CN110443571A - 基于知识图谱进行简历评估的方法、装置及设备 - Google Patents
基于知识图谱进行简历评估的方法、装置及设备 Download PDFInfo
- Publication number
- CN110443571A CN110443571A CN201910641950.5A CN201910641950A CN110443571A CN 110443571 A CN110443571 A CN 110443571A CN 201910641950 A CN201910641950 A CN 201910641950A CN 110443571 A CN110443571 A CN 110443571A
- Authority
- CN
- China
- Prior art keywords
- resume
- information
- assessed
- knowledge mapping
- unstructured
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000013507 mapping Methods 0.000 claims abstract description 98
- 238000011156 evaluation Methods 0.000 claims abstract description 29
- 239000000203 mixture Substances 0.000 claims description 31
- 230000001419 dependent effect Effects 0.000 claims description 26
- 230000006399 behavior Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 11
- 238000012805 post-processing Methods 0.000 claims description 8
- 238000003709 image segmentation Methods 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims 1
- 239000002699 waste material Substances 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 12
- 238000012423 maintenance Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 239000012634 fragment Substances 0.000 description 5
- 230000014509 gene expression Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000004615 ingredient Substances 0.000 description 4
- 230000007115 recruitment Effects 0.000 description 4
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/105—Human resources
- G06Q10/1053—Employment or hiring
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Animal Behavior & Ethology (AREA)
- Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Machine Translation (AREA)
Abstract
本说明书提供一种基于知识图谱进行简历评估的方法、装置及设备，本说明书实施例预先利用已评估过的历史简历生成简历知识图谱、且简历知识图谱中包括历史简历的简历信息相对于岗位需求的相关性信息，因此，针对待评估简历中的非结构化信息，可以利用简历知识图谱对待评估简历中非结构化信息的语义成分进行标注，获得能表示该非结构化信息的第一结构标签，通过第一结构标签从简历知识图谱中获得非结构化信息相对于岗位需求的相关性信息，并以该相关性信息作为评估因子确定待评估简历相对于目标岗位的相关性，能够对简历中的非结构化信息进行理解和分析，将其作为评价简历的重要依据，提高评估质量，并且避免人工评估简历导致的人力资源浪费。
Description
技术领域
本说明书涉及数据处理领域，尤其涉及基于知识图谱进行简历评估的方法、装置及设备。
背景技术
简历是一类常见文本，从功能上来看，简历是求职者介绍自己、推销自己、最终达到有效沟通的重要手段。从行文结构上来看，简历往往是一种半结构化文本。这里的半结构化指简历文本通常存在结构化信息以及非结构化信息。结构化信息可以是能通过正则表达式匹配或模板规则匹配的方式提取的信息。非结构化信息可以是不符合预设的正则表达式或模板规则的信息，例如，非结构化信息可以是文本段落。实际上简历中很多信息都包含在工作经历、项目经历等大段的自然文本描述中，这类非结构化信息是评价应聘者综合实力和工作能力的重要依据。但在目前的技术中，这些信息在解析过程中就无法被抽取，更无法纳入最终的简历评估，一般只能在整段录入***后，仍然要依靠人工阅读和评判的方式进行评估。面试官对简历进行评估会占用大量时间。
发明内容
为克服相关技术中存在的问题，本说明书提供了基于知识图谱进行简历评估的方法、装置及设备。
根据本说明书实施例的第一方面，提供一种基于知识图谱进行简历评估的方法，预先利用已评估过的历史简历生成简历知识图谱，所述简历知识图谱中包括历史简历的简历信息相对于岗位需求的相关性信息，待评估简历中包括非结构化信息，所述方法包括：
利用简历知识图谱对待评估简历中非结构化信息的语义成分进行标注，获得能表示该非结构化信息的第一结构标签；
获得目标岗位的岗位需求；
通过第一结构标签从简历知识图谱中获得所述非结构化信息相对于所述岗位需求的相关性信息，并以所述相关性信息作为评估因子确定待评估简历相对于目标岗位的相关性。
根据本说明书实施例的第二方面，提供一种基于知识图谱进行简历评估的装置，预先利用已评估过的历史简历生成简历知识图谱，所述简历知识图谱中包括历史简历的简历信息相对于岗位需求的相关性信息，待评估简历中包括非结构化信息，所述装置包括：
信息标注模块，用于利用简历知识图谱对待评估简历中非结构化信息的语义成分进行标注，获得能表示该非结构化信息的第一结构标签；
需求获得模块，用于获得目标岗位的岗位需求；
简历评估模块，用于通过第一结构标签从简历知识图谱中获得所述非结构化信息相对于所述岗位需求的相关性信息，并以所述相关性信息作为评估因子确定待评估简历相对于目标岗位的相关性。
根据本说明书实施例的第三方面，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现所述基于知识图谱进行简历评估的方法。
本说明书的实施例提供的技术方案可以包括以下有益效果：
本说明书实施例预先利用已评估过的历史简历生成简历知识图谱，所述简历知识图谱中包括历史简历的简历信息相对于岗位需求的相关性信息，因此，针对待评估简历中的非结构化信息，可以利用简历知识图谱对待评估简历中非结构化信息的语义成分进行标注，获得能表示该非结构化信息的第一结构标签，通过第一结构标签从简历知识图谱中获得非结构化信息相对于岗位需求的相关性信息，并以该相关性信息作为评估因子确定待评估简历相对于目标岗位的相关性，能够对简历中的非结构化信息进行理解和分析，将其作为评价简历的重要依据，提高评估质量，并且避免人工评估简历导致的人力资源浪费。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本说明书。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本说明书的实施例，并与说明书一起用于解释本说明书的原理。
图1是本说明书根据一示例性实施例示出的一种基于知识图谱进行简历评估的方法的流程图。
图2是本说明书根据一示例性实施例示出的一种简历转换成文本依存树的示意图。
图3是本说明书根据一示例性实施例示出的一种基于知识图谱进行简历评估的***的架构图。
图4是本说明书基于知识图谱进行简历评估的装置所在计算机设备的一种硬件结构图。
图5是本说明书根据一示例性实施例示出的一种基于知识图谱进行简历评估的装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本说明书的一些方面相一致的装置和方法的例子。
在本说明书使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书。在本说明书和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本说明书可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本说明书范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
目标自动简历评估技术实际上还停留在简历识别和解析阶段。简历识别和解析是实现对简历进行版面分析，并按照预先设定的目标字段，识别、抽取求职者相应信息，完成简历自动阅读的过程。申请人发现，针对简历识别和解析，基于纯规则的方法可以根据预先设定的关键词对简历分段，认为多个连续的行构成一个段，如基本信息、教育经历、工作经历等。对每一个分好的段落根据正则表达式匹配、模板规则匹配的方式提取关键信息。然而，纯规则的方法只有当简历有固定模板时才能达到较高的准确率，这在实际应用上是不现实的。为了应对复杂多变的简历结构并达到一定的准确程度，需要人工编写大量规则，同时需要维护大量关键词及同义词典，随着简历解析需求的不断上升，后期维护也越来越麻烦。对于规则无法覆盖的情况，解析的召回率差。针对简历评估，目前的简历评估技术并不能达到真正的自动人才评估目的，只能将极少数的信息纳入评估范围，主要是容易提取的结构化信息、匹配到的关键词等。实际上简历中很多信息都包含在工作经历、项目经历等大段的自然文本描述中，是评价应聘者综合实力和工作能力的重要依据。但在目前的技术中，这些信息首先在解析过程中就无法被抽取，更无法纳入最终的简历评估，一般只能在整段录入***后，仍然要依靠人工阅读和评判的方式进行评估，人力成本高。
鉴于此，本说明书实施例提供一种基于知识图谱进行简历评估的方案，针对纯规则方法无法解决的大段描述性文本解析问题，通过自然语言处理技术对其进行语义层面的理解，提炼项目内容、应聘者的参与程度、完成程度等，并结合简历信息与岗位的相关性、应聘者的各项能力进行评分，实现真正意义上的简历内容全面评估。如，可以利用基于简历知识图谱对待评估简历进行处理获得的数据表示和数据内容去拟合已评估过的简历，当拟合的简历符合要求后，可以用来评估新的简历。
如图1所示，是本说明书根据一示例性实施例示出的一种基于知识图谱进行简历评估的方法的流程图，预先利用已评估过的历史简历生成简历知识图谱，所述简历知识图谱中包括历史简历的简历信息相对于岗位需求的相关性信息，待评估简历中包括非结构化信息，所述方法包括：
在步骤102中，利用简历知识图谱对待评估简历中非结构化信息的语义成分进行标注，获得能表示该非结构化信息的第一结构标签；
在步骤104中，获得目标岗位的岗位需求；
在步骤106中，通过第一结构标签从简历知识图谱中获得所述非结构化信息相对于所述岗位需求的相关性信息，并以所述相关性信息作为评估因子确定待评估简历相对于目标岗位的相关性。
本实施例提供的基于知识图谱进行简历评估的方法可以通过软件执行，也可以通过软件和硬件相结合或者硬件执行的方式实现，所涉及的硬件可以由两个或多个物理实体构成，也可以由一个物理实体构成。本实施例方法可以应用于具有处理能力的电子设备。其中，电子设备可以是PC、平板电脑、笔记本电脑、台式电脑等设备。
知识图谱，其本质上是语义网络，是一种基于图的数据结构，可以由节点(Point)和边(Edge)组成。在知识图谱里，每个节点表示现实世界中存在的“实体”，每条边为实体与实体之间的“关系”。知识图谱是关系的有效的表示方式。通俗理解，知识图谱可以是把所有不同种类的信息连接在一起而得到的一个关系网络。知识图谱提供了从“关系”的角度去分析问题的能力。假设用知识图谱来描述一个事实：张三是李四的父亲。这里实体是张三和李四，关系是父亲。当然，张三和李四有可能会跟其他人存在着某种类型的关系，在此暂不考虑。当把电话号码也作为节点加入到知识图谱以后，电话号码也是实体，人和电话之间也可以定义一种关系叫has_phone，即某个电话号码属于某个人。可以把时间作为属性添加到has_phone关系里来表示开通电话号码的时间，这种属性不仅可以加到关系里，还可以加到实体当中等。
简历知识图谱是利用简历相关的信息构建的知识图谱。简历知识图谱可以是一整套实现知识表示和推理的框架，包括知识图谱实体、关系、词林(同义词、上下位词)、垂直知识图谱(领域专业图谱)、知识维护模块、机器学习推理引擎(上下位和等位推理、不一致推理、知识发现推理、本体概念推理)等。知识图谱的推理机制一方面在简历解析时起到辅助识别作用；另一方面在信息评估中，实现实体定位、匹配程度识别等功能，为最终的简历评估提供支持。
在一个实施例中，可以利用已评估过的历史简历生成简历知识图谱。已评估过的历史简历，可以包括已经应聘成功的求职者的简历，还可以包括没有应聘成功的求职者的简历。已评估过的历史简历，可以是对历史简历进行整体评分后的简历，也可以是针对简历中一个或多个简历信息进行评分后的简历。简历知识图谱中至少包括历史简历的简历信息相对于岗位的岗位需求的相关性信息。岗位需求可以由招聘需求和领域定位确定。例如，可以包括技能需求、学历需求、工作年限需求、行业特征需求等等。简历信息可以是简历中记录的信息，例如，包括个人描述、学习经历描述、工作经历描述等。简历知识图谱中的节点以及节点间的关系，可以根据需求配置。例如，简历知识图谱中的节点可以包括岗位节点和简历节点等。岗位节点可以用于表示岗位需求，简历节点可以用于表示与简历相关的信息。简历知识图谱中的节点连边用于表示相连节点之间具有关联关系。相关性信息可以是关联度、评分或匹配度等用于评价关联性的信息。示例的，简历节点与岗位节点的节点连边的属性，可以包括简历节点相对于岗位节点的价值属性。价值属性可以由评分值/关联度等方式来体现。在某些示例中，某些简历节点还具有价值属性。例如，某个节点表示获得了诺贝尔奖，该节点具有价值属性，用来描述该节点的价值。在确定节点间的相关性时，可以由节点间连边的价值属性来确定，也可以由节点的价值属性来确定。
构建简历知识图谱的方式有很多种，以下介绍一种简历知识图谱构建方法，所述方法可以包括：深度版面分析过程和图谱构建过程。深度版面分析过程又包括版面依存关系提取过程和信息抽取和理解过程。
在版面依存关系提取过程中，可以包括：利用图像分割算法对历史简历版面的空间逻辑区域进行划分；识别空间逻辑区域所对应的区域内容的区域类型，所述区域类型包括：图像、标题或文本内容；依据不同空间逻辑区域间的几何位置关系获得区域内容的逻辑依存关系；将具有逻辑依存关系以及区域类型的区域内容进行文字识别，并生成文本依存树。
简历中往往包括图像、标题、文本内容等，为了对简历的版面进行深度分析，可以利用图像分割算法对历史简历版面的空间逻辑区域进行划分。如图2中A所示，是一种简历示意图。通过图像分割算法，可以将简历版面的空间逻辑区域划分为多个区域，并结合空间逻辑区域的区域特征，识别其所对应的区域内容的区域类型，以对区域内容进行区分。例如，哪个空间逻辑区域是图像，哪个空间逻辑区域是标题，哪个空间逻辑区域是文本内容等。通过对各个区域的空间几何位置关系分析，判断各个区域之间的逻辑依存关系，进而将空间几何关系映射成逻辑树结构。针对文本内容，对文本内容进行字符分割，可以利用光学字符识别技术对文本内容进行识别，结合识别结果以及区域内容的逻辑依存关系和区域类型，生成文本依存树。如图2中B所示，是采用版面依存关系提取方法生成的文本依存树。在文本依存树中，既对文本内容进行了文字识别，还能体现出不同信息间的逻辑依存关系。可以理解的是，图2中B仅是一种示例，文本依存树还可以以其他形式存在，只要能体现出区域内容的逻辑依存关系以及具体内容即可。
在获得文本依存树后，可以从文本依存树中提取简历信息。简历信息可能是结构化信息，也可能是非结构化信息。针对结构化信息，可以直接从文本依存树中提取，并获得结构化信息相对于岗位需求的价值或者结构化信息的价值属性，将其添加至已有的简历知识图谱中。针对非结构化信息，可以通过序列学习模型，对文本序列的语义成分进行打标。简历中的文本段落往往是非结构化信息，而文本段落一般是对个人经历和经验的描述，因此这里的序列标注可以是对事件主体成分的识别，如时间、地点、身份、施受行为、目标实体等。识别到的不同字段需要进行不同的后处理操作，比如时间标准化、施受行为归一化、实体查询和认证等。对后处理后的信息进行实体标注，并将已标注实体添加至已有的简历知识图谱。利用大量的已评估过的历史简历不断更新简历指示图谱，使简历知识图谱具有丰富的关系。可以理解的是，在构建简历知识图谱时，除了将已评估过的历史简历作为数据源构建简历知识图谱，还可以采用其他数据源进行辅助构建，以获得较完善的简历知识图谱。
可以理解的是，还可以采用其他手段构建简历知识图谱，在此不一一赘述。
接下来介绍如何利用简历知识图谱对待评估简历进行评估。
待评估简历中可以包括非结构化信息，还可以包括结构化信息。在一个实施例中，可以预先将待评估简历转换为文本依存树，所述待评估简历的结构化信息/非结构化信息可以从文本依存树中获得。例如，对文本依存树的每个节点进行遍历，以获得能表示非结构化信息的第一结构标签。文本依存树可以是能体现出待评估简历中图像、标题、以及文本内容等间逻辑依存关系的树。示例的，所述文本依存树的生成过程可以包括：
利用图像分割算法对待评估简历版面的空间逻辑区域进行划分；
识别空间逻辑区域所对应的区域内容的区域类型，所述区域类型包括：图像、标题或文本内容；
依据不同空间逻辑区域间的几何位置关系获得区域内容的逻辑依存关系；
将具有逻辑依存关系以及区域类型的区域内容进行文字识别，并生成文本依存树。
本实施例可以将传统版面分析与深度学习结合，实现简历段落结构依存关系提取。简历知识图谱应用阶段进行的文本依存树生成过程，与简历知识图谱生成阶段进行的文本依存树生成过程相关，在此不再赘述。如图2所示，给出一种简历转换到依存树的示例。
针对非结构化信息，可以利用简历知识图谱对待评估简历中非结构化信息的语义成分进行标注，获得能表示该非结构化信息的第一结构标签。
对待评估简历中非结构化信息的语义成分进行标注的目的，可以是语义分类，以便能利用第一结构标签表示非结构化信息，实现将非结构化信息转换成结构化的标签，以便后续操作。在一个实施例中，第一结构标签可以包括语义成分以及语义成分的标注结果。相应的，所述利用简历知识图谱对待评估简历中非结构化信息的语义成分进行标注，获得能表示该非结构化信息的第一结构标签，可以包括：
识别待评估简历中非结构化信息的主体成分，所述主体成本包括：时间、地点、身份、或施受行为；
利用简历知识图谱对识别出的主体成分进行后处理，获得能表示该非结构化信息的第一结构标签；所述第一结构标签中包括处理后的主体成分及其标注结果，所述后处理包括时间标准化、施受行为归一化、或者实体查询和认证。
在该实施例中，可以对非结构化信息进行事件主体成分的识别，如时间、地点、身份、施受行为、目标实体等。识别到的不同字段需要进行不同的后处理操作，比如时间标准化、施受行为归一化、实体查询和认证等。这一部分中涉及大量与简历知识图谱中知识库的交互，还可以使用到知识图谱中的推理引擎。以实体查询和认证为例，识别依赖于语义结构而非不依赖于实体字典，标记到的实体提交简历知识图谱定位到相关的本体节点，对于知识库中没有的信息，通过互联网获取新知识。以识别到语义成分“杭州”为例，利用简历知识图谱中的推理引擎，可以对语义成分进行统一。推理引擎可以包括逻辑语言转换、上下位和等价推理、本体概念推理、不一致推理、知识发现推理等。可见，不仅能实现实体统一，对于未知实体名(如公司、期刊等)或未知词，可以通过知识图谱的知识发现推理引擎加以识别，不再需要人工维护大规模关键词、同义词、实体名等词典。针对实体“杭州”，其标注结果可以是“Location”。以非结构化信息“我于2019年7月在W公司完成了A项目”为例，识别待评估简历中非结构化信息的主体成分，例如：时间：2019.7；地点：W公司；身份：我；行为：完成A项目。进行后处理操作后可以得到第一结构标签：(我，算法专家)，(W公司，工作单位)，(完成A项目，工作内容)。第一结构标签的表达形式不限于这种表达方式，这里只是为了进行示例。利用结构标签判断第一结构标签中是否有主体成分以节点存在于知识图谱中，假设简历知识图谱中存在“工作内容”这个标签，则从工作内容所对应的节点中判断是否存在“A项目”这个工作内容，若查询到A项目，则可以将简历知识图谱中A项目所在节点与岗位B所在节点的连边的价值作为该句非结构化信息相对于岗位B的价值之一，或者将A项目所在节点的价值属性作为该句非结构化信息相对于岗位B的价值之一。
对非结构化信息的语义成分进行标注可以由深度学习模型实现。如，通过序列学习模型对文本序列的语义成分进行标注。通过深度学习模型对词序列成分进行自动标注，实现非结构化信息的高精准解析；避免了昂贵的人工规则制定和维护代价。
进一步的，若简历知识图谱中不存在第一结构标签中的主体成分，则通过语义模型确定第一结构标签中主体成分相对于所述岗位需求的相关性信息，并更新简历知识图谱。例如，以所述主体成分和所述岗位需求作为节点、以所述相关性信息作为节点连边，更新所述简历知识图谱。
简历知识图谱中不存在第一结构标签中的主体成分可以是，即便是利用知识发现推理后，仍在简历知识图谱中不存在的主体成分，则此时可以采用其他方式获取新知识，并更新到简历知识图谱中。仍以上述例子为例，如果从知识图谱中没有查询到由非结构化信息解析出的主体成分等信息，则利用语义模型分析该非结构化信息中某主体成分相对于岗位B的价值，并将非结构化信息中该主体成分和岗位B的关系，添加到知识图谱中。
关于目标岗位，在求职者投递目标岗位的场景中，目标岗位可以是求职者所投递的岗位。在向聘用方推荐简历的场景中，目标岗位可以是聘用方所招聘的岗位。岗位需求可以从聘用方当前公开的招聘信息中获取，还可以从聘用方历史招聘信息或者相同岗位的其他聘用方的招聘信息中获取，具体可以根据需求配置。岗位需求可以是技能需求、学历需求、工作年限需求、行业特征需求等等。进一步的，还可以根据简历与目标岗位的相关性向聘用方推荐简历等。
在获得非结构化信息的第一结构标签以及目标岗位的岗位需求后，可以通过第一结构标签从简历知识图谱中获得所述非结构化信息相对于所述岗位需求的相关性信息，并以所述相关性信息作为评估因子确定待评估简历相对于目标岗位的相关性。
其中，第一结构标签可以包括处理后的主体成分及其标注结果。某些主体成分可能是实体。非结构化信息相对于岗位需求的相关性信息，可以基于第一结构标签中实体所在节点以及岗位需求所在节点的关系获得，也可以基于第一结构标签中实体所在节点的价值属性获得。一条第一结构标签中可能有一个实体或多个实体存在于简历知识图谱中，可以利用第一结构标签中存在于简历知识图谱中的所有实体的价值或者与岗位需求的关系，获得该第一结构标签相对于岗位需求的相关性信息，可以将该相关性信息认为是非结构化信息相对于所述岗位需求的相关性信息，进而可以将待评估简历中各非结构化信息对应的相关性信息作为评估因子确定待评估简历相对于目标岗位的相关性。
在一个实施例中，待评估简历除了非结构化信息外，还可能包括结构化信息，鉴于此，待评估简历相对于目标岗位的相关性还以所述结构化信息相对于所述岗位需求的相关性信息作为评估因子，所述结构化信息相对于所述岗位需求的相关性信息可以从简历知识图谱中获得。
在该实施例中，既以非结构化信息相对于岗位需求的相关性信息作为评估因子，又以结构化信息相对于岗位需求的相关性信息作为评估因子，实现综合评估。
示例的，所述结构化信息相对于所述岗位需求的相关性信息利用第二结构标签从简历知识图谱中获得，所述第二结构标签利用等价推理引擎对结构化信息及其标题进行推理后获得。例如，结构化信息也可以从依存树中获得，在对文本依存树每个节点进行遍历过程中，获得结构化信息对应的第二结构标签。
诸如学历、论文、专利产出等结构化信息，可以采用模板匹配等方法提取。利用等价推理引擎对结构化信息及其标题进行推理，可以实现信息统一，从而获得第二结构标签。利用第二结构标签可以快速从知识图谱中定位到结构化信息所对应的实体，从而获得结构化信息相对于岗位需求的相关性信息。
结构化信息如学历、论文、专利产出等，以及部分非结构化信息如文本段落解析出的关键实体名称，根据知识图谱的相关性和价值推理，直接转化为评分。其余非结构化信息，如对项目参与过程的描述，还可以通过语义模型编码，旨在对事件的价值进行辅助评价。最终的评估模型根据上述所有信息给出简历整体评分。其中，所有评估模型可以根据历史简历以及历史评价训练得到。
以上实施方式中的各种技术特征可以任意进行组合，只要特征之间的组合不存在冲突或矛盾，但是限于篇幅，未进行一一描述，因此上述实施方式中的各种技术特征的任意进行组合也属于本说明书公开的范围。
以下以其中一种组合进行示例说明。
如图3所示，提供一种基于知识图谱进行简历评估的***的架构图。所述***可以包括三个部分：深度版面分析模块、信息整合与评估模块以及知识图谱。本说明书将知识图谱应用于自动简历评估，并强调其在整个过程中的重要作用。知识图谱的推理机制一方面在版面解析时起到辅助识别作用；另一方面在信息评估中，实现实体定位、匹配程度识别等功能，为最终的简历评估提供支持。深度版面分析模块根据实现的功能又分为两个子模块：版面依存关系提取子模块、信息抽取和理解子模块。版面依存关系提取子模块可以通过空间逻辑区域划分、区域类型识别、几何关系到逻辑关系结构映射、字符分割、字符识别等手段获得文本依存树。信息抽取和理解子模块可以利用知识图谱将结构化信息转换为第二结构标签，将非结构化信息中的文本段落进行语义成分打标，从而获得第一结构标签。在简历知识图谱中，可以包括推理引擎、知识获取、知识维护、知识库等。推理引擎又可以包括逻辑语言转换、上下位和等价推理、不一致推理、本体概念推理、知识发现推理等。逻辑语言转换用于进行不同语言间的转换。上下位推理可以用于实现上下位词推理。本体概念推理可以是推导出相同含义的本体。不一致推理可以是推导出不同实体。知识发现推理是利用节点及节点关系推理出新的节点或节点关系。知识获取可以是从互联网获取知识，也可以由异构知识转换获得。当然，还可以是其他方式获得。知识维护包括知识库维护、索引维护以及收藏和自学习，以实现图谱的维护。知识库中可以包括实体、关系、上下位、词林以及垂直知识库。垂直知识库可以是领域专业图谱。在信息整合与评估模块中，可以利用简历知识图谱对第一结构标签、第二结构标签以及岗位需求进行关系查询和相关性抽象，并将其他有效语义文本输入语义信息编码模型，以对事件的价值进行辅助评价，综合上述信息，可以实现对待评估简历的评估。本说明书实施例提出深度版面分析的概念，将传统版面分析与深度学习相结合，针对以往的简历解析和所谓简历评估技术中无法处理的复杂信息区域(一般以大段描述性文本为主)问题，结合自然语言理解和知识图谱技术进行二次分析，大大提升了简历评估的全面性和自动化程度。第一次提出将知识图谱运用于简历解析和自动评估中，并验证了其对于信息抽取和理解的重要性和有效性。
与前述基于知识图谱进行简历评估的方法的实施例相对应，本说明书还提供了基于知识图谱进行简历评估的装置及其所应用的电子设备的实施例。
本说明书基于知识图谱进行简历评估的装置的实施例可以应用在计算机设备。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在计算机设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图4所示，为本说明书基于知识图谱进行简历评估的装置所在计算机设备的一种硬件结构图，除了图4所示的处理器410、网络接口420、内存430、以及非易失性存储器440之外，实施例中基于知识图谱进行简历评估的装置431所在的计算机设备通常根据该设备的实际功能，还可以包括其他硬件，对此不再赘述。
如图5所示，是本说明书根据一示例性实施例示出的一种基于知识图谱进行简历评估的装置的框图，预先利用已评估过的历史简历生成简历知识图谱，所述简历知识图谱中包括历史简历的简历信息相对于岗位需求的相关性信息，待评估简历中包括非结构化信息，所述装置包括：
信息标注模块52，用于利用简历知识图谱对待评估简历中非结构化信息的语义成分进行标注，获得能表示该非结构化信息的第一结构标签；
需求获得模块54，用于获得目标岗位的岗位需求；
简历评估模块56，用于通过第一结构标签从简历知识图谱中获得所述非结构化信息相对于所述岗位需求的相关性信息，并以所述相关性信息作为评估因子确定待评估简历相对于目标岗位的相关性。
在一个实施例中，所述信息标注模块52具体用于：
识别待评估简历中非结构化信息的主体成分，所述主体成本包括：时间、地点、身份、或施受行为；
利用简历知识图谱对识别出的主体成分进行后处理，获得能表示该非结构化信息的第一结构标签；所述第一结构标签中包括处理后的主体成分及其标注结果，所述后处理包括时间标准化、施受行为归一化、或者实体查询和认证。
在一个实施例中，所述待评估简历的非结构化信息从文本依存树中获得，所述装置还包括依存树生成模块(图5未示出)，用于：
利用图像分割算法对待评估简历版面的空间逻辑区域进行划分；
识别空间逻辑区域所对应的区域内容的区域类型，所述区域类型包括：图像、标题或文本内容；
依据不同空间逻辑区域间的几何位置关系获得区域内容的逻辑依存关系；
将具有逻辑依存关系以及区域类型的区域内容进行文字识别，并生成文本依存树。
在一个实施例中，所述装置还包括图谱更新模块(图5未示出)，用于：
若简历知识图谱中不存在第一结构标签中的主体成分，则通过语义模型确定第一结构标签中主体成分相对于所述岗位需求的相关性信息，并以所述主体成分和所述岗位需求作为节点、以所述相关性信息作为节点连边，更新所述简历知识图谱。
在一个实施例中，所述待评估简历的简历信息还包括结构化信息，待评估简历相对于目标岗位的相关性还以所述结构化信息相对于所述岗位需求的相关性信息作为评估因子，所述结构化信息相对于所述岗位需求的相关性信息从简历知识图谱中获得。
进一步的，所述结构化信息相对于所述岗位需求的相关性信息是利用第二结构标签从简历知识图谱中获得，所述第二结构标签利用等价推理引擎对结构化信息及其标题进行推理后获得。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
相应的，本说明书实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现上述任一项所述基于知识图谱进行简历评估的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
相应的，本说明书实施例还提供一种计算机存储介质，所述存储介质中存储有程序指令，所述程序指令被处理器执行时实现上述任一项所述基于知识图谱进行简历评估的方法。
本说明书实施例可采用在一个或多个其中包含有程序代码的存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。计算机可用存储介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括但不限于：相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
本领域技术人员在考虑说明书及实践这里申请的发明后，将容易想到本说明书的其它实施方案。本说明书旨在涵盖本说明书的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本说明书的一般性原理并包括本说明书未申请的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本说明书的真正范围和精神由下面的权利要求指出。
应当理解的是，本说明书并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本说明书的范围仅由所附的权利要求来限制。
以上所述仅为本说明书的较佳实施例而已，并不用以限制本说明书，凡在本说明书的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书保护的范围之内。
Claims (10)
1.一种基于知识图谱进行简历评估的方法，预先利用已评估过的历史简历生成简历知识图谱，所述简历知识图谱中包括历史简历的简历信息相对于岗位需求的相关性信息，待评估简历中包括非结构化信息，所述方法包括：
利用简历知识图谱对待评估简历中非结构化信息的语义成分进行标注，获得能表示该非结构化信息的第一结构标签；
获得目标岗位的岗位需求；
通过第一结构标签从简历知识图谱中获得所述非结构化信息相对于所述岗位需求的相关性信息，并以所述相关性信息作为评估因子确定待评估简历相对于目标岗位的相关性。
2.根据权利要求1所述的方法，所述利用简历知识图谱对待评估简历中非结构化信息的语义成分进行标注，获得能表示该非结构化信息的第一结构标签，包括：
识别待评估简历中非结构化信息的主体成分，所述主体成本包括：时间、地点、身份、或施受行为；
利用简历知识图谱对识别出的主体成分进行后处理，获得能表示该非结构化信息的第一结构标签；所述第一结构标签中包括处理后的主体成分及其标注结果，所述后处理包括时间标准化、施受行为归一化、或者实体查询和认证。
3.根据权利要求1所述的方法，所述方法还包括：
若简历知识图谱中不存在第一结构标签中的主体成分，则通过语义模型确定第一结构标签中主体成分相对于所述岗位需求的相关性信息，并以所述主体成分和所述岗位需求作为节点、以所述相关性信息作为节点连边，更新所述简历知识图谱。
4.根据权利要求1所述的方法，所述待评估简历的简历信息还包括结构化信息，待评估简历相对于目标岗位的相关性还以所述结构化信息相对于所述岗位需求的相关性信息作为评估因子，所述结构化信息相对于所述岗位需求的相关性信息从简历知识图谱中获得。
5.根据权利要求4所述的方法，所述结构化信息相对于所述岗位需求的相关性信息是利用第二结构标签从简历知识图谱中获得，所述第二结构标签利用等价推理引擎对结构化信息及其标题进行推理后获得。
6.根据权利要求1至5任一项所述的方法，所述待评估简历的结构化信息/非结构化信息从文本依存树中获得，所述文本依存树的生成过程包括：
利用图像分割算法对待评估简历版面的空间逻辑区域进行划分；
识别空间逻辑区域所对应的区域内容的区域类型，所述区域类型包括：图像、标题或文本内容；
依据不同空间逻辑区域间的几何位置关系获得区域内容的逻辑依存关系；
将具有逻辑依存关系以及区域类型的区域内容进行文字识别，并生成文本依存树。
7.一种基于知识图谱进行简历评估的装置，预先利用已评估过的历史简历生成简历知识图谱，所述简历知识图谱中包括历史简历的简历信息相对于岗位需求的相关性信息，待评估简历中包括非结构化信息，所述装置包括：
信息标注模块，用于利用简历知识图谱对待评估简历中非结构化信息的语义成分进行标注，获得能表示该非结构化信息的第一结构标签；
需求获得模块，用于获得目标岗位的岗位需求；
简历评估模块，用于通过第一结构标签从简历知识图谱中获得所述非结构化信息相对于所述岗位需求的相关性信息，并以所述相关性信息作为评估因子确定待评估简历相对于目标岗位的相关性。
8.根据权利要求7所述的装置，所述信息标注模块具体用于：
识别待评估简历中非结构化信息的主体成分，所述主体成本包括：时间、地点、身份、或施受行为；
利用简历知识图谱对识别出的主体成分进行后处理，获得能表示该非结构化信息的第一结构标签；所述第一结构标签中包括处理后的主体成分及其标注结果，所述后处理包括时间标准化、施受行为归一化、或者实体查询和认证。
9.根据权利要求7或8所述的装置，所述待评估简历的非结构化信息从文本依存树中获得，所述装置还包括依存树生成模块，用于：
利用图像分割算法对待评估简历版面的空间逻辑区域进行划分；
识别空间逻辑区域所对应的区域内容的区域类型，所述区域类型包括：图像、标题或文本内容；
依据不同空间逻辑区域间的几何位置关系获得区域内容的逻辑依存关系；
将具有逻辑依存关系以及区域类型的区域内容进行文字识别，并生成文本依存树。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现权利要求1至6任一项所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910641950.5A CN110443571A (zh) | 2019-07-16 | 2019-07-16 | 基于知识图谱进行简历评估的方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910641950.5A CN110443571A (zh) | 2019-07-16 | 2019-07-16 | 基于知识图谱进行简历评估的方法、装置及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110443571A true CN110443571A (zh) | 2019-11-12 |
Family
ID=68430542
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910641950.5A Pending CN110443571A (zh) | 2019-07-16 | 2019-07-16 | 基于知识图谱进行简历评估的方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110443571A (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110941703A (zh) * | 2019-12-03 | 2020-03-31 | 南京烽火星空通信发展有限公司 | 一种基于机器学习和模糊规则的集成简历信息抽取方法 |
| CN111078835A (zh) * | 2019-12-05 | 2020-04-28 | 平安金融管理学院(中国·深圳) | 简历评估方法、装置、计算机设备及存储介质 |
| CN111160802A (zh) * | 2019-12-31 | 2020-05-15 | 清华大学 | 预设方案评估方法及装置 |
| CN111460813A (zh) * | 2020-03-04 | 2020-07-28 | 北京网聘咨询有限公司 | 招聘信息和求职简历匹配的方法及*** |
| CN111737485A (zh) * | 2020-05-28 | 2020-10-02 | 广东轩辕网络科技股份有限公司 | 基于知识图谱、深度学习的人岗匹配方法、人岗匹配*** |
| CN112308535A (zh) * | 2020-11-26 | 2021-02-02 | 上海松鼠课堂人工智能科技有限公司 | 基于知识图谱的岗位选择评估推荐方法及*** |
| CN113240400A (zh) * | 2021-06-02 | 2021-08-10 | 北京金山数字娱乐科技有限公司 | 一种基于知识图谱的候选人确定方法及装置 |
| WO2021156684A1 (en) * | 2020-02-07 | 2021-08-12 | International Business Machines Corporation | Extracting information from unstructured documents using natural language processing and conversion of unstructured documents into structured documents |
| CN113378523A (zh) * | 2021-06-03 | 2021-09-10 | 五八到家有限公司 | 简历快速生成方法、***、设备及介质 |
| CN113468077A (zh) * | 2021-09-06 | 2021-10-01 | 北京无疆脑智科技有限公司 | 认知能力测试方法、装置、电子设备和存储介质 |
| CN113673943A (zh) * | 2021-07-19 | 2021-11-19 | 清华大学深圳国际研究生院 | 一种基于履历大数据的人员任免辅助决策方法及*** |
| CN115293131A (zh) * | 2022-09-29 | 2022-11-04 | 广州万维视景科技有限公司 | 数据匹配方法、装置、设备及存储介质 |
| US11809508B1 (en) * | 2023-06-15 | 2023-11-07 | Geodex Inc. | Artificial intelligence geospatial search |
| CN117314378A (zh) * | 2023-09-27 | 2023-12-29 | 深圳夸夸菁领科技有限公司 | 一种智能寻才的方法及rpa机器人*** |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102110085A (zh) * | 2009-12-29 | 2011-06-29 | 北京大学 | 一种基于排版对象依存关系的自动排版方法及*** |
| CN104834668A (zh) * | 2015-03-13 | 2015-08-12 | 浙江奇道网络科技有限公司 | 基于知识库的职位推荐*** |
| CN105260727A (zh) * | 2015-11-12 | 2016-01-20 | 武汉大学 | 基于图像处理与序列标注的学术文献语义再结构化方法 |
| CN108920544A (zh) * | 2018-06-13 | 2018-11-30 | 桂林电子科技大学 | 一种基于知识图谱的个性化职位推荐方法 |
| CN109460479A (zh) * | 2018-11-19 | 2019-03-12 | 广州合摩计算机科技有限公司 | 一种基于事理图谱的预测方法、装置和*** |
| CN109492164A (zh) * | 2018-11-26 | 2019-03-19 | 北京网聘咨询有限公司 | 一种简历的推荐方法、装置、电子设备及存储介质 |
| CN109684441A (zh) * | 2018-12-21 | 2019-04-26 | 义橙网络科技(上海)有限公司 | 对职位和简历进行匹配的方法、***、设备和介质 |
| CN109726253A (zh) * | 2018-12-21 | 2019-05-07 | 义橙网络科技(上海)有限公司 | 人才图谱及人才画像的构建方法、装置、设备及介质 |
-
2019
- 2019-07-16 CN CN201910641950.5A patent/CN110443571A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102110085A (zh) * | 2009-12-29 | 2011-06-29 | 北京大学 | 一种基于排版对象依存关系的自动排版方法及*** |
| CN104834668A (zh) * | 2015-03-13 | 2015-08-12 | 浙江奇道网络科技有限公司 | 基于知识库的职位推荐*** |
| CN105260727A (zh) * | 2015-11-12 | 2016-01-20 | 武汉大学 | 基于图像处理与序列标注的学术文献语义再结构化方法 |
| CN108920544A (zh) * | 2018-06-13 | 2018-11-30 | 桂林电子科技大学 | 一种基于知识图谱的个性化职位推荐方法 |
| CN109460479A (zh) * | 2018-11-19 | 2019-03-12 | 广州合摩计算机科技有限公司 | 一种基于事理图谱的预测方法、装置和*** |
| CN109492164A (zh) * | 2018-11-26 | 2019-03-19 | 北京网聘咨询有限公司 | 一种简历的推荐方法、装置、电子设备及存储介质 |
| CN109684441A (zh) * | 2018-12-21 | 2019-04-26 | 义橙网络科技(上海)有限公司 | 对职位和简历进行匹配的方法、***、设备和介质 |
| CN109726253A (zh) * | 2018-12-21 | 2019-05-07 | 义橙网络科技(上海)有限公司 | 人才图谱及人才画像的构建方法、装置、设备及介质 |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110941703A (zh) * | 2019-12-03 | 2020-03-31 | 南京烽火星空通信发展有限公司 | 一种基于机器学习和模糊规则的集成简历信息抽取方法 |
| CN111078835A (zh) * | 2019-12-05 | 2020-04-28 | 平安金融管理学院(中国·深圳) | 简历评估方法、装置、计算机设备及存储介质 |
| CN111160802A (zh) * | 2019-12-31 | 2020-05-15 | 清华大学 | 预设方案评估方法及装置 |
| CN111160802B (zh) * | 2019-12-31 | 2023-02-28 | 清华大学 | 预设方案评估方法及装置 |
| GB2607833A (en) * | 2020-02-07 | 2022-12-14 | Ibm | Extracting information from unstructured documents using natural language processing and conversion of unstructured documents into structured documents |
| WO2021156684A1 (en) * | 2020-02-07 | 2021-08-12 | International Business Machines Corporation | Extracting information from unstructured documents using natural language processing and conversion of unstructured documents into structured documents |
| CN111460813B (zh) * | 2020-03-04 | 2023-04-18 | 北京网聘咨询有限公司 | 招聘信息和求职简历匹配的方法及*** |
| CN111460813A (zh) * | 2020-03-04 | 2020-07-28 | 北京网聘咨询有限公司 | 招聘信息和求职简历匹配的方法及*** |
| CN111737485A (zh) * | 2020-05-28 | 2020-10-02 | 广东轩辕网络科技股份有限公司 | 基于知识图谱、深度学习的人岗匹配方法、人岗匹配*** |
| CN112308535B (zh) * | 2020-11-26 | 2021-07-16 | 上海松鼠课堂人工智能科技有限公司 | 基于知识图谱的岗位选择评估推荐方法及*** |
| CN112308535A (zh) * | 2020-11-26 | 2021-02-02 | 上海松鼠课堂人工智能科技有限公司 | 基于知识图谱的岗位选择评估推荐方法及*** |
| CN113240400A (zh) * | 2021-06-02 | 2021-08-10 | 北京金山数字娱乐科技有限公司 | 一种基于知识图谱的候选人确定方法及装置 |
| CN113378523A (zh) * | 2021-06-03 | 2021-09-10 | 五八到家有限公司 | 简历快速生成方法、***、设备及介质 |
| CN113673943B (zh) * | 2021-07-19 | 2023-02-10 | 清华大学深圳国际研究生院 | 一种基于履历大数据的人员任免辅助决策方法及*** |
| CN113673943A (zh) * | 2021-07-19 | 2021-11-19 | 清华大学深圳国际研究生院 | 一种基于履历大数据的人员任免辅助决策方法及*** |
| CN113468077A (zh) * | 2021-09-06 | 2021-10-01 | 北京无疆脑智科技有限公司 | 认知能力测试方法、装置、电子设备和存储介质 |
| CN115293131B (zh) * | 2022-09-29 | 2023-01-06 | 广州万维视景科技有限公司 | 数据匹配方法、装置、设备及存储介质 |
| CN115293131A (zh) * | 2022-09-29 | 2022-11-04 | 广州万维视景科技有限公司 | 数据匹配方法、装置、设备及存储介质 |
| US11809508B1 (en) * | 2023-06-15 | 2023-11-07 | Geodex Inc. | Artificial intelligence geospatial search |
| CN117314378A (zh) * | 2023-09-27 | 2023-12-29 | 深圳夸夸菁领科技有限公司 | 一种智能寻才的方法及rpa机器人*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110443571A (zh) | 基于知识图谱进行简历评估的方法、装置及设备 | |
| CN102262634B (zh) | 一种自动问答方法及*** | |
| CN111475623A (zh) | 基于知识图谱的案件信息语义检索方法及装置 | |
| CN106663125A (zh) | 提问句生成装置以及计算机程序 | |
| Zirn et al. | Multidimensional topic analysis in political texts | |
| CN112328800A (zh) | 自动生成编程规范问题答案的***及方法 | |
| CN111858962B (zh) | 数据处理方法、装置及计算机可读存储介质 | |
| CN106897274B (zh) | 一种跨语种的点评复述方法 | |
| Lacasta et al. | Design and evaluation of a semantic enrichment process for bibliographic databases | |
| CN111104503A (zh) | 一种建筑工程质量验收规范问答***及其构建方法 | |
| CN116401341A (zh) | 面向理解的互动答疑*** | |
| Alfonseca et al. | An approach for automatic generation of adaptive hypermedia in education with multilingual knowledge discovery techniques | |
| Burghardt et al. | Same same, but different? On the Relation of Information Science and the Digital Humanities A Scientometric Comparison of Academic Journals Using LDA and Hierarchical Clustering | |
| JP6942759B2 (ja) | 情報処理装置、プログラム及び情報処理方法 | |
| Riza et al. | Natural language processing and levenshtein distance for generating error identification typed questions on TOEFL | |
| Karpagam et al. | Deep learning approaches for answer selection in question answering system for conversation agents | |
| Gillani Andleeb | From text mining to knowledge mining: An integrated framework of concept extraction and categorization for domain ontology | |
| Bansal et al. | Literature review of finding duplicate bugs in open source systems | |
| Battles | Andreas, intertextuality, and three modes of philology: Traditional, oral, digital | |
| Chiu et al. | Using rough set theory to construct e-learning faq retrieval infrastructure | |
| Jiménez et al. | Opinion Mining for Instructor Evaluations at the Autonomous University of Ciudad Juarez | |
| Segedinac et al. | Automatic Population of Educational Ontology from Course Materials | |
| Wartena et al. | Challenges and potentials for keyword extraction from company websites for the development of regional knowledge maps | |
| Kavitha et al. | Refine search by Question Answering System by using Knowledge Graphs | |
| Niemann et al. | Enabling the use of real world objects to improve learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20200923 Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands Applicant after: Innovative advanced technology Co.,Ltd. Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands Applicant before: Advanced innovation technology Co.,Ltd. Effective date of registration: 20200923 Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman Islands Applicant after: Advanced innovation technology Co.,Ltd. Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands Applicant before: Alibaba Group Holding Ltd. |
|
| TA01 | Transfer of patent application right | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191112 |
|
| RJ01 | Rejection of invention patent application after publication |