摘 要：供電企業(yè)職工技術(shù)素質(zhì)直接關(guān)系到電網(wǎng)的正常運(yùn)轉(zhuǎn)，因此對(duì)職工進(jìn)行專(zhuān)業(yè)訓(xùn)練是十分必要的。本文針對(duì)電力企業(yè)員工培訓(xùn)系統(tǒng)培訓(xùn)問(wèn)題、技術(shù)發(fā)展等現(xiàn)狀進(jìn)行探討，結(jié)合AI和大數(shù)據(jù)設(shè)計(jì)電力企業(yè)員工培訓(xùn)系統(tǒng)。本文采用FCM聚類(lèi)算法、特征選擇算法、隨機(jī)森林算法以及協(xié)同過(guò)濾算法對(duì)數(shù)據(jù)進(jìn)行處理。結(jié)果表明，AI大數(shù)據(jù)抓取下的電力企業(yè)員工培訓(xùn)系統(tǒng)數(shù)據(jù)可視化，能夠了解培訓(xùn)系統(tǒng)方向，員工掌握狀況，并提供最優(yōu)推薦方案。

關(guān)鍵詞：電力企業(yè)員工培訓(xùn)系統(tǒng)；大數(shù)據(jù)；可視化

中圖分類(lèi)號(hào)：F 27" 文獻(xiàn)標(biāo)志碼：A

大數(shù)據(jù)人工智能（Big Data AI）是運(yùn)用大數(shù)據(jù)對(duì)數(shù)據(jù)進(jìn)行智能加工與自動(dòng)管理，從而提升企業(yè)與社會(huì)的工作效能與智慧水平。在當(dāng)前的數(shù)字化時(shí)代，隨著數(shù)據(jù)規(guī)模快速增加以及人工智能的飛速發(fā)展，大數(shù)據(jù)的人工智能已經(jīng)是企業(yè)和社會(huì)不可或缺的一項(xiàng)技術(shù)。大數(shù)據(jù)的研究重點(diǎn)在于對(duì)海量的海量數(shù)據(jù)進(jìn)行深度挖掘與分析，進(jìn)而為企業(yè)與社會(huì)實(shí)現(xiàn)智能化的決策支撐與自動(dòng)管理。這就要求綜合運(yùn)用大數(shù)據(jù)、人工智能、計(jì)算機(jī)科學(xué)技術(shù)以及計(jì)算機(jī)技術(shù)等多學(xué)科的理論與技術(shù)，實(shí)現(xiàn)更加高效、智能化的數(shù)據(jù)分析與應(yīng)用。

大數(shù)據(jù)AI正逐漸滲透到人們的日常工作中?；ヂ?lián)網(wǎng)已經(jīng)不再只是一項(xiàng)科技，更是一股巨大的變革力，正在逐步地影響企業(yè)的經(jīng)營(yíng)和社會(huì)運(yùn)行。對(duì)大數(shù)據(jù)進(jìn)行深度挖掘，發(fā)現(xiàn)其中蘊(yùn)含的深層規(guī)律，從而幫助企業(yè)與社會(huì)作出更加準(zhǔn)確的決策，互聯(lián)網(wǎng)、物聯(lián)網(wǎng)等新興科技的快速發(fā)展使海量的數(shù)據(jù)呈現(xiàn)爆炸式增長(zhǎng)，而現(xiàn)有的分析手段已難以適應(yīng)新時(shí)代的需要。大數(shù)據(jù)具有巨大的數(shù)據(jù)規(guī)模和復(fù)雜的組織形式，為人工智能的發(fā)展創(chuàng)造了條件。利用機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等人工智能方法，將海量的大數(shù)據(jù)轉(zhuǎn)換成有價(jià)值的知識(shí)，并從中挖掘出規(guī)律與關(guān)聯(lián)。

大數(shù)據(jù)AI最大的優(yōu)點(diǎn)就是對(duì)海量數(shù)據(jù)有深刻理解。該算法不但可以對(duì)一般的統(tǒng)計(jì)資料進(jìn)行處理，還可以對(duì)圖像、聲音、文字等進(jìn)行有效處理。隨著信息時(shí)代的到來(lái)，智能化正在逐步向社會(huì)的各個(gè)領(lǐng)域深入發(fā)展，包括電力企業(yè)在內(nèi)。在此基礎(chǔ)上，結(jié)合人工智能技術(shù)和大數(shù)據(jù)技術(shù)，提出了一種基于人工智能技術(shù)的人才培養(yǎng)模式。本文提出了一種面向大規(guī)模并行計(jì)算的方法，為了提高職工的工作能力，提高企業(yè)的效率和績(jī)效，是非常重要的。

1 基于AI大數(shù)據(jù)抓取下的電力企業(yè)員工培訓(xùn)系統(tǒng)算法研究

1.1 功能分析

在電力企業(yè)員工培訓(xùn)系統(tǒng)建設(shè)中，重點(diǎn)是應(yīng)用人工智能大數(shù)據(jù)分析技術(shù)。在訓(xùn)練過(guò)程中，數(shù)據(jù)量非常大，因此要求對(duì)其功能與架構(gòu)進(jìn)行設(shè)計(jì)。在電力企業(yè)員工培訓(xùn)系統(tǒng)中，有基本的功能模塊，也有以信息顯示、課程管理、培訓(xùn)管理等為主要作用的，其中，培訓(xùn)管理和員工管理是以員工的學(xué)習(xí)信息和課程信息為中心的。針對(duì)企業(yè)員工的多元化培訓(xùn)需要，在培訓(xùn)內(nèi)容和方法上進(jìn)行個(gè)性化定制，提升培訓(xùn)效果。在此基礎(chǔ)上，本文提出了一種基于網(wǎng)絡(luò)的新型人力資源管理方法，可以對(duì)培訓(xùn)課程進(jìn)行選擇，參與培訓(xùn)等方面的操作。

1.2 相關(guān)算法

1.2.1 特征指標(biāo)的提取

NCA算法的原理是以度量方式為馬氏距離的KNN分類(lèi)算法為基礎(chǔ)，不斷對(duì)算法進(jìn)行處理，最終獲得數(shù)據(jù)降維后的轉(zhuǎn)換矩陣[4]。其中，KNN分類(lèi)算法隨機(jī)選取兩個(gè)樣本為列向量，將原始數(shù)據(jù)集中的任意兩個(gè)樣本表示為xi （1≤i≤n）和xj（1≤j≤n）。Axi和Axj表示兩個(gè)樣本的轉(zhuǎn)換矩陣，行數(shù)均為，列數(shù)均為D，其中d為降維后的維度，D為原始數(shù)據(jù)維度。

設(shè)pij為映射空間中歐式距離的歸一化指數(shù)函數(shù)的概率值，其計(jì)算過(guò)程如公式（1）所示。

（1）

設(shè)pi為樣本i能被正確分類(lèi)的概率，其計(jì)算過(guò)程如公式（2）所示。

（2）

式中：Ci 為與樣本i屬于同一類(lèi)樣本的集合。

則優(yōu)化目標(biāo)函數(shù)f（A）的計(jì)算過(guò)程如公式（3）所示。

（3）

根據(jù)公式（3），連續(xù)可微的矩陣函數(shù)結(jié)合算法，使f（A）最大化。對(duì)f（A）進(jìn)行求偏導(dǎo)來(lái)優(yōu)化學(xué)習(xí)，用梯度法計(jì)算矩陣A，其梯度的計(jì)算過(guò)程如公式（4）、公式（5）所示。

（4）

xij=xi-xj " " " " " " " " " " " "（5）

簡(jiǎn)化后的表達(dá)式如公式（6）所示。

（6）

根據(jù)公式（6）得出，傳達(dá)室可設(shè)定迭代次數(shù)和矩陣A的初始值A(chǔ)0。

假設(shè)學(xué)習(xí)率為β，A0的表達(dá)式如公式（7）所示。

A0=A0+βf '（A0） " " " " " " " " " "（7）

當(dāng)求得矩陣A為非方陣時(shí)，即D≠d時(shí)，其維度為d。當(dāng)D=d時(shí)，不用降維，但可實(shí)現(xiàn)距離測(cè)度學(xué)習(xí)，NCA分析方法降維時(shí)，分類(lèi)模型可不設(shè)參數(shù)，矩陣計(jì)算不復(fù)雜。

1.2.2 隨機(jī)森林算法

隨機(jī)森林包括多棵決策樹(shù)，可以用來(lái)執(zhí)行回歸和分類(lèi)任務(wù)的機(jī)器學(xué)習(xí)算法。其輸出類(lèi)別是由多棵決策樹(shù)的輸出類(lèi)別的眾數(shù)所決定。

用N表示樣本個(gè)數(shù)，M表示特征個(gè)數(shù)。從容量為N的原樣本集中進(jìn)行重復(fù)抽樣，每次抽取的樣本容量也都為N ，抽樣N次，形成N個(gè)訓(xùn)練集。這樣每次抽樣時(shí)原樣本集中數(shù)據(jù)未被抽中的概率為。

當(dāng)N很大時(shí)，1/e為概率值，趨于0.368，如公式（8）所示。

（8）

這表示每次抽樣時(shí)，原樣本集中的數(shù)據(jù)有大概37%的樣本不會(huì)被抽中，這些數(shù)據(jù)是袋外數(shù)據(jù)。未被抽中的數(shù)據(jù)集可直接作為測(cè)試集，用于測(cè)試模型的預(yù)測(cè)精度。

按一定比例確定特征數(shù)（通常取總特征數(shù)的平方根），輸入k（k＜K）個(gè)特征，作為決策樹(shù)上的決策點(diǎn)。以基尼系數(shù)下降最快來(lái)確定最優(yōu)的特征，將其作為決策點(diǎn)。用公式（9）求得基尼系數(shù)。

（9）

訓(xùn)練完成形成N棵決策樹(shù)，用這N棵決策樹(shù)對(duì)分類(lèi)結(jié)果進(jìn)行簡(jiǎn)單投票決定隨機(jī)森林模型最后輸出的分類(lèi)結(jié)果。

例如現(xiàn)有由h1（x），h2（x），…，hk（x）構(gòu)成的隨機(jī)森林，邊際函數(shù)定義如公式（10）所示。

（10）

式中：mg（X，Y）為邊際函數(shù)；avk（I（hk（X）=j））為正確分類(lèi)下得到的票數(shù)；為不正確分類(lèi)的情況下得到得票數(shù)多。

邊際函數(shù)的意思是在正確分類(lèi)的情況下得到的票數(shù)比在不正確分類(lèi)的情況下得到的票數(shù)多的程度，函數(shù)越大，說(shuō)明原分類(lèi)器分類(lèi)效果越可靠。

泛化誤差PE*定義如公式（11）所示。

PE*=PX，Y（mg（X，Y）lt;0）" " " " " " " " " " （11）

式中：X、Y為概率定義空間。

隨機(jī)森林邊緣函數(shù)如公式（12）所示。

（12）

式中：P（hk（X）=Y）是正確判斷的概率；為錯(cuò)誤判斷的概率最大值。

當(dāng)每棵決策樹(shù)生成隨機(jī)森林時(shí)，總是有一個(gè)初始數(shù)據(jù)集和沒(méi)有被抽取的數(shù)據(jù)集Ok（x）。 Q（x，yi）的計(jì)算過(guò)程如公式（13）所示。

（13）

式中： Q（x，yi）為x在Ok（x）中yj的比例，為正確分類(lèi)的概率估計(jì)，由此可對(duì)隨機(jī)森林強(qiáng)度和相關(guān)性進(jìn)行分析。

隨機(jī)森林強(qiáng)度定義如公式（14）所示。

（14）

將公式（13）代入公式（14），得到公式（15）。

（15）

隨機(jī)森林相關(guān)度定義如公式（16）所示。

（16）

式中：pu為I（ku（xi）=y） 的OBB估計(jì)。

pu和的計(jì)算過(guò)程如公式（17）、公式（18）所示。

（17）

（18）

式中：I為指示函數(shù)；ku（xi）=y為觀測(cè)的真實(shí)結(jié)果；ku（xi）為觀測(cè)的預(yù)測(cè)結(jié)果。

按照上述運(yùn)算，得到公式（19）。

（19）

隨機(jī)森林的性能體現(xiàn)在其收斂程度、強(qiáng)度和相關(guān)程度。收斂性體現(xiàn)在決策樹(shù)的泛化誤差都收斂，出差會(huì)有上限，說(shuō)明隨機(jī)森林對(duì)未知事物具有良好的適應(yīng)性，不會(huì)造成很大的誤差，也不易造成過(guò)擬合。

1.2.3 FCM聚類(lèi)算法

高職院校創(chuàng)新創(chuàng)業(yè)課程電力企業(yè)員工培訓(xùn)系統(tǒng)的主要算法為FCM聚類(lèi)算法，利用算法可將同一類(lèi)型的數(shù)據(jù)進(jìn)行整合。FCM聚類(lèi)算法[5]的基本原理是模糊理論，這種模糊理論是從客觀事實(shí)出發(fā)的，以處理模糊不確定的實(shí)物，又稱(chēng)為模糊C均值算法。在確定了電力企業(yè)員工培訓(xùn)系統(tǒng)模型的輸入輸出后，需要對(duì)輸入的數(shù)據(jù)進(jìn)行形式化定義。FCM是將n個(gè)用戶數(shù)據(jù)作為n個(gè)向量xi，其中涉及隸屬關(guān)系，F(xiàn)CM算法的模糊隸屬度的取值為[0，1]，F(xiàn)CM聚類(lèi)算法的實(shí)質(zhì)是構(gòu)建模糊矩陣U，矩陣中每個(gè)要素都是各矢量的糊隸屬度，值為[0，1]，歸類(lèi)后的每一個(gè)元素的模糊隸屬度之和均為1。

FCM聚類(lèi)算法[1]的表達(dá)式如公式（20）所示。

（20）

FCM聚類(lèi)算法的目標(biāo)函數(shù)的表達(dá)式如公式（21）所示。

（21）

式中：dij=||cj-xj||；uij為[0，1]；dij為第i個(gè)聚類(lèi)中心到第j之間的歐式距離；m為加權(quán)指數(shù)，其取值為[1，∞]。

為使目標(biāo)函數(shù)取得最小值，須作出改進(jìn)，如公式（22）所示。

（22）

式中：λj為n個(gè)約束式的拉格朗日因子。

目標(biāo)函數(shù)取得最小值需要前提，其必要條件如公式（23）、公式（24）所示。

（23）

（24）

1.2.4 協(xié)同過(guò)濾推薦算法

UCF的主要做法是找到一群愛(ài)好相似的用戶，即基于電力企業(yè)員工培訓(xùn)系統(tǒng)用戶的（User-based）的CF或基于相鄰者的CF（Neighbor-based Collaborativen Filtering）[2]。用戶與用戶之間相似度通常用Jaccard公式或余弦相似度來(lái)計(jì)算。這樣兩個(gè)用戶的相似度可以更直觀的觀察到。設(shè)M（u）是用戶u的中意的項(xiàng)目的集合，M（v）為用戶v中意的項(xiàng)目的集合，則u和v相似度的計(jì)算公式如下。

余弦相似度的計(jì)算過(guò)程如公式（25）所示。

（25）

Jaccard的計(jì)算過(guò)程如公式（26）所示。

（26）

其中，UCF是對(duì)相關(guān)數(shù)據(jù)進(jìn)行搜集，掌握使用者對(duì)員工培訓(xùn)數(shù)據(jù)；再根據(jù)用戶間的相似性，找出與此用戶相近的一群人，并根據(jù)員工培訓(xùn)數(shù)據(jù)信息，推送相關(guān)員工培訓(xùn)內(nèi)容。

基于項(xiàng)目的CF（Item-Based CF，ICF）：隨著用戶數(shù)量增加，UCF所消耗的計(jì)算時(shí)間越來(lái)越長(zhǎng)，這時(shí)出現(xiàn)另一種CF，即基于項(xiàng)目的協(xié)同過(guò)濾算法（Item-based Collaborative Filtering Algorithms）。ICF的基本假設(shè)：若用戶中意一個(gè)項(xiàng)目，則與該項(xiàng)目相似的其他項(xiàng)目也有可能引起用戶的興趣。用數(shù)學(xué)的方法計(jì)算項(xiàng)目之間的相似性[3]。項(xiàng)目的相似度的計(jì)算過(guò)程如公式（27）所示。

（27）

式中：|M（i）|是喜歡項(xiàng)目i的用戶數(shù)，|M（j）|是喜歡項(xiàng)目j的用戶數(shù)[4]。

ICF的方法步驟如下。收集相應(yīng)信息，計(jì)算已評(píng)價(jià)的項(xiàng)目和預(yù)測(cè)項(xiàng)目的相似度，并以此為基礎(chǔ)，得到預(yù)測(cè)項(xiàng)目的預(yù)測(cè)分?jǐn)?shù)，最終產(chǎn)生推薦結(jié)果。

分類(lèi)準(zhǔn)確度：指判斷一個(gè)項(xiàng)目是否迎合了用戶的偏好，并且結(jié)果正確的比例，包括召回率和準(zhǔn)確率。

設(shè)U為用戶集，Ru為用戶u的推薦列表，Bu為測(cè)試集中用戶給予正反饋的項(xiàng)目[5]。

準(zhǔn)確率是指在推薦的結(jié)果中，用戶在現(xiàn)實(shí)中給過(guò)正反饋的項(xiàng)目所占的比例。單個(gè)用戶u準(zhǔn)確率的計(jì)算過(guò)程如公式（28）所示。

（28）

整個(gè)推薦系統(tǒng)的準(zhǔn)確率的計(jì)算過(guò)程如公式（29）所示。

（29）

召回率是指在測(cè)試集中，用戶給過(guò)正反饋的項(xiàng)目占測(cè)試集的比例。單個(gè)用戶u的召回率的計(jì)算過(guò)程如公式（30）所示。

（30）

整個(gè)系統(tǒng)的召回率的計(jì)算過(guò)程如公式（31）所示。

（31）

預(yù)測(cè)準(zhǔn)確度：預(yù)測(cè)用戶對(duì)項(xiàng)目的評(píng)分的行為，包括均方根誤差（Root Mean Square Error，RMSE）和平均絕對(duì)誤差（Mean Absolute Error，MAE）。

均方根誤差RMSE的計(jì)算過(guò)程如公式（32）所示。

（32）

式中：Ωtest為測(cè)試集；ruv為用戶u對(duì)項(xiàng)目v的實(shí)際評(píng)分；yuv為預(yù)測(cè)評(píng)分。

平均絕對(duì)誤差MAE的計(jì)算過(guò)程如公式（33）所示。

（33）

2 基于AI大數(shù)據(jù)抓取下的電力企業(yè)員工培訓(xùn)系統(tǒng)設(shè)計(jì)

2.1 系統(tǒng)聚類(lèi)分析

電力企業(yè)員工培訓(xùn)系統(tǒng)在進(jìn)行聚類(lèi)分析的過(guò)程中，需要確定分類(lèi)效果，聚類(lèi)有效度函數(shù)是評(píng)價(jià)聚類(lèi)效果的一種方法，它能較好地評(píng)價(jià)聚類(lèi)的分類(lèi)效果，增強(qiáng)了對(duì)電力企業(yè)員工培訓(xùn)的表示能力。計(jì)算時(shí)，其特性值并不是固定的，因此可以通過(guò)類(lèi)間分離性和類(lèi)內(nèi)緊性來(lái)間接判定聚類(lèi)的效果，對(duì)聚類(lèi)有效性函數(shù)進(jìn)行分析，可以判定它們之間的相關(guān)性。

用戶與類(lèi)內(nèi)用戶之間的相似度表達(dá)式[6]如公式（34）所示。

（34）

類(lèi)內(nèi)平均值的表達(dá)式如公式（35）所示。

（35）

某一類(lèi)數(shù)據(jù)的類(lèi)內(nèi)緊密度表達(dá)式如公式（36）所示。

（36）

2.1.1 聚類(lèi)評(píng)價(jià)指標(biāo)

MIA指標(biāo)：MIA函數(shù)的表達(dá)式[7]如公式（37）所示。

（37）

式中：N為用戶的個(gè)數(shù)；MIA為類(lèi)內(nèi)距離和的平均值，MIA的值越小，聚類(lèi)效果越好。

CDI指標(biāo)：函數(shù)的表達(dá)式如公式（38）所示。

（38）

式中：Xc為第c類(lèi)用戶；CDI為類(lèi)內(nèi)緊密度的平均值，CDI的值越小，聚類(lèi)效果越好。

SI指標(biāo)：函數(shù)的表達(dá)式如公式（39）所示。

（39）

式中：為每個(gè)向量與平均值之間距離和；為每一個(gè)聚類(lèi)中心與平均值之間的距離和；SI的值越小，聚類(lèi)效果越好。

DBI指標(biāo)：函數(shù)的表達(dá)式如公式（40）所示。

（40）

式中：DBI為類(lèi)內(nèi)距離與類(lèi)間距離的比值，DBI的值越小，聚類(lèi)效果越好。

2.1.2 聚類(lèi)效果

該模型對(duì)電力企業(yè)員工培訓(xùn)系統(tǒng)1000個(gè)員工樣本進(jìn)行驗(yàn)證，結(jié)合四項(xiàng)指標(biāo)和聚類(lèi)數(shù)目2～9，模型的指標(biāo)或者模型樣本特征提取可作為模型輸入變量，下列指標(biāo)分析見(jiàn)表1，利用FCM算法，對(duì)用戶數(shù)據(jù)（X3）、輸入數(shù)據(jù)（X1）和輸出數(shù)據(jù)（X2）進(jìn)行論述。

由表1可知，當(dāng)聚類(lèi)數(shù)目為4時(shí)，各類(lèi)指標(biāo)值都達(dá)到了最小值，聚類(lèi)效果最好。聚類(lèi)時(shí)，電力企業(yè)員工培訓(xùn)系統(tǒng)可結(jié)合需求，達(dá)到最好的聚類(lèi)效果。

2.2 系統(tǒng)數(shù)據(jù)處理

數(shù)據(jù)采集：本次試驗(yàn)使用的數(shù)據(jù)集是某電力企業(yè)數(shù)據(jù)集。通過(guò)AI和大數(shù)據(jù)，收集培訓(xùn)數(shù)據(jù)，包括培訓(xùn)進(jìn)度、成績(jī)、反饋等信息。

數(shù)據(jù)處理：利用大數(shù)據(jù)AI技術(shù)對(duì)收集的數(shù)據(jù)進(jìn)行清洗、分類(lèi)、分析和挖掘，提取有價(jià)值的信息，為教學(xué)提供決策支持。

當(dāng)數(shù)據(jù)爬取時(shí)，需要導(dǎo)入Requests庫(kù)和BeautifulSoup庫(kù)函數(shù)。

使用Requests抓取某電力企業(yè)數(shù)據(jù)庫(kù)，把要爬取的整個(gè)頁(yè)面抓取下來(lái)。

使用BeautifulSoup中的find（）和find_all（）抓取需要的標(biāo)簽內(nèi)容。

2.3 試驗(yàn)結(jié)果分析

使用上述設(shè)計(jì)的模型對(duì)處理好的數(shù)據(jù)進(jìn)行訓(xùn)練。其中，訓(xùn)練數(shù)據(jù)用于訓(xùn)練LDA模型，用測(cè)試數(shù)據(jù)對(duì)訓(xùn)練好的模型測(cè)試推薦結(jié)果。在測(cè)試集上計(jì)算正確率，給定一組三元組＜q，p，ngt;，若D（q，p）＜D（p，n）則算正確，否則錯(cuò)誤，具體結(jié)果見(jiàn)表2。

由試驗(yàn)結(jié)果可以看到模型更能根據(jù)細(xì)粒度的內(nèi)容進(jìn)行推薦，與傳統(tǒng)的推薦算法相比更具有優(yōu)勢(shì)，同時(shí)也不需要細(xì)粒度的標(biāo)簽就能獲得這樣的效果。

2.4 系統(tǒng)實(shí)現(xiàn)

電力企業(yè)員工培訓(xùn)系統(tǒng)可以提供豐富的培訓(xùn)資源，包括課程資料、案例分析、實(shí)踐項(xiàng)目等，方便員工自主學(xué)習(xí)和團(tuán)隊(duì)協(xié)作。為電力企業(yè)員工提供一個(gè)在線學(xué)習(xí)交流的平臺(tái)，方便電力企業(yè)員工之間的互動(dòng)和討論，提高電力企業(yè)員工的參與度和學(xué)習(xí)效果。利用人工智能技術(shù)，根據(jù)電力企業(yè)員工的學(xué)習(xí)情況和興趣愛(ài)好，為電力企業(yè)員工推薦相關(guān)的培訓(xùn)資源和項(xiàng)目，提高電力企業(yè)員工的學(xué)習(xí)效率，幫助他們改進(jìn)學(xué)習(xí)和教學(xué)。平臺(tái)如圖1所示。

3 結(jié)論

結(jié)合上述分析，需要進(jìn)一步完善電力企業(yè)員工培訓(xùn)系統(tǒng)，并利用AI云計(jì)算技術(shù)對(duì)其進(jìn)行設(shè)計(jì)。提高電力企業(yè)員工參與度，對(duì)其進(jìn)行總體規(guī)劃，本文運(yùn)用AI大數(shù)據(jù)技術(shù)對(duì)其進(jìn)行了詳細(xì)分析，追根溯源，分析基于AI大數(shù)據(jù)抓取下的電力企業(yè)員工培訓(xùn)系統(tǒng)的基本算法，包括特征指標(biāo)選取、隨機(jī)森林算法、聚類(lèi)分析算法以及協(xié)同過(guò)濾算法，對(duì)電力企業(yè)員工培訓(xùn)數(shù)據(jù)進(jìn)行整合，分析電力企業(yè)員工培訓(xùn)信息，能夠根據(jù)電力企業(yè)員工情況進(jìn)行數(shù)理分析，對(duì)冗雜的數(shù)據(jù)進(jìn)行聚類(lèi)分析，根據(jù)聚類(lèi)分析結(jié)果進(jìn)行協(xié)同過(guò)濾，能夠分析電力企業(yè)員工培訓(xùn)信息，并提供相關(guān)培訓(xùn)課程，有利于提升電力企業(yè)員工能力。

參考文獻(xiàn)

[1]張宏展，趙輝，于鵬.AI在大數(shù)據(jù)技術(shù)中的創(chuàng)新與應(yīng)用[J].科技創(chuàng)新與應(yīng)用，2024，14（21）：16-19.

[2]曾劍文.基于AI技術(shù)的煤礦井下視頻智能分析系統(tǒng)設(shè)計(jì)[J].煤炭科技，2024，45（3）：202-206.

[3]徐俊婷.基于大數(shù)據(jù)與AI的高校圖書(shū)館數(shù)字閱讀推廣優(yōu)化策略與實(shí)施路徑[J].造紙裝備及材料，2024，53（6）：184-186.

[4]汪生福.科技向善：大數(shù)據(jù)技術(shù)與AI如何扶貧[J].中國(guó)外資，2024（11）：79-83.

[5]王強(qiáng)，劉海德，牛清娜，等.基于場(chǎng)景化的大數(shù)據(jù)+AI算法倉(cāng)平臺(tái)研究[J].電腦知識(shí)與技術(shù)，2024，20（14）：73-75.

[6]羅鵬舉，王彪，閆林，等.基于AI大數(shù)據(jù)的無(wú)線基站節(jié)能系統(tǒng)的設(shè)計(jì)與應(yīng)用[J].數(shù)字通信世界，2024（3）：114-117.

[7]黃陳，胡漢橋，羅如意，等.基于大數(shù)據(jù)與AI計(jì)算的收費(fèi)稽核系統(tǒng)[J].中國(guó)交通信息化，2024（增刊1）：303-305.