CN110399475A - 基于人工智能的简历匹配方法、装置、设备及存储介质 - Google Patents
基于人工智能的简历匹配方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN110399475A CN110399475A CN201910524626.5A CN201910524626A CN110399475A CN 110399475 A CN110399475 A CN 110399475A CN 201910524626 A CN201910524626 A CN 201910524626A CN 110399475 A CN110399475 A CN 110399475A
- Authority
- CN
- China
- Prior art keywords
- preset
- resume
- target
- matching
- artificial intelligence
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- 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)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Economics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及人工智能领域,尤其涉及自然语言处理领域,公开了一种基于人工智能的简历匹配方法、装置、设备及存储介质,用于根据预置关键字分析简历与预置职位的匹配度,并根据匹配度生成职位匹配顺序,提高了简历匹配效率。本发明方法包括:获取目标人才的目标简历;从所述目标简历中提取简历数据;根据自然语言处理NLP的文本分类算法对所述简历数据进行清洗,得到目标文本;调用预置的模型对所述目标文本进行分析,生成预测标签;将所述预测标签与预置关键词进行匹配,得到相匹配的多个预置职位,并确定每个预置职位的匹配度;将所述多个预置职位按照匹配度进行排序,得到第一职位匹配顺序。
Description
技术领域
本发明涉及自然语言处理领域,尤其涉及一种基于人工智能的简历匹配方法、装置、设备及存储介质。
背景技术
目前,在一些大企业招聘外包人员时,通常是由人力资源(human resource,HR)直接筛选简历,然后将筛选后的简历发送到专业部门,企业的专业部门需对HR发送的应聘人员简历进行确认,然后开始进行招聘流程。然而,HR不可能对所有岗位职能都了解,因此HR可能会发送不符合要求人员的简历,推荐不符合用人单位要求的人员参加面试。
现有方案中,HR在招聘人员时,需要自己对简历库中的简历进行筛选,挑选出符合要求的人员。企业HR招人时,可能要招不同职位的人,对于每个职位的用人专业需求,HR不一定都熟悉,导致候选人跟职位匹配度并不高,处理效率低。
发明内容
本发明提供了一种基于人工智能的简历匹配方法、装置、设备及存储介质,用于根据预置关键字分析简历与预置职位的匹配度,并根据匹配度生成职位匹配顺序,提高了简历匹配效率。
本发明实施例的第一方面提供一种基于人工智能的简历匹配方法,包括:获取目标人才的目标简历;从所述目标简历中提取简历数据;根据自然语言处理NLP的文本分类算法对所述简历数据进行清洗,得到目标文本;调用预置的模型对所述目标文本进行分析,生成预测标签;将所述预测标签与预置关键词进行匹配,得到相匹配的多个预置职位,并确定每个预置职位的匹配度;将所述多个预置职位按照匹配度进行排序,得到第一职位匹配顺序。
可选的,在本发明实施例第一方面的第一种实现方式中,所述调用预置的模型对所述目标文本进行分析,生成预测标签包括:依次遍历所述目标文本中的每条简历数据,每条简历数据都对应所述目标人才填写的一条应聘信息;根据预置的模型对每条简历数据进行分词,得到分词结果;根据所述分词结果在预置业务词袋中进行检索,得到每条简历数据的业务关键词;将所述业务关键词按照频数降序排列得到排序结果;将所述排序结果中靠前的预置数目的关键词确定为预测标签。
可选的,在本发明实施例第一方面的第二种实现方式中,所述将所述预测标签与预置关键词进行匹配,得到相匹配的多个预置职位,并确定每个预置职位的匹配度包括:定义一个目标类,所述目标类包括多个属性;根据所述预测标签确定所述目标类中的各个属性,每个属性对应一个所述预测标签;确定所述目标类的输出结果,所述输出结果包括多个所述预测标签的标签值;将所述预测标签的标签值与预置关键词进行匹配;生成相匹配的多个预置职位,每个预置职位对应一个或多个所述预置关键词;计算得到每个预置职位的匹配度。
可选的,在本发明实施例第一方面的第三种实现方式中,所述根据自然语言处理NLP的文本分类算法对所述简历数据进行清洗,得到目标文本之后,所述调用预置的模型对所述目标文本进行分析,生成预测标签之前,所述方法还包括:生成预置的模型,所述预置的模型用于根据简历数据生成预测标签。
可选的,在本发明实施例第一方面的第四种实现方式中,所述生成预置的模型,所述预置的模型用于根据简历数据生成预测标签包括:获取预置数量的简历数据;对所述预置数量的简历数据进行清洗,得到多个有效数据;为每个有效数据确定对应的标签,得到语料库,所述语料库包括多个所述对应的标签;将所述语料库输入到文本训练模型中;对所述文本训练模型进行参数调整,生成预置的模型,所述预置的模型用于根据简历数据生成预测标签。
可选的,在本发明实施例第一方面的第五种实现方式中,所述对所述文本训练模型进行参数调整,生成预置的模型,所述预置的模型用于根据简历数据生成预测标签之后,所述方法还包括:确定所述预置的模型的精确率P和召回率R;根据所述精确率P和所述召回率R生成所述预置的模型的F1值,所述F1值满足公式:F1=2PR/(P+R);根据所述F1值判断所述预置的模型的正确率是否大于预设的阈值;若所述预置的模型的正确率大于所述预设的阈值,则确定所述预置的模型满足生产需求。
可选的,在本发明实施例第一方面的第六种实现方式中,所述将所述多个预置职位按照匹配度进行排序,得到第一职位匹配顺序包括:确定所述多个预置职位中每个预置职位的匹配度,所述匹配度为匹配到的预置关键词的个数;比较各个预置职位的匹配度大小,并按照从大到小的顺序进行排序;生成第一职位匹配顺序。
本发明实施例的第二方面提供了一种基于人工智能的简历匹配装置,包括:获取单元,用于获取目标人才的目标简历;提取单元,用于从所述目标简历中提取简历数据;清洗单元,用于根据自然语言处理NLP的文本分类算法对所述简历数据进行清洗,得到目标文本;第一生成单元,用于调用预置的模型对所述目标文本进行分析,生成预测标签;匹配单元,用于将所述预测标签与预置关键词进行匹配,得到相匹配的多个预置职位,并确定每个预置职位的匹配度;排序单元,用于将所述多个预置职位按照匹配度进行排序,得到第一职位匹配顺序。
可选的,在本发明实施例第二方面的第一种实现方式中,第一生成单元具体用于:依次遍历所述目标文本中的每条简历数据,每条简历数据都对应所述目标人才填写的一条应聘信息;根据预置的模型对每条简历数据进行分词,得到分词结果;根据所述分词结果在预置业务词袋中进行检索,得到每条简历数据的业务关键词;将所述业务关键词按照频数降序排列得到排序结果;将所述排序结果中靠前的预置数目的关键词确定为预测标签。
可选的,在本发明实施例第二方面的第二种实现方式中,匹配单元具体用于:定义一个目标类,所述目标类包括多个属性;根据所述预测标签确定所述目标类中的各个属性,每个属性对应一个所述预测标签;确定所述目标类的输出结果,所述输出结果包括多个所述预测标签的标签值;将所述预测标签的标签值与预置关键词进行匹配;生成相匹配的多个预置职位,每个预置职位对应一个或多个所述预置关键词;计算得到每个预置职位的匹配度。
可选的,在本发明实施例第二方面的第三种实现方式中,基于人工智能的简历匹配装置还包括:第二生成单元,用于生成预置的模型,所述预置的模型用于根据简历数据生成预测标签。
可选的,在本发明实施例第二方面的第四种实现方式中,第二生成单元包括:获取模块,用于获取预置数量的简历数据;清洗模块,用于对所述预置数量的简历数据进行清洗,得到多个有效数据;第一确定模块,用于为每个有效数据确定对应的标签,得到语料库,所述语料库包括多个所述对应的标签;输入模块,用于将所述语料库输入到文本训练模型中;调整生成模块,用于对所述文本训练模型进行参数调整,生成预置的模型,所述预置的模型用于根据简历数据生成预测标签。
可选的,在本发明实施例第二方面的第五种实现方式中,第二生成单元还包括:第二确定模块,用于确定所述预置的模型的精确率P和召回率R;生成模块,用于根据所述精确率P和所述召回率R生成所述预置的模型的F1值,所述F1值满足公式:F1=2PR/(P+R);判断模块,用于根据所述F1值判断所述预置的模型的正确率是否大于预设的阈值;第三确定模块,若所述预置的模型的正确率大于所述预设的阈值,则用于确定所述预置的模型满足生产需求。
可选的,在本发明实施例第二方面的第六种实现方式中,排序单元具体用于:确定所述多个预置职位中每个预置职位的匹配度,所述匹配度为匹配到的预置关键词的个数;比较各个预置职位的匹配度大小,并按照从大到小的顺序进行排序;生成第一职位匹配顺序。
本发明实施例的第三方面提供了一种基于人工智能的简历匹配设备,包括存储器、处理器及存储在所述存储器上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任一实施方式所述的基于人工智能的简历匹配方法。
本发明实施例的第四方面提供了一种计算机可读存储介质,包括指令,当所述指令在计算机上运行时,使得计算机执行上述任一实施方式所述的基于人工智能的简历匹配方法的步骤。
本发明实施例提供的技术方案中,获取目标人才的目标简历;从所述目标简历中提取简历数据;根据自然语言处理NLP的文本分类算法对所述简历数据进行清洗,得到目标文本;调用预置的模型对所述目标文本进行分析,生成预测标签;将所述预测标签与预置关键词进行匹配,得到相匹配的多个预置职位,并确定每个预置职位的匹配度;将所述多个预置职位按照匹配度进行排序,得到第一职位匹配顺序。本发明实施例,根据预置关键字分析简历与预置职位的匹配度,并根据匹配度生成职位匹配顺序,提高了简历匹配效率。
附图说明
图1为本发明实施例中基于人工智能的简历匹配方法的一个实施例示意图;
图2为本发明实施例中基于人工智能的简历匹配方法的另一个实施例示意图;
图3为本发明实施例中基于人工智能的简历匹配装置的一个实施例示意图;
图4为本发明实施例中基于人工智能的简历匹配装置的另一个实施例示意图;
图5为本发明实施例中基于人工智能的简历匹配设备的一个实施例示意图。
具体实施方式
本发明提供了一种基于人工智能的简历匹配方法、装置、设备及存储介质,用于根据预置关键字分析简历与预置职位的匹配度,并根据匹配度生成职位匹配顺序,提高了简历匹配效率。
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例进行描述。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
请参阅图1,本发明实施例提供的基于人工智能的简历匹配方法的流程图,具体包括:
101、获取目标人才的目标简历。
终端获取目标人才的目标简历。其中,终端根据预置的筛选条件,从海量的简历中选择出符合要求的简历。这里的目标简历可以是一个,也可以是多个,为了便于描述,本发明以一个目标简历为例进行说明。
具体的,终端根据实际的情况获取海量的简历,并筛选出符合基本要求的目标简历,其中,目标简历可以是不同类型的简历。目标简历可以针对不同的群体,对简历的格式进行调整。例如,若目标简历为应届毕业生简历,那么该目标简历中可以包括:1、个人基本信息,个人基本信息中可以包括姓名、年龄、性别、民族、联系电话、籍贯等;2、教育背景,教育背景中可以包括中学教育经历和大学教育经历,其中,中学教育经历包括学校名称和学习时长,大学教育经历包括学校名称、学习时长、学习专业;3、主修课程,主修课程可以包括英语、高等数学、线性代数、大学物理等,还可以包括建筑力学、材料力学、合同管理等其他课程,具体此处不做限定;4、自我评价,自我评价包括兴趣爱好等。
例如,若目标简历为社会人员简历,那么该目标简历中可以包括:1、个人基本信息,个人基本信息中可以包括姓名、年龄、性别、民族、联系电话、籍贯等;2、教育背景,教育背景中可以包括中学教育经历和大学教育经历,其中,中学教育经历包括学校名称和学习时长,大学教育经历包括学校名称、学习时长、学习专业;3、工作经验,工作经验可以包括工作单位名称、工作时长、工作内容和工作单位性质等;4、自我评价,自我评价包括兴趣爱好,工作态度等。5、荣誉奖项,荣誉奖项包括学习奖项、工作奖项以及政府奖项等,具体此处不做限定。6、掌握语言,掌握语言可以包括汉语、英语、法语、粤语等,具体此处不做限定。
需要说明的是,不同的类型的简历,适应的群体也不同,目标简历中包含的简历内容也不相同。简历也可以自定义,可以在简历中同时包括应届毕业生简历和社会人员简历中包含的部分或全部内容,具体此处不做限定。
可以理解的是,本发明实施例的执行主体可以为基于人工智能的简历匹配装置,还可以是终端或者服务器,具体此处不做限定。本发明以终端为执行主体为例进行说明。
102、从目标简历中提取简历数据。
终端从目标简历中提取简历数据。具体的,终端从目标简历中提取简历数据,其中,该简历数据包括了目标人才的基本信息和专业信息,其中,基本信息包括姓名、年龄、性别、联系方式等,专业信息包括工作单位、工作年限、毕业院校、毕业专业、获得的证书、专业技能、应聘职位等。
其中,简历数据为上述步骤中包括的各个选项,例如,对于其中一份简历,提取到的简历数据包括,姓名:李燕;年龄:18;性别:女;联系方式:151XXXXXX54,还可以包括其他信息,如毕业院校:麻省理工等,具体此处不做限定。
103、根据自然语言处理NLP的文本分类算法对简历数据进行清洗,得到目标文本。
终端根据自然语言处理(natural language processing,NLP)的文本分类算法对简历数据进行清洗,得到目标文本。具体的,终端调用卷积神经网络CNN算法(TextCNN)或逻辑回归(logistic regression,LR)算法对简历数据进行文本分类。可以理解的是,不管是什么分类,最重要的是要知道哪些特征是最能反映这个分类的特点,也就是特征选取,文本分类使用的特征就是最能代表这个分类的词。例如,可以将简历数据分为两类,即有效数据和无效数据,其中,有效数据可以包括工作单位、姓名、年龄、性别等,无效数据可以包括应聘职位、工作年限等,具体此处不做限定。
其中,NLP的文本分类算法为预置的卷积神经网络CNN算法或LR算法,按照实际需要,将简历数据分类后,进行筛选,删除无效数据,保留有效数据,该有效数据中有目标人才的核心技能信息,例如,擅长英语等,即将有效数据“擅长英语”作为目标文本。
需要说明的是,文本分类除了可以是文档分类,还可以是词性标注、句子分割、识别对话行为类型和识别文字蕴含等,具体可以参见现有技术,此处不再赘述。
104、调用预置的模型对目标文本进行分析,生成预测标签。
终端调用预置的模型对目标文本进行分析,生成预测标签。具体的,终端依次遍历目标文本中的每条简历数据,每条简历数据都对应目标人才填写的一条应聘信息;根据预置的模型对每条简历数据进行分词,得到分词结果;根据分词结果在预置业务词袋中进行检索,得到每条简历数据的业务关键词;将业务关键词按照频数降序排列得到排序结果;将排序结果中靠前的预置数目的关键词确定为预测标签。
其中,对某一类特定群体或对象的某项特征进行的抽象分类和概括,其值(标签值)具备可分类性。例如,“性别”,其标签值根据枚举分析(mutually exclusivecollectively exhaustive,MECE)原则可分为“男”、“女”、“未知”;对于标签“年龄”,其标签值可分为“0-18”、“18-35”、“35-60”、“60-100”等,具体此处不做限定。
105、将预测标签与预置关键词进行匹配,得到相匹配的多个预置职位,并确定每个预置职位的匹配度。
终端将预测标签与预置关键词进行匹配,得到相匹配的多个预置职位,并确定每个预置职位的匹配度。具体的,定义一个目标类,目标类包括多个属性;根据预测标签确定目标类中的各个属性,每个属性对应一个预测标签;确定目标类的输出结果,输出结果包括多个预测标签的标签值;将预测标签的标签值与预置关键词进行匹配;生成相匹配的多个预置职位,每个预置职位对应一个或多个预置关键词;计算得到每个预置职位的匹配度。
其中,每个预置职位都对应一个或多个预置关键词,预置关键词是将目标文本中长文本进行分类,制定好的与职位匹配的关键词,例如,与算法工程师职位相匹配的关键词可以包括神经网络算法、大数据、人工智能等。
可以理解的是,预置关键词对职位进行定义,有助于人力资源(Human Resource,HR)一目了然掌握职位的特性,如“软件工程师”对应的预置关键词“计算机”,HR可以快速的了解到目标人才为擅长从事计算机领域的工作,由此HR可以判断目标简历中的人才是否为“软件工程师”所需要的人才。又例如,“资深算法工程师”对应的预置关键词“快速排序算法”,HR可以快速的联想到针对该职位,需要能够熟练掌握多种计算机编程算法的人,由此HR可以判断目标简历中的人才是否为“资深算法工程师”所需要的人才。
同时,一个职位会有多个预置关键词,不同的职位之间也会有预置关键词的重合,此时预置关键词的权重反映了不同职位所需的核心技能。例如“资深算法工程师”和“软件工程师”两个职位中都有关键词“计算机”,此时需要比较“计算机”在两个职位中的权重,以决定将该预置关键词解读给哪个职位。
同时,一个目标人才会有多个预测标签,不同的人才之间也会有预测标签的重合,此时预测标签的权重反映了不同人才的核心技能。例如“时尚达人”和“科技先锋”两类人群中都有女性标签,此时需要比较女性在不同人才中的标签权重,以决定将该标签解读给哪类人群。
106、将多个预置职位按照匹配度进行排序,得到第一职位匹配顺序。
终端将多个预置职位按照匹配度进行排序,得到第一职位匹配顺序。具体的,终端确定多个预置职位中每个预置职位的匹配度,匹配度为匹配到的预置关键词的个数;终端比较各个预置职位的匹配度大小,并按照从大到小的顺序进行排序;终端生成第一职位匹配顺序。
本发明实施例提供的技术方案中,获取目标人才的目标简历;从所述目标简历中提取简历数据;根据自然语言处理NLP的文本分类算法对所述简历数据进行清洗,得到目标文本;调用预置的模型对所述目标文本进行分析,生成预测标签;将所述预测标签与预置关键词进行匹配,得到相匹配的多个预置职位,并确定每个预置职位的匹配度;将所述多个预置职位按照匹配度进行排序,得到第一职位匹配顺序。根据预置关键字分析简历与预置职位的匹配度,并根据匹配度生成职位匹配顺序,提高了简历匹配效率。
请参阅图2,本发明实施例提供的基于人工智能的简历匹配方法的另一个流程图,具体包括:
201、获取目标人才的目标简历。
终端获取目标人才的目标简历。其中,终端根据预置的筛选条件,从海量的简历中选择出符合要求的简历。这里的目标简历可以是一个,也可以是多个,为了便于描述,本发明以一个目标简历为例进行说明。
具体的,终端根据实际的情况获取海量的简历,并筛选出符合基本要求的目标简历,其中,目标简历可以是不同类型的简历。目标简历可以针对不同的群体,对简历的格式进行调整。例如,若目标简历为应届毕业生简历,那么该目标简历中可以包括:1、个人基本信息,个人基本信息中可以包括姓名、年龄、性别、民族、联系电话、籍贯等;2、教育背景,教育背景中可以包括中学教育经历和大学教育经历,其中,中学教育经历包括学校名称和学习时长,大学教育经历包括学校名称、学习时长、学习专业;3、主修课程,主修课程可以包括英语、高等数学、线性代数、大学物理等,还可以包括建筑力学、材料力学、合同管理等其他课程,具体此处不做限定;4、自我评价,自我评价包括兴趣爱好等。
例如,若目标简历为社会人员简历,那么该目标简历中可以包括:1、个人基本信息,个人基本信息中可以包括姓名、年龄、性别、民族、联系电话、籍贯等;2、教育背景,教育背景中可以包括中学教育经历和大学教育经历,其中,中学教育经历包括学校名称和学习时长,大学教育经历包括学校名称、学习时长、学习专业;3、工作经验,工作经验可以包括工作单位名称、工作时长、工作内容和工作单位性质等;4、自我评价,自我评价包括兴趣爱好,工作态度等。5、荣誉奖项,荣誉奖项包括学习奖项、工作奖项以及政府奖项等,具体此处不做限定。6、掌握语言,掌握语言可以包括汉语、英语、法语、粤语等,具体此处不做限定。
需要说明的是,不同的类型的简历,适应的群体也不同,目标简历中包含的简历内容也不相同。简历也可以自定义,可以在简历中同时包括应届毕业生简历和社会人员简历中包含的部分或全部内容,具体此处不做限定。
可以理解的是,本发明实施例的执行主体可以为基于人工智能的简历匹配装置,还可以是终端或者服务器,具体此处不做限定。本发明以终端为执行主体为例进行说明。
202、从目标简历中提取简历数据。
终端从目标简历中提取简历数据。具体的,终端从目标简历中提取简历数据,其中,该简历数据包括了目标人才的基本信息和专业信息,其中,基本信息包括姓名、年龄、性别、联系方式等,专业信息包括工作单位、工作年限、毕业院校、毕业专业、获得的证书、专业技能、应聘职位等。
其中,简历数据为上述步骤中包括的各个选项,例如,对于其中一份简历,提取到的简历数据包括,姓名:李燕;年龄:18;性别:女;联系方式:151XXXXXX54,还可以包括其他信息,如毕业院校:麻省理工等,具体此处不做限定。
203、根据自然语言处理NLP的文本分类算法对简历数据进行清洗,得到目标文本。
终端根据自然语言处理(natural language processing,NLP)的文本分类算法对简历数据进行清洗,得到目标文本。具体的,终端调用卷积神经网络CNN算法(TextCNN)或逻辑回归(logistic regression,LR)算法对简历数据进行文本分类。可以理解的是,不管是什么分类,最重要的是要知道哪些特征是最能反映这个分类的特点,也就是特征选取,文本分类使用的特征就是最能代表这个分类的词。例如,可以将简历数据分为两类,即有效数据和无效数据,其中,有效数据可以包括工作单位、姓名、年龄、性别等,无效数据可以包括应聘职位、工作年限等,具体此处不做限定。
其中,NLP的文本分类算法为预置的卷积神经网络CNN算法或LR算法,按照实际需要,将简历数据分类后,进行筛选,删除无效数据,保留有效数据,该有效数据中有目标人才的核心技能信息,例如,擅长英语等,即将有效数据“擅长英语”作为目标文本。
需要说明的是,文本分类除了可以是文档分类,还可以是词性标注、句子分割、识别对话行为类型和识别文字蕴含等,具体可以参见现有技术,此处不再赘述。
204、调用预置的模型对目标文本进行分析,生成预测标签。
终端调用预置的模型对目标文本进行分析,生成预测标签。具体的,终端依次遍历目标文本中的每条简历数据,每条简历数据都对应目标人才填写的一条应聘信息;根据预置的模型对每条简历数据进行分词,得到分词结果;根据分词结果在预置业务词袋中进行检索,得到每条简历数据的业务关键词;将业务关键词按照频数降序排列得到排序结果;将排序结果中靠前的预置数目的关键词确定为预测标签。
其中,对某一类特定群体或对象的某项特征进行的抽象分类和概括,其值(标签值)具备可分类性。例如,“性别”,其标签值根据枚举分析MECE原则可分为“男”、“女”、“未知”;对于标签“年龄”,其标签值可分为“0-18”、“18-35”、“35-60”、“60-100”等,具体此处不做限定。
205、生成预置的模型,预置的模型用于根据简历数据生成预测标签。
终端生成预置的模型,预置的模型用于根据简历数据生成预测标签。具体的,终端获取预置数量的简历数据;终端对预置数量的简历数据进行清洗,得到多个有效数据;终端为每个有效数据确定对应的标签,得到语料库,语料库包括多个对应的标签;终端将语料库输入到文本训练模型中;终端对文本训练模型进行参数调整,生成预置的模型,预置的模型用于根据简历数据生成预测标签。
可选的,终端在生成预置的模型后,还可以执行以下步骤:
确定预置的模型的精确率P和召回率R;根据精确率P和召回率R生成预置的模型的F1值,F1值满足公式:F1=2PR/(P+R);根据F1值判断预置的模型的正确率是否大于预设的阈值;若预置的模型的正确率大于预设的阈值,则确定预置的模型满足生产需求。
206、将预测标签与预置关键词进行匹配,得到相匹配的多个预置职位,并确定每个预置职位的匹配度。
终端将预测标签与预置关键词进行匹配,得到相匹配的多个预置职位,并确定每个预置职位的匹配度。具体的,定义一个目标类,目标类包括多个属性;根据预测标签确定目标类中的各个属性,每个属性对应一个预测标签;确定目标类的输出结果,输出结果包括多个预测标签的标签值;将预测标签的标签值与预置关键词进行匹配;生成相匹配的多个预置职位,每个预置职位对应一个或多个预置关键词;计算得到每个预置职位的匹配度。
其中,每个预置职位都对应一个或多个预置关键词,预置关键词是将目标文本中长文本进行分类,制定好的与职位匹配的关键词,例如,与算法工程师职位相匹配的关键词可以包括神经网络算法、大数据、人工智能等。
可以理解的是,预置关键词对职位进行定义,有助于人力资源HR一目了然掌握职位的特性,如“软件工程师”对应的预置关键词“计算机”,HR可以快速的了解到目标人才为擅长从事计算机领域的工作,由此HR可以判断目标简历中的人才是否为“软件工程师”所需要的人才。又例如,“资深算法工程师”对应的预置关键词“快速排序算法”,HR可以快速的联想到针对该职位,需要能够熟练掌握多种计算机编程算法的人,由此HR可以判断目标简历中的人才是否为“资深算法工程师”所需要的人才。
一个职位会有多个预置关键词,不同的职位之间也会有预置关键词的重合,此时预置关键词的权重反映了不同职位所需的核心技能。例如“资深算法工程师”和“软件工程师”两个职位中都有关键词“计算机”,此时需要比较“计算机”在两个职位中的权重,以决定将该预置关键词解读给哪个职位。
一个目标人才会有多个预测标签,不同的人才之间也会有预测标签的重合,此时预测标签的权重反映了不同人才的核心技能。例如“时尚达人”和“科技先锋”两类人群中都有女性标签,此时需要比较女性在不同人才中的标签权重,以决定将该标签解读给哪类人群。
需要说明的是,预测标签因为行业或业务的不同存在差异,具体需要结合业务实际情况进行划分。预测标签可以包括人口统计、社会属性、使用行为、消费行为、偏好属性、潜在需求等不同类别。如人口统计类中,包含姓名、性别、年龄等标签,社会属性类中包含子女、父母、公司等标签,具体的分类都需要根据相关定义和属性进行划分。
207、确定多个预置职位中每个预置职位的匹配度,匹配度为匹配到的预置关键词的个数。
终端确定多个预置职位中每个预置职位的匹配度,匹配度为匹配到的预置关键词的个数。假设预置职位为4个,分别为教师、建筑工程师、司机和维修工人。教师可以对应的预置关键词包括学生、备课、教学和指导等;建筑工程师可以对应的预置关键词包括工程进度、工程预算、工程质量和工程造价等;司机可以对应的预置关键词包括运输成本、运输时长、运输里程和汽车载重等;维修工人可以对应的预置关键词包括电器维修、空调维修、管井维修和家具维修等。在本实施例中,教师职位匹配到的预置关键词分别为教学和指导,则教师职位的匹配度为2;建筑工程师职位匹配到的预置关键词分别为工程进度、工程预算、工程质量和工程造价,则建筑工程师职位的匹配度为4;司机职位匹配到的预置关键词分别为运输成本,则司机职位的匹配度为1;维修工人职位没有匹配到的预置关键词,则维修工人职位的匹配度为0。
其中,匹配度可以根据匹配的关键词的数量来进行衡量。例如,目标文本中与“硬件工程师”职位相匹配的关键词有5个,则“硬件工程师”的匹配度为5;目标文本中与“软件工程师”职位相匹配的关键词有7个,则“算法工程师”的匹配度为7,那么对于该目标简历,“软件工程师”排在“硬件工程师”的前面。
208、比较各个预置职位的匹配度大小,并按照从大到小的顺序进行排序。
终端比较各个预置职位的匹配度大小,并按照从大到小的顺序进行排序。例如,终端将4个预置职位按照匹配度的高低进行排序,则排序最前的是建筑工程师,其次是教师,然后是司机,最后是维修工人。
209、生成第一职位匹配顺序。
终端生成第一职位匹配顺序。例如,第一职位匹配顺序中依次为建筑工程师、教师、司机和维修工人。
本发明实施例提供的技术方案中,获取目标人才的目标简历;从所述目标简历中提取简历数据;根据自然语言处理NLP的文本分类算法对所述简历数据进行清洗,得到目标文本;调用预置的模型对所述目标文本进行分析,生成预测标签;将所述预测标签与预置关键词进行匹配,得到相匹配的多个预置职位,并确定每个预置职位的匹配度;将所述多个预置职位按照匹配度进行排序,得到第一职位匹配顺序。根据预置关键字分析简历与预置职位的匹配度,并根据匹配度生成职位匹配顺序,提高了简历匹配效率。
上面对本发明实施例中基于人工智能的简历匹配方法进行了描述,下面对本发明实施例中基于人工智能的简历匹配装置进行描述,请参阅图3,本发明实施例中基于人工智能的简历匹配装置的一个实施例包括:
获取单元301,用于获取目标人才的目标简历;
提取单元302,用于从所述目标简历中提取简历数据;
清洗单元303,用于根据自然语言处理NLP的文本分类算法对所述简历数据进行清洗,得到目标文本;
第一生成单元304,用于调用预置的模型对所述目标文本进行分析,生成预测标签;
匹配单元305,用于将所述预测标签与预置关键词进行匹配,得到相匹配的多个预置职位,并确定每个预置职位的匹配度;
排序单元306,用于将所述多个预置职位按照匹配度进行排序,得到第一职位匹配顺序。
本发明实施例提供的技术方案中,获取目标人才的目标简历;从所述目标简历中提取简历数据;根据自然语言处理NLP的文本分类算法对所述简历数据进行清洗,得到目标文本;调用预置的模型对所述目标文本进行分析,生成预测标签;将所述预测标签与预置关键词进行匹配,得到相匹配的多个预置职位,并确定每个预置职位的匹配度;将所述多个预置职位按照匹配度进行排序,得到第一职位匹配顺序。根据预置关键字分析简历与预置职位的匹配度,并根据匹配度生成职位匹配顺序,提高了简历匹配效率。
请参阅图4,本发明实施例中基于人工智能的简历匹配装置的另一个实施例包括:
获取单元301,用于获取目标人才的目标简历;
提取单元302,用于从所述目标简历中提取简历数据;
清洗单元303,用于根据自然语言处理NLP的文本分类算法对所述简历数据进行清洗,得到目标文本;
第一生成单元304,用于调用预置的模型对所述目标文本进行分析,生成预测标签;
匹配单元305,用于将所述预测标签与预置关键词进行匹配,得到相匹配的多个预置职位,并确定每个预置职位的匹配度;
排序单元306,用于将所述多个预置职位按照匹配度进行排序,得到第一职位匹配顺序。
可选的,第一生成单元304具体用于:
依次遍历所述目标文本中的每条简历数据,每条简历数据都对应所述目标人才填写的一条应聘信息;根据预置的模型对每条简历数据进行分词,得到分词结果;根据所述分词结果在预置业务词袋中进行检索,得到每条简历数据的业务关键词;将所述业务关键词按照频数降序排列得到排序结果;将所述排序结果中靠前的预置数目的关键词确定为预测标签。
可选的,匹配单元305具体用于:
定义一个目标类,所述目标类包括多个属性;根据所述预测标签确定所述目标类中的各个属性,每个属性对应一个所述预测标签;确定所述目标类的输出结果,所述输出结果包括多个所述预测标签的标签值;将所述预测标签的标签值与预置关键词进行匹配;生成相匹配的多个预置职位,每个预置职位对应一个或多个所述预置关键词;计算得到每个预置职位的匹配度。
可选的,基于人工智能的简历匹配装置还包括:
第二生成单元307,用于生成预置的模型,所述预置的模型用于根据简历数据生成预测标签。
可选的,第二生成单元307包括:
获取模块3071,用于获取预置数量的简历数据;
清洗模块3072,用于对所述预置数量的简历数据进行清洗,得到多个有效数据;
第一确定模块3073,用于为每个有效数据确定对应的标签,得到语料库,所述语料库包括多个所述对应的标签;
输入模块3074,用于将所述语料库输入到文本训练模型中;
调整生成模块3075,用于对所述文本训练模型进行参数调整,生成预置的模型,所述预置的模型用于根据简历数据生成预测标签。
可选的,第二生成单元307还包括:
第二确定模块3076,用于确定所述预置的模型的精确率P和召回率R;
生成模块3077,用于根据所述精确率P和所述召回率R生成所述预置的模型的F1值,所述F1值满足公式:F1=2PR/(P+R);
判断模块3078,用于根据所述F1值判断所述预置的模型的正确率是否大于预设的阈值;
第三确定模块3079,若所述预置的模型的正确率大于所述预设的阈值,则用于确定所述预置的模型满足生产需求。
可选的,排序单元306具体用于:
确定所述多个预置职位中每个预置职位的匹配度,所述匹配度为匹配到的预置关键词的个数;比较各个预置职位的匹配度大小,并按照从大到小的顺序进行排序;生成第一职位匹配顺序。
本发明实施例提供的技术方案中,获取目标人才的目标简历;从所述目标简历中提取简历数据;根据自然语言处理NLP的文本分类算法对所述简历数据进行清洗,得到目标文本;调用预置的模型对所述目标文本进行分析,生成预测标签;将所述预测标签与预置关键词进行匹配,得到相匹配的多个预置职位,并确定每个预置职位的匹配度;将所述多个预置职位按照匹配度进行排序,得到第一职位匹配顺序。根据预置关键字分析简历与预置职位的匹配度,并根据匹配度生成职位匹配顺序,提高了简历匹配效率。
上面图3至图4从模块化功能实体的角度对本发明实施例中的基于人工智能的简历匹配装置进行详细描述,下面从硬件处理的角度对本发明实施例中基于人工智能的简历匹配设备进行详细描述。
图5是本发明实施例提供的一种基于人工智能的简历匹配设备的结构示意图,该基于人工智能的简历匹配设备500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)501(例如,一个或一个以上处理器)和存储器509,一个或一个以上存储应用程序507或数据506的存储介质508(例如一个或一个以上海量存储设备)。其中,存储器509和存储介质508可以是短暂存储或持久存储。存储在存储介质508的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对基于人工智能的简历匹配设备中的一系列指令操作。更进一步地,处理器501可以设置为与存储介质508通信,在基于人工智能的简历匹配设备500上执行存储介质508中的一系列指令操作。
基于人工智能的简历匹配设备500还可以包括一个或一个以上电源502,一个或一个以上有线或无线网络接口503,一个或一个以上输入输出接口504,和/或,一个或一个以上操作系统505,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图5中示出的基于人工智能的简历匹配设备结构并不构成对基于人工智能的简历匹配设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。处理器501可以执行上述实施例中获取单元301、提取单元302、清洗单元303、第一生成单元304、匹配单元305、排序单元306和第二生成单元307的功能。
下面结合图5对基于人工智能的简历匹配设备的各个构成部件进行具体的介绍:
处理器501是基于人工智能的简历匹配设备的控制中心,可以按照设置的基于人工智能的简历匹配方法进行处理。处理器501利用各种接口和线路连接整个基于人工智能的简历匹配设备的各个部分,通过运行或执行存储在存储器509内的软件程序和/或模块,以及调用存储在存储器509内的数据,执行基于人工智能的简历匹配设备的各种功能和处理数据,根据预置关键字分析简历与预置职位的匹配度,并根据匹配度生成职位匹配顺序,提高了简历匹配效率。存储介质508和存储器509都是存储数据的载体,本发明实施例中,存储介质508可以是指储存容量较小,但速度快的内存储器,而存储器509可以是储存容量大,但储存速度慢的外存储器。
存储器509可用于存储软件程序以及模块,处理器501通过运行存储在存储器509的软件程序以及模块,从而执行基于人工智能的简历匹配设备500的各种功能应用以及数据处理。存储器509可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如从目标简历中提取简历数据)等;存储数据区可存储根据基于人工智能的简历匹配设备的使用所创建的数据(比如预测标签和第一职位匹配顺序等)等。此外,存储器509可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。在本发明实施例中提供的基于人工智能的简历匹配方法程序和接收到的数据流存储在存储器中,当需要使用时,处理器501从存储器509中调用。
在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、双绞线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,光盘)、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
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。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,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)执行本发明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,以上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。
Claims (10)
1.一种基于人工智能的简历匹配方法,其特征在于,包括:
获取目标人才的目标简历;
从所述目标简历中提取简历数据;
根据自然语言处理NLP的文本分类算法对所述简历数据进行清洗,得到目标文本;
调用预置的模型对所述目标文本进行分析,生成预测标签;
将所述预测标签与预置关键词进行匹配,得到相匹配的多个预置职位,并确定每个预置职位的匹配度;
将所述多个预置职位按照匹配度进行排序,得到第一职位匹配顺序。
2.根据权利要求1所述的基于人工智能的简历匹配方法,其特征在于,所述调用预置的模型对所述目标文本进行分析,生成预测标签包括:
依次遍历所述目标文本中的每条简历数据,每条简历数据都对应所述目标人才填写的一条应聘信息;
根据预置的模型对每条简历数据进行分词,得到分词结果;
根据所述分词结果在预置业务词袋中进行检索,得到每条简历数据的业务关键词;
将所述业务关键词按照频数降序排列得到排序结果;
将所述排序结果中靠前的预置数目的关键词确定为预测标签。
3.根据权利要求1所述的基于人工智能的简历匹配方法,其特征在于,所述将所述预测标签与预置关键词进行匹配,得到相匹配的多个预置职位,并确定每个预置职位的匹配度包括:
定义一个目标类,所述目标类包括多个属性;
根据所述预测标签确定所述目标类中的各个属性,每个属性对应一个所述预测标签;
确定所述目标类的输出结果,所述输出结果包括多个所述预测标签的标签值;
将所述预测标签的标签值与预置关键词进行匹配;
生成相匹配的多个预置职位,每个预置职位对应一个或多个所述预置关键词;
计算得到每个预置职位的匹配度。
4.根据权利要求1所述的基于人工智能的简历匹配方法,其特征在于,所述根据自然语言处理NLP的文本分类算法对所述简历数据进行清洗,得到目标文本之后,所述调用预置的模型对所述目标文本进行分析,生成预测标签之前,所述方法还包括:
生成预置的模型,所述预置的模型用于根据简历数据生成预测标签。
5.根据权利要求4所述的基于人工智能的简历匹配方法,其特征在于,所述生成预置的模型,所述预置的模型用于根据简历数据生成预测标签包括:
获取预置数量的简历数据;
对所述预置数量的简历数据进行清洗,得到多个有效数据;
为每个有效数据确定对应的标签,得到语料库,所述语料库包括多个所述对应的标签;
将所述语料库输入到文本训练模型中;
对所述文本训练模型进行参数调整,生成预置的模型,所述预置的模型用于根据简历数据生成预测标签。
6.根据权利要求5所述的基于人工智能的简历匹配方法,其特征在于,所述对所述文本训练模型进行参数调整,生成预置的模型,所述预置的模型用于根据简历数据生成预测标签之后,所述方法还包括:
确定所述预置的模型的精确率P和召回率R;
根据所述精确率P和所述召回率R生成所述预置的模型的F1值,所述F1值满足公式:
F1=2PR/(P+R);
根据所述F1值判断所述预置的模型的正确率是否大于预设的阈值;
若所述预置的模型的正确率大于所述预设的阈值,则确定所述预置的模型满足生产需求。
7.根据权利要求1-6中任一所述的基于人工智能的简历匹配方法,其特征在于,所述将所述多个预置职位按照匹配度进行排序,得到第一职位匹配顺序包括:
确定所述多个预置职位中每个预置职位的匹配度,所述匹配度为匹配到的预置关键词的个数;
比较各个预置职位的匹配度大小,并按照从大到小的顺序进行排序;
生成第一职位匹配顺序。
8.一种基于人工智能的简历匹配装置,其特征在于,包括:
获取单元,用于获取目标人才的目标简历;
提取单元,用于从所述目标简历中提取简历数据;
清洗单元,用于根据自然语言处理NLP的文本分类算法对所述简历数据进行清洗,得到目标文本;
第一生成单元,用于调用预置的模型对所述目标文本进行分析,生成预测标签;
匹配单元,用于将所述预测标签与预置关键词进行匹配,得到相匹配的多个预置职位,并确定每个预置职位的匹配度;
排序单元,用于将所述多个预置职位按照匹配度进行排序,得到第一职位匹配顺序。
9.一种基于人工智能的简历匹配设备,其特征在于,包括存储器、处理器及存储在所述存储器上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如权利要求1-7中任意一项所述的基于人工智能的简历匹配方法。
10.一种计算机可读存储介质,其特征在于,包括指令,当所述指令在计算机上运行时,使得计算机执行如权利要求1-7中任意一项所述的基于人工智能的简历匹配方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910524626.5A CN110399475A (zh) | 2019-06-18 | 2019-06-18 | 基于人工智能的简历匹配方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910524626.5A CN110399475A (zh) | 2019-06-18 | 2019-06-18 | 基于人工智能的简历匹配方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110399475A true CN110399475A (zh) | 2019-11-01 |
Family
ID=68323180
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910524626.5A Pending CN110399475A (zh) | 2019-06-18 | 2019-06-18 | 基于人工智能的简历匹配方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110399475A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111143517A (zh) * | 2019-12-30 | 2020-05-12 | 浙江阿尔法人力资源有限公司 | 人选标签预测方法、装置、设备和存储介质 |
CN111160850A (zh) * | 2019-12-11 | 2020-05-15 | 浙江微元智能科技股份有限公司 | 一种适用于人员甄别的匹配系统及其匹配方法 |
CN111241361A (zh) * | 2020-01-09 | 2020-06-05 | 福州数据技术研究院有限公司 | 基于云平台的企业与高校的智能引荐系统及方法 |
CN111311180A (zh) * | 2020-02-10 | 2020-06-19 | 腾讯云计算(北京)有限责任公司 | 简历筛选方法及装置 |
CN111382337A (zh) * | 2020-03-10 | 2020-07-07 | 开封博士创新技术转移有限公司 | 一种信息对接匹配方法、装置、服务器及可读存储介质 |
CN111737969A (zh) * | 2020-07-27 | 2020-10-02 | 北森云计算有限公司 | 一种基于深度学习的简历解析方法和系统 |
CN111798217A (zh) * | 2020-07-10 | 2020-10-20 | 河北冀联人力资源服务集团有限公司 | 数据分析系统及方法 |
CN112036647A (zh) * | 2020-09-02 | 2020-12-04 | 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 |
CN112256877A (zh) * | 2019-12-30 | 2021-01-22 | 北京来也网络科技有限公司 | 结合rpa和ai的简历筛选方法、装置、设备及存储介质 |
WO2021169111A1 (zh) * | 2020-02-28 | 2021-09-02 | 平安国际智慧城市科技股份有限公司 | 简历筛选方法、装置、计算机设备和存储介质 |
WO2021174919A1 (zh) * | 2020-03-06 | 2021-09-10 | 平安科技(深圳)有限公司 | 简历数据信息解析及匹配方法、装置、电子设备及介质 |
CN113627797A (zh) * | 2021-08-12 | 2021-11-09 | 深圳平安智汇企业信息管理有限公司 | 入职员工画像生成方法、装置、计算机设备及存储介质 |
CN113902290A (zh) * | 2021-09-14 | 2022-01-07 | 中国人民解放军军事科学院评估论证研究中心 | 一种面向评估任务的专家匹配效度测算方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105159962A (zh) * | 2015-08-21 | 2015-12-16 | 北京全聘致远科技有限公司 | 职位推荐方法与装置、简历推荐方法与装置、招聘平台 |
CN106408249A (zh) * | 2016-08-31 | 2017-02-15 | 五八同城信息技术有限公司 | 简历与职位匹配方法及装置 |
CN107729532A (zh) * | 2017-10-30 | 2018-02-23 | 北京拉勾科技有限公司 | 一种简历匹配方法及计算设备 |
CN108090568A (zh) * | 2016-11-23 | 2018-05-29 | 埃森哲环球解决方案有限公司 | 认知机器人学分析器 |
CN109634994A (zh) * | 2018-12-21 | 2019-04-16 | 深圳市览网络股份有限公司 | 一种简历与职位的匹配推送方法及计算机设备和存储介质 |
CN109754233A (zh) * | 2019-01-29 | 2019-05-14 | 上海嘉道信息技术有限公司 | 一种智能推荐职位信息的方法和系统 |
CN109766438A (zh) * | 2018-12-12 | 2019-05-17 | 平安科技(深圳)有限公司 | 简历信息提取方法、装置、计算机设备和存储介质 |
-
2019
- 2019-06-18 CN CN201910524626.5A patent/CN110399475A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105159962A (zh) * | 2015-08-21 | 2015-12-16 | 北京全聘致远科技有限公司 | 职位推荐方法与装置、简历推荐方法与装置、招聘平台 |
CN106408249A (zh) * | 2016-08-31 | 2017-02-15 | 五八同城信息技术有限公司 | 简历与职位匹配方法及装置 |
CN108090568A (zh) * | 2016-11-23 | 2018-05-29 | 埃森哲环球解决方案有限公司 | 认知机器人学分析器 |
CN107729532A (zh) * | 2017-10-30 | 2018-02-23 | 北京拉勾科技有限公司 | 一种简历匹配方法及计算设备 |
CN109766438A (zh) * | 2018-12-12 | 2019-05-17 | 平安科技(深圳)有限公司 | 简历信息提取方法、装置、计算机设备和存储介质 |
CN109634994A (zh) * | 2018-12-21 | 2019-04-16 | 深圳市览网络股份有限公司 | 一种简历与职位的匹配推送方法及计算机设备和存储介质 |
CN109754233A (zh) * | 2019-01-29 | 2019-05-14 | 上海嘉道信息技术有限公司 | 一种智能推荐职位信息的方法和系统 |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111160850A (zh) * | 2019-12-11 | 2020-05-15 | 浙江微元智能科技股份有限公司 | 一种适用于人员甄别的匹配系统及其匹配方法 |
CN111143517B (zh) * | 2019-12-30 | 2023-09-05 | 浙江阿尔法人力资源有限公司 | 人选标签预测方法、装置、设备和存储介质 |
CN111143517A (zh) * | 2019-12-30 | 2020-05-12 | 浙江阿尔法人力资源有限公司 | 人选标签预测方法、装置、设备和存储介质 |
CN112256877A (zh) * | 2019-12-30 | 2021-01-22 | 北京来也网络科技有限公司 | 结合rpa和ai的简历筛选方法、装置、设备及存储介质 |
CN111241361A (zh) * | 2020-01-09 | 2020-06-05 | 福州数据技术研究院有限公司 | 基于云平台的企业与高校的智能引荐系统及方法 |
CN111311180B (zh) * | 2020-02-10 | 2023-03-24 | 腾讯云计算(北京)有限责任公司 | 简历筛选方法及装置 |
CN111311180A (zh) * | 2020-02-10 | 2020-06-19 | 腾讯云计算(北京)有限责任公司 | 简历筛选方法及装置 |
WO2021169111A1 (zh) * | 2020-02-28 | 2021-09-02 | 平安国际智慧城市科技股份有限公司 | 简历筛选方法、装置、计算机设备和存储介质 |
WO2021174919A1 (zh) * | 2020-03-06 | 2021-09-10 | 平安科技(深圳)有限公司 | 简历数据信息解析及匹配方法、装置、电子设备及介质 |
CN111382337A (zh) * | 2020-03-10 | 2020-07-07 | 开封博士创新技术转移有限公司 | 一种信息对接匹配方法、装置、服务器及可读存储介质 |
CN111382337B (zh) * | 2020-03-10 | 2023-04-25 | 开封博士创新技术转移有限公司 | 一种信息对接匹配方法、装置、服务器及可读存储介质 |
CN111798217A (zh) * | 2020-07-10 | 2020-10-20 | 河北冀联人力资源服务集团有限公司 | 数据分析系统及方法 |
CN111737969B (zh) * | 2020-07-27 | 2020-12-08 | 北森云计算有限公司 | 一种基于深度学习的简历解析方法和系统 |
CN111737969A (zh) * | 2020-07-27 | 2020-10-02 | 北森云计算有限公司 | 一种基于深度学习的简历解析方法和系统 |
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 |
CN112036647A (zh) * | 2020-09-02 | 2020-12-04 | 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 |
CN113627797A (zh) * | 2021-08-12 | 2021-11-09 | 深圳平安智汇企业信息管理有限公司 | 入职员工画像生成方法、装置、计算机设备及存储介质 |
CN113627797B (zh) * | 2021-08-12 | 2023-11-14 | 深圳平安智汇企业信息管理有限公司 | 入职员工画像生成方法、装置、计算机设备及存储介质 |
CN113902290A (zh) * | 2021-09-14 | 2022-01-07 | 中国人民解放军军事科学院评估论证研究中心 | 一种面向评估任务的专家匹配效度测算方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110399475A (zh) | 基于人工智能的简历匹配方法、装置、设备及存储介质 | |
CN110399476A (zh) | 人才画像的生成方法、装置、设备及存储介质 | |
CN109165249B (zh) | 数据处理模型构建方法、装置、服务器和用户端 | |
CN109213863B (zh) | 一种基于学习风格的自适应推荐方法及系统 | |
CN106779087B (zh) | 一种通用机器学习数据分析平台 | |
CN111401433B (zh) | 用户信息获取方法、装置、电子设备及存储介质 | |
CN112632385A (zh) | 课程推荐方法、装置、计算机设备及介质 | |
US11062240B2 (en) | Determining optimal workforce types to fulfill occupational roles in an organization based on occupational attributes | |
JP2021504789A (ja) | Esg基盤の企業評価遂行装置及びその作動方法 | |
CN109299271A (zh) | 训练样本生成、文本数据、舆情事件分类方法及相关设备 | |
KR20200009117A (ko) | 텍스트 데이터 수집 및 분석을 위한 시스템 | |
CN111539209A (zh) | 用于实体分类的方法和装置 | |
CN110399467A (zh) | 提供用于自然语言问答系统的训练数据的方法和设备 | |
Vyas et al. | Predictive analytics for E learning system | |
US11514403B2 (en) | Utilizing machine learning models for making predictions | |
CN108021565A (zh) | 一种基于语言层的用户满意度的分析方法及装置 | |
Breuker et al. | Performances of business processes and organizational routines: similar research problems, different research methods-a literature review | |
CN112464106A (zh) | 对象推荐方法及装置 | |
CN112329453A (zh) | 样本章节的生成方法、装置、设备以及存储介质 | |
CN112200474A (zh) | 教学质量评价方法、终端设备及计算机可读存储介质 | |
Aspelund et al. | The Basics of Big Data Terminology | |
Kumar et al. | A Study On the Forecasting Bigmart Sales Using Optimized Data Mining Techniques | |
Zheng et al. | A study on educational data clustering approach based on improved particle swarm optimizer | |
Nitsche et al. | Modelling Advanced Technology Integration for Supply Chains. | |
Bhoomika et al. | 2q-learning scheme for resume screening |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191101 |