[发明专利]基于人工智能的绩效评价方法和装置

权利要求书

1.一种基于人工智能的绩效评价方法，其特征在于，所述方法包括：

获取目标员工的待评价绩效文本；

根据用户的指令确定K个评价指标，所述K为大于或等于1的自然数；

根据所述用户的指令确定所述K个评价指标中每个所述评价指标的权重；

从多个深度神经网络模型中筛选出K个深度神经网络模型，所述K个深度神经网络模型中每个所述深度神经网络模型与所述K个评价指标中的一个评价指标具有映射关系；

将所述待评价绩效文本分别输入所述K个深度神经网络模型中每个所述深度神经网络模型，所述K个深度神经网络模型中每个所述深度神经网络模型输出一个评价指标的分数；

将所述K个深度神经网络模型中每个所述深度神经网络模型输出的评价指标的分数按照预设权重相加，得到所述目标员工的绩效分数；

输出所述目标员工的绩效分数。

2.根据权利要求1所述的方法，其特征在于，在所述从多个深度神经网络模型中筛选出K个深度神经网络模型之前，所述方法还包括：训练目标深度神经网络模型，所述目标深度神经网络模型为所述多个深度神经网络模型中的一个，

训练所述目标深度神经网络模型，包括：

根据所述用户的指令确定目标评价指标；

获取多个训练文本，所述多个训练文本中每个所述训练文本的所述目标评价指标的分数已经预先标注；

将所述多个训练文本输入所述目标深度神经网络模型；

根据所述目标深度神经网络模型的输出和预先标注的分数训练所述目标深度神经网络模型，得到与所述目标评价指标具有映射关系的训练后的目标深度神经网络模型。

3.根据权利要求2所述的方法，其特征在于，所述目标深度神经网络模型包括网络层和输出层，所述根据所述目标深度神经网络模型的输出和预先标注的分数训练所述目标深度神经网络模型，包括：

根据所述输出层输出的所述目标评价指标的分数和预先标注的分数调整所述目标深度神经网络模型的网络层的参数。

4.根据权利要求3所述的方法，其特征在于，所述网络层包括第一网络层、第二网络层和第三网络层，所述第二网络层位于所述第一网络层与所述第三网络层中间，所述根据所述输出层输出的所述目标评价指标的分数和预先标注的分数调整所述目标深度神经网络模型的网络层的参数，包括：

在所述目标深度神经网络模型的前向传播过程中，确定所述目标深度神经网络模型的所述第一网络层输出的第一输出结果以及所述输出层输出的第二输出结果，所述第一输出结果和所述第二输出结果均包含对所述目标评价指数进行评价的分数；

确定第一差值，所述第一差值为所述第一输出结果包含的分数与所述训练文本预先标注的分数之间的差值；

确定第二差值，所述第二差值为所述第二输出结果包含的分数与所述训练文本预先标注的分数之间的差值；

在所述目标深度神经网络模型的反向传播过程中，根据所述第一差值调整所述第二网络层的参数，根据所述第一差值和所述第二差值调整所述第三网络层的参数。

5.根据权利要求1至4中任一项所述的方法，其特征在于，在所述输出所述目标员工的绩效分数之后，所述方法还包括：

判断所述目标员工的绩效分数是否低于预设分数阈值；

如果所述目标员工的绩效分数低于所述预设分数阈值，则输出提示信息，所述提示信息包含所述目标员工的绩效分数。