CN113887852A - 一种基于异构图神经的人员推荐方法 - Google Patents

Abstract

本发明提供一种基于异构图神经的人员推荐方法，涉及推荐方法技术领域。本发明通过结合事件的事件特征和人员的能力特征，构建了事件与人员的异构图，通过异构图神经网络的训练，最后可以实现为新到事件推荐若干待推荐人员。利用该分配事件策略对大量的新到事件进行分配事件，可有效的加快事件办理效率，避免事件的积压。同时本系统提供挖掘人员的潜在办理能力，针对人员从未办理，或少办理的事件类型，可以在一定条件下进行优先分配，进而有效调动人员的学习积极性，提高人员的多维处理能力。

Description

一种基于异构图神经的人员推荐方法

技术领域

本发明涉及推荐方法技术领域，尤其涉及一种基于异构图神经的人员推荐方法。

背景技术

事件分配制度是事件管理与分配的一项重要制度，随机分配事件模式是在建立事件后按照一定的随机分配事件规则，将事件随机分配给具体的承办人员；指定分配事件模式是在立案后由专门人员根据事件的具体情况将事件指定分配给具体的承办人员。前者的优势在于分配事件过程公开透明、分配事件结果客观随机，可以排除人为因素对分配事件环节可能造成的影响，简便快捷、客观公正，但是无法灵活识别事件的具体情况，选择出最佳的承办人员，忽视承办人能力、事件工作量等因素。后者的优势在于，分配事件时可以充分发挥案管人员的灵活优势，综合审查事件与承办人员的具体情况，作出最优分配。但存在人为因素过重，不够客观，分配事件过程不公开等问题。

然而由于不同事件在类型、难度、领域等方面存在较大差异，对人员的能力要求也不同，现有业务统一平台系统无法考虑事件工作量和人员能力，进而很难实现业务中人员与事件最优匹配问题。因此，在事件总量不断增加，事件信息越来越多，人员能力也越来越更具有专业性的情况下，如何实现事件与人员的智能匹配，提高处理效率，显得更加紧迫和重要。

在处理过程中，事件分配问题直接关系到事件的办理效率、人员的处理积极性和激励制度的完善。很多学者都对如何实现事件与人员最优匹配这一问题进行过研究，但是目前的研究仅仅出于定性分析阶段，除了列举智能分配事件需要完成哪些具体目标之外，并没有具体给出影响智能分配事件结果的因素有哪些。因为不同事件由于事件类型存在较大差异，所以其所适合办理的人员也会有所不同。通过结合事件的事件特征和人员的个人能力特征，对不同类型的事件进行分配，能有效得实现事件与人员的最优匹配，并且能挖掘潜在处理能力的人员。

发明内容

针对现有技术的不足，本发明提供一种基于异构图神经的人员推荐方法。根据事件特征和人员的能力，构建出事件与人员之间的异构图，实现事件与人员的最优匹配，挖掘人员的潜在处理能力。整个系统由四个部分组成，分别为事件特征和人员能力特征向量预处理、构建事件-人员异构图、异构图神经网络模型训练，输出评分列表并实现人员推荐。

本发明的技术方案为，一种基于异构图神经的人员推荐方法，包括以下步骤：

步骤1：对人员及其办理事件建立训练数据集，对训练数据集中事件的特征和人员的能力特征向量进行预处理，通过特征降维的方式将事件和人员用同一维度的向量表示；

所述预处理为，采用主成分分析算法(PCA)对事件特征和人员的能力画像特征进行降维，具体包括以下步骤：

步骤1.1：设置输入的训练数据集X＝{x₁,x₂,x₃,…,x_n}，将事件特征维度降到k维；其中x_i(i＝1,…,n)表示事件特征，n表示事件特征数量，对事件特征x_i进行去平均值，即去中心化，将每一位事件特征x_i减去各自的平均值：

步骤1.2：将数据集X转化为矩阵形式，计算协方差矩阵

步骤1.3：用特征值分解方法求协方差矩阵

的特征值与特征向量：

Dα＝λα

其中λ为矩阵D的特征值，α为矩阵D的特征向量；

步骤1.4：对特征值λ从大到小排序，选择前l个特征值，将其对应的l个特征向量分别作为行向量组成特征向量矩阵P；

步骤1.5：将数据集X转换到k个特征向量构建的新空间中，建立降维后的数据集Y：

Y＝PX

步骤2：按照事件与人员的办理关系构建事件类型与人员的异构图，根据人员办理该类型事件的次数计算边的权重信息，根据边和节点的权重生成邻接矩阵；

设G＝{(C,P,w(C,P)|C,P∈V,w∈E)}为异构图，其中V和E分别表示节点和边，C表示事件的事件类型，P表示人员，w(·)表示连接两个节点的边的权重；

输入人员列表P_j∈P，根据人员列表依次选定人员目标节点，并根据异构图中目标节点的连接关系将异构图转换为二部图；

根据连接人员与事件类型两种节点连接的权重信息w_ij＝w(C_i,P_j)，其中C_i表示第i个事件类型，P_j表示第j个人员，生成连接邻接矩阵

其中M,N分别表示人员和事件类型的数量；

步骤3：构建图神经网络模型，将事件-人员异构图带入图神经网络模型中，并对模型进行训练；

所述图神经网络模型，包括嵌入层、嵌入传播层以及预测层，所述嵌入层输入预处理后的事件特征和人员能力特征，作为图神经网络模型的初始化嵌入表示；所述嵌入传播层，通过输入事件类型与人员的交互信息，根据节点的高阶连通性，在若干个嵌入传播层更新节点的嵌入表示；所述预测层，聚合来自不同嵌入传播层的节点的嵌入表示，并输出人员对于每类事件的评分，具体过程如下所示：

步骤3.1：输入预处理后的事件特征向量v_C和人员能力特征v_P，作为异构图神经网络模型的事件类型节点初始嵌入表示

和人员节点初始嵌入表示

其中

表示实数范围，d表示嵌入表示的大小，构建参数矩阵作为嵌入表示查找表：

步骤3.2：输入人员与事件类型的交互信息，根据节点的高阶连通性，在第k个嵌入传播层更新节点的嵌入表示：

其中

和

分表是事件类型数和人员数。

步骤3.3：通过l层的传播层更新节点的嵌入表示，最后聚合来自不同传播层的节点的嵌入表示：

其中α_k≥0表示第k层的嵌入表示在最后嵌入表示的比重参数，α_k＝1/(K+1)。其中k表示当前第k层，K表示为总层数。

步骤3.4：将节点的嵌入表示内积作为预测函数，最后得到人员办理每类事件的评分：

其中

表示人员办理每类事件的评分；

步骤4：对图神经网络模型进行训练，输出人员办理每类事件的评分列表，将测试数据集输入图神经网络模型中，输出测试事件推荐的

个人员；

采用上述技术方法所产生的有益效果在于：

本发明提供一种基于异构图神经的人员推荐方法，通过结合事件的事件特征和人员的能力特征，构建了事件与人员的异构图，通过异构图神经网络的训练，最后可以实现为新到事件推荐若干待推荐人员。利用该分配事件策略对大量的新到事件进行分配事件，可有效的加快事件办理效率，避免事件的积压。同时本系统提供挖掘人员的潜在办理能力，针对人员从未办理，或少办理的事件类型，可以在一定条件下进行优先分配，进而有效调动人员的学习积极性，提高人员的多维处理能力。

附图说明

图1为本发明中推荐方法流程图；

图2为本发明中异构图以及二部图结构示意图；

其中图(a)-事件类型-人员异构图，图(b)-事件类型-人员的二部图；

图3为本发明中异构图神经网络结构示意图；

图4为本发明中推荐结果示意图；

其中图(a)-人员办理各类事件评分列表；图(b)-推荐的Top-K个人员示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

一种基于异构图神经的人员推荐方法，如图1所示，包括以下步骤：

步骤1：对人员及其办理事件建立训练数据集，对训练数据集中事件的特征和人员的能力特征向量进行预处理，通过特征降维的方式将事件和人员用同一维度的向量表示；

所述预处理为，采用主成分分析算法(PCA)对事件特征和人员的能力画像特征进行降维，PCA是最常用的特征降维方法，由于事件特征和人员能力特征存在许多噪音和不重要的特征，它的目标是通过某种线性投影，将高维度的数据映射到低维度的空间中表示，并期望在所投影的维度上数据的方差最大，以此使用较少的数据维度，同时又能保留住较多的原数据点的特性。具体包括以下步骤：

步骤1.1：设置输入的训练数据集X＝{x₁,x₂,x₃,…,x_n}，将事件特征维度降到k维；其中x_i(i＝1,…,n)表示事件特征，n表示事件特征数量，对事件特征x_i进行去平均值，即去中心化，将每一位事件特征x_i减去各自的平均值：

步骤1.2：将数据集X转化为矩阵形式，计算协方差矩阵

步骤1.3：用特征值分解方法求协方差矩阵

的特征值与特征向量：

Dα＝λα

其中λ为矩阵D的特征值，α为矩阵D的特征向量；

步骤1.4：对特征值λ从大到小排序，选择前l个特征值，将其对应的l个特征向量分别作为行向量组成特征向量矩阵P；

步骤1.5：将数据集X转换到k个特征向量构建的新空间中，建立降维后的数据集Y：

Y＝PX

步骤2：按照事件与人员的办理关系构建事件类型与人员的异构图，根据人员办理该类型事件的次数计算边的权重信息，根据边和节点的权重生成邻接矩阵；

异构图是一种特殊的图结构，它包含多种类型的对象或多种类型的连接。本发明根据历史人员办理事件信息构建事件类型-人员异构图。

设G＝{(C,P,w(C,P)|C,P∈V,w∈E)}为异构图，其中V和E分别表示节点和边，C表示事件的事件类型，P表示人员，w(·)表示连接两个节点的边的权重；如图2(a)所示。

输入人员列表P_j∈P，根据人员列表依次选定人员目标节点，并根据异构图中目标节点的连接关系将异构图转换为二部图，进而更好得展现事件与人员之间的高阶连通性，实现事件的推荐。图2(b)是以P₁人员为目标节点的二部图。

根据连接人员与事件类型两种节点连接的权重信息w_ij＝w(C_i,P_j)，其中C_i表示第i个事件类型，P_j表示第j个人员，生成连接邻接矩阵

其中M,N分别表示人员和事件类型的数量；

步骤3：构建图神经网络模型，将事件-人员异构图带入图神经网络模型中，并对模型进行训练；

所述图神经网络模型实现事件的推荐，包括嵌入层、嵌入传播层以及预测层，所述嵌入层输入预处理后的事件特征和人员能力特征，作为图神经网络模型的初始化嵌入表示；所述嵌入传播层，通过输入事件类型与人员的交互信息，根据节点的高阶连通性，在若干个嵌入传播层更新节点的嵌入表示；所述预测层，聚合来自不同嵌入传播层的节点的嵌入表示，并输出人员对于每类事件的评分。异构图神经网络模型如图3所示。具体过程如下所示：

步骤3.1：输入预处理后的事件特征向量v_C和人员能力特征v_P，作为异构图神经网络模型的事件类型节点初始嵌入表示

和人员节点初始嵌入表示

其中

表示实数范围，d表示嵌入表示的大小，构建参数矩阵作为嵌入表示查找表：

步骤3.2：输入人员与事件类型的交互信息，根据节点的高阶连通性，在第k个嵌入传播层更新节点的嵌入表示：

其中

和

分表是事件类型数和人员数。

步骤3.3：通过l层的传播层更新节点的嵌入表示，最后聚合来自不同传播层的节点的嵌入表示：

其中α_k≥0表示第k层的嵌入表示在最后嵌入表示的比重参数，α_k＝1/(K+1)。其中k表示当前第k层，K表示为总层数。

步骤3.4：将节点的嵌入表示内积作为预测函数，最后得到人员办理每类事件的评分：

其中

表示人员办理每类事件的评分；

步骤4：对图神经网络模型进行训练，输出人员办理每类事件的评分列表，将测试数据集输入图神经网络模型中，输出测试事件推荐的

个人员；

经过异构图神经网络推荐模型，输出每个人员办理每类事件的评分列表，如图4所示。针对事件类型C_i，根据评分选出

个人员。本实施例设置

即针对每类事件，选出10 个推荐的人员。

本实施例提出的事件智能分配方法通过某地级地区，以及下属的2个区地区的总共1364 条事件数据进行测试，计算分配事件准确率：

表1.事件分配结果

地区	事件类型总数	分配准确个数	事件总数	分配事件准确率
					**市地区	56	265	305	86.88％
**市xx区地区	50	518	588	88.1％
					**市xx区地区	46	414	471	88.21％

Claims (5)

1.一种基于异构图神经的人员推荐方法，其特征在于，包括以下步骤：

步骤1：对人员及其办理事件建立训练数据集，对训练数据集中事件的特征和人员的能力特征向量进行预处理，通过特征降维的方式将事件和人员用同一维度的向量表示；

步骤2：按照事件与人员的办理关系构建事件类型与人员的异构图，根据人员办理该类型事件的次数计算边的权重信息，根据边和节点的权重生成邻接矩阵；

步骤3：构建图神经网络模型，将事件-人员异构图带入图神经网络模型中，并对模型进行训练；

步骤4：对图神经网络模型进行训练，输出人员办理每类事件的评分列表，将测试数据集输入图神经网络模型中，输出测试事件推荐的

个人员。

2.根据权利要求1所述的一种基于异构图神经的人员推荐方法，其特征在于，步骤1中所述预处理为，采用主成分分析算法(PCA)对事件特征和人员的能力画像特征进行降维，具体包括以下步骤：

步骤1.1：设置输入的训练数据集X＝{x₁,x₂,x₃,…,x_n}，将事件特征维度降到k维；其中x_i(i＝1,…,n)表示事件特征，n表示事件特征数量，对事件特征x_i进行去平均值，即去中心化，将每一位事件特征x_i减去各自的平均值：

步骤1.2：将数据集X转化为矩阵形式，计算协方差矩阵

步骤1.3：用特征值分解方法求协方差矩阵

的特征值与特征向量：

Dα＝λα

其中λ为矩阵D的特征值，α为矩阵D的特征向量；

步骤1.4：对特征值λ从大到小排序，选择前l个特征值，将其对应的l个特征向量分别作为行向量组成特征向量矩阵P；

步骤1.5：将数据集X转换到k个特征向量构建的新空间中，建立降维后的数据集Y：

Y＝PX。

3.根据权利要求1所述的一种基于异构图神经的人员推荐方法，其特征在于，步骤2中所述异构图为，设G＝{(C,P,w(C,P)|C,P∈V,w∈E)}为异构图，其中V和E分别表示节点和边，C表示事件的事件类型，P表示人员，w(·)表示连接两个节点的边的权重；

输入人员列表P_j∈P，根据人员列表依次选定人员目标节点，并根据异构图中目标节点的连接关系将异构图转换为二部图；

根据连接人员与事件类型两种节点连接的权重信息w_ij＝w(C_i,P_j)，其中C_i表示第i个事件类型，P_j表示第j个人员，生成连接邻接矩阵

其中M,N分别表示人员和事件类型的数量。

4.根据权利要求1所述的一种基于异构图神经的人员推荐方法，其特征在于，步骤3中所述图神经网络模型，包括嵌入层、嵌入传播层以及预测层，所述嵌入层输入预处理后的事件特征和人员能力特征，作为图神经网络模型的初始化嵌入表示；所述嵌入传播层，通过输入事件类型与人员的交互信息，根据节点的高阶连通性，在若干个嵌入传播层更新节点的嵌入表示；所述预测层，聚合来自不同嵌入传播层的节点的嵌入表示，并输出人员对于每类事件的评分。

5.根据权利要求1所述的一种基于异构图神经的人员推荐方法，其特征在于，所述步骤3具体包括：

步骤3.1：输入预处理后的事件特征向量v_c和人员能力特征v_P，作为异构图神经网络模型的事件类型节点初始嵌入表示

和人员节点初始嵌入表示

其中

表示实数范围，d表示嵌入表示的大小，构建参数矩阵作为嵌入表示查找表：

步骤3.2：输入人员与事件类型的交互信息，根据节点的高阶连通性，在第k个嵌入传播层更新节点的嵌入表示：

其中

和

分表是事件类型数和人员数；

步骤3.3：通过l层的传播层更新节点的嵌入表示，最后聚合来自不同传播层的节点的嵌入表示：

其中α_k≥0表示第k层的嵌入表示在最后嵌入表示的比重参数，α_k＝1/(K+1)；其中k表示当前第k层，K表示为总层数；

步骤3.4：将节点的嵌入表示内积作为预测函数，最后得到人员办理每类事件的评分：

其中

表示人员办理每类事件的评分。

Images