CN110399476A - 人才画像的生成方法、装置、设备及存储介质 - Google Patents

Abstract

本发明涉及人工智能领域，尤其涉及自然语言处理领域，公开了一种人才画像的生成方法、装置、设备及存储介质，用于对简历中的核心技能进行提炼，生成人才画像，便于招聘人员查看，提高了简历筛选效率。本发明方法包括：获取目标简历；从所述目标简历中提取简历数据；基于自然语言处理NLP的文本分类算法对所述简历数据进行清洗，得到目标文本，所述目标文本指示目标人才的核心技能；调用预置的训练模型对所述目标文本进行分析，生成预测标签，每个预测标签都对应所述目标人才的一个核心技能；根据所述预测标签生成所述目标人才的人才画像。

Description

人才画像的生成方法、装置、设备及存储介质

技术领域

本发明涉及自然语言处理领域，尤其涉及一种人才画像的生成方法、装置、设备及存储介质。

背景技术

目前，在一些大企业招聘外包人员时，通常是由人力资源(human resource,HR)直接筛选简历，然后将筛选后的简历发送到专业部门，企业的专业部门需对HR发送的应聘人员简历进行确认，然后开始进行招聘流程。然而，HR不可能对所有岗位职能都了解，因此HR可能会发送不符合要求人员的简历，推荐不符合用人单位要求的人员参加面试。

HR查看候选人的简历时需要自己提炼简历的关键信息，对于自己不了解的行业，则提取关键信息是一件费时费力的活，效率低。

发明内容

本发明提供了一种人才画像的生成方法、装置、设备及存储介质，用于对简历中的核心技能进行提炼，生成人才画像，便于招聘人员查看，提高了简历筛选效率。

本发明实施例的第一方面提供一种人才画像的生成方法，包括：获取目标简历；从所述目标简历中提取简历数据；基于自然语言处理NLP的文本分类算法对所述简历数据进行清洗，得到目标文本，所述目标文本指示目标人才的核心技能；调用预置的训练模型对所述目标文本进行分析，生成预测标签，每个预测标签都对应所述目标人才的一个核心技能；根据所述预测标签生成所述目标人才的人才画像。

可选的，在本发明实施例第一方面的第一种实现方式中，所述调用预置的训练模型对所述目标文本进行分析，生成预测标签，每个预测标签都对应所述目标人才的一个核心技能包括：依次遍历所述目标文本中的每条应聘信息，每条应聘信息都对应所述目标人才的一个核心技能；基于预置的训练模型对每条应聘信息进行分词，得到分词结果；根据所述分词结果在业务词袋中进行检索，得到每条应聘信息的业务关键词；将所述业务关键词按照频数降序排列得到排序结果；将所述排序结果中靠前的预置数目的关键词确定为预测标签。

可选的，在本发明实施例第一方面的第二种实现方式中，所述根据所述预测标签生成所述目标人才的人才画像包括：创建一个目标类，所述目标类包括多个属性；根据所述预测标签确定所述目标类中的各个属性，每个属性对应一个所述预测标签；确定所述目标类的输出结果，所述输出结果包括多个所述预测标签；根据所述输出结果中各个预测标签的标签值生成所述目标人才的人才画像。

可选的，在本发明实施例第一方面的第三种实现方式中，所述基于自然语言处理NLP的文本分类算法对所述简历数据进行清洗，得到目标文本，所述目标文本指示目标人才的核心技能之后，所述调用预置的训练模型对所述目标文本进行分析，生成预测标签，每个预测标签都对应所述目标人才的一个核心技能之前，所述方法还包括：生成预置的训练模型，所述预置的训练模型用于根据文本数据生成预测标签。

可选的，在本发明实施例第一方面的第四种实现方式中，所述生成预置的训练模型，所述预置的训练模型用于根据文本数据生成预测标签包括：获取预置数量的简历数据；对所述预置数量的简历数据进行清洗，得到有效数据；为每个有效数据确定对应的标签，得到语料库；将所述语料库输入到文本训练模型中；对所述文本训练模型进行参数调整，生成预置的训练模型，所述预置的训练模型用于根据文本数据生成预测标签。

可选的，在本发明实施例第一方面的第五种实现方式中，所述对所述文本训练模型进行参数调整，生成预置的训练模型，所述预置的训练模型用于根据文本数据生成预测标签之后，所述方法还包括：确定所述预置的训练模型的精确率P和召回率R；根据所述精确率P和所述召回率R生成所述预置的训练模型的Fα值，所述Fα值满足公式：Fα＝(α²+1)PR/(α²P+R)，其中，所述α大于或等于1；根据所述Fα值判断训练模型的正确率是否大于预设的阈值；若所述训练模型的正确率大于预设的阈值，则确定所述预置的训练模型满足生产需求。

可选的，在本发明实施例第一方面的第六种实现方式中，所述根据所述预测标签生成所述目标人才的人才画像之后，所述方法还包括：对所述目标人才的人才画像按照预设标准进行评分得到目标分值；判断所述目标人才的人才画像的目标分值是否大于预设的分值；若所述目标人才的人才画像的目标分值大于预设的分值，则确定所述目标人才的人才画像满足要求，并将所述目标人才的人才画像进行保存；若所述目标人才的人才画像的目标分值小于或等于所述预设的分值，则确定所述目标人才的人才画像不满足要求，并将所述目标人才的人才画像进行标记。

本发明实施例的第二方面提供了一种人才画像的生成装置，包括：获取单元，用于获取目标简历；提取单元，用于从所述目标简历中提取简历数据；清洗单元，用于基于自然语言处理NLP的文本分类算法对所述简历数据进行清洗，得到目标文本，所述目标文本指示目标人才的核心技能；第一生成单元，用于调用预置的训练模型对所述目标文本进行分析，生成预测标签，每个预测标签都对应所述目标人才的一个核心技能；第二生成单元，用于根据所述预测标签生成所述目标人才的人才画像。

可选的，在本发明实施例第二方面的第一种实现方式中，第一生成单元具体用于：依次遍历所述目标文本中的每条应聘信息，每条应聘信息都对应所述目标人才的一个核心技能；基于预置的训练模型对每条应聘信息进行分词，得到分词结果；根据所述分词结果在业务词袋中进行检索，得到每条应聘信息的业务关键词；将所述业务关键词按照频数降序排列得到排序结果；将所述排序结果中靠前的预置数目的关键词确定为预测标签。

可选的，在本发明实施例第二方面的第二种实现方式中，第二生成单元具体用于：创建一个目标类，所述目标类包括多个属性；根据所述预测标签确定所述目标类中的各个属性，每个属性对应一个所述预测标签；确定所述目标类的输出结果，所述输出结果包括多个所述预测标签；根据所述输出结果中各个预测标签的标签值生成所述目标人才的人才画像。

可选的，在本发明实施例第二方面的第三种实现方式中，人才画像的生成装置还包括：第三生成单元，用于生成预置的训练模型，所述预置的训练模型用于根据文本数据生成预测标签。

可选的，在本发明实施例第二方面的第四种实现方式中，第三生成单元包括：获取模块，用于获取预置数量的简历数据；清洗模块，用于对所述预置数量的简历数据进行清洗，得到有效数据；第一确定模块，用于为每个有效数据确定对应的标签，得到语料库；输入模块，用于将所述语料库输入到文本训练模型中；调整生成模块，用于对所述文本训练模型进行参数调整，生成预置的训练模型，所述预置的训练模型用于根据文本数据生成预测标签。

可选的，在本发明实施例第二方面的第五种实现方式中，第三生成单元还包括：第二确定模块，用于确定所述预置的训练模型的精确率P和召回率R；生成模块，用于根据所述精确率P和所述召回率R生成所述预置的训练模型的Fα值，所述Fα值满足公式：Fα＝(α²+1)PR/(α²P+R)，其中，所述α大于或等于1；判断模块，用于根据所述Fα值判断训练模型的正确率是否大于预设的阈值；第三确定模块，若所述训练模型的正确率大于预设的阈值，则用于确定所述预置的训练模型满足生产需求。

可选的，在本发明实施例第二方面的第六种实现方式中，人才画像的生成装置还包括：评分单元，用于对所述目标人才的人才画像按照预设标准进行评分得到目标分值；判断单元，用于判断所述目标人才的人才画像的目标分值是否大于预设的分值；保存单元，若所述目标人才的人才画像的目标分值大于预设的分值，则用于确定所述目标人才的人才画像满足要求，并将所述目标人才的人才画像进行保存；标记单元，若所述目标人才的人才画像的目标分值小于或等于所述预设的分值，则用于确定所述目标人才的人才画像不满足要求，并将所述目标人才的人才画像进行标记。

本发明实施例的第三方面提供了一种人才画像的生成设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一实施方式所述的人才画像的生成方法。

本发明实施例的第四方面提供了一种计算机可读存储介质，包括指令，当所述指令在计算机上运行时，使得计算机执行上述任一实施方式所述的人才画像的生成方法的步骤。

本发明实施例提供的技术方案中，获取目标简历；从目标简历中提取简历数据；基于自然语言处理NLP的文本分类算法对简历数据进行清洗，得到目标文本，目标文本指示目标人才的核心技能；调用预置的训练模型对目标文本进行分析，生成预测标签，每个预测标签都对应目标人才的一个核心技能；根据预测标签生成目标人才的人才画像。本发明实施例，对简历中的核心技能进行提炼，生成人才画像，便于招聘人员查看，提高了简历筛选效率。

附图说明

图1为本发明实施例中人才画像的生成方法的一个实施例示意图；

图2为本发明实施例中人才画像的生成方法的另一个实施例示意图；

图3为本发明实施例中人才画像的生成装置的一个实施例示意图；

图4为本发明实施例中人才画像的生成装置的另一个实施例示意图；

图5为本发明实施例中人才画像的生成设备的一个实施例示意图。

具体实施方式

本发明提供了一种人才画像的生成方法、装置、设备及存储介质，用于对每个产品的风险调查问卷项目的分值进行分解，根据风险调查问卷中用户所选题目选项的得分总和给用户定义风险等级，提高了测试效率，并能覆盖到所有应用场景。

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例进行描述。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

请参阅图1，本发明实施例提供的人才画像的生成方法的流程图，具体包括：

101、获取目标简历。

终端获取目标简历。其中，终端根据预置的筛选条件，从海量的简历中选择出符合要求的简历。这里的目标简历可以是一个，也可以是多个，为了便于描述，本发明以一个目标简历为例进行说明。

具体的，终端根据实际的情况获取海量的简历，并筛选出符合基本要求的目标简历，其中，目标简历可以是不同类型的简历。目标简历可以针对不同的群体，对简历的格式进行调整。例如，若目标简历为应届毕业生简历，那么该目标简历中可以包括：1、个人基本信息，个人基本信息中可以包括姓名、年龄、性别、民族、联系电话、籍贯等；2、教育背景，教育背景中可以包括中学教育经历和大学教育经历，其中，中学教育经历包括学校名称和学习时长，大学教育经历包括学校名称、学习时长、学习专业；3、主修课程，主修课程可以包括英语、高等数学、线性代数、大学物理等，还可以包括建筑力学、材料力学、合同管理等其他课程，具体此处不做限定；4、自我评价，自我评价包括兴趣爱好等。

例如，若目标简历为社会人员简历，那么该目标简历中可以包括：1、个人基本信息，个人基本信息中可以包括姓名、年龄、性别、民族、联系电话、籍贯等；2、教育背景，教育背景中可以包括中学教育经历和大学教育经历，其中，中学教育经历包括学校名称和学习时长，大学教育经历包括学校名称、学习时长、学习专业；3、工作经验，工作经验可以包括工作单位名称、工作时长、工作内容和工作单位性质等；4、自我评价，自我评价包括兴趣爱好，工作态度等。5、荣誉奖项，荣誉奖项包括学习奖项、工作奖项以及政府奖项等，具体此处不做限定。6、掌握语言，掌握语言可以包括汉语、英语、法语、粤语等，具体此处不做限定。

需要说明的是，不同的类型的简历，适应的群体也不同，目标简历中包含的简历内容也不相同。简历也可以自定义，可以在简历中同时包括应届毕业生简历和社会人员简历中包含的部分或全部内容，具体此处不做限定。

可以理解的是，本发明实施例的执行主体可以为人才画像的生成装置，还可以是终端或者服务器，具体此处不做限定。本发明以终端为执行主体为例进行说明。

102、从目标简历中提取简历数据。

终端从目标简历中提取简历数据。具体的，终端从目标简历中提取简历数据，其中，该简历数据包括了目标人才的基本信息和专业信息，其中，基本信息包括姓名、年龄、性别、联系方式等，专业信息包括工作单位、工作年限、毕业院校、毕业专业、获得的证书、专业技能、应聘职位等。

其中，简历数据为上述步骤中包括的各个选项，例如，对于其中一份简历，提取到的简历数据包括，姓名：李一；年龄：18；性别：女；联系方式：151XXXXXX54，还可以包括其他信息，如毕业院校：麻省理工等，具体此处不做限定。

103、基于自然语言处理NLP的文本分类算法对简历数据进行清洗，得到目标文本，目标文本指示目标人才的核心技能。

终端基于自然语言处理(natural language processing，NLP)的文本分类算法对简历数据进行清洗，得到目标文本，目标文本指示目标人才的核心技能。具体的，终端调用卷积神经网络CNN算法(TextCNN)或逻辑回归(logistic regression，LR)算法对简历数据进行文本分类。可以理解的是，不管是什么分类，最重要的是要知道哪些特征是最能反映这个分类的特点，也就是特征选取，文本分类使用的特征就是最能代表这个分类的词。例如，可以将简历数据分为两类，即有效数据和无效数据，其中，有效数据可以包括工作单位、姓名、年龄、性别等，无效数据可以包括应聘职位、工作年限等，具体此处不做限定。

其中，NLP的文本分类算法为预置的卷积神经网络CNN算法或LR算法，按照实际需要，将简历数据分类后，进行筛选，删除无效数据，保留有效数据，该有效数据中有目标人才的核心技能信息，例如，擅长英语等，即将有效数据“擅长英语”作为目标文本。

需要说明的是，文本分类除了可以是文档分类，还可以是词性标注、句子分割、识别对话行为类型和识别文字蕴含等，具体可以参见现有技术，此处不再赘述。

104、调用预置的训练模型对目标文本进行分析，生成预测标签，每个预测标签都对应目标人才的一个核心技能。

终端调用预置的训练模型对目标文本进行分析，生成预测标签，每个预测标签都对应目标人才的一个核心技能。具体的，终端依次遍历目标文本中的每条应聘信息，每条应聘信息都对应目标人才的一个核心技能；终端基于预置的训练模型对每条应聘信息进行分词，得到分词结果；终端根据分词结果在业务词袋中进行检索，得到每条应聘信息的业务关键词；终端将业务关键词按照频数降序排列得到排序结果；终端将排序结果中靠前的预置数目的关键词确定为预测标签。

其中，对某一类特定群体或对象的某项特征进行的抽象分类和概括，其值(标签值)具备可分类性。例如，“性别”，其标签值根据枚举分析(mutually exclusivecollectively exhaustive，MECE)原则可分为“男”、“女”、“未知”；对于标签“年龄”，其标签值可分为“0-18”、“18-35”、“35-60”、“60-100”等，具体此处不做限定。

105、根据预测标签生成目标人才的人才画像。

终端根据预测标签生成目标人才的人才画像。具体的，终端创建一个目标类，目标类包括多个属性；终端根据预测标签确定目标类中的各个属性，每个属性对应一个预测标签；终端确定目标类的输出结果，输出结果包括多个预测标签；终端根据输出结果中各个预测标签的标签值生成目标人才的人才画像。

人才画像可以简单理解成是海量数据的标签，根据用户的目标、行为和观点的差异，将他们区分为不同的类型，然后每种类型中抽取出典型特征，赋予名字、照片、一些人口统计学要素、场景等描述，形成了一个人物原型(personas)。例如，得到的目标人才画像中可以包括年龄，性别，工作年限，核心技能，求职期望等等。具体的，例如，通过对A简历进行提炼后得到的人才画像可以为：互联网、已婚、企业高管、高收入。人才画像还可以是其他标签，具体此处不做限定。

可以理解的是，根据特征值(即预测标签)对目标人才进行定义，有助于人力资源(Human Resource，HR)一目了然掌握该目标人才的特性，如“从事多年计算机开发工作”、“技术过硬”等，可以快速的了解到目标人才为擅长从事计算机领域的工作，由此HR可以判断是否为公司需要的人才。又例如，如“时尚达人”，HR可以快速的联想到针对这类人，时尚感至关重要，即产品的设计感、外观等，并且达人两字表明该类人并不盲目追求潮流，他们有自己的审美观，并且能够影响身边的人。HR可以确定目标人才适合从事时尚传媒等相关工作。

同时，一个人才会有多个预测标签，不同的人才之间也会有预测标签的重合，此时预测标签的权重反映了不同人才的核心技能。例如“时尚达人”和“科技先锋”两类人群中都有女性标签，此时需要比较女性在不同人才中的标签权重，以决定将该标签解读给哪类人群。通常，一个好的人才画像，不同人群之间的标签重合度较小，只有在那些权重较小的标签上会有些许重合。

本发明实施例提供的技术方案中，获取目标简历；从目标简历中提取简历数据；基于自然语言处理NLP的文本分类算法对简历数据进行清洗，得到目标文本，目标文本指示目标人才的核心技能；调用预置的训练模型对目标文本进行分析，生成预测标签，每个预测标签都对应目标人才的一个核心技能；根据预测标签生成目标人才的人才画像。本发明实施例，对简历中的核心技能进行提炼，生成人才画像，便于招聘人员查看，提高了简历筛选效率。

请参阅图2，本发明实施例提供的人才画像的生成方法的另一个流程图，具体包括：

201、获取目标简历。

终端获取目标简历。其中，终端根据预置的筛选条件，从海量的简历中选择出符合要求的简历。这里的目标简历可以是一个，也可以是多个，为了便于描述，本发明以一个目标简历为例进行说明。

具体的，终端根据实际的情况获取海量的简历，并筛选出符合基本要求的目标简历，其中，目标简历可以是不同类型的简历。目标简历可以针对不同的群体，对简历的格式进行调整。例如，若目标简历为应届毕业生简历，那么该目标简历中可以包括：1、个人基本信息，个人基本信息中可以包括姓名、年龄、性别、民族、联系电话、籍贯等；2、教育背景，教育背景中可以包括中学教育经历和大学教育经历，其中，中学教育经历包括学校名称和学习时长，大学教育经历包括学校名称、学习时长、学习专业；3、主修课程，主修课程可以包括英语、高等数学、线性代数、大学物理等，还可以包括建筑力学、材料力学、合同管理等其他课程，具体此处不做限定；4、自我评价，自我评价包括兴趣爱好等。

例如，若目标简历为社会人员简历，那么该目标简历中可以包括：1、个人基本信息，个人基本信息中可以包括姓名、年龄、性别、民族、联系电话、籍贯等；2、教育背景，教育背景中可以包括中学教育经历和大学教育经历，其中，中学教育经历包括学校名称和学习时长，大学教育经历包括学校名称、学习时长、学习专业；3、工作经验，工作经验可以包括工作单位名称、工作时长、工作内容和工作单位性质等；4、自我评价，自我评价包括兴趣爱好，工作态度等。5、荣誉奖项，荣誉奖项包括学习奖项、工作奖项以及政府奖项等，具体此处不做限定。6、掌握语言，掌握语言可以包括汉语、英语、法语、粤语等，具体此处不做限定。

需要说明的是，不同的类型的简历，适应的群体也不同，目标简历中包含的简历内容也不相同。简历也可以自定义，可以在简历中同时包括应届毕业生简历和社会人员简历中包含的部分或全部内容，具体此处不做限定。

可以理解的是，本发明实施例的执行主体可以为人才画像的生成装置，还可以是终端或者服务器，具体此处不做限定。本发明以终端为执行主体为例进行说明。

202、从目标简历中提取简历数据。

终端从目标简历中提取简历数据。具体的，终端从目标简历中提取简历数据，其中，该简历数据包括了目标人才的基本信息和专业信息，其中，基本信息包括姓名、年龄、性别、联系方式等，专业信息包括工作单位、工作年限、毕业院校、毕业专业、获得的证书、专业技能、应聘职位等。

其中，简历数据为上述步骤中包括的各个选项，例如，对于其中一份简历，提取到的简历数据包括，姓名：李燕；年龄：18；性别：女；联系方式：151XXXXXX54，还可以包括其他信息，如毕业院校：麻省理工等，具体此处不做限定。

203、基于自然语言处理NLP的文本分类算法对简历数据进行清洗，得到目标文本，目标文本指示目标人才的核心技能。

终端基于自然语言处理(natural language processing，NLP)的文本分类算法对简历数据进行清洗，得到目标文本，目标文本指示目标人才的核心技能。具体的，终端调用卷积神经网络CNN算法(TextCNN)或逻辑回归(logistic regression，LR)算法对简历数据进行文本分类。可以理解的是，不管是什么分类，最重要的是要知道哪些特征是最能反映这个分类的特点，也就是特征选取，文本分类使用的特征就是最能代表这个分类的词。例如，可以将简历数据分为两类，即有效数据和无效数据，其中，有效数据可以包括工作单位、姓名、年龄、性别等，无效数据可以包括应聘职位、工作年限等，具体此处不做限定。

其中，NLP的文本分类算法为预置的卷积神经网络CNN算法或LR算法，按照实际需要，将简历数据分类后，进行筛选，删除无效数据，保留有效数据，该有效数据中有目标人才的核心技能信息，例如，擅长英语等，即将有效数据“擅长英语”作为目标文本。

需要说明的是，文本分类除了可以是文档分类，还可以是词性标注、句子分割、识别对话行为类型和识别文字蕴含等，具体可以参见现有技术，此处不再赘述。

204、调用预置的训练模型对目标文本进行分析，生成预测标签，每个预测标签都对应目标人才的一个核心技能。

终端调用预置的训练模型对目标文本进行分析，生成预测标签，每个预测标签都对应目标人才的一个核心技能。具体的，终端依次遍历目标文本中的每条应聘信息，每条应聘信息都对应目标人才的一个核心技能；终端基于预置的训练模型对每条应聘信息进行分词，得到分词结果；终端根据分词结果在业务词袋中进行检索，得到每条应聘信息的业务关键词；终端将业务关键词按照频数降序排列得到排序结果；终端将排序结果中靠前的预置数目的关键词确定为预测标签。

其中，对某一类特定群体或对象的某项特征进行的抽象分类和概括，其值(标签值)具备可分类性。例如，“性别”，其标签值根据枚举分析(mutually exclusivecollectively exhaustive，MECE)原则可分为“男”、“女”、“未知”；对于标签“年龄”，其标签值可分为“0-18”、“18-35”、“35-60”、“60-100”等，具体此处不做限定。

205、根据预测标签生成目标人才的人才画像。

终端根据预测标签生成目标人才的人才画像。具体的，终端创建一个目标类，目标类包括多个属性；终端根据预测标签确定目标类中的各个属性，每个属性对应一个预测标签；终端确定目标类的输出结果，输出结果包括多个预测标签；终端根据输出结果中各个预测标签的标签值生成目标人才的人才画像。

人才画像可以简单理解成是海量数据的标签，根据用户的目标、行为和观点的差异，将他们区分为不同的类型，然后每种类型中抽取出典型特征，赋予名字、照片、一些人口统计学要素、场景等描述，形成了一个人物原型(personas)。例如，得到的目标人才画像中可以包括年龄，性别，工作年限，核心技能，求职期望等等。具体的，例如，通过对A简历进行提炼后得到的人才画像可以为：互联网、已婚、企业高管、高收入。人才画像还可以是其他标签，具体此处不做限定。

可以理解的是，根据特征值(即预测标签)对目标人才进行定义，有助于人力资源(Human Resource，HR)一目了然掌握该目标人才的特性，如“从事多年计算机开发工作”、“技术过硬”等，可以快速的了解到目标人才为擅长从事计算机领域的工作，由此HR可以判断是否为公司需要的人才。又例如，如“时尚达人”，HR可以快速的联想到针对这类人，时尚感至关重要，即产品的设计感、外观等，并且达人两字表明该类人并不盲目追求潮流，他们有自己的审美观，并且能够影响身边的人。HR可以确定目标人才适合从事时尚传媒等相关工作。

同时，一个人才会有多个预测标签，不同的人才之间也会有预测标签的重合，此时预测标签的权重反映了不同人才的核心技能。例如“时尚达人”和“科技先锋”两类人群中都有女性标签，此时需要比较女性在不同人才中的标签权重，以决定将该标签解读给哪类人群。通常，一个好的人才画像，不同人群之间的标签重合度较小，只有在那些权重较小的标签上会有些许重合。

206、对目标人才的人才画像按照预设标准进行评分得到目标分值。

终端对目标人才的人才画像按照预设标准进行评分得到目标分值。具体的，终端按照预设标准，确定人才画像中每条信息的权重和每条信息对应的分值，根据权重和分值计算得到人才画像的目标分值。例如，假设人才画像包括2条信息，工作时长和工作级别，工作时长和工作级别的权重都为0.5，预设标准为：当工作时长为0-2年时，分值为2分，工作时长为3-5年时，分值为4分，工作时长为5-8年时，分值为6分，工作时长为9年以上时，分值为8分；工作级别为普通职员时，分值为2分，工作级别为中层干部时，分值为4分，工作级别为高层干部时，分值为6分，工作级别为主要领导时，分值为8分。当目标人才的人才画像中工作时长为4年，工作级别为中层干部时，计算得到4*0.5+4*0.5＝4，得到的目标分值为4分。

207、判断目标人才的人才画像的目标分值是否大于预设的分值。

终端判断目标人才的人才画像的目标分值是否大于预设的分值。具体的，预设的分值为根据事情情况预先设置，例如，预设的分值为3分，那么上述步骤中的模板分值为4分的目标简历大于预设的分值。若目标人才的人才画像的目标分值大于预设的分值，则执行步骤208。若目标人才的人才画像的目标分值小于或等于预设的分值，则执行步骤209。

208、若目标人才的人才画像的目标分值大于预设的分值，则确定目标人才的人才画像满足要求，并将目标人才的人才画像进行保存。

若目标人才的人才画像的目标分值大于预设的分值，则终端确定目标人才的人才画像满足要求，并将目标人才的人才画像进行保存。终端将满足需求的人才画像进行保存，以使得在需要使用时根据该人才画像调取对应的简历。

209、若目标人才的人才画像的目标分值小于或等于预设的分值，则确定目标人才的人才画像不满足要求，并将目标人才的人才画像进行标记。

若目标人才的人才画像的目标分值小于或等于预设的分值，则终端确定目标人才的人才画像不满足要求，并将目标人才的人才画像进行标记。

可选的，终端还可以生成提示信息其中，提示信息除了包括人才画像的分值，还可以包括人才画像的标识，该标识用于指示人才画像是否满足要求，以使得工作人员在收到提示时，针对性地对满足要求的人才画像进行区分标记。

本发明实施例提供的技术方案中，获取目标简历；从目标简历中提取简历数据；基于自然语言处理NLP的文本分类算法对简历数据进行清洗，得到目标文本，目标文本指示目标人才的核心技能；调用预置的训练模型对目标文本进行分析，生成预测标签，每个预测标签都对应目标人才的一个核心技能；根据预测标签生成目标人才的人才画像。本发明实施例，对简历中的核心技能进行提炼，生成人才画像，便于招聘人员查看，提高了简历筛选效率。

上面对本发明实施例中人才画像的生成方法进行了描述，下面对本发明实施例中人才画像的生成装置进行描述，请参阅图3，本发明实施例中人才画像的生成装置的一个实施例包括：

获取单元301，用于获取目标简历；

提取单元302，用于从所述目标简历中提取简历数据；

清洗单元303，用于基于自然语言处理NLP的文本分类算法对所述简历数据进行清洗，得到目标文本，所述目标文本指示目标人才的核心技能；

第一生成单元304，用于调用预置的训练模型对所述目标文本进行分析，生成预测标签，每个预测标签都对应所述目标人才的一个核心技能；

第二生成单元305，用于根据所述预测标签生成所述目标人才的人才画像。

本发明实施例中，获取目标简历；从目标简历中提取简历数据；基于自然语言处理NLP的文本分类算法对简历数据进行清洗，得到目标文本，目标文本指示目标人才的核心技能；调用预置的训练模型对目标文本进行分析，生成预测标签，每个预测标签都对应目标人才的一个核心技能；根据预测标签生成目标人才的人才画像。本发明实施例，对简历中的核心技能进行提炼，生成人才画像，便于招聘人员查看，提高了简历筛选效率。

请参阅图4，本发明实施例中人才画像的生成装置的另一个实施例包括：

获取单元301，用于获取目标简历；

提取单元302，用于从所述目标简历中提取简历数据；

清洗单元303，用于基于自然语言处理NLP的文本分类算法对所述简历数据进行清洗，得到目标文本，所述目标文本指示目标人才的核心技能；

第一生成单元304，用于调用预置的训练模型对所述目标文本进行分析，生成预测标签，每个预测标签都对应所述目标人才的一个核心技能；

第二生成单元305，用于根据所述预测标签生成所述目标人才的人才画像。

可选的，第一生成单元304具体用于：

依次遍历所述目标文本中的每条应聘信息，每条应聘信息都对应所述目标人才的一个核心技能；基于预置的训练模型对每条应聘信息进行分词，得到分词结果；根据所述分词结果在业务词袋中进行检索，得到每条应聘信息的业务关键词；将所述业务关键词按照频数降序排列得到排序结果；将所述排序结果中靠前的预置数目的关键词确定为预测标签。

可选的，第二生成单元305具体用于：

创建一个目标类，所述目标类包括多个属性；根据所述预测标签确定所述目标类中的各个属性，每个属性对应一个所述预测标签；确定所述目标类的输出结果，所述输出结果包括多个所述预测标签；根据所述输出结果中各个预测标签的标签值生成所述目标人才的人才画像。

可选的，人才画像的生成装置还包括：

第三生成单元306，用于生成预置的训练模型，所述预置的训练模型用于根据文本数据生成预测标签。

可选的，第三生成单元306包括：

获取模块3061，用于获取预置数量的简历数据；

清洗模块3062，用于对所述预置数量的简历数据进行清洗，得到有效数据；

第一确定模块3063，用于为每个有效数据确定对应的标签，得到语料库；

输入模块3064，用于将所述语料库输入到文本训练模型中；

调整生成模块3065，用于对所述文本训练模型进行参数调整，生成预置的训练模型，所述预置的训练模型用于根据文本数据生成预测标签。

可选的，第三生成单元306还包括：

第二确定模块3066，用于确定所述预置的训练模型的精确率P和召回率R；

生成模块3067，用于根据所述精确率P和所述召回率R生成所述预置的训练模型的Fα值，所述Fα值满足公式：Fα＝(α²+1)PR/(α²P+R)，其中，所述α大于或等于1；

判断模块3068，用于根据所述Fα值判断训练模型的正确率是否大于预设的阈值；

第三确定模块3069，若所述训练模型的正确率大于预设的阈值，则用于确定所述预置的训练模型满足生产需求。

可选的，人才画像的生成装置还包括：

评分单元307，用于对所述目标人才的人才画像按照预设标准进行评分得到目标分值；

判断单元308，用于判断所述目标人才的人才画像的目标分值是否大于预设的分值；

保存单元309，若所述目标人才的人才画像的目标分值大于预设的分值，则用于确定所述目标人才的人才画像满足要求，并将所述目标人才的人才画像进行保存；

标记单元310，若所述目标人才的人才画像的目标分值小于或等于所述预设的分值，则用于确定所述目标人才的人才画像不满足要求，并将所述目标人才的人才画像进行标记。

本发明实施例中，获取目标简历；从目标简历中提取简历数据；基于自然语言处理NLP的文本分类算法对简历数据进行清洗，得到目标文本，目标文本指示目标人才的核心技能；调用预置的训练模型对目标文本进行分析，生成预测标签，每个预测标签都对应目标人才的一个核心技能；根据预测标签生成目标人才的人才画像。本发明实施例，对简历中的核心技能进行提炼，生成人才画像，便于招聘人员查看，提高了简历筛选效率。

上面图3至图4从模块化功能实体的角度对本发明实施例中的人才画像的生成装置进行详细描述，下面从硬件处理的角度对本发明实施例中人才画像的生成设备进行详细描述。

图5是本发明实施例提供的一种人才画像的生成设备的结构示意图，该人才画像的生成设备500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)501(例如，一个或一个以上处理器)和存储器509，一个或一个以上存储应用程序507或数据506的存储介质508(例如一个或一个以上海量存储设备)。其中，存储器509和存储介质508可以是短暂存储或持久存储。存储在存储介质508的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对人才画像的生成设备中的一系列指令操作。更进一步地，处理器501可以设置为与存储介质508通信，在人才画像的生成设备500上执行存储介质508中的一系列指令操作。

人才画像的生成设备500还可以包括一个或一个以上电源502，一个或一个以上有线或无线网络接口503，一个或一个以上输入输出接口504，和/或，一个或一个以上操作***505，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图5中示出的人才画像的生成设备结构并不构成对人才画像的生成设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。处理器501可以执行上述实施例中获取单元301、提取单元302、清洗单元303、第一生成单元304、第二生成单元305、第三生成单元306、评分单元307、判断单元308和标记单元310的功能。

下面结合图5对人才画像的生成设备的各个构成部件进行具体的介绍：

处理器501是人才画像的生成设备的控制中心，可以按照设置的人才画像的生成方法进行处理。处理器501利用各种接口和线路连接整个人才画像的生成设备的各个部分，通过运行或执行存储在存储器509内的软件程序和/或模块，以及调用存储在存储器509内的数据，执行人才画像的生成设备的各种功能和处理数据，对简历中的核心技能进行提炼，生成人才画像，便于招聘人员查看，提高了简历筛选效率。存储介质508和存储器509都是存储数据的载体，本发明实施例中，存储介质508可以是指储存容量较小，但速度快的内存储器，而存储器509可以是储存容量大，但储存速度慢的外存储器。

存储器509可用于存储软件程序以及模块，处理器501通过运行存储在存储器509的软件程序以及模块，从而执行人才画像的生成设备500的各种功能应用以及数据处理。存储器509可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序(比如从目标简历中提取简历数据)等；存储数据区可存储根据人才画像的生成设备的使用所创建的数据(比如预测标签等)等。此外，存储器509可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。在本发明实施例中提供的人才画像的生成方法程序和接收到的数据流存储在存储器中，当需要使用时，处理器501从存储器509中调用。

在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、双绞线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，光盘)、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本发明所提供的几个实施例中，应该理解到，所揭露的***，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种人才画像的生成方法，其特征在于，包括：

获取目标简历；

从所述目标简历中提取简历数据；

基于自然语言处理NLP的文本分类算法对所述简历数据进行清洗，得到目标文本，所述目标文本指示目标人才的核心技能；

调用预置的训练模型对所述目标文本进行分析，生成预测标签，每个预测标签都对应所述目标人才的一个核心技能；

根据所述预测标签生成所述目标人才的人才画像。

2.根据权利要求1所述的人才画像的生成方法，其特征在于，所述调用预置的训练模型对所述目标文本进行分析，生成预测标签，每个预测标签都对应所述目标人才的一个核心技能包括：

依次遍历所述目标文本中的每条应聘信息，每条应聘信息都对应所述目标人才的一个核心技能；

基于预置的训练模型对每条应聘信息进行分词，得到分词结果；

根据所述分词结果在业务词袋中进行检索，得到每条应聘信息的业务关键词；

将所述业务关键词按照频数降序排列得到排序结果；

将所述排序结果中靠前的预置数目的关键词确定为预测标签。

3.根据权利要求1所述的人才画像的生成方法，其特征在于，所述根据所述预测标签生成所述目标人才的人才画像包括：

创建一个目标类，所述目标类包括多个属性；

根据所述预测标签确定所述目标类中的各个属性，每个属性对应一个所述预测标签；

确定所述目标类的输出结果，所述输出结果包括多个所述预测标签；

根据所述输出结果中各个预测标签的标签值生成所述目标人才的人才画像。

4.根据权利要求1所述的人才画像的生成方法，其特征在于，所述基于自然语言处理NLP的文本分类算法对所述简历数据进行清洗，得到目标文本，所述目标文本指示目标人才的核心技能之后，所述调用预置的训练模型对所述目标文本进行分析，生成预测标签，每个预测标签都对应所述目标人才的一个核心技能之前，所述方法还包括：

生成预置的训练模型，所述预置的训练模型用于根据文本数据生成预测标签。

5.根据权利要求4所述的人才画像的生成方法，其特征在于，所述生成预置的训练模型，所述预置的训练模型用于根据文本数据生成预测标签包括：

获取预置数量的简历数据；

对所述预置数量的简历数据进行清洗，得到有效数据；

为每个有效数据确定对应的标签，得到语料库；

将所述语料库输入到文本训练模型中；

对所述文本训练模型进行参数调整，生成预置的训练模型，所述预置的训练模型用于根据文本数据生成预测标签。

6.根据权利要求5所述的人才画像的生成方法，其特征在于，所述对所述文本训练模型进行参数调整，生成预置的训练模型，所述预置的训练模型用于根据文本数据生成预测标签之后，所述方法还包括：

确定所述预置的训练模型的精确率P和召回率R；

根据所述精确率P和所述召回率R生成所述预置的训练模型的Fα值，所述Fα值满足公式：

Fα＝(α²+1)PR/(α²P+R)，其中，所述α大于或等于1；

根据所述Fα值判断训练模型的正确率是否大于预设的阈值；

若所述训练模型的正确率大于预设的阈值，则确定所述预置的训练模型满足生产需求。

7.根据权利要求1-6中任一所述的人才画像的生成方法，其特征在于，所述根据所述预测标签生成所述目标人才的人才画像之后，所述方法还包括：

对所述目标人才的人才画像按照预设标准进行评分得到目标分值；

判断所述目标人才的人才画像的目标分值是否大于预设的分值；

若所述目标人才的人才画像的目标分值大于预设的分值，则确定所述目标人才的人才画像满足要求，并将所述目标人才的人才画像进行保存；

若所述目标人才的人才画像的目标分值小于或等于所述预设的分值，则确定所述目标人才的人才画像不满足要求，并将所述目标人才的人才画像进行标记。

8.一种人才画像的生成装置，其特征在于，包括：

获取单元，用于获取目标简历；

提取单元，用于从所述目标简历中提取简历数据；

清洗单元，用于基于自然语言处理NLP的文本分类算法对所述简历数据进行清洗，得到目标文本，所述目标文本指示目标人才的核心技能；

第一生成单元，用于调用预置的训练模型对所述目标文本进行分析，生成预测标签，每个预测标签都对应所述目标人才的一个核心技能；

第二生成单元，用于根据所述预测标签生成所述目标人才的人才画像。

9.一种人才画像的生成设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-7中任意一项所述的人才画像的生成方法。

10.一种计算机可读存储介质，其特征在于，包括指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1-7中任意一项所述的人才画像的生成方法。