基于人员关系的人力资源调度模型训练、调度方法及装置制造方法及图纸

本发明专利技术实施例提供了基于人员关系的人力资源调度模型训练、调度方法及装置，训练方法包括：将各个在职人员作为节点并将节点对应的人物属性以及工作岗位作为节点间的边构建人力资源网络；根据所述人力资源网络对应的邻接矩阵以及在职人员的度获取所述人力资源网络的关系矩阵；使用所述关系矩阵训练分别训练至少两个自编码器，直至各个自编码器的损失函数收敛；将训练后的自编码器进行堆叠处理，得到目标模型，其中，所述目标模型中除第一个自编码器之外的其他自编码器的隐藏层的输出作为下一个自编码器的输入。可以在使用本发明专利技术实施例训练的模型进行待定岗人员定岗时获取更加准确的结果。

Human resource scheduling model training, scheduling method and device based on human relationship

【技术实现步骤摘要】
基于人员关系的人力资源调度模型训练、调度方法及装置
本专利技术涉及人力资源调度领域，具体涉及基于人员关系的人力资源调度模型训练、调度方法及装置。
技术介绍
在经济全球化和知识经济时代的背景下，人力资源是影响一个企业的生存和发展的重要因素。人力资源的配置，即人员和职位匹配程度，直接影响着企业其他资源的合理利用和整体配置效率。合理的人力资源配置是决定企业能否持续、稳定、快速发展的一个关键因素。因此，如何实现合理的人力资源分配是亟待解决的技术问题。常用的人力资源分配方法为多元线性回归分析、层次分析法分析和德尔菲分析等，这些都属于线性分析方法。但是，人力资源的合理配置受到很多因素的影响，如规模、经济实力、文化和企业的外部环境。与此同时，这些因素大多是非线性的。因此，传统的线性分析方法存在主观性较强，准确性较低，反映实际情况能力较弱的缺点。目前，论文“王保贤、刘毅等，基于灰色BP神经网络模型的人力资源需求预测方法[J]，统计与预测，2018,”中王保贤等分析了基于BP神经网络模型的人力资源管理实践与组织情况的匹配关系，建立了预测模型，并给出了良好的预测效果；文献研究了大量与人力资源相关的影响因素；文献通过技能、薪水和对项目的奉献程度等属性来描述人力资源，从而建立了调度的约束并利用遗传算法实现了人力资源调度。但是，专利技术人发现，现有技术中没有考虑到在人力资源配置过程中的人员间的相似性以及特定关系对人力资源分配的影响，因此，现有技术中存在人力资源分配效果不准确的技术问题。
技术实现思路
本专利技术所要解决的技术问题在于如何提供基于人员关系的人力资源调度模型训练、调度方法及装置以提高人力资源分配的准确率。本专利技术通过以下技术手段实现解决上述技术问题的：本专利技术实施例提供了基于人员关系的人力资源调度模型训练方法，所述方法包括：将各个在职人员作为节点并将节点对应的人物属性以及工作岗位作为节点间的边构建人力资源网络，其中，所述人员属性包括：精通办公软件、逻辑思维强、团队协作、性格、性别、人员关系、毕业院校以及专业中的一种或组合；根据所述人力资源网络对应的邻接矩阵以及在职人员的度获取所述人力资源网络的关系矩阵；使用所述关系矩阵训练分别训练至少两个自编码器，直至各个自编码器的损失函数收敛；将训练后的自编码器进行堆叠处理，得到目标模型，其中，所述目标模型中除第一个自编码器之外的其他自编码器的隐藏层的输出作为下一个自编码器的输入。在实际工作中，适于同一个工作岗位的在职人员往往存在一定程度的相似性，应用本专利技术实施例，将在职人员以及工作岗位作为节点，并根据各个在职人员的属性作为边来构建人力资源网络，利于使用神经网络模型基于现有人员之间的共性对工作岗位进行特征重构，可以得到工作岗位的抽象描述结果，进而可以在使用本专利技术实施例训练的模型进行待定岗人员定岗时获取更加准确的结果。可选的，所述目标模型包括四个堆栈的自编码器，其中，第一层自编码器的输入层用于接收关系矩阵，且第一层自编码器的隐藏层的输出作为第二层自编码器的输入层的输入；第二层自编码器的隐藏层的输出作为第三层自编码器的输入层的输出；第三层自编码器的隐藏层的输出作为第四层自编码器的输入层的输入；第四层自编码器的隐藏层输出作为堆栈自编码器的输出。可选的，所述使用所述关系矩阵训练分别训练至少两个自编码器，直至各个自编码器的损失函数收敛，包括：利用公式计算当前次迭代中自编码器的损失，其中，COST为当前次迭代中自编码器的损失；为函数取最小值时自变量求值函数；∑为求和函数；mi为第i个在职人员关系矩阵中的元素；N为在职人员数量；oi为第i个在职人员中自编码器的对应于mi的输出；θ＝{WH,dH,WO,dO}，且WH为编码层的权重；dH为编码层的偏置；WO为解码层的权重；dO为解码层的偏置；P为隐藏层神经元个数；ρ为稀疏性参数；ρj为隐藏层神经元的平均活跃度，且hi为第i个人员对应的编码层输出，判断当前次迭代中自编码器的损失是否收敛；若是，将当前次迭代训练后的自编码器作为训练后的自编码器；若否，使用随机梯度下降的反向传播算法更新θ＝{WH,dH,WO,dO}，并返回执行所述计算当前次迭代中自编码器的损失的步骤，直至所述自编码器的损失收敛。可选的，所述使用所述关系矩阵训练分别训练至少两个自编码器，直至各个自编码器的损失函数收敛，包括：利用公式J＝COST+λTr(HLHT)，计算当前次迭代中自编码器的损失，其中，J为当前次迭代中自编码器的损失；λ为调控重构误差和约束间的参数；Tr为岗位适应度矩阵的迹，且岗位适应度矩阵为sij为人员i和人员j对岗位的适应度值；H为隐藏层的输出矩阵；L为岗位适应度矩阵的拉普拉斯矩阵；HT为隐藏层的输出矩阵的转置；为N*N的实数矩阵；为函数取最小值时自变量求值函数；∑为求和函数；mi为第i个在职人员关系矩阵中的元素；N为在职人员数量；oi为第i个在职人员中自编码器的对应于mi的输出；θ＝{WH,dH,WO,dO}，且WH为编码层的权重；dH为编码层的偏置；WO为解码层的权重；dO为解码层的偏置；P为隐藏层神经元个数；ρ为稀疏性参数；ρj为隐藏层神经元的平均活跃度，且hi为第i个人员对应的编码层输出，判断当前次迭代中自编码器的损失是否收敛；若是，将当前次迭代训练后的自编码器作为训练后的自编码器；若否，使用随机梯度下降的反向传播算法更新θ＝{WH,dH,WO,dO}，并返回执行所述计算当前次迭代中自编码器的损失的步骤，直至所述自编码器的损失收敛。本专利技术实施例还提供了基于人员关系的人力资源调度方法，所述方法包括：获取待定岗人员的人员属性，并基于所述人员属性构建针对所述待定岗人员的属性矩阵；将所述属性矩阵输入至所述目标模型中，得到对应于所述待定岗人员的岗位信息，其中，所述目标模型为基于上述任一项训练的基于人员关系的人力资源调度模型。本专利技术实施例提供了基于人员关系的人力资源调度模型训练装置，所述装置包括：构建模块，用于将各个在职人员作为节点并将节点对应的人物属性以及工作岗位作为节点间的边构建人力资源网络，其中，所述人员属性包括：精通办公软件、逻辑思维强、团队协作、性格、性别、人员关系、毕业院校以及专业中的一种或组合；第一获取模块，用于根据所述人力资源网络对应的邻接矩阵以及在职人员的度获取所述人力资源网络的关系矩阵；训练模块，用于使用所述关系矩阵训练分别训练至少两个自编码器，直至各个自编码器的损失函数收敛；堆叠模块，用于将训练后的自编码器进行堆叠处理，得到目标模型，其中，所述目标模型中除第一个自编码器之外的其他自编码器的隐藏层的输出作为下一个自编码器的输入。可选的，所述目标模型包括四个堆栈的自编码器，其中，第一层自编码器的输入层用于接收关系矩阵，且第一层自编码器的隐藏层的输出作为第二层自编码器的输入层的输入；第二层自编本文档来自技高网...

【技术保护点】
1.基于人员关系的人力资源调度模型训练方法，其特征在于，所述方法包括：/n将各个在职人员作为节点并将节点对应的人物属性以及工作岗位作为节点间的边构建人力资源网络，其中，所述人员属性包括：精通办公软件、逻辑思维强、团队协作、性格、性别、人员关系、毕业院校以及专业中的一种或组合；/n根据所述人力资源网络对应的邻接矩阵以及在职人员的度获取所述人力资源网络的关系矩阵；/n使用所述关系矩阵训练分别训练至少两个自编码器，直至各个自编码器的损失函数收敛；/n将训练后的自编码器进行堆叠处理，得到目标模型，其中，所述目标模型中除第一个自编码器之外的其他自编码器的隐藏层的输出作为下一个自编码器的输入。/n

【技术特征摘要】
1.基于人员关系的人力资源调度模型训练方法，其特征在于，所述方法包括：
将各个在职人员作为节点并将节点对应的人物属性以及工作岗位作为节点间的边构建人力资源网络，其中，所述人员属性包括：精通办公软件、逻辑思维强、团队协作、性格、性别、人员关系、毕业院校以及专业中的一种或组合；
根据所述人力资源网络对应的邻接矩阵以及在职人员的度获取所述人力资源网络的关系矩阵；
使用所述关系矩阵训练分别训练至少两个自编码器，直至各个自编码器的损失函数收敛；
将训练后的自编码器进行堆叠处理，得到目标模型，其中，所述目标模型中除第一个自编码器之外的其他自编码器的隐藏层的输出作为下一个自编码器的输入。


2.根据权利要求1所述的基于人员关系的人力资源调度模型训练方法，其特征在于，所述目标模型包括四个堆栈的自编码器，其中，
第一层自编码器的输入层用于接收关系矩阵，且第一层自编码器的隐藏层的输出作为第二层自编码器的输入层的输入；
第二层自编码器的隐藏层的输出作为第三层自编码器的输入层的输出；
第三层自编码器的隐藏层的输出作为第四层自编码器的输入层的输入；
第四层自编码器的隐藏层输出作为堆栈自编码器的输出。


3.根据权利要求1所述的基于人员关系的人力资源调度模型训练方法，其特征在于，所述使用所述关系矩阵训练分别训练至少两个自编码器，直至各个自编码器的损失函数收敛，包括：
利用公式计算当前次迭代中自编码器的损失，其中，
COST为当前次迭代中自编码器的损失；为函数取最小值时自变量求值函数；∑为求和函数；mi为第i个在职人员关系矩阵中的元素；N为在职人员数量；oi为第i个在职人员中自编码器的对应于mi的输出；θ＝{WH,dH,WO,dO}，且WH为编码层的权重；dH为编码层的偏置；WO为解码层的权重；dO为解码层的偏置；P为隐藏层神经元个数；ρ为稀疏性参数；ρj为隐藏层神经元的平均活跃度，且hi为第i个人员对应的编码层输出，
判断当前次迭代中自编码器的损失是否收敛；
若是，将当前次迭代训练后的自编码器作为训练后的自编码器；
若否，使用随机梯度下降的反向传播算法更新θ＝{WH,dH,WO,dO}，并返回执行所述计算当前次迭代中自编码器的损失的步骤，直至所述自编码器的损失收敛。


4.根据权利要求1所述的基于人员关系的人力资源调度模型训练方法，其特征在于，所述使用所述关系矩阵训练分别训练至少两个自编码器，直至各个自编码器的损失函数收敛，包括：
利用公式J＝COST+λTr(HLHT)，计算当前次迭代中自编码器的损失，其中，
J为当前次迭代中自编码器的损失；λ为调控重构误差和约束间的参数；Tr为岗位适应度矩阵的迹，且岗位适应度矩阵为sij为人员i和人员j对岗位的适应度值；H为隐藏层的输出矩阵；L为岗位适应度矩阵的拉普拉斯矩阵；HT为隐藏层的输出矩阵的转置；为N*N的实数矩阵；为函数取最小值时自变量求值函数；∑为求和函数；mi为第i个在职人员关系矩阵中的元素；N为在职人员数量；oi为第i个在职人员中自编码器的对应于mi的输出；θ＝{WH,dH,WO,dO}，且WH为编码层的权重；dH为编码层的偏置；WO为解码层的权重；dO为解码层的偏置；P为隐藏层神经元个数；ρ为稀疏性参数；ρj为隐藏层神经元的平均活跃度，且hi为第i个人员对应的编码层输出，
判断当前次迭代中自编码器的损失是否收敛；
若是，将当前次迭代训练后的自编码器作为训练后的自编码器；
若否，使用随机梯度下降的反向传播算法更新θ＝{WH,dH,WO,dO}，并返回执行所述计算当前次迭代中自编码器的损失的步骤，直至所述自编码器的损失收敛。


5.基于人员关系的人力资源调度方法，其特征在于，所述方法包括：
获取待定岗人员的人员属性，并基于所述人员属性构建针对所述待定岗人员的属性矩阵；
将所述属性矩阵输入至所述目标模型中，得到对应于所述待定岗人员的岗位信息，其中，所述目标模型为基于权利要求1-4任一项训练的基于人员关系的...

【专利技术属性】
技术研发人员：谢莹，许荣斌，林元模，汪欣梅，
申请(专利权)人：莆田学院，安徽大学，
类型：发明
国别省市：福建;35