CN110263818A - 简历筛选的方法、装置、终端和计算机可读存储介质 - Google Patents
简历筛选的方法、装置、终端和计算机可读存储介质 Download PDFInfo
- Publication number
- CN110263818A CN110263818A CN201910449915.3A CN201910449915A CN110263818A CN 110263818 A CN110263818 A CN 110263818A CN 201910449915 A CN201910449915 A CN 201910449915A CN 110263818 A CN110263818 A CN 110263818A
- Authority
- CN
- China
- Prior art keywords
- resume
- post
- representation data
- matching degree
- recruitment
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/105—Human resources
- G06Q10/1053—Employment or hiring
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于计算机技术领域，尤其涉及一种简历筛选的方法、装置、终端和计算机可读存储介质，其中，所述方法包括：获取求职者针对岗位招聘投递的简历，并获取招聘需求人数以及岗位画像数据；计算所述简历与所述岗位画像数据之间的匹配度，并得到合格简历的数量；若合格简历的数量小于第一倍数的招聘需求人数或者大于第二倍数的招聘需求人数，则调整所述岗位画像数据，重新计算所述简历与调整后的所述岗位画像数据之间的匹配度，直至所述合格简历的数量大于或等于第一倍数的所述招聘需求人数，且小于或等于第二倍数的所述招聘需求人数时，停止对所述岗位画像数据的调整，并输出筛选到的合格简历，提高了简历筛选的效率，使得简历筛选更加智能化。
Description
技术领域
本发明属于计算机技术领域，尤其涉及一种简历筛选的方法、装置、终端和计算机可读存储介质。
背景技术
目前，企业可以在网络招聘平台发布各个岗位的招聘信息让求职者浏览和选择，求职者可以在挑选到合适的岗位之后，进行简历投递。企业通过对求职者投递的简历进行筛选，以找到合适的人才，使得企业的人才招聘更加智能化。
然而，求职者进行简历投递时，一般会采用广撒网的求职策略来增加应聘成功的机率。这种做法往往会增加企业进行简历筛选的负担，企业需要耗费大量的人力、物力才能从大量的简历中寻找到合适的简历，简历筛选效率较低，不利于企业人才招聘的顺利开展。
发明内容
本发明实施例提供一种简历筛选的方法、装置、终端和计算机可读存储介质，可以解决现有技术中的简历筛选效率较低的技术问题。
本发明实施例第一方面提供一种简历筛选的方法，包括：
获取求职者针对岗位招聘投递的简历，并获取所述岗位招聘的招聘需求人数以及所述岗位招聘对应的岗位画像数据；
计算所述简历与所述岗位画像数据之间的匹配度，并对所述匹配度大于第一预设阈值的简历进行统计得到合格简历的数量；
若所述合格简历的数量小于第一倍数的招聘需求人数，或者所述合格简历的数量大于第二倍数的招聘需求人数，则调整所述岗位画像数据，重新计算所述简历与调整后的所述岗位画像数据之间的匹配度，并重新统计合格简历的数量，直至所述合格简历的数量大于或等于第一倍数的所述招聘需求人数，且小于或等于第二倍数的所述招聘需求人数时，停止对所述岗位画像数据的调整，并输出筛选到的合格简历；所述第二倍数大于所述第一倍数。
本发明实施例第二方面提供的一种简历筛选的装置，包括：
获取单元，用于获取求职者针对岗位招聘投递的简历，并获取所述岗位招聘的招聘需求人数以及所述岗位招聘对应的岗位画像数据；
计算单元，用于计算所述简历与所述岗位画像数据之间的匹配度，并对所述匹配度大于第一预设阈值的简历进行统计得到合格简历的数量；
筛选单元，用于若所述合格简历的数量小于第一倍数的招聘需求人数，或者所述合格简历的数量大于第二倍数的招聘需求人数，则调整所述岗位画像数据，重新计算所述简历与调整后的所述岗位画像数据之间的匹配度，并重新统计合格简历的数量，直至所述合格简历的数量大于或等于第一倍数的所述招聘需求人数，且小于或等于第二倍数的所述招聘需求人数时，停止对所述岗位画像数据的调整，并输出筛选到的合格简历；所述第二倍数大于所述第一倍数。
本发明实施例第三方面提供一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
本发明实施例第四方面提供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，所述计算机程序被处理器执行时实现上述方法的步骤。
本发明实施例中，通过计算求职者投递的简历与所述岗位画像数据之间的匹配度，并对所述匹配度大于第一预设阈值的简历进行统计得到合格简历的数量，在所述合格简历的数量小于第一倍数的招聘需求人数，或者大于第二倍数的招聘需求人数时，调整所述岗位画像数据，重新计算所述简历与调整后的所述岗位画像数据之间的匹配度，并重新统计合格简历的数量，直至所述合格简历的数量大于或等于第一倍数的所述招聘需求人数，且小于或等于第二倍数的所述招聘需求人数时，停止对所述岗位画像数据的调整，并输出筛选到的合格简历，使得企业能够筛选出合适数量的简历，不会因为求职者投递的简历数量过大，增加企业进行简历筛选的负担，提高了简历筛选的效率；同时，也不会因为企业制定的岗位要求过高或过低时，出现无法招聘到合适人才的问题，使得简历筛选更加智能化。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1是本发明实施例提供的一种简历筛选的方法的实现流程示意图；
图2是本发明实施例提供的一种简历筛选的方法的具体实现流程示意图；
图3是本发明实施例提供的一种简历筛选的方法步骤102的第一具体实现流程示意图；
图4是本发明实施例提供的一种简历筛选的方法步骤102的第二具体实现流程示意图；
图5是本发明实施例提供的简历筛选的装置的结构示意图；
图6是本发明实施例提供的终端的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。
目前，企业在进行简历筛选的过程中，常常会出现简历筛选效率较低的问题。例如，求职者进行简历投递时，采用广撒网的求职策略来增加应聘成功的机率，使得企业需要从大量的简历中挑选出合适的简历，导致简历筛选效率较低。另外，企业制定的岗位要求过高或过低时，容易出现筛选出的简历数量过多或过少，导致企业无法招聘到合适人才。
本发明实施例中，通过计算求职者投递的简历与所述岗位画像数据之间的匹配度，并对所述匹配度大于第一预设阈值的简历进行统计得到合格简历的数量，在所述合格简历的数量小于第一倍数的招聘需求人数，或者大于第二倍数的招聘需求人数时，调整所述岗位画像数据，重新计算所述简历与调整后的所述岗位画像数据之间的匹配度，并重新统计合格简历的数量，直至所述合格简历的数量大于或等于第一倍数的所述招聘需求人数，且小于或等于第二倍数的所述招聘需求人数时，停止对所述岗位画像数据的调整，并输出筛选到的合格简历，使得企业能够筛选出合适数量的简历，不会因为求职者投递的简历数量过大，增加企业进行简历筛选的负担，提高了简历筛选的效率；同时，也不会因为企业制定的岗位要求过高或过低时，出现无法招聘到合适人才的问题，使得简历筛选更加智能化。
如图1示出了本发明实施例提供的一种简历筛选的方法的实现流程图，具体包括步骤101至步骤103。
步骤101，获取求职者针对岗位招聘投递的简历，并获取所述岗位招聘的招聘需求人数以及所述岗位招聘对应的岗位画像数据。
本发明实施例中，所述获取求职者针对岗位招聘投递的简历可以包括从招聘平台上获取求职者针对某个岗位招聘投递的简历，也可以包括从预先设定好的邮箱中获取求职者针对岗位招聘投递的简历，或者，接收用户输入的求职者的简历。需要说明的是，此处仅仅是对简历的获取方式进行举例说明，本发明对此不做限制，在本发明的其他实施方式中，还可以通过其他方式获取求职者针对岗位招聘投递的简历。
所述岗位招聘的招聘需求人数是指企业进行某个岗位的人才招聘时，计划招聘的人数，可以用来估算需要筛选出的简历的数量。
所述岗位画像数据是指企业进行某个岗位的人才招聘时，对从事该岗位的人员制定的岗位要求，例如，对学历、年龄、工作经验、专业类型、薪资等提出的要求，用于确定简历的筛选依据。
步骤102，计算所述简历与所述岗位画像数据之间的匹配度，并对所述匹配度大于第一预设阈值的简历进行统计得到合格简历的数量。
在获取了求职者针对岗位招聘投递的简历以及所述岗位招聘对应的岗位画像数据之后，即可计算所述简历与所述岗位画像数据之间的匹配度，并对所述匹配度大于第一预设阈值的简历进行统计得到合格简历的数量。
其中，匹配度大于所述第一预设阈值的简历为与所述岗位画像数据匹配成功的简历，匹配度小于或等于所述第一预设阈值的简历为被淘汰的简历。
上述第一预设阈值可以根据实际应用场景进行取值，例如，所述第一预设阈值可以为80％～100％。
步骤103，若所述合格简历的数量小于第一倍数的招聘需求人数，或者所述合格简历的数量大于第二倍数的招聘需求人数，则调整所述岗位画像数据，重新计算所述简历与调整后的所述岗位画像数据之间的匹配度，并重新统计合格简历的数量，直至所述合格简历的数量大于或等于第一倍数的所述招聘需求人数，且小于或等于第二倍数的所述招聘需求人数时，停止对所述岗位画像数据的调整，并输出筛选到的合格简历；所述第二倍数大于所述第一倍数。
其中，所述合格简历的数量小于第一倍数的招聘需求人数时，表示筛选出的合格简历太少，企业制定的岗位要求过高，需要调整所述岗位画像数据，以降低岗位要求，提高筛选出的合格简历的数量，避免企业招不到合适的人才。
所述合格简历的数量大于第二倍数的招聘需求人数时，表示筛选出的合格简历太多，企业制定的岗位要求过低，需要调整所述岗位画像数据，以提高岗位要求，降低筛选出的合格简历的数量，同时降低企业进行简历筛选的负担，便于企业招聘到合适的人才。
需要说明的是，上述第一倍数和第二倍数的具体取值可以根据岗位招聘类型确定，例如，若岗位招聘为高层管理岗位的招聘，则上述第一倍数和第二倍数的取值可以大一些，例如，第一倍数可以为100，第二倍数可以为200；若岗位招聘为普通职工的招聘，则上述第一倍数和第二倍数的取值可以小一些，例如，第一倍数可以为10，第二倍数可以为20。
可选的，步骤103中调整所述岗位画像数据，可以包括：将所述岗位画像数据划分为多组不同筛选优先级的数据，并根据所述筛选优先级对所述岗位画像数据进行调整。
具体的，如表一所示，可以将岗位画像数据中的薪资要求、年龄要求作为最低优先级的岗位画像数据，将岗位画像数据中的工作经历要求作为次低优先级的岗位画像数据，将学历要求、专业要求作为最高优先级的岗位画像数据，然后根据划分好的所述筛选优先级对所述岗位画像数据进行调整，直至所述合格简历的数量大于或等于第一倍数的所述招聘需求人数，且小于或等于第二倍数的所述招聘需求人数时，停止对所述岗位画像数据的调整，并完成对简历的筛选。
表一：
| 岗位画像数据 | 优先级 |
| 薪资、年龄要求 | 最低优先级 |
| 工作经历要求 | 次低优先级 |
| 学历要求、专业要求 | 最高优先级 |
可选的，所述根据所述筛选优先级对所述岗位画像数据进行调整可以包括：从所述筛选优先级最低的岗位画像数据开始或者从所述筛选优先级最高的岗位画像数据开始，每次调整一个筛选优先级的岗位画像数据，并在完成一个筛选优先级的岗位画像数据的调整之后，重新计算所述简历与调整后的所述岗位画像数据之间的匹配度，以及重新统计合格简历的数量，直至所述合格简历的数量大于或等于第一倍数的所述招聘需求人数，且小于或等于第二倍数的所述招聘需求人数时，停止对所述岗位画像数据的调整，输出筛选到的合格简历。
其中，若所述合格简历的数量小于第一倍数的招聘需求人数，则所述每次调整一个筛选优先级的岗位画像数据包括：降低该筛选优先级的岗位画像数据对应的岗位要求和/或减少该筛选优先级的岗位画像数据；若所述合格简历的数量大于第二倍数的招聘需求人数则所述每次调整一个筛选优先级的岗位画像数据包括：提高该筛选优先级的岗位画像数据对应的岗位要求和/或增加该筛选优先级的岗位画像数据。
例如，所述提高该筛选优先级的岗位画像数据对应的岗位要求包括提高学历要求、提高专业要求、提高工作经历要求、提高薪资要求以及提高年龄要求等等。
同样的，所述降低该筛选优先级的岗位画像数据对应的岗位要求包括降低学历要求、降低专业要求、降低工作经历要求、降低薪资要求以及降低年龄要求等等。
本发明实施例，通过对岗位画像数据从最低筛选优先级的数据开始进行逐步调整或者从最高筛选优先级的数据开始进行逐步调整，循序渐进，可以避免调整后的岗位画像数据与调整前的岗位画像数据相差过大，导致调整后的岗位画像数据与企业最先制定的岗位要求差距悬殊，同时，避免了岗位画像数据对应的岗位要求时而过低，时而过高，减少了所述简历与所述岗位画像数据之间匹配度来回计算的计算量。
可选的，上述步骤103中，若所述合格简历的数量小于第一倍数的招聘需求人数，所述调整所述岗位画像数据，重新计算所述简历与调整后的所述岗位画像数据之间的匹配度，并重新统计合格简历的数量，可以包括：若所述合格简历的数量小于第一倍数的招聘需求人数，则调整所述岗位画像数据，重新计算被淘汰的简历与所述岗位画像数据之间的匹配度，并重新统计合格简历的数量，直至所述合格简历的数量大于或等于第一倍数的所述招聘需求人数，且小于或等于第二倍数的所述招聘需求人数时，停止对所述岗位画像数据的调整，并输出筛选到的合格简历。
由于筛选出的合格简历的数量小于第一倍数的招聘需求人数时，表示筛选出的合格简历太少，企业制定的岗位要求过高，但是，由于此时被筛选出的简历是企业制定的岗位要求过高的情况下筛选出来的简历，因此，应当是符合岗位要求的简历，所以，在调整所述岗位画像数据，重新计算所述简历与调整后的所述岗位画像数据之间的匹配度时，可以不需要再对这些已经筛选出来的简历重新计算匹配度，而只需要对被淘汰的简历与所述岗位画像数据之间的匹配度，从而减少了匹配度计算的计算量。
可选的，上述步骤102对所述匹配度大于第一预设阈值的简历进行统计得到合格简历的数量之后重新计算所述简历与调整后的所述岗位画像数据之间的匹配度，并重新统计合格简历的数量，还可以包括：步骤201至步骤203。
步骤201，若所述合格简历的数量大于第二倍数的招聘需求人数，则判断所述合格简历的数量是否大于第三倍数的招聘需求人数；所述第三倍数大于所述第二倍数。
步骤202，若所述合格简历的数量大于或等于第三倍数的招聘需求人数，则调整所述岗位画像数据，重新计算所述简历与所述调整后的岗位画像数据之间的匹配度，并重新统计合格简历的数量，直至所述合格简历的数量大于或等于第一倍数的所述招聘需求人数，且小于或等于第二倍数的所述招聘需求人数时，停止对所述岗位画像数据的调整，并输出筛选到的合格简历。
步骤203，若所述合格简历的数量小于第三倍数的招聘需求人数，则根据所述简历与所述岗位画像数据之间的匹配度对所述简历进行排序，输出匹配度最高的数量为第二倍数的招聘需求人数的简历。
本实施例中，在所述合格简历的数量大于第二倍数的招聘需求人数时，表示筛选出的合格简历太多，企业制定的岗位要求过低，需要调整所述岗位画像数据，以提高岗位要求，降低筛选出的合格简历的数量。但是，由于合格简历的数量大于第二倍数的招聘需求人数时，有可能多筛选出的合格简历的数量并没有多出太多，因此，可以不需要调整所述岗位画像数据，重新计算所述简历与调整后的所述岗位画像数据之间的匹配度，并重新统计合格简历的数量，而直接根据所述简历与所述岗位画像数据之间的匹配度对所述简历进行排序，输出匹配度最高的数量为第二倍数的招聘需求人数的简历即可。
例如，所述第二倍数为100，所述第三倍数为120，所述招聘需求人数为3人，则在筛选出的合格简历的数量为330时，由于330大于第二倍数的招聘需求人数300，但是小于第三倍数的招聘需求人数360，因此，可以认定此时筛选出的合格简历的数量并没有多出太多，可以根据所述简历与所述岗位画像数据之间的匹配度对所述简历进行排序，输出匹配度最高的数量为第二倍数的招聘需求人数的简历，以减少岗位画像数据的调整次数，降低岗位画像数据的调整难度，避免出现无法通过调整岗位画像数据使得输出的合格简历的数量大于或等于第一倍数的所述招聘需求人数，且小于或等于第二倍数的所述招聘需求人数的情况。
本发明实施例中，所述第三倍数的具体取值可以根据岗位招聘类型确定，例如，若岗位招聘为高层管理岗位的招聘，则上述第三倍数的取值可以小一些，以便提高简历筛选的精度；若岗位招聘为普通职工的招聘，则上述第三倍数的取值可以大一些，以便减少岗位画像数据的调整次数，降低岗位画像数据的调整难度。
需要说明的是，在本发明的一些实施方式中，在上述合格简历的数量小于第一倍数的招聘需求人数时，也可以同样的通过判断所述合格简历的数量是否小于第四倍数的招聘需求人数，在所述合格简历的数量是否小于第四倍数的招聘需求人数时，调整所述岗位画像数据，重新计算所述简历与调整后的所述岗位画像数据之间的匹配度，并重新统计合格简历的数量，直至所述合格简历的数量大于或等于第一倍数的所述招聘需求人数，且小于或等于第二倍数的所述招聘需求人数时，停止对所述岗位画像数据的调整，并输出筛选到的合格简历；在所述合格简历的数量大于或等于第四倍数的招聘需求人数时，根据所述简历与所述岗位画像数据之间的匹配度对所述简历进行排序，输出匹配度最高的数量为第一倍数的招聘需求人数的简历；以减少岗位画像数据的调整次数，降低岗位画像数据的调整难度，避免出现无法通过调整岗位画像数据使得输出的合格简历的数量大于或等于第一倍数的所述招聘需求人数，且小于或等于第二倍数的所述招聘需求人数的情况。
可选的，如图3所示，在上述描述的各方法实施例中，所述步骤102，计算所述简历与所述岗位画像数据之间的匹配度的步骤可以包括：步骤301至步骤306。
步骤301，对所述简历中包含的文字内容进行分词得到至少一个第一关键字，并对所述岗位画像数据中包含的文字内容进行分词得到至少一个第二关键字。
其中，具体的分词的方法可以包括基于字符串匹配的分词方法、基于理解的分词方法和基于统计的分词方法。
其中，基于字符串匹配的分词方法是指将汉字串与词典中的词进行匹配，如果在词典中找到某个字符串，则识别出一个词。此类型中常用的分词方法有：正向最大匹配法、逆向最大匹配法和最少切分法。其中，正向最大匹配法的原理为：假设词典中最大词条所含的汉字个数为n个，取待处理字符串的前n个字作为匹配字段；若词典中含有该词，则匹配成功，分出该词，然后从被比较字符串的n+1处开始再取n个字组成的字段重新在词典中匹配；如果没有匹配成功，则将这n个字组成的字段的最后一位剔除，用剩下的n一1个字组成的字段在词典中进行匹配，如此进行下去，直到切分成功为止；具有分词速度快，实现简单的特点。本发明实施例中，所述第一关键字和所述第二关键字可以分别包括学历关键字、年龄关键字、工作经验关键字、专业类型关键字、薪资关键字组成的数据。
步骤302，对所述第二关键字进行同义词和/或近义词扩展，得到所述第二关键字的扩展关键字，并将每个所述第一关键字与所有第二关键字和所有扩展关键字分别进行匹配，得到每个所述第一关键字的第一匹配值。
例如，对第二关键字“本科及本科以上”进行语义扩展时，可以扩展为“本科”、“硕士”和“博士”等扩展关键字。
需要说明的是，由于岗位画像数据相对于简历来说是相对固定的，并且岗位画像数据为招聘要求，其内容一般比简历的内容少，因此，可以只需要对岗位画像数据的第二关键字进行扩展即可，而不需要对简历的第一关键字进行扩展。
在对所述第二关键字进行同义词和/或近义词扩展之后，即可将所述简历中的每个所述第一关键字同所述岗位画像数据中的所有第二关键字和所有扩展关键字分别进行匹配，得到每个所述第一关键字的第一匹配值。
例如，将所述第一关键字同所述岗位画像数据中的所有第二关键字和所有扩展关键字分别进行匹配，判断是否可以匹配到完全相同的关键字，如果可以，则确定该第一关键字的第一匹配值为1，否则为0.
可选的，在本发明的一些实施方式中，在对所述第二关键字进行同义词扩展、近义词扩展和/或语义扩展时，还可以根据与该扩展关键字对应的第二关键字的相近程度和各个扩展关键字之间的级别进行匹配值标记，然后再将所述第一关键字同所述岗位画像数据中的所有第二关键字和所有扩展关键字分别进行匹配。
例如，对第二关键字“本科及本科以上”进行语义扩展为“本科”、“硕士”和“博士”之后，可以根据各个扩展关键字之间的级别将扩展后的关键字“本科”、“硕士”和“博士”的匹配值分别标记为0.8、0.9、1；并在获取了所述简历中的一个第一关键字时，例如，该第一关键字为“本科”时，可以将该第一关键字与所述第二关键字所有扩展关键字进行匹配，并得到该第一关键字“本科”与扩展关键字“本科”匹配成功的匹配结果，并确定该第一关键字与扩展关键字“本科”的第一匹配值为0.8。
步骤303，求取所述第一匹配值的平均值，作为所述简历的第一匹配度。
在得到所述简历中包含的各个第一关键字对应的第一匹配值之后，即可求取各个所述第一匹配值之间的平均值，作为所述简历的第一匹配度。
步骤304，提取所述岗位画像数据中包含的至少一个能力标签；所述能力标签包括创新能力标签、沟通能力标签、动手能力标签、协作能力标签、忠诚度标签中的一个或多个。
例如，通过将所述第二关键字与预先确定好的能力标签库中的各个能力标签进行匹配，即可得到所述岗位画像数据中包含的所有能力标签。
步骤305，对所述简历进行语义解析，得到所述简历与各个所述能力标签的第二匹配值；并求取所述第二匹配值的平均值，作为所述简历的第二匹配度。
例如，所述岗位画像数据中包含的能力标签有创新能力标签和沟通能力标签，则在对所述简历进行解析时，需要确定所述简历对应的创新能力标签的第二匹配值，以及对应的沟通能力标签的第二匹配值，将这两个匹配值求平均，得到所述简历的第二匹配度。
其中，对所述简历进行语义解析，确定所述简历对应的各个能力标签的第二匹配值时，可以采用常规的语义识别算法对所述简历进行语义解析。例如，利用训练好的全连接卷积神经网络或循环神经网络RNNs进行语义解析，确定所述简历对应的各个能力标签的第二匹配值时。
例如，岗位画像数据中要求求职者要有比较好的动手能力和创新能力，然后某个求职者在简历中有一段关于在学校的做实验的经历的文字描述，那么通过利用训练好的全连接卷积神经网络对这段话进行语义解析，可以知道求职者的是否具有动手能力和创新能力，如果具有动手能力并且不具有创新能力，则表示该简历与动手能力标签的第二匹配值为1，简历与创新能力标签的第二匹配值为0。
步骤306，求取所述第一匹配度与所述第二匹配度之间的平均值作为简历与岗位画像数据之间的匹配度。
通过上述步骤301至步骤305，得到所述第一匹配度与所述第二匹配度之后，即可得到所述第一匹配度与所述第二匹配度两者之间的平均值，即所述简历与岗位画像数据之间的匹配度。
本实施例中，通过分别求取所述第一匹配度与所述第二匹配度，再通过计算所述第一匹配度与所述第二匹配度两者之间的平均值，作为所述简历与岗位画像数据之间的匹配度，而非仅仅将第一匹配度作为所述简历与岗位画像数据之间的匹配度，或者将所述第二匹配度作为所述简历与岗位画像数据之间的匹配度，提高了所述匹配度计算的精度，使得筛选出的简历更加符合企业的招聘需求。
可选的，在本发明的一些实施方式中，所述步骤102，计算所述简历与所述岗位画像数据之间的匹配度的步骤还可以通过将所述简历输入训练好的神经网络模型，由所述训练好的神经网络模型计算得到。
其中，将所述简历输入训练好的神经网络模型之前包括：对待训练的神经网络模型进行训练，得到所述训练好的神经网络模型。
具体的，如图4所示，所述对待训练的神经网络模型进行训练，可以包括：步骤401至步骤403。
步骤401，获取简历样本数据、岗位画像样本数据，以及每个简历样本数据对应的标定匹配度。
例如，可以提取企业历史招聘过程中获取到的与招聘岗位适应度较高、适应度良好、适应度较差的简历和岗位画像数据，并对其进行匹配度的人工标记，得到所述简历样本数据、岗位画像样本数据，以及每个简历样本数据对应的标定匹配度；或者从各个招聘平台中获取与招聘岗位适应度较高、适应度良好、适应度较差的简历和岗位画像数据，并对其进行匹配度的人工标记，得到所述简历样本数据、岗位画像样本数据，以及每个简历样本数据对应的标定匹配度。
步骤402，将所述简历样本数据和所述岗位画像样本数据输入所述待训练的神经网络模型，由所述待训练的神经网络模型对输入的所述简历样本数据和所述岗位画像样本数据进行匹配度计算，并输出所述简历样本数据与所述岗位画像样本数据之间的匹配度。
所述待训练的神经网络模型可以包括：前馈神经网络模型、反馈神经网络模型、自组织神经网络模型和随机神经网络模型。
步骤403，计算所述简历样本数据与所述岗位画像样本数据之间的匹配度与所述简历样本数据的标定匹配度之间的差值，若所述差值大于第二预设阈值，则对所述待训练神经网络模型进行参数调整，重新将所述简历样本数据和所述岗位画像样本数据输入所述待训练的神经网络模型，直至所述差值小于或等于所述第二预设阈值，或者训练次数大于第三预设阈值时，利用下一个所述简历样本数据及其对应的所述岗位画像样本数据对所述待训练的神经网络模型进行训练，直至待训练的神经网络模型的置信度大于第四预设阈值时，得到训练好的神经网络模型。
所述对所述待训练神经网络模型进行参数调整可以包括对每个卷积层的权重、偏差、回归函数的系数进行参数调整，还可以包括对待训练神经网络模型的学习速率、迭代次数、每层神经元的个数进行调整。
所述第二预设阈值、第三预设阈值和第四预设阈值可以根据实际应用场景进行设定，例如，所述第二预设阈值可以为5％，所述第三预设阈值为200次，所述第四预设阈值为99.9％。所述神经网络模型的置信度是指待训练的神经网络模型对输入的所述简历样本数据和所述岗位画像样本数据进行匹配度的第一次计算时，输出正确的匹配度的概率，当概率大于所述第四预设阈值时，表示所述待训练的神经网络模型已经可以对输入的所述简历和所述岗位画像数据进行准确的匹配度计算，即，所述待训练的神经网络模型已训练完成。
需要说明的是，此处仅仅是对简历与岗位画像数据之间的匹配度计算的方法进行举例说明，不表示为对本申请保护范围的限制，其他可以实现匹配度计算的方法同样适用于本发明中，此处，不再一一列举。
如图5所示，本发明实施例提供一种简历筛选的装置500，包括：
获取单元501，用于获取求职者针对岗位招聘投递的简历，并获取所述岗位招聘的招聘需求人数以及所述岗位招聘对应的岗位画像数据；
计算单元502，用于计算所述简历与所述岗位画像数据之间的匹配度，并对所述匹配度大于第一预设阈值的简历进行统计得到合格简历的数量；
筛选单元503，用于若所述合格简历的数量小于第一倍数的招聘需求人数，或者所述合格简历的数量大于第二倍数的招聘需求人数，则调整所述岗位画像数据，重新计算所述简历与调整后的所述岗位画像数据之间的匹配度，并重新统计合格简历的数量，直至所述合格简历的数量大于或等于第一倍数的所述招聘需求人数，且小于或等于第二倍数的所述招聘需求人数时，停止对所述岗位画像数据的调整，并输出筛选到的合格简历；所述第二倍数大于所述第一倍数。
可选的，所述筛选单元503，还用于若所述合格简历的数量小于第一倍数的招聘需求人数，则调整所述岗位画像数据，重新计算被淘汰的简历与所述岗位画像数据之间的匹配度，并重新统计合格简历的数量，直至所述合格简历的数量大于或等于第一倍数的所述招聘需求人数，且小于或等于第二倍数的所述招聘需求人数时，停止对所述岗位画像数据的调整，并输出筛选到的合格简历。
可选的，所述筛选单元503，还用于：
若所述合格简历的数量大于第二倍数的招聘需求人数，则判断所述合格简历的数量是否大于第三倍数的招聘需求人数；所述第三倍数大于所述第二倍数；
若所述合格简历的数量大于或等于第三倍数的招聘需求人数，则调整所述岗位画像数据，重新计算所述简历与调整后的所述岗位画像数据之间的匹配度，并重新统计合格简历的数量，直至所述合格简历的数量大于或等于第一倍数的所述招聘需求人数，且小于或等于第二倍数的所述招聘需求人数时，停止对所述岗位画像数据的调整，并输出筛选到的合格简历；
若所述合格简历的数量小于第三倍数的招聘需求人数，则根据所述简历与所述岗位画像数据之间的匹配度对所述简历进行排序，输出匹配度最高的数量为第二倍数的招聘需求人数的简历。
可选的，所述筛选单元503，还用于将所述岗位画像数据划分为多组不同优先级的数据，并从优先级最低的数据开始逐个进行调整，直至所述合格简历的数量大于或等于第一倍数的所述招聘需求人数，且小于或等于第二倍数的所述招聘需求人数时，停止对所述岗位画像数据的调整。
可选的，所述计算单元502，还用于：
对所述简历中包含的文字内容进行分词得到至少一个第一关键字，并对所述岗位画像数据中包含的文字内容进行分词得到至少一个第二关键字；
对所述第二关键字进行同义词扩展、近义词扩展和/或语义扩展，得到所述第二关键字的扩展关键字；
将每个所述第一关键字与所有第二关键字和所有扩展关键字分别进行匹配，得到每个所述第一关键字的第一匹配值；
求取所述第一匹配值的平均值，作为所述简历的第一匹配度；
提取所述岗位画像数据中包含的至少一个能力标签；所述能力标签包括创新能力标签、沟通能力标签、动手能力标签、协作能力标签、忠诚度标签中的一个或多个；
对所述简历进行语义解析，得到所述简历与各个所述能力标签的第二匹配值；
求取所述第二匹配值的平均值，作为所述简历的第二匹配度；
求取所述第一匹配度与所述第二匹配度之间的平均值作为简历与岗位画像数据之间的匹配度。
可选的，所述计算单元502，还用于：
将所述简历输入训练好的神经网络模型，由所述训练好的神经网络模型计算所述简历与岗位画像数据之间的匹配度。
其中，所述将所述简历输入训练好的神经网络模型之前，包括：
对待训练的神经网络模型进行训练，得到所述训练好的神经网络模型；
所述对待训练的神经网络模型进行训练，包括：
获取简历样本数据、岗位画像样本数据，以及每个简历样本数据对应的标定匹配度；
将所述简历样本数据和所述岗位画像样本数据输入所述待训练的神经网络模型，由所述待训练的神经网络模型对输入的所述简历样本数据和所述岗位画像样本数据进行匹配度计算，并输出所述简历样本数据与所述岗位画像样本数据之间的匹配度；
计算所述简历样本数据与所述岗位画像样本数据之间的匹配度与所述简历样本数据的标定匹配度之间的差值，若所述差值大于第二预设阈值，则对所述待训练神经网络模型进行参数调整，重新将所述简历样本数据和所述岗位画像样本数据输入所述待训练的神经网络模型，直至所述差值小于或等于所述第二预设阈值，或者训练次数大于第三预设阈值时，利用下一个所述简历样本数据及其对应的所述岗位画像样本数据对所述待训练的神经网络模型进行训练，直至待训练的神经网络模型的置信度大于第四预设阈值时，得到训练好的神经网络模型。
需要说明的是，为描述的方便和简洁，上述描述的简历筛选的装置500的具体工作过程，可以参考图1和图4所述方法的对应过程，在此不再赘述。
图6是本发明实施例提供的终端的示意图。如图6所示，该终端6包括：处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62，例如简历筛选的程序。所述处理器60执行所述计算机程序62时实现上述各个简历筛选的方法实施例中的步骤，例如图1所示的步骤101至103。或者，所述处理器60执行所述计算机程序62时实现上述各装置实施例中各模块/单元的功能，例如图5所示模块501至503的功能。
所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器61中，并由所述处理器60执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端中的执行过程。例如，所述计算机程序可以被分割成获取单元、计算单元和筛选单元，各单元具体功能如下：所述获取单元，用于获取求职者针对岗位招聘投递的简历，并获取所述岗位招聘的招聘需求人数以及所述岗位招聘对应的岗位画像数据；所述计算单元，用于计算所述简历与所述岗位画像数据之间的匹配度，并对所述匹配度大于第一预设阈值的简历进行统计得到合格简历的数量；所述筛选单元，用于若所述合格简历的数量小于第一倍数的招聘需求人数，或者所述合格简历的数量大于第二倍数的招聘需求人数，则调整所述岗位画像数据，重新计算所述简历与调整后的所述岗位画像数据之间的匹配度，并重新统计合格简历的数量，直至所述合格简历的数量大于或等于第一倍数的所述招聘需求人数，且小于或等于第二倍数的所述招聘需求人数时，停止对所述岗位画像数据的调整，并输出筛选到的合格简历；所述第二倍数大于所述第一倍数。
所述终端可以是智能手机等移动终端，或者是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图6仅仅是终端的示例，并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器60可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal 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。
所述存储器61可以是所述终端的内部存储单元，例如终端的硬盘或内存。所述存储器61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，闪存卡(Flash Card)等。进一步地，所述存储器61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。所述存储器61用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
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，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通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。专业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。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，所述模块或单元的划分，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种简历筛选的方法，其特征在于，包括：
获取求职者针对岗位招聘投递的简历，并获取所述岗位招聘的招聘需求人数以及所述岗位招聘对应的岗位画像数据；
计算所述简历与所述岗位画像数据之间的匹配度，并对所述匹配度大于第一预设阈值的简历进行统计得到合格简历的数量；
若所述合格简历的数量小于第一倍数的招聘需求人数，或者所述合格简历的数量大于第二倍数的招聘需求人数，则调整所述岗位画像数据，重新计算所述简历与调整后的所述岗位画像数据之间的匹配度，并重新统计合格简历的数量，直至所述合格简历的数量大于或等于第一倍数的所述招聘需求人数，且小于或等于第二倍数的所述招聘需求人数时，停止对所述岗位画像数据的调整，并输出筛选到的合格简历；所述第二倍数大于所述第一倍数。
2.如权利要求1所述的方法，其特征在于，若所述合格简历的数量小于第一倍数的招聘需求人数，所述调整所述岗位画像数据，重新计算所述简历与调整后的所述岗位画像数据之间的匹配度，并重新统计合格简历的数量，包括：
若所述合格简历的数量小于第一倍数的招聘需求人数，则调整所述岗位画像数据，重新计算被淘汰的简历与所述岗位画像数据之间的匹配度，并重新统计合格简历的数量，直至所述合格简历的数量大于或等于第一倍数的所述招聘需求人数，且小于或等于第二倍数的所述招聘需求人数时，停止对所述岗位画像数据的调整，并输出筛选到的合格简历。
3.如权利要求1所述的方法，其特征在于，在所述对所述匹配度大于第一预设阈值的简历进行统计得到合格简历的数量之后重新计算所述简历与调整后的所述岗位画像数据之间的匹配度，并重新统计合格简历的数量，包括：
若所述合格简历的数量大于第二倍数的招聘需求人数，则判断所述合格简历的数量是否大于第三倍数的招聘需求人数；所述第三倍数大于所述第二倍数；
若所述合格简历的数量大于或等于第三倍数的招聘需求人数，则调整所述岗位画像数据，重新计算所述简历与调整后的所述岗位画像数据之间的匹配度，并重新统计合格简历的数量，直至所述合格简历的数量大于或等于第一倍数的所述招聘需求人数，且小于或等于第二倍数的所述招聘需求人数时，停止对所述岗位画像数据的调整，并输出筛选到的合格简历；
若所述合格简历的数量小于所述第三倍数的招聘需求人数，则根据所述简历与所述岗位画像数据之间的匹配度对所述简历进行排序，输出匹配度最高的数量为所述第二倍数的招聘需求人数的简历。
4.如权利要求1所述的方法，其特征在于，所述调整所述岗位画像数据，包括：
将所述岗位画像数据划分为多组不同筛选优先级的数据，并根据所述筛选优先级对所述岗位画像数据进行调整。
5.如权利要求1-4任意一项所述的方法，其特征在于，所述计算所述简历与所述岗位画像数据之间的匹配度，包括：
对所述简历中包含的文字内容进行分词得到至少一个第一关键字，并对所述岗位画像数据中包含的文字内容进行分词得到至少一个第二关键字；
对所述第二关键字进行同义词扩展、近义词扩展和/或语义扩展，得到所述第二关键字的扩展关键字；
将每个所述第一关键字与所有第二关键字和所有扩展关键字分别进行匹配，得到每个所述第一关键字的第一匹配值；
求取所述第一匹配值的平均值，作为所述简历的第一匹配度；
提取所述岗位画像数据中包含的至少一个能力标签；所述能力标签包括创新能力标签、沟通能力标签、动手能力标签、协作能力标签、忠诚度标签中的一个或多个；
对所述简历进行语义解析，得到所述简历与各个所述能力标签的第二匹配值；
求取所述第二匹配值的平均值，作为所述简历的第二匹配度；
求取所述第一匹配度与所述第二匹配度之间的平均值作为简历与岗位画像数据之间的匹配度。
6.如权利要求1-4任意一项所述的方法，其特征在于，所述计算所述简历与所述岗位画像数据之间的匹配度，包括：
将所述简历输入训练好的神经网络模型，由所述训练好的神经网络模型计算所述简历与岗位画像数据之间的匹配度。
7.如权利要求6所述的方法，其特征在于，所述将所述简历输入训练好的神经网络模型之前，包括：
对待训练的神经网络模型进行训练，得到所述训练好的神经网络模型；
所述对待训练的神经网络模型进行训练，包括：
获取简历样本数据、岗位画像样本数据，以及每个简历样本数据对应的标定匹配度；
将所述简历样本数据和所述岗位画像样本数据输入所述待训练的神经网络模型，由所述待训练的神经网络模型对输入的所述简历样本数据和所述岗位画像样本数据进行匹配度计算，并输出所述简历样本数据与所述岗位画像样本数据之间的匹配度；
计算所述简历样本数据与所述岗位画像样本数据之间的匹配度与所述简历样本数据的标定匹配度之间的差值，若所述差值大于第二预设阈值，则对所述待训练神经网络模型进行参数调整，重新将所述简历样本数据和所述岗位画像样本数据输入所述待训练的神经网络模型，直至所述差值小于或等于所述第二预设阈值，或者训练次数大于第三预设阈值时，利用下一个所述简历样本数据及其对应的所述岗位画像样本数据对所述待训练的神经网络模型进行训练，直至待训练的神经网络模型的置信度大于第四预设阈值时，得到训练好的神经网络模型。
8.一种简历筛选的装置，其特征在于，包括：
获取单元，用于获取求职者针对岗位招聘投递的简历，并获取所述岗位招聘的招聘需求人数以及所述岗位招聘对应的岗位画像数据；
计算单元，用于计算所述简历与所述岗位画像数据之间的匹配度，并对所述匹配度大于第一预设阈值的简历进行统计得到合格简历的数量；
筛选单元，用于若所述合格简历的数量小于第一倍数的招聘需求人数，或者所述合格简历的数量大于第二倍数的招聘需求人数，则调整所述岗位画像数据，重新计算所述简历与调整后的所述岗位画像数据之间的匹配度，并重新统计合格简历的数量，直至所述合格简历的数量大于或等于第一倍数的所述招聘需求人数，且小于或等于第二倍数的所述招聘需求人数时，停止对所述岗位画像数据的调整，并输出筛选到的合格简历；所述第二倍数大于所述第一倍数。
9.一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7中任意一项所述方法的步骤。
10.一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，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910449915.3A CN110263818A (zh) | 2019-05-24 | 2019-05-24 | 简历筛选的方法、装置、终端和计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910449915.3A CN110263818A (zh) | 2019-05-24 | 2019-05-24 | 简历筛选的方法、装置、终端和计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110263818A true CN110263818A (zh) | 2019-09-20 |
Family
ID=67915616
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910449915.3A Pending CN110263818A (zh) | 2019-05-24 | 2019-05-24 | 简历筛选的方法、装置、终端和计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110263818A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110991709A (zh) * | 2019-11-18 | 2020-04-10 | 平安金融管理学院(中国·深圳) | 岗位招聘情况预测方法、装置、计算机设备及存储介质 |
| CN111105203A (zh) * | 2019-11-19 | 2020-05-05 | 平安金融管理学院(中国·深圳) | 简历筛选控制方法、装置、计算机设备及存储介质 |
| CN111339285A (zh) * | 2020-02-18 | 2020-06-26 | 北京网聘咨询有限公司 | 基于bp神经网络的企业简历筛选方法和系统 |
| CN111984784A (zh) * | 2020-07-17 | 2020-11-24 | 北京嘀嘀无限科技发展有限公司 | 人岗匹配方法、装置、电子设备和存储介质 |
| CN112052271A (zh) * | 2020-09-29 | 2020-12-08 | 中国银行股份有限公司 | 一种数据处理方法及装置 |
| CN112308537A (zh) * | 2020-11-27 | 2021-02-02 | 五八到家有限公司 | 职位数据处理系统及方法、设备、介质 |
| CN114819924A (zh) * | 2022-06-28 | 2022-07-29 | 杭银消费金融股份有限公司 | 一种基于画像分析的企业信息推送处理方法及设备 |
| CN116452163A (zh) * | 2023-02-14 | 2023-07-18 | 广东尊一互动科技有限公司 | 一种基于大数据的人才招聘管理系统及方法 |
| CN117726311A (zh) * | 2024-02-05 | 2024-03-19 | 四川大学华西医院 | 监管对象就业岗位智能匹配方法、装置、设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107391547A (zh) * | 2017-06-01 | 2017-11-24 | 武汉威特管理咨询有限公司 | 一种人力对象数据匹配方法及系统 |
| CN109558429A (zh) * | 2018-11-16 | 2019-04-02 | 广东百城人才网络股份有限公司 | 基于互联网大数据的人才服务双向推荐方法及系统 |
| CN109582704A (zh) * | 2018-10-17 | 2019-04-05 | 龙马智芯（珠海横琴）科技有限公司 | 招聘信息和求职简历匹配的方法 |
-
2019
- 2019-05-24 CN CN201910449915.3A patent/CN110263818A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107391547A (zh) * | 2017-06-01 | 2017-11-24 | 武汉威特管理咨询有限公司 | 一种人力对象数据匹配方法及系统 |
| CN109582704A (zh) * | 2018-10-17 | 2019-04-05 | 龙马智芯（珠海横琴）科技有限公司 | 招聘信息和求职简历匹配的方法 |
| CN109558429A (zh) * | 2018-11-16 | 2019-04-02 | 广东百城人才网络股份有限公司 | 基于互联网大数据的人才服务双向推荐方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 杨真等: "招聘面试人工智能系统的框架与模块研究", 《江苏大学学报（社会科学版）》, vol. 19, no. 6, pages 73 - 92 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110991709A (zh) * | 2019-11-18 | 2020-04-10 | 平安金融管理学院(中国·深圳) | 岗位招聘情况预测方法、装置、计算机设备及存储介质 |
| CN111105203A (zh) * | 2019-11-19 | 2020-05-05 | 平安金融管理学院(中国·深圳) | 简历筛选控制方法、装置、计算机设备及存储介质 |
| CN111339285B (zh) * | 2020-02-18 | 2023-05-26 | 北京网聘咨询有限公司 | 基于bp神经网络的企业简历筛选方法和系统 |
| CN111339285A (zh) * | 2020-02-18 | 2020-06-26 | 北京网聘咨询有限公司 | 基于bp神经网络的企业简历筛选方法和系统 |
| CN111984784A (zh) * | 2020-07-17 | 2020-11-24 | 北京嘀嘀无限科技发展有限公司 | 人岗匹配方法、装置、电子设备和存储介质 |
| CN111984784B (zh) * | 2020-07-17 | 2024-03-12 | 北京嘀嘀无限科技发展有限公司 | 人岗匹配方法、装置、电子设备和存储介质 |
| CN112052271B (zh) * | 2020-09-29 | 2023-11-17 | 中国银行股份有限公司 | 一种数据处理方法及装置 |
| CN112052271A (zh) * | 2020-09-29 | 2020-12-08 | 中国银行股份有限公司 | 一种数据处理方法及装置 |
| CN112308537A (zh) * | 2020-11-27 | 2021-02-02 | 五八到家有限公司 | 职位数据处理系统及方法、设备、介质 |
| CN114819924A (zh) * | 2022-06-28 | 2022-07-29 | 杭银消费金融股份有限公司 | 一种基于画像分析的企业信息推送处理方法及设备 |
| CN116452163A (zh) * | 2023-02-14 | 2023-07-18 | 广东尊一互动科技有限公司 | 一种基于大数据的人才招聘管理系统及方法 |
| CN116452163B (zh) * | 2023-02-14 | 2023-11-28 | 广东尊一互动科技有限公司 | 一种基于大数据的人才招聘管理系统及方法 |
| CN117726311A (zh) * | 2024-02-05 | 2024-03-19 | 四川大学华西医院 | 监管对象就业岗位智能匹配方法、装置、设备及存储介质 |
| CN117726311B (zh) * | 2024-02-05 | 2024-05-28 | 四川大学华西医院 | 监管对象就业岗位智能匹配方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110263818A (zh) | 简历筛选的方法、装置、终端和计算机可读存储介质 | |
| US9875294B2 (en) | Method and apparatus for classifying object based on social networking service, and storage medium | |
| CN110163476A (zh) | 项目智能推荐方法、电子装置及存储介质 | |
| CN107273436A (zh) | 一种推荐模型的训练方法和训练装置 | |
| CN109885452A (zh) | 性能监控方法、装置及终端设备 | |
| CN105893561A (zh) | 一种排序方法和装置 | |
| CN109697537A (zh) | 数据审核的方法和装置 | |
| CN112288087A (zh) | 一种神经网络剪枝方法、装置、电子设备及存储介质 | |
| CN113836131A (zh) | 一种大数据清洗方法、装置、计算机设备及存储介质 | |
| CN106445915A (zh) | 一种新词发现方法及装置 | |
| CN109543940B (zh) | 活动评估方法、装置、电子设备及存储介质 | |
| CN112163081A (zh) | 标签确定方法、装置、介质及电子设备 | |
| CN112417121A (zh) | 客户意图识别方法、装置、计算机设备及存储介质 | |
| CN107247728A (zh) | 文本处理方法、装置及计算机存储介质 | |
| CN110457704A (zh) | 目标字段的确定方法、装置、存储介质及电子装置 | |
| CN110532448B (zh) | 基于神经网络的文档分类方法、装置、设备及存储介质 | |
| CN109086289A (zh) | 一种媒体数据处理方法、客户端、介质和设备 | |
| CN114742237A (zh) | 联邦学习模型聚合方法、装置、电子设备及可读存储介质 | |
| CN114723481A (zh) | 数据处理方法、装置、电子设备和存储介质 | |
| CN110196869B (zh) | 一种人才信息智能匹配方法、系统及互动终端 | |
| CN104778205B (zh) | 一种基于异构信息网络的移动应用排序和聚类方法 | |
| CN113592192A (zh) | 短期电力负荷预测方法、装置及终端设备 | |
| CN117350794A (zh) | 一种基于多模型融合的日前电价预测方法、装置及介质 | |
| CN116562837A (zh) | 人岗匹配方法、装置、电子设备及计算机可读存储介质 | |
| CN110215703A (zh) | 游戏应用的选择方法、装置及系统 |
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 |