本发明属于团队数据分析技术领域，涉及一种基于鲶鱼效应的团队推荐系统构建方法。
背景技术：
在市场竞争越发激烈、团队组织改革不断深化的新形势下，人力资源管理越来越复杂且越来越重要，而与此同时，在多学科交叉化的新形势下，由生物现象衍生出的“鲶鱼效应”原理被引用到经济活动中，进而演变为一种竞争机制，其在人力资源管理中发挥出积极的作用。目前研究团队内部构建问题的方法大都基于传统的理论分析即社会网络理论及知识管理理论，以此探讨团队内部社会网络对团队绩效的影响。由于不同类型的团队结构及工作性质的不同，上述方法不具有良好的一般性和普适性。基于此，本文以在人力管理层面有所成果的鲶鱼效应为理论原则，以神经网络rbf为模型，预测团队绩效与团队成员技能之间的关系，识别出“鲶鱼所具有的技能”，为团队成员流动以及团队建设提供有指导性且具有普遍性的团队建设架构。
技术实现要素：
本发明的目的主要针对上述现有研究的不足之处，提出一种基于鲶鱼效应的团队推荐系统构建方法，通过对团队数据技能特征进行分析，提出一种基于rbf的cti算法——rbf-cti算法，该算法考虑了团队中对绩效具有重要影响的特征向量集，以该特征向量集为输入，建立rbf神经网络模型以预测团队绩效，同时加入了鲶鱼效应的原则，以鲶鱼效应指数代表鲶鱼效应的强度，是团队中最具潜力的影响因子，将其对应的鲶鱼特征作为推荐系统的指标。
本发明的技术方案：
一种基于鲶鱼效应的团队推荐系统构建方法，步骤如下：
步骤1)：基于鲶鱼效应计算鲶鱼指数ci的cti
鲶鱼效应是指采取手段或措施，激活团队成员的竞争意识，从而提高团队整体的效益，是一种负激励机制；鲶鱼效应对团队的绩效有负激励效应，最后呈现促进作用，以鲶鱼效应提出计算鲶鱼指数ci的cti算法；鲶鱼指数ci越高，鲶鱼效应越强；
一个技能的鲶鱼指数的公式如下：
其中：pj代表技能，ci(pj)表示pj的鲶鱼指数，ks+t表示在团队绩效gs+t>gs且在此时间段内存在极小值时，第s+t年的团队绩效点与t年中最小绩效点的斜率，n是条件ks+t-kt可计算时的个数，s,e分别代表起始年和终止年份，t表示年限；
步骤2)：提取团队中成员的技能特征与团队绩效通过rbf网络学习算法构建神经网络预测模型m
团队成员的技能是影响团队绩效的直接因素，通过提取团队中的成员技能特征，并使用rbf网络学习算法构建预测绩效的神经网络预测模型m，步骤如下：
a)径向基神经元的传递函数采用高斯函数，公式为：
其中：||·||为欧式范数，xp为输入样本，ci为隐含层结点的中心，σ为高斯函数的方差；
b)对隐含层神经元输出的线性加权求和，公式为：
其中：xp为输入样本，ci为隐含层结点的中心，σ为高斯函数的方差，wij为隐藏层到输出层的连接权值，隐含层有h个结点，yj为与输入样本对应的网络的第j个输出结点的实际输出；
c)通过不断调整参数中心ci和权值w，直至达到精度计算并输出预测值，构建出神经网络预测模型m；
步骤3)：归一化特征向量集合，依次将集合中的特征值取极值，分别通过步骤2)中的神经网络预测模型m预测出绩效值
为减小步骤2)中神经网络预测模型m的预测误差，对输入数据做归一化处理；归一化处理公式为：
其中：x是原始指标数据，xi是标准化后的数据，xmin是原始指标中的最小值，xmax是原始指标中的最大值；
依次将技能值取极大值1预测绩效值，分析技能与绩效之间的关系；调用m中的newrb函数对训练样本数据进行训练；newrb函数表示为：
net＝newrb(p,t,goal,spread)
其中：p为输入向量，t为输出向量，goal为均方误差，spread为rbf函数的分布密度；
步骤4)：将步骤2)神经网络预测模型m应用到步骤1)中的cti算法中，得出rbf-cti算法
根据步骤3)得到的绩效值，计算在年限固定的情况下，技能特征向量值分别取极值后所对应的鲶鱼指数ci，构成鲶鱼指数ci向量，其中最大的ci值所对应的技能即为鲶鱼技能；
rbf-cti算法具体如下：由时间序列为轴，每个技能取极值后预测的团队绩效为纵坐标作二维曲线；在讨论不同时间段的情况下，以时间间隔t为一个周期，如果它的变化趋势为先减小后增加，即呈负激励趋势，且第i+t年的预测绩效高于i年的预测绩效，则计算曲线中第i+t年所对应的坐标与在此t年间绩效最小年份所对应的坐标斜率k1，第i年所对应的坐标与在此t年间绩效最小年份所对应的坐标斜率k2，计算两者之差，两者差越大，负激励增长的趋势越明显；直至循环到终止年份结束，静态鲶鱼指数为所有呈现鲶鱼效应指数的均值。
本发明的有益效果：训练模型准确度达85.66％，基于鲶鱼效应的负激励效应的团队绩效也通过决策树进行了规则验证，且该方法具有普适性，只需输入所需鲶鱼技能的年份间隔以及符合格式团队数据集即可输出对应的鲶鱼技能。可为团队成员流动以及团队建设提供有指导性的具有普遍性的团队建设架构。
附图说明
图1为nba数据集上所得到的按年份排序的团队绩效初始图，可根据负激励机制初始粗略判断该团队具有鲶鱼效应，可对其深入分析进行鲶鱼技能识别；
图2为本发明根据实验要求对nba勇士团队数据集进行的数据处理流程以及实验算法流程；
图3为由rbf神经网络学习算法训练nba勇士团队数据集所得到的神经网络图，该图为3层神经网络；
图4为技能特征向量分别归一化取极值后分别应用在神经网络模型m上所得到的预测结果。变量var1～var7所代表的曲线分别对应7个技能特征取极值后对应的预测绩效，var0为原始绩效；
图5为rbf-cti算法在nba勇士团队数据集(1985-2018)的七个技能特征处理结果的对比图，由此可识别出在不同年限中的鲶鱼特征；
图6为最终识别出鲶鱼技能的最终结果图。结果为在3，4，5，6年不同的年份间隔里识别出的鲶鱼技能标识分别为{2，6，3，3}，对应鲶鱼技能为{篮板，失误，助攻，助攻抢断}。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将对本发明的具体实施方式作进一步的详细描述。
本发明实施例提供了一种基于鲶鱼效应的团队推荐系统构建方法，该方法包括：
步骤1：选取nba勇士团队数据集作为本方法的实验数据集，对nba数据集进行预处理。本发明爬取了中国nba官方网站统计的1985～2018年勇士队的比赛数据，并选取了其中7个重要的团队成员技能作为特征向量{投篮命中，篮板，助攻，抢断，盖帽，失误，犯规}，以每场的得分值为标记向量，根据实验要求对数据集进行预处理归一化；
数据集的原始信息如下：
表1nba数据集
为做对比分析，计算每个技能的信息熵，分析技能间的相关度。信息熵计算公式如下：
其中e(s)代表信息熵，s为样本集合，k为第k类样本，pk为第k类样本所占比例；
信息熵的计算结果如下：
表2信息熵
从表格1中可知投篮与篮板两个技能相对最终成绩贡献相对较大，可作为鲶鱼效应识别出的技能结果的对比分析一；从表格2中可以看出投篮的信息熵相对于其他技能是最高的，说明与其他技能相关度较低，同时可说明其对绩效的影响情况与其他技能有所差异，可作为结果的对比分析二；
步骤2：本发明的预测模型采用了rbf神经网络学习算法训练的模型m。将1)中归一化后的特征向量{投篮命中，篮板，助攻，抢断，盖帽，失误，犯规}作为rbf神经网络的7维特征向量输入，场均得分为标记向量输入。经rbf网络学习算法得到神经网络预测模型m。
rbf算法的表达式为：
步骤3:将步骤2)中得到的结果采用相关系数进行计算，分析算法的准确度，得到预测值与测试值的相关系数情况。表3为部分结果：
表3预测模型准确度
由表3可知，存在过拟合现象，但其最终准确度高达85.6％，且数据呈正相关，由此m可作为预测模型预测团队绩效值；
步骤4：本发明的算法实现采用了rbf神经网络学习算法与cti算法相结合的方法。由时间序列为轴，每个技能取极值后通过步骤2)中的m模型预测场均得分，场均得分为纵坐标，年份作横坐标二维曲线。分别以时间间隔3、4、5、6年为一个周期，由cti算法计算鲶鱼指数向量。其中最大的ci值所对应的技能即为鲶鱼技能；
结论分析：图5中列出了在不同的时间间隔内nba勇士团队数据集所对应的鲶鱼技能。可综合步骤1)中两个对比信息与识别结果比较，不同的时间间隔内对应的鲶鱼技能不同，投篮的贡献度和信息熵是最大的，其得分是最高的，所以此技能是团队的主要核心得分技能，但由于投篮对得分是持续影响最高的技能，并不具有负激励作用，所以此技能不是鲶鱼技能。以年份间隔为5年为例，图6中鲶鱼指数最高的技能为index3助攻，即说明在五年内，助攻对于绩效的负激励作用最强，助攻为五年内该团队的鲶鱼技能。该结论通过决策树验证，原始的决策树主要由投篮为分割结点，助攻技能归一化后取极值1后的的决策树则是由助攻为主要结点进行分割，其结果为预想一致，当助攻技能增强，其为主要团队绩效激励因素。同时，由图6得到3，4，5，6年的鲶鱼技能均不是投篮命中，再次验证了该实验理论的正确性。
cti算法的核心表达式为：