CN116011979A - 一种基于复杂网络构建人才竞争力指数的方法 - Google Patents
一种基于复杂网络构建人才竞争力指数的方法 Download PDFInfo
- Publication number
- CN116011979A CN116011979A CN202211560280.2A CN202211560280A CN116011979A CN 116011979 A CN116011979 A CN 116011979A CN 202211560280 A CN202211560280 A CN 202211560280A CN 116011979 A CN116011979 A CN 116011979A
- Authority
- CN
- China
- Prior art keywords
- talent
- candidate
- offer
- company
- constructing
- 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 30
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims abstract description 20
- 239000010931 gold Substances 0.000 claims abstract description 20
- 229910052737 gold Inorganic materials 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000013145 classification model Methods 0.000 claims description 3
- 238000012384 transportation and delivery Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 16
- 238000012549 training Methods 0.000 abstract description 12
- 230000007547 defect Effects 0.000 abstract description 3
- 230000007115 recruitment Effects 0.000 description 5
- 230000002860 competitive effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012550 audit Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012887 quadratic function Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000283690 Bos taurus Species 0.000 description 1
- 241000209504 Poaceae Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于复杂网络构建人才竞争力指数的方法，包括S1：计算候选人x在时间段T的面试offer率；S2：对应每一个offer，计算offer的面试通过率，计算提供该offer的公司的重要性，计算该offer的含金量；S3:计算候选人x在时间段T的所有offer的含金量并求和；S4:计算得到候选人x的人才竞争力指数的ground truth。本发明实现了对人才的等级的评估，由于指标是能够适用于相应行业领域的客观统一标准，因此，通过训练模型计算出的人才竞争力指数能够客观反映人才的能力水平，避免了基于不同的企业标准而进行人才评价有失客观公正的不良。
Description
技术领域
本发明涉及计算机软件领域，尤其涉及的是一种基于复杂网络构建人才竞争力指数的方法。
背景技术
企业在招聘的时候都希望面人才，找人才。人才的标准到底是什么，如何去定义一个人才是否是人才，不同的行业不同的人眼里都有不一样的想法。
目前的人才招聘推荐平台都是在获取到人才信息后，基于用人单位的岗位信息与人才信息之间的相似度进行匹配，从而实现人才推荐的。这种方式，只能够实现基于岗位和人才信息之间的契合程度去评价人才的能力水平，而不能实现对人才本身的能力的客观评价。其实相当一部分企业的关键岗位在招聘的时候难以将岗位信息传递的全面而准确，从而导致寻才困难；更有一部分核心职位是因人设岗。因此我们聚焦人才本身的能力，相信优秀的人才是具备关键岗位的一定迁移能力的，通过构建人才的核心竞争力指数来达到为企业主鉴别真正的关键人才的目的。
一方面人的能力是一种客观存在的属性，而不同公司不同职位之间的需求是不统一的，构造能够被相应行业领域认可的指标和评价方法，以实现对人才的能力的客观评价，已成为业内亟待解决的问题。
传统的人才评价，往往只基于人才本身的属性，并没有考虑到人才在其所处行业的网络关系，而这需要大量不同行业人才数据的积累，并通过数据挖掘的技术实现。
从操作层面来说现有的招聘协作平台天然有一些网络的信息，例如招聘环节中的一些重要节点，关联、推荐、公司审核通过、拿到offer，这些节点的信息可以构成丰富的有向网络。同时，人的能力与其历史的职位紧密关联，而职位和公司的水平密切相关，所以我们需要将历史工作经历的公司和职位信息考虑进评价一个人的能力模型中，实现对人才的客观公正评价。
因此，现有技术存在缺陷，需要改进。
发明内容
本发明所要解决的技术问题是：在基于复杂网络建立一套客观、准确的人才评价体系，并且，对该指标进行数值标准化，以及基于该指标训练出模型，可以实现对人才的等级的评估。
本发明的技术方案如下：一种基于复杂网络构建人才竞争力指数的方法，包括如下步骤：S1：计算候选人x在时间段T的面试offer率；S2：对应每一个offer，计算offer的面试通过率，并计算提供该offer的公司的重要性，根据面试通过率*公司的重要性，计算该offer的含金量；S3:计算候选人x在时间段T的所有offer的含金量，并对所有offer的含金量求和；S4:根据候选人x在时间段T的面试offer数*面试offer率*所有offer的含金量求和，得到候选人x的人才竞争力指数的ground truth。
应用于上述技术方案，所述的基于复杂网络构建人才竞争力指数的方法中，步骤S1中，候选人x在时间段T的面试offer率D1(x，T)的计算公式为：
其中，Noffer(x，T)为在时间段T内，候选人x有的offer数；Ninterview(x，T)为在时间段T内，候选人x有的面试数。
应用于上述各个技术方案，所述的基于复杂网络构建人才竞争力指数的方法中，步骤S2中，计算offer的面试通过率D2(x，y，T)的计算公式为：
其中，Noffet(x，y，T)为候选人x在时间段T内收到的offer所对应的公司y在时间段T内发出的该offer数，Ncandidate(y，T)为在时间段T内投递公司y的候选人数。
应用于上述各个技术方案，所述的基于复杂网络构建人才竞争力指数的方法中，步骤S2中，公司的重要性通过pagerank算法得到，其具体为，利用海量的简历数据，构建人才和企业的关联图，节点是公司，边的权重是该公司跳槽到另一个公司的人数，利用pagerank算法，入度定义为流出该公司的人才，出度定义为流入该公司的人才，训练公司与公司之间的权重差异，从而得到公司的重要性的得分。
应用于上述各个技术方案，所述的基于复杂网络构建人才竞争力指数的方法中，步骤S4中，候选人x的人才竞争力指数的ground truthGT(x，T)的计算公式为：
应用于上述各个技术方案，所述的基于复杂网络构建人才竞争力指数的方法中，还包括步骤S5:基于海量简历，构造包括候选人，学校，公司，工作年限，职位，技能的复杂网络，并且，将该复杂网络输出到全连接的神经网络，利用pointwise learning来预测分行业的人才竞争力指数，通过pairwise Learning来建模分行业的人才的相对竞争力水平。
应用于上述各个技术方案，所述的基于复杂网络构建人才竞争力指数的方法中，步骤S5中，在构建复杂网络时，是分别构造候选人的三种特征，并输出到全连接神经网络的分类模型中，其中，三种特征分为：人才的属性特征、图的出入度特征、基于异构图的特征。
应用于上述各个技术方案，所述的基于复杂网络构建人才竞争力指数的方法中，步骤S5中，具体是，分别得出人才的属性特征，图的出入度特征、基于异构图的特征，并拼接构成N*(M+12)维的特征矩阵，输入到分类器模型中。
应用于上述各个技术方案，所述的基于复杂网络构建人才竞争力指数的方法中，步骤S5中，通过人为选定判决门限，产出pointwise learning模型训练的label为：
应用于上述各个技术方案，所述的基于复杂网络构建人才竞争力指数的方法中，步骤S5中，构造pairwise learning模型训练的label为：
其中，x1和x2为候选人。
本发明的有益效果为：基于复杂网络建立了一套客观、准确的人才评价体系。我们基于提出的人才竞争力指标训练出模型，可以实现对人才的等级的评估，由于指标是能够适用于相应行业领域的客观统一标准，因此，通过训练模型计算出的人才竞争力指数能够客观反映人才的能力水平，避免了基于不同的企业标准而进行人才评价有失客观公正的不良。
附图说明
图1为本发明的构建人才竞争力分的ground truth的流程图；
图2为本发明的通过复杂网络训练模型计算人才竞争力分及牛人间的相对竞争力水平的流程图；
图3为本发明的人才和企业的关联图；
图4为本发明的有向二部图；
图5为本发明中包含求职者、学校、公司在内的3种类型节点的异构图；
图6为本发明中人才竞争力指数分布的频率直方图和JD含金量分布的直方图。
具体实施方式
以下结合附图和具体实施例，对本发明进行详细说明。
本实施例提供了一种基于复杂网络构建人才竞争力指数的方法，具体实施来说，可以分为两大块，第一块是构建人才竞争力指数的ground truth；第二步通过复杂网络训练模型得到人才竞争力指数以及人才间的相对竞争力水平；其中，ground truth指的是人才竞争力分的真值、真实的有效值或者是标准值。
具体实施来说，可以分为两大块，第一块是构建人才竞争力指数的ground truth；第二步通过复杂网络训练模型得到人才竞争力分以及人才间的相对竞争力水平。
其中，第一步，根据图1，构建人才竞争力指数的ground truth，即人才竞争力分的ground truth。
具体的，先计算候选人拿到的offer面试通过率，然后，对于每个offer，我们计算offer的含金量，通过offer面试通过率*公司重要性得到offer含金量，其中，offer指的是录用通知。
其中公司重要性C(y，T)通过pagerank算法得到。入度定义为流出该公司的人才，出度定义为流入该公司的人才，训练公司与公司之间的权重差异，从而得到公司的重要性的得分。
对每个offer进行计算offer面试通过率*公司重要性并求和，得到所有offer的含金量。最后我们得到人才竞争力指数的ground truth。
具体的，越多的offer，越高的面试offer率意味着一个人越优秀，因此，候选人x在时间段T的面试offer率D1(x，T)的计算公式为：
其中，Noffer(x，T)为在时间段T内，候选人x有的offer数；Ninterview(x，T)为在时间段T内，候选人x有的面试数。
计算offer的面试通过率D2(x，y，T)的计算公式为：
其中，Noffer(x，y，T)为候选人x在时间段T内收到的offer所对应的公司y在时间段T内发出的该offer数；Ncandidate(y，T)为在时间段T内投递公司y的候选人数。
公司重要性C(y，T)通过pagerank算法得到。具体地，利用海量的简历数据，构建人才和企业的关联图，如图3所示，节点是公司，边的权重是该公司跳槽到另一个公司的人数，利用pagerank算法，入度定义为流出该公司的人才，出度定义为流入该公司的人才，训练公司与公司之间的权重差异，从而得到公司的得分。该思想的假设是越大的公司向其他公司输送的人才越多，因此得出来的数据应该是越大的公司的重要性的得分应该越高。
对每个offer进行计算offer面试通过率*公司重要性并求和，得到候选人的所有offer的含金量
并且，候选人x的人才竞争力指数GT(x，T)的计算公式为：
从而构建人才竞争力指数的ground truth，通过构建的人才竞争力指数的groundtruth，可以实现对人才的客观、准确的评价。
并且，由于数据的稀疏性，不是每个候选人在选定的时间内都有offer，所以大部分的候选人的ground truth都为0，由此，我们基于海量简历，构造候选人，学校，公司，工作年限，职位，技能等等复杂网络。输出到全连接的神经网络，利用pointwise learning来预测分行业的人才竞争力指数，通过pairwise Learning来建模分行业的人才的相对竞争力水平。
其中，是分别构造候选人的三种特征：人才的属性特征，图的出入度特征，还有基于异构图的特征，将三种特征输出到全连接神经网络的分类模型中，利用pointwiselearning来预测分行业的人才竞争力分，通过pairwise Learning来建模分行业的人才的相对竞争力水平。
具体的，我们分别得出人才的属性特征，图的出入度特征，还有基于异构图的特征，拼接构成N*(M+12)维的特征矩阵，输入到分类器模型中。
我们人为选定判决门限，例如我们设定百分之八十分位点和百分之二十分位点为，产出pointwise learning模型训练的label为，
同时，我们构造pairwise learning模型训练的label，
其中，特征主要分为以下几类特征：
1)个人属性特征：首先，评价一个候选人既需要客观的硬性指标，又需要主观的软性指标，因为主观的软性指标难以统一标准，因此这里主要使用硬性指标作为评价候选人的特征。硬性指标主要有教育背景、工作能力、技能水平、人才潜能这四个维度。
教育背景
教育背景分为院校和学历，院校通过标签表达层次高低，例如“211工程”、“985工程”、“双一流”等，学历分为专科、专升本、本科、硕士、博士。根据专家经验为院校和学历打分并得到融合分数用来表征教育背景的差异，分数范围在0～1之间。
工作能力
工作能力从公司背景、工作时长以及岗位级别进行考虑。公司背景主要从每年的各类排名中获得，如世界500强、中国500强、中国互联网100强等，同样的岗位在不同的公司往往有较大的差距，因此公司背景能很好的刻画候选人的工作能力；工作时长一定程度上也能反映出一个人的工作能力，一般而言，工作时长越长，越有经验，因此，根据专家经验，将工作时长分为0-1、1-3、3-5、5-10、10以上这5个区间；岗位级别主要从候选人的岗位名称中得来，例如CEO、XXXX主管、XXXX高级工程师等，结合专家经验对不同级别的人赋予不同的分值，最后将三者进行加权平均得到综合的工作能力分数，分数范围在0～1之间。
技能水平
技能水平也是一个很好的特征，用来描述一个候选人的能力高低。首先需要通过实体识别技术，识别出简历中的技能词汇，再结合工作描述反映出技能的使用量，例如一个候选人使用Java这个语言，使用了10年，且每个项目中都提及了Java，因此可以粗略判断该候选人对Java语言这个技能的掌握程度相对较高，分数范围在0～1之间。
人才潜能
所谓人才潜能可以描述一个人在未来能否创造更大的价值。该特征分为两个段位，第一是普通岗位，第二是管理岗位。普通岗位例如工程师、设计师、产品经理等，管理岗位例如架构师、CXO、VP等，分数范围在0～1之间。
例如：普通岗位的黄金年龄是32岁，代表32岁时，该候选人具有最大价值。并根据一个二次函数计算得分，二次函数为开口朝下的抛物线，对称轴x＝32，定义域[22，42]，值域[0.5,1]；管理岗位的黄金年龄是42岁，代表42岁时，该候选人具有最大价值。同样根据一个二次函数计算，二次函数为开口朝下的抛物线，对称轴x＝42，定义域[32，52]，值域[0.7,1]。
2)图的出入度特征
求职者投递简历后，简历会在平台内会经过一系列流转过程：关联link、推荐recommend、审核audit、发放offer。
各阶段的解释如下：
关联：平台内猎头对<cv,jd>进行初筛，猎头会对通过初筛的<cv,jd>打上关联标签，其中，cv为个人履历，jd为职位描述。
推荐：打上关联标签的<cv,jd>会被猎头进一步挑选，对符合要求的<cv,jd>打上推荐标签。
审核：打上推荐标签的<cv,jd>会被推荐至客户方(公司)进行审核，审核通过的<cv,jd>会被打上审核通过标签。
发放offer：审核通过的岗位和简历对会安排面试，根据面试结果决定是否发放offer。
根据简历在平台内流转的过程，我们可以构建以下有向二部图：
link graph；
recommend graph；
audit graph；
offer graph；
其中，每个二部图左侧是岗位节点，右侧是简历节点，具体如图4所示，基于二部图，我们可以计算入度特征以及比例特征以recommend graph为例进行特征构建说明。
左侧的岗位节点如果通过了推荐，就会存在一条从左侧岗位到右侧简历的有向边。那么，对于右侧的简历节点我们可以构造以下特征：
入度特征：简历通过推荐的岗位数；
比例特征：简历通过推荐的岗位数/简历通过关联的岗位数；
需要注意的是，每个二部图的比例特征依赖于前一个二部图，所以link graph仅有入度特征。
3)异构图embedding
个人简历的字段特征包括eduTracks和jobTracks，里面包含了求职者的教育经历和工作经历。基于此，我们可以构建包含求职者、学校、公司在内的3种类型节点的异构图。通过特定的图向量生成算法，我们可以产出3种类型节点的向量特征，具体如图5所示。
3.模型训练
pointwise learning
输入人才的特征，利用L_1(x,T)作为输出，训练模型，得到人才竞争力指数的预测。
其中，pointwise learning模型训练的label为，
pairwise learning
输入人才对的特征，利用L_2(x,y,T)作为输出，训练模型，得到人才间的重要性排序预测。
其中，pairwise learning模型训练的label，
通过以上步骤我们基于复杂网络建立了一套客观、准确的人才评价体系。我们基于提出的人才竞争力指标训练出模型，可以实现对人才的等级的评估，由于指标是能够适用于相应行业领域的客观统一标准，因此，通过训练模型计算出的人才竞争力分能够客观反映人才的能力水平，避免了基于不同的企业标准而进行人才评价有失客观公正的不良。
图6中的左图是我们基于近千万份简历算得的人才竞争力指数分布的频率直方图，符合幂律分布了；符合我们的预期，大部分集中在0分(无offer)，分数越高的人才越来越少。右图是JD含金量分布的直方图，符合正态分布。
同时，我们还有一些额外的广泛应用场景，例如人才竞争力指数可以作为人岗匹配模型的一项特征输入；也可以作为搜索场景里的精排依据。同时我们构建的公司网络和公司重要性排名，可以作为招聘企业的目标公司参考以及行业动向参考。
以上仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于复杂网络构建人才竞争力指数的方法，其特征在于，包括如下步骤：
S1：计算候选人x在时间段T的面试offer率；
S2：对应候选人x拿到的每一个offer，计算offer的面试通过率，并计算提供该offer的公司的重要性，根据面试通过率*公司的重要性，计算该offer的含金量；
S3：计算候选人x在时间段T的所有offer的含金量，并对所有offer的含金量求和；
S4：根据候选人x在时间段T的面试offer数*面试offer率*所有offer的含金量求和，得到候选人x的人才竞争力指数的ground truth。
2.根据权利要求1所述的基于复杂网络构建人才竞争力指数的方法，其特征在于，步骤S1中，候选人x在时间段T的面试offer率D1(x，T)的计算公式为：
其中，Noffer(x，T)为在时间段T内，候选人x有的offer数；Ninterview(x，T)为在时间段T内，候选人x有的面试数。
3.根据权利要求2所述的基于复杂网络构建人才竞争力指数的方法，其特征在于：步骤S2中，计算offer的面试通过率D2(x，y，T)的计算公式为：
其中，Noffer(x，y，T)为候选人x在时间段T内收到的offer所对应的公司y在时间段T内发出的该offer数，Ncandidate(y，T)为在时间段T内投递公司y的候选人数。
4.根据权利要求3所述的基于复杂网络构建人才竞争力指数的方法，其特征在于：步骤S2中，公司的重要性通过pagerank算法得到，其具体为，利用海量的简历数据，构建人才和企业的关联图，节点是公司，边的权重是该公司跳槽到另一个公司的人数，利用pagerank算法，入度定义为流出该公司的人才，出度定义为流入该公司的人才，训练公司与公司之间的权重差异，从而得到公司的重要性的得分。
5.根据权利要求4所述的基于复杂网络构建人才竞争力指数的方法，其特征在于：步骤S4中，候选人x的人才竞争力指数的ground truth GT(x，T)的计算公式为：
其中，C(y，T)为公司y的重要性，
为候选人x的所有offer的含金量求和。
6.根据权利要求5所述的基于复杂网络构建人才竞争力指数的方法，其特征在于：还包括步骤S5：基于海量简历，构造包括候选人，学校，公司，工作年限，职位，技能的复杂网络，并且，将该复杂网络输出到全连接的神经网络，利用pointwise learning来预测分行业的人才竞争力指数，通过pairwise Learning来建模分行业的人才的相对竞争力水平。
7.根据权利要求6所述的基于复杂网络构建人才竞争力指数的方法，其特征在于：步骤S5中，在构建复杂网络时，是分别构造候选人的三种特征，并输出到全连接神经网络的分类模型中，其中，三种特征分为：人才的属性特征、图的出入度特征、基于异构图的特征。
8.根据权利要求7所述的基于复杂网络构建人才竞争力指数的方法，其特征在于：步骤S5中，具体是，分别得出人才的属性特征，图的出入度特征、基于异构图的特征，并拼接构成N*(M+12)维的特征矩阵，输入到分类器模型中。
9.根据权利要求8所述的基于复杂网络构建人才竞争力指数的方法，其特征在于：步骤S5中，通过人为选定判决门限，产出pointwise learning模型训练的label为：
10.根据权利要求9所述的基于复杂网络构建人才竞争力指数的方法，其特征在于：步骤S5中，构造pairwise learning模型训练的label为：
其中，x1和x2为候选人。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211560280.2A CN116011979A (zh) | 2022-12-07 | 2022-12-07 | 一种基于复杂网络构建人才竞争力指数的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211560280.2A CN116011979A (zh) | 2022-12-07 | 2022-12-07 | 一种基于复杂网络构建人才竞争力指数的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116011979A true CN116011979A (zh) | 2023-04-25 |
Family
ID=86034418
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211560280.2A Pending CN116011979A (zh) | 2022-12-07 | 2022-12-07 | 一种基于复杂网络构建人才竞争力指数的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116011979A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120104856A (ko) * | 2011-03-14 | 2012-09-24 | 주식회사 리치커뮤니케이션즈 | 인재 추천 및 평가 시스템과 방법 |
| CN108256022A (zh) * | 2018-01-10 | 2018-07-06 | 广东轩辕网络科技股份有限公司 | 人才评价模型构建方法及人才评价方法及系统 |
| CN109800951A (zh) * | 2018-12-17 | 2019-05-24 | 平安科技（深圳）有限公司 | 评估简历质量的方法、装置、计算机设备和存储介质 |
| CN110807564A (zh) * | 2018-08-06 | 2020-02-18 | 百度在线网络技术（北京）有限公司 | 基于人才流动信息的竞争力分析方法、装置和电子设备 |
| JP2020027648A (ja) * | 2018-08-11 | 2020-02-20 | 株式会社ヒトラボジェイピー | 人材評価システム、人材評価方法及び人材評価プログラム |
| CN111414480A (zh) * | 2020-03-17 | 2020-07-14 | 创新奇智(青岛)科技有限公司 | 一种通过复合损失函数提升模型学习效果的方法 |
| CN112348362A (zh) * | 2020-11-06 | 2021-02-09 | 中国平安人寿保险股份有限公司 | 岗位候选人的确定方法、装置、设备及介质 |
-
2022
- 2022-12-07 CN CN202211560280.2A patent/CN116011979A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120104856A (ko) * | 2011-03-14 | 2012-09-24 | 주식회사 리치커뮤니케이션즈 | 인재 추천 및 평가 시스템과 방법 |
| CN108256022A (zh) * | 2018-01-10 | 2018-07-06 | 广东轩辕网络科技股份有限公司 | 人才评价模型构建方法及人才评价方法及系统 |
| CN110807564A (zh) * | 2018-08-06 | 2020-02-18 | 百度在线网络技术（北京）有限公司 | 基于人才流动信息的竞争力分析方法、装置和电子设备 |
| JP2020027648A (ja) * | 2018-08-11 | 2020-02-20 | 株式会社ヒトラボジェイピー | 人材評価システム、人材評価方法及び人材評価プログラム |
| CN109800951A (zh) * | 2018-12-17 | 2019-05-24 | 平安科技（深圳）有限公司 | 评估简历质量的方法、装置、计算机设备和存储介质 |
| CN111414480A (zh) * | 2020-03-17 | 2020-07-14 | 创新奇智(青岛)科技有限公司 | 一种通过复合损失函数提升模型学习效果的方法 |
| CN112348362A (zh) * | 2020-11-06 | 2021-02-09 | 中国平安人寿保险股份有限公司 | 岗位候选人的确定方法、装置、设备及介质 |
Non-Patent Citations (1)
| Title |
|---|
| ROHAN RAMANATH ET AL: "Towards Deep and Representation Learning for Talent Search at LinkedIn", 《 CIKM \'18: PROCEEDINGS OF THE 27TH ACM INTERNATIONAL CONFERENCE ON INFORMATION AND KNOWLEDGE MANAGEMENT》, pages 2255 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Alzoubi et al. | Fuzzy assisted human resource management for supply chain management issues | |
| Steiner | Strategic planning | |
| Chatterjee et al. | Prioritization of project proposals in portfolio management using fuzzy AHP | |
| Chuang et al. | A data-driven MADM model for personnel selection and improvement | |
| Kronegger et al. | Classifying scientific disciplines in S lovenia: A study of the evolution of collaboration structures | |
| KR20210116073A (ko) | 인공지능 기반의 인재 채용 플랫폼 시스템 | |
| Sangari et al. | Critical factors for achieving supply chain agility: Towards a comprehensive taxonomy | |
| Akour et al. | Artificial intelligence and financial decisions: Empirical evidence from developing economies | |
| Vishvakarma et al. | An empirical analysis of impact of organizational strategies on critical success factors of business process reengineering | |
| Shen et al. | Opinion evolution and dynamic trust-driven consensus model in large-scale group decision-making under incomplete information | |
| Fitzsimmons et al. | Improving construction project schedules before execution | |
| Mousavi et al. | An Artificial Intelligence Model-Based Locally Linear Neuro-Fuzzy for Construction Project Selection. | |
| Liang et al. | Methods Dealing with Complexity in Selecting Joint Venture Contractors for Large‐Scale Infrastructure Projects | |
| Bredillet | The future of project management: mapping the dynamics of project management field in action | |
| CN116011979A (zh) | 一种基于复杂网络构建人才竞争力指数的方法 | |
| Conka et al. | A combined decision model for R&D project portfolio selection | |
| Chen et al. | Towards social-welfare and confidence optimizing approach to examining barriers for digital transformation in SMCEs | |
| Amre et al. | Decision Making Approach in Recruitment using Neuro-Fuzzy System | |
| Kazemifard et al. | A Novel Hybrid Model for Technology Strategy Formulating in High-tech Industries under Uncertainty: A Case Study | |
| Knapp | Independent Professionals: Knowledge-intensive work between the professions and new expert occupations | |
| Anggawidjaja et al. | WORKFORCE GROUPING IN COMPLETING PROJECTS WITH INTERN WORK ACTIVITY LOG DATA | |
| Ma et al. | Credit risk evaluation based on artificial intelligence technology | |
| Soofifard et al. | Risk assessment of construction projects by using combined model of analytical network process and DEMATEL method | |
| CN116258574B (zh) | 一种基于混合效应逻辑回归的违约率预测方法及系统 | |
| CN117171428B (zh) | 一种提升搜索和推荐结果准确性的方法 |
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 |