基于机器学习的绩效预测的制作方法

本文描述的主题总体上涉及机器学习，更具体地涉及基于机器学习的绩效预测。

背景技术：

技术实现思路

1、提供包括计算机程序产品的系统、方法和制品以用于基于机器学习的绩效预测。在一个方面，提供了一种系统。所述系统可以包括至少一个数据处理器和至少一个存储器。该至少一个存储器可以存储在由至少一个数据处理器执行时导致操作的指令。所述操作可以包括：训练一个或多个机器学习模型以预测雇员绩效的下降；将一个或多个经训练的机器学习模型应用于与雇员相关联的数据以预测所述雇员的绩效的下降；响应于一个或多个经训练的机器学习模型预测所述雇员的绩效的下降，确定所预测的所述雇员的绩效的下降的一个或多个根本原因；并至少基于所述一个或多个根本原因而生成报告，该报告包括针对所预测的所述雇员的绩效的下降的纠正措施。

2、在一些变体中，本文公开的包括下述特征的一个或多个特征可以任选地包括在任何可行的组合中。可以通过应用可解释性算法来确定对一个或多个机器学习模型的输出有贡献的前k个变量来识别一个或多个根本原因。

3、在一些变体中，可解释性算法可包括夏普利加法解释(shapley additiveexplanations，shap)。

4、在一些变体中，一个或多个机器学习模型可以包括卷积神经网络(aconvolutional neural network)、循环神经网络(a recurrent neural network)、回归模型(a regression model)、基于实例的模型(an instance-based model)、正则化模型(aregularization model)、决策树(adecision tree)、随机森林(a random forest)、贝叶斯模型(a bayesian model)、聚类模型(aclusteringmodel)、关联模型(an associativemodel)、深度学习模型(a deep learning model)、降维模型(a dimensionalityreduction model)和/或集成模型(a ensemble model)。

5、在一些变体中，一个或多个机器学习模型的训练可以包括在与雇员相关联的第一客户端设备处训练第一本地机器学习模型，所述本地机器学习模型至少基于与雇员相关联的第一个人数据而被训练，并且至少基于经训练的第一本地机器学习模型的第一参数空间而更新部署在服务器处的全局机器学习模型的第二参数空间。

6、在一些变体中，一个或多个机器学习模型的训练还可以包括至少基于第二本地机器学习模型的第三参数空间而更新全局机器学习模型的第二参数空间，该第二机器学习模型被部署在另一雇员的第二客户端设备处，并且第二机器学习模型基于另一雇员的第二个人数据而被训练；及至少基于全局机器学习模型的经更新的第二参数空间而更新第一本地机器学习模型的第一参数空间和第二本地机器学习模型的第三参数空间。

7、在一些变体中，操作还可以包括：预处理与雇员相关联的数据的至少一部分，该预处理包括执行情绪分析以确定雇员表现出的情绪类型、疲劳程度、警觉程度和/或参与程度(engagement level)。

8、在一些变体中，所述与雇员相关联的数据可以对应于雇员倦怠的一个或多个先行指标。

9、在一些变体中，所述与雇员相关联的数据可以包括所述雇员的身体活动模式、心跳模式、膳食模式和/或睡眠模式。

10、在一些变体中，所述与雇员相关联的数据可以包括与安装在所述雇员的边缘设备上的不同类型的应用交互所花费的时间量。

11、在一些变体中，所述与雇员相关联的数据可以包括最后期限的数量、最后期限的紧迫性和/或在会议最后期限的延迟。

12、在一些变体中，所述与所述雇员相关联的数据可以包括一个或多个关键事件、个人里程碑、职业里程碑、假期、季节性限制和工作角色限制。

13、另一方面，提供了一种用于基于机器学习的绩效预测的方法。所述方法可以包括：训练一个或多个机器学习模型以预测雇员绩效的下降；将一个或多个经训练的机器学习模型应用于与雇员相关联的数据以预测所述雇员的绩效的下降；响应于所述一个或多个经训练过的机器学习模型预测所述雇员的绩效的下降，确定所预测的雇员的绩效的下降的一个或多个根本原因；并至少基于所述一个或多个根本原因而生成报告，该报告包括针对所预测的所述雇员的绩效的下降的纠正措施。

14、在一些变体中，本文公开的包括以下特征的一个或多个特征可以可选地包括在任何可行的组合中。可以通过应用可解释性算法来确定对一个或多个机器学习模型的输出有贡献的前k个变量来识别一个或多个根本原因。

15、在一些变体中，一个或多个机器学习模型的训练可以包括在与雇员相关联的第一客户端设备处训练第一本地机器学习模型，所述本地机器学习模型至少基于与雇员相关联的第一个人数据；至少基于经训练的第一本地机器学习模型的第一参数空间，更新部署在服务器上的全局机器学习模型的第二参数空间；至少基于第二本地机器学习模型的第三参数空间而更新全局机器学习模型的第二参数空间，所述第二机器学习模型部署在另一雇员的第二客户端设备处，所述第二机器学习模型基于另一雇员的第二个人数据而被训练；并至少基于全局机器学习模型的经更新的第二参数空间而更新第一本地机器学习模型的第一参数空间和第二本地机器学习模型的第三参数空间。

16、在一些变体中，所述与雇员相关联的数据可以包括所述雇员的身体活动模式、心跳模式、膳食模式和/或睡眠模式。

17、在一些变体中，所述与雇员相关联的数据可以包括与安装在所述雇员的边缘设备上的不同类型的应用交互所花费的时间量。

18、在一些变体中，所述与雇员相关联的数据可以包括最后期限的数量、最后期限的紧迫性和/或会议最后期限的延迟。

19、在一些变体中，所述与雇员相关联的数据可以包括一个或多个关键事件、个人里程碑、职业里程碑、假期、季节性限制和工作角色限制。

20、在另一方面，提供了一种计算机程序产品，其包括非暂时性计算机可读存储介质。非暂时性计算机可读存储介质可以包括在由至少一个数据处理器执行时引起操作的程序代码。所述操作可以包括：训练一个或多个机器学习模型以预测雇员绩效的下降；将一个或多个经训练的机器学习模型应用于与雇员相关联的数据，以预测所述雇员的绩效的下降；响应于所述一个或多个经训练的机器学习模型预测所述雇员的绩效的下降，确定所预测的所述雇员的绩效的下降的一个或多个根本原因；并至少基于所述一个或多个根本原因而生成报告，该报告包括针对所预测的所述雇员的绩效的下降的纠正措施。

21、当前主题的实施可以包括但不限于与本文提供的描述一致的方法以及包括可操作以使一台或多台机器(例如，计算机等)以导致实现一个或多个所描述的特征的操作的有形地体现的机器可读介质的制品。类似地，还描述了可以包括一个或多个处理器和一个或多个耦合到一个或多个处理器的存储器的计算机系统。可以包括非暂时性计算机可读或机器可读存储介质的存储器可以包括、编码、存储等一个或多个程序，所述一个或多个程序使一个或多个处理器执行本文所述的一个或多个操作。与当前主题的一个或多个实现一致的计算机实现的方法可以由驻留在单个计算系统或多个计算系统中的一个或多个数据处理器来实现。这样的多个计算系统可以被连接并且可以经由一个或多个连接而交换数据和/或命令或其他指令等，所述一个或多个连接例如包括经由多个计算系统中的一个或多个之间的直接连接而例如通过网络(例如互联网、无线广域网、局域网、广域网、有线网络等)的连接。

22、本文描述的主题的一个或多个变体的细节在附图和以下描述中阐述。本文所描述的主题的其他特征和优点将从描述和附图以及权利要求中变得显而易见。尽管为了说明性目的关于基于机器学习的绩效预测描述了当前公开的主题的某些特征，但应当容易理解，这些特征不旨在进行限制。本公开后面的权利要求旨在定义受保护主题的范围。