CN108776846A - 推荐方法、装置、计算机设备及存储介质 - Google Patents
推荐方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN108776846A CN108776846A CN201810462798.XA CN201810462798A CN108776846A CN 108776846 A CN108776846 A CN 108776846A CN 201810462798 A CN201810462798 A CN 201810462798A CN 108776846 A CN108776846 A CN 108776846A
- Authority
- CN
- China
- Prior art keywords
- training
- tutor
- personality
- training object
- matched
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 490
- 230000015654 memory Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 11
- 230000007787 long-term memory Effects 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 6
- 238000011161 development Methods 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 description 20
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 9
- 238000012216 screening Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 241000406668 Loxodonta cyclotis Species 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 4
- 230000000295 complement effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000001537 neural effect Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 238000003786 synthesis reaction Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000004615 ingredient Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000007115 recruitment Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
- G06Q50/2057—Career enhancement or continuing education service
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Educational Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种推荐方法、装置、计算机设备及存储介质。所述方法包括：获取与培训对象相关的文本特征信息；根据所述文本特征信息，利用预测模型，预测所述培训对象的性格；根据所述培训对象的性格筛选出与所述培训对象匹配的培训导师；将所述培训导师推荐给所述培训对象。本发明实施例根据培训对象的文本特征信息和预测模型预测该培训对象的性格，提高性格预测的效率和预测结果的准确率；根据该培训对象的性格推荐与该培训对象匹配的培训导师，方便培训对象与培训导师之间的指导和沟通，促进培训对象个人能力的发展，同能提高培训对象服务客户的技能，提高培训对象的忠诚度，降低培训对象的脱落率。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种推荐方法、装置、计算机设 备及存储介质。
背景技术
在一些公司中，新人业务员(培训对象)的占比比较高，同时新人业务员 的脱落率也比较高。其中，一个原因是新人业务员在拓展业务的过程中，没有 及时得到指导，导致新人业务员得不到较好的发展。
发明内容
本发明实施例提供一种推荐方法、装置、计算机设备及存储介质，可将与 培训对象匹配的培训导师推荐给培训对象，降低培训对象的脱落率。
第一方面，本发明实施例提供了一种推荐方法，该方法包括：
获取与培训对象相关的文本特征信息；
根据所述文本特征信息，利用预测模型，预测所述培训对象的性格；
根据所述培训对象的性格筛选出与所述培训对象匹配的培训导师；
将所述培训导师推荐给所述培训对象。
第二方面，本发明实施例提供了一种推荐装置，该装置包括用于执行上述 第一方面所述一种推荐方法对应的单元。
第三方面，本发明实施例提供了一种计算机设备，所述计算机设备包括存 储器，以及与所述存储器相连的处理器；
所述存储器用于存储计算机程序，所述处理器用于运行所述存储器中存储 的计算机程序，以执行上述第一方面所述的推荐方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可 读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令 被处理器执行时，实现上述第一方面所述的推荐方法。
本发明实施例根据培训对象的文本特征信息和预测模型预测该培训对象的 性格，根据该培训对象的性格推荐与该培训对象匹配的培训导师，如此，方便 培训对象与培训导师之间的指导和沟通，促进培训对象个人能力的发展，同能 提高培训对象服务客户的技能，提高培训对象的忠诚度，降低培训对象的脱落 率。另一方面，根据预测模型来预测培训对象的性格，提高性格预测的效率和 预测结果的准确率。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要 使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实 施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以 根据这些附图获得其他的附图。
图1是本发明实施例提供的一种推荐方法的流程示意图；
图2是本发明实施例提供的一种推荐方法的子流程示意图；
图3是本发明实施例提供的一种推荐方法的另一子流程示意图；
图4是本发明实施例提供的一种推荐方法的又一子流程示意图；
图5是本发明实施例提供的一种推荐装置的示意性框图；
图6是本发明实施例提供的特征获取单元的示意性框图；
图7是本发明实施例提供的预测单元的示意性框图；
图8是本发明实施例提供的匹配单元的示意性框图；
图9是本发明实施例提供的一种计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清 楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部 的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
本发明中描述的终端包括但不限于移动电话、膝上型计算机或平板计算机 之类的便携式设备。还应当理解的是，在某些实施例中，所述终端还包括非便 携式设备，如台式计算机等。以下方法实施例可以应用在任一终端上，该终端 以服务器的形式存在。
图1是本发明实施例提供的一种推荐方法的流程示意图。该方法应用于终 端中。该方法包括以下步骤S101-S104。
S101，获取与培训对象相关的文本特征信息。其中，培训对象可以是业务 员，也可以是其他的培训对象，如学员等。
具体地，如图2所示，步骤S101包括以下步骤S201-S202。
S201，获取与培训对象相关的文本信息。
其中，文本信息可以是该培训对象提交的简历信息。如可以获取该培训对 象在面试前提交的简历信息，也可以从现有的招聘或者求职类的平台中获取该 培训对象的简历信息，还可以是网站上提供的个人简介信息或者通过二维码扫 描得到的个人简介信息等。文本信息还可以包括其他人对该培训对象的评价信 息。如可以从招聘或者求职类的平台中获取其他人对该培训对象的评价信息， 也可以从社交类的通讯工具中获取其他人对该培训对象的评价信息。如包括： 文艺青年、偶像派等评价信息。若获取到的是与该培训对象相关的语音信息， 将获取的语音消息转换为文本消息。如获取该培训对象在电话面试时的通话语 音信息；根据该语音信息，通过语音识别算法，得到该培训对象相关的文本信 息。
S202，从文本信息中提取出多维度的特征信息，将多维度的特征信息作为 与培训对象相关的文本特征信息。
如从简历信息或者从电话面试对应的文本信息中提取出姓名、年龄(当前 年份与出生年份之差)、工作经验(工作内容，工作年限)、教育经历、证书、 业余爱好、自我评价等维度的特征信息；从其他人对该培训对象的评价信息中 获取评价较多的评价内容(如前三)作为他人评价信息，将他人评价信息作为 一个维度的特征信息。最后获取到的多维度的特征信息包括：姓名、年龄、工 作经验、教育经历、证书、业余爱好、自我评价信息、他人评价信息等对应的 特征信息。将该多维度的特征信息作为文本特征信息。上述与培训对象相关的 文本特征信息包括的各维度的特征信息只是用于具体实施时的举例，并不局限 于上述列举的维度，也可以包括更多的其他维度的信息。对应的，与培训对象 相关的文本信息也并不局限与上述列举的文本信息。
S102，根据文本特征信息，利用预测模型，预测该培训对象的性格。
其中，预测模型可以是任意一种分类模型，如随机森林模型，神经网络模 型等。在利用预测模型进行预测前，需要对预测模型进行训练，然后再用训练 好的预测模型预测培训对象的性格。其中，可以采用九型人格的方法将性格进 行分类，9中性格分别为：1号完美型、2号全爱型、3号成就型、4号艺术型、 5号理智型、6号忠诚型、7号活跃型、8号领袖型以及9号和平型。
如若某培训对象工作经验中工作内容变化较大、工作年限都持续不长，业 余爱好为乒乓球、羽毛球等与团体活动相关的，他人评价多为活泼开朗等，那 么对应地，该培训对象的性格类型为活跃型。可以理解为，该培训对象喜欢新 鲜事物且乐观。如若某培训对象的业务爱好为看书，有较多证书，工作经验中 工作内容变化不大且持续工作年限都较长如3年等，自我评价能吃苦耐劳、稳 重、意志坚强等，他人评价为见解独特、理智等，那么该培训对象的性格类型 为理智型。
训练预测模型的过程如下：获取包括文本特征信息和性格分类结果的训练 数据，将训练数据分为训练集和测试集；把训练集输入到预测模型中，以训练 预测模型；将测试集中的文本特征信息输入到预测模型中，得到分类预测结果； 修改预测模型中的参数使得分类预测结果与训练数据中的性格分类结果尽可能 多的相同。
在一实施例中，当预测模型是神经网络模型如长短期记忆神经网络模型时， 如图3所示，步骤S102包括以下步骤S301-S303。
S301，将培训对象的文本特征信息作为输入数据，输入到训练好的长短期 记忆神经网络模型中，得到隐含层的状态序列。具体地，使用的是GRU(Gated RecurrentUnit)模型。GRU模型将输入门、遗忘门、输出门变为两个门：更新 门(Update Gate)和重置门(ResetGate)，同时将单元状态和输出合并为一个 状态。其中隐含层有多个神经单元，每个神经单元按照如下所示的公式进行运 算。
z＝σ(xtUz+st-1Wz)
r＝σ(xtUr+st-1Wr)
h＝tanh(xtUh+(st-1*r)Wh)
st＝(1-z)*h+z*st-1
其中，r表示重置门，z表示更新门，σ表示sigmoid函数，tanh()表示双曲 正切函数，xt表示当前时刻t的输入，st-1表示上一个隐含状态的输入，st表示输 出的隐含状态，U、W分别表示参数值。需要注意的是，r、z、h中的U、W分 别对应的是不同的参数值，但是矩阵大小一致。其中，sigmoid函数，输出为0 到1之间的数据，描述了每个成分应该通过门限的程度。0表示“不让任何成 分通过”，而1表示“让所有成分通过”。按照上面的公式，计算文本特征信 息对应的隐含层的状态序列。该隐含层的状态序列表示对应的隐含层每个节点 中每个特征信息属于不同性格的概率。
S302，将隐含层的状态序列，输入到池化层进行融合运算，得到一个特征 向量序列。池化层将隐含层的状态序列进行融合运算，如将隐含层的状态序列 中的每个值配以一个相同的权重，将隐含层的状态序列中的每个值乘以该相同 的权重，即取平均值，以得到一个低维的特征向量序列。该步骤考虑了隐含层 的状态序列中的每个值的影响，表示文本特征信息中的每个特征信息都对性格 分类结果投上一票。在其他实施例中，映射层可以将隐含层的状态序列进行其 他的融合运算。
S303，将得到的特征向量序列，输入到Softmax层，以得到该培训对象性 格的预测结果。其中，预测结果指的是分类的结果。其中，Softmax层使用了 Softmax函数，用于最后的分类和归一化，将分类结果中的概率最大的作为最 后的性格预测结果。在一些实施例中，将分类结果中的概率最大和概率第二大 的性格预测结果都进行返回。
以上步骤S301-S303，将文本特征信息作为输入数据，输入到长短期记忆 神经网络中，以利用长短期记忆神经网络对文本特征信息进行分类，将最后的 分类结果作为该培训对象所对应的性格分类结果。利用预测模型来预测培训对 象的性格，提高性格预测的效率和预测结果的准确率。
S103，根据该培训对象的性格筛选出与该培训对象匹配的培训导师。
其中，培训导师可以是预先设定好的。而且也会对每个培训导师进行性格 预测得到每个培训导师的性格分类结果。
在一实施例中，如图4所示，步骤S103包括S401-S404。
S401，根据该培训对象的性格查找出与该培训对象性格匹配的培训导师。 其中，匹配可以指性格相同，也可以指性格互补等。如该培训对象的性格为理 智型，若匹配是指性格相同，那么与该培训对象性格最为匹配的培训导师指的 是性格同样为理智型的所有培训导师。
S402，判断性格匹配的培训导师中是否存在有培训导师满足预设分配条件。 若性格匹配的培训导师有多个，那么只要其中有一个培训导师满足预设分配条 件即可；若性格匹配的培训导师有一个，只要该培训导师满足预设分配条件即 可。具体地，判断性格匹配的培训导师中是否存在有培训导师满足预设分配条 件，包括以下步骤：获取该培训对象的工作地区；从性格匹配的培训导师中获 取一个培训导师的工作地区和该培训导师的级别；若该培训对象的工作地区与 该培训导师的工作地区相同，判断该培训导师名下已有的培训对象名额是否达 到该培训导师级别对应的预设最大名额；若未达到预设最大名额，确定该培训 导师满足预设分配条件；若达到预设最大名额，或者该培训对象的工作地区与 该培训导师的工作地区不相同，确定该培训导师不满足预设分配条件，并判断 是否获取了所有培训导师；若还有培训导师未获取，从性格匹配的培训导师中 获取下一个培训导师的工作地区和该培训导师的级别。可以理解地，根据工作 地区、培训导师级别对应的预设最大名额等来确定培训导师是否满足预设分配 条件。不同级别的培训导师可以指导的培训对象数量不同，培训导师不能跨工 作地区进行指导等。如湖北省的培训导师不能指导安徽省的培训对象。
S403，若存在有培训导师满足预设分配条件，确定该培训导师为该培训对 象匹配的培训导师。
S404，若不存在培训导师满足预设分配条件，从性格次匹配的培训导师中 选择一个培训导师作为该培训对象最为匹配的培训导师。其中，不存在培训导 师满足预设分配条件，包括以下两种情况：一，没有性格最为匹配的培训导师， 二，有性格最为匹配的培训导师，但是性格最为匹配的培训导师中没有一个满 足预设分配条件。若性格匹配指的是性格相同，那么性格次匹配指的是性格相 近；若性格匹配指的是性格互补，那么性格次匹配指的是除了性格最为互补的 那个，从剩下的性格中挑选一个性格最为互补的性格。如与理智型性格相近的 是和平型，与和平型性格互补的是活跃型等。该举例只是为了理解而已，在其 他实施例中，还可以有其他不同的匹配方式。其中，从性格次匹配的培训导师 中选择一个培训导师作为该培训对象作为匹配的培训导师，包括：根据该培训 对象的性格查找出与该培训对象性格次匹配的培训导师，判断性格匹配的培训 导师中是否存在有培训导师满足预设分配条件，若存在有培训导师满足预设分 配条件，将该培训导师作为该培训对象最为匹配的培训导师。
在其他实施例中，若步骤S102中预测培训对象性格的时候，保留概率最高、 概率第二高的两种性格作为培训对象的性格，在步骤S103中，将概率最高的性 格作为最匹配的性格，该概率第二高的性格作为次匹配的性格。
S104，将该培训导师推荐给该培训对象。
将该培训导师推荐给培训对象，可以理解地，将该培训导师的基本信息(包 括联系方式)以及工作经验等相关信息推送给培训对象，以方便培训对象了解 该培训导师，以及与培训导师进行进一步的沟通。其中，推荐的方式包括短信 的方式、微信公众号等方式、网页推荐的方式(打开相关网页，可以查看到该 培训导师的信息)，也可以多种方式结合。
将该培训导师推荐给该培训对象后，培训对象可以选择是否接收推荐，若 不接收推荐，则系统再为该培训对象分配其他培训导师。即检测是否接收到培 训对象接收推荐的消息，若没有接收到培训对象接收推荐的消息或者接收到培 训对象拒绝的消息，则再次为该培训对象分配其他培训导师。再次为该培训对 象分配其他培训导师时，将该培训导师(培训对象拒绝的培训导师)从性格匹 配以及性格次匹配的培训导师名单中删除。
上述方法实施例根据培训对象的文本特征信息预测该培训对象的性格，根 据该培训对象的性格推荐与该培训对象匹配的培训导师，如此，方便培训对象 与培训导师之间的指导和沟通，促进培训对象个人能力的发展，同能提高培训 对象服务客户的技能，如此提高培训对象的忠诚度，降低培训对象的脱落率。 另一方面，根据预测模型来预测培训对象的性格，提高性格预测的效率和预测 结果的准确率。
在一些实施例中，培训导师需要根据预设规则从众多目标对象中筛选出来。 其中，目标对象包括培训导师和培训对象。目标对象可以是业务员。具体地， 在步骤S103之前，所述方法还包括：根据预设规则从众多目标对象中筛选出培 训导师。可以理解为，根据预设规则从众多业务员中筛选出导师。其中，预设 规则包括目标对象的工作年限、目标对象最近预设时间段内的平均业绩、目标 对象的职称等。其中，预设时间段可以是1年，最近预设时间段内的平均业绩， 可以理解为，最近1年内每个月的平均业绩；目标对象的职称分为不同的级别， 级别越高，表示业务的能力越强。具体地，根据预设规则从众多目标对象中筛 选出培训导师，包括：根据目标对象的工作年限、目标对象最近预设时间段内 的平均业绩、目标对象的职称从众多的目标对象中筛选出培训导师。
在一实施例中，根据目标对象的工作年限、目标对象最近预设时间段内的 平均业绩、目标对象的职称从众多的目标对象中筛选出培训导师，包括以下步 骤：获取目标对象的工作年限、目标对象最近预设时间段内的平均业绩、目标 对象的职称；判断目标对象的工作年限是否大于预设年限、目标对象的最近预 设时间内的平均业绩是否大于预设业绩且目标对象的职称是否高于预设职称； 若是，即目标对象的工作年限大于预设年限、目标对象的最近预设时间内的平 均业绩大于预设业绩且目标对象的职称高于预设职称，则确定该目标对象为培 训导师，若否，则确定该目标对象不能作为培训导师。其中，预设年限可以设 置为3年、预设业绩可以设置为2万，也可以根据具体情况设置其他不同的值。
在一实施例中，根据目标对象的工作年限、目标对象最近预设时间段内的 平均业绩、目标对象的职称从众多的目标对象中筛选出培训导师，包括以下步 骤：获取目标对象的工作年限、目标对象最近预设时间段内的平均业绩、目标 对象的职称；根据预设公式计 算目标对象的综合评分，其中，r1、r2、r3分别表示分数系数，r1+r2+r3＝1Year ，
表示工作年限归一化值，Ach表示最近预设时间段内的平均业绩归一化值，Pro 表示职称归一化值；若目标对象的综合评分超过预设分数阈值，确定该目标对 象为培训导师，若目标对象的综合评分未超过预设分数阈值，确定该目标对象 不能作为培训导师。其中，Year＝yeari/yearall，Ach＝achi/achall，Pro＝proi/proall， 其中，i表示第i个目标对象，yearall表示所有目标对象中持续作为目标对象如 业务员的最长时间或者留存的最长时间，achall表示所有目标对象中在最近预设 时间段内的平均绩效最高的绩效，proall表示目标对象职称中最高职称对应的分 值(将目标对象的所有职称按照职称高低顺序进行打分，如最高职称对应的分 值为10，最低职称对应的分值为1等)。在该种方案中，避免了某些目标对象 虽然业绩很棒，但是受到工作年限或者职称的影响，而不能当培训导师等情况。通过以上方案，从众多的目标对象中筛选出培训导师。其中，也会对每个培训 导师进行性格预测得到每个培训导师的性格分类结果。
在其他实施例中，文本特征信息还可以是该培训对象在进行性格测试时选 择的选项所对应的文本信息等。对应地，预测模型可以为随机森林模型等。
图5是本发明实施例提供的一种推荐装置的示意性框图。该装置应用于终 端中。该终端以服务器的形式存在。如图5所示，该装置50包括特征获取单元 501、预测单元502、匹配单元503、推荐单元504。
特征获取单元501，用于获取与培训对象相关的文本特征信息。
在一实施例中，如图6所示，特征获取单元501包括文本信息获取单元601、 提取单元602。
文本信息获取单元601，用于获取与培训对象相关的文本信息。
其中，文本信息可以是该培训对象提交的简历信息。如可以获取该培训对 象在面试前提交的简历信息，也可以从现有的招聘或者求职类的平台中获取该 培训对象的简历信息，还可以是网站上提供的个人简介信息或者通过二维码扫 描得到的个人简介信息等。文本信息还可以包括其他人对该培训对象的评价信 息。如可以从招聘或者求职类的平台中获取其他人对该培训对象的评价信息， 也可以从社交类的通讯工具中获取其他人对该培训对象的评价信息。如包括： 文艺青年、偶像派等评价信息。若获取到的是与该培训对象相关的语音信息， 将获取的语音消息转换为文本消息。如获取该培训对象在电话面试时的通话语 音信息；根据该语音信息，通过语音识别算法，得到该培训对象相关的文本信 息。
提取单元602，用于从文本信息中提取出多维度的特征信息，将多维度的 特征信息作为与培训对象相关的文本特征信息。
如从简历信息或者从电话面试对应的文本信息中提取出姓名、年龄(当前 年份与出生年份之差)、工作经验(工作内容，工作年限)、教育经历、证书、 业余爱好、自我评价等维度的特征信息；从其他人对该培训对象的评价信息中 获取评价较多的评价内容(如前三)作为他人评价信息，将他人评价信息作为 一个维度的特征信息。最后获取到的多维度的特征信息包括：姓名、年龄、工 作经验、教育经历、证书、业余爱好、自我评价信息、他人评价信息等对应的 特征信息。将该多维度的特征信息作为文本特征信息。上述与培训对象相关的 文本特征信息包括的各维度的特征信息只是用于具体实施时的举例，并不局限 于上述列举的维度，也可以包括更多的其他维度的信息。对应的，与培训对象 相关的文本信息也并不局限与上述列举的文本信息。
预测单元502，用于根据文本特征信息，利用预测模型，预测该培训对象 的性格。
其中，预测模型可以是任意一种分类模型，如随机森林模型，神经网络模 型等。在利用预测模型进行预测前，需要对预测模型进行训练，然后再用训练 好的预测模型预测培训对象的性格。其中，可以采用九型人格的方法将性格进 行分类，9中性格分别为：1号完美型、2号全爱型、3号成就型、4号艺术型、 5号理智型、6号忠诚型、7号活跃型、8号领袖型以及9号和平型。
如若某培训对象工作经验中工作内容变化较大、工作年限都持续不长，业 余爱好为乒乓球、羽毛球等与团体活动相关的，他人评价多为活泼开朗等，那 么对应地，该培训对象的性格类型为活跃型。可以理解为，该培训对象喜欢新 鲜事物且乐观。如若某培训对象的业务爱好为看书，有较多证书，工作经验中 工作内容变化不大且持续工作年限都较长如3年等，自我评价能吃苦耐劳、稳 重、意志坚强等，他人评价为见解独特、理智等，那么该培训对象的性格类型 为理智型。
训练预测模型的过程如下：获取包括文本特征信息和性格分类结果的训练 数据，将训练数据分为训练集和测试集；把训练集输入到预测模型中，以训练 预测模型；将测试集中的文本特征信息输入到预测模型中，得到分类预测结果； 修改预测模型中的参数使得分类预测结果与训练数据中的性格分类结果尽可能 多的相同。
在一实施例中，当预测模型是神经网络模型如长短期记忆神经网络模型时， 如图7所示，预测单元502包括状态序列计算单元701、融合计算单元702、性 格预测单元703。
状态序列计算单元701，用于将培训对象的文本特征信息作为输入数据， 输入到训练好的长短期记忆神经网络模型中，得到隐含层的状态序列。具体地， 使用的是GRU(Gated RecurrentUnit)模型。GRU模型将输入门、遗忘门、输 出门变为两个门：更新门(Update Gate)和重置门(Reset Gate)，同时将单元 状态和输出合并为一个状态。其中隐含层有多个神经单元，每个神经单元按照 对应方法实施例中所示的公式进行运算。按照公式，计算文本特征信息对应的 隐含层的状态序列。该隐含层的状态序列表示对应的隐含层每个节点中每个特 征信息属于不同性格的概率。
融合计算单元702，用于将隐含层的状态序列，输入到池化层进行融合运 算，得到一个特征向量序列。池化层将隐含层的状态序列进行融合运算，如将 隐含层的状态序列中的每个值配以一个相同的权重，将隐含层的状态序列中的 每个值乘以该相同的权重，即取平均值，以得到一个低维的特征向量序列。该 步骤考虑了隐含层的状态序列中的每个值的影响，表示文本特征信息中的每个 特征信息都对性格分类结果投上一票。在其他实施例中，映射层可以将隐含层 的状态序列进行其他的融合运算。
性格预测单元703，用于，将得到的特征向量序列，输入到Softmax层， 以得到该培训对象性格的预测结果。其中，预测结果指的是分类的结果。其中， Softmax层使用了Softmax函数，用于最后的分类和归一化，将分类结果中的概 率最大的作为最后的性格预测结果。在一些实施例中，将分类结果中的概率最 大和概率第二大的性格预测结果都进行返回。
匹配单元503，用于根据该培训对象的性格筛选出与该培训对象匹配的培 训导师。
其中，培训导师可以是预先设定好的。而且也会对每个培训导师进行性格 预测得到每个培训导师的性格分类结果。
在一实施例中，如图8所示，匹配单元503包括查找单元801、条件判断 单元802、匹配确定单元803、选择单元804。
选择单元801，用于根据该培训对象的性格查找出与该培训对象性格匹配 的培训导师。其中，匹配可以指性格相同，也可以指性格互补等。如该培训对 象的性格为理智型，若匹配是指性格相同，那么与该培训对象性格最为匹配的 培训导师指的是性格同样为理智型的所有培训导师。
条件判断单元802，用于判断性格匹配的培训导师中是否存在有培训导师 满足预设分配条件。若性格匹配的培训导师有多个，那么只要其中有一个培训 导师满足预设分配条件即可；若性格匹配的培训导师有一个，只要该培训导师 满足预设分配条件即可。具体地，条件判断单元802包括工作地区获取单元、 级别地区获取单元、名额判断单元、条件确定单元、获取判断单元。其中，工 作地区获取单元，用于获取该培训对象的工作地区。级别地区获取单元，用于 从性格匹配的培训导师中获取一个培训导师的工作地区和该培训导师的级别。 名额判断单元，用于若该培训对象的工作地区与该培训导师的工作地区相同，判断该培训导师名下已有的培训对象名额是否达到该培训导师级别对应的预设 最大名额。条件确定单元，用于若该培训导师名下已有的培训对象名额未达到 预设最大名额，确定该培训导师满足预设分配条件；若该培训导师名下已有的 培训对象名额达到预设最大名额，或者该培训对象的工作地区与该培训导师的 工作地区不相同，确定该培训导师不满足预设分配条件。获取判断单元，用于 判断是否获取了所有培训导师。级别地区获取单元，还用于若性格匹配的培训 导师中还有培训导师未获取，从性格匹配的培训导师中获取下一个培训导师的 工作地区和该培训导师的级别。可以理解地，根据工作地区、培训导师级别对 应的预设最大名额等来确定培训导师是否满足预设分配条件。不同级别的培训 导师可以指导的培训对象数量不同，培训导师不能跨工作地区进行指导等。如 湖北省的培训导师不能指导安徽省的培训对象。
匹配确定单元803，用于若存在有培训导师满足预设分配条件，确定该培 训导师为该培训对象匹配的培训导师。
选择单元804，用于若不存在培训导师满足预设分配条件，从性格次匹配 的培训导师中选择一个培训导师作为该培训对象最为匹配的培训导师。其中， 不存在培训导师满足预设分配条件，包括以下两种情况：一，没有性格最为匹 配的培训导师，二，有性格最为匹配的培训导师，但是性格最为匹配的培训导 师中没有一个满足预设分配条件。若性格匹配指的是性格相同，那么性格次匹 配指的是性格相近；若性格匹配指的是性格互补，那么性格次匹配指的是除了 性格最为互补的那个，从剩下的性格中挑选一个性格最为互补的性格。如与理 智型性格相近的是和平型，与和平型性格互补的是活跃型等。该举例只是为了 理解而已，在其他实施例中，还可以有其他不同的匹配方式。
在其他的实施例中，若预测单元502在预测培训对象性格的时候，保留概 率最高、概率第二高的两种性格作为培训对象的性格，那么在匹配单元503中， 将概率最高的性格作为最匹配的性格，该概率第二高的性格作为次匹配的性格。
推荐单元504，用于将该培训导师推荐给培训对象。
将该培训导师推荐给培训对象，可以理解地，将该培训导师的基本信息(包 括联系方式)以及工作经验等相关信息推送给培训对象，以方便培训对象了解 该培训导师，以及与培训导师进行进一步的沟通。其中，推荐的方式包括短信 的方式、微信公众号等方式、网页推荐的方式(打开相关网页，可以查看到该 培训导师的信息)，也可以多种方式结合。
将该培训导师推荐给该培训对象后，培训对象可以选择是否接收推荐，若 不接收推荐，则系统再为该培训对象分配其他培训导师。即检测是否接收到培 训对象接收推荐的消息，若没有接收到培训对象接收推荐的消息或者接收到培 训对象拒绝的消息，则再次为该培训对象分配其他培训导师。再次为该培训对 象分配其他培训导师时，将该培训导师(培训对象拒绝的培训导师)从性格匹 配以及性格次匹配的培训导师名单中删除。
在一些实施例中，培训导师需要根据预设规则从众多目标对象中筛选出来。 其中，目标对象包括培训导师和培训对象。目标对象可以是业务员。具体地， 所述推荐装置还包括：筛选单元。该筛选单元，用于根据预设规则从众多目标 对象中筛选出培训导师。可以理解为，根据预设规则从众多业务员中筛选出导 师。其中，预设规则包括目标对象的工作年限、目标对象最近预设时间段内的 平均业绩、目标对象的职称等。其中，预设时间段可以是1年，最近预设时间 段内的平均业绩，可以理解为，最近1年内每个月的平均业绩；目标对象的职 称分为不同的级别，级别越高，表示业务的能力越强。具体地，该筛选单元用 于根据目标对象的工作年限、目标对象最近预设时间段内的平均业绩、目标对 象的职称从众多的目标对象中筛选出培训导师。
在一实施例中，筛选单元，包括筛选信息获取单元、筛选判断单元，筛选 确定单元。其中，筛选信息获取单元，用于获取目标对象的工作年限、目标对 象最近预设时间段内的平均业绩、目标对象的职称。筛选判断单元，用于判断 目标对象的工作年限是否大于预设年限、目标对象的最近预设时间内的平均业 绩是否大于预设业绩且目标对象的职称是否高于预设职称。筛选确定单元，用 于若目标对象的工作年限大于预设年限、目标对象的最近预设时间内的平均业 绩大于预设业绩且目标对象的职称高于预设职称，则确定该目标对象为培训导 师；若目标对象的工作年限不大于预设年限，或者目标对象的最近预设时间内 的平均业绩不大于预设业绩，或者目标对象的职称低于预设职称，则确定该目 标对象不能作为培训导师。其中，预设年限可以设置为3年、预设业绩可以设 置为2万，也可以根据具体情况设置其他不同的值。
在一实施例中，筛选单元，包括筛选信息获取单元、分数计算单元、筛选 确定单元。其中，筛选信息获取单元，用于获取目标对象的工作年限、目标对 象最近预设时间段内的平均业绩、目标对象的职称。分数计算单元，用于根据 预设公式计算目标对象的综 合评分，其中，r1、r2、r3分别表示分数系数，r1+r2+r3＝1.Year表示工作年限 归一化值，Ach表示最近预设时间段内的平均业绩归一化值，Pro表示职称归一 化值。筛选确定单元，用于若目标对象的综合评分超过预设分数阈值，确定该 目标对象为培训导师，若目标对象的综合评分未超过预设分数阈值，确定该目 标对象不能作为培训导师。
在其他实施例中，文本特征信息还可以是该培训对象在进行性格测试时选 择的选项所对应的文本信息等。对应地，预测模型可以为随机森林模型等。
上述装置实施例的实现过程和达到的有益效果可参看对应的方法实施例对 应的描述。
上述装置可以实现为一种计算机程序的形式，计算机程序可以在如图9所 示的计算机设备上运行。
图9为本发明实施例提供的一种计算机设备的示意性框图。该设备90以服 务器的形式存在。该设备90包括通过系统总线901连接的处理器902、存储器 和网络接口903，其中，存储器可以包括非易失性存储介质904和内存储器905。
该非易失性存储介质904可存储操作系统9041和计算机程序9042。该计 算机程序9042被执行时，可使得处理器902执行一种推荐方法。该处理器902 用于提供计算和控制能力，支撑整个设备90的运行。该内存储器905为非易失 性存储介质中的计算机程序的运行提供环境，该计算机程序被处理器902执行 时，可使得处理器902执行一种推荐方法。该网络接口903用于进行网络通信， 如接收消息等。本领域技术人员可以理解，图9中示出的结构，仅仅是与本申 请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的设备90 的限定，具体的设备90可以包括比图中所示更多或更少的部件，或者组合某些 部件，或者具有不同的部件布置。
其中，所述处理器902用于运行存储在存储器中的计算机程序，以实现如 下步骤：
获取与培训对象相关的文本特征信息；根据所述文本特征信息，利用预测 模型，预测所述培训对象的性格；根据所述培训对象的性格筛选出与所述培训 对象匹配的培训导师；将所述培训导师推荐给所述培训对象。
在一实施例中，所述处理器902在执行所述根据所述文本特征信息，利用 预测模型，预测所述培训对象的性格时，具体执行：
将所述文本特征信息作为输入数据，输入到训练好的长短期记忆神经网络 中，得到隐含层的状态序列；将隐含层的状态序列，输入到池化层进行融合运 算，得到特征向量序列；将所述特征向量序列，输入到Softmax层，以得到所 述培训对象的性格预测结果。
在一实施例中，所述处理器902在执行所述获取与培训对象相关的文本特 征信息时，具体执行：
获取与培训对象相关的文本信息；从所述文本信息中提取出多维度的特征 信息，将所述多维度的特征信息作为与所述培训对象相关的文本特征信息。
在一实施例中，所述处理器902在执行所述根据所述培训对象的性格筛选 出与所述培训对象匹配的培训导师之前，还具体执行：
根据目标对象的工作年限、目标对象最近预设时间段内的平均业绩、目标 对象的职称从众多的目标对象中筛选出培训导师，其中，目标对象中包括培训 导师和培训对象。
在一实施例中，所述处理器902在执行所述根据目标对象的工作年限、目 标对象最近预设时间段内的平均业绩、目标对象的职称从众多的目标对象中筛 选出培训导师时，具体执行：
获取目标对象的工作年限、最近预设时间段内的平均业绩以及职称；根据 预设公式计算所述目标对象 的综合评分，其中，r1、r2、r3分别表示分数系数，r1+r2+r3＝1.Year表示工作 年限归一化值，Ach表示最近预设时间段内的平均业绩归一化值，Pro表示职称 归一化值；若所述目标对象的综合评分超过预设分数阈值，确定所述目标对象 为培训导师。
在一实施例中，所述处理器902在执行所述根据所述培训对象的性格筛选 出与所述培训对象匹配的培训导师时，具体执行：
根据所述培训对象的性格查找出与所述培训对象性格匹配的培训导师；判 断性格匹配的培训导师中是否存在有培训导师满足预设分配条件；若存在有培 训导师满足预设分配条件，确定所述培训导师为所述培训对象匹配的培训导师； 若不存在培训导师满足预设分配条件，从性格次匹配的培训导师中选择一个培 训导师作为所述培训对象最为匹配的培训导师。
在一实施例中，所述处理器902在执行所述判断性格匹配的培训导师中是 否有一个培训导师满足预设分配条件时，具体执行：
获取所述培训对象的工作地区；从性格匹配的培训导师中获取一个培训导 师的工作地区和所述培训导师的级别；若所述培训对象的工作地区与所述培训 导师的工作地区相同，判断所述培训导师名下已有的培训对象名额是否达到所 述级别对应的预设最大名额；若未达到预设最大名额，确定所述培训导师满足 预设分配条件；若达到预设最大名额，或者所述培训对象的工作地区与所述培 训导师的工作地区不相同，确定所述培训导师不满足预设分配条件，并判断是 否获取了所有培训导师；若还有培训导师未获取，从性格匹配的培训导师中获 取下一个培训导师的工作地区和所述培训导师的级别。
应当理解，在本发明实施例中，所称处理器902可以是中央处理单元 (CentralProcessing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号 处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array， FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件 等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在本发明的另一实施例中提供了一种计算机可读存储介质，所述计算机可 读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令 当被处理器执行时实现以下步骤：
获取与培训对象相关的文本特征信息；根据所述文本特征信息，利用预测 模型，预测所述培训对象的性格；根据所述培训对象的性格筛选出与所述培训 对象匹配的培训导师；将所述培训导师推荐给所述培训对象。
在一实施例中，所述处理器在执行所述根据所述文本特征信息，利用预测 模型，预测所述培训对象的性格时，具体实现：
将所述文本特征信息作为输入数据，输入到训练好的长短期记忆神经网络 中，得到隐含层的状态序列；将隐含层的状态序列，输入到池化层进行融合运 算，得到特征向量序列；将所述特征向量序列，输入到Softmax层，以得到所 述培训对象的性格预测结果。
在一实施例中，所述处理器在执行所述获取与培训对象相关的文本特征信 息时，具体实现：
获取与培训对象相关的文本信息；从所述文本信息中提取出多维度的特征 信息，将所述多维度的特征信息作为与所述培训对象相关的文本特征信息。
在一实施例中，所述处理器在执行所述根据所述培训对象的性格筛选出与 所述培训对象匹配的培训导师之前，还具体实现：
根据目标对象的工作年限、目标对象最近预设时间段内的平均业绩、目标 对象的职称从众多的目标对象中筛选出培训导师，其中，目标对象中包括培训 导师和培训对象。
在一实施例中，所述处理器在执行所述根据目标对象的工作年限、目标对 象最近预设时间段内的平均业绩、目标对象的职称从众多的目标对象中筛选出 培训导师时，具体实现：
获取目标对象的工作年限、最近预设时间段内的平均业绩以及职称；根据 预设公式计算所述目标对象 的综合评分，其中，r1、r2、r3分别表示分数系数，r1+r2+r3＝1.Year表示工作 年限归一化值，Ach表示最近预设时间段内的平均业绩归一化值，Pro表示职称 归一化值；若所述目标对象的综合评分超过预设分数阈值，确定所述目标对象 为培训导师。
在一实施例中，所述处理器在执行所述根据所述培训对象的性格筛选出与 所述培训对象匹配的培训导师时，具体实现：
根据所述培训对象的性格查找出与所述培训对象性格匹配的培训导师；判 断性格匹配的培训导师中是否存在有培训导师满足预设分配条件；若存在有培 训导师满足预设分配条件，确定所述培训导师为所述培训对象匹配的培训导师； 若不存在培训导师满足预设分配条件，从性格次匹配的培训导师中选择一个培 训导师作为所述培训对象最为匹配的培训导师。
在一实施例中，所述处理器在执行所述判断性格匹配的培训导师中是否有 一个培训导师满足预设分配条件时，具体实现：
获取所述培训对象的工作地区；从性格匹配的培训导师中获取一个培训导 师的工作地区和所述培训导师的级别；若所述培训对象的工作地区与所述培训 导师的工作地区相同，判断所述培训导师名下已有的培训对象名额是否达到所 述级别对应的预设最大名额；若未达到预设最大名额，确定所述培训导师满足 预设分配条件；若达到预设最大名额，或者所述培训对象的工作地区与所述培 训导师的工作地区不相同，确定所述培训导师不满足预设分配条件，并判断是 否获取了所有培训导师；若还有培训导师未获取，从性格匹配的培训导师中获 取下一个培训导师的工作地区和所述培训导师的级别。
所述计算机可读存储介质可以是前述任一实施例所述的终端的内部存储单 元，例如终端的硬盘或内存。所述计算机可读存储介质也可以是所述终端的外 部存储设备，例如所述终端上配备的插接式硬盘，智能存储卡(Smart Media Card, SMC)，安全数字(Secure Digital,SD)卡等。进一步地，所述计算机可读存 储介质还可以既包括所述终端的内部存储单元也包括外部存储设备。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置、设备和方 法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性 的，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划 分方式。所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上 述描述的装置、设备和单元的具体工作过程，可以参考前述方法实施例中的对 应过程，在此不再赘述。以上所述，仅为本发明的具体实施方式，但本发明的 保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术 范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发 明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种推荐方法，其特征在于，所述方法包括：
获取与培训对象相关的文本特征信息；
根据所述文本特征信息，利用预测模型，预测所述培训对象的性格；
根据所述培训对象的性格筛选出与所述培训对象匹配的培训导师；
将所述培训导师推荐给所述培训对象。
2.根据权利要求1所述的方法，其特征在于，所述预测模型为长短期记忆神经网络模型，所述根据所述文本特征信息，利用预测模型，预测所述培训对象的性格，包括：
将所述文本特征信息作为输入数据，输入到训练好的长短期记忆神经网络模型中，得到隐含层的状态序列；
将隐含层的状态序列，输入到池化层进行融合运算，得到特征向量序列；
将所述特征向量序列，输入到Softmax层，以得到所述培训对象的性格预测结果。
3.根据权利要求1所述的方法，其特征在于，所述获取与培训对象相关的文本特征信息，包括：
获取与培训对象相关的文本信息；
从所述文本信息中提取出多维度的特征信息，将所述多维度的特征信息作为与所述培训对象相关的文本特征信息。
4.根据权利要求1所述的方法，其特征在于，在所述根据所述培训对象的性格筛选出与所述培训对象匹配的培训导师之前，所述方法还包括：
根据目标对象的工作年限、目标对象最近预设时间段内的平均业绩、目标对象的职称从众多的目标对象中筛选出培训导师，其中，目标对象中包括培训导师和培训对象。
5.根据权利要求4所述的方法，其特征在于，所述根据目标对象的工作年限、目标对象最近预设时间段内的平均业绩、目标对象的职称从众多的目标对象中筛选出培训导师，包括：
获取目标对象的工作年限、最近预设时间段内的平均业绩以及职称；
根据预设公式计算所述目标对象的综合评分，其中，r1、r2、r3分别表示分数系数，r1+r2+r3＝1.Year表示工作年限归一化值，Ach表示最近预设时间段内的平均业绩归一化值，Pro表示职称归一化值；
若所述目标对象的综合评分超过预设分数阈值，确定所述目标对象为培训导师。
6.根据权利要求1所述的方法，其特征在于，所述根据所述培训对象的性格筛选出与所述培训对象匹配的培训导师，包括：
根据所述培训对象的性格查找出与所述培训对象性格匹配的培训导师；
判断性格匹配的培训导师中是否存在有培训导师满足预设分配条件；
若存在有培训导师满足预设分配条件，确定所述培训导师为所述培训对象匹配的培训导师；
若不存在培训导师满足预设分配条件，从性格次匹配的培训导师中选择一个培训导师作为所述培训对象最为匹配的培训导师。
7.根据权利要求6所述的方法，其特征在于，所述判断性格匹配的培训导师中是否有一个培训导师满足预设分配条件，包括：
获取所述培训对象的工作地区；
从性格匹配的培训导师中获取一个培训导师的工作地区和所述培训导师的级别；
若所述培训对象的工作地区与所述培训导师的工作地区相同，判断所述培训导师名下已有的培训对象名额是否达到所述级别对应的预设最大名额；
若未达到预设最大名额，确定所述培训导师满足预设分配条件；
若达到预设最大名额，或者所述培训对象的工作地区与所述培训导师的工作地区不相同，确定所述培训导师不满足预设分配条件，并判断是否获取了所有培训导师；
若还有培训导师未获取，从性格匹配的培训导师中获取下一个培训导师的工作地区和所述培训导师的级别。
8.一种推荐装置，其特征在于，所述装置包括用于执行如权利要求1-7任一项所述方法的单元。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器，以及与所述存储器相连的处理器；
所述存储器用于存储计算机程序；所述处理器用于运行所述存储器中存储的计算机程序，以执行如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时，实现如权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810462798.XA CN108776846A (zh) | 2018-05-15 | 2018-05-15 | 推荐方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810462798.XA CN108776846A (zh) | 2018-05-15 | 2018-05-15 | 推荐方法、装置、计算机设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108776846A true CN108776846A (zh) | 2018-11-09 |
Family
ID=64027179
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810462798.XA Pending CN108776846A (zh) | 2018-05-15 | 2018-05-15 | 推荐方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108776846A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108829752A (zh) * | 2018-05-25 | 2018-11-16 | 南京邮电大学 | 基于个性化的导师推荐算法 |
| CN111131430A (zh) * | 2019-12-19 | 2020-05-08 | 中国联合网络通信集团有限公司 | 信息推送的处理方法、设备及存储介质 |
| CN111401958A (zh) * | 2020-03-17 | 2020-07-10 | 重庆锐云科技有限公司 | 一种对房地产客户自动推荐置业顾问的方法及系统 |
| CN113704634A (zh) * | 2021-07-29 | 2021-11-26 | 深圳市镜玩科技有限公司 | 基于多维性格数据的婚恋配对方法、装置、系统及介质 |
| CN115545580A (zh) * | 2022-12-01 | 2022-12-30 | 四川大学华西医院 | 一种医疗培训流程规范化校验方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1770185A (zh) * | 2004-11-05 | 2006-05-10 | 日立电子服务有限公司 | 教育听课引导系统 |
| CN101359995A (zh) * | 2008-09-28 | 2009-02-04 | 腾讯科技（深圳）有限公司 | 提供在线服务的方法和装置 |
| CN102663001A (zh) * | 2012-03-15 | 2012-09-12 | 华南理工大学 | 基于支持向量机的博客作者兴趣与性格自动识别方法 |
| CN105574788A (zh) * | 2016-02-05 | 2016-05-11 | 北京普猎创新网络科技有限公司 | 一种基于胜任力标签的培训提供方法 |
| CN106875309A (zh) * | 2017-04-01 | 2017-06-20 | 福建云课堂教育科技有限公司 | 一种课程推荐方法及系统 |
| CN107067234A (zh) * | 2017-05-11 | 2017-08-18 | 安徽谦通信息科技有限公司 | 一种对外劳务综合管理系统 |
| CN107393360A (zh) * | 2017-07-17 | 2017-11-24 | 扬州大学 | 网络家教信息系统及其控制方法 |
| CN108021864A (zh) * | 2017-11-02 | 2018-05-11 | 平安科技（深圳）有限公司 | 人物性格分析方法、装置及存储介质 |
-
2018
- 2018-05-15 CN CN201810462798.XA patent/CN108776846A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1770185A (zh) * | 2004-11-05 | 2006-05-10 | 日立电子服务有限公司 | 教育听课引导系统 |
| CN101359995A (zh) * | 2008-09-28 | 2009-02-04 | 腾讯科技（深圳）有限公司 | 提供在线服务的方法和装置 |
| CN102663001A (zh) * | 2012-03-15 | 2012-09-12 | 华南理工大学 | 基于支持向量机的博客作者兴趣与性格自动识别方法 |
| CN105574788A (zh) * | 2016-02-05 | 2016-05-11 | 北京普猎创新网络科技有限公司 | 一种基于胜任力标签的培训提供方法 |
| CN106875309A (zh) * | 2017-04-01 | 2017-06-20 | 福建云课堂教育科技有限公司 | 一种课程推荐方法及系统 |
| CN107067234A (zh) * | 2017-05-11 | 2017-08-18 | 安徽谦通信息科技有限公司 | 一种对外劳务综合管理系统 |
| CN107393360A (zh) * | 2017-07-17 | 2017-11-24 | 扬州大学 | 网络家教信息系统及其控制方法 |
| CN108021864A (zh) * | 2017-11-02 | 2018-05-11 | 平安科技（深圳）有限公司 | 人物性格分析方法、装置及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| SHUMIN SHI等: "A hierarchical lstm model with multiple features for sentiment analysis of sina weibo texts", 《2017 INTERNATIONAL CONFERENCE ON ASIAN LANGUAGE PROCESSING (IALP)》 * |
| 费鹏: "用户画像构建技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
| 黄孝平: "《当代机器深度学习方法与应用研究》", 30 November 2017, 电子科技大学出版社 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108829752A (zh) * | 2018-05-25 | 2018-11-16 | 南京邮电大学 | 基于个性化的导师推荐算法 |
| CN111131430A (zh) * | 2019-12-19 | 2020-05-08 | 中国联合网络通信集团有限公司 | 信息推送的处理方法、设备及存储介质 |
| CN111131430B (zh) * | 2019-12-19 | 2022-04-12 | 中国联合网络通信集团有限公司 | 信息推送的处理方法、设备及存储介质 |
| CN111401958A (zh) * | 2020-03-17 | 2020-07-10 | 重庆锐云科技有限公司 | 一种对房地产客户自动推荐置业顾问的方法及系统 |
| CN113704634A (zh) * | 2021-07-29 | 2021-11-26 | 深圳市镜玩科技有限公司 | 基于多维性格数据的婚恋配对方法、装置、系统及介质 |
| CN115545580A (zh) * | 2022-12-01 | 2022-12-30 | 四川大学华西医院 | 一种医疗培训流程规范化校验方法及系统 |
| CN115545580B (zh) * | 2022-12-01 | 2023-04-07 | 四川大学华西医院 | 一种医疗培训流程规范化校验方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108776846A (zh) | 推荐方法、装置、计算机设备及存储介质 | |
| Hajduk | The concept of a smart city in urban management | |
| Hu et al. | A non-dominated sorting genetic algorithm for the location and districting planning of earthquake shelters | |
| CN109564669A (zh) | 基于信任得分和地理范围搜索实体 | |
| CN108537373A (zh) | 旅游信息推荐方法和装置 | |
| CN103049637B (zh) | 强化社交平台的内容质量和用户参与度的系统和方法 | |
| CN110334289B (zh) | 出行目的地的确定方法和目标用户的确定方法 | |
| Zhu | Telecommuting, household commute and location choice | |
| Pettit | Use of a collaborative GIS-based planning-support system to assist in formulating a sustainable-development scenario for Hervey Bay, Australia | |
| CN110377804A (zh) | 培训课程数据的推送方法、装置、系统及存储介质 | |
| CN108510402A (zh) | 险种信息推荐方法、装置、计算机设备及存储介质 | |
| Eshtehardian et al. | Time–cost optimization: using GA and fuzzy sets theory for uncertainties in cost | |
| CN109102371A (zh) | 商品推荐方法、装置、计算机设备及存储介质 | |
| Jeong et al. | Integrating buildings into a rural landscape using a multi-criteria spatial decision analysis in GIS-enabled web environment | |
| CN105184708B (zh) | 一种留学申请匹配方法及系统 | |
| Tong et al. | Heuristics in spatial analysis: a genetic algorithm for coverage maximization | |
| CN105894372A (zh) | 预测群体信用的方法和装置 | |
| CN107291815A (zh) | 基于跨平台标签融合的问答社区推荐方法 | |
| CN107798027A (zh) | 一种信息热度预测方法、信息推荐方法及装置 | |
| CN106874355A (zh) | 同时融入社交关系和用户相似度的协同过滤方法 | |
| CN105303418A (zh) | 一种选址方法和装置 | |
| Li et al. | A two-step approach to planning new facilities towards equal accessibility | |
| CN110109922A (zh) | 绩效数据获取方法、装置、计算机设备及存储介质 | |
| Tu et al. | Investment recommendation using investor opinions in social media | |
| Alexander et al. | Social ties explain catch portfolios of small‐scale fishers in the Caribbean |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181109 |
|
| RJ01 | Rejection of invention patent application after publication |