CN111639861B - 一种基于神经网络的绩效考核方法及系统 - Google Patents
一种基于神经网络的绩效考核方法及系统 Download PDFInfo
- Publication number
- CN111639861B CN111639861B CN202010486971.7A CN202010486971A CN111639861B CN 111639861 B CN111639861 B CN 111639861B CN 202010486971 A CN202010486971 A CN 202010486971A CN 111639861 B CN111639861 B CN 111639861B
- Authority
- CN
- China
- Prior art keywords
- network
- characteristic
- dimensional matrix
- neural network
- discriminator
- 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.)
- Active
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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于神经网络的绩效考核方法及系统,其中方法步骤包括:S1生成对抗网络,构建员工考评数据的特征二维矩阵Gt,S2以特征二维矩阵Gt为输入训练神经网络;S3将员工实际特征二维矩阵作为训练后的神经网络的输入,获得绩效考核结果。籍此有效减少人为考评造成的主观性和片面性考核结果,保障了人事考评的公平公正性,提高企业人力管理效率,提升企业竞争力。
Description
技术领域
本发明涉及神经网络技术,尤其涉及一种基于神经网络的绩效考核方法及系统。
背景技术
随着经济的快速发展,企业管理要求对员工进行道德、业务能力、综合能力等多方面的考察。目前,企业常用的考核方法主要有四种,第一是德能勤绩考核法,通过专家直接打分的办法,考核主观性太强且有失公平性原则;第二是关键绩效指标考核法(KPI),考核指标难以确定且主观性强;第三是分数定级法,将绩效标准定量化,不可避免地将处于绩效标准附近的员工考核等级两极化;第四是模糊聚类分析法,根据给定对象的输入空间和模糊规则,引入模糊预测模型,通过模糊逻辑分析的方法获得对象的期望行为,但这种方法需要依靠专家的推理经验,主观性较强。
而近年来机器学习领域的发展,为绩效考评研究提供了方法的指导。神经网络能有效地获取非线性的关系,可以利用神经网络来设计绩效考评模型,抽象出员工各个考评指标与考评结果之间更深层而且复杂的联系。
为此本领域亟待一种技术来实现运用神经网络建立的绩效考评模型全面科学地进行绩效评价,确定清晰明了的评价标准,提高员工对考评结果认可度,更好地为企业人事管理提供决策支持。
发明内容
本发明的主要目的在于提供一种基于神经网络的绩效考核方法及系统,以解决相关技术的问题。
为了实现上述目的,根据本发明的一个方面,提供了一种基于神经网络的绩效考核方法,步骤包括:
S1生成对抗网络,构建员工考评数据的特征二维矩阵Gt,其包括:
初始化生成器网络fg和判别器网络fd,将员工绩效考评数据x输入生成器网络fg得到特征二维矩阵Gt,将特征二维矩阵Gt输入判别器网络fd进行判别;固定生成器参数及判别器参数生成对抗网络;输入员工绩效考评原始数据至对抗网络获取特征二维矩阵Gt;
S2以特征二维矩阵Gt为输入训练神经网络,其包括:
S3将员工实际特征二维矩阵作为训练后的神经网络的输入,获得绩效考核结果。
优选地,其中固定生成器参数的步骤包括:设置batch size数值为L1,获取L1个考评信息的特征二维矩阵,以对判别器网络fd进行训练,判别器网络fd以随机两个员工考评信息的特征二维矩阵Gti和Gtj作为输入,获取二维矩阵Gti和Gtj的相似度Sij;取L对考评数据,随机抽取一对考评数据计算相似度XSij,用判别器fd对同样一对考评数据的两个特征二维矩阵计算相似度Sij,用XSij和Sij训练判别器fd并调整参数,计算损失函数
优选地,其中固定判别器参数的步骤包括:使用L1组员工绩效考核数据训练生成器网络fg,挖掘出员工考评数据的深度信息,并将此信息反映于员工考评信息的特征二维矩阵Gt,并随机取两组数据的特征矩阵Gti和Gtj,输入判别器网络计算损失函数Loss,以此调整生成器参数;反复计算调整判别器与生成器参数,即生成器网络与判别器网络反复对抗,直至损失函数达到指定值完成对抗网络训练,以获取特征二维矩阵Gt。
为了实现上述目的,根据本发明的另一个方面,还提供了一种基于神经网络的绩效考核系统,其包括:
在系统中生成对抗网络,构建员工考评数据的特征二维矩阵Gt,其包括:初始化生成器网络fg和判别器网络fd,将员工绩效考评数据x输入生成器网络fg得到特征二维矩阵Gt,将特征二维矩阵Gt输入判别器网络fd进行判别;固定生成器参数及判别器参数生成对抗网络;输入员工绩效考评原始数据至对抗网络获取特征二维矩阵Gt;
其中固定生成器参数的步骤包括:设置batch size数值为L1,获取L1个考评信息的特征二维矩阵,以对判别器网络fd进行训练,判别器网络fd以随机两个员工考评信息的特征二维矩阵Gti和Gtj作为输入,获取二维矩阵Gti和Gtj的相似度Sij;取L对考评数据,随机抽取一对考评数据计算相似度XSij,用判别器fd对同样一对考评数据的两个特征二维矩阵计算相似度Sij,用XSij和Sij训练判别器fd并调整参数,计算损失函数
其中固定判别器参数的步骤包括:使用L1组员工绩效考核数据训练生成器网络fg,挖掘出员工考评数据的深度信息,并将此信息反映于员工考评信息的特征二维矩阵Gt,并随机取两组数据的特征矩阵Gti和Gtj,输入判别器网络计算损失函数Loss,以此调整生成器参数;反复计算调整判别器与生成器参数,即生成器网络与判别器网络反复对抗,直至损失函数达到指定值完成对抗网络训练,以获取特征二维矩阵Gt;
系统以特征二维矩阵Gt为输入训练神经网络,其包括:
系统将员工实际特征二维矩阵作为训练后的神经网络的输入,获得绩效考核结果。
通过本发明提供的该基于神经网络的绩效考核方法及系统,其与现有技术相比,能更直观的展现考评结果,同时信息化的考评分析手段,有效减少人为考评造成的主观性和片面性考核结果,保障人事考评的公平公正性,提高企业人力管理效率,提升企业竞争力。
附图说明
构成本申请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为本发明基于神经网络的绩效考核方法中生成对抗网络中生成器的网络fg示意图;
图2为本发明基于神经网络的绩效考核方法中生成对抗网络中判别器的网络fd示意图;
图3为本发明基于神经网络的绩效考核方法中的所训练的神经网络fr结构示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
为了使本领域的技术人员更好的理解本发明方案,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、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,在本领域普通技术人员没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明的保护范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含。
绩效考核是按照一定的标准和科学的方法,对员工履行职责的情况进行考核和评价,是人力资源管理的重要内容和企业管理中的重要任务。但是常用的绩效考核方法均有各自的缺点,无法确保绩效考评能够如实反映员工价值。
绩效考评问题是一个复杂的非线性问题,而神经网络具有极强的自适应能力、非线性映射能力、容错能力等特点,因此能为绩效考评问题求解带来新的研究工具、思路和方法。运用神经网络建立的绩效考评模型能够全面科学地进行绩效评价,确定清晰明了的评价标准,提高员工对考评结果认可度,更好地为企业人事管理提供决策支持。
为此本发明提供的该基于神经网络的绩效考核方法,如图1至图3所示,采用对抗网络,将员工基本工作内容、岗位工作情况、思想素质和学习能力等数据,映射成准确的特征二维矩阵,再以这个特征二维矩阵为输入,利用卷积神经网络结构,生成相应的绩效考评成绩。
为此该考核方法主要包括:
S2基于生成对抗网络算法(GAN)构建员工考评数据的特征二维矩阵;
S2基于神经网络与员工考评特征二维矩阵的获取智能绩效考评结果。
具体来说,该基于生成对抗网络算法构建员工考评数据的特征二维矩阵,其是利用员工的基本工作内容、岗位工作情况、思想素质和学习能力等信息,深度挖掘员工的各类信息,生成考评指标的特征二维矩阵,该特征二维矩阵是由对抗网络中的生成器与判别器反复对抗产生的,其中的生成器网络输入是原始考评数据,经历有6层网络计算输出是特征二维矩阵,判别器的网络有12层并且经历2次特征融合,随机输入两条特征矩阵并输出判别结果,对抗网络反复训练以挖掘出更准确的员工绩效考评信息,并将该信息反映在特征二维矩阵上,为之后的信息分析打下基础。
而该基于神经网络与员工考评特征二维矩阵来获取绩效考评的方法,是以基于考评指标的特征二维矩阵为输入,利用神经网络模型计算并输出绩效考评结果,该神经网络有20层并经历1次特征融合。
为此,本发明的该绩效考核方法在结构上主要由两个计算步骤组合完成:
(1)使用基于生成对抗网络算法构建员工考评数据的特征二维矩阵;
(2)将特征二维矩阵作为神经网络的输入得到员工绩效考核结果;
其中整个网络的输入数据包括员工的基本工作内容、岗位工作情况、思想素质和学习能力四个方面,具体的指标是客户数量、签约合同数、合同金额、已收合同金额、合同履约率、业务增长率、业务发展成本、业务成本有效率、平均客户满意度、不满意客户数、投诉数量、投诉解决率、客户受理数量、主动性、沟通力、领导力、责任感、团队意识、部门协作满意度、考勤完成度、报告提交及时率、工作计划提交情况、日报总结情况、工作计划完成率、文件传递及时性、会议准备充分性、文件归档及时率、主持课程数目、培训课时、培训计划完成度,整个网络的输出是绩效考核结果。
而该基于神经网络的绩效考核方法应用的算法包括:
(1)基于生成对抗网络算法构建员工考评数据的特征二维矩阵;
(2)基于神经网络与员工考评特征二维矩阵进行绩效考核计算;
其中该对抗网络算法主要用于构建员工考评数据的特征二维矩阵,输入是员工的基本工作内容、岗位工作情况、思想素质和学习能力等信息,由对抗网络反复对抗和训练,对员工的各类考评信息深度挖掘,在达到指定误差或迭代次数后得到考评指标的特征二维矩阵;神经网络算法主要用于输出员工绩效考核结果,是以基于考评指标的特征二维矩阵为输入,神经网络反复训练建立绩效考核模型,通过该神经网络模型能够快捷精确地计算并输出绩效考核结果。需要说明的是生成对抗网络的输入即为整个绩效考核模型的输入,神经网络的输出即为整个模型的输出。
基于生成对抗网络算法构建员工考评数据的特征二维矩阵的输入数据x是员工绩效考评原始数据,包括员工的基本工作内容(维度是1*9)、岗位工作情况(维度是1*13)、思想素质(维度是1*5)和学习能力(维度是1*3),因此该生成对抗网络的输入x的维度是1*30。
生成对抗网络分为两部分:生成器网络fg和判别器网络fd。训练生成对抗网络时需要进行以下步骤:
(1)要初始化生成器网络fg和判别器网络fd,将员工的绩效考评数据x输入生成器网络fg得到特征二维矩阵Gt,将特征二维矩阵Gt输入判别器网络fd进行判别;
(2)固定生成器参数,由于batchsize在本实施例中举例设置为100,故拿到100个考评信息的特征二维矩阵,用这些特征二维矩阵对判别器网络fd进行训练,判别器网络fd以随机两个员工考评信息的特征二维矩阵Gti和Gtj作为输入,首先Gti和Gtj这两个特征矩阵进行特征融合,然后通过一系列的卷积网络层和激活函数层,形成一个28*28*32的三维矩阵,该矩阵再与其中一个输入的特征矩阵进行特征融合,形成的矩阵通过卷积网络层,再由S型函数输出判别结果,判别结果是二维矩阵Gti和Gtj的相似度Sij。
取300对考评数据,人事部工作人员在其中随机抽取一对考评数据计算相似度XSij,用判别器fd对同样一对考评数据的两个特征二维矩阵计算相似度Sij,用XSij和Sij训练判别器fd并调整参数,计算损失函数
(3)固定判别器参数,使用100组员工绩效考核数据训练生成器网络fg,维度为1*30的输入数据进入网络后首先经过全连接层转变为1*784的一维矩阵,接着变形转换成28*28的二维矩阵,该二维矩阵通过若干层卷积神经网络进行数据分析,挖掘出员工考评数据的深度信息,并将此信息反映于员工考评信息的特征二维矩阵Gt,并随机取两组数据的特征矩阵Gti和Gtj,输入判别器网络计算损失函数,计算方法与步骤(2)相同,以此调整生成器参数;(4)步骤(2)和步骤(3)反复进行,即生成器网络与判别器网络反复对抗,当损失函数达到指定值是就可完成生成对抗网络训练,并得到准确的特征二维矩阵。
之后,该基于神经网络和考评数据特征二维矩阵的绩效考核算法,是以考评数据特征二维矩阵Gt作为输入,二维矩阵进入该模块的神经网络后首先会经过多个卷积层和最大池化层,再经过变形成为一维矩阵(1*1568),这个一维矩阵经过多个全连接层后得到初步绩效考核结果,再将该考核结果与之前长度为1568的一维矩阵进行特征融合,融合后的矩阵经过一系列全连接层获得网络输出的考评结果y,此时真实的考核结果记为r,由此计算神经网络的代价函数并根据代价函数的值修改网络参数中的权值和偏置量,数据进入神经网络后的所有流程反复进行,经过多次迭代后使得该神经网络的代价函数达到预期要求,此时该神经网络训练完成。之后将前述的特征二维矩阵作为该训练后的神经网络的输入,即可获得员工绩效考核结果。
在实际使用时,本算法先读取某个员工的绩效考核信息,然后通过神经网络分析这些数据,即可给出这名员工的绩效考核结果,为人事管理提供决策支持,因此与现有技术相比,本发明所使用的一种基于神经网络的绩效考核方法以企业企业员工工作数据为输入,利用生成对抗网络来生成每一条绩效考评信息的特征二维矩阵;然后以这个特征二维矩阵为输入,利用神经网络来计算绩效考评结果。企业使用该方法进行绩效管理,更直观的展现考评结果,信息化的考评分析手段,有效减少人为考评造成的主观性和片面性考核结果,保障人事考评的公平公正性,提高企业人力管理效率,提升企业竞争力。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制,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。
本领域技术人员可以理解,除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以,本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件,而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构;也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
此外实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得单片机、芯片或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
此外,本发明实施例的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明实施例的思想,其同样应当视为本发明实施例所公开的内容。
Claims (2)
1.一种基于神经网络的绩效考核方法,步骤包括:
S1生成对抗网络,构建员工考评数据的特征二维矩阵Gt,其包括:初始化生成器网络fg和判别器网络fd,将员工绩效考评数据x输入生成器网络fg得到特征二维矩阵Gt,将特征二维矩阵Gt输入判别器网络fd进行判别;固定生成器参数及判别器参数生成对抗网络;输入员工绩效考评原始数据至对抗网络获取特征二维矩阵Gt;
S2以特征二维矩阵Gt为输入训练神经网络,其包括:
S3将员工实际特征二维矩阵作为训练后的神经网络的输入,获得绩效考核结果;
其中固定生成器参数的步骤包括:设置batch size数值为L1,获取L1个考评信息的特征二维矩阵,以对判别器网络fd进行训练,判别器网络fd以随机两个员工考评信息的特征二维矩阵Gti和Gtj作为输入,获取二维矩阵Gti和Gtj的相似度Sij;取L对考评数据,随机抽取一对考评数据计算相似度XSij,用判别器fd对同样一对考评数据的两个特征二维矩阵计算相似度Sij,用XSij和Sij训练判别器fd并调整参数,计算损失函数
其中固定判别器参数的步骤包括:使用L1组员工绩效考核数据训练生成器网络fg,挖掘出员工考评数据的深度信息,并将此信息反映于员工考评信息的特征二维矩阵Gt,并随机取两组数据的特征矩阵Gti和Gtj,输入判别器网络计算损失函数Loss,以此调整生成器参数;反复计算调整判别器与生成器参数,即生成器网络与判别器网络反复对抗,直至损失函数达到指定值完成对抗网络训练,以获取特征二维矩阵Gt。
2.一种基于神经网络的绩效考核系统,其包括:
在系统中生成对抗网络,构建员工考评数据的特征二维矩阵Gt,其包括:初始化生成器网络fg和判别器网络fd,将员工绩效考评数据x输入生成器网络fg得到特征二维矩阵Gt,将特征二维矩阵Gt输入判别器网络fd进行判别;固定生成器参数及判别器参数生成对抗网络;输入员工绩效考评原始数据至对抗网络获取特征二维矩阵Gt;其中固定生成器参数的步骤包括:设置batch size数值为L1,获取L1个考评信息的特征二维矩阵,以对判别器网络fd进行训练,判别器网络fd以随机两个员工考评信息的特征二维矩阵Gti和Gtj作为输入,获取二维矩阵Gti和Gtj的相似度Sij;取L对考评数据,随机抽取一对考评数据计算相似度XSij,用判别器fd对同样一对考评数据的两个特征二维矩阵计算相似度Sij,用XSij和Sij训练判别器fd并调整参数,计算损失函数 其中固定判别器参数的步骤包括:使用L1组员工绩效考核数据训练生成器网络fg,挖掘出员工考评数据的深度信息,并将此信息反映于员工考评信息的特征二维矩阵Gt,并随机取两组数据的特征矩阵Gti和Gtj,输入判别器网络计算损失函数Loss,以此调整生成器参数;反复计算调整判别器与生成器参数,即生成器网络与判别器网络反复对抗,直至损失函数达到指定值完成对抗网络训练,以获取特征二维矩阵Gt;
系统以特征二维矩阵Gt为输入训练神经网络,其包括:
系统将员工实际特征二维矩阵作为训练后的神经网络的输入,获得绩效考核结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010486971.7A CN111639861B (zh) | 2020-06-01 | 2020-06-01 | 一种基于神经网络的绩效考核方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010486971.7A CN111639861B (zh) | 2020-06-01 | 2020-06-01 | 一种基于神经网络的绩效考核方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111639861A CN111639861A (zh) | 2020-09-08 |
CN111639861B true CN111639861B (zh) | 2023-06-23 |
Family
ID=72333298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010486971.7A Active CN111639861B (zh) | 2020-06-01 | 2020-06-01 | 一种基于神经网络的绩效考核方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111639861B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113095773A (zh) * | 2021-03-16 | 2021-07-09 | 成都安易迅科技有限公司 | 员工绩效考核方法、装置、存储介质及计算机设备 |
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 |
CN114580949B (zh) * | 2022-03-15 | 2023-02-10 | 河北雄安睿天科技有限公司 | 一种水务业务绩效管理分析系统 |
CN115331154B (zh) * | 2022-10-12 | 2023-01-24 | 成都西交智汇大数据科技有限公司 | 一种实验步骤评分方法、装置、设备及可读存储介质 |
CN116611717B (zh) * | 2023-04-11 | 2024-03-19 | 南京邮电大学 | 一种基于显隐式的融合辅助信息的填充方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110619390A (zh) * | 2018-06-20 | 2019-12-27 | 上海寒武纪信息科技有限公司 | 用于执行生成对抗网络的处理装置及应用其进行机器创作的方法 |
JP6595151B2 (ja) * | 2017-06-29 | 2019-10-23 | 株式会社Preferred Networks | 訓練方法、訓練装置、プログラム及び非一時的コンピュータ可読媒体 |
US11257041B2 (en) * | 2017-08-21 | 2022-02-22 | Hirevue, Inc. | Detecting disability and ensuring fairness in automated scoring of video interviews |
DE102018206108A1 (de) * | 2018-04-20 | 2019-10-24 | Zf Friedrichshafen Ag | Generieren von Validierungsdaten mit generativen kontradiktorischen Netzwerken |
KR101936029B1 (ko) * | 2018-07-18 | 2019-01-11 | 한국과학기술정보연구원 | 딥러닝 기반의 가치 평가 방법 및 그 장치 |
CN109919434A (zh) * | 2019-01-28 | 2019-06-21 | 华中科技大学 | 一种基于深度学习的教师课堂表现智能评价方法 |
US10373026B1 (en) * | 2019-01-28 | 2019-08-06 | StradVision, Inc. | Learning method and learning device for generation of virtual feature maps whose characteristics are same as or similar to those of real feature maps by using GAN capable of being applied to domain adaptation to be used in virtual driving environments |
CN110222925B (zh) * | 2019-04-24 | 2022-04-08 | 深圳证券交易所 | 绩效量化考核方法、装置及计算机可读存储介质 |
CN110348877B (zh) * | 2019-05-27 | 2023-11-14 | 上海大学 | 基于大数据的智能业务推荐算法、计算机可读存储介质 |
CN111127392B (zh) * | 2019-11-12 | 2023-04-25 | 杭州电子科技大学 | 一种基于对抗生成网络的无参考图像质量评价方法 |
CN111080155B (zh) * | 2019-12-24 | 2022-03-15 | 武汉大学 | 一种基于生成对抗网络的空调用户调频能力评估方法 |
-
2020
- 2020-06-01 CN CN202010486971.7A patent/CN111639861B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111639861A (zh) | 2020-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111639861B (zh) | 一种基于神经网络的绩效考核方法及系统 | |
Dabbagh et al. | An approach for integrating the prioritization of functional and nonfunctional requirements | |
CN106982359A (zh) | 一种双目视频监控方法、系统和计算机可读存储介质 | |
CN105590175A (zh) | 一种基于因子分析与bp神经网络的技能人才评价方法 | |
CN106599230A (zh) | 一种分布式数据挖掘模型评估的方法与系统 | |
Yudatama et al. | Evaluation maturity index and risk management for it governance using Fuzzy AHP and Fuzzy TOPSIS (case Study Bank XYZ) | |
CN111008693A (zh) | 一种基于数据压缩的网络模型构建方法、系统和介质 | |
CN114612251A (zh) | 风险评估方法、装置、设备及存储介质 | |
WO2005065392A2 (en) | System and method for adaptive decision making analysis and assessment | |
Rakhman et al. | Applying analytic hierarchy process for measuring knowledge management readiness in government institutions | |
Gobov et al. | Software Requirements Elicitation Techniques Selection Method for the Project Scope Management. | |
CN106384198A (zh) | 智能电网输变电工程的评价指标选取方法 | |
CN115938600A (zh) | 一种基于关联分析的心理健康状态预测方法与系统 | |
Liu | Analysis on Class Participation Based on Artificial Intelligence. | |
CN113159279A (zh) | 基于神经网络与深度学习的跨域知识协助方法与系统 | |
White et al. | Resolvability for imprecise multiattribute alternative selection | |
CN114091908A (zh) | 计及多模式储能站的配电网综合评价方法、装置和设备 | |
Naicker et al. | Conceptualizing knowledge creation, conversion and transfer | |
Wang | Intelligent quality management using knowledge discovery in databases | |
Newcomb et al. | Examining the effects of the value of information on intelligence analyst performance | |
Suprun et al. | Dealing with complexity: A holistic participatory systems approach for improving construction innovation performance | |
CN111160662A (zh) | 一种风险预测方法、电子设备及存储介质 | |
Aguilar-Ruiz et al. | Generation of management rules through system dynamics and evolutionary computation | |
Wang | Application of machine learning in risk assessment of big data IoT credit financial management of operator | |
Kedir et al. | Integrating fuzzy agent-based modeling and multi-criteria decision-making for analyzing construction crew performance |
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 |