一种预测员工离职的方法技术

本发明专利技术提供了一种预测员工离职的方法，通过采集训练样本的与预先设定的离职属性条目对应的用户行为数据，并基于获得的用户行为数据提取训练样本的特征向量，以及基于提取的特性向量训练用于预测待预测员工是否有离职意向的离职预测模型，解决了如何预测员工离职的技术问题，实现了根据待预测员工的用户行为数据就能对其是否有离职意向进行预测，有利于企业及早知晓员工是否有离职意向，并采取相应措施减少企业离职率，从而大大节约了企业重新招聘所花费的人力或金钱成本以及保障了企业的正常运作或工作进展。

【技术实现步骤摘要】

本专利技术涉及通信
，具体涉及一种预测员工离职的方法。
技术介绍
尽管员工离职现象在企业中司空见惯，但或多或少企业会由于预先不知道员工有离职意向而处于相对被动的境况。一方面，对于一些优秀的技术或管理人员，企业不能及早进行合理的安抚或挽留；另一方面，面对员工的突然离职，企业可能没法立马招聘到合适的员工或安排相应岗位的人员进行工作交接。所以亟需提供一种能预测员工离职的方法。
技术实现思路
本专利技术提供了一种预测员工离职的方法，以解决如何预测员工离职的技术问题。根据本专利技术的一方面，提供了一种预测员工离职的方法，包括：预先设定离职属性条目；采集训练样本的与离职属性条目对应的用户行为数据，其中，训练样本包括有离职意向员工和无离职意向员工的训练样本；基于用户行为数据，提取训练样本的特征向量；根据特征向量训练分类器，获得离职预测模型；根据离职预测模型，确定待预测员工是否有离职意向。进一步地，离职属性条目包括：历史聊天数据、工作绩效、工作任期、收入水平、最近一次升职时间间隔、上班路程、登录招聘求职网频率条目中的一种或多种组合。进一步地，采集训练样本的与历史聊天数据条目对应的用户行为数据包括：采集训练样本的手机短信历史记录和/或即时通讯历史记录，作为训练样本的与历史聊天数据条目对应的用户行为数据。进一步地，基于用户行为数据，提取训练样本的特征向量包括：采用词频逆文本算法获取与历史聊天数据条目对应的用户行为数据的特征向量；按照预先定义的标识规则，对除历史聊天数据条目外的其他离职属性条目对应的用户行为数据进行定量标识，获得其他离职属性条目对应的用户行为数据的特征向量；根据与历史聊天数据条目对应的用户行为数据的特征向量以及其他离职属性条目对应的用户行为数据的特征向量，获得训练样本的特征向量。进一步地，采用词频逆文本算法获取与历史聊天数据条目对应的用户行为数据的特征向量包括：将与历史聊天数据条目对应的用户行为数据转换成文本格式的字符串，获得历史聊天文本；对历史聊天文本进行分词、语义消歧、去除停用词操作，获得分词文本；采用词频逆文本算法获得分词文本中与预设的离职特征词匹配的分词文本的权重值，并将权重值作为与历史聊天数据条目对应的用户行为数据的特征向量。进一步地，根据离职预测模型，确定待预测员工是否有离职意向包括：采集待预测员工的与离职属性条目对应的待预测用户行为数据；基于待预测用户行为数据，提取待预测用户行为数据的特征向量；根据待预测用户行为数据的特征向量以及离职预测模型，确定待预测员工是否有离职意向。进一步地，分类器包括：支持向量机分类器、贝叶斯分类器、最大熵分类器中的任意一种。本专利技术具有以下有益效果：本专利技术提供了一种预测员工离职的方法，通过采集训练样本的与预先设定的离职属性条目对应的用户行为数据，并基于获得的用户行为数据提取训练样本的特征向量，以及基于提取的特性向量训练用于预测待预测员工是否有离职意向的离职预测模型，解决了如何预测员工离职的技术问题，实现了根据待预测员工的用户行为数据就能对其是否有离职意向进行预测，有利于企业及早知晓员工是否有离职意向，并采取相应措施减少企业离职率，从而大大节约了企业重新招聘所花费的人力或金钱成本以及保障了企业的正常运作或工作进展。除了上面所描述的目的、特征和优点之外，本专利技术还有其它的目的、特征和优点。下面将参照图，对本专利技术作进一步详细的说明。附图说明构成本申请的一部分的附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：图1是本专利技术优选实施例的预测员工离职的方法流程图；图2是本专利技术优选实施例针对第一个精简实施例预测员工离职的的方法流程图；图3是本专利技术优选实施例针对第二个精简实施例预测员工离职的的方法流程图；图4是本专利技术优选实施例针对第三个精简实施例预测员工离职的的方法流程图。具体实施方式以下结合附图对本专利技术的实施例进行详细说明，但是本专利技术可以由权利要求限定和覆盖的多种不同方式实施。参照图1，本专利技术的优选实施例提供了一种预测员工离职的方法，包括：步骤S101，预先设定离职属性条目；步骤S102，采集训练样本的与离职属性条目对应的用户行为数据，其中，训练样本包括有离职意向员工和无离职意向员工的训练样本；步骤S103，基于用户行为数据，提取训练样本的特征向量；步骤S104，根据特征向量训练分类器，获得离职预测模型；步骤S105，根据离职预测模型，确定待预测员工是否有离职意向。本专利技术提供了一种预测员工离职的方法，通过采集训练样本的与预先设定的离职属性条目对应的用户行为数据，并基于获得的用户行为数据提取训练样本的特征向量，以及基于提取的特性向量训练用于预测待预测员工是否有离职意向的离职预测模型，解决了如何预测员工离职的技术问题，实现了根据待预测员工的用户行为数据就能对其是否有离职意向进行预测，有利于企业及早知晓员工是否有离职意向，并采取相应措施减少企业离职率，从而大大节约了企业重新招聘所花费的人力或金钱成本以及保障了企业的正常运作或工作进展。现有人力资源预测员工是否有离职意向，通常是通过与员工进行面谈的结果并结合员工平常的工作表现，进行主观预测。采用这种主观预测员工是否有离职意向的准确度不高，并且主观预测的方法没有很好的推广适用性，也即预测员工是否有离职意向没有统一及客观的方法，从而导致针对每一个员工都需要由人力资源单独进行主观预测，工作量较大，效率较低。针对该问题，本实施例将预测员工是否有离职意向的问题转换为模式识别中的分类问题。具体地，本实施例首先训练出用于预测待预测员工是否有离职意向的离职预测模型，离职预测模型的输出结果分为两种，分别是有离职意向和没有离职意向，然后根据训练好的离职预测模型对待预测员工是否有离职意向进行预测。在具体的实施过程中，本实施例可以选取已经离职的员工的训练样本作为有离职意向的员工的训练样本，而选取在职的员工的训练样本作为没有离职意向的员工的训练样本。需要说明的是，为了保证训练得到的离职预测模型具有相对较高的预测精度，本实施例获取的训练样本的数量应当尽可能大，且针对有离职意向和无离职意向员工的训练样本的数量应当相当。本实施例较新颖地提出根据员工的用户行为数据建立用于预测员工是否有离职意向的离职预测模型，并采用该离职预测模型预测待预测员工是否有离职意向，相对现有采用主观预测员工是否有离职意向的方法的准确度更高，而且通过离职预测模型预测员工是否有离职意
向的预测效率高，具有较大的推广适用性。可选地，离职属性条目包括：历史聊天数据、工作绩效、工作任期、收入水平、最近一次升职时间间隔、上班路程、登录招聘求职网频率条目中的一种或多种组合。现有影响员工离职的因素较多，例如工作绩效、工作任期、收入水平、最近一次升职时间间隔、上班路程(具体还包括距离、交通时间成本、转车次数成本、费用成本等)等等因素，故本实施例从离职因素或其他用户行为数据(例如历史聊天数据或登录招聘求职网数据)出发，分别采集针对每一种离职属性条目对应的用户行为数据，并根据采集的用户行为数据进行后续分析。当然，本实施例中的离职属性条目不限于上述这些，例如还可以包括企业发展条目、行业发展条目等等。本实施例根据现有生活中影响员工离职的因素或其本文档来自技高网...

【技术保护点】
一种预测员工离职的方法，其特征在于，包括：预先设定离职属性条目；采集训练样本的与所述离职属性条目对应的用户行为数据，其中，所述训练样本包括有离职意向员工和无离职意向员工的训练样本;基于所述用户行为数据，提取所述训练样本的特征向量；根据所述特征向量训练分类器，获得离职预测模型；根据所述离职预测模型，确定待预测员工是否有离职意向。

【技术特征摘要】
1.一种预测员工离职的方法，其特征在于，包括：预先设定离职属性条目；采集训练样本的与所述离职属性条目对应的用户行为数据，其中，所述训练样本包括有离职意向员工和无离职意向员工的训练样本;基于所述用户行为数据，提取所述训练样本的特征向量；根据所述特征向量训练分类器，获得离职预测模型；根据所述离职预测模型，确定待预测员工是否有离职意向。2.根据权利要求1所述的预测员工离职的方法，其特征在于，所述离职属性条目包括： 历史聊天数据、工作绩效、工作任期、收入水平、最近一次升职时间间隔、上班路程、登录招聘求职网频率条目中的一种或多种组合。3.根据权利要求2所述的预测员工离职的方法，其特征在于，采集训练样本的与所述历史聊天数据条目对应的用户行为数据包括：采集训练样本的手机短信历史记录和/或即时通讯历史记录，作为训练样本的与所述历史聊天数据条目对应的用户行为数据。4.根据权利要求3所述的预测员工离职的方法，其特征在于，基于所述用户行为数据，提取所述训练样本的特征向量包括：采用词频逆文本算法获取与所述历史聊天数据条目对应的用户行为数据的特征向量；按照预先定义的标识规则，对除所述历史聊天数据条目外的其他离职属性条目对应的用户行为数据进行定量标识，获得其他离职属...

【专利技术属性】
技术研发人员：陈包容，
申请(专利权)人：陈包容，
类型：发明
国别省市：湖南;43