基于深度学习算法的人事考评信息非线性映射方法.pdf

行业应用与交流Industrial Applications and Communications自动化技术与应用2024 年第 43 卷第 1 期Techniques ofAutomation&Applications基于深度学习算法的人事考评信息非线性映射方法刘 宁1,郭芳琳1,杨明杰1,寇小霞1,张珍芬2（1.国网甘肃省电力公司互联网事业部，甘肃 兰州 730050；2.甘肃同兴智能科技发展有限责任公司，甘肃 兰州 730050）摘要:目前人事的考评方法无法准确获取考评指标，导致考评耗时高、考评精确度低、用户满意度低。为此，提出基于深度学习算法的人事考评信息非线性映射方法。采用深度学习算法对人事信息进行处理，获得人事信息的特征，并将其输入Softmax分类器中；根据特征分类结果，选取人事考评指标；采用非线性映射获取人事考评特征与考评等级之间的关系，完成人事的考评。实验结果表明，所提方法的考评耗时最高为37 s，考评精确度在95%以上，用户满意度接近100%。关键词:深度学习算法；Softmax分类器；非线性映射方法；特征分类中图分类号：TP391文献标识码:A文章编号:1003-7241(2024)01-0166-04Non-linear Mapping Method of Personnel Evaluation InformationBased on Deep Learning AlgorithmLIU Ning1,GUO Fang-lin1,YANG Ming-jie1,KOU Xiao-xia1,ZHANG Zhen-fen2(1.Internet Division of State Grid Gansu Electric Power Company,Lanzhou 730050 China;2.Gansu Tongxing Intelligent Technology Development Co.,Ltd.,Lanzhou 730050 China)Abstract:At present,the evaluation method of personnel can not accurately obtain the evaluation indicators,resulting in high evaluationtime consumption,low evaluation accuracy and low user satisfaction.Therefore,the nonlinear mapping method of the leadingcadre evaluation information based on the deep learning algorithm is proposed.The deep learning algorithm is used to process theinformation of Personnel,obtain the characteristics of leading cadre information and input them into the Softmax classifier;selectthe evaluation index according to the characteristic classification results;obtain the relationship between the evaluation character-istics and evaluation level to complete the evaluation of Personnel.The experimental results show that the highest evaluation timecost is 37s,the evaluation accuracy is above 95%,and the user satisfaction is close to 100%.Keywords:deep learning algorithm;Softmax classifier;nonlinear mapping method;feature classification收稿日期:2022-01-17DOI:10.20033/j.1003-7241.（2024）01-0166-04.1引言推进社会主义事业发展、建成小康社会、增强政府执行能力的关键是建立一支善于治党治国、政治坚定的干部队伍。在人事部门工作实践过程中，人事的考评工作是重点内容。在西方国家，公民监督意识的增强以及政府成本意识的强化，国家早就开展了人事的考评工作，在人事考核过程中评估结果属于重要依据，可以将其作为提高政府服务质量和工作效率的有效方法。胡信布1等人对人事考核的评价指标进行分析，并结合熵权法和客观赋权法计算评价指标对应的权重，在TOPSIS法的基础上建立人事考核模型，该方法获取的指标精确度较低，导致方法考评精确度低。顾玲琍2等人结合问卷调查法和专家访谈法选取人事考核指标，并对其权重进行计算，根据计算结果完成人事的考评，该方法存在考评耗时高和用户满意度低的问题。为了解决上述方法中存在的问题，提出基于深度学习算法的人事考评信息非线性映射方法。2基于深度学习算法的考评指标选取基于深度学习算法的人事考评信息非线性映射方法采用深度学习算法3获取人事考评指标，具体步骤如下：（1）卷积层将人事信息作为样本输入卷积神经网络中，用X=(x1,x2,xn)表示，xiRd描述的是第i个词语在干部信息X中的d维向量，文本词语在干部信息样本中的数量用n表示，此时人事信息样本为xRnd。嵌入卷积核窗口中的词语数量为l，向量表示为mRld，为了保证所有词向量都完成卷积操作，卷积核窗口在卷积层中需要垂直滑动。所有位置i在人事信息样本X中都存在k个窗口向量wi，其表达式如下：166自动化技术与应用2024 年第 43 卷第 1 期行业应用与交流Industrial Applications and CommunicationsTechniques ofAutomation&Applications（1）设置特征图谱sRn-k+d，s=s1,s2,sn-k+1，可通过卷积窗口的垂直滑动获取，窗口的每次滑动可通过下式进行描述：（2）式中，f代表的是激活函数；b代表的是偏移矢量；*描述的是相乘处理，m为特征图谱数量。通过卷积窗口嵌入操作，在卷积层中获得m个特征图谱，获得输入池化层的特征W=W1,W2,Wm。（2）池化层池化层可以分为两种，分别是最大池化层和平均池化层，其中平均池化层具有降低计算量、减小参数和数据量的优点。（3）门控循环神经网络层LSTM中存在GRU，将链接引入隐藏层的简单节点中，通过循环单元对卷积神经网络中的隐藏神经元输出进行控制。GRU由重置门和更新门构成，针对时间t，采用下式对更新门zt进行计算：（3）式中，代表的是标准化因子；U(z)代表的是时间步；W(z)描述的是更新特征；ht-1描述的是t-1时间步中存在的信息；xt代表t时刻的人事信息样本。需要遗忘的信息量可通过重置门确定：（4）式中，W(r)描述的是重置特征，U(r)代表的是重置步长。利用重置门存储新的记忆内容：（5）通过下式描述前一时间步ht-1和当前记忆内容 采集信息的过程：（6）（4）全连接层通过全连层获得人事信息的特征，并将其输入分类器中，获得人事考评的指标。在全连接层中连接节点，提取人事信息的特征。基于深度学习算法的人事考评信息非线性映射方法通过Softmax分类器对获取的特征进行分类：（7）式中，K代表的是类别数量；x代表的是分类器输入。根据分类结果获取人事考评指标，如图1所示。3人事考评信息非线性映射方法基于深度学习算法的人事考评信息非线性映射方法对人事考评指标进行非线性映射4，获得人事考评指标与考评等级之间的关系，实现人事的考评。图1人事考评指标用D表示数据集，其表达式如下：（8）式中，xi描述的是训练数据，yi为xi对应的类标识。通过非线性函数(x):RnRN在N维空间向量中对输入向量进行映射处理，非线性函数的表达式如下5：（9）根据映射结果，获得网络输出y(x)：（10）式中，b代表的是标量常量；描述的是权值输出向量。在上式中输入考评信息样本，获得下式：（11）用矩阵形式对上式计算结果进行描述：（12）其中，参数(X)、Y、B可通过下述公式计算得到：（13）式中，E代表的是训练误差。当映射向量的长度合适时，存在rank(X)lN，N为映射向量长度，此时符合公式（12）和公式（13）相容的条件，但在此时容易出现过度映射的问题，降低了测试的准确率6。N在理论上是可以无限长的，但从应用角度出发，N越小其经济性越高。此时存在下式：167行业应用与交流Industrial Applications and Communications自动化技术与应用2024 年第 43 卷第 1 期Techniques ofAutomation&Applications（14）式中，J描述的是性能指标，最小性能误差解为，范数|2是唯一的。为了解决映射过度的问题，针对人事样本，在分类过程中属于y=1类的输出，此时网络的期望输出y(x)=T(x)+b与1较为接近，同理，在分类过程中属于y=-1类的输出，此时网络的期望输出与-1较为接近。通过上述分析可知需要满足y(x)(T(x)+b)1-，其中为大于等于零的常数。在人事考评信息非线性映射过程中，需要求解下述问题：（15）式中，C代表的是惩罚系数。对于公式（15）中的约束条件为Dy(X)E1-，i0,il,其中参数Dy=diag(y1,yl)。在拉格朗日乘子原理7的基础上，构建如下方程：（16）式中，参数=1,lT，a为拉格朗日乘子，a=a1,alT。此时存在下式：（17）结合上述公式，可将拉格朗日方程精简为下式：（18）式中，参数H=Dy(T)-1TDy为半正定的，构建对偶方程：（19）通过求解上述对偶方程，完成人事考评信息的非线性映射，获得人事表现与考评等级之间的关系，完成人事考评8。4实验与结果为了验证基于深度学习算法的人事考评信息非线性映射方法的整体有效性，需要对基于深度学习算法的人事考评信息非线性映射方法进行测试。采用基于深度学习算法的人事考评信息非线性映射方法对人事进行考评，并将考评结果与实际结果进行对比，对比结果如图2所示。根据图2可知，采用基于深度学习算法的人事考评信息非线性映射方法对5位人事进行考评时，获得的考评结果与实际值相符，表明所提方法可有效的完成人事的考评。采用基于深度学习算法的人事考评信息非线性映射方法、文献3方法和文献4方法对人事进行考评，对比不同方法的考评耗时，测试结果如图3所示。图2人事考评结果图3不同方法的考评耗时对图3中的数据进行分析可知，采用所提方法、文献3方法和文献4方法对人事进行考评时，不同方法的考评耗时随着领导数量的增加不断增加，对三种方法的测试结果进行进一步分析发现，在相同领导数量下，所提方法所用的考评耗时最高为37 s，明显低于文献3方法和文献4方法的考评耗时，考评耗时越高，表明方法的考评效率越低；相反，考评耗时越低，表明方法的考评效率越高。通过上述测试，表明所提方法对人事进行考评时，考评耗时较低，验证了所提方法具有较高的考评效率，因为所提方法对人事考评信息进行非线性映射之前，采用深度学习算法对人事考评信息进行处理，获得人事考评信息的特征，并采用Softmax分类器对人事考评信息特征进行分类，获取人事考评指标，缩短了所提方法对人事进行考评所用的时间，提高了所提方法的考评效率。采用所提方法、文献3方法和文献4方法对10名人事进行考评，对比不同方法的考评精确度，测试结果如表1所示。对表1中的数据进行分析可知，采用所提方法对10名人事进行考评时，获得的考评精确度均在95%以上；采用文献3方法对10名人事进行考评时，获得的考评精确度在80%附近波动；采用文献4方法对10名人事进行考评时，获得的考评精确度在78%上下浮动。对所提方法、文献3方法和文献4方法的测试结果进行对比发现，所提168自动化技术与应用2024 年第 43 卷第 1 期行业应用与交流Industrial Applications and CommunicationsTechniques ofAutomation&Applications方法的考评精确度最高，验证了所提方法的考评有效性。表1不同方法的考评精确度领导领导1领导2领导3领导4领导5领导6领导7领导8领导9领导10考评精确度/%所提方法98.796.899.198.598.697.898.097.798.499.2文献3方法80.281.280.682.283.180.680.781.582.181.1文献4方法78.878.479.578.979.177.677.578.278.579.0采用所提方法、文献3方法和文献4方法进行考评测试，对比不同方法的用户满意度，用户满意度越高，表明方法的考评性能越好，相反用户满意度越低，表明方法的考评性能越差，所提方法、文献3方法和文献4方法的用户满意度测试结果如图4所示。图4不同方法的用户满意度根据图4中的数据可知，在多次迭代中所提方法进行考评测试时获得的用户满意度均在90%以上，在第2次迭代过程中获得的用户满意度接近100%；采用文献3方法进行考评测试时，在第2次迭代过程中获得的用户满意度低至40%；采用文献4方法进行考评测试时，在第3次迭代过程中获得的用户满意度低至50%。对比所提方法、文献3方法和文献4方法的测试结果进行对比分析发现，所提方法的用户满意度在多次考评测试中均高于文献3方法和文献4方法获得的用户满意度，用户满意度越高，表明用户对方法考评的结果越满意，验证了所提方法的有效性。5结束语在干部管理工作中人事考评属于重要内容，也是改革人事体制的基础。目前人事考评主要采用的是传统方法，受软硬件资源和历史原因限制的局限性较高，导致方法存在考评耗时低、考评精确度低和用户满意度低的问题。提出基于深度学习算法的人事考评信息非线性映射方法，采用深度学习算法获取人事考评指标，通过非线性映射方法获取干部表现与考评等级之间的关系，完成人事的考评，解决了目前方法中存在的问题，为建立人事队伍奠定了基础。参考文献:1 胡信布,袁治平.基于熵权TOPSIS的领导者情绪胜任水平评价模型及实证研究J.数学的实践与认识,2019,49(22):33-45.2 顾玲琍,王建平,杨小玲.科技人才政策实施效果评估指标体系构建及其应用研究J.中国人力资源开发,2019,36(4):100-108.3 周越,田威,廖文和,等.基于卷积神经网络的制孔出口毛刺预测方法J.机械制造与自动化,2020,49(2):64-68.4 熊宁,朱文广,钟士元,等.基于非线性映射与核主成分分析的区域配电网综合评价方法J.现代电力,2020,37(5):463-469.5 史平.一类抽象二元非线性算子的不动点的存在性与唯一性J.数学物理学报：A辑,2020,40(4):9.6 黄帅,王昕,王振雷.一类非线性多变量系统的多模型自适应控制J.控制理论与应用,2020,37(4):8.7 胡沛然,陈少辉.权重归一化拉格朗日插值及其空间降尺度应用J.遥感信息,2019,34(6):63-71.8 张怀,武强.基于熵值法FAHP的煤层底板突水常权脆弱性指数法应用J.能源与环保,2020,42(4):1-5,9.作者简介:刘宁（1981-），女，硕士，高级工程师，研究方向：电力信息化、新技术。169