System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及计算机,具体而言,涉及一种基于人工智能的人才分级测评方法及系统。
技术介绍
1、目前,在测评过程中对人才的学习成果进行评判通常需要人工考究他的过去学习的课程。而如果采用数学的方法对人才的课程成绩等级进行测评,需要大量的数据对其进行计算,给计算机提供很大负担,且不准确。若依靠神经网络的方法将大量的人才的数据进行测评,能够解决数据量过大的问题,但人才的课程成绩等级的测评很难通过标注数据构成监督网络的方法对其进行测评,所以需要设计一个无监督的模型对人才进行分级测评。而且仅仅通过已学习的课程无法学习完整地预设的一系列课程的走向,需要考虑未进行学习的课程的情况。
技术实现思路
1、本专利技术的目的在于提供了一种基于人工智能的人才分级测评方法及系统,用以解决现有技术中存在的上述问题。
2、第一方面,本专利技术实施例提供了一种基于人工智能的人才分级测评方法,包括:
3、获得多个用户的学习数据和设定学习课程;所述学习数据包括已学习的课程和对应的课程成绩等级;所述设定学习课程表示设定的需要按照设定顺序学习的一系列课程;
4、根据设定学习课程,将当前用户的学习数据输入评分网络,对当前用户的学习数据进行初始打分,得到初评价分数;所述当前用户为当前时间点需要进行打分的用户;
5、根据所述学习数据和设定学习课程,通过人才成绩跟踪模型,预测用户未来时间点的课程成绩等级,得到课程跟踪向量;所述课程跟踪向量表示当前用户需要学习的一系列课程的课程成绩等级
6、所述人才成绩跟踪模型包括多个相邻课程预测网络和整体课程预测网络;一个相邻课程预测网络对应一个课程;所述相邻课程预测网络包括特征提取网络和相邻课程跟踪网络;
7、所述相邻课程预测网络和整体课程预测网络都为无监督网络;
8、根据课程跟踪向量,得到人才成绩预测等级;
9、根据初评价分数和人才成绩预测等级,对用户的学习数据进行二次打分,得到人才成绩评级。
10、可选的,所述根据所述学习数据和设定学习课程,通过人才成绩跟踪模型,预测用户未来时间点的课程成绩等级,得到课程跟踪向量,包括:
11、将所述学习数据中当前学习的课程对应的课程成绩等级输入对应的相邻课程预测网络,得到相邻课程预测成绩等级;所述相邻课程预测成绩等级为当前学习的课程结束之后进行学习的课程的成绩;
12、将所述相邻课程预测成绩等级输入对应的相邻课程预测网络,得到新的相邻课程预测成绩等级;循环预测未来待学习的课程对应的课程成绩等级,直到遍历设定学习课程,跳出循环;
13、将所述学习数据中的多个课程成绩等级和多个循环预测的相邻课程预测成绩等级合并为一个向量,得到相邻向量;
14、将所述学习数据输入整体课程预测网络,得到整体向量;
15、将相邻向量和整体向量的平均值作为课程跟踪向量。
16、可选地,所述人才成绩跟踪模型的训练方法,包括:
17、根据多个用户的学习数据,找到相邻学习的课程两两之间的变化关系,训练相邻课程预测网络;
18、根据多个用户的学习数据,找到用户的课程成绩等级的变化情况,训练整体课程预测网络。
19、可选的,所述根据多个用户的学习数据,找到相邻学习的课程两两之间的变化关系,训练相邻课程预测网络,包括:
20、获得第一课程和第二课程;所述第一课程为设定学习课程中的其中一个课程;所述第二课程为学习第一课程后设定学习课程设定的需要学习的课程;所述第一课程和第二课程为学习数据中已经学习过的课程对应的课程成绩等级;
21、将多个学习数据对应的第一课程的课程成绩等级输入特征提取网络,提取特征,得到第一课程工作特征;
22、将第一课程工作特征输入相邻课程跟踪网络,得到预测课程成绩;所述预测课程成绩为预测的第二课程对应的课程成绩等级;
23、将所述学习数据中的第二课程的课程成绩等级作为标注值,与预测课程成绩计算损失值,训练相邻课程预测网络;
24、设定学习课程设定的多门课程分别获得多个相邻课程预测网络;不同课程对应的相邻课程预测网络结构相同,参数不同。
25、可选的,所述根据多个用户的学习数据,找到用户的课程成绩等级的变化情况,训练整体课程预测网络,包括:
26、根据设定学习课程,获得真实学习课程向量;所述真实学习课程向量为一个用户的初始学习的课程到当前时间点已学习的多个课程对应的课程成绩等级;
27、多个用户对应获得多个真实学习课程向量;
28、获得第一整体向量;所述第一整体向量为用户待预测的真实学习课程向量;
29、将所述第一整体向量输入整体课程预测模型,得到预测整体向量;
30、根据第一整体向量、预测整体向量和多个真实学习课程向量,计算损失,得到整体损失值;
31、根据所述整体损失值训练整体课程预测模型,得到训练好的整体课程预测模型。
32、可选的,所述根据第一整体向量、预测整体向量和多个真实学习课程向量,计算损失,得到整体损失值,包括:
33、在除第一整体向量之外的多个真实学习课程向量中,找到第一整体向量包含的课程,得到相同长度向量;除第一整体向量之外的多个真实学习课程向量对应获得多个相同长度向量;
34、判断第一整体向量与相同长度向量是否相似,若第一整体向量与相同长度向量相似,将相同长度向量对应的预测整体课程作为第二整体向量;
35、将多个第二整体向量进行聚类,找到与预测整体向量相似的第二整体向量作为聚类中心工作向量;所述聚类中心工作向量为将聚类中的数据求取平均后得到的聚类中心点;
36、将聚类中心工作向量与预测整体向量计算损失,得到整体损失值。
37、可选的,所述根据设定学习课程,将当前用户的学习数据输入评分网络,对当前用户的学习数据进行初始打分,得到初评价分数,包括:
38、以课程成绩等级为横坐标,课程为纵坐标,对多个用户的学习数据建立成绩直方图;
39、将所述成绩直方图进行归一化,获取成绩直方图中课程的数量大于其他课程的数量的课程成绩等级,得到第一课程成绩等级;
40、将当前用户的学习数据输入第一评分网络,得到第二课程成绩分数;所述第一评分网络为无监督网络;
41、将所述第一课程成绩分数和第二课程成绩分数求取平均,得到评价分数。
42、可选的,所述第一评分网络的训练过程,包括:
43、所述第一评分网络包括第一编码网络和第二编码网络;所述第一编码网络的第二编码网络的结构一样参数不同;
44、将多个用户的学习数据的课程成绩等级输入第一编码网络,得到第一预测分数;
45、将多个用户的学习数据的课程成绩等级输入第二编码网络,得到第二预测分数;
46、将所述第一预测分数与第二预测分数求取损失,训本文档来自技高网...
【技术保护点】
1.一种基于人工智能的人才分级测评方法,其特征在于,包括:
2.根据权利要求1所述的一种基于人工智能的人才分级测评方法,其特征在于,所述根据所述学习数据和设定学习课程,通过人才成绩跟踪模型,预测用户未来时间点的课程成绩等级,得到课程跟踪向量,包括:
3.根据权利要求1所述的一种基于人工智能的人才分级测评方法,其特征在于,所述人才成绩跟踪模型的训练方法,包括:
4.根据权利要求3所述的一种基于人工智能的人才分级测评方法,其特征在于,所述根据多个用户的学习数据,找到相邻学习的课程两两之间的变化关系,训练相邻课程预测网络,包括:
5.根据权利要求3所述的一种基于人工智能的人才分级测评方法,其特征在于,所述根据多个用户的学习数据,找到用户的课程成绩等级的变化情况,训练整体课程预测网络,包括:
6.根据权利要求5所述的一种基于人工智能的人才分级测评方法,其特征在于,所述根据第一整体向量、预测整体向量和多个真实学习课程向量,计算损失,得到整体损失值,包括:
7.根据权利要求1所述的一种基于人工智能的人才分级测评方法,其特
8.根据权利要求7所述的一种基于人工智能的人才分级测评方法,其特征在于,所述第一评分网络的训练过程,包括:
9.根据权利要求1所述的一种基于人工智能的人才分级测评方法,其特征在于,所述根据课程跟踪向量,得到人才成绩预测等级,包括:
10.一种基于人工智能的人才分级测评系统,其特征在于,包括:
...【技术特征摘要】
1.一种基于人工智能的人才分级测评方法,其特征在于,包括:
2.根据权利要求1所述的一种基于人工智能的人才分级测评方法,其特征在于,所述根据所述学习数据和设定学习课程,通过人才成绩跟踪模型,预测用户未来时间点的课程成绩等级,得到课程跟踪向量,包括:
3.根据权利要求1所述的一种基于人工智能的人才分级测评方法,其特征在于,所述人才成绩跟踪模型的训练方法,包括:
4.根据权利要求3所述的一种基于人工智能的人才分级测评方法,其特征在于,所述根据多个用户的学习数据,找到相邻学习的课程两两之间的变化关系,训练相邻课程预测网络,包括:
5.根据权利要求3所述的一种基于人工智能的人才分级测评方法,其特征在于,所述根据多个用户的学习数据,找到用户的课程成绩等级的变化情况,训练整体课...
【专利技术属性】
技术研发人员:李建伟,
申请(专利权)人:国信蓝桥教育科技股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。