基于人工智能的绩效评价方法和装置制造方法及图纸

本发明专利技术实施例提供了一种基于人工智能的绩效评价方法和装置。本发明专利技术涉及人工智能领域，该方法包括：根据用户的指令确定K个评价指标；根据用户的指令确定K个评价指标中每个评价指标的权重；从多个深度神经网络模型中筛选出K个深度神经网络模型，K个深度神经网络模型中每个深度神经网络模型与K个评价指标中的一个评价指标具有映射关系；将待评价绩效文本分别输入K个深度神经网络模型中每个深度神经网络模型；将K个深度神经网络模型中每个深度神经网络模型输出的评价指标的分数按照预设权重相加，得到目标员工的绩效分数。本发明专利技术实施例提供的技术方案能够解决相关技术中对绩效文本进行评分效率低的问题。

【技术实现步骤摘要】
基于人工智能的绩效评价方法和装置
本专利技术涉及人工智能领域，尤其涉及一种基于人工智能的绩效评价方法和装置。
技术介绍
绩效评价是领导及同事对一名员工的能力的真实可靠的反馈。通过对绩效文本进行处理、分析，挖掘员工身上所具备的能力特点，是很有价值的。目前人力资源绩效场景中存在大量的待评价绩效文本，绩效文本需要人工进行评分，效率较低。
技术实现思路
有鉴于此，本专利技术实施例提供了一种基于人工智能的绩效评价方法和装置，用以解决相关技术中对绩效文本进行评分效率低的问题。本专利技术实施例提供了一种基于人工智能的绩效评价方法，所述方法包括：获取目标员工的待评价绩效文本；根据用户的指令确定K个评价指标，所述K为大于或等于1的自然数；根据所述用户的指令确定所述K个评价指标中每个所述评价指标的权重；从多个深度神经网络模型中筛选出K个深度神经网络模型，所述K个深度神经网络模型中每个所述深度神经网络模型与所述K个评价指标中的一个评价指标具有映射关系；将所述待评价绩效文本分别输入所述K个深度神经网络模型中每个所述深度神经网络模型，所述K个深度神经网络模型中每个所述深度神经网络模型输出一个评价指标的分数；将所述K个深度神经网络模型中每个所述深度神经网络模型输出的评价指标的分数按照预设权重相加，得到所述目标员工的绩效分数；输出所述目标员工的绩效分数。进一步地，在所述从多个深度神经网络模型中筛选出K个深度神经网络模型之前，所述方法还包括：训练目标深度神经网络模型，所述目标深度神经网络模型为所述多个深度神经网络模型中的一个，训练所述目标深度神经网络模型，包括：根据所述用户的指令确定目标评价指标；获取多个训练文本，所述多个训练文本中每个所述训练文本的所述目标评价指标的分数已经预先标注；将所述多个训练文本输入所述目标深度神经网络模型；根据所述目标深度神经网络模型的输出和预先标注的分数训练所述目标深度神经网络模型，得到与所述目标评价指标具有映射关系的训练后的目标深度神经网络模型。进一步地，所述目标深度神经网络模型包括网络层和输出层，所述根据所述目标深度神经网络模型的输出和预先标注的分数训练所述目标深度神经网络模型，包括：根据所述输出层输出的所述目标评价指标的分数和预先标注的分数调整所述目标深度神经网络模型的网络层的参数。进一步地，所述网络层包括第一网络层、第二网络层和第三网络层，所述第二网络层位于所述第一网络层与所述第三网络层中间，所述根据所述输出层输出的所述目标评价指标的分数和预先标注的分数调整所述目标深度神经网络模型的网络层的参数，包括：在所述目标深度神经网络模型的前向传播过程中，确定所述目标深度神经网络模型的所述第一网络层输出的第一输出结果以及所述输出层输出的第二输出结果，所述第一输出结果和所述第二输出结果均包含对所述目标评价指数进行评价的分数；确定第一差值，所述第一差值为所述第一输出结果包含的分数与所述训练文本预先标注的分数之间的差值；确定第二差值，所述第二差值为所述第二输出结果包含的分数与所述训练文本预先标注的分数之间的差值；在所述目标深度神经网络模型的反向传播过程中，根据所述第一差值调整所述第二网络层的参数，根据所述第一差值和所述第二差值调整所述第三网络层的参数。进一步地，在所述输出所述目标员工的绩效分数之后，所述方法还包括：判断所述目标员工的绩效分数是否低于预设分数阈值；如果所述目标员工的绩效分数低于所述预设分数阈值，则输出提示信息，所述提示信息包含所述目标员工的绩效分数。本专利技术实施例提供了一种基于人工智能的绩效评价装置，所述装置包括：获取单元，用于获取目标员工的待评价绩效文本；第一确定单元，用于根据用户的指令确定K个评价指标，所述K为大于或等于1的自然数；第二确定单元，用于根据所述用户的指令确定所述K个评价指标中每个所述评价指标的权重；筛选单元，用于从多个深度神经网络模型中筛选出K个深度神经网络模型，所述K个深度神经网络模型中每个所述深度神经网络模型与所述K个评价指标中的一个评价指标具有映射关系；输入单元，用于将所述待评价绩效文本分别输入所述K个深度神经网络模型中每个所述深度神经网络模型，所述K个深度神经网络模型中每个所述深度神经网络模型输出一个评价指标的分数；计算单元，用于将所述K个深度神经网络模型中每个所述深度神经网络模型输出的评价指标的分数按照预设权重相加，得到所述目标员工的绩效分数；第一输出单元，用于输出所述目标员工的绩效分数。进一步地，所述装置还包括：训练单元，用于在所述筛选单元从多个深度神经网络模型中筛选出K个深度神经网络模型之前，训练目标深度神经网络模型，所述目标深度神经网络模型为所述多个深度神经网络模型中的一个，所述训练单元包括：确定子单元，用于根据所述用户的指令确定目标评价指标；获取子单元，用于获取多个训练文本，所述多个训练文本中每个所述训练文本的所述目标评价指标的分数已经预先标注；输入子单元，用于将所述多个训练文本输入所述目标深度神经网络模型；训练子单元，用于根据所述目标深度神经网络模型的输出和预先标注的分数训练所述目标深度神经网络模型，得到与所述目标评价指标具有映射关系的训练后的目标深度神经网络模型。进一步地，所述目标深度神经网络模型包括网络层和输出层，所述训练子单元用于：根据所述输出层输出的所述目标评价指标的分数和预先标注的分数调整所述目标深度神经网络模型的网络层的参数。进一步地，所述网络层包括第一网络层、第二网络层和第三网络层，所述第二网络层位于所述第一网络层与所述第三网络层中间，所述训练子单元包括：第一确定模块，用于在所述目标深度神经网络模型的前向传播过程中，确定所述目标深度神经网络模型的所述第一网络层输出的第一输出结果以及所述输出层输出的第二输出结果，所述第一输出结果和所述第二输出结果均包含对所述目标评价指数进行评价的分数；第二确定模块，用于确定第一差值，所述第一差值为所述第一输出结果包含的分数与所述训练文本预先标注的分数之间的差值；第三确定模块，用于确定第二差值，所述第二差值为所述第二输出结果包含的分数与所述训练文本预先标注的分数之间的差值；调整模块，用于在所述目标深度神经网络模型的反向传播过程中，根据所述第一差值调整所述第二网络层的参数，根据所述第一差值和所述第二差值调整所述第三网络层的参数。进一步地，所述装置还包括：判断单元，用于在所述第一输出单元输出所述目标员工的绩效分数之后，判断所述目标员工的绩效分数是否低于预设分数阈值；第二输出单元，用于如果所述目标员工的绩效分数低于所述预设分数阈值，则输出提示信息，所述提示信息包含所述目标员工的绩效分数。在本专利技术实施例中，获取目标员工的待评价绩效文本；根据用户的指令确定K个评价指标；根据用户的指令确定K个评价指标中每个评价指标的权重；从多个深度神经网络模型中筛选出K个深度神经网络模型，K个深度神经网络模型中每个深度神经网络模型与K个评价指标中的一个评价指标具有映射关系；将待评价绩效文本分别输入K个深度神经网络模型中每个深度神经网络模型，K个深度神经网络模型中每个深度神经网络模型本文档来自技高网...

【技术保护点】
1.一种基于人工智能的绩效评价方法，其特征在于，所述方法包括：/n获取目标员工的待评价绩效文本；/n根据用户的指令确定K个评价指标，所述K为大于或等于1的自然数；/n根据所述用户的指令确定所述K个评价指标中每个所述评价指标的权重；/n从多个深度神经网络模型中筛选出K个深度神经网络模型，所述K个深度神经网络模型中每个所述深度神经网络模型与所述K个评价指标中的一个评价指标具有映射关系；/n将所述待评价绩效文本分别输入所述K个深度神经网络模型中每个所述深度神经网络模型，所述K个深度神经网络模型中每个所述深度神经网络模型输出一个评价指标的分数；/n将所述K个深度神经网络模型中每个所述深度神经网络模型输出的评价指标的分数按照预设权重相加，得到所述目标员工的绩效分数；/n输出所述目标员工的绩效分数。/n

【技术特征摘要】
1.一种基于人工智能的绩效评价方法，其特征在于，所述方法包括：
获取目标员工的待评价绩效文本；
根据用户的指令确定K个评价指标，所述K为大于或等于1的自然数；
根据所述用户的指令确定所述K个评价指标中每个所述评价指标的权重；
从多个深度神经网络模型中筛选出K个深度神经网络模型，所述K个深度神经网络模型中每个所述深度神经网络模型与所述K个评价指标中的一个评价指标具有映射关系；
将所述待评价绩效文本分别输入所述K个深度神经网络模型中每个所述深度神经网络模型，所述K个深度神经网络模型中每个所述深度神经网络模型输出一个评价指标的分数；
将所述K个深度神经网络模型中每个所述深度神经网络模型输出的评价指标的分数按照预设权重相加，得到所述目标员工的绩效分数；
输出所述目标员工的绩效分数。


2.根据权利要求1所述的方法，其特征在于，在所述从多个深度神经网络模型中筛选出K个深度神经网络模型之前，所述方法还包括：训练目标深度神经网络模型，所述目标深度神经网络模型为所述多个深度神经网络模型中的一个，
训练所述目标深度神经网络模型，包括：
根据所述用户的指令确定目标评价指标；
获取多个训练文本，所述多个训练文本中每个所述训练文本的所述目标评价指标的分数已经预先标注；
将所述多个训练文本输入所述目标深度神经网络模型；
根据所述目标深度神经网络模型的输出和预先标注的分数训练所述目标深度神经网络模型，得到与所述目标评价指标具有映射关系的训练后的目标深度神经网络模型。


3.根据权利要求2所述的方法，其特征在于，所述目标深度神经网络模型包括网络层和输出层，所述根据所述目标深度神经网络模型的输出和预先标注的分数训练所述目标深度神经网络模型，包括：
根据所述输出层输出的所述目标评价指标的分数和预先标注的分数调整所述目标深度神经网络模型的网络层的参数。


4.根据权利要求3所述的方法，其特征在于，所述网络层包括第一网络层、第二网络层和第三网络层，所述第二网络层位于所述第一网络层与所述第三网络层中间，所述根据所述输出层输出的所述目标评价指标的分数和预先标注的分数调整所述目标深度神经网络模型的网络层的参数，包括：
在所述目标深度神经网络模型的前向传播过程中，确定所述目标深度神经网络模型的所述第一网络层输出的第一输出结果以及所述输出层输出的第二输出结果，所述第一输出结果和所述第二输出结果均包含对所述目标评价指数进行评价的分数；
确定第一差值，所述第一差值为所述第一输出结果包含的分数与所述训练文本预先标注的分数之间的差值；
确定第二差值，所述第二差值为所述第二输出结果包含的分数与所述训练文本预先标注的分数之间的差值；
在所述目标深度神经网络模型的反向传播过程中，根据所述第一差值调整所述第二网络层的参数，根据所述第一差值和所述第二差值调整所述第三网络层的参数。
<...

【专利技术属性】
技术研发人员：陈林，金戈，徐亮，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东;44