CN111737485A - 基于知识图谱、深度学习的人岗匹配方法、人岗匹配*** - Google Patents

基于知识图谱、深度学习的人岗匹配方法、人岗匹配*** Download PDF

Info

Publication number
CN111737485A
CN111737485A CN202010468710.2A CN202010468710A CN111737485A CN 111737485 A CN111737485 A CN 111737485A CN 202010468710 A CN202010468710 A CN 202010468710A CN 111737485 A CN111737485 A CN 111737485A
Authority
CN
China
Prior art keywords
information
matching
basic data
post
resume
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
Application number
CN202010468710.2A
Other languages
English (en)
Inventor
蒋镇鸿
谢黛娜
吴贵业
冯元勇
陈统
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Xuanyuan Network & Technology Co ltd
Original Assignee
Guangdong Xuanyuan Network & Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Xuanyuan Network & Technology Co ltd filed Critical Guangdong Xuanyuan Network & Technology Co ltd
Priority to CN202010468710.2A priority Critical patent/CN111737485A/zh
Publication of CN111737485A publication Critical patent/CN111737485A/zh
Pending legal-status Critical Current

Links

Images

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于知识图谱、深度学***。

Description

基于知识图谱、深度学习的人岗匹配方法、人岗匹配***
技术领域
本发明涉及人工智能应用领域，尤其涉及一种基于知识图谱、深度学习的人岗匹配方法、人岗匹配***。
背景技术
随着互联网技术的不断发展，进行网上招聘的招聘单位越来越多，通过互联网找工作的求职者也越来越多，网络招聘正逐渐取代传统的“面对面”的招聘方式，尤其是招聘网站，以其快速的职位搜索与推荐技术和人才搜索与推荐技术，以及丰富的职位资源和人才资源，在一定程度上解决了招聘方“招聘人才难”的问题和求职者“求职难”的问题。
目前，企业通常通过建立人事招聘软件从网上抓取符合招聘条件的大量的简历，但是这些简历通常是杂乱无章的，无法实现招聘条件和简历的精准匹配以及分拣分类，当企业有招聘需求的时候，往往还是需要花费大量的人力和时间从人事招聘软件中获取简历进行人工精准筛选，简历筛选以及匹配的效率较慢，耗费用人单位和求职者大量的时间和精力，降低了企业人事招聘整体的管理水平。
发明内容
为了克服现有技术的不足，本发明提出一种基于知识图谱、深度学***。
为解决上述问题，本发明采用的一个技术方案为：一种基于知识图谱、深度学习的人岗匹配方法，所述人岗匹配方法包括：S101：获取待匹配的岗位的第一基础数据信息，并提取所述第一基础数据信息中与所述待匹配的岗位相关的有效信息，所述第一基础数据信息包括已选简历数据、所述岗位的招聘信息以及招聘交互记录；S102：将所述有效信息添加进知识图谱，并将所述知识图谱的信息、第一基础数据信息处理后输入推理模型，获取所述已选简历与所述岗位的匹配分数，根据所述匹配分数获取最佳推理模型；S103：获取第二基础数据信息的知识图谱信息，将所述第二基础数据信息和知识图谱信息处理后输入所述最佳推理模型，通过所述最佳推理模型获取待选简历数据与所述岗位的匹配分数，所述第二基础数据信息包括第一基础数据信息、待选简历数据以及与所述待选简历数据对应的所述岗位的招聘信息。
进一步地，所述有效信息包括学历、工作年龄以及项目经验中的关键字。
进一步地，所述招聘交互记录包括是否录取、面试邀约。
进一步地，所述将所述知识图谱的信息、第一基础数据信息处理后输入推理模型的步骤具体包括：将所述知识图谱的信息和第一基础数据信息分别进行编码处理后输入所述推理模型。
进一步地，所述已选简历数据为与所述待匹配的岗位匹配的录用简历的数据。
进一步地，所述根据所述匹配分数获取最佳推理模型的步骤具体包括：
根据所述匹配分数判断所述推理模型的准确率，根据所述准确率优化所述推理模型以获取最佳推理模型。
进一步地，基于tensorflow的框架对所述推理模型进行多次优化以获取最佳推理模型。
进一步地所述获取待匹配的岗位的第一基础数据信息的步骤具体包括：
获取不同公司同一待匹配的岗位的第一基础数据信息或获取同一公司待匹配的岗位的第一基础数据信息。
进一步地，所述通过所述最佳推理模型获取所述待选简历数据与所述岗位的匹配分数的步骤之后还包括：根据所述匹配分数推荐待选简历，并收集反馈信息。
基于相同的发明构思，本发明还提出一种人岗匹配***，所述人岗匹配***包括处理器、存储器，所述处理器与所述存储器连接：所述存储器存储有第一基础数据、第二基础数据以及计算机程序，所述处理器根据所述第一基础数据、第二基础数据以及计算机程序执行如上所述的基于知识图谱、深度学习的人岗匹配方法。
相比现有技术，本发明的有益效果在于：利用知识图谱描述已选简历数据与岗位的关系，根据该关系和第一基础数据融入推理模型进行推理得到最优推理模型，通过该最优推理模型获取待选简历数据与岗位的匹配分数，能够精确且高效的迅速进行匹配，获取简历与岗位的匹配结果，简历筛选以及匹配的效率高，大大降低用人单位和求职者的时间和精力，提高了企业人事招聘整体的管理水平。
附图说明
图1为本发明基于知识图谱、深度学习的人岗匹配方法一实施例的流程图；
图2为本发明基于知识图谱、深度学习的人岗匹配方法中获取最佳推理模型一实施例的示意图；
图3为本发明基于知识图谱、深度学习的人岗匹配方法中获取待选简历与岗位匹配状况一实施例的示意图；
图4为本发明人岗匹配***一实施例的结构图。
具体实施方式
下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
请参阅图1-3，其中，图1为本发明基于知识图谱、深度学习的人岗匹配方法一实施例的流程图；图2为本发明基于知识图谱、深度学习的人岗匹配方法中获取最佳推理模型一实施例的示意图；图3为本发明基于知识图谱、深度学习的人岗匹配方法中获取待选简历与岗位匹配状况一实施例的示意图。结合附图1-3对本发明基于知识图谱、深度学习的人岗匹配方法作详细说明。
在本实施例中，基于知识图谱、深度学习的人岗匹配方法包括：
S101：获取待匹配的岗位的第一基础数据信息，并提取第一基础数据信息中与待匹配的岗位相关的有效信息，第一基础数据信息包括已选简历数据、岗位的招聘信息以及招聘交互记录。
在本实施例中，获取待匹配的岗位的第一基础数据信息的步骤具体包括：
获取不同公司同一待匹配的岗位的第一基础数据信息或获取同一公司待匹配的岗位的第一基础数据信息。根据招聘要求的不同，选择不同的第一基础数据信息，若招聘要求是普适性岗位招聘，则获取不同公司同一行业的某一岗位第一基础数据信息。若招聘要求是个性化岗位招聘，则获取招聘要求相关的公司的岗位的第一基础数据，针对该公司进行招聘行为学习，实现个性化的对某一岗位的招聘功能。
在本实施例中，已选简历数据为该岗位已录取的求职人员的高评分简历数据，即与所述待匹配的岗位匹配的录用简历的数据。
在本实施例中，招聘交互记录包括是否录取、面试邀约、面试情况、面试次数、面试方式以及其他已选简历数据对应的求职人员与招聘人员的交互信息。
在本实施例中，有效信息包括学历、工作年龄以及项目经验中的关键字、毕业学校、住址、相关证书等与岗位招聘要求相关的信息。
S102：将有效信息添加进知识图谱，并将知识图谱的信息、第一基础数据信息处理后输入推理模型，获取已选简历与岗位的匹配分数，根据匹配分数获取最佳推理模型。
在本实施例中，将提取的有效信息添加进知识图谱，通过知识图谱将有效信息中包含的实体、关系、属性等信息以关系连线的方式表示。
在本实施例中，将知识图谱的信息、第一基础数据信息处理后输入推理模型的步骤具体包括：将知识图谱的信息和第一基础数据信息分别进行编码处理后输入推理模型。
在一个具体的实施例中，利用transE或transX等预训练的模型把知识图谱的信息编码处理后输入推理模型。将第一基础数据信息即已选简历数据的简历文本等用bert模型进行编码后输入推理模型。
在本实施例中，推理模型为神经网络，该神经网络利用了bert的文本编码和知识图谱的知识嵌入技术——图神经网络，把已选简历和招聘文本信息转换成文本知识特征和知识图谱的事实与结构知识特征后融入神经网络。该神经网络对已选简历数据进行计算获取已选简历数据的特征，再将该特征与岗位的招聘要求进行匹配计算获取匹配计算，获取匹配分数。
在一个具体的实施例中，已选简历的数量为10份，推理模型输出该已选简历与岗位的匹配分数或匹配等级，并输出该已选简历的多项竞争力分析数值，根据该匹配分数或匹配等级、竞争力分析数据对简历进行优化。
在本实施例中，根据匹配分数获取最佳推理模型的步骤具体包括：根据匹配分数判断推理模型的准确率，根据准确率优化推理模型以获取最佳推理模型。
在本实施例中，基于tensorflow的框架对推理模型的参数进行多次优化以获取最佳推理模型。该框架中设置有优化器的代码，通过该代码梯度下降优化目标函数，从而使推理模型通过数据学习向目标优化。
在获取最佳推理模型后，对该最佳推理模型进行保存。
S103：获取第二基础数据信息的知识图谱信息，将第二基础数据信息和知识图谱信息处理后输入最佳推理模型，通过最佳推理模型获取待选简历数据与岗位的匹配分数，第二基础数据信息包括第一基础数据信息、待选简历数据以及与待选简历数据对应的岗位的招聘信息。
在本实施例中，待选简历数据为投递该岗位，且未经过筛选、面试的简历数据。
在本实施例中，提取第二基础数据信息的有效信息，将该有效信息添加进知识图谱中以获取第二基础数据信息的有效信息。其中，第二基础数据信息的有效信息提取方式以及将有效信息添加进知识图谱的方式与上文提到的获取第一基础数据信息的有效信息的方式相同，且将第二基础数据信息、知识图谱信息处理后输入最佳推理模型的方式也与上文将第一基础数据信息、第一基础数据信息的有效信息形成的知识图谱信息输入推理模型的方式相同，在此不做赘述。
在本实施例中，通过最佳推理模型获取待选简历数据与岗位的匹配分数的步骤之后还包括：根据匹配分数推荐待选简历，并收集反馈信息。
在本实施例中，反馈信息包括录取结果、推荐建议、对匹配分数的反馈等与推荐的待选简历相关的信息。根据该反馈信息对最佳推理模型进行进一步优化。
下面通过本发明基于知识图谱、深度学习的人岗匹配方法分别在普适性招聘和个性化招聘中的学习和应用对其作进一步说明。
普适性招聘：
1、进行普适性岗位招聘时候，训练阶段，推理模型需要学习某一类别岗位下的所有已选简历的匹配情况。
训练步骤：
(1)需要先获取所有来自不同公司同一投递岗位的所有已选简历数据、该岗位的招聘信息以及招聘交互记录(统称第一基础数据信息，包括录取与否、面试邀约等)。
(2)对以上数据提取有效信息(有效信息是指简历当中学历、工作年龄以及最重要的项目经验当中的关键字)，添加进知识图谱。(知识图谱是一个专有名词，指一种图数据库，存放着提取出来的大量实体和关系、属性等有效信息。他们之间是实体与实体之间存在关系连线，实体里面会有属性：例如：小明---(关系)同学----小花(属性：男)；小明---(关系)毕业于----北大。那么人与人、简历与简历、公司之间也有社会关系。主要利用这些关系信息与表面描述信息做匹配。)。
(3)知识图谱的信息和第一基础数据信息经过数据处理服务(利用transE或transX等预训练的模型，把知识图谱的信息编码处理成为后续推理模型的输入。第一基础数据信息即简历文本等用bert模型进行编码成为后续推理模型的输入。)后，输入到推理模型。
(4)得出所有已选简历与岗位要求的匹配分数。
(5)判断准确率，反复优化模型(优化是深度学习一个名词，是指模型的参数优化。研发基于tensorflow的框架。里面有优化器的代码，专门用来梯度下降优化目标函数。作用是使推理模型通过数据学习，朝着目标去优化。)
(6)保存最佳推理模型。
2、应用阶段：
(1)针对岗位取出该岗位对应的最佳推理模型。
(2)需要先获取所有来自不同公司同一投递岗位的所有待选简历数据、该岗位的招聘信息以及已选简历数据及对应的招聘信息及招聘交互记录(第二基础数据信息)。
(3)对第二基础数据信息提取有效信息，添加进知识图谱。
(4)知识图谱的信息和第二基础数据信息经过数据处理服务后，输入到最佳推理模型。
(5)通过最佳推理模型得出所有待选简历与投递的岗位的匹配分数。
(6)推荐合适的简历并进行反馈收集。
个性化招聘：
1、训练步骤：
(1)先获取某一家公司同一投递岗位的所有已选简历数据、该岗位的招聘信息以及招聘交互记录(第一基础数据信息)。
(2)对第一基础数据信息提取有效信息，添加进知识图谱。
(3)知识图谱的信息和第一基础数据信息经过数据处理服务后，输入到推理模型。
(4)推理模型计算得出所有待选简历与岗位要求的匹配分数。
(5)判断准确率，反复优化模型
(6)保存最佳推理模型。
应用阶段：
1、针对待匹配的岗位取出对应的最佳推理模型。
(1)先获取某一家公司同一个投递岗位的所有待选简历数据、该岗位的招聘信息以及已选简历数据及对应的招聘信息、招聘交互记录(第二基础数据信息)。
(2)对以上数据进行提取有效信息，添加进知识图谱。
(3)知识图谱的信息和第二基础数据信息经过数据处理服务后，输入到最佳推理模型。
(4)计算得出所有待选简历与岗位要求的匹配分数。
(5)推荐合适的简历并进行反馈收集。
在本实施例中，推理模型在数据量小时采用部分网络结构更新，存在大量数据时，更新整个模型的全部参数，从而使模型更快相应岗位的招聘需求的改变。
有益效果：本发明基于知识图谱、深度学***。
基于相同的发明构思，本发明还提出一种人岗匹配***，请参阅图4，图4为本发明人岗匹配***一实施例的结构图。结合图4对本发明的人岗匹配***作具体说明。
在本实施例中，人岗匹配***包括处理器、存储器，处理器与存储器连接：存储器存储有第一基础数据、第二基础数据以及计算机程序，处理器根据所述第一基础数据、第二基础数据以及计算机程序执行如上述实施例所述的基于知识图谱、深度学习的人岗匹配方法。
有益效果：本发明的人岗匹配***利用知识图谱描述已选简历数据与岗位的关系，根据该关系和第一基础数据融入推理模型进行推理得到最优推理模型，通过该最优推理模型获取待选简历数据与岗位的匹配分数，能够精确且高效的迅速进行匹配，获取简历与岗位的匹配结果，简历筛选以及匹配的效率高，大大降低用人单位和求职者的时间和精力，提高了企业人事招聘整体的管理水平。
上述实施方式仅为本发明的优选实施方式，不能以此来限定本发明保护的范围，本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。

Claims (10)

1.一种基于知识图谱、深度学习的人岗匹配方法，其特征在于，所述人岗匹配方法包括：
S101：获取待匹配的岗位的第一基础数据信息，并提取所述第一基础数据信息中与所述待匹配的岗位相关的有效信息，所述第一基础数据信息包括已选简历数据、所述岗位的招聘信息以及招聘交互记录；
S102：将所述有效信息添加进知识图谱，并将所述知识图谱的信息、第一基础数据信息处理后输入推理模型，获取所述已选简历与所述岗位的匹配分数，根据所述匹配分数获取最佳推理模型；
S103：获取第二基础数据信息的知识图谱信息，将所述第二基础数据信息和知识图谱信息处理后输入所述最佳推理模型，通过所述最佳推理模型获取待选简历数据与所述岗位的匹配分数，所述第二基础数据信息包括第一基础数据信息、待选简历数据以及与所述待选简历数据对应的所述岗位的招聘信息。
2.如权利要求1所述的基于知识图谱、深度学习的人岗匹配方法，其特征在于，所述有效信息包括学历、工作年龄以及项目经验中的关键字。
3.如权利要求1所述的基于知识图谱、深度学习的人岗匹配方法，其特征在于，所述招聘交互记录包括是否录取、面试邀约。
4.如权利要求1所述的基于知识图谱、深度学习的人岗匹配方法，其特征在于，所述将所述知识图谱的信息、第一基础数据信息处理后输入推理模型的步骤具体包括：
将所述知识图谱的信息和第一基础数据信息分别进行编码处理后输入所述推理模型。
5.如权利要求1所述的基于知识图谱、深度学习的人岗匹配方法，其特征在于，所述已选简历数据为与所述待匹配的岗位匹配的录用简历的数据。
6.如权利要求1所述的基于知识图谱、深度学习的人岗匹配方法，其特征在于，所述根据所述匹配分数获取最佳推理模型的步骤具体包括：
根据所述匹配分数判断所述推理模型的准确率，根据所述准确率优化所述推理模型以获取最佳推理模型。
7.如权利要求6所述的基于知识图谱、深度学习的人岗匹配方法，其特征在于，基于tensorflow的框架对所述推理模型进行多次优化以获取最佳推理模型。
8.如权利要求1所述的基于知识图谱、深度学习的人岗匹配方法，其特征在于，所述获取待匹配的岗位的第一基础数据信息的步骤具体包括：
获取不同公司同一待匹配的岗位的第一基础数据信息或获取同一公司待匹配的岗位的第一基础数据信息。
9.如权利要求1所述的基于知识图谱、深度学习的人岗匹配方法，其特征在于，所述通过所述最佳推理模型获取所述待选简历数据与所述岗位的匹配分数的步骤之后还包括：
根据所述匹配分数推荐待选简历，并收集反馈信息。
10.一种人岗匹配***，其特征在于，所述人岗匹配***包括处理器、存储器，所述处理器与所述存储器连接：
所述存储器存储有第一基础数据、第二基础数据以及计算机程序，所述处理器根据所述第一基础数据、第二基础数据以及计算机程序执行如权利要求1-9任一项所述的基于知识图谱、深度学习的人岗匹配方法。
CN202010468710.2A 2020-05-28 2020-05-28 基于知识图谱、深度学习的人岗匹配方法、人岗匹配*** Pending CN111737485A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010468710.2A CN111737485A (zh) 2020-05-28 2020-05-28 基于知识图谱、深度学习的人岗匹配方法、人岗匹配***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010468710.2A CN111737485A (zh) 2020-05-28 2020-05-28 基于知识图谱、深度学习的人岗匹配方法、人岗匹配***

Publications (1)

Publication Number Publication Date
CN111737485A true CN111737485A (zh) 2020-10-02

Family

ID=72647931

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010468710.2A Pending CN111737485A (zh) 2020-05-28 2020-05-28 基于知识图谱、深度学习的人岗匹配方法、人岗匹配***

Country Status (1)

Country Link
CN (1) CN111737485A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112200153A (zh) * 2020-11-17 2021-01-08 平安数字信息科技(深圳)有限公司 基于历史匹配结果的人岗匹配方法、装置及设备
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
CN113434687A (zh) * 2021-07-22 2021-09-24 高向咨询(深圳)有限公司 自动简历查找方法、自动招聘***、计算机存储介质
CN115098791A (zh) * 2022-08-24 2022-09-23 中建电子商务有限责任公司 一种实时岗位推荐方法和***
CN115526590A (zh) * 2022-09-16 2022-12-27 深圳今日人才信息科技有限公司 一种结合专家知识和算法的高效人岗匹配与复推方法
CN116362699A (zh) * 2023-03-15 2023-06-30 国信蓝桥教育科技股份有限公司 一种岗位匹配报告生成方法
CN116562838A (zh) * 2023-07-12 2023-08-08 深圳须弥云图空间科技有限公司 人岗匹配度确定方法、装置、电子设备及存储介质
CN116596496A (zh) * 2023-07-18 2023-08-15 金现代信息产业股份有限公司 一种基于标签化的人岗匹配方法、***、介质及设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5965557B1 (ja) * 2016-01-29 2016-08-10 株式会社リクルートホールディングス 類似度学習システム及び類似度学習方法
CN108563653A (zh) * 2017-12-21 2018-09-21 清华大学 一种用于知识图谱中知识获取模型的构建方法及***
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
CN110443571A (zh) * 2019-07-16 2019-11-12 阿里巴巴集团控股有限公司 基于知识图谱进行简历评估的方法、装置及设备
CN111192024A (zh) * 2019-12-31 2020-05-22 广东轩辕网络科技股份有限公司 一种基于强化学习的人岗匹配方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5965557B1 (ja) * 2016-01-29 2016-08-10 株式会社リクルートホールディングス 類似度学習システム及び類似度学習方法
CN108563653A (zh) * 2017-12-21 2018-09-21 清华大学 一种用于知识图谱中知识获取模型的构建方法及***
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
CN110443571A (zh) * 2019-07-16 2019-11-12 阿里巴巴集团控股有限公司 基于知识图谱进行简历评估的方法、装置及设备
CN111192024A (zh) * 2019-12-31 2020-05-22 广东轩辕网络科技股份有限公司 一种基于强化学习的人岗匹配方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张俊峰;魏瑞斌;: "国内招聘类网站的数据类岗位人才需求特征挖掘", 情报杂志 *
李妍霏;: "人工智能助力企业人才选拔数字化变革", 中国国情国力 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112200153A (zh) * 2020-11-17 2021-01-08 平安数字信息科技(深圳)有限公司 基于历史匹配结果的人岗匹配方法、装置及设备
CN112200153B (zh) * 2020-11-17 2023-09-05 深圳平安智汇企业信息管理有限公司 基于历史匹配结果的人岗匹配方法、装置及设备
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
CN113434687A (zh) * 2021-07-22 2021-09-24 高向咨询(深圳)有限公司 自动简历查找方法、自动招聘***、计算机存储介质
CN115098791A (zh) * 2022-08-24 2022-09-23 中建电子商务有限责任公司 一种实时岗位推荐方法和***
CN115526590A (zh) * 2022-09-16 2022-12-27 深圳今日人才信息科技有限公司 一种结合专家知识和算法的高效人岗匹配与复推方法
CN115526590B (zh) * 2022-09-16 2023-08-04 深圳今日人才信息科技有限公司 一种结合专家知识和算法的高效人岗匹配与复推方法
CN116362699A (zh) * 2023-03-15 2023-06-30 国信蓝桥教育科技股份有限公司 一种岗位匹配报告生成方法
CN116562838A (zh) * 2023-07-12 2023-08-08 深圳须弥云图空间科技有限公司 人岗匹配度确定方法、装置、电子设备及存储介质
CN116562838B (zh) * 2023-07-12 2024-03-15 深圳须弥云图空间科技有限公司 人岗匹配度确定方法、装置、电子设备及存储介质
CN116596496A (zh) * 2023-07-18 2023-08-15 金现代信息产业股份有限公司 一种基于标签化的人岗匹配方法、***、介质及设备

Similar Documents

Publication Publication Date Title
CN111737485A (zh) 基于知识图谱、深度学习的人岗匹配方法、人岗匹配***
CN110765257B (zh) 一种知识图谱驱动型的法律智能咨询***
CN111737495B (zh) 基于领域自分类的中高端人才智能推荐***及其方法
Squicciarini et al. Demand for AI skills in jobs: Evidence from online job postings
CN104834668B (zh) 基于知识库的职位推荐***
CN108920544A (zh) 一种基于知识图谱的个性化职位推荐方法
CN110597988A (zh) 一种文本分类方法、装置、设备及存储介质
WO2019068253A1 (zh) 用于职位申请人简历排序的机器学习***
Rodriguez et al. Feature selection for job matching application using profile matching model
CN113934868A (zh) 政务大数据治理方法及***
CN114819924B (zh) 一种基于画像分析的企业信息推送处理方法及设备
US20150347489A1 (en) Information retrieval system and method based on query and record metadata in combination with relevance between disparate items in classification systems
CN107368521B (zh) 一种基于大数据和深度学习的知识推介方法及***
CN110727852A (zh) 一种推送招聘推荐服务的方法、装置及终端
CN115564393A (zh) 一种基于招聘需求相似度的职位推荐方法
CN101203847B (zh) 用于管理列表的***和方法
CN110532398A (zh) 基于多任务联合神经网络模型的家族图谱自动构建方法
CN111737486A (zh) 基于知识图谱、深度学习的人岗匹配方法、存储装置
CN115455205A (zh) 一种基于时序知识图谱的职业发展规划的方法
CN111696656B (zh) 一种互联网医疗平台的医生评价方法、装置
CN110033191B (zh) 一种商业人工智能的分析方法及***
Wang et al. Analysing CV corpus for finding suitable candidates using knowledge graph and BERT
CN116304035A (zh) 一种复杂案件中的多被告多罪名关系抽取方法及装置
CN109299007A (zh) 一种缺陷修复者自动推荐方法
CN117474507A (zh) 一种基于大数据应用技术的智能招聘匹配方法及***

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