CN112001656A - 基于员工历史培训信息针对性进行培训课推荐的方法 - Google Patents

基于员工历史培训信息针对性进行培训课推荐的方法 Download PDF

Info

Publication number
CN112001656A
CN112001656A CN202010906490.7A CN202010906490A CN112001656A CN 112001656 A CN112001656 A CN 112001656A CN 202010906490 A CN202010906490 A CN 202010906490A CN 112001656 A CN112001656 A CN 112001656A
Authority
CN
China
Prior art keywords
training
employee
staff
matrix
ability
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
Application number
CN202010906490.7A
Other languages
English (en)
Inventor
马厚伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Hongyuan Erudite Technology Co ltd
Original Assignee
Beijing Hongyuan Erudite Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Hongyuan Erudite Technology Co ltd filed Critical Beijing Hongyuan Erudite Technology Co ltd
Priority to CN202010906490.7A priority Critical patent/CN112001656A/zh
Publication of CN112001656A publication Critical patent/CN112001656A/zh
Pending legal-status Critical Current

Links

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
    • G06N20/00—Machine learning
    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance
    • G06Q50/2057—Career enhancement or continuing education service

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Educational Administration (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Educational Technology (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及计算机技术领域，具体涉及是一种基于员工历史培训信息针对性进行培训课推荐的方法，通过以员工的能力值作为突破口，基于每个培训课程的能力标注属性，使之相匹配，然后根据选课程能力标注属性与员工个人能力值相似程度越高概率越低的原则进行判定得到深度学习模型，再基于深度学习模型进行针对性培训课推荐。解决了现有通过面谈和调研等传统模式确定培训需求，工作量大、无法全面准确地获得员工和部门的培训诉求；花费大量资源引进的课程、花费大量精力组织的员工培训对员工绩效的提升没有太大帮助；员工对自身评价、对部门岗位要求的理解存在偏差希望在繁忙工作期间参加的是有用的培训的问题。

Description

基于员工历史培训信息针对性进行培训课推荐的方法
技术领域
本发明涉及计算机技术领域，具体涉及是一种基于员工历史培训信息针对性进行培训课推荐的方法。
背景技术
信息时代，随着企业变革的不断加快，对打造高绩效团队，培养人才提出了更高要求；现有通过面谈和调研等传统模式确定培训需求，工作量大、无法全面准确地获得员工和部门的培训诉求；花费大量资源引进的课程、花费大量精力组织的员工培训对员工绩效的提升没有太大帮助；员工对自身评价、对部门岗位要求的理解存在偏差希望在繁忙工作期间参加的是有用的培训。
随着人工智能和大数据技术日益成熟，以机器学习、深度学习为基础的算法模型在准确率、召回率上均有了很大进步，基于人工智能的自适应学习技术使得企业员工个性化培训已经成为可能。
发明内容
本发明针对以上问题，提供一种基于员工历史培训信息针对性进行培训课推荐的方法。
采用的技术方案是，基于员工历史培训信息针对性进行培训课推荐的方法，包括员工能力值确定、员工训练模型的标注集生成和应用深度学习模型对员工针对性进行培训课推荐。
可选的，员工能力值确定，包括以下步骤：
S101，获取培训课程的能力标注属性，并生成描述课程的能力标注属性的矩阵A；
S102，基于员工历史培训信息生成矩阵B；
S103，对矩阵A和矩阵B做乘法，得到员工能力矩阵C；
S104，根据员工在企业内部的信息对员工的初始能力值进行回归生成调整系数，并结合员工能力矩阵C，生成调整后的员工能力值。
可选的，S101中矩阵A表述如下：
Figure BDA0002661651790000021
Figure BDA0002661651790000022
其中，m表示培训课程数量，n表示能力属性的数量。
进一步的，S102中矩阵B表述如下：
Figure BDA0002661651790000023
Figure BDA0002661651790000024
其中，m表示员工人数，n表示课程数量。
可选的，S103中矩阵C表述如下：
Figure BDA0002661651790000025
Figure BDA0002661651790000026
其中，m表示员工人数，n表示能力数目。
进一步的，员工训练模型的标注集生成，包括以下步骤：
S201，排除培训过的课程与不需要培训的课程，对每位员工生成一个待选集；
S202，以课程在员工所在部门的热门程度为权重，在待选集中进行随机选取；
S203，对随机选取的课程作概率判定，根据所选课程能力标注属性与员工个人能力值相似程度越高概率越低的原则进行判定，筛选高质量负样本，生成员工训练模型的标注集。
可选的，应用深度学习模型对员工针对性进行培训课推荐，包括以下步骤：
S301，以员工能力值、课程的能力标注属性数据作为输入，历史培训课程为输出，组成深度学习模型；
S302，训练深度学习模型；
S303，根据深度学习模型，配置推荐黑白名单、新课程和推荐数量需求，输入深度学习模型，得到对应员工的培训课推荐。
可选的，在所述S104后，还有S105员工能力值的再修正，对企业内部员工进行自我评价，以部门及以上工作单位为整体分析与计算值的差距，根据下文模型训练结果生成差值调整系数。
可选的，调整系数为表述如下：α＝[α1，α2，α3…αm]；
其中αi为某员工某能力调整系数。
本发明的有益效果至少包括以下之一；
1、通过以员工的能力值作为突破口，基于每个培训课程的能力标注属性，使之相匹配，然后根据选课程能力标注属性与员工个人能力值相似程度越高概率越低的原则进行判定得到深度学习模型，再基于深度学习模型进行针对性培训课推荐。
2、增加员工能力调整系数，基于计算机判断和人工判断相结合的方式，大幅度增加深度学习模型推荐培训课程准确度。
3、解决了现有通过面谈和调研等传统模式确定培训需求，工作量大、无法全面准确地获得员工和部门的培训诉求；花费大量资源引进的课程、花费大量精力组织的员工培训对员工绩效的提升没有太大帮助；员工对自身评价、对部门岗位要求的理解存在偏差希望在繁忙工作期间参加的是有用的培训的问题。
具体实施方式
为了使本发明的目的、技术方案及优点能够更加清晰明白，以下结合实施例对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明保护内容。
基于员工历史培训信息针对性进行培训课推荐的方法包括员工能力值确定、员工训练模型的标注集生成和应用深度学习模型对员工针对性进行培训课推荐。
其中，员工能力值确定，包括以下步骤：
S101，获取培训课程的能力标注属性，并生成描述课程的能力标注属性的矩阵A，矩阵A表述如下：
Figure BDA0002661651790000041
Figure BDA0002661651790000042
其中，m表示培训课程数量，n表示能力属性的数量；
S102，基于员工历史培训信息生成矩阵B，矩阵B表述如下：
Figure BDA0002661651790000043
Figure BDA0002661651790000051
其中，m表示员工人数，n表示课程数量；
S103，对矩阵A和矩阵B做乘法，得到员工能力矩阵C，矩阵C表述如下：
Figure BDA0002661651790000052
Figure BDA0002661651790000053
其中，m表示员工人数，n表示能力数目；
S104，根据员工在企业内部的信息对员工的初始能力值进行回归生成调整系数，并结合员工能力矩阵C，生成调整后的员工能力值。
员工训练模型的标注集生成，包括以下步骤：
S201，排除培训过的课程与不需要培训的课程，对每位员工生成一个待选集；
S202，以课程在员工所在部门的热门程度为权重，在待选集中进行随机选取；
S203，对随机选取的课程作概率判定，根据所选课程能力标注属性与员工个人能力值相似程度越高概率越低的原则进行判定，筛选高质量负样本，生成员工训练模型的标注集。
应用深度学习模型对员工针对性进行培训课推荐，包括以下步骤：
S301，以员工能力值、课程的能力标注属性数据作为输入，历史培训课程为输出，组成深度学习模型；
S302，训练深度学习模型；
S303，根据深度学习模型，配置推荐黑白名单、新课程和推荐数量需求，输入深度学习模型，得到对应员工的培训课推荐。
使用中，培训课程的能力标注属性由课程提供商与人力部门协调给出，且与员工能力值采用相同的评判标准。
通过以员工的能力值作为突破口，基于每个培训课程的能力标注属性，使之相匹配，然后根据选课程能力标注属性与员工个人能力值相似程度越高概率越低的原则进行判定得到深度学习模型，再基于深度学习模型进行针对性培训课推荐。解决了现有通过面谈和调研等传统模式确定培训需求，工作量大、无法全面准确地获得员工和部门的培训诉求；花费大量资源引进的课程、花费大量精力组织的员工培训对员工绩效的提升没有太大帮助；员工对自身评价、对部门岗位要求的理解存在偏差希望在繁忙工作期间参加的是有用的培训的问题。
同时，为了进一步提高推荐课程的准确性，本申请基于员工历史培训信息针对性进行培训课推荐的方法包括员工能力值确定、员工训练模型的标注集生成和应用深度学习模型对员工针对性进行培训课推荐。
其中，员工能力值确定，包括以下步骤：
S101，获取培训课程的能力标注属性，并生成描述课程的能力标注属性的矩阵A，矩阵A表述如下：
Figure BDA0002661651790000061
Figure BDA0002661651790000062
其中，m表示培训课程数量，n表示能力属性的数量；
S102，基于员工历史培训信息生成矩阵B，矩阵B表述如下：
Figure BDA0002661651790000071
Figure BDA0002661651790000072
其中，m表示员工人数，n表示课程数量；
S103，对矩阵A和矩阵B做乘法，得到员工能力矩阵C，矩阵C表述如下：
Figure BDA0002661651790000073
Figure BDA0002661651790000074
其中，m表示员工人数，n表示能力数目；
S104，根据员工在企业内部的信息对员工的初始能力值进行回归生成调整系数，并结合员工能力矩阵C，生成调整后的员工能力值；
S105，员工能力值的再修正，对企业内部员工进行自我评价，以部门及以上工作单位为整体分析与计算值的差距，根据下文模型训练结果生成差值调整系数，调整系数为表述如下：α＝[α1，α2，α3…αm]
其中αi为某员工某能力调整系数。
员工训练模型的标注集生成，包括以下步骤：
S201，排除培训过的课程与不需要培训的课程，对每位员工生成一个待选集；
S202，以课程在员工所在部门的热门程度为权重，在待选集中进行随机选取；
S203，对随机选取的课程作概率判定，根据所选课程能力标注属性与员工个人能力值相似程度越高概率越低的原则进行判定，筛选高质量负样本，生成员工训练模型的标注集。
应用深度学习模型对员工针对性进行培训课推荐，包括以下步骤：
S301，以员工能力值、课程的能力标注属性数据作为输入，历史培训课程为输出，组成深度学习模型；
S302，训练深度学习模型；
S303，根据深度学习模型，配置推荐黑白名单、新课程和推荐数量需求，输入深度学习模型，得到对应员工的培训课推荐。
使用中，增加员工能力调整系数，基于计算机判断和人工判断相结合的方式，大幅度增加深度学习模型推荐培训课程准确度，即员工等人工能够根据自身实际情况进行调整自身能力值。

Claims (9)

1.基于员工历史培训信息针对性进行培训课推荐的方法，其特征在于：包括员工能力值确定、员工训练模型的标注集生成和应用深度学习模型对员工针对性进行培训课推荐。
2.根据权利要求1所述的基于员工历史培训信息针对性进行培训课推荐的方法，其特征在于：所述员工能力值确定，包括以下步骤：
S101，获取培训课程的能力标注属性，并生成描述课程的能力标注属性的矩阵A；
S102，基于员工历史培训信息生成矩阵B；
S103，对矩阵A和矩阵B做乘法，得到员工能力矩阵C；
S104，根据员工在企业内部的信息对员工的初始能力值进行回归生成调整系数，并结合员工能力矩阵C，生成调整后的员工能力值。
3.根据权利要求2所述的基于员工历史培训信息针对性进行培训课推荐的方法，其特征在于：所述S101中矩阵A表述如下：
Figure FDA0002661651780000011
Figure FDA0002661651780000012
其中，m表示培训课程数量，n表示能力属性的数量。
4.根据权利要求3所述的基于员工历史培训信息针对性进行培训课推荐的方法，其特征在于：所述S102中矩阵B表述如下：
Figure FDA0002661651780000013
Figure FDA0002661651780000014
其中，m表示员工人数，n表示课程数量。
5.根据权利要求4所述的基于员工历史培训信息针对性进行培训课推荐的方法，其特征在于：所述S103中矩阵C表述如下：
Figure FDA0002661651780000021
Figure FDA0002661651780000022
其中，m表示员工人数，n表示能力数目。
6.根据权利要求5所述的基于员工历史培训信息针对性进行培训课推荐的方法，其特征在于：所述员工训练模型的标注集生成，包括以下步骤：
S201，排除培训过的课程与不需要培训的课程，对每位员工生成一个待选集；
S202，以课程在员工所在部门的热门程度为权重，在待选集中进行随机选取；
S203，对随机选取的课程作概率判定，根据所选课程能力标注属性与员工个人能力值相似程度越高概率越低的原则进行判定，筛选高质量负样本，生成员工训练模型的标注集。
7.根据权利要求6所述的基于员工历史培训信息针对性进行培训课推荐的方法，其特征在于：所述应用深度学习模型对员工针对性进行培训课推荐，包括以下步骤：
S301，以员工能力值、课程的能力标注属性数据作为输入，历史培训课程为输出，组成深度学习模型；
S302，训练深度学习模型；
S303，根据深度学习模型，配置推荐黑白名单、新课程和推荐数量需求，输入深度学习模型，得到对应员工的培训课推荐。
8.根据权利要求7所述的基于员工历史培训信息针对性进行培训课推荐的方法，其特征在于：在所述S104后，还有S105员工能力值的再修正，对企业内部员工进行自我评价，以部门及以上工作单位为整体分析与计算值的差距，根据下文模型训练结果生成差值调整系数。
9.根据权利要求7所述的基于员工历史培训信息针对性进行培训课推荐的方法，其特征在于：所述调整系数为表述如下：α＝[α1,α2,α3…αm]
其中αi为某员工某能力调整系数。
CN202010906490.7A 2020-09-01 2020-09-01 基于员工历史培训信息针对性进行培训课推荐的方法 Pending CN112001656A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010906490.7A CN112001656A (zh) 2020-09-01 2020-09-01 基于员工历史培训信息针对性进行培训课推荐的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010906490.7A CN112001656A (zh) 2020-09-01 2020-09-01 基于员工历史培训信息针对性进行培训课推荐的方法

Publications (1)

Publication Number Publication Date
CN112001656A true CN112001656A (zh) 2020-11-27

Family

ID=73465568

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010906490.7A Pending CN112001656A (zh) 2020-09-01 2020-09-01 基于员工历史培训信息针对性进行培训课推荐的方法

Country Status (1)

Country Link
CN (1) CN112001656A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112528158A (zh) * 2020-12-24 2021-03-19 北京百度网讯科技有限公司 课程推荐方法、装置、设备及存储介质
CN112767009A (zh) * 2020-12-31 2021-05-07 上海梦创双杨数据科技股份有限公司 基于微信公众号培训报名的培训项目推荐方法
CN113505606A (zh) * 2021-09-10 2021-10-15 北京明略昭辉科技有限公司 一种培训信息获取方法、装置、电子设备及存储介质
CN113888375A (zh) * 2021-09-28 2022-01-04 深圳开源互联网安全技术有限公司 一种研发人员安全能力确定方法、装置及系统
WO2022141968A1 (zh) * 2020-12-28 2022-07-07 北京百度网讯科技有限公司 对象推荐方法及装置、计算机设备和介质
CN115841402A (zh) * 2022-11-24 2023-03-24 中安华邦(北京)安全生产技术研究院股份有限公司 一种针对安全生产的数字化培训方法、系统、介质及设备
CN118312677A (zh) * 2024-05-09 2024-07-09 南京邮电大学 一种基于企业员工技能培训历史偏好的个性化培训推荐方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106407237A (zh) * 2015-08-03 2017-02-15 科大讯飞股份有限公司 在线学习试题推荐方法及系统
CN106528656A (zh) * 2016-10-20 2017-03-22 杨瀛 一种基于学员历史和实时学习状态参量实现课程推荐的方法和系统
CN109543841A (zh) * 2018-11-09 2019-03-29 北京泊远网络科技有限公司 深度学习方法、装置、电子设备及计算机可读介质
CN110377804A (zh) * 2019-06-20 2019-10-25 平安科技（深圳）有限公司 培训课程数据的推送方法、装置、系统及存储介质
CN110609960A (zh) * 2019-09-25 2019-12-24 华中师范大学 学习资源推荐方法、装置、数据处理设备及存储介质
CN111460249A (zh) * 2020-02-24 2020-07-28 桂林电子科技大学 一种基于学习者偏好建模的个性化学习资源推荐方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106407237A (zh) * 2015-08-03 2017-02-15 科大讯飞股份有限公司 在线学习试题推荐方法及系统
CN106528656A (zh) * 2016-10-20 2017-03-22 杨瀛 一种基于学员历史和实时学习状态参量实现课程推荐的方法和系统
CN109543841A (zh) * 2018-11-09 2019-03-29 北京泊远网络科技有限公司 深度学习方法、装置、电子设备及计算机可读介质
CN110377804A (zh) * 2019-06-20 2019-10-25 平安科技（深圳）有限公司 培训课程数据的推送方法、装置、系统及存储介质
CN110609960A (zh) * 2019-09-25 2019-12-24 华中师范大学 学习资源推荐方法、装置、数据处理设备及存储介质
CN111460249A (zh) * 2020-02-24 2020-07-28 桂林电子科技大学 一种基于学习者偏好建模的个性化学习资源推荐方法

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112528158A (zh) * 2020-12-24 2021-03-19 北京百度网讯科技有限公司 课程推荐方法、装置、设备及存储介质
CN112528158B (zh) * 2020-12-24 2023-08-11 北京百度网讯科技有限公司 课程推荐方法、装置、设备及存储介质
WO2022141968A1 (zh) * 2020-12-28 2022-07-07 北京百度网讯科技有限公司 对象推荐方法及装置、计算机设备和介质
US11553048B2 (en) 2020-12-28 2023-01-10 Beijing Baidu Netcom Science And Technology Co., Ltd. Method and apparatus, computer device and medium
CN112767009A (zh) * 2020-12-31 2021-05-07 上海梦创双杨数据科技股份有限公司 基于微信公众号培训报名的培训项目推荐方法
CN112767009B (zh) * 2020-12-31 2023-07-18 上海梦创双杨数据科技股份有限公司 基于微信公众号培训报名的培训项目推荐方法
CN113505606A (zh) * 2021-09-10 2021-10-15 北京明略昭辉科技有限公司 一种培训信息获取方法、装置、电子设备及存储介质
CN113888375A (zh) * 2021-09-28 2022-01-04 深圳开源互联网安全技术有限公司 一种研发人员安全能力确定方法、装置及系统
CN115841402A (zh) * 2022-11-24 2023-03-24 中安华邦(北京)安全生产技术研究院股份有限公司 一种针对安全生产的数字化培训方法、系统、介质及设备
CN115841402B (zh) * 2022-11-24 2024-01-23 中安华邦(北京)安全生产技术研究院股份有限公司 一种针对安全生产的数字化培训方法、系统、介质及设备
CN118312677A (zh) * 2024-05-09 2024-07-09 南京邮电大学 一种基于企业员工技能培训历史偏好的个性化培训推荐方法
CN118312677B (zh) * 2024-05-09 2024-10-01 南京邮电大学 一种基于企业员工技能培训历史偏好的个性化培训推荐方法

Similar Documents

Publication Publication Date Title
CN112001656A (zh) 基于员工历史培训信息针对性进行培训课推荐的方法
CN102521656B (zh) 非平衡样本分类的集成迁移学习方法
CN107609084B (zh) 一种基于群智汇聚收敛的资源关联方法
CN111309927B (zh) 一种基于知识图谱挖掘的个性化学习路径推荐方法及系统
US20220327398A1 (en) Technology maturity judgment method and system based on science and technology data
CN107368521A (zh) 一种基于大数据和深度学习的知识推介方法及系统
CN111523768A (zh) 一种基于熵权-topsis的广义需求侧资源品质评价方法
CN117993772A (zh) 一种基于知识图谱的众包数据采集方法、系统及电子设备
Zhao et al. Personalized learning design of ideology and politics of distance education courses based on big data
Huang et al. Semantic web enabled personalized recommendation for learning paths and experiences
Qian et al. Optimization of teacher evaluation indicator system based on fuzzy-DEMATEL-BP
CN109272233A (zh) 一种基于二型模糊集合的员工胜任力评估方法
Yang et al. [Retracted] A Classification Technique for English Teaching Resources and Merging Using Swarm Intelligence Algorithm
CN112712282A (zh) 一种面向众包市场的基于适应度的任务分配方法
CN113657787A (zh) 基于学生能力匹配的众包测试任务分配方法
Sun et al. Construction and evaluation of modern agricultural processing industrial upgrading model
Anggawidjaja et al. WORKFORCE GROUPING IN COMPLETING PROJECTS WITH INTERN WORK ACTIVITY LOG DATA
Chen Research on the Application of Management Decision Prediction Based on Machine Learning in Education System
Xie Research on Enterprise Human Resource Management Under the Background of Big Data
CN115829342A (zh) 一种水泥行业节能减排战略的制定方法及生成系统
Chen Deep Learning Algorithm for Online College Physical Education Teaching with Flipping Classroom
Xu Online Platform Innovation of Targeted Training in College Education based on Multi-Dimensional Information Data Mining
Ahamed et al. Prediction of Student's Interest on Sports for Classification using Bi-Directional Long Short Term Memory Model
Wang et al. Competency Model of College Students’ Innovation and Entrepreneurship from the Perspective of Deep Learning
Yang Talent Recommendation Model of School-enterprise Cooperation Based on Big Data Technology

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20201127