[0001] 本发明涉及数据分析领域，尤其涉及一种基于人工智能的创新创业人才孵化评价方法。

[0002] 在现代社会中，创新创业一直被认为是推动经济增长和社会进步的重要力量，同时在当前的创新创业环境中，人才的孵化和评价是一个重要环节。创新创业人才孵化评价方法是为了评估和衡量创新创业人才在孵化过程中的潜力、能力和成果，促进经济发展和推动社会进步的重要手段。

[0003] 然而，对于创新创业人才的评价和选拔一直是一个具有挑战性的任务。现有评价方法通常依赖于主观判断和经验，存在着主观性、不公正性和不准确性的问题；可能受限于主观意见和有限的数据分析能力，难以全面评估人才的潜力和需求的匹配度。具体的，无法得到创新创业人才的关键特征，进而不能有效进行人才孵化，降低了孵化效率和成功率；无法根据创新创业企业或项目以及人才的实际需求及特点进行孵化，不利于推动创新创业生态系统的发展等。

[0004] 因此，需要一种基于人工智能的创新创业人才孵化评价方法。

[0034] 为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。同时应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

[0035] 参照附图1，本实施例提供了一种基于人工智能的创新创业人才孵化评价方法，包括以下步骤：

[0036] S1.通过收集创新创业人才的相关数据信息以及创新创业项目或企业的相关数据信息，并进行预处理等。

[0037] 通过系统平台，收集创新创业人才的简历信息以及相关数据信息，对收集到的信息进行清洗，包括去除重复数据、处理缺失值、纠正错误数据等，确保数据的准确性和完整性。如果数据集存在类别不平衡问题，采取采样方法，例如：欠采样、过采样等，或类别权重调整等方法来平衡数据集，以避免模型对少数类别的过度偏差。然后对数值型特征进行归一化或标准化处理，使其具有相似的数值范围，有利于模型的训练和收敛性。

[0038] S2.将获取到的创新创业人才的相关数据信息，划分为创新创业人才的个人基础数据信息和能力升级数据信息，个人基础数据信息包括但不限于创新创业人才的姓名、年龄、教育背景、工作经历、语言水平、个人介绍、奖项和荣誉等相关信息，能力升级数据信息包括但不限于参与项目经验、创新项目成果、资金支持情况、培训与交流经历等相关信息。其中，根据创新创业人才的个人基础数据信息和能力升级数据信息，需要从中提取智慧项N，N表示智慧项的类别个数，N≥1，智慧项表示创新创业人才的特征表现，可以用来衡量人才的创新创业能力的一个指标。

[0039] 在本实施例中，当创新创业人才的个人基础数据信息和能力升级数据信息中存在文本信息时，通过设定关键词，对文本信息进行特征提取，获得智慧项；当存在视频或图像信息时，将视频定格为图像，将图像信息转换为序列数据，提取其特征，得到智慧项。

[0040] 根据获得的创新创业人才个人基础数据信息和能力升级数据信息，建立智慧人才神经网络模型，将获得的创新创业人才相关数据信息分为测试集和训练集，使用训练集对智慧人才神经网络模型进行训练。具体的，智慧人才神经网络模型包括输入层、文本特征提取层、卷积操作层、融合处理层、双向RNN层、输出层；(双向RNN层与传统的RNN不同，双向RNN在每个时间步上不仅考虑过去的历史信息，还考虑未来的信息)；智慧人才神经网络模型的输入为创新创业人才的信息，包括文本信息和图像信息，输出为创新创业人才的特征信息，即智慧项。

[0041] 现定义创新创业人才的文本序列为x，图像信息为g，将x和g输入到智慧人才神经网络模型的输入层，在输入层中有m个神经元，将预处理后的初始数据传递至文本特征提取层；在文本特征提取层中，处理输入的文本信息，并提取其中的特征，使用TF‑IDF则将单词的重要性考虑在内，x＝[w1,w2,...,wa]，wa表示第a个词的TF‑IDF值；

[0042] 在卷积操作层中，进一步确定创新创业人才文本和图像的特征信息，对于文本特征使用一维卷积操作，定义输入序列的长度为M，一个卷积核为h(b)，卷积核长度为Z，b表示输出序列的位置索引，具体过程如下所示：

[0043]

[0044] 其中，y(b)表示一维卷积操作，即输出序列中的第b个元素；z表示卷积核在输入序列上滑动时的位置索引；对于图像特征使用二维卷积操作，定义gi,j表示图像中第i行和第j列的像素点，具体过程如下所示：

[0045]

[0046] 其中，oi,j表示第i行和第j列的卷积操作输出；ωuv表示卷积核中第u行和第v列的权重；gi+u,j+v表示第i行和第j列的像素点gi,j与卷积核进行卷积操作；bo表示偏置，用于控制神经元的激活。然后通过池化层降低特征的维度

[0047] 在融合处理层中，将文本特征和图像特征结合起来，以便更好地表示创新创业人才的特征信息，具体过程如下所示：

[0048]

[0049] 其中，Rx,g表示融合结果；ωx,g表示创新创业人才文本特征和图像特征之间相互作用的权重； 表示文本信息中第j个特征数据，总共有J个； 表示图像信息中第k个特征数据，总共有K个；br表示融合处理层中的偏置。

[0050] 在双向RNN层中，用于在正向和逆向两个方向上处理特征融合后的特征表示，更好地理解创新创业人才的特征信息，具体过程如下所示：

[0051]

[0052]

[0053] 其中，t表示时间步； 表示正向隐含状态； 表示反向隐含状态；σ表示激活函数；分别表示输入到正向、反向隐含状态单元中的权重矩阵； 分别表示正向状态隐含单元、反向状态隐含单元之间的连接权重； 分别表示正向隐含单元、反向隐含单元中的偏置；

[0054] 进一步，将前向RNN与后向RNN的隐藏状态拼接得到双向RNN层中的输出，即：

[0055] 在输出层中，将智慧人才神经网络模型的智慧项进行输出，具体过程如下所示：

[0056] YU＝softmax(ωYU*outt+bY)

[0057] 其中，YU表示输出层的输出结果；ωYU表示输出层的权重矩阵；bY表示输出层的偏置。

[0058] 在本发明实施例中，定义有N个智慧项类别，YU的维度为P；根据输出结果得到了每个智慧项类别的概率分布，并通过提前预设的阈值ε，选定最后的智慧项，作为将人才进行区分的标准。

[0059] 本发明通过智慧人才神经网络模型可以提供对创新创业人才的全面了解和分析，为决策者提供有关人才资源的战略指导；通过分析创新创业人才的能力升级数据信息，智慧人才神经网络模型可以提供有针对性的指导和建议，帮助人才发展和提升关键能力，有助于人才在创新创业领域取得更好的成果和表现。智慧人才神经网络模型可以结合文本信息和图像信息，实现对创新创业人才的综合性分析；通过多模态数据的融合，模型能够捕捉到更全面、多维度的人才特征，提供更准确的评估和分析结果；基于模型对人才的深入理解和分析，可以为人才的职业规划、培训需求等方面提供定制化的支持，为决策者提供准确、高效的人才评估和决策支持，同时也为创新创业人才提供个性化的发展指导。

[0060] S3.根据智慧人才神经网络模型得到的智慧项以及获取的创新创业项目或企业数据信息，构建创新创业智慧人才集合和创新创业人才需求集合，得到创新创业智慧人才与创新创业人才需求的匹配度。

[0061] 根据智慧人才神经网络模型得到的智慧项构建创新创业智慧人才集合Tal，定义智慧人才为Sm， 其中，talpq表示第p个人才具有的第q个智慧项；p＝1,2,...,A；q＝1,2,...,B；A表示人才总数；B表示智慧项总数；

[0062] 同时，构建创新创业人才需求集合Dem，定义项目或企业需求为Dm，其中，demvs表示第v个创新创业项目或企业需要的第s类人才；v＝1,2,...,C；q＝1,2,...,I；C表示创新创业项目或企业总数；I表示人才种类总数；

[0063] 然后根据创新创业智慧人才集合Tal和创新创业人才需求集合Dem，进行模糊匹配，得到创新创业智慧人才与创新创业人才需求的匹配度T‑Dαγ，计算过程如下所示：

[0064]

[0065] 其中，P(Sm|Tal)表示在创新创业智慧人才集合Tal中智慧人才Sm的占比；Uaq表示第q个智慧项的权重；P(Smaq|(Sm,Tal))表示在创新创业智慧人才集合Tal和智慧人才Sm中，拥有智慧项Smaq的人才概率；α＝1,2,...,C；γ＝1,2,...,I；d1＝1,2,...,I；d2＝1,2,...,C；T‑Dαγ表示第α个创新创业项目或企业和第γ个人才之间的匹配度。得到的创新创业人才匹配度集合T‑D。

[0066] 本发明智慧人才神经网络模型的智慧项反映了创新创业人才的个性化特征和技能，而创新创业人才需求集合则体现了创新创业项目或企业的具体要求，匹配度评估可以帮助找到最适合的人才，提高匹配度和工作效率，提高孵化效果。通过智慧人才与创新创业人才需求的匹配度，可以优化创新创业人才孵化的资源配置，孵化机构可以根据匹配度评估结果，有针对性地提供合适的培训、指导和支持，最大化地利用孵化资源，提高孵化效率和成功率；同时，创新创业者可以与对其具有需求的项目或企业进行更有针对性的合作，实现资源共享、互利共赢，构建更紧密的创新创业网络，促进合作与创新的发展。

[0067] S4.根据得到的创新创业人才匹配度集合T‑D，对创新创业人才孵化进行综合评价，计算评估参数HEN。

[0068] 从而得到创新创业人才匹配度集合T‑D， 通过定义评估参数HEN，对创新创业人才孵化进行综合评价，具体过程如下所示：

[0069]

[0070] 其中，μ表示误差系数；Smq表示智慧人才的第q个智慧项的情况；Dms表示项目或企业需求的第s类人才的情况；Uaq表示第q个智慧项的权重。

[0071] 本发明通过对创新创业人才匹配度集合的综合评价，可以了解创新创业人才孵化的整体效果，综合评价可以考察匹配度的整体水平以及孵化后的创新创业成果等；通过分析匹配度集合的结果，孵化机构可以发现潜在的改进点和不足之处，并针对性地进行改进措施，不断提升孵化机构的能力和水平，提高创新创业人才孵化的效果和质量；通过了解创新创业人才孵化的整体表现和效果，可以为决策者提供决策依据，这有助于推动创新创业生态系统的发展，促进创新创业的持续繁荣。

[0072] 参照附图2，本实施例提供了一种基于人工智能的创新创业人才孵化评价系统，包括以下内容：

[0073] 数据获取模块、数据处理模块、智慧人才模块、人才及需求匹配模块、人才孵化评价模块；

[0074] 数据获取模块，负责从不同数据源获取创新创业人才和创新创业项目或企业的相关数据信息；数据源可以包括人才数据库、创新创业项目数据库、企业信息数据库等；通过数据获取模块，系统可以获取到各种人才和需求的基本信息等；

[0075] 数据处理模块，获取到的数据需要进行处理和清洗，以便后续的分析和匹配；数据处理模块可以对数据进行清洗、整理、归类、去重等操作，确保数据的准确性和一致性；

[0076] 智慧人才模块，用于对创新创业人才进行分析，智慧人才模块可以根据收集到的人才信息，构建智慧人才神经网络模型，输出创新创业人才的特征信息，即智慧项；

[0077] 人才及需求匹配模块，根据智慧人才模块的评估结果，将创新创业人才与创新创业项目或企业的需求进行匹配，计算人才与需求之间的匹配度，有助于找到最合适的人才来满足创新创业项目或企业的需求，为人才孵化提供基础；

[0078] 人才孵化评价模块，用于评价创新创业人才孵化的效果和质量，基于匹配度结果，对孵化过程中的培训、指导和支持进行评估；通过分析匹配度集合和孵化项目的成果，为创新创业人才孵化过程提供科学的指导和支持。

[0079] 本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

[0080] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

[0081] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

[0082] 尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

[0083] 以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。