CN115438886A - 家政从业人员服务评价和匹配方法及系统 - Google Patents

Abstract

本发明涉及数据处理技术领域，具体的说是一种提高服务评价准确度以及供求匹配准确度的家政从业人员服务评价和匹配方法及系统，其特征在于，设有包括，家政服务人员信息库:用于存放家政服务人员信息；雇主信息库:用于存放雇主信息；管理员信息库:用于存放管理员信息；用户登录及注册模块:用于实现普通用户的登录以及注册等功能，管理员登录模块：实现管理员的登录功能；添加家政服务人员信息模块：用于添加新家政人员的信息；编辑家政服务人员信息模块：用于编辑已有的家政人员的信息；查询家政服务人员信息模块：用于查询符合条件的家政人员的信息；智能匹配模块:用于根据自己的主观需求实现智能匹配并把结果推送给终端客户。

Description

家政从业人员服务评价和匹配方法及系统

技术领域：

本发明涉及数据处理技术领域，具体的说是一种提高服务评价准确度以及供求匹配准确度的家政从业人员服务评价和匹配方法及系统。

背景技术：

近年来，随着人口老龄化时代及“二胎”时代的来临，对于家政服务的需求会越来越多，随着家庭对家政服务需求量的激增，以及家政从业人员的数量及规模减少，顾客寻找到合适的家政服务人员显得越来越困难。随着互联网时代的到来,通过网络及信息技术手段实现对家政人员的评分及智能匹配技术将会越来越有市场。本发明提供多种家政人员评分及智能匹配的算法模型，通过在互联网及移动互联网系统建立家政服务人员的评分和智能匹配系统,并基于本发明的家政人员评分及智能匹配实现办法，根据雇主的主观需求形成对家政服务人员的评分及精确智能匹配。

随着时代的不断进步和发展，人们的生活质量不断提高，其中，近年来，家政服务业正逐渐火热起来。但是目前，现有的家政仍然主要是实体店形式的中介机构，但是这都需要人们到实体店的现场去查找这些服务，因此会受到地域、空间、时间的限制，比较耗费人的精力和时间，而且成交率比较低，随着互联网的快速发展，给基于互联网的家政系统的出现提供了条件，但是现有的家政系统不能根据用户的需要来精确解决人员的分配，满足不了人们的需求。实际生活中，不同的雇主选择家政人员的重点有一定的区别，有雇主比较在意家政人员的历史评价，如是否获得过表彰，有无被投诉；也有雇主更在意家政人员的业务能力；也不乏有些雇主对家政人员的文化程度以及年龄方面提出了更高要求。

一般家政服务机构中录入的家政人员信息包括有姓名，文化水平，年龄，性别，家庭住址，是否购买家政扶贫，是否购买其他商业保险，身份核查结果，入职日期等。但这些信息依旧不够完善，不能体现雇主所关心的家政人员的业务能力(服务能力)，信用水平，健康状况等方面。

发明内容：

本发明针对现有技术中存在的缺点和不足，提出了一种能够从多方面对家政服务质量进行准确评价，进而为供求匹配提供可靠依据的家政从业人员服务评价和匹配方法及系统。

本发明可以通过以下措施达到：

一种家政从业人员服务评价和匹配方法，通过对评价对象各指标进行评价排序后，其特征在于，建立AHP-TOPSIS模型，对评价对象按各指标进行评价并按评价结果排序，参照排序结果，对供需进行匹配；所述建立AHP-TOPSIS模型，对评价对象按各指标进行评价具体包括以下步骤：

步骤1：采集待评价个体的各指标原始数据后，按层次分析法确定各指标权重，建立待评价个体某一待评价条件的层次结构模型,层次结构模型包括目标层、准则层和方案层，准则层包括多个影响某一待评价条件的具体指标，方案层包括需要被打分的所有待评价个体，对准则层包括的多个影响某一待评价条件的指标的重要性进行两两比较，构造两两判断矩阵；

以a_ij表示选取的影响信用水平的第i个指标x_i与第j个指标x_j的重要性比值,a_ji表示选取的影响信用水平的第j个指标x_j与第i个指标x_i的重要性比值并且应满足a_ij＝1/a_ji,全部比较结果用矩阵A＝(a_ij)_n×n表示；A的最大特征值λmax对应的归一化特征向量S＝[s₁，s₂，…，s_j，…s_n]^T作为影响通信质量的多个决策指标的权重分配向量,其中,s_j表示第j个指标在此决策体系中所占权重值,n表示选取的策指标数量；

计算一致性指标CI,来衡量判断矩阵偏离完全一致性的程度；计算一致性比例CR＝CI/RI,其中,RI的取值范围在0至2之间,在此范围内人工选择对应n的RI值计算CR；

当CR＜0.10时,认为判断矩阵A的一致性是可以接受的,否则应对判断矩阵作适当修正调整,并且重新计算决策指标的权重分配向量；

步骤2：根据步骤1所确立的维度下的指标，对需要量化的指标进行量化，然后将逆向指标进行正向处理，对正向化处理后的数据采用均值化方法，去除指标数据量纲，其中逆向指标正向化:X′_ij＝max_1≤i≤n(x_ij)-x_ij，

指标数据标准化:

上式中，X′_ij为指标正向化值；x_ij为指标原始值；

为指标标准化值；M_j和m_j分别表示该指标原始数据的最大值与最小值。经过指标标准化后，构建决策矩阵B；

步骤3：根据各指标权重，建立规范加权决策矩阵公式

步骤4：确定正理想点与负理想点：

设

是第j个指标值的最大值,

是第j个指标值的最小值,j＝1，2，…，m，则正理想点

负理想解点

步骤5：计算被评价对象与正负理想点的欧式距离，设

是第i个评价对象与正理想点的欧式距离，

是第i个评价对象与负理想点的欧式距离，则公式:

步骤6：计算各评价对象与理想点的相对接近度c_i并按顺序排名公式

c_i值越大，表明第i个评价对象越接近正理想点，即第i个评价对象越优秀；

步骤7：依据所得的指标数据，利用AHP-TOPSIS模型求得其相对接近度，即综合得分，并按数值大小排序。

本发明所述对供需进行匹配包括通过线性回归法完成匹配或通过K-means聚类完成匹配。

本发明所述通过线性回归法完成匹配具体步骤为：

假定因变量Y与X＝(x₁，x₂，...，x_m)线性相关，n组数据满足:

即矩阵形式:

Y＝Cβ+ε

E(ε)＝0，D(ε)＝σ²I_n

其中C＝(1_n|X)，

确定Y与X的关系即确定向量β的值，其最小二乘估计为

且

为β的最小方差线性无偏估计，σ²的估计量为

利用AHP-TOPSIS法得到的各位家政人员在不同维度下的量化后的指标数据以及维度得分，分别采用线性回归拟合得到维度分数与该维度下指标之间的方程：根据雇主所选择的需求，依据雇主所选择的必须满足的需求信息进行人员初筛；用户在终端输入自己对各方面的需求时，通过拟合得到的线性方程对雇主所需求的这位“家政服务人员”进行三个维度的分数计算，即得到雇主要求家政人员的三个维度下分数(y₁，y₂，y₃)。

与数据库中家政人员对应三个维度的分值进行比较，考虑欧氏距离最小的以及余弦相似度越小即为最佳匹配人员；

欧氏距离是最常见的距离度量，衡量的是多维空间中各个点之间的绝对距离；公式如下：

向量空间余弦相似度：余弦相似度用向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小；相比距离度量,余弦相似度更加注重两个向量在方向上的差异,而非距离或长度上，公式如下:

本发明所述通过K-means聚类完成匹配具体为：

步骤a：初始化：令t＝0,随机选择k个样本点作为初始聚类中心：

步骤b：对样本进行聚类：对固定的类中心

其中

为类G_l的中心，计算每个样本到类中心的距离，将每个样本指派到与其最近的中心的类中,构成聚类结果C^(t)；

步骤c：计算新的类中心，对聚类结果C^(t),计算当前各个类中的样本的均值,作为新的类中心

如果迭代收敛或符合停止条件,输出C^*＝C^(t)，否则,令t＝t+1,返回步骤b。

在获得雇主的需求后：

1、通过拟合得到的线性方程对雇主所需求的这位“家政服务人员”进行三个维度的分数y_i计算，即得到雇主要求家政人员的三个维度下分数(y₁，y₂，y₃)。

2、寻找家政人员信息库中与上步得出的分数贴近度最高的家政人员，根据聚类结果C^(t)，得到该家政人员属于的类别信息(假设属于类G_l，1≤l≤k)。

3、在类G_l中，依据雇主所选择的必须满足的需求信息进行人员初筛。

4、初筛后在类G_l中，寻找家政人员信息库中与上步得出的分数贴近度最高的家政人员，匹配得到最合适的家政人员。

本发明通过上述方法，能够显著提高供需匹配效率和准确度。

本发明还提出了一种基于上述家政从业人员服务评价和匹配方法的系统，其特征在于，设有包括，

家政服务人员信息库:用于存放家政服务人员信息；

雇主信息库:用于存放雇主信息；

管理员信息库:用于存放管理员信息；

用户登录及注册模块:用于实现普通用户的登录以及注册等功能；

管理员登录模块：实现管理员的登录功能；

添加家政服务人员信息模块：用于添加新家政人员的信息；

编辑家政服务人员信息模块：用于编辑已有的家政人员的信息；

查询家政服务人员信息模块：用于查询符合条件的家政人员的信息；

智能匹配模块:用于根据自己的主观需求实现智能匹配并把结果推送给终端客户；

互联网访问端口：用于给管理员以及普通用户通过互联网访问本系统。

本发明中所述家政服务人员信息库、雇主信息库、管理员信息库,均为关系型数据库。

本发明中所述智能匹配模块，执行上述评价与匹配方法。

本发明中推荐匹配反馈结果通过可视化大屏系统返回给终端用户。

本发明所述系统在实际工作时，执行以下内容：数据库初始化，通过建立数据库实例化家政服务人员信息库、雇主信息库、管理员信息库,并初始化数据库中的数据；实例化互联网访问端口，使得用户可以访问家政服务系统；初始化用户登录及注册模块，实现用户登录及注册模块和数据库的数据互通，使得终端普通用户可以通过本模块注册以及登录进入到系统；初始化管理员登录模块，实现管理员登录模块和数据库的数据互通，使得终端管理员可以通过本模块登录进入到系统；初始化添加家政服务人员信息模块，实现添加家政服务人员信息模块和数据库的数据互通，使得终端用户可以通过本模块添加新家政人员的相关信息；初始化编辑家政服务人员信息模块，实现编辑家政服务人员信息模块和数据库的数据互通，使得终端用户可以通过本模块编辑已有的家政人员的相关信息；初始化查询家政服务人员信息模块，实现查询家政服务人员信息模块和数据库的数据互通，使得终端用户可以通过本模块根据一些自己的需求查询相关家政人员的信息；实例化智能匹配模块,实现智能匹配模块与数据库的数据互通；智能匹配模块根据雇主的要求与数据库中的家政人员进行匹配，将匹配到的家政人员以可视化大屏形式及时反馈给终端用户，雇主可以通过显示的相关信息与家政人员取得联系。

附图说明：

附图1是本发明中家政从业人员评价方法的流程图。

附图2是本发明中家政从业人员的匹配方法流程图。

具体实施方式：

下面结合附图和实施例，对本发明做进一步的说明。

实施例：

本例提出了一种家政从业人员服务评价和匹配方法及系统，本系统的使用流程为：分为管理员和普通用户两种，其中管理员可执行以下操作：

在登录界面，通过自己的管理员账号和密码登录到系统中。

选择自己所要进行的操作。管理员可以选择的操作有添加家政人员以及编辑家政人员。

添加家政人员：在终端填写要填写的新的相关的人员信息，提交后，相应的家政人员信息会存储在家政人员信息库中。

编辑家政人员：根据一定的搜索条件(员工编号，教育水平等)搜索得到符合条件的家政人员，选择相应的家政人员对信息进行修改或者删除，修改的数据提交后会同步对家政人员信息库里的相关信息进行修改，若进行删除操作，则会在家政人员信息库里删除对应的家政人员信息。

普通用户可执行以下操作：

在登陆界面，通过自己的用户账号和密码登录到系统中，若为初次使用的用户，可以使用注册功能，注册自己的账户用户名和密码并进行登录，相应的注册信息会保存到数据库中。

添加家政人员：若为家政人员，可在终端填写自己的相关人员信息，如个人姓名，联系方式，教育水平，实习经历等，提交后，相应的家政人员信息会存储在家政人员信息库中。

智能匹配模块：若用户为需要寻求家政人员的雇主，则在登录系统验证身份后可以通过智能匹配模块，在终端选择自己对不同方面的需求，并选择多种不同的算法，来匹配得到最适合自己的家政人员，匹配得到的家政人员信息与雇主信息将会通过可视化大屏显示在终端。雇主即可以通过大屏上显示的家政人员信息与家政人员取得联系，从而完成匹配推荐。

相关算法介绍：

本系统执行基于AHP-TOPSIS的家政人员的评价算法：

在对家政人员进行评分的过程中，我们在市场上对一些有家政需求的雇主进行了问卷调查，结果发现不同的雇主选择家政人员的重点有一定的区别，有雇主比较在意家政人员的历史评价，如是否获得过表彰，有无被投诉；也有雇主更在意家政人员的业务能力；也不乏有些雇主对家政人员的文化程度以及年龄方面提出了更高要求。结合调查情况综合考虑后，我们决定利用AHP-TOPSIS法从多个维度(基本信息，业务能力，信用水平)对家政人员进行打分。AHP即层次分析法，用于确定各指标的权重，TOPSIS也称为逼近理想解排序法，该方法通过测算各个评价对象与正负理想点的距离，并以此为标准进行评价排序。

1.1数据收集

在与一些家政服务机构取得联系后，我们获得了相关的家政人员信息，其中包括有姓名，文化水平，年龄，性别，家庭住址，是否购买家政扶贫，是否购买其他商业保险，身份核查结果，入职日期等。但这些信息依旧不够完善，不能体现雇主所关心的家政人员的业务能力(服务能力)，信用水平，健康状况等方面。为此，在了解雇主选择家政人员的主要依据后，我们对这些家政人员的业务能力(如母婴呵护能力，养老陪护能力，驾驶技能水平等)，信用水平(被投诉次数，是否获得过表彰)，健康状况(是否有健康证等)进行了数值模拟。综合从家政机构和数值模拟得到的两部分的数据，整理后添加到家政服务人员信息库中。

1.2层次分析法确定指标权重

在不同维度选择不同的指标，以信用水平维度为例，选取影响信用水平的指标如被投诉次数，是否进过黑名单，是否获得过奖惩作为该维度的评分依据。通过建立各家政人员信用水平维度及其决策指标的层次结构模型,将决策体系分为目标层、准则层和方案层。准则层包括多个影响信用水平的具体指标；方案层包括需要被打分的所有家政人员。对准则层包括的多个影响信用水平的指标的重要性进行两两比较，构造两两判断矩阵。

以a_ij表示选取的影响信用水平的第i个指标x_i与第j个指标x_j的重要性比值,a_ji表示选取的影响信用水平的第j个指标x_j与第i个指标x_i的重要性比值并且应满足a_ij＝1/a_ji,全部比较结果用矩阵A＝(a_ij)_n×n表示；A的最大特征值λmax对应的归一化特征向量S＝[s₁，s₂，…，s_j，…s_n]^T作为影响通信质量的多个决策指标的权重分配向量,其中,s_j表示第j个指标在此决策体系中所占权重值,n表示选取的策指标数量。

根据公式,计算一致性指标CI,来衡量判断矩阵偏离完全一致性的程度；计算一致性比例CR＝CI/RI,其中,RI的取值范围在0至2之间,在此范围内人工选择对应n的RI值计算CR；

当CR＜0.10时,认为判断矩阵A的一致性是可以接受的,否则应对判断矩阵作适当修正调整,并且重新计算决策指标的权重分配向量。

1.3数据处理

根据上一步所确立的维度下的指标，将如教育水平这些需要量化的指标进行量化，然后将逆向指标进行正向处理，然后采用均值化方法去除指标数据的量纲。公式如下:

逆向指标正向化:X′_ij＝max_1≤i≤n(x_ij)-x_ij

指标数据标准化:

上式中，X′_ij为指标正向化值；x_ij为指标原始值；

为指标标准化值；M_j和m_j分别表示该指标原始数据的最大值与最小值。经过指标标准化后，构建决策矩阵B。

1.4根据各指标权重，建立规范加权决策矩阵公式

1.5确定评价系统的正理想点与负理想点

设

是第j个指标值的最大值,

是第j个指标值的最小值,j＝1，2，…，m，则正理想点

负理想解点

1.6计算被评价对象与正负理想点的欧式距离

设

是第i个评价对象与正理想点的欧式距离，

是第i个评价对象与负理想点的欧式距离，则公式:

1.7计算各评价对象与理想点的相对接近度c_i并按顺序排名公式

c_i值越大，表明第i个评价对象越接近正理想点，即第i个评价对象越优秀。依据调查问卷所得的指标数据，利用AHP-TOPSIS模型求得其相对接近度，即综合得分，并按数值大小排序。

本例将AHP和T0PSIS的决策方法结合，不仅克服了AHP算法对各种决策指标的排序处理过于简单的缺点，同时解决了T0PSIS算法决策过程中需要指标权重确定的问题，使得结果更加客观与可靠。通过选择多种指标作为决策指标，并基于AHP算法赋予决策指标不同权重。在T0PSIS算法中结合该权重构造加权决策矩阵后确定理想解，通过衡量与理想解的相对接近度来给出不同家政人员在该维度下的得分。该方法在技术上可行，同时具有实际价值。

本例中智能匹配算法包括：

(1)线性回归法寻求最佳匹配人员

(2)k-means聚类

1、线性回归寻求最佳匹配人员

线性回归法：

假定因变量Y与X＝(x₁，x₂，...，x_m)线性相关，n组数据满足:

即矩阵形式:

Y＝Cβ+ε

E(ε)＝0，D(ε)＝σ²I_n

其中C＝(1_n|X)，

确定Y与X的关系即确定向量β的值，其最小二乘估计为

且

为β的最小方差线性无偏估计，σ²的估计量为

利用上步AHP-TOPSIS法得到的各位家政人员在不同维度下的量化后的指标数据以及维度得分，分别采用线性回归拟合得到维度分数与该维度下指标之间的方程。

1、根据雇主所选择的需求，依据雇主所选择的必须满足的需求信息进行人员初筛。

2、用户在终端输入自己对各方面的需求时，通过拟合得到的线性方程对雇主所需求的这位“家政服务人员”进行三个维度的分数计算，即得到雇主要求家政人员的三个维度下分数(y₁，y₂，y₃)。

3、与数据库中家政人员对应三个维度的分值进行比较，考虑欧氏距离最小的以及余弦相似度越小即为最佳匹配人员。

欧氏距离是最常见的距离度量，衡量的是多维空间中各个点之间的绝对距离。公式如下：

向量空间余弦相似度：余弦相似度用向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小。相比距离度量,余弦相似度更加注重两个向量在方向上的差异,而非距离或长度上。公式如下:

与现有技术相比，本算法的有益效果是：在满足必要要求时，基于分值找到与雇主最贴近的家政人员，综合筛选，既避免了家政人员不符合雇主需求的情况，又做到了挑选最合适，避免不必要的成本。

2、k-means聚类

k均值聚类算法将所有家政人员的不同维度下的得分作为数据集输入，输出家政人员的聚类情况

(1)初始化。令t＝0,随机选择k个样本点作为初始聚类中心：

(2)对样本进行聚类。对固定的类中心

其中

为类G_l的中心，计算每个样本到类中心的距离，将每个样本指派到与其最近的中心的类中,构成聚类结果C^(t)。

(3)计算新的类中心。对聚类结果C^(t),计算当前各个类中的样本的均值,作为新的类中心

(4)如果迭代收敛或符合停止条件,输出C^*＝C^(t)。否则,令t＝t+1,返回步(2)。

在获得雇主的需求后：

1、通过拟合得到的线性方程对雇主所需求的这位“家政服务人员”进行三个维度的分数y_i计算，即得到雇主要求家政人员的三个维度下分数(y₁，y₂，y₃)。

2、寻找家政人员信息库中与上步得出的分数贴近度最高的家政人员，根据聚类结果C^(t)，得到该家政人员属于的类别信息(假设属于类G_l，1≤l≤k)。

3、在类G_l中，依据雇主所选择的必须满足的需求信息进行人员初筛。

4、初筛后在类G_l中，寻找家政人员信息库中与上步得出的分数贴近度最高的家政人员，匹配得到最合适的家政人员。

与现有技术相比,本发明的有益效果是:该方法提出使用k-means聚类算法对大量数据进行分类,使得类内的数据尽可能相似,不同类的数据不相似,在类间平均性、类内相似性、类间相异性这几项指标的约束下,寻找最佳匹配人员,该方法简单易行,达到了对大量的家政人员进行相似性划分的目的，从而简化匹配成本。

综上，在本发明中，各种算法的应用与实现是不同于其他发明的重点与亮点。

Claims (8)

1.一种家政从业人员服务评价和匹配方法，通过对评价对象各指标进行评价排序后，其特征在于，建立AHP-TOPSIS模型，对评价对象按各指标进行评价并按评价结果排序，参照排序结果，对供需进行匹配；所述建立AHP-TOPSIS模型，对评价对象按各指标进行评价具体包括以下步骤：

步骤1：采集待评价个体的各指标原始数据后，按层次分析法确定各指标权重，建立待评价个体某一待评价条件的层次结构模型，层次结构模型包括目标层、准则层和方案层，准则层包括多个影响某一待评价条件的具体指标，方案层包括需要被打分的所有待评价个体，对准则层包括的多个影响某一待评价条件的指标的重要性进行两两比较，构造两两判断矩阵；

以a_ij表示选取的影响信用水平的第i个指标x_i与第j个指标x_j的重要性比值，a_ji表示选取的影响信用水平的第j个指标x_j与第i个指标x_i的重要性比值并且应满足a_ij＝1/a_ji，全部比较结果用矩阵A＝(a_ij)_n×n表示；A的最大特征值λmax对应的归一化特征向量S＝[s₁，s₂，…，s_j，…s_n]^T作为影响通信质量的多个决策指标的权重分配向量，其中，s_j表示第j个指标在此决策体系中所占权重值，n表示选取的策指标数量；

计算一致性指标CI，来衡量判断矩阵偏离完全一致性的程度；计算一致性比例CR＝CI/RI，其中，RI的取值范围在0至2之间，在此范围内人工选择对应n的RI值计算CR；

当CR＜0.10时，认为判断矩阵A的一致性是可以接受的，否则应对判断矩阵作适当修正调整，并且重新计算决策指标的权重分配向量；

步骤2：根据步骤1所确立的维度下的指标，对需要量化的指标进行量化，然后将逆向指标进行正向处理，对正向化处理后的数据采用均值化方法，去除指标数据量纲，其中逆向指标正向化：X′_ij＝max_1≤i≤n(x_ij)-x_ij，

指标数据标准化：

上式中，X′_ij为指标正向化值；x_ij为指标原始值；

为指标标准化值；M_j和m_j分别表示该指标原始数据的最大值与最小值。经过指标标准化后，构建决策矩阵B；

步骤3：根据各指标权重，建立规范加权决策矩阵公式

步骤4：确定正理想点与负理想点：

设

是第j个指标值的最大值，

是第j个指标值的最小值，j＝1，2，…，m，则正理想点

负理想解点

步骤5：计算被评价对象与正负理想点的欧式距离，设

是第i个评价对象与正理想点的欧式距离，

是第i个评价对象与负理想点的欧式距离，则公式：

步骤6：计算各评价对象与理想点的相对接近度c_i并按顺序排名公式

c_i值越大，表明第i个评价对象越接近正理想点，即第i个评价对象越优秀；

步骤7：依据所得的指标数据，利用AHP-TOPSIS模型求得其相对接近度，即综合得分，并按数值大小排序。

2.根据权利要求1所述的一种家政从业人员服务评价和匹配方法，其特征在于，所述对供需进行匹配包括通过线性回归法完成匹配或通过K-means聚类完成匹配。

3.根据权利要求2所述的一种家政从业人员服务评价和匹配方法，其特征在于，所述通过线性回归法完成匹配具体步骤为：

假定因变量Y与X＝(x₁，x₂，...，x_m)线性相关，n组数据满足：

即矩阵形式：

Y＝Cβ+ε

E(ε)＝0，D(ε)＝σ²I_n

其中

确定Y与X的关系即确定向量β的值，其最小二乘估计为

且

为β的最小方差线性无偏估计，σ²的估计量为

利用AHP-TOPSIS法得到的各位家政人员在不同维度下的量化后的指标数据以及维度得分，分别采用线性回归拟合得到维度分数与该维度下指标之间的方程：根据雇主所选择的需求，依据雇主所选择的必须满足的需求信息进行人员初筛；用户在终端输入自己对各方面的需求时，通过拟合得到的线性方程对雇主所需求的这位“家政服务人员”进行三个维度的分数计算，即得到雇主要求家政人员的三个维度下分数(y₁，y₂，y₃)。

与数据库中家政人员对应三个维度的分值进行比较，考虑欧氏距离最小的以及余弦相似度越小即为最佳匹配人员；

欧氏距离是最常见的距离度量，衡量的是多维空间中各个点之间的绝对距离；公式如下：

向量空间余弦相似度：余弦相似度用向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小；相比距离度量，余弦相似度更加注重两个向量在方向上的差异，而非距离或长度上，公式如下：

4.根据权利要求2所述的一种家政从业人员服务评价和匹配方法，其特征在于，所述通过K-means聚类完成匹配具体为：

步骤a：初始化：令t＝0，随机选择k个样本点作为初始聚类中心：

步骤b：对样本进行聚类：对固定的类中心

其中

为类G_l的中心，计算每个样本到类中心的距离，将每个样本指派到与其最近的中心的类中，构成聚类结果C^(t)；

步骤c：计算新的类中心，对聚类结果C^(t)，计算当前各个类中的样本的均值，作为新的类中心

如果迭代收敛或符合停止条件，输出C^*＝C^(t)，否则，令t＝t+1，返回步骤b。

5.一种基于如权利要求1-4中任意一项所述家政从业人员服务评价和匹配方法的系统，其特征在于，设有包括，

家政服务人员信息库：用于存放家政服务人员信息；

雇主信息库：用于存放雇主信息；

管理员信息库：用于存放管理员信息；

用户登录及注册模块：用于实现普通用户的登录以及注册等功能；

管理员登录模块：实现管理员的登录功能；

添加家政服务人员信息模块：用于添加新家政人员的信息；

编辑家政服务人员信息模块：用于编辑已有的家政人员的信息；

查询家政服务人员信息模块：用于查询符合条件的家政人员的信息；

智能匹配模块：用于根据自己的主观需求实现智能匹配并把结果推送给终端客户；

互联网访问端口：用于给管理员以及普通用户通过互联网访问本系统。

6.根据权利要求5所述的一种家政从业人员服务评价和匹配系统其特征在于，所述家政服务人员信息库、雇主信息库、管理员信息库，均为关系型数据库。

7.根据权利要求5所述的一种家政从业人员服务评价和匹配系统其特征在于，所述智能匹配模块，执行上述评价与匹配方法。

8.根据权利要求5所述的一种家政从业人员服务评价和匹配系统其特征在于，推荐匹配反馈结果通过可视化大屏系统返回给终端用户。

Images