CN115130872A - 一种基于深度学习判断的用工风险评估系统 - Google Patents

Abstract

本发明公开了一种基于深度学习判断的用工风险评估系统，属于用工风险评估领域，包括企业端、客户端、服务器端、信息采集模块、深度分析模块、维护平台以及评估显示模块；本发明能够高效准确的对各求职人员用工风险进行评估，同时维护评估实时对分析神经模型进行监测，保证维护人员能够及时发现并修复分析神经模型出现的异常，提高维护人员维护效率，能够自行对不符合企业要求的求职人员进行筛选，降低企业管理人员的工作量，提高工作积极性，同时加快工作人员文件处理效率。

Description

一种基于深度学习判断的用工风险评估系统

技术领域

本发明涉及用工风险评估领域，尤其涉及一种基于深度学习判断的用工风险评估系统。

背景技术

随着社会经济的发展，越来越多的企业和公司参与到市场竞争中，越来越多的择业渠道也使得从业人员的劳动形式越发多样化，劳动者往往变换多个公司及岗位，公司人员的各种信息庞杂，公司人员变动越来越大，企业能否正确合理地管理新老职工直接影响公司的管理风险。因此用工风险评估也成为了各公司招聘职工的重要标准之一，用工风险评估将针对企业在用工管理过程中的各个流程和操作环节进行全面评估，使企业可以对用工风险进行事先掌控，并对可能对企业造成的影响和损失进行量化评估。同时，用工风险评估还将针对风险为企业提供参考解决方案，从而使企业大大赢得解决问题的主动权；

经检索，中国专利号CN110610324A公开了一种用工风险评估方法及系统，该发明虽然能够促使公司更加及时有效地监控各人员试用期期限、原职材料是否存在风险，有利于提升公司合同监管质量，对公司的整体运营具有积极意义，但是无法高效准确的对求职人员用工风险进行评估；此外，现有的基于深度学习判断的用工风险评估系统无法自行对不符合企业要求的求职人员进行筛选，增加企业管理人员的工作量，降低工作积极性，为此，我们提出一种基于深度学习判断的用工风险评估系统。

发明内容

本发明的目的是为了解决现有技术中存在的缺陷，而提出的一种基于深度学习判断的用工风险评估系统。

为了实现上述目的，本发明采用了如下技术方案：

一种基于深度学习判断的用工风险评估系统，包括企业端、客户端、服务器端、信息采集模块、深度分析模块、维护平台以及评估显示模块；

所述企业端用于管理人员对求职人员的用工风险报告进行检索分析；

所述客户端用于求职人员向相关企业上传个人简历，并接收企业端发送的录取信息；

所述服务器端用于接收各用户用工风险报告，并对其进行存储；

所述信息采集模块用于对各求职人员信息进行采集，同时对收集到的信息进行分类记录；

所述深度分析模块用于构建分析神经模型，并接收各组求职人员信息以进行用工风险评估，同时生成用工风险报告；

所述评估显示模块用于显示相关求职人员用工风险评估报告；

所述维护平台用于实时监测深度分析模块运行性能，并进行维护反馈。

作为本发明的进一步方案，所述信息采集模块分类记录具体步骤如下：

步骤一：信息采集模块收集各区域求职人员信息以及各企业司法风险、劳动争议、舆情、工商以及经营状况，同时按照省级行政区、地级行政区、县级行政区以及乡级行政区对收集到的各组求职人员信息进行分类；

步骤二：分类完成后，信息采集模块依据地级行政区数量构建相对应数量的信息记录表，同时将收集到的各求职人员信息录入对应信息记录表中，之后将各求职人员详细位置录入信息记录表指定位置，求职人员信息录入完成后，再次录入企业信息；

步骤三：将各组信息记录表上传至服务器端进行存储，同时服务器端对各信息记录表中的信息进行关键词提取，并依据提取的关键词构建检索数据集。

作为本发明的进一步方案，所述深度分析模块用工风险评估具体步骤如下：

步骤(1)：深度分析模块构建分析神经模型后，对该分析神经模型进行训练优化，同时实时将该分析神经模型运行情况以及优化情况上传至维护平台；

步骤(2)：从信息采集模块中提取相关区域的信息记录表，同时提取该信息记录表中各组求职人员的试用期信息、合同期限信息以及原职材料，并将各组数据通过进行符值转换、归一化处理和特征降维，将特征变为0到1区间内，之后将处理完成的数据通过输入、卷积、池化、全连接和输出处理以生成各求职人员各类型用工风险评估分数；

步骤(3)：深度分析模块依据各求职人员各类型用工风险评估分数生成风险评估报告，之后接收相对应区域各企业端设定的各类用工风险阈值，并将其与各求职人员用工风险评估值进行对比，同时将不达标的求职人员在风险评估报告中进行标记。

作为本发明的进一步方案，步骤(2)中所述用工风险类型具体包括经营风险、法律风险、舆情风险、投诉风险以及离职风险。

作为本发明的进一步方案，所述分析神经模型训练优化具体步骤如下：

第一步：分析神经模型从外部测试共享平台中提取各组风险评估信息，并将各组信息作为模拟数据，同时将模拟数据分为测试集以及训练集；

第二步：通过测试集来对该分析神经模型的精度进行验证，同时对测试集中每组数据都进行一次预测，收集满足期望值的预测值，并将预测值中最好的数据作为最优参数输出；

第三步：依据最优参数将训练集通过学习训练以生成训练样本，最后将训练样本输送到分析神经模型中，并采用长期迭代法对该分析神经模型进行实时优化，并对满足期望值的分析神经模型进行准确率、检出率和误报率评估，同时生成相对应的曲线走势图，并将其反馈至维护平台。

作为本发明的进一步方案，所述企业端检索分析具体步骤如下：

S1：企业端接收到各求职人员投递的简历，同时对求职人员姓名、年龄、教育经历、工作经验以及项目经验进行提取，之后自行通过检索数据集检索相对应的信息记录表；

S2：并提取出的求职人员风险评估报告，同时检测该求职人员风险评估报告中的各项数据是否满足该企业要求，若满足，则将其保留，若不满足，则将其筛除；

S3：企业管理人员需查看求职人员信息时，则通过企业端查看各求职人员个人简历，同时输入相关检索关键词，服务器端检索数据集接收到检索关键词后，根据该企业端所在位置对相关区域的信息记录表进行检索，并提取关键词所对应的求职人员的风险评估报告进行查看分析。

作为本发明的进一步方案，所述维护平台维护反馈具体步骤如下：

P1：维护平台实时接收分析神经模型的准确率、检出率和误报率，同时将各组数据曲线走势图反馈给维护人员，同时通过焦点损失函数对分析神经模型性能进行计算，其焦点损失函数具体计算公式如下：

FL(pi)＝-α(1-pi)^γlog(pi) (1)

其中，pi代表预测值，α代表权重因子，γ代表聚焦参数；

P2：若分析神经模型损失值未达到系统默认或维护人员设定得期望值，维护平台则发出告警，同时对分析神经模型异常处进行检索定位，并反馈给相关维护人员进行维护。

相比于现有技术，本发明的有益效果在于：

1、本发明设置有深度分析模块，深度分析模块构建分析神经模型后，对该分析神经模型进行训练优化，同时实时将该分析神经模型运行情况以及优化情况上传至维护平台，从信息采集模块中提取相关区域的信息记录表，同时提取该信息记录表中各组求职人员的试用期信息、合同期限信息以及原职材料，并依据收集到的各组数据对各求职人员的用工风险进行评估，维护平台实时将各组数据曲线走势图反馈给维护人员，同时计算其损失值，损失值未达标，维护平台则发出告警，同时对分析神经模型异常处进行检索定位，并反馈给相关维护人员进行维护，通过构建分析神经模型，能够高效准确的对各求职人员用工风险进行评估，同时维护评估实时对分析神经模型进行监测，保证维护人员能够及时发现并修复分析神经模型出现的异常，提高维护人员维护效率；

2、本发明通过企业端接收到各求职人员投递的简历后，企业端对简历中求职人员姓名、年龄、教育经历、工作经验以及项目经验进行提取，之后自行通过检索数据集检索相对应的信息记录表，并提取出的求职人员风险评估报告，并检测该求职人员风险评估报告中的各项数据是否满足该企业要求，若满足，则将其保留，若不满足，则将其筛除，当企业管理人员需查看求职人员信息时，则通过企业端查看各求职人员个人简历，同时输入相关检索关键词，服务器端检索数据集接收到检索关键词后，根据该企业端所在位置对相关区域的信息记录表进行检索，并提取关键词所对应的求职人员的风险评估报告进行查看分析，能够自行对不符合企业要求的求职人员进行筛选，降低企业管理人员的工作量，提高工作积极性，同时加快工作人员文件处理效率。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

图1为本发明提出的一种基于深度学习判断的用工风险评估系统的系统框图。

具体实施方式

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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

实施例1

参照图1，一种基于深度学习判断的用工风险评估系统，包括企业端、客户端、服务器端、信息采集模块、深度分析模块、维护平台以及评估显示模块。

企业端用于管理人员对求职人员的用工风险报告进行检索分析。

具体的，企业端接收到各求职人员投递的简历，同时对求职人员姓名、年龄、教育经历、工作经验以及项目经验进行提取，之后自行通过检索数据集检索相对应的信息记录表，并提取出的求职人员风险评估报告，同时检测该求职人员风险评估报告中的各项数据是否满足该企业要求，若满足，则将其保留，若不满足，则将其筛除，企业管理人员需查看求职人员信息时，则通过企业端查看各求职人员个人简历，同时输入相关检索关键词，服务器端检索数据集接收到检索关键词后，根据该企业端所在位置对相关区域的信息记录表进行检索，并提取关键词所对应的求职人员的风险评估报告进行查看分析。

客户端用于求职人员向相关企业上传个人简历，并接收企业端发送的录取信息。

服务器端用于接收各用户用工风险报告，并对其进行存储。

信息采集模块用于对各求职人员信息进行采集，同时对收集到的信息进行分类记录。

具体的，信息采集模块收集各区域求职人员信息以及各企业司法风险、劳动争议、舆情、工商以及经营状况，同时按照省级行政区、地级行政区、县级行政区以及乡级行政区对收集到的各组求职人员信息进行分类，分类完成后，信息采集模块依据地级行政区数量构建相对应数量的信息记录表，同时将收集到的各求职人员信息录入对应信息记录表中，之后将各求职人员详细位置录入信息记录表指定位置，求职人员信息录入完成后，再次录入企业信息，并将各组信息记录表上传至服务器端进行存储，同时服务器端对各信息记录表中的信息进行关键词提取，并依据提取的关键词构建检索数据集。

实施例2

参照图1，一种基于深度学习判断的用工风险评估系统，包括企业端、客户端、服务器端、信息采集模块、深度分析模块、维护平台以及评估显示模块。

深度分析模块用于构建分析神经模型，并接收各组求职人员信息以进行用工风险评估，同时生成用工风险报告。

具体的，深度分析模块构建分析神经模型后，对该分析神经模型进行训练优化，同时实时将该分析神经模型运行情况以及优化情况上传至维护平台，从信息采集模块中提取相关区域的信息记录表，同时提取该信息记录表中各组求职人员的试用期信息、合同期限信息以及原职材料，并将各组数据通过进行符值转换、归一化处理和特征降维，将特征变为0到1区间内，之后将处理完成的数据通过输入、卷积、池化、全连接和输出处理以生成各求职人员各类型用工风险评估分数，最后深度分析模块依据各求职人员各类型用工风险评估分数生成风险评估报告，之后接收相对应区域各企业端设定的各类用工风险阈值，并将其与各求职人员用工风险评估值进行对比，同时将不达标的求职人员在风险评估报告中进行标记。

需要进一步说明的是，用工风险类型具体包括经营风险、法律风险、舆情风险、投诉风险以及离职风险。

此外，需要进一步说明的是，分析神经模型从外部测试共享平台中提取各组风险评估信息，并将各组信息作为模拟数据，同时将模拟数据分为测试集以及训练集，之后通过测试集来对该分析神经模型的精度进行验证，同时对测试集中每组数据都进行一次预测，收集满足期望值的预测值，并将预测值中最好的数据作为最优参数输出，同时依据最优参数将训练集通过学习训练以生成训练样本，最后将训练样本输送到分析神经模型中，并采用长期迭代法对该分析神经模型进行实时优化，并对满足期望值的分析神经模型进行准确率、检出率和误报率评估，同时生成相对应的曲线走势图，并将其反馈至维护平台。

评估显示模块用于显示相关求职人员用工风险评估报告。

维护平台用于实时监测深度分析模块运行性能，并进行维护反馈。

具体的，维护平台实时接收分析神经模型的准确率、检出率和误报率，同时将各组数据曲线走势图反馈给维护人员，同时通过焦点损失函数对分析神经模型性能进行计算，若分析神经模型损失值未达到系统默认或维护人员设定得期望值，维护平台则发出告警，同时对分析神经模型异常处进行检索定位，并反馈给相关维护人员进行维护。

需要进一步说明的是，焦点损失函数具体计算公式如下：

FL(pi)＝-α(1-pi)^γlog(pi) (1)

其中，pi代表预测值，α代表权重因子，γ代表聚焦参数。

Claims (7)

1.一种基于深度学习判断的用工风险评估系统，其特征在于，包括企业端、客户端、服务器端、信息采集模块、深度分析模块、维护平台以及评估显示模块；

所述企业端用于管理人员对求职人员的用工风险报告进行检索分析；

所述客户端用于求职人员向相关企业上传个人简历，并接收企业端发送的录取信息；

所述服务器端用于接收各用户用工风险报告，并对其进行存储；

所述信息采集模块用于对各求职人员信息进行采集，同时对收集到的信息进行分类记录；

所述深度分析模块用于构建分析神经模型，并接收各组求职人员信息以进行用工风险评估，同时生成用工风险报告；

所述评估显示模块用于显示相关求职人员用工风险评估报告；

所述维护平台用于实时监测深度分析模块运行性能，并进行维护反馈。

2.根据权利要求1所述的一种基于深度学习判断的用工风险评估系统，其特征在于，所述信息采集模块分类记录具体步骤如下：

步骤一：信息采集模块收集各区域求职人员信息以及各企业司法风险、劳动争议、舆情、工商以及经营状况，同时按照省级行政区、地级行政区、县级行政区以及乡级行政区对收集到的各组求职人员信息进行分类；

步骤二：分类完成后，信息采集模块依据地级行政区数量构建相对应数量的信息记录表，同时将收集到的各求职人员信息录入对应信息记录表中，之后将各求职人员详细位置录入信息记录表指定位置，求职人员信息录入完成后，再次录入企业信息；

步骤三：将各组信息记录表上传至服务器端进行存储，同时服务器端对各信息记录表中的信息进行关键词提取，并依据提取的关键词构建检索数据集。

3.根据权利要求2所述的一种基于深度学习判断的用工风险评估系统，其特征在于，所述深度分析模块用工风险评估具体步骤如下：

步骤(1)：深度分析模块构建分析神经模型后，对该分析神经模型进行训练优化，同时实时将该分析神经模型运行情况以及优化情况上传至维护平台；

步骤(2)：从信息采集模块中提取相关区域的信息记录表，同时提取该信息记录表中各组求职人员的试用期信息、合同期限信息以及原职材料，并将各组数据通过进行符值转换、归一化处理和特征降维，将特征变为0到1区间内，之后将处理完成的数据通过输入、卷积、池化、全连接和输出处理以生成各求职人员各类型用工风险评估分数；

步骤(3)：深度分析模块依据各求职人员各类型用工风险评估分数生成风险评估报告，之后接收相对应区域各企业端设定的各类用工风险阈值，并将其与各求职人员用工风险评估值进行对比，同时将不达标的求职人员在风险评估报告中进行标记。

4.根据权利要求3所述的一种基于深度学习判断的用工风险评估系统，其特征在于，步骤(2)中所述用工风险类型具体包括经营风险、法律风险、舆情风险、投诉风险以及离职风险。

5.根据权利要求3所述的一种基于深度学习判断的用工风险评估系统，其特征在于，所述分析神经模型训练优化具体步骤如下：

第一步：分析神经模型从外部测试共享平台中提取各组风险评估信息，并将各组信息作为模拟数据，同时将模拟数据分为测试集以及训练集；

第二步：通过测试集来对该分析神经模型的精度进行验证，同时对测试集中每组数据都进行一次预测，收集满足期望值的预测值，并将预测值中最好的数据作为最优参数输出；

第三步：依据最优参数将训练集通过学习训练以生成训练样本，最后将训练样本输送到分析神经模型中，并采用长期迭代法对该分析神经模型进行实时优化，并对满足期望值的分析神经模型进行准确率、检出率和误报率评估，同时生成相对应的曲线走势图，并将其反馈至维护平台。

6.根据权利要求3所述的一种基于深度学习判断的用工风险评估系统，其特征在于，所述企业端检索分析具体步骤如下：

S1：企业端接收到各求职人员投递的简历，同时对求职人员姓名、年龄、教育经历、工作经验以及项目经验进行提取，之后自行通过检索数据集检索相对应的信息记录表；

S2：并提取出的求职人员风险评估报告并检测该求职人员风险评估报告中的各项数据是否满足该企业要求，若满足，则将其保留，若不满足，则将其筛除；

S3：企业管理人员需查看求职人员信息时，则通过企业端查看各求职人员个人简历，同时输入相关检索关键词，服务器端检索数据集接收到检索关键词后，根据该企业端所在位置对相关区域的信息记录表进行检索，并提取关键词所对应的求职人员的风险评估报告进行查看分析。

7.根据权利要求5所述的一种基于深度学习判断的用工风险评估系统，其特征在于，所述维护平台维护反馈具体步骤如下：

P1：维护平台实时接收分析神经模型的准确率、检出率和误报率，同时将各组数据曲线走势图反馈给维护人员，同时通过焦点损失函数对分析神经模型性能进行计算，其焦点损失函数具体计算公式如下：

FL(pi)＝-α(1-pi)^γlog(pi) (1)

其中，pi代表预测值，α代表权重因子，γ代表聚焦参数；

P2：若分析神经模型损失值未达到系统默认或维护人员设定得期望值，维护平台则发出告警，同时对分析神经模型异常处进行检索定位，并反馈给相关维护人员进行维护。

Images