融合预训练语义表征与主题网络画像的可解释离职预测

摘要

针对企业离职文本来源异质、噪声高和语义漂移导致预警效果不稳定的问题，研究构建一种兼顾预测性与可解释性的离职风险识别框架。方法是将结构化人事指标与离职相关中文文本联合建模，利用预训练语言模型(如BERT)获得句向量，并与TF-IDF和LDA主题分布拼接训练分类模型，同时基于共词与主题共现关系构建网络，提取“主题-因素-人群”画像。实验结果表明，引入预训练语义表征后，模型整体表现和稳健性均优于仅使用结构化特征或传统文本特征的基线模型，对少数类离职样本的识别更加敏感。结论认为，深度语义表征与可解释主题结构的结合能够有效揭示薪酬待遇、岗位画像和管理体验等因素的耦合关系，为离职预警和岗位优化提供量化依据。

关键词

人力资源 / 离职预测 / 预训练语言模型 / 语义表征 / LDA主题模型 / 主题网络画像 / 可解释性