一种非对称关系下电力作业人员优化匹配方法与流程

1.本发明涉及人员匹配技术领域，特别涉及一种非对称关系下电力作业人员优化匹配方法。


背景技术：

2.目前，电力作业中，一个作业只被少数人参与过，而一个人却会参与很多作业，此现象被称为非对称性关系。此种情形下，如果新作业仅仅通过自身特征和已有作业的相似度去寻找最合适的参与人员，因为作业数量较多，又分散在不同地区，基本特征也可能比较相似，所匹配的人员必然会非常分散。一方面违背就近选择的原则，另一方面即使作业本身比较相似但如果参与者经验不同，通过最相似的项目选择的人选也不一定最合适。
3.现有技术中，首先生成参入匹配的岗位信息数据表和人员信息数据表，然后设定匹配所述人员和岗位的信息，并通过一定规则对岗位信息数据表和人员信息数据表进行匹配，最后将匹配的结果发送至被匹配的人员，这种人员匹配方法不能解决非对称性关系下的人员选择问题。
4.例如，一种在中国专利文献上公开的“一种岗位和人员的匹配方法”，其公告号：cn109213795a，其申请日：2018年08月31日，该发明将用户信息与企业合理匹配，企业可以获取适合自己岗位的人才，用户可以获取能发挥自身最大能力的工作岗位，从社会劳动关系而言，平衡了企业与求职者之间的关系，提高了劳动就业率，但是存在不能解决人员与作业非对称关系场景下的人员选择问题。


技术实现要素：

5.针对现有技术不能解决人员与作业非对称关系场景下的人员选择问题的不足，本发明提出了一种非对称关系下电力作业人员优化匹配方法，能基于行为关系、状态关系和间接关系得出人员与作业非对称关系场景下的人员优选方案。
6.以下是本发明的技术方案，一种非对称关系下电力作业人员优化匹配方法，包括以下步骤：
7.s1：收集历史作业数据和人员数据，对所述历史作业数据和人员数据进行预处理得到综合向量；
8.s2：建立基于所述综合向量的归纳式模型，训练模型得到候选人员；
9.s3：基于作业数据编辑操作字典，定义数据集，建立基于所述定义数据集的约束模型；
10.s4：基于所述约束模型得到数据集，基于所述数据集得到推荐人员排序。
11.作为优选，步骤s1中，对所述历史作业数据和人员数据进行数据预处理的方法为：离散型的数据采用独热编码，经过嵌入层表示成向量，连续型的数据进行归一化处理，文本型的数据采用预训练语言模型训练并获取分类表达，向量化处理成为综合向量。
12.作为优选，步骤s2中，所述归纳式模型如下：
13.be＝l(ce)；
[0014][0015]
式中，be为基础表达，l为可学习线性层，ce为综合向量表达，ne为节点表达，ge为通过聚合函数得到的新节点ne邻居的聚合表达，为在k-1层中节点e的邻居节点u的表达，h(e)为节点e的所有邻居节点。
[0016]
作为优选，步骤s3中，基于作业数据编辑操作字典的方法为：一个作业编辑为一个操作字典，基于操作字典过滤作业内容中的操作词，一个作业中有一个或多个操作词。
[0017]
作为优选，步骤s3中，所述定义数据集包括人员和作业的行为关系集合、人员和作业的间接关系集合和状态关系集合，所述行为关系集合用于判断人员参与作业的情况，所述间接关系集合用于判断班组中所有人员参与作业的情况，状态关系集合用于判断人员区域和作业地点的关系。
[0018]
作为优选，所述人员和作业的行为关系集合、人员和作业的间接关系集合和状态关系集合如下：
[0019]
w＝{w0,w1,...,w
m-1
}；
[0020]
u＝{u0,u1,...,u
n-1
}；
[0021][0022][0023][0024][0025][0026][0027]
式中，w为作业，w为操作字典数据，m为操作字典数据的数量，u为人员的数据集合，u为人员的数据，n为人员的数量，表示人员ui和操作字典wj的关系，表示人员ui做过操作字典wj，表示人员ui没有做过操作字典wj，为人员ui和作业的行为关系集合，表示人员ui和操作字典wj的关系，表示人员ui和操作字典wj的间接关系，表示人员ui所在班组其他人员做过操作字典wj，表示人员ui所在班组其他人员没有做过操作字典wj，为人员ui和作业的间接关系集合，表示人员ui和操作字典wj的间接关系，表示人员ui和操作字典wj的关系，表示人员ui和操作字典wj所在区域为同一个区，表示人员ui和操作字典wj所在区域为同一个市，表示人员ui和操作字典wj所在区域为不同的市，为人员ui和作业的区域状态关系集合，表示人员ui和操作字典wj的区域状态关系。
[0028]
作为优选，建立所述约束模型，包括以下步骤：
[0029]
s31：设置所述人员和作业的行为关系集合、人员和作业的间接关系集合和状态关系集合为训练样本，设置人员专业为目标标签，对目标标签进行唯一化编码，得到编码标签；
[0030]
s32：基于人员专业的数量和操作字典数据的数量，设置模型隐藏层，根据所述编码标签对训练样本进行分类；
[0031]
s33：构建目标函数，将所述定义数据集分解为数据集，构建基于数据集的约束模型。
[0032]
作为优选，所述目标函数和约束模型如下：
[0033][0034]
t＝m(g)；
[0035]
式中，j为目标函数，n为关系数据集样本的总数，y为实际值(标签值)，x为样本下标，a
l
(x)为当前标签对应的模型输出值，t为模型输出数据集，m为约束模型，g为数据集。
[0036]
本发明的有益效果是：能基于行为关系、状态关系和间接关系得出人员与作业非对称关系场景下的人员优选方案。
附图说明
[0037]
图1本发明一种非对称关系下电力作业人员优化匹配方法的流程图。
[0038]
图2本发明一种非对称关系下电力作业人员优化匹配方法的约束模型流程图。
具体实施方式
[0039]
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
[0040]
实施例：如图1和图2所示，一种非对称关系下电力作业人员优化匹配方法，包括以下步骤：
[0041]
s1：收集历史作业数据和人员数据，对历史作业数据和人员数据进行预处理得到综合向量。
[0042]
s2：建立基于综合向量的归纳式模型，训练模型得到候选人员。
[0043]
s3：基于作业数据编辑操作字典，定义数据集，建立基于定义数据集的约束模型。
[0044]
s4：基于约束模型得到数据集，基于数据集得到推荐人员排序。
[0045]
s1：收集历史作业数据和人员数据，对历史作业数据和人员数据预进行处理得到综合向量。
[0046]
收集历史作业数据和人员数据。其中，历史作业数据包括：作业地点、作业时间、作业内容、作业人数、作业风险等级、作业部门和作业人编号等，人员数据包括：区域、部门、班组、岗位、专业、编号、姓名、职称等级、技能等级和安全技术等级等，作业部门表示参与该历
史作业的作业人的部门，作业人编号表示参与该历史作业的作业人的编号。
[0047]
对历史作业数据和人员数据进行数据预处理。离散型的数据采用独热(onehot)编码，将数据表示成二进制向量，再经过嵌入(embedding)层表示成表达向量，用低维向量对物体进行编码保留其含义提高效率。连续型的数据进行归一化处理，使得归一化处理后的数据被限定在一定的范围内，从而消除奇异样本数据导致的不良影响，提高数据准确性。文本型的数据采用预训练语言模型(bert，bidirectional encoder representation from transformers)训练并获取分类表达，对大规模不均衡样本文本进行分类，提高分类效率。将预处理后的特征数据向量化处理成为综合向量，便于数据的综合分析与训练。
[0048]
s2：建立基于综合向量的归纳式模型，训练模型得到候选人员。
[0049]
建立基于综合向量的归纳式二部图模型，综合向量ce经过一个可学习的线性层l，作为节点基础表达be，函数算式如下：
[0050]be
＝l(ce)；
[0051]
式中，be为基础表达，l为可学习线性层，ce为综合向量表达。
[0052][0053]
式中，ne为节点表达，ge为通过聚合函数得到的新节点ne邻居的聚合表达，为在k-1层中节点e的邻居节点u的表达，h(e)为节点e的所有邻居节点。
[0054]
训练模型，得到节点的最后表达ne，最后表达ne为基础表达be和邻居的特征聚合ge，节点可以根据邻居关系直接利用模型进行预测结果。
[0055]
s3：基于作业数据编辑操作字典，定义数据集，建立基于定义数据集的约束模型。
[0056]
通过上述基于二部图模型获得的候选人员有可能在区域或专业上存在偏差，因为全局最优并不一定是局部最优，所以还要通过一定的规则模型对候选进行优化。具体步骤如下：
[0057]
基于作业编辑操作字典，一个作业编辑为一个操作字典，基于操作字典过滤作业内容中的操作词，一个作业中存在一个或多个操作词。
[0058]
定义数据集，包括人员和作业的行为关系集合、人员和作业的间接关系集合和状态关系集合。
[0059]
作业表示为：
[0060]
w＝{w0,w1,...,w
m-1
}；
[0061]
式中，w为作业，w为操作字典数据，m为操作字典数据的数量。
[0062]
人员的数据集合表示为：
[0063]
u＝{u0,u1,...,u
n-1
}；
[0064]
式中，u为人员的数据集合，u为人员的数据，n为人员的数量。
[0065]
实际操作时，人员存在多次参与同一个作业的情况，人员直接参与过作业用行为关系集合表示。
[0066]
建立人员和操作字典的行为关系：
[0067][0068]
式中，表示人员ui和操作字典wj的关系，表示人员ui做过操作字典wj，
表示人员ui没有做过操作字典wj。
[0069]
基于人员和操作字典的行为关系，建立人员和作业的行为关系：
[0070][0071]
式中，g
ui
为人员ui和作业的行为关系集合，表示人员ui和操作字典wj的关系，m为操作字典数据的数量。
[0072]
因为一个作业存在多人参与的情况，参与的人员是同一个班组的人员，每一个班组做的作业接近相同。若一个班组中存在没有做过某一个或多个操作的人员，人员所在的班组的其他人员有做过此操作的作业，说明他们对此类操作存在间接关系。
[0073]
建立人员和操作字典的间接关系：
[0074][0075]
式中，表示人员ui和操作字典wj的间接关系，表示人员ui所在班组其他人员做过操作字典wj，表示人员ui所在班组其他人员没有做过操作字典wj。
[0076]
基于人员和操作字典的间接关系，建立人员和作业的间接关系：
[0077][0078]
式中，为人员ui和作业的间接关系集合，表示人员ui和操作字典wj的间接关系，m为操作字典数据的数量。
[0079]
状态关系为人员与操作字典的区域状态关系。
[0080]
因为作业区域和人员所在区域存在差异性，除去其他因素影响外，作业地点和人员所在区域越近，处理作业的时间越短、效率越高。
[0081]
建立人员与操作字典的区域状态关系：
[0082][0083]
式中，表示人员ui和操作字典wj的关系，表示人员ui和操作字典wj所在区域为同一个区，表示人员ui和操作字典wj所在区域为同一个市且不同区，表示人员ui和操作字典wj所在区域为不同的市。
[0084]
基于人员和操作字典的间接关系，建立人员与作业的区域状态关系：
[0085][0086]
式中，为人员ui和作业的区域状态关系集合，表示人员ui和操作字典wj的区域状态关系，m为操作字典数据的数量。
[0087]
根据人员和作业的行为关系集合、人员和作业的间接关系集合和状态关系集合，建立约束模型，包括以下步骤：
[0088]
s31：设置人员和作业的行为关系集合人员和作业的间接关系集合和状态关系集合为模型的训练样本，设置人员的专业为模型的目标标签li，对目标标签li进行唯一化编码后为编码标签li′
，编码标签的长度为l。
[0089]
s32：根据人员专业的数量和操作字典数据的数量，设置模型隐藏层，模型隐藏层的层数算式如下：
[0090][0091]
式中，c为模型隐藏层的层数，l为唯一化编码后的目标标签的长度，m为操作字典数据的数量。
[0092]
设置模型隐藏层后，根据编码标签li′
对人员和作业的行为关系集合人员和作业的间接关系集合状态关系集合进行分类。
[0093]
s33：构建目标函数，目标函数公式如下：
[0094][0095]
式中，j为目标函数，n为关系数据集样本的总数，y为实际值(标签值)，x为样本下标，a
l
(x)为当前标签对应的模型输出值。
[0096]
将定义数据集分解为数据集g，构建基于数据集g的约束模型(关系算法模型)m，目标函数如下：
[0097]
t＝m(g)；
[0098]
式中，t为模型输出数据集，m为根据上述方法建立的约束模型，g为数据集。
[0099]
s4：通过约束模型m得到数据集t，在数据集t中得到前几个推荐人员。
[0100]
通过约束模型m得出结果数据集t，数据集t中的推荐人员即为最优匹配人员，位于数据集t前面的推荐人员匹配度高。
[0101]
作业除了基本特征之外，被相同人员参与的作业具备更相似的特征。当所有作业和人员的关系按上述建模并获得特征表达以后，一个新作业就可以利用它的基本属性和所属部门的人员已参与的作业关系，求得最相似的作业，因为这些作业特征既包含基本特征也包含参与者特征。利用改进后带有人员特征和关系表达的模型，提取了非对称关系下的作业特征，结合基于操作字典和操作关系的规则模型，利用这种方法可以解决人员与作业的非对称关系，根据作业内容更准确的筛选出最适合的作业人员，从而提高作业效率，并具有客观性、准确性、高效性、合理性。