一种铁路运维人员推荐方法及装置与流程

本公开涉及铁路运营管理，特别涉及一种铁路运维人员推荐方法及装置。

背景技术：

1、在铁路系统中对画像的研究主要对象多在与铁路客运用户，并基于此实现精准的营销，对运维人员画像的刻画的研究还有所欠缺，目前还没有一种完整的基于铁路运维人员画像的信息推荐方法。此外，相关的智能运维信息推荐系统实现的大多数是基于运维日志推荐相应的历史处置方法给相关的工作人员进行运维任务，相关工作人员在拿到处置方法之后并不能立刻直接上手操作，而是需要选取相应具有该运维技能的专业运维人员执行任务，并没有进行针对性的专业运维人员推荐，这种依赖人工选取的方式精度和效率都较为低下，且运维历史日志信息未得到有效利用。

2、综上所述，亟需一种从运维任务到专业对口运维人员一步到位的解决方案，避免了寻找最适合该任务运维人员的繁琐过程。

技术实现思路

1、针对上述问题，本公开提供一种铁路运维人员推荐方法及装置，用于解决人工选取的方式精度和效率较为低下的问题。

2、第一方面，一种铁路运维人员推荐方法，所述方法包括：

3、用于在进行运维任务时推荐铁路运维人员；

4、根据历史运维任务，采用xlnet模型对历史运维任务的文本描述和运维任务类型进行训练分类，得到第一xlnet模型；

5、根据运维历史数据文本以及运维人员信息数据，训练得到用于生成运维人员多维度特征的第二xlnet模型；通过第二xlnet模型得到运维人员多维度特征；

6、根据历史运维人员多维度特征，训练得到xgboost推荐模型；

7、当新的运维任务开始时，根据新的运维任务描述，通过第一xlnet模型得到运维任务类型，通过第二xlnet模型得到运维人员多维度特征；

8、通过运维任务类型与运维人员多维度特征的对应关系生成初筛运维人员列表；

9、根据初筛运维人员列表，通过xgboost推荐模型得到运维人员推荐名单。

10、进一步的，根据历史运维任务，采用xlnet模型对历史运维任务的文本描述和运维任务类型进行训练分类，得到第一xlnet模型，包括：

11、历史运维日志包括运维任务描述、任务类型、维修人员以及完成情况；基于已有的预训练模型xlnet－base，将已有的铁路运维日志作为训练数据输入，得到用于运维任务类型识别的第一xlnet模型。

12、进一步的，根据运维历史数据文本以及运维人员信息数据，训练得到用于生成运维人员多维度特征的第二xlnet模型，包括：

13、基于已有的预训练模型xlnet－base，将已有的铁路运维日志以及运维人员的个人信息作为训练数据输入，得到用于生成运维人员多维度特征的第二xlnet模型，通过模型对自然语言文本的处理分析，识别出该运维人员包括擅长领域工种、工作经验、职称、任务成功率等在内的多维度特征，最终将运维人员画像转化为一个特征标签体系。

14、进一步的，运维人员多维度特征，包括：擅长领域工种、工作经验、职称、任务的成功率。

15、进一步的，根据历史运维人员多维度特征，训练得到xgboost推荐模型，包括：

16、将运维历史数据文本以及历史运维人员多维度特征作为xgboost训练模型的输入；

17、在训练时根据用户特征或者用户－运维人员交互特征在运维人员特征维度上增加特征维度以调节训练过程；

18、经过训练，最终得到用于运维人员排序推荐的xgboost推荐模型；

19、其中，用户特征包括：距离、用户偏好；

20、用户－运维人员交互特征包括：维修满意度。

21、进一步的，通过运维任务类型与运维人员多维度特征的对应关系生成初筛运维人员列表，包括：

22、通过向xlnet运维任务类型预测模型中输入运维任务描述文本，训练得到文本所对应的运维任务类型，并从运维人员特征分析模型中匹配出对应擅长领域的初筛运维人员列表。

23、进一步的，根据初筛运维人员列表，通过xgboost推荐模型得到运维人员推荐名单，包括：

24、通过输入运维任务中运维人员多维度特征以及对应运维任务满意度评分，建立并训练xgboost推荐模型；通过训练完成的xgboost推荐模型对新输入的运维人员进行推荐度评分；

25、根据运维人员评分高低进行排序，推荐评分前若干名的运维人员，并生成运维人员推荐名单。

26、具体的，通过输入运维任务中运维人员画像特征(多维度特征值)以及该次运维任务满意度评分(标签值)，在xgboost模型中生成决策树不断进行学习；通过大量的数据训练，模型能够计算出运维人员特征对运维任务满意度评分的影响程度，并据此对新输入的运维人员进行推荐度评分。

27、根据运维人员评分高低进行排序，推荐评分前十名的运维人员，并生成列表，列表中描述各运维人员的特征画像，评分作为选取参考，用户可根据自己的偏好再次进行比较选择。

28、第二部分，一种铁路运维人员推荐装置，用于在进行运维任务时推荐铁路运维人员；

29、包括：训练单元和推荐单元；

30、训练单元，用于根据历史运维任务，采用xlnet模型对历史运维任务的文本描述和运维任务类型进行训练分类，得到第一xlnet模型；根据运维历史数据文本以及运维人员信息数据，训练得到用于生成运维人员多维度特征的第二xlnet模型；根据历史运维人员多维度特征，训练得到xgboost推荐模型；

31、推荐单元，用于当新的运维任务开始时，根据新的运维任务描述，通过第一xlnet模型得到运维任务类型，通过第二xlnet模型得到运维人员多维度特征；通过运维任务类型与运维人员多维度特征的对应关系生成初筛运维人员列表；根据初筛运维人员列表，通过xgboost推荐模型得到运维人员推荐名单。

32、第三部分，一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器、通信接口和存储器通过通信总线完成相互间的通信；

33、存储器，存储有计算机程序；

34、处理器，用于执行存储器上所存储的计算机程序时，实现上述的一种铁路运维人员推荐方法。

35、第四方面，一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述的一种铁路运维人员推荐方法。

36、本公开至少具备以下有益效果：

37、本公开通过收集铁路历史运维日志信息、对运维任务文本描述的分类，利用存有运维人员工作数据的数据库及进行数据抽取，例如完成的任务种类、任务完成情况等。此外还将运维人员的个人简介、毕业专业、论文研究方向等考虑在内对运维人员画像进行清晰完整的刻画。根据运维人员画像与运维任务的对应关系生成符合要求的运维人员列表，并根据推荐规则(运维人员与该任务的契合度，包括完成该类任务的数量占其总任务量的百分比，完成的成功率，是否是相关专业等)对所匹配的运维人员进行最后筛选，最后推荐出与几名最符合该运维任务要求的运维人员。

38、本公开的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本公开而了解。本公开的目的和其他优点可通过在说明书以及附图中所指出的结构来实现和获得。