CN114663002A - 一种自动化匹配绩效考核指标的方法及设备 - Google Patents
一种自动化匹配绩效考核指标的方法及设备 Download PDFInfo
- Publication number
- CN114663002A CN114663002A CN202210579182.7A CN202210579182A CN114663002A CN 114663002 A CN114663002 A CN 114663002A CN 202210579182 A CN202210579182 A CN 202210579182A CN 114663002 A CN114663002 A CN 114663002A
- Authority
- CN
- China
- Prior art keywords
- assessment
- index
- data
- preset
- indexes
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例公开了一种自动化匹配绩效考核指标的方法。构建企业相应的初始考核指标集合与企业数据库;将企业中各岗位信息输入到第一考核指标分类器,以筛选出第一考核指标;对企业数据库中的数据进行特征向量提取,以筛选出不同岗位分别对应的任务目标完成数据;确定不同岗位分别对应的第一考核值;根据第一考核值确定出不同岗位分别对应的绩效差值;将岗位信息与绩效差值输入第二考核指标分类器,筛选出第二考核指标;基于考核指标训练集建立指标混合推荐模型;根据绩效差值对指标混合推荐模型对应的考核指标权重进行调节;根据调节后的指标混合推荐模型、第一考核指标以及第二考核指标,确定最终的岗位与考核指标的匹配关系。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种自动化匹配绩效考核指标的方法及设备。
背景技术
现有技术中,企业往往人为制定不同岗位的绩效考核指标。此种方式更多的是依赖人资部专员的工作经验,往往无法针对企业中每一个岗位得到最优的绩效考核指标。而且人为去筛选多个岗位的绩效考核指标的方式,工作效率低,浪费人力成本。
然而在大数据、信息化时代,单靠人的经验去给各岗位做绩效考核指标的筛选,无法适应于现在高速发展的需求,也往往很难得到企业多个岗位的最优绩效考核指标。
发明内容
本申请实施例提供了一种自动化匹配绩效考核指标的方法及设备,用于解决如下技术问题:单靠人的经验去给各岗位做绩效考核指标的筛选,无法适应于现在高速发展的需求,也往往很难得到企业多个岗位的最优绩效考核指标。
本申请实施例采用下述技术方案:
本申请实施例提供一种自动化匹配绩效考核指标的方法。包括,根据企业的业务流程信息,构建企业相应的初始考核指标集合,以及根据企业当前阶段的已处理业务数据,建立企业数据库;其中,企业数据库中的数据包括与绩效考核相关的数据;将企业中各岗位信息输入到第一考核指标分类器,以在初始考核指标集合中筛选出不同岗位分别对应的第一考核指标;其中,第一考核指标与任务目标完成情况相关;基于随机森林模型与SVM模型,对企业数据库中的数据进行特征向量提取,以根据提取出的特征向量在企业数据库中筛选出不同岗位分别对应的任务目标完成数据;将任务目标完成数据分别与第一考核指标对应的指标值进行计算,以得到不同岗位分别对应的第一考核值;将第一考核值与预设考核指标阈值进行比对,确定出不同岗位分别对应的绩效差值;其中,绩效差值包括绩效正差值与绩效负差值;将岗位信息与绩效差值输入第二考核指标分类器,以在初始考核指标集合中筛选出不同岗位分别对应的第二考核指标;其中,第二考核指标与完成任务目标时所需的中间数据相关;基于考核指标训练集,建立指标混合推荐模型;根据绩效差值对指标混合推荐模型对应的考核指标权重,进行调节;根据调节后的指标混合推荐模型、第一考核指标以及第二考核指标,对不同岗位对应的考核指标进行匹配,以确定最终的岗位与考核指标的匹配关系。
本申请实施例通过将企业各岗位信息输入到第一考核指标分类器,能够在初始考核指标集合中筛选出不同岗位分别对的第一考核指标,从而对不同岗位的任务目标完成情况进行考核。其次,为了进一步对各岗位考核的精确度,本申请实施例根据绩效差值与第二考核指标分类器,筛选出不同岗位分别对应的第二考核指标,该第二考核指标与完成目标任务时所需的中间数据相关,从而针对不同岗位筛选不同的考核数据与考核指标,提高不同岗位指标筛选的准确度。此外,本申请实施例提高建立指标混合推荐模型,能够自动对企业不同岗位对应的指标进行筛选,从而解决人工效率低、人力成本高的问题,并能降低指标筛选的失误率,以得到企业多个岗位的最优指标。
在本申请的一种实现方式中,将企业中各岗位信息输入到第一考核指标分类器,以在初始考核指标集合中筛选出不同岗位分别对应的第一考核指标,具体包括:将预置考核指标特征训练集与不同岗位信息对应的预置文本特征训练集作为输入,将预置考核指标特征训练集,与不同岗位信息对应的预置文本特征训练集之间的匹配关系作为输出,对预置指标分类神经网络模型进行训练,以得到第一考核指标分类器;基于预设转化规则,将不同岗位信息中的非结构化数据转化为结构化数据,以获取多个岗位信息的结构化文本数据;将结构化文本数据进行分词处理,得到每个岗位分别对应的文本特征集;根据输入第一考核指标分类器的岗位数量m,建立m个n维向量;其中,n维向量中的元素为初始考核指标集合中的考核指标特征;通过第一考核指标分类器将考核指标特征与每个岗位分别对应的多个文本特征进行比对,以确定多个文本特征分别在n维向量中所对应的最相似的考核指标特征;确定出m个n维向量分别对应的多个考核指标特征,并将其作为不同的岗位分别对应的第一考核指标;其中,多个考核指标特征分别对应的相似值均大于预设相似阈值。
在本申请的一种实现方式中,基于随机森林模型和/或SVM模型,对所述企业数据库中的数据进行特征向量提取,以根据提取出的特征向量在所述企业数据库中筛选出不同岗位分别对应的任务目标完成数据,具体包括:基于预置的任务目标完成数据训练集中的文本数据,建立多个关键词节点;确定出不同岗位对应的多个关键词节点,并根据多个关键词节点建立不同岗位分别对应的关键词矩阵;将企业数据库中的数据划分为多个段落;将不同岗位分别对应的关键词矩阵与多个段落输入预设SVM模型,通过预设SVM模型确定出多个段落分别与关键词矩阵之间的第一数据相似度,根据第一数据相似度得到多个段落分别对应的数据相似度最高的第一关键词矩阵;确定企业数据库中的图像数据,通过预设文字识别模型对图像数据中的文字区域进行识别;将识别到的文字区域进行文本分割,并将分割后的文本进行二值化处理,得到图像数据中的文本信息;通过预设SVM模型,确定出图像数据中的文本信息与关键词矩阵之间的第二数据相似度,根据第一数据相似度得到图像数据所对应的数据相似度最高的第二关键词矩阵;通过第一关键词矩阵与第二关键词矩阵,确定输入的企业数据库中的数据所对应的输出任务目标完成数据。
在本申请的一种实现方式中,基于随机森林模型和/或SVM模型,对企业数据库中的数据进行特征向量提取,以根据提取出的特征向量在企业数据库中筛选出不同岗位分别对应的任务目标完成数据,具体包括:在接收到用户发送的对任务目标完成数据进行多次筛选指令的情况下,将企业数据库中的数据输入随机森林模型,通过随机森林模型对企业数据库中的数据进行特征向量提取,将提取出的特征向量与预设参考向量进行比对,以对特征向量进行划分;确定企业数据库中的数据分别对应的第一分数值;确定出大于第一分数阈值的第一分数值;其中,第一分数值为,随机森林模型提取出的特征向量与预设参考向量之间的相似值;基于大于第一分数阈值的第一分数值所对应的数据构建第一任务目标完成数据集合;将企业数据库中的数据输入SVM模型,通过SVM模型对企业数据库中的数据进行特征向量提取,将提取出的特征向量与预设参考向量进行比对,以对特征向量进行划分;确定企业数据库中的数据分别对应的第二分数值;其中,第二分数值为,SVM模型提取出的特征向量与预设参考向量之间的相似值;确定出大于第二分数阈值的第二分数值;基于大于第二分数阈值的第二分数值所对应的数据构建第二任务目标完成数据集合;将第一任务目标完成数据集合与第二任务目标完成数据集合中相同的数据,作为当前岗位对应的任务目标完成数据。
在本申请的一种实现方式中,将任务目标完成数据分别与第一考核指标对应的指标值进行计算,以得到不同岗位分别对应的第一考核值,具体包括:确定出不同岗位分别对应的任务目标完成数据,以及确定出任务目标完成数据对应的一个或多个第一考核指标;基于第一考核指标对应的任务目标关键词,在任务目标完成数据中,筛选出一个或多个第一考核指标对应的匹配数据;获取匹配数据中的数字数据以及数字数据的文字说明信息;基于文字说明信息,确定数字数据对应的第一考核指标;将不同岗位中的数字数据与其对应的第一考核指标的指标值进行比值计算,得到不同岗位分别对应的第一绩效考核值。
在本申请的一种实现方式中,将岗位信息与绩效差值输入第二考核指标分类器之前,方法还包括:将预设绩效差值样本的岗位信息输入预设特征文本提取模型,得到预设绩效差值样本对应的特征文本样本;其中,特征文本样本与岗位信息对应的中间数据相关;基于不同岗位分别对应的绩效差值,对不同岗位分别对应的特征文本样本进行权重赋值;将特征文本样本分为多个批次,并将每个批次的特征文本样本依次输入预设分类器,以得到每个批次分别对应的参考考核指标;基于每个批次的特征文本样本分别对应的预设指标样本,与每个批次分别对应的参考考核指标,得到每个批次的特征样本分别对应的批次指标误差;在批次指标误差不符合预设误差阈值的情况下,基于预设权重增量对特征文本样本进行权重调节,并将权重调节后的特征文本样本重新输入预设分类器,直到每个批次的特征样本分别对应的批次指标误差小于预设误差阈值;将调节的权重值作为预设分类器的调节参数,并基于调节参数完成对预设分类器的训练,以得到第二考核指标分类器。
本申请实施例通过将特征文本样本分为多个批次,并将每个批次的特征文本样本依次输入预设分类器,能够对每个批次得到的参考考核指标的误差值进行计算,从而对每个批次的权重值进行调节。通过多个批次分别进行权重值调节,能够根据较大的训练样本数提高权重调节的准确率,从而提高该第二考核指标分类器的准确性。
在本申请的一种实现方式中,基于考核指标训练集,建立指标混合推荐模型,具体包括:基于第一考核指标训练集h,建立第一指标矩阵;其中,第一指标矩阵中的任一元素Xaj表示为第一考核指标a是否被岗位j进行标记,若标记过,则任一元素Xaj记为p,否则记为0;基于第二考核指标训练集f,建立第二指标矩阵;其中,第二指标矩阵中的任一元素Ybj表示为第二考核指标b是否被岗位j进行标记,若标记过,则任一元素Ybj记为p,否则记为0;基于岗位训练集,建立第三指标矩阵;其中,第三指标矩阵中的任一元素Zghf表示为当前岗位信息g是否被第一考核指标训练集h或第二考核指标训练集f进行标记,若被第一考核指标训练集h和/或第二考核指标训练集f标记过,则任一元素Zghf记为p,否则记为0;利用 LDA模型对第一指标矩阵进行LDA建模处理,得到不同第一考核指标分别对应的第一标记数量概率分布矩阵;以及利用 LDA模型对第二指标矩阵进行LDA建模处理,得到不同第二考核指标分别对应的第二标记数量概率分布矩阵;以及利用 LDA模型对第三指标矩阵进行LDA建模处理,得到不同岗位信息分别对应的标记数量概率分布矩阵;基于第一标记数量概率分布矩阵、第二标记数量概率分布矩阵以及不同岗位信息分别对应的标记数量概率分布矩阵,构建指标混合推荐模型。
本申请实施例通过构建指标混合模型,能够通过该模型与当前的岗位信息直接获取岗位与考核指标的匹配关系。无需人工的参与,在节约人工成本的同时,也能够针对规模较大、结构复杂的企业进行高效率的指标匹配。从而针对不同企业不同岗位,都能建立最优的岗位与考核指标之间的匹配关系。
在本申请的一种实现方式中,根据绩效差值对指标混合推荐模型对应的考核指标权重,进行调节,具体包括:根据不同岗位分别对应的绩效差值,以及预设权重选取模板,确定出不同岗位分别对应的权重值;确定出第一标记数量概率分布矩阵中与不同第一考核指标分别对应的第一数值,并基于权重值与第一数值进行乘积计算,以对第一数值进行调节;其中,第一数值为不同第一考核指标分别被岗位信息标记的概率值;以及确定出第二标记数量概率分布矩阵中与不同第二考核指标分别对应的第二数值,并基于权重值与第二数值进行乘积计算,以对第二数值进行调节;其中,第二数值为不同第二考核指标分别被岗位信息标记的概率值;以及确定出不同岗位信息分别对应的标记数量概率分布矩阵中与不同岗位信息分别对应的第三数值,并基于权重值与第三数值进行乘积计算,以对第三数值进行调节;其中,第三数值为不同岗位信息分别被第一考核指标和/或第二考核指标标记的概率值;基于权重调节后的指标混合推荐模型,得到岗位与考核指标之间的输出匹配关系,将输出匹配关系与预置参考匹配关系进行比对,根据比对结果对指标混合推荐模型的权重进行二次调节,直到输出匹配关系与预置参考匹配关系之间的误差符合预设误差条件。
在本申请的一种实现方式中,根据调节后的指标混合推荐模型、第一考核指标以及第二考核指标,对不同岗位对应的考核指标进行匹配,以确定最终的岗位与考核指标的匹配关系,具体包括:将第一考核指标、第二考核指标以及企业岗位信息输入调节后的指标混合推荐模型;通过调节后的指标混合推荐模型,确定出不同岗位分别对应的匹配度大于第一预设匹配值的多个参考第一考核指标与多个参考第二考核指标,以及确定出第一考核指标分别对应的匹配度大于第二预设匹配值的多个第一参考岗位信息,以及确定出第二考核指标分别对应的匹配度大于第三预设匹配值的多个第二参考岗位信息;基于多个参考第一考核指标与多个参考第二考核指标、多个第一参考岗位信息以及多个第二参考岗位信息,确定最终的岗位与考核指标的匹配关系。
本申请实施例提供一种自动化匹配绩效考核指标的设备,包括:至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够:根据企业的业务流程信息,构建企业相应的初始考核指标集合,以及根据企业当前阶段的已处理业务数据,建立企业数据库;其中,企业数据库中的数据包括与绩效考核相关的数据;将企业中各岗位信息输入到第一考核指标分类器,以在初始考核指标集合中筛选出不同岗位分别对应的第一考核指标;其中,第一考核指标与任务目标完成情况相关;基于随机森林模型和/或SVM模型,对企业数据库中的数据进行特征向量提取,以根据提取出的特征向量在企业数据库中筛选出不同岗位分别对应的任务目标完成数据;将任务目标完成数据分别与第一考核指标对应的指标值进行计算,以得到不同岗位分别对应的第一考核值;将第一考核值与预设考核指标阈值进行比对,确定出不同岗位分别对应的绩效差值;其中,绩效差值包括绩效正差值与绩效负差值;将岗位信息与绩效差值输入第二考核指标分类器,以在初始考核指标集合中筛选出不同岗位分别对应的第二考核指标;其中,第二考核指标与完成任务目标时所需的中间数据相关;基于考核指标训练集,建立指标混合推荐模型;根据绩效差值对指标混合推荐模型对应的考核指标权重,进行调节;根据调节后的指标混合推荐模型、第一考核指标以及第二考核指标,对不同岗位对应的考核指标进行匹配,以确定最终的岗位与考核指标的匹配关系。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:本申请实施例通过将企业各岗位信息输入到第一考核指标分类器,能够在初始考核指标集合中筛选出不同岗位分别对的第一考核指标,从而对不同岗位的任务目标完成情况进行考核。其次,为了进一步对各岗位考核的精确度,本申请实施例根据绩效差值与第二考核指标分类器,筛选出不同岗位分别对应的第二考核指标,该第二考核指标与完成目标任务时所需的中间数据相关,从而针对不同岗位筛选不同的考核数据与考核指标,提高不同岗位指标筛选的准确度。此外,本申请实施例提高建立指标混合推荐模型,能够自动对企业不同岗位对应的指标进行筛选,从而解决人工效率低、人力成本高的问题,并能降低指标筛选的失误率,以得到企业多个岗位的最优指标。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本申请实施例提供的一种自动化匹配绩效考核指标的方法流程图;
图2为本申请实施例提供的一种自动化匹配绩效考核指标设备的结构示意图。
具体实施方式
本申请实施例提供一种自动化匹配绩效考核指标的方法及设备。
为了使本技术领域的人员更好地理解本申请中的技术方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,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。基于本说明书实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
现有技术中,企业往往人为制定不同岗位的绩效考核指标。此种方式更多的是依赖人资部专员的工作经验,往往无法针对企业中每一个岗位得到最优的绩效考核指标。而且人为去筛选多个岗位的绩效考核指标的方式,工作效率低,浪费人力成本。
然而在大数据、信息化时代,单靠人的经验去给各岗位做绩效考核指标的筛选,无法适应于现在高速发展的需求,也往往很难得到企业多个岗位的最优绩效考核指标。
为了解决上述问题,本申请实施例提供一种自动化匹配绩效考核指标的方法及设备。通过将企业各岗位信息输入到第一考核指标分类器,能够在初始考核指标集合中筛选出不同岗位分别对的第一考核指标,从而对不同岗位的任务目标完成情况进行考核。其次,为了进一步对各岗位考核的精确度,本申请实施例根据绩效差值与第二考核指标分类器,筛选出不同岗位分别对应的第二考核指标,该第二考核指标与完成目标任务时所需的中间数据相关,从而针对不同岗位筛选不同的考核数据与考核指标,提高不同岗位指标筛选的准确度。此外,本申请实施例提高建立指标混合推荐模型,能够自动对企业不同岗位对应的指标进行筛选,从而解决人工效率低、人力成本高的问题,并能降低指标筛选的失误率,以得到企业多个岗位的最优指标。
下面通过附图对本申请实施例提出的技术方案进行详细的说明。
图1为本申请实施例提供的一种自动化匹配绩效考核指标的方法流程图。如图1所示,自动化匹配绩效考核指标的方法包括如下步骤:
S101、根据企业的业务流程信息,构建企业相应的初始考核指标集合,以及根据企业当前阶段的已处理业务数据,建立企业数据库。其中,企业数据库中的数据包括与绩效考核相关的数据。
在本申请的一个实施例中,不同的企业其对应的业务流程各不相同。例如,以金融类企业为例,消费金融贷款业务中,会涉及到进件、授信、支用、还款等多个流程中。根据多个流程,可以设定金额、数量、余额、逾期、转化率等不同的指标,通过设定的多个指标可以构建相应的初始考核指标集合。
进一步地,根据当前企业的净利润与业务规模,会提前对不同岗位制定相应的预期目标。同时,初始考核指标集合中的各个指标,会有相应的指标值,通过该指标值来判定当前岗位的业绩是否达到预期要求。
进一步地,不同的业务进行处理时,会涉及到多种中间数据。以逾期指标为例,逾期时间、逾期数额等数据都可以作为该业务的中间数据。根据企业当前阶段已处理的业务数据所对应的所有数据,建立企业数据库,以对该企业数据库中的数据做进一步分析。
S102、将企业中各岗位信息输入到第一考核指标分类器,以在初始考核指标集合中筛选出不同岗位分别对应的第一考核指标。其中,第一考核指标与任务目标完成情况相关。
在本申请的一个实施例中,将预置考核指标特征训练集与不同岗位信息对应的预置文本特征训练集作为输入,将预置考核指标特征训练集,与不同岗位信息对应的预置文本特征训练集之间的匹配关系作为输出,对预置指标分类神经网络模型进行训练,以得到第一考核指标分类器。基于预设转化规则,将不同岗位信息中的非结构化数据转化为结构化数据,以获取多个岗位信息的结构化文本数据。将结构化文本数据进行分词处理,得到每个岗位分别对应的文本特征集。根据输入第一考核指标分类器的岗位数量m,建立m个n维向量。其中,n维向量中的元素为初始考核指标集合中的考核指标特征。通过第一考核指标分类器将考核指标特征与每个岗位分别对应的多个文本特征进行比对,以确定多个文本特征分别在n维向量中所对应的最相似的考核指标特征。确定出m个n维向量分别对应的多个考核指标特征,并将其作为不同的岗位分别对应的第一考核指标。其中,多个考核指标特征分别对应的相似值均大于预设相似阈值。
具体地,由于得到的岗位信息可能会存在图片、影像等非结构化数据,难以对该非结构化数据进行直接识别。若直接将该非结构化数据进行剔除,则可能会影响考核指标选取的准确性。因此,需要将该非结构数据转化为结构化信息。对获取到的结构化信息进行分词处理,可以得到每个岗位分别对应的文本特征集。
进一步地,根据输入第一考核指标分类器的岗位数量m,建立m个n维向量。每个n维向量中的元素都相同,即每个n维向量都包括初始考核指标集合中的所有第一考核指标对应的考核指标特征。
需要说明的是,任务目标考核指标特征与不同岗位的任务目标完成情况相关。例如,消费金融贷款业务中,可以将贷款金额作为与任务目标完成情况相关的第一考核指标,还款业务中,可以将还款金额作为与任务目标完成情况相关的第一考核指标。
通过该第一考核指标分类器将考核指标特征与每个岗位分别对应的文本特征集进行比对。例如,可以计算考核指标特征与每个岗位分别对应的文本特征集之间的相似度,以确定多个文本特征分别在n维向量中所对应的相似度较高的考核指标特征。并将该相似度较高的考核指标特征作为不同岗位分别对应的第一考核指标。
S103、基于随机森林模型与SVM模型,对企业数据库中的数据进行特征向量提取,以根据提取出的特征向量在企业数据库中筛选出不同岗位分别对应的任务目标完成数据。
在本申请的一个实施例中,基于预置的任务目标完成数据训练集中的文本数据,建立多个关键词节点。确定出不同岗位对应的多个关键词节点,并根据多个关键词节点建立不同岗位分别对应的关键词矩阵。将企业数据库中的数据划分为多个段落,将不同岗位分别对应的关键词矩阵与多个段落输入SVM模型,通过SVM模型确定出多个段落分别与关键词矩阵之间的第一数据相似度。根据第一数据相似度,得到多个段落分别对应的数据相似度最高的第一关键词矩阵,确定企业数据库中的图像数据,通过预设文字识别模型对图像数据中的文字区域进行识别;将识别到的文字区域进行文本分割,并将分割后的文本进行二值化处理,得到图像数据中的文本信息。通过SVM模型,确定出图像数据中的文本信息与关键词矩阵之间的第二数据相似度,根据第二数据相似度,得到图像数据所对应的数据相似度最高的第二关键词矩阵。通过第一关键词矩阵与第二关键词矩阵,确定输入的企业数据库中的数据所对应的输出任务目标完成数据。
具体地,本申请实施例在通过随机森林模型与SVM模型对数据库中的数据进行特征提取之前,需要预先训练出符合条件的随机森林模型与SVM模型。其次确定出任务目标完成数据集中的文本数据,对该文本数据进行关键词选取,其中,选取的关键词与任务目标完成内容相关,例如,可以预先设有任务目标完成内容模板,该模板中包括有不同任务目标完成内容先关的关键词,将获取到的文本数据进行分词处理,将获取到的分词与该任务目标完成内容模板进行相似度计算,从而确定文本数据中的关键词。
进一步地,每一个岗位可以包括有多个关键词,因此根据每个岗位分别对应的多个关键词,可以建立每个岗位分别对应的关键词矩阵。其次,将企业数据库中的数据输入SVM模型。企业数据库中的数据集包括文本数据与图像数据。由于文本数据数量较大,因此,需要先将文本数据划分为多个段落,通过该SVM模型确定与每一个段落相似度最高的第一关键词矩阵。具体地,同样的可以对每一个段落进行分词处理,该SVM模型根据分词与各个关键词矩阵的相似度,确定出与每一个段落相似度最高的第一关键词矩阵。针对训练数据集中的图像数据,需要先对图像数据中的文字内容进行识别,得到图像数据对应的文本信息,在将该文本信息输入SVM模型中,以通过该SVM将该文本信息与关键词矩阵进行比对,以得到图像数据对应的第二关键词矩阵。
进一步地,根据获得的企业数据库中的数据所对应的第一关键词矩阵与第二关键词矩阵,根据确定出的关键词矩阵,可以得到该关键词矩阵对应的文本数据,根据该文本数据确定出相应的输出任务目标完成数据。
进一步地,本申请实施例还需要对预设神经网络模型进行预先训练。具体地,将企业数据库中的数据训练集作为输入,将与输入样本所对应的业绩完成数据作为输出,对预设神经网络模型进行训练,以得到该随机森林模型。
在本申请的一个实施例中,在接收到用户发送的对任务目标完成数据多次筛选指令的情况下,将企业数据库中的数据输入随机森林模型,通过随机森林模型对企业数据库中的数据进行特征向量提取。将提取出的特征向量与预设参考向量进行比对,以对特征向量进行划分;确定企业数据库中的数据分别对应的第一分数值,其中,第一分数值为随机森林模型提取出的特征向量与预设参考向量之间的相似值;确定出大于第一分数阈值的第一分数值,并基于大于第一分数阈值的第一分数值所对应的数据构建第一任务目标完成数据集合。以及将企业数据库中的数据输入SVM模型,通过SVM模型对企业数据库中的数据进行特征向量提取。将提取出的特征向量与预设参考向量进行比对,以对特征向量进行划分;确定企业数据库中的数据分别对应的第二分数值,其中,所述第二分数值为提取出的特征向量与所述预设参考向量之间的相似值;确定出大于第二分数阈值的第二分数值。基于大于第二分数阈值的第二分数值所对应的数据构建第二任务目标完成数据集合。将第一任务目标完成数据集合与第二任务目标完成数据集合中相同的数据,作为当前岗位对应的任务目标完成数据。
具体地,在用户发现仅用SVM模型得到的任务目标完成数据误差较大的情况下,会发出任务目标完成数据多次筛选指令。此时,在对当前企业不同岗位对应的考核指标进行分析时,将当前企业数据库中的数据输入随机森林模型,通过该随机森林模型对输入的企业数据库中的数据进行分类。其过程为,确定提取的特征向量与预设参考向量之间的相似度,确定出与每个提取出的特征向量最为相似的预设参考向量,将每一个预设参考向量对应的提取出的特征向量划分为同一组。
进一步地,基于该企业数据库中的数据与参考任务完成数据之间的相似值,确定出每个业务数据对应的第一分数值。将该第一分数值与第一分数阈值进行比对,以筛选出大于第一分数阈值的第一分数值,并将筛选出的第一分数值所对应的业务数据构建第一任务目标完成数据集合。
进一步地,本申请实施例会同时或单独使用SVM模型对当前企业对应的目标完成数据进行分类。具体地,将当前企业对应的企业数据库中的数据输入SVM模型,通过该模型对输入的企业数据库中的数据进行分类。其过程为,确定提取的特征向量与预设参考向量之间的相似度,确定出与每个提取出的特征向量最为相似的预设参考向量,将每一个预设参考向量对应的提取出的特征向量划分为同一组。
进一步地,基于该企业数据库中的数据与参考任务完成数据之间的相似值,确定出每个企业数据库中的数据对应的第二分数值。将该第二分数值与第二分数阈值进行比对,以筛选出大于第二分数阈值的第二分数值,并将筛选出的第二分数值所对应的企业数据库中的数据构建第二任务目标完成数据集合。
进一步地,单独通过随机森林模型与SVM模型筛选出的任务完成数据可能会存在误差。因此,为了减小误差,提高获取到的任务目标完成数据的准确性,本申请实施例将该两个模型筛选出的任务完成数据进行比对,只有同时被该两个模型选取出的任务完成数据才可以作为最终的任务目标完成数据。
S104、将任务目标完成数据分别与第一考核指标对应的指标值进行计算,以得到不同岗位分别对应的第一考核值。
在本申请的一个实施例中,确定出不同岗位分别对应任务目标完成数据,以及确定出任务目标完成数据对应的一个或多个第一考核指标。基于第一考核指标对应的任务目标关键词,在任务目标完成数据中,筛选出一个或多个第一考核指标对应的匹配数据。获取匹配数据中的数字数据以及数字数据的文字说明信息。基于文字说明信息,确定数字数据对应的第一考核指标。将不同岗位中的数字数据与其对应的第一考核指标的指标值进行比值计算,得到不同岗位分别对应的第一绩效考核值。
具体地,根据得到的不同岗位分别对应的任务目标完成数据,在第一考核指标中确定出任务关键词。其中,任务关键词与岗位业务特性相关。具体地,对任务目标完成数据进行分词处理,得到分词结果集。将分词结果集与任务关键词进行相似度计算,并将相似度大于相似度阈值的分词作为参考关键词。获取参考关键词前面与后面分别对应的预设字符串数量的文本信息,以将文本信息作为参考数据。确定与同一个任务关键词相匹配的一个或多个参考关键词,并将一个或多个参考关键词对应的参考数据作为第一考核指标对应的匹配数据。
进一步地,对匹配数据的数字数据进行识别,以及对该数字数据之前的文字信息进行识别,将识别的文字信息与预设文字信息模板进行比对,以确定出识别的文字信息的含义。其中,该预设文字信息模板中包含多种不同的文字信息,以及多种不同的文字信息分别对应的任务信息说明。对当前识别出的文字信息进行识别之后,确定出该文字信息所对应的任务信息,从而确定出该文字信息对应的数字数据的任务信息。根据确定出的任务信息,与不同第一考核指标对应的任务关键词进行比对,从而确定出该任务信息对应的第一考核指标。将该数字数据与确定出第一考核指标的指标值进行比值计算,以得到该岗位对应的第一绩效考核值。
S105、将第一考核值与预设考核指标阈值进行比对,确定出不同岗位分别对应的绩效差值。其中,绩效差值包括绩效正差值与绩效负差值。
在本申请的一个实施例中,得到不同岗位分别对应的第一绩效考核值后,为了确定各岗位是否完成预期任务目标,将得到绩效考核值与预设考核指标阈值进行差值计算。以得到不同岗位分别对应的绩效差值。
进一步地,若得到的差值绩效为正差值,则确定当前岗位已经完成预期任务目标。若得到的差值为负差值,则确定当前岗位并未完成预期任务目标。
S106、将岗位信息与绩效差值输入第二考核指标分类器,以在初始考核指标集合中筛选出不同岗位分别对应的第二考核指标。其中,第二考核指标与完成任务目标时所需的中间数据相关。
在本申请的一个实施例中,将预设绩效差值样本的岗位信息输入预设特征文本提取模型,得到预设绩效差值样本对应的特征文本样本,其中,特征文本样本与岗位信息对应的中间数据相关。基于不同岗位分别对应的绩效差值,对不同岗位分别对应的特征文本样本进行权重赋值。将特征文本样本分为多个批次,并将每个批次的特征文本样本依次输入预设分类器,以得到每个批次分别对应的参考考核指标。基于每个批次的特征文本样本分别对应的预设指标样本,与每个批次分别对应的参考考核指标,得到每个批次的特征样本分别对应的批次指标误差。在批次指标误差不符合预设误差阈值的情况下,基于预设权重增量对特征文本样本进行权重调节,并将权重调节后的特征文本样本重新输入预设分类器,直到每个批次的特征样本分别对应的批次指标误差小于预设误差阈值。将调节的权重值作为预设分类器的调节参数,并基于调节参数完成对预设分类器的训练,以得到第二考核指标分类器。
具体地,本申请实施例需要预先训练第二考核指标分类器。该第二考核指标分类器用于根据岗位信息与绩效差值,输出不同岗位分别对应的第二考核指标,其中,该第二考核指标与业务处理过程中的中间数据相关。其训练过程为:
将预设绩效差值所对应的岗位信息输入预设特征文本提取模型,该预设特征文本提取模型用于输出特征文本样本,其中,该特征文本样本为该岗位信息对应的业务处理过程中的中间数据。
进一步地,不同的岗位对应有不同的绩效差值,根据绩效差值的大小,对输出的特征文本样本进行权重赋值。例如,若当前岗位对应的绩效差值为负值,根据预设权重赋值模板,确定当前岗位的绩效差值对应的权重值,并将该权重值赋予该岗位对应的特征文本样本。其中,预设权重赋值模板中包括不同的正负绩效差值,以及不同的绩效差值分别对应的权重值。
进一步地,本申请实施例将特征文本样本划分为多个批次,例如,每10个特征文本样本可以作为一个批次,将当前批次的10个特征文本样本输入预设分类器,该分类器可以输出这10个特征文本样本所对应的参考考核指标。其次,将第二批特征文本输入该预设分类器,得到第二批对应的参考考核指标。直到获取所有批次的特征文本样本分别对应的参考考核指标。
进一步地,将每个批次得到的参考考核指标与预设指标样本进行比对,确定二者之间的误差值,从而根据该误差值对特征文本样本的权重再次进行调节。将权重调节后的特征文本样本再次分批次输入该预设分类器,重新计算该预设分类器输出的参考考核指标与预设指标样本之间的误差值,直到该误差值小于预设误差阈值。此时,根据误差值进行调节的权重值,可以作为该预设分类器的调节参数,通过该调节参数可以提高该预设分类器的分类准确率,从而完成预设分类器的训练,得到该第二考核指标分类器。
S107、基于考核指标训练集,建立指标混合推荐模型。
在本申请的一个实施例中,基于第一考核指标训练集h,建立第一指标矩阵;其中,第一指标矩阵中的任一元素Xaj表示为第一考核指标a是否被岗位j进行标记,若标记过,则任一元素Xaj记为p,否则记为0。基于第二考核指标训练集f,建立第二指标矩阵;其中,第二指标矩阵中的任一元素Ybj表示为第二考核指标b是否被岗位j进行标记,若标记过,则任一元素Ybj记为p,否则记为0。基于岗位训练集,建立第三指标矩阵;其中,第三指标矩阵中的任一元素Zghf表示为当前岗位信息g是否被第一考核指标训练集h或第二考核指标训练集f进行标记,若被第一考核指标训练集h和/或第二考核指标训练集f标记过,则任一元素Zghf记为p,否则记为0。利用 LDA模型对第一指标矩阵进行LDA建模处理,得到不同第一考核指标分别对应的第一标记数量概率分布矩阵;以及利用 LDA模型对第二指标矩阵进行LDA建模处理,得到不同第二考核指标分别对应的第二标记数量概率分布矩阵;以及利用 LDA模型对第三指标矩阵进行LDA建模处理,得到不同岗位信息分别对应的标记数量概率分布矩阵。基于第一标记数量概率分布矩阵、第二标记数量概率分布矩阵以及不同岗位信息分别对应的标记数量概率分布矩阵,构建指标混合推荐模型。
具体地,本申请实施例预先获取有第一考核指标训练集h、第二考核指标训练集f以及岗位训练集。其中,第一考核指标训练集h中包括有多个第一考核指标,以及该第一考核是否被不同的岗位进行标记。若被标记过,则将该指标对应的第一指标矩阵中的元素记为p。需要说明的是,根据不同岗位各自数据特征、业务特征等内容,可以提前对不同岗位标记有相匹配的考核指标。被标记的考核指标说明与该岗位匹配度较高,可以优先选取该考核指标。其次,本申请实施例中的第二考核指标训练集f中包括有多个第二考核指标,以及该第二考核指标是否被不同的岗位进行标记。若被标记过,则将该指标对应的第二指标矩阵中的元素记为p。以及,本申请实施例中的岗位训练集中包括多种不同的岗位,以及该岗位是否被第一考核指标训练集h和/或第二考核指标训练集f标记过。若该岗位被标记过,则将该岗位对应的第三岗位矩阵中的元素记为p。则说明该岗位与标记该岗位的第一考核指标训练集和/或第二考核指标训练集中的指标匹配度较高,可以优先将该岗位匹配给进行标记的考核指标。
进一步地,通过LDA模型对第一指标矩阵进行LDA建模处理,得到不同第一考核指标分别对应的第一标记数量概率分布矩阵。例如,按照第一考核指标之间的相似度,可以将第一考核指标分为多个第一考核指标集群,假设第一考核指标集群T在所有第一考核指标中所占比例为1/8,第一考核指标集群T总共被标记过10次,第一考核指标集群T中的考核指标t被标记过3次,则考核指标t对应的第一标记数量概率为的概率为。通过不同指标分别对应的标记数量概率,即可构建第一标记数量概率分布矩阵。同样的,可以利用LDA模型对第二岗位矩阵进行LDA建模处理,得到不同第二考核指标分别对应的第二标记数量概率分布矩阵。以及,可以利用 LDA模型对第三岗位矩阵进行LDA建模处理,得到不同岗位分别对应的第三标记数量概率分布矩阵。以财务岗位为例,先确定财务部岗位在所有岗位中的占比,例如占比为1/10,在确定出财务部中所有岗位共被标记过30次,其中出纳岗位被标记的次数为5次,则可以得到出纳岗位对应的第三标记数量概率为。通过不同岗位分别对应的标记概率即可构建第三标记数量概率分布矩阵。
进一步地,通过第一标记数量概率分布矩阵、第二标记数量概率分布矩阵以及不同岗位分别对应的标记数量概率分布矩阵,构建指标混合推荐模型。通过该指标混合推荐模型,可以得到被标记概率较高的第一考核指标、第二考核指标以及岗位信息,从而对互相进行标记的岗位与指标进行优先匹配。
S108、根据绩效差值对指标混合推荐模型对应的考核指标权重,进行调节。
在本申请的一个实施例中,根据不同岗位分别对应的绩效差值,以及预设权重选取模板,确定出不同岗位分别对应的权重值。确定出第一标记数量概率分布矩阵中与不同第一考核指标分别对应的第一数值,并基于权重值与第一数值进行乘积计算,以对第一数值进行调节,其中,第一数值为不同第一考核指标分别被岗位信息标记的概率值。以及确定出第二标记数量概率分布矩阵中与不同第二考核指标分别对应的第二数值,并基于权重值与第二数值进行乘积计算,以对第二数值进行调节,其中,第二数值为不同第二考核指标分别被岗位信息标记的概率值。以及确定出不同岗位信息分别对应的标记数量概率分布矩阵中与不同岗位信息分别对应的第三数值,并基于权重值与第三数值进行乘积计算,以对第三数值进行调节,其中,第三数值为不同岗位信息分别被第一考核指标和/或第二考核指标标记的概率值。基于权重调节后的指标混合推荐模型,得到岗位与考核指标之间的输出匹配关系,将输出匹配关系与预置参考匹配关系进行比对,根据比对结果对指标混合推荐模型的权重进行二次调节,直到输出匹配关系与预置参考匹配关系之间的误差符合预设误差条件。
具体地,本申请实施例预先设置有权重选取模板,用于对不同的绩效差值确定出不同的权重值。例如,若绩效差值为负值,且绩效负差值数值较大,则该绩效负差值对应的权重值会越小,再如,若绩效差值为正值,且绩效正差值较大,则该绩效正差值对应的权重值越大。因此,通过不同岗位分别对应的绩效差值,可以在该预设权重选取模板中确定出该绩效差值对应的权重值,从而根据确定出的权重值对指标混合推荐模型进行调节。
进一步地,确定出第一标记数量概率矩阵中,不同第一考核指标分别对应的第一数值,即每个指标分别对应的被不同岗位标记的概率值,同时,确定出标记该指标的岗位所对应的绩效差值,并根据该绩效差值确定出相应的权重值,将确定出的权重值与该第一考核指标对应的概率值进行乘积计算,即可完成对不同第一考核指标分别对应的第一数值的权重调节。其次,确定出第二标记数量概率矩阵中,不同第二考核指标分别对应的第二数值,即每个第二考核指标分别对应的被不同岗位标记的概率值,同时,确定出标记该指标的岗位所对应的绩效差值,并根据该绩效差值确定出相应的权重值,将确定出的权重值与该被标记的第二考核指标对应的概率值进行乘积计算,即可完成对不同第二考核指标分别对应的第二数值的权重调节。其次,确定出第三标记数量概率矩阵中,不同第三考核指标分别对应的第三数值,即每个岗位分别对应的被不同考核指标标记的概率值。基于每个岗位所对应的绩效差值,并根据该绩效差值确定出相应的权重值,将确定出的权重值与该被标记的岗位对应的概率值进行乘积计算,即可完成对不同岗位分别对应的第三数值的权重调节。
进一步地,基于权重调节后的指标混合推荐模型,可以得到第一考核指标对应的匹配率较高的岗位、第二考核指标对应的匹配率较高的岗位,以及不同岗位分别对应的匹配率较高的第一考核指标与第二考核指标。例如,将第一考核指标对应的匹配率较高的岗位,与不同岗位对应的匹配率较高的第一考核指标进行比对,确定二值之间是否存在互相标记的岗位与指标,从而将该互相标记的岗位与指标作为输出的岗位与指标之间的匹配关系。将输出的岗位与指标之间的匹配关系与预置参考匹配关系进行比对,确定输出的匹配关系与预置参考匹配关系之间的误差值,若该误差值较大,则重新对该指标混合推荐模型的权重进行二次调节。例如,可以将出现错误匹配的指标与岗位信息,分别对应的权重值进行降低或提高。直到输出的匹配关系与预置参考匹配关系之间的误差值符合预设误差条件。
S109、根据调节后的指标混合推荐模型、第一考核指标以及第二考核指标,对不同岗位对应的考核指标进行匹配,以确定最终的岗位与考核指标的匹配关系。
在本申请的一个实施例中,将第一考核指标、第二考核指标以及企业岗位信息输入调节后的指标混合推荐模型。通过调节后的指标混合推荐模型,确定出不同岗位分别对应的匹配度大于第一预设匹配值的多个参考第一考核指标与多个参考第二考核指标,以及确定出第一考核指标分别对应的匹配度大于第二预设匹配值的多个第一参考岗位信息,以及确定出第二考核指标分别对应的匹配度大于第三预设匹配值的多个第二参考岗位信息。基于多个参考第一考核指标与多个参考第二考核指标、多个第一参考岗位信息以及多个第二参考岗位信息,确定最终的岗位与考核指标的匹配关系。
具体地,在得到当前企业对应的第一考核指标与第二考核指标之后,将该第一考核指标与该第二考核指标输入权重调节后的指标混合推荐模型。通过该模型,可以确定出与第一考核指标匹配度较大的预设数量的岗位、与第二考核指标匹配度较大的与预设数量的岗位,以及与不同岗位分别对应的匹配度较大的预设数量的第一考核指标与预设数量的第二考核指标。通过不同岗位与不同指标之间的互选关系,即可确定最终的岗位与考核指标的匹配关系。
图2为本申请实施例提供的一种自动化匹配绩效考核指标设备的结构示意图。如图2所示,自动化匹配绩效考核指标设备,包括:
至少一个处理器;以及,
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够:
根据企业的业务流程信息,构建企业相应的初始考核指标集合,以及根据企业当前阶段的已处理业务数据,建立企业数据库;其中,所述企业数据库中的数据包括与绩效考核相关的数据;
将所述企业中各岗位信息输入到第一考核指标分类器,以在所述初始考核指标集合中筛选出不同岗位分别对应的第一考核指标;其中,所述第一考核指标与任务目标完成情况相关;
基于随机森林模型和/或SVM模型,对所述企业数据库中的数据进行特征向量提取,以根据提取出的特征向量在所述企业数据库中筛选出不同岗位分别对应的任务目标完成数据;
将所述任务目标完成数据分别与所述第一考核指标对应的指标值进行计算,以得到不同岗位分别对应的第一考核值;
将所述第一考核值与预设考核指标阈值进行比对,确定出所述不同岗位分别对应的绩效差值;其中,所述绩效差值包括绩效正差值与绩效负差值;
将所述岗位信息与所述绩效差值输入第二考核指标分类器,以在所述初始考核指标集合中筛选出不同岗位分别对应的第二考核指标;其中,所述第二考核指标与完成任务目标时所需的中间数据相关;
基于考核指标训练集,建立指标混合推荐模型;
根据所述绩效差值对所述指标混合推荐模型对应的考核指标权重,进行调节;
根据调节后的所述指标混合推荐模型、所述第一考核指标以及所述第二考核指标,对不同岗位对应的考核指标进行匹配,以确定最终的岗位与考核指标的匹配关系。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、设备、非易失性计算机存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
上述对本申请特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请的实施例可以有各种更改和变化。凡在本申请实施例的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种自动化匹配绩效考核指标的方法,其特征在于,所述方法包括:
根据企业的业务流程信息,构建企业相应的初始考核指标集合,以及根据企业当前阶段的已处理业务数据,建立企业数据库;其中,所述企业数据库中的数据包括与绩效考核相关的数据;
将所述企业中各岗位信息输入到第一考核指标分类器,以在所述初始考核指标集合中筛选出不同岗位分别对应的第一考核指标;其中,所述第一考核指标与任务目标完成情况相关;
基于随机森林模型和/或SVM模型,对所述企业数据库中的数据进行特征向量提取,以根据提取出的特征向量在所述企业数据库中筛选出不同岗位分别对应的任务目标完成数据;
将所述任务目标完成数据分别与所述第一考核指标对应的指标值进行计算,以得到不同岗位分别对应的第一考核值;
将所述第一考核值与预设考核指标阈值进行比对,确定出所述不同岗位分别对应的绩效差值;其中,所述绩效差值包括绩效正差值与绩效负差值;
将所述岗位信息与所述绩效差值输入第二考核指标分类器,以在所述初始考核指标集合中筛选出不同岗位分别对应的第二考核指标;其中,所述第二考核指标与完成任务目标时所需的中间数据相关;
基于考核指标训练集,建立指标混合推荐模型;
根据所述绩效差值对所述指标混合推荐模型对应的考核指标权重,进行调节;
根据调节后的所述指标混合推荐模型、所述第一考核指标以及所述第二考核指标,对不同岗位对应的考核指标进行匹配,以确定最终的岗位与考核指标的匹配关系。
2.根据权利要求1所述的一种自动化匹配绩效考核指标的方法,其特征在于,所述将所述企业中各岗位信息输入到第一考核指标分类器,以在所述初始考核指标集合中筛选出不同岗位分别对应的第一考核指标,具体包括:
将预置考核指标特征训练集与不同岗位信息对应的预置文本特征训练集作为输入,将所述预置考核指标特征训练集,与所述不同岗位信息对应的预置文本特征训练集之间的匹配关系作为输出,对预置指标分类神经网络模型进行训练,以得到所述第一考核指标分类器;
基于预设转化规则,将所述不同岗位信息中的非结构化数据转化为结构化数据,以获取多个岗位信息的结构化文本数据;
将所述结构化文本数据进行分词处理,得到每个岗位分别对应的文本特征集;
根据输入所述第一考核指标分类器的岗位数量m,建立m个n维向量;其中,所述n维向量中的元素为所述初始考核指标集合中的考核指标特征;
通过所述第一考核指标分类器将所述考核指标特征与所述每个岗位分别对应的多个文本特征进行比对,以确定所述多个文本特征分别在所述n维向量中所对应的最相似的考核指标特征;
确定出所述m个n维向量分别对应的多个考核指标特征,并将其作为不同的岗位分别对应的第一考核指标;其中,所述多个考核指标特征分别对应的相似值均大于预设相似阈值。
3.根据权利要求1所述的一种自动化匹配绩效考核指标的方法,其特征在于,所述基于随机森林模型和/或SVM模型,对所述企业数据库中的数据进行特征向量提取,以根据提取出的特征向量在所述企业数据库中筛选出不同岗位分别对应的任务目标完成数据,具体包括:
基于预置的任务目标完成数据训练集中的文本数据,建立多个关键词节点;
确定出不同岗位对应的多个关键词节点,并根据所述多个关键词节点建立不同岗位分别对应的关键词矩阵;
将企业数据库中的数据划分为多个段落;
将所述不同岗位分别对应的关键词矩阵与所述多个段落输入SVM模型,通过所述SVM模型确定出所述多个段落分别与所述关键词矩阵之间的第一数据相似度;
根据所述第一数据相似度,得到所述多个段落分别对应的数据相似度最高的第一关键词矩阵;
确定所述企业数据库中的图像数据,通过预设文字识别模型对所述图像数据中的文字区域进行识别;将识别到的文字区域进行文本分割,并将分割后的文本进行二值化处理,得到所述图像数据中的文本信息;
通过SVM模型,确定出所述图像数据中的文本信息与所述关键词矩阵之间的第二数据相似度;
根据所述第二数据相似度,得到所述图像数据所对应的数据相似度最高的第二关键词矩阵;
通过所述第一关键词矩阵与所述第二关键词矩阵,确定输入的所述企业数据库中的数据所对应的输出任务目标完成数据。
4.根据权利要求3所述的一种自动化匹配绩效考核指标的方法,其特征在于,所述基于随机森林模型和/或SVM模型,对所述企业数据库中的数据进行特征向量提取,以根据提取出的特征向量在所述企业数据库中筛选出不同岗位分别对应的任务目标完成数据,具体包括:
在接收到用户发送的对所述任务目标完成数据进行多次筛选指令的情况下,将所述企业数据库中的数据输入随机森林模型,通过所述随机森林模型对所述企业数据库中的数据进行特征向量提取,将提取出的所述特征向量与预设参考向量进行比对,以对所述特征向量进行划分;
确定所述企业数据库中的数据分别对应的第一分数值;
确定出大于第一分数阈值的第一分数值;其中,所述第一分数值为,所述随机森林模型提取出的特征向量与所述预设参考向量之间的相似值;
基于所述大于第一分数阈值的第一分数值所对应的数据构建第一任务目标完成数据集合;
将所述企业数据库中的数据输入SVM模型,通过所述SVM模型对所述企业数据库中的数据进行特征向量提取,将提取出的所述特征向量与预设参考向量进行比对,以对所述特征向量进行划分;
确定所述企业数据库中的数据分别对应的第二分数值;其中,所述第二分数值为,所述SVM模型提取出的特征向量与所述预设参考向量之间的相似值;
确定出大于第二分数阈值的第二分数值;
基于所述大于第二分数阈值的第二分数值所对应的数据构建第二任务目标完成数据集合;
将所述第一任务目标完成数据集合与所述第二任务目标完成数据集合中相同的数据,作为当前岗位对应的所述任务目标完成数据。
5.根据权利要求1所述的一种自动化匹配绩效考核指标的方法,其特征在于,所述将所述任务目标完成数据分别与所述第一考核指标对应的指标值进行计算,以得到不同岗位分别对应的第一考核值,具体包括:
确定出不同岗位分别对应的任务目标完成数据,以及确定出所述任务目标完成数据对应的一个或多个第一考核指标;
基于所述第一考核指标对应的任务目标关键词,在所述任务目标完成数据中,筛选出所述一个或多个第一考核指标对应的匹配数据;
获取所述匹配数据中的数字数据以及所述数字数据的文字说明信息;
基于所述文字说明信息,确定所述数字数据对应的第一考核指标;
将所述不同岗位中的数字数据与其对应的第一考核指标的指标值进行比值计算,得到所述不同岗位分别对应的第一绩效考核值。
6.根据权利要求1所述的一种自动化匹配绩效考核指标的方法,其特征在于,所述将所述岗位信息与所述绩效差值输入第二考核指标分类器之前,所述方法还包括:
将预设绩效差值样本的岗位信息输入预设特征文本提取模型,得到所述预设绩效差值样本对应的特征文本样本;其中,所述特征文本样本与所述岗位信息对应的中间数据相关;
基于不同岗位分别对应的所述绩效差值,对所述不同岗位分别对应的特征文本样本进行权重赋值;
将所述特征文本样本分为多个批次,并将每个批次的特征文本样本依次输入预设分类器,以得到每个批次分别对应的参考考核指标;
基于每个批次的特征文本样本分别对应的预设指标样本,与所述每个批次分别对应的参考考核指标,得到每个批次的特征样本分别对应的批次指标误差;
在所述批次指标误差不符合预设误差阈值的情况下,基于预设权重增量对所述特征文本样本进行权重调节,并将权重调节后的特征文本样本重新输入所述预设分类器,直到每个批次的特征样本分别对应的批次指标误差小于所述预设误差阈值;
将调节的权重值作为所述预设分类器的调节参数,并基于所述调节参数完成对所述预设分类器的训练,以得到所述第二考核指标分类器。
7.根据权利要求1所述的一种自动化匹配绩效考核指标的方法,其特征在于,所述基于考核指标训练集,建立指标混合推荐模型,具体包括:
基于第一考核指标训练集h,建立第一指标矩阵;其中,所述第一指标矩阵中的任一元素Xaj表示为第一考核指标a是否被岗位j进行标记,若标记过,则所述任一元素Xaj记为p,否则记为0;
基于第二考核指标训练集f,建立第二指标矩阵;其中,所述第二指标矩阵中的任一元素Ybj表示为第二考核指标b是否被岗位j进行标记,若标记过,则所述任一元素Ybj记为p,否则记为0;
基于岗位训练集,建立第三指标矩阵;其中,所述第三指标矩阵中的任一元素Zghf表示为当前岗位信息g是否被第一考核指标训练集h或第二考核指标训练集f进行标记,若被所述第一考核指标训练集h和/或所述第二考核指标训练集f标记过,则所述任一元素Zghf记为p,否则记为0;
利用 LDA模型对所述第一指标矩阵进行LDA建模处理,得到不同第一考核指标分别对应的第一标记数量概率分布矩阵;以及
利用 LDA模型对所述第二指标矩阵进行LDA建模处理,得到不同第二考核指标分别对应的第二标记数量概率分布矩阵;以及
利用 LDA模型对所述第三指标矩阵进行LDA建模处理,得到不同岗位信息分别对应的标记数量概率分布矩阵;
基于所述第一标记数量概率分布矩阵、所述第二标记数量概率分布矩阵以及所述不同岗位信息分别对应的标记数量概率分布矩阵,构建所述指标混合推荐模型。
8.根据权利要求7所述的一种自动化匹配绩效考核指标的方法,其特征在于,所述根据所述绩效差值对所述指标混合推荐模型对应的考核指标权重,进行调节,具体包括:
根据所述不同岗位分别对应的绩效差值,以及预设权重选取模板,确定出不同岗位分别对应的权重值;
确定出所述第一标记数量概率分布矩阵中与所述不同第一考核指标分别对应的第一数值,并基于所述权重值与所述第一数值进行乘积计算,以对所述第一数值进行调节;其中,所述第一数值为所述不同第一考核指标分别被岗位信息标记的概率值;以及
确定出所述第二标记数量概率分布矩阵中与所述不同第二考核指标分别对应的第二数值,并基于所述权重值与所述第二数值进行乘积计算,以对所述第二数值进行调节;其中,所述第二数值为所述不同第二考核指标分别被岗位信息标记的概率值;以及
确定出所述不同岗位信息分别对应的标记数量概率分布矩阵中与所述不同岗位信息分别对应的第三数值,并基于所述权重值与所述第三数值进行乘积计算,以对所述第三数值进行调节;其中,所述第三数值为所述不同岗位信息分别被第一考核指标和/或第二考核指标标记的概率值;
基于权重调节后的指标混合推荐模型,得到岗位与考核指标之间的输出匹配关系,将所述输出匹配关系与预置参考匹配关系进行比对,根据比对结果对所述指标混合推荐模型的权重进行二次调节,直到所述输出匹配关系与预置参考匹配关系之间的误差符合预设误差条件。
9.根据权利要求1所述的一种自动化匹配绩效考核指标的方法,其特征在于,所述根据调节后的所述指标混合推荐模型、所述第一考核指标以及所述第二考核指标,对不同岗位对应的考核指标进行匹配,以确定最终的岗位与考核指标的匹配关系,具体包括:
将所述第一考核指标、所述第二考核指标以及企业岗位信息输入调节后的所述指标混合推荐模型;
通过调节后的所述指标混合推荐模型,确定出不同岗位分别对应的匹配度大于第一预设匹配值的多个参考第一考核指标与多个参考第二考核指标,以及
确定出所述第一考核指标分别对应的匹配度大于第二预设匹配值的多个第一参考岗位信息,以及
确定出所述第二考核指标分别对应的匹配度大于第三预设匹配值的多个第二参考岗位信息;
基于所述多个参考第一考核指标与多个参考第二考核指标、所述多个第一参考岗位信息以及所述多个第二参考岗位信息,确定最终的岗位与考核指标的匹配关系。
10.一种自动化匹配绩效考核指标的设备,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指令,所述指令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:
根据企业的业务流程信息,构建企业相应的初始考核指标集合,以及根据企业当前阶段的已处理业务数据,建立企业数据库;其中,所述企业数据库中的数据包括与绩效考核相关的数据;
将所述企业中各岗位信息输入到第一考核指标分类器,以在所述初始考核指标集合中筛选出不同岗位分别对应的第一考核指标;其中,所述第一考核指标与任务目标完成情况相关;
基于随机森林模型和/或SVM模型,分别对所述企业数据库中的数据进行特征向量提取,以根据提取出的特征向量在所述企业数据库中筛选出不同岗位分别对应的任务目标完成数据;
将所述任务目标完成数据分别与所述第一考核指标对应的指标值进行计算,以得到不同岗位分别对应的第一考核值;
将所述第一考核值与预设考核指标阈值进行比对,确定出所述不同岗位分别对应的绩效差值;其中,所述绩效差值包括绩效正差值与绩效负差值;
将所述岗位信息与所述绩效差值输入第二考核指标分类器,以在所述初始考核指标集合中筛选出不同岗位分别对应的第二考核指标;其中,所述第二考核指标与完成任务目标时所需的中间数据相关;
基于考核指标训练集,建立指标混合推荐模型;
根据所述绩效差值对所述指标混合推荐模型对应的考核指标权重,进行调节;
根据调节后的所述指标混合推荐模型、所述第一考核指标以及所述第二考核指标,对不同岗位对应的考核指标进行匹配,以确定最终的岗位与考核指标的匹配关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210579182.7A CN114663002A (zh) | 2022-05-26 | 2022-05-26 | 一种自动化匹配绩效考核指标的方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210579182.7A CN114663002A (zh) | 2022-05-26 | 2022-05-26 | 一种自动化匹配绩效考核指标的方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114663002A true CN114663002A (zh) | 2022-06-24 |
Family
ID=82038185
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210579182.7A Pending CN114663002A (zh) | 2022-05-26 | 2022-05-26 | 一种自动化匹配绩效考核指标的方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114663002A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114819924A (zh) * | 2022-06-28 | 2022-07-29 | 杭银消费金融股份有限公司 | 一种基于画像分析的企业信息推送处理方法及设备 |
CN115994749A (zh) * | 2022-12-17 | 2023-04-21 | 广州城轨科技有限公司 | 一种轨道交通维修岗位技能矩阵自学习方法及设备 |
CN116307340A (zh) * | 2022-11-28 | 2023-06-23 | 广州合道信息科技有限公司 | 岗位匹配的管理平台、电子设备及存储介质 |
-
2022
- 2022-05-26 CN CN202210579182.7A patent/CN114663002A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114819924A (zh) * | 2022-06-28 | 2022-07-29 | 杭银消费金融股份有限公司 | 一种基于画像分析的企业信息推送处理方法及设备 |
CN116307340A (zh) * | 2022-11-28 | 2023-06-23 | 广州合道信息科技有限公司 | 岗位匹配的管理平台、电子设备及存储介质 |
CN116307340B (zh) * | 2022-11-28 | 2023-11-14 | 广州合道信息科技有限公司 | 岗位匹配的管理平台、电子设备及存储介质 |
CN115994749A (zh) * | 2022-12-17 | 2023-04-21 | 广州城轨科技有限公司 | 一种轨道交通维修岗位技能矩阵自学习方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3985578A1 (en) | Method and system for automatically training machine learning model | |
CN112613501A (zh) | 信息审核分类模型的构建方法和信息审核方法 | |
CN114663002A (zh) | 一种自动化匹配绩效考核指标的方法及设备 | |
CN109872162B (zh) | 一种处理用户投诉信息的风控分类识别方法及系统 | |
CN109919252B (zh) | 利用少数标注图像生成分类器的方法 | |
CN111444952A (zh) | 样本识别模型的生成方法、装置、计算机设备和存储介质 | |
CN106651057A (zh) | 一种基于安装包序列表的移动端用户年龄预测方法 | |
CN107545038B (zh) | 一种文本分类方法与设备 | |
CN110516074B (zh) | 一种基于深度学习的网站主题分类方法及装置 | |
CN112070138A (zh) | 多标签混合分类模型的构建方法、新闻分类方法及系统 | |
CN109740642A (zh) | 发票类别识别方法、装置、电子设备及可读存储介质 | |
CN110634060A (zh) | 一种用户信用风险的评估方法、系统、装置及存储介质 | |
CN112836750A (zh) | 一种系统资源分配方法、装置及设备 | |
CN110310012B (zh) | 数据分析方法、装置、设备及计算机可读存储介质 | |
CN107392217A (zh) | 计算机实现的信息处理方法及装置 | |
CN114519508A (zh) | 基于时序深度学习和法律文书信息的信用风险评估方法 | |
CN117217807B (zh) | 一种基于多模态高维特征的不良资产估值方法 | |
CN112434862B (zh) | 上市企业财务困境预测方法及装置 | |
CN108830302B (zh) | 一种图像分类方法、训练方法、分类预测方法及相关装置 | |
CN116227939A (zh) | 基于图卷积神经网络和em算法的企业信用评级方法和装置 | |
CN116226747A (zh) | 数据分类模型的训练方法、数据分类方法和电子设备 | |
CN109308565B (zh) | 人群绩效等级识别方法、装置、存储介质及计算机设备 | |
CN113033170A (zh) | 表格标准化处理方法、装置、设备及存储介质 | |
CN113792142B (zh) | 基于多语义因素与特征聚合的目标用户隐性关系分类方法 | |
CN117648635B (zh) | 敏感信息分类分级方法及系统、电子设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220624 |