一种基于复杂网络构建人才竞争力指数的方法与流程

本发明涉及计算机软件领域，尤其涉及的是一种基于复杂网络构建人才竞争力指数的方法。

背景技术：

1、企业在招聘的时候都希望面人才，找人才。人才的标准到底是什么，如何去定义一个人才是否是人才，不同的行业不同的人眼里都有不一样的想法。

2、目前的人才招聘推荐平台都是在获取到人才信息后，基于用人单位的岗位信息与人才信息之间的相似度进行匹配，从而实现人才推荐的。这种方式，只能够实现基于岗位和人才信息之间的契合程度去评价人才的能力水平，而不能实现对人才本身的能力的客观评价。其实相当一部分企业的关键岗位在招聘的时候难以将岗位信息传递的全面而准确，从而导致寻才困难；更有一部分核心职位是因人设岗。因此我们聚焦人才本身的能力，相信优秀的人才是具备关键岗位的一定迁移能力的，通过构建人才的核心竞争力指数来达到为企业主鉴别真正的关键人才的目的。

3、一方面人的能力是一种客观存在的属性，而不同公司不同职位之间的需求是不统一的，构造能够被相应行业领域认可的指标和评价方法，以实现对人才的能力的客观评价，已成为业内亟待解决的问题。

4、传统的人才评价，往往只基于人才本身的属性，并没有考虑到人才在其所处行业的网络关系，而这需要大量不同行业人才数据的积累，并通过数据挖掘的技术实现。

5、从操作层面来说现有的招聘协作平台天然有一些网络的信息，例如招聘环节中的一些重要节点，关联、推荐、公司审核通过、拿到offer，这些节点的信息可以构成丰富的有向网络。同时，人的能力与其历史的职位紧密关联，而职位和公司的水平密切相关，所以我们需要将历史工作经历的公司和职位信息考虑进评价一个人的能力模型中，实现对人才的客观公正评价。

6、因此，现有技术存在缺陷，需要改进。

技术实现思路

1、本发明所要解决的技术问题是：在基于复杂网络建立一套客观、准确的人才评价体系，并且，对该指标进行数值标准化，以及基于该指标训练出模型，可以实现对人才的等级的评估。

2、本发明的技术方案如下：一种基于复杂网络构建人才竞争力指数的方法，包括如下步骤：s1：计算候选人x在时间段t的面试offer率；s2：对应每一个offer，计算offer的面试通过率，并计算提供该offer的公司的重要性，根据面试通过率*公司的重要性，计算该offer的含金量；s3:计算候选人x在时间段t的所有offer的含金量，并对所有offer的含金量求和；s4:根据候选人x在时间段t的面试offer数*面试offer率*所有offer的含金量求和，得到候选人x的人才竞争力指数的ground truth。

3、应用于上述技术方案，所述的基于复杂网络构建人才竞争力指数的方法中，步骤s1中，候选人x在时间段t的面试offer率d1(x，t)的计算公式为：其中，noffer(x，t)为在时间段t内，候选人x有的offer数；ninterview(x，t)为在时间段t内，候选人x有的面试数。

4、应用于上述各个技术方案，所述的基于复杂网络构建人才竞争力指数的方法中，步骤s2中，计算offer的面试通过率d2(x，y，t)的计算公式为：其中，noffet(x，y，t)为候选人x在时间段t内收到的offer所对应的公司y在时间段t内发出的该offer数，ncandidate(y，t)为在时间段t内投递公司y的候选人数。

5、应用于上述各个技术方案，所述的基于复杂网络构建人才竞争力指数的方法中，步骤s2中，公司的重要性通过pagerank算法得到，其具体为，利用海量的简历数据，构建人才和企业的关联图，节点是公司，边的权重是该公司跳槽到另一个公司的人数，利用pagerank算法，入度定义为流出该公司的人才，出度定义为流入该公司的人才，训练公司与公司之间的权重差异，从而得到公司的重要性的得分。

6、应用于上述各个技术方案，所述的基于复杂网络构建人才竞争力指数的方法中，步骤s4中，候选人x的人才竞争力指数的ground truthgt(x，t)的计算公式为：

7、其中，c(y，t)为公司y的重要性，为所有offer的含金量求和。

8、应用于上述各个技术方案，所述的基于复杂网络构建人才竞争力指数的方法中，还包括步骤s5:基于海量简历，构造包括候选人，学校，公司，工作年限，职位，技能的复杂网络，并且，将该复杂网络输出到全连接的神经网络，利用pointwise learning来预测分行业的人才竞争力指数，通过pairwise learning来建模分行业的人才的相对竞争力水平。

9、应用于上述各个技术方案，所述的基于复杂网络构建人才竞争力指数的方法中，步骤s5中，在构建复杂网络时，是分别构造候选人的三种特征，并输出到全连接神经网络的分类模型中，其中，三种特征分为：人才的属性特征、图的出入度特征、基于异构图的特征。

10、应用于上述各个技术方案，所述的基于复杂网络构建人才竞争力指数的方法中，步骤s5中，具体是，分别得出人才的属性特征，图的出入度特征、基于异构图的特征，并拼接构成n*(m+12)维的特征矩阵，输入到分类器模型中。

11、应用于上述各个技术方案，所述的基于复杂网络构建人才竞争力指数的方法中，步骤s5中，通过人为选定判决门限，产出pointwise learning模型训练的label为：

12、应用于上述各个技术方案，所述的基于复杂网络构建人才竞争力指数的方法中，步骤s5中，构造pairwise learning模型训练的label为：其中，x1和x2为候选人。

13、本发明的有益效果为：基于复杂网络建立了一套客观、准确的人才评价体系。我们基于提出的人才竞争力指标训练出模型，可以实现对人才的等级的评估，由于指标是能够适用于相应行业领域的客观统一标准，因此，通过训练模型计算出的人才竞争力指数能够客观反映人才的能力水平，避免了基于不同的企业标准而进行人才评价有失客观公正的不良。

技术特征：

1.一种基于复杂网络构建人才竞争力指数的方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于复杂网络构建人才竞争力指数的方法，其特征在于，步骤s1中，候选人x在时间段t的面试offer率d1(x，t)的计算公式为：其中，noffer(x，t)为在时间段t内，候选人x有的offer数；ninterview(x，t)为在时间段t内，候选人x有的面试数。

3.根据权利要求2所述的基于复杂网络构建人才竞争力指数的方法，其特征在于：步骤s2中，计算offer的面试通过率d2(x，y，t)的计算公式为：其中，noffer(x，y，t)为候选人x在时间段t内收到的offer所对应的公司y在时间段t内发出的该offer数，ncandidate(y，t)为在时间段t内投递公司y的候选人数。

4.根据权利要求3所述的基于复杂网络构建人才竞争力指数的方法，其特征在于：步骤s2中，公司的重要性通过pagerank算法得到，其具体为，利用海量的简历数据，构建人才和企业的关联图，节点是公司，边的权重是该公司跳槽到另一个公司的人数，利用pagerank算法，入度定义为流出该公司的人才，出度定义为流入该公司的人才，训练公司与公司之间的权重差异，从而得到公司的重要性的得分。

5.根据权利要求4所述的基于复杂网络构建人才竞争力指数的方法，其特征在于：步骤s4中，候选人x的人才竞争力指数的ground truth gt(x，t)的计算公式为：其中，c(y，t)为公司y的重要性，为候选人x的所有offer的含金量求和。

6.根据权利要求5所述的基于复杂网络构建人才竞争力指数的方法，其特征在于：还包括步骤s5：基于海量简历，构造包括候选人，学校，公司，工作年限，职位，技能的复杂网络，并且，将该复杂网络输出到全连接的神经网络，利用pointwise learning来预测分行业的人才竞争力指数，通过pairwise learning来建模分行业的人才的相对竞争力水平。

7.根据权利要求6所述的基于复杂网络构建人才竞争力指数的方法，其特征在于：步骤s5中，在构建复杂网络时，是分别构造候选人的三种特征，并输出到全连接神经网络的分类模型中，其中，三种特征分为：人才的属性特征、图的出入度特征、基于异构图的特征。

8.根据权利要求7所述的基于复杂网络构建人才竞争力指数的方法，其特征在于：步骤s5中，具体是，分别得出人才的属性特征，图的出入度特征、基于异构图的特征，并拼接构成n*(m+12)维的特征矩阵，输入到分类器模型中。

9.根据权利要求8所述的基于复杂网络构建人才竞争力指数的方法，其特征在于：步骤s5中，通过人为选定判决门限，产出pointwise learning模型训练的label为：

10.根据权利要求9所述的基于复杂网络构建人才竞争力指数的方法，其特征在于：步骤s5中，构造pairwise learning模型训练的label为：其中，x1和x2为候选人。

技术总结
本发明公开了一种基于复杂网络构建人才竞争力指数的方法，包括S1：计算候选人x在时间段T的面试offer率；S2：对应每一个offer，计算offer的面试通过率，计算提供该offer的公司的重要性，计算该offer的含金量；S3:计算候选人x在时间段T的所有offer的含金量并求和；S4:计算得到候选人x的人才竞争力指数的ground truth。本发明实现了对人才的等级的评估，由于指标是能够适用于相应行业领域的客观统一标准，因此，通过训练模型计算出的人才竞争力指数能够客观反映人才的能力水平，避免了基于不同的企业标准而进行人才评价有失客观公正的不良。

技术研发人员：徐雯,李敬泉,刘王祥,谢志辉,孙钰,吴显仁,徐伟招
受保护的技术使用者：深圳今日人才信息科技有限公司
技术研发日：
技术公布日：2024/1/11