一种多层级组织机构下人员典型成长路径抽取及推荐方法

1.本技术涉及数据处理技术领域，特别是涉及一种多层级组织机构下人员典型成长路径抽取及推荐方法。


背景技术：

2.人员的成长发展是人力资源管理中的一个重要问题，也是人力资源智能管理技术的一个重要应用方向。基于人员发展数据深度挖掘人员的成长规律，对机构的管理各环节和个人的成长规划都具有重要参考价值。分析抽取人员的典型成长路径，并根据个人的当前状态推荐其未来发展轨迹，可以为机构的人才培养、引进和配置等管理工作提供指引，也可以为员工的职业生涯发展规划提供决策支持。
3.众多大型国企、政府部门、事业单位等都具有较为严格的职务层级，大部分人员的发展都遵循递增的顺序，人员的成长路径本质上是一个从低职级逐步晋升至高职级的过程，每一个职级会在一个或者多个岗位上任职。一个机构内高职级人群的工作经历反映了该机构人员的成长模式，可以为低职级人员的发展提供一定的借鉴。因此，将高职级人群的工作经历为基础，挖掘发现若干具有代表性的典型路径，并根据低职级人员当前工作经历为其推荐若干后续发展路径，可以作为机构安排该人员和其候选选择的支撑依据。
4.当前对于人员成长路径的挖掘与分析主要集中在传统的定性分析，而数据驱动的人力资源管理尚处于起步阶段，缺乏系统性的研究。


技术实现要素：

5.基于此，有必要针对上述技术问题，提供一种能够实现人员典型成长路径抽取及推荐的多层级组织机构下人员典型成长路径抽取及推荐方法。
6.一种多层级组织机构下人员典型成长路径抽取及推荐方法，所述方法包括：获取多层组织机构相关数据；多层组织机构相关数据包括目标人员的工作经历序列和待推荐人员的工作经历序列；工作经历序列包括多个工作经历；工作经历包括职务层级和岗位类型；根据独热编码的思想将工作经历序列表示为等长向量，得到向量表示集；从向量表示集中获取目标人员工作经历序列的向量表示，利用kmeans算法将目标人员工作经历序列的向量表示划分为多个类簇，重复迭代计算类簇标签和更新簇中心，直至标签稳定或者达到预先设置的最大迭代次数，采用贪心还原方法对簇中心进行还原处理，得到典型人员成长路径；从向量表示集中获取待推荐人员工作经历序列的向量表示，从簇中心中取若干元素组成簇中心临时向量，对待推荐人员工作经历序列的向量表示和各个簇中心临时向量进行距离计算，选取预先设置的推荐路径数量对应的距离最小的若干簇中心，簇中心对应的典型成长路径集合即为推荐路径集合，对推荐路径集合进行推荐概率计算，根据推荐概率进行路径推荐。
7.在其中一个实施例中，根据独热编码的思想将工作经历序列表示为等长向量，得到向量表示集，包括：对于第号目标人员的工作经历序列，将其向量表示各位初始化为0，依次遍历第号目标人员的每一段工作经历，将置为1；其中表示向量长度，表示第号目标人员工作经历数目，l表示组织结构的职务层级数目，d表示岗位类型数目,表示人员工作经历序号，表示工作经历的职务层级，表示工作经历的岗位类型，表示向量元素序号。
8.在其中一个实施例中，对于待推荐人员的工作经历序列，将向量表示各位初始化为0，然后依次遍历每一段工作经历，将置为1；其中表示向量长度，a表示待推荐人员当前所处的职务层级，表示待推荐人员工作经历数量，表示人员工作经历序号，表示工作经历的职务层级，表示工作经历的岗位类型，u表示元素序号。
9.在其中一个实施例中，利用kmeans算法将目标人员工作经历序列的向量表示划分为多个类簇，包括：从目标人员工作经历序列的向量表示中随机选取t个元素作为簇中心的初始化值，对每一个向量表示与各个簇中心的距离进行计算，选取离向量表示最近的簇中心作为向量表示的类簇标签，重复迭代计算类簇标签和更新簇中心，直至标签稳定或者达到预先设置的最大迭代次数，得到多个类簇。
10.在其中一个实施例中，对每一个向量表示与各个簇中心的距离进行计算，选取离向量表示最近的簇中心作为向量表示的类簇标签，包括：对每一个向量表示与各个簇中心的距离进行计算，选取离向量表示最近的簇中心作为向量表示的类簇标签为；
11.其中，表示第t个簇中心，表示簇中心的序号，表示向量中元素的序号，表示的类簇标签。
12.在其中一个实施例中，根据类簇标签更新的簇中心，包括：根据类簇标签更新的簇中心为。
13.在其中一个实施例中，采用贪心还原方法对簇中心进行还原处理，得到典型人员
成长路径，包括：步骤1:初始化，，；步骤2:定位中的最大值位置:；在典型路径中添加工作经历；步骤3:；步骤4:重复步骤2~3直至，生成了第条典型人员成长路径。
14.步骤5:；步骤6: 重复步骤2~5直至，生成了t条典型人员成长路径。
15.在其中一个实施例中，对待推荐人员工作序列的向量表示和各个簇中心临时向量进行距离计算，还包括：对待推荐人员路径的向量表示和各个簇中心临时向量进行距离计算，得到路径序列和各个簇中心之间的距离为；其中是前w个元素组成的临时向量，表示元素序号。
16.在其中一个实施例中，选取预先设置的推荐路径数量对应的距离最小的若干簇中心组成推荐路径序列，包括：选取前h个距离最小的若干簇中心为；其中，为从小到大的排序函数，h表示预先设置的推荐路径数量，簇中心还原对应的路径即为h条推荐路径。
17.在其中一个实施例中，对推荐路径序列进行推荐概率计算，包括：；其中，表示推荐路径的概率。
18.上述一种多层级组织机构下人员典型成长路径抽取及推荐方法，本技术采用编码-聚类-还原的方式，实现工作序列与等长向量之间的双向转换，基于此通过聚类和簇中心还原自动抽取若干典型路径，然后通过距离计算为待推荐人员提供相似度较高的路径，并提供每条路径的匹配概率，可以为机构的人才培养、引进和配置等管理工作提供指引，也可以为员工的职业生涯发展规划提供决策支持。
附图说明
19.图1为一个实施例中一种多层级组织机构下人员典型成长路径抽取及推荐方法的流程示意图。
具体实施方式
20.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
21.在一个实施例中，如图1所示，提供了一种多层级组织机构下人员典型成长路径抽取及推荐方法，包括以下步骤：步骤102，获取多层组织机构相关数据；多层组织机构相关数据包括目标人员的工作经历序列和待推荐人员的工作经历序列；工作经历序列包括多个工作经历；工作经历包括职务层级和岗位类型；根据独热编码的思想将工作经历序列表示为等长向量，得到向量表示集。
22.假设一个组织结构职务层级为l层，岗位类型分为d种，位于第l层的人员发展路径为，其中n表示人员数量，是一段由段工作经历组成的序列，每一段工作经历是一个二元组，表示该段工作经历对应的职务层级，表示岗位类型。工作经历序列是一个从低层级往高层级的成长过程，即，，且或者。给定第层的待推荐人员的工作经历，同样的，是一个二元组，、分别表示职务层级和岗位类型，。本技术目标是为其推荐若干条后续发展路径，并给出每条路径的匹配概率。
23.为实现上述目标，本技术独热编码的思想将工作序列表示为等长向量，面向人员发展路径集中的每一段工作序列，按照如下规则其转换长度为的向量：将各位初始化为0，然后依次遍历每一段工作经历，将置为1。将工作序列表示为等长向量有利于后续进行类簇划分和标签计算。
24.步骤104，从向量表示集中获取目标人员工作经历序列的向量表示，利用kmeans算法将目标人员工作经历序列的向量表示划分为多个类簇，重复迭代计算类簇标签和更新簇中心，直至标签稳定或者达到预先设置的最大迭代次数，采用贪心还原方法对簇中心进行还原处理，得到典型人员成长路径。
25.利用kmeans算法将工作序列的向量表示划分为多个类簇，迭代计算类簇标签和更新簇中心，直至达到预先设置的最大迭代次数。通过聚类可将相似的工作序列聚为同一类开展分析，并以簇中心作为同一个簇数据的代表，采用贪心还原方法对簇中心进行还原处理，即可将其作为具有代表性的典型人员成长路径。
26.在获取工作序列的向量表示之后，采用kmeans算法将其划分至t个簇：
①
从随机选取t个元素作为簇中心的初始化值；
②
对于每一个样本，计算其与各个中心之间的距离，选取离它最近的簇中心作为其所属簇标签：；；
③
更新所有的簇中心：；
④
重复步骤
②
~
③
直至结果稳定或达到最大迭代次数。
27.在完成聚类之后获取了所有簇中心，然后采用贪心还原的方法，将每一个簇中心还原为一条典型人员成长路径。
28.步骤106，从向量表示集中获取待推荐人员工作经历序列的向量表示，从簇中心中取若干元素组成簇中心临时向量，对待推荐人员工作经历序列的向量表示和各个簇中心临时向量进行距离计算，选取预先设置的推荐路径数量对应的距离最小的若干簇中心，簇中心对应的典型成长路径集合即为推荐路径集合，对推荐路径集合进行推荐概率计算，根据推荐概率进行路径推荐。
29.在获取位于第a层待推荐人员的发展路径后，同样的，将其转换为长度为的表示序列：将各位初始化为0，然后依次遍历每一段工作经历，将置为1。取的前w个元素组成向量，计算与之间的距离作为与之间的距离：；按照上述公式计算与各个簇中心之间的距离，选取前h个距离最小的簇中心：；为从小到大的排序函数，对应的，h条典型路径即为推荐路径。
30.上述一种多层级组织机构下人员典型成长路径抽取及推荐方法中，本技术采用编码-聚类-还原的方式，实现工作序列与等长向量之间的双向转换，基于此通过聚类和簇中
心还原自动抽取若干典型路径，然后通过距离计算为待推荐人员提供相似度较高的路径，并提供每条路径的匹配概率，可以为机构的人才培养、引进和配置等管理工作提供指引，也可以为员工的职业生涯发展规划提供决策支持。
31.在其中一个实施例中，根据独热编码的思想将工作经历序列表示为等长向量，得到向量表示集，包括：对于第号目标人员的工作经历序列，将其向量表示各位初始化为0，依次遍历第号目标人员的每一段工作经历，将置为1；其中表示向量长度，表示第号目标人员工作经历数目，l表示组织结构的职务层级数目，d表示岗位类型数目,表示人员工作经历序号，表示工作经历的职务层级，表示工作经历的岗位类型，s表示向量元素序号。
32.在其中一个实施例中，对于待推荐人员的工作经历序列，将向量表示各位初始化为0，然后依次遍历每一段工作经历，将置为1；其中表示向量长度，a表示待推荐人员当前所处的职务层级，表示待推荐人员工作经历数量，表示人员工作经历序号，表示工作经历的职务层级，表示工作经历的岗位类型，u表示元素序号。
33.在其中一个实施例中，利用kmeans算法将目标人员工作经历序列的向量表示划分为多个类簇，包括：从目标人员工作经历序列的向量表示中随机选取t个元素作为簇中心的初始化值，对每一个向量表示与各个簇中心的距离进行计算，选取离向量表示最近的簇中心作为向量表示的类簇标签，重复迭代计算类簇标签和更新簇中心，直至标签稳定或者达到预先设置的最大迭代次数，得到多个类簇。
34.在其中一个实施例中，对每一个向量表示与各个簇中心的距离进行计算，选取离向量表示最近的簇中心作为向量表示的类簇标签，包括：对每一个向量表示与各个簇中心的距离进行计算，选取离向量表示最近的簇中心作为向量表示的类簇标签为；；其中，表示第个簇中心，表示簇中心的序号，表示向量中元素的序号，表示的类簇标签。
35.在其中一个实施例中，根据类簇标签更新的簇中心，包括：
根据类簇标签更新的簇中心为。
36.在其中一个实施例中，采用贪心还原方法对簇中心进行还原处理，得到典型人员成长路径，包括：步骤1:初始化，，；步骤2:定位中的最大值位置:；在典型路径中添加工作经历；步骤3:；步骤4:重复步骤2~3直至，生成了第条典型人员成长路径。
37.步骤5:；步骤6: 重复步骤2~5直至，生成了t条典型人员成长路径。
38.在其中一个实施例中，对待推荐人员工作序列的向量表示和各个簇中心临时向量进行距离计算，还包括：对待推荐人员路径的向量表示和各个簇中心临时向量进行距离计算，得到路径序列和各个簇中心之间的距离为；其中是前w个元素组成的临时向量，表示元素序号。
39.在其中一个实施例中，选取预先设置的推荐路径数量对应的距离最小的若干簇中心组成推荐路径序列，包括：选取前h个距离最小的若干簇中心为其中，为从小到大的排序函数，h表示预先设置的推荐路径数量，簇中心还原对应的路径即为h条推荐路径。
40.在其中一个实施例中，对推荐路径序列进行推荐概率计算，包括：；其中，表示推荐路径的概率。
41.应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分
步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
42.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（rom）、可编程rom（prom）、电可编程rom（eprom）、电可擦除可编程rom（eeprom）或闪存。易失性存储器可包括随机存取存储器（ram）或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram（sram）、动态ram（dram）、同步dram（sdram）、双数据率sdram（ddrsdram）、增强型sdram（esdram）、同步链路（synchlink） dram（sldram）、存储器总线（rambus）直接ram（rdram）、直接存储器总线动态ram（drdram）、以及存储器总线动态ram（rdram）等。
43.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
44.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。

技术特征：
1.一种多层级组织机构下人员典型成长路径抽取及推荐方法，其特征在于，所述方法包括：获取多层组织机构相关数据；所述多层组织机构相关数据包括目标人员的工作经历序列和待推荐人员的工作经历序列；所述工作经历序列包括多个工作经历；所述工作经历包括职务层级和岗位类型；根据独热编码的思想将所述工作经历序列表示为等长向量，得到向量表示集；从所述向量表示集中获取目标人员工作经历序列的向量表示，利用kmeans算法将所述目标人员工作经历序列的向量表示划分为多个类簇，重复迭代计算类簇标签和更新簇中心，直至标签稳定或者达到预先设置的最大迭代次数，采用贪心还原方法对所述簇中心进行还原处理，得到典型人员成长路径；从所述向量表示集中获取待推荐人员工作经历序列的向量表示，从所述簇中心中取若干元素组成簇中心临时向量，对所述待推荐人员工作经历序列的向量表示和各个簇中心临时向量进行距离计算，选取预先设置的推荐路径数量对应的距离最小的若干簇中心，簇中心对应的典型成长路径集合即为推荐路径集合，对所述推荐路径集合进行推荐概率计算，根据推荐概率进行路径推荐。2.根据权利要求1所述的方法，其特征在于，根据独热编码的思想将所述工作经历序列表示为等长向量，得到向量表示集，包括：对于第号目标人员的工作经历序列，将其向量表示各位初始化为0，依次遍历第号目标人员的每一段工作经历，将置为1；其中表示向量长度，表示第号目标人员工作经历数目，l表示组织结构的职务层级数目，d表示岗位类型数目,表示人员工作经历序号，表示工作经历的职务层级，表示工作经历的岗位类型，表示向量元素序号。3.根据权利要求2所述的方法，其特征在于，所述方法还包括：对于待推荐人员的工作经历序列，将向量表示各位初始化为0，然后依次遍历每一段工作经历，将置为1；其中表示向量长度，a表示待推荐人员当前所处的职务层级，表示待推荐人员工作经历数量，表示人员工作经历序号，表示工作经历的职务层级，表示工作经历的岗位类型，u表示元素序号。4.根据权利要求2所述的方法，其特征在于，利用kmeans算法将目标人员工作经历序列的向量表示划分为多个类簇，包括：从所述目标人员工作经历序列的向量表示中随机选取t个元素作为簇中心的初始化值，对每一个向量表示与各个簇中心的距离进行计算，选取离所述向量表示最近的簇中心作为所述向量表示的类簇标签，重复迭代计算类簇标签和更新簇中心，直至标签稳定或者
达到预先设置的最大迭代次数，得到多个类簇。5.根据权利要求4所述的方法，其特征在于，对每一个向量表示与各个簇中心的距离进行计算，选取离所述向量表示最近的簇中心作为所述向量表示的类簇标签，包括：对每一个向量表示与各个簇中心的距离进行计算，选取离所述向量表示最近的簇中心作为所述向量表示的类簇标签为；；其中，表示第个簇中心，表示簇中心的序号，表示向量中元素的序号，表示的类簇标签。6.根据权利要求5所述的方法，其特征在于，根据所述类簇标签更新的簇中心，包括：根据所述类簇标签更新的簇中心为。7.根据权利要求6所述的方法，其特征在于，采用贪心还原方法对所述簇中心进行还原处理，得到典型人员成长路径，包括：步骤1:初始化，，；步骤2:定位中的最大值位置：；在典型路径中添加工作经历；步骤3:；步骤4:重复步骤2~3直至，生成第条典型人员成长路径；步骤5:；步骤6: 重复步骤2~5直至，生成t条典型人员成长路径。8.根据权利要求2所述的方法，其特征在于，对所述待推荐人员工作序列的向量表示和各个簇中心临时向量进行距离计算，还包括：对所述待推荐人员路径的向量表示和各个簇中心临时向量进行距离计算，得到路径序列和各个簇中心之间的距离为；其中，是前w个元素组成的临时向量，表示元素序号。
9.根据权利要求8所述的方法，其特征在于，选取预先设置的推荐路径数量对应的距离最小的若干簇中心组成推荐路径序列，包括：选取前h个距离最小的若干簇中心为；其中，为从小到大的排序函数，h表示预先设置的推荐路径数量，簇中心还原对应的路径即为h条推荐路径。10.根据权利要求9所述的方法，其特征在于，对所述推荐路径序列进行推荐概率计算，包括：；其中，表示推荐路径的概率。

技术总结
本申请涉及一种多层级组织机构下人员典型成长路径抽取及推荐方法。所述方法包括：获取工作序列的向量表示，利用KMeans算法将工作序列的向量表示划分为多个类簇并计算类簇标签，根据类簇标签更新的簇中心，采用贪心还原方法对簇中心进行还原处理，得到典型人员成长路径；从簇中心中取若干元素组成簇中心临时向量，对待推荐人员工作经历序列的向量表示和各个簇中心临时向量进行距离计算，选取预先设置的推荐路径数量对应的距离最小的若干簇中心，簇中心对应的典型成长路径集合即为推荐路径集合，对推荐路径集合进行推荐概率计算，根据推荐概率进行路径推荐。采用本方法能够实现人员典型成长路径抽取及推荐。员典型成长路径抽取及推荐。员典型成长路径抽取及推荐。


技术研发人员：程力 黄灿美 张忠山 姚锋 沈大勇 王涛 闫俊刚 王沛 陈英武 吕济民 何磊 陈宇宁 陈盈果 刘晓路 杜永浩
受保护的技术使用者：中国人民解放军国防科技大学
技术研发日：2023.06.30
技术公布日：2023/8/1