[发明专利]基于神经网络模型的员工分类方法及装置、设备、介质

权利要求书

1.一种基于神经网络模型的员工分类方法，其特征在于，包括：

在员工业务日志中提取多个历史员工的样本数据及各所述样本数据对应的分类标签；所述历史员工是指已经经过分类的员工；

将各所述历史员工的样本数据按照预设周期与预设属性转换为样本数值向量；所述预设属性是指所述样本数据的指标；

通过所述样本数值向量及所述样本数据对应的分类标签训练一神经网络模型，以获得员工分类模型；

将待分类员工的业务数据转换为目标数值向量，并通过所述员工分类模型分析所述目标数值向量，得到所述待分类员工的分类结果；

其中，所述神经网络模型包括：

输入层，用于输入m个n维的输入向量；

第一中间层，用于将所述m个n维的输入向量转换为2m个第一中间数值；

第二中间层，用于将所述2m个第一中间数值转换为2p个第二中间数值；

输出层，用于将所述2p个第二中间数值转换为p维的输出向量；

其中，m为所述预设属性的数量，n为所述预设周期的数量，p为候选分类的数量；

所述输入向量Input(i)＝(a_i1；a_i2；…；a_in)，i∈[1,m]；

所述第一中间数值

所述第二中间数值

所述输出向量Output＝(d₁；d₂；…；d_p)；

其中，

W_ij为连接Input(i)与b(j)的权重向量，W_ij＝(w_(ij)1；w_(ij)2；…；w_(ij)n)；v_jk为连接b(j)与c(k)的权重系数；s_kq为连接c(k)与d_q的权重系数；F为激活函数。

2.根据权利要求1所述的方法，其特征在于，通过所述样本数值向量及所述样本数据对应的分类标签训练一神经网络模型包括：

将所述样本数值向量输入所述神经网络模型，得到样本输出向量；

将所述样本数据对应的分类标签转换为p维的标记向量，所述标记向量中所述分类标签对应的维度数值为1，其他维度数值为0；

根据所述样本输出向量与所述标记向量的差别调整所述神经网络模型的参数。

3.根据权利要求1所述的方法，其特征在于，在训练所述神经网络模型之前，所述神经网络模型满足以下初始条件：

如果j≠2i或j≠2i-1，则w_(ij)1＝w_(ij)2＝…＝w_(ij)n＝0；

如果j与k的奇偶性不相同，则v_jk＝0；

如果k≠2q或k≠2q-1，则s_kq＝0。

4.根据权利要求1所述的方法，其特征在于，所述激活函数包括Sigmoid函数、tanh函数、Sgn函数或ReLu函数。

5.根据权利要求1所述的方法，其特征在于，将各所述历史员工的样本数据按照预设周期与预设属性转换为样本数值向量包括：

将所述样本数据以所述预设周期为行，以所述预设属性为列，统计为样本数据表；

将所述样本数据表的每一列数据进行归一化处理；

将归一化处理后的所述每一列数据转换为一个样本数值向量。