CN110991709A - 岗位招聘情况预测方法、装置、计算机设备及存储介质 - Google Patents
岗位招聘情况预测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN110991709A CN110991709A CN201911128475.8A CN201911128475A CN110991709A CN 110991709 A CN110991709 A CN 110991709A CN 201911128475 A CN201911128475 A CN 201911128475A CN 110991709 A CN110991709 A CN 110991709A
- Authority
- CN
- China
- Prior art keywords
- post
- resume
- recruitment
- requirement information
- prediction
- 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
- 230000007115 recruitment Effects 0.000 title claims abstract description 112
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000012549 training Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 abstract description 20
- 230000008569 process Effects 0.000 abstract description 13
- 230000008859 change Effects 0.000 description 14
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000012163 sequencing technique Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000009472 formulation Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 238000013277 forecasting method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007087 memory ability Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种岗位招聘情况预测方法、装置、计算机设备及存储介质。其中,方法包括:获取待招聘岗位的岗位要求信息;将所述岗位要求信息输入至预设的简历投递数量预测模型中,以获取预设时间段内接收到符合所述待招聘岗位要求的简历数量预估值;将所述简历数量预估值与预设的简历数量阈值进行比对,并根据比对结果引导招聘方对所述岗位要求信息进行调整。上述方法通过综合考虑多种微观因素来进行预测,使得预测结果客观可靠,以在简历筛选过程中保证适中的简历筛选通过率。而且,上述方法还可以根据招聘方的招聘需求量与迫切程度可以自动给出相应的岗位要求和职位描述建议,避免因无法直观地了解实际招聘情况而导致难以制定岗位要求的问题。
Description
技术领域
本发明涉及智能招聘技术领域,具体而言,本发明涉及一种岗位招聘情况预测方法、装置、计算机设备及存储介质。
背景技术
目前,人力资源招聘市场需求及人力资源流动速度飞速发展,越来越多应聘者通过在网络上投递简历来寻找工作,而招聘人员则可以依据岗位要求从网络上筛选简历信息来寻找合适的应聘者。
现有技术中,常用的筛选方法是按照招聘者的要求条件来匹配符合要求的候选求职人,但是这样的方法让招聘者在制定要求时常常犯难,由于无法直观地了解在某一时间点人才市场针对某一招聘岗位的实际情况,使得招聘者在制定岗位要求时难以掌控松紧度,岗位要求过于宽松会导致接收到的简历投递量过多,增加招聘者的工作量且接受的简历质量下降,岗位要求过于严苛则会导致收到的简历投递量过少,可能会使招聘者错过符合实际需求的人才。
发明内容
本发明的目的旨在至少解决上述技术缺陷之一,特别是制定岗位要求时难以掌控松紧度的技术缺陷。
为解决上述技术问题,本发明提供了一种岗位招聘情况预测方法,包括以下步骤:
获取待招聘岗位的岗位要求信息;
将所述岗位要求信息输入至预设的简历投递数量预测模型中,以获取预设时间段内接收到符合所述待招聘岗位要求的简历数量预估值;
将所述简历数量预估值与预设的简历数量阈值进行比对,并根据比对结果引导招聘方对所述岗位要求信息进行调整。
可选地,所述将所述岗位要求信息输入至预设的简历投递数量预测模型中,以获取预设时间段内接收到符合所述待招聘岗位要求的简历数量预估值的步骤之前,还包括:
收集招聘数据,其中,所述招聘数据包括每个岗位对应具有的岗位领域、岗位要求、岗位等级、过往的类似岗位投递情况、当前人才市场的相关人才数据、招聘岗位的工作地区、以及人才特征等表征岗位与人才供需关系的数据信息;
针对所述招聘数据进行线性与非线性多维度的模型训练,以生成所述简历投递数量预测模型。
可选地,所述将所述岗位要求信息输入至预设的简历投递数量预测模型中,以获取预设时间段内接收到符合所述待招聘岗位要求的简历数量预估值的步骤,还包括:
从所述预设的简历投递数量预测模型中获取所述待招聘岗位对应的简历数据预测曲线;
按照预设的时间节点读取所述简历数据预测曲线中的简历数量值;
将所述简历数据预测曲线中每个预设时间节点对应的简历数量值进行统计和计算,以获取得到预设时间段内接收到符合所述待招聘岗位要求的简历数量预估值。
可选地,所述简历数据预测曲线还可以包括:全网岗位的简历投递量数据随时间变化的预测曲线、简历投递量变动幅度数据随时间变化的预测曲线、行业需求量参考数据随时间变化的预测曲线中的至少一种。
可选地,所述将所述简历数量预估值与预设的简历数量阈值进行比对,以根据比对结果引导招聘方对所述岗位要求信息进行调整的步骤之后,还包括:
当所述简历数量预估值小于所述预设的简历数量阈值时,引导所述招聘方删减或修改所述岗位要求信息,以降低所述待招聘岗位的岗位要求;当所述简历数量预估值大于所述预设的简历数量阈值时,引导所述招聘方删减或修改所述岗位要求信息,以提高所述待招聘岗位的岗位要求。
可选地,所述根据比对结果引导招聘方对所述岗位要求信息进行调整的步骤,还包括:
根据招聘方针对所述岗位要求信息设置的权重系数对所述岗位要求信息进行优先级排序;
按照优先级由低至高对所述岗位要求信息进行删减或修改。
可选地,所述引导所述招聘方增加或修改所述岗位要求信息,以提高所述待招聘岗位的岗位要求,包括:
根据招聘方针对所述岗位要求信息设置的权重系数对所述岗位要求信息进行优先级排序;
按照优先由高至低对所述岗位要求信息进行增加或修改。
为解决上述技术问题,本发明还提供了一种岗位招聘情况预测装置,包括:
获取模块,用于获取待招聘岗位的岗位要求信息;
处理模块,用于将所述岗位要求信息输入至预设的简历投递数量预测模型中,以获取预设时间段内接收到符合所述待招聘岗位要求的简历数量预估值;
执行模块,用于将所述简历数量预估值与预设的简历数量阈值进行比对,并根据比对结果引导招聘方对所述岗位要求信息进行调整。
可选地,所述岗位招聘情况预测装置,还包括:
第一收集子模块,用于收集招聘数据;
第一训练子模块,用于针对所述招聘数据进行线性与非线性多维度的模型训练,以生成所述简历投递数量预测模型。
可选地,所述岗位招聘情况预测装置,还包括:
第一获取子模块,用于从所述预设的简历投递数量预测模型中获取所述待招聘岗位对应的简历数据预测曲线;
第一处理子模块,用于按照预设的时间节点读取所述简历数据预测曲线中的简历数量值;
第一执行子模块,用于将所述简历数据预测曲线中每个预设时间节点对应的简历数量值进行统计和计算,以获取得到预设时间段内接收到符合所述待招聘岗位要求的简历数量预估值。
可选地,所述岗位招聘情况预测装置中,所述简历数据预测曲线还可以包括:全网岗位的简历投递量数据随时间变化的预测曲线、简历投递量变动幅度数据随时间变化的预测曲线、行业需求量参考数据随时间变化的预测曲线中的至少一种。
可选地,所述岗位招聘情况预测装置,还包括
第一调整子模块,用于当所述简历数量预估值小于所述预设的简历数量阈值时,引导所述招聘方删减或修改所述岗位要求信息,以降低所述待招聘岗位的岗位要求;当所述简历数量预估值大于所述预设的简历数量阈值时,引导所述招聘方删减或修改所述岗位要求信息,以提高所述待招聘岗位的岗位要求。
可选地,所述岗位招聘情况预测装置,还包括:
第一排序子模块,用于根据招聘方针对所述岗位要求信息设置的权重系数对所述岗位要求信息进行优先级排序;
第二调整子模块,用于按照优先级由低至高对所述岗位要求信息进行删减或修改。
可选地,所述岗位招聘情况预测装置,还包括:
第二排序子模块,用于根据招聘方针对所述岗位要求信息设置的权重系数对所述岗位要求信息进行优先级排序;
第三调整子模块,用于按照优先级由高至低对所述岗位要求信息进行删减或修改。
为解决上述技术问题,本发明还提供一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行上述岗位招聘情况预测方法的步骤。
为解决上述技术问题,本发明还提供一种存储有计算机可读指令的存储介质,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行上述岗位招聘情况预测方法的步骤。
本发明的有益效果在于:
本发明通过依据待招聘岗位的岗位要求信息来预测在预设时间段内可能接收到的有效简历投递量,从而根据预测结果确定是否需要调整所述待招聘岗位的岗位要求信息以及如何调整所述待招聘岗位的岗位要求信息。上述预测方法通过综合考虑岗位领域、岗位要求、岗位等级、过往类似岗位投递情况、市场人才量、人才特征等更多微观因素确定某一岗位在某一时间点的实际招聘情况,进而根据该实际招聘情况预测未来一段时间内的招聘情况,保证了预测结果的客观可靠性。因而,通过上述预测方法可以根据招聘方的招聘需求量与迫切程度自动给出相应的岗位要求和职位描述建议,使得在简历筛选过程中保证适中的简历筛选通过率,避免因无法直观地了解在某一时间点人才市场针对某一招聘岗位的实际情况导致招聘者为制定岗位要求而犯难的问题。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员来讲,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为本发明实施例提供的岗位招聘情况预测方法的基本方法流程示意图;
图2为本发明实施例提供的岗位招聘情况预测方法中建立简历投递数量预测模型的一种方法流程示意图;
图3为本实施例提供的岗位招聘情况预测方法中计算简历数量预估值的一种方法流程示意图;
图4为本发明实施例提供的岗位招聘情况预测模型中引导招聘方对岗位要求信息进行调整时的一种方法流程示意图;
图5为本发明实施例提供的岗位招聘情况预测装置基本结构框图;
图6为本发明实施例提供的计算机设备基本结构框图。
具体实施方式
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,对本发明实施例中的技术方案进行清楚、完整地描述。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,且该操作的序号仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有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。
实施例
本技术领域技术人员可以理解,这里所使用的“终端”、“终端设备”既包括无线信号接收器的设备,其仅具备无发射能力的无线信号接收器的设备,又包括接收和发射硬件的设备,其具有能够在双向通信链路上,执行双向通信的接收和发射硬件的设备。这种设备可以包括:蜂窝或其他通信设备,其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备;PCS(Personal Communications Service,个人通信系统),其可以组合语音、数据处理、传真和/或数据通信能力;PDA(Personal Digital Assistant,个人数字助理),其可以包括射频接收器、寻呼机、互联网/内联网访问、网络浏览器、记事本、日历和/或GPS(Global Positioning System,全球定位系统)接收器;常规膝上型和/或掌上型计算机或其他设备,其具有和/或包括射频接收器的常规膝上型和/或掌上型计算机或其他设备。这里所使用的“终端”、“终端设备”可以是便携式、可运输、安装在交通工具(航空、海运和/或陆地)中的,或者适合于和/或配置为在本地运行,和/或以分布形式,运行在地球和/或空间的任何其他位置运行。这里所使用的“终端”、“终端设备”还可以是通信终端、上网终端、音乐/视频播放终端,例如可以是PDA、MID(Mobile Internet Device,移动互联网设备)和/或具有音乐/视频播放功能的移动电话,也可以是智能电视、机顶盒等设备。
本实施例中提及的用户终端即为上述的终端。
请参阅图1,图1为本发明实施例提供的岗位招聘情况预测方法的基本方法流程示意图。
如图1所示,所述岗位招聘情况预测方法,包括以下步骤:
S100:获取待招聘岗位对应的岗位要求信息。
招聘方在进行招聘过程中,一般会根据企业或用人单位的用人标准和工作任务来制定待招聘岗位的岗位要求信息,例如以企业战略、目标和任务为依据进行因事设职和因职设人。在本实施例中,所述待招聘岗位对应的岗位要求信息可以包括专业要求、学历要求、行业工作经验要求、项目经验要求、相关岗位经历要求、相关领域技能要求、年龄要求、性别要求或/及、地区要求等等。
S200:将所述岗位要求信息输入至预设的简历投递数量预测模型中,以获取预设时间段内接收到符合所述待招聘岗位要求的简历数量预估值。
所述预设的简历投递数量预测模型为通过大量样本数据(例如过往不同岗位不同时段的招聘数据)预先训练至收敛状态的卷积神经网络模型,所述卷积神经网络模型被训练用于预测系统在预设时间段内可能接收到的符合所述待招聘岗位要求的简历数量预估值。所述卷积神经网络模型可以是CNN卷积神经网络模型或者VGG卷积神经网络模型。在本实施例中,当系统获得所述待招聘岗位对应的岗位要求信息之后,通过将所述岗位要求信息输入至所述简历投递数量预测模型中,由所述简历投递数量预测模型获取当前时间点与岗位要求信息相关的实时招聘数据,进而根据所述岗位要求信息对所述与岗位要求信息相关的实时招聘数据进行定量分析、定性分析以及信息分类统计等处理,进而通过计算得出在预设时间段内可能接收到的符合所述待招聘岗位要求的简历数量预估值。
S300:将所述简历数量预估值与预设的简历数量阈值进行比对,并根据比对结果引导招聘方对所述岗位要求信息进行调整。
在本实施例中,首先引导招聘方在执行招聘过程之前预先在系统中设定有简历筛选计划,所述简历筛选计划包括根据所述招聘方针对某一岗位的招聘人数需求和录用比率要求计算出计划接收的简历数量值,并将该计算得出的简历数量值作为简历数量阈值记录在所述系统中。当将所述待招聘岗位的岗位要求信息输入至所述简历投递量预测模型中进行预测,得到在预设时间段内系统可能接收到的符合所述待招聘岗位要求的简历数量预估值之后,将所述简历数量预估值与所述记录在系统中的简历数量阈值进行比对,判断所述简历数量预估值是否满足所述记录在系统中的简历数量阈值要求。可以理解的是,所述简历数量阈值可以根据招聘方的实际需求情况设置为一范围值,通过判断所述简历数量预估值是否落入该范围值内的方式来确定所述简历数量预估值是否满足所述记录在系统中的简历数量阈值要求。具体地,当所述简历数量预估值没有落入该范围值中时,判断所述简历数量预估值不满足所述记录在系统中的简历数量阈值要求,此时引导招聘方对所述岗位要求信息进行调整。
在一些实施例中,请参阅图2,图2为本发明实施例提供的岗位招聘情况预测方法中训练简历投递数量预测模型的一种方法流程示意图。
如图2所示,所述步骤S200之前还包括步骤S400和步骤S500。其中,S400:收集招聘数据;S500:针对所述招聘数据进行线性与非线性多维度的模型训练,以生成所述简历投递数量预测模型。
在训练简历投递数量预测模型时,包括:通过调用企业或用人单位内部招聘网站以及访问已公开或已授权的外部网站等方式收集海量的招聘数据,所述招聘数据中包括每一个岗位对应具有的岗位领域、岗位要求、岗位等级、过往的类似岗位投递情况、当前人才市场的相关人才数据、招聘岗位的工作地区、以及人才特征等表征岗位与人才供需关系的数据信息。通过对这些海量招聘数据进行模型训练,以生成简历投递量预测模型。在本实施例中,通过利用Wide&Deep模型针对上述招聘相关数据进行线性与非线性多维度的模型训练,从而生成简历投递数量预测模型。Wide&deep模型的核心思想是结合线性模型的记忆能力和DNN模型的泛化能力,其中Wide模型用以线性回归,主要针对年龄、工作年限、教育经历等可以进行定量或定性分析的因素;Deep模型通过结合DNN深度学习模型与词向量模型对岗位要求以及职位描述等信息进行分类训练,包括技能要求、工作内容、任职要求等。进一步地,还可以在训练过程中同时优化上述Wide模型和Deep模型的模型参数,从而达到整体模型的对招聘岗位的简历投递量的预测能力最优。
在一些实施例中,请参阅图3,图3为本实施例提供的岗位招聘情况预测方法中计算简历数量预估值的一种方法流程示意图。
如图3所示,所述步骤S200还可以包括步骤S210至步骤S230。其中,S210:从所述预设的简历投递数量预测模型中获取所述待招聘岗位对应的简历数据预测曲线;S220:按照预设的时间节点读取所述简历数据预测曲线中的简历数量值;S230:将所述简历数据预测曲线中每个预设时间节点对应的简历数量值进行求和计算,以获取得到预设时间段内接收到符合所述待招聘岗位要求的简历数量预估值。
在本实施例中,当系统获得所述待招聘岗位对应的岗位要求信息之后,通过将所述岗位要求信息输入至所述简历投递数量预测模型中,由所述简历投递数量预测模型获取与岗位要求信息相关的实时招聘数据,所述实时数据为当前时间点所对应的招聘数据。进而,依据所述实时招聘数据确定所述待招聘岗位当前时间点的招聘情况并生成实现对未来一段时间进行预测的简历投递数量变化趋势图。所述简历投递数量变化趋势图中包括至少一条简历数据预测曲线,其中,所述简历数据预测曲线包括与岗位要求相关的简历投递量数据随时间变化的预测曲线,系统从所述预设的简历投递数量预测模型中获取所述待招聘岗位当前时间对应的与岗位要求相关的简历投递量数据随时间变化的预测曲线之后,通过按照一定的规律预先设置时间节点,以使得系统从所述简历数据预测曲线中读取所述预设的时间节点所对应的简历数量值。读取完每一个预设时间节点所对应的简历数量值后,对这些简历数量值进行统计和计算,进而得出在预设时间段内系统可能接收到符合所述待招聘岗位要求的简历数量预估值。这样一来,可以通过动态预测简历投递量及其随时间变化的趋势,时刻掌控简历筛选过程中岗位要求的松紧度,更加有效地执行简历筛选。
举例说明,招聘方在执行招聘过程中简历筛选环节计划持续进行7天,所述简历投递数量变化趋势图中预测曲线记录与岗位要求相关的简历投递量数据随时间变化的趋势时,时间变化单位可以设置为一天(24小时),那么,对应预先设置的时间节点亦为一天(24小时),通过按照预设的时间节点读取所述待招聘岗位对应的简历投递数量变化趋势图中未来7天的每天简历投递数量变化数据,根据所述简历投递数量变化数据统计出未来7天将接收到的简历数量值作为所述简历投递数量的预测值。此时,例如从所述简历投递数量变化趋势图中按照预设的时间节点读取得到的未来7天的变化数据中每天预测接收简历数量分别为:88份、90份、85份、85份、92份、88份、82份。根据上述简历投递数量变化数据统计出未来7天将接收到的简历数量值为610份,此时,610份简历即为所述简历投递数量的预测值。
在一些实施例中,所述对所述岗位要求信息进行的调整包括增加、删减或修改所述岗位要求信息。具体地,所述步骤S300还包括步骤S310。S310:当所述简历数量预估值小于所述预设的简历数量阈值时,引导所述招聘方删减或修改所述岗位要求信息,以降低所述待招聘岗位的岗位要求;当所述简历数量预估值大于所述预设的简历数量阈值时,引导所述招聘方删减或修改所述岗位要求信息,以提高所述待招聘岗位的岗位要求。
在本实施例中,当所述简历数量预估值没有落入该范围值中时,判断所述简历数量预估值不满足所述记录在系统中的简历数量阈值要求,此时根据比对结果引导招聘方对所述岗位要求信息进行调整。其中包括:当比对结果为所述简历数量预估值小于所述记录在系统中的简历数量阈值时,说明当前招聘情况简历数量不充足,此时可以通过删减或修改所述岗位要求信息降低所述待招聘岗位的岗位要求,以放宽简历筛选条件,从而接收更多相对符合所述岗位要求的简历。当所述简历数量预估值大于所述记录在系统中的简历数量阈值时,通过增加或修改所述岗位要求信息提高所述待招聘岗位的岗位要求,以收紧简历筛选条件,从而排除一些与所述岗位要求信息符合程度相对较低的简历。由此,使得系统在进行简历筛选过程中可以保证适中的简历筛选通过率。
在一些实施例中,所述简历数据预测曲线还可以包括全网岗位的简历投递量数据随时间变化的预测曲线、简历投递量变动幅度数据随时间变化的预测曲线、行业需求量参考数据随时间变化的预测曲线等,通过上述预测曲线可以反映出当前时间点市场人才量和人才特征的数据,所述系统可以根据这些数据对在预设时间段内可能接收到的符合所述待招聘岗位要求的简历数量预估值进行校正和优化,更进一步地保证预测结果的客观可靠性。
在一些实施例中,由于所述与岗位要求相关的简历投递量数据随时间变化的预测曲线的因素有很多,所述待招聘岗位的每一项岗位要求信息都会影响所述与岗位要求相关的简历数据预测曲线的变化。例如按照工作年限不同可以生成多条预测曲线,或/及按照学历背景不同也可以生成多条预测曲线等。请参阅图4,图4为本发明实施例提供的岗位招聘情况预测模型中引导招聘方对岗位要求信息进行调整时的一种方法流程示意图。
如图4所示,所述步骤S300还包括步骤S330至步骤S340。其中,S330:根据招聘方针对所述岗位要求信息设置的权重系数对所述岗位要求信息进行优先级排序;S340:按照所述优先级顺序对所述岗位要求信息进行调整,以生成满足所述预设的简历数量阈值的岗位要求信息。
在本实施例中,在引导招聘方对所述岗位要求信息进行调整时,还包括先对所述岗位要求信息进行排序,具体可以按照招聘方对应聘者进行考察的因素的重要性来确定,在执行招聘之前,所述招聘方根据其自身实际需求对应聘者进行考察的因素进行权重系数设定,越重视的考察因素,其权重系数越高。进而,根据招聘方针对所述岗位要求信息设置的权重系数对所述岗位要求信息进行排序。例如学历背景因素与工作经验因素之间,招聘方更重视学历背景因素,那么,学历背景因素的优先级大于工作经验因素的优先级。进一步地,针对所述岗位要求信息中的每一项信息还可以进行等级划分和优先级排序,例如,学历背景因素可以划分为专科、二本、一本、硕士、博士等多个等级;工作年限可以划分为1年以下、1-2年、3-4年、5-7年、8-10年、10年以上等多个级别,其优先级排序以招聘方初次确定的岗位信息对应的等级为中心,越远离中心的等级,其优先级越低。进而,按照所述优先级顺序对所述岗位要求信息进行调整时,包括:当所述简历数量预估值小于所述预设的简历数量阈值,需要降低所述待招聘岗位的岗位要求时,系统可以通过按照优先由低至高对所述岗位要求信息进行删减或修改,并由所述预设的简历投递数量预测模型依据不同的岗位要求信息生成预测曲线并从所述预测曲线中获取对应的简历数量预估值,然后将所述获取的简历数量预估值与预设的简历数量阈值进行比对,获取满足所述预设的简历数量阈值的简历数量预估值,进而向招聘方发出预警信号,所述预警信号包括满足所述预设的简历数量阈值的简历数量预估值所对应的岗位要求信息,以引导招聘方对系统初始设定的岗位要求信息进行调整。当所述简历数量预估值大于所述预设的简历数量阈值,需要提高所述待招聘岗位的岗位要求时,系统可以通过按照优先由高至低对所述岗位要求信息进行增加或修改,并由所述预设的简历投递数量预测模型依据不同的岗位要求信息生成预测曲线并从所述预测曲线中获取对应的简历数量预估值,然后将所述获取的简历数量预估值与预设的简历数量阈值进行比对,获取满足所述预设的简历数量阈值的简历数量预估值,进而向招聘方发出预警信号,所述预警信号包括满足所述预设的简历数量阈值的简历数量预估值所对应的岗位要求信息,以引导招聘方对系统初始设定的岗位要求信息进行调整。
上述实施例所述的岗位招聘情况预测方法通过依据待招聘岗位的岗位要求信息来预测在预设时间段内可能接收到的有效简历投递量,从而根据预测结果确定是否需要调整所述待招聘岗位的岗位要求信息以及如何调整所述待招聘岗位的岗位要求信息。上述预测方法通过综合考虑岗位领域、岗位要求、岗位等级、过往类似岗位投递情况、市场人才量、人才特征等多种微观因素来确定某一岗位在某一时间点的实际招聘情况,进而根据该实际招聘情况预测未来一段时间内的招聘情况,保证了预测结果的客观可靠性。而且,通过上述预测方法可以根据招聘方的招聘需求量与迫切程度自动调整相应的岗位要求和职位描述建议,使得在简历筛选过程中保证适中的简历筛选通过率,避免因无法直观地了解在某一时间点人才市场针对某一招聘岗位的实际情况导致招聘者为制定岗位要求而犯难的问题。
为解决上述技术问题本发明实施例还提供一种岗位招聘情况预测装置。具体请参阅图5,图5为本发明实施例提供的岗位招聘情况预测装置基本结构框图。
如图5所示,一种岗位招聘情况预测装置,包括:获取模块10、处理模块20以及执行模块30。其中,所述获取模块10用于获取待招聘岗位的岗位要求信息;所述处理模块20用于将所述岗位要求信息输入至预设的简历投递数量预测模型中,以获取预设时间段内接收到符合所述待招聘岗位要求的简历数量预估值;所述执行模块30用于将所述简历数量预估值与预设的简历数量阈值进行比对,并根据比对结果引导招聘方对所述岗位要求信息进行调整。
在一些实施例中,所述岗位招聘情况预测装置,还包括:第一收集子模块和第一训练子模块。其中,所述第一收集子模块用于收集招聘数据;所述第一训练子模块用于针对所述招聘数据进行线性与非线性多维度的模型训练,以生成所述简历投递数量预测模型。
在一些实施例中,所述岗位招聘情况预测装置,还包括:第一获取子模块、第一处理子模块和第一执行子模块。所述第一获取子模块用于从所述预设的简历投递数量预测模型中获取所述待招聘岗位对应的简历数据预测曲线;所述第一处理子模块用于按照预设的时间节点读取所述简历数据预测曲线中的简历数量值;所述第一执行子模块用于将所述简历数据预测曲线中每个预设时间节点对应的简历数量值进行统计和计算,以获取得到预设时间段内接收到符合所述待招聘岗位要求的简历数量预估值。
在一些实施例中,在所述岗位招聘情况预测装置中,所述简历数据预测曲线还可以包括:全网岗位的简历投递量数据随时间变化的预测曲线、简历投递量变动幅度数据随时间变化的预测曲线、行业需求量参考数据随时间变化的预测曲线中的至少一种。
在一些实施例中,所述岗位招聘情况预测装置,还包括第一调整子模块。所述第一调整子模块用于当所述简历数量预估值小于所述预设的简历数量阈值时,引导所述招聘方删减或修改所述岗位要求信息,以降低所述待招聘岗位的岗位要求;当所述简历数量预估值大于所述预设的简历数量阈值时,引导所述招聘方删减或修改所述岗位要求信息,以提高所述待招聘岗位的岗位要求。
在一些实施例中,所述岗位招聘情况预测装置,还包括:第一排序子模块和第二调整子模块。其中,所述第一排序子模块用于根据招聘方针对所述岗位要求信息设置的权重系数对所述岗位要求信息进行优先级排序;所述第二调整子模块用于按照优先级由低至高对所述岗位要求信息进行删减或修改。
在一些实施例中,所述岗位招聘情况预测装置,还包括:第二排序子模块和第三调整子模块。其中,所述第二排序子模块用于根据招聘方针对所述岗位要求信息设置的权重系数对所述岗位要求信息进行优先级排序;所述第三调整子模块用于按照优先级由高至低对所述岗位要求信息进行删减或修改。
上述实施例所述的岗位招聘情况预测装置通过依据待招聘岗位的岗位要求信息来预测在预设时间段内可能接收到的有效简历投递量,从而根据预测结果确定是否需要调整所述待招聘岗位的岗位要求信息以及如何调整所述待招聘岗位的岗位要求信息。上述预测方法通过综合考虑岗位领域、岗位要求、岗位等级、过往类似岗位投递情况、市场人才量、人才特征等多种微观因素确定某一岗位在某一时间点的实际招聘情况,进而根据该实际招聘情况预测未来一段时间内的招聘情况,保证了预测结果的客观可靠性。因而,通过上述预测方法可以根据招聘方的招聘需求量与迫切程度自动调整相应的岗位要求和职位描述建议,使得在简历筛选过程中保证适中的简历筛选通过率,避免因无法直观地了解在某一时间点人才市场针对某一招聘岗位的实际情况导致招聘者为制定岗位要求而犯难的问题。
为解决上述技术问题,本发明实施例还提供了一种计算机设备。具体请参阅图6,图6为本发明实施例提供的计算机设备基本结构框图。
如图6所示,计算机设备的内部结构示意图。如图6所示,该计算机设备包括通过系统总线连接的处理器、非易失性存储介质、存储器和网络接口。其中,该计算机设备的非易失性存储介质存储有操作系统、数据库和计算机可读指令,数据库中可存储有控件信息序列,该计算机可读指令被处理器执行时,可使得处理器实现一种岗位招聘情况预测方法。该计算机设备的处理器用于提供计算和控制能力,支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令,该计算机可读指令被处理器执行时,可使得处理器执行一种岗位招聘情况预测方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在本实施例中,所述处理器用于执行图5中获取模块10、处理模块20和执行模块30的具体功能,而所述存储器存储有执行上述模块所需的程序代码和各类数据。所述网络接口用于向用户终端或服务器之间的数据传输。本实施例中的存储器存储有岗位招聘情况预测装置中执行所有子模块所需的程序代码及数据,服务器能够调用服务器的程序代码及数据执行所有子模块的功能。
上述实施例所述的计算机设备通过依据待招聘岗位的岗位要求信息来预测在预设时间段内可能接收到的有效简历投递量,从而根据预测结果确定是否需要调整所述待招聘岗位的岗位要求信息以及如何调整所述待招聘岗位的岗位要求信息。上述预测方法通过综合考虑岗位领域、岗位要求、岗位等级、过往类似岗位投递情况、市场人才量、人才特征等多种微观因素确定某一岗位在某一时间点的实际招聘情况,进而根据该实际招聘情况预测未来一段时间内的招聘情况,保证了预测结果的客观可靠性。因而,通过上述预测方法可以根据招聘方的招聘需求量与迫切程度自动调整相应的岗位要求和职位描述建议,使得在简历筛选过程中保证适中的简历筛选通过率,避免因无法直观地了解在某一时间点人才市场针对某一招聘岗位的实际情况导致招聘者为制定岗位要求而犯难的问题。
本发明还提供一种存储有计算机可读指令的存储介质,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行上述任一实施例所述岗位招聘情况预测方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述仅是本发明的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种岗位招聘情况预测方法,其特征在于,包括以下步骤:
获取待招聘岗位的岗位要求信息;
将所述岗位要求信息输入至预设的简历投递数量预测模型中,以获取预设时间段内接收到符合所述待招聘岗位要求的简历数量预估值;
将所述简历数量预估值与预设的简历数量阈值进行比对,并根据比对结果引导招聘方对所述岗位要求信息进行调整。
2.根据权利要求1所述的岗位招聘情况预测方法,其特征在于,所述将所述岗位要求信息输入至预设的简历投递数量预测模型中,以获取预设时间段内接收到符合所述待招聘岗位要求的简历数量预估值的步骤之前,还包括:
收集招聘数据,其中,所述招聘数据包括每个岗位对应具有的岗位领域、岗位要求、岗位等级、过往的类似岗位投递情况、当前人才市场的相关人才数据、招聘岗位的工作地区、以及人才特征等表征岗位与人才供需关系的数据信息;
针对所述招聘数据进行线性与非线性多维度的模型训练,以生成所述简历投递数量预测模型。
3.根据权利要求1所述的岗位招聘情况预测方法,其特征在于,所述将所述岗位要求信息输入至预设的简历投递数量预测模型中,以获取预设时间段内接收到符合所述待招聘岗位要求的简历数量预估值的步骤,还包括:
从所述预设的简历投递数量预测模型中获取所述待招聘岗位对应的简历数据预测曲线;
按照预设的时间节点读取所述简历数据预测曲线中的简历数量值;
将所述简历数据预测曲线中每个预设时间节点对应的简历数量值进行统计和计算,以获取得到预设时间段内接收到符合所述待招聘岗位要求的简历数量预估值。
4.根据权利要求3所述的岗位招聘情况预测方法,其特征在于,所述简历数据预测曲线还包括:全网岗位的简历投递量数据随时间变化的预测曲线、简历投递量变动幅度数据随时间变化的预测曲线、行业需求量参考数据随时间变化的预测曲线中的至少一种。
5.根据权利要求1所述的岗位招聘情况预测方法,其特征在于,所述根据比对结果引导招聘方对所述岗位要求信息进行调整的步骤,包括:
当所述简历数量预估值小于所述预设的简历数量阈值时,引导所述招聘方删减或修改所述岗位要求信息,以降低所述待招聘岗位的岗位要求;当所述简历数量预估值大于所述预设的简历数量阈值时,引导所述招聘方增加或修改所述岗位要求信息,以提高所述待招聘岗位的岗位要求。
6.根据权利要求5所述的岗位招聘情况预测方法,其特征在于,所述引导所述招聘方删减或修改所述岗位要求信息,以降低所述待招聘岗位的岗位要求,包括:
根据招聘方针对所述岗位要求信息设置的权重系数对所述岗位要求信息进行优先级排序;
按照优先级由低至高对所述岗位要求信息进行删减或修改。
7.根据权利要求5所述的岗位招聘情况预测方法,其特征在于,所述引导所述招聘方增加或修改所述岗位要求信息,以提高所述待招聘岗位的岗位要求,包括:
根据招聘方针对所述岗位要求信息设置的权重系数对所述岗位要求信息进行优先级排序;
按照优先由高至低对所述岗位要求信息进行增加或修改。
8.一种岗位招聘情况预测装置,其特征在于,包括:
获取模块,用于获取待招聘岗位的岗位要求信息;
处理模块,用于将所述岗位要求信息输入至预设的简历投递数量预测模型中,以获取预设时间段内接收到符合所述待招聘岗位要求的简历数量预估值;
执行模块,用于将所述简历数量预估值与预设的简历数量阈值进行比对,并根据比对结果引导招聘方对所述岗位要求信息进行调整。
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行上述权利要求1至7任意一项所述的岗位招聘情况预测方法。
10.一种存储有计算机可读指令的存储介质,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行上述权利要求1至7中任意一项权利要求所述的岗位招聘情况预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911128475.8A CN110991709A (zh) | 2019-11-18 | 2019-11-18 | 岗位招聘情况预测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911128475.8A CN110991709A (zh) | 2019-11-18 | 2019-11-18 | 岗位招聘情况预测方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110991709A true CN110991709A (zh) | 2020-04-10 |
Family
ID=70085059
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911128475.8A Pending CN110991709A (zh) | 2019-11-18 | 2019-11-18 | 岗位招聘情况预测方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110991709A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111784056A (zh) * | 2020-07-02 | 2020-10-16 | 苏州达家迎信息技术有限公司 | 一种用工趋势预测方法、装置、设备和存储介质 |
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 |
CN112837032A (zh) * | 2021-02-02 | 2021-05-25 | 长沙市到家悠享网络科技有限公司 | 职位投递时长预估的方法、系统及电子设备 |
CN114331380A (zh) * | 2021-12-31 | 2022-04-12 | 北京百度网讯科技有限公司 | 职业流动关系的预测方法、系统、设备及存储介质 |
CN116433201A (zh) * | 2023-04-19 | 2023-07-14 | 深圳前海立方信息技术有限公司 | 一种基于大数据的人才资源信息智能化匹配系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004021853A (ja) * | 2002-06-19 | 2004-01-22 | Hewlett Packard Japan Ltd | 人材採用支援システム並びに関連する装置、方法、データ構造及びコンピュータ・プログラム・プロダクト |
US20190057404A1 (en) * | 2017-08-15 | 2019-02-21 | Linkedin Corporation | Jobs forecasting |
CN109978510A (zh) * | 2019-04-02 | 2019-07-05 | 北京网聘咨询有限公司 | 校园招聘管理系统及方法 |
CN110263818A (zh) * | 2019-05-24 | 2019-09-20 | 平安科技(深圳)有限公司 | 简历筛选的方法、装置、终端和计算机可读存储介质 |
-
2019
- 2019-11-18 CN CN201911128475.8A patent/CN110991709A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004021853A (ja) * | 2002-06-19 | 2004-01-22 | Hewlett Packard Japan Ltd | 人材採用支援システム並びに関連する装置、方法、データ構造及びコンピュータ・プログラム・プロダクト |
US20190057404A1 (en) * | 2017-08-15 | 2019-02-21 | Linkedin Corporation | Jobs forecasting |
CN109978510A (zh) * | 2019-04-02 | 2019-07-05 | 北京网聘咨询有限公司 | 校园招聘管理系统及方法 |
CN110263818A (zh) * | 2019-05-24 | 2019-09-20 | 平安科技(深圳)有限公司 | 简历筛选的方法、装置、终端和计算机可读存储介质 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111784056A (zh) * | 2020-07-02 | 2020-10-16 | 苏州达家迎信息技术有限公司 | 一种用工趋势预测方法、装置、设备和存储介质 |
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 |
CN112837032A (zh) * | 2021-02-02 | 2021-05-25 | 长沙市到家悠享网络科技有限公司 | 职位投递时长预估的方法、系统及电子设备 |
CN114331380A (zh) * | 2021-12-31 | 2022-04-12 | 北京百度网讯科技有限公司 | 职业流动关系的预测方法、系统、设备及存储介质 |
CN116433201A (zh) * | 2023-04-19 | 2023-07-14 | 深圳前海立方信息技术有限公司 | 一种基于大数据的人才资源信息智能化匹配系统及方法 |
CN116433201B (zh) * | 2023-04-19 | 2024-01-26 | 深圳前海立方信息技术有限公司 | 一种基于大数据的人才资源信息智能化匹配系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110991709A (zh) | 岗位招聘情况预测方法、装置、计算机设备及存储介质 | |
CN108446382B (zh) | 用于推送信息的方法和装置 | |
CN111105203A (zh) | 简历筛选控制方法、装置、计算机设备及存储介质 | |
US20220391801A1 (en) | Composite worker ranking | |
US20230019856A1 (en) | Artificial intelligence machine learning platform trained to predict dispatch outcome | |
US11727137B2 (en) | Predictive update of profile database with update logic | |
Ding et al. | SGICT builds an optimization-based system for daily berth planning | |
JP6978582B2 (ja) | 予測業務支援装置および予測業務支援方法 | |
Kolková et al. | Demand forecasting in Python: deep learning model based on LSTM architecture versus statistical models | |
Shnorr | Integral assessment of retail digitalization | |
EP4303792A1 (en) | Systems and methods for managing decision scenarios | |
CN111352841B (zh) | 金融交易软件的质量检测方法及装置 | |
US20210398082A1 (en) | System and method for automatically determining a compatibility quality score for selecting a suitable candidate for a job role | |
CN117252564A (zh) | 资源调度方法、装置、计算机设备及存储介质 | |
CN110866096A (zh) | 智能解答控制方法、装置、计算机设备及存储介质 | |
Yuan et al. | Tax-Scheduler: an interactive visualization system for staff shifting and scheduling at tax authorities | |
Song et al. | On probability distributions of the time deviation law of container liner ships under interference uncertainty | |
US20230259846A1 (en) | Communications apparatus and method for estimating potential demand for improved forecasting and resource management | |
CN115689143A (zh) | 工单分派方法、装置、电子设备及介质 | |
US20230101734A1 (en) | Machine learning model to fill gaps in adaptive rate shifting | |
JP7306487B2 (ja) | テレワーク効果予測装置、方法及びプログラム | |
Na et al. | An adaptive replanning mechanism for dependable service-based systems | |
US20230004923A1 (en) | Enterprise platform | |
Chatzipanagiotou | Prediction-Based Resource Allocation in a Rolling-Horizon Framework Considering Activity Prioritization | |
KR20240076527A (ko) | 직무 별로 검증된 공급자의 이력을 기반으로 공급자 및 수요 기업 간의 매칭 서비스를 제공하는 방법, 장치, 및 시스템 |
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 |