CN111192024A - 一种基于强化学习的人岗匹配方法及装置 - Google Patents
一种基于强化学习的人岗匹配方法及装置 Download PDFInfo
- Publication number
- CN111192024A CN111192024A CN201911414136.6A CN201911414136A CN111192024A CN 111192024 A CN111192024 A CN 111192024A CN 201911414136 A CN201911414136 A CN 201911414136A CN 111192024 A CN111192024 A CN 111192024A
- Authority
- CN
- China
- Prior art keywords
- personnel
- information
- recruitment
- resume
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000002787 reinforcement Effects 0.000 title claims description 23
- 230000007115 recruitment Effects 0.000 claims abstract description 96
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 8
- 238000013075 data extraction Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 abstract description 4
- 230000000875 corresponding effect Effects 0.000 description 39
- 238000011156 evaluation Methods 0.000 description 8
- 238000012216 screening Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06Q10/10—Office automation; Time management
- G06Q10/105—Human resources
- G06Q10/1053—Employment or hiring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/288—Entity relationship models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于强化学习的人岗匹配方法,包括如下步骤:接收一招聘单位反馈的操作信息以及对应人员的简历信息与招聘信息;对所有的简历、招聘信息进行处理,并抽取简历、招聘中的各实体特征;进行特征关联;将得到的图谱特征集合输入智能人事模型进行处理以得到面试推荐人员表;将面试推荐人员表推送至招聘单位用户。本发明还公开了一种电子设备和计算机可读存储介质。本发明的基于强化学习的人岗匹配方法通过抽取所有待应聘者简历中特征信息,并将其输入已经训练完成的智能人事模型进行匹配,进而实现为招聘单位提供更符合其要求的待应聘者,通过本发明的方法能够进一步降低招聘单位人力成本,方便招聘单位对招聘进行更有效的管理。
Description
技术领域
本发明涉及一种机器学习技术领域,尤其涉及一种基于强化学习的人岗匹配方法及装置。
背景技术
目前,在就业市场上,数以亿计的人都需要经历求职阶段,成为众多求职者中的一员,最后找到合适的公司。而对于数以百万计的招聘单位,则需要经历招聘阶段,找到合适的员工。通常情况下,一对完全匹配的人和岗位可以节约大量的时间资源和人力、财力资源。不仅为招聘单位和个人提供最满意的人岗匹配,还为社会带来了更高的生产力水平。因此,如何主动推荐一个或一批合适的人才给招聘公司或者主动推荐一家或多家公司给一位求职者,并且让双方都满意,创造最佳价值,成为一个本领域技术人员亟待解决的技术问题。
发明内容
为了克服现有技术的不足,本发明的目的之一在于提供一种基于强化学习的人岗匹配方法,其能解决人岗精准匹配的技术问题。
本发明的目的之二在于提供一种电子设备,其能解决人岗精准匹配的技术问题。
本发明的目的之三在于提供一种计算机可读存储介质,其能解决人岗精准匹配的技术问题。
本发明的目的之四在于提供一种基于强化学习的人岗匹配方法,其能解决人岗精准匹配的技术问题。
本发明的目的之五在于提供一种计算机可读存储介质,其能解决人岗精准匹配的技术问题。
本发明的目的之一采用如下技术方案实现:
一种基于强化学习的人岗匹配方法,包括如下步骤:
信息获取步骤:获取所有相关人员的简历数据;
第一信息抽取步骤:通过实体命名模型和关系抽取模型对简历数据进行信息抽取,以生成对应人员的图谱特征集合;
比对步骤:将得到的图谱特征集合输入智能人事模型进行匹配以得到面试推荐人员表;
推送步骤:将面试推荐人员表推送至招聘单位用户。
进一步地,所述智能人事模型通过如下步骤构建得到:
接收步骤:接收一招聘单位反馈的操作信息以及对应人员的简历信息与招聘信息,且所述操作信息与对应人员的简历信息匹配;
第二信息抽取步骤:采用自然语言技术对所有的简历、招聘信息进行处理,并抽取简历、招聘中的各实体特征;
关联步骤:将抽取到的简历、招聘中的各实体特征与对应人员进行关联以得知识图谱;
模型训练步骤:通过神经网络对知识图谱进行训练以得到智能人事模型。
进一步地,所述比对步骤具体包括如下步骤:
将图谱特征集合中所有人员的特征信息与智能人事模型进行一一比对,并根据比对结果以得所有人员的推荐分数;
将推荐分数排名靠前的人员进行整合以形成面试推荐人员表。
进一步地,在所述比对步骤中,所述面试推荐人员表中包含至少5名待面试者。
进一步地,在推送步骤之后还包括反馈步骤:将接收到的招聘单位用户对推荐面试人员表中的所有人员的反馈信息,并将反馈信息以及对应面试人员的简历数据发送至智能人事模型以实现模型修正。
本发明的目的之二采用如下技术方案实现:
一种电子设备,包括存储器、处理器以及存储在存储器上并可在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本发明目的之一中任意一项所述的一种基于强化学习的人岗匹配方法。
本发明的目的之三采用如下技术方案实现:
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如本发明目的之一中任意一项所述的一种基于强化学习的人岗匹配方法。
本发明的目的之四采用如下技术方案实现:
一种基于强化学习的人岗匹配方法,包括如下步骤:
信息获取步骤:获取待应聘者的简历信息以及所有相关招聘单位的智能人事模型;
信息抽取步骤:通过实体命名模型和关系抽取模型对待应聘者的简历信息进行数据抽取以生成知识图谱;
比对步骤:将得到的知识图谱与所有相关招聘单位的智能人事模型进行比对以得到面试推荐招聘单位表;
推送步骤:将面试推荐招聘单位表推送至待应聘者处。
进一步地,所述智能人事模型通过如下步骤构建得到:
接收步骤:接收一招聘单位反馈的操作信息以及对应人员的简历信息,且所述操作信息与对应人员的简历信息匹配;
第二信息抽取步骤:采用自然语言技术对所有的简历、招聘信息进行处理,并抽取简历、招聘中的各实体特征;关联步骤:将抽取到的简历中的各实体特征与对应人员进行关联以得知识图谱;
模型训练步骤:通过神经网络对知识图谱进行训练以得到智能人事模型;
所述比对步骤具体包括如下步骤:
将待应聘者的知识图谱输入所有招聘单位的智能人事模型进行一一匹配,并根据比对结果以得到所有招聘单位与待应聘者的匹配分数;
将匹配分数靠前的招聘单位进行整合以形成面试推荐招聘单位表。
本发明的目的之五采用如下技术方案实现:
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如本发明目的之三中任意一项所述的一种基于强化学习的人岗匹配方法。
相比现有技术,本发明的有益效果在于:
本发明的基于强化学习的人岗匹配方法通过抽取所有待应聘者简历中特征信息,并将其与已经训练完成的智能人事模型进行匹配,进而实现为招聘单位提供更符合其要求的待应聘者,通过本发明的方法能够进一步降低招聘单位人力成本,方便招聘单位对招聘进行更有效的管理。
附图说明
图1为实施例一的基于强化学习的人岗匹配方法的流程示意图;
图2为实施例四的基于强化学习的人岗匹配方法的流程示意图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
实施例一
如图1所示,本实施例提供了一种基于强化学习的人岗匹配方法,包括如下步骤:
S101:获取所有相关人员的简历数据;在本实施例的步骤中主要是为了获取到后期进行人才推荐的相关人员的简历数据,本实施例中的相关人员可以指的是已经发送给招聘单位的应聘者或者指的是正在招聘网站上浏览招聘信息的应聘者或者是贴出正在找工作的应聘者等等。
S102:通过实体命名模型和关系抽取模型对简历数据进行信息抽取,以生成对应人员的图谱特征集合;在本步骤中主要是为了进行信息抽取,当获取到了所有的建立数据之后,则是对所有人的简历数据进行抽取,并生成对应的图谱特征集合并与后续进行特征比对。
S103:将得到的图谱特征集合与智能人事模型进行比对以得到面试推荐人员表;所述智能人事模型通过如下步骤构建得到:
S1031:接收一招聘单位反馈的操作信息以及对应人员的简历信息,且所述操作信息与对应人员的简历信息匹配;所述招聘单位反馈的操作信息包括收藏、录取、反馈结果、沟通时长、邀约、考核评价中的一种或者多种。本步骤为所有以下所有实施步骤的基础,通过本步骤可以实现对数据的收集,在进行数据收集时,更为优选地,是选取同一个招聘单位或者同一个招聘单位中同一个岗位来进行数据选取,当采用这样的数据源时,其可以训练出一套稳定的识别模型来进行后续的识别匹配。比如,在选取时,均选取同一个招聘单位中的后端支持工程师这个岗位,这样能够更为准确的分析出招聘这样的后端支持工程师所需要的对应的要求,以及可以更为客观的对数据进行评判。
具体的,步骤S1031具体包括如下步骤:
接收经过招聘单位内部考核的所有的员工简历信息;获取同岗位所有已评价过(通过或不通过都行)简历、评价、评分、如有技能考核等背景信息也一并拿。
更为优选地,在本步骤中,接收经过招聘单位内部考核的所有的员工的简历信息,因为在训练阶段,需要对尽可能多的数据进行训练,并且需要所有HR看过的简历以及对应的评价、评分,然后对其中的简历构建训练的正负样本,正样本也即是排名靠前的样本信息,当获取排名处于第一至第五的员工的简历信息时,判定其属于更适合该岗位的人员,那么需要对其所拥有的特质进行数据提取,比如判断这五个员工共同拥有的技能、学历、经验以及年龄等各方面的数据,综合得到多方面数据然后形成多条对应的特征要求;负样本也即是排名相对靠后的,当获取到排名处于后五名的员工时,则判断其并不是特别合适该岗位,此时可以从中提取出其共同的特征,并且判断该共同特征在前五名的员工中并不存在。在实际训练过程中样本容量不止五个,在本实施例中仅仅是列举说明。通过构造训练正负样本使得模型能够接收到足够多的数据,然后为模型识别准确性提供数据基础。本步骤主要是为了对基础数据源进行筛选,进行筛选的目的是为了便于后续提供更为精准的模型。在本步骤中提及的各种数据获取方式均是一种具体实施方式,程序设计者可以根据实际需求来进行适应性调整。
接收招聘单位反馈的对对应员工的考核评价内容;本步骤也是数据获取特别关键的一步,如果仅仅只有员工的信息,那么提取出来的信息难免会与用人单位的实际需求产生一定的偏差,因为需要引入招聘单位对员工的考核评价内容,并提取招聘单位传输的考核评价报告,这样也从招聘单位端实现对人才的确认;使得能够实现全方位的人才评价。
更为优选地,步骤S1031还包括:接收员工当前的收入情况以及工资计算方式;由于目前很多时候,招聘单位可能仅仅是针对于应试者的各方面硬件条件进行筛选,没有从员工实际收入方面着手进行设计,更多时候是直接通过相关人员直接拟定的价格来实现对员工的招聘而不是有真是的数据依据的。根据这种情况,在本实施例中设计需要获取对应员工的收入情况以及工资计算方式,这样能够增加工资这一维度为招聘单位HR招聘提供更具参考性的专业意见,而不至于使得人才由于刚开始价格定位不合理而致使没有吸引到相关人才。
在上述数据获取过程中,不仅仅有针对于简历信息以及评价信息获取的内容,还可以获取对应公司的招聘信息,然后将这些数据一起送入模型中进行融合训练,让模型能够了解到哪种简历、哪种关系以及哪种能力更适合哪种岗位,进而找到其之间的关联。
S1032:采用自然语言技术对所有的简历信息进行处理,并抽取简历中的各实体特征;在本步骤中,主要是获取对应人员的各方面的实体特征,比如在张三简历中,有写明“熟练掌握JavaScript、Ajax、css、HTML”“熟悉MVC开发模式”“有移动开发经验”等等,这时候需要通过自然语言技术对简历中的这些数据信息进行提取;更为优选地,在本实施例中通过Bi-LSTM神经网络进行简历信息进行训练以得到对应的实体特征模型。
S1033:将抽取到的简历中的各实体特征与对应人员进行关联以得知识图谱;除了需要抽取对应的实体技能特征或者经历特征之外,还需要抽取对应的关系特征,并将关系写入对应的图数据库中,在本实施例中,步骤S2和步骤S3主要是通过对简历数据中各方面的实体特征以及关系特征进行提取,进而实现了对对应招聘人员的全方位的了解,然后将这些抽取到的数据送入到图数据库中进行展示,通过图数据库来进行数据汇聚。在本实施例中,所述图数据库采用的Neo4j,Neo4j是一个高性能的NOSQL图形数据库,它将结构化数据存储在网络上而不是表中。它是一个嵌入式的、基于磁盘的、具备完全的事务特性的Java持久化引擎,但是它将结构化数据存储在网络(从数学角度叫做图)上而不是表中。Neo4j也可以被看作是一个高性能的图引擎,该引擎具有成熟数据库的所有特性。其可以通过Neo4j展示所有抽取到的特征。
S1034:通过神经网络对知识图谱进行训练以得到智能人事模型。当对所有的数据收集完成之后,则需要通过强化学习来对抽取到的各种特征进行学习进而找寻出其之间存在的规律,找出适合我们招聘单位的员工都存在有那些特质,然后将这些特质进行整理;除了优秀特质之外,还需要设置某些招聘单位所不喜欢的特质然后进一步筛选出更为合适的员工。在进行岗位训练时,可以针对同一公司的不同岗位,也可以针对不同公司的同一岗位来进行模型训练。上述步骤为具体饿模型构建步骤,智能人事模型主要通过上述步骤来构建。
采用神经网络对获取到的图数据进行深入挖掘,其能够挖掘出更多有益信息,比如当某个人员具备多方面的能力时,比如其热爱多项运动且每周会有一定次数的运动数量、且掌握多种编程语言的话,则从一侧面可以了解到其能够适应长时间负荷工作,因为运动对应的身体状态,掌握多种编程语言对应的学习能力状态,由于其掌握多种编程语言,说明其能花时间来进行语言学习以及编程操作,这样可以给招聘单位方提供这样一个信息即是:能长时间高负荷工作。为招聘单位方提供更多更深入的信息来了解应聘者的信息。
在本实施例中,所述智能人事模型主要有如下两个阶段:
第一阶段是训练阶段,训练阶段也包括有信息抽取阶段和模型训练阶段;在信息抽取阶段:将训练好的信息抽取模型对所有的简历信息以及招聘信息进行信息抽取,然后对抽取到的信息进行知识图谱的制作,这里的图谱制作完成之后为了的让强化学习模型对其所包含的内容进行学习,以便了解到何种能力是招聘单位所需求的。
模型训练阶段,其采用的是强化学习模型,主要的目的是为了让智能人事模型学习到何种简历、何种关系以及哪些重点是被对应岗位所看重的;在进行学习训练时,需要对完成信息抽取的知识图谱进行训练学习;然后通过强化学习模型不断挖掘满足招聘单位需求的特质以形成智能人事模型。
第二阶段是应用阶段,通过训练出的岗位公用人事模型,然后对其进行运用,因为模型里面只是程序和数字,可以复制和针对公司需求再训练修改,所以可以部署在不同公司不同岗位。并且在模型实际运行过程中,也可以继续调整人事模型,通过招聘单位不断反馈的结果,将其作为新的样本继续输入智能人事模型中,进而打造出招聘单位专属人事模型。
在本实施例中,所述步骤S103具体包括如下步骤:
将图谱特征集合中所有人员的特征信息与智能人事模型进行一一比对,并根据比对结果以得所有人员的推荐分数;招聘单位进行招聘主要是想要找到与自身要求契合且能够为公司创造价值的,由于智能人事模型为经过训练的识别模型,则智能人事模型已然了解到本公司对员工的相应要求,此时将待应聘者的信息与构建完成的模型进行匹配并为之打分;比如给张三的匹配度打了90分,则说明其与本公司的契合度较高,则会提醒人力部门,其应当张三发出面试邀约;或者当给李四打的分数为50分时,则说明与本公司的要求并不想符合,此时则需要将其排除候选名单外。
除了主动获取信息进行比对外,还可以通过这个模型预先对投递本公司的简历进行筛选,比如非常热门的公司A要进行招聘,由于A公司的技术支持岗位需要5名员工,但此时有100人投递了简历;则通过本申请中的模型先对这些人员进行初筛,筛选出明显不符合条件的应聘者或者筛选掉分数过低的应聘者,从而进一步减少公司的人力资源成本。
将推荐分数排名靠前的人员进行整合以形成面试推荐人员表。将待应聘者形成列表给招聘单位用户进行观看,以使得其能够进行下一步操作。
更为优选地,所述面试推荐人员表中包含至少5名待面试者。
S104:将面试推荐人员表推送至招聘单位用户。当将面试推荐人员信息推送到招聘单位用户处时,则招聘单位用户(也即是人力资源主管)会对所有人的信息进行阅读来判断是否进一步发出面试邀约或者是忽略掉该待面试者。
本实施例的面试推荐人员表中包括有详细的人员信息以供HR进行阅读。
S105:将接收到的招聘单位用户对推荐面试人员表中的所有人员的反馈信息,并将反馈信息以及对应面试人员的简历数据发送至智能人事模型以实现模型修正。为了使得模型更加精准,在使用过程中,需要不断反馈HR或者招聘单位管理者对应聘者的相关评价,然后将上述评价以及对应应聘者的简历信息作为新的样本数据送入到智能人事模型进行训练识别,以增加其模型的精准度,使得该模型更加的智能。
本实施例的智能HR经过使用的时间越长,那么反馈得到的精度也就越高,匹配的准确性也就越好。特别是对于没有相应人力资源专业的公司,其可以通过接受其他类型的公司训练好的模型来进行自身公司人员的招聘进而达到更好的招聘效果。比如作为一个起步视频识别公司,在人员配置上不完善,且在招聘上也没有相应的经验,但是在视频识别方面存在有海康威视和大华科技等巨头,如果有经过训练的智能人事模型,那么则可以为小公司提供更多参考;或者通过长时间训练该行业的人员特征,然后得到对应于视频识别的整个行业的招聘特征需求等等。适合A公司的不一定适合B公司,所以在本实施例中通过开放特定的接口使得招聘单位具有更多的自主权来进行特定特征的调整,然后再对调整后的模型进行训练以达到更好的识别精度。
本发明的基于强化学习的人岗匹配方法通过抽取所有待应聘者简历中特征信息,并将其与已经训练完成的智能人事模型进行匹配,进而实现为招聘单位提供更符合其要求的待应聘者,通过本发明的方法能够进一步降低招聘单位人力成本,方便招聘单位对招聘进行更有效的管理。
实施例二
实施例二公开了一种电子设备,该电子设备包括处理器、存储器以及程序,其中处理器和存储器均可采用一个或多个,程序被存储在存储器中,并且被配置成由处理器执行,处理器执行该程序时,实现实施例一的一种基于强化学习的人岗匹配方法。该电子设备可以是手机、电脑、平板电脑等等一系列的电子设备。
实施例三
实施例三公开了一种计算机可读存储介质,该存储介质用于存储程序,并且该程序被处理器执行时,实现实施例一的一种基于强化学习的人岗匹配方法。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。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可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台电子设备(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的方法。
实施例四
如图2所示,本实施例提供了一种基于强化学习的人岗匹配方法,包括如下步骤:
S201:获取待应聘者的简历信息以及所有相关招聘单位的智能人事模型;所述智能人事模型通过如下步骤构建得到:
接收一招聘单位反馈的操作信息以及对应人员的简历信息,且所述操作信息与对应人员的简历信息匹配;
采用自然语言技术对所有的简历、招聘信息进行处理,并抽取简历、招聘中的各实体特征;将抽取到的简历中的各实体特征与对应人员进行关联以得知识图谱;
通过神经网络对知识图谱进行训练以得到智能人事模型。
S202:通过实体命名模型和关系抽取模型对待应聘者的简历信息进行数据抽取以生成知识图谱;
S203:将得到的知识图谱与所有相关招聘单位的智能人事模型进行比对以得到面试推荐招聘单位表;所述步骤S203具体包括如下步骤:
将待应聘者的知识图谱输入所有招聘单位的智能人事模型进行一一匹配,并根据比对结果以得到所有招聘单位与待应聘者的匹配分数;
将匹配分数靠前的招聘单位进行整合以形成面试推荐招聘单位表。
S204:将面试推荐招聘单位表推送至待应聘者处。
本实施例的方案与实施例一的方案的差异在于,本实施例的方案主要提供给应聘者使用,由于应聘者在应聘过程中很多时候也是处于较为盲目的状态,并没有真正适合自己的招聘单位,故而通过本实施例的方案来给求职者进行招聘单位推荐,使得其了解基于自身简历与哪家公司的要求更为的匹配,使得应聘者更容易找准自己的职业定位。在进行信息比对时,通过将实体特征来进行关联,使得应聘者能够基于真实技能或者已有经验挖掘更为适合自己的岗位,而并不仅仅限于自身当前所处岗位。
实施例五
实施例三公开了一种计算机可读存储介质,该存储介质用于存储程序,并且该程序被处理器执行时,实现实施例四的一种基于强化学习的人岗匹配方法。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。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可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台电子设备(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的方法。
值得注意的是,上述基于内容更新通知装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
上述实施方式仅为本发明的优选实施方式,不能以此来限定本发明保护的范围,本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。
Claims (10)
1.一种基于强化学习的人岗匹配方法,其特征在于,包括如下步骤:
信息获取步骤:获取所有相关人员的简历数据;
第一信息抽取步骤:通过实体命名模型和关系抽取模型对简历数据进行信息抽取,以生成对应人员的图谱特征集合;
比对步骤:将得到的图谱特征集合输入智能人事模型进行匹配以得到面试推荐人员表;
推送步骤:将面试推荐人员表推送至招聘单位处。
2.如权利要求1所述的一种基于强化学习的人岗匹配方法,其特征在于,所述智能人事模型通过如下步骤构建得到:
接收步骤:接收一招聘单位反馈的操作信息以及对应人员的简历信息与招聘信息,且所述操作信息与对应人员的简历信息匹配;
第二信息抽取步骤:采用自然语言技术对所有的简历、招聘信息进行处理,并抽取简历、招聘中的各实体特征;
关联步骤:将抽取到的简历、招聘中的各实体特征与对应人员、知识进行关联以得知识图谱;
模型训练步骤:通过用知识图谱对神经网络进行训练以得到智能人事模型。
3.如权利要求1所述的一种基于强化学习的人岗匹配方法,其特征在于,所述比对步骤具体包括如下步骤:
将图谱特征集合中所有人员的特征信息输入智能人事模型进行一一匹配,并根据匹配结果以得所有人员的推荐分数;
将推荐分数排名靠前的人员进行整合以形成面试推荐人员表。
4.如权利要求1所述的一种基于强化学习的人岗匹配方法,其特征在于,在所述比对步骤中,所述面试推荐人员表中包含至少5名待面试者。
5.如权利要求1所述的一种基于强化学习的人岗匹配方法,其特征在于,在推送步骤之后还包括反馈步骤:将接收到的招聘单位用户对推荐面试人员表中的所有人员的反馈信息,并将反馈信息以及对应面试人员的简历数据发送至智能人事模型以实现模型修正。
6.一种电子设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-5中任意一项所述的一种基于强化学习的人岗匹配方法。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现如权利要求1-5任意一项所述的一种基于强化学习的人岗匹配方法。
8.一种基于强化学习的人岗匹配方法,其特征在于,包括如下步骤:
信息获取步骤:获取待应聘者的简历信息以及所有相关招聘单位的智能人事模型;
信息抽取步骤:通过实体命名模型和关系抽取模型对待应聘者的简历信息及招聘信息进行数据抽取以生成知识图谱;
比对步骤:将得到的知识图谱输入所有相关招聘单位的智能人事模型进行匹配以得到面试推荐招聘单位表;
推送步骤:将面试推荐招聘单位表推送至待应聘者处。
9.如权利要求8所述的一种基于强化学习的人岗匹配方法,其特征在于,所述智能人事模型通过如下步骤构建得到:
接收步骤:接收一招聘单位反馈的操作信息以及对应人员的简历信息与招聘信息,且所述操作信息与对应人员的简历信息匹配;
第二信息抽取步骤:采用自然语言技术对所有的简历、招聘信息进行处理,并抽取简历、招聘中的各实体特征;
关联步骤:将抽取到的简历、招聘中的各实体特征与对应人员及知识进行关联以得知识图谱;
模型训练步骤:通过用知识图谱神对经网络进行训练以得到智能人事模型;
所述比对步骤具体包括如下步骤:
将待应聘者的知识图谱输入所有招聘单位的智能人事模型进行一一匹配,并根据匹配结果以得到所有招聘单位与待应聘者的匹配分数;
将匹配分数靠前的招聘单位进行整合以形成面试推荐招聘单位表。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现如权利要求8-9任意一项所述的一种基于强化学习的人岗匹配方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911414136.6A CN111192024A (zh) | 2019-12-31 | 2019-12-31 | 一种基于强化学习的人岗匹配方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911414136.6A CN111192024A (zh) | 2019-12-31 | 2019-12-31 | 一种基于强化学习的人岗匹配方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111192024A true CN111192024A (zh) | 2020-05-22 |
Family
ID=70707913
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911414136.6A Pending CN111192024A (zh) | 2019-12-31 | 2019-12-31 | 一种基于强化学习的人岗匹配方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111192024A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111737486A (zh) * | 2020-05-28 | 2020-10-02 | 广东轩辕网络科技股份有限公司 | 基于知识图谱、深度学习的人岗匹配方法、存储装置 |
CN111737485A (zh) * | 2020-05-28 | 2020-10-02 | 广东轩辕网络科技股份有限公司 | 基于知识图谱、深度学习的人岗匹配方法、人岗匹配系统 |
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 |
CN113139796A (zh) * | 2021-05-10 | 2021-07-20 | 深圳市洞见智慧科技有限公司 | 基于纵向联邦学习的推荐方法及装置 |
CN113342983A (zh) * | 2021-06-30 | 2021-09-03 | 中国平安人寿保险股份有限公司 | 基于机器学习的简历分配方法、装置、设备及存储介质 |
CN113592301A (zh) * | 2021-07-30 | 2021-11-02 | 国能大渡河大数据服务有限公司 | 一种员工培训管理方法及系统 |
WO2022247231A1 (zh) * | 2021-05-27 | 2022-12-01 | 中国科学院深圳先进技术研究院 | 简历筛选方法、简历筛选装置、终端设备及存储介质 |
CN116562838A (zh) * | 2023-07-12 | 2023-08-08 | 深圳须弥云图空间科技有限公司 | 人岗匹配度确定方法、装置、电子设备及存储介质 |
CN116843155A (zh) * | 2023-07-27 | 2023-10-03 | 深圳市贝福数据服务有限公司 | 一种基于saas的人岗双向匹配方法和系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005010855A (ja) * | 2003-06-16 | 2005-01-13 | Tadashi Kawai | 人材情報流通システム |
CN108920544A (zh) * | 2018-06-13 | 2018-11-30 | 桂林电子科技大学 | 一种基于知识图谱的个性化职位推荐方法 |
CN109492164A (zh) * | 2018-11-26 | 2019-03-19 | 北京网聘咨询有限公司 | 一种简历的推荐方法、装置、电子设备及存储介质 |
CN109685462A (zh) * | 2018-12-21 | 2019-04-26 | 义橙网络科技(上海)有限公司 | 一种人岗匹配方法、装置、系统、设备及介质 |
CN109753909A (zh) * | 2018-12-27 | 2019-05-14 | 广东人啊人网络技术开发有限公司 | 一种基于内容分块和BiLSTM模型的简历解析方法 |
-
2019
- 2019-12-31 CN CN201911414136.6A patent/CN111192024A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005010855A (ja) * | 2003-06-16 | 2005-01-13 | Tadashi Kawai | 人材情報流通システム |
CN108920544A (zh) * | 2018-06-13 | 2018-11-30 | 桂林电子科技大学 | 一种基于知识图谱的个性化职位推荐方法 |
CN109492164A (zh) * | 2018-11-26 | 2019-03-19 | 北京网聘咨询有限公司 | 一种简历的推荐方法、装置、电子设备及存储介质 |
CN109685462A (zh) * | 2018-12-21 | 2019-04-26 | 义橙网络科技(上海)有限公司 | 一种人岗匹配方法、装置、系统、设备及介质 |
CN109753909A (zh) * | 2018-12-27 | 2019-05-14 | 广东人啊人网络技术开发有限公司 | 一种基于内容分块和BiLSTM模型的简历解析方法 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111737486A (zh) * | 2020-05-28 | 2020-10-02 | 广东轩辕网络科技股份有限公司 | 基于知识图谱、深度学习的人岗匹配方法、存储装置 |
CN111737485A (zh) * | 2020-05-28 | 2020-10-02 | 广东轩辕网络科技股份有限公司 | 基于知识图谱、深度学习的人岗匹配方法、人岗匹配系统 |
CN111737486B (zh) * | 2020-05-28 | 2023-06-02 | 广东轩辕网络科技股份有限公司 | 基于知识图谱、深度学习的人岗匹配方法、存储装置 |
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 |
CN113139796B (zh) * | 2021-05-10 | 2022-06-21 | 深圳市洞见智慧科技有限公司 | 基于纵向联邦学习的推荐方法及装置 |
CN113139796A (zh) * | 2021-05-10 | 2021-07-20 | 深圳市洞见智慧科技有限公司 | 基于纵向联邦学习的推荐方法及装置 |
WO2022247231A1 (zh) * | 2021-05-27 | 2022-12-01 | 中国科学院深圳先进技术研究院 | 简历筛选方法、简历筛选装置、终端设备及存储介质 |
CN113342983A (zh) * | 2021-06-30 | 2021-09-03 | 中国平安人寿保险股份有限公司 | 基于机器学习的简历分配方法、装置、设备及存储介质 |
CN113592301A (zh) * | 2021-07-30 | 2021-11-02 | 国能大渡河大数据服务有限公司 | 一种员工培训管理方法及系统 |
CN116562838A (zh) * | 2023-07-12 | 2023-08-08 | 深圳须弥云图空间科技有限公司 | 人岗匹配度确定方法、装置、电子设备及存储介质 |
CN116562838B (zh) * | 2023-07-12 | 2024-03-15 | 深圳须弥云图空间科技有限公司 | 人岗匹配度确定方法、装置、电子设备及存储介质 |
CN116843155A (zh) * | 2023-07-27 | 2023-10-03 | 深圳市贝福数据服务有限公司 | 一种基于saas的人岗双向匹配方法和系统 |
CN116843155B (zh) * | 2023-07-27 | 2024-04-30 | 深圳市贝福数据服务有限公司 | 一种基于saas的人岗双向匹配方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111192024A (zh) | 一种基于强化学习的人岗匹配方法及装置 | |
US20240143606A1 (en) | Systems and methods to determine and utilize conceptual relatedness between natural language sources | |
Choudhury et al. | Machine learning and human capital complementarities: Experimental evidence on bias mitigation | |
Veltri et al. | Measuring intellectual capital in the university sector using a fuzzy logic expert system | |
US20200410011A1 (en) | Vertical processing of natural language searches | |
US20150317610A1 (en) | Methods and system for automatically obtaining information from a resume to update an online profile | |
Tsang | The philosophy of management research | |
CN108595491B (zh) | 一种基于履历拆分的背调方法、系统及其计算机存储介质 | |
US20200210957A1 (en) | Classification of job titles via machine learning | |
CN106572001B (zh) | 一种智能客服的对话方法及系统 | |
CA3188876A1 (en) | Three-party recruiting and matching process involving a candidate, referrer, and hiring entity | |
US11232380B2 (en) | Mapping assessment results to levels of experience | |
US20200302368A1 (en) | Assessment-based qualified candidate delivery | |
US11205144B2 (en) | Assessment-based opportunity exploration | |
US20200302397A1 (en) | Screening-based opportunity enrichment | |
CN111242565A (zh) | 一种基于智能人事模型的简历优化方法及装置 | |
CN113656687B (zh) | 基于教研数据的教师画像构建方法 | |
Belloni et al. | Measuring and detecting errors in occupational coding: an analysis of share data | |
Goh et al. | Eaching social media analytics: An assessment based on natural disaster postings | |
Whittier et al. | Statistics for social understanding: With stata and SPSS | |
Bazeley | From mixed data sources to multimethods and integrative mixed methods | |
Elonga Mboyo | Comparative leadership: pathways, scope and values in DRC-English'urban'schools | |
US20200311684A1 (en) | Skills-based talent packaging | |
CN111177283A (zh) | 一种基于强化学习的智能人事模型构建方法及装置 | |
CN115526589A (zh) | 一种用于待就业人群的就业信息处理方法及设备 |
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: 20200522 |