[发明专利]基于神经网络模型的员工分类方法及装置、设备、介质

说明书

本公开提供了一种基于神经网络模型的员工分类方法及装置、电子设备、计算机可读存储介质，属于大数据技术领域。该方法包括：在员工业务日志中提取多个历史员工的样本数据及各所述样本数据对应的分类标签；将各所述历史员工的样本数据按照预设周期与预设属性转换为样本数值向量；通过所述样本数值向量及所述样本数据对应的分类标签训练一神经网络模型，以获得员工分类模型；将待分类员工的业务数据转换为目标数值向量，并通过所述员工分类模型分析所述目标数值向量，得到所述待分类员工的分类结果。本公开可以对员工实现准确的分类，分类结果具有一定的预测性，且分类过程较为科学、严谨。

背景技术

企业的人力资源管理经常需要将员工分类，以对不同的员工进行精准定位，从而进一步实现岗位分配、级别划分、团队组建、人力培养等工作目标。

现有的员工分类方法多数是基于员工在多个业务上的表现，确定员工最适合的业务，并将员工划分到该业务所属的分类。然而该方法存在以下几点不足：在对员工的业务表现进行分类评价时，通常只考虑结果导向较强的业务数据，而忽视结果导向较弱的业务行为，因此员工分类所基于的数据不够全面，影响分类结果的准确性；另外，目前企业对于员工业务方面的考察通常基于负责人员的主观判断，缺乏客观的统一标准，影响分类过程的科学性与严谨性。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种基于神经网络模型的员工分类方法及装置、电子设备、计算机可读存储介质，进而至少在一定程度上克服现有的员工分类方法不够科学、严谨，以及分类结果不够准确的问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的一个方面，提供一种基于神经网络模型的员工分类方法，包括：在员工业务日志中提取多个历史员工的样本数据及各所述样本数据对应的分类标签；将各所述历史员工的样本数据按照预设周期与预设属性转换为样本数值向量；通过所述样本数值向量及所述样本数据对应的分类标签训练一神经网络模型，以获得员工分类模型；将待分类员工的业务数据转换为目标数值向量，并通过所述员工分类模型分析所述目标数值向量，得到所述待分类员工的分类结果。

在本公开的一种示例性实施例中，所述神经网络模型包括：输入层，用于输入m个n维的输入向量；第一中间层，用于将所述m个n维的输入向量转换为2m个第一中间数值；第二中间层，用于将所述2m个第一中间数值转换为2p个第二中间数值；输出层，用于将所述2p个第二中间数值转换为p维的输出向量；其中，m为所述预设属性的数量，n为所述预设周期的数量，p为候选分类的数量。

在本公开的一种示例性实施例中，通过所述样本数值向量及所述样本数据对应的分类标签训练一神经网络模型包括：将所述样本数值向量输入所述神经网络模型，得到样本输出向量；将所述样本数据对应的分类标签转换为p维的标记向量，所述标记向量中所述分类标签对应的维度数值为1，其他维度数值为0；根据所述样本输出向量与所述标记向量的差别调整所述神经网络模型的参数。

在本公开的一种示例性实施例中，所述输入向量Input(i)＝(a_i1；a_i2；…；a_in)，i∈[1,m]；所述第一中间数值j∈[1,2m]；所述第二中间数值k∈[1,2p]；所述输出向量Output＝(d₁；d₂；…；d_p)；其中，q∈[1,p]；W_ij为连接Input(i)与b(j)的权重向量，W_ij＝(w_(ij)1；w_(ij)2；…；w_(ij)n)；v_jk为连接b(j)与c(k)的权重系数；s_kq为连接c(k)与d_q的权重系数；F为激活函数。