亚洲成年人黄色一级片,日本香港三级亚洲三级,黄色成人小视频,国产青草视频,国产一区二区久久精品,91在线免费公开视频,成年轻人网站色直接看

基于生成式AI大模型的重點(diǎn)工作完成度評(píng)價(jià)方法及裝置與流程

文檔序號(hào):40455778發(fā)布日期:2024-12-27 09:20閱讀:7來(lái)源:國(guó)知局
基于生成式AI大模型的重點(diǎn)工作完成度評(píng)價(jià)方法及裝置與流程

本發(fā)明涉及數(shù)據(jù)處理,尤其涉及一種基于生成式ai大模型的重點(diǎn)工作完成度評(píng)價(jià)方法及裝置。


背景技術(shù):

1、在現(xiàn)代企業(yè)管理中,有效地評(píng)估和監(jiān)控員工的工作完成度是提高組織效率和執(zhí)行力的關(guān)鍵因素。傳統(tǒng)的工作評(píng)估方法通常依賴于人工審核員工的工作報(bào)告、項(xiàng)目管理系統(tǒng)的記錄和績(jī)效評(píng)估結(jié)果,這些方法不僅耗時(shí)、耗力,而且可能受到主觀因素的影響,導(dǎo)致評(píng)估結(jié)果的不一致性和偏差。

2、評(píng)估和監(jiān)控員工的工作完成度的數(shù)據(jù),通常來(lái)源于企業(yè)內(nèi)部的項(xiàng)目管理系統(tǒng)、員工日?qǐng)?bào)系統(tǒng)以及績(jī)效評(píng)估系統(tǒng)的導(dǎo)出數(shù)據(jù),這些數(shù)據(jù)具有多源性、多樣性、時(shí)間序列性和主觀性特點(diǎn)。在企業(yè)項(xiàng)目特征的提取方面,傳統(tǒng)處理方法的模型權(quán)重調(diào)整通常較為固定,不足以靈活應(yīng)對(duì)訓(xùn)練數(shù)據(jù)中特征重要性的變化,可能導(dǎo)致模型在復(fù)雜數(shù)據(jù)上的性能不穩(wěn)定。

3、此外,對(duì)于工作完成度評(píng)價(jià)這樣的任務(wù),往往需要理解整個(gè)段落或文檔的內(nèi)容,并且其中的關(guān)鍵信息可能分布在不同的位置。傳統(tǒng)模型在處理長(zhǎng)序列時(shí)容易遇到梯度消失或梯度爆炸的問(wèn)題,這導(dǎo)致它們難以捕捉到序列中遠(yuǎn)距離的依賴關(guān)系。如果模型無(wú)法有效捕捉這些長(zhǎng)距離依賴,就會(huì)導(dǎo)致生成的評(píng)價(jià)不準(zhǔn)確或不完整,影響模型在自動(dòng)文本評(píng)價(jià)任務(wù)中的表現(xiàn)。


技術(shù)實(shí)現(xiàn)思路

1、有鑒于此,本發(fā)明的目的在于提供一種基于生成式ai大模型的重點(diǎn)工作完成度評(píng)價(jià)方法及裝置,以解決上述技術(shù)問(wèn)題。

2、第一方面,本發(fā)明實(shí)施例提供一種基于生成式ai大模型的重點(diǎn)工作完成度評(píng)價(jià)方法,其中,該方法包括:獲取預(yù)先采集的工作統(tǒng)計(jì)數(shù)據(jù),將工作統(tǒng)計(jì)數(shù)據(jù)轉(zhuǎn)化為向量數(shù)據(jù);通過(guò)預(yù)先構(gòu)建的特征提取模型對(duì)向量數(shù)據(jù)進(jìn)行特征提取,確定目標(biāo)特征參數(shù);其中,特征提取模型的連接權(quán)重和結(jié)構(gòu)基于模型輸出的大小進(jìn)行調(diào)整;將目標(biāo)特征參數(shù)輸入至預(yù)先構(gòu)建的生成式ai模型中,對(duì)目標(biāo)特征參數(shù)進(jìn)行分析,得到分析結(jié)果;其中,生成式ai模型基于transformer算法構(gòu)建,transformer算法的注意力權(quán)重和層間連接權(quán)重基于自適應(yīng)誤差補(bǔ)償策略確定;基于分析結(jié)果,對(duì)工作統(tǒng)計(jì)數(shù)據(jù)進(jìn)行工作完成度評(píng)價(jià)。

3、結(jié)合第一方面,本發(fā)明實(shí)施例還提供第一方面的第一種實(shí)施方式,其中,將目標(biāo)特征參數(shù)輸入至預(yù)先構(gòu)建的生成式ai模型中,對(duì)目標(biāo)特征參數(shù)進(jìn)行分析,得到分析結(jié)果的步驟,包括:對(duì)目標(biāo)特征參數(shù)進(jìn)行位置編碼;通過(guò)生成式ai模型的每層transformer塊采用自注意力機(jī)制進(jìn)行數(shù)據(jù)處理,輸出序列的中間表示;基于中間表示,確定目標(biāo)特征參數(shù)指示的分析結(jié)果。

4、結(jié)合第一方面,本發(fā)明實(shí)施例還提供第一方面的第二種實(shí)施方式,其中,基于自適應(yīng)誤差補(bǔ)償策略確定transformer算法的注意力權(quán)重和層間連接權(quán)重的步驟,包括:將預(yù)設(shè)的訓(xùn)練樣本集輸入至預(yù)設(shè)的transformer模型中,進(jìn)行前向傳播;根據(jù)訓(xùn)練樣本集的上下文信息,采用互信息計(jì)算函數(shù)計(jì)算訓(xùn)練樣本集的每個(gè)特征的相關(guān)性評(píng)分;基于相關(guān)性評(píng)分,通過(guò)門控機(jī)制對(duì)訓(xùn)練樣本集的特征進(jìn)行激活;基于激活的特征,確定transformer模型的注意力權(quán)重和層間連接權(quán)重。

5、結(jié)合第一方面,本發(fā)明實(shí)施例還提供第一方面的第三種實(shí)施方式,其中,基于模型輸出的大小調(diào)整特征提取模型的連接權(quán)重和結(jié)構(gòu)的步驟,包括:基于特征提取模型在訓(xùn)練批次中的損失函數(shù)的變化,對(duì)預(yù)設(shè)噪聲進(jìn)行自適應(yīng)調(diào)整;基于特征提取模型的過(guò)去權(quán)重更新,對(duì)預(yù)設(shè)動(dòng)態(tài)調(diào)整因子進(jìn)行動(dòng)態(tài)調(diào)整;基于調(diào)整的預(yù)設(shè)噪聲和調(diào)整的預(yù)設(shè)動(dòng)態(tài)調(diào)整因子,模擬雨滴蒸發(fā)的過(guò)程調(diào)整特征提取模型的節(jié)點(diǎn)權(quán)重。

6、結(jié)合第一方面,本發(fā)明實(shí)施例還提供第一方面的第四種實(shí)施方式,其中,方法還包括:基于預(yù)設(shè)的權(quán)重收縮閾值對(duì)提取特征進(jìn)行篩選;其中,權(quán)重收縮閾值基于特征提取模型的損失減少率自適應(yīng)確定。

7、結(jié)合第一方面,本發(fā)明實(shí)施例還提供第一方面的第五種實(shí)施方式,其中,方法還包括:通過(guò)預(yù)先構(gòu)建的自編碼器對(duì)目標(biāo)特征參數(shù)進(jìn)行降維度處理;其中,自編碼器的參數(shù)基于目標(biāo)特征參數(shù)的特征重要性向量確定,特征重要性向量基于對(duì)自編碼器的重構(gòu)數(shù)據(jù)進(jìn)行動(dòng)態(tài)重要性評(píng)估確定。

8、結(jié)合第一方面,本發(fā)明實(shí)施例還提供第一方面的第六種實(shí)施方式,其中,自編碼器的構(gòu)建方法,包括:通過(guò)預(yù)設(shè)的自編碼器對(duì)預(yù)設(shè)的訓(xùn)練樣本集編碼處理,得到訓(xùn)練樣本集對(duì)應(yīng)的潛在表示;基于潛在表示的重構(gòu)誤差,計(jì)算自編碼器的損失,以及,訓(xùn)練樣本集對(duì)應(yīng)的特征重要性向量;基于損失的梯度和特征重要性向量,通過(guò)網(wǎng)絡(luò)反向傳播對(duì)自編碼器的參數(shù)進(jìn)行更新。

9、結(jié)合第一方面,本發(fā)明實(shí)施例還提供第一方面的第七種實(shí)施方式,其中,上述方法還包括:獲取預(yù)先采集的工作統(tǒng)計(jì)樣本,根據(jù)工作統(tǒng)計(jì)樣本所表征的工作完成度情況對(duì)工作統(tǒng)計(jì)樣本進(jìn)行標(biāo)注,構(gòu)建初始樣本集;計(jì)算初始樣本集對(duì)應(yīng)于預(yù)設(shè)隱空間向量的互信息,基于互信息,對(duì)初始樣本集進(jìn)行數(shù)據(jù)擴(kuò)充,生成擴(kuò)充樣本;將擴(kuò)充樣本和初始樣本集合并,構(gòu)建訓(xùn)練樣本集。

10、結(jié)合第一方面,本發(fā)明實(shí)施例還提供第一方面的第八種實(shí)施方式,其中,計(jì)算初始樣本集對(duì)應(yīng)于預(yù)設(shè)隱空間向量的互信息的步驟,包括:采用預(yù)設(shè)的參數(shù)化模型確定隱空間向量對(duì)應(yīng)的條件概率分布;其中,參數(shù)化模型為由預(yù)設(shè)數(shù)據(jù)擴(kuò)充模型的參數(shù)控制的神經(jīng)網(wǎng)絡(luò)函數(shù);基于條件概率分布和隱空間向量的高斯分布,計(jì)算初始樣本集對(duì)應(yīng)于隱空間向量的互信息。

11、第二方面,本發(fā)明實(shí)施例提供一種基于生成式ai大模型的重點(diǎn)工作完成度評(píng)價(jià)裝置,其中,該裝置包括:數(shù)據(jù)獲取模塊,用于獲取預(yù)先采集的工作統(tǒng)計(jì)數(shù)據(jù),將工作統(tǒng)計(jì)數(shù)據(jù)轉(zhuǎn)化為向量數(shù)據(jù);特征提取模塊,用于通過(guò)預(yù)先構(gòu)建的特征提取模型對(duì)向量數(shù)據(jù)進(jìn)行特征提取,確定目標(biāo)特征參數(shù);其中,特征提取模型的連接權(quán)重和結(jié)構(gòu)基于模型輸出的大小進(jìn)行調(diào)整;執(zhí)行模塊,用于將目標(biāo)特征參數(shù)輸入至預(yù)先構(gòu)建的生成式ai模型中,對(duì)目標(biāo)特征參數(shù)進(jìn)行分析,得到分析結(jié)果;其中,生成式ai模型基于transformer算法構(gòu)建,transformer算法的注意力權(quán)重和層間連接權(quán)重基于自適應(yīng)誤差補(bǔ)償策略確定;輸出模塊,用于基于分析結(jié)果,對(duì)工作統(tǒng)計(jì)數(shù)據(jù)進(jìn)行工作完成度評(píng)價(jià)。

12、本發(fā)明實(shí)施例帶來(lái)了以下有益效果:本發(fā)明提供的一種基于生成式ai大模型的重點(diǎn)工作完成度評(píng)價(jià)方法及裝置,通過(guò)預(yù)先構(gòu)建的特征提取模型對(duì)工作統(tǒng)計(jì)數(shù)據(jù)進(jìn)行特征提取,并由基于transformer算法構(gòu)建的生成式ai模型進(jìn)行數(shù)據(jù)分析。其中,特征提取模型的連接權(quán)重和結(jié)構(gòu)基于模型輸出的大小進(jìn)行調(diào)整,能夠適應(yīng)數(shù)據(jù)的變化。transformer算法的注意力權(quán)重和層間連接權(quán)重基于自適應(yīng)誤差補(bǔ)償策略確定,能夠提高模型性能和穩(wěn)定性,以對(duì)員工工作完成度進(jìn)行有效評(píng)價(jià)。而且,本發(fā)明不僅能夠提供靜態(tài)的歷史數(shù)據(jù)分析,更能夠動(dòng)態(tài)地處理新的業(yè)務(wù)情況,為企業(yè)提供實(shí)時(shí)的、基于數(shù)據(jù)的決策支持,從而幫助企業(yè)實(shí)現(xiàn)更高效的人力資源管理和項(xiàng)目監(jiān)控。

13、本發(fā)明的其他特征和優(yōu)點(diǎn)將在隨后的說(shuō)明書中闡述,并且,部分地從說(shuō)明書中變得顯而易見(jiàn),或者通過(guò)實(shí)施本發(fā)明而了解。本發(fā)明的目的和其他優(yōu)點(diǎn)在說(shuō)明書以及附圖中所特別指出的結(jié)構(gòu)來(lái)實(shí)現(xiàn)和獲得。

14、為使本發(fā)明的上述目的、特征和優(yōu)點(diǎn)能更明顯易懂,下文特舉較佳實(shí)施例,并配合所附附圖,作詳細(xì)說(shuō)明如下。

當(dāng)前第1頁(yè)1 2 
網(wǎng)友詢問(wèn)留言 已有0條留言
  • 還沒(méi)有人留言評(píng)論。精彩留言會(huì)獲得點(diǎn)贊!
1