CN116523268A - 一种基于大数据画像的人岗匹配分析方法及装置 - Google Patents
一种基于大数据画像的人岗匹配分析方法及装置 Download PDFInfo
- Publication number
- CN116523268A CN116523268A CN202310789551.XA CN202310789551A CN116523268A CN 116523268 A CN116523268 A CN 116523268A CN 202310789551 A CN202310789551 A CN 202310789551A CN 116523268 A CN116523268 A CN 116523268A
- Authority
- CN
- China
- Prior art keywords
- post
- portrait
- user
- talent
- information
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 43
- 239000013598 vector Substances 0.000 claims abstract description 133
- 239000011159 matrix material Substances 0.000 claims description 58
- 238000000605 extraction Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000002372 labelling Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000010191 image analysis Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 5
- 101000637771 Homo sapiens Solute carrier family 35 member G1 Proteins 0.000 claims 1
- 102000053339 human SLC35G1 Human genes 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 13
- 230000007115 recruitment Effects 0.000 description 38
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 7
- 230000008520 organization Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 108010068977 Golgi membrane glycoproteins Proteins 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 241000288113 Gallirallus australis Species 0.000 description 1
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063112—Skill-based matching of a person or a group to a task
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及人岗匹配技术领域，揭露了一种基于大数据画像的人岗匹配分析方法及装置，其方法包括：获取待招聘岗位信息，查询所述待招聘岗位信息对应的人员需求；提取所述人才画像的画像特征，对所述画像特征进行特征分类，得到分类画像特征；利用预构建的岗位匹配模型计算所述画像数据向量和所述岗位信息向量的向量相似度；将所述待招聘岗位信息和所述人才画像对应的画像用户进行聚类，得到聚类用户‑岗位列表，识别所述聚类用户‑岗位列表中的用户‑岗位类别；提取所述用户‑岗位标签对应的标签序号，计算所述标签序号的权重占比，根据所述权重占比，生成所述待招聘岗位信息的人才推荐列表。本发明在于提高大数据画像下的人岗匹配效率。
Description
技术领域
本发明涉及人岗匹配技术领域，尤其涉及一种基于大数据画像的人岗匹配分析方法及装置。
背景技术
人岗匹配是又称为职业能力匹配，是一种比较个人能力和职位要求来评估个人适合特定职位的方法，通过比较招聘职位或岗位的职责和要求，以及应聘者的技能、能力和经验等方面的能力水平，确定其是否适合或适应该职位。
现有技术中，人岗匹配技术虽然可以有效地获取和整合各类数据源和信息，将这些数据汇总后可以形成包含各种维度和类型的详细图表，但是由于需要处理大量的人才和岗位信息数据，会降低数据质量的稳定性，从而影响到匹配分析结果的准确性，因此，需要一种基于大数据画像的人岗匹配分析方法，以便提高人岗匹配分析准确性。
发明内容
本发明提供一种基于大数据画像的人岗匹配分析方法及装置，其主要目的在于提高大数据画像下的人岗匹配效率。
为实现上述目的，本发明提供的基于大数据画像的人岗匹配分析方法，包括：
获取待招聘岗位信息，查询所述待招聘岗位信息对应的人员需求，根据所述人员需求，在预设的人才储备库中进行画像抽取，得到人才画像；
提取所述人才画像的画像特征，对所述画像特征进行特征分类，得到分类画像特征，识别所述分类画像特征中的画像特征因子，计算所述画像特征因子的特征系数；
根据所述特征系数，将所述人才画像转化为画像数据矩阵，对所述画像数据矩阵和所述待招聘岗位信息进行数据向量提取，得到画像数据向量和岗位信息向量，利用预构建的岗位匹配模型计算所述画像数据向量和所述岗位信息向量的向量相似度；
根据所述向量相似度，将所述待招聘岗位信息和所述人才画像对应的画像用户进行聚类，得到聚类用户-岗位列表；
识别所述聚类用户-岗位列表中的用户-岗位类别，基于用户-岗位类别，分别提取所述聚类用户-岗位列表中的用户特征和岗位特征，对所述用户特征和所述岗位特征进行标签化处理，得到用户标签和岗位标签，对所述用户标签和所述岗位标签进行标签匹配，得到用户-岗位标签；
提取所述用户-岗位标签对应的标签序号，计算所述标签序号的权重占比，根据所述权重占比，生成所述待招聘岗位信息的人才推荐列表。
可选地，所述根据所述人员需求，在预设的人才储备库中进行画像抽取，得到人才画像，包括：
获取所述人员需求对应的人才需求指标；
根据所述人才需求指标，筛选预设的人才储备库中的人才信息；
对所述人才信息进行画像分析，得到所述人才信息对应的画像分析结果；
将所述画像分析结果进行画像抽取，得到人才画像。
可选地，所述对所述画像特征进行特征分类，得到分类画像特征，包括：
识别所述画像特征的特征类型；
提取所述特征类型的特征关键词；
根据所述特征关键词，构建所述画像特征对应特征分类表；
查询所述特征分类表中的分类特征；
对所述分类特征进行画像识别得到分类画像特征。
可选地，所述计算所述画像特征因子之间的相似度，包括：
通过下述公式计算所述画像特征因子之间的相似度：
其中，R(E,F)表示所述画像特征因子之间的相似度，n表示所述画像特征因子对应的样本数量，表示所述画像特征因子中其他因子对应参数第i个参数序号，/>表示所述画像特征因子中其他因子对应参数的样本均值，/>表示所述画像特征因子对应参数第i个参数序号，/>表示所述画像特征因子对应参数的样本均值，i表示参数序号。
可选地，所述根据所述特征系数，将所述人才画像转化为画像数据矩阵，包括：
提取所述特征系数中的系数值；
根据所述系数值，获得所述人才画像对应的灰度图像；
将所述灰度图像转化为数字矩阵；
对所述数字矩阵进行归一化处理，得到归一化矩阵；
提取所述归一化矩阵中的矩阵像素点；
将所述矩阵像素点进行重构建，得到所述人才画像对应的画像数据矩阵。可选地，所述利用预构建的岗位匹配模型计算所述画像数据向量和所述岗位信息向量的向量相似度，包括：
利用下述公式计算所述画像数据向量和所述岗位信息向量的向量相似度：
其中，所述表示所述画像数据向量和所述岗位信息向量的向量相似度，所述/>表示所述画像数据向量第p个参数向量的向量均值，所述/>表示所述岗位信息向量的向量均值，所述/>表示所述画像数据向量第p个参数向量的向量均值的平方值，所述p表示向量序号。
可选地，所述根据所述向量相似度，将所述待招聘岗位信息和所述人才画像对应的画像用户进行聚类，得到聚类用户-岗位列表，包括：
根据所述向量相似度，提取所述待招聘岗位信息和所述人才画像对应的特征因子，得到岗位特征因子和人才特征因子；
利用预设的聚类算法计算所述岗位特征因子和所述人才特征因子的聚类因子；
根据所述聚类因子，构建所述用户画像对应的聚类用户-岗位列表。
可选的，所述基于用户-岗位类别，分别提取所述聚类用户-岗位列表中的用户特征和岗位特征，包括：
确认所述用户-岗位类别中的类别类型；
根据所述类别类型，识别所述聚类用户-岗位列表中的用户信息和岗位信息；
对所述用户信息和所述岗位信息分别进行关键特征提取，得到关键用户特征和关键岗位特征；
对所述关键用户特征和所述关键岗位特征进行特征筛选，得到用户特征和岗位特征。
可选的，所述计算所述标签序号的权重占比，包括：
利用下述公式计算所述标签序号的权重占比：
其中，W(c)表示第c个标签的权重占比，N表示标签总数，c表示标签序号。
一种基于大数据画像的人岗匹配分析装置，其特征在于，所述装置包括：
画像抽取模块，用于获取待招聘岗位信息，查询所述待招聘岗位信息对应的人员需求，根据所述人员需求，在预设的人才储备库中进行画像抽取，得到人才画像；
特征系数计算模块，用于提取所述人才画像的画像特征，对所述画像特征进行特征分类，得到分类画像特征，识别所述分类画像特征中的画像特征因子，计算所述画像特征因子的特征系数；
相似度计算模块，用于根据所述特征系数，将所述人才画像转化为画像数据矩阵，对所述画像数据矩阵和所述待招聘岗位信息进行数据向量提取，得到画像数据向量和岗位信息向量，利用预构建的岗位匹配模型计算所述画像数据向量和所述岗位信息向量的向量相似度；
列表聚类模块，用于根据所述向量相似度，将所述待招聘岗位信息和所述人才画像对应的画像用户进行聚类，得到聚类用户-岗位列表；
标签匹配模块，用于识别所述聚类用户-岗位列表中的用户-岗位类别，基于用户-岗位类别，分别提取所述聚类用户-岗位列表中的用户特征和岗位特征，对所述用户特征和所述岗位特征进行标签化处理，得到用户标签和岗位标签，对所述用户标签和所述岗位标签进行标签匹配，得到用户-岗位标签；
列表生成模块，用于提取所述用户-岗位标签对应的标签序号，计算所述标签序号的权重占比，根据所述权重占比，生成所述待招聘岗位信息的人才推荐列表。
本发明通过获取待招聘岗位信息，可以让求职者更深入地了解所在行业和市场的需求，有针对性地选择自己擅长的领域和方向，从而提高求职的效率和成功率，本发明通过提取所述人才画像的画像特征可以帮助企业更全面地了解员工的个人情况和职业能力，进而对员工进行更有针对性的人才管理和培养，其中，本发明通过根据所述特征系数，将所述人才画像转化为画像数据矩阵，有利于将复杂的人才画像信息转化为结构化的数据形式，便于后续进行数据分析和建模；此外，本发明通过根据所述向量相似度，将所述待招聘岗位信息和所述人才画像对应的画像用户进行聚类，得到聚类用户-岗位列表，可以将相似的用户分到同一群体中，从而针对不同的群体建立不同的匹配模型，实现更精准的人才匹配，提高精准度和效率，本发明通过识别所述聚类用户-岗位列表中的用户-岗位类别，可以根据不同的岗位需求和用户特点，更合理地分配工作内容和工作时间，提高工作效率和生产力。因此，本发明实施例提供的一种基于大数据画像的人岗匹配分析方法及装置，能够提高大数据画像下的人岗匹配效率。
附图说明
图1为本发明一实施例提供的基于大数据画像的人岗匹配分析方法的流程示意图；
图2为本发明一实施例提供的基于大数据画像的人岗匹配分析装置的功能模块图；
图3为本发明一实施例提供的实现所述基于大数据画像的人岗匹配分析方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供基于大数据画像的人岗匹配分析方法。本申请实施例中，所述基于大数据画像的人岗匹配分析方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于大数据画像的人岗匹配分析方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和大数据画像下平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的基于大数据画像的人岗匹配分析方法的流程示意图。在本实施例中，所述基于大数据画像的人岗匹配分析方法包括步骤S1—S6。
S1、获取待招聘岗位信息，查询所述待招聘岗位信息对应的人员需求，根据所述人员需求，在预设的人才储备库中进行画像抽取，得到人才画像。
本发明通过获取待招聘岗位信息，可以让求职者更深入地了解所在行业和市场的需求，有针对性地选择自己擅长的领域和方向，从而提高求职的效率和成功率。
其中，所述待招聘岗位信息是指企业或招聘机构发布的尚未填补的职位空缺信息，包括职位名称、工作地点、岗位职责和任职要求等详细信息，可选的，所述待招聘岗位信息可以通过招聘网站、社交媒体平台、招聘广告等途径进行获取。
进一步地，本发明通过查询所述待招聘岗位信息对应的人员需求，可以帮助企业和招聘机构了解目前市场上所需人才的情况，从而更好地制定招聘计划，以便在市场竞争中占据优势地位，提高招聘效率。
其中，所述人员需求是指企业或组织在特定时间段内为了完成其业务目标而需要招聘或调整人员数量和结构的需求，可选的，所述人员需求可以通过招聘信息平台、职业社交平台、企业或机构官网等途径进行获取。
本发明通过根据所述人员需求，在预设的人才储备库中进行画像抽取，得到人才画像，可以对大量的人才数据进行分类和分析，并根据其中包含的画像提供针对性的建议或方案，帮助企业或组织更好地进行人才管理和发展，其中，所述人才储备库是指企业或组织通过各种方式，获取的潜在候选人信息进行整合、管理和储存的***，如：招聘、社交网络、人才市场等。
作为本发明的一个实施例，所述根据所述人员需求，在预设的人才储备库中进行画像抽取，得到人才画像，包括：获取所述人员需求对应的人才需求指标；根据所述人才需求指标，筛选预设的人才储备库中的人才信息；对所述人才信息进行画像分析，得到所述人才信息对应的画像分析结果；将所述画像分析结果进行画像抽取，得到人才画像。
其中，所述人才需求指标是指企业或组织在招聘或推广人才时所设置的标准或要求，包括各种人才的基本素质、工作经验、技能水平、语言能力、学历背景、职业能力等方面的指标要求；所述人才信息是指是指关于个人或组织的各种人才资源的信息，包括：个人基本信息、教育背景、工作背景、技能水平等方面信息；所述画像分析结果是指通过对个人或群体的人才信息进行分析，从中提取出个人或群体的特点、偏好以及发展潜力等方面的信息和预测结果。
进一步地，所述人才需求指标可以通过市场调查、组织策略、招聘需求等途径进行获取；所述人才信息可以通过招聘网站、校园招聘、人才市场等方法筛选获得；所述对所述人才信息进行画像分析可以通过关键人才分析算法实现，其中，所述关键人才分析算法是基于数据挖掘及可视化等技术；所述将所述画像分析结果进行画像抽取可以通过画像抽取工具实现，如：Kettle工具。
S2、提取所述人才画像的画像特征，对所述画像特征进行特征分类，得到分类画像特征，识别所述分类画像特征中的画像特征因子，计算所述画像特征因子的特征系数。
本发明通过提取所述人才画像的画像特征可以帮助企业更全面地了解员工的个人情况和职业能力，进而对员工进行更有针对性的人才管理和培养。
其中，所述画像特征是指是对个体的关键信息、能力和素质进行提取和归纳后形成的特征描述，可选的，所述画像特征可以通过特诊提取工具获取，如：Scikit-learn、MATLAB等工具。
进一步地，本发明通过对所述画像特征进行特征分类，得到分类画像特征，可以帮助我们更加深入地了解员工的特征和特点，有利于组织制定更加科学和有效的人力资源管理策略，其中，所述分类画像特征是指根据不同的特征将所述人才画像分为不同的类别，如：职业、行为、能力、个性等特征。
作为本发明的一个实施例，所述对所述画像特征进行特征分类，得到分类画像特征，包括：识别所述画像特征的特征类型；提取所述特征类型的特征关键词；根据所述特征关键词，构建所述画像特征对应特征分类表；查询所述特征分类表中的分类特征；对所述分类特征进行画像识别得到分类画像特征。
其中，所述特征类型是指将所述画像特征的中的特征或属性，按照其类型进行分类；所述特征关键词是指所述特征类型较为重要或有代表性的属性名称或特定的值；所述特征分类表是指一种用于描述数据特征分类的表格；所述分类特征是指用于识别和描述不同类别特征或标签的特定数据特征。
进一步地，所述特征类型可以通过数据处理库识别得到，所述数据处理库包括：Numpy、Pandas、Scikit-learn等；所述特征关键词可以通过文本挖掘工具提取获得，所述文本挖掘工具如：Python、Gensim等工具；所述构建所述画像特征对应特征分类表可以通过Scikit-Learn库实现：所述对所述分类特征进行画像识别可以通过OpenCV工具实现。
本发明通过识别所述分类画像特征中的画像特征因子，可以更好地了解其技能、经验、价值观和工作方式等，从而能够将其与相应的岗位进行匹配，提高人岗匹配的准确性和效率。
其中，所述画像特征因子是指描述一个候选人或一个岗位所需的各种属性或特征因子，此外的，所述识别所述分类画像特征中的画像特征因子可以通过数据提取工具实现，如：SPSS、Orange等工具。
本发明通过计算所述画像特征因子的特征系数，可以帮助企业更好地了解候选人的个性化特征和技能能力，从而更加准确地匹配合适的人才到岗位上，其中，所述特征系数是指通过对待聘人才和所述人才画像的画像特征因子进行比较与计算而得出的评估系数。
作为本发明的一个可选实施例，所述计算所述画像特征因子之间的相似度，包括：
通过下述公式计算所述画像特征因子之间的相似度：
其中，R(E,F)表示所述画像特征因子之间的相似度，n表示所述画像特征因子对应的样本数量，表示所述画像特征因子中其他因子对应参数第i个参数序号，/>表示所述画像特征因子中其他因子对应参数的样本均值，/>表示所述画像特征因子对应参数第i个参数序号，/>表示所述画像特征因子对应参数的样本均值，i表示参数序号，
S3、根据所述特征系数，将所述人才画像转化为画像数据矩阵，对所述画像数据矩阵和所述待招聘岗位信息进行数据向量提取，得到画像数据向量和岗位信息向量，利用预构建的岗位匹配模型计算所述画像数据向量和所述岗位信息向量的向量相似度。
本发明通过根据所述特征系数，将所述人才画像转化为画像数据矩阵，有利于将复杂的人才画像信息转化为结构化的数据形式，便于后续进行数据分析和建模，其中，所述画像数据矩阵是指是将所述人才画像信息转化为结构化的数据形式后所得到的一个矩阵，通常由多个行和列组成。
作为本发明的一个实施例，所述根据所述特征系数，将所述人才画像转化为画像数据矩阵，包括：提取所述特征系数中的系数值；根据所述系数值，获得所述人才画像对应的灰度图像；将所述灰度图像转化为数字矩阵；对所述数字矩阵进行归一化处理，得到归一化矩阵；提取所述归一化矩阵中的矩阵像素点；将所述矩阵像素点进行重构建，得到所述人才画像对应的画像数据矩阵。
其中，所述系数值是指与所述人才画像相关的数字因子；所述灰度图像是指一种图像类型，其中每个像素的颜色只由一个灰度值表示；所述数字矩阵是指用于进行矩阵运算、数据分析的数字矩形网格；所述归一化处理是指将所述数字矩阵中的数据调整到一个标准范围内，从而更方便处理和比较不同数据之间的差异；所述归一化矩阵是指将一个矩阵的每个元素进行归一化处理后得到的新矩阵；所述矩阵像素点是指在所述归一化矩阵中的一个元素，每个元素代表着图像中的一个小区域，这个小区域里包含了图像的一部分信息。
进一步地，所述系数值可以通过线性回归模型提取；所述灰度图像可以通过图像处理库获得，如：OpenCV、Pillow等；所述将所述灰度图像转化为数字矩阵可以通过图像处理软件实现，如：Photoshop、GIMP等；所述对所述数字矩阵进行归一化处理可以通过编程语言实现，如：Python、Matlab等；所述提取所述归一化矩阵中的矩阵像素点可以通过像素提取工具实现，如：GIMP工具；所述对所述矩阵像素点进行重构建可以通过聚类算法实现，如：k-means算法。
本发明通过对所述画像数据矩阵和所述待招聘岗位信息进行数据向量提取，得到画像数据向量和岗位信息向量，有利于后续使用计算机算法和模型进行匹配分析，以提供更高效、准确的人才招聘方案和决策支持。
其中，所述画像数据向量是指将候选人的所述画像数据矩阵转换为一个向量，该向量包含了候选人的各种特征信息；所述岗位信息向量是指将一份招聘岗位的信息提取为一个向量，该向量包含了招聘岗位的各种要求和需求。
进一步地，对所述画像数据矩阵和所述待招聘岗位信息进行数据向量提取，其中，所述画像数据矩阵可以通过卷积神经网络或特征点提取实现数据向量提取；所述待招聘岗位信息可以通过将其文本信息进行词频统计或TF-IDF加权实现数据向量提取。
本发明通过利用预构建的岗位匹配模型计算所述画像数据向量和所述岗位信息向量的向量相似度，可以将候选人的画像数据与所述招聘岗位信息进行匹配和比较，从而实现人才精准匹配，缩短招聘周期，提高招聘效率。
其中，所述向量相似度是指所述画像数据向量和所述岗位信息向量的向量相似程度。
作为本发明的有一个实施例，利用预构建的岗位匹配模型计算所述画像数据向量和所述岗位信息向量的向量相似度，包括：
利用下述公式计算所述画像数据向量和所述岗位信息向量的向量相似度：
其中，所述表示所述画像数据向量和所述岗位信息向量的向量相似度，所述/>表示所述画像数据向量第p个参数向量的向量均值，所述/>表示所述岗位信息向量的向量均值，所述/>表示所述画像数据向量第p个参数向量的向量均值的平方值，所述p表示向量序号。
S4、根据所述向量相似度，将所述待招聘岗位信息和所述人才画像对应的画像用户进行聚类，得到聚类用户-岗位列表。
本发明通过根据所述向量相似度，将所述待招聘岗位信息和所述人才画像对应的画像用户进行聚类，得到聚类用户-岗位列表，可以将相似的用户分到同一群体中，从而针对不同的群体建立不同的匹配模型，实现更精准的人才匹配，提高精准度和效率。
其中，所述聚类用户-岗位列表是指将用户根据其职业、工作经验和技能等因素进行分类，然后把每个用户所适合的岗位列出来形成的一个列表。
作为本发明的一个实施例，所述根据所述向量相似度，将所述待招聘岗位信息和所述人才画像对应的画像用户进行聚类，得到聚类用户-岗位列表，包括：根据所述向量相似度，提取所述待招聘岗位信息和所述人才画像对应的特征因子，得到岗位特征因子和人才特征因子；利用预设的聚类算法计算所述岗位特征因子和所述人才特征因子的聚类因子；根据所述聚类因子，构建所述用户画像对应的聚类用户-岗位列表。
其中，所述特征因子是指对所述待招聘岗位信息和所述人才画像中数据进行描述和区分的一个或多个的特征表现；所述聚类因子是指聚类分析中，用来将数据点划分为不同簇的属性或指标。
进一步地，所述提取所述待招聘岗位信息和所述人才画像对应的特征因子可以通过线性回归模型提取获得；所述计算所述岗位特征因子和所述人才特征因子的聚类因子可以通过预设的聚类算法实现；所述构建所述用户画像对应的聚类用户-岗位列表可以通过R工具实现，所述R工具内置多个聚类算法，如：K-Means、层次聚类、DBSCAN等算法。
S5、识别所述聚类用户-岗位列表中的用户-岗位类别，基于用户-岗位类别，分别提取所述聚类用户-岗位列表中的用户特征和岗位特征，对所述用户特征和所述岗位特征进行标签化处理，得到用户标签和岗位标签，对所述用户标签和所述岗位标签进行标签匹配，得到用户-岗位标签。
本发明通过识别所述聚类用户-岗位列表中的用户-岗位类别，可以根据不同的岗位需求和用户特点，更合理地分配工作内容和工作时间，提高工作效率和生产力。
其中，所述用户-岗位类别是指根据一定的聚类算法和数据分析技术，将人员和岗位按照某些特定的属性，进行分类和划分的结果，可选的，所述识别所述聚类用户-岗位列表中的用户-岗位类别可以通过数据挖掘工具实现，如：SPSS、R、Python等工具。
本发明通过基于用户-岗位类别，分别提取所述聚类用户-岗位列表中的用户特征和岗位特征，包括：确认所述用户-岗位类别中的类别类型；根据所述类别类型，识别所述聚类用户-岗位列表中的用户信息和岗位信息；对所述用户信息和所述岗位信息分别进行关键特征提取，得到关键用户特征和关键岗位特征；对所述关键用户特征和所述关键岗位特征进行特征筛选，得到用户特征和岗位特征。
其中，所述类别类型是指对所述用户-岗位类别进行分类和标记的一组类别；所述用户信息是指招聘网站注册的用户的个人信息；所述岗位信息是指发布在招聘网站上的招聘岗位信息；所述关键用户特征是指在人才招聘领域中，用于描述和评估求职者个人能力和潜在表现的关键因素或特征；所述关键岗位特征是指在人才招聘领域中，用于描述和评估招聘岗位要求和职位表现的关键因素或特征。
进一步地，所述确认所述用户-岗位类别中的类别类型可以通过OCR工具实现；所述识别所述聚类用户-岗位列表中的用户信息和岗位信息可以通过NLP算法实现；所述对所述用户信息和所述岗位信息分别进行关键特征提取可以通过Weka工具实现；所述对所述关键用户特征和所述关键岗位特征进行特征筛选可以通过Scikit-learn筛选工具实现。
本发明通过对所述用户特征和所述岗位特征进行标签化处理，得到用户标签和岗位标签，企业可以基于用户或岗位标签信息，提高数据分析的精度和准确性，预测未来人才需求、人才储备、流失率等关键指标，为企业战略规划提供参考，向求职者推荐最合适的职位或个人发展方向。
其中，所述用户标签是指对用户特征进行标签化处理后得到的描述用户特征的一组标签，其包括：年龄、学历、工作年限、所在城市、求职意向、专业技能、语言能力、薪资要求等；所述岗位标签是指对企业所需招聘职位进行标签化处理后得到的描述职位特征的一组标签，其包括：岗位名称、所需专业、工作地点、薪水范围、工作经验要求、学历要求、语言要求、技能要求等。
进一步地，所述对所述用户特征和所述岗位特征进行标签化处理可以通过深度学习模型实现，如：卷积神经网络、循环神经网络等。
本发明通过对所述用户标签和所述岗位标签进行标签匹配，得到用户-岗位标签，可以更加准确地量化求职者与职位之间的匹配程度，避免企业在招聘过程中投入过多的资源、时间和资金，使得企业招聘战略进行更加深入和全面的分析和优化，从而降低企业的招聘成本。
其中，所述用户-岗位标签是指将所述用户标签与所述岗位标签的匹配标签，可选的，所述对所述用户标签和所述岗位标签进行标签匹配可以通过NLP工具实现。
S6、提取所述用户-岗位标签对应的标签序号，计算所述标签序号的权重占比，根据所述权重占比，生成所述待招聘岗位信息的人才推荐列表。
本发明通过提取所述用户-岗位标签对应的标签序号，可以提取出对应的标签序号，从而识别用户的职业特点和岗位的领域背景，方便对用户的职业特征和需求进行深入挖掘，从中发现相关规律和趋势，更好匹配到目标用户。
其中，所述标签序号是指将标签映射为数值，用于方便计算和处理的一种编号方式，可选的，所述提取所述用户-岗位标签对应的标签序号可以通过标签提取工具实现，如：标签统计模型、词待模型等。
本发明通过计算所述标签序号的权重占比，可以更准确地评估候选人是否适合该岗位，并提高招聘和推荐的科学性、准确性，其中，所述权重占比是指在所述用户-岗位标签中所述标签序号所占的比例。
作为本发明的一个实施例，所述计算所述标签序号的权重占比，包括：
利用下述公式计算所述标签序号的权重占比：
其中，W(c)表示第c个标签的权重占比，N表示标签总数，c表示标签序号。
本发明通过根据所述权重占比，生成所述待招聘岗位信息的人才推荐列表，企业可以更准确地筛选和推荐适合该岗位的人才，从而避免浪费大量时间和资源在不必要的招聘流程，帮助企业更有针对性地寻找和吸引高质量的人才，从而提升企业竞争力和业绩表现。
其中，所述人才推荐列表是指符合某个特定的招聘岗位或人才需求，从多个候选人中生成的一个包含推荐人才信息的列表，可选的，所述生成所述待招聘岗位信息的人才推荐列表可以通过所述岗位匹配模型实现。
本发明通过获取待招聘岗位信息，可以让求职者更深入地了解所在行业和市场的需求，有针对性地选择自己擅长的领域和方向，从而提高求职的效率和成功率，本发明通过提取所述人才画像的画像特征可以帮助企业更全面地了解员工的个人情况和职业能力，进而对员工进行更有针对性的人才管理和培养，其中，本发明通过根据所述特征系数，将所述人才画像转化为画像数据矩阵，有利于将复杂的人才画像信息转化为结构化的数据形式，便于后续进行数据分析和建模；此外，本发明通过根据所述向量相似度，将所述待招聘岗位信息和所述人才画像对应的画像用户进行聚类，得到聚类用户-岗位列表，可以将相似的用户分到同一群体中，从而针对不同的群体建立不同的匹配模型，实现更精准的人才匹配，提高精准度和效率，本发明通过识别所述聚类用户-岗位列表中的用户-岗位类别，可以根据不同的岗位需求和用户特点，更合理地分配工作内容和工作时间，提高工作效率和生产力。因此，本发明实施例提供的一种基于大数据画像的人岗匹配分析方法，能够提高大数据画像下的人岗匹配效率。
如图2所示，是本发明一实施例提供的基于大数据画像的人岗匹配分析装置的功能模块图。
本发明所述基于大数据画像的人岗匹配分析装置100可以安装于电子设备中。根据实现的功能，所述基于大数据画像的人岗匹配分析装置100可以包括画像抽取模块101、特征系数计算模块102、相似度计算模块103、列表聚类模块104、标签匹配模块105及列表生成模块106。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述画像抽取模块101，用于获取待招聘岗位信息，查询所述待招聘岗位信息对应的人员需求，根据所述人员需求，在预设的人才储备库中进行画像抽取，得到人才画像；
所述特征系数计算模块102，用于提取所述人才画像的画像特征，对所述画像特征进行特征分类，得到分类画像特征，识别所述分类画像特征中的画像特征因子，计算所述画像特征因子的特征系数；
所述相似度计算模块103，用于根据所述特征系数，将所述人才画像转化为画像数据矩阵，对所述画像数据矩阵和所述待招聘岗位信息进行数据向量提取，得到画像数据向量和岗位信息向量，利用预构建的岗位匹配模型计算所述画像数据向量和所述岗位信息向量的向量相似度；
所述列表聚类模块104，用于根据所述向量相似度，将所述待招聘岗位信息和所述人才画像对应的画像用户进行聚类，得到聚类用户-岗位列表；
所述标签匹配模块105，用于识别所述聚类用户-岗位列表中的用户-岗位类别，基于用户-岗位类别，分别提取所述聚类用户-岗位列表中的用户特征和岗位特征，对所述用户特征和所述岗位特征进行标签化处理，得到用户标签和岗位标签，对所述用户标签和所述岗位标签进行标签匹配，得到用户-岗位标签；
所述列表生成模块106，用于提取所述用户-岗位标签对应的标签序号，计算所述标签序号的权重占比，根据所述权重占比，生成所述待招聘岗位信息的人才推荐列表。
详细地，本申请实施例中所述基于大数据画像的人岗匹配分析装置100中所述的各模块在使用时采用与上述图1中所述的基于大数据画像的人岗匹配分析方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图3所示，是本发明一实施例提供的实现基于大数据画像的人岗匹配分析方法的电子设备1的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于大数据画像的人岗匹配分析方法程序。
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing Unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备1的控制核心（ControlUnit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（例如执行基于大数据画像的人岗匹配分析方法程序等），以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、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11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于大数据画像的人岗匹配分析方法程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准（Peripheral ComponentInterconnect，简称PCI）总线或扩展工业标准结构（Extended Industry StandardArchitecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备1与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于大数据画像的人岗匹配分析方法程序是多个指令的组合，在所述处理器10中运行时，可以实现：
获取待招聘岗位信息，查询所述待招聘岗位信息对应的人员需求，根据所述人员需求，在预设的人才储备库中进行画像抽取，得到人才画像；
提取所述人才画像的画像特征，对所述画像特征进行特征分类，得到分类画像特征，识别所述分类画像特征中的画像特征因子，计算所述画像特征因子的特征系数；
根据所述特征系数，将所述人才画像转化为画像数据矩阵，对所述画像数据矩阵和所述待招聘岗位信息进行数据向量提取，得到画像数据向量和岗位信息向量，利用预构建的岗位匹配模型计算所述画像数据向量和所述岗位信息向量的向量相似度；
根据所述向量相似度，将所述待招聘岗位信息和所述人才画像对应的画像用户进行聚类，得到聚类用户-岗位列表；
识别所述聚类用户-岗位列表中的用户-岗位类别，基于用户-岗位类别，分别提取所述聚类用户-岗位列表中的用户特征和岗位特征，对所述用户特征和所述岗位特征进行标签化处理，得到用户标签和岗位标签，对所述用户标签和所述岗位标签进行标签匹配，得到用户-岗位标签；
提取所述用户-岗位标签对应的标签序号，计算所述标签序号的权重占比，根据所述权重占比，生成所述待招聘岗位信息的人才推荐列表。
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取待招聘岗位信息，查询所述待招聘岗位信息对应的人员需求，根据所述人员需求，在预设的人才储备库中进行画像抽取，得到人才画像；
提取所述人才画像的画像特征，对所述画像特征进行特征分类，得到分类画像特征，识别所述分类画像特征中的画像特征因子，计算所述画像特征因子的特征系数；
根据所述特征系数，将所述人才画像转化为画像数据矩阵，对所述画像数据矩阵和所述待招聘岗位信息进行数据向量提取，得到画像数据向量和岗位信息向量，利用预构建的岗位匹配模型计算所述画像数据向量和所述岗位信息向量的向量相似度；
根据所述向量相似度，将所述待招聘岗位信息和所述人才画像对应的画像用户进行聚类，得到聚类用户-岗位列表；
识别所述聚类用户-岗位列表中的用户-岗位类别，基于用户-岗位类别，分别提取所述聚类用户-岗位列表中的用户特征和岗位特征，对所述用户特征和所述岗位特征进行标签化处理，得到用户标签和岗位标签，对所述用户标签和所述岗位标签进行标签匹配，得到用户-岗位标签；
提取所述用户-岗位标签对应的标签序号，计算所述标签序号的权重占比，根据所述权重占比，生成所述待招聘岗位信息的人才推荐列表。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能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，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本申请实施例可以基于大数据画像下技术对相关的数据进行获取和处理。其中，大数据画像下（Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于大数据画像的人岗匹配分析方法，其特征在于，所述方法包括：
获取待招聘岗位信息，查询所述待招聘岗位信息对应的人员需求，根据所述人员需求，在预设的人才储备库中进行画像抽取，得到人才画像；
提取所述人才画像的画像特征，对所述画像特征进行特征分类，得到分类画像特征，识别所述分类画像特征中的画像特征因子，计算所述画像特征因子的特征系数；
根据所述特征系数，将所述人才画像转化为画像数据矩阵，对所述画像数据矩阵和所述待招聘岗位信息进行数据向量提取，得到画像数据向量和岗位信息向量，利用预构建的岗位匹配模型计算所述画像数据向量和所述岗位信息向量的向量相似度；
根据所述向量相似度，将所述待招聘岗位信息和所述人才画像对应的画像用户进行聚类，得到聚类用户-岗位列表；
识别所述聚类用户-岗位列表中的用户-岗位类别，基于用户-岗位类别，分别提取所述聚类用户-岗位列表中的用户特征和岗位特征，对所述用户特征和所述岗位特征进行标签化处理，得到用户标签和岗位标签，对所述用户标签和所述岗位标签进行标签匹配，得到用户-岗位标签；
提取所述用户-岗位标签对应的标签序号，计算所述标签序号的权重占比，根据所述权重占比，生成所述待招聘岗位信息的人才推荐列表。
2.如权利要求1所述的基于大数据画像的人岗匹配分析方法，其特征在于，所述根据所述人员需求，在预设的人才储备库中进行画像抽取，得到人才画像，包括：
获取所述人员需求对应的人才需求指标；
根据所述人才需求指标，筛选预设的人才储备库中的人才信息；
对所述人才信息进行画像分析，得到所述人才信息对应的画像分析结果；
将所述画像分析结果进行画像抽取，得到人才画像。
3.如权利要求1所述的基于大数据画像的人岗匹配分析方法，其特征在于，所述对所述画像特征进行特征分类，得到分类画像特征，包括：
识别所述画像特征的特征类型；
提取所述特征类型的特征关键词；
根据所述特征关键词，构建所述画像特征对应特征分类表；
查询所述特征分类表中的分类特征；
对所述分类特征进行画像识别得到分类画像特征。
4.如权利要求1所述的基于大数据画像的人岗匹配分析方法，其特征在于，所述计算所述画像特征因子之间的相似度，包括：
通过下述公式计算所述画像特征因子之间的相似度：其中，R(E,F)表示所述画像特征因子之间的相似度，n表示所述画像特征因子对应的样本数量，/>表示所述画像特征因子中其他因子对应参数第i个参数序号，/>表示所述画像特征因子中其他因子对应参数的样本均值，/>表示所述画像特征因子对应参数第i个参数序号，表示所述画像特征因子对应参数的样本均值，i表示参数序号。
5.如权利要求1所述的基于大数据画像的人岗匹配分析方法，其特征在于，所述根据所述特征系数，将所述人才画像转化为画像数据矩阵，包括：
提取所述特征系数中的系数值，根据所述系数值，获得所述人才画像对应的灰度图像；
将所述灰度图像转化为数字矩阵，对所述数字矩阵进行归一化处理，得到归一化矩阵；
提取所述归一化矩阵中的矩阵像素点；
将所述矩阵像素点进行重构建，得到所述人才画像对应的画像数据矩阵。
6.如权利要求1所述的基于大数据画像的人岗匹配分析方法，其特征在于，所述预构建的岗位匹配模型包括：其中，所述/>表示所述画像数据向量和所述岗位信息向量的向量相似度，所述/>表示所述画像数据向量第p个参数向量的向量均值，所述/>表示所述岗位信息向量的向量均值，所述/>表示所述画像数据向量第p个参数向量的向量均值的平方值，所述p表示向量序号。
7.如权利要求1所述的基于大数据画像的人岗匹配分析方法，其特征在于， 所述根据所述向量相似度，将所述待招聘岗位信息和所述人才画像对应的画像用户进行聚类，得到聚类用户-岗位列表，包括：
根据所述向量相似度，提取所述待招聘岗位信息和所述人才画像对应的特征因子，得到岗位特征因子和人才特征因子；
利用预设的聚类算法计算所述岗位特征因子和所述人才特征因子的聚类因子；
根据所述聚类因子，构建所述用户画像对应的聚类用户-岗位列表。
8.如权利要求1所述的基于大数据画像的人岗匹配分析方法，其特征在于，所述基于用户-岗位类别，分别提取所述聚类用户-岗位列表中的用户特征和岗位特征，包括：
确认所述用户-岗位类别中的类别类型；
根据所述类别类型，识别所述聚类用户-岗位列表中的用户信息和岗位信息；
对所述用户信息和所述岗位信息分别进行关键特征提取，得到关键用户特征和关键岗位特征；
对所述关键用户特征和所述关键岗位特征进行特征筛选，得到用户特征和岗位特征。
9.如权利要求1所述的基于大数据画像的人岗匹配分析方法，其特征在于，所述计算所述标签序号的权重占比，包括：
利用下述公式计算所述标签序号的权重占比：其中，W(c)表示第c个标签的权重占比，N表示标签总数，c表示标签序号。
10.一种基于大数据画像的人岗匹配分析装置，其特征在于，所述装置包括：
画像抽取模块，用于获取待招聘岗位信息，查询所述待招聘岗位信息对应的人员需求，根据所述人员需求，在预设的人才储备库中进行画像抽取，得到人才画像；
特征系数计算模块，用于提取所述人才画像的画像特征，对所述画像特征进行特征分类，得到分类画像特征，识别所述分类画像特征中的画像特征因子，计算所述画像特征因子的特征系数；
相似度计算模块，用于根据所述特征系数，将所述人才画像转化为画像数据矩阵，对所述画像数据矩阵和所述待招聘岗位信息进行数据向量提取，得到画像数据向量和岗位信息向量，利用预构建的岗位匹配模型计算所述画像数据向量和所述岗位信息向量的向量相似度；
列表聚类模块，用于根据所述向量相似度，将所述待招聘岗位信息和所述人才画像对应的画像用户进行聚类，得到聚类用户-岗位列表；
标签匹配模块，用于识别所述聚类用户-岗位列表中的用户-岗位类别，基于用户-岗位类别，分别提取所述聚类用户-岗位列表中的用户特征和岗位特征，对所述用户特征和所述岗位特征进行标签化处理，得到用户标签和岗位标签，对所述用户标签和所述岗位标签进行标签匹配，得到用户-岗位标签；
列表生成模块，用于提取所述用户-岗位标签对应的标签序号，计算所述标签序号的权重占比，根据所述权重占比，生成所述待招聘岗位信息的人才推荐列表。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310789551.XA CN116523268B (zh) | 2023-06-30 | 2023-06-30 | 一种基于大数据画像的人岗匹配分析方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310789551.XA CN116523268B (zh) | 2023-06-30 | 2023-06-30 | 一种基于大数据画像的人岗匹配分析方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116523268A true CN116523268A (zh) | 2023-08-01 |
| CN116523268B CN116523268B (zh) | 2023-09-26 |
Family
ID=87394428
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310789551.XA Active CN116523268B (zh) | 2023-06-30 | 2023-06-30 | 一种基于大数据画像的人岗匹配分析方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116523268B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117473251A (zh) * | 2023-10-10 | 2024-01-30 | 北京华普亿方科技集团股份有限公司 | 基于大数据的用户求职意向分析方法及*** |
| CN117726311A (zh) * | 2024-02-05 | 2024-03-19 | 四川大学华西医院 | 监管对象就业岗位智能匹配方法、装置、设备及存储介质 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110295759A1 (en) * | 2010-05-26 | 2011-12-01 | Forte Hcm Inc. | Method and system for multi-source talent information acquisition, evaluation and cluster representation of candidates |
| 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 |
| CN112801636A (zh) * | 2021-03-19 | 2021-05-14 | 深圳市企慧通信息技术有限公司 | 基于学***台及方法 |
| CN113269249A (zh) * | 2021-05-25 | 2021-08-17 | 广东技术师范大学 | 一种基于深度学习的多数据源人物画像构建方法 |
| CN114418023A (zh) * | 2022-01-25 | 2022-04-29 | 知乎创意(广州)数字科技有限公司 | 一种岗位匹配方法、***、设备及存储介质 |
| CN114529266A (zh) * | 2022-02-23 | 2022-05-24 | 福建国科信息科技有限公司 | 基于ai大数据平台及其人岗匹配算法 |
| CN115018453A (zh) * | 2022-05-23 | 2022-09-06 | 电子科技大学 | 一种岗位人才画像自动生成方法 |
| CN115034762A (zh) * | 2022-06-30 | 2022-09-09 | 中国建设银行股份有限公司 | 一种岗位推荐方法、装置、存储介质、电子设备及产品 |
| CN115098663A (zh) * | 2022-07-28 | 2022-09-23 | 成都思先行科技有限公司 | 一种关于求职者精准画像的方法及*** |
| CN115481969A (zh) * | 2022-08-26 | 2022-12-16 | 竹间智能科技（上海）有限公司 | 简历筛选方法、装置、电子设备及可读存储介质 |
| 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 |
| WO2023065211A1 (zh) * | 2021-10-21 | 2023-04-27 | 华为技术有限公司 | 一种信息获取方法以及装置 |
-
2023
- 2023-06-30 CN CN202310789551.XA patent/CN116523268B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110295759A1 (en) * | 2010-05-26 | 2011-12-01 | Forte Hcm Inc. | Method and system for multi-source talent information acquisition, evaluation and cluster representation of candidates |
| 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 |
| CN112801636A (zh) * | 2021-03-19 | 2021-05-14 | 深圳市企慧通信息技术有限公司 | 基于学***台及方法 |
| CN113269249A (zh) * | 2021-05-25 | 2021-08-17 | 广东技术师范大学 | 一种基于深度学习的多数据源人物画像构建方法 |
| WO2023065211A1 (zh) * | 2021-10-21 | 2023-04-27 | 华为技术有限公司 | 一种信息获取方法以及装置 |
| CN114418023A (zh) * | 2022-01-25 | 2022-04-29 | 知乎创意(广州)数字科技有限公司 | 一种岗位匹配方法、***、设备及存储介质 |
| CN114529266A (zh) * | 2022-02-23 | 2022-05-24 | 福建国科信息科技有限公司 | 基于ai大数据平台及其人岗匹配算法 |
| CN115018453A (zh) * | 2022-05-23 | 2022-09-06 | 电子科技大学 | 一种岗位人才画像自动生成方法 |
| CN115034762A (zh) * | 2022-06-30 | 2022-09-09 | 中国建设银行股份有限公司 | 一种岗位推荐方法、装置、存储介质、电子设备及产品 |
| CN115098663A (zh) * | 2022-07-28 | 2022-09-23 | 成都思先行科技有限公司 | 一种关于求职者精准画像的方法及*** |
| CN115481969A (zh) * | 2022-08-26 | 2022-12-16 | 竹间智能科技（上海）有限公司 | 简历筛选方法、装置、电子设备及可读存储介质 |
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| 刘洪超;滕鑫鑫;白浩;: "基于大数据的高校智能就业平台建设与应用", 现代教育技术, no. 02 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117473251A (zh) * | 2023-10-10 | 2024-01-30 | 北京华普亿方科技集团股份有限公司 | 基于大数据的用户求职意向分析方法及*** |
| CN117726311A (zh) * | 2024-02-05 | 2024-03-19 | 四川大学华西医院 | 监管对象就业岗位智能匹配方法、装置、设备及存储介质 |
| CN117726311B (zh) * | 2024-02-05 | 2024-05-28 | 四川大学华西医院 | 监管对象就业岗位智能匹配方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116523268B (zh) | 2023-09-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116523268B (zh) | 一种基于大数据画像的人岗匹配分析方法及装置 | |
| CN109934619A (zh) | 用户画像标签建模方法、装置、电子设备及可读存储介质 | |
| CN115002200B (zh) | 基于用户画像的消息推送方法、装置、设备及存储介质 | |
| CN113626607B (zh) | 异常工单识别方法、装置、电子设备及可读存储介质 | |
| CN113656690B (zh) | 产品推荐方法、装置、电子设备及可读存储介质 | |
| CN112988963A (zh) | 基于多流程节点的用户意图预测方法、装置、设备及介质 | |
| CN115081025A (zh) | 基于数字中台的敏感数据管理方法、装置及电子设备 | |
| CN114781832A (zh) | 课程推荐方法、装置、电子设备及存储介质 | |
| CN113268665A (zh) | 基于随机森林的信息推荐方法、装置、设备及存储介质 | |
| CN113947322A (zh) | 一种基于FP-Growth算法的画像匹配方法及*** | |
| CN114840684A (zh) | 基于医疗实体的图谱构建方法、装置、设备及存储介质 | |
| CN114880449A (zh) | 智能问答的答复生成方法、装置、电子设备及存储介质 | |
| CN113837631A (zh) | 员工评价方法、装置、电子设备及可读存储介质 | |
| CN113658002A (zh) | 基于决策树的交易结果生成方法、装置、电子设备及介质 | |
| CN112801222A (zh) | 基于二分类模型的多分类方法、装置、电子设备及介质 | |
| CN116738044A (zh) | 基于个性化实现高校图书馆的图书推荐方法、装置及设备 | |
| CN116340516A (zh) | 实体关系的聚类提取方法、装置、设备及存储介质 | |
| CN115099680B (zh) | 风险管理方法、装置、设备及存储介质 | |
| CN113570286B (zh) | 基于人工智能的资源分配方法、装置、电子设备及介质 | |
| CN114595321A (zh) | 问题标注方法、装置、电子设备及存储介质 | |
| CN115221274A (zh) | 文本情感分类方法、装置、电子设备及存储介质 | |
| CN114722280A (zh) | 基于用户画像的课程推荐方法、装置、设备及存储介质 | |
| CN114219367A (zh) | 用户评分方法、装置、设备及存储介质 | |
| CN113723114A (zh) | 基于多意图识别的语义分析方法、装置、设备及存储介质 | |
| CN114723488B (zh) | 课程推荐方法、装置、电子设备及存储介质 |
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 |