CN112561500A - 基于用户数据的薪酬数据生成方法、装置、设备及介质 - Google Patents
基于用户数据的薪酬数据生成方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN112561500A CN112561500A CN202110207874.4A CN202110207874A CN112561500A CN 112561500 A CN112561500 A CN 112561500A CN 202110207874 A CN202110207874 A CN 202110207874A CN 112561500 A CN112561500 A CN 112561500A
- Authority
- CN
- China
- Prior art keywords
- salary
- user
- word
- data
- target
- 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.)
- Granted
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
- G06Q10/10—Office automation; Time management
- G06Q10/105—Human resources
- G06Q10/1053—Employment or hiring
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Economics (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及数据处理技术,揭露了一种基于用户数据的薪酬数据生成方法,包括:获取包含多个计薪规则和多个计薪要素的行业薪酬数据集;对用户信息数据集进行分词处理并对分词结果进行编码,得到词向量集;对词向量集进行特征值计算,确定特征值大于预设阈值的词向量为用户画像;计算用户画像与多个计薪要素的匹配度;根据匹配度从行业薪酬数据集中选取目标计薪规则;利用目标计薪规则和用户信息数据集计算目标用户的目标薪酬数据。本发明还提出了基于用户数据的薪酬数据生成装置、设备及计算机可读存储介质。此外,本发明还涉及区块链技术,行业薪酬数据集可存储于区块链节点中。本发明可以结合用户数据得到与用户相匹配的薪酬数据。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种基于用户数据的薪酬数据生成方法、装置、电子设备及计算机可读存储介质。
背景技术
目前企业在招聘或对内部员工进行调薪时,会根据员工表现制定新的薪酬水平。现有技术中,通常制定薪酬水平的方案为:采集员工的历史薪酬数据,以员工历史薪酬水平为基数,利用训练好的模型或算法预测出新的薪酬方案。该方法中,由于仅考虑员工的历史薪酬数据,因此通常会出现制定的薪酬方案过高或过低,而且对于跨行业招聘或调薪时,由于员工原先的行业与现有行业的差异较大,导致该方法的适用性不高。
因此,如何对员工具备的多项要素进行分析,进而得到与员工相匹配的薪酬水平,是当前急需解决同时也是普遍存在的问题。
发明内容
本发明提供一种基于用户数据的薪酬数据生成方法、装置、电子设备及计算机可读存储介质,其主要目的在于结合用户数据得到与用户相匹配的薪酬数据。
为实现上述目的,本发明提供的一种基于用户数据的薪酬数据生成方法,包括:
获取行业薪酬数据集,其中,所述行业薪酬数据集包括多个计薪规则和与所述多个计薪规则对应的多个计薪要素;
获取目标用户的用户信息数据集,对所述用户信息数据集进行分词处理,并对分词后的多个分词进行编码,得到词向量集;
对所述词向量集中的词向量进行特征值计算,确定特征值大于预设阈值的词向量为所述目标用户的用户画像;
计算所述用户画像与所述多个计薪要素的匹配度;
根据所述匹配度从所述行业薪酬数据集中选取计薪规则为目标计薪规则;
利用所述目标计薪规则和所述用户信息数据集计算所述目标用户的目标薪酬数据。
可选地,所述对所述用户信息数据集进行分词处理,包括:
利用预设的标准词典对所述用户信息数据集进行标准词拆分,得到标准词集;
对所述标准词集中的词语进行词性标注;
删除所述标准词集中词性标注结果为预设词性的词语。
可选地,所述对分词后的多个分词进行编码,得到词向量集,包括:
获取所述分词结果数据中每个分词对应的字节向量集,所述字节向量集中包含每个分词中每个字节的字节向量;
将每个分词对应的字节向量集中的字节向量分别进行编码,得到编码字节集;
将所述编码字节集中的编码字节进行拼接,得到所述词向量集。
可选地,所述获取行业薪酬数据集,包括:
获取用于存储所述行业薪酬数据集的区块链节点的数据传输参数;
根据所述数据传输参数配置所述区块链节点的数据传输脚本;
执行所述数据传输脚本从所述区块链节点中获取所述行业薪酬数据集。
可选地,所述计算所述用户画像与所述多个计薪要素的匹配度,包括:
将所述多个计薪要素进行向量转化;
利用如下匹配算法计算所述用户画像与向量转化后的所述多个计薪要素的匹配度:
可选地,所述对所述词向量集中的词向量进行特征值计算,包括:
将所述词向量集中的多个词向量进行随机划分,得到多个分组结果;
计算各个分组结果中词向量包含的总信息熵;
将所述总信息熵大于预设熵阈值的分组结果中的词向量汇集为目标分组结果;
计算所述目标分组结果中每个词向量的特征值。
可选地,所述计算各个分组结果中词向量包含的总信息熵,包括:
利用如下信息熵算法计算各个分组结果中词向量包含的总信息熵:
为了解决上述问题,本发明还提供一种基于用户数据的薪酬数据生成装置,所述装置包括:
数据获取模块,用于获取行业薪酬数据集,其中,所述行业薪酬数据集包括多个计薪规则和与所述多个计薪规则对应的多个计薪要素;
分词处理模块,用于获取目标用户的用户信息数据集,对所述用户信息数据集进行分词处理,并对分词后的多个分词进行编码,得到词向量集;
用户画像生成模块,用于对所述词向量集中的词向量进行特征值计算,确定特征值大于预设阈值的词向量为所述目标用户的用户画像;
匹配度计算模块,用于计算所述用户画像与所述多个计薪要素的匹配度;
规则选取模块,用于根据所述匹配度从所述行业薪酬数据集中选取计薪规则为目标计薪规则;
薪酬计算模块,用于利用所述目标计薪规则和所述用户信息数据集计算所述目标用户的目标薪酬数据。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现上述所述的基于用户数据的薪酬数据生成方法。
为了解决上述问题,本发明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中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于用户数据的薪酬数据生成方法。
本发明实施例通过对获取的用户信息数据集进行分词处理并对分词后的多个分词进行编码,得到词向量集;对词向量集中的词向量进行特征值计算,确定特征值大于预设阈值的词向量为目标用户的用户画像,根据向量集中向量的特征值生成用户画像,有利于生成精确的用户画像;计算用户画像与获取的行业薪酬数据集中多个计薪要素的匹配度,根据所述匹配度从行业薪酬数据集中选取目标计薪规则,因此根据精确的用户画像能够选取更适合目标用户的目标计薪规则,进而利用目标计薪规则和用户信息数据集进行计算,能够得到更匹配目标用户的目标薪酬数据,实现了基于用户信息中用户的多个要素特点得到与用户相匹配的薪酬数据。因此本发明提出的基于用户数据的薪酬数据生成方法、装置及计算机可读存储介质,可以实现结合用户数据得到与用户相匹配的薪酬数据。
附图说明
图1为本发明一实施例提供的基于用户数据的薪酬数据生成方法的流程示意图;
图2为本发明一实施例提供的基于用户数据的薪酬数据生成装置的模块示意图;
图3为本发明一实施例提供的实现基于用户数据的薪酬数据生成方法的电子设备的内部结构示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
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。
本申请实施例提供的基于用户数据的薪酬数据生成方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于用户数据的薪酬数据生成方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示,为本发明一实施例提供的基于用户数据的薪酬数据生成方法的流程示意图。在本实施例中,所述电子印章生成及验证方法包括:
S1、获取行业薪酬数据集,其中,所述行业薪酬数据集包括多个计薪规则和与所述多个计薪规则对应的多个计薪要素。
本发明实施例中,所述行业薪酬数据集包括多个行业中各行业的计薪规则和与所述计薪规则相对应的计薪要素。
例如,行业薪酬数据集包括金融行业的行业薪酬数据与互联网行业的行业薪酬数据。其中,金融行业的计薪规则为:薪酬=a*学历背景底薪+ b*工作年限+ c*入职岗位底薪,其中,a、b、c为预设权重系数,学历背景底薪、工作年限和入职岗位底薪为金融行业的计薪规则对应的计薪要素;互联网行业的计薪规则为:薪酬=d*岗位职级+ e*工作年限+f*入职岗位底薪,其中,d、e、f为预设权重系数,岗位职级、工作年限和入职岗位底薪为金融行业的计薪规则对应的计薪要素。
详细地,所述获取行业薪酬数据集,包括:
获取用于存储所述行业薪酬数据集的区块链节点的数据传输参数;
根据所述数据传输参数配置所述区块链节点的数据传输脚本;
执行所述数据传输脚本从所述区块链节点中获取所述行业薪酬数据集。
具体地,本发明实施例利用具有参数抓取功能的python语句从所述区块链节点中抓取所述数据传输参数,所述配置所述区块链节点的数据传输文件包括配置从区块链节点中获取行业薪酬数据集所需的传输条件、传输接口与传输类型等。
本发明实施例中,所述行业薪酬数据集可存储于预先构建的区块链节点中,利用区块链节点对数据的高吞吐性,可提高获取行业薪酬数据的效率。
S2、获取目标用户的用户信息数据集,对所述用户信息数据集进行分词处理,并对分词后的多个分词进行编码,得到词向量集。
本发明实施例中,所述目标用户的用户信息数据集可为目标用户上传的。
具体的,所述目标用户为需要进行薪资调整或设定的人员,例如,甲公司的现有员工中,员工A需要进行薪资调整,则员工A为目标人员;再例如,甲公司新招聘一名员工B,需要对员工B进行设定薪资,则员工B为目标人员。
详细地,所述对所述用户信息数据集进行分词处理,包括:
利用预设的标准词典对所述用户信息数据集进行标准词拆分,得到标准词集;
对所述标准词集中的词语进行词性标注;
删除所述标准词集中词性标注结果为预设词性的词语。
本发明实施例中,采用基于HMM(Hidden Markov Model,隐马尔科夫模型)的词性标注算法对标准词集中的词语进行词性标注。基于HMM的词性标注算法是一种可以精准对多个词语的词性进行预测标注的算法,通过基于HMM的词性标注算法有利于提高对标准词集中词语进行词性标注的准确性。
本发明实施例中,由于进行词性标注的标准词集是利用标准词典对用户信息数据集进行标准词拆分得到的,因此标准词集中包含着大量没有实际意义的词语,例如,词性为语气词的“啊”、“了”、“吗”等词语,因此本发明实施例删除标准词集中词性标注结果为预设词性的词语(例如词性为语气词的词语),可以避免后续对无实际意义的词语进行编码,提高编码的效率。
本发明实施例中,所述对分词后的多个分词进行编码,得到词向量集,包括:
获取所述分词结果数据中每个分词对应的字节向量集,所述字节向量集中包含每个分词中每个字节的字节向量;
将每个分词对应的字节向量集中的字节向量分别进行编码,得到编码字节集;
将所述编码字节集中的编码字节进行拼接,得到所述词向量集。
具体的,本发明实施例可利用独热编码技术对分词后的多个分词进行编码进行编码处理,使多个分词转换为词向量集。
其中,通过独热编码技术进行编码处理的具体方法是使用N位状态寄存器来对分词结果数据中的N个状态进行编码,每个状态都由其独立的寄存器位,并且在任意时候,只有一位有效即,即只有一位是1,其余都是零值。
本发明实施例通过分词处理能够将所述用户信息数据集中的数据进行切割,得到包含较少数据的词向量,减少后续计算机的识别时计算资源的占用。
S3、对所述词向量集中的词向量进行特征值计算,确定特征值大于预设阈值的词向量为所述目标用户的用户画像。
对词向量集中的词向量进行特征值计算包括对向量集中任意多个词向量或所有词向量进行特征值计算。
优选的,本发明实施例中,所述对所述词向量集中的词向量进行特征值计算,包括:
将所述词向量集中的多个词向量进行随机划分,得到多个分组结果;
计算各个分组结果中词向量包含的总信息熵;
将所述总信息熵大于预设熵阈值的分组结果中的词向量汇集为目标分组结果;
计算所述目标分组结果中每个词向量的特征值。
例如,词向量集中存在词向量1、词向量2、词向量3、词向量4、词向量5和词向量6,将词向量集中包含的词向量进行随机划分,得到多个分组结果:分组结果A:词向量1和词向量3;分组结果B:词向量2和词向量6;分组结果C:词向量4和词向量5;计算各个分组结果中词向量包含的总信息熵得到分组结果A中词向量包含的总信息熵为80,分组结果B中词向量包含的总信息熵为60;分组结果C中词向量包含的总信息熵为40;若预设熵阈值为55,则将分组结果A和分组结果B中包含的词向量1、词向量2、词向量3和词向量6汇集为目标分组结果,并分别计算词向量1、词向量2、词向量3和词向量6的特征值。
本发明实施例将词向量集中的多个词向量进行随机划分,并计算划分得到的每个分组结果中词向量包含的总信息熵,根据总信息熵筛选出需要计算特征值的词向量,有利于提高计算效率。
详细地,所述计算各个分组结果中词向量包含的总信息熵,包括:
利用如下信息熵算法计算各个分组结果中词向量包含的总信息熵:
进一步地,所述计算所述目标分组结果中每个词向量的特征值,包括:
利用如下特征值算法计算所述目标分组结果中每个词向量的特征值:
本发明实施例确定特征值大于预设阈值的词向量为所述目标用户的用户画像,例如,例如,词向量集中包括词向量x、词向量y和词向量z,其中,词向量x的特征值为60,词向量y的特征值为30,词向量z的特征值为80,当预设阈值为50时,则将词向量x和词向量z汇集为目标用户的用户画像。
本发明实施例中,通过确定目标分组中特征值大于预设阈值的词向量为所述目标用户的用户特征集,实现了从词向量集中筛选出代表用户特征的词向量,提高了生成的用户画像的精确度。
S4、计算所述用户画像与所述多个计薪要素的匹配度。
本发明实施例中,所述计算所述用户画像与所述多个计薪要素的匹配度,包括:
将所述多个计薪要素进行向量转化;
利用如下匹配算法计算所述用户画像与向量转化后的多个计薪要素的匹配度:
其中,为所述匹配度,为所述用户画像,为所述多个计薪要素中的计薪要素,为所述用户画像对应的词向量的模长之和,为所述计薪要素的模长,为所述用户画像与所述计薪要素的交集的模长之和。本发明实施例可通过glove模型将多个计薪要素进行向量转化,所述glove模型是一种基于矩阵的向量转化模型,可实现将词语转化为词向量。
详细地,为用户画像与计薪要素的交集的模长之和,例如,用户画像中包括向量10,、向量20、向量30和向量40;计薪要素中包括向量20、向量40、向量60和向量80,则用户画像与计薪要素的交集为向量20和向量40,即=向量20的模长+向量40的模长。
S5、根据所述匹配度从所述行业薪酬数据集中选取目标计薪规则。
本发明实施例中,根据所述匹配度从所述行业薪酬数据集中选取目标计薪规则包括:选取所述匹配值大于预设的匹配阈值的计薪要素为目标计薪要素,并从所述行业薪酬数据集中选取与所述目标计薪要素对应的计薪规则为目标计薪规则。
例如,存在计薪要素a1、计薪要素b1、计薪要素c1和计薪要素d1,其中,用户画像与计薪要素a1的匹配度为33,用户画像与计薪要素b1的匹配度为44,用户画像与计薪要素c1的匹配度为55,用户画像与计薪要素d1的匹配度为66,当匹配阈值为50时,选取计薪要素c1和计薪要素d1对应的计薪规则为目标计薪规则。
S6、利用所述目标计薪规则和所述用户信息数据集计算所述目标用户的目标薪酬数据。
本发明实施例中,利用选取的目标计薪规则对所述用户信息数据集进行计算,即可得到目标用户的目标薪酬数据。
例如,当目标计薪规则为金融行业的计薪规则,该计薪规则为:薪酬=a*学历背景底薪+ b*工作年限+ c*入职岗位底薪;用户信息数据集为研究生学历背景底薪2000,工作3年,入职岗位底薪3000;则根据计薪规则和用户信息数据集计算,得到目标用户的目标薪酬= a*2000+ b*3+ c*3000。
本发明实施例通过对获取的用户信息数据集进行分词处理并对分词后的多个分词进行编码,得到词向量集;对词向量集中的词向量进行特征值计算,确定特征值大于预设阈值的词向量为目标用户的用户画像,根据向量集中向量的特征值生成用户画像,有利于生成精确的用户画像;计算用户画像与获取的行业薪酬数据集中多个计薪要素的匹配度,根据所述匹配度从行业薪酬数据集中选取目标计薪规则,因此根据精确的用户画像能够选取更适合目标用户的目标计薪规则,进而利用目标计薪规则和用户信息数据集进行计算,能够得到更匹配目标用户的目标薪酬数据,实现了基于用户信息中用户的多个要素特点得到与用户相匹配的薪酬数据。因此本发明提出的基于用户数据的薪酬数据生成方法,可以实现结合用户数据得到与用户相匹配的薪酬数据。
如图2所示,是本发明基于用户数据的薪酬数据生成装置的模块示意图。
本发明所述基于用户数据的薪酬数据生成装置100可以安装于电子设备中。根据实现的功能,所述基于用户数据的薪酬数据生成装置可以包括数据获取模块101、分词处理模块102、用户画像生成模块103、匹配度计算模块104、规则选取模块105和薪酬计算模块106。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述数据获取模块101,用于获取行业薪酬数据集,其中,所述行业薪酬数据集包括多个计薪规则和与所述多个计薪规则对应的多个计薪要素;
所述分词处理模块102,用于获取目标用户的用户信息数据集,对所述用户信息数据集进行分词处理,并对分词后的多个分词进行编码,得到词向量集;
所述用户画像生成模块103,用于对所述词向量集中的词向量进行特征值计算,确定特征值大于预设阈值的词向量为所述目标用户的用户画像;
所述匹配度计算模块104,用于计算所述用户画像与所述多个计薪要素的匹配度;
所述规则选取模块105,用于根据所述匹配度从所述行业薪酬数据集中选取计薪规则为目标计薪规则;
所述薪酬计算模块106,用于利用所述目标计薪规则和所述用户信息数据集计算所述目标用户的目标薪酬数据。
详细地,所述基于用户数据的薪酬数据生成装置各模块的具体实施方式如下:
所述数据获取模块101,用于获取行业薪酬数据集,其中,所述行业薪酬数据集包括多个计薪规则和与所述多个计薪规则对应的多个计薪要素。
本发明实施例中,所述行业薪酬数据集包括多个行业中各行业的计薪规则和与所述计薪规则相对应的计薪要素。
例如,行业薪酬数据集包括金融行业的行业薪酬数据与互联网行业的行业薪酬数据。其中,金融行业的计薪规则为:薪酬=a*学历背景底薪+ b*工作年限+ c*入职岗位底薪,其中,a、b、c为预设权重系数,学历背景底薪、工作年限和入职岗位底薪为金融行业的计薪规则对应的计薪要素;互联网行业的计薪规则为:薪酬=d*岗位职级+ e*工作年限+f*入职岗位底薪,其中,d、e、f为预设权重系数,岗位职级、工作年限和入职岗位底薪为金融行业的计薪规则对应的计薪要素。
详细地,所述数据获取模块101具体用于:
获取用于存储所述行业薪酬数据集的区块链节点的数据传输参数;
根据所述数据传输参数配置所述区块链节点的数据传输脚本;
执行所述数据传输脚本从所述区块链节点中获取所述行业薪酬数据集。
具体地,本发明实施例利用具有参数抓取功能的python语句从所述区块链节点中抓取所述数据传输参数,所述配置所述区块链节点的数据传输文件包括配置从区块链节点中获取行业薪酬数据集所需的传输条件、传输接口与传输类型等。
本发明实施例中,所述行业薪酬数据集可存储于预先构建的区块链节点中,利用区块链节点对数据的高吞吐性,可提高获取行业薪酬数据的效率。
所述分词处理模块102,用于获取目标用户的用户信息数据集,对所述用户信息数据集进行分词处理,并对分词后的多个分词进行编码,得到词向量集。
本发明实施例中,所述目标用户的用户信息数据集可为目标用户上传的。
具体的,所述目标用户为需要进行薪资调整或设定的人员,例如,甲公司的现有员工中,员工A需要进行薪资调整,则员工A为目标人员;再例如,甲公司新招聘一名员工B,需要对员工B进行设定薪资,则员工B为目标人员。
详细地,所述分词处理模块102具体用于:
利用预设的标准词典对所述用户信息数据集进行标准词拆分,得到标准词集;
对所述标准词集中的词语进行词性标注;
删除所述标准词集中词性标注结果为预设词性的词语;
获取所述分词结果数据中每个分词对应的字节向量集,所述字节向量集中包含每个分词中每个字节的字节向量;
将每个分词对应的字节向量集中的字节向量分别进行编码,得到编码字节集;
将所述编码字节集中的编码字节进行拼接,得到所述词向量集。本发明实施例中,采用基于HMM(Hidden Markov Model,隐马尔科夫模型)的词性标注算法对标准词集中的词语进行词性标注。基于HMM的词性标注算法是一种可以精准对多个词语的词性进行预测标注的算法,通过基于HMM的词性标注算法有利于提高对标准词集中词语进行词性标注的准确性。
本发明实施例中,由于进行词性标注的标准词集是利用标准词典对用户信息数据集进行标准词拆分得到的,因此标准词集中包含着大量没有实际意义的词语,例如,词性为语气词的“啊”、“了”、“吗”等词语,因此本发明实施例删除标准词集中词性标注结果为预设词性的词语(例如词性为语气词的词语),可以避免后续对无实际意义的词语进行编码,提高编码的效率。
具体的,本发明实施例可利用独热编码技术对分词后的多个分词进行编码进行编码处理,使多个分词转换为词向量集。
其中,通过独热编码技术进行编码处理的具体方法是使用N位状态寄存器来对分词结果数据中的N个状态进行编码,每个状态都由其独立的寄存器位,并且在任意时候,只有一位有效即,即只有一位是1,其余都是零值。
本发明实施例通过分词处理能够将所述用户信息数据集中的数据进行切割,得到包含较少数据的词向量,减少后续计算机的识别时计算资源的占用。
所述用户画像生成模块103,用于对所述词向量集中的词向量进行特征值计算,确定特征值大于预设阈值的词向量为所述目标用户的用户画像。
对词向量集中的词向量进行特征值计算包括对向量集中任意多个词向量或所有词向量进行特征值计算。
本发明实施例中,所述用户画像生成模块103具体用于:
将所述词向量集中的多个词向量进行随机划分,得到多个分组结果;
计算各个分组结果中词向量包含的总信息熵;
将所述总信息熵大于预设熵阈值的分组结果中的词向量汇集为目标分组结果;
计算所述目标分组结果中每个词向量的特征值;
确定特征值大于预设阈值的词向量为所述目标用户的用户画像。
例如,词向量集中存在词向量1、词向量2、词向量3、词向量4、词向量5和词向量6,将词向量集中包含的词向量进行随机划分,得到多个分组结果:分组结果A:词向量1和词向量3;分组结果B:词向量2和词向量6;分组结果C:词向量4和词向量5;计算各个分组结果中词向量包含的总信息熵得到分组结果A中词向量包含的总信息熵为80,分组结果B中词向量包含的总信息熵为60;分组结果C中词向量包含的总信息熵为40;若预设熵阈值为55,则将分组结果A和分组结果B中包含的词向量1、词向量2、词向量3和词向量6汇集为目标分组结果,并分别计算词向量1、词向量2、词向量3和词向量6的特征值。
本发明实施例将词向量集中的多个词向量进行随机划分,并计算划分得到的每个分组结果中词向量包含的总信息熵,根据总信息熵筛选出需要计算特征值的词向量,有利于提高计算效率。
详细地,所述计算各个分组结果中词向量包含的总信息熵,包括:
利用如下信息熵算法计算各个分组结果中词向量包含的总信息熵:
进一步地,所述计算所述目标分组结果中每个词向量的特征值,包括:
利用如下特征值算法计算所述目标分组结果中每个词向量的特征值:
本发明实施例确定特征值大于预设阈值的词向量为所述目标用户的用户画像,例如,例如,词向量集中包括词向量x、词向量y和词向量z,其中,词向量x的特征值为60,词向量y的特征值为30,词向量z的特征值为80,当预设阈值为50时,则将词向量x和词向量z汇集为目标用户的用户画像。
本发明实施例中,通过确定目标分组中特征值大于预设阈值的词向量为所述目标用户的用户特征集,实现了从词向量集中筛选出代表用户特征的词向量,提高了生成的用户画像的精确度。
所述匹配度计算模块104,用于计算所述用户画像与所述多个计薪要素的匹配度。
本发明实施例中,所述匹配度计算模块104具体用于:
将所述多个计薪要素进行向量转化;
利用如下匹配算法计算所述用户画像与向量转化后的多个计薪要素的匹配度:
本发明实施例可通过glove模型将多个计薪要素进行向量转化,所述glove模型是一种基于矩阵的向量转化模型,可实现将词语转化为词向量。
详细地,为用户画像与计薪要素的交集的模长之和,例如,用户画像中包括向量10,、向量20、向量30和向量40;计薪要素中包括向量20、向量40、向量60和向量80,则用户画像与计薪要素的交集为向量20和向量40,即=向量20的模长+向量40的模长。
所述规则选取模块105,用于根据所述匹配度从所述行业薪酬数据集中选取计薪规则为目标计薪规则。
本发明实施例中,根据所述匹配度从所述行业薪酬数据集中选取目标计薪规则包括:选取所述匹配值大于预设的匹配阈值的计薪要素为目标计薪要素,并从所述行业薪酬数据集中选取与所述目标计薪要素对应的计薪规则为目标计薪规则。
例如,存在计薪要素a1、计薪要素b1、计薪要素c1和计薪要素d1,其中,用户画像与计薪要素a1的匹配度为33,用户画像与计薪要素b1的匹配度为44,用户画像与计薪要素c1的匹配度为55,用户画像与计薪要素d1的匹配度为66,当匹配阈值为50时,选取计薪要素c1和计薪要素d1对应的计薪规则为目标计薪规则。
所述薪酬计算模块106,用于利用所述目标计薪规则和所述用户信息数据集进行计算,得到所述目标用户的目标薪酬数据。
本发明实施例中,利用选取的目标计薪规则对所述用户信息数据集进行计算,即可得到目标用户的目标薪酬数据。
例如,当目标计薪规则为金融行业的计薪规则,该计薪规则为:薪酬=a*学历背景底薪+ b*工作年限+ c*入职岗位底薪;用户信息数据集为研究生学历背景底薪2000,工作3年,入职岗位底薪3000;则根据计薪规则和用户信息数据集计算,得到目标用户的目标薪酬= a*2000+ b*3+ c*3000。
本发明实施例通过对获取的用户信息数据集进行分词处理并对分词后的多个分词进行编码,得到词向量集;对词向量集中的词向量进行特征值计算,确定特征值大于预设阈值的词向量为目标用户的用户画像,根据向量集中向量的特征值生成用户画像,有利于生成精确的用户画像;计算用户画像与获取的行业薪酬数据集中多个计薪要素的匹配度,根据所述匹配度从行业薪酬数据集中选取目标计薪规则,因此根据精确的用户画像能够选取更适合目标用户的目标计薪规则,进而利用目标计薪规则和用户信息数据集进行计算,能够得到更匹配目标用户的目标薪酬数据,实现了基于用户信息中用户的多个要素特点得到与用户相匹配的薪酬数据。因此本发明提出的基于用户数据的薪酬数据生成装置,可以实现结合用户数据得到与用户相匹配的薪酬数据。
如图3所示,是本发明一实施例提供的实现基于用户数据的薪酬数据生成方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如基于用户数据的薪酬数据生成程序12。
其中,所述存储器11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、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card, SMC)、安全数字(SecureDigital, SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如基于用户数据的薪酬数据生成程序12的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如基于用户数据的薪酬数据生成程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于用户数据的薪酬数据生成程序12是多个指令的组合,在所述处理器10中运行时,可以实现:
获取行业薪酬数据集,其中,所述行业薪酬数据集包括多个计薪规则和与所述多个计薪规则对应的多个计薪要素;
获取目标用户的用户信息数据集,对所述用户信息数据集进行分词处理,并对分词后的多个分词进行编码,得到词向量集;
对所述词向量集中的词向量进行特征值计算,确定特征值大于预设阈值的词向量为所述目标用户的用户画像;
计算所述用户画像与所述多个计薪要素的匹配度;
根据所述匹配度从所述行业薪酬数据集中选取目标计薪规则;
利用所述目标计薪规则和所述用户信息数据集计算所述目标用户的目标薪酬数据。
具体地,所述处理器10对上述指令的具体实现方法可参考图1至图3对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取行业薪酬数据集,其中,所述行业薪酬数据集包括多个计薪规则和与所述多个计薪规则对应的多个计薪要素;
获取目标用户的用户信息数据集,对所述用户信息数据集进行分词处理,并对分词后的多个分词进行编码,得到词向量集;
对所述词向量集中的词向量进行特征值计算,确定特征值大于预设阈值的词向量为所述目标用户的用户画像;
计算所述用户画像与所述多个计薪要素的匹配度;
根据所述匹配度从所述行业薪酬数据集中选取目标计薪规则;
利用所述目标计薪规则和所述用户信息数据集计算所述目标用户的目标薪酬数据。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,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,所述模块的划分,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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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模块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模块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模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明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。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于用户数据的薪酬数据生成方法,其特征在于,所述方法包括:
获取行业薪酬数据集,其中,所述行业薪酬数据集包括多个计薪规则和与所述多个计薪规则对应的多个计薪要素;
获取目标用户的用户信息数据集,对所述用户信息数据集进行分词处理,并对分词后的多个分词进行编码,得到词向量集;
对所述词向量集中的词向量进行特征值计算,确定特征值大于预设阈值的词向量为所述目标用户的用户画像;
计算所述用户画像与所述多个计薪要素的匹配度;
根据所述匹配度从所述行业薪酬数据集中选取目标计薪规则;
利用所述目标计薪规则和所述用户信息数据集计算所述目标用户的目标薪酬数据。
2.如权利要求1所述的基于用户数据的薪酬数据生成方法,其特征在于,所述对所述用户信息数据集进行分词处理,包括:
利用预设的标准词典对所述用户信息数据集进行标准词拆分,得到标准词集;
对所述标准词集中的词语进行词性标注;
删除所述标准词集中词性标注结果为预设词性的词语。
3.如权利要求1所述的基于用户数据的薪酬数据生成方法,其特征在于,所述对分词后的多个分词进行编码,得到词向量集,包括:
获取所述分词结果数据中每个分词对应的字节向量集,所述字节向量集中包含每个分词中每个字节的字节向量;
将每个分词对应的字节向量集中的字节向量分别进行编码,得到编码字节集;
将所述编码字节集中的编码字节进行拼接,得到所述词向量集。
4.如权利要求1所述的基于用户数据的薪酬数据生成方法,其特征在于,所述获取行业薪酬数据集,包括:
获取用于存储所述行业薪酬数据集的区块链节点的数据传输参数;
根据所述数据传输参数配置所述区块链节点的数据传输脚本;
执行所述数据传输脚本从所述区块链节点中获取所述行业薪酬数据集。
6.如权利要求1至4中任一项所述的基于用户数据的薪酬数据生成方法,其特征在于,所述对所述词向量集中的词向量进行特征值计算,包括:
将所述词向量集中的多个词向量进行随机划分,得到多个分组结果;
计算各个分组结果中词向量包含的总信息熵;
将所述总信息熵大于预设熵阈值的分组结果中的词向量汇集为目标分组结果;
计算所述目标分组结果中每个词向量的特征值。
8.一种基于用户数据的薪酬数据生成装置,其特征在于,所述装置包括:
数据获取模块,用于获取行业薪酬数据集,其中,所述行业薪酬数据集包括多个计薪规则和与所述多个计薪规则对应的多个计薪要素;
分词处理模块,用于获取目标用户的用户信息数据集,对所述用户信息数据集进行分词处理,并对分词后的多个分词进行编码,得到词向量集;
用户画像生成模块,用于对所述词向量集中的词向量进行特征值计算,确定特征值大于预设阈值的词向量为所述目标用户的用户画像;
匹配度计算模块,用于计算所述用户画像与所述多个计薪要素的匹配度;
规则选取模块,用于根据所述匹配度从所述行业薪酬数据集中选取计薪规则为目标计薪规则;
薪酬计算模块,用于利用所述目标计薪规则和所述用户信息数据集计算所述目标用户的目标薪酬数据。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任一项所述的基于用户数据的薪酬数据生成方法。
10.一种计算机可读存储介质,包括存储数据区和存储程序区,存储数据区存储创建的数据,存储程序区存储有计算机程序;其中,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的基于用户数据的薪酬数据生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110207874.4A CN112561500B (zh) | 2021-02-25 | 2021-02-25 | 基于用户数据的薪酬数据生成方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110207874.4A CN112561500B (zh) | 2021-02-25 | 2021-02-25 | 基于用户数据的薪酬数据生成方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112561500A true CN112561500A (zh) | 2021-03-26 |
CN112561500B CN112561500B (zh) | 2021-05-25 |
Family
ID=75034780
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110207874.4A Active CN112561500B (zh) | 2021-02-25 | 2021-02-25 | 基于用户数据的薪酬数据生成方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112561500B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113256270A (zh) * | 2021-06-23 | 2021-08-13 | 金蝶软件(中国)有限公司 | 数据处理方法、数据处理装置、数据处理设备及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102054006A (zh) * | 2009-11-10 | 2011-05-11 | 腾讯科技(深圳)有限公司 | 一种词汇质量挖掘评价方法及装置 |
CN102968309A (zh) * | 2012-11-30 | 2013-03-13 | 亚信联创科技(中国)有限公司 | 一种实现基于规则引擎的规则匹配方法和装置 |
CN103714171A (zh) * | 2013-12-31 | 2014-04-09 | 深圳先进技术研究院 | 文本聚类方法 |
CN105069141A (zh) * | 2015-08-19 | 2015-11-18 | 北京工商大学 | 一种股票标准新闻库的构建方法及构建系统 |
CN107292584A (zh) * | 2017-06-26 | 2017-10-24 | 上海易路软件有限公司 | 市场薪酬推送方法及装置 |
CN108428104A (zh) * | 2018-01-03 | 2018-08-21 | 平安科技(深圳)有限公司 | 薪资计算方法、应用服务器及计算机可读存储介质 |
CN111291798A (zh) * | 2020-01-21 | 2020-06-16 | 北京工商大学 | 一种基于集成学习的用户基础属性预测方法 |
CN111340616A (zh) * | 2020-03-10 | 2020-06-26 | 中国建设银行股份有限公司 | 线上贷款的审批方法、装置、设备及介质 |
CN112199957A (zh) * | 2020-11-03 | 2021-01-08 | 中国人民解放军战略支援部队信息工程大学 | 基于属性和关系信息联合嵌入的人物实体对齐方法及系统 |
CN112380859A (zh) * | 2020-11-12 | 2021-02-19 | 平安科技(深圳)有限公司 | 舆情信息的推荐方法、装置、电子设备及计算机存储介质 |
CN112381510A (zh) * | 2020-11-12 | 2021-02-19 | 北京中电兴发科技有限公司 | 一种基于机器学习的薪酬推荐方法 |
-
2021
- 2021-02-25 CN CN202110207874.4A patent/CN112561500B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102054006A (zh) * | 2009-11-10 | 2011-05-11 | 腾讯科技(深圳)有限公司 | 一种词汇质量挖掘评价方法及装置 |
CN102968309A (zh) * | 2012-11-30 | 2013-03-13 | 亚信联创科技(中国)有限公司 | 一种实现基于规则引擎的规则匹配方法和装置 |
CN103714171A (zh) * | 2013-12-31 | 2014-04-09 | 深圳先进技术研究院 | 文本聚类方法 |
CN105069141A (zh) * | 2015-08-19 | 2015-11-18 | 北京工商大学 | 一种股票标准新闻库的构建方法及构建系统 |
CN107292584A (zh) * | 2017-06-26 | 2017-10-24 | 上海易路软件有限公司 | 市场薪酬推送方法及装置 |
CN108428104A (zh) * | 2018-01-03 | 2018-08-21 | 平安科技(深圳)有限公司 | 薪资计算方法、应用服务器及计算机可读存储介质 |
CN111291798A (zh) * | 2020-01-21 | 2020-06-16 | 北京工商大学 | 一种基于集成学习的用户基础属性预测方法 |
CN111340616A (zh) * | 2020-03-10 | 2020-06-26 | 中国建设银行股份有限公司 | 线上贷款的审批方法、装置、设备及介质 |
CN112199957A (zh) * | 2020-11-03 | 2021-01-08 | 中国人民解放军战略支援部队信息工程大学 | 基于属性和关系信息联合嵌入的人物实体对齐方法及系统 |
CN112380859A (zh) * | 2020-11-12 | 2021-02-19 | 平安科技(深圳)有限公司 | 舆情信息的推荐方法、装置、电子设备及计算机存储介质 |
CN112381510A (zh) * | 2020-11-12 | 2021-02-19 | 北京中电兴发科技有限公司 | 一种基于机器学习的薪酬推荐方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113256270A (zh) * | 2021-06-23 | 2021-08-13 | 金蝶软件(中国)有限公司 | 数据处理方法、数据处理装置、数据处理设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112561500B (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112883190A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN112733531B (zh) | 虚拟资源分配方法、装置、电子设备及计算机存储介质 | |
CN113327136A (zh) | 归因分析方法、装置、电子设备及存储介质 | |
CN113868529A (zh) | 知识推荐方法、装置、电子设备及可读存储介质 | |
CN112528616A (zh) | 业务表单生成方法、装置、电子设备及计算机存储介质 | |
CN114491047A (zh) | 多标签文本分类方法、装置、电子设备及存储介质 | |
CN114881616A (zh) | 业务流程执行方法、装置、电子设备及存储介质 | |
CN113868528A (zh) | 资讯推荐方法、装置、电子设备及可读存储介质 | |
CN113268665A (zh) | 基于随机森林的信息推荐方法、装置、设备及存储介质 | |
CN114612194A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
CN113434542B (zh) | 数据关系识别方法、装置、电子设备及存储介质 | |
CN117155771B (zh) | 一种基于工业物联网的设备集群故障溯源方法及装置 | |
CN112561500B (zh) | 基于用户数据的薪酬数据生成方法、装置、设备及介质 | |
CN112541688B (zh) | 业务数据校验方法、装置、电子设备及计算机存储介质 | |
CN114219023A (zh) | 数据聚类方法、装置、电子设备及可读存储介质 | |
CN113837631A (zh) | 员工评价方法、装置、电子设备及可读存储介质 | |
CN113627160A (zh) | 文本纠错方法、装置、电子设备及存储介质 | |
CN113658002A (zh) | 基于决策树的交易结果生成方法、装置、电子设备及介质 | |
CN113313211A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN117193975A (zh) | 任务调度方法、装置、设备及存储介质 | |
CN116578696A (zh) | 文本摘要生成方法、装置、设备及存储介质 | |
CN114708073B (zh) | 一种围标串标智能检测方法、装置、电子设备及存储介质 | |
CN113657546A (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
CN113704407A (zh) | 基于类别分析的投诉量分析方法、装置、设备及存储介质 | |
CN113486646A (zh) | 产品报告发布方法、装置、电子设备及可读存储介质 |
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 |