【技術實現步驟摘要】
本公開涉及，具體涉及一種臨時工靈活就業信息匹配方法。
技術介紹
1、臨時工靈活就業中，技能衰減模型的構建面臨諸多技術挑戰，由于臨時工從事相同類型工作的時間通常不長,很少有機會長期使用某項技能,因此其技能很容易因為長時間不用而逐漸衰減。首先，由于不同類型技能的衰減速度差異很大，因此如何針對性地量化臨時工能力衰減速度是一大難題。編程語言類技能的使用頻率和最新程度對衰減速度影響很大，而客戶服務類技能則與個人學習能力關系更緊密。其次，技能使用記錄的時間粒度也影響衰減曲線的精確程度，粒度過粗會導致衰減速度估計不準，粒度過細又難以獲取數據。再者，個人的學習能力差異很大，如何通過歷史數據估計該能力也是技術挑戰。此外,臨時工通常缺乏系統的在職培訓,很難及時學習新的知識和技能,這也加速了其原有技能的衰減速度。最后，技能之間可能存在關聯，某些技能的衰減可能受關聯技能的影響，需要構建技能關聯圖譜來刻畫這種影響。綜上，要構建全面精準的技能衰減模型，需要攻克技能分類量化、時間粒度選擇、個人學習能力估計、技能關聯建模等一系列技術難題，形成完整的理論和算法體系，才能真正實現靈活就業中技能匹配的時效性優化。
技術實現思路
1、為了解決上述現有技術存在的問題，本公開目的在于提供一種臨時工靈活就業信息匹配方法。
2、本公開所述的一種臨時工靈活就業信息匹配方法，包括：
3、s101，根據臨時工的歷史就業信息，構建臨時工技能畫像；
4、s102，根據臨時工技能畫像，對臨時工的技能進行分
5、s103，對于每個技能類型下的臨時工子集，通過分析其技能使用頻率和最后使用時間，構建技能衰減模型，量化不同時間段內技能的衰減速度；
6、s104，通過分析臨時工的歷史學習成績和培訓參與度，計算其學習能力系數，并將學習能力系數與技能使用頻率屬性作為衰減模型的輸入參數；
7、s105，根據技能衰減模型，預測臨時工在未來一段時間內的技能熟練度變化情況；
8、s106，在靈活就業信息匹配過程中，動態獲取臨時工的最新技能使用信息，更新技能衰減模型中的輸入參數；
9、s107，對于不同類型的技能，構建相應的衰減曲線模板；根據臨時工的技能類型，選擇對應的衰減曲線模板，并將學習能力系數作為參數進行調整，得到技能衰減預測結果；
10、s108，在技能匹配過程中結合臨時工的技能熟練度、技能衰減速度、就業意愿，得到綜合匹配度；
11、s109，定期評估技能衰減模型的預測準確性，通過收集臨時工的實際就業反饋信息，優化模型參數；根據不同技能類型的衰減規律差異，對模型進行細化調整。
12、優選地，所述的根據臨時工的歷史就業信息，構建臨時工技能畫像包括：
13、從臨時工歷史就業記錄獲取每份工作涉及的技能名稱，技能名稱由預設技能詞庫中與工作描述關鍵詞匹配得到；
14、根據歷史就業記錄計算每項技能的最后使用時間，其中最后使用時間通過遍歷包含該技能的工作經歷并選擇最晚的結束日期確定；
15、針對每項技能統計在歷史就業記錄中的累計使用月數，累計使用月數除以總工作月數得到技能使用頻率值；
16、將技能名稱、最后使用時間及使用頻率組合成結構化數據，形成臨時工個人技能信息表；
17、采用多維向量表示法構建臨時工技能畫像，多維向量包括技能名稱、最后使用時間及使用頻率維度。
18、優選地，所述的根據臨時工技能畫像，對臨時工的技能進行分類，得到不同技能類型下的臨時工子集包括：
19、獲取臨時工技能畫像中包含編程語言和客戶服務技巧在內的所有技能項，采用word2vec詞嵌入工具將技能項轉化為高維向量表示，得到技能向量集合；
20、根據技能向量集合執行降維處理，通過主成分分析工具提取關鍵特征，計算特征值和特征向量，按特征值大小排序，累加特征值貢獻率至預設閾值，保留對應的特征向量作為降維結果；
21、針對降維結果，在預設k值范圍內計算每個k值對應的聚類內平方和，繪制曲線圖，選擇曲線拐點對應的k值作為最終聚類數量；
22、采用最終聚類數量，對降維結果執行k均值聚類，隨機選擇初始中心點，計算樣本到各中心點的歐氏距離，將樣本分配至最近的中心點，重新計算各簇的中心點，重復此過程至中心點位置不再變化或達到最大迭代次數；
23、根據聚類結果為每個簇分配技能類型標簽，基于預先建立的行業標準職業分類構建技能類型向量庫，計算簇中心與各技能類型向量的余弦相似度，選取相似度最高的前三個類型作為該簇的多標簽。
24、優選地，所述的對于每個技能類型下的臨時工子集，通過分析其技能使用頻率和最后使用時間，構建技能衰減模型，量化不同時間段內技能的衰減速度包括：
25、獲取臨時工子集的技能使用記錄，根據技能使用記錄提取每項技能的使用頻率和最后使用時間；
26、采用中位數填充法處理使用頻率和最后使用時間中的缺失數據，通過3σ原則剔除使用頻率和最后使用時間中的異常值，得到標準化的技能使用數據集；
27、根據標準化的技能使用數據集，采用固定30天為一個時間窗口的劃分方法，將最后使用時間按月份分組；
28、計算每個時間窗口內技能的平均使用頻率，形成時間序列數據；
29、確定指數衰減函數的初始形式，指數衰減函數為f(t)＝ae^(-bt)，其中a表示初始頻率，b表示衰減系數，t表示時間；
30、利用最小二乘法擬合指數衰減函數，以時間為自變量，平均使用頻率為因變量；
31、設定目標函數為最小化預測值與實際值的平方差，求解衰減系數b和初始頻率a的最優值，構建技能衰減模型；
32、針對不同技能類型應用技能衰減模型，計算各時間段內的技能衰減值；
33、通過計算衰減曲線在不同時間點的斜率來量化衰減速度，繪制衰減曲線圖表示技能隨時間的變化趨勢。
34、優選地，所述的通過分析臨時工的歷史學習成績和培訓參與度，計算其學習能力系數，并將學習能力系數與技能使用頻率屬性作為衰減模型的輸入參數包括：
35、從臨時工歷史數據庫獲取學習成績和培訓參與記錄，識別異常值，并根據異常值判斷使用均值填充缺失數據，得到標準化的學習能力評估數據集；
36、根據標準化的學習能力評估數據集，采用層次分析法確定多因素加權平均的權重，針對歷史學習成績、培訓參與度、學習速度和知識保持率進行加權計算，確定每位臨時工的學習能力系數；
37、獲取臨時工的學習能力系數和技能使用頻率，通過相關性分析工具計算兩者之間的皮爾遜相關系數和斯皮爾曼等級相關系數，若相關系數大于預設閾值，則判斷學習能力因素引入衰減模型的合理性；
38、若判斷學習能力因素引入衰減模型合理，則修改原有衰減模型的數學表達式，將學習能力系數作為新的輸入變量，采用乘法方式與原模型結合，本文檔來自技高網...
【技術保護點】
1.一種臨時工靈活就業信息匹配方法，其特征在于，包括：
2.根據權利要求1所述臨時工靈活就業信息匹配方法，其特征在于，所述根據臨時工的歷史就業信息，構建臨時工技能畫像包括：
3.根據權利要求1所述臨時工靈活就業信息匹配方法，其特征在于，所述根據臨時工技能畫像，對臨時工的技能進行分類，得到不同技能類型下的臨時工子集包括：
4.根據權利要求1所述臨時工靈活就業信息匹配方法，其特征在于，所述對于每個技能類型下的臨時工子集，通過分析其技能使用頻率和最后使用時間，構建技能衰減模型，量化不同時間段內技能的衰減速度包括：
5.根據權利要求1所述臨時工靈活就業信息匹配方法，其特征在于，所述通過分析臨時工的歷史學習成績和培訓參與度，計算其學習能力系數，并將學習能力系數與技能使用頻率屬性作為衰減模型的輸入參數包括：
6.根據權利要求1所述臨時工靈活就業信息匹配方法，其特征在于，所述根據技能衰減模型，預測臨時工在未來一段時間內的技能熟練度變化情況包括：
7.根據權利要求2所述臨時工靈活就業信息匹配方法，其特征在于，所述在靈活就業信
8.根據權利要求2所述臨時工靈活就業信息匹配方法，其特征在于，所述對于不同類型的技能，構建相應的衰減曲線模板；根據臨時工的技能類型，選擇對應的衰減曲線模板，并將學習能力系數作為參數進行調整，得到技能衰減預測結果包括：
9.根據權利要求2所述臨時工靈活就業信息匹配方法，其特征在于，所述在技能匹配過程中結合臨時工的技能熟練度、技能衰減速度、就業意愿，得到綜合匹配度包括：
10.根據權利要求2所述臨時工靈活就業信息匹配方法，其特征在于，所述定期評估技能衰減模型的預測準確性，通過收集臨時工的實際就業反饋信息，優化模型參數；根據不同技能類型的衰減規律差異，對模型進行細化調整包括：
...【技術特征摘要】
1.一種臨時工靈活就業信息匹配方法，其特征在于，包括：
2.根據權利要求1所述臨時工靈活就業信息匹配方法，其特征在于，所述根據臨時工的歷史就業信息，構建臨時工技能畫像包括：
3.根據權利要求1所述臨時工靈活就業信息匹配方法，其特征在于，所述根據臨時工技能畫像，對臨時工的技能進行分類，得到不同技能類型下的臨時工子集包括：
4.根據權利要求1所述臨時工靈活就業信息匹配方法，其特征在于，所述對于每個技能類型下的臨時工子集，通過分析其技能使用頻率和最后使用時間，構建技能衰減模型，量化不同時間段內技能的衰減速度包括：
5.根據權利要求1所述臨時工靈活就業信息匹配方法，其特征在于，所述通過分析臨時工的歷史學習成績和培訓參與度，計算其學習能力系數，并將學習能力系數與技能使用頻率屬性作為衰減模型的輸入參數包括：
6.根據權利要求1所述臨時工靈活就業信息匹配方法，其特征在于，所述根據技能衰減模...
【專利技術屬性】
技術研發人員：許錦程，何偉杰，鄧福平，
申請(專利權)人：廣東明燦燦網絡科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。