CN108596420A - 一种基于行为的人才测评***及方法 - Google Patents

Abstract

本发明公开一种基于行为的人才测评***及方法，其包括为不同人才测评体系建立对应的人才测评数据模型；通过采集***获取目标人才行为数据；对所述行为数据进行数据清洗与转换，得到特征数据集；将所述特征数据集载入到人才测评数据模型中，调用人才行为测评指标体系库，对人才行为数据的指标值进行测评计算并生成最终人才测评报告。本发明通过***自动采集和人工采集的方式提取目标人才的行为特征数据，结合大数据分析和云计算技术，将人才测评数据模型与被测评者的行为数据进行计算匹配，为被测者提供详尽、个性化的人才测评结果。

Description

一种基于行为的人才测评***及方法

技术领域

本发明涉及大数据中的数据采集、数据挖掘技术及机器学习的方法，特别涉及一种基于行为的人才测评***及方法。

背景技术

在人才竞争日益激烈的市场经济环境中，帮助教育机构和用人单位达到科学有效地选才、用才、育才、留才而提供有价值的参考信息具有重要意义。

传统的评测方式都是通过人工收集被评测对象的有限的指标数据进行考核评测，无法达到涵盖人才各个方面素质，也无法得到有针对性的准确数据。而得到涵盖人才各个方面素质且有针对性的准确数据是十分必要的，例如心理健康指标测评，当前学校教师及辅导员如果无法准确掌握某段时间学生的心理健康程度，就无法提前进行心理干预来疏导学生，就会导致学生因心理问题而做出错误的选择，例如教学管理过程，教师目前无法针对教学知识点涵盖范围及程度进行量化评测，导致无法针对各个知识点的教学时间及教学深度进行合理权重分配。

因此建立一种基于行为的人才测评***及方法，通过收集被测评对象的行为数据，利用大数据挖掘分析，人工智能技术结合人才测评数据模型比对分析海量样本数据计算出被评测者的各项能力的测评报告，建立人才测评***及测评方法提高管理和培养人才的质量，尤为重要。

发明内容

本发明提供一种基于行为的人才测评***及方法，通过***自动采集和人工采集的方式，将目标人才日常行为中可提取的特征数据及分散于数据可采集***中的人才特征指标进行提取，结合大数据分析和云计算技术，将预设人才测评模型与被测评者的行为数据进行计算匹配，为被测者提供详尽、个性化的人才测评结果。

为达到上述目的，本发明采用的具体技术方案如下：

一种基于行为的人才测评方法，该方法包括以下步骤：

S1、为不同人才测评体系建立对应的人才测评数据模型，该步骤进一步包括：步骤1、对训练样本数据进行采集、处理，提取训练样本的特征数据；步骤2、对提取的特征数据进行再加工，增强特征数据的表示能力；步骤3、进行机器学习，使用有监督的机器学习方法拟合人才测评数据模型，并通过交叉验证拟合所述人才测评数据模型，最终通过多次迭代算法得出人才测评体系的最佳模型；

S2、通过采集***获取目标人才的行为数据，所述目标人才行为数据具有唯一标识，当通过所述采集***检测到任一可采集的行为发生时，生成与该行为对应的行为数据的特征统计信息，所述行为数据的特征统计信息通过通信网络存入云端服务器；

S3、基于大数据及人工智能技术将收集到云端服务器的目标人才行为数据的特征统计信息进行数据清洗与转换，得到目标人才行为数据的特征数据集，所述特征数据集存储到预设的数据存储模块；

S4、将所述特征数据集载入到所述人才测评数据模型中，调用人才行为测评指标体系库，对人才行为数据的指标值进行测评计算并生成最终人才测评报告。

本发明基于大数据分析和云计算技术，首先通过对训练样本数据的采集、处理、特征提取和机器学习，得到与各分类行为对应的人才测评体系的最佳数据模型，然后对目标人才的行为数据进行采集、处理和特征提取，得到目标人才行为数据的特征数据集，将所述特征数据集载入已建立的人才测评数据模型，结合人才行为测评指标体系库对目标人才的行为数据进行计算匹配，得到最终的人才测评报告。

优选地，步骤S1中的人才测评体系包括但不限于：人才学习能力测评体系、人才学习效果测评体系、人才工作能力测评体系、职业规划测评体系、自我认知测评体系、心理健康测评体系、社交能力测评体系和教师授课测评体系。

优选地，步骤S1中的训练样本数据包括但不限于：与高校校企合作、共建实验室和共建研究中心获取的目标人才行为数据；企业自办网校和线下培训机构获取的目标人才行为数据；与中小学联合办学教学跟踪获取的目标人才行为数据；购买合法的白色数据；目标人才手机APP数据；目标人才校园网数据；目标人才个人社交帐号数据；教学区域视频音频数据；公共活动区域航拍数据；可穿戴***数据；GPS定位数据和GIS数据。所述合法的白色数据指的是通过正常合法的渠道获得的可用于研究和使用的用户行为数据。

优选地，步骤S1中的机器学习采用记忆学习方法，其提供一批具有学习目标为标注的数据作为训练样本，机器学习通过分析这些数据的规律拟合出这些数据和学习目标间的函数，使得定义在训练集上的总体误差尽可能的小，从而利用学得的函数来预测未知数据。所述记忆学习方法(Memory-Based Learning；MBL)将存储的训练样本数据作为获取的知识来使用,并通过相似性比较来完成分类任务,其基本框架是：在待处理数据的处理中，将计算待处理数据与所有存储训练样本数据之间的距离，找到与待处理数据距离最近的k个训练样本数据，通过对k个结果的判决，为待处理数据指定相应的类别，完成分类工作。

优选地，步骤S2中的采集***进一步包括机器自动采集***和人工采集***，所述机器自动采集***包括但不限于：手机APP数据采集***、校园网数据采集***、个人社交账号数据采集***、教学区域视频音频数据采集***、公共活动区域航拍数据采集***、可穿戴***数据采集***、GPS定位***数据采集***和GIS数据采集***；所述人工采集***包括但不限于：教务管理***数据导入采集***、学生管理***数据导入采集***、学生对教师的评价数据采集***和教师对学生的评语数据采集***。

优选地，步骤S2中的目标人才行为数据的唯一标识包括下列一种或多种：目标人才编号、采集机器序列号、采集***ID或采集***IP。

优选地，步骤S2中的行为数据的特征统计信息包括多个统计维度，每个统计维度根据需要进一步细分。

进一步地，每一统计维度下面包括多个二级分类，所述二级分类下面还包括多个三级分类，根据统计需要，所述三级分类可进一步细分。

优选地，步骤S3中的数据清洗和转换步骤进一步包括：合并数据集、纠正错误、删除重复项、统一规格、修正逻辑、转换构造、数据压缩、补足残缺/空值、丢弃数据/变量。通过数据清洗和转换步骤进一步得到目标人才行为数据的高阶特征表示。

进一步地，所述数据清洗和转换步骤还包括：选择数据子集样本、汇总数据记录、导出数据属性、数据排序、数据的空白值和缺失值替换。

优选地，步骤S4中的人才行为测评指标体系库包括但不限于：人才学习能力测评指标体系、人才学习效果测评指标体系、人才工作能力测评指标体系、职业规划测评指标体系、自我认知测评指标体系、心理健康测评指标体系、社交能力测评指标体系和教师授课测评指标体系。

一种基于行为的人才测评***，其包括通过通信网络相互通信的采集终端和云端服务器，所述采集终端内设有依次相连的数据采集模块、数据生成模块和数据传输模块，所述云端服务器内设有依次相连的数据存储模块、数据处理模块、数据计算模块和数据输出模块，

所述数据采集模块，用于采集目标人才的行为数据，并将所述行为数据发送给所述数据生成模块；

所述数据生成模块，用于生成与所述行为数据对应的特征统计信息，并将所述特征统计信息通过通信网络经由所述数据传输模块发送给所述数据处理模块；

所述数据处理模块，用于将接收的行为数据的所述特征统计信息进行数据清洗与转换，得到所述行为数据的特征数据集，并将所述特征数据集存储在所述数据存储模块中；

所述数据存储模块，用于存储人才行为测评指标体系库和目标人才行为数据的特征数据集，并将存储的所述人才行为测评指标体系库和目标人才行为数据的特征数据集发送给所述数据计算模块；

所述数据计算模块，用于对人才各分类行为数据指标值进行测评计算，并将计算结果发送给所述数据输出模块；

所述数据输出模块，用于根据所述计算结果生成最终的人才测评报告。

与现有技术相比，本发明的有益效果在于，1)本发明通过机器自动采集和人工采集的方式，从目标人才的日常生活以及其他数据可采集***中提取目标人才的行为数据，采集数据的途径多，覆盖面广，相对于现有技术而言，采集到的目标人才的行为数据更完整并且能不断更新；2)本发明基于大数据分析和云计算技术，为目标人才的各种分类行为建立对应的人才测评数据模型，并采用MBL算法进行机器学习，充分利用所述MBL算法将存储的训练样本数据作为获取的知识来使用并通过相似性比较来完成分类任务的优势,克服了词语一级自然语言处理中知识表示不足给机器学习获取知识带来的障碍；3)传统的问卷式人才测评方法得到的测评结果会受被测评者主观因素的影响，导致得到的测评效果不够客观公正，而本发明的人才测评方法通过对用户长期行为数据的分析，得到的测评效果更加真实有效，并且测评结果通过专用的APP应用软件或者在线评测***随时可取，使用户的使用体验更为便捷。

附图说明

图1是本发明创造的一种基于行为的人才测评方法的流程图；

图2是本发明创造的一种基于行为的人才学习能力测评方法的特征统计示意图；

图3是本发明创造的一种基于行为的人才测评***的示意图。

具体实施方式

以下将结合附图对本发明各实施例的技术方案进行清楚、完整的描述，显然，所描述发实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。

下面通过具体的实施例并结合附图对本发明做进一步的详细描述。

如图所示，一种基于行为的人才测评方法，该方法包括以下步骤：

S1、为不同人才测评体系建立对应的人才测评数据模型，该步骤进一步包括：

步骤1、对训练样本数据的采集、处理，提取训练样本的特征数据，在具体实施中，所述训练样本数据来源于：与高校校企合作、共建实验室和共建研究中心获取的目标人才行为数据、企业自办网校和线下培训机构获取的目标人才行为数据、与中小学联合办学教学跟踪获取的目标人才行为数据、购买合法的白色数据、目标人才手机APP数据、目标人才校园网数据、目标人才个人社交帐号数据、教学区域视频音频数据、公共活动区域航拍数据、可穿戴***数据、GPS定位数据和GIS数据，所述训练样本数据的采集通过机器自动采集或人工采集两种方式进行，所述训练样本数据的处理包括数据准备、数据清洗与转换，所述数据准备步骤包括：合并数据集和记录、选择数据子集样本、汇总数据记录、导出新的数据属性、数据排序、数据的空白值或缺失值替换等，所述数据清洗与转换步骤包括：合并数据集、纠正错误、删除重复项、统一规格、修正逻辑、转换构造、数据压缩、补足残缺/空值和丢弃数据/变量，所述提取步骤提取的特征数据包括下列一种或多种：学生生活行为特征数据、学生学习行为特征数据、学生个性化智能学习特征数据、教学课程标准化特征数据、教师教学行为特征数据或教务管理特征数据；

步骤2、对提取的特征数据进行再加工，增强特征数据的表示能力，在具体实施中，可对已有的特征数据进行再次特征提取，在不损伤已有特征数据的核心信息的情况下降低待处理特征数据的空间维数，强化特征数据表示能力的同时简化计算，提高数据处理的速度和效率，其中，进行再次特征提取方式包括：用映射或变换的方法把原始特征数据变换为较少的新特征数据；从原始特征数据中挑选出一些最具代表性的特征数据；根据专家的知识挑选最有影响的特征数据；用数学的方法进行选取，找出最具分类信息的特征数据；

步骤3、进行机器学习，使用有监督的机器学习方法拟合多个人才测评数据模型，并通过交叉验证拟合所述人才测评数据模型，最终通过多次迭代算法得出人才评测体系的最佳模型，在具体实施中，采用MBL方法进行机器学习，所述MBL方法提供一批具有学习目标为标注的数据作为训练样本数据，机器学习通过分析这些训练样本数据的规律拟合出这些训练样本数据和学习目标间的函数，使得定义在训练集上的总体误差尽可能的小，从而利用学得的函数来预测未知数据，提高数据的准确性，具体地，所述MBL方法具有独特的基于存储的学习功能和相似性比较处理过程，其通过把待处理数据与训练样本数据进行比较，计算它们之间的相似度，依据训练样本数据归纳出待处理数据的分类类别，在所述MBL方法中，数据表示为“特征向量+分类结果”，当输入待处理数据的特征向量时，把所述待处理数据的特征向量与训练样本数据的特征向量进行相似度的比较，依据和待处理数据的特征向量最接近的k个训练样本数据特征向量的类别推测待处理数据特征向量的分类，完成分类工作，在具体实施中，所述迭代算法包括最速下降法、共轭迭代法、变尺度迭代法、最小二乘法、线性规划、非线性规划、单纯型法、惩罚函数法、斜率投影法、遗传算法、模拟退火等，所述迭代算法主要包括确定迭代变量、建立迭代关系式和对迭代过程进行控制三个步骤；

S2、通过采集***获取目标人才的行为数据，所述目标人才行为数据具有唯一标识，当通过所述采集***检测到任一可采集的行为发生时，生成与该行为对应的行为数据的特征统计信息，所述行为数据的特征统计信息通过通信网络存入云端服务器，在具体实施中，所述唯一标识包括：目标人才编号、采集机器序列号、采集***ID和采集***IP，在具体实施中，所述行为数据的特征统计信息包括多个统计维度，每个统计维度根据需要进一步细分；

S3、基于大数据及人工智能技术将收集到云端服务器的目标人才行为数据的特征统计信息进行数据清洗与转换，得到目标人才行为数据的特征数据集，所述特征数据集存储到预设的数据存储模块，在具体实施中，所述数据清洗与转换步骤进一步包括：合并数据集，纠正错误、删除重复项、统一规格、修正逻辑、转换构造、数据压缩、补足残缺/空值和丢弃数据/变量，最后得到目标人才行为数据的高阶特征表示，所述高阶的特征数据集存储到所述数据存储模块，在又一具体实施中，所述数据清洗与转换步骤还进一步包括数据准备，所述数据准备步骤包括：合并数据集、选择数据子集样本、汇总数据记录、导出数据属性、数据排序、数据的空白值和缺失值替换；

S4、将所述特征数据集载入到所述人才测评数据模型中，结合人才行为测评指标体系库，对人才行为数据的指标值进行测评计算并生成最终人才测评报告，在具体实施中，所述人才测评体系包括：人才学习能力测评体系、人才学习效果测评体系、人才工作能力测评体系、职业规划测评体系、自我认知测评体系、心理健康测评体系、社交能力测评体系和教师授课测评体系，所述人才行为测评指标体系库包括：人才学习能力测评指标体系、人才学习效果测评指标体系、人才工作能力测评指标体系、职业规划测评指标体系、自我认知测评指标体系、心理健康测评指标体系、社交能力测评指标体系和教师授课测评指标体系，所述人才测评报告包括：人才学习能力测评报告、人才学习效果测评报告、人才工作能力测评报告、职业规划测评报告、自我认知测评报告、心理健康测评报告、社交能力测评报告和教师授课测评报告。

在一个具体实施中，步骤S2中所述行为数据的特征统计信息包括：人才学习能力测评指标体系包括生活习惯和学习习惯，人才学习效果测评指标体系包括学习成绩、学习兴趣和学习意愿，职业规划测评指标体系包括个人心理类型、优势特质、动机状态和职业期许，自我认知测评指标体系包括自我认识、自我体验和自我监控，人才工作能力测评指标体系包括基本素质、职业素质、行政能力和学习能力，心理健康指标测评体系包括安全感、学习能力、人际关系、表达能力，社交能力指标测评体系包括社交能力、社交状态、社交问题，教师授课指标测评体系包括教学评价、学生评价、家长评价。

在具体实施中，一种基于行为的人才测评***，其包括通过通信网络相互通信的采集终端和云端服务器，所述采集终端内设有依次相连的数据采集模块、数据生成模块和数据传输模块，所述云端服务器内设有依次相连的数据存储模块、数据处理模块、数据计算模块和数据输出模块，所述数据采集模块采集目标人才的行为数据，并将所述行为数据发送给所述数据生成模块；所述数据生成模块生成与所述行为数据对应的特征统计信息，并将所述特征统计信息通过通信网络经由所述数据传输模块发送给所述数据处理模块；所述数据处理模块将接收的行为数据的所述特征统计信息进行数据清洗与转换，得到所述行为数据的特征数据集，并将所述特征数据集存储在所述数据存储模块中；所述数据存储模块存储人才行为测评指标体系库和目标人才行为数据的特征数据集，并将存储的所述人才行为测评指标体系库和目标人才行为数据的特征数据集发送给所述数据计算模块；所述数据计算模块对人才各分类行为数据指标值进行测评计算，并将计算结果发送给所述数据输出模块；所述数据输出模块根据所述计算结果生成最终的人才测评报告。

实施例1

一种基于行为的人才测评方法，其应用包括但不限于人才学习能力测评、人才学习效果测评、人才工作能力测评、职业规划测评、自我认知测评、心理健康测评、社交能力测评和教师授课测评，本实施例实施一种基于行为的人才学习能力测评方法，所述方法包括以下步骤：

S1、建立人才学习能力测评模型，进一步包括以下步骤：

步骤1、通过机器自动采集和人工采集两种方式获取样本数据，对所述样本数据进行处理，提取所述样本数据的特征数据，所述处理步骤包括数据准备和数据清洗与转换，所述数据准备步骤包括：合并数据集和记录、选择数据子集样本、汇总数据记录、导出新的数据属性、数据排序、数据的空白值或缺失值替换，所述数据清洗与转换步骤包括：合并数据集、纠正错误、删除重复项、统一规格、修正逻辑、转换构造、数据压缩、补足残缺/空值和丢弃数据/变量，所述提取步骤提取的特征数据包括：学生生活行为特征数据、学生学习行为特征数据和学生个性化智能学习特征数据；

步骤2、对提取的特征数据进行再加工，增强特征数据的表示能力，可通过重复数据清洗与转换步骤来进行特征数据的再加工，提高特征数据的表示能力；

步骤3、采用MBL方法进行机器学习，使用有监督的机器学习方法拟合人才学习能力测评模型，同时，为了得到可靠稳定的模型，通过交叉验证拟合所述人才学习能力测评模型，最终通过多次迭代算法得出所述人才学习能力评测最佳模型，在具体实施中，所述交叉验证步骤包括将训练样本数据分为训练集和验证集，首先用训练集对分类器进行训练，再利用验证集来测试训练得到的模型，从而验证所述模型是否能取得期望的结果，作为优选实施方式，所述交叉验证步骤进一步包括交换所述训练集与验证集，第一次验证中，将集合1作为训练集，而将集合2作为验证集，然后将二者交换，再进行第二次验证，根据拥有的训练样本数据量，可将所述训练样本数据划分为多个更小的集合，然后在任意数量的集合上进行交叉验证；

S2、通过机器自动采集和人工采集两种方式获取所有测评时间段内目标人才的行为数据，对目标人才进行编号，将所述编号、自动采集机器的序列号和IP号、人工采集***的ID号、IP号作为所述行为数据的唯一标识，生成与该行为对应的行为数据的特征统计信息，所述行为数据的特征统计信息通过通信网络存入云端服务器，在本实施例中，如图2所示，所述目标人才行为数据的特征统计信息包括生活***、上网偏好，所述作息时间进一步包括睡觉、起床的时间段分布情况，例如，00：00以后睡觉、23：00-00：00睡觉，06：00-07：00起床、07：00-08：00起床，所述消费水平进一步包括各消费点的分布情况，例如，各消费点包括电影、服装、饮食、交通和通讯，所述上网偏好进一步包括各上网目的的占比情况，例如，各上网目的包括网络游戏、在线学习、上网聊天、网络购物和专业论坛，所述学习习惯包括考试成绩、阅读偏好、出勤率，所述考试成绩进一步包括成绩分布情况，例如，不及格、及格、良好、优秀表示的成绩分布，所述阅读偏好进一步包括阅读不同类型书籍的占比情况，例如，阅读偏好在人文地理、工业科技、语言、经济中的占比情况，所述出勤率进一步包括出勤率的百分比情况，例如50％、50％-70％、70％-90％、90％-100％的出勤率占比。

S3、对测评时间段内目标人才的所有行为数据进行数据清洗与转换，得到满足所述人才学习能力测评模型的数据质量的元数据，接着对所述元数据进行特征提取，找到合适的特征数据表示目标人才学习能力测评所需的数据，在具体实施中，所述特征提取包括图像/视频特征提取和文本特征提取，所述图像/视频特征提取包括低层视觉特征提取和高级语义特征提取，所述低层视觉特征提取又包括纹理、颜色、形状三方面的特征提取，其中，所述纹理特征提取算法包括灰度共生矩阵法，傅里叶功率谱法等，所述颜色特征提取算法包括直方图法，累计直方图法，颜色聚类法等，所述形状特征提取算法包括空间矩特征等，所述高级语义特征提取算法包括语义网络、数理逻辑、框架，所述文本特征提取算法包括信息熵、信息增益等；

S4、将特征值表示的测评目标人才学习能力所需用到的特征数据载入到人才学习能力测评模型，结合人才学习能力测评指标体系库，对目标人才学习能力的行为数据的指标值进行测评计算并生成最终人才学习能力测评报告。

实施例2

如图3所示，一种基于行为的人才测评***，其包括通过通信网络相互通信的采集终端和云端服务器2，在本实施例中，所述采集终端为一数据采集平台1，所述数据采集平台1设置在电脑或智能手机上，所述数据采集平台1包括依次相连的数据采集模块101、数据缓存模块102、数据生成模块103和数据传输模块104，所述云端服务器2内设有依次相连的数据处理模块201、数据存储模块202、数据计算模块203和数据输出模块204，所述数据采集模块101包括但不限于：高校校企合作链接、共建实验室链接、共建研究中心链接、企业自办网校链接、线下培训机构链接、与中小学联合办学教学跟踪获取链接、手机APP链接、校园网链接、个人社交账号链接、教学区域视频音频链接、公共活动区域航拍链接、可穿戴***链接、GPS定位链接、GIS链接、教务管理***数据导入链接、学生管理***数据导入链接、学生对教师的评价链接和教师对学生的评语链接；所述数据采集模块101通过各链接采集目标人才的行为数据，并将所述行为数据发送给所述数据缓存模块102；所述数据缓存模块102接收并缓存所述采集数据，按照约定的时间和方式将所述采集数据发送给所述数据生成模块103，进一步地，所述数据缓存模块102还根据约定时间以约定方式更新缓存的数据；所述数据生成模块103生成与所述行为数据对应的特征统计信息，并将所述特征统计信息通过通信网络经由所述数据传输模块104发送给所述数据处理模块201；所述数据处理模块201将接收的行为数据的特征统计信息进行数据清洗与转换，得到所述行为数据的特征数据集，并将所述特征数据集存储在所述数据存储模块202中；所述数据存储模块202存储人才行为测评指标体系库和目标人才行为数据的特征数据集，并将存储的所述人才行为测评指标体系库和目标人才行为数据的特征数据集发送给所述数据计算模块203；所述数据计算模块203对人才各分类行为数据指标值进行测评计算，并将计算结果发送给所述数据输出模块204；所述数据输出模块204根据所述计算结果生成最终的人才测评报告。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案。

Claims (10)

1.一种基于行为的人才测评方法，其特征在于，该方法包括以下步骤：

S1、为不同人才测评体系建立对应的人才测评数据模型，该步骤进一步包括：步骤1、对训练样本数据进行采集、处理，提取训练样本的特征数据；步骤2、对提取的特征数据进行再加工，增强特征数据的表示能力；步骤3、进行机器学习，使用有监督的机器学习方法拟合人才测评数据模型，并通过交叉验证拟合所述人才测评数据模型，最终通过多次迭代算法得出人才测评体系的最佳模型；

S2、通过采集***获取目标人才的行为数据，所述目标人才行为数据具有唯一标识，当通过所述采集***检测到任一可采集的行为发生时，生成与该行为对应的行为数据的特征统计信息，所述行为数据的特征统计信息通过通信网络存入云端服务器；

S3、基于大数据及人工智能技术将收集到云端服务器的目标人才行为数据的特征统计信息进行数据清洗与转换，得到目标人才行为数据的特征数据集，所述特征数据集存储到预设的数据存储模块；

S4、将所述特征数据集载入到所述人才测评数据模型中，调用人才行为测评指标体系库，对人才行为数据的指标值进行测评计算并生成最终人才测评报告。

2.如权利要求1所述的基于行为的人才测评方法，其特征在于，步骤S1中的人才测评体系包括但不限于：人才学习能力测评体系、人才学习效果测评体系、人才工作能力测评体系、职业规划测评体系、自我认知测评体系、心理健康测评体系、社交能力测评体系和教师授课测评体系。

3.如权利要求1所述的基于行为的人才测评方法，其特征在于，步骤S1中的训练样本数据包括但不限于：与高校校企合作、共建实验室和共建研究中心获取的目标人才行为数据；企业自办网校和线下培训机构获取的目标人才行为数据；与中小学联合办学教学跟踪获取的目标人才行为数据；购买合法的白色数据；目标人才手机APP数据；目标人才校园网数据；目标人才个人社交帐号数据；教学区域视频音频数据；公共活动区域航拍数据；可穿戴***数据；GPS定位数据和GIS数据。

4.如权利要求1所述的基于行为的人才测评方法，其特征在于，步骤S1中的机器学习采用记忆学习方法，其提供一批具有学习目标为标注的数据作为训练样本，机器学习通过分析这些数据的规律拟合出这些数据和学习目标间的函数，使得定义在训练集上的总体误差尽可能的小，从而利用学得的函数来预测未知数据。

5.如权利要求1所述的基于行为的人才测评方法，其特征在于，步骤S2中的采集***进一步包括机器自动采集***和人工采集***，所述机器自动采集***包括但不限于：手机APP数据采集***、校园网数据采集***、个人社交账号数据采集***、教学区域视频音频数据采集***、公共活动区域航拍数据采集***、可穿戴***数据采集***、GPS定位***数据采集***和GIS数据采集***；所述人工采集***包括但不限于：教务管理***数据导入采集***、学生管理***数据导入采集***、学生对教师的评价数据采集***和教师对学生的评语数据采集***。

6.如权利要求1所述的基于行为的人才测评方法，其特征在于，步骤S2中的目标人才行为数据的唯一标识包括下列一种或多种：目标人才编号、采集机器序列号、采集***ID或采集***IP。

7.如权利要求1所述的基于行为的人才测评方法，其特征在于，步骤S2中的行为数据的特征统计信息包括多个统计维度，每个统计维度根据需要进一步细分。

8.如权利要求1所述的基于行为的人才测评方法，其特征在于，步骤S3中的数据清洗和转换步骤进一步包括：合并数据集、纠正错误、删除重复项、统一规格、修正逻辑、转换构造、数据压缩、补足残缺/空值、丢弃数据/变量。

9.如权利要求1所述的基于行为的人才测评方法，其特征在于，步骤S4中的人才行为测评指标体系库包括但不限于：人才学习能力测评指标体系、人才学习效果测评指标体系、人才工作能力测评指标体系、职业规划测评指标体系、自我认知测评指标体系、心理健康测评指标体系、社交能力测评指标体系和教师授课测评指标体系。

10.一种基于行为的人才测评***，其特征在于，包括通过通信网络相互通信的采集终端和云端服务器，所述采集终端内设有依次相连的数据采集模块、数据生成模块和数据传输模块，所述云端服务器内设有依次相连的数据存储模块、数据处理模块、数据计算模块和数据输出模块，

所述数据采集模块，用于采集目标人才的行为数据，并将所述行为数据发送给所述数据生成模块；

所述数据生成模块，用于生成与所述行为数据对应的特征统计信息，并将所述特征统计信息通过通信网络经由所述数据传输模块发送给所述数据处理模块；

所述数据处理模块，用于将接收的行为数据的所述特征统计信息进行数据清洗与转换，得到所述行为数据的特征数据集，并将所述特征数据集存储在所述数据存储模块中；

所述数据存储模块，用于存储人才行为测评指标体系库和目标人才行为数据的特征数据集，并将存储的所述人才行为测评指标体系库和目标人才行为数据的特征数据集发送给所述数据计算模块；

所述数据计算模块，用于对人才各分类行为数据指标值进行测评计算，并将计算结果发送给所述数据输出模块；

所述数据输出模块，用于根据所述计算结果生成最终的人才测评报告。