CN114240250A - 一种职业评测的智能管理方法及系统 - Google Patents
一种职业评测的智能管理方法及系统 Download PDFInfo
- Publication number
- CN114240250A CN114240250A CN202210001897.4A CN202210001897A CN114240250A CN 114240250 A CN114240250 A CN 114240250A CN 202210001897 A CN202210001897 A CN 202210001897A CN 114240250 A CN114240250 A CN 114240250A
- Authority
- CN
- China
- Prior art keywords
- evaluation
- target object
- data
- service
- emotion
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06398—Performance of employee with respect to a job function
Abstract
本发明实施例公开了一种职业评测的智能管理方法及系统,涉及数据处理技术领域。该方法的一具体实施方式包括:基于评测的目标对象,确定评价因子以及每个评价因子的权重,并获取所述评价因子的历史数据;根据所述评价因子的历史数据,为每个所述评价因子建立样本集;根据所述权重以及所述样本集,建立目标对象的正态分布模型,从而得到目标对象的评测结果;根据所述评测结果,确定所述目标对象的管理策略。由此,本发明实施例可以实现。采用本发明实施例中的评价方法可以避免对人员考核时只参考一次考评数据、且没有可量化考评标准的弊端,给出目标对象真实的服务水平结果。
Description
技术领域
本发明涉及数据处理技术领域,更具体地,涉及一种职业评测的智能管理方法和系统。
背景技术
目前对目标对象(某个岗位的人员)的考核,主要指标有纪律考核、话务完成量考核、通话质量考核、用户满意度考核、培训考核等内容,考评方法为仅抽取某一次话务信息的指标量进行评估,而这些指标数值都是离散、间断的不能客观的反应处目标对象(某个岗位的人员)的真实服务水平。抽样的局限性导致有可能抽到表现好的数据,也有可能抽到表现不好的数据,依据一次考评数据无法给出目标对象(某个岗位的人员)持续的、真实的服务质量考评结果。
发明内容
有鉴于此,本发明实施例提供一种职业评测的智能管理方法及系统,以实现对目标对象服务能力进行客观、真实、有效的评价。
第一方面,本发明实施例提供一种职业评测的智能管理方法,所述方法包括:
基于评测的目标对象,确定评价因子以及每个评价因子的权重,并获取所述评价因子的历史数据;
根据所述评价因子的历史数据,为每个所述评价因子建立样本集;
根据所述权重以及所述样本集,建立所述目标对象的正态分布模型,从而得到目标对象的评测结果;
根据所述评测结果,确定所述目标对象的管理策略。
可选的,获取所述评价因子的历史数据的过程包括以下步骤:
确定影响所述目标对象评测结果的评测时间范围;
获取所述评测时间范围内的初始历史数据;
将所述初始历史数据中的每个评价因子的最高记录和最低记录删除,以得到所述评价因子的历史数据。
可选的,
确定的所述评价因子中包括服务情绪,则
获取所述评价因子的历史数据的过程还包括以下步骤:
检测评价因子原始数据的服务类型是文本对话服务还是通话服务;
若是文本对话服务,则提取目标对象的服务文本数据,利用LSTM神经网络算法对文本数据进行分析得到语义情绪值,作为该目标对象的服务情绪分数;
若是通话服务,则提取目标对象的服务通话数据和目标对象的声音特性数据,根据情绪识别模型以及所述声音特性数据,确定所述目标对象的语音数据的语音情绪值;
将所述目标对象的服务通话数据转换为文本数据,并依据所述声音特性数据对所述文本数据进行断句;
利用LSTM神经网络算法对断句后的文本数据进行分析得到语义情绪值;
将所述语音情绪值和语义情绪值进行多模态加权组合,得出综合情绪值,作为该目标对象的服务情绪分数。
可选的,
所述利用LSTM神经网络算法对断句后的文本数据进行分析得到语义情绪值的步骤包括:
利用字向量构建待分析的断句后的文本数据的文本向量;
将所述文本向量转入情感分析模型中进行计算,确定所述待分析的断句后的文本属于正负两极情感的概率;
取正负两极情感概率大的一种情感作为最终语义情绪值。
可选的,所述声音特性数据至少包括以下一种:语音的节奏、速度、音高、音调。
第二方面,本发明实施例提供一种职业评测的智能管理系统,包括:
历史数据抓取模块,从现有目标对象能力评价系统中抓取各评价因子的历史数据;
样本集分类模块,将采集到的评价因子分别建立样本集,构建目标对象服务能力评价模型;
综合能力评价模块,根据获取的各项因素的权重,对目标对象服务能力进行综合评测,得出评测结果。
可选的,还包括数据预处理模块,用于筛选历史数据的时间段,并删除选定时间段内各评价因子的最高分和最低分记录。
可选的,所述历史数据抓取模块、样本集分类模块、综合能力评价模块、数据预处理模块均设置于云服务端。
为实现上述目的,根据本发明实施例的再一个方面,提供了一种电子设备。
本发明实施例的电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述职业评测的智能管理方法。
为实现上述目的,根据本发明实施例的再一个方面,提供了一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现上述任一项的职业评测的智能管理系统。
由此,本发明实施例可以实现对目标对象(例如某个岗位的人员)通过定量的指标分析,给出对目标对象评价、升职加薪的一套科学有效的判定方法及系统。
附图说明
通过以下参照附图对本发明实施例的描述,本发明的上述以及其它目的、特征和优点将更为清楚,在附图中:
图1是根据本发明一实施例的职业评测的智能管理方法的示意图;
图2是根据本发明一实施例的职业评测的智能管理方法的示意图;
图3是根据本发明一实施例的职业评测的智能管理系统架构图;
图4是本发明实施例可以应用于其中的示例性系统架构图;
图5是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下基于实施例对本发明进行描述,但是本发明并不仅仅限于这些实施例。在下文对本发明的细节描述中,详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。为了避免混淆本发明的实质,公知的方法、过程、流程、元件和电路并没有详细叙述。
此外,本领域普通技术人员应当理解,在此提供的附图都是为了说明的目的,并且附图不一定是按比例绘制的。
除非上下文明确要求,否则在说明书的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义;也就是说,是“包括但不限于”的含义。
在本发明的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
评测结果中大多依据目标对象某一次的服务过程中每个评价因子进行评测,得到该目标对象基于一次服务过程的评测结果,该结果不具有连续性,不能代表该目标对象的真实能力,不利于制定符合该目标对象的管理策略。
图1是根据本发明一实施例的职业评测的智能管理方法的示意图,如图1所示,本发明实施例的职业评测的智能管理方法包括:
S101,基于评测的目标对象,确定评价因子以及每个评价因子的权重,并获取所述评价因子的历史数据。具体的,其中,目标对象可以时待评测的某各岗位上的员工(即多个人员),也可是某一个员工,也可也是某几个员工等。现有职业评测过程中,依据职业评测发起方不同的评测目的、考核目的、管理策略等往往有多个需要考核的评价因子(关注重点)且每个评价因子的权重依据不同的评测目的(一般由职业评测发起方自行设置)而不同。现有职业评测体系的因子库中存储了大量的评价因子以及职业评测数据库中存储了大量的评价因子的历史数据,首先职业评测发起方(用户)可通过可视化界面或者操作端口等从因子库中选择所需的评价因子及每个评价因子的权重,进而该职业评测体系获取到职业评测发起方设定的评价因子及每个评价因子的权重,并从现有职业评测数据库中获取上述评价因子的历史数据。在具体实现过程中,职业评测发起方可通过自选模式自行选择每个评价因子,也可通过选择设置的默认项或者提供的备选因子库来选择,其中,每个备选因子库中存储有多个评价因子,以及该备选因子库设置有名称,该名称可以为职业信息,也可以为时间段信息,或者为用户自行设置的名称。进一步,用户在输入要评测的目标对象时,该职业评测体系可向用户进行评价因子的推荐,以便于用户的选择。
例如银行想要评测某个目标对象(试用期柜员)的服务能力水平,以确定对该目标对象是否能被正式录用,因子库中存储的评价因子包括服务姿态、回访次数、服务声音音量、服务情绪、服务话术技巧、服务时长、用户评价等;银行从该因子库中选择的评价因子包括声音音量、服务情绪、服务话术技巧、服务时长、用户评价,银行为选择的各评价因子设置的权重分别为20%、20%、25%、15%、20%,并将选择的该多个评价因子组成为备选因子库,以及将该备选因子库的名称命名为“试用期柜员”。进而,后续银行再次评测某个试用期柜员的服务能力水平时,可直接选择该“试用期柜员”备选因子库,该备选因子库中存储有评价因子:声音音量、服务情绪、服务话术技巧、服务时长、用户评价,以及各评价因子的权重。当前,用户可实时对每个备选因子库中的评价因子进行增删管理以及权重修改操作。进一步,可从银行职业评测数据库中获取该员工各评价因子的历史数据,作为下一步分析的基础。
S102,根据所述评价因子的历史数据,为每个所述评价因子建立样本集;具体的,根据不同的评价因子为每个评价因子单独建立样本集,为后续的分析提供数据支持。
S103,根据所述权重以及所述样本集,建立所述目标对象的正态分布模型,从而得到目标对象的评测结果。具体的,根据不同评价因子的权重对评价因子的样本集进行加权处理,形成该目标对象的正态分布模型,从而得到评测结果。
S104,根据所述评测结果,确定所述目标对象的管理策略。具体的,评测结果为“优秀”则给出“表现优秀,建议转正”的管理策略,如果评测结果为“差”则给出“表现多存在失误,建议针对失误的方面进行沟通观察”的管理策略,如果评测结果为“一般”则给出“表现不佳,可延续试用期”的管理策略。依据评测结果还可以作为对该员工进行升职、加薪、降职、调岗等的管理策略。
更优地,获取所述评价因子的历史数据的过程包括以下步骤:确定影响所述目标对象评测结果的评测时间范围;获取所述评测时间范围内的初始历史数据;将所述初始历史数据中的每个评价因子的最高记录和最低记录删除,以得到所述评价因子的历史数据。具体的,现有的职业评测体系中存储了各评价因子大量、长期的历史数据,受目标对象业务能力提升时间累计效应影响,一个目标对象的服务能力是逐渐提升的,抽取过长的历史数据也不利于分析速度,因此可以选择某一时间段内的数据进行分析。比如可以设定半年、1个月、1周的评测时间范围,则只需要获取该评测对象过去该时间内的历史数据,更能够精准的代表该目标对象该时间段内的服务能力。
本实施例的一种评价方法可以选择对目标对象与顾客沟通时的语音音量、服务时长、用户评价、服务情绪、服务话术技巧这几个方面衡量,也可以引进现有系统中的其他考评结果,如客户回访时效性、客户问题完结率等数据。将选定的评测时间段内的数据中各评价因子中的最高分和最低分剔除,往往最高分和最低分的情况比较特殊,不能够代表目标对象的平均水平,对该数据进行剔除更容易得到客观的分析结果。对于这个客服连续一段时间的声音音量、服务情绪、服务话术技巧、服务时长、用户评价等属性,采用阵列综合法进行赋权。
时间 | 声音音量 | 服务情绪 | 服务时长 | 用户评价 | 服务话术技巧 |
2020.3.1 | 86 | 86 | 86 | 86 | 86 |
2020.3.2 | 88 | 88 | 88 | 88 | 88 |
2020.3.3 | 89 | 89 | 89 | 89 | 89 |
2020.3.4 | 90 | 90 | 90 | 90 | 90 |
2020.3.5 | 90 | 90 | 90 | 90 | 90 |
2020.3.6 | 90 | 90 | 90 | 90 | 90 |
2020.3.7 | 90 | 90 | 90 | 90 | 90 |
可手动设置各指标权重,例如可设置:声音音量=20%,服务情绪=20%,服务时长=15%,用户评价=20%,服务话术技巧=25%。通过例如7天连续的评分,即可建立目标对象的标准正态分布的模型,从而得到目标对象的评测结果,根据评测结果制定符合该目标对象的管理策略。
更优地,对目标对象的考核系统化工具主要依赖于客户服务客户过程的通话语音数据,基于通话语音数据对客服的服务水平进行各个指标和维度的考核。人的语音作为沟通的工具,同时也是情感表达的重要途径。在语音情绪识别的现有技术中,是单纯的通过纯语音或纯文本的方法去判断话者的说话情感,但很多时候人的情感体现在语音和语义两个部分中,现有的方案很难全面、准确。本方案的特点是服务情绪分数的考核时综合了语音和语义两部分的判定结果,得到相对真实可靠的综合结论。情绪识别模型通过对通话语音数据库的训练集进行标注和训练,可以获得专项的情绪识别模型,基于此对采集到的声音信息做相应的情绪识别判定给出语音情绪值。文本分析技术(Text Analyze)是一套针对汉字文本数据进行分析的技术,利用自然语言处理技术,让计算机具备文字理解和分析能力,帮助客户自动化处理海量文本数据,提升文字处理效率和文本挖掘深度,实现对文本文本的全覆盖、高精准度的统计分析。通过对客户语音数据转换呈的文本数据进行分析,可以得到客户语言语义表达的语义情绪值。将语音情绪值和语义情绪值的内容结合起来,基于科学的加权系数,综合判定客户情绪的综合情绪值。更加精准有效的给出判定,避免了片面、独立的判定依据,通过对训练集的标注和训练,可以获得专项的情绪识别模型,基于此对采集到的声音信息做相应的情绪识别判定。模态(Modality),每一种信息的来源或者形式,都可以称为一种模态。例如,人有触觉,听觉,视觉,嗅觉;信息的媒介,有语音、视频、文字等;多种多样的传感器,如雷达、红外、加速度计等。以上的每一种都可以称为一种模态。多模态机器学习,英文全称MultiModal Machine Learning(MMML),旨在通过机器学习的方法实现处理和理解多源模态信息的能力。目前比较热门的研究方向是图像、视频、音频、语义之间的多模态学习。将多模态机器学习成果运用在本发明中,可以更好的处理语音情绪值和语义情绪值的综合判定。长短时记忆神经网络LSTM(Long Short–Term Memory)是一种时间递归神经网络,适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。是一种特殊的RNN,主要是为了解决长序列训练过程中的梯度消失和梯度爆炸问题。简单来说,就是相比普通的RNN,LSTM能够在更长的序列中有更好的表现。本发明基于LSTM神经网络算法实现对文本的情绪分析,得到更可靠的分析结果。
图2是根据本发明一实施例的目标对象能力评价方法的示意图,如图2所示,确定的所述评价因子中包括服务情绪,则获取所述评价因子的历史数据的过程还包括以下步骤:检测评价因子原始数据的服务类型是文本对话服务还是通话服务;若是文本对话服务,则提取目标对象的服务文本数据,利用LSTM神经网络算法对文本数据进行分析得到语义情绪值,作为该目标对象的服务情绪分数;若是通话服务,则提取目标对象的服务通话数据和目标对象的声音特性数据,根据情绪识别模型以及所述声音特性数据,确定所述目标对象的语音数据的语音情绪值;将所述目标对象的服务通话数据转换为文本数据,并依据所述声音特性数据对所述文本数据进行断句;利用LSTM神经网络算法对断句后的文本数据进行分析得到语义情绪值;将所述语音情绪值和语义情绪值进行多模态加权组合,得出综合情绪值,作为该目标对象的服务情绪分数。
具体的,提取所述客服语音数据的声音特性数据,根据情绪识别模型以及所述声音特性数据,确定所述客服语音数据的语音情绪值,在沟通过程中语音的节奏、速度、音高和音调等可以表达出情绪的状况;所述声音特性数据包括语音的节奏、速度、音高、音调。通过对现有通话语音数据库的训练集进行标注和训练,可以搭建专项的情绪识别模型,基于此对提取的客服的语音数据的声音信息做相应的情绪识别,给出客服语音数据的语音情绪值。可选的,声音特性数据还可以包括性别,则通过性别信息的识别,可更精准的判断出客户的情绪。将所述客服语音数据转换为文本数据,并依据所述声音特性数据对所述文本数据进行断句,利用LSTM神经网络算法对断句后的文本数据进行分析得到语义情绪值。本实施例中语音数据转换为文本数据可由本领域人员根据需要采用任意适当的可以实现的方式进行,本发明对该方式不做具体限制,可通过自动语音识别技术将获取的客户语音数据转换为文本数据。将所述文本数据依据声音特性包括停顿、重读等特征对文本数据进行断句处理,将一整段文本拆分为多个短句。利用LSTM神经网络算法对上述拆分好的短句进行语义情绪分析,生成语义情绪值。将所述语音情绪值和语义情绪值进行多模态加权组合,得出综合情绪值,依据所述综合情绪值确定目标对象的服务情绪分数。
更优地,所述利用LSTM神经网络算法对断句后的文本数据进行分析得到语义情绪值的步骤包括:利用字向量构建待分析的断句后的文本数据的文本向量;将所述文本向量转入情感分析模型中进行计算,确定所述待分析的断句后的文本属于正负两极情感的概率;取正负两极情感概率大的一种情感作为最终语义情绪值。其中,所述情感分析模型为基于LSTM神经网络训练得到的识别模型。
本实施例的一种方式将获取的所述断句后的文本数据,利用LSTM神经网络算法进行标记,获得文本数据的文本向量。
将所述文本向量转入情感分析模型中进行计算,确定待分析文本属于正负两极情感的概率;
取正负两极情感概率大的一种情感做为文本情绪识别模型的最终语义情绪值。
图3是根据本发明一实施例的一种职业评测的智能管理系统的示意图,如图3所示,本发明实施例职业评测的智能管理系统包括:
历史数据抓取模块,从现有目标对象能力评价系统中抓取各评价因子的历史数据。
样本集分类模块,将采集到的评价因子分别建立样本集,构建目标对象服务能力评价模型。
综合能力评价模块,根据需要自行设置各项因素的权重,对目标对象服务能力进行综合评测,得出评测结果。
更优地,还包括数据预处理模块,用于筛选历史数据的时间段,并删除选定时间段内各评价因子的最高分和最低分记录。
更优地,所述历史数据抓取模块、样本集分类模块、综合能力评价模块、数据预处理模块均设置于云服务端。将上述模块置于云服务端中可以实现云存储的大数据管理,且处理模块和流程在云端进行,不增加硬件成本。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
图4示出了可以应用本发明实施例的适于多用户能源信息管理的系统的示例性系统架构400。
如图4所示,系统架构400可以包括终端设备401、402、403,网络404和服务器405。网络404用以在终端设备401、402、403和服务器405之间提供通信链路的介质。网络404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401、402、403通过网络404与服务器405交互,以接收或发送消息等。终端设备401、402、403上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备401、402、403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、膝上型便携计算机和台式计算机等等。
服务器405可以是提供各种服务的服务器,例如对用户利用终端设备401、402、403所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理,并将处理结果反馈给终端设备。
需要说明的是,本发明实施例所提供的适于多用户能源信息管理的系统的云平台一般由服务器405执行,相应地,适于多用户能源信息管理的系统的终端APP一般设置于服务器405中。
应该理解,图3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。
下面参考图5,其示出了适于用来实现本发明实施例的终端设备的计算机系统500的结构示意图。图5示出的终端设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示,计算机系统500包括中央处理单元(CPU)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505:包括键盘、鼠标等的输入部分506;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507;包括硬盘等的存储部分508;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器510上,以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时,执行本发明的系统中限定的上述功能。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上所述仅为本发明的优选实施例,并不用于限制本发明,对于本领域技术人员而言,本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种职业评测的智能管理方法,其特征在于,所述方法包括:
基于评测的目标对象,确定评价因子以及每个评价因子的权重,并获取所述评价因子的历史数据;
根据所述评价因子的历史数据,为每个所述评价因子建立样本集;
根据所述权重以及所述样本集,建立所述目标对象的正态分布模型,从而得到目标对象的评测结果;
根据所述评测结果,确定所述目标对象的管理策略。
2.根据权利要求1所述的方法,其特征在于,获取所述评价因子的历史数据的过程包括以下步骤:
确定影响所述目标对象评测结果的评测时间范围;
获取所述评测时间范围内的初始历史数据;
将所述初始历史数据中的每个评价因子的最高记录和最低记录删除,以得到所述评价因子的历史数据。
3.根据权利要求1或2所述的方法,其特征在于,确定的所述评价因子中包括服务情绪,则
获取所述评价因子的历史数据的过程还包括以下步骤:
检测评价因子原始数据的服务类型是文本对话服务还是通话服务;
若是文本对话服务,则提取目标对象的服务文本数据,利用LSTM神经网络算法对文本数据进行分析得到语义情绪值,作为该目标对象的服务情绪分数;
若是通话服务,则提取目标对象的服务通话数据和目标对象的声音特性数据,根据情绪识别模型以及所述声音特性数据,确定所述目标对象的语音数据的语音情绪值;
将所述目标对象的服务通话数据转换为文本数据,并依据所述声音特性数据对所述文本数据进行断句;
利用LSTM神经网络算法对断句后的文本数据进行分析得到语义情绪值;
将所述语音情绪值和语义情绪值进行多模态加权组合,得出综合情绪值,作为该目标对象的服务情绪分数。
4.根据权利要求3所述的方法,其特征在于,所述利用LSTM神经网络算法对断句后的文本数据进行分析得到语义情绪值的步骤包括:
利用字向量构建待分析的断句后的文本数据的文本向量;
将所述文本向量转入情感分析模型中进行计算,确定所述待分析的断句后的文本属于正负两极情感的概率;
取正负两极情感概率大的一种情感作为最终语义情绪值。
5.根据权利要求3或4权利要求所述的方法,其特征在于,所述声音特性数据至少包括以下一种:语音的节奏、速度、音高、音调。
6.一种职业评测的智能管理系统,其特征在于,包括:
历史数据抓取模块,从现有目标对象能力评价系统中抓取各评价因子的历史数据;
样本集分类模块,将采集到的评价因子分别建立样本集,构建目标对象服务能力评价模型;
综合能力评价模块,根据获取的各项因素的权重,对目标对象服务能力进行综合评测,得出综合评测结果。
7.根据权利要求6权利要求所述的系统,其特征在于,还包括数据预处理模块,用于筛选历史数据的时间段,并删除选定时间段内各评价因子的最高分和最低分记录。
8.根据权利要求7所述的系统,其他组在于,所述,所述历史数据抓取模块、样本集分类模块、综合能力评价模块、数据预处理模块均设置于云服务端。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1至5中任一所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210001897.4A CN114240250A (zh) | 2022-01-04 | 2022-01-04 | 一种职业评测的智能管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210001897.4A CN114240250A (zh) | 2022-01-04 | 2022-01-04 | 一种职业评测的智能管理方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114240250A true CN114240250A (zh) | 2022-03-25 |
Family
ID=80745730
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210001897.4A Pending CN114240250A (zh) | 2022-01-04 | 2022-01-04 | 一种职业评测的智能管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114240250A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115545570A (zh) * | 2022-11-28 | 2022-12-30 | 四川大学华西医院 | 一种护理教育培训的成果验收方法及系统 |
-
2022
- 2022-01-04 CN CN202210001897.4A patent/CN114240250A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115545570A (zh) * | 2022-11-28 | 2022-12-30 | 四川大学华西医院 | 一种护理教育培训的成果验收方法及系统 |
CN115545570B (zh) * | 2022-11-28 | 2023-03-24 | 四川大学华西医院 | 一种护理教育培训的成果验收方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109783632B (zh) | 客服信息推送方法、装置、计算机设备及存储介质 | |
CN107680019B (zh) | 一种考试方案的实现方法、装置、设备及存储介质 | |
CN109214386B (zh) | 用于生成图像识别模型的方法和装置 | |
CN108388674B (zh) | 用于推送信息的方法和装置 | |
CN111428010B (zh) | 人机智能问答的方法和装置 | |
CN111709630A (zh) | 语音质检方法、装置、设备及存储介质 | |
CN107193974B (zh) | 基于人工智能的地域性信息确定方法和装置 | |
CN108228567B (zh) | 用于提取组织机构的简称的方法和装置 | |
CN111507573A (zh) | 业务员考核方法、系统、设备及存储介质 | |
CN112163081A (zh) | 标签确定方法、装置、介质及电子设备 | |
CN113360622A (zh) | 用户对话信息的处理方法、装置及计算机设备 | |
CN112966082A (zh) | 音频质检方法、装置、设备以及存储介质 | |
CN113239275A (zh) | 信息推送方法、装置、电子设备和存储介质 | |
CN114817478A (zh) | 基于文本的问答方法、装置、计算机设备及存储介质 | |
CN109101956B (zh) | 用于处理图像的方法和装置 | |
CN114240250A (zh) | 一种职业评测的智能管理方法及系统 | |
CN112148841B (zh) | 一种对象分类以及分类模型构建方法和装置 | |
CN113392920A (zh) | 生成作弊预测模型的方法、装置、设备、介质及程序产品 | |
CN111695360B (zh) | 语义分析方法、装置、电子设备及存储介质 | |
CN112434953A (zh) | 一种基于计算机数据处理的客服人员考核方法和装置 | |
CN116828109A (zh) | 一种电话客服服务质量智能评估方法及系统 | |
CN110826327A (zh) | 情感分析方法、装置、计算机可读介质及电子设备 | |
CN113505606B (zh) | 一种培训信息获取方法、装置、电子设备及存储介质 | |
CN112131378A (zh) | 用于识别民生问题类别的方法、装置及电子设备 | |
CN112905743A (zh) | 文本对象检测的方法、装置、电子设备和存储介质 |
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 |