一种基于深度学习的人力管理智能分析方法与流程

本发明涉及人工智能的
技术领域：
，尤其涉及一种基于深度学习的人力管理智能分析方法。
背景技术：
：随着网络信息和科学技术水平的不断发展与提升，人工智能逐渐同现代社会相融合，从而使得企事业单位人力资源管理开始趋于人工智能化应用。由于人工智能技术的应用能够降低企业成本，还能够增强企事业核心竞争力，一方面可以根据智能分析的结果给员工增减任务，可以对员工的收入和职位晋升作出判断，另一方面可以根据公司不同岗位需求进行人才的引进，作出精准人才配对引进和决策管理，所以目前很多企事业单位开始将人工智能引入到人力资源开发与管理中。由于人工智能在企事业人力资源管理中应用时间较短，技术不成熟导致面临诸多挑战。随着企业的发展，企事业单位的人力资源数据逐渐增加，现有的ai人力管理智能分析系统在进行分析判断时延迟会加重，对日益增加的人力资源数据处理效率不高，其内配置的现有算法模型的分析效率跟不上日益增加的数据。技术实现要素：本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。鉴于上述现有ai人力管理智能分析系统存在的问题，提出了本发明。因此，本发明解决的技术问题是：解决现有的ai人力管理智能分析系统在进行分析判断时延迟会加重，对日益增加的人力资源数据处理效率不高的问题。为解决上述技术问题，本发明提供如下技术方案：一种基于深度学习的人力管理智能分析方法，包括获取各部门每位职工任务完成量和质量评估数据，生成训练数据集；构建深度神经优化网络模型，并将所述训练数据集输入至所述深度神经优化网络模型中进行优化训练，获得训练后的预测决策数据集；构建决策算法模型，并匹配行业大数据，输出标椎决策算法模型；将所述预测决策数据集输入至所述标椎决策算法模型中，输出标准决策数据集；根据所述标准决策数据集进行人力管理的智能分析和判断。作为本发明所述的基于深度学习的人力管理智能分析方法的一种优选方案，其中：构建的所述深度神经优化网络模型由全连接层和激活层搭建。作为本发明所述的基于深度学习的人力管理智能分析方法的一种优选方案，其中：所述深度神经优化网络模型包括以下训练步骤，利用深度卷积神经网络结构将所述训练数据集中的数据送入所述深度神经优化网络模型；定义所述深度神经优化网络模型为：通过编解码深度神经网络和鉴别网络，结合所述训练数据集中的数据计算模型输出；反复执行，直到输出结果满意。作为本发明所述的基于深度学习的人力管理智能分析方法的一种优选方案，其中：所述深度神经优化网络模型训练还包括精度控制，当所述训练数据集输入至所述深度神经优化网络模型后，经过训练输出的所述预测决策数据集与所述训练数据集的均方根误差小于设定的阈值时，视为模型精度较高，则对应训练后的所述预测决策数据集输出结果满意。作为本发明所述的基于深度学习的人力管理智能分析方法的一种优选方案，其中：设定的所述阈值为0.01。作为本发明所述的基于深度学习的人力管理智能分析方法的一种优选方案，其中：构建所述决策算法模型，并匹配所述行业大数据，输出所述标椎决策算法模型包括爬取所述行业大数据库中的数据；对所述数据进行缩减预处理，获取缩减后的行业大数据；构建所述决策算法模型；将所述缩减后的行业大数据代入所述决策算法模型，并通过寻优迭代公式寻求算法值最大时的决策值；提取所述决策值，获取所述标椎决策算法模型。作为本发明所述的基于深度学习的人力管理智能分析方法的一种优选方案，其中：构建的所述决策算法模型具体为，目标函数j(y)：j(y)＝[e{g(y)}-e{g(yguass)}i2其中，y是提取出的独立分量估计值，e{}是期望，g()是非线性函数，且所述非线性函数为g＝tanh(1.5y)；约束条件：y∈{0，1}。作为本发明所述的基于深度学习的人力管理智能分析方法的一种优选方案，其中：所述寻优迭代公式为，式中，x为数据矩阵，z为中心化白化处理后的数据矩阵，w(i)和w(i+1)为迭代前和迭代后的分离矩阵，e{}是期望，g()是非线性函数，且所述非线性函数为g＝tanh(1.5y)，g＇()是非线性函数的导数函数，t为迭代指数。本发明的有益效果：通过本发明提供的基于深度学习的人力管理智能分析方法，通过构建深度神经优化网络模型及决策算法模型，将每部门员工的任务完成量、质量评估数据以及行业大数据进行综合处理后输入至对于的算法模型中，提高了现有算法模型的分析效率，解决了现有的ai人力管理智能分析系统在进行分析判断时延迟会加重的问题。附图说明为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：图1为本发明提供的基于深度学习的人力管理智能分析方法的方法流程图；图2为本发明提供的基于深度学习的人力管理智能分析系统的模块图；图3为本发明提供的深度神经优化网络模型的构建示意图；图4为本发明提供的爬取行业大数据的页面操作图；图5为本发明提供的卷积操作示意图；图6为本发明提供的深度卷积网络结构示意图。具体实施方式为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。实施例1由于人工智能在企事业人力资源管理中应用时间较短，技术不成熟导致面临诸多挑战。随着企业的发展，企事业单位的人力资源数据逐渐增加，现有的ai人力管理智能分析系统在进行分析判断时延迟会加重，对日益增加的人力资源数据处理效率不高，其内配置的现有算法模型的分析效率跟不上日益增加的数据。故此，请参阅图1、图3～6，本发明提供一种基于深度学习的人力管理智能分析方法，包括：s1：获取各部门每位职工任务完成量和质量评估数据，生成训练数据集；不难理解的是，任务完成量和质量评估数据是评估一个职员工作能力及潜力的两个重要标准，故此将这两个指标作为输入项纳入本发明。s2：构建深度神经优化网络模型，并将训练数据集输入至深度神经优化网络模型中进行优化训练，获得训练后的预测决策数据集；需要说明的是：请参阅图3，构建的深度神经优化网络模型由全连接层和激活层搭建，其每一层都是一个数字矩阵，且每层之间就是矩阵的相乘。其中，深度神经优化网络模型包括以下训练步骤：利用深度卷积神经网络结构将训练数据集中的数据送入深度神经优化网络模型；定义深度神经优化网络模型为：通过编解码深度神经网络和鉴别网络，结合训练数据集中的数据计算模型输出；反复执行，直到输出结果满意。进一步的，深度神经优化网络模型训练还包括精度控制，当训练数据集输入至深度神经优化网络模型后，经过训练输出的预测决策数据集与训练数据集的均方根误差小于设定的阈值时，视为模型精度较高，则对应训练后的预测决策数据集输出结果满意。更进一步的，设定的阈值为0.01，即小于0.01时，视为模型的精度较高。需要说明的是：如图5所示，为卷积操作示意图，如图6所示，为深度卷积网络结构示意图。s3：构建决策算法模型，并匹配行业大数据，输出标椎决策算法模型，包括：爬取行业大数据库中的数据；对数据进行缩减预处理，获取缩减后的行业大数据；构建决策算法模型；将缩减后的行业大数据代入决策算法模型，并通过寻优迭代公式寻求算法值最大时的决策值；提取决策值，获取标椎决策算法模型。需要说明的是：①由于行业大数据库中的数据很多都是无法直接读取，如图4所示，本发明通过python开发模块安装selenium库和pytesseract库，利用selenium库驱动浏览器访问目标网站，并对目标数据进行截图，通过pytesseract库对截图进行图像识别，从而解析出目标数据的方式爬取行业大数据库中的数据，具体的代码命令如下：利用selenium库驱动浏览器访问目标网站的方法定义如下，fromseleniumimportwebdriverdriver＝webdriver.chrome()driver.get('url')对目标数据进行截图的方法定义如下，driver.get_screenshot_as_png()driver.save_screenshot('file_path')pytesseract库对截图进行图像识别的方法定义如下，importpytesseractfrompilimportimageimage＝image.open('截图.png')code＝pytesseract.image_to_string(image)print(code)。②由于行业大数据过于繁多，本发明相较于现有技术对数据进行预处理，减少了无用的数据参考，进一步加快了模型算法的流畅运行，对数据进行缩减预处理，包括：定义原有数据集合为：j代表被删除的数据集合，对于原有的表示为：dk(p,q)＝∑piminct(ξi,ξj)缩减后保留的数据ξj，qj表示为：qj：＝pj+∑pi其中j(j)：＝{i∈i：j＝j(i)}，其表示了最优的数据集合。算法流程如下：计算原有数据对与预期数据对之间的距离k，u＝1，...，s选择设置j[1]：＝{1，...，s}\{u1}计算：并设置j[i]：＝j[i-1]\{ui}j：＝j[s-s]。如下表1所示，为本发明采用数据缩减预处理与不采用预处理的算法运行效率对比表：表1：采用数据缩减预处理与不采用预处理的算法运行效率对比表由上表1的数据对比可看出，采用数据缩减预处理相较于本发明不采用预处理对算法运行的效率具有明显的改善。进一步的，构建的决策算法模型具体为：目标函数j(y)：j(y)＝[e{g(y)}-e{g(yguass)}]2其中，y是提取出的独立分量估计值，e{}是期望，g()是非线性函数，且非线性函数为g＝tanh(1.5y)；约束条件：y∈{0，1}其中，寻优迭代公式为：式中，x为数据矩阵，z为中心化白化处理后的数据矩阵，w(i)和w(i+1)为迭代前和迭代后的分离矩阵，e{}是期望，g()是非线性函数，且所述非线性函数为g＝tanh(1.5y)，g′()是非线性函数的导数函数，t为迭代指数。需要说明的是，优选的，可通过构建具有五阶收敛速度的牛顿法，代入修正后的牛顿法，改进迭代公式，从而加快迭代效率。其中，五阶收敛速度的牛顿法如下：将修正后的牛顿法代入，改进迭代公式如下：如下表2所示，为本发明采用改进的迭代公式与原有迭代公式的运行效率对比表：表2：采用改进的迭代公式与原有迭代公式的运行效率对比表同批数据迭代时间(s)对算法运行的效率增率(％)采用改进的公式2.30214.63本发明原有公式3.6679.869由上表2可明显看出，本发明的迭代公式可优选通过牛顿法改进后的迭代公式，增加算法模型的运算效率。s4：将预测决策数据集输入至标椎决策算法模型中，输出标准决策数据集；s5：根据标准决策数据集进行人力管理的智能分析和判断。还需要说明的是，本实施例提出的深度学习是伴随着现代社会发达的数据获取能力而被广泛关注的，其最大的特点是，它的学习对象是经过抽象的特征数据，为了构建起一套学习或者模式识别系统，需要反复实验，考虑被研究对象的特点，精心构建出一个完整有效的特征提取方案，往往需要有足够经验的专业人员花费大量的时间才能完成，如对爬取的行业大数据进行缩减预处理，获取缩减后的行业大数据。对数据表示的学习是将原始数据作为输入，由程序自主地学习判断一个事物类别所需的特征。深度学习技术就是这样一种方法，它将原始数据表示为分为多个层次的特征表示，而且在数据特征上是逐层经过非线性函数抽象而来的，越远离原始数据层，特征数据的抽象级别越高，经过一定数量层级的抽象，深度学习网络就具有了对原始数据的一个复杂转换能力，可以达到较高级的展现。分类任务中，高级层次的特征表示将会加强对分类结果更具影响力的特征数据，而抑制对影响分类结果不太重要的特征数据。场景一：对本方法中采用的技术效果加以验证说明，本实施例选择的不同方法和采用本方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。传统的技术方案：采用常规的算法模型直接进行人力管理的智能分析，例如：其中，ct，ij∈{0，1}。为验证本方法相对传统方法具有较高运算效率，本实施例中将采用在simuworks仿真环境中进行本发明和现有技术的运算对比，如下表3所示：表3：本发明和现有技术的运算对比表于仿真环境中，以同样的方式爬取行业大数据及员工的基本数据，并以同样的方式连续纳入相同容量的数据，由上表可看出本发明明显优于现有技术。通过本发明提供的基于深度学习的人力管理智能分析方法及系统，通过构建深度神经优化网络模型及决策算法模型，将每部门员工的任务完成量、质量评估数据以及行业大数据进行综合处理后输入至对于的算法模型中，提高了现有算法模型的分析效率，解决了现有的ai人力管理智能分析系统在进行分析判断时延迟会加重的问题。实施例2请参阅图2，为本发明提供的基于深度学习的人力管理智能分析系统的第一个实施例：一种基于深度学习的人力管理智能分析系统，包括：获取模块100，用于获取各部门每位职工任务完成量和质量评估数据，并生成训练数据集，具体为数据统计纳入系统，其采用以delphi为开发平台，excel为统计数据的载体，用xml定义excel文件的合并方式；优化模块200，与获取模块100和行业大数据库连接，用于构建深度神经优化网络模型完成优化训练，以及构建决策算法模型并匹配行业大数据，例如使用技术成熟的英特尔d945gclf2d主板，该主板支持atom双核n330cpu，配有英特尔945gcexpress芯片组，在内存方面支持一个667mhz单通道ddr2sdram接口，最高可支持2gb内存，具备9针串口、6个usb接口，提供了sata硬盘接口。此外，该主板的尺寸为171.45mm×171.45mm，能够符合实际要求；输入模块300，与获取模块100、优化模块200和行业大数据库连接，用于输入训练数据集至深度神经优化网络模型、输入行业大数据以及将预测决策数据集输入至标椎决策算法模型中，例如采用型号为c8051310的单片机，或fpga、gpu；输出模块400，与优化模块200连接，用于输出预测决策数据集以及标准决策数据集；智能分析模块500，与输出模块400连接，用于根据标准决策数据集进行人力管理的智能分析和判断。进一步的，优化模块200包括：构建单元，用于构建深度神经优化网络模型及决策算法模型；计算单元，用于计算模型输出；判断单元，与计算单元连接，并判断模型输出值是否满意；预处理单元，用于对行业大数据进行缩减预处理，获取缩减后的行业大数据；寻优单元，用于通过寻优迭代公式寻求决策算法模型算法值最大时的决策值。应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、ram、rom等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。如在本申请所使用的，术语“组件”、“模块”、“系统”等等旨在指代计算机相关实体，该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如，组件可以是，但不限于是：在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例，在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中，并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外，这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如，来自一个组件的数据，该组件与本地系统、分布式系统中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它系统进行交互)的信号，以本地和/或远程过程的方式进行通信。应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。当前第1页12