CN112365159A - 一种基于深度神经网络的后备干部推荐方法及*** - Google Patents

一种基于深度神经网络的后备干部推荐方法及*** Download PDF

Info

Publication number
CN112365159A
CN112365159A CN202011253505.0A CN202011253505A CN112365159A CN 112365159 A CN112365159 A CN 112365159A CN 202011253505 A CN202011253505 A CN 202011253505A CN 112365159 A CN112365159 A CN 112365159A
Authority
CN
China
Prior art keywords
recommendation
data
employee
backup
cadre
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202011253505.0A
Other languages
English (en)
Inventor
郑略省
庄莉
苏江文
闫丽飞
张晓东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Information and Telecommunication Co Ltd
Fujian Yirong Information Technology Co Ltd
Great Power Science and Technology Co of State Grid Information and Telecommunication Co Ltd
Original Assignee
State Grid Information and Telecommunication Co Ltd
Fujian Yirong Information Technology Co Ltd
Great Power Science and Technology Co of State Grid Information and Telecommunication Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Information and Telecommunication Co Ltd, Fujian Yirong Information Technology Co Ltd, Great Power Science and Technology Co of State Grid Information and Telecommunication Co Ltd filed Critical State Grid Information and Telecommunication Co Ltd
Priority to CN202011253505.0A priority Critical patent/CN112365159A/zh
Publication of CN112365159A publication Critical patent/CN112365159A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/105—Human resources

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了计算机技术领域的一种基于深度神经网络的后备干部推荐方法及***，方法包括如下步骤：步骤S10、获取员工历史评测资料，对所述员工历史评测资料进行预处理；步骤S20、对预处理后的所述员工历史评测资料进行标注；步骤S30、基于深度神经网络创建一推荐模型，利用标注后的所述员工历史评测资料对推荐模型进行训练；步骤S40、获取最新的员工资料，将所述员工资料输入训练后的推荐模型进行后备干部的推荐。本发明的优点在于：极大的提升了后备干部的推荐质量。

Description

一种基于深度神经网络的后备干部推荐方法及***
技术领域
本发明涉及计算机技术领域，特别指一种基于深度神经网络的后备干部推荐方法及***。
背景技术
后备干部是拟提拔到上一级领导班子担任领导职务或拟提拔到上一级(或更高层次)领导岗位的预备人选。传统上后备干部的推荐均是直接领导或者同事依据该员工平时的工作表现进行推荐，无法对该员工进行全面的评估，且各后备干部之间也不好横向对比，导致推荐的后备干部往往不是最优选择，导致后期往往无法胜任新职务。而现有技术中，并没有智能推荐后备干部的相关方法。
因此，如何提供一种基于深度神经网络的后备干部推荐方法及***，实现提升后备干部的推荐质量，成为一个亟待解决的问题。
发明内容
本发明要解决的技术问题，在于提供一种基于深度神经网络的后备干部推荐方法及***，实现提升后备干部的推荐质量。
第一方面，本发明提供了一种基于深度神经网络的后备干部推荐方法，包括如下步骤：
步骤S10、获取员工历史评测资料，对所述员工历史评测资料进行预处理；
步骤S20、对预处理后的所述员工历史评测资料进行标注；
步骤S30、基于深度神经网络创建一推荐模型，利用标注后的所述员工历史评测资料对推荐模型进行训练；
步骤S40、获取最新的员工资料，将所述员工资料输入训练后的推荐模型进行后备干部的推荐。
进一步地，所述步骤S10具体为：
获取至少包括综合评价、个性特质评价、干部测评、民主评议以及时间的员工历史评测资料，通过人工对所述员工历史评测资料进行一致性检查和修正的预处理。
进一步地，所述步骤S20具体为：
获取被成功推荐的后备干部的推荐报告，基于所述推荐报告，利用正则表达式对预处理后的员工历史评测资料进行快速标注，并通过人工对标注的数据进行核查修正。
进一步地，所述步骤S30具体包括：
步骤S31、基于深度神经网络创建一推荐模型，将标注后的所述员工历史评测资料划分为训练集和验证集；
步骤S32、基于注意力机制以及时间，设定所述训练集和验证集中各样本数据的权重；
步骤S33、利用所述训练集对推荐模型进行训练；
步骤S34、利用所述验证集对训练后的推荐模型进行验证。
进一步地，所述步骤S40具体为：
获取最新的至少包括综合评价、个性特质评价、干部测评、民主评议以及时间的员工资料，将所述员工资料输入训练后的推荐模型进行计算，输出后备干部推荐列表；所述后备干部推荐列表按受推荐程度进行排序。
第二方面，本发明提供了一种基于深度神经网络的后备干部推荐***，包括如下模块：
员工历史评测资料获取模块，用于获取员工历史评测资料，对所述员工历史评测资料进行预处理；
员工历史评测资料标注模块，用于对预处理后的所述员工历史评测资料进行标注；
推荐模型训练模块，用于基于深度神经网络创建一推荐模型，利用标注后的所述员工历史评测资料对推荐模型进行训练；
后备干部推荐模块，用于获取最新的员工资料，将所述员工资料输入训练后的推荐模型进行后备干部的推荐。
进一步地，所述员工历史评测资料获取模块具体为：
获取至少包括综合评价、个性特质评价、干部测评、民主评议以及时间的员工历史评测资料，通过人工对所述员工历史评测资料进行一致性检查和修正的预处理。
进一步地，所述员工历史评测资料标注模块具体为：
获取被成功推荐的后备干部的推荐报告，基于所述推荐报告，利用正则表达式对预处理后的员工历史评测资料进行快速标注，并通过人工对标注的数据进行核查修正。
进一步地，所述推荐模型训练模块具体包括：
推荐模型创建单元，用于基于深度神经网络创建一推荐模型，将标注后的所述员工历史评测资料划分为训练集和验证集；
权重设定单元，用于基于注意力机制以及时间，设定所述训练集和验证集中各样本数据的权重；
训练单元，用于利用所述训练集对推荐模型进行训练；
验证单元，用于利用所述验证集对训练后的推荐模型进行验证。
进一步地，所述后备干部推荐模块具体为：
获取最新的至少包括综合评价、个性特质评价、干部测评、民主评议以及时间的员工资料，将所述员工资料输入训练后的推荐模型进行计算，输出后备干部推荐列表；所述后备干部推荐列表按受推荐程度进行排序。
本发明的优点在于：
通过对预处理后的员工历史评测资料进行标注，并利用标注后的员工历史评测资料对推荐模型进行训练，而训练的过程结合了注意力机制以及时间，进而利用训练后的推荐模型对最新的员工资料进行计算，输出后备干部推荐列表，即对员工进行多维度的考量与比较，而基于深度神经网络的推荐模型能够提升预测精度以及效率，进而极大的提升了后备干部的推荐质量。
附图说明
下面参照附图结合实施例对本发明作进一步的说明。
图1是本发明一种基于深度神经网络的后备干部推荐方法的流程图。
图2是本发明一种基于深度神经网络的后备干部推荐***的结构示意图。
具体实施方式
本申请实施例中的技术方案，总体思路如下：基于深度神经网络创建推荐模型，利用标注后的员工历史评测资料对推荐模型进行训练，进而利用训练后的推荐模型进行后备干部推荐，以提升后备干部的推荐质量。
请参照图1至图2所示，本发明一种基于深度神经网络的后备干部推荐方法的较佳实施例，包括如下步骤：
步骤S10、获取员工历史评测资料，对所述员工历史评测资料进行预处理；
步骤S20、对预处理后的所述员工历史评测资料进行标注；
步骤S30、基于深度神经网络创建一推荐模型，利用标注后的所述员工历史评测资料对推荐模型进行训练；
步骤S40、获取最新的员工资料，将所述员工资料输入训练后的推荐模型进行后备干部的推荐。具体实施时，可通过人工审核推荐结果，再将审核的结果加入员工历史评测资料中扩充样本数据，进而优化所述推荐模型，提高所述推荐模型的监测性能。
所述步骤S10具体为：
获取至少包括综合评价、个性特质评价、干部测评、民主评议以及时间的员工历史评测资料，通过人工对所述员工历史评测资料进行一致性检查和修正的预处理。所述员工历史评测资料能多维度反应员工的业务能力。
所述步骤S20具体为：
获取被成功推荐的后备干部的推荐报告，基于所述推荐报告，利用正则表达式对预处理后的员工历史评测资料进行快速标注，并通过人工对标注的数据进行核查修正。对所述员工历史评测资料进行标注，即对员工是否被成功推荐为后备干部进行标注。
所述步骤S30具体包括：
步骤S31、基于深度神经网络创建一推荐模型，将标注后的所述员工历史评测资料划分为训练集和验证集；
步骤S32、基于注意力机制以及时间，设定所述训练集和验证集中各样本数据的权重；
步骤S33、利用所述训练集对推荐模型进行训练；
步骤S34、利用所述验证集对训练后的推荐模型进行验证。具体实施时，可设置一比例阈值，只有当所述推荐模型的预测成功率超过比例阈值才算验证通过。
即设公司内部评测均满分的情况为中心点，采用欧式距离计算被成功推荐的后备干部与中心点的距离，基于该距离选取参照点；结合注意力机制分析结果，计算该员工同之前每个被成功推荐的后备干部之间的平均距离，提取被成功推荐的后备干部的时间特征，采用注意力机制为每个平均距离赋予权重，从而推荐出Top-N个后备干部。
所述步骤S40具体为：
获取最新的至少包括综合评价、个性特质评价、干部测评、民主评议以及时间的员工资料，将所述员工资料输入训练后的推荐模型进行计算，输出后备干部推荐列表；所述后备干部推荐列表按受推荐程度进行排序。
本发明一种基于深度神经网络的后备干部推荐***的较佳实施例，包括如下模块：
员工历史评测资料获取模块，用于获取员工历史评测资料，对所述员工历史评测资料进行预处理；
员工历史评测资料标注模块，用于对预处理后的所述员工历史评测资料进行标注；
推荐模型训练模块，用于基于深度神经网络创建一推荐模型，利用标注后的所述员工历史评测资料对推荐模型进行训练；
后备干部推荐模块，用于获取最新的员工资料，将所述员工资料输入训练后的推荐模型进行后备干部的推荐。具体实施时，可通过人工审核推荐结果，再将审核的结果加入员工历史评测资料中扩充样本数据，进而优化所述推荐模型，提高所述推荐模型的监测性能。
所述员工历史评测资料获取模块具体为：
获取至少包括综合评价、个性特质评价、干部测评、民主评议以及时间的员工历史评测资料，通过人工对所述员工历史评测资料进行一致性检查和修正的预处理。所述员工历史评测资料能多维度反应员工的业务能力。
所述员工历史评测资料标注模块具体为：
获取被成功推荐的后备干部的推荐报告，基于所述推荐报告，利用正则表达式对预处理后的员工历史评测资料进行快速标注，并通过人工对标注的数据进行核查修正。对所述员工历史评测资料进行标注，即对员工是否被成功推荐为后备干部进行标注。
所述推荐模型训练模块具体包括：
推荐模型创建单元，用于基于深度神经网络创建一推荐模型，将标注后的所述员工历史评测资料划分为训练集和验证集；
权重设定单元，用于基于注意力机制以及时间，设定所述训练集和验证集中各样本数据的权重；
训练单元，用于利用所述训练集对推荐模型进行训练；
验证单元，用于利用所述验证集对训练后的推荐模型进行验证。具体实施时，可设置一比例阈值，只有当所述推荐模型的预测成功率超过比例阈值才算验证通过。
即设公司内部评测均满分的情况为中心点，采用欧式距离计算被成功推荐的后备干部与中心点的距离，基于该距离选取参照点；结合注意力机制分析结果，计算该员工同之前每个被成功推荐的后备干部之间的平均距离，提取被成功推荐的后备干部的时间特征，采用注意力机制为每个平均距离赋予权重，从而推荐出Top-N个后备干部。
所述后备干部推荐模块具体为：
获取最新的至少包括综合评价、个性特质评价、干部测评、民主评议以及时间的员工资料，将所述员工资料输入训练后的推荐模型进行计算，输出后备干部推荐列表；所述后备干部推荐列表按受推荐程度进行排序。
综上所述，本发明的优点在于：
通过对预处理后的员工历史评测资料进行标注，并利用标注后的员工历史评测资料对推荐模型进行训练，而训练的过程结合了注意力机制以及时间，进而利用训练后的推荐模型对最新的员工资料进行计算，输出后备干部推荐列表，即对员工进行多维度的考量与比较，而基于深度神经网络的推荐模型能够提升预测精度以及效率，进而极大的提升了后备干部的推荐质量。
虽然以上描述了本发明的具体实施方式，但是熟悉本技术领域的技术人员应当理解，我们所描述的具体的实施例只是说明性的，而不是用于对本发明的范围的限定，熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化，都应当涵盖在本发明的权利要求所保护的范围内。

Claims (10)

1.一种基于深度神经网络的后备干部推荐方法，其特征在于：包括如下步骤：
步骤S10、获取员工历史评测资料，对所述员工历史评测资料进行预处理；
步骤S20、对预处理后的所述员工历史评测资料进行标注；
步骤S30、基于深度神经网络创建一推荐模型，利用标注后的所述员工历史评测资料对推荐模型进行训练；
步骤S40、获取最新的员工资料，将所述员工资料输入训练后的推荐模型进行后备干部的推荐。
2.如权利要求1所述的一种基于深度神经网络的后备干部推荐方法，其特征在于：所述步骤S10具体为：
获取至少包括综合评价、个性特质评价、干部测评、民主评议以及时间的员工历史评测资料，通过人工对所述员工历史评测资料进行一致性检查和修正的预处理。
3.如权利要求1所述的一种基于深度神经网络的后备干部推荐方法，其特征在于：所述步骤S20具体为：
获取被成功推荐的后备干部的推荐报告，基于所述推荐报告，利用正则表达式对预处理后的员工历史评测资料进行快速标注，并通过人工对标注的数据进行核查修正。
4.如权利要求1所述的一种基于深度神经网络的后备干部推荐方法，其特征在于：所述步骤S30具体包括：
步骤S31、基于深度神经网络创建一推荐模型，将标注后的所述员工历史评测资料划分为训练集和验证集；
步骤S32、基于注意力机制以及时间，设定所述训练集和验证集中各样本数据的权重；
步骤S33、利用所述训练集对推荐模型进行训练；
步骤S34、利用所述验证集对训练后的推荐模型进行验证。
5.如权利要求1所述的一种基于深度神经网络的后备干部推荐方法，其特征在于：所述步骤S40具体为：
获取最新的至少包括综合评价、个性特质评价、干部测评、民主评议以及时间的员工资料，将所述员工资料输入训练后的推荐模型进行计算，输出后备干部推荐列表；所述后备干部推荐列表按受推荐程度进行排序。
6.一种基于深度神经网络的后备干部推荐***，其特征在于：包括如下模块：
员工历史评测资料获取模块，用于获取员工历史评测资料，对所述员工历史评测资料进行预处理；
员工历史评测资料标注模块，用于对预处理后的所述员工历史评测资料进行标注；
推荐模型训练模块，用于基于深度神经网络创建一推荐模型，利用标注后的所述员工历史评测资料对推荐模型进行训练；
后备干部推荐模块，用于获取最新的员工资料，将所述员工资料输入训练后的推荐模型进行后备干部的推荐。
7.如权利要求6所述的一种基于深度神经网络的后备干部推荐***，其特征在于：所述员工历史评测资料获取模块具体为：
获取至少包括综合评价、个性特质评价、干部测评、民主评议以及时间的员工历史评测资料，通过人工对所述员工历史评测资料进行一致性检查和修正的预处理。
8.如权利要求6所述的一种基于深度神经网络的后备干部推荐***，其特征在于：所述员工历史评测资料标注模块具体为：
获取被成功推荐的后备干部的推荐报告，基于所述推荐报告，利用正则表达式对预处理后的员工历史评测资料进行快速标注，并通过人工对标注的数据进行核查修正。
9.如权利要求6所述的一种基于深度神经网络的后备干部推荐***，其特征在于：所述推荐模型训练模块具体包括：
推荐模型创建单元，用于基于深度神经网络创建一推荐模型，将标注后的所述员工历史评测资料划分为训练集和验证集；
权重设定单元，用于基于注意力机制以及时间，设定所述训练集和验证集中各样本数据的权重；
训练单元，用于利用所述训练集对推荐模型进行训练；
验证单元，用于利用所述验证集对训练后的推荐模型进行验证。
10.如权利要求6所述的一种基于深度神经网络的后备干部推荐***，其特征在于：所述后备干部推荐模块具体为：
获取最新的至少包括综合评价、个性特质评价、干部测评、民主评议以及时间的员工资料，将所述员工资料输入训练后的推荐模型进行计算，输出后备干部推荐列表；所述后备干部推荐列表按受推荐程度进行排序。
CN202011253505.0A 2020-11-11 2020-11-11 一种基于深度神经网络的后备干部推荐方法及*** Pending CN112365159A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011253505.0A CN112365159A (zh) 2020-11-11 2020-11-11 一种基于深度神经网络的后备干部推荐方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011253505.0A CN112365159A (zh) 2020-11-11 2020-11-11 一种基于深度神经网络的后备干部推荐方法及***

Publications (1)

Publication Number Publication Date
CN112365159A true CN112365159A (zh) 2021-02-12

Family

ID=74514303

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011253505.0A Pending CN112365159A (zh) 2020-11-11 2020-11-11 一种基于深度神经网络的后备干部推荐方法及***

Country Status (1)

Country Link
CN (1) CN112365159A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114169869A (zh) * 2022-02-14 2022-03-11 北京大学 一种基于注意力机制的岗位推荐方法及装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108873706A (zh) * 2018-07-30 2018-11-23 中国石油化工股份有限公司 基于深度神经网络的圈闭评价智能专家推荐方法
CN110188272A (zh) * 2019-05-27 2019-08-30 南京大学 一种基于用户背景的社区问答网站标签推荐方法
CN110232646A (zh) * 2019-06-11 2019-09-13 东华大学 基于深度置信网络的研究生就业推荐方法
CN110298033A (zh) * 2019-05-29 2019-10-01 西南电子技术研究所（中国电子科技集团公司第十研究所） 关键词语料标注训练提取工具
CN110555572A (zh) * 2018-05-30 2019-12-10 顺丰科技有限公司 替班推荐***和方法
CN110851572A (zh) * 2018-07-27 2020-02-28 北京京东尚科信息技术有限公司 会话标注方法、装置、存储介质及电子设备
CN110909864A (zh) * 2019-10-22 2020-03-24 北京大学 一种结合正则表达式和神经网络的自然语言任务处理方法和装置
CN111061700A (zh) * 2019-11-12 2020-04-24 山大地纬软件股份有限公司 基于相似性学习的就医迁移方案推荐方法及***
CN111339759A (zh) * 2020-02-21 2020-06-26 北京百度网讯科技有限公司 领域要素识别模型训练方法、装置及电子设备
WO2020135189A1 (zh) * 2018-12-29 2020-07-02 深圳Tcl新技术有限公司 产品推荐方法、产品推荐***及存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110555572A (zh) * 2018-05-30 2019-12-10 顺丰科技有限公司 替班推荐***和方法
CN110851572A (zh) * 2018-07-27 2020-02-28 北京京东尚科信息技术有限公司 会话标注方法、装置、存储介质及电子设备
CN108873706A (zh) * 2018-07-30 2018-11-23 中国石油化工股份有限公司 基于深度神经网络的圈闭评价智能专家推荐方法
WO2020135189A1 (zh) * 2018-12-29 2020-07-02 深圳Tcl新技术有限公司 产品推荐方法、产品推荐***及存储介质
CN110188272A (zh) * 2019-05-27 2019-08-30 南京大学 一种基于用户背景的社区问答网站标签推荐方法
CN110298033A (zh) * 2019-05-29 2019-10-01 西南电子技术研究所（中国电子科技集团公司第十研究所） 关键词语料标注训练提取工具
CN110232646A (zh) * 2019-06-11 2019-09-13 东华大学 基于深度置信网络的研究生就业推荐方法
CN110909864A (zh) * 2019-10-22 2020-03-24 北京大学 一种结合正则表达式和神经网络的自然语言任务处理方法和装置
CN111061700A (zh) * 2019-11-12 2020-04-24 山大地纬软件股份有限公司 基于相似性学习的就医迁移方案推荐方法及***
CN111339759A (zh) * 2020-02-21 2020-06-26 北京百度网讯科技有限公司 领域要素识别模型训练方法、装置及电子设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114169869A (zh) * 2022-02-14 2022-03-11 北京大学 一种基于注意力机制的岗位推荐方法及装置
CN114169869B (zh) * 2022-02-14 2022-06-07 北京大学 一种基于注意力机制的岗位推荐方法及装置

Similar Documents

Publication Publication Date Title
US9652745B2 (en) Model-driven evaluator bias detection
CN110659318B (zh) 基于大数据的策略推送方法、***及计算机设备
US11282035B2 (en) Process orchestration
AU2019203697A1 (en) Intelligent data extraction
CN110472209B (zh) 基于深度学习的表格生成方法、装置和计算机设备
CN112231431B (zh) 一种异常地址识别方法、设备和计算机可读存储介质
US20130173353A1 (en) Assessing maturity of business processes
CN111737485A (zh) 基于知识图谱、深度学习的人岗匹配方法、人岗匹配***
CN110837998A (zh) 一种合同审核方法、装置、设备以及介质
CN111444072A (zh) 客户端的异常识别方法、装置、计算机设备和存储介质
US7617313B1 (en) Metric transport and database load
CN110035087A (zh) 一种从流量还原账号信息的方法、装置、设备及存储介质
CN117391292A (zh) 碳排放节能管理分析***及方法
CN112365159A (zh) 一种基于深度神经网络的后备干部推荐方法及***
CN110555488A (zh) 图像序列的审核方法及***、电子设备和存储介质
CN111061948A (zh) 一种用户标签推荐方法、装置、计算机设备及存储介质
CN117592778A (zh) 风险预警***
CN116842264A (zh) 一种平台智能个性化信息推送***
CN110363424A (zh) 一种团队业绩跟踪***
CN107895251A (zh) 数据纠错方法及装置
CN114548896A (zh) 一种人才就业信息管理方法及***
CN110457367B (zh) 发现数据异动的方法和***
CN116187775B (zh) 一种生产工时管理***及方法
CN114333180B (zh) 一种基于区块链技术的金融自助设备检修方法
CN112051953B (zh) 一种页面栏位的输出控制方法、装置及电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210212