一种岗位匹配评估方法及装置与流程

本发明涉及数据挖掘技术领域，尤其涉及一种岗位匹配评估方法及装置。

背景技术：

人岗匹配是指人员与岗位的匹配关系。每一个工作岗位对任职者的素质、能力、经验等都有不同方面的要求。只有当任职者具备多于这些要求的素质，才能更好的胜任这项工作，从而实现企业与任职者的双赢。现在企业进行人岗匹配的方法多为线下人工梳理，并且，对于企业的重要岗位，比如对于经理、总监等岗位的人员挑选，会花费人事部门大量的时间对人员进行梳理以及挑选。

技术实现要素：

本发明的目的在于提供一种岗位匹配评估方法及装置，以解决上述背景技术中提出的问题。

为实现上述目的，本发明所采取的技术方案是：

一方面，提供了一种岗位匹配评估方法，所述方法包括：

获取被评估人对数据库中的评估题目所做出的向量结果以及被评估人的目标岗位，所述向量结果包括用以表示mbti性格测试结果的第一向量，以及用以表示霍兰德职业性格测试结果的第二向量；

将所述第一向量和所述第二向量输入分值预测线性模型中输出被评估人的预测分值；

将所述第一向量、所述第二向量和所述预测分值输入匹配程度决策树模型中，对被评估人与所述目标岗位的匹配程度进行评估。

作为本发明的进一步改进，所述方法还包括：

调取与所述目标岗位对应的每个历史员工的平均工作绩效值、以及对所述数据库中的评估题目所做出的参照结果；其中，所述参照结果包括用以表示mbti性格测试结果的第一参照向量，以及用以表示霍兰德职业性格测试结果的第二参照向量；

基于每个历史员工的第一参照向量、第二参照向量、以及平均工作绩效值训练得到所述分值预测线性模型和匹配程度决策树模型。

作为本发明的进一步改进，针对任意一个历史员工，所述平均绩效值由以下方法得到：

获取所述历史员工的多个工作绩效总值，每个所述绩效总值由企业管理人员依据预设时期内所述历史员工工作情况与企业内部的绩效评估体系对应得到；

采用以下公式，得到所述历史员工的平均工作绩效值：其中，yk表示每个预设时期内绩效总值，t表示预设时期的数量。

作为本发明的进一步改进，所述基于每个历史员工的第一参照向量、第二参照向量、以及平均工作绩效值训练得到所述分值预测线性模型，包括：

针对每个历史员工，将与所述历史员工对应的第一参照向量作为m、第二参照向量作为h、平均工作绩效值作为y，输入评估模型y＝w[m,h]+b中；

使用最小二乘法计算所述线性评估模型的损失，根据所述损失调整w值和b值，得到训练后的所述分值预测线性模型。

作为本发明的进一步改进，所述基于每个历史员工第一参照向量、第二参照向量和平均工作绩效值训练得到所述匹配程度决策树模型，包括：

将每个历史员工的第一参照向量、第二参照向量、平均工作绩效值和工作胜任情况作为样本数据，将mbti性格测试结果、霍兰德职业性格测试结果、平均工作绩效作为属性集；

将当前层的上一层中的叶节点包含的样本数据作为当前层的根节点，计算所述根节点的信息熵；

将属性集中的每种属性依次作为分类指标，以将所述根节点划分为多个叶节点，计算每个叶节点的信息熵；

基于所述信息熵以及每个所述叶节点的信息熵，计算每种属性的信息增益，将信息增益数值最大的属性作为当前层的最优划分属性，基于所述最优划分属性将所述根节点划分为多个叶节点。

另一方面，提供了一种岗位匹配评估装置，所述装置包括：

向量结果获取模块，其用于获取被评估人对数据库中的评估题目所做出的向量结果以及被评估人的目标岗位，所述向量结果包括用以表示mbti性格测试结果的第一向量，以及用以表示霍兰德职业性格测试结果的第二向量；

预测分值获取模块，其用于将所述第一向量和所述第二向量输入分值预测线性模型中输出被评估人的预测分值；

评估结果获取模块，其用于将所述第一向量、所述第二向量和所述预测分值输入匹配程度决策树模型中，对被评估人与目标岗位的匹配程度进行评估。

作为本发明的进一步改进，所述装置还包括：

参照结果获取模块，其用于调取所述目标岗位中每个历史员工的平均工作绩效值、以及对所述数据库中的评估题目所做出的参照结果；其中，所述参照结果包括用以表示mbti性格测试结果的第一参照向量，以及用以表示霍兰德职业性格测试结果的第二参照向量；

线性模型生成模块，其用于基于每个历史员工的第一参照向量、第二参照向量、以及平均工作绩效值训练得到所述分值预测线性模型和所述匹配程度决策树模型。

作为本发明的进一步改进，所述参照结果获取模块还包括：

绩效总值获取单元，其用于针对任意一个历史员工，获取所述历史员工的多个工作绩效总值，每个所述绩效总值由企业管理人员依据预设时期内所述历史员工工作情况与企业内部的绩效评估体系对应得到；

平均绩效值获取单元，其用于采用以下公式，得到所述历史员工的平均工作绩效值：其中，yk表示每个预设时期内绩效总值，t表示预设时期的数量。

作为本发明的进一步改进，所述线性模型生成模块包括：

评估模型建立单元，其用于针对每个历史员工，将与所述历史员工对应的第一参照向量作为m、第二参照向量作为h、平均工作绩效值作为y，输入评估模型y＝w[m,h]+b中；

线性模型生成单元，其用于使用最小二乘法计算所述线性评估模型的损失，根据所述损失调整w值和b值，得到训练后的所述分值预测线性模型。

作为本发明的进一步改进，所述模型生成模块还包括：

处理单元，其用于将每个历史员工的第一参照向量、第二参照向量、平均工作绩效值和工作胜任情况作为样本数据，将mbti性格测试结果、霍兰德职业性格测试结果、平均工作绩效作为属性集；

第一计算单元，其用于将当前层的上一层中的叶节点包含的样本数据作为当前层的根节点，计算所述根节点的信息熵；

第二计算单元，其用于将属性集中的每种属性依次作为分类指标，以将所述根节点划分为多个叶节点，计算每个叶节点的信息熵；

划分单元，其用于基于所述信息熵以及每个所述叶节点的信息熵，计算每种属性的信息增益，将信息增益数值最大的属性作为当前层的最优划分属性，基于所述最优划分属性将所述根节点划分为多个叶节点。

采用上述技术方案所产生的有益效果在于：

本发明实施例提供的岗位匹配评估方法和装置，通过设置数据库中的评估题目快速准确地对待评估人进行性格分析，避免了性格分析评估过程中不准确、不全面的缺陷；通过将性格分析结果输入预测线性模型、以及匹配程度决策树模型能够根据性格分析来生成评估结果，充分利用了大数据与机器学习的优点，能够及时向企业管理人员反馈分析结果，提高了用户的使用体验度。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本发明实施例提供的一种岗位匹配评估方法的流程图。

图2是本发明实施例提供的另一种岗位匹配评估方法的流程图。

图3是本发明实施例提供的一种mbti性格测试的分数示意图。

图4是本发明实施例提供的一种霍兰德职业性格测试中各类型之间的关系示意图。

图5是本发明实施例提供的一种霍兰德职业性格测试的分数示意图。

图6本发明实施例提供的一种岗位匹配评估装置的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面结合具体实施例对发明进行清楚、完整的描述。

本发明实施例提供了一种岗位匹配评估方法的流程图，如图1所示，方法包括：

s101、获取被评估人对数据库中的评估题目所做出的向量结果以及被评估人的目标岗位；

向量结果包括用以表示mbti性格测试结果的第一向量，以及用以表示霍兰德职业性格测试结果的第二向量。

s102、将第一向量和第二向量输入分值预测线性模型中输出被评估人的预测分值。

s103、将第一向量、第二向量和预测分值输入匹配程度决策树模型中，对被评估人与目标岗位的匹配程度进行评估。

本发明实施例提供的岗位匹配评估方法，通过设置数据库中的评估题目快速准确地对待评估人进行性格分析，避免了性格分析评估过程中不准确、不全面的缺陷；通过将性格分析结果输入预测线性模型、以及匹配程度决策树模型能够根据性格分析来生成评估结果，充分利用了大数据与机器学习的优点，能够及时向企业管理人员反馈分析结果，提高了用户的使用体验度。

由于不同种类的工作内容对人的思维方式偏理性还是感性、交流有不同的需求，因此具备不同性格特征的人，在做不同种类的工作时，在工作动机、意愿、胜任度上都会有不同的表现，本发明考虑到这点，将数据库中的评估题目既设置了mbti性格测试题目，又设置了霍兰德职业性格测试题目，两种测试可以从不同的角度给出一个人的某些方面性格特征的描述，以提高性格测试的准确性。

图2是本发明实施例提供了的另一种岗位匹配评估方法的流程图，该方法可以运行在智能手机(如android手机、ios手机等)、平板电脑、笔记本电脑以及智能设备等终端中，也可以运行在相应的服务器中。终端或服务器能够通过被评估人登陆app或者在线网页进行答题得到用户的性格类型和目标岗位，并通过该性格类型生成与被评估人的目标岗位的匹配程度分析，以便于企业管理人员准确评估被评估人与目标岗位的匹配度。如图2所示，该方法包括：

s201、获取被评估人对数据库中的评估题目所做出的向量结果以及被评估人的目标岗位。

向量结果包括用以表示mbti性格测试结果的第一向量，以及用以表示霍兰德职业性格测试结果的第二向量。

如表1所示，mbti将人格类型划分为形成四个维度，且每个维度有两个方向，共计八个方面，即有八种人格特点，分别是：内倾—外倾(i—e)，感觉—直觉(s—n)，思维—情感(t—f)，判断—直觉(j—p)，其性格特点如图2所示。

表1mbti类型指标介绍

表2各性格类型特点介绍

被评估人在做完数据库中的mbti性格测试的评估题目后，能够对评估人的性格在上述八个维度进行打分，并生成包含八个维度分数的第一向量。第一向量可以标记为m(me,mi,ms,mn,mt,mf,mj,mp)，me-mp分别表示八个维度的分数，如图3所示，其对应的第一向量为m(2.00,20.00,9.00,10.00,15.00,4.00,12.00,5.00)。

霍兰德职业性格测试主要用于确定被测试者的职业兴趣倾向，进而用于指导被测试者选择适合自身职业兴趣的专业发展方向和职业发展方向，其包括6种基本职业类型：现实型r、研究型i、艺术型a、社会型s、企业型e、常规型c，该6种类型并非是并列的、有明晰的边界，图4示出了6种类型的关系。

被评估人在做完数据库中的霍兰德职业性格测试的评估题目后，能够对评估人的性格在上述六个维度进行打分，并生成包含六个维度分数的第二向量。第二向量可以标记为h(hr,hi,ha,hs,he,hc)，hr-hc分别表示六个维度的分度。如图5所示，其对应的第二向量为h(75,71,42,46,46,28)。

s202、调取目标岗位中每个历史员工的岗位经历、以及对数据库中的评估题目所做出的参照结果。

其中，历史员工指代的是曾经就职于该目标岗位的员工，例如：在公司竞聘a部门总经理时，曾近担任a部门总经理的员工即为历史员工。岗位经历包括平均工作绩效值和工作胜任情况，工作胜任情况包括能够胜任工作和不能够胜任工作，参照结果包括用以表示mbti性格测试结果的第一参照向量，以及用以表示霍兰德职业性格测试结果的第二参照向量。

在实际操作中，终端或服务器预先获取并存储有多个岗位、以及针对任意一个岗位的所有的历史员工的岗位经历和参照结果，当被评估人选择目标岗位后，终端或服务器可调取与目标岗位所对应的每个历史员工的岗位经历和参照结果。

以下，将分别针对获取岗位经历中工作胜任情况、平均工作绩效值、以及参照结果的方式进行说明。

关于获取工作胜任情况的方式，其可通过企业管理人员标记得到，在一种可能的实现方式中，企业管理人员可登陆操作系统界面，手动输入工作胜任情况的方式，或者，在两种胜任情况中选择任意一种的方式。

关于获取平均工作绩效值的方式，其包括但不限于下述步骤：

s1021、获取历史员工的多个工作绩效总值，每个绩效总值由企业管理人员依据预设时期内历史员工工作情况与企业内部的绩效评估体系对应得到。

上述预设时期可以为3个月、6个月或1年，针对任意一个历史员工，在目标岗位上工作多年则会有多个不同预设时间内的绩效总值，所以按照时间段录入绩效。工作绩效的录入采用10分制，10分表示绩效最好。

s1022、采用以下公式，得到历史员工的平均工作绩效值：其中，yk表示每个预设时期内绩效总值，t表示预设时期的数量。

关于获取工作胜任情况的方式，其与步骤s101类似，区别仅是将被评估人改为每个历史员工，本发明实施例对此不再赘述。

s203、基于每个历史员工的第一参照向量、第二参照向量、以及平均工作绩效值训练得到分值预测线性模型和匹配程度决策树模型。

其中，训练得到分值预测线性模型的方法包括但不限于下述步骤：

s2031、针对每个历史员工，将与历史员工对应的第一参照向量作为m、第二参照向量作为h、平均工作绩效值作为y，输入评估模型y＝w[m，h]+b中；

s2032、使用最小二乘法计算线性评估模型的损失，根据损失调整w值和b值，得到训练后的分值预测线性模型。

训练得到分值预测线性模型的方法包括但不限于下述步骤：

s2033、将每个历史员工的第一参照向量、第二参照向量、平均工作绩效值和工作胜任情况作为样本数据，将mbti性格测试结果、霍兰德职业性格测试结果、平均工作绩效作为属性集；

s2034、将当前层的上一层中的叶节点包含的样本数据作为当前层的根节点，计算根节点的信息熵；

s2035、将属性集中的每种属性依次作为分类指标，以将根节点划分为多个叶节点，计算每个叶节点的信息熵；

s2036、基于信息熵以及每个叶节点的信息熵，计算每种属性的信息增益，将信息增益数值最大的属性作为当前层的最优划分属性，基于最优划分属性将根节点划分为多个叶节点。

s204、将第一向量和第二向量输入分值预测线性模型中输出被评估人的预测分值。

s205、将第一向量、第二向量和预测分值输入匹配程度决策树模型中，对被评估人与目标岗位的匹配程度进行评估。

由此，通过将第一向量和第二向量输入至分值预测线性模型中得到预测分值，再将预测分值输入至匹配程度决策树模型中即可得到评估结果，评估结果既包含有被评估人是否适合目标岗位，也包含判断的依据，以供企业管理人员参考。

本发明实施例提供的岗位匹配评估方法，通过设置数据库中的评估题目快速准确地对待评估人进行性格分析，避免了性格分析评估过程中不准确、不全面的缺陷；通过将性格分析结果输入预测线性模型、以及匹配程度决策树模型能够根据性格分析来生成评估结果，且能够及时向企业管理人员反馈分析结果，提高了用户的使用体验度。

由于不同种类的工作内容对人的思维方式偏理性还是感性、交流有不同的需求，因此具备不同性格特征的人，在做不同种类的工作时，在工作动机、意愿、胜任度上都会有不同的表现，本发明考虑到这点，将数据库中的评估题目既设置了mbti性格测试题目，又设置了霍兰德职业性格测试题目，两种测试可以从不同的角度给出一个人的某些方面性格特征的描述，以提高性格测试的准确性。

图6是本发明实施例还提供了一种岗位匹配评估装置，如图6所示，装置包括：

向量结果获取模块601，其用于获取被评估人对数据库中的评估题目所做出的向量结果以及被评估人的目标岗位，向量结果包括用以表示mbti性格测试结果的第一向量，以及用以表示霍兰德职业性格测试结果的第二向量；

预测分值获取模块602，其用于将第一向量和第二向量输入分值预测线性模型中输出被评估人的预测分值；

评估结果获取模块603，其用于将第一向量、第二向量和预测分值输入匹配程度决策树模型中，对被评估人与目标岗位的匹配程度进行评估。

进一步地，装置还包括：

参照结果获取模块，其用于调取目标岗位中每个历史员工的平均工作绩效值、以及对数据库中的评估题目所做出的参照结果；其中，参照结果包括用以表示mbti性格测试结果的第一参照向量，以及用以表示霍兰德职业性格测试结果的第二参照向量；

线性模型生成模块，其用于基于每个历史员工的第一参照向量、第二参照向量、以及平均工作绩效值训练得到分值预测线性模型和匹配程度决策树模型。

进一步地，参照结果获取模块还包括：

绩效总值获取单元，其用于针对任意一个历史员工，获取历史员工的多个工作绩效总值，每个绩效总值由企业管理人员依据预设时期内历史员工工作情况与企业内部的绩效评估体系对应得到；

平均绩效值获取单元，其用于采用以下公式，得到历史员工的平均工作绩效值：其中，yk表示每个预设时期内绩效总值，t表示预设时期的数量。

进一步地，线性模型生成模块包括：

评估模型建立单元，其用于针对每个历史员工，将与历史员工对应的第一参照向量作为m、第二参照向量作为h、平均工作绩效值作为y，输入评估模型y＝w[m，h]+b中；

线性模型生成单元，其用于使用最小二乘法计算线性评估模型的损失，根据损失调整w值和b值，得到训练后的分值预测线性模型。

进一步地，模型生成模块还包括：

处理单元，其用于将每个历史员工的第一参照向量、第二参照向量、平均工作绩效值和工作胜任情况作为样本数据，将mbti性格测试结果、霍兰德职业性格测试结果、平均工作绩效作为属性集；

第一计算单元，其用于将当前层的上一层中的叶节点包含的样本数据作为当前层的根节点，计算根节点的信息熵；

第二计算单元，其用于将属性集中的每种属性依次作为分类指标，以将根节点划分为多个叶节点，计算每个叶节点的信息熵；

划分单元，其用于基于信息熵以及每个叶节点的信息熵，计算每种属性的信息增益，将信息增益数值最大的属性作为当前层的最优划分属性，基于最优划分属性将根节点划分为多个叶节点。

本发明实施例提供的岗位匹配评估装置，通过设置数据库中的评估题目快速准确地对待评估人进行性格分析，避免了性格分析评估过程中不准确、不全面的缺陷；通过将性格分析结果输入预测线性模型、以及匹配程度决策树模型能够根据性格分析来生成评估结果，充分利用了大数据与机器学习的优点，能够及时向企业管理人员反馈分析结果，提高了用户的使用体验度。

最后应说明的是：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实施例技术方案的精神和范围。