CN113902404A - 基于人工智能的员工晋升分析方法、装置、设备及介质 - Google Patents
基于人工智能的员工晋升分析方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113902404A CN113902404A CN202111150208.8A CN202111150208A CN113902404A CN 113902404 A CN113902404 A CN 113902404A CN 202111150208 A CN202111150208 A CN 202111150208A CN 113902404 A CN113902404 A CN 113902404A
- Authority
- CN
- China
- Prior art keywords
- data
- score
- interview
- voice
- classification
- 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
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 40
- 238000004458 analytical method Methods 0.000 title claims abstract description 33
- 238000013145 classification model Methods 0.000 claims abstract description 35
- 238000013507 mapping Methods 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000001914 filtration Methods 0.000 claims abstract description 15
- 238000011156 evaluation Methods 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 68
- 238000012549 training Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 18
- 238000012545 processing Methods 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 230000014509 gene expression Effects 0.000 description 8
- 230000011218 segmentation Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06Q10/10—Office automation; Time management
- G06Q10/105—Human resources
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/26—Speech to text systems
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能领域,揭露一种基于人工智能的员工晋升分析方法,包括:获取至少两个访谈语音,对每个访谈语音进行语音识别,得到至少两个语音文本,过滤每个语音文本的无用词,得到至少两个标准语音文本;利用多分类模型对每个标准语音文本进行数据分类,得到多个分类数据,标记每个分类数据的数据标签;根据预构建的标签评分映射表,计算每个数据标签的数据评分,根据每个数据评分,计算每个访谈语音的访谈得分;对每个访谈得分进行加权处理,得到至少两个访谈语音的最终评分,将最终评分返回至审核人员,以确定待晋升员工的晋升结果。此外,本发明还涉及区块链技术,所述访谈得分可存储区块链中。本发明可以提高员工晋升的评定效率。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种基于人工智能的员工晋升分析方法、装置、电子设备及计算机可读存储介质。
背景技术
员工的晋升体系在面对各大企业或单位中是一个必不可少的流程,良好的晋升体系可以调动员工的积极性,提高其工作效率,从而能够发挥其最大的自我价值。然而,在面对大型企业时,由于这些企业存在有很多个分支企业,且每个分支企业处于不同的办公位置,因此,如何确保员工晋升的公平公正性就显得尤为重要。
目前,员工的晋升标准通常是基于企业HR会向待晋升员工的领导、同事以及其本身进行业绩、工作态度、性格、领导力等多个维度的考察,从而得到待员工的晋升结果,这样的方式需要投入大量的人力和时间去评定员工晋升的标准,大大影响了员工晋升的评定效率。
发明内容
本发明提供一种基于人工智能的员工晋升分析方法、装置、电子设备及计算机可读存储介质,其主要目的在于提高员工晋升的评定效率。
为实现上述目的,本发明提供的一种基于人工智能的员工晋升分析方法,包括:
获取至少两个访谈语音,对每个所述访谈语音进行语音识别,得到至少两个语音文本,并过滤每个所述语音文本的无用词,得到至少两个标准语音文本;
利用多分类模型对每个所述标准语音文本进行数据分类,得到多个分类数据,并标记每个所述分类数据的数据标签;
根据预构建的标签评分映射表,计算每个所述数据标签的数据评分,根据每个所述数据评分,计算每个所述访谈语音的访谈得分;
对每个所述访谈得分进行加权处理,得到所述至少两个访谈语音的最终评分,并将所述最终评分返回至审核人员,以确定待晋升员工的晋升结果。
可选地,所述对每个所述访谈语音进行语音识别,得到至少两个语音文本,包括:
提取每个所述访谈语音的音频特征,利用声学模型计算每个所述音频特征的音素序列概率;
根据所述音素序列概率,利用语言模型计算每个所述音频特征的文字序列;
根据每个所述访谈语音的文字序列,生成至少两个语音文本。
可选地,所述利用多分类模型对每个所述标准语音文本进行数据分类,得到多个分类数据,包括:
利用所述多分类模型中的预训练网络对每个所述标准语音文本中的词语向量进行特征提取,得到多个特征词语向量;
利用所述多分类模型中的分类器识别每个所述特征词语向量的数据类别,得到多个分类数据。
可选地,所述利用所述多分类模型中的预训练网络对每个所述标准语音文本中的词语向量进行特征提取,得到多个特征词语向量,包括:
利用所述预训练网络中的编码层对每个所述标准语音文本中的词语向量进行位置编码,得到多个位置词语向量;
利用所述预训练网络中的卷积层识别每个所述位置词语向量的特征向量,得到多个特征词语向量。
可选地,所述利用所述多分类模型中的分类器识别每个所述特征词语向量的数据类别,得到多个分类数据,包括:
利用所述分类器中的分类层计算每个所述特征词语向量的数据类别概率;
根据所述数据类别概率,利用所述分类器中的全连接层输出每个所述特征词语向量的数据类别,得到多个分类数据。
可选地,所述根据预构建的标签评分映射表,计算每个所述数据标签的数据评分,包括:
获取所述标签评分映射表中的标签字段和每个所述数据标签的数据字段,计算所述标签字段与所述数据字段的匹配度;
在所述匹配度大于预设阈值时,将所述标签字段的评分作为所述数据字段的评分,得到每个所述数据标签的数据评分。
可选地,所述对每个所述访谈得分进行加权处理,包括:
利用下述公式对每个所述访谈得分进行加权处理:
scorefinal=αscore1+βscore2+...+γscoren
其中,scorefinal表示最终得分,score1表示第一访谈得分,α表示第一访谈得分的权重系数,score2表示第二访谈得分,β表示第二访谈得分的权重系数,scoren表示第一访谈得分,γ表示第n访谈得分的权重系数。
为了解决上述问题,本发明还提供一种基于人工智能的员工晋升分析装置,所述装置包括:
语音识别模块,用于获取至少两个访谈语音,对每个所述访谈语音进行语音识别,得到至少两个语音文本,并过滤每个所述语音文本的无用词,得到至少两个标准语音文本;
数据分类模块,用于利用多分类模型对每个所述标准语音文本进行数据分类,得到多个分类数据,并标记每个所述分类数据的数据标签;
评分计算模块,用于根据预构建的标签评分映射表,计算每个所述数据标签的数据评分,根据每个所述数据评分,计算每个所述访谈语音的访谈得分;
晋升评定模块,用于对每个所述访谈得分进行加权处理,得到所述至少两个访谈语音的最终评分,并将所述最终评分返回至审核人员,以确定待晋升员工的晋升结果。
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:
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,以实现上述所述的基于人工智能的员工晋升分析方法。
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计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于人工智能的员工晋升分析方法。
可以看出,本发明实施例首先通过对获取的每个访谈语音进行语音识别,得到至少两个语音文本,并过滤每个所述语音文本的无用词,得到至少两个标准语音文本,可以确保后续待晋升员工的评分全面性,并可以减少每个所述语音文本的数据量,提高后续文本的处理速度;其次,本发明实施例利用多分类器对每个所述标准语音文本进行数据分类,得到多个分类数据,并标记每个所述分类数据的数据标签,以拆分每个所述标准语音文本的数据维度,从而可以从多个维度进行访谈评分的计算,保障访谈评分的计算准确性,并结合预构建的标签评分映射表,计算每个所述数据标签的数据评分,以得到每个所述访谈语音的访谈得分;进一步地,本发明实施例通过对每个所述访谈得分进行加权处理,得到所述至少两个访谈语音的最终评分,以实现所述访谈得分的权重均衡,保障最终生成的员工评分的公正性,并将所述最终评分返回至审核人员,以确定待晋升员工的晋升结果,可以减少投放大量的人力和时间去评定员工晋升的标准,从而可以提高员工晋升的评定效率。
附图说明
图1为本发明一实施例提供的基于人工智能的员工晋升分析方法的流程示意图;
图2为本发明一实施例提供的基于人工智能的员工晋升分析装置的模块示意图;
图3为本发明一实施例提供的实现基于人工智能的员工晋升分析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。
本申请实施例提供一种基于人工智能的员工晋升分析方法。所述基于人工智能的员工晋升分析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,所述基于人工智能的员工晋升分析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。所述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(ContentDeliveryNetwork,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。
参照图1所示,为本发明一实施例提供的基于人工智能的员工晋升分析方法的流程示意图。在本发明实施例中,所述基于人工智能的员工晋升分析方法包括:
S1、获取至少两个访谈语音,对每个所述访谈语音进行语音识别,得到至少两个语音文本,并过滤每个所述语音文本的无用词,得到至少两个标准语音文本。
本发明实施例中,所述访谈语音基于不同待晋升员工确定,如待晋升员工为员工A,则所述访谈语音可以为所述员工A的上级领导和/或同事的访谈语音。
进一步地,本发明实施例通过获取至少两个访谈语音,以确保后续待晋升员工的评分全面性。作为本发明的一个实施例,所述对每个所述访谈语音进行语音识别,得到至少两个语音文本,包括:提取每个所述访谈语音的音频特征,利用声学模型计算每个所述音频特征的音素序列概率,根据所述音素序列概率,利用语言模型计算每个所述音频特征的文字序列,根据每个所述访谈语音的文字序列,生成至少两个语音文本。
其中,所述音频特征的提取是指对所述访谈语音进行信息压缩的过程,以提高后续访谈语音的语音识别速度,可选的,所述音频特征的提取通过Mel频率倒谱系数(MelFrequency Cepstrum Coefficient,MFCC)方法实现。
进一步地,所述音素序列概率是指生成文字的音节概率,如文字为“分”,其音节包括:“f”、“e”以及“n”,则通过计算所述音频特征的音素序列概率,可以明确后续可以生成文字“分”的音节,从而得到所述音频特征的文字序列,可选的,本申请实施例中,所述声学模型包括隐马尔可夫模型。
进一步地,所述文字序列是指音素序列生成文字的信息关系,用于生成所述访谈语音的语音文本,可选的,本申请实施例中,所述语言模型包括N-Gram语言模型。
应该了解的是,在语音识别生成的语音文本中会包含许多无用词,如语气助词(啊、哦、哟)等,因此,本发明实施例通过过滤每个所述语音文本的无用词,以减少每个所述语音文本的数据量,提高后续文本的处理速度。
本发明一可选实施例中,所述每个所述语音文本的无用词过滤可以通过构建的正则表达式实现,所述正则表达式包括:数字校验表达式(如^[0-9]*$)、汉字校验表达式(^[\u4e00-\u9fa5]{0,}$)以及特殊需求检验表达式(如日期格式:^\d{4}-\d{1,2}-\d{1,2})。
S2、利用多分类模型对每个所述标准语音文本进行数据分类,得到多个分类数据,并标记每个所述分类数据的数据标签。
应该了解,在每个所述标准语音文本中是根据访谈语音生成的,而在所述访谈语音中会涉及不同类型的问题和答案,如存在问题为“用户A平时的工作态度怎么样”,访谈对象a的答案包括“用户A的工作态度非常认真”,访谈对象b的答案包括“用户A的工作态度非常端正”,因此,本发明实施例通过多分类模型对每个所述标准语音文本进行数据分类,以拆分每个所述标准语音文本的数据维度,从而可以从多个维度进行访谈评分的计算,保障访谈评分的计算准确性。其中,所述多分类模型可以通过多个预训练网络(albert_small_google)+分类器的共享机制构建,即通过所述预训练网络对所述标准语音文本进行特征提取,以解决在实际模型训练过程中训练成本高参数量巨大的问题,所述分类器用于对特征提取后的标准语音文本进行数据分类,以生成所述标准语音文本中存在的数据类别。
进一步地,本发明实施例中,在利用多分类模型对每个所述标准语音文本进行数据分类之前还包括:对每个所述标准语音文本进行分词,得到每个所述标准语音文本的词语集,并将每个所述词语集中的所有词语转换为词语向量。
其中,所述标准语音文本的分词可以通过分词算法实现,如结巴分词算法,所述词语向量的转换可以通过向量转换算法实现,如word2vec算法。
作为本发明的一个实施例,所述利用多分类模型对每个所述标准语音文本进行数据分类,得到多个分类数据,包括:利用所述多分类模型中的预训练网络对每个所述标准语音文本中的词语向量进行特征提取,得到多个特征词语向量,利用所述多分类模型中的分类器识别每个所述特征词语向量的数据类别,得到多个分类数据。
进一步地,本发明又一可选实施例中,所述利用所述多分类模型中的预训练网络对每个所述标准语音文本中的词语向量进行特征提取,得到多个特征词语向量,包括:利用所述预训练网络中的编码层对每个所述标准语音文本中的词语向量进行位置编码,得到多个位置词语向量,利用所述预训练网络中的卷积层识别每个所述位置词语向量的特征向量,得到多个特征词语向量。
其中,所述词语向量的位置编码可以通过所述编码层中的指针算法实现,所述位置词语向量的特征向量可以通过所述卷积层中的卷积核进行提取。
进一步地,本发明又一可选实施例中,所述利用所述多分类模型中的分类器识别每个所述特征词语向量的数据类别,得到多个分类数据,包括:利用所述分类器中的分类层计算每个所述特征词语向量的数据类别概率,根据所述数据类别概率,利用所述分类器中的全连接层输出每个所述特征词语向量的数据类别,得到多个分类数据。
其中,所述特征词语向量的数据类别概率可以通过所述分类层的分类函数实现,如Dropout函数,所述特征词语向量的数据类别输出可以通过所述全连接层中的激活函数实现,如softmax函数。
进一步应该了解的是,所述分类数据用于表征每个所述标准语音文本的数据维度,如“态度、业绩、责任、能力”等,因此,本发明实施例通过标记每个所述分类数据的数据标签,以进一步划分每个所述分类数据的维度范围,如对于“态度”的分类数据,则可以标记该数据标签为“认真、一般以及很差”等,需要说明的是,所述数据标签基于不同用户需求和业务场景进行设置。
S3、根据预构建的标签评分映射表,计算每个所述数据标签的数据评分,根据每个所述数据评分,计算每个所述访谈语音的访谈得分。
本发明实施例中,所述标签评分映射表基于业务场景设置,如存在标签为“认真、一般以及很差”,则可以设置“认真”的标签评分为9分、“一般”的标签评分为5分以及“很差”的标签评分为1分。
作为本发明的一个实施例,所述根据预构建的标签评分映射表,计算每个所述数据标签的数据评分,包括:获取所述标签评分映射表中的标签字段和每个所述数据标签的数据字段,计算所述标签字段与所述数据字段的匹配度,在所述匹配度大于预设阈值时,将所述标签字段的评分作为所述数据字段的评分,得到每个所述数据标签的数据评分。
其中,所述标签字段和所述数据字段可以用于表征所述标签-评分表和所述数据标签的数值形式,以实现后续匹配度的计算,所述标签字段与所述数据字段的匹配度计算可以通过相似度算法实现,如余弦相似度算法,所述预设阈值可以设置为0.95,也可以根据实际业务场景设置。
进一步地,应该了解,所述数据标签是基于对所述访谈语音进行分类后生成的,因此,本发明实施例通过每个所述数据评分,计算所述访谈语音的访谈得分,作为本发明的一可选实施例,利用下述公式计算每个所述访谈语音的访谈得分:
其中,Score表示访谈得分,n表示数据评分的数量,y表示数据评分,map()表示均值函数。
进一步,为保障所述访谈得分的隐私性和安全性,所述访谈得分还可存储于一区块链节点中。
S4、对每个所述访谈得分进行加权处理,得到所述至少两个访谈语音的最终评分,并将所述最终评分返回至审核人员,以确定待晋升员工的晋升结果。
应该了解,所述访谈得分是基于不同的访谈对象生成,而在所述访谈对象中,会存在待晋升员工的领导、同事以及下级等对象,因此,本发明实施例通过对每个所述访谈得分进行加权处理,以实现所述访谈得分的权重均衡,保障最终生成的员工评分的公正性。
作为本发明的一个实施例,利用下述公式对每个所述访谈得分进行加权处理:
scorefinal=αscore1+βscore2+...+γscoren
其中,scorefinal表示最终得分,score1表示第一访谈得分,α表示第一访谈得分的权重系数,score2表示第二访谈得分,β表示第二访谈得分的权重系数,scoren表示第一访谈得分,γ表示第n访谈得分的权重系数。
其中,所述α、β、γ根据所述访谈得分的访谈对象确定,如所述第一访谈得分的对象为待晋升员工的领导,所述第二访谈得分的对象为待晋升员工的同事,所述第n访谈得分的对象为待晋升员工的下级,则所述α、β、γ可以分别设置为1.2、1.0以及0.8。
进一步地,本发明实施例将所述最终评分返回至审核人员,以帮助所述审核人员决策待晋升员工的晋升判断,确定待晋升员工的晋升结果,减少投放大量的人力和时间去评定员工晋升的标准,提高员工晋升的评定效率。
可以看出,本发明实施例首先通过对获取的每个访谈语音进行语音识别,得到至少两个语音文本,并过滤每个所述语音文本的无用词,得到至少两个标准语音文本,可以确保后续待晋升员工的评分全面性,并可以减少每个所述语音文本的数据量,提高后续文本的处理速度;其次,本发明实施例利用多分类器对每个所述标准语音文本进行数据分类,得到多个分类数据,并标记每个所述分类数据的数据标签,以拆分每个所述标准语音文本的数据维度,从而可以从多个维度进行访谈评分的计算,保障访谈评分的计算准确性,并结合预构建的标签评分映射表,计算每个所述数据标签的数据评分,以得到每个所述访谈语音的访谈得分;进一步地,本发明实施例通过对每个所述访谈得分进行加权处理,得到所述至少两个访谈语音的最终评分,以实现所述访谈得分的权重均衡,保障最终生成的员工评分的公正性,并将所述最终评分返回至审核人员,以确定待晋升员工的晋升结果,可以减少投放大量的人力和时间去评定员工晋升的标准,从而可以提高员工晋升的评定效率。
如图2所示,是本发明基于人工智能的员工晋升分析装置的功能模块图。
本发明所述基于人工智能的员工晋升分析装置100可以安装于电子设备中。根据实现的功能,所述基于人工智能的员工晋升分析装置可以包括语音识别模块101、数据分类模块102、评分计算模块103以及晋升评定模块104。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的处理器所执行,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:
所述语音识别模块101,用于获取至少两个访谈语音,对每个所述访谈语音进行语音识别,得到至少两个语音文本,并过滤每个所述语音文本的无用词,得到至少两个标准语音文本。
本发明实施例中,所述访谈语音基于不同待晋升员工确定,如待晋升员工为员工A,则所述访谈语音可以为所述员工A的上级领导和/或同事的访谈语音。
进一步地,本发明实施例通过获取至少两个访谈语音,以确保后续待晋升员工的评分全面性。作为本发明的一个实施例,所述对每个所述访谈语音进行语音识别,得到至少两个语音文本,所述语音识别模块101采用下述方式执行:提取每个所述访谈语音的音频特征,利用声学模型计算每个所述音频特征的音素序列概率,根据所述音素序列概率,利用语言模型计算每个所述音频特征的文字序列,根据每个所述访谈语音的文字序列,生成至少两个语音文本。
其中,所述音频特征的提取是指对所述访谈语音进行信息压缩的过程,以提高后续访谈语音的语音识别速度,可选的,所述音频特征的提取通过Mel频率倒谱系数(MelFrequency Cepstrum Coefficient,MFCC)方法实现。
进一步地,所述音素序列概率是指生成文字的音节概率,如文字为“分”,其音节包括:“f”、“e”以及“n”,则通过计算所述音频特征的音素序列概率,可以明确后续可以生成文字“分”的音节,从而得到所述音频特征的文字序列,可选的,本申请实施例中,所述声学模型包括隐马尔可夫模型。
进一步地,所述文字序列是指音素序列生成文字的信息关系,用于生成所述访谈语音的语音文本,可选的,本申请实施例中,所述语言模型包括N-Gram语言模型。
应该了解的是,在语音识别生成的语音文本中会包含许多无用词,如语气助词(啊、哦、哟)等,因此,本发明实施例通过过滤每个所述语音文本的无用词,以减少每个所述语音文本的数据量,提高后续文本的处理速度。
本发明一可选实施例中,所述每个所述语音文本的无用词过滤可以通过构建的正则表达式实现,所述正则表达式包括:数字校验表达式(如^[0-9]*$)、汉字校验表达式(^[\u4e00-\u9fa5]{0,}$)以及特殊需求检验表达式(如日期格式:^\d{4}-\d{1,2}-\d{1,2})。
所述数据分类模块102,用于利用多分类模型对每个所述标准语音文本进行数据分类,得到多个分类数据,并标记每个所述分类数据的数据标签。
应该了解,在每个所述标准语音文本中是根据访谈语音生成的,而在所述访谈语音中会涉及不同类型的问题和答案,如存在问题为“用户A平时的工作态度怎么样”,访谈对象a的答案包括“用户A的工作态度非常认真”,访谈对象b的答案包括“用户A的工作态度非常端正”,因此,本发明实施例通过多分类模型对每个所述标准语音文本进行数据分类,以拆分每个所述标准语音文本的数据维度,从而可以从多个维度进行访谈评分的计算,保障访谈评分的计算准确性。其中,所述多分类模型可以通过多个预训练网络(albert_small_google)+分类器的共享机制构建,即通过所述预训练网络对所述标准语音文本进行特征提取,以解决在实际模型训练过程中训练成本高参数量巨大的问题,所述分类器用于对特征提取后的标准语音文本进行数据分类,以生成所述标准语音文本中存在的数据类别。
进一步地,本发明实施例中,在利用多分类模型对每个所述标准语音文本进行数据分类之前,所述数据分类模块102还包括:对每个所述标准语音文本进行分词,得到每个所述标准语音文本的词语集,并将每个所述词语集中的所有词语转换为词语向量。
其中,所述标准语音文本的分词可以通过分词算法实现,如结巴分词算法,所述词语向量的转换可以通过向量转换算法实现,如word2vec算法。
作为本发明的一个实施例,所述利用多分类模型对每个所述标准语音文本进行数据分类,得到多个分类数据,所述数据分类模块102采用下述方式执行:利用所述多分类模型中的预训练网络对每个所述标准语音文本中的词语向量进行特征提取,得到多个特征词语向量,利用所述多分类模型中的分类器识别每个所述特征词语向量的数据类别,得到多个分类数据。
进一步地,本发明又一可选实施例中,所述利用所述多分类模型中的预训练网络对每个所述标准语音文本中的词语向量进行特征提取,得到多个特征词语向量,所述数据分类模块102采用下述方式执行:利用所述预训练网络中的编码层对每个所述标准语音文本中的词语向量进行位置编码,得到多个位置词语向量,利用所述预训练网络中的卷积层识别每个所述位置词语向量的特征向量,得到多个特征词语向量。
其中,所述词语向量的位置编码可以通过所述编码层中的指针算法实现,所述位置词语向量的特征向量可以通过所述卷积层中的卷积核进行提取。
进一步地,本发明又一可选实施例中,所述利用所述多分类模型中的分类器识别每个所述特征词语向量的数据类别,得到多个分类数据,所述数据分类模块102采用下述方式执行:利用所述分类器中的分类层计算每个所述特征词语向量的数据类别概率,根据所述数据类别概率,利用所述分类器中的全连接层输出每个所述特征词语向量的数据类别,得到多个分类数据。
其中,所述特征词语向量的数据类别概率可以通过所述分类层的分类函数实现,如Dropout函数,所述特征词语向量的数据类别输出可以通过所述全连接层中的激活函数实现,如softmax函数。
进一步应该了解的是,所述分类数据用于表征每个所述标准语音文本的数据维度,如“态度、业绩、责任、能力”等,因此,本发明实施例通过标记每个所述分类数据的数据标签,以进一步划分每个所述分类数据的维度范围,如对于“态度”的分类数据,则可以标记该数据标签为“认真、一般以及很差”等,需要说明的是,所述数据标签基于不同用户需求和业务场景进行设置。
所述评分计算模块103,用于根据预构建的标签评分映射表,计算每个所述数据标签的数据评分,根据每个所述数据评分,计算每个所述访谈语音的访谈得分。
本发明实施例中,所述标签评分映射表基于业务场景设置,如存在标签为“认真、一般以及很差”,则可以设置“认真”的标签评分为9分、“一般”的标签评分为5分以及“很差”的标签评分为1分。
作为本发明的一个实施例,所述根据预构建的标签评分映射表,计算每个所述数据标签的数据评分,所述评分计算模块103采用下述方式执行:获取所述标签评分映射表中的标签字段和每个所述数据标签的数据字段,计算所述标签字段与所述数据字段的匹配度,在所述匹配度大于预设阈值时,将所述标签字段的评分作为所述数据字段的评分,得到每个所述数据标签的数据评分。
其中,所述标签字段和所述数据字段可以用于表征所述标签-评分表和所述数据标签的数值形式,以实现后续匹配度的计算,所述标签字段与所述数据字段的匹配度计算可以通过相似度算法实现,如余弦相似度算法,所述预设阈值可以设置为0.95,也可以根据实际业务场景设置。
进一步地,应该了解,所述数据标签是基于对所述访谈语音进行分类后生成的,因此,本发明实施例通过每个所述数据评分,计算所述访谈语音的访谈得分,作为本发明的一可选实施例,所述评分计算模块103利用下述公式计算每个所述访谈语音的访谈得分:
其中,Score表示访谈得分,n表示数据评分的数量,y表示数据评分,map()表示均值函数。
进一步,为保障所述访谈得分的隐私性和安全性,所述访谈得分还可存储于一区块链节点中。
所述晋升评定模块104,用于对每个所述访谈得分进行加权处理,得到所述至少两个访谈语音的最终评分,并将所述最终评分返回至审核人员,以确定待晋升员工的晋升结果。
应该了解,所述访谈得分是基于不同的访谈对象生成,而在所述访谈对象中,会存在待晋升员工的领导、同事以及下级等对象,因此,本发明实施例通过对每个所述访谈得分进行加权处理,以实现所述访谈得分的权重均衡,保障最终生成的员工评分的公正性。
作为本发明的一个实施例,所述晋升评定模块104利用下述公式对每个所述访谈得分进行加权处理:
scorefinal=αscore1+βscore2+...+γscoren
其中,scorefinal表示最终得分,score1表示第一访谈得分,α表示第一访谈得分的权重系数,score2表示第二访谈得分,β表示第二访谈得分的权重系数,scoren表示第一访谈得分,γ表示第n访谈得分的权重系数。
其中,所述α、β、γ根据所述访谈得分的访谈对象确定,如所述第一访谈得分的对象为待晋升员工的领导,所述第二访谈得分的对象为待晋升员工的同事,所述第n访谈得分的对象为待晋升员工的下级,则所述α、β、γ可以分别设置为1.2、1.0以及0.8。
进一步地,本发明实施例将所述最终评分返回至审核人员,以帮助所述审核人员决策待晋升员工的晋升判断,确定待晋升员工的晋升结果,减少投放大量的人力和时间去评定员工晋升的标准,提高员工晋升的评定效率。
可以看出,本发明实施例首先通过对获取的每个访谈语音进行语音识别,得到至少两个语音文本,并过滤每个所述语音文本的无用词,得到至少两个标准语音文本,可以确保后续待晋升员工的评分全面性,并可以减少每个所述语音文本的数据量,提高后续文本的处理速度;其次,本发明实施例利用多分类器对每个所述标准语音文本进行数据分类,得到多个分类数据,并标记每个所述分类数据的数据标签,以拆分每个所述标准语音文本的数据维度,从而可以从多个维度进行访谈评分的计算,保障访谈评分的计算准确性,并结合预构建的标签评分映射表,计算每个所述数据标签的数据评分,以得到每个所述访谈语音的访谈得分;进一步地,本发明实施例通过对每个所述访谈得分进行加权处理,得到所述至少两个访谈语音的最终评分,以实现所述访谈得分的权重均衡,保障最终生成的员工评分的公正性,并将所述最终评分返回至审核人员,以确定待晋升员工的晋升结果,可以减少投放大量的人力和时间去评定员工晋升的标准,从而可以提高员工晋升的评定效率。
如图3所示,是本发明实现基于人工智能的员工晋升分析方法的电子设备1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、通信总线12以及通信接口13,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,如基于人工智能的员工晋升分析程序。
其中,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1的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备1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(例如执行基于人工智能的员工晋升分析程序等),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,例如基于人工智能的员工晋升分析程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,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。
所述通信接口13用于上述电子设备1与其他设备之间的通信,包括网络接口和员工接口。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1之间建立通信连接。所述员工接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,员工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员工界面。
图3仅示出了具有部件的电子设备1,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。
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存储的基于人工智能的员工晋升分析程序是多个计算机程序的组合,在所述处理器10中运行时,可以实现:
获取至少两个访谈语音,对每个所述访谈语音进行语音识别,得到至少两个语音文本,并过滤每个所述语音文本的无用词,得到至少两个标准语音文本;
利用多分类模型对每个所述标准语音文本进行数据分类,得到多个分类数据,并标记每个所述分类数据的数据标签;
根据预构建的标签评分映射表,计算每个所述数据标签的数据评分,根据每个所述数据评分,计算每个所述访谈语音的访谈得分;
对每个所述访谈得分进行加权处理,得到所述至少两个访谈语音的最终评分,并将所述最终评分返回至审核人员,以确定待晋升员工的晋升结果。
具体地,所述处理器10对上述计算机程序的具体实现方法可参考图1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,可以存储在一个非易失性计算机可读取存储介质中。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1的处理器所执行时,可以实现:
获取至少两个访谈语音,对每个所述访谈语音进行语音识别,得到至少两个语音文本,并过滤每个所述语音文本的无用词,得到至少两个标准语音文本;
利用多分类模型对每个所述标准语音文本进行数据分类,得到多个分类数据,并标记每个所述分类数据的数据标签;
根据预构建的标签评分映射表,计算每个所述数据标签的数据评分,根据每个所述数据评分,计算每个所述访谈语音的访谈得分;
对每个所述访谈得分进行加权处理,得到所述至少两个访谈语音的最终评分,并将所述最终评分返回至审核人员,以确定待晋升员工的晋升结果。
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。
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。
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)
1.一种基于人工智能的员工晋升分析方法,其特征在于,所述方法包括:
获取至少两个访谈语音,对每个所述访谈语音进行语音识别,得到至少两个语音文本,并过滤每个所述语音文本的无用词,得到至少两个标准语音文本;
利用多分类模型对每个所述标准语音文本进行数据分类,得到多个分类数据,并标记每个所述分类数据的数据标签;
根据预构建的标签评分映射表,计算每个所述数据标签的数据评分,根据每个所述数据评分,计算每个所述访谈语音的访谈得分;
对每个所述访谈得分进行加权处理,得到所述至少两个访谈语音的最终评分,并将所述最终评分返回至审核人员,以确定待晋升员工的晋升结果。
2.如权利要求1所述的基于人工智能的员工晋升分析方法,其特征在于,所述对每个所述访谈语音进行语音识别,得到至少两个语音文本,包括:
提取每个所述访谈语音的音频特征,利用声学模型计算每个所述音频特征的音素序列概率;
根据所述音素序列概率,利用语言模型计算每个所述音频特征的文字序列;
根据每个所述访谈语音的文字序列,生成至少两个语音文本。
3.如权利要求1所述的基于人工智能的员工晋升分析方法,其特征在于,所述利用多分类模型对每个所述标准语音文本进行数据分类,得到多个分类数据,包括:
利用所述多分类模型中的预训练网络对每个所述标准语音文本中的词语向量进行特征提取,得到多个特征词语向量;
利用所述多分类模型中的分类器识别每个所述特征词语向量的数据类别,得到多个分类数据。
4.如权利要求3所述的基于人工智能的员工晋升分析方法,其特征在于,所述利用所述多分类模型中的预训练网络对每个所述标准语音文本中的词语向量进行特征提取,得到多个特征词语向量,包括:
利用所述预训练网络中的编码层对每个所述标准语音文本中的词语向量进行位置编码,得到多个位置词语向量;
利用所述预训练网络中的卷积层识别每个所述位置词语向量的特征向量,得到多个特征词语向量。
5.如权利要求3所述的基于人工智能的员工晋升分析方法,其特征在于,所述利用所述多分类模型中的分类器识别每个所述特征词语向量的数据类别,得到多个分类数据,包括:
利用所述分类器中的分类层计算每个所述特征词语向量的数据类别概率;
根据所述数据类别概率,利用所述分类器中的全连接层输出每个所述特征词语向量的数据类别,得到多个分类数据。
6.如权利要求1至5中任意一项所述的基于人工智能的员工晋升分析方法,其特征在于,所述根据预构建的标签评分映射表,计算每个所述数据标签的数据评分,包括:
获取所述标签评分映射表中的标签字段和每个所述数据标签的数据字段,计算所述标签字段与所述数据字段的匹配度;
在所述匹配度大于预设阈值时,将所述标签字段的评分作为所述数据字段的评分,得到每个所述数据标签的数据评分。
7.如权利要求1所述的基于人工智能的员工晋升分析方法,其特征在于,所述对每个所述访谈得分进行加权处理,包括:
利用下述公式对每个所述访谈得分进行加权处理:
scorefinal=αscore1+βscore2+...+γscoren
其中,scorefinal表示最终得分,score1表示第一访谈得分,α表示第一访谈得分的权重系数,score2表示第二访谈得分,β表示第二访谈得分的权重系数,scoren表示第一访谈得分,γ表示第n访谈得分的权重系数。
8.一种基于人工智能的员工晋升分析装置,其特征在于,所述装置包括:
语音识别模块,用于获取至少两个访谈语音,对每个所述访谈语音进行语音识别,得到至少两个语音文本,并过滤每个所述语音文本的无用词,得到至少两个标准语音文本;
数据分类模块,用于利用多分类模型对每个所述标准语音文本进行数据分类,得到多个分类数据,并标记每个所述分类数据的数据标签;
评分计算模块,用于根据预构建的标签评分映射表,计算每个所述数据标签的数据评分,根据每个所述数据评分,计算每个所述访谈语音的访谈得分;
晋升评定模块,用于对每个所述访谈得分进行加权处理,得到所述至少两个访谈语音的最终评分,并将所述最终评分返回至审核人员,以确定待晋升员工的晋升结果。
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中任意一项所述的基于人工智能的员工晋升分析方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的基于人工智能的员工晋升分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111150208.8A CN113902404A (zh) | 2021-09-29 | 2021-09-29 | 基于人工智能的员工晋升分析方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111150208.8A CN113902404A (zh) | 2021-09-29 | 2021-09-29 | 基于人工智能的员工晋升分析方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113902404A true CN113902404A (zh) | 2022-01-07 |
Family
ID=79189286
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111150208.8A Pending CN113902404A (zh) | 2021-09-29 | 2021-09-29 | 基于人工智能的员工晋升分析方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113902404A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114492436A (zh) * | 2022-02-11 | 2022-05-13 | 国家电网有限公司华东分部 | 一种审计访谈信息的处理方法、装置和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110910901A (zh) * | 2019-10-08 | 2020-03-24 | 平安科技(深圳)有限公司 | 一种情绪识别方法及装置、电子设备和可读存储介质 |
CN111695352A (zh) * | 2020-05-28 | 2020-09-22 | 平安科技(深圳)有限公司 | 基于语义分析的评分方法、装置、终端设备及存储介质 |
CN112527994A (zh) * | 2020-12-18 | 2021-03-19 | 平安银行股份有限公司 | 情绪分析方法、装置、设备及可读存储介质 |
-
2021
- 2021-09-29 CN CN202111150208.8A patent/CN113902404A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110910901A (zh) * | 2019-10-08 | 2020-03-24 | 平安科技(深圳)有限公司 | 一种情绪识别方法及装置、电子设备和可读存储介质 |
CN111695352A (zh) * | 2020-05-28 | 2020-09-22 | 平安科技(深圳)有限公司 | 基于语义分析的评分方法、装置、终端设备及存储介质 |
CN112527994A (zh) * | 2020-12-18 | 2021-03-19 | 平安银行股份有限公司 | 情绪分析方法、装置、设备及可读存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114492436A (zh) * | 2022-02-11 | 2022-05-13 | 国家电网有限公司华东分部 | 一种审计访谈信息的处理方法、装置和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112597312A (zh) | 文本分类方法、装置、电子设备及可读存储介质 | |
CN112883190A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN112507936A (zh) | 图像信息审核方法、装置、电子设备及可读存储介质 | |
CN112560453A (zh) | 语音信息校验方法、装置、电子设备及介质 | |
CN112988963A (zh) | 基于多流程节点的用户意图预测方法、装置、设备及介质 | |
CN113064994A (zh) | 会议质量评估方法、装置、设备及存储介质 | |
CN113205814A (zh) | 语音数据标注方法、装置、电子设备及存储介质 | |
CN113360768A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
CN113268615A (zh) | 资源标签生成方法、装置、电子设备及存储介质 | |
CN115510188A (zh) | 文本关键词关联方法、装置、设备及存储介质 | |
CN113821602A (zh) | 基于图文聊天记录的自动答疑方法、装置、设备及介质 | |
CN113902404A (zh) | 基于人工智能的员工晋升分析方法、装置、设备及介质 | |
CN113344125A (zh) | 长文本匹配识别方法、装置、电子设备及存储介质 | |
CN113254814A (zh) | 网络课程视频打标签方法、装置、电子设备及介质 | |
CN112632260A (zh) | 智能问答方法、装置、电子设备及计算机可读存储介质 | |
CN114943306A (zh) | 意图分类方法、装置、设备及存储介质 | |
CN115525761A (zh) | 一种文章关键词筛选类别的方法、装置、设备及存储介质 | |
CN115346095A (zh) | 视觉问答方法、装置、设备及存储介质 | |
CN115588430A (zh) | 基于用户语音的智能查询方法、装置、设备及存储介质 | |
CN115203364A (zh) | 软件故障反馈处理方法、装置、设备及可读存储介质 | |
CN115221274A (zh) | 文本情感分类方法、装置、电子设备及存储介质 | |
CN114595321A (zh) | 问题标注方法、装置、电子设备及存储介质 | |
CN114186028A (zh) | 咨诉工单处理方法、装置、设备及存储介质 | |
CN112712797A (zh) | 语音识别方法、装置、电子设备及可读存储介质 | |
CN113434650A (zh) | 问答对扩展方法、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 |