CN116308227A - 一种创新创业人才孵化数据交互方法及*** - Google Patents

一种创新创业人才孵化数据交互方法及*** Download PDF

Info

Publication number
CN116308227A
CN116308227A CN202310593975.9A CN202310593975A CN116308227A CN 116308227 A CN116308227 A CN 116308227A CN 202310593975 A CN202310593975 A CN 202310593975A CN 116308227 A CN116308227 A CN 116308227A
Authority
CN
China
Prior art keywords
talents
matching degree
talent
matching
enterprise
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
CN202310593975.9A
Other languages
English (en)
Inventor
于喜巍
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.)
Beijing Saixue Technology Co ltd
Original Assignee
Beijing Saixue 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 Beijing Saixue Technology Co ltd filed Critical Beijing Saixue Technology Co ltd
Priority to CN202310593975.9A priority Critical patent/CN116308227A/zh
Publication of CN116308227A publication Critical patent/CN116308227A/zh
Pending legal-status Critical Current

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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Mathematics (AREA)
  • Operations Research (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Databases & Information Systems (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Algebra (AREA)
  • Software Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种创新创业人才孵化数据交互方法及***，属于数据处理技术领域，方法包括：接收人才的个人信息；在个人信息真实的情况下，将个人信息记录在相应的人才节点中，并将个人信息分解为多个不同公开级别的个人资料；对人才进行测评；对人才进行创新创业价值评估；接收企业的单位信息；在单位信息真实的情况下，将单位信息记录在相应的企业节点中，并将单位信息分解为多个不同公开级别的企业资料；发布企业的招聘要求；根据企业的招聘要求以及人才的简历，筛选出与企业的招聘要求匹配的候选人才；根据人才的价值评估结果，从候选人才中选取出预设数量的目标人才；将相互匹配的企业节点与人才节点之间的资料公开级别提升到更高级别。

Description

一种创新创业人才孵化数据交互方法及***
技术领域
本发明属于数据处理技术领域，具体涉及一种创新创业人才孵化数据交互方法及***。
背景技术
随着科技的发展、社会的进步，越来越多的人员投入到创新创业的浪潮之中。目前也存在很多创新创业人才孵化的项目，为企业和人才提供双向选择的机会。但是，一方面，现有的创新创业人才孵化项目难以实现对于人才以及企业的真实性做出鉴别，无法避免招聘骗局；另一方面，现有技术无法对于人才的创新创业能力做出评估，往往在企业需要招聘创新创业人才时，需要企业花费人力对人才进行手动的筛选与甄别，人力成本高；再者，现有技术往往为企业开设最大的公开权限，企业可以查看所有人才的个人信息，容易造成信息泄露。
发明内容
为了解决现有技术存在的难以实现对于人才以及企业的真实性做出鉴别，无法避免招聘骗局，无法对于人才的创新创业能力做出评估，招聘的人力成本高，企业可以查看所有人才的个人信息，容易造成信息泄露的技术问题，本发明提供一种创新创业人才孵化数据交互方法及***。
第一方面
本发明提供一种创新创业人才孵化数据交互方法，应用于创新创业人才孵化数据交互***，创新创业人才孵化数据交互***包括分布式且相互连接的人才节点、企业节点和验证节点，创新创业人才孵化数据交互方法包括：
S101：接收人才的个人信息，通过验证节点验证个人信息是否真实；
S102：在个人信息真实的情况下，将个人信息记录在相应的人才节点中，并将个人信息分解为多个不同公开级别的个人资料；
S103：对人才进行测评；
S104：根据测评结果和个人信息，对人才进行创新创业价值评估；
S105：接收企业的单位信息，通过验证节点验证单位信息是否真实；
S106：在单位信息真实的情况下，将单位信息记录在相应的企业节点中，并将单位信息分解为多个不同公开级别的企业资料；
S107：发布企业的招聘要求；
S108：根据企业的招聘要求以及人才的简历，筛选出与企业的招聘要求匹配的候选人才；
S109：根据人才的价值评估结果，从候选人才中选取出预设数量的目标人才，并对目标人才按照价值评估结果进行降序排列，以完成企业与目标人才的匹配；
S110：将相互匹配的企业节点与人才节点之间的资料公开级别提升到更高级别。
第二方面
本发明提供一种创新创业人才孵化数据交互***，包括分布式且相互连接的人才节点、企业节点和验证节点，创新创业人才孵化数据交互***还包括：
第一接收模块，用于接收人才的个人信息，通过验证节点验证个人信息是否真实；
第一记录模块，用于在个人信息真实的情况下，将个人信息记录在相应的人才节点中，并将个人信息分解为多个不同公开级别的个人资料；
测评模块，用于对人才进行测评；
评估模块，用于根据测评结果和个人信息，对人才进行创新创业价值评估；
第二接收模块，用于接收企业的单位信息，通过验证节点验证单位信息是否真实；
第二记录模块，用于在单位信息真实的情况下，将单位信息记录在相应的企业节点中，并将单位信息分解为多个不同公开级别的企业资料；
发布模块，用于发布企业的招聘要求；
筛选模块，用于根据企业的招聘要求以及人才的简历，筛选出与企业的招聘要求匹配的候选人才；
选取模块，用于根据人才的价值评估结果，从候选人才中选取出预设数量的目标人才，并对目标人才按照价值评估结果进行降序排列，以完成企业与目标人才的匹配。
提升模块，用于将相互匹配的企业节点与人才节点之间的资料公开级别提升到更高级别。
与现有技术相比，本发明至少具有以下有益技术效果：
在本发明中，通过验证节点实现对人才的个人信息与企业的单位信息的真实进行验证，避免招聘骗局。可以对于人才的创新创业能力做出评估，自动化地对人才的简历和企业的招聘要求进行匹配，降低招聘的人力成本。只有人才和企业匹配成功的情况下，人才和企业才可以查看到关于彼此的更高级别的信息，避免信息泄露。
附图说明
下面将以明确易懂的方式，结合附图说明优选实施方式，对本发明的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本发明提供的一种创新创业人才孵化数据交互方法的流程示意图；
图2是本发明提供的一种创新创业人才孵化数据交互***的结构示意图；
图3是本发明提供的另一种创新创业人才孵化数据交互***的结构示意图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。
为使图面简洁，各图中只示意性地表示出了与发明相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
在本文中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
另外，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在一个实施例中，参考说明书附图1，本发明提供的一种创新创业人才孵化数据交互方法的流程示意图。参考说明书附图2，本发明提供的一种创新创业人才孵化数据交互***的结构示意图。
本发明提供的一种创新创业人才孵化数据交互方法，应用于创新创业人才孵化数据交互***。
如图2所示，创新创业人才孵化数据交互***包括分布式且相互连接的人才节点、企业节点和验证节点。
其中，人才节点用于存储人才的个人信息，企业节点用于存储企业的单位信息，验证节点用于对人才的个人信息和企业的单位信息的真实性进行验证。
创新创业人才孵化数据交互方法包括：
S101：接收人才的个人信息，通过验证节点验证个人信息是否真实。
其中，人才的个人信息具体可以是：人才的姓名、性别、身份证号、年龄和学历等个人信息。
具体地，验证节点可以与公安***连接来验证姓名、性别、身份证号、年龄等信息的真实性，可以与学信***连接来验证学历的真实性。
S102：在个人信息真实的情况下，将个人信息记录在相应的人才节点中，并将个人信息分解为多个不同公开级别的个人资料。
具体地，可以将个人信息分解为基础级、中级、高级三级。其中基础级信息可以是姓名，中级信息可以是性别、年龄等信息，高级信息可以是学历、身份证号等信息。可以理解的是，当拥有高级权限时，可以查阅人才的所有个人信息。
S103：对人才进行测评。
其中，具体的测评内容可以包括职业技能测评、性格测评和创新创业能力测评等。通过对人才进行测评，可以实现对人才的进一步了解。
S104：根据测评结果和个人信息，对人才进行创新创业价值评估。
在本发明中，可以根据测评结果和个人信息，自动化地对人才进行创新创业价值评估，以挖掘人才的创新创业价值，为企业在招聘时提供参考。
在一种可能的实施方式中，S104具体包括子步骤S1041至S1047：
S1041：构建创新创业型人才的评价指标体系。
其中，评价指标体系中一级指标包括：专业基础能力指标、实践能力指标和综合能力指标。
基础能力指标包括三个二级指标，分别为专业能力指标、发散思维能力指标、逻辑分析能力指标。
实践能力指标包括两个二级指标，分别为动手能力指标和沟通能力指标。
综合能力指标包括四个二级指标，分别为抗压能力指标、组织能力指标、协调能力指标和应急处理能力指标。
需要说的是，通过评价指标体系可以完整地对一个人才的创新创业能力做出准确的评价。
S1042：根据测评结果和个人信息，构建初始矩阵X：
Figure SMS_1
其中，m表示评价指标的数量，n表示被评人才的数量。
可以理解的是，初始矩阵X中的
Figure SMS_2
表示的是第n个人才的第m个指标的具体评分。
S1043：从初始矩阵X中确定出每个评价指标的特征值的最大值，作为参考值，并组成参考数列
Figure SMS_3
：
Figure SMS_4
其中，
Figure SMS_5
表示初始矩阵X的第m列中的最大值。
S1044：计算被评人才数列
Figure SMS_6
与参考数列/>
Figure SMS_7
之间的关联度系数τ：
Figure SMS_8
其中，ξ表示关联度因子，取值为0.5，
Figure SMS_10
表示被评人才数列/>
Figure SMS_12
与参考数列/>
Figure SMS_15
在每个评价指标上的绝对差值，/>
Figure SMS_11
表示被评人才数列/>
Figure SMS_13
与参考数列/>
Figure SMS_16
在每个评价指标上的绝对差值的最小值，/>
Figure SMS_17
表示被评人才数列/>
Figure SMS_9
与参考数列/>
Figure SMS_14
在每个评价指标上的绝对差值的最大值。
S1045：基于AHP层次分析法计算出各个评价指标的权重集合S *：
Figure SMS_18
其中，
Figure SMS_19
代表各个评价指标的权重。
S1046：计算加权关联度向量R：
Figure SMS_20
S1047：通过加权关联度向量R对人才进行创新创业价值评估。
具体地，在评价一个人才的专业基础能力指标，只需要考察加权关联度向量R中有关专业基础能力指标的列数据，即可客观、准确地了解该人才的专业基础知识是否扎实，直观地了解该人才相较于***中其他人才的水平。
S105：接收企业的单位信息，通过验证节点验证单位信息是否真实。
其中，企业的单位信息具体可以是：企业名称、官网、法定代表人、注册地和经营地等企业信息。
具体地，验证节点可以与工商***连接来验证企业名称、官网、法定代表人、注册地、经营地和经营规模等信息的真实性。
在本发明中，通过验证节点实现对人才的个人信息与企业的单位信息的真实进行验证，避免招聘骗局。
S106：在单位信息真实的情况下，将单位信息记录在相应的企业节点中，并将单位信息分解为多个不同公开级别的企业资料。
具体地，可以将单位信息同样分解为基础级、中级、高级三级。其中基础级信息可以是企业名称，中级信息可以是官网、企业注册地等信息，高级信息可以是企业法定代表人、企业经营地、经营规模等信息。可以理解的是，当拥有高级权限时，可以查阅企业的所有单位信息。
S107：发布企业的招聘要求。
S108：根据企业的招聘要求以及人才的简历，筛选出与企业的招聘要求匹配的候选人才。
在本发明中，可以根据企业的招聘要求以及人才的简历，自动化地对人才和企业进行匹配，可以降低招聘的人力成本。
在一种可能的实施方式中，S108具体包括子步骤S1081至S1082：
S1081：从企业的招聘要求以及人才的简历中分别拆分出结构化文本和非结构化文本。
其中，结构化文本包括：地点、职位、薪资、工作性质、学历、工作年限和专业。
S1082：计算结构化文本匹配度
Figure SMS_21
。
在一种可能的实施方式中，S1082具体包括：
计算地点匹配度
Figure SMS_22
、职位匹配度/>
Figure SMS_23
、薪资匹配度/>
Figure SMS_24
、工作性质匹配度
Figure SMS_25
、学历匹配度/>
Figure SMS_26
、工作年限匹配度/>
Figure SMS_27
和专业匹配度/>
Figure SMS_28
：
Figure SMS_29
。
根据地点匹配度
Figure SMS_30
、职位匹配度/>
Figure SMS_31
、薪资匹配度/>
Figure SMS_32
和工作性质匹配度
Figure SMS_33
计算人才偏好型匹配度/>
Figure SMS_34
：
Figure SMS_35
其中，
Figure SMS_36
表示不同结构化文本的权重。
根据学历匹配度
Figure SMS_37
、工作年限匹配度/>
Figure SMS_38
和专业匹配度/>
Figure SMS_39
计算企业偏好型匹配度/>
Figure SMS_40
：
Figure SMS_41
。
根据人才偏好型匹配度和企业偏好型匹配度计算结构化文本匹配度
Figure SMS_43
：
Figure SMS_44
其中，β表示偏好权重因子，0≤β≤1，当β=0时，表示结构化文本匹配度
Figure SMS_45
完全偏向于人才，当β=1时，表示结构化文本匹配度/>
Figure SMS_46
完全偏向于企业。
S1083：计算非结构化文本匹配度
Figure SMS_47
。
在一种可能的实施方式中，S1083具体包括：
构建基于循环神经网络的非结构化文本匹配模型，非结构化文本匹配模型包括：输入层、状态层、注意力层、全连接层和匹配层。
在输入层中，输入企业的招聘要求以及人才的简历中的单词向量序列
Figure SMS_48
。
在状态层中，计算单词向量在t时刻的隐状态：
Figure SMS_49
其中，
Figure SMS_50
表示前向循环的前一状态，/>
Figure SMS_51
表示后向循环的前一状态，/>
Figure SMS_52
表示/>
Figure SMS_53
的权重系数，/>
Figure SMS_54
表示/>
Figure SMS_55
的权重系数，/>
Figure SMS_56
表示t时刻隐状态的偏置项。
在注意力层中，为每个单词向量分配权重γ，并进行累加得到当前注意力层的隐状态
Figure SMS_57
：
Figure SMS_58
。
输出单词向量的特征值O：
Figure SMS_59
。
在全连接层中，汇聚单词向量的特征值。
在匹配层中，通过余弦相似度计算非结构化文本匹配度
Figure SMS_60
：
Figure SMS_61
其中，J表示人才的简历，Z企业的招聘要求。
S1084：根据结构化文本匹配度
Figure SMS_62
和非结构化文本匹配度/>
Figure SMS_63
，计算综合匹配度/>
Figure SMS_64
：
Figure SMS_65
其中，
Figure SMS_66
表示结构化文本匹配度/>
Figure SMS_67
的权重，/>
Figure SMS_68
表示非结构化文本匹配度/>
Figure SMS_69
的权重。
其中，本领域技术人员可以实际场景的需要，确定构化文本匹配度
Figure SMS_70
和非结构化文本匹配度/>
Figure SMS_71
之间的相对重要程度，调整结构化文本匹配度/>
Figure SMS_72
的权重/>
Figure SMS_73
和非结构化文本匹配度/>
Figure SMS_74
的权重/>
Figure SMS_75
的具体大小。
S1085：根据综合匹配度筛选出与企业的招聘要求匹配的候选人才。
S109：根据人才的价值评估结果，从候选人才中选取出预设数量的目标人才，并对目标人才按照价值评估结果进行降序排列，以完成企业与目标人才的匹配。
其中，预设数量可以是10个，并对10个目标人才按照价值评估结果进行降序排列，以便招聘方参考。对于预设数量的具体数值，本领域技术人员可以根据实际情况自行设置，本发明不做限定。
S110：将相互匹配的企业节点与人才节点之间的资料公开级别提升到更高级别。
需要说明的是，最终筛选出的目标人才与招聘企业完成了匹配之后，为了便于彼此之间相互了解，可以将资料公开级别提升到更高级别，也就是说，此时双方可以查看更多的信息。在本发明中，只有人才和企业匹配成功的情况下，人才和企业才可以查看到关于彼此的更高级别的信息，避免信息泄露。
与现有技术相比，本发明至少具有以下有益技术效果：
在本发明中，通过验证节点实现对人才的个人信息与企业的单位信息的真实进行验证，避免招聘骗局。可以对于人才的创新创业能力做出评估，自动化地对人才的简历和企业的招聘要求进行匹配，降低招聘的人力成本。只有人才和企业匹配成功的情况下，人才和企业才可以查看到关于彼此的更高级别的信息，避免信息泄露。
实施例2
在一个实施例中，参考说明书附图3，本发明提供的另一种创新创业人才孵化数据交互***的结构示意图。
本发明提供的一种创新创业人才孵化数据交互***30，包括：分布式且相互连接的人才节点、企业节点和验证节点，创新创业人才孵化数据交互***30还包括：
第一接收模块301，用于接收人才的个人信息，通过验证节点验证个人信息是否真实；
第一记录模块302，用于在个人信息真实的情况下，将个人信息记录在相应的人才节点中，并将个人信息分解为多个不同公开级别的个人资料；
测评模块303，用于对人才进行测评；
评估模块304，用于根据测评结果和个人信息，对人才进行创新创业价值评估；
第二接收模块305，用于接收企业的单位信息，通过验证节点验证单位信息是否真实；
第二记录模块306，用于在单位信息真实的情况下，将单位信息记录在相应的企业节点中，并将单位信息分解为多个不同公开级别的企业资料；
发布模块307，用于发布企业的招聘要求；
筛选模块308，用于根据企业的招聘要求以及人才的简历，筛选出与企业的招聘要求匹配的候选人才；
选取模块309，用于根据人才的价值评估结果，从候选人才中选取出预设数量的目标人才，并对目标人才按照价值评估结果进行降序排列，以完成企业与目标人才的匹配；
提升模块310，用于将相互匹配的企业节点与人才节点之间的资料公开级别提升到更高级别。
在一种可能的实施方式中，评估模块304具体用于：
构建创新创业型人才的评价指标体系，其中，一级指标包括：专业基础能力指标、实践能力指标和综合能力指标，基础能力指标包括三个二级指标，分别为专业能力指标、发散思维能力指标、逻辑分析能力指标，实践能力指标包括两个二级指标，分别为动手能力指标和沟通能力指标，综合能力指标包括四个二级指标，分别为抗压能力指标、组织能力指标、协调能力指标和应急处理能力指标；
根据测评结果和个人信息，构建初始矩阵X：
Figure SMS_76
其中，m表示评价指标的数量，n表示被评人才的数量；
从初始矩阵X中确定出每个评价指标的特征值的最大值，作为参考值，并组成参考数列
Figure SMS_77
：
Figure SMS_78
其中，
Figure SMS_79
表示初始矩阵X的第m列中的最大值；
计算被评人才数列
Figure SMS_80
与参考数列/>
Figure SMS_81
之间的关联度系数τ：
Figure SMS_82
其中，ξ表示关联度因子，取值为0.5，
Figure SMS_85
表示被评人才数列/>
Figure SMS_88
与参考数列/>
Figure SMS_90
在每个评价指标上的绝对差值，/>
Figure SMS_84
表示被评人才数列/>
Figure SMS_86
与参考数列/>
Figure SMS_89
在每个评价指标上的绝对差值的最小值，/>
Figure SMS_91
表示被评人才数列/>
Figure SMS_83
与参考数列/>
Figure SMS_87
在每个评价指标上的绝对差值的最大值；
基于AHP层次分析法计算出各个评价指标的权重集合S *：
Figure SMS_92
其中，s j 代表各个评价指标的权重；
计算加权关联度向量R：
Figure SMS_93
通过加权关联度向量R对人才进行创新创业价值评估。
在一种可能的实施方式中，筛选模块308具体用于：
从企业的招聘要求以及人才的简历中分别拆分出结构化文本和非结构化文本，其中，结构化文本包括：地点、职位、薪资、工作性质、学历、工作年限和专业；
计算结构化文本匹配度
Figure SMS_94
；
计算非结构化文本匹配度
Figure SMS_95
；
根据结构化文本匹配度
Figure SMS_96
和非结构化文本匹配度/>
Figure SMS_97
，计算综合匹配度/>
Figure SMS_98
：
Figure SMS_99
其中，
Figure SMS_100
表示结构化文本匹配度/>
Figure SMS_101
的权重，/>
Figure SMS_102
表示非结构化文本匹配度/>
Figure SMS_103
的权重；
根据综合匹配度筛选出与企业的招聘要求匹配的候选人才。
在一种可能的实施方式中，筛选模块308具体用于：
计算地点匹配度
Figure SMS_104
、职位匹配度/>
Figure SMS_105
、薪资匹配度/>
Figure SMS_106
、工作性质匹配度
Figure SMS_107
、学历匹配度/>
Figure SMS_108
、工作年限匹配度/>
Figure SMS_109
和专业匹配度/>
Figure SMS_110
：
Figure SMS_111
；
根据地点匹配度
Figure SMS_112
、职位匹配度/>
Figure SMS_113
、薪资匹配度/>
Figure SMS_114
和工作性质匹配度
Figure SMS_115
计算人才偏好型匹配度/>
Figure SMS_116
：
Figure SMS_117
其中，
Figure SMS_118
表示不同结构化文本的权重；
根据学历匹配度
Figure SMS_119
、工作年限匹配度/>
Figure SMS_120
和专业匹配度/>
Figure SMS_121
计算企业偏好型匹配度/>
Figure SMS_122
：
Figure SMS_123
；
根据人才偏好型匹配度和企业偏好型匹配度计算结构化文本匹配度
Figure SMS_125
：
Figure SMS_126
其中，β表示偏好权重因子，0≤β≤1，当β=0时，表示结构化文本匹配度
Figure SMS_127
完全偏向于人才，当β=1时，表示结构化文本匹配度/>
Figure SMS_128
完全偏向于企业。
在一种可能的实施方式中，筛选模块308具体用于：
构建基于循环神经网络的非结构化文本匹配模型，非结构化文本匹配模型包括：输入层、状态层、注意力层、全连接层和匹配层；
在输入层中，输入企业的招聘要求以及人才的简历中的单词向量序列
Figure SMS_129
；
在状态层中，计算单词向量在t时刻的隐状态：
Figure SMS_130
其中，
Figure SMS_131
表示前向循环的前一状态，/>
Figure SMS_132
表示后向循环的前一状态，/>
Figure SMS_133
表示/>
Figure SMS_134
的权重系数，/>
Figure SMS_135
表示/>
Figure SMS_136
的权重系数，/>
Figure SMS_137
表示t时刻隐状态的偏置项。
在注意力层中，为每个单词向量分配权重γ，并进行累加得到当前注意力层的隐状态
Figure SMS_138
：
Figure SMS_139
；
输出单词向量的特征值O：
Figure SMS_140
；
在全连接层中，汇聚单词向量的特征值；
在匹配层中，通过余弦相似度计算非结构化文本匹配度
Figure SMS_141
：
Figure SMS_142
其中，J表示人才的简历，Z企业的招聘要求。
本发明提供的创新创业人才孵化数据交互***30能够实现上述方法实施例中实现的各个过程，为避免重复，这里不再赘述。
本发明提供的虚拟***可以是***，也可以是终端中的部件、集成电路、或芯片。
与现有技术相比，本发明至少具有以下有益技术效果：
在本发明中，通过验证节点实现对人才的个人信息与企业的单位信息的真实进行验证，避免招聘骗局。可以对于人才的创新创业能力做出评估，自动化地对人才的简历和企业的招聘要求进行匹配，降低招聘的人力成本。只有人才和企业匹配成功的情况下，人才和企业才可以查看到关于彼此的更高级别的信息，避免信息泄露。
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发明的几种实施方式，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，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种创新创业人才孵化数据交互方法，其特征在于，应用于创新创业人才孵化数据交互***，所述创新创业人才孵化数据交互***包括分布式且相互连接的人才节点、企业节点和验证节点，所述创新创业人才孵化数据交互方法包括：
S101：接收人才的个人信息，通过所述验证节点验证所述个人信息是否真实；
S102：在所述个人信息真实的情况下，将所述个人信息记录在相应的所述人才节点中，并将所述个人信息分解为多个不同公开级别的个人资料；
S103：对所述人才进行测评；
S104：根据测评结果和所述个人信息，对所述人才进行创新创业价值评估；
S105：接收企业的单位信息，通过所述验证节点验证所述单位信息是否真实；
S106：在所述单位信息真实的情况下，将所述单位信息记录在相应的所述企业节点中，并将所述单位信息分解为多个不同公开级别的企业资料；
S107：发布所述企业的招聘要求；
S108：根据所述企业的招聘要求以及所述人才的简历，筛选出与所述企业的招聘要求匹配的候选人才；
S109：根据所述人才的价值评估结果，从所述候选人才中选取出预设数量的目标人才，并对所述目标人才按照价值评估结果进行降序排列，以完成所述企业与所述目标人才的匹配；
S110：将相互匹配的企业节点与人才节点之间的资料公开级别提升到更高级别。
2.根据权利要求1所述的创新创业人才孵化数据交互方法，其特征在于，所述S104具体包括：
S1041：构建创新创业型人才的评价指标体系，其中，一级指标包括：专业基础能力指标、实践能力指标和综合能力指标，所述基础能力指标包括三个二级指标，分别为专业能力指标、发散思维能力指标、逻辑分析能力指标，所述实践能力指标包括两个二级指标，分别为动手能力指标和沟通能力指标，所述综合能力指标包括四个二级指标，分别为抗压能力指标、组织能力指标、协调能力指标和应急处理能力指标；
S1042：根据测评结果和个人信息，构建初始矩阵X：
Figure QLYQS_1
其中，m表示评价指标的数量，n表示被评人才的数量；
S1043：从所述初始矩阵X中确定出每个评价指标的特征值的最大值，作为参考值，并组成参考数列
Figure QLYQS_2
：
Figure QLYQS_3
其中，
Figure QLYQS_4
表示所述初始矩阵X的第m列中的最大值；
S1044：计算被评人才数列
Figure QLYQS_5
与所述参考数列/>
Figure QLYQS_6
之间的关联度系数τ：
Figure QLYQS_7
其中，ξ表示关联度因子，取值为0.5，
Figure QLYQS_9
表示所述被评人才数列/>
Figure QLYQS_12
与所述参考数列
Figure QLYQS_15
在每个评价指标上的绝对差值，/>
Figure QLYQS_8
表示所述被评人才数列/>
Figure QLYQS_11
与所述参考数列/>
Figure QLYQS_14
在每个评价指标上的绝对差值的最小值，/>
Figure QLYQS_16
表示所述被评人才数列/>
Figure QLYQS_10
与所述参考数列/>
Figure QLYQS_13
在每个评价指标上的绝对差值的最大值；
S1045：基于AHP层次分析法计算出各个评价指标的权重集合S *：
Figure QLYQS_17
其中，
Figure QLYQS_18
代表各个评价指标的权重；
S1046：计算加权关联度向量R：
Figure QLYQS_19
S1047：通过所述加权关联度向量R对所述人才进行创新创业价值评估。
3.根据权利要求1所述的创新创业人才孵化数据交互方法，其特征在于，所述S108具体包括：
S1081：从所述企业的招聘要求以及所述人才的简历中分别拆分出结构化文本和非结构化文本，其中，所述结构化文本包括：地点、职位、薪资、工作性质、学历、工作年限和专业；
S1082：计算结构化文本匹配度
Figure QLYQS_20
；
S1083：计算非结构化文本匹配度
Figure QLYQS_21
；
S1084：根据所述结构化文本匹配度
Figure QLYQS_22
和所述非结构化文本匹配度/>
Figure QLYQS_23
，计算综合匹配度/>
Figure QLYQS_24
：/>
Figure QLYQS_25
其中，
Figure QLYQS_26
表示所述结构化文本匹配度/>
Figure QLYQS_27
的权重，/>
Figure QLYQS_28
表示所述非结构化文本匹配度
Figure QLYQS_29
的权重；
S1085：根据所述综合匹配度筛选出与所述企业的招聘要求匹配的所述候选人才。
4.根据权利要求3所述的创新创业人才孵化数据交互方法，其特征在于，所述S1082具体包括：
计算地点匹配度
Figure QLYQS_30
、职位匹配度/>
Figure QLYQS_31
、薪资匹配度/>
Figure QLYQS_32
、工作性质匹配度/>
Figure QLYQS_33
、学历匹配度/>
Figure QLYQS_34
、工作年限匹配度/>
Figure QLYQS_35
和专业匹配度/>
Figure QLYQS_36
：
Figure QLYQS_37
；
根据所述地点匹配度
Figure QLYQS_38
、所述职位匹配度/>
Figure QLYQS_39
、所述薪资匹配度/>
Figure QLYQS_40
和所述工作性质匹配度/>
Figure QLYQS_41
计算人才偏好型匹配度/>
Figure QLYQS_42
：
Figure QLYQS_43
其中，
Figure QLYQS_44
表示不同结构化文本的权重；
根据所述学历匹配度
Figure QLYQS_45
、所述工作年限匹配度/>
Figure QLYQS_46
和所述专业匹配度/>
Figure QLYQS_47
计算企业偏好型匹配度/>
Figure QLYQS_48
：
Figure QLYQS_49
；
根据所述人才偏好型匹配度和所述企业偏好型匹配度计算所述结构化文本匹配度
Figure QLYQS_50
：
Figure QLYQS_51
其中，β表示偏好权重因子，0≤β≤1，当β=0时，表示所述结构化文本匹配度
Figure QLYQS_52
完全偏向于所述人才，当β=1时，表示所述结构化文本匹配度/>
Figure QLYQS_53
完全偏向于所述企业。
5.根据权利要求3所述的创新创业人才孵化数据交互方法，其特征在于，所述S1083具体包括：
构建基于循环神经网络的非结构化文本匹配模型，所述非结构化文本匹配模型包括：输入层、状态层、注意力层、全连接层和匹配层；
在所述输入层中，输入所述企业的招聘要求以及所述人才的简历中的单词向量序列
Figure QLYQS_54
；
在所述状态层中，计算单词向量在t时刻的隐状态：
Figure QLYQS_55
其中，
Figure QLYQS_56
表示前向循环的前一状态，/>
Figure QLYQS_57
表示后向循环的前一状态，/>
Figure QLYQS_58
表示/>
Figure QLYQS_59
的权重系数，/>
Figure QLYQS_60
表示/>
Figure QLYQS_61
的权重系数，/>
Figure QLYQS_62
表示t时刻隐状态的偏置项；
在所述注意力层中，为每个所述单词向量分配权重γ，并进行累加得到当前所述注意力层的隐状态
Figure QLYQS_63
：
Figure QLYQS_64
；
输出所述单词向量的特征值O：
Figure QLYQS_65
；
在所述全连接层中，汇聚所述单词向量的特征值；
在所述匹配层中，通过余弦相似度计算所述非结构化文本匹配度
Figure QLYQS_66
：
Figure QLYQS_67
其中，J表示所述人才的简历，Z所述企业的招聘要求。
6.一种创新创业人才孵化数据交互***，其特征在于，包括分布式且相互连接的人才节点、企业节点和验证节点，所述创新创业人才孵化数据交互***还包括：
第一接收模块，用于接收人才的个人信息，通过所述验证节点验证所述个人信息是否真实；
第一记录模块，用于在所述个人信息真实的情况下，将所述个人信息记录在相应的所述人才节点中，并将所述个人信息分解为多个不同公开级别的个人资料；
测评模块，用于对所述人才进行测评；
评估模块，用于根据测评结果和所述个人信息，对所述人才进行创新创业价值评估；
第二接收模块，用于接收企业的单位信息，通过所述验证节点验证所述单位信息是否真实；
第二记录模块，用于在所述单位信息真实的情况下，将所述单位信息记录在相应的所述企业节点中，并将所述单位信息分解为多个不同公开级别的企业资料；
发布模块，用于发布所述企业的招聘要求；
筛选模块，用于根据所述企业的招聘要求以及所述人才的简历，筛选出与所述企业的招聘要求匹配的候选人才；
选取模块，用于根据所述人才的价值评估结果，从所述候选人才中选取出预设数量的目标人才，并对所述目标人才按照价值评估结果进行降序排列，以完成所述企业与所述目标人才的匹配；
提升模块，用于将相互匹配的企业节点与人才节点之间的资料公开级别提升到更高级别。
7.根据权利要求6所述的创新创业人才孵化数据交互***，其特征在于，所述评估模块具体用于：
构建创新创业型人才的评价指标体系，其中，一级指标包括：专业基础能力指标、实践能力指标和综合能力指标，所述基础能力指标包括三个二级指标，分别为专业能力指标、发散思维能力指标、逻辑分析能力指标，所述实践能力指标包括两个二级指标，分别为动手能力指标和沟通能力指标，所述综合能力指标包括四个二级指标，分别为抗压能力指标、组织能力指标、协调能力指标和应急处理能力指标；
根据测评结果和个人信息，构建初始矩阵X：
Figure QLYQS_68
其中，m表示评价指标的数量，n表示被评人才的数量；
从所述初始矩阵X中确定出每个评价指标的特征值的最大值，作为参考值，并组成参考数列
Figure QLYQS_69
：
Figure QLYQS_70
其中，
Figure QLYQS_71
表示所述初始矩阵X的第m列中的最大值；
计算被评人才数列X i 与所述参考数列X 0之间的关联度系数τ：
Figure QLYQS_72
其中，ξ表示关联度因子，取值为0.5，
Figure QLYQS_73
表示所述被评人才数列X i 与所述参考数列X 0在每个评价指标上的绝对差值，/>
Figure QLYQS_74
表示所述被评人才数列X i 与所述参考数列X 0在每个评价指标上的绝对差值的最小值，/>
Figure QLYQS_75
表示所述被评人才数列X i 与所述参考数列X 0在每个评价指标上的绝对差值的最大值；
基于AHP层次分析法计算出各个评价指标的权重集合S *：
Figure QLYQS_76
其中，
Figure QLYQS_77
代表各个评价指标的权重；
计算加权关联度向量R：
Figure QLYQS_78
通过所述加权关联度向量R对所述人才进行创新创业价值评估。
8.根据权利要求6所述的创新创业人才孵化数据交互***，其特征在于，所述筛选模块具体用于：
从所述企业的招聘要求以及所述人才的简历中分别拆分出结构化文本和非结构化文本，其中，所述结构化文本包括：地点、职位、薪资、工作性质、学历、工作年限和专业；
计算结构化文本匹配度
Figure QLYQS_79
；
计算非结构化文本匹配度
Figure QLYQS_80
；
根据所述结构化文本匹配度
Figure QLYQS_81
和所述非结构化文本匹配度/>
Figure QLYQS_82
，计算综合匹配度
Figure QLYQS_83
：
Figure QLYQS_84
其中，
Figure QLYQS_85
表示所述结构化文本匹配度/>
Figure QLYQS_86
的权重，/>
Figure QLYQS_87
表示所述非结构化文本匹配度
Figure QLYQS_88
的权重；
根据所述综合匹配度筛选出与所述企业的招聘要求匹配的所述候选人才。
9.根据权利要求8所述的创新创业人才孵化数据交互***，其特征在于，所述筛选模块具体用于：
计算地点匹配度
Figure QLYQS_89
、职位匹配度/>
Figure QLYQS_90
、薪资匹配度/>
Figure QLYQS_91
、工作性质匹配度/>
Figure QLYQS_92
、学历匹配度/>
Figure QLYQS_93
、工作年限匹配度/>
Figure QLYQS_94
和专业匹配度/>
Figure QLYQS_95
：
Figure QLYQS_96
；
根据所述地点匹配度
Figure QLYQS_97
、所述职位匹配度/>
Figure QLYQS_98
、所述薪资匹配度/>
Figure QLYQS_99
和所述工作性质匹配度/>
Figure QLYQS_100
计算人才偏好型匹配度/>
Figure QLYQS_101
：
Figure QLYQS_102
其中，
Figure QLYQS_103
表示不同结构化文本的权重；
根据所述学历匹配度
Figure QLYQS_104
、所述工作年限匹配度/>
Figure QLYQS_105
和所述专业匹配度/>
Figure QLYQS_106
计算企业偏好型匹配度/>
Figure QLYQS_107
：
Figure QLYQS_108
；
根据所述人才偏好型匹配度和所述企业偏好型匹配度计算所述结构化文本匹配度
Figure QLYQS_109
：
Figure QLYQS_110
其中，β表示偏好权重因子，0≤β≤1，当β=0时，表示所述结构化文本匹配度
Figure QLYQS_111
完全偏向于所述人才，当β=1时，表示所述结构化文本匹配度/>
Figure QLYQS_112
完全偏向于所述企业。
10.根据权利要求8所述的创新创业人才孵化数据交互***，其特征在于，所述筛选模块具体用于：
构建基于循环神经网络的非结构化文本匹配模型，所述非结构化文本匹配模型包括：输入层、状态层、注意力层、全连接层和匹配层；
在所述输入层中，输入所述企业的招聘要求以及所述人才的简历中的单词向量序列
Figure QLYQS_113
；
在所述状态层中，计算单词向量在t时刻的隐状态：
Figure QLYQS_114
其中，
Figure QLYQS_115
表示前向循环的前一状态，/>
Figure QLYQS_116
表示后向循环的前一状态，/>
Figure QLYQS_117
表示/>
Figure QLYQS_118
的权重系数，/>
Figure QLYQS_119
表示/>
Figure QLYQS_120
的权重系数，/>
Figure QLYQS_121
表示t时刻隐状态的偏置项；
在所述注意力层中，为每个所述单词向量分配权重γ，并进行累加得到当前所述注意力层的隐状态
Figure QLYQS_122
：
Figure QLYQS_123
；
输出所述单词向量的特征值O：
Figure QLYQS_124
；
在所述全连接层中，汇聚所述单词向量的特征值；
在所述匹配层中，通过余弦相似度计算所述非结构化文本匹配度
Figure QLYQS_125
：
Figure QLYQS_126
其中，J表示所述人才的简历，Z所述企业的招聘要求。
CN202310593975.9A 2023-05-25 2023-05-25 一种创新创业人才孵化数据交互方法及*** Pending CN116308227A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310593975.9A CN116308227A (zh) 2023-05-25 2023-05-25 一种创新创业人才孵化数据交互方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310593975.9A CN116308227A (zh) 2023-05-25 2023-05-25 一种创新创业人才孵化数据交互方法及***

Publications (1)

Publication Number Publication Date
CN116308227A true CN116308227A (zh) 2023-06-23

Family

ID=86818959

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310593975.9A Pending CN116308227A (zh) 2023-05-25 2023-05-25 一种创新创业人才孵化数据交互方法及***

Country Status (1)

Country Link
CN (1) CN116308227A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116720792A (zh) * 2023-08-10 2023-09-08 北京正开科技有限公司 一种基于数据处理的孵化器公共管理服务***
CN117217719A (zh) * 2023-11-07 2023-12-12 湖南海润天恒科技集团有限公司 一种基于大数据的人才信息招聘数据智能管理方法及***
CN117312397A (zh) * 2023-10-18 2023-12-29 广东倍智人才科技股份有限公司 基于大数据的人才供应链管理方法和***

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070185757A1 (en) * 2006-02-09 2007-08-09 Sap Talent relationship management with E-recruiting
CN112686560A (zh) * 2021-01-06 2021-04-20 罗兰 一种一站式创新创业人才孵化平台
CN114881441A (zh) * 2022-04-26 2022-08-09 许昌学院 一种一站式高校创新创业人才孵化平台

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070185757A1 (en) * 2006-02-09 2007-08-09 Sap Talent relationship management with E-recruiting
CN112686560A (zh) * 2021-01-06 2021-04-20 罗兰 一种一站式创新创业人才孵化平台
CN114881441A (zh) * 2022-04-26 2022-08-09 许昌学院 一种一站式高校创新创业人才孵化平台

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116720792A (zh) * 2023-08-10 2023-09-08 北京正开科技有限公司 一种基于数据处理的孵化器公共管理服务***
CN117312397A (zh) * 2023-10-18 2023-12-29 广东倍智人才科技股份有限公司 基于大数据的人才供应链管理方法和***
CN117312397B (zh) * 2023-10-18 2024-03-22 广东倍智人才科技股份有限公司 基于大数据的人才供应链管理方法和***
CN117217719A (zh) * 2023-11-07 2023-12-12 湖南海润天恒科技集团有限公司 一种基于大数据的人才信息招聘数据智能管理方法及***
CN117217719B (zh) * 2023-11-07 2024-02-09 湖南海润天恒科技集团有限公司 一种基于大数据的人才信息招聘数据智能管理方法及***

Similar Documents

Publication Publication Date Title
CN116308227A (zh) 一种创新创业人才孵化数据交互方法及***
Gu et al. Record linkage: Current practice and future directions
CN107851097B (zh) 数据分析***、数据分析方法、数据分析程序及存储介质
US8412556B2 (en) Systems and methods for facilitating an analysis of a business project
Blancas et al. Constructing a composite indicator with multiplicative aggregation under the objective of ranking alternatives
Lateef et al. Information audit as an important tool in organizational management: A review of literature
Cattuto et al. Emergent community structure in social tagging systems
Sáez-Martín et al. Access to public information: a scientometric study of legal versus voluntary transparency in the public sector
CN110727852A (zh) 一种推送招聘推荐服务的方法、装置及终端
JP2002352062A (ja) セキュリティ評価装置
Sharma et al. A bibliometric analysis of cyber security and cyber forensics research
Ullah et al. Relating research growth, authorship patterns and publishing outlets: a bibliometric study of LIS articles produced by Pakistani authors
Burke et al. Using and abusing QFD scores
Schecter et al. The power, accuracy, and precision of the relational event model
Tajuddin et al. Estimating population size of criminals: A new Horvitz–Thompson estimator under one-inflated positive Poisson–Lindley model
Yeo-Teh et al. A research misconduct severity matrix that could serve to harmonize adjudication of findings
Sachini et al. Identifying the intellectual capital of Greek defence firms. Science outputs and industrial considerations
Golder Measuring social networks with digital photograph collections
WO2020253353A1 (zh) 预设用户的资源获取资质生成方法及相关设备
WO2016009553A1 (ja) 知財評価システム、知財評価システムの制御方法、および知財評価プログラム
US20160055301A1 (en) System and method of matching identities among disparate physician records
CN113610504A (zh) 数据处理方法、装置、计算机设备及存储介质
Fox Quantifying religion and state: round two of the religion and state project
Bao et al. A study of the input/output variable characteristics in DEA
Kabwe et al. Identity attributes metric modelling based on mathematical distance metrics models

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