英语原文共 11 页，剩余内容已隐藏，支付完成后下载完整资料

用动态潜因模型进行大规模的人才流动预测*。

ABSTRACT

订阅DeepL Pro以翻译大型文件。

欲了解更多信息，请访问www.DeepL.com/pro。

对人才流动的理解对于磨砺公司的人才战略以在当前快速发展的环境中保持竞争力至关重要。现有的人才流动分析研究通常依赖于主观调查。然而，如果没有大规模的定量研究，为更好的人才管 理提供精细的预测性商业洞察力是有限的。为此，在本文中，我 们旨在引入一种大数据驱动的预测性人才流动分析方法。具体来说，我们首先通过挖掘在线职业网络（OPN）中的大规模数字简历的工作转换记录来构建一个时间感知的工作转换张量，其中每个 条目都是指两个公司之间特定工作岗位的细粒度人才流动率。然后，我们设计了一个基于动态潜伏因子的进化张量因子化（ETF）模型来预测未来的人才流动。特别是，通过共同考虑以前的人才流动和全球市场的影响，我们引入了一个新的演化特征，以模拟每 个公司的演化性质。此外，为了提高预测性能，我们

lowast;熊晖、朱恒树和徐彤为通讯作者。

本文以知识共享署名4.0国际版（CC-BY 4.0）许可方式发表。作者保留在其个人和公司网站上传播该作品的权利，并适当注明出处。

WWW19，2019年5月13-17日，美国加州旧金山。

copy; 2019 IW3C2（国际万维网会议委员会），以知识共享 CC-BY 4.0 许可协议发布

。

acm isbn 978-1-4503-6674-8/19/05。https://doi.org/10.1145/3308558.3313525

我们还整合了一些有代表性的公司属性，作为调节模型推理的侧面 信息。最后，我们对大规模的真实世界数据进行了广泛的实验，以评估模型的性能。实验结果清楚地验证了我们的方法与最先进的基线相比在人才流动预测方面的有效性。同时，实验结果还揭示了一些关于人才流动规律性的有趣发现，例如，Facebook在2016年对来自谷歌的工程师越来越有吸引力。

CCS概念

• 信息系统 → 数据挖掘。

关键字

人才流动预测, 潜在因素模型, 张量因子化

ACM参考格式。

张乐，朱晨，朱恒树，徐彤，陈恩洪，秦川，和熊辉。2019.Large-

Scale Talent Flow Forecast with Dynamic Latent Factor Model.In Proceedings of the 2019 World Wide Web Conference (WWW 19), May 13-17, 2019, San Francisco, CA, USA.ACM, New York, NY, USA,

11页。https://doi.org/10.1145/3308558.3313525

简介

在快速发展的商业环境中，为了确保竞争优势，企业及时和持续地审查其人才战略变得至关重要。因此，人才流动

分析，即分析不同地区或公司之间的跳槽现象的过程，始终是现 代公司市场情报中的一个主要组成部分。事实上，在人才流动分析的帮助下，可以实现许多商业洞察力和人工举措。例如，在宏观 层面上，基于不同国家之间的人才流动，政府可以监测人才流失

，并进行宏观经济调控，以获得和保持全球竞争优势。在微观层 面上，企业可以及时评估其雇主品牌，发现人才市场上的主要竞争对手，并进行积极的人才管理。

然而，大多数现有的人才流动分析研究一般都依赖于主观调查，并侧重于从心理、经济和文化的角度进行定性的因果推理[2, 4]。由于缺乏大规模的市场数据进行定量分析，通过人才流动分 析提供精细化和预测性的商业洞察力是有限的[10, 20, 31]。最近

，在线职业网络（OPNs）的盛行使得大量的数字简历得以积累，其中包含了丰富的人才职业路径信息。例如，截至2017年底，全 球有超过4亿份简历可在Linkedin查询。事实上，这些大规模的人才数据为进行人才流动分析提供了前所未有的机会。

为此，在本文中，我们旨在介绍一种数据驱动的细粒度预测性人才流动分析的方法。具体来说，我们首先通过挖掘数字简历中大规模的工作转换记录来构建一个时间感知的工作转换张量，其中每个条目都是指两个公司之间特定工作职位的细粒度 人才流动率，即一个元组lt;原公司，工作职位，目的地公司， 时间片gt;。然后，我们设计了一个基于动态潜伏因子的进化张量因子（ETF）模型来预测未来的人才流动，其中起源公司和目的地公司被表示为与时间相关的向量，工作职位被表示为与时间无关的低维向量，而时间被用作进化信号。特别是，为了对人才流动的演化过程进行建模，我们建立了一个基于工作转换网络的

我们提出了一种新型的基于动态潜伏因子的人才流动预测

• 模型，该模型由一个新型的进化特征和一个基于公司相似

性的正则器组成，前者用于联合模拟以前的人才流动和全球市场的影响，后者用于增强模型推理。

• 我们在大规模的真实世界数据上进行了广泛的实验来评估模型的性能。实验结果不仅验证了我们的人才流动预测方法的性能，而且还揭示了一些关于人才流动规律性的有趣发现， 如Facebook对来自Google的工程师越来越有吸引力。

概述。本文的其余部分组织如下。在第2节中，我们描述了真实世界的数据并提出了问题。第3节展示了我们用于人才流动预测的动态潜在因素模型的技术细节。然后，我们在第4节中介绍了实 验结果。之后，我们在第5节中总结了重要的相关工作。最后，第 6节总结了这项工作。

初步了解

在本节中，我们首先介绍了我们研究中的真实世界数据集，然后提出了细粒度的人才流动预测问题。

数据说明

在本文中，我们使用了一个来自最大的商业OPN之一的具有代表性的真实世界数据集，其中包含超过2.2亿份职业简历，来研 究人才流动预测的问题。具体来说，每份简历都包含一列工作经历记录，每条记录都由公司名称、带有简要工作描述的职位名称

，以及以月为单位的工作时间组成。图2是一个例子，数据集的更多细节可以在第4节找到。

为了从简历中提取工作转换记录，我们在此扩展了[24]中介绍的方法，允许工作重叠，因为雇员在正式辞去前一份工作前 几个月开始新的工作是合理的。从形式上看，一份简历R包含一

人才流动，其中公司代表节点，而聚合的

个工作经历记录的列表[Rc 1, Rc 2, ...R,sRcn]。

结束日期Re。

两个公司之间的工作转换代表了边缘的权重。有了这个网络， 我们引入了一个新的演变特征，即共同考虑以前的人才流动和 全球市场的影响，对每个公司的演变原则进行建模。此外，为了 提高ETF的预测性能，我们还整合了一些公司的代表性属性，作为调节模型推理的侧面信息。图1说明了我们的方法的示意图。最后，在一个真实世界的数据集上进行的广泛实验清楚地验证了我们的方法与其他最先进的基线相比在人才流动预测方面的有效性。

具体来说，本文的主要贡献可以归纳为以下几点。

而每条记录Rci包含一个开始日期 和一个

测性的商业洞察力。

- 我们介绍了一种基于大规模在线简历数据的大数据驱动的预测性人才流动分析方法。我们的方法可以识别细粒度和预

因此，只要前一个工作的结束时间和后一个工作的开始时间之间的绝对差异小于预定的阈值theta;，从前一个工作到后一个工作的过渡 将被视为有效。请注意，在我们的设置中，一个前工作可能有多个后继工作。此外，我们把有效的工作转换看作是一种父子关系，并构建了一棵职业树，每个公司代表一个节点。直观地说， 从根节点到叶节点可能存在多条路径，这些路径的长度被设定 为相应工作时间的总和。特别是，最长的路径将被选为代表员工的主要职业路径，而主要路径上相邻的公司节点代表工 作转换。

具体来说，我们用图3所示的例子来说明如何从简历中提取

工作转换记录。在图中，我们用线段来表示工作经历，用字母来表示相应的公司名称。通过检查所有工作经历的工作时间， 我们可以得到几条工作转换记录，包括a b、a c和b c。相应的职业树显示在图3的右边部分。

→→→

简历

培训阶段

简历

预测阶段

简历

预测的人才流动张量

目的地

？

？ ？ ？ ？

人才流动张量

人才流动张量

？

目的地

人才流动张量

目的地

目的地

0.0 0. 7 0.3

0.2 0.0 0.8

0.6 0.4 0.0 职务

原产地

1

？ ？ ？

？ ？ ？

？ ？ ？

原产地

？

？

？

？

？

？

0.0 0. 7 0.3

0.2 0.0 0.8

0.6 0.4 0.0 职务

原产地

0.0 0. 7 0.3

0.2 0.0 0.8

0.6 0.4 0.0 职务

原产地

工作

相似度矩阵

lt;

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[603000]，资料为PDF文档或Word文档，PDF文档可免费转换为Word