CN116797098A - 基于模型训练的工作质量评估方法、装置、设备及介质 - Google Patents
基于模型训练的工作质量评估方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116797098A CN116797098A CN202310851413.XA CN202310851413A CN116797098A CN 116797098 A CN116797098 A CN 116797098A CN 202310851413 A CN202310851413 A CN 202310851413A CN 116797098 A CN116797098 A CN 116797098A
- Authority
- CN
- China
- Prior art keywords
- working
- historical
- data
- model
- quality assessment
- 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
- 238000001303 quality assessment method Methods 0.000 title claims abstract description 135
- 238000012549 training Methods 0.000 title claims abstract description 55
- 238000013441 quality evaluation Methods 0.000 claims abstract description 90
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000012216 screening Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 23
- 238000004880 explosion Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 4
- 239000004973 liquid crystal related substance Substances 0.000 claims description 4
- 210000005036 nerve Anatomy 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 9
- 238000012821 model calculation Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly 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
- 238000005457 optimization Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能领域,揭露一种基于模型训练的工作质量评估方法、装置、电子设备及存储介质,可用于对保险业务员的工作质量进行评估,所述方法包括:根据工作质量评估脚本对待评估人员的历史常规工作数据进行数据处理,得到标准历史工作特征数据;构建初始工作质量评估模型,并利用预设的优化烟花算法对所述初始工作质量评估模型中的权阈值进行优化,得到优化工作质量评估模型;利用所述标准历史工作特征数据对所述优化工作质量评估模型进行模型训练,得到训练完成的工作质量评估模型;利用所述训练完成的工作质量评估模型对当前常规工作数据进行计算,得到待评估人员的工作质量评估分数。本发明可以提高保险业务人员工作质量评估的准确率。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种基于模型训练的工作质量评估方法、装置、电子设备及可读存储介质。
背景技术
保险业务员是险企中非常重要的角色,对企业的销售业绩和形象有着至关重要的影响。因此,保险业务员工作质量的评估一直备受关注。随着信息技术的发展,保险业务员工作质量的评估越来越重视数据分析和挖掘。比如,在评估中可以根据电话接通率、通话时长及销售业绩等数据综合评估保险业务员工作质量,但这种方法往往需要人工进行大量的数据分析。目前,也出现不少通过引入机器学习技术进行工作质量评估的方法,通过分析保险业务员的语音质量、情感反馈等来提高工作质量评估的准确性和客观性,这一类方法需要针对特定的场景构建评估模型,但是现有方法在构建评估模型时训练数据往往太过斑驳复杂,导致员工的工作质量评估结果准确率较低,除此之外,机器学习由于缺少自主学习能力,因此,在面对不同的输入数据时,不能很好地进行员工工作质量的评估。
发明内容
本发明提供一种基于模型训练的工作质量评估方法、装置、电子设备及可读存储介质,有效地提高了金融文本分类的便捷性及准确率,其目的在于提高文本分类模型的精准度。
为实现上述目的,本发明提供的一种基于模型训练的工作质量评估方法,所述方法包括:
获取待评估人员的历史常规工作数据、历史员工工作质量分数及工作质量评估脚本,并根据所述工作质量评估脚本对所述历史常规工作数据进行特征筛选,得到历史工作特征数据;
对所述历史工作特征数据进行归一化处理,得到标准历史工作特征数据;
构建初始工作质量评估模型,并利用预设的优化烟花算法对所述初始工作质量评估模型中的权阈值进行优化,得到优化工作质量评估模型;
根据所述历史员工工作质量分数,利用所述标准历史工作特征数据对所述优化工作质量评估模型进行模型训练,得到训练完成的工作质量评估模型;
获取所述待评估人员的当前常规工作数据,并利用所述训练完成的工作质量评估模型对所述当前常规工作数据进行计算,得到所述待评估人员的工作质量评估分数。
可选地,所述利用预设的优化烟花算法对所述初始工作质量评估模型中的权阈值进行优化,得到优化工作质量评估模型,包括:
利用预设的优化烟花算法中的适应度函数计算所述初始工作质量评估模型中权阈值的适应度值;
利用所述优化烟花算法中的烟花振幅函数计算所述初始工作质量评估模型中权阈值爆炸产生的爆炸半径;
利用所述优化烟花算法中的火花数量函数计算所述初始工作质量评估模型中权阈值爆炸产生的火花数量;
根据所述适应度值、所述爆炸半径及所述火花数量,对所述权阈值进行编译寻优,得到优化权阈值;
判断所述权阈值的迭代次数是否达到最大迭代次数;
当所述权阈值的迭代次数没有达到最大迭代次数时,返回所述根据所述适应度值、所述爆炸半径及所述火花数量,对所述权阈值进行编译寻优,得到优化权阈值的步骤,直至所述权阈值的迭代次数达到最大迭代次数;
当所述权阈值的迭代次数达到最大迭代次数时,将所述优化权阈值作为最优权阈值;
将所述最优权阈值与所述初始工作质量评估模型中的权阈值进行同位替换,得到优化工作质量评估模型。
可选地,所述利用所述标准历史工作特征数据对所述优化工作质量评估模型进行模型训练,得到训练完成的工作质量评估模型,包括:
利用所述优化工作质量评估模型中的编码层对所述标准历史工作特征数据进行编码操作,得到工作特征编码向量;
根据所述优化工作质量评估模型中隐藏层的权值,对所述工作特征编码向量进行权重计算,得到工作特征权重向量;
利用所述述优化工作质量评估模型中的解码层对所述工作特征权重向量进行解码操作,得到预测员工工作质量分数;
利用预设的损失函数计算所述预测员工工作质量分数与所述历史员工工作质量分数的损失值,并根据所述损失值调整所述优化工作质量评估模型的参数,直至所述损失值小于预设阈值,得到训练完成的工作质量评估模型。
可选地,所述对所述历史工作特征数据进行归一化处理,得到标准历史工作特征数据,包括:
获取同一种类历史工作特征数据的最大值及最小值;
选取所述同一种类历史工作特征数据中任意一个数据分别与所述最大值及所述最小值相减,并将所述任意一个数据分别与所述最小值相减的数值与所述任意一个数据分别与所述最大值相减的数值进行除法运算,得到标准历史工作特征数据。
可选地,所述根据所述工作质量评估脚本对所述历史常规工作数据进行特征筛选,得到历史工作特征数据,包括:
对所述工作质量评估脚本进行编译,得到特征数据筛选指令;
解析所述特征数据筛选指令,得到待查找数据特征;
根据所述待查找数据特征,从所述历史常规工作数据中进行筛选,得到历史工作特征数据。
可选地,所述构建初始工作质量评估模型,包括:
获取所述标准历史工作特征数据的种类数量;
根据所述种类数量,计算待构建初始工作质量评估模型的隐藏层层数;
将所述隐藏层层数分别与预设的输入层及预设的输出层进行神经单元连接,得到初始工作质量评估模型。
可选地,所述对所述历史工作特征数据进行归一化处理,得到标准历史工作特征数据之后,还包括:
对所述标准历史工作特征数据进行数据清洗,得到精准历史工作特征数据。
为了解决上述问题,本发明还提供一种基于模型训练的工作质量评估装置,所述装置包括:
数据处理模块,用于获取待评估人员的历史常规工作数据、历史员工工作质量分数及工作质量评估脚本,并根据所述工作质量评估脚本对所述历史常规工作数据进行特征筛选,得到历史工作特征数据,对所述历史工作特征数据进行归一化处理,得到标准历史工作特征数据;
模型训练模块,用于构建初始工作质量评估模型,并利用预设的优化烟花算法对所述初始工作质量评估模型中的权阈值进行优化,得到优化工作质量评估模型,根据所述历史员工工作质量分数,利用所述标准历史工作特征数据对所述优化工作质量评估模型进行模型训练,得到训练完成的工作质量评估模型;
模型应用模块,用于获取所述待评估人员的当前常规工作数据,并利用所述训练完成的工作质量评估模型对所述当前常规工作数据进行计算,得到所述待评估人员的工作质量评估分数。
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计算机程序以实现上述所述的基于模型训练的工作质量评估方法。
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模型训练的工作质量评估方法。
本发明实施例通过查找并调取存储工作数据的数据库的方式,获取待评估人员的历史常规工作数据,保证了数据的准确性,确保了所述待评估人员工作质量评估的准确率,进一步地,通过对所述历史工作特征数据进行归一化处理,得到标准历史工作特征数据,降低模型计算难度,从而节省模型计算时间,提高了员工工作质量评估的效率,其次,本发明利用预设的优化烟花算法对所述初始工作质量评估模型中的权阈值进行优化,得到优化工作质量评估模型,提高了工作质量评估模型的适应度及准确率,最后,本发明通过利用所述标准历史工作特征数据对所述优化工作质量评估模型进行模型训练,进一步对优化工作质量评估模型的参数进行优化调整,提高了工作质量评估模型的准确率。因此,本发明提供的一种基于模型训练的工作质量评估方法、装置、设备及存储介质,能够提高保险企业对自家保险业务人员的工作质量进行评估的效率及准确率,减少了保险企业在员工工作质量评估上的人力成本。
附图说明
图1为本发明一实施例提供的基于模型训练的工作质量评估方法的流程示意图;
图2及图3为本发明一实施例提供的基于模型训练的工作质量评估方法的中其中一个步骤的详细实施流程图;
图4为本发明一实施例提供的基于模型训练的工作质量评估装置的模块示意图;
图5为本发明一实施例提供的实现基于模型训练的工作质量评估方法的电子设备的内部结构示意图;
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。
本发明实施例提供一种基于模型训练的工作质量评估方法。所述基于模型训练的工作质量评估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,所述基于模型训练的工作质量评估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。所述服务端可以包括独立的服务器,也可以包括提供云服务、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所示的本发明一实施例提供的基于模型训练的工作质量评估方法的流程示意图,在本发明实施例中,所述基于模型训练的工作质量评估方法包括:
S1、获取待评估人员的历史常规工作数据、历史员工工作质量分数及工作质量评估脚本,并根据所述工作质量评估脚本对所述历史常规工作数据进行特征筛选,得到历史工作特征数据。
本发明实施例中,所述待评估人员可以是金融领域的保险业务人员或金融客服人员等员工。所述历史常规工作数据可以是所述待评估人员在往常的工作中被记录的数据,例如,金融客服人员的历史常规数据可以是接电话的数量,客户的评价以及通话所用时长等数据。所述历史员工工作质量分数可以是所述待评估人员以往的工作质量分数评价。所述工作质量评估脚本可以是评估人员根据不同工作内容对不同工种制定的工作数据获取规则的脚本文本。所述历史工作特征数据可以是能够体现所述待评估人员工作能力的数据,例如:金融领域中,保险业务人员的历史工作特征数据可以是客户对所述保险业务人员的客户满意度
本发明可选实施例中,通过查找并调取存储工作数据的数据库的方式,获取待评估人员的历史常规工作数据,保证了数据的准确性,确保了所述待评估人员工作质量评估的准确率,进一步地,利用编程语言,根据业务需求编写数据筛选的脚本文件,得到工作质量评估脚本。
本发明实施例根据所述工作质量评估规则对所述历史常规工作数据进行特征筛选,得到历史工作特征数据,从而减少非必要的工作数据对员工工作质量评估带来的影响,提高了员工的工作质量评估的准确率。
进一步地,作为本发明一可选实施例,所述根据所述工作质量评估脚本对所述历史常规工作数据进行特征筛选,得到历史工作特征数据,包括:
对所述工作质量评估脚本进行编译,得到特征数据筛选指令;
解析所述特征数据筛选指令,得到待查找数据特征;
根据所述待查找数据特征,从所述历史常规工作数据中进行筛选,得到历史工作特征数据。
本发明实施例中,所述待查找数据特征可以是数据类型或数据存储位置索引等能表示数据特征的表现。
本发明可选实施例中,通过脚本编译,得到特征数据筛选指令,从而成功运行工作质量评估脚本,确保特征数据的筛选进行,进一步地,根据解析所述特征数据筛选指令得到的待查找数据特征,筛选出历史工作特征数据,减少非必要的工作数据对员工工作质量评估带来的计算难度,从而提高了员工工作质量评估的效率。
S2、对所述历史工作特征数据进行归一化处理,得到标准历史工作特征数据。
本发明实施例通过对所述历史工作特征数据进行归一化处理,得到标准历史工作特征数据,降低模型计算难度,从而节省模型计算时间,提高了员工工作质量评估的效率。
进一步地,作为本发明一可选实施例,所述对所述历史工作特征数据进行归一化处理,得到标准历史工作特征数据,包括:
获取同一种类历史工作特征数据的最大值及最小值;
选取所述同一种类历史工作特征数据中任意一个数据分别与所述最大值及所述最小值相减,并将所述任意一个数据分别与所述最小值相减的数值与所述任意一个数据分别与所述最大值相减的数值进行除法运算,得到标准历史工作特征数据。
本发明一可选实施例中,可采用下述公式对所述历史工作特征数据进行归一化计算:
其中,所述x为任意一个历史工作特征数据;所述xmin为与所述任意一个历史工作特征数据同种的历史工作特征数据中的最小值;所述xmax为与所述任意一个历史工作特征数据同种的历史工作特征数据中的最大值;所述x′为所述任意一个历史工作特征数据进行归一化计算之后得到的标准历史工作特征数据。
本发明可选实施例中,通过对所述历史工作特征数据进行归一化处理,降低了模型计算难度,节省了模型计算时间,提高了员工工作质量评估的效率,例如,在金融领域中,保险业务人员的客户满意度集合为(2,3,5,4,2,3,5,1,3,5,1,4),经过简单排序可以获得所述客户满意度集合中的最大值为5,最小值为1,当对所述客户满意度集合中第一个客户满意度数据进行归一化处理时,将所述数值2分别与所述最大值为5,最小值为1分别进行相减,得到-3及1,并用1除以-3,取绝对值得到归一化数值1/3。
进一步地,本发明实施例中,为保证所述标准历史工作特征数据的有效性,还需对所述标准历史工作特征数据进行进一步地筛选,剔除与平均数值差距较大的数据,从而使得所述标准历史工作特征数据更为精准。
详细地,作为本发明一可选实施例,所述对所述历史工作特征数据进行归一化处理,得到标准历史工作特征数据之后,还包括:
对所述标准历史工作特征数据进行数据清洗,得到精准历史工作特征数据。
本发明一可选实施例中,通过对所述标准历史工作特征数据进行数据清洗,剔除了所述标准历史工作特征数据中与平均数值差距较大的数据,从而使得所述标准历史工作特征数据更为精准,减少了员工工作质量评估的误差,提高了员工工作质量评估的准确率。
S3、构建初始工作质量评估模型,并利用预设的优化烟花算法对所述初始工作质量评估模型中的权阈值进行优化,得到优化工作质量评估模型。
本发明实施例中,所述初始工作质量评估模型可以是前馈神经网络。所述预设的优化烟花算法可以是根据业务需求进行改进过的烟花算法,其中,所述烟花算法是指受到夜空中烟花爆炸的启发而提出的一种群体智能算法。所述权阈值可以是模型的权值与阈值,其中,所述权值可以是不同神经元之间的参数数值,所述阈值可以是神经元内部的参数数值。
本发明一可选实施例,由于所述初始工作质量评估模型主要由前馈神经网络构成,其中,所述前馈神经网络主要由输入层、隐藏层及输出层构成,进一步地,所述前馈神经网络的隐藏层层数主要由输入节点数与输出节点数决定,因此,在构建初始工作质量评估模型的过程中,还需要获取初始工作质量评估模型输入节点数及初始工作质量评估模型输出节点数来确定所述初始工作质量评估模型的隐藏层的层数。
进一步地,作为本发明一可选实施例,参考图2所示,所述构建初始工作质量评估模型,包括:
S31、获取所述标准历史工作特征数据的种类数量;
S32、根据所述种类数量,计算待构建初始工作质量评估模型的隐藏层层数;
S33、将所述隐藏层层数分别与预设的输入层及预设的输出层进行神经单元连接,得到初始工作质量评估模型。
本发明可选实施例中,可以利用下述公式计算待构建初始工作质量评估模型的隐藏层层数:
其中,所述y可以是待构建初始工作质量评估模型的隐藏层层数,所述x可以是所述标准历史工作特征数据的种类数量。
进一步地,为了提高所述初始工作质量评估模型中网络参数的适应度,还可以利用烟花算法所述初始工作质量评估模型中的权阈值进行优化,从而得到最佳初始化网络参数,使得工作质量评估模型的精准度更高。
详细地,作为本发明一可选实施例,参考图3所示,所述利用预设的优化烟花算法对所述初始工作质量评估模型中的权阈值进行优化,得到优化工作质量评估模型,包括:
S34、利用预设的优化烟花算法中的适应度函数计算所述初始工作质量评估模型中权阈值的适应度值;
S35、利用所述优化烟花算法中的烟花振幅函数计算所述初始工作质量评估模型中权阈值爆炸产生的爆炸半径;
S36、利用所述优化烟花算法中的火花数量函数计算所述初始工作质量评估模型中权阈值爆炸产生的火花数量;
S37、根据所述适应度值、所述爆炸半径及所述火花数量,对所述权阈值进行编译寻优,得到优化权阈值;
S38、判断所述权阈值的迭代次数是否达到最大迭代次数;
S39、当所述权阈值的迭代次数没有达到最大迭代次数时,返回所述根据所述适应度值、所述爆炸半径及所述火花数量,对所述权阈值进行编译寻优,得到优化权阈值的步骤,直至所述权阈值的迭代次数达到最大迭代次数;
S310、当所述权阈值的迭代次数达到最大迭代次数时,将所述优化权阈值作为最优权阈值;
S311、将所述最优权阈值与所述初始工作质量评估模型中的权阈值进行同位替换,得到优化工作质量评估模型。
本发明可选实施例中,通过将所述初始工作质量评估模型中的权阈值看作烟花算法中烟花种群的个体位置,对所述权阈值进行一系列计算,并进行选择、位移及编译寻优,得到最优权阈值,提高了工作质量评估模型的适应度及准确率。
进一步地,作为本发明一可选实施例,在标准的烟花算法中,若个体烟花的适应度函数值越小,其越接近最优,则所述个体烟花爆炸产生的火花个数越多,烟花爆炸半径会越小,那么将导致最优烟花爆炸半径接近于0,造成局部最优问题,因此,本发明通过引入非零控制因子γ来优化烟花爆炸半径R,避免了烟花爆炸过程中陷入局部最优,提高了烟花算法与实际问题的适应度。
S4、根据所述历史员工工作质量分数,利用所述标准历史工作特征数据对所述优化工作质量评估模型进行模型训练,得到训练完成的工作质量评估模型。
本发明实施例中,通过利用所述标准历史工作特征数据对所述优化工作质量评估模型进行模型训练,进一步对优化工作质量评估模型的参数进行优化调整,提高了工作质量评估模型的准确率。
进一步地,作为本发明一可选实施例,所述利用所述标准历史工作特征数据对所述优化工作质量评估模型进行模型训练,得到训练完成的工作质量评估模型,包括:
利用所述优化工作质量评估模型中的编码层对所述标准历史工作特征数据进行编码操作,得到工作特征编码向量;
根据所述优化工作质量评估模型中隐藏层的权值,对所述工作特征编码向量进行权重计算,得到工作特征权重向量;
利用所述述优化工作质量评估模型中的解码层对所述工作特征权重向量进行解码操作,得到预测员工工作质量分数;
利用预设的损失函数计算所述预测员工工作质量分数与所述历史员工工作质量分数的损失值,并根据所述损失值调整所述优化工作质量评估模型的参数,直至所述损失值小于预设阈值,得到训练完成的工作质量评估模型。
本发明可选实施例中,由于所述优化工作质量评估模型的基础为前馈神经网络,因此,只需将输入节点数据不断往所述优化工作质量评估模型输出层输送即可,进一步地,采用前馈神经网络作为员工工作质量评估的工作质量评估模型,能够减少计算复杂度,从而节省资源及时间,提高了员工工作质量评估的效率。
S5、获取所述待评估人员的当前常规工作数据,并利用所述训练完成的工作质量评估模型对所述当前常规工作数据进行计算,得到所述待评估人员的工作质量评估分数。
本发明可选实施例中,通过调取数据库中的数据,获取所述待评估人员的当前常规工作数据,进一步地,将所述当前常规工作数据输入至所述训练完成的工作质量评估模型中,可以得到所述待评估人员的工作质量评估分数,减少了人工计算员工工作质量评估分数可能带来的错误,并减少了人工成本的消耗,节省了人力资源。
本发明实施例通过查找并调取存储工作数据的数据库的方式,获取待评估人员的历史常规工作数据,保证了数据的准确性,确保了所述待评估人员工作质量评估的准确率,进一步地,通过对所述历史工作特征数据进行归一化处理,得到标准历史工作特征数据,降低模型计算难度,从而节省模型计算时间,提高了员工工作质量评估的效率,其次,本发明利用预设的优化烟花算法对所述初始工作质量评估模型中的权阈值进行优化,得到优化工作质量评估模型,提高了工作质量评估模型的适应度及准确率,最后,本发明通过利用所述标准历史工作特征数据对所述优化工作质量评估模型进行模型训练,进一步对优化工作质量评估模型的参数进行优化调整,提高了工作质量评估模型的准确率。因此,本发明提供的一种基于模型训练的工作质量评估方法,能够提高保险企业对自家保险业务人员的工作质量进行评估的效率及准确率,减少了保险企业在员工工作质量评估上的人力成本。
如图4所示,是本发明基于模型训练的工作质量评估装置的功能模块图。
本发明所述基于模型训练的工作质量评估装置100可以安装于电子设备中。根据实现的功能,所述基于模型训练的工作质量评估装置100可以包括数据处理模块101、模型训练模块102及模型应用模块103,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:
所述数据处理模块101用于获取待评估人员的历史常规工作数据、历史员工工作质量分数及工作质量评估脚本,并根据所述工作质量评估脚本对所述历史常规工作数据进行特征筛选,得到历史工作特征数据,对所述历史工作特征数据进行归一化处理,得到标准历史工作特征数据。
所述模型训练模块102用于构建初始工作质量评估模型,并利用预设的优化烟花算法对所述初始工作质量评估模型中的权阈值进行优化,得到优化工作质量评估模型,根据所述历史员工工作质量分数,利用所述标准历史工作特征数据对所述优化工作质量评估模型进行模型训练,得到训练完成的工作质量评估模型。
所述模型应用模块103用于获取所述待评估人员的当前常规工作数据,并利用所述训练完成的工作质量评估模型对所述当前常规工作数据进行计算,得到所述待评估人员的工作质量评估分数。
如图5所示,是本发明实现基于模型训练的工作质量评估方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信总线12和通信接口13,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,如基于模型训练的工作质量评估程序。
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的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备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的应用软件及各类数据,例如基于模型训练的工作质量评估程序的代码等,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(例如基于模型训练的工作质量评估程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述通信总线12可以是外设部件互连标准(PerIPheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,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。所述通信总线12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。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
图5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5示出的结构并不构成对所述电子设备的限定,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。
可选地,所述通信接口13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与其他电子设备之间建立通信连接。
可选地,所述通信接口13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。
所述电子设备中的所述存储器11存储的基于模型训练的工作质量评估程序是多个计算机程序的组合,在所述处理器10中运行时,可以实现:
获取待评估人员的历史常规工作数据、历史员工工作质量分数及工作质量评估脚本,并根据所述工作质量评估脚本对所述历史常规工作数据进行特征筛选,得到历史工作特征数据;
对所述历史工作特征数据进行归一化处理,得到标准历史工作特征数据;
构建初始工作质量评估模型,并利用预设的优化烟花算法对所述初始工作质量评估模型中的权阈值进行优化,得到优化工作质量评估模型;
根据所述历史员工工作质量分数,利用所述标准历史工作特征数据对所述优化工作质量评估模型进行模型训练,得到训练完成的工作质量评估模型;
获取所述待评估人员的当前常规工作数据,并利用所述训练完成的工作质量评估模型对所述当前常规工作数据进行计算,得到所述待评估人员的工作质量评估分数。
具体地,所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备集成的模块/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取存储介质中。所述计算机可读介质可以是非易失性的,也可以是易失性的。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)。
本发明实施例还可以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:
获取待评估人员的历史常规工作数据、历史员工工作质量分数及工作质量评估脚本,并根据所述工作质量评估脚本对所述历史常规工作数据进行特征筛选,得到历史工作特征数据;
对所述历史工作特征数据进行归一化处理,得到标准历史工作特征数据;
构建初始工作质量评估模型,并利用预设的优化烟花算法对所述初始工作质量评估模型中的权阈值进行优化,得到优化工作质量评估模型;
根据所述历史员工工作质量分数,利用所述标准历史工作特征数据对所述优化工作质量评估模型进行模型训练,得到训练完成的工作质量评估模型;
获取所述待评估人员的当前常规工作数据,并利用所述训练完成的工作质量评估模型对所述当前常规工作数据进行计算,得到所述待评估人员的工作质量评估分数。
进一步地,所述计算机可用存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中,应该理解到,所揭露的电子设备,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。
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 (10)
1.一种基于模型训练的工作质量评估方法,其特征在于,所述方法包括:
获取待评估人员的历史常规工作数据、历史员工工作质量分数及工作质量评估脚本,并根据所述工作质量评估脚本对所述历史常规工作数据进行特征筛选,得到历史工作特征数据;
对所述历史工作特征数据进行归一化处理,得到标准历史工作特征数据;
构建初始工作质量评估模型,并利用预设的优化烟花算法对所述初始工作质量评估模型中的权阈值进行优化,得到优化工作质量评估模型;
根据所述历史员工工作质量分数,利用所述标准历史工作特征数据对所述优化工作质量评估模型进行模型训练,得到训练完成的工作质量评估模型;
获取所述待评估人员的当前常规工作数据,并利用所述训练完成的工作质量评估模型对所述当前常规工作数据进行计算,得到所述待评估人员的工作质量评估分数。
2.如权利要求1所述的基于模型训练的工作质量评估方法,其特征在于,所述利用预设的优化烟花算法对所述初始工作质量评估模型中的权阈值进行优化,得到优化工作质量评估模型,包括:
利用预设的优化烟花算法中的适应度函数计算所述初始工作质量评估模型中权阈值的适应度值;
利用所述优化烟花算法中的烟花振幅函数计算所述初始工作质量评估模型中权阈值爆炸产生的爆炸半径;
利用所述优化烟花算法中的火花数量函数计算所述初始工作质量评估模型中权阈值爆炸产生的火花数量;
根据所述适应度值、所述爆炸半径及所述火花数量,对所述权阈值进行编译寻优,得到优化权阈值;
判断所述权阈值的迭代次数是否达到最大迭代次数;
当所述权阈值的迭代次数没有达到最大迭代次数时,返回所述根据所述适应度值、所述爆炸半径及所述火花数量,对所述权阈值进行编译寻优,得到优化权阈值的步骤,直至所述权阈值的迭代次数达到最大迭代次数;
当所述权阈值的迭代次数达到最大迭代次数时,将所述优化权阈值作为最优权阈值;
将所述最优权阈值与所述初始工作质量评估模型中的权阈值进行同位替换,得到优化工作质量评估模型。
3.如权利要求1所述的基于模型训练的工作质量评估方法,其特征在于,所述利用所述标准历史工作特征数据对所述优化工作质量评估模型进行模型训练,得到训练完成的工作质量评估模型,包括:
利用所述优化工作质量评估模型中的编码层对所述标准历史工作特征数据进行编码操作,得到工作特征编码向量;
根据所述优化工作质量评估模型中隐藏层的权值,对所述工作特征编码向量进行权重计算,得到工作特征权重向量;
利用所述述优化工作质量评估模型中的解码层对所述工作特征权重向量进行解码操作,得到预测员工工作质量分数;
利用预设的损失函数计算所述预测员工工作质量分数与所述历史员工工作质量分数的损失值,并根据所述损失值调整所述优化工作质量评估模型的参数,直至所述损失值小于预设阈值,得到训练完成的工作质量评估模型。
4.如权利要求1所述的基于模型训练的工作质量评估方法,其特征在于,所述对所述历史工作特征数据进行归一化处理,得到标准历史工作特征数据,包括:
获取同一种类历史工作特征数据的最大值及最小值;
选取所述同一种类历史工作特征数据中任意一个数据分别与所述最大值及所述最小值相减,并将所述任意一个数据分别与所述最小值相减的数值与所述任意一个数据分别与所述最大值相减的数值进行除法运算,得到标准历史工作特征数据。
5.如权利要求1所述的基于模型训练的工作质量评估方法,其特征在于,所述根据所述工作质量评估脚本对所述历史常规工作数据进行特征筛选,得到历史工作特征数据,包括:
对所述工作质量评估脚本进行编译,得到特征数据筛选指令;
解析所述特征数据筛选指令,得到待查找数据特征;
根据所述待查找数据特征,从所述历史常规工作数据中进行筛选,得到历史工作特征数据。
6.如权利要求1所述的基于模型训练的工作质量评估方法,其特征在于,所述构建初始工作质量评估模型,包括:
获取所述标准历史工作特征数据的种类数量;
根据所述种类数量,计算待构建初始工作质量评估模型的隐藏层层数;
将所述隐藏层层数分别与预设的输入层及预设的输出层进行神经单元连接,得到初始工作质量评估模型。
7.如权利要求1所述的基于模型训练的工作质量评估方法,其特征在于,所述对所述历史工作特征数据进行归一化处理,得到标准历史工作特征数据之后,还包括:
对所述标准历史工作特征数据进行数据清洗,得到精准历史工作特征数据。
8.一种基于模型训练的工作质量评估装置,其特征在于,所述装置包括:
数据处理模块,用于获取待评估人员的历史常规工作数据、历史员工工作质量分数及工作质量评估脚本,并根据所述工作质量评估脚本对所述历史常规工作数据进行特征筛选,得到历史工作特征数据,对所述历史工作特征数据进行归一化处理,得到标准历史工作特征数据;
模型训练模块,用于构建初始工作质量评估模型,并利用预设的优化烟花算法对所述初始工作质量评估模型中的权阈值进行优化,得到优化工作质量评估模型,根据所述历史员工工作质量分数,利用所述标准历史工作特征数据对所述优化工作质量评估模型进行模型训练,得到训练完成的工作质量评估模型;
模型应用模块,用于获取所述待评估人员的当前常规工作数据,并利用所述训练完成的工作质量评估模型对所述当前常规工作数据进行计算,得到所述待评估人员的工作质量评估分数。
9.一种电子设备,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指令,所述计算机程序指令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7中任一项所述的基于模型训练的工作质量评估方法。
10.一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7中任一项所述的基于模型训练的工作质量评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310851413.XA CN116797098A (zh) | 2023-07-11 | 2023-07-11 | 基于模型训练的工作质量评估方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310851413.XA CN116797098A (zh) | 2023-07-11 | 2023-07-11 | 基于模型训练的工作质量评估方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116797098A true CN116797098A (zh) | 2023-09-22 |
Family
ID=88040161
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310851413.XA Pending CN116797098A (zh) | 2023-07-11 | 2023-07-11 | 基于模型训练的工作质量评估方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116797098A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116992308A (zh) * | 2023-09-25 | 2023-11-03 | 中国科学院自动化研究所 | 数据与知识融合的工艺波动分析与优化方法及装置 |
-
2023
- 2023-07-11 CN CN202310851413.XA patent/CN116797098A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116992308A (zh) * | 2023-09-25 | 2023-11-03 | 中国科学院自动化研究所 | 数据与知识融合的工艺波动分析与优化方法及装置 |
CN116992308B (zh) * | 2023-09-25 | 2024-01-16 | 中国科学院自动化研究所 | 数据与知识融合的工艺波动分析与优化方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110837931B (zh) | 客户流失预测方法、装置及存储介质 | |
CN103294592B (zh) | 利用用户工具交互来自动分析其服务交付中的缺陷的方法与系统 | |
CN115002200B (zh) | 基于用户画像的消息推送方法、装置、设备及存储介质 | |
CN112906384B (zh) | 基于bert模型的数据处理方法、装置、设备及可读存储介质 | |
CN110163204A (zh) | 基于图像识别的商家监管方法、装置及存储介质 | |
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 | |
CN110852785B (zh) | 用户分级方法、装置及计算机可读存储介质 | |
CN113626606B (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
CN114663198A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
CN116797098A (zh) | 基于模型训练的工作质量评估方法、装置、设备及介质 | |
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 | |
CN113886691A (zh) | 基于历史数据的智能推荐方法、装置、电子设备及介质 | |
CN113706291A (zh) | 欺诈风险预测方法、装置、设备及存储介质 | |
CN114638547A (zh) | 企业战略智能预警方法、装置、电子设备及存储介质 | |
CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
US20220374814A1 (en) | Resource configuration and management system for digital workers | |
CN116701584A (zh) | 基于电力用户画像的智能问答方法、装置以及电子设备 | |
CN115760332A (zh) | 基于企业数据分析的风险预测方法、系统、介质及设备 | |
CN110310012A (zh) | 数据分析方法、装置、设备及计算机可读存储介质 | |
CN112950344A (zh) | 数据评估方法、装置、电子设备及存储介质 | |
CN116843481A (zh) | 知识图谱分析方法、装置、设备及存储介质 | |
CN111652282A (zh) | 基于大数据的用户偏好分析方法、装置及电子设备 | |
CN113806540B (zh) | 文本打标签方法、装置、电子设备及存储介质 | |
CN112789636A (zh) | 信息处理装置、信息处理方法和程序 | |
CN115809930A (zh) | 基于数据融合匹配的反欺诈分析方法、装置、设备及介质 |
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 |