CN107357917B - 一种简历搜索方法及计算设备 - Google Patents

Abstract

本发明公开了一种简历搜索方法，在计算设备中执行，包括：获取招聘者输入的查询短语；从查询短语中提取出一个或多个查询关键词；根据一个或多个查询关键词，从所存储的多个简历中确定一个或多个候选简历；对于每一个候选简历：确定该候选简历与查询关键词的相似度，确定该候选简历的特征加分，根据相似度和特征加分确定该候选简历的推荐值；并按照推荐值从大到小的顺序将候选简历呈现给招聘者。本发明一并公开了相应的计算设备。根据本发明的技术方案，可以快速地将更优质、合适的简历呈现给招聘者，降低了招聘者找到优质简历的难度，方便招聘者与合适的求职者快速建立联系，加快招聘进程。

Description

一种简历搜索方法及计算设备

技术领域

本发明涉及数据处理技术领域，尤其涉及一种简历搜索方法及计算设备。

背景技术

随着互联网技术的发展，网络应聘/招聘已经成了求职者应聘工作、用人单位招聘员工的主要途径。人才招聘网站上存储有大量求职者的简历，招聘者(通常是用人单位的HR)可以在搜索框中输入查询词来搜索出相关的简历，并向这些简历所对应的求职者发出求职邀约。求职者接收到邀约之后，可以接受邀约，向该用人单位投递简历；或拒绝邀约，不投递简历。

在目前的简历搜索方法中，往往只基于招聘者输入的查询词来匹配求职者简历中所记述的工作经历，将工作经历与查询词的文字匹配度较高的简历推荐给招聘者，而没有进一步挖掘招聘者更深层次的需求，增加了招聘者找到合适的简历的难度。此外，单纯基于工作经历与查询词的匹配度来推荐简历的方法对于目前没有工作经历或工作经历较少的求职者来说比较吃亏，也会使得招聘者损失一部分合适的简历。

发明内容

为此，本发明提供一种简历搜索方法及计算设备，以解决或至少缓解上面存在的问题。

根据本发明的一个方面，提供一种简历搜索方法，在计算设备中执行，计算设备与数据存储装置连接，数据存储装置中存储有多条求职者信息，每条求职者信息包括求职者的期望职位、求职者的简历和至少一条求职的操作记录，该方法包括：获取招聘者输入的查询短语；从查询短语中提取出一个或多个查询关键词；根据一个或多个查询关键词，从所存储的多个简历中确定一个或多个候选简历；对于每一个候选简历：根据该候选简历以及该候选简历所对应的求职者的期望职位来确定该候选简历与查询关键词的相似度，根据该候选简历以及该候选简历所对应的求职者求职的操作记录来确定该候选简历所对应的求职者的特征信息，根据特征信息确定该候选简历的特征加分，根据相似度和特征加分确定该候选简历的推荐值，按照推荐值从大到小的顺序将候选简历呈现给招聘者。

可选地，在根据本发明的简历搜索方法中，简历包括教育经历信息和工作经历信息，查询关键词包括学校名称、公司名称、职位名称中的一种或多种；根据一个或多个查询关键词，从所存储的多个简历中确定一个或多个候选简历的步骤包括：将职位名称进行分词，得到一个或多个职位名称词元；将教育经历信息中包括上述学校名称，工作经历信息中包括上述公司名称和至少一个上述职位名称词元的简历作为候选简历。

可选地，在根据本发明的简历搜索方法中，工作经历信息包括一段或多段工作经历，每一段工作经历包括起始时间、终止时间、就职公司和就职职位；根据该候选简历以及该候选简历所对应的求职者的期望职位来确定该候选简历与查询关键词的相似度的步骤包括：对于每一段工作经历：计算该段工作经历的就职职位与职位名称的职位相似度，根据起始时间和终止时间确定该段工作经历的持续时间，根据持续时间确定该段工作经历的置信因子，根据职位相似度和置信因子确定该段工作经历与职位名称的第一相似度；计算期望职位与所述职位名称的职位相似度；分别确定每一段工作经历和期望职位的权值；根据每一段工作经历与职位名称的第一相似度、期望职位与职位名称的职位相似度、以及每一段工作经历和期望职位的权值来确定该简历与查询关键词的相似度。

可选地，在根据本发明的简历搜索方法中，数据存储装置中还存储有各词元的使用权重，两个职位的职位相似度按照以下步骤计算：将参与计算的两个职位的名称记为第一职位、第二职位；确定第一集合和第二集合，第一集合为由将第一职位进行分词所得到的一个或多个第一职位词元所构成的集合，第二集合为由将第二职位进行分词所得到的一个或多个第二职位词元所构成的集合；确定第一集合与第二集合的交集和并集；将交集中各词元的使用权重之和与并集中各词元的使用权重之和的商作为第一职位与第二职位的职位相似度。

可选地，在根据本发明的简历搜索方法中，置信因子按照以下公式计算：

其中，λ为置信因子，a、b为常量参数，month为所述持续时间的月数，M为月数阈值。

可选地，在根据本发明的简历搜索方法中，a+b＝1且a＞b。

可选地，在根据本发明的简历搜索方法中，根据职位相似度和置信因子确定该段工作经历与职位名称的第一相似度包括：将职位相似度和置信因子的乘积作为该段工作经历与查询关键词的第一相似度。

可选地，在根据本发明的简历搜索方法中，根据每一段工作经历与职位名称的第一相似度、期望职位与职位名称的职位相似度、以及每一段工作经历和期望职位的权值来确定该简历与查询关键词的相似度的步骤包括：将每一段工作经历与职位名称的第一相似度和期望职位与职位名称的职位相似度的加权求和结果作为该简历与查询关键词的相似度。

可选地，在根据本发明的简历搜索方法中，每一条求职的操作记录包括操作时间和操作类型，操作类型包括登录招聘网站、响应招聘者发出的求职邀约和投递简历；候选简历所对应的求职者的特征信息包括以下信息中的一种或多种：教育经历信息中所包括的学校是否为名校；工作经历信息中所包括的就职公司是否为名企；工作经历的总年限；最后登录时间；邀约响应率；投递意愿。

可选地，在根据本发明的简历搜索方法中，投递意愿按照以下步骤确定：获取该候选简历所对应的求职者的求职的操作记录；根据操作记录确定操作特征信息；根据操作特征信息，采用回归器确定所述投递意愿。

可选地，在根据本发明的简历搜索方法中，操作特征信息包括以下信息中的一种或多种：当前时间距离注册日的天数；投递总次数；平均每天投递次数；操作总次数；平均每天操作次数；进行了投递操作的天数；平均投递间隔天数；进行了操作的天数；平均操作间隔天数；最近一次投递操作距离当前时间的天数；次近一次投递操作距离当前时间的天数；最近一次和次近一次投递操作之间的间隔天数；最近一次操作距离当前时间的天数；次近一次操作距离当前时间的天数；最近一次和次近一次操作之间的间隔天数；连续投递操作天数；连续操作天数；当前时间是星期几。

可选地，在根据本发明的简历搜索方法中，回归器为GBDT回归树。

可选地，在根据本发明的简历搜索方法中，根据相似度和特征加分确定该候选简历的推荐值的步骤包括：将相似度和特征加分之和作为该候选简历的推荐值。

根据本发明的一个方面，提供一种计算设备，包括：至少一个处理器；和存储有程序指令的存储器，其中，上述程序指令被配置为适于由上述至少一个处理器执行，上述程序指令包括用于执行如上所述的简历搜索方法的指令。

根据本发明的一个方面，提供一种存储有程序指令的可读存储介质，当该程序指令被计算设备读取并执行时，使得该计算设备执行如上所述的简历搜索方法。

根据本发明的技术方案，首先从招聘者输入的查询短语中提取出查询关键词，根据查询关键词，从简历库中确定一部分候选简历。随后，计算每一个候选简历与查询关键词的相似度，并计算每一个候选简历的特征加分，将相似度与特征加分之和作为候选简历的推荐值，按照推荐值从大到小的顺序将候选简历呈现给招聘者。

本发明在计算候选简历与查询关键词的相似度时，首先计算各段工作经历与查询关键词中的职位名称的第一相似度、以及求职者的期望职位与查询关键词中的职位名称的职位相似度。随后，为计算得出的各段工作经历的第一相似度以及期望职位的职位相似度分配权值。最后，将各段工作经历的第一相似度与期望职位的职位相似度的加权求和结果作为该简历与查询关键词的相似度。在本发明中，工作经历距离当前时间越近，其权重越大，避免了工作经历较少的求职者在计算相似度时吃亏，增加了简历搜索的客观和可信度。

进一步地，本发明在计算各段工作经历与查询关键词中的职位名称的第一相似度时，首先计算各段工作经历的就职职位与查询关键词中的职位名称的职位相似度；随后根据各段工作经历的持续时间确定各段工作经历的置信因子，持续时间越长，该段工作经历的置信因子越大；最后，将职位相似度与置信因子的乘积作为工作经历与职位名称的第一相似度。也就是说，本发明在计算工作经历与职位名称的第一相似度(即文本匹配度)时也考虑到了各段工作经历的持续时间，工作经历越长，置信程度越高，参考价值越大，避免了短暂的工作经历的干扰，使得工作经历与职位名称的第一相似度更加科学可信。

此外，本发明进行简历搜索时，除了计算简历与查询关键词的相似度之外，还计算了求职者的特征信息并通过特征信息确定特征加分。这样，本发明在为招聘者推荐简历时，除了参考简历与查询关键词的文本匹配度之外，还综合参考了其他因素，例如求职者的投递意愿是否强烈、邀约响应是否及时，等等，从而可以满足招聘者更深层次的需求，将更优质、合适的简历呈现给招聘者，提高了简历搜索结果的点击率，降低了招聘者找到优质简历的难度，方便招聘者与合适的求职者快速建立联系，加快招聘进程。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

为了实现上述以及相关目的，本文结合下面的描述和附图来描述某些说明性方面，这些方面指示了可以实践本文所公开的原理的各种方式，并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述，本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开，相同的附图标记通常指代相同的部件或元素。

图1示出了根据本发明一个实施例的简历搜索系统100的示意图；

图2示出了根据本发明一个实施例的计算设备200的示意图；以及

图3示出了根据本发明一个实施例的简历搜索方法300的流程图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

图1示出了根据本发明一个实施例的简历搜索系统100的示意图。如图1所示，简历搜索系统100包括计算设备200、终端设备110以及数据存储装置120。应当指出，图1中的网络系统100仅是示例性的，在具体的实践情况中，网络系统100中可以有不同数量的计算设备、终端设备和数据存储装置，本发明对网络系统中所包括的计算设备、终端设备和数据存储装置的数量不做限制。

计算设备200可以实现为服务器，例如WEB服务器、应用程序服务器、文件服务器、数据库服务器等，也可以实现为包括桌面计算机和笔记本计算机配置的个人计算机。终端设备110可以是诸如PC、笔记本电脑、手机、平板电脑、笔记本电脑、电视盒子、可穿戴设备等可以接入互联网的设备。数据存储装置120可以作为本地数据库驻留于计算设备200中，也可以作为远程数据库设置在计算设备200之外，还可以作为分布式数据库例如HBase等设置于多个地理位置处，总之，数据存储装置120用于存储数据，但是本发明对数据存储装置120的具体配置情况不做限制。终端设备110可以通过有线的方式接入互联网，也可以通过3G、4G、WiFi、个人热点、IEEE802.11x、蓝牙等无线的方式接入互联网，并经由互联网与计算设备200通信。计算设备200可以通过有线或无线的方式经由互联网对数据存储装置200中的数据进行读写。

根据一种实施例，计算设备200可以是某个招聘网站所对应的服务器。数据存储装置120中存储有多条求职者信息，如下表所示，每条求职者信息包括求职者的基本信息、简历和求职的操作记录，但不限于此。其中，基本信息包括期望职位、期望薪资、期望工作地点等；简历中包括教育经历信息和工作经历信息，教育经历信息中包括一段或多段教育经历，每段教育经历包括学历和学校，工作经历信息中包括一段或多段工作经历，每段工作经历包括起始时间、终止时间、就职公司和就职职位；求职操作记录可以有一条或多条，每条操作记录包括操作时间和操作类型，操作类型例如可以是登录招聘网站、收藏职位、投递职位、响应(包括接受和拒绝)招聘者发出的求职邀约等。当然，下表仅是求职者信息结构的一个示例，在其他的实施例中，求职者信息中可以包括下表中未列出的其他信息，也可以不包括下表中所列出的某些信息，本发明对求职者信息中具体包括的信息项目不做限制。

计算设备200基于数据存储装置120中所存储的数据，可以向招聘者、求职者提供相应的服务，例如，基于招聘者输入的查询短语搜索出相关的简历返回给招聘者，或基于求职者输入的查询短语搜索出相关的职位返回给求职者，等等。图1示出了计算设备200所能提供的一种服务场景：招聘者在终端设备110的浏览器中登录招聘网站，在搜索框中输入查询短语“Java工程师A大学B公司”，计算设备200接收该查询短语，并根据该查询短语从数据存储装置120中搜索相关简历，将搜索到的简历结果(如图1所示，搜索结果为张三、李四等人的简历)返回至终端设备110并在终端设备110的浏览器中进行显示。

图2示出了根据本发明一个实施例的计算设备200的示意图。在基本的配置202中，计算设备200典型地包括系统存储器206和一个或者多个处理器204。存储器总线208可以用于在处理器204和系统存储器206之间的通信。

取决于期望的配置，处理器204可以是任何类型的处理，包括但不限于：微处理器(μP)、微控制器(μC)、数字信息处理器(DSP)或者它们的任何组合。处理器204可以包括诸如一级高速缓存210和二级高速缓存212之类的一个或者多个级别的高速缓存、处理器核心214和寄存器216。示例的处理器核心214可以包括运算逻辑单元(ALU)、浮点数单元(FPU)、数字信号处理核心(DSP核心)或者它们的任何组合。示例的存储器控制器218可以与处理器204一起使用，或者在一些实现中，存储器控制器218可以是处理器204的一个内部部分。

取决于期望的配置，系统存储器206可以是任意类型的存储器，包括但不限于：易失性存储器(诸如RAM)、非易失性存储器(诸如ROM、闪存等)或者它们的任何组合。系统存储器106可以包括操作系统220、一个或者多个应用222以及程序数据224。应用222实际上是多条程序指令，其用于指示处理器204执行相应的操作。在一些实施方式中，应用222可以布置为在操作系统上使得处理器204利用程序数据224进行操作。

计算设备200还可以包括有助于从各种接口设备(例如，输出设备242、外设接口244和通信设备246)到基本配置202经由总线/接口控制器230的通信的接口总线240。示例的输出设备242包括图形处理单元248和音频处理单元250。它们可以被配置为有助于经由一个或者多个A/V端口252与诸如显示器或者扬声器之类的各种外部设备进行通信。示例外设接口244可以包括串行接口控制器254和并行接口控制器256，它们可以被配置为有助于经由一个或者多个I/O端口258和诸如输入设备(例如，键盘、鼠标、笔、语音输入设备、触摸输入设备)或者其他外设(例如打印机、扫描仪等)之类的外部设备进行通信。示例的通信设备246可以包括网络控制器260，其可以被布置为便于经由一个或者多个通信端口264与一个或者多个其他计算设备262通过网络通信链路的通信。

网络通信链路可以是通信介质的一个示例。通信介质通常可以体现为在诸如载波或者其他传输机制之类的调制数据信号中的计算机可读指令、数据结构、程序模块，并且可以包括任何信息递送介质。“调制数据信号”可以这样的信号，它的数据集中的一个或者多个或者它的改变可以在信号中编码信息的方式进行。作为非限制性的示例，通信介质可以包括诸如有线网络或者专线网络之类的有线介质，以及诸如声音、射频(RF)、微波、红外(IR)或者其它无线介质在内的各种无线介质。这里使用的术语计算机可读介质可以包括存储介质和通信介质二者。

在根据本发明的计算设备200中，应用222包括简历搜索装置228，简历搜索装置228包括多条程序指令，而程序数据224可以包括由数据存储装置120中缓存来的求职者信息，简历搜索装置228可以指示处理器204执行简历搜索方法300，即对程序数据224中所包括的求职者信息进行处理计算，从而实现简历搜索。

图3示出了根据本发明一个实施例的简历搜索方法300的流程图，方法300适于在计算设备(例如前述计算设备200)中执行。如图3所示，方法300始于步骤S310。

在步骤S310中，获取招聘者输入的查询短语。例如，招聘者输入如图1所示的查询短语“Java工程师A大学B公司”

随后，在步骤S320中，从查询短语中提取出一个或多个查询关键词。根据一种实施例，查询关键词包括学校名称、公司名称、职位名称中的一种或多种。应当指出，查询关键词的提取可以通过查询特定领域词典来确定，特定领域词典存储于数据存储装置120中。例如，数据存储装置120中存储有学校词典、公司词典和职位词典，基于这些词典，可以从图1所示的查询短语“Java工程师A大学B公司”提取出三个查询关键词“Java工程师”、“A大学”、“B公司”，分别对应于职位名称、学校名称和公司名称。

随后，在步骤S330中，根据上述一个或多个查询关键词，从所存储的多个简历中确定一个或多个候选简历。

根据一种实施例，步骤S330可以进一步按照以下步骤S332～S334实施：

步骤S332：将查询关键词中的职位名称进行分词，得到一个或多个职位名称词元。应当指出，将职位名称分词为职位名称词元的过程可以通过查询职位分词词典来确定，分词词典存储于数据存储装置120中。例如，职位名称“Java工程师”的分词结果为“Java”和“工程师”两个职位名称词元。

步骤S334：将教育经历信息中包括上述学校名称，工作经历信息中包括上述公司名称和至少一个上述职位名称词元的简历作为候选简历。即，候选简历中必须包括查询关键词中的学校名称、公司名称和至少一个职位名称词元。例如，对于图1所示的查询短语“Java工程师A大学B公司”，从中提取出三个关键词“Java工程师”“A大学”“B公司”，并进一步对“Java工程师”进行分词，得到“Java”“工程师”两个职位名称词元，接下来，需要根据“A大学”“B公司”“Java”“工程师”对简历进行筛选，所选出的简历中应当包括“A大学”，“B公司”，以及“Java”和“工程师”中的至少一个。例如，有以下四份简历：

简历1：

姓名：张三；

教育经历：本科：A大学；

研究生：C大学；

工作经历：2015.1.1～2017.7.7，B公司，产品经理；

2013.2.2～2014.12.15，D公司，Java搜索。

简历2：

姓名：李四；

教育经历：本科：A大学；

工作经历：2015.1.1～2017.5.5，B公司，Java开发。

简历3：

姓名：王五；

教育经历：本科：A大学；

工作经历：2016.1.1～2016.6.6，B公司，Python工程师。

简历4：

姓名：赵六；

教育经历：本科：A大学；

工作经历：2016.2.2～2017.3.3，B公司，Python开发。

以上四份简历中，简历1和简历2的教育经历信息中包括“A大学”、工作经历信息中包括“B公司”和词元“Java”，故二者均为候选简历。简历3中包括“A大学”、“B公司”和“工程师”，故简历3也为候选简历。简历4中包括“A大学”、“B公司”，但不包括“Java”“工程师”的任意一个，故简历4不是候选简历。

随后，在步骤S340中，对于每一个候选简历：根据该候选简历以及该候选简历所对应的求职者的期望职位来确定该候选简历与查询关键词的相似度，根据该候选简历以及该候选简历所对应的求职者求职的操作记录来确定该候选简历所对应的求职者的特征信息，根据特征信息确定该候选简历的特征加分，根据相似度和特征加分确定该候选简历的推荐值。

步骤S340相当于计算每一个候选简历的推荐值，一个候选简历的推荐值可以按照以下步骤S342～S346计算：

步骤S342：根据该候选简历以及该候选简历所对应的求职者的期望职位来确定该候选简历与查询关键词的相似度。根据一种实施例，步骤S342可以进一步按照以下方法实施：

步骤S3422：对于简历工作经历信息中的每一段工作经历：计算该段工作经历的就职职位与查询关键词中的职位名称的职位相似度；根据起始时间和终止时间确定该段工作经历的持续时间，根据该持续时间确定该段工作经历的置信因子；根据职位相似度和置信因子确定该段工作经历与所述职位名称的第一相似度。

根据一种实施例，职位相似度可以按照以下方法计算：

将参与计算的两个职位的名称记为第一职位、第二职位；确定第一集合和第二集合，第一集合为由将第一职位进行分词所得到的一个或多个第一职位词元所构成的集合，第二集合为由将第二职位进行分词所得到的一个或多个第二职位词元所构成的集合；确定第一集合与第二集合的交集和并集；将交集中各词元的使用权重之和与并集中各词元的使用权重之和的商作为第一职位与第二职位的职位相似度。例如，某一段工作经历的就职职位为“Java搜索”，查询关键词中的职位名称为“Java工程师”，那么，第一集合S1＝{Java，搜索}，第二集合S2＝{Java，工程师}，S1∩S2＝{Java}，S1∪S2＝{Java，搜索，工程师}。数据存储装置120中存储有各词元的使用权重，使用权重可以是由职位词典或招聘者输入的查询短语中各词元的出现频率来统计得出，本发明对各词元的使用权重的确定方法不做限制。经过查询，“Java”的使用权重为c1，“搜索”的使用权重为c2，“工程师”的使用权重为c3，那么，就职职位“Java搜索”与职位名称“Java工程师”的职位相似度sim1＝c1/(c1+c2+c3)。

根据一种实施例，某段工作经历的置信因子可以按照以下公式计算：

其中，λ为置信因子，a、b为常量参数，month为该段工作经历的持续时间的月数，M为月数阈值。根据一种实施例，a+b＝1且a＞b。a＞b是为了保证置信因子能够一个较大的基础值a，因为置信因子将作用于职位相似度，我们不能因为某段工作经历的持续时间较短而否定该段工作经历的就职职位与职位名称的相似度，而只能在一定基础上降低其置信程度。

根据一种实施例，根据职位相似度和置信因子确定该段工作经历与职位名称的第一相似度包括：将职位相似度和置信因子的乘积作为该段工作经历与查询关键词的第一相似度。例如，经过前述计算，某段工作经历的职位相似度为sim，置信因子为λ，则该段工作经历与职位名称的第一相似度ss＝sim*λ。当然，除了相乘之外，还可以采取其他的组合计算方法来根据职位相似度和置信因子确定一段工作经历与职位名称的第一相似度，本发明对第一相似度的确定方法不做限制。

步骤S3424：计算期望职位与职位名称的职位相似度。

根据一种实施例，参考前述职位相似度的计算方法，可以确定期望职位与职位名称的职位相似度。例如，求职者的期望职位为“Java开发”，职位名称为“Java工程师”，那么S3＝{Java，开发}，S2＝{Java，工程师}，S3∩S2＝{Java}，S3∪S2＝{Java，开发，工程师}。经过查询，“Java”的使用权重为c1，“开发”的使用权重为c4，“工程师”的使用权重为c3，那么，期望职位“Java开发”与职位名称“Java工程师”的职位相似度sim2＝c1/(c1+c4+c3)。

步骤S3426：分别确定每一段工作经历和期望职位的权值。

根据一种实施例，为各段工作经历和期望职位设置权值的原则是，对于工作经历来说，工作经历距离当前时间越近，其权值越大；同时，最近一段工作经历在计算候选简历与查询关键词的相似度时至关重要，应当将其权值设置为最大并明显大于其他段工作经历和期望职位的权值；此外，除了最近一段工作经历之外，其他段工作经历和期望职位的权值应当拉开一定的梯度距离。这样，工作经历距离当前时间越近，其权重越大，避免了工作经历较少的求职者在计算相似度时吃亏，增加了简历搜索的客观和可信度。例如，某个简历包括三段工作经历，将最近一二三段工作经历和期望职位的权值分别设置为7.5、1、0.5、1，最近一段工作经历的权值为其他三者的权值之和的三倍，同时，最近二三段工作经历和期望职位的权值也不尽相同。

步骤S3428：根据每一段工作经历与职位名称的第一相似度、期望职位与所述职位名称的职位相似度、以及每一段工作经历和期望职位的权值来确定该简历与查询关键词的相似度。

根据一种实施例，该简历与查询关键词的相似度为每一段工作经历与职位名称的第一相似度和期望职位与职位名称的职位相似度的加权求和。例如，某简历的最近一二三段工作经历与职位名称的第一相似度分别为ss1～ss3，期望职位与职位名称的职位相似度为sim4，最近一二三段工作经历和期望职位的权值分别为w1～w4，那么，该简历与查询关键词的相似度为(ss1*w1+ss2*w2+ss3*w3+sim4*w4)。

步骤S344：根据该候选简历以及该候选简历所对应的求职者求职的操作记录来确定该候选简历所对应的求职者的特征信息，根据特征信息确定该候选简历的特征加分。

根据一种实施例，求职者的特征信息包括以下信息中的一种或多种：教育经历信息中所包括的学校是否为名校；工作经历信息中所包括的就职公司是否为名企；工作经历的总年限；最后登录时间；邀约响应率；投递意愿。

其中，是否为名校、是否为名企可以通过查询数据存储装置120中存储的名校词典、名企词典来确定。工作经历的总年限即各段工作经历的持续时间之和。最后登录时间可以通过求职者求职的操作记录来确定。邀约响应率为求职者响应邀约的次数与接收到的招聘者发出的求职邀约的次数的比值，应当指出，响应邀约包括两种操作，即接受邀约(向招聘者投递简历)和拒绝邀约。

根据一种实施例，投递意愿可以按照以下步骤来确定：获取该候选简历所对应的求职者的求职的操作记录；根据操作记录确定操作特征信息；根据操作特征信息，采用回归器确定所述投递意愿。

根据一种实施例，操作特征信息包括以下信息中的一种或多种：当前时间距离注册日的天数；投递总次数；平均每天投递次数；操作总次数；平均每天操作次数；进行了投递操作的天数；平均投递间隔天数；进行了操作的天数；平均操作间隔天数；最近一次投递操作距离当前时间的天数；次近一次投递操作距离当前时间的天数；最近一次和次近一次投递操作之间的间隔天数；最近一次操作距离当前时间的天数；次近一次操作距离当前时间的天数；最近一次和次近一次操作之间的间隔天数；连续投递操作天数；连续操作天数；当前时间是星期几。

根据一种实施例，所述回归器为GBDT回归树。应当指出，GBDT回归树由样本集训练得出，样本集中包括多个样本，每个样本包括特征(feature)和回归值(value)，其中，特征与上述操作特征信息中所包括的信息项目相同，回归值即投递意愿。根据一种实施例，可以选择预定时间(例如最近三个月)内的多个求职者的操作记录作为样本集，具体地，对于每一个操作记录，提取出上述操作特征信息，并标记该操作记录的投递意愿。投递意愿的标记例如可以采用以下方法：将投递操作记录的投递意愿标记为1，将收藏职位操作记录的投递意愿标记为0.5，将浏览职位操作记录的投递意愿标记为0。当然，除了该方法之外，还可以采用其他的方法来标记各样本的投递意愿，本发明对样本的投递意愿的标记方法不做限制。标记了各样本的投递意愿之后，可以得到样本集，基于该样本集即可训练GBDT回归树。应当指出，在训练GBDT回归树时，所采用的具体参数例如弱学习器的最大个数、每棵树的最大深度、内部节点再划分所需要的最小样本数、弱学习器的权重缩减系数(即步长)等可以由本领域技术人员自行设置，本发明对此不做限制。

应当指出，步骤S344旨在根据特征信息确定候选简历的特征加分。特征信息包括是否名校、是否名企、工作经历总年限、最后登录时间、邀约响应率、投递意愿等。在确定候选简历的特征加分时，可以遵循以下规则：

1)名校可以有特征加分，具体的加分规则可以由本领域技术人员自行设置，本发明对此不做限制，例如，可以设置为学校排名越高，特征加分越大。

2)名企可以有特征加分，具体的加分规则可以由本领域技术人员自行设置，本发明对此不做限制，例如，可以设置为企业排名越高，特征加分越大。

3)工作经历总年限越长，特征加分越大。具体的加分规则可以由本领域技术人员自行设置，本发明对此不做限制。

4)最后登录时间距离当前时间越近，特征加分越大。具体的加分规则可以由本领域技术人员自行设置，本发明对此不做限制。

5)邀约响应率越高，特征加分越大。具体的加分规则可以由本领域技术人员自行设置，本发明对此不做限制。

6)投递意愿越高，特征加分越大。具体的加分规则可以由本领域技术人员自行设置，本发明对此不做限制。

步骤S346：根据相似度和特征加分确定该候选简历的推荐值。

根据一种实施例，将相似度和特征加分之和作为候选简历的推荐值。例如，经过步骤S342，得出某候选简历与查询关键词的相似度为r；经过步骤S344，得出某候选简历的特征加分为e，那么，在步骤S346中，该候选简历的推荐值score为相似度r与特征加分e之和，即score＝r+e。应当指出，除了上述简单相加的方法之外，还可以采用其他方法来确定候选简历的推荐值，本发明对确定推荐值所采用的具体算法不做限制。例如，还可以令score＝α*r+β*e，其中，α、β为常量参数，使得α*r的取值范围大于β*e的取值范围，这样，可以控制在确定候选简历的推荐值时，候选简历与查询关键词的相似度为主导因素，特征加分为附加因素，使得推荐值的计算过程以客观计算(相似度)为主，主观调控(特征加分)为辅，计算结果更加科学、可信。

随后，在步骤S350中，按照推荐值从大到小的顺序将候选简历呈现给招聘者。例如，图1示出了简历呈现界面的一个示例。界面中展示了张三和李四两个求职者的简历，其中，张三简历的推荐值大于李四。

根据本发明的技术方案，首先从招聘者输入的查询短语中提取出查询关键词，根据查询关键词，从简历库中确定一部分候选简历。随后，计算每一个候选简历与查询关键词的相似度，并计算每一个候选简历的特征加分，将相似度与特征加分之和作为候选简历的推荐值，按照推荐值从大到小的顺序将候选简历呈现给招聘者。

本发明在计算候选简历与查询关键词的相似度时，首先计算各段工作经历与查询关键词中的职位名称的第一相似度、以及求职者的期望职位与查询关键词中的职位名称的职位相似度。随后，为计算得出的各段工作经历的第一相似度以及期望职位的职位相似度分配权值。最后，将各段工作经历的第一相似度与期望职位的职位相似度的加权求和结果作为该简历与查询关键词的相似度。在本发明中，工作经历距离当前时间越近，其权重越大，避免了工作经历较少的求职者在计算相似度时吃亏，增加了简历搜索的客观和可信度。

进一步地，本发明在计算各段工作经历与查询关键词中的职位名称的第一相似度时，首先计算各段工作经历的就职职位与查询关键词中的职位名称的职位相似度；随后根据各段工作经历的持续时间确定各段工作经历的置信因子，持续时间越长，该段工作经历的置信因子越大；最后，将职位相似度与置信因子的乘积作为工作经历与职位名称的第一相似度。也就是说，本发明在计算工作经历与职位名称的第一相似度(即文本匹配度)时也考虑到了各段工作经历的持续时间，工作经历越长，置信程度越高，参考价值越大，避免了短暂的工作经历的干扰，使得工作经历与职位名称的第一相似度更加科学可信。

此外，本发明进行简历搜索时，除了计算简历与查询关键词的相似度之外，还计算了求职者的特征信息并通过特征信息确定特征加分。这样，本发明在为招聘者推荐简历时，除了参考简历与查询关键词的文本匹配度之外，还综合参考了其他因素，例如求职者的投递意愿是否强烈、邀约响应是否及时，等等，从而可以满足招聘者更深层次的需求，将更优质、合适的简历呈现给招聘者，降低了招聘者找到优质简历的难度，方便招聘者与求职者快速建立联系，加快招聘进程。

A9：A3所述的方法，其中，每一条所述求职的操作记录包括操作时间和操作类型，所述操作类型包括登录招聘网站、响应招聘者发出的求职邀约和投递简历；

所述候选简历所对应的求职者的特征信息包括以下信息中的一种或多种：

教育经历信息中所包括的学校是否为名校；工作经历信息中所包括的就职公司是否为名企；工作经历的总年限；最后登录时间；邀约响应率；投递意愿。

A10：A9所述的方法，其中，所述投递意愿按照以下步骤确定：

获取该候选简历所对应的求职者的求职的操作记录；

根据所述操作记录确定操作特征信息；

根据所述操作特征信息，采用回归器确定所述投递意愿。

A11：A10所述的方法，其中，所述操作特征信息包括以下信息中的一种或多种：

当前时间距离注册日的天数；投递总次数；平均每天投递次数；操作总次数；平均每天操作次数；进行了投递操作的天数；平均投递间隔天数；进行了操作的天数；平均操作间隔天数；最近一次投递操作距离当前时间的天数；次近一次投递操作距离当前时间的天数；最近一次和次近一次投递操作之间的间隔天数；最近一次操作距离当前时间的天数；次近一次操作距离当前时间的天数；最近一次和次近一次操作之间的间隔天数；连续投递操作天数；连续操作天数；当前时间是星期几。

A12：A10或11所述的方法，其中，所述回归器为GBDT回归树。

A13：A1所述的方法，其中，根据所述相似度和所述特征加分确定该候选简历的推荐值的步骤包括：

将所述相似度和所述特征加分之和作为该候选简历的推荐值。

这里描述的各种技术可结合硬件或软件，或者它们的组合一起实现。从而，本发明的方法和设备，或者本发明的方法和设备的某些方面或部分可采取嵌入有形媒介，例如可移动硬盘、U盘、软盘、CD-ROM或者其它任意机器可读的存储介质中的程序代码(即指令)的形式，其中当程序被载入诸如计算机之类的机器，并被所述机器执行时，所述机器变成实践本发明的设备。

在程序代码在可编程计算机上执行的情况下，计算设备一般包括处理器、处理器可读的存储介质(包括易失性和非易失性存储器和/或存储元件)，至少一个输入装置，和至少一个输出装置。其中，存储器被配置用于存储程序代码；处理器被配置用于根据该存储器中存储的所述程序代码中的指令，执行本发明的简历搜索方法。

以示例而非限制的方式，可读介质包括可读存储介质和通信介质。可读存储介质存储诸如计算机可读指令、数据结构、程序模块或其它数据等信息。通信介质一般以诸如载波或其它传输机制等已调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据，并且包括任何信息传递介质。以上的任一种的组合也包括在可读介质的范围之内。

在此处所提供的说明书中，算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与本发明的示例一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

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被实践。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特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组件可以布置在如该实施例中所描述的设备中，或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。

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，在下面的权利要求书中，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。

此外，所述实施例中的一些在此被描述成可以由计算机系统的处理器或者由执行所述功能的其它装置实施的方法或方法元素的组合。因此，具有用于实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外，装置实施例的在此所述的元素是如下装置的例子：该装置用于实施由为了实施该发明的目的的元素所执行的功能。

如在此所使用的那样，除非另行规定，使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例，并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。

尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的而非限制性的，本发明的范围由所附权利要求书限定。

Claims (14)

1.一种简历搜索方法，在计算设备中执行，所述计算设备与数据存储装置连接，所述数据存储装置中存储有多条求职者信息，每条求职者信息包括求职者的期望职位、求职者的简历和至少一条求职的操作记录，所述简历包括教育经历信息和工作经历信息，所述工作经历信息包括一段或多段工作经历，每一段工作经历包括起始时间、终止时间、就职公司和就职职位，所述方法包括：

获取招聘者输入的查询短语；

从所述查询短语中提取出一个或多个查询关键词，所述查询关键词包括学校名称、公司名称、职位名称中的一种或多种；

根据所述一个或多个查询关键词，从所存储的多个简历中确定一个或多个候选简历；

对于每一个候选简历：

对于每一段工作经历：计算该段工作经历的就职职位与所述职位名称的职位相似度，根据起始时间和终止时间确定该段工作经历的持续时间，根据所述持续时间确定该段工作经历的置信因子，根据所述职位相似度和置信因子确定该段工作经历与所述职位名称的第一相似度；

计算所述期望职位与所述职位名称的职位相似度；

分别确定每一段工作经历和期望职位的权值；

根据每一段工作经历与所述职位名称的第一相似度、期望职位与所述职位名称的职位相似度、以及每一段工作经历和期望职位的权值来确定该简历与查询关键词的相似度；

根据该候选简历以及该候选简历所对应的求职者求职的操作记录来确定该候选简历所对应的求职者的特征信息，根据所述特征信息确定该候选简历的特征加分，

根据所述相似度和所述特征加分确定该候选简历的推荐值；按照推荐值从大到小的顺序将候选简历呈现给招聘者。

2.如权利要求1所述的方法，其中，根据所述一个或多个查询关键词，从所存储的多个简历中确定一个或多个候选简历的步骤包括：

将所述职位名称进行分词，得到一个或多个职位名称词元；

将教育经历信息中包括所述学校名称，工作经历信息中包括所述公司名称和至少一个所述职位名称词元的简历作为候选简历。

3.如权利要求1所述的方法，其中，所述数据存储装置中还存储有各词元的使用权重，两个职位的职位相似度按照以下步骤计算：

将参与计算的两个职位的名称记为第一职位、第二职位；

确定第一集合和第二集合，所述第一集合为由将第一职位进行分词所得到的一个或多个第一职位词元所构成的集合，所述第二集合为由将第二职位进行分词所得到的一个或多个第二职位词元所构成的集合；

确定第一集合与第二集合的交集和并集；

将所述交集中各词元的使用权重之和与所述并集中各词元的使用权重之和的商作为所述第一职位与第二职位的职位相似度。

4.如权利要求1所述的方法，其中，所述置信因子按照以下公式计算：

其中，λ为置信因子，a、b为常量参数，month为所述持续时间的月数，M为月数阈值。

5.如权利要求4所述的方法，其中，a+b＝1且a＞b。

6.如权利要求1所述的方法，其中，根据所述职位相似度和置信因子确定该段工作经历与所述职位名称的第一相似度包括：将所述职位相似度和置信因子的乘积作为该段工作经历与查询关键词的第一相似度。

7.如权利要求1所述的方法，其中，根据每一段工作经历与所述职位名称的第一相似度、期望职位与所述职位名称的职位相似度、以及每一段工作经历和期望职位的权值来确定该简历与查询关键词的相似度的步骤包括：将每一段工作经历与所述职位名称的第一相似度和期望职位与所述职位名称的职位相似度的加权求和结果作为该简历与查询关键词的相似度。

8.如权利要求1所述的方法，其中，每一条所述求职的操作记录包括操作时间和操作类型，所述操作类型包括登录招聘网站、响应招聘者发出的求职邀约和投递简历；

所述候选简历所对应的求职者的特征信息包括以下信息中的一种或多种：

教育经历信息中所包括的学校是否为名校；工作经历信息中所包括的就职公司是否为名企；工作经历的总年限；最后登录时间；邀约响应率；投递意愿。

9.如权利要求8所述的方法，其中，所述投递意愿按照以下步骤确定：

获取该候选简历所对应的求职者的求职的操作记录；

根据所述操作记录确定操作特征信息；

根据所述操作特征信息，采用回归器确定所述投递意愿。

10.如权利要求9所述的方法，其中，所述操作特征信息包括以下信息中的一种或多种：

当前时间距离注册日的天数；投递总次数；平均每天投递次数；操作总次数；平均每天操作次数；进行了投递操作的天数；平均投递间隔天数；进行了操作的天数；平均操作间隔天数；最近一次投递操作距离当前时间的天数；次近一次投递操作距离当前时间的天数；最近一次和次近一次投递操作之间的间隔天数；最近一次操作距离当前时间的天数；次近一次操作距离当前时间的天数；最近一次和次近一次操作之间的间隔天数；连续投递操作天数；连续操作天数；当前时间是星期几。

11.如权利要求9或10所述的方法，其中，所述回归器为GBDT回归树。

12.如权利要求1所述的方法，其中，根据所述相似度和所述特征加分确定该候选简历的推荐值的步骤包括：

将所述相似度和所述特征加分之和作为该候选简历的推荐值。

13.一种计算设备，包括：

至少一个处理器；和

存储有程序指令的存储器，其中，所述程序指令被配置为适于由所述至少一个处理器执行，所述程序指令包括用于执行如权利要求1-12中任一项所述的简历搜索方法的指令。

14.一种存储有程序指令的可读存储介质，当所述程序指令被计算设备读取并执行时，使得所述计算设备执行如权利要求1-12中任一项所述的简历搜索方法。

Images