CN108182512B - 一种简历评估方法及装置 - Google Patents

Abstract

本发明公开了一种简历评估方法，包括：选取多组简历，每组简历中包括与包括一种反馈动作项的多个反馈数据对应的一部分简历和与包括另一种反馈动作项的多个反馈数据对应的另一部分简历；对于每组简历，对一部分简历各构建特征向量作为负样本，对另一部分简历各构建特征向量作为正样本，使用负样本和正样本来训练评估模型学习特征向量与另一种反馈动作项之间的映射关系；基于多组简历的多个评估模型建立融合评估模型；通过融合评估模型计算待评估简历关联于目标反馈动作项的概率。本发明同时公开了一种简历评估装置。通过本发明实施例的评估方案，能够利用简历反馈数据对于待评估的简历给出相对准确的评估分数，为简历筛选者提供有力的技术辅助。

Description

一种简历评估方法及装置

技术领域

本发明涉及互联网领域，特别涉及一种简历评估方法及装置。

背景技术

近年来，随着互联网技术的发展，人才招聘市场的互联网化早已成为主流。大型综合招聘网站(如51Job，智联招聘)和互联网行业垂直招聘网站(如拉钩，Boss直聘)覆盖了大部分的中高端求职人群。在求职群体简历普遍数字化的情况下，如何用技术帮助企业提升人才招聘工作的效率是招聘网站提升行业竞争力的重要议题。

目前，这方面的一些成熟技术主要包括：

1、简历文本自动分析和信息抽取，利用自然语言理解技术从非结构化的文本中抽取简历的关键信息，比如学历，工作单位，职业技能，年龄，方便用人企业在网站上搜索或系统针对企业发布的职位要求自动匹配；

2、简历和企业职位描述的自动匹配：将用户简历和企业发布的职位要求分别做信息抽取并计算匹配度，把匹配度高的简历发送给企业HR，可以简化简历筛选的工作；

3、基于关键词和设定条件的简历搜索：支持用人企业的HR主动根据关键词和预设条件(比如学历，年龄，工作年限，工作城市)搜索潜在的候选人。

虽然上述三类技术都有助于提升企业人才招聘的效率，但是这些技术都聚焦于用自然语言处理技术根据企业用人需求来匹配每个简历内的信息，仅起到了初选的作用，且筛选条件的固定化会导致漏筛一些合适的人选，简历筛选者在很多情况下仍需要对简历进行逐份查看，因而对于简历筛选者的帮助有限。

发明内容

有鉴于此，本发明实施例提出了一种简历评估方法和装置，能够提高对简历进行评估的准确度，为简历筛选者提供有效的参照。

为此，本发明实施例提出了一种简历评估方法，包括：选取多组简历，每组简历中包括与包括一种反馈动作项的多个反馈数据对应的一部分简历和与包括另一种反馈动作项的多个反馈数据对应的另一部分简历，所述一种反馈动作项表示的反馈动作是所述另一种反馈动作项表示的反馈动作的前一阶段的反馈动作，且所述多组简历中有一组简历中的所述另一种反馈动作项为表示目标反馈动作的目标反馈动作项；对于每组简历，对所述一部分简历各构建特征向量作为负样本，对所述另一部分简历各构建特征向量作为正样本，使用所述负样本和正样本来训练评估模型学习所述特征向量与所述另一种反馈动作项之间的映射关系；基于所述多组简历的多个所述评估模型建立融合评估模型；通过所述融合评估模型，基于待评估简历的特征向量计算出所述待评估简历关联于所述目标反馈动作项的概率。

作为优选，基于所述多组简历的多个所述评估模型建立融合评估模型包括：通过加权平均的方式将所述多个评估模型组合为所述融合模型。

作为优选，基于所述多组简历的多个所述评估模型建立融合评估模型包括：通过取对数后进行加权平均的方式将所述多个评估模型组合为所述融合模型。

作为优选，所述方法还包括：获得所述待评估简历的反馈数据，根据该反馈数据是否包括所述目标反馈动作项以及所述待评估简历的所述概率，修正所述融合评估模型。

作为优选，对所述一部分简历或所述另一部分简历各构建特征向量包括：以所述一部分简历或所述另一部分简历各与关联于所述另一种反馈动作项的其他简历之间的相关性作为特征之一来构建各特征向量。

作为优选，所述一种反馈动作或另一种反馈动作为简历筛选者针对所述一部分简历或另一部分各所作的动作。

作为优选，所述反馈数据还包括辅助信息，所述概率关联于所述辅助信息。

作为优选，所述辅助信息包括第一职位信息、第一行业信息、第一筛选者信息和/或反馈时间信息。

作为优选，所述方法还包括：对于多份所述待评估简历，基于各所述待评估简历的所述概率对各所述待评估简历进行排序。

本发明实施例同时提出了一种简历评估装置，包括处理器，所述处理器运行预定的计算机指令以执行上述任一实施例的简历评估方法。

本发明实施例还提出了一种简历评估装置，包括：选取单元，其配置为选取多组简历，每组简历中包括与包括一种反馈动作项的多个反馈数据对应的一部分简历和与包括另一种反馈动作项的多个反馈数据对应的另一部分简历，所述一种反馈动作项表示的反馈动作是所述另一种反馈动作项表示的反馈动作的前一阶段的反馈动作，且所述多组简历中有一组简历中的所述另一种反馈动作项为表示目标反馈动作的目标反馈动作项；第一构建单元，其配置为对于每组简历，对所述一部分简历各构建特征向量作为负样本，对所述另一部分简历各构建特征向量作为正样本，使用所述负样本和正样本来训练评估模型学习所述特征向量与所述另一种反馈动作项之间的映射关系；第二构建单元，其配置为基于所述多组简历的多个所述评估模型建立融合评估模型；计算单元，其配置为通过所述融合评估模型，基于待评估简历的特征向量计算出所述待评估简历关联于所述目标反馈动作项的概率。

通过本发明实施例，利用了在先的简历反馈数据建立评估模型，能够针对性地学习所关注的反馈动作与简历的特征之间的映射关系，对于任一待评估的简历，评估模型能够根据该简历的特征基于所学习的映射关系给出相对准确的评估分数，为简历筛选者提供有力的技术辅助。

附图说明

图1为本发明的简历评估方法的一个实施例的示意性流程图；

图2为本发明的简历评估方法的另一实施例的示意性流程图；

图3为本发明的简历评估方法的一个实施例的示意性流程图；

图4为本发明的简历评估方法的另一实施例的示意性流程图；

图5为本发明的简历评估方法的一个实施例的示意性流程图；

图6为本发明的简历评估方法的另一实施例的示意性流程图。

具体实施方式

下面参照附图对本发明多个实施例进行说明。

图1为本发明的简历评估方法的一个实施例的示意性流程图。

如图1所示，本发明实施例的简历评估方法包括：

S101、获取与包括第一反馈动作项的多个第一反馈数据对应的多个第一简历；

其中，第一反馈动作项表示第一简历关联于第一反馈动作，第一反馈数据可以是基于简历筛选者对简历作出的第一反馈动作而主动或自动提供的反馈数据，例如简历筛选者在看到一份简历的摘要后认为需要查看详情，则可以在执行查看简历详情的动作时或之后主动提供对该简历的第一反馈数据，或者由简历数据平台基于简历筛选者执行查看简历详情的动作而自动生成第一反馈数据，该第一反馈数据中可以包括表示已查看详情的第一反馈动作项。第一反馈数据也可以是提供简历的求职者在确认简历筛选者的反馈动作后主动提交给简历数据平台的反馈数据，例如被邀请面试、通过面试、通过使用期等，由简历数据平台基于求职者的反馈生成包括表示如邀请面试、通过面试等反馈动作项的反馈数据。

第一反馈动作项除了可以是关联于查看简历详情、邀请面试、通过面试等反馈动作的数据项之外，还可以是关联于例如简历筛选者对简历作出的收入备选人才数据库、收入备选面试库等无需通知求职者的反馈动作。

需要说明的是，对于同一份简历，其反馈数据中一般包括一个反馈动作项，当受到一个阶段反馈动作的简历通过了下一阶段的选拔而关联于该下一阶段的反馈动作时，该简历的反馈数据中关联于之前阶段的反馈动作项就由新阶段的反馈动作项覆盖，因此简历的反馈数据中的反馈数据项能够很好地反映该简历当前所处的选拔阶段。

本发明实施例中，在获取第一简历时，以所关注的反馈动作作为第一反馈动作来获取包括关联于该第一反馈动作的第一反馈动作项的第一反馈数据对应的第一简历，因而所获取的简历均为处于同一选拔阶段的简历，例如同样处于被查看简历详情的阶段，或处于被邀请面试的阶段。

S102、对所述多个第一简历构建特征向量作为多个正样本来训练评估模型学习所述特征向量与所述第一反馈动作项之间的映射关系；

在获取表示求职者均处于同一选拔阶段的多个第一简历后，可以对这些第一简历中的每一份构建特征向量，特征向量可以由多个维度的特征构成，其中的一些特征例如可以是第一简历的文本与行业特点之间的相关性、第一简历的文本与招聘者企业文化之间的相关性、第一简历的文本与在同一行业内求职并处于同一选拔阶段的其他求职者的简历在文本上的相关性、第一简历的文本与在不同行业内对同一职位求职并处于同一选拔阶段的其他求职者的简历在文本上的相关性等。这里，处于同一选拔阶段的其他求职者的简历由该其他简历的反馈数据同样包含第一反馈动作项来标识，即该其他简历同样关联于第一反馈动作项。作为示例，当招聘者企业文化或职位需求的是熟知某海外国家文化的求职者时，简历中体现出求职者在该国学习生活的经历时相关性就比较高，则简历的该特征的取值就会比较高；当第一简历的文本与处于同一选拔阶段的其他求职者的简历之间在例如学历、工作经历等方面有较多相似之处时，则简历的该特征的取值就会比较高。

以此类推，可以对第一简历构建大量能够解释第一反馈动作的特征。通过将每个特征映射到固定的维度，并以特征的取值作为这个维度的值，这样对于每一条第一反馈数据对应的第一简历就可以构建出一个特征向量，并基于所关注的反馈动作关联的第一反馈动作项而将该特征向量确定为正样本，如此对于多个第一简历就可以得到多个正样本作为训练样本。

构造好训练样本后，可以选取多种机器学习模型作为评估模型在这些训练样本上进行训练，使得评估模型能够根据大量训练样本学习到特征向量与第一反馈动作项之间的映射关系。机器学习模型如GBDT，Logistic Regression，Factorization Machine，DNN等。这些模型都能根据大量训练样本学到特征向量和样本标识/属性之间的映射关系。

S103、通过所述评估模型基于待评估简历的特征向量根据所述映射关系计算出所述待评估简历关于所述第一反馈动作项的评估分数。

在对评估模型进行训练后，可以用评估模型来对任一份待评估简历进行评估。具体而言，可以对一份待评估简历构造与训练样本同样模式的特征向量，并把待评估简历的特征向量输入到评估模型中，评估模型会根据所学习的映射关系，为待评估简历的特征向量中的每个特征评估取值，从而得到待评估简历关于所述第一反馈动作项的评估分数。

本发明实施例通过针对不同的反馈动作项分别建立评估模型，能够为简历筛选者提供针对性的参考评分，应对简历筛选者的不同需求，提高工作效率。如对于希望多查看一些候选简历的HR，可以更多地关注基于反馈动作“查看详情”而训练的评估模型对候选简历给出的推荐评分，而对于希望尽快展开面试的HR，可以更多地关注基于反馈动作“邀请面试”或“通过面试”而训练的评估模型对候选简历给出的推荐评分。

通过本发明实施例，利用了在先的简历反馈数据建立评估模型，能够针对性地学习所关注的反馈动作与简历的特征之间的映射关系，对于任一待评估的简历，评估模型能够根据该简历的特征基于所学习的映射关系给出相对准确的评估分数，从而有效地利用简历反馈数据为简历筛选者提供了有力的技术辅助，大大减轻了如企业HR和一线业务主管在筛选简历时的工作负担。

图2为本发明的简历评估方法的另一实施例的示意性流程图。

如图2所示，本发明实施例的方法包括：

S201、获取与包括第一反馈动作项的多个第一反馈数据对应的多个第一简历，对多个第一简历构建特征向量作为多个正样本；

S202获取与包括第二反馈动作项的多个第二反馈数据对应的多个第二简历，对多个第二简历构建特征向量作为多个负样本；

S203、使用正样本和负样本来训练评估模型学习特征向量与第一反馈动作项之间的映射关系；

S204、通过评估模型基于待评估简历的特征向量根据所学习的映射关系计算出待评估简历关于第一反馈动作项的评估分数。

本发明实施例中的步骤S201和S204同图1所示实施例中的相应步骤，在此仅对步骤S202和S203进行说明。

具体而言，本发明实施例中不但使用对第一简历构建的特征向量作为正样本，还使用了对第二简历构建的特征向量作为负样本，来与正样本共同对评估模型进行训练。这里，将第二简历对应于第二反馈数据是为了与第一简历的反馈数据相区分，第一反馈数据与第二反馈数据的来源和形式均可以相同，只是第二反馈数据未能包括第一反馈动作项而是包括了第二反馈动作项，第二反馈动作项表示第二简历关联于第二反馈动作，而第二反馈动作表示的是第一反馈动作的先前任一阶段的反馈动作。

本发明实施例中，为使得评估模型能够辨识正样本和负样本，可以为正样本赋予取值为1的标记(label)，并为负样本赋予取值为0的标记。标记的取值不限于0和1，后文将有具体说明。

作为示例，当第一反馈动作为邀请面试时，第二反馈动作可以是邀请面试阶段前任一阶段的反馈动作，例如查看简历摘要或查看简历详情；当第一反馈动作为通过面试时，第二反馈动作可以是通过面试阶段前任一阶段的反馈动作，例如查看简历摘要、查看简历详情或邀请面试。换言之，第二简历是未能达到第一简历所达到阶段的于先前选拔阶段中未被简历筛选者考虑或者在简历筛选者考虑后认为不属于合适人选的求职者简历。

本发明实施例中通过将这些第二简历的特征向量作为负样本与作为第一简历的特征向量的正样本一同对评估模型进行训练，能够加快评估模型的学习进度和学习准确性。

在本发明一些实施例中，还可在图2所示实施例的基础上，为第二反馈动作中不同阶段的反馈动作设定不同的加权系数，并根据设定的加权系数调整负样本。例如，当第一反馈数据项表示通过面试时，在表示不同阶段的反馈动作的不同第二反馈数据项中，那些表示仅查看了简历摘要而未查看简历详情的反馈动作项对于评估来说参考价值相对较低，而那些表示邀请了面试但未通过面试的反馈动作项对于评估来说具有较高的参考价值，则可以对参考价值高的第二反馈动作设定较高的加权系数表示其较重要性较高，而对参考价值较低的第二反馈动作设定较低的加权系数表示其重要性较低，并根据加权系数来调整相应的负样本，例如为负样本设置不同的重要度标记，或将负样本复制对应于加权系数的多份，等等。通过本发明实施例，能够进一步提高评估模型的学习准确性。

在本发明上述各实施例中，均可以在获得待评估简历的第三反馈数据后，根据第三反馈数据是否包括第一反馈动作项以及评估模型已经为待评估简历给出的评估分数，修正评估模型所学习的映射关系。例如，评估模型对一份待评估简历关于预定的某个反馈动作项给出较高的评估分数，也即评估结果是认为该待评估简历有较高的概率受到简历筛选者的相应反馈动作时，不论简历筛选者实际对该待评估简历作出的反馈动作是否为评估分数所针对的反馈动作，均可以根据待评估简历相应获得的第三反馈数据以及待评估简历先前得到的评估分数来修正评估模型所学习的映射关系，这是因为给简历构建的特征向量一般由许多个特征构成，很难出现一个特征向量的每个特征的取值均为评分上限值或下限值的情况。本发明实施例通过不断地对评估结果与实际反馈动作进行学习，能够为评估模型提供极佳的训练样本，进一步提高评估模型的学习准确性，提高评估可参考度。

在本发明一些实施例中，第一简历的第一反馈数据除了包括表示反馈动作的反馈动作项之外，还可以包括其他相关的辅助信息辅助进行评估，使得评估模型能够同时基于辅助信息对待评估简历给出评估分数，则所给出的评估分数能够关联于辅助信息，满足简历筛选者的不同筛选需求。

在本发明一个实施例中，第一简历的第一反馈数据中的辅助信息可以包括第一职位信息。例如，当简历筛选者需要对特定职业筛选求职者简历且不考虑具体行业时(如各行业均需要的会计、前台等职业)，可在所处理的第一简历的反馈信息中包括第一职位信息，使得评估模型在学习映射关系时所使用的训练样本都是基于该职位信息，能够针对性地满足简历筛选者对选拔该特定职业人选的需求。

在本发明一个实施例中，第一简历的第一反馈数据中的辅助信息可以包括第一行业信息和第一职位信息，使得评估模型进行学习所使用的训练样本都是基于特定行业的特定职位，能够针对性地帮助简历筛选者选拔具备该行业经验的该职位合适人选。

在本发明一个实施例中，第一简历的第一反馈数据中的辅助信息还可以包括反馈时间信息，如此在选取第一简历时，可按照所关注的时间范围来进行选取，使得评估模型进行学习所使用的训练样本都是基于特定时间段内的反馈数据，能够针对性地帮助简历筛选者选拔在特定时间段内的候选简历。

需要说明的是，虽然以上介绍了第一简历的反馈数据中包括多种辅助信息的示例，但本发明实施例中第一简历的反馈数据中也可以不包括任何辅助信息，或者虽然包括辅助信息但在选取第一简历时并不考虑辅助信息，由此可以评估求职者的普适性评分。另一方面，还可以是这样的情况：简历数据平台推荐给简历筛选者的简历已经适配了例如特定职位，因此所选取的第一简历实际上是关联于特定职位的，只是在其第一反馈数据中并未体现。

本发明实施例可以应用于多种场景。例如，对于求职者，可以利用简历数据平台训练好的评估模型来为自己的简历评分；对于简历筛选者，则可以利用自己、企业或简历数据平台训练的评估模型来为例如基于文本匹配而初选出来的多份候选简历进行评分，然后可以基于候选简历评分的排序，从候选简历中选取评分在一定阈值以上的候选简历进行精选。简历筛选者也可以结合其它筛选条件如候选人当前工作地点、薪资要求、工作年限等来筛选候选人简历，并将筛选结果按照评估模型的评分进行排序，保证排在前面的简历更符合简历筛选者的需求。从而通过本发明实施例，能够极大地提高简历筛选者的工作效率，降低工作负担，同时提高简历推荐的可参考性。

图3为本发明的简历评估方法的一个实施例的示意性流程图。

如图3所示，本发明实施例的简历评估方法包括：

S301、获取多个第一简历及其第一反馈数据；

S302对多个第一简历中的与包括正反馈动作项的第一反馈数据对应的一部分第一简历构建特征向量作为多个正样本；

S303、对多个第一简历中的与包括负反馈动作项的第一反馈数据对应的另一部分第一简历构建特征向量作为多个负样本；

S304、使用多个正样本和多个负样本来训练评估模型学习特征向量与正反馈动作项之间的映射关系；以及

S305、通过评估模型基于待评估简历的特征向量根据映射关系计算出待评估简历关于正反馈动作项的评估分数。

图3所示的本发明实施例中，S304-S305与图2所示实施例的S203-S204类似，只是评估模型所关注的反馈动作项不同，且由于所关注的反馈动作项不同，对于训练样本的构建方式也不同，下面进行具体说明。

总体而言，在本发明实施例中，并不像图1-图2所示实施例中那样关注与简历关联的某个具体的反馈动作，而是将与简历关联的所有的反馈动作分为两类，一类为正反馈动作，一类为负反馈动作。其中，正反馈动作可以包括例如简历筛选者对第一简历作出的查看简历详情、邀请面试、通过面试等认可求职者在相应程度上为合适人选的动作；负反馈动作为例如简历筛选者对第一简历作出的查看简历摘要的动作，由于但未能引起简历筛选者详细查看完整简历的兴趣，认为求职者的条件未能符合简历筛选者的最低要求。

因此，在S301中选取第一简历时，可以不用按照其第一反馈数据中是否包括某个反馈动作项来确定其是否为符合要求的简历，而是可以按照训练样本的所需总量来获取相应数量的带有反馈数据的简历，然后在S302-S303中将这些第一简历按照其第一反馈数据中包括的是表示正反馈动作的正反馈动作项还是表示负反馈动作的负反馈动作项来将这些第一简历划分为两部分第一简历，对其中对应正反馈动作的一部分第一简历构建特征向量作为多个正样本，对其中对应负反馈动作的另一部分第一简历构建特征向量作为多个负样本，再在S304中使用这些多个正样本和多个负样本来训练评估模型学习特征向量与正反馈动作项之间的映射关系，并在S305中对于待评估简历构建特征向量输入评估模型，通过评估模型基于待评估简历的特征向量根据所学习的映射关系计算出待评估简历关于正反馈动作项的评估分数。

关于对简历的特征向量的构建以及对评估模型的训练与前述实施例类似，例如可以基于关联于正反馈动作的第一简历与关联于任一种正反馈动作的其他简历之间的相关性作为特征之一来构建第一简历的特征向量，在此省略具体说明。

本发明实施例中，由于在训练样本的构建中将反馈动作划分为两类，即正反馈动作和负反馈动作，因而所训练的评估模型是针对所有正反馈动作进行映射关系的学习，能够综合考虑与不同阶段的正反馈动作关联的简历的特征为待评估简历进行综合评分，从而为简历筛选者提供基于全面考虑的参考值。

在本发明一些实施例中，也可以类似前述实施例那样，为不同的正反馈动作设定不同的加权系数，并根据设定的加权系数调整正样本。例如，在表示不同阶段的正反馈动作的不同正反馈数据项中，那些表示查看了简历详情的正反馈动作项对于评估来说参考价值相对较低，而那些表示邀请了面试或通过了面试的正反馈动作项对于评估来说具有较高的参考价值，则可以对参考价值高的正反馈动作设定较高的加权系数表示其较重要性较高，而对参考价值较低的正反馈动作设定较低的加权系数表示其重要性较低，并可以根据加权系数来调整相应的负样本。通过本发明实施例，能够进一步提高评估模型的学习准确性。

关于加权系数的利用，如果选取支持label为实数的机器学习模型，比如GBDT，可以为每个正样本设置对应于加权系数的样本权重，例如当正样本的原标记为1，该正样本的加权系数为5时，可以使该正样本的原标记1乘以加权系数5后得到的5作为该正样本的新标记。如果选取只支持0、1为标记的机器学习模型，比如逻辑回归(Logistic Regression)，可以按照与一个正样本对应的加权系数的取值复制该正样本的份数，比如加权系数为10就将该正样本复制10次。这两种方法都可以让评估模型在学习的过程中更重视重要的正向反馈数据，未来在推荐简历的时候如果一份简历有可能获得重要度更高的反馈，获得的评估分数就会越高。

类似地，本发明实施例中，也可以在获得待评估简历的第二反馈数据后，根据第二反馈数据是否包括正反馈动作项以及评估模型已经为待评估简历的给出的评估分数来修正评估模型所学习的映射关系。

类似地，本发明实施例中第一简历的第一反馈数据中也可以包括或不包括辅助信息，如包括辅助信息，则评估模型给出的评估分数关联于辅助信息。这里辅助信息也可以包括第一职位信息、第一行业信息和/或反馈时间信息等。

类似地，本发明实施例中的评估模型也可以用于对简历筛选者的多份候选简历分别给出评估分数，简历筛选者能够基于候选简历评分的排序，从候选简历中选取评分在一定阈值以上的候选简历进行精选，提高简历筛选者的工作效率。

图4为本发明的简历评估方法的另一实施例的示意性流程图。

如图4所示，本发明实施例的简历评估方法包括：

S401、获取与包括第一反馈动作项的多个第一反馈数据对应的多个第一简历，对每个第一简历构建特征向量作为负样本；

S402、获取与包括第二反馈动作项的多个第二反馈数据对应的多个第二简历，对每个第二简历构建特征向量作为正样本；

S403、使用正样本和负样本来训练评估模型学习所述特征向量与所述第二反馈动作项之间的映射关系；

S404、通过所述评估模型基于待评估简历的特征向量根据所述映射关系计算出所述待评估简历在关联于第一反馈动作的情况下关联于第二反馈动作的概率。

与前述实施例不同，本发明实施例中第一反馈动作项表示第一简历关联于第一反馈动作，第二反馈动作项表示第二简历关联于第二反馈动作，且第一反馈动作定义为第二反馈动作的前一阶段的反馈动作，即第一反馈动作和第二反馈动作为两个相邻阶段的反馈动作，换言之，本发明实施例关注的是两个相邻阶段的反馈动作之间的关系，或更进一步而言，所关注的是在受到前一阶段的反馈动作之后受到下一阶段的反馈动作的可能性或概率，因而，本发明实施例在训练样本的构建上不同于前述实施例。

具体而言，为了学习两个相邻阶段的反馈动作之间的关系，首先需要确定作为关注目标的后一阶段反馈动作，例如所关注的是简历筛选者针对简历作出的邀请面试这一反馈动作，则将邀请面试作为第二反馈动作，将作为邀请面试的前一阶段的查看简历详情这一反馈动作作为第一反馈动作，并查找具有反馈数据的简历，从中获取与包括查看详情这一反馈动作项的反馈数据对应的第一简历和包括邀请面试这一反馈动作项的反馈数据对应的第二简历，对第一简历构建的特征向量作为负样本，对第二简历构建的特征向量作为正样本，将这些正样本和负样本作为训练样本对评估模型进行训练，以学习特征向量与作为关注目标的第二反馈动作项之间的映射关系。训练好评估模型后，对于已经关联于第一反馈动作的待评估简历，可以构建特征向量输入评估模型，得到该待评估简历关联于第二反馈动作的概率。这里的概率从另一角度而言也是一种评估分数，例如本实施例中如果评估模型的评分上下限范围为0-100，当评估模型对一份简历给出60分的评分时，可以认为该简历在关联于第一反馈动作的基础上关联于第二反馈动作的概率为60％。

本发明实施例中简历的特征向量的构建方式与评估模型的训练方式与前述实施例类似，例如以第一简历或第二简历与关联于第二反馈动作的其他简历之间的相关性作为特征之一来构建第一简历或第二简历的特征向量。本发明实施例与前述实施例还存在一个区别是不考虑样本的加权系数，也无需考虑全部的简历反馈数据，例如当训练基于面试邀请这一反馈动作的评估模型时，只需要考虑包括表示查看简历详情这一反馈数据项的反馈数据和和包括表示邀请面试这一反馈数据项的反馈数据的这两种简历，前者用于设计负样本，后者用于设计正样本，对评估模型进行相应的训练。按照这样的设置，训练出来的评估模型可以预测对于待评估简历的“在简历筛选者查看了简历详情的情况下，发出面试邀请”的概率。

因此，通过本发明实施例，可根据简历筛选者对候选简历的阶段性动作而动态地给出下一阶段的推荐值，如当从模型推荐的可考虑查看详情的候选简历中选出预定数量的准备邀请面试的候选简历后，模型会针对这些拟邀请面试的简历分别给出相应的求职者通过面试的概率，并可以基于所给出的概率值将这些简历进行从高到低的排序，从而为简历筛选者提供了准确的参考值，免去一部分进一步筛选的工作负担，提高了简历筛选者的工作效率，适用于简历筛选者轻度依赖于评估模型的情况。

类似地，本发明实施例中，也可以在获得待评估简历的第三反馈数据后，根据第三反馈数据是否包括了作为关注目标的第二反馈动作项以及根据评估模型先前对该待评估简历评估出的关联于第二反馈动作项的概率，来修正评估模型所学习的映射关系。

类似地，本发明实施例中第一简历的第一反馈数据中也可以包括或不包括辅助信息，如包括辅助信息，则评估模型给出的评估概率关联于辅助信息。这里辅助信息也可以包括第一职位信息、第一行业信息和/或反馈时间信息等。

图5为本发明的简历评估方法的一个实施例的示意性流程图，本发明实施例为基于图4所示实施例的变型实施例。

如图5所示，本发明实施例的评估方法包括：

S501、选取多组简历，每组简历中包括与包括一种反馈动作项的多个反馈数据对应的一部分简历和与包括另一种反馈动作项的多个反馈数据对应的另一部分简历；

S502、对于每组简历，对一部分简历各构建特征向量作为负样本，对另一部分简历各构建特征向量作为正样本；

S503、使用负样本和正样本来训练评估模型学习特征向量与另一种反馈动作项之间的映射关系；

S504、基于多组简历的多个评估模型建立融合评估模型；

S505、通过所述融合评估模型，基于待评估简历的特征向量计算出所述待评估简历关联于目标反馈动作项的概率。

在本发明实施例中，为简历筛选者可能对简历作出的多个连续阶段的反馈动作两两之间构建评估模型。对于每一组简历而言，上述的一种反馈动作项表示的反馈动作是上述的另一种反馈动作项表示的反馈动作的前一阶段的反馈动作，而且对于该多组简历而言，有一组简历中的上述一种反馈动作项表示的是这些连续阶段的反馈动作中最初阶段的反馈动作，另有一组简历中的上述另一种反馈动作项表示的是这些连续阶段的反馈动作中最后阶段的反馈动作，该最后阶段的反馈动作对应于上述目标反馈动作项。同时，除了表示最初阶段的反馈动作和表示最后阶段的反馈动作的反馈动作项之外，不同简历组的其他的反馈动作项表示的反馈动作之间存在两两连续关系。

本发明实施例中，在S501中，在选取每组简历时，将包括表示分别属于两个连续阶段的反馈动作的反馈动作项的两种简历分到同一组中，从而在该组简历中包括的一部分简历的反馈数据包括两个连续阶段中前一个阶段的反馈动作，该组简历中包括的另一部分简历的反馈数据包括这两个连续阶段中后一个阶段的反馈动作。

在S502中，对于每组简历，对关联于两个连续阶段中的前一个阶段的反馈动作的一部分简历构建特征向量作为负样本，对关联于两个连续阶段中的后一个阶段的反馈动作的另一部分简历构建特征向量作为正样本，对该一部分简历或该另一部分简历构建特征向量时，可以通过以该一部分简历或该另一部分简历各与关联于上述另一种反馈动作项的其他简历之间的相关性作为特征之一来构建各特征向量。

在S503中，对于每组简历用相应的正负样本训练对应于该组简历的评估模型，学习简历的特征向量与表示后一阶段的反馈动作的反馈动作项之间的映射关系。

然后，作为本发明实施例的关键，需要将对每组简历训练好的各个评估模型通过一定的算法进行融合，建立融合评估模型，然后用融合评估模型对待评估简历进行关于目标反馈动作的概率评估。

例如，可以针对以查看简历摘要为后一阶段反馈动作的简历组训练查看详情评估模型F1，针对以邀请面试为后一阶段反馈动作的简历组训练邀请面试评估模型F2，并针对以通过面试为后一阶段反馈动作的简历组训练通过面试评估模型F3。参照图4所示实施例，这些评估模型F1、F2和F3中的每一个评估模型均可以独立使用，分别用于预测例如给定职位的情况下，简历筛选者在看到简历摘要的情况下点击并查看简历完整信息的概率，简历筛选者在查看简历详情后发起面试邀请的概率，以及候选人通过面试的概率。在图5所示的本发明实施例中，对这三个评估模型F1、F2和F3进行融合后，可以生成融合评估模型F(F1(x)，F2(x)，F3(x))，其中x是为简历构建的特征向量。

在本发明实施例中，可向简历筛选者给出对于候选简历而言的整体接受概率作为全部反馈阶段的整体推荐值，如当从简历数据平台或其他途径推荐了预定数量的候选简历后，融合评估模型会对每份候选简历直接给出相应的求职者通过面试的概率，并可以基于所给出的概率值将这些简历进行从高到低的排序，从而为简历筛选者提供了具备较高参考价值的推荐方案，免去了简历筛选者的绝大部分工作负担，极大地提高了简历筛选者的工作效率，适用于简历筛选者高度依赖于评估模型的情况。事实上，在模型经大量先验训练样本和后验训练样本的训练后，其评估准确度将得到极大提高，因而即使对于之前轻度依赖评估模型的简历筛选者而言，也可以考虑高度依赖评估模型来减轻工作负担。

在本发明实施例中，对每组简历中的每份简历可以用相同的方式构建特征向量，使得每个简历的特征向量包括相同维度的特征。

本发明实施例中，将多个评估模型合并为融合评估模型的融合方式可以有多种，比如通过对各评估模型进行加权平均的方式将多个评估模型组合为融合评估模型，或通过对各评估模型取对数后再进行加权平均的方式将多个评估模型组合为融合评估模型，等等。

类似地，本发明实施例中，也可以在获得待评估简历的反馈数据后，根据该反馈数据是否包括了目标反馈动作项以及根据融合评估模型先前对该待评估简历评估出的关联于目标反馈动作项的概率，来修正评估模型所学习的映射关系。

类似地，本发明实施例中各组简历中的各个简历的反馈数据中也可以包括或不包括辅助信息，如包括辅助信息，则评估模型给出的评估概率关联于辅助信息。这里辅助信息也可以包括第一职位信息、第一行业信息和/或反馈时间信息等。

此外，在本发明实施例中，各组简历的各个简历的反馈数据中还可以包括筛选者信息作为辅助信息，由于采用的训练样本均基于特定筛选者而构建，如此训练的评估模型将成为特定筛选者专属的评估模型，能够以较高的准确度为符合特定筛选者要求的候选简历给出较高的评估值，而该简历按照另一筛选者的要求而言可能会得到较低的评估值。

下面将参照图6对基于筛选者信息而训练评估模型的方案进行详细说明。

图6为本发明的简历评估方法的另一实施例的示意性流程图。

如图6所示，本发明实施例的简历评估方法可以包括：

S601、获取与包括第一反馈动作项和第一筛选者信息的多个第一反馈数据对应的多个第一简历；

S602、对所述多个第一简历构建特征向量作为多个正样本来训练评估模型学习所述特征向量与所述第一反馈动作项之间的映射关系；以及

S603、通过所述评估模型基于待评估简历的特征向量根据所述映射关系计算出所述待评估简历关于所述第一反馈动作项的评估分数。

本发明该实施例为图1所示实施例的变型。在图1所示实施例的基础上，本发明实施例进一步考虑第一简历的第一反馈数据中包括的第一筛选者信息，也即，第一反馈动作项所表示的第一反馈动作是由第一筛选者对第一简历作出的动作。本发明实施例中，除了第一简历的选取基于同一筛选者对简历作出的反馈动作的简历之外，其他处理过程与图1所示实施例基本相同。

通过本发明实施例，根据不同简历筛选者的不同需求或个人喜好，为不同的简历筛选者训练不同的评估模型，这些不同的评估模型对同一候选简历可能会给出不同的推荐值，由此实现不同简历筛选者能够根据个性化的需求来获得对于候选简历的个性化的推荐。

例如，实际应用中，有时同一个职位可以有多位简历筛选者，比如同样对于IOS高级工程师，可能有来自两个不同部门的主管来筛选简历，而两人对于候选人的偏好可能有一定差别，比如有一位主管更倾向有过大公司履历的人选。理论上，可以为这两位简历筛选者分别建立一个职位，但是从企业HR的角度，职位划分太细不利于管理，所以合并各业务部门的需求到一个职位上也是常见的做法。而本发明实施例由于在为简历构造特征向量时基于特定简历筛选者的个人数据，所以可以实现个性化的推荐，也就是说，对于两位查看IOS高级工程师职位候选简历的业务主管，对应训练的评估模型将为其推荐不同的候选人简历，这是现有的基于文本匹配的简历推荐方法无法企及的。

在本发明实施例中，对第一简历的特征向量的构建也与上述其他实施例存在一些区别。具体而言，在对第一简历构建特征向量时，可以考虑以第一简历与关联于同一筛选者的第一反馈动作的其他简历之间的相关性作为特征之一来构建各第一简历的特征向量，还可以考虑以第一简历与关联于不同筛选者的第一反馈动作的其他简历之间的相关性作为特征之一来构建各第一简历的特征向量。通过在为简历构建特征向量时考虑与筛选者相关的特征，能够捕捉特定筛选者的个人偏好，在为候选简历评分时将筛选者的个人偏好考虑在内，为特定的简历筛选者提供个性化的准确推荐。

在本发明一个实施例中，与前述实施例类似地，还可以为评估模型的训练创建负样本。例如可以获取与包括第二反馈动作项和第一筛选者信息的多个第二反馈数据对应的多个第二简历，对该多个第二简历构建特征向量作为多个负样本来与正样本一同训练评估模型学习映射关系。其中，第二反馈动作项表示第二简历关联于第二反馈动作，第二反馈动作可以是第一反馈动作的前一阶段的反馈动作(参见图4所示实施例)、第一反馈动作先前各个阶段的反馈动作(参见图2所示实施例)、或者也可以是与第一反馈动作相反属性的反馈动作(如第一反馈动作和第二反馈动作分别为正负反馈动作，具体参见图3所示实施例)。

类似地，本发明实施例中，也可以在获得待评估简历的第三反馈数据后，根据第三反馈数据是否包括第一反馈动作项以及评估模型已经为待评估简历给出的评估值来修正评估模型所学习的映射关系。

类似地，本发明实施例中第一简历的第一反馈数据中也可以包括或不包括辅助信息，如包括辅助信息，则评估模型给出的评估分数关联于辅助信息。这里辅助信息也可以包括第一职位信息、第一行业信息和/或反馈时间信息等。

类似地，本发明实施例中的评估模型也可以用于对简历筛选者的多份候选简历分别给出评估分数或评估概率等评估值，简历筛选者能够基于候选简历评估值的排序，从候选简历中选取评分在一定阈值以上的候选简历进行精选，提高简历筛选者的工作效率。

下面对作为本发明实施例中简历的反馈数据获取方式的一个示例的云招聘系统进行说明，需要注意的是本发明不限于此示例，其他反馈数据获取方式例如求职者或主动提交反馈数据至简历数据平台或简历筛选者所属企业在简历数据平台构建简历数据库并自行记录反馈动作数据或下载简历数据后自行构建简历数据库并自行记录反馈动作数据也在本发明的范围之内。

和传统的企业内部招聘系统不同，云招聘系统是一种SAAS(Software asservice)平台。这个平台由第三方开发和维护，可以接入互联网为所有有招聘管理需求的企业服务。作为使用方，使用该平台的企业无需购买，部署和维护该系统，只需要根据使用人数和使用时间付费即可。这一类云招聘系统有两种建立和维护人才简历库的方式，第一种情况是这样的云招聘系统本身由大型互联网招聘网站开发，可以直接共享其母公司的人才简历资源；第二种情况是独立的云招聘系统，需要使用的企业方授权该系统使用企业账号下载大型互联网招聘网站上与企业发布职位相关的所有简历。在第二种情况下，一旦云招聘系统拥有足够多的企业用户，也能积累起一个比较全面的人才简历库。

企业用户可以在云招聘系统中新发布一个职位需求或对于已有职位发出新的用人申请，对于一个职位需要提供岗位名称，工作年限要求，学历要求，地域要求，技能要求，工作职责等描述，也要提供一位或多位简历筛选者的注册邮箱或系统ID。对于同一个职位可能会考虑多个简历筛选者。

简历筛选者在浏览系统推荐的人才简历时，哪些简历只是简单看了一下摘要，哪些简历被点击并详细考察，哪些简历被标记为可以邀请面试，都会被云招聘系统自动记录下来。后续候选人参加过面试后，简历筛选者还需要在系统中填写对候选人的面试评价和打分。这里，简历的浏览情况、详细考察数据和面试邀请数据，传统的互联网招聘网站也可以获取，但一般无法精确对应到具体的简历筛选人，只能关联到企业账号。而候选人面试的评估信息则是传统互联网招聘网站无法获得的。

进一步的，在云招聘系统中，对于候选人通过面试后是否接受offer以及入职后是否通过了试用期，简历筛选者也可以在系统中记录。

系统记录的一些数据实例如下：

<uid：xiaoming@Atech.com,position_id:45678,cv_id:23653490012,action:go_detail,time_stamp:1510578275>

<uid：limei@Atech.com,position_id:45678,cv_id:23653490012,action:invitation,time_stamp:1510576491>

<uid：xiaoming@byteScience.com,position_id:31682，cv_id:23653490012,action:invitation,time_stamp:1510590021>

这里面uid记录了简历筛选者的企业邮箱(为上述实施例中的筛选者信息的一个示例)，position_id记录了特定职位的ID，cv_id记录了人才简历ID，action记录了简历筛选者的动作，包括查看详情(go_detail)，邀请面试(invitation)等动作，time_stamp记录了动作发生的时间戳。

收集到云招聘平台用户产生的简历反馈数据后，可以按照上述任一实施例的方案，根据这些数据训练相应的简历评估模型。

本发明实施例还提供了简历评估装置，其实现为例如包括处理器的计算机装置，该计算机装置还包括存储器，其中可存储有计算机可执行指令，可根据需要设计相应的计算机可执行指令存储在存储器中，使得处理器在运行该相应的计算机指令时能够执行本发明任一实施例中的简历评估方法。

以上对本发明多个实施例进行了详细说明，但本发明不限于这些具体的实施例，本领域技术人员在本发明构思的基础上，能够做出多种变型和修改实施例，这些变型和修改都应落入本发明所要求保护的范围之内。

Claims (10)

1.一种简历评估方法，包括：

选取多组简历，每组简历中包括与包括一种反馈动作项的多个反馈数据对应的一部分简历和与包括另一种反馈动作项的多个反馈数据对应的另一部分简历，所述一种反馈动作项表示的反馈动作是所述另一种反馈动作项表示的反馈动作的前一阶段的反馈动作，且所述多组简历中有一组简历中的所述另一种反馈动作项为表示目标反馈动作的目标反馈动作项，所述反馈数据是基于简历筛选者对简历作出的反馈动作而主动或自动提供的数据；

对于每组简历，对所述一部分简历各构建特征向量作为负样本，对所述另一部分简历各构建特征向量作为正样本，使用所述负样本和正样本来训练评估模型学习所述特征向量与所述另一种反馈动作项之间的映射关系，其中，对所述一部分简历或所述另一部分简历各构建特征向量包括：以所述一部分简历或所述另一部分简历各与关联于所述另一种反馈动作项的其他简历之间的相关性作为特征之一来构建各特征向量；

基于所述多组简历的多个所述评估模型建立融合评估模型；

通过所述融合评估模型，基于待评估简历的特征向量计算出所述待评估简历关联于所述目标反馈动作项的概率。

2.如权利要求1所述的方法，其中，基于所述多组简历的多个所述评估模型建立融合评估模型包括：

通过加权平均的方式将所述多个评估模型组合为所述融合模型。

3.如权利要求1所述的方法，其中，基于所述多组简历的多个所述评估模型建立融合评估模型包括：

通过取对数后进行加权平均的方式将所述多个评估模型组合为所述融合模型。

4.如权利要求1所述的方法，还包括：

获得所述待评估简历的反馈数据，根据该反馈数据是否包括所述目标反馈动作项以及所述待评估简历的所述概率，修正所述融合评估模型。

5.如权利要求1所述的方法，其中，所述一种反馈动作或另一种反馈动作为简历筛选者针对所述一部分简历或另一部分各所作的动作。

6.如权利要求1所述的方法，其中，所述反馈数据还包括辅助信息，所述概率关联于所述辅助信息。

7.如权利要求6所述的方法，其中，所述辅助信息包括第一职位信息、第一行业信息、第一筛选者信息和/或反馈时间信息。

8.如权利要求1-7中任一项所述的方法，还包括：

对于多份所述待评估简历，基于各所述待评估简历的所述概率对各所述待评估简历进行排序。

9.一种简历评估装置，包括处理器，其特征在于，所述处理器运行预定的计算机指令以执行如权利要求1-8中任一项所述的简历评估方法。

10.一种简历评估装置，包括：

选取单元，其配置为选取多组简历，每组简历中包括与包括一种反馈动作项的多个反馈数据对应的一部分简历和与包括另一种反馈动作项的多个反馈数据对应的另一部分简历，所述一种反馈动作项表示的反馈动作是所述另一种反馈动作项表示的反馈动作的前一阶段的反馈动作，且所述多组简历中有一组简历中的所述另一种反馈动作项为表示目标反馈动作的目标反馈动作项，所述反馈数据是基于简历筛选者对简历作出的反馈动作而主动或自动提供的数据；

第一构建单元，其配置为对于每组简历，对所述一部分简历各构建特征向量作为负样本，对所述另一部分简历各构建特征向量作为正样本，使用所述负样本和正样本来训练评估模型学习所述特征向量与所述另一种反馈动作项之间的映射关系，其中，对所述一部分简历或所述另一部分简历各构建特征向量包括：以所述一部分简历或所述另一部分简历各与关联于所述另一种反馈动作项的其他简历之间的相关性作为特征之一来构建各特征向量；

第二构建单元，其配置为基于所述多组简历的多个所述评估模型建立融合评估模型；

计算单元，其配置为通过所述融合评估模型，基于待评估简历的特征向量计算出所述待评估简历关联于所述目标反馈动作项的概率。

Images