CN110377702A - 一种简历信息匹配方法及装置 - Google Patents

Abstract

本申请提供了一种简历信息匹配方法及装置，所述方法包括：抽取可结构化待匹配信息和非结构化待匹配信息；利用预设匹配规则，计算各可结构化待匹配信息和各非结构化待匹配信息的单项分值；根据各单项分值对应的预设分值权重和各单项分值，计算总分值；生成匹配结果。本申请所提供的简历信息匹配方法不仅能够准确匹配简历信息与招聘信息之间的可结构化内容，同时能够有效提取简历信息与招聘信息中的非结构化内容，并针对非结构化内容进行准确的匹配工作，从而保证简历信息与招聘信息的匹配准确性。

Description

一种简历信息匹配方法及装置

技术领域

本申请涉及文本信息处理技术领域，尤其涉及一种简历信息匹配方法及装置。

背景技术

简历持有者通过匹配简历信息与招聘信息，能够或者简历信息的所属者与招聘公司是否合适。

通常简历持有者需要首先将招聘信息中的各个要求与简历信息中的各部分内容相对应，然后判断简历信息中的各部分内容是否符合招聘信息的要求，符合的程度有多少。但是，这种匹配方式是基于简历持有者的主观判断，不仅准确度较低，而且对于大量的简历信息和招聘信息，工作量巨大。为了解决这些问题，目前多将简历信息和招聘信息中各部分内容单独提取出来，并通过语言处理技术计算两者各部分之间的相似度。并根据计算所得的相似度判断简历信息与招聘信息之间的匹配度。

简历信息与招聘信息包含可结构化信息和非结构化信息两种结构的信息，其中可结构化信息比较容易被准确提取，但是，非结构化信息篇幅较长，句式较复杂，极易出现提取遗漏的问题；而且，非结构化信息之间的简单匹配也极易出现匹配偏差的问题。最终令匹配结果准确度较低，难以为简历持有者提供有力的参考价值。

发明内容

本申请提供了一种简历信息匹配方法及装置，以解决现有简历信息与招聘信息之间匹配结果不准确的问题。

第一方面，本申请提供了一种简历信息匹配方法，所述方法包括：

按照第一类匹配项和第二类匹配项，抽取简历信息和招聘信息中的可结构化待匹配信息和非结构化待匹配信息，所述第一类匹配项对应于简历信息和招聘信息中的可结构化待匹配信息，所述第二类匹配项对应于简历信息和招聘信息中的非结构化待匹配信息；

利用预设匹配规则，计算各可结构化待匹配信息和各非结构化待匹配信息的单项分值；

根据各单项分值对应的预设分值权重和各单项分值，计算总分值；

根据各所述单项分值及所述总分值，生成匹配结果。

第二方面，本申请提供了一种简历信息匹配装置，所述装置包括：

待匹配信息抽取单元，用于按照第一类匹配项和第二类匹配项，抽取简历信息和招聘信息中的可结构化待匹配信息和非结构化待匹配信息，所述第一类匹配项对应于简历信息和招聘信息中的可结构化待匹配信息，所述第二类匹配项对应于简历信息和招聘信息中的非结构化待匹配信息；

单项分值计算单元，用于利用预设匹配规则，计算各可结构化待匹配信息和各非结构化待匹配信息的单项分值；

总分值计算单元，用于根据各单项分值对应的预设分值权重和各单项分值，计算总分值；

匹配结果生成单元，用于根据各所述单项分值及所述总分值，生成匹配结果。

由以上技术可知，本申请提供了一种简历匹配方法及装置，首先，对应第一类匹配项抽取简历信息与招聘信息中的可结构化待匹配信息，对应第二类匹配项抽取简历信息与招聘信息中的非结构化待匹配信息。然后，针对不同的待匹配信息，利用不同的预设匹配规则，计算各可结构化待匹配信息和各非结构化待匹配信息的单项分值，根据各单项分值对应的预设分值权重和各单项分值，计算总分值。最后，根据各个单项分值及总分值，生成匹配结果。本申请所提供的简历信息匹配方法不仅能够准确匹配简历信息与招聘信息之间的可结构化内容，同时能够有效提取简历信息与招聘信息中的非结构化内容，并针对非结构化内容进行准确的匹配工作，从而保证简历信息与招聘信息的匹配准确性。

附图说明

为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种简历信息匹配方法的流程图；

图2为本申请实施例提供的一种生成匹配模板的方法的流程图；

图3为本申请实施例提供的一种匹配模板的示意图；

图4为本申请实施例提供的一种抽取待匹配信息的方法的流程图；

图5为本申请实施例提供的一种确定预设匹配规则的方法的流程图；

图6为本申请实施例提供的一种通过精确匹配计算单项分值的方法的流程图；

图7为本申请实施例提供的一种关于范围匹配信息的单项分值的计算方法的流程图；

图8为本申请实施例提供的一种通过语义相似度匹配计算单项分值的方法的流程图；

图9为本申请实施例提供的一种计算加权总分的方法的流程图；

图10为本申请实施例提供的一种计算加权总分的方法的流程图；

图11为本申请实施例提供的一种展示详细信息的方法的流程图；

图12为本申请实施例提供的一种带有详细信息的匹配结果示意图；

图13为本申请实施例提供的一种简历信息匹配装置的结构示意图。

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、完整的描述，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。

简历持有者通过匹配简历信息与招聘信息，能够或者简历信息的所属者与招聘公司是否合适。

通常简历持有者需要首先将招聘信息中的各个要求与简历信息中的各部分内容相对应，然后判断简历信息中的各部分内容是否符合招聘信息的要求，符合的程度有多少。但是，这种匹配方式是基于简历持有者的主观判断，不仅准确度较低，而且对于大量的简历信息和招聘信息，工作量巨大。为了解决这些问题，目前多将简历信息和招聘信息中各部分内容单独提取出来，并通过语言处理技术计算两者各部分之间的相似度。并根据计算所得的相似度判断简历信息与招聘信息之间的匹配度。

简历信息与招聘信息包含可结构化信息和非结构化信息两种结构的信息，其中可结构化信息比较容易被准确提取，但是，非结构化信息篇幅较长，句式较复杂，极易出现提取遗漏的问题；而且，非结构化信息之间的简单匹配也极易出现匹配偏差的问题。

由此可见，采用现有的简历信息匹配方法虽然能够准确匹配可结构化内容，但是仍然无法准确提取和匹配非结构化内容，令最终匹配结果准确度较低，难以为简历持有者提供有力的参考价值。

为了解决上述问题，本申请实施例提供了一种简历信息匹配方法及装置。

下面是本申请的方法实施例。

图1为本申请实施例提供的一种简历信息匹配方法的流程图。该方法可以应用于服务器、PC(个人电脑)、平板电脑、手机等多种可操作设备中。

请参见图1，该方法包括以下步骤：

S1、按照第一类匹配项和第二类匹配项，抽取简历信息和招聘信息中的可结构化待匹配信息和非结构化待匹配信息，所述第一类匹配项对应于招聘信息中的可结构化待匹配信息，所述第二类匹配项对应于招聘信息中的非结构化待匹配信息。

简历信息的持有者可以为猎头、简历管理平台、简历信息的所属者等，招聘信息也可能来自指定的招聘单位、招聘管理平台等。因此，简历信息的匹配过程可以为一份简历信息与一份招聘信息匹配、一份简历信息与多份招聘信息匹配、多份简历信息与一份招聘信息匹配、多份简历信息与多份招聘信息匹配等多种情况。但是，无论为那种情况，简历信息与招聘信息的过程中，实质上均需要经过一对一匹配的步骤，在此过程中，需要对应比较简历信息与招聘信息中各个部分的内容，因此，需要首先将各个部分的内容分别提取出来，才能进行更加准确地比较过程。

简历信息的填写内容与格式未必符合当前所要匹配的招聘信息，例如，简历信息可能会包含个人爱好，但是招聘信息中并未对个人爱好做出要求，那么个人爱好即为无用的简历信息，无需被提取出来进行匹配；或者招聘信息可能会包含对家庭成员职业的要求，但是简历信息中并未对此做出解释，那么家庭成员职业即为缺少的简历信息等。因此，在对简历信息与招聘信息正式匹配之前，可以预先设定一个用于提供抽取标准的匹配模板。由于简历信息与招聘信息中的供求关系，通常会选择以招聘信息为基准，用简历信息去匹配招聘信息，因此，可以根据招聘信息制定匹配模板。具体地，请参阅图2，为本申请实施例提供的一种生成匹配模板的方法的流程图，所述方法包括：

S111、利用文本结构模型，划分招聘信息中的可结构化内容和非结构化内容；

S112、利用语义分析技术，确定所述可结构化内容和所述非结构化内容的内容关键词；

S113、确定第一类匹配项和第二类匹配项，所述第一类匹配项对应于所述可结构化内容的内容关键词，所述第二类匹配项对应于所述非结构化内容的内容关键词；

S114、根据所述第一类匹配项和所述第二类匹配项，生成匹配模板。

招聘信息中包含各种招聘要求，这些招聘要求中既包含可结构化内容，又包含非结构化内容。例如，“岗位薪资：5000-10000元”即为可结构化内容，而“工作要求：我们需要吃苦耐劳、接受长期出差、野外出差、并且具有英语四级以上水平的理工科人才。”即为非结构化内容。其中，可结构化内容更加实现准确匹配，而非结构化内容由于篇幅较长，句式较复杂，因此需要进一步处理、分析。可见，针对两种类型的内容，需要采用不同的匹配方法。为了便于后续匹配方法的准确、快速选择，需要在建立匹配模板时，将需要进行匹配的可结构化内容及非结构化内容区分开来。通常，选择具有文本结构识别功能的文本结构模型，即可准确划分招聘信息中的可结构化内容和非结构化内容，所述文本结构指招聘信息中某一字段的字符、或者句式结构、或者字符排列方式等。其中，文本结构模型可以为具有通过检测当前字段的字符个数，从而区分小于或等于预设字符阈值的字段为可结构化内容，大于预设字符阈值的字段为非结构化内容的功能的字符检测模型；或者，文本结构模型可以为具有通过将当前字段进行分句、分词之后，分析各个分词的词性、词意等确定当前字段中各个分句的句式结构的功能的句式结构识别模型；或者，文本结构模型可以为一种字符排版格式的模板，通过与该模板对照，从而判断当前字段的文本结构，该模板可以通过大量具有预设字符排版格式的字段样本训练获得。

可以利用语义分析技术，确定出各部分结构化内容及各部分非结构化内容的内容关键词。具体地，预先设定关键词库，其中，关键词为具有一定概括范围的单词或者短语，例如关键词库可以包含岗位薪资、个人信息、基本信息、工作要求、工作限定等。首先，将结构化内容及非结构化内容进行分词；然后，计算各个分词与预设关键词库中各关键词的语义相似度，确定语义相似度大于预设相似度阈值的分词为内容关键词。例如，“岗位薪资：5000-10000元”的内容关键词为“岗位薪资”；“工作要求：我们需要吃苦耐劳、接受长期出差、野外出差、并且具有英语四级以上水平的理工科人才。”的内容关键词为“工作要求”。需要注意的是，如果非结构化内容中没有示例中给出的较为明显的关键词，可以将内容关键词确定为能够概括该部分内容的词语或短句。

根据所确定出的内容关键词，可以对应确定出第一类匹配项和第二类匹配项，在本申请实施例中，规定第一类匹配项对应于可结构化内容的内容关键词，例如岗位薪资等作为第一类匹配项，第二类匹配项对应于非结构化内容的内容关键词，例如工作要求等作为第二类匹配项。关于匹配项的命名及对应关系可以根据实际情况进行调整。最后，结合第一类匹配项和第二类匹配项，生成匹配模板。

还可以通过训练招聘信息样本，确定匹配项，进而根据确定出的匹配项生成匹配模板；同样的，也可以根据招聘信息的历史数据，确定匹配项，进而根据确定出的匹配项生成匹配模板。

进一步地，还可以在各个第一类匹配项和各个第二类匹配项的后方或者下方可以建立一一对应的单项分值自定义输入区域，并在全部单项分值填写区域的汇总位置建立总分值自定义输入区域，例如空白区域、可覆盖区域等。最后，得到如图3所述的匹配模板。需要注意的是，对第一类匹配项①、第二类匹配项②、单项分值填写区域③、总分值填写区域④的版式不做要求。

根据生成的匹配模板对应抽取简历信息和招聘信息中的可结构化待匹配信息和非结构化待匹配信息。

对于通过训练招聘信息样本得到的匹配模板，或者通过招聘信息的历史数据得到的匹配模板等，匹配模板上的第一类匹配项和第二类匹配项有时会与简历信息和招聘信息存在差异。所以，需要首先确定出哪些是匹配模板上需要进行匹配的内容，再对各个抽取的内容进行匹配。具体地，请参阅图4，为本申请实施例提供的一种抽取待匹配信息的方法的流程图，所述方法包括：

S121、划分简历信息及招聘信息中的可结构化内容和非结构化内容；

S122、确定简历信息及招聘信息中各可结构化内容中的第一类关键词和各非结构化内容的第二类关键词；

S123、计算各第一类关键词与第一类匹配项的语义相似度，以及各第二类关键词与各特征词的语义相似度，所述特征词为所述第二类匹配项对应特征词库中的单词或短语；

S124、确定可结构化待匹配信息和非结构化待匹配信息，所述可结构化待匹配信息为与第一类匹配项具有最高语义相似度的第一类关键词所对应的内容，所述非结构化待匹配信息为与第二类匹配项具有最高语义相似度的第二类关键词所对应的内容；

S125、抽取所述可结构化待匹配信息和所述非结构化待匹配信息。

当前待匹配的简历信息和招聘信息同样包含可结构化内容和非结构化内容。

示例地：

简历信息：姓名：××；

资格证书：英语六级；

薪资要求：5000元以上；

自我评价：我本人吃苦耐劳，喜欢小动物，能够快速融入周围人群，同时具有优秀的领导能力。

招聘信息：资格证书：计算机二级、英语四级；

薪资待遇：5000-10000元；

工作要求：我们需要吃苦耐劳、接受长期出差、野外出差、并且具有英语四级以上水平的理工科人才。

第一类匹配项：资格凭证、薪资待遇；第二类匹配项：工作要求。

利用文本结构模型，能够得到简历信息的可结构化内容为“姓名：××”、“资格证书：英语六级”、“薪资要求：5000元以上”；非结构化内容为“自我评价：我本人吃苦耐劳，喜欢小动物，能够快速融入周围人群，同时具有优秀的领导能力。”。招聘信息的可结构化内容为“资格证书：计算机二级、英语四级”、“薪资待遇：5000-10000元”；非结构化内容为“工作要求：我们需要吃苦耐劳、接受长期出差、野外出差、并且具有英语四级以上水平的理工科人才。”

利用语义分析技术可以确定，简历信息中可结构化内容的第一类关键词包括“姓名”、“资格证书”、“薪资要求”；非结构化内容的第二类关键词包括：“吃苦耐劳”、“喜欢”、“动物”、“快速”、“融入”、“人群”、“优秀”、“领导能力”。招聘信息中可结构化内容的第一类关键词包括“资格证书”、“薪资待遇”；非结构化内容的第二类关键词包括：“吃苦耐劳”、“长期”、“出差”、“野外”、“英语四级”、“以上”、“理工科”。第二类匹配项“工作要求”对应的特征词库可以包含“吃苦耐劳”、“英语等级”、“工作环境”等特征词。

分别计算各第一类关键词与第一类匹配项的语义相似度，以及第二类关键词与各个特征词的语义相似度。可以发现，简历信息中“资格证书”与第一类匹配项中的“资格凭证”语义相似度最高；“薪资要求”与第一类匹配项中的“薪资待遇”语义相似度最高。简历信息中“吃苦耐劳”与特征词“吃苦耐劳”语义相似度最高。招聘信息中的“资格证书”与第一类匹配项中的“资格凭证”语义相似度最高；“薪资待遇”与第一类匹配项中的“薪资待遇”语义相似度最高；招聘信息中“吃苦耐劳”、“野外”、“英语四级”分别与特征词“吃苦耐劳”、“英语等级”、“工作环境”语义相似度最高。

因此，可以确定简历信息中的可结构化待匹配信息为“资格证书：英语六级”；“薪资要求：5000元以上”；简历信息中的非结构化待匹配信息为“自我评价：我本人吃苦耐劳，喜欢小动物，能够快速融入周围人群，同时具有优秀的领导能力”。招聘信息中的可结构化待匹配信息为“资格证书：计算机二级、英语四级”；“薪资待遇：5000-10000元”；招聘信息中的非结构化待匹配信息为“工作要求：我们需要吃苦耐劳、接受长期出差、野外出差、并且具有英语四级以上水平的理工科人才。”。可见，简历信息中的“姓名：××”即为不需要进行匹配的信息，从而被剔除。

最后，对确定出的可结构化待匹配信息和非结构化待匹配信息进行抽取，以便后续进行匹配工作。

需要注意的是，如果当前所使用的匹配模板上缺少招聘信息上的必要内容，则需要添加该部分内容至匹配模板上，再进行抽取工作。

还需要注意的是，对于根据当前招聘信息对应生成的匹配模板，由于该匹配模板本身与招聘信息相对应，则在上述过程中无需再次对招聘信息的文本结构和关键词进行分析，可以直接进行对应抽取。

本申请通过在可结构化内容和非结构化内容中，分别抽取出的待匹配信息，不仅便于确定关键词；而且能够准确抽取需要进行匹配的信息，避免无用信息的干扰；同时，能够在抽取之后即完成对待匹配信息的文本结构进行区分，便于后续选择相应的匹配规则。

S2、利用预设匹配规则，计算各可结构化待匹配信息和各非结构化待匹配信息的单项分值。

计算单项分值的过程，本质上为各部分待匹配信息之间的匹配过程，针对不同的待匹配信息，需要选择不同的匹配规则，这样才能够保证匹配的高效性和准确性。具体地，请参阅图5，为本申请实施例提供的一种确定预设匹配规则的方法的流程图，所述方法包括：

S211、利用预设正则表达式，确定所述非结构化待匹配信息中的子可结构化信息；

S212、确定子非结构化信息，所述子非结构化信息为所述非结构化待匹配信息中除所述子可结构化信息以外的待匹配信息；

S213、确定所述可结构化待匹配信息和所述子可结构化信息的预设匹配规则为精确匹配规则，确定所述子非结构化信息的预设匹配规则为语义相似度匹配规则。

由于可结构化待匹配信息通常为唯一表示的形式，例如“资格证书：英语六级”，“薪资要求：5000元以上”，均为“××：××”的形式。因此，直接采用精准匹配规则，即可得到准确的匹配结果。

当前所确定的非结构化待匹配信息为广义的非结构化待匹配信息，其中仍然会包含部分可结构化的内容，例如，“我们需要吃苦耐劳、接受长期出差、野外出差、并且具有英语四级以上水平的理工科人才。”其中，“英语四级以上”即为可结构化的内容，由于这部分内容可以以固定的句式结构来表达，因此完全可以利用预设正则表达式准确识别出来，得到准确的匹配结果。由于非结构化待匹配信息通常篇幅较长，句式较复杂，如果能够预先将其中能够通过精确匹配规则的子可结构化信息确定出来，即可缩减子非结构化信息的篇幅，从而缩减语义相似度匹配的工作量，同时提高匹配结果的准确性。

通过本申请所提供的方法，能够准确划分出各部分待匹配信息所适用的匹配规则，进而有效提高匹配效率和匹配结果准确性。

如果是针对可结构化待匹配信息和子可结构化信息，则采用精确匹配规则，具体地，请参阅6，为本申请实施例提供的一种通过精确匹配计算单项分值的方法的流程图，所述方法包括：

S221、确定招聘信息的可结构化待匹配信息和子可结构化信息中的全匹配信息和范围匹配信息；

S222、根据所述全匹配信息，确定简历信息中对应的待全匹配信息；

S223、获取所述全匹配信息和所述待全匹配信息中的关键词；

S224、计算适配关键词数量与全匹配信息的关键词数量的比值，得到单项分值，所述适配关键词为与全匹配信息的关键词的语义相似度大于或者等于预设相似度阈值的待全匹配信息的关键词。

示例地，招聘信息：资格证书：计算机二级、英语四级；

薪资待遇：5000-10000元

利用语义分析技术可知，其中，“资格证书：计算机二级、英语四级”表示，求职人员必须同时具备“计算机二级”和“英语四级”资格证书才能够相匹配；“薪资待遇：5000-10000元”表示，只要求职人要求的薪资待遇在5000-10000元这个范围内即可匹配。因此，可以确定“资格证书：计算机二级、英语四级”为全匹配信息；“薪资待遇：5000-10000元”为范围匹配信息。

如果是针对全匹配信息，则需要找到简历信息中对应于所述全匹配信息的全部待全匹配信息。例如，“资格证书：计算机二级、英语四级”对应的第一类匹配项为“资格凭证”，与“资格凭证”对应的简历信息即为“资格证书：英语六级”。因此，“资格证书：英语六级”即为待全匹配信息。

利用语义分析技术，可以确定全匹配信息“资格证书：计算机二级、英语四级”的关键词为“计算机二级”、“英语四级”；待全匹配信息“资格证书：英语六级”的关键词为“英语六级”。其中，“英语四级”与“英语六级”的语义相似度大于预设相似度阈值，因此，“英语六级”为适配关键词。全匹配信息的关键词数量为2，而适配关键词的数量为1，则两者的比值为0.5，因此，“资格凭证”的单项分值为0.5。

如果针对范围匹配信息，具体地，请参阅图7，为本申请实施例提供的一种关于范围匹配信息的单项分值的计算方法的流程图，所述方法包括：

S231、利用预设范围正则表达式，确定招聘信息与简历信息中可结构化待匹配信息和子可结构化信息的范围匹配信息；

S232、计算招聘信息的范围匹配信息与简历信息的范围匹配信息的语义相似度；

S233、如果所述语义相似度大于或者等于预设范围相似度阈值，则单项分值为1，如果所述语义相似度小于所述预设范围相似度阈值，则单项分值为0。

通常带有范围含义的词语、短语等均具有固定的表述，例如，以上、以下、超过、不足、大于、小于、从…到…、…中任一，…-…等。而这些范围表述均可对应唯一的预设范围正则表达式，利用这些预设范围正则表达式，能够准确识别并确定出招聘信息与简历信息中可结构化待匹配信息和子可结构化信息中的范围匹配信息。

例如，招聘信息中的范围匹配信息为“薪资待遇：5000-10000元”；简历信息中的范围匹配信息为“薪资要求：5000元以上”。

利用语义分析技术，可以得知，简历信息的范围匹配信息与招聘信息的范围匹配信息的语义相似度为1。假设预设范围相似度阈值为0.9，则该单项分值应该为1。

如果是针对子非结构化信息，则需要采用语义相似度匹配规则。具体地，请参阅图8，为本申请实施例提供的一种通过语义相似度匹配计算单项分值的方法的流程图，所述方法包括：

S241、利用语句向量训练模型，确定招聘信息与简历信息中子非结构化信息的语句向量；

S242、计算招聘信息的语句向量与简历信息的语句向量的cosine(余弦)相似度，得到单项分值。

其中，语句向量训练模型可以采用Doc2vec模型、或者双向LSTM模型等具有训练语句向量功能的模型。通过这些语句向量训练模型能够准确确定招聘信息与简历信息中子非结构化信息的语句向量，并通过计算各语句向量之间的cosine相似度，得到对应的单项分值。

通过本申请实施例所提供的语义相似度匹配规则计算子非结构化内容的单项分值，能够基于语句向量训练模型，令招聘信息与简历信息之间的内容准确匹配，并获得准确的计算值，从而保证该单项分值的准确性，进而保证总分值计算的准确性。

通过精确匹配规则与语义相似度匹配规则相结合的方法计算各匹配项对应的单项分值，令无论是可结构化内容，还是非结构化内容的匹配计算均具有较高的准确性，进而保证整体计算的准确性。

S3、根据各单项分值对应的预设分值权重和各单项分值，计算总分值。

在计算出各单项分值之后，可以通过加和计算出总分值，例如，单项分值分别为0.2、1、0.9、0.8、1、0.5，那么，总分值即为0.2+1+0.9+0.8+1+0.5＝4.4。然而，对于某些简历持有者，其对于某些匹配项更加关心，因此，简单的加和计算，无法真正体现该简历持有者的需求，此时，则需要对各单项分值做权重计算。具体地，请参阅图9，为本申请实施例提供的一种计算加权总分的方法的流程图，所述方法包括：

S301、根据简历持有者的偏好，确定各单项分值对应的预设分值权重；

S302、计算各单项分值与对应预设分值权重乘积的加和，得到总分值。

例如，匹配项及对应的单项分值为：“专业”1分，“学历级别要求”1分，“学历”1分，“到岗时间”1分，“参与项目数量”0分，“工作地址”1分，“工作年限”1分，“年龄要求”1分，“薪资范围”1分，“岗位要求”0.8分，“加分项-文本描述”0.75分，“加分项-关键字”0.6分，“能力要求-文本描述”0.8分，“能力要求-关键字”0.5分，“职业素养”0.7分，“对标公司”0.33分。其中，根据简历持有者对各个匹配项的偏好程度，设定上述各个匹配项对应的权重依次为：1，1，1，0，0，0，0，0，6，5，1，1，2，2，1，4，其中，如果权重为0，则表示简历持有者不考虑该项的匹配度。因此，最终得到的总分值应为1×1+1×1+1×1+1×0+0×0+1×0+1×0+1×0+1×6+0.8×5+0.75×1+0.6×1+0.8×2+0.5×2+0.7×1+0.33×4＝18.79分。

除了直接以总分值为参考，进一步地，也可以以总分值的分值占比为参考。各个单项分值的满分均为1分，对应于各个权重，则总分值的满分应为25分。因此，当前的总分值占总分值满分的75.16％。如果设置匹配程度阈值分别为＜50％，则为不匹配；50％-70％，则为较为匹配；70％-90％，则为匹配良好；90％-100％，则为匹配优秀。可见，当前简历信息与招聘信息的匹配程度即为匹配良好。

S4、根据各所述单项分值及所述总分值，生成匹配结果。

如图10所示，为本申请实施例提供的一种匹配结果的示意图，简历持有者通过匹配结果能够一目了然的了解简历信息与招聘信息的各项匹配分值以及匹配总分值。

如果简历持有者想要具体了解某一项或者某几项匹配项对应的详细信息，则可以在匹配结果中进行单独显示。具体地，请参阅图11，为本申请实施例提供的一种展示详细信息的方法的流程图，所述方法包括：

S401、获取预设查看要求中的匹配项信息；

S402、根据所述匹配项信息，确定对应的招聘信息与简历信息的待匹配信息；

S403、对应所述匹配项信息，展示详细信息，所述详细信息为所述待匹配信息。

简历持有者根据需要设置预设查看要求，预设查看要求中包含简历持有者想要查看的匹配项信息，匹配项信息具体为匹配项名称。根据匹配项名称，能够对应至相关的招聘信息与简历信息中的待匹配信息。

进一步地，如果为根据匹配模板来计算出的单项分值及总分值，还可以在匹配模板上对应该待匹配信息的所在位置增添详细信息填写区域，并将对应的待匹配信息填写至该区域。如图12所示，为本申请实施例提供的一种带有详细信息的匹配结果示意图。这样，简历持有者不仅能够得到准确的得分，而且能够获知自己关心的匹配项所对应的详细信息。

可见，本申请所提供的简历信息匹配方法不仅能够准确匹配简历信息与招聘信息之间的可结构化内容，同时能够有效提取简历信息与招聘信息中的非结构化内容，并针对非结构化内容进行准确的匹配工作，从而保证简历信息与招聘信息的匹配准确性。

请参阅图13，为本申请实施例提供的一种简历信息匹配装置的结构示意图，所述装置包括：

待匹配信息抽取单元1，用于按照第一类匹配项和第二类匹配项，抽取简历信息和招聘信息中的可结构化待匹配信息和非结构化待匹配信息，所述第一类匹配项对应于简历信息和招聘信息中的可结构化待匹配信息，所述第二类匹配项对应于简历信息和招聘信息中的非结构化待匹配信息；

单项分值计算单元2，用于利用预设匹配规则，计算各可结构化待匹配信息和各非结构化待匹配信息的单项分值；

总分值计算单元3，用于根据各单项分值对应的预设分值权重和各单项分值，计算总分值；

匹配结果生成单元4，用于根据各所述单项分值及所述总分值，生成匹配结果。

可选地，所述装置还包括：文本结构划分单元，用于利用文本结构模型，划分招聘信息中的可结构化内容和非结构化内容；内容关键词确定单元，用于利用语义分析技术，确定所述可结构化内容和所述非结构化内容的内容关键词；匹配项确定单元，用于确定第一类匹配项和第二类匹配项，所述第一类匹配项对应于所述可结构化内容的内容关键词，所述第二类匹配项对应于所述非结构化内容的内容关键词；填写区域确定单元，用于对应各第一类匹配项和各第二类匹配项，建立单项分值填写区域和总分值填写区域；匹配模板组合单元，用于结合所述第一类匹配项、所述第二类匹配项、所述单项分值填写区域以及总分值填写区域，生成匹配模板。

可选地，所述待匹配信息抽取单元1包括：文本结构划分单元，用于利用文本结构模型，划分简历信息及招聘信息中的可结构化内容和非结构化内容；类别关键词确定单元，用于利用语义分析技术，确定简历信息及招聘信息中各可结构化内容中的第一类关键词和各非结构化内容的第二类关键词；关键词语义相似度计算单元，用于计算各第一类关键词与第一类匹配项的语义相似度，以及各第二类关键词与各特征词的语义相似度，所述特征词为所述第二类匹配项对应特征词库中的单词；待匹配信息确定单元，用于确定可结构化待匹配信息和非结构化待匹配信息，所述可结构化待匹配信息为与第一类匹配项具有最高语义相似度的第一类关键词所对应的内容，所述非结构化待匹配信息为与第二类匹配项具有最高语义相似度的第二类关键词所对应的内容；信息抽取单元，用于抽取所述可结构化待匹配信息和所述非结构化待匹配信息。

可选地，所述单项分值计算单元2包括：子结构化信息确定单元，用于利用预设正则表达式，确定所述非结构化待匹配信息中的子可结构化信息；子非结构化信息确定单元，用于确定子非结构化信息，所述子非结构化信息为所述非结构化待匹配信息中除所述子可结构化信息以外的待匹配信息；匹配规则确定单元，用于确定所述可结构化待匹配信息和所述子可结构化信息的预设匹配规则为精确匹配规则，确定所述子非结构化信息的预设匹配规则为语义相似度匹配规则。

可选地，所述单项分值计算单元2还包括：匹配信息分类单元，用于利用语义分析技术，确定招聘信息的可结构化待匹配信息和子可结构化信息中的全匹配信息和范围匹配信息；待全匹配信息确定单元，用于根据所述全匹配信息，确定简历信息中对应的待全匹配信息；全匹配信息关键词确定单元，用于获取所述全匹配信息和所述待全匹配信息中的关键词；比值计算单元，用于计算适配关键词数量与全匹配信息的关键词数量的比值，得到单项分值，所述适配关键词为与全匹配信息的关键词的语义相似度大于或者等于预设相似度阈值的待全匹配信息的关键词。

可选地，所述单项分值计算单元2还包括：范围匹配信息确定单元，用于利用预设范围正则表达式，确定招聘信息与简历信息中可结构化待匹配信息和子可结构化信息的范围匹配信息；范围匹配相似度计算单元，用于利用语义分析技术，计算招聘信息的范围匹配信息与简历信息的范围匹配信息的语义相似度；赋值单元，用于如果所述语义相似度大于或者等于预设范围相似度阈值，则单项分值为1，如果所述语义相似度小于所述预设范围相似度阈值，则单项分值为0。

可选地，所述单项分值计算单元2还包括：语句向量计算单元，用于利用语句向量训练模型，确定招聘信息与简历信息中子非结构化信息的语句向量；语句相似度计算单元，用于计算招聘信息的语句向量与简历信息的语句向量的cosine相似度，得到单项分值。

可选地，所述总分值计算单元3包括：分值权重确定单元，用于根据简历持有者的偏好，确定各单项分值对应的预设分值权重；权重加和计算单元，用于计算各单项分值与对应预设分值权重乘积的加和，得到总分值。

可选地，所述装置还包括：匹配项信息获取单元，用于获取预设查看要求中的匹配项信息；待匹配项信息确定信息，用于根据所述匹配项信息，确定对应的招聘信息与简历信息的待匹配信息；展示单元，用于对应所述匹配项信息，展示详细信息。

由以上技术可知，本申请提供了一种简历匹配方法及装置，首先，生成匹配模板，作为后续匹配简历信息与招聘信息的依据。然后，根据匹配模板上的各个匹配项，对应第一类匹配项抽取简历信息与招聘信息中的可结构化待匹配信息，对应第二类匹配项抽取简历信息与招聘信息中的非结构化待匹配信息。针对不同的待匹配信息，利用不同的预设匹配规则，计算各可结构化待匹配信息和各非结构化待匹配信息的单项分值，根据各单项分值对应的预设分值权重和各单项分值，计算总分值。最后，将各单项分值填写至对应的单项分值填写区域，将总分值填写至总分值填写区域，得到匹配结果。本申请所提供的简历信息匹配方法不仅能够准确匹配简历信息与招聘信息之间的可结构化内容，同时能够有效提取简历信息与招聘信息中的非结构化内容，并针对非结构化内容进行准确的匹配工作，从而保证简历信息与招聘信息的匹配准确性。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。

应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

Claims (10)

1.一种简历信息匹配方法，其特征在于，所述方法包括：

按照第一类匹配项和第二类匹配项，抽取简历信息和招聘信息中的可结构化待匹配信息和非结构化待匹配信息，所述第一类匹配项对应于简历信息和招聘信息中的可结构化待匹配信息，所述第二类匹配项对应于简历信息和招聘信息中的非结构化待匹配信息；

利用预设匹配规则，计算各可结构化待匹配信息和各非结构化待匹配信息的单项分值；

根据各单项分值对应的预设分值权重和各单项分值，计算总分值；

根据各所述单项分值及所述总分值，生成匹配结果。

2.根据权利要求1所述的方法，其特征在于，所述按照第一类匹配项和第二类匹配项，抽取简历信息和招聘信息中的可结构化待匹配信息和非结构化待匹配信息之前包括：

划分招聘信息中的可结构化内容和非结构化内容；

确定所述可结构化内容和所述非结构化内容的内容关键词；

确定第一类匹配项和第二类匹配项，所述第一类匹配项对应于所述可结构化内容的内容关键词，所述第二类匹配项对应于所述非结构化内容的内容关键词；

根据所述第一类匹配项和所述第二类匹配项，生成匹配模板，所述匹配模板用于抽取简历信息和招聘信息中的可结构化待匹配信息和非结构化待匹配信息。

3.根据权利要求1所述的方法，其特征在于，所述按照第一类关键词和第二类关键词，抽取简历信息和招聘信息中的可结构化待匹配信息和非结构化待匹配信息包括：

划分简历信息及招聘信息中的可结构化内容和非结构化内容；

确定简历信息及招聘信息中各可结构化内容中的第一类关键词和各非结构化内容的第二类关键词；

计算各第一类关键词与第一类匹配项的语义相似度，以及各第二类关键词与各特征词的语义相似度，所述特征词为所述第二类匹配项对应特征词库中的单词或短语；

确定可结构化待匹配信息和非结构化待匹配信息，所述可结构化待匹配信息为与第一类匹配项具有最高语义相似度的第一类关键词所对应的内容，所述非结构化待匹配信息为与第二类匹配项具有最高语义相似度的第二类关键词所对应的内容；

抽取所述可结构化待匹配信息和所述非结构化待匹配信息。

4.根据权利要求1所述的方法，其特征在于，所述利用预设匹配规则，计算各可结构化待匹配信息和各非结构化待匹配信息的单项分值包括：

利用预设正则表达式，确定所述非结构化待匹配信息中的子可结构化信息；

确定子非结构化信息，所述子非结构化信息为所述非结构化待匹配信息中除所述子可结构化信息以外的待匹配信息；

确定所述可结构化待匹配信息和所述子可结构化信息的预设匹配规则为精确匹配规则，确定所述子非结构化信息的预设匹配规则为语义相似度匹配规则。

5.根据权利要求4所述的方法，其特征在于，所述利用预设匹配规则，计算各可结构化待匹配信息和各非结构化待匹配信息的单项分值包括：

确定招聘信息的可结构化待匹配信息和子可结构化信息中的全匹配信息和范围匹配信息；

根据所述全匹配信息，确定简历信息中对应的待全匹配信息；

获取所述全匹配信息和所述待全匹配信息中的关键词；

计算适配关键词数量与全匹配信息的关键词数量的比值，得到单项分值，所述适配关键词为与全匹配信息的关键词的语义相似度大于或者等于预设相似度阈值的待全匹配信息的关键词。

6.根据权利要求5所述的方法，其特征在于，所述利用预设匹配规则，计算各可结构化待匹配信息和各非结构化待匹配信息的单项分值包括：

利用预设范围正则表达式，确定招聘信息与简历信息中可结构化待匹配信息和子可结构化信息的范围匹配信息；

计算招聘信息的范围匹配信息与简历信息的范围匹配信息的语义相似度；

如果所述语义相似度大于或者等于预设范围相似度阈值，则单项分值为1，如果所述语义相似度小于所述预设范围相似度阈值，则单项分值为0。

7.根据权利要求4所述的方法，其特征在于，所述利用预设匹配规则，计算各可结构化待匹配信息和各非结构化待匹配信息的单项分值包括：

利用语句向量训练模型，确定招聘信息与简历信息中子非结构化信息的语句向量；

计算招聘信息的语句向量与简历信息的语句向量的cosine相似度，得到单项分值。

8.根据权利要求1-7中任一所述的方法，其特征在于，所述根据各单项分值对应的预设分值权重和各单项分值，计算总分值包括：

根据简历持有者的偏好，确定各单项分值对应的预设分值权重；

计算各单项分值与对应预设分值权重乘积的加和，得到总分值。

9.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取预设查看要求中的匹配项信息；

根据所述匹配项信息，确定对应的招聘信息与简历信息的待匹配信息；

对应所述匹配项信息，展示详细信息，所述详细信息为所述待匹配信息。

10.一种简历信息匹配装置，其特征在于，所述装置包括：

待匹配信息抽取单元，用于按照第一类匹配项和第二类匹配项，抽取简历信息和招聘信息中的可结构化待匹配信息和非结构化待匹配信息，所述第一类匹配项对应于简历信息和招聘信息中的可结构化待匹配信息，所述第二类匹配项对应于简历信息和招聘信息中的非结构化待匹配信息；

单项分值计算单元，用于利用预设匹配规则，计算各可结构化待匹配信息和各非结构化待匹配信息的单项分值；

总分值计算单元，用于根据各单项分值对应的预设分值权重和各单项分值，计算总分值；

匹配结果生成单元，用于根据各所述单项分值及所述总分值，生成匹配结果。