(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111331877.5 (22)申请日 2021.11.11 (71)申请人 青岛民航凯亚系统集成有限公司 地址 266061 山东省青岛市崂山区秦岭路8 号1803室 (72)发明人 李宁　薛玲祥　赵鹏翔　曹铮　 (74)专利代理 机构 成都华辰智合知识产权代理 有限公司 513 02 代理人 秦华云 (51)Int.Cl. G06Q 10/06(2012.01) G06N 20/00(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于机器学习的绩 效调整系统与方法 (57)摘要 本发明公开了一种基于机器学习的绩效调 整方法， 其根据员工的历史考核情况数据， 提取 多维度特征信息， 以作为机器学习的样本输入， 基于对历史考核情况数据的学习， 构建极限学习 机动态调整模 型； 获取员工本次绩效相关评价输 入数据， 并将其数据输入构建的所述极限学习机 动态调整模 型中； 所述极限学习机动态调整模型 结合往期特征信息对本次员工绩效考核结果进 行调整， 输出调整结果。 通过本发明能最大程度 的将员工绩效信息提取出来并进行动态调整， 真 正做到公平对待绩效分数结果， 防止了数据依据 公式计算过于死板的问题。 权利要求书2页 说明书7页 附图2页 CN 114037288 A 2022.02.11 CN 114037288 A 1.一种基于 机器学习的绩效调整方法， 其特 征在于包括： 根据员工的历史考核情况数据， 提取多维度 特征信息， 以作为机器学习的样本输入， 基 于对历史考核情况 数据的学习， 构建 极限学习机动态调整模型； 获取员工本次绩效相关评价输入数据， 并将其数据输入构建的所述极限学习机动态调 整模型中； 所述极限学习机动态调整模型结合往期特征信 息对本次员工绩效考核结果进行调 整， 输出调整结果。 2.根据权利要求1所述的基于机器学习的绩效调整方法， 其特征在于通过员工日报系 统获取员工 本次绩效相关评价输入数据。 3.根据权利要求1所述的基于机器学习的绩效调整方法， 其特征在于获取的所述员工 本次绩效相关评价输入数据包括员工工作情况汇报数据、 员工当月日报上报时间汇总数 据、 项目在期时间数据、 领导绩效分数评价数据、 jir a及修复情况数据、 svn及git代码提交 情况数据、 代码so nar扫描情况 数据或员工当月实际绩效情况 数据。 4.根据权利要求3所述的基于机器学习的绩效调整方法， 其特征在于提取所述多维度 特征信息的方法包括数据计值统一、 数据清洗和数据通用特 征提取。 5.根据权利要求4所述的基于机器学习的绩效调整方法， 其特征在于所述数据计值统 一的数据形式为字符串逗 号间隔。 6.根据权利要求4所述的基于机器学习的绩效调整方法， 其特征在于所述数据清洗是 通过程序编程方式实现数据中的非数字项， 以避免数据中混入文字或字符串信息 。 7.根据权利要求4所述的基于机器学习的绩效调整方法， 其特征在于所述数据通用特 征提取通过采用StandardScaler进行 数据归一 化处理。 8.根据权利要求1所述的基于机器学习的绩效调整方法， 其特征在于所述极限学习机 动态调整模型的构建过程包括： 获取员工绩效的样 本数据集xj＝[xj1,xj2,...,xjn]T∈Rn， tj＝[tj1,tj2,...,tjm]T∈Rm， 构建正则化极限学习机网络模型， 其中xj为输入参 数， tj为员工绩效成绩， n为样本数量， m为 样本特征数， R为实数集； 应用评价指标对所述极限学习机动态调整模型进行评估。 9.根据权利要求8所述的基于机器学习的绩效调整方法， 其特征在于所述极限学习机 动态调整模型的构建过程包括： 所述正则化极限学习机网络模型的网络参数为： 输入层节点数、 输出层节点数、 隐含层 节点数； 选择激活函数； 对于样本数据集xj＝[xj1,xj2,...,xjn]T∈Rn， tj＝[tj1,tj2,...,tjm]T∈Rm， 所述输入层 节点数为TODO， 所述输出层节点数为1， 所述隐含层节点数为 L的极限学习机网络模型为： ∑i＝1Lβig(wi·xj+bi)＝oj,j＝1,2,. ..,N 其中， g(x)为激活函数， wi＝[wi1,wi2,...,win]T是第i个隐层单元的输入权重， bi是第i 个隐层单元的偏置， βi＝[βi1, βi2,..., βim]T是第i个隐层单元的输出权重， wi·xj表示wi和xj 的内积； 所述极限学习机网络模型的矩阵形式为:权　利　要　求　书 1/2 页 2 CN 114037288 A 2Hβ ＝T 其中， H是隐层节点的输出， β 为输出权 重， T为期望 输出； 通过得到wi^， bi^和β i^， 使得||H(wi^,bi^) ·β ^‑T||＝minw,b, β ||H(wi,bi) ·β‑T||， 以用于训练单隐层神经网络， 其中， i ＝1,2,...,L； 通过算法 在输入权重wi和隐层的偏置bi被 随机确定时， 隐层的输出矩阵H就被唯一确定， 训练单隐层神经网络转化为求解一个线性系 统： H·β ＝T， 并且输出权重被确定为β ^＝H+ ·T； 其中， H+是矩阵H的广义逆矩阵， 得到极限 学习机网络模型H+,员工绩效结果通过构建矩阵H， 通过广义逆矩阵H+与之计算得到解， 从 而动态调整绩效。 10.一种基于 机器学习的绩效调整系统， 其特 征在于包括： 前端用户展示模块， 用于获取员工本次绩效相关评价输入数据， 并将其数据输入构建 的极限学习机动态调整模型中； 算法动态调 整模块， 用于根据员工的历史考核情况数据， 提取多维度 特征信息， 以作为 机器学习的样本 输入， 基于对历史考核情况 数据的学习， 构建 极限学习机动态调整模型； 输出模块， 用于结合往期特 征信息对本次员工绩效考核结果进行调整， 输出调整结果。权　利　要　求　书 2/2 页 3 CN 114037288 A 3