在高速发展的人才经济时代,职业流动已经逐渐成为一种常见的社会现象。职业流动分析旨在发现员工在不同组织、工作岗位之间的转移模式,对于个人职业发展、企业人才竞争力分析和社会劳动力评估等方面均具有重要意义。为此,围绕职业流动行为的分析研究方兴未艾。传统社会学相关的研究主要集中在观测和解释职业流动行为的规律,由于数据的匮乏以及建模技术的局限,相关研究可能会面临主观性强、全面性不足的问题。近年来,信息扁平化拉近了人才与工作机会之间的距离,使得职业流动行为更加频繁。在线职业平台（Online Professional Networks,OPNs）的崛起,积累了海量用户简历,为研发数据驱动的智能职业流动分析方法带来了巨大的机遇。同时,数据挖掘技术的飞速发展为复杂数据的建模提供了强有力的技术支撑。基于以上背景,本文旨在利用数据挖掘技术并结合相关管理学等交叉学科知识,针对企业和个人层面的职业流动行为,开展一系列数据驱动的研究,主要包括以下三个方面:面向企业的职业流动预测、企业竞争分析以及面向个人的职业流动预测。首先,针对面向企业的职业流动预测,本文提出了一种基于动态隐变量的人才流动预测方法。根据企业间人才流动的历史数据,本文旨在挖掘企业层面职业流动的潜在规律,从而实现对未来人才流动的预测。现有的人才流动分析研究一般依赖于主观调查,局限于少量数据上的定性研究。但是,由于缺乏大规模的定量研究,目前在人才管理细粒度剖析与预测方面仍存在较大局限。因此,本文首次从数据驱动的角度对人才流动进行定量分析建模。具体而言,首先通过挖掘OPNs上大规模的职业流转记录来构建时间感知的人才流动张量;接下来设计了一个基于动态隐变量的张量分解模型,用于预测未来的人才流动。其中,通过联合考虑历史人才流动和全局市场的影响,引入了一种新颖的演变特征以用于对每个公司的演化性质进行建模;此外,为提升预测性能,还提出了一种公司属性相似度约束来调节模型推理;最后,通过在大规模真实职业流动数据集上进行的大量实验,验证了所提方法在企业间人才流动预测任务上的有效性。其次,针对企业竞争分析任务,本文提出了一种基于人才流动表征的企业竞争力分析方法。借助竞争分析,企业可以制定前瞻性战略和人才引进规划,进而建立起业务优势。然而,目前该方向研究通常依赖于一些特定的特征或者调研数据,在客观性与扩展性方面存在不足。因此,本文旨在通过分析人才流动数据,为企业间竞争分析提出新范式,这背后的原理是企业之间的竞争通常会导致人才流动。具体而言,首先基于大规模的职业流转记录来构建人才流动网络,并考虑企业在网络中流入流出的特性,定义“竞争力”的概念。紧接着,本文提出了一个人才流动表征模型来学习每个企业的双向人才吸引力,进而衡量企业之间的成对竞争关系。此外,本文还设计了一个多任务学习框架来融合多个岗位上的人才流动网络,细粒度地学习企业表征。最后,我们在真实的职业流动数据集开展大量的实验,充分验证了所提方法在企业竞争分析任务上的有效性,并基于人才流动的洞察揭示了一些有趣的竞争现象。最后,针对面向个人的职业流动预测,本文提出了一个异质网络表征增强的工作流动预测方法,该方法可以在多个方面为企业或个人提供帮助,例如,人才招聘和职业规划。然而,现有研究主要侧重于对个人层面的职业轨迹建模,而忽略了宏观职业流动的影响。为此,本文旨在利用宏观因素的影响来提升对个人职业流动的预测。具体地,首先通过构建一个异质网络来保留公司和岗位之间宏观的关系。其次,构建了一个异质网络注意力表征模型来学习网络中的实体表征,其针对不同类型的信息聚合采用不同的策略,并设计一种类型注意力机制来自动更新实体表征。此外,我们还设计了一个序列模块来对个人的职业轨迹进行建模,通过注意力机制来捕捉公司和岗位在序列中的交互影响。最后,在真实职业流动数据集上开展的大量实验,充分验证了所提方法在个人职业流动预测任务上的有效性。