CN116126947A - 应用于企业管理***的大数据分析方法及*** - Google Patents
应用于企业管理***的大数据分析方法及*** Download PDFInfo
- Publication number
- CN116126947A CN116126947A CN202310410737.XA CN202310410737A CN116126947A CN 116126947 A CN116126947 A CN 116126947A CN 202310410737 A CN202310410737 A CN 202310410737A CN 116126947 A CN116126947 A CN 116126947A
- Authority
- CN
- China
- Prior art keywords
- personnel
- group
- vector
- knowledge
- enterprise
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供的应用于企业管理***的大数据分析方法及***,涉及人工智能技术领域。在本发明中,构建出第一数量个企业人员知识图谱;挖掘出第一数量个企业人员知识图谱各自的待定图谱描述向量;基于待定图谱描述向量,确定与人员群体特征标识匹配的基础人员群体描述向量,以及,确定出每两个基础人员群体描述向量对应的匹配关系参数分布;依据每两个基础人员群体描述向量对应的匹配关系参数分布,将基础人员群体描述向量进行优化操作,以形成优化人员群体描述向量;基于优化人员群体描述向量,从企业人员知识图谱中分析出与人员群体特征标识匹配的群体分析数据。基于上述内容,可以提高企业人员群体分析的可靠度。
Description
技术领域
本发明涉及人工智能技术领域,具体而言,涉及一种应用于企业管理***的大数据分析方法及***。
背景技术
大数据技术是以数据为本质的新一代革命性的信息技术,在数据挖潜过程中,能够带动理念、模式、技术及应用实践的创新。工智能(Artificial Intelligence,简称AI),是利用数字计算机或者数字计算机控制的计算模拟、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***。
在大数据技术和人工智能技术的各种应用中,包括对企业管理提供依据,例如,可以对企业人员进行群体分析,以在诸多的企业人员中确定出具有指定的人员群体特征标识的企业人员群体包括的群体成员,但是,在现有技术中,存在着企业人员群体分析的可靠度不高的问题。
发明内容
有鉴于此,本发明的目的在于提供一种应用于企业管理***的大数据分析方法及***,以提高企业人员群体分析的可靠度。
为实现上述目的,本发明实施例采用如下技术方案:
一种应用于企业管理***的大数据分析方法,包括:
构建出第一数量个企业人员知识图谱,所述企业人员知识图谱中的每一个图谱对象对应于一个企业人员,每一个所述图谱对象具有的对象属性信息为对应的企业人员的人员描述文本信息,且所述第一数量个企业人员知识图谱具有的人员群体特征标识一致;
挖掘出所述第一数量个企业人员知识图谱各自的待定图谱描述向量;
基于第一数量个待定图谱描述向量,确定与所述人员群体特征标识匹配的第二数量个基础人员群体描述向量,以及,确定出所述第二数量个基础人员群体描述向量中的每两个基础人员群体描述向量对应的匹配关系参数分布,所述第二数量大于或等于所述第一数量;
依据每两个所述基础人员群体描述向量对应的匹配关系参数分布,将所述第二数量个基础人员群体描述向量进行优化操作,以形成所述第二数量个基础人员群体描述向量中的每一个基础人员群体描述向量对应的优化人员群体描述向量;
基于所述优化人员群体描述向量,分别从所述第一数量个企业人员知识图谱中分析出与所述人员群体特征标识匹配的群体分析数据,所述群体分析数据用于反映对应的所述企业人员知识图谱中具有所述人员群体特征标识的企业人员群体具有的群体成员。
在一些优选的实施例中,在上述应用于企业管理***的大数据分析方法中,所述挖掘出所述第一数量个企业人员知识图谱各自的待定图谱描述向量的步骤,包括:
对所述第一数量个企业人员知识图谱进行加载,以加载到优化图谱分析网络中,所述优化图谱分析网络包括用于进行滤波处理的前端滤波单元;
利用所述前端滤波单元,将所述第一数量个企业人员知识图谱进行滤波处理,输出所述第一数量个企业人员知识图谱中的每一个企业人员知识图谱对应的待定图谱描述向量。
在一些优选的实施例中,在上述应用于企业管理***的大数据分析方法中,所述优化图谱分析网络还包括用于进行群体分析的群体分析单元、用于进行向量映射的向量映射单元和用于进行聚焦特征分析操作的聚焦特征分析单元;
所述基于第一数量个待定图谱描述向量,确定与所述人员群体特征标识匹配的第二数量个基础人员群体描述向量,以及,确定出所述第二数量个基础人员群体描述向量中的每两个基础人员群体描述向量对应的匹配关系参数分布的步骤,包括:
对第一数量个待定图谱描述向量进行加载操作,以加载到所述群体分析单元中,利用所述群体分析单元,从所述第一数量个待定图谱描述向量上抽选出与所述人员群体特征标识匹配的第二数量个抽选人员群体描述向量,一个所述待定图谱描述向量对应有一个或多个抽选人员群体描述向量;
对所述第二数量个抽选人员群体描述向量进行加载操作,以加载到所述向量映射单元中,利用所述向量映射单元,将所述第二数量个抽选人员群体描述向量进行向量映射操作,以形成特征频道一致的第二数量个基础人员群体描述向量;
对所述第二数量个基础人员群体描述向量进行加载操作,以加载到所述聚焦特征分析单元中,利用所述聚焦特征分析单元,将所述第二数量个基础人员群体描述向量进行聚焦特征分析操作,以形成所述第二数量个基础人员群体描述向量中的每两个基础人员群体描述向量对应的匹配关系参数分布。
在一些优选的实施例中,在上述应用于企业管理***的大数据分析方法中,所述对第一数量个待定图谱描述向量进行加载操作,以加载到所述群体分析单元中,利用所述群体分析单元,从所述第一数量个待定图谱描述向量上抽选出与所述人员群体特征标识匹配的第二数量个抽选人员群体描述向量的步骤,包括:
对第一数量个待定图谱描述向量进行加载操作,以加载到所述群体分析单元中,利用所述群体分析单元,基于所述第一数量个待定图谱描述向量,将所述第一数量个企业人员知识图谱进行群体分析操作,以从所述第一数量个企业人员知识图谱中确定用于反映第一人员群体的群体分布子图谱;所述第一人员群体具有所述人员群体特征标识;所述群体分布子图谱的数量等于所述第二数量;
挖掘出第二数量个群体分布子图谱中的每一个群体分布子图谱对应的抽选人员群体描述向量,以形成与所述人员群体特征标识匹配的第二数量个抽选人员群体描述向量;
并且,所述对所述第二数量个基础人员群体描述向量进行加载操作,以加载到所述聚焦特征分析单元中,利用所述聚焦特征分析单元,将所述第二数量个基础人员群体描述向量进行聚焦特征分析操作,以形成所述第二数量个基础人员群体描述向量中的每两个基础人员群体描述向量对应的匹配关系参数分布的步骤,包括:
对所述第二数量个基础人员群体描述向量进行加载操作,以加载到所述聚焦特征分析单元中,利用所述聚焦特征分析单元,将所述第二数量个基础人员群体描述向量中的每两个基础人员群体描述向量进行目标聚合操作,以形成每两个所述基础人员群体描述向量对应的聚合人员群体描述向量,所述目标聚合操作至少包括向量之间的相乘操作;
统计出所述第二数量个基础人员群体描述向量的向量大小信息,以及,基于所述向量大小信息,将每两个所述基础人员群体描述向量对应的聚合人员群体描述向量进行向量拉伸或压缩操作,以形成每两个所述基础人员群体描述向量对应的调整人员群体描述向量;
将每两个所述基础人员群体描述向量对应的调整人员群体描述向量进行向量参数的映射操作,以形成每两个所述基础人员群体描述向量对应的匹配关系参数分布。
在一些优选的实施例中,在上述应用于企业管理***的大数据分析方法中,所述优化图谱分析网络还包括用于进行滤波处理的后端滤波单元;
所述基于所述优化人员群体描述向量,分别从所述第一数量个企业人员知识图谱中分析出与所述人员群体特征标识匹配的群体分析数据的步骤,包括:
确定出对应的企业人员知识图谱一致的优化人员群体描述向量;
将所述对应的企业人员知识图谱一致的优化人员群体描述向量进行向量聚合操作,以形成所述第一数量个企业人员知识图谱各自对应的聚合知识图谱描述向量;
对所述聚合知识图谱描述向量进行加载,以加载到所述后端滤波单元中,利用所述后端滤波单元,将所述聚合知识图谱描述向量进行滤波处理,以形成所述聚合知识图谱描述向量对应的滤波知识图谱描述向量;
基于所述滤波知识图谱描述向量,分别从所述第一数量个企业人员知识图谱中分析出与所述人员群体特征标识匹配的群体分析数据。
在一些优选的实施例中,在上述应用于企业管理***的大数据分析方法中,所述基于所述滤波知识图谱描述向量,分别从所述第一数量个企业人员知识图谱中分析出与所述人员群体特征标识匹配的群体分析数据的步骤,包括:
将所述滤波知识图谱描述向量进行插值操作,以形成所述滤波知识图谱描述向量对应的插值知识图谱描述向量;
基于所述第一数量个企业人员知识图谱的图谱大小信息,将所述插值知识图谱描述向量进行向量大小的对应调整处理,以形成所述插值知识图谱描述向量对应的调整知识图谱描述向量;
基于所述调整知识图谱描述向量,分别从所述第一数量个企业人员知识图谱中分析出与所述人员群体特征标识匹配的群体分析数据。
在一些优选的实施例中,在上述应用于企业管理***的大数据分析方法中,所述应用于企业管理***的大数据分析方法还包括:
利用候选图谱分析网络,挖掘出第一数量个典型企业人员知识图谱各自对应的典型待定描述向量,所述第一数量个典型企业人员知识图谱具有的典型人员群体特征标识一致;
利用所述候选图谱分析网络,基于第一数量个典型待定描述向量,确定与所述典型人员群体特征标识匹配的第三数量个典型的基础人员群体描述向量,以及,确定出所述第三数量个典型的基础人员群体描述向量中的每两个典型的基础人员群体描述向量对应的典型的匹配关系参数分布,所述第三数量大于或等于所述第一数量;
依据每两个所述典型的基础人员群体描述向量对应的典型的匹配关系参数分布,将所述第三数量个典型的基础人员群体描述向量进行优化操作,以形成所述第三数量个典型的基础人员群体描述向量中的每一个典型的基础人员群体描述向量对应的典型的优化人员群体描述向量;
依据所述典型的优化人员群体描述向量和所述典型人员群体特征标识,将所述候选图谱分析网络进行网络优化操作,以及,将优化后的候选图谱分析网络标记为优化图谱分析网络。
在一些优选的实施例中,在上述应用于企业管理***的大数据分析方法中,所述候选图谱分析网络包括用于进行参数压缩和抽选处理的向量参数整理单元;所述依据所述典型的优化人员群体描述向量和所述典型人员群体特征标识,将所述候选图谱分析网络进行网络优化操作,以及,将优化后的候选图谱分析网络标记为优化图谱分析网络的步骤,包括:
确定出对应的典型企业人员知识图谱一致的典型的优化人员群体描述向量,以及,将所述对应的典型企业人员知识图谱一致的典型的优化人员群体描述向量进行向量聚合操作,以形成所述第一数量个典型企业人员知识图谱各自对应的典型的聚合知识图谱描述向量;
将所述典型的聚合知识图谱描述向量进行滤波处理,以形成所述典型的聚合知识图谱描述向量对应的典型的滤波知识图谱描述向量;
对所述典型的滤波知识图谱描述向量进行加载,以加载到所述向量参数整理单元中,利用所述向量参数整理单元,将所述典型的滤波知识图谱描述向量进行参数压缩和抽选处理,以形成所述典型的滤波知识图谱描述向量对应的整理知识图谱描述向量;
将所述整理知识图谱描述向量进行向量参数的映射操作,以形成所述整理知识图谱描述向量对应的映射知识图谱描述向量,一个典型企业人员知识图谱对应于一个映射知识图谱描述向量;
依据所述第一数量个典型企业人员知识图谱中的每一个典型企业人员知识图谱对应的映射知识图谱描述向量和所述典型人员群体特征标识,将所述候选图谱分析网络进行网络优化操作,以及,将优化后的候选图谱分析网络标记为优化图谱分析网络。
在一些优选的实施例中,在上述应用于企业管理***的大数据分析方法中,所述依据所述第一数量个典型企业人员知识图谱中的每一个典型企业人员知识图谱对应的映射知识图谱描述向量和所述典型人员群体特征标识,将所述候选图谱分析网络进行网络优化操作,以及,将优化后的候选图谱分析网络标记为优化图谱分析网络的步骤,包括:
基于所述典型人员群体特征标识,确定出用于计算所述候选图谱分析网络的网络学习代价参数的群体特征标识描述向量;
依据所述第一数量个典型企业人员知识图谱中的每一个典型企业人员知识图谱对应的映射知识图谱描述向量和所述群体特征标识描述向量,计算出每一个典型企业人员知识图谱对应的特征学习代价参数;
基于每一个典型企业人员知识图谱对应的特征学习代价参数,确定出所述候选图谱分析网络具有的网络学习代价参数;
基于所述网络学习代价参数,将所述候选图谱分析网络进行网络优化操作,以及,将优化后的候选图谱分析网络标记为优化图谱分析网络。
本发明实施例还提供一种应用于企业管理***的大数据分析***,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,以实现上述的应用于企业管理***的大数据分析方法。
本发明实施例提供的应用于企业管理***的大数据分析方法及***,可以先构建出第一数量个企业人员知识图谱;挖掘出第一数量个企业人员知识图谱各自的待定图谱描述向量;基于待定图谱描述向量,确定与人员群体特征标识匹配的基础人员群体描述向量,以及,确定出每两个基础人员群体描述向量对应的匹配关系参数分布;依据每两个基础人员群体描述向量对应的匹配关系参数分布,将基础人员群体描述向量进行优化操作,以形成优化人员群体描述向量;基于优化人员群体描述向量,从企业人员知识图谱中分析出与人员群体特征标识匹配的群体分析数据。基于前述的内容,由于可以构建出人员群体特征标识一致的第一数量个企业人员知识图谱,进而挖掘出与第一数量个企业人员知识图谱匹配的第二数量个基础人员群体描述向量,使得可以对第二数量个基础人员群体描述向量进行关联分析,以得到第二数量个基础人员群体描述向量之间的相关关系,即匹配关系参数分布,从而基于关联分析得到的匹配关系参数分布对第二数量个基础人员群体描述向量进行优化,得到优化人员群体描述向量,这样,第二数量个优化人员群体描述向量中的每一个优化人员群体描述向量都融入有其它基础人员群体描述向量携带的信息,因此,在基于上述优化人员群体描述向量对第一数量个企业人员知识图谱中的每一个企业人员知识图谱进行群体分析时,可以充分利用其它企业人员知识图谱中的与人员群体特征标识匹配的图谱数据,使得可以得到提高群体分析的可靠度。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
图1为本发明实施例提供的应用于企业管理***的大数据分析***的结构框图。
图2为本发明实施例提供的应用于企业管理***的大数据分析方法包括的各步骤的流程示意图。
图3为本发明实施例提供的应用于企业管理***的大数据分析装置包括的各模块的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例只是本发明的一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明实施例提供了一种应用于企业管理***的大数据分析***。其中,所述大数据分析***可以包括存储器和处理器。
详细地,所述存储器和处理器之间直接或间接地电性连接,以实现数据的传输或交互。例如,相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件(firmware)的形式,存在的软件功能模块(计算机程序)。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序,从而实现本发明实施例(如后文所述)提供的应用于企业管理***的大数据分析方法。
可以理解的是,在一些具体的实施方式中,所述存储器可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(ErasableProgrammable Read-Only Memory,EPROM),电可擦除只读存储器(ElectricErasable Programmable Read-Only Memory,EEPROM)等。
可以理解的是,在一些具体的实施方式中,所述处理器可以是一种通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)、片上***(System on Chip,SoC)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以理解的是,在一些具体的实施方式中,所述应用于企业管理***的大数据分析***可以是一种具备数据处理能力的服务器,该服务器可以于企业管理***(企业管理平台服务器)通信连接。
结合图2,本发明实施例还提供一种应用于企业管理***的大数据分析方法,可应用于上述应用于企业管理***的大数据分析***。其中,所述应用于企业管理***的大数据分析方法有关的流程所定义的方法步骤,可以由所述应用于企业管理***的大数据分析***实现。
下面将对图2所示的具体流程,进行详细阐述。
步骤S110,构建出第一数量个企业人员知识图谱。
在本发明实施例中,所述应用于企业管理***的大数据分析***可以构建出第一数量个企业人员知识图谱。所述企业人员知识图谱中的每一个图谱对象对应于一个企业人员,每一个所述图谱对象具有的对象属性信息为对应的企业人员的人员描述文本信息,且所述第一数量个企业人员知识图谱具有的人员群体特征标识一致,例如,所述第一数量个企业人员知识图谱中的每一个企业人员知识图谱对应的企业人员都属于一个企业,例如,一个企业人员知识图谱对应于企业一个时间的企业人员,多个企业人员知识图谱,对应于企业多个时间的企业人员,由于,对于一个企业而言,在不同的时间,虽然企业人员会发生变化,但是,发生的变化的幅度不会较大,使得各个时间对应的企业人员知识图谱具有的人员群体特征标识一致,人员群体特征的具体内容不受限制,如标识出具有某某偏好的群体。
步骤S120,挖掘出所述第一数量个企业人员知识图谱各自的待定图谱描述向量。
在本发明实施例中,所述应用于企业管理***的大数据分析***可以挖掘出所述第一数量个企业人员知识图谱各自的待定图谱描述向量。
步骤S130,基于第一数量个待定图谱描述向量,确定与所述人员群体特征标识匹配的第二数量个基础人员群体描述向量,以及,确定出所述第二数量个基础人员群体描述向量中的每两个基础人员群体描述向量对应的匹配关系参数分布。
在本发明实施例中,所述应用于企业管理***的大数据分析***可以基于第一数量个待定图谱描述向量,确定与所述人员群体特征标识匹配的第二数量个基础人员群体描述向量,以及,确定出所述第二数量个基础人员群体描述向量中的每两个基础人员群体描述向量对应的匹配关系参数分布。所述第二数量大于或等于所述第一数量。
步骤S140,依据每两个所述基础人员群体描述向量对应的匹配关系参数分布,将所述第二数量个基础人员群体描述向量进行优化操作,以形成所述第二数量个基础人员群体描述向量中的每一个基础人员群体描述向量对应的优化人员群体描述向量。
在本发明实施例中,所述应用于企业管理***的大数据分析***可以依据每两个所述基础人员群体描述向量对应的匹配关系参数分布,将所述第二数量个基础人员群体描述向量进行优化操作,以形成所述第二数量个基础人员群体描述向量中的每一个基础人员群体描述向量对应的优化人员群体描述向量,以实现描述向量的优化、强化。
步骤S150,基于所述优化人员群体描述向量,分别从所述第一数量个企业人员知识图谱中分析出与所述人员群体特征标识匹配的群体分析数据。
在本发明实施例中,所述应用于企业管理***的大数据分析***可以基于所述优化人员群体描述向量,分别从所述第一数量个企业人员知识图谱中分析出与所述人员群体特征标识匹配的群体分析数据。所述群体分析数据用于反映对应的所述企业人员知识图谱中具有所述人员群体特征标识的企业人员群体具有的群体成员。示例性地,可以进一步对得到的第一数量个群体分析数据进行处理,以得到最终的群体分析数据,例如,可以将最近一个时间对应的企业人员知识图谱对应的群体分析数据指示的群体成员,作为相应企业的关注对象(如信息推送等处理的对象),或者,可以将各企业人员知识图谱对应的群体分析数据指示的群体成员的交集成员,作为相应企业的关注对象,具体可以根据实际需求进行配置。
基于前述的内容,由于可以构建出人员群体特征标识一致的第一数量个企业人员知识图谱,进而挖掘出与第一数量个企业人员知识图谱匹配的第二数量个基础人员群体描述向量,使得可以对第二数量个基础人员群体描述向量进行关联分析,以得到第二数量个基础人员群体描述向量之间的相关关系,即匹配关系参数分布,从而基于关联分析得到的匹配关系参数分布对第二数量个基础人员群体描述向量进行优化,得到优化人员群体描述向量,这样,第二数量个优化人员群体描述向量中的每一个优化人员群体描述向量都融入有其它基础人员群体描述向量携带的信息,因此,在基于上述优化人员群体描述向量对第一数量个企业人员知识图谱中的每一个企业人员知识图谱进行群体分析时,可以充分利用其它企业人员知识图谱中的与人员群体特征标识匹配的图谱数据,使得可以得到提高群体分析的可靠度,从而改善现有技术中存在的不足。
其中,可以理解的是,在一些具体的实施方式中,上文中的步骤S110,即所述构建出第一数量个企业人员知识图谱的步骤,可以进一步包括以下所述的各项详细的实施内容:
确定出每一个企业人员对应的人员描述文本信息,所述人员描述文本信息用于描述所述企业人员的人员行为信息,该人员行为信息可以仅包括所述企业人员在企业中的行为信息,也可以进一步包括其它行为信息;
基于对应的人员描述文本信息之间的文本相似度,确定出所述企业人员之间的人员相关关系,以及,基于所述人员相关关系,确定出所述企业人员对应的图谱对象之间的对象相关关系,该对象相关关系可以作为图谱对象之间在企业人员知识图谱中具有的分布关系;
基于所述分布关系构建出对应的企业人员知识图谱,并且,在所述企业人员知识图谱中,可以直接将所述人员描述文本信息作为所述图谱对象具有的对象属性信息,也可以将所述人员描述文本信息进行转换,以对应数值等方式来表征,即得到对应的对象属性信息,如人员描述文本信息a转换为0001、人员描述文本信息b转换为0002、人员描述文本信息c转换为0003,0001与0002之间的差异小于0001与0003之间的差异,对应地,人员描述文本信息a与人员描述文本信息b之间的差异也小于人员描述文本信息a与人员描述文本信息c之间的差异。
可以理解的是,在一些具体的实施方式中,上文中的步骤S120,即所述挖掘出所述第一数量个企业人员知识图谱各自的待定图谱描述向量的步骤,可以进一步包括以下所述的各项详细的实施内容:
对所述第一数量个企业人员知识图谱进行加载,以加载到优化图谱分析网络中,所述优化图谱分析网络包括用于进行滤波处理的前端滤波单元;
利用所述前端滤波单元,将所述第一数量个企业人员知识图谱进行滤波处理,输出所述第一数量个企业人员知识图谱中的每一个企业人员知识图谱对应的待定图谱描述向量,所述前端滤波单元包括的滤波矩阵,也可以称为卷积核,其具体的参数可以通过进行网络优化操作以形成。
可以理解的是,在一些具体的实施方式中,所述优化图谱分析网络还可以包括用于进行群体分析的群体分析单元、用于进行向量映射的向量映射单元和用于进行聚焦特征分析操作的聚焦特征分析单元,基于此,上文的步骤S130,即所述基于第一数量个待定图谱描述向量,确定与所述人员群体特征标识匹配的第二数量个基础人员群体描述向量,以及,确定出所述第二数量个基础人员群体描述向量中的每两个基础人员群体描述向量对应的匹配关系参数分布的步骤,可以包括以下所述的各项详细的实施内容:
对第一数量个待定图谱描述向量进行加载操作,以加载到所述群体分析单元中,利用所述群体分析单元,从所述第一数量个待定图谱描述向量上抽选出与所述人员群体特征标识匹配的第二数量个抽选人员群体描述向量,一个所述待定图谱描述向量对应有一个或多个抽选人员群体描述向量,即对应有至少一个抽选人员群体描述向量;
对所述第二数量个抽选人员群体描述向量进行加载操作,以加载到所述向量映射单元中,利用所述向量映射单元,将所述第二数量个抽选人员群体描述向量进行向量映射操作,以形成特征频道一致的第二数量个基础人员群体描述向量,特征频道也可以称为特征维度,如都是A*B*C;
对所述第二数量个基础人员群体描述向量进行加载操作,以加载到所述聚焦特征分析单元中,利用所述聚焦特征分析单元,将所述第二数量个基础人员群体描述向量进行聚焦特征分析操作,以形成所述第二数量个基础人员群体描述向量中的每两个基础人员群体描述向量对应的匹配关系参数分布,即表征匹配关系的参数的组合。
可以理解的是,在一些具体的实施方式中,所述对第一数量个待定图谱描述向量进行加载操作,以加载到所述群体分析单元中,利用所述群体分析单元,从所述第一数量个待定图谱描述向量上抽选出与所述人员群体特征标识匹配的第二数量个抽选人员群体描述向量的步骤,可以进一步包括以下所述的各项详细的实施内容:
对第一数量个待定图谱描述向量进行加载操作,以加载到所述群体分析单元中,利用所述群体分析单元,基于所述第一数量个待定图谱描述向量,将所述第一数量个企业人员知识图谱进行群体分析操作,以从所述第一数量个企业人员知识图谱中确定用于反映第一人员群体的群体分布子图谱;所述第一人员群体具有所述人员群体特征标识;所述群体分布子图谱的数量等于所述第二数量,即在每一个所述企业人员知识图谱中,基于对应的待定图谱描述向量,确定出具有所述人员群体特征标识的第一人员群体,即得到对应的群体分布子图谱;
挖掘出第二数量个群体分布子图谱中的每一个群体分布子图谱对应的抽选人员群体描述向量,以形成与所述人员群体特征标识匹配的第二数量个抽选人员群体描述向量,例如,可以将所述群体分布子图谱进行特征空间的映射,以形成对应的抽选人员群体描述向量。
可以理解的是,在一些具体的实施方式中,所述对所述第二数量个基础人员群体描述向量进行加载操作,以加载到所述聚焦特征分析单元中,利用所述聚焦特征分析单元,将所述第二数量个基础人员群体描述向量进行聚焦特征分析操作,以形成所述第二数量个基础人员群体描述向量中的每两个基础人员群体描述向量对应的匹配关系参数分布的步骤,可以进一步包括以下所述的各项详细的实施内容:
对所述第二数量个基础人员群体描述向量进行加载操作,以加载到所述聚焦特征分析单元中,利用所述聚焦特征分析单元,将所述第二数量个基础人员群体描述向量中的每两个基础人员群体描述向量进行目标聚合操作,以形成每两个所述基础人员群体描述向量对应的聚合人员群体描述向量,所述目标聚合操作至少包括向量之间的相乘操作,其中,在进行相乘操作之前,还可以对一个聚合人员群体描述向量进行向量参数的行与列的对换,即将一行的向量参数变更为一列的向量参数;
统计出所述第二数量个基础人员群体描述向量的向量大小信息,以及,基于所述向量大小信息,将每两个所述基础人员群体描述向量对应的聚合人员群体描述向量进行向量拉伸或压缩操作,以形成每两个所述基础人员群体描述向量对应的调整人员群体描述向量,使得向量大小一致;
将每两个所述基础人员群体描述向量对应的调整人员群体描述向量进行向量参数的映射操作,例如,可以通过配置的映射函数映射到区间0到1,以形成每两个所述基础人员群体描述向量对应的匹配关系参数分布。
其中,可以理解的是,在一些具体的实施方式中,所述应用于企业管理***的大数据分析方法还可以包括以下所述的各项详细的实施内容:
对所述第二数量个基础人员群体描述向量进行标记,以标记为图谱成员,以及,依据每两个所述基础人员群体描述向量对应的匹配关系参数分布,确定出所述图谱成员之间的连接线参数,一个基础人员群体描述向量对应于一个图谱成员,一个匹配关系参数分布对应于一个连接线参数;
依据所述图谱成员和所述连接线参数,确定所述第一数量个企业人员知识图谱对应的向量关系表征图谱。
其中,可以理解的是,在一些具体的实施方式中,上文中的步骤S140,即,所述依据每两个所述基础人员群体描述向量对应的匹配关系参数分布,将所述第二数量个基础人员群体描述向量进行优化操作,以形成所述第二数量个基础人员群体描述向量中的每一个基础人员群体描述向量对应的优化人员群体描述向量的步骤,进一步包括以下所述的各项详细的实施内容:
依据所述向量关系表征图谱中的所述连接线参数,将所述向量关系表征图谱中的第二数量个图谱成员进行向量优化操作,以形成所述第二数量个基础人员群体描述向量中的每一个基础人员群体描述向量对应的优化人员群体描述向量,即进行有权重的优化。
其中,可以理解的是,在一些具体的实施方式中,所述向量关系表征图谱中的第二数量个图谱成员可以包括第一图谱成员;所述第一图谱成员属于所述第二数量个图谱成员中的任意一个图谱成员;所述优化图谱分析网络还可以包括用于进行向量优化操作的向量优化单元,基于此,所述依据所述向量关系表征图谱中的所述连接线参数,将所述向量关系表征图谱中的第二数量个图谱成员进行向量优化操作,以形成所述第二数量个基础人员群体描述向量中的每一个基础人员群体描述向量对应的优化人员群体描述向量的步骤,可以进一步包括以下所述的各项详细的实施内容:
对所述向量关系表征图谱中所述第一图谱成员以外的图谱成员进行标记,以标记为参考图谱成员,即作为参考依据,以进行辅助分析;
利用所述向量优化单元,从所述连接线参数中,确定出所述参考图谱成员对于所述第一图谱成员具有的第一连接线参数,并确定出所述第一图谱成员的第二连接线参数,一个参考图谱成员对应有一个第一连接线参数,一个第一图谱成员对应有一个第二连接线参数,所述参考图谱成员对应的第一连接线参数为所述参考图谱成员对应的基础人员群体描述向量和所述第一图谱成员对应的基础人员群体描述向量之间的匹配关系参数分布,所述第一图谱成员的第二连接线参数为所述第一图谱成员对应的基础人员群体描述向量和所述第一图谱成员对应的基础人员群体描述向量之间的匹配关系参数分布;
依据所述第一图谱成员对应的基础人员群体描述向量和所述第一连接线参数,分析出用于将所述第一图谱成员进行向量优化的第一优化辅助描述向量,例如,可以对所述第一图谱成员对应的基础人员群体描述向量和所述第一连接线参数进行相乘,以形成第一优化辅助描述向量;
确定出所述第一图谱成员对应的抽选人员群体描述向量,以及,依据所述第一图谱成员对应的抽选人员群体描述向量和所述第二连接线参数,分析出用于将所述第一图谱成员进行向量优化的第二优化辅助描述向量,例如,可以对所述抽选人员群体描述向量和所述第二连接线参数进行相乘,以形成第二优化辅助描述向量;
将所述第一优化辅助描述向量和所述第二优化辅助描述向量进行向量聚合操作,以形成所述第一图谱成员对应的优化人员群体描述向量,例如,可以将所述第一优化辅助描述向量和所述第二优化辅助描述向量进行叠加处理,以形成优化人员群体描述向量;
对所述第一图谱成员对应的优化人员群体描述向量进行标记,以标记为所述第一图谱成员对应的基础人员群体描述向量对应的优化人员群体描述向量,如此,可以实现基于第一图谱成员以外的其它图成员,对第一图谱成员进行向量优化操作,得到对应的优化人员群体描述向量。
可以理解的是,在一些具体的实施方式中,所述优化图谱分析网络还可以包括用于进行滤波处理的后端滤波单元,基于此,上文中的步骤S150,所述基于所述优化人员群体描述向量,分别从所述第一数量个企业人员知识图谱中分析出与所述人员群体特征标识匹配的群体分析数据的步骤,可以进一步包括以下所述的各项详细的实施内容:
确定出对应的企业人员知识图谱一致的优化人员群体描述向量,即确定出企业人员知识图谱1对应的至少一个优化人员群体描述向量、企业人员知识图谱2对应的至少一个优化人员群体描述向量、企业人员知识图谱3对应的至少一个优化人员群体描述向量等;
将所述对应的企业人员知识图谱一致的优化人员群体描述向量进行向量聚合操作,以形成所述第一数量个企业人员知识图谱各自对应的聚合知识图谱描述向量,例如,可以将所述对应的企业人员知识图谱一致的优化人员群体描述向量进行叠加处理,以形成对应的聚合知识图谱描述向量,其中,对于对应的优化人员群体描述向量具有一个的企业人员知识图谱,可以直接将该企业人员知识图谱对应的优化人员群体描述向量,作为该企业人员知识图谱对应的聚合知识图谱描述向量;
对所述聚合知识图谱描述向量进行加载,以加载到所述后端滤波单元中,利用所述后端滤波单元,将所述聚合知识图谱描述向量进行滤波处理,以形成所述聚合知识图谱描述向量对应的滤波知识图谱描述向量;
基于所述滤波知识图谱描述向量,分别从所述第一数量个企业人员知识图谱中分析出与所述人员群体特征标识匹配的群体分析数据。
可以理解的是,在一些具体的实施方式中,所述基于所述滤波知识图谱描述向量,分别从所述第一数量个企业人员知识图谱中分析出与所述人员群体特征标识匹配的群体分析数据的步骤,可以进一步包括以下所述的各项详细的实施内容:
将所述滤波知识图谱描述向量进行插值操作,以形成所述滤波知识图谱描述向量对应的插值知识图谱描述向量;
基于所述第一数量个企业人员知识图谱的图谱大小信息,将所述插值知识图谱描述向量进行向量大小的对应调整处理,以形成所述插值知识图谱描述向量对应的调整知识图谱描述向量;
基于所述调整知识图谱描述向量,分别从所述第一数量个企业人员知识图谱中分析出与所述人员群体特征标识匹配的群体分析数据,例如,可以对所述调整知识图谱描述向量进行激活处理,然后,可以得到用于表征每一个企业人员或对应的图谱对象是否所述人员群体特征标识匹配的概率,如此,可以确定出与所述人员群体特征标识匹配的群体分析数据。
可以理解的是,在一些具体的实施方式中,所述应用于企业管理***的大数据分析方法,还可以进一步包括以下所述的各项详细的实施内容:
利用候选图谱分析网络,挖掘出第一数量个典型企业人员知识图谱各自对应的典型待定描述向量,所述第一数量个典型企业人员知识图谱具有的典型人员群体特征标识一致,如前相关描述;
利用所述候选图谱分析网络,基于第一数量个典型待定描述向量,确定与所述典型人员群体特征标识匹配的第三数量个典型的基础人员群体描述向量,以及,确定出所述第三数量个典型的基础人员群体描述向量中的每两个典型的基础人员群体描述向量对应的典型的匹配关系参数分布,所述第三数量大于或等于所述第一数量,如前相关描述;
依据每两个所述典型的基础人员群体描述向量对应的典型的匹配关系参数分布,将所述第三数量个典型的基础人员群体描述向量进行优化操作,以形成所述第三数量个典型的基础人员群体描述向量中的每一个典型的基础人员群体描述向量对应的典型的优化人员群体描述向量,如前相关描述;
依据所述典型的优化人员群体描述向量和所述典型人员群体特征标识,将所述候选图谱分析网络进行网络优化操作,以及,将优化后的候选图谱分析网络标记为优化图谱分析网络,例如,在优化后的候选图谱分析网络满足预先配置的条件时,可以作为优化图谱分析网络。
可以理解的是,在一些具体的实施方式中,所述候选图谱分析网络可以包括用于进行参数压缩和抽选处理的向量参数整理单元;基于此,所述依据所述典型的优化人员群体描述向量和所述典型人员群体特征标识,将所述候选图谱分析网络进行网络优化操作,以及,将优化后的候选图谱分析网络标记为优化图谱分析网络的步骤,可以进一步包括以下所述的各项详细的实施内容:
确定出对应的典型企业人员知识图谱一致的典型的优化人员群体描述向量,以及,将所述对应的典型企业人员知识图谱一致的典型的优化人员群体描述向量进行向量聚合操作,以形成所述第一数量个典型企业人员知识图谱各自对应的典型的聚合知识图谱描述向量;
将所述典型的聚合知识图谱描述向量进行滤波处理,以形成所述典型的聚合知识图谱描述向量对应的典型的滤波知识图谱描述向量;
对所述典型的滤波知识图谱描述向量进行加载,以加载到所述向量参数整理单元中,利用所述向量参数整理单元,将所述典型的滤波知识图谱描述向量进行参数压缩和抽选处理(如将窗口内的各参数通过最大值进行代表,以实现参数压缩和抽选处理),以形成所述典型的滤波知识图谱描述向量对应的整理知识图谱描述向量;
将所述整理知识图谱描述向量进行向量参数的映射操作,以形成所述整理知识图谱描述向量对应的映射知识图谱描述向量,一个典型企业人员知识图谱对应于一个映射知识图谱描述向量;
依据所述第一数量个典型企业人员知识图谱中的每一个典型企业人员知识图谱对应的映射知识图谱描述向量和所述典型人员群体特征标识,将所述候选图谱分析网络进行网络优化操作,以及,将优化后的候选图谱分析网络标记为优化图谱分析网络。
可以理解的是,在一些具体的实施方式中,所述依据所述第一数量个典型企业人员知识图谱中的每一个典型企业人员知识图谱对应的映射知识图谱描述向量和所述典型人员群体特征标识,将所述候选图谱分析网络进行网络优化操作,以及,将优化后的候选图谱分析网络标记为优化图谱分析网络的步骤,可以进一步包括以下所述的各项详细的实施内容:
基于所述典型人员群体特征标识,确定出用于计算所述候选图谱分析网络的网络学习代价参数的群体特征标识描述向量,示例性地,所述群体特征标识描述向量可以基于所述典型人员群体特征标识得到,例如,所述群体特征标识描述向量的特征维度与所述典型人员群体特征标识的数量一致,在典型人员群体特征标识的数量为第四数量个时,群体特征标识描述向量的向量维度属于第四数量维,举例来说,群体特征标识描述向量可以为(1,0,0,0,…,0)、(0,1,0,0,…,0)、(0,0,1,0,…,0)或(0,0,0,1,…,0);
依据所述第一数量个典型企业人员知识图谱中的每一个典型企业人员知识图谱对应的映射知识图谱描述向量和所述群体特征标识描述向量(之间的差异),计算每一个典型企业人员知识图谱对应的特征学习代价参数;
基于每一个典型企业人员知识图谱对应的特征学习代价参数,(如进行均值计算)确定出所述候选图谱分析网络具有的网络学习代价参数;
基于所述网络学习代价参数,将所述候选图谱分析网络进行网络优化操作,以及,将优化后的候选图谱分析网络标记为优化图谱分析网络,例如,可以沿着降低所述网络学习代价参数的方向进行优化。
结合图3,本发明实施例还提供一种应用于企业管理***的大数据分析装置,可应用于上述应用于企业管理***的大数据分析***。其中,所述应用于企业管理***的大数据分析装置可以包括:
图谱构建模块,用于构建出第一数量个企业人员知识图谱,所述企业人员知识图谱中的每一个图谱对象对应于一个企业人员,每一个所述图谱对象具有的对象属性信息为对应的企业人员的人员描述文本信息,且所述第一数量个企业人员知识图谱具有的人员群体特征标识一致;
图谱挖掘模块,用于挖掘出所述第一数量个企业人员知识图谱各自的待定图谱描述向量;
关系参数确定模块,用于基于第一数量个待定图谱描述向量,确定与所述人员群体特征标识匹配的第二数量个基础人员群体描述向量,以及,确定出所述第二数量个基础人员群体描述向量中的每两个基础人员群体描述向量对应的匹配关系参数分布,所述第二数量大于或等于所述第一数量;
向量优化模块,用于依据每两个所述基础人员群体描述向量对应的匹配关系参数分布,将所述第二数量个基础人员群体描述向量进行优化操作,以形成所述第二数量个基础人员群体描述向量中的每一个基础人员群体描述向量对应的优化人员群体描述向量;
群体分析模块,用于基于所述优化人员群体描述向量,分别从所述第一数量个企业人员知识图谱中分析出与所述人员群体特征标识匹配的群体分析数据,所述群体分析数据用于反映对应的所述企业人员知识图谱中具有所述人员群体特征标识的企业人员群体具有的群体成员。
综上所述,本发明提供的应用于企业管理***的大数据分析方法及***,可以先构建出第一数量个企业人员知识图谱;挖掘出第一数量个企业人员知识图谱各自的待定图谱描述向量;基于待定图谱描述向量,确定与人员群体特征标识匹配的基础人员群体描述向量,以及,确定出每两个基础人员群体描述向量对应的匹配关系参数分布;依据每两个基础人员群体描述向量对应的匹配关系参数分布,将基础人员群体描述向量进行优化操作,以形成优化人员群体描述向量;基于优化人员群体描述向量,从企业人员知识图谱中分析出与人员群体特征标识匹配的群体分析数据。基于前述的内容,由于可以构建出人员群体特征标识一致的第一数量个企业人员知识图谱,进而挖掘出与第一数量个企业人员知识图谱匹配的第二数量个基础人员群体描述向量,使得可以对第二数量个基础人员群体描述向量进行关联分析,以得到第二数量个基础人员群体描述向量之间的相关关系,即匹配关系参数分布,从而基于关联分析得到的匹配关系参数分布对第二数量个基础人员群体描述向量进行优化,得到优化人员群体描述向量,这样,第二数量个优化人员群体描述向量中的每一个优化人员群体描述向量都融入有其它基础人员群体描述向量携带的信息,因此,在基于上述优化人员群体描述向量对第一数量个企业人员知识图谱中的每一个企业人员知识图谱进行群体分析时,可以充分利用其它企业人员知识图谱中的与人员群体特征标识匹配的图谱数据,使得可以得到提高群体分析的可靠度。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种应用于企业管理***的大数据分析方法,其特征在于,包括:
构建出第一数量个企业人员知识图谱,所述企业人员知识图谱中的每一个图谱对象对应于一个企业人员,每一个所述图谱对象具有的对象属性信息为对应的企业人员的人员描述文本信息,且所述第一数量个企业人员知识图谱具有的人员群体特征标识一致;
挖掘出所述第一数量个企业人员知识图谱各自的待定图谱描述向量;
基于第一数量个待定图谱描述向量,确定与所述人员群体特征标识匹配的第二数量个基础人员群体描述向量,以及,确定出所述第二数量个基础人员群体描述向量中的每两个基础人员群体描述向量对应的匹配关系参数分布,所述第二数量大于或等于所述第一数量;
依据每两个所述基础人员群体描述向量对应的匹配关系参数分布,将所述第二数量个基础人员群体描述向量进行优化操作,以形成所述第二数量个基础人员群体描述向量中的每一个基础人员群体描述向量对应的优化人员群体描述向量;
基于所述优化人员群体描述向量,分别从所述第一数量个企业人员知识图谱中分析出与所述人员群体特征标识匹配的群体分析数据,所述群体分析数据用于反映对应的所述企业人员知识图谱中具有所述人员群体特征标识的企业人员群体具有的群体成员。
2.如权利要求1所述的应用于企业管理***的大数据分析方法,其特征在于,所述挖掘出所述第一数量个企业人员知识图谱各自的待定图谱描述向量的步骤,包括:
对所述第一数量个企业人员知识图谱进行加载,以加载到优化图谱分析网络中,所述优化图谱分析网络包括用于进行滤波处理的前端滤波单元;
利用所述前端滤波单元,将所述第一数量个企业人员知识图谱进行滤波处理,输出所述第一数量个企业人员知识图谱中的每一个企业人员知识图谱对应的待定图谱描述向量。
3.如权利要求2所述的应用于企业管理***的大数据分析方法,其特征在于,所述优化图谱分析网络还包括用于进行群体分析的群体分析单元、用于进行向量映射的向量映射单元和用于进行聚焦特征分析操作的聚焦特征分析单元;
所述基于第一数量个待定图谱描述向量,确定与所述人员群体特征标识匹配的第二数量个基础人员群体描述向量,以及,确定出所述第二数量个基础人员群体描述向量中的每两个基础人员群体描述向量对应的匹配关系参数分布的步骤,包括:
对第一数量个待定图谱描述向量进行加载操作,以加载到所述群体分析单元中,利用所述群体分析单元,从所述第一数量个待定图谱描述向量上抽选出与所述人员群体特征标识匹配的第二数量个抽选人员群体描述向量,一个所述待定图谱描述向量对应有一个或多个抽选人员群体描述向量;
对所述第二数量个抽选人员群体描述向量进行加载操作,以加载到所述向量映射单元中,利用所述向量映射单元,将所述第二数量个抽选人员群体描述向量进行向量映射操作,以形成特征频道一致的第二数量个基础人员群体描述向量;
对所述第二数量个基础人员群体描述向量进行加载操作,以加载到所述聚焦特征分析单元中,利用所述聚焦特征分析单元,将所述第二数量个基础人员群体描述向量进行聚焦特征分析操作,以形成所述第二数量个基础人员群体描述向量中的每两个基础人员群体描述向量对应的匹配关系参数分布。
4.如权利要求3所述的应用于企业管理***的大数据分析方法,其特征在于,所述对第一数量个待定图谱描述向量进行加载操作,以加载到所述群体分析单元中,利用所述群体分析单元,从所述第一数量个待定图谱描述向量上抽选出与所述人员群体特征标识匹配的第二数量个抽选人员群体描述向量的步骤,包括:
对第一数量个待定图谱描述向量进行加载操作,以加载到所述群体分析单元中,利用所述群体分析单元,基于所述第一数量个待定图谱描述向量,将所述第一数量个企业人员知识图谱进行群体分析操作,以从所述第一数量个企业人员知识图谱中确定用于反映第一人员群体的群体分布子图谱;所述第一人员群体具有所述人员群体特征标识;所述群体分布子图谱的数量等于所述第二数量;
挖掘出第二数量个群体分布子图谱中的每一个群体分布子图谱对应的抽选人员群体描述向量,以形成与所述人员群体特征标识匹配的第二数量个抽选人员群体描述向量;
并且,所述对所述第二数量个基础人员群体描述向量进行加载操作,以加载到所述聚焦特征分析单元中,利用所述聚焦特征分析单元,将所述第二数量个基础人员群体描述向量进行聚焦特征分析操作,以形成所述第二数量个基础人员群体描述向量中的每两个基础人员群体描述向量对应的匹配关系参数分布的步骤,包括:
对所述第二数量个基础人员群体描述向量进行加载操作,以加载到所述聚焦特征分析单元中,利用所述聚焦特征分析单元,将所述第二数量个基础人员群体描述向量中的每两个基础人员群体描述向量进行目标聚合操作,以形成每两个所述基础人员群体描述向量对应的聚合人员群体描述向量,所述目标聚合操作至少包括向量之间的相乘操作;
统计出所述第二数量个基础人员群体描述向量的向量大小信息,以及,基于所述向量大小信息,将每两个所述基础人员群体描述向量对应的聚合人员群体描述向量进行向量拉伸或压缩操作,以形成每两个所述基础人员群体描述向量对应的调整人员群体描述向量;
将每两个所述基础人员群体描述向量对应的调整人员群体描述向量进行向量参数的映射操作,以形成每两个所述基础人员群体描述向量对应的匹配关系参数分布。
5.如权利要求2所述的应用于企业管理***的大数据分析方法,其特征在于,所述优化图谱分析网络还包括用于进行滤波处理的后端滤波单元;
所述基于所述优化人员群体描述向量,分别从所述第一数量个企业人员知识图谱中分析出与所述人员群体特征标识匹配的群体分析数据的步骤,包括:
确定出对应的企业人员知识图谱一致的优化人员群体描述向量;
将所述对应的企业人员知识图谱一致的优化人员群体描述向量进行向量聚合操作,以形成所述第一数量个企业人员知识图谱各自对应的聚合知识图谱描述向量;
对所述聚合知识图谱描述向量进行加载,以加载到所述后端滤波单元中,利用所述后端滤波单元,将所述聚合知识图谱描述向量进行滤波处理,以形成所述聚合知识图谱描述向量对应的滤波知识图谱描述向量;
基于所述滤波知识图谱描述向量,分别从所述第一数量个企业人员知识图谱中分析出与所述人员群体特征标识匹配的群体分析数据。
6.如权利要求5所述的应用于企业管理***的大数据分析方法,其特征在于,所述基于所述滤波知识图谱描述向量,分别从所述第一数量个企业人员知识图谱中分析出与所述人员群体特征标识匹配的群体分析数据的步骤,包括:
将所述滤波知识图谱描述向量进行插值操作,以形成所述滤波知识图谱描述向量对应的插值知识图谱描述向量;
基于所述第一数量个企业人员知识图谱的图谱大小信息,将所述插值知识图谱描述向量进行向量大小的对应调整处理,以形成所述插值知识图谱描述向量对应的调整知识图谱描述向量;
基于所述调整知识图谱描述向量,分别从所述第一数量个企业人员知识图谱中分析出与所述人员群体特征标识匹配的群体分析数据。
7.如权利要求1-6任意一项所述的应用于企业管理***的大数据分析方法,其特征在于,所述应用于企业管理***的大数据分析方法还包括:
利用候选图谱分析网络,挖掘出第一数量个典型企业人员知识图谱各自对应的典型待定描述向量,所述第一数量个典型企业人员知识图谱具有的典型人员群体特征标识一致;
利用所述候选图谱分析网络,基于第一数量个典型待定描述向量,确定与所述典型人员群体特征标识匹配的第三数量个典型的基础人员群体描述向量,以及,确定出所述第三数量个典型的基础人员群体描述向量中的每两个典型的基础人员群体描述向量对应的典型的匹配关系参数分布,所述第三数量大于或等于所述第一数量;
依据每两个所述典型的基础人员群体描述向量对应的典型的匹配关系参数分布,将所述第三数量个典型的基础人员群体描述向量进行优化操作,以形成所述第三数量个典型的基础人员群体描述向量中的每一个典型的基础人员群体描述向量对应的典型的优化人员群体描述向量;
依据所述典型的优化人员群体描述向量和所述典型人员群体特征标识,将所述候选图谱分析网络进行网络优化操作,以及,将优化后的候选图谱分析网络标记为优化图谱分析网络。
8.如权利要求7所述的应用于企业管理***的大数据分析方法,其特征在于,所述候选图谱分析网络包括用于进行参数压缩和抽选处理的向量参数整理单元;所述依据所述典型的优化人员群体描述向量和所述典型人员群体特征标识,将所述候选图谱分析网络进行网络优化操作,以及,将优化后的候选图谱分析网络标记为优化图谱分析网络的步骤,包括:
确定出对应的典型企业人员知识图谱一致的典型的优化人员群体描述向量,以及,将所述对应的典型企业人员知识图谱一致的典型的优化人员群体描述向量进行向量聚合操作,以形成所述第一数量个典型企业人员知识图谱各自对应的典型的聚合知识图谱描述向量;
将所述典型的聚合知识图谱描述向量进行滤波处理,以形成所述典型的聚合知识图谱描述向量对应的典型的滤波知识图谱描述向量;
对所述典型的滤波知识图谱描述向量进行加载,以加载到所述向量参数整理单元中,利用所述向量参数整理单元,将所述典型的滤波知识图谱描述向量进行参数压缩和抽选处理,以形成所述典型的滤波知识图谱描述向量对应的整理知识图谱描述向量;
将所述整理知识图谱描述向量进行向量参数的映射操作,以形成所述整理知识图谱描述向量对应的映射知识图谱描述向量,一个典型企业人员知识图谱对应于一个映射知识图谱描述向量;
依据所述第一数量个典型企业人员知识图谱中的每一个典型企业人员知识图谱对应的映射知识图谱描述向量和所述典型人员群体特征标识,将所述候选图谱分析网络进行网络优化操作,以及,将优化后的候选图谱分析网络标记为优化图谱分析网络。
9.如权利要求8所述的应用于企业管理***的大数据分析方法,其特征在于,所述依据所述第一数量个典型企业人员知识图谱中的每一个典型企业人员知识图谱对应的映射知识图谱描述向量和所述典型人员群体特征标识,将所述候选图谱分析网络进行网络优化操作,以及,将优化后的候选图谱分析网络标记为优化图谱分析网络的步骤,包括:
基于所述典型人员群体特征标识,确定出用于计算所述候选图谱分析网络的网络学习代价参数的群体特征标识描述向量;
依据所述第一数量个典型企业人员知识图谱中的每一个典型企业人员知识图谱对应的映射知识图谱描述向量和所述群体特征标识描述向量,计算出每一个典型企业人员知识图谱对应的特征学习代价参数;
基于每一个典型企业人员知识图谱对应的特征学习代价参数,确定出所述候选图谱分析网络具有的网络学习代价参数;
基于所述网络学习代价参数,将所述候选图谱分析网络进行网络优化操作,以及,将优化后的候选图谱分析网络标记为优化图谱分析网络。
10.一种应用于企业管理***的大数据分析***,其特征在于,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,以实现权利要求1-9任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310410737.XA CN116126947B (zh) | 2023-04-18 | 2023-04-18 | 应用于企业管理***的大数据分析方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310410737.XA CN116126947B (zh) | 2023-04-18 | 2023-04-18 | 应用于企业管理***的大数据分析方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116126947A true CN116126947A (zh) | 2023-05-16 |
CN116126947B CN116126947B (zh) | 2023-06-30 |
Family
ID=86310365
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310410737.XA Active CN116126947B (zh) | 2023-04-18 | 2023-04-18 | 应用于企业管理***的大数据分析方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116126947B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116361567A (zh) * | 2023-06-01 | 2023-06-30 | 太仓市律点信息技术有限公司 | 应用于云办公的数据处理方法及*** |
CN116597971A (zh) * | 2023-07-18 | 2023-08-15 | 山东新睿信息科技有限公司 | 基于数字孪生的医院空间优化模拟方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103577549A (zh) * | 2013-10-16 | 2014-02-12 | 复旦大学 | 一种基于微博标签的人群画像***和方法 |
CN109918395A (zh) * | 2019-02-19 | 2019-06-21 | 北京明略软件***有限公司 | 一种群体挖掘方法及装置 |
CN110188147A (zh) * | 2019-05-22 | 2019-08-30 | 厦门无常师教育科技有限公司 | 基于知识图谱的文献实体关系发现方法及*** |
CN112434194A (zh) * | 2020-11-11 | 2021-03-02 | 东莞智盾信息安全科技有限公司 | 基于知识图谱的相似用户识别方法、装置、设备及介质 |
CN113361606A (zh) * | 2021-06-07 | 2021-09-07 | 齐鲁工业大学 | 深层图注意力对抗变分自动编码器训练方法及*** |
CN115718807A (zh) * | 2022-11-23 | 2023-02-28 | 北京海卓飞网络科技有限公司 | 人员关系分析方法、装置、设备及存储介质 |
CN115757556A (zh) * | 2022-12-05 | 2023-03-07 | 徐州思睿晶信息科技有限公司 | 基于大数据的网络数据关联分析方法和平台 |
-
2023
- 2023-04-18 CN CN202310410737.XA patent/CN116126947B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103577549A (zh) * | 2013-10-16 | 2014-02-12 | 复旦大学 | 一种基于微博标签的人群画像***和方法 |
CN109918395A (zh) * | 2019-02-19 | 2019-06-21 | 北京明略软件***有限公司 | 一种群体挖掘方法及装置 |
CN110188147A (zh) * | 2019-05-22 | 2019-08-30 | 厦门无常师教育科技有限公司 | 基于知识图谱的文献实体关系发现方法及*** |
CN112434194A (zh) * | 2020-11-11 | 2021-03-02 | 东莞智盾信息安全科技有限公司 | 基于知识图谱的相似用户识别方法、装置、设备及介质 |
CN113361606A (zh) * | 2021-06-07 | 2021-09-07 | 齐鲁工业大学 | 深层图注意力对抗变分自动编码器训练方法及*** |
CN115718807A (zh) * | 2022-11-23 | 2023-02-28 | 北京海卓飞网络科技有限公司 | 人员关系分析方法、装置、设备及存储介质 |
CN115757556A (zh) * | 2022-12-05 | 2023-03-07 | 徐州思睿晶信息科技有限公司 | 基于大数据的网络数据关联分析方法和平台 |
Non-Patent Citations (3)
Title |
---|
ATZENI PAOLO等: "Weaving Enterprise Knowledge Graphs:The Case of Company Ownership Graphs", 《OPEN PROCEEDINGS》, pages 555 - 566 * |
郝卫等: "基于知识图谱表示学习的推荐算法优化", 《智能计算机与应用》, vol. 10, no. 4, pages 1 - 6 * |
马江涛: "基于社交网络的知识图谱构建技术研究", 《中国博士学位论文全文数据库 (信息科技辑)》, vol. 2018, no. 12, pages 140 - 10 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116361567A (zh) * | 2023-06-01 | 2023-06-30 | 太仓市律点信息技术有限公司 | 应用于云办公的数据处理方法及*** |
CN116361567B (zh) * | 2023-06-01 | 2023-08-29 | 太仓市律点信息技术有限公司 | 应用于云办公的数据处理方法及*** |
CN116597971A (zh) * | 2023-07-18 | 2023-08-15 | 山东新睿信息科技有限公司 | 基于数字孪生的医院空间优化模拟方法及*** |
CN116597971B (zh) * | 2023-07-18 | 2023-09-19 | 山东新睿信息科技有限公司 | 基于数字孪生的医院空间优化模拟方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN116126947B (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116126947B (zh) | 应用于企业管理***的大数据分析方法及*** | |
CN116126945B (zh) | 基于数据分析的传感器运行状态分析方法和*** | |
CN116109121B (zh) | 基于大数据分析的用户需求挖掘方法及*** | |
CN116091796B (zh) | 基于人工智能的无人机采集数据处理方法及*** | |
CN116610983B (zh) | 空气净化控制***的异常分析方法及*** | |
CN116109630B (zh) | 基于传感器采集和人工智能的图像分析方法及*** | |
CN116303963A (zh) | 智慧ai平台的用户反馈分析方法及*** | |
CN115687674A (zh) | 服务于智慧云服务平台的大数据需求分析方法及*** | |
CN114610825A (zh) | 关联网格集的确认方法、装置、电子设备及存储介质 | |
CN117274913A (zh) | 一种基于智慧楼宇的安全保障方法及*** | |
CN113110961A (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
CN116109988B (zh) | 基于人工智能和无人机的异常监控方法及*** | |
CN116070149A (zh) | 基于人工智能的数据分析方法、***及云平台 | |
CN116996403B (zh) | 应用ai模型的网络流量诊断方法及*** | |
CN116662415B (zh) | 基于数据挖掘的智能匹配方法及*** | |
CN116910729B (zh) | 应用于多组织架构的核身处理方法及*** | |
CN116994609B (zh) | 应用于智能生产线的数据分析方法及*** | |
CN115687792B (zh) | 针对在线互联网服务的大数据采集方法及*** | |
CN116501876B (zh) | 用于云端协同数字化服务的大数据跟踪方法及ai*** | |
CN117149846B (zh) | 一种基于数据融合的电力数据分析方法和*** | |
CN116955831A (zh) | 基于数据挖掘和ai模型分析的信息推荐方法及*** | |
CN110377501B (zh) | 模型测试方法、装置、计算机设备和存储介质 | |
CN117422302A (zh) | 基于风控模型的信息预测方法及*** | |
CN117251790A (zh) | 一种智慧物流数据的采集方法及*** | |
CN117496419A (zh) | 基于智慧建筑的数据处理方法及*** |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |