CN114004575A - 一种个性化招聘***及实现招聘***个性化的方法 - Google Patents
一种个性化招聘***及实现招聘***个性化的方法 Download PDFInfo
- Publication number
- CN114004575A CN114004575A CN202111032849.3A CN202111032849A CN114004575A CN 114004575 A CN114004575 A CN 114004575A CN 202111032849 A CN202111032849 A CN 202111032849A CN 114004575 A CN114004575 A CN 114004575A
- Authority
- CN
- China
- Prior art keywords
- recruitment
- information
- item
- data
- items
- 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
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/242—Query formulation
- G06F16/2433—Query languages
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/103—Workflow collaboration or project management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种个性化招聘***及实现招聘***个性化的方法,该方法包括:S101:根据招聘区域创建招聘项目,并对招聘项目进行分类;S102:对分类后的招聘项目进行数据同步,通过招聘要求筛选模型筛选招聘信息中的招聘要求,根据招聘要求创建招聘岗位;S103:审核招聘岗位,并根据预设条件设置招聘岗位中的特殊岗位;S104:发布招聘岗位的信息,获取并记录招聘岗位对应的报名信息。本发明提高了招聘项目实施的灵活性,适应性好,便于对大型的招聘项目进行处理,还能够使报名人员针对招聘岗位填报对应的报名资料,减轻了报名的负担和审核的工作量,提高了资料的准确性,便于筛选符合招聘岗位的报名人员。
Description
技术领域
本发明涉及在互联网技术领域,尤其涉及一种个性化招聘***及实现招聘***个性化的方法。
背景技术
传统的企事业单位招聘一般是采用现场报名的方式进行招聘的,过程通常是:招聘单位通过各类媒体发布招聘公告;考生(即应聘者)带上相关资料在规定的时间内到达指定地点进行报名;招聘单位对考生资料进行人工审核;招聘单位人工统计报考人数,安排考场、制作准考证;考生领取准考证,按相关规定进行笔试、面试;招聘单位公布成绩,双方签约等等。随着社会的发展与进步,企事业单位的业务不断扩展,需要招聘的人员不断增多,这种现场人工报名、审核的方式往往需要消耗大量时间、效率低且人力成本高,难以满足当前的招聘需求。
发明内容
为了克服现有技术的不足,本发明提出一种个性化招聘***及实现招聘***个性化的方法,分区域创建招聘项目,对创建的招聘项目分类,根据招聘单位的要求创建招聘岗位并对招聘岗位进行审核,通过不同的招聘岗位获取不同的报名信息,通过对招聘项目分区域、分类的方式提高了招聘项目实施的灵活性,适应性好,便于对大型的招聘项目进行处理,而且,线上报名、审核的方式,效率高、耗时短,降低了人力成本,还能够使报名人员针对招聘岗位填报对应的报名资料,减轻了报名的负担和审核的工作量,提高了资料的准确性,便于筛选符合招聘岗位的报名人员。
为解决上述问题,本发明采用的一个技术方案为:一种实现招聘***个性化的方法,所述实现招聘***个性化的方法包括:S101:根据招聘区域创建招聘项目,并对所述招聘项目进行分类;S102:根据招聘项目所属的招聘区域对分类后的招聘项目进行数据同步,接收招聘单位的招聘信息,通过招聘要求筛选模型筛选所述招聘信息中的招聘要求,根据所述招聘要求创建招聘岗位; S103:根据所述招聘岗位与所述招聘项目的匹配结果审核所述招聘岗位,并根据预设条件设置所述招聘岗位中的特殊岗位;S104:发布所述招聘岗位的信息,获取并记录所述招聘岗位对应的报名信息。
进一步地,所述根据招聘区域创建招聘项目的步骤具体包括:获取所述招聘区域所在的省份,根据所述省份创建不同省份的招聘项目。
进一步地,所述招聘项目的分类包括:单位级招聘项目、地市级招聘项目、省级招聘项目。
进一步地,所述根据招聘项目所属的招聘区域对分类后的招聘项目进行数据同步的步骤具体包括:获取所述招聘区域所属的省份,将所述招聘项目同步至所述省份对应的数据库。
进一步地,所述将所述招聘项目同步至所述省份对应的数据库的步骤具体包括:解析所述数据库中的数据日志,根据所述数据日志获取所述数据库中需要同步的招聘项目的标记信息和数据变更信息,基于所述标记信息、数据变更信息进行数据的同步。
进一步地,所述通过招聘要求筛选模型筛选所述招聘信息中的招聘要求的步骤具体包括:对输入的招聘信息进行规范化处理,对规范化处理后的招聘信息进行预处理,所述预处理包括:对所述招聘信息中的语句进行编号,不同的语句对应的编号不同;将预处理后的招聘信息导入招聘要求筛选模型,根据所述招聘要求筛选模型输出的所述招聘信息与不同招聘要求匹配的概率获取所述招聘信息中的招聘要求。
进一步地,训练所述招聘要求筛选模型的步骤具体包括:标记历史招聘信息中的招聘要求,根据标记后的历史招聘信息生成训练集;构建一个神经网络模型,所述神经网络模型包括依次连接的特征提取网络、特征融合网络和筛选层,将所述训练集输入所述神经网络模型中进行训练,迭代模型参数后得到收敛的招聘要求筛选模型。
进一步地,根据所述招聘岗位与所述招聘项目的匹配结果审核所述招聘岗位的步骤具体包括:获取所述招聘岗位的分类信息,根据所述分类信息与招聘项目分类的匹配结果获取所述招聘岗位对应的招聘项目分类,并基于所述招聘项目分类发送所述招聘岗位的审核信息。
进一步地,所述获取并记录所述招聘岗位对应的报名信息的步骤具体包括:接收输入的报名指令,根据所述招聘岗位的招聘要求获取与所述招聘岗位匹配的报名信息,并统计所述招聘岗位的报名数据。
基于相同的发明构思,本发明又提出一种个性化招聘***,所述个性化招聘***包括:控制平台、数据库,所述控制平台与所述数据库连接,所述控制平台包括处理器、存储器,所述存储器存储有计算机程序,所述处理器根据所述计算机程序执行如上所述的实现招聘***个性化的方法。
相比现有技术,本发明的有益效果在于:分区域创建招聘项目,对创建的招聘项目分类,根据招聘单位的要求创建招聘岗位并对招聘岗位进行审核,通过不同的招聘岗位获取不同的报名信息,通过对招聘项目分区域、分类的方式提高了招聘项目实施的灵活性,适应性好,便于对大型的招聘项目进行处理,而且,线上报名、审核的方式,效率高、耗时短,降低了人力成本,还能够使报名人员针对招聘岗位填报对应的报名资料,减轻了报名的负担和审核的工作量,提高了资料的准确性,便于筛选符合招聘岗位的报名人员。
附图说明
图1为本发明实现招聘***个性化的方法一实施例的流程图;
图2为本发明一种个性化招聘***一实施例的结构图。
图3为个性化招聘***执行的实现招聘***个性化的方法一实施例的流程图。
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,图1为本发明实现招聘***个性化的方法一实施例的流程图。结合图1对本发明实现招聘***个性化的方法进行详细说明。
在本实施例中,执行该实现招聘***个性化的方法的个性化招聘***可以包括控制平台、服务器、云端、管理后台以及其他能够实体或虚拟智能终端中的任一种,只需能够通过该个性化招聘***实现招聘项目、招聘岗位的创建以及报名信息的获取即可,在此不作限定。
在本实施例中,实现招聘***个性化的方法包括:
S101:根据招聘区域创建招聘项目,并对招聘项目进行分类。
获取当前需要创建招聘项目的招聘区域,为每个招聘区域分别创建招聘项目,并在招聘项目创建完成后,对招聘区域内的招聘项目进行分类。
在本实施例中,根据招聘区域创建招聘项目的步骤具体包括:获取招聘区域所在的省份,根据省份创建不同省份的招聘项目。
在本实施例中,招聘区域为省份,在其他实施例中,也可以根据招聘单位对招聘区域的划分,将招聘区域确定为国家、市、县以及其他行政区域。
其中,可以根据输入的招聘区域信息获取需要创建招聘项目的招聘区域,也可以根据接收的招聘项目创建指令获取招聘区域的信息,进而实现招聘项目的创建。
在本实施例中,招聘项目的分类包括:单位级招聘项目、地市级招聘项目、省级招聘项目。在每个省的招聘项目中均包括该单位级招聘项目、地市级招聘项目、省级招聘项目。
在其他实施例中,也可以根据招聘项目所属的企业、行业以及其他分类对招聘项目进行分类。
S102:根据招聘项目所属的招聘区域对分类后的招聘项目进行数据同步,接收招聘单位的招聘信息,通过招聘要求筛选模型筛选招聘信息中的招聘要求,根据招聘要求创建招聘岗位。
在完成招聘项目的创建以及分类后,将招聘项目的数据同步至数据库,接收招聘单位输入的招聘信息,将招聘信息输入招聘要求筛选模型获取招聘单位的招聘要求,利用该招聘要求筛选模型的输出结果创建招聘岗位。其中,不同省份的招聘项目同步的数据库不同。
在本实施例中,根据招聘项目所属的招聘区域对分类后的招聘项目进行数据同步的步骤具体包括:获取招聘区域所属的省份,将招聘项目同步至省份对应的数据库。
在本实施例中,不同省份对应的数据库可以分别独立设置在不同的服务器中,也可以分开设置在同一个数据库中,只需能够保证不同省份的数据库混淆即可。
在本实施例中,将招聘项目同步至省份对应的数据库的步骤具体包括:解析数据库中的数据日志,根据数据日志获取数据库中需要同步的招聘项目的标记信息和数据变更信息,基于标记信息、数据变更信息进行数据的同步。具体的,完成招聘项目的创建和分类后,获取招聘项目对应的省份的数据库的数据日志,根据数据日志中的记录以及招聘项目的分类获取待同步的招聘项目的标记信息和数据变更信息,利用该标记信息以及数据变更信息更新数据库中对应存储的招聘项目的数据信息。
在进行数据同步时,获取数据库中的数据日志中的招聘项目变更数据作为数据库同步的依据。为了准确获取每一个作为变更数据的事务,需要获取每一个事务的唯一表示和变化的内容,因此需要获取招聘项目的标记信息和变更数据信息。数据日志的***表中保存了与待存储的招聘数据对应的变更数据的行信息所对应的索引信息,通过查询***表,可以确定变更数据对应的表名、列名、表模式名、数据类型等索引信息,通过这些索引信息可以快速定位到变更数据在数据库所有数据中的具***置。进而根据这些标记信息和变更数据生成相对应的SQL语句。具体的,可以根据数据的***、更新和删除等事务逻辑,选择对应的insert,update和delete等操作语句,并将变化的具体数据作为SQL 语句的参数。SQL语句可以使用事务链表的形式进行保存,事务链表中保存了未提交的招聘项目对应的SQL语句,数据库根据SQL语句在事务链表中的排序依次执行SQL语句进行招聘项目数据的同步。
其中,在将招聘项目的数据同步到数据库中后,还可以获取该招聘项目对应的招聘单位,向该招聘单位发送招聘项目创建完成输入招聘信息的提示。
在本实施例中,招聘单位的招聘信息可以为文档、表格、图片以及其他能够用于存储招聘信息以及读取招聘信息的数据载体,个性化招聘***根据该数据载体读取招聘单位的招聘信息。
在其他实施例中,也可以根据招聘单位的招聘信息输入请求展示招聘信息填写端口或语音采集端口,根据该端口输入或采集的信息获取招聘信息。
在本实施例中,通过招聘要求筛选模型筛选招聘信息中的招聘要求的步骤具体包括:对输入的招聘信息进行规范化处理,对规范化处理后的招聘信息进行预处理,预处理包括:对招聘信息中的语句进行编号,不同的语句对应的编号不同;将预处理后的招聘信息导入招聘要求筛选模型,根据招聘要求筛选模型输出的招聘信息与不同招聘要求匹配的概率获取招聘信息中的招聘要求。
其中,规范化处理包括:将输入的招聘信息转换为预设格式的原始文本,去掉原始文本中不符合条件的字符如空格字符、语气字符、表情字符等;其次,判断该原始文本是否已分句,若未分句,则利用自然语言处理中的分句技术对原始文本进行分句。
在本实施例中,训练招聘要求筛选模型的步骤具体包括:标记历史招聘信息中的招聘要求,根据标记后的历史招聘信息生成训练集;构建一个神经网络模型,神经网络模型包括特征提取网络、特征融合网络和筛选层,将训练集输入到神经网络模型中进行训练,迭代模型参数后得到收敛的招聘要求筛选模型。
在本实施例中,特征提取网络采用N-Gram算法进行特征的提取。在其他实施例中,也可以构建MB-SSD特征提取网络,MB-SSD特征提取网络包括主支特征提取网络、分支特征提取网络和定位网络,将增强后数据输入MB-SSD特征提取网络,分别获取主支特征提取网络和分支特征提取网络的特征定位结果;再根据定位网络上同区域不同候选框的IoU重合度确定提取的特征。其中将重合度大于80%的候选框对应的特征确定为该原始文本包含的特征。
特征融合网络包括特征融合层,特征融合层包括全局特征融合模块和特征提取模块。特征融合网络中的特征融合模层共有30层,对于第n个特征融合模块中全局特征融合模块输出表示公式(1):
Fn=min[[F0,F1,…,Fn-2],Fn-1] (1)
其中,Fn-1为第n-1个特征融合层的输出特征,特征数量为30,F0为特征提取网络的输出结果。特征提取单元由三层卷积层组成,其输出由公式(2)表示:
Fn=W1×Fn-1-W2×σ(W3×Fn) (2)
其中,W1和W2为两层卷积神经网络的权重参数,σ为激活函数ReLU。特征提取单元不仅能够提取高阶特征,同时能够自适应地决定保留多少特征融合模块的信息。
筛选层包括损失函数,利用损失函数降低网络对异常样本的敏感性,提高网络的鲁棒性,再对其进行优化,完成对模型的训练。具体的损失函数为Huber Loss损失函数L(q):其中,σ表示超参数,a表示特征融合网络输出的招聘信息包含该特征的预测概率,当q和的残差小时,损失函数近似表现为二次函数,当残差大时近似表现为线性函数;
在本实施例中,筛选层还设置有优化算法,该优化算法的作用是通过调整网络模型参数来最小化损失函数L(q),常用的神经网络优化算法有:SGD算法、Adam算法、RMSProp算法及牛顿迭代法。在一个优选的实施例中,筛选层选用Adam优化算法。
该Adam算法是替代传统随机梯度下降过程的一阶优化算法,用其在对损失函数L(q)进行优化时,先为不同的参数设计独立的自适应性学习率,再用该学习率来调整模型中不同参数的权重,直至损失函数L(q)收敛,得到训练好的招聘要求筛选模型。
S103:根据招聘岗位与招聘项目的匹配结果审核招聘岗位,并根据预设条件设置招聘岗位中的特殊岗位。
在本实施例中,根据招聘岗位与招聘项目的匹配结果审核招聘岗位的步骤具体包括:获取招聘岗位的分类信息,根据分类信息与招聘项目分类的匹配结果获取招聘岗位对应的招聘项目分类,并基于招聘项目分类发送招聘岗位的审核信息。
在本实施例中,根据招聘岗位对应的招聘区域确定招聘岗位分类,进而根据该招聘区域确定招聘岗位与招聘项目分类的匹配结果,如招聘岗位对应的招聘区域为某省的一个市,则确定招聘岗位为市级招聘岗位,其匹配的招聘项目分类为该省的市级招聘项目。
在一个具体的实施例中,将审核信息发送给上级主管部门,审核步骤包括: A.判断招聘岗位是否属于单位级招聘项目,是则执行步骤B,否则执行步骤C; B.对步骤A判断后的招聘岗位进行审核;C.将步骤A判断后的招聘岗位信息上报至上级主管部门;D.判断步骤C上报的招聘岗位是否属于省直属单位,是则执行步骤E,否则执行步骤F;E.对步骤D判断后的招聘岗位进行审核;F.对步骤D判断后的招聘岗位进行审核后判断招聘岗位是否属于地市级招聘项目,是则执行步骤G,否则执行步骤H;G.对步骤F判断后的招聘岗位进行审核;H.将步骤F判断后的招聘岗位信息上报至上级主管部门;I.对步骤H上报的招聘岗位进行审核。步骤S106,针对特殊的、复杂的招聘岗位进行特殊条件设置。
S104:发布招聘岗位的信息,获取并记录招聘岗位对应的报名信息。
在本实施例中,获取并记录招聘岗位对应的报名信息的步骤具体包括:接收输入的报名指令,根据招聘岗位的招聘要求获取与招聘岗位匹配的报名信息,并统计招聘岗位的报名数据。其中,报名数据包括报名人数、不同岗位的报名情况、准考证打印情况、招聘岗位浏览次数、浏览设备所在区域等与招聘岗位相关的信息。
在本实施例中,在统计招聘岗位的报名数据之后还包括:导出报名情况统计数据、报名考生数据、审核合格考生数据、免笔试考生数据、考生笔试信息数据。
本实施例具有全面的、完善的查询统计、数据导出功能,能够统计考生报名情况、岗位报名情况、准考证打印情况等,导出报名情况统计数据、报名考生数据、审核合格考生数据、免笔试考生数据、考生笔试信息数据等,因此招聘单位及其主管部门可以十分方便快捷的掌握招聘数据,从而进行统筹决策。
本实施例通过创建各个省份的招聘项目,将各个省份的招聘项目分别划分为单位级招聘项目、地市级招聘项目、省级招聘项目后将招聘项目信息同步到相应的省数据库,然后根据招聘单位的要求创建不同的招聘岗位,包括设置该招聘岗位相应的需要考生提供的个人资料,接着审核上述所创建的招聘岗位,最后发布招聘岗位信息并且将招聘岗位信息同步到考生数据库,从而使本招聘***可以适应大型的,跨省市的招聘项目需求,还可以减轻考生报考的负担,减少招聘单位审核资料的工作量,使得招聘单位可以更加准确的掌握考生的个人特点信息。
有益效果:本发明实现招聘***个性化的方法分区域创建招聘项目,对创建的招聘项目分类,根据招聘单位的要求创建招聘岗位并对招聘岗位进行审核,通过不同的招聘岗位获取不同的报名信息,通过对招聘项目分区域、分类的方式提高了招聘项目实施的灵活性,适应性好,便于对大型的招聘项目进行处理,而且,线上报名、审核的方式,效率高、耗时短,降低了人力成本,还能够使报名人员针对招聘岗位填报对应的报名资料,减轻了报名的负担和审核的工作量,提高了资料的准确性,便于筛选符合招聘岗位的报名人员。
基于相同的发明构思,本发明还提出一种个性化招聘***,请参阅图2,图 2为本发明一种个性化招聘***一实施例的结构图,图3为个性化招聘***执行的实现招聘***个性化的方法一实施例的示意图,结合图2、图3对本发明一种个性化招聘***进行说明。
在本实施例中,个性化招聘***包括:控制平台、数据库,控制平台与数据库连接,控制平台包括处理器、存储器,存储器存储有计算机程序,处理器根据计算机程序执行如下述实施例所述的实现招聘***个性化的方法。
在本实施例中,实现招聘***个性化的方法包括:
S201:根据招聘区域创建招聘项目,并对招聘项目进行分类。
获取当前需要创建招聘项目的招聘区域,为每个招聘区域分别创建招聘项目,并在招聘项目创建完成后,对招聘区域内的招聘项目进行分类。
在本实施例中,根据招聘区域创建招聘项目的步骤具体包括:获取招聘区域所在的省份,根据省份创建不同省份的招聘项目。
在本实施例中,招聘区域为省份,在其他实施例中,也可以根据招聘单位对招聘区域的划分,将招聘区域确定为国家、市、县以及其他行政区域。
其中,可以根据输入的招聘区域信息获取需要创建招聘项目的招聘区域,也可以根据接收的招聘项目创建指令获取招聘区域的信息,进而实现招聘项目的创建。
在本实施例中,招聘项目的分类包括:单位级招聘项目、地市级招聘项目、省级招聘项目。在每个省的招聘项目中均包括该单位级招聘项目、地市级招聘项目、省级招聘项目。
在其他实施例中,也可以根据招聘项目所属的企业、行业以及其他分类对招聘项目进行分类。
S202:根据招聘项目所属的招聘区域对分类后的招聘项目进行数据同步,接收招聘单位的招聘信息,通过招聘要求筛选模型筛选招聘信息中的招聘要求,根据招聘要求创建招聘岗位。
在完成招聘项目的创建以及分类后,将招聘项目的数据同步至数据库,接收招聘单位输入的招聘信息,将招聘信息输入招聘要求筛选模型获取招聘单位的招聘要求,利用该招聘要求筛选模型的输出结果创建招聘岗位。其中,不同省份的招聘项目同步的数据库不同。
在本实施例中,根据招聘项目所属的招聘区域对分类后的招聘项目进行数据同步的步骤具体包括:获取招聘区域所属的省份,将招聘项目同步至省份对应的数据库。
在本实施例中,不同省份对应的数据库可以分别独立设置在不同的服务器中,也可以分开设置在同一个数据库中,只需能够保证不同省份的数据库混淆即可。
在本实施例中,将招聘项目同步至省份对应的数据库的步骤具体包括:解析数据库中的数据日志,根据数据日志获取数据库中需要同步的招聘项目的标记信息和数据变更信息,基于标记信息、数据变更信息进行数据的同步。具体的,完成招聘项目的创建和分类后,获取招聘项目对应的省份的数据库的数据日志,根据数据日志中的记录以及招聘项目的分类获取待同步的招聘项目的标记信息和数据变更信息,利用该标记信息以及数据变更信息更新数据库中对应存储的招聘项目的数据信息。
在进行数据同步时,获取数据库中的数据日志中的招聘项目变更数据作为数据库同步的依据。为了准确获取每一个作为变更数据的事务,需要获取每一个事务的唯一表示和变化的内容,因此需要获取招聘项目的标记信息和变更数据信息。数据日志的***表中保存了与待存储的招聘数据对应的变更数据的行信息所对应的索引信息,通过查询***表,可以确定变更数据对应的表名、列名、表模式名、数据类型等索引信息,通过这些索引信息可以快速定位到变更数据在数据库所有数据中的具***置。进而根据这些标记信息和变更数据生成相对应的SQL语句。具体的,可以根据数据的***、更新和删除等事务逻辑,选择对应的insert,update和delete等操作语句,并将变化的具体数据作为SQL 语句的参数。SQL语句可以使用事务链表的形式进行保存,事务链表中保存了未提交的招聘项目对应的SQL语句,数据库根据SQL语句在事务链表中的排序依次执行SQL语句进行招聘项目数据的同步。
其中,在将招聘项目的数据同步到数据库中后,还可以获取该招聘项目对应的招聘单位,向该招聘单位发送招聘项目创建完成输入招聘信息的提示。
在本实施例中,招聘单位的招聘信息可以为文档、表格、图片以及其他能够用于存储招聘信息以及读取招聘信息的数据载体,个性化招聘***根据该数据载体读取招聘单位的招聘信息。
在其他实施例中,也可以根据招聘单位的招聘信息输入请求展示招聘信息填写端口或语音采集端口,根据该端口输入或采集的信息获取招聘信息。
在本实施例中,通过招聘要求筛选模型筛选招聘信息中的招聘要求的步骤具体包括:对输入的招聘信息进行规范化处理,对规范化处理后的招聘信息进行预处理,预处理包括:对招聘信息中的语句进行编号,不同的语句对应的编号不同;将预处理后的招聘信息导入招聘要求筛选模型,根据招聘要求筛选模型输出的招聘信息与不同招聘要求匹配的概率获取招聘信息中的招聘要求。
其中,规范化处理包括:将输入的招聘信息转换为预设格式的原始文本,去掉原始文本中不符合条件的字符如空格字符、语气字符、表情字符等;其次,判断该原始文本是否已分句,若未分句,则利用自然语言处理中的分句技术对原始文本进行分句。
在本实施例中,训练招聘要求筛选模型的步骤具体包括:标记历史招聘信息中的招聘要求,根据标记后的历史招聘信息生成训练集;构建一个神经网络模型,神经网络模型包括特征提取网络、特征融合网络和筛选层,将训练集输入到神经网络模型中进行训练,迭代模型参数后得到收敛的招聘要求筛选模型。
在本实施例中,特征提取网络采用N-Gram算法进行特征的提取。在其他实施例中,也可以构建MB-SSD特征提取网络,MB-SSD特征提取网络包括主支特征提取网络、分支特征提取网络和定位网络,将增强后数据输入MB-SSD特征提取网络,分别获取主支特征提取网络和分支特征提取网络的特征定位结果;再根据定位网络上同区域不同候选框的IoU重合度确定提取的特征。其中将重合度大于80%的候选框对应的特征确定为该原始文本包含的特征。
特征融合网络包括特征融合层,特征融合层包括全局特征融合模块和特征提取模块。特征融合网络中的特征融合模层共有30层,对于第n个特征融合模块中全局特征融合模块输出表示公式(1):
Fn=min[[F0,F1,…,Fn-2],Fn-1] (1)
其中,Fn-1为第n-1个特征融合层的输出特征,特征数量为30,F0为特征提取网络的输出结果。特征提取单元由三层卷积层组成,其输出由公式(2)表示:
Fn=W1×Fn-1-W2×σ(W3×Fn) (2)
其中,W1和W2为两层卷积神经网络的权重参数,σ为激活函数ReLU。特征提取单元不仅能够提取高阶特征,同时能够自适应地决定保留多少特征融合模块的信息。
筛选层包括损失函数,利用损失函数降低网络对异常样本的敏感性,提高网络的鲁棒性,再对其进行优化,完成对模型的训练。具体的损失函数为Huber Loss损失函数L(q):其中,σ表示超参数,a表示特征融合网络输出的招聘信息包含该特征的预测概率,当q和的残差小时,损失函数近似表现为二次函数,当残差大时近似表现为线性函数;
在本实施例中,筛选层还设置有优化算法,该优化算法的作用是通过调整网络模型参数来最小化损失函数L(q),常用的神经网络优化算法有:SGD算法、Adam算法、RMSProp算法及牛顿迭代法。在一个优选的实施例中,筛选层选用Adam优化算法。
该Adam算法是替代传统随机梯度下降过程的一阶优化算法,用其在对损失函数L(q)进行优化时,先为不同的参数设计独立的自适应性学习率,再用该学习率来调整模型中不同参数的权重,直至损失函数L(q)收敛,得到训练好的招聘要求筛选模型。
S203:根据招聘岗位与招聘项目的匹配结果审核招聘岗位,并根据预设条件设置招聘岗位中的特殊岗位。
在本实施例中,根据招聘岗位与招聘项目的匹配结果审核招聘岗位的步骤具体包括:获取招聘岗位的分类信息,根据分类信息与招聘项目分类的匹配结果获取招聘岗位对应的招聘项目分类,并基于招聘项目分类发送招聘岗位的审核信息。
在本实施例中,根据招聘岗位对应的招聘区域确定招聘岗位分类,进而根据该招聘区域确定招聘岗位与招聘项目分类的匹配结果,如招聘岗位对应的招聘区域为某省的一个市,则确定招聘岗位为市级招聘岗位,其匹配的招聘项目分类为该省的市级招聘项目。
在一个具体的实施例中,将审核信息发送给上级主管部门,审核步骤包括: A.判断招聘岗位是否属于单位级招聘项目,是则执行步骤B,否则执行步骤C; B.对步骤A判断后的招聘岗位进行审核;C.将步骤A判断后的招聘岗位信息上报至上级主管部门;D.判断步骤C上报的招聘岗位是否属于省直属单位,是则执行步骤E,否则执行步骤F;E.对步骤D判断后的招聘岗位进行审核;F.对步骤D判断后的招聘岗位进行审核后判断招聘岗位是否属于地市级招聘项目,是则执行步骤G,否则执行步骤H;G.对步骤F判断后的招聘岗位进行审核;H.将步骤F判断后的招聘岗位信息上报至上级主管部门;I.对步骤H上报的招聘岗位进行审核。
S204:发布招聘岗位的信息,获取并记录招聘岗位对应的报名信息。
在本实施例中,获取并记录招聘岗位对应的报名信息的步骤具体包括:接收输入的报名指令,根据招聘岗位的招聘要求获取与招聘岗位匹配的报名信息,并统计招聘岗位的报名数据。其中,报名数据包括报名人数、不同岗位的报名情况、准考证打印情况、招聘岗位浏览次数、浏览设备所在区域等与招聘岗位相关的信息。
在本实施例中,在统计招聘岗位的报名数据之后还包括:导出报名情况统计数据、报名考生数据、审核合格考生数据、免笔试考生数据、考生笔试信息数据。
本实施例具有全面的、完善的查询统计、数据导出功能,能够统计考生报名情况、岗位报名情况、准考证打印情况等,导出报名情况统计数据、报名考生数据、审核合格考生数据、免笔试考生数据、考生笔试信息数据等,因此招聘单位及其主管部门可以十分方便快捷的掌握招聘数据,从而进行统筹决策。
本实施例通过创建各个省份的招聘项目,将各个省份的招聘项目分别划分为单位级招聘项目、地市级招聘项目、省级招聘项目后将招聘项目信息同步到相应的省数据库,然后根据招聘单位的要求创建不同的招聘岗位,包括设置该招聘岗位相应的需要考生提供的个人资料,接着审核上述所创建的招聘岗位,最后发布招聘岗位信息并且将招聘岗位信息同步到考生数据库,从而使本招聘***可以适应大型的,跨省市的招聘项目需求,还可以减轻考生报考的负担,减少招聘单位审核资料的工作量,使得招聘单位可以更加准确的掌握考生的个人特点信息。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其他实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种实现招聘***个性化的方法,其特征在于,所述实现招聘***个性化的方法包括:
S101:根据招聘区域创建招聘项目,并对所述招聘项目进行分类;
S102:根据招聘项目所属的招聘区域对分类后的招聘项目进行数据同步,接收招聘单位的招聘信息,通过招聘要求筛选模型筛选所述招聘信息中的招聘要求,根据所述招聘要求创建招聘岗位;
S103:根据所述招聘岗位与所述招聘项目的匹配结果审核所述招聘岗位,并根据预设条件设置所述招聘岗位中的特殊岗位;
S104:发布所述招聘岗位的信息,获取并记录所述招聘岗位对应的报名信息。
2.如权利要求1所述的实现招聘***个性化的方法,其特征在于,所述根据招聘区域创建招聘项目的步骤具体包括:
获取所述招聘区域所在的省份,根据所述省份创建不同省份的招聘项目。
3.如权利要求1所述的实现招聘***个性化的方法,其特征在于,所述招聘项目的分类包括:单位级招聘项目、地市级招聘项目、省级招聘项目。
4.如权利要求1所述的实现招聘***个性化的方法,其特征在于,所述根据招聘项目所属的招聘区域对分类后的招聘项目进行数据同步的步骤具体包括:
获取所述招聘区域所属的省份,将所述招聘项目同步至所述省份对应的数据库。
5.如权利要求4所述的实现招聘***个性化的方法,其特征在于,所述将所述招聘项目同步至所述省份对应的数据库的步骤具体包括:
解析所述数据库中的数据日志,根据所述数据日志获取所述数据库中需要同步的招聘项目的标记信息和数据变更信息,基于所述标记信息、数据变更信息进行数据的同步。
6.如权利要求1所述的实现招聘***个性化的方法,其特征在于,所述通过招聘要求筛选模型筛选所述招聘信息中的招聘要求的步骤具体包括:
对输入的招聘信息进行规范化处理,对规范化处理后的招聘信息进行预处理,所述预处理包括:对所述招聘信息中的语句进行编号,不同的语句对应的编号不同;
将预处理后的招聘信息导入招聘要求筛选模型,根据所述招聘要求筛选模型输出的所述招聘信息与不同招聘要求匹配的概率获取所述招聘信息中的招聘要求。
7.如权利要求1所述的实现招聘***个性化的方法,其特征在于,训练所述招聘要求筛选模型的步骤具体包括:
标记历史招聘信息中的招聘要求,根据标记后的历史招聘信息生成训练集;
构建一个神经网络模型,所述神经网络模型包括依次连接的特征提取网络、特征融合网络和筛选层,将所述训练集输入所述神经网络模型中进行训练,迭代模型参数后得到收敛的招聘要求筛选模型。
8.如权利要求1所述的实现招聘***个性化的方法,其特征在于,根据所述招聘岗位与所述招聘项目的匹配结果审核所述招聘岗位的步骤具体包括:
获取所述招聘岗位的分类信息,根据所述分类信息与招聘项目分类的匹配结果获取所述招聘岗位对应的招聘项目分类,并基于所述招聘项目分类发送所述招聘岗位的审核信息。
9.如权利要求1所述的实现招聘***个性化的方法,其特征在于,所述获取并记录所述招聘岗位对应的报名信息的步骤具体包括:
接收输入的报名指令,根据所述招聘岗位的招聘要求获取与所述招聘岗位匹配的报名信息,并统计所述招聘岗位的报名数据。
10.一种个性化招聘***,其特征在于,所述个性化招聘***包括:控制平台、数据库,所述控制平台与所述数据库连接,所述控制平台包括处理器、存储器,所述存储器存储有计算机程序,所述处理器根据所述计算机程序执行如权利要求1-9任一项所述的实现招聘***个性化的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111032849.3A CN114004575A (zh) | 2021-09-03 | 2021-09-03 | 一种个性化招聘***及实现招聘***个性化的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111032849.3A CN114004575A (zh) | 2021-09-03 | 2021-09-03 | 一种个性化招聘***及实现招聘***个性化的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114004575A true CN114004575A (zh) | 2022-02-01 |
Family
ID=79921159
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111032849.3A Pending CN114004575A (zh) | 2021-09-03 | 2021-09-03 | 一种个性化招聘***及实现招聘***个性化的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114004575A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116258468A (zh) * | 2023-05-16 | 2023-06-13 | 北京万赋互联网科技集团有限公司 | 基于劳务派遣的技工平台管理服务*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408257A (zh) * | 2016-09-18 | 2017-02-15 | 长沙军鸽软件有限公司 | 一种机器人实现智能招聘的方法 |
CN106991561A (zh) * | 2017-03-21 | 2017-07-28 | 广州网才信息技术有限公司 | 一种个性化招聘***及实现招聘***个性化的方法 |
US20170324740A1 (en) * | 2016-05-06 | 2017-11-09 | Sap Se | Data access by external users |
CN108509561A (zh) * | 2018-03-23 | 2018-09-07 | 山东合天智汇信息技术有限公司 | 基于机器学习的岗位招聘数据筛选方法、***及存储介质 |
CN112287110A (zh) * | 2020-11-02 | 2021-01-29 | 恒瑞通(福建)信息技术有限公司 | 一种招聘数据的岗位智能分类的方法及装置 |
-
2021
- 2021-09-03 CN CN202111032849.3A patent/CN114004575A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170324740A1 (en) * | 2016-05-06 | 2017-11-09 | Sap Se | Data access by external users |
CN106408257A (zh) * | 2016-09-18 | 2017-02-15 | 长沙军鸽软件有限公司 | 一种机器人实现智能招聘的方法 |
CN106991561A (zh) * | 2017-03-21 | 2017-07-28 | 广州网才信息技术有限公司 | 一种个性化招聘***及实现招聘***个性化的方法 |
CN108509561A (zh) * | 2018-03-23 | 2018-09-07 | 山东合天智汇信息技术有限公司 | 基于机器学习的岗位招聘数据筛选方法、***及存储介质 |
CN112287110A (zh) * | 2020-11-02 | 2021-01-29 | 恒瑞通(福建)信息技术有限公司 | 一种招聘数据的岗位智能分类的方法及装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116258468A (zh) * | 2023-05-16 | 2023-06-13 | 北京万赋互联网科技集团有限公司 | 基于劳务派遣的技工平台管理服务*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108089843B (zh) | 一种智能化的银行企业级需求管理*** | |
CN108256074B (zh) | 校验处理的方法、装置、电子设备和存储介质 | |
US7281001B2 (en) | Data quality system | |
CN109493265A (zh) | 一种基于深度学习的政策解读方法及政策解读*** | |
CN107168940A (zh) | 一种报表生成***及方法 | |
CN112182246B (zh) | 通过大数据分析建立企业画像的方法、***、介质及应用 | |
CN111950921B (zh) | 一种基于离线组网环境的多人协同评审方法 | |
CN110851667A (zh) | 一种多源头大量数据的整合分析方法及工具 | |
CN113678118A (zh) | 数据提取*** | |
CN113468317B (zh) | 一种简历筛选方法、***、设备和存储介质 | |
CN110334343B (zh) | 一种合同中个人隐私信息抽取的方法和*** | |
CN112131203A (zh) | 一种数据仓库搭建的方法和*** | |
CN109492097B (zh) | 一种企业新闻数据风险分类方法 | |
CN113627797A (zh) | 入职员工画像生成方法、装置、计算机设备及存储介质 | |
CN115936624A (zh) | 基层数据管理方法及装置 | |
CN114004575A (zh) | 一种个性化招聘***及实现招聘***个性化的方法 | |
CN109272295B (zh) | 招商引资项目审核统计*** | |
CN117474507A (zh) | 一种基于大数据应用技术的智能招聘匹配方法及*** | |
CN109063063B (zh) | 基于多源数据的数据处理方法及装置 | |
CN115982429A (zh) | 一种基于流程控制的知识管理方法及*** | |
CN105843785B (zh) | 一种内嵌组织管理层次的数据自定义计算报表生成方法 | |
CN113408290A (zh) | 一种针对中文文本的智能标注方法及*** | |
CN114490571A (zh) | 一种建模方法、服务器及存储介质 | |
CN113627692A (zh) | 投诉量预测方法、装置、设备及存储介质 | |
CN117993876B (zh) | 一种简历评估***、方法、装置和介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220201 |