[发明专利]一种基于神经网络的绩效考核方法及系统

权利要求书

1.一种基于神经网络的绩效考核方法，步骤包括：

S1生成对抗网络，构建员工考评数据的特征二维矩阵Gt，其包括：初始化生成器网络f_g和判别器网络f_d，将员工绩效考评数据x输入生成器网络f_g得到特征二维矩阵Gt，将特征二维矩阵Gt输入判别器网络f_d进行判别；固定生成器参数及判别器参数生成对抗网络；输入员工绩效考评原始数据至对抗网络获取特征二维矩阵Gt；

S2以特征二维矩阵Gt为输入训练神经网络，其包括：

获取当前神经网络输出的考评结果y，记真实的考核结果为r，由此计算神经网络的代价函数并根据代价函数的值修改神经网络参数中的权值和偏置量，反复进行迭代后，使神经网络的代价函数达到预期要求完成训练；

S3将员工实际特征二维矩阵作为训练后的神经网络的输入，获得绩效考核结果；

其中固定生成器参数的步骤包括：设置batch size数值为L1，获取L1个考评信息的特征二维矩阵，以对判别器网络f_d进行训练,判别器网络f_d以随机两个员工考评信息的特征二维矩阵Gt_i和Gt_j作为输入，获取二维矩阵Gt_i和Gt_j的相似度S_ij；取L对考评数据，随机抽取一对考评数据计算相似度XS_ij，用判别器f_d对同样一对考评数据的两个特征二维矩阵计算相似度S_ij，用XS_ij和S_ij训练判别器f_d并调整参数，计算损失函数

其中固定判别器参数的步骤包括：使用L1组员工绩效考核数据训练生成器网络f_g，挖掘出员工考评数据的深度信息，并将此信息反映于员工考评信息的特征二维矩阵Gt，并随机取两组数据的特征矩阵Gt_i和Gt_j，输入判别器网络计算损失函数Loss，以此调整生成器参数；反复计算调整判别器与生成器参数，即生成器网络与判别器网络反复对抗，直至损失函数达到指定值完成对抗网络训练，以获取特征二维矩阵Gt。

2.一种基于神经网络的绩效考核系统，其包括：

在系统中生成对抗网络，构建员工考评数据的特征二维矩阵Gt，其包括：初始化生成器网络f_g和判别器网络f_d，将员工绩效考评数据x输入生成器网络f_g得到特征二维矩阵Gt，将特征二维矩阵Gt输入判别器网络f_d进行判别；固定生成器参数及判别器参数生成对抗网络；输入员工绩效考评原始数据至对抗网络获取特征二维矩阵Gt；其中固定生成器参数的步骤包括：设置batch size数值为L1，获取L1个考评信息的特征二维矩阵，以对判别器网络f_d进行训练,判别器网络f_d以随机两个员工考评信息的特征二维矩阵Gt_i和Gt_j作为输入，获取二维矩阵Gt_i和Gt_j的相似度S_ij；取L对考评数据，随机抽取一对考评数据计算相似度XS_ij，用判别器f_d对同样一对考评数据的两个特征二维矩阵计算相似度S_ij，用XS_ij和S_ij训练判别器f_d并调整参数，计算损失函数其中固定判别器参数的步骤包括：使用L1组员工绩效考核数据训练生成器网络f_g，挖掘出员工考评数据的深度信息，并将此信息反映于员工考评信息的特征二维矩阵Gt，并随机取两组数据的特征矩阵Gt_i和Gt_j，输入判别器网络计算损失函数Loss，以此调整生成器参数；反复计算调整判别器与生成器参数，即生成器网络与判别器网络反复对抗，直至损失函数达到指定值完成对抗网络训练，以获取特征二维矩阵Gt；

系统以特征二维矩阵Gt为输入训练神经网络，其包括：

获取当前神经网络输出的考评结果y，记真实的考核结果为r，由此计算神经网络的代价函数并根据代价函数的值修改神经网络参数中的权值和偏置量，反复进行迭代后，使神经网络的代价函数达到预期要求完成训练；

系统将员工实际特征二维矩阵作为训练后的神经网络的输入，获得绩效考核结果。