KR20210046599A - 인재 수요 예측 방법, 장치, 기기 및 저장 매체 - Google Patents
인재 수요 예측 방법, 장치, 기기 및 저장 매체 Download PDFInfo
- Publication number
- KR20210046599A KR20210046599A KR1020210040449A KR20210040449A KR20210046599A KR 20210046599 A KR20210046599 A KR 20210046599A KR 1020210040449 A KR1020210040449 A KR 1020210040449A KR 20210040449 A KR20210040449 A KR 20210040449A KR 20210046599 A KR20210046599 A KR 20210046599A
- Authority
- KR
- South Korea
- Prior art keywords
- time series
- target
- talent
- demand
- characteristic
- Prior art date
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0633—Workflow 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 인재 수요 예측 방법, 장치, 기기 및 저장 매체를 개시하고, 인공 지능 기술 분야에 관한 것이다. 구체적인 해결 수단은 과거 채용 수요 정보에 따라, 타깃 인재 수요 시계열 및 보조 인재 수요 시계열을 결정하고; 상기 타깃 인재 수요 시계열과 상기 보조 인재 수요 시계열을 융합하여, 순방향 수요 시계열을 획득하며; 상기 순방향 수요 시계열에 따라, 타깃 인재의 새로운 수요 정보를 결정한다. 본 발명은 인재 수요 예측의 타깃성 및 정확성을 향상시킨다.
Description
본 발명의 실시예는 데이터 처리 기술 분야에 관한 것이고, 특히 인공 지능 기술 분야에 관한 것이며, 구체적으로 인재 수요 예측 방법, 장치, 기기 및 저장 매체에 관한 것이다.
인재 수요 예측 기술은, 과거 수요 데이터에 따라 향후 회사의 인재 채용 수요를 예측하는 기술을 의미한다. 인재 수요 예측은 기업, 개인, 정부에 있어서 모두 중요한 의미가 있다. 인재 수요 예측의 정확성 및 효율을 향상시키는 방법은 당 업계의 난제이다.
관련 기술은 업무 스킬 측면에서 예측을 진행하고, 스킬에 대한 시장의 수요 추세만 반영하며, 회사가 주체인 인재 수요를 무시하므로, 타깃성이 부족하고, 정확성이 비교적 낮다.
인재 수요 예측을 위한 방법, 장치, 기기 및 저장 매체를 제공한다.
제1 양태에 따르면, 인재 수요 예측 방법을 제공하고, 상기 방법은, 과거 채용 수요 정보에 따라, 타깃 인재 수요 시계열 및 보조 인재 수요 시계열을 결정하는 단계; 상기 타깃 인재 수요 시계열과 상기 보조 인재 수요 시계열을 융합하여, 순방향 수요 시계열을 획득하는 단계; 및 상기 순방향 수요 시계열에 따라, 타깃 인재의 새로운 수요 정보를 결정하는 단계를 포함한다.
제2 양태에 따르면, 본 발명의 실시예는 인재 수요 예측 장치를 개시하고, 상기 장치는, 과거 채용 수요 정보에 따라, 타깃 인재 수요 시계열 및 보조 인재 수요 시계열을 결정하기 위한 시계열 결정 모듈; 상기 타깃 인재 수요 시계열과 상기 보조 인재 수요 시계열을 융합하여, 순방향 수요 시계열을 획득하기 위한 순방향 시계열 결정 모듈; 및 상기 순방향 수요 시계열에 따라, 타깃 인재의 새로운 수요 정보를 결정하기 위한 정보 결정 모듈을 포함한다.
제3 양태에 따르면, 본 발명의 실시예는 전자 기기를 개시하고, 상기 전자 기기는, 적어도 하나의 프로세서; 및 상기 적어도 하나의 프로세서와 통신 연결된 메모리를 포함하며, 상기 메모리에는 상기 적어도 하나의 프로세서에 의해 실행되는 명령이 저장되고, 상기 명령이 상기 적어도 하나의 프로세서에 의해 실행될 경우, 상기 적어도 하나의 프로세서가 본 발명의 임의의 실시예에 따른 방법을 수행할 수 있도록 한다.
제4 양태에 따르면, 본 발명의 실시예는 컴퓨터 명령이 저장된 비일시적 컴퓨터 판독 가능 저장 매체를 개시하고, 상기 컴퓨터 명령은 상기 컴퓨터가 본 발명의 임의의 실시예에 따른 방법을 수행하도록 한다.
제5 양태에 따르면, 본 발명의 실시예는 컴퓨터 판독 가능한 저장 매체에 저장된 컴퓨터 프로그램을 개시하고, 상기 컴퓨터 프로그램이 프로세서에 의해 실행될 경우 본 발명의 임의의 실시예에 따른 방법을 구현하도록 한다.
본 발명에 따른 기술은 회사 인재 수요 예측의 타깃성을 향상시키고, 인재 수요 예측의 정확성을 향상시킨다.
본 부분에서 설명되는 내용은 본 발명에서 개시한 실시예의 핵심적이거나 또는 중요한 특징을 식별하기 위한 것이 아니며, 본 발명에서 개시한 범위를 제한하려는 의도도 아님을 이해해야 한다. 본 발명에서 개시한 다른 특징은 아래 명세서에 의해 쉽게 이해될 것이다.
도면은 본 해결수단을 더 잘 이해하기 위한 것이며, 본 발명을 제한하지 않는다.
도 1은 본 발명의 실시예에 따라 제공되는 인재 수요 예측 방법의 흐름 모식도이다.
도 2는 본 발명의 실시예에 따라 제공되는 인재 수요 예측 방법의 흐름 모식도이다.
도 3은 본 발명의 실시예에 따라 제공되는 인재 수요 예측 방법의 흐름 모식도이다.
도 4a는 본 발명의 실시예에 따라 제공되는 인재 수요 예측 방법에서 어텐션 메커니즘에 기반한 인재 수요 예측 흐름도이다.
도 4b는 본 발명의 실시예에 따라 제공되는 인재 수요 예측 방법에서 어텐션 메커니즘에 기반한 신경망 모델 구조도이다.
도 5는 본 발명의 실시예에 따라 제공되는 인재 수요 예측 장치의 구조 모식도이다.
도 6은 본 발명의 실시예의 인재 수요 예측 방법을 구현하기 위한 전자 기기의 블록도이다.
도 1은 본 발명의 실시예에 따라 제공되는 인재 수요 예측 방법의 흐름 모식도이다.
도 2는 본 발명의 실시예에 따라 제공되는 인재 수요 예측 방법의 흐름 모식도이다.
도 3은 본 발명의 실시예에 따라 제공되는 인재 수요 예측 방법의 흐름 모식도이다.
도 4a는 본 발명의 실시예에 따라 제공되는 인재 수요 예측 방법에서 어텐션 메커니즘에 기반한 인재 수요 예측 흐름도이다.
도 4b는 본 발명의 실시예에 따라 제공되는 인재 수요 예측 방법에서 어텐션 메커니즘에 기반한 신경망 모델 구조도이다.
도 5는 본 발명의 실시예에 따라 제공되는 인재 수요 예측 장치의 구조 모식도이다.
도 6은 본 발명의 실시예의 인재 수요 예측 방법을 구현하기 위한 전자 기기의 블록도이다.
아래 도면과 결부하여 본 발명의 예시적 실시예를 설명하되, 여기에 이해를 돕기 위한 본 발명의 실시예의 다양한 세부사항들이 포함되지만, 이들은 단지 예시적인 것으로 이해해야 한다. 따라서, 본 기술분야의 통상의 기술자는 본 발명의 범위 및 정신을 벗어나지 않는 전제 하에 여기서 설명된 실시예에 대해 다양한 변형 및 수정을 진행할 수 있음을 이해해야 한다. 마찬가지로, 명확 및 간략을 위해, 아래의 설명에서 공지 기능 및 구조에 대한 설명을 생략한다
도 1은 본 발명의 실시예에 따라 제공되는 인재 수요 예측 방법의 흐름 모식도이고, 본 실시예는 공개된 회사 과거 채용 수요 정보를 기반으로 향후 회사의 인재 수요에 대해 타깃성 예측을 진행하는 경우에 적용된다. 상기 방법은 인재 수요 예측 장치에 의해 수행될 수 있고, 상기 장치는 소프트웨어 및/또는 하드웨어의 방식을 사용하여 구현될 수 있으며, 전자 기기에 집적될 수 있고, 예를 들어 기기는 백그라운드 서버 등 통신 및 컴퓨팅 스킬을 구비하는 전자 기기일 수 있다. 도 1에 도시된 바와 같이, 본 실시예에서 제공하는 인재 수요 예측 방법은 아래의 단계를 포함할 수 있다.
단계(S110)에서, 과거 채용 수요 정보에 따라, 타깃 인재 수요 시계열 및 보조 인재 수요 시계열을 결정한다.
여기서, 과거 채용 수요 정보는 각 회사에서 다양한 경로를 통해 공개한 과거 채용 데이터를 의미한다. 예를 들어 인터넷에서 각 채용 소프트웨어(Applicant Tracking System) 중의 회사 채용 데이터를 수집 및 저장하는 바, 여기서 클러스터를 사용하여 대규모의 데이터를 관리할 수 있다. 수집된 채용 데이터에 대해 마스킹 처리를 진행하여, 채용 데이터 중의 개인 정보를 제거하고, 과거 채용 수요 정보를 형성하기 위한 회사 및 직위와 관련된 채용 수요 데이터만 남기며, 과거 채용 수요 정보를 더 분석한다.
타깃 인재는 채용 예측을 진행해야 하는 객체를 의미하고, 예를 들어, 타깃 인재는 예측할 타깃 회사가 타깃 직위에 대한 수요를 의미하며, 여기서, 타깃 직위는 하나의 타깃 직위, 또는 적어도 두 개의 타깃 직위일 수 있는 바, 즉 타깃 직위의 개수를 한정하지 않으며, 모든 직위에 대한 타깃 회사의 수요일 수 있고; 타깃 인재는 타깃 회사에서 타깃 직위의 수요를 의미할 수도 있으며, 마찬가지로, 타깃 회사는 하나의 타깃 회사, 또는 적어도 두 개의 타깃 회사일 수 있고, 타깃 회사의 개수를 한정하지 않으며, 타깃 직위에 대한 모든 회사의 수요일 수 있다. 타깃 인재의 구체적인 설정은 실제 예측 상황에 따라 결정할 수 있고, 여기서는 한정하지 않는다.
보조 인재는 타깃 인재의 결정에 참조될 수 있는 다른 측면의 수요 객체이고, 보조 인재의 설정은 타깃 인재의 구체적인 설정을 참조할 수 있다. 예를 들어, 타깃 인재가 타깃 직위에 대한 타깃 회사의 수요일 경우, 보조 인재는 다른 직위에 대한 타깃 회사의 수요 및 타깃 직위에 대한 다른 회사의 수요 등을 포함하는 바, 즉 보조 인재에서 타깃 인재의 관련 정보를 결정할 수 있으며, 과거 채용 수요 정보가 불완전하므로, 타깃 인재 정보가 누락되고, 불안정하며 주기성이 명확하지 않은 현상이 존재하는데, 보조 인재를 도입하여 타깃 인재를 보충하면, 다양한 측면 및 상이한 차원에서 인재 수요 정보를 결정하여, 인재 수요 정보의 완전성, 안정성 및 주기성을 향상시킬 수 있다. 마찬가지로, 타깃 인재가 타깃 직위에 대한 타깃 회사의 수요일 경우, 보조 인재는 타깃 직위에 대한 다른 회사의 수요 및 다른 직위에 대한 타깃 회사의 수요 등을 포함한다.
인재 수요 시계열은 과거 채용 수요 정보 결정에 따라 상이한 시간대를 반영할 수 있는 인재 수요 개수를 의미하고, 예를 들어 2014년부터 2020년까지 매달 직위 1에 대해 회사 A에서 발표한 인재 채용 수요 개수이다. 상응하게, 타깃 인재 수요 시계열은 단위 시간대에 필요한 타깃 인재 개수가 특정 시간 구간에서 구성한 서열을 의미하고, 보조 인재 수요 시계열은 단위 시간대에 필요한 보조 인재 개수가 특정 시간 구간에서 구성한 서열을 의미한다.
구체적으로, 예측할 타깃 인재에 따라 보조 인재를 결정하고, 과거 채용 수요 정보 중 타깃 인재 및 보조 인재의 채용 데이터에 따라, 상이한 시간대에서 구체적인 인재 채용 개수를 결정하여, 타깃 인재 수요 시계열 및 보조 인재 수요 시계열을 형성한다. 예시적으로, 타깃 인재를 타깃 직위에 대한 타깃 회사의 수요로 결정하면, 대응되는 보조 인재는 모든 직위에 대한 타깃 회사의 수요, 타깃 직위에 대한 모든 회사의 수요 및 모든 직위에 대한 모든 회사의 수요를 포함하고, 여기서, 보조 인재에서 모든 직위에 대한 타깃 회사의 수요는 상기 회사의 전체 채용 상황을 반영할 수 있으며; 타깃 직위에 대한 모든 회사의 수요는 전체 인재 시장에서 상기 직위의 채용 상황을 반영할 수 있고; 모든 직위에 대한 모든 회사의 수요는 인재 시장의 전체 채용 상황을 반영할 수 있으며, 보조 인재에서 타깃 인재의 관련 정보를 간접적으로 획득할 수 있다. 과거 채용 수요 정보에 따라, 타깃 직위에 대한 타깃 회사의 채용 개수가 시간 흐름에 따라 변화하는 정보 및 모든 직위에 대한 타깃 회사의 채용 수요 시계열, 전체 인재 시장에서 타깃 직위의 채용 수요 시계열 및 전체 인재 시장의 채용 수요 시계열 등을 각각 획득하여, 다변량 인재 수요 시계열을 구축한다.
타깃 인재 수요 시계열 및 보조 인재 수요 시계열은 직위 차원에서 회사 차원까지 더 나아가 전체 시장 차원까지, 상이한 차원에서 시간 흐름에 따라 변화하는 인재 채용 정보를 반영하고, 상이한 차원의 인재 수요 시계열은 세립 단위(fine-grained) 수요 시계열의 결함을 보완하여, 인재 수요 시계열에서 새로운 수요 정보를 결정하는 정확성을 더 향상시킬 수 있다.
단계(S120)에서, 타깃 인재 수요 시계열과 보조 인재 수요 시계열을 융합하여, 순방향 수요 시계열을 획득한다.
여기서, 융합 동작은 서열 정보의 정확성 및 신뢰성을 향상시키고, 무관한 정보가 혼입되는 것을 방지하기 위해 다수의 서열을 서열 특징에 기반하여 스티칭하는 것을 의미한다.
구체적으로, 결정된 타깃 인재 수요 시계열 및 보조 인재 수요 시계열에 대해, 시계열 중 동일한 시간 및 동일한 직위를 기반으로 스티칭 하여, 순방향 수요 시계열을 획득할 수 있는 바, 즉 적어도 두 개의 시계열을 하나의 완전한 시계열로 융합하는 것을 완성한다. 예시적으로, 인재 수요 시계열 중 경향성 및 주기성의 중요성에 따라 상이한 시계열의 가중치를 결정하고, 가중치를 기반으로 모든 시계열을 스티칭 하여, 융합한 후의 순방향 수요 시계열의 정확성을 향상시킬 수 있다.
단계(S130)에서, 순방향 수요 시계열에 따라, 타깃 인재의 새로운 수요 정보를 결정한다.
여기서, 새로운 수요 정보는 향후 타깃 인재의 채용 수요를 의미한다. 예를 들어 향후 3개월간 타깃 직위에 대한 타깃 회사의 채용 수요는, 새로운 수요 정보에 대한 결정을 통해 향후 다양한 직위에 대한 회사의 인재 수요 변화 추세, 및 향후 임의의 직위에 대한 인재 시장의 인재 수요 변화 추세를 명확히 하여, 회사의 인재 경쟁력을 향상시키고, 매크로 관점에서 인재 시장의 인재 수요와 공급을 모니터링할 수 있다.
구체적으로, 순방향 수요 시계열에서 반영하는 타깃 인재의 변화 추세, 및 변화 주기를 통해, 향후 변화 추세 및 변화 주기를 결정하고, 새로운 수요 정보를 더 결정한다.
예시적으로, 타깃 인재가 타깃 직위에 대한 타깃 회사의 수요일 경우, 순방향 수요 시계열이 다양한 차원에서 반영하는 타깃 직위에 대한 타깃 회사의 채용 개수의 변화 추세 및 변화 주기에 따라, 향후 1년내 타깃 직위에 대한 타깃 회사의 채용 개수의 변화 추세를 결정하고, 예를 들어, 타깃 직위에 대한 타깃 회사의 채용 개수가 해마다 증가하는 추세이면, 상기 추세에 따라 다음 번 타깃 직위에 대한 타깃 회사의 채용 개수를 결정할 수 있다. 순방향 수요 시계열에 타깃 직위에 대한 타깃 회사의 수요 정보만 포함될 뿐만 아니라, 다른 수요 정보도 포함되므로, 전체 인재 시장의 차원에서 변화 추세를 반영하고, 타깃 인재의 새로운 수요 정보를 결정하는 정확성을 향상시킨다.
본 발명의 실시예의 기술적 해결수단에 따르면, 회사 과거 채용 수요 정보에 대한 분석을 통해, 타깃 인재 수요 시계열 및 보조 인재 수요 시계열을 결정하고, 회사의 인재 수요에 대한 과거 추세를 기반으로 타깃 인재의 새로운 수요 정보를 결정하여, 회사 인재 수요 예측의 타깃성을 향상시키며; 타깃 인재 수요 시계열 및 보조 인재 수요 시계열을 기반으로, 여러 측면에서 인재 수요 정보를 결정하여, 인재 수요 예측의 정확성을 향상시킨다.
도 2는 본 발명의 실시예에 따른 인재 수요 예측 방법의 흐름도이고, 본 발명의 실시예는 상기 각 실시예의 기술적 해결수단을 기반으로 최적화한다.
선택 가능하게, “타깃 인재 수요 시계열과 보조 인재 수요 시계열을 융합하여, 순방향 수요 시계열을 획득”하는 동작은 “과거 채용 수요 정보 및 회사 속성 정보에 따라, 타깃 인재 수요 시계열과 관련된 타깃 고유 관련 특징, 및 보조 인재 수요 시계열과 관련된 보조 고유 관련 특징을 결정하고; 어텐션 메커니즘을 기반으로, 타깃 고유 관련 특징 및 보조 고유 관련 특징에 따라, 타깃 인재 수요 시계열과 보조 인재 수요 시계열을 융합하여, 순방향 수요 시계열을 획득”하는 동작으로 세분화하며, 어텐션 메커니즘을 기반으로 고유 관련 특징을 이용하여 타깃 인재 수요 시계열과 보조 인재 수요 시계열에 대한 융합을 구현하여, 융합 결과에서 타깃 인재에 대한 내부 특징 반영 정도를 향상시킨다.
도 2에 도시된 바와 같은 인재 수요 예측 방법은 아래의 단계를 포함한다.
단계(S210) 과거 채용 수요 정보에 따라, 타깃 인재 수요 시계열 및 보조 인재 수요 시계열을 결정한다.
단계(S220)에서, 과거 채용 수요 정보 및 회사 속성 정보에 따라, 타깃 인재 수요 시계열과 관련된 타깃 고유 관련 특징, 및 보조 인재 수요 시계열과 관련된 보조 고유 관련 특징을 결정한다.
여기서, 회사 속성 정보는 회사 다른 측면의 특징을 반영할 수 있는 정보를 의미하고, 예를 들어 회사의 설립 연도, 위치한 도시, 영업 분야 및 인원 규모 정보 등이다. 회사 속성 정보를 통해 회사의 채용 경향 특징을 결정할 수 있으며, 회사와 직위 사이의 관련성을 더 결정한다.
고유 관련 특징은 회사와 직위 사이의 관계를 특성화하는 것과 같이 회사의 속성 특징에 따라 회사와 직위 사이의 내재적 관련을 특성화하고, 예를 들어 타깃 고유 관련 특징은 타깃 인재 중 타깃 회사와 타깃 직위 사이의 내재적 관련 성질을 의미한다. 고유 관련 특징은 회사-직위 채용 행렬 및 회사의 속성 정보를 결정하여, 상이한 직위에 대한 상이한 회사의 채용 경향 특징을 더 특성화한다.
구체적으로, 과거 채용 수요 정보를 통해 상이한 회사와 상이한 직위 사이의 채용 행렬을 구축하고, 행렬 분해 방법을 통해 채용 행렬에서 상이한 회사와 상이한 직위 사이의 내재적 관련 특징을 획득하며, 상이한 회사와 상이한 직위 사이의 내재적 관련 특징을 기반으로, 회사 속성 정보에서 분석하여 획득한 회사의 속성 특징을 결합하여, 타깃 인재 수요 시계열에 포함되는 타깃 회사와 타깃 직위 사이의 타깃 고유 관련 특징을 결정하고; 동시에 보조 인재 수요 시계열에서 타깃 회사와 모든 직위의 고유 관련 특징, 및 모든 회사와 타깃 직위의 고유 관련 특징을 결정하여, 보조 인재 수요 시계열과 관련된 보조 고유 관련 특징으로 한다. 예를 들어 추천 알고리즘을 사용하여 상이한 회사와 상이한 직위 사이의 고유 관련 특징을 결정한다.
과거 채용 수요 정보 및 회사 속성 정보를 기반으로 인재 수요 시계열과 관련된 회사와 직위 사이의 관련 특징을 결정하여, 인재 수요 시계열 정보에 대한 차원 축소 처리를 진행하고, 인재 수요 예측의 효율을 향상시키며; 동시에 시계열의 내재적 관련 특징을 기반으로 인재 수요를 예측하여, 회사 채용 데이터의 표면에서 추세를 예측할 뿐만 아니라, 인재 수요 예측의 정확성도 향상시킨다.
선택 가능하게, 단계(S220)은, 과거 채용 수요 정보에 따라, 타깃 회사 고유 특징, 타깃 직위 고유 특징, 보조 회사 고유 특징 및 보조 직위 고유 특징을 결정하는 단계; 회사 속성 정보에 따라, 타깃 회사 속성 특징 및 보조 회사 속성 특징을 결정하는 단계; 타깃 회사 고유 특징, 타깃 직위 고유 특징 및 타깃 회사 속성 특징에 따라, 타깃 인재 수요 시계열과 관련된 타깃 고유 관련 특징을 결정하는 단계; 및 타깃 회사 고유 특징, 타깃 직위 고유 특징, 타깃 회사 속성 특징, 보조 회사 고유 특징, 보조 직위 고유 특징 및 보조 회사 속성 특징에 따라, 보조 인재 수요 시계열과 관련된 보조 고유 관련 특징을 결정하는 단계를 포함한다.
여기서, 회사 고유 특징은 회사의 내재적 속성 특징을 의미하고, 예를 들어 직위 채용에 대해 영향을 미치는 특징이다. 직위 고유 특징은 어느 직위의 내재적 속성 특징을 의미하고, 예를 들어 회사에 대한 어느 직위의 영향력 등이다. 회사 속성 특징은 회사 속성 정보를 특성화할 수 있는 성질을 의미하고, 예를 들어 회사의 속성 정보를 종합하거나 대표하는 특징 등이다.
예시적으로, 과거 채용 수요 정보를 통해 상이한 회사와 상이한 직위 사이의 채용 행렬을 구축하고, 행렬 분해 방법을 통해 채용 행렬에서 타깃 회사 및 보조 회사의 내부 특징을 획득하여 타깃 회사 고유 특징 및 보조 회사 고유 특징으로 하며, 타깃 직위 및 보조 직위의 내부 특징을 획득하여 타깃 직위 고유 특징 및 보조 직위 고유 특징으로 한다. 결정된 고유 특징을 기반으로 각 객체의 자체적인 특징을 명확히 하고, 회사의 속성 정보를 결합하여 회사의 속성 특징을 결정하며, 회사 및 직위의 자체적인 특징 및 회사의 속성 특징을 이용하여, 상이한 회사와 직위 사이의 내재적 관련 특징을 결정하여, 고유 관련 특징으로 한다.
타깃 고유 관련 특징은 타깃 인재에서 타깃 회사와 타깃 직위 사이의 관련 내부 특징을 의미하기에 결정된 타깃 회사 고유 특징, 타깃 직위 고유 특징 및 타깃 회사 속성 특징에 따라, 타깃 회사와 타깃 직위 사이의 내재적 관련 관계를 결정한다. 마찬가지로, 보조 고유 관련 특징은 보조 인재와 타깃 인재 사이의 관련 내부 특징을 의미하기에 결정된 타깃 회사 고유 특징, 타깃 직위 고유 특징, 타깃 회사 속성 특징, 보조 회사 고유 특징, 보조 직위 고유 특징 및 보조 회사 속성 특징에 따라 타깃 회사와 보조 회사 사이의 내재적 관련 관계, 타깃 회사와 보조 직위 사이의 내재적 관련 관계 및 보조 회사와 보조 직위 사이의 내재적 관련 관계를 결정하고, 보조 고유 관련 특징을 형성하기 위한, 타깃 회사와 타깃 직위에 미치는 영향을 결정할 수 있다.
상이한 객체의 고유 특징 및 속성 특징을 통해 상이한 객체 사이의 고유 관련 특징을 결정하고, 타깃 고유 관련 특징 및 보조 고유 관련 특징을 더 결정하여, 타깃 인재 수요 시계열 및 보조 인재 수요 시계열에서 내부 특징 및 관련 속성 특징에 대한 마이닝을 구현하며, 더 나아가 상이한 객체 사이의 내재적 관련 특징에 대한 마이닝을 구현하고, 세립 단위 인재 수요의 예측을 구현하여, 예측의 정확성을 향상시킨다.
선택 가능하게, 타깃 회사 고유 특징, 타깃 직위 고유 특징, 타깃 회사 속성 특징, 보조 회사 고유 특징, 보조 직위 고유 특징 및 보조 회사 속성 특징에 따라, 보조 인재 수요 시계열과 관련된 보조 고유 관련 특징을 결정하는 단계는,
타깃 회사 고유 특징, 보조 직위 고유 특징 및 타깃 회사 속성 특징에 따라, 보조 인재 수요 시계열과 관련된 제1 보조 고유 관련 특징을 결정하는 단계; 및
보조 회사 고유 특징, 타깃 직위 고유 특징 및 보조 회사 속성 특징에 따라, 보조 인재 수요 시계열과 관련된 제2 보조 고유 관련 특징을 결정하는 단계를 포함한다.
여기서, 제1 보조 고유 관련 특징은 타깃 회사와 보조 직위의 내재적 관련 관계를 특성화하고, 즉 보조 인재 중 보조 직위에 대한 타깃 회사의 수요를 특성화한다. 제2 보조 고유 관련 특징은 보조 회사와 타깃 직위의 내재적 관련 관계를 특성화하고, 즉 보조 인재 중 타깃 직위에 대한 보조 회사의 수요를 특성화한다.
예시적으로, 타깃 인재가 타깃 직위에 대한 타깃 회사의 수요일 경우, 보조 인재는 제1 보조 인재, 즉 보조 직위에 대한 타깃 회사의 수요를 포함하고, 또한 제2 보조 인재, 즉 타깃 직위에 대한 보조 회사의 수요를 포함한다. 보조 인재 수요 시계열에서 제1 보조 인재 중의 내재적 관련 관계를 결정하는 것은, 즉 타깃 회사 고유 특징, 보조 직위 고유 특징 및 타깃 회사 속성 특징을 통해 타깃 회사와 보조 직위 사이의 관련 관계를 결정하는 것이고; 보조 인재 수요 시계열에서 제2 보조 인재 중의 내재적 관련 관계를 결정하는 것은, 즉 보조 회사 고유 특징, 타깃 직위 고유 특징 및 보조 회사 속성 특징을 통해 보조 회사와 타깃 직위 사이의 관련 관계를 결정하는 것이다.
제1 보조 고유 관련 특징 및 제2 보조 고유 관련 특징을 통해 보조 인재 수요 시계열을 특성화하여, 보조 인재 수요 시계열과 타깃 인재 수요 시계열 사이의 내재적 관련 관계에 대한 결정을 구현하고, 다른 차원에서 타깃 고유 관련 특징을 더 반영하여, 타깃 인재 수요 예측에서 보조 인재를 도입하는 중요성 및 타깃 인재 수요 예측의 정확성을 더 향상시킨다.
단계(S230)에서, 어텐션 메커니즘을 기반으로, 타깃 고유 관련 특징 및 보조 고유 관련 특징에 따라, 타깃 인재 수요 시계열과 보조 인재 수요 시계열을 융합하여, 순방향 수요 시계열을 획득한다.
여기서, 어텐션 메커니즘은 정보 과부하 문제를 해결하는 주요 수단인 자원 할당 계획을 의미하고, 회사 인재 수요를 예측하는 것은 다단계에서 획득한 정보를 예측하는 것이므로, 획득한 데이터의 양이 많고, 입력된 데이터 정보가 결정에 대한 도움성을 구별하기 어렵기 때문에, 어텐션 메커니즘을 기반으로 인재 수요 시계열을 융합하는 것은, 인재 수요 시계열에서 중요한 정보를 결정하는 정확성을 향상시키며, 인재 수요 예측의 정확성을 더 향상시킨다.
예시적으로, 어텐션 메커니즘 학습 모델 및 예측 타깃은 어텐션 메커니즘 학습 모델의 입력에 부합되도록 인재 수요 시계열을 전처리한다. 전처리는 서열 차이 평활화, 서열의 심볼 이산화, 서열의 차원 확장 등을 포함하지만 이에 한정되지 않는다. 전처리를 통해 어텐션 메커니즘 학습 모델 처리에 편리한 인재 채용 수요 추세를 반영하는 순방향 수요 시계열을 획득한다.
선택 가능하게, 단계(S230)은, 타깃 고유 관련 특징 및 보조 고유 관련 특징에 따라, 타깃 인재 수요 시계열 및 보조 인재 수요 시계열의 어텐션 가중치를 각각 결정하는 단계; 및 타깃 인재 수요 시계열 및 보조 인재 수요 시계열의 어텐션 가중치에 따라, 타깃 인재 수요 시계열과 보조 인재 수요 시계열을 융합하는 단계를 포함한다.
여기서, 시계열의 어텐션 가중치는 인재 수요 예측 결정에 대한 상이한 시계열의 영향력을 반영한다.
구체적으로, 최종 결정에 대한 타깃 고유 관련 특징 및 보조 고유 관련 특징의 영향력에 따라, 대응되는 타깃 인재 수요 시계열 및 보조 인재 수요 시계열의 어텐션 가중치를 결정하고, 융합 결과를 획득하기 위해, 어텐션 가중치에 따라 타깃 인재 수요 시계열과 보조 인재 수요 시계열을 스티칭 한다.
예시적으로, 어텐션 메커니즘 학습 모델 중의 완전 연결층(Fully connected layer)을 통해 상이한 차원의 인재 수요 시계열의 어텐션 가중치를 획득하고, 다음 상이한 차원의 인재 수요 시계열을 가중치에 따라 합산하여, 융합 결과를 획득한다.
타깃 인재 수요 시계열 및 보조 인재 수요 시계열의 어텐션 가중치에 대한 결정을 통해, 상이한 차원의 시계열에서 반영하는 경향성 및 주기성의 중요성에 대한 결정을 구현하고, 중요성을 기반으로 시계열을 융합하여, 타깃 인재의 새로운 수요 정보 결정에 대한 융합 결과가 보다 정확하도록 한다.
단계(S240)에서, 순방향 수요 시계열에 따라, 타깃 인재의 새로운 수요 정보를 결정한다.
어텐션 메커니즘 학습 모델을 이용하여 순방향 수요 시계열을 트레이닝하여, 트레이닝 모델을 획득하고, 타깃 인재를 트레이닝 모델의 입력으로 하여, 타깃 인재의 새로운 수요 정보인 출력 결과를 획득한다.
본 발명의 실시예의 기술적 해결수단에 따르면, 어텐션 메커니즘을 기반으로 고유 관련 특징을 이용하여 타깃 인재 수요 시계열과 보조 인재 수요 시계열에 대한 융합을 구현하여, 융합 결과에서 타깃 인재에 대한 내부 특징 반영 정도를 향상시키며, 세립 단위 정보를 통해 타깃 인재에 대한 새로운 수요 정보 예측의 정확성을 더 향상시킨다.
도 3은 본 발명의 실시예에 따른 인재 수요 예측 방법의 흐름도이고, 본 발명의 실시예는 상기 각 실시예의 기술적 해결수단을 기반으로 최적화한다.
선택 가능하게, “순방향 수요 시계열에 따라, 타깃 인재의 새로운 수요 정보를 결정”하는 동작은 “순방향 수요 시계열에 대해 시간 역순 처리를 진행하여, 역방향 수요 시계열을 획득하며; 순방향 수요 시계열을 순방향 컨버터의 입력으로 하여 순방향 의미 벡터를 획득하고, 역방향 수요 시계열을 역방향 컨버터의 입력으로 하여 역방향 의미 벡터를 획득하며; 순방향 의미 벡터 및 역방향 의미 벡터에 따라, 타깃 인재의 새로운 수요 정보를 결정”하는 동작으로 세분화 하며, 시간 역순 처리를 통해 역방향 수요 시계열을 결정하고, 순방향 수요 시계열 및 역방향 수요 시계열을 기반으로 타깃 인재의 새로운 수요 정보를 동시에 결정하여, 수요 정보 결정을 위해 많은 기반을 제공하며, 새로운 수요 정보 결정의 정확성을 더 향상시킨다.
도 3에 도시된 바와 같은 인재 수요 예측 방법은 아래의 단계를 포함한다.
단계(S310)에서, 과거 채용 수요 정보에 따라, 타깃 인재 수요 시계열 및 보조 인재 수요 시계열을 결정한다.
단계(S320)에서, 타깃 인재 수요 시계열과 보조 인재 수요 시계열을 융합하여, 순방향 수요 시계열을 획득한다.
단계(S330)에서, 순방향 수요 시계열에 대해 시간 역순 처리를 진행하여, 역방향 수요 시계열을 획득한다.
여기서, 시간 역순 처리는 순방향 수요 시계열에 포함되는 정보의 주기성 추세를 이용하여, 역방향 시간 정보를 결정하는 처리를 의미한다.
구체적으로, 순방향 수요 시계열은 예측점에 근접한 추세를 반영하고, 역방향 수요 시계열은 예측점에서 멀리 떨어진 주기성을 반영한다. 순방향 수요 시계열을 통해 역방향 수요 시계열을 획득하고, 인재 수요 정보의 주기성 특징을 이용하여, 시계열의 포함 범위를 확장시키는 것을 구현한다.
예시적으로, 순방향 수요 시계열에 근 일 년간의 인재 채용 정보가 포함되면, 시간 역순 처리를 진행한 후, 지난해 같은 기간의 인재 채용 정보를 획득하여, 역방향 수요 시계열로 한다.
단계(S340)에서, 순방향 수요 시계열을 순방향 컨버터의 입력으로 하여 순방향 의미 벡터를 획득하고, 역방향 수요 시계열을 역방향 컨버터의 입력으로 하여 역방향 의미 벡터를 획득한다.
여기서, 컨버터는 어텐션을 이용하여 모델 트레이닝 속도를 향상시키는 모델을 의미한다. 의미 벡터는 기계 학습 모델의 입력 및 출력 특징에 적응하여, 조절된 입력 포맷을 의미한다.
구체적으로, 인재 시장 채용 정보의 주기성 특징을 고려하여, 예측점에 근접한 정보에만 집중적으로 주목할 뿐만 아니라, 전년도 같은 기간의 데이터에도 주목한다. 따라서 하나의 순방향 컨버터 및 하나의 역방향 컨버터를 장착하여, 순방향 컨버터는 예측점에 근접한 추세에 주목하고, 역방향 컨버터는 전년도 같은 기간의 주기성에 주목한다. 순방향 컨버터는 순방향 수요 시계열을 직접 사용하고, 역방향 컨버터는 순방향 수요 시계열을 시간 역순 처리하여 획득한 역방향 수요 시계열을 사용하며, 각각의 컨버터를 통해 순방향 수요 시계열 및 역방향 수요 시계열을 모델의 입력 및 출력 특징에 적응하는 순방향 의미 벡터 및 역방향 의미 벡터로 변환시킨다.
선택 가능하게, 순방향 컨버터 및 역방향 컨버터는 파라미터 공유 트레이닝을 통해 획득한다.
파라미터 공유 트레이닝은 인재 시장 채용 정보의 주기성 특징을 이용하여, 두 컨버터 태스크의 유사성을 결정하는 것을 의미한다. 따라서, 트레이닝 과정에서 멀티 태스크 학습 중의 소프트웨어 파라미터 공유 방법을 이용하여, 두 컨버터 모델의 파라미터를 공유 학습하여, 트레이닝 효과를 더 향상시키고; 주기성 특징을 이용하여 트레이닝 결과의 정확성을 향상시킨다.
단계(S350)에서, 순방향 의미 벡터 및 역방향 의미 벡터에 따라, 타깃 인재의 새로운 수요 정보를 결정한다.
어텐션 메커니즘 학습 모델을 이용하여 순방향 의미 벡터 및 역방향 의미 벡터를 트레이닝하여, 트레이닝 모델을 획득하고, 타깃 인재를 트레이닝 모델의 입력으로 하여, 타깃 인재의 새로운 수요 정보인 출력 결과를 획득한다.
선택 가능하게, 단계(S350)은, 순방향 의미 벡터와 역방향 의미 벡터를 통합하여, 전 방향 의미 벡터를 획득하는 단계; 및 어텐션 메커니즘을 기반으로, 전 방향 의미 벡터에 따라, 순방향 의미 벡터와 역방향 의미 벡터를 융합하고, 융합 결과에 따라 타깃 인재의 새로운 수요 정보를 결정하는 단계를 포함한다.
구체적으로, 동일한 구조의 두 컨버터를 통해 획득한 순방향 의미 벡터와 역방향 의미 벡터를 스티칭 하여, 완전한 시계열에 대응되는 전 방향 의미 벡터를 획득한다. 전 방향 의미 벡터는 완전한 타깃 인재의 과거 채용 데이터 정보를 반영하고, 전 방향 의미 벡터에 포함되는 정보 중요성 피드백에 따라, 순방향 의미 벡터와 역방향 의미 벡터를 스티칭 하여, 획득한 스티칭 결과가 융합 결과이다. 어텐션 메커니즘 학습 모델을 이용하여 융합 결과를 트레이닝하여, 트레이닝 모델을 획득하고, 트레이닝 모델에 따라 타깃 인재의 새로운 수요 정보 예측 결과를 더 획득한다.
통합 후의 전 방향 의미 벡터를 통해 순방향 의미 벡터와 역방향 의미 벡터를 융합하여, 과거 채용 데이터에 대한 융합 결과의 정확한 서술을 구현하며, 융합 결과에 따라 결정하는 새로운 수요 정보의 정확성을 더 향상시킨다.
선택 가능하게, 어텐션 메커니즘을 기반으로, 전 방향 의미 벡터에 따라, 순방향 의미 벡터와 역방향 의미 벡터를 융합하는 단계는, 전 방향 의미 벡터에 따라, 순방향 의미 벡터 및 역방향 의미 벡터의 어텐션 가중치를 각각 결정하는 단계; 및 순방향 의미 벡터 및 역방향 의미 벡터의 어텐션 가중치에 따라, 순방향 의미 벡터와 역방향 의미 벡터를 융합하는 단계를 포함한다.
구체적으로, 모델 중의 완전 연결층을 통해, 순방향 의미 벡터와 전 방향 의미 벡터의 통합 결과인 전 방향 의미 벡터에 따라, 순방향 의미 벡터의 어텐션 가중치를 결정하고; 마찬가지로 역방향 의미 벡터 및 전 방향 의미 벡터에 따라, 역방향 의미 벡터의 어텐션 가중치를 결정하며; 순방향 의미 벡터의 어텐션 가중치 및 역방향 의미 벡터의 어텐션 가중치에 따라, 순방향 의미 벡터 및 역방향 의미 벡터를 가중 합산하여, 융합 결과를 획득한다.
전 방향 의미 벡터를 통해 각 의미 벡터의 어텐션 가중치를 결정하고, 어텐션 가중치는 새로운 수요 예측 태스크에서 순방향 의미 벡터 및 역방향 의미 벡터에 포함되는 채용 정보 경향성 및 주기성의 중요성을 대표하며, 중요성의 차이는 예측 결과에 대한 의미 벡터의 기여도를 특성화하고, 예측 결과의 정확성에 대한 융합 결과의 기여도를 더 향상시킨다.
본 발명의 실시예의 기술적 해결수단에 따르면, 양방향 컨버터를 도입하여, 양방향 수요 시계열을 이용하여 과거 채용 데이터의 주기성 특징을 정확하게 반영하는 것을 구현하여, 각 회사에 대한 세립 단위 예측의 효율 및 정확성을 향상시키고; 어텐션 메커니즘에 기반한 기계 학습 모델은 우수한 해석 가능성을 구비하며, 범용성이 뛰어나다.
본 발명의 실시예는 인재 수요 예측 방법의 바람직한 실시 형태로서, 구체적으로 아래의 단계를 포함한다.
우선 채용 데이터를 수집하고, 채용 시장 중의 회사 채용 데이터를 저장해야 하며, 여기서 클러스터를 사용하여 대규모의 데이터를 관리한다. 분석 예측을 진행하기 이전에 채용 데이터를 마스킹하여, 채용 데이터 중의 개인 정보를 제거하고, 회사 및 직위와 관련된 채용 수요 데이터만 남긴다.
수집한 채용 데이터를 이용하여 다단계 정보 처리를 진행하여, 다단계 정보를 추출하는 다단계 정보 처리 방법은 아래의 단계를 포함한다.
회사-직위의 채용 행렬을 결정하고, 채용 행렬은 각 직위에 대한 각 회사의 채용 개수를 기록하며, 예를 들어 행렬의 두 번째 행과 두 번째 열에 놓인 수자는 직위 2에 대한 회사 2의 총 채용 개수이다. 행렬 분해 방법을 이용하면 채용 행렬에서 회사 및 직위의 고유 특성을 획득할 수 있고, 고유 특징은 채용 선호도에서 상이한 회사의 관계를 반영할 수 있다.
인재 수요 시계열을 결정하고, 시계열은 채용 정보에서 발표한 개수에 따라 각 시간대의 인재 수요 개수를 통계하며, 예를 들어 2014년부터 2020년까지 매달 어느 직위에 대해 어느 회사에서 발표한 채용 공고 개수이다. 동시에 세립 단위의 인재 수요 시계열에 따라 상이한 차원의 시계열을 산출한다. 즉 세립 단위의 인재 수요 시계열은 타깃 인재 수요 시계열에 대응되고, 상이한 차원의 시계열은 보조 인재 수요 시계열에 대응된다. 예를 들어 상이한 차원의 시계열은 모든 직위에 대한 회사의 서열, 전체 인재 시장에서 직위의 서열, 및 전체 인재 시장의 서열 등을 포함한다. 이러한 상이한 차원의 시계열은 모델이 시장 형태를 배우고, 세립 단위 수요 시계열의 결함을 보완하는 데 도움이 된다. 모델의 입력 및 출력에 부합되도록 하기 위해 사용된 기계 학습 모델 및 예측 타깃에 따라 시계열을 전처리한다. 이러한 처리는 서열 차이 평활화, 서열의 심볼 이산화, 서열의 차원 확장 등을 포함하지만 이에 한정되지 않는다. 처리를 통해 기계 학습 모델 처리에 편리한 인재 채용 수요 추세를 반영하는 다변량 시계열을 획득한다.
회사의 속성 정보를 결정하고, 예를 들어 설립 연도, 위치한 도시, 영업 분야, 인원 규모 등이다. 다음 기계 학습 방법을 이용하여 정보를 임베드함으로써, 회사 정보의 종합 임베디드 표현을 획득한다.
추출된 다단계 정보를 기반으로, 기계 학습 모델을 사용하여 세립 단위 인재 수요를 예측하고, 예를 들어 어텐션 메커니즘에 기반한 신경망 모델 알고리즘을 사용하는 바, 이러한 신경망 모델 알고리즘은 데이터 특징에 따라 선택될 수 있고, 여기에 두 개의 모듈을 포함하는데, 하나는 어텐션 메커니즘에 기반한 혼합 입력 모듈(Mixed Input Attention, MIA)이고, 다른 하나는 어텐션 메커니즘에 기반한 양방향 시간적 모듈(Bidirectional Temporal Attention, BTA)이다. 어텐션 메커니즘에 기반한 인재 수요 예측 흐름도는 도 4a에 도시된 바와 같고, 흐름에서 어텐션 메커니즘에 기반한 신경망 모델 구조도는 구체적으로 도 4b에 도시된 바와 같다.
모델에서 어텐션 메커니즘에 기반한 혼합 이력 모듈 부분은 우선 3가지 다단계 정보를 스티칭 하고, 완전 연결층을 통해 상이한 차원의 인재 수요 시계열의 어텐션 가중치를 산출하며, 다음 상이한 차원의 인재 수요 시계열를 가중치에 따라 합산하여, 순방향 수요 시계열인 혼합 입력을 획득한다. 상이한 차원의 인재 수요 시계열은 타깃 직위에 대한 타깃 회사의 수요 시계열, 다른 직위에 대한 타깃 회사의 수요 시계열 및 타깃 직위에 대한 다른 회사의 수요 시계열일 수 있다. 이러한 혼합 입력은 회사정보 및 고유 특징에 따라 조립 단위(coarse-grained) 정보를 이용하여 세립 단위 정보가 누락되거나, 불안정하거나, 주기성이 명확하지 않은 결함을 교묘하게 보완할 수 있어, 예측 결과의 정확성을 향상시킨다.
모델에서 어텐션 메커니즘에 기반한 양방향 시간적 모듈 부분은 시장 정보의 주기성 특징을 고려하여, 예측점에 근접한 정보에만 집중적으로 주목할 뿐만 아니라, 마찬가지로 전년도 같은 기간의 데이터에도 주목한다. 따라서 본 모듈은 k 개의 순방향 컨버터(transformer) 및 k 개의 역방향 컨버터를 포함하고, k는 1보다 크거나 같은 정수이며, 구체적인 값은 모델 트레이닝의 실제 상황에 따라 설정할 수 있다. 순방향 컨버터는 예측점에 근접한 추세에 주목하고, 역방향 컨버터는 전년도 같은 기간의 주기성에 주목한다. 순방향 컨버터는 이전 모듈의 혼합 입력 순방향 수요 시계열을 직접 사용하고, 역방향 컨버터는 이 혼합 입력의 역방향 시계열 즉 역방향 수요 시계열을 사용한다. 다음 이 두 컨버터는 동일한 구조의 두 셀프 어텐션 컨버터를 통해 두 서열의 중간 특성을 획득한다. 트레이닝 효과를 향상시키기 위해 두 컨버터 태스크의 유사성을 고려하여, 트레이닝 과정에서 멀티 태스크 학습 중의 소프트웨어 파라미터 공유 방법을 사용하여 두 셀프 어텐션 컨버터의 파라미터를 공유 학습한다. 그 다음 각 서열의 중간 특성을 하나의 벡터 특성으로 통합하고, 두 개의 벡터 특성을 서로 스티칭 하며, 완전 연결층을 통해 각 벡터 특성의 어텐션 가중치를 산출하며, 다음 가중치에 따라 상이한 벡터 특성을 가중 합산한다. 각 벡터 특성의 어텐션 가중치는 예측 태스크에서 상이한 경향성 및 주기성의 중요성을 대표하고, 상이한 회사 및 직위에 대해 상이한 가중치가 필요하다. 가중 합산한 후의 벡터 특성은 완전 연결층 출력을 통해 최종 타깃 인재 새로운 수요 예측 결과를 획득한다.
본 발명의 실시예의 기술적 해결수단에 따르면, 공개된 인터넷 채용 데이터를 이용하여, 향후 각 직위에 대한 각 회사의 인재 채용 수요를 예측한다. 어텐션 메커니즘에 기반한 기계 학습 알고리즘은, 우수한 해석 가능성을 구비하며, 다양한 산업에 대규모 적용될 수 있고, 계획을 복제하고 전이하는데 유리하며, 범용성이 뛰어나다. 각 회사에 대한 세립 단위 예측은 회사가 인재 시장에서 경쟁자를 보다 잘 분석하고, 합리적인 채용 계획을 작성하는 데 도움이 되어, 예측의 정확성 및 효율을 향상시킨다. 인터넷에 공개된 채용 데이터를 사용하면, 획득하기 쉽고, 회사의 채용 행동을 직접 반영할 수 있으며, 인재 시장에서 각 회사의 채용 행동에 대한 예측은 기업이 자체적인 인재 경쟁력을 정확하게 파악하도록 도울 수 있다.
도 5는 본 발명의 실시예에 따른 인재 수요 예측 장치의 구조도이고, 본 실시예는 공개된 회사 과거 채용 수요 정보를 기반으로 향후 회사의 인재 수요에 대해 타깃성 예측을 진행하는 경우에 적용되며, 상기 장치는 소프트웨어 및/또는 하드웨어의 방식을 사용하여 구현되고, 전자 기기에 집적될 수 있고, 예를 들어 기기는 백그라운드 서버 등 통신 및 컴퓨팅 스킬을 구비하는 전자 기기일 수 있다.
도 5에 도시된 바와 같은 인재 수요 예측 장치(500)는, 시계열 결정 모듈(51), 순방향 시계열 결정 모듈(52) 및 정보 결정 모듈(53)을 포함한다.
시계열 결정 모듈(51)은, 과거 채용 수요 정보에 따라, 타깃 인재 수요 시계열 및 보조 인재 수요 시계열을 결정한다.
순방향 시계열 결정 모듈(52)은, 상기 타깃 인재 수요 시계열과 상기 보조 인재 수요 시계열을 융합하여, 순방향 수요 시계열을 획득한다.
정보 결정 모듈(53)은, 상기 순방향 수요 시계열에 따라, 타깃 인재의 새로운 수요 정보를 결정한다.
본 발명의 실시예의 기술적 해결수단에 따르면, 회사 과거 채용 수요 정보를 분석하여, 타깃 인재 수요 시계열 및 보조 인재 수요 시계열을 결정하고, 과거 회사의 인재 수요에 대한 추세를 기반으로 타깃 인재의 새로운 수요 정보를 결정하여, 회사 인재 수요 예측의 타깃성을 향상시키며; 타깃 인재 수요 시계열 및 보조 인재 수요 시계열을 기반으로, 여러 측면에서 인재 수요 정보를 결정하여, 인재 수요 예측의 정확성을 향상시킨다.
선택 가능하게, 순방향 시계열 결정 모듈은, 상기 과거 채용 수요 정보 및 회사 속성 정보에 따라, 상기 타깃 인재 수요 시계열과 관련된 타깃 고유 관련 특징, 및 상기 보조 인재 수요 시계열과 관련된 보조 고유 관련 특징을 결정하기 위한 고유 관련 특징 결정 유닛; 및 어텐션 메커니즘을 기반으로, 상기 타깃 고유 관련 특징 및 상기 보조 고유 관련 특징에 따라, 상기 타깃 인재 수요 시계열과 상기 보조 인재 수요 시계열을 융합하기 위한 시계열 융합 유닛을 포함한다.
선택 가능하게, 시계열 융합 유닛은, 상기 타깃 고유 관련 특징 및 상기 보조 고유 관련 특징에 따라, 상기 타깃 인재 수요 시계열 및 상기 보조 인재 수요 시계열의 어텐션 가중치를 각각 결정하기 위한 서열 가중치 결정 서브 유닛; 및 상기 타깃 인재 수요 시계열 및 상기 보조 인재 수요 시계열의 어텐션 가중치에 따라, 상기 타깃 인재 수요 시계열과 상기 보조 인재 수요 시계열을 융합하기 위한 서열 융합 서브 유닛을 포함한다.
선택 가능하게, 고유 관련 특징 결정 유닛은, 상기 과거 채용 수요 정보에 따라, 타깃 회사 고유 특징, 타깃 직위 고유 특징, 보조 회사 고유 특징 및 보조 직위 고유 특징을 결정하기 위한 고유 특징 결정 서브 유닛; 상기 회사 속성 정보에 따라, 타깃 회사 속성 특징 및 보조 회사 속성 특징을 결정하기 위한 속성 특징 결정 서브 유닛; 상기 타깃 회사 고유 특징, 상기 타깃 직위 고유 특징 및 상기 타깃 회사 속성 특징에 따라, 상기 타깃 인재 수요 시계열과 관련된 타깃 고유 관련 특징을 결정하기 위한 타깃 특징 결정 서브 유닛; 및 상기 타깃 회사 고유 특징, 상기 타깃 직위 고유 특징, 상기 타깃 회사 속성 특징, 상기 보조 회사 고유 특징, 상기 보조 직위 고유 특징 및 상기 보조 회사 속성 특징에 따라, 상기 보조 인재 수요 시계열과 관련된 보조 고유 관련 특징을 결정하기 위한 보조 특징 결정 서브 유닛을 포함한다.
선택 가능하게, 보조 특징 결정 서브 유닛은 구체적으로, 상기 타깃 회사 고유 특징, 상기 보조 직위 고유 특징 및 상기 타깃 회사 속성 특징에 따라, 상기 보조 인재 수요 시계열과 관련된 제1 보조 고유 관련 특징을 결정하고; 상기 보조 회사 고유 특징, 상기 타깃 직위 고유 특징 및 상기 보조 회사 속성 특징에 따라, 상기 보조 인재 수요 시계열과 관련된 제2 보조 고유 관련 특징을 결정한다.
선택 가능하게, 정보 결정 모듈은, 상기 순방향 수요 시계열에 대해 시간 역순 처리를 진행하여, 역방향 수요 시계열을 획득하기 위한 역방향 시계열 결정 유닛; 상기 순방향 수요 시계열을 순방향 컨버터의 입력으로 하여 순방향 의미 벡터를 획득하고, 상기 역방향 수요 시계열을 역방향 컨버터의 입력으로 하여 역방향 의미 벡터를 획득하기 위한 의미 벡터 결정 유닛; 및 상기 순방향 의미 벡터 및 상기 역방향 의미 벡터에 따라, 타깃 인재의 새로운 수요 정보를 결정하기 위한 새로운 수요 정보 결정 유닛을 포함한다.
선택 가능하게, 상기 순방향 컨버터 및 상기 역방향 컨버터는 파라미터 공유 트레이닝을 통해 획득된다.
선택 가능하게, 새로운 수요 정보 결정 유닛은, 상기 순방향 의미 벡터와 상기 역방향 의미 벡터를 통합하여, 전 방향 의미 벡터를 획득하기 위한 의미 벡터 통합 서브 유닛; 및 어텐션 메커니즘을 기반으로, 상기 전 방향 의미 벡터에 따라, 상기 순방향 의미 벡터와 상기 역방향 의미 벡터를 융합하고, 융합 결과에 따라 타깃 인재의 새로운 수요 정보를 결정하기 위한 의미 벡터 융합 서브 유닛을 포함한다.
선택 가능하게, 의미 벡터 융합 서브 유닛은 구체적으로, 상기 전 방향 의미 벡터에 따라, 상기 순방향 의미 벡터 및 상기 역방향 의미 벡터의 어텐션 가중치를 각각 결정하고; 상기 순방향 의미 벡터 및 상기 역방향 의미 벡터의 어텐션 가중치에 따라, 상기 순방향 의미 벡터와 상기 역방향 의미 벡터를 융합한다.
상기 인재 수요 예측 장치는 본 발명 임의의 실시예에서 제공하는 인재 수요 예측 방법을 수행할 수 있고, 인재 수요 예측 방법을 수행하는데 대응되는 기능 모듈 및 유익한 효과를 구비한다.
본 발명의 실시예에 따르면, 본 발명은 전자 기기 및 판독 가능 저장 매체를 제공한다.
도 6에 도시된 바와 같이, 본 발명의 실시예에 따른 인재 수요 예측 방법의 전자 기기의 블록도이다. 전자 기기는 랩톱 컴퓨터, 데스크톱 컴퓨터, 운영 플랫폼, 개인 정보 단말기, 서버, 블레이드 서버, 대형 컴퓨터, 및 다른 적합한 컴퓨터와 같은 다양한 형태의 디지털 컴퓨터를 의미한다. 전자 기기는 개인 디지털 처리, 셀룰러폰, 스마트폰, 웨어러블 기기 및 다른 유사한 컴퓨팅 장치와 같은 다양한 형태의 이동 장치를 의미할 수도 있다. 본문에서 나타낸 부재, 이들의 연결과 관계, 및 이들의 기능은 단지 예시적인 것으로, 본문에서 설명 및/또는 요구된 본 발명의 구현을 한정하지 않는다.
도 6에 도시된 바와 같이, 상기 전자 기기는 하나 또는 다수의 프로세서(601), 메모리(602), 및 고속 인터페이스 및 저속 인터페이스를 포함하는 각 부재를 연결하기 위한 인터페이스를 포함한다. 각 부재는 상이한 버스를 이용하여 서로 연결되고, 공통 메인보드에 장착될 수 있거나 필요에 따라 다른 방식으로 장착될 수 있다. 프로세서는, 메모리에 저장되거나 메모리에서 외부 입력/출력 장치(예를 들어, 인터페이스에 커플링된 표시 기기)에 GUI의 그래픽 정보를 표시하는 명령을 포함하는 전자 기기 내에서 실행되는 명령을 처리할 수 있다. 다른 실시형태에서, 필요에 따라 다수의 프로세서 및/또는 다수의 버스를 다수의 메모리와 함께 사용할 수 있다. 마찬가지로, 다수의 전자 기기를 연결할 수 있고, 각 기기는 일부 필요한 동작(예를 들어, 서버 어레이, 한 그룹의 블레이드 서버, 또는 다중 프로세서 시스템)을 제공한다. 도 6에서 하나의 프로세서(601)를 예로 든다.
메모리(602)는 본 발명에서 제공하는 비일시적 컴퓨터 판독 가능 저장 매체이다. 여기서, 상기 메모리에는 적어도 하나의 프로세서에 의해 실행되는 명령이 저장되어, 상기 적어도 하나의 프로세서가 본 발명에서 제공하는 인재 수요 예측 방법을 수행하도록 한다. 본 발명의 비일시적 컴퓨터 판독 가능 저장 매체는 컴퓨터 명령을 저장하고, 상기 컴퓨터 명령은 컴퓨터가 본 발명에 제공하는 인재 수요 예측 방법을 수행하도록 한다.
메모리(602)는 비일시적 컴퓨터 판독 가능한 저장 매체로서, 비일시적 소프트웨어 프로그램, 비일시적 컴퓨터 실행 가능한 프로그램, 및 본 발명의 실시예의 인재 수요 예측 방법에 대응되는 프로그램 명령/모듈(예를 들어, 도 5에 도시된 시계열 결정 모듈(51), 순방향 시계열 결정 모듈(52) 및 정보 결정 모듈(53))과 같은 모듈을 저장할 수 있다. 프로세서(601)는 메모리(602)에 저장된 비일시적 소프트웨어 프로그램, 명령 및 모듈을 실행함으로써, 서버의 다양한 기능 애플리케이션 및 데이터 처리를 수행하는데, 즉 상기 방법 실시예의 인재 수요 예측 방법을 구현한다.
메모리(602)는 프로그램 저장 영역 및 데이터 저장 영역을 포함할 수 있고, 여기서, 프로그램 저장 영역은 운영 체제, 적어도 하나의 기능에 필요한 응용 프로그램을 저장할 수 있으며; 데이터 저장 영역은 인재 수요 예측 전자 기기의 사용에 따라 구축된 데이터 등을 저장할 수 있다. 이 밖에, 메모리(602)는 고속 랜덤 액세스 메모리를 포함할 수 있고, 적어도 하나의 자기 디스크 메모리, 플래시 메모리, 또는 다른 비일시적 고체 상태 메모리와 같은 비일시적 메모리를 더 포함할 수 있다. 일부 실시예에서, 메모리(602)는 프로세서(601)에 대해 원격으로 설치된 메모리를 선택적으로 포함할 수 있고, 이러한 원격 메모리는 네트워크를 통해 인재 수요 예측 전자 기기에 연결될 수 있다. 상기 네트워크의 구현예로 인터넷, 인트라넷, 근거리 통신망, 이동 통신망 및 이들의 조합을 포함하지만 이에 한정되지 않는다.
인재 수요 예측 방법의 전자 기기는 입력 장치(603) 및 출력 장치(604)를 더 포함할 수 있다. 프로세서(601), 메모리(602), 입력 장치(603) 및 출력 장치(604)는 버스 또는 다른 방식을 통해 연결될 수 있고, 도 6에서 버스를 통해 연결되는 것을 예로 든다.
입력 장치(603)는 입력된 디지털 또는 캐릭터 정보를 수신할 수 있고, 인재 수요 예측 전자 기기의 사용자 설정 및 기능 제어와 관련된 키 신호 입력을 발생할 수 있으며, 상기 입력 장치는 예를 들어 터치 스크린, 키패드, 마우스, 트랙 패널, 터치 패널, 지시 바, 하나 또는 다수의 마우스 버튼, 트랙 볼, 조이스틱 등 입력 장치이다. 출력 장치(604)는 표시 기기, 보조 조명 장치(예를 들어, LED) 및 촉각 피드백 장치(예를 들어, 진동 모터) 등을 포함할 수 있다. 상기 표시 기기는 액정 표시 장치(LCD), 발광 다이오드(LED) 표시 장치 및 플라스마 표시 장치를 포함할 수 있지만 이에 한정되지 않는다. 일부 실시형태에서, 표시 기기는 터치 스크린일 수 있다.
여기서 설명된 시스템 및 기술의 다양한 실시형태는 디지털 전자 회로 시스템, 집적 회로 시스템, 전용 ASIC(전용 집적 회로), 컴퓨터 하드웨어, 펌웨어, 소프트웨어, 및/또는 이들의 조합에서 구현될 수 있다. 이러한 다양한 실시형태는 하나 또는 다수의 컴퓨터 프로그램에서의 구현을 포함할 수 있고, 상기 하나 또는 다수의 컴퓨터 프로그램은 적어도 하나의 프로그램 가능 프로세서를 포함하는 프로그램 가능 시스템에서 실행 및/또는 해석될 수 있으며, 상기 프로그램 가능 프로세서는 전용 또는 범용 프로그램 가능 프로세서일 수 있고, 저장 시스템, 적어도 하나의 입력 장치, 및 적어도 하나의 출력 장치로부터 데이터 및 명령을 수신할 수 있으며, 데이터 및 명령을 상기 저장 시스템, 상기 적어도 하나의 입력 장치, 및 상기 적어도 하나의 출력 장치에 전송할 수 있다.
이러한 컴퓨팅 프로그램(프로그램, 소프트웨어, 소프트웨어 애플리케이션, 또는 코드라고도 함)은 프로그램 가능 프로세서의 기계 명령을 포함하고, 하이차원 프로세스 및/또는 객체에 대한 프로그래밍 언어, 및/또는 어셈블리/기계 언어를 이용하여 이러한 컴퓨팅 프로그램을 실행할 수 있다. 본문에서 사용된 바와 같이, 용어 “기계 판독 가능한 매체” 및 “컴퓨터 판독 가능한 매체”는 기계 명령 및/또는 데이터를 프로그램 가능 프로세서에 제공하기 위한 임의의 컴퓨터 프로그램 제품, 기기, 및/또는 장치(예를 들어, 자기 디스크, 광 디스크, 메모리, 프로그램 가능 로직 장치(PLD))를 의미하고, 기계 판독 가능한 신호인 기계 명령을 수신하는 기계 판독 가능한 매체를 포함한다. 용어 “기계 판독 가능한 신호”는 기계 명령 및/또는 데이터를 프로그램 가능 프로세서에 제공하기 위한 임의의 신호를 의미한다.
사용자와의 인터랙션을 제공하기 위하여, 컴퓨터에서 여기서 설명된 시스템 및 기술을 실시할 수 있고, 상기 컴퓨터는 사용자에게 정보를 표시하기 위한 표시 장치(예를 들어, CRT(음극선관) 또는 LCD(액정 표시 장치) 모니터); 및 키보드 및 지향 장치(예를 들어, 마우스 또는 트랙 볼)를 구비하며, 사용자는 상기 키보드 및 상기 지향 장치를 통해 컴퓨터에 입력을 제공한다. 다른 타입의 장치는 또한 사용자와의 인터랙션을 제공할 수 있는데, 예를 들어, 사용자에게 제공된 피드백은 임의의 형태의 감지 피드백(예를 들어, 시각 피드백, 청각 피드백, 또는 촉각 피드백)일 수 있고; 임의의 형태(소리 입력, 음성 입력, 또는 촉각 입력)로 사용자로부터의 입력을 수신할 수 있다.
여기서 설명된 시스템 및 기술을 백그라운드 부재를 포함하는 컴퓨팅 시스템(예를 들어, 데이터 서버), 또는 미들웨어 부재를 포함하는 컴퓨팅 시스템(예를 들어, 응용 서버), 또는 프론트 엔드 부재를 포함하는 컴퓨팅 시스템(예를 들어, 그래픽 사용자 인터페이스 또는 웹 브라우저를 구비하는 사용자 컴퓨터이고, 사용자는 상기 그래픽 사용자 인터페이스 또는 웹 브라우저를 통해 여기서 설명된 시스템 및 기술의 실시형태와 인터랙션할 수 있음), 또는 이러한 백그라운드 부재, 미들웨어 부재, 또는 프론트 엔드 부재의 임의의 조합을 포함하는 컴퓨팅 시스템에서 실시할 수 있다. 임의의 형태 또는 매체의 디지털 데이터 통신(예를 들어, 통신 네트워크)을 통해 시스템의 부재를 서로 연결시킬 수 있다. 통신 네트워크의 예시로 근거리 통신망(LAN), 광역 통신망(WAN), 블록체인 네트워크 및 인터넷을 포함한다.
컴퓨터 시스템은 클라이언트 및 서버를 포함할 수 있다. 클라이언트 및 서버는 일반적으로 서로 멀리 떨어져 있고 일반적으로 통신 네트워크를 통해 서로 인터랙션한다. 대응되는 컴퓨터에서 실행되고 또한 서로 클라이언트-서버 관계를 가지는 컴퓨터 프로그램을 통해 클라이언트 및 서버의 관계를 생성한다.
본 발명의 실시예의 기술적 해결수단에 따르면, 회사 과거 채용 수요 정보에 대한 분석을 통해, 타깃 인재 수요 시계열 및 보조 인재 수요 시계열을 결정하고, 회사의 인재 수요에 대한 과거 추세를 기반으로 타깃 인재의 새로운 수요 정보를 결정하여, 회사 인재 수요 예측의 타깃성을 향상시키며; 타깃 인재 수요 시계열 및 보조 인재 수요 시계열을 기반으로, 여러 측면에서 인재 수요 정보를 결정하여, 인재 수요 예측의 정확성을 향상시킨다.
위에서 설명한 다양한 형태의 프로세스를 사용하여 재배열, 추가 또는 삭제할 수 있음을 이해해야 한다. 예를 들어, 본 발명에 기재된 각 단계는 동시에 수행될 수 있거나 순차적으로 수행될 수 있거나 상이한 순서로 수행될 수 있고, 본 발명에서 공개된 기술적 해결수단이 이루고자 하는 결과를 구현할 수만 있으면, 본문은 여기서 한정하지 않는다.
상기 구체적인 실시형태는 본 발명의 보호 범위를 한정하지 않는다. 본 기술분야의 통상의 기술자는 설계 요구 및 다른 요소에 따라 다양한 수정, 조합, 서브 조합 및 대체를 진행할 수 있음을 이해해야 한다. 본 발명의 정신 및 원칙 내에서 진행한 임의의 수정, 등가적 대체 및 개선 등은 모두 본 발명의 보호 범위 내에 속해야 한다.
Claims (21)
- 인재 수요 예측 방법으로서,
과거 채용 수요 정보에 따라, 타깃 인재 수요 시계열 및 보조 인재 수요 시계열을 결정하는 단계;
상기 타깃 인재 수요 시계열과 상기 보조 인재 수요 시계열을 융합하여, 순방향 수요 시계열을 획득하는 단계; 및
상기 순방향 수요 시계열에 따라, 타깃 인재의 새로운 수요 정보를 결정하는 단계를 포함하는 인재 수요 예측 방법. - 제1항에 있어서,
상기 타깃 인재 수요 시계열과 상기 보조 인재 수요 시계열을 융합하는 단계는,
상기 과거 채용 수요 정보 및 회사 속성 정보에 따라, 상기 타깃 인재 수요 시계열과 관련된 타깃 고유(intrinsic) 관련 특징, 및 상기 보조 인재 수요 시계열과 관련된 보조 고유 관련 특징을 결정하는 단계; 및
어텐션 메커니즘(Attention Mechanism)을 기반으로, 상기 타깃 고유 관련 특징 및 상기 보조 고유 관련 특징에 따라, 상기 타깃 인재 수요 시계열과 상기 보조 인재 수요 시계열을 융합하는 단계를 포함하는 인재 수요 예측 방법. - 제2항에 있어서,
어텐션 메커니즘을 기반으로, 상기 타깃 고유 관련 특징 및 상기 보조 고유 관련 특징에 따라, 상기 타깃 인재 수요 시계열과 상기 보조 인재 수요 시계열을 융합하는 단계는,
상기 타깃 고유 관련 특징 및 상기 보조 고유 관련 특징에 따라, 상기 타깃 인재 수요 시계열 및 상기 보조 인재 수요 시계열의 어텐션 가중치를 각각 결정하는 단계; 및
상기 타깃 인재 수요 시계열 및 상기 보조 인재 수요 시계열의 어텐션 가중치에 따라, 상기 타깃 인재 수요 시계열과 상기 보조 인재 수요 시계열을 융합하는 단계를 포함하는 인재 수요 예측 방법. - 제2항에 있어서,
상기 과거 채용 수요 정보 및 회사 속성 정보에 따라, 상기 타깃 인재 수요 시계열과 관련된 타깃 고유 관련 특징, 및 상기 보조 인재 수요 시계열과 관련된 보조 고유 관련 특징을 결정하는 단계는,
상기 과거 채용 수요 정보에 따라, 타깃 회사 고유 특징, 타깃 직위 고유 특징, 보조 회사 고유 특징 및 보조 직위 고유 특징을 결정하는 단계;
상기 회사 속성 정보에 따라, 타깃 회사 속성 특징 및 보조 회사 속성 특징을 결정하는 단계;
상기 타깃 회사 고유 특징, 상기 타깃 직위 고유 특징 및 상기 타깃 회사 속성 특징에 따라, 상기 타깃 인재 수요 시계열과 관련된 타깃 고유 관련 특징을 결정하는 단계; 및
상기 타깃 회사 고유 특징, 상기 타깃 직위 고유 특징, 상기 타깃 회사 속성 특징, 상기 보조 회사 고유 특징, 상기 보조 직위 고유 특징 및 상기 보조 회사 속성 특징에 따라, 상기 보조 인재 수요 시계열과 관련된 보조 고유 관련 특징을 결정하는 단계를 포함하는 인재 수요 예측 방법. - 제4항에 있어서,
상기 타깃 회사 고유 특징, 상기 타깃 직위 고유 특징, 상기 타깃 회사 속성 특징, 상기 보조 회사 고유 특징, 상기 보조 직위 고유 특징 및 상기 보조 회사 속성 특징에 따라, 상기 보조 인재 수요 시계열과 관련된 보조 고유 관련 특징을 결정하는 단계는,
상기 타깃 회사 고유 특징, 상기 보조 직위 고유 특징 및 상기 타깃 회사 속성 특징에 따라, 상기 보조 인재 수요 시계열과 관련된 제1 보조 고유 관련 특징을 결정하는 단계; 및
상기 보조 회사 고유 특징, 상기 타깃 직위 고유 특징 및 상기 보조 회사 속성 특징에 따라, 상기 보조 인재 수요 시계열과 관련된 제2 보조 고유 관련 특징을 결정하는 단계를 포함하는 인재 수요 예측 방법. - 제1항에 있어서,
상기 순방향 수요 시계열에 따라, 타깃 인재의 새로운 수요 정보를 결정하는 단계는,
상기 순방향 수요 시계열에 대해 시간 역순 처리를 진행하여, 역방향 수요 시계열을 획득하는 단계;
상기 순방향 수요 시계열을 순방향 컨버터의 입력으로 하여 순방향 의미(semantic) 벡터를 획득하고, 상기 역방향 수요 시계열을 역방향 컨버터의 입력으로 하여 역방향 의미 벡터를 획득하는 단계; 및
상기 순방향 의미 벡터 및 상기 역방향 의미 벡터에 따라, 타깃 인재의 새로운 수요 정보를 결정하는 단계를 포함하는 인재 수요 예측 방법. - 제6항에 있어서,
상기 순방향 컨버터 및 상기 역방향 컨버터는 파라미터 공유 트레이닝을 통해 획득되는 인재 수요 예측 방법. - 제6항에 있어서,
상기 순방향 의미 벡터 및 상기 역방향 의미 벡터에 따라, 타깃 인재의 새로운 수요 정보를 결정하는 단계는,
상기 순방향 의미 벡터와 상기 역방향 의미 벡터를 통합하여, 전 방향(omnidirectional) 의미 벡터를 획득하는 단계; 및
어텐션 메커니즘을 기반으로, 상기 전 방향 의미 벡터에 따라, 상기 순방향 의미 벡터와 상기 역방향 의미 벡터를 융합하고, 융합 결과에 따라 타깃 인재의 새로운 수요 정보를 결정하는 단계를 포함하는 인재 수요 예측 방법. - 제8항에 있어서,
어텐션 메커니즘을 기반으로, 상기 전 방향 의미 벡터에 따라, 상기 순방향 의미 벡터와 상기 역방향 의미 벡터를 융합하는 단계는,
상기 전 방향 의미 벡터에 따라, 상기 순방향 의미 벡터 및 상기 역방향 의미 벡터의 어텐션 가중치를 각각 결정하는 단계; 및
상기 순방향 의미 벡터 및 상기 역방향 의미 벡터의 어텐션 가중치에 따라, 상기 순방향 의미 벡터와 상기 역방향 의미 벡터를 융합하는 단계를 포함하는 인재 수요 예측 방법. - 인재 수요 예측 장치로서,
과거 채용 수요 정보에 따라, 타깃 인재 수요 시계열 및 보조 인재 수요 시계열을 결정하기 위한 시계열 결정 모듈;
상기 타깃 인재 수요 시계열과 상기 보조 인재 수요 시계열을 융합하여, 순방향 수요 시계열을 획득하기 위한 순방향 시계열 결정 모듈; 및
상기 순방향 수요 시계열에 따라, 타깃 인재의 새로운 수요 정보를 결정하기 위한 정보 결정 모듈을 포함하는 인재 수요 예측 장치. - 제10항에 있어서,
순방향 시계열 결정 모듈은,
상기 과거 채용 수요 정보 및 회사 속성 정보에 따라, 상기 타깃 인재 수요 시계열과 관련된 타깃 고유 관련 특징, 및 상기 보조 인재 수요 시계열과 관련된 보조 고유 관련 특징을 결정하기 위한 고유 관련 특징 결정 유닛; 및
어텐션 메커니즘을 기반으로, 상기 타깃 고유 관련 특징 및 상기 보조 고유 관련 특징에 따라, 상기 타깃 인재 수요 시계열과 상기 보조 인재 수요 시계열을 융합하기 위한 시계열 융합 유닛을 포함하는 인재 수요 예측 장치. - 제11항에 있어서,
시계열 융합 유닛은,
상기 타깃 고유 관련 특징 및 상기 보조 고유 관련 특징에 따라, 상기 타깃 인재 수요 시계열 및 상기 보조 인재 수요 시계열의 어텐션 가중치를 각각 결정하기 위한 서열 가중치 결정 서브 유닛; 및
상기 타깃 인재 수요 시계열 및 상기 보조 인재 수요 시계열의 어텐션 가중치에 따라, 상기 타깃 인재 수요 시계열과 상기 보조 인재 수요 시계열을 융합하기 위한 서열 융합 서브 유닛을 포함하는 인재 수요 예측 장치. - 제11항에 있어서,
고유 관련 특징 결정 유닛은,
상기 과거 채용 수요 정보에 따라, 타깃 회사 고유 특징, 타깃 직위 고유 특징, 보조 회사 고유 특징 및 보조 직위 고유 특징을 결정하기 위한 고유 특징 결정 서브 유닛;
상기 회사 속성 정보에 따라, 타깃 회사 속성 특징 및 보조 회사 속성 특징을 결정하기 위한 속성 특징 결정 서브 유닛;
상기 타깃 회사 고유 특징, 상기 타깃 직위 고유 특징 및 상기 타깃 회사 속성 특징에 따라, 상기 타깃 인재 수요 시계열과 관련된 타깃 고유 관련 특징을 결정하기 위한 타깃 특징 결정 서브 유닛; 및
상기 타깃 회사 고유 특징, 상기 타깃 직위 고유 특징, 상기 타깃 회사 속성 특징, 상기 보조 회사 고유 특징, 상기 보조 직위 고유 특징 및 상기 보조 회사 속성 특징에 따라, 상기 보조 인재 수요 시계열과 관련된 보조 고유 관련 특징을 결정하기 위한 보조 특징 결정 서브 유닛을 포함하는 인재 수요 예측 장치. - 제13항에 있어서,
보조 특징 결정 서브 유닛은 구체적으로,
상기 타깃 회사 고유 특징, 상기 보조 직위 고유 특징 및 상기 타깃 회사 속성 특징에 따라, 상기 보조 인재 수요 시계열과 관련된 제1 보조 고유 관련 특징을 결정하고;
상기 보조 회사 고유 특징, 상기 타깃 직위 고유 특징 및 상기 보조 회사 속성 특징에 따라, 상기 보조 인재 수요 시계열과 관련된 제2 보조 고유 관련 특징을 결정하도록 구성되는 인재 수요 예측 장치. - 제10항에 있어서,
정보 결정 모듈은,
상기 순방향 수요 시계열에 대해 시간 역순 처리를 진행하여, 역방향 수요 시계열을 획득하기 위한 역방향 시계열 결정 유닛;
상기 순방향 수요 시계열을 순방향 컨버터의 입력으로 하여 순방향 의미 벡터를 획득하고, 상기 역방향 수요 시계열을 역방향 컨버터의 입력으로 하여 역방향 의미 벡터를 획득하기 위한 의미 벡터 결정 유닛; 및
상기 순방향 의미 벡터 및 상기 역방향 의미 벡터에 따라, 타깃 인재의 새로운 수요 정보를 결정하기 위한 새로운 수요 정보 결정 유닛을 포함하는 인재 수요 예측 장치. - 제15항에 있어서,
상기 순방향 컨버터 및 상기 역방향 컨버터는 파라미터 공유 트레이닝을 통해 획득되는 인재 수요 예측 장치. - 제15항에 있어서,
새로운 수요 정보 결정 유닛은,
상기 순방향 의미 벡터와 상기 역방향 의미 벡터를 통합하여, 전 방향 의미 벡터를 획득하기 위한 의미 벡터 통합 서브 유닛; 및
어텐션 메커니즘을 기반으로, 상기 전 방향 의미 벡터에 따라, 상기 순방향 의미 벡터와 상기 역방향 의미 벡터를 융합하고, 융합 결과에 따라 타깃 인재의 새로운 수요 정보를 결정하기 위한 의미 벡터 융합 서브 유닛을 포함하는 인재 수요 예측 장치. - 제17항에 있어서,
의미 벡터 융합 서브 유닛은 구체적으로,
상기 전 방향 의미 벡터에 따라, 상기 순방향 의미 벡터 및 상기 역방향 의미 벡터의 어텐션 가중치를 각각 결정하고;
상기 순방향 의미 벡터 및 상기 역방향 의미 벡터의 어텐션 가중치에 따라, 상기 순방향 의미 벡터와 상기 역방향 의미 벡터를 융합하도록 구성되는 인재 수요 예측 장치. - 적어도 하나의 프로세서; 및
상기 적어도 하나의 프로세서와 통신 연결된 메모리를 포함하는 전자 기기로서,
상기 메모리에 상기 적어도 하나의 프로세서에 의해 실행되는 명령이 저장되고, 상기 명령이 상기 적어도 하나의 프로세서에 의해 실행될 경우, 상기 적어도 하나의 프로세서가 제1항 내지 제9항 중 어느 한 항에 따른 방법을 수행할 수 있도록 하는 전자 기기. - 컴퓨터 명령이 저장된 비일시적 컴퓨터 판독 가능 저장 매체로서,
상기 컴퓨터 명령은 상기 컴퓨터가 제1항 내지 제9항 중 어느 한 항에 따른 방법을 수행하도록 하는 비일시적 컴퓨터 판독 가능 저장 매체. - 컴퓨터 판독 가능한 저장 매체에 저장된 컴퓨터 프로그램으로서,
상기 컴퓨터 프로그램이 프로세서에 의해 실행될 경우 제1항 내지 제9항 중 어느 한 항에 따른 방법을 구현하도록 하는 컴퓨터 프로그램.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010383717.4A CN113627867A (zh) | 2020-05-08 | 2020-05-08 | 一种人才需求预测方法、装置、设备和存储介质 |
| CN202010383717.4 | 2020-05-08 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210046599A true KR20210046599A (ko) | 2021-04-28 |
| KR102495841B1 KR102495841B1 (ko) | 2023-02-06 |
Family
ID=75339580
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210040449A KR102495841B1 (ko) | 2020-05-08 | 2021-03-29 | 인재 수요 예측 방법, 장치, 기기 및 저장 매체 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US20210217031A1 (ko) |
| EP (1) | EP3822878A3 (ko) |
| JP (1) | JP7262505B2 (ko) |
| KR (1) | KR102495841B1 (ko) |
| CN (1) | CN113627867A (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102425609B1 (ko) * | 2021-07-26 | 2022-07-27 | 정현호 | 인력 수요 예측을 기반으로 한 인력 제공 방법 및 이러한 방법을 수행하는 장치 |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113505981B (zh) * | 2021-07-07 | 2024-01-16 | 苏州达家迎信息技术有限公司 | 扁平式业务场景中业务资源确定方法、装置及存储介质 |
| CN115330363B (zh) * | 2022-10-17 | 2023-02-14 | 北京智鼎管理咨询有限公司 | 一种人才识别方法、装置、电子设备及存储介质 |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7251589B1 (en) * | 2005-05-09 | 2007-07-31 | Sas Institute Inc. | Computer-implemented system and method for generating forecasts |
| US20150186817A1 (en) * | 2013-12-28 | 2015-07-02 | Evolv Inc. | Employee Value-Retention Risk Calculator |
| EP2889822A1 (en) * | 2013-12-28 | 2015-07-01 | Evolv Inc. | Employee value-retention risk calculator |
| US10521748B2 (en) | 2014-12-22 | 2019-12-31 | Workday, Inc. | Retention risk determiner |
| US20160180291A1 (en) * | 2014-12-22 | 2016-06-23 | Workday, Inc. | Retention risk mitigation system |
| US20160232461A1 (en) * | 2015-02-09 | 2016-08-11 | Oracle International Corporation | System and method for determining forecast errors for merchandise in retail |
| US20170061297A1 (en) * | 2015-08-31 | 2017-03-02 | Sas Institute Inc. | Automatically determining data sets for a three-stage predictor |
| EP3188093A1 (en) * | 2015-12-29 | 2017-07-05 | Tata Consultancy Services Limited | System and method for predicting response time of an enterprise system |
| JP6642159B2 (ja) | 2016-03-18 | 2020-02-05 | 日本電気株式会社 | 予測支援システム、予測支援方法及びプログラム |
| US10832218B1 (en) * | 2016-04-05 | 2020-11-10 | Palantir Technologies Inc. | User interface for visualization of an attrition value |
| US10796265B2 (en) * | 2017-09-28 | 2020-10-06 | Wipro Limited | Method and system for evaluating performance of one or more employees of an organization |
| US11922440B2 (en) * | 2017-10-31 | 2024-03-05 | Oracle International Corporation | Demand forecasting using weighted mixed machine learning models |
| US11010561B2 (en) * | 2018-09-27 | 2021-05-18 | Apple Inc. | Sentiment prediction from textual data |
-
2020
- 2020-05-08 CN CN202010383717.4A patent/CN113627867A/zh active Pending
-
2021
- 2021-03-26 US US17/213,905 patent/US20210217031A1/en not_active Abandoned
- 2021-03-29 KR KR1020210040449A patent/KR102495841B1/ko active IP Right Grant
- 2021-03-31 JP JP2021061617A patent/JP7262505B2/ja active Active
- 2021-03-31 EP EP21166353.9A patent/EP3822878A3/en not_active Withdrawn
Non-Patent Citations (3)
| Title |
|---|
| Ashish Vaswani ET AL.‘ Attention Is All You Need.’(2017.12.06.)* * |
| KDD '16: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. ‘Recruitment Market Trend Analysis with Sequential Latent Variable Models’(2016.08.13.)* * |
| SIGIR '18: The 41st International ACM SIGIR Conference on Research & Development in Information Retrieval. Chuan Qin ET AL. ‘ Enhancing Person-Job Fit for Talent Recruitment: An Ability-aware Neural N* * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102425609B1 (ko) * | 2021-07-26 | 2022-07-27 | 정현호 | 인력 수요 예측을 기반으로 한 인력 제공 방법 및 이러한 방법을 수행하는 장치 |
Also Published As
| Publication number | Publication date |
|---|---|
| EP3822878A2 (en) | 2021-05-19 |
| EP3822878A3 (en) | 2021-11-03 |
| CN113627867A (zh) | 2021-11-09 |
| JP7262505B2 (ja) | 2023-04-21 |
| KR102495841B1 (ko) | 2023-02-06 |
| US20210217031A1 (en) | 2021-07-15 |
| JP2021168128A (ja) | 2021-10-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7250052B2 (ja) | 自然言語及び知識グラフに基づく表現学習方法及び装置 | |
| De Rezende et al. | Research focuses, trends, and major findings on project complexity: A bibliometric network analysis of 50 years of project complexity research | |
| KR20210046599A (ko) | 인재 수요 예측 방법, 장치, 기기 및 저장 매체 | |
| JP2021118000A (ja) | アイテム推奨方法、システム、プログラム、電子機器及び記憶媒体 | |
| CN109885842A (zh) | 处理文本神经网络 | |
| EP3979178A1 (en) | Method, apparatus, and electronic device for collecting loan and storage medium | |
| National Academies of Sciences et al. | Future directions for NSF advanced computing infrastructure to support US science and engineering in 2017-2020 | |
| Yan et al. | Integrated knowledge visualization and the enterprise digital twin system for supporting strategic management decision | |
| US11062240B2 (en) | Determining optimal workforce types to fulfill occupational roles in an organization based on occupational attributes | |
| JP2021177375A (ja) | 募集ポジション説明テキストの生成方法、装置、電子デバイス、コンピュータ可読記憶媒体及びコンピュータプログラム | |
| US11093885B2 (en) | Operations augmented enterprise collaborative recommender engine | |
| KR20210038430A (ko) | 자연어 및 지식 그래프 기반 표현 학습 방법 및 장치 | |
| US12073297B2 (en) | System performance optimization | |
| JP2021149929A (ja) | コンテンツ推奨方法、装置、電子機器、プログラム及び記憶媒体 | |
| US20240104403A1 (en) | Method for training click rate prediction model | |
| CN118093801A (zh) | 基于大语言模型的信息交互方法、装置以及电子设备 | |
| Gnanavelbabu et al. | A simulation-based modified backtracking search algorithm for multi-objective stochastic flexible job shop scheduling problem with worker flexibility | |
| Dempster | Statistical inference from a Dempster–Shafer perspective | |
| CN117522185A (zh) | 一种可灵活配置的评价方法、系统及评价终端 | |
| Tian | Application and analysis of artificial intelligence graphic element algorithm in digital media art design | |
| Nursal et al. | The design of TOPSIS4BIM decision support for building information modeling software selection | |
| Brent et al. | Introduction to system dynamics as a decision-support tool for developmental planning | |
| Xu | Application of improved association rules algorithm and cloud service system in human resource management | |
| Sankaran et al. | A measurement model of value of data for decision-making in the digital era | |
| Mattyasovszky-Philipp et al. | Adaptive/cognitive resonance and the architecture issues of cognitive information systems |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |