CN117436830A - 一种毕业生就业企业鉴别系统 - Google Patents
一种毕业生就业企业鉴别系统 Download PDFInfo
- Publication number
- CN117436830A CN117436830A CN202311759073.4A CN202311759073A CN117436830A CN 117436830 A CN117436830 A CN 117436830A CN 202311759073 A CN202311759073 A CN 202311759073A CN 117436830 A CN117436830 A CN 117436830A
- Authority
- CN
- China
- Prior art keywords
- enterprise
- low
- data
- evaluation
- group
- 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.)
- Granted
Links
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000011156 evaluation Methods 0.000 claims description 215
- 238000000034 method Methods 0.000 claims description 63
- 230000008569 process Effects 0.000 claims description 19
- 230000007115 recruitment Effects 0.000 claims description 7
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 description 11
- 238000011161 development Methods 0.000 description 11
- 230000018109 developmental process Effects 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 4
- 238000013480 data collection Methods 0.000 description 3
- 238000011282 treatment Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种毕业生就业企业鉴别系统,包括:根据企业每个分组数据中点赞数量与评论数的比值获得低评参数,根据分组评论数量和点赞数量的均值与每个分组评论数量和点赞数量的差异结合分组序列、邻域分组差异性获取分组数据低评参数的权重,用低评参数权重对低评参数进行加权获取差评程度,将企业分组数据根据时间序列分为两部分并计算期望参数,结合期望参数与差评程度综合判断企业推荐程度。本发明可以更准确的判断企业是否优质,以便于求职者更高效准确的选择优质企业,降低就业风险。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种毕业生就业企业鉴别系统。
背景技术
在信息多样化的时代,应届生寻找工作可以通过求职软件寻找,目前各大求职软件中对企业评价褒贬不一,大都根据企业好评数量从高到低进行排序推荐,而好评可能会受到其他因素的影响,如企业的运营方法,曝光情况或奖励机制会导致用户对企业的判断不够准确,且评论本身存在时效性和真实性,因此通过企业的好评数量很难判断该企业是否优质。
发明内容
为解决上述问题,本发明提供一种毕业生就业企业鉴别系统。
本发明的一种毕业生就业企业鉴别系统采用如下技术方案:
本发明一个实施例提供了一种毕业生就业企业鉴别系统,该系统包括以下模块:
数据采集模块,用于采集招聘平台中求职者对各个企业的评价信息;
数据分析模块,用于根据每个企业的每个分组数据中点赞数量与评论数的比值可以获得每个企业每个分组数据对应的低评参数;根据所有分组评论数量和点赞数量的均值与每个分组评论数量和点赞数量的差值大小获取每个分组数据对应低评参数权重因子;根据数据分组序列结合分组数据对应低评参数权重因子获取分组对应低评参数权重系数;根据每个分组对应分组低评参数与前后邻域分组低评参数的差异获取每个分组低评参数可信度因子;
数据运算模块,用于根据每个企业中每个分组数据对应低评参数的权重系数和可信度因子获取每个企业中每个分组数据对应低评参数的权重;根据每个企业每个分组低评参数结合分组对应低评参数权重可以获取每个企业的差评程度;
数据处理模块,用于将每个企业所有分组数据分为前序分组数据和后序分组数据两部分,根据每个企业后序分组数据对应低评参数均值与前序分组数据对应低评参数均值的差异情况获取每个企业的期望参数;根据每个企业的差评程度和每个企业的期望参数获取每个企业的推荐参数;根据每个企业的推荐参数对企业进行排序展示。
进一步地,所述根据所有分组评论数量和点赞数量的均值与每个分组评论数量和点赞数量的差值大小获取每个分组数据对应低评参数权重因子,包括的具体方法为:
式中,表示第x个企业中第c个分组数据对应的低评参数权重因子,表示
第x个企业第c个分组数据中差评的点赞数量,表示第x个企业第c个分组数据中差评的
条数,表示第x个企业第i个分组数据中差评的点赞数量,表示第x个企业第i个分组
数据中差评的条数,Q表示预设的时间范围,单位是年,T表示预设的时间节点,单位是天,表示分组数量。
进一步地,所述根据每个分组对应分组低评参数与前后邻域分组低评参数的差异
获取每个分组低评参数可信度因子,包括的具体方法为:
式中,表示第x个企业中第c个分组数据对应的低评参数可信度因子,表示第x
个企业中第c-1个分组数据对应的低评参数,表示第x个企业中第c个分组数据对应的
低评参数,表示第x个企业中第c+1个分组数据对应的低评参数,上述公式当且仅当时成立,当条件不满足时,取所有满足条
件的分组对应低评参数可信度因子计算值的最小值。
进一步地,所述根据每个企业中每个分组数据对应低评参数的权重系数和可信度
因子获取每个企业中每个分组数据对应低评参数的权重,包括的具体方法为: 式中表示第x个企业中第c个分组数据对应的
低评参数权重,表示第x个企业中第c个分组对应的低评参数可信度因子,表示
第x个企业中第c个分组数据对应的低评参数权重系数,表示第x个企业中第j个分组
对应的低评参数可信度因子,表示第x个企业中第j个分组数据对应的低评参数权重
系数,Q表示预设的时间范围,单位是年,T表示预设的时间节点,单位是天,c表示分组序列,表示分组数量,加0.1是为了避免分母为0。
进一步地,所述将每个企业所有分组数据分为前序分组数据和后序分组数据两部
分,根据每个企业后序分组数据对应低评参数均值与前序分组数据对应低评参数均值的差
异情况获取每个企业的期望参数,包括的具体方法为
式中,表示第x家企业的期望参数,表示x个企业中第K个分组数据对应的低评参
数,表示x个企业中第J个分组数据对应的低评参数,Q表示预设的时间范围,单位是
年,T表示预设的时间节点,单位是天,c表示分组序列,表示分组数量,表示前序
分组数据中的最后一个分组序列,表示后序分组数据中第一个分组序列,N为企业
数量, 表示分别将获取到的N个企业数据代入内公式中计算出值并记录最大值和最小值,再根据最大值
最小值的取值范围将第x个企业的计算值映射在0.1-1之间,记为期望参数的取值,若
计算得到的分组数量为奇数,则刨除中间序列分组,以刨除的中间序列的前一序列作为前
序分组数据中最后一个分组序列,以刨除的中间序列的后一序列作为后序分组数据中第一
个分组序列。
进一步地,所述根据每个企业的每个分组数据中点赞数量与评论数的比值可以获
得每个企业每个分组数据对应的低评参数,包括的具体方法为:式中,表示第x个企业中第c个分组数据对
应的低评参数,表示第x个企业第c个分组数据中差评的点赞数量,表示第x个企业第
c个分组数据中差评的条数,Q表示预设的时间范围,单位是年,T表示预设的时间节点,单位
是天。
进一步地,所述根据数据分组序列结合分组数据对应低评参数权重因子获取分组
对应低评参数权重系数,包括的具体方法为:式中,表示
第x个企业中第c个分组数据对应的低评参数权重因子,表示第x个企业中第c个分
组数据对应的低评参数权重系数,Q表示预设的时间范围,单位是年,T表示预设的时间节
点,单位是天,c表示分组序列。
进一步地,所述根据每个企业每个分组低评参数结合分组对应低评参数权重可以
获取每个企业的差评程度,包括的具体方法为:式中,表
示第x个企业的差评程度,表示第x个企业第I个分组数据对应的低评参数,表示
第x个企业中第I个分组数据对应的低评参数权重,Q表示预设的时间范围,单位是年,T表示
预设的时间节点,单位是天,c表示分组序列,表示分组数量。
进一步地,所述根据每个企业的差评程度和每个企业的期望参数获取每个企业的
推荐参数,包括的具体方法为:式中,表示第x个企业的推荐参
数,表示第x个企业的期望参数,表示第x个企业的差评程度。
进一步地,所述将每个企业所有分组数据分为前序分组数据和后序分组数据两部分,包括的具体方法为:以时间节点的时序中心作为分割,将每个企业所有分组数据分为前序分组数据和后序分组数据两部分。
本发明的技术方案的有益效果是:利用企业的差评情况反向推荐企业,可以让求职者获取更真实的企业运作情况,对差评信息基于时序进行分组,可以更清晰的展现出企业的发展变化,基于每个分组的点赞数量与差评数量获取低评参数相较于基于数量判断的好处在于避免曝光程度对数量的影响,根据数据分布特征计算信息真实度可以获得更准确的企业差评程度,结合每个分组数据,差评真实性和时序对所有数据进行分析,并考虑企业的发展趋势,结合企业的差评程度和发展趋势综合判断企业推荐优先级,可以使求职者更好的筛选企业,降低求职者的就业风险。
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简单地介绍,显而易见地,下面描述中的附图仅仅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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种毕业生就业企业鉴别系统的结构框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种毕业生就业企业鉴别系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种毕业生就业企业鉴别系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种毕业生就业企业鉴别系统的结构框图,该系统包括以下模块:
数据采集模块101,用于采集招聘平台中求职者对各个企业的评价信息。
需要说明的是,求职者的差评信息对其他求职者甄别企业更有参考价值,是因为这些差评信息能够真实地反映出企业的工作环境、管理方式以及员工待遇等方面的真实情况。通过了解其他求职者的工作经历和感受,可以帮助甄别企业是否适合自己的职业发展和个人需求,从而更加明智地做出求职决策,所以本发明需要采集招聘平台中各企业评论标签为差评的评论数量以及每条标签为差评的评论对应的点赞数量。
具体的,本发明以预设的时间范围在招聘平台中采集N家企业评论标签为差评的评论数量以及所评论对应的点赞数量,并根据预设的时间节点对采集到的数据进行分组。
需要说明的是,本实施例的预设时间范围为当前数据采集时刻两年以内,预设的时间节点为一天,采集数据企业数量为N,即通过招聘平台日志信息采集并统计截至当前采集数据时刻两年内N家企业增加的差评条数和每条差评对应点赞量数量,以一天作为时间节点进行分组后可获得每天每个企业新增的差评和新增的差评点赞数量,在其他实施例中,实施人员可根据实际实施情况设置时间范围和时间节点以及企业数量。
至此,通过上述方法得到各企业评论标签为差评的评论和所采集评论对应的点赞数量以及所采集评论对应的时间分布情况。
数据分析模块102,用于根据每个企业的每个分组数据中点赞数量与评论数的比值可以获得每个企业每个分组数据对应的低评参数;根据所有分组评论数量和点赞数量的均值与每个分组评论数量和点赞数量的差值大小获取每个分组数据对应低评参数权重因子;根据数据分组序列结合分组数据对应低评参数权重因子获取分组对应低评参数权重系数;根据每个分组对应分组低评参数与前后邻域分组低评参数的差异获取每个分组低评参数可信度因子。
需要说明的是,对于企业的差评程度需要综合考虑所有求职者对企业的差评数量和点赞数量,是因为单一的差评可能只代表了个别求职者的个人经历和看法,而不能代表整体的企业形象,通过综合考虑所有求职者的差评数量和点赞数量,可以更客观地评估企业的整体形象和声誉。
进一步需要说明的是,由于受到曝光率的影响,各个企业的评论和点赞数目可能不同,只根据差评数量和点赞数量多少判断企业的差评程度不够准确,企业曝光率较高时其差评数量和点赞数量可能较高,计算得到该企业的差评程度可能偏高,所以本步骤需要根据每个企业的每个分组数据中点赞数量与评论数的比值可以获得每个企业每个分组数据对应的低评参数,因为正常情况下曝光率越高,总评论数量越多差评的数量也越多,而差评的点赞数量也会随着曝光趋势同步变化,当企业差评点赞数量与评论数的比值越大时低评参数也越大,说明求职者对于该差评的认同程度更高,则该企业差评真实程度可能越高,对于求职者来说选择所述企业的优先级越低。
具体的,根据每个企业的每个分组数据中点赞数量与评论数的比值可以获得每个
企业每个分组数据对应的低评参数,具体公式如下:式
中,表示第x个企业中第c个分组数据对应的低评参数,表示第x个企业第c个分组
数据中差评的点赞数量,表示第x个企业第c个分组数据中差评的条数,Q表示预设的时
间范围,单位是年,T表示预设的时间节点,单位是天。
需要说明的是,是为了避免分组中差评条数为0的情况出现导致分式不成
立,上述得到的低评参数一定程度上可以反映出每个企业每个时间节点的差评程度,因为
企业的情况和环境是会随着时间而变化的。一家企业可能在不同的时间点有不同的管理团
队、业务策略、企业文化和员工待遇等方面的变化,因此只根据某个时间段的差评信息判断
企业差评程度可能已经不再准确,所以需要根据每个企业每个分组的低评参数综合判断所
述每个企业的低评程度。
进一步需要说明的是,企业低评参数的均值一定程度上可以反映出企业的差评程度,但近期企业的差评信息对求职者更具有参考意义,主要是因为近期的差评信息更能反映出企业当前的经营状况和员工工作环境。随着时间的推移,企业的管理和运营可能会发生变化,时间节点越早的差评信息具有的参考价值越小,而近期的差评信息更能对求职者选择工作时提供有力的参考依据,所以只根据企业低评参数均值获取的企业差评程度可能不够准确,且受到曝光程度的影响,可能存在某时间节点对应分组差评数量和差评点赞数量远小于企业每个时间节点评论数量和差评点赞数量的平均水平,此时的低评参数不符合企业评价的概率较大,参考意义较小,即某时间节点对应分组差评数量和差评点赞数量相较企业每个时间节点评论数量和差评点赞数量的平均值越小,低评参数的可信度越低,所以本步骤根据所有分组评论数量和点赞数量的均值与每个分组评论数量和点赞数量的差值大小获取每个分组数据对应低评参数权重因子,结合每个分组数据对应低评权重因子和分组序列获取每个分组数据对应低评参数权重系数。
具体的,获取每个分组数据对应低评参数权重因子公式如下:
式中,表示第x个企业中第c个分组数据对应的低评参数权重因子,表示
第x个企业第c个分组数据中差评的点赞数量,表示第x个企业第c个分组数据中差评的
条数,表示第x个企业第i个分组数据中差评的点赞数量,表示第x个企业第i个分组
数据中差评的条数,Q表示预设的时间范围,单位是年,T表示预设的时间节点,单位是天,表示分组数量。
需要说明的是,上述权重因子是为了判断低评参数的可信度,上述计算过程是为了将可信度的取值范围控制在0-1,当分组评论数量和点赞数量的均值与每个分组评论数量和点赞数量的差值越大,分组数据对应低评参数权重因子越小,分组数据对应低评参可信度越低,在计算权重时应该赋予更小的权重,当分组评论数量和点赞数量的均值与每个分组评论数量和点赞数量的差值小于等于1时,此时分组评论数量和点赞数量的均值与每个分组评论数量和点赞数量很接近,低评参数基本符合企业评价,此时分组数据对应低评参数权重因子达到最大值1。
进一步需要说明的是,近期的差评信息更能反映出企业当前的经营状况和员工工作环境,即近期数据在计算权重时应该赋予更大的权重,所以本步骤需要结合每个分组数据对应低评权重因子和分组序列获取每个分组数据对应低评参数权重系数。
具体的,根据数据分组序列结合分组数据对应低评参数权重因子获取分组对应低
评参数权重系数公式如下:式中,表示第x个企业中第c个分
组数据对应的低评参数权重因子,表示第x个企业中第c个分组数据对应的低评参数
权重系数,Q表示预设的时间范围,单位是年,T表示预设的时间节点,单位是天,c表示分组
序列。
需要说明的是,分组序列是根据时间节点获得的,即分组序列越小,分组时间序列越靠前,分组对应的低评参数权重系数越小,对应获取分组低评参数权重应该越小;分组序列越大,分组时间序列越靠后,分组对应的低评参数权重系数越大,对应获取分组低评参数权重应该越大,因为近期的差评信息更能对求职者选择工作时提供有力的参考依据。
进一步需要说明的是,企业之间存在竞争关系,部分差评信息可能并非为真实求职者留下的,这部分差评信息的介入可能会导致计算得到的企业差评程度较高,当某个时间节点出现差评数量突然增大并且不符合后续差评数量的变化规律时,该时间节点统计的差评信息真实性存疑,计算得到的低评参数应该赋予较低的权重以避免虚假差评信息对企业整体评价的影响,差评数量越多,低评参数可能会越小,所以本步骤根据每个分组对应分组低评参数与前后邻域分组低评参数的差异获取分组低评参数可信度因子。
具体的,根据每个分组对应分组低评参数与前后邻域分组低评参数的差异获取每
个分组低评参数可信度因子,具体公式如下:式中,表示第x个企业中第c个分组数据对应的低评参数可信度因子,表示第x个企业
中第c-1个分组数据对应的低评参数,表示第x个企业中第c个分组数据对应的低评参
数,表示第x个企业中第c+1个分组数据对应的低评参数,上述公式当且仅当时成立,当条件不满足时,取所有满足条件
的分组对应低评参数可信度因子计算值的最小值。
需要说明的是,当满足条件时,说明当前
第c个分组数据对应的低评参数小于前后相邻的两个分组低评参数,由于分组低评参数是
根据点赞量与评论量的比值进行计算的,此时说明第c个分组数据中差评数量的变化量大
于点赞量的变化量,不符合前后数据的变化趋势,差评的可信度较低,越大,说明当前第c个分组对比相邻前后两组数据中差评数量
相较于点赞量的变化量越大,则可能存在虚假差评的概率越大,分组低评参数可信度因子
越大,差评的可信度越低,则第c组数据对应的低评参数应赋予更小的权重以避免虚假信息
的影响,而越小,说明当前第c分组相邻前后两组数据点赞数量与
差评数量的增长数量越稳定,说明在当前第c时间节点附近的数据时较为稳定的,则当前第
c个分组对比相邻前后两组数据中差评数量相较于点赞量的变化受求职者真实评价变化的
影响程度越小,即当前第c个分组对比相邻前后两组数据中差评数量相较于点赞量的变化
受虚假差评的概率越大,第c分组对应低评参数可信度因子越大,差评的可信度越低,第c组
数据对应的低评参数应赋予更小的权重以避免虚假信息的影响。分母加0.1是为了避免分
母为0的情况出现,当不满足条件时,说明第c分
组前后两组数据点赞量与差评数量的增长数量变化不存在短时间增大又减小的情况,数据
相对正常,差评为真实求职者评价的概率较大,故第c个分组数据对应的低评参数可信度较
大,赋予所有分组数据对应的低评参数可信度因子计算值的最小值。若分组不存在满足的条件,说明整组数据相对真实,所有分组对应
的低评参数可信度因子都记为1,对于第一组分组数据,由于其没有前序数据,不能利用本
算法计算低评参数可信度因子,但其时序很小,分组对应低评参数权重系数也很小,即分组
对应低评参数权重也很小,对整体数据影响可以忽略不计,故第一组数据对应低评参数可
信度因子可以取第二组数据对应低评参数可信度因子的取值,对于最后一组数据同样无法
计算低评参数可信度因子,由于其与倒数第二组数据时序性最接近,可以取倒数第二组数
据低评参数可信度因子的取值。
数据运算模块103,用于根据每个企业中每个分组数据对应低评参数权重系数和可信度因子获取每个企业中每个分组数据对应低评参数的权重;根据每个企业每个分组低评参数结合分组对应低评参数权重可以获取每个企业的差评程度。
需要说明的是,上述过程计算得到了每个企业中每个分组数据对应的低评参数,每个企业中每个分组数据对应低评参数的权重系数和可信度因子,接下来根据每个企业中每个分组数据对应低评参数的权重系数和可信度因子获取每个企业中每个分组数据对应低评参数的权重。
具体的,计算第x个企业中第c个分组数据对应的低评参数权重计算公式如下:式中表示第x个企业中第c个分组数
据对应的低评参数权重,表示第x个企业中第c个分组对应的低评参数可信度因子,表示第x个企业中第c个分组数据对应的低评参数权重系数,表示第x个企业中
第j个分组对应的低评参数可信度因子,表示第x个企业中第j个分组数据对应的低评
参数权重系数,Q表示预设的时间范围,单位是年,T表示预设的时间节点,单位是天,c表示
分组序列,表示分组数量,加0.1是为了避免分母为0。
需要说明的是,对于第x个企业若某分组低评参数可信度因子越大,则该分组数据可信度越低,应该赋予较低的权重以避免虚假数据对整体数据的影响,故该分组低评参数权重越小,而分组对应低评参数权重系数越大,分组对应低评参数权重越大。
具体的,根据每个企业每个分组低评参数结合分组对应低评参数权重计算每个企
业的差评程度公式如下:式中,表示第x个企业的差评程
度,表示第x个企业第I个分组数据对应的低评参数,表示第x个企业中第I个分
组数据对应的低评参数权重,Q表示预设的时间范围,单位是年,T表示预设的时间节点,单
位是天,c表示分组序列,表示分组数量。至此,通过上述方法可以获得每个企业的差
评程度。
数据处理模块104,用于将每个企业所有分组数据分为前序分组数据和后序分组数据两部分,根据每个企业后序分组数据对应低评参数均值与前序分组数据对应低评参数均值的差异情况获取每个企业的期望参数;根据每个企业的差评程度和每个企业的期望参数获取每个企业的推荐参数;根据每个企业的推荐参数对企业进行排序展示。
需要说明的是,企业在发展过程中会面临各种问题,企业可能在不同的时间点有不同的管理团队、业务策略、企业文化和员工待遇等方面的变化,求职者在选择企业过程中还需考虑企业的发展趋势,若企业愿意汲取意见,这种企业倾向于重视求职者或员工的意见和反馈,通常会提供更好的工作环境和发展机会。
进一步需要说明的是,对于企业是否愿意听取求职者或员工意见,可以通过计算该企业的不同分组数据对应的低评参数的增减趋势进行判断,若不同分组数据对应的低评参数在数据采集时间范围内总体下降,则说明该企业的差评趋势在总体下降,则该企业可能会有较好的发展前景,求职者可以将更多注意力放在该企业上。
具体的,以时间节点的时序中心作为分割,将每个企业所有分组数据分为前序分
组数据和后序分组数据两部分,对比所有分组后序分组数据对应的低评参数均值与所有前
序分组数据对应的低评参数均值的差值大小,可以获取每个企业的期望参数,若某企业后
序分组数据对应低评参数均值与前序分组数据对应低评参数均值的差值越大,则说明该企
业的发展趋势越差,选择的优先级越低,期望参数越大,计算期望参数的具体公式如下:式中,表示第x家企业的期望参数,表示
x个企业中第K个分组数据对应的低评参数,表示x个企业中第J个分组数据对应的低
评参数,Q表示预设的时间范围,单位是年,T表示预设的时间节点,单位是天,c表示分组序
列,表示分组数量,表示前序分组数据中的最后一个分组序列,表示后
序分组数据中第一个分组序列,N为企业数量, 表示分别将
获取到的N个企业数据代入 内公式中计算出值并记录最大值和最
小值,再根据最大值最小值的取值范围将第x个企业的计算值映射在0.1-1之间,记为期望
参数的取值,若计算得到的分组数量为奇数,则刨除中间序列分组,以刨除的中间序列
的前一序列作为前序分组数据中最后一个分组序列,以刨除的中间序列的后一序列作为后
序分组数据中第一个分组序列。
需要说明的是,本步骤目的是将所有企业的期望参数归一化,以避免负值出现影响后续计算结果,本实施例最小值取0.1,在其他实施例中最小值取值可根据具体实施情况而定,但不能小于等于0大于等于1。
需要进一步说明的是,结合企业的发展趋势和差评情况可以综合得出推荐参数,用于对比企业推荐优先级,可以更准确的为求职者判断企业的优劣程度。
具体的,根据每个企业的差评程度和每个企业的期望参数获取每个企业的推荐参
数,具体公式如下:式中,表示第x个企业的推荐参数,表示第x
个企业的期望参数,表示第x个企业的差评程度。
需要说明的是,企业的期望参数越大则该企业的发展趋势越差,企业的差评程度越大则说明企业的差评情况越严重,获取的企业推荐参数越大,即企业推荐参数越大,该企业推荐的优先级越低。至此,根据上述步骤获取每个企业的推荐参数,按照推荐参数的大小对企业进行倒序排序,排序好的企业自上而下排布在招聘平台企业推荐列表中,可以更准确的判断企业是否优质,以便于求职者更高效准确的选择优质企业,降低就业风险。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种毕业生就业企业鉴别系统,其特征在于,该系统包括以下模块:
数据采集模块,用于采集招聘平台中求职者对各个企业的评价信息;
数据分析模块,用于根据每个企业的每个分组数据中点赞数量与评论数的比值可以获得每个企业每个分组数据对应的低评参数;根据所有分组评论数量和点赞数量的均值与每个分组评论数量和点赞数量的差值大小获取每个分组数据对应低评参数权重因子;根据数据分组序列结合分组数据对应低评参数权重因子获取分组对应低评参数权重系数;根据每个分组对应分组低评参数与前后邻域分组低评参数的差异获取每个分组低评参数可信度因子;
数据运算模块,用于根据每个企业中每个分组数据对应低评参数权重系数和可信度因子获取每个企业中每个分组数据对应低评参数的权重;根据每个企业每个分组低评参数结合分组对应低评参数权重可以获取每个企业的差评程度;
数据处理模块,用于将每个企业所有分组数据分为前序分组数据和后序分组数据两部分,根据每个企业后序分组数据对应低评参数均值与前序分组数据对应低评参数均值的差异情况获取每个企业的期望参数;根据每个企业的差评程度和每个企业的期望参数获取每个企业的推荐参数;根据每个企业的推荐参数对企业进行排序展示。
2.根据权利要求1所述一种毕业生就业企业鉴别系统,其特征在于,所述根据所有分组评论数量和点赞数量的均值与每个分组评论数量和点赞数量的差值大小获取每个分组数据对应低评参数权重因子,包括的具体方法为:
式中,表示第x个企业中第c个分组数据对应的低评参数权重因子,/>表示第x个企业第c个分组数据中差评的点赞数量,/>表示第x个企业第c个分组数据中差评的条数,/>表示第x个企业第i个分组数据中差评的点赞数量,/>表示第x个企业第i个分组数据中差评的条数,Q表示预设的时间范围,单位是年,T表示预设的时间节点,单位是天,表示分组数量。
3.根据权利要求1所述一种毕业生就业企业鉴别系统,其特征在于,所述根据每个分组对应分组低评参数与前后邻域分组低评参数的差异获取每个分组低评参数可信度因子,包括的具体方法为:式中,/>表示第x个企业中第c个分组数据对应的低评参数可信度因子,/>表示第x个企业中第c-1个分组数据对应的低评参数,/>表示第x个企业中第c个分组数据对应的低评参数,/>表示第x个企业中第c+1个分组数据对应的低评参数,上述公式当且仅当/>时成立,当条件不满足时,/>取所有满足条件的分组对应低评参数可信度因子计算值的最小值。
4.根据权利要求1所述一种毕业生就业企业鉴别系统,其特征在于,所述根据每个企业中每个分组数据对应低评参数权重系数和可信度因子获取每个企业中每个分组数据对应低评参数的权重,包括的具体方法为:式中表示第x个企业中第c个分组数据对应的低评参数权重,/>表示第x个企业中第c个分组对应的低评参数可信度因子,/>表示第x个企业中第c个分组数据对应的低评参数权重系数,/>表示第x个企业中第j个分组对应的低评参数可信度因子,/>表示第x个企业中第j个分组数据对应的低评参数权重系数,Q表示预设的时间范围,单位是年,T表示预设的时间节点,单位是天,c表示分组序列,/>表示分组数量,加0.1是为了避免分母为0。
5.根据权利要求1所述一种毕业生就业企业鉴别系统,其特征在于,所述将每个企业所有分组数据分为前序分组数据和后序分组数据两部分,根据每个企业后序分组数据对应低评参数均值与前序分组数据对应低评参数均值的差异情况获取每个企业的期望参数,包括的具体方法为:式中,/>表示第x家企业的期望参数,/>表示x个企业中第K个分组数据对应的低评参数,/>表示x个企业中第J个分组数据对应的低评参数,Q表示预设的时间范围,单位是年,T表示预设的时间节点,单位是天,c表示分组序列,/>表示分组数量,/>表示前序分组数据中的最后一个分组序列,/>表示后序分组数据中第一个分组序列,N为企业数量,表示分别将获取到的N个企业数据代入/>公式中计算出值并记录最大值和最小值,再根据最大值最小值的取值范围将第x个企业的计算值映射在0.1-1之间,记为期望参数/>的取值,若计算得到的分组数量为奇数,则刨除中间序列分组,以刨除的中间序列的前一序列作为前序分组数据中最后一个分组序列,以刨除的中间序列的后一序列作为后序分组数据中第一个分组序列。
6.根据权利要求1所述一种毕业生就业企业鉴别系统,其特征在于,所述根据每个企业的每个分组数据中点赞数量与评论数的比值可以获得每个企业每个分组数据对应的低评参数,包括的具体方法为:式中,/>表示第x个企业中第c个分组数据对应的低评参数,/>表示第x个企业第c个分组数据中差评的点赞数量,/>表示第x个企业第c个分组数据中差评的条数,Q表示预设的时间范围,单位是年,T表示预设的时间节点,单位是天。
7.根据权利要求1所述一种毕业生就业企业鉴别系统,其特征在于,所述根据数据分组序列结合分组数据对应低评参数权重因子获取分组对应低评参数权重系数,包括的具体方法为:式中,/>表示第x个企业中第c个分组数据对应的低评参数权重因子,/>表示第x个企业中第c个分组数据对应的低评参数权重系数,Q表示预设的时间范围,单位是年,T表示预设的时间节点,单位是天,c表示分组序列。
8.根据权利要求1所述一种毕业生就业企业鉴别系统,其特征在于,所述根据每个企业每个分组低评参数结合分组对应低评参数权重可以获取每个企业的差评程度,包括的具体方法为:式中,/>表示第x个企业的差评程度,/>表示第x个企业第I个分组数据对应的低评参数,/>表示第x个企业中第I个分组数据对应的低评参数权重,Q表示预设的时间范围,单位是年,T表示预设的时间节点,单位是天,c表示分组序列,/>表示分组数量。
9.根据权利要求1所述一种毕业生就业企业鉴别系统,其特征在于,所述根据每个企业的差评程度和每个企业的期望参数获取每个企业的推荐参数,包括的具体方法为:式中,/>表示第x个企业的推荐参数,/>表示第x个企业的期望参数,/>表示第x个企业的差评程度。
10.根据权利要求5所述一种毕业生就业企业鉴别系统,其特征在于,所述将每个企业所有分组数据分为前序分组数据和后序分组数据两部分,包括的具体方法为:以时间节点的时序中心作为分割,将每个企业所有分组数据分为前序分组数据和后序分组数据两部分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311759073.4A CN117436830B (zh) | 2023-12-20 | 2023-12-20 | 一种毕业生就业企业鉴别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311759073.4A CN117436830B (zh) | 2023-12-20 | 2023-12-20 | 一种毕业生就业企业鉴别系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117436830A true CN117436830A (zh) | 2024-01-23 |
CN117436830B CN117436830B (zh) | 2024-06-14 |
Family
ID=89553928
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311759073.4A Active CN117436830B (zh) | 2023-12-20 | 2023-12-20 | 一种毕业生就业企业鉴别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117436830B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108537623A (zh) * | 2018-03-07 | 2018-09-14 | 中国电能成套设备有限公司 | 一种电子商务中供应商推荐方法及系统 |
CN112766788A (zh) * | 2021-01-29 | 2021-05-07 | 北京明略软件系统有限公司 | 高新技术企业评价方法、系统、计算机设备及存储介质 |
CN113781006A (zh) * | 2021-09-22 | 2021-12-10 | 江苏捷祥医疗科技有限公司 | 一种基于大数据的人力资源管理系统及方法 |
CN113901308A (zh) * | 2021-09-14 | 2022-01-07 | 合肥工业大学 | 基于知识图谱的企业推荐方法及推荐装置、电子设备 |
CN114756764A (zh) * | 2022-03-11 | 2022-07-15 | 企知道网络技术有限公司 | 基于企业的内容信息流推荐方法、装置、电子设备及存储介质 |
CN114969498A (zh) * | 2021-02-24 | 2022-08-30 | 京东科技控股股份有限公司 | 一种行业龙头信息的推荐方法及装置 |
CN116127194A (zh) * | 2023-02-08 | 2023-05-16 | 江西省智能产业技术创新研究院 | 一种企业推荐方法 |
CN116992159A (zh) * | 2023-09-27 | 2023-11-03 | 江西科技学院 | 一种内容推荐方法与系统 |
CN117010763A (zh) * | 2023-08-15 | 2023-11-07 | 福州诚上商务服务有限公司 | 一种基于企业咨询管理的智慧数据统计分析系统 |
-
2023
- 2023-12-20 CN CN202311759073.4A patent/CN117436830B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108537623A (zh) * | 2018-03-07 | 2018-09-14 | 中国电能成套设备有限公司 | 一种电子商务中供应商推荐方法及系统 |
CN112766788A (zh) * | 2021-01-29 | 2021-05-07 | 北京明略软件系统有限公司 | 高新技术企业评价方法、系统、计算机设备及存储介质 |
CN114969498A (zh) * | 2021-02-24 | 2022-08-30 | 京东科技控股股份有限公司 | 一种行业龙头信息的推荐方法及装置 |
CN113901308A (zh) * | 2021-09-14 | 2022-01-07 | 合肥工业大学 | 基于知识图谱的企业推荐方法及推荐装置、电子设备 |
CN113781006A (zh) * | 2021-09-22 | 2021-12-10 | 江苏捷祥医疗科技有限公司 | 一种基于大数据的人力资源管理系统及方法 |
CN114756764A (zh) * | 2022-03-11 | 2022-07-15 | 企知道网络技术有限公司 | 基于企业的内容信息流推荐方法、装置、电子设备及存储介质 |
CN116127194A (zh) * | 2023-02-08 | 2023-05-16 | 江西省智能产业技术创新研究院 | 一种企业推荐方法 |
CN117010763A (zh) * | 2023-08-15 | 2023-11-07 | 福州诚上商务服务有限公司 | 一种基于企业咨询管理的智慧数据统计分析系统 |
CN116992159A (zh) * | 2023-09-27 | 2023-11-03 | 江西科技学院 | 一种内容推荐方法与系统 |
Non-Patent Citations (2)
Title |
---|
孟吉祥: "基于Hadoop生态技术的学生就业推荐平台研究与应用", 《硕士学位论文》, 30 June 2023 (2023-06-30) * |
李红卫;: "基于协同过滤算法的个性化就业推荐系统研究", 通讯世界, no. 04, 25 April 2020 (2020-04-25) * |
Also Published As
Publication number | Publication date |
---|---|
CN117436830B (zh) | 2024-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111539845B (zh) | 一种基于用电模式隶属评分的企业环保管控响应研判方法 | |
CN106919957A (zh) | 处理数据的方法及装置 | |
CN107368573A (zh) | 视频质量评估方法及装置 | |
CN116578726A (zh) | 一种个性化图书推荐系统 | |
CN111061948A (zh) | 一种用户标签推荐方法、装置、计算机设备及存储介质 | |
CN117436830B (zh) | 一种毕业生就业企业鉴别系统 | |
CN109583773A (zh) | 一种纳税信用积分确定的方法、系统及相关装置 | |
JPH10275177A (ja) | 投資信託のパフォーマンス評価装置およびその評価方法 | |
CN116089401B (zh) | 用户数据管理方法及系统 | |
CN110597990B (zh) | 一种基于智能分类的财务分析方法和系统 | |
CN116485519A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN110111200A (zh) | 一种基于psi的数据异常智能监控方法及智能监控装置 | |
Gilli et al. | Calibrating the Heston model with differential evolution | |
CN114997879A (zh) | 一种支付路由方法、装置、设备和存储介质 | |
CN113283699A (zh) | 一种基于关键指标分布的自适应评价方法 | |
CN112418600A (zh) | 一种基于指标集的企业政策评分方法及系统 | |
TWI720638B (zh) | 存款利率議價調整系統及其方法 | |
JP2003296539A (ja) | 意思決定支援方法 | |
Harper et al. | The preliminary economic evaluation of health technologies for the prioritization of health technology assessments: A discussion | |
CN114219501B (zh) | 样本标注资源分配方法、装置及应用 | |
CN116843368B (zh) | 基于arma模型的营销数据处理方法 | |
WO2022227213A1 (zh) | 行业推荐方法、装置、计算机设备及存储介质 | |
CN117408531B (zh) | 一种大数据智能匹配的客户信息管理方法及系统 | |
CN108090776A (zh) | 信用评估模型的更新方法及系统、信用评估方法及系统 | |
CN116402376B (zh) | 一种基于网络信息安全的数据确权分类系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |