人力资源评价方法、装置、电子设备和介质与流程

1.本公开涉及大数据技术领域和人工智能技术领域，更具体地涉及一种利用大数据技术和人工智能技术的人力资源评价方法、装置、电子设备和介质。


背景技术：

2.随着大数据技术的发展，企业在生产过程中产生的各类数据越来越多，通常，这些数据包括定量化的数据和定性化的信息。相应地，在企业内部进行人力资源评价工作时，需要使用的数据越来越多。
3.在目前的人力资源评价方法中，通常使用单一类型的数据或信息。例如，在一些人力资源评价方法中，主要依赖于工作周期结束后的手工评价，即主要利用定性化的信息来评价人力资源。在另一些人力资源评价方法中，主要依赖于工作周期内产生的静态的定量统计数据，例如，完成的工作量、工作时间等，即主要利用定量化的数据来评价人力资源。也就是说，在目前的人力资源评价方法中，利用的数据类型比较单一，导致得到的评价结果不够准确和全面，且人力资源评价效率不高、时效性不强。
4.另外，在目前的人力资源评价方法中，当需要从多个不同系统或平台获取数据或信息时，需要所述数据或信息在不同系统或平台中重复流转，导致数据流转路径复杂和耗时较长。


技术实现要素：

5.鉴于上述问题，根据本公开的第一方面，本公开的实施例提供了一种人力资源评价方法，所述方法包括：从所述数据中台的数据表中实时获取与待评价对象相关的第一定量化数据和定性化信息，其中，所述第一定量化数据包括与人力资源相关的数值型数据，所述定性化信息包括与人力资源相关的文本型信息；将所述定性化信息转变为第二定量化数据；以及至少将所述第一定量化数据和第二定量化数据输入人力资源评价模型，通过所述人力资源评价模型处理后，得到所述人力资源评价模型的输出，其中，所述人力资源评价模型的输出为所述待评价对象落入多个预定的评价区间中的概率。
6.根据一些示例性实施例，所述方法还包括：获取至少一个所述第一定量化数据对应的第一权重系数，其中，所述第一权重系数是预先设定的；获取至少一个所述第二定量化数据对应的第二权重系数，其中，所述第二权重系数是预先设定的；以及基于至少一个所述第一定量化数据、至少一个所述第二定量化数据、所述第一权重系数和所述第二权重系数，利用多元回归模型确定第三定量化数据。
7.根据一些示例性实施例，所述至少将所述第一定量化数据和所述第二定量化数据输入人力资源评价模型包括：将所述第一定量化数据、所述第二定量化数据和所述第三定量化数据输入人力资源评价模型。
8.根据一些示例性实施例，所述将所述定性化信息转变为第二定量化数据包括：采用自然语言处理方法对所述定性化信息进行语义分析，以提取所述定性化信息的标签信
息；以及利用情感分析模型分析所述标签信息，并获得与分析结果对应的定量化评分，其中，所述第二定量化数据包括所述定量化评分。
9.根据一些示例性实施例，所述提取所述定性化信息的标签信息包括：基于jieba工具库，提取所述定性化信息的标签信息；以及所述利用情感分析模型分析所述标签信息包括：基于snownlp模型分析所述标签信息。
10.根据一些示例性实施例，所述方法还包括：获取预先设置的评价规则，其中，所述评价规则包括：各个类型的人力资源岗位与所述第一定量化数据的映射关系，各个类型的人力资源岗位与所述定性化信息的映射关系，所述第一定量化数据与所述第一权重系数的映射关系，所述第二定量化数据与所述第二权重系数的映射关系；以及所述实时获取与待评价对象相关的第一定量化数据和定性化信息包括：根据所述待评价对象所属的人力资源岗位的类型、各个类型的人力资源岗位与所述第一定量化数据的映射关系以及各个类型的人力资源岗位与所述定性化信息的映射关系，获取与所述待评价对象相关的第一定量化数据和定性化信息。
11.根据一些示例性实施例，所述方法还包括：获取用户的查询请求，其中，所述查询请求包括用于查询待评价对象的感兴趣指标的请求；采用自然语言处理方法对所述感兴趣指标进行语义分析，以提取感兴趣指标的标签；将所述感兴趣指标的标签与存储于所述数据中台中的第一定量化数据和定性化信息进行相关性分析；根据所述相关性分析的结果，获得与所述感兴趣指标的标签的相关性在前n位的第一定量化数据和定性化信息，其中，n为大于等于1的正整数；获取所述待评价对象的相关性在前n位的第一定量化数据在全部评价对象中的排名；以及输出所述待评价对象的相关性在前n位的第一定量化数据和定性化信息以及所述排名。
12.根据本公开的第二方面，还提供一种人力资源评价装置，所述装置包括：获取模块，用于：从所述数据中台的数据表中实时获取与待评价对象相关的第一定量化数据和定性化信息，其中，所述第一定量化数据包括与人力资源相关的数值型数据，所述定性化信息包括与人力资源相关的文本型信息；定性化信息转变模块，用于将所述定性化信息转变为第二定量化数据；以及人力资源评价模块，用于：至少将所述第一定量化数据和第二定量化数据输入人力资源评价模型，通过所述人力资源评价模型处理后，得到所述人力资源评价模型的输出，其中，所述人力资源评价模型的输出为所述待评价对象落入多个预定的评价区间中的概率。
13.根据本公开的第三方面，提供一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行如上所述的方法。
14.根据本公开的第四方面，提供一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行如上所述的方法。
15.根据本公开的第五方面，提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上所述的方法。
附图说明
16.通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特
征和优点将更为清楚，在附图中：
17.图1示意性示出了根据本公开实施例的人力资源评价方法的应用场景图。
18.图2示意性示出了根据本公开实施例的人力资源评价方法的流程图。
19.图3是根据本公开的一些示例性实施例的方法中获得更高维度数据的步骤的流程图。
20.图4是根据本公开的一些示例性实施例的方法中实时响应用户查询请求的步骤的流程图。
21.图5示意性示出了根据本公开实施例的人力资源评价装置的结构框图。
22.图6示意性示出了根据本公开的另一些示例性实施例的人力资源评价装置的结构框图。
23.图7示意性示出了根据本公开的又一些示例性实施例的人力资源评价装置的结构框图。
24.图8示意性示出了根据本公开实施例的适于实现人力资源评价方法的电子设备的方框图。
具体实施方式
25.以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
26.在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
27.在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
28.在使用类似于“a、b和c等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有a、b和c中至少一个的系统”应包括但不限于单独具有a、单独具有b、单独具有c、具有a和b、具有a和c、具有b和c、和/或具有a、b、c的系统等)。
29.在本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。
30.首先，对本文中记载的技术术语作如下解释和说明。
31.定量化数据，又称定量数据，它是统计性的，通常本质是结构化的，可以用数字进行计数、测量和表示。定量化数据通常为数值型数据。
32.定性化信息，又称定性数据，它是非统计数据，通常是非结构化数据或半结构化，是描述性的和概念性的。定性化信息通常为文本型信息。
33.本公开的实施例提供一种人力资源评价方法，所述方法包括：从所述数据中台的
数据表中实时获取与待评价对象相关的第一定量化数据和定性化信息，其中，所述第一定量化数据包括与人力资源相关的数值型数据，所述定性化信息包括与人力资源相关的文本型信息；将所述定性化信息转变为第二定量化数据；以及至少将所述第一定量化数据和第二定量化数据输入人力资源评价模型，通过所述人力资源评价模型处理后，得到所述人力资源评价模型的输出，其中，所述人力资源评价模型的输出为所述待评价对象落入多个预定的评价区间中的概率。在本公开的实施例中，将定性化信息转变为定量化数据，这样，可以同时利用定量化数据和定性化信息进行人力资源评价，能够提高人力资源评价模式置信度。而且，通过利用人力资源评价模型，可以利用计算机执行的方法客观评价人力资源，减少手工复杂计算操作，进一步提高人力资源评价模式置信度。通过利用数据中台，可以集约高效处理海量人力资源数据，避免了数据重复流转，使得数据流转路径缩短，提高计算机处理的时效性。
34.图1示意性示出了根据本公开实施例的人力资源评价方法的应用场景图。
35.如图1所示，根据该实施例的应用场景100可以包括第一设备101、第二设备103和第三设备105。例如，第一设备101上可以运行各类信息系统，该各类信息系统可以提供与人力资源评价相关的各种类型的数据和信息。第二设备103上可以运行与数据中台相关的工具、平台。第三设备105上可以运行本公开实施例提供的人力资源评价方法。
36.例如，所述数据中台可以介于前台和后台之间，是企业级的数据共享和能力复用平台。所述数据中台从后台及业务中台将数据导入，完成海量数据的存储、计算、产品化包装过程，同时辅助以数据治理，保证数据的输入输出质量。这样，所述数据中台可以为前台基于数据的定制化提供强大的支撑，也帮助业务中台基于数据反馈做持续的演进。
37.在本公开的实施例中，第一设备101上运行的各类信息系统可以实时或定期将与人力资源评价相关的各种类型的数据和信息上传至所述数据中台。所述数据中台对上传的数据和信息进行分类的存储和处理，例如，存储于数据湖中。在第三设备105运行所述人力资源评价方法时，第三设备105从所述数据中台实时获取需要的数据和信息。
38.例如，第一设备101与第二设备103之间可以通过网络102连接，网络102可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等。第二设备103与第三设备105之间可以通过网络104连接，网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等。
39.例如，第一设备101、第二设备103和第三设备105可以是提供各种服务的服务器。
40.需要说明的是，本公开实施例所提供的人力资源评价方法一般可以由第三设备105执行。相应地，本公开实施例所提供的人力资源评价装置一般可以设置于第三设备105中。本公开实施例所提供的人力资源方法也可以由不同于第三设备105且能够与第二设备103通信的服务器或服务器集群执行。相应地，本公开实施例所提供的人力资源评价装置也可以设置于不同于第三设备105且能够与第二设备103通信的服务器或服务器集群中。
41.应该理解，图1中的设备和网络的数目仅仅是示意性的。根据实现需要，可以具有任意数目的设备和网络。
42.以下将基于图1描述的场景，通过图2～图4对公开实施例提供的人力资源评价方法进行详细描述。
43.图2示意性示出了根据本公开实施例的人力资源评价方法的流程图。
44.如图2所示，该实施例的人力资源评价方法200可以包括操作s210～操作s230。
45.需要说明的是，在一些示例性的实施例中，所述方法可以按照图示的顺序执行。但是，本公开的实施例不局限于此，在另一些实施例中，在不冲突的情况下，所述人力资源评价方法中的一些步骤可以并行执行，或者可以按照不同于图示的顺序的顺序执行。
46.在操作s210，从所述数据中台的数据表中实时获取与待评价对象相关的第一定量化数据和定性化信息，其中，所述第一定量化数据包括与人力资源相关的数值型数据，所述定性化信息包括与人力资源相关的文本型信息。
47.在本公开的实施例中，可以从各个业务系统和信息系统获取与人力资源相关的海量数据，例如，所述与人力资源相关的海量数据可以包括企业内员工的政治面貌、年龄结构、专业背景、任职经历、绩效考核、测评结果等各项原始数据。将获取的海量数据分类存储于各个数据表中，例如，人力资源管理系统可生成员工基本信息数据表，绩效考核系统可以生成绩效考核评分、定性评价数据表。基于所述数据表，建立数据中台。例如，数据中台可以通过各类信息系统和业务系统的api接口，实时或定时获取与人力资源相关的数据。在所述与人力资源相关的海量数据更新时，可以实时上传更新后的数据至所述数据中台。所述数据平台建立之后，可以从所述数据平台的数据表中实时获取需要的数据，以使用这些数据进行人力资源评价，或者，利用这些数据进行可视化展示。
48.在本公开的实施例中，所述数据平台的数据表中存储的与人力资源相关的海量数据可以包括企业内员工的各种数据，这些数据可以是定量化数据，也可以是定性化信息。表1示例性示出了存储于数据中台中的数据表。例如，所述定量化数据可以包括各类基础信息，例如个人认证号、年龄、工龄、党龄等；各类工作贡献，例如绩效考核评分等。所述定性化信息可以包括评价信息，例如文字评价、评价标签等。
49.表1数据表
[0050][0051]
需要说明的是，在将来自不同接口的定量数据汇总至数据中台的数据表中时，可以进行数据匹配。由于获得的数据可能存在缺失、异常、格式不正确等情况，因此，需对数据的完整性和准确性进行审核，确定数据公平，对存在异常的数据可进行人工校验审核，对缺失数据进行填充。
[0052]
可选地，所述方法还可以包括：获取预先设置的评价规则，其中，所述评价规则包括：各个类型的人力资源岗位与所述第一定量化数据的映射关系，各个类型的人力资源岗位与所述定性化信息的映射关系，所述第一定量化数据与所述第一权重系数的映射关系，
所述第二定量化数据与所述第二权重系数的映射关系。
[0053]
相应地，在操作s210，所述实时获取与待评价对象相关的第一定量化数据和定性化信息可以包括：根据所述待评价对象所属的人力资源岗位的类型、各个类型的人力资源岗位与所述第一定量化数据的映射关系以及各个类型的人力资源岗位与所述定性化信息的映射关系，获取与所述待评价对象相关的第一定量化数据和定性化信息。
[0054]
以此方式，在本公开实施例提供的方法中，权重系数、定量化数据、定性化信息均可以是预先设置的，且可以根据实际评价对象在评价规则中进行设置。
[0055]
在操作s220，将所述定性化信息转变为第二定量化数据。
[0056]
在本公开的实施例中，所述将所述定性化信息转变为第二定量化数据包括：采用自然语言处理方法对所述定性化信息进行语义分析，以提取所述定性化信息的标签信息；以及利用情感分析模型分析所述标签信息，并获得与分析结果对应的定量化评分，其中，所述第二定量化数据包括所述定量化评分。
[0057]
例如，在人力资源评价中，所述定性化信息可以包括定性评价，例如，“日常表现突出”、“工作态度认真”、“创新意识强”、“服务意识好”等。对于特定的应用场景，可以预先定义常见评价类词汇词典，该常见评价类词汇词典可以根据需要人工添加自定义评价类词汇，以增加分词的准确性。可以采用基于python的jieba工具库进行关键词抽取，统计排序以构造可视化词云。具体地，使用jieba工具库对待评价文档(例如定性化信息)进行分词操作，可以采用tf-idf/textrank算法进行关键词抽取，并将提取出的“了”、“的”等停止词删除，最终根据词频使用wordcloud(wordcloud是词云展示的python第三方库)生成可视化词云图，将评价文档中的“关键词“予以视觉上的突出，使得浏览者可以直观领略定性评价的主旨。
[0058]
需要说明的是，jieba工具库是一种中文分词第三方库，中文文本需要通过分词获得单个的词语。jieba工具库的分词原理是：利用一个中文词库，确定汉字之间的关联概率，汉字间概率大的组成词组，形成分词结果。除了分词，用户还可以添加自定义的词组。
[0059]
tf-idf(全称为term frequency-inverse document frequency，即词频-逆文件频率)，是一种用于资讯检索与资讯探勘的常用加权技术。
[0060]
textrank算法是一种用于文本的基于图的排序算法，通过把文本分割成若干组成单元(句子)，构建节点连接图，用句子之间的相似度作为边的权重，通过循环迭代计算句子的textrank值，最后抽取排名高的句子组合成文本摘要。
[0061]
再例如，可以分别采用基于python的snownlp模型情感分析和自动评分(automated essay scoring，即aes)技术对所述定性化信息进行分析，综合获得语义评分，从而将所述定性化信息量化形成定量评分。
[0062]
需要说明的是，文本情感分析是指用自然语言处理、文本挖掘以及计算机语言学等方法来识别和提取原素材中的主观信息，其主要任务就是对文本中的主观信息(例如观点、情感、态度、评价、情绪等)进行提取、分析、处理、归纳和推理。snownlp是一个python写的类库，主要用于处理中文文本，可实现分词、词性标注、情感分析、汉字转拼音、繁体转简体、关键词提取以及文本摘要等。snownlp模型可以对输入的文本数据进行情感分析，获得其情感语义评分。
[0063]
在一些示例性的实施例中，所述提取所述定性化信息的标签信息包括：基于jieba
工具库，提取所述定性化信息的标签信息。所述利用情感分析模型分析所述标签信息包括：基于snownlp模型分析所述标签信息。即，在该实施例中，综合利用jieba工具库的分词准确的优点和snownlp模型得到准确的情感评分的优点，可以基于所述定性化信息获得更准确的定量化数据。
[0064]
在操作s230，至少将所述第一定量化数据和第二定量化数据输入人力资源评价模型，通过所述人力资源评价模型处理后，得到所述人力资源评价模型的输出，其中，所述人力资源评价模型的输出为所述待评价对象落入多个预定的评价区间中的概率。
[0065]
在本公开的实施例中，获取定量数据(例如第一定量化数据)和定性信息(例如定性化信息)，将定性信息转换为定量数据(例如第二定量化数据)，所述数据和所述信息均存储于数据中台，第一定量化数据和第二定量化数据均作为评价模型的输入。这样，可以集约化高效处理海量人力资源数据，避免了数据重复流转，减少了人员手工复杂计算操作，能够极大节约人力和计算资源，同时，通过结合使用定量数据和定性信息，增强了人力资源评价的置信度。
[0066]
在本公开的实施例中，所述人力资源评价模型可以为深度学习模型，例如，卷积神经网络模型。可以将已完成人力资源评价的历史人力资源数据作为训练样本，例如，将过去5年、过去30个季度、过去120个月等时间跨度下的历史人力资源数据，在这些历史人力资源数据中，已经对各个人力资源进行了有效评价，可以将该有效评价转换为训练样本的标签。例如，可以将该训练样本中70％的数据用于所述人力资源评价模型的训练，30％的数据用于模型验证。
[0067]
在本公开的一些示例性实施例中，可以基于所述第一定量化数据和所述第二定量化数据获得更高维度数据，利用该更高维度数据可以较高效率地确定人力资源的工作贡献度。
[0068]
需要说明的是，完成数据审核后，可以构建数据归一化模型。例如，可以根据评估数据类型进行数据归一化，对绩效考核评分、评价量化评分等数据采用最小最大值归一化方法进行归一化。将归一化后的数据作为所述人力资源评价模型的输入。
[0069]
例如，所述预定的评价区间可以包括全能型领导、优先管理者、优秀实干家、中间力量型、业绩不佳者、整体待提升等。
[0070]
图3是根据本公开的一些示例性实施例的方法中获得更高维度数据的步骤的流程图。
[0071]
参照图3，在操作s310，获取至少一个所述第一定量化数据对应的第一权重系数，其中，所述第一权重系数是预先设定的。
[0072]
在操作s320，获取至少一个所述第二定量化数据对应的第二权重系数，其中，所述第二权重系数是预先设定的。
[0073]
在操作s330，基于至少一个所述第一定量化数据、至少一个所述第二定量化数据、所述第一权重系数和所述第二权重系数，利用多元回归模型确定第三定量化数据。
[0074]
结合参照上述表1和图3，工作贡献度可以是基于其他基本数据获得的更高维度数据，可以使用多元回归模型进行计算获得，如下公式(1)：
[0075][0076]
式中，x1、x2…
xk分别代表影响工作贡献度的自变量，例如，x1、x2…
xk中的一些可以
包括上述第一定量化数据，x1、x2…
xk中的另一些可以包括上述第二定量化数据；β1、β2…
βk分别表示各个自变量x1、x2…
xk对因变量q的影响程度(即权重系数)；β0和ε分别为修正量和校验量；k为大于等于1的正整数。
[0077]
需要说明的是，各个权重系数β1、β2…
βk可以为具体工作中不断沉淀下来的经验值。
[0078]
在本公开的实施例中，利用这种线性算法，无需提前训练模型，能够在节约计算资源的前提下，综合低维度数据初步展示员工工作水平；同时，多维度特征数据也有助于后续模型训练和应用。
[0079]
例如，以企业内跨部门工作的业务架构师的工作贡献度的评价为示例，具体描述更高维度数据的计算方法。
[0080]
在对某一工作岗位的工作贡献度进行评价时，涉及多个层级的工作项。例如，结合参照下表2，在对业务架构师的工作贡献度进行评价时，涉及3个层级的工作项。在表2所示的实施例中，包括3个第一层级的工作项，包括学习及培训、原创价值输出、资产应用。
[0081]
第一层级的学习及培训包括2个第二层级的工作项，例如，可以包括学习和考试。第二层级的学习和考试不再进行细分。
[0082]
第一层级的原创价值输出不再进行细化，它可以不包括下级的工作项。
[0083]
第一层级的资产应用包括3个第二层级的工作项，例如，可以包括参与情况、架构分析质量情况、定性评分。第二层级的参与情况可以细分为2个第三层级的工作项，例如，可以包括需求方案评审、需求评审意见数。第二层级的架构分析质量情况可以细分为2个第三层级的工作项，例如，可以包括需求评审反馈有效意见数、线上架构审批有效意见数。第二层级的定性评分不再进行细分。
[0084]
例如，学习及培训表示业务架构师在实际工作中参与学习和培训的情况，其中，第二层级的学习的值x11可以用架构师在评价的时间段内参加的学习的时长表示，第二层级的考试的值x12可以用架构师在评价的时间段内参加的考试的分数(例如平均分数)表示。也就是说，第二层级的学习的值x11和第二层级的考试的值x12均可以为定量化数据。
[0085]
例如，原创价值输出的值x2是根据对业务架构师的评价信息(即定性化信息)经过上述的转换方法转换成的定量数据。
[0086]
例如，需求方案评审的值x311可以是业务架构师参与需求方案评审的次数，需求评审意见数x312可以是业务架构师参与需求方案评审时提出的意见的条数。需求评审反馈有效意见数x321可以是针对业务架构师的评审意见反馈的有效意见的条数，线上架构审批有效意见数x322可以是针对业务架构师的评审意见线上反馈的有效意见的条数。定性评分x33可以是根据对业务架构师的评审意见的评价信息(即定性化信息)经过上述的转换方法转换成的定量数据。
[0087]
继续参照表2，可以根据针对业务架构师的评价规则，获取各个层级的工作项的权重系数。然后，利用多元回归模型进行计算。具体地，可以先计算第三层级的工作贡献值，再计算第二层级的工作贡献值，最后计算第一层级的工作贡献值，从而获得业务架构师的工作贡献度。
[0088]
表2架构师的工作贡献度评价表
[0089][0090]
也就是说，在本公开的一些实施例中，可以将更高维度数据(例如上述第三定量化数据)作为人力资源评价模型的输入，这样，有利于增强人力资源评价模型的置信度。具体地，在所述操作s230中，至少将所述第一定量化数据和第二定量化数据输入人力资源评价
模型可以包括：将所述第一定量化数据、所述第二定量化数据和所述第三定量化数据输入人力资源评价模型。
[0091]
图4是根据本公开的一些示例性实施例的方法中实时响应用户查询请求的步骤的流程图。
[0092]
参照图4，在操作s410，获取用户的查询请求，其中，所述查询请求包括用于查询待评价对象的感兴趣指标的请求。
[0093]
在操作s420，采用自然语言处理方法对所述感兴趣指标进行语义分析，以提取感兴趣指标的标签。
[0094]
在操作s430，将所述感兴趣指标的标签与存储于所述数据中台中的第一定量化数据和定性化信息进行相关性分析。
[0095]
在操作s440，根据所述相关性分析的结果，获得与所述感兴趣指标的标签的相关性在前n位的第一定量化数据和定性化信息，其中，n为大于等于1的正整数。
[0096]
在操作s450，获取所述待评价对象的相关性在前n位的第一定量化数据在全部评价对象中的排名。
[0097]
在操作s460，输出所述待评价对象的相关性在前n位的第一定量化数据和定性化信息以及所述排名。
[0098]
也就是说，在本公开的实施例中，可以响应于用户的查询请求，实时输出待评价对象的定量数据、定性化信息和排名。
[0099]
例如，为获得张三的学习提升指标，将通过语义分析将“学习提升”与数据库中数据项目进行自动匹配，将相关性最高的前n个定量评估数据：例如学习时间、考试分数等定量数据及相关性最高的定性评价数据(例如，张三培训过程中积极提问等)将被输出。
[0100]
例如，可以输出所述待评价对象的相关性在前n位的第一定量化数据和定性化信息以及所述排名至显示界面中，以可视化的方式展示评价结果。
[0101]
基于上述人力资源评价方法，本公开的实施例还提供了一种人力资源评价装置。以下将结合图5对该装置进行详细描述。
[0102]
图5示意性示出了根据本公开实施例的人力资源评价装置的结构框图。
[0103]
如图5所示，根据该实施例的人力资源评价装置500包括获取模块510、定性化信息转变模块520和人力资源评价模块530。
[0104]
获取模块510可以用于：从所述数据中台的数据表中实时获取与待评价对象相关的第一定量化数据和定性化信息，其中，所述第一定量化数据包括与人力资源相关的数值型数据，所述定性化信息包括与人力资源相关的文本型信息。在一实施例中，获取模块510可以用于执行前文描述的操作s210，在此不再赘述。
[0105]
定性化信息转变模块520可以用于将所述定性化信息转变为第二定量化数据。在一实施例中，定性化信息转变模块520可以用于执行前文描述的操作s220，在此不再赘述。
[0106]
在一些示例性实施例中，所述将所述定性化信息转变为第二定量化数据包括：采用自然语言处理方法对所述定性化信息进行语义分析，以提取所述定性化信息的标签信息；以及利用情感分析模型分析所述标签信息，并获得与分析结果对应的定量化评分，其中，所述第二定量化数据包括所述定量化评分。
[0107]
例如，所述提取所述定性化信息的标签信息包括：基于jieba工具库，提取所述定
性化信息的标签信息；以及所述利用情感分析模型分析所述标签信息包括：基于snownlp模型分析所述标签信息。
[0108]
人力资源评价模块530可以用于：至少将所述第一定量化数据和第二定量化数据输入人力资源评价模型，通过所述人力资源评价模型处理后，得到所述人力资源评价模型的输出，其中，所述人力资源评价模型的输出为所述待评价对象落入多个预定的评价区间中的概率。在一实施例中，人力资源评价模块530可以用于执行前文描述的操作s230，在此不再赘述。
[0109]
图6示意性示出了根据本公开的另一些示例性实施例的人力资源评价装置的结构框图。
[0110]
如图6所示，根据该实施例的人力资源评价装置500还可以包括第一权重系数获取模块610、第二权重系数获取模块620和定量化数据确定模块630。
[0111]
第一权重系数获取模块610用于获取至少一个所述第一定量化数据对应的第一权重系数，其中，所述第一权重系数是预先设定的。在一实施例中，第一权重系数获取模块610可以用于执行前文描述的操作s310，在此不再赘述。
[0112]
第二权重系数获取模块620用于获取至少一个所述第二定量化数据对应的第二权重系数，其中，所述第二权重系数是预先设定的。在一实施例中，第二权重系数获取模块620可以用于执行前文描述的操作s320，在此不再赘述。
[0113]
定量化数据确定模块630用于：基于至少一个所述第一定量化数据、至少一个所述第二定量化数据、所述第一权重系数和所述第二权重系数，利用多元回归模型确定第三定量化数据。在一实施例中，定量化数据确定模块630可以用于执行前文描述的操作s330，在此不再赘述。
[0114]
在一些示例性的实施例中，人力资源评价模块530可以用于：将所述第一定量化数据、所述第二定量化数据和所述第三定量化数据输入人力资源评价模型，通过所述人力资源评价模型处理后，得到所述人力资源评价模型的输出，其中，所述人力资源评价模型的输出为所述待评价对象落入多个预定的评价区间中的概率。
[0115]
在一些示例性的实施例中，参照图6，根据该实施例的人力资源评价装置500还可以包括评价规则获取模块640。评价规则获取模块640用于：获取预先设置的评价规则，其中，所述评价规则包括：各个类型的人力资源岗位与所述第一定量化数据的映射关系，各个类型的人力资源岗位与所述定性化信息的映射关系，所述第一定量化数据与所述第一权重系数的映射关系，所述第二定量化数据与所述第二权重系数的映射关系。
[0116]
在该实施例中，所述实时获取与待评价对象相关的第一定量化数据和定性化信息包括：根据所述待评价对象所属的人力资源岗位的类型、各个类型的人力资源岗位与所述第一定量化数据的映射关系以及各个类型的人力资源岗位与所述定性化信息的映射关系，获取与所述待评价对象相关的第一定量化数据和定性化信息。
[0117]
图7示意性示出了根据本公开的又一些示例性实施例的人力资源评价装置的结构框图。
[0118]
如图7所示，根据该实施例的人力资源评价装置500还可以包括查询请求获取模块710、标签提取模块720、相关性分析模块730、信息获得模块740、排名获取模块750和输出模块760。
[0119]
查询请求获取模块710用于获取用户的查询请求，其中，所述查询请求包括用于查询待评价对象的感兴趣指标的请求。在一实施例中，查询请求获取模块710可以用于执行前文描述的操作s410，在此不再赘述。
[0120]
标签提取模块720用于采用自然语言处理方法对所述感兴趣指标进行语义分析，以提取感兴趣指标的标签。在一实施例中，标签提取模块720可以用于执行前文描述的操作s420，在此不再赘述。
[0121]
相关性分析模块730用于将所述感兴趣指标的标签与存储于所述数据中台中的第一定量化数据和定性化信息进行相关性分析。在一实施例中，相关性分析模块730可以用于执行前文描述的操作s430，在此不再赘述。
[0122]
信息获得模块740用于：根据所述相关性分析的结果，获得与所述感兴趣指标的标签的相关性在前n位的第一定量化数据和定性化信息。在一实施例中，信息获得模块740可以用于执行前文描述的操作s440，在此不再赘述。
[0123]
排名获取模块750用于获取所述待评价对象的相关性在前n位的第一定量化数据在全部评价对象中的排名。在一实施例中，排名获取模块750可以用于执行前文描述的操作s450，在此不再赘述。
[0124]
输出模块760用于输出所述待评价对象的相关性在前n位的第一定量化数据和定性化信息以及所述排名。在一实施例中，输出模块760可以用于执行前文描述的操作s460，在此不再赘述。
[0125]
根据本公开的实施例，获取模块510、定性化信息转变模块520、人力资源评价模块530、第一权重系数获取模块610、第二权重系数获取模块620、定量化数据确定模块630、查询请求获取模块710、标签提取模块720、相关性分析模块730、信息获得模块740、排名获取模块750和输出模块760中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，获取模块510、定性化信息转变模块520、人力资源评价模块530、第一权重系数获取模块610、第二权重系数获取模块620、定量化数据确定模块630、查询请求获取模块710、标签提取模块720、相关性分析模块730、信息获得模块740、排名获取模块750和输出模块760中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(fpga)、可编程逻辑阵列(pla)、片上系统、基板上的系统、封装上的系统、专用集成电路(asic)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，获取模块510、定性化信息转变模块520、人力资源评价模块530、第一权重系数获取模块610、第二权重系数获取模块620、定量化数据确定模块630、查询请求获取模块710、标签提取模块720、相关性分析模块730、信息获得模块740、排名获取模块750和输出模块760中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
[0126]
图8示意性示出了根据本公开实施例的适于实现人力资源评价方法的电子设备的方框图。
[0127]
如图8所示，根据本公开实施例的电子设备900包括处理器901，其可以根据存储在只读存储器(rom)902中的程序或者从存储部分908加载到随机访问存储器(ram)903中的程
序而执行各种适当的动作和处理。处理器901例如可以包括通用微处理器(例如cpu)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(asic))等等。处理器901还可以包括用于缓存用途的板载存储器。处理器901可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
[0128]
在ram903中，存储有电子设备900操作所需的各种程序和数据。处理器901、rom902以及ram903通过总线904彼此相连。处理器901通过执行rom902和/或ram903中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除rom902和ram903以外的一个或多个存储器中。处理器901也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
[0129]
根据本公开的实施例，电子设备900还可以包括输入/输出(i/o)接口905，输入/输出(i/o)接口905也连接至总线904。电子设备900还可以包括连接至i/o接口905的以下部件中的一项或多项：包括键盘、鼠标等的输入部分906；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分907；包括硬盘等的存储部分908；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至i/o接口905。可拆卸介质911，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器910上，以便于从其上读出的计算机程序根据需要被安装入存储部分908。
[0130]
本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。
[0131]
根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的rom902和/或ram903和/或rom902和ram903以外的一个或多个存储器。
[0132]
本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的方法。
[0133]
在该计算机程序被处理器901执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
[0134]
在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分909被下载和安装，和/或从可拆卸介质911被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
[0135]
在这样的实施例中，该计算机程序可以通过通信部分909从网络上被下载和安装，和/或从可拆卸介质911被安装。在该计算机程序被处理器901执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
[0136]
根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如java，c++，python，“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
[0137]
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0138]
以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

技术特征：
1.一种人力资源评价方法，其特征在于，所述方法包括：从所述数据中台的数据表中实时获取与待评价对象相关的第一定量化数据和定性化信息，其中，所述第一定量化数据包括与人力资源相关的数值型数据，所述定性化信息包括与人力资源相关的文本型信息；将所述定性化信息转变为第二定量化数据；以及至少将所述第一定量化数据和第二定量化数据输入人力资源评价模型，通过所述人力资源评价模型处理后，得到所述人力资源评价模型的输出，其中，所述人力资源评价模型的输出为所述待评价对象落入多个预定的评价区间中的概率。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取至少一个所述第一定量化数据对应的第一权重系数，其中，所述第一权重系数是预先设定的；获取至少一个所述第二定量化数据对应的第二权重系数，其中，所述第二权重系数是预先设定的；以及基于至少一个所述第一定量化数据、至少一个所述第二定量化数据、所述第一权重系数和所述第二权重系数，利用多元回归模型确定第三定量化数据。3.根据权利要求2所述的方法，其特征在于，所述至少将所述第一定量化数据和所述第二定量化数据输入人力资源评价模型包括：将所述第一定量化数据、所述第二定量化数据和所述第三定量化数据输入人力资源评价模型。4.根据权利要求1-3中任一项所述的方法，其特征在于，所述将所述定性化信息转变为第二定量化数据包括：采用自然语言处理方法对所述定性化信息进行语义分析，以提取所述定性化信息的标签信息；以及利用情感分析模型分析所述标签信息，并获得与分析结果对应的定量化评分，其中，所述第二定量化数据包括所述定量化评分。5.根据权利要求4所述的方法，其特征在于，所述提取所述定性化信息的标签信息包括：基于jieba工具库，提取所述定性化信息的标签信息；以及所述利用情感分析模型分析所述标签信息包括：基于snownlp模型分析所述标签信息。6.根据权利要求1-3和5中任一项所述的方法，其特征在于，所述方法还包括：获取预先设置的评价规则，其中，所述评价规则包括：各个类型的人力资源岗位与所述第一定量化数据的映射关系，各个类型的人力资源岗位与所述定性化信息的映射关系，所述第一定量化数据与所述第一权重系数的映射关系，所述第二定量化数据与所述第二权重系数的映射关系；以及所述实时获取与待评价对象相关的第一定量化数据和定性化信息包括：根据所述待评价对象所属的人力资源岗位的类型、各个类型的人力资源岗位与所述第一定量化数据的映射关系以及各个类型的人力资源岗位与所述定性化信息的映射关系，获取与所述待评价对象相关的第一定量化数据和定性化信息。7.根据权利要求1-3和5中任一项所述的方法，其特征在于，所述方法还包括：获取用户的查询请求，其中，所述查询请求包括用于查询待评价对象的感兴趣指标的
请求；采用自然语言处理方法对所述感兴趣指标进行语义分析，以提取感兴趣指标的标签；将所述感兴趣指标的标签与存储于所述数据中台中的第一定量化数据和定性化信息进行相关性分析；根据所述相关性分析的结果，获得与所述感兴趣指标的标签的相关性在前n位的第一定量化数据和定性化信息，其中，n为大于等于1的正整数；获取所述待评价对象的相关性在前n位的第一定量化数据在全部评价对象中的排名；以及输出所述待评价对象的相关性在前n位的第一定量化数据和定性化信息以及所述排名。8.一种人力资源评价装置，其特征在于，所述装置包括：获取模块，用于：从所述数据中台的数据表中实时获取与待评价对象相关的第一定量化数据和定性化信息，其中，所述第一定量化数据包括与人力资源相关的数值型数据，所述定性化信息包括与人力资源相关的文本型信息；定性化信息转变模块，用于将所述定性化信息转变为第二定量化数据；以及人力资源评价模块，用于：至少将所述第一定量化数据和第二定量化数据输入人力资源评价模型，通过所述人力资源评价模型处理后，得到所述人力资源评价模型的输出，其中，所述人力资源评价模型的输出为所述待评价对象落入多个预定的评价区间中的概率。9.一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行根据权利要求1～7中任一项所述的方法。10.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行根据权利要求1～7中任一项所述的方法。11.一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现根据权利要求1～7中任一项所述的方法。

技术总结
提供了一种人力资源评价方法和装置，可以应用于大数据技术领域和人工智能技术领域。所述方法包括：从所述数据中台的数据表中实时获取与待评价对象相关的第一定量化数据和定性化信息，其中，所述第一定量化数据包括与人力资源相关的数值型数据，所述定性化信息包括与人力资源相关的文本型信息；将所述定性化信息转变为第二定量化数据；以及至少将所述第一定量化数据和第二定量化数据输入人力资源评价模型，通过所述人力资源评价模型处理后，得到所述人力资源评价模型的输出，其中，所述人力资源评价模型的输出为所述待评价对象落入多个预定的评价区间中的概率。个预定的评价区间中的概率。个预定的评价区间中的概率。


技术研发人员：赵子嘉 邓礼俊 田慧杰
受保护的技术使用者：中国工商银行股份有限公司
技术研发日：2023.04.06
技术公布日：2023/7/7