一种基于多维因素的人员稳定性预测方法及系统与流程

1.本发明涉及人工智能领域，具体涉及一种基于多维因素的人员稳定性预测方法及系统。


背景技术：

2.如今人力资源成为各种企业中最重要的因素。相对稳定的、高忠诚度的人力资源是企业的核心竞争力所在，决定着一个企业的兴衰成败，如何留住自己所需要的人才，是一件关乎企业生存和发展的大事。因此员工的离职率一直是困扰企业单位的一个难题，如何从源头解决这一难题，引起了众多企业的关注。
3.但在实现本技术实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：存在企业无法准确预测应聘人员的稳定性，导致经常出现入职时间短，离职率高，员工稳定性差的问题。


技术实现要素：

4.本技术实施例通过提供了一种基于多维因素的人员稳定性预测方法及系统，解决了现有技术中存在企业无法准确预测应聘人员的稳定性，导致经常出现入职时间短，离职率高，员工稳定性差的技术问题。达到了通过入职员工数据进行机器学习，得到准确的预测模型，从而对应聘人员稳定性进行预测，从而针对预测结果对应聘人员进行高效管理，从而降低离职率的技术效果。
5.鉴于上述问题，本技术实施例提供了一种基于多维因素的人员稳定性预测方法及系统。
6.第一方面，本技术实施例提供了一种基于多维因素的人员稳定性预测方法，其中，所述方法包括：获得第一企业的第一员工群体的入职时长信息；获得所述第一员工群体的基本背景信息；对所述基本背景信息进行特征融合，获得综合基本信息；根据所述第一员工群体的入职时长信息和所述综合基本信息对前馈神经网络进行训练，构建第一人员稳定性预测模型；获得第一应聘人员的基本背景信息；对所述第一应聘人员的基本背景信息进行特征融合，获得所述第一应聘人员的综合基本信息；将所述第一应聘人员的综合基本信息输入所述第一人员稳定性预测模型，获得第一稳定性预测结果；根据所述第一稳定性预测结果，对所述第一应聘人员进行管理。
7.另一方面，本技术实施例提供了一种基于多维因素的人员稳定性预测系统，其中，所述系统包括：第一获得单元，所述第一获得单元用于获得第一企业的第一员工群体的入职时长信息；第二获得单元，所述第二获得单元用于获得所述第一员工群体的基本背景信息；第三获得单元，所述第三获得单元用于对所述基本背景信息进行特征融合，获得综合基本信息；第一构建单元，所述第一构建单元用于根据所述第一员工群体的入职时长信息和所述综合基本信息对前馈神经网络进行训练，构建第一人员稳定性预测模型；第四获得单
元，所述第四获得单元用于获得第一应聘人员的基本背景信息；第五获得单元，所述第五获得单元用于对所述第一应聘人员的基本背景信息进行特征融合，获得所述第一应聘人员的综合基本信息；第六获得单元，所述第六获得单元用于将所述第一应聘人员的综合基本信息输入所述第一人员稳定性预测模型，获得第一稳定性预测结果；第一执行单元，所述第一执行单元用于根据所述第一稳定性预测结果，对所述第一应聘人员进行管理。
8.第三方面，本技术实施例提供了一种基于多维因素的人员稳定性预测系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现第一方面任一项所述方法的步骤。
9.本技术实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：由于采用了获得第一企业的第一员工群体的入职时长信息；获得所述第一员工群体的基本背景信息；对所述基本背景信息进行特征融合，获得综合基本信息；根据所述第一员工群体的入职时长信息和所述综合基本信息对前馈神经网络进行训练，构建第一人员稳定性预测模型；获得第一应聘人员的基本背景信息；对所述第一应聘人员的基本背景信息进行特征融合，获得所述第一应聘人员的综合基本信息；将所述第一应聘人员的综合基本信息输入所述第一人员稳定性预测模型，获得第一稳定性预测结果；根据所述第一稳定性预测结果，对所述第一应聘人员进行管理的技术方案，本技术实施例通过提供了一种基于多维因素的人员稳定性预测方法及系统，达到了通过入职员工数据进行机器学习，得到准确的预测模型，从而对应聘人员稳定性进行预测，从而针对预测结果对应聘人员进行高效管理，从而降低离职率的技术效果。
10.上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。
附图说明
11.图1为本技术实施例一种基于多维因素的人员稳定性预测方法的流程示意图；图2为本技术实施例一种基于多维因素的人员稳定性预测方法的获得第二稳定性预测结果的流程示意图；图3为本技术实施例一种基于多维因素的人员稳定性预测方法的获得第三稳定性预测结果的流程示意图；图4为本技术实施例一种基于多维因素的人员稳定性预测方法的对第一稳定性预测结果进行正向调整的流程示意图；图5为本技术实施例一种基于多维因素的人员稳定性预测系统的结构示意图；图6为本技术实施例示例性电子设备的结构示意图。
12.附图标记说明：第一获得单元11，第二获得单元12，第三获得单元13，第一构建单元14，第四获得单元15，第五获得单元16，第六获得单元17，第一执行单元18，电子设备300，存储器301，处理器302，通信接口303，总线架构304。
具体实施方式
13.本技术实施例通过提供了一种基于多维因素的人员稳定性预测方法及系统，解决
了现有技术中存在企业无法准确预测应聘人员的稳定性，导致经常出现入职时间短，离职率高，员工稳定性差的技术问题。达到了通过入职员工数据进行机器学习，得到准确的预测模型，从而对应聘人员稳定性进行预测，从而针对预测结果对应聘人员进行高效管理，从而降低离职率的技术效果。
14.申请概述如今人力资源成为各种企业中最重要的因素。相对稳定的、高忠诚度的人力资源是企业的核心竞争力所在，决定着一个企业的兴衰成败，如何留住自己所需要的人才，是一件关乎企业生存和发展的大事。因此员工的离职率一直是困扰企业单位的一个难题，如何从源头解决这一难题，引起了众多企业的关注。现有技术中存在企业无法准确预测应聘人员的稳定性，导致经常出现入职时间短，离职率高，员工稳定性差的技术问题。
15.针对上述技术问题，本技术提供的技术方案总体思路如下：本技术实施例提供了一种基于多维因素的人员稳定性预测方法，其中，所述方法包括：获得第一企业的第一员工群体的入职时长信息；获得所述第一员工群体的基本背景信息；对所述基本背景信息进行特征融合，获得综合基本信息；根据所述第一员工群体的入职时长信息和所述综合基本信息对前馈神经网络进行训练，构建第一人员稳定性预测模型；获得第一应聘人员的基本背景信息；对所述第一应聘人员的基本背景信息进行特征融合，获得所述第一应聘人员的综合基本信息；将所述第一应聘人员的综合基本信息输入所述第一人员稳定性预测模型，获得第一稳定性预测结果；根据所述第一稳定性预测结果，对所述第一应聘人员进行管理。
16.在介绍了本技术基本原理后，下面将结合说明书附图来具体介绍本技术的各种非限制性的实施方式。
17.实施例一如图1所示，本技术实施例提供了一种基于多维因素的人员稳定性预测方法，其中，所述方法包括：s100：获得第一企业的第一员工群体的入职时长信息；s200：获得所述第一员工群体的基本背景信息；具体而言，所述第一企业为任一需要对人员稳定性进行预测的企业。第一员工群体为第一企业已入职的员工，根据第一企业的规模大小第一员工群体的数量可灵活调整。从所述第一企业人事管理系统中获得所述第一员工群体的入职时长信息和基本背景信息。其中，所述基本背景信息通过员工面试及入职时提供的个人资料中获得，包括但不限于年龄、学历、家庭成员、工作经历等信息。所述第一员工群体的入职时长信息包括但不限于入职时间、在职时间、离职时间等。获得第一员工群体的入职时长信息和基本背景信息，为人员稳定性预测奠定基础。
18.s300：对所述基本背景信息进行特征融合，获得综合基本信息；进一步的，所述对所述基本背景信息进行特征融合，获得综合基本信息，步骤s300还包括：s310：获得所述基本背景信息的特征向量集合；s320：对所述特征向量集合按照并行法进行特征组合，获得所述综合基本信息。
19.具体而言，将所述基本背景信息生成特征向量，例如将年龄、工资等生成一个个的
特征向量。将这些向量汇总，作为所述基本背景信息的特征向量集合。使用并行法对所述特征向量集合进行特征组合，即按照并行的方法将所有的特征向量组合在一起，构成新的特征向量，完成基本背景信息进行特征融合，获得所述综合基本信息。
20.s400：根据所述第一员工群体的入职时长信息和所述综合基本信息对前馈神经网络进行训练，构建第一人员稳定性预测模型；具体而言，所述前馈神经网络各神经元分层排列，每个神经元只与前一层的神经元相连。接收前一层的输出，并且输出给下一层，各层之间没有反馈。将所述第一员工群体的入职时长信息和所述综合基本信息对所述前馈神经网络进行训练，当训练至模型收敛时，获得所述第一人员稳定性预测模型，该模型能够准确的对人员稳定性进行预测，从而获得科学可靠的预测结果。
21.s500：获得第一应聘人员的基本背景信息；s600：对所述第一应聘人员的基本背景信息进行特征融合，获得所述第一应聘人员的综合基本信息；具体而言，所述第一应聘人员为到所述第一企业进行应聘的人员，可以但不限于通过第一应聘人员的简历和填写的信息采集所述第一应聘人员的基本背景信息。对所述第一应聘人员的基本背景信息进行特征融合，例如：将基本背景信息转化为特征向量，通过并行法进行特征融合。从而获得所述第一应聘人员的综合基本信息。
22.s700：将所述第一应聘人员的综合基本信息输入所述第一人员稳定性预测模型，获得第一稳定性预测结果；s800：根据所述第一稳定性预测结果，对所述第一应聘人员进行管理。
23.具体而言，人员稳定性是公司考察、录用应聘者的关键因素之一。将所述第一应聘人员的综合基本信息输入所述第一人员稳定性预测模型，对所述第一应聘人员的稳定性进行预测，获得所述第一稳定性预测结果，举不受限制的一例：可以预测出应聘人员入职后的工作年限，离职的风险等。基于所述第一稳定性预测结果，对所述第一应聘人员进行管理。例如：第一应聘人员稳定性预测结果表明稳定性较差，那么应当对该人员进行及时的咨询和帮助，并且在人员培训过程中多进行鼓励和引导，从而提高他的稳定性。有利于提高公司人员管理效率，为公司储备更多的人才资源。
24.进一步的，如图2所示，本实施例还包括：s810：获得所述第一员工群体的绩效信息；s820：根据所述第一员工群体的绩效信息和所述综合基本信息对所述前馈神经网络进行训练，构建第二人员稳定性预测模型；s830：根据所述第一人员稳定性预测模型，获得第一模型参数；s840：根据所述第二人员稳定性预测模型，获得第二模型参数；s850：根据所述第一模型参数和所述第二模型参数对所述前馈神经网络进行参数更新，获得第三人员稳定性预测模型；s860：将所述第一应聘人员的综合基本信息输入所述第三人员稳定性预测模型，获得第二稳定性预测结果。
25.具体而言，根据第一企业的考核标准获得所述第一员工群体的绩效信息，例如销售人员的绩效信息包括销售额、开发客户数、净利润等等。通过所述第一员工群体的绩效信
息和所述综合基本信息对所述前馈神经网络进行训练，构建第二人员稳定性预测模型。根据所述第一人员稳定性预测模型，获得第一模型参数，根据所述第二人员稳定性预测模型，获得第二模型参数。进一步的，根据所述第一模型参数和所述第二模型参数对所述前馈神经网络进行参数更新，获得第三人员稳定性预测模型。
26.在传统的机器学习建模中，通常是把模型训练需要的数据集合到一个数据中心然后再训练模型，之后预测。在本实施例中，可以看作是基于样本的分布式模型训练，分发全部数据到不同的机器，每台机器从服务器下载模型，然后利用本地数据训练模型，之后返回给服务器需要更新的参数；服务器聚合各机器上的返回的参数，更新模型，再把最新的模型反馈到每台机器。在这个过程中，每台机器下都是相同且完整的模型，且机器之间不交流不依赖，在预测时每台机器也可以独立预测，可以把这个过程看作成基于样本的分布式模型训练。能够保证第一企业的第一员工群体的数据安全，也能够更新获得更加准确科学的稳定性预测模型。将所述第一应聘人员的综合基本信息作为输入信息输入所述第三人员稳定性预测模型，获得第二稳定性预测结果。所述第二稳定性预测结果更加准确可靠。
27.进一步的，所述根据所述第一员工群体的入职时长信息和所述综合基本背景信息对前馈神经网络进行训练，构建人员稳定性预测模型，步骤s400还包括：s410：将所述第一员工群体的入职时长信息作为训练集的理想输出信息；s420：将所述第一员工群体的基本背景信息作为所述训练集的输入信息；s430：根据所述输入信息和所述理想输出信息利用反向传播算法对前馈神经网络进行训练，构建人员稳定性预测模型。
28.具体而言，反向传播算法主要由两个环节激励传播与权重更新反复循环迭代，直到网络对输入的响应达到预定的目标范围为止。反向传播快速、简单且易于实现，不需要网络的先验知识，方法灵活。
29.所述第一员工群体的入职时长信息包括但不限于入职时间、在职时间、离职时间等。训练集的理想输出信息为所述第一员工群体的入职时长信息，所述训练集的输入信息为所述第一员工群体的基本背景信息，所述基本背景信息通过员工面试及入职时提供的个人资料中获得，包括但不限于年龄、学历、家庭成员、工作经历等信息。从而根据所述输入信息和所述理想输出信息利用反向传播算法对前馈神经网络进行训练，构建所述人员稳定性预测模型。反向传播是“误差的反向传播”，对训练神经网络很有用，反向传播算法能够提高前馈神经网络的准确性，快速、易于实现且简单。
30.进一步的，如图3所示，本技术实施例还包括：s871：获得第一应聘人员的应聘岗位信息；s872：根据所述岗位信息，获得属于所述岗位信息的员工入职时长和工作强度；s873：将所述入职时长和所述工作强度进行曲线拟合，获得外因影响因子；s874：根据所述外因影响因子对所述第一稳定性预测结果进行修正，获得第三稳定性预测结果。
31.具体而言，由于应聘人员的稳定性由内因和外因决定，故需要对外部因素进行分析。获得第一应聘人眼的应聘岗位信息，包括岗位职责、岗位薪资、岗位竞争程度等。基于所述岗位信息，获得对应已入职员工入职时长和工作强度。由于入职时长和工作强度间存在一定的依赖关系，例如工作强度过大，超出员工正常负荷能力，那么入职时长可能会缩短。
故通过将所述入职时长和所述工作强度进行曲线拟合，从而获得外因影响因子，能够反映出工作强度等外因对稳定性的影响强度。从而根据所述外因影响因子对所述第一稳定性预测结果进行修正，获得所述第三稳定性预测结果。通过引入外因影响因子，能够提高稳定性预测结果的准确性。
32.进一步的，如图4所示，本技术实施例还包括：s8741：根据所述第一应聘人员的所述应聘岗位信息，获得所述应聘岗位信息的岗位职责信息；s8742：获得所述第一应聘人员的基本背景信息与所述岗位职责信息的匹配度；s8743：获得预定匹配度阈值；s8744：判断所述第一应聘人员的基本背景信息与所述岗位职责信息的匹配度是否在所述预定匹配度阈值之内；s8745：如果所述第一应聘人员的基本背景信息与所述岗位职责信息的匹配度在所述预定匹配度阈值之内，对所述第一稳定性预测结果进行正向调整；s8746：如果所述第一应聘人员的基本背景信息与所述岗位职责信息的匹配度不在所述预定匹配度阈值之内，对所述第一稳定性预测结果进行反向调整。
33.进一步的，所述获得预定匹配度阈值，包括：其中，为预定匹配度阈值的最小值；为第j个所述应聘人员的匹配度；为前i个所述应聘人员匹配度的平均值，其中，，为招录比。
34.具体而言，所述应聘岗位信息的岗位职责信息包括岗位工作内容，例如：应聘岗位为销售，则通过岗位职责获得岗位工作内容为完成销售任务。所述匹配度为应聘人员与岗位职责的匹配度，举不受限制的一例：所述第一企业可通过应聘人员的工作经历和学习专业和岗位职责的匹配程度来评判所述匹配度。判断的匹配度是否在所述预定匹配度阈值之内，通过公式获得预定匹配度阈值，其中，为第j个所述应聘人员的匹配度，为前i个所述应聘人员匹配度的平均值，其中，，为招录比。若匹配度在阈值范围之内，说明应聘人员与岗位匹配程度较好，对所述第一稳定性预测结果进行正向调整。若匹配度不在阈值范围之内，说明应聘人员与岗位匹配程度较差，对所述第一稳定性预测结果进行反向调整。通过设定匹配度阈值，能够对所述第一稳定性预测结果进行调整，从而增强稳定性预测结果的可靠性和针对性。
35.综上所述，本技术实施例所提供的一种基于多维因素的人员稳定性预测方法及系统具有如下技术效果：1、由于采用了获得第一企业的第一员工群体的入职时长信息；获得所述第一员工群体的基本背景信息；对所述基本背景信息进行特征融合，获得综合基本信息；根据所述第一员工群体的入职时长信息和所述综合基本信息对前馈神经网络进行训练，构建第一人员
稳定性预测模型；获得第一应聘人员的基本背景信息；对所述第一应聘人员的基本背景信息进行特征融合，获得所述第一应聘人员的综合基本信息；将所述第一应聘人员的综合基本信息输入所述第一人员稳定性预测模型，获得第一稳定性预测结果；根据所述第一稳定性预测结果，对所述第一应聘人员进行管理的技术方案，本技术实施例通过提供了一种基于多维因素的人员稳定性预测方法及系统，达到了通过入职员工数据进行机器学习，得到准确的预测模型，从而对应聘人员稳定性进行预测，从而针对预测结果对应聘人员进行高效管理，从而降低离职率的技术效果。
36.2、由于采用了曲线拟合的方法，能够得到外因影响因子，并且结合应聘人员的基本背景信息与所述岗位职责信息的匹配度，达到了优化稳定性预测结果，提高预测结果准确性的技术效果。
37.实施例二基于与前述实施例中一种基于多维因素的人员稳定性预测方法相同的发明构思，如图5所示，本技术实施例提供了一种基于多维因素的人员稳定性预测系统，其中，所述系统包括：第一获得单元11，所述第一获得单元11用于获得第一企业的第一员工群体的入职时长信息；第二获得单元12，所述第二获得单元12用于获得所述第一员工群体的基本背景信息；第三获得单元13，所述第三获得单元13用于对所述基本背景信息进行特征融合，获得综合基本信息；第一构建单元14，所述第一构建单元14用于根据所述第一员工群体的入职时长信息和所述综合基本信息对前馈神经网络进行训练，构建第一人员稳定性预测模型；第四获得单元15，所述第四获得单元15用于获得第一应聘人员的基本背景信息；第五获得单元16，所述第五获得单元16用于对所述第一应聘人员的基本背景信息进行特征融合，获得所述第一应聘人员的综合基本信息；第六获得单元17，所述第六获得单元17用于将所述第一应聘人员的综合基本信息输入所述第一人员稳定性预测模型，获得第一稳定性预测结果；第一执行单元18，所述第一执行单元18用于根据所述第一稳定性预测结果，对所述第一应聘人员进行管理。
38.进一步的，所述系统包括：第七获得单元，所述第七获得单元用于获得所述基本背景信息的特征向量集合；第八获得单元，所述第八获得单元用于对所述特征向量集合按照并行法进行特征组合，获得所述综合基本信息。
39.进一步的，所述系统包括：第九获得单元，所述第九获得单元用于获得所述第一员工群体的绩效信息；第二构建单元，所述第二构建单元用于根据所述第一员工群体的绩效信息和所述综合基本信息对所述前馈神经网络进行训练，构建第二人员稳定性预测模型；第十获得单元，所述第十获得单元用于根据所述第一人员稳定性预测模型，获得第一模型参数；
第十一获得单元，所述第十一获得单元用于根据所述第二人员稳定性预测模型，获得第二模型参数；第十二获得单元，所述第十二获得单元用于根据所述第一模型参数和所述第二模型参数对所述前馈神经网络进行参数更新，获得第三人员稳定性预测模型；第十三获得单元，所述第十三获得单元用于将所述第一应聘人员的综合基本信息输入所述第三人员稳定性预测模型，获得第二稳定性预测结果。
40.进一步的，所述系统包括：第二执行单元，所述第二执行单元用于将所述第一员工群体的入职时长信息作为训练集的理想输出信息；第三执行单元，所述第三执行单元用于将所述第一员工群体的基本背景信息作为所述训练集的输入信息；第三构建单元，所述第三构建单元用于根据所述输入信息和所述理想输出信息利用反向传播算法对前馈神经网络进行训练，构建人员稳定性预测模型。
41.进一步的，所述系统包括：第十四获得单元，所述第十四获得单元用于获得第一应聘人员的应聘岗位信息；第十五获得单元，所述第十五获得单元用于根据所述岗位信息，获得属于所述岗位信息的员工入职时长和工作强度；第十六获得单元，所述第十六获得单元用于将所述入职时长和所述工作强度进行曲线拟合，获得外因影响因子；第十七获得单元，所述第十七获得单元用于根据所述外因影响因子对所述第一稳定性预测结果进行修正，获得第三稳定性预测结果。
42.进一步的，所述系统包括：第十八获得单元，所述第十八获得单元用于根据所述第一应聘人员的所述应聘岗位信息，获得所述应聘岗位信息的岗位职责信息；第十九获得单元，所述第十九获得单元用于获得所述第一应聘人员的基本背景信息与所述岗位职责信息的匹配度；第二十获得单元，所述第二十获得单元用于获得预定匹配度阈值；第一判断单元，所述第一判断单元用于判断所述第一应聘人员的基本背景信息与所述岗位职责信息的匹配度是否在所述预定匹配度阈值之内；第四执行单元，所述第四执行单元用于如果所述第一应聘人员的基本背景信息与所述岗位职责信息的匹配度在所述预定匹配度阈值之内，对所述第一稳定性预测结果进行正向调整；第五执行单元，所述第五执行单元用于如果所述第一应聘人员的基本背景信息与所述岗位职责信息的匹配度不在所述预定匹配度阈值之内，对所述第一稳定性预测结果进行反向调整。
43.示例性电子设备下面参考图6来描述本技术实施例的电子设备。
44.基于与前述实施例中一种基于多维因素的人员稳定性预测方法相同的发明构思，本技术实施例还提供了一种基于多维因素的人员稳定性预测系统，包括：处理器，所述处理
器与存储器耦合，所述存储器用于存储程序，当所述程序被所述处理器执行时，使得系统以执行第一方面任一项所述的方法。
45.该电子设备300包括：处理器302、通信接口303、存储器301。可选的，电子设备300还可以包括总线架构304。其中，通信接口303、处理器302以及存储器301可以通过总线架构304相互连接；总线架构304可以是外设部件互连标(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
46.处理器302可以是一个cpu，微处理器，asic，或一个或多个用于控制本技术方案程序执行的集成电路。
47.通信接口303，使用任何收发器一类的装置，用于与其他设备或通信网络通信，如以太网，无线接入网(radio access network，ran),无线局域网(wireless local area networks，wlan)，有线接入网等。
48.存储器301可以是rom或可存储静态信息和指令的其他类型的静态存储设备，ram或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory，eeprom)、只读光盘(compact disc read-only memory，cd-rom)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在，通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
49.其中，存储器301用于存储执行本技术方案的计算机执行指令，并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令，从而实现本技术上述实施例提供的一种基于多维因素的人员稳定性预测方法。
50.可选的，本技术实施例中的计算机执行指令也可以称之为应用程序代码，本技术实施例对此不作具体限定。
51.本技术实施例提供了一种基于多维因素的人员稳定性预测方法，其中，所述方法包括：获得第一企业的第一员工群体的入职时长信息；获得所述第一员工群体的基本背景信息；对所述基本背景信息进行特征融合，获得综合基本信息；根据所述第一员工群体的入职时长信息和所述综合基本信息对前馈神经网络进行训练，构建第一人员稳定性预测模型；获得第一应聘人员的基本背景信息；对所述第一应聘人员的基本背景信息进行特征融合，获得所述第一应聘人员的综合基本信息；将所述第一应聘人员的综合基本信息输入所述第一人员稳定性预测模型，获得第一稳定性预测结果；根据所述第一稳定性预测结果，对所述第一应聘人员进行管理。
52.本领域普通技术人员可以理解：本技术中涉及的第一、第二等各种数字编号仅为描述方便进行的区分，并不用来限制本技术实施例的范围，也不表示先后顺序。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其
类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a ,b,或c中的至少一项(个、种)，可以表示：a ,b,c,a
ꢀ‑
b,a-c,b-c,或a-b-c，其中a,b,c可以是单个，也可以是多个。
53.在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本技术实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘(solid state disk，ssd))等。
54.本技术实施例中所描述的各种说明性的逻辑单元和电路可以通过通用处理器，数字信号处理器，专用集成电路(asic)，现场可编程门阵列(fpga)或其它可编程逻辑装置，离散门或晶体管逻辑，离散硬件部件，或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现，例如数字信号处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信号处理器核，或任何其它类似的配置来实现。
55.本技术实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于ram存储器、闪存、rom存储器、eprom存储器、eeprom存储器、寄存器、硬盘、可移动磁盘、cd-rom或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于asic中，asic可以设置于终端中。可选地，处理器和存储媒介也可以设置于终端中的不同的部件中。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。
56.尽管结合具体特征及其实施例对本技术进行了描述，显而易见的，在不脱离本技术的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是所附权利要求所界定的本技术的示例性说明，且视为已覆盖本技术范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术意图包括这些改动和变型在内。