一种智能化岗位培训学习效果评估方法及系统与流程
本发明属于数据处理,具体是指一种智能化岗位培训学习效果评估方法及系统。
背景技术:
1、岗位培训学习效果评估方法是利用机器学习和大数据处理技术,通过采集参训人员在培训过程中的多维信息,动态评估其培训学习效果的技术方案,为培训管理者提供数据驱动的决策支持,提升培训转化率与岗位胜任力匹配度,推动企业人才培养的精准化与智能化转型。
2、但是现有的岗位培训学习效果评估方法中存在岗位培训数据中各类异构特征之间存在统计相关性,直接融合会掩盖各维度的独立贡献,难以区分不同能力维度对培训效果的实际影响,导致评估结果的解释性和针对性不足的问题;现有的岗位培训学习效果评估方法中存在类别分布不均、关键少数类样本稀缺,易偏向多数常规样本、忽视极端培训效果样本特征规律,导致岗位培训学习效果识别敏感度不足、极端等级评估准确率低的问题。
技术实现思路
1、针对上述情况,为克服现有技术的缺陷,本发明提供了一种智能化岗位培训学习效果评估方法及系统,针对现有的岗位培训学习效果评估方法中存在岗位培训数据中各类异构特征之间存在统计相关性,直接融合会掩盖各维度的独立贡献,难以区分不同能力维度对培训效果的实际影响,导致评估结果的解释性和针对性不足的问题,本方案依据语义属性将特征划分为四个子空间,对各子空间施加正交投影变换,并叠加pearson相关系数正则化惩罚,实现子空间间的统计独立解耦,并计算各子空间的判别力f值,得到判别力权重,自适应加权拼接生成融合表征向量,使最终评估结果兼顾各能力维度的差异化贡献与整体协同,整体提升岗位培训学习效果评估的准确性和可解释性;针对现有的岗位培训学习效果评估方法中存在类别分布不均、关键少数类样本稀缺,易偏向多数常规样本、忽视极端培训效果样本特征规律,导致岗位培训学习效果识别敏感度不足、极端等级评估准确率低的问题,本方案对存在显著不平衡的每个少数类别,分别构建wgan-gp生成对抗网络,以该类融合表征质心引导生成器进行条件生成,以质心为条件约束,自适应确定生成数量,合并生成样本与原始训练集,构建平衡训练集,显著提升岗位培训学习效果评估中对极端等级样本的检出能力和整体评估的可靠性。
2、本发明采取的技术方案如下:本发明提供的一种智能化岗位培训学习效果评估方法,该方法包括以下步骤:
3、步骤s1:培训数据采集;
4、步骤s2:培训数据类别失衡评估;
5、步骤s3:培训特征解耦加权;
6、步骤s4:培训数据类别平衡生成;
7、步骤s5:培训效果随机森林建模;
8、步骤s6:岗位培训学习效果评估。
9、进一步地,在步骤s1中,所述培训数据采集是采集历史员工岗位培训数据,包括基础属性数据、学习行为数据、知识掌握数据和实践能力数据;对采集的数据进行预处理;同时,为每个样本数据人工标注培训效果等级,形成培训学习效果评估集,采用分层采样策略,将培训学习效果评估集划分为训练集和测试集。
10、进一步地,在步骤s2中,所述培训数据类别失衡评估是基于训练集统计各类别所对应的样本数量,从中识别样本量最大的类别作为多数类,其余类别则定义为少数类,针对每个少数类,计算其样本数量与多数类样本数量的比率,当比率小于0.5时判定该类别存在显著不平衡。
11、进一步地,在步骤s3中,所述培训特征解耦加权具体包括以下步骤:
12、步骤s31:正交解耦表征映射;依据特征来源的语义属性,将训练集中每个样本的特征向量划分为四个子空间,对每一子空间的特征子向量施加正交投影变换,通过最小化投影后各子空间表征矩阵之间的frobenius内积平方,使得不同子空间的投影表征在训练集全局层面上相互正交,同时,叠加各子空间投影表征之间pearson相关系数绝对值之和作为正则化惩罚项,约束其趋近于零;
13、步骤s32:判别加权融合表征;基于各子空间在训练集上关于培训效果等级的判别力f值,计算各子空间的判别力权重,并依据判别力权重将四个子空间的解耦表征进行自适应加权拼接,得到融合表征向量。
14、进一步地,在步骤s4中,所述培训数据类别平衡生成具体包括以下步骤:
15、步骤s41:质心引导对抗生成;针对步骤s2中判定为存在显著不平衡的每个少数类别,分别构建一个独立的wgan-gp生成对抗网络;生成器的输入为随机噪声向量与该类融合表征质心的拼接,引导生成样本以该类真实分布为中心进行生成;判别器接收样本,输出一个标量得分;生成器与判别器采用wgan-gp框架进行对抗训练,通过梯度惩罚约束判别器的lipschitz连续性;
16、步骤s42:自适应数量平衡生成;待各少数类对应的生成器训练收敛后予以固定,为每个存在显著不平衡的少数类别分别生成合成样本,各少数类的生成数量根据其原始样本量与多数类样本量的差距自适应确定,最终将所有合成样本与原始训练集合并,构建平衡训练集。
17、进一步地,在步骤s5中,所述培训效果随机森林建模是在平衡训练集上,以融合表征向量作为输入,以培训效果等级标签作为监督信号,训练随机森林分类器,最终随机森林分类器对所有决策树的预测结果进行多数投票集成,输出每个员工的培训效果等级类别标签。
18、进一步地,在步骤s6中,所述岗位培训学习效果评估是采集实时员工岗位培训数据,包括基础属性数据、学习行为数据、知识掌握数据和实践能力数据;对采集的数据执行与步骤s1相同的预处理操作,并按照步骤s3所述方法进行培训特征解耦加权,生成对应的融合表征向量,将该融合表征向量输入至步骤s5训练所得的随机森林分类器,输出该员工对应的培训效果等级类别标签,从而完成岗位培训学习效果的评估。
19、本发明提供的一种智能化岗位培训学习效果评估系统,包括培训数据采集模块、培训数据类别失衡评估模块、培训特征解耦加权模块、培训数据类别平衡生成模块、培训效果随机森林建模模块和岗位培训学习效果评估模块;
20、所述培训数据采集模块采集历史员工岗位培训数据,进行预处理和人工标注培训效果等级,并将数据发送至培训数据类别失衡评估模块;
21、所述培训数据类别失衡评估模块统计各类别所对应的样本数量,识别多数类和少数类,根据比率判定类别存在显著不平衡,并将数据发送至培训特征解耦加权模块;
22、所述培训特征解耦加权模块依据语义属性将特征划分为四个子空间,对各子空间施加正交投影变换,并叠加pearson相关系数正则化惩罚,实现子空间间的统计独立解耦,并计算各子空间的判别力f值,得到判别力权重,自适应加权拼接生成融合表征向量,并将数据发送至培训数据类别平衡生成模块;
23、所述培训数据类别平衡生成模块对存在显著不平衡的每个少数类别,分别构建wgan-gp生成对抗网络,以该类融合表征质心引导生成器进行条件生成,自适应确定生成数量,合并生成样本与原始训练集,构建平衡训练集,并将数据发送至培训效果随机森林建模模块;
24、所述培训效果随机森林建模模块在平衡训练集上,训练随机森林分类器,对所有决策树的预测结果进行多数投票集成,输出培训效果等级类别标签,并将数据发送至岗位培训学习效果评估模块;
25、所述岗位培训学习效果评估模块采集实时员工岗位培训数据,进行预处理,生成对应的融合表征向量,通过随机森林分类器输出培训效果等级类别标签。
26、采用上述方案本发明取得的有益效果如下:
27、(1)针对现有的岗位培训学习效果评估方法中存在岗位培训数据中各类异构特征之间存在统计相关性,直接融合会掩盖各维度的独立贡献,难以区分不同能力维度对培训效果的实际影响,导致评估结果的解释性和针对性不足的问题,本方案依据语义属性将特征划分为四个子空间,对各子空间施加正交投影变换,剥离各维度间的冗余相关性,使评估结果反映员工在每一能力维度上的独立真实表现;并叠加pearson相关系数正则化惩罚,实现子空间间的统计独立解耦,进一步消除各维度间的残余相关性,确保各能力维度的评估信息互不掺杂;并计算各子空间的判别力f值,得到判别力权重,自适应加权拼接生成融合表征向量,在保留各维度独立判别信息的基础上实现有机整合,使最终评估结果兼顾各能力维度的差异化贡献与整体协同,整体提升岗位培训学习效果评估的准确性和可解释性。
28、(2)针对现有的岗位培训学习效果评估方法中存在类别分布不均、关键少数类样本稀缺,易偏向多数常规样本、忽视极端培训效果样本特征规律,导致岗位培训学习效果识别敏感度不足、极端等级评估准确率低的问题,本方案对存在显著不平衡的每个少数类别,分别构建wgan-gp生成对抗网络,为每个极端等级定制专属生成模型,精准捕捉该类员工的深层特征模式;以该类融合表征质心引导生成器进行条件生成,以质心为条件约束,使合成样本紧密围绕该等级员工的实际特征分布生成;自适应确定生成数量,合并生成样本与原始训练集,构建平衡训练集,显著提升岗位培训学习效果评估中对极端等级样本的检出能力和整体评估的可靠性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com