CN105787639A - 基于人工智能的人才大数据量化精确匹配方法和装置 - Google Patents

Abstract

本发明提供了一种基于人工智能的人才大数据量化精确匹配方法和装置。其中基于人工智能的人才大数据量化精确匹配方法包括：采集由应聘者提供的简历，并提取简历中多类信息的评分向量；抽取预定数量的简历及其评分向量，作为训练样本；使用机器深度学习算法对训练样本进行训练，得到人才数据评分模型；利用人才数据评分模型对海量简历进行评分，得到带有评分值的简历库；由带有评分值的简历库根据外部输入的人才需求提供评分值匹配的简历。应用本发明的技术方案，实现了对海量简历信息的量化，从而便于根据人才需求提供相应评分值的简历，更加高效，满足了网络招聘平台以及用人单位的要求。

Description

基于人工智能的人才大数据量化精确匹配方法和装置

技术领域

本发明涉及人工智能应用领域，具体而言，涉及一种基于人工智能的人才大数据量化精确匹配方法和装置。

背景技术

随着通信技术的飞速发展，信息的爆发式增长，如何从海量的数据中挑选出需要的内容成了信息处理领域重要的研究方向。目前信息匹配和有效使用影响人们工作学习的方方面面。简历信息也是这些海量数据中的一部分。

招聘是人力资源管理中重要的工作之一，其中简历筛选是招聘的第一环节，目前利用网络招聘平台获取简历已经是人力资源管理人员经常使用的方式。网络招聘平台首先获取其注册用户填写的简历，然后通过简历和职位的匹配来向企业推荐合适的简历，在现有技术中，网络招聘网站一般按照企业粗略设置的条件进行简单的筛选和匹配，例如按照目标职位、工作地点、学历专业等进行条件筛选，将符合这些简单条件的简历发送给企业。然而在使用过程中，这样匹配方式效果较差，提供的简历不能满足企业的要求，往往还需要招聘人员再次人工进行筛选；另一方面，简历的信息较多，招聘人员缺乏对简历进行有效的量化评价，有可能造成遗漏需要人才的简历。

发明内容

本发明旨在提供一种基于人工智能的人才大数据量化精确匹配方法和装置，以解决上述现有技术中至少一个方面的问题。

本发明的一个进一步目的是精确地向招聘企业提供符合其要求的人才简历。

本发明另一个进一步目的是量化简历的信息，从而实现对简历的评分。

为了实现上述目的，根据本发明的一个方面，提供了一种基于人工智能的人才大数据量化精确匹配方法。该基于人工智能的人才大数据量化精确匹配方法包括：采集由应聘者提供的简历，并提取简历中多类信息的评分向量；抽取预定数量的简历及其评分向量，作为训练样本；使用机器深度学习算法对训练样本进行训练，得到人才数据评分模型；利用人才数据评分模型对海量简历进行评分，得到带有评分值的简历库；由带有评分值的简历库根据外部输入的人才需求提供评分值匹配的简历。

进一步地，提取简历中多类信息的评分向量的步骤包括：获取由人力资源专家根据简历对多类信息分别进行评定得到的打分值；按照每类信息的打分值生成该类信息的评分向量。

进一步地，评分向量的种类包括以下任意一种或多种：职业经历评分向量；教育背景评分向量；业务技能评分向量；以及个人素质评分向量。

进一步地，抽取预定数量的简历及其评分向量的步骤包括以下任意一种方式：随机抽取预定数量的简历及其评分向量；人工抽取预定数量的简历及其评分向量；以及按照求职行业、教育背景、工作经历搜索出预定数量的简历及其评分向量。

进一步地，由带有评分值的简历库根据外部输入的人才需求提供评分值匹配的简历的步骤包括：获取人才需求，其中人才需求中至少包括：信息筛选条件及设定评分范围；从简历库中挑选满足信息筛选条件的简历，作为备选简历；从备选简历筛选出其评分值属于评分范围的简历，并向提出人才需求的需求方提供。

进一步地，使用机器深度学习算法对样本训练的步骤包括：利用具有多层架构的神经网络的深度学习算法，对样本进行训练，设计出用于处理简历的支持向量机分类器，作为人才数据评分模型。

根据本发明的另一个方面，还提供了一种基于人工智能的人才大数据量化精确匹配装置。该基于人工智能的人才大数据量化精确匹配装置包括：简历采集模块，用于采集由应聘者提供的简历，并提取简历中多类信息的评分向量；样本抽取模块，用于抽取预定数量的简历及其评分向量，作为训练样本；模型训练模块，用于使用机器深度学习算法对训练样本进行训练，得到人才数据评分模型；简历评分模块，用于利用人才数据评分模型对海量简历进行评分，得到带有评分值的简历库；简历输出模块，用于由带有评分值的简历库根据外部输入的人才需求提供评分值匹配的简历。

进一步地，简历采集模块还用于：获取由人力资源专家根据简历对多类信息分别进行评定得到的打分值；按照每类信息的打分值生成该类信息的评分向量，其中，评分向量的种类包括以下任意一种或多种：职业经历评分向量、教育背景评分向量、业务技能评分向量、以及个人素质评分向量。

进一步地，简历输出模块还用于：获取人才需求，其中人才需求中至少包括：信息筛选条件及设定评分范围；从简历库中挑选满足信息筛选条件的简历，作为备选简历；从备选简历筛选出其评分值属于评分范围预定数量的简历，并向提出人才需求的需求方提供。

进一步地，模型训练模块还用于：利用具有多层架构的神经网络的深度学习算法，对样本进行训练，设计出用于处理简历的支持向量机分类器，作为人才数据评分模型。

应用本发明的技术方案，使用机器深度学习算法对作为训练样本的简历以及对简历预处理得到评分向量进行训练，得到人才数据评分模型，该人才数据评分模型对简历进行评分，实现了对简历信息的量化，从而便于根据人才需求提供相应评分值的简历，利用高效的机器深度学习算法，取代了人工简历筛选的工作，更加高效，满足了网络招聘平台以及用人单位的要求。

另外，本发明的基于人工智能的人才大数据量化精确匹配方法，综合了职业经历、教育背景、业务技能、以及个人素质等各方面的信息，最终的评分值体现了人才的实际情况，大大提高了招聘效率，具有良好的应用前景。

根据下文结合附图对本发明具体实施例的详细描述，本领域技术人员将会更加明了本实发明的上述以及其他目的、优点和特征。

附图说明

构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明一个实施例的基于人工智能的人才大数据量化精确匹配方法的示意图；

图2是根据本发明一个实施例的基于人工智能的人才大数据量化精确匹配方法中利用人才数据评分模型进行简历筛选的流程图；

图3是根据本发明一个实施例的基于人工智能的人才大数据量化精确匹配方法中人才数据评分模型运行原理图；

图4是根据本发明一个实施例的基于人工智能的人才大数据量化精确匹配方法的一种可选运行流程图；以及

图5是根据本发明一个实施例的基于人工智能的人才大数据量化精确匹配装置的示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。

本发明实施例首先提供了一种基于人工智能的人才大数据量化精确匹配方法。图1是根据本发明一个实施例的基于人工智能的人才大数据量化精确匹配方法的示意图，该基于人工智能的人才大数据量化精确匹配方法包括：

步骤S102，采集由应聘者提供的简历，并提取简历中多类信息的评分向量；

步骤S104，抽取预定数量的简历及其评分向量，作为训练样本；

步骤S106，使用机器深度学习算法对训练样本进行训练，得到人才数据评分模型；

步骤S108，利用人才数据评分模型对海量简历进行评分，得到带有评分值的简历库；

步骤S110，由带有评分值的简历库根据外部输入的人才需求提供评分值匹配的简历。

在步骤S102中，采集由应聘者提供的简历可以利用互联网技术进行简历的采集，例如通过网络招聘平台的简历库进行简历的采集工作，也可以通过邮件、用户手动填写等方式进行简历的采集。提取简历中多类信息的评分向量的步骤可以包括：获取由人力资源专家根据简历对多类信息分别进行评定得到的打分值；按照每类信息的打分值生成该类信息的评分向量。其中评分向量的种类包括以下任意一种或多种：职业经历评分向量；教育背景评分向量；业务技能评分向量；以及个人素质评分向量。

例如，在获取到简历后，人力资源专家可以通过对简历的审查，必要时通过电话、面试等交流方式对简历的拥有者进行审查，对不同的信息种类进行评分。每类信息可以包括多个评分值，例如对于职业资格信息，可以将高级职称评分为最高(在五分制中评分为满分5)，中级职称评分为较高(在五分制中评分为满分4)，将初级职称评分为中等(在五分制中评分为满分3)，等等。又例如对于教育背景评分向量，可以将博士学位评分为最高(在五分制中评分为满分5)，硕士学位为较高(在五分制中评分为满分4)，将本科学位评分为中等(在五分制中评分为满分3)，等等。又例如对于个人素质，又可以按照敬业度、专业度、稳定度、沟通能力等进行评分。

步骤S104可以采用以下任意一种方式：随机抽取预定数量的简历及其评分向量；人工抽取预定数量的简历及其评分向量；以及按照求职行业、教育背景、工作经历搜索出预定数量的简历及其评分向量。其中一种优选的抽取样本方式为人工结合信息搜索技术的方式进行，例如根据学历、职业经历进行初步筛选，然后由人力资源专家，抽取非常有代表性的简历，综合评分为一个标准评分。样本的数量可以一般可以为100至200份，最终评分向量可以综合为一个评分值(人才综合评分)。量化方式由专家评定，典型的人才简历，量化可以设置为预定的数值等级，例如按照五分制进行评定。

步骤S106使用机器深度学习算法对训练样本进行训练。具体地可以利用具有多层架构的神经网络的深度学习算法，对样本进行训练，设计出用于处理简历的支持向量机分类器，作为人才数据评分模型。

机器学习利用以下几种方式实现：第一种，监督学习，从给定的训练样本集中学习出一个函数，当新的数据到来时，可以根据这个函数预测结果。监督学习的训练集要求是包括输入和输出，也可以说是特征和目标。训练集中的目标是由人力资源专家标注的。监督学习算法可以具体使用回归分析和统计分类等。第二种，无监督学习，与监督学习相比，无监督学习训练集无需人为标注的结果例如使用聚类算法。第二种，半监督学习介于监督学习与无监督学习之间。

步骤S106还可以使用贝叶斯网络进行人才数据评分模型的训练。在本实施例中，可以将人力资源专家评定的简历及其评分值作为样本，对简历的不同信息分别建造贝叶斯网络模型，建立起网络的节点关系后，还可以进行概率估计。利用贝叶斯网络进行训练后，可以得到简历信息与评分值之间的概率关系。从而用条件概率表达各个简历中信息要素之间的相关关系，在有限的、不完整的、不确定的信息条件下进行学习和推理实现多源信息表达与融合。贝叶斯网络可将简历的各种信息纳入网络结构中，按节点的方式统一进行处理，能有效地按信息的相关关系进行融合。

支持向量机(supportvectormachine，故一般简称SVM)的基本模型定义为特征空间上的间隔最大的线性分类器，其学习策略便是间隔最大化，最终可将简历评分转化为一个凸二次规划问题的求解。

在本实施例中，深度学习(DeepLearning基于试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的一系列算法。一个简历可以使用多种方式来表示，如每个信息种类的向量，或者更抽象地表示成一系列文本数值等。及其深度学习将用非监督式或半监督式的特征学习和分层特征提取的高效算法来替代手工简历筛选。

上述步骤S110在提供简历时的流程可以包括：获取人才需求，其中人才需求中至少包括：信息筛选条件及设定评分范围；从简历库中挑选满足信息筛选条件的简历，作为备选简历；从备选简历筛选出其评分值属于评分范围的简历，并向提出人才需求的需求方提供。例如招聘单位需要50份学历为本科以上的具有两年以上相关工作经验的简历，并且评分设定为3分。那么简历库在或起到以上要求后，首先从简历库中筛选出本科以上的具有两年以上相关工作经验的简历，作为备选简历，然后从备选简历中确定出评分最接近3分的50简历，提供给提出人才需求的招聘单位。

通过对以上简历的评分，实现了一种人才数据的量化，大大减小了招聘人员的工作量。本实施例的基于人工智能的人才大数据量化精确匹配方法可以广泛适用于网络招聘平台、招聘单位等单位，大大提供人才筛选的准确度。实现人力资源大数据的应用。

图2是根据本发明一个实施例的基于人工智能的人才大数据量化精确匹配方法中利用人才数据评分模型进行简历筛选的流程图，筛选过程在简历输入后进行以下步骤：步骤S202，简历采集；步骤S204，数据预处理；步骤S206，数据特征提取；步骤S208，人才数据评分模型过滤；步骤S210，评分结果保存。起始的输入数据为已经入库的人力资源数据，输出数据及结果为按照用户标准，通过机器学习筛选后的评分数据。

图3是根据本发明一个实施例的基于人工智能的人才大数据量化精确匹配方法中人才数据评分模型运行原理图，如图所示，训练样本经过数据采集和预处理后，进行特征提取与选择，最终进行模型训练。待评分的简历同样经过数据采集和预处理后，进行特征提取与选择，进行模式分裂，使用训练样本训练出的样本进行筛选，最终输出评分结果。

图4是根据本发明一个实施例的基于人工智能的人才大数据量化精确匹配方法的一种可选运行流程图，对于人才数据的提供方可以执行以下流程：

步骤402，通过面试或其他交流方式进行简历评审；

步骤404，评审得到多个评分向量，例如包括职业经历向量、教育评分向量、技能评分向量、个人素质评分向量；

步骤406，抽取100-200份简历作为样本；

步骤408，机器深度学习，进行训练模型；

步骤410，所有简历利用训练出的模型进行机器评分，形成简历库；

步骤412，按照人才数据需求方的需求进行评分匹配；

步骤414，输出匹配的人才数据。

对于人才数据的需求方可以执行以下流程：

步骤420，制定人才需求计划；

步骤422，根据人才需求计划设置量化需求，例如包括硬性指标，需要的人才评分范围、需要的简历数量。设置的量化需求最终作为上述步骤412的参数，最终获取得到步骤S420的匹配结果。

应用以上流程，使用机器深度学习算法对作为训练样本的简历以及对简历预处理得到评分向量进行训练，得到人才数据评分模型，该人才数据评分模型对简历进行评分，实现了对简历信息的量化，从而便于根据人才需求提供相应评分值的简历，利用高效的机器深度学习算法，取代了人工简历筛选的工作，更加高效，满足了网络招聘平台以及用人单位的要求。

本发明实施例还提供了一种基于人工智能的人才大数据量化精确匹配装置500。图5是根据本发明一个实施例的基于人工智能的人才大数500可以包括：简历采集模块502、样本抽取模块504、模型训练模块506、简历评分模块508、简历输出模块510。

简历采集模块502，用于采集由应聘者提供的简历，并提取简历中多类信息的评分向量。其一种优选工作方式为：获取由人力资源专家根据简历对多类信息分别进行评定得到的打分值；按照每类信息的打分值生成该类信息的评分向量，其中，评分向量的种类包括以下任意一种或多种：职业经历评分向量、教育背景评分向量、业务技能评分向量、以及个人素质评分向量。

样本抽取模块504，用于抽取预定数量的简历及其评分向量，作为训练样本。其工作方式可以采用以下任意一种：随机抽取预定数量的简历及其评分向量；人工抽取预定数量的简历及其评分向量；以及按照求职行业、教育背景、工作经历搜索出预定数量的简历及其评分向量。

模型训练模块506，用于使用机器深度学习算法对训练样本进行训练，得到人才数据评分模型。其一种优选工作方式为：利用具有多层架构的神经网络的深度学习算法，对样本进行训练，设计出用于处理简历的支持向量机分类器，作为人才数据评分模型。

简历评分模块508，用于利用人才数据评分模型对海量简历进行评分，得到带有评分值的简历库。简历输出模块510，用于由带有评分值的简历库根据外部输入的人才需求提供评分值匹配的简历。其一种优选工作方式为：获取人才需求，其中人才需求中至少包括：信息筛选条件及设定评分范围；从简历库中挑选满足信息筛选条件的简历，作为备选简历；从备选简历筛选出其评分值属于评分范围预定数量的简历，并向提出人才需求的需求方提供。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。

至此，本领域技术人员应认识到，虽然本文已详尽示出和描述了本发明的多个示例性实施例，但是，在不脱离本发明精神和范围的情况下，仍可根据本发明公开的内容直接确定或推导出符合本发明原理的许多其他变型或修改。因此，本发明的范围应被理解和认定为覆盖了所有这些其他变型或修改。

Claims (10)

1.一种基于人工智能的人才大数据量化精确匹配方法，其特征在于，包括：

采集由应聘者提供的简历，并提取所述简历中多类信息的评分向量；

抽取预定数量的所述简历及其评分向量，作为训练样本；

使用机器深度学习算法对所述训练样本进行训练，得到人才数据评分模型；

利用所述人才数据评分模型对海量简历进行评分，得到带有评分值的简历库；

由所述带有评分值的简历库根据外部输入的人才需求提供评分值匹配的简历。

2.根据权利要求1所述的基于人工智能的人才大数据量化精确匹配方法，其特征在于，提取所述简历中多类信息的评分向量的步骤包括：

获取由人力资源专家根据所述简历对所述多类信息分别进行评定得到的打分值；

按照每类信息的所述打分值生成该类信息的评分向量。

3.根据权利要求2所述的基于人工智能的人才大数据量化精确匹配方法，其特征在于，所述评分向量的种类包括以下任意一种或多种：

职业经历评分向量；

教育背景评分向量；

业务技能评分向量；

个人素质评分向量。

4.根据权利要求1所述的基于人工智能的人才大数据量化精确匹配方法，其特征在于，抽取预定数量的所述简历及其评分向量的步骤包括以下任意一种方式：

随机抽取所述预定数量的简历及其评分向量；

人工抽取所述预定数量的简历及其评分向量；以及

按照求职行业、教育背景、工作经历搜索出所述预定数量的简历及其评分向量。

5.根据权利要求1所述的基于人工智能的人才大数据量化精确匹配方法，其特征在于，由所述带有评分值的简历库根据外部输入的人才需求提供评分值匹配的简历的步骤包括：

获取所述人才需求，其中所述人才需求中至少包括：信息筛选条件及设定评分范围；

从所述简历库中挑选满足所述信息筛选条件的简历，作为备选简历；

从所述备选简历筛选出其评分值属于所述评分范围的简历，并向提出所述人才需求的需求方提供。

6.根据权利要求1至5中任一项所述的基于人工智能的人才大数据量化精确匹配方法，其特征在于，使用机器深度学习算法对所述样本训练的步骤包括：

利用具有多层架构的神经网络的深度学习算法，对所述样本进行训练，设计出用于处理简历的支持向量机分类器，作为所述人才数据评分模型。

7.一种基于人工智能的人才大数据量化精确匹配装置，其特征在于，包括：

简历采集模块，用于采集由应聘者提供的简历，并提取所述简历中多类信息的评分向量；

样本抽取模块，用于抽取预定数量的所述简历及其评分向量，作为训练样本；

模型训练模块，用于使用机器深度学习算法对所述训练样本进行训练，得到人才数据评分模型；

简历评分模块，用于利用所述人才数据评分模型对海量简历进行评分，得到带有评分值的简历库；

简历输出模块，用于由所述带有评分值的简历库根据外部输入的人才需求提供评分值匹配的简历。

8.根据权利要求7所述的基于人工智能的人才大数据量化精确匹配装置，其特征在于，所述简历采集模块还用于：

获取由人力资源专家根据所述简历对所述多类信息分别进行评定得到的打分值；

按照每类信息的所述打分值生成该类信息的评分向量，其中，所述评分向量的种类包括以下任意一种或多种：职业经历评分向量、教育背景评分向量、业务技能评分向量、以及个人素质评分向量。

9.根据权利要求7所述的基于人工智能的人才大数据量化精确匹配装置，其特征在于，所述简历输出模块还用于：

获取所述人才需求，其中所述人才需求中至少包括：信息筛选条件及设定评分范围；

从所述简历库中挑选满足所述信息筛选条件的简历，作为备选简历；

从所述备选简历筛选出其评分值属于所述评分范围的简历，并向提出所述人才需求的需求方提供。

10.根据权利要求7至9中任一项所述的基于人工智能的人才大数据量化精确匹配装置，其特征在于所述模型训练模块还用于：

利用具有多层架构的神经网络的深度学习算法，对所述样本进行训练，设计出用于处理简历的支持向量机分类器，作为所述人才数据评分模型。