一种基于人事系统的员工档案智能维护方法及系统与流程

本发明涉及数据处理，尤其涉及一种基于人事系统的员工档案智能维护方法及系统。

背景技术：

1、随着企业数字化转型的深入，人力资源管理系统已成为企业进行内部人才盘点与项目指派的核心基础设施。在矩阵式管理的高科技研发或高端制造企业中，员工常需跨业务线调配，精准的能力画像是高效人岗匹配的前提。员工的专业技能具有随时间波动的客观属性，不仅长期未使用的技能会依个体记忆规律逐渐生疏，且现代技术栈与设备规程迭代频繁，技能本身的价值也会随行业大盘更新而客观折旧，因此要求现代人事系统必须具备对员工隐性技能进行动态追踪与精准量化的能力。

2、现有人事系统普遍采用一次性人工录入或依靠证书有效期的静态存储模式，技能标签一旦获取便固化，该模式难以客观反映员工在时间流逝与技术更迭双重影响下的真实可用水平，导致档案呈现的精通状态与实际能力脱节，易造成业务项目调配时错派实际胜任力不达标的员工，进而引发项目延误风险。

技术实现思路

1、为了弥补以上不足，本发明提供了一种基于人事系统的员工档案智能维护方法及系统，旨在改善现有静态技能档案难以反映员工真实可用水平，进而导致人岗匹配失真与项目错派的问题。

2、第一方面，本发明提供了如下技术方案，一种基于人事系统的员工档案智能维护方法，包括：

3、s1、通过监听预设的业务系统获取目标员工的操作日志数据，利用自然语言处理技术从中解析出技能触发三元组，所述技能触发三元组包含员工标识、技能标签及触发时间戳；

4、s2、基于所述触发时间戳计算所述技能标签距当前的时间间隔，结合个体遗忘因子与技术迭代衰减因子，通过预设的双因子衰减模型计算所述目标员工针对所述技能标签的当前掌握分值；

5、s3、将所述当前掌握分值与预设的状态阈值比对，根据比对结果更新所述目标员工在所述人事系统中的所述技能标签的档案状态，所述档案状态包括熟练可用状态、技能预警状态及已遗忘状态；

6、s4、当所述档案状态更新为所述技能预警状态时，根据获取的所述技能标签的版本更迭差异信息生成对应的差分学习数据，并将所述差分学习数据推送至所述目标员工的学习终端；

7、s5、监测所述学习终端对所述差分学习数据的完成状态，当判定所述完成状态为已完成时，利用预设的渐近式补偿公式对所述当前掌握分值进行补偿计算，并将所述档案状态更新为所述熟练可用状态。

8、优选的，步骤s1中，所述利用自然语言处理技术从中解析出技能触发三元组的步骤，包括：

9、对所述操作日志数据执行文本清洗，将清洗后的日志文本转化为标准化的词向量序列；

10、利用预设的命名实体识别模型对所述词向量序列进行特征提取，识别出代表技术对象的技能专有名词；

11、提取所述操作日志数据对应的所述触发时间戳与所述员工标识，将其与所述技能专有名词进行结构化绑定，构建所述技能触发三元组。

12、优选的，步骤s2中，所述结合个体遗忘因子与技术迭代衰减因子的步骤，包括：

13、提取所述目标员工针对所述技能标签的历史触发频次特征，据此计算表征个人记忆保持强度的所述个体遗忘因子；

14、获取知识图谱中所述技能标签在预设时间窗口内的版本变更统计量，据此生成表征技术客观折旧率的所述技术迭代衰减因子；

15、对所述个体遗忘因子与所述技术迭代衰减因子执行归一化处理，消除两者的量纲差异以形成用于后续计算的标准化特征因子。

16、优选的，步骤s2中，所述计算所述目标员工针对所述技能标签的当前掌握分值的步骤，包括：

17、调取所述目标员工上一次触发所述技能标签时的基准掌握分值，作为计算周期的初始基数；

18、将所述时间间隔与所述个体遗忘因子代入预设的指数平滑方程，计算时间维度上的个体遗忘损耗值；

19、从所述初始基数中扣除所述个体遗忘损耗值，并将结果与所述技术迭代衰减因子相乘，得到计算后的所述当前掌握分值。

20、优选的，步骤s3中，所述将所述当前掌握分值与预设的状态阈值比对的步骤，包括：

21、调取系统内预设的高位安全阈值以及低位预警阈值，作为所述状态阈值；

22、将所述当前掌握分值分别与所述高位安全阈值及所述低位预警阈值进行判定比较，确定所述当前掌握分值所在的数值区间范围；

23、根据所述数值区间范围的判定结果，将所述技能标签的档案状态更新为所述熟练可用状态、所述技能预警状态或所述已遗忘状态。

24、优选的，步骤s4中，所述根据获取的所述技能标签的版本更迭差异信息生成对应的差分学习数据的步骤，包括：

25、比对所述技能标签的历史使用版本与当前主流版本，提取差异特征路径作为所述版本更迭差异信息；

26、根据所述差异特征路径在预设的培训素材库中进行特征检索，调取相匹配的多媒体片段；

27、将所述多媒体片段与预设的微型测试题库进行组装拼接，生成用于弥补版本代差的所述差分学习数据。

28、优选的，步骤s4中，所述将所述差分学习数据推送至所述目标员工的学习终端的步骤，包括：

29、探查所述目标员工当前的系统活跃状态，锁定其当前在线的设备节点作为所述学习终端；

30、将所述差分学习数据封装为前端交互组件，利用消息推送机制下发至已锁定的所述学习终端；

31、在所述前端交互组件中注入事件监听钩子，用于捕获所述目标员工的前端交互行为以备后续监测。

32、优选的，步骤s5中，所述利用预设的渐近式补偿公式对所述当前掌握分值进行补偿计算的步骤，包括：

33、获取所述目标员工在完成所述差分学习数据时的测试准确率，作为补偿计算的驱动系数；

34、计算预设的理论最高分值与所述当前掌握分值之间的差额空间，确定本轮补偿的可修复上限值；

35、将所述差额空间与所述测试准确率相乘计算出修复增量，并将所述修复增量叠加至所述当前掌握分值完成补偿计算。

36、第二方面，本发明提供以下技术方案，一种基于人事系统的员工档案智能维护系统，包括：

37、日志解析模块，用于通过监听预设的业务系统获取目标员工的操作日志数据，利用自然语言处理技术从中解析出技能触发三元组，所述技能触发三元组包含员工标识、技能标签及触发时间戳；

38、衰减计算模块，用于基于所述触发时间戳计算所述技能标签距当前的时间间隔，结合个体遗忘因子与技术迭代衰减因子，通过预设的双因子衰减模型计算所述目标员工针对所述技能标签的当前掌握分值；

39、状态判定模块，用于将所述当前掌握分值与预设的状态阈值比对，根据比对结果更新所述目标员工在所述人事系统中的所述技能标签的档案状态，所述档案状态包括熟练可用状态、技能预警状态及已遗忘状态；

40、数据推送模块，用于当所述档案状态更新为所述技能预警状态时，根据获取的所述技能标签的版本更迭差异信息生成对应的差分学习数据，并将所述差分学习数据推送至所述目标员工的学习终端；

41、补偿修复模块，用于监测所述学习终端对所述差分学习数据的完成状态，当判定所述完成状态为已完成时，利用预设的渐近式补偿公式对所述当前掌握分值进行补偿计算，并将所述档案状态更新为所述熟练可用状态。

42、本发明具有如下有益效果：

43、1、本发明中，通过构建结合个体遗忘与技术迭代双因子的动态衰减模型，改善了人事系统技能档案静态固化的问题，基于历史操作频次与版本更迭规律精准推演员工实时的真实能力分值，有效避免了跨项目调配时因技能生疏导致的错派风险，提升了人岗匹配的精准度。

44、2、本发明中，将档案状态机与培训系统进行深度自动化联动，在监测到技能分值跌入预警区间时自动提取版本代差生成差分学习数据并推送，并在员工完成测试后利用渐近式公式自动补偿修复其能力数值，实现了针对技能衰减项的定向知识补偿与档案状态的自动化闭环更新。

45、3、本发明中，采用独立于主干业务流的后台日志监听与自然语言处理相结合的数据采集机制，从日常业务日志中自动解析技能触发三元组作为算法计算基准，在避免人工额外录入的前提下，有效改善了传统人工评估模式带来的主观偏差与数据滞后问题，保障了智能维护系统底层数据源的客观性与时效性。