arXiv cs.AI· Jung Ho Choi, Mario Milone·· 1 天前AI 评分31
用就业存续衡量员工-企业匹配质量：双塔神经网络嵌入与匹配质量指标
Human Capital in Context: What Employment Survival Reveals About Worker-Firm Match
AI 导读
研究者提出一种员工-企业匹配质量指标，用双塔神经网络将员工职业经历与企业特征、业务描述嵌入同一空间，以两向量余弦相似度作为匹配质量。该指标在覆盖 1.01 亿员工、840 万企业的超十亿人-期数据上估计，匹配质量提高 0.1 可使离职几率降低 48%，约四分之一的匹配质量方差为员工-企业配对特有。匹配更好的员工收入更高，员工匹配得分更高的企业在随后五年增长更快、利润更高、专利更多且更有价值。
正文 · AI 翻译
摘要：一般而言不存在最好的员工，只存在对特定企业而言最好的员工。我们构建了一种员工—企业匹配质量的度量，将契合度视为配对双方的属性，并从雇佣关系的存续中学习得到。一个双塔神经网络将员工（依据其职业经历和当前职位）与企业（依据其特征和业务描述）嵌入到同一空间中，匹配质量即为两个向量的余弦相似度。该度量的函数形式取自企业专用人力资本的技能权重模型，其唯一估计目标——离职风险——则取自将工作匹配视为体验品的视角。在覆盖 1.01 亿名员工和 840 万家企业的超过十亿人-期数据上估计，匹配质量每提高 0.1，离职几率降低 48%。匹配质量的方差中约有四分之一是员工—企业配对所特有的，而员工层面、企业层面和职业层面的度量按构造将其设为零。匹配更好时员工收入更高，尤其是在关系早期；而员工队伍得分更高的企业，在随后五年中比同行业企业增长更快、盈利能力更强，并获得更多、更有价值的专利。由于该度量可以对从未形成的配对进行评分，它还能预测跳槽者的去向；当被收购方的员工比其更适合收购方时，收购方会将更大比例的收购价格记为商誉。
| 学科： | 机器学习（cs.LG）；人工智能（cs.AI）；一般经济学（econ.GN） |
| 引用为： | arXiv:2611.16058 [cs.LG] |
| （或 arXiv:2611.16058v1 [cs.LG] 为本版本） | |
| https://doi.org/10.48550/arXiv.2611.16058 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Jungho Choi [查看邮箱]
[v1]
2026 年 11 月 11 日星期三 22:13:36 UTC（64 KB）
来源：arXiv cs.AI · arxiv.org