CN115147091A - 智能薪酬查询方法及系统 - Google Patents
智能薪酬查询方法及系统 Download PDFInfo
- Publication number
- CN115147091A CN115147091A CN202210903687.4A CN202210903687A CN115147091A CN 115147091 A CN115147091 A CN 115147091A CN 202210903687 A CN202210903687 A CN 202210903687A CN 115147091 A CN115147091 A CN 115147091A
- Authority
- CN
- China
- Prior art keywords
- job
- information
- compensation
- data
- salary
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/105—Human resources
- G06Q10/1053—Employment or hiring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q10/1057—Benefits or employee welfare, e.g. insurance, holiday or retirement packages
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Fuzzy Systems (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供一种智能薪酬查询方法及系统,所述方法包括获取求职者的第一求职信息,其中,所述第一求职信息包括所述求职者的目标职位名称、目标职位所在城市以及目标职位所属行业;基于所述第一求职信息,通过第一预设数据库,根据预设职位匹配模型,搜索与所述第一求职信息对应的职位信息,确定所述职位信息与所述第一求职信息的第一匹配度;若所述第一匹配度超过第一预设阈值,则显示超过第一预设阈值的匹配度对应的第一职位信息。本公开的求职方法通过分析大量的薪酬样本,从海量的数据中提取和计算出对应群体的薪酬水平,为相关人员对于薪酬的定位提供清晰的认知参考,增加入职成功率和减少不必要的沟通成本。
Description
技术领域
本公开涉及求职技术领域,尤其涉及一种智能薪酬查询方法及系统。
背景技术
传统的职位薪酬报告是通过人为的采集市场中各家企业的薪酬数据,并通过线下的传统excel模式或工具去分析和计算,存在准确率和效率低下,且因为有人为干预的因素,致使最终的分析数据不够客观,降低了数据的可信度,当此类数据流入到市场或客户手中将会对员工职位的薪酬环境造成一定程度的破坏和损害。
公开于本申请背景技术部分的信息仅仅旨在加深对本申请的一般背景技术的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
本公开实施例提供一种智能薪酬查询方法及系统,能够通过分析大量的薪酬样本,从海量的数据中提取和计算出对应群体的薪酬水平,为相关人员对于薪酬的定位提供清晰的认知参考,增加入职成功率和减少不必要的沟通成本。
本公开实施例的第一方面,提供一种智能薪酬查询方法,包括:
获取求职者的第一求职信息,其中,所述第一求职信息包括所述求职者的目标职位名称、目标职位所在城市以及目标职位所属行业;
基于所述第一求职信息,通过第一预设数据库,根据预设职位匹配模型,搜索与所述第一求职信息对应的职位信息,确定所述职位信息与所述第一求职信息的第一匹配度;
若所述第一匹配度超过第一预设阈值,则显示超过第一预设阈值的匹配度对应的第一职位信息,
其中,所述第一职位信息包括所述目标职位对应的参考薪酬。
在一种可选的实施方式中,
在确定所述职位信息与所述第一求职信息的第一匹配度之后,所述方法还包括:
若所述第一匹配度低于所述预设阈值,则基于所述求职者的第一求职信息,通过第二预设数据库,搜索与所述求职者对应的第二求职信息,
其中,所述第二求职信息包括所述求职者的个人信息、所述求职者的简历信息、所述求职者的历史搜索信息、所述求职者的历史任职信息中至少一种;
根据所述第二求职信息,根据所述职位匹配模型,搜索与所述第二求职信息对应的职位信息,确定所述职位信息与所述第一求职信息的第二匹配度;
若所述第二匹配度超过第二预设阈值,则显示超过第二预设阈值的第二匹配度对应的第二职位信息,
其中,所述第二职位信息包括所述第二职位对应的参考薪酬、所述第二职位与所述目标职位的相似度,以及所述第二职位推荐值中至少一种。
在一种可选的实施方式中,
所述方法还包括训练所述职位匹配模型,所述训练方法包括:
构建薪酬维度训练数据集,并为所述薪酬维度训练数据集中每个训练数据打标签,将所述训练数据集中每个训练数据进行特征向量化,得到标准训练特征,
其中,所述薪酬维度训练数据集包括求职薪酬数据、薪酬结构数据、与所述薪酬数据对应的求职画像数据、职位需求变化数据中至少一种;
基于待训练的职位匹配模型的第一损失函数,对所述标准训练特征进行升维映射处理,将所述标准训练特征映射为与所述第一损失函数对应的映射层空间维度相同的第二中间特征;
基于待训练的职位匹配模型的第二损失函数,对所述第二中间特征进行降维映射处理,将所述第二中间特征映射为与所述标准训练特征维度相同的第三中间特征;
基于所述标准训练特征与所述第三中间特征的特征误差,通过反向传播算法迭代优化所述待训练的职位匹配模型的第一损失函数和第二损失函数,以使所述特征误差满足预设收敛条件,完成对职位匹配模型的训练。
在一种可选的实施方式中,
所述方法还包括确定参考薪酬,其中,所述确定参考薪酬的方法包括:
基于预先确定的薪酬参考信息,根据第一预设数据库,为每种薪酬参考信息分配对应的样本数据;
根据每种薪酬参考信息对应的样本数据,以及预设权重分配模型,为每个样本数据分配对应的权重值;
基于所述权重值,以及预设的第一对应关系,确定每个权重值对应的薪酬评分,其中,所述薪酬评分用于指示样本数据所在行业的薪酬占比,所述第一对应关系用于指示权重值与薪酬评分的对应关系;
通过所述薪酬评分,以及所述第一职位信息,根据预设的第二对应关系,确定目标职位对应的参考薪酬,其中,所述第二对应关系用于指示所述薪酬评分与参考薪酬的对应关系。
在一种可选的实施方式中,
所述方法还包括所述权重分配模型的训练方法,所述权重分配模型的训练方法包括:
构建薪酬数据训练集,将所述薪酬数据训练集中每个薪酬数据进行特征向量化,得到第一特征向量集;
根据所述薪酬数据对应薪酬水平的高低,将所述第一特征向量集的第一特征进行分类;
基于分类后的第一特征,通过待训练的权重分配模型的损失函数确定第一特征对应的权重值;
通过预先构建的薪酬数据测试集,验证所述第一特征对应的权重值与所述薪酬数据测试集的参考权重值的第三匹配度,
若所述第三匹配度超过第三预设阈值,则完成对权重分配模型的训练;
若所述第三匹配度低于所述第三预设阈值,则迭代优化待训练的权重分配模型的损失函数,直至所述第三匹配度超过所述第三预设阈值。
本公开实施例的第二方面,提供一种智能薪酬查询系统,包括:
第一单元,用于获取求职者的第一求职信息,其中,所述第一求职信息包括所述求职者的目标职位名称、目标职位所在城市以及目标职位所属行业;
第二单元,用于基于所述第一求职信息,通过第一预设数据库,根据预设职位匹配模型,搜索与所述第一求职信息对应的职位信息,确定所述职位信息与所述第一求职信息的第一匹配度;
第三单元,用于若所述第一匹配度超过第一预设阈值,则显示超过第一预设阈值的匹配度对应的第一职位信息,
其中,所述第一职位信息包括所述目标职位对应的参考薪酬。
在一种可选的实施方式中,
所述装置还包括第四单元,所述第四单元用于:
若所述第一匹配度低于所述预设阈值,则基于所述求职者的第一求职信息,通过第二预设数据库,搜索与所述求职者对应的第二求职信息,
其中,所述第二求职信息包括所述求职者的个人信息、所述求职者的简历信息、所述求职者的历史搜索信息、所述求职者的历史任职信息中至少一种;
根据所述第二求职信息,根据所述职位匹配模型,搜索与所述第二求职信息对应的职位信息,确定所述职位信息与所述第一求职信息的第二匹配度;
若所述第二匹配度超过第二预设阈值,则显示超过第二预设阈值的第二匹配度对应的第二职位信息,
其中,所述第二职位信息包括所述第二职位对应的参考薪酬、所述第二职位与所述目标职位的相似度,以及所述第二职位推荐值中至少一种。
在一种可选的实施方式中,
所述装置还包括第五单元,所述第五单元用于:
构建薪酬维度训练数据集,并为所述薪酬维度训练数据集中每个训练数据打标签,将所述训练数据集中每个训练数据进行特征向量化,得到标准训练特征,
其中,所述薪酬维度训练数据集包括求职薪酬数据、薪酬结构数据、与所述薪酬数据对应的求职画像数据、职位需求变化数据中至少一种;
基于待训练的职位匹配模型的第一损失函数,对所述标准训练特征进行升维映射处理,将所述标准训练特征映射为与所述第一损失函数对应的映射层空间维度相同的第二中间特征;
基于待训练的职位匹配模型的第二损失函数,对所述第二中间特征进行降维映射处理,将所述第二中间特征映射为与所述标准训练特征维度相同的第三中间特征;
基于所述标准训练特征与所述第三中间特征的特征误差,通过反向传播算法迭代优化所述待训练的职位匹配模型的第一损失函数和第二损失函数,以使所述特征误差满足预设收敛条件,完成对职位匹配模型的训练。
在一种可选的实施方式中,
所述装置还包括第六单元,所述第六单元用于:
基于预先确定的薪酬参考信息,根据第一预设数据库,为每种薪酬参考信息分配对应的样本数据;
根据每种薪酬参考信息对应的样本数据,以及预设权重分配模型,为每个样本数据分配对应的权重值;
基于所述权重值,以及预设的第一对应关系,确定每个权重值对应的薪酬评分,其中,所述薪酬评分用于指示样本数据所在行业的薪酬占比,所述第一对应关系用于指示权重值与薪酬评分的对应关系;
通过所述薪酬评分,以及所述第一职位信息,根据预设的第二对应关系,确定目标职位对应的参考薪酬,其中,所述第二对应关系用于指示所述薪酬评分与参考薪酬的对应关系。
在一种可选的实施方式中,
所述第六单元还用于:
构建薪酬数据训练集,将所述薪酬数据训练集中每个薪酬数据进行特征向量化,得到第一特征向量集;
根据所述薪酬数据对应薪酬水平的高低,将所述第一特征向量集的第一特征进行分类;
基于分类后的第一特征,通过待训练的权重分配模型的损失函数确定第一特征对应的权重值;
通过预先构建的薪酬数据测试集,验证所述第一特征对应的权重值与所述薪酬数据测试集的参考权重值的第三匹配度,
若所述第三匹配度超过第三预设阈值,则完成对权重分配模型的训练;
若所述第三匹配度低于所述第三预设阈值,则迭代优化待训练的权重分配模型的损失函数,直至所述第三匹配度超过所述第三预设阈值。
本公开提供一种智能薪酬查询方法,包括:
获取求职者的第一求职信息,其中,所述第一求职信息包括所述求职者的目标职位名称、目标职位所在城市以及目标职位所属行业;
通过获取求职者的第一求职信息,从而能够从数据库中获取与其目标职业相匹配的信息,与此同时,第一求职信息只需包括职位名称、职位所在城市以及职位所述行业,通过最少的信息即可完成数据匹配,有利于提高求职者的用户体验。
基于所述第一求职信息,通过第一预设数据库,根据预设职位匹配模型,搜索与所述第一求职信息对应的职位信息,确定所述职位信息与所述第一求职信息的第一匹配度;
本公开的职位匹配模型能够查询与求职者对应的职位信息,通过分析大量的薪酬样本,从海量的数据中提取和计算出对应群体的薪酬水平,为相关人员对于薪酬的定位提供清晰的认知参考,增加入职成功率和减少不必要的沟通成本。
若所述第一匹配度超过第一预设阈值,则显示超过第一预设阈值的匹配度对应的第一职位信息,
其中,所述第一职位信息包括所述目标职位对应的参考薪酬;
第一职位信息包括目标职位对应的参考薪酬,参考薪酬根据多方数据综合评估确定,给予市场中相同维度下的薪酬水平及其他与人相关的维度,可以直观的了解求职者的定位,给求职者提供有效的参考。
附图说明
图1为本公开实施例智能薪酬查询方法的流程示意图;
图2为本公开实施例职位信息、权重值以及得分之间的对应关系示意图;
图3为本公开实施例智能薪酬查询系统的结构示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中的附图,对本公开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公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
应当理解,在本公开的各种实施例中,各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本公开实施例的实施过程构成任何限定。
应当理解,在本公开中,“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本公开中,“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含,“包含A、B或C”是指包含A、B、C三者之一,“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。
应当理解,在本公开中,“与A对应的B”、“与A相对应的B”、“A与B相对应”或者“B与A相对应”,表示B与A相关联,根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其他信息确定B。A与B的匹配,是A与B的相似度大于或等于预设的阈值。
取决于语境,如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。
下面以具体地实施例对本公开的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1示例性地示出本公开实施例智能薪酬查询方法的流程示意图,如图1所示,所述方法包括:
步骤S101、获取求职者的第一求职信息;
其中,所述第一求职信息包括所述求职者的目标职位名称、目标职位所在城市以及目标职位所属行业;
示例性地,第一求职信息所包括的信息类别和数量只是示例性地说明,在实际应用中,可以根据实际情况进行调整,第一求职信息可以包括上述所列举的信息以外的其他信息,例如,求职者的年龄、求职者的学历、求职者的性别等等信息,上述第一求职信息的说明,并不对第一求职信息构成限定。
通过获取求职者的第一求职信息,从而能够从数据库中获取与其目标职业相匹配的信息,与此同时,第一求职信息只需包括职位名称、职位所在城市以及职位所述行业,通过最少的信息即可完成数据匹配,有利于提高求职者的用户体验。
步骤S102、基于所述第一求职信息,通过第一预设数据库,根据预设职位匹配模型,搜索与所述第一求职信息对应的职位信息,确定所述职位信息与所述第一求职信息的第一匹配度;
示例性地,本公开的第一预设数据库中存储有大量与职位相关的数据,其中,第一预设数据库的数据包括但不限于求职者性别、求职者年龄、求职者学历、求职者工作经验、求职者过往职业、求职者所在城市、求职者所在行业、求职者所在行业薪酬水平、求职者的用户画像、职位固浮比等信息。
基于第一求职信息,可以根据预设职位匹配模型,在第一预设数据库中,搜索与第一求职信息对应的职位信息,确定职位信息与第一求职信息的第一匹配度。
示例性地,若第一求职信息的目标职位名称为销售、目标职位所在城市为北京、目标职位所属行业为房地产,则可以在第一预设数据库中搜索与上述三个条件均吻合的职位信息,并综合计算第一匹配度。
在一种可选的实施方式中,
所述方法还包括训练所述职位匹配模型,所述训练方法包括:
构建薪酬维度训练数据集,并为所述薪酬维度训练数据集中每个训练数据打标签,将所述训练数据集中每个训练数据进行特征向量化,得到标准训练特征,
其中,所述薪酬维度训练数据集包括求职薪酬数据、薪酬结构数据、与所述薪酬数据对应的求职画像数据、职位需求变化数据中至少一种;
示例性地,薪酬维度训练数据集可以通过收集第三方求职平台或者第三方求职运营方的日常运营数据,或者猎头顾问主动收集的客户数据以及市场调研数据中的薪酬数据、对应人群特征的全量数据,包括人群的性别、年龄、学历等信息。
构建薪酬维度训练数据集后,可以将其中的每个训练数据打上标签,以便后续进行特征识别和筛选,并将训练数据集中每个训练数据进行特征向量化,得到标准训练数据,通过将训练数据进行特征向量化,不仅可以降低数据量,还能降低数据处理难度。
需要说明的是,通过上述方式构建的数据集,数据维度可能较为粗糙,为了降低后续数据处理的压力,可以采用统计分析的方法识别可能的错误值或异常值,如偏差分析、识别不遵守分布或回归方程的值,并结合业务特定规则,对脏数据进行清洗;
同时对不完整数据使用对比分析法,找到相似数据进行补全,例如A样本数据中的年龄字段数据缺失,则通过该条数据的薪酬、城市、行业等已确定数据去匹配出同类型数据,进行取样和对比分析,得出此类型数据中占比最高的年龄,将此年龄赋予A样本。
基于待训练的职位匹配模型的第一损失函数,对所述标准训练特征进行升维映射处理,将所述标准训练特征映射为与所述第一损失函数对应的映射层空间维度相同的第二中间特征;
基于待训练的职位匹配模型的第二损失函数,对所述第二中间特征进行降维映射处理,将所述第二中间特征映射为与所述标准训练特征维度相同的第三中间特征;
示例性地,本公开的职位匹配模型可以是基于神经网络构建,用于降低输入特征的维度并且获取输入特征的高效特征表示;可以理解的是,本公开实施例的职位匹配模型的功能可以包括对输入特征进行优化,其可以是基于神经网络构建的,示例性地,本公开实施例的职位匹配模型可以包括自编码器,需要说明的是,职位匹配模型可以包括自编码器只是示例性地说明,本公开实施例对职位匹配模型的具体类型不进行限定。
其中,自编码器是神经网络的一种,是一个非监督学习算法,可以使用反向传播算法来训练网络使得自编码器的输出的维度与输入的维度相同。实际应用中,可以在自编码器中添加具体设定,进而可以学习到关于输入特征中有价值的表达和信息。
可选地,对所述标准训练特征进行升维映射处理的方法可以包括:
基于第一损失函数、第一损失函数对应的第一权重矩阵、第一损失函数对应的第一偏置参数,以及标准训练特征,将标准训练特征进行升维映射处理,示例性地,进行升维映射处理的方法包括如下公式所示:
其中,H表示对标准训练特征进行升维映射处理后的特征,θ表示第一损失函数,μ表示第一权重矩阵,x表示标准训练特征,β表示第一偏置参数,σk表示标准训练特征的每个维度的标准差,k∈[1,D],D表示标准训练特征的维度,∈表示不为0的常数。
同理,对所述第二中间特征进行降维映射处理的方法可以包括:
基于第二损失函数、第二损失函数对应的第二权重矩阵、第二损失函数对应的第二偏置参数,以及第二中间特征,将第二中间特征进行降维映射处理,示例性地,进行降维映射处理的方法包括如下公式所示:
其中,H′表示对第二中间特征进行降维映射处理后的特征,θ′表示第二损失函数,μ′表示第二权重矩阵,x′表示第二中间特征,β′表示第二偏置参数,σ′k表示第二中间特征的每个维度的标准差,k∈[1,D],D表示第二中间特征的维度,∈表示不为0的常数。
基于所述标准训练特征与所述第三中间特征的特征误差,通过反向传播算法迭代优化所述待训练的职位匹配模型的第一损失函数和第二损失函数,以使所述特征误差满足预设收敛条件,完成对职位匹配模型的训练。
示例性地,可以按照如下公式所示的方法通过反向传播迭代优化待训练的职位匹配模型的第一损失函数和第二损失函数:
本公开实施例通过职位匹配模型的多层网络结构自动地学习待优化特征间的深层关系,能够挖掘出一些隐藏的非线性的信息特征,例如看似毫无关联的两个账户,但是实际上却是同属于某个特定公司,从而有利于对这两个账户进行进一步分析,而这是通过人工方式所无法做到的。
在一种可选的实施方式中,
在确定所述职位信息与所述第一求职信息的第一匹配度之后,所述方法还包括:
若所述第一匹配度低于所述预设阈值,则基于所述求职者的第一求职信息,通过第二预设数据库,搜索与所述求职者对应的第二求职信息,
其中,所述第二求职信息包括所述求职者的个人信息、所述求职者的简历信息、所述求职者的历史搜索信息、所述求职者的历史任职信息中至少一种;
根据所述第二求职信息,根据所述职位匹配模型,搜索与所述第二求职信息对应的职位信息,确定所述职位信息与所述第一求职信息的第二匹配度;
若所述第二匹配度超过第二预设阈值,则显示超过第二预设阈值的第二匹配度对应的第二职位信息,
其中,所述第二职位信息包括所述第二职位对应的参考薪酬、所述第二职位与所述目标职位的相似度,以及所述第二职位推荐值中至少一种。
实际应用中,若部分职位信息较少,例如较为冷门的职业,或者求职者提供的第一求职信息无法有效搜索到匹配的职位,则可以通过第二预设数据库,搜索与求职者对应的第二求职信息。
其中,第二预设数据库可以是求职平台收集的求职者的访问数据,例如,求职者的个人信息,包括但不限于姓名、性别、地址等信息;求职者的简历信息,包括但不限于求职者主动投递的简历或者通过求职平台生成的简历;求职者的历史搜索信息,包括但不限于求职者所搜索的职业、行业以及城市等信息;求职者的历史任职信息,包括但不限于求职者曾经任职过的公司等。
第二预设数据库可以有效拓展与求职者相关的求职信息,以便在第一匹配度低于预设阈值时,进一步根据第二求职信息进行求职信息匹配。
可选地,为了获取尽可能多的第二求职信息,可以通过改变维度的层次和粒度不断向下钻取,从职位、城市、行业、薪酬范围等不同维度,挖掘对应样本人群的群体特性,例如用户查询A职位的薪酬数据,系统默认计算全维度的数据,用户可根据查询需求自由选择和组合查询更深层的、颗粒度更细的数据,如北京→房地产行业→年龄30岁→工作经验6年→性别男→学历为本科的A职位数据等。
本公开的职位匹配模型能够查询与求职者对应的职位信息,通过分析大量的薪酬样本,从海量的数据中提取和计算出对应群体的薪酬水平,为相关人员对于薪酬的定位提供清晰的认知参考,增加入职成功率和减少不必要的沟通成本。
步骤S103、若所述第一匹配度超过第一预设阈值,则显示超过第一预设阈值的匹配度对应的第一职位信息,
其中,所述第一职位信息包括所述目标职位对应的参考薪酬。
示例性地,参考薪酬根据多方数据综合评估确定,给予市场中相同维度下的薪酬水平及其他与人相关的维度,可以直观的了解求职者的定位,给求职者提供有效的参考。
在一种可选的实施方式中,
所述方法还包括确定参考薪酬,其中,所述确定参考薪酬的方法包括:
基于预先确定的薪酬参考信息,根据第一预设数据库,为每种薪酬参考信息分配对应的样本数据;
根据每种薪酬参考信息对应的样本数据,以及预设权重分配模型,为每个样本数据分配对应的权重值;
基于所述权重值,以及预设的第一对应关系,确定每个权重值对应的薪酬评分,其中,所述薪酬评分用于指示样本数据所在行业的薪酬占比,所述第一对应关系用于指示权重值与薪酬评分的对应关系;
通过所述薪酬评分,以及所述第一职位信息,根据预设的第二对应关系,确定目标职位对应的参考薪酬,其中,所述第二对应关系用于指示所述薪酬评分与参考薪酬的对应关系。
示例性地,薪酬参考信息可以包括职位需求环比、薪酬、性别、年龄、学历、工作经验、是否具备名企经验、是否毕业于名校等信息。
其中,职位需求环比,可以通过对本月和上月市场中的职位发布量的统计,将(本月-上月)/上月*100%计算出市场中对于职位的需求变化,代表着职位在市场中的供需变化,此类变化也将同时影响薪酬的变化,从而能够获取实时动态变化的薪酬信息,给出更为准确的薪酬;
固浮比:固定薪酬和浮动薪酬分别的占比,固定薪酬占比多少对求职者的入职与否有较大的影响;
薪酬分布:根据实际的样本情况对样本薪酬进行不同的划分,计算不同划分在总样本中的占比情况。
示例性地,权重分配模型可以是基于神经网络构建的模型,用于为各个薪酬参考信息分配对应的权重值,
其中,为每个样本数据分配对应的权重值的方法可以如下公式所示:
P=(1-j)*array[i+1]+j*array[i+2]
其中,可以将每个样本数据对应的数组从小到大排序,n为数据中数据的个数,整数部分为i,小数部分为j。
如图2所示,图2示例性地示出本公开实施例职位信息、权重值以及得分之间的对应关系。
示例性地,可以将企业职位与系统中的结构化数据进行对比,以职位薪酬为核心结合职位市场需求环比,给职位的薪酬、性别、年龄、学历、工作经验、是否具备名企经验、是否毕业于名校7项特性赋予分数,例如图2中模拟职位的薪酬为30万,通过与样本数据的对比和计算得出30万处于市场的33分位,则得分即为33,并通过权重算法为每个特性赋予不同的权重值,最终得出企业职位的综合得分【33*30%+51.77*10%……】,为企业对于自身职位的竞争力提供参考。
在一种可选的实施方式中,
所述方法还包括所述权重分配模型的训练方法,所述权重分配模型的训练方法包括:
构建薪酬数据训练集,将所述薪酬数据训练集中每个薪酬数据进行特征向量化,得到第一特征向量集;
根据所述薪酬数据对应薪酬水平的高低,将所述第一特征向量集的第一特征进行分类;
基于分类后的第一特征,通过待训练的权重分配模型的损失函数确定第一特征对应的权重值;
通过预先构建的薪酬数据测试集,验证所述第一特征对应的权重值与所述薪酬数据测试集的参考权重值的第三匹配度,
若所述第三匹配度超过第三预设阈值,则完成对权重分配模型的训练;
若所述第三匹配度低于所述第三预设阈值,则迭代优化待训练的权重分配模型的损失函数,直至所述第三匹配度超过所述第三预设阈值。
第一职位信息包括目标职位对应的参考薪酬,参考薪酬根据多方数据综合评估确定,给予市场中相同维度下的薪酬水平及其他与人相关的维度,可以直观的了解求职者的定位,给求职者提供有效的参考。
本公开提供一种智能薪酬查询方法,包括:
获取求职者的第一求职信息,其中,所述第一求职信息包括所述求职者的目标职位名称、目标职位所在城市以及目标职位所属行业;
通过获取求职者的第一求职信息,从而能够从数据库中获取与其目标职业相匹配的信息,与此同时,第一求职信息只需包括职位名称、职位所在城市以及职位所述行业,通过最少的信息即可完成数据匹配,有利于提高求职者的用户体验。
基于所述第一求职信息,通过第一预设数据库,根据预设职位匹配模型,搜索与所述第一求职信息对应的职位信息,确定所述职位信息与所述第一求职信息的第一匹配度;
本公开的职位匹配模型能够查询与求职者对应的职位信息,通过分析大量的薪酬样本,从海量的数据中提取和计算出对应群体的薪酬水平,为相关人员对于薪酬的定位提供清晰的认知参考,增加入职成功率和减少不必要的沟通成本。
若所述第一匹配度超过第一预设阈值,则显示超过第一预设阈值的匹配度对应的第一职位信息,
其中,所述第一职位信息包括所述目标职位对应的参考薪酬;
第一职位信息包括目标职位对应的参考薪酬,参考薪酬根据多方数据综合评估确定,给予市场中相同维度下的薪酬水平及其他与人相关的维度,可以直观的了解求职者的定位,给求职者提供有效的参考。
图3示例性地示出本公开实施例智能薪酬查询系统的结构示意图,如图3所示,所述系统包括:
第一单元31,用于获取求职者的第一求职信息,其中,所述第一求职信息包括所述求职者的目标职位名称、目标职位所在城市以及目标职位所属行业;
第二单元32,用于基于所述第一求职信息,通过第一预设数据库,根据预设职位匹配模型,搜索与所述第一求职信息对应的职位信息,确定所述职位信息与所述第一求职信息的第一匹配度;
第三单元33,用于若所述第一匹配度超过第一预设阈值,则显示超过第一预设阈值的匹配度对应的第一职位信息,
其中,所述第一职位信息包括所述目标职位对应的参考薪酬。
在一种可选的实施方式中,
所述装置还包括第四单元,所述第四单元用于:
若所述第一匹配度低于所述预设阈值,则基于所述求职者的第一求职信息,通过第二预设数据库,搜索与所述求职者对应的第二求职信息,
其中,所述第二求职信息包括所述求职者的个人信息、所述求职者的简历信息、所述求职者的历史搜索信息、所述求职者的历史任职信息中至少一种;
根据所述第二求职信息,根据所述职位匹配模型,搜索与所述第二求职信息对应的职位信息,确定所述职位信息与所述第一求职信息的第二匹配度;
若所述第二匹配度超过第二预设阈值,则显示超过第二预设阈值的第二匹配度对应的第二职位信息,
其中,所述第二职位信息包括所述第二职位对应的参考薪酬、所述第二职位与所述目标职位的相似度,以及所述第二职位推荐值中至少一种。
在一种可选的实施方式中,
所述装置还包括第五单元,所述第五单元用于:
构建薪酬维度训练数据集,并为所述薪酬维度训练数据集中每个训练数据打标签,将所述训练数据集中每个训练数据进行特征向量化,得到标准训练特征,
其中,所述薪酬维度训练数据集包括求职薪酬数据、薪酬结构数据、与所述薪酬数据对应的求职画像数据、职位需求变化数据中至少一种;
基于待训练的职位匹配模型的第一损失函数,对所述标准训练特征进行升维映射处理,将所述标准训练特征映射为与所述第一损失函数对应的映射层空间维度相同的第二中间特征;
基于待训练的职位匹配模型的第二损失函数,对所述第二中间特征进行降维映射处理,将所述第二中间特征映射为与所述标准训练特征维度相同的第三中间特征;
基于所述标准训练特征与所述第三中间特征的特征误差,通过反向传播算法迭代优化所述待训练的职位匹配模型的第一损失函数和第二损失函数,以使所述特征误差满足预设收敛条件,完成对职位匹配模型的训练。
在一种可选的实施方式中,
所述装置还包括第六单元,所述第六单元用于:
基于预先确定的薪酬参考信息,根据第一预设数据库,为每种薪酬参考信息分配对应的样本数据;
根据每种薪酬参考信息对应的样本数据,以及预设权重分配模型,为每个样本数据分配对应的权重值;
基于所述权重值,以及预设的第一对应关系,确定每个权重值对应的薪酬评分,其中,所述薪酬评分用于指示样本数据所在行业的薪酬占比,所述第一对应关系用于指示权重值与薪酬评分的对应关系;
通过所述薪酬评分,以及所述第一职位信息,根据预设的第二对应关系,确定目标职位对应的参考薪酬,其中,所述第二对应关系用于指示所述薪酬评分与参考薪酬的对应关系。
在一种可选的实施方式中,
所述第六单元还用于:
构建薪酬数据训练集,将所述薪酬数据训练集中每个薪酬数据进行特征向量化,得到第一特征向量集;
根据所述薪酬数据对应薪酬水平的高低,将所述第一特征向量集的第一特征进行分类;
基于分类后的第一特征,通过待训练的权重分配模型的损失函数确定第一特征对应的权重值;
通过预先构建的薪酬数据测试集,验证所述第一特征对应的权重值与所述薪酬数据测试集的参考权重值的第三匹配度,
若所述第三匹配度超过第三预设阈值,则完成对权重分配模型的训练;
若所述第三匹配度低于所述第三预设阈值,则迭代优化待训练的权重分配模型的损失函数,直至所述第三匹配度超过所述第三预设阈值。
需要说明的是,本公开实施例智能薪酬查询系统的有益效果可以参考前述智能薪酬查询方法的有益效果,本公开实施例在此不再赘述。
本公开还提供一种程序产品,该程序产品包括执行指令,该执行指令存储在可读存储介质中。设备的至少一个处理器可以从可读存储介质读取该执行指令,至少一个处理器执行该执行指令使得设备实施上述的各种实施方式提供的方法。
其中,可读存储介质可以是计算机存储介质,也可以是通信介质。通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。计算机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。例如,可读存储介质耦合至处理器,从而使处理器能够从该可读存储介质读取信息,且可向该可读存储介质写入信息。当然,可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(ApplicationSpecific Integrated Circuits,简称:ASIC)中。另外,该ASIC可以位于用户设备中。当然,处理器和可读存储介质也可以作为分立组件存在于通信设备中。可读存储介质可以是只读存储器(ROM)、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在上述终端或者服务器的实施例中,应理解,处理器可以是中央处理单元(英文:Central Processing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:Digital Signal Processor,简称:DSP)、专用集成电路(英文:Application SpecificIntegrated 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。结合本公开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。
最后应说明的是:以上各实施例仅用以说明本公开的技术方案,而非对其限制;尽管参照前述各实施例对本公开进行了详细的说明,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公开各实施例技术方案的范围。
Claims (10)
1.一种智能薪酬查询方法,其特征在于,包括:
获取求职者的第一求职信息,其中,所述第一求职信息包括所述求职者的目标职位名称、目标职位所在城市以及目标职位所属行业;
基于所述第一求职信息,通过第一预设数据库,根据预设职位匹配模型,搜索与所述第一求职信息对应的职位信息,确定所述职位信息与所述第一求职信息的第一匹配度;
若所述第一匹配度超过第一预设阈值,则显示超过第一预设阈值的匹配度对应的第一职位信息,
其中,所述第一职位信息包括所述目标职位对应的参考薪酬。
2.根据权利要求1所述的方法,其特征在于,在确定所述职位信息与所述第一求职信息的第一匹配度之后,所述方法还包括:
若所述第一匹配度低于所述预设阈值,则基于所述求职者的第一求职信息,通过第二预设数据库,搜索与所述求职者对应的第二求职信息,
其中,所述第二求职信息包括所述求职者的个人信息、所述求职者的简历信息、所述求职者的历史搜索信息、所述求职者的历史任职信息中至少一种;
根据所述第二求职信息,根据所述职位匹配模型,搜索与所述第二求职信息对应的职位信息,确定所述职位信息与所述第一求职信息的第二匹配度;
若所述第二匹配度超过第二预设阈值,则显示超过第二预设阈值的第二匹配度对应的第二职位信息,
其中,所述第二职位信息包括所述第二职位对应的参考薪酬、所述第二职位与所述目标职位的相似度,以及所述第二职位推荐值中至少一种。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括训练所述职位匹配模型,所述训练方法包括:
构建薪酬维度训练数据集,并为所述薪酬维度训练数据集中每个训练数据打标签,将所述训练数据集中每个训练数据进行特征向量化,得到标准训练特征,
其中,所述薪酬维度训练数据集包括求职薪酬数据、薪酬结构数据、与所述薪酬数据对应的求职画像数据、职位需求变化数据中至少一种;
基于待训练的职位匹配模型的第一损失函数,对所述标准训练特征进行升维映射处理,将所述标准训练特征映射为与所述第一损失函数对应的映射层空间维度相同的第二中间特征;
基于待训练的职位匹配模型的第二损失函数,对所述第二中间特征进行降维映射处理,将所述第二中间特征映射为与所述标准训练特征维度相同的第三中间特征;
基于所述标准训练特征与所述第三中间特征的特征误差,通过反向传播算法迭代优化所述待训练的职位匹配模型的第一损失函数和第二损失函数,以使所述特征误差满足预设收敛条件,完成对职位匹配模型的训练。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括确定参考薪酬,其中,所述确定参考薪酬的方法包括:
基于预先确定的薪酬参考信息,根据第一预设数据库,为每种薪酬参考信息分配对应的样本数据;
根据每种薪酬参考信息对应的样本数据,以及预设权重分配模型,为每个样本数据分配对应的权重值;
基于所述权重值,以及预设的第一对应关系,确定每个权重值对应的薪酬评分,其中,所述薪酬评分用于指示样本数据所在行业的薪酬占比,所述第一对应关系用于指示权重值与薪酬评分的对应关系;
通过所述薪酬评分,以及所述第一职位信息,根据预设的第二对应关系,确定目标职位对应的参考薪酬,其中,所述第二对应关系用于指示所述薪酬评分与参考薪酬的对应关系。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括所述权重分配模型的训练方法,所述权重分配模型的训练方法包括:
构建薪酬数据训练集,将所述薪酬数据训练集中每个薪酬数据进行特征向量化,得到第一特征向量集;
根据所述薪酬数据对应薪酬水平的高低,将所述第一特征向量集的第一特征进行分类;
基于分类后的第一特征,通过待训练的权重分配模型的损失函数确定第一特征对应的权重值;
通过预先构建的薪酬数据测试集,验证所述第一特征对应的权重值与所述薪酬数据测试集的参考权重值的第三匹配度,
若所述第三匹配度超过第三预设阈值,则完成对权重分配模型的训练;
若所述第三匹配度低于所述第三预设阈值,则迭代优化待训练的权重分配模型的损失函数,直至所述第三匹配度超过所述第三预设阈值。
6.一种智能薪酬查询系统,其特征在于,包括:
第一单元,用于获取求职者的第一求职信息,其中,所述第一求职信息包括所述求职者的目标职位名称、目标职位所在城市以及目标职位所属行业;
第二单元,用于基于所述第一求职信息,通过第一预设数据库,根据预设职位匹配模型,搜索与所述第一求职信息对应的职位信息,确定所述职位信息与所述第一求职信息的第一匹配度;
第三单元,用于若所述第一匹配度超过第一预设阈值,则显示超过第一预设阈值的匹配度对应的第一职位信息,
其中,所述第一职位信息包括所述目标职位对应的参考薪酬。
7.根据权利要求6所述的系统,其特征在于,所述装置还包括第四单元,所述第四单元用于:
若所述第一匹配度低于所述预设阈值,则基于所述求职者的第一求职信息,通过第二预设数据库,搜索与所述求职者对应的第二求职信息,
其中,所述第二求职信息包括所述求职者的个人信息、所述求职者的简历信息、所述求职者的历史搜索信息、所述求职者的历史任职信息中至少一种;
根据所述第二求职信息,根据所述职位匹配模型,搜索与所述第二求职信息对应的职位信息,确定所述职位信息与所述第一求职信息的第二匹配度;
若所述第二匹配度超过第二预设阈值,则显示超过第二预设阈值的第二匹配度对应的第二职位信息,
其中,所述第二职位信息包括所述第二职位对应的参考薪酬、所述第二职位与所述目标职位的相似度,以及所述第二职位推荐值中至少一种。
8.根据权利要求6所述的系统,其特征在于,所述装置还包括第五单元,所述第五单元用于:
构建薪酬维度训练数据集,并为所述薪酬维度训练数据集中每个训练数据打标签,将所述训练数据集中每个训练数据进行特征向量化,得到标准训练特征,
其中,所述薪酬维度训练数据集包括求职薪酬数据、薪酬结构数据、与所述薪酬数据对应的求职画像数据、职位需求变化数据中至少一种;
基于待训练的职位匹配模型的第一损失函数,对所述标准训练特征进行升维映射处理,将所述标准训练特征映射为与所述第一损失函数对应的映射层空间维度相同的第二中间特征;
基于待训练的职位匹配模型的第二损失函数,对所述第二中间特征进行降维映射处理,将所述第二中间特征映射为与所述标准训练特征维度相同的第三中间特征;
基于所述标准训练特征与所述第三中间特征的特征误差,通过反向传播算法迭代优化所述待训练的职位匹配模型的第一损失函数和第二损失函数,以使所述特征误差满足预设收敛条件,完成对职位匹配模型的训练。
9.根据权利要求6所述的系统,其特征在于,所述装置还包括第六单元,所述第六单元用于:
基于预先确定的薪酬参考信息,根据第一预设数据库,为每种薪酬参考信息分配对应的样本数据;
根据每种薪酬参考信息对应的样本数据,以及预设权重分配模型,为每个样本数据分配对应的权重值;
基于所述权重值,以及预设的第一对应关系,确定每个权重值对应的薪酬评分,其中,所述薪酬评分用于指示样本数据所在行业的薪酬占比,所述第一对应关系用于指示权重值与薪酬评分的对应关系;
通过所述薪酬评分,以及所述第一职位信息,根据预设的第二对应关系,确定目标职位对应的参考薪酬,其中,所述第二对应关系用于指示所述薪酬评分与参考薪酬的对应关系。
10.根据权利要求9所述的系统,其特征在于,所述第六单元还用于:
构建薪酬数据训练集,将所述薪酬数据训练集中每个薪酬数据进行特征向量化,得到第一特征向量集;
根据所述薪酬数据对应薪酬水平的高低,将所述第一特征向量集的第一特征进行分类;
基于分类后的第一特征,通过待训练的权重分配模型的损失函数确定第一特征对应的权重值;
通过预先构建的薪酬数据测试集,验证所述第一特征对应的权重值与所述薪酬数据测试集的参考权重值的第三匹配度,
若所述第三匹配度超过第三预设阈值,则完成对权重分配模型的训练;
若所述第三匹配度低于所述第三预设阈值,则迭代优化待训练的权重分配模型的损失函数,直至所述第三匹配度超过所述第三预设阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210903687.4A CN115147091A (zh) | 2022-07-28 | 2022-07-28 | 智能薪酬查询方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210903687.4A CN115147091A (zh) | 2022-07-28 | 2022-07-28 | 智能薪酬查询方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115147091A true CN115147091A (zh) | 2022-10-04 |
Family
ID=83413898
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210903687.4A Pending CN115147091A (zh) | 2022-07-28 | 2022-07-28 | 智能薪酬查询方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115147091A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117217944A (zh) * | 2023-09-28 | 2023-12-12 | 聘聘云(上海)智能科技有限公司 | 多维薪酬分布信息确定方法及装置 |
-
2022
- 2022-07-28 CN CN202210903687.4A patent/CN115147091A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117217944A (zh) * | 2023-09-28 | 2023-12-12 | 聘聘云(上海)智能科技有限公司 | 多维薪酬分布信息确定方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Afonso et al. | Housing prices prediction with a deep learning and random forest ensemble | |
CN113553540A (zh) | 一种商品销量的预测方法 | |
CN109739844B (zh) | 基于衰减权重的数据分类方法 | |
CN104321794A (zh) | 一种使用多维评级来确定一实体的未来商业可行性的系统和方法 | |
CN116109195B (zh) | 一种基于图卷积神经网络的绩效评估方法及系统 | |
Ruyu et al. | A comparison of credit rating classification models based on spark-evidence from lending-club | |
CN115147091A (zh) | 智能薪酬查询方法及系统 | |
CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
CN114912905A (zh) | 一种目标对象的挖掘方法及装置 | |
CN117217634B (zh) | 一种基于复杂网络的企业合作社区发现方法 | |
CN109992592B (zh) | 基于校园消费卡流水数据的高校贫困生识别方法 | |
CN110597990B (zh) | 一种基于智能分类的财务分析方法和系统 | |
CN112148760A (zh) | 大数据的筛选方法及装置 | |
CN116629904A (zh) | 一种基于大数据的客户分层匹配方法 | |
Bogdan et al. | Predicting bankruptcy based on the full population of Croatian companies | |
CN115829683A (zh) | 一种基于逆奖赏学习优化的电力积分商品推荐方法及系统 | |
CN115293641A (zh) | 一种基于金融大数据的企业风险智能识别方法 | |
Murakami et al. | Time Series Analysis of Global Automakers Stock Price Clustering | |
Seo et al. | Measuring News Sentiment of Korea Using Transformer | |
CN109919811B (zh) | 基于大数据的保险代理人培养方案生成方法及相关设备 | |
CN113222255A (zh) | 一种合同履约表现量化及短期违约预测的方法及装置 | |
Sianturi et al. | Implementation of The Moora Method in Determining Candidates for Village Head | |
CN112818215A (zh) | 产品数据的处理方法、装置、设备及存储介质 | |
CN112667911A (zh) | 一种利用社交软件大数据找寻潜在客户的方法 | |
CN112506930A (zh) | 一种基于机器学习技术的数据洞察平台 |
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 |