CN114971375A - 基于人工智能的考核数据处理方法、装置、设备及介质 - Google Patents
基于人工智能的考核数据处理方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114971375A CN114971375A CN202210682187.2A CN202210682187A CN114971375A CN 114971375 A CN114971375 A CN 114971375A CN 202210682187 A CN202210682187 A CN 202210682187A CN 114971375 A CN114971375 A CN 114971375A
- Authority
- CN
- China
- Prior art keywords
- index
- working
- assessment
- employee
- current
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能技术领域,尤其涉及一种基于人工智能的考核数据处理方法、装置、设备及介质。该方法获取待考核员工的当前工作指标,根据当前工作指标与标准工作指标的差值确定评价指标,获取历史工作指标并按照时序拼接为历史指标向量并输入时间卷积网络,得到预测工作指标,根据当前工作指标与预测工作指标差值确定成长指标,对评价指标与成长指标进行加权求和,确定考核数据处理结果,根据历史工作指标波动情况,预测预测工作指标,提高了考核数据处理对不同员工的适应性,能够更准确地表征待考核员工的成长性,且与标准工作指标均值比较,能够更为准确地表征待考核员工的业绩状态,从而在无人工参与的情况下,提高了考核数据处理的准确率。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于人工智能的考核数据处理方法、装置、设备及介质。
背景技术
目前,随着人工智能技术的发展,企业中也逐渐以智能模型替代人为评价进行员工的考核数据处理,从而避免考核数据处理受到人为因素的影响,能够提高考核数据处理的效率。
但是,由于考核数据处理涉及待考核员工的多种工作指标,采用智能模型时需要对大量工作指标参数进行拟合,导致智能模型拟合效果较差,甚至于难以拟合,且采用智能模型直接拟合考核数据处理结果时,由于智能模型可解释性较差,导致无法人工验证考核数据处理的准确性,从而导致考核数据处理的准确率较低,因此如何在无人工参与的情况下实现准确率较高的考核数据处理成为了亟需解决的问题。
发明内容
有鉴于此,本发明实施例提供了一种基于人工智能的考核数据处理方法、装置、设备及介质,以解决在无人工参与的情况下实现准确率较高的考核数据处理的问题。
第一方面,本发明实施例提供一种基于人工智能的考核数据处理方法,所述考核数据处理方法包括:
获取待考核员工在当前考核周期中的当前工作指标和当前考核等级,并计算所述当前工作指标与所述当前考核等级对应标准工作指标的第一差值,使用映射归一化对所述第一差值进行处理,确定处理结果为评价指标;
获取待考核员工在N个历史考核周期中的历史工作指标,按照N个历史考核周期的时序将所有的历史工作指标拼接为历史指标向量,N为大于零的整数;
将所述历史指标向量输入训练好的时间卷积网络,确定输出结果为预测工作指标,并计算所述当前工作指标与所述预测工作指标的第二差值,使用所述映射归一化对所述第二差值进行处理,确定处理结果为成长指标;
从训练好的权值优化模型中获取所述评价指标的权值和所述成长指标的权值,并对所述评价指标与所述成长指标进行加权求和,确定加权求和结果为所述待考核员工的考核数据处理结果。
第二方面,本发明实施例提供一种基于人工智能的考核数据处理装置,所述考核数据处理装置包括:
工作评价模块,用于获取待考核员工在当前考核周期中的当前工作指标和当前考核等级,并计算所述当前工作指标与所述当前考核等级对应标准工作指标的第一差值,使用映射归一化对所述第一差值进行处理,确定处理结果为评价指标;
指标拼接模块,用于获取待考核员工在N个历史考核周期中的历史工作指标,按照N个历史考核周期的时序将所有的历史工作指标拼接为历史指标向量,N为大于零的整数;
成长评价模块,用于将所述历史指标向量输入训练好的时间卷积网络,确定输出结果为预测工作指标,并计算所述当前工作指标与所述预测工作指标的第二差值,使用所述映射归一化对所述第二差值进行处理,确定处理结果为成长指标;
考核数据处理模块,用于从训练好的权值优化模型中获取所述评价指标的权值和所述成长指标的权值,并对所述评价指标与所述成长指标进行加权求和,确定加权求和结果为所述待考核员工的考核数据处理结果。第三方面,本发明实施例提供一种计算机设备,所述计算机设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面所述的考核数据处理方法。
第四方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的考核数据处理方法。
本发明实施例与现有技术相比存在的有益效果是:
获取待考核员工在当前考核周期中的当前工作指标和当前考核等级,并计算当前工作指标与当前考核等级对应标准工作指标的第一差值,使用映射归一化对第一差值进行处理,确定处理结果为评价指标,获取待考核员工在N个历史考核周期中的历史工作指标,按照N个历史考核周期的时序将所有的历史工作指标拼接为历史指标向量,N为大于零的整数,将历史指标向量输入训练好的时间卷积网络,确定输出结果为预测工作指标,并计算当前工作指标与预测工作指标的第二差值,使用映射归一化对第二差值进行处理,确定处理结果为成长指标,从训练好的权值优化模型中获取评价指标的权值和成长指标的权值,并对评价指标与成长指标进行加权求和,确定加权求和结果为待考核员工的考核数据处理结果,根据待考核员工的历史工作指标波动情况,预测员工的预测工作指标,根据当前工作指标与预测工作指标的差值作为成长评价值,提高了考核数据处理对不同员工的适应性,能够更为准确地表征待考核员工的成长性,且与标准工作指标均值比较,能够更为准确地表征待考核员工的业绩状态,提高了考核数据处理的泛化性,从而在无人工参与的情况下,提高了考核数据处理的准确率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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发明的一些实施例,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。
图1是本发明实施例一提供的一种基于人工智能的考核数据处理方法的一应用环境示意图;
图2是本发明实施例一提供的一种基于人工智能的考核数据处理方法的流程示意图;
图3是本发明实施例二提供的一种基于人工智能的考核数据处理方法的流程示意图;
图4是本发明实施例三提供的一种基于人工智能的考核数据处理装置的结构示意图;
图5是本发明实施例四提供的一种计算机设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
应当理解,当在本发明说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本发明说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本发明说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本发明说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本发明的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
本发明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。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
应理解,以下实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
为了说明本发明的技术方案,下面通过具体实施例来进行说明。
本发明实施例一提供的一种基于人工智能的考核数据处理方法,可应用在如图1的应用环境中,其中,客户端与服务端进行通信。其中,客户端包括但不限于掌上电脑、桌上型计算机、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer,UMPC)、上网本、云端终端设备、个人数字助理(personal digital assistant,PDA)等计算机设备。服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
参见图2,是本发明实施例一提供的一种基于人工智能的考核数据处理方法的流程示意图,上述考核数据处理方法可以应用于图1中的客户端,客户端对应的计算机设备接收考核指令,考核指令用于指示客户端对待考核员工的考核数据进行处理,客户端部署有训练好的时间卷积网络和训练好的权值优化模型,训练好的时间卷积网络可以用于预测待考核员工的预测工作指标,训练好的权值优化模型可以用于为工作考核数据处理提供对应的权值,客户端与服务端连接,以从服务端获取待考核员工在各个考核周期中的工作指标和考核等级。如图2所示,该考核数据处理方法可以包括以下步骤:
步骤S201,获取待考核员工在当前考核周期中的当前工作指标和当前考核等级,并计算当前工作指标与当前考核等级对应标准工作指标的第一差值,使用映射归一化对第一差值进行处理,确定处理结果为评价指标。
其中,待考核员工可以是指需要进行考核数据处理的员工,客户端接收考核指令后,开始对应待考核员工考核数据的处理流程,考核指令可以包括待考核员工的身份识别编码,身份识别编码可以是指员工序号、员工身份证号等可以表征员工身份的编码信息。
当前考核周期可以是指距离客户端接收到考核指令的时间点最近的完整考核周期,考核周期可以是指用于考核数据处理的目标时间段,考核周期可以包括M个目标时间点,目标时间点用于记录员工的工作指标和考核等级,例如,在本实施例中,可以将考核周期设置为一个月并将M设置为30。
当前工作指标可以是指待考核员工在当前考核周期中的各个目标时间点所记录的工作指标,当前考核等级可以是指待考核员工在当前考核周期中的各个目标时间点所记录的考核等级。工作指标可以是指工作量、工作时间、问卷评价等基本指标,考核等级可以是指员工的职级,例如,在本实施例中,将员工的职级划分为一至五级,数字越大表示职级越高。
当前考核等级对应标准工作指标可以是指当前考核等级的预设指标阈值,预设指标阈值用于表征当前考核等级的基本工作业绩要求。第一差值可以用于表征待考核员工的工作业绩水平,映射归一化可以通过归一化映射函数实现,评价指标可以用于表征待考核员工的工作业绩水平的评价值。
具体地,在确定待考核员工的当前考核周期时,将客户端接收到考核指令的时间点作为起始时间点,起始时间点所在的考核周期的前一周期即为当前考核周期,也即距离客户端接收到考核指令的时间点最近的完整考核周期。
需要说明的是,在本实施例中,默认在单个考核周期内,待考核员工的考核等级不会发生变化,若实施者在实施过程中,出现起始时间点所在的考核周期的前一周期待考核员工的考核等级发生变化的情况,可以确定起始时间点所在的考核周期的前第二个周期为当前工作周期。
归一化映射函数公式为:其中,f(x)为归一化映射值,x为输入量,在本步骤中,x表示第一差值,α为调整系数,用于调整归一化映射函数的梯度,α的建议取值范围为[0,1],实施者可以根据工作指标的值域相应调整α的值,以避免映射值变化不明显的情况,具体地,工作指标的值域越大,相应地α取值应当更小,工作指标的值域越小,相应地α取值应当更大,以凸显第一差值变化对映射值的影响,例如,在本实施例中,工作指标的值域为[0,100],则将α的值设置为0.1。
f(x)的值域为[0,1],当x取0时,f(x)的值为0.5,当x取负值时,f(x)的值小于0.5,当x取正值时,f(x)的值大于0.5,且x的绝对值越大,函数在x对应位置的梯度越小,x的绝对值越小,函数在x对应位置的梯度越大,从而起到重点关注x在0值附近的变化,也即重点关注当前工作指标与当前考核等级对应标准工作指标较为接近的情况,若当前工作指标远大于当前考核等级对应标准工作指标,说明此时待考核员工的工作业绩已超过基本工作业绩要求较多,均可以映射为较为接近1的值,若当前工作指标远小于当前考核等级对应标准工作指标,说明此时待考核员工的工作业绩距达到基本工作业绩要求较多,均可以映射为较为接近0的值。
上述获取待考核员工在当前考核周期中的当前工作指标和当前考核等级,并计算当前工作指标与当前考核等级对应标准工作指标的第一差值,使用映射归一化对第一差值进行处理,确定处理结果为评价指标步骤,根据待考核员工的当前工作指标和标准工作指标的差值,确定待考核员工的工作业绩评价,也即评价指标,从而有效表征待考核员工在当前考核等级的工作业绩表现。
步骤S202,获取待考核员工在N个历史考核周期中的历史工作指标,按照N个历史考核周期的时序将所有的历史工作指标拼接为历史指标向量。
其中,历史考核周期可以是指在当前考核周期之前的考核周期,历史指标向量可以是指所有历史工作指标拼接得到的向量,用于将历史工作指标进行信息整合,N为大于零的整数。
具体地,工作指标的表示形式为1*K向量形式,也即一行K列向量形式,向量中的每个元素代表一种基础指标,元素值代表对应基础指标的指标值,K值由基础指标数量确定,在本实施例中,K值为3,则第n个历史考核周期的历史工作指标可以表示为n为[1,N]范围内的整数,按照倒序顺序确定历史考核周期的n值,例如按照时序顺序,将当前考核周期的前一考核周期确定为第一个考核周期,对应n值为1,将第一个考核周期的前一考核周期确定为第二个考核周期,对应n值为2,直至得到第N个考核周期,在本实施例中,N取值为5,实施者可根据实际情况调整N的取值。
拼接可以采用联结方式,即将历史工作指标以行为基准进行拼接,则历史指标向量的表示形式为1*NK向量形式,对应于上述例子,历史指标向量中历史工作指标对应n值从左至右的顺序为从N到1。
上述获取待考核员工在N个历史考核周期中的历史工作指标,按照N个历史考核周期的时序将所有的历史工作指标拼接为历史指标向量步骤,架构历史工作指标进行拼接整合,从而便于后续采用时间卷积网络进行预测工作指标的预测。
步骤S203,将历史指标向量输入训练好的时间卷积网络,确定输出结果为预测工作指标,并计算当前工作指标与预测工作指标的第二差值,使用映射归一化对第二差值进行处理,确定处理结果为成长指标。
其中,时间卷积网络可以包括编码器和全连接层,编码器用于提取输入量的特征,全连接层用于将特征映射至输出空间。预测工作指标可以用于表征待考核员工在当前考核周期的期望指标,第二差值可以用于表征待考核员工是否符合自身的成长速度,成长指标可以用于表征待考核员工成长性的评价值。
具体地,时间卷积网络包括编码器和全连接层,时间卷积网络预设的滑动窗口尺寸应当与历史指标向量的尺寸一致,以避免出现输入信息丢失或遗漏的情况,确保特征提取的准确性,则滑动窗口尺寸也为1*NK。
编码器可以包括输入层和卷积层,输入层可以包括N个输入神经元,每个神经元对应于K个输入元素,从而确保每个神经元接收到同一历史工作指标的基础指标信息,避免信息混乱对后续特征提取造成影响,相应地,滑动窗口的移动步长设置为K,以保证在滑动窗口移动时,仍能够将同一历史工作指标的基础指标信息输入单个神经元中。卷积层接收N个输入神经元输出的特征,将N个输入神经元输出的特征进行联结,并采用卷积的方式再次进行特征提取,得到融合特征,并将融合特征传输给全连接层,全连接层输出预测工作指标,预测工作指标的表示形式为1*K的向量,向量中的元素对应于工作指标中的各个基础指标。
时间卷积网络在训练时,以样本员工在M个历史考核周期中的历史工作指标拼接成的历史指标向量作为训练样本,由多个训练样本构成训练数据集,M为大于N的整数。以均方误差损失函数作为时间卷积网络训练时的损失函数。
时间卷积网络的训练过程包括:设置滑动窗口的滑动方向为从左至右滑动,滑动窗口的初始位置为滑动窗口的最左侧位置与训练样本的最左侧位置对应,根据滑动窗口多次滑动可以从训练样本中截取多个训练子样本,从而在训练样本较少的情况下,也能够提供足够多的训练子样本,保证能够训练时间卷积网络进行较为准确的预测。
设所截取的训练子样本的最右侧元素为训练样本的第G个元素,将训练子样本输入编码器进行特征提取,并将所提取的特征输入全连接层,得到样本预设指标,以第G+1个元素、第G+2个元素、…第G+K个元素按照顺序拼接构成所截取的训练子样本对应的训练标签,根据训练标签和样本预设指标计算均方误差损失函数,并以均方误差损失函数为根据,采用梯度下降法反向更新编码器和全连接层的参数,直至均方误差损失函数收敛,得到训练好的时间卷积网络。
上述将历史指标向量输入训练好的时间卷积网络,确定输出结果为预测工作指标,并计算当前工作指标与预测工作指标的第二差值,使用映射归一化对第二差值进行处理,确定处理结果为成长指标步骤,根据待考核员工的历史工作指标预测预测工作指标,从而适应性地生成预期工作指标,提高了考核数据处理对不同员工的适应性,能够更为准确地表征待考核员工的成长性。
步骤S204,从训练好的权值优化模型中获取评价指标的权值和成长指标的权值,并对评价指标与成长指标进行加权求和,确定加权求和结果为待考核员工的考核数据处理结果。
其中,在本实施例中,权值优化模型可以是指多元线性回归模型,评价指标的权值可以用于表征评价指标对于考核数据处理结果的影响程度,成长指标的权值可以用于表征成长指标对于考核数据处理结果的影响程度,考核数据处理结果可以是指待考核员工的考核数据处理结果。
具体地,以上述训练子样本对应的样本评价指标和样本成长指标作为训练输入,样本评价指标可以表示为z1,样本成长指标可以表示为z2,以人为标注的考核数据处理结果作为标签值,标签值可以表示为y,则线性回归公式可以表示为y=b+w1z1+w2z2,b为偏置值,w1为样本评价指标的权值,w2为样本生长指标的权值,采用最小二乘法进行拟合,得到训练好的w1和w2,并将训练好的w1作为评价指标的权值,将训练好的w2作为成长指标的权值。
设评价指标表示为Z1,成长指标表示为Z2,则加权求和结果为Y=w1Z1+w2Z2+b,并以Y作为待考核员工的考核数据处理结果。
在一实施方式中,权值优化模型还可以是指神经网络模型、决策树模型、逻辑回归模型等。
可选的是,在从训练好的权值优化模型中获取评价指标的权值和成长指标的权值之后,还包括:
检测待考核员工是否处于最高考核等级,若待考核员工不处于最高考核等级,则获取待考核员工的下一考核等级;
根据下一考核等级,确定属于下一考核等级的至少一个晋升参考员工;
获取每个晋升参考员工在当前考核周期中的晋升参考工作指标,并确定所有晋升参考工作指标的均值为晋升参考值,晋升参考值用于表征待考核员工是否符合晋升考核条件。
其中,最高考核等级可以是指所有考核等级中最高的考核等级,例如在本实施例中,考核等级包括一至五个职级,且数字越大表示职级越大,则最高考核等级为第五考核等级,下一考核等级可以是指当前考核等级晋升后的考核等级,例如,在本实施例中,若当前考核等级为第二考核等级,则下一考核等级即为第三考核等级。
晋升参考员工可以是指下一考核等级中的员工,晋升参考工作指标可以是指晋升参考员工的工作指标,晋升参考值用于表征待考核员工是否符合晋升考核条件,当当前工作指标大于或者等于晋升参考值时,说明此时将待考核员工晋升至下一职级,待考核员工仍能胜任下一职级的工作,符合晋升考核条件。
具体地,在检测到待考核员工处于最高考核等级时,此时说明待考核员工已无需晋升,确定晋升参考值为1,以避免影响后续权值更新,在检测到待考核员工不处于最高考核等级时,此时说明待考核员工有晋升需求,晋升参考值可以用于表征待晋升至的考核等级中员工的平均业绩水平,从而为待考核用户提供晋升目标,并作用于后续权值调整。
本实施例中,通过下一考核等级中晋升参考员工的晋升参考工作指标均值表征下一考核等级中员工的平均业绩水平,在待考核员工当前工作指标相较于标准工作指标较高时,其对应评价指标趋向于1,此时难以对不同当前工作指标对应的加权评价指标进行有效区分,导致考核数据处理准确率下降,而通过晋升参考值对评价指标权值进行调整可以提高考核数据处理的准确率。
可选的是,在确定所有晋升参考工作指标的均值为晋升参考值之后,还包括:
检测待考核员工是否处于最低考核等级,若待考核员工不处于最低考核等级,则获取待考核员工的上一考核等级;
根据上一考核等级,确定属于上一考核等级的至少一个降职参考员工;
获取每个降职参考员工在当前考核周期中的降职参考工作指标,并确定所有降职参考工作指标的均值为降职参考值,降职参考值用于表征待考核员工是否符合降职考核条件。
其中,最低考核等级可以是指所有考核等级中最低的考核等级,例如在本实施例中,考核等级包括一至五个职级,且数字越大表示职级越大,则最低考核等级为第一考核等级,上一考核等级可以是指当前考核等级降职后的考核等级,例如,在本实施例中,若当前考核等级为第二考核等级,则下一考核等级即为第一考核等级。
降职参考员工可以是指上一考核等级中的员工,降职参考工作指标可以是指降职参考员工的工作指标,降职参考值用于表征待考核员工是否符合降职考核条件,当当前工作指标小于降职参考值时,说明此时将待考核员工降职至上一职级,待考核员工尚不能完全胜任上一职级的工作,其工作指标过低,符合降职考核条件。
具体地,在检测到待考核员工处于最低考核等级时,此时说明待考核员工已无法降职,因此确定降职参考值为1,以避免影响后续权值更新,在检测到待考核员工不处于最低考核等级时,此时说明待考核员工可以被降职,降职参考值可以用于表征待降职至的考核等级中员工的平均业绩水平,从而为待考核用户提供降职目标,并作用于后续权值调整。
本实施例中,通过上一考核等级中降职参考员工的降职参考工作指标均值表征上一考核等级中员工的平均业绩水平,在待考核员工当前工作指标相较于标准工作指标较低时,其对应评价指标趋向于0,此时难以对不同当前工作指标对应的加权评价指标进行有效区分,导致考核数据处理准确率下降,而通过降职参考值对评价指标权值进行调整可以提高考核数据处理的准确率。
可选的是,在确定所有降职参考工作指标的均值为降职参考值之后,还包括:
将当前工作指标与晋升参考值的差值通过放缩映射函数进行放缩,确定放缩结果为第一评价系数;
将当前工作指标与降职参考值的差值通过放缩映射函数进行放缩,确定放缩结果为第二评价系数;
将第一评价系数与评价指标的权值相乘,得到第一相乘结果,将第一相乘结果与第二评价系数相乘,得到第二相乘结果,以第二相乘结果更新评价指标的权值。
其中,放缩映射函数可以用于将差值映射为[0,2]范围内的映射值,第一评价系数可以用于表征晋升参考值对于评价指标权值的影响,第二评价系数可以用于表征降职参考值对于评价指标权值的影响,第一相乘结果可以是指基于晋升考核条件对评价指标的修正结果,第二相乘结果可以是指基于晋升考核条件和降职考核条件对评价指标的修正结果。
具体地,放缩映射函数公式为:其中,g(p)表示函数输入量p经放缩映射函数映射的结果,p可以为p1或者p2,p1表示第一评价函数,p2表示第二评价函数,β为p的调整系数,当p为p1时,β取β1,β1为当前工作指标与晋升参考值的差值的倒数,,当p为p2时,β取β2,β2为当前工作指标与降职参考值的差值的倒数。
本实施例根据晋升参考值和降职参考值与当前工作指标的差值,确定评价指标的修正系数,可以避免当前工作指标偏离标准工作指标时出现评价指标表征不准确的情况,从而提高了考核数据处理的准确率。
可选的是,在从训练好的权值优化模型中获取评价指标的权值和成长指标的权值之后,还包括:
计算当前考核等级对应标准工作指标的上四分位数;
确定上四分位数为目标指标,目标指标用于表征当前考核等级的工作指标瓶颈阈值。
其中,上四分位数可以用于表征当前考核等级中工作指标偏态数据的离散程度,目标指标可以用于表征当前考核等级的工作指标瓶颈阈值,工作指标瓶颈阈值可以是指当待考核员工在当前考核等级达到该阈值后,其工作指标已接近当前考核等级的工作指标的上限,难以出现大幅度的提升。
具体地,将所有当前考核等级中的工作指标从小到大排列,排在上四分之一位置上的数即为上四分位数,也称第三四分位数。
本实施例将当前考核等级工作指标的上四分位数作为目标指标,为后续生成成长系数提供了参考,能够有效克服出当前考核等级的工作指标局限性,提高后续考核数据处理的准确率。
可选的是,在确定上四分位数为目标值之后,还包括:
计算当前工作指标与目标指标的第三差值,使用预设的映射函数对第三差值进行归一化处理,确定处理结果为成长系数;
将成长系数与成长指标的权值相乘,以相乘结果更新成长指标的权值。
其中,映射函数可以是指将第三差值映射为[0,2]的映射函数,成长系数可以是指成长指标的调整系数。
具体地,映射函数为其中,c(o)为映射结果,o为第三差值,γ为第三差值的调整系数,在本实施例中,γ设置为0.1。当o值小于0时,即当前工作指标小于目标指标,说明此时待考核员工的工作指标尚未达到当前考核等级的瓶颈,其成长指标是足够客观的,因此成长系数大于1,通过成长系数提高成长指标的权值,当o大于0时,当前工作指标大于目标指标,说明此时待考核员工的工作指标已经达到当前考核等级的瓶颈,其成长指标参考性较小,当因此成长系数小于1,通过成长系数降低成长指标的权值。
本实施例中,通过成长系数调整成长指标的权值,可以避免当待考核员工的当前工作指标达到当前考核等级较高水平时,成长指标较低影响考核数据处理,从而提高了考核数据处理的准确率。
上述从训练好的权值优化模型中获取评价指标的权值和成长指标的权值,并对评价指标与成长指标进行加权求和,确定加权求和结果为待考核员工的考核数据处理结果步骤,根据成长指标和评价指标确定考核数据处理结果,从员工成长性和工作业绩进行考核,可以有效提高考核数据处理的准确率。
本实施例根据待考核员工的历史工作指标波动情况,预测员工的预测工作指标,根据当前工作指标与预测工作指标的差值作为成长评价值,提高了考核数据处理对不同员工的适应性,能够更为准确地表征待考核员工的成长性,且与标准工作指标均值比较,能够更为准确地表征待考核员工的业绩状态,提高了考核数据处理的泛化性,从而在无人工参与的情况下,提高了考核数据处理的准确率。
参见图3,是本发明实施例二提供的一种基于人工智能的考核数据处理方法的流程示意图,该考核数据处理方法中,当前考核等级对应标准工作指标可以通过预设指标阈值确定,也可以通过当前考核等级其他员工的工作指标计算得到。
通过预设指标阈值确定时,预设指标阈值由实施者设置,设置内容参见实施例一,在此不再赘述。
通过当前考核等级其他员工的工作指标计算得到时,计算过程包括:
步骤S301,确定属于当前考核等级的至少一个参考员工,获取每个参考员工在当前考核周期中的参考工作指标;
步骤S302,针对任一参考员工,获取参考员工在当前考核等级的任职时长,根据任职时长,确定对应参考工作指标的权值;
步骤S303,确定所有参考工作指标加权后的均值为当前考核等级对应标准工作指标。
其中,参考员工可以是指当前考核等级中除待考核员工外的其他员工,参考工作指标可以用于表征参考员工的工作业绩,任职时长可以用于表征参考员工在当前考核等级的工作资历,参考工作指标的权值用于表征参考工作指标对标准工作指标的影响程度。
具体地,设参考员工的数量为Q,则共获取到Q个参考工作指标,第q个参考员工在当前考核等级的任职时长可以表示为Tq,第q个参考工作指标的权值Rq计算公式为:即当第q个参考员工在当前考核等级的任职时长大于平均任职时长时,其对应参考工作指标的权值大于1,当第q个参考员工在当前考核等级的任职时长小于平均任职时长时,其对应参考工作指标的权值小于1。
将Q个参考工作指标分别与对应权值相乘后相加,再除以Q,即可得到所有参考工作指标加权后的均值。
本实施例中,通过参考员工进行标准工作指标的计算,可以更为准确地得到当前考核等级的平均业绩水平,同时,根据任职时长确定参考工作指标权重,避免当前考核等级中新晋员工较多影响标准工作指标的计算准确性。
对应于上文实施例的基于人工智能的考核数据处理方法,图4示出了本发明实施例三提供的基于人工智能的考核数据处理装置的结构框图,上述考核数据处理装置应用于客户端,客户端对应的计算机设备接收考核指令,考核指令用于指示客户端对待考核员工的考核数据进行处理,客户端部署有训练好的时间卷积网络和训练好的权值优化模型,训练好的时间卷积网络可以用于预测待考核员工的预测工作指标,训练好的权值优化模型可以用于为工作考核数据处理提供对应的权值,客户端与服务端连接,以从服务端获取待考核员工在各个考核周期中的工作指标和考核等级。为了便于说明,仅示出了与本发明实施例相关的部分。
参见图4,该考核数据处理装置包括:
工作评价模块41,用于获取待考核员工在当前考核周期中的当前工作指标和当前考核等级,并计算当前工作指标与当前考核等级对应标准工作指标的第一差值,使用映射归一化对第一差值进行处理,确定处理结果为评价指标;
指标拼接模块42,用于获取待考核员工在N个历史考核周期中的历史工作指标,按照N个历史考核周期的时序将所有的历史工作指标拼接为历史指标向量,N为大于零的整数;
成长评价模块43,用于将历史指标向量输入训练好的时间卷积网络,确定输出结果为预测工作指标,并计算当前工作指标与预测工作指标的第二差值,使用映射归一化对第二差值进行处理,确定处理结果为成长指标;
考核数据处理模块44,用于从训练好的权值优化模型中获取评价指标的权值和成长指标的权值,并对评价指标与成长指标进行加权求和,确定加权求和结果为待考核员工的考核数据处理结果。
可选的是,上述工作评价模块41包括:
参考员工确定单元,用于确定属于当前考核等级的至少一个参考员工,获取每个参考员工在当前考核周期中的参考工作指标;
时长获取单元,用于针对任一参考员工,获取参考员工在当前考核等级的任职时长,根据任职时长,确定对应参考工作指标的权值;
标准指标确定单元,用于确定参考工作指标加权后的均值为当前考核等级对应标准工作指标。
可选的是,上述考核数据处理装置还包括:
最高等级检测模块,用于检测待考核员工是否处于最高考核等级,若待考核员工不处于最高考核等级,则获取待考核员工的下一考核等级;
晋升参考模块,用于根据下一考核等级,确定属于下一考核等级的至少一个晋升参考员工;
晋升标准确定模块,用于获取每个晋升参考员工在当前考核周期中的晋升参考工作指标,并确定所有晋升参考工作指标的均值为晋升参考值,晋升参考值用于表征待考核员工是否符合晋升考核条件。
可选的是,上述考核数据处理装置还包括:
最低等级检测模块,用于检测待考核员工是否处于最低考核等级,若待考核员工不处于最低考核等级,则获取待考核员工的上一考核等级;
降职参考模块,用于根据上一考核等级,确定属于上一考核等级的至少一个降职参考员工;
降职标准确定模块,用于获取每个降职参考员工在当前考核周期中的降职参考工作指标,并确定所有降职参考工作指标的均值为降职参考值,降职参考值用于表征待考核员工是否符合降职考核条件。
可选的是,上述考核数据处理装置还包括:
第一系数确定模块,用于将当前工作指标与晋升参考值的差值通过放缩映射函数进行放缩,确定放缩结果为第一评价系数;
第二系数确定模块,用于将当前工作指标与降职参考值的差值通过放缩映射函数进行放缩,确定放缩结果为第二评价系数;
评价权值更新模块,用于将第一评价系数与评价指标的权值相乘,得到第一相乘结果,将第一相乘结果和第二评价系数相乘,得到第二相乘结果,以第二相乘结果更新评价指标的权值。
可选的是,上述考核数据处理装置还包括:
数值计算模块,用于计算当前考核等级对应标准工作指标的上四分位数;
目标指标确定模块,用于确定上四分位数为目标指标,目标指标用于表征当前考核等级的工作指标瓶颈阈值。
可选的是,上述考核数据处理装置还包括:
成长系数确定模块,用于计算当前工作指标与目标指标的第三差值,使用预设的映射函数对第三差值进行归一化处理,确定处理结果为成长系数;
成长权值更新模块,用于将成长系数与成长指标的权值相乘,以相乘结果更新成长指标的权值。
需要说明的是,上述模块、单元之间的信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
图5为本发明实施例四提供的一种计算机设备的结构示意图。如图5所示,该实施例的计算机设备包括:至少一个处理器(图5中仅示出一个)、存储器以及存储在存储器中并可在至少一个处理器上运行的计算机程序,处理器执行计算机程序时实现上述任意各个考核数据处理方法实施例中的步骤。
该计算机设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,图5仅仅是计算机设备的举例,并不构成对计算机设备的限定,计算机设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括网络接口、显示屏和输入装置等。
所称处理器可以是CPU,该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器包括可读存储介质、内存储器等,其中,内存储器可以是计算机设备的内存,内存储器为可读存储介质中的操作系统和计算机可读指令的运行提供环境。可读存储介质可以是计算机设备的硬盘,在另一些实施例中也可以是计算机设备的外部存储设备,例如,计算机设备上配备的插接式硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,存储器还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,该其他程序如计算机程序的程序代码等。存储器还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、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,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。上述装置中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。集成的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取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质至少可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
本发明实现上述实施例方法中的全部或部分流程,也可以通过一种计算机程序产品来完成,当计算机程序产品在计算机设备上运行时,使得计算机设备执行时实现可实现上述方法实施例中的步骤。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/计算机设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/计算机设备实施例仅仅是示意性的,例如,模块或单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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单元来实现本实施例方案的目的。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于人工智能的考核数据处理方法,其特征在于,所述方法包括:
获取待考核员工在当前考核周期中的当前工作指标和当前考核等级,并计算所述当前工作指标与所述当前考核等级对应标准工作指标的第一差值,使用映射归一化对所述第一差值进行处理,确定处理结果为评价指标;
获取待考核员工在N个历史考核周期中的历史工作指标,按照N个历史考核周期的时序将所有的历史工作指标拼接为历史指标向量,N为大于零的整数;
将所述历史指标向量输入训练好的时间卷积网络,确定输出结果为预测工作指标,并计算所述当前工作指标与所述预测工作指标的第二差值,使用所述映射归一化对所述第二差值进行处理,确定处理结果为成长指标;
从训练好的权值优化模型中获取所述评价指标的权值和所述成长指标的权值,并对所述评价指标与所述成长指标进行加权求和,确定加权求和结果为所述待考核员工的考核数据处理结果。
2.根据权利要求1所述的考核数据处理方法,其特征在于,所述当前考核等级对应标准工作指标的计算过程包括:
确定属于所述当前考核等级的至少一个参考员工,获取每个参考员工在当前考核周期中的参考工作指标;
针对任一参考员工,获取所述参考员工在所述当前考核等级的任职时长,根据所述任职时长,确定对应参考工作指标的权值;
确定所有参考工作指标加权后的均值为所述当前考核等级对应标准工作指标。
3.根据权利要求1所述的考核数据处理方法,其特征在于,在所述从训练好的权值优化模型中获取所述评价指标的权值和所述成长指标的权值之后,还包括:
检测所述待考核员工是否处于最高考核等级,若所述待考核员工不处于所述最高考核等级,则获取所述待考核员工的下一考核等级;
根据所述下一考核等级,确定属于所述下一考核等级的至少一个晋升参考员工;
获取每个晋升参考员工在所述当前考核周期中的晋升参考工作指标,并确定所有晋升参考工作指标的均值为晋升参考值,所述晋升参考值用于表征所述待考核员工是否符合晋升考核条件。
4.根据权利要求3所述的考核数据处理方法,其特征在于,在所述确定所有晋升参考工作指标的均值为晋升参考值之后,还包括:
检测所述待考核员工是否处于最低考核等级,若所述待考核员工不处于所述最低考核等级,则获取所述待考核员工的上一考核等级;
根据所述上一考核等级,确定属于所述上一考核等级的至少一个降职参考员工;
获取每个降职参考员工在所述当前考核周期中的降职参考工作指标,并确定所有降职参考工作指标的均值为降职参考值,所述降职参考值用于表征所述待考核员工是否符合降职考核条件。
5.根据权利要求4所述的考核数据处理方法,其特征在于,在所述确定所有降职参考工作指标的均值为降职参考值之后,还包括:
将所述当前工作指标与所述晋升参考值的差值通过放缩映射函数进行放缩,确定放缩结果为第一评价系数;
将所述当前工作指标与所述降职参考值的差值通过所述放缩映射函数进行放缩,确定放缩结果为第二评价系数;
将所述第一评价系数与所述评价指标的权值相乘,得到第一相乘结果,将所述第二评价系数与所述第一相乘结果的权值相乘,得到第二相乘结果,以所述第二相乘结果更新所述评价指标的权值。
6.根据权利要求1至5任一项所述的考核数据处理方法,其特征在于,在所述从训练好的权值优化模型中获取所述评价指标的权值和所述成长指标的权值之后,还包括:
计算所述当前考核等级对应标准工作指标的上四分位数;
确定所述上四分位数为目标指标,所述目标指标用于表征当前考核等级的工作指标瓶颈阈值。
7.根据权利要求6所述的考核数据处理方法,其特征在于,在所述确定所述上四分位数为目标值之后,还包括:
计算所述当前工作指标与所述目标指标的第三差值,使用预设的映射函数对所述第三差值进行归一化处理,确定处理结果为成长系数;
将所述成长系数与所述成长指标的权值相乘,以相乘结果更新所述成长指标的权值。
8.一种基于人工智能的考核数据处理装置,其特征在于,所述考核数据处理装置包括:
工作评价模块,用于获取待考核员工在当前考核周期中的当前工作指标和当前考核等级,并计算所述当前工作指标与所述当前考核等级对应标准工作指标的第一差值,使用映射归一化对所述第一差值进行处理,确定处理结果为评价指标;
指标拼接模块,用于获取待考核员工在N个历史考核周期中的历史工作指标,按照N个历史考核周期的时序将所有的历史工作指标拼接为历史指标向量,N为大于零的整数;
成长评价模块,用于将所述历史指标向量输入训练好的时间卷积网络,确定输出结果为预测工作指标,并计算所述当前工作指标与所述预测工作指标的第二差值,使用所述映射归一化对所述第二差值进行处理,确定处理结果为成长指标;
考核数据处理模块,用于从训练好的权值优化模型中获取所述评价指标的权值和所述成长指标的权值,并对所述评价指标与所述成长指标进行加权求和,确定加权求和结果为所述待考核员工的考核数据处理结果。
9.一种计算机设备,其特征在于,所述计算机设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的考核数据处理方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的考核数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210682187.2A CN114971375A (zh) | 2022-06-16 | 2022-06-16 | 基于人工智能的考核数据处理方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210682187.2A CN114971375A (zh) | 2022-06-16 | 2022-06-16 | 基于人工智能的考核数据处理方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114971375A true CN114971375A (zh) | 2022-08-30 |
Family
ID=82963890
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210682187.2A Pending CN114971375A (zh) | 2022-06-16 | 2022-06-16 | 基于人工智能的考核数据处理方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114971375A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116228037A (zh) * | 2023-03-21 | 2023-06-06 | 荣科科技股份有限公司 | 一种基于知识库的后勤管理方法及系统 |
-
2022
- 2022-06-16 CN CN202210682187.2A patent/CN114971375A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116228037A (zh) * | 2023-03-21 | 2023-06-06 | 荣科科技股份有限公司 | 一种基于知识库的后勤管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113259331B (zh) | 一种基于增量学习的未知异常流量在线检测方法及系统 | |
CN113033549B (zh) | 定位图获取模型的训练方法和装置 | |
CN111382248B (zh) | 一种问题回复方法、装置、存储介质及终端设备 | |
CN115082920B (zh) | 深度学习模型的训练方法、图像处理方法和装置 | |
US11416717B2 (en) | Classification model building apparatus and classification model building method thereof | |
CN113837308B (zh) | 基于知识蒸馏的模型训练方法、装置、电子设备 | |
CN112183326A (zh) | 人脸年龄识别模型训练方法及相关装置 | |
CN115063875A (zh) | 模型训练方法、图像处理方法、装置和电子设备 | |
CN113065525A (zh) | 年龄识别模型训练方法、人脸年龄识别方法及相关装置 | |
CN111178537A (zh) | 一种特征提取模型训练方法及设备 | |
CN114971375A (zh) | 基于人工智能的考核数据处理方法、装置、设备及介质 | |
CN115457982A (zh) | 情感预测模型的预训练优化方法、装置、设备及介质 | |
CN110232130B (zh) | 元数据管理谱系生成方法、装置、计算机设备和存储介质 | |
CN113537192B (zh) | 图像检测方法、装置、电子设备及存储介质 | |
CN116720079A (zh) | 基于多特征融合的风力发电机故障模式识别方法及系统 | |
CN113705092B (zh) | 基于机器学习的疾病预测方法及装置 | |
CN114818945A (zh) | 融入类别自适应度量学习的小样本图像分类方法及装置 | |
CN114330705A (zh) | 光伏发电量的预测方法、装置、电子设备和存储介质 | |
CN113869194A (zh) | 基于深度学习的变参数铣削加工过程信号标记方法及系统 | |
CN113935413A (zh) | 一种基于卷积神经网的配网录波文件波形识别方法 | |
CN116778300B (zh) | 一种基于知识蒸馏的小目标检测方法、系统和存储介质 | |
CN116186534B (zh) | 预训练模型的更新方法、装置及电子设备 | |
CN116385844B (zh) | 一种基于多教师模型的特征图蒸馏方法、系统和存储介质 | |
CN110728615B (zh) | 基于序贯假设检验的隐写分析方法、终端设备及存储介质 | |
CN112200028A (zh) | 人脸识别设备 |
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 |