CN116452165A - 一种人才信息推荐方法、服务***及存储介质 - Google Patents
一种人才信息推荐方法、服务***及存储介质 Download PDFInfo
- Publication number
- CN116452165A CN116452165A CN202310286608.4A CN202310286608A CN116452165A CN 116452165 A CN116452165 A CN 116452165A CN 202310286608 A CN202310286608 A CN 202310286608A CN 116452165 A CN116452165 A CN 116452165A
- Authority
- CN
- China
- Prior art keywords
- user
- demand
- evaluation
- matching
- target task
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000011156 evaluation Methods 0.000 claims abstract description 183
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 119
- 238000004364 calculation method Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 20
- 238000010276 construction Methods 0.000 claims description 14
- 230000004927 fusion Effects 0.000 abstract description 2
- 230000010365 information processing Effects 0.000 abstract description 2
- 230000007115 recruitment Effects 0.000 description 34
- 230000018109 developmental process Effects 0.000 description 15
- 238000011161 development Methods 0.000 description 12
- 230000007774 longterm Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 230000002452 interceptive effect Effects 0.000 description 6
- 238000012946 outsourcing Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000033772 system development Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q10/1053—Employment or hiring
-
- 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
- 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
- G06Q10/06398—Performance of employee with respect to a job function
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Educational Technology (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请适用于信息处理技术领域,提供了一种人才信息推荐方法、服务***及存储介质,包括:获取目标任务的需求数据,并根据目标任务的需求数据构建需求评价画像;根据目标任务的需求数据确定用户匹配算法;获取待匹配用户的用户信息,并根据用户信息构建用户评价画像;基于用户匹配算法、需求评价画像以及用户评价画像,计算待匹配用户与目标任务的匹配度;根据待匹配用户与目标任务的匹配度确定信息推荐结果,能够实现产教融合的数字化人才推荐,充分考虑用人单元的工作任务的需求,同时根据待匹配用户与目标任务的需求的匹配程度得到信息推荐结果,以此来进行用户推荐,使得人才推荐结果能够更贴合用人单位的用人需求,提高人才推荐的精准度。
Description
技术领域
本申请属于信息处理技术领域,尤其涉及一种人才信息推荐方法、服务***及存储介质。
背景技术
随着社会的发展,尤其是科学技术的不断进步,大大促进了社会生产力的飞速发展,使得越来越多的人走向工作岗位。伴随着工业智能化的发展,许多传统的行业也在逐渐被取代,用人需求也逐渐增大。然而,由于用人单元对大学生的实际工作能力无法正确对接,无法精准地为用人单元提供满足其用人需求的人才。
因此,亟需一种用人推荐方法,以解决目前难以有效基于用人单位的用人需求进行精准的人才推荐的问题。
发明内容
本申请实施例提供了一种人才信息推荐方法、装置、服务***及存储介质,能够实现跨应用的对象拖拽。
第一方面,本申请实施例提供了一种人才信息推荐方法,包括:
获取目标任务的需求数据,并根据目标任务的需求数据构建需求评价画像;
根据所述目标任务的需求数据确定用户匹配算法;
获取待匹配用户的用户信息,并根据所述用户信息构建用户评价画像;
基于所述用户匹配算法、需求评价画像以及用户评价画像,计算所述待匹配用户与所述目标任务的匹配度;
根据所述待匹配用户与所述目标任务的匹配度确定信息推荐结果。
其中,不同的用户匹配算法中各个匹配维度的权重值不同,所述用户匹配算法中的各个匹配维度的权重值根据对应的用人需求类型确定。
在第一方面的一种可能的实现方式中,所述获取目标任务的需求数据,并根据目标任务的需求数据构建需求评价画像,包括:
根据目标任务的需求数据确定需求因子;
根据需求因子构建需求评价画像。
在第一方面的一种可能的实现方式中,所述获取待匹配用户的用户信息,并根据所述用户信息构建用户评价画像,包括:
根据待匹配用户的用户信息确定用户评价因子;
根据用户评价因子构建用户评价画像。
在第一方面的一种可能的实现方式中,所述需求因子包括多个典型工作任务对应的需求因子。
在第一方面的一种可能的实现方式中,所述用户评价因子包括多个学习任务对应的用户评价因子。
在第一方面的一种可能的实现方式中,所述根据所述目标任务的需求数据确定用户匹配算法,包括:
根据所述目标需求数据确定用人需求类型;
根据所述用人需求类型调用与所述用人需求类型对应的用户匹配算法。
在第一方面的一种可能的实现方式中,所述根据所述目标任务的需求数据确定用户匹配算法,包括:
根据所述目标需求数据确定用人需求类型;
根据所述用人需求类型调整初始用户匹配算法中各个匹配维度的权重,得到与所述用人需求类型对应的用户匹配算法。
在第一方面的一种可能的实现方式中,所述基于所述用户匹配算法、需求评价画像以及用户评价画像,计算所述待匹配用户与所述目标任务的匹配度,包括:
根据用户匹配算法中的匹配维度和匹配维度的权重参数确定匹配度计算规则;
计算所述用户评价画像和所述需求评价画像的重合度;
根据所述重合度和所述匹配度计算规则,计算所述待匹配用户与所述目标任务的匹配度。
在第一方面的一种可能的实现方式中,所述根据所述待匹配用户与所述目标任务的匹配度确定信息推荐结果,包括:
确定推荐用户个数;
根据所述待匹配用户与所述目标任务的匹配度,确定各个用户的推荐次序;
基于所述推荐次序,向所述目标任务的设备推送与所述推荐用户个数匹配的多个用户的用户信息。
第二方面,本申请实施例提供了一种信息推送装置,包括:
需求画像构建模块,用于获取目标任务的需求数据,并根据目标任务的需求数据构建需求评价画像;
匹配算法确定模块,用于根据所述目标任务的需求数据确定用户匹配算法,其中,不同的用户匹配算法中各个匹配维度的权重值不同,所述用户匹配算法中的各个匹配维度的权重值根据对应的用人需求类型确定;
用户画像构建模块,用于获取待匹配用户的用户信息,并根据所述用户信息构建用户评价画像;
匹配模块,用于基于所述用户匹配算法、需求评价画像以及用户评价画像,计算所述待匹配用户与所述目标任务的匹配度;
推荐模块,用于根据所述待匹配用户与所述目标任务的匹配度确定信息推荐结果。
第三方面,本申请实施例提供了一种服务***,包括:存储器、处理器以及存储在所述存储器中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如第一方面所述的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的方法。
第五方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行上述第一方面所述的方法。
可以理解的是,上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
本申请实施例与现有技术相比存在的有益效果是:能够根据目标任务的需求参数确定与该目标任务的需求对应的用户匹配算法,使得用户匹配算法能够与用人单位的工作任务相适配,再基于与目标任务的需求对应的用户匹配算法,将需求评价画像和待匹配用户的用户评价来进行匹配,从而能够在计算匹配度时充分考虑用人单元的工作任务的需求,同时根据待匹配用户与目标任务的需求的匹配程度得到信息推荐结果,以此来进行用户推荐,使得用户推荐结果能够更贴合用人单位的用人需求,提高人才推荐的精准度,有效地解决了目前难以有效基于用人单元的用人需求进行精准地人才推荐的问题。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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。
图1是本申请实施例提供的人才信息推荐方法的实现流程示意图;
图2是本申请一实施例提供的人才信息推荐方法的S101的实现流程示意图;
图3是本申请一实施例提供的人才信息推荐方法的S103的实现流程示意图;
图4是本申请一实施例提供的人才信息推荐方法的S104的实现流程示意图;
图5是本申请一实施例提供的人才信息推荐方法的S105的实现流程示意图;
图6是本申请实施例提供的信息推荐装置的结构示意图;
图7是本申请一实施例提供的服务***的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请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。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
为了解决目前难以有效基于用人单位的用人需求进行精准的人才推荐的问题,本申请实施例提供了一种人才信息推荐方法,能够根据目标任务的需求参数确定与该目标任务的需求对应的用户匹配算法,使得用户匹配算法能够与用人单位的工作任务相适配,再基于与目标任务的需求对应的用户匹配算法,将需求评价画像和待匹配用户的用户评价来进行匹配,从而能够在计算匹配度时充分考虑用人单元的工作任务的需求,同时根据待匹配用户与目标任务的需求的匹配程度得到信息推荐结果,以此来进行用户推荐,使得用户推荐结果能够更贴合用人单位的用人需求,提高人才推荐的精准度,有效地解决了目前难以有效基于用人单元的用人需求进行精准地人才推荐的问题。
在本申请实施例中,上述基于产教融合的推荐方法的执行主体可以是服务***,该服务***包括但不限于服务器、计算机、智能手机、笔记本电脑以及平板电脑等能够执行信息分析和数据推送的设备。以下结合附图对本申请实施例提供的人才信息推荐方法进行说明:
请参阅图1,图1给出了本申请实施例提供给的一种人才信息推荐方法的实现流程示意图。
如图1所示,上述人才信息推荐方法可以包括S101至S102,详述如下:
S101:获取目标任务的需求数据,并根据目标任务的需求数据构建需求评价画像。
在本申请实施例中,服务***可以关联用人单位节点,在用人单位节点提交招聘任务时,服务***可以获取到该招聘任务的相关数据,从而得到该招聘任务中的需求数据。
在本申请实施例中,上述目标任务是指服务***正在进行用人推荐的招聘任务。
在一些实施例中,服务***可以同时为多个招聘任务进行用人推荐,也即,在同一时间内,服务***可以获取到多个目标任务的需求数据,并分别为各个目标任务进行信息推送。
在申请实施例中,服务***具体可以为数据推送平台的服务器,服务***与各个分布式数据节点(分布式数据节点可以包括用人单位节点和学校节点)建立通信连接,并在满足预设的采集触发条件时,接收各个用人单位节点提交的招聘任务。又或者,各个用人单位节点在采集到新的招聘任务的相关数据时,可以将新采集的招聘任务的相关数据发送给该数据推送平台的服务器(即本申请提供的服务***),以便服务***根据新接收到的招聘任务的相关信息确定适合该招聘任务的人才,并进行信息推荐。
在一些实施例中,服务***可以配置有对应的采集触发条件,在检测到满足预设的采集触发条件时,可以向用人单位节点发送信息采集指令,在用人单位节点接收到上述信息采集指令时,将本地存储的招聘任务发送给服务***。其中,该数据***(包括有本申请实施例提供的服务***、分布式数据节点以及所需推送信息的目标对象的设备)可以采用分布式的方式对数据进行存储。例如,采用深度神经网络(如多重卷积循环神经网络、长短期神经网络、tensorflow)作为大脑,即上述的数据推送平台的服务器安装上述的深度神经网络,并配置有多个数据分析终端与上述服务器相连,每个数据分析终端可以搭配有可分解式云计算cloud computing,进行数据分布式处理分析,服务器的底层***支持有效用计算、负载均衡、并行计算、热备份冗杂和虚拟混合演算技术,提供可实时自我更新的基础算力。在大数据处理方面,服务器可以采用数据采集、存储、分析、计算,通过各个分布式数据节点建立数据仓库,使用离线技术引擎Hadoop、实时计算引擎Storm进行有效的招聘信息的发掘,多级缓存到非关系数据存储器内,例如采用mongodb技术构建的数据存储器中。
在本申请实施例中,服务***能够根据招聘任务的相关数据确定出目标任务的需求数据。在此,用人单位的用人需求可以分为以下四种类型:灵活用工,企业实习,招聘用人和项目外包等。
在一些实施例中,灵活用工还可以根据用工时限划分为短期灵活用工和长期灵活用工,当然还可以划分中长期灵活用工、中短期灵活用工等多种用人需求类型;企业实习还可以根据实习时限划分短期实习和长期实习等。
需要说明的是,上述根据用工时限对灵活用工进行划分可以根据实际需要来划分,例如将用工时长为三个月以内的灵活用工划分为短期灵活用工,将用工时长为超过三个月的灵活用工划分为长期灵活用工等,本申请对此不作具体限制。
同样的,上述根据实习时长划分短期实习和长期实习也可以根据实际需要来划分,例如将实习时长为六个月以内的企业实习划分为短期实习,将实习时长超过六个月的企业实习划分为长期实习等。
上述目标任务的需求数据可以包括用人需求类型数据,职责描述数据,任职要求数据、薪资发展数据等。基于此,可以构建出对应的需求评价画像。即通过目标任务的不同维度的需求因子来构建出能够体现该目标任务的需求的需求评价画像。
需要说明的是,用人单位的用人需求还可以包括其他类型的用人需求,例如项目顾问等,以上仅为示意而非限制。
S102:根据所述目标任务的需求数据确定用户匹配算法。
在本申请实施例中,由于不同的用人需求类型对于工作时所需要的用到的技能的掌握程序、实操能力要求、用人时限均不相同,即灵活用工,企业实习,招聘用人和项目外包这四种不同的用人需求对于工作所需用到的技能(掌握程度)、实操能力要求和用人时限均不相同,如果只配置单一的匹配算法,则无法满足用人需求不同的针对性匹配。基于此,本申请实施例中的服务***可以预先配置有不同的用户匹配算法,不同的用户匹配算法适用于不同的用人需求。
示例性的,针对灵活用工配置第一用户匹配算法,针对企业实习配置第二用户匹配算法,针对招聘用人配置第三用户匹配算法,针对项目外包设置第四用户匹配算法等。又如,针对长期灵活用工配置第一用户匹配算法,针对短期灵活用工配置第二用户匹配算法,针对长期企业实习配置第三用户匹配算法,针对短期企业实习配置第四用户匹配算法,针对招聘用人配置第五用户匹配算法,针对项目外包配置第六用户匹配算法等。
上述用户匹配算法用于计算用户与目标任务的匹配度。服务***在确定了目标任务的需求数据后,就可以根据该目标任务的用人需求类型数据来确定对应的用户匹配算法。示例性的,当服务***确定目标任务的用人需求类型为灵活用工时,服务***就可以确定出用户匹配算法为上述第一用户匹配算法。
在本申请实施例中,上述用户匹配算法中设置了多个匹配维度和各个匹配维度对应的权重值。在此,不同的用户匹配算法中对不同匹配维度设置的权重不同,即本申请实施例基于不同匹配维度的权重的设置来使得用户匹配算法能够适配于不同的用人需求类型。
在本申请实施例中,上述匹配维度可以包括技能掌握程度、用户协同能力、用人时限、实操需求等。
在本申请实施例中,用户匹配算法中不同匹配维度的权重值可以根据其对应的用人需求类型来设置。
示例性的,针对企业实习的用人需求类型,由于并不需要用户对技能熟练掌握,其更多的具有训练和协助的需求,对于技能掌握程度的要求较低,因此可以设置技能掌握程度的匹配维度的权重较低,而企业实习需要的用户协同能力较强,因此可以设置协同能力的匹配维度的权重较高。
又示例性的,针对项目外包的用人需求类型,由于该用人类型需要用户能够独立完成一个项目开发工作,因此,可以设置技能掌握程度的匹配维度的权重较高,实操需求的匹配维度的权重也较高,而协同能力的匹配维度的权重值可以设置得较低。
需要说明的是,用户匹配算法中的所有匹配维度的权重之和为1。
在一实施方式中,上述服务***中预置了多个用户匹配算法,不同的用户匹配算法对应不同的用人需求类型,上述根据目标需求数据确定用户匹配算法可以包括以下步骤:
根据所述目标需求数据确定用人需求类型;
根据所述用人需求类型调用与所述用人需求类型对应的用户匹配算法。
在本申请一实施例中,服务***中可以设置有初始用户匹配算法,在接收到用人单位节点提交的招聘任务时,根据用人单位节点提交的招聘任务调整该初始用户匹配算法的各个匹配维度的权重,从而得到与该招聘任务的需求数据对应的用户匹配算法。
示例性的,上述初始用户匹配算法中各个匹配维度的权重均相等。例如该初始用户匹配算法可以包括技能掌握程度、协同能力、用人时限、实操需求这四个匹配维度,则每个匹配维度的权重均为0.25。服务***在接收到某一用人单位节点提交的关于招聘企业实习岗位的招聘任务(即目标任务)的情况下,服务***可以确定出该目标任务的用人需求类型为企业实习,基于此,服务***将技能掌握程度的权重调低,将协同能力的权重调高,保持实操需求的权重和用人时限的权重,例如,技能掌握程度的权重为0.1,协调能力的权重为0.4,实操需求的权重为0.25,用人时限的权重为0.25。
又示例性的,上述初始用户匹配算法中各个匹配维度的权重也可以不相等,例如,上述初始用户匹配算法可以技能掌握程度、协同能力、用人时限、实操需求这四个匹配维度,其中,技能掌握程度的权重为0.4,协同能力的权重为0.3,用人时限的权重为0.1,实操需求的权重为0.2。服务***在接收到某个用人单位节点提交的关于招聘项目外包岗位的招聘任务(即目标任务)的情况下,服务***可以确定出该目标任务的用人需求类型为项目外包,基于此,服务***将初始用户匹配算法中的实操需求的权重提高,并降低协同能力的权重,由于初始用户匹配算法中的技能掌握程度的权重已经比较高了,因此技能掌握程度的权重值可以保持不变,初始用户匹配算法中的用人时限的权重也保持不变,即调整后的用户匹配算法中各个匹配维度的权重为:技能掌握程度的权重为0.4,协同能力的权重为0.1,用人时限的权重为0.1,实操需求的权重为0.4。
在一实施方式中,上述服务***预置了初始用户匹配算法,上述根据目标需求数据确定用户匹配算法可以包括以下步骤:
根据所述目标需求数据确定用人需求类型;
根据所述用人需求类型调整所述初始用户匹配算法中各个匹配维度的权重,得到与所述用人需求类型对应的用户匹配算法。
通过在服务***中预置初始用户匹配算法,能够节省了不同用人需求类型对应的多个用户匹配算法的数据量,能够有效地节省服务***中设置的数据量,减少数据冗余,再确定了用人需求类型后,再根据用人需求类型对初始用户匹配算法中的各个匹配维度的权重进行调整,从而得到适用于该用人需求类型的用户匹配算法。
S103:获取待匹配用户的用户信息,并根据所述用户信息构建用户评价画像。
在本申请实施例中,服务***可以关联学校节点,接收各个学校节点上传的用户信息,并且确定有就业意向的用户,将该用户确定为待匹配用户,从而,服务***可以获取到待匹配用户的用户信息。上述用户信息包括用户身份信息,用户专业信息、求职意向信息、经验信息等。
在本申请实施例中,上述服务***可以建立与学校节点的通信连接,并在满足预设的采集触发条件时,接收各个学校节点上传的用户信息。预设的采集触发条件可以是到达预设采集时间间隔,例如预设采集时间间隔为24小时,则服务***每隔24小时会想每个学校节点获取新上传的用户信息。上述预设的采集触发条件还可以是检测到某个学校节点更新/上传了新的用户信息,此时服务***就可以获取该学校节点新更新的用户信息。
在得到待匹配用户的用户信息后,可以构建出与用户信息对应用户的用户评价画像,通过用户评价画像来体现用户的综合能力和求职意向。
在本实施例中,S101以及S103两个步骤是相互独立的两个步骤,即服务***在接收学校节点上传的用户信息的同时,也可以接收用人单位节点上传的招聘任务,具体根据两个步骤的获取规则确定。例如,服务***在到达预设的采集周期时,可以从学校节点处获取用户信息,并根据用户数据构建用户评价画像,与此同时,服务***若检测到用人单位节点上传了招聘任务,则可以从用人单位节点处获取目标任务的需求数据,并构建需求评价画像。
S104:基于所述用户匹配算法、需求评价画像以及用户评价画像,计算所述待匹配用户与所述目标任务的匹配度。
在本实施例中,服务***可以将与目标任务相关的需求评价画像以及用户评价画像导入到用户匹配算法中,从而能够计算得到待匹配用户与目标任务之间的匹配度。
在本实施例中,上述将需求评价画像和用户评价画像导入到用户匹配算法中,计算待匹配用户于目标任务之间的匹配度可以通过神经网络模型来实现。在实现过程中,可以预先构建用于计算两个画像匹配度的神经网络模块,并通过大量的样本数据对构建的初始神经网络模型进行训练,进而得到能够根据导入的需求评价画像和用户评价画像计算出两者的匹配度的目标神经网络模型,其中,每个用户匹配算法对应的参数不同,因此可以基于不同的用户匹配算法对应
在实际应用时,就可以将当前的目标任务的需求评价画像与各个待匹配用户的用户评价画像输入到该目标神经网络模型中进行处理,该目标神经网络模型通过上采样、池化、下采样、计算等处理,最终输出用户评价画像和需求评价画像的匹配度。
在本申请实施例中,上述基于用户匹配算法,需求评价画像以及用户评价画像计算目标任务与待匹配用户的匹配度还可以是:根据用户匹配算法中的多个匹配维度的不同权重来调整用户评价画像,得到优化的用户评价画像,之后再将优化后的用户评价画像与需求评价画像进行重合度的计算,再根据上述优化后的用户评价画像与需求评价画像的重合度来计算待匹配用户与目标任务的之间的匹配度。
在具体应用中,在计算优化后的用户评价画像与需求评价画像的重合度之前,需要先将用户评价画像和需求评价画像进行对齐。即需要先将用户评价画像的用户评价因子和需求评价画像的需求因子对应起来,然后再计算对齐后的因子的重合度,最后基于对齐后的各个因子的重合度计算出用户评价画像与需求评价画像的重合度。
示例性的,假设用户评价因子包括各个学习任务的岗位技能评价因子(技能掌握评价因子),团对协作能力评价因子、勤奋度评价因子、、实践能力评价因子,以及用户的求职意向评价因子等。而需求因子包括“典型工作任务”的工作技能掌握需求因子、团队协作能力需求因子、实践能力需求因子,以及招聘用人的用人时长需求因子等。就可以将岗位技能评价因子与工作技能掌握需求因子进行对齐,将团队协作能力评价因子与团队协作能力需求因子进行对齐,将实践能力评价因子与实践能力需求因子进行对齐,将用户求职意向评价因子中的求职类型(或工作类型意愿)因子与用人时长需求因子进行对齐。之后再分别计算对齐后的两个因子的重合度。
S105:根据所述待匹配用户与所述目标任务的匹配度确定信息推荐结果。
在本申请实施例中,服务***在计算了待匹配用户与目标任务之间的匹配度后,可以将匹配度大于预设的推荐阈值的用户作为该目标任务的目标用户,并推送该目标用户的相关信息给到目标任务对应的节点。
在一些实施例中,若匹配度大于预设的推荐阈值的用户的数量为多个,则可以将多个匹配度大于匹配阈值的用户均识别为目标用户。
综上可以看出,本申请实施例提供的人才信息推荐方法,能够根据目标任务的需求参数确定与该目标任务的需求对应的用户匹配算法,使得用户匹配算法能够与用人单位的工作任务相适配,再基于与目标任务的需求对应的用户匹配算法和待匹配用户的用户评价画像来进行匹配,从而能够在计算匹配度时充分考虑用人单元的工作任务的需求,同时根据待匹配用户与目标任务的需求的匹配程度得到信息推荐结果,以此来进行用户推荐,使得用户推荐结果能够更贴合用人单位的用人需求,提高人才推荐的精准度,有效地解决了目前难以有效基于用人单元的用人需求进行精准地人才推荐的问题。
请参阅图2,图2示出了本申请实施例提供的信息推送方法的S101的实现流程。
如图2所示,在本申请一实施例中,上述S101可以包括以下步骤:
S1011:根据目标任务的需求数据确定需求因子。
在具体应用中,需求因子用于表征对应需求,例如用人需求类型数据通过类型需求因子来表征,任职要求数据通过任职要求因子来表征,薪资发展数据通过薪资需求因子来表征。
在本申请一实施例中,服务***还可以预先对目标任务的需求数据进行分类整理和分析,确定出有用的需求数据,例如,用人需求类型数据,任职要求数据,薪资要求数据等。然后再根据这些需求数据确定出对应的需求因子。
在本申请一实施例中,用人单位在上传招聘任务时可以根据“典型工作任务”的模式来设置任职要求。在此,典型工作任务(professional task)是指通过将招聘岗位的实际工作描述为具体的、完整的行动过程。即用人单位可以根据实际工作来设置任职要求。例如,用人单位想要招聘WEB前端开发人员,且该工作岗位的实际工作需要工作人员掌握通过PHP和JAVA开发电商***、办公软件和微信小程序等工作技能,则此时上述招聘任务的任职要求数据中可以包括电商***开发任务、办公软件开发任务、微信小程序开发任务等典型工作任务的相关需求数据。根据这些内容确定出该目标任务的工作技能掌握需求因子。
基于此,上述需求因子可以包括多个任务典型工作任务对应的需求因子。
示例性的,例如,用人单位想要招聘WEB前端开发人员,且该工作岗位的实际工作需要工作人员掌握通过PHP和JAVA开发电商***、办公软件和微信小程序等工作技能,则此时上述招聘任务的任职要求数据中可以包括电商***开发任务、办公软件开发任务、微信小程序开发任务等典型工作任务的相关需求数据,则需求因子可以包括掌握电商***开发任务、掌握办公软件开发任务掌握微信小程序开发任务等。
示例性的,上述需求因子可以包括但不限于:“典型工作任务”的工作技能掌握需求因子、团队协作能力需求因子、实践能力需求因子,以及招聘用人的用人时长需求因子、薪资要求因子等。
S1012:根据需求因子构建需求评价画像。
在确定了所有需求因子后,就可以构建出目标任务对应的需求评价画像。
若目标任务为招聘灵活就业的WEB前端开发人员,该岗位需要掌握微信小程序开发任务的相关技能,薪资待遇为每月5000元;则可以生成类型需求因子为灵活就业,任务要求因子为掌握微信小程序开发任务,薪资要求因子为5000元的需求评价画像。
在本申请实施例中,也可以利用数字来表示各个因子的值,例如任务要求因子中的掌握微信小程序开发任务的因子对应的数值为100,其他技能掌握程度的需求因子对应的数值设置为0,将薪资要求因子按照等级来设置等。
基于此,在确定了目标任务的需求数据后,就可以通过需求因子构建出该需求数据对应的需求评价画像,使得需求具象化,便于后续的匹配度计算。
请参阅图3,图3示出了本申请实施例提供的信息推送方法的S103的实现流程。
如图3所示,在本申请一实施例中,上述S103可以包括以下步骤:
S1031:根据待匹配用户的用户信息确定用户评价因子。
在本申请实施例中,用户评价因子用于表征对应用户技能或意向。上述用户信息可以包括用户在校期间的所有学习数据,因此,上述用户评价因子可以包括各个学习任务的岗位技能评价因子,团队协作能力评价因子、勤奋度评价因子等。
在本申请一实施例中,服务***还可以预先对用户信息进行分类整理和分析,确定出有用的评价求数据,例如,用户在校期间的所有学习数据,用户的求职意向数据等。
在本申请实施例中,上述用户评价因子可以包括但不限于:各个学习任务的岗位技能评价因子(技能掌握评价因子),团对协作能力评价因子、勤奋度评价因子、实践能力评价因子,以及用户的求职意向评价因子等。
在本申请一实施例中,学校在设置学习任务时,同样以“典型工作任务”的模式来设置学习任务。因此,上述用户在校期间的所有学习数据可以通过典型工作任务的学习和实训数据来表示。例如,用户为学习前端开发的学生,学习任务可以包括:程序基础、交互式网页制作、PHP服务***制作、前端框架制作、微信小程序制作等。
基于此,上述用户评价因子可以包括多个学习任务对应的用户评价因子,即用户评价因子可以包括用于评价技能掌握情况的技能掌握评价因子,例如:程序基础评价因子、交互式网页制作评价因子、PHP服务***制作评价因子、前端框架制作评价因子、微信小程序制作评价因子等。
在本申请实施例中,可以通过用户对各个学习任务的掌握程度来对应设置各个用户评价因子的数值。例如用户对程序基础的掌握程度为98%,则对应设置程序基础评价因子为98;用户对交互式网页制作的掌握程度为85%,则对应设置交互式网页制作评价因子为85;用户对微信小程序制作的掌握程度为45%,则对应设置微信小程序制作评价因子为45。
在另一实施例中,还可以根据用户对各个学习任务的掌握程度来量化用户评价因子,当用户对某个学习任务的掌握程度达到85%,则量化该学习任务对应的用户评价因子为1,表示该用户掌握了该学习任务的相关技能;用户对某个学习任务的掌握程度达不到85%,则量化该学习任务对应的用户评价因子为0,表示用户还未掌握该学习任务的相关技能。
示例性的,例如用户对程序基础的掌握程度为98%,则对应设置程序基础评价因子为1;用户对交互式网页制作的掌握程度为85%,则对应设置交互式网页制作评价因子为1;用户对微信小程序制作的掌握程度为45%,则对应设置微信小程序制作评价因子为0。
用户的团队协作能力评价因子也可以通过数值来表征,即可以根据用户个人完成的学习任务与团队协作完成的学习任务的比例,团队协作完成的学习任务中该用户的完成量等综合计算用户的团队协作能力的得分值,并通过该得分值表征该用户的团队协作能力评价因子。
用户的勤奋值评价因子可以通过用户的出勤比例,用户的学习时长等综合计算用户的勤奋值得分值,并通过该得分值表征该用户的勤奋值评价因子。
用户的求职意向评价因子可以包括但不限于薪资要求因子、求职类型因子等。
S1032:根据用户评价因子构建用户评价画像。
在确定了所有用户评价因子后,就可以构建出待匹配用户的用户评价画像。
即通过多个用户评价因子构成该用户的评价画像。
基于此,在确定了目标任务的需求数据后,就可以通过需求因子构建出该需求数据对应的需求评价画像,使得需求具象化,便于后续的匹配度计算。
请参阅图4,图4示出了本申请实施例提供的信息推送方法的S104的实现流程。
如图4所示,在本申请一实施例中,上述S104可以包括以下步骤:
S1041:根据用户匹配算法中的匹配维度和匹配维度的权重参数确定匹配度计算规则。
在本申请实施例中,为了更准确地评价用户是否适合目标任务的需求,可以通过用户匹配算法中各个匹配维度和匹配维度的权重参数确定匹配度计算规则,从而得到更适合目标任务的用人需求类型的优化用户匹配算法。
在本申请实施例中,匹配度计算规则中包括了多个不同匹配维度在用于匹配度计算时是否匹配的评价规则。
在本申请另一实施例中,上述根据用户匹配算法中匹配维度的权重参数确定匹配度计算规则可以是根据用户匹配算法中匹配维度的权重参数调整匹配度计算规则中的各匹配维度的比例参数。
示例性的,假设用户匹配算法中各个匹配维度的权重为:技能掌握程度的权重为0.4,协同能力的权重为0.1,用人时限的权重为0.1,实操需求的权重为0.4,则可以确定匹配度计算规则为:当技能掌握程度对应的因子对的重合度大于80%则认为两者匹配,否则认为两者不匹配,当协调能力对应的因子对的重合度大于20%则认为两者匹配,否则认为两者不匹配,当用人时限对应的因子对的重合度大于20%则认为两者匹配,否则认为两者不匹配,对于实操需求对应的因子对,对应的因子对的重合度大于80%则认为两者匹配,否则认为两者不匹配。
又示例性的,假设用户匹配算法中各个匹配维度的权重为:技能掌握程度的权重为0.1,协调能力的权重为0.4,实操需求的权重为0.25,用人时限的权重为0.25,则可以确定匹配度计算规则为:当技能掌握程度对应的因子对的重合度大于20%则认为两者匹配,否则认为两者不匹配,当协调能力对应的因子对的重合度大于80%则认为两者匹配,否则认为两者不匹配,当用人时限对应的因子对的重合度大于50%则认为两者匹配,否则认为两者不匹配,对于实操需求对应的因子对,对应的因子对的重合度大于50%则认为两者匹配,否则认为两者不匹配。S1042:计算所述用户评价画像和所述需求评价画像的重合度。
服务***在计算得到上述两个画像后,即对画像的外形调整完成后(即将两个画像中对应的因子进行对齐,可以计算上述两个画像之间的重合度。在本申请实施例中,上述计算两个画像之间的重合度包括计算两个画像中对应的因子的重合度。
在本申请实施例中,在计算优化后的用户评价画像与需求评价画像的重合度之前,需要先将用户评价画像和需求评价画像进行对齐。即需要先将用户评价画像的用户评价因子和需求评价画像的需求因子对应起来,然后再计算对齐后的因子的重合度,最后基于对齐后的各个因子的重合度计算出用户评价画像与需求评价画像的重合度。
示例性的,假设用户评价因子包括各个学习任务的岗位技能评价因子(技能掌握评价因子),团对协作能力评价因子、勤奋度评价因子、、实践能力评价因子,以及用户的求职意向评价因子等。而需求因子包括“典型工作任务”的工作技能掌握需求因子、团队协作能力需求因子、实践能力需求因子,以及招聘用人的用人时长需求因子等。就可以将岗位技能评价因子与工作技能掌握需求因子进行对齐,将团队协作能力评价因子与团队协作能力需求因子进行对齐,将实践能力评价因子与实践能力需求因子进行对齐,将用户求职意向评价因子中的求职类型(或工作类型意愿)因子与用人时长需求因子进行对齐,之后分别计算对应的因子的重合度,即分别计算岗位技能评价因子与工作技能掌握需求因子的重合度、实践能力评价因子与实践能力需求因子的重合度、用户求职意向评价因子中的求职类型因子和用人时长需求的重合度。
S1043:根据所述重合度和所述匹配度计算规则,计算所述待匹配用户与所述目标任务的匹配度。
在本申请实施例中,在确定了各个因子对的重合度后,就可以根据匹配度计算规则,确定出各个因子对是否匹配,再计算出匹配度。
在具体应用中,若对应的因子对匹配,则匹配度设置为0.1,若对应的因子对不匹配,则匹配度设置为0,最终将各个因子对的匹配度进行相加,就可以得到两个画像的匹配度,即可以得到待匹配用户与目标任务的匹配度。
示例性的,假设匹配度计算规则为:当技能掌握程度对应的因子对的重合度大于20%则认为两者匹配,否则认为两者不匹配,当协调能力对应的因子对的重合度大于80%则认为两者匹配,否则认为两者不匹配,当用人时限对应的因子对的重合度大于50%则认为两者匹配,否则认为两者不匹配,对于实操需求对应的因子对,对应的因子对的重合度大于50%则认为两者匹配,否则认为两者不匹配;技能掌握程度对应的因子对的重合度为35%,协调能力对应的因子对的重合度为60%,用人时限对应的因子对的重合度55%,实操需求对应的因子对的重合度为60%,则可以确定所述待匹配用户与所述目标任务的匹配度为0.3。
需要说明的是,若因子对匹配也可以确定匹配度为1、0.2、0.5等等数值,以上仅为示例而非限制。请参阅图5,图5示出了本申请实施例提供的信息推送方法的S104的实现流程。
如图5所示,在本申请一实施例中,上述S105可以包括以下步骤:
在S1051中,确定推荐用户个数。
在S1052中,根据所述待匹配用户与所述目标任务的匹配度,确定各个用户的推荐次序。
在S1053中,基于所述推荐次序,向所述目标任务的设备推送与所述推荐用户个数匹配的多个用户的用户信息。
在本申请实施例中,推荐用户个数可以根据招聘需求来确定,即可以确定该目标任务需要招聘几个用户。
上述根据待匹配用户与所述目标任务的匹配度具体可以是根据待匹配用户与所述目标任务的匹配度的大小对待匹配用户进行降序排序,之后选取该排序序列的前N个用户,获取前N个用户的用户信息,再将这些用户的用户信息推送到目标任务的设备中。N即推荐用户个数。
在本申请一个实施例中,上述用户信息还可以包括该用户的实训项目的相关资料。
即,在向用人单位节点推送用户时,可以将用户在学校或企业做过的实训项目的相关资料一同打包发送给用人单位节点,这样用人单位节点就可以通过实训项目更进一步的确定该用户是否能够满足该岗位的要求。对应于上文实施例所述的人才信息推荐方法,图6示出了本申请实施例提供的信息推荐装置结构框图,为了便于说明,仅示出了与本申请实施例相关的部分。
参照图6,该信息推荐装置60可以包括:需求画像构建模块61、匹配算法确定模块62、用户画像构建模块63、匹配模块64以及推荐模块65。其中:
需求画像构建模块61用于获取目标任务的需求数据,并根据目标任务的需求数据构建需求评价画像;
匹配算法确定模块62用于根据所述目标任务的需求数据确定用户匹配算法;
用户画像构建模块63用于获取待匹配用户的用户信息,并根据所述用户信息构建用户评价画像;
匹配模块64用于基于所述用户匹配算法、需求评价画像以及用户评价画像,计算所述待匹配用户与所述目标任务的匹配度;
推荐模块65用于根据所述待匹配用户与所述目标任务的匹配度确定信息推荐结果。
在一种可能的实现方式中,上述需求画像构建模块61包括需求因子确定单元和需求画像构建单元。其中:
需求因子确定单元用于根据目标任务的需求数据确定需求因子;
需求画像构建单元用于根据需求因子构建需求评价画像。
上述需求因子包括多个典型工作任务对应的需求因子
在一种可能的实现方式中,上述用户画像构建模块63包括评价因子确定单元和用户画像构建单元。其中:
评价因子确定单元用于根据待匹配用户的用户信息确定用户评价因子;
用户画像构建单元用于根据用户评价因子构建用户评价画像。
上述用户评价因子包括多个学习任务对应的用户评价因子。
在一种可能的实现方式中,上述匹配模块64包括:规则确定单元,第一计算单元和第二计算单元。其中:
规则确定单元用于根据用户匹配算法中的匹配维度和匹配维度的权重参数确定匹配度计算规则;
第一计算单元用于计算所述用户评价画像和所述需求评价画像的重合度;
第二计算单元用于根据所述重合度和所述匹配度计算规则,计算所述待匹配用户与所述目标任务的匹配度。
在一种可能的实现方式中,上述匹配算法确定模块62包括用人需求类型确定单元和匹配算法确定单元。其中:
用人需求类型确定单元用于根据所述目标需求数据确定用人需求类型;
匹配算法确定单元用于根据所述用人需求类型调用与所述用人需求类型对应的用户匹配算法。
在一种可能的实现方式中,上述匹配算法确定模块62可以包括用人需求类型确定单元和匹配算法调节单元。其中:
用人需求类型确定单元用于根据所述目标需求数据确定用人需求类型;
匹配算法调节单元用于根据所述用人需求类型调整初始用户匹配算法中各个匹配维度的权重,得到与所述用人需求类型对应的用户匹配算法。
在一种可能的实现方式中,上述推荐模块65包括:个数确定单元、次序确定单元以及推送单元。其中:
个数确定单元用于确定推荐用户个数;
次序确定单元用于根据所述待匹配用户与所述目标任务的匹配度,确定各个用户的推荐次序;
推送单元用于基于所述推荐次序,向所述目标任务的设备推送与所述推荐用户个数匹配的多个用户的用户信息。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
综上可以看出,本申请实施例提供的信息推荐装置,同样能够通过将被拖拽的对象进行序列化操作,并利用共享内存存储序列化数据,放置对象的应用程序通过访问该共享内存中的序列化数据,并进行反序列化操作就能够在第二应用程序中生成一个与被拖拽对象相同的对象实例,实现跨应用的对象拖拽,解决目前难以实现两个应用之间的对象拖拽的问题。
图7为本申请另一实施例提供的终端设备的结构示意图。如图7所示,该实施例的终端设备7包括:至少一个处理器70(图7中仅示出一个)处理器、存储器71以及存储在所述存储器71中并可在所述至少一个处理器70上运行的计算机程序72,所述处理器70执行所述计算机程序72时实现上述任意各个人才信息推荐方法实施例中的步骤。
该终端设备可包括,但不仅限于,处理器70、存储器71。本领域技术人员可以理解,图7仅仅是终端设备7的举例,并不构成对终端设备7的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备等。
所称处理器70可以是中央处理单元(Central Processing Unit,CPU),该处理器70还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器71在一些实施例中可以是所述终端设备7的内部存储单元,例如终端设备7的硬盘或内存。所述存储器71在另一些实施例中也可以是所述终端设备7的外部存储设备,例如所述终端设备7上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器71还可以既包括所述终端设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储操作***、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行时实现可实现上述各个方法实施例中的步骤。
基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/网络设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/网络设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种人才信息推荐方法,其特征在于,包括:
获取目标任务的需求数据,并根据目标任务的需求数据构建需求评价画像;
根据所述目标任务的需求数据确定用户匹配算法;其中,不同的用户匹配算法中各个匹配维度的权重值不同,所述用户匹配算法中的各个匹配维度的权重值根据对应的用人需求类型确定;
获取待匹配用户的用户信息,并根据所述用户信息构建用户评价画像;
基于所述用户匹配算法、需求评价画像以及用户评价画像,计算所述待匹配用户与所述目标任务的匹配度;
根据所述待匹配用户与所述目标任务的匹配度确定信息推荐结果。
2.如权利要求1所述的人才信息推荐方法,其特征在于,所述获取目标任务的需求数据,并根据目标任务的需求数据构建需求评价画像,包括:
根据目标任务的需求数据确定需求因子;
根据需求因子构建需求评价画像。
3.如权利要求1所述的人才信息推荐方法,其特征在于,所述获取待匹配用户的用户信息,并根据所述用户信息构建用户评价画像,包括:
根据待匹配用户的用户信息确定用户评价因子;
根据用户评价因子构建用户评价画像。
4.如权利要求2所述的人才信息推荐方法,其特征在于,所述需求因子包括多个典型工作任务对应的需求因子。
5.如权利要求3所述的人才信息推荐方法,其特征在于,所述用户评价因子包括多个学习任务对应的用户评价因子。
6.如权利要求1所述的人才信息推荐方法,其特征在于,所述根据所述目标任务的需求数据确定用户匹配算法,包括:
根据所述目标需求数据确定用人需求类型;
根据所述用人需求类型调用与所述用人需求类型对应的用户匹配算法;
或者,所述根据所述目标任务的需求数据确定用户匹配算法包括:
根据所述目标需求数据确定用人需求类型;
根据所述用人需求类型调整初始用户匹配算法中各个匹配维度的权重,得到与所述用人需求类型对应的用户匹配算法。
7.如权利要求1至6任一项所述的人才信息推荐方法,其特征在于,所述基于所述用户匹配算法、需求评价画像以及用户评价画像,计算所述待匹配用户与所述目标任务的匹配度,包括:
根据用户匹配算法中的匹配维度和匹配维度的权重参数确定匹配度计算规则;
计算所述用户评价画像和所述需求评价画像的重合度;
根据所述重合度和所述匹配度计算规则,计算所述待匹配用户与所述目标任务的匹配度。
8.一种信息推送装置,其特征在于,包括:
需求画像构建模块,用于获取目标任务的需求数据,并根据目标任务的需求数据构建需求评价画像;
匹配算法确定模块,用于根据所述目标任务的需求数据确定用户匹配算法;其中,不同的用户匹配算法中各个匹配维度的权重值不同,所述用户匹配算法中的各个匹配维度的权重值根据对应的用人需求类型确定;
用户画像构建模块,用于获取待匹配用户的用户信息,并根据所述用户信息构建用户评价画像;
匹配模块,用于基于所述用户匹配算法、需求评价画像以及用户评价画像,计算所述待匹配用户与所述目标任务的匹配度;
推荐模块,用于根据所述待匹配用户与所述目标任务的匹配度确定信息推荐结果。
9.一种服务***,包括存储器、处理器以及存储在所述存储器中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如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310286608.4A CN116452165B (zh) | 2023-03-22 | 2023-03-22 | 一种人才信息推荐方法、服务***及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310286608.4A CN116452165B (zh) | 2023-03-22 | 2023-03-22 | 一种人才信息推荐方法、服务***及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116452165A true CN116452165A (zh) | 2023-07-18 |
CN116452165B CN116452165B (zh) | 2024-05-24 |
Family
ID=87124711
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310286608.4A Active CN116452165B (zh) | 2023-03-22 | 2023-03-22 | 一种人才信息推荐方法、服务***及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116452165B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117635089A (zh) * | 2023-11-27 | 2024-03-01 | 上海梧桐范式数字科技有限公司 | 基于深度学习的人才推荐方法及*** |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077369A (zh) * | 2014-06-20 | 2014-10-01 | 用友软件股份有限公司 | 多维度数据的匹配装置和匹配方法 |
CN109558429A (zh) * | 2018-11-16 | 2019-04-02 | 广东百城人才网络股份有限公司 | 基于互联网大数据的人才服务双向推荐方法及*** |
CN109992721A (zh) * | 2019-04-19 | 2019-07-09 | 安徽工商职业学院 | 基于加权特征值的精准推荐算法 |
CN110019689A (zh) * | 2019-04-17 | 2019-07-16 | 北京网聘咨询有限公司 | 职位匹配方法和职位匹配*** |
CN110377804A (zh) * | 2019-06-20 | 2019-10-25 | 平安科技(深圳)有限公司 | 培训课程数据的推送方法、装置、***及存储介质 |
CN110414917A (zh) * | 2019-06-21 | 2019-11-05 | 东华大学 | 基于人才画像的招聘推荐方法 |
CN112035519A (zh) * | 2020-08-28 | 2020-12-04 | 中国平安人寿保险股份有限公司 | 用户画像方法、装置、计算机可读存储介质及终端设备 |
KR102278627B1 (ko) * | 2021-01-19 | 2021-07-19 | 주식회사 링크스타터랩 | 구인구직 매칭 장치 및 그의 구인구직 매칭 방법 |
WO2021147557A1 (zh) * | 2020-08-28 | 2021-07-29 | 平安科技(深圳)有限公司 | 客户画像方法、装置、计算机可读存储介质及终端设备 |
CN113254833A (zh) * | 2021-06-07 | 2021-08-13 | 深圳市中元产教融合科技有限公司 | 一种基于产教融合的信息推送的方法及服务*** |
US20210312395A1 (en) * | 2020-04-03 | 2021-10-07 | Mitsubishi Electric Research Laboratories, Inc. | System and Method for Using Human Relationship Structures for Email Classification |
CN113656686A (zh) * | 2021-07-26 | 2021-11-16 | 深圳市中元产教融合科技有限公司 | 一种基于产教融合的任务报告的生成方法及服务*** |
CN113744030A (zh) * | 2021-09-08 | 2021-12-03 | 未鲲(上海)科技服务有限公司 | 基于ai用户画像的推荐方法、装置、服务器及介质 |
CN113947322A (zh) * | 2021-10-25 | 2022-01-18 | 国能大渡河大数据服务有限公司 | 一种基于FP-Growth算法的画像匹配方法及*** |
CN113988825A (zh) * | 2021-12-28 | 2022-01-28 | 深圳共链科技有限公司 | 基于用户画像的职位推荐方法、装置、终端及可读存储介质 |
JP2022139047A (ja) * | 2021-03-11 | 2022-09-26 | ミイダス株式会社 | 拡張現実空間におけるジョブマッチング方法 |
CN115408423A (zh) * | 2021-05-27 | 2022-11-29 | 中国联合网络通信集团有限公司 | 业务处理方法、装置、设备及存储介质 |
CN115659044A (zh) * | 2022-11-09 | 2023-01-31 | 之江实验室 | 一种人岗匹配的推荐方法、***、电子设备、存储介质 |
CN115759667A (zh) * | 2022-11-26 | 2023-03-07 | 企知道网络技术有限公司 | 一种人才信息智能匹配方法、***、设备及介质 |
CN115775140A (zh) * | 2023-02-10 | 2023-03-10 | 北京中科航天人才服务有限公司 | 一种城市人才规划与人力资源智能调配***及方法 |
CN115795150A (zh) * | 2022-11-24 | 2023-03-14 | 之江实验室 | 一种基于特征离散系数和注意力机制的智能人岗匹配方法 |
-
2023
- 2023-03-22 CN CN202310286608.4A patent/CN116452165B/zh active Active
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077369A (zh) * | 2014-06-20 | 2014-10-01 | 用友软件股份有限公司 | 多维度数据的匹配装置和匹配方法 |
CN109558429A (zh) * | 2018-11-16 | 2019-04-02 | 广东百城人才网络股份有限公司 | 基于互联网大数据的人才服务双向推荐方法及*** |
CN110019689A (zh) * | 2019-04-17 | 2019-07-16 | 北京网聘咨询有限公司 | 职位匹配方法和职位匹配*** |
CN109992721A (zh) * | 2019-04-19 | 2019-07-09 | 安徽工商职业学院 | 基于加权特征值的精准推荐算法 |
CN110377804A (zh) * | 2019-06-20 | 2019-10-25 | 平安科技(深圳)有限公司 | 培训课程数据的推送方法、装置、***及存储介质 |
CN110414917A (zh) * | 2019-06-21 | 2019-11-05 | 东华大学 | 基于人才画像的招聘推荐方法 |
US20210312395A1 (en) * | 2020-04-03 | 2021-10-07 | Mitsubishi Electric Research Laboratories, Inc. | System and Method for Using Human Relationship Structures for Email Classification |
WO2021147557A1 (zh) * | 2020-08-28 | 2021-07-29 | 平安科技(深圳)有限公司 | 客户画像方法、装置、计算机可读存储介质及终端设备 |
CN112035519A (zh) * | 2020-08-28 | 2020-12-04 | 中国平安人寿保险股份有限公司 | 用户画像方法、装置、计算机可读存储介质及终端设备 |
KR102278627B1 (ko) * | 2021-01-19 | 2021-07-19 | 주식회사 링크스타터랩 | 구인구직 매칭 장치 및 그의 구인구직 매칭 방법 |
JP2022139047A (ja) * | 2021-03-11 | 2022-09-26 | ミイダス株式会社 | 拡張現実空間におけるジョブマッチング方法 |
CN115408423A (zh) * | 2021-05-27 | 2022-11-29 | 中国联合网络通信集团有限公司 | 业务处理方法、装置、设备及存储介质 |
CN113254833A (zh) * | 2021-06-07 | 2021-08-13 | 深圳市中元产教融合科技有限公司 | 一种基于产教融合的信息推送的方法及服务*** |
CN113656686A (zh) * | 2021-07-26 | 2021-11-16 | 深圳市中元产教融合科技有限公司 | 一种基于产教融合的任务报告的生成方法及服务*** |
CN113744030A (zh) * | 2021-09-08 | 2021-12-03 | 未鲲(上海)科技服务有限公司 | 基于ai用户画像的推荐方法、装置、服务器及介质 |
CN113947322A (zh) * | 2021-10-25 | 2022-01-18 | 国能大渡河大数据服务有限公司 | 一种基于FP-Growth算法的画像匹配方法及*** |
CN113988825A (zh) * | 2021-12-28 | 2022-01-28 | 深圳共链科技有限公司 | 基于用户画像的职位推荐方法、装置、终端及可读存储介质 |
CN115659044A (zh) * | 2022-11-09 | 2023-01-31 | 之江实验室 | 一种人岗匹配的推荐方法、***、电子设备、存储介质 |
CN115795150A (zh) * | 2022-11-24 | 2023-03-14 | 之江实验室 | 一种基于特征离散系数和注意力机制的智能人岗匹配方法 |
CN115759667A (zh) * | 2022-11-26 | 2023-03-07 | 企知道网络技术有限公司 | 一种人才信息智能匹配方法、***、设备及介质 |
CN115775140A (zh) * | 2023-02-10 | 2023-03-10 | 北京中科航天人才服务有限公司 | 一种城市人才规划与人力资源智能调配***及方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117635089A (zh) * | 2023-11-27 | 2024-03-01 | 上海梧桐范式数字科技有限公司 | 基于深度学习的人才推荐方法及*** |
CN117635089B (zh) * | 2023-11-27 | 2024-05-07 | 上海梧桐范式数字科技有限公司 | 基于深度学习的人才推荐方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN116452165B (zh) | 2024-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Samoilenko et al. | Using Data Envelopment Analysis (DEA) for monitoring efficiency-based performance of productivity-driven organizations: Design and implementation of a decision support system | |
CN110717671B (zh) | 一种确定参与方贡献度的方法及装置 | |
CN114819924B (zh) | 一种基于画像分析的企业信息推送处理方法及设备 | |
CN109214448B (zh) | 非绩优人员培训方法、***、终端及计算机可读存储介质 | |
CN116452165B (zh) | 一种人才信息推荐方法、服务***及存储介质 | |
WO2020151170A1 (zh) | 一种岗位画像设置方法、岗位画像设置装置及终端设备 | |
CN109685462A (zh) | 一种人岗匹配方法、装置、***、设备及介质 | |
CN112862641A (zh) | 退役军人培训推荐方法、设备及存储介质 | |
CN113807728A (zh) | 基于神经网络的绩效考核方法、装置、设备及存储介质 | |
Zou et al. | Does artificial intelligence promote industrial upgrading? Evidence from China | |
Mohammadrezaytayebi et al. | Introducing a system dynamic–based model of quality estimation for construction industry subcontractors’ works | |
Menshikova et al. | Digital transformation in the quality management system | |
CN112766816B (zh) | 活动安全风险评估方法、***以及设备 | |
CN114140009A (zh) | 电网配网工程技术评审方法、装置、终端及存储介质 | |
CN110489394A (zh) | 中间数据处理方法及设备 | |
CN113516065B (zh) | 基于区块链的资料权重测算方法、装置、服务器及存储介质 | |
CN115358894A (zh) | 一种知识产权生命周期托管管理方法、装置、设备及介质 | |
CN115577983A (zh) | 基于区块链的企业任务匹配方法、服务器及存储介质 | |
Rahayu | Utilization of artificial intelligence in tax audit in Indonesia | |
CN115204501A (zh) | 企业评估方法、装置、计算机设备和存储介质 | |
JP7030583B2 (ja) | シラバスを利用したマッチング装置 | |
CN110889635A (zh) | 一种用于对食品安全事件的处理进行应急演练的方法 | |
CN111210376A (zh) | 乡村数字化程度评估方法及装置 | |
CN113627883B (zh) | 一种云定制招聘会方法及*** | |
CN110210959A (zh) | 财务数据的分析方法、装置及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |