(19)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 202211121543.X (22)申请日 2022.09.15 (71)申请人 湖南大众传媒职业 技术学院 地址 410000 湖南省长 沙市长沙县星沙街 道天华北路32 2号 (72)发明人 朱林　 (74)专利代理 机构 广州市红荔专利代理有限公 司 44214 专利代理师 李婷 (51)Int.Cl. G06Q 10/06(2012.01) G06Q 50/20(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 16/36(2019.01) (54)发明名称 一种评价模 型训练方法、 绩效评价方法及装 置 (57)摘要 本申请涉及人工智能领域技术领域， 为绩效 评价方法， 具体涉及一种评价模型训练方法、 绩 效评价方法及装置； 通过建立知识图谱 ‑评价体 系和BP神经网络的关联关系， 通过关联关系构建 评价模型， 并且通过对评价模型的训练实现了对 于评价结果的精准和稳定的获得。 并且， 在本申 请实施例提供的技术方案中， 针对于评价体系引 入了适用于场景下使用的评价指标， 通过评价指 标使评价模 型的训练更加的准确， 得到的期望输 出的准确度更高。 权利要求书2页 说明书12页 附图2页 CN 115392769 A 2022.11.25 CN 115392769 A 1.一种评价模型训练方法， 其特 征在于， 包括： 获取绩效评价数据样本数据集， 基于所述样本数据集构建知识图谱， 所述知识图谱为 三元结构， 还包括与三元 结构中实体对应设置 评价体系； 将所述知识图谱作为训练样本和测试样本， 将训练样本输入到预先建立的BP神经网络 中， 对BP神经网络进 行训练， 得到第一评价模 型， 所述BP神经网络的结构与所述知识图谱中 的第一特 征相对应， 所述第一特 征为所述评价体系中的评价指标； 将测试样本输入到所述第一评价模型中， 对所述第一评价模型进行测试， 并利用损 失 函数对所述第一评价模型进行 校正， 得到最终的评价模型； 基于所述样本数 数据集构建知识图谱 包括： 对所述绩效评价数据知识抽取、 知识抽取、 知识融合、 知识加工和知识推理构建初始知 识图谱； 基于评价体系对所述初始知识图谱进行标注， 得到含有评分的目标知识图谱， 所述评 价体系与所述初始知识图谱的实体进行对应设置 。 2.根据权利要求1所述的评价模型训练方法， 其特征在于， 所述知识图所述BP神经网络 包括输入层、 隐藏层和输出层， 所述输入层与所述评价指标 数量相同。 3.根据权利要求1所述的评价模型训练方法， 其特征在于， 将训练样本输入到预先建立 的BP神经网络中， 对BP神经网络进行训练， 包括： 抽取所述知识图谱中的三元组结构的实体、 关系以及关系平面进行向量初始化， 基于 所述正例三元组构建负例三元组， 对所述正例三元组和所述负例三元组进行训练， 采用随 机梯度下降的优化方法， 根据损失函数减小方向对实体、 关系以及关系平面向量进 行更新， 直到损失函数趋 于稳定时停止迭代， 得到优化后的实体、 关系以及关系平面的向量表示。 4.根据权利要求3所述的评价模型训练方法， 其特征在于， 所述负例三元组通过随机替 换正例三元组中的头实体或者尾实体得到的。 5.根据权利要求3所述的评价模型训练方法， 其特征在于， 将测试样本输入到所述第 一 评价模型中， 对所述第一评价模型进行测试， 并利用损失函数对所述第一评价模型进行校 正， 得到最终的评价模型， 包括： 基于所述评价体系得到目标期望输出， 所述期望输出为所述BP神经网络的目标期望输 出； 基于所述测试样本作为输入至迭代后的BP神经网络， 得到实时期望 输出； 比较所述目标实时期望 输出与所述目标期望 输出； 基于比较结果利用损失函数对所述BP神经网络进行调整。 6.一种评价模型训练装置， 其特 征在于， 包括： 知识图谱构建模块， 用于将获取的绩效评价数据样本数据集转换为知识图谱； 第一评 价模型， 用于将知识图谱作为训练样本和测试样本， 并将训练样本输入至预先建立的BP神 经网络中， 对BP神经网络进行训练， 得到第一评价模型； 评价模型校正模块， 用于将测试样 本输入到所述第一评价模型中， 对所述第一评价模型进行测试， 并利用损失函数对所述第 一评价模型进行 校正； 所述BP神经网络的结构与所述知识图谱中的第一特 征相对应。 7.根据权利要求6所述的评价模型训练装置， 其特征在于， 所述知识图谱构建模块包 括：权　利　要　求　书 1/2 页 2 CN 115392769 A 2初始知识图谱构建单元， 用于对所述绩效评价数据进行知识抽取、 知识抽取、 知识融 合、 知识加工和知识推理构建初始知识图谱； 标注单元， 用于基于评价体系对所述初始知识图谱进行标注， 得到含有评分的目标知 识图谱， 所述评价体系与所述初始知识图谱的实体进行对应设置 。 8.一种绩效评价方法， 其特 征在于， 包括： 将待处理的信息基于预设置的知识图谱模板进行处理得到含有待处理信息的目标知 识图谱； 对所述目标知识图谱进行 学习表示， 得到初始数据； 将所述待处 理的数据输入至BP神经网络得到期望 输出。 9.根据权利要求8所述的绩效评价方法， 其特征在于， 对所述目标知识图谱进行学习表 示包括： 抽取所述目标知识图谱中的三元组结构的实体、 关系以及关系平面进行向量初始化， 基于所述正例三元组构建负例三元组， 对所述正例三元组和所述负例三元组进行训练， 采 用随机梯度下降的优化方法， 根据损失函数减小方向对实体、 关系以及关系平面向量进行 更新， 直到损失函数趋于稳定时停止迭代， 得到优化后的实体、 关系以及关系平面的向量表 示。 10.一种绩效评价装置， 其特 征在于， 包括： 目标知识图谱获取模块， 用于将待处理的信 息基于预设置的知识图谱模板进行处理得 到含有待处理信息的目标知识图谱； 学习表示模块， 用于对所述目标知识图谱进行 学习表示， 得到待处 理的数据； 处理模块， 用于将标注后的所述待处 理数据输入至BP神经网络得到期望 输出。权　利　要　求　书 2/2 页 3 CN 115392769 A 3