CN116823014A - 一种企业员工绩效自动评分服务实现方法 - Google Patents

一种企业员工绩效自动评分服务实现方法 Download PDF

Info

Publication number
CN116823014A
CN116823014A CN202310358873.9A CN202310358873A CN116823014A CN 116823014 A CN116823014 A CN 116823014A CN 202310358873 A CN202310358873 A CN 202310358873A CN 116823014 A CN116823014 A CN 116823014A
Authority
CN
China
Prior art keywords
classifier
staff
performance
random forest
layer
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.)
Granted
Application number
CN202310358873.9A
Other languages
English (en)
Other versions
CN116823014B (zh
Inventor
焦永纪
吴紫茉
罗涵
陈晓雪
张晓曼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202310358873.9A priority Critical patent/CN116823014B/zh
Publication of CN116823014A publication Critical patent/CN116823014A/zh
Application granted granted Critical
Publication of CN116823014B publication Critical patent/CN116823014B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Computational Linguistics (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种企业员工绩效自动评分服务实现方法，该方法框架分为三部分，分别为数据预处理、两层随机森林分类器和人工蜂群算法选择特征。数据预处理部分使用了小数定标规范化、独立成分分析方法，将员工的绩效考核指标规范化后提取出特征。每层分类器由12个随机森林个体分类器组成一个强分类器，这种结构使得整体模型的结果具有较高的精确度和泛化性能，同时也有很好的稳定性。通过第二层随机森林分类器对第一层分类器预测结果集成，能够提升结果的预测精度。在使用人工蜂群算法选择特征时也加入了K折交叉验证，使得模型更加稳健，鲁棒性更强。本发明能够有效地应用于企业员工绩效自动评分服务中，极大地减少企业人事部门绩效评分的工作。

Description

一种企业员工绩效自动评分服务实现方法
技术领域
本发明涉及一种随机森林方法与人工蜂群算法方法，特别涉及一种企业员工绩效自动评分服务实现方法。
背景技术
目前，国有企业作为一种生产经营组织形式同时具有盈利性和公益性的特点。不同于一般企业，对国有企业的员工进行绩效考核会存在很多的问题。随着KPI绩效考核方法的兴起，有些国有企业开始采用KPI用于企业员工的绩效考核。但是由于考核体系不完整，KPI考核指标设置不准确、国有企业KPI考核指标评价没有具体的可套用的量化标准以及员工对绩效考核工作普遍不理解，增添了绩效考核的阻碍。因此如何实现员工绩效评分的公平性就成了亟待解决的问题。
发明内容
本发明目的在于针对企业中，特别是国有企业在员工绩效考核方面难以实现有效的、公平的评分问题，提供了一种企业员工绩效自动评分服务实现方法，该方法通过全面考察员工的绩效考核指标，实现更加高效公平的绩效评分。本发明框架分为三部分，分别为数据预处理、两层随机森林分类器和人工蜂群算法选择特征。数据预处理部分使用了小数定标规范化、独立成分分析方法，将员工的绩效考核指标规范化后提取出特征。每层分类器由12个随机森林个体分类器组成一个强分类器，这种结构使得整体模型的结果具有较高的精确度和泛化性能，同时也有很好的稳定性。通过第二层随机森林分类器对第一层分类器预测结果集成，能够在算法原本的基础上再提升结果的预测精度。在使用人工蜂群算法选择特征时也加入了K折交叉验证，使得模型更加稳健，鲁棒性更强。
本发明为实现上述发明目的采用如下技术方案：一种企业员工绩效自动评分服务实现方法，该方法包括如下步骤：
步骤1：收集企业中所有员工的绩效考核指标，每位员工有12个指标，包括主动性、承担责任、领导力、人际关系、决策、成长认知、纪律作风、学习力、团队合作、公平职业化、服从、服务细致。每个指标的数值在[1,5]之间。
步骤2：对收集到的指标进行数据规范化，采取了小数定标规范化(DecimalScaling)。
步骤3：对规范化后的数据进行特征提取，采取独立成分分析(Independentcomponent analysis，ICA)。
步骤4：先使用自助采样法(Bootstrap Sampling)生成一个采样集，带来数据集的差异化。再使用12个随机森林个体分类器。每个个体分类器接受处理完员工绩效考核指标的的特征，并对其拟合样本指标、分类，通过结合策略将12个个体分类器集合成一个强分类器，将分类后的预测结果输出。随机森林的最大特征数(max_features)选择区间为[0.5,0.8]、决策树的棵树(n_estimators)设置为55、决策树最大深度(max_depth)为5、叶子节点最少样本数(min_samples_leaf)设置为2。
步骤5：采取人工蜂群算法对上一层强分类器输出的分类完成的特征在进行特征选择，还加入了K折交叉验证在每个个体分类器中，得到更为可靠稳定的模型。对分类器的参数进行调优，并且筛选掉输出结果不尽如人意的分类器，优化了两层分类器结构。
步骤6：使用12个个体分类器对选择的员工绩效考核指标的特征以及复用的员工绩效考核指标融合起来进行再分类，并将分类结果集成到抢分类器中，大大提升了预测结果的精度。并且还接受上一层的反馈加强模型训练。
步骤7：通过人工蜂群算法筛选出最优特征，输出最终的结果。
有益效果：
1、本发明详细规定了12种员工绩效考核指标，并且对绩效指标进行了复用，充分利用了每个员工的个体属性，使得所得绩效评分的准确率远高于企业原有的人工计算的绩效的准确率，评分过程公平公正并且极大提升了企业绩效评分的效率。
2、本发明通过收集每个员工的绩效考核指标，使用随机森林方法与人工蜂群算法方法分层地对特征进行分类、提取与参数优化，在框架中，不仅对员工的绩效考核指标进行充分的复用，还融入了随机森林方法与人工蜂群算法方法的思想，并且采用了K折交叉验证，确保了结果的正确性。
3、本发明提出的随机森林框架能够有效地应用于企业员工绩效自动评分服务中，所得绩效评分的准确率远高于企业原有的人工计算的绩效的准确率，并极大地减少企业人事部门绩效评分的工作。
附图说明
图1为本发明的方法流程图。
图2为本发明的特征选择流程图。
图3为本发明的数据处理示意图。
具体实施方式
下面结合说明书附图对本发明创造作进一步地详细说明。
如图1至3所示，本发明提供了一种企业员工绩效自动评分服务实现方法，该方法包括如下步骤：
步骤1：先进行数据预处理。获取企业中所有员工的绩效考核指标，每位员工有12个指标，每个指标的数值在[1,5]之间，随机取一名员工为例，如表1所示。再使用小数定标规范化(Decimal Scaling)对数据进行规范化，所得结果如表2所示。通过独立成分分析(Independent component analysis，ICA)对规范化后的数据进行特征提取，提升了原数据的质量。最终共有12个特征被输出。
表1
员工绩效指标 分数
主动性 4
承担责任 3
领导力 5
人际关系 4
决策 3
成长认知 2
纪律作风 3
学习力 2
团队合作 3
公平职业化 4
服从 5
服务细致 3
表2
步骤2：第一层分类器中，12个个体分类器作为分类器，在分类完成后将预测结果集成到强分类器中，大大提升了预测精度。分类器接受处理完的特征，并对其拟合样本指标、进行分类，最后将分类好的特征输出。随机森林的最大特征数(max_features)选择区间为[0.5,0.8]、决策树的棵树(n_estimators)设置为55决策树最大深度(max_depth)为5、叶子节点最少样本数(min_samples_leaf)设置为2。如表3所示
表3
随机森林参数 数值
最大特征数 [0.5,0.8]
决策树棵树 55
决策树最大深度 5
叶子节点最少样本数 2
步骤3：使用人工蜂群算法，对上一层分类器的参数进行调优，并通过两种误差计算方式和k折交叉验证对分类后的特征进行选择，之后将选择出的最优的特征组合输出。排除了输出结果不理想的分类器，只选择正确的预测结果，优化了上一层分类器的参数以及结构。
步骤4：第二层随机森林分类器对第一次选择的员工绩效考核指标的特征进行再分类。多层结构通过层数的增加，使得第二层分类器不仅在上一层的预测结果上再训练，又加入了员工绩效考核指标的复用，大大提高了最终结果的精度。
步骤5：使用人工蜂群算法选择前一层最优分类器以及员工绩效考核特征，输出最终的最佳结果。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (5)

1.一种企业员工绩效自动评分服务实现方法，其特征在于，所述方法包括如下步骤：
步骤1：收集企业中所有员工的绩效考核指标，每位员工有12个指标，包括主动性、承担责任、领导力、人际关系、决策、成长认知、纪律作风、学习力、团队合作、公平职业化、服从、服务细致，每个指标的数值在[1,5]之间；
步骤2：对收集到的指标进行数据规范化，采取了小数定标规范化；
步骤3：对规范化后的数据进行特征提取，采取独立成分分析；
步骤4：先使用自助采样法生成一个采样集，带来数据集的差异化，再使用12个随机森林个体分类器，每个个体分类器接受处理完员工绩效考核指标的的特征，并对其拟合样本指标、分类，通过结合策略将12个个体分类器集合成一个强分类器，将分类后的预测结果输出，随机森林的最大特征数(max_features)选择区间为[0.5,0.8]、决策树的棵树(n_estimators)设置为55、决策树最大深度(max_depth)为5、叶子节点最少样本数(min_samples_leaf)设置为2；
步骤5：采取人工蜂群算法对上一层强分类器输出的分类完成的特征在进行特征选择，还加入了K折交叉验证在每个个体分类器中，得到更为可靠稳定的模型，对分类器的参数进行调优，并且筛选掉输出结果不尽如人意的分类器，优化了两层分类器结构；
步骤6：使用12个个体分类器对选择的员工绩效考核指标的特征以及复用的员工绩效考核指标融合起来进行再分类，并将分类结果集成到抢分类器中；
步骤7：通过人工蜂群算法筛选出最优特征，输出最终的结果。
2.根据权利要求1所述的一种企业员工绩效自动评分服务实现方法，其特征在于，所述步骤1包括：使用小数定标规范化对数据进行规范化，所得结果如表2所示，通过独立成分分析对规范化后的数据进行特征提取，提升了原数据的质量,最终共有12个特征被输出:
表1
表2
员工绩效指标 小数规范化结果 主动性 0.4 承担责任 0.3 领导力 0.5 人际关系 0.4 决策 0.3 成长认知 0.2 纪律作风 0.3 学习力 0.2 团队合作 0.3 公平职业化 0.4 服从 0.5 服务细致 0.3
。
3.根据权利要求1所述的一种企业员工绩效自动评分服务实现方法，其特征在于，所述步骤2包括：第一层分类器中，12个个体分类器作为分类器，在分类完成后将预测结果集成到强分类器中，分类器接受处理完的特征，并对其拟合样本指标、进行分类，最后将分类好的特征输出，随机森林的最大特征数(max_features)选择区间为[0.5,0.8]、决策树的棵树(n_estimators)设置为55决策树最大深度(max_depth)为5、叶子节点最少样本数(min_samples_leaf)设置为2，如表3所示：
表3
4.根据权利要求1所述的一种企业员工绩效自动评分服务实现方法，其特征在于，所述步骤3包括：使用人工蜂群算法，对上一层分类器的参数进行调优，并通过两种误差计算方式和k折交叉验证对分类后的特征进行选择，之后将选择出的最优的特征组合输出，排除了输出结果不理想的分类器，只选择正确的预测结果，优化了上一层分类器的参数以及结构。
5.根据权利要求1所述的一种企业员工绩效自动评分服务实现方法，其特征在于，所述方法包括：框架分为三部分，分别为数据预处理、两层随机森林分类器和人工蜂群算法选择特征，数据预处理部分使用了小数定标规范化、独立成分分析方法，将员工的绩效考核指标规范化后提取出特征，每层分类器由12个随机森林个体分类器组成一个强分类器，通过第二层随机森林分类器对第一层分类器预测结果集成，在使用人工蜂群算法选择特征时也加入了K折交叉验证。
CN202310358873.9A 2023-04-06 2023-04-06 一种企业员工绩效自动评分服务实现方法 Active CN116823014B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310358873.9A CN116823014B (zh) 2023-04-06 2023-04-06 一种企业员工绩效自动评分服务实现方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310358873.9A CN116823014B (zh) 2023-04-06 2023-04-06 一种企业员工绩效自动评分服务实现方法

Publications (2)

Publication Number Publication Date
CN116823014A true CN116823014A (zh) 2023-09-29
CN116823014B CN116823014B (zh) 2024-02-13

Family

ID=88126465

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310358873.9A Active CN116823014B (zh) 2023-04-06 2023-04-06 一种企业员工绩效自动评分服务实现方法

Country Status (1)

Country Link
CN (1) CN116823014B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107516135A (zh) * 2017-07-14 2017-12-26 浙江大学 一种支持多源数据的自动化监督性学习方法
CN107977853A (zh) * 2017-10-23 2018-05-01 重庆长安汽车股份有限公司 一种汽车企业客户流失建模与分析方法
CN109858647A (zh) * 2018-12-21 2019-06-07 河海大学 一种耦合gis和gbdt算法的区域洪涝灾害风险评价与预估方法
CN110073301A (zh) * 2017-08-02 2019-07-30 强力物联网投资组合2016有限公司 工业物联网中具有大数据集的数据收集环境下的检测方法和系统
AU2020100709A4 (en) * 2020-05-05 2020-06-11 Bao, Yuhang Mr A method of prediction model based on random forest algorithm
AU2020101453A4 (en) * 2020-07-23 2020-08-27 China Communications Construction Co., Ltd. An Intelligent Optimization Method of Durable Concrete Mix Proportion Based on Data mining
CN112182221A (zh) * 2020-10-12 2021-01-05 哈尔滨工程大学 一种基于改进随机森林的知识检索优化方法
CN112785059A (zh) * 2021-01-23 2021-05-11 罗家德 员工组织行为暨人脉网管理与预测方法
CN113283484A (zh) * 2021-05-14 2021-08-20 中国邮政储蓄银行股份有限公司 改进的特征选择方法、装置及存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107516135A (zh) * 2017-07-14 2017-12-26 浙江大学 一种支持多源数据的自动化监督性学习方法
CN110073301A (zh) * 2017-08-02 2019-07-30 强力物联网投资组合2016有限公司 工业物联网中具有大数据集的数据收集环境下的检测方法和系统
CN107977853A (zh) * 2017-10-23 2018-05-01 重庆长安汽车股份有限公司 一种汽车企业客户流失建模与分析方法
CN109858647A (zh) * 2018-12-21 2019-06-07 河海大学 一种耦合gis和gbdt算法的区域洪涝灾害风险评价与预估方法
AU2020100709A4 (en) * 2020-05-05 2020-06-11 Bao, Yuhang Mr A method of prediction model based on random forest algorithm
AU2020101453A4 (en) * 2020-07-23 2020-08-27 China Communications Construction Co., Ltd. An Intelligent Optimization Method of Durable Concrete Mix Proportion Based on Data mining
CN112182221A (zh) * 2020-10-12 2021-01-05 哈尔滨工程大学 一种基于改进随机森林的知识检索优化方法
CN112785059A (zh) * 2021-01-23 2021-05-11 罗家德 员工组织行为暨人脉网管理与预测方法
CN113283484A (zh) * 2021-05-14 2021-08-20 中国邮政储蓄银行股份有限公司 改进的特征选择方法、装置及存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
POHJANKUKKA JONNE 等: "Estimating the prediction performance of spatial models via spatial k-fold cross validation", 《INTERNATIONAL JOURNAL OF GEOGRAPHICAL INFORMATION SCIENCE》, vol. 31, no. 10, 5 July 2017 (2017-07-05), pages 2001 - 2019 *
SUN QINGQIANG 等: "Deep learning for industrial KPI prediction: When ensemble learning meets semi-supervised data", 《IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS》, vol. 17, no. 1, 28 January 2020 (2020-01-28), pages 260 - 269, XP011818802, DOI: 10.1109/TII.2020.2969709 *
刘蒙原: "基于集成学习的电力企业客户信用评级研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 01, 15 January 2023 (2023-01-15), pages 042 - 292 *
陈羿螢: "多分类器融合算法的研究及其在信贷风控中的应用", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 01, 15 January 2019 (2019-01-15), pages 140 - 495 *

Also Published As

Publication number Publication date
CN116823014B (zh) 2024-02-13

Similar Documents

Publication Publication Date Title
AU2018102040A4 (en) The method of an efficient and accurate credit rating system through the gradient boost decision tree
CN108877839A (zh) 基于语音语义识别技术的语音质量感知评估的方法及系统
CN108346145A (zh) 一种病理切片中非常规细胞的识别方法
CN109189901A (zh) 一种智能客服系统中自动发现新分类以及对应语料的方法
CN107808661A (zh) 一种基于协作式批量主动学习的藏语语音语料标注方法及系统
CN108596038B (zh) 一种结合形态学分割和神经网络的粪便中红细胞识别方法
CN113468296B (zh) 可配置业务逻辑的模型自迭代式智能客服质检系统与方法
TW201935370A (zh) 從文字內容評核客戶服務品質之系統及方法
CN111522947A (zh) 一种处理投诉工单的方法和系统
CN107766560B (zh) 客服服务流程的评价方法和系统
CN116823014B (zh) 一种企业员工绩效自动评分服务实现方法
CN112330095A (zh) 一种基于决策树算法的质量管理方法
Yan et al. Speech interactive emotion recognition system based on random forest
CN111160428A (zh) 基于cnn-svm算法蔬菜自动识别方法
CN116503026B (zh) 科技项目的运维风险评估方法、系统及存储介质
CN106898357B (zh) 一种基于正态分布规律的矢量量化方法
CN116681556A (zh) 一种基于教育大数据的智慧远程教学云平台系统及方法
CN116432664A (zh) 一种高质量数据扩增的对话意图分类方法及系统
CN116543154A (zh) 一种基于多层次语义特征的医学影像分割方法
CN113610194B (zh) 一种数字档案自动分类方法
CN115115880A (zh) 一种基于深度学习的香菇品质分级方法
CN115587988A (zh) 基于数字图像处理的分辨烟叶成熟度高低的方法
CN115619117A (zh) 基于值班系统的电网智能调度方法
CN114140647A (zh) 电芯极组极片模糊图像识别的算法
CN112215569B (zh) 一种对公账户定制方法及系统

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
GR01 Patent grant
GR01 Patent grant