CN115081856A - 一种企业知识管理绩效评价装置及方法 - Google Patents
一种企业知识管理绩效评价装置及方法 Download PDFInfo
- Publication number
- CN115081856A CN115081856A CN202210675601.7A CN202210675601A CN115081856A CN 115081856 A CN115081856 A CN 115081856A CN 202210675601 A CN202210675601 A CN 202210675601A CN 115081856 A CN115081856 A CN 115081856A
- Authority
- CN
- China
- Prior art keywords
- knowledge management
- weight
- module
- evaluation
- enterprise
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 174
- 238000000034 method Methods 0.000 title abstract description 66
- 239000011159 matrix material Substances 0.000 claims abstract description 91
- 238000013528 artificial neural network Methods 0.000 claims description 29
- 238000012163 sequencing technique Methods 0.000 claims description 27
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 230000002068 genetic effect Effects 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 239000002131 composite material Substances 0.000 claims description 3
- 238000009826 distribution Methods 0.000 abstract description 4
- 238000007726 management method Methods 0.000 description 213
- 239000010410 layer Substances 0.000 description 69
- 230000008569 process Effects 0.000 description 15
- 230000006870 function Effects 0.000 description 12
- 238000010606 normalization Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 6
- 238000011161 development Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000000306 recurrent effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000012795 verification 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种企业知识管理绩效评价装置及方法，通过情况参数获取模块：用于获取目标企业的知识管理情况参数；判断矩阵建立模块：用于依据所述知识管理评价要素建立相对应每个层级的判断矩阵；排序总权重生成装置：用于依据所述知识管理情况参数和所述判断矩阵生成每个知识管理评价要素相对应的排序总权重；客观权重生成模块：用于依据所述知识管理评价要素之间的关系生成每个知识管理评价要素相对应的客观权重；知识管理绩效分数生成模块：用于依据所述排序总权重和所述客观权重生成目标企业的知识管理绩效分数。通过使用本申请中提出的装置可以适应复杂情况下的指标权重分配。本申请不需要花费较多人工成本，减少不必要的开支。
Description
技术领域
本发明涉及企业绩效领域，具体涉及一种企业知识管理绩效评价装置及方法。
背景技术
当今社会正处于蓬勃发展的大数据时代，企业的发展离不开合理高效的企业管理，对企业的管理又凸显在人力资源和知识资本等方面。其中绩效评价结果和企业对该结果做出的响应与反馈可以对企业知识管理的效率和结果产生影响。知识经济时代，经济增长的源泉和企业间竞争重心，已经从物质资本转移到知识资本方面。知识蕴含于人力资本与科技中，是企业在激烈的市场竞争中获胜的重要资本。从社会资源稀缺性的角度来看，项目管理必定存在资源配置效率的问题。对绩效进行科学定义只是绩效管理的第一步，建立有效的绩效管理模型你实现绩效的科学管理才是主要目的。因而当代企业与部分管理机构对于项目管理有了更多的需求。绩效评价作为管理的重要手段，近些年逐步在项目管理中得到重视和应用。在知识管理体系下，企业可以及时的对在其发展过程中遇到的问题做出响应，及时调整企业战略、资源倾斜，实现以更少的资源来创造更多的企业价值。本发明提出了一种基于数据分析技术的企业绩效评价系统。
国内企业的绩效评价指标体系虽然逐步科学化和规范化，但理论界对公共项目绩效评价的研究还处于起步阶段，理论指导缺乏系统性还有许多问题有待于深入研究。
但现有的企业知识管理绩效使用传统的人工打分评价方式，花费较多人工成本，增加了许多不必要的开支，企业知识管理效率低下。
发明内容
鉴于所述问题，提出了本申请以便提供克服所述问题或者至少部分地解决所述问题的一种企业知识管理绩效评价装置及方法，包括：
一种企业知识管理绩效评价装置，所述装置用于对目标企业的知识管理进行绩效评价，所述装置包括情况参数获取模块、判断矩阵建立模块、排序总权重生成装置、客观权重生成模块、知识管理绩效分数生成模块；包括：
情况参数获取模块：用于获取目标企业的知识管理情况参数；其中，所述知识管理情况参数包括层级参数、每个层级内的知识管理评价要素以及第一层中的知识管理评价要素排序；
判断矩阵建立模块：用于依据所述知识管理评价要素建立相对应每个层级的判断矩阵；其中，所述判断矩阵建立模块内设有用于生成判断矩阵的参数；
排序总权重生成装置：用于依据所述知识管理情况参数和所述判断矩阵生成每个知识管理评价要素相对应的排序总权重；
客观权重生成模块：用于依据所述知识管理评价要素之间的关系生成每个知识管理评价要素相对应的客观权重；
知识管理绩效分数生成模块：用于依据所述排序总权重和所述客观权重生成目标企业的知识管理绩效分数。
优选地，所述排序总权重生成装置包括层次单排序权重模块、排序总权重模块：
层次单排序权重模块：用于依据所述知识管理情况参数和所述判断矩阵生成每个知识管理评价要素相对应的层次单排序权重；
排序总权重模块：用于依据所述层次单排序权重和所述知识管理情况参数生成每个知识管理评价要素相对应的排序总权重。
优选地，所述层次单排序权重模块包括层次单排序权重建立子模块：
层次单排序权重建立子模块：用于依据所述层级参数、所述判断矩阵、每个层级内的知识管理评价要素建立每层知识管理评价要素相对上一层的层次单排序权重。
优选地，所述排序总权重模块包括排序总权重建立子模块：
排序总权重建立子模块：用于所述依据所述层次单排序权重和所述第一层中的知识管理评价要素排序建立每个知识管理评价要素相对第一层中的知识管理评价要素中排序第一的知识管理评价要素的排序总权重。
优选地，所述客观权重生成模块包括标准化矩阵子模块、关系系数子模块、客观权重子模块：
标准化矩阵子模块：用于将所述知识管理评价要素进行标准化处理生成相对应的标准化矩阵；
关系系数子模块：用于依据所述标准化矩阵生成相对应的标准差和相对应的关系系数；
客观权重子模块：用于依据所述标准差和所述关系系数生成每个知识管理评价要素相对应的客观权重。
优选地，所述知识管理绩效分数生成模块包括综合权重子模块、知识管理绩效分数子模块：
综合权重子模块：用于依据所述排序总权重和所述客观权重生成综合权重；
知识管理绩效分数子模块：用于依据所述综合权重输入遗传算法和广义回归神经网络结合的神经网络生成目标企业的知识管理绩效分数。
优选地，所述知识管理绩效分数子模块中的遗传算法和广义回归神经网络结合的神经网络包括依次设置的输入层、模式层、求和层和输出层。
为实现本申请还包括一种企业知识管理绩效评价方法，所述方法用于对目标企业的知识管理进行绩效评价，包括：
获取目标企业的知识管理情况参数；其中，所述知识管理情况参数包括层级参数、每个层级内的知识管理评价要素以及第一层中的知识管理评价要素排序；
依据所述知识管理评价要素建立相对应每个层级的判断矩阵；
依据所述知识管理情况参数和所述判断矩阵生成每个知识管理评价要素相对应的排序总权重；
依据所述知识管理评价要素之间的关系生成每个知识管理评价要素相对应的客观权重；
依据所述排序总权重和所述客观权重生成目标企业的知识管理绩效分数。
为实现本申请还包括一种电子设备，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现所述的企业知识管理绩效评价方法的步骤。
为实现本申请一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现所述的企业知识管理绩效评价方法的步骤。
本申请具有以下优点：
在本申请的实施例中，通过所述装置用于对目标企业的知识管理进行绩效评价，所述装置包括情况参数获取模块、判断矩阵建立模块、排序总权重生成装置、客观权重生成模块、知识管理绩效分数生成模块；包括：情况参数获取模块：用于获取目标企业的知识管理情况参数；其中，所述知识管理情况参数包括层级参数、每个层级内的知识管理评价要素以及第一层中的知识管理评价要素排序；判断矩阵建立模块：用于依据所述知识管理评价要素建立相对应每个层级的判断矩阵；其中，所述判断矩阵建立模块内设有用于生成判断矩阵的参数；排序总权重生成装置：用于依据所述知识管理情况参数和所述判断矩阵生成每个知识管理评价要素相对应的排序总权重；客观权重生成模块：用于依据所述知识管理评价要素之间的关系生成每个知识管理评价要素相对应的客观权重；知识管理绩效分数生成模块：用于依据所述排序总权重和所述客观权重生成目标企业的知识管理绩效分数。通过使用本申请中提出的装置能实现在拥有多个指标影响下的知识管理绩效评价，可以适应复杂情况下的指标权重分配。相比于使用传统的人工打分评价方式，本申请不需要花费较多人工成本，减少了许多不必要的开支。使用本申请能够更加简单、快速的检测企业的知识管理状况，有助于及时发现在发展过程中遇到的问题并尽快做出响应，从而让企业知识管理更有效率。
附图说明
为了更清楚地说明本申请的技术方案，下面将对本申请的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是本申请一实施例提供的一种企业知识管理绩效评价装置的结构框图；
图2是本申请一实施例提供的一种企业知识管理绩效评价装置的构造判断矩阵结构图；
图3是本申请一实施例提供的一种企业知识管理绩效评价装置的GRNN结构示意图；
图4是本申请一实施例提供的一种企业知识管理绩效评价方法的步骤流程图；
图5是本申请一实施例提供的一种企业知识管理绩效评价方法的步骤流程图；
图6是本发明一实施例提供的一种计算机设备的结构示意图。
具体实施方式
为使本申请的所述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
在本申请的实施例中，通过所述装置用于对目标企业的知识管理进行绩效评价，所述装置包括情况参数获取模块、判断矩阵建立模块、排序总权重生成装置、客观权重生成模块、知识管理绩效分数生成模块；包括：情况参数获取模块：用于获取目标企业的知识管理情况参数；其中，所述知识管理情况参数包括层级参数、每个层级内的知识管理评价要素以及第一层中的知识管理评价要素排序；判断矩阵建立模块：用于依据所述知识管理评价要素建立相对应每个层级的判断矩阵；其中，所述判断矩阵建立模块内设有用于生成判断矩阵的参数；排序总权重生成装置：用于依据所述知识管理情况参数和所述判断矩阵生成每个知识管理评价要素相对应的排序总权重；客观权重生成模块：用于依据所述知识管理评价要素之间的关系生成每个知识管理评价要素相对应的客观权重；知识管理绩效分数生成模块：用于依据所述排序总权重和所述客观权重生成目标企业的知识管理绩效分数。通过使用本申请中提出的装置能实现在拥有多个指标影响下的知识管理绩效评价，可以适应复杂情况下的指标权重分配。相比于使用传统的人工打分评价方式，本申请不需要花费较多人工成本，减少了许多不必要的开支。使用本申请能够更加简单、快速的检测企业的知识管理状况，有助于及时发现在发展过程中遇到的问题并尽快做出响应，从而让企业知识管理更有效率。
参照图1，示出了本申请一实施例提供的一种企业知识管理绩效评价装置，具体包括如下模块，
情况参数获取模块110：用于获取目标企业的知识管理情况参数；其中，所述知识管理情况参数包括层级参数、每个层级内的知识管理评价要素以及第一层中的知识管理评价要素排序；
判断矩阵建立模块120：用于依据所述知识管理评价要素建立相对应每个层级的判断矩阵；其中，所述判断矩阵建立模块内设有用于生成判断矩阵的参数；
排序总权重生成装置130：用于依据所述知识管理情况参数和所述判断矩阵生成每个知识管理评价要素相对应的排序总权重；
客观权重生成模块140：用于依据所述知识管理评价要素之间的关系生成每个知识管理评价要素相对应的客观权重；
知识管理绩效分数生成模块150：用于依据所述排序总权重和所述客观权重生成目标企业的知识管理绩效分数。
在本发明一实施例中，可以结合下列描述进一步说明模块S110所述“情况参数获取模块：用于获取目标企业的知识管理情况参数；其中，所述知识管理情况参数包括层级参数、每个层级内的知识管理评价要素以及第一层中的知识管理评价要素排序；”的具体内容。
在一具体实施例中，所述每个层级内的知识管理评价要素；具体地，结合实际情况构建知识管理评价要素，根据实际情况，需要对企业知识管理的评价要素进行综合考量。对于企业知识管理绩效的评价，它是一个较为复杂的问题，整个评价指标的合理与否将对评价结果产生较大的影响，因而在面对此类情况时，需要进行指标分层，全面、科学的设计评价指标，以获得较为准确、客观的结果。本发明中可以从知识链过程、人力资本、技术资本、组织结文化建设市场资本等几个方面出发生成两级指标作为输入。
作为一种示例，层级参数为将知识管理分为多少个层级，以及层级之间的排序。
在一具体实施例涨，将决策的目标、考虑的因素(决策准则)和决策对象按其之间的关系分为最高层、中间层和最低层。
最高层：决策的目的、要解决的问题；
中间层：考虑的因素、决策的准则；
最底层：各个可能的选择。
在一具体实施例中，模块S110采用AHP(Analytic Hierarchy Process，层次分析法)方法，的主要思想是通过将复杂问题分解为若干层次和若干因素,对两两指标之间的重要程度作出比较判断,建立判断矩阵,通过计算判断矩阵的最大特征值以及对应特征向量，就可得出不同方案重要性程度的权重,为最佳方案的选择提供依据。
在本发明一实施例中，可以结合下列描述进一步说明模块S120所述“判断矩阵建立模块：用于依据所述知识管理评价要素建立相对应每个层级的判断矩阵；其中，所述判断矩阵建立模块内设有用于生成判断矩阵的参数；”的具体内容。
在一具体实施例中，将模块S110中得到的目标企业的知识管理情况参数作为输入，该步骤的输出以矩阵的形式来表述每一层中的所有要素对上一层某一具体要素的相对重要程度；元素两两比较,对比时采用相对尺度，以尽可能减少性质不同因素相互比较的困难，从而提高准确度。具体如图2所示。
在本发明一实施例中，可以结合下列描述进一步说明模块S130所述“排序总权重生成装置：用于依据所述知识管理情况参数和所述判断矩阵生成每个知识管理评价要素相对应的排序总权重；”的具体内容。
如下列步骤所述，所述排序总权重生成装置包括层次单排序权重模块、排序总权重模块：
在本申请一实施例中，层次单排序权重模块：用于依据所述知识管理情况参数和所述判断矩阵生成每个知识管理评价要素相对应的层次单排序权重。
在本申请一实施例中，所述层次单排序权重模块包括层次单排序权重建立子模块。具体地，层次单排序权重建立子模块：用于依据所述层级参数、所述判断矩阵、每个层级内的知识管理评价要素建立每层知识管理评价要素相对上一层的层次单排序权重。
在一具体实施例中，按照AHP方法的要求，需要先进行层次单排序，每一组元素相对于上层中某个元素的权重值为层次单排序值。对上述中得到的矩阵A的各列向量进行归一化后将后将每个行向量求和，并进行归一化处理得列向量WI,W1，W2，…，Wn即为层次单排序后要素的权重。
在本申请一实施例中，排序总权重模块：用于依据所述层次单排序权重和所述知识管理情况参数生成每个知识管理评价要素相对应的排序总权重。
在本申请一实施例中，所述排序总权重模块包括排序总权重建立子模块。具体地，排序总权重建立子模块：用于所述依据所述层次单排序权重和所述第一层中的知识管理评价要素排序建立每个知识管理评价要素相对第一层中的知识管理评价要素中排序第一的知识管理评价要素的排序总权重。
在一具体实施例中，根据AHP方法要求，在已知单层因素的排序后，需要层次用总排确定某层所有因素对于总目标相对重要性，最终得到使用AHP方法获得的权重。所有元素相对于最上层的相对权重为层次总排序。
第K层元素相对于总目标的排序为，pk为第K层元素相对于第k-1层元素的排序，wk为k-1层元素对总目标的权重。
在本发明一实施例中，可以结合下列描述进一步说明模块S140所述“客观权重生成模块：用于依据所述知识管理评价要素之间的关系生成每个知识管理评价要素相对应的客观权重；”的具体内容。
在本申请一实施例中，所述客观权重生成模块包括标准化矩阵子模块、关系系数子模块、客观权重子模块。
在本申请一实施例中，标准化矩阵子模块：用于将所述知识管理评价要素进行标准化处理生成相对应的标准化矩阵。
在一具体实施例中，标准化矩阵子模块采用CRITIC，根据CRITIC方法要求，需要对指标进行标准化处理，于是由指标矩阵S(维数为m×n，m为样本数，n为指标数)得到标准化矩阵S′。其中，所述标准化矩阵子模块包括效益型指标的标准化处理式，所述效益型指标的标准化处理式为：
需要说明的是，CRITIC权重法是一种客观赋权法。其思想在于用于两项指标，分别是对比强度和冲突性指标。对比强度使用标准差进行表示，如果数据标准差越大说明波动越大，权重会越高；冲突性使用相关系数进行表示，如果指标之间的相关系数值越大，说明冲突性越小，那么其权重也就越低。
在本申请一实施例中，关系系数子模块：用于依据所述标准化矩阵生成相对应的标准差和相对应的关系系数。
在一具体实施例中，CRITIC法以标准差和相关系数反映各指标间的差异性与冲突性。标准化矩阵S′的各指标的标准差和指标间的相关系数计算式分别为
式中：ξj为第j个指标的标准差；rij为为第i个指标与第j个指标间的
相关系数；s′i、s′j分别为标准化矩阵S′的第i、j列。
在本申请一实施例中，客观权重子模块：用于依据所述标准差和所述关系系数生成每个知识管理评价要素相对应的客观权重。
在一具体实施例中，第j个指标所包含的信息量Ej的计算式为
Ej越大，表示该指标所蕴含的信息量越大，则该指标在评价体系中所占的权重也就越大。将第j个指标的信息量占总信息量的比重作为该指标的客观权重σj，其计算式
在本发明一实施例中，可以结合下列描述进一步说明模块S150所述“知识管理绩效分数生成模块：用于依据所述排序总权重和所述客观权重生成目标企业的知识管理绩效分数”的具体内容。
在本申请一实施例中，所述知识管理绩效分数生成模块包括综合权重子模块、知识管理绩效分数子模块；综合权重子模块：用于依据所述排序总权重和所述客观权重生成综合权重；
在一具体实施例中，综合权重公式如下：
在本申请一实施例中，知识管理绩效分数子模块：用于依据所述综合权重输入遗传算法和广义回归神经网络结合的神经网络生成目标企业的知识管理绩效分数。其中，所述知识管理绩效分数子模块包括遗传算法和广义回归神经网络结合的神经网络。所述知识管理绩效分数子模块中的遗传算法和广义回归神经网络结合的神经网络包括依次设置的输入层、模式层、求和层和输出层，如图3所示。
在一具体实施例中，广义回归神经网络是建立在数理统计基础上的径向基函数网络，其理论基础是非线性回归分析。GRNN(广义回归神经网络)具有很强的非线性映射能力和学习速度，比RBF具有更强的优势，网络最后收敛于样本量集聚较多的优化回归，样本数据少时，预测效果很好，网络还可以处理不稳定数据。一般可以通过径向基神经元和线性神经元可以建立广义回归神经网络。
GRNN在结构上由四层构成，分别为输入层、模式层、求和层和输出层。
输入层：输入测试样本，节点个数等于样本的特征维度。
模式层：计算测试样本与训练样本中的每一个样本的Gauss函数的取值，节点个数等于训练样本的个数。第i个测试样本trxi与第j个训练样本trxj之间的Gauss函数取值(对于测试样本xi,从第j个模式层节点输出的数值)为：
其中δ是模型的超参数
求和层：节点个数等于输出样本维度加1(k+1)，求和层的输出分为两部分，第一个节点输出为模式层输出的算术和，其余k个节点的输出为模式层输出的加权和。
假设对于测试样本tex，模式层的输出为{g1,g2,…,gm}
求和层第一个节点的输出为：
其余k个节点的输出为：
其中加权系数yij为第j个模式层节点对应的训练样本的标签的第j个元素。
输出层：输出层节点个数等于标签向量的维度，每个节点的输出等于对应的求和层输出与求和层第一个节点输出相除。
GRNN广义回归神经网络以非参数核回归为基础，以样本数据作为后验概率验证条件并进行非参数估计，最后从训练样本中计算GRNN网络中因变量和自变量之间的关联密度函数，从而计算得到因变量相对自变量的回归值。GRNN广义回归神经网络最大的优势在于其方便的网络参数设置功能，整个神经网络只需要通过设置GRNN核函数中的光滑因子就可以调整GRNN网络的性能。
假设GRNN神经网络中的两个随机变量x和y，其联合概率密度函数为f(x,y)，且x的观测样本为X，即条件均值为：
对于未知的概率密度函数f(X,y)，则可根据x和y的观测样本通过非参数估计得：
其中变量Xi和Yi表示随机变量x和y的观测值；变量表示光滑因子；变量n表示样本数目；变量p表示随机变量x的维数。
根据公式16和公式17可以得到
从公式18可以看出GRNN神经网络的输出数据和训练样本的误差主要有平滑因子决定的，因此，GRNN神经网络具有非常简便的性能控制方式，只需通过调整平滑因子就可获得较好的性能。
作为一种示例，在本发明中对原有的经典GRNN进行了一定程度的改进，改进内容如下：为了解决提高GRNN的性能，本发明使用遗传算法和GRNN广义回归神经网络结合起来,构建出GA-GRNN方法,利用遗传算法的全局寻优和广义回归神经网络结构简单的特点,自动搜索和匹配最优光滑因子参数,实现数据精准分类.通过与实际分类情况比较,表明GA-GRNN法在实现高精度预测的同时,能够有效避免训练数据预测精度的降低。遗传算法根据所选择的适应度函数计算各个个体的适应度值、通过遗传中的选择、交叉、变异等操作筛选个体，淘汰适应度低的个体，保留适应度高的个体，从而产生新一代群体。反复循环，直至满足条件。因而采用，遗传算法搜索哎最优光滑因子谢谢建立GA-GRNN模型，具体步骤如下：①对样本数据进行归一化预处理；②确定遗传算法参数；③遗传算法初始化，生成种群规模为NIND的GRNN光滑因子触式种群P(g),进化代数g＝0；安④GNRR读入学习样本进行网络训练，按给定的适应度函数进行适应度评价；⑤遗传算法按照每个个体的适应度大小进行选择、交叉和变异操作，得到新的种群P(g+1)，进化代数g＝g+1；⑥判断是否达到最大进化代数，若已达到，则停止计算，返回适应度最高的个体；否则转至步骤四，直到达到最大进化代数嗯；⑦输出适应度最高的个体对应的实值数，为最优的光滑因子；⑧用最优的光滑因子建立GRNN模型,对测试样本进行预测，得到预测结果；⑨对预测数据进行反归一化，评估GRNN网络性能，存储数据。
在一具体实施例中，使用本申请中提出的系统能实现在拥有多个指标影响下的知识管理绩效评价，可以适应复杂情况下的指标权重分配，可以应用于不同领域的企业；相比于使用传统的人工打分评价方式，本申请不需要花费较多人工成本，且减少了部分主观因素的影响，仅将适应当前评估项目所需的指标输入即可得出评价结果，减少了许多不必要的开支。本申请中使用了AHP方法与CRITIC方法进行综合赋权，提高了最终评价结果的准确度。使用本申请能够更加简单、快速的检测企业的知识管理状况，有助于及时发现在发展过程中遇到的问题并尽快做出响应，从而让企业知识管理更有效率本申请使用了GRNN网络，并使用了遗传算法进行优化，提升了评价的准确度。
参照图5，示出了本申请一实施例提供的一种企业知识管理绩效评价方法的步骤流程图，具体包括如下步骤：
S110、获取目标企业的知识管理情况参数；其中，所述知识管理情况参数包括层级参数、每个层级内的知识管理评价要素以及第一层中的知识管理评价要素排序；
S120、依据所述知识管理评价要素建立相对应每个层级的判断矩阵；
S130、依据所述知识管理情况参数和所述判断矩阵生成每个知识管理评价要素相对应的排序总权重；
S140、依据所述知识管理评价要素之间的关系生成每个知识管理评价要素相对应的客观权重；
S150、依据所述排序总权重和所述客观权重生成目标企业的知识管理绩效分数。
下面，将对本示例性实施例中的企业知识管理绩效评价方法作进一步地说明。
如上述步骤S130所述，依据所述知识管理情况参数和所述判断矩阵生成每个知识管理评价要素相对应的排序总权重。
在本发明一实施例中，可以结合下列描述进一步说明步骤S130所述“依据所述知识管理情况参数和所述判断矩阵生成每个知识管理评价要素相对应的排序总权重；”的具体过程。
如下列步骤所述，依据所述知识管理情况参数和所述判断矩阵生成每个知识管理评价要素相对应的层次单排序权重；依据所述层次单排序权重和所述知识管理情况参数生成每个知识管理评价要素相对应的排序总权重。
在本发明一实施例中，可以结合下列描述进一步说明步骤所述“依据所述知识管理情况参数和所述判断矩阵生成每个知识管理评价要素相对应的层次单排序权重”的具体过程。
如下列步骤所述，依据所述层级参数、所述判断矩阵、每个层级内的知识管理评价要素建立每层知识管理评价要素相对上一层的层次单排序权重。
在本发明一实施例中，可以结合下列描述进一步说明步骤所述“依据所述层次单排序权重和所述知识管理情况参数生成每个知识管理评价要素相对应的排序总权重”的具体过程。
如下列步骤所述，所述依据所述层次单排序权重和所述第一层中的知识管理评价要素排序建立每个知识管理评价要素相对第一层中的知识管理评价要素中排序第一的知识管理评价要素的排序总权重。
如上述步骤S140所述，依据所述知识管理评价要素之间的关系生成每个知识管理评价要素相对应的客观权重。
在本发明一实施例中，可以结合下列描述进一步说明步骤S140所述“依据所述知识管理评价要素之间的关系生成每个知识管理评价要素相对应的客观权重”的具体过程。
如下列步骤所述，将所述知识管理评价要素进行标准化处理生成相对应的标准化矩阵；依据所述标准化矩阵生成相对应的标准差和相对应的关系系数；依据所述标准差和所述关系系数生成每个知识管理评价要素相对应的客观权重。
如上述步骤S150所述，依据所述排序总权重和所述客观权重生成目标企业的知识管理绩效分数。
在本发明一实施例中，可以结合下列描述进一步说明步骤S150所述“依据所述排序总权重和所述客观权重生成目标企业的知识管理绩效分数”的具体过程。
如下列步骤所述，依据所述排序总权重和所述客观权重生成综合权重；依据所述综合权重输入遗传算法和广义回归神经网络结合的神经网络生成目标企业的知识管理绩效分数。
在本申请一实施例中，所述知识管理绩效分数子模块中的遗传算法和广义回归神经网络结合的神经网络包括依次设置的输入层、模式层、求和层和输出层。
在一具体实施例中，如图4所示，本实施方案分为三个部分，步骤1为前期准备工作部分，对评价指标进行选取。
步骤2～5为使用AHP方法确定指标权重，AHP层次分析法是一种将定性与定量分析方法相结合的多目标决策分析方法。步骤6～8为使用CRITIC方法确定指标权重，步骤9为获取综合权重，步骤10～11为获得最终评价结果。
步骤1：结合实际情况构建知识管理评价要素。根据实际情况，需要对企业知识管理的评价要素进行综合考量。(AHP方法)
步骤2：建立层次结构模型,将决策的目标、考虑的因素(决策准则)和决策对象按其之间的关系分为最高层、中间层和最低层。(AHP方法)
步骤3：构造判断矩阵。以矩阵的形式来表述每一层中的所有要素对上一层某一具体要素的相对重要程度；(AHP方法)
步骤4：层次单排序。通过该步骤得到各项权重(AHP方法)
步骤5：进行层次总排序与校验得到权重结果(AHP方法)
步骤6：指标标准化(CRITIC方法)
步骤7:标准矩阵标准差、相关系数确定(CRITIC方法)
步骤8：计算客观权重(CRITIC方法)
步骤9:进行组合赋权得到最终的综合赋权。
步骤10:将步骤10中得到的数据作为输入，输入到GRNN网络中。
步骤11:得到最终评价结果。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
在本具体实施例与上述具体实施例中有重复的操作步骤，本具体实施例仅做简单描述，其余方案参考上述具体实施例描述即可。
对于方法实施例而言，由于其与装置实施例基本相似，所以描述的比较简单，相关之处参见装置实施例的部分说明即可。
参照图6，示出了本申请的一种企业知识管理绩效评价方法的计算机设备，具体可以包括如下：
上述计算机设备12以通用计算设备的形式表现，计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，内存28，连接不同系统组件(包括内存28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、音视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
内存28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器30和/或高速缓存存储器32。计算机设备12可以进一步包括其他移动/不可移动的、易失性/非易失性计算机体统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(通常称为“硬盘驱动器”)。尽管图6中未示出，可以提供用于对可移动非易失性磁盘(如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其他光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质界面与总线18相连。存储器可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块42，这些程序模块42被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器中，这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其他程序模块42以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本申请所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24、摄像头等)通信，还可与一个或者多个使得操作人员能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其他计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过I/O接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN))，广域网(WAN)和/或公共网络(例如因特网)通信。如图6所示，网络适配器20通过总线18与计算机设备12的其他模块通信。应当明白，尽管图6中未示出，可以结合计算机设备12使用其他硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元16、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统34等。
处理单元16通过运行存储在内存28中的程序，从而执行各种功能应用以及数据处理，例如实现本申请实施例所提供的一种企业知识管理绩效评价方法。
也即，上述处理单元16执行上述程序时实现：获取目标企业的知识管理情况参数；其中，所述知识管理情况参数包括层级参数、每个层级内的知识管理评价要素以及第一层中的知识管理评价要素排序；依据所述知识管理评价要素建立相对应每个层级的判断矩阵；依据所述知识管理情况参数和所述判断矩阵生成每个知识管理评价要素相对应的排序总权重；依据所述知识管理评价要素之间的关系生成每个知识管理评价要素相对应的客观权重；依据所述排序总权重和所述客观权重生成目标企业的知识管理绩效分数。
在本申请实施例中，本申请还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请所有实施例提供的一种企业知识管理绩效评价方法。
也即，给程序被处理器执行时实现：获取目标企业的知识管理情况参数；其中，所述知识管理情况参数包括层级参数、每个层级内的知识管理评价要素以及第一层中的知识管理评价要素排序；依据所述知识管理评价要素建立相对应每个层级的判断矩阵；依据所述知识管理情况参数和所述判断矩阵生成每个知识管理评价要素相对应的排序总权重；依据所述知识管理评价要素之间的关系生成每个知识管理评价要素相对应的客观权重；依据所述排序总权重和所述客观权重生成目标企业的知识管理绩效分数。
可以采用一个或多个计算机可读的介质的任意组合。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。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(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦可编程只读存储器(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。在本文件中，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。
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。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言——诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在操作人员计算机上执行、部分地在操作人员计算机上执行、作为一个独立的软件包执行、部分在操作人员计算机上部分在远程计算机上执行或者完全在远程计算机或者服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到操作人员计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
尽管已描述了本申请实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种企业知识管理绩效评价装置及方法，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种企业知识管理绩效评价装置，所述装置用于对目标企业的知识管理进行绩效评价，所述装置包括情况参数获取模块、判断矩阵建立模块、排序总权重生成装置、客观权重生成模块、知识管理绩效分数生成模块；其特征在于，包括：
情况参数获取模块：用于获取目标企业的知识管理情况参数；其中，所述知识管理情况参数包括层级参数、每个层级内的知识管理评价要素以及第一层中的知识管理评价要素排序；
判断矩阵建立模块：用于依据所述知识管理评价要素建立相对应每个层级的判断矩阵；其中，所述判断矩阵建立模块内设有用于生成判断矩阵的参数；
排序总权重生成装置：用于依据所述知识管理情况参数和所述判断矩阵生成每个知识管理评价要素相对应的排序总权重；
客观权重生成模块：用于依据所述知识管理评价要素之间的关系生成每个知识管理评价要素相对应的客观权重；
知识管理绩效分数生成模块：用于依据所述排序总权重和所述客观权重生成目标企业的知识管理绩效分数。
2.根据权利要求1所述的企业知识管理绩效评价装置，其特征在于，所述排序总权重生成装置包括层次单排序权重模块、排序总权重模块；
层次单排序权重模块：用于依据所述知识管理情况参数和所述判断矩阵生成每个知识管理评价要素相对应的层次单排序权重；
排序总权重模块：用于依据所述层次单排序权重和所述知识管理情况参数生成每个知识管理评价要素相对应的排序总权重。
3.根据权利要求2所述的企业知识管理绩效评价装置，其特征在于，所述层次单排序权重模块包括层次单排序权重建立子模块；
层次单排序权重建立子模块：用于依据所述层级参数、所述判断矩阵、每个层级内的知识管理评价要素建立每层知识管理评价要素相对上一层的层次单排序权重。
4.根据权利要求2所述的企业知识管理绩效评价装置，其特征在于，所述排序总权重模块包括排序总权重建立子模块；
排序总权重建立子模块：用于所述依据所述层次单排序权重和所述第一层中的知识管理评价要素排序建立每个知识管理评价要素相对第一层中的知识管理评价要素中排序第一的知识管理评价要素的排序总权重。
5.根据权利要求1所述的企业知识管理绩效评价装置，其特征在于，所述客观权重生成模块包括标准化矩阵子模块、关系系数子模块、客观权重子模块；
标准化矩阵子模块：用于将所述知识管理评价要素进行标准化处理生成相对应的标准化矩阵；
关系系数子模块：用于依据所述标准化矩阵生成相对应的标准差和相对应的关系系数；
客观权重子模块：用于依据所述标准差和所述关系系数生成每个知识管理评价要素相对应的客观权重。
6.根据权利要求1所述的企业知识管理绩效评价装置，其特征在于，所述知识管理绩效分数生成模块包括综合权重子模块、知识管理绩效分数子模块；
综合权重子模块：用于依据所述排序总权重和所述客观权重生成综合权重；
知识管理绩效分数子模块：用于依据所述综合权重输入遗传算法和广义回归神经网络结合的神经网络生成目标企业的知识管理绩效分数。
7.根据权利要求6所述的企业知识管理绩效评价装置，其特征在于，所述知识管理绩效分数子模块中的遗传算法和广义回归神经网络结合的神经网络包括依次设置的输入层、模式层、求和层和输出层。
8.一种企业知识管理绩效评价方法，所述方法用于对目标企业的知识管理进行绩效评价，其特征在于，包括：
获取目标企业的知识管理情况参数；其中，所述知识管理情况参数包括层级参数、每个层级内的知识管理评价要素以及第一层中的知识管理评价要素排序；
依据所述知识管理评价要素建立相对应每个层级的判断矩阵；
依据所述知识管理情况参数和所述判断矩阵生成每个知识管理评价要素相对应的排序总权重；
依据所述知识管理评价要素之间的关系生成每个知识管理评价要素相对应的客观权重；
依据所述排序总权重和所述客观权重生成目标企业的知识管理绩效分数。
9.一种电子设备，其特征在于，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求8中所述的企业知识管理绩效评价方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求8中所述的企业知识管理绩效评价方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210675601.7A CN115081856A (zh) | 2022-06-15 | 2022-06-15 | 一种企业知识管理绩效评价装置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210675601.7A CN115081856A (zh) | 2022-06-15 | 2022-06-15 | 一种企业知识管理绩效评价装置及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115081856A true CN115081856A (zh) | 2022-09-20 |
Family
ID=83251217
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210675601.7A Pending CN115081856A (zh) | 2022-06-15 | 2022-06-15 | 一种企业知识管理绩效评价装置及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115081856A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117474397A (zh) * | 2023-11-03 | 2024-01-30 | 中移数智科技有限公司 | 数字化企业推荐方法、装置、电子设备和存储介质 |
-
2022
- 2022-06-15 CN CN202210675601.7A patent/CN115081856A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117474397A (zh) * | 2023-11-03 | 2024-01-30 | 中移数智科技有限公司 | 数字化企业推荐方法、装置、电子设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rao et al. | Multi-attribute group decision making method with dual comprehensive clouds under information environment of dual uncertain Z-numbers | |
| CN108985335B (zh) | 核反应堆包壳材料辐照肿胀的集成学习预测方法 | |
| CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
| US20170330078A1 (en) | Method and system for automated model building | |
| CN109118013A (zh) | 一种基于神经网络的经营数据预测方法、可读存储介质和预测系统 | |
| Virág et al. | Is there a trade-off between the predictive power and the interpretability of bankruptcy models? The case of the first Hungarian bankruptcy prediction model | |
| CN106650920A (zh) | 一种基于优化极限学习机的预测模型 | |
| US11366806B2 (en) | Automated feature generation for machine learning application | |
| Karim et al. | Random satisfiability: A higher-order logical approach in discrete Hopfield Neural Network | |
| CN113255900A (zh) | 一种考虑改进谱聚类与Bi-LSTM神经网络的冲击性负荷预测方法 | |
| CN110222824B (zh) | 智能算法模型自主生成及进化方法、系统、装置 | |
| Martinez-de-Pison et al. | Searching parsimonious solutions with GA-PARSIMONY and XGBoost in high-dimensional databases | |
| CN115081856A (zh) | 一种企业知识管理绩效评价装置及方法 | |
| 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 | |
| Jodlbauer et al. | Analytical comparison of cross impact steady state, DEMATEL, and page rank for analyzing complex systems | |
| Jat et al. | Applications of statistical techniques and artificial neural networks: A review | |
| Soliman et al. | A hybrid analytical hierarchical process and deep neural networks approach for classifying breast cancer | |
| Dharwadkar et al. | Customer retention and credit risk analysis using ANN, SVM and DNN | |
| CN116011071A (zh) | 基于主动学习的空中造楼机结构可靠性分析方法及系统 | |
| CN111026661B (zh) | 一种软件易用性全面测试方法及系统 | |
| CN114612914A (zh) | 一种多标签不平衡数据分类的机器学习方法及系统 | |
| Amzile et al. | Towards a digital enterprise: the impact of Artificial Intelligence on the hiring process | |
| CN111179070A (zh) | 一种基于lstm的借贷风险时效性预测系统及方法 | |
| CN111160715A (zh) | 基于bp神经网络新旧动能转换绩效评价方法和装置 | |
| Phoksawat et al. | Forecasting smoked rubber sheets price based on a deep learning model with long short-term memory. |
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 |
Application publication date: 20220920 |
|
| RJ01 | Rejection of invention patent application after publication |