CN106682802A - 职位估值方法及系统 - Google Patents
职位估值方法及系统 Download PDFInfo
- Publication number
- CN106682802A CN106682802A CN201510760266.0A CN201510760266A CN106682802A CN 106682802 A CN106682802 A CN 106682802A CN 201510760266 A CN201510760266 A CN 201510760266A CN 106682802 A CN106682802 A CN 106682802A
- Authority
- CN
- China
- Prior art keywords
- variable
- value
- valuation
- salary
- post
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明的职位估值方法及系统，对存在相互跳槽可能的多个职位均定义职位估值变量和未来增值变量，且职位估值变量定义为该职位的薪水值与未来增值变量的和；获取每个职位分别向其它各职位跳槽或留在原职位的转移概率；通过预设的各职位未来增值变量和其它职位的职位估值变量关联关系来计算得到各个职位的职位估值变量的确定值，其中，关联关系包括：获取一当前职位与各职位的职位估值变量之差作为预设变量，并以当前职位向各职位的转移概率作为该预设变量的权重值，并将据以计算的加权和作为当前职位的未来增值变量；本发明的职业估值方案中考虑了薪水和职业技能的匹配，也考虑了职业发展的各种路径，有高度的参考价值，商业价值也是巨大的。
Description
技术领域
本发明涉及软件系统技术系统，特别是涉及职位估值方法及系统。
背景技术
随着互联网的发展，互联网招聘方式在今后将成为求职与招聘的主要渠道。已有的互联网招聘网站的目标是尽可能多地达成求职与招聘的交易，采取的主要技术与流程分为以下三部分：
1)收集求职者的简历，建设简历信息数据库；
2)收集招聘职位信息，建设职位数据库；
3)通过简历和职位信息中的关键词，进行简历和招聘职位之间的匹配。
现有互联网招聘网站无法有效满足求职者对于职业规划的需求，原因有以下几种：
1)各招聘网站的职位数据库和求职者信息数据库均是各招聘网站自有的数据库，而招聘网站数据库之间相互独立，相互封闭。求职者无法一站式了解所有职业发展路径信息的可能性；
2)匹配职位信息和简历信息中关键词的技术反映了职位需求和求职者自身能力的相似度，但仅仅表明求职者应聘此种职位的可能性，不能作为评判职位优良的指标，例如某些与求职者能力最相似的职位实际上缺乏未来成长空间，不利于求职者的长远发展；
3)职位估值计算方法缺失。现有招聘网站进行职位价值的排序计算是基于薪水，而薪水只反映了某种职位的短期价值，并不包含这种职位带来的对求职者长远发展的增值。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供职位估值方法及系统，用于解决现有技术中所提供职位信息内容单一片面的问题。
为实现上述目的及其他相关目的，本发明提供一种职位估值方法，包括：对存在相互跳槽可能的多个职位均定义职位估值变量和未来增值变量，且所述职位估值变量定义为该职位的薪水值与未来增值变量的和；获取所述每个职位分别向其它各职位跳槽或留在原职位的转移概率；通过预设的各职位未来增值变量和其它职位的职位估值变量关联关系来计算得到各个职位的职位估值变量的确定值，其中，所述关联关系包括：获取一当前职位与各所述职位的职位估值变量之差作为预设变量，并以当前职位向各所述职位的转移概率作为该预设变量的权重值，并将据以计算的加权和作为所述当前职位的未来增值变量。
于本发明的一实施例中，所述通过预设的各职位未来增值变量和其它职位的职位估值变量关联关系来计算得到各个职位的职位估值变量的确定值，包括：选择一初始的n维向量V(n)来表示n个职位的职位估值变量；根据所述关联关系迭代计算所述V(n)；判断V(n)-V(n-1)是否小于容许容许误差，若是，则证明V(n)已经接近收敛的稳定状态，从而计算职位估值变量在稳定状态下的职位估值变量。
于本发明的一实施例中，所述的职位估值方法，还包括：从网络采集招聘信息，以从中提取各所述职位及薪水值的信息；以及/或者，从网络采集简历信息，以从中提取个人的职业发展路径信息。
于本发明的一实施例中，所述薪水值是根据各所述职位的真实薪水值通过关联计算方式计算获得的相对薪水值。
于本发明的一实施例中，所述转移概率值的获取方式包括：从所采集招聘信息中提取相关职位技能要求；通过比较来得到各职位间的职位技能要求的相似度作为转移概率值的计算依据之一；以及/或者，对所采集人群的网络采集简历信息中提取职业发展路径信息进行职位间转移情况的统计，将统计结果作为所述转移概率值的计算依据之一。
为实现上述目的及其他相关目的，本发明提供一种职位估值系统，包括：系统定义模块，用于对存在相互跳槽可能的多个职位均定义职位估值变量和未来增值变量，且所述职位估值变量定义为该职位的薪水值与未来增值变量的和；概率获取模块，用于获取所述每个职位分别向其它各职位跳槽或留在原职位的转移概率；估值计算模块，用于通过预设的各职位未来增值变量和其它职位的职位估值变量关联关系来计算得到各个职位的职位估值变量的确定值，其中，所述关联关系包括：获取一当前职位与各所述职位的职位估值变量之差作为预设变量，并以当前职位向各所述职位的转移概率作为该预设变量的权重值，并将据以计算的加权和作为所述当前职位的未来增值变量。
于本发明的一实施例中，所述估值计算模块的通过预设的各职位未来增值变量和其它职位的职位估值变量关联关系来计算得到各个职位的职位估值变量的确定值，包括：选择一初始的n维向量V(n)来表示n个职位的职位估值变量；根据所述关联关系迭代计算所述V(n)；判断V(n)-V(n-1)是否小于容许容许误差，若是，则证明V(n)已经接近收敛的稳定状态，从而计算职位估值变量在稳定状态下的职位估值变量。
于本发明的一实施例中，所述的职位估值系统，还包括：信息采集模块，用于从网络采集招聘信息，以从中提取各所述职位及薪水值的信息；以及/或者，用于从网络采集简历信息，以从中提取个人的职业发展路径信息。
于本发明的一实施例中，所述薪水值是根据各所述职位的真实薪水值通过关联计算方式计算获得的相对薪水值。
于本发明的一实施例中，所述概率获取模块获取所述转移概率值的方式包括：从所采集招聘信息中提取相关职位技能要求；通过比较来得到各职位间的职位技能要求的相似度作为转移概率值的计算依据之一；以及/或者，对所采集人群的网络采集简历信息中提取职业发展路径信息进行职位间转移情况的统计，将统计结果作为所述转移概率值的计算依据之一。
如上所述，本发明的职位估值方法及系统，对存在相互跳槽可能的多个职位均定义职位估值变量和未来增值变量，且所述职位估值变量定义为该职位的薪水值与未来增值变量的和；获取所述每个职位分别向其它各职位跳槽或留在原职位的转移概率；通过预设的各职位未来增值变量和其它职位的职位估值变量关联关系来计算得到各个职位的职位估值变量的确定值，其中，所述关联关系包括：获取一当前职位与各所述职位的职位估值变量之差作为预设变量，并以当前职位向各所述职位的转移概率作为该预设变量的权重值，并将据以计算的加权和作为所述当前职位的未来增值变量。
本发明的职位估值计算方法打破了现有招聘工具和算法的局限，并融入了用户在职位上的成长和由此职位可能带来的所有的职业发展路径信息，基于真实的数据和职业路径分析，推导出了职业价值计算方式，不同于简单的职位匹配计算方法，本发明的技术方案的更加贴合用户职业规划的实际，考虑了职位的真实价值，应当包含职位的当前薪水和未来的成长空间，通过本发明的技术方案，人们可以为每一个在求职位赋予一个真实价值并据此进行最优职位的筛选和排序。
本发明的职位估值计算方法是基于职位发展路径和职位关系网络的图计算法，因而，对于职位估值的计算准确覆盖了所有可能的职位发展的路径和可能性；用户将不再局限于自己有限的经验对自己的职业发展进行规划。
并且，基于本发明的职位估值算法，配合现有的职业匹配算法，便可以为用户排序筛选出最匹配且最贴合实际的职位和未来发展规划。
附图说明
图1显示为本发明于一实施例中的职位估值方法的流程示意图。
图2显示为本发明于一实施例中职位估值的计算原理示意图。
图3显示为本发明于一实施例中的职位估值系统的模块示意图。
图4显示为图2实施例基础上进行参数赋值的具体实施例的示意图。
图5a及5b显示为本发明的多个具体应用实施例的示意图。
元件标号说明
1 职位估值系统
11 系统定义模块
12 概率获取模块
13 估值计算模块
S1～S3 步骤
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
请参阅图1，本发明提供一种职位估值方法，包括：
步骤S1：对存在相互跳槽可能的多个职位均定义职位估值变量，且所述职位估值变量定义为该职位的薪水值与未来增值变量的和；
步骤S2：获取所述每个职位分别向其它各职位跳槽或留在原职位的转移概率；
步骤S3：通过预设的各职位未来增值变量和其它职位的职位估值变量关联关系来计算得到各个职位的职位估值变量的确定值，其中，所述关联关系包括：获取一当前职位与各所述职位的职位估值变量之差作为预设变量，并以当前职位向各所述职位的转移概率作为该预设变量的权重值，并将据以计算的加权和作为所述当前职位的未来增值变量。
具体说明上述方法的原理，为了给一个职位计算一个合理估值；职位估值的计算定义了如下三个公式：
职位估值＝当前薪水+未来增值 (1a)
未来增值＝∑所有可能晋升(跳槽)的职位晋升(跳槽)概率×晋升(跳槽)增值 (1b)
∑所有可能晋升(跳槽)的职位晋升(跳槽)概率＝1 (1c)
其中，“Σ”代表求和符号；未来增值是指，求职者经过应聘职位的工作后，未来在该职位或其他职位获得的增值；在一实施例中，一个职位的未来增值是在所有可能职位发展路径上的加权平均，未来增值是每一个职位隐性价值的评判指标，也同时提供给了求职者长远职业规划的一个依据。
图2显示了一个职位关系图，假设由3个职位构建的职位关系网，其中，A，B，C代表三种相关联的职位，相互之间存在跳槽可能，构成了多种可能的职业发展路径信息，即职业间转移的路径。
以职位A为例：
S1＝A职位现有提供的薪水
ΔV1＝在A职位从起点开始获取足够经验值和能力后可以得到的职位增值
V1＝A职位的真实价值
依据职位估值计算公式(1a)，实际上A职位的估值为V1＝S1+ΔV1。
以此类推，B职位的估值为V2，C职位的估值为V3，那么：
职位B：薪水S2，未来增值为ΔV2，估值为V3＝S3+ΔV3；
职位C：薪水S3，未来增值为ΔV3，估值为V3＝S3+ΔV3。
按照图示描述的关系，目前拥有A职位工作能力和经验的人可能的下一步职位选择有3种可能性(继续留在A职位；跳槽至B职位；跳槽至C职位)，那么职位转移的概率就有两部分组成：跳槽的其他职位的概率总和，以及留在原职位的概率；跳槽概率的大小取决于从原职位跨到其它职位带来的增值以及付出的成本：
P11＝继续留在A职位的概率；
P12＝跳槽至B职位的概率；
P13＝跳槽至C职位的概率；
其中，根据公式(1c)有：
P11+P12+P13＝1
根据公式(1b)，A职位的职位增值ΔV1可以通过下述计算公式得出：
ΔV1＝P11(V1-V1)+P12(V2-V1)+P13(V3-V1)
＝P11V1+P12V2+P13V3-(P11+P12+P13)V1
＝P11V1+P12V2+P13V3-V1
根据上述举例来推广至n维，已知：职位(i)的当前薪水为Si，未来可能增值为ΔVi，从职位(i)应聘到职位(j)的可能性为Pij；i,j为n个职位中的任意2个职位。
依照前述职位公式计算，可以推算得出：
Vi＝Si+ΔVi(i＝1,…,n) (2a)
公式(2a)、(2b)用向量表示简写为：
V＝S+ΔV(3a)
ΔV＝PV-V (3b)
合并公式(3a)、(3b)得出：
为求解公式(4)，选择一个初始向量V(0)，将右方不断迭代乘积下去，这里，迭代N次后的结果为
优选但非必要的，以判断||V(N)-V(N-1)||是否小于容许误差为条件，如果小于，证明V已经接近收敛的稳定状态，即能获得稳定解V；若不小于，则继续迭代计算。
从上述可知，转移概率值和职位的薪水值为定值，其获取方式例如以下所述：
在一实施例中，关于所述薪水值的获得，可以通过采集并整合各大招聘网站和知名企业的招聘主页的代求职位信息(包含薪水，职位职责与要求等基础信息)；优选的，为便于计算，上述公式中的薪水值可以是根据各所述职位的真实薪水值通过关联计算方式计算获得的相对薪水值，例如各职位的真实薪水值同一个选定值(例如各真实薪水值中的最高薪水值)的比值，具体的，如职位1的真实薪水为2000，职位2的真实薪水为3000，各职位中最高真实薪水为5000，则职位1的相对薪水值为0.4，职位2的相对薪水值为0.6。
在一实施例中，关于所述转移概率值的获取方式包括：(1)从所采集招聘信息中提取相关职位技能要求；通过比较来得到各职位间的职位技能要求的相似度作为转移概率值的计算依据之一，职位技能要求越相似的情况下，则可认为转移概率值越高，反之，则认为转移概率值越低，由于转移概率值和留在原职位的概率值之和为100％，因此得到转移概率值即等于获得留在原职位的概率值；(2)对所采集人群的网络采集简历信息中提取职业发展路径信息进行职位间转移情况的统计，将统计结果作为所述转移概率值的计算依据之一，例如，5个人中，有3个人从A职位跳槽至B职位，而其余两个人从A职位跳到C职位等，这样的对人群统计的信息亦可作为转移概率值计算的依据；上述计算方式的的具体规则可自行设定或实验设定，此处不作进一步赘述；并且，该两种方式可以共同使用作为获得转移概率值的依据，也可以单独使用来获得所述转移概率值。
进一步优选的，所述职位技能要求的相似度可以根据前述采集的职位信息，进行文字、语义识别再进行比对后计算得到；为支持进行该比对，可建立职位技能词库，将所采集的各种用于职位技能描述的近义词、同义词等归类放置，并可定义词与词之间的相似度要素，用于计算所述相似度。
与上述方法实施例相对应的，如图3所示，本发明提供一种职位估值系统1，由于其原理与所述方法实施例大致相同，因此相同的技术细节不再重复赘述；所述系统1包括：系统定义模块11，用于对存在相互跳槽可能的多个职位均定义职位估值变量，且所述职位估值变量定义为该职位的薪水值与未来增值变量的和；概率获取模块12，用于获取所述每个职位分别向其它各职位跳槽或留在原职位的转移概率；估值计算模块13，用于通过预设的各职位未来增值变量和其它职位的职位估值变量关联关系来计算得到各个职位的职位估值变量的确定值，其中，所述关联关系包括：获取一当前职位与各所述职位的职位估值变量之差作为预设变量，并以当前职位向各所述职位的转移概率作为该预设变量的权重值，并将据以计算的加权和作为所述当前职位的未来增值变量。
于本发明的一实施例中，所述估值计算模块13的通过预设的各职位未来增值变量和其它职位的职位估值变量关联关系来计算得到各个职位的职位估值变量的确定值，包括：选择一初始的n维向量V(n)来表示n个职位的职位估值变量；根据所述关联关系迭代计算所述V(n)；判断V(n)-V(n-1)是否小于容许容许误差，若是，则证明V(n)已经接近收敛的稳定状态，从而计算职位估值变量在稳定状态下的职位估值变量。
于本发明的一实施例中，所述的职位估值系统1，还包括：信息采集模块，用于从网络采集招聘信息，以从中提取各所述职位及薪水值的信息；以及/或者，用于从网络采集简历信息，以从中提取个人的职业发展路径信息。
于本发明的一实施例中，所述薪水值是根据各所述职位的真实薪水值通过关联计算方式计算获得的相对薪水值。
于本发明的一实施例中，所述概率获取模块12获取所述转移概率值的方式包括：从所采集招聘信息中提取相关职位技能要求；通过比较来得到各职位间的职位技能要求的相似度作为转移概率值的计算依据之一；以及/或者，对所采集人群的网络采集简历信息中提取职业发展路径信息进行职位间转移情况的统计，将统计结果作为所述转移概率值的计算依据之一。
以下再举一具体实例说明本发明的应用：
请参阅图4，为了更好的阐述职位估值和职位薪水的差异，提供的是在图1实施例的基础上对各个职位的薪水S和转移概率P进行具体赋值后计算的实例；
具体赋值内容如下：
拥有职位A所需职位能力和工作经验的人有P11＝10％的可能性继续留任职位A，有P12＝70％的的可能性换到职位B，有P13＝20％的可能性换到职位C；
拥有职位B所需职位能力和工作经验的人有P22＝80％的可能性继续留任职位B，有P23＝20％的可能性换到职位C；
拥有职位C所需职位能力和工作经验的人有P33＝50％的可能性继续留任职位C，有P31＝40％的可能性换到职位A，有P32＝10％的可能性换到职位B；
三种职位的相对薪水i分别为S1＝0.6,S2＝1,S3＝0.7。
那么，根据公式(2a)和(2b)，
V1＝S1+ΔV1＝0.6+0.1V1+0.7V2+0.2V3-V1
V2＝S2+ΔV2＝1+0.8V2+0.2V3-V2
V3＝S3+ΔV3＝0.7+0.4V1+0.1V2+0.5V3-V3
联立以上方程组可得：
V1＝0.744
V2＝0.955
V3＝0.729
根据上述职位估值算法，职位A>职位C(按照职位估值排序)
但如果仅按照现有的通过薪水来衡量职位价值，则职位C>职位A(按照薪水价值排序)，因此，通过本发明的职位估值方式得到的估值结果要比现有的职位估值方式更加具有参考价值。
需说明的是，上述方法实施例或系统可通过软件实现，应用于例如网站或软件客户端等，例如图5a所示，展示的是应用本发明技术方案的例如招聘网站，将本发明的技术方案配合现有的网络技术即可展现于html网页；再或者如图5b所示，通过例如智能手机、平板电脑等移动终端装载的APP应用程序实现，因此，本发明的技术方案可应用于各种互联网络、电子终端等，具有高度的商用价值。
综上所述，本发明的职位估值方法及系统，对存在相互跳槽可能的多个职位均定义职位估值变量和未来增值变量，且所述职位估值变量定义为该职位的薪水值与未来增值变量的和；获取所述每个职位分别向其它各职位跳槽或留在原职位的转移概率；通过预设的各职位未来增值变量和其它职位的职位估值变量关联关系来计算得到各个职位的职位估值变量的确定值，其中，所述关联关系包括：获取一当前职位与各所述职位的职位估值变量之差作为预设变量，并以当前职位向各所述职位的转移概率作为该预设变量的权重值，并将据以计算的加权和作为所述当前职位的未来增值变量。
本发明的职位估值计算方法打破了现有招聘工具和算法的局限，并融入了用户在职位上的成长和由此职位可能带来的所有的职业发展路径信息，基于真实的数据和职业路径分析，推导出了职业价值计算方式，不同于简单的职位匹配计算方法，本发明的技术方案的更加贴合用户职业规划的实际，考虑了职位的真实价值，应当包含职位的当前薪水和未来的成长空间，通过本发明的技术方案，人们可以为每一个在求职位赋予一个真实价值并据此进行最优职位的筛选和排序。
本发明的职位估值计算方法是基于职位发展路径和职位关系网络的图计算法，因而，对于职位估值的计算准确覆盖了所有可能的职位发展的路径和可能性；用户将不再局限于自己有限的经验对自己的职业发展进行规划。
并且，基于本发明的职位估值算法，配合现有的职业匹配算法，便可以为用户排序筛选出最匹配且最贴合实际的职位和未来发展规划。
本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种职位估值方法，其特征在于，包括：
对存在相互跳槽可能的多个职位均定义职位估值变量和未来增值变量，且所述职位估值变量定义为该职位的薪水值与未来增值变量的和；
获取所述每个职位分别向其它各职位跳槽或留在原职位的转移概率；
通过预设的各职位未来增值变量和其它职位的职位估值变量关联关系来计算得到各个职位的职位估值变量的确定值，其中，所述关联关系包括：获取一当前职位与各所述职位的职位估值变量之差作为预设变量，并以当前职位向各所述职位的转移概率作为该预设变量的权重值，并将据以计算的加权和作为所述当前职位的未来增值变量。
2.根据权利要求1所述的职位估值方法，其特征在于，所述通过预设的各职位未来增值变量和其它职位的职位估值变量关联关系来计算得到各个职位的职位估值变量的确定值，包括：
选择一初始的n维向量V(n)来表示n个职位的职位估值变量；
根据所述关联关系迭代计算所述V(n)；
判断V(n)-V(n-1)是否小于容许误差，若是，则证明V(n)已经接近收敛的稳定状态，从而计算职位估值变量在稳定状态下的职位估值变量。
3.根据权利要求1所述的职位估值方法，其特征在于，还包括：从网络采集招聘信息，以从中提取各所述职位及薪水值的信息；以及/或者，从网络采集简历信息，以从中提取个人的职业发展路径信息。
4.根据权利要求1或3所述的职位估值方法，其特征在于，所述薪水值是根据各所述职位的真实薪水值通过关联计算方式计算获得的相对薪水值。
5.根据权利要求3所述的职位估值方法，其特征在于，所述转移概率值的获取方式包括：
从所采集招聘信息中提取相关职位技能要求；通过比较来得到各职位间的职位技能要求的相似度作为转移概率值的计算依据之一；
以及/或者，对所采集人群的网络采集简历信息中提取职业发展路径信息进行职位间转移情况的统计，将统计结果作为所述转移概率值的计算依据之一。
6.一种职位估值系统，其特征在于，包括：
系统定义模块，用于对存在相互跳槽可能的多个职位均定义职位估值变量和未来增值变量，且所述职位估值变量定义为该职位的薪水值与未来增值变量的和；
概率获取模块，用于获取所述每个职位分别向其它各职位跳槽或留在原职位的转移概率；
估值计算模块，用于通过预设的各职位未来增值变量和其它职位的职位估值变量关联关系来计算得到各个职位的职位估值变量的确定值，其中，所述关联关系包括：获取一当前职位与各所述职位的职位估值变量之差作为预设变量，并以当前职位向各所述职位的转移概率作为该预设变量的权重值，并将据以计算的加权和作为所述当前职位的未来增值变量。
7.根据权利要求6所述的职位估值系统，其特征在于，所述估值计算模块的通过预设的各职位未来增值变量和其它职位的职位估值变量关联关系来计算得到各个职位的职位估值变量的确定值，包括：
选择一初始的n维向量V(n)来表示n个职位的职位估值变量；
根据所述关联关系迭代计算所述V(n)；
判断V(n)-V(n-1)是否小于容许误差，若是，则证明V(n)已经接近收敛的稳定状态，从而计算职位估值变量在稳定状态下的职位估值变量。
8.根据权利要求6所述的职位估值系统，其特征在于，还包括：信息采集模块，用于从网络采集招聘信息，以从中提取各所述职位及薪水值的信息；以及/或者，用于从网络采集简历信息，以从中提取个人的职业发展路径信息。
9.根据权利要求6或8所述的职位估值系统，其特征在于，所述薪水值是根据各所述职位的真实薪水值通过关联计算方式计算获得的相对薪水值。
10.根据权利要求8所述的职位估值系统，其特征在于，所述概率获取模块获取所述转移概率值的方式包括：
从所采集招聘信息中提取相关职位技能要求；通过比较来得到各职位间的职位技能要求的相似度作为转移概率值的计算依据之一；
以及/或者，对所采集人群的网络采集简历信息中提取职业发展路径信息进行职位间转移情况的统计，将统计结果作为所述转移概率值的计算依据之一。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510760266.0A CN106682802A (zh) | 2015-11-10 | 2015-11-10 | 职位估值方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510760266.0A CN106682802A (zh) | 2015-11-10 | 2015-11-10 | 职位估值方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106682802A true CN106682802A (zh) | 2017-05-17 |
Family
ID=58863654
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510760266.0A Pending CN106682802A (zh) | 2015-11-10 | 2015-11-10 | 职位估值方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106682802A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11188834B1 (en) * | 2016-10-31 | 2021-11-30 | Microsoft Technology Licensing, Llc | Machine learning technique for recommendation of courses in a social networking service based on confidential data |
| CN115526590A (zh) * | 2022-09-16 | 2022-12-27 | 深圳今日人才信息科技有限公司 | 一种结合专家知识和算法的高效人岗匹配与复推方法 |
-
2015
- 2015-11-10 CN CN201510760266.0A patent/CN106682802A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11188834B1 (en) * | 2016-10-31 | 2021-11-30 | Microsoft Technology Licensing, Llc | Machine learning technique for recommendation of courses in a social networking service based on confidential data |
| CN115526590A (zh) * | 2022-09-16 | 2022-12-27 | 深圳今日人才信息科技有限公司 | 一种结合专家知识和算法的高效人岗匹配与复推方法 |
| CN115526590B (zh) * | 2022-09-16 | 2023-08-04 | 深圳今日人才信息科技有限公司 | 一种结合专家知识和算法的高效人岗匹配与复推方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102591942B (zh) | 一种应用自动推荐的方法及装置 | |
| CN103714084B (zh) | 推荐信息的方法和装置 | |
| CN103886048B (zh) | 一种基于聚类的增量数字图书推荐方法 | |
| CN109360097A (zh) | 基于深度学习的股票预测方法、装置、设备及存储介质 | |
| CN109190023A (zh) | 协同推荐的方法、装置及终端设备 | |
| US20160364393A1 (en) | Search method and system | |
| CN107688606A (zh) | 一种推荐信息的获取方法及装置，电子设备 | |
| CN109711925A (zh) | 具有多个辅助域的跨域推荐数据处理方法、跨域推荐系统 | |
| CN104424296A (zh) | 查询词分类方法和装置 | |
| CN106503269A (zh) | 应用推荐的方法、装置及服务器 | |
| CN111723292B (zh) | 基于图神经网络的推荐方法、系统、电子设备及存储介质 | |
| CN103744849A (zh) | 一种应用自动推荐的方法及装置 | |
| CN110532417A (zh) | 基于深度哈希的图像检索方法、装置及终端设备 | |
| CN103034687B (zh) | 一种基于2‑类异质网络的关联模块识别方法 | |
| CN109101938A (zh) | 一种基于卷积神经网络的多标签年龄估计方法 | |
| CN110033331A (zh) | 一种优惠券的发放方法、系统及终端设备 | |
| CN110852785B (zh) | 用户分级方法、装置及计算机可读存储介质 | |
| CN107656918B (zh) | 获取目标用户的方法及装置 | |
| CN110191183A (zh) | 精准智能推送方法、系统、装置及计算机可读存储介质 | |
| CN110110226A (zh) | 一种推荐算法、推荐系统及终端设备 | |
| CN112785005A (zh) | 多目标任务的辅助决策方法、装置、计算机设备及介质 | |
| CN105786810B (zh) | 类目映射关系的建立方法与装置 | |
| CN108770002A (zh) | 基站流量分析方法、装置、设备及存储介质 | |
| CN114881712A (zh) | 智能广告投放方法、装置、设备及存储介质 | |
| CN104778205B (zh) | 一种基于异构信息网络的移动应用排序和聚类方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170517 |