你和“懂AI”之間，只差了一篇論文

很多讀者給芯君后臺(tái)留言，說(shuō)看多了相對(duì)簡(jiǎn)單的AI科普和AI方法論，想看點(diǎn)有深度、有厚度、有眼界……以及重口味的專業(yè)論文。

為此，在多位AI領(lǐng)域的專家學(xué)者的幫助下，我們解讀翻譯了一組頂會(huì)論文。每一篇論文翻譯校對(duì)完成，芯君和編輯部的老師們都會(huì)一起笑到崩潰，當(dāng)然有的論文我們看得抱頭痛哭。

同學(xué)們現(xiàn)在看不看得懂沒(méi)關(guān)系，但芯君敢保證，你終有一天會(huì)因此愛(ài)上一個(gè)AI的新世界。

讀芯術(shù)讀者論文交流群，請(qǐng)加小編微信號(hào)：zhizhizhuji。等你。

這是讀芯術(shù)解讀的第143篇論文

---

KDD 2019 Research Track Paper

人才-組織匹配在人才管理中的影響：一種結(jié)構(gòu)感知的神經(jīng)網(wǎng)絡(luò)方法

The Impact of Person-Organization Fit on Talent Management: A Structure-Aware Convolutional Neural Network Approach

中國(guó)科學(xué)院計(jì)算技術(shù)研究所，百度

本文是中國(guó)科學(xué)院計(jì)算技術(shù)研究所和百度TIC聯(lián)合發(fā)表于KDD 2019的工作，文章提出了一種數(shù)據(jù)驅(qū)動(dòng)的神經(jīng)網(wǎng)絡(luò)模型來(lái)建模人和組織間的適配性及它與人才管理中兩個(gè)關(guān)鍵問(wèn)題——離職和工作表現(xiàn)的關(guān)系。為此，我們首先設(shè)計(jì)了一種組織結(jié)構(gòu)感知的卷積神經(jīng)網(wǎng)絡(luò)來(lái)抽取組織環(huán)境特征，進(jìn)一步地，我們使用帶有注意力機(jī)制的循環(huán)神經(jīng)網(wǎng)絡(luò)來(lái)建模人-組織匹配的動(dòng)態(tài)特性。實(shí)驗(yàn)結(jié)果表明我們的模型能有效提高離職預(yù)測(cè)和績(jī)效預(yù)測(cè)的效果。

原文：

Ying Sun, Fuzhen Zhuang, Hengshu Zhu, XinSong, Qing He, Hui Xiong, The Impact of Person-Organization Fit on TalentManagement: A Structure-Aware Convolutional Neural Network Approach, InProceedings of the 25th ACM SIGKDD International Conference on KnowledgeDiscovery and Data Mining (KDD-2019) , Anchorage, Alaska, 2019

1 引言

在當(dāng)今競(jìng)爭(zhēng)激烈、瞬息萬(wàn)變的商業(yè)環(huán)境中，如何有效地吸引和選拔合適的人才來(lái)從事合適的工作，成為現(xiàn)代企業(yè)面臨的一個(gè)重要挑戰(zhàn)。因此，人-組織匹配的研究成為組織行為學(xué)和人才分析領(lǐng)域的一個(gè)重要研究方向。人-組織匹配是指員工與其組織之間的相容性，根據(jù)吸引-選擇-損耗(A-S-A)理論，組織在選擇過(guò)程中傾向于雇傭具有相似價(jià)值觀的人，而個(gè)人也會(huì)相應(yīng)地被具有相似文化的組織所吸引。事實(shí)上，人-組織匹配被廣泛認(rèn)為是人才管理的一個(gè)有效指標(biāo)，它對(duì)工作態(tài)度、離職傾向和工作績(jī)效等結(jié)果有顯著影響，例如一個(gè)較好的人-組織匹配通常意味著較高組織承諾和較低的人才流失率，反之亦然。

傳統(tǒng)組織行為學(xué)研究中，雖然已經(jīng)有大量工作嘗試?yán)斫馊?組織匹配，并且產(chǎn)生了許多有趣的發(fā)現(xiàn)，例如根據(jù)大五人格理論，高宜人性的人通常更適合于支持性的組織氛圍。但這些研究大多嚴(yán)重依賴于問(wèn)卷調(diào)查以及經(jīng)典的數(shù)學(xué)統(tǒng)計(jì)模型，這些方法有很好的理論基礎(chǔ)，能夠揭示一些規(guī)律，但也帶來(lái)了應(yīng)用層面的局限性。首先，問(wèn)卷調(diào)查中使用的指標(biāo)通常是主觀設(shè)計(jì)的，不能客觀、自動(dòng)地捕捉到人才與組織的相容性特征。其次，由于人和組織的動(dòng)態(tài)特性，人-組織匹配總是隨時(shí)間而變化，傳統(tǒng)的調(diào)查方式由于成本高昂，很難時(shí)序地跟蹤這種變化。第三，由于現(xiàn)實(shí)世界的管理場(chǎng)景非常復(fù)雜，利用調(diào)查數(shù)據(jù)盡管可以發(fā)現(xiàn)相關(guān)關(guān)系，但仍舊難以定量地建模人-組織匹配及其對(duì)人才管理的影響。

幸運(yùn)的是，大數(shù)據(jù)時(shí)代的到來(lái)給人才管理提供了大量的人才數(shù)據(jù)，這為管理提供了前所未有的機(jī)會(huì)。這些數(shù)據(jù)可以幫助我們以動(dòng)態(tài)、定量和客觀的方式了解人才和組織行為，并獲得有關(guān)人-組織匹配的有形知識(shí)。

為此，我們提出一種新的數(shù)據(jù)驅(qū)動(dòng)的解決方案，名為人-組織匹配神經(jīng)網(wǎng)絡(luò)來(lái)動(dòng)態(tài)建模人-組織匹配以及它與人才管理中離職意向和工作績(jī)效的關(guān)系。具體來(lái)說(shuō)，受實(shí)際管理場(chǎng)景的啟發(fā)，我們首先創(chuàng)造性地設(shè)計(jì)了一種組織結(jié)構(gòu)感知的卷積神經(jīng)網(wǎng)絡(luò)來(lái)層級(jí)地抽取組織環(huán)境特征，以替代傳統(tǒng)工作中手動(dòng)設(shè)計(jì)指標(biāo)來(lái)對(duì)組織進(jìn)行畫像的過(guò)程。進(jìn)一步地，為了捕捉人-組織匹配的動(dòng)態(tài)特性，我們?cè)O(shè)計(jì)了一種帶有注意力機(jī)制的循環(huán)神經(jīng)網(wǎng)絡(luò)來(lái)建模時(shí)序的人-組織匹配信息。最后，我們?cè)趯?shí)際人才數(shù)據(jù)上將我們的模型與一系列基線模型相比較，實(shí)驗(yàn)結(jié)果證明我們的模型在離職預(yù)測(cè)和績(jī)效預(yù)測(cè)上的有效性。

2 模型

2.1 問(wèn)題建模

本工作旨在通過(guò)分析組織環(huán)境與員工之間的潛在關(guān)系，對(duì)人-組織匹配進(jìn)行動(dòng)態(tài)建模，并探討其在人才管理中的應(yīng)用。給定一個(gè)組織樹，上面每個(gè)節(jié)點(diǎn)表示一個(gè)員工，節(jié)點(diǎn)的父節(jié)點(diǎn)表示員工的上司，我們定義了一個(gè)鄰接矩陣

來(lái)表示它的結(jié)構(gòu)，其中，

指示節(jié)點(diǎn)i的父節(jié)點(diǎn)，如果其父節(jié)點(diǎn)為節(jié)點(diǎn)j，則

等于1，否則等于0。同時(shí)，組織中的每個(gè)員工都有一個(gè)特征向量，我們將組織的特征矩陣定義為

，其中

表示員工的特征向量，

是特征向量的維數(shù)。由于組織的結(jié)構(gòu)和其中員工的特征將隨著時(shí)間的推移而改變，我們定義了兩個(gè)長(zhǎng)度為

的序列數(shù)據(jù)，分別寫作

和

，其中

和

分別表示在時(shí)間t處的特征矩陣和鄰接矩陣。

到目前為止，我們可以將本研究的問(wèn)題表述為從歷史數(shù)據(jù)

和

中學(xué)習(xí)一個(gè)模型來(lái)預(yù)測(cè)未來(lái)的人才管理結(jié)果。具體來(lái)說(shuō)，訓(xùn)練集中每個(gè)樣本在時(shí)間t上可以表示為

，其中

是目標(biāo)員工的指示向量。模型的目標(biāo)是預(yù)測(cè)分類標(biāo)簽y，如是否離職。

2.2 數(shù)據(jù)驅(qū)動(dòng)的人-組織匹配

一種傳統(tǒng)人-組織匹配

在組織行為學(xué)理論中，當(dāng)員工及其組織的特征都很適合時(shí)，就產(chǎn)生了良好的人-組織匹配，早在1989年，組織行為學(xué)家就提出了使用人的特性和組織特性來(lái)進(jìn)行比較以進(jìn)行人-組織匹配的研究框架。工作首先通過(guò)問(wèn)卷調(diào)查的方式收集數(shù)據(jù)，測(cè)量由專家手工設(shè)計(jì)的一些指標(biāo)，表示人和組織的特性，然后使用統(tǒng)計(jì)方法來(lái)衡量這些特性之間的相似程度，獲得人-組織匹配的評(píng)估分?jǐn)?shù)。然而這個(gè)過(guò)程需要大量人工操作，且每個(gè)設(shè)計(jì)的指標(biāo)都需要提前進(jìn)行大量的統(tǒng)計(jì)學(xué)研究，成本高昂且僅能覆蓋有限信息，很難將其應(yīng)用到實(shí)際應(yīng)用中，除此之外，這種方法評(píng)估得出的人-組織匹配得分僅能提供啟發(fā)式指導(dǎo)，而不能給出人才管理中的定量預(yù)測(cè)。

數(shù)據(jù)驅(qū)動(dòng)的人-組織匹配

如果能夠從數(shù)據(jù)中自動(dòng)提取人和組織的特征，并用機(jī)器學(xué)習(xí)方法自動(dòng)學(xué)習(xí)人-組織匹配模型及相應(yīng)的預(yù)測(cè)模型，那么將極大節(jié)省這個(gè)過(guò)程中的人力，并能提高預(yù)測(cè)的準(zhǔn)確度，達(dá)到人才管理的高度自動(dòng)化。因此，我們提出一種數(shù)據(jù)驅(qū)動(dòng)的人-組織匹配模型，從員工的工作數(shù)據(jù)中提取員工特征和組織特征并進(jìn)行人-組織匹配模型。具體來(lái)說(shuō)，首先使用特征工程從員工的工作數(shù)據(jù)中提取一些特征，進(jìn)行簡(jiǎn)單的降維處理作為人物畫像。由于員工在組織中受局部組織結(jié)構(gòu)(比如所處團(tuán)隊(duì))影響更大，而局部組織特征難以從工作數(shù)據(jù)中直接提取，我們不直接度量組織畫像，而是從含有員工特征的組織結(jié)構(gòu)樹上提取組織特征。特別地，從員工的角度來(lái)看，他們所在的組織環(huán)境通常受到更親近的同事的影響，因此我們根據(jù)每個(gè)員工在組織樹上的位置，從周圍員工中為每個(gè)員工提取一個(gè)獨(dú)特的組織環(huán)境特征，因?yàn)槿绻粋€(gè)組織中的兩個(gè)員工在組織樹上距離較遠(yuǎn)，他們之間的相互影響可能很小。最后，我們用非線性模型來(lái)實(shí)現(xiàn)一個(gè)更復(fù)雜的映射以獲取人-組織匹配表征向量，而非使用簡(jiǎn)單的統(tǒng)計(jì)方法來(lái)獲得人-組織匹配得分。使用分類或回歸模型，我們可以使用這個(gè)表征向量來(lái)預(yù)測(cè)人才管理的結(jié)果。由于這種方法可以建模人-組織匹配的更多潛在表征，且能定量建模復(fù)雜映射，因此可以獲得更好的預(yù)測(cè)性能。

2.3 人-組織匹配神經(jīng)網(wǎng)絡(luò)(POFNN)

基于我們提出的數(shù)據(jù)驅(qū)動(dòng)的人-組織匹配框架，我們提出一種神經(jīng)網(wǎng)絡(luò)模型POFNN來(lái)進(jìn)行人-組織匹配建模，由于人-組織匹配的動(dòng)態(tài)特性，我們?cè)诿總€(gè)時(shí)間段t，從特征矩陣

和組織樹的鄰接矩陣

中提取人-組織匹配表征向量，然后采用循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行序列數(shù)據(jù)的建模，網(wǎng)絡(luò)結(jié)構(gòu)如圖所示。

人-組織匹配神經(jīng)網(wǎng)絡(luò)示意圖

具體而言，首先使用全連接層對(duì)輸入特征向量進(jìn)行降維，提取出員工們的畫像

，其中第i列可以表示為

，

和

是參數(shù)，

表示激活函數(shù)。然后我們提出一種組織結(jié)構(gòu)感知的卷積神經(jīng)網(wǎng)絡(luò)(OSCN)，用于從組織結(jié)構(gòu)和員工畫像中提取環(huán)境表征，寫作

，此時(shí)每個(gè)員工都獲得了各自的環(huán)境表征向量，因此

，OSCN的具體結(jié)構(gòu)將在下一小節(jié)討論。此時(shí)我們獲得了整個(gè)組織所有員工的環(huán)境表征的個(gè)人表征，對(duì)于一個(gè)要預(yù)測(cè)的目標(biāo)員工，我們用指示向量

選擇他的表征，分別寫作

和

。然后用由數(shù)個(gè)全連接層組成的深度神經(jīng)網(wǎng)絡(luò)(DNN)對(duì)這兩個(gè)特征作非線性的映射，結(jié)合為人-組織匹配表征向量，寫作

，其中，

表示將兩個(gè)維度分別為d1和d2的向量連接起來(lái)形成一個(gè)維度d1+d2的向量。

在每個(gè)時(shí)間段，人-組織匹配網(wǎng)絡(luò)獲取了一個(gè)人-組織匹配的表征，最終形成一個(gè)序列

，使用長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)來(lái)處理這個(gè)序列。LSTM結(jié)合歷史信息和當(dāng)前的人-組織匹配表征，得到每個(gè)時(shí)間段的狀態(tài)表征，寫作

。考慮到不同時(shí)間段對(duì)結(jié)果的影響程度不同，比如某個(gè)月內(nèi)突然發(fā)生的組織變革可能會(huì)引發(fā)員工的不適應(yīng)進(jìn)而產(chǎn)生離職意向，我們使用注意機(jī)制來(lái)捕捉各個(gè)時(shí)間段的影響。

注意力層以最后一個(gè)時(shí)間段的狀態(tài)

作為查詢，其他時(shí)間段的狀態(tài)作為鍵，用他們計(jì)算每個(gè)歷史時(shí)間段的重要性，然后求得歷史狀態(tài)的加權(quán)平均值，即

其中

和

是參數(shù)。輸出

表示歷史人-組織匹配的整體狀態(tài)，我們將它與最后一個(gè)人-組織匹配狀態(tài)做連接，用一個(gè)全連接層映射后用sigmoid函數(shù)預(yù)測(cè)二分類結(jié)果，寫作

2.4 組織結(jié)構(gòu)感知的卷積神經(jīng)網(wǎng)絡(luò)(OSCN)

即使在同一組織內(nèi)，組織樹上不同位置員工可能有著不同的組織環(huán)境。因此，我們提出一種網(wǎng)絡(luò)結(jié)構(gòu)，從組織樹上局部的組織結(jié)構(gòu)和員工特征中提取相應(yīng)員工的組織環(huán)境信息。而由于員工們局部環(huán)境受彼此的影響存在一定模式，這啟發(fā)我們使用卷積網(wǎng)絡(luò)抽取環(huán)境信息。

局部結(jié)構(gòu)變換示意圖

我們?cè)O(shè)計(jì)了組織結(jié)構(gòu)感知的卷積神經(jīng)網(wǎng)絡(luò)(OSCN)來(lái)提取員工的組織環(huán)境信息，在OSCN中，卷積可以將不同工作關(guān)系區(qū)別對(duì)待。與經(jīng)典的卷積網(wǎng)絡(luò)相似，OSCN的主要思想是參數(shù)共享，每個(gè)節(jié)點(diǎn)在核函數(shù)中的參數(shù)取決于它與目標(biāo)的關(guān)系。在本工作中，以一名員工為中心，我們假設(shè)他的上司、下屬和同事對(duì)他局部的組織環(huán)境產(chǎn)生直接影響，那么理想情況下，核函數(shù)可以表示為

其中

表示可訓(xùn)練的參數(shù)，

表示對(duì)應(yīng)關(guān)系同事的特征向量。然而，與傳統(tǒng)面向格子狀數(shù)據(jù)的卷積網(wǎng)絡(luò)不同，OSCN的核函數(shù)不能被簡(jiǎn)單地構(gòu)造成矩陣形式，因?yàn)榻M織樹相對(duì)圖像、文本等數(shù)據(jù)有著更不規(guī)則的結(jié)構(gòu)。由于每個(gè)員工的下屬和同事數(shù)量可能不同，設(shè)計(jì)一種適用于組織樹上所有位置都適用的核函數(shù)成為OSCN最大的挑戰(zhàn)。為了解決這一問(wèn)題，在對(duì)一個(gè)員工做卷積時(shí)，我們聚合所有與他有相同關(guān)系的員工。具體來(lái)說(shuō)，OSCN假設(shè)一個(gè)員工的所有下屬對(duì)他都有類似的影響，然后通過(guò)計(jì)算他們的均值和方差來(lái)聚合他們。圖中給出了一個(gè)例子，其中節(jié)點(diǎn)A和節(jié)點(diǎn)B具有不同的局部組織結(jié)構(gòu)，但是在聚合過(guò)程之后，它們被轉(zhuǎn)換為相同的結(jié)構(gòu)，包含一個(gè)上司節(jié)點(diǎn)、一個(gè)聚合的下屬節(jié)點(diǎn)和一個(gè)聚合的同事節(jié)點(diǎn)，OSCN在這個(gè)結(jié)構(gòu)上進(jìn)行卷積操作。為了簡(jiǎn)單起見，這里我們使用

表示OSCN層的輸入特征矩陣，使用

來(lái)表示鄰接矩陣。

具體來(lái)說(shuō)，每個(gè)員工的下屬的均值可以計(jì)算為

每個(gè)員工同事的均值可以計(jì)算為

其中

和

都是所有元素為1的向量，1表示單位矩陣。

每個(gè)員工下屬的標(biāo)準(zhǔn)差可以計(jì)算為

每個(gè)員工同事的標(biāo)準(zhǔn)差可以計(jì)算為

其中

和

都是元素級(jí)操作。然后OSCN使用一個(gè)全連接層將標(biāo)準(zhǔn)差和均值聚合得到新的特征向量

然后我們應(yīng)用卷積，得到輸出為

它的每一列為對(duì)應(yīng)員工的環(huán)境特征向量。

最后，POFNN堆疊數(shù)個(gè)OSCN層，并使用前一層的輸出作為下一層的輸入。第一個(gè)輸出包含來(lái)自同事、下屬和上級(jí)的環(huán)境信息，而較深層的輸出則包含來(lái)自更廣泛范圍組織成員的信息，例如來(lái)自上級(jí)的上級(jí)、上級(jí)的同事等，我們拼接所有層的輸出作為環(huán)境特征向量，如圖所示。

OSCN連接示意圖

3 實(shí)驗(yàn)

我們?cè)趯?shí)驗(yàn)中關(guān)注人才管理的兩個(gè)關(guān)鍵問(wèn)題：離職和績(jī)效。 在離職預(yù)測(cè)中，我們預(yù)測(cè)員工將來(lái)是否會(huì)離開公司。 在績(jī)效預(yù)測(cè)中，我們預(yù)測(cè)員工的全年績(jī)效評(píng)級(jí)。我們將每個(gè)月視為一個(gè)時(shí)間間隔，并在每個(gè)月提取每個(gè)員工的特征，例如職級(jí)、與上級(jí)的通信頻率等，同時(shí)我們從員工月末的匯報(bào)關(guān)系中提取組織樹。在離職預(yù)測(cè)中，我們?cè)诿總€(gè)月篩選了接下來(lái)兩個(gè)月內(nèi)離職的員工作為正樣本，其他一些員工則作為負(fù)樣本。由于數(shù)據(jù)分布極不平衡，我們按照正負(fù)樣本比例1:2進(jìn)行采樣，并對(duì)每個(gè)員工使用十個(gè)月的觀測(cè)數(shù)據(jù)來(lái)預(yù)測(cè)未來(lái)兩個(gè)月的離職行為。在績(jī)效預(yù)測(cè)中，我們隨機(jī)選擇了一些參與了年度績(jī)效考核的員工，他們的績(jī)效可以分為三個(gè)級(jí)別：績(jī)優(yōu)，正常和績(jī)劣。我們使用每個(gè)員工對(duì)應(yīng)年份前10個(gè)月的數(shù)據(jù)來(lái)預(yù)測(cè)全年績(jī)效。具體來(lái)說(shuō)，我們制定了兩個(gè)二元分類任務(wù)，分別為績(jī)優(yōu)預(yù)測(cè)和績(jī)劣預(yù)測(cè)。

我們通過(guò)交叉熵和曲線下面積(AUC)評(píng)估模型性能。交叉熵可以評(píng)估預(yù)測(cè)與實(shí)際標(biāo)簽之間的差距，交叉熵越低，表明預(yù)測(cè)的分布更接近整體分布，表示更高的預(yù)測(cè)能力。AUC則是在不同閾值下評(píng)估分類性能，AUC值越高，表明整體預(yù)測(cè)性能越好。特別地，我們使用兩種AUC來(lái)評(píng)估模型性能，分別是ROC曲線下面積(ROC-AUC)和準(zhǔn)確-召回曲線下面積(PR-AUC)。

我們?cè)O(shè)置了如下幾種基線模型與POFNN作比較：

1.經(jīng)典分類模型。包括決策樹(DT)，邏輯回歸(LR)，隨機(jī)森林(RF)和支持向量機(jī)(SVM)。由于這些方法本身無(wú)法處理序列數(shù)據(jù)，因此我們將特征向量序列拼接起來(lái)作為輸入。

2.隱馬爾科夫模型。這是一個(gè)統(tǒng)計(jì)模型，它假設(shè)序列數(shù)據(jù)遵循具有隱藏狀態(tài)的馬爾可夫過(guò)程。

3.循環(huán)神經(jīng)網(wǎng)絡(luò)。與POFNN類似，我們用DNN處理員工每個(gè)時(shí)間的特征向量，然后用帶有注意力機(jī)制的循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行處理，不同的是在這里我們不提取組織特征，而是直接用員工的特征向量進(jìn)行預(yù)測(cè)。

離職預(yù)測(cè)表現(xiàn)評(píng)估

4.經(jīng)典圖卷積網(wǎng)絡(luò)。為了保證公平性，我們使用圖卷積網(wǎng)絡(luò)替換OSCN作為組織特征抽取結(jié)構(gòu)，并保持網(wǎng)絡(luò)其他部分不變，以證明OSCN的有效性。

我們使用基線模型和我們的模型在三個(gè)任務(wù)上進(jìn)行實(shí)驗(yàn)，分別是離職預(yù)測(cè)、績(jī)優(yōu)預(yù)測(cè)和績(jī)劣預(yù)測(cè)。在離職預(yù)測(cè)任務(wù)上，可以發(fā)現(xiàn)基于神經(jīng)網(wǎng)絡(luò)(NN)的模型優(yōu)于經(jīng)典模型，因?yàn)樗鼈兛梢詫?shí)現(xiàn)更復(fù)雜的建模，其中POFNN有最好的表現(xiàn)。另外可以看到對(duì)組織特征進(jìn)行建模的GCN和POFNN優(yōu)于僅使用員工特征的其他模型，表明人-組織匹配框架在離職預(yù)測(cè)任務(wù)上的有效性，而POFNN在此任務(wù)中優(yōu)于GCN，表明OSCN更擅長(zhǎng)從組織樹中提取環(huán)境特征。

績(jī)優(yōu)預(yù)測(cè)表現(xiàn)評(píng)估

在績(jī)效預(yù)測(cè)上，POFNN在所有指標(biāo)上均優(yōu)于其他模型，這與離職預(yù)測(cè)的結(jié)果一致，表明POFNN是一種適應(yīng)的模型，可以應(yīng)用于人才管理中的各種應(yīng)用。與POFNN不同的是GCN的表現(xiàn)幾乎與僅使用員工個(gè)人特征的RNN相同，再次表明OSCN相比GCN更適合于在組織結(jié)構(gòu)樹上的進(jìn)行環(huán)境特征的提取。

績(jī)劣預(yù)測(cè)表現(xiàn)評(píng)估

魯棒性評(píng)估

為了進(jìn)行模型魯棒性的評(píng)估，我們按照三種不同的設(shè)置對(duì)訓(xùn)練集構(gòu)成進(jìn)行了調(diào)整，分別是：1. 調(diào)整觀測(cè)的時(shí)間長(zhǎng)度 2. 調(diào)整預(yù)測(cè)的時(shí)間長(zhǎng)度 3. 調(diào)整正負(fù)樣本比例。

魯棒性評(píng)估

實(shí)驗(yàn)結(jié)果如圖所示，可以觀察到，基于神經(jīng)網(wǎng)絡(luò)的模型在所有設(shè)置下優(yōu)于經(jīng)典模型，并且POFNN表現(xiàn)最佳。同時(shí)，隨著觀察時(shí)間的延長(zhǎng)，基于神經(jīng)網(wǎng)絡(luò)的模型在離職預(yù)測(cè)上表現(xiàn)更好，而經(jīng)典模型則表現(xiàn)更差。這說(shuō)明基于神經(jīng)網(wǎng)絡(luò)的模型能夠更好地建模時(shí)序的工作數(shù)據(jù)。而在績(jī)效預(yù)測(cè)任務(wù)上，較短的觀測(cè)時(shí)間足以支持最終結(jié)果的預(yù)測(cè)，因此基本模型在這種情況下也表現(xiàn)良好。另外隨著想要預(yù)測(cè)的時(shí)間邊長(zhǎng)，所有模型的AUC表現(xiàn)都有不同程度的下降，但POFNN有著較小的下降幅度，顯示出其在長(zhǎng)期預(yù)測(cè)上的優(yōu)越性。在實(shí)際應(yīng)用場(chǎng)景中，預(yù)測(cè)長(zhǎng)期結(jié)果比預(yù)測(cè)短期結(jié)果要困難得多，例如當(dāng)員工已經(jīng)下定決定要在近期離開公司時(shí)，她的行為很可能已經(jīng)明顯反映出其離職意向，例如與同事的溝通減少等，在這種情況下，僅考慮員工特征的模型也可以做出良好的預(yù)測(cè)。但是，短期預(yù)測(cè)對(duì)人力資源部門幫助較小，當(dāng)預(yù)測(cè)出員工將要離職時(shí)可能已來(lái)不及做出補(bǔ)救措施。幸運(yùn)的是，POFNN可以發(fā)現(xiàn)可能導(dǎo)致未來(lái)很長(zhǎng)一段時(shí)間內(nèi)離職行為的人-組織匹配模式，這對(duì)人才管理具有重要價(jià)值。

人-組織匹配序列的可視化

在我們的模型中，注意力層為每個(gè)時(shí)間段計(jì)算一個(gè)表示重要程度的權(quán)值，權(quán)值越大，表明這個(gè)時(shí)間段對(duì)最終預(yù)測(cè)結(jié)果影響越大。以離職預(yù)測(cè)為例，權(quán)值較大的時(shí)間段可能發(fā)生過(guò)組織變動(dòng)，因而導(dǎo)致了員工的離職意向。為了研究人-組織匹配的動(dòng)態(tài)影響，我們隨機(jī)選擇3000個(gè)離職員工并將他們?cè)谧⒁饬又忻總€(gè)月的權(quán)值畫在一張熱力圖上。其中x軸表示員工，y軸表示時(shí)間，由于在注意力層中我們只計(jì)算歷史時(shí)間段的權(quán)值，所以最后一個(gè)觀測(cè)月被用作查詢，所以圖中展示除觀測(cè)月外的9個(gè)月的權(quán)值。可以看出，小于等于7個(gè)月的歷史觀測(cè)月權(quán)值較高，這說(shuō)明對(duì)兩個(gè)月的離職預(yù)測(cè)受七個(gè)月之內(nèi)的人-組織匹配程度影響，也說(shuō)明人-組織匹配會(huì)對(duì)離職傾向產(chǎn)生半年以上的長(zhǎng)期影響。

4 結(jié)論

本文提出一種數(shù)據(jù)驅(qū)動(dòng)的神經(jīng)網(wǎng)絡(luò)模型來(lái)動(dòng)態(tài)建模人-組織匹配及其對(duì)人才管理中離職和績(jī)效的影響，具體地，我們首先設(shè)計(jì)出一種組織結(jié)構(gòu)感知的卷積神經(jīng)網(wǎng)絡(luò)來(lái)層級(jí)地抽取組織環(huán)境特征，為了捕捉人-組織匹配的動(dòng)態(tài)特征，我們又設(shè)計(jì)了一種帶有注意力機(jī)制的卷積神經(jīng)網(wǎng)絡(luò)來(lái)建模時(shí)序的組織結(jié)構(gòu)和人才特征。最后我們進(jìn)行了一系列的實(shí)驗(yàn)，使用現(xiàn)實(shí)場(chǎng)景的人才數(shù)據(jù)來(lái)對(duì)模型進(jìn)行評(píng)估，實(shí)驗(yàn)表明我們的模型在離職預(yù)測(cè)和績(jī)效預(yù)測(cè)上的有效性。

留言 點(diǎn)贊 關(guān)注

我們一起分享AI學(xué)習(xí)與發(fā)展的干貨

如需轉(zhuǎn)載，請(qǐng)后臺(tái)留言，遵守轉(zhuǎn)載規(guī)范

總結(jié)

以上是生活随笔為你收集整理的带有下标的赋值维度不匹配_KDD 2019｜?结构感知的神经网络对人才-组织匹配的影响...的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。