CN108133357A - 一种人才推荐方法及计算设备 - Google Patents

Abstract

本发明公开了一种人才推荐方法，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职位记录、多个人才的简历以及多个人才的多条行为记录，每条职位记录包括职位名称，该方法包括：根据目标职位的职位名称以及各简历的内容来确定目标职位的第一人才候选集；根据各人才的行为记录来确定目标职位的第二人才候选集；将第一人才候选集和第二人才候选集进行融合，得到目标职位的人才推荐集。本发明一并公开了相应的计算设备。本发明的技术方案可以实现准确、高效的人才推荐。

Description

一种人才推荐方法及计算设备

技术领域

本发明涉及数据处理技术领域，尤其涉及一种人才推荐方法及计算设备。

背景技术

随着互联网技术的发展，网络求职/招聘已经成了求职者找工作、用人单位招聘员工的主要途径。招聘者(通常是用人单位的HR)可以在招聘网站上发布职位信息，从简历列表中浏览简历，或通过关键字去搜索简历，以找到适合其发布的职位的人才。一般地，招聘网站上拥有大量求职者的简历，招聘者很难在短时间内找到合适的人才；而使用关键字搜索时，由于招聘者使用的关键字的数量和精确性有限，往往也很难快速找到合适的人才。为了解决上述问题，招聘网站通常采用的做法是，向招聘者推荐人才，即，招聘网站主动地把可能适合的人才推送给招聘者。

目前的人才推荐算法往往根据人才对职位的行为记录(例如投递、收藏、浏览等行为)或根据职位的特征来搜索并推荐人才。根据行为记录来推荐人才的算法存在“冷启动”问题，即，对于新发布的职位，由于该职位没有收到人才的行为记录而无法向该职位推荐人才；对于新注册的人才，由于该人才没有任何行为记录而无法被推荐给任何职位。此外，职位的特征通常比较稳定，根据职位的特征来推荐人才会使得每次给招聘者推荐的人才几乎相同。招聘者反复地看到相同的推荐人才，会对推荐结果失去兴趣，从而人才推荐的效率大打折扣。

发明内容

为此，本发明提供一种人才推荐方法及计算设备，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，提供一种人才推荐方法，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职位记录、多个人才的简历以及多个人才的多条行为记录，每条职位记录包括职位名称，该方法包括：根据目标职位的职位名称以及各简历的内容来确定目标职位的第一人才候选集；根据各人才的行为记录来确定目标职位的第二人才候选集；将第一人才候选集和第二人才候选集进行融合，得到目标职位的人才推荐集。

可选地，在根据本发明的人才推荐方法中，每一个简历中包括工作经历信息，工作经历信息包括就职职位，上述根据目标职位的职位名称以及各简历的内容来确定目标职位的第一人才候选集的步骤包括：根据目标职位的职位名称以及各简历的工作经历信息来确定目标职位的第一人才集；根据目标职位的职位名称以及各简历的工作经历信息中的就职职位来确定目标职位的第二人才集；根据第一人才集和第二人才集来确定目标职位的第一人才候选集。

可选地，在根据本发明的人才推荐方法中，每一个人才对应于一个人才标识，上述根据目标职位的职位名称以及各简历的工作经历信息来确定目标职位的第一人才集的步骤包括：对每一个简历的工作经历信息进行分词，得到一个或多个工作经历词元；以工作经历词元为键，人才标识为值建立倒排索引；对目标职位的职位名称进行分词，得到一个或多个职位名称词元；根据上述倒排索引来确定每一个职位名称词元所对应的人才标识，以得到每一个职位名称词元所对应的第三人才集；将所有第三人才集取并集，以得到所述目标职位对应的第一人才集。

可选地，在根据本发明的人才推荐方法中，根据目标职位的职位名称以及各简历的工作经历信息中的就职职位来确定目标职位的第二人才集的步骤包括：将目标职位的职位名称转化为职位名称向量；将每一个简历的工作经历信息中的就职职位转化为就职职位向量；分别计算职位名称向量与每一个就职职位向量的相似距离；将相似距离小于等于第一阈值的就职职位向量所对应的人才加入第二人才集。

可选地，在根据本发明的人才推荐方法中，将职位名称转化为职位名称向量、以及将就职职位转化为就职职位向量的步骤采用word2vec模型，word2vec模型采用多条文本数据来训练，每一条文本数据包括一个人才的多条同一类型的行为记录所对应的职位名称，其中，行为的类型包括收藏、投递、浏览。

可选地，在根据本发明的人才推荐方法中，相似距离为欧氏距离。

可选地，在根据本发明的人才推荐方法中，根据第一人才集和第二人才集来确定目标职位的第一人才候选集的步骤包括：将第一人才集和第二人才集的并集作为第四人才集；分别确定第四人才集中的每一个人才的第一特征与目标职位的第二特征的匹配程度，第一特征包括学历、期望薪资、工作经历年限中的一种或多种，第二特征包括学历要求、职位薪资、工作经历要求中的一种或多种；将匹配程度大于等于第二阈值的人才加入第一人才候选集。

可选地，在根据本发明的人才推荐方法中，根据各人才的行为记录来确定目标职位的第二人才候选集的步骤包括：根据行为记录来确定每一个人才的职位偏好向量；根据职位偏好向量来确定两两人才的相似度，对于每一个人才，将与该人才的相似度大于等于第三阈值的人才作为该人才的相似人才；将投递了目标职位的人才的相似人才加入第二人才候选集。

可选地，在根据本发明的人才推荐方法中，行为记录包括人才标识、行为时间、行为类型和职位标识，职位偏好向量W的长度N等于所述数据存储装置中所存储的职位记录的数量，职位偏好向量中的元素w_i为人才对第i个职位的偏好程度，其中，1≤i≤N，人才对第i个职位的偏好程度w_i按照以下公式确定：

其中，n_i表示人才的职位标识为i的行为记录的数量，P_j表示职位标识为i的第j条行为记录的行为类型的权重，其中，行为类型包括投递、收藏、浏览，投递的权重＞收藏的权重＞浏览的权重，T_now为当前时间，T_j为职位标识为i的第j条行为记录的行为时间，L为衰减常数。

可选地，在根据本发明的人才推荐方法中，根据职位偏好向量来确定两两人才的相似度的步骤包括：将两个人才的职位偏好向量的余弦相似度作为这两个人才的相似度。

可选地，在根据本发明的人才推荐方法中，将第一人才候选集和第二人才候选集进行融合，得到目标职位的人才推荐集的步骤包括：将第一人才候选集和第二人才候选集取并集，得到临时集合；提取临时集合中的每一个人才与目标职位的匹配特征信息；根据匹配特征信息，采用分类器确定每一个人才的推荐概率；将临时集合中的人才按照推荐概率由高到低的顺序排列，得到目标职位的人才推荐集。

可选地，在根据本发明的人才推荐方法中，匹配特征信息包括人才特征、职位特征、交叉特征中的一种或多种；人才特征包括人才的期望城市、期望薪资、学历、工作经历年限中的一种或多种，职位特征包括目标职位的工作城市、职位薪资、学历要求、工作经历要求中的一种或多种，交叉特征包括期望城市与工作城市是否匹配、期望薪资与职位薪资的匹配度、学历与学历要求的匹配度、工作经历年限与工作经历要求的匹配度中的一种或多种。

可选地，在根据本发明的人才推荐方法中，分类器为神经网络模型，神经网络模型根据多个训练样本训练得出，每一个训练样本包括输入特征和结果标签，其中，输入特征包括人才与职位的匹配特征信息，结果标签为招聘者是否点击了该人才的简历。

可选地，在根据本发明的人才推荐方法中，在将临时集合中的人才按照推荐概率由高到低的顺序排列的步骤之后，还包括步骤：删除推荐概率小于第四阈值的人才。

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人才推荐方法的指令。

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人才推荐方法。

本发明的技术方案中，根据目标职位的职位名称以及各简历的内容来确定目标职位的第一人才候选集。职位名称是目标职位的固有信息、简历是人才的固有信息。这样，即使目标职位为新发布的职位，也可以得到目标职位的第一人才候选集；即使人才为在招聘网站上新注册的人才，也可以被加入第一人才候选集，从而避免了人才推荐的“冷启动”问题。

此外，本发明根据各人才的行为记录来确定目标职位的第二人才候选集。进一步地，在根据行为记录来确定第二人才候选集时，综合考虑到了行为类型(投递、收藏和浏览)和行为时间，这样，第二人才候选集会随着本发明的人才推荐方法的执行时间而变化，不同时间的第二人才候选集有所区别，从而增加了人才推荐的多样性，使得招聘者可以对推荐的人才保持兴趣，提高了招聘者对于人才推荐列表的点击率，也即，提高了人才推荐的效率。

此外，本发明对第一人才候选集和第二人才候选集进行融合，以得到最终的人才推荐集。进一步地，在融合第一人才候选集和第二人才候选集时，不是简单地将二者进行叠加，而是先将第一人才候选集和第二人才候选集合并，得到临时集合，再将临时集合中的人才按照推荐概率进行排序、筛选，以得到最终的人才推荐集。人才推荐集中的人才按照推荐概率由高到低的顺序呈现给招聘者，从而方便招聘者快速发现合适的人才。

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人才推荐系统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；

图3示出了根据本发明一个实施例的人才推荐方法300的流程图；

图4示出了根据本发明另一个实施例的人才推荐方法400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人才推荐系统100的示意图。如图1所示，人才推荐系统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，人才推荐系统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、智能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中存储有多条职位记录、多个人才的简历以及多个人才的多条行为记录。每条职位记录对应于一个职位，可以用职位标识(即职位ID)来唯一确定。每条职位记录包括职位名称、所属公司、职位薪资、工作城市、学历要求、工作经历要求等信息。每个简历对应于一个人才，可以用人才标识(即人才ID)来唯一确定。每个简历中包括人才的姓名、教育经历信息(学历、学校等)、工作经历信息(包括每段工作经历的起止时间、就职公司、就职职位、主要工作内容等)、期望城市、期望薪资等信息。每条行为记录对应于一个人才在招聘网站上的一种操作行为，例如投递、收藏、浏览等行为。每条行为记录包括人才标识、行为时间、行为类型(投递、收藏、浏览等)和职位标识。

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，可以向招聘者推荐适合目标职位的人才。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，查询目标职位“Java工程师”的简历投递情况。如图1所示，浏览器的左侧显示目标职位收到的简历，张三、李四等人对该目标职位投递了简历。计算设备200可以根据数据存储装置120中所存储的信息来确定目标职位的推荐人才，将推荐的人才推送至移动终端100的浏览器，并在浏览器中进行显示。如图1所示，浏览器的右侧显示目标职位的推荐人才，推荐的人才包括王五、赵六、钱七等人，推荐的人才按照推荐概率(推荐概率即人才适合目标职位的可能性)由大到小来排序，从而方便招聘者快速找到合适的人才。图1所推荐的3个人才中，王五的推荐概率最大，与目标职位的匹配度最高，最可能适合目标职位。

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包括人才推荐装置228，人才推荐装置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中缓存来的多条职位记录、多个人才的简历以及多个人才的多条行为记录。人才推荐装置228可以指示处理器204执行人才推荐方法300，对程序数据224中所包括的信息进行处理计算，从而实现人才推荐。

图3示出了根据本发明一个实施例的人才推荐方法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，根据目标职位的职位名称以及各简历的内容来确定目标职位的第一人才候选集。根据一种实施例，步骤S310进一步可以按照以下步骤S3102～S3106来实施。

步骤S3102：根据目标职位的职位名称以及各简历的工作经历信息来确定目标职位的第一人才集。

首先，对每一个简历的工作经历信息进行分词，得到一个或多个工作经历词元。应当指出，此处的对工作经历信息进行分词，指的是对全部工作经历信息进行分词，例如，工作经历信息包括工作的起止时间、就职公司、就职职位、主要工作内容等，则需要将起止时间、就职公司、就职职位、主要工作内容等信息均进行分词。

随后，以工作经历词元为键(Key)，人才标识为值(Value)建立倒排索引。倒排索引的一个例子如下表所示：

工作经历词元(Key)	人才标识(Value)
		Java	人才1，人才4，人才7，人才8
工程师	人才1，人才7，人才8，人才11
		搜索	人才2，人才3，人才4，人才6
前端	人才5，人才9，人才12，人才13
		…	…

对目标职位的职位名称也进行分词，得到一个或多个职位名称词元。例如，对目标职位“Java工程师”进行分词，得到“Java”和“工程师”两个职位名称词元。

随后，根据倒排索引来确定每一个职位名称词元所对应的人才标识，以得到每一个职位名称词元所对应的第三人才集。例如，对目标职位“Java工程师”进行分词，得到“Java”和“工程师”两个职位名称词元。在上述倒排索引列表中查询职位名称词元“Java”所对应的人才标识，得出职位名称词元“Java”对应于人才1、人才4、人才7和人才8，即职位名称词元“Java”所对应的第三人才集为{人才1，人才4，人才7，人才8}。同理，在上述倒排索引列表中查询职位名称词元“工程师”所对应的人才标识，得出职位名称词元“工程师”所对应的第三人才集为{人才1，人才7，人才8，人才11}。

最后，将所有的第三人才集取并集，以得到目标职位所对应的第一人才集。例如，对于目标职位“Java工程师”，将职位名称词元“Java”所对应的第三人才集{人才1，人才4，人才7，人才8}，与职位名称词元“工程师”所对应的第三人才集{人才1，人才7，人才8，人才11}取并集，得到目标职位“Java工程师”所对应的第一人才集{人才1，人才4，人才7，人才8，人才11}。

步骤S3104：根据目标职位的职位名称以及各简历的工作经历信息中的就职职位来确定目标职位的第二人才集。

首先，将目标职位的职位名称转化为职位名称向量，将每一个简历的工作经历信息中的就职职位转化为就职职位向量。根据一种实施例，将职位名称转化为职位名称向量、以及将就职职位转化为就职职位向量的步骤采用word2vec模型来实现。word2vec模型可以将文本转化为预定长度的数值向量。word2vec模型可以采用多条文本数据来训练，基于本发明的使用场景，每一条文本数据包括一个人才的多条同一类型的行为记录所对应的职位名称，其中，行为的类型包括收藏、投递、浏览。例如，人才1投递了职位1、职位2、职位3，收藏了职位4、职位5，浏览了职位6、职位7，则职位1、职位2、职位3构成一条文本数据，职位4、职位5构成一条文本数据，职位6、职位7构成一条文本数据。这种训练方法充分考虑了以下事实：人才投递/收藏/浏览的职位的职位名称不一定相同，但这些职位之间存在相似性，人才总是倾向于投递/收藏/浏览某一类职位。例如，某个人才意欲寻找软件开发类的工作，则其投递/收藏/浏览的职位可能有Java工程师、Python工程师、Java开发、Java程序员等，虽然职位名称不尽相同，但这些职位的相似性比较高。这样，采用这种文本数据所训练出的word2vec模型可以识别出相似的职位。将两个相似的职位名称输入该word2vec模型，可以得到两个相似的数值向量。

应当指出，word2vec模型只是将文本转化为数值向量的一种模型，本领域技术人员还可以采用其他模型或算法来将文本转化为数值向量。本发明对将职位名称转化为职位名称向量、以及将就职职位转化为就职职位向量所采用的模型或算法不做限制。

随后，分别计算职位名称向量与每一个就职职位向量的相似距离。相似距离越小，表示两个向量越相似。根据一种实施例，相似距离为欧氏距离，职位名称向量与就职职位向量的欧氏距离为这两个向量的差的模。

最后，将相似距离小于等于第一阈值的就职职位向量所对应的人才加入第二人才集。应当指出，第一阈值的取值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S3106：根据第一人才集和第二人才集来确定目标职位的第一人才候选集。

首先，将步骤S3102所得出的第一人才集与步骤S3104所得出的第二人才集取并集，得到第四人才集。

随后，分别确定第四人才集中的每一个人才的第一特征与目标职位的第二特征的匹配程度，其中，第一特征包括学历、期望薪资、工作经历年限中的一种或多种，但不限于此；第二特征包括学历要求、职位薪资、工作经历要求中的一种或多种，但不限于此。应当指出，匹配程度的计算方式可以由本领域技术人员自行设置，本发明对此不做限制。

最后，将匹配程度大于等于第二阈值的人才加入第一人才候选集。应当指出，第二阈值的取值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S310根据目标职位的职位名称以及各简历的内容来确定目标职位的第一人才候选集。职位名称是目标职位的固有信息、简历是人才的固有信息。这样，即使目标职位为新发布的职位，也可以得到目标职位的第一人才候选集；即使人才为在招聘网站上新注册的人才，也可以被加入第一人才候选集，从而避免了人才推荐的“冷启动”问题。

随后，在步骤S320中，根据各人才的行为记录来确定目标职位的第二人才候选集。根据一种实施例，步骤S320进一步可以按照以下步骤S3202～S3206来实施。

步骤S3202：根据行为记录来确定每一个人才的职位偏好向量。职位偏好向量W的长度N等于数据存储装置120中所存储的职位记录的数量，职位偏好向量中的元素w_i为人才对第i个职位的偏好程度，其中，1≤i≤N，人才对第i个职位的偏好程度w_i按照以下公式确定：

其中，n_i表示人才的职位标识为i的行为记录的数量，P_j表示职位标识为i的第j条行为记录的行为类型的权重，其中，行为类型包括投递、收藏、浏览，投递的权重＞收藏的权重＞浏览的权重，投递、收藏、浏览的权重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，可以将投递、收藏、浏览的权重分别设置为1、0.8、0.5。T_now为当前时间，T_j为职位标识为i的第j条行为记录的行为时间，L为衰减常数。L的取值亦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，可以将衰减常数设置为180天(半年)。

基于公式(1)，人才的职位偏好向量会随着时间的变化而变化，相应地，基于人才的职位偏好向量所得出的第二人才候选集也会随着时间的变化而变化。不同时间的第二人才候选集有所区别，从而增加了人才推荐的多样性，使得招聘者可以对推荐的人才保持兴趣，提高了招聘者对于人才推荐列表的点击率，也即，提高了人才推荐的效率。

步骤S3204：根据职位偏好向量来确定两两人才的相似度，对于每一个人才，将与该人才的相似度大于等于第三阈值的人才作为该人才的相似人才。根据一种实施例，将两个人才的职位偏好向量的余弦相似度作为这两个人才的相似度。余弦相似度可以按照以下公式计算：

其中，分别为两个人才的职位偏好向量。

此外，应当指出，第三阈值的取值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S3206：将投递了目标职位的人才的相似人才加入第二人才候选集。例如，人才1、人才2、人才3投递了目标职位，人才1、人才2、人才3的相似人才如下表所示，则将人才1的相似人才(人才2、人才3、人才4)、人才2的相似人才(人才1、人才4)、人才3的相似人才(人才1、人才5、人才6)加入第二人才候选集。即第二人才候选集＝{人才1，人才2，人才3，人才4，人才5，人才6}。根据一种实施例，由于人才1、人才2、人才3已投递了目标职位，为了避免冗余推荐，将此三人从第二人才候选集中去掉，即，第二人才候选集变为{人才4，人才5，人才6}。

人才标识	相似人才的人才标识
		人才1	人才2，人才3，人才4
人才2	人才1，人才4
		人才3	人才1，人才5，人才6

应当指出，虽然在图3中，步骤S310、步骤S320依次顺序执行，但是，步骤S310和步骤S320之间并不存在严格的执行顺序，二者之间也不存在依赖关系。优选地，如图4所示，步骤S310、S320可以并行执行，从而加快计算速度。

随后，在步骤S330中，将第一人才候选集和第二人才候选集进行融合，得到目标职位的人才推荐集。根据一种实施例，步骤S330进一步可以按照以下步骤S3302～S3308来确定。

步骤S3302：将第一人才候选集和第二人才候选集取并集，得到临时集合。

步骤S3304：提取临时集合中的每一个人才与目标职位的匹配特征信息。根据一种实施例，匹配特征信息包括人才特征、职位特征、交叉特征中的一种或多种。人才特征包括人才的期望城市、期望薪资、学历、工作经历年限中的一种或多种，职位特征包括目标职位的工作城市、职位薪资、学历要求、工作经历要求中的一种或多种，交叉特征包括期望城市与工作城市是否匹配、期望薪资与职位薪资的匹配度、学历与学历要求的匹配度、工作经历年限与工作经历要求的匹配度中的一种或多种。应当指出，上述人才特征、职位特征和交叉特征还可以包括其他信息项目，匹配特征信息也可以包括除了人才特征、职位特征、交叉特征之外的其他特征，本发明对匹配特征信息所包括的具体信息项目不做限制。

步骤S3306：根据匹配特征信息，采用分类器确定每一个人才的推荐概率。

根据一种实施例，分类器为神经网络模型。神经网络模型根据多个训练样本训练得出，每一个训练样本包括输入特征和结果标签，其中，输入特征包括人才与职位的匹配特征信息，结果标签为招聘者是否点击了该人才的简历。将人才与目标职位的匹配特征信息输入训练好的神经网络模型，可以得出该人才对于该目标职位的推荐概率，推荐概率可以表示该人才与目标职位的匹配度，也即该人才适合目标职位的可能性。推荐概率越大，该人才越适合目标职位。

步骤S3308：将临时集合中的人才按照推荐概率由高到低的顺序排列，得到目标职位的人才推荐集。这样，人才推荐集中的人才与临时集合中的人才相同，只是人才的排列顺序有区别。人才推荐集中的人才按照推荐概率由高到低的顺序呈现给招聘者，从而方便招聘者快速发现合适的人才。

根据一种实施例，在将临时集合中的人才按照推荐概率由高到低的顺序排列之后，删除推荐概率小于第四阈值的人才，得到目标职位的推荐集。应当指出，第四阈值的取值可以由本领域技术人员自行设置，本发明对此不做限制。通过删除推荐概率小于第四阈值的人才，使得人才推荐集为临时集合的子集，可以实现人才的进一步筛选，从而保证人才推荐集中的人才与目标职位最为相关，使本发明的人才推荐更加准确。

本发明的技术方案可以实现准确、高效的人才推荐。此外，本发明的人才推荐方法在不同时间推荐的人才不尽相同，从而增加了人才推荐的多样性，使得招聘者可以对推荐的人才保持兴趣，提高了招聘者对于人才推荐列表的点击率，也即，提高了人才推荐的效率。本发明的人才推荐方法取得了良好的实践效果。在实施了本发明的人才推荐方法之后，人才推荐列表的点击率提升了5％，活跃的招聘者(HR)-求职者(人才)对话量提升了3.5％。

A9：A8所述的方法，其中，所述行为记录包括人才标识、行为时间、行为类型和职位标识，所述职位偏好向量W的长度N等于所述数据存储装置中所存储的职位记录的数量，职位偏好向量中的元素w_i为人才对第i个职位的偏好程度，其中，1≤i≤N，人才对第i个职位的偏好程度w_i按照以下公式确定：

其中，n_i表示人才的职位标识为i的行为记录的数量，P_j表示职位标识为i的第j条行为记录的行为类型的权重，其中，行为类型包括投递、收藏、浏览，投递的权重＞收藏的权重＞浏览的权重，T_now为当前时间，T_j为职位标识为i的第j条行为记录的行为时间，L为衰减常数。

A10：A8或9所述的方法，其中，所述根据职位偏好向量来确定两两人才的相似度的步骤包括：

将两个人才的职位偏好向量的余弦相似度作为这两个人才的相似度。

A11：A1-10中任一项所述的方法，其中，所述将所述第一人才候选集和第二人才候选集进行融合，得到目标职位的人才推荐集的步骤包括：

将第一人才候选集和第二人才候选集取并集，得到临时集合；

提取所述临时集合中的每一个人才与目标职位的匹配特征信息；

根据匹配特征信息，采用分类器确定每一个人才的推荐概率；

将所述临时集合中的人才按照推荐概率由高到低的顺序排列，得到目标职位的人才推荐集。

A12：A11所述的方法，其中，所述匹配特征信息包括人才特征、职位特征、交叉特征中的一种或多种；

所述人才特征包括人才的期望城市、期望薪资、学历、工作经历年限中的一种或多种，

所述职位特征包括目标职位的工作城市、职位薪资、学历要求、工作经历要求中的一种或多种，

所述交叉特征包括所述期望城市与所述工作城市是否匹配、所述期望薪资与所述职位薪资的匹配度、所述学历与所述学历要求的匹配度、所述工作经历年限与所述工作经历要求的匹配度中的一种或多种。

A13：A11所述的方法，其中，所述分类器为神经网络模型，所述神经网络模型根据多个训练样本训练得出，每一个训练样本包括输入特征和结果标签，其中，所述输入特征包括人才与职位的匹配特征信息，所述结果标签为招聘者是否点击了该人才的简历。

A14：A11-13中任一项所述的方法，其中，在将所述临时集合中的人才按照推荐概率由高到低的顺序排列的步骤之后，还包括步骤：

删除推荐概率小于第四阈值的人才。

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，执行本发明的人才推荐方法。

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 (10)

1.一种人才推荐方法，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职位记录、多个人才的简历以及多个人才的多条行为记录，每条职位记录包括职位名称，所述方法包括：

根据目标职位的职位名称以及各简历的内容来确定目标职位的第一人才候选集；

根据各人才的行为记录来确定目标职位的第二人才候选集；

将所述第一人才候选集和第二人才候选集进行融合，得到目标职位的人才推荐集。

2.如权利要求1所述的方法，其中，每一个简历中包括工作经历信息，工作经历信息包括就职职位，所述根据目标职位的职位名称以及各简历的内容来确定目标职位的第一人才候选集的步骤包括：

根据目标职位的职位名称以及各简历的工作经历信息来确定目标职位的第一人才集；

根据目标职位的职位名称以及各简历的工作经历信息中的就职职位来确定目标职位的第二人才集；

根据第一人才集和第二人才集来确定目标职位的第一人才候选集。

3.如权利要求2所述的方法，其中，每一个人才对应于一个人才标识，所述根据目标职位的职位名称以及各简历的工作经历信息来确定目标职位的第一人才集的步骤包括：

对每一个简历的工作经历信息进行分词，得到一个或多个工作经历词元；

以工作经历词元为键，人才标识为值建立倒排索引；

对目标职位的职位名称进行分词，得到一个或多个职位名称词元；

根据所述倒排索引来确定每一个职位名称词元所对应的人才标识，以得到每一个职位名称词元所对应的第三人才集；

将所有第三人才集取并集，以得到所述目标职位对应的第一人才集。

4.如权利要求2所述的方法，其中，所述根据目标职位的职位名称以及各简历的工作经历信息中的就职职位来确定目标职位的第二人才集的步骤包括：

将目标职位的职位名称转化为职位名称向量；

将每一个简历的工作经历信息中的就职职位转化为就职职位向量；

分别计算职位名称向量与每一个就职职位向量的相似距离；

将相似距离小于等于第一阈值的就职职位向量所对应的人才加入第二人才集。

5.如权利要求4所述的方法，其中，将职位名称转化为职位名称向量、以及将就职职位转化为就职职位向量的步骤采用word2vec模型，所述word2vec模型采用多条文本数据来训练，每一条文本数据包括一个人才的多条同一类型的行为记录所对应的职位名称，其中，行为的类型包括收藏、投递、浏览。

6.如权利要求4所述的方法，其中，所述相似距离为欧氏距离。

7.如权利要求2-6中任一项所述的方法，其中，所述根据第一人才集和第二人才集来确定目标职位的第一人才候选集的步骤包括：

将所述第一人才集和第二人才集的并集作为第四人才集；

分别确定第四人才集中的每一个人才的第一特征与目标职位的第二特征的匹配程度，所述第一特征包括学历、期望薪资、工作经历年限中的一种或多种，所述第二特征包括学历要求、职位薪资、工作经历要求中的一种或多种；

将匹配程度大于等于第二阈值的人才加入第一人才候选集。

8.如权利要求1所述的方法，其中，所述根据各人才的行为记录来确定目标职位的第二人才候选集的步骤包括：

根据行为记录来确定每一个人才的职位偏好向量；

根据职位偏好向量来确定两两人才的相似度，对于每一个人才，将与该人才的相似度大于等于第三阈值的人才作为该人才的相似人才；

将投递了目标职位的人才的相似人才加入第二人才候选集。

9.一种计算设备，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1-8中任一项所述的人才推荐方法的指令。

10.一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1-8中任一项所述的人才推荐方法。