基于循環(huán)神經網絡的醫(yī)療人力資源配置模型設計與仿真

劉 欣，岳曉磊，靖 超，王亞林

（河北北方學院附屬第一醫(yī)院，河北張家口 075000）

隨著人工智能技術的發(fā)展，醫(yī)院的智能化進程也在快速推進，這體現(xiàn)在管理智能化及醫(yī)療設備自動化兩方面。作為管理智能化的重要組成部分，人力資源智能化管理被越來越多的醫(yī)療機構所重視。人力資源合理化管理對醫(yī)院高效培養(yǎng)醫(yī)療領域人才、完善醫(yī)院管理模式和提高醫(yī)院整體資源利用率均有極大的幫助，在有效加強醫(yī)院整體性的同時也可以更優(yōu)的發(fā)揮醫(yī)院經濟價值與社會價值。因此，對醫(yī)院進行高效率、智能化的人力資源管理尤為重要[1-2]。

然而智能化時代的顯著特征即是數(shù)據(jù)的爆炸式增長，由此帶來的是傳統(tǒng)人力資源管理方式已無法滿足海量的數(shù)據(jù)處理需求。簡單的人力資源管理系統(tǒng)也無法對醫(yī)院的人力數(shù)據(jù)做出準確的分析與調配，同時也浪費了醫(yī)院各類信息系統(tǒng)收集的大量數(shù)據(jù)。這不僅流失了醫(yī)院的信息化資源，也拖累了醫(yī)院的智能信息化進程。因此，有必要將先進的人工智能算法應用于醫(yī)院人力資源配置系統(tǒng)，可以大幅提高醫(yī)院人力資源數(shù)據(jù)的處理能力。

從根本而言，對數(shù)據(jù)的處理即是數(shù)據(jù)挖掘。數(shù)據(jù)挖掘指的是使用軟件系統(tǒng)對數(shù)據(jù)包含的有用信息進行合理提取，傳統(tǒng)數(shù)據(jù)挖掘方法大多是使用統(tǒng)計學的方法。統(tǒng)計學方法在數(shù)據(jù)內容較少的情況下可以使用，但若有海量數(shù)據(jù)，統(tǒng)計學方法則較為無法適應需求。機器學習是目前使用廣泛的數(shù)據(jù)挖掘方法，其可以對海量數(shù)據(jù)進行訓練，并提取數(shù)據(jù)隱藏的特征。然后不斷地學習這些特征，可以準確地進行數(shù)據(jù)信息提取。文中使用了機器學習的方法對人力資源數(shù)據(jù)進行處理，進而提高人力資源數(shù)據(jù)處理能力[3-5]。

1 結合神經網絡的人力資源配置模型

1.1 傳統(tǒng)人力資源配置模型

根據(jù)傳統(tǒng)人力資源配置理論，規(guī)劃人力資源主要是對單位的人事結構進行分析，并詳細梳理崗位需求與人員能力之間的關聯(lián)性。人員能力包括多種要素，對這些要素進行加權求和，判斷人員的素質得分[6-8]。

傳統(tǒng)的人力資源評分過程，如圖1 所示。

圖1 人力資源評分流程

首先，對接收到的數(shù)據(jù)進行分組分析，數(shù)據(jù)分組包括人員評價矩陣和人員能力矩陣這兩組。其中最常用的是建立職工能力評價矩陣，該矩陣可能考慮到多方面的因素，如自我評價、上下級評價、患者評價等。人員能力矩陣包括員工績效、出勤率、職稱等信息。在得到人員評價矩陣值與人員能力矩陣值后，可以得到關鍵指標人崗匹配度，如式（1）所示：

其中，n1～n4為對應評價參數(shù)。

設另一變量為Xij，有：

因此，可以由人崗匹配度模型對人員進行優(yōu)化，如下式所示：

上述算法簡單、有效，可以對人力資源進行較好的配置，但這僅適用于人力數(shù)據(jù)較少的情況下。隨著醫(yī)院體制的增加，人力數(shù)據(jù)也在增多，問題也變得復雜化。這種方法計算效率低，不能較好地對數(shù)據(jù)進行挖掘，無法對人力資源進行有效的管理。

1.2 改進循環(huán)神經網絡模型

從上文可知，人力資源調度模型本質是對人力資源數(shù)據(jù)進行分析，計算人崗匹配度。然后根據(jù)人崗匹配度分數(shù)進行人員的調度，這在本質上可以抽象成為推薦模型。推薦模型在眾多領域內均有分析和驗證，目前主流的推薦模型使用循環(huán)神經網絡作為數(shù)據(jù)處理模塊。

循環(huán)神經網絡最主要的特征是使用循環(huán)卷積進行數(shù)據(jù)訓練運算[9-10]。循環(huán)卷積網絡模型可以看作一種層次化的數(shù)據(jù)模型，卷積網絡的輸入為原始的人力資源數(shù)據(jù)。經過循環(huán)卷積運算、池化、激活函數(shù)等過程，將數(shù)據(jù)之間的抽象特征提取出來，其過程表達式如下：

其中，xL為L層的數(shù)據(jù)輸入，ω為L層的參數(shù)權重值，z為模型選擇的損失函數(shù)，y為模型的標定值，函數(shù)f為模型的最終計算參數(shù)。

文中將基礎神經網絡進行改進，使用混合循環(huán)神經網絡模型，并利用全局模型和局部模型相結合的方式，將模型層次化運算后的數(shù)據(jù)特征作為網絡輸出，進而實現(xiàn)數(shù)據(jù)的處理。然后使用層次化的模型結構進行網絡搭建，進而實現(xiàn)人崗匹配推薦[11-13]?；旌涎h(huán)網絡模型，如圖2 所示。

圖2 混合循環(huán)網絡模型

在模型搭建過程中，文中選取交叉熵作為判斷損失函數(shù)。該損失函數(shù)可以對數(shù)據(jù)實際值和數(shù)據(jù)期望值進行比較，進而確定數(shù)據(jù)的接近程度，損失函數(shù)如下：

同時，在訓練時使用梯度優(yōu)化算法對參數(shù)進行優(yōu)化。這樣參數(shù)傳遞可以盡量準確，模型參數(shù)的具體更新過程為：

1）對神經網絡的學習率、迭代次數(shù)進行更新，如下式所示：

其中，β1、β2為循環(huán)神經網絡的超參數(shù)，gt為模型的計算梯度，t為模型的迭代次數(shù)。

2）對一階估計值和二階估計值進行優(yōu)化定向，有：

3）由上文得到的結果對模型的參數(shù)進行更新：

1.3 算法流程

文中1.2 節(jié)提到，使用的總體算法即為人崗匹配推薦算法。推薦算法的流程設計也要針對不同的應用場景和數(shù)據(jù)特征。當前使用的人力資源領域的算法通常均是統(tǒng)計算法，未考慮到數(shù)據(jù)隱藏的特征，僅依靠簡單的打分和專家評判機制，這容易導致信息匱乏問題的出現(xiàn)。

文中將循環(huán)卷積神經網絡和傳統(tǒng)人力資源配置算法相結合，設計了適用于人力資源領域的人崗匹配推薦算法。該算法不但改善了傳統(tǒng)算法數(shù)據(jù)訓練質量較低的問題，而且通過采用循環(huán)神經網絡有效提高了數(shù)據(jù)計算效率。算法的核心思想是：首先對數(shù)據(jù)中的原始特征進行提取，原始特征和傳統(tǒng)人力資源所需特征一致，包括人員評價矩陣和人員能力矩陣。數(shù)據(jù)提取進入編碼器進行編碼，然后將編碼特征作為數(shù)據(jù)輸入項輸入到循環(huán)神經網絡的數(shù)據(jù)輸入層。使用循環(huán)卷積層對數(shù)據(jù)進行處理，進而得到人崗匹配結果，算法流程如圖3 所示。

圖3 算法流程

首先，進行數(shù)據(jù)采集，其使用分布流式采集方法對數(shù)據(jù)進行選擇，分組為人員評價矩陣和人員能力矩陣。然后將數(shù)據(jù)抽象化，對數(shù)據(jù)進行預處理，使用編碼器對數(shù)據(jù)進行編碼且保存到數(shù)據(jù)倉庫；使用提升特征算法對數(shù)據(jù)特征進一步加強后，輸入至循環(huán)卷積網絡。最終輸出人崗匹配分數(shù)，人力資源推薦過程完成。

算法流程中的步驟說明如下：

1）數(shù)據(jù)采集。使用分布流式的數(shù)據(jù)采集方法，由于不同醫(yī)院人力數(shù)據(jù)不同，格式也存在差異。因此必須對人力數(shù)據(jù)進行統(tǒng)一格式處理，處理方式包括數(shù)據(jù)舍棄、轉換等操作。

2）對原始的數(shù)據(jù)進行預處理。對數(shù)據(jù)進行分組，從而對人力資源模型特征進行更加全面的了解。同時將數(shù)據(jù)保存至數(shù)據(jù)倉庫中，這樣可以對后續(xù)的數(shù)據(jù)模型訓練進行支撐。

3）進行特征增強。從數(shù)據(jù)倉庫中獲取數(shù)據(jù)，并對數(shù)據(jù)分組結果進行學習。將融合后的數(shù)據(jù)結果作為神經網絡數(shù)據(jù)輸入，進行網絡訓練。

4）推薦結果輸出。將人崗匹配度結果進行排序，然后參考分數(shù)進行合理的崗位分配。

1.4 算法評價指標

對算法進行評價，一般通過一定數(shù)量的指標進行，文中的人力資源推薦算法評價指標采用準確度評價指標[14-16]。

在評價體系中，準確率和召回率越高，代表算法越優(yōu)。但在一些場景下，準確率和召回率可能是矛盾的，所以為了綜合這兩個指標，文中使用F1 值進行綜合，公式為：

2 實驗與分析

2.1 實驗數(shù)據(jù)以及環(huán)境說明

文中數(shù)據(jù)對醫(yī)院人力資源數(shù)據(jù)進行分類整理，數(shù)據(jù)包含人員自身信息、人員評價矩陣值及人員能力矩陣值3 種。該次數(shù)據(jù)共采集到醫(yī)院職工4 560名，醫(yī)院崗位1 233 個，樣本數(shù)量為134 540 個。該次實驗的環(huán)境，如表1 所示。

表1 實驗設置環(huán)境說明

2.2 實驗測試與結果分析

文中將樣本分為訓練樣本集和測試樣本集。神經網絡測試過程偽代碼如下：

輸入：特征D。

輸出：混合循環(huán)神經模型。

1）初始化超參數(shù)，參數(shù)包括迭代次數(shù)t，學習率L，循環(huán)神經網絡的超參數(shù)β1、β2，模型的計算梯度gt；

2）i從1 到t循環(huán)；

3）j從1 到t循環(huán)；

4）計算各個通道的特征值，代入函數(shù)f；

5）若j=t,則終止循環(huán),執(zhí)行步驟6）；若j＜t，則返回步驟3）；

6）提取卷積特征，得到F；

7）將F值和局部模型特征值結合，得到概率值；

8）得到當前的人崗匹配值；

9）排序，輸出最終結果；

10）若i＜t，則返回步驟2），循環(huán)執(zhí)行i過程；

11）若i=t，結束。

然后對文中算法的可行性進行對比實驗，使用文中算法、卷積神經網絡算法、傳統(tǒng)統(tǒng)計學方法進行模型訓練以及實驗分析，分析評價指標為準確率、召回率和F1 值。實驗結果如表2 所示。

表2 對比實驗結果

由表2 可以看出，文中算法的F1 值和其他兩項算法相比均有明顯提升，傳統(tǒng)統(tǒng)計學方法效果最差。在數(shù)據(jù)量較多的情況下F1 值為0.678，普通卷積神經網絡算法F1 值有所提升，為0.766；文中算法表現(xiàn)最優(yōu)，F(xiàn)1 值為0.823。這說明直接使用循環(huán)卷積網絡并不能真正提升數(shù)據(jù)的訓練特征，而文中使用全局網絡加局部網絡的方法，可以有效提升數(shù)據(jù)的隱層特征，進而提升數(shù)據(jù)的訓練質量，提高算法的匹配度和推薦精度。

3 結束語

人力資源調度模型本質是對人力資源數(shù)據(jù)進行分析，計算人崗匹配度。然后根據(jù)人崗匹配度分數(shù)進行人員的調度，這在本質上可以抽象成為推薦模型。文中對基礎神經網絡進行改進，使用混合循環(huán)神經網絡模型、全局模型和局部模型相結合的方式，將模型層次化運算后的數(shù)據(jù)特征作為網絡輸出，進而實現(xiàn)數(shù)據(jù)的處理。通過采用層次化的模型結構進行網絡搭建，最終實現(xiàn)高精確度的人崗匹配與推薦。