[发明专利]员工离职预测方法以及装置

权利要求书

1.一种员工离职预测方法，包括：

基于与员工样本相对应的样本离职指标数据、有效挽留因素和离职倾向性生成训练样本；

使用深度学习方法并基于所述训练样本对预设的深度学习模型进行训练，获得离职预测模型；

将所述预设的深度学习模型更新为所述离职预测模型，通过将被预测员工的预测离职指标数据输入所述离职预测模型，获得所述被预测员工的离职倾向性值和挽留因素强度；

根据所述离职倾向性值和所述挽留因素强度确定所述被预测员工的离职倾向性和离职因素。

2.如权利要求1所述的方法，所述基于所述训练样本对预设的深度学习模型进行训练包括：

将所述样本离职指标数据作为特征数据，将与所述样本离职指标数据相对应的所述有效挽留因素、所述离职倾向性作为初始预测结果；

基于所述特征数据和所述初始预测结果对所述预设的深度学习模型进行训练。

3.如权利要求2所述的方法，其中，

所述预设的深度学习模型包括：三层神经元模型；所述三层神经元模型包括：输入层神经元模型、中间层神经元模型和输出层神经元模型；每层神经元模型的输出作为下一层神经元模型的输入；

其中，所述输入层神经元模型的神经元与所述样本离职指标数据相对应，所述输出层神经元模型的神经元与所述挽留因素、所述离职倾向性相对应。

4.如权利要求3所述的方法，其中，

所述三层神经元模型为具有全连接结构的多个神经网络层的子网络结构；其中，所述中间层神经元模型为全连接层。

5.如权利要求1所述的方法，所述员工样本包括：已离职员工和在职员工，所述基于与员工样本相对应的样本离职指标数据、有效挽留因素、离职倾向性生成训练样本包括：

采集与所述已离职员工和所述在职员工相对应的所述样本离职指标数据、所述有效挽留因素和所述离职倾向性；其中，所述已离职员工数量与所述在职员工数量的比例为预设值；

对所述样本离职指标数据、所述有效挽留因素和所述离职倾向性进行预处理，生成所述训练样本。

6.如权利要求5所述的方法，所述对所述样本离职指标数据进行预处理包括：

对所述样本离职指标数据进行数据处理；其中，所述数据处理包括：对离散性的指标数据进行二值化处理、将连续性的指标数据归一化到[0,1]区间；

基于进行所述数据处理后的所述样本离职指标数据构造样本指标特征向量，将所述样本指标特征向量作为所述预设的深度学习模型的输入量。

7.如权利要求6所述的方法，所述对所述有效挽留因素、所述离职倾向性进行预处理包括：

分别将与所述已离职员工和所述在职员工对应的所述离职倾向性设置为1和0；

将与所述已离职员工对应的有效挽留因素设置为1。

8.如权利要求7所述的方法，其中，

所述样本离职指标数据和所述预测离职指标数据包括：工作认知指标数据、价值观指标数据和机遇指标数据；

其中，工作认知指标包括：部门、用工性质、职级、薪酬、工作压力、沟通信息收发量、报酬预期、绩效；价值观指标包括：个人信息、职级；所述机遇指标包括：就业机会。

9.如权利要求8所述的方法，其中，

所述样本指标特征向量包括：分别与所述工作认知指标、所述价值观指标和所述机遇指标数据对应的三个样本指标特征向量。

10.如权利要求8所述的方法，其中，

基于进行所述数据处理后的所述预测离职指标数据构造预测指标特征向量，将所述预测指标特征向量作为所述离职预测模型的输入量，用于获得所述被预测员工的离职倾向性值和挽留因素强度；

其中，所述预测指标特征向量包括：分别与所述工作认知指标、所述价值观指标和所述机遇指标数据对应的三个预测指标特征向量。