CN114331380A - 职业流动关系的预测方法、系统、设备及存储介质 - Google Patents
职业流动关系的预测方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN114331380A CN114331380A CN202111674402.6A CN202111674402A CN114331380A CN 114331380 A CN114331380 A CN 114331380A CN 202111674402 A CN202111674402 A CN 202111674402A CN 114331380 A CN114331380 A CN 114331380A
- Authority
- CN
- China
- Prior art keywords
- target
- post
- posts
- representation
- flow
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012512 characterization method Methods 0.000 claims description 64
- 239000013598 vector Substances 0.000 claims description 42
- 239000011159 matrix material Substances 0.000 claims description 39
- 238000010586 diagram Methods 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 8
- 230000001755 vocal effect Effects 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 3
- 239000012530 fluid Substances 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 18
- 238000004458 analytical method Methods 0.000 abstract description 7
- 230000008569 process Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 5
- 230000005484 gravity Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000007115 recruitment Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种职业流动关系的预测方法、系统、设备及存储介质，涉及数据处理领域，尤其涉及大数据处理领域。具体实现方案为：获取待确定流动关系的两个目标岗位后，针对各目标岗位，计算各个目标岗位在其目标相邻岗位视角下的第一相对表征，进而得到该目标岗位的独立表征，之后基于预设的流动关系预测公式和两个目标岗位的独立表征，获得两个目标岗位之间是否存在职业流动关系的预测结果。应用本公开实施例，通过基于大量职业数据构建职业流动图，并基于职业流动图以及预设流动关系预测公式进行职业流动关系预测，无需依靠人工经验分析，在实现从宏观上对全局的职业流动进行预测的同时，提高了职业流动预测的可靠性。
Description
技术领域
本公开涉及数据处理技术领域，尤其涉及大数据处理技术领域。
背景技术
目前，各个领域都开始使用大数据处理技术对数据进行分析和预测。数据分析的结果可以应用于对应领域的网络服务中。例如：招聘网站，可以对劳动力市场数据进行分析，主要包括对用户简历中的职位、公司等大数据进行数据处理和职业分析，基于数据处理和数据分析的结果，为企业提供更好的数据支持，并为求职者提供更适合的职业推荐等等。
发明内容
本公开提供了一种用于确认不同岗位之间是否存在流动关系的职业流动关系的预测方法、系统、设备及存储介质。
根据本公开的一方面，提供了一种职业流动关系的预测方法，包括：
获得待确定流动关系的两个目标岗位；
基于预先存储的职业流动图，针对每个目标岗位，获得已与该目标岗位具有职业流动关系的目标相邻岗位，以及目标岗位与目标相邻岗位之间的平均任期时长；
针对每个目标岗位，基于该目标岗位的第一原始特征、目标相邻岗位的第二原始特征，和该目标岗位与目标相邻岗位之间的平均任期时长，计算各个目标相邻岗位视角下，该目标岗位的至少一个第一相对表征；
针对每个目标岗位，基于该目标岗位的各个第一相对表征，得到该目标岗位的独立表征；
基于预设的流动关系预测公式和两个目标岗位的独立表征，对两个目标岗位进行流动预测，获得两个目标岗位之间是否存在职业流动关系的预测结果。
根据本公开的另一方面，提供了一种职业流动预测系统，包括：编码器和解码器；
所述编码器，用于获得待确定流动关系的两个目标岗位；基于预先存储的职业流动图，针对每个目标岗位，获得已与该目标岗位具有职业流动关系的目标相邻岗位，以及目标岗位与目标相邻岗位之间的平均任期时长；针对每个目标岗位，基于该目标岗位的第一原始特征、目标相邻岗位的第二原始特征，和该目标岗位与目标相邻岗位之间的平均任期时长，计算各个目标相邻岗位视角下，该目标岗位的至少一个第一相对表征；针对每个目标岗位，基于该目标岗位的各个第一相对表征，得到该目标岗位的独立表征；
所述解码器，包括：职业流动预测模块；所述职业流动预测模块用于基于预设的流动关系预测公式和两个目标岗位的独立表征，对两个目标岗位进行流动预测，获得两个目标岗位之间是否存在职业流动关系的预测结果。
根据本公开的另一方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的职业流动关系的预测方法。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行上述所述的职业流动关系的预测方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现上述所述的职业流动关系的预测方法。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1a是根据本公开提供的职业流动关系的预测方法的第一实施例的示意图；
图1b是本公开实施例中计算一岗位视角下另一岗位的高斯表征的示意图；
图2是根据本公开提供的职业流动关系的预测方法的第二实施例的示意图；
图3是根据本公开提供的职业流动关系的预测方法的第三实施例的示意图；
图4是根据本公开提供的职业流动关系的预测方法的第四实施例的示意图；
图5是根据本公开提供的职业预测系统的第一实施例的示意图；
图6是根据本公开提供的职业预测系统的第二实施例的示意图；
图7是根据本公开提供的职业预测系统的第三实施例的示意图；
图8是用来实现本公开实施例的职业流动关系的预测方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
职业流动即人员在不同岗位或公司之间的转移，现有技术中，通常是由人工围绕小样本的流调数据进行经验性的分析。而由于仅仅局限于对少量流调数据的观察分析，缺乏大数据的支持，因此，现有技术无法基于大数据从宏观上对劳动力市场进行建模，更无法确定人员在岗位或公司之间的转移情况。
另外，由于现有技术完全依赖人工的经验性分析，因此无法开展定量研究，更无法对职业流动进行预测。
为了解决现有技术中存在的以上问题，本公开提供了一种职业流动关系的预测方法、系统、设备及存储介质。下面首先对本公开提供的职业流动关系的预测方法进行介绍。
参见图1a，图1a是根据本公开提供的职业流动关系的预测方法的第一实施例的示意图，该方法可以包括以下步骤：
步骤S110，获得待确定流动关系的两个目标岗位；
步骤S120，基于预先存储的职业流动图，针对每个目标岗位，获得已与该目标岗位具有职业流动关系的目标相邻岗位，以及目标岗位与目标相邻岗位之间的平均任期时长。
在本公开的一种实施例中，上述职业流动图可以是有向图，可以采用如下步骤预先存储：
步骤一，获取在线职业网站的简历数据。
本公开实施例中，上述简历数据可以从开源的公开数据集，例如，可以从在线职业网络(OPNs)网站数据中收集大量的简历数据。
作为本公开实施例的一种具体实施方式，在获取到上述简历数据后，可以针对各简历数据，从中抽取职业路径信息，即按时间顺序抽取简历中的每一段职业经历。本实施例中，针对每段职业经历，可以对该职业经历中的公司、岗位以及任期信息进行保存，例如，针对各个职业经历，可以保存该职业经历中的公司名称、岗位名称以及任期时长信息，该任期时长可以以年为单位。
步骤二，按照预设关键词表要求的内容，从简历数据的原始记录中，提取符合关键词表要求的岗位关键词，生成统一格式的岗位名称，作为职业流动图的节点(g)。
在本公开的一种实施例中，可以设置三类关键词表，分别为：功能词、职能词以及等级词。其中，功能词可以是指项目或产品，如：图像处理或手机机壳设计等等；职能词可以指主要的工作内容，如：测试或研发等等；等级词可以指职位的等级，如：初级工程师或高级工程师等等。
本实施例中，可以通过从原始记录中抽取这些关键词来匹配对齐错综复杂的岗位名称表示。具体的，可以先从简历数据的原始记录中的岗位信息中抽取这些关键词。再将这三类关键词一致的岗位，确定为同一岗位。例如：从多份简历中的岗位信息中，抽取出的关键词都是：图像处理、测试、高级工程师，则它们属于同一岗位。之后，可以基于岗位信息及对应的公司名称，生成统一格式的岗位名称。例如：岗位名称可以是：公司名称+岗位信息(例如，岗位信息关键词)。
基于上述三类关键词表，针对上述保存的各个公司、岗位信息，提取相应的岗位关键词，从而可以采用统一的格式对复杂多样岗位名称进行匹配，提高后续数据处理的便利性。
本公开实施例中，可以将特定公司的特定岗位作为节点，来构建职业流动图。例如，可以将A公司的a岗位作为一个节点，将A公司的b岗位作为一个节点，将B公司的a岗位作为一个节点。
步骤三，从所述简历数据中，抽取不同岗位之间的职业流动路径作为职业流动图的有向边(e)，并将一个岗位到另一个岗位的平均任期时长作为有向边的权重。
如上所述，本公开实施例中，上述职业流动图可以为有向图，该有向图中，两个节点之间的边就代表着对应的两个岗位之间存在职业流动关系，边的方向就可以代表职业流动的方向。例如，节点A到节点B的边就代表岗位A与岗位B存在从岗位A流向岗位B的流动关系，该有向边的权重就可以是各员工从岗位A到岗位B流动时，在岗位A上的平均任期时长。
本公开实施例中，在获取到上述目标岗位后，就可以基于上述预先存储的职业流动图，获取与该目标岗位匹配的节点。作为一种实施例，可以是针对目标节点，基于上述关键词表进行关键词提取，并基于目标岗位的公司、关键词和职业流动图中各节点的关键词，获取与目标岗位匹配的节点，该匹配的节点的相邻节点即为目标岗位的相邻岗位。
如图1a所示，步骤S130，针对每个目标岗位，基于该目标岗位的第一原始特征、目标相邻岗位的第二原始特征，和该目标岗位与目标相邻岗位之间的平均任期时长，计算各个目标相邻岗位视角下，该目标岗位的至少一个第一相对表征。
在本公开的一种实施例中，可以预先针对上述分类词表中的关键词设置编码规则，在针对目标岗位进行关键词提取后，可以将提取的目标岗位关键词按照上述编码规则进行编码，从而得到目标岗位的独热码，作为目标岗位的第一原始特征。
上述目标相邻岗位的第二原始特征则可以是，从上述职业流动图中获取的目标相邻岗位的独热码。
步骤S140，针对每个目标岗位，基于该目标岗位的各个第一相对表征，得到该目标岗位的独立表征。
本公开实施例中，可以将目标岗位的各第一相对表征进行融合，来得到该目标岗位的独立表征。
步骤S150，基于预设的流动关系预测公式和两个目标岗位的独立表征，对两个目标岗位进行流动预测，获得两个目标岗位之间是否存在职业流动关系的预测结果。
可见，本公开实施例提供的职业流动预测方法，获取待确定流动关系的两个目标岗位后，针对每个目标岗位，基于预存的职业流动图，获取与该目标岗位具有职业流动关系的目标相邻岗位，以及目标岗位与目标相邻岗位之间的平均任期时长，并基于目标岗位的第一原始特征、目标相邻岗位的第二原始特征以及目标岗位与目标相邻岗位之间的平均任期时长，计算各个目标岗位在其目标相邻岗位视角下的至少一个第一相对表征，之后，针对各个目标岗位，基于该目标岗位的各个第一相对表征，得到该目标岗位的独立表征，之后基于预设的流动关系预测公式和两个目标岗位的独立表征，获得两个目标岗位之间是否存在职业流动关系的预测结果。应用本公开实施例，通过基于大量职业数据构建职业流动图，并基于职业流动图以及预设流动关系预测公式进行职业流动关系预测，无需依靠人工经验分析，在实现从宏观上对全局的职业流动进行预测的同时，提高了职业流动预测的可靠性。
进一步的，本公开实施例提供的方法可以更好的支持下游预测性任务，如职业推荐、职业路径规划等等。
在本公开的一种实施例中，在获取上述第一相对表征时，可以采用以下步骤获取：
步骤1，针对每个目标岗位，基于该目标岗位的第一原始特征、目标相邻岗位的第二原始特征，和该目标岗位到各个目标相邻岗位的平均任期时长，提取每个目标岗位的第一隐式表征和每个目标相邻岗位的第二隐式表征。
本公开实施例中，可以使用GCN网络对各目标岗位以及各目标岗位的目标相邻岗位进行隐式表征提取。
GCN(Graph Convolutional networks,图卷积神经网络)可以处理图结构数据，并可针对图中的各个节点，将其相邻节点的信息进行聚合，从而提取节点的特征。
本公开实施例中，可以将上述职业流动图输入至GCN网络，由GCN网络针对各目标岗位对应的目标岗位节点、目标相邻岗位对应的目标相邻岗位节点以及目标岗位节点到目标相邻岗位节点的边的权重，聚合各目标相邻岗位节点的信息，得到目标岗位节点的隐式表征，也就是得到目标岗位的第一隐式表征。
计算各目标相邻岗位的第二隐式表征的过程可以参考计算目标岗位的第一隐式表征的过程，此处不再赘述。
步骤2，基于每个目标岗位的第一隐式表征和每个目标相邻岗位的第二隐式表征，计算各个目标相邻岗位视角下，该目标岗位的至少一个第一相对表征。
可见，本公开实施例中，在计算各目标岗位的第一相对表征时，会使用GCN网络学习其相邻岗位的表征，从而可以使得第一表征中包含更多的信息。
本公开实施例中，上述各表征均可以是向量形式。
本公开实施例中，上述目标岗位的第一相对表征具体可以是一种高斯表征。具体的，可以采用以下步骤计算目标岗位的第一相对表征：
步骤①，针对每个目标岗位，将其第一隐式表征分别与各个目标相邻岗位的第二隐式表征进行拼接，得到与目标相邻岗位数量相同个第一拼接表征。
本公开实施例中，在计算目标岗位在其各个目标相邻岗位视角下的第一相对表征时，可以将目标岗位的第一隐式表征分别与各目标相邻岗位的第二隐式表征进行顺序拼接，来得到第一拼接表征。
例如，若目标岗位A的第一隐式表征为ha，其某个目标相邻岗位B的第二隐式表征为hb(ha、hb均为向量)，那么在计算目标相邻岗位B视角下的目标岗位A的第一相对表征时，就可以将ha、hb顺序拼接作为第一拼接表征，即将hahb作为第一拼接表征。
步骤②，分别将每个第一拼接表征与预设的高斯分布权重矩阵相乘，得到与目标相邻岗位相同数量个高斯表征，分别作为第一相对表征。
具体的，上述第一相对表征可以是上述第一拼接表征的高斯分布的均值和方差，该高斯分布即为拼接时尾节点视角下的头节点表征。
相应的，本公开实施例中，上述高斯分布权重矩阵，可以包括：均值权重矩阵和方差权重矩阵。
本公开实施例中，上述均值权重矩阵和方差权重矩阵均为可学习的权重矩阵。
因此，上述步骤②具体可以是：
将每个第一拼接表征分别与所述均值权重矩阵和方差权重矩阵相乘，得到与目标相邻岗位相同数量个高斯表征，作为第一相对表征。
如图1b所示，基于上述步骤①中的举例，在计算目标相邻岗位B视角下的目标岗位A的第一相对表征时，可以针对上述第一拼接矩阵hahb，分别与均值权重矩阵Wμ和方差权重矩阵Wσ相乘，得到第一拼接矩阵的高斯分布的均值μa|b以及方差σa|b，并将上述均值与方差进行拼接，从而得到目标相邻岗位B视角下的目标岗位A的第一相对表征Za|b。
在本公开的一种实施例中，上述步骤①～步骤②可以由预训练的高斯表征获取模块实现，该高斯表征获取模块中可以包括上述可学习的均值权重矩阵以及方差权重矩阵。
如上所述，目标岗位的第一相对表征是第一拼接表征的高斯表征，而高斯分布可以很好地描述表征的不确定性，也就是说，本公开实施例中，在为每个目标岗位学习表征时，考虑到了职业流动过程中由于多种不确定因素产生的干扰，使得后续的职业流动预测更加准确。而利用高斯分布这种较精细的建模方式，来建模上述高斯表征获取模块可以捕捉职业流动中的不确定性，使得模型预测更加准确，且有较强的鲁棒性。
相应的，上述步骤S140就可以细化为：
针对每个目标岗位，将与目标相邻岗位相同数量个高斯表征，进行融合，得到该目标岗位的独立表征。
如上所述，本公开实施例中，上述第一相对表征可以是向量形式，因此，在对目标岗位的各高斯表征(第一相对表征)进行融合时，可以采用对各高斯表征向量中相同位置的数字取平均、加权平均等方法，得到目标岗位的独立表征。在使用加权平均的方法对各高斯表征向量进行融合时，各高斯表征向量的权重可以是，目标岗位节点到对应目标相邻岗位节点的边的权重。
而通过对目标岗位的各高斯表征进行融合得到目标岗位的独立表征，可以使得目标岗位学习到其各个相邻岗位的表征，降低职业流动中的不确定性对目标岗位独立表征的影响，从而使得独立表征可以更加准确地对目标岗位进行描述。
在本公开的一种实施例中，如图2所示，上述图1a中所示的步骤S150可以细化为以下步骤：
步骤S151，将两个目标岗位的独立表征转换为向量表示。
例如，上述各目标岗位的独立表征可以为64维的向量。
步骤S152，针对每个目标岗位的向量，从中拆出一个标量，作为该目标岗位的第一质量参数，该向量的剩余部分作为该目标岗位的第一位置参数，得到两个第一质量参数和两个第一位置参数。
本公开实施例中，可以从目标岗位的独立表征向量中任意选择一个标量来作为上述第一质量参数，将剩余部分作为第一位置参数。
基于上述步骤S151中的举例，可以选择64维向量中的最后一个数据作为目标岗位的第一质量参数，将剩下的63维向量作为第一位置参数。
步骤S153，将两个第一质量参数和两个第一位置参数输入基于万有引力思想预设的流动关系预测公式，对两个目标岗位进行流动预测，获得两个目标岗位之间是否存在职业流动关系的预测结果。
本公开实施例中，在预测两个目标岗位之间是否存在职业流动关系时，具体可以预测两个目标岗位之间是否存在职业流动关系以及职业流动的方向，这样使得职业流动的预测更加全面。
本公开实施例中，可以将岗位之间的职业流动类比于物理学中的万有引力，即用物体之间的相互吸引来模拟岗位之间的相互吸引。
具体的，本公开实施例中，上述基于万有引力(重力)思想预设的流动关系预测公式可以是：
该公式中，i,j分别为两个目标岗位的编号，eij则为目标岗位i到目标岗位j的流动关系(即两个目标岗位节点之间的边)，p(eij|vi,vj)可以代表目标岗位i到目标岗位j的存在流动关系的概率，
为目标岗位j的第一质量参数，λg为取值范围为0～1的常量，本公开实施例中，λg的具体取值可以人为选取；ri g，rj g则分别表示目标岗位i和目标岗位j的第一位置参数，
表示两个第一位置参数之间的距离的平方，σ则表示sigmold函数，该函数可以将输入数据的取值范围限制在0～1之间。
本公开实施例中，通过上述公式即可获得两个岗位之间存在流动关系的概率。
由上述公式可见，单次计算中只能计算从目标岗位i到目标岗位j的流动关系存在的概率，若要计算目标岗位j到目标岗位i的流动关系存在的概率，则可将公式中的i，j进行调换。
本公开实施例中，可以设置概率阈值，若计算出的目标岗位i到目标岗位j的流动关系存在的概率大于该概率阈值，则可确定存在目标岗位i到目标岗位j的流动关系，否则，则不存在。
本公开实施例中，通过将职业流动行为类比为一些常见的物理现象，可以使得本公开实施例提供的职业流动预测方法具有更好的可解释性。
在本公开的一种实施例中，在图1a基础上，如图3所示，上述职业流动预测方法还可以包括：
步骤S360，若所述两个目标岗位之间存在职业流动关系，则两个目标岗位为相邻岗位，基于两个目标岗位的第一原始特征，分别计算两个目标岗位在另一目标岗位视角下的第二相对表征。
两个目标岗位之间存在职业流动关系，也就是说，两个目标岗位节点之间存在边，因此，这两个目标岗位为相邻岗位。
本公开实施例中，上述第二相对表征，可以通过以下步骤计算：
基于两个目标岗位的第一隐式表征，分别计算两个目标岗位在另一目标岗位视角下的第二相对表征。
该步骤的执行过程，可以参考前述计算第一相对表征的过程。此处不再赘述。
具体的，在计算两个目标岗位在另一目标岗位视角下的第二相对表征，可以采用以下步骤计算：
步骤1，按第一方式和第二方式分别将两个目标岗位的第一隐式表征进行拼接，得到两个第二拼接表征；
步骤2，分别将每个第二拼接表征与预设的高斯分布权重矩阵相乘，得到两个高斯表征，分别作为第二相对表征。
类似于第一相对表征，第二相对表征为在另一目标岗位视角下，当前目标岗位的高斯表征。因此，本公开实施例中，在针对两个目标岗位得到其第二相对表征时，可以从两个方向对两个目标岗位的第一隐式进行拼接，从而可以分别针对两个目标岗位，获取另一目标岗位视角下，当前岗位的高斯表征。
例如，如图1b所示，若两个目标岗位的第一隐式表征分别为ha和hb，那么得到的两个第二拼接表征就可以是hahb和hbha。
如上所述，本公开实施例中，上述高斯分布权重矩阵，可以包括：均值权重矩阵和方差权重矩阵。因此，本公开实施例中，在计算第二相对表征时，可以是：
将每个第二拼接表征分别与所述均值权重矩阵和方差权重矩阵相乘，得到两个高斯表征，作为第二相对表征。
基于步骤2中的举例，参见图1b，将上述第二拼接表征hahb和hbha分别与均值权重矩阵Wμ和方差权重矩阵Wσ相乘，得到的两个高斯表征就可以是Za|b和Zb|a。
该步骤的具体执行过程，可以参考前述计算第一相对表征的具体过程，此处不再赘述。
步骤S370，基于预设的流动任期预测公式和两个目标岗位在另一目标岗位视角下的第二相对表征，对两个目标岗位进行任期预测，获得两个目标岗位之间流动任期的预测结果。
可见，本公开实施例中，不仅可以预测岗位之间是否存在职业流动以及职业流动的方向，针对可能存在的职业流动，还可以进一步的预测职业流动的任期时长，进一步提高了职业流动预测的全面性。
在本公开的一种实施例中，如图4所示，上述图3中所示的步骤S370可以被细化为以下步骤：
步骤S371，将两个目标岗位在另一目标岗位视角下的第二相对表征分别转换为向量表示；
步骤S372，针对每个第二相对表征的向量，从中拆出一个标量，作为该目标岗位的第二质量参数，该向量的剩余部分作为该目标岗位的第二位置参数，得到两个第二质量参数和两个第二位置参数；
步骤S373，将所述两个第二质量参数和第二位置参数输入基于物体做功思想预设的流动任期预测公式，对两个目标岗位进行任期预测，获得两个目标岗位之间流动任期的预测结果。
本公开实施例中，可以将目标岗位之间流动所需的时长类比为将当前目标岗位节点处的物体移动到另一目标岗位节点位置所需要做的功。
具体的，上述基于物体做功思想预设的流动任期预测公式可以是：
该公式中，i,j分别为两个目标岗位的编号，Wij可以代表目标岗位i到目标岗位j进行职业流动的任期时长，
为目标岗位i的第二质量参数，λe为取值范围为0～1的常量，本公开实施例中，λe的具体取值可以人为选取；
则分别表示目标岗位i和目标岗位j的第二位置参数，
表示两个第二位置参数之间的距离的平方。
本公开实施例中，基于上述流动任期预测公式获取的流动任期时长的单位可以是年。
本公开实施例中，通过基于物体做功思想确定流动任期预测公式，使得该公式具有较好的可解释性。
根据本公开实施例，本公开还提供了一种职业流动预测系统，如图5所示，该系统可以包括：编码器510和解码器520；
所述编码器510，可以用于获得待确定流动关系的两个目标岗位；基于预先存储的职业流动图，针对每个目标岗位，获得已与该目标岗位具有职业流动关系的目标相邻岗位，以及目标岗位与目标相邻岗位之间的平均任期时长；针对每个目标岗位，基于该目标岗位的第一原始特征、目标相邻岗位的第二原始特征，和该目标岗位与目标相邻岗位之间的平均任期时长，计算各个目标相邻岗位视角下，该目标岗位的至少一个第一相对表征；针对每个目标岗位，基于该目标岗位的各个第一相对表征，得到该目标岗位的独立表征；
所述解码器520，可以包括：职业流动预测模块521；
所述职业流动预测模块521，可以用于基于预设的流动关系预测公式和两个目标岗位的独立表征，对两个目标岗位进行流动预测，获得两个目标岗位之间是否存在职业流动关系的预测结果。
本公开实施例中，上述编码器510可以是基于不确定性表征的编码器，上述解码器520则可以是基于物理启发的解码器，上述职业流动预测模块521可以是基于重力启发的解码器。
可见，本公开实施例提供的职业流动预测系统，编码器获取待确定流动关系的两个目标岗位后，针对每个目标岗位，基于预存的职业流动图，获取与该目标岗位具有职业流动关系的目标相邻岗位，以及目标岗位与目标相邻岗位之间的平均任期时长，并基于目标岗位的第一原始特征、目标相邻岗位的第二原始特征以及目标岗位与目标相邻岗位之间的平均任期时长，计算各个目标岗位在其目标相邻岗位视角下的至少一个第一相对表征，之后，针对各个目标岗位，基于该目标岗位的各个第一相对表征，得到该目标岗位的独立表征，解码器中的职业流动预测模块基于预设的流动关系预测公式和两个目标岗位的独立表征，获得两个目标岗位之间是否存在职业流动关系的预测结果。应用本公开实施例，通过基于大量职业数据构建职业流动图，并基于职业流动图以及预设流动关系预测公式进行职业流动关系预测，无需依靠人工经验分析，在实现从宏观上对全局的职业流动进行预测的同时，提高了职业流动预测的可靠性。
在本公开的一种实施例中，上述职业流动预测模块521，可以用于将两个目标岗位的独立表征转换为向量表示；针对每个目标岗位的向量，从中拆出一个标量，作为该目标岗位的第一质量参数，该向量的剩余部分作为该目标岗位的第一位置参数，得到两个第一质量参数和两个第一位置参数；将两个第一质量参数和两个第一位置参数输入基于万有引力思想预设的流动关系预测公式，对两个目标岗位进行流动预测，获得两个目标岗位之间是否存在职业流动关系的预测结果。
本公开实施例中，上述职业流动预测模块中可以包括以下基于万有引力思想预设的流动关系预测公式：
该公式中，i,j分别为两个目标岗位的编号，eij则为目标岗位i到目标岗位j的流动关系(即两个目标岗位节点之间的边)，p(eij|vi,vj)可以代表目标岗位i到目标岗位j的存在流动关系的概率，
为目标岗位j的第一质量参数，λg为取值范围为0～1的常量，本公开实施例中，λg的具体取值可以人为选取；ri g，rj g则分别表示目标岗位i和目标岗位j的第一位置参数，
表示两个第一位置参数之间的距离的平方，σ则表示sigmold函数，该函数可以将输入数据的取值范围限制在0～1之间。
在本公开的一种实施例中，在图5的基础上，如图6所示，上述解码器520还可以包括流动任期预测模块522；
所述流动任期预测模块522，可以用于若所述两个目标岗位之间存在职业流动关系，则两个目标岗位为相邻岗位，基于两个目标岗位的第一原始特征，分别计算两个目标岗位在另一目标岗位视角下的第二相对表征；基于预设的流动任期预测公式和两个目标岗位在另一目标岗位视角下的第二相对表征，对两个目标岗位进行任期预测，获得两个目标岗位之间流动任期的预测结果。
在本公开的一种实施例中，所述流动任期预测模块522，基于预设的流动任期预测公式和两个目标岗位在另一目标岗位视角下的第二相对表征，对两个目标岗位进行任期预测，获得两个目标岗位之间流动任期的预测结果，可以包括：
将两个目标岗位的独立表征转换为向量表示；针对每个目标岗位的向量，从中拆出一个标量，作为该目标岗位的第一质量参数，该向量的剩余部分作为该目标岗位的第一位置参数，得到两个第一质量参数和两个第一位置参数；将两个第一质量参数和两个第一位置参数输入基于万有引力思想预设的流动关系预测公式，对两个目标岗位进行流动预测，获得两个目标岗位之间是否存在职业流动关系的预测结果。
本公开实施例中，上述流动任期预测模块中可以包括以下基于物体做功思想预设的流动任期预测公式：
该公式中，i,j分别为两个目标岗位的编号，Wij可以代表目标岗位i到目标岗位j进行职业流动的任期时长，
为目标岗位i的第二质量参数，λe为取值范围为0～1的常量，本公开实施例中，λe的具体取值可以人为选取；
则分别表示目标岗位i和目标岗位j的第二位置参数，
表示两个第二位置参数之间的距离的平方。
本公开实施例中，上述流动任期预测模块可以是基于做功启发的解码器。
在本公开的一种实施例中，所述职业流动图为有向图，职业流动图的节点为各个岗位名称，职业流动图的有向边为一个岗位到另一个岗位的流动关系，边的权重为平均任期时长；
如图6所示，所述编码器510，可以包括：预先存储的职业流动图511、隐层表征获取模块512和高斯表征获取模块513；
所述隐层表征获取模块512，可以用于基于该目标岗位的第一原始特征、目标相邻岗位的第二原始特征，和该目标岗位到各个目标相邻岗位的平均任期时长，利用预先训练的图卷积网络，提取每个目标岗位的第一隐式表征和每个目标相邻岗位的第二隐式表征；
本公开实施例中，上述隐层表征获取模块512可以基于上述预先存储的职业流动图511，获取目标岗位的目标相邻岗位以及该目标岗位到各个目标相邻岗位的平均任期时长。
所述高斯表征获取模块513，可以用于基于每个目标岗位的第一隐式表征和每个目标相邻岗位的第二隐式表征，计算各个目标相邻岗位视角下，该目标岗位的至少一个第一相对表征；和/或，
基于两个目标岗位的第一隐式表征，分别计算两个目标岗位在另一目标岗位视角下的第二相对表征。
在本公开的一种实施例中，所述高斯表征获取模块513，基于每个目标岗位的第一隐式表征和每个目标相邻岗位的第二隐式表征，计算各个目标相邻岗位视角下，该目标岗位的至少一个第一相对表征，包括：
针对每个目标岗位，将其第一隐式表征分别与各个目标相邻岗位的第二隐式表征进行拼接，得到与目标相邻岗位数量相同个第一拼接表征；分别将每个第一拼接表征与预先训练的高斯分布权重矩阵相乘，得到与目标相邻岗位相同数量个高斯表征，分别作为第一相对表征；和/或，
基于两个目标岗位的第一隐式表征，分别计算两个目标岗位在另一目标岗位视角下的第二相对表征，包括：按第一方式和第二方式分别将两个目标岗位的第一隐式表征进行拼接，得到两个第二拼接表征；分别将每个第二拼接表征与预设的高斯分布权重矩阵相乘，得到两个高斯表征，分别作为第二相对表征。
参见图7，图7为本公开实施例中职业流动预测系统的一种具体实例示意图：
如图7所示，该系统中可以使用基于不确定性表征的编码器以及基于物理启发的解码器。该图中示出了使用该系统对目标岗位a、b进行职业流动预测的过程，具体的，可以包括以下步骤：
步骤①，利用GCN网络(本公开中的隐式表征获取模块)，基于职业流动图对目标岗位节点进行邻居信息聚合。
如图7所示，目标岗位节点a的目标相邻岗位有岗位节点c、d、e，使用GCN网络对目标岗位节点a和目标相邻岗位节点c、d、e进行特征提取，可以获取目标岗位a的第一隐式表征ha以及目标相邻岗位c、d、e的第二隐式表征hc、hd、he；同理可以得到目标岗位b的第一隐式表征hb及其目标相邻岗位e、f、g的第二隐式表征he、hf、hg。
步骤②，利用高斯表征模块(即上述的高斯表征获取模块)，基于各目标岗位的第一隐式表征及其目标相邻岗位的第二隐式表征，计算各目标岗位的隐式表征。
本实施例中，可以先针对各目标岗位，基于各目标岗位的第一隐式表征及其目标相邻岗位的第二隐式表征，获取各目标相邻岗位视角下目标岗位的高斯表征，再将各高斯表征进行融合，得到目标岗位的独立表征。
如高斯表征模块中左边部分所示，以岗位a、b为例，在计算岗位b视角下岗位a的表征时，可以将两岗位的隐式表征向量进行拼接，得到拼接表征hahb，之后将hahb与均值权重矩阵Wμ、方差权重矩阵Wσ分别相乘，得到拼接表征的高斯分布的均值μa|b以及方差σa|b，并将μa|b、σa|b进行拼接，得到岗位b视角下岗位a的高斯表征Za|b。
针对目标岗位a及其目标相邻岗位c、d、e采用上述步骤进行计算，就可以分别得到目标相邻岗位c、d、e视角下目标岗位a的高斯表征μa|cσa|c、μa|dσa|d、μa|eσa|e，将各高斯表征进行融合，就可以得到目标岗位a的独立表征Za(μaσa)。同理可以得到目标岗位b的独立表征Zb。
步骤③，针对目标岗位a、b的独立表征，分别将其拆为第一质量参数
以及第一位置参数
使用重力启发的解码器(即上述的职业流动预测模块)，基于上述职业流动预测公式，对上述第一质量参数以及第一位置参数进行计算，并经过sigmold函数，从而得到对目标岗位a到目标岗位b的职业流动预测结果p(eab|va,vb)。
该结果表明目标岗位a到目标岗位b的职业流动关系存在概率，若要得到目标岗位b到目标岗位a的职业流动关系存在概率，则可将职业流动预测公式中的a、b顺序进行调换，即将岗位b作为上述职业流动预测公式中的i，将岗位a作为上述职业流动预测公式中的j。
步骤④，若步骤③中的结果表明目标岗位a与目标岗位b之间存在职业流动关系，则利用上述高斯表征模块，将目标岗位a、b的第一隐式表征从两个方向进行拼接，得到两个拼接表征，并分别基于两个拼接表征得到目标岗位b视角下目标岗位a的高斯表征Za|b，以及目标岗位a视角下目标岗位b的高斯表征Zb|a(如图7高斯表征模块中左部分所示)。
具体的计算过程已在步骤②中进行说明，此处不再赘述。
步骤⑤，分别将Za|b以及Zb|a拆成第二质量参数
以及第二位置参数
使用基于做功启发的编码器(本公开中的流动任期预测模块)，基于上述流动任期预测公式，对上述两个第二质量参数以及第二位置参数进行计算，获得针对目标岗位a、b的流动任期预测结果Wab。
本公开实施例中，整个系统的训练过程中，表征的学习和预测任务两个模块可以是端到端同步优化的。
在本公开的一种实施例中，可以基于上述预先存储的职业流动图对编码器进行训练。例如，可以将职业流动图输入至待训练的编码器，获取待训练编码器针对各节点输出的在各相邻节点视角下当前节点的高斯表征以及各节点的独立表征，并将各节点的独立表征输入至预设的职业流动预测模块(包含职业流动预测公式)，将各相邻节点视角下当前节点的高斯表征输入至预设的流动任期预测模块(包含上述流动任期预测公式)。分别获取职业流动预测模块与流动任期预测模块输出的两节点间存在职业流动关系的概率以及流动任期时长，并根据该结果对编码器进行训练，直至上述预设的职业流动预测模块和流动任期预测模块的输出结果，与上述职业流动图中各节点间的关系一致，或误差小于预设误差阈值。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示，设备800包括计算单元801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如职业流动关系的预测方法。例如，在一些实施例中，职业流动关系的预测方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的职业流动关系的预测方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行职业流动关系的预测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (20)
1.一种职业流动关系的预测方法，包括：
获得待确定流动关系的两个目标岗位；
基于预先存储的职业流动图，针对每个目标岗位，获得已与该目标岗位具有职业流动关系的目标相邻岗位，以及目标岗位与目标相邻岗位之间的平均任期时长；
针对每个目标岗位，基于该目标岗位的第一原始特征、目标相邻岗位的第二原始特征，和该目标岗位与目标相邻岗位之间的平均任期时长，计算各个目标相邻岗位视角下，该目标岗位的至少一个第一相对表征；
针对每个目标岗位，基于该目标岗位的各个第一相对表征，得到该目标岗位的独立表征；
基于预设的流动关系预测公式和两个目标岗位的独立表征，对两个目标岗位进行流动预测，获得两个目标岗位之间是否存在职业流动关系的预测结果。
2.根据权利要求1所述的方法，其中，
所述职业流动图为有向图，采用如下步骤预先存储：
获取在线职业网站的简历数据；
按照预设关键词表要求的内容，从简历数据的原始记录中，提取符合关键词表要求的岗位关键词，生成统一格式的岗位名称，作为职业流动图的节点；
从所述简历数据中，抽取不同岗位之间的职业流动路径作为职业流动图的有向边，并将一个岗位到另一个岗位的平均任期时长作为有向边的权重。
3.根据权利要求1所述的方法，其中，
所述基于预设的流动关系预测公式和两个目标岗位的独立表征，对两个目标岗位进行流动预测，获得两个目标岗位之间是否存在职业流动关系的预测结果的步骤，包括：
将两个目标岗位的独立表征转换为向量表示；
针对每个目标岗位的向量，从中拆出一个标量，作为该目标岗位的第一质量参数，该向量的剩余部分作为该目标岗位的第一位置参数，得到两个第一质量参数和两个第一位置参数；
将两个第一质量参数和两个第一位置参数输入基于万有引力思想预设的流动关系预测公式，对两个目标岗位进行流动预测，获得两个目标岗位之间是否存在职业流动关系的预测结果。
4.根据权利要求3所述的方法，其中，
所述流动关系预测公式为：
其中，i,j分别为所述两个目标岗位的编号，eij为目标岗位i到目标岗位j的流动关系，p(eij|vi,vj)为目标岗位i到目标岗位j的存在职业流动关系的概率，
为目标岗位j的第一质量参数，λg为取值范围为0～1的常量；ri g，rj g分别表示目标岗位i和目标岗位j的第一位置参数，σ表示sigmold函数。
5.根据权利要求1所述的方法，还包括：
若所述两个目标岗位之间存在职业流动关系，则两个目标岗位为相邻岗位，基于两个目标岗位的第一原始特征，分别计算两个目标岗位在另一目标岗位视角下的第二相对表征；
基于预设的流动任期预测公式和两个目标岗位在另一目标岗位视角下的第二相对表征，对两个目标岗位进行任期预测，获得两个目标岗位之间流动任期的预测结果。
6.根据权利要求5所述的方法，其中，
所述基于预设的流动任期预测公式和两个目标岗位在另一目标岗位视角下的第二相对表征，对两个目标岗位进行任期预测，获得两个目标岗位之间流动任期的预测结果的步骤，包括：
将两个目标岗位在另一目标岗位视角下的第二相对表征分别转换为向量表示；
针对每个第二相对表征的向量，从中拆出一个标量，作为该目标岗位的第二质量参数，该向量的剩余部分作为该目标岗位的第二位置参数，得到两个第二质量参数和两个第二位置参数；
将所述两个第二质量参数和第二位置参数输入基于物体做功思想预设的流动任期预测公式，对两个目标岗位进行任期预测，获得两个目标岗位之间流动任期的预测结果。
7.根据权利要求6所述的方法，其中，
所述流动任期预测公式，为：
其中，i,j分别为两个目标岗位的编号，Wij代表目标岗位i到目标岗位j进行职业流动的任期时长，
为目标岗位i的第二质量参数，λe为取值范围为0～1的常量，ri e，rj e分别表示目标岗位i和目标岗位j的第二位置参数。
8.根据权利要求5所述的方法，其中，
所述第一相对表征，采用如下步骤计算获得：
针对每个目标岗位，基于该目标岗位的第一原始特征、目标相邻岗位的第二原始特征，和该目标岗位到各个目标相邻岗位的平均任期时长，提取每个目标岗位的第一隐式表征和每个目标相邻岗位的第二隐式表征；
基于每个目标岗位的第一隐式表征和每个目标相邻岗位的第二隐式表征，计算各个目标相邻岗位视角下，该目标岗位的至少一个第一相对表征；和/或，
所述第二相对表征，采用如下步骤计算获得：
基于两个目标岗位的第一隐式表征，分别计算两个目标岗位在另一目标岗位视角下的第二相对表征。
9.根据权利要求8所述的方法，其中，
所述基于每个目标岗位的第一隐式表征和每个目标相邻岗位的第二隐式表征，计算各个目标相邻岗位视角下，该目标岗位的至少一个第一相对表征的步骤，包括：
针对每个目标岗位，将其第一隐式表征分别与各个目标相邻岗位的第二隐式表征进行拼接，得到与目标相邻岗位数量相同个第一拼接表征；
分别将每个第一拼接表征与预设的高斯分布权重矩阵相乘，得到与目标相邻岗位相同数量个高斯表征，分别作为第一相对表征；和/或，
所述基于两个目标岗位的第一隐式表征，分别计算两个目标岗位在另一目标岗位视角下的第二相对表征的步骤，包括：
按第一方式和第二方式分别将两个目标岗位的第一隐式表征进行拼接，得到两个第二拼接表征；
分别将每个第二拼接表征与预设的高斯分布权重矩阵相乘，得到两个高斯表征，分别作为第二相对表征。
10.根据权利要求9所述的方法，其中，
所述高斯分布权重矩阵，包括：均值权重矩阵和方差权重矩阵；
所述分别将每个第一拼接表征与预设的高斯分布权重矩阵相乘，得到与目标相邻岗位相同数量个高斯表征，分别作为第一相对表征的步骤，包括：
将每个第一拼接表征分别与所述均值权重矩阵和方差权重矩阵相乘，得到与目标相邻岗位相同数量个高斯表征，作为第一相对表征；和/或，
所述分别将每个第二拼接表征与预设的高斯分布权重矩阵相乘，得到两个高斯表征，分别作为第二相对表征的步骤，包括：
将每个第二拼接表征分别与所述均值权重矩阵和方差权重矩阵相乘，得到两个高斯表征，作为第一相对表征。
11.根据权利要求9所述的方法，其中，
所述针对每个目标岗位，基于该目标岗位的各个第一相对表征，得到该目标岗位的独立表征的步骤，包括：
针对每个目标岗位，将与目标相邻岗位相同数量个高斯表征，进行融合，得到该目标岗位的独立表征。
12.一种职业流动预测系统，包括：编码器和解码器；
所述编码器，用于获得待确定流动关系的两个目标岗位；基于预先存储的职业流动图，针对每个目标岗位，获得已与该目标岗位具有职业流动关系的目标相邻岗位，以及目标岗位与目标相邻岗位之间的平均任期时长；针对每个目标岗位，基于该目标岗位的第一原始特征、目标相邻岗位的第二原始特征，和该目标岗位与目标相邻岗位之间的平均任期时长，计算各个目标相邻岗位视角下，该目标岗位的至少一个第一相对表征；针对每个目标岗位，基于该目标岗位的各个第一相对表征，得到该目标岗位的独立表征；
所述解码器，包括：职业流动预测模块；所述职业流动预测模块用于基于预设的流动关系预测公式和两个目标岗位的独立表征，对两个目标岗位进行流动预测，获得两个目标岗位之间是否存在职业流动关系的预测结果。
13.根据权利要求12所述的系统，其中，
所述职业流动预测模块，用于
将两个目标岗位的独立表征转换为向量表示；针对每个目标岗位的向量，从中拆出一个标量，作为该目标岗位的第一质量参数，该向量的剩余部分作为该目标岗位的第一位置参数，得到两个第一质量参数和两个第一位置参数；将两个第一质量参数和两个第一位置参数输入基于万有引力思想预设的流动关系预测公式，对两个目标岗位进行流动预测，获得两个目标岗位之间是否存在职业流动关系的预测结果。
14.根据权利要求12所述的系统，其中，
所述解码器，还包括：流动任期预测模块；
所述流动任期预测模块，用于若所述两个目标岗位之间存在职业流动关系，则两个目标岗位为相邻岗位，基于两个目标岗位的第一原始特征，分别计算两个目标岗位在另一目标岗位视角下的第二相对表征；基于预设的流动任期预测公式和两个目标岗位在另一目标岗位视角下的第二相对表征，对两个目标岗位进行任期预测，获得两个目标岗位之间流动任期的预测结果。
15.根据权利要求14所述的系统，其中，
所述流动任期预测模块，基于预设的流动任期预测公式和两个目标岗位在另一目标岗位视角下的第二相对表征，对两个目标岗位进行任期预测，获得两个目标岗位之间流动任期的预测结果，包括：
将两个目标岗位的独立表征转换为向量表示；针对每个目标岗位的向量，从中拆出一个标量，作为该目标岗位的第一质量参数，该向量的剩余部分作为该目标岗位的第一位置参数，得到两个第一质量参数和两个第一位置参数；将两个第一质量参数和两个第一位置参数输入基于万有引力思想预设的流动关系预测公式，对两个目标岗位进行流动预测，获得两个目标岗位之间是否存在职业流动关系的预测结果。
16.根据权利要求12所述的系统，其中，
所述职业流动图为有向图，职业流动图的节点为各个岗位名称，职业流动图的有向边为一个岗位到另一个岗位的流动关系，边的权重为平均任期时长；
所述编码器，包括：预先存储的职业流动图、隐层表征获取模块和高斯表征获取模块；
所述隐层表征获取模块，用于基于该目标岗位的第一原始特征、目标相邻岗位的第二原始特征，和该目标岗位到各个目标相邻岗位的平均任期时长，利用预先训练的图卷积网络，提取每个目标岗位的第一隐式表征和每个目标相邻岗位的第二隐式表征；
所述高斯表征获取模块，用于基于每个目标岗位的第一隐式表征和每个目标相邻岗位的第二隐式表征，计算各个目标相邻岗位视角下，该目标岗位的至少一个第一相对表征；和/或，
基于两个目标岗位的第一隐式表征，分别计算两个目标岗位在另一目标岗位视角下的第二相对表征。
17.根据权利要求16所述的系统，其中，
所述高斯表征获取模块，基于每个目标岗位的第一隐式表征和每个目标相邻岗位的第二隐式表征，计算各个目标相邻岗位视角下，该目标岗位的至少一个第一相对表征，包括：针对每个目标岗位，将其第一隐式表征分别与各个目标相邻岗位的第二隐式表征进行拼接，得到与目标相邻岗位数量相同个第一拼接表征；分别将每个第一拼接表征与预先训练的高斯分布权重矩阵相乘，得到与目标相邻岗位相同数量个高斯表征，分别作为第一相对表征；和/或，
基于两个目标岗位的第一隐式表征，分别计算两个目标岗位在另一目标岗位视角下的第二相对表征，包括：按第一方式和第二方式分别将两个目标岗位的第一隐式表征进行拼接，得到两个第二拼接表征；分别将每个第二拼接表征与预设的高斯分布权重矩阵相乘，得到两个高斯表征，分别作为第二相对表征。
18.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-11中任一项所述的方法。
19.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-11中任一项所述的方法。
20.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-11中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111674402.6A CN114331380A (zh) | 2021-12-31 | 2021-12-31 | 职业流动关系的预测方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111674402.6A CN114331380A (zh) | 2021-12-31 | 2021-12-31 | 职业流动关系的预测方法、系统、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114331380A true CN114331380A (zh) | 2022-04-12 |
Family
ID=81020292
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111674402.6A Pending CN114331380A (zh) | 2021-12-31 | 2021-12-31 | 职业流动关系的预测方法、系统、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114331380A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114925287A (zh) * | 2022-07-22 | 2022-08-19 | 天津大学 | 基于大数据的智能知识管理系统与方法 |
| CN115455205A (zh) * | 2022-09-21 | 2022-12-09 | 深圳今日人才信息科技有限公司 | 一种基于时序知识图谱的职业发展规划的方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170236095A1 (en) * | 2016-02-11 | 2017-08-17 | Workey Employees Recruitments Ltd | System and method for generating a career path |
| WO2018026961A1 (en) * | 2016-08-03 | 2018-02-08 | Paysa, Inc. | Career data analysis systems and methods |
| CN110111083A (zh) * | 2019-05-15 | 2019-08-09 | 深圳市前海欢雀科技有限公司 | 一种基于深度学习构建职业规划的系统 |
| US20190303798A1 (en) * | 2018-03-30 | 2019-10-03 | Microsoft Technology Licensing, Llc | Career path recommendation engine |
| CN110866734A (zh) * | 2019-11-11 | 2020-03-06 | 北京网聘咨询有限公司 | 基于深度学习的智能招聘方法及系统 |
| CN110991709A (zh) * | 2019-11-18 | 2020-04-10 | 平安金融管理学院(中国·深圳) | 岗位招聘情况预测方法、装置、计算机设备及存储介质 |
| CN113780671A (zh) * | 2021-09-16 | 2021-12-10 | 湖北天天数链技术有限公司 | 岗位预测方法、训练方法、装置、模型、设备及存储介质 |
-
2021
- 2021-12-31 CN CN202111674402.6A patent/CN114331380A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170236095A1 (en) * | 2016-02-11 | 2017-08-17 | Workey Employees Recruitments Ltd | System and method for generating a career path |
| WO2018026961A1 (en) * | 2016-08-03 | 2018-02-08 | Paysa, Inc. | Career data analysis systems and methods |
| US20190303798A1 (en) * | 2018-03-30 | 2019-10-03 | Microsoft Technology Licensing, Llc | Career path recommendation engine |
| CN110111083A (zh) * | 2019-05-15 | 2019-08-09 | 深圳市前海欢雀科技有限公司 | 一种基于深度学习构建职业规划的系统 |
| CN110866734A (zh) * | 2019-11-11 | 2020-03-06 | 北京网聘咨询有限公司 | 基于深度学习的智能招聘方法及系统 |
| CN110991709A (zh) * | 2019-11-18 | 2020-04-10 | 平安金融管理学院(中国·深圳) | 岗位招聘情况预测方法、装置、计算机设备及存储介质 |
| CN113780671A (zh) * | 2021-09-16 | 2021-12-10 | 湖北天天数链技术有限公司 | 岗位预测方法、训练方法、装置、模型、设备及存储介质 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114925287A (zh) * | 2022-07-22 | 2022-08-19 | 天津大学 | 基于大数据的智能知识管理系统与方法 |
| CN114925287B (zh) * | 2022-07-22 | 2022-11-18 | 天津大学 | 基于大数据的智能知识管理系统与方法 |
| CN115455205A (zh) * | 2022-09-21 | 2022-12-09 | 深圳今日人才信息科技有限公司 | 一种基于时序知识图谱的职业发展规划的方法 |
| CN115455205B (zh) * | 2022-09-21 | 2023-06-30 | 深圳今日人才信息科技有限公司 | 一种基于时序知识图谱的职业发展规划的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110147456B (zh) | 一种图像分类方法、装置、可读存储介质及终端设备 | |
| US11604980B2 (en) | Targeted crowd sourcing for metadata management across data sets | |
| CN112507628B (zh) | 基于深度双向语言模型的风险预测方法、装置和电子设备 | |
| CN114331380A (zh) | 职业流动关系的预测方法、系统、设备及存储介质 | |
| US20200074267A1 (en) | Data prediction | |
| CN112579727B (zh) | 文档内容的提取方法、装置、电子设备及存储介质 | |
| US11983653B2 (en) | Machine-learning-based prediction of construction project parameters | |
| US11074043B2 (en) | Automated script review utilizing crowdsourced inputs | |
| CN113722493A (zh) | 文本分类的数据处理方法、设备、存储介质及程序产品 | |
| CN113221565A (zh) | 实体识别模型的训练方法、装置、电子设备及存储介质 | |
| US20220358594A1 (en) | Counterfactual e-net learning for contextual enhanced earnings call analysis | |
| CN112967248A (zh) | 生成缺陷图像样本的方法、装置、介质及程序产品 | |
| CN112580733A (zh) | 分类模型的训练方法、装置、设备以及存储介质 | |
| CN114972877A (zh) | 一种图像分类模型训练方法、装置及电子设备 | |
| US10824777B2 (en) | Employing natural language processing to facilitate geospatial analysis | |
| CN114037052A (zh) | 检测模型的训练方法、装置、电子设备及存储介质 | |
| CN110362688B (zh) | 试题标注方法、装置、设备及计算机可读存储介质 | |
| CN116401372A (zh) | 知识图谱表示学习方法、装置、电子设备及可读存储介质 | |
| CN114792097B (zh) | 预训练模型提示向量的确定方法、装置及电子设备 | |
| US20220207413A1 (en) | Loss augmentation for predictive modeling | |
| CN114742645A (zh) | 基于多阶段时序多任务的用户安全等级识别方法及装置 | |
| CN114266239A (zh) | 数据集的生成方法及装置 | |
| CN113971183A (zh) | 实体打标模型训练的方法、装置及电子设备 | |
| CN113032443A (zh) | 用于处理数据的方法、装置、设备和计算机可读存储介质 | |
| Bergillos Varela | A study of visibility graphs for time series representations |
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 |