[发明专利]基于机器学习的员工绩效预测方法及装置、设备、介质

权利要求书

1.一种基于机器学习的员工绩效预测方法，其特征在于，包括：

获取待预测员工的业务日志，并统计所述待预测员工的初始特征数据；初始特征是指能够从不同方面反映员工绩效的指标，所述初始特征下的数据为初始特征数据；

通过决策树模型处理所述初始特征数据，得到组合特征数据；

通过线性回归模型处理所述组合特征数据，得到所述待预测员工的绩效预测值；

所述决策树模型包括n棵决策树，其中决策树i包括a(i)条决策路径，每条所述决策路径中的全部特征分类条件形成一个组合特征，所述决策树模型共包括m个所述组合特征，其中，i∈[1,n]，

所述通过决策树模型处理所述初始特征数据，得到组合特征数据包括：

将所述初始特征数据分别输入所述n棵决策树，以确定所述初始特征数据在各所述决策树中对应的特征决策路径；

将所述待预测员工在所述特征决策路径形成的组合特征下的组合特征数据确定为一种数值，并将所述待预测员工在其他组合特征下的组合特征数据确定为另一种数值，所述一种数值和所述另一种数值用于区分表示所述组合特征是否为所述待预测员工的初始特征数据对应的特征决策路径所形成的组合特征。

2.根据权利要求1所述的方法，其特征在于，所述一种数值为1，所述另一种数值为0。

3.根据权利要求1或2所述的方法，其特征在于，所述决策树模型包括梯度提升决策树模型。

4.根据权利要求3所述的方法，其特征在于，所述梯度提升决策树模型包括多棵双层决策树。

5.根据权利要求3所述的方法，其特征在于，还包括：

获取样本特征数据及所述样本特征数据对应的绩效标记值；

通过所述样本特征数据及所述绩效标记值训练并得到所述梯度提升决策树模型；

通过所述梯度提升决策树模型处理所述样本特征数据，得到样本组合特征数据；

通过所述样本组合特征数据及所述绩效标记值训练并得到所述线性回归模型。

6.根据权利要求5所述的方法，其特征在于，还包括：

将所述样本特征数据及所述绩效标记值划分为训练集与验证集；

所述通过所述样本特征数据及所述绩效标记值训练并得到所述梯度提升决策树模型包括：

通过所述训练集训练并得到多颗候选决策树，并通过所述验证集验证各所述候选决策树的准确率；

保留各所述候选决策树中所述准确率高于预设值的候选决策树，以获得所述梯度提升决策树模型。

7.一种基于机器学习的员工绩效预测装置，其特征在于，包括：

数据统计模块，用于获取待预测员工的业务日志，并统计所述待预测员工的初始特征数据；初始特征是指能够从不同方面反映员工绩效的指标，所述初始特征下的数据为初始特征数据；

特征组合模块，用于通过决策树模型处理所述初始特征数据，得到组合特征数据；

回归分析模块，用于通过线性回归模型处理所述组合特征数据，得到所述待预测员工的绩效预测值；

所述决策树模型包括n棵决策树，其中决策树i包括a(i)条决策路径，每条所述决策路径中的全部特征分类条件形成一个组合特征，所述决策树模型共包括m个所述组合特征，其中，i∈[1,n]，

所述特征组合模块包括：

路径确定单元，用于将所述初始特征数据分别输入所述n棵决策树，以确定所述初始特征数据在各所述决策树中对应的特征决策路径；

数据确定单元，用于将所述待预测员工在所述特征决策路径形成的组合特征下的组合特征数据确定为一种数值，并将所述待预测员工在其他组合特征下的组合特征数据确定为另一种数值，所述一种数值和所述另一种数值用于区分表示所述组合特征是否为所述待预测员工的初始特征数据对应的特征决策路径所形成的组合特征。

8.根据权利要求7所述的装置，其特征在于，所述一种数值为1，所述另一种数值为0。