一种基于分类器的用工推荐方法、系统及可读存储介质

技术领域

本发明实施例涉及大数据计算技术领域，尤其涉及一种基于分类器的用工推荐方法、系统及存储介质。

背景技术

在人力资源管理中，猎头或者企业HR在寻找目标用工人员时，仅能根据客户直观表现的形象、年龄、性别来进行寻找，或根据用工人员自身表述的需求来直接确定匹配的职位类型。前者往往无法做到为企业找到最合适的用工人员，后者在企业自身需求不明确的时候也无法为企业推荐最适合的用工人员。

现有技术中，通过大数据和机器学习算法可为企业推荐最合适的用工人员，但这些推荐方法大多数只能从从企业角度出发推荐合适的用工人员，当企业对没有招聘过的职位或者比较陌生的用工类型时，则无法获得最合适的用工人员。

发明内容

基于上述问题，本发明实施例提供一种基于分类器的用工推荐方法、系统及存储介质，以解决现有技术中，提高基于分类器的用工推荐安全性并能够改善用户体验。

为了解决上述技术问题，本发明是这样实现的：

第一方面，本发明实施例还提供了一种基于分类器的用工推荐方法，包括：

步骤S101，基于员工数据集合建立第一特征集合矩阵；

步骤S102，对所述第一特征集合矩阵进行初始分类，并生成第二特征集合矩阵；

步骤S103，对所述第二特征集合矩阵分配初始化权值；

步骤S104，使用二分法分类方法对所述第二特征集合矩阵参数建模，生成第三特征集合矩阵；

步骤S105，设置分类器，根据当前员工历史工作满意度对所述第三特征集合矩阵进行分类，获得训练矩阵；

步骤S106，计算期望误差，并根据所述期望误差计算调整因子，通过调整因子调整初始化权值获得第二权值；

步骤S107，利用所述第二权值计算获得推荐值，推送至终端显示。

进一步地，所述生成第二特征集合矩阵具体包括，

当前员工历史工作满意度大于预设阈值的为第一类员工，当前员工历史工作满意度小于等于预设阈值的为第二类员工，第一类员工数量记为N1，第二类员工数量记为N2，N1与N2之和为N；

对于第二类员工，随机选取N1数量的第二类员工数据作为样品，将随机选取的N1个第二类员工，和原N1个第一类员工，组成第二特征集合矩阵TZ

进一步地，所述生成第三特征集合矩阵包括，

对第二特征集合矩阵中的A、B、C三个参数进行二分法分类建模，其中，A为当前员工与目标岗位的薪酬匹配度，B为当前员工平均每项任务工作时间，C为当前员工年龄；

对于参数A，若当前员工与目标岗位的薪酬匹配度大于第一阈值，则A取1，否则A取0；

对于参数B，如果当前员工平均每项任务工作时间大于第二阈值，B取1，如果小于1，B取0；

对于参数C，如果当前员工年龄小于第三阈值，C取1，否则C取0；

根据上述三个参数的分类建模结果生成第三特征集合矩阵。

进一步地，所述获得训练矩阵的具体过程为，

设置分类器F(i)，F∈{0，1}，根据当前员工历史工作满意度判断F取值；

如果M大于满意度阈值，则F取1，代表历史满意度较高的人员；

如果M小于等于满意度阈值，则F取0，代表历史满意度较低的人员；

根据上述对第三特征集合矩阵进行分类，获得训练矩阵XL(i)＝{(T

进一步地，所述计算期望误差，并根据所述期望误差计算调整因子，通过调整因子调整初始化权值获得第二权值，具体为，

计算误差期望Pw，所述误差期望Pw为对于所述训练矩阵XL(i)中每一个元素中，计算A、B、C与分类器F(i)不相等的概率，公式如下：

Pw＝∑P(T(X)≠F)＝∑(P(A≠F)+P(B≠F)+P(C≠F))

根据误差期望Pw，计算调整因子

进一步地，所述获得推荐值具体为，

以第一特征集合矩阵的员工数据的当前员工与目标岗位的薪酬匹配度、当前员工平均每项任务工作时间以及当前员工年龄值分别乘以调整过的权值H′(X)加和获得推荐值。

第二方面，本发明实施例提供了一种基于分类器的用工推荐系统，包括：

第一建模模块，用于基于员工数据集合建立第一特征集合矩阵；

第二建模模块，用于对所述第一特征集合矩阵进行初始分类，并生成第二特征集合矩阵；对所述第二特征集合矩阵分配初始化权值；

第三建模模块，用于使用二分法分类方法对所述第二特征集合矩阵参数建模，生成第三特征集合矩阵；

分类模块，用于设置分类器，根据当前员工历史工作满意度对所述第三特征集合矩阵进行分类，获得训练矩阵；

调整模块，用于计算期望误差，并根据所述期望误差计算调整因子，通过调整因子调整初始化权值获得第二权值；

推荐模块，用于利用所述第二权值计算获得推荐值，推送至终端显示。

进一步地，所述生成第二特征集合矩阵具体包括，

当前员工历史工作满意度大于预设阈值的为第一类员工，当前员工历史工作满意度小于等于预设阈值的为第二类员工，第一类员工数量记为N1，第二类员工数量记为N2，N1与N2之和为N；

对于第二类员工，随机选取N1数量的第二类员工数据作为样品，将随机选取的N1个第二类员工，和原N1个第一类员工，组成第二特征集合矩阵TZ

进一步地，所述生成第三特征集合矩阵包括，

对第二特征集合矩阵中的A、B、C三个参数进行二分法分类建模，其中，A为当前员工与目标岗位的薪酬匹配度，B为当前员工平均每项任务工作时间，C为当前员工年龄；

对于参数A，若当前员工与目标岗位的薪酬匹配度大于第一阈值，则A取1，否则A取0；

对于参数B，如果当前员工平均每项任务工作时间大于第二阈值，B取1，如果小于1，B取0；

对于参数C，如果当前员工年龄小于第三阈值，C取1，否则C取0；

根据上述三个参数的分类建模结果生成第三特征集合矩阵。

进一步地，所述获得训练矩阵的具体过程为，

设置分类器F(i)，F∈{0，1}，根据当前员工历史工作满意度判断F取值；

如果M大于满意度阈值，则F取1，代表历史满意度较高的人员；

如果M小于等于满意度阈值，则F取0，代表历史满意度较低的人员；

根据上述对第三特征集合矩阵进行分类，获得训练矩阵XL(i)＝{(T

进一步地，所述计算期望误差，并根据所述期望误差计算调整因子，通过调整因子调整初始化权值获得第二权值，具体为，

计算误差期望Pw，所述误差期望Pw为对于所述训练矩阵XL(i)中每一个元素中，计算A、B、C与分类器F(i)不相等的概率，公式如下：

Pw＝∑P(T(X)≠F)＝∑(P(A≠F)+P(B≠F)+P(C≠F))

根据误差期望Pw，计算调整因子

进一步地，所述获得推荐值具体为，

以第一特征集合矩阵的员工数据的当前员工与目标岗位的薪酬匹配度、当前员工平均每项任务工作时间以及当前员工年龄值分别乘以调整过的权值H′(X)加和获得推荐值。

第三方面，本发明还一种电子设备，所述电子设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现如前述任一项所述的基于分类器的用工推荐方法的步骤。

第四方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其中所述计算机程序被处理器执行时，实现如前述任一项所述的基于分类器的用工推荐方法的步骤。

本发明提供了一种基于分类器的用工推荐方法、系统及存储介质，基于员工数据集合建立第一特征集合矩阵，对第一特征集合矩阵进行初始分类，并生成第二特征集合矩阵，然后对第二特征集合矩阵分配初始化权值，使用二分法分类方法对第二特征集合矩阵参数建模，生成第三特征集合矩阵，设置分类器，根据当前员工历史工作满意度对所述第三特征集合矩阵进行分类，获得训练矩阵，接着，计算期望误差，并根据期望误差计算调整因子，通过调整因子调整初始化权值获得第二权值，利用第二权值计算获得推荐值，推送至终端显示。本发明通过计算参数与分类器之间的误差期望的方式，得到误差期望值，再进一步作为参数计算调整因子，使得参数与分类器以期望误差方式实现对推荐值大小的关联计算与迭代计算，推荐值计算结果更加精准。

附图说明

图1是本发明基于分类器的用工推荐系统的示意图；

图2是本发明基于分类器的用工推荐方法流程图。

具体实施方式

下面将结合本发明实施例中的附图，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。

实施例一，参阅图1，图1是本申请实施例一的基于分类器的用工推荐方法的流程示意图，该方法包括：

步骤S101：基于员工数据集合建立第一特征集合矩阵；

获取待分配工作任务的人员信息，生成数据集合，对所述数据集合进行建模。建立第一特征集合矩阵TZ

步骤S102：对员工第一特征集合矩阵进行初始分类，并生成第二特征集合矩阵；

根据员工的历史工作满意度，给员工对应赋值历史满意度指标量，通过历史满意度指标量对员工信息进行初次初始分类。具体地，当前员工历史工作满意度M大于预设阈值的为第一类，M小于等于预设阈值的为第二类；通常情况下，第一类人员较少，第二类人员较多。并假设第一类人员数量为X，第二类人员数量为Y，X与Y之和为n。

对于第二类人员，随机选取固定数量人员数据作为样品。采集数值为X个。将随机选取的X个第二类人员，和原X个一类人员，组成第二特征集合矩阵TZ

步骤103，对第二特征集合矩阵分配初始化权值；

对第二特征集合矩阵TZ

步骤104，使用二分法分类方法对所述第二特征集合矩阵参数建模，生成第三特征集合矩阵；

对第二特征集合矩阵TZ

步骤105，设置分类器，根据当前员工历史工作满意度对所述第三特征集合矩阵进行分类，获得训练矩阵。

设置分类器F(i)，F∈{0，1}，根据当前员工历史工作满意度M判断F取值，如果M大于70％，则F取1，代表历史满意度较高的人员。如果M小于等于70％，则F取0，代表历史满意度较低的人员。对第三特征集合矩阵T

步骤106，计算期望误差，并根据所述期望误差计算调整因子，通过调整因子调整初始化权值获得第二权值；

计算误差期望Pw，所述误差期望为对于训练矩阵XL(i)中每一个元素中，计算A、B、C与分类器F(i)不相等的概率。公式如下：

Pw＝∑P(T(X)≠F)＝∑(P(A≠F)+P(B≠F)+P(C≠F))

根据误差期望Pw，计算调整因子

本发明为了让权值更直观反映A、B、C所代表的的分类与基于满意度的重要分类器F之间的关联关系，通过计算A、B、C与F之间的误差期望的方式，得到误差期望值，再进一步作为参数计算调整因子，使得A、B、C与F以期望误差方式实现对推荐值大小的关联计算与迭代计算，使得推荐值计算结果更加精准。

步骤107，利用所述第二权值计算获得推荐值，推送至终端显示。

第一特征集合矩阵TZ

另外，本发明实施例还提供了一种基于分类器的用工推荐系统，参阅图2，图2是本申请实施例一的基于分类器的用工推荐系统结构框图，该系统200包括：

第一建模模块201，用于基于员工数据集合建立第一特征集合矩阵；

第二建模模块202，用于对所述第一特征集合矩阵进行初始分类，并生成第二特征集合矩阵；对所述第二特征集合矩阵分配初始化权值；

第三建模模块203，用于使用二分法分类方法对所述第二特征集合矩阵参数建模，生成第三特征集合矩阵；

分类模块204，用于设置分类器，根据当前员工历史工作满意度对所述第三特征集合矩阵进行分类，获得训练矩阵；

调整模块205，用于计算期望误差，并根据所述期望误差计算调整因子，通过调整因子调整初始化权值获得第二权值；

推荐模块206，用于利用所述第二权值计算获得推荐值，推送至终端显示。

另外，本发明实施例还提供了一种电子设备，所述电子设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现如前述任一项所述的基于分类器的用工推荐方法的步骤。

另外，本发明实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述基于分类器的用工推荐方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(RandomAccess Memory，简称RAM)、磁碟或者光盘等。

本发明提供了一种基于分类器的用工推荐方法、系统及存储介质，基于员工数据集合建立第一特征集合矩阵，对第一特征集合矩阵进行初始分类，并生成第二特征集合矩阵，然后对第二特征集合矩阵分配初始化权值，使用二分法分类方法对第二特征集合矩阵参数建模，生成第三特征集合矩阵，设置分类器，根据当前员工历史工作满意度对所述第三特征集合矩阵进行分类，获得训练矩阵，接着，计算期望误差，并根据期望误差计算调整因子，通过调整因子调整初始化权值获得第二权值，利用第二权值计算获得推荐值，推送至终端显示。本发明通过计算参数与分类器之间的误差期望的方式，得到误差期望值，再进一步作为参数计算调整因子，使得参数与分类器以期望误差方式实现对推荐值大小的关联计算与迭代计算，推荐值计算结果更加精准。

需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本发明的保护之内。