买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国平安人寿保险股份有限公司

摘要：本发明实施例提供了一种员工晋升时长预测方法、装置、计算机设备及存储介质。该方法包括获取预设时间段内的历史员工数据；根据所述历史员工数据对预设的预测模型进行训练，以生成训练后的预测模型；获取待预测员工对应的基础数据；根据所述待预测员工对应的基础数据以及所述训练后的预测模型，生成员工晋升时长预测结果。实施本发明实施例，有利于提升员工晋升时长预测效率以及正确性低，同时可降低人工成本。

主权项：1.一种员工晋升时长预测方法，其特征在于，包括：获取预设时间段内的历史员工数据；根据所述历史员工数据对预设的预测模型进行训练，以生成训练后的预测模型；获取待预测员工对应的基础数据；根据所述待预测员工对应的基础数据以及所述训练后的预测模型，生成员工晋升时长预测结果。

全文数据：员工晋升时长预测方法、装置、计算机设备及存储介质技术领域[0001]本发明涉及计算机数据处理领域，尤其涉及一种员工晋升时长预测方法、装置、计算机设备及计算机可读存储介质。背景技术[0002]为了对公司整体发展进行规划，人事行政部门需要对公司组织架构进行优化。例如对公司员工的晋升时长进行人工预测，并根据预测结果进行相对应的岗位人员调整，以提高公司整体运行效率。但随着公司规模的不断扩大，公司员工数量也随之快速增长。通过人工对员工的晋升时长进行预测的方式不仅效率低下，而且预测结果带有主观性，进而影响公司人事调整的正确性。发明内容[0003]本发明实施例提供了一种员工晋升时长预测方法、装置、计算机设备及存储介质，旨在解决员工晋升时长预测效率低下、正确性低等问题。[0004]第一方面，本发明实施例提供了一种员工晋升时长预测方法，其包括：[0005]获取预设时间段内的历史员工数据；[0006]根据所述历史员工数据对预设的预测模型进行训练，以生成训练后的预测模型；[0007]获取待预测员工对应的基础数据；[0008]根据所述待预测员工对应的基础数据以及所述训练后的预测模型，生成员工晋升时长预测结果。[0009]第二方面，本发明实施例提供了一种员工晋升时长预测装置，其包括：[0010]第一获取单元，用于获取预设时间段内的历史员工数据；[0011]第一生成单元，用于根据所述历史员工数据对预设的预测模型进行训练，以生成训练后的预测模型；[0012]第二获取单元，用于获取待预测员工对应的基础数据；[0013]第二生成单元，用于根据所述待预测员工对应的基础数据以及所述训练后的预测模型，生成员工晋升时长预测结果。[0014]第三方面，本发明实施例又提供了一种计算机设备，其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现上述员工晋升时长预测方法。[0015]第四方面，本发明实施例还提供了一种计算机可读存储介质，其中所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述员工晋升时长预测方法。[0016]本发明实施例提供一种员工晋升时长预测方法、装置、计算机设备及计算机可读存储介质。该方法包括获取预设时间段内的历史员工数据;根据所述历史员工数据对预设的预测模型进行训练，以生成训练后的预测模型;获取待预测员工对应的基础数据;根据所述待预测员工对应的基础数据以及所述训练后的预测模型，生成员工晋升时长预测结果。实施本发明实施例，有利于提升员工晋升时长预测效率以及正确性低，同时可降低人工成本。附图说明[0017]为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。[0018]图1为本发明一实施例提供的一种员工晋升时长预测方法的流程示意图；[0019]图2为本发明一实施例提供的一种员工晋升时长预测方法的流程示意图；[0020]图3为本发明一实施例提供的一种员工晋升时长预测方法的子流程示意图；[0021]图4为本发明一实施例提供的一种员工晋升时长预测方法的子流程示意图；[0022]图5为本发明一实施例提供的一种员工晋升时长预测方法的子流程示意图；[0023]图6为本发明一实施例提供的一种员工晋升时长预测装置的示意性框图；[0024]图7为本发明一实施例提供的一种员工晋升时长预测装置的另一示意性框图；[0025]图8为本发明一实施例提供的一种员工晋升时长预测装置中处理单元的示意性框图；[0026]图9为本发明一实施例提供的一种员工晋升时长预测装置的处理单元的另一示意性框图；[0027]图10为本发明一实施例提供的一种员工晋升时长预测装置的第二生成单元的示意性框图；[0028]图11为本发明一实施例提供的一种计算机设备的示意性框图。具体实施方式[0029]下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。[0030]应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和或组件的存在，但并不排除一个或一个以上其它特征、整体、步骤、操作、元素、组件和或其集合的存在或添加。[0031]还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。[0032]请参照图1，其为本发明一实施例提供的一种员工晋升时长预测方法的流程示意图。所述员工晋升时长预测方法包括但不限于步骤S110-S140。[0033]S110,获取预设时间段内的历史员工数据。[0034]具体实施中，获取历史员工数据可通过企业内部员工管理系统、各类招聘网站系统、征信平台采集。预设时间段可根据实际需求进行设定，例如可设定为最近一年内。所述历史员工数据包括历史基础数据以及历史晋升时长。[0035]其中，所述历史基础数据包括但不限于岗位性质、岗位级别、年龄、项目经验、平均月绩效达标度、学历、专业、性别、地区、户□所在地、婚姻状况、工作年限等。所述历史晋升时长为该员工最近一次晋升所消耗的时间长度。例如，该员工当前的岗位级别为M7,上一个岗位级别为M6,则历史晋升时长为该员工从岗位级别M6晋升至岗位级别M7所消耗的时间长度。[0036]历史基础数据以及历史晋升时长的数量均为多个。例如，历史员工数据可包括最近一年内的A、B、C等多名员工对应的历史基础数据以及历史晋升时长。[0037]所述历史晋升时长与所述历史基础数据为一一对应关系。假设A员工的历史基础数据包括:年龄为25岁，项目经验为1年，平均月绩效达标度为120%，学历为本科;则与该A员工的历史基础数据对应的历史晋升时长为A员工的历史晋升时长，该历史晋升时长例如为10个月。同理，根据员工的唯一标识符可建立历史基础数据与历史晋升时长的对应关系，即B员工的历史基础数据对应于B员工的历史晋升时长。其中，员工的唯一标识符可以为员工的工号、身份证号等。[0038]在根据所述历史员工数据对预设的预测模型进行训练时，可根据用户需求，选择具体的历史基础数据。例如，在所获取到的历史基础数据中选择年龄、项目经验、平均月绩效达标度以及学历这四种历史基础数据用作训练预设的预测模型的历史基础数据。[0039]同时，在对同一个预设的预测模型进行训练时，所选择的历史员工数据对应的基础员工数据的类型以及数量相同。例如，假设历史员工数据可包括最近一年内的A、B、C等多名员工对应的历史基础数据以及历史晋升时长。若A员工对应的历史基础数据选择了年龄、项目经验、平均月绩效达标度以及学历;则B员工、C员工以及其他的员工对应的历史基础数据也应该选择年龄、项目经验、平均月绩效达标度以及学历。[0040]S120,根据所述历史员工数据对预设的预测模型进行训练，以生成训练后的预测模型。[0041]具体实施中，所述预设的预测模型可以为循环神经网络模型（RNNAecurrentNeuronNetwork。循环神经网络模型是一种对序列数据建模的神经网络模型。进一步地，该循环神经网络模型可以为长短时记忆神经网络模型（LSTM，LongShort-TermMemoryNeuralNetwork，长短时记忆神经网络模型是循环神经网络模型的一种特殊类型。[0042]所述历史员工数据包括历史基础数据以及历史晋升时长。假设预设的预测模型为循环神经网络模型。其中，所述根据所述历史员工数据对预设的预测模型进行训练，以生成训练后的预测模型具体为:将历史基础数据作为循环神经网络模型的输入，并将与所述历史基础数据对应的历史晋升时长作为循环神经网络模型的输出，以生成训练后的循环神经网络模型。[0043]具体请参照图2,其为本发明一实施例提供的一种员工晋升时长预测方法的流程示意图。进一步地，步骤S120中的所述根据所述历史员工数据对预设的预测模型进行训练，以生成训练后的预测模型，包括但不限于步骤S121-S122。[0044]S121，对所述历史员工数据进行预处理，以生成样本数据。[0045]其中，样本数据为经过预处理后的历史员工数据。[0046]具体请参照图3,其为本发明一实施例提供的一种员工晋升时长预测方法的子流程示意图。进一步地，步骤S121中的所述对所述历史员工数据进行预处理，以生成样本数据，包括但不限于步骤S1211-S1214。[0047]S1211，获取与所述历史员工数据中每一个历史员工数据一一对应的历史晋升时长。[0048]具体地，假设所述历史员工数据包括A、B、C等多名员工的历史基础数据以及历史晋升时长，所获取到的历史晋升时长可以为5个月、10个月、15个月等。[0049]S1212,判断所述历史晋升时长是否小于预设的时长阈值。[0050]其中，该预设的时长阈值可根据实际需求进行设定。例如，该预设的时长阈值可以设定为12个月。若所述历史晋升时长小于12个月，则确定所述历史晋升时长小于预设的时长阈值。[0051]S1213,若所述历史晋升时长小于预设的时长阈值，将所述历史晋升时长对应的历史员工数据确定为样本数据。[0052]S1214,若所述历史晋升时长不小于预设的时长阈值，删除所述历史晋升时长对应的历史员工数据。[0053]例如，该预设的时长阈值为12个月，若A员工的历史员工数据对应的历史晋升时长为6个月，则将该A员工的历史员工数据确定为样本数据;若C员工的历史员工数据对应的历史晋升时长为15个月，则删除该C员工的历史员工数据。[0054]实施本发明实施例，通过将所述历史晋升时长与预设的时长阈值进行比较，并根据比较结果，将小于预设的时长阈值的历史晋升时长对应的历史员工数据确定为样本数据；以及将不小于预设的时长阈值的历史晋升时长对应的历史员工数据删除，以去除因岗位性质不具备晋升可能性的历史员工数据，实现了对历史员工数据的去噪处理，有利于使历史员工数据更具代表性。[0055]具体请参照图4,其为本发明一实施例提供的一种员工晋升时长预测方法的子流程示意图。进一步地，步骤S1213中的所述将所述历史晋升时长对应的历史员工数据确定为样本数据之前，还包括步骤S1215。[0056]S1215,判断所述历史晋升时长的起止时间是否落入所述预设时间段内。[0057]具体地，所述预设时间段可根据实际需求进行设定，例如可设定为最近一年内。因所述历史晋升时长为该员工最近一次晋升所消耗的时间长度，故会存在部分员工的历史晋升时长产生的时间点距离获取到该历史员工数据对应的时间点之间的时间间隔过长，即造成历史基础数据与历史晋升时长的关联性降低。进而需对该部分员工对应的历史员工数据进行去噪处理，以提升样本数据的数据关联性。[0058]假设当前日期为2018年5月9日，则预设时间段表示2017年5月8日-2018年5月8日的时间段。若历史员工数据对应的历史晋升时长为6个月，则获取该历史晋升时长的起止日期;进而将该历史晋升时长的起止日期与所述预设时间段比较，若该历史晋升时长的起止日期在所述预设时间段内，则确定所述历史晋升时长落入所述预设时间段内。例如，假设该历史员工数据对应的历史晋升时长的起止日期为2017年11月1日-2018年4月1日，则确定该历史晋升时长的起止日期在所述预设时间段内，所述历史晋升时长落入所述预设时间段内。[0059]若所述历史晋升时长落入所述预设时间段内，执行将所述历史晋升时长对应的历史员工数据确定为样本数据的步骤。[0060]若所述历史晋升时长未落入所述预设时间段内，执行删除所述历史晋升时长对应的历史员工数据的步骤。[0061]S122,根据所述样本数据对预设的预测模型进行训练，以生成训练后的预测模型。[0062]具体实施中，所述样本数据包括多个经过预处理后的历史员工数据，即所述样本数据包括多个历史基础数据以及多个历史晋升时长。通过将样本数据对应的多个历史基础数据作为循环神经网络模型的输入，并将样本数据对应的多个历史晋升时长作为循环神经网络模型的输出，以训练得到训练后的循环神经网络模型，通过这种方式得到训练后的预测模型。[0063]具体地，假设预设时间段为2017年5月8日-2018年5月8日，在该预设时间段内，所获取到的历史员工数据的数量为1000组。假设其中一组的历史员工数据对应的历史基础数据具体包括：岗位性质为技术岗，岗位级别为T5,年龄为26岁，项目经验为两年，平均月绩效达标度为120%，学历为本科;且该组历史员工数据对应的历史晋升时长为5个月。通过将该组历史员工数据作为循环神经网络模型的输入，并将该组历史员工数据对应的晋升时长作为循环神经网络模型的输出，可完成初次训练，以生成第一循环神经网络模型。[0064]然后，再获取另一组的历史员工数据通过所述第一循环神经网络模型进行训练，以生成矫正权重矩阵后的第二循环神经网络模型。依此不断循环，通过将数量尽可能多的历史员工数据，对循环神经网络模型进行不断重复的训练，以不断增强循环神经网络模型的准确度。训练结束后的循环神经网络模型即为训练后的预测模型。[0065]Sl30，获取待预测员工对应的基础数据。[0066]具体地，所述待预测员工对应的基础数据包括但不限于岗位性质、岗位级别、年龄、项目经验、平均月绩效达标度、学历、专业、性别、地区、户□所在地、婚姻状况、工作年限等。其中，可根据对预设的预测模型进行训练时所选择的历史基础数据，确定需要获取的待预测员工对应的基础数据。例如，根据所述历史员工数据对预设的预测模型进行训练时，所选择的历史基础数据具体为年龄、项目经验、平均月绩效达标度以及学历这四种历史基础数据，则确定所获取的待预测员工对应的基础数据为年龄、项目经验、平均月绩效达标度以及学历这四种基础数据。[0067]其中，待预测员工对应的基础数据的统计时间点为获取待预测员工对应的基础数据对应的时间点。例如，平均月绩效达标度可以为待预测员工上一次晋升至获取待预测员工对应的基础数据对应的时间点之间的平均月绩效达标度。项目经验可以为待预测员工从事该项目至获取待预测员工对应的基础数据对应的时间点之间的时间长度。年龄为待测试员工在获取待预测员工对应的基础数据对应的时间点时的实际年龄。[0068]S140,根据所述待预测员工对应的基础数据以及所述训练后的预测模型，生成员工晋升时长预测结果。[0069]具体请参照图5,其为本发明一实施例提供的一种员工晋升时长预测方法的子流程示意图。进一步地，步骤S140中的所述根据所述待预测员工对应的基础数据以及所述训练后的预测模型，生成员工晋升时长预测结果，包括但不限于步骤S141-S143。[0070]S141，将所述待预测员工对应的基础数据输入至所述训练后的预测模型，以生成隐含层的状态序列。[0071]具体实施中，该训练后的预测模型可以为长短时记忆神经网络模型（LSTM，LongShort-TermMemoryNeuralNetwork。其中，长短时记忆神经网络模型的关键是元胞状态CellState，其可以视为横穿整个元胞顶部的水平线。元胞状态类似于传送带，它直接穿过整个链，同时只有一些较小的线性交互。元胞状态上承载的信息可以很容易地流过而不改变，长短时记忆神经网络有能力对元胞状态添加或者删除信息，上述能力通过门的结构来控制，即门可以选择性让信息通过，其中门结构是由一个Sigmoid神经网络层和一个元素级相乘操作组成。Sigmoid层输出0-1之间的值，每个值表示对应的部分信息是否应该通过。〇值表示不允许信息通过，1值表示让所有信息通过。一个长短时记忆神经网络有3个门，来保护和控制元胞状态。[0072]长短时记忆神经网络模型中至少包括三个门，分别如下：[0073]1遗忘门，其决定了上一时刻的单元状态有多少保留到当前时刻；[0074]2输入门，其决定了当前时刻网络的输入有多少保存到单元状态；[0075]3输入门，其决定了单元状态有多少输出到长短时记忆神经网络的当前输出值。[0076]进一步地，该所述长短时记忆网络模型具体可以为门限循环单元（GRU，GatedRecurrentUnit，门限循环单元是长短时记忆网络模型的一个变体。[0077]门限循环单元将输入门、遗忘门、输出门变为两个门：更新门（UpdateGate和重置门（ResetGate，同时将单元状态和输出合并为一个状态。其中隐含层有多个神经单元，每个神经单元按照所述门限循环单元的公式进行运算，该门限循环单元的公式如下所示：[0078]zt=〇Wz·[ht-i,xt][0079]rt=〇ffr·[ht-i,xt][0082]其中，Wz、Wr、W是训练得到的权值参数值，Xt是输入，ht-i是隐含状态，Zt是更新状态，rt是重置信号，是与隐含状态ht-dt应的新记忆，ht是输出，σ是sigmoid函数，tanh是双曲正切函数。通过上述公式，将所述待预测员工对应的基础数据作为该门限循环单元的公式的输入，即可得出隐含层的状态序列。[0083]S142,将所述状态序列输入至池化层进行融合运算，以生成特征向量序列。[0084]具体地，池化层将隐含层的状态序列进行融合运算，如将隐含层的状态序列中的每个值配以一个相同的权重，将隐含层的状态序列中的每个值乘以该相同的权重，即取平均值，以得到一个低维的特征向量序列。[0085]S143,将所述特征向量序列输入至Softmax层，以生成所述待预测员工对应的晋升时长预测结果。[0086]具体地，晋升时长预测结果指的是员工晋升时长的具体数值。其中，Softmax层使用了Softmax函数，用于最后的分类和归一化，将分类结果中的概率最大的作为最后的晋升时长预测结果。[0087]实施本发明实施例，通过将历史员工数据作为预设的预测模型的输入，以训练所述预设的预测模型并得出训练后的预测模型，进而将待预测员工对应的基础数据作为训练后的预测模型的输入，通过该训练后的预测模型生成员工晋升时长的预测结果。实现了员工晋升时长的自动预测，以及提升了预测的准确度，降低人工成本。[0088]本发明实施例还提供了一种员工晋升时长预测装置，该员工晋升时长预测装置用于执行前述员工晋升时长预测方法的任一实施例。[0089]请参照图6,其为本发明一实施例提供的一种员工晋升时长预测装置100的示意性框图。该员工晋升时长预测装置100包括但不限于第一获取单元110、第一生成单元120、第二获取单元130以及第二生成单元140。[0090]第一获取单元110,用于获取预设时间段内的历史员工数据。[0091]具体实施中，获取历史员工数据可通过企业内部员工管理系统、各类招聘网站系统、征信平台采集。预设时间段可根据实际需求进行设定，例如可设定为最近一年内。所述历史员工数据包括历史基础数据以及历史晋升时长。[0092]其中，所述历史基础数据包括但不限于岗位性质、岗位级别、年龄、项目经验、平均月绩效达标度、学历、专业、性别、地区、户□所在地、婚姻状况、工作年限等。所述历史晋升时长为该员工最近一次晋升所消耗的时间长度。例如，该员工当前的岗位级别为M7,上一个岗位级别为M6,则历史晋升时长为该员工从岗位级别M6晋升至岗位级别M7所消耗的时间长度。[0093]历史基础数据以及历史晋升时长的数量均为多个。例如，历史员工数据可包括最近一年内的A、B、C等多名员工对应的历史基础数据以及历史晋升时长。[0094]所述历史晋升时长与所述历史基础数据为一一对应关系。假设A员工的历史基础数据包括:年龄为25岁，项目经验为1年，平均月绩效达标度为120%，学历为本科;则与该A员工的历史基础数据对应的历史晋升时长为A员工的历史晋升时长，该历史晋升时长例如为10个月。同理，根据员工的唯一标识符可建立历史基础数据与历史晋升时长的对应关系，即B员工的历史基础数据对应于B员工的历史晋升时长。其中，员工的唯一标识符可以为员工的工号、身份证号等。[0095]在根据所述历史员工数据对预设的预测模型进行训练时，可根据用户需求，选择具体的历史基础数据。例如，在所获取到的历史基础数据中选择年龄、项目经验、平均月绩效达标度以及学历这四种历史基础数据用作训练预设的预测模型的历史基础数据。[0096]同时，在对同一个预设的预测模型进行训练时，所选择的历史员工数据对应的基础员工数据的类型以及数量相同。例如，假设历史员工数据可包括最近一年内的A、B、C等多名员工对应的历史基础数据以及历史晋升时长。若A员工对应的历史基础数据选择了年龄、项目经验、平均月绩效达标度以及学历;则B员工、C员工以及其他的员工对应的历史基础数据也应该选择年龄、项目经验、平均月绩效达标度以及学历。[0097]第一生成单元120,用于根据所述历史员工数据对预设的预测模型进行训练，以生成训练后的预测模型。[0098]具体实施中，所述预设的预测模型可以为循环神经网络模型（RNNAecurrentNeuronNetwork。循环神经网络模型是一种对序列数据建模的神经网络模型。进一步地，该循环神经网络模型可以为长短时记忆神经网络模型（LSTM，LongShort-TermMemoryNeuralNetwork，长短时记忆神经网络模型是循环神经网络模型的一种特殊类型。[0099]所述历史员工数据包括历史基础数据以及历史晋升时长。假设预设的预测模型为循环神经网络模型。其中，所述根据所述历史员工数据对预设的预测模型进行训练，以生成训练后的预测模型具体为:将历史基础数据作为循环神经网络模型的输入，并将与所述历史基础数据对应的历史晋升时长作为循环神经网络模型的输出，以生成训练后的循环神经网络模型。[0100]具体请参照图7,其为本发明一实施例提供的一种员工晋升时长预测装置100的另一示意性框图。进一步地，所述第一生成单元120包括处理单元121以及第三生成单元122。[0101]处理单元121，用于对所述历史员工数据进行预处理，以生成样本数据。[0102]其中，样本数据为经过预处理后的历史员工数据。[0103]具体请参照图8,其为本发明一实施例提供的一种员工晋升时长预测装置100中处理单元121的示意性框图。进一步地，所述处理单元121包括第三获取单元1211、第一判断单元1212以及确定单元1213。[0104]第三获取单元1211，用于获取与所述历史员工数据中每一个历史员工数据一一对应的历史晋升时长。[0105]具体地，假设所述历史员工数据包括A、B、C等多名员工的历史基础数据以及历史晋升时长，所获取到的历史晋升时长可以为5个月、10个月、15个月等。[0106]第一判断单元1212,用于判断所述历史晋升时长是否小于预设的时长阈值。[0107]其中，该预设的时长阈值可根据实际需求进行设定。例如，该预设的时长阈值可以设定为12个月。若所述历史晋升时长小于12个月，则确定所述历史晋升时长小于预设的时长阈值。[0108]确定单元1213,用于若所述历史晋升时长小于预设的时长阈值，将所述历史晋升时长对应的历史员工数据确定为样本数据。[0109]此外，所述确定单元1213还用于若所述历史晋升时长不小于预设的时长阈值，删除所述历史晋升时长对应的历史员工数据。[0110]例如，该预设的时长阈值为12个月，若A员工的历史员工数据对应的历史晋升时长为6个月，则将该A员工的历史员工数据确定为样本数据;若C员工的历史员工数据对应的历史晋升时长为15个月，则删除该C员工的历史员工数据。[0111]实施本发明实施例，通过将所述历史晋升时长与预设的时长阈值进行比较，并根据比较结果，将小于预设的时长阈值的历史晋升时长对应的历史员工数据确定为样本数据；以及将不小于预设的时长阈值的历史晋升时长对应的历史员工数据删除，以去除因岗位性质不具备晋升可能性的历史员工数据，实现了对历史员工数据的去噪处理，有利于使历史员工数据更具代表性。[0112]具体请参照图9,其为本发明一实施例提供的一种员工晋升时长预测装置100的处理单元121的另一示意性框图。进一步地，所述处理单元121还包括第二判断单元1214。[0113]第二判断单元1214,用于判断所述历史晋升时长的起止时间是否落入所述预设时间段内。[0114]具体地，所述预设时间段可根据实际需求进行设定，例如可设定为最近一年内。因所述历史晋升时长为该员工最近一次晋升所消耗的时间长度，故会存在部分员工的历史晋升时长产生的时间点距离获取到该历史员工数据对应的时间点之间的时间间隔过长，即造成历史基础数据与历史晋升时长的关联性降低。进而需对该部分员工对应的历史员工数据进行去噪处理，以提升样本数据的数据关联性。[0115]假设当前日期为2018年5月9日，则预设时间段表示2017年5月8日-2018年5月8日的时间段。若历史员工数据对应的历史晋升时长为6个月，则获取该历史晋升时长的起止日期;进而将该历史晋升时长的起止日期与所述预设时间段比较，若该历史晋升时长的起止日期在所述预设时间段内，则确定所述历史晋升时长落入所述预设时间段内。例如，假设该历史员工数据对应的历史晋升时长的起止日期为2017年11月1日-2018年4月1日，则确定该历史晋升时长的起止日期在所述预设时间段内，所述历史晋升时长落入所述预设时间段内。[0116]若所述历史晋升时长落入所述预设时间段内，所述确定单元1213用于将所述历史晋升时长对应的历史员工数据确定为样本数据。[0117]若所述历史晋升时长未落入所述预设时间段内，所述确定单元1213还用于删除所述历史晋升时长对应的历史员工数据。[0118]第三生成单元122,用于根据所述样本数据对预设的预测模型进行训练，以生成训练后的预测模型。[0119]具体实施中，所述样本数据包括多个经过预处理后的历史员工数据，即所述样本数据包括多个历史基础数据以及多个历史晋升时长。通过将样本数据对应的多个历史基础数据作为循环神经网络模型的输入，并将样本数据对应的多个历史晋升时长作为循环神经网络模型的输出，以训练得到训练后的循环神经网络模型，通过这种方式得到训练后的预测模型。[0120]具体地，假设预设时间段为2017年5月8日-2018年5月8日，在该预设时间段内，所获取到的历史员工数据的数量为1000组。假设其中一组的历史员工数据对应的历史基础数据具体包括：岗位性质为技术岗，岗位级别为T5,年龄为26岁，项目经验为两年，平均月绩效达标度为120%，学历为本科;且该组历史员工数据对应的历史晋升时长为5个月。通过将该组历史员工数据作为循环神经网络模型的输入，并将该组历史员工数据对应的晋升时长作为循环神经网络模型的输出，可完成初次训练，以生成第一循环神经网络模型。[0121]然后，再获取另一组的历史员工数据通过所述第一循环神经网络模型进行训练，以生成矫正权重矩阵后的第二循环神经网络模型。依此不断循环，通过将数量尽可能多的历史员工数据，对循环神经网络模型进行不断重复的训练，以不断增强循环神经网络模型的准确度。训练结束后的循环神经网络模型即为训练后的预测模型。[0122]第二获取单元130,用于获取待预测员工对应的基础数据。[0123]具体地，其中，所述当待预测员工对应的基础数据包括但不限于岗位性质、岗位级另IJ、年龄、项目经验、平均月绩效达标度、学历、专业、性别、地区、户口所在地、婚姻状况、工作年限等。其中，可根据对预设的预测模型进行训练时所选择的历史基础数据，确定需要获取的待预测员工对应的基础数据。例如，根据所述历史员工数据对预设的预测模型进行训练时，所选择的历史基础数据具体为年龄、项目经验、平均月绩效达标度以及学历这四种历史基础数据，则确定所获取的待预测员工对应的基础数据为年龄、项目经验、平均月绩效达标度以及学历这四种基础数据。[0124]其中，待预测员工对应的基础数据的统计时间点为获取待预测员工对应的基础数据对应的时间点。例如，平均月绩效达标度可以为待预测员工上一次晋升至获取待预测员工对应的基础数据对应的时间点之间的平均月绩效达标度。项目经验可以为待预测员工从事该项目至获取待预测员工对应的基础数据对应的时间点之间的时间长度。年龄为待测试员工在获取待预测员工对应的基础数据对应的时间点时的实际年龄。[0125]第二生成单元140,用于根据所述待预测员工对应的基础数据以及所述训练后的预测模型，生成员工晋升时长预测结果。[0126]具体请参照图10,其为本发明一实施例提供的一种员工晋升时长预测装置100的第二生成单元140的示意性框图。进一步地，所述第二生成单元140包括第四生成单元141、第五生成单元142以及第六生成单元143。[0127]第四生成单元141，用于将所述待预测员工对应的基础数据输入至所述训练后的预测模型，以生成隐含层的状态序列。[0128]具体实施中，该训练后的预测模型可以为长短时记忆神经网络模型（LSTM，LongShort-TermMemoryNeuralNetwork。其中，长短时记忆神经网络模型的关键是元胞状态CellState，其可以视为横穿整个元胞顶部的水平线。元胞状态类似于传送带，它直接穿过整个链，同时只有一些较小的线性交互。元胞状态上承载的信息可以很容易地流过而不改变，长短时记忆神经网络有能力对元胞状态添加或者删除信息，上述能力通过门的结构来控制，即门可以选择性让信息通过，其中门结构是由一个Sigmoid神经网络层和一个元素级相乘操作组成。Sigmoid层输出0-1之间的值，每个值表示对应的部分信息是否应该通过。〇值表示不允许信息通过，1值表示让所有信息通过。一个长短时记忆神经网络有3个门，来保护和控制元胞状态。[0129]长短时记忆神经网络模型中至少包括三个门，分别如下：[0130]1遗忘门，其决定了上一时刻的单元状态有多少保留到当前时刻；[0131]2输入门，其决定了当前时刻网络的输入有多少保存到单元状态；[0132]3输入门，其决定了单元状态有多少输出到长短时记忆神经网络的当前输出值。[0133]进一步地，该所述长短时记忆网络模型具体可以为门限循环单元（GRU，GatedRecurrentUnit，门限循环单元是长短时记忆网络模型的一个变体。[0134]门限循环单元将输入门、遗忘门、输出门变为两个门：更新门（UpdateGate和重置门（ResetGate，同时将单元状态和输出合并为一个状态。其中隐含层有多个神经单元，每个神经单元按照所述门限循环单元的公式进行运算，该门限循环单元的公式如下所示：[0135]zt=〇Wz·[ht-i,xt][0136]rt=〇ffr·[ht-i,xt][0139]其中，Wz、Wr、W是训练得到的权值参数值，Xt是输入，ht-i是隐含状态，Zt是更新状态，rt是重置信号，是与隐含状态ht-dt应的新记忆，ht是输出，σ是sigmoid函数，tanh是双曲正切函数。通过上述公式，将所述待预测员工对应的基础数据作为该门限循环单元的公式的输入，即可得出隐含层的状态序列。[0140]第五生成单元142,用于将所述状态序列输入至池化层进行融合运算，以生成特征向量序列。[0141]具体地，池化层将隐含层的状态序列进行融合运算，如将隐含层的状态序列中的每个值配以一个相同的权重，将隐含层的状态序列中的每个值乘以该相同的权重，即取平均值，以得到一个低维的特征向量序列。[0142]第六生成单元143,用于将所述特征向量序列输入至Softmax层，以生成所述待预测员工对应的晋升时长预测结果。[0143]具体地，晋升时长预测结果指的是员工晋升时长的具体数值。其中，Softmax层使用了Softmax函数，用于最后的分类和归一化，将分类结果中的概率最大的作为最后的晋升时长预测结果。[0144]实施本发明实施例，通过将历史员工数据作为预设的预测模型的输入，以训练所述预设的预测模型并得出训练后的预测模型，进而将待预测员工对应的基础数据作为训练后的预测模型的输入，通过该训练后的预测模型生成员工晋升时长的预测结果。实现了员工晋升时长的自动预测，以及提升了预测的准确度，降低人工成本。[0145]上述装置100可以实现为一种计算机程序的形式，计算机程序可以在如图11所示的计算机设备上运行。[0M6]请参阅图11，图11是本发明实施例提供的一种计算机设备的示意性框图。该计算机设备500设备可以是终端。该终端可以是智能手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等具有通信功能的电子设备。[0147]该计算机设备500包括通过系统总线510连接的处理器520、存储器和网络接口550,其中，存储器可以包括非易失性存储介质530和内存储器540。[0148]该非易失性存储介质530可存储操作系统531和计算机程序532。该计算机程序532被执行时，可使得处理器520执行一种员工晋升时长预测方法。[0149]该处理器520用于提供计算和控制能力，支撑整个计算机设备500的运行。[0150]该内存储器540为非易失性存储介质中的计算机程序的运行提供环境，该计算机程序被处理器520执行时，可使得处理器520执行一种员工晋升时长预测方法。[0151]该网络接口550用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，该计算机设备的示意性框图仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。[0152]其中，所述处理器520用于运行存储在存储器中的程序代码，以实现如下功能：[0153]获取预设时间段内的历史员工数据；[0154]根据所述历史员工数据对预设的预测模型进行训练，以生成训练后的预测模型；[0155]获取待预测员工对应的基础数据；[0156]根据所述待预测员工对应的基础数据以及所述训练后的预测模型，生成员工晋升时长预测结果。[0157]在一实施例中，处理器520在执行所述根据所述历史员工数据对预设的预测模型进行训练，以生成训练后的预测模型的步骤时，具体执行如下步骤：[0158]对所述历史员工数据进行预处理，以生成样本数据；[0159]根据所述样本数据对预设的预测模型进行训练，以生成训练后的预测模型。在一实施例中，处理器520在执行所述对所述历史员工数据进行预处理，以生成样本数据的步骤时，具体执行如下步骤：[0160]获取与所述历史员工数据中每一个历史员工数据一一对应的历史晋升时长；[0161]判断所述历史晋升时长是否小于预设的时长阈值；[0162]若所述历史晋升时长小于预设的时长阈值，将所述历史晋升时长对应的历史员工数据确定为样本数据。[0163]在一实施例中，处理器520在执行所述将所述历史晋升时长对应的历史员工数据确定为样本数据的步骤之前，具体执行如下步骤：[0164]判断所述历史晋升时长的起止时间是否落入所述预设时间段内；[0165]若所述历史晋升时长落入所述预设时间段内，执行将所述历史晋升时长对应的历史员工数据确定为样本数据的步骤；[0166]若所述历史晋升时长未落入所述预设时间段内，删除所述历史晋升时长对应的历史员工数据。[0167]在一实施例中，处理器520在执行所述根据所述待预测员工对应的基础数据以及所述训练后的预测模型，生成员工晋升时长预测结果的步骤时，具体执行如下步骤：[0168]将所述待预测员工对应的基础数据输入至所述训练后的预测模型，以生成隐含层的状态序列；[0169]将所述状态序列输入至池化层进行融合运算，以生成特征向量序列；[0170]将所述特征向量序列输入至Softmax层，以生成所述待预测员工对应的晋升时长预测结果。[0171]应当理解，在本发明实施例中，处理器520可以是中央处理单元（CentralProcessingUnit，CPU，该处理器520还可以是其他通用处理器、数字信号处理器DigitalSignalProcessor，DSP、专用集成电路ApplicationSpecificIntegratedCircuit，ASIC、现成可编程门阵列Field-ProgrammableGateArray，FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。[0172]本领域技术人员可以理解，该计算机设备500的示意性框图并不构成对计算机设备500的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。[0173]在本发明的另一实施例中提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，其中计算机程序包括程序指令。所述程序指令被处理器执行时实现如下步骤：[0174]获取预设时间段内的历史员工数据；[0175]根据所述历史员工数据对预设的预测模型进行训练，以生成训练后的预测模型；[0176]获取待预测员工对应的基础数据；[0177]根据所述待预测员工对应的基础数据以及所述训练后的预测模型，生成员工晋升时长预测结果。[0178]在一实施例中，所述程序指令被处理器执行以实现所述根据所述历史员工数据对预设的预测模型进行训练，以生成训练后的预测模型的步骤时，具体实现如下步骤：[0179]对所述历史员工数据进行预处理，以生成样本数据；[0180]根据所述样本数据对预设的预测模型进行训练，以生成训练后的预测模型。在一实施例中，所述程序指令被处理器执行以实现所述对所述历史员工数据进行预处理，以生成样本数据的步骤时，具体实现如下步骤：[0181]获取与所述历史员工数据中每一个历史员工数据一一对应的历史晋升时长；[0182]判断所述历史晋升时长是否小于预设的时长阈值；[0183]若所述历史晋升时长小于预设的时长阈值，将所述历史晋升时长对应的历史员工数据确定为样本数据。[0184]在一实施例中，所述程序指令被处理器执行以实现所述将所述历史晋升时长对应的历史员工数据确定为样本数据的步骤之前，具体实现如下步骤：[0185]判断所述历史晋升时长的起止时间是否落入所述预设时间段内；[0186]若所述历史晋升时长落入所述预设时间段内，执行将所述历史晋升时长对应的历史员工数据确定为样本数据的步骤；[0187]若所述历史晋升时长未落入所述预设时间段内，删除所述历史晋升时长对应的历史员工数据。[0188]在一实施例中，所述程序指令被处理器执行以实现所述根据所述待预测员工对应的基础数据以及所述训练后的预测模型，生成员工晋升时长预测结果的步骤时，具体实现如下步骤：[0189]将所述待预测员工对应的基础数据输入至所述训练后的预测模型，以生成隐含层的状态序列；[0190]将所述状态序列输入至池化层进行融合运算，以生成特征向量序列；[0191]将所述特征向量序列输入至Softmax层，以生成所述待预测员工对应的晋升时长预测结果。[0192]该计算机可读存储介质可以是U盘、移动硬盘、只读存储器（R0M，Read-0nlyMemory、磁碟或者光盘等各种可以存储程序代码的介质。[0193]本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。[0194]在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如一个以上单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。[0195]本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。[0196]另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。[0197]该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备可以是个人计算机，终端，或者网络设备等执行本发明各个实施例所述方法的全部或部分步骤。[0198]以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

权利要求：1.一种员工晋升时长预测方法，其特征在于，包括：获取预设时间段内的历史员工数据；根据所述历史员工数据对预设的预测模型进行训练，以生成训练后的预测模型；获取待预测员工对应的基础数据；根据所述待预测员工对应的基础数据以及所述训练后的预测模型，生成员工晋升时长预测结果。2.如权利要求1所述的方法，其特征在于，所述根据所述历史员工数据对预设的预测模型进行训练，以生成训练后的预测模型，包括：对所述历史员工数据进行预处理，以生成样本数据；根据所述样本数据对预设的预测模型进行训练，以生成训练后的预测模型。3.如权利要求2所述的方法，其特征在于，所述对所述历史员工数据进行预处理，以生成样本数据，包括：获取与所述历史员工数据中每一个历史员工数据一一对应的历史晋升时长；判断所述历史晋升时长是否小于预设的时长阈值；若所述历史晋升时长小于预设的时长阈值，将所述历史晋升时长对应的历史员工数据确定为样本数据。4.如权利要求3所述的方法，其特征在于，所述将所述历史晋升时长对应的历史员工数据确定为样本数据之前，还包括：判断所述历史晋升时长的起止时间是否落入所述预设时间段内；若所述历史晋升时长落入所述预设时间段内，执行将所述历史晋升时长对应的历史员工数据确定为样本数据的步骤；若所述历史晋升时长未落入所述预设时间段内，删除所述历史晋升时长对应的历史员工数据。5.如权利要求1所述的方法，其特征在于，所述根据所述待预测员工对应的基础数据以及所述训练后的预测模型，生成员工晋升时长预测结果，包括：将所述待预测员工对应的基础数据输入至所述训练后的预测模型，以生成隐含层的状态序列；将所述状态序列输入至池化层进行融合运算，以生成特征向量序列；将所述特征向量序列输入至Softmax层，以生成所述待预测员工对应的晋升时长预测结果。6.—种员工晋升时长预测装置，其特征在于，所述装置包括：第一获取单元，用于获取预设时间段内的历史员工数据；第一生成单元，用于根据所述历史员工数据对预设的预测模型进行训练，以生成训练后的预测模型；第二获取单元，用于获取待预测员工对应的基础数据；第二生成单元，用于根据所述待预测员工对应的基础数据以及所述训练后的预测模型，生成员工晋升时长预测结果。7.如权利要求6所述的装置，其特征在于，所述第一生成单元包括：处理单元，用于对所述历史员工数据进行预处理，以生成样本数据；第三生成单元，用于根据所述样本数据对预设的预测模型进行训练，以生成训练后的预测模型。8.如权利要求7所述的装置，其特征在于，所述处理单元包括：第三获取单元，用于获取与所述历史员工数据中每一个历史员工数据一一对应的历史晋升时长；第一判断单元，用于判断所述历史晋升时长是否小于预设的时长阈值；确定单元，用于若所述历史晋升时长小于预设的时长阈值，将所述历史晋升时长对应的历史员工数据确定为样本数据。9.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5中任一项的员工晋升时长预测方法。10.—种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1-5任一项所述的员工晋升时长预测方法。

百度查询： 中国平安人寿保险股份有限公司 员工晋升时长预测方法、装置、计算机设备及存储介质