CN111984784B - 人岗匹配方法、装置、电子设备和存储介质 - Google Patents
人岗匹配方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN111984784B CN111984784B CN202010690664.0A CN202010690664A CN111984784B CN 111984784 B CN111984784 B CN 111984784B CN 202010690664 A CN202010690664 A CN 202010690664A CN 111984784 B CN111984784 B CN 111984784B
- Authority
- CN
- China
- Prior art keywords
- features
- delivery data
- resume
- resume delivery
- post
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 90
- 230000003993 interaction Effects 0.000 claims abstract description 80
- 238000002372 labelling Methods 0.000 claims description 74
- 230000007115 recruitment Effects 0.000 claims description 69
- 238000012549 training Methods 0.000 claims description 31
- 238000000605 extraction Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 17
- 230000004044 response Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 8
- 230000003542 behavioural effect Effects 0.000 claims description 6
- 230000002452 interceptive effect Effects 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 description 23
- 238000004891 communication Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 230000006399 behavior Effects 0.000 description 8
- 238000012216 screening Methods 0.000 description 8
- 230000004913 activation Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000008450 motivation Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000003213 activating effect Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 101000637771 Homo sapiens Solute carrier family 35 member G1 Proteins 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000004883 computer application Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 102000053339 human SLC35G1 Human genes 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000004088 simulation 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
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开实施例涉及一种人岗匹配方法、装置、计算机设备和存储介质。该方法包括:获取简历投递数据;提取简历投递数据中的结构化特征和非结构化特征,结构化特征包括简历信息、岗位信息中的数值特征或类别特征,非结构化特征包括简历信息、岗位信息和中的语义特征或交互特征;将结构化特征和非结构化特征输入预设的人岗匹配模型,得到人岗匹配结果。其中,提取简历投递数据中的结构化特征和非结构化特征,将结构化特征和非结构化特征一同作为输入,进行岗位和简历之间的匹配,得到的人岗匹配结果在进行数值特征和类别特征匹配的同时,兼顾岗位和简历投递之间的语义信息、交互信息等,有效利用简历投递数据中的信息,提高人岗匹配准确率。
Description
技术领域
本公开实施例涉及计算机应用技术领域,特别是涉及一种人岗匹配方法、装置、电子设备和存储介质。
背景技术
随着计算机应用技术的发展,各种功能性应用产品应运而生,也大大丰富了人们的日常生活,提高了人们的工作效率。其中,智能人岗匹配方法和对应产品的使用,能够大大缩减招聘团队的工作时间,提高招聘团队的工作效率。传统的人岗匹配方法,一般是通过人岗匹配产品中的人岗匹配工具,分析简历内容和岗位要求中文本的相似度,来实现人岗匹配。
然而,传统方法中,通过分析简历内容和岗位要求中文本的相似度进行人岗匹配的方式,往往无法兼顾简历内容和岗位要求中文本的相似度之外的其他有效信息,造成大量的简历投递数据资源的浪费,人岗匹配准确率低。
发明内容
本公开实施例提供一种人岗匹配方法、装置、电子设备和存储介质,可以用于解决人岗匹配准确率低的问题。
第一方面,本公开实施例提供一种人岗匹配方法,所述方法包括:
获取简历投递数据;其中,所述简历投递数据包括对应的简历信息和岗位信息;
提取所述简历投递数据中的结构化特征和非结构化特征;其中,所述结构化特征包括所述简历投递数据中的数值特征或类别特征中的至少一种,所述数值特征为表征所述简历投递数据中的数值的特征,所述类别特征为表征所述简历投递数据中的类别的特征,所述非结构化特征包括所述简历投递数据中的语义特征或交互特征中的至少一种,所述语义特征为表征所述简历投递数据中的语言意义的特征,所述交互特征为表征所述简历投递数据中的简历信息与岗位信息之间进行交互的特征;
将所述结构化特征和所述非结构化特征输入预设的人岗匹配模型,得到人岗匹配结果;其中,所述人岗匹配模型是由历史简历投递数据训练得到的。
在其中一个实施例中,所述提取所述简历投递数据中的结构化特征和非结构化特征,包括:
解析所述简历投递数据,得到关键字信息;
提取所述关键字信息中的数值特征或类别特征中的至少一种,得到所述结构化特征;
提取所述关键字信息中的语义特征,得到所述非结构化特征。
在其中一个实施例中,所述提取所述关键字信息中的数值特征或类别特征中的至少一种,得到所述结构化特征,包括:
通过预设的至少一个特征函数,提取所述关键字信息中的数值特征或类别特征中的至少一种,得到与所述至少一个特征函数对应的至少一个初始结构化特征;其中,所述至少一个初始结构化特征包括招聘数量、教育信息、经历特征、技能特征、行为特征中的至少一种;
按照预设的权重对所述至少一个初始结构化特征进行组合,得到所述结构化特征。
在其中一个实施例中,所述提取所述关键字信息中的语义特征,得到所述非结构化特征,包括:
将所述关键字信息转化为预设维度的向量信息,得到第一非结构化特征;
通过预设的知识图谱,获取所述关键字信息中的交互特征,得到第二非结构化特征;
将所述第一非结构化特征或所述第二非结构化特征中的至少一种,确定为所述非结构化特征。
在其中一个实施例中,所述人岗匹配模型的获取方式,包括:
对所述历史简历投递数据进行标注,得到标注结果;其中,所述标注结果包括人岗匹配和人岗不匹配;
以所述历史简历投递数据对应的结构化特征和非结构化特征为输入,所述标注结果为期望输出,对预设的初始人岗匹配模型进行训练,得到所述人岗匹配模型。
第二方面,本公开实施例提供一种人岗匹配方法,所述方法包括:
接收用户端发送的数据获取指令,并根据所述数据获取指令从所述用户端对应的人力资源数据库中获取简历投递数据;其中,所述简历投递数据包括对应的简历信息和岗位信息;
提取所述简历投递数据中的结构化特征和非结构化特征;其中,所述结构化特征包括所述简历投递数据中的数值特征或类别特征中的至少一种,所述数值特征为表征所述简历投递数据中的数值的特征,所述类别特征为表征所述简历投递数据中的类别的特征,所述非结构化特征包括所述简历投递数据中的语义特征或交互特征中的至少一种,所述语义特征为表征所述简历投递数据中的语言意义的特征,所述交互特征为表征所述简历投递数据中的简历信息与岗位信息之间进行交互的特征;
将所述结构化特征和所述非结构化特征输入预设的人岗匹配模型,得到人岗匹配结果;其中,所述人岗匹配模型是由所述人力资源数据库中的历史简历投递数据训练得到的;
输出所述人岗匹配结果至所述用户端。
在其中一个实施例中,所述输出所述人岗匹配结果至所述用户端之后,包括:
响应于所述用户端对所述简历投递数据的标注指令,标注所述简历投递数据,得到标注结果。
在其中一个实施例中,所述标注结果包括人岗匹配,所述标注所述简历投递数据,得到标注结果之后,包括:
向所述标注结果为所述人岗匹配的应聘端发送招聘信息;
接收所述应聘端对所述招聘信息的响应指令,确定是否进入招聘流程。
在其中一个实施例中,所述响应于所述用户端对所述简历投递数据的标注指令之后,包括:
响应于所述用户端对所述简历投递数据的标注指令,得到更新后的简历投递数据;
将所述更新后的简历投递数据存储至所述人力资源数据库中,更新所述人力资源数据库。
第三方面,本公开实施例提供一种人岗匹配装置,所述装置包括:
数据获取模块,用于获取简历投递数据;其中,所述简历投递数据包括对应的简历信息和岗位信息;
特征提取模块,用于提取所述简历投递数据中的结构化特征和非结构化特征;其中,所述结构化特征包括所述简历投递数据中的数值特征或类别特征中的至少一种,所述数值特征为表征所述简历投递数据中的数值的特征,所述类别特征为表征所述简历投递数据中的类别的特征,所述非结构化特征包括所述简历投递数据中的语义特征或交互特征中的至少一种,所述语义特征为表征所述简历投递数据中的语言意义的特征,所述交互特征为表征所述简历投递数据中的简历信息与岗位信息之间进行交互的特征;
结果确定模块,用于将所述结构化特征和所述非结构化特征输入预设的人岗匹配模型,得到人岗匹配结果;其中,所述人岗匹配模型是由历史简历投递数据训练得到的。
在其中一个实施例中,所述特征提取模块还用于:
解析所述简历投递数据,得到关键字信息;
提取所述关键字信息中的数值特征或类别特征中的至少一种,得到所述结构化特征;
提取所述关键字信息中的语义特征,得到所述非结构化特征。
在其中一个实施例中,所述特征提取模块还用于:
通过预设的至少一个特征函数,提取所述关键字信息中的数值特征或类别特征中的至少一种,得到与所述至少一个特征函数对应的至少一个初始结构化特征;其中,所述至少一个初始结构化特征包括招聘数量、教育信息、经历特征、技能特征、行为特征中的至少一种;
按照预设的权重对所述至少一个初始结构化特征进行组合,得到所述结构化特征。
在其中一个实施例中,所述特征提取模块还用于:
将所述关键字信息转化为预设维度的向量信息,得到第一非结构化特征;
通过预设的知识图谱,获取所述关键字信息中的交互特征,得到第二非结构化特征;
将所述第一非结构化特征或所述第二非结构化特征中的至少一种,确定为所述非结构化特征。
在其中一个实施例中,所述人岗匹配装置还包括人岗匹配模型确定模块,用于:
对所述历史简历投递数据进行标注,得到标注结果;其中,所述标注结果包括人岗匹配和人岗不匹配;
以所述历史简历投递数据对应的结构化特征和非结构化特征为输入,所述标注结果为期望输出,对预设的初始人岗匹配模型进行训练,得到所述人岗匹配模型。
第四方面,本公开实施例提供一种人岗匹配装置,所述装置包括:
数据获取模块,用于接收用户端发送的数据获取指令,并根据所述数据获取指令从所述用户端对应的人力资源数据库中获取简历投递数据;其中,所述简历投递数据包括对应的简历信息和岗位信息;
特征提取模块,用于提取所述简历投递数据中的结构化特征和非结构化特征;其中,所述结构化特征包括所述简历投递数据中的数值特征或类别特征中的至少一种,所述数值特征为表征所述简历投递数据中的数值的特征,所述类别特征为表征所述简历投递数据中的类别的特征,所述非结构化特征包括所述简历投递数据中的语义特征或交互特征中的至少一种,所述语义特征为表征所述简历投递数据中的语言意义的特征,所述交互特征为表征所述简历投递数据中的简历信息与岗位信息之间进行交互的特征;
结果确定模块,用于将所述结构化特征和所述非结构化特征输入预设的人岗匹配模型,得到人岗匹配结果;其中,所述人岗匹配模型是由所述人力资源数据库中的历史简历投递数据训练得到的;
结果输出模块,用于输出所述人岗匹配结果至所述用户端。
在其中一个实施例中,所述人岗匹配装置还包括标注模块,用于:
响应于所述用户端对所述简历投递数据的标注指令,标注所述简历投递数据,得到标注结果。
在其中一个实施例中,所述标注结果包括人岗匹配,所述人岗匹配装置还包括招聘模块,用于:
向所述标注结果为所述人岗匹配的应聘端发送招聘信息;
接收所述应聘端对所述招聘信息的响应指令,确定是否进入招聘流程。
在其中一个实施例中,所述人岗匹配装置还包括召回模块,用于:
响应于所述用户端对所述简历投递数据的标注指令,得到更新后的简历投递数据;
将所述更新后的简历投递数据存储至所述人力资源数据库中,更新所述人力资源数据库。
第五方面,本公开实施例提供一种电子设备,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第一方面或第二方面所述的方法。
第六方面,本公开实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面或第二方所述的方法。
本公开实施例提供的人岗匹配方法、装置、计算机设备和存储介质,通过获取简历投递数据,简历投递数据包括对应的简历信息和岗位信息,并提取简历投递数据中的结构化特征和非结构化特征,结构化特征包括简历投递数据中的数值特征或类别特征中的至少一种,数值特征为表征简历投递数据中的数值的特征,类别特征为表征简历投递数据中的类别的特征,非结构化特征包括简历投递数据中的语义特征或交互特征中的至少一种,语义特征为表征简历投递数据中的语言意义的特征,交互特征为表征简历投递数据中的简历信息与岗位信息之间进行交互的特征,并将结构化特征和非结构化特征输入预设的人岗匹配模型,得到人岗匹配结果,其中,人岗匹配模型是由历史简历投递数据训练得到的。其中,提取简历投递数据中的结构化特征和非结构化特征,能够在获得简历投递数据中的可量化的数值特征和类别特征的同时,获得简历投递数据中的语义特征和交互特征,并将包括数值特征和类别特征的结构化特征和包括语义特征和交互特征的非结构化特征一同作为输入,进行岗位和简历之间的匹配,并得到人岗匹配结果,该人岗匹配结果能够在进行数值特征和类别特征匹配的同时,兼顾岗位和简历投递之间的语义信息、交互信息等,有效利用简历投递数据中的信息,提高人岗匹配准确率。
附图说明
图1为一个实施例中人岗匹配方法的流程示意图;
图2为一个实施例中步骤S200的一种可实施方式的流程示意图;
图3为一个实施例中获取人岗匹配模型的一种可实施方式的流程示意图;
图4为一个实施例中人岗匹配方法的流程示意图;
图5为一个具体实施例中人岗匹配方法的示意图;
图6为一个实施例中人岗匹配装置的结构框图;
图7为一个实施例中人岗匹配装置的结构框图;
图8为一个实施例中电子设备的内部结构图。
具体实施方式
为了使本公开实施例的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本公开实施例进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本公开实施例,并不用于限定本公开实施例。
在具体介绍本公开实施例的技术方案之前,先对本公开实施例基于的技术背景或者技术演进脉络进行介绍。通常情况下,在人岗匹配领域,当前的技术背景是:通过分析岗位要求和简历内容中文本的相似度进行人岗匹配的方式,人岗匹配准确率低。基于该背景,申请人通过长期的模型模拟研发以及实验数据的搜集、演示和验证,发现岗位和简历投递之间的语义信息、交互信息等对人岗匹配的影响同样非常重要,因此,如何兼顾岗位和简历投递之间的语义信息、交互信息等,避免简历数据资源的浪费,成为目前亟待解决的难题。另外,需要说明的是,如何兼顾岗位和简历投递之间的语义信息、交互信息及下述实施例介绍的技术方案,申请人均付出了大量的创造性劳动。
在一个实施例中,如图1所示,提供了一种人岗匹配方法,本实施例以该方法应用于终端进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的***,并通过终端和服务器的交互实现。本实施例中,该方法包括以下步骤:
步骤S100,获取简历投递数据;其中,简历投递数据包括对应的简历信息和岗位信息。
步骤S200,提取简历投递数据中的结构化特征和非结构化特征;其中,结构化特征包括简历投递中的数值特征或类别特征中的至少一种,数值特征为表征简历投递数据中的数值的特征,类别特征为表征简历投递数据中的类别的特征,非结构化特征包括简历投递中的语义特征或交互特征中的至少一种,语义特征为表征简历投递数据中的语言意义的特征,交互特征为表征简历投递数据中的简历信息与岗位信息之间进行交互的特征。
步骤S300,将结构化特征和非结构化特征输入预设的人岗匹配模型,得到人岗匹配结果;其中,人岗匹配模型是由历史简历投递数据训练得到的。
其中,人岗匹配是指对人力资源进行有效配置和合理使用的基础,其中,岗位职责与员工个体特征相匹配是基础,岗位报酬与员工需要、动机相匹配,激励员工行为是关键;通过事得其才、才尽其用使员工的才能高适用、高发挥。简历投递数据是指从人力资源数据库获取到的简历投递记录数据,一条投递记录是指一份简历对一个岗位的投递,同时还包括一些其他重要的字段,如简历投递时间、岗位所属部门、岗位招聘人数等。结构化特征是指可以进行年龄、薪资、招聘人数、所学专业等能够量化或用简单逻辑进行表达的数据。非结构化特征是指无法量化或无法用简单逻辑进行表达的数据,例如一段话的意思,投递简历的历史信息、投递岗位和是否录用等语义信息或交互信息。
具体地,进行人岗匹配时,在招聘人员对应的用户端进行操作,根据需要的岗位和岗位职责等,在用户端形成目标岗位和目标岗位职责等对应的数据获取指令,根据该数据获取,从人力资源数据库中获取简历投递数据。例如,用户端设置为获取投递岗位为算法工程师、年龄25岁至45岁、学历本科以上等,则从人力资源数据库中获取满足上述要求的简历信息和岗位信息。
获取到简历投递数据后,提取简历投递数据中的数值特征或类别特征中的至少一种,得到结构化特征,例如,投递岗位为算法工程师、年龄29岁、硕士学历等。同时,提取简历投递数据中的语义特征或交互特征中的至少一种,得到非结构化特征,例如,应聘候选人涉及到的工作项目的具体内容或各个特征之间的交互、关联信息等。将提取到的结构化特征和非结构化特征输入人岗匹配模型进行人岗匹配,得到人岗匹配结果。
例如,招聘要求为算法工程师岗位、年龄25岁至45岁、学历本科以上,投递简历为算法工程师岗位、年龄29岁、硕士学历,则人岗匹配结果为简历信息与岗位信息一致,人岗匹配,为后续人力资源团队的工作人员提供参考依据。
上述人岗匹配方法中,通过获取简历投递数据,简历投递数据包括对应的简历信息和岗位信息,并提取简历投递数据中的结构化特征和非结构化特征,结构化特征包括简历投递数据中的数值特征或类别特征中的至少一种,数值特征为表征简历投递数据中的数值的特征,类别特征为表征简历投递数据中的类别的特征,非结构化特征包括简历投递数据中的语义特征或交互特征中的至少一种,语义特征为表征简历投递数据中的语言意义的特征,交互特征为表征简历投递数据中的简历信息与岗位信息之间进行交互的特征,并将结构化特征和非结构化特征输入预设的人岗匹配模型,得到人岗匹配结果,其中,人岗匹配模型是由历史简历投递数据训练得到的。其中,提取简历投递数据中的结构化特征和非结构化特征,能够在获得简历投递数据中的可量化的数值特征和类别特征的同时,获得简历投递数据中的语义特征和交互特征,并将包括数值特征和类别特征的结构化特征和包括语义特征和交互特征的非结构化特征一同作为输入,进行岗位和简历之间的匹配,并得到人岗匹配结果,该人岗匹配结果能够在进行数值特征和类别特征匹配的同时,兼顾岗位和简历投递之间的语义信息、交互信息等,有效利用简历投递数据中的信息,提高人岗匹配准确率。
在一个实施例中,如图2所示,为步骤S200的一种可实施方式,步骤S200包括以下步骤:
步骤S210,解析简历投递数据,得到关键字信息。
步骤S220,提取关键字信息中的数值特征或类别特征中的至少一种,得到结构化特征。
步骤S230,提取关键字信息中的语义特征或交互特征中的至少一种,得到非结构化特征。
其中,关键字信息是指简历信息和岗位信息中的文本中的重要信息字段。其中,简历重要字段包括简历中能够描述应聘候选人综合情况的信息,如年龄、教育背景、工作经历、历史申请情况、掌握技能等。岗位重要字段包括岗位招聘详情中的重要文本,如岗位名称、岗位职责、岗位要求、岗位级别、岗位所属部门等。
具体地,将简历信息中能够描述应聘候选人综合情况的信息进行整理,得到简历信息字段,如年龄、教育背景、工作经历、历史申请情况、掌握技能等,将这些信息整理成规范的字段,对岗位信息中的文本进行去噪和规范整理,得到岗位相关字段,如岗位名称、岗位职责、岗位要求、岗位级别、岗位所属部门和投递历史状态等,得到关键字信息。提取关键字信息中的数值特征或类别特征中的至少一种,得到结构化特征,提取关键字信息中的语义特征或交互特征中的至少一种,得到非结构化特征。
可选地,通过预设的至少一个特征函数,提取关键字信息中的数值特征或类别特征中的至少一种,得到与至少一个特征函数对应的至少一个初始结构化特征;其中,至少一个初始结构化特征包括招聘数量、教育信息、经历特征、技能特征、行为特征中的至少一种;按照预设的权重对至少一个初始结构化特征进行组合,得到结构化特征。
其中,一个特征函数对应提取一种设定的数值特征或类别特征中的一种,例如,(1)岗位招聘名额,即接收简历的当前岗位实际上的招聘需求人数;(2)简历候选人教育情况特征,即具体的教育背景信息,如最高学历、学校、学校排名、专业等;(3)历候选人工作经历特征,即候选人之前工作经历的具体信息,如工作岗位名称、工作所在城市、工作公司名称、工作经验时长等;(4)简历候选人技能特征,即候选人掌握的技能情况,如掌握的技能工具、IT技能等;(5)候选人历史行为统计特征简历候选人历史投递特征,即候选人之前的投递筛选情况,若候选人之前有相关投递历史,对其历史投递是否通过筛选进行统计,得到候选人的历史申请次数、历史申请成功次数、历史申请失败次数等。这一类型特征很好利用了数据的历史行为,需要对行为数据进行统计。从而得到候选人的历史申请次数、历史申请成功次数、历史申请失败次数等。预设的权值是指按照每一特征的重要程度,设置的组合权重。
具体地,通过预设的至少一个特征函数,提取关键字信息中的数值特征或类别特征中的至少一种,得到与至少一个特征函数对应的至少一个初始结构化特征,此时,初始结构化特征是散列的多个特征,需要按照对上述至少一个初始结构化特征的重要程度整合为一个统一的结构化特征,为后续数据的输入人岗匹配模型提供基础。可选地,在训练过程中树模型LGB能更好的学习到单一特征,但无法学习到多特征的关联性,在得到多个单一特征后,将类别型特征与数值型特征进行线性组合以得到结构化特征。例如,类别特征用C1、C2来表示,数值特征用N1、N2来表示,首先,对类别特征进行分组,统计数值类特征的中位数、标准差等,然后进行线性组合便可以得到包括多个特征的结构化特征组合,例如,N1+median(N1)_by(C1)、N1-mean(N1)_by(C1)、N1*std(N1)_by(C1)、N1/freq(N1)_by(C1)。
可选地,将关键字信息中的语义特征转化为预设维度的向量信息,得到第一非结构化特征;通过预设的知识图谱,确定关键字信息中的交互特征,得到第二非结构化特征;将第一非结构化特征或第二非结构化特征中的至少一种,确定为非结构化特征。
其中,将关键字信息中的语义特征转化为预设维度的向量信息的方法有很多,可选地,采用BERT编码将关键字信息中的语义特征转化为预设维度的向量信息。BERT模型使用Transformer作为序列特征提取器,为了改进Transformer在特征提取过程中未能提取完整的上下文信息的不足,BERT在预训练阶段引入了遮挡语言模型(Masked LanguageModel,MLM),通过随机遮挡预训练语料中15%的词语并预测它们,来学习完整的上下文信息,与其他已有的“预训练/微调”语言框架如ELMo、GPT等文本embedding框架有所不同,BERT实现了双向Transformer,并使用了超多层Transformer,进一步提升了文本表征的学习效果。知识图谱是结合简历投递数据构建的人才知识图谱,结合NER等算法,从而挖掘更多简历候选人与投递岗位之间的交互特征,如技能匹配、经验匹配情况等,同时,使用GraphEmbedding更好地捕捉知识图谱的拓扑关系。知识图谱本质上是一张语义网络,刻画着现实世界中各个实体之间的相互联系,因此在海量的人才库和岗位匹配场景中,知识图谱可以提供一个更为动态直观的数据表达、组织和管理方式
具体地,BERT的输入是关键字信息,BERT的输出是其上述输入信息经过一层一层的Transformer编码器之后,在输入的每一个位置上,分别输出一个预设维度的向量,即词向量。对于BERT的中文预训练模型,由于是按“字”作为基本单位的,所以输出的是输入文本中每个字的字向量。通过BERT编码,单段文本会被转化为预设维度(例如768维)的向量,用预设维度的向量表征第一非结构化特征。当招聘人员给定目标候选人的条件之后,知识图谱将对关键字信息进行深层次的语义理解(而非简单的关键词匹配),然后与知识库(人才简历库和岗位库)中的实体和关系进行匹配,在进行语义合并等流程之后,给出完整的知识体系,得到第二非结构化特征,例如,候选人技能、工作经历的具体情况匹配结果,从而真正实现人才简历库的智能搜索。
上述实施例中,通过解析简历投递数据,得到关键字信息,并提取关键字信息中的数值特征或类别特征中的至少一种,得到结构化特征,提取关键字信息中的语义特征或交互特征中的至少一种,得到非结构化特征。能够获得简历投递数据中的可量化的数值特征、类别特征等结构化特征和语义特征、交互特征等非结构化特征,为后续根据结构化特征和非结构化进行岗位和简历之间的匹配提供基础,使得人岗匹配的结果能够兼顾岗位和简历投递之间的语义信息、交互信息等,有效利用简历投递数据中的信息,提高人岗匹配准确率。
在一个实施例中,如图3所示,为获取人岗匹配模型的一种可实施方式的流程示意图,包括以下步骤:
步骤S310,对历史简历投递数据进行标注,得到标注结果;其中,标注结果包括人岗匹配和人岗不匹配。
步骤S320,以历史简历投递数据对应的结构化特征和非结构化特征为输入,标注结果为期望输出,对预设的初始人岗匹配模型进行训练,得到人岗匹配模型。
具体地,在获取到简历投递数据,并完成简历投递数据的特征提取后,对多个简历投递数据进行划分,得到训练集、验证集和测试集,其中验证集和测试集的简历投递数据在训练集中不出现,避免数据穿越,确保模型效果的真实可靠,同时提高模型的泛化性能。将简历投递数据中的简历投递是否通过初步筛选作为标签进行标注,得到“人岗匹配”和“人岗不匹配”两种标注结果。并构建初始人岗匹配模型(例如,采用机器学习中的Light GBM分类算法),以结构化特征和非结构化特征为输入,标注结果为期望输出,对初始人岗匹配模型进行训练、调参和测试优化,并完成模型存储,为模型上线做准备。
上述实施例中,通过对历史简历投递数据进行标注,并应用标注结果和历史简历投递数据对应的结构化特征和非结构化特征,对初始人岗匹配模型进行训练,得到人岗匹配模型,该人岗匹配模型可以对输入至人岗匹配模型的简历投递数据进行分类,输出人岗匹配或人岗不匹配的结果,供招聘人员参考,节省招聘人员的自主分析时间,并且防止因招聘人员业务能力不强或遗漏评价等原因做出的错误判断,提高人岗匹配准确率。
在一个实施例中,如图4所示,提供了一种人岗匹配方法,本实施例以该方法应用于终端进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的***,并通过终端和服务器的交互实现。本实施例中,该方法包括以下步骤:
步骤S10,接收用户端发送的数据获取指令,并根据数据获取指令从用户端对应的人力资源数据库中获取简历投递数据;其中,简历投递数据包括对应的简历信息和岗位信息。
步骤S20,提取简历投递数据中的结构化特征和非结构化特征;其中,结构化特征包括简历投递数据中的数值特征或类别特征中的至少一种,数值特征为表征简历投递数据中的数值的特征,类别特征为表征简历投递数据中的类别的特征,非结构化特征包括简历投递数据中的语义特征或交互特征中的至少一种,语义特征为表征简历投递数据中的语言意义的特征,交互特征为表征简历投递数据中的简历信息与岗位信息之间进行交互的特征。
步骤S30,将结构化特征和非结构化特征输入预设的人岗匹配模型,得到人岗匹配结果;其中,人岗匹配模型是由人力资源数据库中的历史简历投递数据训练得到的。
步骤S40,输出人岗匹配结果至用户端。
其中,人岗匹配是指对人力资源进行有效配置和合理使用的基础,其中,岗位职责与员工个体特征相匹配是基础,岗位报酬与员工需要、动机相匹配,激励员工行为是关键;通过事得其才、才尽其用使员工的才能高适用、高发挥。简历投递数据是指从人力资源数据库获取到的简历投递记录数据,一条投递记录是指一份简历对一个岗位的投递,同时还包括一些其他重要的字段,如简历投递时间、岗位所属部门、岗位招聘人数等。结构化特征是指可以进行年龄、薪资、招聘人数、所学专业等能够量化或用简单逻辑进行表达的数据。非结构化特征是指无法量化或无法用简单逻辑进行表达的数据,例如一段话的意思,投递简历的历史信息、投递岗位和是否录用等语义信息或交互信息。用户端是指招聘团队中的招聘人员使用的业务终端,招聘人员可以在用户端设置招聘条件,并获取对应的简历投递数据。
具体地,进行人岗匹配时,在招聘人员对应的用户端进行操作,根据需要的岗位和岗位职责等,在用户端形成目标岗位和目标岗位职责等对应的数据获取指令,根据该数据获取,从人力资源数据库中获取简历投递数据。例如,用户端设置为获取投递岗位为算法工程师、年龄25岁至45岁、学历本科以上等,则从人力资源数据库中获取满足上述要求的简历信息和岗位信息。
获取到简历投递数据后,提取简历投递数据中的数值特征或类别特征中的至少一种,得到结构化特征,例如,投递岗位为算法工程师、年龄29岁、硕士学历等。同时,提取简历投递数据中的语义特征或交互特征中的至少一种,得到非结构化特征,例如,应聘候选人涉及到的工作项目的具体内容或各个特征之间的交互、关联信息等。将提取到的结构化特征和非结构化特征输入人岗匹配模型进行人岗匹配,得到人岗匹配结果,并将人岗匹配结果输出至用户端,供招聘人员参考。
例如,招聘要求为算法工程师岗位、年龄25岁至45岁、学历本科以上,投递简历为算法工程师岗位、年龄29岁、硕士学历,则人岗匹配结果为简历信息与岗位信息一致,人岗匹配,为后续人力资源团队的工作人员提供参考依据。
上述人岗匹配方法中,通过接收用户端发送的数据获取指令,并根据数据获取指令从用户端对应的人力资源数据库中获取简历投递数据,简历投递数据包括对应的简历信息和岗位信息,并提取简历投递数据中的结构化特征和非结构化特征,结构化特征包括简历投递中的数值特征或类别特征中的至少一种,数值特征为表征简历投递数据中的数值的特征,类别特征为表征简历投递数据中的类别的特征,非结构化特征包括简历投递数据中的语义特征或交互特征中的至少一种,语义特征为表征简历投递数据中的语言意义的特征,交互特征为表征简历投递数据中的简历信息与岗位信息之间进行交互的特征,并将结构化特征和非结构化特征输入预设的人岗匹配模型,得到人岗匹配结果,其中,人岗匹配模型是由历史简历投递数据训练得到的,并输出人岗匹配结果至用户端。其中,提取简历投递数据中的结构化特征和非结构化特征,能够在获得简历投递数据中的可量化的数值特征和类别特征的同时,获得简历投递数据中的语义特征和交互特征,并将包括数值特征和类别特征的结构化特征和包括语义特征和交互特征的非结构化特征一同作为输入,进行岗位和简历之间的匹配,并得到人岗匹配结果,该人岗匹配结果能够在进行数值特征和类别特征匹配的同时,兼顾岗位和简历投递之间的语义信息、交互信息等,有效利用简历投递数据中的信息,提高人岗匹配准确率。
在一个实施例中,为步骤S40之后的一种可实施方式,包括:
响应于用户端对简历投递数据的标注指令,标注简历投递数据,得到标注结果。
具体地,在应用人岗匹配模型得到匹配结果并输出至用户端后,招聘人员可以将输出至用户端的匹配结果作为参考,在匹配结果的基础上,无需逐一比较简历投递数据中的简历信息与岗位信息,仅需对匹配结果进行进一步的简单评价,即可选择是否向候选人发起招聘邀请,并对人岗匹配模型输出的人岗匹配结果进行标注,用于数据召回。
可选地,响应于用户端对简历投递数据的标注指令之后包括:响应于用户端对简历投递数据的标注指令,得到更新后的简历投递数据;将更新后的简历投递数据存储至人力资源数据库中,更新人力资源数据库。
可选地,标注结果包括人岗匹配,标注简历投递数据,得到标注结果之后包括:向标注结果为人岗匹配的应聘端发送招聘信息;接收应聘端对招聘信息的响应指令,确定是否进入招聘流程。
具体地,当人岗匹配模型输出的匹配结果为人岗一致,招聘人员认为人岗匹配模型输出结果与实际一致,向候选人发出招聘邀请,并标注人岗匹配,而当招聘人员认为人岗匹配模型输出结果与实际不一致,不向候选人发出招聘邀请,标注人岗不匹配,并将标注后的简历投递数据返回人力资源数据后,为后续模型训练和优化提供数据基础。在候选人对应的应聘端接收到招聘信息后,根据候选人的选择确定是否进入招聘流程,候选人可以选择接受招聘邀请并进入招聘流程,也可以选择拒绝招聘邀请,不进入招聘流程。
上述实施例中,响应于用户端对简历投递数据的标注指令,标注简历投递数据,得到标注结果,能为更新人力资源数据库中的简历投递数据提供基础,为持续更新和优化人岗匹配模型提供数据基础,不断地提高人岗匹配准确率,同时还可以根据招聘人和候选人的选择,确定是否进入招聘流程,无需招聘人和候选人的其他操作,大大简化招聘流程,节省招聘团队的工作时间,提高招聘团队的工作效率。
下面结合一个具体的出行场景来介绍本公开的一个实施例,具体参见图5所示,为一个具体实施例中人岗匹配方法的示意图,该方法包括如下步骤:
基于海量简历投递记录简历人岗匹配模型,寻找简历合适的潜在岗位,从而提高企业简历库的利用率,协助HR团队锁定优质简历和对应的岗位,提高招聘效率。经过数据获取、岗位和简历解析、特征提取、模型训练和上线等流程之后,招聘人员即可选择匹配条件,进行人才激活招聘人员首先输入有招聘需求的岗位,然后对想要匹配到的候选人基于一些基本信息的条件过滤,比如跳槽次数、学历、工作年限等,然后点击删选条件确定按钮来获取智能人岗匹配算法的结果,在对这些候选人情况进行简单评估和筛选之后,则可点击激活按钮确认激活已选择的候选人,在确认激活之后,候选人将会收到由本产品的招聘邀约邮件。下面对该算法的实现进行详细阐述:
步骤S1,数据获取。从人力资源数据库获取简历投递记录数据,一条投递记录是指一份简历对一个岗位的投递,将这些记录数据导出,同时需要获取一些其他重要的字段,如简历投递时间、岗位所属部门、岗位招聘人数等,为后续的特征提取和模型建立提供必要的信息。对于每一条投递记录数据,简历相关字段数量为28,投递岗位的相关字段数量为12。本方法中,有效简历岗位投递数据总量超过200万,能够为智能人岗匹配算法提供丰富的训练样本。
步骤S2,岗位和简历解析。岗位和简历解析是指对岗位招聘详情和简历文件进行解析,提取文本中重要的信息字段。由于原始的投递数据中,岗位和简历均为非结构化的文本数据,因此需要对其进行解析,获取其中与人岗匹配模型相关的字段。这些字段按照来源可分为两类:(1)简历重要字段:将简历中能够描述候选人综合情况的信息进行整理,进行必要的计算或汇总,得到简历信息字段,如年龄、教育背景、工作经历、历史申请情况、掌握技能等,将这些信息整理成规范的字段,便于数据的存储和读取,为后续的特征提取和模型建立做准备。(2)岗位重要字段:对岗位招聘详情中的文本进行去噪和规范整理,得到岗位相关字段如岗位名称、岗位职责、岗位要求、岗位级别、岗位所属部门等。对每一条投递记录解析,整理出以上简历和岗位重要信息,存储数据用于后续步骤。
步骤S3,特征提取。对简历和岗位信息进行进一步挖掘,提取出与人岗匹配模型可能相关的特征,用于后续模型建立和训练,按照处理方式可将特征分为两类:一类是通过定义特征函数进行处理的结构化特征,一类是通过BERT文本编码和知识图谱技术处理的非结构化特征。第一类特征能够有效的将数值型特征以及类别型特征很好的利用起来,第二类特征能将文本数据有效使用,同时建立起特征之间的关联性。
(1)结构化特征。通过定义各类特征函数,提取与人岗匹配模型相关的有效特征:①岗位招聘名额,即接收简历的当前岗位实际上的招聘需求人数;②简历候选人教育情况特征,即具体的教育背景信息,如最高学历、学校、学校排名、专业等;③历候选人工作经历特征,即候选人之前工作经历的具体信息,如工作岗位名称、工作所在城市、工作公司名称、工作经验时长等;④简历候选人技能特征,即候选人掌握的技能情况,如掌握的技能工具、IT技能等;⑤候选人历史行为统计特征简历候选人历史投递特征,即候选人之前的投递筛选情况,若候选人之前有相关投递历史,对其历史投递是否通过筛选进行统计,得到候选人的历史申请次数、历史申请成功次数、历史申请失败次数等。这一类型特征很好利用了数据的历史行为,需要对行为数据进行统计。⑥线性组合特征,采用树模型LGB学习简历投递数据的多个单一特征,并通过权重组合的方式得到线性组合特征。例如,类别特征用C1,C2来表示,数值特征用N1,N2来表示,通过对类别特征进行groupby,统计数值类特征的中位数,标准差等等,再进行线性组合便可以得到更多有意义的特征,例如,N1+median(N1)_by(C1)、N1-mean(N1)_by(C1)、N1*std(N1)_by(C1)、N1/freq(N1)_by(C1)。
(2)非结构化特征,在投递记录中,除了前面提取的结构化特征,还有许多未被充分利用的文本特征,这些文本属于非结构化信息,挖掘这些非结构化数据中的语义关系,对于提升人岗匹配算法的效果具有重要意义,采用自然语言处理中的BERT文本embedding方法,以及利用人才领域的知识图谱信息,对投递数据中的文本信息进行特征化,获取文本中的语义信息和人岗交互信息。
①BERT文本编码特征,由于文本属于非结构化数据,无法直接用于模型计算,因此需要通过自然语言处理技术将文本转化为数值型特征,采用BERT文本embedding方法对文本进行编码。BERT模型使用Transformer作为序列特征提取器,为了改进Transformer在特征提取过程中未能提取完整的上下文信息的不足,BERT在预训练阶段引入了遮挡语言模型(Masked Language Model,MLM),通过随机遮挡预训练语料中15%的词语并预测它们,来学习完整的上下文信息,与其他已有的“预训练/微调”语言框架如ELMo、GPT等文本embedding框架有所不同,BERT实现了双向Transformer,并使用了超多层Transformer,进一步提升了文本表征的学习效果。BERT的输出,是其上述输入信息经过一层一层的Transformer编码器之后,在输入的每一个位置上,分别输出一个768维的实数向量,即词向量。对于BERT的中文预训练模型,由于是按“字”作为基本单位的,所以输出的是输入文本中每个字的字向量。这些向量可以用于后续的文本分类等下游任务,也可以作为文本的特征,输出给机器学习模型,本文就是将输出的向量作为简历文本和岗位文本的特征,输出给后续的分类模型进行学习。通过BERT编码,单段文本会被转化为固定维度(768维)的向量,将这些向量作为文本特征,用于后续建立人岗匹配模型。进行BERT编码的文本字段有岗位名称、岗位职责、岗位要求、候选人工作经历、候选人项目描述、候选人自我评价等。
②人才领域知识图谱,通过引进自研的人才领域知识图谱,结合NER等算法,从而挖掘更多简历候选人与投递岗位之间的交互特征,如技能匹配、经验匹配情况等。同时,使用Graph Embedding将知识图谱的拓扑关系更好的捕捉到。由于知识图谱本质上是一张语义网络,刻画着现实世界中各个实体之间的相互联系,因此在海量的人才库和岗位匹配场景中,知识图谱可以为其提供一个更为动态直观的数据表达、组织和管理方式。当招聘人员给定目标候选人的条件之后,本算法将对文本进行深层次的语义理解(而非简单的关键词匹配),然后与知识库(人才简历库和岗位库)中的实体和关系进行匹配,在进行语义合并等流程之后,给出完整的知识体系,比如候选人技能、工作经历的具体情况匹配结果,从而真正实现人才简历库的智能搜索。
步骤S4,模型训练。在完成各类重要特征的提取之后,对数据集进行训练集、验证集和测试集的划分,其中验证集和测试集的投递岗位在训练集中均未出现,这样处理的目的是避免数据穿越,确保模型效果的真实可靠,同时也能提高模型的泛化性能。将简历投递是否通过HR初步筛选作为label标签,采用机器学习中的Light GBM分类算法,建立人岗匹配二分类模型(人岗匹配模型)并对其进行训练、调参和测试优化,并完成模型存储,为模型上线做准备。
步骤S5,模型上线与更新。由于简历数据量很大,为保证响应速度快以及预测准确,采用召回+排序的方式进行预测。召回采用策略的方式对简历进行大体的分类。比如,招聘的岗位是算法工程师,保证匹配到的是算法类候选人,而不是财务类的候选人。排序是指上述特征提取和模型训练部分。之后将召回训练好的模型部署至线上,HR通过选择简历和岗位匹配条件,即可得到人岗匹配算法提供的简历岗位匹配结果,然后进行简单的评估后,决定是否向简历候选人发送面试邀约并进入招聘流程,这一操作将会产生新的数据,用于后续的模型训练和更新优化中。
步骤S6,结果输出。HR在进行岗位和候选人条件选择之后,即可得到一系列岗位和候选人的匹配结果,对这些匹配结果进行简单评估后,选择需要激活的候选人,即可向潜在候选人发送邮件推荐面试的岗位,根据候选人的意愿决定是否进入招聘流程。
需要说明的是,在向候选人发送招聘邮件的时,可选用EDM(Email DirectMarketing,邮件直达)和IVR(Interactive Voice Response,互动式语音应答)技术进行,以节省招聘人员的工作量,具体为,在招聘人员对人岗匹配结果进行评估后,选定了将要激活的简历候选人,通过一对一发送电子邮件的方式与候选人进行个性化沟通,如此能够营造与用户之间一对一沟通的氛围,提升简历候选人的用户体验。在确定了待激活候选人后,通过IVR技术,智能地对候选人进行触达,了解候选人的基础新情况以及面试意愿,与人工外呼触达候选人的方式相比,IVR外呼触达具有高并发、低成本、标准化的优点。IVR外呼***的运作内容主要是:①在招聘人员发送激活邮件的页面,设置有“使用IVR激活候选人”选项,招聘人员可以设置是否对候选人进行IVR激活;②若招聘人员勾选了“使用IVR激活候选人”选项,后续将会对没有打开激活邮件的候选人进行IVR召回;③在一个邮件打开率收敛周期后的预设时间段内,统计没有打开召回邮件的候选人信息;④在一个预设时段内(如9:00-11:00)向候选人进行IVR召回;⑤统计激活邮件打开率,了解激活邮件打开率提升情况。通过IVR***,可以智能地触达候选人,并对候选人的激活情况实时跟进,同时激活邮件的打开情况也可作为实时的反馈信息,辅助产品设计和人岗匹配算法的持续优化。
上述人岗匹配方法中,采用大数据和匹配算法实现智能人岗匹配,主动为有招聘需求的岗位高效匹配优质的候选人,并且通过持续追踪目标候选人后续的招聘情况,为算法本身不断提供有效的反馈信息,用于算法的及时更新与优化。且算法层面上,使用简历岗位投递是否通过HR筛选作为Label,通过定义特征函数、BERT文本embedding、引进人才领域知识图谱等多种方法提取有效特征,有效地利用了企业的海量人才库和招聘结果数据,建立人岗匹配分类模型,为HR团队的人才激活需求提供准确可靠的结果,提高人力资源部门的招聘效率。
应该理解的是,虽然图1-5的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1-5中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图6所示,提供了一人岗匹配装置,包括:数据获取模块601、特征提取模块602和结果确定模块603,其中:
数据获取模块601,用于获取简历投递数据;其中,简历投递数据包括对应的简历信息和岗位信息;
特征提取模块602,用于提取简历投递数据中的结构化特征和非结构化特征;其中,结构化特征包括简历投递数据中的数值特征或类别特征中的至少一种,数值特征为表征简历投递数据中的数值的特征,类别特征为表征简历投递数据中的类别的特征,非结构化特征包括简历投递数据中的语义特征或交互特征中的至少一种,语义特征为表征简历投递数据中的语言意义的特征,交互特征为表征简历投递数据中的简历信息与岗位信息之间进行交互的特征;
结果确定模块603,用于将结构化特征和非结构化特征输入预设的人岗匹配模型,得到人岗匹配结果;其中,人岗匹配模型是由历史简历投递数据训练得到的。
在其中一个实施例中,特征提取模块602还用于:解析简历投递数据,得到关键字信息;提取关键字信息中的数值特征或类别特征中的至少一种,得到结构化特征;提取关键字信息中的语义特征或交互特征中的至少一种,得到非结构化特征。
在其中一个实施例中,特征提取模块602还用于:通过预设的至少一个特征函数,提取关键字信息中的数值特征或类别特征中的至少一种,得到与至少一个特征函数对应的至少一个初始结构化特征;其中,至少一个初始结构化特征包括招聘数量、教育信息、经历特征、技能特征、行为特征中的至少一种;按照预设的权重对至少一个初始结构化特征进行组合,得到结构化特征。
在其中一个实施例中,特征提取模块602还用于:将关键字信息中的语义特征转化为预设维度的向量信息,得到第一非结构化特征;通过预设的知识图谱,确定关键字信息中的交互特征,得到第二非结构化特征;将第一非结构化特征或第二非结构化特征中的至少一种,确定为非结构化特征。
在其中一个实施例中,人岗匹配装置还包括人岗匹配模型确定模块,用于:对历史简历投递数据进行标注,得到标注结果;其中,标注结果包括人岗匹配和人岗不匹配;以历史简历投递数据对应的结构化特征和非结构化特征为输入,标注结果为期望输出,对预设的初始人岗匹配模型进行训练,得到人岗匹配模型。
在一个实施例中,如图7所示,提供了一人岗匹配装置,包括:数据获取模块701、特征提取模块702、结果确定模块703和结果输出模块704,其中:
数据获取模块701,用于接收用户端发送的数据获取指令,并根据数据获取指令从用户端对应的人力资源数据库中获取简历投递数据;其中,简历投递数据包括对应的简历信息和岗位信息;
特征提取模块702,用于提取简历投递数据中的结构化特征和非结构化特征;其中,结构化特征包括简历投递数据中的数值特征或类别特征中的至少一种,数值特征为表征简历投递数据中的数值的特征,类别特征为表征简历投递数据中的类别的特征,非结构化特征包括简历投递数据中的语义特征或交互特征中的至少一种,语义特征为表征简历投递数据中的语言意义的特征,交互特征为表征简历投递数据中的简历信息与岗位信息之间进行交互的特征;
结果确定模块703,用于将结构化特征和非结构化特征输入预设的人岗匹配模型,得到人岗匹配结果;其中,人岗匹配模型是由人力资源数据库中的历史简历投递数据训练得到的;
结果输出模块704,用于输出人岗匹配结果至用户端。
在其中一个实施例中,人岗匹配装置还包括标注模块,用于:响应于用户端对简历投递数据的标注指令,标注简历投递数据,得到标注结果。
在其中一个实施例中,标注结果包括人岗匹配,人岗匹配装置还包括招聘模块,用于:向标注结果为人岗匹配的应聘端发送招聘信息;接收应聘端对招聘信息的响应指令,确定是否进入招聘流程。
在其中一个实施例中,人岗匹配装置还包括召回模块,用于响应于用户端对简历投递数据的标注指令,得到更新后的简历投递数据;将更新后的简历投递数据存储至人力资源数据库中,更新人力资源数据库。
关于人岗匹配装置的具体限定可以参见上文中对于人岗匹配方法的限定,在此不再赘述。上述人岗匹配装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以以硬件形式内嵌于或独立于电子设备中的处理器中,也可以以软件形式存储于电子设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
图8是根据一示例性实施例示出的一种电子设备800的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图8,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。其中,存储器上存储有在处理器上运行的计算机程序或者指令。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理***,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在电子设备800和用户之间的提供一个输出接口的触控显示屏。在一些实施例中,触控显示屏可以包括液晶显示器(LCD)和触摸面板(TP)。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和***接口模块之间提供接口,上述***接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中,通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述人岗匹配方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器804,上述指令可由电子设备800的处理器820执行以完成上述方法。例如,非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本公开实施例所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本公开实施例的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本公开实施例构思的前提下,还可以做出若干变形和改进,这些都属于本公开实施例的保护范围。因此,本公开实施例专利的保护范围应以所附权利要求为准。
Claims (18)
1.一种人岗匹配方法,其特征在于,所述方法包括:
获取简历投递数据;其中,所述简历投递数据包括对应的简历信息和岗位信息;
提取所述简历投递数据中的结构化特征和非结构化特征;其中,所述结构化特征包括所述简历投递数据中的数值特征或类别特征中的至少一种,所述数值特征为表征所述简历投递数据中的数值的特征,所述类别特征为表征所述简历投递数据中的类别的特征,所述非结构化特征包括所述简历投递数据中的语义特征或交互特征中的至少一种,所述语义特征为表征所述简历投递数据中的语言意义的特征,所述交互特征为表征所述简历投递数据中的简历信息与岗位信息之间进行交互的特征;
将所述结构化特征和所述非结构化特征输入预设的人岗匹配模型,得到人岗匹配结果;其中,所述人岗匹配模型是由历史简历投递数据训练得到的;
其中,所述人岗匹配模型的获取方式,包括:
对所述历史简历投递数据进行标注,得到标注结果;其中,所述标注结果包括人岗匹配和人岗不匹配;
以所述历史简历投递数据对应的结构化特征和非结构化特征为输入,所述标注结果为期望输出,对预设的初始人岗匹配模型进行训练,得到所述人岗匹配模型。
2.根据权利要求1所述的人岗匹配方法,其特征在于,所述提取所述简历投递数据中的结构化特征和非结构化特征,包括:
解析所述简历投递数据,得到关键字信息;
提取所述关键字信息中的数值特征或类别特征中的至少一种,得到所述结构化特征;
提取所述关键字信息中的语义特征或交互特征中的至少一种,得到所述非结构化特征。
3.根据权利要求2所述的人岗匹配方法,其特征在于,所述提取所述关键字信息中的数值特征或类别特征中的至少一种,得到所述结构化特征,包括:
通过预设的至少一个特征函数,提取所述关键字信息中的数值特征或类别特征中的至少一种,得到与所述至少一个特征函数对应的至少一个初始结构化特征;其中,所述至少一个初始结构化特征包括招聘数量、教育信息、经历特征、技能特征、行为特征中的至少一种;
按照预设的权重对所述至少一个初始结构化特征进行组合,得到所述结构化特征。
4.根据权利要求2所述的人岗匹配方法,其特征在于,所述提取所述关键字信息中的语义特征或交互特征中的至少一种,得到所述非结构化特征,包括:
将所述关键字信息中的语义特征转化为预设维度的向量信息,得到第一非结构化特征;
通过预设的知识图谱,确定所述关键字信息中的交互特征,得到第二非结构化特征;
将所述第一非结构化特征或所述第二非结构化特征中的至少一种,确定为所述非结构化特征。
5.一种人岗匹配方法,其特征在于,所述方法包括:
接收用户端发送的数据获取指令,并根据所述数据获取指令从所述用户端对应的人力资源数据库中获取简历投递数据;其中,所述简历投递数据包括对应的简历信息和岗位信息;
提取所述简历投递数据中的结构化特征和非结构化特征;其中,所述结构化特征包括所述简历投递数据中的数值特征或类别特征中的至少一种,所述数值特征为表征所述简历投递数据中的数值的特征,所述类别特征为表征所述简历投递数据中的类别的特征,所述非结构化特征包括所述简历投递数据中的语义特征或交互特征中的至少一种,所述语义特征为表征所述简历投递数据中的语言意义的特征,所述交互特征为表征所述简历投递数据中的简历信息与岗位信息之间进行交互的特征;
将所述结构化特征和所述非结构化特征输入预设的人岗匹配模型,得到人岗匹配结果;其中,所述人岗匹配模型是由所述人力资源数据库中的历史简历投递数据训练得到的;
输出所述人岗匹配结果至所述用户端;
其中,所述人岗匹配模型的获取方式,包括:
对所述历史简历投递数据进行标注,得到标注结果;其中,所述标注结果包括人岗匹配和人岗不匹配;
以所述历史简历投递数据对应的结构化特征和非结构化特征为输入,所述标注结果为期望输出,对预设的初始人岗匹配模型进行训练,得到所述人岗匹配模型。
6.根据权利要求5所述的人岗匹配方法,其特征在于,所述输出所述人岗匹配结果至所述用户端之后,包括:
响应于所述用户端对所述简历投递数据的标注指令,标注所述简历投递数据,得到标注结果。
7.根据权利要求6所述的人岗匹配方法,其特征在于,所述标注结果包括人岗匹配,所述标注所述简历投递数据,得到标注结果之后,包括:
向所述标注结果为所述人岗匹配的应聘端发送招聘信息;
接收所述应聘端对所述招聘信息的响应指令,确定是否进入招聘流程。
8.根据权利要求6所述的人岗匹配方法,其特征在于,所述响应于所述用户端对所述简历投递数据的标注指令之后,包括:
响应于所述用户端对所述简历投递数据的标注指令,得到更新后的简历投递数据;
将所述更新后的简历投递数据存储至所述人力资源数据库中,更新所述人力资源数据库。
9.一种人岗匹配装置,其特征在于,所述装置包括:
数据获取模块,用于获取简历投递数据;其中,所述简历投递数据包括对应的简历信息和岗位信息;
特征提取模块,用于提取所述简历投递数据中的结构化特征和非结构化特征;其中,所述结构化特征包括所述简历投递数据中的数值特征或类别特征中的至少一种,所述数值特征为表征所述简历投递数据中的数值的特征,所述类别特征为表征所述简历投递数据中的类别的特征,所述非结构化特征包括所述简历投递数据中的语义特征或交互特征中的至少一种,所述语义特征为表征所述简历投递数据中的语言意义的特征,所述交互特征为表征所述简历投递数据中的简历信息与岗位信息之间进行交互的特征;
结果确定模块,用于将所述结构化特征和所述非结构化特征输入预设的人岗匹配模型,得到人岗匹配结果;其中,所述人岗匹配模型是由历史简历投递数据训练得到的;
人岗匹配模型确定模块,用于对历史简历投递数据进行标注,得到标注结果;其中,标注结果包括人岗匹配和人岗不匹配;以历史简历投递数据对应的结构化特征和非结构化特征为输入,标注结果为期望输出,对预设的初始人岗匹配模型进行训练,得到人岗匹配模型。
10.根据权利要求9所述的人岗匹配装置,其特征在于,所述特征提取模块还用于:
解析所述简历投递数据,得到关键字信息;
提取所述关键字信息中的数值特征或类别特征中的至少一种,得到所述结构化特征;
提取所述关键字信息中的语义特征或交互特征中的至少一种,得到所述非结构化特征。
11.根据权利要求10所述的人岗匹配装置,其特征在于,所述特征提取模块还用于:
通过预设的至少一个特征函数,提取所述关键字信息中的数值特征或类别特征中的至少一种,得到与所述至少一个特征函数对应的至少一个初始结构化特征;其中,所述至少一个初始结构化特征包括招聘数量、教育信息、经历特征、技能特征、行为特征中的至少一种;
按照预设的权重对所述至少一个初始结构化特征进行组合,得到所述结构化特征。
12.根据权利要求10所述的人岗匹配装置,其特征在于,所述特征提取模块还用于:
将所述关键字信息中的语义特征转化为预设维度的向量信息,得到第一非结构化特征;
通过预设的知识图谱,确定所述关键字信息中的交互特征,得到第二非结构化特征;
将所述第一非结构化特征或所述第二非结构化特征中的至少一种,确定为所述非结构化特征。
13.一种人岗匹配装置,其特征在于,所述装置包括:
数据获取模块,用于接收用户端发送的数据获取指令,并根据所述数据获取指令从所述用户端对应的人力资源数据库中获取简历投递数据;其中,所述简历投递数据包括对应的简历信息和岗位信息;
特征提取模块,用于提取所述简历投递数据中的结构化特征和非结构化特征;其中,所述结构化特征包括所述简历投递数据中的数值特征或类别特征中的至少一种,所述数值特征为表征所述简历投递数据中的数值的特征,所述类别特征为表征所述简历投递数据中的类别的特征,所述非结构化特征包括所述简历投递数据中的语义特征或交互特征中的至少一种,所述语义特征为表征所述简历投递数据中的语言意义的特征,所述交互特征为表征所述简历投递数据中的简历信息与岗位信息之间进行交互的特征;
结果确定模块,用于将所述结构化特征和所述非结构化特征输入预设的人岗匹配模型,得到人岗匹配结果;其中,所述人岗匹配模型是由所述人力资源数据库中的历史简历投递数据训练得到的;
结果输出模块,用于输出所述人岗匹配结果至所述用户端;
人岗匹配模型确定模块,用于对历史简历投递数据进行标注,得到标注结果;其中,标注结果包括人岗匹配和人岗不匹配;以历史简历投递数据对应的结构化特征和非结构化特征为输入,标注结果为期望输出,对预设的初始人岗匹配模型进行训练,得到人岗匹配模型。
14.根据权利要求13所述的人岗匹配装置,其特征在于,所述人岗匹配装置还包括标注模块,用于:
响应于所述用户端对所述简历投递数据的标注指令,标注所述简历投递数据,得到标注结果。
15.根据权利要求14所述的人岗匹配装置,其特征在于,所述标注结果包括人岗匹配,所述人岗匹配装置还包括招聘模块,用于:
向所述标注结果为所述人岗匹配的应聘端发送招聘信息;
接收所述应聘端对所述招聘信息的响应指令,确定是否进入招聘流程。
16.根据权利要求14所述的人岗匹配装置,其特征在于,所述人岗匹配装置还包括召回模块,用于:
响应于所述用户端对所述简历投递数据的标注指令,得到更新后的简历投递数据;
将所述更新后的简历投递数据存储至所述人力资源数据库中,更新所述人力资源数据库。
17.一种电子设备,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,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至4或5至8中任一项所述的方法的步骤。
18.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至4或5至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010690664.0A CN111984784B (zh) | 2020-07-17 | 2020-07-17 | 人岗匹配方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010690664.0A CN111984784B (zh) | 2020-07-17 | 2020-07-17 | 人岗匹配方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111984784A CN111984784A (zh) | 2020-11-24 |
CN111984784B true CN111984784B (zh) | 2024-03-12 |
Family
ID=73437979
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010690664.0A Active CN111984784B (zh) | 2020-07-17 | 2020-07-17 | 人岗匹配方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111984784B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114691965A (zh) * | 2020-12-29 | 2022-07-01 | 北京达佳互联信息技术有限公司 | 简历推荐方法、岗位推荐方法、电子设备 |
CN114647861B (zh) * | 2022-03-21 | 2024-06-04 | 华润智算科技(广东)有限公司 | 人岗匹配方法、装置、设备及存储介质 |
CN115481220B (zh) * | 2022-09-20 | 2023-07-25 | 深圳今日人才信息科技有限公司 | 基于岗位和简历内容的对比学习人岗智能匹配方法及*** |
CN117252260B (zh) * | 2023-09-06 | 2024-06-11 | 山东心法科技有限公司 | 一种基于大语言模型的面试技能训练方法、设备及介质 |
CN117236647B (zh) * | 2023-11-10 | 2024-02-02 | 贵州优特云科技有限公司 | 一种基于人工智能的岗位招聘分析方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016045153A1 (zh) * | 2014-09-25 | 2016-03-31 | 中国科学院软件研究所 | 基于文本履历信息的信息可视化方法及智能可视分析*** |
CN106384230A (zh) * | 2016-10-21 | 2017-02-08 | 北京搜前途科技有限公司 | 简历中工作经历与招聘职位及简历与招聘信息的匹配方法 |
CN107563725A (zh) * | 2017-08-25 | 2018-01-09 | 浙江网新恒天软件有限公司 | 一种优化繁琐人才招聘过程的招聘*** |
CN110263818A (zh) * | 2019-05-24 | 2019-09-20 | 平安科技(深圳)有限公司 | 简历筛选的方法、装置、终端和计算机可读存储介质 |
CN110991988A (zh) * | 2019-11-18 | 2020-04-10 | 平安金融管理学院(中国·深圳) | 基于岗位信息文档的目标简历文件筛选方法和装置 |
-
2020
- 2020-07-17 CN CN202010690664.0A patent/CN111984784B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016045153A1 (zh) * | 2014-09-25 | 2016-03-31 | 中国科学院软件研究所 | 基于文本履历信息的信息可视化方法及智能可视分析*** |
CN106384230A (zh) * | 2016-10-21 | 2017-02-08 | 北京搜前途科技有限公司 | 简历中工作经历与招聘职位及简历与招聘信息的匹配方法 |
CN107563725A (zh) * | 2017-08-25 | 2018-01-09 | 浙江网新恒天软件有限公司 | 一种优化繁琐人才招聘过程的招聘*** |
CN110263818A (zh) * | 2019-05-24 | 2019-09-20 | 平安科技(深圳)有限公司 | 简历筛选的方法、装置、终端和计算机可读存储介质 |
CN110991988A (zh) * | 2019-11-18 | 2020-04-10 | 平安金融管理学院(中国·深圳) | 基于岗位信息文档的目标简历文件筛选方法和装置 |
Non-Patent Citations (2)
Title |
---|
人工智能助力企业人才选拔数字化变革;李妍霏;;中国国情国力(04);全文 * |
词向量在岗位描述与简历中的分布特征及其应用;曾泽明;陈志轩;邓一星;;软件(01);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111984784A (zh) | 2020-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111984784B (zh) | 人岗匹配方法、装置、电子设备和存储介质 | |
US11663409B2 (en) | Systems and methods for training machine learning models using active learning | |
US11379529B2 (en) | Composing rich content messages | |
US20220147948A1 (en) | Generating digital associations between documents and digital calendar events based on content connections | |
CN107533670B (zh) | 数字实体的预测热门 | |
US20190180196A1 (en) | Systems and methods for generating and updating machine hybrid deep learning models | |
US9171072B2 (en) | System and method for real-time dynamic measurement of best-estimate quality levels while reviewing classified or enriched data | |
CN111753198A (zh) | 信息推荐方法和装置、以及电子设备和可读存储介质 | |
US20190179903A1 (en) | Systems and methods for multi language automated action response | |
WO2019113122A1 (en) | Systems and methods for improved machine learning for conversations | |
CN112509690B (zh) | 用于控制质量的方法、装置、设备和存储介质 | |
CN110825956A (zh) | 一种信息流推荐方法、装置、计算机设备及存储介质 | |
US11516036B1 (en) | Systems and methods for enhancing meetings | |
US11816609B2 (en) | Intelligent task completion detection at a computing device | |
CN108139918A (zh) | 以每用户为基础定制程序特征 | |
CN108228808B (zh) | 确定热点事件的方法、装置和存储介质以及电子设备 | |
US11640420B2 (en) | System and method for automatic summarization of content with event based analysis | |
US20220291966A1 (en) | Systems and methods for process mining using unsupervised learning and for automating orchestration of workflows | |
US11848900B2 (en) | Contextual messaging in video conference | |
US20230033622A1 (en) | Context-aware observational entity recognition and capture | |
US20220284171A1 (en) | Hierarchical structure learning with context attention from multi-turn natural language conversations | |
CN114328838A (zh) | 事件抽取方法、装置、电子设备及可读存储介质 | |
Ahmed et al. | Sentiment analysis for smart cities: state of the art and opportunities | |
CN111385188A (zh) | 对话元素的推荐方法、装置、电子设备和介质 | |
US20230359932A1 (en) | Classification process systems and methods |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |