基于多维数据分析的人事考试安排方法及系统与流程

本技术涉及智能化数据分析领域，具体涉及一种基于多维数据分析的人事考试安排方法及系统。

背景技术：

1、在现代教育体系中，考试作弊行为一直是影响考试公平性的主要问题之一。考试作弊不仅破坏了考试的公正性，也损害了诚实考生的权益，对社会的诚信体系造成了负面影响。随着信息技术的不断进步，考试作弊手段也愈加多样化，给教育管理者带来了新的挑战。传统的考试安排方法往往基于简单的随机抽取或固定座位安排，难以有效防范考生之间的相互作弊行为。

2、中国专利cn111274290b公开了一种基于多维数据分析的考试安排系统及方法，其能够基于多维数据分析技术，通过计算考生数据的聚类中心、各维度标签之间的数据亲和度以及混沌映射等数学模型来进行考试座位的安排。尽管这种方法在一定程度上可以减少考试作弊的可能性，提高考试安排的合理性，但其通常需要人工设定分析参数和阈值，以及依赖于预先定义的数据维度，如毕业院校、在读院校、年龄、性别和居住地等信息。这样的方式难以利用不同考生数据之间的语义关联关系，也就难以识别潜在的作弊行为隐患，导致作弊风险增加。此外，这种模型只能进行一次性的数据分析，难以根据更新数据或新增数据动态做出及时地调整，从而降低了考试座位安排的及时性和有效性。也就是说，随着时间的推移和社会的发展，考生的数据信息和作弊行为可能发生变化，该基于多维数据分析的考试安排方法需要定期手动更新参数和模型，效率较低且可靠性较差。

3、因此，期望一种优化的基于多维数据分析的人事考试安排方案。

技术实现思路

1、考虑到以上问题而做出了本技术。本技术的一个目的是提供一种基于多维数据分析的人事考试安排方法及系统。

2、本技术的实施例提供了一种基于多维数据分析的人事考试安排方法，其包括：

3、获取第一考生对象的个人信息；

4、从考生信息库提取与所述第一考生对象相邻的第二至第五考生对象的个人信息；

5、对所述第一考生对象的个人信息进行语义编码以得到第一考生对象个人信息语义编码特征向量；

6、对所述第二至第五考生对象的个人信息进行语义编码以得到第二至第五考生对象个人信息语义编码特征向量；

7、将所述第一考生对象个人信息语义编码特征向量与所述第二至第五考生对象个人信息语义编码特征向量中的各个考生对象个人信息语义编码特征向量进行联合编码以得到四个邻位考生对象个人信息联合编码向量；

8、计算所述四个邻位考生对象个人信息联合编码向量中任意两个邻位考生对象个人信息联合编码向量之间的个人信息语义差异度量系数以得到由多个个人信息语义差异度量系数组成的考生对象个人信息语义差异拓扑分布矩阵；

9、基于所述考生对象个人信息语义差异拓扑分布矩阵，确定考试座位安排的合理等级标签。

10、例如，根据本技术的实施例的基于多维数据分析的人事考试安排方法，其中，将所述第一考生对象个人信息语义编码特征向量与所述第二至第五考生对象个人信息语义编码特征向量中的各个考生对象个人信息语义编码特征向量进行联合编码以得到四个邻位考生对象个人信息联合编码向量，包括：

11、计算所述第一考生对象个人信息语义编码特征向量分别与所述第二至第五考生对象个人信息语义编码特征向量中的各个考生对象个人信息语义编码特征向量之间的语义关联得分向量以得到考生对象个人信息语义关联得分向量的集合；

12、基于所述考生对象个人信息语义关联得分向量的集合，确定考生对象个人信息语义相关性全局表示向量；

13、基于所述考生对象个人信息语义相关性全局表示向量，计算所述第二至第五考生对象个人信息语义编码特征向量中的各个考生对象个人信息语义编码特征向量的关联优化因子以得到考生对象个人信息语义关联优化因子的序列；

14、将所述考生对象个人信息语义关联优化因子的序列输入softmax激活函数以得到考生对象个人信息语义关联优化权重因子的序列；

15、以所述考生对象个人信息语义关联优化权重因子的序列中的各个考生对象个人信息语义关联优化权重因子作为权重，分别对所述第二至第五考生对象个人信息语义编码特征向量中的各个考生对象个人信息语义编码特征向量进行加权以得到所述四个邻位考生对象个人信息联合编码向量。

16、例如，根据本技术的实施例的基于多维数据分析的人事考试安排方法，其中，计算所述第一考生对象个人信息语义编码特征向量分别与所述第二至第五考生对象个人信息语义编码特征向量中的各个考生对象个人信息语义编码特征向量之间的语义关联得分向量以得到考生对象个人信息语义关联得分向量的集合，包括：

17、将所述第一考生对象个人信息语义编码特征向量分别与所述第二至第五考生对象个人信息语义编码特征向量中的各个考生对象个人信息语义编码特征向量进行级联处理以得到考生对象个人信息语义级联特征向量的集合；

18、将所述考生对象个人信息语义级联特征向量的集合中每个考生对象个人信息语义级联特征向量与考生对象个人信息权重矩阵进行相乘后再与考生对象个人信息偏置向量进行按位置相加以得到所述考生对象个人信息语义关联得分向量的集合。

19、例如，根据本技术的实施例的基于多维数据分析的人事考试安排方法，其中，基于所述考生对象个人信息语义关联得分向量的集合，确定考生对象个人信息语义相关性全局表示向量，包括：计算所述考生对象个人信息语义关联得分向量的集合的均值向量作为所述考生对象个人信息语义相关性全局表示向量。

20、例如，根据本技术的实施例的基于多维数据分析的人事考试安排方法，其中，基于所述考生对象个人信息语义相关性全局表示向量，计算所述第二至第五考生对象个人信息语义编码特征向量中的各个考生对象个人信息语义编码特征向量的关联优化因子以得到考生对象个人信息语义关联优化因子的序列，包括：

21、将所述考生对象个人信息语义相关性全局表示向量与考生对象个人信息全局权重矩阵进行相乘以得到考生对象个人信息全局表示权重向量；

22、将所述第二至第五考生对象个人信息语义编码特征向量中的每个考生对象个人信息语义编码特征向量分别与相应的考生对象个人信息局部权重矩阵进行相乘以得到考生对象个人信息局部表示权重向量的集合；

23、计算所述考生对象个人信息局部表示权重向量的集合中的每个考生对象个人信息局部表示权重向量分别与所述考生对象个人信息全局表示权重向量和相应的考生对象个人信息偏置向量进行按位置相加以得到考生对象个人信息语义关联向量的集合；

24、将所述考生对象个人信息语义关联向量的集合输入sigmoid函数以得到所述考生对象个人信息语义关联优化因子的序列。

25、例如，根据本技术的实施例的基于多维数据分析的人事考试安排方法，其中，计算所述四个邻位考生对象个人信息联合编码向量中任意两个邻位考生对象个人信息联合编码向量之间的个人信息语义差异度量系数以得到由多个个人信息语义差异度量系数组成的考生对象个人信息语义差异拓扑分布矩阵，包括：

26、计算所述四个邻位考生对象个人信息联合编码向量中任意两个邻位考生对象个人信息联合编码向量之间的按位置差分以得到邻位考生对象个人信息语义差分特征向量的序列；

27、计算所述四个邻位考生对象个人信息联合编码向量中任意两个邻位考生对象个人信息联合编码向量之间的协方差矩阵，并计算所述协方差矩阵中每个特征值的倒数以得到邻位考生对象个人信息语义反相关协方差矩阵的序列；

28、计算所述邻位考生对象个人信息语义差分特征向量的序列中的各个邻位考生对象个人信息语义差分特征向量的转置向量以得到邻位考生对象个人信息语义差分转置表示向量的序列；

29、计算所述邻位考生对象个人信息语义差分转置表示向量的序列、所述邻位考生对象个人信息语义反相关协方差矩阵的序列和所述邻位考生对象个人信息语义差分特征向量的序列中每组对应的邻位考生对象个人信息语义差分转置表示向量、邻位考生对象个人信息语义反相关协方差矩阵和邻位考生对象个人信息语义差分特征向量之间的乘积以得到邻位考生对象个人信息语义差异相关值的序列；

30、计算所述邻位考生对象个人信息语义差异相关值的序列中的每个邻位考生对象个人信息语义差异相关值的平方根以得到所述多个个人信息语义差异度量系数；

31、将所述多个个人信息语义差异度量系数进行矩阵排列以得到考生对象个人信息语义差异拓扑分布矩阵。

32、例如，根据本技术的实施例的基于多维数据分析的人事考试安排方法，其中，基于所述考生对象个人信息语义差异拓扑分布矩阵，确定考试座位安排的合理等级标签，包括：将所述考生对象个人信息语义差异拓扑分布矩阵输入基于分类器的考试安排智能评估器以得到评估结果，所述评估结果用于表示考试座位安排的合理等级标签。

33、本技术的实施例还提供了一种基于多维数据分析的人事考试安排系统，其包括：

34、第一考生个人信息获取模块，用于获取第一考生对象的个人信息；

35、相邻考生信息提取模块，用于从考生信息库提取与所述第一考生对象相邻的第二至第五考生对象的个人信息；

36、第一语义编码模块，用于对所述第一考生对象的个人信息进行语义编码以得到第一考生对象个人信息语义编码特征向量；

37、第二语义编码模块，用于对所述第二至第五考生对象的个人信息进行语义编码以得到第二至第五考生对象个人信息语义编码特征向量；

38、联合编码模块，用于将所述第一考生对象个人信息语义编码特征向量与所述第二至第五考生对象个人信息语义编码特征向量中的各个考生对象个人信息语义编码特征向量进行联合编码以得到四个邻位考生对象个人信息联合编码向量；

39、个人信息语义差异度量系数计算模块，用于计算所述四个邻位考生对象个人信息联合编码向量中任意两个邻位考生对象个人信息联合编码向量之间的个人信息语义差异度量系数以得到由多个个人信息语义差异度量系数组成的考生对象个人信息语义差异拓扑分布矩阵；

40、等级标签确定模块，用于基于所述考生对象个人信息语义差异拓扑分布矩阵，确定考试座位安排的合理等级标签。

41、例如，根据本技术的实施例的基于多维数据分析的人事考试安排系统，其中，所述联合编码模块，包括：

42、语义关联得分向量计算单元，用于计算所述第一考生对象个人信息语义编码特征向量分别与所述第二至第五考生对象个人信息语义编码特征向量中的各个考生对象个人信息语义编码特征向量之间的语义关联得分向量以得到考生对象个人信息语义关联得分向量的集合；

43、语义相关单元，用于基于所述考生对象个人信息语义关联得分向量的集合，确定考生对象个人信息语义相关性全局表示向量；

44、关联优化因子计算单元，用于基于所述考生对象个人信息语义相关性全局表示向量，计算所述第二至第五考生对象个人信息语义编码特征向量中的各个考生对象个人信息语义编码特征向量的关联优化因子以得到考生对象个人信息语义关联优化因子的序列；

45、激活单元，用于将所述考生对象个人信息语义关联优化因子的序列输入softmax激活函数以得到考生对象个人信息语义关联优化权重因子的序列；

46、加权单元，用于以所述考生对象个人信息语义关联优化权重因子的序列中的各个考生对象个人信息语义关联优化权重因子作为权重，分别对所述第二至第五考生对象个人信息语义编码特征向量中的各个考生对象个人信息语义编码特征向量进行加权以得到所述四个邻位考生对象个人信息联合编码向量。

47、例如，根据本技术的实施例的基于多维数据分析的人事考试安排系统，其中，所述语义关联得分向量计算单元，用于：

48、将所述第一考生对象个人信息语义编码特征向量分别与所述第二至第五考生对象个人信息语义编码特征向量中的各个考生对象个人信息语义编码特征向量进行级联处理以得到考生对象个人信息语义级联特征向量的集合；

49、将所述考生对象个人信息语义级联特征向量的集合中每个考生对象个人信息语义级联特征向量与考生对象个人信息权重矩阵进行相乘后再与考生对象个人信息偏置向量进行按位置相加以得到所述考生对象个人信息语义关联得分向量的集合。

50、根据本技术的实施例的基于多维数据分析的人事考试安排方法及系统，其通过采集目标考生对象的个人信息以及与该目标考生对象相邻的其他四个考生对象的个人信息，并在后端引入基于人工智能和自然语言处理技术的数据处理和语义理解算法来对于该目标考生对象的个人信息与其他四个考生对象的个人信息的语义特征进行提取，并自动学习和捕获到所述目标考生对象个人语义特征分别与其他四个考生对象个人语义特征之间的隐含关联关系和语义差异度量系数，以此来进行考试座位安排合理性的智能评估，以判断考试座位安排的合理等级。这样，可以为考试的公正性提供有力保障。