CN113159596A - 基于深度学习的大数据配置调优系统、方法、设备及介质 - Google Patents
基于深度学习的大数据配置调优系统、方法、设备及介质 Download PDFInfo
- Publication number
- CN113159596A CN113159596A CN202110470395.1A CN202110470395A CN113159596A CN 113159596 A CN113159596 A CN 113159596A CN 202110470395 A CN202110470395 A CN 202110470395A CN 113159596 A CN113159596 A CN 113159596A
- Authority
- CN
- China
- Prior art keywords
- assessment
- employee
- module
- data
- deduction
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000007405 data analysis Methods 0.000 claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims description 37
- 230000001537 neural effect Effects 0.000 claims description 22
- 238000011156 evaluation Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06Q10/06398—Performance of employee with respect to a job function
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Economics (AREA)
- Fuzzy Systems (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (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
本发明提出了一种基于深度学习的大数据配置调优系统、方法、设备及介质，涉及数据处理领域。基于深度学习的大数据配置调优系统，其特征在于，包括源数据模块、数据配置模块、数据分析模块、模型训练模块和员工考核模块：所述源数据模块用于获取多组员工考核数据，每组所述员工考核数据均包括员工考核指标和考核分数，并将多组所述员工考核数据发送到所述数据配置模块和所述模型训练模块；所述数据配置模块用于根据所述员工考核指标配置扣分原因，并将所述扣分原因发送到所述数据分析模块。本发明能够测试员工的考核结果，提高企业对员工考核的准确性。
Description
技术领域
本发明涉及数据处理领域，具体而言，涉及一种基于深度学习的大数据配置调优系统、方法、设备及介质。
背景技术
公司对员工考核一般通过人工计算员工的考勤、业绩等内容来计算，但是上述方式容易出错，难以核查，因此目前需要一种能够考核员工或部门的系统，实现对考核结果的测试，从而提高企业对员工考核的准确性。
发明内容
本发明的目的之一在于提供一种基于深度学习的大数据配置调优系统，其能够测试员工的考核结果，提高企业对员工考核的准确性。
本发明的目的之一在于提供一种基于深度学习的大数据配置调优方法，其能够测试员工的考核结果，提高企业对员工考核的准确性。
本发明的目的之一在于提供一种电子设备，其能够测试员工的考核结果，提高企业对员工考核的准确性。
本发明的目的之一在于提供一种计算机可读存储介质，其能够测试员工的考核结果，提高企业对员工考核的准确性。
本发明的实施例是这样实现的：
第一方面，本申请实施例提供一种基于深度学习的大数据配置调优系统，包括源数据模块、数据配置模块、数据分析模块、模型训练模块和员工考核模块：
所述源数据模块用于获取多组员工考核数据，每组所述员工考核数据均包括员工考核指标和考核分数，并将多组所述员工考核数据发送到所述数据配置模块和所述模型训练模块；
所述数据配置模块用于根据所述员工考核指标配置扣分原因，并将所述扣分原因发送到所述数据分析模块；
所述数据分析模块用于根据所述扣分原因计算每组所述考核数据的员工初评分数，并将所述员工初评分数发送到所述模型训练模块；
所述模型训练模块用于建立深度神经网络，将所述员工考核指标、所述扣分原因、所述初评分数和所述考核分数输入所述深度神经网络，利用所述深度神经网络训练得到员工考核神经模型，并将所述员工考核神经模型发送到所述员工考核模块；
所述员工考核模块用于将所述扣分原因输入所述员工考核神经模型得到所述考核分数。
在本发明的一些实施例中，所述深度神经网络包括依次映射的输入层、隐含层和输出层，所述员工考核指标为所述输入层，所述扣分原因和所述初评分数为所述隐含层，所述考核分数为所述输出层。
在本发明的一些实施例中，所述扣分原因包括扣分项和扣分次数，所述数据分析模块根据所述扣分项和所述扣分次数计算所述初评分数。
在本发明的一些实施例中，系统包括员工信息模块，所述员工信息模块用于存储员工信息，并将所述员工信息发送到所述源数据模块，所述源数据模块根据员工信息输入每组员工考核数据。
在本发明的一些实施例中，所述数据配置模块连接所述员工信息模块。
在本发明的一些实施例中，所述数据配置模块根据所述员工考核指标配置扣分原因的权重，并将所述扣分原因的权重发送给所述数据分析模块。
在本发明的一些实施例中，所述数据配置模块根据不同所述员工考核指标配置多项扣分原因，所述员工考核模块输入多项所述扣分原因到所述员工考核神经模型得到所述考核分数。
第二方面，本申请实施例提供一种基于深度学习的大数据配置调优方法，包括如下步骤：获取多组员工考核数据，每组所述员工考核数据均包括员工考核指标和考核分数；根据所述员工考核指标配置扣分原因；根据所述扣分原因计算每组所述考核数据的员工初评分数；建立深度神经网络，将所述员工考核指标、所述扣分原因、所述初评分数和所述考核分数输入所述深度神经网络，利用所述深度神经网络训练得到员工考核神经模型；将所述扣分原因输入所述员工考核神经模型得到所述考核分数。
第三方面，本申请实施例提供一种电子设备，包括：存储器，用于存储一个或多个程序；处理器；当所述一个或多个程序被所述处理器执行时，实现如第二方面所述方法。
第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第二方面所述方法。
相对于现有技术，本发明的实施例至少具有如下优点或有益效果：
第一方面，本申请实施例提供一种基于深度学习的大数据配置调优系统，包括源数据模块、数据配置模块、数据分析模块、模型训练模块和员工考核模块：所述源数据模块用于获取多组员工考核数据，每组所述员工考核数据均包括员工考核指标和考核分数，并将多组所述员工考核数据发送到所述数据配置模块和所述模型训练模块；所述数据配置模块用于根据所述员工考核指标配置扣分原因，并将所述扣分原因发送到所述数据分析模块；所述数据分析模块用于根据所述扣分原因计算每组所述考核数据的员工初评分数，并将所述员工初评分数发送到所述模型训练模块；所述模型训练模块用于建立深度神经网络，将所述员工考核指标、所述扣分原因、所述初评分数和所述考核分数输入所述深度神经网络，利用所述深度神经网络训练得到员工考核神经模型，并将所述员工考核神经模型发送到所述员工考核模块；所述员工考核模块用于将所述扣分原因输入所述员工考核神经模型得到所述考核分数。
针对第一方面：本申请实施例通过源数据模块获取多组员工考核数据，并且每组员工考核数据均包括员工考核指标和考核分数，通过数据配置模块根据员工考核指标配置扣分原因，并且数据分析模块根据扣分原因计算每组考核数据的员工初评分数，从而根据扣分原因得到扣分后的评分，并且建立深度神经网络，从而将员工考核指标、扣分原因、初评分数和考核分数输入深度神经网络，分析出不同考核指标的情况下员工扣分对考核分数的影响，从而提高员工考核的准确性；员工考核模块利用深度神经网络生成模型，并输入扣分原因以获得指标对应的考核分数。其中，每组员工考核数据输入的指标对应的扣分原因可以为多项，从而利用多项扣分原因可以分别得到初评分数，从而构建神经网络模型利用每组考核数据的多个初评分数与考核分数进行比较，得到各项扣分原因的关联关系对考核分数的影响，进一步实现对员工的考核。本发明适用于企业对员工的考核，减少了由于人工计算造成的错误，并且便于利用扣分原因核查员工考核分数是否正确。
针对第二方面～第四方面，其工作原理与第一方面相同，在次不必重复描述。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明实施例1基于深度学习的大数据配置调优系统的原理示意图；
图2为本发明实施例2基于深度学习的大数据配置调优方法的示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在本申请的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的各个实施例及实施例中的各个特征可以相互组合。
实施例1
请参阅图1，图1所示为本申请实施例提供的基于深度学习的大数据配置调优系统的原理图。基于深度学习的大数据配置调优系统，包括源数据模块、数据配置模块、数据分析模块、模型训练模块和员工考核模块：
所述源数据模块用于获取多组员工考核数据，每组所述员工考核数据均包括员工考核指标和考核分数，并将多组所述员工考核数据发送到所述数据配置模块和所述模型训练模块；
所述数据配置模块用于根据所述员工考核指标配置扣分原因，并将所述扣分原因发送到所述数据分析模块；
所述数据分析模块用于根据所述扣分原因计算每组所述考核数据的员工初评分数，并将所述员工初评分数发送到所述模型训练模块；
所述模型训练模块用于建立深度神经网络，将所述员工考核指标、所述扣分原因、所述初评分数和所述考核分数输入所述深度神经网络，利用所述深度神经网络训练得到员工考核神经模型，并将所述员工考核神经模型发送到所述员工考核模块；
所述员工考核模块用于将所述扣分原因输入所述员工考核神经模型得到所述考核分数。
详细的，源数据模块可以通过人工输入、网络或蓝牙获取员工考核数据。每组员工考核数据包括员工考核指标和考核分数，其中每组员工考核数据表示一个员工或一个部门的考核指标以及考核分数。源数据模块分布与数据配置模块以及模型训练模块通信连接。数据配置模块通过源数据模块获取员工考核指标，根据员工考核指标配置一个或多个扣分原因，比如考核考勤指标时，扣分原因可以是请假、旷工和迟到多项。数据分析模块与数据配置模块连接，从而数据分析模块获取扣分原因，并根据扣分原因计算员工或部门的初评分数。模型训练模块通过与员工分析模块通信连接，从而获取员工初评分数，并且通过源数据模块获取员工考核指标和考核分数。模型训练模块利用员工考核指标、考核分数、扣分原因和初评分数构建深度神经网络，分析员工的扣分原因得到的初评分数与最终的考核分数的关系，从而员工考核模块根据深度神经网络建立员工考核模型，利用模型得到不同员工考核指标的考核分数。其中，深度神经网络可以为多层，深度神经网络的输入层的节点可以根据员工考核指标设置，输出层的节点根据考核分数设置，中间层根据扣分原因和初评分数设置。
在本发明的一些实施例中，所述深度神经网络包括依次映射的输入层、隐含层和输出层，所述员工考核指标为所述输入层，所述扣分原因和所述初评分数为所述隐含层，所述考核分数为所述输出层。
详细的，员工考核指标为输入层，扣分原因和初评分数为隐含层，考核分数为输出层，从而建立映射关系，并且员工考核模块利用映射关系建立员工考核模型。具体的，员工考核模型利用员工分析扣分原因和考核分数的关系，从而通过员工考核模型输入扣分原因，输出考核分数的结果。深度神经网络中，扣分原因可以为第一隐含层，初评分数为第二隐含层，从而员工考核指标可以映射到扣分原因，扣分原因通过初评分数映射到考核分数。
在本发明的一些实施例中，所述扣分原因包括扣分项和扣分次数，所述数据分析模块根据所述扣分项和所述扣分次数计算所述初评分数。
详细的，不同扣分项可以设置不同的扣分分数，根据扣分次数可以计算出扣分原因的扣分总数。其中，初评分数可以根据员工考核指标设置总分数，从而根据总分数减去扣分分数计算出员工的初评分数，从而判断出扣分原因和考核分数的关系，得到更准确的考核分数。
在本发明的一些实施例中，系统包括员工信息模块，所述员工信息模块用于存储员工信息，并将所述员工信息发送到所述源数据模块，所述源数据模块根据员工信息输入每组员工考核数据。
详细的，员工信息模块用于存储员工信息，员工信息模块与源数据模块连接，从而将员工信息发送到源数据模块，通过源数据模块对应不同员工配置员工考核指标，并将每组员工考核指标发送到数据配置模块，便于采集不同员工的数据进行分析。并且利用员工信息配置员工考核指标，能够对不同员工的考核指标进行分析，便于员工考核模块得到更准确的训练模型。
在本发明的一些实施例中，所述数据配置模块连接所述员工信息模块。
详细的，数据配置模块根据不同员工的员工考核指标配置扣分原因后，通过源数据模块对员工考核指标标记的员工信息将对应的扣分原因上传到员工信息模块中，便于记录时同时将员工的扣分记录进行保存。可选的，员工信息中可以包括部门信息，模型训练模块可以根据员工信息将不同部门的员工分别建立深度神经网络，从而供员工考核模块分别构建各部门的员工考核神经模型，便于企业将不同模型根据权限分配给各部门使用，进一步提高了企业的员工考核效率。
在本发明的一些实施例中，所述数据配置模块根据所述员工考核指标配置扣分原因的权重，并将所述扣分原因的权重发送给所述数据分析模块。
详细的，数据配置模块根据员工考核指标配置扣分原因的权重，可以根据员工考核指标与扣分原因的关联强度分析，比如考核员工业绩时，业绩是否完成的权重大于业绩完成日期的权重。将扣分原因的权重发送到数据分析模块，从而数据分析模块根据扣分原因的权重计算员工初评分数。
在本发明的一些实施例中，所述数据配置模块根据不同所述员工考核指标配置多项扣分原因，所述员工考核模块输入多项所述扣分原因到所述员工考核神经模型得到所述考核分数。
详细的，数据配置模块根据员工考核指标配置的扣分原因可以分为多项，从而利用多项扣分原因得到的初评分数进行分析，判断多项扣分原因与考核结果的关系，提高考核分数的准确性。
可以理解，图1所示的结构仅为示意，基于深度学习的大数据配置调优系统还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
实施例2
请参阅图2，本申请实施例提供基于深度学习的大数据配置调优方法，包括如下步骤：获取多组员工考核数据，每组所述员工考核数据均包括员工考核指标和考核分数；根据所述员工考核指标配置扣分原因；根据所述扣分原因计算每组所述考核数据的员工初评分数；建立深度神经网络，将所述员工考核指标、所述扣分原因、所述初评分数和所述考核分数输入所述深度神经网络，利用所述深度神经网络训练得到员工考核神经模型；将所述扣分原因输入所述员工考核神经模型得到所述考核分数。
上述方法与实施例1的基于深度学习的大数据配置调优系统的原理相同，在此不必重复描述。
实施例3
本申请实施例提供电子设备，包括：存储器，用于存储一个或多个程序；处理器；当所述一个或多个程序被所述处理器执行时，实现如实施例2所述方法。
该存储器、处理器和通信接口相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器可用于存储软件程序及模块，如本申请实施例1所提供的基于深度学习的大数据配置调优系统对应的程序指令/模块，处理器通过执行存储在存储器内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口可用于与其他节点设备进行信令或数据的通信。
其中，存储器101可以是但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。
处理器可以是一种集成电路芯片，具有信号处理能力。该处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
同样的，上述实施例与实施例1中基于深度学习的大数据配置调优系统的原理相同，在此不必重复描述。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)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，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
综上所述，本申请实施例提供的基于深度学习的大数据配置调优系统、方法、设备及介质:
本申请实施例通过源数据模块获取多组员工考核数据，并且每组员工考核数据均包括员工考核指标和考核分数，通过数据配置模块根据员工考核指标配置扣分原因，并且数据分析模块根据扣分原因计算每组考核数据的员工初评分数，从而根据扣分原因得到扣分后的评分，并且建立深度神经网络，从而将员工考核指标、扣分原因、初评分数和考核分数输入深度神经网络，分析出不同考核指标的情况下员工扣分对考核分数的影响，从而提高员工考核的准确性；员工考核模块利用深度神经网络生成模型，并输入扣分原因以获得指标对应的考核分数。其中，每组员工考核数据输入的指标对应的扣分原因可以为多项，从而利用多项扣分原因可以分别得到初评分数，从而构建神经网络模型利用每组考核数据的多个初评分数与考核分数进行比较，得到各项扣分原因的关联关系对考核分数的影响，进一步实现对员工的考核。本发明适用于企业对员工的考核，减少了由于人工计算造成的错误，并且便于利用扣分原因核查员工考核分数是否正确。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其它的具体形式实现本申请。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，本申请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囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (10)
1.基于深度学习的大数据配置调优系统，其特征在于，包括源数据模块、数据配置模块、数据分析模块、模型训练模块和员工考核模块：
所述源数据模块用于获取多组员工考核数据，每组所述员工考核数据均包括员工考核指标和考核分数，并将多组所述员工考核数据发送到所述数据配置模块和所述模型训练模块；
所述数据配置模块用于根据所述员工考核指标配置扣分原因，并将所述扣分原因发送到所述数据分析模块；
所述数据分析模块用于根据所述扣分原因计算每组所述考核数据的员工初评分数，并将所述员工初评分数发送到所述模型训练模块；
所述模型训练模块用于建立深度神经网络，将所述员工考核指标、所述扣分原因、所述初评分数和所述考核分数输入所述深度神经网络，利用所述深度神经网络训练得到员工考核神经模型，并将所述员工考核神经模型发送到所述员工考核模块；
所述员工考核模块用于将所述扣分原因输入所述员工考核神经模型得到所述考核分数。
2.如权利要求1所述基于深度学习的大数据配置调优系统，其特征在于，所述深度神经网络包括依次映射的输入层、隐含层和输出层，所述员工考核指标为所述输入层，所述扣分原因和所述初评分数为所述隐含层，所述考核分数为所述输出层。
3.如权利要求1所述基于深度学习的大数据配置调优系统，其特征在于，所述扣分原因包括扣分项和扣分次数，所述数据分析模块根据所述扣分项和所述扣分次数计算所述初评分数。
4.如权利要求1所述基于深度学习的大数据配置调优系统，其特征在于，包括员工信息模块，所述员工信息模块用于存储员工信息，并将所述员工信息发送到所述源数据模块，所述源数据模块根据员工信息输入每组员工考核数据。
5.如权利要求4所述基于深度学习的大数据配置调优系统，其特征在于，所述数据配置模块连接所述员工信息模块。
6.如权利要求1所述基于深度学习的大数据配置调优系统，其特征在于，所述数据配置模块根据所述员工考核指标配置扣分原因的权重，并将所述扣分原因的权重发送给所述数据分析模块。
7.如权利要求1所述基于深度学习的大数据配置调优系统，其特征在于，所述数据配置模块根据不同所述员工考核指标配置多项扣分原因，所述员工考核模块输入多项所述扣分原因到所述员工考核神经模型得到所述考核分数。
8.基于深度学习的大数据配置调优方法，其特征在于，包括如下步骤：获取多组员工考核数据，每组所述员工考核数据均包括员工考核指标和考核分数；根据所述员工考核指标配置扣分原因；根据所述扣分原因计算每组所述考核数据的员工初评分数；建立深度神经网络，将所述员工考核指标、所述扣分原因、所述初评分数和所述考核分数输入所述深度神经网络，利用所述深度神经网络训练得到员工考核神经模型；将所述扣分原因输入所述员工考核神经模型得到所述考核分数。
9.电子设备，其特征在于，包括：存储器，用于存储一个或多个程序；处理器；当所述一个或多个程序被所述处理器执行时，实现如权利要求8所述方法。
10.计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求8所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110470395.1A CN113159596A (zh) | 2021-04-28 | 2021-04-28 | 基于深度学习的大数据配置调优系统、方法、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110470395.1A CN113159596A (zh) | 2021-04-28 | 2021-04-28 | 基于深度学习的大数据配置调优系统、方法、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113159596A true CN113159596A (zh) | 2021-07-23 |
Family
ID=76872590
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110470395.1A Pending CN113159596A (zh) | 2021-04-28 | 2021-04-28 | 基于深度学习的大数据配置调优系统、方法、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113159596A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
-
2021
- 2021-04-28 CN CN202110470395.1A patent/CN113159596A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sadinle et al. | A generalized Fellegi–Sunter framework for multiple record linkage with application to homicide record systems | |
| CN107993143A (zh) | 一种信贷风险评估方法及系统 | |
| Miranda et al. | Technical efficiency of business administration courses: a simultaneous analysis using DEA and SFA | |
| CN110286938B (zh) | 用于输出针对用户的评价信息的方法和装置 | |
| CN115841046B (zh) | 基于维纳过程的加速退化试验数据处理方法和装置 | |
| JP2017507393A (ja) | 複合的ダイアディック又はマルチプルなカウンターパーティ関係を発見するために使用される多次元再帰的学習プロセス及びシステム | |
| US10790049B2 (en) | Method and system for managing health care patient record data | |
| CN109063736A (zh) | 数据分类方法、装置、电子设备及计算机可读存储介质 | |
| CN114840531B (zh) | 基于血缘关系的数据模型重构方法、装置、设备及介质 | |
| CN116362702A (zh) | 一种就业信息智慧管理及就业服务平台 | |
| Rakhman et al. | Applying analytic hierarchy process for measuring knowledge management readiness in government institutions | |
| CN113159596A (zh) | 基于深度学习的大数据配置调优系统、方法、设备及介质 | |
| CN111858236B (zh) | 知识图谱监控方法、装置、计算机设备及存储介质 | |
| Harmon | t-tests in Excel-The Excel statistical master | |
| CN113987186A (zh) | 一种基于知识图谱生成营销方案的方法和装置 | |
| CN114648310A (zh) | 供应商的行为数据分析方法、系统及装置 | |
| CN114489760A (zh) | 代码质量评价方法和代码质量评价装置 | |
| CN113656692A (zh) | 基于知识迁移算法的产品推荐方法、装置、设备及介质 | |
| Riemann | Value-chain oriented identification of indicators to establish a comprehensive process improvement framework | |
| Levitin et al. | Digital economy in management and evaluation of transport and logistics projects and life cycle processes | |
| CN111866741A (zh) | 用户运动轨迹追溯方法及装置 | |
| CN106301880A (zh) | 一种确定网络关系稳定度、互联网业务推荐方法和设备 | |
| CN114693179B (zh) | 风险客群划分评估方法、装置、设备及存储介质 | |
| CN110362466A (zh) | 出价逻辑测试方法、装置、计算机设备及存储介质 | |
| CN109784637A (zh) | 应用于处理平台数据分析的方法和装置 |
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: 20210723 |