【技术实现步骤摘要】
本专利技术设计人员数据管理，具体涉及一种基于贝叶斯网络的职称晋升因果分析方法、装置、计算设备及存储介质。
技术介绍
1、科技人才的职称晋升问题对推进科技人才的职业成长、促进科技人才学术研究工作、提升科技人才队伍的质量和竞争力等具有重要意义。
2、目前针对院校科技人才职称晋升的研究主要存在两方面问题，一是职称晋升受到多方面影响，而当前研究多是人为零散地选定某些职称晋升的影响因素进行探讨，缺乏对影响因素进行合理筛选的过程；二是职称晋升在受到各因素影响的同时，各因素之间也存在相互影响，而当前研究未对职称晋升影响因素及因素间因果关系进行研究。
技术实现思路
1、为了提高职称晋升影响因素分析的全面性和关联性，本专利技术提出了一种基于贝叶斯网络的职称晋升因果分析方法、装置、计算设备及存储介质，通过在人员基本信息和成果信息中筛选出对晋升参评成功存在显著影响的因素；而后对各影响因素对职称晋升及各影响因素之间的因果关系进行你想推理和敏感性分析，实现了对职称参评成功的因果发现。
2、根据本专利技术的第一方面，提供一种基于贝叶斯网络的职称晋升因果分析方法，包括：获取人员特征，对人员特征预处理得到量化特征；基于二元逻辑回归模型对量化特征进行筛选，确定职称晋升影响因素；基于职称晋升影响因素构建贝叶斯网络；对贝叶斯网络进行逆向推理和敏感性分析，计算得到职称晋升影响因素对参评成功的影响程度。
3、可选地，在上述职称晋升因果分析方法中，基于抽样理论从人力资源数据库中选择预定数量
4、可选地，在上述职称晋升因果分析方法中，基于量化特征，构建以职称晋升是否成功为二元变量的二元逻辑回归模型；对二元逻辑回归模型进行omnibus检验和霍斯默-莱梅肖检验，得到二元逻辑回归参数结果，二元逻辑回归参数包括回归系数、标准误差、瓦尔德系数、显著性、优势比；基于模型的显著性参数值筛选出职称晋升影响因素。
5、可选地，在上述职称晋升因果分析方法中，构建以职称晋升影响因素为节点的初始化网络；基于peter-clark算法对初始化网络的网络结构进行学习，得到以节点之间的因果关系和相互作用为有向边的有向无环图；基于em算法对有向无环图的参数进行学习，计算贝叶斯网络先验概率和各节点的条件概率，构建得到贝叶斯网络。
6、可选地，在上述职称晋升因果分析方法中，将各职称晋升影响因素的数据校准到[0,1]区间，将[0,1]区间上的连续值离散化为“低-中-高”三个状态；将离散化后的数据与其对应网络节点进行匹配，匹配成功后执行e步骤；
7、e步骤：针对当前模型参数，利用观测数据计算联合概率分布的概率期望；m步骤：基于联合概率分布的概率期望计算最大化似然函数，得到更新后的模型参数；重复e步骤和m步骤，直至模型参数收敛，得到贝叶斯网络。
8、可选地，在上述职称晋升因果分析方法中，根据贝叶斯网络中子节点发生的状态计算各父节点的后验概率分布；改变贝叶斯网络中某节点的概率分布，计算目标节点的后验概率分布对贝叶斯网络中网络参数的敏感度；基于敏感度确定职称晋升影响因素对参评成功的影响程度。
9、可选地，在上述职称晋升因果分析方法中，通过下述公式，将目标节点的后验概率分布表达式两边对参数θ求导：
10、其中，
11、其中，表示求导后目标节点y和其他节点x1,x2,...,xn之间的联合概率分布相对于参数θ的导数，表示求导之后其他节点x1,x2,...,xn之间的联合概率分布相对于参数θ的导数，p(y,x1,x2,...,xn)为目标节点y的联合概率分布，p(y|x1,x2,……,xn)为目标节点y的后验概率分布；基于导数大小确定各影响因素变化时对参评是否成功的影响程度。
12、根据本专利技术的第二方面，提供了一种基于贝叶斯网络的职称晋升因果分析装置，包括预处理模块、筛选模块、构建模块和分析模块，
13、其中，预处理模块，用于获取人员特征，对人员特征预处理得到量化特征；筛选模块，用于基于二元逻辑回归模型对预处理模块得到的量化特征进行筛选，确定职称晋升影响因素；构建模块，用于基于筛选模块得到的职称晋升影响因素构建贝叶斯网络；分析模块，用于对构建模块得到的贝叶斯网络进行逆向推理和敏感性分析，计算得到职称晋升影响因素对参评成功的影响程度。
14、根据本专利技术的第三方面，提供一种计算设备，包括：至少一个处理器；和存储有程序指令的存储器，其中，程序指令被配置为适于由至少一个处理器执行，程序指令包括用于执行上述基于贝叶斯网络的职称晋升因果分析的指令。
15、根据本专利技术的第四方面，提供一种存储有程序指令的可读存储介质，当程序指令被计算设备读取并执行时，使得计算设备执行上述的基于贝叶斯网络的职称晋升因果分析方法。
16、根据本专利技术的方案，通过在人员基本信息和成果信息中筛选出对晋升参评成功存在显著影响的因素；而后对各影响因素对职称晋升及各影响因素之间的因果关系进行你想推理和敏感性分析，实现了对职称参评成功的因果发现，提高了职称晋升影响因素分析的全面性和关联性。
17、上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本专利技术的具体实施方式。
本文档来自技高网...【技术保护点】
1.一种基于贝叶斯网络的职称晋升因果分析方法，其特征在于，包括：
2.根据权利要求1所述的基于贝叶斯网络的职称晋升因果分析方法，其特征在于，所述获取人员特征，对所述人员特征预处理，得到量化特征的步骤包括：
3.根据权利要求1所述的基于贝叶斯网络的职称晋升因果分析方法，其特征在于，所述基于二元逻辑回归模型对所述量化特征进行筛选，确定职称晋升影响因素的步骤包括：
4.根据权利要求1所述的基于贝叶斯网络的职称晋升因果分析方法，其特征在于，所述基于所述职称晋升影响因素构建贝叶斯网络的步骤包括：
5.根据权利要求4所述的基于贝叶斯网络的职称晋升因果分析方法，其特征在于，所述基于EM算法对所述有向无环图的参数进行学习，计算贝叶斯网络先验概率和各节点的条件概率，构建得到贝叶斯网络的步骤包括：
6.根据权利要求1所述的基于贝叶斯网络的职称晋升因果分析方法，其特征在于，所述对所述贝叶斯网络进行逆向推理和敏感性分析，计算得到职称晋升影响因素对参评成功的影响程度的步骤包括：
7.根据权利要求6所述的基于贝叶斯网络的职称晋升因果分析
8.一种基于贝叶斯网络的职称晋升因果分析装置，其特征在于，包括：
9.一种计算设备，包括：
10.一种存储有程序指令的可读存储介质，当所述程序指令被计算设备读取并执行时，使得所述计算设备执行如权利要求1-7中任一项所述的基于贝叶斯网络的职称晋升因果分析方法。
...【技术特征摘要】
1.一种基于贝叶斯网络的职称晋升因果分析方法，其特征在于，包括：
2.根据权利要求1所述的基于贝叶斯网络的职称晋升因果分析方法，其特征在于，所述获取人员特征，对所述人员特征预处理，得到量化特征的步骤包括：
3.根据权利要求1所述的基于贝叶斯网络的职称晋升因果分析方法，其特征在于，所述基于二元逻辑回归模型对所述量化特征进行筛选，确定职称晋升影响因素的步骤包括：
4.根据权利要求1所述的基于贝叶斯网络的职称晋升因果分析方法，其特征在于，所述基于所述职称晋升影响因素构建贝叶斯网络的步骤包括：
5.根据权利要求4所述的基于贝叶斯网络的职称晋升因果分析方法，其特征在于，所述基于em算法对所述有向无环图的参数进行学习，计算贝叶斯网络先验概率和各节点的条件概率，构建...
【专利技术属性】
技术研发人员：傅文萱，李博，朱仁崎，张忠山，沈大勇，潘琳，王涛，毛世奥，林翔，姚锋，陈英武，陈盈果，刘晓路，吕济民，陈宇宁，何磊，杜永浩，闫俊刚，王沛，程力，潘雨，
申请(专利权)人：中国人民解放军国防科技大学，
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。