基于改進(jìn)KNN-DPC算法的科技創(chuàng)新人才分類研究*

張文宇 劉 嘉 楊 媛 朱鈺婷 于 瑞

（1.西安郵電大學(xué)經(jīng)濟(jì)與管理學(xué)院 西安710061）（2.中國(guó)航天系統(tǒng)科學(xué)與工程研究院 北京 100081）

1 引言

黨的十九大報(bào)告提出，人才是實(shí)現(xiàn)民族振興、贏得國(guó)際競(jìng)爭(zhēng)主動(dòng)的戰(zhàn)略資源。科技創(chuàng)新人才作為從事系統(tǒng)性科學(xué)和技術(shù)知識(shí)的發(fā)現(xiàn)、生產(chǎn)和應(yīng)用活動(dòng)的創(chuàng)造性人力資源，是科學(xué)技術(shù)這一先進(jìn)生產(chǎn)力的集中體現(xiàn)。對(duì)于各個(gè)領(lǐng)域存在的科技創(chuàng)新人才，要充分發(fā)揮其具備的能力和素質(zhì)，就要對(duì)科技創(chuàng)新人才進(jìn)行精準(zhǔn)分類。因此，研究科技創(chuàng)新人才的分類問(wèn)題對(duì)我國(guó)科技創(chuàng)新人才的發(fā)展、社會(huì)化建設(shè)有著十分重要的作用。目前，科技創(chuàng)新人才的理論研究大多集中在培養(yǎng)階段，楊穎［1］基于新的時(shí)代背景構(gòu)建出科技創(chuàng)新人才的培養(yǎng)機(jī)制。彭干三［2］在產(chǎn)學(xué)研融合視角下對(duì)我國(guó)科技創(chuàng)新人才培養(yǎng)過(guò)程中存在的問(wèn)題提出意見(jiàn)。然而，科技創(chuàng)新人才的分類問(wèn)題研究相對(duì)較少，陸一［3］等提出了三種選拔與培養(yǎng)類型的二維分類體系，以此來(lái)探究高校背景下創(chuàng)新人才的培養(yǎng)分類模式。邴浩［4］提出了一種政策分類的新方法來(lái)提升高校創(chuàng)新人才分類過(guò)程中政策的實(shí)施效果。以上的相關(guān)研究大部分是基于理論的定性研究階段，相關(guān)的定量研究很少，這導(dǎo)致科技創(chuàng)新人才分類研究的量化和精細(xì)化不足，不能充分挖掘科技創(chuàng)新人才的數(shù)據(jù)信息，從而對(duì)實(shí)際中科技創(chuàng)新人才的分類指導(dǎo)性不強(qiáng)。

在大數(shù)據(jù)背景下，充分利用海量數(shù)據(jù)資源，突出量化分析是科技創(chuàng)新人才分類研究的重要發(fā)展方向。因此，通過(guò)對(duì)科技創(chuàng)新人才數(shù)據(jù)的收集，從而對(duì)樣本數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘與分析是提高人才分類效果的重要途徑。已有的研究表明聚類算法是數(shù)據(jù)挖掘中研究分類問(wèn)題的有效方法，傳統(tǒng)聚類算法可被劃分為分割聚類、密度聚類，以及基于傳播的方法等［5～7］。Alex Rodriguez和Alessandro Laio［8］提出的一種密度峰值聚類算法DPC，該聚類算法具有計(jì)算速度快，無(wú)需迭代等特點(diǎn)，可以很好地描述數(shù)據(jù)分布，同時(shí)在算法復(fù)雜度上也比一般的K-means算法的復(fù)雜度低。盡管DPC算法優(yōu)勢(shì)明顯，但其對(duì)高維數(shù)據(jù)的處理以及非中心點(diǎn)的歸類仍存在一些局限，針對(duì)DPC算法的缺點(diǎn)，近兩年許多學(xué)者都對(duì)DPC算法進(jìn)行改進(jìn)。張偉［9］將DPC算法和Chame-leon算法的優(yōu)點(diǎn)相結(jié)合提出了E_CFSFDP算法，雖避免了將包含多個(gè)密度峰值的一個(gè)類聚成多類，但其計(jì)算量大且不利于處理高維數(shù)據(jù)。謝娟英［10］提出兩種基于K近鄰的樣本分配策略的快速密度峰值算法KNN-DPC，其算法對(duì)噪聲數(shù)據(jù)具有非常好的魯棒性，但由于該算法的聚類過(guò)程與DPC相同，故DPC算法的缺陷在該算法中仍存在。

針對(duì)上述問(wèn)題，本文提出的結(jié)合主成分的改進(jìn)K近鄰優(yōu)化的密度峰值聚類算法IKDPC將主成分分析法融入聚類算法中對(duì)高維數(shù)據(jù)降維，克服了聚類算法中高維數(shù)據(jù)對(duì)聚類結(jié)果的影響，為了更好地描述每個(gè)樣本在空間中的分布情況給出了新的局部密度的計(jì)算方法，并對(duì)原有樣本點(diǎn)的分配過(guò)程進(jìn)行了改進(jìn)，有效提高了算法的聚類結(jié)果，使該算法能更好地應(yīng)用于實(shí)際分類領(lǐng)域。首先，本文在闡述科技創(chuàng)新人才的定義及內(nèi)涵的基礎(chǔ)上，定性分析出科技創(chuàng)新人才的特點(diǎn)并構(gòu)建出科學(xué)合理的評(píng)價(jià)指標(biāo)體系；然后，通過(guò)IKDPC算法對(duì)科技創(chuàng)新人才進(jìn)行量化分類研究，根據(jù)收集資料和調(diào)研獲得的樣本評(píng)價(jià)指標(biāo)數(shù)據(jù)，對(duì)科技創(chuàng)新人才進(jìn)行實(shí)例驗(yàn)證并分析其結(jié)果，并通過(guò)IKDPC算法與其他算法的分析比較表明IKDPC算法的優(yōu)勢(shì)，從而為提高科技創(chuàng)新人才培養(yǎng)過(guò)程中人才層次分類的效果提供依據(jù)。

2 科技創(chuàng)新人才及其評(píng)價(jià)指標(biāo)體系

2.1 科技創(chuàng)新人才的定義及內(nèi)涵

科技創(chuàng)新人才是從事系統(tǒng)性科學(xué)和技術(shù)知識(shí)的生產(chǎn)、促進(jìn)、傳播和應(yīng)用活動(dòng)的創(chuàng)造性人力資源［11］。根據(jù)科技創(chuàng)新人才的定義可知科技創(chuàng)新人才具體應(yīng)包括以下五部分內(nèi)涵。

1）具有較高的知識(shí)修養(yǎng)水平；

2）具有積極的創(chuàng)新實(shí)踐能力；

3）具有良好的環(huán)境適應(yīng)能力；

4）具有健康的身體狀況；

5）具有健全的心理與人格素質(zhì)。

2.2 科技創(chuàng)新人才的評(píng)價(jià)指標(biāo)體系

本文對(duì)科技創(chuàng)新人才的素質(zhì)從知識(shí)修養(yǎng)水平、創(chuàng)新實(shí)踐能力、環(huán)境適應(yīng)能力、身體狀況和心理與人格素質(zhì)五個(gè)部分構(gòu)建評(píng)價(jià)指標(biāo)體系，再根據(jù)對(duì)相關(guān)文獻(xiàn)和資料的研究，確定這五個(gè)部分的三級(jí)指標(biāo)［12］。科技創(chuàng)新人才評(píng)價(jià)指標(biāo)體系如表1所示。

表1 科技創(chuàng)新人才評(píng)價(jià)指標(biāo)體系

3 DPC算法

DPC算法通過(guò)搜索合適的局部密度較大的點(diǎn)作為類簇中心，再將類簇的標(biāo)簽從高密度點(diǎn)向低密度點(diǎn)依次傳播來(lái)實(shí)現(xiàn)數(shù)據(jù)樣本的聚類劃分。該算法能夠快速發(fā)現(xiàn)任意形狀數(shù)據(jù)集的密度峰值，并高效進(jìn)行樣本點(diǎn)分配和離群點(diǎn)剔除［11］。DPC算法引入了樣本數(shù)據(jù)點(diǎn)xi的局部密度ρi和數(shù)據(jù)點(diǎn)xi到局部密度比它大且距離它最近的樣本數(shù)據(jù)點(diǎn)xj的距離δi，其定義如式（1）和（2）所示：

數(shù)據(jù)集，IS={1,2,…,N}，為相應(yīng)指標(biāo)集，dij=dist(xi,xj)表示數(shù)據(jù)點(diǎn)xi和xj之間的歐式距離。參數(shù)dc＞0為截?cái)嗑嚯x。

對(duì)于ρi最大的樣本數(shù)據(jù)點(diǎn)xi，其δi=minjdij。

對(duì)于較小的數(shù)據(jù)集，由式（1）估計(jì)的密度可能會(huì)受統(tǒng)計(jì)誤差的影響，此時(shí)采用式（3）來(lái)估計(jì)其局部密度［9］。

為了獲取數(shù)據(jù)的聚類中心，DPC算法首先將每個(gè)點(diǎn)的ρ值和δ值于坐標(biāo)平面內(nèi)繪制出，然后將ρ值和δ值都較大的點(diǎn)作為聚類中心［8］。然而，對(duì)于分布稀疏的數(shù)據(jù)，通過(guò)ρ值和δ值難以確定其聚類中心，此時(shí)DPC算法使用γ=ρ×δ來(lái)獲取，其中，γi值越大，xi越有可能成為聚類中心。將所有點(diǎn)的γ值降序排列，并與坐標(biāo)平面上繪出。由于聚類中心的γ值較大，而其他點(diǎn)的γ值較小且呈平滑趨勢(shì)，故可以使用一條平行于橫線的直線將其分開(kāi)，使得直線上方的γ值所對(duì)應(yīng)的點(diǎn)即為聚類中心。當(dāng)聚類中心找出后，將剩余點(diǎn)分配到其高密度最近領(lǐng)所屬的類中。

4 IKDPC算法

4.1 IKDPC算法思想

高維數(shù)據(jù)的聚類分析存在著很多困難，重點(diǎn)表現(xiàn)在：1）高維數(shù)據(jù)稀疏性對(duì)于信息的識(shí)別造成一定的困難；2）隨著維數(shù)升高，計(jì)算量呈現(xiàn)指數(shù)型增長(zhǎng)，這導(dǎo)致了對(duì)于聚類分析的結(jié)果計(jì)算更加困難［13］。因此，本文在聚類分析中融入了降維思想，選取已廣泛應(yīng)用的主成分分析方法，對(duì)科技創(chuàng)新人才樣本數(shù)據(jù)進(jìn)行降維后再聚類，可以獲得良好的聚類效果。

主成分分析（PCA）是模式識(shí)別過(guò)程中廣泛應(yīng)用的特征生成和降低維數(shù)的方法，它是在數(shù)據(jù)信息丟失最少的原則下，對(duì)高維變量空間進(jìn)行降維處理，同時(shí)，使得高維數(shù)據(jù)點(diǎn)的可見(jiàn)性成為可能［14］。本文通過(guò)對(duì)科技創(chuàng)新人才評(píng)價(jià)指標(biāo)體系的樣本數(shù)據(jù)集進(jìn)行主成分分析，計(jì)算出相關(guān)系數(shù)指標(biāo)，得出主成分對(duì)原始指標(biāo)數(shù)據(jù)的方差貢獻(xiàn)率及累計(jì)方差貢獻(xiàn)率，當(dāng)累計(jì)方差貢獻(xiàn)率達(dá)到或者超過(guò)85%，即m滿足：≥85%，且特征值大于1，從而求出科技創(chuàng)新人才評(píng)價(jià)指標(biāo)體系的主成分指標(biāo)m（m＜p），然后對(duì)所求出的m個(gè)主成分指標(biāo)數(shù)據(jù)進(jìn)行聚類分析。

為了克服克服傳統(tǒng)DPC算法的缺陷，本文引入相似性系數(shù)來(lái)調(diào)節(jié)個(gè)點(diǎn)對(duì)當(dāng)前點(diǎn)的密度貢獻(xiàn)權(quán)重，提出帶有相似性系數(shù)的高斯核函數(shù)來(lái)計(jì)算其局部密度［15］。對(duì)于每個(gè)樣本數(shù)據(jù)點(diǎn)xi，其局部密度ρi定義如下：

其中，σ取數(shù)據(jù)量的2%［9］，r為相似性系數(shù)，表示密度函數(shù)與數(shù)據(jù)點(diǎn)相似度的關(guān)系程度，該值越大，距離點(diǎn)xi越近的點(diǎn)對(duì)其密度ρi的貢獻(xiàn)權(quán)重越大。樣本數(shù)據(jù)點(diǎn)xi的距離δi計(jì)算方式與DPC算法相同。對(duì)于聚類中心的選取，考慮到ρ和δ值可能處于不同的數(shù)量級(jí)，因此，對(duì)兩者進(jìn)行歸一化處理以有效獲得聚類中心γi，γi定義如下：

利用式（4）、式（2）計(jì)算出個(gè)點(diǎn)的ρ和δ值，式（5）計(jì)算出相應(yīng)的γi值，然后通過(guò)γ值決策圖選取較大的前M個(gè)γ值對(duì)應(yīng)的點(diǎn)獲得聚類中心。

由于聚類中心往往出現(xiàn)在高密度區(qū)域，故將各聚類中心某鄰域內(nèi)的點(diǎn)看作核心點(diǎn)，而將其他點(diǎn)看作非核心點(diǎn)。核心點(diǎn)的獲取方法為先將剩余點(diǎn)分配到距其最近的聚類中心所在的類中，然后計(jì)算各局部類Cm中所有點(diǎn)與其類中心cenm間的平均距離um，若xi以下式（7），即xi∈Cm在cenm的θum鄰域內(nèi)，則xi為核心點(diǎn)。

其中，|Cm|為第m個(gè)局部類Cm中的所有數(shù)據(jù)點(diǎn)的數(shù)目，為點(diǎn)xi∈Cm與cenm間的距離；θ與數(shù)據(jù)集大小N有關(guān)，取N‰；Xcore為核心點(diǎn)集合。

對(duì)于剩余各點(diǎn)，本文設(shè)計(jì)了兩種全新的分配策略，策略一是以核心點(diǎn)集合Xcore中每個(gè)點(diǎn)為中心，不斷地搜索未分配的KNN并將之分配到該點(diǎn)所在的局部類中。策略二則是根據(jù)式（8）計(jì)算xi和xj的相似度sij，表示兩點(diǎn)距離大小，距離越近，sij越高。每個(gè)點(diǎn)的歸屬由其KNN分布決定，若xi的KNN中屬于Cm的點(diǎn)越多且與xi的距離越近，則sij值越大，此時(shí)xi被分配到到Cm的概率Pim也越大。的計(jì)算如式（9）：

綜上所述，本文提出的IKDPC算法首先在聚類分析中融入了主成分分析法對(duì)高維數(shù)據(jù)進(jìn)行降維處理，進(jìn)而在傳統(tǒng)DPC算法中引入相似性系數(shù)來(lái)調(diào)節(jié)樣本數(shù)據(jù)點(diǎn)的密度貢獻(xiàn)權(quán)重以計(jì)算其局部密度，最后設(shè)計(jì)了全新的兩種樣本數(shù)據(jù)點(diǎn)的分配策略，有效提高了數(shù)據(jù)的聚類效率和聚類質(zhì)量。

4.2 具體算法步驟

IKDPC算法步驟如下。

輸入：數(shù)據(jù)集S，樣本近鄰數(shù)K，相似性系數(shù)r。

輸出：聚類結(jié)果。

Step1：對(duì)樣本評(píng)價(jià)指標(biāo)數(shù)據(jù)集S使用主成分分析方法，選取前m個(gè)主成分指標(biāo)，該選取滿足累計(jì)貢獻(xiàn)率在[8 5%,100%]區(qū)間；

Step2：對(duì)選取的m個(gè)主成分指標(biāo)新數(shù)據(jù)集應(yīng)用改進(jìn)的DPC算法進(jìn)行聚類；

Step2.1：計(jì)算新數(shù)據(jù)集中各個(gè)數(shù)據(jù)點(diǎn)間的歐式距離dij，根據(jù)式（4）和式（2）計(jì)算每個(gè)數(shù)據(jù)點(diǎn)的ρ和δ值；

Step2.2：通過(guò)對(duì)計(jì)算的ρ和δ進(jìn)行歸一化處理，得到γ，進(jìn)而構(gòu)建決策圖獲得聚類中心；

Step3：使用式（6）和式（7）提取核心點(diǎn)，并采用策略一將待分類點(diǎn)歸類：

Step3.1：將核心點(diǎn)集合Xcore至于隊(duì)列Q；

Step3.2：取隊(duì)列頭xa，將其從Q刪除，然后查找其K個(gè)最近鄰KNNa；

Step3.3：若x′∈KNNa未被分配，Step4則將x′分配到xa所在的類中，并將x′添加至Q尾；否則轉(zhuǎn)Step3.2；

Step3.4：若Q=?，終止該策略；

Step4：根據(jù)策略二分配剩余k個(gè)點(diǎn)：

Step4.1：依式（8）和式（9）計(jì)算每個(gè)點(diǎn)的Pim(i=1,2,…,k)，

將該結(jié)果存入矩陣Pk×M，同時(shí)將的值以及類別號(hào)m分別存至向量MP和MI；

Step4.2：若MP中有非零值，則將值最大點(diǎn)xo歸入MI(0)所表示的類中，轉(zhuǎn)到Step4.3，否則終止該策略；

Step4.3：更新P、MP、MI，令MI(0)=0。對(duì)于未分配的點(diǎn)xp∈KNNo，更新P[p][m]、MP(p)、MI(p)。

Step4.4：若MP中所有元素均為0，則終止；否則轉(zhuǎn)Step4.3；

Step5：若仍然沒(méi)有被處理的點(diǎn)可以看作噪聲點(diǎn)，將其歸入到最近鄰所在的類中去。

5 實(shí)證研究

5.1 數(shù)據(jù)收集及整理

本文通過(guò)閱讀相關(guān)研究文獻(xiàn)、人物傳記提取杰出科技創(chuàng)新人才的評(píng)價(jià)指標(biāo)，然后設(shè)計(jì)發(fā)放科技創(chuàng)新人才評(píng)價(jià)調(diào)研問(wèn)卷，整個(gè)過(guò)程符合調(diào)查抽樣隨機(jī)性的原則，問(wèn)卷發(fā)放的對(duì)象主要是科研院所及高校人員，調(diào)研的結(jié)果能反映科技創(chuàng)新人才素質(zhì)的真實(shí)情況。最后將調(diào)研問(wèn)卷的結(jié)果進(jìn)行整理打分，以科技創(chuàng)新人才評(píng)價(jià)指標(biāo)體系中的24個(gè)評(píng)價(jià)指標(biāo)反映出樣本人員所對(duì)應(yīng)的指標(biāo)得分（分?jǐn)?shù)越高代表對(duì)應(yīng)的素質(zhì)越高，每個(gè)指標(biāo)的滿分為5分）。經(jīng)過(guò)去噪、去除不合理樣本等預(yù)處理，最終共收集科技創(chuàng)新人才有效樣本指標(biāo)數(shù)據(jù)352例，科技創(chuàng)新人才樣本指標(biāo)數(shù)據(jù)如下表2。

表2 科技創(chuàng)新人才評(píng)價(jià)指標(biāo)數(shù)據(jù)

5.2 實(shí)證結(jié)果分析

首先把整理好的352例科技創(chuàng)新人才的24項(xiàng)評(píng)價(jià)指標(biāo)數(shù)據(jù)導(dǎo)入SPSS中進(jìn)行主成分分析，結(jié)果見(jiàn)表3。

表3 主成分分析解釋總差異

從表3中可以看出，第一成分到第五成分特征值都大于1，并且累計(jì)方差貢獻(xiàn)率達(dá)到86.001%，可知這5個(gè)成分包含原始24個(gè)成分信息量的86.001%，可以反映原始數(shù)據(jù)的主要信息。因此，本文提取前5個(gè)成分作為主成分指標(biāo)進(jìn)行接下來(lái)的聚類分析。聚類結(jié)果以表4展示如下。

表4 科技創(chuàng)新人才主成分指標(biāo)聚類結(jié)果

根據(jù)表4可以看出A類樣本人數(shù)為106人，聚類中心點(diǎn)為9號(hào)樣本點(diǎn)，分析其主成分指標(biāo)得分情況可知此樣本人員各個(gè)主成分指標(biāo)分?jǐn)?shù)都較高，因此A類樣本代表的是綜合全面型的科技創(chuàng)新人才；B類樣本人數(shù)為95人，聚類中心點(diǎn)為82號(hào)樣本點(diǎn)，分析其主成分指標(biāo)得分情況可知此樣本人員主成分2和3分?jǐn)?shù)顯著，即他的受教育程度較高且知識(shí)運(yùn)用能力強(qiáng)，因此B類樣本代表的是具有良好教育背景的知識(shí)應(yīng)用型科技創(chuàng)新人才；C類樣本人數(shù)為82人，聚類中心點(diǎn)為175號(hào)樣本點(diǎn)，分析其主成分指標(biāo)得分情況可知此樣本人員主成分4分?jǐn)?shù)顯著，即他擁有豐富的知識(shí)存儲(chǔ)量，因此C類樣本代表的是擁有知識(shí)積累型的科技創(chuàng)新人才；D類樣本人數(shù)為69人，聚類中心點(diǎn)為175號(hào)樣本點(diǎn)，分析其主成分指標(biāo)得分情況可知此樣本人員主成分5分?jǐn)?shù)顯著，即他具有較強(qiáng)的想象力，因此D類樣本代表的是創(chuàng)新思維型的科技創(chuàng)新人才。結(jié)合以上分析可知本文算法能夠得到較好的科技創(chuàng)新人才分類結(jié)果。

5.3 算法實(shí)例分析

為了驗(yàn)證數(shù)據(jù)降維對(duì)聚類效果的提升，分別將DPC算法和IKDPC算法在1～24個(gè)科技創(chuàng)新人才評(píng)價(jià)指標(biāo)成分張成的數(shù)據(jù)集中進(jìn)行聚類，使用分錯(cuò)率（CER）、ERRORRATE和調(diào)整Rand系數(shù)（Adjusted Rand Index，ARI）三個(gè)指標(biāo)綜合衡量聚類效果，結(jié)果如表5所示，科技創(chuàng)新人才在降維過(guò)程中維數(shù)超過(guò)5時(shí)各項(xiàng)指標(biāo)都產(chǎn)生了大幅度變化，各個(gè)指標(biāo)均不理想。

表5 DPC和IKDPC的樣本指標(biāo)數(shù)據(jù)聚類對(duì)比

最后，為了對(duì)比本文提出的IKDPC算法的有效性，本文將聚類算法研究中廣為采用的聚類精度（Clustering Accuracy，ACC）、調(diào)整互信息系數(shù)（Adjusted Mutual Information，AMI）、ARI這三個(gè)指標(biāo)作為聚類算法性能度量評(píng)價(jià)標(biāo)準(zhǔn)［16～17］。其中，ACC與AMI的取值范圍均為[0,1]，ARI的 取值范圍為[- 1,1]，各指標(biāo)值越大，越表示聚類質(zhì)量越高。本論文算法與其他算法對(duì)樣本數(shù)據(jù)進(jìn)行驗(yàn)證，三個(gè)指標(biāo)的比較結(jié)果見(jiàn)表6。

表6 各算法有效性比較

綜上所述，本文算法能夠克服高維數(shù)據(jù)對(duì)聚類過(guò)程的不利影響，聚類結(jié)果區(qū)分性強(qiáng)且聚類有效性高，能夠應(yīng)用于科技創(chuàng)新人才的實(shí)際分類問(wèn)題。

6 結(jié)語(yǔ)

本文針對(duì)科技創(chuàng)新人才分類問(wèn)題，運(yùn)用定性與定量相結(jié)合的方法，先通過(guò)資料收集和調(diào)研問(wèn)卷的方式整理制定出相關(guān)科技創(chuàng)新人才的評(píng)價(jià)指標(biāo)體系，然后提出IKDPC算法對(duì)樣本指標(biāo)進(jìn)行聚類分析，與傳統(tǒng)聚類方法相比，該方法能夠?qū)Ω呔S數(shù)據(jù)降維，提取指標(biāo)維數(shù)中的主成分指標(biāo)，并且給出了新的適用于任意數(shù)據(jù)集的局部密度計(jì)算方法，以及兩種不同的剩余點(diǎn)分配策略。采用本文方法對(duì)科技創(chuàng)新人員進(jìn)行聚類分析，充分挖掘聚類信息，客觀合理地將科技創(chuàng)新人才進(jìn)行分類，對(duì)不同類別的科技創(chuàng)新人才制定不同的培養(yǎng)計(jì)劃，能夠?yàn)榭萍紕?chuàng)新人才培養(yǎng)過(guò)程中的分類提供科學(xué)化的決策支持。本文方法具有一定的通用性，也可以用于其他類似人員的分類問(wèn)題，例如醫(yī)學(xué)人才分類、軍事人才分類等。