人才计算是将计算相关的各种技术与人才领域的各种应用问题,如人才的选聘、评估、匹配、预测等所涉及领域知识相结合的一类新兴方法体系。人才计算研究对企业、社会经济乃至国家战略人才部署都具有重要的价值。随着人才管理的数字化发展,为面向人才计算的研究带来了新的机遇和挑战,相关研究成为了当前研究的热点问题。研究表明,表现预测、能力感知匹配、人格特质识别和离职预测对提高人岗匹配程度和缓解人才流失起着至关重要的作用。因此,本文基于深度学习技术,研究了面向人才计算的表现预测、能力感知匹配、人格特质识别和离职预测系列关键问题,以准确识别人才和风险离职者,旨在为降低企业成本和提升企业效率提供支持。主要工作和贡献总结如下:（1）提出了一种基于两阶段的表现预测方法。表现预测帮助管理者识别合适的候选人,有助于提升企业竞争力,但面临着员工表现因素复杂、预测效果不好的挑战。针对这些挑战,提出了两阶段表现预测模型。表现预测问题属于二分类问题。首先使用混合模型捕获员工表现特征的复杂依赖关系。各种表现因素对最终决策的贡献不同,采用了注意力机制。然后在分类层做出最终的表现预测判断。最后,通过员工表现数据对模型的输出进行评估,实验结果表明,提出的方法显著提升了表现预测的效果。（2）提出了一种面向不均衡数据的表现预测模型。员工表现问题可分解为与决策要素相关的层次结构,胶囊网络恰好模拟了表现预测任务的层次分类思想,这些特点使得表现预测适合用胶囊网络解决表现预测任务。对于表现预测建模,第一层用门控循环单元表征员工表现特征。第二层将低层胶囊的低层特征聚类为高级胶囊表示。最后一层预测员工表现类别。表现预测任务还存在类别不均衡问题,在表现预测层设计了相应的目标函数。实验结果表明,与其他基准模型相比,提出的模型实现了较好的分类性能。（3）提出了一种基于能力感知的人岗精准匹配深度模型。人岗匹配是判断候选人的技能能力是否与企业的岗位目标相匹配,帮助管理者选拔合适的候选人,有助于提升企业竞争力,降低人力成本。但是,现有方法未充分考虑企业发布的职位要求和求职者投递简历文本的语义特征,并且不能有效区分关键的技能能力。基于此,首先,设计了词级别的职位简历文本表征方法学习职位要求和简历经验的语义特征。其次,使用基于注意力机制的能力感知识别衡量职位要求中企业侧重能力的不同重要程度,以及求职者在完成任务时能力的不同贡献度。再次,为了度量职位与简历的匹配程度,使用语义相似度。在模型的最后一个组件中,将表征职位简历语义的向量传送到具有sigmoid函数的全连接层,以进行人岗匹配的判断。最后,在真实数据上进行实验,验证了所提模型的有效性。（4）提出了一种语义增强的多标签人格特质识别模型。人格特质识别是判断候选人的个性特征是否与企业的岗位目标匹配,但面临着现有方法在词嵌入层语义信息表达不准确且不能保证每个标签取得最佳性能的挑战。针对这些挑战,基于循环神经网络,提出了语义增强型多标签人格特质识别模型。首先,使用上下文学习方法捕获文本信息。然后,利用全连接层融合人格特质的语义信息,进一步捕获文本的高级语义。最后,采用二分类交叉熵损失函数对多标签人格特质进行识别。提出的模型避免了特征工程,使得同一模型在不修改模型本身的情况下能够适应5个不同标签的识别。实验结果表明,与其他方法相比,该模型在每个标签上都取得了最好的分类效果。（5）提出了一种画像感知的离职预测神经网络模型。离职预测有助于决策者采取预防措施,挽留预计有离职风险的关键人才,有助于降低成本,但在实践中面临一些挑战。一方面,采用不同的离职行为特征预测结果不同,现有离职预测方法性能不高。另一方面,离职数据分布不均衡,没有考虑离职倾向。针对这些挑战,构建了针对离职画像特征的深度学习模型来解决上述挑战。具体来说,使用门控循环单元来学习离职样本的画像特征表示。为了评估不同离职因素的重要程度,引入了注意力机制。在此基础上,设计了基于加权的概率损失目标函数。通过在两个离职数据上验证所提模型的性能,实验表明,所提模型有效地提高了离职预测的F1性能。