家政人员的培训评估方法及装置制造方法及图纸

本申请公开了一种家政人员的培训评估方法及装置

【技术实现步骤摘要】
家政人员的培训评估方法及装置、存储介质、计算机设备


[0001]本申请涉及数据处理
，尤其是涉及到一种家政人员的培训评估方法及装置
、
存储介质
、
计算机设备
。

技术介绍

[0002]现有雇佣家政服务人员途径主要有经人介绍和家政公司中介两种方式
。
雇主为了选择合适的雇员，往往需要筛选大量雇员的信息，判断雇员是否能够满足自己的要求
。
但是，家政服务人员的信息真假混杂
、
种类繁多，雇主难以从海量的信息中选择适合自己的
。
出现此问题的原因是家政服务人员缺少国家承认的正规学习培训机构和相关的法律法规的约束
。
现有的培训机构水平参差不齐，其所提供资格证明的含金量和真实性也难以保证
。
此外，甚至存在大量家政服务人员信息造假，未经任何培训即上岗的现象
。
雇主仅仅通过雇员表面宣传的信息来进行了解，往往得到的是虚构或者夸大的内容，无法对雇员的实际能力水平有清晰准确的认识
。
现需要一套科学合理的方法，对家政服务人员的服务水平和从业资质进行有效的评价和分析，从而帮助雇主选择合适的雇员
。

技术实现思路

[0003]有鉴于此，本申请提供了一种家政人员的培训评估方法及装置
、
存储介质
、
计算机设备
。
[0004]根据本申请的一个方面，提供了一种家政人员的培训评估方法，所述方法包括：
[0005]获取家政人员样本数据，其中，所述家政人员样本数据包括家政人员的基本信息
、
专业能力信息
、
培训情况信息以及评价信息；
[0006]基于所述基本信息对所述家政人员样本数据进行分类，获得多个样本组；
[0007]针对每个样本组，基于样本组内的家政人员样本数据计算家政人员评估模型的结构参数，依据所述结构参数构建家政人员评估模型，通过
CRITIC
客观赋权法对家政人员评估模型进行赋权，并利用样本组内的家政人员样本数据对所述家政人员评估模型进行训练，其中，所述家政人员评估模型为神经网络模型，所述结构参数包括隐层层数以及每个隐层的节点个数；
[0008]当接收到对目标家政人员的评估指令时，获取所述目标家政人员的目标基本信息
、
目标专业能力信息以及目标培训情况信息，基于所述目标基本信息确定所述目标家政人员的类别，并确定与所述目标家政人员的类别匹配的目标家政人员评估模型，将所述目标专业能力信息和所述目标培训情况信息输入至所述目标家政人员评估模型中，获得所述目标家政人员的评估信息
。
[0009]可选地，所述专业能力信息
、
所述培训情况信息以及所述评价信息均包括至少一种；所述基于样本组内的家政人员样本数据计算家政人员评估模型的结构参数，依据所述结构参数构建家政人员评估模型，包括：
[0010]依据样本组内家政人员样本数据中的专业能力信息
、
培训情况信息以及评价信
息，确定神经网络模型的输入层节点和输出层节点，其中，输入层节点包括每个专业能力信息节点和每个培训情况信息节点，输出层节点包括每个评价信息节点；
[0011]统计样本组内家政人员样本数据的样本量，基于输入层节点个数
、
输出层节点个数以及所述样本量，计算神经网络模型的隐层层数；
[0012]基于输入层节点个数计算第一层隐层节点个数，并依据第一层隐层节点个数逐层计算其他隐层节点个数；
[0013]基于输入层节点
、
隐层层数
、
每层隐层节点个数以及输出层节点，构建家政人员评估模型；
[0014]其中，每个家政人员评估模型都采用包含
N
个隐含层的神经网络，
N
i
是输入层变量个数，
N0是输出层变量个数，
N
s
是训练集样本数，
a1为
[2,10]之间的常数，
[0015]隐含层内包括节点个数为
L
，
[0016]m
为输入变量个数，
a2为
[1,10]之间的常数
。
[0017]可选地，所述基本信息包括服务类型
、
地区
、
性别
、
合同类型以及年龄段；所述专业能力信息包括工作年限
、
服务价格
、
平均用时
、
技能数量以及上门准点率；所述培训情况信息包括至少一种资格认证信息以及至少一种培训认证信息；所述获得多个样本组之后，所述方法还包括：
[0018]对样本组内的家政人员样本数据中各种专业能力信息分别进行归一化处理
。
[0019]可选地，所述获取家政人员样本数据，包括：
[0020]在多机构参与的联盟链中获取家政人员样本数据；
[0021]相应地，所述利用样本组内的家政人员样本数据对所述家政人员评估模型进行训练之后，所述方法还包括：
[0022]将训练好的家政人员评估模型的模型参数存储在所述联盟链中
。
[0023]可选地，所述通过
CRITIC
客观赋权法对家政人员评估模型进行赋权，包括：
[0024]将每种专业能力信息和每种培训情况信息分别作为一种指标，计算不同指标之间的相关系数以及每种指标的标准差；
[0025]针对所述指标中的每种目标指标，基于所述目标指标的标准差以及所述目标指标与其他指标之间的相关系数，确定所述目标指标的初始权重；
[0026]基于所述目标指标的初始权重对所述家政人员评估模型进行权重初始化配置；
[0027]其中，目标指标
j
的初始权重
n
为指标个数，
δ
j
为第
j
指标的标准差，
r
ij
为指标
i
和指标
j
之间的相关系数
。
[0028]可选地，所述方法还包括：
[0029]当出现新种类的培训情况信息时，获取包含所述新种类的培训情况信息的家政人员样本数据，并重新进行家政人员评估模型的构建和训练；和
/
或，
[0030]当新的家政人员评价信息达到预设数量时，获取所述新的家政人员评价信息以及与所述新的家政人员评价信息对应的家政人员的基本信息
、
专业能力信息以及培训情况信
息构建优化训练样本，并利用所述优化训练样本对相应的家政人员评估模型进行优化训练
。
[0031]可选地，所述获得所述目标家政人员的评估信息之后，所述方法还包括：
[0032]基于所述目标家政人员的目标专业能力信息和目标培本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种家政人员的培训评估方法，其特征在于，所述方法包括：获取家政人员样本数据，其中，所述家政人员样本数据包括家政人员的基本信息
、
专业能力信息
、
培训情况信息以及评价信息；基于所述基本信息对所述家政人员样本数据进行分类，获得多个样本组；针对每个样本组，基于样本组内的家政人员样本数据计算家政人员评估模型的结构参数，依据所述结构参数构建家政人员评估模型，通过
CRITIC
客观赋权法对家政人员评估模型进行赋权，并利用样本组内的家政人员样本数据对所述家政人员评估模型进行训练，其中，所述家政人员评估模型为神经网络模型，所述结构参数包括隐层层数以及每个隐层的节点个数；当接收到对目标家政人员的评估指令时，获取所述目标家政人员的目标基本信息
、
目标专业能力信息以及目标培训情况信息，基于所述目标基本信息确定所述目标家政人员的类别，并确定与所述目标家政人员的类别匹配的目标家政人员评估模型，将所述目标专业能力信息和所述目标培训情况信息输入至所述目标家政人员评估模型中，获得所述目标家政人员的评估信息
。2.
根据权利要求1所述的方法，其特征在于，所述专业能力信息
、
所述培训情况信息以及所述评价信息均包括至少一种；所述基于样本组内的家政人员样本数据计算家政人员评估模型的结构参数，依据所述结构参数构建家政人员评估模型，包括：依据样本组内家政人员样本数据中的专业能力信息
、
培训情况信息以及评价信息，确定神经网络模型的输入层节点和输出层节点，其中，输入层节点包括每个专业能力信息节点和每个培训情况信息节点，输出层节点包括每个评价信息节点；统计样本组内家政人员样本数据的样本量，基于输入层节点个数
、
输出层节点个数以及所述样本量，计算神经网络模型的隐层层数；基于输入层节点个数计算第一层隐层节点个数，并依据第一层隐层节点个数逐层计算其他隐层节点个数；基于输入层节点
、
隐层层数
、
每层隐层节点个数以及输出层节点，构建家政人员评估模型；其中，每个家政人员评估模型都采用包含
N
个隐含层的神经网络，
N
i
是输入层变量个数，
N0是输出层变量个数，
N
s
是训练集样本数，
a1为
[2,10]
之间的常数，隐含层内包括节点个数为
L
，，
m
为输入变量个数，
a2为
[1,10]
之间的常数
。3.
根据权利要求2所述的方法，其特征在于，所述基本信息包括服务类型
、
地区
、
性别
、
合同类型以及年龄段；所述专业能力信息包括工作年限
、
服务价格
、
平均用时
、
技能数量以及上门准点率；所述培训情况信息包括至少一种资格认证信息以及至少一种培训认证信息；所述获得多个样本组之后，所述方法还包括：对样本组内的家政人员样本数据中各种专业能力信息和培训情况信息分别进行归一化处理
。4.
根据权利要求1至3中任一项所述的方法，其特征在于，所述获取家政人员样本数据，包括：在多机构参与的联盟链中获取家政人员样本数据；
相应地，所述利用样本组内的家政人员样本数据对所述家政人员评估模型进行训练之后，所述方法还包括：将训练好的家政人员评估...

【专利技术属性】
技术研发人员：李曼宁，韩欣然，高宪文，李苗苗，
申请(专利权)人：东北大学，
类型：发明
国别省市：