CN114757541B - 基于培训行为数据的绩效分析方法、装置、设备及介质 - Google Patents
基于培训行为数据的绩效分析方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114757541B CN114757541B CN202210415255.9A CN202210415255A CN114757541B CN 114757541 B CN114757541 B CN 114757541B CN 202210415255 A CN202210415255 A CN 202210415255A CN 114757541 B CN114757541 B CN 114757541B
- Authority
- CN
- China
- Prior art keywords
- behavior
- performance
- behavior data
- word
- training
- 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.)
- Active
Links
- 238000012549 training Methods 0.000 title claims abstract description 88
- 238000004458 analytical method Methods 0.000 title claims abstract description 51
- 239000013598 vector Substances 0.000 claims abstract description 74
- 239000011159 matrix material Substances 0.000 claims abstract description 51
- 230000004913 activation Effects 0.000 claims abstract description 23
- 230000000694 effects Effects 0.000 claims abstract description 17
- 230000006399 behavior Effects 0.000 claims description 234
- 230000006870 function Effects 0.000 claims description 32
- 230000011218 segmentation Effects 0.000 claims description 20
- 238000000034 method Methods 0.000 claims description 15
- 230000003542 behavioural effect Effects 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000011002 quantification Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 4
- 239000012634 fragment Substances 0.000 claims description 4
- 239000004973 liquid crystal related substance Substances 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000003384 imaging method Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 11
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000000059 patterning Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013139 quantization Methods 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
- G06Q10/06—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Technology (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及路由分发技术,揭露一种基于培训行为数据的绩效分析方法,包括:采集学员在培训活动中产生的行为数据集;将所述行为数据集转换为文本向量矩阵,从所述文本向量矩阵中提取所述行为数据集的行为特征;利用预先训练的激活函数计算每个所述行为特征与预设数量的绩效标签之间的相对概率值;根据所述相对概率值,构建每种所述绩效标签对应的关联行为特征序列;根据每种所述绩效标签对应的关联行为特征序列,构建每种所述绩效标签的行为特征图。本发明还提出一种基于培训行为数据的绩效分析装置、电子设备以及计算机可读存储介质。本发明可以提升培训绩效分析效率。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于培训行为数据的绩效分析方法、装置、电子设备及计算机可读存储介质。
背景技术
随着网络培训的兴起,越来越多的企业选择通过网课培训企业人员,以期企业人员在经过网络培训后能够提升当前的工作绩效。但是仅从企业人员的结业水平不能必然推倒出该企业人员后续的工作绩效水平,因此,需要对企业人员在参与培训的全过程的情况做全面的分析,
在利用培训数据进行企业人员的未来绩效分析的过程中,当前主要是依赖网课班主任或培训管理员,从零散的,数据量庞大的培训数据中进行人工分析,这种方式效率低下,且分析准确率比较低,亟待提升。
发明内容
本发明提供一种基于培训行为数据的绩效分析方法、装置、电子设备及计算机可读存储介质,其主要目的在于提升培训绩效分析效率。
为实现上述目的,本发明提供的一种基于培训行为数据的绩效分析方法,包括:
采集学员在培训活动中产生的行为数据集;
将所述行为数据集转换为文本向量矩阵,从所述文本向量矩阵中提取所述行为数据集的行为特征;
利用预先训练的激活函数计算每个所述行为特征与预设数量的绩效标签之间的相对概率值;
根据所述相对概率值,构建每种所述绩效标签对应的关联行为特征序列;
根据每种所述绩效标签对应的关联行为特征序列,构建每种所述绩效标签的行为特征图。
可选地,所述采集学员在培训活动中产生的行为数据集,包括:
利用预设的埋点,监控预构建的培训课堂使用看板与预构建的后台服务之间的统一资源定位符;
根据所述统一资源定位符,记录每个学员的操作类型,并记录所述操作类型对应的取值;
将所述操作类型及所述操作类型对应的取值进行组合,得到每个学员的行为数据,汇总所有学员的行为数据得到所述行为数据集。
可选地,所述将所述行为数据集转换为文本向量矩阵,包括:
对所述行为数据集进行分词处理,得到多个文本分词;
从所述多个文本分词中逐个选取其中一个文本分词为目标分词,并统计所述目标分词和所述目标分词的相邻文本分词在所述目标分词的预设邻域范围内共同出现的共现次数;
利用每一个文本分词对应的共现次数构建共现矩阵;
分别将所述多个文本分词转换为词向量,将所述词向量拼接为向量矩阵;
利用所述共现矩阵和所述向量矩阵进行乘积运算,得到文本向量矩阵。
可选地,所述从所述文本向量矩阵中提取所述行为数据集的行为特征,包括:
从所述多个文本分词中逐个选取其中一个文本分词为目标分词,根据所述目标分词的词向量及所述文本向量矩阵,计算所述目标分词的关键值;
按照所述关键值从大到小的顺序从所述多个文本分词中选取预设数量的文本分词为特征分词;
将所述特征分词的词向量拼接得到所述行为数据集的行为特征。
可选地,所述根据所述相对概率值,构建每种所述绩效标签对应的关联行为特征序列,包括:
从所述预设数量的绩效标签中,逐次选择一个绩效标签作为对象标签;
根据所述相对概率值,计算每种所述行为特征相对于所述对象标签加权分数;
将所述对象标签对应的每种行为特征的加权分数做归一化处理,得到归一化后的加权分数。
根据所述归一化后的加权分数从高到低的顺序,对所述对象标签对应的行为特征进行排序,得到每种所述绩效标签的关联行为特征序列。
可选地,所述根据每种所述绩效标签对应的关联行为特征序列,构建每种所述绩效标签的行为特征图,包括:
从所述预设数量的绩效标签中,依次选择一个绩效标签作为目标标签;
获取所述目标标签对应的关联行为特征序列,并获取所述关联行为特征序列中每种行为特征归一化后的加权分数;
以所述目标标签为原点,以所述关联行为特征序列中的行为特征为节点,
将关联行为特征序列中每种行为特征归一化后的加权分数转换对应节点到所述原点之间的距离;
将所述原点及每个所述节点根据每个节点到所述原点之间的距离组织,构成所述目标标签的特征图。
可选地,所述利用预先训练的激活函数计算每个所述行为特征与预设数量的绩效标签之间的相对概率值,包括:
利用如下激活函数计算相对概率值:
其中,p(a|x)为行为特征x和绩效标签a之间的相对概率值,wa为绩效标签a的权重向量,T为求转置运算符号,exp为求期望运算符号,A为预设的多个绩效标签的数量。
为了解决上述问题,本发明还提供一种基于培训行为数据的绩效分析装置,所述装置包括:
数据采集模块,用于采集学员在培训活动中产生的行为数据集;
特征提取模块,用于将所述行为数据集转换为文本向量矩阵,从所述文本向量矩阵中提取所述行为数据集的行为特征;
关系量化模块,用于利用预先训练的激活函数计算每个所述行为特征与预设数量的绩效标签之间的相对概率值;
关系图形化模块,用于根据所述相对概率值,构建每种所述绩效标签对应的关联行为特征序列,根据每种所述绩效标签对应的关联行为特征序列,构建每种所述绩效标签的行为特征图。
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:
存储器,存储至少一个计算机程序;及
处理器,执行所述存储器中存储的程序以实现上述所述的基于培训行为数据的绩效分析方法。
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培训行为数据的绩效分析方法。
本发明申请通过提取学员在培训活动中的行为数据集的行为特征,利用预先训练的激活函数计算每个所述行为特征与预设数量的绩效标签之间的相对概率值,实现了对培训绩效和培训行为数据集之间关联关系的量化,进一步,利用所述相对概率值构建每种所述绩效标签对应的关联行为特征序列,并将所述行为特征序列转换对应绩效标签的行为特征图,完成了培训绩效和培训行为数据集之间关联关系从量化到可视化的转换,提升了培训绩效分析效率。
附图说明
图1为本发明一实施例提供的基于培训行为数据的绩效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培训行为数据的绩效分析方法中其中一个步骤的详细实施流程示意图;
图3为本发明一实施例提供的基于培训行为数据的绩效分析方法中其中一个步骤的详细实施流程示意图;
图4为本发明一实施例提供的基于培训行为数据的绩效分析方法中其中一个步骤的详细实施流程示意图;
图5为本发明一实施例提供的基于培训行为数据的绩效分析方法中其中一个步骤的详细实施流程示意图;
图6为本发明一实施例提供的基于培训行为数据的绩效分析方法中其中一个步骤的详细实施流程示意图;
图7为本发明一实施例提供的基于培训行为数据的绩效分析装置的功能模块图;
图8为本发明一实施例提供的实现所述基于培训行为数据的绩效分析方法的电子设备的结构示意图。
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培训行为数据的绩效分析方法。所述基于培训行为数据的绩效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,所述基于培训行为数据的绩效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(ContentDelivery Network,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培训行为数据的绩效分析方法的流程示意图。在本实施例中,所述基于培训行为数据的绩效分析方法包括S1-S5:
S1、采集学员在培训活动中产生的行为数据集;
本发明实施例中,所述行为数据集包括但不限于学员课堂签到、课堂在线时长、课后作业完成情况、学习进度、结训考试成绩、学员反馈信息等行为数据。
详细地,参阅图2所示,所述S1,包括S11-S13:
S11、利用预设的埋点,监控预构建的培训课堂使用看板与预构建的后台服务之间的统一资源定位符;
S12、根据所述统一资源定位符,记录每个学员的操作类型,并记录所述操作类型对应的取值;
S13、将所述操作类型及所述操作类型对应的取值进行组合,得到每个学员的行为数据,汇总所有学员的行为数据得到所述行为数据集。
本发明实施例中,所述培训课堂使用看板为一个预构建的记录学员在所述培训活动中的互动情况,并将所述互动情况分门别类的进行数据化展示的平台,例如,在所述培训课堂使用看板中,可以查看学员课堂签到、课堂在线时长、课后作业完成情况、学习进度、结训考试成绩、学员反馈信息等行为数据。
所述预设的埋点是指网站分析中一种常用的数据采集方法,具有良好的私有化部署的数据采集方式。本发明实施例中,通过浏览器中的开发者工具部署一个埋点,可是实现监控每个学员在培训活动周期内的所有行为数据。
本发明实施例中,所述统一资源定位符(Uniform Resource Locator,简称URL)为客户端发出的请求所述培训课堂使用看板调取后台的数据内容的请求链接,其中,所述URL包括协议模式、请求地址、参数值、标签等等,此外,通过查询所述URL能够获取数据请求双方(培训课堂使用看板、培训课堂使用看板的后台服务)的身份信息。
本发明实施例中,所述操作类型包括但不限于签到、回答问题、提交作业、反馈意见、结业考试等,所述操作类型中各个操作节点的取值可以是所述学员的的课堂签到时间、课堂互动次数、课后作业完成率、反馈的主观文字意见等。
S2、将所述行为数据集转换为文本向量矩阵,从所述文本向量矩阵中提取所述行为数据集的行为特征;
本发明实施例中,由于所述行为数据集由自然语言组成,若直接对所述行为数据集进行分析,会占用大量的计算资源,导致分析的效率低下,因此,可将所述行为数据集转换为文本向量矩阵,进而将由自然语言表达的行为数据集转换为数值形式。
本发明实施例中,可以采用Glove(Global Vectors for Word Representation,全局词向量)、Embedding Layer等方法将所述行为数据集转换为文本向量矩阵。
详细地,参阅图3所示,所述将所述行为数据集转换为文本向量矩阵,包括S21-S25:
S21、对所述行为数据集进行分词处理,得到多个文本分词;
S22、从所述多个文本分词中逐个选取其中一个文本分词为目标分词,并统计所述目标分词和所述目标分词的相邻文本分词在所述目标分词的预设邻域范围内共同出现的共现次数;
S23、利用每一个文本分词对应的共现次数构建共现矩阵;
S24、分别将所述多个文本分词转换为词向量,将所述词向量拼接为向量矩阵;
S25、利用所述共现矩阵和所述向量矩阵进行乘积运算,得到文本向量矩阵。
本发明实施例中,可以利用分词工具实现对所述行为数据集的分词操作,例如,JIEBA等分词工具。
示例性地,可利用每一个文本分词对应的所述共现次数构建如下所示的共现矩阵:
其中,Xi,j为所述行为数据集中关键词i与该关键词i的相邻文本分词j的共现次数。
本发明实施例中,可采用word2vec模型、NLP(Natural Language Processing,自然语言处理)模型等具有词向量转换功能的模型分别将所述多个文本分词转换为词向量,进而将词向量拼接为所述行为数据集的向量矩阵,并将所述向量矩阵与所述共现矩阵进行乘积运算,得到文本向量矩阵。
进一步地,参阅图4所示,从所述文本向量矩阵中提取所述行为数据集的行为特征,包括:
S26、从所述多个文本分词中逐个选取其中一个文本分词为目标分词,根据所述目标分词的词向量及所述文本向量矩阵,计算所述目标分词的关键值;
S27、按照所述关键值从大到小的顺序从所述多个文本分词中选取预设数量的文本分词为特征分词;
S28、将所述特征分词的词向量拼接得到所述行为数据集的行为特征。
详细地,由于所述行为数据集中包含大量的文本分词,但并非每一个文本分词均是该行为数据集的特征,因此,需要对所述多个文本分词进行筛选,本发明实施例从所述多个文本分词中逐个选取其中一个文本分词为目标分词,根据所述目标分词的词向量与所述文本向量矩阵计算所述目标分词的关键值,以根据所述关键值筛选出对该行为数据集具有代表性的特征分词,以实现获取该行为数据集的行为特征。
具体地,所述根据所述目标分词的词向量与所述文本向量矩阵计算所述目标分词的关键值,包括:
利用如下关键值算法计算所述目标分词的关键值:
本发明实施例中,按照每一个文本分词的关键值从大到小的顺序从所述将所述多个文本分词中选取预设数量的文本分词为特征分词。
例如,所述多个文本分词包括:文本分词A、文本分词B和文本分词C,其中,文本分词A的关键值为80,文本分词B的关键值为70,文本分词C的关键值为30,若预设数量为2,则按照所述关键值从大到小的顺序,选取文本分词A和文本分词B为特征分词,并将所述文本分词A和所述文本分词B的词向量进行拼接,得到所述行为数据集的行为特征。
S3、利用预先训练的激活函数计算每个所述行为特征与预设数量的绩效标签之间的相对概率值;
本发明实施例中,可分别利用预先训练的激活函数对每个所述行为特征进行计算,以计算每一个行为特征与预设多个绩效标签的相对概率值,其中,所述相对概率值是指每一个行为特征可能导致某一种绩效的概率值,当某一行为特征与某一绩效标签之间的相对概率致越高时,则该行为特征是用于表达该绩效标签的概率也就越高。
详细地,所述激活函数包括但不限于softmax激活函数、sigmoid激活函数、relu激活函数,所述预设数量可是根据企业的实际应用情况设置,所述绩效标签包括但不限于优秀、一般、待改进、淘汰。
本发明其中一个实施例中,可利用如下激活函数计算相对概率值:
其中,p(a|x)为行为特征x和绩效标签a之间的相对概率值,wa为绩效标签a的权重向量,T为求转置运算符号,exp为求期望运算符号,A为预设的多个绩效标签的数量。
S4、根据所述相对概率值,构建每种所述绩效标签对应的关联行为特征序列;
本发明实施例中,所述相对概率值能够反应出一个行为特征与某一绩效标签之间的关联程度,所述相对概率值越高,则相应的行为特征与绩效标签之间的关联程度越高。
详细地,参阅图5所示,所述S4包括S41-S44:
S41、从所述预设数量的绩效标签中,逐次选择一个绩效标签作为对象标签;
S42、根据所述相对概率值,计算每种所述行为特征相对于所述对象标签加权分数;
S43、将所述对象标签对应的每种行为特征的加权分数做归一化处理,得到归一化后的加权分数;
S44、根据所述归一化后的加权分数从高到低的顺序,对所述对象标签对应的行为特征进行排序,得到每种所述绩效标签的关联行为特征序列。
本发明实施例中,所述加权分数是指行为特征与绩效标签之间关联程度的数值。
详细地,本发明实施例中,可以利用如下加权算法,计算每种行为特征对应不同的绩效标签的加权分数:
其中,Resulta表示绩效标签a,Actioni表示第i个行为特征,S(Resulta|Actioni)表示第i个行为特征相对于绩效标签a的加权分数,Count(Action)表示行为特征的数量,p(a|x)是指第i个行为特征会导致绩效a这种结果的相对概率值,Reliability(Acitoni)表示第i个行为特征的可靠度。
本发明一可选实施例中,通过将每种所述绩效标签对应的行为特征的加权分数做归一化处理,可以得到从0到1的区间的加权分数。
详细地,本发明实施例中,可以利用如下归一化公式,将每种所述绩效标签对应的每种行为特征的加权分数做归一化处理:
其中,所述newValue为归一化后的行为特征对应某种绩效标签的加权分数,oldValue为归一化前行为特征对应某种绩效标签的加权分数,arctan为反正切函数。
S5、根据每种所述绩效标签对应的关联行为特征序列,构建每种所述绩效标签的行为特征图。
本发明实施例中,可以利用知识图谱技术,根据每种所述绩效标签对应的关联行为特征序列,构建每种所述绩效标签的行为特征图。
详细地,参阅图6所示,所述S5包括S51-S55:
S51、从所述预设数量的绩效标签中,依次选择一个绩效标签作为目标标签;
S52、获取所述目标标签对应的关联行为特征序列,并获取所述关联行为特征序列中每种行为特征归一化后的加权分数;
S53、以所述目标标签为原点,以所述关联行为特征序列中的行为特征为节点,
S54、将关联行为特征序列中每种行为特征归一化后的加权分数转换对应节点到所述原点之间的距离;
S55、将所述原点及每个所述节点根据每个节点到所述原点之间的距离组织,构成所述目标标签的特征图。
本发明实施例中,可以利用马氏距离、欧式距离等距离公式将关联行为特征序列中每种行为特征归一化后的加权分数转换对应节点到所述原点之间的距离。
本发明另一可选实施例中,可以利用加权分数阈值,对所述目标标签对应的关联行为特征序列进行筛选,选择归一化后的加权分数大于所述加权分数阈值的行为特征构建所述目标标签的特征图,这样可以保证所述特征图中出现的行为特征是对应目标标签的核心的、关键的行为特征。
本发明实施例中,所述行为特征图是采用图的形式呈现行为特征与绩效标签之间的映射关系,是对所述行为特征序列的可视化,使得每种行为特征与绩效之间的关联关系更加形象直观。
本发明申请通过提取学员在培训活动中的行为数据集的行为特征,利用预先训练的激活函数计算每个所述行为特征与预设数量的绩效标签之间的相对概率值,实现了对培训绩效和培训行为数据集之间关联关系的量化,进一步,利用所述相对概率值构建每种所述绩效标签对应的关联行为特征序列,并将所述行为特征序列转换对应绩效标签的行为特征图,完成了培训绩效和培训行为数据集之间关联关系从量化到可视化的转换,提升了培训绩效分析效率。
如图7所示,是本发明一实施例提供的基于培训行为数据的绩效分析装置的功能模块图。
本发明所述基于培训行为数据的绩效分析装置100可以安装于电子设备中。根据实现的功能,所述基于培训行为数据的绩效分析装置100可以包括数据采集模块101、特征提取模块102、关系量化模块103及关系图形化模块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:
所述数据采集模块101,用于采集学员在培训活动中产生的行为数据集;
所述特征提取模块102,用于将所述行为数据集转换为文本向量矩阵,从所述文本向量矩阵中提取所述行为数据集的行为特征;
所述关系量化模块103,用于利用预先训练的激活函数计算每个所述行为特征与预设数量的绩效标签之间的相对概率值;
所述关系图形化模块104,用于根据所述相对概率值,构建每种所述绩效标签对应的关联行为特征序列,根据每种所述绩效标签对应的关联行为特征序列,构建每种所述绩效标签的行为特征图。
详细地,本发明实施例中所述基于培训行为数据的绩效分析装置100中的各个模块在使用时采用与上述的图1至图6中所述的基于培训行为数据的绩效分析方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图8所示,是本发明一实施例提供的实现基于培训行为数据的绩效分析方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线,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,如基于培训行为数据的绩效分析程序。
其中,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,例如基于培训行为数据的绩效分析程序的代码等,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是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如基于培训行为数据的绩效分析程序等),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。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,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。
图8仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图8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。
进一步地,所述电子设备1还可以包括网络接口,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与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户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用户界面。
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存储的基于培训行为数据的绩效分析程序是多个指令的组合,在所述处理器10中运行时,可以实现:
采集学员在培训活动中产生的行为数据集;
将所述行为数据集转换为文本向量矩阵,从所述文本向量矩阵中提取所述行为数据集的行为特征;
利用预先训练的激活函数计算每个所述行为特征与预设数量的绩效标签之间的相对概率值;
根据所述相对概率值,构建每种所述绩效标签对应的关联行为特征序列;
根据每种所述绩效标签对应的关联行为特征序列,构建每种所述绩效标签的行为特征图。
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,可以存储在一个计算机可读存储介质中。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的处理器所执行时,可以实现:
采集学员在培训活动中产生的行为数据集;
将所述行为数据集转换为文本向量矩阵,从所述文本向量矩阵中提取所述行为数据集的行为特征;
利用预先训练的激活函数计算每个所述行为特征与预设数量的绩效标签之间的相对概率值;
根据所述相对概率值,构建每种所述绩效标签对应的关联行为特征序列;
根据每种所述绩效标签对应的关联行为特征序列,构建每种所述绩效标签的行为特征图。
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 (7)
1.一种基于培训行为数据的绩效分析方法,其特征在于,所述方法包括:
采集学员在培训活动中产生的行为数据集;
将所述行为数据集转换为文本向量矩阵,从所述文本向量矩阵中提取所述行为数据集的行为特征;
利用预先训练的激活函数计算每个所述行为特征与预设数量的绩效标签之间的相对概率值;
根据所述相对概率值,构建每种所述绩效标签对应的关联行为特征序列;
根据每种所述绩效标签对应的关联行为特征序列,构建每种所述绩效标签的行为特征图;
其中,所述采集学员在培训活动中产生的行为数据集,包括:利用预设的埋点,监控预构建的培训课堂使用看板与预构建的后台服务之间的统一资源定位符;根据所述统一资源定位符,记录每个学员的操作类型,并记录所述操作类型对应的取值;将所述操作类型及所述操作类型对应的取值进行组合,得到每个学员的行为数据,汇总所有学员的行为数据得到所述行为数据集;
所述将所述行为数据集转换为文本向量矩阵,包括:对所述行为数据集进行分词处理,得到多个文本分词;从所述多个文本分词中逐个选取其中一个文本分词为目标分词,并统计所述目标分词和所述目标分词的相邻文本分词在所述目标分词的预设邻域范围内共同出现的共现次数;利用每一个文本分词对应的共现次数构建共现矩阵;分别将所述多个文本分词转换为词向量,将所述词向量拼接为向量矩阵;利用所述共现矩阵和所述向量矩阵进行乘积运算,得到文本向量矩阵;
所述利用预先训练的激活函数计算每个所述行为特征与预设数量的绩效标签之间的相对概率值,包括:
利用如下激活函数计算相对概率值:
其中,p(a|x)为行为特征x和绩效标签a之间的相对概率值,wa为绩效标签a的权重向量,T为求转置运算符号,exp为求期望运算符号,A为预设的多个绩效标签的数量。
2.如权利要求1所述的基于培训行为数据的绩效分析方法,其特征在于,所述从所述文本向量矩阵中提取所述行为数据集的行为特征,包括:
从所述多个文本分词中逐个选取其中一个文本分词为目标分词,根据所述目标分词的词向量及所述文本向量矩阵,计算所述目标分词的关键值;
按照所述关键值从大到小的顺序从所述多个文本分词中选取预设数量的文本分词为特征分词;
将所述特征分词的词向量拼接得到所述行为数据集的行为特征。
3.如权利要求1所述的基于培训行为数据的绩效分析方法,其特征在于,所述根据所述相对概率值,构建每种所述绩效标签对应的关联行为特征序列,包括:
从所述预设数量的绩效标签中,逐次选择一个绩效标签作为对象标签;
根据所述相对概率值,计算每种所述行为特征相对于所述对象标签加权分数;
将所述对象标签对应的每种行为特征的加权分数做归一化处理,得到归一化后的加权分数;
根据所述归一化后的加权分数从高到低的顺序,对所述对象标签对应的行为特征进行排序,得到每种所述绩效标签的关联行为特征序列。
4.如权利要求1所述的基于培训行为数据的绩效分析方法,其特征在于,所述根据每种所述绩效标签对应的关联行为特征序列,构建每种所述绩效标签的行为特征图,包括:
从所述预设数量的绩效标签中,依次选择一个绩效标签作为目标标签;
获取所述目标标签对应的关联行为特征序列,并获取所述关联行为特征序列中每种行为特征归一化后的加权分数;
以所述目标标签为原点,以所述关联行为特征序列中的行为特征为节点,
将关联行为特征序列中每种行为特征归一化后的加权分数转换对应节点到所述原点之间的距离;
将所述原点及每个所述节点根据每个节点到所述原点之间的距离组织,构成所述目标标签的特征图。
5.一种基于培训行为数据的绩效分析装置,其特征在于,所述装置包括:
数据采集模块,用于采集学员在培训活动中产生的行为数据集;
特征提取模块,用于将所述行为数据集转换为文本向量矩阵,从所述文本向量矩阵中提取所述行为数据集的行为特征;
关系量化模块,用于利用预先训练的激活函数计算每个所述行为特征与预设数量的绩效标签之间的相对概率值;
关系图形化模块,用于根据所述相对概率值,构建每种所述绩效标签对应的关联行为特征序列,根据每种所述绩效标签对应的关联行为特征序列,构建每种所述绩效标签的行为特征图;
其中,所述采集学员在培训活动中产生的行为数据集,包括:利用预设的埋点,监控预构建的培训课堂使用看板与预构建的后台服务之间的统一资源定位符;根据所述统一资源定位符,记录每个学员的操作类型,并记录所述操作类型对应的取值;将所述操作类型及所述操作类型对应的取值进行组合,得到每个学员的行为数据,汇总所有学员的行为数据得到所述行为数据集;
所述将所述行为数据集转换为文本向量矩阵,包括:对所述行为数据集进行分词处理,得到多个文本分词;从所述多个文本分词中逐个选取其中一个文本分词为目标分词,并统计所述目标分词和所述目标分词的相邻文本分词在所述目标分词的预设邻域范围内共同出现的共现次数;利用每一个文本分词对应的共现次数构建共现矩阵;分别将所述多个文本分词转换为词向量,将所述词向量拼接为向量矩阵;利用所述共现矩阵和所述向量矩阵进行乘积运算,得到文本向量矩阵;
所述利用预先训练的激活函数计算每个所述行为特征与预设数量的绩效标签之间的相对概率值,包括:
利用如下激活函数计算相对概率值:
其中,p(a|x)为行为特征x和绩效标签a之间的相对概率值,wa为绩效标签a的权重向量,T为求转置运算符号,exp为求期望运算符号,A为预设的多个绩效标签的数量。
6.一种电子设备,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4中任意一项所述的基于培训行为数据的绩效分析方法。
7.一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4中任意一项所述的基于培训行为数据的绩效分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210415255.9A CN114757541B (zh) | 2022-04-20 | 2022-04-20 | 基于培训行为数据的绩效分析方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210415255.9A CN114757541B (zh) | 2022-04-20 | 2022-04-20 | 基于培训行为数据的绩效分析方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114757541A CN114757541A (zh) | 2022-07-15 |
CN114757541B true CN114757541B (zh) | 2023-05-23 |
Family
ID=82331826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210415255.9A Active CN114757541B (zh) | 2022-04-20 | 2022-04-20 | 基于培训行为数据的绩效分析方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114757541B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110929797A (zh) * | 2019-11-28 | 2020-03-27 | 四川大汇大数据服务有限公司 | 一种人员能力量化评估方法 |
CN111461538A (zh) * | 2020-03-31 | 2020-07-28 | 青岛网信信息科技有限公司 | 基于大数据分析的绩效管理系统 |
CN111709864A (zh) * | 2020-06-11 | 2020-09-25 | 湖北美和易思教育科技有限公司 | 一种基于学生意向的自动归类分析方法及装置 |
CN112163162A (zh) * | 2020-10-14 | 2021-01-01 | 珠海格力电器股份有限公司 | 基于人像识别的选修课程推荐方法、存储介质及电子设备 |
CN113205135A (zh) * | 2021-04-30 | 2021-08-03 | 平安科技(深圳)有限公司 | 课程预测模型的更新方法、装置、计算机设备及存储介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8156059B2 (en) * | 2007-02-02 | 2012-04-10 | Dunning Ted E | Indicator-based recommendation system |
US20090081629A1 (en) * | 2007-09-24 | 2009-03-26 | Chad Walter Billmyer | System and method for matching students to schools |
US10546507B2 (en) * | 2014-09-18 | 2020-01-28 | International Business Machines Corporation | Recommending a set of learning activities based on dynamic learning goal adaptation |
US11188581B2 (en) * | 2017-05-10 | 2021-11-30 | Fmr Llc | Identification and classification of training needs from unstructured computer text using a neural network |
US11276005B2 (en) * | 2018-11-28 | 2022-03-15 | International Business Machines Corporation | Cognitive assessment based recommendations |
US11640555B2 (en) * | 2019-12-21 | 2023-05-02 | Aptology, Inc. | Machine and deep learning process modeling of performance and behavioral data |
US11430018B2 (en) * | 2020-01-21 | 2022-08-30 | Xandr Inc. | Line item-based audience extension |
-
2022
- 2022-04-20 CN CN202210415255.9A patent/CN114757541B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110929797A (zh) * | 2019-11-28 | 2020-03-27 | 四川大汇大数据服务有限公司 | 一种人员能力量化评估方法 |
CN111461538A (zh) * | 2020-03-31 | 2020-07-28 | 青岛网信信息科技有限公司 | 基于大数据分析的绩效管理系统 |
CN111709864A (zh) * | 2020-06-11 | 2020-09-25 | 湖北美和易思教育科技有限公司 | 一种基于学生意向的自动归类分析方法及装置 |
CN112163162A (zh) * | 2020-10-14 | 2021-01-01 | 珠海格力电器股份有限公司 | 基于人像识别的选修课程推荐方法、存储介质及电子设备 |
CN113205135A (zh) * | 2021-04-30 | 2021-08-03 | 平安科技(深圳)有限公司 | 课程预测模型的更新方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114757541A (zh) | 2022-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115002200B (zh) | 基于用户画像的消息推送方法、装置、设备及存储介质 | |
CN112988963B (zh) | 基于多流程节点的用户意图预测方法、装置、设备及介质 | |
CN114722281B (zh) | 基于用户画像及用户选课行为的培训课程配置方法、装置 | |
CN113627530B (zh) | 相似问题文本生成方法、装置、设备及介质 | |
CN114398557A (zh) | 基于双画像的信息推荐方法、装置、电子设备及存储介质 | |
CN114997263B (zh) | 基于机器学习的结训率分析方法、装置、设备及存储介质 | |
CN113868529A (zh) | 知识推荐方法、装置、电子设备及可读存储介质 | |
CN114841165B (zh) | 用户数据分析及展示方法、装置、电子设备及存储介质 | |
CN116578696A (zh) | 文本摘要生成方法、装置、设备及存储介质 | |
CN114757541B (zh) | 基于培训行为数据的绩效分析方法、装置、设备及介质 | |
CN116525053A (zh) | 病患报告生成方法、装置、电子设备及介质 | |
CN115982454A (zh) | 基于用户画像的问卷推送方法、装置、设备及存储介质 | |
CN113806540B (zh) | 文本打标签方法、装置、电子设备及存储介质 | |
CN114722280A (zh) | 基于用户画像的课程推荐方法、装置、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 | |
CN113706019A (zh) | 基于多维数据的业务能力分析方法、装置、设备及介质 | |
CN114723488B (zh) | 课程推荐方法、装置、电子设备及存储介质 | |
CN114723523B (zh) | 基于用户能力画像的产品推荐方法、装置、设备及介质 | |
CN113724065B (zh) | 基于流程指导的辅助催收方法、装置、设备及存储介质 | |
CN114742423B (zh) | 一种随机分组方法、装置、设备及介质 | |
CN113723611B (zh) | 基于因果推断的业务因子生成方法、装置、设备及介质 | |
CN113656703B (zh) | 基于新上线课程的智能推荐方法、装置、设备及存储介质 | |
CN113706207B (zh) | 基于语义解析的订单成交率分析方法、装置、设备及介质 | |
CN116595175A (zh) | 文本分类方法、装置、设备及存储介质 | |
CN116775852A (zh) | 基于标签的数据推荐方法、装置、设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |