一种评价模型训练方法、绩效评价方法及装置制造方法及图纸

本申请涉及人工智能领域技术领域，为绩效评价方法，具体涉及一种评价模型训练方法、绩效评价方法及装置；通过建立知识图谱

【技术实现步骤摘要】
一种评价模型训练方法、绩效评价方法及装置


[0001]本申请涉及人工智能领域
，为绩效评价方法，具体涉及一种评价模型训练方法、绩效评价方法及装置。

技术介绍

[0002]高校始终处于科技发展的前沿地位，它的科研水平和科研规模是反映其综合实力的重要指标，科研绩效的评价标准可以引导科研人员的研究方向和战略，对学校的科研发展方向产生直接影响，同时对学校的发展也具有一定的导向作用。通过对科研绩效的恰当评价，建立能够充分发挥研究人员创造能力的开放、灵活和竞争的学术环境，从而从整体上引导科学研究的发展方向、发展模式，达到调动教师的积极性、适应学校工作重点调整、贯彻学校发展规划的目的。
[0003]随着知识经济的到来，科教兴国已经成为全国上下的共识，各级政府和高等学校都加大了对科技的投入。如何评价投资效益、评价科研人员水平、评价科研人员工作完成情况等即对科研绩效的评价成为科研管理部门考虑的问题。
[0004]针对于现在进行的高校可沿绩效评价的方法很多，有学者按照评价方法的类别进行了划分，将科研项目的评价方法分为主观评价方法、客观评价方法和主客观相结合的评价方法。在评价方法选取上，H指数、主成分RBF(Radial Basis Function,径向基函数)、灰色系统理论、BP神经网络、灰色关联分析法、平衡计分卡、最佳权重集合，这些方法已经被学者进行应用,并且取得了不错的效果。另外,数据包络分析(DataEnvelopment Analysis，DEA)方法，在一些非营利部门绩效评价中被广泛采用，这种研究方法从“投入一产出”视角构建高校科研绩效评价模型，受到了越来越多学者的青睐。但是单一的研究方法在应用的过程中可能会遇到一些局限，所以需要提供一种融合性的方法使对于绩效评价的结果更具有整体性和准确性。

技术实现思路

[0005]为了解决以上的技术问题，本申请提供一种评价模型训练方法、绩效评价方法及装置，通过将知识图谱以及BP神经网络进行关联和构建，并且通过建立对应的评价体系实现了最终绩效评价结果的全面性和准确性。
[0006]为了达到上述目的，本申请实施例采用的技术方案如下：
[0007]第一方面，一种评价模型训练方法，包括：获取绩效评价数据样本数据集，基于所述样本数据集构建知识图谱，所述知识图谱为三元结构，还包括与三元结构中实体对应设置评价体系；将所述知识图谱作为训练样本和测试样本，将训练样本输入到预先建立的BP神经网络中，对BP神经网络进行训练，得到第一评价模型，所述BP神经网络的结构与所述知识图谱中的第一特征相对应，所述第一特征为所述评价体系中的评价指标；将测试样本输入到所述第一评价模型中，对所述第一评价模型进行测试，并利用损失函数对所述第一评价模型进行校正，得到最终的评价模型；基于所述样本数数据集构建知识图谱包括：对所述
绩效评价数据知识抽取、知识抽取、知识融合、知识加工和知识推理构建初始知识图谱；基于评价体系对所述初始知识图谱进行标注，得到含有评分的目标知识图谱，所述评价体系与所述初始知识图谱的实体进行对应设置。
[0008]第一方面的第一种实现方式中，所述BP神经网络包括输入层、隐藏层和输出层，所述输入层与所述评价指标数量相同。
[0009]第一方面的第二种实现方式中，将训练样本输入到预先建立的BP神经网络中，对BP神经网络进行训练，包括：抽取所述知识图谱中的三元组结构的实体、关系以及关系平面进行向量初始化，基于所述正例三元组构建负例三元组，对所述正例三元组和所述负例三元组进行训练，采用随机梯度下降的优化方法，根据损失函数减小方向对实体、关系以及关系平面向量进行更新，直到损失函数趋于稳定时停止迭代，得到优化后的实体、关系以及关系平面的向量表示。
[0010]结合第一方面的第二种可能的实现方式，在第三种可能的实现方式中，所述负例三元组通过随机替换正例三元组中的头实体或者尾实体得到的。
[0011]第一方面的第四种实现方式中，将测试样本输入到所述第一评价模型中，对所述第一评价模型进行测试，并利用损失函数对所述第一评价模型进行校正，得到最终的评价模型，包括：基于所述评价体系得到目标期望输出，所述期望输出为所述BP神经网络的目标期望输出；基于所述测试样本作为输入至迭代后的BP神经网络，得到实时期望输出；比较所述目标实时期望输出与所述目标期望输出；基于比较结果利用损失函数对所述BP神经网络进行调整。
[0012]第二方面，一种评价模型训练装置，包括：知识图谱构建模块，用于将获取的绩效评价数据样本数据集转换为知识图谱；第一评价模型，用于将知识图谱作为训练样本和测试样本，并将训练样本输入至预先建立的BP神经网络中，对BP神经网络进行训练，得到第一评价模型；评价模型校正模块，用于将测试样本输入到所述第一评价模型中，对所述第一评价模型进行测试，并利用损失函数对所述第一评价模型进行校正；所述BP神经网络的结构与所述知识图谱中的第一特征相对应。
[0013]第二方面的第一种实现方式中，所述知识图谱构建模块包括：初始知识图谱构建单元，用于对所述绩效评价数据进行知识抽取、知识抽取、知识融合、知识加工和知识推理构建初始知识图谱；标注单元，用于基于评价体系对所述初始知识图谱进行标注，得到含有评分的目标知识图谱，所述评价体系与所述初始知识图谱的实体进行对应设置。
[0014]第三方面，一种绩效评价方法，包括：将待处理的信息基于预设置的知识图谱模板进行处理得到含有待处理信息的目标知识图谱；对所述目标知识图谱进行学习表示，得到初始数据；将所述待处理的数据输入至BP神经网络得到期望输出。
[0015]在第三方面的第一种实现方式中，对所述目标知识图谱进行学习表示包括：抽取所述目标知识图谱中的三元组结构的实体、关系以及关系平面进行向量初始化，基于所述正例三元组构建负例三元组，对所述正例三元组和所述负例三元组进行训练，采用随机梯度下降的优化方法，根据损失函数减小方向对实体、关系以及关系平面向量进行更新，直到损失函数趋于稳定时停止迭代，得到优化后的实体、关系以及关系平面的向量表示。
[0016]第四方面，一种绩效评价装置，包括：目标知识图谱获取模块，用于将待处理的信息基于预设置的知识图谱模板进行处理得到含有待处理信息的目标知识图谱；学习表示模
块，用于对所述目标知识图谱进行学习表示，得到待处理的数据；处理模块，用于将标注后的所述待处理数据输入至BP神经网络得到期望输出。
[0017]第五方面，提供一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求上述任一项所述的绩效评价方法。
[0018]第六方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求上述任一项所述的绩效评价方法。
[0019]本申请实施例提供的技术方案中，通过建立知识图谱
‑
评价体系和BP神经网络的关联关系，通过本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种评价模型训练方法，其特征在于，包括：获取绩效评价数据样本数据集，基于所述样本数据集构建知识图谱，所述知识图谱为三元结构，还包括与三元结构中实体对应设置评价体系；将所述知识图谱作为训练样本和测试样本，将训练样本输入到预先建立的BP神经网络中，对BP神经网络进行训练，得到第一评价模型，所述BP神经网络的结构与所述知识图谱中的第一特征相对应，所述第一特征为所述评价体系中的评价指标；将测试样本输入到所述第一评价模型中，对所述第一评价模型进行测试，并利用损失函数对所述第一评价模型进行校正，得到最终的评价模型；基于所述样本数数据集构建知识图谱包括：对所述绩效评价数据知识抽取、知识抽取、知识融合、知识加工和知识推理构建初始知识图谱；基于评价体系对所述初始知识图谱进行标注，得到含有评分的目标知识图谱，所述评价体系与所述初始知识图谱的实体进行对应设置。2.根据权利要求1所述的评价模型训练方法，其特征在于，所述知识图所述BP神经网络包括输入层、隐藏层和输出层，所述输入层与所述评价指标数量相同。3.根据权利要求1所述的评价模型训练方法，其特征在于，将训练样本输入到预先建立的BP神经网络中，对BP神经网络进行训练，包括：抽取所述知识图谱中的三元组结构的实体、关系以及关系平面进行向量初始化，基于所述正例三元组构建负例三元组，对所述正例三元组和所述负例三元组进行训练，采用随机梯度下降的优化方法，根据损失函数减小方向对实体、关系以及关系平面向量进行更新，直到损失函数趋于稳定时停止迭代，得到优化后的实体、关系以及关系平面的向量表示。4.根据权利要求3所述的评价模型训练方法，其特征在于，所述负例三元组通过随机替换正例三元组中的头实体或者尾实体得到的。5.根据权利要求3所述的评价模型训练方法，其特征在于，将测试样本输入到所述第一评价模型中，对所述第一评价模型进行测试，并利用损失函数对所述第一评价模型进行校正，得到最终的评价模型，包括：基于所述评价体系得到目标期望输出，所述期望输出为所述BP神经网络的目标期望输出；基于所述测试样本作为输入至迭代后的BP神经网络，得到实时期望输出；比...

【专利技术属性】
技术研发人员：朱林，
申请(专利权)人：湖南大众传媒职业技术学院，
类型：发明
国别省市：