CN112365202B - 一种多目标对象的评价因子筛选方法及其相关设备 - Google Patents

Abstract

本申请属于大数据技术领域，涉及一种多目标对象的评价因子筛选方法及其相关设备，所述方法包括:读取全部目标对象的结果数据和过程数据，从中提取若干指标的信息，该信息包括指标名；基于各指标的特征向量生成表征所有目标对象的全部指标的特征矩阵输入预设的基于MLP算法的分类模型中，得到多个分类维度的指标集合；对各指标集合中的指标依次进行数据质量筛选、指标重要性筛选和指标自相关性筛选，将筛选预设条件的指标作为评价因子，得到多个分类维度的评价因子集合。此外，本申请还涉及区块链技术，结果数据和过程数据中的保密信息可存储于区块链中。本申请分为多个维度对目标对象的评价更加全面，前瞻性强，可在任意时间点上进行动态评价。

Description

一种多目标对象的评价因子筛选方法及其相关设备

技术领域

本申请涉及大数据技术领域，具体涉及多目标对象的评价因子筛选方法、装置、计算机设备及存储介质。

背景技术

目前在对实体机构这类目标对象进行评价采用的评价指标不充分，主观性强，难以通过技术手段把沉淀的数据进行整合并计算出各种指标对于目标对象的目标指标的相关性，即无法对目标对象的原子粒度数据进行充分的使用和挖掘，且难以挖掘前瞻性的评价数据，评价滞后性较强，此外现有评价过程难以系统化和自动化，无法在不同的时间点上基于目标对象的动态数据进行动态评价。

发明内容

本申请实施例的目的在于提出一种多目标对象的评价因子筛选方法、装置、计算机设备及存储介质，以解决现有技术中对实体机构这类目标对象进行评价时无法对目标对象的原子粒度数据进行充分的使用和挖掘，且难以挖掘前瞻性的评价数据，评价滞后性较强的问题。

为了解决上述技术问题，本申请实施例提供一种多目标对象的评价因子筛选方法，采用了如下所述的技术实施例：

一种多目标对象的评价因子筛选方法，包括下述步骤：

根据评价因子筛选指令读取全部目标对象的结果数据和过程数据，从所述结果数据和所述过程数据中提取若干指标的信息，所述指标的信息至少包括指标名；

对各所述指标的信息进行向量化处理，得到各所述指标的特征向量，并基于各所述特征向量生成表征各所述目标对象的特征矩阵，将所述特征矩阵作为入模特征输入预设的基于MLP算法的分类模型中，输出各所述指标的分类结果，得到多个分类维度的指标集合；

对各所述指标集合中的指标依次进行数据质量筛选、指标重要性筛选和指标自相关性筛选，将所述数据质量、所述指标重要性和所述指标自相关性均满足预设条件的指标作为评价因子，得到多个分类维度的评价因子集合，以根据各所述评价因子集合进行评价因子的分布计算，并基于分布计算结果对各所述目标对象进行对应评价。

在一些实施例中，所述从所述结果数据和所述过程数据中提取若干指标的信息包括:

判断所述结果数据和所述过程数据的数据类型，所述数据类型包括结构化数据和非结构化数据；当判定为结构化数据时，从其对应的数据表中提取若干表字段，当判定为非结构化数据时执行数据转换操作，对转换后的数据执行分词操作，得到若干分词；将所述若干分词和所述表字段进行指标名匹配，将同义的不同分词或表字段映射至同一个字段，得到若干指标名，即得到若干指标的信息。

在一些实施例中，所述指标的信息还包括指标来源、指标均值和指标中位数，所述对各所述指标的信息进行向量化处理，得到各所述指标的特征向量，并基于各所述特征向量生成表征各所述目标对象的特征矩阵包括：

将各所述指标名转换为one-hot向量，将各所述指标名的one-hot向量作为预设的Word-to-Vector模型的输入进行降维处理，输出各所述指标名的低维词向量，并对所述指标来源进行赋值操作；

将所述指标名的低维词向量、赋值后的指标来源、指标均值和指标中位数根据一定的拼接顺序进行拼接得到每个所述指标的特征向量，再将各所述特征向量进行拼接得到所述特征矩阵。

在一些实施例中，在所述将所述特征矩阵作为入模特征输入预设的基于MLP算法的分类模型中之前，所述方法还包括：

从提取的若干指标中随机筛选出预设数量的指标，将其对应的数据发送至目标处理端，并接收所述目标处理端反馈的所述预设数量的指标对应的数据的分类标注信息；将具有分类标注信息的所述预设数量的指标的数据随机划分为训练集和测试集，将所述训练集作为基于MLP算法的分类模型的模型输入进行模型训练，待训练结束后通过所述测试集进行模型验证，当模型验证结果满足预设条件时完成训练，得到所述预设的基于MLP算法的分类模型。

在一些实施例中，所述对各所述指标集合中的指标依次进行数据质量筛选、指标重要性筛选和指标自相关性筛选包括：

获取各所述指标集合中的指标的数据的非空比例，计算各所述指标集合的指标与对应的目标对象的目标指标的相关系数，并计算各所述指标集合的指标之间的自相关系数；根据所述数据的非空比例、所述相关系数和所述自相关系数依次进行数据质量筛选、指标重要性筛选和指标自相关性筛选。

在一些实施例中，所述方法还包括：

当所述结果数据或所述过程数据存在数据更新时，根据更新的数据提取新的指标，并将新提取的指标与已有指标进行比较，判断是否有新增的指标；

当存在新增的指标时，根据所述新增的指标和已有指标生成对应的特征矩阵，并输入所述预设的基于MLP算法的分类模型进行指标分类，得到所述新增的指标所属的分类维度；

获取分类后的所述新增的指标的数据非空比例及与对应的目标对象的目标指标的相关系数，以进行所述数据质量筛选和所述指标重要性筛选，并在满足数据质量和指标重要性条件时，计算所述新增的指标与所属分类维度中的各目标因子的自相关系数，当得到的自相关系数满足指标自相关性条件时将新增的指标加入所属分类维度对应的评价因子集合中。

在一些实施例中，所述根据各所述评价因子集合进行评价因子的分布计算包括：

获取多个数据采集时间节点，基于所述多个数据采集时间节点获取多个目标时间段内的结果数据和过程数据，得到每个分类维度的多个评价因子的数据集合，再根据各所述评价因子的数据集合得到各所述目标对象的一组评价值，并根据该组评价值进行各所述评价因子的分布计算。

为了解决上述技术问题，本申请实施例还提供一种多目标对象的评价因子筛选装置，采用了如下所述的技术实施例：

一种多目标对象的评价因子筛选装置，包括：

提取模块，用于根据评价因子筛选指令读取全部目标对象的结果数据和过程数据，从所述结果数据和所述过程数据中提取若干指标的信息，所述指标的信息至少包括指标名；

分类模块，用于对各所述指标的信息进行向量化处理，得到各所述指标的特征向量，并基于各所述特征向量生成表征各所述目标对象的特征矩阵，将所述特征矩阵作为入模特征输入预设的基于MLP算法的分类模型中，输出各所述指标的分类结果，得到多个分类维度的指标集合；

筛选模块，用于对各所述指标集合中的指标依次进行数据质量筛选、指标重要性筛选和指标自相关性筛选，将所述数据质量、所述指标重要性和所述指标自相关性均满足预设条件的指标作为评价因子，得到多个分类维度的评价因子集合，以根据各所述评价因子集合进行评价因子的分布计算，并基于分布计算结果对各所述目标对象进行对应评价。

为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术实施例：

一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如上所述的多目标对象的评价因子筛选方法的步骤。

为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术实施例：

一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上所述的多目标对象的评价因子筛选方法的步骤。

与现有技术相比，本申请实施例提供的多目标对象的评价因子筛选方法、装置、计算机设备及存储介质主要有以下有益效果：

采用本实施例可以针对目标对象的所有指标的提取，通过基于MLP算法的分类模型实现各指标自动分类，再基于指标的数据质量、重要性及自相关性进行指标筛选得到评价因子，节省了筛选指标所需的时间，提高了效率，且筛选指标的过程中充分考虑了指标的区分性以及对评价目标对象的贡献性，指标之间彼此互斥，避免了重复指标对目标对象的评价，并且将筛选得到的评价因子分为多个维度，对目标对象的评价更加全面，前瞻性强，可在任意时间点上进行动态评价，同时易于实现程序化和系统化，便于对目标对象的管理监测。

附图说明

为了更清楚地说明本申请中的实施例，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，下面描述中的附图对应于本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的多目标对象的评价因子筛选方法的一个实施例的流程图；

图3是根据本申请的多目标对象的评价因子筛选装置的一个实施例的结构示意图；

图4是根据本申请的计算机设备的一个实施例的结构示意图。

具体实施方式

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

为了使本技术领域的人员更好地理解本申请实施例，下面将结合附图，对本申请实施例中的技术实施例进行清楚、完整地描述。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器( Moving PictureExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3 )、MP4( MovingPictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4 )播放器、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。

需要说明的是，本申请实施例所提供的多目标对象的评价因子筛选方法一般由服务器执行，相应地，多目标对象的评价因子筛选装置一般设置于服务器中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，其示出了根据本申请的多目标对象的评价因子筛选方法的一个实施例的流程图。所述的多目标对象的评价因子筛选方法包括以下步骤：

S201，根据评价因子筛选指令读取全部目标对象的结果数据和过程数据，从所述结果数据和所述过程数据中提取若干指标的信息，所述指标的信息至少包括指标名；

S202，对各所述指标的信息进行向量化处理，得到各所述指标的特征向量，并基于各所述特征向量生成表征各所述目标对象的特征矩阵，将所述特征矩阵作为入模特征输入预设的基于MLP算法的分类模型中，输出各所述指标的分类结果，得到多个分类维度的指标集合；

S203，对各所述指标集合中的指标依次进行数据质量筛选、指标重要性筛选和指标自相关性筛选，将所述数据质量、所述指标重要性和所述指标自相关性均满足预设条件的指标作为评价因子，得到多个分类维度的评价因子集合，以根据各所述评价因子集合进行评价因子的分布计算，并基于分布计算结果对各所述目标对象进行对应评价。

下面对上述步骤进行展开说明。

对于步骤S201，在本实施例中，目标对象的结果数据为与目标对象相关的操作或者任务的最终输出数据，而过程数据为与目标对象相关的操作或任务的执行过程中与操作或任务相关联的附加数据，具体的，目标对象以销售型的营业单位为例，营业单位的结果数据可以是与销售任务相关的销售额、销售人力、销售年化增长率、人员留存率、人均销售产品数量等指标数据，营业单位的过程数据则可以是与销售任务相关的日常经营过程数据，比如会议数据、培训数据等指标数据。在本实施例中可以通过构建数据中台，全方位收集追踪目标对象的各种数据，在执行本步骤时从数据中台中读取相关指标数据，再从指标数据中提取若干指标的信息，其中指标的信息可以包括指标名。

在一些实施例中，所述从所述结果数据和所述过程数据中提取若干指标的信息包括:判断所述结果数据和所述过程数据的数据类型，所述数据类型包括结构化数据和非结构化数据；当判定为结构化数据时，从其对应的数据表中提取若干表字段，当判定为非结构化数据时执行数据转换操作，对转换后的数据执行分词操作，得到若干分词；将所述若干分词和所述表字段进行指标名匹配，将同义的不同分词或表字段映射至同一个字段，得到若干指标名，即得到若干指标的信息。具体的，对于结构化的数据，可以直接从数据表中提取表字段用作指标名的选取，对于非结构化数据，比如音视频数据或文本数据（如销售单位日常报表，汇报材料等），在进行指标提取时，对于音视频数据可以先通过语音识别转换为文本数据，再对文本数据进行分词操作，对语料进行分词；在得到若干表字段和分词后，并将分词结果和表字段进行指标匹配，匹配的目的是将多个同义的不同词映射至一个词，比如指标叫“销售金额”，文本分词的结果是“销售额”，则根据文本相似性将“销售额”这个文本匹配到“销售金额”这个指标，基于匹配结果生成一个字典，该字典中的词即为各指标的指标名。

对于步骤S202，在一些实施例中，所述指标的信息还包括指标来源、指标均值和指标中位数，所述对各所述指标的信息进行向量化处理，得到各所述指标的特征向量，并基于各所述特征向量生成表征各所述目标对象的特征矩阵包括：将各所述指标名转换为one-hot向量，将各所述指标名的one-hot向量作为预设的Word-to-Vector模型的输入进行降维处理，输出各所述指标名的低维词向量，并对所述指标来源进行赋值操作；将所述指标名的低维词向量、赋值后的指标来源、指标均值和指标中位数根据一定的拼接顺序进行拼接得到每个所述指标的特征向量，再将各所述特征向量进行拼接得到所述特征矩阵。具体的，例如上述步骤得到一个共有500个指标名的字典，则每个指标名可以生成一个500维的向量，每一维代表字典中的一个指标名，则指标名仅在其对应的维度数值为1，其他维度都为0，再将每个指标名的one-hot向量作为Word-to-Vector模型的输入，进行降维处理，得到低维词向量，同时对指标来源进行赋值，比如有三个来源，则可分别赋予1，2，3，指标均值和指标中位值为数值，无需再赋值，再按照[指标名，指标来源，指标均值，指标中位数]的方式进行拼接，即得到每个指标的特征向量，在生成特征向量后，通过将各特征向量进行拼接即得到特征矩阵，需要说明的是，指标名，指标来源，指标均值，指标中位数的拼接顺序可以是任意顺序。

在一些实施例中，在所述将所述特征矩阵作为入模特征输入预设的基于MLP算法的分类模型中之前，所述方法还包括：从提取的若干指标中随机筛选出预设数量的指标，将其对应的数据发送至目标处理端，并接收所述目标处理端反馈的所述预设数量的指标对应的数据的分类标注信息；将具有分类标注信息的所述预设数量的指标的数据随机划分为训练集和测试集，将所述训练集作为基于MLP算法的分类模型的模型输入进行模型训练，待训练结束后通过所述测试集进行模型验证，当模型验证结果满足预设条件时完成训练，得到所述预设的基于MLP算法的分类模型。其中，上述实施例的MLP（Multi-Layer Perceptron）是指多层感知机，多层感知机基于反向人工神经网络，含有多层节点，每层节点与网络的下一层节点完全连接，输入层的节点代表输入数据，其他层的节点通过将输入数据与层上节点的权重w以及偏差b线性组合且应用一个激活函数，得到该层输出，多层感知机通过方向传播来学习模型，可以获得每个指标属于预设的各指标类型的概率，取每个指标概率最大的指标类型作为该指标的最终归类。在本实施例中，预设的指标类型可以根据实际情况确定，以形成多个分类维度，目标对象以销售型的营业单位为例，预设的指标类型可以包括业绩指标、质量指标和行为指标三个分类维度，其中业绩指标指直接反映营业单位业绩的指标，如销售额、销售人力、销售年化增长率等；质量指标指反映营业单位营业质量的指标，如人员留存率、人均销售产品数量等；行为指标是指不直接反映业绩，而是营业单位日常经营过程中产生的指标，如会议数据（参加会议比例）、培训数据（参加培训比例）等。

对于步骤S203，在一些实施例中，所述对各所述指标集合中的指标依次进行数据质量筛选、指标重要性筛选和指标自相关性筛选包括：获取各所述指标集合中的指标的数据的非空比例，计算各所述指标集合的指标与对应的目标对象的目标指标的相关系数，并计算各所述指标集合的指标之间的自相关系数；根据所述数据的非空比例、所述相关系数和所述自相关系数依次进行数据质量筛选、指标重要性筛选和指标自相关性筛选。通过本步骤可归类到各分类维度的指标进行进一步筛选，即对每个指标集合中的指标依次进行数据质量筛选、指标重要性筛选和指标自相关性筛选。

具体的，数据质量筛选包括数据饱和度筛选，饱和度指的是该指标的非空比例，通过选择数据饱和度达到预设阈值（比如70%）的指标进行指标筛选。

指标重要性筛选为计算各个指标与目标对象的目标指标的相关系数，比如对于营业单位，指标重要性筛选为计算各个指标与最终业绩的相关系数，具体的，相关系数的计算公式如下:

其中X表示待筛选的指标，Y表示目标对象的目标指标，

为指标集合中各待筛选的指标的平均值，

为所有目标指标的平均值，n表示指标集合中各待筛选的指标和目标指标的数量，

分别表示X和Y的标准差，r为计算出的待筛选指标与目标指标的相关性，在基于指标进行重要性筛选时，选择与目标指标的相关性达到预设阈值（比如相关性阈值为0.5）的指标进行指标筛选。

指标自相关性筛选为计算各指标之间的自相关系数，此处可复用上述的相关系数的计算公式，在计算自相关系数时，区别在于上述公式中的X和Y分别表示不同的待筛选的指标，计算每个指标与其他指标的两两相关性，尽量选择与其他指标差异性大的指标，避免选出重复的指标。

通过上述筛选过程，最终在每个分类维度可筛选出最能反映对应维度的多个（比如5-30个）指标，以作为评价因子。在通过评价因子对多个目标对象进行评价时，计算每个评价因子的分布，根据目标对象的评价因子在全部目标对象的排名进行赋分，实现对目标对象的评价。以营业单位为例，则为根据营业单位的评价因子在全体营业单位的排名进行赋分，如营业单位A某评价因子P在所有营业单位排名前5%，赋予10分，营业单位B该评价因子P在所有营业单位排名前50%，赋予5分，以此类推，具体的赋分形式可以根据实际要求选择，在此不做限定。

在一些实施例中，所述方法还包括：当所述结果数据或所述过程数据存在数据更新时，根据更新的数据提取新的指标，并将新提取的指标与已有指标进行比较，判断是否有新增的指标；当存在新增的指标时，根据所述新增的指标和已有指标生成对应的特征矩阵，并输入所述预设的基于MLP算法的分类模型进行指标分类，得到所述新增的指标所属的分类维度；获取分类后的所述新增的指标的数据非空比例及与对应的目标对象的目标指标的相关系数，以进行所述数据质量筛选和所述指标重要性筛选，并在满足数据质量和指标重要性条件时，计算所述新增的指标与所属分类维度中的各目标因子的自相关系数，当得到的自相关系数满足指标自相关性条件时将新增的指标加入所属分类维度对应的评价因子集合中。通过本步骤可以实现在任意时间点上进行动态评价。

在一些实施例中，所述根据各所述评价因子集合进行评价因子的分布计算包括：获取多个数据采集时间节点，基于所述多个数据采集时间节点获取多个目标时间段内的结果数据和过程数据，得到每个分类维度的多个评价因子的数据集合，再根据各所述评价因子的数据集合得到各所述目标对象的一组评价值，并根据该组评价值进行各所述评价因子的分布计算。采用本步骤对于目标对象的评价准确性更高，可以降低时间因素对评价带来的影响。

本申请提供的多目标对象的评价因子筛选方法，可以针对目标对象的所有指标的提取，通过基于MLP算法的分类模型实现各指标自动分类，再基于指标的数据质量、重要性及自相关性进行指标筛选得到评价因子，节省了筛选指标所需的时间，提高了效率，且筛选指标的过程中充分考虑了指标的区分性以及对评价目标对象的贡献性，指标之间彼此互斥，避免了重复指标对目标对象的评价，并且将筛选得到的评价因子分为多个维度，对目标对象的评价更加全面，前瞻性强，可在任意时间点上进行动态评价，同时易于实现程序化和系统化，便于对目标对象的管理监测。

需要强调的是，为进一步保证信息的私密和安全性，上述实施例中的过程数据和结果数据中的保密信息还可以存储于一区块链的节点中。本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）等非易失性存储介质，或随机存储记忆体（Random Access Memory，RAM）等。

应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

进一步参考图3，作为对上述图2所示方法的实现，本申请提供了一种多目标对象的评价因子筛选装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图3所示，本实施例所述的多目标对象的评价因子筛选装置包括：提取模块301、分类模块302以及筛选模块303。

其中，所述提取模块301用于根据评价因子筛选指令读取全部目标对象的结果数据和过程数据，从所述结果数据和所述过程数据中提取若干指标的信息，所述指标的信息至少包括指标名；所述分类模块302用于对各所述指标的信息进行向量化处理，得到各所述指标的特征向量，并基于各所述特征向量生成表征各所述目标对象的特征矩阵，将所述特征矩阵作为入模特征输入预设的基于MLP算法的分类模型中，输出各所述指标的分类结果，得到多个分类维度的指标集合；所述筛选模块303用于对各所述指标集合中的指标依次进行数据质量筛选、指标重要性筛选和指标自相关性筛选，将所述数据质量、所述指标重要性和所述指标自相关性均满足预设条件的指标作为评价因子，得到多个分类维度的评价因子集合，以根据各所述评价因子集合进行评价因子的分布计算，并基于分布计算结果对各所述目标对象进行对应评价。

在本实施例中，所述提取模块301读取的目标对象的结果数据为与目标对象相关的操作或者任务的最终输出数据，而过程数据为与目标对象相关的操作或任务的执行过程中与操作或任务相关联的附加数据，具体可参考上述方法实施例，在此不作展开。

在一些实施例中，所述提取模块301从所述结果数据和所述过程数据中提取若干指标的信息包括:判断所述结果数据和所述过程数据的数据类型，所述数据类型包括结构化数据和非结构化数据；当判定为结构化数据时，从其对应的数据表中提取若干表字段，当判定为非结构化数据时执行数据转换操作，对转换后的数据执行分词操作，得到若干分词；将所述若干分词和所述表字段进行指标名匹配，将同义的不同分词或表字段映射至同一个字段，得到若干指标名，即得到若干指标的信息。

在一些实施例中，所述提取模块301提取的指标的信息还包括指标来源、指标均值和指标中位数，所述分类模块302对各所述指标的信息进行向量化处理，得到各所述指标的特征向量，并基于各所述特征向量生成表征各所述目标对象的特征矩阵时，具体用于将各所述指标名转换为one-hot向量，将各所述指标名的one-hot向量作为预设的Word-to-Vector模型的输入进行降维处理，输出各所述指标名的低维词向量，并对所述指标来源进行赋值操作；将所述指标名的低维词向量、赋值后的指标来源、指标均值和指标中位数根据一定的拼接顺序进行拼接得到每个所述指标的特征向量，再将各所述特征向量进行拼接得到所述特征矩阵。具体可参考上述方法实施例，在此不作展开。

在一些实施例中，所述装置还包括模型训练模块，用于在所述分类模块302将所述特征矩阵作为入模特征输入预设的基于MLP算法的分类模型中之前，从提取的若干指标中随机筛选出预设数量的指标，将其对应的数据发送至目标处理端，并接收所述目标处理端反馈的所述预设数量的指标对应的数据的分类标注信息；将具有分类标注信息的所述预设数量的指标的数据随机划分为训练集和测试集，将所述训练集作为基于MLP算法的分类模型的模型输入进行模型训练，待训练结束后通过所述测试集进行模型验证，当模型验证结果满足预设条件时完成训练，得到所述预设的基于MLP算法的分类模型。具体可参考上述方法实施例，在此不作展开。

在一些实施例中，所述筛选模块303对各所述指标集合中的指标依次进行数据质量筛选、指标重要性筛选和指标自相关性筛选时，具体用于获取各所述指标集合中的指标的数据的非空比例，计算各所述指标集合的指标与对应的目标对象的目标指标的相关系数，并计算各所述指标集合的指标之间的自相关系数；根据所述数据的非空比例、所述相关系数和所述自相关系数依次进行数据质量筛选、指标重要性筛选和指标自相关性筛选。通过本步骤可归类到各分类维度的指标进行进一步筛选，即对每个指标集合中的指标依次进行数据质量筛选、指标重要性筛选和指标自相关性筛选。具体可参考上述方法实施例，在此不作展开。

在一些实施例中，所述提取模块301还用于当所述结果数据或所述过程数据存在数据更新时，根据更新的数据提取新的指标，并将新提取的指标与已有指标进行比较，判断是否有新增的指标；当存在新增的指标时，所述分类模块302还用于根据所述新增的指标和已有指标生成对应的特征矩阵，并输入所述预设的基于MLP算法的分类模型进行指标分类，得到所述新增的指标所属的分类维度；所述筛选模块303还用于获取分类后的所述新增的指标的数据非空比例及与对应的目标对象的目标指标的相关系数，以进行所述数据质量筛选和所述指标重要性筛选，并在满足数据质量和指标重要性条件时，计算所述新增的指标与所属分类维度中的各目标因子的自相关系数，当得到的自相关系数满足指标自相关性条件时将新增的指标加入所属分类维度对应的评价因子集合中。由此可以实现在任意时间点上进行动态评价。

在一些实施例中，所述筛选模块303根据各所述评价因子集合进行评价因子的分布计算时，用于获取多个数据采集时间节点，基于所述多个数据采集时间节点获取多个目标时间段内的结果数据和过程数据，得到每个分类维度的多个评价因子的数据集合，再根据各所述评价因子的数据集合得到各所述目标对象的一组评价值，并根据该组评价值进行各所述评价因子的分布计算。由此对于目标对象的评价准确性更高，可以降低时间因素对评价带来的影响。

本申请提供的多目标对象的评价因子筛选装置，可以针对目标对象的所有指标的提取，通过基于MLP算法的分类模型实现各指标自动分类，再基于指标的数据质量、重要性及自相关性进行指标筛选得到评价因子，节省了筛选指标所需的时间，提高了效率，且筛选指标的过程中充分考虑了指标的区分性以及对评价目标对象的贡献性，指标之间彼此互斥，避免了重复指标对目标对象的评价，并且将筛选得到的评价因子分为多个维度，对目标对象的评价更加全面，前瞻性强，可在任意时间点上进行动态评价，同时易于实现程序化和系统化，便于对目标对象的管理监测。

为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43，所述存储器41中存储有计算机可读指令，所述处理器42执行所述计算机可读指令时实现上述方法实施例中所述的多目标对象的评价因子筛选方法的步骤，并具有与上述多目标对象的评价因子筛选方法相对应的有益效果，在此不作展开。

需要指出的是，图中仅示出了具有存储器41、处理器42、网络接口43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器 (Digital Signal Processor，DSP)、嵌入式设备等。

所述计算机设备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。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。

在本实施例中，所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器（例如，SD或DX存储器等）、随机访问存储器（RAM）、静态随机访问存储器（SRAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、可编程只读存储器（PROM）、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（SecureDigital, SD）卡，闪存卡（Flash Card）等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如对应于上述多目标对象的评价因子筛选方法的计算机可读指令等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。

所述处理器42在一些实施例中可以是中央处理器（Central Processing Unit，CPU）、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据，例如运行对应于所述多目标对象的评价因子筛选方法的计算机可读指令。

所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。

本申请还提供了另一种实施方式，即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计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的多目标对象的评价因子筛选方法的步骤，并具有与上述多目标对象的评价因子筛选方法相对应的有益效果，在此不作展开。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术实施例本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，空调器，或者网络设备等）执行本申请各个实施例所述的方法。

显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术实施例进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (9)

1.一种多目标对象的评价因子筛选方法，其特征在于，包括下述步骤：

根据评价因子筛选指令读取全部目标对象的结果数据和过程数据，从所述结果数据和所述过程数据中提取若干指标的信息，所述指标的信息至少包括指标名；所述结果数据为与所述目标对象相关的操作或者任务的最终输出数据，所述过程数据为所述操作或任务的执行过程中，与所述操作或任务相关联的附加数据；

对各所述指标的信息进行向量化处理，得到各所述指标的特征向量，并基于各所述特征向量生成表征各所述目标对象的特征矩阵，将所述特征矩阵作为入模特征输入预设的基于MLP算法的分类模型中，输出各所述指标的分类结果，得到多个分类维度的指标集合；

对各所述指标集合中的指标依次进行数据质量筛选、指标重要性筛选和指标自相关性筛选，将所述数据质量、所述指标重要性和所述指标自相关性均满足预设条件的指标作为评价因子，得到多个分类维度的评价因子集合，以根据各所述评价因子集合进行评价因子的分布计算，并基于分布计算结果对各所述目标对象进行对应评价;

其中，所述根据各所述评价因子集合进行评价因子的分布计算包括：

获取多个数据采集时间节点，基于所述多个数据采集时间节点获取多个目标时间段内的结果数据和过程数据，得到每个分类维度的多个评价因子的数据集合，再根据各所述评价因子的数据集合得到各所述目标对象的一组评价值，并根据该组评价值进行各所述评价因子的分布计算。

2.根据权利要求1所述的多目标对象的评价因子筛选方法，其特征在于，所述从所述结果数据和所述过程数据中提取若干指标的信息包括:

判断所述结果数据和所述过程数据的数据类型，所述数据类型包括结构化数据和非结构化数据；当判定为结构化数据时，从其对应的数据表中提取若干表字段，当判定为非结构化数据时执行数据转换操作，对转换后的数据执行分词操作，得到若干分词；将所述若干分词和所述表字段进行指标名匹配，将同义的不同分词或表字段映射至同一个字段，得到若干指标名，即得到若干指标的信息。

3.根据权利要求2所述的多目标对象的评价因子筛选方法，其特征在于，所述指标的信息还包括指标来源、指标均值和指标中位数，所述对各所述指标的信息进行向量化处理，得到各所述指标的特征向量，并基于各所述特征向量生成表征各所述目标对象的特征矩阵包括：

将各所述指标名转换为one-hot向量，将各所述指标名的one-hot向量作为预设的Word-to-Vector模型的输入进行降维处理，输出各所述指标名的低维词向量，并对所述指标来源进行赋值操作；

将所述指标名的低维词向量、赋值后的指标来源、指标均值和指标中位数根据一定的拼接顺序进行拼接得到每个所述指标的特征向量，再将各所述特征向量进行拼接得到所述特征矩阵。

4.根据权利要求3所述的多目标对象的评价因子筛选方法，其特征在于，在所述将所述特征矩阵作为入模特征输入预设的基于MLP算法的分类模型中之前，所述方法还包括：

从提取的若干指标中随机筛选出预设数量的指标，将其对应的数据发送至目标处理端，并接收所述目标处理端反馈的所述预设数量的指标对应的数据的分类标注信息；将具有分类标注信息的所述预设数量的指标的数据随机划分为训练集和测试集，将所述训练集作为基于MLP算法的分类模型的模型输入进行模型训练，待训练结束后通过所述测试集进行模型验证，当模型验证结果满足预设条件时完成训练，得到所述预设的基于MLP算法的分类模型。

5.根据权利要求1至4任一项所述的多目标对象的评价因子筛选方法，其特征在于，所述对各所述指标集合中的指标依次进行数据质量筛选、指标重要性筛选和指标自相关性筛选包括：

获取各所述指标集合中的指标的数据的非空比例，计算各所述指标集合的指标与对应的目标对象的目标指标的相关系数，并计算各所述指标集合的指标之间的自相关系数；根据所述数据的非空比例、所述相关系数和所述自相关系数依次进行数据质量筛选、指标重要性筛选和指标自相关性筛选。

6.根据权利要求5所述的多目标对象的评价因子筛选方法，其特征在于，所述方法还包括：

当所述结果数据或所述过程数据存在数据更新时，根据更新的数据提取新的指标，并将新提取的指标与已有指标进行比较，判断是否有新增的指标；

当存在新增的指标时，根据所述新增的指标和已有指标生成对应的特征矩阵，并输入所述预设的基于MLP算法的分类模型进行指标分类，得到所述新增的指标所属的分类维度；

获取分类后的所述新增的指标的数据非空比例及与对应的目标对象的目标指标的相关系数，以进行所述数据质量筛选和所述指标重要性筛选，并在满足数据质量和指标重要性条件时，计算所述新增的指标与所属分类维度中的各目标因子的自相关系数，当得到的自相关系数满足指标自相关性条件时将新增的指标加入所属分类维度对应的评价因子集合中。

7.一种多目标对象的评价因子筛选装置，其特征在于，包括：

提取模块，用于根据评价因子筛选指令读取全部目标对象的结果数据和过程数据，从所述结果数据和所述过程数据中提取若干指标的信息，所述指标的信息至少包括指标名；所述结果数据为与所述目标对象相关的操作或者任务的最终输出数据，所述过程数据为所述操作或任务的执行过程中，与所述操作或任务相关联的附加数据；

分类模块，用于对各所述指标的信息进行向量化处理，得到各所述指标的特征向量，并基于各所述特征向量生成表征各所述目标对象的特征矩阵，将所述特征矩阵作为入模特征输入预设的基于MLP算法的分类模型中，输出各所述指标的分类结果，得到多个分类维度的指标集合；

筛选模块，用于对各所述指标集合中的指标依次进行数据质量筛选、指标重要性筛选和指标自相关性筛选，将所述数据质量、所述指标重要性和所述指标自相关性均满足预设条件的指标作为评价因子，得到多个分类维度的评价因子集合，以根据各所述评价因子集合进行评价因子的分布计算，并基于分布计算结果对各所述目标对象进行对应评价；其中所述根据各所述评价因子集合进行评价因子的分布计算包括：获取多个数据采集时间节点，基于所述多个数据采集时间节点获取多个目标时间段内的结果数据和过程数据，得到每个分类维度的多个评价因子的数据集合，再根据各所述评价因子的数据集合得到各所述目标对象的一组评价值，并根据该组评价值进行各所述评价因子的分布计算。

8.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至6中任一项所述的多目标对象的评价因子筛选方法的步骤。

9.一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上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至6中任一项所述的多目标对象的评价因子筛选方法的步骤。

Images