Page 340 - 《软件学报》2024年第4期

1918 软件学报 2024 年第 35 卷第 4 期

用假 GPS 定位. 此外, 该系统还实现了一个反仿真器模块, 以防止使用假冒设备. Jaikla 等人 [22] 通过 4 个要素
(内部信息、手机 MAC 地址、人脸识别、GPS 定位) 来保证考勤数据的准确性和真实性. 基于生物特征的考勤系
统必然要收集用户的生物特征信息, 如指纹和虹膜等, 这就涉及用户的隐私问题, 而且一旦发生生物特征数据泄
露, 就是不可逆转的. 这些考勤系统包括 [23−25] 更关注考勤方式的创新, 而鲜有涉及挖掘打卡数据背后的信息与关
联, 从而为企业的其他工作提供进一步的决策支持.
2 HAO 打卡系统

HAO 打卡系统基于 HAO 智能体系 [4] , 以组织智能为驱动, 通过对考勤流程、考勤数据的物理管理和逻辑管
理, 实现考勤打卡系统的智能化变革以及打卡数据的收集、存储、处理和应用的一套完整的考勤管理机制, 最终
实现一个轻量级智能打卡平台. 同时我们根据 HAO 智能的理论体系来构建 HAO 打卡知识图谱, 更加方便地发现、
整合和利用数据, 将系统内部数据与外界数据打通, 更加有效地处理多种类型用户的打卡数据并发掘隐藏的关联.
下面我们首先介绍 HAO 打卡知识图谱的构建, HAO 打卡系统依托于 HAO 打卡知识图谱来提供服务和决策支持.
然后介绍 HAO 打卡系统的整体框架和功能, 主要从用户类型、组织架构、权限管理以及精细化考勤 4 个方面进
行介绍.
2.1 HAO 打卡知识图谱构建
知识图谱 (knowledge graph), 通常也被称为知识库, 是以一种有向图的结构描述客观世界的事物及其相关联
系 [26] . 知识图谱作为符号主义发展的最新成果, 是人工智能的重要基石 [27] . 知识图谱旨在从数据中识别、发现和
推断事物与概念之间的复杂关系, 该技术很好地将大数据和人工智能关联起来. 知识图谱本质上是结构化的语义
知识库, 以图模型来描述物理世界中的概念以及相关关系的知识库. HAO 打卡系统的数据总量大且呈现类型多样
化等特点, 许多关键数据背后的隐性知识和关联很难被发现以及利用. HAO 打卡知识图谱可借助用户的打卡记录、
组织架构、考勤规则等数据, 将人、组织、地点、考勤规则等进行联通来优化企业管理、提升打卡者工作效率,
辅助智能决策. HAO 打卡知识图谱构建如图 3 所示, 下面我们来具体地介绍 HAO 打卡知识图谱构建技术.

单组织用户
数据收集 外部知识库 在线网站爬取数据 无组织用户打卡数据 组织架构
多组织用户 考勤规则

数据治理 数据清洗 数据集成 数据规范 数据生命周期 数据关联 数据血缘

数据共享 加密脱敏 安全审计 权限管理 数据服务 数据推送 服务网关

知识抽取 知识融合 知识表示 知识推理
实体识别 实体对齐 本体构建 Embedding 知识补全
知识校验 属性抽取 知识纠错

RDF
关系抽取 ... 推理决策
HAO 智能 HAO 打卡知识图谱 知识赋能
人类智能 (HI) 个性化推荐
知识赋能
人工智能 (AI) 知识推理
组织智能 (OI) 智能考勤

图 3 HAO 打卡知识图谱构建

2.1.1 数据获取
HAO 打卡知识图谱构建的主要数据来源为系统内部数据, 其中包括考勤规则文本 (可扩展至企业管理条例文