人才指具有一定的专业知识或专门技能，进行创造性劳动并对社会作出贡 献的人。在人才强国战略之下，高效的人才管理有助于充分发挥人才这一重要资 源的作用。为实现精准化人才管理，需以技能为核心评估人才特点，制定相应的 选择、使用、培养、保留策略。相比于一般的人力资源分析任务，人才评估有更 高的动态、细粒度、个性化要求。尽管近年来出现了一些基于树分类、聚类等经 典数据挖掘方法的人力资源分析算法研究，但其灵活性和表达性差，难以针对人 才的差异化特点进行有效建模。神经网络的表达能力和适应性为人才评估提供 了更丰富的可能性，但其缺乏可解释性，因此难以在人才评估场景中得以广泛 应用。尽管近些年学界出现了针对解释神经网络的研究，针对神经网络输入、转 换、输出等不同环节的关键信息进行符号化，为使用者的理解提供直观依据，但 现有研究大多为事后解释算法，无法准确反映神经网络真实的建模过程。为满足 人才评估等现实专家决策场景中对解释性的更高要求，更好地支持人才管理决 策，一个迫切的需求是提升神经网络模型本身的可解释性。 本文面向选、留、育、用四个环节的人才评估任务，从输入贡献、概念变换、 决策目标、关系影响四个层面开展可解释的神经网络算法研究，提出有效的神经 网络算法，在保证模型准确性的同时满足不同任务的解释需求，实现对判断依据 进行不同层面的直观符号化建模以支持用户理解，并相应给出全流程的人才评 估解决方案。具体而言，首先，针对人才选择环节，从特征全局贡献的角度，提 出一种可解释的支配式特征价值网络，用于技能价值评估；然后，针对人才吸引 环节，从特征局部贡献的角度，提出一种可解释的增量式特征贡献网络，用于人 才薪酬评估；第三，针对人才管理等现实场景中异构变量信息提取问题，从概念 变换的角度，提出一种可解释的投票机制概念推断网络；第四，针对人才培养环 节，从决策目标的角度，提出一种可解释的多目标双重 Q 网络，用于技能学习 评估；第五，针对人才使用环节，从关系影响的角度，提出一种可解释的树结构 关系注意力网络，用于人才的组织匹配性评估。取得的主要成果如下：

1. 提出可解释支配式特征价值网络及技能价值评估算法。针对人才选择环 节，提出一种技能价值评估解决方案，可对复杂工作场景下技能与薪酬的关系进行建模，细粒度量化市场上不同工作技能对薪酬的全局贡献，助力识别掌握关键 技能的人才。在这个问题上，技能价值可视为一种对输入特征对整体任务输出所 产生贡献的全局解释。为此，针对一般性预测问题，提出一种边信息影响下的特 征元素集合效用建模方法。在此基础上，从特征全局贡献的角度，提出一种可解 释的支配式特征价值神经网络，其基于动态深度-宽度网络拟合各特征在边信息 影响下的全局独立贡献（特征价值），基于图神经网络和注意力机制拟合特征在 组合中的支配性，以一种可解释、高表达性的线性方式将特征价值组合为预测目 标。该模型可在进行准确结果预测的同时，以特征价值这一中间变量直观解释输 入对输出的全局贡献。大规模真实薪酬数据上的实验结果表明，所提模型可以为 各种工作场景下的不同技能进行有意义的价值评估，并且在薪酬预测任务上取 得了显著优于最先进模型的效果，证明所提模型在可解释性和表达能力上相比 于现有模型的优势。
2. 提出可解释增量式特征贡献网络及工作薪酬评估算法。针对人才吸引环 节，提出一种人才薪酬预测解决方案，可准确预测复杂工作场景下不同人才技 能集所对应薪酬，并明确其中各技能的贡献。在这个问题上，各技能对一个人才 产生的薪酬贡献可视为对输入特征在样本邻域上对输出所产生贡献的局部解释。 为此，从特征局部贡献的角度，提出一种可解释的增量式特征贡献神经网络，其 沿用边信息影响下的特征元素集合效用建模问题，将集合效用灵活表达为特征 边际贡献之和。特别的是，区别于以归纳偏置实现排列不变性的现有集合建模方 法，提出一种顺序敏感的增量式集合效用网络，其对顺序敏感的边际贡献进行建 模，并利用排列不变性实现数据增强，可有效提升模型的泛化性和鲁棒性。该模 型可在进行准确结果预测的同时，以特征边际贡献这一中间变量直观解释输入 对输出的局部贡献。大规模真实薪酬数据上的实验结果表明，所提模型在技能集 薪酬预测任务上进一步取得了超过 30% 的效果提升，同时可有效评估技能贡献， 并发现技能对彼此贡献的影响。
3. 提出可解释投票机制概念推断网络。针对人才评估中的多源异构变量信 息提取问题，从概念变换的角度，提出一种可解释的投票机制概念推断神经网 络。区别于现有神经网络模型将中间信息嵌入大规模隐藏单元的做法，该模型对 少量隐藏概念进行明确的符号化表达，并通过单变量非线性投票变换对概念间 的层级变换进行建模。从而在实现直观概念转换的同时保证模型表达能力。通过理论分析，本研究证明所提模型在可解释性上相比现有神经网络的优越性，并阐 述模型不同单元的作用，相应设计简单高效的可视化解释、判断过程分析、网络 剪枝等辅助算法。在多个大规模公开数据集上的实验结果表明，所提模型相比现 有神经网络方法具备可解释性和准确性的明显优势。其分类准确性显著优于最 先进模型，且建模过程完全透明，用户可直观理解其中间概念变换，发现有意义 的隐藏模式。
4. 提出可解释多目标双重 Q 网络及技能学习评估算法。针对人才培养环节， 提出一种技能学习规划解决方案，通过对人才的技能学习过程进行多角度效用 建模，实现个性化的学习路径推荐。由于该任务是一类决策任务，侧重于对决策 所产生结果的解释，因此从决策目标的角度，将技能学习形式化为一种多目标的 集合扩展决策问题，搭建起高效、可解释的奖励反馈模拟环境，并提出一种针对 确定状态动态的多目标双重 Q 神经网络，通过评估动作在不同目标上的长短期 效用及关联，可在学习行动策略的同时提供多角度的决策依据解释。特别地，针 对问题中的巨大离散动作空间，提出一种基于候选池的训练策略，从而提升多目 标效用模型的训练效率。在真实人才数据集上的实验结果表明，所提模型相比现 有技能推荐方法在收益、成本、持续性上具备明显优势，且可解释技能长短期学 习收益、难度等多角度决策依据。
5. 提出可解释树结构关系注意力网络及组织匹配性评估算法。针对人才使 用环节，提出一种人才-组织匹配解决方案，通过对人才组织环境进行可解释的 建模，分析人才与组织的匹配性及其对人才发展的影响，并解释组织关系对匹配 性的作用。在这个问题上，为实现对组织结构这类树形层级结构的可解释建模， 从关系影响的角度，提出一种可解释的树结构关系注意力网络，可识别树结构上 不同粒度的相对关系影响，进行可解释的关系内及关系间影响聚合。特别地，为 提升树结构关系影响的建模效率，提出基于稀疏运算的高效算法，以线性时间复 杂度进行关系识别及聚合。在大规模人才管理数据上的实验结果表明，所提模型 在多种人才工作结果预测任务上的表现均显著优于最先进模型，同时可解释影 响人才组织匹配性的关键因素，提供人才管理洞察。