[发明专利]用于人员能力的量化评测方法、系统、设备和存储介质

权利要求书

1.一种用于人员能力的量化评测方法，其特征在于，所述量化评测方法包括：

获取待能力评测人员的关联数据，并设置标签；

对已设置标签的关联数据进行数据分类，得到带有标签的连续数值变量和带有标签的类别字典型变量；

根据所述带有标签的连续数值变量构建机器学习模型，并输出贡献度因子；

根据所述带有标签的类别字典型变量进行卡方检验，得到置信度因子；

根据贡献度因子和置信度因子对待能力评测人员进行评测；

所述根据所述带有标签的类别字典型变量进行卡方检验，得到置信度因子的步骤包括：

采用如下公式计算卡方检验统计量的卡方值：其中，χ表示的是统计量的卡方值，n_i表示的是实验统计的数量，np_i表示的是按理论概率算出的数量，i代表多个类别字典型变量取值不同组合中的一种；其中，采用公式计算卡方检验统计量的卡方值包括：根据类别字典型变量取值的不同组合逐一代入上述公式进行计算，并求和得到统计量的卡方值；

将所述卡方值与预设置信水平进行对比，得到置信度因子。

2.如权利要求1所述的量化评测方法，其特征在于，所述关联数据来源于预设数据库，所述预设数据库包括人员的调查问卷数据、人员活动量数据以及共享标签数据；所述标签为待能力评测人员的个人属性；从预设数据库中筛选得到所述关联数据，具体步骤包括：

从预设数据库中提取目标关系型数据的特征，生成关系型特征集；

计算所述关系型特征集中每一关系型特征的数据饱和度，将所述关系型特征集中所述数据饱和度小于饱和度阈值的关系型特征删除，得到关联数据。

3.如权利要求2所述的量化评测方法，其特征在于，所述数据饱和度的计算公式为：l＝m/N，N为样本总数，m为某特征非空样本数，l代表该特征的数据饱和度。

4.如权利要求1所述的量化评测方法，其特征在于，所述根据所述带有标签的连续数值变量构建机器学习模型，并输出贡献度因子的步骤包括：

根据所述带有标签的连续数值变量对极端梯度提升xgboost算法模型进行训练，得到贡献度因子模型：Y＝f(X)，其中，所述X为所述连续数值变量，所述Y为标签结果；

根据贡献度因子模型输出特征重要度结果；

对特征重要度结果的数值进行排序，根据预设阈值进行筛选，得到贡献度因子。

5.如权利要求1所述的量化评测方法，其特征在于，所述根据贡献度因子和置信度因子对待能力评测人员进行评测之后，将评测结果上传至区块链中，以使得所述区块链对所述评测结果进行加密存储。

6.一种用于人员能力的量化评测系统，其特征在于，所述量化评测系统包括：

数据模块，用于获取待能力评测人员的关联数据，并设置标签；

分类模块，用于对已设置标签的关联数据进行数据分类，得到带有标签的连续数值变量和带有标签的类别字典型变量；

机器学习模块，用于根据所述带有标签的连续数值变量构建机器学习模型，并输出贡献度因子；

卡方检验模块，用于根据所述带有标签的类别字典型变量进行卡方检验，得到置信度因子；所述根据所述带有标签的类别字典型变量进行卡方检验，得到置信度因子的步骤包括：

采用如下公式计算卡方检验统计量的卡方值：其中，χ表示的是统计量的卡方值，n_i表示的是实验统计的数量，np_i表示的是按理论概率算出的数量，i代表多个类别字典型变量取值不同组合中的一种；其中，采用公式计算卡方检验统计量的卡方值包括：根据类别字典型变量取值的不同组合逐一代入上述公式进行计算，并求和得到统计量的卡方值；

将所述卡方值与预设置信水平进行对比，得到置信度因子；

评测模块，用于根据贡献度因子和置信度因子对待能力评测人员进行评测。