CN111738822A - 审计员推荐方法及装置 - Google Patents
审计员推荐方法及装置 Download PDFInfo
- Publication number
- CN111738822A CN111738822A CN202010546248.3A CN202010546248A CN111738822A CN 111738822 A CN111738822 A CN 111738822A CN 202010546248 A CN202010546248 A CN 202010546248A CN 111738822 A CN111738822 A CN 111738822A
- Authority
- CN
- China
- Prior art keywords
- auditor
- recommendation
- characteristic data
- audit project
- audit
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
-
- 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
- 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
Abstract
本发明提供了一种审计员推荐方法及装置,涉及信息处理技术领域,该方法包括:获取审计员特征数据、审计项目特征数据和权重参数;根据审计员特征数据、审计项目特征数据和关联推荐模型生成第一推荐结果;根据审计员特征数据、审计项目特征数据和经验推荐模型生成第二推荐结果;根据审计员特征数据、审计项目特征数据和能力推荐模型生成第三推荐结果;对第一推荐结果、第二推荐结果和第三推荐结果按照权重参数进行加权计算,得到审计员推荐结果。本发明可以提升审计员推荐效率,得到更加精准的审计项目和审计员匹配结果。
Description
技术领域
本发明涉及信息处理技术领域,尤其是涉及一种审计员推荐方法及装置。
背景技术
银行金融机构的审计部门独立于各业务部门,采用全国垂直管理模式,审计资源统筹整合管理。各省审计资源分属各自省的审计分部,由总部统筹完成审计项目计划制定和审计资源的调配。为了实现审计范围的全覆盖,每年审计项目包括各种专项审计项目少也有几十上百个,多就是上千个。有些审计任务突然下达,紧急立项,为了在上万个审计员中进行挑选与待审计项目匹配的审计员,目前各大银行金融机构审计部的通常做法是依靠手工方式进行匹配,现有方法在审计员和审计项目数量比较大的时候,工作量大,耗费的人力成本较高,并且,人工匹配的结果存在片面性和主观性。
发明内容
本发明提供了一种审计员推荐方法及装置,可以提升审计员推荐效率,得到更加精准的审计项目和审计员匹配结果。
第一方面,本发明实施例提供了一种审计员推荐方法及装置,该方法包括:获取审计员特征数据、审计项目特征数据和权重参数;根据所述审计员特征数据、所述审计项目特征数据和关联推荐模型生成第一推荐结果;根据所述审计员特征数据、所述审计项目特征数据和经验推荐模型生成第二推荐结果;根据所述审计员特征数据、所述审计项目特征数据和能力推荐模型生成第三推荐结果;对所述第一推荐结果、所述第二推荐结果和所述第三推荐结果按照所述权重参数进行加权计算,得到审计员推荐结果。
第二方面,本发明实施例还提供一种审计员推荐装置,该装置包括:数据模块,用于获取审计员特征数据、审计项目特征数据和权重参数;关联推荐模块,用于根据所述审计员特征数据、所述审计项目特征数据和关联推荐模型生成第一推荐结果;经验推荐模块,用于根据所述审计员特征数据、所述审计项目特征数据和经验推荐模型生成第二推荐结果;能力推荐模块,用于根据所述审计员特征数据、所述审计项目特征数据和能力推荐模型生成第三推荐结果;结果模块,用于对所述第一推荐结果、所述第二推荐结果和所述第三推荐结果按照所述权重参数进行加权计算,得到审计员推荐结果。
第三方面,本发明实施例还提供一种计算机设备,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计算机程序时实现上述审计员推荐方法。
第四方面,本发明实施例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存储有执行上述审计员推荐方法的计算机程序。
本发明实施例带来了以下有益效果:本发明实施例提供了一种审计员推荐方案,该方案基于审计员特征数据和审计项目特征数据,利用关联推荐模型生成第一推荐结果,利用经验推荐模型生成第二推荐结果,利用能力推荐模型生成第三推荐结果,从而实现自动从多维度对审计员进行筛选,实现审计范围更全的覆盖,对第一推荐结果、第二推荐结果和第三推荐结果按照权重参数进行加权计算,得到审计员推荐结果。本发明实施例可以提升审计员推荐效率,得到更加精准的审计项目和审计员匹配结果。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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方式,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为本发明实施例提供的审计员推荐方法流程图;
图2为本发明实施例提供的审计员推荐框架图;
图3为本发明实施例提供的审计员推荐系统示意图;
图4为本发明实施例提供的审计员推荐步骤流程图;
图5为本发明实施例提供的审计员推荐装置结构框图;
图6为本发明实施例提供的计算机设备结构框图。
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,下面将结合附图对本发明的技术方案进行清楚、完整地描述,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。
目前,各大银行金融机构审计部的通常做法是依靠手工方式进行匹配,手工方式的缺点:1.耗费时间和精力:审计项目计划管理员需要及时更新审计员的信息表格,人工匹配,在审计员和审计项目数量比较大的时候,耗费的精力是可想而知的;2.人工匹配存在片面性。这种片面性表现在三个方面,一方面是信息表格数据收集的片面性,很难收集到比较全面及时的信息;第二方面,匹配也存在片面性。审计员的擅长的领域通常比较概况,比如个人金融业务,但个人金融业务又可以细分为存款、贷款、黄金交易,不同审计项目侧重点不同,很难做到精准匹配;第三方面是对审计员审计能力的评判通常是按照职级或学历,没有客观科学综合的评判方法;3.匹配过程不可避免存在主观性。审计计划管理员与某审计员熟识,就容易夸大审计能力,在项目匹配时就可以不自觉地进行主观性的操作。
基于此,本发明实施例提供的一种审计员推荐方法及装置,通过关联推荐模型、能力推荐模型和经验推荐模型,最后再进行聚合,以科学的方法得到审计员推荐列表,从而有效的指导审计项目计划制定,合理有效高效分配审计资源。进而,使得审计计划管理员在制定审计项目计划时,既做到充分利用现有审计资源,又确保审计项目与审计资源的能力匹配,保证审计工作高质高效地开展。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种审计员推荐方法进行详细介绍。
为了便于理解,首先对涉及的技术术语进行解释。
审计项目计划:是指各级审计机关为履行审计职责而对计划期内的审计项目和专项审计调查项目作出的统一安排。
审计员画像:采用业界的用户画像工具,抽象出一个审计员的信息全貌,为进一步精准、快速地分析审计员的能力、特长等重要信息,提供了足够的数据基础。
特征:是一个客体或一组客体特性的抽象结果。任一客体或一组客体都具有众多特性,人们根据客体所共有的特性抽象出某一概念。
推荐算法:推荐算法是计算机专业中的一种算法。利用用户的一些行为,通过一些数学算法,推测出用户可能喜欢的东西。
机器学习算法:一种通过与预测标签相关的历史数据对新数据目标进行预测的算法。
基于内容的推荐算法:它是建立在项目的内容信息上做出推荐的,在基于内容的推荐系统中,项目或对象是通过相关特征的属性来定义的,系统基于用户评价对象的特征、学习用户的兴趣,考察用户资料与待预测项目的匹配程度。
基于协同的推荐算法:它一般采用最近邻技术,利用用户的历史喜好信息计算用户之间的距离,然后利用目标用户的最近邻居用户对商品评价的加权评价值来预测目标用户对特定商品的喜好程度,从而根据这一喜好程度来对目标用户进行推荐。包括三种类型:第一种是基于用户(user-based)的协同过滤,第二种是基于项目(item-based)的协同过滤,第三种是基于模型(model based)的协同过滤。
本发明实施例提供了一种审计员推荐方法,参见图1所示的一种审计员推荐方法流程图,该方法包括以下步骤:
步骤S102,获取审计员特征数据、审计项目特征数据和权重参数。
在本发明实施例中,审计员特征数据,用于确定审计员画像,用于描述审计员的个人客观审计信息、个人主观审计信息以及曾经参与的历史审计项目信息等。审计项目特征数据,用于确定审计项目画像,用于描述审计项目所需要被审计员匹配的信息。权重参数用于确定基于不同维度生成的推荐结果的权重大小,用于计算最终的审计员推荐结果。
步骤S104,根据审计员特征数据、审计项目特征数据和关联推荐模型生成第一推荐结果。
在本发明实施例中,可以利用关联推荐模型,根据审计员特征数据和审计项目特征数据,确定审计员的特征与审计项目的相似度匹配情况,从而得到特征数据与审计项目相关度最高的审计员推荐序列,将该序列作为第一推荐结果。
需要说明的是,第一推荐结果中包括推荐的审计员排序序列,以便工作人员根据该排序序列确定审计员。
步骤S106,根据审计员特征数据、审计项目特征数据和经验推荐模型生成第二推荐结果。
在本发明实施例中,根据审计员特征数据可以确定审计员历史审计项目的相关信息,根据审计项目特征数据可以确定计划审计项目的相关信息,经验推荐模型可以根据审计员参与的历史项目与审计项目的相似度匹配情况,对审计员与计算审计项目进行匹配,得到第二推荐结果。
需要说明的是,第二推荐结果中包括推荐的审计员排序序列,以便工作人员根据该排序序列确定审计员。
步骤S108,根据审计员特征数据、审计项目特征数据和能力推荐模型生成第三推荐结果。
在本发明实施例中,能力推荐模型是在不同的领域对审计员的审计能力进行排序,根据审计员在审计项目所需要的领域内能力的排序,确定审计员的审计能力与审计项目所需要的审计能力的匹配情况,得到第三推荐结果。
需要说明的是,第三推荐结果中包括推荐的审计员排序序列,以便工作人员根据该排序序列确定审计员。
步骤S110,对第一推荐结果、第二推荐结果和第三推荐结果按照所述权重参数进行加权计算,得到审计员推荐结果。
在本发明实施例中,根据权重参数可以调整对第一推荐结果、第二推荐结果和第三推荐结果的侧重程度,通过加权计算,得到更加科学有效的审计员推荐结果。
需要说明的是,可以预先剔除时间不可用、身体因素等,然后通过加权将上述三个结果进行归集,得到最终审计员推荐序列。
本发明实施例提供了一种审计员推荐方法及装置,该方法基于审计员特征数据和审计项目特征数据,利用关联推荐模型生成第一推荐结果,利用经验推荐模型生成第二推荐结果,利用能力推荐模型生成第三推荐结果,从而实现自动从多维度对审计员进行筛选,实现审计范围更全的覆盖,对第一推荐结果、第二推荐结果和第三推荐结果按照权重参数进行加权计算,得到审计员推荐结果。本发明实施例可以提升审计员推荐效率,得到更加精准的审计项目和审计员匹配结果。
为了收集尽可能多的信息,得到覆盖范围更广的推荐结果,获取审计员特征数据、审计项目特征数据和权重参数之前,还可以执行如下步骤:
获取审计员信息、历史审计项目信息和计划审计项目信息;根据审计员信息和历史审计项目信息确定审计员特征数据;根据计划审计项目信息确定审计项目特征数据。
在本发明实施例中,审计员信息包括审计员的个人客观审计信息、个人主观审计信息,其中,个人客观审计信息为,例如,年龄、性别、地域、入职年限、职级、外语水平等客观特征;个人主观审计信息为,例如,个人爱好、特长、评论、建议等主观数据。历史审计项目信息包括领域、范围、COSO(The Committee of Sponsoring Organizations of theTreadway Commission)要素、各类标签等信息,计划审计项目信息包括领域、范围、时间、需要人数、专业要求等信息。
在本发明实施例中,为了得到更全面的审计员特征数据以及审计项目特征数据,可以从多种维度获取审计员信息、历史审计项目信息和计划审计项目信息。例如,可以通过收集审计员、历史审计项目、计划审计项目数据、审计项目问题发现、问题属性数据、审计项目属性数据、审计员参与审计项目数据、审计员档案数据以及审计员发表文章等数据,得到审计员信息、历史审计项目信息和计划审计项目信息。另外,可以将审计员参与过历史审计项目信息也作为审计员信息的一个数据维度。
为了提升推荐效率,根据审计员特征数据、审计项目特征数据和关联推荐模型生成第一推荐结果,可以按照如下步骤执行:
从审计员特征数据中提取审计员关键字数据,从审计项目特征数据中提取审计项目关键字数据;根据审计员关键字数据和审计项目关键字数据分别生成审计员向量和审计项目向量;根据预设关联推荐权重值、审计员向量和审计项目向量确定审计员特征数据和审计项目特征数据的关联程度值;对关联程度值排序,以根据排序结果得到第一推荐结果。
在本发明实施例中,关联推荐模型,可以采用TF-IDF(Term Frequency–InverseDocument Frequency,词频-逆文本频率指数)算法实现。预设关联推荐权重值可以根据实际需求和经验进行设置,本发明实施例对此不作具体限定。
在本发明实施例中,参见表1,为了根据审计员与计划审计项目之间的相似度得到审计员推荐结果,可以按照如下步骤执行:(1)提取审计员、审计项目等的关键字,建立语料库;(2)建立审计员和计划审计项目向量;(3)加入关键词的权重因素;(4)利用word2vec(word to vector),将文本的关键词聚类,然后根据主题将文本向量化;(5)计算向量距离;按照公式审计员i与计划审计项目j的关联程度值=审计员与计划审计项目的向量距离×权重,得到关联程度值,将与审计项目特征数据关联程度值较大的多个审计员排序作为第一推荐结果。
表1
为了提升推荐效率,根据审计员特征数据、审计项目特征数据和经验推荐模型生成第二推荐结果,可以按照如下步骤执行:
从审计员特征数据中提取审计员的历史审计项目特征值,从审计项目特征数据中提取审计项目特征值;根据历史审计项目特征值和审计项目特征值分别生成历史审计项目特征值向量和提取审计项目特征值向量;根据余弦公式计算历史审计项目特征值向量和审计项目特征值向量的相似度值;对相似度值排序,以根据排序结果得到第二推荐结果。
在本发明实施例中,经验推荐模型可以采用协同过滤类型的推荐算法实现。参见表2,为了通过计算审计员曾经参与过的历史审计项目与计划审计项目之间的相似匹配程度,得到审计员推荐结果,可以按照如下步骤执行:
(1)提取历史审计项目和计划审计项目的特征值;(2)建立审计项目和计划审计项目的特征值向量;(3)采用余弦公式计算相似度;(4)值越接近1表示两个项目越相似;(5)根据项目相似度,以参与相似项目的经验,完成审计员推荐列表。
表2
为了提升推荐效率,根据审计员特征数据、审计项目特征数据和能力推荐模型生成第三推荐结果,可以按照如下步骤执行:
从审计员特征数据中提取审计员数据,从审计项目特征数据中提取目标能力数据;根据回归算法确定审计员数据与目标能力数据之间的对应系数;对对应系数排序,以根据排序结果得到第三推荐结果。
在本发明实施例中,能力推荐模型可以采用基于模型的协同过滤算法实现,通过Logistics回归算法进行预测。参见表3,为了得到与计划审计项目需要的能力更加匹配的审计员,可以具体按照如下步骤实现:
(1)提取审计员数据,包括:审计员参与项目的领域、条线、项目的级别、参与项目的时间因素、发现的问题个数、问题的领域、条线、主题、审计员发表文章的刊物的级别、文章涉及的领域等等特征值;(2)构建审计员矩阵;(3)通过机器学习回归拟合出一个函数,计算T1…Tn,W1...Wn对应的系数,即是各特征属性对应的权重,权重值越大,则表明该特征对审计员在某领域的审计能力越强,以此为审计员审计能力按领域进行排序。
T1 | T2 | T3 | T4 | T5 | …… | W1 | Wn | |
审计员1 | 3 | 6 | ||||||
审计员n | 2 | 1 |
表3
为了便于用户获取推荐结果,该方法还可以执行如下步骤:采用报表或图形展示所述审计员推荐结果。
在本发明实施例中,通过报表和图形两种形式进行展示,还可以既展示每种模型训练后的结果,又展示聚合后的结果,供审计计划管理员多维度进行参考和决策。
在本发明实施例中,技术人员需要完成如下的工作:
需求分析:通过与金融领域审计专家及审计计划管理专家讨论得出影响审计项目与审计员匹配的诸多因素,如时间限制、领域、任职资格、任职年限、参与过的审计项目类型、参与过的审计项目审计内容、审计项目的地域、审计发现问题能力、审计报告能力等等;
数据收集:在影响因素挖掘的基础上,技术人员需要根据这些因素的业务重要性、数据可获得性、性能可行性、与预测目标的相关性等确定所使用数据的范围,并确定最终审计员与审计项目匹配预测中需要使用的数据。并根据这些数据收集相关的数据;
画像构建:通过对数据采集步骤中所采集的数据进行分析构建特征,如基于审计员的年龄、外语水平、工作经历、参与过的审计项目、发现的审计问题、发表的审计文章(著作、推荐、经验分享等)、获得奖项等特征,形成审计员画像;再比如基于审计项目的涉及领域、地域、时长、项目级别、问题级别、参与人数、参与审计员的资格要求等特征,形成审计项目的特征数据集;
构建模型训练算法:首先使用TF-IDF(Term Frequency–Inverse DocumentFrequency,词频-逆文本频率指数)算法对审计员进行关联性训练;其次建立历史项目与计划审计项目的矩阵,基于矩阵分解的算法完成经验性训练;再次通过LOGISTICS回归预测对审计员的审计能力进行拟合训练。最后通过加权聚合算法,将三种训练结果进行归集,等到最后的审计员推荐序列。
训练模型:使用特征数据集进行训练模型并保存模型;
计算审计员匹配性列表:使用训练模型中训练得到的模型,预测每个审计项目适用的审计员推荐序列;
参见图3所示的审计员推荐系统示意图,基于以上各个流程,搭建完整的审计员推荐系统
本发明提供了一种审计员推荐方法及装置,参见图2所示的审计员推荐框架图以及图4所示的审计员推荐步骤流程图,该方法主要包括:1)信息收集:收集尽可能多的信息,包括:历史审计项目,审计项目的各种属性和级别、审计员个人档案、审计员参与项目经历、审计员发表的审计相关文章、著作、推荐及经验分享等材料、审计员在审计项目中发现问题情况、发现问题的属性及级别、计划审计项目、机构内部的风险等级和风险领域、各类各层级监管要求等,以标签的形式进行存储;2)绘制画像:通过信息过滤算法,给每个审计员绘制画像,为每个审计项目提炼标签;3)采用推荐模型:为每个审计项目按照适用性提供审计员排名列表。推荐模型包括三个模块:关联模块、经验模块、能力模块;4)聚合模型:剔除时间和地域等客观因素,将三个模型进行聚合,为每个审计计划中的项目提供客观科学合理的审计员推荐列表。
本发明采用大数据的工具,通过建立审计员库,为每个审计员进行特征画像,解决了数据分析中的稳定性和效率问题;通过自然语言处理(NLP,Natural LanguageProcessing),通过挖掘审计员的特征向量,得到审计员的擅长领域、任职资历、外语水平等信息建立向量,通过相似度判断审计员与审计项目的匹配关系;引入历史审计项目的特征提取及特征分析,通过审计项目间的相似度比对,建立审计员与审计项目的匹配关系;引入历史审计项目的数据,通过分析审计员参与历史项目并参考在历史项目中对问题的发现,项目等级、问题等级等因素来评定审计员在参与审计项目的审计能力水平,改变原来通过仅通过学历、工作资历和主观对审计员审计能力的评判原则;引入权重系数进行三种技术方式的聚合,排除时间可用因素,得到最佳推荐序列。
本发明节省了审计计划管理的时间和精力,提高了审计计划管理的时效性;避免片面性,均衡审计资源,更科学客观合理的进行审计资源的分配;使审计项目和审计员的精准匹配,更有利于提高审计项目的审计发现,防范金融风险
本发明实施例还提供一种审计员推荐装置,参见图5所示的审计员推荐装置结构框图,该装置包括:
数据模块71,用于获取审计员特征数据、审计项目特征数据和权重参数;关联推荐模块72,用于根据审计员特征数据、审计项目特征数据和关联推荐模型生成第一推荐结果;经验推荐模块73,用于根据审计员特征数据、审计项目特征数据和经验推荐模型生成第二推荐结果;能力推荐模块74,用于根据审计员特征数据、审计项目特征数据和能力推荐模型生成第三推荐结果;结果模块75,用于对第一推荐结果、第二推荐结果和第三推荐结果按照权重参数进行加权计算,得到审计员推荐结果。
在一个实施例中,该装置还包括数据收集模块,用于:获取审计员信息、历史审计项目信息和计划审计项目信息;根据审计员信息和历史审计项目信息确定审计员特征数据;根据计划审计项目信息确定审计项目特征数据。
在一个实施例中,关联推荐模块,具体用于:从审计员特征数据中提取审计员关键字数据,从审计项目特征数据中提取审计项目关键字数据;根据审计员关键字数据和审计项目关键字数据分别生成审计员向量和审计项目向量;根据预设关联推荐权重值、审计员向量和审计项目向量确定审计员特征数据和审计项目特征数据的关联程度值;对关联程度值排序,以根据排序结果得到第一推荐结果。
在一个实施例中,经验推荐模块,具体用于:从审计员特征数据中提取审计员的历史审计项目特征值,从审计项目特征数据中提取审计项目特征值;根据历史审计项目特征值和审计项目特征值分别生成历史审计项目特征值向量和提取审计项目特征值向量;根据余弦公式计算历史审计项目特征值向量和审计项目特征值向量的相似度值;对相似度值排序,以根据排序结果得到第二推荐结果。
在一个实施例中,能力推荐模块,具体用于:从审计员特征数据中提取审计员数据,从审计项目特征数据中提取目标能力数据;根据回归算法确定审计员数据与目标能力数据之间的对应系数;对对应系数排序,以根据排序结果得到第三推荐结果。
在一个实施例中,该装置还包括显示模块,用于:采用报表或图形展示审计员推荐结果。
本发明实施例还提供一种计算机设备,参见图6所示的计算机设备结构示意框图,包括存储器81、处理器82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计算机程序时实现上述任一种审计员推荐方法。
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,上述描述的计算机设备的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本发明实施例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存储有执行上述任一种审计员推荐方法的计算机程序。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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、设备(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。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述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: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,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,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所述以权利要求的保护范围为准。
Claims (10)
1.一种审计员推荐方法,其特征在于,包括:
获取审计员特征数据、审计项目特征数据和权重参数;
根据所述审计员特征数据、所述审计项目特征数据和关联推荐模型生成第一推荐结果;
根据所述审计员特征数据、所述审计项目特征数据和经验推荐模型生成第二推荐结果;
根据所述审计员特征数据、所述审计项目特征数据和能力推荐模型生成第三推荐结果;
对所述第一推荐结果、所述第二推荐结果和所述第三推荐结果按照所述权重参数进行加权计算,得到审计员推荐结果。
2.根据权利要求1所述的方法,其特征在于,获取审计员特征数据、审计项目特征数据和权重参数之前,还包括:
获取审计员信息、历史审计项目信息和计划审计项目信息;
根据所述审计员信息和所述历史审计项目信息确定审计员特征数据;
根据所述计划审计项目信息确定审计项目特征数据。
3.根据权利要求1所述的方法,其特征在于,根据所述审计员特征数据、所述审计项目特征数据和关联推荐模型生成第一推荐结果,包括:
从所述审计员特征数据中提取审计员关键字数据,从所述审计项目特征数据中提取审计项目关键字数据;
根据所述审计员关键字数据和所述审计项目关键字数据分别生成审计员向量和审计项目向量;
根据预设关联推荐权重值、所述审计员向量和所述审计项目向量确定所述审计员特征数据和所述审计项目特征数据的关联程度值;
对所述关联程度值排序,以根据排序结果得到第一推荐结果。
4.根据权利要求1所述的方法,其特征在于,根据所述审计员特征数据、所述审计项目特征数据和经验推荐模型生成第二推荐结果,包括:
从所述审计员特征数据中提取审计员的历史审计项目特征值,从所述审计项目特征数据中提取审计项目特征值;
根据所述历史审计项目特征值和所述审计项目特征值分别生成历史审计项目特征值向量和提取审计项目特征值向量;
根据余弦公式计算所述历史审计项目特征值向量和所述审计项目特征值向量的相似度值;
对所述相似度值排序,以根据排序结果得到第二推荐结果。
5.根据权利要求1所述的方法,其特征在于,根据所述审计员特征数据、所述审计项目特征数据和能力推荐模型生成第三推荐结果,包括:
从所述审计员特征数据中提取审计员数据,从所述审计项目特征数据中提取目标能力数据;
根据回归算法确定所述审计员数据与所述目标能力数据之间的对应系数;
对所述对应系数排序,以根据排序结果得到第三推荐结果。
6.根据权利要求1所述的方法,其特征在于,还包括:采用报表或图形展示所述审计员推荐结果。
7.一种审计员推荐装置,其特征在于,包括:
数据模块,用于获取审计员特征数据、审计项目特征数据和权重参数;
关联推荐模块,用于根据所述审计员特征数据、所述审计项目特征数据和关联推荐模型生成第一推荐结果;
经验推荐模块,用于根据所述审计员特征数据、所述审计项目特征数据和经验推荐模型生成第二推荐结果;
能力推荐模块,用于根据所述审计员特征数据、所述审计项目特征数据和能力推荐模型生成第三推荐结果;
结果模块,用于对所述第一推荐结果、所述第二推荐结果和所述第三推荐结果按照所述权重参数进行加权计算,得到审计员推荐结果。
8.根据权利要求7所述的装置,其特征在于,还包括展示模块,用于:
采用报表或图形展示所述审计员推荐结果。
9.一种计算机设备,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计算机程序时实现权利要求1至6任一所述方法。
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存储有执行权利要求1至6任一所述方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010546248.3A CN111738822A (zh) | 2020-06-16 | 2020-06-16 | 审计员推荐方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010546248.3A CN111738822A (zh) | 2020-06-16 | 2020-06-16 | 审计员推荐方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111738822A true CN111738822A (zh) | 2020-10-02 |
Family
ID=72649279
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010546248.3A Pending CN111738822A (zh) | 2020-06-16 | 2020-06-16 | 审计员推荐方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111738822A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112307081A (zh) * | 2020-10-24 | 2021-02-02 | 上海东方投资监理有限公司 | 项目预算成本管理系统、方法、电子设备及可读存储介质 |
CN112488842A (zh) * | 2020-12-14 | 2021-03-12 | 天津北晟企业服务有限公司 | 投资机构推荐方法和装置 |
CN112541691A (zh) * | 2020-12-21 | 2021-03-23 | 合肥和创讯为智能科技有限公司 | 一种基于ai的动态任职资格评定方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107679737A (zh) * | 2017-09-29 | 2018-02-09 | 广东掌中万维电子有限公司 | 项目推荐的方法及装置 |
CN109325642A (zh) * | 2017-07-31 | 2019-02-12 | 北京搜狗科技发展有限公司 | 一种任务处理方法、装置、设备及机器可读存储介质 |
CN110377819A (zh) * | 2019-06-17 | 2019-10-25 | 平安科技(深圳)有限公司 | 基于大数据的仲裁员推荐方法、装置和计算机设备 |
-
2020
- 2020-06-16 CN CN202010546248.3A patent/CN111738822A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325642A (zh) * | 2017-07-31 | 2019-02-12 | 北京搜狗科技发展有限公司 | 一种任务处理方法、装置、设备及机器可读存储介质 |
CN107679737A (zh) * | 2017-09-29 | 2018-02-09 | 广东掌中万维电子有限公司 | 项目推荐的方法及装置 |
CN110377819A (zh) * | 2019-06-17 | 2019-10-25 | 平安科技(深圳)有限公司 | 基于大数据的仲裁员推荐方法、装置和计算机设备 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112307081A (zh) * | 2020-10-24 | 2021-02-02 | 上海东方投资监理有限公司 | 项目预算成本管理系统、方法、电子设备及可读存储介质 |
CN112488842A (zh) * | 2020-12-14 | 2021-03-12 | 天津北晟企业服务有限公司 | 投资机构推荐方法和装置 |
CN112541691A (zh) * | 2020-12-21 | 2021-03-23 | 合肥和创讯为智能科技有限公司 | 一种基于ai的动态任职资格评定方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Amile et al. | Performance Evaluation of Banks using Fuzzy AHP and TOPSIS, Case study: State-owned Banks, Partially Private and Private Banks in Iran. | |
Anzanello et al. | Selecting the best clustering variables for grouping mass-customized products involving workers' learning | |
US11526695B2 (en) | Evaluating impact of process automation on KPIs | |
CN111738822A (zh) | 审计员推荐方法及装置 | |
Feki et al. | Big Data Analytics-enabled Supply Chain Transformation: A Literature | |
Saen | A decision model for selecting third-party reverse logistics providers in the presence of both dual-role factors and imprecise data | |
CN113537807B (zh) | 一种企业智慧风控方法及设备 | |
Eraslan et al. | An improved decision support system for ABC inventory classification | |
CN113609193A (zh) | 训练用于预测客户交易行为的预测模型的方法及装置 | |
Antonchenko et al. | Developing a methodology for assessing the efficacy of managerial decisions in entrepreneurial establishments | |
Lopes et al. | A survey of process mining competitions: the BPI challenges 2011–2018 | |
Aldahari et al. | Crowdsourcing multi-objective recommendation system | |
Bettayeb et al. | Success Factors in Adopting AI in Human Resource Management in UAE Firms: Neutrosophic Analysis | |
Elhadad | Insurance Business Enterprises' Intelligence in View of Big Data Analytics | |
Rodpysh | Model to predict the behavior of customers churn at the industry | |
Uzoka | AHP-based system for strategic evaluation of financial information | |
US20200342302A1 (en) | Cognitive forecasting | |
Chen et al. | Strategic Decision-making Processes of NPD by Hybrid Classification Model Techniques | |
ERDEM et al. | Evaluation of Supply Chain Performance Using an Integrated Two-Step Clustering and Interval Type-2 Fuzzy Topsis Method: a Case Study | |
Singh et al. | Analytical hierarchy process for justification of JIT implementations in Indian manufacturing industries | |
Hemayatkar et al. | A hybrid approach to determine the network structure of strategic criteria in carpet industries | |
ABIDAR et al. | Predicting Customer Segment Changes to Enhance Customer Retention: A Case Study for Online Retail using Machine Learning | |
Namjoshi | Study of data analytics affecting SME's for business decisions | |
Suksangaram et al. | Predicting learning organization factors that affect performance by data mining techniques | |
Abdullah | Fuzzy DEMATEL for Determining the Importance of Criteria in Computer Vendor Selection |
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 |