CN109684441A - 对职位和简历进行匹配的方法、系统、设备和介质 - Google Patents

Abstract

本发明涉及信息检索技术领域，特别涉及对职位和简历进行匹配的方法、系统、设备和介质。本发明的方法包括利用自然语言处理技术抽取职位特征和简历特征；对职位特征进行重要性排序；根据职位特征来检索简历，检索得到的简历至少包括与职位特征对应的简历特征；以及基于职位特征在重要性排序中的排名，对检索得到的简历进行筛选。本发明解决人岗匹配的精准性问题和个性化问题，提高筛选简历的效率。

Description

对职位和简历进行匹配的方法、系统、设备和介质

技术领域

本发明涉及信息检索技术领域，特别涉及对职位和简历进行匹配的方法、系统、设备和介质。

背景技术

目前，国内的人力资源行业相关的互联网产品在搜索和推荐简历时，仅仅是对职位和简历的信息进行简单的识别和处理，尚处于关键词匹配的阶段，没有做到语义匹配，并且没有考虑到企业的用人需求，无法实现简历的个性化搜索和推荐。

发明内容

本发明的目的在于提供对职位和简历进行匹配的方法、系统、设备和介质，解决人岗匹配的精准性问题和个性化问题，提高筛选简历的效率。

本发明公开了一种对职位和简历进行匹配的方法，方法包括：利用自然语言处理技术抽取职位特征和简历特征；对职位特征进行重要性排序；根据职位特征来检索简历，检索得到的简历至少包括与职位特征对应的简历特征；以及基于职位特征在重要性排序中的排名，对检索得到的简历进行筛选。

可选地，对职位特征进行重要性排序包括：通过重要性排序模型对职位特征进行重要性排序。

可选地，根据职位特征来检索简历，检索得到的简历至少包括与职位特征对应的简历特征，包括：根据所有的职位特征来检索简历，检索得到的简历至少包括与所有的职位特征对应的简历特征；依次去除在重要性排序中排名最低的职位特征，根据剩余的职位特征来检索简历，检索得到的简历至少包括与剩余的职位特征对应的简历特征。

可选地，基于职位特征在重要性排序中的排名，对检索得到的简历进行筛选包括：通过相关性模型，基于职位特征、与职位特征对应的简历特征、职位特征在重要性排序中的排名、由职位特征和简历特征分别建立的知识图谱，确定简历是否与职位相关，如果确定简历与职位相关则被保留，否则被过滤。

可选地，使用职位特征、简历特征、由职位特征和简历特征分别建立的知识图谱、招聘行为数据，并且利用机器学习算法来训练相关性模型。

可选地，在基于职位特征在重要性排序中的排名，对检索得到的简历进行筛选之后，方法还包括：对筛选得到的简历进行个性化排序。

可选地，对筛选得到的简历进行个性化排序包括：通过个性化排序模型，基于职位特征、简历特征，对筛选得到的简历进行评分，评分越高的简历在个性化排序中的排名越高。

本发明还公开了一种对职位和简历进行匹配的系统，系统包括：特征抽取模块，用于利用自然语言处理技术抽取职位特征和简历特征；重要性排序模块，用于对职位特征进行重要性排序；检索模块，用于根据职位特征来检索简历，检索得到的简历至少包括与职位特征对应的简历特征；以及筛选模块，用于基于职位特征在重要性排序中的排名，对检索得到的简历进行筛选。

可选地，重要性排序模块用于通过重要性排序模型对职位特征进行重要性排序。

可选地，检索模块用于根据所有的职位特征来检索简历，检索得到的简历至少包括与所有的职位特征对应的简历特征；依次去除在重要性排序中排名最低的职位特征，根据剩余的职位特征来检索简历，检索得到的简历至少包括与剩余的职位特征对应的简历特征。

可选地，筛选模块用于通过相关性模型，基于职位特征、与职位特征对应的简历特征、职位特征在重要性排序中的排名、由职位特征和简历特征分别建立的知识图谱，确定简历是否与职位相关，如果确定简历与职位相关则被保留，否则被过滤。

可选地，系统还包括相关性模型训练模块，相关性模型训练模块用于使用职位特征、简历特征、由职位特征和简历特征分别建立的知识图谱、招聘行为数据，并且利用机器学习算法来训练相关性模型。

可选地，系统还包括个性化排序模块，个性化排序模块用于对筛选得到的简历进行个性化排序。

可选地，个性化排序模块用于通过个性化排序模型，基于职位特征、简历特征，对筛选得到的简历进行评分，评分越高的简历在个性化排序中的排名越高。

本发明还公开了一种对职位和简历进行匹配的设备，设备包括存储有计算机可执行指令的存储器和处理器，处理器被配置为执行指令以实施对职位和简历进行匹配的方法。

本发明还公开了一种使用计算机程序编码的非易失性计算机存储介质，计算机程序包括指令，指令被一个以上的计算机执行以实施对职位和简历进行匹配的方法。

本发明与现有技术相比，主要区别及其效果在于：

首先，利用自然语言处理技术来理解职位和简历以抽取职位特征和简历特征，提高对职位和简历的信息进行识别和处理的效果，实现语义匹配。其次，利用机器学习算法，使用招聘行为数据等来训练模型，充分考虑企业的用人需求。最后，通过重要性排序模型对职位特征进行重要性排序，通过相关性模型对检索得到的简历进行筛选，通过个性化排序模型对筛选得到的简历进行个性化排序，实现简历的个性化搜索和推荐。因此，本发明可以解决人岗匹配的精准性问题和个性化问题，提高筛选简历的效率。

附图说明

图1示出对职位和简历进行匹配的方法的流程示意图；

图2示出对职位和简历进行匹配的方法的另一流程示意图；

图3示出对职位和简历进行匹配的系统的结构示意图；

图4示出对职位和简历进行匹配的系统的另一结构示意图。

具体实施方式

在以下的叙述中，为了使读者更好地理解本申请而提出了许多技术细节。但是，本领域的普通技术人员可以理解，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请各权利要求所要求保护的技术方案。

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的实施方式作进一步地详细描述。

本发明的第一实施方式涉及一种对职位和简历进行匹配的方法。图1示出对职位和简历进行匹配的方法的流程示意图。如图1所示，方法100包括：

步骤102，利用自然语言处理技术抽取职位特征和简历特征。利用自然语言处理技术来理解职位和简历，可以识别人名、地名、机构名、专有名词等，提高对职位和简历的信息进行识别和处理的效果，实现语义匹配。抽取得到的职位特征和简历特征可以被用在下面描述的重要性排序、检索、筛选、个性化排序和模型训练中。

其中，职位包括职位名、职位描述、公司名等。例如，有一份职位，其中职位名为“机器学习工程师”，职位描述为“负责公司的广告点击率(click through rate,CTR)预估系统”，公司名为“XX电子商务公司”。可以理解的是，根据招聘需求，职位还可以包括学历学位要求、工作年限要求、薪资报酬等。

其中，简历包括个人描述、学习经历描述、工作经历描述等。例如，有第一份简历，其中个人描述为“张三”，学习经历描述为“A大学硕士”，工作经历描述为“2016年-至今在B公司担任机器学习工程师，从事广告CTR预估工作”。有第二份简历，其中个人描述为“李四”，学习经历描述为“C大学博士”，工作经历描述为“2017年-至今在D公司担任数据挖掘工程师，从事广告CTR预估算法工作”。有第三份简历，其中个人描述为“王五”，学习经历描述为“E大学学士”，工作经历描述为“2013年-至今在F公司担任Java工程师，从事CTR预估工程服务开发工作”。可以理解的是，根据应聘需求，简历还可以包括年龄、期望的薪资报酬等。

其中，自然语言处理技术包括命名实体识别、句法分析等。

其中，职位特征包括职能特征、技能特征等。例如，对上面描述的职位抽取职位特征，其中职能特征为“机器学习”，技能特征为“广告”和“CTR预估”。可以理解的是，根据招聘需求，还可以包括学历学位特征、工作年限特征、行业特征等。

其中，简历特征包括毕业学校特征、过往公司特征、职能特征、技能特征等。例如，对上面描述的第一份简历抽取简历特征，其中毕业学校特征为“A大学”，过往公司特征为“B公司”，职能特征为“机器学习”，技能特征为“广告”和“CTR预估”。对上面描述的第二份简历抽取简历特征，其中毕业学校特征为“C大学”，过往公司特征为“D公司”，职能特征为“数据挖掘”，技能特征为“广告”和“CTR预估”。对上面描述的第三份简历抽取简历特征，其中毕业学校特征为“E大学”，过往公司特征为“F公司”，职能特征为“Java”，技能特征为“CTR预估”。可以理解的是，根据应聘需求，还可以包括学历学位特征、工作年限特征、行业特征等。

其中，一份职位的职位特征和一份简历的简历特征的数量不一定相同。例如，简历特征的数量可以多于职位特征的数量。

步骤104，对职位特征进行重要性排序。经过重要性排序的职位特征可以表示职位的偏好。

例如，对上面抽取的职位特征“机器学习”、“广告”和“CTR预估”进行重要性排序，得到经过重要性排序的职位特征“CTR预估”＞“机器学习”＞“广告”。可以理解的是，也可以对其他职位特征进行重要性排序。

可选地，通过重要性排序模型对职位特征进行重要性排序。

可选地，使用招聘行为数据，并且利用机器学习算法来训练重要性排序模型。经过训练的重要性排序模型，可以充分考虑企业的用人需求。

其中，招聘行为数据可以包括诸如招聘网站、招聘软件等人力资源行业相关的互联网产品自有的招聘行为数据，也可以包括诸如XX电子商务公司等客户公司的招聘行为数据等。招聘行为数据包括在招聘过程中产生的点击数据、筛选数据、面试数据、录用数据等，其中筛选数据包括筛选通过数据和筛选不通过数据，面试数据包括约面数据和不约面数据，录用数据包括录用通过数据和录用不通过数据，其中筛选通过数据、约面数据和录用通过数据属于正例，筛选不通过数据、不约面数据和录用不通过数据属于负例。可以理解的是，也可以使用其他训练数据。

其中，可以构建招聘行为数据的偏序关系，并且构建Pairwise的损失函数来训练重要性排序模型。可以理解的是，也可以利用其他机器学习算法。

步骤106，根据职位特征来检索简历，检索得到的简历至少包括与职位特征对应的简历特征。

可选地，根据所有的职位特征来检索简历，检索得到的简历至少包括与所有的职位特征对应的简历特征。依次去除在重要性排序中排名最低的职位特征，根据剩余的职位特征来检索简历，检索得到的简历至少包括与剩余的职位特征对应的简历特征。根据职位特征和职位特征在重要性排序中的排名来检索简历，并且简历特征与职位特征对应，可以兼顾检索简历的全面性和选择性。

其中，简历特征与职位特征对应，可以指简历特征的内容与职位特征的内容完全相同，也可以指简历特征的内容与职位特征的内容语义近似。

例如，对于上面描述的经过重要性排序的职位特征“CTR预估”＞“机器学习”＞“广告”，首先，根据所有的职位特征“CTR预估”、“机器学习”和“广告”来检索简历，检索得到的简历至少包括与所有的职位特征对应的简历特征，例如检索得到上面描述的第一份简历和第二份简历，其中第二份简历的简历特征“数据挖掘”与职位特征“机器学习”语义近似。其次，去除在重要性排序中排名最低的职位特征“广告”，根据剩余的职位特征“CTR预估”和“机器学习”来检索简历，检索得到的简历至少包括与剩余的职位特征对应的简历特征，例如未检索得到简历。最后，再次去除在重要性排序中排名最低的职位特征“机器学习”，根据剩余的职位特征“CTR预估”来检索简历，检索得到的简历至少包括与剩余的职位特征对应的简历特征，例如检索得到上面描述的第三份简历。

可以理解的是，也可以先根据职位特征(例如对职位特征进行排列组合)来检索简历，检索得到的简历至少包括与职位特征对应的简历特征，之后再对职位特征进行重要性排序，从而对检索得到的简历进行重要性排序。

步骤108，基于职位特征在重要性排序中的排名，对检索得到的简历进行筛选。

可选地，通过相关性模型，基于职位特征、与职位特征对应的简历特征、职位特征在重要性排序中的排名、由职位特征和简历特征分别建立的知识图谱，确定简历是否与职位相关，如果确定简历与职位相关则被保留，否则被过滤。被保留的简历可以表示简历与职位的强相关性，被过滤的简历可以表示简历与职位的弱相关性。

例如，对于检索得到的第一份简历，基于上面抽取的职位特征“机器学习”、“广告”和“CTR预估”以及与职位特征对应的简历特征“机器学习”、“广告”和“CTR预估”，并且考虑职位特征在重要性排序中的排名以作为特征的权重，通过这些特征的权重以及基于知识图谱的关键实体之间的关系，通过相关性模型确定简历是否与职位相关。假设确定第一份简历与职位相关。类似于第一份简历，假设确定第二份简历与职位相关，第三份简历与职位无关。可以理解的是，也可以基于其他职位特征和简历特征。

可选地，使用职位特征、简历特征、由职位特征和简历特征分别建立的知识图谱、招聘行为数据，并且利用机器学习算法来训练相关性模型。经过训练的相关性模型，可以充分考虑企业的用人需求。可以理解的是，也可以使用其他训练数据。

其中，由职位特征建立的知识图谱可以表示职位特征之间的拓扑关系，由简历特征建立的知识图谱可以表示简历特征之间的拓扑关系。

类似于重要性排序模型，对相关性模型进行训练。

本发明的第二实施方式涉及一种对职位和简历进行匹配的方法。图2示出对职位和简历进行匹配的方法的另一流程示意图。如图2所示，与第一实施方式相比，方法100还包括：

步骤110，对筛选得到的简历进行个性化排序。经过个性化排序的简历可以实现简历的个性化推荐。

可选地，通过个性化排序模型，基于职位特征、简历特征，对筛选得到的简历进行评分，评分越高的简历在个性化排序中的排名越高。

例如，被保留的简历包括上面描述的第一份简历和第二份简历。对于第一份简历，通过个性化排序模型，基于上面抽取的职位特征“机器学习”、“广告”和“CTR预估”以及简历特征“A大学”、“B公司”、“机器学习”、“广告”、“CTR预估”，并且可以考虑第一份简历的相关性分数，对第一份简历进行评分。类似于第一份简历，对第二份简历进行评分。假设第一份简历的评分较高，则第一份简历在个性化排序中的排名较高。可以理解的是，也可以基于其他职位特征和简历特征。

可选地，使用招聘行为数据，并且利用机器学习算法来训练个性化排序模型。经过训练的个性化排序模型，可以充分考虑企业的用人需求。可以理解的是，也可以使用其他训练数据。

例如，经过训练的个性化排序模型对“A大学”和“B公司”的评分更高，从而可以表示职位的偏好。

类似于重要性排序模型，对个性化排序模型进行训练。

本发明的第三实施方式涉及一种对职位和简历进行匹配的系统。图3示出对职位和简历进行匹配的系统的结构示意图。如图3所示，系统200包括：

特征抽取模块202，用于利用自然语言处理技术抽取职位特征和简历特征。

重要性排序模块204，用于对职位特征进行重要性排序。

检索模块206，用于根据职位特征来检索简历，检索得到的简历至少包括与职位特征对应的简历特征。

筛选模块208，用于基于职位特征在重要性排序中的排名，对检索得到的简历进行筛选。

可选地，重要性排序模块204用于通过重要性排序模型对职位特征进行重要性排序。

可选地，检索模块206用于根据所有的职位特征来检索简历，检索得到的简历至少包括与所有的职位特征对应的简历特征。依次去除在重要性排序中排名最低的职位特征，根据剩余的职位特征来检索简历，检索得到的简历至少包括与剩余的职位特征对应的简历特征。

可选地，筛选模块208用于通过相关性模型，基于职位特征、与职位特征对应的简历特征、职位特征在重要性排序中的排名、由职位特征和简历特征分别建立的知识图谱，确定简历是否与职位相关，如果确定简历与职位相关则被保留，否则被过滤。

可选地，系统200还包括：

重要性排序模型训练模块210，用于使用招聘行为数据，并且利用机器学习算法来训练重要性排序模型。

相关性模型训练模块212，用于使用职位特征、简历特征、由职位特征和简历特征分别建立的知识图谱、招聘行为数据，并且利用机器学习算法来训练相关性模型。

第一实施方式是与本实施方式相对应的方法实施方式，本实施方式可与第一实施方式互相配合实施。第一实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在第一实施方式中。

本发明的第四实施方式涉及一种对职位和简历进行匹配的系统。图4示出对职位和简历进行匹配的系统的另一结构示意图。如图4所示，与第三实施方式相比，系统200还包括：

个性化排序模块214，用于对筛选得到的简历进行个性化排序。

可选地，个性化排序模块214用于通过个性化排序模型，基于职位特征、简历特征，对筛选得到的简历进行评分，评分越高的简历在个性化排序中的排名越高。

可选地，系统200还包括：

个性化排序模型训练模块216，用于使用招聘行为数据，并且利用机器学习算法来训练个性化排序模型。

第二实施方式是与本实施方式相对应的方法实施方式，本实施方式可与第二实施方式互相配合实施。第二实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在第二实施方式中。

本发明的第五实施方式涉及一种对职位和简历进行匹配的设备，设备包括存储有计算机可执行指令的存储器和处理器，处理器被配置为执行指令以实施对职位和简历进行匹配的方法。

第一和第二实施方式是与本实施方式相对应的方法实施方式，本实施方式可与第一和第二实施方式互相配合实施。第一和第二实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在第一和第二实施方式中。

本发明的第六实施方式涉及一种使用计算机程序编码的非易失性计算机存储介质，计算机程序包括指令，指令被一个以上的计算机执行以实施对职位和简历进行匹配的方法。

第一和第二实施方式是与本实施方式相对应的方法实施方式，本实施方式可与第一和第二实施方式互相配合实施。第一和第二实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在第一和第二实施方式中。

需要说明的是，本发明的各方法实施方式均可以以软件、硬件、固件等方式实现。不管本发明是以软件、硬件、还是固件方式实现，指令代码都可以存储在任何类型的计算机可访问的存储器中(例如永久的或者可修改的，易失性的或者非易失性的，固态的或者非固态的，固定的或者可更换的介质等等)。同样，存储器可以例如是可编程阵列逻辑(Programmable Array Logic，简称“PAL”)、随机存取存储器(Random Access Memory，简称“RAM”)、可编程只读存储器(Programmable Read Only Memory，简称“PROM”)、只读存储器(Read-Only Memory，简称“ROM”)、电可擦除可编程只读存储器(Electrically ErasableProgrammable ROM，简称“EEPROM”)、磁盘、光盘、数字通用光盘(Digital Versatile Disc，简称“DVD”)等等。

需要说明的是，本发明各设备实施方式中提到的各单元/模块都是逻辑单元/模块，在物理上，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现，这些逻辑单元本身的物理实现方式并不是最重要的，这些逻辑单元所实现的功能的组合才是解决本发明所提出的技术问题的关键。此外，为了突出本发明的创新部分，本发明上述各设备实施方式并没有将与解决本发明所提出的技术问题关系不太密切的单元引入，这并不表明上述设备实施方式并不存在其它的单元。

需要说明的是，在本专利的权利要求和说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

虽然通过参照本发明的某些优选实施方式，已经对本发明进行了图示和描述，但本领域的普通技术人员应该明白，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。

Claims (10)

1.一种对职位和简历进行匹配的方法，其特征在于，所述方法包括：

利用自然语言处理技术抽取职位特征和简历特征；

对所述职位特征进行重要性排序；

根据所述职位特征来检索简历，检索得到的所述简历至少包括与所述职位特征对应的所述简历特征；以及

基于所述职位特征在重要性排序中的排名，对检索得到的所述简历进行筛选。

2.根据权利要求1所述的方法，其特征在于，对所述职位特征进行重要性排序包括：通过重要性排序模型对所述职位特征进行重要性排序。

3.根据权利要求1所述的方法，其特征在于，根据所述职位特征来检索简历，检索得到的所述简历至少包括与所述职位特征对应的所述简历特征，包括：

根据所有的所述职位特征来检索所述简历，检索得到的所述简历至少包括与所有的所述职位特征对应的所述简历特征；

依次去除在重要性排序中排名最低的所述职位特征，根据剩余的所述职位特征来检索所述简历，检索得到的所述简历至少包括与剩余的所述职位特征对应的所述简历特征。

4.根据权利要求1所述的方法，其特征在于，基于所述职位特征在重要性排序中的排名，对检索得到的所述简历进行筛选包括：通过相关性模型，基于所述职位特征、与所述职位特征对应的所述简历特征、所述职位特征在重要性排序中的排名、由所述职位特征和所述简历特征分别建立的知识图谱，确定所述简历是否与职位相关，如果确定所述简历与所述职位相关则被保留，否则被过滤。

5.根据权利要求4所述的方法，其特征在于，使用所述职位特征、所述简历特征、由所述职位特征和所述简历特征分别建立的所述知识图谱、招聘行为数据，并且利用机器学习算法来训练所述相关性模型。

6.根据权利要求1所述的方法，其特征在于，在基于所述职位特征在重要性排序中的排名，对检索得到的所述简历进行筛选之后，所述方法还包括：对筛选得到的所述简历进行个性化排序。

7.根据权利要求6所述的方法，其特征在于，对筛选得到的所述简历进行个性化排序包括：通过个性化排序模型，基于所述职位特征、所述简历特征，对筛选得到的所述简历进行评分，评分越高的所述简历在个性化排序中的排名越高。

8.一种对职位和简历进行匹配的系统，其特征在于，所述系统包括：

特征抽取模块，用于利用自然语言处理技术抽取职位特征和简历特征；

重要性排序模块，用于对所述职位特征进行重要性排序；

检索模块，用于根据所述职位特征来检索简历，检索得到的所述简历至少包括与所述职位特征对应的所述简历特征；以及

筛选模块，用于基于所述职位特征在重要性排序中的排名，对检索得到的所述简历进行筛选。

9.一种对职位和简历进行匹配的设备，其特征在于，所述设备包括存储有计算机可执行指令的存储器和处理器，所述处理器被配置为执行所述指令以实施根据权利要求1-7中任一项所述的对职位和简历进行匹配的方法。

10.一种使用计算机程序编码的非易失性计算机存储介质，其特征在于，所述计算机程序包括指令，所述指令被一个以上的计算机执行以实施根据权利要求1-7中任一项所述的对职位和简历进行匹配的方法。