CN114444804A - 岗位匹配度预测方法、装置、服务器及存储介质 - Google Patents
岗位匹配度预测方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN114444804A CN114444804A CN202210113934.0A CN202210113934A CN114444804A CN 114444804 A CN114444804 A CN 114444804A CN 202210113934 A CN202210113934 A CN 202210113934A CN 114444804 A CN114444804 A CN 114444804A
- Authority
- CN
- China
- Prior art keywords
- matching degree
- post
- predicted
- prediction
- target
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06398—Performance of employee with respect to a job function
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/105—Human resources
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Educational Administration (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Computational Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
Abstract
本发明提供一种岗位匹配度预测方法、装置、服务器及存储介质,该方法包括:获取待预测员工的岗位参数,并将岗位参数输入目标岗位对应的匹配度预测模型中,获得至少一个预测匹配度;根据待预测员工对应的所有预测匹配度确定预测匹配度的概率密度分布函数;根据预测匹配度的概率密度分布函数确定待预测员工的岗位匹配度,提高了预测的岗位匹配度结果的可信度。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种岗位匹配度预测方法、装置、服务器及存储介质。
背景技术
在现代企业管理中,可通过对员工进行考核、选拔、录用和培训,对企业的人力资源进行有效合理的配置,把符合企业发展需要的各类人才及时、合理地安排在所需要的岗位上。
现有技术中,通常是由企业人力资源管理经理收集目标岗位的相关记录,对相关工作人员的岗位相关技能、工作绩效、工作年限等进行评估,确定相关工作人员匹配目标岗位时的对应的岗位匹配度。
然而,受人为主观因素的影响,使得由企业人力资源管理经理评估的岗位匹配度与工作人员与目标岗位的实际匹配度之间存在偏差。因此,亟需提出一种预测岗位匹配度的方法,提高获得的岗位匹配度结果的可信度。
发明内容
本发明提供一种岗位匹配度预测方法、装置、服务器及存储介质,通过提出一种岗位匹配度预测方法,提高了获得的岗位匹配度结果的可信度。
第一方面,本发明提供一种岗位匹配度预测方法,应用于服务器,包括:
获取待预测员工的岗位参数,并将所述岗位参数输入目标岗位对应的匹配度预测模型中,获得至少一个预测匹配度;
根据所述待预测员工对应的所有预测匹配度确定预测匹配度的概率密度分布函数;
根据所述预测匹配度的概率密度分布函数确定待预测员工的岗位匹配度,并将所述岗位匹配度发送至管理终端,以使岗位管理人员根据所述待预测员工的岗位匹配度进行岗位管理。
在一种可能的设计中,还包括对所述匹配度预测模型的训练过程,如下:
获取历史数据,并根据对所述历史数据进行筛选获得目标数据,所述目标数据中包含至少一个员工的目标岗位参数以及目标岗位匹配度,其中所述员工的目标岗位参数的参数类型与目标岗位对应的预设参数类型一致;
对所述目标数据进行归一化处理,获得样本数据;
采用K近邻算法对所述样本数据进行筛选获得训练数据;
根据所述训练数据对神经网络分位数回归模型进行训练,获得训练好的预测模型。
在一种可能的设计中,所述根据所述预测匹配度的概率密度分布函数确定待预测员工的岗位匹配度,包括:
根据预设置信区间对所述待预测员工对应的概率密度分布函数进行筛选;
将筛选后的概率密度分布函数中最大概率密度对应的预测匹配度作为所述待预测员工的岗位匹配度。
在一种可能的设计中,所述根据所述待预测员工对应的所有预测匹配度确定预测匹配度的概率密度分布函数,包括:
根据核密度函数获得每个预测匹配度对应的概率;
根据所有预测匹配度以及每个预测匹配度对应的概率获得概率密度分布函数。
在一种可能的设计中,所述核密度函数为高斯核函数。
在一种可能的设计中,所述岗位参数包含学历参数、技能参数、工作年限参数、年度考核参数、奖励参数以及惩罚参数。
第二方面,本发明提供一种岗位匹配度预测装置,应用于服务器,包括:
获取模块,用于获取待预测员工的岗位参数,并将所述岗位参数输入目标岗位对应的匹配度预测模型中,获得至少一个预测匹配度,其中所述匹配度预测模型是利用目标岗位对应的训练数据对神经网络分位数回归模型进行训练获得的;
确定模块,用于根据所述待预测员工对应的所有预测匹配度确定预测匹配度的概率密度分布函数;
发送模块,用于根据所述预测匹配度的概率密度分布函数确定待预测员工的岗位匹配度,并将所述岗位匹配度发送至管理终端,以使岗位管理人员根据所述待预测员工的岗位匹配度进行岗位管理。
第三方面,本发明提供一种服务器,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如上第一方面以及第一方面各种可能的设计所述的岗位匹配度预测方法。
第四方面,本发明提供一种计算机存储介质,所述计算机存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上第一方面以及第一方面各种可能的设计所述的岗位匹配度预测方法。
第五方面,本发明提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上第一方面以及第一方面各种可能的设计所述的岗位匹配度预测方法。
本发明提供的岗位匹配度预测方法、装置、服务器及存储介质,通过获取待预测员工的岗位参数,并将岗位参数输入目标岗位对应的匹配度预测模型中,获得至少一个预测匹配度;根据待预测员工对应的所有预测匹配度确定预测匹配度的概率密度分布函数;根据预测匹配度的概率密度分布函数确定待预测员工的岗位匹配度,提高了预测的岗位匹配度结果的可信度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的岗位匹配度预测系统的结构示意图;
图2为本发明实施例提供的岗位匹配度预测方法流程示意图一;
图3为本发明实施例提供的岗位匹配度预测方法流程示意图二;
图4为本发明实施例提供的岗位匹配度预测装置的结构示意图;
图5为本发明实施例提供的服务器的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在现代企业管理中,在人力管理系统核心仍然是是员工管理,尤其是员工的岗位调整、晋升等,可通过对员工进行考核、选拔、录用和培训,对企业的人力资源进行有效合理的配置,把符合企业发展需要的各类人才及时、合理地安排在所需要的岗位上。当岗位变动时,这些都及到需要对员工的岗位匹配度进行考核,通常是由企业人力资源管理经理收集目标岗位的相关记录,对相关工作人员的岗位相关技能、工作绩效、工作年限等进行评估,确定相关工作人员匹配目标岗位时的对应的岗位匹配度。然而,现实中岗位匹配度需要从多方面综合进行考核,比如在原岗位的工作考核结果、相似的工作经历、工作年限、相关技能等,并且各方面的影响程度需要人为核定,受人为主观因素的影响,使得由企业人力资源管理经理评估的岗位匹配度与工作人员与目标岗位的实际匹配度之间存在偏差,人为从员岗位工作经历来衡量岗位的匹配度很难达到最优。因此,亟需提出一种量化岗位匹配度预测方法的方法,提高获得的岗位匹配度结果的可信度。
为了解决上述技术问题,本发明实施例提出以下技术方案:通过利用目标岗位对应的训练数据对机器学习模型进行训练获得目标岗位对应的匹配度预测模型,将岗位参数输入目标岗位对应的匹配度预测模型获得预测匹配度,根据所有预测匹配度确定概率密度分布函数,并根据预测匹配度的概率密度分布函数确定岗位匹配度,提高了预测的岗位匹配度结果的可信度。下面采用详细的实施例进行详细说明。
图1是本发明实施例提供的岗位匹配度预测系统的结构示意图。如图1所示,本发明实施例提供的岗位匹配度预测系统包括数据采集终端101、服务器102以及管理终端103。其中,本发明对数据采集终端101以及管理终端103的数量不做限制。示例性的,数据采集终端101获取待预测员工的岗位参数,并将获得的待预测员工的岗位参数通过无线网络传输至服务器102,使得服务器102将岗位参数输入目标岗位对应的匹配度预测模型获得预测匹配度,根据所有预测匹配度确定概率密度分布函数,并根据预测匹配度的概率密度分布函数确定岗位匹配度。服务器102将岗位匹配度发送至管理终端103,使得岗位管理人员根据管理终端103显示的待预测员工的岗位匹配度进行岗位管理。
图2为本发明实施例提供的岗位匹配度预测方法流程示意图一,本实施例的执行主体可以为图1所示实施例中的服务器,本实施例此处不做特别限制。如图2所示,该方法包括:
S201:获取待预测员工的岗位参数,并将岗位参数输入目标岗位对应的匹配度预测模型中,获得至少一个预测匹配度。
在本发明实施例中,获取待预测员工的岗位参数,示例性的,岗位参数包含学历参数、技能参数、工作年限参数、年度考核参数、奖励参数以及惩罚参数。为了评估待预测员工与目标岗位之间的匹配度,可利用目标岗位对应的训练数据对机器学习模型进行训练获得目标岗位对应的匹配度预测模型。将待预测员工的岗位参数作为匹配度预测模型的输入数据,将待预测员工的岗位参数输入目标岗位对应的匹配度预测模型中,输出待预测员工的多个预测匹配度。其中,匹配度预测模型为神经网络分位数回归模型,则输出待预测员工的多个预测匹配度为多个分位数。
S202:根据待预测员工对应的所有预测匹配度确定预测匹配度的概率密度分布函数。
在本发明实施例中,在获得了待预测员工对应的所有预测匹配度之后,可建立了风险预测模型,即对获得的所有预测匹配度的风险值进行预测,提高确定的预测匹配度结果的准确性。具体的,首先根据核密度函数获得每个预测匹配度对应的概率。示例性的,选择高核斯函数为本发明实施例提供的核密度函数。具体的。根据高核斯函数获得每个预测匹配度对应的概率的公式如公式(1)所示:
在本发明实施例中,根据所有预测匹配度以及每个预测匹配度对应的概率获得概率密度分布函数,其中概率获得概率密度分布函数的横坐标为预测匹配度,纵坐标为预测匹配度对应的概率密度。
S203:根据预测匹配度的概率密度分布函数确定待预测员工的岗位匹配度,并将岗位匹配度发送至管理终端,以使岗位管理人员根据待预测员工的岗位匹配度进行岗位管理。
在本发明实施例中,根据预设置信区间对待预测员工对应的概率密度分布函数进行筛选。示例性的,预设置信区设置为90%,即根据5%至95%的区间对概率密度分布函数进行筛选。将筛选后的概率密度分布函数中最大概率密度对应的预测匹配度作为待预测员工的岗位匹配度,提高确定的预测匹配度结果的准确性。
本实施例提供的岗位匹配度预测方法,将岗位参数输入目标岗位对应的匹配度预测模型获得预测匹配度,根据所有预测匹配度确定概率密度分布函数,并根据预测匹配度的概率密度分布函数确定岗位匹配度,提高了预测的岗位匹配度结果的可信度。
图3为本发明实施例提供的岗位匹配度预测方法流程示意图二。如图3所示,在本发明实施例中,匹配度预测模型的训练过程包括以下步骤:
S301:获取历史数据,并根据对历史数据进行筛选获得目标数据,目标数据中包含至少一个员工的目标岗位参数以及目标岗位匹配度,其中员工的目标岗位参数的参数类型与目标岗位对应的预设参数类型一致。
在本发明实施例中,根据人力资源管理人员提供的目标岗位的相关因素确认评估目标岗位的匹配度时对应的预设参数类型,即预设参数类型为评估目标岗位匹配度时比较重要的参考参数类型。示例性的,评估研发岗位的匹配度时,学历参数以及技能参数为比较重要的参考参数类型,而奖励参数以及惩罚参数与研发岗位的匹配度评估相关性比较小。而评估销售岗位的匹配度时,奖励参数以及惩罚参数与销售岗位的匹配度评估相关性比较高,不同岗位对应的预设参数类型不同。
在本发明实施例中,服务器的数据库中存储了所有员工的历史数据以及每个员工对应不同岗位的岗位匹配度。根据目标岗位对应的预设参数类型对历史数据进行筛选获得多个员工的目标岗位参数以及该员工匹配目标岗位时的对应的目标岗位匹配度,将所有员工的目标岗位参数以及该员工匹配目标岗位时的对应的目标岗位匹配度作为目标数据,其中员工的目标岗位参数的参数类型与目标岗位对应的预设参数类型一致。
S302:对目标数据进行归一化处理,获得样本数据,并采用K近邻算法对样本数据进行筛选获得训练数据。
在本发明实施例中,将获得的目标数据进行归一化处理,具体的把目标数据中的每个数据映射到0~1范围之内,变为(0,1)之间的小数,获得样本数据。
示例性的,K近邻算法为一种既简单又实用的数据挖掘算法,以距离为度量来衡量数据的相似度,距离越短,筛选后获得的数据的相似度越高。将样本数据中,将目标岗位匹配度最高的员工的对应的目标岗位参数以及目标岗位匹配度作为标准样本,示例性的设定筛选百分比5%。采用K近邻算法获得样本数据中所有的数据与标准样本之间的相似度,并按照相似度从大到小的顺序将前5%的样本数据作为训练数据。
S303:根据训练数据对神经网络分位数回归模型进行训练,获得训练好的预测模型。
在本发明实施例中,采用神经网络分位数回归模型,该模型所需的数据量少,预测精度较高。神经网络分位数回归网络包含输入层,隐藏层核输出层,采用6-3-1的结构,惩罚因子和均为1。其中输入层节点个数与训练数据中包含的维度数量相同,示例性的,目标岗位的预设参数类型中包含的维度数量为6,因此输入层节点个数为6。隐藏层的节点需要进行实际对比,一般大于输入层的50%,分别对比3、4、5进行尝试,确认隐藏层的节点个数为3时网络收敛的更优。输出层为输出分类数,本发明实施例中的神经网络分位数回归模型输出的数据为预测匹配度,只包含一个维度的数据,因此设置输出层的节点个数为1。
本实施例提供的岗位匹配度预测方法,通过K近邻算法从历史数据中筛选出与目标岗位相似度较高的训练数据,并采用训练数据对神经网络分位数回归模型进行训练,通过神经网络的学习能力动态调整岗位匹配度相关各维度数据的权重,提高了训练后的预测目标岗位匹配度模型的准确性。
图4为本发明实施例提供的岗位匹配度预测装置的结构示意图。如图4所示,该岗位匹配度预测装置包括:获取模块401、确定模块402以及发送模块403。
获取模块401,用于获取待预测员工的岗位参数,并将所述岗位参数输入目标岗位对应的匹配度预测模型中,获得至少一个预测匹配度,其中所述匹配度预测模型是利用目标岗位对应的训练数据对神经网络分位数回归模型进行训练获得的;
确定模块402,用于根据所述待预测员工对应的所有预测匹配度确定预测匹配度的概率密度分布函数;
发送模块403,用于根据所述预测匹配度的概率密度分布函数确定待预测员工的岗位匹配度,并将所述岗位匹配度发送至管理终端,以使岗位管理人员根据所述待预测员工的岗位匹配度进行岗位管理。
在一种可能的设计中,岗位匹配度预测装置还包括训练模块,用于获取历史数据,并根据对所述历史数据进行筛选获得目标数据,所述目标数据中包含至少一个员工的目标岗位参数以及目标岗位匹配度,其中所述员工的目标岗位参数的参数类型与目标岗位对应的预设参数类型一致;对所述目标数据进行归一化处理,获得样本数据,并采用K近邻算法对所述样本数据进行筛选获得训练数据;根据所述训练数据对神经网络分位数回归模型进行训练,获得训练好的预测模型。
在一种可能的设计中,发送模块403具体用于根据预设置信区间对所述待预测员工对应的概率密度分布函数进行筛选;将筛选后的概率密度分布函数中最大概率密度对应的预测匹配度作为所述待预测员工的岗位匹配度。
在一种可能的设计中,确定模块402具体用于根据核密度函数获得每个预测匹配度对应的概率;根据所有预测匹配度以及每个预测匹配度对应的概率获得概率密度分布函数。
本实施例提供的装置,可用于执行上述方法实施例的技术方案,其实现原理和技术效果类似,本实施例此处不再赘述。
图5为本发明实施例提供的服务器的硬件结构示意图。如图5所示,本实施例的服务器包括:处理器501以及存储器502;其中
存储器502,用于存储计算机执行指令;
处理器501,用于执行存储器存储的计算机执行指令,以实现上述实施例中服务器所执行的各个步骤。具体可以参见前述方法实施例中的相关描述。
可选地,存储器502既可以是独立的,也可以跟处理器501集成在一起。
当存储器502独立设置时,该服务器还包括总线503,用于连接所述存储器502和处理器501。
本发明实施例还提供一种计算机存储介质,所述计算机存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上所述的岗位匹配度预测方法。
本发明实施例还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时,实现如上所述的岗位匹配度预测方法。本发明实施例还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时,实现如上所述的岗位匹配度预测方法。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个单元中。上述模块成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能模块的形式实现的集成的模块,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器执行本申请各个实施例所述方法的部分步骤。
应理解,上述处理器可以是中央处理单元(Central Processing Unit,简称CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器,还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
总线可以是工业标准体系结构(Industry Standard Architecture,简称ISA)总线、外部设备互连(Peripheral Component Interconnect,简称PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture,简称EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits,简称ASIC)中。当然,处理器和存储介质也可以作为分立组件存在于电子设备或主控设备中。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种岗位匹配度预测方法,其特征在于,应用于服务器,包括:
获取待预测员工的岗位参数,并将所述岗位参数输入目标岗位对应的匹配度预测模型中,获得至少一个预测匹配度;
根据所述待预测员工对应的所有预测匹配度确定预测匹配度的概率密度分布函数;
根据所述预测匹配度的概率密度分布函数确定待预测员工的岗位匹配度,并将所述岗位匹配度发送至管理终端,以使岗位管理人员根据所述待预测员工的岗位匹配度进行岗位管理。
2.根据权利要求1所述的方法,其特征在于,还包括对所述匹配度预测模型的训练过程,如下:
获取历史数据,并根据对所述历史数据进行筛选获得目标数据,所述目标数据中包含至少一个员工的目标岗位参数以及目标岗位匹配度,其中所述员工的目标岗位参数的参数类型与目标岗位对应的预设参数类型一致;
对所述目标数据进行归一化处理,获得样本数据,并采用K近邻算法对所述样本数据进行筛选获得训练数据;
根据所述训练数据对神经网络分位数回归模型进行训练,获得训练好的预测模型。
3.根据权利要求1所述的方法,其特征在于,所述根据所述预测匹配度的概率密度分布函数确定待预测员工的岗位匹配度,包括:
根据预设置信区间对所述待预测员工对应的概率密度分布函数进行筛选;
将筛选后的概率密度分布函数中最大概率密度对应的预测匹配度作为所述待预测员工的岗位匹配度。
4.根据权利要求1所述的方法,其特征在于,所述根据所述待预测员工对应的所有预测匹配度确定预测匹配度的概率密度分布函数,包括:
根据核密度函数获得每个预测匹配度对应的概率;
根据所有预测匹配度以及每个预测匹配度对应的概率获得概率密度分布函数。
5.根据权利要求4所述的方法,其特征在于,所述核密度函数为高斯核函数。
6.根据权利要求1至5任一项所述的方法,其特征在于,所述岗位参数包含学历参数、技能参数、工作年限参数、年度考核参数、奖励参数以及惩罚参数。
7.一种岗位匹配度预测装置,其特征在于,应用于服务器,包括:
获取模块,用于获取待预测员工的岗位参数,并将所述岗位参数输入目标岗位对应的匹配度预测模型中,获得至少一个预测匹配度,其中所述匹配度预测模型是利用目标岗位对应的训练数据对神经网络分位数回归模型进行训练获得的;
确定模块,用于根据所述待预测员工对应的所有预测匹配度确定预测匹配度的概率密度分布函数;
发送模块,用于根据所述预测匹配度的概率密度分布函数确定待预测员工的岗位匹配度,并将所述岗位匹配度发送至管理终端,以使岗位管理人员根据所述待预测员工的岗位匹配度进行岗位管理。
8.一种服务器,其特征在于,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如权利要求1至6任一项所述的岗位匹配度预测方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如权利要求1至6任一项所述的岗位匹配度预测方法。
10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6任一项所述的岗位匹配度预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210113934.0A CN114444804A (zh) | 2022-01-30 | 2022-01-30 | 岗位匹配度预测方法、装置、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210113934.0A CN114444804A (zh) | 2022-01-30 | 2022-01-30 | 岗位匹配度预测方法、装置、服务器及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114444804A true CN114444804A (zh) | 2022-05-06 |
Family
ID=81370965
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210113934.0A Pending CN114444804A (zh) | 2022-01-30 | 2022-01-30 | 岗位匹配度预测方法、装置、服务器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114444804A (zh) |
-
2022
- 2022-01-30 CN CN202210113934.0A patent/CN114444804A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113837596A (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
CN111861487A (zh) | 金融交易数据处理方法、欺诈行为的监测方法和装置 | |
CN110888625A (zh) | 基于需求变更和项目风险对代码质量进行控制的方法 | |
CN112990281A (zh) | 异常投标识别模型训练方法、异常投标识别方法及装置 | |
CN110362481A (zh) | 自动测试方法及终端设备 | |
CN113034046A (zh) | 一种数据风险计量方法、装置、电子设备及存储介质 | |
CN114202256B (zh) | 架构升级预警方法、装置、智能终端及可读存储介质 | |
CN117593115A (zh) | 信贷风险评估模型的特征值确定方法、装置、设备和介质 | |
CN112529319A (zh) | 基于多维特征的评分方法、装置、计算机设备及存储介质 | |
CN112348685A (zh) | 信用评分方法、装置、设备及存储介质 | |
CN116720946A (zh) | 基于循环神经网络的信贷风险预测方法、装置和存储介质 | |
CN116385151A (zh) | 基于大数据进行风险评级预测的方法及计算设备 | |
CN114444804A (zh) | 岗位匹配度预测方法、装置、服务器及存储介质 | |
CN116416052A (zh) | 一种针对特定用户的授信方法及装置、电子设备及存储介质 | |
CN109670976B (zh) | 特征因子确定方法及设备 | |
CN117290819A (zh) | 一种模型训练系统、方法及计算设备 | |
CN115660794A (zh) | 数据检查方法、装置,及电子设备 | |
CN117422545A (zh) | 信用风险识别方法、装置、设备及存储介质 | |
CN114677213A (zh) | 模型训练方法、不良贷款的预测方法及相关装置 | |
CN118132091A (zh) | 业务模型的处理方法、装置、计算机设备和存储介质 | |
CN116993204A (zh) | 维修器材分类方法、装置、终端及存储介质 | |
CN117689211A (zh) | 审计风险评估方法、装置、计算机设备和存储介质 | |
CN118037035A (zh) | 企业风险识别方法、装置、计算机设备及存储介质 | |
CN116049508A (zh) | 测试要素信息生成方法、装置、设备及存储介质 | |
CN114647433A (zh) | 应用程序的处理方法、装置、存储介质及电子装置 |
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 |