CN110135504A - 一种基于人工智能的大学生兼职精确匹配方法 - Google Patents

Abstract

本发明公开了一种基于人工智能的大学生兼职精确匹配方法，该精确匹配方法包括以下步骤：采集数据从应聘者提供的简历、以往的兼职记录、浏览兼职的习性；抽取预定数量的简历及其兼职记录向量，作为训练样本；使用机器深度学习算法对训练样本进行训练，构建用户数据画像；利用用户数据画像得出用户兼职、关系和标签三者关系；通过用户和兼职实体标签通过协同过滤算法建立稀疏矩阵转化成真实的匹配结果。该基于人工智能的大学生兼职精确匹配方法，实现了对用户信息的数字化，从而便于根据用户提供相应评分值的简历，利用高效的机器深度学习算法，取代了低效的浏览行为，更加高效，满足了网络招聘平台以及用工单位的要求。

Description

一种基于人工智能的大学生兼职精确匹配方法

技术领域

本发明涉及人工智能技术领域，具体为一种基于人工智能的大学生兼职精确匹配方法。

背景技术

随着通信技术的飞速发展，信息的爆发式增长，将显性信息和隐性行为从海量的数据中挑选出需要的内容成了信息处理领域重要的研究方向。本发明实现基于用户灵活用工的用户画像，抓住老用户，吸引新用户，读懂用户的偏好和兴趣，挖掘用户的潜在价值,对用户市场进行规划细分，并实现精细化运营，真正做到千人千面。

以后的发展需要当下积累，兼职能使大学生在校就能提前了解社会。目前互联网是大学生寻找兼职的重要途径。网络招聘平台获取到用户注册填写的信息、日常行为以及兼职的信息建立用户和兼职画像围绕实体(Object)、关系(Link)和标签(Tag)三个元素向学生提供合适的兼职岗位。在现有的技术中网络招聘一般按照发布时间，岗位类型，兼职地点等粗略推荐给用户。这样的推荐方式效果较差，提供的方式过于死板，不能满足用户的需求，往往造成推荐即打扰的反面效果，浪费珍贵的互联网流程输出。另一方面对兼职多次浏览却极少报名也造成招聘效果的折扣。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种基于人工智能的大学生兼职精确匹配方法，能够使用机器深度学习算法对作为简历数据样本以及对用户行为分析预处理得到评分向量进行训练，得到用户数据评分模型，该用户数据评分模型对用户进行打标评分，实现了对用户信息的数字化，从而便于根据用户提供相应评分值的简历，利用高效的机器深度学习算法，取代了低效的浏览行为，更加高效，满足了网络招聘平台以及用工单位的要求。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：一种基于人工智能的大学生兼职精确匹配方法，其特征在于：该精确匹配方法包括以下步骤：

步骤S102，采集数据从应聘者提供的简历、以往的兼职记录、浏览兼职的习性；

步骤S104，抽取预定数量的简历及其兼职记录向量，作为训练样本；

步骤S106，使用机器深度学习算法对训练样本进行训练，构建用户数据画像；

步骤S108，利用用户数据画像得出用户兼职、关系和标签三者关系；

步骤S110，通过用户和兼职实体标签通过协同过滤算法建立稀疏矩阵转化成真实的匹配结果。

优选的，在步骤S102中，采集数据用户提供的简历利用互联网技术进行简历的采集。

优选的，提取简历中多类信息的评分向量的步骤包括：

S1：获取由大数据专家根据简历对多类信息分别进行评定进行定向打标；

S2：按照每类信息的打分值生成该类信息的向量。

优选的，向量的种类主要分为活动范围评分向量、教育背景评分向量、业务技能评分向量以及个人素质评分向量。

优选的，在步骤S104中，可以采用以下任意一种方式：

方式一、抽取预定数量的简历及其标签向量；

方式二、人工抽取预定数量的简历及其评分向量，以及按照投递行业、教育背景、兼职经历搜索出预定数量的简历及其评分向量。

优选的，在步骤S106中，使用机器深度学习算法对训练样本进行训练，利用具有多层架构的神经网络的深度学习算法，对样本进行训练，设计出用于处理简历的支持向量机分类器，作为人才数据评分模型。

优选的，在步骤S110中，协同过滤算法是一种基于关联规则的算法，协同过滤算法是通过静态数据和动态数据、的整合，转化成系统分数，建立基于用户和兼职的各自稀疏矩阵，并根据Pearson相关性系数计算，将隐含的关系因素转化成真实的匹配结果。

优选的，所述协同过滤推荐算法将计算对象分为两类，分别是基于用户的协同过滤算法和基于工作内容的协同过滤算法，其中，基于用户的协同过滤算法与基于工作内容的协同过滤算法分别通过用户维度与兼职维度表示，其具体内容分别是：

用户维度：用户维度主要是用户的基本属性、浏览轨迹、工作轨迹以及评价的打标；

兼职维度：通过兼职发布内的报名数据/浏览数+用户评价为兼职打标。

(三)有益效果

本发明提供了一种基于人工智能的大学生兼职精确匹配方法，具备以下有益效果：使用机器深度学习算法对作为简历数据样本以及对用户行为分析预处理得到评分向量进行训练，得到用户数据评分模型，该用户数据评分模型对用户进行打标评分，实现了对用户信息的数字化，从而便于根据用户提供相应评分值的简历，利用高效的机器深度学习算法，取代了低效的浏览行为，更加高效，满足了网络招聘平台以及用工单位的要求。

附图说明

图1为本发明一种基于人工智能的大学生兼职精确匹配方法工作示意图的工作流程图；

图2为本发明一种基于人工智能的大学生兼职精确匹配方法的矩阵展示图。

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，所描述的实施例仅仅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。

请参阅图1-2，本发明提供一种技术方案：一种基于人工智能的大学生兼职精确匹配方法，其特征在于：该精确匹配方法包括以下步骤：

步骤S102，采集数据从应聘者提供的简历、以往的兼职记录、浏览兼职的习性；

步骤S104，抽取预定数量的简历及其兼职记录向量，作为训练样本；

步骤S106，使用机器深度学习算法对训练样本进行训练，构建用户数据画像；

步骤S108，利用用户数据画像得出用户兼职、关系和标签三者关系；

步骤S110，通过用户和兼职实体标签通过协同过滤算法建立稀疏矩阵转化成真实的匹配结果。

在步骤S102中，采集数据用户提供的简历利用互联网技术进行简历的采集。

提取简历中多类信息的评分向量的步骤包括：

S1：获取由大数据专家根据简历对多类信息分别进行评定进行定向打标；

S2：按照每类信息的打分值生成该类信息的向量。

向量的种类主要分为活动范围评分向量、教育背景评分向量、业务技能评分向量以及个人素质评分向量。

在步骤S104中，可以采用以下任意一种方式：

方式一、抽取预定数量的简历及其标签向量；

方式二、人工抽取预定数量的简历及其评分向量，以及按照投递行业、教育背景、兼职经历搜索出预定数量的简历及其评分向量。

在步骤S106中，使用机器深度学习算法对训练样本进行训练，利用具有多层架构的神经网络的深度学习算法，对样本进行训练，设计出用于处理简历的支持向量机分类器，作为人才数据评分模型。

在步骤S110中，协同过滤算法是一种基于关联规则的算法，协同过滤算法是通过静态数据和动态数据、的整合，转化成系统分数，建立基于用户和兼职的各自稀疏矩阵，并根据Pearson相关性系数计算，将隐含的关系因素转化成真实的匹配结果。

所述协同过滤推荐算法将计算对象分为两类，分别是基于用户的协同过滤算法和基于工作内容的协同过滤算法，其中，基于用户的协同过滤算法与基于工作内容的协同过滤算法分别通过用户维度与兼职维度表示，其具体内容分别是：

用户维度：用户维度主要是用户的基本属性、浏览轨迹、工作轨迹以及评价的打标；

兼职维度：通过兼职发布内的报名数据/浏览数+用户评价为兼职打标。

综上所述，该基于人工智能的大学生兼职精确匹配方法，在步骤S102中，采集数据用户提供的简历可以利用互联网技术进行简历的采集，例如通过网络招聘平台的简历库进行简历的采集工作、以及用户在网络app上的浏览行为进行收集。

提取简历中多类信息的评分向量的步骤可以包括：获取由大数据专家根据简历对多类信息分别进行评定进行定向打标；按照每类信息的打分值生成该类信息的向量。其中向量的种类包括以下任意一种或多种：活动范围评分向量；教育背景评分向量；业务技能评分向量；以及个人素质评分向量。

例如，在获取到简历后，大数据专家可以通过对简历的自动化审查，必要时通过以往用户的浏览习惯、兼职记录等交流方式对简历的拥有者进行审查，对不同的信息种类进行打标。每类信息可以获取多个标签值，例如对于资格信息，可以将用户分为模特、家教和服务员等多个标签，标签分别有个字对应的评分，分别对应高级(在五分制中评分为满分5)，中级为较高(在五分制中评分为满分3-4)，初级(在五分制中评分为满分1-2)，等等。例如对于教育背景评分向量，可以将博士学位评为最高(在五分制中评分为满分5)，硕士学位为较高(在五分制中评分为满分4)，将本科学位评分为中等(在五分制中评分为满分3)，等等。根据兼职结果评价个人素质，又可以按照敬业度、专业度、稳定度、沟通能力等进行评分。

步骤S104可以采用以下任意一种方式：抽取预定数量的简历及其标签向量；人工抽取预定数量的简历及其评分向量；以及按照投递行业、教育背景、兼职经历搜索出预定数量的简历及其评分向量。其中一种优选的抽取样本方式为人工结合信息搜索技术的方式进行，例如根据学历、职业经历进行初步筛选，然后由大数据专家，抽取非常有代表性的简历，综合评分为一个标准评分。样本的数量可以一般可以为100至200份，最终评分向量可以综合为一个评分值(人才综合评分)。量化方式由大数据专家评定，典型的人才简历，量化可以设置为预定的数值等级，例如按照五分制进行评定。

步骤S106使用机器深度学习算法对训练样本进行训练。具体地可以利用具有多层架构的神经网络的深度学习算法，对样本进行训练，设计出用于处理简历的支持向量机分类器，作为人才数据评分模型。

步骤S100协同过滤算法是一种基于关联规则的算法。看似毫不相关的兼职和用户关系，却存在着某些隐含的因素，通过本公司开发的协同过滤算法，可将隐含的关系因素挖掘出来。本公司开发的基于用户和兼职的协同过滤算法，通过静态数据(性别、年龄、学历)和动态数据(标签系数、和收藏、评论、报名等实时数据统计)的整合，转化成系统分数，建立基于用户和兼职的各自稀疏矩阵，并根据Pearson相关性系数计算，将隐含的关系因素转化成真实的匹配结果。详情看图2.

协同过滤推荐算法应用于预测和推荐。算法通过对用户历史行为数据的挖掘发现用户的偏好，基于不同的偏好对用户进行群组划分并推荐品味相似的兼职。

协同过滤推荐算法是我们目前使用最多的算法，将计算对象分为两类，分别是基于用户的协同过滤算法和基于工作内容的协同过滤算法。

(1)用户维度：用户维度主要是用户的基本属性(性别年龄等)、浏览轨迹、工作轨迹以及评价的打标，以模特为例：模特标签有高薪、颜值、短期工等，通过用户浏览次数在相应标签上增加1分，完成此工作为用户添加5分，完成工作后如果商家好评添加1分，反之-1分，如果连续超过三次差评0分。通过一系列行为基本定义用户在高薪、颜值、短工标签上的分数。

对用户的每一条操作行为都需要做详细的记录。包括什么时间浏览了什么兼职，什么时间报名的兼职以及当时经纬度、ip等详细数据。

(2)兼职维度：兼职维度同样以模特为例，模特的兼职的标签为日结、高薪、颜值等，通过兼职发布内的报名数据/浏览数+用户评价(好评为正数，差评为负数)为兼职打标。

根据不同用户对相同兼职或标签的偏好程度计算用户之间的关系。在有相同喜好的用户间进行兼职推荐

协同过滤算法主要利用行为的相似度计算兴趣的相似度。这里我们使用基于物品的协同过滤算法，对于物品i和j，令N(i)表示喜欢物品i的用户数，令N(j)为喜欢物品j的用户数。那么余弦相似度计算为：

公式中分子是同时喜欢物品i和物品j的用户数，这个公式分母部分惩罚了物品j的权重，因此可以减轻热门物品会和很多物品相似的可能性。但是在实际中热门的j仍然会获得比较大的相似度，这个后面可以考虑在分母上加大对热门物品的惩罚和权重值的调整。

从上面看到，在协同过滤中两个物品产生相似度是因为它们共同被很多用户喜欢，也就是说每个用户都可以通过它们的历史兴趣列表给物品贡献相似度。

但是这个公式过于粗糙，由于每个用户的兴趣列表都会对物品的相似度产生贡献，但是活跃用户的兴趣显然没有非活跃用户的兴趣那么集中，应该使活跃用户对物品的相似度贡献地域不活跃用户的才合理，因此可以引进IUF，即用户活跃度对数的倒数的参数，对上面余弦相似度公式进行改进，相当于对活跃用户做了一种软性惩罚：该基于人工智能的大学生兼职精确匹配方法，通过使用机器的深度学习算法对作为简历数据样本以及对用户行为分析预处理得到评分向量进行训练，得到用户数据评分模型，该用户数据评分模型对用户进行打标评分，实现了对用户信息的数字化，从而便于根据用户提供相应评分值的简历，利用高效的机器深度学习算法，取代了低效的浏览行为，更加高效，满足了网络招聘平台以及用工单位的要求。

需要说明的是，在本文中，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”，该文中出现的电器元件均与外界的主控器及220V市电电连接，并且主控器可为计算机等起到控制的常规已知设备。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (8)

1.一种基于人工智能的大学生兼职精确匹配方法，其特征在于：该精确匹配方法包括以下步骤：

步骤S102，采集数据从应聘者提供的简历、以往的兼职记录、浏览兼职的习性；

步骤S104，抽取预定数量的简历及其兼职记录向量，作为训练样本；

步骤S106，使用机器深度学习算法对训练样本进行训练，构建用户数据画像；

步骤S108，利用用户数据画像得出用户兼职、关系和标签三者关系；

步骤S110，通过用户和兼职实体标签通过协同过滤算法建立稀疏矩阵转化成真实的匹配结果。

2.根据权利要求1所述的一种基于人工智能的大学生兼职精确匹配方法，其特征在于：在步骤S102中，采集数据用户提供的简历利用互联网技术进行简历的采集。

3.根据权利要求2所述的一种基于人工智能的大学生兼职精确匹配方法，其特征在于：提取简历中多类信息的评分向量的步骤包括：

S1：获取由大数据专家根据简历对多类信息分别进行评定进行定向打标；

S2：按照每类信息的打分值生成该类信息的向量。

4.根据权利要求3所述的一种基于人工智能的大学生兼职精确匹配方法，其特征在于：向量的种类主要分为活动范围评分向量、教育背景评分向量、业务技能评分向量以及个人素质评分向量。

5.根据权利要求1所述的一种基于人工智能的大学生兼职精确匹配方法，其特征在于：在步骤S104中，可以采用以下任意一种方式：

方式一、抽取预定数量的简历及其标签向量；

方式二、人工抽取预定数量的简历及其评分向量，以及按照投递行业、教育背景、兼职经历搜索出预定数量的简历及其评分向量。

6.根据权利要求1所述的一种基于人工智能的大学生兼职精确匹配方法，其特征在于：在步骤S106中，使用机器深度学习算法对训练样本进行训练，利用具有多层架构的神经网络的深度学习算法，对样本进行训练，设计出用于处理简历的支持向量机分类器，作为人才数据评分模型。

7.根据权利要求1所述的一种基于人工智能的大学生兼职精确匹配方法，其特征在于：在步骤S110中，协同过滤算法是一种基于关联规则的算法，协同过滤算法是通过静态数据和动态数据、的整合，转化成系统分数，建立基于用户和兼职的各自稀疏矩阵，并根据Pearson相关性系数计算，将隐含的关系因素转化成真实的匹配结果。

8.根据权利要求6所述的协同过滤推荐算法，其特征在于：所述协同过滤推荐算法将计算对象分为两类，分别是基于用户的协同过滤算法和基于工作内容的协同过滤算法，其中，基于用户的协同过滤算法与基于工作内容的协同过滤算法分别通过用户维度与兼职维度表示，其具体内容分别是：

用户维度：用户维度主要是用户的基本属性、浏览轨迹、工作轨迹以及评价的打标；

兼职维度：通过兼职发布内的报名数据/浏览数+用户评价为兼职打标。