CN117333146A - 基于人工智能的人力资源管理***及方法 - Google Patents
基于人工智能的人力资源管理***及方法 Download PDFInfo
- Publication number
- CN117333146A CN117333146A CN202311352218.9A CN202311352218A CN117333146A CN 117333146 A CN117333146 A CN 117333146A CN 202311352218 A CN202311352218 A CN 202311352218A CN 117333146 A CN117333146 A CN 117333146A
- Authority
- CN
- China
- Prior art keywords
- resume
- semantic
- feature vector
- recruitment
- alternative
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title abstract description 18
- 230000007115 recruitment Effects 0.000 claims abstract description 202
- 239000013598 vector Substances 0.000 claims abstract description 140
- 230000006978 adaptation Effects 0.000 claims abstract description 26
- 230000002452 interceptive effect Effects 0.000 claims abstract description 17
- 238000012098 association analyses Methods 0.000 claims abstract description 13
- 230000003993 interaction Effects 0.000 claims description 66
- 238000007726 management method Methods 0.000 claims description 49
- 230000007246 mechanism Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000013386 optimize process Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000009466 transformation 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
- G06Q10/10—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
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/12—Use of codes for handling textual entities
- G06F40/126—Character encoding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Machine Translation (AREA)
Abstract
公开了一种基于人工智能的人力资源管理***及方法。其首先获取企业招聘需求和第一备选简历,接着,分别对所述企业招聘需求和所述第一备选简历进行语义文本理解以得到企业招聘需求语义编码特征向量和第一备选简历语义编码特征向量,然后,对所述企业招聘需求语义编码特征向量和所述第一备选简历语义编码特征向量进行文本语义交互关联分析以得到招聘需求‑简历语义空间交互特征,最后,基于所述招聘需求‑简历语义空间交互特征,确定企业招聘需求与第一备选简历之间的适配度是否超过预定阈值。这样,可以提高招聘效率和准确性,减少人力成本和主观偏见,帮助企业更好地筛选和选择合适的候选人。
Description
技术领域
本申请涉及人力资源管理领域,且更为具体地,涉及一种基于人工智能的人力资源管理***及方法。
背景技术
人力资源管理***是一种利用信息技术来支持和管理企业的人力资源活动***,旨在帮助企业更有效地招聘、培训、管理和发展员工。然而,传统的人力资源管理***通常需要人工处理和阅读大量的简历和候选人信息,这涉及到对文本的阅读、理解和比较,容易出现遗漏或错误,还降低了招聘的效率。并且,在人力资源管理过程中,人力资源专员可能会受到主观偏见的影响,例如对候选人的性别、种族、年龄等因素进行歧视性评估,这种主观偏见可能导致候选人的不公平待遇,限制了优秀人才的发展机会。此外,一些依靠自动匹配选择的人力资源管理***在评估候选人与职位要求的匹配度时,通常只依赖于关键词匹配或简单的规则匹配,这种方法无法充分考虑整体语义和上下文的关系,导致评估结果不准确。
因此,期望一种基于人工智能的人力资源管理***。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种基于人工智能的人力资源管理***及方法。其可以提高招聘效率和准确性,减少人力成本和主观偏见,帮助企业更好地筛选和选择合适的候选人。
根据本申请的一个方面,提供了一种基于人工智能的人力资源管理***,其包括:
数据采集模块,用于获取企业招聘需求和第一备选简历;
数据文本语义理解模块,用于分别对所述企业招聘需求和所述第一备选简历进行语义文本理解以得到企业招聘需求语义编码特征向量和第一备选简历语义编码特征向量;
文本语义交互关联分析模块,用于对所述企业招聘需求语义编码特征向量和所述第一备选简历语义编码特征向量进行文本语义交互关联分析以得到招聘需求-简历语义空间交互特征;以及
招聘需求-简历匹配模块,用于基于所述招聘需求-简历语义空间交互特征,确定企业招聘需求与第一备选简历之间的适配度是否超过预定阈值。
根据本申请的另一个方面,提供了一种基于人工智能的人力资源管理方法,其包括:
获取企业招聘需求和第一备选简历;
分别对所述企业招聘需求和所述第一备选简历进行语义文本理解以得到企业招聘需求语义编码特征向量和第一备选简历语义编码特征向量;
对所述企业招聘需求语义编码特征向量和所述第一备选简历语义编码特征向量进行文本语义交互关联分析以得到招聘需求-简历语义空间交互特征;以及
基于所述招聘需求-简历语义空间交互特征,确定企业招聘需求与第一备选简历之间的适配度是否超过预定阈值。
与现有技术相比,本申请提供的基于人工智能的人力资源管理***及方法,其首先获取企业招聘需求和第一备选简历,接着,分别对所述企业招聘需求和所述第一备选简历进行语义文本理解以得到企业招聘需求语义编码特征向量和第一备选简历语义编码特征向量,然后,对所述企业招聘需求语义编码特征向量和所述第一备选简历语义编码特征向量进行文本语义交互关联分析以得到招聘需求-简历语义空间交互特征,最后,基于所述招聘需求-简历语义空间交互特征,确定企业招聘需求与第一备选简历之间的适配度是否超过预定阈值。这样,可以提高招聘效率和准确性,减少人力成本和主观偏见,帮助企业更好地筛选和选择合适的候选人。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,以下附图并未刻意按实际尺寸等比例缩放绘制,重点在于示出本申请的主旨。
图1为根据本申请实施例的基于人工智能的人力资源管理***的框图示意图。
图2为根据本申请实施例的基于人工智能的人力资源管理***中的所述数据文本语义理解模块的框图示意图。
图3为根据本申请实施例的基于人工智能的人力资源管理***中的所述招聘需求-简历匹配模块的框图示意图。
图4为根据本申请实施例的基于人工智能的人力资源管理***中的所述适配度判断单元的框图示意图。
图5为根据本申请实施例的基于人工智能的人力资源管理方法的流程图。
图6为根据本申请实施例的基于人工智能的人力资源管理方法的***架构的示意图。
图7为根据本申请实施例的基于人工智能的人力资源管理***的应用场景图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本申请的部分实施例,而不是全部的实施例。基于本申请实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,也属于本申请保护的范围。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的***中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述***和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的***所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
针对上述技术问题,在本申请的技术方案中,通过人工智能技术来进行人力资源的管理。具体来说,人工智能是一种能够模拟人类智能的技术,它可以帮助企业提高效率、降低成本、优化流程和提升员工满意度。基于人工智能的人力资源管理***能够利用自然语言处理和机器学习等技术,自动化地处理招聘需求和简历信息,提高招聘效率和准确性。通过对企业招聘需求和候选人简历进行语义编码和特征交互,***可以自动评估候选人与职位要求的匹配度,并提供适当的推荐和筛选建议。这样,能够提高招聘效率和准确性,减少人力成本和主观偏见,帮助企业更好地筛选和选择合适的候选人。
图1为根据本申请实施例的基于人工智能的人力资源管理***的框图示意图。如图1所示,根据本申请实施例的基于人工智能的人力资源管理***100,包括:数据采集模块110,用于获取企业招聘需求和第一备选简历;数据文本语义理解模块120,用于分别对所述企业招聘需求和所述第一备选简历进行语义文本理解以得到企业招聘需求语义编码特征向量和第一备选简历语义编码特征向量;文本语义交互关联分析模块130,用于对所述企业招聘需求语义编码特征向量和所述第一备选简历语义编码特征向量进行文本语义交互关联分析以得到招聘需求-简历语义空间交互特征;以及,招聘需求-简历匹配模块140,用于基于所述招聘需求-简历语义空间交互特征,确定企业招聘需求与第一备选简历之间的适配度是否超过预定阈值。
具体地,在本申请的技术方案中,首先,获取企业招聘需求。接着,再对所述企业招聘需求进行语义编码,以提取出所述企业招聘需求的上下文语义编码特征,从而得到企业招聘需求语义编码特征向量。相应地,在本申请的一个具体示例中,可以将所述企业招聘需求进行分词处理后通过包含词嵌入层的上下文语义编码器,以此来提取出所述企业招聘需求中的各个词基于全局的上下文语义关联特征信息。
然后,为了能够进行企业招聘需求和简历的语义匹配,以此来优化简历筛选和招聘的效率和质量,还需要进一步获取第一备选简历,并从所述第一备选简历提取文本部分以得到第一备选简历的文本描述后,对所述第一备选简历的文本描述进行语义编码,以此来提取出所述第一备选简历的文本描述中的上下文语义理解特征信息,从而得到第一备选简历语义编码特征向量。
进一步地,使用特征间注意力层对所述企业招聘需求语义编码特征向量和所述第一备选简历语义编码特征向量进行基于注意力机制的特征交互以得到招聘需求-简历语义空间交互特征向量,以此来捕捉所述企业招聘需求语义理解特征和所述第一备选简历语义理解特征之间的关联和相互影响。应可以理解,由于传统的注意力机制的目标是学习一个注意力权重矩阵,将较大的权重赋予重要的特征,较小的权重赋予次要的特征,从而选择出对当前任务目标更关键的信息。这种方式更侧重于对各个特征的重要性进行加权,而忽略了特征之间的依赖关系。而所述特征间注意力层能够通过基于注意力机制的特征交互,可以捕捉到所述企业招聘需求语义理解特征和所述第一备选简历语义理解特征之间的相关性和相互影响,可以学习到不同特征之间的依赖关系,并根据这些依赖关系对所述招聘需求语义特征和所述第一备选简历语义特征进行交互和整合,从而得到招聘需求-简历语义空间交互特征向量。
相应地,如图2所示,所述数据文本语义理解模块120,包括:招聘需求语义编码单元121,用于对所述企业招聘需求进行语义编码以得到所述企业招聘需求语义编码特征向量;简历文本提取单元122,用于从所述第一备选简历提取文本部分以得到第一备选简历的文本描述;以及,简历文本语义编码单元123,用于对所述第一备选简历的文本描述进行语义编码以得到所述第一备选简历语义编码特征向量。应可以理解,数据文本语义理解模块120包括招聘需求语义编码单元121、简历文本提取单元122和简历文本语义编码单元123三个单元。招聘需求语义编码单元121用于对企业的招聘需求进行语义编码,以得到企业招聘需求的语义编码特征向量,这意味着该单元将根据输入的招聘需求文本,将其转化为一个向量表示,该向量捕捉了招聘需求的语义信息,这样的编码特征向量可以用于后续的招聘需求匹配、推荐等任务。简历文本提取单元122用于从第一备选简历中提取文本部分,以获取第一备选简历的文本描述,简历通常包含各种信息,例如个人背景、技能、工作经历等,该单元的目的是从简历中提取出有用的文本信息,以便后续的处理和分析。简历文本语义编码单元123用于对第一备选简历的文本描述进行语义编码,以得到第一备选简历的语义编码特征向量,类似于招聘需求语义编码单元,该单元将简历的文本描述转化为一个向量表示,该向量捕捉了简历的语义信息,这样的编码特征向量可以用于后续的简历匹配、推荐等任务。即,招聘需求语义编码单元用于编码企业的招聘需求,简历文本提取单元用于提取简历的文本描述,而简历文本语义编码单元用于编码简历的文本描述,这些编码特征向量可用于进一步的语义分析、匹配和推荐等任务。
更具体地,所述招聘需求语义编码单元121,用于:将所述企业招聘需求进行分词处理后通过包含词嵌入层的语义编码器模型以得到所述企业招聘需求语义编码特征向量。值得一提的是,词嵌入层(Word Embedding Layer)用于将文本中的词语映射到一个低维的实数向量空间中,它的作用是将离散的词语转换为连续的向量表示,从而能够捕捉词语之间的语义关系和语法关系。词嵌入层在招聘需求语义编码单元121中的作用是将企业招聘需求进行分词处理后,将每个词语映射为一个词向量。这些词向量反映了词语的语义信息和上下文关系,通过训练语义编码器模型,这些词向量可以进一步组合和提取,生成一个表示整个招聘需求的语义编码特征向量。语义编码器模型可以是深度学习模型,例如循环神经网络(RNN)、长短时记忆网络(LSTM)、Transformer等。这些模型能够利用词嵌入层生成的词向量,结合上下文信息,对招聘需求进行语义建模。通过将招聘需求中的每个词转换为词嵌入向量,词嵌入层可以将离散的文本数据转化为连续的向量表示,从而为后续的语义编码器模型提供输入。这样的连续向量表示可以更好地表达招聘需求的语义信息,有助于提高招聘需求的理解和处理能力。
更具体地,所述简历文本语义编码单元123,用于:将所述第一备选简历的文本描述进行分词处理后通过包含词嵌入层的语义编码器模型以得到所述第一备选简历语义编码特征向量。
更具体地,所述文本语义交互关联分析模块130,用于:使用特征间注意力层对所述企业招聘需求语义编码特征向量和所述第一备选简历语义编码特征向量进行基于注意力机制的特征交互以得到招聘需求-简历语义空间交互特征向量作为所述招聘需求-简历语义空间交互特征。值得一提的是,注意力机制(Attention Mechanism)用于对不同输入之间的关联程度进行建模,在文本语义交互关联分析模块130中,使用特征间注意力层对企业招聘需求语义编码特征向量和第一备选简历语义编码特征向量进行基于注意力机制的特征交互,从而得到招聘需求-简历语义空间交互特征向量。注意力机制的作用是根据输入的特征向量之间的相关性,自动学习每个特征对其他特征的重要性权重,通过计算注意力权重,模型可以更加关注对当前任务更有意义的特征,从而提高模型的性能和表现。在招聘需求-简历匹配任务中,注意力机制可以帮助模型自动关注与招聘需求最相关的简历特征,或者关注简历中与招聘需求要求最匹配的特征。通过特征间的注意力交互,模型可以更好地捕捉招聘需求和简历之间的语义关联,从而生成招聘需求-简历语义空间交互特征,为后续的匹配和推荐任务提供更准确的信息。
继而,再将所述招聘需求-简历语义空间交互特征向量通过分类器以得到分类结果,所述分类结果用于表示企业招聘需求与第一备选简历之间的适配度是否超过预定阈值。也就是说,利用所述企业招聘需求语义理解特征和所述第一备选简历语义理解特征之间的语义交互关联特征信息来进行分类处理,从而进行企业招聘需求和第一备选简历的适配度评估,以此来自动化地处理招聘需求和简历信息,提高招聘效率和准确性。
相应地,如图3所示,所述招聘需求-简历匹配模块140,包括:特征分布增益单元141,用于对所述招聘需求-简历语义空间交互特征向量进行基于概率密度特征模仿范式的分布增益以得到增益后招聘需求-简历语义空间交互特征向量;以及,适配度判断单元142,用于将所述增益后招聘需求-简历语义空间交互特征向量通过分类器以得到分类结果,所述分类结果用于表示企业招聘需求与第一备选简历之间的适配度是否超过预定阈值。应可以理解,在招聘需求-简历匹配模块140中,包括特征分布增益单元141和适配度判断单元142。特征分布增益单元141用于对招聘需求-简历语义空间交互特征向量进行基于概率密度特征模仿范式的分布增益,这个单元旨在通过模仿概率密度函数的形状来增强招聘需求-简历语义空间交互特征向量中的特征分布。通过增益后,特征向量的分布可以更好地匹配预定的概率密度函数,从而提高对招聘需求和简历之间匹配程度的判断。适配度判断单元142用于将增益后的招聘需求-简历语义空间交互特征向量通过分类器,以得到分类结果,这个分类结果用于表示企业招聘需求与第一备选简历之间的适配度是否超过预定阈值,通过分类器的判断,可以确定招聘需求和简历之间的匹配程度,判断是否满足预定的匹配要求。综合来说,特征分布增益单元和适配度判断单元在招聘需求-简历匹配模块中起到协同作用。特征分布增益单元通过增强特征向量的分布来提高匹配的准确性,而适配度判断单元则通过分类器对增益后的特征向量进行判断,确定招聘需求与第一备选简历之间的适配度是否达到预定阈值,从而帮助进行招聘需求和简历的匹配决策。
特别地,在本申请的技术方案中,所述企业招聘需求语义编码特征向量和所述第一备选简历语义编码特征向量分别用于表示企业招聘需求的上下文语义关联特征表示和第一备选简历中文本内容的上下文语义关联特征表示,这样,使用特征间注意力层对所述企业招聘需求语义编码特征向量和所述第一备选简历语义编码特征向量进行基于注意力机制的特征交互时,可以提取所述企业招聘需求语义编码特征向量和所述第一备选简历语义编码特征向量之间的依赖关系特征。这样,相对于所述企业招聘需求语义编码特征向量和所述第一备选简历语义编码特征向量各自表达的上下文语义关联特征作为前景对象特征,在进行基于注意力的特征交互的依赖关系特征提取时,也会引入与所述企业招聘需求语义编码特征向量和所述第一备选简历语义编码特征向量各自表达的上下文语义关联特征分布干涉相关的背景分布噪声,并且,所述招聘需求-简历语义空间交互特征向量也具有所述企业招聘需求语义编码特征向量和所述第一备选简历语义编码特征向量各自的时域空间和交互空间下的分级的特征表达,由此,期望基于所述招聘需求-简历语义空间交互特征向量的分布特性来增强其表达效果。
因此,本申请的申请人对所述招聘需求-简历语义空间交互特征向量进行基于概率密度特征模仿范式的分布增益。
相应地,在一个具体示例中,所述特征分布增益单元141,用于:以如下优化公式对所述招聘需求-简历语义空间交互特征向量进行基于概率密度特征模仿范式的分布增益以得到所述增益后招聘需求-简历语义空间交互特征向量;其中,所述优化公式为:
其中,V是所述招聘需求-简历语义空间交互特征向量,vi是所述招聘需求-简历语义空间交互特征向量的第i个位置的特征值,L是所述招聘需求-简历语义空间交互特征向量的长度,表示所述招聘需求-简历语义空间交互特征向量的二范数的平方,且α是加权超参数,exp(·)表示数值的指数运算,所述数值的指数运算表示计算以所述数值为幂的自然指数函数值,v'i是所述增益后招聘需求-简历语义空间交互特征向量的第i个位置的特征值。
这里,基于标准柯西分布对于自然高斯分布在概率密度上的特征模仿范式,所述基于概率密度特征模仿范式的分布增益可以将特征尺度作为模仿掩码,在高维特征空间内区分前景对象特征和背景分布噪声,从而基于高维特征的空间分级语义来对高维空间进行特征空间映射的语义认知的分布软匹配,来获得高维特征分布的无约束的分布增益,提升所述招聘需求-简历语义空间交互特征向量基于特征分布特性的表达效果,也就提升了所述招聘需求-简历语义空间交互特征向量通过分类器得到的分类结果的准确性,从而提升了企业招聘需求和简历之间的匹配精准度。这样,能够自动化地处理招聘需求和简历信息,以评估候选人与职位要求的匹配度,提高招聘的效率和准确性,减少人力成本和主观偏见,帮助企业更好地筛选和选择合适的候选人。
进一步地,如图4所示,所述适配度判断单元142,包括:全连接编码单元1421,用于使用所述分类器的全连接层对所述增益后招聘需求-简历语义空间交互特征向量进行全连接编码以得到编码分类特征向量;以及,分类单元1422,用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
也就是,在本公开的技术方案中,所述分类器的标签包括企业招聘需求与第一备选简历之间的适配度超过预定阈值(第一标签),以及,企业招聘需求与第一备选简历之间的适配度不超过预定阈值(第二标签),其中,所述分类器通过软最大值函数来确定所述增益后招聘需求-简历语义空间交互特征向量属于哪个分类标签。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“企业招聘需求与第一备选简历之间的适配度是否超过预定阈值”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2之和为一。因此,企业招聘需求与第一备选简历之间的适配度是否超过预定阈值的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“企业招聘需求与第一备选简历之间的适配度是否超过预定阈值”的语言文本意义。
应可以理解,分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器,然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题,对于多分类问题(multi-class classification),同样也可以用逻辑回归或SVM,只是需要多个二分类来组成多分类,但这样容易出错且效率不高,常用的多分类方法有Softmax分类函数。
值得一提的是,全连接编码(Fully Connected Encoding)是一种神经网络中常用的编码方式,也称为全连接层或者密集连接层。在适配度判断单元142中的全连接编码单元1421中,使用分类器的全连接层对增益后的招聘需求-简历语义空间交互特征向量进行全连接编码,以得到编码分类特征向量。全连接编码的过程是将输入的特征向量与权重矩阵进行矩阵乘法运算,并加上偏置项(偏移量),然后通过非线性激活函数进行激活。这样可以将输入特征向量与其他所有特征之间建立全连接的连接关系,使得每个输入特征都与输出特征的每个维度都有联系。全连接编码层可以帮助模型学习输入特征之间的复杂非线性关系,并提取更高层次的抽象特征表示。通过引入非线性激活函数,全连接编码层可以捕捉到输入特征的非线性变换,从而增强模型的表达能力。在分类单元1422中,编码分类特征向量将被输入到分类器的Softmax分类函数中,以得到最终的分类结果。Softmax分类函数将对编码分类特征向量进行归一化,将其转化为表示不同类别概率的输出分布,从而实现分类任务。
综上,基于本申请实施例的基于人工智能的人力资源管理***100被阐明,其可以提高招聘效率和准确性,减少人力成本和主观偏见,帮助企业更好地筛选和选择合适的候选人。
如上所述,根据本申请实施例的基于本申请实施例的基于人工智能的人力资源管理***100可以实现在各种终端设备中,例如具有基于本申请实施例的基于人工智能的人力资源管理算法的服务器等。在一个示例中,基于本申请实施例的基于人工智能的人力资源管理***100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该基于本申请实施例的基于人工智能的人力资源管理***100可以是该终端设备的操作***中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该基于本申请实施例的基于人工智能的人力资源管理***100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该基于本申请实施例的基于人工智能的人力资源管理***100与该终端设备也可以是分立的设备,并且该基于人工智能的人力资源管理***100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
图5为根据本申请实施例的基于人工智能的人力资源管理方法的流程图。图6为根据本申请实施例的基于人工智能的人力资源管理方法的***架构的示意图。如图5和图6所示,根据本申请实施例的基于人工智能的人力资源管理方法,其包括:S110,获取企业招聘需求和第一备选简历;S120,分别对所述企业招聘需求和所述第一备选简历进行语义文本理解以得到企业招聘需求语义编码特征向量和第一备选简历语义编码特征向量;S130,对所述企业招聘需求语义编码特征向量和所述第一备选简历语义编码特征向量进行文本语义交互关联分析以得到招聘需求-简历语义空间交互特征;以及,S140,基于所述招聘需求-简历语义空间交互特征,确定企业招聘需求与第一备选简历之间的适配度是否超过预定阈值。
在一个具体示例中,在上述基于人工智能的人力资源管理方法中,分别对所述企业招聘需求和所述第一备选简历进行语义文本理解以得到企业招聘需求语义编码特征向量和第一备选简历语义编码特征向量,包括:对所述企业招聘需求进行语义编码以得到所述企业招聘需求语义编码特征向量;从所述第一备选简历提取文本部分以得到第一备选简历的文本描述;以及,对所述第一备选简历的文本描述进行语义编码以得到所述第一备选简历语义编码特征向量。
这里,本领域技术人员可以理解,上述基于人工智能的人力资源管理方法中的各个步骤的具体操作已经在上面参考图1到图4的基于人工智能的人力资源管理***100的描述中得到了详细介绍,并因此,将省略其重复描述。
图7为根据本申请实施例的基于人工智能的人力资源管理***的应用场景图。如图7所示,在该应用场景中,首先,获取企业招聘需求(例如,图7中所示意的D1)和第一备选简历(例如,图7中所示意的D2),然后,将所述企业招聘需求和所述第一备选简历输入至部署有基于人工智能的人力资源管理算法的服务器中(例如,图7中所示意的S),其中,所述服务器能够使用所述基于人工智能的人力资源管理算法对所述企业招聘需求和所述第一备选简历进行处理以得到用于表示企业招聘需求与第一备选简历之间的适配度是否超过预定阈值的分类结果。
本申请使用了特定词语来描述本申请的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“***”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
除非另有定义,这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解,诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义,而不应用理想化或极度形式化的意义来解释,除非这里明确地这样定义。
上面是对本发明的说明,而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例,但本领域技术人员将容易地理解,在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此,所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解,上面是对本发明的说明,而不应被认为是限于所公开的特定实施例,并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。
Claims (10)
1.一种基于人工智能的人力资源管理***,其特征在于,包括:
数据采集模块,用于获取企业招聘需求和第一备选简历;
数据文本语义理解模块,用于分别对所述企业招聘需求和所述第一备选简历进行语义文本理解以得到企业招聘需求语义编码特征向量和第一备选简历语义编码特征向量;
文本语义交互关联分析模块,用于对所述企业招聘需求语义编码特征向量和所述第一备选简历语义编码特征向量进行文本语义交互关联分析以得到招聘需求-简历语义空间交互特征;以及
招聘需求-简历匹配模块,用于基于所述招聘需求-简历语义空间交互特征,确定企业招聘需求与第一备选简历之间的适配度是否超过预定阈值。
2.根据权利要求1所述的基于人工智能的人力资源管理***,其特征在于,所述数据文本语义理解模块,包括:
招聘需求语义编码单元,用于对所述企业招聘需求进行语义编码以得到所述企业招聘需求语义编码特征向量;
简历文本提取单元,用于从所述第一备选简历提取文本部分以得到第一备选简历的文本描述;以及
简历文本语义编码单元,用于对所述第一备选简历的文本描述进行语义编码以得到所述第一备选简历语义编码特征向量。
3.根据权利要求2所述的基于人工智能的人力资源管理***,其特征在于,所述招聘需求语义编码单元,用于:
将所述企业招聘需求进行分词处理后通过包含词嵌入层的语义编码器模型以得到所述企业招聘需求语义编码特征向量。
4.根据权利要求3所述的基于人工智能的人力资源管理***,其特征在于,所述简历文本语义编码单元,用于:
将所述第一备选简历的文本描述进行分词处理后通过包含词嵌入层的语义编码器模型以得到所述第一备选简历语义编码特征向量。
5.根据权利要求4所述的基于人工智能的人力资源管理***,其特征在于,所述文本语义交互关联分析模块,用于:
使用特征间注意力层对所述企业招聘需求语义编码特征向量和所述第一备选简历语义编码特征向量进行基于注意力机制的特征交互以得到招聘需求-简历语义空间交互特征向量作为所述招聘需求-简历语义空间交互特征。
6.根据权利要求5所述的基于人工智能的人力资源管理***,其特征在于,所述招聘需求-简历匹配模块,包括:
特征分布增益单元,用于对所述招聘需求-简历语义空间交互特征向量进行基于概率密度特征模仿范式的分布增益以得到增益后招聘需求-简历语义空间交互特征向量;以及
适配度判断单元,用于将所述增益后招聘需求-简历语义空间交互特征向量通过分类器以得到分类结果,所述分类结果用于表示企业招聘需求与第一备选简历之间的适配度是否超过预定阈值。
7.根据权利要求6所述的基于人工智能的人力资源管理***,其特征在于,所述特征分布增益单元,用于:
以如下优化公式对所述招聘需求-简历语义空间交互特征向量进行基于概率密度特征模仿范式的分布增益以得到所述增益后招聘需求-简历语义空间交互特征向量;
其中,所述优化公式为:
其中,V是所述招聘需求-简历语义空间交互特征向量,vi是所述招聘需求-简历语义空间交互特征向量的第i个位置的特征值,L是所述招聘需求-简历语义空间交互特征向量的长度,表示所述招聘需求-简历语义空间交互特征向量的二范数的平方,且α是加权超参数,exp(·)表示数值的指数运算,所述数值的指数运算表示计算以所述数值为幂的自然指数函数值,v′i是所述增益后招聘需求-简历语义空间交互特征向量的第i个位置的特征值。
8.根据权利要求7所述的基于人工智能的人力资源管理***,其特征在于,所述适配度判断单元,包括:
全连接编码单元,用于使用所述分类器的全连接层对所述增益后招聘需求-简历语义空间交互特征向量进行全连接编码以得到编码分类特征向量;以及
分类单元,用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
9.一种基于人工智能的人力资源管理方法,其特征在于,包括:
获取企业招聘需求和第一备选简历;
分别对所述企业招聘需求和所述第一备选简历进行语义文本理解以得到企业招聘需求语义编码特征向量和第一备选简历语义编码特征向量;
对所述企业招聘需求语义编码特征向量和所述第一备选简历语义编码特征向量进行文本语义交互关联分析以得到招聘需求-简历语义空间交互特征;以及
基于所述招聘需求-简历语义空间交互特征,确定企业招聘需求与第一备选简历之间的适配度是否超过预定阈值。
10.根据权利要求9所述的基于人工智能的人力资源管理方法,其特征在于,分别对所述企业招聘需求和所述第一备选简历进行语义文本理解以得到企业招聘需求语义编码特征向量和第一备选简历语义编码特征向量,包括:
对所述企业招聘需求进行语义编码以得到所述企业招聘需求语义编码特征向量;
从所述第一备选简历提取文本部分以得到第一备选简历的文本描述;以及
对所述第一备选简历的文本描述进行语义编码以得到所述第一备选简历语义编码特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311352218.9A CN117333146A (zh) | 2023-10-18 | 2023-10-18 | 基于人工智能的人力资源管理***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311352218.9A CN117333146A (zh) | 2023-10-18 | 2023-10-18 | 基于人工智能的人力资源管理***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117333146A true CN117333146A (zh) | 2024-01-02 |
Family
ID=89275294
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311352218.9A Pending CN117333146A (zh) | 2023-10-18 | 2023-10-18 | 基于人工智能的人力资源管理***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117333146A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118014703A (zh) * | 2024-02-28 | 2024-05-10 | 湖北省招标股份有限公司 | 基于数字化平台的可视化智能决策***及方法 |
CN118014390A (zh) * | 2024-01-27 | 2024-05-10 | 北京正成科技有限公司 | 基于saas的事业单位多组织内控管理方法及*** |
-
2023
- 2023-10-18 CN CN202311352218.9A patent/CN117333146A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118014390A (zh) * | 2024-01-27 | 2024-05-10 | 北京正成科技有限公司 | 基于saas的事业单位多组织内控管理方法及*** |
CN118014703A (zh) * | 2024-02-28 | 2024-05-10 | 湖北省招标股份有限公司 | 基于数字化平台的可视化智能决策***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111897908B (zh) | 融合依存信息和预训练语言模型的事件抽取方法及*** | |
CN106980683B (zh) | 基于深度学习的博客文本摘要生成方法 | |
CN109992782B (zh) | 法律文书命名实体识别方法、装置及计算机设备 | |
Young et al. | Augmenting end-to-end dialogue systems with commonsense knowledge | |
CN109086658B (zh) | 一种基于生成对抗网络的传感器数据生成方法与*** | |
CN109918671A (zh) | 基于卷积循环神经网络的电子病历实体关系抽取方法 | |
CN117333146A (zh) | 基于人工智能的人力资源管理***及方法 | |
CN111985239A (zh) | 实体识别方法、装置、电子设备及存储介质 | |
CN112036168B (zh) | 事件主体识别模型优化方法、装置、设备及可读存储介质 | |
CN112052684A (zh) | 电力计量的命名实体识别方法、装置、设备和存储介质 | |
CN112257441B (zh) | 一种基于反事实生成的命名实体识别增强方法 | |
CN116911929B (zh) | 基于大数据的广告服务终端及方法 | |
CN116663568B (zh) | 基于优先级的关键任务识别***及其方法 | |
Li et al. | Dating ancient paintings of Mogao Grottoes using deeply learnt visual codes | |
CN114926150A (zh) | 一种变压器技术符合性评估数字化智能审核方法与装置 | |
CN116861924A (zh) | 基于人工智能的项目风险预警方法及*** | |
CN114722833B (zh) | 一种语义分类方法及装置 | |
CN116340513A (zh) | 一种基于标签与文本交互的多标签情感分类方法和*** | |
CN117217277A (zh) | 语言模型的预训练方法、装置、设备、存储介质及产品 | |
CN117236335A (zh) | 基于提示学习的两阶段命名实体识别方法 | |
CN114756678A (zh) | 一种未知意图文本的识别方法及装置 | |
CN117171413B (zh) | 用于数字藏品管理的数据处理***及其方法 | |
CN116561314B (zh) | 基于自适应阈值选择自注意力的文本分类方法 | |
CN117371481A (zh) | 一种基于元学习的神经网络模型检索方法 | |
CN112115994A (zh) | 图像识别模型的训练方法、装置、服务器及存储介质 |
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 |