本发明涉及人工智能领域,尤其涉及一种基于人工智能的绩效评价方法和装置。
【背景技术】
绩效评价是领导及同事对一名员工的能力的真实可靠的反馈。通过对绩效文本进行处理、分析,挖掘员工身上所具备的能力特点,是很有价值的。
目前人力资源绩效场景中存在大量的待评价绩效文本,绩效文本需要人工进行评分,效率较低。
【发明内容】
有鉴于此,本发明实施例提供了一种基于人工智能的绩效评价方法和装置,用以解决相关技术中对绩效文本进行评分效率低的问题。
本发明实施例提供了一种基于人工智能的绩效评价方法,所述方法包括:获取目标员工的待评价绩效文本;根据用户的指令确定K个评价指标,所述K为大于或等于1的自然数;根据所述用户的指令确定所述K个评价指标中每个所述评价指标的权重;从多个深度神经网络模型中筛选出K个深度神经网络模型,所述K个深度神经网络模型中每个所述深度神经网络模型与所述K个评价指标中的一个评价指标具有映射关系;将所述待评价绩效文本分别输入所述K个深度神经网络模型中每个所述深度神经网络模型,所述K个深度神经网络模型中每个所述深度神经网络模型输出一个评价指标的分数;将所述K个深度神经网络模型中每个所述深度神经网络模型输出的评价指标的分数按照预设权重相加,得到所述目标员工的绩效分数;输出所述目标员工的绩效分数。
进一步地,在所述从多个深度神经网络模型中筛选出K个深度神经网络模型之前,所述方法还包括:训练目标深度神经网络模型,所述目标深度神经网络模型为所述多个深度神经网络模型中的一个,训练所述目标深度神经网络模型,包括:根据所述用户的指令确定目标评价指标;获取多个训练文本,所述多个训练文本中每个所述训练文本的所述目标评价指标的分数已经预先标注;将所述多个训练文本输入所述目标深度神经网络模型;根据所述目标深度神经网络模型的输出和预先标注的分数训练所述目标深度神经网络模型,得到与所述目标评价指标具有映射关系的训练后的目标深度神经网络模型。
进一步地,所述目标深度神经网络模型包括网络层和输出层,所述根据所述目标深度神经网络模型的输出和预先标注的分数训练所述目标深度神经网络模型,包括:根据所述输出层输出的所述目标评价指标的分数和预先标注的分数调整所述目标深度神经网络模型的网络层的参数。
进一步地,所述网络层包括第一网络层、第二网络层和第三网络层,所述第二网络层位于所述第一网络层与所述第三网络层中间,所述根据所述输出层输出的所述目标评价指标的分数和预先标注的分数调整所述目标深度神经网络模型的网络层的参数,包括:在所述目标深度神经网络模型的前向传播过程中,确定所述目标深度神经网络模型的所述第一网络层输出的第一输出结果以及所述输出层输出的第二输出结果,所述第一输出结果和所述第二输出结果均包含对所述目标评价指数进行评价的分数;确定第一差值,所述第一差值为所述第一输出结果包含的分数与所述训练文本预先标注的分数之间的差值;确定第二差值,所述第二差值为所述第二输出结果包含的分数与所述训练文本预先标注的分数之间的差值;在所述目标深度神经网络模型的反向传播过程中,根据所述第一差值调整所述第二网络层的参数,根据所述第一差值和所述第二差值调整所述第三网络层的参数。
进一步地,在所述输出所述目标员工的绩效分数之后,所述方法还包括:判断所述目标员工的绩效分数是否低于预设分数阈值;如果所述目标员工的绩效分数低于所述预设分数阈值,则输出提示信息,所述提示信息包含所述目标员工的绩效分数。
本发明实施例提供了一种基于人工智能的绩效评价装置,所述装置包括:获取单元,用于获取目标员工的待评价绩效文本;第一确定单元,用于根据用户的指令确定K个评价指标,所述K为大于或等于1的自然数;第二确定单元,用于根据所述用户的指令确定所述K个评价指标中每个所述评价指标的权重;筛选单元,用于从多个深度神经网络模型中筛选出K个深度神经网络模型,所述K个深度神经网络模型中每个所述深度神经网络模型与所述K个评价指标中的一个评价指标具有映射关系;输入单元,用于将所述待评价绩效文本分别输入所述K个深度神经网络模型中每个所述深度神经网络模型,所述K个深度神经网络模型中每个所述深度神经网络模型输出一个评价指标的分数;计算单元,用于将所述K个深度神经网络模型中每个所述深度神经网络模型输出的评价指标的分数按照预设权重相加,得到所述目标员工的绩效分数;第一输出单元,用于输出所述目标员工的绩效分数。
进一步地,所述装置还包括:训练单元,用于在所述筛选单元从多个深度神经网络模型中筛选出K个深度神经网络模型之前,训练目标深度神经网络模型,所述目标深度神经网络模型为所述多个深度神经网络模型中的一个,所述训练单元包括:确定子单元,用于根据所述用户的指令确定目标评价指标;获取子单元,用于获取多个训练文本,所述多个训练文本中每个所述训练文本的所述目标评价指标的分数已经预先标注;输入子单元,用于将所述多个训练文本输入所述目标深度神经网络模型;训练子单元,用于根据所述目标深度神经网络模型的输出和预先标注的分数训练所述目标深度神经网络模型,得到与所述目标评价指标具有映射关系的训练后的目标深度神经网络模型。
进一步地,所述目标深度神经网络模型包括网络层和输出层,所述训练子单元用于:根据所述输出层输出的所述目标评价指标的分数和预先标注的分数调整所述目标深度神经网络模型的网络层的参数。
进一步地,所述网络层包括第一网络层、第二网络层和第三网络层,所述第二网络层位于所述第一网络层与所述第三网络层中间,所述训练子单元包括:第一确定模块,用于在所述目标深度神经网络模型的前向传播过程中,确定所述目标深度神经网络模型的所述第一网络层输出的第一输出结果以及所述输出层输出的第二输出结果,所述第一输出结果和所述第二输出结果均包含对所述目标评价指数进行评价的分数;第二确定模块,用于确定第一差值,所述第一差值为所述第一输出结果包含的分数与所述训练文本预先标注的分数之间的差值;第三确定模块,用于确定第二差值,所述第二差值为所述第二输出结果包含的分数与所述训练文本预先标注的分数之间的差值;调整模块,用于在所述目标深度神经网络模型的反向传播过程中,根据所述第一差值调整所述第二网络层的参数,根据所述第一差值和所述第二差值调整所述第三网络层的参数。
进一步地,所述装置还包括:判断单元,用于在所述第一输出单元输出所述目标员工的绩效分数之后,判断所述目标员工的绩效分数是否低于预设分数阈值;第二输出单元,用于如果所述目标员工的绩效分数低于所述预设分数阈值,则输出提示信息,所述提示信息包含所述目标员工的绩效分数。
在本发明实施例中,获取目标员工的待评价绩效文本;根据用户的指令确定K个评价指标;根据用户的指令确定K个评价指标中每个评价指标的权重;从多个深度神经网络模型中筛选出K个深度神经网络模型,K个深度神经网络模型中每个深度神经网络模型与K个评价指标中的一个评价指标具有映射关系;将待评价绩效文本分别输入K个深度神经网络模型中每个深度神经网络模型,K个深度神经网络模型中每个深度神经网络模型输出一个评价指标的分数;将K个深度神经网络模型中每个深度神经网络模型输出的评价指标的分数按照预设权重相加,得到目标员工的绩效分数,不需要人工进行评分,解决了相关技术中对绩效文本进行评分效率低的问题,较大幅度地提升了对绩效文本进行评分的效率。
【附图说明】
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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性的前提下,还可以根据这些附图获得其它的附图。
图1是根据本发明第一实施例的基于人工智能的绩效评价方法的流程图;
图2是根据本发明实施例的训练目标深度神经网络模型的流程图;
图3是根据本发明第二实施例的基于人工智能的绩效评价方法的流程图;
图4是根据本发明第三实施例的基于人工智能的绩效评价装置的示意图;
图5是本发明实施例提供的一种计算机设备的示意图。
【具体实施方式】
为了更好的理解本发明的技术方案,下面结合附图对本发明实施例进行详细描述。
应当明确,所描述的实施例仅仅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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
请参见图1,所示为本发明第一实施例提供的一种基于人工智能的绩效评价方法的流程图,包括步骤S101至步骤S107。
步骤S101:获取目标员工的待评价绩效文本。
待评价绩效文本可以是目标员工的领导对该目标用户的评价,例如,目标员工的待评价绩效文本包括以下内容:“该员工非常敬业,工作态度认真,工作能力强”。
步骤S102:根据用户的指令确定K个评价指标,K为大于或等于1的自然数。
用户可输入指令,指令中携带K个评价指标以及K个评价指标中每个评价指标的权重。本申请实施例提供的方法可由计算机设备执行,用户可通过计算机设备的键盘、触摸屏等输入指令。
评价指标具体可以包括业绩指标、态度指标、能力指标、人际关系指标等。
当评价指标不同时,得到的评价结果不同,评价结果可以用评价等级或评价分数表示。
例如,一员工的工作态度非常好,但是工作能力很差,如果仅使用态度指标这一个指标对该员工进行绩效评价,则评价结果可能为优;如果仅使用能力指标这一个指标对该员工进行绩效评价,则评价结果可能为差;如果使用态度指标和能力指标共同对该员工进行绩效评价,则评价结果可能为中。
在本申请实施例中,可以根据需要选用一个、两个或两个以上评价指标。当选用的评价指标较多时,绩效评价的结果往往能够比较全面地反映出绩效文本记载的内容。
步骤S103:根据用户的指令确定K个评价指标中每个评价指标的权重。
步骤S104:从多个深度神经网络模型中筛选出K个深度神经网络模型,K个深度神经网络模型中每个深度神经网络模型与K个评价指标中的一个评价指标具有映射关系。
在本发明实施例中,每一个深度神经网络模型与一个评价指标具有映射关系,并且,该映射关系可以是一一映射关系,表1示出了深度神经网络模型与评价指标之间的一种一一映射关系。
表1
深度神经网络模型 | 评价指标 |
深度神经网络模型M<sub>1</sub> | 业绩指标 |
深度神经网络模型M<sub>2</sub> | 态度指标 |
深度神经网络模型M<sub>3</sub> | 能力指标 |
深度神经网络模型M<sub>4</sub> | 人际关系指标 |
如果确定态度指标和能力指标作为评价指标,即K=2,通过查询表1可知,与态度指标具有映射关系的深度神经网络模型是深度神经网络模型M2,与能力指标具有映射关系的深度神经网络模型是深度神经网络模型M3,则将深度神经网络模型M2和深度神经网络模型M3筛选出来。
如果确定业绩指标、态度指标和能力指标作为评价指标,即K=3,通过查询表1可知,与业绩指标具有映射关系的深度神经网络模型是深度神经网络模型M1,与态度指标具有映射关系的深度神经网络模型是深度神经网络模型M2,与能力指标具有映射关系的深度神经网络模型是深度神经网络模型M3,则将深度神经网络模型M1、深度神经网络模型M2和深度神经网络模型M3筛选出来。
如果确定业绩指标和人际关系指标作为评价指标,即K=2,通过查询表1可知,与业绩指标具有映射关系的深度神经网络模型是深度神经网络模型M1,与人际关系指标具有映射关系的深度神经网络模型是深度神经网络模型M4,则将深度神经网络模型M1和深度神经网络模型M4筛选出来。
在从多个深度神经网络模型中筛选出K个深度神经网络模型之前,方法还包括:训练目标深度神经网络模型,目标深度神经网络模型为多个深度神经网络模型中的一个。
请参见图2,所示为训练目标深度神经网络模型的流程图,包括步骤S201至步骤S204。
步骤S201:根据用户的指令确定目标评价指标。
步骤S202:获取多个训练文本,多个训练文本中每个训练文本的目标评价指标的分数已经预先标注。
步骤S203:将多个训练文本输入目标深度神经网络模型。
步骤S204:根据目标深度神经网络模型的输出和预先标注的分数训练目标深度神经网络模型,得到与目标评价指标具有映射关系的训练后的目标深度神经网络模型。
作为一种可选的实施方式,目标深度神经网络模型包括网络层和输出层,根据目标深度神经网络模型的输出和预先标注的分数训练目标深度神经网络模型,包括:根据输出层输出的目标评价指标的分数和预先标注的分数调整目标深度神经网络模型的网络层的参数。
步骤S105:将待评价绩效文本分别输入K个深度神经网络模型中每个深度神经网络模型,K个深度神经网络模型中每个深度神经网络模型输出一个评价指标的分数。
步骤S106:将K个深度神经网络模型中每个深度神经网络模型输出的评价指标的分数按照预设权重相加,得到目标员工的绩效分数。
作为一种可选的实施方式,根据公式计算目标员工的绩效分数,其中,S表示目标员工的绩效分数,Wi表示第i个评价指标的权重,Fi表示深度神经网络模型Mi输出的评价指标的分数,其中,深度神经网络模型Mi为与第i个评价指标具有映射关系的深度神经网络模型。
例如,确定业绩指标、态度指标和能力指标作为评价指标,即K=3,通过查询表1可知,与业绩指标具有映射关系的深度神经网络模型是深度神经网络模型M1,与态度指标具有映射关系的深度神经网络模型是深度神经网络模型M2,与能力指标具有映射关系的深度神经网络模型是深度神经网络模型M3,则将深度神经网络模型M1、深度神经网络模型M2和深度神经网络模型M3筛选出来。将待评价绩效文本分别输入深度神经网络模型M1、深度神经网络模型M2和深度神经网络模型M3,深度神经网络模型M1输出分数F1,深度神经网络模型M2输出分数F2,深度神经网络模型M3输出分数F3。
假设业绩指标、态度指标和能力指标的权重分别为30%、20%、50%,假设F1=60、F2=90、F3=80,则目标员工的绩效分数S=30%*60+20%*90+50%*80=18+18+40=76。
步骤S107:输出目标员工的绩效分数。
步骤S107之后,还可以判断目标员工的绩效分数是否低于预设分数阈值;如果目标员工的绩效分数低于预设分数阈值,则输出提示信息,提示信息包含目标员工的绩效分数。
在本发明实施例中,获取目标员工的待评价绩效文本;根据用户的指令确定K个评价指标;根据用户的指令确定K个评价指标中每个评价指标的权重;从多个深度神经网络模型中筛选出K个深度神经网络模型,K个深度神经网络模型中每个深度神经网络模型与K个评价指标中的一个评价指标具有映射关系;将待评价绩效文本分别输入K个深度神经网络模型中每个深度神经网络模型,K个深度神经网络模型中每个深度神经网络模型输出一个评价指标的分数;将K个深度神经网络模型中每个深度神经网络模型输出的评价指标的分数按照预设权重相加,得到目标员工的绩效分数,不需要人工进行评分,解决了相关技术中对绩效文本进行评分效率低的问题,较大幅度地提升了对绩效文本进行评分的效率。
并且,由于人工评分的主观性较强,本发明实施例提供的基于人工智能的绩效评价方法对绩效文本进行评分更加客观,避免了主观因素的影响。
请参见图3,所示为本发明第二实施例提供的一种基于人工智能的绩效评价方法的流程图,包括:
步骤S301:训练N个深度神经网络模型,N为自然数。
下面以训练目标深度神经网络模型为例说明步骤S301的具体过程。目标深度神经网络模型可以是上述N个深度神经网络模型中的任意一个,并且,目标深度神经网络模型与目标评价指标具有映射关系。训练目标深度神经网络模型的过程包括:获取多个训练文本,多个训练文本中每个训练文本的目标评价指标的分数已经预先标注。将多个训练文本输入目标深度神经网络模型。在目标深度神经网络模型的前向传播过程中,确定目标深度神经网络模型的第一网络层输出的第一输出结果以及输出层输出的第二输出结果,第一输出结果和第二输出结果均包含对目标评价指数进行评价的分数。确定第一差值,第一差值为第一输出结果包含的分数与训练文本预先标注的分数之间的差值。确定第二差值,第二差值为第二输出结果包含的分数与训练文本预先标注的分数之间的差值。在目标深度神经网络模型的反向传播过程中,根据第一差值调整第二网络层的参数,根据第一差值和第二差值调整第三网络层的参数。当第一差值、第二差值均小于某一预设差值阈值时,训练结束。
步骤S302:获取员工甲(即目标员工)的待评价绩效文本。
步骤S303:根据用户的指令确定2个评价指标(即K=2),假设这两个评价指标分别为业绩指标和态度指标。
步骤S304:根据用户的指令分别确定业绩指标和态度指标的权重,假设业绩指标的权重和态度指标的权重分别为W1、W2。
步骤S305:从N个深度神经网络模型中筛选出深度神经网络模型M1和深度神经网络模型M2,其中深度神经网络模型M1与业绩指标具有映射关系,深度神经网络模型M2与态度指标具有映射关系。
步骤S306:将员工甲的待评价绩效文本输入深度神经网络模型M1,深度神经网络模型M1输出分数F1。
步骤S307:将员工甲的待评价绩效文本输入深度神经网络模型M2,深度神经网络模型M2输出分数F2。步骤S306和步骤S307的先后顺序不做限制。
步骤S308:根据公式S=W1*F1+W2*F2计算员工甲的绩效分数。
步骤S309:输出员工甲的绩效分数。
请参见图4,所示为根据本发明第三实施例的基于人工智能的绩效评价装置的示意图,该装置用于执行上述第一实施例描述的基于人工智能的绩效评价方法,该装置包括:获取单元41、第一确定单元42、第二确定单元43、筛选单元44、输入单元45、计算单元46、第一输出单元47。
获取单元41,用于获取目标员工的待评价绩效文本。
第一确定单元42,用于根据用户的指令确定K个评价指标,K为大于或等于1的自然数。
第二确定单元43,用于根据用户的指令确定K个评价指标中每个评价指标的权重。
筛选单元44,用于从多个深度神经网络模型中筛选出K个深度神经网络模型,K个深度神经网络模型中每个深度神经网络模型与K个评价指标中的一个评价指标具有映射关系。
输入单元45,用于将待评价绩效文本分别输入K个深度神经网络模型中每个深度神经网络模型,K个深度神经网络模型中每个深度神经网络模型输出一个评价指标的分数。
计算单元46,用于将K个深度神经网络模型中每个深度神经网络模型输出的评价指标的分数按照预设权重相加,得到目标员工的绩效分数。
第一输出单元47,用于输出目标员工的绩效分数。
作为一种可选的实施方式,装置还包括:训练单元。
训练单元,用于在筛选单元44从多个深度神经网络模型中筛选出K个深度神经网络模型之前,训练目标深度神经网络模型,目标深度神经网络模型为多个深度神经网络模型中的一个。
训练单元包括:确定子单元、获取子单元、输入子单元、训练子单元。
确定子单元,用于根据用户的指令确定目标评价指标。
获取子单元,用于获取多个训练文本,多个训练文本中每个训练文本的目标评价指标的分数已经预先标注。
输入子单元,用于将多个训练文本输入目标深度神经网络模型。
训练子单元,用于根据目标深度神经网络模型的输出和预先标注的分数训练目标深度神经网络模型,得到与目标评价指标具有映射关系的训练后的目标深度神经网络模型。
作为一种可选的实施方式,目标深度神经网络模型包括网络层和输出层,训练子单元用于:根据输出层输出的目标评价指标的分数和预先标注的分数调整目标深度神经网络模型的网络层的参数。
作为一种可选的实施方式,网络层包括第一网络层、第二网络层和第三网络层,第二网络层位于第一网络层与第三网络层中间,训练子单元包括:第一确定模块、第二确定模块、第三确定模块、调整模块。
第一确定模块,用于在目标深度神经网络模型的前向传播过程中,确定目标深度神经网络模型的第一网络层输出的第一输出结果以及输出层输出的第二输出结果,第一输出结果和第二输出结果均包含对目标评价指数进行评价的分数。
第二确定模块,用于确定第一差值,第一差值为第一输出结果包含的分数与训练文本预先标注的分数之间的差值。
第三确定模块,用于确定第二差值,第二差值为第二输出结果包含的分数与训练文本预先标注的分数之间的差值。
调整模块,用于在目标深度神经网络模型的反向传播过程中,根据第一差值调整第二网络层的参数,根据第一差值和第二差值调整第三网络层的参数。
作为一种可选的实施方式,装置还包括:判断单元、第二输出单元。
判断单元,用于在第一输出单元输出目标员工的绩效分数之后,判断目标员工的绩效分数是否低于预设分数阈值。
第二输出单元,用于如果目标员工的绩效分数低于预设分数阈值,则输出提示信息,提示信息包含目标员工的绩效分数。
本发明实施例提供了一种存储介质,存储介质包括存储的程序,其中,在程序运行时控制存储介质所在设备执行以下步骤:获取目标员工的待评价绩效文本;根据用户的指令确定K个评价指标,K为大于或等于1的自然数;根据用户的指令确定K个评价指标中每个评价指标的权重;从多个深度神经网络模型中筛选出K个深度神经网络模型,K个深度神经网络模型中每个深度神经网络模型与K个评价指标中的一个评价指标具有映射关系;将待评价绩效文本分别输入K个深度神经网络模型中每个深度神经网络模型,K个深度神经网络模型中每个深度神经网络模型输出一个评价指标的分数;将K个深度神经网络模型中每个深度神经网络模型输出的评价指标的分数按照预设权重相加,得到目标员工的绩效分数;输出目标员工的绩效分数。
可选地,在程序运行时控制存储介质所在设备还执行以下步骤:在从多个深度神经网络模型中筛选出K个深度神经网络模型之前,训练目标深度神经网络模型,目标深度神经网络模型为多个深度神经网络模型中的一个,训练目标深度神经网络模型,包括:根据用户的指令确定目标评价指标;获取多个训练文本,多个训练文本中每个训练文本的目标评价指标的分数已经预先标注;将多个训练文本输入目标深度神经网络模型;根据目标深度神经网络模型的输出和预先标注的分数训练目标深度神经网络模型,得到与目标评价指标具有映射关系的训练后的目标深度神经网络模型。
可选地,在程序运行时控制存储介质所在设备还执行以下步骤:根据输出层输出的目标评价指标的分数和预先标注的分数调整目标深度神经网络模型的网络层的参数。
可选地,在程序运行时控制存储介质所在设备还执行以下步骤:在目标深度神经网络模型的前向传播过程中,确定目标深度神经网络模型的第一网络层输出的第一输出结果以及输出层输出的第二输出结果,第一输出结果和第二输出结果均包含对目标评价指数进行评价的分数;确定第一差值,第一差值为第一输出结果包含的分数与训练文本预先标注的分数之间的差值;确定第二差值,第二差值为第二输出结果包含的分数与训练文本预先标注的分数之间的差值;在目标深度神经网络模型的反向传播过程中,根据第一差值调整第二网络层的参数,根据第一差值和第二差值调整第三网络层的参数。
可选地,在程序运行时控制存储介质所在设备还执行以下步骤:在输出目标员工的绩效分数之后,判断目标员工的绩效分数是否低于预设分数阈值;如果目标员工的绩效分数低于预设分数阈值,则输出提示信息,提示信息包含目标员工的绩效分数。
本发明实施例提供了一种计算机设备,包括存储器和处理器,存储器用于存储包括程序指令的信息,处理器用于控制程序指令的执行,程序指令被处理器加载并执行时实现以下步骤:获取目标员工的待评价绩效文本;根据用户的指令确定K个评价指标,K为大于或等于1的自然数;根据用户的指令确定K个评价指标中每个评价指标的权重;从多个深度神经网络模型中筛选出K个深度神经网络模型,K个深度神经网络模型中每个深度神经网络模型与K个评价指标中的一个评价指标具有映射关系;将待评价绩效文本分别输入K个深度神经网络模型中每个深度神经网络模型,K个深度神经网络模型中每个深度神经网络模型输出一个评价指标的分数;将K个深度神经网络模型中每个深度神经网络模型输出的评价指标的分数按照预设权重相加,得到目标员工的绩效分数;输出目标员工的绩效分数。
可选地,程序指令被处理器加载并执行时还实现以下步骤:在从多个深度神经网络模型中筛选出K个深度神经网络模型之前,训练目标深度神经网络模型,目标深度神经网络模型为多个深度神经网络模型中的一个,训练目标深度神经网络模型,包括:根据用户的指令确定目标评价指标;获取多个训练文本,多个训练文本中每个训练文本的目标评价指标的分数已经预先标注;将多个训练文本输入目标深度神经网络模型;根据目标深度神经网络模型的输出和预先标注的分数训练目标深度神经网络模型,得到与目标评价指标具有映射关系的训练后的目标深度神经网络模型。
可选地,程序指令被处理器加载并执行时还实现以下步骤:根据输出层输出的目标评价指标的分数和预先标注的分数调整目标深度神经网络模型的网络层的参数。
可选地,程序指令被处理器加载并执行时还实现以下步骤:在目标深度神经网络模型的前向传播过程中,确定目标深度神经网络模型的第一网络层输出的第一输出结果以及输出层输出的第二输出结果,第一输出结果和第二输出结果均包含对目标评价指数进行评价的分数;确定第一差值,第一差值为第一输出结果包含的分数与训练文本预先标注的分数之间的差值;确定第二差值,第二差值为第二输出结果包含的分数与训练文本预先标注的分数之间的差值;在目标深度神经网络模型的反向传播过程中,根据第一差值调整第二网络层的参数,根据第一差值和第二差值调整第三网络层的参数。
可选地,程序指令被处理器加载并执行时还实现以下步骤:在输出目标员工的绩效分数之后,判断目标员工的绩效分数是否低于预设分数阈值;如果目标员工的绩效分数低于预设分数阈值,则输出提示信息,提示信息包含目标员工的绩效分数。
图5是本发明实施例提供的一种计算机设备的示意图。如图5所示,该实施例的计算机设备50包括:处理器51、存储器52以及存储在存储器52中并可在处理器51上运行的计算机程序53,该计算机程序53被处理器51执行时实现实施例中的基于人工智能的绩效评价方法,为避免重复,此处不一一赘述。或者,该计算机程序被处理器51执行时实现实施例中基于人工智能的绩效评价装置中各模型/单元的功能,为避免重复,此处不一一赘述。
计算机设备50可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。计算机设备可包括,但不仅限于,处理器51、存储器52。本领域技术人员可以理解,图5仅仅是计算机设备50的示例,并不构成对计算机设备50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,例如计算机设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器51可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器52可以是计算机设备50的内部存储单元,例如计算机设备50的硬盘或内存。存储器52也可以是计算机设备50的外部存储设备,例如计算机设备50上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器52还可以既包括计算机设备50的内部存储单元也包括外部存储设备。存储器52用于存储计算机程序以及计算机设备所需的其他程序和数据。存储器52还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,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单元中,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单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机装置(可以是个人计算机,服务器,或者网络装置等)或处理器(Processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
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,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (10)
1.一种基于人工智能的绩效评价方法,其特征在于,所述方法包括:
获取目标员工的待评价绩效文本;
根据用户的指令确定K个评价指标,所述K为大于或等于1的自然数;
根据所述用户的指令确定所述K个评价指标中每个所述评价指标的权重;
从多个深度神经网络模型中筛选出K个深度神经网络模型,所述K个深度神经网络模型中每个所述深度神经网络模型与所述K个评价指标中的一个评价指标具有映射关系;
将所述待评价绩效文本分别输入所述K个深度神经网络模型中每个所述深度神经网络模型,所述K个深度神经网络模型中每个所述深度神经网络模型输出一个评价指标的分数;
将所述K个深度神经网络模型中每个所述深度神经网络模型输出的评价指标的分数按照预设权重相加,得到所述目标员工的绩效分数;
输出所述目标员工的绩效分数。
2.根据权利要求1所述的方法,其特征在于,在所述从多个深度神经网络模型中筛选出K个深度神经网络模型之前,所述方法还包括:训练目标深度神经网络模型,所述目标深度神经网络模型为所述多个深度神经网络模型中的一个,
训练所述目标深度神经网络模型,包括:
根据所述用户的指令确定目标评价指标;
获取多个训练文本,所述多个训练文本中每个所述训练文本的所述目标评价指标的分数已经预先标注;
将所述多个训练文本输入所述目标深度神经网络模型;
根据所述目标深度神经网络模型的输出和预先标注的分数训练所述目标深度神经网络模型,得到与所述目标评价指标具有映射关系的训练后的目标深度神经网络模型。
3.根据权利要求2所述的方法,其特征在于,所述目标深度神经网络模型包括网络层和输出层,所述根据所述目标深度神经网络模型的输出和预先标注的分数训练所述目标深度神经网络模型,包括:
根据所述输出层输出的所述目标评价指标的分数和预先标注的分数调整所述目标深度神经网络模型的网络层的参数。
4.根据权利要求3所述的方法,其特征在于,所述网络层包括第一网络层、第二网络层和第三网络层,所述第二网络层位于所述第一网络层与所述第三网络层中间,所述根据所述输出层输出的所述目标评价指标的分数和预先标注的分数调整所述目标深度神经网络模型的网络层的参数,包括:
在所述目标深度神经网络模型的前向传播过程中,确定所述目标深度神经网络模型的所述第一网络层输出的第一输出结果以及所述输出层输出的第二输出结果,所述第一输出结果和所述第二输出结果均包含对所述目标评价指数进行评价的分数;
确定第一差值,所述第一差值为所述第一输出结果包含的分数与所述训练文本预先标注的分数之间的差值;
确定第二差值,所述第二差值为所述第二输出结果包含的分数与所述训练文本预先标注的分数之间的差值;
在所述目标深度神经网络模型的反向传播过程中,根据所述第一差值调整所述第二网络层的参数,根据所述第一差值和所述第二差值调整所述第三网络层的参数。
5.根据权利要求1至4中任一项所述的方法,其特征在于,在所述输出所述目标员工的绩效分数之后,所述方法还包括:
判断所述目标员工的绩效分数是否低于预设分数阈值;
如果所述目标员工的绩效分数低于所述预设分数阈值,则输出提示信息,所述提示信息包含所述目标员工的绩效分数。
6.一种基于人工智能的绩效评价装置,其特征在于,所述装置包括:
获取单元,用于获取目标员工的待评价绩效文本;
第一确定单元,用于根据用户的指令确定K个评价指标,所述K为大于或等于1的自然数;
第二确定单元,用于根据所述用户的指令确定所述K个评价指标中每个所述评价指标的权重;
筛选单元,用于从多个深度神经网络模型中筛选出K个深度神经网络模型,所述K个深度神经网络模型中每个所述深度神经网络模型与所述K个评价指标中的一个评价指标具有映射关系;
输入单元,用于将所述待评价绩效文本分别输入所述K个深度神经网络模型中每个所述深度神经网络模型,所述K个深度神经网络模型中每个所述深度神经网络模型输出一个评价指标的分数;
计算单元,用于将所述K个深度神经网络模型中每个所述深度神经网络模型输出的评价指标的分数按照预设权重相加,得到所述目标员工的绩效分数;
第一输出单元,用于输出所述目标员工的绩效分数。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:
训练单元,用于在所述筛选单元从多个深度神经网络模型中筛选出K个深度神经网络模型之前,训练目标深度神经网络模型,所述目标深度神经网络模型为所述多个深度神经网络模型中的一个,
所述训练单元包括:
确定子单元,用于根据所述用户的指令确定目标评价指标;
获取子单元,用于获取多个训练文本,所述多个训练文本中每个所述训练文本的所述目标评价指标的分数已经预先标注;
输入子单元,用于将所述多个训练文本输入所述目标深度神经网络模型;
训练子单元,用于根据所述目标深度神经网络模型的输出和预先标注的分数训练所述目标深度神经网络模型,得到与所述目标评价指标具有映射关系的训练后的目标深度神经网络模型。
8.根据权利要求7所述的装置,其特征在于,所述目标深度神经网络模型包括网络层和输出层,所述训练子单元用于:
根据所述输出层输出的所述目标评价指标的分数和预先标注的分数调整所述目标深度神经网络模型的网络层的参数。
9.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1至5中任意一项所述的基于人工智能的绩效评价方法。
10.一种计算机设备,包括存储器和处理器,所述存储器用于存储包括程序指令的信息,所述处理器用于控制程序指令的执行,其特征在于:所述程序指令被处理器加载并执行时实现权利要求1至5任意一项所述的基于人工智能的绩效评价方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910744224.6A CN110675017A (zh) | 2019-08-13 | 2019-08-13 | 基于人工智能的绩效评价方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910744224.6A CN110675017A (zh) | 2019-08-13 | 2019-08-13 | 基于人工智能的绩效评价方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110675017A true CN110675017A (zh) | 2020-01-10 |
Family
ID=69068714
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910744224.6A Pending CN110675017A (zh) | 2019-08-13 | 2019-08-13 | 基于人工智能的绩效评价方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110675017A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111341425A (zh) * | 2020-02-28 | 2020-06-26 | 高猛 | 一种基于大数据的医护人员监测管理系统及方法 |
CN111523322A (zh) * | 2020-04-25 | 2020-08-11 | 中信银行股份有限公司 | 需求文档质量评价模型训练方法及需求文档质量评价方法 |
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 |
CN112288338A (zh) * | 2020-12-15 | 2021-01-29 | 平安科技(深圳)有限公司 | 用户活动监测方法、装置、设备及介质 |
CN113516404A (zh) * | 2021-07-28 | 2021-10-19 | 中国建设银行股份有限公司 | 一种绩效数据处理方法、装置及电子设备 |
CN114037288A (zh) * | 2021-11-11 | 2022-02-11 | 青岛民航凯亚系统集成有限公司 | 基于机器学习的绩效调整系统与方法 |
CN115471200A (zh) * | 2022-08-05 | 2022-12-13 | 广州红海云计算股份有限公司 | 基于云计算的人力资源数据管理系统、方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103927607A (zh) * | 2013-01-15 | 2014-07-16 | 杭州新世纪电子科技有限公司 | 数据处理方法及装置 |
CN107368956A (zh) * | 2017-07-03 | 2017-11-21 | 中国南方电网有限责任公司 | 一套绩效量化评估系统 |
CN109241519A (zh) * | 2018-06-28 | 2019-01-18 | 平安科技(深圳)有限公司 | 质量评价模型获取方法及装置、计算机设备与存储介质 |
CN109460925A (zh) * | 2018-11-14 | 2019-03-12 | 江苏电力信息技术有限公司 | 一种基于bp神经网络的台区资产组绩效评价方法 |
CN109615280A (zh) * | 2019-01-25 | 2019-04-12 | 平安科技(深圳)有限公司 | 员工数据处理方法、装置、计算机设备和存储介质 |
-
2019
- 2019-08-13 CN CN201910744224.6A patent/CN110675017A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103927607A (zh) * | 2013-01-15 | 2014-07-16 | 杭州新世纪电子科技有限公司 | 数据处理方法及装置 |
CN107368956A (zh) * | 2017-07-03 | 2017-11-21 | 中国南方电网有限责任公司 | 一套绩效量化评估系统 |
CN109241519A (zh) * | 2018-06-28 | 2019-01-18 | 平安科技(深圳)有限公司 | 质量评价模型获取方法及装置、计算机设备与存储介质 |
CN109460925A (zh) * | 2018-11-14 | 2019-03-12 | 江苏电力信息技术有限公司 | 一种基于bp神经网络的台区资产组绩效评价方法 |
CN109615280A (zh) * | 2019-01-25 | 2019-04-12 | 平安科技(深圳)有限公司 | 员工数据处理方法、装置、计算机设备和存储介质 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111341425A (zh) * | 2020-02-28 | 2020-06-26 | 高猛 | 一种基于大数据的医护人员监测管理系统及方法 |
CN111523322A (zh) * | 2020-04-25 | 2020-08-11 | 中信银行股份有限公司 | 需求文档质量评价模型训练方法及需求文档质量评价方法 |
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 |
CN112288338A (zh) * | 2020-12-15 | 2021-01-29 | 平安科技(深圳)有限公司 | 用户活动监测方法、装置、设备及介质 |
CN112288338B (zh) * | 2020-12-15 | 2021-04-06 | 平安科技(深圳)有限公司 | 用户活动监测方法、装置、设备及介质 |
CN113516404A (zh) * | 2021-07-28 | 2021-10-19 | 中国建设银行股份有限公司 | 一种绩效数据处理方法、装置及电子设备 |
CN114037288A (zh) * | 2021-11-11 | 2022-02-11 | 青岛民航凯亚系统集成有限公司 | 基于机器学习的绩效调整系统与方法 |
CN115471200A (zh) * | 2022-08-05 | 2022-12-13 | 广州红海云计算股份有限公司 | 基于云计算的人力资源数据管理系统、方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110675017A (zh) | 基于人工智能的绩效评价方法和装置 | |
CN108833458B (zh) | 一种应用推荐方法、装置、介质及设备 | |
US9953010B2 (en) | Template-based page layout for hosted social magazines | |
CN104834731B (zh) | 一种自媒体信息的推荐方法及装置 | |
KR102171974B1 (ko) | 데이터 소스 기반의 업무 커스터마이즈화 장치, 방법, 시스템 및 저장매체 | |
CN110297973B (zh) | 一种基于深度学习的数据推荐方法、装置及终端设备 | |
US20150070379A1 (en) | Techniques to manage color representations for a digital map | |
CN106462801A (zh) | 在分区训练数据上训练神经网络 | |
CN114519143A (zh) | 课程推荐模型的训练方法、课程推荐方法及装置 | |
US20210117484A1 (en) | Webpage template generation | |
CN109816265B (zh) | 知识特征掌握度的评价方法、题目推荐方法及电子设备 | |
CN111401700A (zh) | 一种数据分析方法、装置、计算机系统及可读存储介质 | |
CN109829069B (zh) | 图像审核处理方法、装置、电子设备及存储介质 | |
US20120093424A1 (en) | Data clustering | |
CN110297897B (zh) | 问答处理方法及相关产品 | |
CN111612581A (zh) | 一种物品推荐的方法、装置、设备及存储介质 | |
Cioffi | Completing projects according to plans: an earned-value improvement index | |
US20200251008A1 (en) | Similarity-based question recommendation method and server | |
CN108877771B (zh) | 数据处理方法、存储介质和电子设备 | |
CN113962965A (zh) | 图像质量评价方法、装置、设备以及存储介质 | |
CN113360711A (zh) | 视频理解任务的模型训练和执行方法、装置、设备及介质 | |
CN114881227B (zh) | 模型压缩方法、图像处理方法、装置和电子设备 | |
CN113961765B (zh) | 基于神经网络模型的搜索方法、装置、设备和介质 | |
CN113762421B (zh) | 分类模型的训练方法、流量分析方法、装置及设备 | |
US20220300836A1 (en) | Machine Learning Techniques for Generating Visualization Recommendations |
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: 20200110 |
|
RJ01 | Rejection of invention patent application after publication |