一种基于注意力机制神经网络的绩效评估方法技术

本发明专利技术提供一种基于注意力机制神经网络的绩效评估方法，从多个维度抽取历史数据和相关特征，然后，对注意力机制神经网络模型进行训练，应用自注意力机制算法和角色图神经网络来提高模型性能，捕捉复杂关系和语义信息

【技术实现步骤摘要】
一种基于注意力机制神经网络的绩效评估方法


[0001]本专利技术涉及绩效评估领域，尤其涉及一种基于注意力机制神经网络的绩效评估方法
。

技术介绍

[0002]目前，绩效评估方法通常基于处置工单数据或设备状态，但这些方法容易造成评估结果偏离实际情况
。
仅仅依靠处置工单数据无法全面评估班组和个人的绩效，忽略了其他重要维度的因素，如工作量
、
工作效率等
。
过度依赖设备状态作为评估指标可能导致结果偏离实际情况，因为设备状态并不能全面反映班组和个人的工作能力和表现
。
这些局限性使得现有的绩效评估方法缺乏准确性
、
全面性和客观性
。

技术实现思路

[0003]本专利技术的目的在于针对上述现有技术的不足，提供了一种基于注意力机制神经网络的绩效评估方法，通过引入注意力机制，能够从多个维度抽的若干因子
。
[0004]为实现上述目的，本专利技术采用了如下技术方案：
[0005]本专利技术提供了一种基于注意力机制神经网络本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于注意力机制神经网络的绩效评估方法，其特征在于，包括以下步骤：
S1、
收集数据，并对数据进行筛选和清洗数据；
S2、
利用随机深林算法进行模型训练得到的设备状态
、
故障处置
、
班组或个人工作量
、
班组或个人工作效率的数据和绩效的相关性，并对各因子的重要性排序，选择最重要的若干因子；
S3、
对注意力机制神经网络模型进行训练，应用自注意力机制算法和角色图神经网络提高模型性能，捕捉复杂关系和语义信息；
S4、
根据训练好的所述注意力机制神经网络模型对绩效评估
。2.
根据权利要求1所述的一种基于注意力机制神经网络的绩效评估方法，其特征在于，所述
S1
中，对数据集进行筛选和数据清洗具体为：
S11、
收集并筛选数据：获取设备状态
、
故障处置
、
班组或个人工作量
、
班组或个人工作效率的历史数据，提取相关特征；
S12、
清洗数据：将数据中存在缺失的，且含有异常值的相关数据去除；
S13、
对数据进行归一化，以确保数据的准确性和一致性
。3.
根据权利要求2所述的一种基于注意力机制神经网络的绩效评估方法，其特征在于，所述
S2
中，随机深林算法进行模型训练，具体包括：
S21、
从给定的数据集中进行有放回采样，随机选择
M
个样本，并重复进行
n
次采样，生成
N
个训练集；
S22、
对于每个所述训练集，使用决策树模型进行训练，在每次分裂时，根据基尼指数或信息增益的准则，选择最佳的特征进行分裂，以建立具有良好分类性能的决策树模型；
S23、
每个所述决策树模型持续进行分裂，直到节点的所有训练样例都属于同一类别，或达到预先设定的停止条件，在分裂过程中，保持决策树的完整性，不进行剪枝操作，以充分利用训练集中的信息；
S24、
生产的
x
棵决策树组成随机森林模型，对于待分类的因子，通过多数投票或加权平均的方式，综合考虑随机森林中每棵决策树的预测结果，确定每个因子的最终权重大小，从而实现绩效评估
。4.
根据权利要求3所述的一种基于注意力机制神经网络的绩效评估方法，其特征在于，所述
S3
中，对注意力机制神经网络模型进行训练具体为：
S31、
每个特征的注意力权重为：其中，
Q
为查询向量；
K
为键向量；
V
为值向量；
d
k
为特征的维度；
E
为注意力分数的误差项矩阵，维度与注意力分数相同；通过将查询向量与键向量进行点积操作，并进行缩放处理后，再经过
softmax
函数得到注意力权重，将注意力权重与值向量进行加权求和，得到特征的加权表示；
S32、
计算每个特征的自注意力权重为：
其中，
X
为输入的特征向量矩阵；
W
为自注意力权重矩阵；通过将特征矩阵与注意力权重矩阵进行点积操作，并进行缩放处理后，再经过
softmax
函数得到自注意力权重后，将自注意力权重与特征矩阵进加权求和，得到特征的加权表示；
S33、
为了处理复杂关系和图结构数据，引入角色图神经网络，具体为：对于节点
i
，更新后表示为：其中，为节点
i
在第
l
层的表示；
|N
i
|
为节点

【专利技术属性】
技术研发人员：杨厚祥，樊昌，汪洲，熊高峰，毛亚丽，吴丽娜，余洋，柴莅，李可竞，陈冲，周亦珂，谢子馨，汪可，曹忺，刘烨，
申请(专利权)人：国网湖北省电力有限公司黄石供电公司，
类型：发明
国别省市：