CN116523483A - 人才培养教学方法、装置、设备及存储介质 - Google Patents
人才培养教学方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116523483A CN116523483A CN202310500564.0A CN202310500564A CN116523483A CN 116523483 A CN116523483 A CN 116523483A CN 202310500564 A CN202310500564 A CN 202310500564A CN 116523483 A CN116523483 A CN 116523483A
- Authority
- CN
- China
- Prior art keywords
- talent
- training
- assessment
- industry
- service engine
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012549 training Methods 0.000 claims abstract description 271
- 230000007246 mechanism Effects 0.000 claims abstract description 61
- 238000011161 development Methods 0.000 claims description 105
- 230000007115 recruitment Effects 0.000 claims description 55
- 238000012545 processing Methods 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 8
- 230000002776 aggregation Effects 0.000 claims description 5
- 238000004220 aggregation Methods 0.000 claims description 5
- 238000007726 management method Methods 0.000 description 37
- 230000008569 process Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000003058 natural language processing Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000012136 culture method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
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
- G06Q10/10—Office automation; Time management
- G06Q10/105—Human resources
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种人才培养教学方法,包括基于特定行业,利用Python网络爬虫获取该特定行业的服务引擎数据集;根据服务引擎数据集构建管理培训模型;基于内部约束条件生成人才培养规则;采用Vue、Express和Mysql构建并输出人才培训考核机制;设置人才培训考核机制的考核阈值,由此调整培训难度。基于特定行业采用网络爬虫进行数据信息的抓取构建管理培训模型,在内部设定的约束条件下输出人才培养规则以及人才培训考核机制,在互联网信息的基准下设定考核阈值并且调整培训难度,由此构成基础且完整的教学方案,可以指导物流人员体系分批次地进行人才培养,更好的区分、匹配不同能力的受训人员,便于量化执行的培训教学方式具有较高的可操作性和可执行性。
Description
技术领域
本发明涉及互联网建模数据处理技术领域,特别涉及一种人才培养教学方法、装置、设备及存储介质。
背景技术
随着公司的日益发展,公司对人才的需求量也随之增加。现有的人才培养体系内,针对实习生的培养方法主要是让实习生在实际项目中接触实际的工作,使其获得一定的工作能力。显然常规的培训方式无法使参与培训的人员与培训内容之间形成良好的匹配,匹配程度较低,并不能为业务更加深入的物流系统培养出综合能力更全面的人才。
现有的物流人才体系复杂而且实习生人数众多,如果对所有实习生都进行业务培训,工作量过于巨大,且另外一个难点在于,实习生缺少开发项目经验,并对后台管理系统的基本操作没有清晰的认识,物流行业目前缺少一套基础且完整的教学方案予以指导,在物流人员体系的分批次、能力区分匹配以及够量化执行的人员选择与培养上没有切实可行的方法。可见,现有技术还有待改进和提高。
发明内容
鉴于上述现有技术的不足之处,本发明的目的在于提供一种人才培养教学方法、装置、设备及存储介质,基于培训目标的特定行业采用网络爬虫进行数据信息的抓取,以此构建管理培训模型,在内部设定的约束条件下输出人才培养规则以及人才培训考核机制,在互联网信息的基准下设定考核阈值并且调整培训难度,由此构成基础且完整的教学方案,可以指导物流人员体系分批次地进行人才培养,更好的区分、匹配不同能力的受训人员,便于量化执行的培训教学方式具有较高的可操作性和可执行性,满足基数庞大且构成复杂的受训人员接受体系培训的要求。
本发明的第一方面提供了一种人才培养教学方法,包括如下步骤:基于培训目标所属的特定行业,利用Python网络爬虫获取该特定行业的现阶段结构发展情况、产业发展趋势以及人才招聘需求,对所述现阶段结构发展情况、产业发展趋势以及人才招聘需求进行数据处理形成服务引擎数据集;根据服务引擎数据集构建管理培训模型;提取预设于服务数据库中的内部约束条件,载入至管理培训模型,输出人才培养规则;根据人才培养规则,采用Vue、Express和Mysql构建并输出人才培训考核机制;根据服务引擎数据集,设置人才培训考核机制的考核阈值;依据人才培训考核机制设定的考核阈值,调整培训难度。
可选的,在本发明第一方面的第二种实现方式中,所述基于培训目标所属的特定行业,利用Python网络爬虫获取该特定行业的现阶段结构发展情况、产业发展趋势以及人才招聘需求,形成服务引擎数据集,包括:根据培训目标的行业属性确定培训目标所属的特定行业;采用Python网络爬虫通过搜索引擎自动抓取互联网信息,从互联网信息中获取该特定行业的现阶段结构发展情况、产业发展趋势以及人才招聘需求;识别特定行业的现阶段结构发展情况、产业发展趋势以及人才招聘需求的数据类型依据不同的数据类型,进行类别归集形成所述服务引擎数据库。
可选的,在本发明第一方面的第三种实现方式中,所述根据服务引擎数据集构建管理培训模型,包括:解析服务引擎数据集,得到参考企业群组数据;从参考企业群组数据中筛选得到多个目标企业,分别归集各个目标企业现阶段的结构发展情况、产业发展趋势以及人才招聘需求;基于目标企业的现阶段结构发展情况、产业发展趋势以及人才招聘需求构建管理培训模型。
可选的,在本发明第一方面的第四种实现方式中,所述提取预设于服务数据库中的内部约束条件,载入至管理培训模型,输出人才培养规则,包括:根据受训企业的内部人才需求预先设定约束条件;获取预先设定的约束条件并载入至管理培训模型中,得到人才培养方案;根据所述约束条件自动刻画企业画像,通过企业画像对人才培养方案进行匹配筛选,输出人才培养规则。
可选的,在本发明第一方面的第五种实现方式中,所述根据人才培养规则,采用Vue、Express和Mysql构建并输出人才培训考核机制,包括:进行Mysql连接,完成连接后新建子数据库;依据子数据库于页面前端搭建Vue项目,页面后端使用Express框架创建项目;联调页面前端与页面后端,构建并输出人才培训考核机制。
可选的,在本发明第一方面的第六种实现方式中,所述根据服务引擎数据集,设置人才培训考核机制的考核阈值,包括:解析服务引擎数据集,分析所述人才招聘需求得到现有市场人才需求量;根据现有市场人才需求量和受训企业的内部约束条件确定考核参考通过率;根据考核参考通过率设置人才培训考核机制的考核阈值。
可选的,在本发明第一方面的第七种实现方式中,所述依据人才培训考核机制设定的考核阈值,调整培训难度,包括:获取学员的考核成绩,计算得到考核实际通过率;
判断考核实际通过率是否大于设定的考核阈值;若是,则针对所有学员提高培训难度;否则降低所有学员的培训难度。
本发明第二方面提供了一种人才培养教学装置,包括服务引擎模块、模型构建模块、约束条件模块、考核机制模块、考核阈值模块和难度调整模块;所述服务引擎模块,用于基于培训目标所属的特定行业,利用Python网络爬虫获取该特定行业的现阶段结构发展情况、产业发展趋势以及人才招聘需求,对所述现阶段结构发展情况、产业发展趋势以及人才招聘需求进行数据处理形成服务引擎数据集;所述模型构建模块,用于根据服务引擎数据集构建管理培训模型;所述约束条件模块,用于提取预设于服务数据库中的内部约束条件,载入至管理培训模型,输出人才培养规则;所述考核机制模块,用于据人才培养规则,采用Vue、Express和Mysql构建并输出人才培训考核机制;所述考核阈值模块,用于根据服务引擎数据集,设置人才培训考核机制的考核阈值;所述难度调整模块,用于依据人才培训考核机制设定的考核阈值,调整培训难度。
可选的,在本发明第二方面的第二种实现方式中,所述服务引擎模块包括行业属性单元、自动抓取单元和服务引擎单元;所述行业属性单元,用于根据培训目标的行业属性确定培训目标所属的特定行业;所述自动抓取单元,用于采用Python网络爬虫通过搜索引擎自动抓取互联网信息,从互联网信息中获取该特定行业的现阶段结构发展情况、产业发展趋势以及人才招聘需求;所述服务引擎单元,用于识别特定行业的现阶段结构发展情况、产业发展趋势以及人才招聘需求的数据类型依据不同的数据类型,进行类别归集形成所述服务引擎数据库。
可选的,在本发明第二方面的第三种实现方式中,所述模型构建模块包括参考企业单元、目标企业单元和模型构建单元;所述参考企业单元,用于解析服务引擎数据集,得到参考企业群组数据;所述目标企业单元,用于从参考企业群组数据中筛选得到多个目标企业,分别归集各个目标企业现阶段的结构发展情况、产业发展趋势以及人才招聘需求;所述模型构建单元,用于基于目标企业的现阶段结构发展情况、产业发展趋势以及人才招聘需求构建管理培训模型。
可选的,在本发明第二方面的第四种实现方式中,所述约束条件模块包括约束条件单元、模型处理单元和匹配筛选单元;所述约束条件单元,用于根据受训企业的内部人才需求预先设定约束条件;所述模型处理单元,用于获取预先设定的约束条件并载入至管理培训模型中,得到人才培养方案;所述匹配筛选单元,用于根据所述约束条件自动刻画企业画像,通过企业画像对人才培养方案进行匹配筛选,输出人才培养规则。
可选的,在本发明第二方面的第五种实现方式中,所述考核机制模块包括子数据库单元、搭建项目单元和联调单元:所述子数据库单元,用于进行Mysql连接,完成连接后新建子数据库;所述搭建项目单元,用于依据子数据库于页面前端搭建Vue项目,页面后端使用Express框架创建项目;所述联调单元,用于联调页面前端与页面后端,构建并输出人才培训考核机制。
可选的,在本发明第二方面的第六种实现方式中,所述考核阈值模块包括需求量计算单元、参考通过率单元和考核阈值单元;所述需求量计算单元,用于解析服务引擎数据集,分析所述人才招聘需求得到现有市场人才需求量;所述参考通过率单元,用于根据现有市场人才需求量和受训企业的内部约束条件确定考核参考通过率;所述考核阈值单元,用于根据考核参考通过率设置人才培训考核机制的考核阈值。
可选的,在本发明第二方面的第七种实现方式中,所述难度调整模块包括实际通过率单元、判断单元和难度调整单元:所述实际通过率单元,用于获取学员的考核成绩,计算得到考核实际通过率;所述判断单元,用于判断考核实际通过率是否大于设定的考核阈值;所述难度调整单元,用于若是,则针对所有学员提高培训难度;否则降低所有学员的培训难度。
本发明第三方面提供了一种人才培养教学设备,包括存储器和至少一个处理器,所述存储器中存储有计算机可读指令;所述至少一个处理器调用所述存储器中的所述计算机可读指令,以执行如上述人才培养教学方法的各个步骤。
本发明第四方面提供了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有计算机可读指令,所述计算机可读指令被处理器执行时实现如上述人才培养教学方法的各个步骤。
如上所述,本发明的人才培养教学方法、装置、设备及存储介质,具有以下有益效果:基于培训目标的特定行业采用网络爬虫进行数据信息的抓取,以此构建管理培训模型,在内部设定的约束条件下输出人才培养规则以及人才培训考核机制,在互联网信息的基准下设定考核阈值并且调整培训难度,由此构成基础且完整的教学方案,可以指导物流人员体系分批次地进行人才培养,更好的区分、匹配不同能力的受训人员,便于量化执行的培训教学方式具有较高的可操作性和可执行性,满足基数庞大且构成复杂的受训人员接受体系培训的要求。
附图说明
为了更清楚地说明本发明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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的人才培养教学方法的方法流程图;
图2为本发明提供的人才培养教学方法的另一方法流程图;
图3为本发明提供的人才培养教学方法的另一方法流程图;
图4为本发明提供的人才培养教学方法的另一方法流程图;
图5为本发明提供的人才培养教学方法的另一方法流程图;
图6为本发明提供的人才培养教学方法的另一方法流程图;
图7为本发明提供的人才培养教学方法的另一方法流程图;
图8为本发明提供的人才培养教学装置的架构图;
图9为本发明提供的人才培养教学装置的另一架构图;
图10为本发明提供的人才培养教学设备的架构图。
技术名词解析:
Python网络爬虫:使用Python程序开发,是一种按照一定的规则,自动地抓取万维网信息的程序或者脚本。
Vue:是一套用于构建用户界面的渐进式框架。
Express:是一个简洁而灵活的node.js Web应用框架,提供一系列强大特性用于创建各种Web应用。
Mysql:MySQL是一个关系型数据库管理系统,所使用的SQL语言是用于访问数据库的最常用标准化语言,是最流行的关系型数据库管理系统之一。
具体实施方式
本发明提供了一种人才培养教学方法、装置、设备及存储介质,为使本发明的目的、技术方案及效果更加清楚、明确,以下参照附图并举实施例对本发明作进一步详细说明。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中一种人才培养教学方法的第一个实施例包括:
101、基于培训目标所属的特定行业,利用Python网络爬虫获取该特定行业的现阶段结构发展情况、产业发展趋势以及人才招聘需求,对所述现阶段结构发展情况、产业发展趋势以及人才招聘需求进行数据处理形成服务引擎数据集;
采用Python网络爬虫进行数据的收集,具有信息抓取效率高和数据真实性高的优点,可以准确并且快速地获取现阶段结构发展情况、产业发展趋势以及人才招聘需求的信息。在本实施例中,根据Python网络爬虫收集的数据,结合NLP(自然语言处理)等深度学习的技术对文字进行量化处理,进而通过机器学习、大数据离散微分算法、非异常偏差算法、回归算法等建模技术进行多维度交叉匹配分析培训目标所学知识、个人品质、企业人才招聘硬实力以及软实力匹配度的匹配。可选的,所述培训目标包括实习人员、待考核人员或者受训企业。
102、根据服务引擎数据集构建管理培训模型;
在本实施例中,所述服务引擎数据集中包括现阶段结构发展情况、产业发展趋势以及人才招聘需求。以物流行业为例,所述服务引擎数据集中包括物流行业的现阶段结构发展情况、物流行业的产业发展趋势以及物流行业的人才招聘需求,通过上述数据信息构建适用于物流行业的管理培训模型,可以用于物流行业实习人员的培训和教学。
103、提取预设于服务数据库中的内部约束条件,载入至管理培训模型,输出人才培养规则;
受训企业结合自身实际情况,将内部约束条件作为基准输入至管理培训模型中,由此得到符合受训企业培训教学目标的人才培养规则,便于受训企业开展实习人员的培训教学工作。
104、根据人才培养规则,采用Vue、Express和Mysql构建并输出人才培训考核机制;
采用Vue、Express和Mysql构建人才培训考核机制,能够使受训企业完成一个完整的全栈项目,在处理物流行业人才培养和教学过程中采用全局性思维进行资源的协调和处理,提供完善的培训教学途径。
105、根据服务引擎数据集,设置人才培训考核机制的考核阈值;
源于人才市场得到的服务引擎数据集,通过对现有人才市场的分析获知物流行业人才市场的大致需求,由此设定人才培训考核机制的阈值,使得受训企业的人才需求与现有市场的人才需求相适配,准确对接物流行业市场。
106、依据人才培训考核机制设定的考核阈值,调整培训难度。
依照人才培训考核机制及时调整培训难度,可以方便受训企业的受训人员(实习人员)进行学习,有助于将不同能力的实习人员进行能力的匹配区分,并且能够量化和执行,实现实习人员选择与培养,提高参与培训的实习人员与市场人才需求之间的匹配度。
请参阅图2,本发明实施例中一种人才培养教学方法的第二个实施例包括:
201、根据培训目标的行业属性确定培训目标所属的特定行业;
在本实施例中,培训目标的行业属性为:物质资料从供给者到需求者的物理性运动,主要是创造时间价值和场所价值,有时也创造一定加工价值的活动;由此确定培训目标所属的特定行业为物流行业。上述行业属性基于受训企业的基本信息以及培训目标确定。
202、采用Python网络爬虫通过搜索引擎自动抓取互联网信息,从互联网信息中获取该特定行业的现阶段结构发展情况、产业发展趋势以及人才招聘需求;
在本实施例中,利用Python网络爬虫获取现阶段行业的结构发展情况、产业发展趋势和人才招聘需求。Python网络爬虫根据网页源代码显示的不同,可以将网络爬虫分为两种,一种是直接或间接获取网页源代码,这种Python网络爬虫可以通过Request库进行获取数据;另一种是网页数据保存在Js渲染中,无法获取源代码,这种可以通过Senlenium库获取数据。优选的,本实施例采用第一种Python网络爬虫方式,即通过Request库获取各个行业在新闻网页中的代码数据。详细的,设定需要Python网络爬虫收集的关键词汇比如:行业利润数据、行业发展情况、行业公司财务报表数据、行业人员数据等。通过网页中的代码数据获取到特定行业中的行业结构发展情况、产业发展趋势和人才招聘需求。
203、识别特定行业的现阶段结构发展情况、产业发展趋势以及人才招聘需求的数据类型依据不同的数据类型,进行类别归集形成所述服务引擎数据库。
现阶段结构发展情况、产业发展趋势以及人才招聘需求按照数据类型进行分类,并且不同类型的数据按照一定的方式进行排列,例如按照参考价值进行排序,方便数据的调取和分析。
请参阅图3,本发明实施例中一种人才培养教学方法的第三个实施例包括:
301、解析服务引擎数据集,得到参考企业群组数据;
从服务数据集中的现阶段结构发展情况、产业发展趋势以及人才招聘需求抽取企业名称,由上述企业名称组成所述参考企业群组。在本实施例中,所述参考企业群组包括物流行业及其相关行业的企业名称。
302、从参考企业群组数据中筛选得到多个目标企业,分别归集各个目标企业现阶段的结构发展情况、产业发展趋势以及人才招聘需求;303、基于目标企业的现阶段结构发展情况、产业发展趋势以及人才招聘需求构建管理培训模型。
可以理解的是,基于培训和教学目的确定目标企业,在另一可行实施例中,还可以根据受训企业的发展规划确定目标企业,通过设定多个目标企业确定受训企业的培训教学方向,方便受训企业在培训教学前进行合理规划。基于此构建的管理培训模型,完全能够契合受训企业的企业状况和培训方向以及培训目的。
请参阅图4,本发明实施例中一种人才培养教学方法的第四个实施例包括:
401、根据受训企业的内部人才需求预先设定约束条件;402、获取预先设定的约束条件并载入至管理培训模型中,得到人才培养方案;
受训企业根据自身的发展状况、人才培养目的以及人才教学方向制定合适的约束条件,并将上述约束条件存入服务数据库中,在管理培训模型构建完成后,自动将约束条件从服务数据库导出至管理培训模型中,针对管理培训模型设计得到的所有可行方式,根据约束条件的限制,生成适用于受训企业的人才培训方案。
403、根据所述约束条件自动刻画企业画像,通过企业画像对人才培养方案进行匹配筛选,输出人才培养规则。
基于受训企业提供的约束条件,分析得到受训企业的企业经营状况、发展方向、人才需求领域和企业文化等信息,由此自动刻画企业画像,在企业薄弱处建立适合人才培训计划,补足企业发展的短板。
请参阅图5,本发明实施例中一种人才培养教学方法的第五个实施例包括:
501、进行Mysql连接,完成连接后新建子数据库;
在本实施例中,所述Mysql作为一个关系型数据库管理系统,首先需要进行Mysql连接,输入受训企业的主机IP名称或者localhost,可选的,端口默认为3306,受训企业用root最高权限,密码为受训企业自行设置的密码,当Mysql连接上以后才可以新建数据库、表和字段;优选的,连接Mysql后将自动新建子数据库。
502、依据子数据库于页面前端搭建Vue项目,页面后端使用Express框架创建项目;
页面前端搭建Vue项目,具体包括:提前安装好node软件、node中自带npmnode-v和npm-v分别查看对应版本号,优选的版本是v12.18.0和6.14.4。配置淘宝镜像npminstall-gcnpm–registry=https://registry.npm.taobao.org,提高下载包的下载速率。使用Vue-cli快速生成一个Vue项目架构。其实Vue-cli脚手架其实也是一个npm包,所以要使用npm下载Vue-cli脚手架,执行命令npm install-g@Vue/cli全局下载Vue-cli脚手架,执行命令Vue-V可以查看相应的Vue-cli的版本号。最后执行Vue create项目名创建一个项目,本实施例创建的是mydemo项目,即Vuecreate mydemo。项目创建好了以后,系统还需要下载axios用法用作请求,下载Vue-router用作路由,下载element-ui用作快速开发,下载nprogress做个进度条等相关插件包。然后引入并使用这些包,最后按照项目需要,修改一下项目的目录,形成最终的页面结构。
页面后端使用Express框架创建项目,具体包括:npm初始化项目,执行npminit-yes会创建一个基础的项目,然后会在文件夹中生成一个package.json文件。
创建app.js入口文件,安装相关的依赖包,在本实施例中,使用Express框架、nodemon插件,不用重启后端服务、使用Mysql插件连接数据库、node-xlsx插件做表格导出。所以执行如下命令:cnpm i Express nodemon Mysql node-xlsx--save。npm命令执行以后,package.json文件就会把相关的包添加到依赖中,同时也会多一个node_modules文件夹,用于存放下载的相关包。
创建一个简单的服务,在与package.json文件同级目录上,创建一个app.js文件,这个文件是Express服务入口文件。
503、联调页面前端与页面后端,构建并输出人才培训考核机制。
优选的,进行联调页面前端与页面后端,前端根据后端提供的Api接口,发请求给页面后端,页面后端接到相应的请求以后,再去做相应的子数据库操作,最终返回相应的数据给页面前端。在预设的时间段内完成上述页面前端到页面后端的搭建,随即完成该项目机制的人才培训考核机制。
请参阅图6,本发明实施例中一种人才培养教学方法的第六个实施例包括:
601、解析服务引擎数据集,分析所述人才招聘需求得到现有市场人才需求量;602、根据现有市场人才需求量和受训企业的内部约束条件确定考核参考通过率;
由受训企业所属行业的人才招聘需求分析得到现有市场人才需求量,由于数据真实可靠,能够及时获悉当前行业真实的人才需求量,以真实的人才需求量作为依据,参照受训企业内部约束条件,能够为受训企业提供具有参考价值的考核参考通过率,满足受训企业的所有约束要求。
603、根据考核参考通过率设置人才培训考核机制的考核阈值。
可以理解的是,参照考核通过率设置人才培训考核机制中的每项项目的考核阈值,使得两者之间具有高度的统一性,细化之后的考核阈值更便于执行和量化,可以自动区分实习人员的能力,为不同层次的实习人员提供不同的培训方案。
请参阅图7,本发明实施例中一种人才培养教学方法的第七个实施例包括:
701、获取学员的考核成绩,计算得到考核实际通过率;
在本实施例中,以部分学员的考核成绩作为参考样本,有参考样本的数据计算并且确定考核的实际通过率。在另一可行的实施例中,考核实际通过率还受市场人才需求量的变化而变化,详细的,当市场人才需求量急剧增加时,可以通过将培训考核机制降低培训难度,反之则可以通过将培训考核机制提高培训难度。
702、判断考核实际通过率是否大于设定的考核阈值;703、若是,则针对所有学员提高培训难度;否则降低所有学员的培训难度。
详细的,考核实际通过率大于设定的考核阈值则提高培训难度,难度提高之后考核通过率将逐渐减低,与设定的考核阈值达到动态平衡。反之,降低培训难度,使得考核通过率与设定的考核阈值达到动态平衡。此外,培训难度还可以受市场人才需求量的变化而变化。
上面对本发明实施例中人才培养教学方法进行了描述,下面对本发明实施例中人才培养教学装置进行描述,请参阅图8和图9,本发明实施例中人才培养教学装置的实施方式包括:服务引擎模块801、模型构建模块802、约束条件模块803、考核机制模块804、考核阈值模块805难度调整模块806;
所述服务引擎模块801,用于基于培训目标所属的特定行业,利用Python网络爬虫获取该特定行业的现阶段结构发展情况、产业发展趋势以及人才招聘需求,对所述现阶段结构发展情况、产业发展趋势以及人才招聘需求进行数据处理形成服务引擎数据集;采用Python网络爬虫进行数据的收集,具有信息抓取效率高和数据真实性高的优点,可以准确并且快速地获取现阶段结构发展情况、产业发展趋势以及人才招聘需求的信息。在本实施例中,根据Python网络爬虫收集的数据,结合NLP(自然语言处理)等深度学习的技术对文字进行量化处理,进而通过机器学习、大数据离散微分算法、非异常偏差算法、回归算法等建模技术进行多维度交叉匹配分析培训目标所学知识、个人品质、企业人才招聘硬实力以及软实力匹配度的匹配。
所述模型构建模块802,用于根据服务引擎数据集构建管理培训模型;所述服务引擎数据集中包括现阶段结构发展情况、产业发展趋势以及人才招聘需求,以物流行业为例,所述服务引擎数据集中包括物流行业的现阶段结构发展情况、物流行业的产业发展趋势以及物流行业的人才招聘需求,通过上述数据信息构建适用于物流行业的管理培训模型,可以用于物流行业实习人员的培训和教学。
所述约束条件模块803,用于提取预设于服务数据库中的内部约束条件,载入至管理培训模型,输出人才培养规则;受训企业结合自身实际情况,将内部约束条件作为基准输入至管理培训模型中,由此得到符合受训企业培训教学目标的人才培养规则,便于受训企业开展实习人员的培训教学工作。
所述考核机制模块804,用于据人才培养规则,采用Vue、Express和Mysql构建并输出人才培训考核机制;采用Vue、Express和Mysql构建人才培训考核机制,能够使受训企业完成一个完整的全栈项目,在处理物流行业人才培养和教学过程中采用全局性思维进行资源的协调和处理,提供完善的培训教学途径。
所述考核阈值模块805,用于根据服务引擎数据集,设置人才培训考核机制的考核阈值;源于人才市场得到的服务引擎数据集,通过对现有人才市场的分析获知物流行业人才市场的大致需求,由此设定人才培训考核机制的阈值,使得受训企业的人才需求与现有市场的人才需求相适配,准确对接物流行业市场。
所述难度调整模块806,用于依据人才培训考核机制设定的考核阈值,调整培训难度。依照人才培训考核机制及时调整培训难度,可以方便受训企业的受训人员(实习人员)进行学习,有助于将不同能力的实习人员进行能力的匹配区分,并且能够量化和执行,实现实习人员选择与培养,提高参与培训的实习人员与市场人才需求之间的匹配度。
可选的,在本发明第二方面的第二种实现方式中,所述服务引擎模块801包括行业属性单元8011、自动抓取单元8012和服务引擎单元8013;所述行业属性单元8011,用于根据培训目标的行业属性确定培训目标所属的特定行业;所述自动抓取单元8012,用于采用Python网络爬虫通过搜索引擎自动抓取互联网信息,从互联网信息中获取该特定行业的现阶段结构发展情况、产业发展趋势以及人才招聘需求;通过Request库获取各个行业在新闻网页中的代码数据。详细的,设定需要Python网络爬虫收集的关键词汇比如:行业利润数据、行业发展情况、行业公司财务报表数据、行业人员数据等。通过网页中的代码数据获取到特定行业中的行业结构发展情况、产业发展趋势和人才招聘需求所述服务引擎单元8013,用于识别特定行业的现阶段结构发展情况、产业发展趋势以及人才招聘需求的数据类型依据不同的数据类型,进行类别归集形成所述服务引擎数据库。现阶段结构发展情况、产业发展趋势以及人才招聘需求按照数据类型进行分类,并且不同类型的数据按照一定的方式进行排列,例如按照参考价值进行排序,方便数据的调取和分析
可选的,在本发明第二方面的第三种实现方式中,所述模型构建模块802包括参考企业单元8021、目标企业单元8022和模型构建单元8023;所述参考企业单元8021,用于解析服务引擎数据集,得到参考企业群组数据;所述目标企业单元8022,用于从参考企业群组数据中筛选得到多个目标企业,分别归集各个目标企业现阶段的结构发展情况、产业发展趋势以及人才招聘需求;所述模型构建单元8023,用于基于目标企业的现阶段结构发展情况、产业发展趋势以及人才招聘需求构建管理培训模型,基于培训和教学目的确定目标企业,在另一可行实施例中,还可以根据受训企业的发展规划确定目标企业,通过设定多个目标企业确定受训企业的培训教学方向,方便受训企业在培训教学前进行合理规划。基于此构建的管理培训模型,完全能够契合受训企业的企业状况和培训方向以及培训目的。
可选的,在本发明第二方面的第四种实现方式中,所述约束条件模块803包括约束条件单元8031、模型处理单元8032和匹配筛选单元8033;
所述约束条件单元8031,用于根据受训企业的内部人才需求预先设定约束条件;所述模型处理单元8032,用于获取预先设定的约束条件并载入至管理培训模型中,得到人才培养方案;受训企业根据自身的发展状况、人才培养目的以及人才教学方向制定合适的约束条件,并将上述约束条件存入服务数据库中,在管理培训模型构建完成后,自动将约束条件从服务数据库导出至管理培训模型中,针对管理培训模型设计得到的所有可行方式,根据约束条件的限制,生成适用于受训企业的人才培训方案。所述匹配筛选单元8033,用于根据所述约束条件自动刻画企业画像,通过企业画像对人才培养方案进行匹配筛选,输出人才培养规则,基于受训企业提供的约束条件,分析得到受训企业的企业经营状况、发展方向、人才需求领域和企业文化等信息,由此自动刻画企业画像,在企业薄弱处建立适合人才培训计划,补足企业发展的短板。
可选的,在本发明第二方面的第五种实现方式中,所述考核机制模块804包括子数据库单元8041、搭建项目单元8042和联调单元8043:所述子数据库单元8041,用于进行Mysql连接,完成连接后新建子数据库;所述搭建项目单元8042,用于依据子数据库于页面前端搭建Vue项目,页面后端使用Express框架创建项目;所述联调单元8043,用于联调页面前端与页面后端,构建并输出人才培训考核机制,进行页面前端与页面后端联调,前端根据后端提供的Api接口,发请求给页面后端,页面后端接到相应的请求以后,再去做相应的子数据库操作,最终返回相应的数据给页面前端。在预设的时间段内完成上述页面前端到页面后端的搭建,随即完成该项目机制的人才培训考核机制。
可选的,在本发明第二方面的第六种实现方式中,所述考核阈值模块805包括需求量计算单元8051、参考通过率单元8052和考核阈值单元8053;
所述需求量计算单元8051,用于解析服务引擎数据集,分析所述人才招聘需求得到现有市场人才需求量;所述参考通过率单元8052,用于根据现有市场人才需求量和受训企业的内部约束条件确定考核参考通过率,由受训企业所属行业的人才招聘需求分析得到现有市场人才需求量,由于数据真实可靠,能够及时获悉当前行业真实的人才需求量,以真实的人才需求量作为依据,参照受训企业内部约束条件,能够为受训企业提供具有参考价值的考核参考通过率,满足受训企业的所有约束要求;所述考核阈值单元8053,用于根据考核参考通过率设置人才培训考核机制的考核阈值,参照考核通过率设置人才培训考核机制中的每项项目的考核阈值,使得两者之间具有高度的统一性,细化之后的考核阈值更便于执行和量化,可以自动区分实习人员的能力,为不同层次的实习人员提供不同的培训方案。
可选的,在本发明第二方面的第七种实现方式中,所述难度调整模块806包括实际通过率单元8061、判断单元8062和难度调整单元8063:所述实际通过率单元8061,用于获取学员的考核成绩,计算得到考核实际通过率;所述判断单元8062,用于判断考核实际通过率是否大于设定的考核阈值;所述难度调整单元8063,用于若是,则针对所有学员提高培训难度;否则降低所有学员的培训难度,考核实际通过率大于设定的考核阈值则提高培训难度,难度提高之后考核通过率将逐渐减低,与设定的考核阈值达到动态平衡。反之,降低培训难度,使得考核通过率与设定的考核阈值达到动态平衡。此外,培训难度还可以受市场人才需求量的变化而变化。
图8和图9从模块化功能实体的角度对本发明实施例中的人才培养教学装置进行详细描述,下面从硬件处理的角度对本发明实施例中人才培养教学设备进行详细描述。
图10是本发明实施例提供的一种人才培养教学设备的结构示意图,该设备900可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(centralprocessing units,CPU)910(例如,一个或一个以上处理器)和存储器920,一个或一个以上存储应用程序933或数据932的存储介质930(例如一个或一个以上海量存储设备)。其中,存储器920和存储介质930可以是短暂存储或持久存储。存储在存储介质930的程序可以包括一个或一个以上模块(图未示),每个模块可以包括对设备900中的一系列指令操作。更进一步地,处理器910可以设置为与存储介质930通信,在设备900上执行存储介质中的一系列指令操作。
设备900还可以包括一个或一个以上电源940,一个或一个以上有线或无线网络接口950,一个或一个以上输入输出接口960,和/或,一个或一个以上操作系统931,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。
本发明实施例还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,计算机可读存储介质中存储有指令,当指令在计算机上运行时,使得计算机执行人才培养教学方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统或装置、单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所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,或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
综上所述,本发明的人才培养教学方法、装置、设备及存储介质,基于培训目标的特定行业采用网络爬虫进行数据信息的抓取,以此构建管理培训模型,在内部设定的约束条件下输出人才培养规则以及人才培训考核机制,在互联网信息的基准下设定考核阈值并且调整培训难度,由此构成基础且完整的教学方案,可以指导物流人员体系分批次地进行人才培养,更好的区分、匹配不同能力的受训人员,便于量化执行的培训教学方式具有较高的可操作性和可执行性,满足基数庞大且构成复杂的受训人员接受体系培训的要求。所以,本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
可以理解的是,对本领域普通技术人员来说,可以根据本发明的技术方案及其发明构思加以等同替换或改变,而所有这些改变或替换都应属于本发明的保护范围。
Claims (10)
1.一种人才培养教学方法,其特征在于,包括如下步骤:
基于培训目标所属的特定行业,利用Python网络爬虫获取该特定行业的现阶段结构发展情况、产业发展趋势以及人才招聘需求,对所述现阶段结构发展情况、产业发展趋势以及人才招聘需求进行数据处理形成服务引擎数据集;
根据服务引擎数据集构建管理培训模型;
提取预设于服务数据库中的内部约束条件,载入至管理培训模型,输出人才培养规则;
根据人才培养规则,采用Vue、Express和Mysql构建并输出人才培训考核机制;
根据服务引擎数据集,设置人才培训考核机制的考核阈值;
依据人才培训考核机制设定的考核阈值,调整培训难度。
2.根据权利要求1所述的人才培养教学方法,其特征在于,所述基于培训目标所属的特定行业,利用Python网络爬虫获取该特定行业的现阶段结构发展情况、产业发展趋势以及人才招聘需求,形成服务引擎数据集,包括:
根据培训目标的行业属性确定培训目标所属的特定行业;
采用Python网络爬虫通过搜索引擎自动抓取互联网信息,从互联网信息中获取该特定行业的现阶段结构发展情况、产业发展趋势以及人才招聘需求;
识别特定行业的现阶段结构发展情况、产业发展趋势以及人才招聘需求的数据类型,依据不同的数据类型进行类别归集形成所述服务引擎数据库。
3.根据权利要求1所述的人才培养教学方法,其特征在于,所述根据服务引擎数据集构建管理培训模型,包括:
解析服务引擎数据集,得到参考企业群组数据;
从参考企业群组数据中筛选得到多个目标企业,分别归集各个目标企业现阶段的结构发展情况、产业发展趋势以及人才招聘需求;
基于目标企业的现阶段结构发展情况、产业发展趋势以及人才招聘需求构建管理培训模型。
4.根据权利要求1所述的人才培养教学方法,其特征在于,所述提取预设于服务数据库中的内部约束条件,载入至管理培训模型,输出人才培养规则,包括:
根据受训企业的内部人才需求预先设定约束条件;
获取预先设定的约束条件并载入至管理培训模型中,得到人才培养方案;
根据所述约束条件自动刻画企业画像,通过企业画像对人才培养方案进行匹配筛选,输出人才培养规则。
5.根据权利要求1所述的人才培养教学方法,其特征在于,所述根据人才培养规则,采用Vue、Express和Mysql构建并输出人才培训考核机制,包括:
进行Mysql连接,完成连接后新建子数据库;
依据子数据库于页面前端搭建Vue项目,页面后端使用Express框架创建项目;
联调页面前端与页面后端,构建并输出人才培训考核机制。
6.根据权利要求1所述的人才培养教学方法,其特征在于,所述根据服务引擎数据集,设置人才培训考核机制的考核阈值,包括:
解析服务引擎数据集,分析所述人才招聘需求得到现有市场人才需求量;
根据现有市场人才需求量和受训企业的内部约束条件确定考核参考通过率;
根据考核参考通过率设置人才培训考核机制的考核阈值。
7.根据权利要求1所述的人才培养教学方法,其特征在于,所述依据人才培训考核机制设定的考核阈值,调整培训难度,包括:
获取学员的考核成绩,计算得到考核实际通过率;
判断考核实际通过率是否大于设定的考核阈值;
若是,则针对所有学员提高培训难度;否则降低所有学员的培训难度。
8.一种人才培养教学装置,其特征在于,包括:
服务引擎模块,用于基于培训目标所属的特定行业,利用Python网络爬虫获取该特定行业的现阶段结构发展情况、产业发展趋势以及人才招聘需求,对所述现阶段结构发展情况、产业发展趋势以及人才招聘需求进行数据处理形成服务引擎数据集;
模型构建模块,用于根据服务引擎数据集构建管理培训模型;
约束条件模块,用于提取预设于服务数据库中的内部约束条件,载入至管理培训模型,输出人才培养规则;
考核机制模块,用于据人才培养规则,采用Vue、Express和Mysql构建并输出人才培训考核机制;
考核阈值模块,用于根据服务引擎数据集,设置人才培训考核机制的考核阈值;
难度调整模块,用于依据人才培训考核机制设定的考核阈值,调整培训难度。
9.一种人才培养教学设备,其特征在于,包括存储器和至少一个处理器,所述存储器中存储有计算机可读指令;
所述至少一个处理器调用所述存储器中的所述计算机可读指令,以执行如权利要求1-7任一项所述人才培养教学方法的各个步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机可读指令,其特征在于,所述计算机可读指令被处理器执行时实现如权利要求1-7中任一项所述人才培养教学方法的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310500564.0A CN116523483A (zh) | 2023-05-05 | 2023-05-05 | 人才培养教学方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310500564.0A CN116523483A (zh) | 2023-05-05 | 2023-05-05 | 人才培养教学方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116523483A true CN116523483A (zh) | 2023-08-01 |
Family
ID=87391783
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310500564.0A Pending CN116523483A (zh) | 2023-05-05 | 2023-05-05 | 人才培养教学方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116523483A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118071302A (zh) * | 2024-04-17 | 2024-05-24 | 南京审计大学 | 一种基于大数据的审计教育信息匹配方法及系统 |
-
2023
- 2023-05-05 CN CN202310500564.0A patent/CN116523483A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118071302A (zh) * | 2024-04-17 | 2024-05-24 | 南京审计大学 | 一种基于大数据的审计教育信息匹配方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Souza et al. | Provenance data in the machine learning lifecycle in computational science and engineering | |
CN102135938B (zh) | 一种软件产品测试方法及系统 | |
Rastkar et al. | Generating natural language summaries for crosscutting source code concerns | |
US8655861B2 (en) | Query metadata engine | |
US20080148242A1 (en) | Optimizing an interaction model for an application | |
US20080148039A1 (en) | Selecting instrumentation points for an application | |
US20070156787A1 (en) | Apparatus and method for strategy map validation and visualization | |
US9043344B1 (en) | Data mining and model generation using an in-database analytic flow generator | |
US20060004701A1 (en) | System and method for adaptive decision making analysis and assessment | |
CN116523483A (zh) | 人才培养教学方法、装置、设备及存储介质 | |
US20160188431A1 (en) | Predicting performance of a software application over a target system | |
Chatzidimitriou et al. | Npm-miner: An infrastructure for measuring the quality of the npm registry | |
CN111679808A (zh) | Rpa机器人应用需求测评方法及装置 | |
CN103064780B (zh) | 一种软件测试的方法及装置 | |
CN110740081A (zh) | 对标多家公司页面性能的数据可视化方法 | |
Shvets et al. | HPC software for massive analysis of the parallel efficiency of applications | |
Kurniawan et al. | Performance evaluation for deploying dockerized web application on aws, gcp, and azure | |
CN110517070B (zh) | 一种消费者人群圈选方法及装置 | |
CN111930815A (zh) | 一种基于行业属性和经营属性构建企业画像的方法及系统 | |
Alfaro-Flores et al. | Experiment-driven improvements in Human-in-the-loop Machine Learning Annotation via significance-based A/B testing | |
Poženel et al. | Using clickstream data to enhance reverse engineering of Web applications | |
US11693879B2 (en) | Composite relationship discovery framework | |
Ghayekhloo et al. | A Novel Rubric and Feature-based Appraisaland Comparison Framework for the Evaluationof Semantic Web Services Composition Approaches | |
CN111309795B (zh) | 业务异常定位方法、装置、电子设备和介质 | |
Kovalev et al. | Algorithm for searching semantically related JIRA issues to automate customer requests resolving |
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 |