一种评分数据集确定的方法及计算机装置，及设备与流程

1.本发明实施例涉及计算机技术领域，尤其涉及一种评分数据集确定的方法及计算机装置，及设备。


背景技术：

2.随着企业的发展，企业的人员数量逐渐增多，如何明确每个人员的能力，就成了必须要解决的问题。
3.现有技术下，对能力确定大多是由老员工或是由领导的主观意向决定，评分数据集确定的过程会受到人为因素影响，导致在不同岗级之间分数没有差异性，无法体现出不同专业能力之间差异，导致能力之间无法拉开差异。
4.因此，需要一种评分数据集确定的方法，以解决上述问题。


技术实现要素：

5.本技术提供了一种评分数据集确定的方法及计算机装置，及设备，以解决现有技术中评分数据集确定的过程会受到人为因素影响的技术问题。
6.第一方面，本技术提供了一种评分数据集确定的方法，该方法包括：
7.获取初始评分数据集；
8.基于初始评分数据集，确定目标校正权重；
9.根据目标校正权重和初始评分数据集，确定目标评分数据集。
10.在一个可能的实施方式中，基于初始评分数据集，确定目标校正权重，包括：
11.基于初始评分数据集，构建初始化的校正权重，并对校正权重进行迭代处理，确定目标校正权重。
12.在一个可能的实施方式中，基于初始评分数据集，构建初始化的校正权重之前，还包括：
13.判定初始评分数据集中是否存在无效数据；
14.当存在无效数据时，对初始评分数据集进行数据预处理，获得预处理之后的初始评分数据集。
15.在一个可能的实施方式中，根据目标校正权重和初始评分数据集，确定目标评分数据集，包括：
16.对初始评分数据集进行归一化处理，获得归一化处理之后的初始评分数据集；
17.基于归一化处理之后的初始评分数据集和目标校正权重，确定目标评分数据集。
18.在一个可能的实施方式中，基于初始评分数据集，对校正权重进行迭代处理，确定目标校正权重，包括：
19.基于初始评分数据集，获取各个元素对；
20.基于元素对和校正权重，确定损失函数值；
21.将损失函数值和校正权重送入优化器中进行迭代，确定目标校正权重。
22.在一个可能的实施方式中，基于元素对和校正权重，确定损失函数值，包括：
23.统计元素对的对数；
24.获取预设的惩罚系数；
25.基于元素对的对数，元素对、惩罚系数和校正权重，确定损失函数值。
26.第二方面，本发明实施例提供一种评分数据集确定的装置，该装置包括：
27.获取模块，用于获取初始评分数据集；
28.处理模块，用于基于初始评分数据集，确定目标校正权重；
29.生成模块，用于根据目标校正权重和初始评分数据集，确定目标评分数据集。
30.在一个可能的实施方式中，处理模块，用于基于初始评分数据集，确定目标校正权重，还包括：
31.构建模块，用于基于初始评分数据集，构建初始化校正权重；
32.处理模块，用于基于初始评分数据集，对校正权重进行迭代处理，确定目标校正权重。
33.第三方面，本技术提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器执行如第一方面中任一的方法的步骤。
34.第四方面，本技术提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如第一方面中任一项的方法的步骤。
35.本发明实施例提供的一种评分数据集确定的方法，获取初始评分数据集，基于初始评分数据集，确定目标校正权重，根据目标校正权重和初始评分数据集，确定目标评分数据集。
36.通过该方式，克服了现有技术中评分数据集确定的过程会受到人为因素影响的技术问题。本方案在获取到传统的评分数据集后，引入多种计算方式，计算对应的目标校正权重，通过科学合理的计算公式，避免了人为因素的影响，极大的提高了工作效率。
附图说明
37.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
38.图1为本发明实施例提供的一种评分数据集确定的方法流程示意图；
39.图2为本发明实施例提供的一种评分数据集确定的装置结构示意图；
40.图3为本发明实施例提供一种计算机设备结构示意图。
具体实施方式
41.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
42.在本发明的描述中，需要说明的是，在本技术说明书和所附权利要求书中使用的术语“及/和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
43.此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
44.为便于对本发明实施例的理解，下面将结合附图以具体实施例做进一步的解释说明，实施例并不构成对本发明实施例的限定。
45.针对背景技术中所提及的技术问题，本技术实施例提供了一种评分数据集确定的方法，具体参见图1所示。图1为本发明实施例提供的一种评分数据集确定的方法流程示意图。
46.步骤110：获取初始评分数据集。
47.具体的，获取初始的评分数据集的方式包括但不限于以下方式：响应于客户端的操作获得；也可以是直接通过数据库获取等等。
48.在一个具体的例子中，假设以一个岗位a为例，假设存在有10项能力可以来对岗位a进行评价，并将这10项能力分别记为：x1，x2，x3，x4，x5，x6，x7，x8，x9，x10，同时，可以根据预设的评级标准，对岗位a进行分级，假设岗位a可以分为5级，则分级之后对应的级别分别为：xδ
p1
，xδ
p2
，xδ
p3
，xδ
p4
，xδ
p5
，其中，δ代表第δ个能力，在本示例中，δ的取值为1—10中任意一个自然数，pβ代表等级，β代表第β个等级，在本示例中，β的取值为1—5中任意一个自然数，在分级之后，根据预设的评分标准，对每一项能力中的每一级都进行评分，将这些分数进行汇总，即可确定初始评分数据集，初始评分数据集通常以矩阵的形式进行保存，具体如下：
[0049][0050]
需要注意的是，本示例中给出了初始评分数据集的一种生成过程，在实际应用中，是可以直接获取最终生成的初始评分数据集的，此处列举初始评分数据集的生成过程仅为举例，具体以实际应用为准。
[0051]
步骤120：基于初始评分数据集，确定目标校正权重。
[0052]
具体的，首先判定初始评分数据集中是否存在无效数据，当存在无效数据时，对初始评分数据集进行数据预处理，获得预处理之后的初始评分数据集。
[0053]
在一个具体的例子中，仍以上述岗位a以岗位a对应的初始评分数据集为例，并假设，在每一项能力对应的级别中，xδ
p1
为最低的级别，xδ
p5
最高的级别，且规定，最低分数大于0分，但是，当该项能力为本级别不需要是，分值赋值为0分。例如岗位a为软件工程师，其中能力x3为编程工作能力，xδ
p1
对应的为初级软件工程师，xδ
p2
对应的为中级软件工程师，xδ
p3
对应的为高级软件工程师，xδ
p4
对应的为软件工程师副组长(不需要具体实施编程工作)，xδ
p5
对应的为软件工程师组长(不需要具体实施编程工作)，则根据预先设定评分标准，对应能力x3的分数分别为：x3
p1
＝10，x3
p2
＝20，x3
p3
＝30，x3
p4
＝0，x3
p5
＝0。虽然p4和p5级别的员工，在评价过程中已经不需要考核编程工作能力，但是更高级别员工的应该至少具备比他低一级别员工的所有能力，因此，具体应用中，可以根据如下公式，对初始评分数据集
中的数据进行数据预处理：
[0054][0055]
上述岗位a能力x3(δ＝3)的分数利用如上公式进行数据预处理，x3
p1
(β＝1)＝10大于0保留原数据，x3
p2
(β＝2)＝20，大于0保留原数据，x3
p3
(β＝3)＝30大于0保留原数据，x3
p4
(β＝4)＝0等于0且β大于1，则令x3
p4
＝x3
p3
＝30，x3
p5
(β＝5)＝0等于0且β大于1，则令x3
p5
＝x3
p4
＝30。
[0056]
需要注意的是，上述示例中，数据预处理过程为对等于0的数据进行预处理，此处仅为举例，实际应用过程中，数据预处理包含各种方法，以实际应用为准，此处不做限定。
[0057]
进一步的，基于初始评分数据集，构建初始化的校正权重，在这个过程中对校正权重进行归一化处理。构建初始化的校正权重中的元素个数与初始评分数据集中的能力项数对应相等。
[0058]
在一个具体的例子中，仍以上述岗位a和对应的初始评分数据集为例，上述岗位a对应的初始评分数据集中共有10项能力，因此建立一个具有10个元素的向量，将这个向量作为校正权重，记作向量w0，并对w0做归一化处理。
[0059]
需要注意的是，实际应用中，对w0做归一化处理的方法很多，包括但不限于，对w0做sigmoid处理(s型处理)，确定w0的归一化结果，此处并不加以限定，以实际应用为准。
[0060]
进一步的，基于初始评分数据集，获取各个元素对，统计元素对的对数，获取预设的惩罚系数，基于元素对的对数，元素对、惩罚系数和校正权重，确定损失函数值。其中，元素对中的两个元素在初始评分数据集中处在相邻的两行。
[0061]
在一个具体的例子中，仍以上述岗位a和对应的初始评分数据集为例，在上述初始评分数据集中，存在有50个元素，则可以选择300对元素对，并将这300个元素对分别带入如下公式计算：
[0062]
d＝xδ
p(n 1)
×wδ-xε
pn
×wε
[0063]
其中，ε代表第ε个能力，在本示例中，ε的取值为1—10中任意一个自然数，w
δ
和w
ε
代表校正权重中的第δ个或第ε个元素。在获取所有的d值之后，根据如下公式，计算岗位a在校正权重为w0时对应的损失函数值：
[0064][0065]
其中，n为元素对的对数，在本实例中n为300，min(w)为校正权重中最小的元素对应的值，在本实例中，w为w0，c为惩罚系数，为预先设置的常数。在本实例中，将校正权重为w0时对应的损失函数值记为loss0。
[0066]
进一步的，将损失函数值和校正权重送入优化器中进行迭代，确定目标校正权重。其中，优化器输出对应的w
α
，其中α为对应的迭代的次数，并判断是否达到了预先设定的迭代阈值，如未达到预先设定的迭代阈值，则继续等待输入，输入的内容为上一次输出的w
α
以及对应w
α
的损失函数值loss
α
，如已经达到迭代阈值，则不接受任何新的输入。将历次计算获得的loss
α
按照大小顺序进行排序，将取值最小的loss
α
对应的w
α
作为目标校正权重，将目标
校正权重记作w
β
。
[0067]
在一个具体的例子中，仍以上述岗位a和对应的初始评分数据集为例，并仍沿袭上述示例中的校正权重为w0与对应的loss0，假设迭代进行了3次，则整个迭代过程为，将w0与对应的loss0输入至优化器进行计算，优化器输出对应的w1，将w1利用损失函数值计算公式进行计算，获得对应的loss1，再将w1和loss1送入至优化器中进行计算，优化器输出对应的w2，将w2利用损失函数值计算公式进行计算，获得对应的loss2，再将w2和loss2送入至优化器中进行计算，优化器输出对应的w3，将w3利用损失函数值计算公式进行计算，获得对应的loss3，假设在loss0，loss1，loss2，loss3中，loss2最小，则将loss2对应的w2作为目标校正权重。
[0068]
需要说明的是，本例中提到的迭代的过程中使用的优化器，可以是任意优化器，包括但不限于，自适应矩估计优化器(adam optimizer)等等，此处不做限定，以实际应用为准。
[0069]
步骤130：根据目标校正权重和初始评分数据集，确定目标评分数据集。
[0070]
具体的，为了避免最终的目标评分数据集中，不同等级之间的分数差距过大，可以先对初始评分数据集进行归一化处理，获得归一化处理之后的初始评分数据集，基于归一化处理之后的初始评分数据集和目标校正权重，确定目标评分数据集。
[0071]
进一步的，目标评分数据集可以按照如下公式进行计算：
[0072]
目标评分数据集＝归一化处理之后的初始评分数据集
×
目标校正权重
[0073]
在一个具体的例子中，仍以上述岗位a和对应的相关数据为例，将归一化之后的岗位a对应的初始评分数据集记作a
‘
，则可以根据如下公式计算目标评分数据集：
[0074]
目标评分数据集＝a
‘×wβ
[0075]
本发明实施例提供的一种评分数据集确定的方法，获取初始评分数据集，基于初始评分数据集，确定目标校正权重，根据目标校正权重和初始评分数据集，确定目标评分数据集。
[0076]
通过该方式，克服了现有技术中评分数据集确定的过程会受到人为因素影响的技术问题。本方案在获取到传统的评分数据集后，引入多种计算方式，计算对应的目标校正权重，通过科学合理的计算公式，避免了人为因素的影响，极大的提高了工作效率。
[0077]
图2为本发明实施例提供的一种评分数据集确定的装置，具体参见图2所示，该装置包括：获取模块201、处理模块202、生成模块203。
[0078]
获取模块201，用于获取初始评分数据集；
[0079]
处理模块202，用于基于初始评分数据集，确定目标校正权重；
[0080]
生成模块203，用于根据目标校正权重和初始评分数据集，确定目标评分数据集。
[0081]
可选的，处理模块202，用于基于初始评分数据集，构建初始化的校正权重；
[0082]
基于初始评分数据集，对校正权重进行迭代处理，确定目标校正权重。
[0083]
可选的，处理模块202，用于判定初始评分数据集中是否存在无效数据；
[0084]
当存在无效数据时，对初始评分数据集进行数据预处理，获得预处理之后的初始评分数据集。
[0085]
可选的，生成模块203，用于对初始评分数据集进行归一化处理，获得归一化处理之后的初始评分数据集；
[0086]
基于归一化处理之后的初始评分数据集和目标校正权重，确定目标评分数据集。
[0087]
可选的，生成模块203，用于基于初始评分数据集，获取各个元素对；
[0088]
基于元素对和校正权重，确定损失函数值；
[0089]
将损失函数值和校正权重送入优化器中进行迭代，确定目标校正权重。
[0090]
可选的，生成模块203，用于统计元素对的对数；
[0091]
获取预设的惩罚系数；
[0092]
基于元素对的对数，元素对、惩罚系数和校正权重，确定损失函数值。
[0093]
上述各个模块的更进一步的功能描述与上述对应实施例相同，在此不再赘述。
[0094]
本发明实施例还提供一种电子设备，具有上述图2所示的评分数据集确定的装置。
[0095]
请参阅图3，图3是本发明可选实施例提供的一种电子设备的结构示意图，如图3所示，该电子设备可以包括：至少一个处理器31，例如cpu(central processing unit，中央处理器)，至少一个通信接口33，存储器34，至少一个通信总线32。其中，通信总线32用于实现这些组件之间的连接通信。其中，通信接口33可以包括显示屏(display)、键盘(keyboard)，可选通信接口33还可以包括标准的有线接口、无线接口。存储器34可以是高速ram存储器(random access memory，易挥发性随机存取存储器)，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器34可选的还可以是至少一个位于远离前述处理器31的存储装置。其中处理器31可以结合图3所描述的装置，存储器34中存储应用程序，且处理器31调用存储器34中存储的程序代码，以用于执行上述任一方法步骤。
[0096]
其中，通信总线32可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。通信总线32可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0097]
其中，存储器34可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：ram)；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(英文：hard disk drive，缩写：hdd)或固态硬盘(英文：solid-state drive，缩写：ssd)；存储器34还可以包括上述种类的存储器的组合。
[0098]
其中，处理器31可以是中央处理器(英文：central processing unit，缩写：cpu)，网络处理器(英文：network processor，缩写：np)或者cpu和np的组合。
[0099]
其中，处理器31还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文：application-specific integrated circuit，缩写：asic)，可编程逻辑器件(英文：programmable logic device，缩写：pld)或其组合。上述pld可以是复杂可编程逻辑器件(英文：complex programmable logic device，缩写：cpld)，现场可编程逻辑门阵列(英文：field-programmable gate array，缩写：fpga)，通用阵列逻辑(英文：generic array logic,缩写：gal)或其任意组合。
[0100]
可选地，存储器34还用于存储程序指令。处理器31可以调用程序指令，实现如本技术任一实施例中所示的评分数据集确定的方法。
[0101]
本发明实施例还提供了一种非暂态计算机存储介质，计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的评分数据集确定的方
法。其中，存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)、随机存储记忆体(random access memory，ram)、快闪存储器(flash memory)、硬盘(hard disk drive，缩写：hdd)或固态硬盘(solid-state drive，ssd)等；存储介质还可以包括上述种类的存储器的组合。
[0102]
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。