CN109934468A - 一种兼职工作匹配方法及系统、存储介质 - Google Patents
一种兼职工作匹配方法及系统、存储介质 Download PDFInfo
- Publication number
- CN109934468A CN109934468A CN201910143174.6A CN201910143174A CN109934468A CN 109934468 A CN109934468 A CN 109934468A CN 201910143174 A CN201910143174 A CN 201910143174A CN 109934468 A CN109934468 A CN 109934468A
- Authority
- CN
- China
- Prior art keywords
- user
- data
- time
- task
- matching
- 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
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种兼职工作匹配方法及系统、存储介质，涉及人工智能领域，包括：获取兼职用户输入的用户数据、任务发布者发布的任务数据及兼职用户的用户行为数据；基于所述用户数据、所述任务数据及所述用户行为数据，进行大数据分析，通过人工智能算法模型实现任务与兼职用户的匹配；将匹配结果推送给匹配到的兼职用户的客户端进行展现。本发明实施例缩短了兼职人员与合适的兼职工作的匹配时间，相对与人工匹配，效率更高，避免由于人工浏览的漏看，导致匹配的兼职工作不能被兼职人员看到，影响兼职数据的获取率，提高了兼职信息针对目标用户的展现量。
Description
技术领域
本发明涉及人工智能技术领域，特别涉及一种兼职工作匹配方法及系统、存储介质。
背景技术
随着互联网应用的普及和发展，网络对于人们的生活与工作影响越来越大，人们的工作方式也逐渐发生转变，很多有时间和技能的网民希望通过完成网络工作来获得报酬，这样人们可以在时间和空间上更为自由。但是工作任务的获取以及筛选成为了一个新的不可避免的难题。现有的兼职网站的技术方案，主要是通过分类或者搜索等方式向用户提供服务。还无法让用户低成本的快速获得高精准匹配的任务。存在垃圾数据过多、内容了解不清晰，匹配不精准等问题。现有技术中存在的主要问题如下：
用户通过大量分类（或者搜索关键词）来一级一级的点击获得任务列表，缩小浏览范围。操作步骤长，浏览无效消息过多，造成时间上的浪费；
任务列表复杂多样，造成理解上的困难甚至误解。
发明内容
本发明实施例提供了一种兼职工作匹配方法及系统、存储介质。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键／重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
根据本发明实施例的第一方面，提供了一种兼职工作匹配方法，包括：
获取兼职用户输入的用户数据、任务发布者发布的任务数据及兼职用户的用户行为数据；
基于所述用户数据、所述任务数据及所述用户行为数据，进行大数据分析，通过人工智能算法模型实现任务与兼职用户的匹配；
将匹配结果推送给匹配到的兼职用户的客户端进行展现。
在一种实施方式中，所述用户数据，包括：
用户的个人基本信息、用户的技能信息。
在一种实施方式中，所述个人基本信息包括：真实姓名、年龄、教育经历、工作经历；
所述技能信息，包括：
服务内容、价格、响应时间。
在一种实施方式中，所述用户行为数据，包括：
用户历史交易数据、用户评价数据。
在一种实施方式中，所述人工智能算法模型为机器学习算法模型。
在一种实施方式中，还包括：
基于所述用户行为数据，通过机器学习优化所述机器学习算法模型。
在一种实施方式中，所述方法基于客户端/服务器（Client/Server，C/S）架构实现。
本发明的另一方面，提供一种兼职工作匹配系统，包括：
客户端，用于获取兼职用户输入的用户数据、任务发布者发布的任务数据及兼职用户的用户行为数据，将所述用户数据、所述任务数据以及所述用户行为数据发送给数据服务器，以及将接收到的匹配结果推送给匹配到的兼职用户；
数据服务器，用于基于所述用户数据、所述任务数据及所述用户行为数据，进行大数据分析；
智能计算服务器，用于基于大数据分析的结果，通过人工智能算法模型实现任务与兼职用户的匹配，并将匹配结果发送给所述客户端。
在一种实施方式中，所述人工智能算法模型为机器学习算法模型，所述智能计算服务器，还用于，基于所述用户行为数据，通过机器学习优化所述机器学习算法模型。
本发明的另一方面，提供一种存储介质，其上存储有计算机程序，其特征在于，当所述计算机程序被处理器执行时实现本发明实施例提供的兼职工作匹配方法。
本发明实施例提供的技术方案可以包括以下有益效果：
本发明提供的方法通过云服务来实现大数据收集分析、机器学习的人工智能算法来实现用户精准获得兼职任务的需求。用户无需执行筛选兼职任务的操作，无需担心错误操作；
针对用户而言，降低了体验和学习使用的门槛，针对目前数量庞大的兼职信息，大大的提高了选择兼职信息的效率，节约了大量的时间和带宽；
针对任务发布者来说，可以更快速获得更优质的兼职人员来截取任务，为发布者来创造价值；
本发明实施例缩短了兼职人员与合适的兼职工作的匹配时间，相对与人工匹配，效率更高，避免由于人工浏览的漏看，导致匹配的兼职工作不能被兼职人员看到，影响兼职数据的获取率，提高了兼职信息针对目标用户的展现量。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种兼职工作匹配方法的流程示意图；
图2是根据一示例性实施例示出的一种兼职工作匹配系统的框图。
具体实施方式
以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。其他实施方案可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求，否则单独的部件和功能是可选的，并且操作的顺序可以变化。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本发明的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。在本文中，各实施方案可以被单独地或总地用术语“发明”来表示，这仅仅是为了方便，并且如果事实上公开了超过一个的发明，不是要自动地限制该应用的范围为任何单个发明或发明构思。本文中，诸如第一和第二等之类的关系术语仅仅用于将一个实体或者操作与另一个实体或操作区分开来，而不要求或者暗示这些实体或操作之间存在任何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、方法或者设备中还存在另外的相同要素。本文中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的方法、产品等而言，由于其与实施例公开的方法部分相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
如图1所示，本发明实施例提供了一种兼职工作匹配方法，包括：
S101、获取兼职用户输入的用户数据、任务发布者发布的任务数据及兼职用户的用户行为数据；
S102、基于所述用户数据、所述任务数据及所述用户行为数据，进行大数据分析，通过人工智能算法模型实现任务与兼职用户的匹配；
S103、将匹配结果推送给匹配到的兼职用户的客户端进行展现。
在实际应用中，本技术方案采用C/S结构，可以保障用户数据安全。通过大数据及智能化算法来实现工作任务的精准匹配职能分发。方案主要由数据服务器、智能计算服务器、客户端等实现。
用户在注册为兼职人员时，填写用户数据，兼职用户的日常操作产生用户行为数据，发布任务的用户填写任务数据。在一种实施方式中，硬件结构可以包括数据服务器、智能计算服务器和客户端。数据服务器和智能计算服务器位于云端。数据服务器基于大数据技术，汇总用户数据、任务数据和用户行为数据进行管理，例如，采用Hadoop的HDFS进行大数据的存储，将兼职人员、人数数据、用户行为数据等进行存储后，通过MapReduce进行离线计算，对数据结果进行整理汇总。在一种实施方式中，数据服务器还可以网络抓取行业数据，与上述数据一同进行管理。智能计算服务器通过人工智能算法，例如机器学习算法对用户数据、任务数据等进行运算，确定与各兼职用户匹配的兼职任务，在用户实时请求时，仅仅是离线计算的结果还是不够的，还需要进行更加低延迟、高吞吐、统一的流式计算和批处理相结合的方式。采用Flink的FlinkML机器学习库进一步加强任务与兼职人员的高效匹配。以及，根据用户行为数据，通过机器学习技术来不断优化机器学习算法。客户端获取用户数据，转发给数据服务器，以及从智能计算服务器接收匹配结果，向用户展示匹配结果。通过此流程来实现从兼职人员到工作任务智能匹配的效果，并呈现结果给用户。 其中，客户端可以为移动终端上的软件客户端，或者网页浏览器上的页面。
实际应用中，所述用户数据，可以包括：用户的个人基本信息、用户的技能信息。
其中，所述个人基本信息可以包括如下之一或组合： 真实姓名、年龄、教育经历、工作经历；
所述技能信息，可以包括如下之一或组合：服务内容、价格、响应时间。
其中，响应时间，为兼职人员提供的服务，完成所需时间，一般指开始合作到提交兼职作品时间。
其中，用户行为数据，包括如下之一或组合：用户历史交易数据、用户评价数据。
基于所述用户行为数据，通过机器学习优化所述机器学习算法模型。
在采用了标准的机器学习库的情况下，标准的算法还有很大的优化空间，本专利会在过程中，根据用户行为数据，对用户标签、任务标签、用户行为等进行再次建模，优化匹配算法，让结果的匹配度进一步提高。
如图2所示，本发明的另一方面，提供一种兼职工作匹配系统，包括：
客户端201，用于获取兼职用户输入的用户数据、任务发布者发布的任务数据及兼职用户的用户行为数据，将所述用户数据、所述任务数据以及所述用户行为数据发送给数据服务器，以及将接收到的匹配结果推送给匹配到的兼职用户；
数据服务器202，用于基于所述用户数据、所述任务数据及所述用户行为数据，进行大数据分析；
智能计算服务器203，用于基于大数据分析的结果，通过人工智能算法模型实现任务与兼职用户的匹配，并将匹配结果发送给所述客户端。
在一种实施方式中，所述人工智能算法模型为机器学习算法模型，所述智能计算服务器，还用于，基于所述用户行为数据，通过机器学习优化所述机器学习算法模型。
用户在注册为兼职人员时，填写用户数据，兼职用户的日常操作产生用户行为数据，发布任务的用户填写任务数据。在一种实施方式中，硬件结构可以包括数据服务器、智能计算服务器和客户端。数据服务器和智能计算服务器位于云端。数据服务器基于大数据技术，汇总用户数据、任务数据和用户行为数据进行管理，在一种实施方式中，数据服务器还可以网络抓取行业数据，与上述数据一同进行管理。智能计算服务器通过人工智能算法，例如机器学习算法对用户数据、任务数据等进行运算，确定与各兼职用户匹配的兼职任务，以及，根据用户行为数据，通过机器学习技术来不断优化机器学习算法。客户端获取用户数据，转发给数据服务器，以及从智能计算服务器接收匹配结果，向用户展示匹配结果。通过此流程来实现从兼职人员到工作任务智能匹配的效果，并呈现结果给用户。 其中，客户端可以为移动终端上的软件客户端，或者网页浏览器上的页面。
实际应用中，所述用户数据，可以包括：用户的个人基本信息、用户的技能信息。
其中，所述个人基本信息可以包括如下之一或组合： 真实姓名、年龄、教育经历、工作经历；
所述技能信息，可以包括如下之一或组合：服务内容、价格、响应时间。
其中，用户行为数据，包括如下之一或组合：用户历史交易数据、用户评价数据。
本发明的另一方面，提供一种存储介质，其上存储有计算机程序，其特征在于，当所述计算机程序被处理器执行时实现本发明实施例提供的兼职工作匹配方法。
本发明实施例提供的技术方案可以包括以下有益效果：
本发明提供的通过云服务来实现大数据收集分析、机器学习的人工智能算法来实现用户精准获得兼职任务的需求。用户无需执行筛选兼职任务的操作，无需担心错误操作；
针对用户而言，降低了体验和学习使用的门槛，针对目前数量庞大的兼职信息，大大的提高了选择兼职信息的效率，节约了大量的时间和带宽；
针对任务发布者来说，可以更快速获得更优质的兼职人员来截取任务，为发布者来创造价值；
本发明实施例缩短了兼职人员与合适的兼职工作的匹配时间，相对与人工匹配，时间更短，效率更高，避免由于人工浏览的漏看，导致匹配的兼职工作不能被兼职人员看到，影响兼职数据的获取率，提高了兼职信息针对目标用户的展现量。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器，上述指令可由处理器执行以完成前文所述的方法。上述非临时性计算机可读存储介质可以是只读存储器（Read Only Memory, ROM）、随机存取存储器（RandomAccess Memory, RAM）、磁带和光存储设备等。
本领域技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。所属技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置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。
本文所披露的实施例中，应该理解到，所揭露的方法、产品（包括但不限于装置、设备等），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，例如，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
应当理解的是，附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。本发明并不局限于上面已经描述并在附图中示出的流程及结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (10)
1.一种兼职工作匹配方法，其特征在于，包括：
获取兼职用户输入的用户数据、任务发布者发布的任务数据及兼职用户的用户行为数据；
基于所述用户数据、所述任务数据及所述用户行为数据，进行大数据分析，通过人工智能算法模型实现任务与兼职用户的匹配；
将匹配结果推送给匹配到的兼职用户的客户端进行展现。
2.如权利要求1所述的方法，其中，所述用户数据，包括：
用户的个人基本信息、用户的技能信息。
3.如权利要求2所述的方法，其中，所述个人基本信息包括：真实姓名、年龄、教育经历、工作经历；
所述技能信息，包括：
服务内容、价格、响应时间。
4.如权利要求1所述的方法，其中，所述用户行为数据，包括：
用户历史交易数据、用户评价数据。
5.如权利要求1所述的方法，其中，所述人工智能算法模型为机器学习算法模型。
6.如权利要求5所述的方法，其中，还包括：
基于所述用户行为数据，通过机器学习优化所述机器学习算法模型。
7.如权利要求1所述的方法，其中，所述方法基于客户端/服务器C/S架构实现。
8.一种兼职工作匹配系统，其特征在于，包括：
客户端，用于获取兼职用户输入的用户数据、任务发布者发布的任务数据及兼职用户的用户行为数据，将所述用户数据、所述任务数据以及所述用户行为数据发送给数据服务器，以及将接收到的匹配结果推送给匹配到的兼职用户；
数据服务器，用于基于所述用户数据、所述任务数据及所述用户行为数据，进行大数据分析；
智能计算服务器，用于基于大数据分析的结果，通过人工智能算法模型实现任务与兼职用户的匹配，并将匹配结果发送给所述客户端。
9.如权利要求8所述的系统，其特征在于，所述人工智能算法模型为机器学习算法模型，所述智能计算服务器，还用于，基于所述用户行为数据，通过机器学习优化所述机器学习算法模型。
10.一种存储介质，其上存储有计算机程序，其特征在于，当所述计算机程序被处理器执行时实现如权利要求1所述的兼职工作匹配方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910143174.6A CN109934468A (zh) | 2019-02-26 | 2019-02-26 | 一种兼职工作匹配方法及系统、存储介质 |
| PCT/CN2019/118379 WO2020173140A1 (zh) | 2019-02-26 | 2019-11-14 | 一种兼职工作匹配方法及系统、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910143174.6A CN109934468A (zh) | 2019-02-26 | 2019-02-26 | 一种兼职工作匹配方法及系统、存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109934468A true CN109934468A (zh) | 2019-06-25 |
Family
ID=66985884
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910143174.6A Pending CN109934468A (zh) | 2019-02-26 | 2019-02-26 | 一种兼职工作匹配方法及系统、存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN109934468A (zh) |
| WO (1) | WO2020173140A1 (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020173140A1 (zh) * | 2019-02-26 | 2020-09-03 | 北京多点在线科技有限公司 | 一种兼职工作匹配方法及系统、存储介质 |
| CN113837613A (zh) * | 2021-09-26 | 2021-12-24 | 河北冀联人力资源服务集团有限公司 | 一种任务匹配方法、系统、电子设备及可读存储介质 |
| CN114611859A (zh) * | 2020-12-07 | 2022-06-10 | 苏州游久网络科技有限公司 | 一种软件平台智能用工的方法及系统 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101520867A (zh) * | 2009-04-03 | 2009-09-02 | 汤溪蔚 | 一种便捷式网络求职招聘方法及系统 |
| CN103714413A (zh) * | 2013-11-21 | 2014-04-09 | 清华大学 | 基于职位信息构建素质模型的系统与方法 |
| CN104063505A (zh) * | 2014-07-09 | 2014-09-24 | 深圳市亚典科技有限公司 | 网络招聘求职方法和网络招聘求职系统 |
| CN105447015A (zh) * | 2014-08-18 | 2016-03-30 | 上海众聘信息科技有限公司 | 基于移动终端的职位信息推送方法、装置及系统 |
| CN106384230A (zh) * | 2016-10-21 | 2017-02-08 | 北京搜前途科技有限公司 | 简历中工作经历与招聘职位及简历与招聘信息的匹配方法 |
| CN106408262A (zh) * | 2016-09-27 | 2017-02-15 | 吉林码帝科技有限公司 | 一种招聘和应聘匹配方法 |
| CN106651281A (zh) * | 2015-11-04 | 2017-05-10 | 上海仓实网络科技有限公司 | 一种基于移动终端的求职者与兼职职位匹配方法及系统 |
| US20170357945A1 (en) * | 2016-06-14 | 2017-12-14 | Recruiter.AI, Inc. | Automated matching of job candidates and job listings for recruitment |
| CN107657007A (zh) * | 2017-09-22 | 2018-02-02 | 广东欧珀移动通信有限公司 | 信息推送方法、装置、终端、可读存储介质及系统 |
| CN108399525A (zh) * | 2017-02-04 | 2018-08-14 | 王珣昱 | 一种基于数据挖掘和机器学习的人才评估方法 |
| CN108647250A (zh) * | 2018-04-19 | 2018-10-12 | 郑州科技学院 | 一种基于人工智能的人才大数据量化精确匹配方法 |
| CN108805523A (zh) * | 2018-05-24 | 2018-11-13 | 佛山市轻遣网络有限公司 | 一种可自动匹配工作的网络招聘系统及方法 |
| CN109213795A (zh) * | 2018-08-31 | 2019-01-15 | 北京唐冠天朗科技开发有限公司 | 一种岗位和人员的匹配方法 |
| US20190026701A1 (en) * | 2017-07-20 | 2019-01-24 | Adp, Llc | Matching job postings to job seekers |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107958317B (zh) * | 2016-10-17 | 2021-12-14 | 腾讯科技（深圳）有限公司 | 一种众包项目中选取众包参与人的方法和装置 |
| TWI606349B (zh) * | 2016-12-21 | 2017-11-21 | 財團法人工業技術研究院 | 線上雲端服務處理系統與線上評測方法及其電腦程式產品 |
| CN109241117A (zh) * | 2018-08-02 | 2019-01-18 | 上海慧岳信息科技有限公司 | 一种画师匹配的方法和装置 |
| CN109934468A (zh) * | 2019-02-26 | 2019-06-25 | 北京多点在线科技有限公司 | 一种兼职工作匹配方法及系统、存储介质 |
| CN110135504B (zh) * | 2019-05-20 | 2021-12-03 | 杭州弧途科技有限公司 | 一种基于人工智能的大学生兼职精确匹配方法 |
-
2019
- 2019-02-26 CN CN201910143174.6A patent/CN109934468A/zh active Pending
- 2019-11-14 WO PCT/CN2019/118379 patent/WO2020173140A1/zh active Application Filing
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101520867A (zh) * | 2009-04-03 | 2009-09-02 | 汤溪蔚 | 一种便捷式网络求职招聘方法及系统 |
| CN103714413A (zh) * | 2013-11-21 | 2014-04-09 | 清华大学 | 基于职位信息构建素质模型的系统与方法 |
| CN104063505A (zh) * | 2014-07-09 | 2014-09-24 | 深圳市亚典科技有限公司 | 网络招聘求职方法和网络招聘求职系统 |
| CN105447015A (zh) * | 2014-08-18 | 2016-03-30 | 上海众聘信息科技有限公司 | 基于移动终端的职位信息推送方法、装置及系统 |
| CN106651281A (zh) * | 2015-11-04 | 2017-05-10 | 上海仓实网络科技有限公司 | 一种基于移动终端的求职者与兼职职位匹配方法及系统 |
| US20170357945A1 (en) * | 2016-06-14 | 2017-12-14 | Recruiter.AI, Inc. | Automated matching of job candidates and job listings for recruitment |
| CN106408262A (zh) * | 2016-09-27 | 2017-02-15 | 吉林码帝科技有限公司 | 一种招聘和应聘匹配方法 |
| CN106384230A (zh) * | 2016-10-21 | 2017-02-08 | 北京搜前途科技有限公司 | 简历中工作经历与招聘职位及简历与招聘信息的匹配方法 |
| CN108399525A (zh) * | 2017-02-04 | 2018-08-14 | 王珣昱 | 一种基于数据挖掘和机器学习的人才评估方法 |
| US20190026701A1 (en) * | 2017-07-20 | 2019-01-24 | Adp, Llc | Matching job postings to job seekers |
| CN107657007A (zh) * | 2017-09-22 | 2018-02-02 | 广东欧珀移动通信有限公司 | 信息推送方法、装置、终端、可读存储介质及系统 |
| CN108647250A (zh) * | 2018-04-19 | 2018-10-12 | 郑州科技学院 | 一种基于人工智能的人才大数据量化精确匹配方法 |
| CN108805523A (zh) * | 2018-05-24 | 2018-11-13 | 佛山市轻遣网络有限公司 | 一种可自动匹配工作的网络招聘系统及方法 |
| CN109213795A (zh) * | 2018-08-31 | 2019-01-15 | 北京唐冠天朗科技开发有限公司 | 一种岗位和人员的匹配方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020173140A1 (zh) * | 2019-02-26 | 2020-09-03 | 北京多点在线科技有限公司 | 一种兼职工作匹配方法及系统、存储介质 |
| CN114611859A (zh) * | 2020-12-07 | 2022-06-10 | 苏州游久网络科技有限公司 | 一种软件平台智能用工的方法及系统 |
| CN113837613A (zh) * | 2021-09-26 | 2021-12-24 | 河北冀联人力资源服务集团有限公司 | 一种任务匹配方法、系统、电子设备及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020173140A1 (zh) | 2020-09-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Live video analytics at scale with approximation and {Delay-Tolerance} | |
| JP6649405B2 (ja) | 分散コンピューティング・システム上でデータマイニング・タスクを実行するための計算リソースを推定するためのコンピュータ実装方法、コンピュータ・プログラム、およびシステム | |
| CN104657194B (zh) | 用于计算网络中动作的影响的方法和系统 | |
| US10373071B2 (en) | Automated intelligent data navigation and prediction tool | |
| US11171825B2 (en) | Context-based resource allocation with extended user concepts | |
| US20210208953A1 (en) | Workflow pipeline optimization | |
| US11595269B1 (en) | Identifying upgrades to an edge network by artificial intelligence | |
| Cheong et al. | SCARL: Attentive reinforcement learning-based scheduling in a multi-resource heterogeneous cluster | |
| CN109934468A (zh) | 一种兼职工作匹配方法及系统、存储介质 | |
| US20220284067A1 (en) | Method for pushing information, electronic device | |
| US20230145025A1 (en) | Modeling cloud inefficiencies using domain-specific templates | |
| CN113094116B (zh) | 一种基于负载特征分析的深度学习应用云配置推荐方法及系统 | |
| Procaccianti et al. | A systematic literature review on energy efficiency in cloud software architectures | |
| CN113297287B (zh) | 用户策略自动部署方法、装置及电子设备 | |
| JP2022543992A (ja) | 分散処理システム内の運用データを管理する方法、システム、プログラム | |
| Ravi et al. | Analytics in/for cloud-an interdependence: A review | |
| CN101495978B (zh) | 减少总线连接的消费者和产生者之间的消息流 | |
| Han | Investigations into elasticity in cloud computing | |
| US20230196289A1 (en) | Auto-generating news headlines based on climate, carbon and impact predictions | |
| US11580322B2 (en) | Scalable attributed graph embedding for large-scale graph analytics | |
| Wu et al. | Diverse top-k service composition for consumer electronics with digital twin in mec | |
| KR102074419B1 (ko) | 지능형 상품정보 갱신 서버 및 그를 이용한 지능형 상품정보 갱신 방법 | |
| Daud et al. | Self-Configured Framework for scalable link prediction in twitter: Towards autonomous spark framework | |
| Yang et al. | HMM-CPM: a cloud instance resource prediction method tracing the workload trends via hidden Markov model | |
| Radha et al. | An Enhancement of Cloud Based Sentiment Analysis and BDAAs Using SVM Based Lexicon Dictionary and Adaptive Resource Scheduling |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190625 |
|
| WD01 | Invention patent application deemed withdrawn after publication |