CN110297973B - 一种基于深度学习的数据推荐方法、装置及终端设备 - Google Patents
一种基于深度学习的数据推荐方法、装置及终端设备 Download PDFInfo
- Publication number
- CN110297973B CN110297973B CN201910525731.0A CN201910525731A CN110297973B CN 110297973 B CN110297973 B CN 110297973B CN 201910525731 A CN201910525731 A CN 201910525731A CN 110297973 B CN110297973 B CN 110297973B
- Authority
- CN
- China
- Prior art keywords
- recruiters
- application
- recruiter
- score
- training model
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013135 deep learning Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 60
- 238000012216 screening Methods 0.000 claims abstract description 17
- 230000015654 memory Effects 0.000 claims description 23
- 238000013528 artificial neural network Methods 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 11
- 230000007115 recruitment Effects 0.000 claims description 10
- 125000004122 cyclic group Chemical group 0.000 claims description 5
- 238000004891 communication Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000002093 peripheral effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000000306 recurrent effect Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种基于深度学习的数据推荐方法、装置及终端设备,方法包括:获取多个应聘人员的人物画像;应聘人员与应聘人员的人物画像一一对应;应聘人员的人物画像包括应聘人员的多维度信息;对获取到的所述多个应聘人员的人物画像分别进行特征提取;将提取出的第一特征输入到训练好的训练模型,分别获得多个应聘人员的评分;多个应聘人员中每一个应聘人员的评分分别与每一个应聘人员一一对应从所述多个应聘人员中确定出评分大于或等于预设阈值的目标应聘人员。采用本申请,可快速及准确完成对海量的应聘人员的初步筛选,提高了工作效率,节省了人力成本。
Description
技术领域
本申请涉及计算机及网络技术领域,尤其涉及一种基于深度学习的数据推荐方法、装置及终端设备。
背景技术
目前互联网的人才服务使得招聘由线下走到了线上,规模之大,前所未有,人才招聘网站动辄上百万简历,相比于传统的人才服务有时效长、成本低、触及面广等方面的优势,但是也存在着些许不足,如简历量大,不智能,精准匹配难以优化,人力资源顾问(HR)在筛选简历阶段就需要大量的重复劳动。
发明内容
本申请提供一种基于深度学习的数据推荐方法、装置及终端设备,可快速确定出应聘人员是否符合企业的相应岗位的要求,并快速、准确地完成对应聘人员的初步筛选,提高了工作效率,也节省了人力成本。
第一方面,本申请提供了一种基于深度学习的数据推荐方法,该方法包括:
获取多个应聘人员的人物画像;应聘人员与所述应聘人员的人物画像一一对应;所述应聘人员的人物画像包括所述应聘人员的多维度信息;
对获取到的所述多个应聘人员的人物画像分别进行特征提取;
将提取出的第一特征输入到训练好的训练模型,分别获得所述多个应聘人员的评分;所述多个应聘人员中每一个应聘人员的评分分别与所述每一个应聘人员一一对应;
从所述多个应聘人员中确定出评分大于或等于预设阈值的目标应聘人员。
结合第一方面,在一些可能的实施例中,
所述将提取出的第一特征输入到训练好的训练模型之前,还包括:
获取多个绩优的在职人员的人物画像;
对获取到的所述多个绩优的在职人员的人物画像分别进行特征提取;
对提取出的第二特征进行训练以获得所述训练好的训练模型,所述训练模型用于根据输入的特征生成评分。
结合第一方面,在一些可能的实施例中,输入到所述训练模型的特征与所述第二特征的相似度越高则所述训练模型生成的评分越高。
结合第一方面,在一些可能的实施例中,
所述获取多个应聘人员的人物画像之前,还包括:
获取多个应聘人员的简历信息;所述简历信息包括以下至少一项:应聘人员的年龄、性别、学历、表达能力、工作技能、学历、期望薪资、期望工作地区、应聘岗位或专业;
根据获取到的所述多个应聘人员的简历信息,对所述多个应聘人员中每一个应聘人员分别进行人物画像,以生成所述每一个应聘人员的人物画像。
结合第一方面,在一些可能的实施例中,所述根据获取到的所述多个应聘人员的简历信息,在多个维度下,对所述多个应聘人员中每一个应聘人员分别进行人物画像,以生成所述每一个应聘人员的人物画像,包括:
根据获取到的所述多个应聘人员的简历信息,筛选出每一个应聘人员在多个维度下的信息;
通过岗位胜任素质模型对每一个应聘人员在多个维度下的信息进行训练,从而生成所述每一个应聘人员的人物画像。
结合第一方面,在一些可能的实施例中,
所述对获取到的所述多个应聘人员的人物画像分别进行特征提取,包括:
通过神经网络对获取到的所述多个应聘人员中每一个应聘人员的人物画像分别进行特征提取,所述神经网络包括长短时记忆网络、循环神经网络、深度卷积网络和深度残差网络中的至少一项。
第二方面,本申请提供了一种招聘装置,该装置包括:
第一获取单元,用于获取多个应聘人员的人物画像;应聘人员与所述应聘人员的人物画像一一对应;所述应聘人员的人物画像包括所述应聘人员的多维度信息;
特征提取单元,用于对获取到的所述多个应聘人员的人物画像分别进行特征提取;
第二获取单元,用于将提取出的第一特征输入到训练好的训练模型,分别获得所述多个应聘人员的评分;所述多个应聘人员中每一个应聘人员的评分分别与所述每一个应聘人员一一对应;
确定单元,用于从所述多个应聘人员中确定出评分大于或等于预设阈值的目标应聘人员。
结合第二方面,在一些可能的实施例中,
特征提取单元,具体可用于:
通过神经网络对获取到的多个应聘人员中每一个应聘人员的人物画像分别进行特征提取,所述神经网络包括长短时记忆网络、循环神经网络、深度卷积网络和深度残差网络中的至少一项。
结合第二方面,在一些可能的实施例中,
还可包括:
训练单元,用于:
将提取出的第一特征输入到训练好的训练模型之前,在获取多个绩优的在职人员的人物画像,对获取到的多个绩优的在职人员的人物画像分别进行特征提取之后,对提取出的第二特征进行训练以获得所述训练好的训练模型,所述训练模型用于根据输入的特征生成评分。
结合第二方面,在一些可能的实施例中,输入到所述训练模型的特征与所述第二特征的相似度越高则所述训练模型生成的评分越高。
结合第二方面,在一些可能的实施例中,
还可包括:
生成单元,用于:
在获取多个应聘人员的人物画像之前,获取多个应聘人员的简历信息;所述简历信息包括以下至少一项:应聘人员的年龄、性别、学历、表达能力、工作技能、学历、期望薪资、期望工作地区或专业之后,根据获取到的多个应聘人员的简历信息,在多个维度下,对多个应聘人员中每一个应聘人员分别进行人物画像,以生成每一个应聘人员的人物画像。
结合第二方面,在一些可能的实施例中,所述根据获取到的所述多个应聘人员的简历信息,在多个维度下,对所述多个应聘人员中每一个应聘人员分别进行人物画像,以生成所述每一个应聘人员的人物画像,具体为:
根据获取到的所述多个应聘人员的简历信息,筛选出每一个应聘人员在多个维度下的信息;通过岗位胜任素质模型对每一个应聘人员在多个维度下的信息进行训练,从而生成所述每一个应聘人员的人物画像。
第三方面,本申请提供了一种招聘设备,包括输入设备、输出设备、处理器和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储支持设备执行上述基于深度学习的数据推荐方法的应用程序代码,所述处理器被配置用于执行上述第一方面提供的基于深度学习的数据推荐方法。
第四方面,本申请提供了一种计算机可读的存储介质,用于存储一个或多个计算机程序,上述一个或多个计算机程序包括指令,当上述计算机程序在计算机上运行时,上述指令用于执行上述第一方面提供的基于深度学习的数据推荐方法。
第五方面,本申请提供了一种计算机程序,该计算机程序包括招聘指令,当该计算机程序在计算机上执行时,上述利用机器学习指令用于执行上述第一方面提供的基于深度学习的数据推荐方法。
本申请提供了一种基于深度学习的数据推荐方法、装置及设备。首先,获取多个应聘人员的人物画像;应聘人员与应聘人员的人物画像一一对应;应聘人员的人物画像包括应聘人员的多维度信息;对获取到的多个应聘人员的人物画像分别进行特征提取;将提取出的第一特征输入到训练好的训练模型,分别获得多个应聘人员的评分;多个应聘人员中每一个应聘人员的评分分别与每一个应聘人员一一对应;分别对获取到的多个评分进行评估,以从多个评分中评估出至少一个大于或等于预设阈值的第一评分;根据评估出的第一评分,从多个应聘人员中确定出第一评分对应的目标应聘人员。采用本申请,一方面,通过根据应聘人员的多维度的信息对应聘人员进行人物画像,可使得对应聘人员的筛选更加准确、全面及客观。另一方面,通过训练好的训练模型对人物画像进行特征提取后的第一特征进行处理,获取到应聘人员中每一个应聘人员的评分,对获取到的多个评分进行评估,以从多个评分中评估出至少一个大于或等于预设阈值的第一评分,并根据评估出的第一评分,从多个应聘人员中确定出第一评分对应的目标应聘人员,可快速地完成对海量的应聘人员的初步筛选,并确定出符合企业相应岗位的目标应聘人员,提高了工作效率,也节省了人力成本。
附图说明
为了更清楚地说明本申请实施例技术方案,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申请的一些实施例,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是本申请提供的一种基于深度学习的数据推荐方法的示意流程图;
图2是本申请提供的一种人物画像的示意图;
图3是本申请提供的另一种人物画像的示意图;
图4是本申请提供的又一种人物画像的示意图;
图5是本申请提供的一种装置的示意性框图;
图6是本申请提供的一种设备的示意性框图。
具体实施方式
下面将结合本申请中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
具体实现中,本申请中描述的终端包括但不限于诸如具有触摸敏感表面(例如,触摸屏显示器和/或触摸板)的移动电话、膝上型计算机或平板计算机之类的其它便携式设备。还应当理解的是,在某些实施例中,所述设备并非便携式通信设备,而是具有触摸敏感表面(例如,触摸屏显示器和/或触摸板)的台式计算机。
在接下来的讨论中,描述了包括显示器和触摸敏感表面的终端。然而,应当理解的是,终端可以包括诸如物理键盘、鼠标和/或控制杆的一个或多个其它物理用户接口设备。
终端支持各种应用程序,例如以下中的一个或多个:绘图应用程序、演示应用程序、文字处理应用程序、网站创建应用程序、盘刻录应用程序、电子表格应用程序、游戏应用程序、电话应用程序、视频会议应用程序、电子邮件应用程序、即时消息收发应用程序、锻炼支持应用程序、照片管理应用程序、数码相机应用程序、数字摄影机应用程序、web浏览应用程序、数字音乐播放器应用程序和/或数字视频播放器应用程序。
可以在终端上执行的各种应用程序可以使用诸如触摸敏感表面的至少一个公共物理用户接口设备。可以在应用程序之间和/或相应应用程序内调整和/或改变触摸敏感表面的一个或多个功能以及终端上显示的相应信息。这样,终端的公共物理架构(例如,触摸敏感表面)可以支持具有对用户而言直观且透明的用户界面的各种应用程序。
为了更好地理解本申请,下面对本申请适用的基于深度学习的数据推荐方法进行描述。请参阅图1,图1是本申请提供的一种基于深度学习的数据推荐方法的示意流程图。
如图1所示,该方法可以至少包括以下几个步骤:
S101、获取多个应聘人员的人物画像。
本申请实施例中,应聘人员与应聘人员的人物画像一一对应;应聘人员的人物画像包括应聘人员的多维度信息;
应当说明的,应聘人员的多维度信息可包括但不限于:应聘岗位、工作技能、工作行业、期望薪资、学历、期望工作地区等信息。
具体的,可包括但不限于以下方式对应聘人员的多维度信息进行收集:
方式1:可通过收集应聘人员的简历的方式来收集。
方式2:可通过电话、微信或QQ等语音沟通的方式来收集。
本申请实施例中,在获取多个应聘人员的人物画像之前,还包括但不限于以下工作过程:
工作过程11:获取多个应聘人员的简历信息;应聘人员的简历信息包括以下至少一项:应聘人员的年龄、性别、学历、表达能力、工作技能、学历、期望薪资、期望工作地区、应聘岗位或专业。
工作过程12:根据获取到的多个应聘人员的简历信息,可在产能、工作职能、工作技能、工作行业、工作薪资、学历或工作地区等多个维度下,对多个应聘人员中每一个应聘人员分别进行人物画像,以生成每一个应聘人员的人物画像;例如,先根据获取到的所述多个应聘人员的简历信息,筛选出每一个应聘人员在多个维度下的信息,该多个维度具体包括哪些方面的信息可以预先定义好;然后通过岗位胜任素质模型对每一个应聘人员在多个维度下的信息进行训练,从而生成所述每一个应聘人员的人物画像,这里的岗位胜任素质模型也称胜任素质模型、胜任力素质模型等。
图2示例性示出了一种应聘人员的人物画像的示意图。
如图2所示,描述了一种应聘人员的人物画像,该应聘人员期望应聘华南地区的互联网企业以及应聘相应互联网企业中的数据库设计师,以从事于设计、开发及维护大型数据库,且该应聘人员精通SQL、SERVER及MySQL等工作技能,学历为研究生,期望工作月薪在15000~20000元之间。
S102、对获取到的多个应聘人员的人物画像分别进行特征提取。
本申请实施例中,对获取到的所述多个应聘人员的人物画像分别进行特征提取,具体可包括下述过程:
通过神经网络对获取到的所述多个应聘人员中每一个应聘人员的人物画像分别进行特征提取。
其中,神经网络可包括但不限于:长短时记忆网络(Long Short-Term Memory,LSTM)、循环神经网络(Recurrent Neural Network,RNN)、深度卷积网络或深度残差网络。
S103、将提取出的第一特征输入到训练好的训练模型,分别获得多个应聘人员的评分。
本申请实施例中,上述多个应聘人员中每一个应聘人员的评分分别与每一个应聘人员一一对应。
应当说明的,训练好的训练模块通过比较输入的与应聘人员关联的第一特征与相应岗位的绩优的在职人员关联的第二特征之间的余弦相似度,确定出该应聘人员的评分。应当说明的,余弦相似度的变化范围可为0~1。余弦相似度越大,则应聘人员的评分越高,应聘人员与应聘岗位越匹配。其中,余弦相似度与应聘人员的评分相对应。举例来说,如果余弦相似度处于0~0.1之间,则应聘人员的评分为1分;如果余弦相似度处于0.9~1之间,则应聘人员的评分为10分。
应当说明的,训练好的训练模块通过比较输入的与应聘人员关联的第一特征与相应岗位的绩优的在职人员关联的第二特征之间的欧氏距离,确定出该应聘人员的评分。欧式距离越小,则应聘人员的评分越高,应聘人员与应聘岗位越匹配。
本申请实施例中,所述将提取出的第一特征输入到训练好的训练模型之前,还包括但不限于下述工作过程:
工作过程21:获取多个绩优的在职人员的人物画像。
具体的,获取多个绩优的在职人员的人物画像,具体可包括但不限于以下步骤:
步骤11:获取多个绩优的在职人员的信息(如:年龄、性别、学历、表达能力等)。本申请实施例中,在职人员的信息可包括但不限于:在职人员的年龄、性别、学历、理解、在职岗位或表达能力等。
步骤12:根据获取到的多个绩优的在职人员的信息,从产能、工作职能、工作技能、工作行业、工作薪资、学历、工作地区等多个维度,分别对多个绩优的在职人员中每一个在职人员进行人物画像,以获得多个绩优的在职人员的人物画像。
应当说明的,在根据获取到的多个绩优的在职人员的信息,从产能、工作职能、工作技能、工作行业、工作薪资、学历、工作地区等多个维度,分别对多个绩优的在职人员中每一个在职人员进行人物画像之前,还包括但不限于以下步骤:
按照符合一定的标准(如产能标准)从多个在职人员(包括绩优的在职人员和非绩优的工作人员)中,选择出绩优的在职人员。
举例来说,可按照在职人员的产能标准来确定出该在职人员是否是该企业的绩优的在职人员。
图3示例性示出了一种在职人员的人物画像的示意图。
如图3所示,描述了一种在职的数据库设计师的人物画像,该数据库设计师现任职于华南地区的一家互联网企业,从事于设计、开发及维护大型数据库,且精通SQL、SERVER及MySQL等,学历为研究生,工作月薪在15000~20000元之间。
图4示例性示出了另一种在职人员的人物画像的示意图。
如图4所示,描述了一种在职的产品销售经理的人物画像,该产品销售经理现任职于华南地区的一家通信设备企业,从事于通信设备销售,拥有较强的销售技巧、销售经验、市场营销经验及渠道拓展经验等,每个月的通信设备的销售额为20万~50万之间,学历为大学本科,工作月薪在10000~12000元之间。
工作过程22:对获取到的多个绩优的在职人员的人物画像分别进行特征提取。
具体的,可通过长短时记忆网络(Long Short-Term Memory,LSTM)、循环神经网络(Recurrent Neural Network,RNN)、深度卷积网络或深度残差网络对获取到的多个绩优的在职人员的人物画像分别进行特征提取,分别从每一个绩优的在职人员的人物画像中提取出第二特征。
应当说明的,本申请实施例中的提取出的第二特征用于对预训练模型进行训练,以获得训练好的训练模型。
工作过程23:将提取出的第二特征输入到预训练模型,获得训练好的训练模型,所述训练模型用于根据输入的特征生成评分,例如,前面提到的将应聘者的第一特征输入到该训练模型即可生成该应聘者对应的评分。
S104:从多个应聘人员中确定出评分大于或等于预设阈值的目标应聘人员。
在本申请实施例中,评分越高则表明岗位胜任能力越强,因此可以根据评分择优挑选应聘人员,挑选出的应聘人员成为目标应聘人员。另外,在进行应聘人员的挑选时,也可能不仅仅只考虑评分,还可能考虑其他因素,其他因素此处不做限定。另外,步骤S104存在很多具体地实现方式,为了便于理解,下面例举一种可选的实现方式,具体请参照步骤S1041和S1042。
S1041、分别对获取到的多个评分进行评估,以从多个评分中评估出至少一个大于或等于预设阈值的第一评分。
本申请实施例中,应聘人员的评分的取值的变化范围可为:1~10之间的正整数。应当说明的,当应聘人员的评分的取值的变化范围可为:1~10之间的正整数时,预设阈值可为8,此处不作限制。
S1042、根据评估出的第一评分,从多个应聘人员中确定出第一评分对应的目标应聘人员。
本申请实施例中,根据评估出的第一评分,从所述多个应聘人员中确定出所述第一评分对应的目标应聘人员,具体可包括但不限于以下情形:
情形1:
第一评分的数目为多个;
根据评估出的第一评分,从多个应聘人员中确定出分别与多个第一评分中每一个第一评分对应的目标应聘人员,其中,目标应聘人员为多个应聘人员中的一个评分大于或等于预设阈值的应聘人员。
情形2:
第一评分的数目为一个;
根据评估出的第一评分,从多个应聘人员中确定出一个与第一评分相对应的目标应聘人员。
应当说明的,在从多个应聘人员中确定出第一评分对应的目标应聘人员之后,企业的人力资源顾问可根据确定出的一个或多个目标应聘人员迅速完成对海量的应聘人员的初步筛选,以初步筛选出符合该企业相应岗位的要求的目标应聘人员,并可安排初步筛选出的目标应聘人员进行下一轮考核。
综上所述,本申请实施例提供了一种基于深度学习的数据推荐方法。首先,获取多个应聘人员的人物画像;应聘人员与应聘人员的人物画像一一对应;应聘人员的人物画像包括应聘人员的多维度信息;对获取到的多个应聘人员的人物画像分别进行特征提取;将提取出的第一特征输入到训练好的训练模型,分别获得多个应聘人员的评分;多个应聘人员中每一个应聘人员的评分分别与每一个应聘人员一一对应;分别对获取到的多个评分进行评估,以从多个评分中评估出至少一个大于或等于预设阈值的第一评分;根据评估出的第一评分,从多个应聘人员中确定出第一评分对应的目标应聘人员。采用本申请实施例,一方面,通过应聘人员的多维度的信息对应聘人员进行人物画像,可使得对应聘人员的筛选更加准确、全面及客观。另一方面,通过训练好的训练模型对人物画像进行特征提取后的第一特征进行处理,获取到应聘人员中每一个应聘人员的评分,对获取到的多个评分进行评估,以从多个评分中评估出至少一个大于或等于预设阈值的第一评分,并根据评估出的第一评分,从多个应聘人员中确定出第一评分对应的目标应聘人员,可快速地完成对海量的应聘人员的初步筛选,并确定出符合企业相应岗位的目标应聘人员,提高了工作效率,也节省了人力成本。
图2~图4仅仅用于解释本申请实施例,不应对本申请做出限制。
参见图5,是本申请提供的一种招聘装置。如图5所示,装置50包括:第一获取单元501、特征提取单元502、第二获取单元503和确定单元504。其中:
第一获取单元501,用于获取多个应聘人员的人物画像;应聘人员与应聘人员的人物画像一一对应;应聘人员的人物画像包括应聘人员的多维度信息。
特征提取单元502,用于对获取到的多个应聘人员的人物画像分别进行特征提取。
第二获取单元503,用于将提取出的第一特征输入到训练好的训练模型,分别获得多个应聘人员的评分;多个应聘人员中每一个应聘人员的评分分别与每一个应聘人员一一对应。
确定单元504,用于从所述多个应聘人员中确定出评分大于或等于预设阈值的目标应聘人员。
其中,特征提取单元502,具体可用于:
通过神经网络对获取到的多个应聘人员中每一个应聘人员的人物画像分别进行特征提取,所述神经网络包括长短时记忆网络、循环神经网络、深度卷积网络和深度残差网络中的至少一项。
装置50包括:第一获取单元501、特征提取单元502、第二获取单元503和确定单元504之外,还可包括:
训练单元,用于:
将提取出的第一特征输入到训练好的训练模型之前,在获取多个绩优的在职人员的人物画像,对获取到的多个绩优的在职人员的人物画像分别进行特征提取之后,对提取出的第二特征进行训练以获得所述训练好的训练模型,所述训练模型用于根据输入的特征生成评分。
可选的,输入到所述训练模型的特征与所述第二特征的相似度越高则所述训练模型生成的评分越高。
装置50包括:第一获取单元501、特征提取单元502、第二获取单元503和确定单元504之外,还可包括:
生成单元,用于:
在获取多个应聘人员的人物画像之前,获取多个应聘人员的简历信息;所述简历信息包括以下至少一项:应聘人员的年龄、性别、学历、表达能力、工作技能、学历、期望薪资、期望工作地区或专业之后,根据获取到的多个应聘人员的简历信息,在多个维度下,对多个应聘人员中每一个应聘人员分别进行人物画像,以生成每一个应聘人员的人物画像。
可选的,所述根据获取到的所述多个应聘人员的简历信息,在多个维度下,对所述多个应聘人员中每一个应聘人员分别进行人物画像,以生成所述每一个应聘人员的人物画像,包括:根据获取到的所述多个应聘人员的简历信息,筛选出每一个应聘人员在多个维度下的信息;通过岗位胜任素质模型对每一个应聘人员在多个维度下的信息进行训练,从而生成所述每一个应聘人员的人物画像。
综上所述,本申请实施例提供了一种招聘装置。首先,装置50通过第一获取单元501获取多个应聘人员的人物画像;应聘人员与应聘人员的人物画像一一对应;应聘人员的人物画像包括应聘人员的多维度信息;进而,装置50通过特征提取单元502对获取到的多个应聘人员的人物画像分别进行特征提取;然后,装置50通过第二获取单元503将提取出的第一特征输入到训练好的训练模型,分别获得多个应聘人员的评分;多个应聘人员中每一个应聘人员的评分分别与每一个应聘人员一一对应;接着,装置50通过评估单元504分别对获取到的多个评分进行评估,以从多个评分中评估出至少一个大于或等于预设阈值的第一评分;装置50通过确定单元505根据评估出的第一评分,从多个应聘人员中确定出第一评分对应的目标应聘人员。采用本申请实施例,一方面,装置50通过根据应聘人员的多维度的信息对应聘人员进行人物画像,可使得对应聘人员的筛选更加准确、全面及客观。另一方面,装置50通过第二获取单元503通过训练好的训练模型对人物画像进行特征提取后的第一特征进行处理,获取到应聘人员中每一个应聘人员的评分,对获取到的多个评分进行评估,以从多个评分中评估出至少一个大于或等于预设阈值的第一评分,并通过确定单元505根据评估出的第一评分,从多个应聘人员中确定出第一评分对应的目标应聘人员,可快速地完成对海量的应聘人员的初步筛选,确定出符合企业相应岗位的目标应聘人员,提高了工作效率,也节省了人力成本。
应当理解,装置50仅为本申请实施例提供的一个例子,并且,装置50可具有比示出的部件更多或更少的部件,可以组合两个或更多个部件,或者可具有部件的不同配置实现。
可理解的,关于图5的装置50包括的功能块的具体实现方式,可参考前述图1所述的实施例,这里不再赘述。
图6是本申请提供的一种招聘设备的结构示意图。本申请实施例中,设备可以包括移动手机、平板电脑、个人数字助理(Personal Digital Assistant,PDA)、移动互联网设备(Mobile Internet Device,MID)、智能穿戴设备(如智能手表、智能手环)等各种设备,本申请实施例不作限定。如图6所示,设备60可包括:基带芯片601、存储器602(一个或多个计算机可读存储介质)、外围系统603。这些部件可在一个或多个通信总线604上通信。
基带芯片601可包括:一个或多个处理器(CPU)605。
处理器605,具体可用于:
获取多个应聘人员的人物画像;
对获取到的多个应聘人员的人物画像分别进行特征提取;
具体的,通过神经网络对获取到的多个应聘人员中每一个应聘人员的人物画像分别进行特征提取。
将提取出的第一特征输入到训练好的训练模型,分别获得多个应聘人员的评分;多个应聘人员中每一个应聘人员的评分分别与每一个应聘人员一一对应;
从所述多个应聘人员中确定出评分大于或等于预设阈值的目标应聘人员。
存储器602与处理器605耦合,可用于存储各种软件程序和/或多组指令。具体实现中,存储器602可包括高速随机存取的存储器,并且也可包括非易失性存储器,例如一个或多个磁盘存储设备、闪存设备或其他非易失性固态存储设备。存储器602可以存储操作系统(下述简称系统),例如ANDROID,IOS,WINDOWS,或者LINUX等嵌入式操作系统。存储器602还可以存储网络通信程序,该网络通信程序可用于与一个或多个附加设备,一个或多个设备设备,一个或多个网络设备进行通信。存储器602还可以存储用户接口程序,该用户接口程序可以通过图形化的操作界面将应用程序的内容形象逼真的显示出来,并通过菜单、对话框以及按键等输入控件接收用户对应用程序的控制操作。
可理解的,存储器602可用于存储实现基于深度学习的数据推荐方法的实现代码。
存储器602还可以存储一个或多个应用程序。如图6所示,这些应用程序可包括:社交应用程序(例如Facebook),图像管理应用程序(例如相册),地图类应用程序(例如谷歌地图),浏览器(例如Safari,Google Chrome)等等。
外围系统603主要用于实现设备60用户/外部环境之间的交互功能,主要包括设备60的输入输出装置。具体实现中,外围系统603可包括:显示屏控制器607、摄像头控制器608以及音频控制器609。其中,各个控制器可与各自对应的外围设备(如显示屏610、摄像头611以及音频电路612)耦合。在一些实施例中,显示屏可以配置有自电容式的悬浮触控面板的显示屏1,也可以是配置有红外线式的悬浮触控面板的显示屏。在一些实施例中,摄像头611可以是3D摄像头。需要说明的,外围系统603还可以包括其他I/O外设。
综上所述,本申请实施例提供了一种招聘设备。首先,设备60通过处理器605获取多个应聘人员的人物画像;应聘人员与应聘人员的人物画像一一对应;应聘人员的人物画像包括应聘人员的多维度信息;进而,设备60通过处理器605对获取到的多个应聘人员的人物画像分别进行特征提取;然后,设备60通过处理器605将提取出的第一特征输入到训练好的训练模型,分别获得多个应聘人员的评分;多个应聘人员中每一个应聘人员的评分分别与每一个应聘人员一一对应;接着,设备60通过处理器605分别对获取到的多个评分进行评估,以从多个评分中评估出至少一个大于或等于预设阈值的第一评分;设备60通过处理器605根据评估出的第一评分,从多个应聘人员中确定出第一评分对应的目标应聘人员。采用本申请实施例,一方面,设备60通过处理器605根据应聘人员的多维度的信息对应聘人员进行人物画像,可使得对应聘人员的筛选更加准确、全面及客观。另一方面,处理器605通过训练好的训练模型对人物画像进行特征提取后的第一特征进行处理,获取到应聘人员中每一个应聘人员的评分,对获取到的多个评分进行评估,以从多个评分中评估出至少一个大于或等于预设阈值的第一评分,设备60通过处理器605根据评估出的第一评分,从多个应聘人员中确定出第一评分对应的目标应聘人员,可快速地完成对海量的应聘人员的初步筛选,确定出符合企业相应岗位的目标应聘人员,提高了工作效率,也节省了人力成本。
应当理解,设备60仅为本申请实施例提供的一个例子,并且,设备60可具有比示出的部件更多或更少的部件,可以组合两个或更多个部件,或者可具有部件的不同配置实现。
可理解的,关于图6的设备60包括的功能模块的具体实现方式,可参考图1的实施例,此处不再赘述。
本申请提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现。
该计算机可读存储介质可以是前述任一实施例所述的设备的内部存储单元,例如设备的硬盘或内存。该计算机可读存储介质也可以是设备的外部存储设备,例如设备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。进一步的,该计算机可读存储介质还可以既包括设备的内部存储单元也包括外部存储设备。该计算机可读存储介质用于存储计算机程序以及设备所需的其他程序和数据。该计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本申请还提供一种计算机程序产品,该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,该计算机程序可操作来使计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤。该计算机程序产品可以为一个软件安装包,该计算机包括电子装置。
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、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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申请的范围。
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。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。例如,以描述了各示例的组成及步骤。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。
上述描述的设备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。另外,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、设备或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
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申请实施例方案的目的。
另外,在本申请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,也可以是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,本申请的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请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申请揭露的技术范围内,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申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (6)
1.一种基于深度学习的数据推荐方法,其特征在于,包括:
获取多个应聘人员的简历信息;所述简历信息包括以下至少一项:应聘人员的年龄、性别、学历、表达能力、工作技能、学历、期望薪资、期望工作地区、应聘岗位或专业;
根据获取到的所述多个应聘人员的简历信息,筛选出每一个应聘人员在多个维度下的信息;
通过岗位胜任素质模型对每一个应聘人员在多个维度下的信息进行训练,以生成所述每一个应聘人员的人物画像;
获取多个应聘人员的人物画像;应聘人员与所述应聘人员的人物画像一一对应;所述应聘人员的人物画像包括所述应聘人员的多维度信息;
对获取到的所述多个应聘人员的人物画像分别进行特征提取;
将提取出的第一特征输入到训练好的训练模型,分别获得所述多个应聘人员的评分;所述多个应聘人员中每一个应聘人员的评分分别与所述每一个应聘人员一一对应;
从所述多个应聘人员中确定出评分大于或等于预设阈值的目标应聘人员;
在所述将提取出的第一特征输入到训练好的训练模型之前,还包括:
获取多个绩优的在职人员的人物画像;
对获取到的所述多个绩优的在职人员的人物画像分别进行特征提取;
对提取出的第二特征进行训练以获得所述训练好的训练模型,所述训练模型用于根据输入的特征生成评分;
其中,输入到所述训练模型的特征与所述第二特征的相似度越高则所述训练模型生成的评分越高。
2.根据权利要求1所述的方法,其特征在于,所述对获取到的所述多个应聘人员的人物画像分别进行特征提取,包括:
通过神经网络对获取到的所述多个应聘人员中每一个应聘人员的人物画像分别进行特征提取,所述神经网络包括长短时记忆网络、循环神经网络、深度卷积网络和深度残差网络中的至少一项。
3.一种招聘装置,其特征在于,包括:
生成单元,用于获取多个应聘人员的简历信息;所述简历信息包括以下至少一项:应聘人员的年龄、性别、学历、表达能力、工作技能、学历、期望薪资、期望工作地区、应聘岗位或专业;根据获取到的所述多个应聘人员的简历信息,筛选出每一个应聘人员在多个维度下的信息;通过岗位胜任素质模型对每一个应聘人员在多个维度下的信息进行训练,以生成所述每一个应聘人员的人物画像;
第一获取单元,用于获取多个应聘人员的人物画像;应聘人员与所述应聘人员的人物画像一一对应;所述应聘人员的人物画像包括所述应聘人员的多维度信息;
特征提取单元,用于对获取到的所述多个应聘人员的人物画像分别进行特征提取;
第二获取单元,用于将提取出的第一特征输入到训练好的训练模型,分别获得所述多个应聘人员的评分;所述多个应聘人员中每一个应聘人员的评分分别与所述每一个应聘人员一一对应;
确定单元,用于从所述多个应聘人员中确定出评分大于或等于预设阈值的目标应聘人员;
所述装置还包括:
训练单元,用于获取多个绩优的在职人员的人物画像;对获取到的所述多个绩优的在职人员的人物画像分别进行特征提取;对提取出的第二特征进行训练以获得所述训练好的训练模型,所述训练模型用于根据输入的特征生成评分;
其中,输入到所述训练模型的特征与所述第二特征的相似度越高则所述训练模型生成的评分越高。
4.如权利要求3所述的装置,其特征在于,
特征提取单元,用于:
通过神经网络对获取到的所述多个应聘人员中每一个应聘人员的人物画像分别进行特征提取,所述神经网络包括长短时记忆网络、循环神经网络、深度卷积网络和深度残差网络中的至少一项。
5.一种招聘设备,其特征在于,包括:输入设备、输出设备、存储器以及耦合于所述存储器的处理器,所述输入设备、输出设备、处理器和存储器相互连接,其中,所述存储器用于存储应用程序代码,所述处理器被配置用于调用所述程序代码,执行如权利要求1-2任一项所述的基于深度学习的数据推荐方法。
6.一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,所述程序指令当被处理器执行时使所述处理器执行如权利要求1-2任一项所述的基于深度学习的数据推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910525731.0A CN110297973B (zh) | 2019-06-18 | 2019-06-18 | 一种基于深度学习的数据推荐方法、装置及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910525731.0A CN110297973B (zh) | 2019-06-18 | 2019-06-18 | 一种基于深度学习的数据推荐方法、装置及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110297973A CN110297973A (zh) | 2019-10-01 |
CN110297973B true CN110297973B (zh) | 2024-07-12 |
Family
ID=68028363
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910525731.0A Active CN110297973B (zh) | 2019-06-18 | 2019-06-18 | 一种基于深度学习的数据推荐方法、装置及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110297973B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111105138A (zh) * | 2019-11-20 | 2020-05-05 | 北京鳄梨科技有限公司 | 一种基于完成任务数据的人力资源分析评测系统 |
CN111914191B (zh) * | 2020-06-29 | 2023-09-19 | 长沙市到家悠享网络科技有限公司 | 一种目标排序方法、装置和设备 |
CN112036647B (zh) * | 2020-09-02 | 2023-02-07 | 中国平安人寿保险股份有限公司 | 基于人工智能的简历信息处理方法、装置、设备及介质 |
CN112288391A (zh) * | 2020-10-28 | 2021-01-29 | 甘肃和润智信企业管理咨询有限公司 | 基于区间匹配的人岗匹配方法及系统 |
CN112330273B (zh) * | 2020-10-30 | 2023-08-25 | 中国平安人寿保险股份有限公司 | 离职人员兼职招募方法、装置、计算机设备及可读存储介质 |
CN112348362A (zh) * | 2020-11-06 | 2021-02-09 | 中国平安人寿保险股份有限公司 | 岗位候选人的确定方法、装置、设备及介质 |
CN115018232A (zh) * | 2021-12-20 | 2022-09-06 | 广东轻工职业技术学院 | 空闲人力的调配方法、装置、终端设备及存储介质 |
CN114943037A (zh) * | 2022-07-20 | 2022-08-26 | 平安银行股份有限公司 | 人才画像的系统化方法、计算机设备及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109345198A (zh) * | 2018-09-17 | 2019-02-15 | 平安科技(深圳)有限公司 | 简历筛选方法、装置、计算机设备及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787639A (zh) * | 2016-02-03 | 2016-07-20 | 北京云太科技有限公司 | 基于人工智能的人才大数据量化精确匹配方法和装置 |
CN107291715A (zh) * | 2016-03-30 | 2017-10-24 | 阿里巴巴集团控股有限公司 | 简历评估方法和装置 |
US10990899B2 (en) * | 2017-08-11 | 2021-04-27 | Microsoft Technology Licensing, Llc | Deep and wide machine learned model for job recommendation |
CN108446886A (zh) * | 2018-01-31 | 2018-08-24 | 合肥和钧正策信息技术有限公司 | 基于大数据的人才招聘系统及方法 |
CN108710657A (zh) * | 2018-05-11 | 2018-10-26 | 广州松榛企业管理有限公司 | 一种企业员工招聘用简历自动管理系统 |
-
2019
- 2019-06-18 CN CN201910525731.0A patent/CN110297973B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109345198A (zh) * | 2018-09-17 | 2019-02-15 | 平安科技(深圳)有限公司 | 简历筛选方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110297973A (zh) | 2019-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110297973B (zh) | 一种基于深度学习的数据推荐方法、装置及终端设备 | |
EP3816812A1 (en) | Question answering method and language model training method, apparatus, device, and storgage medium | |
CN106293074B (zh) | 一种情绪识别方法和移动终端 | |
US20190266196A1 (en) | Automatic document negotiation | |
CN108205674B (zh) | 社交app的内容识别方法、电子设备、存储介质及系统 | |
US8321358B2 (en) | Interpersonal relationships analysis system and method which computes distances between people in an image | |
US20090247219A1 (en) | Method of generating a function output from a photographed image and related mobile computing device | |
US20170083599A1 (en) | Incorporation of semantic attributes within social media | |
CN109829375A (zh) | 一种机器学习方法、装置、设备及系统 | |
CN106991179B (zh) | 数据删除方法、装置及移动终端 | |
US9141335B2 (en) | Natural language image tags | |
CN113722438B (zh) | 基于句向量模型的句向量生成方法、装置及计算机设备 | |
US11640420B2 (en) | System and method for automatic summarization of content with event based analysis | |
CN109784365B (zh) | 一种特征选择方法、终端、可读介质及计算机程序 | |
US11727701B2 (en) | Techniques to determine document recognition errors | |
CN104866308A (zh) | 一种场景图像的生成方法及装置 | |
WO2021254251A1 (zh) | 输入显示方法、装置及电子设备 | |
CN108227564A (zh) | 一种信息处理方法、终端及计算机可读介质 | |
CN109214333A (zh) | 卷积神经网络结构、人脸属性识别方法、装置及终端设备 | |
CN113407850A (zh) | 一种虚拟形象的确定和获取方法、装置以及电子设备 | |
CN110266994A (zh) | 一种视频通话方法、视频通话装置及终端 | |
CN116796730A (zh) | 基于人工智能的文本纠错方法、装置、设备及存储介质 | |
CN105700704B (zh) | 小尺寸屏幕下的文字输入方法和装置 | |
CN108460077B (zh) | 一种指标分析方法、系统以及计算机可读存储介质 | |
CN111027533A (zh) | 一种点读坐标的变换方法、系统、终端设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |