CN117787941A - 一种基于智慧办公的会议室使用优化方法 - Google Patents
一种基于智慧办公的会议室使用优化方法 Download PDFInfo
- Publication number
- CN117787941A CN117787941A CN202311808600.6A CN202311808600A CN117787941A CN 117787941 A CN117787941 A CN 117787941A CN 202311808600 A CN202311808600 A CN 202311808600A CN 117787941 A CN117787941 A CN 117787941A
- Authority
- CN
- China
- Prior art keywords
- conference
- participants
- data
- meeting
- influence
- 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 58
- 238000005457 optimization Methods 0.000 title abstract description 8
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 68
- 238000011156 evaluation Methods 0.000 claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 30
- 230000008713 feedback mechanism Effects 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims description 22
- 230000007774 longterm Effects 0.000 claims description 21
- 238000012706 support-vector machine Methods 0.000 claims description 21
- 230000003993 interaction Effects 0.000 claims description 19
- 239000003999 initiator Substances 0.000 claims description 14
- 230000004044 response Effects 0.000 claims description 13
- 230000008520 organization Effects 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000003066 decision tree Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 5
- 230000008901 benefit Effects 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 4
- 239000002131 composite material Substances 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000007670 refining Methods 0.000 claims 1
- 238000012827 research and development Methods 0.000 description 14
- 230000000875 corresponding effect Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000011158 quantitative evaluation Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000012731 temporal analysis Methods 0.000 description 3
- 238000000700 time series analysis Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013507 mapping 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
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种基于智慧办公的会议室使用优化方法,包括:通过识别会议召集起因描述与涉及项目标识,采用朴素贝叶斯算法,识别准备举办的临时会议的核心议题,并确定其核心信息和紧急性;根据临时会议参会人员数量与会议相关部门的数据,判断正在进行中的会议属于跨部门协调还是同部门协调;通过训练打扰事件严重度识别模型,检测当前正在进行中的会议,是否能接受打扰,并利用打扰事件的后果评估判断该事件的影响程度;选择可中断的会议,基于新的优先级,选择一个或多个最低优先级的会议,视为可中断;获取会议参与者的反馈,在准备中断某个会议之前,利用会议参与者的反馈机制数据,确保参会者同意,并安排临时会议。
Description
技术领域
本发明涉及信息技术领域,尤其涉及一种基于智慧办公的会议室使用优化方法。
背景技术
在现代商务环境中,会议作为一种重要的组织和协调工作的方式扮演着至关重要的角色。然而,传统的会议组织和管理方法存在一些问题。首先,临时会议往往由于突发需求而召集,导致难以及时确定其核心议题和紧急性,这种情况下,会议召开前的准备工作可能不充分,信息传递效率低下,这可能会延迟决策的过程,推迟项目的进展。临时会议的召开没有明确的目标和议程,可能会导致参与者之间的讨论和决策不够准确和高效。另外,现有的会议室门牌系统仅提供了会议室的占用信息,而很难准确评估会议的重要性,这使得会议之间的优先级无法准确确定。有时,重要的会议可能会被推迟或被其他不太重要的会议所取代,导致工作进度的延迟和决策的推迟,进而影响到项目的顺利进行和决策的及时性。此外,现有的会议影响范围评估方法难以全面考虑到会议参与人员的权限和决策影响力,不能准确评估会议的影响程度。这可能导致会议决策的科学性和全面性不足,进而影响到项目的进展和工作的协调性。如果会议的影响范围没有得到准确的评估,可能会导致重要决策的偏颇或忽略,从而影响到项目的质量和进展。还有,现有的会议优先级评估方法仅基于一些简单的指标,如会议的时间和地点等,不能综合考虑到会议决策者的重要性、业务决策的影响性、跨部门合作的复杂性和会议的可打扰性等因素。这可能导致会议的优先级分配不够合理和准确,进而影响到工作的整体效率和质量。如果会议的优先级没有得到合理的评估和分配,可能会导致资源的浪费和决策的不当,从而影响到工作的进展和成果的达成。
发明内容
本发明提供了一种基于智慧办公的会议室使用优化方法,主要包括:
通过识别会议召集起因描述与涉及项目标识,采用朴素贝叶斯算法,识别准备举办的临时会议的核心议题,并确定其核心信息和紧急性;通过会议室门牌系统,对于每个已占用的会议室采用会议预计持续时间与参会人员职责的数据,评估会议的重要性,判断临时会议重要性与当前正在举行的会议的重要性;如果在主题上,临时会议具有更高重要度,进一步根据每个会议的发起人权限与决策影响力,对会议的影响范围进行评估,判断与发起人权限相比更高且决策影响力更大的会议;根据临时会议参会人员数量与会议相关部门的数据,判断正在进行中的会议属于跨部门协调还是同部门协调;通过训练打扰事件严重度识别模型,检测当前正在进行中的会议,是否能接受打扰,并利用打扰事件的后果评估判断该事件的影响程度;根据影响因素,重新评估现有会议优先级,包括会议决策者的重要性、业务决策的影响性、跨部门合作的复杂性和可打扰性的各个评估结果,为每个会议重新分配一个优先级;选择可中断的会议,基于新的优先级,选择一个或多个最低优先级的会议,视为可中断;获取会议参与者的反馈,在准备中断某个会议之前,利用会议参与者的反馈机制数据,确保参会者同意,并安排临时会议。
作为优选方案,所述通过识别会议召集起因描述与涉及项目标识,采用朴素贝叶斯算法,识别准备举办的临时会议的核心议题,并确定其核心信息和紧急性,包括:
通过历史会议统计数据库检索,获取涉及项目标识的历史会议统计数据,判断涉及的项目与当前议题的关联度;结合所述关联度、会议召集起因与项目标识的历史数据,判定即将召开的临时会议的主要议题;采用朴素贝叶斯算法,建立会议主题识别模型,对得到的临时会议的主要议题进行进一步的细分和明确;评估所述模型的准确率、召回率关键指标,判断议题识别结果的质量和准确性;如果议题识别结果的质量和准确性低于准确性阈值,对会议主题识别模型进行调整,重新进行识别;如果议题识别结果的质量和准确性高于准确性阈值,得到进一步细分和明确后的议题;通过支持向量机算法,将待处理议题文本作为输入,经过算法处理后,获得对应的议题核心信息作为输出,提取其核心信息;根据重要性判定标准的权重配置,对提取的核心信息的重要性进行打分和排序;采用时间序列分析,根据涉及项目标识的历史会议数据,预测议题的紧急性和可能的召开时间。
作为优选方案,所述通过会议室门牌系统,对于每个已占用的会议室采用会议预计持续时间与参会人员职责的数据,评估会议的重要性,判断临时会议重要性与当前正在举行的会议的重要性,包括:
通过会议室门牌系统,得到每个会议室的占用状态及时间戳;采用差值算法,根据会议预计持续时间与当前已进行的时间,得到会议还需的持续时间;通过公司的员工数据库,得到参会人员的职责与其在公司的层级关系;采用线性回归算法,通过收集参会人员的背景信息、专业领域以及对会议议题的看法数据,计算每位参会人员对会议议题的相关性及权重,得到每位参会人员对会议的贡献度;采用关联规则算法,结合会议的持续时间、参会人员的贡献度以及公司战略目标信息;通过分析会议的持续时间与参会人员的贡献度之间的关联规则,以及与公司战略目标的联系,建立关联规则模型,得到会议的综合重要性评分;比较临时会议与当前正在进行会议的综合重要性评分;若得到的临时会议重要性评分高于当前会议,自动调整会议室预定状态;根据所述自动调整会议室预定状态决策结果,自动更新会议室门牌系统的数据和显示;持续监控会议室门牌系统数据,判断是否与实际会议情况一致。
作为优选方案,所述如果在主题上,临时会议具有更高重要度,进一步根据每个会议的发起人权限与决策影响力,对会议的影响范围进行评估,判断与发起人权限相比更高且决策影响力更大的会议,包括:
从会议属性数据库中获取所有会议的主题和重要性参数,并利用排序算法确定每个会议的重要性排名;从组织的人事数据中获取每个会议发起人的职位和级别信息;使用决策树算法构建决策树模型,输入会议发起人的历史决策记录和所述职位和级别信息,得到对会议发起人决策准确性的判断的输出;对每次会议议题和内容进行分析,明确每个会议议题对业务流程的影响度;根据每个会议议题对业务流程的影响度,判断该议题对会议的影响范围;分析长期影响的会议议题与业务发展趋势的关系;根据所述会议发起人决策的准确性和每个会议议题对业务流程的影响度数据,对每次会议的重要性再次进行综合评估,明确哪些会议在决策上更具说服力;为每个会议议题与业务的关系打分,得到每个议题与决策的密切程度评分数据;根据所述数据,利用权重算法确定每个会议的综合影响权重,并进行排序,判断与发起人权限相比更高且决策影响力更大的会议。
作为优选方案,所述根据临时会议参会人员数量与会议相关部门的数据,判断正在进行中的会议属于跨部门协调还是同部门协调,包括:
获取临时会议的时间戳;根据获取的临时会议的时间戳,查询临时会议的参会人员列表;通过部门信息数据库查询,对每个参会人员查询其所属部门数据链;采用支持向量机算法训练模型,输入会议内容数据,得到会议内容分类和各个会议议题的频次统计数据的输出;结合业务需求,根据统计数据进行分析和应用,得到会议议题分类统计数据;根据会议议题分类统计数据,从部门信息数据库中查询与会议议题相关的部门信息;采用声源定位算法确定每个部门在会议中的发言位置,将每个麦克风接收到的音频信息与声波传播模型进行匹配,确定声源的位置;根据每个部门的发言声音识别结果,通过声音能量和持续时间估计发言的时长,计算每个部门在会议中的发言时长;通过查询部门信息数据库,得到当前月份各部门的业务活跃度统计;从技术平台数据中分析会议的数据交互频率;从部门信息数据库中得到各部门在预设的时间阈值内的会议协调历史数据;结合业务需求,根据不同部门之间的关系和合作情况,分析会议提及的长期目标,得到涉及的部门关系链;采用神经网络算法训练模型,输入待预测的参会人员所属部门数据链信息和会议协调历史数据,通过模型得到会议协调类型的预测结果,判断会议是跨部门协调还是同部门协调。
作为优选方案,所述通过训练打扰事件严重度识别模型,检测当前正在进行中的会议,是否能接受打扰,并利用打扰事件的后果评估判断该事件的影响程度,包括:
根据会议打扰事件的属性,获取与会议打扰事件相关的打扰事件的影响范围、持续时间、对业务或工作的影响程度和频率数据;将获取到的数据进行清洗和预处理,去除噪声数据,处理缺失值,并对数据进行标准化处理;从预处理的数据中提取与打扰事件严重度相关的统计特征、频域特征和时域特征;使用人工标注的方式,将获取到的数据赋予打扰事件的严重度标签,将严重度分等级;采用支持向量机算法,构建打扰事件严重度识别模型;通过打扰事件严重度识别模型的算法准确度与阈值设置,对会议的打扰事件进行实时监测;通过会议进行的实时状态数据收集策略,获取当前会议的具体进行情况,并立即输入至打扰事件严重度识别模型进行评估;若打扰事件严重度超过严重度阈值,利用打扰事件与会议主题的关联性判断逻辑,筛选出与会议主题密切相关的打扰事件;通过打扰事件发生时的外部环境参数收集策略,进一步确定打扰事件的特性和起因;根据打扰事件的频率与历史数据统计分析策略,判断此次打扰事件是否是孤立事件或是经常发生的事件;结合会议参与者的重要性,确定打扰事件对会议的实际影响;通过打扰事件的短期与长期影响区分策略,进一步细化打扰事件的即时影响和潜在影响;若打扰事件的即时影响超过影响度阈值,则采用打扰事件的概率估计对未来的打扰事件进行预警;采用反馈机制设计,对预警的打扰事件进行跟踪。
作为优选方案,所述根据影响因素,重新评估现有会议优先级,包括会议决策者的重要性、业务决策的影响性、跨部门合作的复杂性和可打扰性的各个评估结果,为每个会议重新分配一个优先级,包括:
根据会议内容的核心议题重要性评估标准,对会议内容进行评估;若得到的会议内容评估值高于评估值阈值,则根据参与会议的关键决策者数量及级别评估标准,对会议决策者进行评估,通过评估得到会议决策者的权重值;根据会议内容评估值和会议决策者的权重值,通过量化评估得到会议的即时业务决策的影响值;根据跨部门合作的信息同步难度评估标准,获取部门之间的协同难度值;若协同难度值低于难度值阈值,则通过会议结束后预计的执行任务数量评估标准,对会议产出进行评估,得到会议任务的执行值;采用层次分析法,对部门的利益冲突进行量化评估,得到部门冲突的相关性值;根据参与会议人员的当前任务繁忙程度评估标准,得到会议的可打扰性值;若可打扰性值高于可打扰性阈值,对会议的长期战略价值进行量化,得到战略价值量化结果;根据会议内容评估值、会议决策者的权重值、会议的即时业务决策的影响值、部门之间的协同难度值、会议任务的执行值、部门冲突的相关性值、会议的可打扰性值和战略价值评估结果,采用加权平均方法对会议的总体优先级进行评分,得到会议的最终优先级。
作为优选方案,所述选择可中断的会议,基于新的优先级,选择一个或多个最低优先级的会议,视为可中断,包括:
根据会议的预定者在组织内的层级和权重进行评估;若得到的权重低于权重阈值,基于会议参与者的研究方向,构建会议参与者的相关性矩阵,通过协同过滤算法计算会议参与者之间的相关性,根据计算得到的相关性,筛选出与输入信息相关的会议参与者,根据筛选结果得到预期的会议参与者信息;对会议的实际参与者与预期参与者的匹配程度进行比较;若匹配程度低于匹配阈值,获取会议议题在组织长期策略中的定位和影响信息,若定位和影响低于定位阈值,则视为当前会议为可中断,获得第一可中断值;通过当前进行的会议议题与未来议程中的紧急性对比,确定是否该议题可以稍后继续;若确定该议题可以稍后继续,根据在线会议的技术支持评估,判断会议是否可以在技术故障后迅速恢复;若评估结果为是,视为当前会议为可中断,获得第二可中断值;通过对于中断会议的沟通和通知难度进行评估,确定是否可以简易通知所有参与者;若确定可以简易通知所有参与者,根据会议中断后恢复会议的技术和流程挑战,获取恢复的难度值;若难度值低于难度值阈值,对与会议议题相关的其他并行会议的数量和优先级进行量化;若其他相关会议优先级高于优先级阈值,则视当前会议为可中断,获得第三可中断值;根据所述评估结果,为每个会议分配一个中断可能性值,通过该值判断得到最低优先级的可中断会议。
作为优选方案,所述获取会议参与者的反馈,在准备中断某个会议之前,利用会议参与者的反馈机制数据,确保参会者同意,并安排临时会议,包括:
根据会议参与者的角色与职责定位进行分析,得到会议参与者对会议议题的影响度数据;通过反馈机制的技术平台获取会议参与者对会议议题的关注度;采用支持向量机算法,使用一部分已经标注的原计划议程与实际内容的匹配情况数据训练支持向量机模型;通过训练的模型对新的会议进行预测,根据输入的会议参与者的反馈数据,输出会议原计划的议程与实际内容的匹配度信息;通过会议参与者的技术设备与接入方式数据,确定反馈机制的适应性;根据会议工具数据库获取会议参与者在会议中的互动频率数据;通过对比临时会议议题对原会议议题之间的内容和目标,分析临时会议议题对原会议议题的影响范围,进行临时会议与原会议议题的相关度分析;根据临时会议的通知方式数据,判断会议参与者的即时响应能力;根据会议的中断性值判断当前会议是否可中断;输入会议相关的影响度、关注度、匹配度、适应性、互动频率、相关度和响应能力信息;根据业务需求和重要性,为每个输入信息设置相应的权重;采用归一化算法,对各个输入信息进行归一化处理;将归一化后的各个输入信息与其相应权重进行相乘,并将其加权求和,得到一个综合得分;根据评估的结果,获取会议参与者的立场和意见信息,根据会议参与者的立场和意见信息安排临时会议。
本发明实施例提供的技术方案可以包括以下有益效果:
本发明公开了一种通过多种技术手段来识别和评估临时会议的重要性和紧急性,并进行优先级分配和中断的方法。
利用会议主题识别技术和会议室门牌系统,可以准确地识别临时会议的核心议题、确定其紧急性以及评估会议室重要性。
根据会议发起人权限与决策影响力评估会议的影响范围,并通过参会人员数量与相关部门数据了解会议的复杂性和协调性。
通过训练好的打扰事件严重度识别模型,可以检测正在进行中的会议是否能接受打扰,并利用打扰事件后果评估影响程度。根据以上因素,可以重新评估会议的优先级,并选择可中断的会议。
最后,通过获取会议参与者反馈,以确保参会者同意并安排临时会议。该方法通过综合应用多种技术,对临时会议进行全面识别、评估和优先级分配,提高会议效率和决策准确性。
附图说明
图1为本发明的一种基于智慧办公的会议室使用优化方法的流程图。
图2为本发明的一种基于智慧办公的会议室使用优化方法的示意图。
图3为本发明的一种基于智慧办公的会议室使用优化方法的又一示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本实施例一种基于智慧办公的会议室使用优化方法具体可以包括:
步骤S101,通过识别会议召集起因描述与涉及项目标识,采用朴素贝叶斯算法,识别准备举办的临时会议的核心议题,并确定其核心信息和紧急性。
具体的,举例,历史会议统计数据库中存储了涉及项目标识的历史会议统计数据,判断涉及的项目与当前议题的关联度。首先,获取与当前项目标识相关的历史会议数据,搜索到了5个相关的历史会议,分析这些历史会议的会议召集起因,以及与项目标识的关联程度。其中3个历史会议的会议召集起因与当前议题高度相关,而剩下2个历史会议则与当前议题关联性较低。然后,使用朴素贝叶斯算法建立会议主题识别模型。将这5个历史会议的议题作为训练数据,训练模型以识别会议的主要议题。接着,使用该模型对即将召开的临时会议的主要议题进行识别。经过识别,模型判定该临时会议的主要议题为“项目进展报告”。评估该模型的准确率和召回率关键指标,以判断议题识别结果的质量和准确性。该模型的准确率为80%,召回率为75%。如果议题识别结果的质量和准确性低于准确性阈值,对会议主题识别模型进行调整,增加训练数据量或调整算法参数,重新进行识别。如果议题识别结果的质量和准确性高于准确性阈值,可以进一步细分和明确该议题。对待处理议题文本进行文本预处理,包括去除停用词和标点符号,将文本转化为词向量表示形式,使用词袋模型进行表示。接下来,使用支持向量机算法对训练数据集进行训练。将议题文本的词向量作为输入,将核心信息作为输出,通过学习训练数据集中的模式和规律,建立议题文本与核心信息之间的映射关系。训练完成后,使用训练好的支持向量机模型对待处理的议题文本进行分类或预测。根据训练好的模型,确定文本中的主题或议题,得到对应的核心信息。根据重要性判定标准的权重配置,可以对提取的核心信息进行打分和排序。根据项目进展的重要性给予该信息一个评分为9分。最后,使用时间序列分析,根据涉及项目标识的历史会议数据,预测该议题的紧急性和可能的召开时间。根据历史会议的频率和紧急程度,预测该议题的紧急性为高,并可能在下一个月召开。举例,历史会议统计数据库中存储了涉及项目标识的历史会议统计数据,判断涉及的项目与当前议题的关联度。首先,获取与当前项目标识相关的历史会议数据,搜索到了5个相关的历史会议,分析这些历史会议的会议召集起因,以及与项目标识的关联程度。其中3个历史会议的会议召集起因与当前议题高度相关,而剩下2个历史会议则与当前议题关联性较低。然后,使用朴素贝叶斯算法建立会议主题识别模型。将这5个历史会议的议题作为训练数据,训练模型以识别会议的主要议题。接着,使用该模型对即将召开的临时会议的主要议题进行识别。经过识别,模型判定该临时会议的主要议题为“项目进展报告”。评估该模型的准确率和召回率关键指标,以判断议题识别结果的质量和准确性。该模型的准确率为80%,召回率为75%。如果议题识别结果的质量和准确性低于准确性阈值,对会议主题识别模型进行调整,增加训练数据量或调整算法参数,重新进行识别。如果议题识别结果的质量和准确性高于准确性阈值,可以进一步细分和明确该议题。对待处理议题文本进行文本预处理,包括去除停用词和标点符号,将文本转化为词向量表示形式,使用词袋模型进行表示。接下来,使用支持向量机算法对训练数据集进行训练。将议题文本的词向量作为输入,将核心信息作为输出,通过学习训练数据集中的模式和规律,建立议题文本与核心信息之间的映射关系。训练完成后,使用训练好的支持向量机模型对待处理的议题文本进行分类或预测。根据训练好的模型,确定文本中的主题或议题,得到对应的核心信息。根据重要性判定标准的权重配置,可以对提取的核心信息进行打分和排序。根据项目进展的重要性给予该信息一个评分为9分。最后,使用时间序列分析,根据涉及项目标识的历史会议数据,预测该议题的紧急性和可能的召开时间。根据历史会议的频率和紧急程度,预测该议题的紧急性为高,并可能在下一个月召开。
步骤S102,通过会议室门牌系统,对于每个已占用的会议室采用会议预计持续时间与参会人员职责的数据,评估会议的重要性,判断临时会议重要性与当前正在举行的会议的重要性。
具体的,举例,甲公司有一个会议室门牌系统,会议室A当前处于占用状态,时间戳为10:00AM。当前时间是9:30AM,根据差值算法,会议室A还需持续30分钟。假设公司员工数据库显示参会人员A的职责是销售经理,层级关系为中层管理者。参会人员B的职责是财务经理,层级关系为高层管理者。通过线性回归算法,通过收集参会人员的背景信息、专业领域以及对会议议题的看法数据,计算参会人员A对会议议题的相关性及权重为8,参会人员B对会议议题的相关性及权重为9。采用关联规则算法,结合会议的持续时间、参会人员的贡献度以及公司战略目标信息;通过分析会议的持续时间与参会人员的贡献度之间的关联规则,以及与公司战略目标的联系,得到会议的综合重要性评分为8.5。现在有一个临时会议需求,预计持续时间为1小时。通过关联规则算法,结合会议持续时间、参会人员的贡献度及公司战略目标,得到临时会议的综合重要性评分为9。比较临时会议与当前正在进行的会议的综合重要性评分,发现临时会议的评分高于当前会议。根据决策结果,自动调整会议室预定状态,将会议室A的占用状态调整为临时会议,并更新门牌系统的数据和显示。持续监控会议室门牌系统数据,判断是否与实际会议情况一致,确保决策结果的准确性和及时性。举例,甲公司有一个会议室门牌系统,会议室A当前处于占用状态,时间戳为10:00AM。当前时间是9:30AM,根据差值算法,会议室A还需持续30分钟。假设公司员工数据库显示参会人员A的职责是销售经理,层级关系为中层管理者。参会人员B的职责是财务经理,层级关系为高层管理者。通过线性回归算法,通过收集参会人员的背景信息、专业领域以及对会议议题的看法数据,计算参会人员A对会议议题的相关性及权重为8,参会人员B对会议议题的相关性及权重为9。采用关联规则算法,结合会议的持续时间、参会人员的贡献度以及公司战略目标信息;通过分析会议的持续时间与参会人员的贡献度之间的关联规则,以及与公司战略目标的联系,得到会议的综合重要性评分为8.5。现在有一个临时会议需求,预计持续时间为1小时。通过关联规则算法,结合会议持续时间、参会人员的贡献度及公司战略目标,得到临时会议的综合重要性评分为9。比较临时会议与当前正在进行的会议的综合重要性评分,发现临时会议的评分高于当前会议。根据决策结果,自动调整会议室预定状态,将会议室A的占用状态调整为临时会议,并更新门牌系统的数据和显示。持续监控会议室门牌系统数据,判断是否与实际会议情况一致,确保决策结果的准确性和及时性。
步骤S103,如果在主题上,临时会议具有更高重要度,进一步根据每个会议的发起人权限与决策影响力,对会议的影响范围进行评估,判断与发起人权限相比更高且决策影响力更大的会议。
具体的,举例,有一个会议属性数据库,里面有关于会议的主题和重要性参数,利用排序算法对每个会议按照重要性从高到低排序,得到会议A、会议B、会议C、会议D的排序。使用决策树算法构建决策树模型,输入会议发起人的历史决策记录和所述职位和级别信息,得到对会议发起人决策准确性的判断的输出。会议发起人甲的决策记录中,有50%的决策是正确的,有50%的决策是错误的,那么甲的决策准确性为50%。会议发起人乙、丙和丁的决策准确性分别为30%、40%和60%。对每次会议议题和内容进行分析,明确每个会议议题对业务流程的影响度。会议A、B、C和D的议题对业务流程的影响度分别为5、3、4和6。根据每个会议议题对业务流程的影响度,判断会议A、B、C和D的议题对会议的影响范围分别为短期、短期、短期和长期。进一步分析长期影响的会议议题D与业务发展趋势的关系为正向促进关系。接下来,需要对每个会议的重要性再次进行综合评估,明确哪些会议在决策上更具说服力。会议A、B、C和D的综合重要性为分别为7、5、6和8,会议D在决策上更具说服力。最后,需要对每个会议议题与决策的密切程度进行评分,会议A、B、C和D的议题决策的密切程度分别为5、3、4和6。根据权重算法确定每个会议的综合影响权重。会议A的决策准确性为50%,其议题对业务流程的影响度为5,与决策的密切程度为5,综合重要性为7,综合影响权重为50%*5/5*7=3.5;会议A的决策准确性为30%,其议题对业务流程的影响度为3,与决策的密切程度为3,综合重要性为5,综合影响权重为30%*3/3*5=1.5;会议C的决策准确性为40%,其议题对业务流程的影响度为4,与决策的密切程度为4,综合重要性为6,综合影响权重为40%*4/4*6=2.4;会议D的决策准确性为60%,其议题对业务流程的影响度为6,与决策的密切程度为6,综合重要性为8,综合影响权重为60%*6/6*8=4.8。根关系型数据库据权重算法,可以确定会议D的综合影响权重最高,其次是会议A,然后是会议C,最后是会议B。举例,有一个会议属性数据库,里面有关于会议的主题和重要性参数,利用排序算法对每个会议按照重要性从高到低排序,得到会议A、会议B、会议C、会议D的排序。使用决策树算法构建决策树模型,输入会议发起人的历史决策记录和所述职位和级别信息,得到对会议发起人决策准确性的判断的输出。会议发起人甲的决策记录中,有50%的决策是正确的,有50%的决策是错误的,那么甲的决策准确性为50%。会议发起人乙、丙和丁的决策准确性分别为30%、40%和60%。对每次会议议题和内容进行分析,明确每个会议议题对业务流程的影响度。会议A、B、C和D的议题对业务流程的影响度分别为5、3、4和6。根据每个会议议题对业务流程的影响度,判断会议A、B、C和D的议题对会议的影响范围分别为短期、短期、短期和长期。进一步分析长期影响的会议议题D与业务发展趋势的关系为正向促进关系。接下来,需要对每个会议的重要性再次进行综合评估,明确哪些会议在决策上更具说服力。会议A、B、C和D的综合重要性为分别为7、5、6和8,会议D在决策上更具说服力。最后,需要对每个会议议题与决策的密切程度进行评分,会议A、B、C和D的议题决策的密切程度分别为5、3、4和6。根据权重算法确定每个会议的综合影响权重。会议A的决策准确性为50%,其议题对业务流程的影响度为5,与决策的密切程度为5,综合重要性为7,综合影响权重为50%*5/5*7=3.5;会议A的决策准确性为30%,其议题对业务流程的影响度为3,与决策的密切程度为3,综合重要性为5,综合影响权重为30%*3/3*5=1.5;会议C的决策准确性为40%,其议题对业务流程的影响度为4,与决策的密切程度为4,综合重要性为6,综合影响权重为40%*4/4*6=2.4;会议D的决策准确性为60%,其议题对业务流程的影响度为6,与决策的密切程度为6,综合重要性为8,综合影响权重为60%*6/6*8=4.8。根关系型数据库据权重算法,可以确定会议D的综合影响权重最高,其次是会议A,然后是会议C,最后是会议B。
步骤S104,根据临时会议参会人员数量与会议相关部门的数据,判断正在进行中的会议属于跨部门协调还是同部门协调。
具体的,获取临时会议的时间戳,202110151430。查询临时会议的参会人员列表,张三、李四、王五、赵六。根据参会人员查询其所属部门数据链,张三所属部门为销售部门,李四所属部门为人力资源部门,王五所属部门为研发部门,赵六所属部门为财务部门。采用支持向量机算法训练模型,输入会议内容数据,讨论销售业绩提升策略,得到会议内容分类为销售策略。同时统计销售策略议题的频次,销售策略议题讨论了10次。根据统计数据进行分析和应用,得到会议议题分类统计数据,销售策略议题占会议议题的50%。根据会议议题分类统计数据,查询与会议议题相关的部门信息。查询与销售策略相关的部门信息,得到销售部门和研发部门信息。采用声源定位算法确定每个部门在会议中的发言位置,确定销售部门在会议室的左侧,研发部门在会议室的右侧。根据每个部门的发言声音识别结果,估计发言的时长。销售部门发言时长为5分钟,研发部门发言时长为3分钟。查询部门信息数据库,得到当前月份各部门的业务活跃度统计。销售部门的业务活跃度为80%,研发部门的业务活跃度为60%。从技术平台数据中分析会议的数据交互频率,会议中共有100次数据交互。从部门信息数据库中得到各部门在预设的时间阈值内的会议协调历史数据。销售部门和研发部门在过去一周内共同协调了5次会议。根据不同部门之间的关系和合作情况,分析会议提及的长期目标,销售部门和研发部门合作实现产品创新。使用多层感知器MLP作为神经网络模型,并使用Adam优化器进行权重和偏置的调整。对参会人员所属部门数据链信息进行预处理,将部门的标识编码为数字,将部门之间的关系表示为矩阵。对会议协调历史数据进行预处理,提取会议参与的部门、会议的目的、会议的时间属性,并进行数值化处理,例如使用独热编码将类别属性转换为数值型。构建多层感知器模型,包括输入层、隐藏层和输出层,设置神经元数量和激活函数。使用已标记的会议协调历史数据作为训练集,通过神经网络模型进行训练。使用交叉熵损失函数计算预测结果与实际结果之间的误差,并使用Adam优化器调整权重和偏置。使用训练的模型对待预测的参会人员所属部门数据链信息和会议协调历史数据进行预测,得到会议协调类型的预测结果,预测结果为跨部门协调。获取临时会议的时间戳,202110151430。查询临时会议的参会人员列表,张三、李四、王五、赵六。根据参会人员查询其所属部门数据链,张三所属部门为销售部门,李四所属部门为人力资源部门,王五所属部门为研发部门,赵六所属部门为财务部门。采用支持向量机算法训练模型,输入会议内容数据,讨论销售业绩提升策略,得到会议内容分类为销售策略。同时统计销售策略议题的频次,销售策略议题讨论了10次。根据统计数据进行分析和应用,得到会议议题分类统计数据,销售策略议题占会议议题的50%。根据会议议题分类统计数据,查询与会议议题相关的部门信息。查询与销售策略相关的部门信息,得到销售部门和研发部门信息。采用声源定位算法确定每个部门在会议中的发言位置,确定销售部门在会议室的左侧,研发部门在会议室的右侧。根据每个部门的发言声音识别结果,估计发言的时长。销售部门发言时长为5分钟,研发部门发言时长为3分钟。查询部门信息数据库,得到当前月份各部门的业务活跃度统计。销售部门的业务活跃度为80%,研发部门的业务活跃度为60%。从技术平台数据中分析会议的数据交互频率,会议中共有100次数据交互。从部门信息数据库中得到各部门在预设的时间阈值内的会议协调历史数据。销售部门和研发部门在过去一周内共同协调了5次会议。根据不同部门之间的关系和合作情况,分析会议提及的长期目标,销售部门和研发部门合作实现产品创新。使用多层感知器MLP作为神经网络模型,并使用Adam优化器进行权重和偏置的调整。对参会人员所属部门数据链信息进行预处理,将部门的标识编码为数字,将部门之间的关系表示为矩阵。对会议协调历史数据进行预处理,提取会议参与的部门、会议的目的、会议的时间属性,并进行数值化处理,例如使用独热编码将类别属性转换为数值型。构建多层感知器模型,包括输入层、隐藏层和输出层,设置神经元数量和激活函数。使用已标记的会议协调历史数据作为训练集,通过神经网络模型进行训练。使用交叉熵损失函数计算预测结果与实际结果之间的误差,并使用Adam优化器调整权重和偏置。使用训练的模型对待预测的参会人员所属部门数据链信息和会议协调历史数据进行预测,得到会议协调类型的预测结果,预测结果为跨部门协调。
步骤S105,通过训练打扰事件严重度识别模型,检测当前正在进行中的会议,是否能接受打扰,并利用打扰事件的后果评估判断该事件的影响程度。
具体的,举例,获取的打扰事件的影响范围数据如下。事件1,影响范围短期,持续时间10分钟,影响程度中等,频率每周一次;事件2,影响范围短期,持续时间30分钟,影响程度高,频率每月两次;事件3,影响范围短期,持续时间1小时,影响程度低,频率每季度一次。首先,进行数据清洗和预处理。将影响范围用数字表示,短期为1,长期为2。将影响程度用数字表示,低为1,中等为2,高为3。同时,将频率数据转换为数值,如每周一次为1,每月两次为2,每季度一次为3。接下来,从预处理的数据中提取统计特征、频域特征和时域特征,统计特征包括影响范围的平均值和标准差;频域特征通过傅里叶变换来提取,如频率分布;时域特征包括持续时间的最大值和最小值。然后,使用人工标注的方式为数据赋予打扰事件的严重度标签。标签分为三个等级低、中、高,根据事件的影响程度和频率来确定严重度标签。接着,使用支持向量机算法构建打扰事件严重度识别模型。通过打扰事件严重度识别模型的算法准确度与阈值设置,打扰事件严重度识别模型的准确度为90%,设定严重度阈值为7。对会议的打扰事件进行实时监测,假如当前会议进行了10分钟,收集了以下实时状态数据。参会人员的讲话音量、噪音水平、参与度等。将这些数据输入至打扰事件严重度识别模型进行评估,模型评估出当前会议的打扰事件严重度为8,超过了严重度阈值7。根据打扰事件与会议主题的关联性判断逻辑,筛选出与会议主题密切相关的打扰事件,打扰事件是与讨论市场营销策略相关的干扰音频。通过打扰事件发生时的外部环境参数收集策略,收集到了干扰音频的声源位置、音量等参数,进一步确定打扰事件的特性和起因。根据打扰事件的频率与历史数据统计分析策略,分析发现这个干扰音频是经常发生的事件,而不是孤立事件。结合会议参与者的重要性,会议中有关键决策人员,确定此打扰事件对会议的实际影响较大。通过打扰事件的短期与长期影响区分策略,打扰事件在短期内会导致会议暂停一段时间,但在长期内不会对会议的整体进度和成果产生重大影响。若打扰事件的即时影响超过影响度阈值,打扰事件导致会议暂停时间超过5分钟,采用打扰事件的概率估计对未来的打扰事件进行预警,预测未来会出现类似干扰音频的概率为30%。采用反馈机制设计,对预警的打扰事件进行跟踪,记录每次打扰事件的具体情况和影响,以便后续分析和改进。举例,获取的打扰事件的影响范围数据如下。事件1,影响范围短期,持续时间10分钟,影响程度中等,频率每周一次;事件2,影响范围短期,持续时间30分钟,影响程度高,频率每月两次;事件3,影响范围短期,持续时间1小时,影响程度低,频率每季度一次。首先,进行数据清洗和预处理。将影响范围用数字表示,短期为1,长期为2。将影响程度用数字表示,低为1,中等为2,高为3。同时,将频率数据转换为数值,如每周一次为1,每月两次为2,每季度一次为3。接下来,从预处理的数据中提取统计特征、频域特征和时域特征,统计特征包括影响范围的平均值和标准差;频域特征通过傅里叶变换来提取,如频率分布;时域特征包括持续时间的最大值和最小值。然后,使用人工标注的方式为数据赋予打扰事件的严重度标签。标签分为三个等级低、中、高,根据事件的影响程度和频率来确定严重度标签。接着,使用支持向量机算法构建打扰事件严重度识别模型。通过打扰事件严重度识别模型的算法准确度与阈值设置,打扰事件严重度识别模型的准确度为90%,设定严重度阈值为7。对会议的打扰事件进行实时监测,假如当前会议进行了10分钟,收集了以下实时状态数据。参会人员的讲话音量、噪音水平、参与度等。将这些数据输入至打扰事件严重度识别模型进行评估,模型评估出当前会议的打扰事件严重度为8,超过了严重度阈值7。根据打扰事件与会议主题的关联性判断逻辑,筛选出与会议主题密切相关的打扰事件,打扰事件是与讨论市场营销策略相关的干扰音频。通过打扰事件发生时的外部环境参数收集策略,收集到了干扰音频的声源位置、音量等参数,进一步确定打扰事件的特性和起因。根据打扰事件的频率与历史数据统计分析策略,分析发现这个干扰音频是经常发生的事件,而不是孤立事件。结合会议参与者的重要性,会议中有关键决策人员,确定此打扰事件对会议的实际影响较大。通过打扰事件的短期与长期影响区分策略,打扰事件在短期内会导致会议暂停一段时间,但在长期内不会对会议的整体进度和成果产生重大影响。若打扰事件的即时影响超过影响度阈值,打扰事件导致会议暂停时间超过5分钟,采用打扰事件的概率估计对未来的打扰事件进行预警,预测未来会出现类似干扰音频的概率为30%。采用反馈机制设计,对预警的打扰事件进行跟踪,记录每次打扰事件的具体情况和影响,以便后续分析和改进。
步骤S106,根据影响因素,重新评估现有会议优先级,包括会议决策者的重要性、业务决策的影响性、跨部门合作的复杂性和可打扰性的各个评估结果,为每个会议重新分配一个优先级。
具体的,举例,一次会议的核心议题是关于公司产品的市场推广策略,评估结果为8。评估值阈值设定为7,则会议内容的评估值高于阈值,需要进一步评估决策者的权重值。参与会议的关键决策者数量为5人,他们的级别分别为高级经理、部门经理、市场主管、销售经理和产品经理,他们的权重值分别为4、3、2、1、0。通过评估得到的权重值
=(4+3+2+1+0)/5=2。接下来,根据会议内容评估值和会议决策者的权重值,通过量化评估得到会议的即时业务决策的影响值,会议的即时业务决策的影响值为7。然后,根据跨部门合作的信息同步难度评估标准,评估得到部门之间的协同难度值为6,低于难度值阈值7。继续根据会议结束后预计的执行任务数量评估标准,会议产出的执行任务数量为10个,会议任务的执行值为10。采用层次分析法,对部门的利益冲突进行量化评估,部门冲突的相关性值为7。根据参与会议人员的当前任务繁忙程度评估标准,会议的可打扰性值为8,高于可打扰性阈值。接着,对会议的长期战略价值进行量化评估,战略价值量化结果为9。根据会议内容评估值、会议决策者的权重值、会议的即时业务决策的影响值、部门之间的协同难度值、会议任务的执行值、部门冲突的相关性值、会议的可打扰性值和战略价值评估结果,采用加权平均方法对会议的总体优先级进行评分。最终的评分计算如下,总体优先级
=(8*0.1+2*0.1+7*0.1+6*0.1+10*0.1+7*0.1+8*0.2+9*0.2)/8=0.925,因此,会议的最终优先级为0.925。根据此优先级,可以确定会议的重要性和优先级,并决定在公司日程中的安排。举例,一次会议的核心议题是关于公司产品的市场推广策略,评估结果为8。评估值阈值设定为7,则会议内容的评估值高于阈值,需要进一步评估决策者的权重值。参与会议的关键决策者数量为5人,他们的级别分别为高级经理、部门经理、市场主管、销售经理和产品经理,他们的权重值分别为4、3、2、1、0。通过评估得到的权重值=(4+3+2+1+0)/5=2。接下来,根据会议内容评估值和会议决策者的权重值,通过量化评估得到会议的即时业务决策的影响值,会议的即时业务决策的影响值为7。然后,根据跨部门合作的信息同步难度评估标准,评估得到部门之间的协同难度值为6,低于难度值阈值7。继续根据会议结束后预计的执行任务数量评估标准,会议产出的执行任务数量为10个,会议任务的执行值为10。采用层次分析法,对部门的利益冲突进行量化评估,部门冲突的相关性值为7。根据参与会议人员的当前任务繁忙程度评估标准,会议的可打扰性值为8,高于可打扰性阈值。接着,对会议的长期战略价值进行量化评估,战略价值量化结果为9。根据会议内容评估值、会议决策者的权重值、会议的即时业务决策的影响值、部门之间的协同难度值、会议任务的执行值、部门冲突的相关性值、会议的可打扰性值和战略价值评估结果,采用加权平均方法对会议的总体优先级进行评分。最终的评分计算如下,总体优先级
=(8*0.1+2*0.1+7*0.1+6*0.1+10*0.1+7*0.1+8*0.2+9*0.2)/8=0.925,因此,会议的最终优先级为0.925。根据此优先级,可以确定会议的重要性和优先级,并决定在公司日程中的安排。
步骤S107,选择可中断的会议,基于新的优先级,选择一个或多个最低优先级的会议,视为可中断。
具体的,举例,某个会议的预定者在组织内的层级为高级经理,权重为8。如果该权重低于权重阈值9,则需要根据参与者的研究方向构建相关性矩阵。会议参与者A和B的研究方向相关性为7,A和C的相关性为5,B和C的相关性为6。通过协同过滤算法计算得到的相关性矩阵,根据计算得到的相关性矩阵,筛选出与输入信息相关的会议参与者。输入信息与会议参与者A相关,则筛选出A作为预期的会议参与者。将会议的实际参与者与预期参与者进行匹配程度比较,实际参与者为A、B、D,预期参与者为A,匹配程度为1/3,低于匹配阈值5。由于匹配程度低于匹配阈值,需要获取会议议题在组织长期策略中的定位和影响信息。定位和影响值为6,低于定位阈值8,因此当前会议可中断,第一可中断值为6。接下来,将当前进行的会议议题与未来议程中的紧急性进行对比。当前议题紧急性为7,未来议程中的紧急性为5,因此该议题可以稍后继续。根据在线会议的技术支持评估,判断会议是否可以在技术故障后迅速恢复,评估结果为是,因此当前会议可中断,第二可中断值为4。根据对中断会议的沟通和通知难度进行评估,确定是否可以简易通知所有参与者。可以简易通知所有参与者,根据会议中断后恢复会议的技术和流程挑战,获取恢复的难度值为4,低于难度值阈值6,对与会议议题相关的其他并行会议的数量和优先级进行量化。有3个相关会议,优先级分别为7、8、6,其中最高优先级为8,高于优先级阈值7.5,因此当前会议可中断,第三可中断值为8。综合以上评估结果,为该会议分配一个中断可能性值为(6+4+8)/3=6,根据该值判断得到最低优先级的可中断会议。举例,某个会议的预定者在组织内的层级为高级经理,权重为8。如果该权重低于权重阈值9,则需要根据参与者的研究方向构建相关性矩阵。会议参与者A和B的研究方向相关性为7,A和C的相关性为5,B和C的相关性为6。通过协同过滤算法计算得到的相关性矩阵,根据计算得到的相关性矩阵,筛选出与输入信息相关的会议参与者。输入信息与会议参与者A相关,则筛选出A作为预期的会议参与者。将会议的实际参与者与预期参与者进行匹配程度比较,实际参与者为A、B、D,预期参与者为A,匹配程度为1/3,低于匹配阈值5。由于匹配程度低于匹配阈值,需要获取会议议题在组织长期策略中的定位和影响信息。定位和影响值为6,低于定位阈值8,因此当前会议可中断,第一可中断值为6。接下来,将当前进行的会议议题与未来议程中的紧急性进行对比。当前议题紧急性为7,未来议程中的紧急性为5,因此该议题可以稍后继续。根据在线会议的技术支持评估,判断会议是否可以在技术故障后迅速恢复,评估结果为是,因此当前会议可中断,第二可中断值为4。根据对中断会议的沟通和通知难度进行评估,确定是否可以简易通知所有参与者。可以简易通知所有参与者,根据会议中断后恢复会议的技术和流程挑战,获取恢复的难度值为4,低于难度值阈值6,对与会议议题相关的其他并行会议的数量和优先级进行量化。有3个相关会议,优先级分别为7、8、6,其中最高优先级为8,高于优先级阈值7.5,因此当前会议可中断,第三可中断值为8。综合以上评估结果,为该会议分配一个中断可能性值为(6+4+8)/3=6,根据该值判断得到最低优先级的可中断会议。
步骤S108,获取会议参与者的反馈,在准备中断某个会议之前,利用会议参与者的反馈机制数据,确保参会者同意,并安排临时会议。
具体的,举例,某个会议有以下参与者角色与职责定位,主持人负责组织会议、安排议程和引导讨论。决策者负责最终决策和决策的执行,专家提供专业知识和意见,会议参与者参与讨论并提出建议。现在会议议题是关于公司市场推广策略的讨论。根据会议参与者角色与职责定位,对不同参与者对议题的影响度进行评估。会议参与者A对市场推广策略的影响度为9,通过反馈机制的技术平台收集数据。会议参与者A对市场推广策略的关注度为8,进一步分析会议原计划的议程与实际进行内容的匹配度。采用支持向量机算法,使用一部分已经标注的原计划议程与实际内容的匹配情况数据训练支持向量机模型;通过训练的模型对新的会议进行预测,根据输入的会议参与者的反馈数据,输出会议原计划的议程与实际内容的匹配度信息,匹配度为4。根据参与者的技术设备与接入方式数据,确定反馈机制的适应性,适应性为6。根据会议工具数据库获取会议参与者在会议中的互动频率数据,参与者A的互动频率为7。使用余弦相似度算法计算临时会议与原会议议题的相似程度,计算结果为8,同样使用余弦相似度算法计算两个议题目标的相似程度,计算结果为6;判断临时会议议题对原会议议题的影响范围,根据预设阈值判断得出临时会议议题对原会议议题的影响范围较大;通过对比临时会议议题对原会议议题之间的内容和目标,分析临时会议议题对原会议议题的影响范围,分析得出临时会议与原会议议题的相关度为7。根据临时会议的通知方式数据判断参与者的即时响应能力,参与者A的即时响应能力为8。根据会议的中断可能性值判断当前会议是否可中断,会议的中断可能性值为8高于预设的中断可能性值,则判断当前会议可中断。根据以上各项信息,将会议相关的影响度、关注度、匹配度、适应性、互动频率、相关度和响应能力信息作为输入信息。根据业务需求和重要性,为每个输入信息设置相应的权重,影响度权重为0.3,关注度权重为0.2,匹配度权重为0.1,适应性权重为0.1,互动频率权重为0.1,相关度权重为0.1,响应能力权重为0.1。采用归一化算法对各个输入信息进行归一化处理。归一化后的影响度0.18,关注度为0.16,匹配度为0.08,适应性为0.12,互动频率为0.14,相关度为0.14,响应能力为0.16。将归一化后的各个输入信息与其相应权重进行相乘,并将其加权求和,得到一个综合得分。综合得分
=(0.18*0.3)+(0.16*0.2)+(0.08*0.1)+(0.12*0.1)+(0.14*0.1)+(0.14*0.1)+(0.16*0.1)=0.15。根据综合评估的结果,通过分析参与者的反馈意见和立场,了解他们对议题的看法和意见为支持态度。根据会议参与者的立场和意见信息,安排一个专门的讨论小组或额外的会议时间深入讨论议题。举例,某个会议有以下参与者角色与职责定位,主持人负责组织会议、安排议程和引导讨论。决策者负责最终决策和决策的执行,专家提供专业知识和意见,会议参与者参与讨论并提出建议。现在会议议题是关于公司市场推广策略的讨论。根据会议参与者角色与职责定位,对不同参与者对议题的影响度进行评估。会议参与者A对市场推广策略的影响度为9,通过反馈机制的技术平台收集数据。会议参与者A对市场推广策略的关注度为8,进一步分析会议原计划的议程与实际进行内容的匹配度。采用支持向量机算法,使用一部分已经标注的原计划议程与实际内容的匹配情况数据训练支持向量机模型;通过训练的模型对新的会议进行预测,根据输入的会议参与者的反馈数据,输出会议原计划的议程与实际内容的匹配度信息,匹配度为4。根据参与者的技术设备与接入方式数据,确定反馈机制的适应性,适应性为6。根据会议工具数据库获取会议参与者在会议中的互动频率数据,参与者A的互动频率为7。使用余弦相似度算法计算临时会议与原会议议题的相似程度,计算结果为8,同样使用余弦相似度算法计算两个议题目标的相似程度,计算结果为6;判断临时会议议题对原会议议题的影响范围,根据预设阈值判断得出临时会议议题对原会议议题的影响范围较大;通过对比临时会议议题对原会议议题之间的内容和目标,分析临时会议议题对原会议议题的影响范围,分析得出临时会议与原会议议题的相关度为7。根据临时会议的通知方式数据判断参与者的即时响应能力,参与者A的即时响应能力为8。根据会议的中断可能性值判断当前会议是否可中断,会议的中断可能性值为8高于预设的中断可能性值,则判断当前会议可中断。根据以上各项信息,将会议相关的影响度、关注度、匹配度、适应性、互动频率、相关度和响应能力信息作为输入信息。根据业务需求和重要性,为每个输入信息设置相应的权重,影响度权重为0.3,关注度权重为0.2,匹配度权重为0.1,适应性权重为0.1,互动频率权重为0.1,相关度权重为0.1,响应能力权重为0.1。采用归一化算法对各个输入信息进行归一化处理。归一化后的影响度0.18,关注度为0.16,匹配度为0.08,适应性为0.12,互动频率为0.14,相关度为0.14,响应能力为0.16。将归一化后的各个输入信息与其相应权重进行相乘,并将其加权求和,得到一个综合得分。综合得分
=(0.18*0.3)+(0.16*0.2)+(0.08*0.1)+(0.12*0.1)+(0.14*0.1)+(0.14*0.1)+(0.16*0.1)=0.15。根据综合评估的结果,通过分析参与者的反馈意见和立场,了解他们对议题的看法和意见为支持态度。根据会议参与者的立场和意见信息,安排一个专门的讨论小组或额外的会议时间深入讨论议题。
以上仅列举了本发明的一些优选实施方式,但本发明并不局限于此,还可以作出许多的改进和变换。只要是在本发明基本原理基础上所作出的改进与变换,均应视为落入本发明的保护范围内。
Claims (9)
1.一种基于智慧办公的会议室使用优化方法,其特征在于,所述方法包括:
通过识别会议召集起因描述与涉及项目标识,采用朴素贝叶斯算法,识别准备举办的临时会议的核心议题,并确定其核心信息和紧急性;通过会议室门牌系统,对于每个已占用的会议室采用会议预计持续时间与参会人员职责的数据,评估会议的重要性,判断临时会议重要性与当前正在举行的会议的重要性;如果在主题上,临时会议具有更高重要度,进一步根据每个会议的发起人权限与决策影响力,对会议的影响范围进行评估,判断与发起人权限相比更高且决策影响力更大的会议;根据临时会议参会人员数量与会议相关部门的数据,判断正在进行中的会议属于跨部门协调还是同部门协调;通过训练打扰事件严重度识别模型,检测当前正在进行中的会议,是否能接受打扰,并利用打扰事件的后果评估判断该事件的影响程度;根据影响因素,重新评估现有会议优先级,包括会议决策者的重要性、业务决策的影响性、跨部门合作的复杂性和可打扰性的各个评估结果,为每个会议重新分配一个优先级;选择可中断的会议,基于新的优先级,选择一个或多个最低优先级的会议,视为可中断;获取会议参与者的反馈,在准备中断某个会议之前,利用会议参与者的反馈机制数据,确保参会者同意,并安排临时会议。
2.根据权利要求1所述的方法,其中,所述通过识别会议召集起因描述与涉及项目标识,采用朴素贝叶斯算法,识别准备举办的临时会议的核心议题,并确定其核心信息和紧急性,包括:
通过历史会议统计数据库检索,获取涉及项目标识的历史会议统计数据,判断涉及的项目与当前议题的关联度;结合所述关联度和会议召集起因与项目标识的历史数据,判定即将召开的临时会议的主要议题;建立会议主题识别模型,对得到的临时会议的主要议题进行进一步的细分;评估所述模型的准确率,判断议题识别结果的质量;调整会议主题识别模型;通过支持向量机算法,将待处理议题文本作为输入,获得对应的议题核心信息;对提取的核心信息的重要性进行打分和排序;根据涉及项目标识的历史会议数据,预测议题的紧急性。
3.根据权利要求1所述的方法,其中,所述通过会议室门牌系统,对于每个已占用的会议室采用会议预计持续时间与参会人员职责的数据,评估会议的重要性,判断临时会议重要性与当前正在举行的会议的重要性,包括:
获取每个会议室的占用状态及时间戳;根据会议预计持续时间,得到会议还需的持续时间;得到参会人员的职责与其在公司的层级关系;通过收集参会人员的背景信息,得到每位参会人员对会议的贡献度;结合会议的持续时间和参会人员的贡献度,得到会议的综合重要性评分;比较临时会议与当前会议的综合重要性评分;自动更新会议室门牌系统的数据和显示。
4.根据权利要求1所述的方法,其中,所述如果在主题上,临时会议具有更高重要度,进一步根据每个会议的发起人权限与决策影响力,对会议的影响范围进行评估,判断与发起人权限相比更高且决策影响力更大的会议,包括:
从会议属性数据库中获取所有会议的主题和重要性参数;从组织的人事数据中获取每个会议发起人的职位和级别信息;构建决策树模型,输入会议发起人的历史决策记录,得到对会议发起人决策准确性的判断;对每次会议议题和内容进行分析,明确每个会议议题对业务流程的影响度;根据每个会议议题对业务流程的影响度,判断该议题对会议的影响范围;对每次会议的重要性进行综合评估,明确哪些会议在决策上更具说服力;为每个会议议题与业务的关系打分,得到每个议题与决策的密切程度评分数据;确定每个会议的综合影响权重,并进行排序。
5.根据权利要求1所述的方法,其中,所述根据临时会议参会人员数量与会议相关部门的数据,判断正在进行中的会议属于跨部门协调还是同部门协调,包括:
获取临时会议的时间戳,查询临时会议的参会人员列表,查询每个参会人员所属部门数据链,采用支持向量机算法得到会议内容分类和会议议题的频次统计数据,从部门信息数据库中查询与会议议题相关的部门信息,确定每个部门在会议中的发言位置,计算每个部门在会议中的发言时长,查询部门信息数据库得到各部门的业务活跃度统计,分析会议的数据交互频率,查询各部门的会议协调历史数据,采用神经网络算法得到会议协调类型的预测结果。
6.根据权利要求1所述的方法,其中,所述通过训练打扰事件严重度识别模型,检测当前正在进行中的会议,是否能接受打扰,并利用打扰事件的后果评估判断该事件的影响程度,包括:
获取与会议打扰事件相关的属性数据,清洗和预处理这些数据,从中提取与打扰事件严重度相关的特征,采用支持向量机算法构建严重度识别模型,实时监测会议的打扰事件,评估打扰事件的影响,判断打扰事件的性质和起因,统计打扰事件的频率与历史数据,确定打扰事件对会议的实际影响,细化打扰事件的影响,对未来的打扰事件进行预警。
7.根据权利要求1所述的方法,其中,所述根据影响因素,重新评估现有会议优先级,包括会议决策者的重要性、业务决策的影响性、跨部门合作的复杂性和可打扰性的各个评估结果,为每个会议重新分配一个优先级,包括:
评估会议内容的核心议题重要性,评估参与会议的关键决策者的数量及级别,得到会议的业务决策影响值,获取部门之间的协同难度值,评估会议产出的任务数量,量化部门的利益冲突,评估会议的可打扰性,量化会议的长期战略价值,采用加权平均方法对会议的总体优先级进行评分。
8.根据权利要求1所述的方法,其中,所述选择可中断的会议,基于新的优先级,选择一个或多个最低优先级的会议,视为可中断,包括:
根据会议的预定者在组织内的层级和权重进行评估;构建会议参与者的相关性矩阵,通过协同过滤算法计算会议参与者之间的相关性;筛选出与输入信息相关的会议参与者;对会议的实际参与者与预期参与者的匹配程度进行比较;获取会议议题在组织长期策略中的定位;通过当前进行的会议议题与未来议程中的紧急性对比,确定是否该议题可以稍后继续;评估会议是否可以在技术故障后迅速恢复;评估通知所有参与者的难度;根据会议中断后恢复会议的技术和流程挑战,获取恢复的难度值;量化与会议议题相关的其他并行会议的数量和优先级;为每个会议分配一个中断性值。
9.根据权利要求1所述的方法,其中,所述获取会议参与者的反馈,在准备中断某个会议之前,利用会议参与者的反馈机制数据,确保参会者同意,并安排临时会议,包括:
分析会议参与者的角色与职责定位,得到会议参与者对会议议题的影响度数据;获取会议参与者对会议议题的关注度;使用一部分已经标注的原计划议程与实际内容的匹配情况数据训练支持向量机模型;通过模型对新的会议进行预测;确定反馈机制的适应性;获取会议参与者在会议中的互动频率数据;分析临时会议议题对原会议议题的影响范围;判断会议参与者的即时响应能力;输入会议相关的各类数据;设置各个输入信息的权重;对各个输入信息进行归一化处理;得到一个综合得分;获取会议参与者的立场和意见信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311808600.6A CN117787941A (zh) | 2023-12-26 | 2023-12-26 | 一种基于智慧办公的会议室使用优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311808600.6A CN117787941A (zh) | 2023-12-26 | 2023-12-26 | 一种基于智慧办公的会议室使用优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117787941A true CN117787941A (zh) | 2024-03-29 |
Family
ID=90388663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311808600.6A Pending CN117787941A (zh) | 2023-12-26 | 2023-12-26 | 一种基于智慧办公的会议室使用优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117787941A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102843543A (zh) * | 2012-09-17 | 2012-12-26 | 华为技术有限公司 | 视频会议提醒方法、装置和视频会议系统 |
CN108418888A (zh) * | 2018-03-14 | 2018-08-17 | 京东方科技集团股份有限公司 | 一种会议室管理系统及方法 |
US20190014209A1 (en) * | 2015-12-30 | 2019-01-10 | Iot Holdings, Inc. | Methods, apparatus and systems for adjusting do-not-disturb (dnd) levels based on callers and meeting attendees |
US20190303878A1 (en) * | 2018-03-30 | 2019-10-03 | International Business Machines Corporation | Cognitive meeting scheduling system |
CN110310089A (zh) * | 2019-06-25 | 2019-10-08 | 河海大学常州校区 | 一种基于智能调度算法的会议室管理系统和方法 |
US20210097502A1 (en) * | 2019-10-01 | 2021-04-01 | Microsoft Technology Licensing, Llc | Automatically determining and presenting personalized action items from an event |
CN117078223A (zh) * | 2023-09-28 | 2023-11-17 | 广州隽智智能科技有限公司 | 一种基于人工智能的智能会议管理系统 |
-
2023
- 2023-12-26 CN CN202311808600.6A patent/CN117787941A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102843543A (zh) * | 2012-09-17 | 2012-12-26 | 华为技术有限公司 | 视频会议提醒方法、装置和视频会议系统 |
US20190014209A1 (en) * | 2015-12-30 | 2019-01-10 | Iot Holdings, Inc. | Methods, apparatus and systems for adjusting do-not-disturb (dnd) levels based on callers and meeting attendees |
CN108418888A (zh) * | 2018-03-14 | 2018-08-17 | 京东方科技集团股份有限公司 | 一种会议室管理系统及方法 |
US20190303878A1 (en) * | 2018-03-30 | 2019-10-03 | International Business Machines Corporation | Cognitive meeting scheduling system |
CN110310089A (zh) * | 2019-06-25 | 2019-10-08 | 河海大学常州校区 | 一种基于智能调度算法的会议室管理系统和方法 |
US20210097502A1 (en) * | 2019-10-01 | 2021-04-01 | Microsoft Technology Licensing, Llc | Automatically determining and presenting personalized action items from an event |
CN114556354A (zh) * | 2019-10-01 | 2022-05-27 | 微软技术许可有限责任公司 | 自动确定和呈现来自事件的个性化动作项 |
CN117078223A (zh) * | 2023-09-28 | 2023-11-17 | 广州隽智智能科技有限公司 | 一种基于人工智能的智能会议管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fernandez et al. | Tackling the HR digitalization challenge: key factors and barriers to HR analytics adoption | |
Hadjimanolis | A resource-based view of innovativeness in small firms | |
Balachandra et al. | Factors for success in R&D projects and new product innovation: a contextual framework | |
Desiere et al. | Using artificial intelligence to classify jobseekers: the accuracy-equity trade-off | |
Beckers et al. | A DSS classification model for research in human resource information systems | |
Štefániková et al. | The need of complex competitive intelligence | |
Anelli et al. | Robots, marriageable men, family, and fertility | |
KR20200053387A (ko) | 인공지능 기반 고객이탈관리 자동화 시스템 및 방법과, 이를 위한 컴퓨터 프로그램 | |
CN117151345A (zh) | 一种基于ai技术的企业管理智能决策平台 | |
Napitu et al. | Twitter opinion mining predicts broadband internet's customer churn rate | |
CN111325422B (zh) | 一种工单派发方法及系统 | |
Tsai et al. | An intelligent customer churn prediction and response framework | |
US10657190B2 (en) | System and methods for cloud based autonomous and collaborative authoring | |
Komatina et al. | Analysis of the performance measurement models according to the requirements of the procurement business process | |
Monfared et al. | Using business intelligence capabilities to improve the quality of decision-making: a case study of Mellat bank | |
CN117422475A (zh) | 一种基于大数据分析的服务需求推荐系统 | |
Saleh et al. | Application of quality function deployment and genetic algorithm for replacement of medical equipment | |
Srivastava et al. | Analytics for improving talent acquisition processes | |
CN117787941A (zh) | 一种基于智慧办公的会议室使用优化方法 | |
Thierry et al. | Modeling uncertainty and inaccuracy on data from crowdsourcing platforms: MONITOR | |
KR102499182B1 (ko) | 인공지능을 이용한 가계대출 사기/부실 상시감사지원시스템 | |
Malcom et al. | A simple, sufficient, and consistent method to score the status of threats and demography of imperiled species | |
Wang | Intelligent quality management using knowledge discovery in databases | |
McLeana et al. | Competitive intelligence capabilities | |
CN114238608B (zh) | 智能面试系统及方法 |
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 |