具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1A是根据本申请实施例提供的一种工作预测模型的建立方法的流程图；图1B是根据本申请实施例提供的原始模型的结构示意图；本实施例适用于构建并训练能够执行工作预测任务的神经网络模型的情况。该实施例可以由电子设备中配置的工作预测模型的建立装置来执行，该装置可以采用软件和/或硬件来实现。如图1A-1B所示，该方法包括：

S101，根据样本用户简历信息，确定样本用户简历特征表示和样本用户跳槽的目标工作。

其中，样本用户简历信息可以是作为样本的用户简历中包含的文本信息，可选的，样本用户简历信息可以包括用户简历中的个人属性信息和工作经历信息。例如，个人属性信息可以包括用户的性别、年龄、自我评估等，工作经历信息可以包括用户每份工作的工作时长和工作属性信息，如工作属性信息又可以包括工作单位的规模、类型、地址，简介等。用户简历特征表示可以是对文本类的样本用户简历信息进行编码后，以数字或字母的形式表征的用户简历特征。该用户简历特征表示可以是以向量或矩阵等形式表示。样本用户跳槽的目标工作可以是根据样本用户简历的工作经历确定的，具体的，可以依次将工作经历中的后一份工作作为前一份工作对应的样本用户跳槽的目标工作。例如，假设样本用户简历中有三份工作，则第二份工作可以作为第一份工作对应的样本用户跳槽的目标工作；第三份工作可以作为第二份工作对应的样本用户跳槽的目标工作。其中，样本用户跳槽的目标工作可以包括但不限于：样本用户跳槽到该目标工作的时间、该目标工作的公司和岗位等。

可选的，在本申请实施例中，可以是按照预设编码规则，将文本类的样本用户简历信息，编码为数字或字母类的样本用户简历特征表示，并将样本用户简历的工作经历中的第二份工作至最后一份工作分别作为其前一份工作对应的样本用户跳槽的目标工作。可选的，预设编码规则可以是，对于样本用户简历信息中的数值类信息，如样本用户的年龄、工龄或样本用户就职过的各公司的注册时长等，直接作为样本简历特征表示。将用户简历信息中的文字类信息，采用分词处理技术和词向量编码技术(如word2vec技术)转为为标准的数值类向量或矩阵形式的样本用户简历特征表示。

可选的，由于收集到的样本用户简历信息中的数据通常比较杂乱，所以本申请实施例可以是预先对样本用户简历信息进行预处理，删除其中的异常数据(如异常符号)后，对剩余的样本用户简历信息，执行本步骤确定样本用户简历特征表示和样本用户跳槽的目标工作的操作，以提高确定的样本用户简历特征表示和目标工作的准确性。

S102，将样本用户简历特征表示输入原始模型中的时序神经网络，得到用户工作经历表示，将用户工作经历表示输入原始模型中的协同神经网络，得到用户工作特征表示，以及将候选工作的特征表示和用户工作特征表示输入原始模型中的预测神经网络，预测样本用户跳槽到候选工作的概率。

其中，所谓原始模型可以是已构建好，但未训练的工作预测模型。可选的，如图1B所示，本申请实施例中的原始模型1包括时序神经网络10、协同神经网络11和预测神经网络12三部分构成。其中，原始模型1的输入即为时序神经网络10的输入，时序神经网络10的输出连接协同神经网络11的输入，协同神经网络11的输出连接预测神经网络12的输入，预测神经网络12的输出即为原始模型1的输出。

可选的，在本申请实施例中，用户工作经历表示可以是从样本用户简历特征中提取出来的样本用户的每份工作对应的隐变量特征；用户工作特征表示可以是根据样每份工作对应的隐变量特征，进一步提取出的该用户的隐变量特征。其中，在海量的样本用户中，相似样本用户的用户工作特征表示也是相似的。候选工作的特征表示可以是针对每份候选工作，确定出的该候选工作的隐变量特征，其中，在海量的候选工作中，相似候选工作(如相似公司和/或相似岗位)的候选工作的特征表示也是相似的。

可选的，本申请实施例可以是将S101确定的样本用户简历特征输入到原始模型1的时序神经网络10中，时序神经网络10会对输入的样本用户简历特征表示进行分析，输出用户工作经历表示，其中，该用户经历表示中可以包括样本用户简历的工作经历中包含的每份工作对应的子工作经历表示。时序神经网络10输出的用户工作经历表示会进一步的输入协同神经网络11中，协同神经网络11会对每份工作对应的子工作经历表示进行协同感知，输出每份工作对应的用户工作特征表示，并将其进一步输入到预测神经网络12，预测神经网络12会将每份工作对应的用户工作特征表示和各个候选工作的特征表示结合起来进行分析，输出从该份工作跳槽到各候选工作的概率。

可选的，本申请实施例预测出的样本用户跳槽到候选工作的概率可以包括但不限于：样本用户跳槽到候选工作的时间、跳槽的候选公司以及跳槽的候选岗位等。

S103，根据样本用户跳槽的目标工作和预测结果，对原始模型进行训练，得到工作预测模型。

其中，所谓预测结果为S102中，原始模型中的预测神经网络针对样本用户简历中的各份工作预测出的从该份工作跳槽到各候选工作的概率。

可选的，本步骤可以是针对每一个样本用户，将该样本用户除最后一份工作外，其余每份工作预测出的从该份工作跳槽到各候选工作的概率，以及该样本用户实际从该份工作跳槽的目标工作(即该份工作的下一份工作)，作为一组训练数据。基于每个样本用户的多组训练数据，采用梯度下降的方法，不断对原始模型进行训练，不断更新优化原始模型中的时序神经网络、协同神经网络和预测神经网络的网络参数直到模型收敛，得到工作预测模型。

可选的，本申请实施例可以在对原始模型训练达到预设时长，或者预设次数后，采用测试数据对训练后的原始模型进行预测精度测试，若训练后的原始模型的精度得到预设要求，则训练后的原始模型即为工作预测模型。

可选的，本申请训练好的工作预测模型可以嵌入到工作推荐系统中，用于进行线上预测目标用户(如求职者)跳槽到各候选工作的概率值。具体的，目标用户可以将其简历上传到工作推荐系统中，工作推荐系统可以根据目标用户的简历特征，先确定目标用户简历特征表示，然后将目标用户简历特征表示输入到工作预测模型中，以得到工作预测模型预测的目标用户从其当前工作跳槽的各候选工作的概率，进而选择跳槽概率较高的一个或多个候选工作作为待推荐给用户的跳槽工作。

本申请实施例的技术方案，构建包含时序神经网络、协同感知网络和预测神经网络的原始模型，将基于样本用户简历信息确定的用户简历特征表示输入到原始模型的时序神经网络，得到用户工作经历表示输入到协同神经网，得到用户工作特征表示输入到预测神经网络，预测样本用户跳槽到候选工作的概率，再结合样本用户实际跳槽的目标工作，对原始模型进行训练，得到工作预测模型。由于本申请实施例的工作预测模型是基于大量的不同样本用户的简历信息训练的，所以该工作预测模型在后续针对某一用户进行跳槽工作线上预测时，可以协同与目标用户工作特征表示相类似的其他用户在跳槽时的选择，来确定目标用户跳槽到各候选工作的概率。在可实现基于用户的个性化需求进行工作推荐的同时，极大的提高了预测结果的准确性。

图2是根据本申请实施例提供的另一种原始模型的结构示意图。本实施例在上述实施例的基础上，对构建的原始模型的结构进行了进一步的优化，给出了原始模型的时序神经网络和协同神经网络内部结构的一种具体情况介绍。具体的，该原始模型的时序神经网络中包括多个子时序网络，原始模型中的协同神经网络中包括多个子感知网络，且时序神经网络中的子时序网络与协同神经网络中的子感知网络一一对应；子时序网络的第一输出端连接下一子时序网络；子时序网络的第二输出端连接对应的子感知网络。可选的，子时序网络为长短期记忆网络LSTM；子感知网络为多层感知机MLP。示例性的，如图2所示，该原始模型1的时序神经网络10中包括T个子时序网络101，即LSTM-1至LSTM-T。原始模型1中的协同神经网络11中包括T个子感知网络111，即MLP-1至MLP-T。且LSTM-1与MLP-1对应，LSTM-2与MLP-2对应，…LSTM-T与MLP-T对应。针对每一LSTM来说，其第一输出端A连接下一LSTM的传递输入端C；该LSTM的第二输出端B连接其对应的MLP的输入端。每个LSTM除传递输入端C外，还有一个参数输入端D，该参数输入端D用于输入各份工作对应的样本用户简历特征表示。

本申请实施例引入时序化建模的方法构建包括多个子时序网络的原始模型，可以完整地分析用户的整个工作经历链路，挖掘出用户的工作变化过程信息。同时每个子时序网络对应一个子感知网络，可以准确提取用户工作特征表示，由于相似用户的用户工作特征相似，所以本申请实施例可以利用相似用户在不同职位上的选择信息，辅助对用户的职业发展提供建议，进而取得更为精准的工作预测结果。

进一步的，本申请实施例中，原始模型的协同神经网络中包括多个子感知网络，对于每个子感知网络又包括第一子感知单元、第二子感知单元和第三子感知单元中的至少一个；第一子感知单元、第二子感知单元和第三子感知单元的输入端均与对应的子时序网络的第二输出端连接，第一子感知单元、第二子感知单元和第三子感知单元的输出端均与预测神经网络的输入端连接；其中，第一子感知单元、第二子感知单元和第三子感知单元分别用于输出用户工作特征表示中的用户时间特征表示、用户公司特征表示和用户岗位特征表示。可选的，对于每个子感知单元，其可以为一组多层感知机MLP。

示例性的，如图2所示，以子感知网络MLP-1为例，其中包括三组子感知单元，即斜线方框对应的第一子感知单元，竖线方框对应的第二子感知单元和横线方框对应的第三子感知单元。可选的，三组子感知单元可以是由三组多层感知机构成，每组多层感知机包括输入层，至少一个隐藏层和输出层。其中，各子感知单元的输入层相同，都是与子时序网络的第二输出端B连接，每个子感知单元的输出层与预测神经网络的输入端连接。其中，子感知网络MLP-1的第一子感知单元用于通过多层感知输出用户工作特征表示中的用户时间特征表示x_i1(即第i个用户的第1份工作对应的用户时间特征表示)；第二子感知单元用于通过多层感知输出用户工作特征表示中的用户公司特征表示u_i1(即第i个用户的第1份工作对应的用户公司特征表示)；第三子感知单元1113用于通过多层感知输出用户工作特征表示中的用户岗位特征表示w_i1(即第i个用户的第1份工作对应的用户岗位特征表示)。

需要说明的是，本申请实施例中，每个子感知网络可以包括上述三种子感知单元中的至少一种，对此本实施例不进行限定。不同的子感知单元输出的用户工作特征表示用于预测不同的跳槽工作类别，例如，第一子感知单元输出的用户时间特征表示，用于预测跳槽时间，第二子感知单元输出的用户公司特征表示，用于预测跳槽公司，第三子感知单元输出的用户岗位特征表示用于测跳槽岗位。本申请实施例这样设置的好处在于，可以通过感知网络提取出多维度的用户工作特征表示，进而实现从多维度更为精准的为用户预测跳槽工作。

可选的，对于每个子感知网络或每个子感知单元而言，其具体的工作原理可以是：各子感知网络或子感知单元接收到子时序网络传输的用户i的第T份工作的用户工作经历表示后，可以通过其内部的多层感知机，即至少一个隐藏层来确定该对应的用户工作特征表示。具体的，每一隐藏层可以有两个参数，即权重系数和偏执向量。对于第t个隐藏层，假设其权重系数为W_t和偏执向量为b_t,则可以按照公式g_t＝f_t(W_tg_t-1+b_t)，t∈[2,n-1]确定第t个隐藏层的感知结果g_t。其中，n为子感知网络或子感知单元的网络层数，g_t-1为第t-1个隐藏层感知的结果，f_t()为第t个隐藏层的激活函数。可选的，对于不同的隐藏层，其激活函数可以根据需求进行选择，例如，对前n-1个隐藏层采取Sigmoid激活函数，对最后一个隐藏层采取tanh激活函数。

可选的，本申请实施例中，协同神经网络中的不同子感知网络共享模型参数。其中，模型参数可以包括但不限于网络的权重系数和偏置向量。具体的，协同神经网络包括多个子感知网络，各子感知网络间同享同一个多层感知机制的权重系数和偏置向量。可选的，当每个子感知网络包括多个子感知单元时，同一类型的子感知单元共享相同的权重系数和偏置向量。这样设置的好处体现在如下两个方面，第一方面，由于协同神经网络解析得到用户工作特征表示的过程与时间是独立的，相似的用户工作特征表示代表着相似用户，即使两者不在同一时段内，但是对应的用户是相同的，所以对于不同子时序网络输出的用户工作经历表示，需要采用相同模型参数的子感知网络进行处理。另一方面，不同子感知网络共享模型参数可以大大减少协同神经网络需要学习的参数，增强了模型鲁棒性，降低过拟合的风险。

图3A是根据本申请实施例提供的另一种工作预测模型的建立方法的流程图。图3B是根据本申请实施例提供的一种原始模型的时序神经网络的工作原理示意图。本实施例在上述实施例的基础上，进行了进一步的优化，给出了根据样本用户简历信息，确定样本用户简历特征表示，以及如何将样本用户简历特征表示输入道原始模型的具体情况介绍。如图3A-3B所示，该方法包括：

S301，根据样本用户简历信息，确定样本用户属性信息和样本用户的至少一份工作的工作属性信息和该份工作的工作时长。

其中，样本用户属性信息可以是表征样本用户静态属性的相关信息，例如，可以包括但不限于样本用户的年龄、性别、工龄以及个人评估等。工作属性信息可以是样本用户工作经历中的每份工作的相关信息，例如，可以包括但不限于就职公司的规模、类型、就职岗位、公司员工每年的流出流入率以及公司介绍文本等。

可选的，本申请实施例可以是对样本用户简历信息进行分类，从中筛选出表征用户静态属性信息的年龄、性别、工龄以及个人评估等信息作为样本用户属性信息。由于样本简历信息中的工作经历中通常包括至少一份工作，本实施例可以是从样本用户简历中筛选出表征每份工作的公司规模、类型、就职岗位、公司员工每年的流出流入率以及公司介绍文本等信息作为工作属性信息，并筛选出用户每份工作的工作时长。

S302，根据样本用户属性信息，确定样本简历静态属性特征表示。

可选的，由于样本用户属性信息包括文字类和数值类两种属性信息，本步骤可以是对于数值类的样本用户属性信息，如样本用户的年龄、工龄和预期工资等，直接将其对应的数值以向量或矩阵的形式表示，作为样本简历静态属性特征表示；对于文字类的样本用户属性信息，如性别和个人评估文字内容等，先采用分词技术进行分词处理，然后再采用词向量编码技术(如word2vec技术)，将分词后的词组编码为数值后以向量或矩阵的形式表示，作为样本简历静态属性特征表示。

可选的，由于S301确定的样本用户属性信息中可能存在异常数据，如异常符号，所以本步骤可以是先对S301确定的样本用户属性信息进行清理，删除其中包含的异常数据后，再执行本步骤确定样本简历静态属性特征表示的操作。

S303，根据样本用户的至少一份工作的工作属性信息，确定样本简历动态属性特征表示。

可选的，对于样本用户的每份工作的工作属性信息来说，其与样本用户属性信息类似，都包括文字类和数值类两种属性信息，所以本步骤可以与S302类似，对于每份工作的工作属性信息中的数值类信息，如公司规模、公司员工每年的流出流入率以及公司创建年份等，直接将其对应的数值以向量或矩阵的形式表示，作为样本简历动态属性特征表示；对于文字类的工作属性信息，如公式类型、地址和公司介绍文本等，先采用分词技术进行分词处理，然后再采用词向量编码技术(如word2vec技术)，将分词后的词组编码为数值后以向量或矩阵的形式表示，作为样本简历动态属性特征表示。

可选的，同理，工作属性信息中可能也存在异常数据，如异常符号，所以本步骤可以采用上述S302类似的方法，先对S301确定的每份工作的工作属性信息进行清理，删除其中包含的异常数据后，再执行本步骤确定样本简历动态属性特征表示的操作。

S304，对样本用户的至少一份工作的工作时长进行编码，确定样本时间编码表示。

可选的，样本用户的每份工作的工作时长(如一年、两年等)属于一维离散的时间变量，为了深入利用神经网络的深度解析能力，本申请实施例需要对样本用户的每份工作的工作时长进行编码，将其转化为高维连续空间中的时间隐变量，即样本时间编码表示。需要说明的是，本步骤对工作时长编码的过程中，需要保持原有时间数值的特性，例如，工作时长3年和4年编码后的样本时间编码表示，在高维空间对应的欧式距离，相比工作时长1年和6年编码后的样本时间编码表示在高维空间对应的欧式距离要近。

可选的，本申请实施例中，可以采用预设算法或模型学习法两种可实施方式对工作时长进行编码得到样本时间编码表示。具体的：

可实施方式一、采用预设算法对工作时长进行编码，确定样本时间编码表示时，可以是通过对时间信息进行分析，按照预设公式，如下述公式(1)-(2)将一维离散的工作时长编码为高维连续样本时间编码表示。

其中，D_iT为用户i的第T份工作的工作时长；和分别表示D_iT在第2j和2j+1维的样本时间编码值，r为样本时间编码表示的维度大小。

例如，假设将一维离散工作时长编码为5维连续时间样本编码表示，则此时r为5，可以采用公式(1)计算1、3、5维对应的样本时间编码值；采用公式(2)计算2和4维对应的样本时间编码值，并将计算出的5个维度的样本时间编码值作为编码后的5维连续样本时间编码表示。采用该可实施方式确定样本时间编码表示的好处在于不需要花费更多的计算量来学习编码参数，编码过程简单便捷。

可实施方式二、采用模型学习法对工作时长进行编码，确定样本时间编码表示时，可以是将编码过程融合在整个原始模型的学习训练过程中，具体的，可以是对每个工作时长，都建立一个时间编码表示与之配对，然后在后续对原始模型进行训练的过程中，不断更新工作时长与配对的时间编码表示之间的编码参数。采用该可实施方式的好处在于，确定的样本时间编码表示更加符合现实数据分布的时间编码。

S305，将样本简历静态属性特征表示、样本简历动态属性特征表示和样本时间编码表示，作为样本用户简历特征表示。

可选的，本申请实施例将S302确定的样本简历静态属性特征表示、S303确定的样本简历动态属性特征表示以及S304确定的样本时间编码表示，一并作为样本用户简历特征表示。

S306，根据样本用户简历信息，确定样本用户跳槽的目标工作。

S307，将样本用户简历特征表示输入原始模型中的时序神经网络，得到用户工作经历表示。

可选的，本实施例可以是根据样本简历静态属性特征表示，得到初始传递参数；将初始传递参数作为原始模型中的时序神经网络的首个子时序网络的传递输入；依次将每份工作的样本简历动态属性特征表示和样本时间编码表示，以及样本简历静态属性特征表示，作为时序神经网络中的子时序网络的参数输入。具体的，如图3B所示，可以是将样本用户简历特征中的样本简历静态属性特征表示F_is进行映射处理，得到初始传递参数可选的，可以是将F_is输入到数据映射处理层，数据处理层可以将F_is进行映射处理后得到然后将作为首个子时序网络LSTM-1的传递输入。然后依次将每份工作的样本简历动态特征表示F_iT、该份工作的工作时长D_iT的样本时间编码表示d_iT，以及样本简历静态属性特征表示F_is相加后的隐变量作为一个子时序网络LSTM的参数输入。例如，可以是将第一份工作的F_i1，该份工作的工作时长D_i1的样本时间编码表示d_i1，以及样本简历静态属性特征表示F_is相加后的隐变量作为LSTM-1的参数输入；将第二份工作的将第二份工作的F_i2，该份工作的工作时长D_i2的样本时间编码表示d_i2，以及样本简历静态属性特征表示F_is相加后隐变量作为LSTM-2的参数输入，依次类推，将第T份工作的将第T份工作的F_iT，该份工作的工作时长D_iT的样本时间编码表示d_iT，以及样本简历静态属性特征表示F_is相加后的隐变量作为LSTM-T的参数输入，即输入到LSTM-T的输入端D。

可选的，对于时序神经网络中的每个子时序网络来说，其输入包括两部分，一部分是传递输入，即上一子时序网络输出的传递参数另一部分是参数输入其输出也包括两部分，一部分是当前子时序网络输出的传递参数另一部分是当前子时序网络输出的用户工作经历表示可选的，传递输入中包括的相关信息。当子时序网络为LSTM网络时，可以按照公式来确定当前子时序网络的输出和其中，用于输出至当前子时序网络对应的子感知网络，用于作为当前子时序网络的传递参数，输出至下一子时序网络。

需要说明的是，在本申请实施例中，根据样本简历静态属性特征表示，得到初始传递参数的过程，以及将每份工作的样本简历动态属性特征表示和样本时间编码表示的过程，即图3B中和d_i1-d_iT的确过程可以是有原始模型中的数据处理层来执行，只要将样本简历静态属性特征表示F_is、每份工作的样本简历动态特征表示F_iT以及该份工作的工作时长D_iT输入原始模型即可。也可以是在输入原始模型前先确定出初始传递参数和各工作时长的样本时间编码表示，直接向原始模型输入初始传递参数和样本时间编码表示，对此本实施例不进行限定。

S308，将用户工作经历表示输入原始模型中的协同神经网络，得到用户工作特征表示。

S309，将候选工作的特征表示和用户工作特征表示输入原始模型中的预测神经网络，预测样本用户跳槽到候选工作的概率。

310，根据样本用户跳槽的目标工作和预测结果，对原始模型进行训练，得到工作预测模型。

本申请实施例的技术方案，根据样本用户简历信息，确定出样本简历静态属性特征表示、样本简历动态属性特征表示和样本时间编码表示，作为样本用户简历特征表示，对样本用户简历特征的维度划分的更为精细，用该样本用户简历特征表示训练得到的工作预测模型，不但考虑到了代表用户属性的样本简历静态属性特征表示，还考虑到的代表用户工作经历的样本简历动态属性特征表示，极大的提高了训练得到的工作模型预测结果的精准性。

图4A是根据本申请实施例提供的另一种工作预测模型的建立方法的流程图。图4B是根据本申请实施例提供的一种原始模型的预测神经网络的工作原理示意图。本实施例在上述实施例的基础上，对预测样本用户跳槽到候选工作的概率的过程进行了进一步的优化，具体包括以下步骤：

S401，根据样本用户简历信息，确定样本用户简历特征表示和样本用户跳槽的目标工作。

S402，将样本用户简历特征表示输入原始模型中的时序神经网络，得到用户工作经历表示。

S403，将用户工作经历表示输入原始模型中的协同神经网络，得到用户工作特征表示。

S404，将候选工作的特征表示、跳槽时间和用户工作特征表示输入原始模型中的预测神经网络，预测样本用户跳槽到候选工作的概率。

可选的，本申请实施例在预测样本用户跳槽的候选工作概率的过程中，引入跳槽时间，该跳槽时间可以是原始模型的预测神经网络自身预测的，也可以是用户根据自身需求输入的。

可选的，本申请实施例中预测神经网络包括跳槽公司预测子网络和/或跳槽岗位预测子网络。S403得到用户工作特征表示可以包括用户公司特征表示和/或用户岗位特征表示。当用户工作特征表示中包含用户公司特征表示时，预测神经网络包括跳槽公司预测子网络，此时预测神经网络可以预测用户跳槽到各候选公司的概率；当用户工作特征表示中包含用户岗位特征表示时，预测神经网络包括跳槽岗位预测子网络，此时预测神经网络可以预测用户跳槽到各候选岗位的概率。具体的，本步骤可以包括以下两种情况中的至少一种：

情况一、将候选工作的特征表示中的候选公司的特征表示、跳槽时间和用户工作特征表示中的用户公司特征表示输入跳槽公司预测子网络，预测样本用户跳槽到候选公司的概率。

具体的，如图4B所示，该情况下原始模型1的预测神经网络12包括跳槽公司预测子网络122，此时可以先将跳槽时间D_iT+1编码为跳槽时间编码表示d_iT+1(具体的编码过程上述实施例已经介绍，在此不进行赘述)，然后输入到一层全连接网络，按照公式e_iT+1＝Wd_iT+1+b得到映射后的新向量e_iT+1，其中，W和b为该全连接网络的权重系数和偏置向量。然后将用户公司特征表示u_iT与e_iT+1相加得到最终的动态用户公司隐变量最后利用归一化指数(softmax)函数按照下述公式(3)预测样本用户跳槽到候选公司的概率。

其中，C_ij,T+1为预测出的样本用户i跳槽到候选公司j的概率，为候选公司j的特征表示的转置，为动态用户公司隐变量。

情况二、将候选工作的特征表示中的候选岗位的特征表示、跳槽时间和用户工作特征表示中的用户岗位特征表示输入跳槽岗位预测子网络，预测样本用户跳槽到候选岗位的概率。

具体的，如图4B所示，该情况下原始模型1的预测神经网络12包括跳槽岗位预测子网络123，此时可以先将跳槽时间D_iT+1编码为跳槽时间编码表示d_iT+1(具体的编码过程上述实施例已经介绍，在此不进行赘述)，然后输入到一层全连接网络，按照公式e′_iT+1＝W′d_iT+1+b′得到映射后的新向量e'_iT+1，其中，W'和b'为该全连接网络的权重系数和偏置向量。然后将用户岗位特征表示w_iT与e'_iT+1相加得到最终的动态用户岗位隐变量最后利用归一化指数(softmax)函数按照下述公式(4)预测样本用户跳槽到候选岗位的概率。

其中，p_ik,T+1为预测出的样本用户i跳槽到候选岗位k的概率，为候选岗位k的特征表示的转置，为动态用户公司隐变量。

S405，根据样本用户跳槽的目标工作和预测结果，对原始模型进行训练，得到工作预测模型。

可选的，本申请实施例中，候选工作的特征表示中的候选公司的特征表示的确定方法可以是先将各候选公司的属性信息，如公司名称、地址、电话简介等，编码为向量或矩阵表示后，输入到提取公司特征表示的多层感知网络中，以得到各候选公司的特征表示。由于岗位信息往往不会随着时间发生变化，所以本申请实施例的候选岗位的特征表示的确定方法可以是预先为各候选岗位设置一个隐变量特征作为各候选岗位的特征表示。不用公司的同一岗位的特征表示可以相同，也可以不同，对此本实施例不进行限定。

本申请实施例的技术方案，构建训练的原始模型的预测神经网络在预测样本用户跳槽到候选工作的概率时，引入了跳槽时间因素，结合候选工作的特征表示、跳槽时间和用户工作特征表示，预测样本用户跳槽到候选工作的概率。能够根据动态变化的跳槽时间给出对应的动态工作推荐结果，使得为用户推荐的工作更为精准。

可选的，若上述两种情况预测跳槽岗位和跳槽公司时所需的跳槽时间是预测神经网络自身预测得到，则预测神经网络还包括：跳槽时间预测子网络；S403得到用户工作特征表示中还需要包括用户时间特征表示。此时本步骤之前还包括，将用户工作特征表示中的用户时间特征表示输入跳槽时间预测子网络，预测得到跳槽时间。具体的，如图4B所示，该情况下原始模型1的预测神经网络12包括跳槽时间预测自网络121，此时可以对用户时间特征表示x_iT通过一层全连接神经网络进行最终的最佳跳槽时间预测，可选的，这里拼接的一层全连接神经网络等价于对x_iT进行逻辑回归。这样设置的好处在于与现有技术相比，本申请实施例训练的工作预测模型在预测跳槽公司和跳槽岗位的基础上，还可实现精准预测用户跳槽时间，预测结果更为丰富，同时该跳槽时间也为后续精准预测跳槽公司和跳槽岗位，提供了保障。

图5A是根据本申请实施例提供的一种工作推荐方法的流程图；图5B是根据本申请实施例提供的工作预测模型的结构示意图；本实施例适用于使用将上述任一实施例建立的工作预测模型部署到工作推荐系统中，以实现为目标用户推荐工作的情况。该实施例可以由工作推荐系统所在电子设备执行，该电子设备中配置有工作预测模型和工作推荐装置来执行，该装置可以采用软件和/或硬件来实现。如图5A-5B所示，该方法包括：

S501，根据目标用户简历信息，确定目标用户简历特征表示。

可选的，本申请实施例中的目标用户可以是求职者用户。本步骤可以是获取目标用户的简历信息，然后根据目标用户的简历信息，按照训练工作预测模型时，根据样本用户简历信息，确定样本用户简历特征表示类似的方法，来确定目标用户简历特征表示。可选的，具体的执行过程可以是根据目标用户简历信息，确定目标用户属性信息和目标用户的至少一份工作的工作属性信息和该份工作的工作时长；根据目标用户属性信息，确定目标简历静态属性特征表示；根据目标用户的至少一份工作的工作属性信息，确定目标简历动态属性特征表示；对目标用户的至少一份工作的工作时长进行编码，确定目标时间编码表示；将目标简历静态属性特征表示、目标简历动态属性特征表示和目标时间编码表示，作为目标用户简历特征表示。需要说明的是，该过程与上述实施例根据样本用户简历信息，确定样本用户简历特征表示和样本用户跳槽的目标工作类似，只需将上述实施例中的样本用户简历换成目标用户简历即可，具体的确定过程是一样的，在此不进行赘述。本申请实施例在对目标用户简历信息进行预特征提取的过程中，提取的目标用户简历特征的维度划分的更为精细，用该目标用户简历特征表示预测出的跳槽工作，不但考虑到了代表用户属性的目标简历静态属性特征表示，还考虑到的代表用户工作经历的目标简历动态属性特征表示，极大的提高了工作预测模型预测结果的精准性。

示例性的，假设目标用户的简历的工作经历记录有两份工作，则本步骤确定的目标用户简历特征表示包括目标简历静态属性特征表示F_is、第一份工作的目标简历动态属性特征表示F_i1、第一份工作的工作时长D_i1对应的目标时间编码表示d_i1，第二份工作的目标简历动态属性特征表示F_i2以及第二份工作的工作时长D_i2对应的目标时间编码表示d_i2。

S502，将目标用户简历特征表示输入至工作预测模型中，得到目标用户跳槽到候选工作的概率。

可选的S501确定的目标用户简历特征包括：目标简历静态属性特征表示、目标用户工作经历中每份工作的目标简历动态属性特征表示和目标时间编码表示。本步骤可以采用训练工作预测模型时，向待训练的原始模型中输入目标用户简历特征表示相类似的方法，来将目标用户简历特征输入到训练好的工作预测模型中，工作预测模型会按照训练时的算法，对输入的目标用户特征表示进行分析，确定目标用户跳槽到各候选工作的概率。

具体的，可以是根据目标简历静态属性特征表示，得到初始传递参数；将初始传递参数作为工作预测模型中的时序神经网络的首个子时序网络的传递输入；依次将每份工作的目标简历动态属性特征表示和目标时间编码表示，以及目标简历静态属性特征表示，作为时序神经网络中的子时序网络的参数输入。该过程与上述实施例介绍的将样本用户简历特征表示输入原始模型中的时序神经网络的过程类似，在此本实施例不进行赘述。各子时序网络会对传递输入和参数输入进行分析，得到两个输出，一个是用户工作经历表示，其需要传输至该子时序网络在协同神经网络中对应的子感知网络，另一个是传递参数，其作为下一个子时序网络的参数输入。协同神经网络中的各子感知网络，会对接收的用户工作经历表示进行分析，确定用户工作特征表示，可选的，该用户工作特征表示包括：用户时间特征表示、用户公司特征表示和用户岗位特征表示中的至少一种。在为目标用户预测下次跳槽的工作时，本申请实施例可以是将时序排列的最后一个子时序网络对应的子感知网络输出的用户工作特征表示作为预测神经网络的输入，以使预测网络根据输入的当前工作对应的用户工作特征表示，预测目标用户从当前工作跳槽到各候选工作的概率。可选的，预测神经网络中的跳槽时间预测子网络会根据用户时间特征表示，预测得到跳槽时间。跳槽公司预测子网络会根据候选工作的特征表示中的候选公司的特征表示、跳槽时间和用户工作特征表示中的用户公司特征表示，预测目标用户跳槽到各候选公司的概率跳槽岗位预测子网络会根据候选工作的特征表示中的候选岗位的特征表示、跳槽时间和用户工作特征表示中的用户岗位特征表示，预测目标用户跳槽到各候选岗位的概率。

示例性的，当目标用户的简历的工作经历记录有两份工作时，本步骤可以将目标用户简历特征表示中的目标简历静态属性特征表示F_is映射后的初始传递参数作为图5B中LSTM-1的传递输入，将目标用户简历特征表示中的第一份工作的目标简历动态属性特征表示F_i1、第一份工作的工作时长D_i1对应的目标时间编码表示d_i1，以及目标简历静态属性特征表示F_is作为LSTM-1的参数输入，同理，将LSTM-1输出的传递参数作为LSTM-2的传递输入，将目标用户简历特征表示中的第二份工作的目标简历动态属性特征表示F_i2、第二份工作的工作时长D_i2对应的目标时间编码表示d_i2，以及目标简历静态属性特征表示F_is作为LSTM-2的参数输入。此时LSTM-1和LSTM-2会基于输入的参数，按照上述实施例训练工作预测模型的LSTM时的算法，进行处理，分别输出第一份工作对应的用户工作经历表示和第二份工作对应的用户工作经历表示本申请实施例可以是将第二份工作对应的用户工作经历表示输入到LSTM-2对应的MLP-2中，此时为了降低功耗，LSTM-1可以不将第一份工作对应的用户工作经历表示传输至MLP-1，只将其输出的传递参数输入至LSTM-2。MLP-2会按照训练工作预测模型中MLP时的算法，进行处理，得到用户时间特征表示x_i2、用户公司特征表示u_i2和用户岗位特征表示w_i2输入至预测神经网络52，此时预测神经网络52中的跳槽时间预测子网络521会根据x_i2，预测得到下次跳槽时间Di3。跳槽公司预测子网络522会根据候选工作的特征表示中的候选公司的特征表示v_j2、D_i3和u_i2，预测目标用户i从第二份工作(即当前工作)跳槽到各候选公司j的概率。跳槽岗位预测子网络523会根据候选工作的特征表示中的候选岗位的特征表示q_k、D_i3和w_i2，预测预测目标用户i从第二份工作(即当前工作)跳槽到各候选岗位k的概率。

需要说明的是，本申请实施例在预测用户跳槽到候选工作的概率时，依据的跳槽时间可以是由预测神经网络52中的跳槽时间预测子网络521预测的，也可以是根据目标用户的实际需求输入的，对此本实施例不进行限定。

S503，根据用户跳槽候选工作的概率，为目标用户推荐工作。

可选的，本步骤在根据用户跳槽候选工作的概率，为目标用户推荐工作时，可以是从各候选工作中，选择概率较高的一个或多个，作为最终为目标用户推荐的工作。

本申请实施例的技术方案，采用上述任一实施例构建并训练得到的工作预测模型。根据目标用户简历信息确定目标用户简历特征表示，然后将该目标用户简历特征表示输入到工作预测模型中，即可得到目标用户跳槽到各候选工作的概率，进而根据跳槽到后候选工作的概率，确定出为目标用户推荐的工作。由于本申请实施例的工作预测模型是基于大量的不同样本用户的简历信息训练的，所以该工作预测模型在后续针对某一用户进行跳槽工作线上预测时，可以协同与目标用户工作特征表示相类似的其他用户在跳槽时的选择，来确定目标用户跳槽到各候选工作的概率。在可实现基于用户的个性化需求进行工作推荐的同时，极大的提高了预测结果的准确性。

图6是根据本申请实施例提供的一种工作预测模型的建立装置的结构示意图。本实施例适用于构建并训练能够执行工作预测任务的神经网络模型的情况，该装置可实现本申请任意实施例的工作预测模型的建立方法。

该装置600具体包括如下：

样本预处理模块601，用于根据样本用户简历信息，确定样本用户简历特征表示和样本用户跳槽的目标工作；

模型训练模块602，用于将样本用户简历特征表示输入原始模型中的时序神经网络，得到用户工作经历表示，将用户工作经历表示输入原始模型中的协同神经网络，得到用户工作特征表示，以及将候选工作的特征表示和用户工作特征表示输入原始模型中的预测神经网络，预测样本用户跳槽到候选工作的概率；根据样本用户跳槽的目标工作和预测结果，对原始模型进行训练，得到工作预测模型。

本申请实施例的技术方案，构建包含时序神经网络、协同感知网络和预测神经网络的原始模型，将基于样本用户简历信息确定的用户简历特征表示输入到原始模型的时序神经网络，得到用户工作经历表示输入到协同神经网，得到用户工作特征表示输入到预测神经网络，预测样本用户跳槽到候选工作的概率，再结合样本用户实际跳槽的目标工作，对原始模型进行训练，得到工作预测模型。由于本申请实施例的工作预测模型是基于大量的不同样本用户的简历信息训练的，所以该工作预测模型在后续针对某一用户进行跳槽工作线上预测时，可以协同与目标用户工作特征表示相类似的其他用户在跳槽时的选择，来确定目标用户跳槽到各候选工作的概率。在可实现基于用户的个性化需求进行工作推荐的同时，极大的提高了预测结果的准确性。

进一步的，时序神经网络中的子时序网络与协同神经网络中的子感知网络一一对应；

子时序网络的第一输出端连接下一子时序网络；

子时序网络的第二输出端连接对应的子感知网络。

进一步的，子感知网络包括第一子感知单元、第二子感知单元和第三子感知单元中的至少一个；第一子感知单元、第二子感知单元和第三子感知单元的输入端均与对应的子时序网络的第二输出端连接，第一子感知单元、第二子感知单元和第三子感知单元的输出端均与预测神经网络的输入端连接；

其中，第一子感知单元、第二子感知单元和第三子感知单元分别用于输出用户工作特征表示中的用户时间特征表示、用户公司特征表示和用户岗位特征表示。

进一步的，协同神经网络中的不同子感知网络共享模型参数。

进一步的，子时序网络为长短期记忆网络LSTM；子感知网络为多层感知机MLP。

进一步的，样本预处理模块601，包括：

信息确定单元，用于根据样本用户简历信息，确定样本用户属性信息和样本用户的至少一份工作的工作属性信息和该份工作的工作时长；

静态特征确定单元，用于根据样本用户属性信息，确定样本简历静态属性特征表示；

动态特征确定单元，用于根据样本用户的至少一份工作的工作属性信息，确定样本简历动态属性特征表示；

时间编码单元，用于对样本用户的至少一份工作的工作时长进行编码，确定样本时间编码表示；

特征整合单元，用于将样本简历静态属性特征表示、样本简历动态属性特征表示和样本时间编码表示，作为样本用户简历特征表示。

进一步的，模型训练模块602包括用于将样本用户简历特征表示输入原始模型中的时序神经网络的第一数据输入单元；第一数据输入单元具体用于：

根据样本简历静态属性特征表示，得到初始传递参数；

将初始传递参数作为原始模型中的时序神经网络的首个子时序网络的传递输入；

依次将每份工作的样本简历动态属性特征表示和样本时间编码表示，以及样本简历静态属性特征表示，作为时序神经网络中的子时序网络的参数输入。

进一步的，模型训练模块602包括用于将候选工作的特征表示和用户工作特征表示输入原始模型中的预测神经网络，预测样本用户跳槽到候选工作的概率，的第二数据输入单元；第二数据输入单元具体用于：将候选工作的特征表示、跳槽时间和用户工作特征表示输入原始模型中的预测神经网络，预测样本用户跳槽到候选工作的概率。

进一步的，预测神经网络包括跳槽公司预测子网络和/或跳槽岗位预测子网络；

相应的，第二数据输入单元具体用于：

将候选工作的特征表示中的候选公司的特征表示、跳槽时间和用户工作特征表示中的用户公司特征表示输入跳槽公司预测子网络，预测样本用户跳槽到候选公司的概率；和/或，

将候选工作的特征表示中的候选岗位的特征表示、跳槽时间和用户工作特征表示中的用户岗位特征表示输入跳槽岗位预测子网络，预测样本用户跳槽到候选岗位的概率。

进一步的，预测神经网络还包括：跳槽时间预测子网络；相应的，模型训练模块602还包括：

第三数据输入单元，用于将用户工作特征表示中的用户时间特征表示输入跳槽时间预测子网络，预测得到跳槽时间。

图7是根据本申请实施例提供的一种工作推荐装置的结构示意图。本实施例适用于使用将上述任一实施例建立的工作预测模型部署到工作推荐系统中，以实现为目标用户推荐工作的情况。该装置可实现本申请任意实施例的工作推荐方法。该装置700具体包括如下：

用户简历处理模块701，用于根据目标用户简历信息，确定目标用户简历特征表示；

工作预测模块702，用于将目标用户简历特征表示输入至工作预测模型中，得到目标用户跳槽到候选工作的概率；

工作推荐模块703，用于根据用户跳槽候选工作的概率，为目标用户推荐工作。

本申请实施例的技术方案，采用上述任一实施例构建并训练得到的工作预测模型。根据目标用户简历信息确定目标用户简历特征表示，然后将该目标用户简历特征表示输入到工作预测模型中，即可得到目标用户跳槽到各候选工作的概率，进而根据跳槽到后候选工作的概率，确定出为目标用户推荐的工作。由于本申请实施例的工作预测模型是基于大量的不同样本用户的简历信息训练的，所以该工作预测模型在后续针对某一用户进行跳槽工作线上预测时，可以协同与目标用户工作特征表示相类似的其他用户在跳槽时的选择，来确定目标用户跳槽到各候选工作的概率。在可实现基于用户的个性化需求进行工作推荐的同时，极大的提高了预测结果的准确性。

进一步的，用户简历处理模块701具体用于:

根据目标用户简历信息，确定目标用户属性信息和目标用户的至少一份工作的工作属性信息和该份工作的工作时长；

根据目标用户属性信息，确定目标简历静态属性特征表示；

根据目标用户的至少一份工作的工作属性信息，确定目标简历动态属性特征表示；

对目标用户的至少一份工作的工作时长进行编码，确定目标时间编码表示；

将目标简历静态属性特征表示、目标简历动态属性特征表示和目标时间编码表示，作为目标用户简历特征表示。

进一步的，工作预测模块702具体用于：

根据目标简历静态属性特征表示，得到初始传递参数；

将初始传递参数作为工作预测模型中的时序神经网络的首个子时序网络的传递输入；

依次将每份工作的目标简历动态属性特征表示和目标时间编码表示，以及目标简历静态属性特征表示，作为时序神经网络中的子时序网络的参数输入。

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

如图8所示，是根据本申请实施例的工作预测模型的建立方法或工作推荐方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图8所示，该电子设备包括：一个或多个处理器801、存储器802，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图8中以一个处理器801为例。

存储器802即为本申请所提供的非瞬时计算机可读存储介质。其中，存储器存储有可由至少一个处理器执行的指令，以使至少一个处理器执行本申请所提供的工作预测模型的建立方法或工作推荐方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的工作预测模型的建立方法或工作推荐方法。

存储器802作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的工作预测模型的建立方法或工作推荐方法对应的程序指令/模块(例如，附图6所示的样本预处理模块601和模型训练模块602，或附图7所示的用户简历处理模块701、工作预测模块702和工作推荐模块703)。处理器801通过运行存储在存储器802中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的工作预测模型的建立方法或工作推荐方法。

存储器802可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据工作预测模型的建立方法或工作推荐方法的电子设备的使用所创建的数据等。此外，存储器802可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器802可选包括相对于处理器801远程设置的存储器，这些远程存储器可以通过网络连接至工作预测模型的建立方法或工作推荐方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

工作预测模型的建立方法或工作推荐方法的电子设备还可以包括：输入装置803和输出装置804。处理器801、存储器802、输入装置803和输出装置804可以通过总线或者其他方式连接，图8中以通过总线连接为例。

输入装置803可接收输入的数字或字符信息，以及产生与工作预测模型的建立方法或工作推荐方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置804可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

根据本申请实施例的技术方案，构建包含时序神经网络、协同感知网络和预测神经网络的原始模型，将基于样本用户简历信息确定的用户简历特征表示输入到原始模型的时序神经网络，得到用户工作经历表示输入到协同神经网，得到用户工作特征表示输入到预测神经网络，预测样本用户跳槽到候选工作的概率，再结合样本用户实际跳槽的目标工作，对原始模型进行训练，得到工作预测模型。由于本申请实施例的工作预测模型是基于大量的不同样本用户的简历信息训练的，所以该工作预测模型在后续针对某一用户进行跳槽工作线上预测时，可以协同与目标用户工作特征表示相类似的其他用户在跳槽时的选择，来确定目标用户跳槽到各候选工作的概率。在可实现基于用户的个性化需求进行工作推荐的同时，极大的提高了预测结果的准确性。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。