随着互联网的飞速发展,越来越多的求职者开始在各种招聘网站上寻找适合自己的职位,同时也有越来越多的公司在互联网上进行招聘工作。伴随而来的是大量招聘职位薪水数据,但是有的时候企业招聘并没有清楚说明薪水,因此,本文的研究课题应运而生,考虑到不同职业的薪水特点多样化以及数据规模的问题,本文主要通过互联网这一垂直行业不同职位薪水数据进行分析预测,提出全新的薪水分析预测模型,给招聘市场带来更多的透明度,是目前值得研究的课题。目前常用的薪水预测的方法是通过机器学习算法对于职位薪水进行预测,很难利用职位薪水数据中的大量文本信息。如今网络招聘流行,互联网上的职位薪水数据激增,也指引着我们利用深度学习算法模型对于职位薪水进行分析。因此,本文对于深度学习算法进行深入研究,将深度学习应用于垂直行业的职位薪水分析预测研究中。本文致力于研究以下四个方面:第一,本文对于薪水预测的传统机器学习模型进行研究,同时对于方法中的不足进行说明,并在实验中对常用的三种薪水预测模型进行实现。作为对照实验结果,还对深度学习算法进行垂直行业职位薪水分析和预测的可行性进行分析。第二,本文提出两种全新的基于深度学习算法模型与传统特征融合的薪水预测模型,分别对于两种模型的结构进行阐述,并通过多组对比实验,验证了模型的有效性,我们提出的两种薪水预测模型在测试集上的平均绝对误差值,相比传统模型分别下降了 5.7%和7.2%,模型预测效果明显提升。第三,将通过垂直行业职位薪水数据训练好的深层卷积神经网络预测模型用于英国职位薪水数据,进行网络参数微调,通过对比实验验证模型在不同数据集上的泛化能力,增强模型的鲁棒性。第四,我们从两个不同角度对提出的两种薪水预测模型进行优化,分别在模型中引入注意力机制以及上下文特征,进一步提升薪水预测模型的预测效果。