一种劳务人员信用评估方法和系统与流程

1.本发明属于数据处理技术领域，具体涉及一种劳务人员信用评估方法和系统。


背景技术：

2.在现代劳务市场中，雇主常常需要评估劳务人员的信用，以确保选择到合适的劳务人员并降低风险。
3.现有技术中，雇主需要往往依赖面试以及背景调查的结果，主观地对劳务人员的信用进行评估以决定是否进行下一步的合作。现有的劳务人员信用评估方法存在主观性高、评估结果不准确等问题。


技术实现要素：

4.为了解决现有技术存在的主观性高、评估结果不准确的技术问题，本发明提供一种劳务人员信用评估方法和系统。
5.第一方面
6.本发明提供了一种劳务人员信用评估方法，包括：
7.s101：构建劳务人员信用评估体系，劳务人员信用评估体系包括多个评估指标，评估指标包括：工作年限、职业道德、信用历史、口碑评价和职业技能；
8.s102：确定各个评估指标的权重参数；
9.s103：根据各个评估指标的权重参数，构建劳务人员信用评估模型，劳务人员信用评估模型包括基学习器、生成器和元学习器，基学习器通过生成器与元学习器连接；
10.s104：获取样本数据集；
11.s105：通过基学习器对样本数据集进行一次评估，通过生成器对一次评估结果中的少数类样本进行扩充并输入至元学习器，通过元学习器对基学习器的一次评估结果进行再学习并输出二次评估结果；
12.s106：获取待评估人员的原始数据；
13.s107：通过劳务人员信用评估模型输出待评估人员的信用评估结果，信用评估结果包括优秀和差。
14.第二方面
15.本发明提供了一种劳务人员信用评估系统，用于执行第一方面中的劳务人员信用评估方法。
16.与现有技术相比，本发明至少具有以下有益技术效果：
17.在本发明中，构建劳务人员信用评估体系，从工作年限、职业道德、信用历史、口碑评价和职业技能这五个维度综合评估劳务人员的信用，并且通过基学习器进行一次评估，之后再通过元学习器进行二次评估，自动化地完成劳务人员的信用评估，无需人工介入，客观性强，同时提升了信用评估结果的准确性。
附图说明
18.下面将以明确易懂的方式，结合附图说明优选实施方式，对本发明的上述特性、技术特征、优点及其实现方式予以进一步说明。
19.图1是本发明提供的一种劳务人员信用评估方法的流程示意图；
20.图2是本发明提供的一种劳务人员信用评估模型的结构示意图。
具体实施方式
21.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。
22.为使图面简洁，各图中只示意性地表示出了与发明相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。
23.还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
24.在本文中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
25.另外，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
26.实施例1
27.在一个实施例中，参考说明书附图1，示出了本发明提供的劳务人员信用评估方法的流程示意图。参考说明书附图2，示出了本发明提供的一种劳务人员信用评估模型的结构示意图。
28.本发明提供的一种劳务人员信用评估方法，包括：
29.s101：构建劳务人员信用评估体系，劳务人员信用评估体系包括多个评估指标。
30.其中，评估指标包括：工作年限、职业道德、信用历史、口碑评价和职业技能。
31.其中，工作年限是评估劳务人员在职业领域中所积累的经验和知识的重要指标。较长的工作年限通常意味着劳务人员在行业中有更多的经验和技能，对工作具备较高的熟悉度和适应能力，可能表明其工作稳定性和可靠性较高。因此，在信用评估中，较长的工作年限可能对劳务人员的信用产生积极影响。
32.其中，职业道德是评估劳务人员的道德准则、职业操守和工作态度的指标。具备良好的职业道德意味着劳务人员在工作中具备诚信、责任感和专业精神，能够遵守职业规范和道德准则。这种职业道德对于信用评估具有重要意义，因为它涉及到劳务人员是否能够按时履行承诺、保护雇主利益和与他人建立良好的合作关系。
33.其中，信用历史是评估劳务人员过去的信用记录和信用行为的指标。通过分析劳务人员的信用报告、支付记录和债务情况等，可以了解其债务偿还能力和信用可靠性。良好的信用历史表明劳务人员有良好的还款记录和信用记录，可能会对信用评估产生正面影响。
34.其中，口碑评价是指他人对劳务人员的推荐和评价。通过获取其他人对劳务人员的推荐信、口碑评价和专业人士的评估意见等，可以了解劳务人员在工作中的表现和与他人的关系。正面的口碑评价可以增加劳务人员的信用度，因为它表明劳务人员在过去的工作中获得了他人的认可和赞誉。
35.其中，职业技能是评估劳务人员在特定领域内所具备的技术能力和专业知识的指标。良好的职业技能意味着劳务人员具备相关的专业知识和技能，能够胜任特定的工作任务和要求。在信用评估中，较高的职业技能可能被视为劳务人员信用较高的一个指标，因为它表明其在工作中具备较高的能力和竞争力。
36.需要说明的是，综合考虑工作年限、职业道德、信用历史、口碑评价和职业技能对于劳务人员信用的影响，可以提升劳务人员信用评估的可信度。
37.s102：确定各个评估指标的权重参数。
38.其中，权重参数可以体现各个评估指标在信用评估过程中对不同指标的重要性。对于信用评估中较为重要或关联性较高的指标在后续的信用评估的过程中给予更大的影响力，以更准确地反映劳务人员的信用状况。
39.需要说明的是，现有技术在确定各个指标的权重参数时，往往采用的单一的计算方式，例如层次分析法、熵理想点法、标准离差法和专家评估法等等。
40.在一种可能的实施方式中，s102具体包括子步骤s1021至s102x：
41.s1021：通过层次分析法确定各个评估指标的第一权重集合a1。
42.其中，层次分析法能够利用专家的理论知识和丰富经验，避免评价结果受到数据的随机误差影响。但是，层次分析法需要决策者进行一系列的对比和判断，涉及到主观性较大的权重评估过程，可能受到决策者主观意见和判断的影响，导致结果的偏差。
43.在一种可能的实施方式中，子步骤s1021具体包括s102a至s102c：
44.s102a：对各个评价指标进行两两比较，结合九级标度法，建立判别矩阵c：
[0045][0046]
其中，c
ij
表示第i个评价指标相对于第j个评价指标的重要程度，c
ij
的取值可通过九极标度法确定。
[0047]
表1九级标度法评分表
[0048][0049]
参照表1，示出了九级标度法的分类情况，九级标度法基于两两指标之间的相对差别给出不同指标的分数，最后得到的结果可以通过数值将多个定性指标的相对差异体现出来，进而分析出各个评价指标在评估劳务人员信用的过程中所占的比重。
[0050]
s102b：计算判断矩阵c的特征向量和特征值：
[0051]
cω＝λω
→
(c-λi)ω
[0052]
其中，λ表示判断矩阵c的特征值，ω表示判断矩阵c的特征向量，取最大的特征值记为λ
max
，与之对应的特征向量为ω
max
，ω
max
＝(ω1,ω2,
…
,ωn)。
[0053]
s102c：对特征向量进行归一化处理：
[0054][0055]
ω'
max
＝(ω'1,ω'2,
…
,ω'n)
[0056]
其中，归一化后的向量ω'
max
可用于表征第一权重集合a1，归一化后的向量ω'
max
的各个分量ω'1,ω'2,
…
,ω'n分别代表各个评价指标的权重。
[0057]
s1022：通过熵理想点法确定各个评估指标的第二权重集合a2。
[0058]
其中，熵理想点法综合反映了指标包含信息量的多寡和各评价对象之间的差距。但是，熵理想点法仅仅考虑了指标数据的变异性，没有考虑指标之间的相互关系和重要性，可能忽略了某些重要的指标。
[0059]
s1023：通过标准离差法确定各个评估指标的第三权重集合a3。
[0060]
其中，标准离差法可以通过对指标数据的标准差进行计算，考虑指标的变异性和波动情况，有助于反映指标之间的差异和波动程度。但是，标准离差法仅仅考虑了指标的变异性，没有考虑指标之间的相互关系和重要性，可能忽略了某些重要的指标。
[0061]
s1024：通过专家评估法确定各个评估指标的第四权重集合a4。
[0062]
其中，专家评估法可以通过专家的经验和知识，结合对问题的深入了解和判断，对指标的权重进行评估，有可能获得相对准确的权重结果。但是，专家评估法在权重评估过程中可能缺乏量化和客观性，难以避免主观性和人为因素对权重的影响，结果可能存在较大的不确定性。
[0063]
因此，为了平衡层次分析法、熵理想点法、标准离差法和专家评估法之间的优点和缺点，本技术采用了将层次分析法、熵理想点法、标准离差法和专家评估法进行综合考虑的方式，以进行权重的确定。
[0064]
s1025：计算第一权重集合、第二权重集合、第三权重集合和第四权重集合中权重值的差异性参数sj：
[0065][0066]
其中，sj表示第j个权重集合的标准差，x
ij
表示第j个权重集合中第i个指标的权重值，表示第j个权重集合中各个指标的权重值的平均值，n表示指标的个数，n＝5。
[0067]
其中，差异性参数可以衡量各个权重计算方法之间的差异程度。通过差异性参数可以评估权重值的稳定性，消除检测决策者主观性，可以帮助评估权重值的一致性和稳定性，从而提高决策结果的可靠性。
[0068]
需要说明的是，计算差异性参数可以采用标准差或者方差。在本发明中，采用标准差的方式计算差异性参数。
[0069]
s1026：计算参考权重集合a0，a0＝[x'1,x'2,
…
,x'i]：
[0070][0071]
其中，m表示权重集合的个数，m＝4，x'i表示各个权重集合中第i个评价指标的权重值的平均值。
[0072]
其中，以各个权重值的平均值作为参考值，可以评价出各个权重计算方法之间的关联性。
[0073]
s1027：计算第一权重集合、第二权重集合、第三权重集合和第四权重集合中权重值的关联性参数rj：
[0074][0075]
其中，ρ表示超参数，ρ∈[0,1]。
[0076]
其中，关联性参数可以衡量各个权重计算方法之间的关联程度，即彼此之间的相互依赖关系。
[0077]
s1028：根据差异性参数sj和关联性参数rj确定各个权重计算方法的优先级参数bj：
[0078]bj
＝sj·rj
。
[0079]
其中，某一个权重计算方法的差异性参数越高，意味着这个权重计算方法的相对于其他指标的差异性越大，对于评价的内容具有越高的区分度，这个权重计算方法的优先级也应当越高。某一个权重计算方法的关联性参数越高，意味着这个权重计算方法的横向相似性越大，对于其他权重计算方法存在影响力，这个权重计算方法的优先级也应当越高。对此，将差异性参数和关联性参数相乘得到优先级参数，以评价各个权重计算方法的优先级。
[0080]
s1029：根据优先级参数，确定各个权重计算方法的权重wj：
[0081][0082]
其中，权重计算方法的优先级越高，其分配到的权重也就越高，对于指标权重的确定起到更加主导的地位。
[0083]
s102x：根据各个权重计算方法的权重wj、第一权重集合a1、第二权重集合a2、第三权重集合a3和第四权重集合a4确定最终的权重集合a
*
，将最终的权重集合a
*
中的权重作为各个评估指标的权重参数，
[0084][0085]
在本发明中，不同的权重确定方法可能在不同情境下更为适用，本发明综合考虑层次分析法、熵理想点法、标准离差法和专家评估法，可以减少单一方法可能存在的偏差和不确定性，更全面地反映指标的重要性和优先级，从而提高权重结果的可靠性。
[0086]
s103：根据各个评估指标的权重参数，构建劳务人员信用评估模型，劳务人员信用评估模型包括基学习器、生成器和元学习器，基学习器通过生成器与元学习器连接。
[0087]
其中，基学习器是指用于解决具体学习任务的基本模型或算法。在劳务人员信用评估模型中，基学习器可以是任何单个的评估模型，如决策树、支持向量机、随机森林等。每个基学习器都会对输入数据进行学习和预测，它们通常具有一定的独立性，即每个基学习器根据不同的特征和规则进行学习和决策。
[0088]
其中，生成器是指通过组合多个基学习器来生成预测结果的组件。生成器可以采用集成学习方法，例如装袋法(bagging)或提升法(boosting)，将多个基学习器的预测结果进行组合，对基学习器的评估结果中的少数类样本进行扩充，以提高整体模型的性能和泛化能力。生成器可以利用基学习器的多样性和集体智慧来改善模型的稳定性和准确性。
[0089]
其中，元学习器是指用于学习和调整生成器的模型或算法。元学习器通过观察和分析生成器的预测结果，学习不同基学习器之间的关系和权重，以提高整体模型的性能。元学习器可以根据生成器的输出，调整基学习器的权重或组合方式，使生成器能够更好地适应不同的学习任务。
[0090]
在本发明中，基学习器、生成器和元学习器相互协作，形成一个集成学习的框架，以充分利用不同基学习器之间的差异性和集体智慧，提高劳务人员信用评估模型的准确性和鲁棒性。
[0091]
在一种可能的实施方式中，样本数据集包括多个样本，每个样本包含工作年限得分、职业道德得分、信用历史得分、口碑评价得分和职业技能得分。
[0092]
基学习器的构建方法包括：
[0093]
s1031：定义优秀和差两个信用标签值。
[0094]
s1032：按照权重参数由高到低的顺序，挑选重要性最高的评估指标作为第一级决策树，根据重要性最高的评估指标对应的得分由大到小地对各个样本进行排列，不同的第一级决策树采用不同的第一预设得分，将大于或者等于第一预设得分的样本划分到信用优秀类，将小于第一预设得分的样本划分为信用差类。
[0095]
需要说明的是，挑选重要性最高的评估指标作为第一级决策树，优先选择对模型性能有更大贡献的指标构建决策树，可以减少不必要的特征冗余和噪声，提高模型的效率和准确性。同时还有助于用户或利益相关者理解模型的判定依据和评估结果，增强对模型的信任和接受度。
[0096]
s1033：计算每一颗第一级决策树的第一分类准确性参数d1：
[0097]
d1＝p1·
(1-p1)+p2·
(1-p2)
[0098]
其中，p1表示信用优秀类样本被划分到信用优秀类的概率也即信用优秀类样本被划分正确的概率，1-p1表示信用优秀类样本被划分到信用差类的概率也即信用优秀类样本被划分错误的概率，p2表示信用差类样本被划分到信用差类的概率也即信用差类样本被划分正确的概率，1-p2表示信用差类样本被划分到信用优秀类的概率，也即信用差类样本被划分错误的概率。
[0099]
其中，第一分类准确性参数d1体现了第一级决策树分类的准确性。
[0100]
s1034：按照权重参数由高到低的顺序挑选重要性第二高的评估指标作为第二级决策树，根据重要性第二高的评估指标对应的得分由大到小地对上一级决策树划分错误的样本进行排列，不同的第二级决策树采用不同的第二预设得分，将大于或者等于第二预设得分的样本划分到信用优秀类，将小于第二预设得分的样本划分为信用差类。
[0101]
s1035：计算每一颗第二级决策树的第二分类准确性参数d2。
[0102]
需要说明的是，可以参照s1033来计算每一颗第二级决策树的第二分类准确性参数d2。
[0103]
s1036：将第二分类准确性参数d2减去第一分类准确性参数d1计算准确性增益。
[0104]
其中，准确性增益体现了增加一级决策树之后对于准确性的提升效果。
[0105]
s1037：在准确性增益大于预设增益值的情况下，对相应的第二决策树进行保留。在准确性增益小于或者等于预设增益值的情况下，对相应的第二决策树进行去除。
[0106]
其中，本领域技术人员可以根据实际情况调整预设增益值的具体大小，本发明不做限定。
[0107]
需要说明的是，在准确性增益小于或者等于预设增益值的情况下，对相应的第二决策树进行去除，可以避免引入对模型贡献较小的决策树，从而提高模型的泛化能力、简化模型结构和提高模型的解释性。
[0108]
s1038：重复s1034和s1037，按照权重参数由高到低的顺序依次挑选重要性第三高的评估指标作为第三级决策树、重要性第四高的评估指标作为第四级决策树和重要性最低的评估指标作为第五级决策树，完成五级决策树的构建。
[0109]
需要说明的是，按照重要性顺序构建决策树可以提高特征选择的效果，实现层级化的特征划分，提高模型的解释性，并简化模型结构。这些优势有助于构建更有效、可解释和可操作的劳务人员信用评估模型。
[0110]
在一种可能的实施方式中，生成器的构建方法包括：
[0111]
s103a：将样本数据集划分为训练集和测试集。
[0112]
s103b：以五维特征空间的欧式距离为准，计算出训练集中距离目标样本距离最近的k个其他样本，在k个其他样本与目标样本属于同一类别的情况下，对目标样本予以保留，在k个其他样本与目标样本不属于同一类别的情况下，对目标样本予以去除。
[0113]
其中，欧式距离(euclidean distance)是一个常用的距离度量方法，用于计算多维空间中两个点之间的距离。
[0114]
需要说明的是，使用欧式距离来寻找最近的k个样本，并根据它们的类别进行保留或去除操作，可以保留相似的样本和同类别样本，去除异类样本，并提高模型的准确性、一致性和鲁棒性。这种数据筛选和清洗的方法有助于提高模型的性能和效果。
[0115]
s103c：构建互相之间存在关联关系的鉴别器f和生成器g。
[0116]
其中，在生成对抗网络(generative adversarial networks，gans)中，鉴别器(discriminator)和生成器(generator)是两个核心组件，它们相互作用以实现生成模型的训练和生成数据的估计。生成器g的主要任务是生成具有与真实数据相似分布的合成数据样本。它接收一个随机噪声向量或随机采样作为输入，并通过一系列的变换操作逐渐将输入噪声转化为逼近真实数据的合成数据样本。生成器g的目标是尽可能地欺骗鉴别器f，使得生成的样本在外观和特征上难以与真实数据区分。鉴别器f的任务是对输入的数据样本进行分类，判断其是真实数据还是生成器g生成的合成数据。鉴别器f接收真实数据样本和生成器g生成的样本作为输入，并输出一个概率值来表示输入样本属于真实数据的可能性。鉴别器f的目标是准确地区分真实数据和生成数据，以尽可能正确地分类样本。
[0117]
s103d：固定生成器g的参数，以第一目标函数s1(θb,θc)尽可能小，训练鉴别器f：
[0118][0119]
其中，θb表示鉴别器的参数，θc表示生成器的参数，e()表示数学期望，p
t
表示真实数据分布，pg表示生成数据分布。
[0120]
进一步地，鉴别器f的输出是一个介于0和1之间的概率值，表示输入样本被判定为真实数据的概率。如果输出概率接近1，说明鉴别器f认为输入样本很可能来自真实数据分布；如果输出概率接近0，说明鉴别器f认为输入样本很可能是生成器g生成的合成数据。通过准确地区分真实数据和生成数据，鉴别器f在训练过程中促使生成器g不断优化，从而实现生成器的生成能力的提升。
[0121]
s103e：固定鉴别器f的参数，以第二目标函数s2(θb,θc)尽可能大，训练生成器g：
[0122][0123]
其中，由于生成器g与鉴别器f的目的不同，生成器g的目标函数与鉴别器f的目标函数正好相反。
[0124]
s103f：通过测试集对生成器g进行测试。
[0125]
在一种可能的实施方式中，元学习器的构建方法包括：
[0126]
s103a：输入各个样本的5维特征向量x(x1,x2,x3,x4,x5)，其中，x1表示工作年限得分，x2表示职业道德得分，x3表示信用历史得分，x4表示口碑评价得分，x5表示职业技能得分。
[0127]
s103b：将输入的特征向量变换为目标变量d
θ
(x)：
[0128]dθ
(x)＝θ+α1x1+α2x2+
…
+αnxn[0129]
其中，θ表示元学习器的超参数，αi表示各个评估指标的权重参数。
[0130]
其中，目标变量综合考虑了工作年限、职业道德、信用历史、口碑评价和职业技能
对于劳务人员信用的影响，根据目标变量评估劳务人员的信用可以提升评估的可信度和准确性。
[0131]
s103c：使用sigmod函数f(z)将目标变量映射至[0,1]的区间范围内：
[0132][0133]
s103d：使用阶跃函数g(z)将概率值转化为{0,1}的类别输出：
[0134][0135]
其中，1表示信用优秀，0表示信用差。
[0136]
进一步地，可以根据阶跃函数g(z)的输出，最终展示劳务人员的信用评估结果。
[0137]
s103e：构建损失函数j(θ)：
[0138][0139]
s103f：使用梯度下降法对损失函数j(θ)进行求解，得到元学习器的超参数θ，完成元学习器的训练。
[0140]
其中，损失函数j(θ)体现了元学习器在训练过程中的性能和误差。这个损失函数通常基于模型的预测结果和真实标签之间的差异。
[0141]
其中，梯度下降法是一种常用的优化算法，用于最小化损失函数。通过迭代的方式更新模型参数，使得损失函数逐渐减小。
[0142]
s104：获取样本数据集。
[0143]
s105：通过基学习器对样本数据集进行一次评估，通过生成器对一次评估结果中的少数类样本进行扩充并输入至元学习器，通过元学习器对基学习器的一次评估结果进行再学习并输出二次评估结果。
[0144]
其中，通过生成器对一次评估结果中的少数类样本进行扩充，可以增加少数类样本的数量，从而缓解数据不平衡问题。这有助于提高模型对于少数类的学习能力，提升整体的分类性能。
[0145]
其中，元学习器使用一次评估结果作为输入进行训练，可以学习到更准确的样本权重和样本分布信息。通过再学习过程，元学习器可以更好地捕捉到数据集中样本之间的关联关系和特征分布，从而提高模型的泛化能力。通过元学习器对基学习器的一次评估结果进行再学习，可以得到二次评估结果。这些结果可能具有更高的准确性和鲁棒性，能够更好地反映样本的分类情况和信用评估结果。
[0146]
在一种可能的实施方式中，通过基学习器对样本数据集进行一次评估，具体为：
[0147]
通过参数各不相同的五级决策树组成的随机森林对样本数据集进行处理，将各个决策树的处理结果取众数或者均值，得到一次评估结果。
[0148]
需要说明的是，随机森林由多个决策树组成，每个决策树都是独立训练的，具有不同的参数设置。通过将多个决策树的处理结果进行综合，可以综合利用各个决策树的独立性和多样性，得到更稳定和可靠的评估结果。进一步地，通过取众数或均值来综合决策树的结果，可以减小预测结果的误差和不确定性。不同的决策树可能在某些样本上产生不同的
预测结果，通过综合这些结果可以减少随机性和偶然性带来的影响，提高评估的稳定性。
[0149]
s106：获取待评估人员的原始数据。
[0150]
其中，原始数据至少包括待评估人员的工作年限、职业道德、信用历史、口碑评价和职业技能。
[0151]
s107：通过劳务人员信用评估模型输出待评估人员的信用评估结果，信用评估结果包括优秀和差。
[0152]
在一种可能的实施方式中，劳务人员信用评估方法还包括：
[0153]
s108：展示信用评估结果。
[0154]
在一种可能的实施方式中，s108具体为：
[0155]
在应用程序中显示待评估人员为信用优秀或者信用差。
[0156]
与现有技术相比，本发明至少具有以下有益技术效果：
[0157]
在本发明中，构建劳务人员信用评估体系，从工作年限、职业道德、信用历史、口碑评价和职业技能这五个维度综合评估劳务人员的信用，并且通过基学习器进行一次评估，之后再通过元学习器进行二次评估，自动化地完成劳务人员的信用评估，无需人工介入，客观性强，同时提升了信用评估结果的准确性。
[0158]
实施例2
[0159]
在一个实施例中，本发明提供的一种劳务人员信用评估系统，用于执行实施例1中的劳务人员信用评估方法。
[0160]
本发明提供的一种劳务人员信用评估系统可以实现上述实施例1中的劳务人员信用评估方法的步骤和效果，为避免重复，本发明不再赘述。
[0161]
与现有技术相比，本发明至少具有以下有益技术效果：
[0162]
在本发明中，构建劳务人员信用评估体系，从工作年限、职业道德、信用历史、口碑评价和职业技能这五个维度综合评估劳务人员的信用，并且通过基学习器进行一次评估，之后再通过元学习器进行二次评估，自动化地完成劳务人员的信用评估，无需人工介入，客观性强，同时提升了信用评估结果的准确性。
[0163]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0164]
以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

技术特征：
1.一种劳务人员信用评估方法，其特征在于，包括：s101：构建劳务人员信用评估体系，所述劳务人员信用评估体系包括多个评估指标，所述评估指标包括：工作年限、职业道德、信用历史、口碑评价和职业技能；s102：确定各个所述评估指标的权重参数；s103：根据各个所述评估指标的权重参数，构建劳务人员信用评估模型，所述劳务人员信用评估模型包括基学习器、生成器和元学习器，所述基学习器通过所述生成器与所述元学习器连接；s104：获取样本数据集；s105：通过所述基学习器对所述样本数据集进行一次评估，通过所述生成器对一次评估结果中的少数类样本进行扩充并输入至所述元学习器，通过所述元学习器对所述基学习器的一次评估结果进行再学习并输出二次评估结果；s106：获取待评估人员的原始数据；s107：通过所述劳务人员信用评估模型输出所述待评估人员的信用评估结果，所述信用评估结果包括优秀和差。2.根据权利要求1所述的劳务人员信用评估方法，其特征在于，所述s102具体包括：s1021：通过层次分析法确定各个评估指标的第一权重集合a1；s1022：通过熵理想点法确定各个评估指标的第二权重集合a2；s1023：通过标准离差法确定各个评估指标的第三权重集合a3；s1024：通过专家评估法确定各个评估指标的第四权重集合a4；s1025：计算所述第一权重集合、所述第二权重集合、所述第三权重集合和所述第四权重集合中权重值的差异性参数s
j
：其中，s
j
表示第j个权重集合的标准差，x
ij
表示第j个权重集合中第i个指标的权重值，表示第j个权重集合中各个指标的权重值的平均值，n表示指标的个数，n＝5；s1026：计算参考权重集合a0，a0＝[x
′1,x'2,
…
,x
′
i
]：其中，m表示权重集合的个数，m＝4，x
′
i
表示各个权重集合中第i个评价指标的权重值的平均值；s1027：计算所述第一权重集合、所述第二权重集合、所述第三权重集合和所述第四权重集合中权重值的关联性参数r
j
：其中，ρ表示超参数，ρ∈[0,1]；
s1028：根据所述差异性参数s
j
和所述关联性参数r
j
确定各个权重计算方法的优先级参数b
j
：b
j
＝s
j
·
r
j
；s1029：根据所述优先级参数，确定各个权重计算方法的权重w
j
：s102x：根据各个权重计算方法的权重w
j
、所述第一权重集合a1、所述第二权重集合a2、所述第三权重集合a3和所述第四权重集合a4确定最终的权重集合a
*
，将最终的权重集合a
*
中的权重作为各个所述评估指标的权重参数，中的权重作为各个所述评估指标的权重参数，3.根据权利要求2所述的劳务人员信用评估方法，其特征在于，所述s1021具体包括：s102a：对各个评价指标进行两两比较，结合九级标度法，建立判别矩阵c：其中，c
ij
表示第i个评价指标相对于第j个评价指标的重要程度，c
ij
的取值可通过九极标度法确定；s102b：计算判断矩阵c的特征向量和特征值：cω＝λω
→
(c-λi)ω其中，λ表示判断矩阵c的特征值，ω表示判断矩阵c的特征向量，取最大的特征值记为λ
max
，与之对应的特征向量为ω
max
，ω
max
＝(ω1,ω2,
…
,ω
n
)；s102c：对特征向量进行归一化处理：ω'
max
＝(ω
′1,ω'2,
…
,ω'
n
)其中，归一化后的向量ω'
max
可用于表征第一权重集合a1，归一化后的向量ω'
max
的各个分量ω
′1,ω'2,
…
,ω'
n
分别代表各个评价指标的权重。4.根据权利要求1所述的劳务人员信用评估方法，其特征在于，所述样本数据集包括多个样本，每个样本包含工作年限得分、职业道德得分、信用历史得分、口碑评价得分和职业技能得分；所述基学习器的构建方法包括：s1031：定义优秀和差两个信用标签值；s1032：按照所述权重参数由高到低的顺序，挑选重要性最高的评估指标作为第一级决策树，根据重要性最高的评估指标对应的得分由大到小地对各个样本进行排列，不同的所
述第一级决策树采用不同的第一预设得分，将大于或者等于所述第一预设得分的样本划分到信用优秀类，将小于所述第一预设得分的样本划分为信用差类；s1033：计算每一颗所述第一级决策树的第一分类准确性参数d1：d1＝p1·
(1-p1)+p2·
(1-p2)其中，p1表示信用优秀类样本被划分到信用优秀类的概率也即信用优秀类样本被划分正确的概率，1-p1表示信用优秀类样本被划分到信用差类的概率也即信用优秀类样本被划分错误的概率，p2表示信用差类样本被划分到信用差类的概率也即信用差类样本被划分正确的概率，1-p2表示信用差类样本被划分到信用优秀类的概率，也即信用差类样本被划分错误的概率；s1034：按照所述权重参数由高到低的顺序挑选重要性第二高的评估指标作为第二级决策树，根据重要性第二高的评估指标对应的得分由大到小地对上一级决策树划分错误的样本进行排列，不同的所述第二级决策树采用不同的第二预设得分，将大于或者等于所述第二预设得分的样本划分到信用优秀类，将小于所述第二预设得分的样本划分为信用差类；s1035：计算每一颗所述第二级决策树的第二分类准确性参数d2；s1036：将所述第二分类准确性参数d2减去所述第一分类准确性参数d1计算准确性增益；s1037：在所述准确性增益大于预设增益值的情况下，对相应的第二决策树进行保留；在所述准确性增益小于或者等于所述预设增益值的情况下，对相应的第二决策树进行去除；s1038：重复s1034和s1037，按照权重参数由高到低的顺序依次挑选重要性第三高的评估指标作为第三级决策树、重要性第四高的评估指标作为第四级决策树和重要性最低的评估指标作为第五级决策树，完成五级决策树的构建。5.根据权利要求4所述的劳务人员信用评估方法，其特征在于，所述通过所述基学习器对所述样本数据集进行一次评估，具体为：通过参数各不相同的五级决策树组成的随机森林对所述样本数据集进行处理，将各个所述决策树的处理结果取众数或者均值，得到一次评估结果。6.根据权利要求1所述的劳务人员信用评估方法，其特征在于，所述生成器的构建方法包括：s103a：将所述样本数据集划分为训练集和测试集；s103b：以五维特征空间的欧式距离为准，计算出所述训练集中距离目标样本距离最近的k个其他样本，在k个其他样本与所述目标样本属于同一类别的情况下，对所述目标样本予以保留，在k个其他样本与所述目标样本不属于同一类别的情况下，对所述目标样本予以去除；s103c：构建互相之间存在关联关系的鉴别器f和生成器g；s103d：固定所述生成器g的参数，以第一目标函数s1(θ
b
,θ
c
)尽可能小，训练所述鉴别器f：
其中，θ
b
表示所述鉴别器的参数，θ
c
表示所述生成器的参数，e()表示数学期望，p
t
表示真实数据分布，p
g
表示生成数据分布；s103e：固定所述鉴别器f的参数，以第二目标函数s2(θ
b
,θ
c
)尽可能大，训练所述生成器g：s103f：通过所述测试集对所述生成器g进行测试。7.根据权利要求1所述的劳务人员信用评估方法，其特征在于，所述元学习器的构建方法包括：s103a：输入各个样本的5维特征向量x(x1,x2,x3,x4,x5)，其中，x1表示工作年限得分，x2表示职业道德得分，x3表示信用历史得分，x4表示口碑评价得分，x5表示职业技能得分；s103b：将输入的所述特征向量变换为目标变量d
θ
(x)：d
θ
(x)＝θ+α1x1+α2x2+
…
+α
n
x
n
其中，θ表示所述元学习器的超参数，α
i
表示各个所述评估指标的权重参数；s103c：使用sigmod函数f(z)将所述目标变量映射至[0,1]的区间范围内：s103d：使用阶跃函数g(z)将概率值转化为{0,1}的类别输出：其中，1表示信用优秀，0表示信用差；s103e：构建损失函数j(θ)：s103f：使用梯度下降法对所述损失函数j(θ)进行求解，得到所述元学习器的超参数θ，完成所述元学习器的训练。8.根据权利要求1所述的劳务人员信用评估方法，其特征在于，还包括：s108：展示所述信用评估结果。9.根据权利要求8所述的劳务人员信用评估方法，其特征在于，所述s108具体为：在应用程序中显示所述待评估人员为信用优秀或者信用差。10.一种劳务人员信用评估系统，其特征在于，用于执行权利要求1至9所述的劳务人员信用评估方法。

技术总结
本发明公开了一种劳务人员信用评估方法和系统，属于数据处理技术领域，方法包括：构建劳务人员信用评估体系；确定各个评估指标的权重参数；根据各个评估指标的权重参数，构建劳务人员信用评估模型，劳务人员信用评估模型包括基学习器、生成器和元学习器；获取样本数据集；通过基学习器对样本数据集进行一次评估，通过生成器对一次评估结果中的少数类样本进行扩充并输入至元学习器，元学习器对基学习器的一次评估结果进行再学习并输出二次评估结果；获取待评估人员的原始数据；通过劳务人员信用评估模型输出信用评估结果，信用评估结果包括优秀和差。可以自动化地完成劳务人员的信用评估，客观性强，同时提升了信用评估结果的准确性。准确性。准确性。


技术研发人员：李弘扬 唐山杰 郑斌 王鹏
受保护的技术使用者：江苏优丞信息科技有限公司
技术研发日：2023.06.16
技术公布日：2023/9/20