DE112020007373T5

DE112020007373T5 - Verfahren und Vorrichtung zum intelligenten Vermitteln von Empfehlungen

Info

Publication number: DE112020007373T5
Application number: DE112020007373.4T
Authority: DE
Inventors: Armin Roux; Zhong Yang Sun; Bin Zhang; Shun Jie Fan; Ming Jie
Original assignee: Siemens AG
Current assignee: Siemens AG
Priority date: 2020-08-14
Filing date: 2020-08-14
Publication date: 2023-05-11
Also published as: CN116235165A; US20230298119A1; WO2022032679A1

Abstract

Die vorliegende Erfindung betrifft das Gebiet von künstlicher Intelligenz als Technologie, insbesondere ein Verfahren und eine Vorrichtung zum intelligenten Vermitteln von Empfehlungen. Das Verfahren umfasst: Bestimmen (102) von einer Benutzerkennung entsprechenden Benutzerattributparametern, Bestimmen (104) eines der Benutzerkennung entsprechenden Punktwerts durch Eingeben der Benutzerattributparameter in ein Bewertungsmodell, Bestimmen (106) von der Benutzerkennung entsprechenden Empfehlungen auf der Grundlage des Punktwerts und eines den Benutzer betreffenden Wissensdiagramms, und Vermitteln (108) der Empfehlungen. Die Ausführungsformen der vorliegenden Erfindung können Empfehlungen intelligent vermitteln, was vorteilhaft für die Verbesserung der Lerneffizienz ist und sich besonders für Arbeitnehmerschulungsszenarien eignet.

Description

GEBIET
Die vorliegende Erfindung betrifft das Gebiet von künstlicher Intelligenz als Technologie, insbesondere ein Verfahren und eine Vorrichtung zum intelligenten Vermitteln von Empfehlungen.
ALLGEMEINER STAND DER TECHNIK
Für Betriebsleiter stellt die Frage, wie sich die Qualifikation von Arbeitnehmern verbessern ließe, ein wesentliches Problem dar. Leiter fühlen sich dazu verpflichtet, die Qualifikation von Arbeitnehmern ständig zu verbessern. Arbeitnehmer benötigen intelligente Lernmethoden, mit denen sie eigenständig lernen können, wodurch sich die Kosten für eine manuelle Schulung, die Schulungsdauer und den Verlust von Kompetenzen aufgrund des Wegfalls von Arbeitnehmern (beispielsweise Pensionierung) reduzieren.
Die bestehenden Schulungsverfahren für Arbeitnehmer beruhen im Wesentlichen auf einem Meister-Lehrling-System. Meister und Lehrling geben im persönlichen Austausch Kenntnisse weiter. Andere Lernverfahren für Arbeitnehmer werden im Wesentlichen über soziale Medien angeboten, wie beispielsweise Schulungsvideos, Online-Lernen in Echtzeit und Internetforen. Bei den obigen Verfahren bestehen jedoch folgende Probleme: Der Schulungszeitraum im Meister-Lehrling-System ist lang, die Lerneffizienz ist auch von den didaktischen Fähigkeiten des Meisters abhängig, und das Meister-Lehrling-System beeinträchtigt zwangsläufig die Produktivität des Meisters. Zudem sind Lernsysteme in sozialen Medien mit zahlreichen Problemen behaftet, wie beispielsweise unhandlichem Lerninhalt und dem Unvermögen von Arbeitnehmern, genau das zu finden, was sie lernen müssen. Arbeitnehmer wissen auch oft nicht, welche Kompetenzen sie erwerben sollen.
KI (künstliche Intelligenz) hat eine große Auswirkung auf alle Lebensbereiche. Fertigungsbetriebe erkennen dies langsam und beginnen, die Vorteile von KI zu nutzen.
KURZFASSUNG
Die Ausführungsform der vorliegenden Erfindung schlägt ein Verfahren und eine Vorrichtung zum intelligenten Vermitteln von Empfehlungen vor.
Unter einem ersten Aspekt wird ein Verfahren zum intelligenten Vermitteln von Empfehlungen bereitgestellt. Das Verfahren umfasst Folgendes:

Bestimmen von einer Benutzerkennung entsprechenden Benutzerattributparametern,
Bestimmen eines der Benutzerkennung entsprechenden Punktwerts durch Eingeben der Benutzerattributparameter in ein Bewertungsmodell,
Bestimmen von der Benutzerkennung entsprechenden Empfehlungen auf der Grundlage des Punktwerts und eines den Benutzer betreffenden Wissensdiagramms und
Vermitteln der Empfehlungen.

Somit können auf der Grundlage des Wissensdiagramms und des Bewertungsmodells auf intelligente Weise Empfehlungen vermittelt werden, wodurch sich die Lerneffizienz verbessern lässt.
Das Bestimmen von Benutzerattributparametern entsprechend einer Benutzerkennung umfasst vorzugsweise mindestens einen der folgenden Vorgänge:

Gewinnen einer der Benutzerkennung entsprechenden Arbeitszeit aus einer Benutzerdatenbank,
Gewinnen eines der Benutzerkennung entsprechenden bisherigen Aufgabenumfangs aus einer Benutzerdatenbank,
Gewinnen einer der Benutzerkennung entsprechenden aktuellen Aufgabe aus einer Benutzerdatenbank,
Gewinnen eines der Benutzerkennung entsprechenden Qualifikationswerts aus einer Benutzerdatenbank,
Gewinnen einer der Benutzerkennung entsprechenden Schulungsdauer aus einer Benutzerdatenbank,
Gewinnen der der Benutzerkennung entsprechenden Anzahl Kompetenzen aus dem Wissensdiagramm.

Somit können mehrere Arten Benutzerattributparameter aus mehreren Datenquellen gewonnen werden.
Die Benutzerattributparameter umfassen vorzugsweise mehrere Kategorien, und bei dem Bewertungsmodell handelt es sich um ein trainiertes Modell für das maschinelle Lernen mit mehreren Dimensionen, wobei jede Dimension jeder Kategorie der Benutzerattributparameter entspricht.
Es ist ersichtlich, dass bei der Ausführungsform der vorliegenden Erfindung die Benutzerattributparameter den Dimensionen im Modell für das maschinelle Lernen entsprechend beibehalten werden, wodurch sich schnell ein Punktwert gewinnen lässt.
Das Wissensdiagramm umfasst vorzugsweise Benutzerentitäten, Kompetenzentitäten und Bearbeitungsgegenstandentitäten, wobei die zum Erstellen des Wissensdiagramms benutzte Datenquelle zumindest strukturierte Daten, unstrukturierte Daten und/oder semistrukturierte Daten umfasst.
Somit kann bei der Ausführungsform der vorliegenden Erfindung aus mehreren Datenquellen ein Wissensdiagramm erstellt werden.
Das Bestimmen von der Benutzerkennung entsprechenden Empfehlungen auf der Grundlage des Punktwerts und eines den Benutzer betreffenden Wissensdiagramms umfasst vorzugsweise Folgendes:

Bestimmen eines dem Qualifikationsbereich, zu dem der Punktwert gehört, entsprechenden Satzes Kompetenzen, Bestimmen einer der Benutzerkennung entsprechenden Kompetenz, die in dem Wissensdiagramm gespeichert ist, Entfernen der der Benutzerkennung entsprechenden Kompetenz aus dem Satz Kompetenzen und Bestimmen der der Benutzerkennung entsprechenden Empfehlungen auf der Grundlage der restlichen Kompetenzen in dem Satz Kompetenzen oder
Bestimmen eines ähnlichen Benutzers mit einem dem Punktwert ähnelnden Punktwert, Bestimmen einer der Benutzerkennung des ähnlichen Benutzers entsprechenden Kompetenz, die in dem Wissensdiagramm gespeichert ist, und Bestimmen der der Benutzerkennung entsprechenden Empfehlungen auf der Grundlage der der Benutzerkennung des ähnlichen Benutzers entsprechenden Kompetenz oder
Bestimmen eines ähnlichen Benutzers, der dem der Benutzerkennung entsprechenden Benutzer ähnelt, auf der Grundlage des Wissensdiagramms, Bestimmen einer der Benutzerkennung des ähnlichen Benutzers entsprechenden Kompetenz, die in dem Wissensdiagramm gespeichert ist, Bestimmen der der Benutzerkennung entsprechenden Empfehlungen auf der Grundlage der der Benutzerkennung des ähnlichen Benutzers entsprechenden Kompetenz.

Somit können auf verschiedene Weise Empfehlungen erzeugt werden, wodurch sich der Vorteil einer breiten Anwendbarkeit ergibt.
Das Bestimmen von der Benutzerkennung entsprechenden Empfehlungen auf der Grundlage des Punktwerts und eines den Benutzer betreffenden Wissensdiagramms umfasst vorzugsweise Folgendes:

Bestimmen eines ersten Satzes ähnlicher Benutzer auf der Grundlage des Wissensdiagramms, wobei der erste Satz ähnlicher Benutzer dem der Benutzerkennung entsprechenden Benutzer ähnelnde Benutzer umfasst,
Bestimmen eines zweiten Satzes ähnlicher Benutzer auf der Grundlage eines Punktwertvergleichsprozesses, wobei der zweite Satz ähnlicher Benutzer dem der Benutzerkennung entsprechenden Benutzer ähnelnde Benutzer umfasst,
Bestimmen der Schnittmenge des ersten Satzes und des zweites Satzes ähnlicher Benutzer und
Bestimmen der der Benutzerkennung entsprechenden Empfehlungen auf der Grundlage einer in dem Wissensdiagramm gespeicherten Kompetenz der Benutzer in der Schnittmenge und einer in dem Wissensdiagramm gespeicherten Kompetenz des der Benutzerkennung entsprechenden Benutzers.

Somit werden das Wissensdiagramm und der von dem Bewertungsmodell ausgegebene Punktwert bei der Ausführungsform der vorliegenden Erfindung zum intelligenteren Bestimmen der Empfehlungen kombiniert. Das Wissensdiagramm hilft insbesondere bei der Suche nach einer Korrelation zwischen verschiedenen Entitäten, so dass Empfehlungen gemeinsam auf der Grundlage der beiden Dimensionen Fähigkeiten eines Angestellten und Ähnlichkeit eines Angestellten bestimmt werden können.
Unter einem zweiten Aspekt wird eine Vorrichtung zum intelligenten Vermitteln von Empfehlungen bereitgestellt. Die Vorrichtung umfasst Folgendes:

ein erstes Bestimmungsmodul, das so konfiguriert ist, dass es einer Benutzerkennung entsprechende Benutzerattributparameter bestimmt,
ein zweites Bestimmungsmodul, das so konfiguriert ist, dass es durch Eingeben der Benutzerattributparameter in ein Bewertungsmodell einen der Benutzerkennung entsprechenden Punktwert bestimmt,
ein drittes Bestimmungsmodul, das so konfiguriert ist, dass es der Benutzerkennung entsprechende Empfehlungen auf der Grundlage des Punktwerts und eines den Benutzer betreffenden Wissensdiagramms bestimmt, und
ein Vermittlungsmodul, das so konfiguriert ist, dass es die Empfehlungen vermittelt.

Somit können auf der Grundlage des Wissensdiagramms und des Bewertungsmodells auf intelligente Weise Empfehlungen vermittelt werden, wodurch sich die Lerneffizienz verbessern lässt.
Das erste Bestimmungsmodul ist vorzugsweise so konfiguriert, dass es mindestens einen der folgenden Vorgänge ausführt:

Somit können mehrere Arten Benutzerattributparameter aus mehreren Datenquellen gewonnen werden.
Die Benutzerattributparameter umfassen vorzugsweise mehrere Kategorien, und bei dem Bewertungsmodell handelt es sich um ein trainiertes Modell für das maschinelle Lernen mit mehreren Dimensionen, wobei jede Dimension jeder Kategorie der Benutzerattributparameter entspricht.
Es ist ersichtlich, dass bei der Ausführungsform der vorliegenden Erfindung die Benutzerattributparameter den Dimensionen im Modell für das maschinelle Lernen entsprechend beibehalten werden, wodurch sich schnell ein Punktwert gewinnen lässt.
Das Wissensdiagramm umfasst vorzugsweise Benutzerentitäten, Kompetenzentitäten und Bearbeitungsgegenstandentitäten, wobei die zum Erstellen des Wissensdiagramms benutzte Datenquelle zumindest strukturierte Daten, unstrukturierte Daten und/oder semistrukturierte Daten umfasst.
Somit kann bei der Ausführungsform der vorliegenden Erfindung aus mehreren Datenquellen ein Wissensdiagramm erstellt werden.
Das dritte Bestimmungsmodul ist vorzugsweise so konfiguriert, dass es:

einen dem Qualifikationsbereich, zu dem der Punktwert gehört, entsprechenden Satz Kompetenzen bestimmt, eine der Benutzerkennung entsprechende Kompetenz bestimmt, die in dem Wissensdiagramm gespeichert ist, die der Benutzerkennung entsprechende Kompetenz aus dem Satz Kompetenzen entfernt und die der Benutzerkennung entsprechenden Empfehlungen auf der Grundlage der restlichen Kompetenzen in dem Satz Kompetenzen bestimmt oder
einen ähnlichen Benutzer mit einem dem Punktwert ähnelnden Punktwert bestimmt, eine der Benutzerkennung des ähnlichen Benutzers entsprechende Kompetenz bestimmt, die in dem Wissensdiagramm gespeichert ist, und die der Benutzerkennung entsprechenden Empfehlungen auf der Grundlage der der Benutzerkennung des ähnlichen Benutzers entsprechenden Kompetenz bestimmt oder
auf der Grundlage des Wissensdiagramms einen ähnlichen Benutzer bestimmt, der dem der Benutzerkennung entsprechenden Benutzer ähnelt, eine der Benutzerkennung des ähnlichen Benutzers entsprechende Kompetenz bestimmt, die in dem Wissensdiagramm gespeichert ist, auf der Grundlage der der Benutzerkennung des ähnlichen Benutzers entsprechenden Kompetenz die der Benutzerkennung entsprechenden Empfehlungen bestimmt.

Somit können auf verschiedene Weise Empfehlungen erzeugt werden, wodurch sich der Vorteil einer breiten Anwendbarkeit ergibt.
Das dritte Bestimmungsmodul ist vorzugsweise so konfiguriert, dass es auf der Grundlage des Wissensdiagramms einen ersten Satz ähnlicher Benutzer bestimmt, wobei der erste Satz ähnlicher Benutzer dem der Benutzerkennung entsprechenden Benutzer ähnelnde Benutzer umfasst, auf der Grundlage eines Punktwertvergleichsprozesses einen zweiten Satz ähnlicher Benutzer bestimmt, wobei der zweite Satz ähnlicher Benutzer dem der Benutzerkennung entsprechenden Benutzer ähnelnde Benutzer umfasst, die Schnittmenge des ersten Satzes und des zweites Satzes ähnlicher Benutzer bestimmt und auf der Grundlage einer in dem Wissensdiagramm gespeicherten Kompetenz der Benutzer in der Schnittmenge und einer in dem Wissensdiagramm gespeicherten Kompetenz des der Benutzerkennung entsprechenden Benutzers die der Benutzerkennung entsprechenden Empfehlungen bestimmt.
Somit werden das Wissensdiagramm und der von dem Bewertungsmodell ausgegebene Punktwert bei der Ausführungsform der vorliegenden Erfindung zum intelligenteren Bestimmen der Empfehlungen kombiniert. Das Wissensdiagramm hilft insbesondere bei der Suche nach einer Korrelation zwischen verschiedenen Entitäten, so dass Empfehlungen zusammen auf der Grundlage der beiden Dimensionen Fähigkeiten eines Angestellten und Ähnlichkeit eines Angestellten bestimmt werden können.
Unter einem dritten Aspekt ist eine Vorrichtung zum intelligenten Vermitteln von Empfehlungen bereitgestellt. Die Vorrichtung umfasst einen Prozessor und einen Speicher, wobei in dem Speicher ein von dem Prozessor ausführbares Anwendungsprogramm gespeichert ist, das den Prozessor dazu veranlasst, eines der oben genannten Verfahren zum intelligenten Vermitteln von Empfehlungen auszuführen.
Unter einem vierten Aspekt ist ein computerlesbares Medium bereitgestellt, auf dem computerlesbare Anweisungen gespeichert sind, wobei die computerlesbaren Anweisungen zum Ausführen eines der oben genannten Verfahren zum intelligenten Vermitteln von Empfehlungen dienen.
Figurenliste
Damit technische Lösungen aus Beispielen für die vorliegende Offenbarung übersichtlicher werden, werden nachfolgend einfach beiliegende Zeichnungen erläutert, die bei der Beschreibung der Beispiele mit zu Hilfe genommen werden sollen. Bei den nachfolgend zu beschreibenden beiliegenden Zeichnungen handelt es sich natürlich nur um ein paar Beispiele für die vorliegende Offenbarung. Fachleute können gemäß diesen beiliegenden Zeichnungen ohne schöpferisches Zutun andere Zeichnungen erhalten.

1 ist ein Ablaufdiagramm für ein Verfahren zum intelligenten Vermitteln von Empfehlungen gemäß einer Ausführungsform der vorliegenden Erfindung.
2 ist eine beispielhafte schematische Darstellung des Erstellens eines Wissensdiagramms bei einer Ausführungsform der vorliegenden Erfindung.
3 ist eine erste beispielhafte schematische Darstellung eines benutzerbezogenen Wissensdiagramms bei einer Ausführungsform der vorliegenden Erfindung.
4 ist eine zweite beispielhafte schematische Darstellung eines benutzerbezogenen Wissensdiagramms gemäß einer Ausführungsform der vorliegenden Erfindung.
5 ist ein Ablaufdiagramm für ein beispielhaftes Verfahren zum intelligenten Vermitteln von Empfehlungen in einem Arbeitnehmerschulungsszenario gemäß einer Ausführungsform der vorliegenden Erfindung.
6 ist ein Blockdiagramm einer Vorrichtung zum intelligenten Vermitteln von Empfehlungen gemäß einer Ausführungsform der vorliegenden Erfindung.
7 ist ein Blockdiagramm einer Vorrichtung zum intelligenten Vermitteln von Empfehlungen gemäß einer Ausführungsform der vorliegenden Erfindung.

Liste der Bezugszeichen:

100: Verfahren zum intelligenten Vermitteln von Empfehlungen
102, 104, 106, 108: Schritte
20: Datenquelle
21: Dokument
22: Bild
23: Tonaufnahme
24: Video
25: Bilderkennung
26: Textextraktion
27: Spracherkennung
28: Tonextraktion
29: Spracherkennung
30: Bedeutungsanalysesystem auf der Grundlage der Verarbeitung natürlicher Sprache (NLP - Natural Language Processing)
60: Ontologiedaten
31: erste Benutzerentität
32: zweite Benutzerentität
33: dritte Benutzerentität
41: erste Kompetenzentität
42: zweite Kompetenzentität
43: dritte Kompetenzentität
51: erste Maschinenentität
52: zweite Maschinenentität
501~510: Schritte
600: Vorrichtung zum intelligenten Vermitteln von Empfehlungen
601: erstes Bestimmungsmodul
602: zweites Bestimmungsmodul
603: drittes Bestimmungsmodul
604: Vermittlungsmodule
700: Vorrichtung zum intelligenten Vermitteln von Empfehlungen
701: Prozessor
702: Speicher

AUSFÜHRLICHE BESCHREIBUNG
Damit die technischen Lösungen und Vorteile der vorliegenden Erfindung verständlicher werden, wird die vorliegende Erfindung nachfolgend unter Bezugnahme auf die beiliegenden Zeichnungen und Ausführungsformen ausführlicher beschrieben. Es versteht sich, dass die hier beschriebenen konkreten Ausführungsformen lediglich der Veranschaulichung der vorliegenden Erfindung dienen und ihren Schutzumfang nicht einschränken sollen.
Der Kürze und Übersichtlichkeit der Beschreibung halber werden Aspekte der vorliegenden Erfindung nachfolgend durch Beschreiben diverser repräsentativer Ausführungsformen erläutert. Zahlreiche Einzelheiten bei den Ausführungsformen sind nur so konfiguriert, dass sie zur Verständlichkeit der Aspekte der vorliegenden Erfindung beitragen. Es ist jedoch klar, dass die technische Lösung der vorliegenden Erfindung auch ohne Einschränkung auf diese Einzelheiten umgesetzt werden kann. Damit Aspekte der vorliegenden Erfindung nicht unnötig verunklart werden, sind manche Ausführungsformen nicht ausführlich beschrieben, sondern es wird nur das Grundkonzept angegeben. Nachfolgend steht „aufweisen“ für „unter anderem aufweisen“ und „gemäß“ für „unter anderem zumindest gemäß“. Aufgrund der Eigenheiten des Chinesischen ist die Anzahl einer Komponente nachfolgend nicht konkret angegeben, so dass es sich bei der Komponente um eine oder mehr Komponenten handeln kann oder davon ausgegangen werden kann, dass es sich um mindestens eine handelt.
1 ist ein Ablaufdiagramm für ein Verfahren zum intelligenten Vermitteln von Empfehlungen gemäß einer Ausführungsform der vorliegenden Erfindung.
Wie in 1 gezeigt ist, umfasst das Verfahren 100 Folgendes:

Schritt 102: Bestimmen von einer Benutzerkennung entsprechenden Benutzerattributparametern.

Hier handelt es sich bei der Benutzerkennung um einen Namen, der zum Identifizieren eines Benutzers verwendet wird, wenn dieser sich anmeldet. Die Benutzerkennung kann zum Beispiel eine Arbeitnehmernummer, eine Studenten-Kennnummer, eine Lehrkraft-Kennnummer, eine SIM-Kartennummer (SIM - Subscriber Identity Module) eines mobilen Endgeräts usw. sein. Zu den Benutzerattributparametern gehören Parameter, die die Befähigungsattribute des Benutzers betreffen. Zu den Befähigungsattributen des Benutzers kann zum Beispiel Folgendes gehören: die Kompetenzen und die Anzahl Kompetenzen, die der Benutzer erworben hat, Aufgaben, die der Benutzer erledigt hat, Aufgaben, die der Benutzer derzeit verrichtet, und so weiter. Die Benutzerattributparameter können insbesondere Folgendes umfassen: Arbeitszeit, bisheriger Aufgabenumfang, aktuelle Aufgabe, Anzahl erworbener Kompetenzen, Qualifikationswert (zum Beispiel vom Vorgesetzten festgelegt), Schulungsdauer und so weiter.
Bei einer Ausführungsform kann die Benutzerkennung in Schritt 102 als Abrufelement verwendet werden, und der Benutzerkennung entsprechende strukturierte Benutzerattributparameter können aus verschiedenen Arten strukturierter Datenbanken gewonnen werden. Strukturierte Benutzerattributparameter können zum Beispiel aus verschiedenen Arten strukturierter Datenbanken, wie Personaldatenbanken und Arbeitsprotokolldatenbanken, gewonnen werden.
Es ist wahlweise auch möglich, aus unstrukturierten Datenquellen (zum Beispiel E-Mail-Nachrichten, Chat-Verläufen, Bürodokumenten, Text, Bildern, XML-Dateien, HTML-Dateien und diversen Berichten) unstrukturierte Benutzerattributparameter zu gewinnen. An unstrukturierten Benutzerattributparametern wird vorzugsweise eine weitere Normalisierung durchgeführt, um eine nachfolgende einheitliche Verarbeitung zu ermöglichen.
Schritt 104: Bestimmen eines der Benutzerkennung entsprechenden Punktwerts durch Eingeben der Benutzerattributparameter in ein Bewertungsmodell.
Hier werden die in Schritt 102 gewonnenen Benutzerattributparameter in ein vorgegebenes Bewertungsmodell eingegeben, so dass dieses einen der Benutzerkennung entsprechenden Punktwert ausgibt.
Bei einer Ausführungsform umfasst der Benutzerattributparameter mehrere Kategorien, und bei dem Bewertungsmodell handelt es sich um ein trainiertes Modell für das maschinelle Lernen mit mehreren Dimensionen, wobei jede Dimension jeder Kategorie der Benutzerattributparameter entspricht. Das Bewertungsmodell verwendet die von jedem Benutzer bereitgestellten Benutzerattributparameter zum Bewerten jedes Benutzers, so dass es den Punktwert für jeden Benutzer ausgibt.
Das Modell für das maschinelle Lernen kann zum Beispiel konkret als lineares Regressionsmodell oder nichtlineares Modell implementiert werden, wobei das nichtlineare Modell Folgendes umfassen kann: ein vollvermaschtes neuronales Netz, ein faltendes neuronales Netz oder ein zyklisches neuronales Netz und so weiter.
Nachfolgend wird als Beispiel ein lineares Regressionsmodell zum Beschreiben typischer Beispiele für das Erstellen und Trainieren von Modellen für das maschinelle Lernen benutzt.
Erstens: Erstellen eines Bewertungsmodells, was Folgendes umfasst: Definieren von Eigenwerten x₁, x₂, x₃...x_n, was das Definieren einer Anzahl und das Auswählen jedes Eigenwerts umfasst. Dann Statistik in eine Datentabelle, Spalte mit dem Titel Eigenwert, Zeile mit dem Titel Personalkennnummer (sprich Benutzerkennung). Jeder Eigenwert entspricht jeder Kategorie der Benutzerattributparameter.
Beispiele für Eigenwerte: 1) Arbeitsleben des Arbeitnehmers: aus der Arbeitnehmerdatenbank gewonnen. 2) Aufgabenvolumen für den Arbeitnehmer: Der Schwierigkeitsfaktor wird dem Schwierigkeitsgrad der Aufgabe entsprechend festgelegt. Der Schwierigkeitsfaktor wird mit der Gesamtanzahl Werkstücke multipliziert. 3) Anzahl Kompetenzen: aus dem Wissensdiagramm gewonnen. Ausgangsdatensatz abrufen und nach dem Zufallsprinzip in Trainingssatz und Prüfsatz unterteilen. Ausgangsdaten enthalten alle Eigenwerte für die Arbeitnehmer und Arbeitnehmerqualifikationsbewertungen (y), die über Angestellten-Leistungskennzahl, Bewertung und manuelles Wählen gewonnen werden.
Zweitens: Erstellen einer Gewichtungsmatrix und Berechnen der Gewichtungsmatrix mit dem Trainingssatz. Insbesondere Erstellen eines linearen Regressionsalgorithmusmodells, wobei alle Daten n Eigenwerte aufweisen, die im Vorhinein definiert werden, jedes Merkmal seinem eigenen Gewichtungswert (ω) und dem Produkt aus Gewichtung plus einem Vorgabewert (b) entspricht, hierbei handelt es sich um das lineare Regressionsmodell, die Formel sieht folgendermaßen aus: $y = ω_{1} * x_{1} + ω_{2} * x_{2} + \dots + ω_{n} * x_{n} + b .$
Um das anschließende Niederschreiben einer Matrixform zu ermöglichen, können wir diese Seite ein wenig abändern, so dass sich ω₀=b, x₀=1 in folgender Form niederschreiben lässt: $y = ω_{0} * x_{0} + ω_{1} * x_{1} + ω_{2} * x_{2} + \dots + ω_{n} * x_{n} .$
Es sei angenommen, dass sich m Beispiele im Trainingssatz befinden, dann weist die Matrix folgende Form auf: $X = [\begin{matrix} 1 & x_{1}^{1} & x_{1}^{2} & \dots & x_{1}^{n} \\ 1 & x_{2}^{1} & x_{2}^{2} & \dots & x_{2}^{n} \\ ⋮ & \dots & \dots & ⋱ & ⋮ \\ 1 & x_{m}^{1} & x_{m}^{2} & \dots & x_{m}^{n} \end{matrix}] Y = [\begin{matrix} y_{1} \\ y_{2} \\ \dots \\ y_{m} \end{matrix}]$
Die Gewichtungsmatrix W kann auch in Form einer Matrix niedergeschrieben werden: $W = [\begin{matrix} ω_{0} & ω_{1} & ω_{2} & \dots & ω_{n} \end{matrix}]$
Dann lässt sie sich auf einfache und übersichtliche Weise niederschreiben: $Y = X W^{T}$
Berechnen der Gewichtungsmatrix W und dann Definieren des linearen Regressionsalgorithmusmodells, das zum Berechnen eines neuen Punktwerts verwendet wird.
Drittens: Verifizieren des Modells mit dem Prüfsatz, Aktualisieren und Optimieren des Modells. Das Aktualisieren der Modells mithilfe des Prüfsatzes erfolgt anhand der Quadratwurzel des mittleren quadratischen Fehlers (RMSE - Root Mean Square Error) . RMSE lautet:

$RMSE = \sqrt{\frac{1}{N} \sum_{i = 1}^{N} {({\hat{y}}_{i} - y_{i})}^{2};}$
wobei es sich bei ŷ_i um einen Prognosewert handelt, der sich aus dem Modell ergibt. y_i ist ein realer Wert, der sich aus dem Prüfsatz ergibt.

Oben wird beispielhaft ein typisches Beispiel für das Erstellen und Trainieren eines linearen Regressionsmodells beschrieben. Fachleuten dürfte klar sein, dass diese Beschreibung nur als Beispiel dient und nicht den Schutzumfang der Ausführungsformen der vorliegenden Erfindung einschränken soll.
Schritt 106: Bestimmen von der Benutzerkennung entsprechenden Empfehlungen auf der Grundlage des Punktwerts und eines den Benutzer betreffenden Wissensdiagramms.
Bei einer Ausführungsform umfasst das Wissensdiagramm Benutzerentitäten, Kompetenzentitäten und Bearbeitungsgegenstandentitäten, wobei die zum Erstellen des Wissensdiagramms benutzte Datenquelle strukturierte Daten, unstrukturierte Daten und/oder semistrukturierte Daten umfasst. Strukturierte Benutzerdaten können zum Beispiel aus strukturierten Datenbanken wie einer Personaldatenbank und einer Arbeitsprotokolldatenbank gewonnen werden, die für das Erstellen eines Wissensdiagramms als Datenquelle dienen. Wahlweise können auch unstrukturierte Benutzerdaten aus unstrukturierten Datenquellen usw. als Datenquelle für das Erstellen eines Wissensdiagramms gewonnen werden.
2 ist eine beispielhafte schematische Darstellung des Erstellens eines Wissensdiagramms bei einer Ausführungsform der vorliegenden Erfindung.
Wie in 2 gezeigt ist, enthält die Datenquelle 20 mehrere Typen, insbesondere ein Dokument 21, ein Bild 22, eine Tonaufnahme 23 und ein Video 24. Darunter können in dem Dokument 21 enthaltene Texte in ein auf NLP basierendes Bedeutungsanalysesystem 30 eingegeben werden. Die Bilderkennung 25 führt an dem Bild 22 eine Bilderkennung durch und gibt das Ergebnis der Bilderkennung (Textbeschreibung des Bildes) in das auf NLP basierende Bedeutungsanalysesystem 30 ein. Die Spracherkennung 27 führt an der Tonaufnahme 23 eine Spracherkennung durch und gibt das Ergebnis der Spracherkennung in das auf NLP basierende Bedeutungsanalysesystem 30 ein. Zunächst wird auf der Grundlage der Tonextraktion 28 eine Tonaufnahme aus dem Video 24 extrahiert, dann wird an der extrahierten Tonaufnahme eine Spracherkennung 29 durchgeführt und das Ergebnis der Spracherkennung in das auf NLP basierende Bedeutungsanalysesystem 30 eingegeben.
Es ist ersichtlich, dass das auf NLP basierende Bedeutungsanalysesystem 30 mehrere Quellen für die Texteingabe aufweist. Das auf NLP basierende Bedeutungsanalysesystem 30 führt zum Extrahieren von Ontologiedaten 60 NLP aus. Dann kann auf der Grundlage der Ontologiedaten 60 ein Wissensdiagramm mit Benutzerentitäten, Kompetenzentitäten und Bearbeitungsszielentitäten erzeugt werden. Für das Erzeugen von Wissensdiagrammen können zum Beispiel Tools wie Neo4j oder MongoDB verwendet werden. Darunter kann die Benutzerentität eine Dreiergruppe enthalten, die als <Benutzerkennnummer, Benutzerattribut, Benutzerattributwert> dargestellt ist, die Kompetenzentität kann eine Dreiergruppe enthalten, die als <Kompetenzkennnummer, Kompetenzattribut, Kompetenzattributwert> dargestellt ist, die Bearbeitungszielentität kann Dreiergruppen enthalten, die als <Bearbeitungszielkennung, Bearbeitungszielattribut, Bearbeitungszielattributwert> dargestellt ist. Das Wissensdiagramm befindet sich vorzugsweise in einem Zustand dynamischer Aktualisierung.
Schritt 106: Vermitteln der Empfehlungen.
Zum Beispiel Vermitteln der Empfehlungen an den der Benutzerkennung entsprechenden Benutzer.
Die Empfehlungen können hier auf verschiedene Weise präsentiert werden, wie beispielsweise als Video, Tonaufnahme, Fotos oder Text.
Bei einer Ausführungsform umfasst das Bestimmen der der Benutzerkennung entsprechenden Empfehlungen auf der Grundlage des Punktwerts und eines den Benutzer betreffenden Wissensdiagramms Folgendes: Bestimmen eines dem Qualifikationsbereich, zu dem der Punktwert gehört, entsprechenden Satzes Kompetenzen, Bestimmen einer der Benutzerkennung entsprechenden Kompetenz, die in dem Wissensdiagramm gespeichert ist, Entfernen der der Benutzerkennung entsprechenden Kompetenz aus dem Satz Kompetenzen und Bestimmen der der Benutzerkennung entsprechenden Empfehlungen auf der Grundlage der restlichen Kompetenzen in dem Satz Kompetenzen.
Bei einer Ausführungsform umfasst das Bestimmen der der Benutzerkennung entsprechenden Empfehlungen auf der Grundlage des Punktwerts und eines den Benutzer betreffenden Wissensdiagramms Folgendes: Bestimmen eines ähnlichen Benutzers mit einem dem Punktwert ähnelnden Punktwert, Bestimmen einer der Benutzerkennung des ähnlichen Benutzers entsprechenden Kompetenz, die in dem Wissensdiagramm gespeichert ist, und Bestimmen der der Benutzerkennung entsprechenden Empfehlungen auf der Grundlage der der Benutzerkennung des ähnlichen Benutzers entsprechenden Kompetenz.
Bei einer Ausführungsform umfasst das Bestimmen der der Benutzerkennung entsprechenden Empfehlungen auf der Grundlage des Punktwerts und eines den Benutzer betreffenden Wissensdiagramms Folgendes: Bestimmen eines ähnlichen Benutzers, der dem der Benutzerkennung entsprechenden Benutzer ähnelt, auf der Grundlage des Wissensdiagramms, Bestimmen einer der Benutzerkennung des ähnlichen Benutzers entsprechenden Kompetenz, die in dem Wissensdiagramm gespeichert ist, Bestimmen der der Benutzerkennung entsprechenden Empfehlungen auf der Grundlage der der Benutzerkennung des ähnlichen Benutzers entsprechenden Kompetenz.
Bei einer Ausführungsform umfasst das Bestimmen der der Benutzerkennung entsprechenden Empfehlungen auf der Grundlage des Punktwerts und eines den Benutzer betreffenden Wissensdiagramms Folgendes: Bestimmen eines ersten Satzes ähnlicher Benutzer auf der Grundlage des Wissensdiagramms, wobei der erste Satz ähnlicher Benutzer dem der Benutzerkennung entsprechenden Benutzer ähnelnde Benutzer umfasst, Bestimmen eines zweiten Satzes ähnlicher Benutzer auf der Grundlage eines Punktwertvergleichsprozesses, wobei der zweite Satz ähnlicher Benutzer dem der Benutzerkennung entsprechenden Benutzer ähnelnde Benutzer umfasst, Bestimmen der Schnittmenge des ersten Satzes und des zweites Satzes ähnlicher Benutzer und Bestimmen der der Benutzerkennung entsprechenden Empfehlungen auf der Grundlage einer in dem Wissensdiagramm gespeicherten Kompetenz der Benutzer in der Schnittmenge und einer in dem Wissensdiagramm gespeicherten Kompetenz des der Benutzerkennung entsprechenden Benutzers.
3 ist eine erste beispielhafte schematische Darstellung eines benutzerbezogenen Wissensdiagramms bei einer Ausführungsform der vorliegenden Erfindung.
In dem in 3 gezeigten Wissensdiagramm handelt es sich bei der Entität 31 um eine Entität des ersten Benutzers (zum Beispiel lautet die Benutzerkennung E61), bei der Entität 32 um eine Entität des zweiten Benutzers (zum Beispiel lautet die Benutzerkennung E62) und bei der Entität 33 um eine Entität des dritten Benutzers (zum Beispiel lautet die Benutzerkennung E63) . Die Entität 31 ist über die erste Kompetenzentität 41 mit der ersten Maschinenentität 51 verbunden (das heißt zum Beispiel, dass die Entität 31 ähnlich wie folgt die erste Maschinenentität mit der ersten Kompetenz bedient hat), die Entität 31 ist über die zweite Kompetenzentität 42 mit der ersten Maschinenentität 51 verbunden, die Entität 32 ist über die erste Kompetenzentität 41 mit der ersten Maschinenentität 51 verbunden, die Entität 33 ist über die zweite Kompetenzentität 42 mit der ersten Maschinenentität 51 verbunden, die Entität 33 ist über die dritte Kompetenzentität 43 mit der zweiten Maschinenentität 52 verbunden.
Darunter umfassen vorgegebene Qualifikationsbereiche für die Bewertung: (0∼60), (61∼80), (81∼100). Der Qualifikationsbereich (0~60) gehört zu Kompetenzen auf niedrigem Niveau und der entsprechende Satz Kompetenzen umfasst (die erste Kompetenzentität 41, die zweite Kompetenzentität 42), der Qualifikationsbereich (61~80) gehört zu Kompetenzen auf mittlerem Niveau und der entsprechende Satz Kompetenzen umfasst (die erste Kompetenzentität 41, die dritte Kompetenzentität 43), der Qualifikationsbereich (81∼100) gehört zu Kompetenzen auf hohem Niveau und der entsprechende Satz Kompetenzen umfasst (die erste Kompetenzentität 41, die zweite Kompetenzentität 42 und die dritte Kompetenzentität 43) .
Wenn sich der der Entität 32 entsprechende Benutzer E62 bei einem Arbeitnehmer-Aufgabensystem anmeldet, wird auf der Grundlage des Bewertungsmodells bestimmt, dass sein Punktwert 50 beträgt. Somit gehört der Benutzer E62 in den Qualifikationsbereich (0-60), und der entsprechende Satz Kompetenzen ist (erste Kompetenzentität 41, zweite Kompetenzentität 42). Über das Wissensdiagramm wird festgestellt, dass die Entität 32 über die erste Kompetenzentität 41 mit der ersten Maschinenentität 51 verbunden ist, was bedeutet, dass der der Entität 32 entsprechende Benutzer E62 die erste Kompetenzentität 41 erworben hat. Dann wird die erste Kompetenzentität 41 aus dem entsprechenden Satz Kompetenzen entfernt, und bei der verbleibenden Kompetenz handelt es sich um die zweite Kompetenzentität 42. Somit werden dem der Entität 32 entsprechenden Benutzer E62 die Schulungsinformationen empfohlen, die die zweite Kompetenzentität 42 betreffen. Zu den Schulungsinformationen kann zum Beispiel Folgendes gehören: Videodateien, in denen der Benutzer E63 die zweite Kompetenzentität 42 zum Bedienen der ersten Maschinenentität 1 einsetzt, Tonaufnahmen zur Einführung in die zweite Kompetenzentität 42, ein Bild zur Einführung in die zweite Kompetenzentität 42, Text zur Einführung in die zweite Kompetenzentität 42 und so weiter.
4 ist eine zweite beispielhafte schematische Darstellung eines benutzerbezogenen Wissensdiagramms gemäß einer Ausführungsform der vorliegenden Erfindung.
In dem in 4 gezeigten Wissensdiagram handelt es sich bei der Entität 31 um eine Entität des ersten Benutzers (zum Beispiel lautet die Benutzerkennung E61), bei der Entität 32 um eine Entität des zweiten Benutzers (zum Beispiel lautet die Benutzerkennung E62) und bei der Entität 33 um eine Entität des dritten Benutzers (zum Beispiel lautet die Benutzerkennung E63) . Die Entität 31 ist über die erste Kompetenzentität 41 mit der ersten Maschinenentität 51 verbunden (das heißt zum Beispiel, dass die Entität 31 ähnlich wie folgt die erste Maschinenentität mit der ersten Kompetenz bedient hat), die Entität 31 ist über die zweite Kompetenzentität 42 mit der ersten Maschinenentität 51 verbunden, die Entität 32 ist über die erste Kompetenzentität 41 mit der ersten Maschinenentität 51 verbunden, die Entität 33 ist über die zweite Kompetenzentität 42 mit der ersten Maschinenentität 51 verbunden, die Entität 33 ist über die dritte Kompetenzentität 43 mit der zweiten Maschinenentität 52 verbunden, die Entität 33 ist über die erste Kompetenzentität 41 mit der ersten Maschinenentität 51 verbunden.
Beispiel 1: Wenn sich jeder Benutzer vom System abmeldet, wird der diesmal berechnete Punktwert in einer Punktedatenbank gespeichert. Wenn sich der der Entität 31 entsprechende Benutzer E61 im System anmeldet, wird auf der Grundlage des Bewertungsmodells bestimmt, dass sein Punktwert 80 beträgt. Nach dem Abfragen der Punktedatenbank wird bestimmt, dass der Benutzer, dessen Punktwert dem des Benutzers E61 ähnelt (d.h. ähnlicher Benutzer), der der Entität 33 entsprechende Benutzer E63 ist. Wie im Wissensdiagramm zu erkennen ist, ist die Entität 33 über die zweite Kompetenzentität 42 mit der ersten Maschinenentität 51, über die dritte Kompetenzentität 43 mit der zweiten Maschinenentität 52 und über die erste Kompetenzentität 41 mit der ersten Maschinenentität 51 verbunden. Es ist ersichtlich, dass der der Entität 33 entsprechende Benutzer E63 die erste Kompetenzentität 41, die zweite Kompetenzentität 42 und die dritte Kompetenzentität 43 besitzt. Zudem ist die Entität 31 über die erste Kompetenzentität 41 mit der ersten Maschinenentität 51 und über die zweite Kompetenzentität 42 mit der ersten Maschinenentität 51 verbunden. Es ist ersichtlich, dass der der Entität 31 entsprechende Benutzer E61 die erste Kompetenzentität 41 und die zweite Kompetenzentität 42 besitzt. Somit handelt es sich bei der zweiten Kompetenzentität 42 um eine Kompetenz, die die Entität 31 nicht besitzt, der ähnliche Benutzer jedoch durchaus. Somit werden dem der Entität 31 entsprechenden Benutzer E61 die Schulungsinformationen empfohlen, die die dritte Kompetenzentität 43 betreffen. Zu den Schulungsinformationen kann zum Beispiel Folgendes gehören: Videodateien, in denen der Benutzer E63 die dritte Kompetenzentität 43 zum Bedienen der zweiten Maschinenentität 52 einsetzt, Tonaufnahmen zur Einführung in die dritte Kompetenzentität 43, ein Bild zur Einführung in die dritte Kompetenzentität 43, Text zur Einführung in die dritte Kompetenzentität 43 und so weiter.
Beispiel 2: Wenn sich jeder Benutzer vom System abmeldet, wird der diesmal berechnete Punktwert in einer Punktedatenbank gespeichert. Wenn sich der der Entität 31 entsprechende Benutzer E61 im System anmeldet, wird zunächst auf der Grundlage des Wissensdiagramms der erste Satz dem Benutzer E61 ähnelnder Benutzer bestimmt. Zum Bestimmen des Satzes Benutzer mit den gleichen Attributen wie Benutzer E61, das heißt des ersten Satzes ähnlicher Benutzer, können die Attribute jeder Benutzerentität in dem Wissensdiagramm abgefragt werden. Es wird zum Beispiel festgestellt, dass Benutzer E62, Benutzer E63 und Benutzer E61 die gleichen Attribute besitzen (zum Beispiel zum gleichen Betrieb gehören), so dass bestimmt wird, dass Benutzer E62 und Benutzer E63 dem Benutzer E61 ähneln. Dann wird auf der Grundlage eines Punktwertvergleichsprozesses bestimmt, dass der Punktwert für den Benutzer E63 (zum Beispiel der bei der letzten Anmeldung von E63 berechnete Punktwert) einem Punktwert für den Benutzer E61 ähnelt, so dass bestimmt wird, dass der zweite Satz ähnlicher Benutzer den Benutzer E63 umfasst. Dann wird bestimmt, dass die Schnittmenge des ersten Satzes und des zweites Satzes ähnlicher Benutzer der Benutzer E63 ist. Über das Wissensdiagramm wird ebenfalls festgestellt, dass die Entität 33 über die zweite Kompetenzentität 42 mit der ersten Maschinenentität 51, über die dritte Kompetenzentität 43 mit der zweiten Maschinenentität 52 und über die erste Kompetenzentität 41 mit der ersten Maschinenentität 51 verbunden ist. Es ist ersichtlich, dass der der Entität 33 entsprechende Benutzer E63 die erste Kompetenzentität 41, die zweite Kompetenzentität 42 und die dritte Kompetenzentität 43 besitzt. Zudem ist die Entität 31 über die erste Kompetenzentität 41 mit der ersten Maschinenentität 51 und über die zweite Kompetenzentität 42 mit der ersten Maschinenentität 51 verbunden. Es ist ersichtlich, dass der der Entität 31 entsprechende Benutzer E61 die erste Kompetenzentität 41 und die zweite Kompetenzentität 42 besitzt. Somit handelt es sich bei der dritten Kompetenzentität 43 um eine Kompetenz, die die Entität 31 nicht besitzt, der Benutzer in der Schnittmenge (Benutzer E63) jedoch durchaus. Somit können dem der Entität 31 entsprechenden Benutzer E61 die Schulungsinformationen empfohlen werden, die die dritte Kompetenzentität 43 betreffen. Zu den Schulungsinformationen kann zum Beispiel Folgendes gehören: Videodateien, in denen der Benutzer E63 die dritte Kompetenzentität 43 zum Bedienen der zweiten Maschinenentität 52 einsetzt, Tonaufnahmen zur Einführung in die dritte Kompetenzentität 43, ein Bild zur Einführung in die dritte Kompetenzentität 43, Text zur Einführung in die dritte Kompetenzentität 43 und so weiter.
Nachfolgend wird zum Beschreiben eines beispielhaften Prozesses für das Umsetzen der vorliegenden Erfindung ein Arbeitnehmerschulungsszenario als Beispiel verwendet.
5 ist ein Ablaufdiagramm für ein beispielhaftes Verfahren zum intelligenten Vermitteln von Empfehlungen in einem Arbeitnehmerschulungsszenario gemäß einer Ausführungsform der vorliegenden Erfindung.
Wie in 5 gezeigt ist, umfasst das Verfahren Folgendes:

Schritt 501: Ein Arbeitnehmer gibt Arbeitnehmernummer und Passwort ein und meldet sich so bei einem Arbeitnehmerverwaltungsprogramm an.
Schritt 502: Bestimmen, ob das Passwort stimmt, wenn ja, Durchführen von Schritt 503 und nachfolgenden Schritten, anderenfalls Rückkehr zu Schritt 501.
Schritt 503: Bestimmen eines Satzes ähnlicher Arbeitnehmer, der ähnliche Arbeitnehmer enthält, über ein Bewertungsmodell. Dies umfasst insbesondere: das Abrufen jeweiliger Attributparameter entsprechend jeder Dimension im Bewertungsmodell auf der Grundlage der Arbeitnehmernummer, wie Arbeitszeit, bisheriger Aufgabenumfang, Anzahl erworbener Kompetenzen und so weiter. Dann das Eingeben der abgerufenen Attributparameter in das Bewertungsmodell zum Bestimmen des Punktwerts für den Arbeitnehmer. Dann wird bestimmt, dass die Arbeitnehmer in dem Werk, die in den gleichen Qualifikationsbereich fallen, ähnliche Arbeitnehmer sind, so dass ein Satz ähnlicher Arbeitnehmer gewonnen wird.
Schritt 504: Benutzen eines Wissensdiagramms zum Bestimmen von Arbeitnehmern mit großer Ähnlichkeit in dem Satz ähnlicher Arbeitnehmer. Insbesondere: Auf der Grundlage eines Vergleichs der Ähnlichkeit von Benutzerattributwerten von Benutzerentitäten im Wissensdiagramm werden ferner in dem Satz ähnlicher Arbeitnehmer Arbeitnehmer von größerer Ähnlichkeit bestimmt. Arbeitnehmer im gleichen Betrieb werden zum Beispiel als Arbeitnehmer von größerer Ähnlichkeit betrachtet, Arbeitnehmer mit ähnlicher (gleicher) Tätigkeitsart werden als Arbeitnehmer von größerer Ähnlichkeit betrachtet, Arbeitnehmer, die die gleichen Anlagen bedienen, werden als Arbeitnehmer von größerer Ähnlichkeit betrachtet, und so weiter.
Schritt 505: Bestimmen der zu empfehlenden Kompetenzen auf der Grundlage der Kompetenzen der in Schritt 504 bestimmten Arbeitnehmer von größerer Ähnlichkeit. So kann zum Beispiel bestimmt werden, dass Kompetenzen, die der der Arbeitnehmernummer entsprechende Arbeitnehmer, der sich in Schritt 501 im Arbeitnehmerverwaltungssystem angemeldet hat, nicht besitzt, während sie in Schritt 504 bestimmte Arbeitnehmer von größerer Ähnlichkeit besitzen, als solche zu empfehlen sind.
Schritt 506: Bestimmen, ob zu empfehlende Kompetenzen empfohlen worden sind, wenn ja, Ausführen von Schritt 512 und Beenden des Ablaufs, anderenfalls Ausführen von Schritt 507 und nachfolgenden Schritten.
Schritt 507: Empfehlen von Kompetenzen für den der Arbeitnehmernummer entsprechenden Arbeitnehmer.
Schritt 508: Anzeigen der empfohlenen Kompetenzen in mehreren Anzeigeverfahren.
Schritt 509: Empfangen einer Rückmeldung von dem der Arbeitnehmernummer entsprechenden Arbeitnehmer. Zum Inhalt der Rückmeldung gehört: Anzahl von im Verlauf dieser Anmeldung erledigten Aufgaben, im Verlauf dieser Anmeldung neu erworbene Kompetenzen, im Verlauf dieser Anmeldung bearbeiteter Bearbeitungsgegenstand usw.
Schritt 510: Aktualisieren des Wissensdiagramms auf der Grundlage der Rückmeldung. Es ist ersichtlich, dass sich das Wissensdiagramm in einem Zustand dynamischer Aktualisierung befindet, das heißt, das Wissensdiagramm befindet sich in einem Zustand, in dem es in Echtzeit aktualisiert werden kann.

Oben wird der beispielhafte Prozesses für das Umsetzen der vorliegenden Erfindung ausführlich anhand eines Arbeitnehmerschulungsszenarios als Beispiel beschrieben. Fachleuten dürfte klar sein, dass diese Beschreibung nur als Beispiel dient und nicht den Schutzumfang der Ausführungsformen der vorliegenden Erfindung einschränken soll.
Auf der Grundlage der obigen Beschreibung schlägt die Ausführungsform der vorliegenden Erfindung auch eine Vorrichtung zum intelligenten Vermitteln von Empfehlungen vor.
6 ist ein Blockdiagramm einer Vorrichtung zum intelligenten Vermitteln von Empfehlungen gemäß einer Ausführungsform der vorliegenden Erfindung.
Wie in 6 gezeigt ist, weist die Vorrichtung 600 zum intelligenten Vermitteln von Empfehlungen Folgendes auf:

ein erstes Bestimmungsmodul 601, das so konfiguriert ist, dass es einer Benutzerkennung entsprechende Benutzerattributparameter bestimmt, ein zweites Bestimmungsmodul 602, das so konfiguriert ist, dass es durch Eingeben der Benutzerattributparameter in ein Bewertungsmodell einen der Benutzerkennung entsprechenden Punktwert bestimmt, ein drittes Bestimmungsmodul 603, das so konfiguriert ist, dass es der Benutzerkennung entsprechende Empfehlungen auf der Grundlage des Punktwerts und eines den Benutzer betreffenden Wissensdiagramms bestimmt, und ein Vermittlungsmodul 604, das so konfiguriert ist, dass es die Empfehlungen vermittelt.

Das erste Bestimmungsmodul 601 ist vorzugsweise so konfiguriert, dass es mindestens einen der folgenden Vorgänge ausführt: Gewinnen einer der Benutzerkennung entsprechenden Arbeitszeit aus einer Benutzerdatenbank, Gewinnen eines der Benutzerkennung entsprechenden bisherigen Aufgabenumfangs aus einer Benutzerdatenbank, Gewinnen einer der Benutzerkennung entsprechenden aktuellen Aufgabe aus einer Benutzerdatenbank, Gewinnen eines der Benutzerkennung entsprechenden Qualifikationswerts aus einer Benutzerdatenbank, Gewinnen einer der Benutzerkennung entsprechenden Schulungsdauer aus einer Benutzerdatenbank, Gewinnen der der Benutzerkennung entsprechenden Anzahl Kompetenzen aus dem Wissensdiagramm.
Die Benutzerattributparameter umfassen vorzugsweise mehrere Kategorien, und bei dem Bewertungsmodell handelt es sich um ein trainiertes Modell für das maschinelle Lernen mit mehreren Dimensionen, wobei jede Dimension jeder Kategorie der Benutzerattributparameter entspricht.
Das Wissensdiagramm umfasst vorzugsweise Benutzerentitäten, Kompetenzentitäten und Bearbeitungsgegenstandentitäten, wobei die zum Erstellen des Wissensdiagramms benutzte Datenquelle strukturierte Daten, unstrukturierte Daten und/oder semistrukturierte Daten umfasst.
Das dritte Bestimmungsmodul 603 ist vorzugsweise so konfiguriert, dass es: einen dem Qualifikationsbereich, zu dem der Punktwert gehört, entsprechenden Satz Kompetenzen bestimmt, eine der Benutzerkennung entsprechende Kompetenz bestimmt, die in dem Wissensdiagramm gespeichert ist, die der Benutzerkennung entsprechende Kompetenz aus dem Satz Kompetenzen entfernt und die der Benutzerkennung entsprechenden Empfehlungen auf der Grundlage der restlichen Kompetenzen in dem Satz Kompetenzen bestimmt oder einen ähnlichen Benutzer mit einem dem Punktwert ähnelnden Punktwert bestimmt, eine der Benutzerkennung des ähnlichen Benutzers entsprechende Kompetenz bestimmt, die in dem Wissensdiagramm gespeichert ist, und die der Benutzerkennung entsprechenden Empfehlungen auf der Grundlage der der Benutzerkennung des ähnlichen Benutzers entsprechenden Kompetenz bestimmt oder auf der Grundlage des Wissensdiagramms einen ähnlichen Benutzer bestimmt, der dem der Benutzerkennung entsprechenden Benutzer ähnelt, eine der Benutzerkennung des ähnlichen Benutzers entsprechende Kompetenz bestimmt, die in dem Wissensdiagramm gespeichert ist, auf der Grundlage der der Benutzerkennung des ähnlichen Benutzers entsprechenden Kompetenz die der Benutzerkennung entsprechenden Empfehlungen bestimmt.
Das dritte Bestimmungsmodul 603 ist vorzugsweise so konfiguriert, dass es auf der Grundlage des Wissensdiagramms einen ersten Satz ähnlicher Benutzer bestimmt, wobei der erste Satz ähnlicher Benutzer dem der Benutzerkennung entsprechenden Benutzer ähnelnde Benutzer umfasst, auf der Grundlage eines Punktwertvergleichsprozesses einen zweiten Satz ähnlicher Benutzer bestimmt, wobei der zweite Satz ähnlicher Benutzer dem der Benutzerkennung entsprechenden Benutzer ähnelnde Benutzer umfasst, die Schnittmenge des ersten Satzes und des zweites Satzes ähnlicher Benutzer bestimmt und auf der Grundlage einer in dem Wissensdiagramm gespeicherten Kompetenz der Benutzer in der Schnittmenge und einer in dem Wissensdiagramm gespeicherten Kompetenz des der Benutzerkennung entsprechenden Benutzers die der Benutzerkennung entsprechenden Empfehlungen bestimmt.
7 ist ein Strukturdiagramm einer Vorrichtung zum intelligenten Vermitteln von Empfehlungen mit einer Speicherprozessorarchitektur gemäß einer Ausführungsform der vorliegenden Erfindung.
Wie in 7 gezeigt ist, weist die Vorrichtung 700 einen Prozessor 701, einen Speicher 702 und ein Computerprogramm auf, das in dem Speicher 702 gespeichert ist und auf dem Prozessor 701 läuft. Das Computerprogramm wird zwecks Durchführens des obigen Verfahrens zum intelligenten Vermitteln von Empfehlungen von dem Prozessor 701 ausgeführt.
Darunter kann der Speicher 702 konkret in Form verschiedener Speichermedien implementiert sein, wie als elektrisch löschbarer programmierbarer Festwertspeicher (EEPROM - electrically erasable programmable read-only memory), Flash-Speicher (Flash-Speicher) und programmierbarer Festwertspeicher (PROM - programmable read-only memory). Der Prozessor 701 kann so implementiert sein, dass er einen oder mehrere Hauptprozessoren oder ein oder mehrere Field Programmable Gate Arrays aufweist, wobei in das Field Programmable Gate Array ein oder mehrere Hauptprozessorkerne integriert sind. Der Hauptprozessor oder der Hauptprozessorkern kann insbesondere als CPU, MCU, DSP oder dergleichen implementiert sein.
Es sei angemerkt, dass nicht alle Schritte und Module in den obigen Prozessen und den diversen Strukturdiagrammen erforderlich sind und je nach tatsächlichem Bedarf manche Schritte oder Module weggelassen werden können. Die Reihenfolge der Ausführung der einzelnen Schritte ist nicht festgelegt und kann je nach Bedarf angepasst werden. Die Unterteilung jedes Moduls dient lediglich der einfacheren Beschreibung der Funktionsaufteilung. Bei der eigentlichen Implementierung kann ein Modul mithilfe mehrerer Module implementiert werden, und die Funktionen mehrerer Module können auch von dem gleichen Modul implementiert werden. Diese Module können sich in der gleichen Vorrichtung befinden. Sie können sich auch in unterschiedlichen Vorrichtungen befinden.
Die Hardwaremodule in den diversen Ausführungsformen können mechanisch oder elektronisch implementiert werden. So kann zum Beispiel ein Hardwaremodul speziell entwickelte feste Schaltkreise oder Logikbausteine (wie dedizierte Prozessoren wie beispielsweise FPGA oder ASIC) zum Durchführen bestimmter Operationen aufweisen.
Die Hardwaremodule können auch programmierbare Logikbausteine oder Schaltkreise (wie beispielsweise Universalprozessoren oder andere programmierbare Prozessoren) aufweisen, die mithilfe von Software zeitweilig so konfiguriert werden, dass sie bestimmte Operationen durchführen. Das Hardwaremodul kann mithilfe mechanischer Mittel, unter Verwendung eines dedizierten festen Schaltkreises oder eines zeitweilig konfigurierten Schaltkreises (wie beispielsweise Konfiguration durch Software) implementiert werden, was sich unter Berücksichtigung von Kosten und Zeit festlegen lässt.
Die vorliegende Erfindung betrifft auch ein maschinenlesbares Speichermedium, das Anweisungen speichert, die eine Maschine zum Ausführen eines hier beschriebenen Verfahrens veranlassen. Insbesondere kann ein System oder ein Gerät, das mit einem Speichermedium ausgestattet ist, auf dem Softwareprogrammcode gespeichert ist, der die Funktionen beliebiger der oben beschriebenen Ausführungsformen implementiert, und ein Computer (oder eine CPU oder MPU) des Systems oder Geräts gespeichert sein, der den im Speichermedium gespeicherten Programmcode liest und ausführt. Zudem können manche oder alle tatsächlichen Operationen von einem Betriebssystem oder dergleichen ausgeführt werden, das auf der Grundlage von Anweisungen des Programmcodes auf einem Computer läuft. Es ist auch möglich, den aus dem Speichermedium ausgelesenen Programmcode in einen Speichersatz in einer in den Computer eingesteckten Erweiterungsplatine oder einen Speichersatz in einer mit dem Computer verbundenen Erweiterungseinheit zu schreiben und dann auf der Grundlage der Anweisung im Programmcode das Programm zu installieren. Die Erweiterungsplatine oder die CPU oder dergleichen auf der Erweiterungseinheit übernimmt einen Teil und alle der tatsächlichen Operationen zum Implementieren der Funktionen einer der obigen Ausführungsformen.
Zu Ausführungsformen des Speichermediums zum Bereitstellen von Programmcode zählen Disketten, Festplatten, magnetooptische Platten, optische Platten (wie beispielsweise CD-ROM, CD-R, CD-RW, DVD-ROM, DVD-RAM, DVD-RW, DVD+RW), Bänder, nichtflüchtige Speicherkarten und ROM. Alternativ dazu kann der Programmcode über ein Kommunikationsnetzwerk von einem Server-Computer oder aus einer Cloud heruntergeladen werden.
Bei Obigem handelt es sich lediglich um bevorzugte Ausführungsformen der vorliegenden Erfindung, und der Schutzumfang der vorliegenden Erfindung soll dadurch nicht eingeschränkt werden. Sämtliche im Sinne und Schutzumfang der vorliegenden Erfindung vorgenommenen Modifikationen, äquivalenten Ersetzungen, Verbesserungen usw. sollen in den Schutzumfang der vorliegenden Erfindung fallen.
Die vorliegende Erfindung ist unter Bezugnahme auf die beiliegenden Zeichnungen und ihre bevorzugten Ausführungsformen aufgezeigt und ausführlich beschrieben worden, sie ist jedoch nicht auf diese offenbarten Ausführungsformen beschränkt, und Fachleute seien darauf hingewiesen, dass sich die diversen oben beschriebenen Ausführungsformen kombinieren lassen. Das Codeüberprüfungsmittel bei der vorliegenden Erfindung erhält weitere Ausführungsformen der vorliegenden Erfindung, und diese Ausführungsformen fallen ebenfalls in den Schutzumfang der vorliegenden Erfindung.

Claims

Verfahren (100) zum intelligenten Vermitteln von Empfehlungen, das Folgendes umfasst: Bestimmen (102) von einer Benutzerkennung entsprechenden Benutzerattributparametern, Bestimmen (104) eines der Benutzerkennung entsprechenden Punktwerts durch Eingeben der Benutzerattributparameter in ein Bewertungsmodell, Bestimmen (106) von der Benutzerkennung entsprechenden Empfehlungen auf der Grundlage des Punktwerts und eines den Benutzer betreffenden Wissensdiagramms und Vermitteln (108) der Empfehlungen.
Verfahren (100) nach Anspruch 1, wobei das Bestimmen (102) von einer Benutzerkennung entsprechenden Benutzerattributparametern mindestens einen der folgenden Vorgänge umfasst: Gewinnen einer der Benutzerkennung entsprechenden Arbeitszeit aus einer Benutzerdatenbank, Gewinnen eines der Benutzerkennung entsprechenden bisherigen Aufgabenumfangs aus einer Benutzerdatenbank, Gewinnen einer der Benutzerkennung entsprechenden aktuellen Aufgabe aus einer Benutzerdatenbank, Gewinnen eines der Benutzerkennung entsprechenden Qualifikationswerts aus einer Benutzerdatenbank, Gewinnen einer der Benutzerkennung entsprechenden Schulungsdauer aus einer Benutzerdatenbank, Gewinnen der der Benutzerkennung entsprechenden Anzahl Kompetenzen aus dem Wissensdiagramm.
Verfahren (100) nach Anspruch 1, wobei die Benutzerattributparameter mehrere Kategorien umfassen und es sich bei dem Bewertungsmodell um ein trainiertes Modell für das maschinelle Lernen mit mehreren Dimensionen handelt, wobei jede Dimension jeder Kategorie der Benutzerattributparameter entspricht.
Verfahren (100) nach Anspruch 1, wobei das Wissensdiagramm Benutzerentitäten, Kompetenzentitäten und Bearbeitungsgegenstandentitäten umfasst, wobei die zum Erstellen des Wissensdiagramms benutzte Datenquelle strukturierte Daten, unstrukturierte Daten und/oder semistrukturierte Daten umfasst.
Verfahren (100) nach Anspruch 4, wobei das Bestimmen (106) von der Benutzerkennung entsprechenden Empfehlungen auf der Grundlage des Punktwerts und eines den Benutzer betreffenden Wissensdiagramms Folgendes umfasst: Bestimmen eines dem Qualifikationsbereich, zu dem der Punktwert gehört, entsprechenden Satzes Kompetenzen, Bestimmen einer der Benutzerkennung entsprechenden Kompetenz, die in dem Wissensdiagramm gespeichert ist, Entfernen der der Benutzerkennung entsprechenden Kompetenz aus dem Satz Kompetenzen und Bestimmen der der Benutzerkennung entsprechenden Empfehlungen auf der Grundlage der restlichen Kompetenzen in dem Satz Kompetenzen oder Bestimmen eines ähnlichen Benutzers mit einem dem Punktwert ähnelnden Punktwert, Bestimmen einer der Benutzerkennung des ähnlichen Benutzers entsprechenden Kompetenz, die in dem Wissensdiagramm gespeichert ist, und Bestimmen der der Benutzerkennung entsprechenden Empfehlungen auf der Grundlage der der Benutzerkennung des ähnlichen Benutzers entsprechenden Kompetenz oder Bestimmen eines ähnlichen Benutzers, der dem der Benutzerkennung entsprechenden Benutzer ähnelt, auf der Grundlage des Wissensdiagramms, Bestimmen einer der Benutzerkennung des ähnlichen Benutzers entsprechenden Kompetenz, die in dem Wissensdiagramm gespeichert ist, Bestimmen der der Benutzerkennung entsprechenden Empfehlungen auf der Grundlage der der Benutzerkennung des ähnlichen Benutzers entsprechenden Kompetenz.
Verfahren (100) nach Anspruch 4, wobei das Bestimmen (106) von der Benutzerkennung entsprechenden Empfehlungen auf der Grundlage des Punktwerts und eines den Benutzer betreffenden Wissensdiagramms Folgendes umfasst: Bestimmen eines ersten Satzes ähnlicher Benutzer auf der Grundlage des Wissensdiagramms, wobei der erste Satz ähnlicher Benutzer dem der Benutzerkennung entsprechenden Benutzer ähnelnde Benutzer umfasst, Bestimmen eines zweiten Satzes ähnlicher Benutzer auf der Grundlage eines Punktwertvergleichsprozesses, wobei der zweite Satz ähnlicher Benutzer dem der Benutzerkennung entsprechenden Benutzer ähnelnde Benutzer umfasst, Bestimmen der Schnittmenge des ersten Satzes und des zweites Satzes ähnlicher Benutzer und Bestimmen der der Benutzerkennung entsprechenden Empfehlungen auf der Grundlage einer in dem Wissensdiagramm gespeicherten Kompetenz der Benutzer in der Schnittmenge und einer in dem Wissensdiagramm gespeicherten Kompetenz des der Benutzerkennung entsprechenden Benutzers.
Vorrichtung (600) zum intelligenten Vermitteln von Empfehlungen, die Folgendes umfasst: ein erstes Bestimmungsmodul (601), das so konfiguriert ist, dass es einer Benutzerkennung entsprechende Benutzerattributparameter bestimmt, ein zweites Bestimmungsmodul (602), das so konfiguriert ist, dass es durch Eingeben der Benutzerattributparameter in ein Bewertungsmodell einen der Benutzerkennung entsprechenden Punktwert bestimmt, ein drittes Bestimmungsmodul (603), das so konfiguriert ist, dass es der Benutzerkennung entsprechende Empfehlungen auf der Grundlage des Punktwerts und eines den Benutzer betreffenden Wissensdiagramms bestimmt, und ein Vermittlungsmodul (604), das so konfiguriert ist, dass es die Empfehlungen vermittelt.
Vorrichtung (600) nach Anspruch 7, wobei das erste Bestimmungsmodul (601) so konfiguriert ist, dass es mindestens einen der folgenden Vorgänge ausführt: Gewinnen einer der Benutzerkennung entsprechenden Arbeitszeit aus einer Benutzerdatenbank, Gewinnen eines der Benutzerkennung entsprechenden bisherigen Aufgabenumfangs aus einer Benutzerdatenbank, Gewinnen einer der Benutzerkennung entsprechenden aktuellen Aufgabe aus einer Benutzerdatenbank, Gewinnen eines der Benutzerkennung entsprechenden Qualifikationswerts aus einer Benutzerdatenbank, Gewinnen einer der Benutzerkennung entsprechenden Schulungsdauer aus einer Benutzerdatenbank, Gewinnen der der Benutzerkennung entsprechenden Anzahl Kompetenzen aus dem Wissensdiagramm.
Vorrichtung (600) nach Anspruch 7, wobei die Benutzerattributparameter mehrere Kategorien umfassen und es sich bei dem Bewertungsmodell um ein trainiertes Modell für das maschinelle Lernen mit mehreren Dimensionen handelt, wobei jede Dimension jeder Kategorie der Benutzerattributparameter entspricht.
Vorrichtung (600) nach Anspruch 7, wobei das Wissensdiagramm Benutzerentitäten, Kompetenzentitäten und Bearbeitungsgegenstandentitäten umfasst, wobei die zum Erstellen des Wissensdiagramms benutzte Datenquelle strukturierte Daten, unstrukturierte Daten und/oder semistrukturierte Daten umfasst.
Vorrichtung (600) nach Anspruch 10, wobei das dritte Bestimmungsmodul (603) so konfiguriert ist, dass es: einen dem Qualifikationsbereich, zu dem der Punktwert gehört, entsprechenden Satz Kompetenzen bestimmt, eine der Benutzerkennung entsprechende Kompetenz bestimmt, die in dem Wissensdiagramm gespeichert ist, die der Benutzerkennung entsprechende Kompetenz aus dem Satz Kompetenzen entfernt und die der Benutzerkennung entsprechenden Empfehlungen auf der Grundlage der restlichen Kompetenzen in dem Satz Kompetenzen bestimmt oder einen ähnlichen Benutzer mit einem dem Punktwert ähnelnden Punktwert bestimmt, eine der Benutzerkennung des ähnlichen Benutzers entsprechende Kompetenz bestimmt, die in dem Wissensdiagramm gespeichert ist, und die der Benutzerkennung entsprechenden Empfehlungen auf der Grundlage der der Benutzerkennung des ähnlichen Benutzers entsprechenden Kompetenz bestimmt oder auf der Grundlage des Wissensdiagramms einen ähnlichen Benutzer bestimmt, der dem der Benutzerkennung entsprechenden Benutzer ähnelt, eine der Benutzerkennung des ähnlichen Benutzers entsprechende Kompetenz bestimmt, die in dem Wissensdiagramm gespeichert ist, auf der Grundlage der der Benutzerkennung des ähnlichen Benutzers entsprechenden Kompetenz die der Benutzerkennung entsprechenden Empfehlungen bestimmt.
Vorrichtung (600) nach Anspruch 10, wobei das dritte Bestimmungsmodul (603) so konfiguriert ist, dass es auf der Grundlage des Wissensdiagramms einen ersten Satz ähnlicher Benutzer bestimmt, wobei der erste Satz ähnlicher Benutzer dem der Benutzerkennung entsprechenden Benutzer ähnelnde Benutzer umfasst, auf der Grundlage eines Punktwertvergleichsprozesses einen zweiten Satz ähnlicher Benutzer bestimmt, wobei der zweite Satz ähnlicher Benutzer dem der Benutzerkennung entsprechenden Benutzer ähnelnde Benutzer umfasst, die Schnittmenge des ersten Satzes und des zweites Satzes ähnlicher Benutzer bestimmt und auf der Grundlage einer in dem Wissensdiagramm gespeicherten Kompetenz der Benutzer in der Schnittmenge und einer in dem Wissensdiagramm gespeicherten Kompetenz des der Benutzerkennung entsprechenden Benutzers die der Benutzerkennung entsprechenden Empfehlungen bestimmt.
Vorrichtung (700) zum intelligenten Vermitteln von Empfehlungen, die einen Prozessor (701) und einen Speicher (702) umfasst, wobei in dem Speicher (702) ein von dem Prozessor (701) ausführbares Anwendungsprogramm gespeichert ist, das den Prozessor (701) dazu veranlasst, ein Verfahren (100) zum intelligenten Vermitteln von Empfehlungen nach einem der Ansprüche 1 bis 6 auszuführen.
Computerlesbares Medium, auf dem computerlesbare Anweisungen gespeichert sind, wobei die computerlesbaren Anweisungen zum Ausführen eines Verfahrens (100) zum intelligenten Vermitteln von Empfehlungen nach einem der Ansprüche 1 bis 6 dienen.