基于循环神经网络的医疗人力资源配置模型设计与仿真

刘 欣，岳晓磊，靖 超，王亚林

（河北北方学院附属第一医院，河北张家口 075000）

随着人工智能技术的发展，医院的智能化进程也在快速推进，这体现在管理智能化及医疗设备自动化两方面。作为管理智能化的重要组成部分，人力资源智能化管理被越来越多的医疗机构所重视。人力资源合理化管理对医院高效培养医疗领域人才、完善医院管理模式和提高医院整体资源利用率均有极大的帮助，在有效加强医院整体性的同时也可以更优的发挥医院经济价值与社会价值。因此，对医院进行高效率、智能化的人力资源管理尤为重要[1-2]。

然而智能化时代的显著特征即是数据的爆炸式增长，由此带来的是传统人力资源管理方式已无法满足海量的数据处理需求。简单的人力资源管理系统也无法对医院的人力数据做出准确的分析与调配，同时也浪费了医院各类信息系统收集的大量数据。这不仅流失了医院的信息化资源，也拖累了医院的智能信息化进程。因此，有必要将先进的人工智能算法应用于医院人力资源配置系统，可以大幅提高医院人力资源数据的处理能力。

从根本而言，对数据的处理即是数据挖掘。数据挖掘指的是使用软件系统对数据包含的有用信息进行合理提取，传统数据挖掘方法大多是使用统计学的方法。统计学方法在数据内容较少的情况下可以使用，但若有海量数据，统计学方法则较为无法适应需求。机器学习是目前使用广泛的数据挖掘方法，其可以对海量数据进行训练，并提取数据隐藏的特征。然后不断地学习这些特征，可以准确地进行数据信息提取。文中使用了机器学习的方法对人力资源数据进行处理，进而提高人力资源数据处理能力[3-5]。

1 结合神经网络的人力资源配置模型

1.1 传统人力资源配置模型

根据传统人力资源配置理论，规划人力资源主要是对单位的人事结构进行分析，并详细梳理岗位需求与人员能力之间的关联性。人员能力包括多种要素，对这些要素进行加权求和，判断人员的素质得分[6-8]。

传统的人力资源评分过程，如图1 所示。

图1 人力资源评分流程

首先，对接收到的数据进行分组分析，数据分组包括人员评价矩阵和人员能力矩阵这两组。其中最常用的是建立职工能力评价矩阵，该矩阵可能考虑到多方面的因素，如自我评价、上下级评价、患者评价等。人员能力矩阵包括员工绩效、出勤率、职称等信息。在得到人员评价矩阵值与人员能力矩阵值后，可以得到关键指标人岗匹配度，如式（1）所示：

其中，n1～n4为对应评价参数。

设另一变量为Xij，有：

因此，可以由人岗匹配度模型对人员进行优化，如下式所示：

上述算法简单、有效，可以对人力资源进行较好的配置，但这仅适用于人力数据较少的情况下。随着医院体制的增加，人力数据也在增多，问题也变得复杂化。这种方法计算效率低，不能较好地对数据进行挖掘，无法对人力资源进行有效的管理。

1.2 改进循环神经网络模型

从上文可知，人力资源调度模型本质是对人力资源数据进行分析，计算人岗匹配度。然后根据人岗匹配度分数进行人员的调度，这在本质上可以抽象成为推荐模型。推荐模型在众多领域内均有分析和验证，目前主流的推荐模型使用循环神经网络作为数据处理模块。

循环神经网络最主要的特征是使用循环卷积进行数据训练运算[9-10]。循环卷积网络模型可以看作一种层次化的数据模型，卷积网络的输入为原始的人力资源数据。经过循环卷积运算、池化、激活函数等过程，将数据之间的抽象特征提取出来，其过程表达式如下：

其中，xL为L层的数据输入，ω为L层的参数权重值，z为模型选择的损失函数，y为模型的标定值，函数f为模型的最终计算参数。

文中将基础神经网络进行改进，使用混合循环神经网络模型，并利用全局模型和局部模型相结合的方式，将模型层次化运算后的数据特征作为网络输出，进而实现数据的处理。然后使用层次化的模型结构进行网络搭建，进而实现人岗匹配推荐[11-13]。混合循环网络模型，如图2 所示。

图2 混合循环网络模型

在模型搭建过程中，文中选取交叉熵作为判断损失函数。该损失函数可以对数据实际值和数据期望值进行比较，进而确定数据的接近程度，损失函数如下：

同时，在训练时使用梯度优化算法对参数进行优化。这样参数传递可以尽量准确，模型参数的具体更新过程为：

1）对神经网络的学习率、迭代次数进行更新，如下式所示：

其中，β1、β2为循环神经网络的超参数，gt为模型的计算梯度，t为模型的迭代次数。

2）对一阶估计值和二阶估计值进行优化定向，有：

3）由上文得到的结果对模型的参数进行更新：

1.3 算法流程

文中1.2 节提到，使用的总体算法即为人岗匹配推荐算法。推荐算法的流程设计也要针对不同的应用场景和数据特征。当前使用的人力资源领域的算法通常均是统计算法，未考虑到数据隐藏的特征，仅依靠简单的打分和专家评判机制，这容易导致信息匮乏问题的出现。

文中将循环卷积神经网络和传统人力资源配置算法相结合，设计了适用于人力资源领域的人岗匹配推荐算法。该算法不但改善了传统算法数据训练质量较低的问题，而且通过采用循环神经网络有效提高了数据计算效率。算法的核心思想是：首先对数据中的原始特征进行提取，原始特征和传统人力资源所需特征一致，包括人员评价矩阵和人员能力矩阵。数据提取进入编码器进行编码，然后将编码特征作为数据输入项输入到循环神经网络的数据输入层。使用循环卷积层对数据进行处理，进而得到人岗匹配结果，算法流程如图3 所示。

图3 算法流程

首先，进行数据采集，其使用分布流式采集方法对数据进行选择，分组为人员评价矩阵和人员能力矩阵。然后将数据抽象化，对数据进行预处理，使用编码器对数据进行编码且保存到数据仓库；使用提升特征算法对数据特征进一步加强后，输入至循环卷积网络。最终输出人岗匹配分数，人力资源推荐过程完成。

算法流程中的步骤说明如下：

1）数据采集。使用分布流式的数据采集方法，由于不同医院人力数据不同，格式也存在差异。因此必须对人力数据进行统一格式处理，处理方式包括数据舍弃、转换等操作。

2）对原始的数据进行预处理。对数据进行分组，从而对人力资源模型特征进行更加全面的了解。同时将数据保存至数据仓库中，这样可以对后续的数据模型训练进行支撑。

3）进行特征增强。从数据仓库中获取数据，并对数据分组结果进行学习。将融合后的数据结果作为神经网络数据输入，进行网络训练。

4）推荐结果输出。将人岗匹配度结果进行排序，然后参考分数进行合理的岗位分配。

1.4 算法评价指标

对算法进行评价，一般通过一定数量的指标进行，文中的人力资源推荐算法评价指标采用准确度评价指标[14-16]。

在评价体系中，准确率和召回率越高，代表算法越优。但在一些场景下，准确率和召回率可能是矛盾的，所以为了综合这两个指标，文中使用F1 值进行综合，公式为：

2 实验与分析

2.1 实验数据以及环境说明

文中数据对医院人力资源数据进行分类整理，数据包含人员自身信息、人员评价矩阵值及人员能力矩阵值3 种。该次数据共采集到医院职工4 560名，医院岗位1 233 个，样本数量为134 540 个。该次实验的环境，如表1 所示。

表1 实验设置环境说明

2.2 实验测试与结果分析

文中将样本分为训练样本集和测试样本集。神经网络测试过程伪代码如下：

输入：特征D。

输出：混合循环神经模型。

1）初始化超参数，参数包括迭代次数t，学习率L，循环神经网络的超参数β1、β2，模型的计算梯度gt；

2）i从1 到t循环；

3）j从1 到t循环；

4）计算各个通道的特征值，代入函数f；

5）若j=t,则终止循环,执行步骤6）；若j＜t，则返回步骤3）；

6）提取卷积特征，得到F；

7）将F值和局部模型特征值结合，得到概率值；

8）得到当前的人岗匹配值；

9）排序，输出最终结果；

10）若i＜t，则返回步骤2），循环执行i过程；

11）若i=t，结束。

然后对文中算法的可行性进行对比实验，使用文中算法、卷积神经网络算法、传统统计学方法进行模型训练以及实验分析，分析评价指标为准确率、召回率和F1 值。实验结果如表2 所示。

表2 对比实验结果

由表2 可以看出，文中算法的F1 值和其他两项算法相比均有明显提升，传统统计学方法效果最差。在数据量较多的情况下F1 值为0.678，普通卷积神经网络算法F1 值有所提升，为0.766；文中算法表现最优，F1 值为0.823。这说明直接使用循环卷积网络并不能真正提升数据的训练特征，而文中使用全局网络加局部网络的方法，可以有效提升数据的隐层特征，进而提升数据的训练质量，提高算法的匹配度和推荐精度。

3 结束语

人力资源调度模型本质是对人力资源数据进行分析，计算人岗匹配度。然后根据人岗匹配度分数进行人员的调度，这在本质上可以抽象成为推荐模型。文中对基础神经网络进行改进，使用混合循环神经网络模型、全局模型和局部模型相结合的方式，将模型层次化运算后的数据特征作为网络输出，进而实现数据的处理。通过采用层次化的模型结构进行网络搭建，最终实现高精确度的人岗匹配与推荐。