CN113723093B - 人员管理策略推荐方法、装置、计算机设备及存储介质 - Google Patents
人员管理策略推荐方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113723093B CN113723093B CN202111015633.6A CN202111015633A CN113723093B CN 113723093 B CN113723093 B CN 113723093B CN 202111015633 A CN202111015633 A CN 202111015633A CN 113723093 B CN113723093 B CN 113723093B
- Authority
- CN
- China
- Prior art keywords
- feature
- personnel
- image
- keywords
- face
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000007726 management method Methods 0.000 claims description 83
- 238000013145 classification model Methods 0.000 claims description 46
- 230000006399 behavior Effects 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 18
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 230000001815 facial effect Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 13
- 238000005516 engineering process Methods 0.000 abstract description 13
- 238000012549 training Methods 0.000 description 14
- 230000003068 static effect Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000002650 habitual effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 230000004399 eye closure Effects 0.000 description 2
- 210000004709 eyebrow Anatomy 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 238000009394 selective breeding Methods 0.000 description 1
- 238000002187 spin decoupling employing ultra-broadband-inversion sequences generated via simulated annealing Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种人员管理策略推荐方法、装置、计算机设备及存储介质,属于人工智能技术领域,本申请通过获取待考核人员的历史往来文件和历史视图文件,提取历史往来文件的关键词,并对关键词进行分类,以生成待考核人员的第一反馈信息,从历史视图文件中提取待考核人员的人脸特征分布和行为特征分布,以生成待考核人员的第二反馈信息,对第一反馈信息和第二反馈信息进行聚类,得到在职状态考核结果,基于在职状态考核结果为待考核人员推荐人员管理策略。此外,本申请还涉及区块链技术,历史资料信息可存储于区块链中。本申请能够在进行人员管理策略推荐时,有效减少个人主观因素的影响,能更为有针对性地对实现人才管理策略的推荐。
Description
技术领域
本申请属于人工智能技术领域,具体涉及一种人员管理策略推荐方法、装置、计算机设备及存储介质。
背景技术
目前,企业市场竞争的核心元素就是人才储备,因此如何准确地分析评定员工职业特性,根据员工自身的优势,进行高效准确管理,显得尤为重要。只有契合员工的职业发展,并且助力为其提供相对应的平台,才能使员工发挥出最大价值,实现公司和员工的双赢。
但是,目前市场上并没有很有效的人才管理策略推荐方案,各大公司仅根据员工日常工作绩效以及主管的评价,人为地进行人才选拔考核。其中,人为选拔难免会受到一些主观情绪判断以及一些客观因素影响。无独有偶,某些大公司员工数以万计,公司数据、岗位信息更是纷繁复杂,难以通过人力的方式逐一每一位员工的个人能力进行分析评估,同时人为选拔也会消耗大量人力资源和资金,且不能达到预期人才效能管理的目标。因此,如何能更为真实、准确的管理人才策略,就显得尤为突出。
发明内容
本申请实施例的目的在于提出一种人员管理策略推荐方法、装置、计算机设备及存储介质,以解决现有的人为人才管理策略推荐方案存在的消耗资源过多,且难以达到预期人才效能管理目标的技术问题。
为了解决上述技术问题,本申请实施例提供一种人员管理策略推荐方法,采用了如下所述的技术方案:
一种人员管理策略推荐方法,包括:
接收管理策略推荐指令,获取待考核人员的历史资料信息,其中,所述历史资料信息包括历史往来文件和历史视图文件;
提取所述历史往来文件的关键词,并对所述关键词进行分类;
基于所述关键词的分类结果,生成所述待考核人员的第一反馈信息;
从所述历史视图文件中提取关键帧图像,并从所述关键帧图像的提取所述待考核人员的人脸特征分布和行为特征分布;
基于所述人脸特征分布和所述行为特征分布,生成所述待考核人员的第二反馈信息;
基于预设的聚类算法对所述第一反馈信息和所述第二反馈信息进行聚类,得到所述待考核人员的在职状态考核结果;
基于所述在职状态考核结果为所述待考核人员推荐人员管理策略。
进一步地,所述提取所述历史往来文件的关键词,并对所述关键词进行分类的步骤,具体包括:
对所述历史往来文件进行预处理,获取所述历史往来文件中的有效文本;
对所述有效文本进行分词,并去除所述有效文本中的停用词,得到所述关键词;
将所述关键词导入到预先训练好的分类模型,基于所述分类模型对所述关键词进行分类,输出所述关键词的分类结果。
进一步地,所述将所述关键词导入到预先训练好的分类模型,基于所述分类模型对所述关键词进行分类,输出所述关键词的分类结果的步骤,具体包括:
将所述关键词导入到预先训练好的分类模型,并在所述分类模型中计算所述关键词和预设特征标签的相似度;
对所述相似度进行排序,并输出相似度最大的结果作为所述关键词对应的分类结果。
进一步地,所述从所述历史视图文件中提取关键帧图像,并从所述关键帧图像的提取所述待考核人员的人脸特征分布和行为特征分布的步骤,具体包括:
从所述历史视图文件中提取关键帧图像,并确定所述关键帧图像中的人物目标对象;
对所述人物目标对象进行区域分割,得到所述目标对象的脸部区域图像和肢体区域图像;
分别采集所述脸部区域图像和肢体区域图像上的图像特征点;
连接所述脸部区域图像的图像特征点建立人脸3D网格,以及连接所述肢体区域图像的图像特征点建立肢体3D网格;
基于所述人脸3D网格生成所述待考核人员的人脸3D特征分布,以及基于所述肢体3D网格生成所述待考核人员的肢体3D特征分布。
进一步地,所述基于所述人脸3D网格生成所述待考核人员的人脸3D特征分布,以及基于所述肢体3D网格生成所述待考核人员的肢体3D特征分布的步骤,具体包括:
获取所述脸部区域图像上图像特征点的特征值,得到第一特征值,以及获取所述肢体区域图像上图像特征点的特征值,得到第二特征值;
根据所述第一特征值和所述人脸3D网格计算所述脸部区域图像的图像特征点之间的连接关系,得到第一连接关系,以及根据所述第二特征值和所述肢体3D网格计算所述肢体区域图像的图像特征点之间的连接关系,得到第二连接关系;
基于所述第一连接关系生成所述待考核人员的人脸3D特征分布,以及基于所述第二连接关系生成所述待考核人员的肢体3D特征分布。
进一步地,所述根据所述第一特征值和所述人脸3D网格计算所述脸部区域图像的图像特征点之间的连接关系,得到第一连接关系,以及根据所述第二特征值和所述肢体3D网格计算所述肢体区域图像的图像特征点之间的连接关系,得到第二连接关系的步骤,具体包括:
基于所述人脸3D网格计算所述脸部区域图像的图像特征点的位置信息,得到第一位置信息;
基于所述肢体3D网格计算所述肢体区域图像的图像特征点的位置信息,得到第二位置信息;
基于所述第一特征值和所述第一位置信息确定所述脸部区域图像的图像特征点之间的连接关系,得到第一连接关系;
基于所述第二特征值和所述第二位置信息确定所述肢体区域图像的图像特征点之间的连接关系,得到第二连接关系。
进一步地,所述基于预设的聚类算法对所述第一反馈信息和所述第二反馈信息进行聚类,得到所述待考核人员的在职状态考核结果的步骤,具体包括:
对所述第一反馈信息进行特征提取,得到第一反馈特征,以及对所述第二反馈信息进行特征提取,得到第二反馈特征;
将所述第一反馈特征和所述第二反馈特征映射到同一个特征空间中;
在所述特征空间中基于所述聚类算法对所述第一反馈特征和所述第二反馈特征进行聚类运算;
将所述聚类运算结果作为所述待考核人员的在职状态考核结果。
为了解决上述技术问题,本申请实施例还提供一种人员管理策略推荐装置,采用了如下所述的技术方案:
一种人员管理策略推荐装置,包括:
指令接收模块,用于接收管理策略推荐指令,获取待考核人员的历史资料信息,其中,所述历史资料信息包括历史往来文件和历史视图文件;
关键词分类模块,用于提取所述历史往来文件的关键词,并对所述关键词进行分类;
第一反馈模块,用于基于所述关键词的分类结果,生成所述待考核人员的第一反馈信息;
关键帧分析模块,用于从所述历史视图文件中提取关键帧图像,并从所述关键帧图像的提取所述待考核人员的人脸特征分布和行为特征分布;
第二反馈模块,用于基于所述人脸特征分布和所述行为特征分布,生成所述待考核人员的第二反馈信息;
信息聚类模块,用于基于预设的聚类算法对所述第一反馈信息和所述第二反馈信息进行聚类,得到所述待考核人员的在职状态考核结果;
策略推荐模块,用于基于所述在职状态考核结果为所述待考核人员推荐人员管理策略。
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方案:
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述所述的人员管理策略推荐方法的步骤。
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方案:
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述所述的人员管理策略推荐方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请公开了一种人员管理策略推荐方法、装置、计算机设备及存储介质,属于人工智能技术领域,本申请通过分析待考核人员的历史往来文件,得到第一反馈信息,其中,历史往来文件可以是待考核人员的历史邮件、历史聊天记录等等,以及通过分析待考核人员的历史视图文件,得到第二反馈信息,其中,历史视图文件可以是待考核人员的历史参会图片或视频、日常表现图片或视频等等,然后通过对第一反馈信息和第二反馈信息进行聚类运算,并将聚类结果作为待考核人员的在职状态考核结果,以及基于在职状态考核结果为待考核人员推荐人员管理策略。本申请能够在进行人员管理策略推荐时,有效减少人力投入,同时降低个人主观因素的影响,更为有针对性地对实现人才管理策略的推荐。
附图说明
为了更清楚地说明本申请中的方案,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,显而易见地,下面描述中的附图是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示出了本申请可以应用于其中的示例性系统架构图;
图2示出了根据本申请的人员管理策略推荐方法的一个实施例的流程图;
图3示出了根据本申请的人员管理策略推荐装置的一个实施例的结构示意图;
图4示出了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。本申请的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方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、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,服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
需要说明的是,本申请实施例所提供的人员管理策略推荐方法一般由服务器执行,相应地,人员管理策略推荐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,示出了根据本申请的人员管理策略推荐方法的一个实施例的流程图。,本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
目前,人为选拔难免会受到一些主观情绪判断以及一些客观因素影响。无独有偶,某些大公司员工数以万计,公司数据、岗位信息更是纷繁复杂,难以通过人力的方式逐一每一位员工的个人能力进行分析评估,同时人为选拔也会消耗大量人力资源和资金,且不能达到预期人才效能管理的目标。本申请公开了一种人员管理策略推荐方法、装置、计算机设备及存储介质,本申请能够在进行人员管理策略推荐时,有效减少人力投入,同时降低个人主观因素的影响,更为有针对性地对实现人才管理策略的推荐。本申请人员管理策略推荐方法的具体实现方案如下:
S201,接收管理策略推荐指令,获取待考核人员的历史资料信息,其中,所述历史资料信息包括历史往来文件和历史视图文件。
具体的,服务器在接收管理策略推荐指令后,获取待考核人员的历史资料信息,其中,历史资料信息包括历史往来文件和历史视图文件,历史往来文件可以是待考核人员的历史邮件、历史聊天记录等,通过历史邮件、历史聊天记录等提取待考核人员在职期间的历史考核信息或者考核反馈信息。历史视图文件可以是待考核人员的历史参会图片或视频、日常表现图片或视频等,通过分析历史参会图片或视频、日常表现图片或视频等获得待考核人员的职业人格信息。
在本实施例中,人员管理策略推荐方法运行于其上的电子设备(例如图1所示的服务器/终端设备)可以通过有线连接方式或者无线连接方式接收管理策略推荐指令。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
S202,提取所述历史往来文件的关键词,并对所述关键词进行分类。
具体的,服务器在获得历史往来文件后,对历史往来文件进行预处理,获取历史往来文件中的有效文本,有效文本可以是对待考核人员的在职状态考核有意义的文本,例如,服务器获取到待考核人员的历史邮件,但历史邮件中含有许多对于在职状态考核没有意义的邮件,如广告邮件等,服务器对历史邮件进行预处理,过滤无效邮件,获取有效邮件,如待考核人员的各个阶段考核评级邮件、待考核人员的各次培训反馈邮件等等。服务器获取有效文本后,对有效文本进行分词,并去除其中的停用词,得到有效文本中的关键词,将关键词导入到预先训练好的分类模型,基于分类模型对键词进行分类,输出关键词的分类结果。
S203,基于所述关键词的分类结果,生成所述待考核人员的第一反馈信息。
具体的,对有效文本进行分词之后可以获得多个关键词,将多个关键词到输入分类模型,在进行关键词的分类时可以获得多个分类结果,服务器通过整合多个分类结果,生成待考核人员的第一反馈信息,第一反馈信息即待考核人员在职期间的历史考核信息或者考核反馈信息。
S204,从所述历史视图文件中提取关键帧图像,并从所述关键帧图像的提取所述待考核人员的人脸特征分布和行为特征分布。
具体的,历史视图文件可以是待考核人员的历史参会图片或视频、日常表现图片或视频等等,在服务器获取到历史视图文件后,需要从历史视图文件中提取关键帧图像,例如,从历史视图文件中提取带有人物目标对象的关键帧图像,然后通过在关键帧图像上建立3D网格,以获得人物目标对象的3D特征分布,最后基于3D特征分布生成待考核人员的人脸特征分布和行为特征分布。
S205,基于所述人脸特征分布和所述行为特征分布,生成所述待考核人员的第二反馈信息。
其中,服务器通过一个训练好的图像识别模型来对上述获得的人脸特征分布和行为特征分布进行分析和识别,以生成待考核人员的第二反馈信息,图像识别模型可以基于深度学习的神经网络架构进行构建,如CNN、RNN网络等等。在本申请一种具体的实施例中,图像识别模型包括静态分析模块和动态分析模块,静态分析模块用于分析静态特征,动态分析模块用于分析动态特征。
具体的,服务器首先需要基于深度学习的神经网络训练一个图像识别模型,然后在获得待考核人员的人脸特征分布和行为特征分布后,将人脸特征分布和行为特征分布在对应的关键帧图像进行标注,并将标注后的关键帧图像逐一输入至图像识别模型的静态分析模块,以图像完成静态分析,例如,通过静态分析获得关键帧图像中的人眼闭合度、人脸中心位置、眉心周色素量和手部中心位置四个区域的信息等。接着服务器将标注后的关键帧图像组包,并输入至图像识别模型的动态分析模块,以图像完成动态分析,例如,针对于上述静态识别的四个区域,通过动态分析获得上述四个区域的动态变化量,即人眼闭合频率、人脸移动轨迹、皱眉频率、手部动作轨迹等。最后服务器基于静态分析和动态分析结果预测生成待考核人员的第二反馈信息,第二反馈信息可以是待考核人员的人格特征报告,通过分析人格特征报告获得待考核人员的职业人格信息。
在本实施例中,通过分析历史视图文件得到待考核人员的人格信息,得出人格特征报告,其中包括习惯性眨眼、人物是否有摇头的习惯、习惯性皱眉、录制视频时习惯性手部动作等,并通过上述人格特征报告判断待考核人员的职业人格。通过图像识别技术和人格特征分析技术相结合,通过采集人眼闭合度识别、眉心周色素量识别、人脸中心位置识别、手部中心位置识别、人物动作的变化量来智能识别人格特征。
S206,基于预设的聚类算法对所述第一反馈信息和所述第二反馈信息进行聚类,得到所述待考核人员的在职状态考核结果。
其中,预设的聚类算法为K最近邻算法,K最近邻(k-Nearest Neighbor,KNN)算法,是一个理论上比较成熟的分类/回归方法,也是最简单的机器学习算法之一。K最近邻算法的思路是在特征空间中,如果一个样本附近的k个最近(即特征空间中最邻近)样本的大多数属于某一个类别,则该样本也属于这个类别。K最近邻算法通常用于样本分类和样本回归(即聚类)。
具体的,服务器基于预设的K近邻算法对述第一反馈信息和第二反馈信息中的反馈特征进行聚类运算,使得关键的反馈特征对应的权重得到增强,而非关键的反馈特征对应的权重被减弱,获取聚类运算的结果,即为待考核人员的在职状态考核结果。
S207,基于所述在职状态考核结果为所述待考核人员推荐人员管理策略。
具体的,预先构建人员管理策略表单,其中,人员管理策略表单上记录着多个在职状态考核结果和多条人员管理策略,其中,每一个在职状态考核结果对应一条或多条人员管理策略。在服务器得到待考核人员的在职状态考核结果后,通过查询人员管理策略表单,确定该职状态考核结果对应的人员管理策略,然后输出查询到的人员管理策略。
在上述实施例中,本申请通过分析待考核人员的历史往来文件,得到第一反馈信息,其中,历史往来文件可以是待考核人员的历史邮件、历史聊天记录等等,以及通过分析待考核人员的历史视图文件,得到第二反馈信息,其中,历史视图文件可以是待考核人员的历史参会图片或视频、日常表现图片或视频等等,然后通过对第一反馈信息和第二反馈信息进行聚类运算,并将聚类结果作为待考核人员的在职状态考核结果,以及基于在职状态考核结果为待考核人员推荐人员管理策略。本申请能够在进行人员管理策略推荐时,有效减少人力投入,同时降低个人主观因素的影响,更为有针对性地对实现人才管理策略的推荐。
进一步地,所述提取所述历史往来文件的关键词,并对所述关键词进行分类的步骤,具体包括:
对所述历史往来文件进行预处理,获取所述历史往来文件中的有效文本;
对所述有效文本进行分词,并去除所述有效文本中的停用词,得到所述关键词;
将所述关键词导入到预先训练好的分类模型,基于所述分类模型对所述关键词进行分类,输出所述关键词的分类结果。
具体的,服务器对历史往来文件进行预处理,获取历史往来文件中的有效文本,对有效文本进行分词,并去除停用词,得到关键词,将关键词导入到预先训练好的分类模型,基于分类模型对键词进行分类,输出关键词的分类结果。
在本申请一种具体的实施例中,分类模型可以选择BERT序列化标注模型,BERT模型已经可以解决序列标注问题,通过序列标注实现特征分类。以词性标注为例,BERT模型的encoding vector(编码向量)通过FC layer(全连接层)映射到标签集合后,每一维度的数值就表示该token的词性为某一词性的概率,通过计算词性概率对输入的关键性进行分类。
进一步地,所述将所述关键词导入到预先训练好的分类模型,基于所述分类模型对所述关键词进行分类,输出所述关键词的分类结果的步骤,具体包括:
将所述关键词导入到预先训练好的分类模型,并在所述分类模型中计算所述关键词和预设特征标签的相似度;
对所述相似度进行排序,并输出相似度最大的结果作为所述关键词对应的分类结果。
具体的,服务器提取关键词的特征,并对提取到的特征进行向量转化得到特征向量,将特征向量导入到预先训练好的分类模型,在分类模型中计算特征向量和预设特征标签的相似度,对相似度进行排序,并输出相似度最大的结果作为关键词对应的分类结果。
在上述实施例中,通过分类模型对历史往来文件中的关键词进行分类,获得多个分类结果,通过整合多个分类结果,生成待考核人员的第一反馈信息,即待考核人员在职期间的历史考核信息或者考核反馈信息。
在本申请一种具体的实施例中,在进行关键词分类之前,还需要预先对分类模型进行训练,服务器获取用于训练分类模型的训练样本,并对训练样本进行标注,得到标注结果,其中,标注结果将用于计算分类误差,将训练样本和标注结果导入到初始分类模型,通过初始分类模型对训练样本进行预测,得到初始分类结果。然后,服务器通过损失函数计算初始分类结果与标注结果之间的误差,得到识别误差,最后,服务器通过比对识别误差与预设的误差阈值,当识别误差大于误差阈值时,对初始分类模型进行迭代,直至识别误差小于或等于误差阈值为止,得到训练好的分类模型。
在上述训练过程中,初始分类模型通过学习训练样本中各个分词的词长阈值和词频阈值,基于词长阈值和词频阈值对训练样本中各个分词进行预测分析,并将预测结果与标注结果进行比较,当预测结果符合预期时,记录练样本中各个分词词长、词频以及预测结果形成一个超完备词典,即完成分类模型的训练。
在上述实施例中,通过获得训练样本,并将训练样本导入初始分类模型以训练一个成熟的分类模型,通过分类模型对历史往来文件中的关键词进行分类,获得多个分类结果,通过整合多个分类结果,生成待考核人员的第一反馈信息,即待考核人员在职期间的历史考核信息或者考核反馈信息。
进一步地,所述从所述历史视图文件中提取关键帧图像,并从所述关键帧图像的提取所述待考核人员的人脸特征分布和行为特征分布的步骤,具体包括:
从所述历史视图文件中提取关键帧图像,并确定所述关键帧图像中的人物目标对象;
对所述人物目标对象进行区域分割,得到所述目标对象的脸部区域图像和肢体区域图像;
分别采集所述脸部区域图像和肢体区域图像上的图像特征点;
连接所述脸部区域图像的图像特征点建立人脸3D网格,以及连接所述肢体区域图像的图像特征点建立肢体3D网格;
基于所述人脸3D网格生成所述待考核人员的人脸3D特征分布,以及基于所述肢体3D网格生成所述待考核人员的肢体3D特征分布。
其中,可以通过Susan(Smallest Univalue Segment Assimilating Nucleus)算子采集目标对象的图像特征点,用一个圆形模板遍历关键帧图像,若模板内其他任意像素的灰度值与模板中心像素(核)的灰度值的差小于一定阈值,就认为该点与核具有相同(或相近)的灰度值,满足这样条件的像素组成的区域称为核值相似区(Univalue SegmentAssimilating Nucleus,USAN)。把图像中的每个像素与具有相近灰度值的局部区域相联系是SUSAN准则的基。根据Susan算子的特性,Susan算子它既可用来检测边缘,又能用来提取角点。连接关系可以是图像特征点之间的拓扑连接关系、空间几何距离或者各种图像特征点组合的动态连接关系等。
具体的,服务器从历史视图文件中提取关键帧图像,并确定关键帧图像中的人物目标对象,对人物目标对象进行区域分割,得到目标对象的脸部区域图像和肢体区域图像,通过Susan算子采集脸部区域图像和肢体区域图像上的图像特征点,连接脸部区域图像的图像特征点建立人脸3D网格,以及连接肢体区域图像的图像特征点建立肢体3D网格,基于人脸3D网格生成待考核人员的人脸3D特征分布,以及基于肢体3D网格生成待考核人员的肢体3D特征分布。
在上述实施例中,服务器通过Susan算子的检测边缘和角点提取采集图像的图像特征点,通过连接图像特征点建立3D网格,通过3D网格获得待考核人员的3D特征分布,3D特征分布可以用于生成人格特征报告,通过分析人格特征报告得到待考核人员的职业人格。
进一步地,所述基于所述人脸3D网格生成所述待考核人员的人脸3D特征分布,以及基于所述肢体3D网格生成所述待考核人员的肢体3D特征分布的步骤,具体包括:
获取所述脸部区域图像上图像特征点的特征值,得到第一特征值,以及获取所述肢体区域图像上图像特征点的特征值,得到第二特征值;
根据所述第一特征值和所述人脸3D网格计算所述脸部区域图像的图像特征点之间的连接关系,得到第一连接关系,以及根据所述第二特征值和所述肢体3D网格计算所述肢体区域图像的图像特征点之间的连接关系,得到第二连接关系;
基于所述第一连接关系生成所述待考核人员的人脸3D特征分布,以及基于所述第二连接关系生成所述待考核人员的肢体3D特征分布。
具体的,服务器获取脸部区域图像上各个图像特征点的特征值,得到第一特征值,以及获取肢体区域图像上各个图像特征点的特征值,得到第二特征值,其中,图像特征点的特征值可以可以通过分析图像特征点的颜色信息得到,如分析图像特征点所在像素的色相、对比度、饱和度等颜色信息获得图像特征点的特征值。然后根据第一特征值和人脸3D网格计算脸部区域图像的图像特征点之间的连接关系,得到第一连接关系,以及根据第二特征值和肢体3D网格计算肢体区域图像的图像特征点之间的连接关系,得到第二连接关系,基于第一连接关系生成待考核人员的人脸3D特征分布,以及基于第二连接关系生成待考核人员的肢体3D特征分布。其中,上述连接关系可以是图像特征点之间的拓扑连接关系、空间几何距离或者各种图像特征点组合的动态连接关系等。
具体而言,通过颜色信息可以针对图像特征的特征点对相关特征值进行度量,特征值为各个图像特征点在2D平面上的包括对位置、距离、形状、大小、角度、弧度以及曲率中的一种或者多种的度量,此外,特征值还包括对色彩、亮度、纹理等的度量。
在上述实施例中,服务器通过获取图像特征点的特征值,以及通过图像特征点的特征值和3D网格计算图像特征点之间的连接关系,通过连接关系生成待考核人员的3D特征分布,其中,图像特征点之间的连接关系可以是图像特征点之间的拓扑连接关系、空间几何距离或者各种图像特征点组合的动态连接关系等。
进一步地,所述根据所述第一特征值和所述人脸3D网格计算所述脸部区域图像的图像特征点之间的连接关系,得到第一连接关系,以及根据所述第二特征值和所述肢体3D网格计算所述肢体区域图像的图像特征点之间的连接关系,得到第二连接关系的步骤,具体包括:
基于所述人脸3D网格计算所述脸部区域图像的图像特征点的位置信息,得到第一位置信息;
基于所述肢体3D网格计算所述肢体区域图像的图像特征点的位置信息,得到第二位置信息;
基于所述第一特征值和所述第一位置信息确定所述脸部区域图像的图像特征点之间的连接关系,得到第一连接关系;
基于所述第二特征值和所述第二位置信息确定所述肢体区域图像的图像特征点之间的连接关系,得到第二连接关系。
具体的,服务器基于人脸3D网格中各个图像特征点的坐标计算脸部区域图像的图像特征点的位置信息,得到第一位置信息,基于肢体3D网格各个图像特征点的坐标计算肢体区域图像的图像特征点的位置信息,得到第二位置信息。然后基于第一特征值和第一位置信息确定脸部区域图像的图像特征点之间的连接关系,得到第一连接关系,基于第二特征值和第二位置信息确定肢体区域图像的图像特征点之间的连接关系,得到第二连接关系。例如,在脸部区域图像的图像特征点的特征值计算过程中,可以根据虹膜中心像素点向周围延伸,得到眼睛的全部像素位置、眼睛的形状、眼角的倾斜弧度、眼睛的颜色等等,结合颜色信息和深度信息,则可以计算出特征点之间的连接关系。
在上述实施例中,服务器通过各个图像特征点的坐标计算图像特征点的位置信息,通过图像特征点的特征值和位置信息确定图像特征点之间的连接关系,图像特征点之间的连接关系用于生成待考核人员的3D特征分布。
进一步地,所述基于预设的聚类算法对所述第一反馈信息和所述第二反馈信息进行聚类,得到所述待考核人员的在职状态考核结果的步骤,具体包括:
对所述第一反馈信息进行特征提取,得到第一反馈特征,以及对所述第二反馈信息进行特征提取,得到第二反馈特征;
将所述第一反馈特征和所述第二反馈特征映射到同一个特征空间中;
在所述特征空间中基于所述聚类算法对所述第一反馈特征和所述第二反馈特征进行聚类运算;
将所述聚类运算结果作为所述待考核人员的在职状态考核结果。
具体的,服务器对第一反馈信息进行特征提取,得到第一反馈特征,以及对第二反馈信息进行特征提取,得到第二反馈特征,将第一反馈特征和第二反馈特征映射到同一个特征空间中,在特征空间中基于K近邻算法对第一反馈特征和第二反馈特征进行聚类运算,使得关键的反馈特征对应的权重得到增强,而非关键的反馈特征对应的权重被减弱,将聚类运算结果作为待考核人员的在职状态考核结果。
在上述实施例中,本申请通过获取待考核人员在职期间的历史考核或者反馈的信息,以及通过获取职业人格信息,并聚合上述信息,生成待考核人员当前的在职状态考核结果,以及根据在职状态考核结果为待考核人员自动推荐对应的人员管理策略。本申请能够在进行人员管理策略推荐时,有效减少人力投入,同时降低个人主观因素的影响,更为有针对性地对实现人才管理策略的推荐。
本申请公开了一种人员管理策略推荐方法属于人工智能技术领域,本申请通过分析待考核人员的历史往来文件,得到第一反馈信息,其中,历史往来文件可以是待考核人员的历史邮件、历史聊天记录等等,以及通过分析待考核人员的历史视图文件,得到第二反馈信息,其中,历史视图文件可以是待考核人员的历史参会图片或视频、日常表现图片或视频等等,然后通过对第一反馈信息和第二反馈信息进行聚类运算,并将聚类结果作为待考核人员的在职状态考核结果,以及基于在职状态考核结果为待考核人员推荐人员管理策略。本申请能够在进行人员管理策略推荐时,有效减少人力投入,同时降低个人主观因素的影响,更为有针对性地对实现人才管理策略的推荐。
需要强调的是,为进一步保证上述待考核人员的历史资料信息的私密和安全性,上述待考核人员的历史资料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,该计算机可读指令在执行时,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,本申请提供了一种人员管理策略推荐装置的一个实施例,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,本实施例所述的人员管理策略推荐装置包括:
指令接收模块301,用于接收管理策略推荐指令,获取待考核人员的历史资料信息,其中,所述历史资料信息包括历史往来文件和历史视图文件;
关键词分类模块302,用于提取所述历史往来文件的关键词,并对所述关键词进行分类;
第一反馈模块303,用于基于所述关键词的分类结果,生成所述待考核人员的第一反馈信息;
关键帧分析模块304,用于从所述历史视图文件中提取关键帧图像,并从所述关键帧图像的提取所述待考核人员的人脸特征分布和行为特征分布;
第二反馈模块305,用于基于所述人脸特征分布和所述行为特征分布,生成所述待考核人员的第二反馈信息;
信息聚类模块306,用于基于预设的聚类算法对所述第一反馈信息和所述第二反馈信息进行聚类,得到所述待考核人员的在职状态考核结果;
策略推荐模块307,用于基于所述在职状态考核结果为所述待考核人员推荐人员管理策略。
进一步地,所述关键词分类模块302具体包括:
预处理子模块,用于对所述历史往来文件进行预处理,获取所述历史往来文件中的有效文本;
分词子模块,用于对所述有效文本进行分词,并去除所述有效文本中的停用词,得到所述关键词;
关键词分类子模块,用于将所述关键词导入到预先训练好的分类模型,基于所述分类模型对所述关键词进行分类,输出所述关键词的分类结果。
进一步地,所述关键词分类子模块具体包括:
相似度计算单元,用于将所述关键词导入到预先训练好的分类模型,并在所述分类模型中计算所述关键词和预设特征标签的相似度;
关键词分类单元单元,用于对所述相似度进行排序,并输出相似度最大的结果作为所述关键词对应的分类结果。
进一步地,所述关键帧分析模块304具体包括:
目标提取子模块,用于从所述历史视图文件中提取关键帧图像,并确定所述关键帧图像中的人物目标对象;
区域分割子模块,用于对所述人物目标对象进行区域分割,得到所述目标对象的脸部区域图像和肢体区域图像;
特征点采集子模块,用于分别采集所述脸部区域图像和肢体区域图像上的图像特征点;
3D网格构建子模块,用于连接所述脸部区域图像的图像特征点建立人脸3D网格,以及连接所述肢体区域图像的图像特征点建立肢体3D网格;
3D特征分布生成子模块,用于基于所述人脸3D网格生成所述待考核人员的人脸3D特征分布,以及基于所述肢体3D网格生成所述待考核人员的肢体3D特征分布。
进一步地,所述3D特征分布生成子模块具体包括:
特征值获取单元,用于获取所述脸部区域图像上图像特征点的特征值,得到第一特征值,以及获取所述肢体区域图像上图像特征点的特征值,得到第二特征值;
连接关系生成单元,用于根据所述第一特征值和所述人脸3D网格计算所述脸部区域图像的图像特征点之间的连接关系,得到第一连接关系,以及根据所述第二特征值和所述肢体3D网格计算所述肢体区域图像的图像特征点之间的连接关系,得到第二连接关系;
3D特征分布生成单元,用于基于所述第一连接关系生成所述待考核人员的人脸3D特征分布,以及基于所述第二连接关系生成所述待考核人员的肢体3D特征分布。
进一步地,所述连接关系生成单元具体包括:
第一位置计算单元,用于基于所述人脸3D网格计算所述脸部区域图像的图像特征点的位置信息,得到第一位置信息;
第二位置计算单元,用于基于所述肢体3D网格计算所述肢体区域图像的图像特征点的位置信息,得到第二位置信息;
第一连接关系生成单元,用于基于所述第一特征值和所述第一位置信息确定所述脸部区域图像的图像特征点之间的连接关系,得到第一连接关系;
第二连接关系生成单元,用于基于所述第二特征值和所述第二位置信息确定所述肢体区域图像的图像特征点之间的连接关系,得到第二连接关系。
进一步地,所述信息聚类模块306具体包括:
反馈特征提取子模块,用于对所述第一反馈信息进行特征提取,得到第一反馈特征,以及对所述第二反馈信息进行特征提取,得到第二反馈特征;
特征映射子模块,用于将所述第一反馈特征和所述第二反馈特征映射到同一个特征空间中;
聚类运算子模块,用于在所述特征空间中基于所述聚类算法对所述第一反馈特征和所述第二反馈特征进行聚类运算;
考核结果生成子模块,用于将所述聚类运算结果作为所述待考核人员的在职状态考核结果。
本申请公开了一种人员管理策略推荐装置,属于人工智能技术领域,本申请通过分析待考核人员的历史往来文件,得到第一反馈信息,其中,历史往来文件可以是待考核人员的历史邮件、历史聊天记录等等,以及通过分析待考核人员的历史视图文件,得到第二反馈信息,其中,历史视图文件可以是待考核人员的历史参会图片或视频、日常表现图片或视频等等,然后通过对第一反馈信息和第二反馈信息进行聚类运算,并将聚类结果作为待考核人员的在职状态考核结果,以及基于在职状态考核结果为待考核人员推荐人员管理策略。本申请能够在进行人员管理策略推荐时,有效减少人力投入,同时降低个人主观因素的影响,更为有针对性地对实现人才管理策略的推荐。
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。需要指出的是,图中仅示出了具有组件41-43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(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,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。
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(Secure Digital,SD)卡,闪存卡(FlashCard)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,例如人员管理策略推荐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,例如运行所述人员管理策略推荐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。
本申请公开了一种计算机设备,属于人工智能技术领域,本申请通过分析待考核人员的历史往来文件,得到第一反馈信息,其中,历史往来文件可以是待考核人员的历史邮件、历史聊天记录等等,以及通过分析待考核人员的历史视图文件,得到第二反馈信息,其中,历史视图文件可以是待考核人员的历史参会图片或视频、日常表现图片或视频等等,然后通过对第一反馈信息和第二反馈信息进行聚类运算,并将聚类结果作为待考核人员的在职状态考核结果,以及基于在职状态考核结果为待考核人员推荐人员管理策略。本申请能够在进行人员管理策略推荐时,有效减少人力投入,同时降低个人主观因素的影响,更为有针对性地对实现人才管理策略的推荐。
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人员管理策略推荐方法的步骤。
本申请公开了一种存储介质,属于人工智能技术领域,本申请通过分析待考核人员的历史往来文件,得到第一反馈信息,其中,历史往来文件可以是待考核人员的历史邮件、历史聊天记录等等,以及通过分析待考核人员的历史视图文件,得到第二反馈信息,其中,历史视图文件可以是待考核人员的历史参会图片或视频、日常表现图片或视频等等,然后通过对第一反馈信息和第二反馈信息进行聚类运算,并将聚类结果作为待考核人员的在职状态考核结果,以及基于在职状态考核结果为待考核人员推荐人员管理策略。本申请能够在进行人员管理策略推荐时,有效减少人力投入,同时降低个人主观因素的影响,更为有针对性地对实现人才管理策略的推荐。
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,本申请的技术方案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。
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。
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方案进行修改,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 (8)
1.一种人员管理策略推荐方法,其特征在于,包括:
接收管理策略推荐指令,获取待考核人员的历史资料信息,其中,所述历史资料信息包括历史往来文件和历史视图文件;
提取所述历史往来文件的关键词,并对所述关键词进行分类;
基于所述关键词的分类结果,生成所述待考核人员的第一反馈信息;
从所述历史视图文件中提取关键帧图像,并从所述关键帧图像的提取所述待考核人员的人脸特征分布和行为特征分布;
基于所述人脸特征分布和所述行为特征分布,生成所述待考核人员的第二反馈信息;
基于预设的聚类算法对所述第一反馈信息和所述第二反馈信息进行聚类,得到所述待考核人员的在职状态考核结果;
基于所述在职状态考核结果为所述待考核人员推荐人员管理策略;
所述提取所述历史往来文件的关键词,并对所述关键词进行分类的步骤,具体包括:
对所述历史往来文件进行预处理,获取所述历史往来文件中的有效文本;
对所述有效文本进行分词,并去除所述有效文本中的停用词,得到所述关键词;
将所述关键词导入到预先训练好的分类模型,基于所述分类模型对所述关键词进行分类,输出所述关键词的分类结果;
所述将所述关键词导入到预先训练好的分类模型,基于所述分类模型对所述关键词进行分类,输出所述关键词的分类结果的步骤,具体包括:
将所述关键词导入到预先训练好的分类模型,并在所述分类模型中计算所述关键词和预设特征标签的相似度;
对所述相似度进行排序,并输出相似度最大的结果作为所述关键词对应的分类结果。
2.如权利要求1所述的人员管理策略推荐方法,其特征在于,所述从所述历史视图文件中提取关键帧图像,并从所述关键帧图像的提取所述待考核人员的人脸特征分布和行为特征分布的步骤,具体包括:
从所述历史视图文件中提取关键帧图像,并确定所述关键帧图像中的人物目标对象;
对所述人物目标对象进行区域分割,得到所述目标对象的脸部区域图像和肢体区域图像;
分别采集所述脸部区域图像和肢体区域图像上的图像特征点;
连接所述脸部区域图像的图像特征点建立人脸3D网格,以及连接所述肢体区域图像的图像特征点建立肢体3D网格;
基于所述人脸3D网格生成所述待考核人员的人脸3D特征分布,以及基于所述肢体3D网格生成所述待考核人员的肢体3D特征分布。
3.如权利要求2所述的人员管理策略推荐方法,其特征在于,所述基于所述人脸3D网格生成所述待考核人员的人脸3D特征分布,以及基于所述肢体3D网格生成所述待考核人员的肢体3D特征分布的步骤,具体包括:
获取所述脸部区域图像上图像特征点的特征值,得到第一特征值,以及获取所述肢体区域图像上图像特征点的特征值,得到第二特征值;
根据所述第一特征值和所述人脸3D网格计算所述脸部区域图像的图像特征点之间的连接关系,得到第一连接关系,以及根据所述第二特征值和所述肢体3D网格计算所述肢体区域图像的图像特征点之间的连接关系,得到第二连接关系;
基于所述第一连接关系生成所述待考核人员的人脸3D特征分布,以及基于所述第二连接关系生成所述待考核人员的肢体3D特征分布。
4.如权利要求3所述的人员管理策略推荐方法,其特征在于,所述根据所述第一特征值和所述人脸3D网格计算所述脸部区域图像的图像特征点之间的连接关系,得到第一连接关系,以及根据所述第二特征值和所述肢体3D网格计算所述肢体区域图像的图像特征点之间的连接关系,得到第二连接关系的步骤,具体包括:
基于所述人脸3D网格计算所述脸部区域图像的图像特征点的位置信息,得到第一位置信息;
基于所述肢体3D网格计算所述肢体区域图像的图像特征点的位置信息,得到第二位置信息;
基于所述第一特征值和所述第一位置信息确定所述脸部区域图像的图像特征点之间的连接关系,得到第一连接关系;
基于所述第二特征值和所述第二位置信息确定所述肢体区域图像的图像特征点之间的连接关系,得到第二连接关系。
5.如权利要求1所述的人员管理策略推荐方法,其特征在于,所述基于预设的聚类算法对所述第一反馈信息和所述第二反馈信息进行聚类,得到所述待考核人员的在职状态考核结果的步骤,具体包括:
对所述第一反馈信息进行特征提取,得到第一反馈特征,以及对所述第二反馈信息进行特征提取,得到第二反馈特征;
将所述第一反馈特征和所述第二反馈特征映射到同一个特征空间中;
在所述特征空间中基于所述聚类算法对所述第一反馈特征和所述第二反馈特征进行聚类运算;
将所述聚类运算结果作为所述待考核人员的在职状态考核结果。
6.一种人员管理策略推荐装置,其特征在于,包括:
指令接收模块,用于接收管理策略推荐指令,获取待考核人员的历史资料信息,其中,所述历史资料信息包括历史往来文件和历史视图文件;
关键词分类模块,用于提取所述历史往来文件的关键词,并对所述关键词进行分类;
第一反馈模块,用于基于所述关键词的分类结果,生成所述待考核人员的第一反馈信息;
关键帧分析模块,用于从所述历史视图文件中提取关键帧图像,并从所述关键帧图像的提取所述待考核人员的人脸特征分布和行为特征分布;
第二反馈模块,用于基于所述人脸特征分布和所述行为特征分布,生成所述待考核人员的第二反馈信息;
信息聚类模块,用于基于预设的聚类算法对所述第一反馈信息和所述第二反馈信息进行聚类,得到所述待考核人员的在职状态考核结果;
策略推荐模块,用于基于所述在职状态考核结果为所述待考核人员推荐人员管理策略;
所述关键词分类模块具体包括:
预处理子模块,用于对所述历史往来文件进行预处理,获取所述历史往来文件中的有效文本;
分词子模块,用于对所述有效文本进行分词,并去除所述有效文本中的停用词,得到所述关键词;
关键词分类子模块,用于将所述关键词导入到预先训练好的分类模型,基于所述分类模型对所述关键词进行分类,输出所述关键词的分类结果;
所述关键词分类子模块具体包括:
相似度计算单元,用于将所述关键词导入到预先训练好的分类模型,并在所述分类模型中计算所述关键词和预设特征标签的相似度;
关键词分类单元,用于对所述相似度进行排序,并输出相似度最大的结果作为所述关键词对应的分类结果。
7.一种计算机设备,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5中任一项所述的人员管理策略推荐方法的步骤。
8.一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5中任一项所述的人员管理策略推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111015633.6A CN113723093B (zh) | 2021-08-31 | 2021-08-31 | 人员管理策略推荐方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111015633.6A CN113723093B (zh) | 2021-08-31 | 2021-08-31 | 人员管理策略推荐方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113723093A CN113723093A (zh) | 2021-11-30 |
CN113723093B true CN113723093B (zh) | 2024-01-19 |
Family
ID=78680047
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111015633.6A Active CN113723093B (zh) | 2021-08-31 | 2021-08-31 | 人员管理策略推荐方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113723093B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111639497A (zh) * | 2020-05-27 | 2020-09-08 | 北京东方通科技股份有限公司 | 一种基于大数据机器学习的异常行为发现方法 |
CN112905745A (zh) * | 2021-03-05 | 2021-06-04 | 广州虎牙科技有限公司 | 信息处理方法、装置、电子设备和计算机可读存储介质 |
CN113254491A (zh) * | 2021-06-01 | 2021-08-13 | 平安科技(深圳)有限公司 | 一种信息推荐的方法、装置、计算机设备及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9141604B2 (en) * | 2013-02-22 | 2015-09-22 | Riaex Inc | Human emotion assessment reporting technology—system and method |
KR20190106950A (ko) * | 2019-08-31 | 2019-09-18 | 엘지전자 주식회사 | 지능형 디바이스 및 그 제어 방법 |
-
2021
- 2021-08-31 CN CN202111015633.6A patent/CN113723093B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111639497A (zh) * | 2020-05-27 | 2020-09-08 | 北京东方通科技股份有限公司 | 一种基于大数据机器学习的异常行为发现方法 |
CN112905745A (zh) * | 2021-03-05 | 2021-06-04 | 广州虎牙科技有限公司 | 信息处理方法、装置、电子设备和计算机可读存储介质 |
CN113254491A (zh) * | 2021-06-01 | 2021-08-13 | 平安科技(深圳)有限公司 | 一种信息推荐的方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113723093A (zh) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020182121A1 (zh) | 表情识别方法及相关装置 | |
CN112863683B (zh) | 基于人工智能的病历质控方法、装置、计算机设备及存储介质 | |
CN112131978A (zh) | 一种视频分类方法、装置、电子设备和存储介质 | |
CN111626126A (zh) | 一种人脸情绪识别的方法、装置、介质及电子设备 | |
Emeršič et al. | Pixel-wise ear detection with convolutional encoder-decoder networks | |
CN111898550B (zh) | 建立表情识别模型方法、装置、计算机设备及存储介质 | |
CN111931809A (zh) | 数据的处理方法、装置、存储介质及电子设备 | |
CN114550053A (zh) | 一种交通事故定责方法、装置、计算机设备及存储介质 | |
CN113705534A (zh) | 基于深度视觉的行为预测方法、装置、设备及存储介质 | |
CN114359582B (zh) | 一种基于神经网络的小样本特征提取方法及相关设备 | |
Singh et al. | Face recognition using open source computer vision library (OpenCV) with Python | |
CN116578925B (zh) | 基于特征画像的行为预测方法、装置及存储介质 | |
CN113743721A (zh) | 营销策略生成方法、装置、计算机设备及存储介质 | |
Nguyen-Tat et al. | Automating attendance management in human resources: A design science approach using computer vision and facial recognition | |
CN117312535A (zh) | 基于人工智能的问题数据处理方法、装置、设备及介质 | |
CN116863116A (zh) | 基于人工智能的图像识别方法、装置、设备及介质 | |
CN113723093B (zh) | 人员管理策略推荐方法、装置、计算机设备及存储介质 | |
CN113706207B (zh) | 基于语义解析的订单成交率分析方法、装置、设备及介质 | |
CN115359468A (zh) | 一种目标网站识别方法、装置、设备及介质 | |
CN113643283A (zh) | 一种人体衰老状况的检测方法、装置、设备及存储介质 | |
CN113850207B (zh) | 基于人工智能的微表情分类方法、装置、电子设备及介质 | |
Anouncia et al. | Approaches for Automated Object Recognition and Extraction from Images—a Study | |
CN118012935A (zh) | 一种数据提取与稽核方法、装置、计算机设备及存储介质 | |
Xu et al. | High-Speed Joint Learning of Action Units and Facial Expressions | |
CN113869714A (zh) | 考勤记录方法、装置、计算机设备及存储介质 |
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 |