CN115718807A - 人员关系分析方法、装置、设备及存储介质 - Google Patents
人员关系分析方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115718807A CN115718807A CN202211480510.4A CN202211480510A CN115718807A CN 115718807 A CN115718807 A CN 115718807A CN 202211480510 A CN202211480510 A CN 202211480510A CN 115718807 A CN115718807 A CN 115718807A
- Authority
- CN
- China
- Prior art keywords
- personnel
- data
- vector
- information
- relationship
- 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
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 81
- 238000004140 cleaning Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 145
- 238000000605 extraction Methods 0.000 claims description 44
- 238000000034 method Methods 0.000 claims description 25
- 238000012360 testing method Methods 0.000 claims description 24
- 230000015654 memory Effects 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 18
- 230000011218 segmentation Effects 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 238000002790 cross-validation Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 9
- 238000013139 quantization Methods 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 238000012512 characterization method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000002457 bidirectional effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能技术,揭露了一种人员关系分析方法,包括:获取待分析人员预设类别的信息,对所述信息进行清洗后得到目标信息;提取目标信息中工作经历信息及教育经历信息;根据工作经历信息及教育经历信息,从预设数据库中查询与待分析人员关联的第一人群数据及第二人群数据,对第一人群数据及第二人群数据进行语义分析,得到待分析人员的同事关系数据及同学关系数据;根据所述同事关系数据及同学关系数据,构建待分析人员的人员关系图谱。本发明还提出一种人员关系分析装置、电子设备以及存储介质。本发明可以提高人员关系分析的准确率及效率。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种人员关系分析方法、装置、电子设备及计算机可读存储介质。
背景技术
随着数据处理技术的不断进步,人们对于数据应用的意识不断提高,人们生活和各行业运行产生的数据呈现爆发式增长,形成了城市数据。城市数据中包含了不同人员的社交媒体数据(例如facebook、LinkedIn、微信、钉钉等)、国家官方公布数据、公司网站公布数据等。通过对城市数据进行分析,可以得到人员之间的关系,可以用于商用推荐,有助于提高业务成功率。
当前,一般通过查询企业公布的组织架构图、网上搜索的人员相关信息、及/或电话调查等方式获取相关城市数据,分析人员之间的关系,如群体人员的层级关系。但是企业公布的组织架构图一般不会及时更新,且***涉及个人隐私,外部人员难以获取,电话调查又费时费力。因此,通过上述方法分析人员之间的关系准确率及效率都不高。
发明内容
本发明提供一种人员关系分析方法、装置及计算机可读存储介质,其主要目的在于解决人员关系分析准确率及效率不高的问题。
为实现上述目的,本发明提供的一种人员关系分析方法,包括:
获取待分析人员预设类别的信息,对所述信息进行清洗,得到目标信息;
提取所述目标信息中工作经历信息及教育经历信息;
根据所述工作经历信息,从预设数据库中查询与所述待分析人员关联的第一人群数据,对所述第一人群数据进行语义分析,得到所述待分析人员的同事关系数据;
根据所述教育经历信息,从所述预设数据库中查询与所述待分析人员关联的第二人群数据,对所述第二人群数据进行语义分析,得到所述待分析人员的同学关系数据;
根据所述同事关系数据及所述同学关系数据,构建所述待分析人员的人员关系图谱。
可选地,所述根据所述工作经历信息,从预设数据库中查询与所述待分析人员关联的第一人群数据,包括:
对所述工作经历信息进行分词及量化操作,得到工作经历信息特征向量;
从所述工作经历信息特征向量中提取公司实体向量、职务实体向量及工作关系向量;
对所述公司实体向量、所述职务实体向量及所述工作关系向量进行分类,并基于分类结果,构建工作经历知识图谱;
从预设数据库中提取公司名称关键字及公司主要人员信息,根据所述公司实体向量及所述公司名称关键字,从所述预设数据库中匹配相似公司名称集;
根据所述公司主要人员信息,从所述相似公司名称集中筛选出与所述公司实体向量对应的相同公司名称;
从所述预设数据库中提取所述相同公司名称中所有人员的数据作为所述待分析人员关联的第一人群数据。
可选地,所述从所述工作经历信息特征向量中提取公司实体向量、职务实体向量及工作关系向量,包括:
根据所述工作经历信息特征向量,从预设工作经历词典中匹配潜在词集合;
利用预训练完成的实体及关系提取模型,对所述潜在词集合及所述工作经历信息特征向量进行编码,得到工作经历字符表征向量及潜在词表征向量;
基于所述实体及关系提取模型中的注意力机制,将所述工作经历字符表征向量及所述潜在词表征向量进行加权融合,得到融合向量;
利用所述实体及关系提取模型,对所述融合向量分别进行单向编码及反向编码,得到单向特征向量及反向特征向量;
利用所述实体及关系提取模型,拼接所述单向特征向量及所述反向特征向量,得到所述工作经历信息的输出状态序列;
利用所述实体及关系提取模型中的一阶Viterbi算法对所述输出状态序列进行分类并标注概率排序,选择概率最大的向量作为公司实体向量、职务实体向量及工作关系向量。
可选地,所述对所述第一人群数据进行语义分析,得到所述待分析人员的同事关系数据,包括:
提取所述第一人群数据中相关公司信息及对应的相关人员在职时间信息;
提取所述工作经历信息中所述待分析人员的公司实体向量对应的目标人员在职时间;
匹配所述公司实体向量与所述相关公司信息,得到匹配结果;
当所述匹配结果为匹配时,判断所述相关人员在职时间信息与所述目标人员在职时间是否有重叠;
选取所述相关人员在职时间信息与所述目标人员在职时间之间的重叠数据,根据所述重叠数据对应的相关人员确定所述待分析人员的同事关系数据。
可选地,所述利用预训练完成的实体及关系提取模型,对所述潜在词集合及所述工作经历信息特征向量进行编码,得到工作经历字符表征向量及潜在词表征向量之前,所述方法还包括:
获取历史工作经历数据集,对所述历史工作经历数据集进行标注得到标注数据;
利用K折交叉验证算法将所述历史工作经历数据集划分为训练集及测试集;
利用预设实体及关系提取模型,提取所述训练集中目标公司实体向量、目标职务实体向量及目标工作关系向量;
利用预设的损失函数分别计算所述目标公司实体向量、所述目标职务实体向量、所述目标工作关系向量与所述标注数据之间的损失值,根据所述损失值对所述预设实体及关系提取模型进行参数调整,并返回所述利用K折交叉验证算法将所述历史工作经历数据集划分为训练集及测试集的步骤,直至所述损失值小于预设的损失阈值,得到初步训练完成的实体及关系提取模型;
利用所述测试集对所述初步训练完成的实体及关系提取模型进行测试,得到测试结果,当所述测试结果为未通过时,返回所述利用K折交叉验证算法将所述历史工作经历数据集划分为训练集及测试集的步骤,再次对所述实体及关系提取模型进行迭代更新,直至所述测试结果为通过,得到预训练完成的实体及关系提取模型。
可选地,所述根据所述根据所述工作经历信息特征向量,从预设工作经历词典中匹配潜在词集合之前,所述方法还包括:
分别获取专业中文语料及专业人力资源词典;
对所述专业中文语料进行分词及量化操作,得到专业中文词向量;
对所述专业人力资源词典进行改善性分词并量化操作,得到人力资源分词向量;
将所述专业中文词向量与所述人力资源分词向量进行组合,得到预设工作经历词典。
可选地,所述根据所述同事关系数据及所述同学关系数据,构建所述待分析人员的人员关系图谱,包括:
根据所述待分析人员的同事关系及同学关系,从所述预设数据库中提取同事工作经历数据及同学教育经历数据;
根据所述待分析人员的同事关系及同学关系,在所述预设数据库中根据预设准则建立所述待分析人员的人员关系图谱;
根据所述人员关系图谱,将所述同事工作经历数据及所述同学教育经历数据根据预设展示方式进行展示。
为了解决上述问题,本发明还提供一种人员关系分析装置,所述装置包括:
数据获取模块,用于获取待分析人员预设类别的信息,对所述信息进行清洗,得到目标信息;
信息提取模块,用于提取所述目标信息中工作经历信息及教育经历信息;
同事关系分析模块,用于根据所述工作经历信息,从预设数据库中查询与所述待分析人员关联的第一人群数据,对所述第一人群数据进行语义分析,得到所述待分析人员的同事关系数据;
同学关系分析模块,用于根据所述教育经历信息,从所述预设数据库中查询与所述待分析人员关联的第二人群数据,对所述第二人群数据进行语义分析,得到所述待分析人员的同学关系数据;
人员关系图谱生成模块,用于根据所述同事关系数据及所述同学关系数据,构建所述待分析人员的人员关系图谱。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述所述的人员关系分析方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的人员关系分析方法。
本发明实施例通过获取待分析人员详细信息,可以实时获取网络中公开动态数据,不涉及隐私数据,不受数据源的影响,对所述获取待分析人员详细信息进行清洗,得到目标信息,避免不必要的信息,提升人员关系分析准确率及效率;进一步,提取所述目标信息中工作经历信息及教育经历信息,根据所述工作经历信息,从预设数据库中查询与所述待分析人员的第一人群数据,对所述第一人群数据进行语义分析,得到所述待分析人员的同事关系数据,根据所述教育经历信息,从所述预设数据库中查询与所述待分析人员的第二人群数据,对所述第二人群数据进行语义分析,得到所述待分析人员的同学关系数据,根据所述同事关系数据及所述同学关系数据,构建所述待分析人员的人员关系图谱,精确快速地得到待分析人员的人员关系图谱,无需人工干预,提升了人员关系分析准确率及效率。因此本发明提出的人员关系分析方法、装置、电子设备及计算机可读存储介质,可以解决人员关系分析准确率及效率低的问题。
附图说明
图1为本发明一实施例提供的人员关系分析方法的流程示意图;
图2为图1所示人员关系分析方法中其中一个步骤的详细实施流程示意图;
图3为图1所示人员关系分析方法中其中另一个步骤的详细实施流程示意图;
图4为本发明一实施例提供的人员关系分析装置的功能模块图;
图5为本发明一实施例提供的实现所述人员关系分析方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种人员关系分析方法。所述人员关系分析方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述人员关系分析方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的人员关系分析方法的流程示意图。在本实施例中,所述人员关系分析方法包括:
S1、获取待分析人员预设类别的信息,对所述信息进行清洗,得到目标信息。
本发明实施例中,可以利用爬虫技术从社交媒体(例如facebook、LinkedIn、微信、钉钉等)中获取待分析人员预设类别的信息,也可以从业界常用的数据库中获取待分析人员预设类别的信息。其中,所述待分析人员预设类别信息可以包括:姓名、国籍、年龄、身份证号、家庭住址、工作单位、毕业院校、入校时间、毕业时间、职位、照片、手机号码、在职时间等。
本发明实施例中,所述待分析人员预设类别的信息中会存在无效信息,可以通过预设的正则表达式对所述对所述获取待分析人员详细信息进行清洗,删除无效信息,得到目标信息。
本发明实施例中,可以实时从网络爬取待分析人员公开的动态详细信息,不涉及隐私数据,不受数据源的影响,且对所述获取待分析人员详细信息进行清洗,得到目标信息,避免不必要的信息,提升人员关系分析准确率及效率。
S2、提取所述目标信息中工作经历信息及教育经历信息。
本发明实施例中,可以利用DMCNN(Dynamic Multi-Pooling ConvolutionalNeural Networks,动态池化卷积神经网络)模型对所述目标信息进行分类,并提取工作经历信息及教育经历信息。
本发明实施例中,所述DMCNN模型是一种pipeline方式的事件抽取模型,可以对文本进行体征提取及分类。
本发明实施例中,利用DMCNN模型提取所述目标信息中工作经历信息及教育经历信息,能够更准确的理解文本中整个句子的含义,精准的提取文本特征并进行分类,有利于得到准确的工作经历信息及教育经历信息。
S3、根据所述工作经历信息,从预设数据库中查询与所述待分析人员的第一人群数据,对所述第一人群数据进行语义分析,得到所述待分析人员的同事关系数据。
本发明实施例中,所述预设数据库为根据历史数据收集的目标企业及企业中相关人员的数据表,可以包含企业信息、个人信息及相互之间的关联关系等。
详细地,参阅图2所示,S3中所述根据所述工作经历信息,从预设数据库中查询与所述待分析人员的第一人群数据,包括:
S31、对所述工作经历信息进行分词及量化操作,得到工作经历信息特征向量;
S32、从所述工作经历信息特征向量中提取公司实体向量、职务实体向量及工作关系向量;
S33、对所述公司实体向量、所述职务实体向量及所述工作关系向量进行分类,并基于分类结果,构建工作经历知识图谱;
S34、从预设数据库中提取公司名称关键字及公司主要人员信息,根据所述公司实体向量及所述公司名称关键字,从所述预设数据库中匹配相似公司名称集;
S35、根据所述公司主要人员信息,从所述相似公司名称集中筛选出与所述公司实体向量对应的相同公司名称;
S36、从所述预设数据库中提取所述相同公司名称中所有人员的数据作为所述待分析人员关联的第一人群数据。
本发明实施例中,可以采用常用分词工具,例如结巴分词器、Ansj分词器、BERT(Bidirectional Encoder Representation from Transformers,双向编码器)模型等,对所述工作经历信息进行分解为单个字符序列,并对所述单个字符序列进行量化为工作经历信息特征向量。
进一步地,参阅图3所示,所述S32包括:
S321、根据所述工作经历信息特征向量,从预设工作经历词典中匹配潜在词集合;
S322、利用预训练完成的实体及关系提取模型,对所述潜在词集合及所述工作经历信息特征向量进行编码,得到工作经历字符表征向量及潜在词表征向量;
S323、基于所述实体及关系提取模型中的注意力机制,将所述工作经历字符表征向量及所述潜在词表征向量进行加权融合,得到融合向量;
S324、利用所述实体及关系提取模型,对所述融合向量分别进行单向编码及反向编码,得到单向特征向量及反向特征向量;
S325、利用所述实体及关系提取模型,拼接所述单向特征向量及所述反向特征向量,得到所述工作经历信息的输出状态序列;
S326、利用所述实体及关系提取模型中的一阶Viterbi算法对所述输出状态序列进行分类并标注概率排序,选择概率最大的向量作为公司实体向量、职务实体向量及工作关系向量。
本发明实施例中,所述预设工作经历词典为根据人力资源相关资料进行分析得到的跟工作经历相关词汇的词典。
本发明实施例中,利用一阶Viterbi算法对所述输出状态序列进行分类并标注概率排序,选择概率最大的向量作为公司实体向量、职务实体向量及工作关系向量,能够快速找到最优计算路径,提升了概率计算及分类效率。
进一步地,本发明实施例中,可以利用训练完成的实体及关系提取模型对所述工作经历信息特征向量及所述潜在词集合进行双向特征编码,获得所述工作经历信息的输出状态序列,进一步利用一阶Viterbi算法对所述输出状态序列进行标注概率排序并分类,得到公司实体向量、职务实体向量及工作关系向量。
本发明实施例中,所述实体及关系提取模型可以为双向Lattice LSTM(LatticeLong Short-term Memory、网格长短期记忆网络)模型。
更进一步地,所述S321之前,所述方法还包括:
分别获取专业中文语料及专业人力资源词典;
对所述专业中文语料进行分词及量化操作,得到专业中文词向量;
对所述专业人力资源词典进行改善性分词并量化操作,得到人力资源分词向量;
将所述专业中文词向量与所述人力资源分词向量进行组合,得到预设工作经历词典。
本发明实施例中,所述专业中文语料可以为各个网站经专业人员认可的语料集。
本发明实施例中,所述专业人力资源词典可以为当前已出版的权威词典,由于所述专业人力资源词典中职业、公司架构等词汇的描述比较书面化与本发明所述的职务实体向量与工作关系向量不完全一致,因此需要稍微修改所述专业人力资源词典;且所述专业人力资源词典中包含很多管理相关的词汇与本发明不相关,需要删除部分词汇。
更进一步地,所述预训练完成的实体及关系提取模型的训练过程包括:
获取历史工作经历数据集,对所述历史工作经历数据集进行标注得到标注数据;
利用K折交叉验证算法将所述历史工作经历数据集划分为训练集及测试集;
利用预设实体及关系提取模型,提取所述训练集中目标公司实体向量、目标职务实体向量及目标工作关系向量;
利用预设的损失函数分别计算所述目标公司实体向量、所述目标职务实体向量、所述目标工作关系向量与所述标注数据之间的损失值,根据所述损失值对所述预设实体及关系提取模型进行参数调整,并返回所述利用K折交叉验证算法将所述历史工作经历数据集划分为训练集及测试集的步骤,直至所述损失值小于预设的损失阈值,得到初步训练完成的实体及关系提取模型;
利用所述测试集对所述初步训练完成的实体及关系提取模型进行测试,得到测试结果,当所述测试结果为未通过时,返回所述利用K折交叉验证算法将所述历史工作经历数据集划分为训练集及测试集的步骤,再次对所述实体及关系提取模型进行迭代更新,直至所述测试结果为通过,得到预训练完成的实体及关系提取模型。
本发明实施例中,所述K折交叉验证(K-fold cross-validation)是一种统计学上将数据样本切割成较小子集的方法,用于将初始采样数据分割成K个子样本,一个单独的子样本被保留作为验证模型的数据,其他K-1个样本用来训练。
本发明实施例中,所述预设的损失函数可以为交叉熵损失函数或softmax函数。
详细地,S3中所述对所述第一人群数据进行语义分析,得到所述待分析人员的同事关系数据,包括:
提取所述第一人群数据中相关公司信息及对应的相关人员在职时间信息;
提取所述工作经历信息中所述待分析人员的公司实体向量对应的目标人员在职时间;
匹配所述公司实体向量与所述相关公司信息,得到匹配结果;
当所述匹配结果为匹配时,判断所述相关人员在职时间信息与所述目标人员在职时间是否有重叠;
选取所述相关人员在职时间信息与所述目标人员在职时间之间的重叠数据,根据所述重叠数据对应的相关人员确定所述待分析人员的同事关系数据。
本发明实施例中,当所述相关在职时间信息与所述目标在职时间有重叠时,表示所述相关工作人员为所述待分析人员曾在同一时间段在同一公司供职。
本发明实施例中,所述同事关系数据可以包含现在的同事关系数据及前同事关系数据。
本发明实施例中,利用预训练完成的实体及关系提取模型从所述工作经历信息特征向量中提取公司实体向量、职务实体向量及工作关系向量,对所述第一人群数据进行语义分析,得到所述待分析人员的同事关系,无需人工参与,提升了人员人员关系分析的准确率及效率。
S4、根据所述教育经历信息,从所述预设数据库中查询与所述待分析人员关联的第二人群数据,对所述第二人群数据进行语义分析,得到所述待分析人员的同学关系数据。
本发明实施例中,所述根据所述教育经历信息,从预设数据库中查询与所述待分析人员的第二人群数据,对所述第二人群数据进行语义分析,得到所述待分析人员的同学关系与得到所述待分析人员的同事关系的方法一致,不在此进行赘述。
S5、根据所述同事关系数据及所述同学关系数据,构建所述待分析人员的人员关系图谱。
详细地,所述S5包括:
根据所述待分析人员的同事关系及同学关系,从所述预设数据库中提取同事工作经历数据及同学教育经历数据;
根据所述待分析人员的同事关系及同学关系,在所述预设数据库中根据预设准则建立所述待分析人员的人员关系图谱;
根据所述人员关系图谱,将所述同事工作经历数据及所述同学教育经历数据根据预设展示方式进行展示。
本发明实施例中,所述预设准则为所述预设数据库定义的关联准则。
本发明实施例中,所述预设展示方式可以为折叠式展示、平铺式展示、表格式展示等多种展示方式,并且同事关系数据展示可以按照当前同事及前同事进行分类展示,所述同学关系数据可以根据不同学龄阶段进行分类展示。
本发明实施例通过获取待分析人员详细信息,可以实时获取网络中公开动态数据,不涉及隐私数据,不受数据源的影响,对所述获取待分析人员详细信息进行清洗,得到目标信息,避免不必要的信息,提升人员关系分析准确率及效率;进一步,提取所述目标信息中工作经历信息及教育经历信息,根据所述工作经历信息,从预设数据库中查询与所述待分析人员的第一人群数据,对所述第一人群数据进行语义分析,得到所述待分析人员的同事关系数据,根据所述教育经历信息,从所述预设数据库中查询与所述待分析人员的第二人群数据,对所述第二人群数据进行语义分析,得到所述待分析人员的同学关系数据,根据所述同事关系数据及所述同学关系数据,构建所述待分析人员的人员关系图谱,精确快速地得到待分析人员的人员关系图谱,无需人工干预,提升了人员关系分析准确率及效率。因此本发明提出的人员关系分析方法,可以解决人员关系分析准确率及效率低的问题。
如图4所示,是本发明一实施例提供的人员关系分析装置的功能模块图。
本发明所述人员关系分析装置100可以安装于电子设备中。根据实现的功能,所述人员关系分析装置100可以包括数据获取模块101、信息提取模块102、同事关系分析模块103、同学关系分析模块104及人员关系图谱生成模块105。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述数据获取模块101,用于获取待分析人员预设类别的信息,对所述信息进行清洗,得到目标信息;
所述信息提取模块102,用于提取所述目标信息中工作经历信息及教育经历信息;
所述同事关系分析模块103,用于根据所述工作经历信息,从预设数据库中查询与所述待分析人员关联的第一人群数据,对所述第一人群数据进行语义分析,得到所述待分析人员的同事关系数据;
所述同学关系分析模块104,用于根据所述教育经历信息,从所述预设数据库中查询与所述待分析人员关联的第二人群数据,对所述第二人群数据进行语义分析,得到所述待分析人员的同学关系数据;
所述人员关系图谱生成模块105,用于根据所述同事关系数据及所述同学关系数据,构建所述待分析人员的人员关系图谱。
详细地,本发明实施例中所述人员关系分析装置100中所述的各模块在使用时采用与上述图1至图3中所述的人员关系分析方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图5所示,是本发明一实施例提供的实现人员关系分析方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如人员关系分析程序。
其中,所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing Unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行人员关系分析程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如人员关系分析程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图5仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图5示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的人员关系分析程序是多个指令的组合,在所述处理器10中运行时,可以实现:
获取待分析人员预设类别的信息,对所述信息进行清洗,得到目标信息;
提取所述目标信息中工作经历信息及教育经历信息;
根据所述工作经历信息,从预设数据库中查询与所述待分析人员关联的第一人群数据,对所述第一人群数据进行语义分析,得到所述待分析人员的同事关系数据;
根据所述教育经历信息,从所述预设数据库中查询与所述待分析人员关联的第二人群数据,对所述第二人群数据进行语义分析,得到所述待分析人员的同学关系数据;
根据所述同事关系数据及所述同学关系数据,构建所述待分析人员的人员关系图谱。
具体地,所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取待分析人员预设类别的信息,对所述信息进行清洗,得到目标信息;
提取所述目标信息中工作经历信息及教育经历信息;
根据所述工作经历信息,从预设数据库中查询与所述待分析人员关联的第一人群数据,对所述第一人群数据进行语义分析,得到所述待分析人员的同事关系数据;
根据所述教育经历信息,从所述预设数据库中查询与所述待分析人员关联的第二人群数据,对所述第二人群数据进行语义分析,得到所述待分析人员的同学关系数据;
根据所述同事关系数据及所述同学关系数据,构建所述待分析人员的人员关系图谱。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
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限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种人员关系分析方法,其特征在于,所述方法包括:
获取待分析人员预设类别的信息,对所述信息进行清洗,得到目标信息;
提取所述目标信息中工作经历信息及教育经历信息;
根据所述工作经历信息,从预设数据库中查询与所述待分析人员关联的第一人群数据,对所述第一人群数据进行语义分析,得到所述待分析人员的同事关系数据;
根据所述教育经历信息,从所述预设数据库中查询与所述待分析人员关联的第二人群数据,对所述第二人群数据进行语义分析,得到所述待分析人员的同学关系数据;
根据所述同事关系数据及所述同学关系数据,构建所述待分析人员的人员关系图谱。
2.如权利要求1所述的人员关系分析方法,其特征在于,所述根据所述工作经历信息,从预设数据库中查询与所述待分析人员关联的第一人群数据,包括:
对所述工作经历信息进行分词及量化操作,得到工作经历信息特征向量;
从所述工作经历信息特征向量中提取公司实体向量、职务实体向量及工作关系向量;
对所述公司实体向量、所述职务实体向量及所述工作关系向量进行分类,并基于分类结果,构建工作经历知识图谱;
从预设数据库中提取公司名称关键字及公司主要人员信息,根据所述公司实体向量及所述公司名称关键字,从所述预设数据库中匹配相似公司名称集;
根据所述公司主要人员信息,从所述相似公司名称集中筛选出与所述公司实体向量对应的相同公司名称;
从所述预设数据库中提取所述相同公司名称中所有人员的数据作为所述待分析人员关联的第一人群数据。
3.如权利要求2所述的人员关系分析方法,其特征在于,所述从所述工作经历信息特征向量中提取公司实体向量、职务实体向量及工作关系向量,包括:
根据所述工作经历信息特征向量,从预设工作经历词典中匹配潜在词集合;
利用预训练完成的实体及关系提取模型,对所述潜在词集合及所述工作经历信息特征向量进行编码,得到工作经历字符表征向量及潜在词表征向量;
基于所述实体及关系提取模型中的注意力机制,将所述工作经历字符表征向量及所述潜在词表征向量进行加权融合,得到融合向量;
利用所述实体及关系提取模型,对所述融合向量分别进行单向编码及反向编码,得到单向特征向量及反向特征向量;
利用所述实体及关系提取模型,拼接所述单向特征向量及所述反向特征向量,得到所述工作经历信息的输出状态序列;
利用所述实体及关系提取模型中的一阶Viterbi算法对所述输出状态序列进行分类并标注概率排序,选择概率最大的向量作为公司实体向量、职务实体向量及工作关系向量。
4.如权利要求1所述的人员关系分析方法,其特征在于,所述对所述第一人群数据进行语义分析,得到所述待分析人员的同事关系数据,包括:
提取所述第一人群数据中相关公司信息及对应的相关人员在职时间信息;
提取所述工作经历信息中所述待分析人员的公司实体向量对应的目标人员在职时间;
匹配所述公司实体向量与所述相关公司信息,得到匹配结果;
当所述匹配结果为匹配时,判断所述相关人员在职时间信息与所述目标人员在职时间是否有重叠;
选取所述相关人员在职时间信息与所述目标人员在职时间之间的重叠数据,根据所述重叠数据对应的相关人员确定所述待分析人员的同事关系数据。
5.如权利要求3所述的人员关系分析方法,其特征在于,所述利用预训练完成的实体及关系提取模型,对所述潜在词集合及所述工作经历信息特征向量进行编码,得到工作经历字符表征向量及潜在词表征向量之前,所述方法还包括:
获取历史工作经历数据集,对所述历史工作经历数据集进行标注得到标注数据;
利用K折交叉验证算法将所述历史工作经历数据集划分为训练集及测试集;
利用预设实体及关系提取模型,提取所述训练集中目标公司实体向量、目标职务实体向量及目标工作关系向量;
利用预设的损失函数分别计算所述目标公司实体向量、所述目标职务实体向量、所述目标工作关系向量与所述标注数据之间的损失值,根据所述损失值对所述预设实体及关系提取模型进行参数调整,并返回所述利用K折交叉验证算法将所述历史工作经历数据集划分为训练集及测试集的步骤,直至所述损失值小于预设的损失阈值,得到初步训练完成的实体及关系提取模型;
利用所述测试集对所述初步训练完成的实体及关系提取模型进行测试,得到测试结果,当所述测试结果为未通过时,返回所述利用K折交叉验证算法将所述历史工作经历数据集划分为训练集及测试集的步骤,再次对所述实体及关系提取模型进行迭代更新,直至所述测试结果为通过,得到预训练完成的实体及关系提取模型。
6.如权利要求3所述的人员关系分析方法,其特征在于,所述根据所述根据所述工作经历信息特征向量,从预设工作经历词典中匹配潜在词集合之前,所述方法还包括:
分别获取专业中文语料及专业人力资源词典;
对所述专业中文语料进行分词及量化操作,得到专业中文词向量;
对所述专业人力资源词典进行改善性分词并量化操作,得到人力资源分词向量;
将所述专业中文词向量与所述人力资源分词向量进行组合,得到预设工作经历词典。
7.如权利要求1所述的人员关系分析方法,其特征在于,所述根据所述同事关系数据及所述同学关系数据,构建所述待分析人员的人员关系图谱,包括:
根据所述待分析人员的同事关系及同学关系,从所述预设数据库中提取同事工作经历数据及同学教育经历数据;
根据所述待分析人员的同事关系及同学关系,在所述预设数据库中根据预设准则建立所述待分析人员的人员关系图谱;
根据所述人员关系图谱,将所述同事工作经历数据及所述同学教育经历数据根据预设展示方式进行展示。
8.一种人员关系分析装置,其特征在于,所述装置包括:
数据获取模块,用于获取待分析人员预设类别的信息,对所述信息进行清洗,得到目标信息;
信息提取模块,用于提取所述目标信息中工作经历信息及教育经历信息;
同事关系分析模块,用于根据所述工作经历信息,从预设数据库中查询与所述待分析人员关联的第一人群数据,对所述第一人群数据进行语义分析,得到所述待分析人员的同事关系数据;
同学关系分析模块,用于根据所述教育经历信息,从所述预设数据库中查询与所述待分析人员关联的第二人群数据,对所述第二人群数据进行语义分析,得到所述待分析人员的同学关系数据;
人员关系图谱生成模块,用于根据所述同事关系数据及所述同学关系数据,构建所述待分析人员的人员关系图谱。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的人员关系分析方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的人员关系分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211480510.4A CN115718807A (zh) | 2022-11-23 | 2022-11-23 | 人员关系分析方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211480510.4A CN115718807A (zh) | 2022-11-23 | 2022-11-23 | 人员关系分析方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115718807A true CN115718807A (zh) | 2023-02-28 |
Family
ID=85256238
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211480510.4A Pending CN115718807A (zh) | 2022-11-23 | 2022-11-23 | 人员关系分析方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115718807A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116126947A (zh) * | 2023-04-18 | 2023-05-16 | 西昌学院 | 应用于企业管理***的大数据分析方法及*** |
-
2022
- 2022-11-23 CN CN202211480510.4A patent/CN115718807A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116126947A (zh) * | 2023-04-18 | 2023-05-16 | 西昌学院 | 应用于企业管理***的大数据分析方法及*** |
CN116126947B (zh) * | 2023-04-18 | 2023-06-30 | 西昌学院 | 应用于企业管理***的大数据分析方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108804512B (zh) | 文本分类模型的生成装置、方法及计算机可读存储介质 | |
CN115002200B (zh) | 基于用户画像的消息推送方法、装置、设备及存储介质 | |
CN107368521B (zh) | 一种基于大数据和深度学习的知识推介方法及*** | |
CN113868419B (zh) | 基于人工智能的文本分类方法、装置、设备及介质 | |
CN112288337B (zh) | 行为推荐方法、装置、设备及介质 | |
CN111368175A (zh) | 一种事件抽取方法和***及实体分类模型 | |
CN113886691A (zh) | 基于历史数据的智能推荐方法、装置、电子设备及介质 | |
CN113268615A (zh) | 资源标签生成方法、装置、电子设备及存储介质 | |
CN112883730A (zh) | 相似文本匹配方法、装置、电子设备及存储介质 | |
CN113360768A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
CN114420168A (zh) | 情绪识别方法、装置、设备及存储介质 | |
CN113553431B (zh) | 用户标签提取方法、装置、设备及介质 | |
CN115718807A (zh) | 人员关系分析方法、装置、设备及存储介质 | |
CN117635089B (zh) | 基于深度学习的人才推荐方法及*** | |
CN113935880A (zh) | 政策推荐方法、装置、设备及存储介质 | |
CN116523268B (zh) | 一种基于大数据画像的人岗匹配分析方法及装置 | |
CN116166858A (zh) | 基于人工智能的信息推荐方法、装置、设备及存储介质 | |
CN109885647B (zh) | 用户履历验证方法、装置、电子设备及存储介质 | |
CN115146064A (zh) | 意图识别模型优化方法、装置、设备及存储介质 | |
CN114996386A (zh) | 业务角色识别方法、装置、设备及存储介质 | |
CN113706207A (zh) | 基于语义解析的订单成交率分析方法、装置、设备及介质 | |
CN113515591A (zh) | 文本不良信息识别方法、装置、电子设备及存储介质 | |
CN112069807A (zh) | 文本数据的主题提取方法、装置、计算机设备及存储介质 | |
CN112347739A (zh) | 适用规则分析方法、装置、电子设备及存储介质 | |
CN112528112B (zh) | 数据收集及分析方法、装置、电子设备及存储介质 |
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 |