一种基于AI的动态任职资格评定方法及系统

摘要

本发明公开了一种基于AI的动态任职资格评定方法及系统，属于人员任职资格评定技术领域，包括以下步骤：S1：员工数据采集；S2：数据匹配与分析；S3：任职资格标准得分计算。本发明能够根据员工的日常任务情况，自动分析员工的任务类型和内容，计算出能力成长分值，自动化智能化，计算更准确；每天计算，定期汇总，因员工工作内容变化，能力的动态变化也能随之体现出来，计算出每个员工的成长曲线，更动态地反应员工的情况，值得被推广使用。

说明书

技术领域

本发明涉及人员任职资格评定技术领域，具体涉及一种基于AI的动态任职资格评定方法及系统。

背景技术

很多公司目前已经建设了一些内部的HR系统、OA办公系统，项目管理系统、数据收集平台等IT系统。但是较分散，很多系统的建设并没有考虑到任职资格方面的需要。公司的任职资格管理和员工的评定基本靠人工维护完成，要结合HR、OA、项目管理等系统的数据，成本极高。

目前人工评定方式存在一定的缺陷，比如：人工成本高，业务流程操作复杂，计算方法复杂，准确度无法保证；人工评定不能动态反应员工的能力成长和变化情况，数据不能及时更新。因此，提出一种基于AI的动态任职资格评定方法及系统。

发明内容

本发明所要解决的技术问题在于：如何解决人工评定方式存在的缺陷，提供了一种基于AI的动态任职资格评定方法。

本发明是通过以下技术方案解决上述技术问题的，本发明包括以下步骤：

S1：员工数据采集

从相应系统中抽出员工的任务评分数据、项目贡献、工作经历、学习数据；

S2：数据匹配与分析

根据任职资格系统中配置的能力图谱中关键业务活动KPA的关键字，以及员工的日报内容、任务完成情况的任务评分值，计算关键字的TF-IDF值和与任务的相似度值，进而计算出员工的能力图谱AbiMap值；

S3：任职资格标准得分计算

根据标准得分计算模型配置对应的计算公式计算员工的任职资格标准得分。

更进一步地，在所述步骤S1中，从项目贡献、工作经历、学习数据中对应获得项目贡献值、工作经历值、学习值。

更进一步地，在所述步骤S2中，TF-IDF＝TF*IDF，其中TF是词频，表示关键字在文本中出现的频率，IDF是逆向文件频率。

更进一步地，在所述步骤S2中，关键字与任务的相似度值通过余弦相似度算法计算得到。

更进一步地，在所述步骤S3中，标准得分计算模型的各项得分分别为项目贡献值、工作经历值、学习值、能力图谱AbiMap值。

更进一步地，标准得分计算模型的配置模块包括得分类型配置单元、数据查看单元、数据录入单元；所述得分类型配置单元用于增添/删减、改变得分类型以及对各得分类型对应的计分规则、权重进行配置；所述数据查看单元用于查看从相应系统中抽出的员工数据；所述数据录入单元用于将得到的项目贡献值、工作经历值、学习值、能力图谱AbiMap值录入标准得分计算模型。

更进一步地，在所述步骤S3中，标准得分计算公式如下：

Q＝WEV*10％+PCV*30％+LV*10％+AbiMap*50％

其中，WEV表示工作经历值，10％为其权重；PCV表示项目贡献值，30％为其权重；AbiMap表示能力图谱AbiMap值，50％为其权重。

本发明还提供了一种基于AI的动态任职资格评定系统，用于采用上述的评定方法对员工的任职资格进行评定，包括：

数据采集模块，用于从相应系统中抽出员工的任务评分数据、项目贡献、工作经历、学习数据；

数据匹配与分析模块，用于能力图谱中关键业务活动KPA的关键字，以及员工的日报内容、任务完成情况的任务评分值，计算关键字的TF-IDF值和与任务的相似度值，进而计算出员工的能力图谱AbiMap值；

标准得分计算模块，用于根据标准得分计算模型配置对应的计算公式计算员工的任职资格标准得分；

中央处理模块，用于向其他模块发出指令，完成相关动作；

所述数据采集模块、所述数据匹配与分析模块、所述标准得分计算模块均与中央处理模块电连接。

本发明相比现有技术具有以下优点：该基于AI的动态任职资格评定方法，能够根据员工的日常任务情况，自动分析员工的任务类型和内容，计算出能力成长分值，自动化智能化，计算更准确；每天计算，定期汇总，因员工工作内容变化，能力的动态变化也能随之体现出来，计算出每个员工的成长曲线，更动态地反应员工的情况，值得被推广使用。

附图说明

图1是本发明实施例一中任职资格评定方法的流程示意图；

图2是本发明实施例二中任职资格系统IQS平台整体模块图；

图3是本发明实施例二中NLP算法计算过程示意图。

具体实施方式

下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例一

本实施例提供一种技术方案：一种基于AI的动态任职资格评定方法，包括以下步骤：

S1：员工数据采集

从相应系统中抽出员工的任务评分数据、项目贡献、工作经历、学习数据；

S2：数据匹配与分析

根据任职资格系统中配置的能力图谱中关键业务活动KPA的关键字，以及员工的日报内容、任务完成情况的任务评分值，计算关键字的TF-IDF值和与任务的相似度值，进而计算出员工的能力图谱AbiMap值；

S3：任职资格标准得分计算

根据标准得分计算模型配置对应的计算公式计算员工的任职资格标准得分。

在所述步骤S1中，从项目贡献、工作经历、学习数据中对应获得项目贡献值、工作经历值、学习值。

在所述步骤S2中，TF-IDF＝TF*IDF，其中TF是词频，表示关键字在文本中出现的频率，IDF是逆向文件频率。

在所述步骤S2中，关键字与任务的相似度值通过余弦相似度算法计算得到。

在所述步骤S3中，标准得分计算模型的各项得分分别为项目贡献值、工作经历值、学习值、能力图谱AbiMap值。

标准得分计算模型的配置模块包括得分类型配置单元、数据查看单元、数据录入单元；所述得分类型配置单元用于增添/删减、改变得分类型以及对各得分类型对应的计分规则、权重进行配置；所述数据查看单元用于查看从相应系统中抽出的员工数据；所述数据录入单元用于将得到的项目贡献值、工作经历值、学习值、能力图谱AbiMap值录入标准得分计算模型。

在所述步骤S3中，标准得分计算公式如下：

Q＝WEV*10％+PCV*30％+LV*10％+AbiMap*50％

其中，WEV表示工作经历值，10％为其权重；PCV表示项目贡献值，30％为其权重；AbiMap表示能力图谱AbiMap值，50％为其权重。

本实施例还提供了一种基于AI的动态任职资格评定系统，用于采用上述的评定方法对员工的任职资格进行评定，包括：

数据采集模块，用于从相应系统中抽出员工的任务评分数据、项目贡献、工作经历、学习数据；

数据匹配与分析模块，用于能力图谱中关键业务活动KPA的关键字，以及员工的日报内容、任务完成情况的任务评分值，计算关键字的TF-IDF值和与任务的相似度值，进而计算出员工的能力图谱AbiMap值；

标准得分计算模块，用于根据标准得分计算模型配置对应的计算公式计算员工的任职资格标准得分；

中央处理模块，用于向其他模块发出指令，完成相关动作；

所述数据采集模块、所述数据匹配与分析模块、所述标准得分计算模块均与中央处理模块电连接。

实施例二

如图2所示，为本实施例的任职资格系统IQS(Intelligent QualificationSystem)平台整体模块图，数据采集模块从OTC、OA、HR、学习系统等系统中抽取员工的任务评分数据、项目贡献、工作经历、学习数据等数据；经过NLP算法分析模块和IQS计算模块，计算出员工任职资格的标准得分；再根据IQS计算模块中的能力图谱和任职资格的阈值配置，判断员工的任职资格。

如图3所示，为本实施例中NLP算法分析模块所采用的NLP算法计算过程示意图，根据任职资格系统中配置的能力图谱关键业务活动KPA的关键字，以及OTC系统员工的日报内容、任务完成情况的最后评分值，使用TF-IDF算法计算TF-IDF以及余弦相似度值，进而计算出员工的能力图谱AbiMap值。

TF-IDF算法介绍：

(1)TF是词频(Term Frequency)，表示词条(关键字)在文本中出现的频率；

(2)IDF是逆向文件频率(Inverse Document Frequency)；

(3)TF-IDF实际上是TF*IDF。

通过匹配计算比较员工的日报任务、工作内容和任职资格系统中配置的能力图谱关键业务活动KPA的关键字相似度以及员工的任务完成情况的任务评分值，从而计算员工的能力图谱AbiMap值。

“词频”(Term Frequency，缩写为TF)：如果某个词比较少见，但是它在员工日报(文章)中多次出现，那么它很可能就反映了这次日报(文章)的特性，正是我们所需要的关键词。用统计学语言表达，就是在词频的基础上，要对每个词分配一个”重要性”权重。这个权重叫做”逆文档频率”(Inverse Document Frequency，缩写为IDF)，它的大小与一个词的常见程度成反比。

将”词频”(TF)和”逆文档频率”(IDF)相乘，就得到了一个词的TF-IDF值。某个词对日报(文章)的重要性越高，它的TF-IDF值就越大。所以，排在最前面的几个词，就是这次日报(文章)的关键词。由此，找出了员工日报(文章)的关键词。

TF-IDF＝词频(TF)*逆文档频率(IDF)

TF-IDF数学含义：

TF：代表性，出现次数越多，代表性越强，TF值越大；

IDF：普遍性，在越多的地方出现，普遍性越强，IDF值越小；

余弦相似性：cosθ值越接近1，表明夹角越接近0度，也就是两个量(日报内容中的关键字和能力图谱配置中的关键字)越相似，这就叫做余弦相似性。

能力图谱AbiMap得分A＝(1-COSθ)*任务评价得分。

如下表1所示，为任职资格的标准得分的分项计分规则表：

表1分项计分规则表

其中，(W：工作经历值，P：个人的项目中的产值，P

任职资格标准得分：Q＝WEV*10％+PCV*30％+LV*10％+AbiMap*50％

在上述公式中，WEV、PCV、LV和AbiMap又分别有不同的计算要求。每个计算条件都是需要大量的数据和计算方法经过相对复杂的运算得来。而所需的数据也是通过各种不同的渠道获得，包括：爬虫采集、数据对接、人工录入等形式。

能力图谱是动态任职资格评定方法的核心计算之一。

如下表2所示，为本实施例的一个能力图谱的模块。

表2本实施例中一个能力图谱的模块的参数表

在上表中，是其中一个职级序列的能力图谱，产品(线)经营模块为本实施例中能力图谱的一个模块，其在能力图谱AbiMap值中所占的权重为28％，每个子模块的关键业务活动KPA所占的权重与对应的关键字如上表所示。该关键字即图3中任职资格系统中配置的能力图谱关键业务活动KPA的关键字，用于后续的能力图谱AbiMap值计算。

根据员工在项目管理系统中的工作任务，通过人工智能的自然语言处理算法(NLP算法)，匹配能力图谱的关键业务活动KPA关键字和任务的相似度，以及员工的任务完成情况的任务评分值计算能力图谱得分。每天根据任务抽取分析，定期每月汇总数据，计算出员工任职资格的标准得分。

标准得分的计算模型都做到可配置。

综上所述，上述实施例的基于AI的动态任职资格评定方法，能够根据员工的日常任务情况，自动分析员工的任务类型和内容，计算出能力成长分值，自动化智能化，计算更准确；每天计算，定期汇总，因员工工作内容变化，能力的动态变化也能随之体现出来，计算出每个员工的成长曲线，更动态地反应员工的情况，值得被推广使用。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。