本发明属于数据处理,特别涉及一种人才类型画像的实现方法及系统。
背景技术:
1、现有部分地区的科技创新人才数据库还只停留在人头数量、自然情况记录统计的初级层面,对于人才个人及人才群体,一是没有积累到足够有效可供分析的人才数据信息;二是目前部分地区的科技创新人才没有建立可供人才分析的有效模型,不仅无法形成对高层次科技创新人才群体的精准“画像”,而且初始的数据收集没有重点方向。
2、现有技术中的科技创新人才数据库数据量庞大繁杂,导致开发人员工作量大,重复性工作较多;并且,没有全方位的统计科技创新人才全要素信息,无法实现精细化管理和全过程监控。
3、针对上述问题,提出本发明的人才类型画像的实现方法及系统。
技术实现思路
1、为了解决所述现有技术的不足,本发明提供了一种人才类型画像的实现方法及系统,以解决现有技术中对于人才数据无法实现精细化管理的问题。
2、本发明所要达到的技术效果通过以下方案实现:
3、第一方面,本发明实施例提供一种人才类型画像的实现方法,包括:
4、获取与人才信息相关的原始数据,其中,所述原始数据包括结构化数据和非结构化数据;
5、对所述原始数据进行数据处理,得到目标数据,其中,所述数据处理包括:数据清洗,数据整合以及数据标注;
6、基于所述目标数据构建本体,依据所述本体并结合所述目标数据构建出人才知识图谱,其中,所述人才知识图谱包括各个人才的社会关系、家庭关系以及潜在关系;
7、基于所述人才知识图谱,利用机器学习模型和深度学习模型构建高层次人才能力模型,将待测评人才输入所述高层次人才能力模型中,获得高层次人才评估结果;
8、基于所述人才知识图谱和所述高层次人才评估结果,采用多维度评估构建人才画像及人物关系,其中,所述多维度评估包括:动机能量、思维决策、情感成熟度、人际互动以及任务执行。
9、在一些实施例中,所述结构化数据指的是人才基础数据,所述非结构化数据指的是人才业务数据。
10、在一些实施例中,所述依据所述本体并结合所述目标数据构建出人才知识图谱包括:
11、将所述目标数据依据所述本体存储至图数据库中,获得所述人才知识图谱;其中,所述人才知识图谱消除了多源人才的数据格式以及数据类型的鸿沟,便于相关数据的共享使用。
12、在一些实施例中,所述将待测评人才输入所述高层次人才能力模型中,获得高层次人才评估结果,包括:
13、将多个待测评人才输入所述高层次人才能力模型中,计算各个所述待测评人才的评分,将大于设定阈值的所述评分对应的各个所述待测评人才定义为高层次人才,将统计的各个所述高层次人才作为高层次人才评估结果,并将所述高层次人才评估结果推荐给用户。
14、在一些实施例中,所述机器学习模型包括聚类算法或者协同过滤算法,所述深度学习模型包括图神经网络。
15、第二方面,本发明实施例提供一种人才类型画像的实现系统,包括:
16、采集模块,用于获取与人才信息相关的原始数据,其中,所述原始数据包括结构化数据和非结构化数据;
17、处理模块,用于对所述原始数据进行数据处理,得到目标数据,其中,所述数据处理包括:数据清洗,数据整合以及数据标注;
18、生成模块,用于基于所述目标数据构建本体,依据所述本体并结合所述目标数据构建出人才知识图谱,其中,所述人才知识图谱包括各个人才的社会关系、家庭关系以及潜在关系;
19、评估模块,用于基于所述人才知识图谱,利用机器学习模型和深度学习模型构建高层次人才能力模型,将待测评人才输入所述高层次人才能力模型中,获得高层次人才评估结果;
20、构建模块,用于基于所述人才知识图谱和所述高层次人才评估结果,采用多维度评估构建人才画像及人物关系,其中,所述多维度评估包括:动机能量、思维决策、情感成熟度、人际互动以及任务执行。
21、在一些实施例中,所述结构化数据指的是人才基础数据,所述非结构化数据指的是人才业务数据。
22、在一些实施例中,所述依据所述本体并结合所述目标数据构建出人才知识图谱包括:
23、将所述目标数据依据所述本体存储至图数据库中,获得所述人才知识图谱;其中,所述人才知识图谱消除了多源人才的数据格式以及数据类型的鸿沟,便于相关数据的共享使用。
24、在一些实施例中,所述将待测评人才输入所述高层次人才能力模型中,获得高层次人才评估结果,包括:
25、将多个待测评人才输入所述高层次人才能力模型中,计算各个所述待测评人才的评分,将大于设定阈值的所述评分对应的各个所述待测评人才定义为高层次人才,将统计的各个所述高层次人才作为高层次人才评估结果,并将所述高层次人才评估结果推荐给用户。
26、在一些实施例中,所述机器学习模型包括聚类算法或者协同过滤算法,所述深度学习模型包括图神经网络。
27、第三方面,本发明实施例提供一种电子设备,所述电子设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现前述任意一项所述的方法。
28、第四方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现前述任一项所述的方法。
29、本发明实施例提供的人才类型画像的实现方法及系统,将人才知识信息的非结构化与结构化人才数据图谱化,能够最大化的挖掘数据结构信息,支撑更加精准的高层次人才画像;能够对结构化、半结构、非结构化数据进行处理,人才知识图谱构建工具支持建立关系网络,进而实现信息检索的便利化、数据关联化和最大化挖掘信息,更加精准进行人才匹配,提供数据决策支撑,提供可视化图谱展示,支持人员、关系、属性等可视化调整。
1.一种人才类型画像的实现方法,其特征在于,所述方法包括:
2.如权利要求1所述的人才类型画像的实现方法,其特征在于,所述结构化数据指的是人才基础数据,所述非结构化数据指的是人才业务数据。
3.如权利要求1或2所述的人才类型画像的实现方法,其特征在于,所述依据所述本体并结合所述目标数据构建出人才知识图谱包括:
4.如权利要求3所述的人才类型画像的实现方法,其特征在于,所述将待测评人才输入所述高层次人才能力模型中,获得高层次人才评估结果,包括:
5.如权利要求1所述的人才类型画像的实现方法,其特征在于, 所述机器学习模型包括聚类算法或者协同过滤算法,所述深度学习模型包括图神经网络。
6.一种人才类型画像的实现系统,其特征在于,所述系统包括:
7.如权利要求6所述的人才类型画像的实现系统,其特征在于,所述结构化数据指的是人才基础数据,所述非结构化数据指的是人才业务数据。
8.如权利要求6或7所述的人才类型画像的实现系统,其特征在于,所述依据所述本体并结合所述目标数据构建出人才知识图谱包括:
9.如权利要求6所述的人才类型画像的实现系统,其特征在于,所述将待测评人才输入所述高层次人才能力模型中,获得高层次人才评估结果,包括:
10.如权利要求6所述的人才类型画像的实现系统,其特征在于, 所述机器学习模型包括聚类算法或者协同过滤算法,所述深度学习模型包括图神经网络。