CN113947322A - 一种基于FP-Growth算法的画像匹配方法及系统 - Google Patents

一种基于FP-Growth算法的画像匹配方法及系统 Download PDF

Info

Publication number
CN113947322A
CN113947322A CN202111239911.6A CN202111239911A CN113947322A CN 113947322 A CN113947322 A CN 113947322A CN 202111239911 A CN202111239911 A CN 202111239911A CN 113947322 A CN113947322 A CN 113947322A
Authority
CN
China
Prior art keywords
employee
target
task
representation
determining
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
Application number
CN202111239911.6A
Other languages
English (en)
Inventor
刘涛
郑维
王勇飞
贺玉彬
黄玲美
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guoneng Daduhe Big Data Service Co ltd
Original Assignee
Guoneng Daduhe Big Data Service Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guoneng Daduhe Big Data Service Co ltd filed Critical Guoneng Daduhe Big Data Service Co ltd
Priority to CN202111239911.6A priority Critical patent/CN113947322A/zh
Publication of CN113947322A publication Critical patent/CN113947322A/zh
Pending legal-status Critical Current

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • 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
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例公开了一种基于FP‑Growth算法的画像匹配方法及系统，属于数据管理技术领域，其中，一种基于FP‑Growth算法的画像匹配方法，包括：获取多个员工的员工相关信息；对于每个员工，基于员工相关信息，建立员工画像；获取目标工作任务的任务相关信息；基于任务相关信息，建立工作任务画像；基于工作任务画像及多个员工画像，从多个员工中确定至少一个目标员工，至少一个目标员工用于执行目标工作任务；计算目标工作任务的总绩效结果；以及，对于每个目标员工，基于目标员工的贡献率及总绩效结果，确定目标员工的个人绩效结果。

Description

一种基于FP-Growth算法的画像匹配方法及系统
技术领域
本发明主要涉及数据管理技术领域，具体地说，涉及一种基于FP-Growth算法的画像匹配方法及系统。
背景技术
绩效管理是确保雇员的工作活动以及工作产出能够与组织的目标保持一致的过程，是组织赢得竞争优势的中心环节所在。绩效考评又称绩效评价、绩效考核等，就是对员工的工作现状和结果进行考察、测定和评估，即根据员工的职务说明，对照工作目标或绩效标准，采取科学方法评定员工一段时限内的工作任务完成情况，并将评定结果反馈给员工的过程。传统的任务分配及绩效考评普遍以人工为主，存在主观性，从而导致任务分配不合理、绩效考评不客观等问题。
发明内容
本说明书实施例之一提供一种基于FP-Growth算法的画像匹配方法，基于工作任务画像及员工画像，为工作任务分配适配的员工，并基于任务的完成结果对员工绩效进行考评，具有使企业任务分配更加合理、绩效考评更加客观的优点。一种基于FP-Growth算法的画像匹配方法，包括：获取目标工作任务的任务相关信息；基于所述任务相关信息，建立工作任务画像；获取多个员工的员工相关信息；基于所述多个员工的员工相关信息，建立多个员工画像；基于所述工作任务画像及所述多个员工画像，从所述多个员工中确定至少一个目标员工，所述至少一个目标员工用于执行所述目标工作任务；计算所述目标工作任务的总绩效结果；以及，对于每个所述目标员工，基于所述目标员工的贡献率及所述总绩效结果，确定所述目标员工的个人绩效结果。
在一些实施例中，所述任务相关信息包括任务等级、任务周期、任务复杂度及任务资源需求范围中的至少一个。
在一些实施例中，所述基于所述多个员工的员工相关信息，建立多个员工画像，包括：确定多个员工评价因子；对所述多个员工评价因子进行分类，确定多个员工评价维度，每个所述员工评价维度均包括至少一个所述员工评价因子；以及，对于每个员工，基于所述员工的所述员工相关信息，确定所述员工在每个所述员工评价因子的得分；基于所述员工在每个所述员工评价因子的得分，确定所述员工在每个所述员工评价维度的得分；以及，基于所述员工在每个所述员工评价维度的得分，确定所述员工的所述员工画像。
在一些实施例中，所述多个员工评价维度包括劳动纪律维度、安全行为维度、风控行为维度、科研行为维度、文体行为维度、政治行为维度、学习能力维度、业务能力维度、表达能力维度、协作能力维度、科研创新能力维度、文体能力维度及政治素质维度。
在一些实施例中，所述基于所述工作任务画像及所述多个员工画像，从所述多个员工中确定至少一个目标员工，包括：对所述多个员工画像进行聚类，确定多个画像类，每个所述画像类包括至少一个所述员工画像；基于所述工作任务画像，从所述多个画像类中确定目标画像类；基于所述工作任务画像从所述目标画像类的至少一个所述员工画像中确定目标员工画像；以及，将所述目标员工画像对应的员工作为目标员工。
在一些实施例中，所述基于所述工作任务画像从所述目标画像类的至少一个所述员工画像中确定目标员工画像，包括：根据FP-Growth算法，基于所述工作任务画像，从所述目标画像类的至少一个所述员工画像中确定目标员工画像。
在一些实施例中，所述基于所述工作任务画像及所述多个员工画像，从所述多个员工中确定至少一个目标员工，所述至少一个目标员工用于执行所述目标工作任务，包括：基于所述工作任务画像及所述多个员工画像，从所述多个员工中确定至少一个一级候选员工；获取每个所述一级候选员工的任务状态；以及，基于每个所述一级候选员工的所述任务状态，从所述至少一个一级候选员工中确定所述至少一个目标员工。
在一些实施例中，所述基于每个所述一级候选员工的所述任务状态，从所述至少一个一级候选员工中确定所述至少一个目标员工，包括：基于每个所述一级候选员工的所述任务状态，从所述至少一个一级候选员工中确定至少一个二级候选员工；发送任务请求至每个所述二级候选员工；接收每个所述二级候选员工对所述任务请求的员工反馈；以及，基于每个所述二级候选员工的所述员工反馈，从所述至少一个二级候选员工中确定所述至少一个目标员工。
在一些实施例中，所述计算所述目标工作任务的总绩效结果，包括；获取所述目标工作任务的任务完成情况信息，其中，所述任务完成情况信息包括任务完成质量及任务完成时间；以及，基于所述任务完成情况信息，确定所述目标工作任务的所述总绩效结果。
本说明书实施例之一提供一种基于FP-Growth算法的画像匹配系统，包括：任务信息获取模块，用于获取目标工作任务的任务相关信息；任务画像建立模块，用于基于所述任务相关信息，建立工作任务画像；员工信息获取模块，用于获取多个员工的员工相关信息；员工画像建立模块，用于基于所述多个员工的员工相关信息，建立多个员工画像；目标员工确定模块，用于基于所述工作任务画像及所述多个员工画像，从所述多个员工中确定至少一个目标员工，所述至少一个目标员工用于执行所述目标工作任务；绩效确定获取模块，用于获取所述目标工作任务的总绩效结果，还用于基于所述目标员工的贡献率及所述总绩效结果，确定每个所述目标员工的个人绩效结果。
本说明书实施例之一提供一种计算机终端，所述装置包括至少一个处理器以及至少一个存储器；所述至少一个存储器用于存储计算机指令；所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现上述的一种基于FP-Growth算法的画像匹配方法。
本说明书实施例之一提供一种计算机可读存储介质，所述可读介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行上述的一种基于FP-Growth算法的画像匹配方法。
附图说明
本申请将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本申请一些实施例所示的一种基于FP-Growth算法的画像匹配装置的示意图；
图2是根据本申请的一些实施例所示的计算设备的示例性的框图；
图3是根据本说明书一些实施例所示的移动设备的示例性的硬件和/或软件的示意图；
图4是根据本申请的一些实施例所示的一种基于FP-Growth算法的画像匹配系统的示例性框图；
图5是根据本申请的一些实施例所示的一种基于FP-Growth算法的画像匹配方法的示例性的流程图。
图中，100、基于FP-Growth算法的画像匹配装置；110、处理设备；120、网络；130、终端设备；140、存储设备；200、计算设备；210、处理器；220、只读存储器；230、随机存储器；240、通信端口；250、输入/输出接口；260、硬盘；300、移动设备；310、通信单元；320、显示单元；330、图形处理器；340、中央处理器；350、输入/输出单元；360、内存；361、移动操作系统；362、应用程序；370、存储单元；400、基于FP-Growth算法的画像匹配系统；410、任务信息获取模块；420、任务画像建立模块；430、员工信息获取模块；440、员工画像建立模块；450、目标员工确定模块；460、绩效确定模块；500、基于FP-Growth算法的画像匹配方法。
具体实施方式
为了更清楚地说明本申请的实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。应当理解，给出这些示例性的实施例仅仅是为了使相关领域的技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块或单元做出了各种引用，然而，任何数量的不同模块或单元可以被使用并运行在客户端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
图1是根据本申请一些实施例所示的一种基于FP-Growth算法的画像匹配装置的应用场景示意图。
如图1所示，基于FP-Growth算法的画像匹配装置100可以包括处理设备110、网络120、终端设备130和存储设备140。
在一些实施例中，基于FP-Growth算法的画像匹配装置100可以对工作任务分配及员工绩效考核提供帮助。在一些实施例中，基于FP-Growth算法的画像匹配装置100可以应用在基于FP-Growth算法的画像匹配设备中，用于针对员工分配相应的工作任务及评估员工绩效。例如，基于FP-Growth算法的画像匹配装置100可以用于根据获取目标工作任务的任务相关信息；基于任务相关信息，建立工作任务画像；获取多个员工的员工相关信息；基于多个员工的员工相关信息，建立多个员工画像；基于工作任务画像及多个员工画像，从多个员工中确定至少一个目标员工，至少一个目标员工用于执行目标工作任务。还例如，基于FP-Growth算法的画像匹配装置100可以计算目标工作任务的总绩效结果；以及，对于每个目标员工，基于目标员工的贡献率及总绩效结果，确定目标员工的个人绩效结果。需要注意的是，基于FP-Growth算法的画像匹配装置100还可以应用在其它需要进行人力资源管理的设备、场景和应用程序中，在此不作限定，任何可以使用本申请所包含的基于FP-Growth算法的画像匹配方法的设备、场景和/或应用程序都在本申请的保护范围内。
在一些实施例中，处理设备110可以用于处理与员工工作任务分配及员工绩效考核相关的信息和/或数据。例如，处理设备110可以用于根据获取目标工作任务的任务相关信息；基于任务相关信息，建立工作任务画像；获取多个员工的员工相关信息；基于多个员工的员工相关信息，建立多个员工画像；基于工作任务画像及多个员工画像，从多个员工中确定至少一个目标员工，至少一个目标员工用于执行目标工作任务。还例如，处理设备110可以计算目标工作任务的总绩效结果；以及，对于每个目标员工，基于目标员工的贡献率及总绩效结果，确定目标员工的个人绩效结果。员工评价因子处理设备110更多的描述可以参见本申请其他部分的描述。例如，图2、3及其描述。
在一些实施例中，处理设备110可以是区域的或者远程的。例如，处理设备110可以通过网络120访问存储于终端设备130和存储设备140中的信息和/或资料。在一些实施例中，处理设备110可以直接与终端设备130和存储设备140连接以访问存储于其中的信息和/或资料。在一些实施例中，处理设备110可以在云平台上执行。例如，该云平台可以包括私有云、公共云、混合云、社区云、分散式云、内部云等中的一种或其任意组合。
在一些实施例中，处理设备110可以包含处理器。该处理器可以处理与员工工作任务分配及员工绩效考核相关的数据和/或信息以执行一个或多个本申请中描述的功能。例如，处理器可以接收终端设备130发送的工作任务分配。又例如，处理器可以获取存储设备140存储的多个员工画像。在一些实施例中，处理器可以包含一个或多个子处理器(例如，单芯处理设备或多核多芯处理设备)。仅仅作为范例，处理器可包含中央处理器(CPU)、专用集成电路(ASIC)、专用指令处理器(ASIP)、图形处理器(GPU)、物理处理器(PPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编辑逻辑电路(PLD)、控制器、微控制器单元、精简指令集电脑(RISC)、微处理器等或以上任意组合。
网络120可促进基于FP-Growth算法的画像匹配装置100中数据和/或信息的交换。在一些实施例中，基于FP-Growth算法的画像匹配装置100中的一个或多个组件(例如，处理设备110、终端设备130和存储设备140)可以通过网络120发送数据和/或信息给基于FP-Growth算法的画像匹配装置100中的其他组件。例如，存储设备140存储的多个样本员工信息可以通过网络120传输至处理设备110。又例如，处理设备110可以通过网络120将目标工作人员传输至目标员工的终端设备130。在一些实施例中，网络120可以是任意类型的有线或无线网络。例如，网络120可以包括缆线网络、有线网络、光纤网络、电信网络、内部网络、网际网络、区域网络(LAN)、广域网络(WAN)、无线区域网络(WLAN)、都会区域网络(MAN)、公共电话交换网络(PSTN)、蓝牙网络、ZigBee网络、近场通讯(NFC)网络等或以上任意组合。在一些实施例中，网络120可以包括一个或多个网络进出点。例如，网络120可以包含有线或无线网络进出点，如基站和/或网际网络交换点，通过这些进出点，基于FP-Growth算法的画像匹配装置100的一个或多个组件可以连接到网络120上以交换数据和/或信息。
在一些实施例中，终端设备130可以获取基于FP-Growth算法的画像匹配装置100中的信息或数据。在一些实施例中，目标员工可以通过终端设备130获取目标工作任务的相关信息。在一些实施例中，终端设备130可以包括移动装置、平板电脑、笔记本电脑等中的一种或其任意组合。在一些实施例中，移动装置可以包括可穿戴装置、智能行动装置、虚拟实境装置、增强实境装置等或其任意组合。在一些实施例中，可穿戴装置可以包括智能手环、智能鞋袜、智能眼镜、智能头盔、智能手表、智能衣物、智能背包、智能配饰、智能手柄等或其任意组合。在一些实施例中，智能行动装置可以包括智能电话、个人数字助理(PDA)、游戏装置、导航装置、POS装置等或其任意组合。在一些实施例中，虚拟实境装置和/或增强实境装置可以包括虚拟实境头盔、虚拟实境眼镜、虚拟实境眼罩、增强实境头盔、增强实境眼镜、增强实境眼罩等或以上任意组合。
在一些实施例中，存储设备140可以与网络120连接以实现与基于FP-Growth算法的画像匹配装置100的一个或多个组件(例如，处理设备110、终端设备130等)通讯。基于FP-Growth算法的画像匹配装置100的一个或多个组件可以通过网络120访问存储于存储设备140中的资料或指令。在一些实施例中，存储设备140可以直接与基于FP-Growth算法的画像匹配装置100中的一个或多个组件(如，处理设备110、终端设备130)连接或通讯。在一些实施例中，存储设备140可以是处理设备110的一部分。在一些实施例中，处理设备110还可以位于终端设备130中。
应该注意的是，上述描述仅出于说明性目的而提供，并不旨在限制本申请的范围。对于本领域普通技术人员而言，在本申请内容的指导下，可做出多种变化和修改。可以以各种方式组合本申请描述的示例性的实施例的特征、结构、方法和其他特征，以获得另外的和/或替代的示例性的实施例。例如，存储设备140可以是包括云计算平台的数据存储设备，例如公共云、私有云、社区和混合云等。然而，这些变化与修改不会背离本申请的范围。
图2是根据本申请的一些实施例所示的计算设备的示例性的框图。
在一些实施例中，处理设备110和/或终端设备130可以在计算设备200上实现。例如，处理设备110可以在计算设备200上实施并执行本申请所公开的获取工作任务。
如图2所示，计算设备200可以包括处理器210、只读存储器220、随机存储器230、通信端口240、输入/输出接口250和硬盘260。
处理器210可以执行计算指令(程序代码)并执行本申请描述的基于FP-Growth算法的画像匹配装置100的功能。所述计算指令可以包括程序、对象、组件、数据结构、过程、模块和功能(所述功能指本申请中描述的特定功能)。例如，处理器210可以处理从基于FP-Growth算法的画像匹配装置100的存储设备140获取的多个样本员工信息。在一些实施例中，处理器210可以包括微控制器、微处理器、精简指令集计算机(RISC)、专用集成电路(ASIC)、应用特定指令集处理器(ASIP)、中央处理器(CPU)、图形处理单元(GPU)、物理处理单元(PPU)、微控制器单元、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、高级RISC机(ARM)、可编程逻辑器件以及能够执行一个或多个功能的任何电路和处理器等，或其任意组合。仅为了说明，图2中的计算设备200只描述了一个处理器，但需要注意的是，本申请中的计算设备200还可以包括多个处理器。
计算设备200的存储器(例如，只读存储器(ROM)220、随机存储器(RAM)230、硬盘260等)可以存储从基于FP-Growth算法的画像匹配装置100的任何其他组件获取的数据/信息。例如，从存储设备140获取多个样本员工的员工信息等。又例如，存储设备140存储的从多个工作任务中确定目标工作任务的指令。示例性的ROM可以包括掩模ROM(MROM)、可编程ROM(PROM)、可擦除可编程ROM(PEROM)、电可擦除可编程ROM(EEPROM)、光盘ROM(CD-ROM)和数字通用盘ROM等。示例性的RAM可以包括动态RAM(DRAM)、双倍速率同步动态RAM(DDRSDRAM)、静态RAM(SRAM)、晶闸管RAM(T-RAM)和零电容(Z-RAM)等。
输入/输出接口250可以用于输入或输出信号、数据或信息。在一些实施例中，输入/输出接口250可以使员工与基于FP-Growth算法的画像匹配装置100进行联系。例如，员工通过输入/输出接口250接收处理设备110发送的目标工作任务的相关信息。还例如，员工通过输入/输出接口250向处理设备110发送员工反馈。在一些实施例中，输入/输出接口250可以包括输入装置和输出装置。示例性的输入装置可以包括键盘、鼠标、触摸屏和麦克风等，或其任意组合。示例性的输出装置可以包括显示设备、扬声器、打印机、投影仪等或其任意组合。示例性的显示装置可以包括液晶显示器(LCD)、基于发光二极管(LED)的显示器、平板显示器、曲面显示器、电视设备、阴极射线管(CRT)等或其任意组合。通信端口240可以连接到网络以便数据通信。所述连接可以是有线连接、无线连接或两者的组合。有线连接可以包括电缆、光缆或电话线等或其任意组合。无线连接可以包括蓝牙、Wi-Fi、WiMax、WLAN、ZigBee、移动网络(例如，3G、4G或5G等)等或其任意组合。在一些实施例中，通信端口240可以是标准化端口，如RS232、RS485等。在一些实施例中，通信端口240可以是专门设计的端口。
仅仅为了说明，计算设备200只描述了一个中央处理器和/或处理器。然而，需要注意的是，本申请中的计算设备200可以包括多个中央处理器和/或处理器，因此本申请中描述的由一个中央处理器和/或处理器实现的操作和/或方法也可以共同地或独立地由多个中央处理器和/或处理器实现。例如，计算设备200的中央处理器和/或处理器可以执行步骤A和步骤B。在另一示例中，步骤A和步骤B也可以由计算设备200中的两个不同的中央处理器和/或处理器联合或单独地执行(例如，第一处理器执行步骤A并且第二处理器执行步骤B，或第一和第二处理器共同执行步骤A和B)。
图3是根据本说明书一些实施例所示的移动设备的示例性的硬件和/或软件的示意图，终端设备(例如，终端设备130)可以根据本申请的一些实施例在移动设备300上实现。
如图3所示，移动设备300可以包括通信单元310、显示单元320、图形处理器(GPU)330、中央处理器(CPU)340、输入/输出单元350、内存360、存储单元370等。在一些实施例中，任何其他合适的组件，包括但不限于系统总线或控制器(未示出)，也可包括在移动设备300内。在一些实施例中，移动操作系统361(例如，iOS、Android、Windows Phone等)和应用程序362可以从存储单元370加载到内存360中，以便由CPU 340执行。应用程序380可以用于从处理设备110和/或存储设备140发送、接收和呈现信息(例如，处理设备110获取的目标工作任务的相关信息等)的任何其他合适的应用程序。用户与信息流的交互可以经由输入/输出单元350实现，并且经由网络120提供给处理设备110和/或基于FP-Growth算法的画像匹配装置100的其他组件。在一些实施例中，用户可以通过移动设备300向处理设备110发送工作任务分配的请求。用户还可以通过移动设备300获取基于FP-Growth算法的画像匹配装置100获取的目标工作任务的相关信息。例如，用户可以经由显示单元320获取处理设备110发送的目标工作任务的相关信息。
为了实现在本申请中描述的各种模块、单元及其功能，计算设备或移动设备可以用作本申请所描述的一个或多个组件的硬件平台。这些计算机或移动设备的硬件元件、操作系统和编程语言本质上是常规的，并且本领域技术人员熟悉这些技术后可将这些技术适应于本申请所描述的信息显示系统。具有用户界面元件的计算机可以用于实现个人计算机(PC)或其他类型的工作站或终端设备，如果适当地编程，计算机也可以充当服务器。
图4是根据本申请的一些实施例所示的一种基于FP-Growth算法的画像匹配系统400的示例性框图。
如图4所示，在一些实施例中，一种基于FP-Growth算法的画像匹配系统400可以包括任务信息获取模块410、任务画像建立模块420、员工信息获取模块430、员工画像建立模块440、目标员工确定模块450及绩效确定模块460。
在一些实施例中，任务信息获取模块410可以用于获取目标工作任务的任务相关信息。
在一些实施例中，任务画像建立模块420可以用于基于任务相关信息，建立工作任务画像。
在一些实施例中，员工信息获取模块430可以用于获取多个员工的员工相关信息。
在一些实施例中，员工画像建立模块440可以用于基于多个员工的员工相关信息，建立多个员工画像。
在一些实施例中，目标员工确定模块450可以用于基于工作任务画像及多个员工画像，从多个员工中确定至少一个目标员工，至少一个目标员工用于执行目标工作任务。
在一些实施例中，绩效确定模块460可以用于获取目标工作任务的总绩效结果，还可以用于基于目标员工的贡献率及总绩效结果，确定每个目标员工的个人绩效结果。
需要注意的是，以上对于候选项显示、确定系统及其模块的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。在一些实施例中，图4中披露的任务信息获取模块410、任务画像建立模块420、员工信息获取模块430、员工画像建立模块440、目标员工确定模块450及绩效确定模块460可以是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。例如，各个模块可以共用一个存储模块，各个模块也可以分别具有各自的存储模块。诸如此类的变形，均在本说明书的保护范围之内。
图5是根据本申请的一些实施例所示的一种基于FP-Growth算法的画像匹配方法500的示例性的流程图。
在一些实施例中，基于FP-Growth算法的画像匹配方法500可以由基于FP-Growth算法的画像匹配装置100(如处理设备110)或基于FP-Growth算法的画像匹配系统400执行。例如，基于FP-Growth算法的画像匹配方法500可以以程序或指令的形式存储在存储装置(如存储设备140)中，当基于FP-Growth算法的画像匹配装置100(如处理设备110)执行该程序或指令时，可以实现基于FP-Growth算法的画像匹配方法500。下面呈现的基于FP-Growth算法的画像匹配方法500的操作示意图是说明性的。在一些实施例中，可以利用一个或以上未描述的附加操作和/或未讨论的一个或以上操作来完成该过程。另外，图5中示出的和下面描述的流程500的操作的顺序不旨在是限制性的。
步骤510，获取多个员工的员工相关信息。
在一些实施例中，员工相关信息可以用于表征员工特征的信息，例如，员工的学历、职称、履历等信息、兴趣爱好及工作情况等。
在一些实施例中，可以从员工所在用人单位((例如，科研设计单位、医疗卫生单位、国有企业、三资企业、私营企业等))使用的相关系统中获取多个工作任务的相关信息。在一些实施例中，相关系统可以包括人力资源管理系统、OA系统、党建系统、一卡通系统、合同系统、工作台帐系统、调查问卷系统等。
步骤520，基于多个员工的员工相关信息，建立多个员工画像。
在一些实施例中，员工画像可以为用于量化员工的综合能力的数据集合。在一些实施例中，可以基于多个员工的员工相关信息，评估员工的综合能力，并通过员工画像量化表现。
在一些实施例中，基于多个员工的员工相关信息，建立多个员工画像，可以包括：
确定多个员工评价因子，在一些实施例中，员工评价因子可以用于表征员工在某一方面的能力。在一些实施例中，员工评价因子可以为学历学位等级评价因子、职称评价因子、职业资格跨度评价因子、履职跨度评价因子、电子书屋阅读时长评价因子、职称匹配评价因子、履职经历评价因子、专业奖励评价因子、职业资格匹配评价因子、工作任务完成情况评价因子、外语员工评价因子、征文/演讲/辩论等奖励评价因子、新闻稿评价因子、学术会议交流参与评价因子、科研项目参与评价因子、工作任务评价因子、知识成果科技奖励评价因子、文体类奖励评价因子、文体特长评价因子、党务任职评价因子和党群荣誉政治面貌评价因子等；
对多个员工评价因子进行分类，确定多个员工评价维度，每个员工评价维度均包括至少一个员工评价因子，在一些实施例中，评价维度用于表征员工在某一领域的能力，其中，一个领域可以包括多个方面，因此，每个员工评价维度均可以包括至少一个员工评价因子。在一些实施例中，多个员工评价维度包括劳动纪律维度、安全行为维度、风控行为维度、科研行为维度、文体行为维度、政治行为维度、学习能力维度、业务能力维度、表达能力维度、协作能力维度、科研创新能力维度、文体能力维度及政治素质维度；以及，
对于每个员工，
基于员工的员工相关信息，确定员工在每个员工评价因子的得分；
基于员工在每个员工评价因子的得分，确定员工在每个员工评价维度的得分；以及，
基于员工在每个员工评价维度的得分，确定员工的员工画像。
在一些实施例中，可以根据员工的员工相关信息确定员工在每个员工评价维度包括的每个员工评价因子的得分。在一些实施例中，可以基于转化规则，根据员工的员工相关信息确定员工在每个员工评价维度包括的每个员工评价因子的得分。在一些实施例中，得分可以用数值表示。在一些实施例中，转化规则可以为将员工相关信息转化为数值的规则。例如，对于最高学历评价因子，若员工A与最高学历评价因子对应的员工相关信息为“博士研究生”，则可以将最高学历评价因子对应的员工相关信息转化为员工A在最高学历评价因子的得分为7；若员工A与最高学历因子对应的员工相关信息为“硕士研究生”，则可以将最高学历评价因子对应的员工相关信息转化为员工A在最高学历评价因子的得分为6；若员工A与最高学历因子对应的员工相关信息为“大学本科”，则可以将最高学历评价因子对应的员工相关信息转化为员工A在最高学历评价因子的得分为5。
在一些实施例中，对于每个员工评价维度，可以预先设置其包括的每个员工评价因子的权重。在一些实施例中，对于每个员工评价维度，可以基于员工在其包括的每个员工评价因子的得分及权重，计算员工在该员工评价维度的得分。例如，学习能力维度包括学历评价因子、职业资格评价因子、职称评价因子、履历变动评价因子，员工A在学历评价因子的得分为5，在职业资格评价因子的得分为7、在职称评价因子的得分为6、在履历变动评价因子的得分为4，学历评价因子、职业资格评价因子、职称评价因子及履历变动评价因子的权重可以分别为0.4、0.15、0.15、0.2、0.1，则员工A在学习能力维度的得分S＝学历评价因子的值*学历评价因子的权重+职业资格评价因子的值*职业资格评价因子的权重+职称评价因子的值*职称评价因子的权重+履历变动评价因子的值*履历变动评价因子的权重＝5*0.4+7*0.15+6*0.15+4*0.2＝4.75。
在一些实施例中，员工的员工画像可以包括员工的基本信息(例如，姓名、年龄、职位、所属部门、最高学历等)以及员工在各个员工评价维度的得分，例如，员工A的员工画像为劳动纪律维度得分为5、安全行为维度得分为6、风控行为维度得分为4.5、科研行为维度得分为4、文体行为维度得分为5、政治行为维度得分为7、学习能力维度得分为8、业务能力维度得分为7、表达能力维度得分为7、协作能力维度得分为6.4、科研创新能力维度得分为7、文体能力维度得分为6及政治素质维度得分为7。
在一些实施例中，可以具体通过以下方式对员工评价因子进行分类，确定多个员工评价维度：
对于每个员工评价维度，从多个员工评价因子中确定一个员工评价因子作为员工评价维度的中心评价因子，在一些实施例中，工作任务完成情况评价因子、外语员工评价因子、科研项目评价因子等员工评价因子可以作为中心评价因子，在一些实施例中，可以通过人工从多个员工评价因子中筛选中心评价因子。在一些实施例中，还可以基于机器学习模型，从多个员工评价因子中筛选中心评价因子。在一些实施例中，机器学习模型的类型包括但不限于神经网络(NN)、卷积神经网络(CNN)、深度神经网络(DNN)、神经网络(NN)、卷积神经网络(CNN)、循环神经网络(RNN)等或其任意组合，例如，机器学习模型可以为卷积神经网络和深度神经网络组合形成的模型；计算每个员工评价因子与中心评价因子之间的关联度，在一些实施例中，关联度可以用于表征两个员工评价因子之间的相互影响程度，在一些实施例中，可以基于FP-growth算法，计算每个员工评价因子与中心评价因子之间的关联度；
基于关联度，确定与中心评价因子关联的员工评价因子，其中，员工评价维度包括中心评价因子及与中心评价因子关联的员工评价因子。在一些实施例中，可以将关联度大于预设的阈值的员工评价因子作为与该中心评价因子关联的员工评价因子，例如，多个员工评价因子可以包括学历学位评价因子、职称等级评价因子、知识成果评价因子、科技奖励评价因子、学术会议交流评价因子、科研项目评价因子，其中，科研项目评价因子为中心评价因子，学历学位评价因子与科研项目评价因子具有高度相关性，Pearson相关系数(即关联度)为0.7；职称等级评价因子与科研项目评价因子具有高度相关性，Pearson相关系数为0.8；知识成果评价因子与科研项目评价因子具有高度相关性，Pearson相关系数为0.7，科技奖励评价因子与科研项目评价因子具有高度相关性，Pearson相关系数为0.9，学术会议交流评价因子与科研项目评价因子具有高度相关性，Pearson相关系数为0.6，因为学历学位评价因子、职称等级评价因子、知识成果评价因子、科技奖励评价因子、学术会议交流评价因子与科研项目评价因子的Pearson相关系数(即关联度)均大于预设的阈值(例如，0.5)，可以将学历学位评价因子、职称等级评价因子、知识成果评价因子、科技奖励评价因子、学术会议交流评价因子、科研项目评价因子划分为一类，并对应该类建立一个员工评价维度，例如，科研创新能力维度。
在一些实施例中，可以通过机器学习模型基于多个员工的员工相关信息建立多个员工画像。在一些实施例中，机器学习模型包括但不限于神经网络(NN)、卷积神经网络(CNN)、深度神经网络(DNN)、神经网络(NN)、卷积神经网络(CNN)、循环神经网络(RNN)等或其任意组合，例如，机器学习模型可以为卷积神经网络和深度神经网络组合形成的模型。
在一些实施例中，对机器学习模型进行训练时，可以预先建立样本员工集，其中，样本员工集可以包括多个样本员工，多个样本员工可以为多个类型的样本员工，例如，销售类、管理类、综合类等，并基于SMOTE算法，合成(增加)新的一部分样本员工相关信息，对于样本量较少(例如，少于10个)的某一类型(例如，类型A)，运用K近邻算法，从该类型的样本中选取一个样本a，然后从样本a的最近邻中随机选一个样本b，然后在a、b之间的连线上随机选一点作为新合成的样本，该新合成的样本类型为上述样本量较少的类型(例如，类型A)。
在一些实施例中，可以对多个员工画像进行聚类，确定多个画像类，每个画像类包括至少一个员工画像，其中，一个画像类中的每个员工画像对应的员工为同一类型，例如，管理人才类、综合人才类、技术人才类、创新人才类、协作人才类等。
在一些实施例中，员工的员工画像还可以包括多个员工标签。在一些实施例中，可以基于员工相关信息及员工在每个员工评价维度的得分确定员工的多个员工标签。
在一些实施例中，多个员工标签可以包括多个员工事实标签、多个员工维度标签及多个员工高级标签。在一些实施例中，可以预先建立有员工事实标签库，员工事实标签库可以存储有多个员工事实标签(例如，党员、高级工程师、论文发表者、新闻稿发表者、辩论达人、创新达人等)。在一些实施例中，可以基于员工相关信息从员工事实标签库中确定多个员工事实标签，例如，员工A的政治面貌为党员、岗位为高级工程师，则员工A的多个员工事实标签可以包括“党员”、“高级工程师”。在一些实施例中，可以预先建立有员工维度标签库，员工维度标签库可以存储有多个员工维度标签(例如，劳动纪律优秀、安全意识低、风控能力强、科研达人、文体达人、优秀党员、学霸、业务标兵、交流达人、合作度低、创新达人等)。在一些实施例中，可以基于员工在每个员工评价维度的得分从员工维度标签库中确定多个员工维度标签。例如，表达能力维度得分为7，大于预设阈值(例如，6)，该员工的一个员工维度标签可以为“交流达人”。在一些实施例中，员工高级标签可以用于表征员工的类型。在一些实施例中，可以基于员工的多个员工事实标签及多个员工维度标签，通过无监督的聚类等机器学习算法确定多个员工高级标签。在一些实施例中，可以将多个员工事实标签及多个员工维度标签变成标签矩阵，再通过无监督的聚类等机器学习算法确定多个员工高级标签。在一些实施例中，机器学习算法可以包括K-means算法、层次聚类算法以及基于EM的GNN聚类算法等。
在一些实施例中，一个画像类中的每个员工画像的多个员工高级标签相互之间相似度大于预设相似度阈值(例如，80％)。
步骤530，获取目标工作任务的任务相关信息。
目标工作任务可以为待分配给员工完成的工作任务。在一些实施例中，任务相关信息可以包括任务基本信息，例如，任务名称、预期总绩效等。在一些实施例中，任务相关信息还可以包括任务等级、任务周期、任务复杂度及任务资源需求范围中的至少一个。在一些实施例中，任务等级可以用于表征该目标工作任务的优先级。在一些实施例中，任务周期可以用于表征完成该目标工作任务所需时间。在一些实施例中，任务复杂度可以用于表征该目标工作任务的具体内容。在一些实施例中，任务资源需求范围可以用于表征该目标工作任务所需的员工的类型。
步骤540，基于任务相关信息，建立工作任务画像。
工作任务画像可以用于表征目标工作任务的信息。在一些实施例中，可以基于任务等级、任务周期、任务复杂度及任务资源需求范围确定工作任务画像。在一些实施例中，可以通过机器学习模型基于任务等级、任务周期、任务复杂度及任务资源需求范围确定工作任务画像。在一些实施例中，机器学习模型包括但不限于神经网络(NN)、卷积神经网络(CNN)、深度神经网络(DNN)、神经网络(NN)、卷积神经网络(CNN)、循环神经网络(RNN)等或其任意组合，例如，机器学习模型可以为卷积神经网络和深度神经网络组合形成的模型。
在一些实施例中，工作任务画像可以包括多个工作任务标签。在一些实施例中，可以基于任务等级、任务周期、任务复杂度及任务资源需求范围确定多个工作任务标签。在一些实施例中，可以预先建立有任务标签库，任务标签库内存储有多个工作任务标签(例如，紧急任务、普通任务、跨部门协作、周期长等)。
步骤550，基于工作任务画像及多个员工画像，从多个员工中确定至少一个目标员工，至少一个目标员工用于执行目标工作任务。
在一些实施例中，基于工作任务画像，从多个画像类中确定目标画像类，基于工作任务画像从目标画像类的至少一个员工画像中确定目标员工画像；以及，将目标员工画像对应的员工作为目标员工。在一些实施例中，可以基于工作任务画像确定所需的员工类型，例如，根据目标工作任务A的工作任务画像判断所需的目标员工类型包括管理人才类、创新人才类及综合人才类，则可以将管理人才类、创新人才类及综合人才类分别对应的画像类作为目标画像类，再基于工作任务画像从管理人才类、创新人才类及综合人才类分别对应的画像类中确定目标员工画像。
在一些实施例中，可以根据FP-Growth算法，基于工作任务画像，从目标画像类的至少一个员工画像中确定目标员工画像。具体的，可以通过FP-Growth算法基于目标画像类的每个员工画像的多个员工事实标签、多个员工维度标签及多个员工高级标签和工作任务画像的多个工作任务标签，计算目标员工画像与工作任务画像之间的画像关联度，基于画像关联度判断该员工画像是否为目标员工画像，例如，将画像关联度大于预设关联度阈值的员工画像作为目标员工画像。还例如，对于每个目标画像类，可以按照画像关联度从大到小对该目标画像类包括的多个员工画像进行排序，选择目标员工画像。示例地，目标工作任务A的工作任务画像判断所需的目标员工类型包括管理人才类、创新人才类及综合人才类，更具体地，目标工作任务A需要1个管理人才类的员工，3个创新人才类的员工及2个综合人才类的员工，其中，管理人才类对应的画像类包括10个员工画像，综合人才类对应的画像类包括5个员工画像，可以按照画像关联度从大到小对该管理人才类对应的画像类包括的10个员工画像进行排序，将排序为第一位的员工画像作为目标员工画像，可以按照画像关联度从大到小对综合人才类对应的画像类包括的10个员工画像进行排序，将排序为第一位及第二为的员工画像作为目标员工画像。
在一些实施例中，基于工作任务画像及多个员工画像，从多个员工中确定至少一个目标员工，至少一个目标员工用于执行目标工作任务，可以包括：
基于工作任务画像及多个员工画像，从多个员工中确定至少一个一级候选员工(例如，按照画像关联度从大到小对综合人才类对应的画像类包括的10个员工画像进行排序，将排序为第一位及第二为的员工画像作为一级候选员工)；
获取每个一级候选员工的任务状态，在一些实施例中，任务状态用于表征一级候选员工正在执行的工作任务的数量；以及，基于每个一级候选员工的任务状态，从至少一个一级候选员工中确定至少一个二级候选员工，在一些实施例中，可以将多个一级候选员工中正在执行的工作任务的数量小于预设数量阈值(例如，3)的一级候选员工作为二级候选员工；
发送任务请求至每个二级候选员工，例如，发送任务请求至二级候选员工使用的终端设备130，在一些实施例中，任务请求可以用于询问每个二级候选员工是否接收该目标工作任务；
接收每个二级候选员工对任务请求的员工反馈，例如，二级候选员工可以从其使用的终端设备130发送对任务请求的员工反馈，例如，接受该目标工作任务或拒绝该目标工作任务；以及，
基于每个二级候选员工的员工反馈，从至少一个二级候选员工中确定至少一个目标员工，在一些实施例中，可以将接受该目标工作任务的二级候选员工作为目标员工。
步骤560，计算目标工作任务的总绩效结果。
在一些实施例中，可以预先设置有目标工作任务的预期绩效，并基于目标工作任务的完成情况计算目标工作任务的总绩效结果。在一些实施例中，可以获取目标工作任务的任务完成情况信息，其中，任务完成情况信息包括任务完成质量及任务完成时间等，并基于目标工作任务的任务完成情况信息计算目标工作任务的总绩效结果。在一些实施例中，可以预先设置多个绩效考核项用于确定任务完成质量，每个绩效考核项目可以包括多个绩效考核指标，可以基于目标工作任务的完成情况确定每个绩效考核指标的指标得分以及任务完成时间得分，再基于每个绩效考核项目包括的多个绩效考核指标的指标得分计算每个绩效考核项的得分，再基于多个绩效考核项的得分及权重、任务完成时间得分及权重计算目标工作任务的总绩效结果。在一些实施例中，可以预设有任务预期完成时间，任务完成时间越小，任务完成时间得分越高，当任务完成时间大于任务预期完成时间，任务完成时间得分可以为负值。
在一些实施例中，可以基于以下公式计算目标工作任务的总绩效结果：
总绩效结果＝A1*绩效考核项1得分+A2*绩效考核项2得分+A3*绩效考核项3得分+A4*绩效考核项4得分+……+An*绩效考核项n得分+An+1*任务完成时间得分；
其中，A1为绩效考核项1的权重，A2为绩效考核项2的权重，A3为绩效考核项3的权重，A4为绩效考核项4的权重，An为绩效考核项n的权重，An+1为任务完成时间的权重。
例如，目标工作任务为软件开发任务A，多个绩效考核项可以包括测试质量保障、效率提升、专项、团队建设。测试质量保障包括的多个绩效考核指标为：测试项目个数、测试版本个数、项目延期率、用例设计个数、创建测试计划个数、用例执行个数、输出测试报告数、提交bug个数、无效bug率、严重bug率、线上稳定率、bug分析个数、质量总结报告、上线漏测率；效率提升包括的多个绩效考核指标为：代码次数、代码检查发现Bug个数、平均测试周期、测试工具落地建议个数、测试工具落地问题发现个数、测试开发人力比、测试环境稳定率；专项包括的多个绩效考核指标为：性能评测次数、性能评测得分、性能评测竞品名次、评测报告数、评测发现问题数；团队建设包括的多个绩效考核指标为：组内分享次数、原创文章输出数、带新人数、输出总结文档数。计算软件开发任务A的总绩效结果时，可以获取与目标工作任务的完成情况相关的信息，根据与目标工作任务的完成情况相关的信息计算目标工作任务的完成情况分别在测试项目个数、测试版本个数、项目延期率、用例设计个数、创建测试计划个数、用例执行个数、输出测试报告数、提交bug个数、无效bug率、严重bug率、线上稳定率、bug分析个数、质量总结报告、上线漏测率的得分，从而计算目标工作任务的完成情况在测试质量保障的得分；并根据与目标工作任务的完成情况相关的信息计算目标工作任务的完成情况分别在代码次数、代码检查发现Bug个数、平均测试周期、测试工具落地建议个数、测试工具落地问题发现个数、测试开发人力比、测试环境稳定率的得分，从而计算目标工作任务的完成情况在效率提升的得分；并根据与目标工作任务的完成情况相关的信息计算目标工作任务的完成情况分别在性能评测次数、性能评测得分、性能评测竞品名次、评测报告数、评测发现问题数的得分，从而计算目标工作任务的完成情况在专项的得分；并根据与目标工作任务的完成情况相关的信息计算目标工作任务的完成情况分别在组内分享次数、原创文章输出数、带新人数、输出总结文档数的得分，从而计算目标工作任务的完成情况在团队建设的得分。再根据测试质量保障、效率提升、专项、团队建设的权重计算软件开发任务A的总绩效结果。可以基于以下公式计算总绩效结果：
总绩效结果＝A1*质量保障得分+A2*效率提升得分+A3*专项得分+A4*团队建设得分+A5*任务完成时间得分；
其中，A1为质量保证的权重，A2为效率提升的权重，A3为专项的权重，A4为团队建设的权重，A5为任务完成时间的权重。
步骤570，对于每个目标员工，基于目标员工的贡献率及总绩效结果，确定目标员工的个人绩效结果。
在一些实施例中，贡献率可以用于表征一个目标员工在进行目标工作任务中完成的任务量的比例。在一些实施例中，可以获取目标员工的任务执行信息，基于任务执行信息确定目标员工的贡献率。在一些实施例中，任务执行信息可以包括目标员工在任务周期的考勤信息、目标员工的工作成果、目标员工的类型、目标员工的成长率等。在一些实施例中，可以根据目标员工在任务周期的考勤信息计算目标员工的考勤得分，还可以根据目标员工的工作成果计算目标员工的成果得分，还可以根据目标员工的类型计算目标员工的类型得分，还可以根据目标员工的成长率计算目标员工的成长率得分。在一些实施例中，可以根据目标员工的考勤得分及权重、成果得分及权重、类型得分及权重、成长率得分及权重计算执行目标工作任务每个员工的贡献分值，再基于目标员工的贡献分值及执行目标工作任务每个员工的贡献分值计算目标员工的贡献率。在一些实施例中，可以基于以下公式计算员工的贡献分值：
贡献分值＝B1*考勤得分+B2*成果得分+B3*类型得分+B4*成长率得分；
其中，B1为考勤得分的权重，B2为成果得分的权重，B3为类型得分的权重，B4为成长率得分的权重。
在一些实施例中，可以对执行目标工作任务每个员工的贡献分值进行求和，得到总贡献分值，再基于以下公式计算目标员工的贡献率：
目标员工的贡献率＝目标员工的贡献分值/总贡献分值；
在一些实施例中，可以基于目标员工的贡献率及总绩效结果，确定目标员工的个人绩效结果，例如，个人绩效结果＝贡献率*总绩效结果。
在本申请的另一些实施例中，提供了一种基于FP-Growth算法的画像匹配装置，包括至少一个处理设备以及至少一个存储设备；至少一个存储设备用于存储计算机指令，至少一个处理设备用于执行计算机指令中的至少部分指令以实现如上的一种基于FP-Growth算法的画像匹配方法。
在本申请的又一些实施例中，提供了一种基于FP-Growth算法的画像匹配计算机可读存储介质，存储介质存储计算机指令，当计算机指令被处理设备执行时实现如上的基于FP-Growth算法的画像匹配方法。
最后，应当理解的是，本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此，作为示例而非限制，本申请实施例的替代配置可视为与本申请的教导一致。相应地，本申请的实施例不仅限于本申请明确介绍和描述的实施例。

Claims (10)

1.一种基于FP-Growth算法的画像匹配方法，其特征在于，包括：
获取多个员工的员工相关信息；
对于每个所述员工，基于所述员工相关信息，建立员工画像；
获取目标工作任务的任务相关信息；
基于所述任务相关信息，建立工作任务画像；
基于所述工作任务画像及所述员工画像，从所述多个员工中确定至少一个目标员工，所述至少一个目标员工用于执行所述目标工作任务；
计算所述目标工作任务的总绩效结果；以及，对于每个所述目标员工，基于所述目标员工的贡献率及所述总绩效结果，确定所述目标员工的个人绩效结果。
2.根据权利要求1所述的一种基于FP-Growth算法的画像匹配方法，其特征在于，所述任务相关信息包括任务等级、任务周期、任务复杂度及任务资源需求范围中的至少一个。
3.根据权利要求1所述的一种基于FP-Growth算法的画像匹配方法，其特征在于，所述基于所述多个员工的员工相关信息，建立多个员工画像，包括：
确定多个员工评价因子；
对所述多个员工评价因子进行分类，确定多个员工评价维度，每个所述员工评价维度均包括至少一个所述员工评价因子；以及，对于每个员工，基于所述员工的所述员工相关信息，确定所述员工在每个所述员工评价因子的得分；
基于所述员工在每个所述员工评价因子的得分，确定所述员工在每个所述员工评价维度的得分；以及，基于所述员工在每个所述员工评价维度的得分，确定所述员工的所述员工画像。
4.根据权利要求3所述的一种基于FP-Growth算法的画像匹配方法，其特征在于，所述多个员工评价维度包括劳动纪律维度、安全行为维度、风控行为维度、科研行为维度、文体行为维度、政治行为维度、学习能力维度、业务能力维度、表达能力维度、协作能力维度、科研创新能力维度、文体能力维度及政治素质维度。
5.根据权利要求1所述的一种基于FP-Growth算法的画像匹配方法，其特征在于，所述基于所述工作任务画像及所述多个员工画像，从所述多个员工中确定至少一个目标员工，包括：
对所述多个员工画像进行聚类，确定多个画像类，每个所述画像类包括至少一个所述员工画像；
基于所述工作任务画像，从所述多个画像类中确定目标画像类；
基于所述工作任务画像从所述目标画像类的至少一个所述员工画像中确定目标员工画像；以及，将所述目标员工画像对应的员工作为所述目标员工。
6.根据权利要求5所述的一种基于FP-Growth算法的画像匹配方法，其特征在于，所述基于所述工作任务画像从所述目标画像类的至少一个所述员工画像中确定目标员工画像，包括：
根据FP-Growth算法，基于所述工作任务画像，从所述目标画像类的至少一个所述员工画像中确定目标员工画像。
7.根据权利要求1-6任意一项所述的一种基于FP-Growth算法的画像匹配方法，其特征在于，所述基于所述工作任务画像及所述多个员工画像，从所述多个员工中确定至少一个目标员工，所述至少一个目标员工用于执行所述目标工作任务，包括：
基于所述工作任务画像及所述多个员工画像，从所述多个员工中确定至少一个一级候选员工；
获取每个所述一级候选员工的任务状态；以及，基于每个所述一级候选员工的所述任务状态，从所述至少一个一级候选员工中确定所述至少一个目标员工。
8.根据权利要求7所述的一种基于FP-Growth算法的画像匹配方法，其特征在于，所述基于每个所述一级候选员工的所述任务状态，从所述至少一个一级候选员工中确定所述至少一个目标员工，包括：
基于每个所述一级候选员工的所述任务状态，从所述至少一个一级候选员工中确定至少一个二级候选员工；
发送任务请求至每个所述二级候选员工；
接收每个所述二级候选员工对所述任务请求的员工反馈；以及，基于每个所述二级候选员工的所述员工反馈，从所述至少一个二级候选员工中确定所述至少一个目标员工。
9.根据权利要求1-6任意一项所述的一种基于FP-Growth算法的画像匹配方法，其特征在于，所述计算所述目标工作任务的总绩效结果，包括；
获取所述目标工作任务的任务完成情况信息，其中，所述任务完成情况信息包括任务完成质量及任务完成时间；以及，基于所述任务完成情况信息，确定所述目标工作任务的所述总绩效结果。
10.一种基于FP-Growth算法的画像匹配系统，其特征在于，包括：
任务信息获取模块，用于获取目标工作任务的任务相关信息；
任务画像建立模块，用于基于所述任务相关信息，建立工作任务画像；
员工信息获取模块，用于获取多个员工的员工相关信息；
员工画像建立模块，用于基于所述多个员工的员工相关信息，建立多个员工画像；
目标员工确定模块，用于基于所述工作任务画像及所述多个员工画像，从所述多个员工中确定至少一个目标员工，所述至少一个目标员工用于执行所述目标工作任务；
绩效确定模块，用于获取所述目标工作任务的总绩效结果，还用于基于所述目标员工的贡献率及所述总绩效结果，确定每个所述目标员工的个人绩效结果。
CN202111239911.6A 2021-10-25 2021-10-25 一种基于FP-Growth算法的画像匹配方法及系统 Pending CN113947322A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111239911.6A CN113947322A (zh) 2021-10-25 2021-10-25 一种基于FP-Growth算法的画像匹配方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111239911.6A CN113947322A (zh) 2021-10-25 2021-10-25 一种基于FP-Growth算法的画像匹配方法及系统

Publications (1)

Publication Number Publication Date
CN113947322A true CN113947322A (zh) 2022-01-18

Family

ID=79332143

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111239911.6A Pending CN113947322A (zh) 2021-10-25 2021-10-25 一种基于FP-Growth算法的画像匹配方法及系统

Country Status (1)

Country Link
CN (1) CN113947322A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116452165A (zh) * 2023-03-22 2023-07-18 北京游娱网络科技有限公司 一种人才信息推荐方法、服务系统及存储介质
CN116645005A (zh) * 2023-06-07 2023-08-25 深圳平乐骨伤科医院(深圳市坪山区中医院、深圳市骨伤科医院) 一种基于用户画像技术的医疗机构人力管理系统
WO2024055963A1 (zh) * 2022-09-13 2024-03-21 华为云计算技术有限公司 一种任务分配方法以及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109272219A (zh) * 2018-09-04 2019-01-25 中国平安财产保险股份有限公司 绩效考核方法、装置、计算机设备及存储介质
CN109740147A (zh) * 2018-12-14 2019-05-10 国云科技股份有限公司 一种大数量人才简历去重匹配分析方法
CN110119877A (zh) * 2019-04-04 2019-08-13 平安科技（深圳）有限公司 一种目标员工的选取方法及设备
CN110163474A (zh) * 2019-04-12 2019-08-23 平安普惠企业管理有限公司 一种任务分配的方法及设备
CN110414864A (zh) * 2019-08-02 2019-11-05 深圳前海微众银行股份有限公司 任务分配方法、装置、终端及存储介质
CN113239283A (zh) * 2021-07-09 2021-08-10 国能大渡河大数据服务有限公司 一种基于多维度的岗位匹配度计算方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109272219A (zh) * 2018-09-04 2019-01-25 中国平安财产保险股份有限公司 绩效考核方法、装置、计算机设备及存储介质
CN109740147A (zh) * 2018-12-14 2019-05-10 国云科技股份有限公司 一种大数量人才简历去重匹配分析方法
CN110119877A (zh) * 2019-04-04 2019-08-13 平安科技（深圳）有限公司 一种目标员工的选取方法及设备
CN110163474A (zh) * 2019-04-12 2019-08-23 平安普惠企业管理有限公司 一种任务分配的方法及设备
CN110414864A (zh) * 2019-08-02 2019-11-05 深圳前海微众银行股份有限公司 任务分配方法、装置、终端及存储介质
CN113239283A (zh) * 2021-07-09 2021-08-10 国能大渡河大数据服务有限公司 一种基于多维度的岗位匹配度计算方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘涛，等: "基于ERP 的人力资源评价模型探索", 《能源科技》, vol. 18, no. 9, 30 September 2020 (2020-09-30), pages 90 - 93 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024055963A1 (zh) * 2022-09-13 2024-03-21 华为云计算技术有限公司 一种任务分配方法以及装置
CN116452165A (zh) * 2023-03-22 2023-07-18 北京游娱网络科技有限公司 一种人才信息推荐方法、服务系统及存储介质
CN116452165B (zh) * 2023-03-22 2024-05-24 北京游娱网络科技有限公司 一种人才信息推荐方法、服务系统及存储介质
CN116645005A (zh) * 2023-06-07 2023-08-25 深圳平乐骨伤科医院(深圳市坪山区中医院、深圳市骨伤科医院) 一种基于用户画像技术的医疗机构人力管理系统
CN116645005B (zh) * 2023-06-07 2024-06-18 深圳平乐骨伤科医院(深圳市坪山区中医院、深圳市骨伤科医院) 一种基于用户画像技术的医疗机构人力管理系统

Similar Documents

Publication Publication Date Title
Colombo et al. AI meets labor market: Exploring the link between automation and skills
Avella et al. Learning analytics methods, benefits, and challenges in higher education: A systematic literature review.
M Luiz The impact of ethno-linguistic fractionalization on cultural measures: Dynamics, endogeneity and modernization
WO2020253503A1 (zh) 人才画像的生成方法、装置、设备及存储介质
CN113947322A (zh) 一种基于FP-Growth算法的画像匹配方法及系统
CN113239283B (zh) 一种基于多维度的岗位匹配度计算方法及系统
CN116523268B (zh) 一种基于大数据画像的人岗匹配分析方法及装置
Dolhopolov et al. Use of artificial intelligence systems for determining the career guidance of future university student
CN112328646B (zh) 多任务课程推荐方法、装置、计算机设备及存储介质
CN113570286B (zh) 基于人工智能的资源分配方法、装置、电子设备及介质
Dehghan et al. Mining shape of expertise: A novel approach based on convolutional neural network
CN113837631A (zh) 员工评价方法、装置、电子设备及可读存储介质
Van Hoorn How much does job autonomy vary across countries and other extra-organizational contexts?
CN114862140A (zh) 基于行为分析的潜力评估方法、装置、设备及存储介质
Minhas et al. An efficient algorithm for ranking candidates in e-recruitment system
CN113592301A (zh) 一种员工培训管理方法及系统
Palshikar et al. Automatic Shortlisting of Candidates in Recruitment.
Blanco et al. Job Competencies and Skills in Latin America: a Look from Industry 4.0
JP7217372B1 (ja) 学習モデルの生成方法、コンピュータプログラム及び情報処理装置
KR20200096110A (ko) 전문성 평가 결과를 바탕으로 전문가 플랫폼의 전문가 풀을 관리하기 위한 방법 및 시스템
Yu et al. Selecting the best solvers: Toward community based crowdsourcing for disaster management
Wang et al. [Retracted] Enterprise Human Resource Optimization Algorithm Using PSO Model in Big Data and Complex Environment
Kolekar SKYNET: a platform for maximizing career opportunities
Shojaei et al. Barriers to the implementation of the UNIDO’s program for export consortia: a case study of the Iranian handmade carpet industry
KR20200096109A (ko) 정형정보 및 비정형정보를 바탕으로 생성된 전문가 풀 관리 방법 및 시스템

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