基于人工智能的人才评价管理方法及系统与流程

本发明涉及人员管理，尤其涉及一种基于人工智能的人才评价管理方法及系统。

背景技术：

1、人才评价管理是组织发展中至关重要的一环。它不仅能够帮助公司有效地识别、吸引和留住优秀人才，还能够促进员工的成长与发展，从而提升整体绩效和竞争力。通过科学、全面地评估员工的技能、经验和表现，企业可以更好地进行人力资源规划，确保人才与岗位的匹配度，提高团队的凝聚力和执行力。

2、情绪情感目前已逐渐成为人才评价管理中的一项重要指标，具有不可低估的价值，员工在工作时的情感状态对于提升团队的工作效率和员工的工作满意度至关重要，员工的情绪状态和情感体验直接关系到其工作表现和团队合作水平。有效地捕捉、分析和管理员工的情绪情感，可以将员工安排至合适的岗位，分配合适的任务，也对评估员工的能力与表现有很大帮助。

3、因此，人们迫切需要一种能够将情感分析技术和人才评价相结合的方法。

技术实现思路

1、因此，本发明提供一种基于人工智能的人才评价管理方法及系统，用以解决如何将情感分析技术和人才评价相结合的问题。

2、本发明提供了一种基于人工智能的人才评价管理方法，包括：

3、获取目标评价人才在预设时间段内的历史聊天记录，其中，历史聊天记录包括目标本体聊天记录和目标对象聊天记录；

4、对历史聊天记录进行分词和词嵌入处理，得到词嵌入对应的向量空间中的点集，其中，点集包括目标本体聊天记录对应的本体点集，以及目标对象聊天记录对应的对象点集；

5、获取多个预设情感评价词在向量空间中对应的情感评价锚点；

6、根据本体点集与情感评价锚点的位置分布关系，以及本体点集和对象点集的位置分布关系，得到目标评价人才的情感分析结果；

7、根据目标评价人才的情感分析结果，对目标评价人才进行管理。

8、在进一步的方案中：所述对历史聊天记录进行分词和词嵌入处理，得到词嵌入对应的向量空间中的点集，包括：

9、对历史聊天记录进行分词，得到多个记录词汇，每个记录词汇的文字个数为二至四个；

10、基于预设词嵌入矩阵，对每个记录词汇进行词嵌入处理，将每个记录词汇映射为向量空间中的一个点，得到点集。

11、在进一步的方案中：所述对历史聊天记录进行分词，得到多个记录词汇，包括：

12、获取目标聊天记录，目标聊天记录为待进行分词的一条历史聊天记录；

13、以从句首至句尾的方向，可重叠地取目标聊天记录中的连续的四个文字，作为第一待匹配词汇；

14、以从句首至句尾的方向，可重叠地取目标聊天记录中的连续的三个文字，作为第二待匹配词汇；

15、以从句首至句尾的方向，可重叠地取目标聊天记录中的连续的两个文字，作为第三待匹配词汇；

16、将第一待匹配词汇、第二待匹配词汇和第三待匹配词汇与预设词典中的词汇进行匹配，将匹配成功的词汇作为记录词汇。

17、在进一步的方案中：所述根据本体点集与情感评价锚点的位置分布关系，以及本体点集和对象点集的位置分布关系，得到目标评价人才的情感分析结果，包括：

18、根据本体点集与情感评价锚点的位置分布关系，得到目标评价人才的情感分析值，情感分析值用于表征目标评价人才在情绪态度方面的评价水平；

19、根据本体点集和对象点集的位置分布关系，得到目标评价人才的情感分析置信度，情感分析置信度用于表示情感分析值的真实程度。

20、在进一步的方案中：所述根据本体点集与情感评价锚点的位置分布关系，得到目标评价人才的情感分析值，包括：

21、统计并计算本体点集在向量空间中每个维度上的方差，计算本体点集在向量空间中多个维度上的方差的方差，得到本体点集的在向量空间中的分布离散程度值；

22、根据分布离散程度值，得到邻域半径值，领域半径值和分布离散程度值成正比；

23、统计本体点集中，距离每个情感评价锚点的欧式距离小于邻域半径值的点的数量，得到每个情感评价锚点对应的邻域统计值；

24、获取每个情感评价锚点对应的预设情感值，根据每个情感评价锚点对应的预设情感值及邻域统计值，得到目标评价人才的情感分析值。

25、在进一步的方案中：预设情感评价词包括一一对应的多个积极词汇和多个消极词汇，每个积极词汇对应的情感评价锚点的预设情感值，与该积极词汇对应的消极词汇所对应的情感评价锚点的预设情感值互为相反数；所述获取每个情感评价锚点对应的预设情感值，根据每个情感评价锚点对应的预设情感值及邻域统计值，得到目标评价人才的情感分析值，包括：

26、通过下式计算目标评价人才的情感分析值：

27、vemo＝∑vp×nn；

28、其中，vemo为目标评价人才的情感分析值，vp为情感评价锚点对应的预设情感值，nn为该情感评价锚点对应的邻域统计值。

29、在进一步的方案中：所述根据本体点集和对象点集的位置分布关系，得到目标评价人才的情感分析置信度，包括：

30、获取预设邻域范围和预设阈值；

31、统计在预设邻域内本体点集中的点的数量超过预设阈值的情感评价锚点，得到多个第一类锚点；

32、统计在预设邻域内对象点集中的点的数量超过预设阈值的情感评价锚点，得到多个第二类锚点；

33、根据多个第一类锚点和第二类锚点的相似程度，得到目标评价人才的情感分析置信度。

34、在进一步的方案中：所述根据多个第一类锚点和第二类锚点的相似程度，得到目标评价人才的情感分析置信度，包括：

35、统计第一类锚点对应的情感评价锚点和第二类锚点对应的情感评价锚点中，相同种类的情感评价锚点的数量，得到第一数值；

36、根据第一数值和全部种类的情感评价锚点的总数的比值，得到目标评价人才的情感分析置信度。

37、在进一步的方案中：所述根据目标评价人才的情感分析结果，对目标评价人才进行管理，包括：

38、获取目标评价人才的初始评价分值；

39、基于预设公式，根据目标评价人才的情感分析结果对初始评价分值进行修正，得到目标评价人才的目标分值；

40、根据目标分值对目标评价人才进行管理；

41、其中，预设公式包括：

42、s＝ω1×s0+ω2×vemo；

43、ω2＝arctan(r×c)；

44、ω1+ω2＝1；

45、其中，s为目标评价人才的目标分值，s0为目标评价人才的初始评价分值，ω1和ω2分别为第一权重和第二权重，c为目标评价人才的情感分析置信度，r为预设缩放系数，arctan()为反正切函数1。

46、本发明还提供一种基于人工智能的人才评价管理系统，包括：

47、记录获取模块，用于获取目标评价人才在预设时间段内的历史聊天记录，其中，历史聊天记录包括目标本体聊天记录和目标对象聊天记录；

48、分词嵌入模块，用于对历史聊天记录进行分词和词嵌入处理，得到词嵌入对应的向量空间中的点集，其中，点集包括目标本体聊天记录对应的本体点集，以及目标对象聊天记录对应的对象点集；

49、锚点设置模块，用于获取多个预设情感评价词在向量空间中对应的情感评价锚点；

50、情感分析模块，用于根据本体点集与情感评价锚点的位置分布关系，以及本体点集和对象点集的位置分布关系，得到目标评价人才的情感分析结果；

51、人才管理模块，用于根据目标评价人才的情感分析结果，对目标评价人才进行管理。

52、采用上述实施例的有益效果是：

53、本发明提供一种基于人工智能的人才评价管理方法，其主要通过分析目标评价人才在预设时间段内的历史聊天记录的方式，实现人才评价管理过程中的情感分析。具体地，本发明通过词嵌入的方式将历史聊天记录中的词汇映射至向量空间中，根据本体点集与情感评价锚点的位置分布关系，以及本体点集和对象点集的位置分布关系，得到目标评价人才的情感分析结果。预设情感评价词为人工设置的能够评价情感的词汇，通过分析本体点集与情感评价锚点的位置分布关系，便可以识别出目标评价人才的情感倾向，此外本发明还通过分析本体点集和对象点集的位置分布关系，以体现目标本体聊天记录和目标对象聊天记录的共性，从而得到更加准确的分析评价结果，解决了如何将情感分析技术和人才评价相结合的问题。