基于人员关系的人力资源调度模型训练、调度方法及装置与流程

本发明涉及人力资源调度领域，具体涉及基于人员关系的人力资源调度模型训练、调度方法及装置。

背景技术：

在经济全球化和知识经济时代的背景下，人力资源是影响一个企业的生存和发展的重要因素。人力资源的配置，即人员和职位匹配程度，直接影响着企业其他资源的合理利用和整体配置效率。合理的人力资源配置是决定企业能否持续、稳定、快速发展的一个关键因素。因此，如何实现合理的人力资源分配是亟待解决的技术问题。常用的人力资源分配方法为多元线性回归分析、层次分析法分析和德尔菲分析等，这些都属于线性分析方法。但是，人力资源的合理配置受到很多因素的影响，如规模、经济实力、文化和企业的外部环境。与此同时，这些因素大多是非线性的。因此，传统的线性分析方法存在主观性较强，准确性较低，反映实际情况能力较弱的缺点。

目前，论文“王保贤、刘毅等，基于灰色bp神经网络模型的人力资源需求预测方法[j]，统计与预测，2018,”中王保贤等分析了基于bp神经网络模型的人力资源管理实践与组织情况的匹配关系，建立了预测模型，并给出了良好的预测效果；文献研究了大量与人力资源相关的影响因素；文献通过技能、薪水和对项目的奉献程度等属性来描述人力资源，从而建立了调度的约束并利用遗传算法实现了人力资源调度。

但是，发明人发现，现有技术中没有考虑到在人力资源配置过程中的人员间的相似性以及特定关系对人力资源分配的影响，因此，现有技术中存在人力资源分配效果不准确的技术问题。

技术实现要素：

本发明所要解决的技术问题在于如何提供基于人员关系的人力资源调度模型训练、调度方法及装置以提高人力资源分配的准确率。

本发明通过以下技术手段实现解决上述技术问题的：

本发明实施例提供了基于人员关系的人力资源调度模型训练方法，所述方法包括：

将各个在职人员作为节点并将节点对应的人物属性以及工作岗位作为节点间的边构建人力资源网络，其中，所述人员属性包括：精通办公软件、逻辑思维强、团队协作、性格、性别、人员关系、毕业院校以及专业中的一种或组合；

根据所述人力资源网络对应的邻接矩阵以及在职人员的度获取所述人力资源网络的关系矩阵；

使用所述关系矩阵训练分别训练至少两个自编码器，直至各个自编码器的损失函数收敛；

将训练后的自编码器进行堆叠处理，得到目标模型，其中，所述目标模型中除第一个自编码器之外的其他自编码器的隐藏层的输出作为下一个自编码器的输入。

在实际工作中，适于同一个工作岗位的在职人员往往存在一定程度的相似性，应用本发明实施例，将在职人员以及工作岗位作为节点，并根据各个在职人员的属性作为边来构建人力资源网络，利于使用神经网络模型基于现有人员之间的共性对工作岗位进行特征重构，可以得到工作岗位的抽象描述结果，进而可以在使用本发明实施例训练的模型进行待定岗人员定岗时获取更加准确的结果。

可选的，所述目标模型包括四个堆栈的自编码器，其中，

第一层自编码器的输入层用于接收关系矩阵，且第一层自编码器的隐藏层的输出作为第二层自编码器的输入层的输入；

第二层自编码器的隐藏层的输出作为第三层自编码器的输入层的输出；

第三层自编码器的隐藏层的输出作为第四层自编码器的输入层的输入；

第四层自编码器的隐藏层输出作为堆栈自编码器的输出。

可选的，所述

使用所述关系矩阵训练分别训练至少两个自编码器，直至各个自编码器的损失函数收敛，包括：

利用公式计算当前次迭代中自编码器的损失，其中，

cost为当前次迭代中自编码器的损失；为函数取最小值时自变量求值函数；∑为求和函数；mi为第i个在职人员关系矩阵中的元素；n为在职人员数量；oi为第i个在职人员中自编码器的对应于mi的输出；θ＝{wh,dh,wo,do}，且wh为编码层的权重；dh为编码层的偏置；wo为解码层的权重；do为解码层的偏置；p为隐藏层神经元个数；ρ为稀疏性参数；ρj为隐藏层神经元的平均活跃度，且hi为第i个人员对应的编码层输出，

判断当前次迭代中自编码器的损失是否收敛；

若是，将当前次迭代训练后的自编码器作为训练后的自编码器；

若否，使用随机梯度下降的反向传播算法更新θ＝{wh,dh,wo,do}，并返回执行所述计算当前次迭代中自编码器的损失的步骤，直至所述自编码器的损失收敛。

可选的，所述

使用所述关系矩阵训练分别训练至少两个自编码器，直至各个自编码器的损失函数收敛，包括：

利用公式j＝cost+λtr(hlh^t)，计算当前次迭代中自编码器的损失，其中，

j为当前次迭代中自编码器的损失；λ为调控重构误差和约束间的参数；tr为岗位适应度矩阵的迹，且岗位适应度矩阵为sij为人员i和人员j对岗位的适应度值；h为隐藏层的输出矩阵；l为岗位适应度矩阵的拉普拉斯矩阵；h^t为隐藏层的输出矩阵的转置；为n*n的实数矩阵；为函数取最小值时自变量求值函数；∑为求和函数；mi为第i个在职人员关系矩阵中的元素；n为在职人员数量；oi为第i个在职人员中自编码器的对应于mi的输出；θ＝{wh,dh,wo,do}，且wh为编码层的权重；dh为编码层的偏置；wo为解码层的权重；do为解码层的偏置；p为隐藏层神经元个数；ρ为稀疏性参数；ρj为隐藏层神经元的平均活跃度，且hi为第i个人员对应的编码层输出，

判断当前次迭代中自编码器的损失是否收敛；

若是，将当前次迭代训练后的自编码器作为训练后的自编码器；

若否，使用随机梯度下降的反向传播算法更新θ＝{wh,dh,wo,do}，并返回执行所述计算当前次迭代中自编码器的损失的步骤，直至所述自编码器的损失收敛。

本发明实施例还提供了基于人员关系的人力资源调度方法，所述方法包括：

获取待定岗人员的人员属性，并基于所述人员属性构建针对所述待定岗人员的属性矩阵；

将所述属性矩阵输入至所述目标模型中，得到对应于所述待定岗人员的岗位信息，其中，所述目标模型为基于上述任一项训练的基于人员关系的人力资源调度模型。

本发明实施例提供了基于人员关系的人力资源调度模型训练装置，所述装置包括：

构建模块，用于将各个在职人员作为节点并将节点对应的人物属性以及工作岗位作为节点间的边构建人力资源网络，其中，所述人员属性包括：精通办公软件、逻辑思维强、团队协作、性格、性别、人员关系、毕业院校以及专业中的一种或组合；

第一获取模块，用于根据所述人力资源网络对应的邻接矩阵以及在职人员的度获取所述人力资源网络的关系矩阵；

训练模块，用于使用所述关系矩阵训练分别训练至少两个自编码器，直至各个自编码器的损失函数收敛；

堆叠模块，用于将训练后的自编码器进行堆叠处理，得到目标模型，其中，所述目标模型中除第一个自编码器之外的其他自编码器的隐藏层的输出作为下一个自编码器的输入。

可选的，所述目标模型包括四个堆栈的自编码器，其中，

第一层自编码器的输入层用于接收关系矩阵，且第一层自编码器的隐藏层的输出作为第二层自编码器的输入层的输入；

第二层自编码器的隐藏层的输出作为第三层自编码器的输入层的输出；

第三层自编码器的隐藏层的输出作为第四层自编码器的输入层的输入；

第四层自编码器的隐藏层输出作为堆栈自编码器的输出。

可选的，所述训练模块，用于：

利用公式计算当前次迭代中自编码器的损失，其中，

cost为当前次迭代中自编码器的损失；为函数取最小值时自变量求值函数；∑为求和函数；mi为第i个在职人员关系矩阵中的元素；n为在职人员数量；oi为第i个在职人员中自编码器的对应于mi的输出；θ＝{wh,dh,wo,do}，且wh为编码层的权重；dh为编码层的偏置；wo为解码层的权重；do为解码层的偏置；p为隐藏层神经元个数；ρ为稀疏性参数；ρj为隐藏层神经元的平均活跃度，且hi为第i个人员对应的编码层输出，

判断当前次迭代中自编码器的损失是否收敛；

若是，将当前次迭代训练后的自编码器作为目标模型；

若否，使用随机梯度下降的反向传播算法更新θ＝{wh,dh,wo,do}，并返回执行所述计算当前次迭代中自编码器的损失的步骤，直至所述自编码器的损失收敛。

可选的，所述训练模块，用于：

利用公式j＝cost+λtr(hlh^t)，计算当前次迭代中自编码器的损失，其中，

j为当前次迭代中自编码器的损失；λ为调控重构误差和约束间的参数；tr为岗位适应度矩阵的迹，且岗位适应度矩阵为sij为人员i和人员j对岗位的适应度值；h为隐藏层的输出矩阵；l为岗位适应度矩阵的拉普拉斯矩阵；h^t为隐藏层的输出矩阵的转置；为n*n的实数矩阵；为函数取最小值时自变量求值函数；∑为求和函数；mi为第i个在职人员关系矩阵中的元素；n为在职人员数量；oi为第i个在职人员中自编码器的对应于mi的输出；θ＝{wh,dh,wo,do}，且wh为编码层的权重；dh为编码层的偏置；wo为解码层的权重；do为解码层的偏置；p为隐藏层神经元个数；ρ为稀疏性参数；ρj为隐藏层神经元的平均活跃度，且hi为第i个人员对应的编码层输出，

判断当前次迭代中自编码器的损失是否收敛；

若是，将当前次迭代训练后的自编码器作为目标模型；

若否，使用随机梯度下降的反向传播算法更新θ＝{wh,dh,wo,do}，并返回执行所述计算当前次迭代中自编码器的损失的步骤，直至所述自编码器的损失收敛。

本发明实施例还提供了基于人员关系的人力资源调度装置，所述装置包括：

第二获取模块，用于获取待定岗人员的人员属性，并基于所述人员属性构建针对所述待定岗人员的属性矩阵；

输入模块，用于将所述属性矩阵输入至所述目标模型中，得到对应于所述待定岗人员的岗位信息，其中，所述目标模型为基于上述任一项训练的基于人员关系的人力资源调度模型。

本发明的优点在于：

在实际中，适于同一个工作岗位的在职人员往往存在一定程度的相似性，应用本发明实施例，将在职人员以及工作岗位作为节点，并根据各个在职人员的属性作为边来构建人力资源网络，利于使用神经网络模型基于现有人员之间的共性对工作岗位进行特征重构，可以得到工作岗位的抽象描述结果，进而可以在使用本发明实施例训练的模型进行待定岗人员定岗时获取更加准确的结果。

附图说明

图1为本发明实施例提供的基于人员关系的人力资源调度模型训练方法的流程示意图；

图2为本发明实施例提供的基于人员关系的人力资源调度模型训练方法中的堆栈自编码器的结构示意图；

图3为本发明实施例提供的岗位适应度约束对堆栈自编码器隐藏层的训练结果的对比示意图；

图4为本发明实施例提供的不同λ在不同层数的隐藏层时损失函数的敏感度结果示意图；

图5为本发明实施例提供的基于人员关系的人力资源调度模型训练装置的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

图1为本发明实施例提供的基于人员关系的人力资源调度模型训练方法的流程示意图，如图1所示，所述方法包括：

s101：将各个在职人员作为节点并将节点对应的人物属性以及工作岗位作为节点间的边构建人力资源网络，其中，所述人员属性包括：精通办公软件、逻辑思维强、团队协作、性格、性别、人员关系、毕业院校以及专业中的一种或组合。

在人力资源分配过程中，每个人员都有其特定的属性以及突出的工作优势，例如某个人员所具有的属性x＝{“精通java”、”逻辑思维强”……”团队协作”}，那么该员工更适合于java开发的岗位，而且适合于同一岗位的人员所需要具备的属性应该是相似的。因此基于每个人员所具有的属性，可以构造一个特定的人力资源网络。

假设给定n个求职人员，则可构成一个人力资源网络g＝(v,e,y)，其中，v＝(v1,v2,...,vn)为节点的集合，表示n个在职人员；e＝{eij}中两节点间的边的集合。y为人员的类标，即所匹配的岗位，y＝{yl,...,yn-l}，其中已分配岗位的人员的类标yla＝{y1,...,yl}，显然，未分配岗位的人员类标yul＝{yl+1,...,yn}。

s102：根据所述人力资源网络对应的邻接矩阵以及在职人员的度获取所述人力资源网络的关系矩阵。

示例性的，在人力资源网络g中，人力资源网络的邻接矩阵是一个非负对称矩阵若节点i和j之间有边连接时表示人员i和人员j之间存在联系：例如在职人员i和在职人员j的工作中有交集、相似的地方，aij＝1；反之aij＝0，对于所有1≤i≤n，aii＝0；r为实数矩阵。

本发明实施例中使用对称矩阵来刻画人力资源网络中人员的相似性，当a∈rⁿ时，有：

其中，wij为人员i和人员j之间的相似性；aik为邻接矩阵向量ai的第k个元素；即人员相似度关系矩阵中第i行和第k列元素，指的是第i个人和第k个人的相似度关系。σ为每一维度的尺度控制参数，这个值可以是在实验中根据实验结果预先确定的合适的数值；exp为以自然常数为底的指数函数。

进一步的，考虑到适合同一岗位人员之间的关系，使用人员关系矩阵m＝[mij]∈r^n×n评价同一岗位上在职人员的关系，其中，

其中，mij为人员i和人员j之间的关系；ki是人员i的度；kj为人员j的度。

从上述内容可以看出，m矩阵是w矩阵的再加工，希望更好地表达人员间相似关系的。m基于k和w内的元素值来计算。其中的ki是第i个人员的度，其值为第i个人员的度指的是w矩阵中第i行的值累加，表征的物理意义是网络中第i个点有多少边和它相连。如果度大，和它连接的边就多，这个节点的重要性就大。

s103：使用所述关系矩阵训练分别训练至少两个自编码器，直至各个自编码器的损失函数收敛。

示例性的，首先以训练第一个自编码器的过程为例进行说明，对于一个深度自编码器网络，通过重构原始数据人员关系矩阵b，得到一个隐藏层表示将h¹作为下一个自编码器的输入，以此类推。之后训练第4个自编码器，可以通过重构第3个自编码器的输出从而得到新的数据表示

下面以第一层的自编码器为例进行说明，本发明实施例中采用人员关系矩阵m作为自编码器的输入，经过编码将人员关系矩阵m映射到一个低维的嵌入中，其中d<n，

hi＝f(mi)＝s(whmi+dh)

其中，hi为第一层自编码其中的编码输出；mi为第i个在职人员对应的关系矩阵中的元素；n为在职人员数量；且wh为编码层的权重；dh为编码层的偏置；s(·)是一个非线性映射函数，即softmax函数经过解码将隐藏层表示h反映射到原始数据空间，从而达到重构原始数据的效果：

oi＝g(hi)＝s(wohi+do)

其中，oi为第i个在职人员中自编码器的对应于mi的解码输出；wo为解码层的权重，且wo∈r^n*d；do为解码层的偏置，且do∈r^n*1。自编码器主要是学习一种在参数θ＝{wh，dh，wo，do}条件下，重构原始数据来最小化原始数据m和重构数据o之间的误差，得到低维非线性表示h。

因此，自编码器的损失函数可以为：

其中，

cost为当前次迭代中自编码器的损失；为函数取最小值时自变量求值函数；∑为求和函数；mi为第i个在职人员关系矩阵中的元素；n为在职人员数量；∑为求和函数；oi为第i个在职人员中自编码器的对应于mi的输出；||||2为2范数函数；θ＝{wh,dh,wo,do}。

进一步的，为了提高神经元的工作性能，本发明实施例在自编码器神经网络施加一个限制条件，即在每一层隐藏层加入稀疏性限制约束，这个新的稀疏性限制约束有效地提取了网络结构的信息：

其中，

∑为求和函数；p为隐藏层神经元个数；ρ为稀疏性参数；ρj为隐藏层神经元的平均活跃度，且j为隐藏层的第j个神经元；log为以10为底的对数函数。

因此，可以得到每次迭代中自编码器的损失：

计算，其中，

其中，cost为当前次迭代中得到的损失函数；wh为编码层的权重；dh为编码层的偏置；wo为解码层的权重；do为解码层的偏置；p为隐藏层神经元个数；ρ为稀疏性参数；ρj为隐藏层神经元的平均活跃度，且hi为第i个人员对应的编码层输出。

将人员关系矩阵作为输入，输入至自编码器中，

利用公式计算当前次迭代中自编码器的损失；

判断当前次迭代中自编码器的损失是否收敛；

若是，将当前次迭代训练后的自编码器作为目标模型；

若否，使用随机梯度下降的反向传播算法更新θ＝{wh,dh,wo,do}，并返回执行所述计算当前次迭代中自编码器的损失的步骤，直至所述自编码器的损失收敛。

然后，采用随机梯度下降的反向传播算法来对自编码器进行优化，对于每一个点，求其导数表示在该点的瞬时变化率，也就是在在该点的斜率，表示从该点向其他点下滑的最快梯度。反向传播算法将网络最后输出的结果计算其误差，并且将误差反向逐级传下去。方向传播运用的是链式求导的基本思想(隐函数求导)。计算误差之后需要将误差反向传播回去，首先计算最后一层的误差，然后再更新前一个节点的参数，采用梯度下降依次逐层更新知道最终收敛为止。在每一次的迭代过程中，对参数θ＝{wh，dh，wo，do}进行更新，不断地训练得到的网络，从而有效地实现人员岗位匹配。

然后，返回执行所述计算当前次迭代中自编码器的损失的步骤，直至所述自编码器的损失收敛。

进一步的，为了更好地实现人力资源调度，本发明实施例将人员i和人员j适合于同一工作岗位的程度作为先验信息引入到自编码器中，例如，人员i和人员j均适合于同一个岗位，那么人员i和人员j之间应该具备属性相似的特点，进而可以定义岗位适应度矩阵来表示人员i和人员j对某一个岗位的适应度，其阈值范围为[0.1，1]。同时采用欧式距离来衡量训练前后隐藏层的相似性，即d(hi，hj)。故可以将岗位适应度约束写为：

其中，tr(，)是矩阵的迹，对角矩阵是矩阵s的每行求和，hj为第j个人员对应的编码层输出。

因此，将得到新的损失函数为：

j＝cost+λtr(hlh^t)，其中，

j为当前次迭代中自编码器的损失；λ为调控重构误差和约束间的参数；tr为岗位适应度矩阵的迹，且岗位适应度矩阵为sij为人员i和人员j对岗位的适应度值；h为隐藏层的输出矩阵；l为岗位适应度矩阵的拉普拉斯矩阵；h^t为隐藏层的输出矩阵的转置；为n*n的实数矩阵；为函数取最小值时自变量求值函数；∑为求和函数；mi为第i个在职人员关系矩阵中的元素；n为在职人员数量；oi为第i个在职人员中自编码器的对应于mi的输出；

θ＝{wh,dh,wo,do}，且wh为编码层的权重；dh为编码层的偏置；wo为解码层的权重；do为解码层的偏置；p为隐藏层神经元个数；ρ为稀疏性参数；ρj为隐藏层神经元的平均活跃度，且hi为第i个人员对应的编码层输出；

进而，在模型训练时，可以利用公式j＝cost+λtr(hlh^t)，计算当前次迭代中自编码器的损失；

判断当前次迭代中自编码器的损失是否收敛；

若是，将当前次迭代训练后的自编码器作为目标模型；

若否，使用随机梯度下降的反向传播算法更新θ＝{wh,dh,wo,do}。

s104：将训练后的自编码器进行堆叠处理，得到目标模型，其中，所述目标模型中除第一个自编码器之外的其他自编码器的隐藏层的输出作为下一个自编码器的输入。

为了能更好地实现人力资源调度，提高人员和岗位的匹配度，图2为本发明实施例提供的基于人员关系的人力资源调度模型训练方法中的堆栈自编码器的结构示意图，如图2所示，本发明实施例公开了一种新的深度网络结构，采用四个自编码器堆栈构成一个堆栈自编码器，如图2所示，第一层自编码器的输入层用于接收关系矩阵，且第一层自编码器的隐藏层的输出作为第二层自编码器的输入层的输入；第二层自编码器的隐藏层的输出作为第三层自编码器的输入层的输出；第三层自编码器的隐藏层的输出作为第四层自编码器的输入层的输入；第四层自编码器的隐藏层输出作为堆栈自编码器的输出。

为了对本发明实施例的实施效果进行说明，以本发明训练后的目标模型为例进行说明。

训练后的目标模型的结构为：

该堆栈自编码器网络包含四个自编码器。将实验数据的层配置设置为[2000-512-256-128-64]，即第一个自编码器是2000-512-2000，第一个自编码器的输入层具有2000个神经元、隐藏层具有512个神经元、输出层具有2000个神经元；第二个自编码器是512-256-512；第三个自编码器是256-128-256；第四个自编码器是128-64-128。

然后，在训练集中中随机选取不同个数的人员数据，分别对“王保贤、刘毅等，基于灰色bp神经网络模型的人力资源需求预测方法[j]，统计与预测，2018，”公开的bp神经网络算法、“yangl,caox,hed,etal.modularitybasedcommunitydetectionwithdeeplearning[c]//internationaljointconferenceonartificialintelligence.aaaipress,2016:2252-2258.”公开的dnr_l2算法、“caoj,jind,yangl,etal.incorporatingnetworkstructurewithnodecontentsforcommunitydetectiononlargenetworksusingdeeplearning[j].neurocomputing,2018:s0925231218300985.”公开的dnr_ce算法以及本发明实施例公开的算法进行训练，并基于测试集使用十字交叉法进行测试。

采用准确率accuracy作为人力资源匹配程度的准确率，即：

其中，

tp表示被正确划分为正例的个数，fp表示被错误划分为正例的个数，tn表示被正确划分为负例的个数，fn表示被错误划分为负例的个数。

表1为本发明实施例相对于现有技术得到的人力资源调度准确率的对比结果，

表1

如表1所示，在不同人员个数的条件下，本发明实施例提出的新的人力资源深度非线性重构算法优于将l2范式应用到误差损失函数的dnr(dnr_l2)和将sigmoid-交叉熵应用到误差函数的dnr(dnr_ce)算法，取得了较好的预测效果。新算法不仅充分的考虑了人员间的有关属性，经过人员相似性处理，采用岗位适应度约束先验信息，不但提高了工作效率，而且规避了手动进行人员岗位匹配的复杂性。因此在实际应用中大大提高了人力资源部门的工作效率，取得了显著的成果。

为了评估岗位适应度矩阵对本发明实施例算法的改善效果，把2000个实验数据在堆栈自编码器中分别训练出的四个隐藏层(采用一层隐藏层、采用二层隐藏层、采用三层隐藏层、采用四层隐藏层)来进行评估。

图3为本发明实施例提供的岗位适应度约束对堆栈自编码器隐藏层的训练结果的对比示意图，如图3所示。四个隐藏层的评估相比之下，可以看出堆栈自编码器所训练出的采用四层隐藏层更能体现出人员的显著特征，从而达到较高的人力资源配置预测能力。因此，本发明实施例中所提出的基于深层神经网络的人力资源深度非线性重构模型能够取得更好的人员岗位匹配效果，对汽车制造企业的人力资源进行有效、合理地配置，实现人力资源的最优化。

企业人力资源分配应该满足人员和特定岗位的合理匹配。在分配过程中，适合于同一个岗位的人员往往存在一定的相似性，为了能更好的预测未分配岗位的员工最适合的岗位，将利用人员的不同属性来构造基于人员关系模块的人力资源网络，并对人力资源调度提出了一种新颖的人力资源深度非线性重构模型，从而能够更加合理地完成人力资源配置任务。

另外，本发明实施例使用了λ作为调控重构误差和约束间的参数，在不同的λ值下可以获得不同的代价函数，即损失函数的最终值。图4为本发明实施例提供的不同λ在不同层数的隐藏层时损失函数的敏感度结果示意图，如图4所示，本发明实施例提出的新方法在采用四层隐藏层时，代价函数可以稳定在较低的值，在本工作中也意味着效果最好。

本发明实施例提出充分地考虑了人员自身的特征，探究人员间的相似性以及人员关系等有效因素。基于人员间的关系模块进行半监督学习的人员岗位匹配工作，结合有关人员的岗位适应度约束的先验信息，从而极大地提高了总体的预测能力。在一个汽车制造企业数据集上对该算法进行测试，从数据集中随机提取不同数量的样本来进一步测试，并且测试了岗位适应度约束对该算法的影响。实验结果表明本发明实施例中所提出的新的模型在人员岗位匹配上取得了显著的成果，从而有效地提高了人力资源配置工作效率。

进一步的，可以采用k-means聚类算法对个堆栈自编码器中最后一个隐藏层的输出进行聚类处理，可以使目标模型的输出结果具有更好的表征能力，进而可以得到表征效果更佳的预测的岗位类标。

另外，本发明实施例还可以辅助决策者合理安排工作人员，提高判断和决策能力。

在实际中，适于同一个工作岗位的在职人员往往存在一定程度的相似性，应用本发明实施例，将在职人员以及工作岗位作为节点，并根据各个在职人员的属性作为边来构建人力资源网络，利于使用神经网络模型基于现有人员之间的共性对工作岗位进行特征重构，可以得到工作岗位的抽象描述结果，进而可以在使用本发明实施例训练的模型进行待定岗人员定岗时获取更加准确的结果。

实施例2

基于实施例1的方法，本发明实施例2还提供了基于人员关系的人力资源调度方法，所述方法包括：

获取待定岗人员的人员属性，并基于所述人员属性构建针对所述待定岗人员的属性矩阵；

将所述属性矩阵输入至所述目标模型中，得到对应于所述待定岗人员的岗位信息，其中，所述目标模型为基于权利要求1-4任一项训练的基于人员关系的人力资源调度模型。

需要说明的是，本发明实施例的具体过程已经在实施例1中进行了公开，本发明实施例在此不再赘述。

应用本发明上述实施例，可以在进行待定岗人员定岗时获取更加准确的结果。

实施例3

与本发明实施例1相对应，本发明实施例还提供了基于人员关系的人力资源调度模型训练装置。

图5为本发明实施例提供的基于人员关系的人力资源调度模型训练装置的结构示意图，如图5所示，所述装置包括：

构建模块501，用于将各个在职人员作为节点并将节点对应的人物属性以及工作岗位作为节点间的边构建人力资源网络，其中，所述人员属性包括：精通办公软件、逻辑思维强、团队协作、性格、性别、人员关系、毕业院校以及专业中的一种或组合；

第一获取模块502，用于根据所述人力资源网络对应的邻接矩阵以及在职人员的度获取所述人力资源网络的关系矩阵；

训练模块503，用于使用所述关系矩阵训练分别训练至少两个自编码器，直至各个自编码器的损失函数收敛；

堆叠模块504，用于将训练后的自编码器进行堆叠处理，得到目标模型，其中，所述目标模型中除第一个自编码器之外的其他自编码器的隐藏层的输出作为下一个自编码器的输入。

在实际中，适于同一个工作岗位的在职人员往往存在一定程度的相似性，应用本发明实施例，将在职人员以及工作岗位作为节点，并根据各个在职人员的属性作为边来构建人力资源网络，利于使用神经网络模型基于现有人员之间的共性对工作岗位进行特征重构，可以得到工作岗位的抽象描述结果，进而可以在使用本发明实施例训练的模型进行待定岗人员定岗时获取更加准确的结果。

在本发明实施例的一种具体实施方式中，所述目标模型包括四个堆栈的自编码器，其中，

第一层自编码器的输入层用于接收关系矩阵，且第一层自编码器的隐藏层的输出作为第二层自编码器的输入层的输入；

第二层自编码器的隐藏层的输出作为第三层自编码器的输入层的输出；

第三层自编码器的隐藏层的输出作为第四层自编码器的输入层的输入；

第四层自编码器的隐藏层输出作为堆栈自编码器的输出。

在本发明实施例的一种具体实施方式中，所述训练模块503，用于：

所述训练模块，用于：

利用公式计算当前次迭代中自编码器的损失，其中，

cost为当前次迭代中自编码器的损失；为函数取最小值时自变量求值函数；∑为求和函数；mi为第i个在职人员关系矩阵中的元素；n为在职人员数量；oi为第i个在职人员中自编码器的对应于mi的输出；θ＝{wh,dh,wo,do}，且wh为编码层的权重；dh为编码层的偏置；wo为解码层的权重；do为解码层的偏置；p为隐藏层神经元个数；ρ为稀疏性参数；ρj为隐藏层神经元的平均活跃度，且hi为第i个人员对应的编码层输出，

判断当前次迭代中自编码器的损失是否收敛；

若是，将当前次迭代训练后的自编码器作为目标模型；

若否，使用随机梯度下降的反向传播算法更新θ＝{wh,dh,wo,do}，并返回执行所述计算当前次迭代中自编码器的损失的步骤，直至所述自编码器的损失收敛。

在本发明实施例的一种具体实施方式中，所述训练模块503，用于：

利用公式j＝cost+λtr(hlh^t)，计算当前次迭代中自编码器的损失，其中，

j为当前次迭代中自编码器的损失；λ为调控重构误差和约束间的参数；tr为岗位适应度矩阵的迹，且岗位适应度矩阵为sij为人员i和人员j对岗位的适应度值；h为隐藏层的输出矩阵；l为岗位适应度矩阵的拉普拉斯矩阵；h^t为隐藏层的输出矩阵的转置；为n*n的实数矩阵；为函数取最小值时自变量求值函数；∑为求和函数；mi为第i个在职人员关系矩阵中的元素；n为在职人员数量；oi为第i个在职人员中自编码器的对应于mi的输出；θ＝{wh,dh,wo,do}，且wh为编码层的权重；dh为编码层的偏置；wo为解码层的权重；do为解码层的偏置；p为隐藏层神经元个数；ρ为稀疏性参数；ρj为隐藏层神经元的平均活跃度，且hi为第i个人员对应的编码层输出，

判断当前次迭代中自编码器的损失是否收敛；

若是，将当前次迭代训练后的自编码器作为目标模型；

若否，使用随机梯度下降的反向传播算法更新θ＝{wh,dh,wo,do}，并返回执行所述计算当前次迭代中自编码器的损失的步骤，直至所述自编码器的损失收敛。

实施例4

与本发明实施例2相对应，本发明实施例还提供了一种基于人员关系的人力资源调度装置，所述装置包括：

第二获取模块，用于获取待定岗人员的人员属性，并基于所述人员属性构建针对所述待定岗人员的属性矩阵；

输入模块，用于将所述属性矩阵输入至所述目标模型中，得到对应于所述待定岗人员的岗位信息，其中，所述目标模型为实施例1训练的基于人员关系的人力资源调度模型。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。