[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

说明书

本公开提供了一种基于机器学习的员工绩效预测方法及装置、电子设备、计算机可读存储介质，属于人工智能技术领域。该方法包括：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；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。本公开提供了一种可以预测员工绩效的方法，并且预测结果可以体现特征之间的关联，具有较高的准确性。

背景技术

员工绩效评价几乎是每个企业中不可缺少的一项业务。基于员工绩效评价，可以实现企业的人力培养、人才筛选、岗位分配、员工激励等多方面的人力资源战略目标，因此对于企业具有重要的意义。

现有的员工绩效评价方法多数是设立与绩效相关的多个评价指标，根据员工的业务表现对每个指标进行打分，再综合各个得分以做出员工的绩效评价。然而该方法存在以下几点不足：对于多个指标独立评价，无法将各个指标关联起来，从而忽视了指标相关联所产生的影响，不利于做出准确的绩效评价；并且，评价结果只是反映员工当前的业务水平，不具有预测性，无法识别出具有发展潜力的员工，特别是对于竞聘期、试用期员工的短期绩效评价，无法为企业实现有效的人才筛选。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种基于机器学习的员工绩效预测方法及装置、电子设备、计算机可读存储介质，进而至少在一定程度上克服现有的员工绩效评价方法无法反映绩效指标的关联性，以及无法预测员工绩效的问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的一个方面，提供一种基于机器学习的员工绩效预测方法，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；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。

在本公开的一种示例性实施例中，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]，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1，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0。

在本公开的一种示例性实施例中，所述决策树模型包括梯度提升决策树模型。

在本公开的一种示例性实施例中，所述梯度提升决策树模型包括多棵双层决策树。

在本公开的一种示例性实施例中，还包括：获取样本特征数据及对应的绩效标记值；通过所述样本特征数据及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绩效标记值训练并得到所述线性回归模型。

在本公开的一种示例性实施例中，还包括：将所述样本特征数据及绩效标记值划分为训练集与验证集；通过所述样本特征数据及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。

根据本公开的一个方面，提供一种基于机器学习的员工绩效预测装置，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；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。