Nothing Special   »   [go: up one dir, main page]

CN116805221A - 岗位匹配方法及装置、存储介质和电子设备 - Google Patents

岗位匹配方法及装置、存储介质和电子设备 Download PDF

Info

Publication number
CN116805221A
CN116805221A CN202310466863.7A CN202310466863A CN116805221A CN 116805221 A CN116805221 A CN 116805221A CN 202310466863 A CN202310466863 A CN 202310466863A CN 116805221 A CN116805221 A CN 116805221A
Authority
CN
China
Prior art keywords
values
post
target object
matching
target
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
Application number
CN202310466863.7A
Other languages
English (en)
Inventor
刘力
黄金凤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN202310466863.7A priority Critical patent/CN116805221A/zh
Publication of CN116805221A publication Critical patent/CN116805221A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06398—Performance of employee with respect to a job function
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06Q10/10—Office automation; Time management
    • G06Q10/105—Human resources
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Marketing (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种岗位匹配方法及装置、存储介质和电子设备，涉及人工智能技术领域。该方法包括：获取目标对象的M个能力值、M个满意度值、M个期望值和M个第一属性信息，其中，每个能力值用于表示目标对象在每个岗位的工作能力，M为正整数；将M个能力值、M个满意度值、M个期望值和M个第一属性信息输入第一神经网络模型进行预测处理，输出M个匹配值，其中，每个匹配值用于表示目标对象与每个岗位的匹配程度；依据M个匹配值，从目标机构的M个岗位中确定目标对象对应的目标岗位。通过本申请，解决了相关技术中难以准确的对员工进行岗位匹配，导致员工的工作效率较低的问题。

Description

岗位匹配方法及装置、存储介质和电子设备
技术领域
本申请涉及人工智能技术领域，具体而言，涉及一种岗位匹配方法及装置、存储介质和电子设备。
背景技术
员工的成长是关乎企业发展至关重要的原因之一。员工长时间的从事单一岗位，或者重复从事某项单一的项目。员工本身会学不到新的业务知识，从事工作也会枯燥无味，影响晋升；同时，也会降低各部门运转的效率，影响业务的开展。
相关技术中，一般通过员工所做的项目和业务来对员工的成长状态进行匹配。但是这种做法只是结果导向，难以进行准确的定位衡量员工能力与成长状态，从而导致难以准确的对员工进行岗位匹配，进而导致员工的工作效率较低。
针对相关技术中难以准确的对员工进行岗位匹配，导致员工的工作效率较低的问题，目前尚未提出有效的解决方案。
发明内容
本申请的主要目的在于提供一种岗位匹配方法及装置、存储介质和电子设备，以解决相关技术中难以准确的对员工进行岗位匹配，导致员工的工作效率较低的问题。
为了实现上述目的，根据本申请的一个方面，提供了一种岗位匹配方法。该方法包括：获取目标对象的M个能力值、M个满意度值、M个期望值和M个第一属性信息，其中，每个能力值用于表示所述目标对象在每个岗位的工作能力，每个满意度值用于表示所述目标对象对每个岗位的满意程度，每个期望值用于表示所述目标对象对每个岗位的期望程度，所述M个第一属性信息至少包括：所述目标对象在每个岗位对应的职级和岗位等级，所述目标对象为目标机构中的对象，每个岗位为所述目标机构中的岗位，M为正整数；将所述M个能力值、所述M个满意度值、所述M个期望值和所述M个第一属性信息输入第一神经网络模型进行预测处理，输出M个匹配值，其中，每个匹配值用于表示所述目标对象与每个岗位的匹配程度；依据所述M个匹配值，从所述目标机构的M个岗位中确定所述目标对象对应的目标岗位。
进一步地，获取目标对象的M个能力值包括：获取所述目标对象的M个第一积分值、第二积分值和N个第二属性信息，其中，每个第一积分值用于表示所述目标对象在每个岗位的工作情况，所述第二积分值用于表示所述目标对象在工作之外参加活动的情况，所述N个第二属性信息至少包括：所述目标对象的年龄信息和所述目标对象在每个岗位的工作年限，N为正整数，N大于M；将所述M个第一积分值、所述第二积分值和所述N个第二属性信息输入第二神经网络模型进行预测处理，得到所述目标对象的所述M个能力值。
进一步地，获取所述目标对象的M个第一积分值、第二积分值包括：获取第一映射关系表和第二映射关系表，其中，所述第一映射关系表中至少包括每项工作对应的积分值，所述第二映射关系表中至少包括除工作之外的每项活动对应的积分值；确定所述目标对象在每个岗位的工作情况；依据所述第一映射关系表和所述目标对象在每个岗位的工作情况，得到积分值集合；从所述积分值集合中获取所述M个第一积分值；确定所述目标对象在工作之外参加活动的情况；依据所述第二映射关系表和所述目标对象在工作之外参加活动的情况，得到所述第二积分值。
进一步地，依据所述M个匹配值，从所述目标机构的M个岗位中确定所述目标对象对应的目标岗位包括：按照预设顺序对所述M个匹配值进行排序处理，得到M个经过排序处理后的匹配值；依据所述M个经过排序处理后的匹配值，从所述M个匹配值中确定目标匹配值，其中，所述目标匹配值为所述目标对象与岗位的匹配程度最高的匹配值；基于所述目标匹配值，从所述目标机构的所述M个岗位中确定所述目标对象对应的所述目标岗位。
进一步地，所述第一神经网络模型通过以下方式得到：确定第一卷积神经网络；基于所述第一卷积神经网络，结合支持向量机算法，得到目标卷积神经网络；获取用于模型训练的训练集；采用所述训练集对所述目标卷积神经网络进行学习训练，得到所述第一神经网络模型。
进一步地，获取用于模型训练的训练集包括：获取T个样本数据，其中，所述T个样本数据为K个第一对象对应的数据，所述T个样本数据中至少包括：S个能力值、S个满意度值、S个期望值和S个第一属性信息，其中，每个能力值用于表示所述第一对象在每个岗位的工作能力，每个满意度值用于表示所述第一对象对每个岗位的满意程度，每个期望值用于表示所述第一对象对每个岗位的期望程度，所述S个第一属性信息至少包括：所述第一对象在每个岗位对应的职级和岗位等级，T、K和S均为正整数；依据所述T个样本数据，得到数据集；按照预设比例，将所述数据集划分为所述训练集和用于测试模型的测试集。
进一步地，在采用所述训练集对所述目标卷积神经网络进行学习训练，得到所述第一神经网络模型之后，所述方法还包括：获取模型训练的训练时长；从数据集中获取用于测试模型的测试集，其中，所述数据集中至少包括T个样本数据，T为正整数；利用所述测试集，计算所述第一神经网络模型的准确程度；依据所述训练时长和所述准确程度，确定对所述第一神经网络模型进行测试的测试结果。
为了实现上述目的，根据本申请的另一方面，提供了一种岗位匹配装置。该装置包括：第一获取单元，用于获取目标对象的M个能力值、M个满意度值、M个期望值和M个第一属性信息，其中，每个能力值用于表示所述目标对象在每个岗位的工作能力，每个满意度值用于表示所述目标对象对每个岗位的满意程度，每个期望值用于表示所述目标对象对每个岗位的期望程度，所述M个第一属性信息至少包括：所述目标对象在每个岗位对应的职级和岗位等级，所述目标对象为目标机构中的对象，每个岗位为所述目标机构中的岗位，M为正整数；第一处理单元，用于将所述M个能力值、所述M个满意度值、所述M个期望值和所述M个第一属性信息输入第一神经网络模型进行预测处理，输出M个匹配值，其中，每个匹配值用于表示所述目标对象与每个岗位的匹配程度；第一确定单元，用于依据所述M个匹配值，从所述目标机构的M个岗位中确定所述目标对象对应的目标岗位。
进一步地，所述第一获取单元包括：第一获取模块，用于获取所述目标对象的M个第一积分值、第二积分值和N个第二属性信息，其中，每个第一积分值用于表示所述目标对象在每个岗位的工作情况，所述第二积分值用于表示所述目标对象在工作之外参加活动的情况，所述N个第二属性信息至少包括：所述目标对象的年龄信息和所述目标对象在每个岗位的工作年限，N为正整数，N大于M；第一处理模块，用于将所述M个第一积分值、所述第二积分值和所述N个第二属性信息输入第二神经网络模型进行预测处理，得到所述目标对象的所述M个能力值。
进一步地，所述第一获取模块包括：第一获取子模块，用于获取第一映射关系表和第二映射关系表，其中，所述第一映射关系表中至少包括每项工作对应的积分值，所述第二映射关系表中至少包括除工作之外的每项活动对应的积分值；第一确定子模块，用于确定所述目标对象在每个岗位的工作情况；第二确定子模块，用于依据所述第一映射关系表和所述目标对象在每个岗位的工作情况，得到积分值集合；第二获取子模块，用于从所述积分值集合中获取所述M个第一积分值；第三确定子模块，用于确定所述目标对象在工作之外参加活动的情况；第四确定子模块，用于依据所述第二映射关系表和所述目标对象在工作之外参加活动的情况，得到所述第二积分值。
进一步地，所述第一确定单元包括：第二处理模块，用于按照预设顺序对所述M个匹配值进行排序处理，得到M个经过排序处理后的匹配值；第一确定模块，用于依据所述M个经过排序处理后的匹配值，从所述M个匹配值中确定目标匹配值，其中，所述目标匹配值为所述目标对象与岗位的匹配程度最高的匹配值；第二确定模块，用于基于所述目标匹配值，从所述目标机构的所述M个岗位中确定所述目标对象对应的所述目标岗位。
进一步地，所述第一神经网络模型通过以下方式得到：第二确定单元，用于确定第一卷积神经网络；第三确定单元，用于基于所述第一卷积神经网络，结合支持向量机算法，得到目标卷积神经网络；第二获取单元，用于获取用于模型训练的训练集；第一训练单元，用于采用所述训练集对所述目标卷积神经网络进行学习训练，得到所述第一神经网络模型。
进一步地，所述第二获取单元包括：第二获取模块，用于获取T个样本数据，其中，所述T个样本数据为K个第一对象对应的数据，所述T个样本数据中至少包括：S个能力值、S个满意度值、S个期望值和S个第一属性信息，其中，每个能力值用于表示所述第一对象在每个岗位的工作能力，每个满意度值用于表示所述第一对象对每个岗位的满意程度，每个期望值用于表示所述第一对象对每个岗位的期望程度，所述S个第一属性信息至少包括：所述第一对象在每个岗位对应的职级和岗位等级，T、K和S均为正整数；第三确定模块，用于依据所述T个样本数据，得到数据集；第一划分模块，用于按照预设比例，将所述数据集划分为所述训练集和用于测试模型的测试集。
进一步地，所述装置还包括：第三获取单元，用于在采用所述训练集对所述目标卷积神经网络进行学习训练，得到所述第一神经网络模型之后，获取模型训练的训练时长；第四获取单元，用于从数据集中获取用于测试模型的测试集，其中，所述数据集中至少包括T个样本数据，T为正整数；第一计算单元，用于利用所述测试集，计算所述第一神经网络模型的准确程度；第四确定单元，用于依据所述训练时长和所述准确程度，确定对所述第一神经网络模型进行测试的测试结果。
为了实现上述目的，根据本申请的另一方面，提供了一种计算机可读存储介质，所述存储介质存储程序，其中，所述程序执行上述的任意一项所述的岗位匹配方法。
为了实现上述目的，根据本申请的另一方面，提供了一种电子设备，所述电子设备包括一个或多个处理器和存储器，所述存储器用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述的任意一项所述的岗位匹配方法。
通过本申请，采用以下步骤：获取目标对象的M个能力值、M个满意度值、M个期望值和M个第一属性信息，其中，每个能力值用于表示目标对象在每个岗位的工作能力，每个满意度值用于表示目标对象对每个岗位的满意程度，每个期望值用于表示目标对象对每个岗位的期望程度，M个第一属性信息至少包括：目标对象在每个岗位对应的职级和岗位等级，目标对象为目标机构中的对象，每个岗位为目标机构中的岗位，M为正整数；将M个能力值、M个满意度值、M个期望值和M个第一属性信息输入第一神经网络模型进行预测处理，输出M个匹配值，其中，每个匹配值用于表示目标对象与每个岗位的匹配程度；依据M个匹配值，从目标机构的M个岗位中确定目标对象对应的目标岗位，解决了相关技术中难以准确的对员工进行岗位匹配，导致员工的工作效率较低的问题。通过获取目标对象的M个能力值、M个满意度值、M个期望值和M个第一属性信息，并将M个能力值、M个满意度值、M个期望值和M个第一属性信息输入第一神经网络模型进行预测处理，输出M个匹配值，再依据M个匹配值，从目标机构的M个岗位中确定目标对象对应的目标岗位，从而可以准确的对员工进行岗位匹配，进而达到了提升员工的工作效率的效果。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例提供的岗位匹配方法的流程图；
图2是根据本申请实施例提供的岗位匹配方法的流程图一；
图3是根据本申请实施例提供的可选的岗位匹配方法的流程图；
图4是根据本申请实施例提供的岗位匹配装置的示意图；
图5是根据本申请实施例提供的电子设备的示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等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，以便这里描述的本申请的实施例。此外，术语“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。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息、用户的年龄信息、用户在每个岗位的工作年限信息、用户在每个岗位对应的职级信息和岗位等级信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准，并提供有相应的操作入口，供用户选择授权或者拒绝。
为了便于描述，以下对本申请实施例涉及的部分名词或术语进行说明：
卷积神经网络：卷积神经网络(Convolutional Neural Networks，CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks)，是深度学习(deep learning)的代表算法之一。
SVM支持向量机：支持向量机(Support Vector Machine，SVM)是一类按监督学习(supervised learning)方式对数据进行二元分类的广义线性分类器。
下面结合优选的实施步骤对本发明进行说明，图1是根据本申请实施例提供的岗位匹配方法的流程图，如图1所示，该方法包括如下步骤：
步骤S101，获取目标对象的M个能力值、M个满意度值、M个期望值和M个第一属性信息，其中，每个能力值用于表示目标对象在每个岗位的工作能力，每个满意度值用于表示目标对象对每个岗位的满意程度，每个期望值用于表示目标对象对每个岗位的期望程度，M个第一属性信息至少包括：目标对象在每个岗位对应的职级和岗位等级，目标对象为目标机构中的对象，每个岗位为目标机构中的岗位，M为正整数。
例如，可以先获取员工(上述的目标对象)对应于各个岗位的能力值(上述的M个能力值)。然后可以进行岗位满意度调查获得岗位匹配满意度值c[i](i为1-n，n为所有岗位类别的总数)(上述的M个满意度值)。调查员工(上述的目标对象)对各个岗位的期望值d[i](i为1-n，n为所有岗位类别的总数)(上述的M个期望值)。
可以再获取员工(上述的目标对象)本身的相关信息，如员工(上述的目标对象)所对应的各岗位的职级f[i](上述的M个第一属性信息中的职级)、员工(上述的目标对象)所对应的各岗位的岗位等级g[i](上述的M个第一属性信息中的岗位等级)。
步骤S102，将M个能力值、M个满意度值、M个期望值和M个第一属性信息输入第一神经网络模型进行预测处理，输出M个匹配值，其中，每个匹配值用于表示目标对象与每个岗位的匹配程度。
例如，可以构建卷积神经网络和SVM支持向量机，得到上述的第一神经网络模型，然后再将获取到的员工(上述的目标对象)对应于各个岗位的能力值(上述的M个能力值)、岗位匹配满意度值c[i](i为1-n，n为所有岗位类别的总数)(上述的M个满意度值)、员工(上述的目标对象)对各个岗位的期望值d[i](i为1-n，n为所有岗位类别的总数)(上述的M个期望值)、员工(上述的目标对象)所对应的各岗位的职级f[i](上述的M个第一属性信息中的职级)和员工(上述的目标对象)所对应的各岗位的岗位等级g[i](上述的M个第一属性信息中的岗位等级)输入至构建的第一神经网络模型中，得到员工(上述的目标对象)和各岗位的岗位匹配值(上述的M个匹配值)。
步骤S103，依据M个匹配值，从目标机构的M个岗位中确定目标对象对应的目标岗位。
例如，可以根据模型输出的员工(上述的目标对象)和各岗位的岗位匹配值(上述的M个匹配值)，得到最适合该员工(上述的目标对象)的岗位(上述的目标岗位)，并对员工的岗位进行调整。
通过上述的步骤S101至S103，通过获取目标对象的M个能力值、M个满意度值、M个期望值和M个第一属性信息，并将M个能力值、M个满意度值、M个期望值和M个第一属性信息输入第一神经网络模型进行预测处理，输出M个匹配值，再依据M个匹配值，从目标机构的M个岗位中确定目标对象对应的目标岗位，从而可以准确的对员工进行岗位匹配，进而达到了提升员工的工作效率的效果。
可选地，在本申请实施例提供的岗位匹配方法中，获取目标对象的M个第一积分值、第二积分值包括：获取第一映射关系表和第二映射关系表，其中，第一映射关系表中至少包括每项工作对应的积分值，第二映射关系表中至少包括除工作之外的每项活动对应的积分值；确定目标对象在每个岗位的工作情况；依据第一映射关系表和目标对象在每个岗位的工作情况，得到积分值集合；从积分值集合中获取M个第一积分值；确定目标对象在工作之外参加活动的情况；依据第二映射关系表和目标对象在工作之外参加活动的情况，得到第二积分值。
例如，员工可以在各部门各自的岗位开展各项工作。而且，可以以金融机构的各部门岗位为例，建立如表1所示的映射关系表(上述的第一映射关系表)，且表1为对应于各个部门各个岗位建立的日常工作与工作积分之间的映射关系表。
表1
积分规则(所有岗位) 积分值
正常到岗上班 1
借调交流 2
积分规则(适用个金部) 积分值
拓展客户 2
完成存款指标 3
完成贷款指标 4
积分规则(适用科技部) 积分值
日常运维 1
完成小型项目研发 1
完成中型项目研发 2
完成架构转型 4
另外，员工可以在工作之余通过个人努力获取日常积分，建立如表2所示的映射关系表(上述的第二映射关系表)，且表2为除工作以外的各项活动与日常积分之间的映射关系表。
表2
积分规则(日常) 积分值
完成资格考试初级 2
完成资格考试中级 3
发表一篇文章 2
参加大赛获奖 2
完成某课程培训，且通过考试 1
然后可以根据上面建立的两个映射关系表(上述的表1和表2)，将各员工所获取的在该部门的各工作积分分别进行累加，进而得到该员工在各部门工作积分值a[i](i为1-n，n为所有岗位类别的总数)(上述的M个第一积分值)。
同时将各员工所获取的各日常积分分别进行累加，进而得到该员工的日常积分值b(上述的第二积分值)。
通过上述的方案，可以快速准确的得到员工对应的各个岗位的积分值。
图2是根据本申请实施例提供的岗位匹配方法的流程图一，如图2所示，在本申请实施例提供的岗位匹配方法中，获取目标对象的M个能力值包括：
步骤S201，获取目标对象的M个第一积分值、第二积分值和N个第二属性信息，其中，每个第一积分值用于表示目标对象在每个岗位的工作情况，第二积分值用于表示目标对象在工作之外参加活动的情况，N个第二属性信息至少包括：目标对象的年龄信息和目标对象在每个岗位的工作年限，N为正整数，N大于M；
步骤S202，将M个第一积分值、第二积分值和N个第二属性信息输入第二神经网络模型进行预测处理，得到目标对象的M个能力值。
例如，可以获取员工本身的相关信息，如年龄e(上述的M个第二属性信息中的年龄信息)、员工在企业(上述的目标机构)各岗位工作年限h[i](上述的M个第二属性信息中的工作年限信息)。
再获取员工在各个部门工作积分值a[i](i为1-n，n为所有岗位类别的总数)(上述的M个第一积分值)、员工的日常积分值b(上述的第二积分值)。
然后可以构建卷积神经网络和SVM支持向量机，得到上述的第二神经网络模型，再将获取到的员工在各个部门工作积分值a[i](i为1-n，n为所有岗位类别的总数)(上述的M个第一积分值)、员工的日常积分值b(上述的第二积分值)、员工的年龄e(上述的M个第二属性信息中的年龄信息)、员工在企业各岗位工作年限h[i](上述的M个第二属性信息中的工作年限信息)输入至构建的第二神经网络模型中，得到员工(上述的目标对象)在各个岗位的能力成长值(上述的M个能力值)。
通过上述的方案，可以快速准确的获取到员工对应于各个岗位的能力值以及工作效率。
可选地，在本申请实施例提供的岗位匹配方法中，依据M个匹配值，从目标机构的M个岗位中确定目标对象对应的目标岗位包括：按照预设顺序对M个匹配值进行排序处理，得到M个经过排序处理后的匹配值；依据M个经过排序处理后的匹配值，从M个匹配值中确定目标匹配值，其中，目标匹配值为目标对象与岗位的匹配程度最高的匹配值；基于目标匹配值，从目标机构的M个岗位中确定目标对象对应的目标岗位。
例如，可以对第一神经网络模型输出的员工(上述的目标对象)和各岗位的岗位匹配值(上述的M个匹配值)进行从大到小的排序，然后从M个匹配值中选出最大的匹配值(上述的目标匹配值)，再确定该最大的匹配值对应的岗位是哪个岗位(上述的目标岗位)，然后可以将该员工调整至该目标岗位。
通过上述的方案，可以方便的对员工进行岗位调整。
可选地，在本申请实施例提供的岗位匹配方法中，获取用于模型训练的训练集包括：获取T个样本数据，其中，T个样本数据为K个第一对象对应的数据，T个样本数据中至少包括：S个能力值、S个满意度值、S个期望值和S个第一属性信息，其中，每个能力值用于表示第一对象在每个岗位的工作能力，每个满意度值用于表示第一对象对每个岗位的满意程度，每个期望值用于表示第一对象对每个岗位的期望程度，S个第一属性信息至少包括：第一对象在每个岗位对应的职级和岗位等级，T、K和S均为正整数；依据T个样本数据，得到数据集；按照预设比例，将数据集划分为训练集和用于测试模型的测试集。
例如，可以先获取多个员工(上述的K个第一对象)满意度值c[i]，岗位期望值d[i]，能力成长值m[i]，职级f[i]、岗位等级g[i]等数据(上述的T个样本数据)，再将获取到的数据归集到一起，得到上述的数据集，然后可以将数据集中的80％的样本数据作为上述的训练集，剩余20％的样本数据作为上述的测试集。
通过上述的方案，可以快速准确的得到训练集数据和测试集数据。
可选地，在本申请实施例提供的岗位匹配方法中，第一神经网络模型通过以下方式得到：确定第一卷积神经网络；基于第一卷积神经网络，结合支持向量机算法，得到目标卷积神经网络；获取用于模型训练的训练集；采用训练集对目标卷积神经网络进行学习训练，得到第一神经网络模型。
例如，可以先确定初始的卷积神经网络(上述的第一卷积神经网络)，再根据SVM支持向量机(上述的支持向量机算法)和初始的卷积神经网络(上述的第一卷积神经网络)，得到上述的目标卷积神经网络。再基于上述获取到的80％的样本数据(上述的训练集)作为特征训练集进行训练，将每组的五维特征向量(员工满意度值c[i]，岗位期望值d[i]，能力成长值m[i]，职级f[i]、岗位等级g[i]，5项指标)输入上述的目标卷积神经网络训练，并得到训练好的神经网络模型(上述的第一神经网络模型)。
通过上述的方案，可以快速准确的对模型进行训练，从而可以提升模型输出数据的精度。
可选地，在本申请实施例提供的岗位匹配方法中，在采用训练集对目标卷积神经网络进行学习训练，得到第一神经网络模型之后，该方法还包括：获取模型训练的训练时长；从数据集中获取用于测试模型的测试集，其中，数据集中至少包括T个样本数据，T为正整数；利用测试集，计算第一神经网络模型的准确程度；依据训练时长和准确程度，确定对第一神经网络模型进行测试的测试结果。
例如，将数据集中除80％的样本数据(上述的训练集)之外，剩余20％的样本数据作为测试集进行测试。具体可以为，先获取训练模型所需的时长(上述的训练时长)，再将20％的样本数据(上述的测试集)输入至训练好的第一神经网络模型，得到第一神经网络模型输出的结果的准确程度，然后再根据训练模型所需的时长(上述的训练时长)和第一神经网络模型输出的结果的准确程度，验证训练好的第一神经网络模型的可行性。
通过上述的方案，可以快速准确的对模型进行测试，从而可以得到对模型进行测试的测试结果。
例如，图3是根据本申请实施例提供的可选的岗位匹配方法的流程图，可选的岗位匹配方法的流程具体如下：
(1)进行业务办理和日常学习
员工可以在各部门各自的岗位开展各项工作。而且，可以以金融机构的各部门岗位为例，建立如表1所示的映射关系表，且表1为对应于各个部门各个岗位建立的日常工作与工作积分之间的映射关系表。
表1
同时，员工在工作之余可以通过个人努力获取日常积分，同时建立除工作以外的各项活动与日常积分之间的映射关系，且表2为除工作以外的各项活动与日常积分之间的映射关系表。
表2
积分规则(日常) 积分值
完成资格考试初级 2
完成资格考试中级 3
发表一篇文章 2
参加大赛获奖 2
完成某课程培训，且通过考试 1
(2)获取员工的能力成长数据
将各员工所获取的在该部门的各工作积分分别进行累加，进而得到该员工在该部门工作积分值a[i](i为1-n，n为所有岗位类别的总数)。
将各员工所获取的各日常积分分别进行累加，进而得到该员工的日常积分值b。
进行岗位满意度调查获得岗位匹配满意度值c[i](i为1-n，n为所有岗位类别的总数)。调查每位员工对各个岗位的期望值d[i](i为1-n，n为所有岗位类别的总数)。
获取员工本身的相关信息，如年龄e、员工所对应的各岗位的职级f[i]、员工所对应的各岗位的岗位等级g[i]、员工在企业各岗位工作年限h[i]。
(3)预测员工当前能力成长下的工作效率和岗位匹配度
首先获取各员工能力成长值，构建卷积神经网络和SVM支持向量机，基于员工工作积分值a[i]，日常积分值b，年龄e，企业各岗位工作年限h[i]，4项指标作为训练的特征，随机选取80％的样本数据作为特征训练集进行训练，将每组的四维特征向量输入卷积神经网络训练，剩余20％的数据作为测试集进行测试，验证模型的可行性，最后以各岗位能力成长分值量化作为各岗位能力成长值m[i]。该模型为能力成长工作效率计算模型(图3中的能力成长计算模型)。
接着再次构建卷积神经网络和SVM支持向量机，基于员工满意度值c[i]，岗位期望值d[i]，能力成长值m[i]，职级f[i]、岗位等级g[i]，5项指标作为训练的特征，随机选取80％的样本数据作为特征训练集进行训练，将每组的五维特征向量输入卷积神经网络训练，剩余20％的数据作为测试集进行测试，验证模型的可行性，最后以岗位匹配计算模型输出的岗位匹配分值量化作为岗位匹配值n[i]。
(4)将预测结果通知各部门领导
定期将预测的能力成长值和岗位匹配值采用邮件通知各部门领导。可以由相关部室基于能力和岗位匹配度对员工岗位和职级做出调整，进行岗位变动和职级晋升。
因此，通过本申请实施例提供的方法，一方面可以获取各员工对应于各个岗位的能力值以及工作效率，另一方面也可以获取各员工的岗位匹配值，从而适时调整岗位，有利于员工的职级晋升。同时加强了个人能力与工作效率、岗位类别之间的联系。
另外，本实施例提供了一种员工能力成长与岗位匹配评估与预测方法，可以解决员工在成长过程中的岗位适配率和工作效率问题，从而可以达到提升员工自我价值和企业业务发展的目的。
综上，本申请实施例提供的岗位匹配方法，通过获取目标对象的M个能力值、M个满意度值、M个期望值和M个第一属性信息，其中，每个能力值用于表示目标对象在每个岗位的工作能力，每个满意度值用于表示目标对象对每个岗位的满意程度，每个期望值用于表示目标对象对每个岗位的期望程度，M个第一属性信息至少包括：目标对象在每个岗位对应的职级和岗位等级，目标对象为目标机构中的对象，每个岗位为目标机构中的岗位，M为正整数；将M个能力值、M个满意度值、M个期望值和M个第一属性信息输入第一神经网络模型进行预测处理，输出M个匹配值，其中，每个匹配值用于表示目标对象与每个岗位的匹配程度；依据M个匹配值，从目标机构的M个岗位中确定目标对象对应的目标岗位，解决了相关技术中难以准确的对员工进行岗位匹配，导致员工的工作效率较低的问题。通过获取目标对象的M个能力值、M个满意度值、M个期望值和M个第一属性信息，并将M个能力值、M个满意度值、M个期望值和M个第一属性信息输入第一神经网络模型进行预测处理，输出M个匹配值，再依据M个匹配值，从目标机构的M个岗位中确定目标对象对应的目标岗位，从而可以准确的对员工进行岗位匹配，进而达到了提升员工的工作效率的效果。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例还提供了一种岗位匹配装置，需要说明的是，本申请实施例的岗位匹配装置可以用于执行本申请实施例所提供的用于岗位匹配方法。以下对本申请实施例提供的岗位匹配装置进行介绍。
图4是根据本申请实施例的岗位匹配装置的示意图。如图4所示，该装置包括：第一获取单元401、第一处理单元402和第一确定单元403。
具体地，第一获取单元401，用于获取目标对象的M个能力值、M个满意度值、M个期望值和M个第一属性信息，其中，每个能力值用于表示目标对象在每个岗位的工作能力，每个满意度值用于表示目标对象对每个岗位的满意程度，每个期望值用于表示目标对象对每个岗位的期望程度，M个第一属性信息至少包括：目标对象在每个岗位对应的职级和岗位等级，目标对象为目标机构中的对象，每个岗位为目标机构中的岗位，M为正整数；
第一处理单元402，用于将M个能力值、M个满意度值、M个期望值和M个第一属性信息输入第一神经网络模型进行预测处理，输出M个匹配值，其中，每个匹配值用于表示目标对象与每个岗位的匹配程度；
第一确定单元403，用于依据M个匹配值，从目标机构的M个岗位中确定目标对象对应的目标岗位。
综上，本申请实施例提供的岗位匹配装置，通过第一获取单元401获取目标对象的M个能力值、M个满意度值、M个期望值和M个第一属性信息，其中，每个能力值用于表示目标对象在每个岗位的工作能力，每个满意度值用于表示目标对象对每个岗位的满意程度，每个期望值用于表示目标对象对每个岗位的期望程度，M个第一属性信息至少包括：目标对象在每个岗位对应的职级和岗位等级，目标对象为目标机构中的对象，每个岗位为目标机构中的岗位，M为正整数；第一处理单元402将M个能力值、M个满意度值、M个期望值和M个第一属性信息输入第一神经网络模型进行预测处理，输出M个匹配值，其中，每个匹配值用于表示目标对象与每个岗位的匹配程度；第一确定单元403依据M个匹配值，从目标机构的M个岗位中确定目标对象对应的目标岗位，解决了相关技术中难以准确的对员工进行岗位匹配，导致员工的工作效率较低的问题。通过获取目标对象的M个能力值、M个满意度值、M个期望值和M个第一属性信息，并将M个能力值、M个满意度值、M个期望值和M个第一属性信息输入第一神经网络模型进行预测处理，输出M个匹配值，再依据M个匹配值，从目标机构的M个岗位中确定目标对象对应的目标岗位，从而可以准确的对员工进行岗位匹配，进而达到了提升员工的工作效率的效果。
可选地，在本申请实施例提供的岗位匹配装置中，第一获取单元包括：第一获取模块，用于获取目标对象的M个第一积分值、第二积分值和N个第二属性信息，其中，每个第一积分值用于表示目标对象在每个岗位的工作情况，第二积分值用于表示目标对象在工作之外参加活动的情况，N个第二属性信息至少包括：目标对象的年龄信息和目标对象在每个岗位的工作年限，N为正整数，N大于M；第一处理模块，用于将M个第一积分值、第二积分值和N个第二属性信息输入第二神经网络模型进行预测处理，得到目标对象的M个能力值。
可选地，在本申请实施例提供的岗位匹配装置中，第一获取模块包括：第一获取子模块，用于获取第一映射关系表和第二映射关系表，其中，第一映射关系表中至少包括每项工作对应的积分值，第二映射关系表中至少包括除工作之外的每项活动对应的积分值；第一确定子模块，用于确定目标对象在每个岗位的工作情况；第二确定子模块，用于依据第一映射关系表和目标对象在每个岗位的工作情况，得到积分值集合；第二获取子模块，用于从积分值集合中获取M个第一积分值；第三确定子模块，用于确定目标对象在工作之外参加活动的情况；第四确定子模块，用于依据第二映射关系表和目标对象在工作之外参加活动的情况，得到第二积分值。
可选地，在本申请实施例提供的岗位匹配装置中，第一确定单元包括：第二处理模块，用于按照预设顺序对M个匹配值进行排序处理，得到M个经过排序处理后的匹配值；第一确定模块，用于依据M个经过排序处理后的匹配值，从M个匹配值中确定目标匹配值，其中，目标匹配值为目标对象与岗位的匹配程度最高的匹配值；第二确定模块，用于基于目标匹配值，从目标机构的M个岗位中确定目标对象对应的目标岗位。
可选地，在本申请实施例提供的岗位匹配装置中，第一神经网络模型通过以下方式得到：第二确定单元，用于确定第一卷积神经网络；第三确定单元，用于基于第一卷积神经网络，结合支持向量机算法，得到目标卷积神经网络；第二获取单元，用于获取用于模型训练的训练集；第一训练单元，用于采用训练集对目标卷积神经网络进行学习训练，得到第一神经网络模型。
可选地，在本申请实施例提供的岗位匹配装置中，第二获取单元包括：第二获取模块，用于获取T个样本数据，其中，T个样本数据为K个第一对象对应的数据，T个样本数据中至少包括：S个能力值、S个满意度值、S个期望值和S个第一属性信息，其中，每个能力值用于表示第一对象在每个岗位的工作能力，每个满意度值用于表示第一对象对每个岗位的满意程度，每个期望值用于表示第一对象对每个岗位的期望程度，S个第一属性信息至少包括：第一对象在每个岗位对应的职级和岗位等级，T、K和S均为正整数；第三确定模块，用于依据T个样本数据，得到数据集；第一划分模块，用于按照预设比例，将数据集划分为训练集和用于测试模型的测试集。
可选地，在本申请实施例提供的岗位匹配装置中，该装置还包括：第三获取单元，用于在采用训练集对目标卷积神经网络进行学习训练，得到第一神经网络模型之后，获取模型训练的训练时长；第四获取单元，用于从数据集中获取用于测试模型的测试集，其中，数据集中至少包括T个样本数据，T为正整数；第一计算单元，用于利用测试集，计算第一神经网络模型的准确程度；第四确定单元，用于依据训练时长和准确程度，确定对第一神经网络模型进行测试的测试结果。
岗位匹配装置包括处理器和存储器，上述第一获取单元401、第一处理单元402和第一确定单元403等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来提升员工的工作效率。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本发明实施例提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现所述岗位匹配方法。
本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述岗位匹配方法。
如图5所示，本发明实施例提供了一种电子设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：获取目标对象的M个能力值、M个满意度值、M个期望值和M个第一属性信息，其中，每个能力值用于表示所述目标对象在每个岗位的工作能力，每个满意度值用于表示所述目标对象对每个岗位的满意程度，每个期望值用于表示所述目标对象对每个岗位的期望程度，所述M个第一属性信息至少包括：所述目标对象在每个岗位对应的职级和岗位等级，所述目标对象为目标机构中的对象，每个岗位为所述目标机构中的岗位，M为正整数；将所述M个能力值、所述M个满意度值、所述M个期望值和所述M个第一属性信息输入第一神经网络模型进行预测处理，输出M个匹配值，其中，每个匹配值用于表示所述目标对象与每个岗位的匹配程度；依据所述M个匹配值，从所述目标机构的M个岗位中确定所述目标对象对应的目标岗位。
处理器执行程序时还实现以下步骤：获取目标对象的M个能力值包括：获取所述目标对象的M个第一积分值、第二积分值和N个第二属性信息，其中，每个第一积分值用于表示所述目标对象在每个岗位的工作情况，所述第二积分值用于表示所述目标对象在工作之外参加活动的情况，所述N个第二属性信息至少包括：所述目标对象的年龄信息和所述目标对象在每个岗位的工作年限，N为正整数，N大于M；将所述M个第一积分值、所述第二积分值和所述N个第二属性信息输入第二神经网络模型进行预测处理，得到所述目标对象的所述M个能力值。
处理器执行程序时还实现以下步骤：获取所述目标对象的M个第一积分值、第二积分值包括：获取第一映射关系表和第二映射关系表，其中，所述第一映射关系表中至少包括每项工作对应的积分值，所述第二映射关系表中至少包括除工作之外的每项活动对应的积分值；确定所述目标对象在每个岗位的工作情况；依据所述第一映射关系表和所述目标对象在每个岗位的工作情况，得到积分值集合；从所述积分值集合中获取所述M个第一积分值；确定所述目标对象在工作之外参加活动的情况；依据所述第二映射关系表和所述目标对象在工作之外参加活动的情况，得到所述第二积分值。
处理器执行程序时还实现以下步骤：依据所述M个匹配值，从所述目标机构的M个岗位中确定所述目标对象对应的目标岗位包括：按照预设顺序对所述M个匹配值进行排序处理，得到M个经过排序处理后的匹配值；依据所述M个经过排序处理后的匹配值，从所述M个匹配值中确定目标匹配值，其中，所述目标匹配值为所述目标对象与岗位的匹配程度最高的匹配值；基于所述目标匹配值，从所述目标机构的所述M个岗位中确定所述目标对象对应的所述目标岗位。
处理器执行程序时还实现以下步骤：所述第一神经网络模型通过以下方式得到：确定第一卷积神经网络；基于所述第一卷积神经网络，结合支持向量机算法，得到目标卷积神经网络；获取用于模型训练的训练集；采用所述训练集对所述目标卷积神经网络进行学习训练，得到所述第一神经网络模型。
处理器执行程序时还实现以下步骤：获取用于模型训练的训练集包括：获取T个样本数据，其中，所述T个样本数据为K个第一对象对应的数据，所述T个样本数据中至少包括：S个能力值、S个满意度值、S个期望值和S个第一属性信息，其中，每个能力值用于表示所述第一对象在每个岗位的工作能力，每个满意度值用于表示所述第一对象对每个岗位的满意程度，每个期望值用于表示所述第一对象对每个岗位的期望程度，所述S个第一属性信息至少包括：所述第一对象在每个岗位对应的职级和岗位等级，T、K和S均为正整数；依据所述T个样本数据，得到数据集；按照预设比例，将所述数据集划分为所述训练集和用于测试模型的测试集。
处理器执行程序时还实现以下步骤：在采用所述训练集对所述目标卷积神经网络进行学习训练，得到所述第一神经网络模型之后，所述方法还包括：获取模型训练的训练时长；从数据集中获取用于测试模型的测试集，其中，所述数据集中至少包括T个样本数据，T为正整数；利用所述测试集，计算所述第一神经网络模型的准确程度；依据所述训练时长和所述准确程度，确定对所述第一神经网络模型进行测试的测试结果。
本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：获取目标对象的M个能力值、M个满意度值、M个期望值和M个第一属性信息，其中，每个能力值用于表示所述目标对象在每个岗位的工作能力，每个满意度值用于表示所述目标对象对每个岗位的满意程度，每个期望值用于表示所述目标对象对每个岗位的期望程度，所述M个第一属性信息至少包括：所述目标对象在每个岗位对应的职级和岗位等级，所述目标对象为目标机构中的对象，每个岗位为所述目标机构中的岗位，M为正整数；将所述M个能力值、所述M个满意度值、所述M个期望值和所述M个第一属性信息输入第一神经网络模型进行预测处理，输出M个匹配值，其中，每个匹配值用于表示所述目标对象与每个岗位的匹配程度；依据所述M个匹配值，从所述目标机构的M个岗位中确定所述目标对象对应的目标岗位。
当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序：获取目标对象的M个能力值包括：获取所述目标对象的M个第一积分值、第二积分值和N个第二属性信息，其中，每个第一积分值用于表示所述目标对象在每个岗位的工作情况，所述第二积分值用于表示所述目标对象在工作之外参加活动的情况，所述N个第二属性信息至少包括：所述目标对象的年龄信息和所述目标对象在每个岗位的工作年限，N为正整数，N大于M；将所述M个第一积分值、所述第二积分值和所述N个第二属性信息输入第二神经网络模型进行预测处理，得到所述目标对象的所述M个能力值。
当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序：获取所述目标对象的M个第一积分值、第二积分值包括：获取第一映射关系表和第二映射关系表，其中，所述第一映射关系表中至少包括每项工作对应的积分值，所述第二映射关系表中至少包括除工作之外的每项活动对应的积分值；确定所述目标对象在每个岗位的工作情况；依据所述第一映射关系表和所述目标对象在每个岗位的工作情况，得到积分值集合；从所述积分值集合中获取所述M个第一积分值；确定所述目标对象在工作之外参加活动的情况；依据所述第二映射关系表和所述目标对象在工作之外参加活动的情况，得到所述第二积分值。
当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序：依据所述M个匹配值，从所述目标机构的M个岗位中确定所述目标对象对应的目标岗位包括：按照预设顺序对所述M个匹配值进行排序处理，得到M个经过排序处理后的匹配值；依据所述M个经过排序处理后的匹配值，从所述M个匹配值中确定目标匹配值，其中，所述目标匹配值为所述目标对象与岗位的匹配程度最高的匹配值；基于所述目标匹配值，从所述目标机构的所述M个岗位中确定所述目标对象对应的所述目标岗位。
当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序：所述第一神经网络模型通过以下方式得到：确定第一卷积神经网络；基于所述第一卷积神经网络，结合支持向量机算法，得到目标卷积神经网络；获取用于模型训练的训练集；采用所述训练集对所述目标卷积神经网络进行学习训练，得到所述第一神经网络模型。
当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序：获取用于模型训练的训练集包括：获取T个样本数据，其中，所述T个样本数据为K个第一对象对应的数据，所述T个样本数据中至少包括：S个能力值、S个满意度值、S个期望值和S个第一属性信息，其中，每个能力值用于表示所述第一对象在每个岗位的工作能力，每个满意度值用于表示所述第一对象对每个岗位的满意程度，每个期望值用于表示所述第一对象对每个岗位的期望程度，所述S个第一属性信息至少包括：所述第一对象在每个岗位对应的职级和岗位等级，T、K和S均为正整数；依据所述T个样本数据，得到数据集；按照预设比例，将所述数据集划分为所述训练集和用于测试模型的测试集。
当在数据处理设备上执行时，还适于执行初始化有如下方法步骤的程序：在采用所述训练集对所述目标卷积神经网络进行学习训练，得到所述第一神经网络模型之后，所述方法还包括：获取模型训练的训练时长；从数据集中获取用于测试模型的测试集，其中，所述数据集中至少包括T个样本数据，T为正整数；利用所述测试集，计算所述第一神经网络模型的准确程度；依据所述训练时长和所述准确程度，确定对所述第一神经网络模型进行测试的测试结果。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种岗位匹配方法，其特征在于，包括：
获取目标对象的M个能力值、M个满意度值、M个期望值和M个第一属性信息，其中，每个能力值用于表示所述目标对象在每个岗位的工作能力，每个满意度值用于表示所述目标对象对每个岗位的满意程度，每个期望值用于表示所述目标对象对每个岗位的期望程度，所述M个第一属性信息至少包括：所述目标对象在每个岗位对应的职级和岗位等级，所述目标对象为目标机构中的对象，每个岗位为所述目标机构中的岗位，M为正整数；
将所述M个能力值、所述M个满意度值、所述M个期望值和所述M个第一属性信息输入第一神经网络模型进行预测处理，输出M个匹配值，其中，每个匹配值用于表示所述目标对象与每个岗位的匹配程度；
依据所述M个匹配值，从所述目标机构的M个岗位中确定所述目标对象对应的目标岗位。
2.根据权利要求1所述的方法，其特征在于，获取目标对象的M个能力值包括：
获取所述目标对象的M个第一积分值、第二积分值和N个第二属性信息，其中，每个第一积分值用于表示所述目标对象在每个岗位的工作情况，所述第二积分值用于表示所述目标对象在工作之外参加活动的情况，所述N个第二属性信息至少包括：所述目标对象的年龄信息和所述目标对象在每个岗位的工作年限，N为正整数，N大于M；
将所述M个第一积分值、所述第二积分值和所述N个第二属性信息输入第二神经网络模型进行预测处理，得到所述目标对象的所述M个能力值。
3.根据权利要求2所述的方法，其特征在于，获取所述目标对象的M个第一积分值、第二积分值包括：
获取第一映射关系表和第二映射关系表，其中，所述第一映射关系表中至少包括每项工作对应的积分值，所述第二映射关系表中至少包括除工作之外的每项活动对应的积分值；
确定所述目标对象在每个岗位的工作情况；
依据所述第一映射关系表和所述目标对象在每个岗位的工作情况，得到积分值集合；
从所述积分值集合中获取所述M个第一积分值；
确定所述目标对象在工作之外参加活动的情况；
依据所述第二映射关系表和所述目标对象在工作之外参加活动的情况，得到所述第二积分值。
4.根据权利要求1所述的方法，其特征在于，依据所述M个匹配值，从所述目标机构的M个岗位中确定所述目标对象对应的目标岗位包括：
按照预设顺序对所述M个匹配值进行排序处理，得到M个经过排序处理后的匹配值；
依据所述M个经过排序处理后的匹配值，从所述M个匹配值中确定目标匹配值，其中，所述目标匹配值为所述目标对象与岗位的匹配程度最高的匹配值；
基于所述目标匹配值，从所述目标机构的所述M个岗位中确定所述目标对象对应的所述目标岗位。
5.根据权利要求1所述的方法，其特征在于，所述第一神经网络模型通过以下方式得到：
确定第一卷积神经网络；
基于所述第一卷积神经网络，结合支持向量机算法，得到目标卷积神经网络；
获取用于模型训练的训练集；
采用所述训练集对所述目标卷积神经网络进行学习训练，得到所述第一神经网络模型。
6.根据权利要求5所述的方法，其特征在于，获取用于模型训练的训练集包括：
获取T个样本数据，其中，所述T个样本数据为K个第一对象对应的数据，所述T个样本数据中至少包括：S个能力值、S个满意度值、S个期望值和S个第一属性信息，其中，每个能力值用于表示所述第一对象在每个岗位的工作能力，每个满意度值用于表示所述第一对象对每个岗位的满意程度，每个期望值用于表示所述第一对象对每个岗位的期望程度，所述S个第一属性信息至少包括：所述第一对象在每个岗位对应的职级和岗位等级，T、K和S均为正整数；
依据所述T个样本数据，得到数据集；
按照预设比例，将所述数据集划分为所述训练集和用于测试模型的测试集。
7.根据权利要求5所述的方法，其特征在于，在采用所述训练集对所述目标卷积神经网络进行学习训练，得到所述第一神经网络模型之后，所述方法还包括：
获取模型训练的训练时长；
从数据集中获取用于测试模型的测试集，其中，所述数据集中至少包括T个样本数据，T为正整数；
利用所述测试集，计算所述第一神经网络模型的准确程度；
依据所述训练时长和所述准确程度，确定对所述第一神经网络模型进行测试的测试结果。
8.一种岗位匹配装置，其特征在于，包括：
第一获取单元，用于获取目标对象的M个能力值、M个满意度值、M个期望值和M个第一属性信息，其中，每个能力值用于表示所述目标对象在每个岗位的工作能力，每个满意度值用于表示所述目标对象对每个岗位的满意程度，每个期望值用于表示所述目标对象对每个岗位的期望程度，所述M个第一属性信息至少包括：所述目标对象在每个岗位对应的职级和岗位等级，所述目标对象为目标机构中的对象，每个岗位为所述目标机构中的岗位，M为正整数；
第一处理单元，用于将所述M个能力值、所述M个满意度值、所述M个期望值和所述M个第一属性信息输入第一神经网络模型进行预测处理，输出M个匹配值，其中，每个匹配值用于表示所述目标对象与每个岗位的匹配程度；
第一确定单元，用于依据所述M个匹配值，从所述目标机构的M个岗位中确定所述目标对象对应的目标岗位。
9.一种计算机可读存储介质，其特征在于，所述存储介质存储程序，其中，所述程序执行权利要求1至7中任意一项所述的岗位匹配方法。
10.一种电子设备，其特征在于，包括一个或多个处理器和存储器，所述存储器用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1至7中任意一项所述的岗位匹配方法。
CN202310466863.7A 2023-04-26 2023-04-26 岗位匹配方法及装置、存储介质和电子设备 Pending CN116805221A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310466863.7A CN116805221A (zh) 2023-04-26 2023-04-26 岗位匹配方法及装置、存储介质和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310466863.7A CN116805221A (zh) 2023-04-26 2023-04-26 岗位匹配方法及装置、存储介质和电子设备

Publications (1)

Publication Number Publication Date
CN116805221A true CN116805221A (zh) 2023-09-26

Family

ID=88079079

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310466863.7A Pending CN116805221A (zh) 2023-04-26 2023-04-26 岗位匹配方法及装置、存储介质和电子设备

Country Status (1)

Country Link
CN (1) CN116805221A (zh)

Similar Documents

Publication Publication Date Title
US20060100957A1 (en) Electronic data processing system and method of using an electronic data processing system for automatically determining a risk indicator value
CN108475393A (zh) 通过合成特征和梯度提升决策树进行预测的系统和方法
CN106156809A (zh) 用于更新分类模型的方法及装置
Groll et al. Churn modeling of life insurance policies via statistical and machine learning methods--Analysis of important features
CN116450951A (zh) 业务推荐方法、装置、存储介质及电子设备
CN116245422A (zh) 外部数据质量的评价方法、装置和电子设备
CN113435713B (zh) 基于gis技术和两模型融合的风险地图编制方法及系统
CN111882113B (zh) 一种企业手机银行用户的预测方法和装置
Bhardwaj et al. Forecasting GDP per capita of OECD countries using machine learning and deep learning models
CN116805221A (zh) 岗位匹配方法及装置、存储介质和电子设备
CN117829902A (zh) 一种基于模型的连锁超市门店经营风险预测方法及系统
CN117010572A (zh) 金融机构网点的选址方法、装置、处理器以及电子设备
Sinha et al. Student Career Prediction Using Algorithms Of Machine Learning
Dong et al. Research on academic early warning model based on improved SVM algorithm
Nangia et al. A machine learning approach to identify the students at the risk of dropping out of secondary education in India
CN114493027A (zh) 一种基于马尔可夫模型的未来人才需求预测方法及系统
CN106997472A (zh) 用户信用模型的用户特征分类方法、用户信用评估方法及装置
Wu et al. Multiple Testing of Ordinal Stochastic Monotonicity
Arora et al. Prediction of Dynamic Price of Ride-On-Demand Services Using Linear Regression
Awaji Evaluation of machine learning techniques for early identification of at-risk students
CN116307829B (zh) 基于信息熵评估传染病对社会承载力的影响方法及装置
Jablecka Modelling CLV in the Insurance Industry Using Deep Learning Methods
Manoli et al. A Study on Machine Learning Algorithms Selection for Estimating the Impact of FIFA World Cups
US20220076343A1 (en) System and method for focused crowdsourced information
Farmer Commuting flows & local labour markets: Spatial interaction modelling of travel-to-work

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