[发明专利]一种基于鲶鱼效应的团队推荐系统构建方法

摘要

本发明属于团队数据分析技术领域，提供了一种基于鲶鱼效应的团队推荐系统构建方法。以鲶鱼效应为理论原则，通过对团队数据特征进行分析提取，提出一种基于RBF的CTI算法，即RBF‑CTI算法，该算法考虑了团队中对绩效具有重要影响的团队成员技能特征向量，以样本数据为输入参数一，首先建立RBF模型预测绩效，以良好的普适性为目标提供用户输入年份间隔为参数二，计算鲶鱼效应指数，该指数最大的技能代表了团队中最具潜力的影响因子，识别为鲶鱼技能，将其作为推荐系统的重要指标。

主权项

1.一种基于鲶鱼效应的团队推荐系统构建方法，其特征在于，步骤如下：步骤1)：基于鲶鱼效应计算鲶鱼指数CI的CTI以鲶鱼效应提出计算鲶鱼指数CI的CTI算法；鲶鱼指数CI越高，鲶鱼效应越强；一个技能的鲶鱼指数的公式如下：其中：pj代表技能，CI(pj)表示pj的鲶鱼指数，ks+t表示在团队绩效Gs+t>Gs且在此时间段内存在极小值时，第s+t年的团队绩效点与t年中最小绩效点的斜率，n是条件ks+t‑kt计算时的个数，s,e分别代表起始年和终止年份，t表示年限；步骤2)：提取团队成员的技能特征与团队绩效通过RBF网络学习算法构建神经网络预测模型M团队成员的技能是影响团队绩效的直接因素，通过提取团队中成员技能特征，并使用RBF网络学习算法构建预测绩效的神经网络预测模型M，步骤如下：a)径向基神经元的传递函数采用高斯函数，公式为：其中：||·||为欧式范数，xp为输入样本，ci为隐含层结点的中心，σ为高斯函数的方差；b)对隐含层神经元输出的线性加权求和，公式为：其中：xp为输入样本，ci为隐含层结点的中心，σ为高斯函数的方差，wij为隐藏层到输出层的连接权值，隐含层有h个结点，yj为与输入样本对应的网络的第j个输出结点的实际输出；c)通过不断调整参数中心ci和权值w，直至达到精度计算并输出预测值，构建出神经网络预测模型M；步骤3)：归一化特征向量集合，依次将集合中的特征值取极值，分别通过步骤2)中的神经网络预测模型M预测出绩效值为减小步骤2)中神经网络预测模型M的预测误差，对输入数据做归一化处理；归一化处理公式为：其中：x是原始指标数据，xi是标准化后的数据，xmin是原始指标中的最小值，xmax是原始指标中的最大值；依次将技能值取极大值1预测绩效值，分析技能与绩效之间的关系；调用神经网络预测模型M中的newrb函数对训练样本数据进行训练；newrb函数表示为：net＝newrb(P,T,GOAL,SPREAD)其中：P为输入向量，T为输出向量，GOAL为均方误差，SPREAD为RBF函数的分布密度；步骤4)：将步骤2)神经网络预测模型M应用到步骤1)中的CTI中，得出RBF‑CTI算法根据步骤3)得到的绩效值，计算在年限固定的情况下，技能特征向量值分别取极值后所对应的鲶鱼指数CI，构成鲶鱼指数CI向量，其中最大的CI值所对应的技能即为鲶鱼技能；RBF‑CTI算法具体如下：由时间序列为轴，每个技能取极值后预测的团队绩效为纵坐标作二维曲线；在讨论不同时间段的情况下，以时间间隔t为一个周期，如果它的变化趋势为先减小后增加，即呈负激励趋势，且第i+t年的预测绩效高于i年的预测绩效，则计算曲线中第i+t年所对应的坐标与在此t年间绩效最小年份所对应的坐标斜率k1，第i年所对应的坐标与在此t年间绩效最小年份所对应的坐标斜率k2，计算两者之差，两者差越大，负激励增长的趋势越明显；直至循环到终止年份结束，静态鲶鱼指数为所有呈现鲶鱼效应指数的均值。