CN111210044B - 职业特点预测方法及装置 - Google Patents

职业特点预测方法及装置 Download PDF

Info

Publication number
CN111210044B
CN111210044B CN201811391536.5A CN201811391536A CN111210044B CN 111210044 B CN111210044 B CN 111210044B CN 201811391536 A CN201811391536 A CN 201811391536A CN 111210044 B CN111210044 B CN 111210044B
Authority
CN
China
Prior art keywords
worker
entity
attribute
post
working
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
Application number
CN201811391536.5A
Other languages
English (en)
Other versions
CN111210044A (zh
Inventor
贾炜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Gridsum Technology Co Ltd
Original Assignee
Beijing Gridsum Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Gridsum Technology Co Ltd filed Critical Beijing Gridsum Technology Co Ltd
Priority to CN201811391536.5A priority Critical patent/CN111210044B/zh
Publication of CN111210044A publication Critical patent/CN111210044A/zh
Application granted granted Critical
Publication of CN111210044B publication Critical patent/CN111210044B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了职业特点预测方法及装置，获得待测试用户的工作者描述信息后，利用预先利用机器学习方法得到的工作者概率模型对该工作者描述信息进行匹配计算，最终得到与该工作者描述信息相匹配的工作者属性，即得到该待测试用户的工作者属性。用户可以通过线上方式直接获得自己的职业特点。该方法无需职业指导专家进行分析评价，即指导过程不依赖于职业指导专家资源，不受职业指导专家资源有限的影响以及地域限制，极大地提高了职业特点预测的速度及效率。

Description

职业特点预测方法及装置
技术领域
本发明涉及计算机技术领域，尤其涉及职业特点预测方法及装置。
背景技术
职业指导工作，就是对求职者的认知能力、心里特点、行为习惯、职业兴趣、价值观等进行分析，从而判断出求职者的职业特性。求职者选择与自己的职业特性相匹配的工作岗位，以使求职者选择的工作岗位与自身具备的职业特性更匹配。
目前的职业指导工作可以利用线上的职业特性测评系统完成，例如，求职者在线上回答问题得到评测结果，或者，可以在职业指导专家的办公场所进行书面答题，得到评测结果。然后，由职业指导专家进行分析评价，得到求职者的职业特性的评估结果。此种方式均需要专业的职业指导专家进行分析，并与求职者进行充分交流后，才能根据自己的经验对求职者提供有价值的帮助。其中，合格的职业指导专家非常有限，而且，受地域限制，远远不能满足广大求职者的需求。
发明内容
鉴于上述问题，本发明提供了一种职业特点预测方法及装置，以实现自动为求职者分析职业特性，不再依赖于职业指导专家，以满足职业指导者的需求。
第一方面，本申请提供了一种职业特点预测方法，包括
获取待测试用户的工作者描述信息，该工作者描述信息表征该待测试用户在工作方面具备的特点；
依据工作者概率模型查找到工作者属性与该工作者描述信息相匹配的工作者实体，并确定该工作者实体所具备的工作者属性为该待测试用户的工作者属性；
其中，所述工作者属性表征工作者自身具备的能够在工作职业中体现或使用的特点。
可选地，所述方法还包括：
依据工作者-岗位知识图谱，获得与该待测试用户的工作者属性相匹配的至少一个工作岗位实体，并向该待测试用户推荐所述至少一个工作岗位实体；
其中，所述工作者-岗位知识图谱是每个所述工作者实体与相匹配的工作岗位实体之间的关联关系图谱，所述工作岗位实体表征具体的工作岗位。
可选地，所述方法还包括：
从当前招聘岗位中确定出岗位描述信息与所述至少一个工作岗位实体的岗位属性实体相匹配的至少一个招聘岗位；
向所述待测试用户推荐所述至少一个招聘岗位。
可选地，所述从当前招聘岗位中确定出岗位描述信息与所述至少一个工作岗位实体的岗位属性实体相匹配的至少一个招聘岗位，包括：
针对所述当前招聘岗位中的任一招聘岗位，利用工作岗位概率模型，将该招聘岗位的描述信息与工作岗位实体的岗位属性实体进行匹配，得到第一匹配概率值，并将第一匹配概率值大于第一预设概率值的工作岗位实体确定为与该招聘岗位相匹配的至少一个工作岗位实体；
确定出所述当前招聘岗位中所有招聘岗位所对应的工作岗位实体，得到招聘岗位与工作岗位实体的关联关系；
当获得所述待测用户相匹配的至少一个工作岗位实体后，根据招聘岗位与工作岗位实体的关联关系查找到与该至少一个工作岗位实体对应的至少一个招聘岗位；
其中，所述工作岗位概率模型包含多个不同类型的工作岗位实体，以及每个所述工作岗位实体所具备的工作岗位属性实体的统计概率，所述工作岗位属性实体表征所述工作岗位实体所具有的岗位特点。
可选地，所述方法还包括：
针对任意一个工作岗位实体，将岗位学习样本数据所包含的各个招聘岗位的岗位描述信息与该工作岗位实体的岗位属性实体进行匹配得到第二匹配概率值，并将该第二匹配概率值大于第二预设概率值的招聘岗位确定为该工作岗位实体相关联的工作岗位实例；
统计该工作岗位实体所关联的全部工作岗位实例所具备的岗位属性实体的第二匹配概率值，得到该工作岗位实体对应的岗位属性实体的概率；
统计工作岗位知识图谱中全部工作岗位实体关联的岗位属性实体的概率，得到所述工作岗位概率模型；
其中，所述工作岗位知识图谱包含不同类型的工作岗位实体，以及每个工作岗位实体所具有的岗位属性实体的图谱。
可选地，所述工作者概率模型包含多个工作者实体，以及每个工作者实体与对应的工作者属性之间的匹配概率；
所述依据工作者概率模型查找到工作者属性与该工作者描述信息相匹配的工作者实体，包括：
将所述待测试用户的工作者描述信息逐一与所述工作者概率模型中工作者实体对应的工作者属性进行匹配得到第三匹配概率值，并确定第三匹配概率值大于第三预设概率值的工作者实体为与该待测试用户相匹配的工作者实体。
可选地，所述方法还包括：
针对任意一个工作者实体，将工作者学习样本数据所包含的各个求职者的工作者描述信息与该工作者实体的工作者属性进行匹配计算得到第四匹配概率值，并将该第四匹配概率值大于第四预设概率值的求职者确定为该工作者实体相关联的工作者实例；
统计所述工作者实体所关联的所有工作者实例所具备的工作者属性的匹配概率值，得到该工作者实体对应的工作者属性概率；
统计工作者知识图谱中所有工作者实体关联的各个工作者属性的概率，得到所述工作者概率模型；
其中，所述工作者知识图谱包含不同类型的工作者实体，以及每个所述工作者实体所具备的工作者属性的关系图谱。
可选地，所述方法还包括：
根据每个所述工作者实体相关联的工作者实例，确定与该工作者实例相匹配的工作岗位实例；
依据所述工作岗位实例与工作岗位知识图谱中的工作岗位实体之间的关联属性，确定与每个所述工作者实体相关联的工作岗位实体，得到工作者-岗位知识图谱。
可选地，所述方法还包括：
创建不同维度的工作者属性类、每个所述工作者属性类所包含的工作者属性子类，以及每个所述工作者属性子类所包含的具体的工作者属性；
创建不同类型的工作者实体，并建立每个所述工作者实体与至少一个工作者属性之间的关联属性，得到所述工作者知识图谱。
可选地，所述方法还包括：
创建不同维度的工作岗位属性类、每个所述工作岗位属性类所包含的工作岗位属性子类，以及每个所述工作岗位属性子类所包含的具体的工作岗位属性实体
创建不同类型的工作岗位实体，并建立每个所述工作岗位实体与至少一个工作岗位属性实体的关联属性，得到所述工作岗位知识图谱；
其中，所述工作岗位知识图谱包含不同类型的工作岗位实体，以及每个所述工作岗位实体所具备的岗位属性实体的关系图谱。
第二方面，本申请提供了一种职业特点预测装置，包括
第一获取模块，用于获取待测试用户的工作者描述信息，该工作者描述信息表征该待测试用户在工作方面具备的特点；
查找模块，用于依据工作者概率模型查找到工作者属性与该工作者描述信息相匹配的工作者实体，并确定该工作者实体所具备的工作者属性为该待测试用户的工作者属性；
其中，所述工作者属性表征工作者自身具备的能够在工作职业中体现或使用的特点。
第三方面，本申请还提供了一种存储介质，其上存储有程序，所述程序被处理器执行时实现第一方面任意一种可能的实现方式所述的职业特点预测方法。
第四方面，本申请还提供了一种处理器，所述处理器用于运行程序，所述程序运行时执行第一方面任意一种可能的实现方式所述的职业特点预测方法。
本实施例提供的职业特点预测方法，获得待测试用户的工作者描述信息后，利用预先利用机器学习方法得到的工作者概率模型对该工作者描述信息进行匹配计算，最终得到与该工作者描述信息相匹配的工作者属性，即得到该待测试用户的工作者属性。用户可以通过线上方式直接获得自己的职业特点。该方法无需职业指导专家进行分析评价，即指导过程不依赖于职业指导专家资源，不受职业指导专家资源有限的影响以及地域限制，极大地提高了职业特点预测的速度及效率。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了一种职业特点预测方法的流程图；
图2示出了本申请实施例一种工作者知识图谱的示意图；
图3示出了本申请实施例一种获得工作者概率模型过程的流程图；
图4示出了本申请实施例另一种职业特点预测方法的流程图；
图5示出了本申请实施例一种工作岗位知识图谱的示意图；
图6示出了本申请实施例一种获得工作者-岗位知识图谱过程的流程图；
图7示出了本申请实施例一种获得与工作岗位实现相匹配的招聘岗位过程的流程图；
图8示出了本申请实施例提供的一种职业特点预测装置的框图；
图9示出了本申请实施例提供的另一种职业特点预测装置的框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
请参见图1，示出了本申请实施例一种职业特点预测方法的流程图，该方法应用于服务端，如图1所示，该方法可以包括以下步骤：
S110，获取待测试用户的工作者描述信息。
该工作者描述信息表征该待测试用户在工作方面具备的特点。
用户可以通过客户端输入工作者描述信息，例如，用户可以在客户端回答一套职业测评问题，测评内容聚焦在用户的兴趣、知识、技能、能力、职业愿望、工作风格等方面。服务端分析用户的测评结果得到该用户的工作者描述信息。
S120，依据工作者概率模型查找到工作者属性与该工作者描述信息相匹配的工作者实体，并确定该工作者实体所具备的工作者属性为该待测试用户的工作者属性。
其中，工作者概率模型包含多个工作者实体，以及每个工作者实体与对应的工作者属性之间的匹配概率。工作者概率模型是预先利用机器学习算法训练得到的工作者实体与对应的工作者属性实体之间的概率统计模型。工作者属性表征工作者自身具备的能够在工作职业中体现或使用的特点，工作者实体是指具有某一类工作者属性的属性实体，例如，工作者属性实体可以是一个人在工作方面表现出的特点。
在本申请的一个实施例中，依据工作者概率模型查找对应的工作者实体的过程可以是：
将获得的工作者描述信息逐一与工作者概率模型中工作者实体对应的工作者属性进行匹配，得到匹配概率值(即第三匹配概率值)，并确定匹配概率值大于预设概率值(即，第三预设概率值)的工作者实体为与工作者描述信息相匹配的工作者实体。
然后，确定该工作者实体所具备的工作者属性为该用户的工作者属性。这样，用户能够通过该方法准确知道自己在工作方面所具备的特点。
在本申请的一个实施例中，在得到工作者概率模型之前，先构建工作者知识图谱，工作者知识图谱包含不同类型的工作者实体，以及每个工作者实体所具备的工作者属性的关系图谱。
例如，工作者知识图谱定义了工作者、兴趣、知识、技能、能力、职业愿望、工作风格等工作者属性类，任意一个工作者属性类可以包含不同的工作者属性子类。
如图2所示，对于“知识”这一工作者属性类，其包含的工作者属性子类包括业务与管理、工程与技术、数学与科学；其中，业务与管理这一工作者属性子类所包含的具体的工作者属性包括：销售、人事管理；工程与技术这一工作者属性子类包含建筑学、土木工程、电子信息等具体的工作者属性；数学与科学这一工作属性子类包含数学、地理学等具体的工作者属性。
不同类型(所具备的工作者属性不同)的工作者是工作者实体类的具体实体，例如，工作者实体1、工作者实体2、工作者实体3、……、工作者实体n。对于一个工作者实体而言，可以具有多个属性类为“知识”的关系属性，只要属性值为不同的工作者属性(例如，数学、土木工程、地理学等)就合乎规则。表明该工作者实体可以有不同的“知识”属性。工作者实体和工作者属性真实反映了当前不同类型求职者在工作方面所具备的特点。
在本申请的一个实施例中，构建工作者知识图谱的过程如下：
创建不同维度的工作者属性类、每个工作者属性类所包含的工作者属性子类，以及每个工作者属性子类所包含的具体的工作者属性；然后，创建不同类型的工作者实体，并建立每个所述工作者实体与至少一个工作者属性之间的关联属性，得到所述工作者知识图谱。
例如，工作者知识图谱中的各个工作者属性类所包含的工作者属性子类，以及每个工作者属性子类所包含的具体工作者属性，可以由职业指导专家整理完成。然后，由职业指导专家根据不同类型的求职者的特点，创建不同的工作者实体，并定义该工作者实体的每个工作者属性值，从而构建完成工作者知识图谱的主要数据。
工作者知识图谱中的工作者属性类和具体的工作者属性可以设置相应的“常用语”标签，该标签的属性值是这些实体的常用语言表达词汇和短语，可以用同义词库自动匹配的方法对工作者知识图谱中具体的工作者属性增加“常用词”属性，并且可以由人工逐个进行编辑和确认。例如，“销售”这一工作者属性对应的常用词标签可以是“sales”，又如，“数学”这一工作者属性对应的常用词标签可以是“mathematics”。
创建工作者知识图谱后，通过机器学习的方法，建立工作者知识图谱的每个工作者实体与工作者学习样本数据之间的匹配度概率模型，得到工作者概率模型。如图3所示，获得工作者概率模型的过程如下：
S210，针对任意一个工作者实体，将工作者学习样本数据所包含的工作者描述信息与该工作者实体的工作者属性进行匹配计算得到匹配概率值(即，第四匹配概率值)，并将该匹配概率值大于预设概率值(即，第四预设概率值)的求职者确定为该工作者实体相关联的工作者实例。
工作者学习样本可以根据实际的求职者资料进行整理得到。
针对工作者知识图谱中的任意一个工作者实体，将该工作者实体的工作者属性与工作者学习样本数据中的工作者描述信息进行匹配计算，得到一个匹配概率值，并将大于预设概率值的工作者学习样本数据作为与该工作者实体相关联的工作者实例。
工作者实例扩充了工作者知识图谱，同时，工作者知识图谱中的工作者实体与真实的求职者资料建立了关联关系。
S220，统计工作者实体所关联的所有工作者实例所具备的工作者属性的匹配概率值，得到该工作者实体对应的工作者属性概率。
然后，将该工作者实体所对应的全部工作者实例所具备的工作者属性的匹配概率值进行累积，得到该工作者实体对应的工作者属性概率。
S230，统计工作者知识图谱中所有工作者实体关联的各个工作者属性的概率，得到工作者概率模型。
工作者知识图谱中所有工作者实体的工作者属性概率构成了工作者概率模型。
对新用户的职业特点预测时，将该用户的工作者描述信息与工作者概率模型中的工作者属性进行匹配计算，找到与该用户最相似的工作者实体，该工作者实体所具备的工作者属性即该用户的工作者属性。
本实施例提供的职业特点预测方法，获得待测试用户的工作者描述信息后，利用预先利用机器学习方法得到的工作者概率模型对该工作者描述信息进行匹配计算，最终得到与该工作者描述信息相匹配的工作者属性，即得到该待测试用户的工作者属性。用户可以通过线上方式直接获得自己的职业特点。该方法无需职业指导专家进行线上分析评价，即指导过程不依赖于职业指导专家资源，不受职业指导专家资源有限的影响以及地域限制，极大地提高了职业特点预测的速度及效率。
在某些场景下，用户不仅仅希望知道自己具备的工作者属性，还希望知道自己适合哪些岗位。为了满足不同用户的需求，本申请还提供了另一种职业特点预测方法实施例。
请参见图4，示出了本申请实施例另一种职业特点预测方法的流程图，该方法在图1所示实施例的基础上还包括以下步骤：
S310，依据工作者-岗位知识图谱，获得与该待测试用户的工作者属性相匹配的至少一个工作岗位实体。
工作者-岗位知识图谱包含每个工作者实体与相匹配的工作岗位实体之间的关联关系，其中，工作岗位实体表征具体的工作岗位。
依据工作者概率模型获得待测试用户的工作者属性后，依据工作者-岗位知识图谱能够查找到与该用户的工作者属性相匹配的至少一个工作岗位实体。
其中，工作者-岗位知识图谱是将工作者知识图谱与工作岗位知识图谱进行关联得到。其中，工作岗位知识图谱是不同类型的工作岗位实体，以及每个所述工作岗位实体所具备的岗位属性实体的关系图谱。
例如，工作岗位知识图谱定义了工作岗位、工作经验、教育程序、工作技能、证书、岗位名称、工作任务、角色等类；任意一个类可以包括不同的子类。其中，不同类型的工作岗位是工作岗位实体类的具体实体。
如图5所示，“工作技能”这一属性类，包括沟通与交互、管理能力、协调能力等子类；“沟通与交互”这一子类包括协作能力、销售与影响力、公共场合工作能力等具体的属性实体。
又如，“岗位名称”这一属性类包括：管理岗位、研发岗位、生产岗位等子类；“管理岗位”这一子类包括产品部总经理、人力资源总监、财务经理等具体的属性实体。
其中，不同类型的工作岗位是工作岗位实体类的具体实体，例如，工作岗位实体1、工作岗位实体2、工作岗位实体3、……、工作岗位实体n。对于一个工作岗位实体而言，其具备的工作岗位属性可以有多个，只要其属性内容值不同就合乎规则。
在本申请的一个实施例中，创建工作岗位知识图谱的过程如下：
创建不同维度的工作岗位属性类、每个工作岗位属性类所包含的工作岗位属性子类，以及每个工作岗位属性子类所包含的具体的工作岗位属性实体后，创建不同类型的工作岗位实体，并建立每个工作岗位实体与至少一个工作岗位属性实体的关联属性，得到工作岗位知识图谱。
例如，可以由职业指导专家完成各个工作岗位属性类的子类列表，以及，各个工作岗位属性子类的岗位属性实体的整理。然后，由职业指导专家对根据不同类型的工作岗位的特点，创建不同的工作岗位实体，并定义每个工作岗位实体所关联的工作岗位属性实体，构建工作岗位知识图谱的主要数据。
此外，工作岗位知识图谱中的类和实体都有“常用语”这个标签，“常用语”可以是这些类和实体的常用语言表达词汇和短语。可以用同义词库自动匹配的方法为工作岗位知识图谱中的类和实体增加“常用语”属性，并且可以由人工逐个进行编辑和确认。
在创建完工作岗位知识图谱后，可以建立工作者知识图谱中的工作者实体与工作岗位知识图谱中的工作岗位实体之间的关联关系，从而得到工作者-岗位知识图谱。
如图6所示，获得工作者-岗位知识图谱的过程如下：
S410，根据每个工作者实体相关联的工作者实例，确定与该工作者实例相匹配的工作岗位实例。
在本申请的一个实施例中，工作岗位实例的获得过程如下：
针对工作岗位知识图谱中的任意一个工作岗位实体，将岗位学习样本数据所包含的各个招聘岗位的岗位描述信息与该工作岗位实体的岗位属性实体进行匹配得到匹配概率值(即，第二匹配概率值)，并将该匹配概率值大于预设概率值(即，第二预设概率值)的招聘岗位确定为该工作岗位实体相关联的工作岗位实例。
岗位学习样本数据可以根据实际的“招聘岗位数据库”整理得到。将工作岗位知识图谱中某个工作岗位实体与相应的岗位学习样本数据建立一个关系属性，该关系属性命名为“工作岗位实例”，该工作岗位实例属性的属性值可以是“招聘岗位数据库”中不同工作岗位资料的序列号。
每个工作岗位实体可以对应多个工作岗位实例属性，对应不同的求职者资料，它真实反映了当前不同类型工作岗位的各自特点，这样不仅扩展了工作岗位知识图谱，并且与“招聘岗位数据库”的真实数据建立关联关系。
S420，依据工作岗位实例与工作岗位知识图谱中的工作岗位实体之间的关联属性，确定与每个工作者实体相关联的工作岗位实体，得到工作者-岗位知识图谱。
在本申请的一个实施例中，可以由职业指导专家根据工作者实例和工作岗位实例对工作者实体和工作岗位实体进行匹配，建立工作者实体与工作岗位实体之间的关联属性，该关联属性可以是“满意就业”。一个工作者实体可以有多个“满意就业”的关联属性值，即，一个工作者实体与多个工作岗位有关联关系。工作者知识图谱中的全部工作者实体均与工作岗位实体建立关联，得到工作者-岗位知识图谱。
得到工作者-岗位知识图谱之后，可以直接向该待测试用户推荐至少一个工作岗位实体。
在本申请的其它实施例中，如果能够获得招聘岗位数据库中的真实招聘岗位数据则可以将真实的招聘岗位推荐给用户。
S320，从当前招聘岗位中确定出岗位描述信息与至少一个工作岗位实体的岗位属性实体相匹配的至少一个招聘岗位。
在本申请的实施例中，如图7所示，获得与工作岗位实现相匹配的招聘岗位的过程如下：
S321，针对当前招聘岗位中的任一招聘岗位，利用工作岗位概率模型，将该招聘岗位的描述信息与目标工作岗位实体的岗位属性实体进行匹配，得到匹配概率值(即，第一匹配概率值)，并将该匹配概率值大于预设概率值(第一预设概率值)的工作岗位实体确定为与该招聘岗位相匹配的至少一个工作岗位实体。
目标工作岗位实体是与待测试用户的工作者属性相匹配的至少一个工作岗位实体。
当前招聘岗位是当前能够搜索到的真实招聘岗位，此处的招聘岗位与岗位学习样本数据中的数据有所区别，岗位学习样本数据可以包含过期的招聘岗位信息，但当前招聘岗位是有效期内的招聘信息。
其中，工作岗位概率模型包含多个不同类型的工作岗位实体，以及每个工作岗位实体所具备的工作岗位属性实体的统计概率。
S322，确定出当前招聘岗位中所有招聘岗位所对应的工作岗位实体，得到招聘岗位与工作岗位实体的关联关系。
利用S321的方式得到当前招聘岗位中全部招聘岗位对应的工作岗位实体，得到招聘岗位与工作岗位实体的关联关系。
S323，根据招聘岗位与工作岗位实体的关联关系查找到与目标工作岗位实体对应的至少一个招聘岗位。
根据上述的招聘岗位与工作岗位实体之间的关联关系，查找到与目标工作岗位实体相关联的至少一个有效的招聘岗位。
在本申请的另一个实施例中，获得工作岗位概率模型的过程如下：
统计工作岗位实体所关联的全部工作岗位实例所具备的岗位属性实体的匹配概率值(即，第二匹配概率值)，得到该工作岗位实体对应的岗位属性实体的概率；
统计工作岗位知识图谱中全部工作岗位实体关联的岗位属性实体的概率，得到工作岗位概率模型。
S330，向待测试用户推荐至少一个招聘岗位。
本实施例提供的职业特点预测方法，在分析得到待测试用户的工作者属性之后，还可以进一步为用户推荐适合的招聘岗位，进一步满足求职者的需求。
相应于上述的职业特点预测方法实施例，本申请还提供了职业特点预测装置实施例。
请参见图8，示出了本申请实施例一种职业特点预测装置的框图，该装置应用于服务端，如图8所示，该装置可以包括：第一获取模块110和查找模块120。
第一获取模块110，用于获取待测试用户的工作者描述信息，该工作者描述信息表征该待测试用户在工作方面具备的特点。
查找模块120，用于依据工作者概率模型查找到工作者属性与该工作者描述信息相匹配的工作者实体，并确定该工作者实体所具备的工作者属性为该待测试用户的工作者属性。
其中，工作者属性表征工作者自身具备的能够在工作职业中体现或使用的特点。工作者概率模型是预先利用机器学习算法训练得到的工作者实体与对应的工作者属性实体之间的概率统计模型。工作者属性表征工作者自身具备的能够在工作职业中体现或使用的特点，工作者实体是指具有某一类工作者属性的属性实体，例如，工作者属性实体可以是一个人在工作方面表现出的特点。
在本申请的一个实施例中，依据工作者概率模型查找对应的工作者实体的过程可以是：
将获得的工作者描述信息逐一与工作者概率模型中工作者实体对应的工作者属性进行匹配，得到匹配概率值(即第三匹配概率值)，并确定匹配概率值大于预设概率值(即，第三预设概率值)的工作者实体为与工作者描述信息相匹配的工作者实体。
在本申请的一个实施例中，在得到工作者概率模型之前，先构建工作者知识图谱，工作者知识图谱包含不同类型的工作者实体，以及每个工作者实体所具备的工作者属性的关系图谱。
得到工作者知识图谱之后，建立工作者实体与工作者学习样本之间的关联属性，该关联属性可以命名为工作者实例。通过工作者实例扩充了工作者知识图谱，同时，工作者知识图谱中的工作者实体与真实的求职者资料建立了关联关系。
通过机器学习的方法，建立工作者知识图谱的每个工作者实体与工作者实例之间的匹配度概率模型，最终得到工作者概率模型。
本实施例提供的职业特点预测装置，获得待测试用户的工作者描述信息后，利用预先利用机器学习方法得到的工作者概率模型对该工作者描述信息进行匹配计算，最终得到与该工作者描述信息相匹配的工作者属性，即得到该待测试用户的工作者属性。用户可以通过线上方式直接获得自己的职业特点。该装置无需职业指导专家进行线上分析评价，即指导过程不依赖于职业指导专家资源，不受职业指导专家资源有限的影响以及地域限制，极大地提高了职业特点预测的速度及效率。
请参见图9，示出了本申请实施例提供的另一种职业特点预测装置的框图，该装置在图8所示实施例的基础上还包括：
第二获取模块210，用于依据工作者-岗位知识图谱，获得与该待测试用户的工作者属性相匹配的至少一个工作岗位实体。
在本申请的一个实施例中，可以直接向该待测试用户推荐所述至少一个工作岗位实体。
在本申请的一个实施例中，工作者-岗位知识图谱是将工作者知识图谱与工作岗位知识图谱进行关联得到。其中，工作岗位知识图谱是不同类型的工作岗位实体，以及每个所述工作岗位实体所具备的岗位属性实体的关系图谱。
创建完工作岗位知识图谱后，可以依据岗位学习样本数据，建立每一个工作岗位实体与招聘岗位样本数据之间的关联属性，该关联属性可以命名为工作岗位实例。
获得工作岗位实例后，可以依据工作者实例及工作岗位实例建立工作者实体与工作岗位实体之间的关联关系，得到工作者-岗位知识图谱。
根据工作者知识图谱获得待测用户的工作者属性后，再依据工作者岗位知识图谱，获得与该待测用户的工作者属性相匹配的工作岗位实体。
第三获取模块220，用于从当前招聘岗位中确定出岗位描述信息与所述至少一个工作岗位实体的岗位属性实体相匹配的至少一个招聘岗位。
其中，当前招聘岗位是当前有效的招聘岗位。
工作岗位概率模型包含多个不同类型的工作岗位实体，以及每个工作岗位实体所具备的工作岗位属性实体的统计概率。依据工作岗位实体与工作岗位实例之间的匹配概率，得到工作岗位概率模型。
依据工作岗位概率模型查找到与待测用户(即，求职者)的工作岗位实体相匹配的至少一个招聘岗位。
岗位推荐模块230，用于向待测试用户推荐所述至少一个招聘岗位。
本实施例提供的职业特点预测装置，在分析得到待测试用户的工作者属性之后，还可以进一步为用户推荐适合的招聘岗位，进一步满足求职者的需求。
所述职业特点预测装置包括处理器和存储器，上述第一获取模块、查找模块、第二获取模块、第三获取模块和岗位推荐模块等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来实现自动为求职者分析职业特性，不再依赖于职业指导专家。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现所述职业特点预测方法。
本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述职业特点预测方法。
本发明实施例提供了一种设备，本文中的设备可以是服务器、PC、PAD、手机等。其中，该设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：
获取待测试用户的工作者描述信息，该工作者描述信息表征该待测试用户在工作方面具备的特点；
依据工作者概率模型查找到工作者属性与该工作者描述信息相匹配的工作者实体，并确定该工作者实体所具备的工作者属性为该待测试用户的工作者属性；
其中，所述工作者属性表征工作者自身具备的能够在工作职业中体现或使用的特点。
在本申请一种可能的实现方式中，所述方法还包括：
依据工作者-岗位知识图谱，获得与该待测试用户的工作者属性相匹配的至少一个工作岗位实体，并向该待测试用户推荐所述至少一个工作岗位实体；
其中，所述工作者-岗位知识图谱是每个所述工作者实体与相匹配的工作岗位实体之间的关联关系图谱，所述工作岗位实体表征具体的工作岗位。
在本申请另一种可能的实现方式中，所述方法还包括：
从当前招聘岗位中确定出岗位描述信息与所述至少一个工作岗位实体的岗位属性实体相匹配的至少一个招聘岗位；
向所述待测试用户推荐所述至少一个招聘岗位。
在本申请另一种可能的实现方式中，所述从当前招聘岗位中确定出岗位描述信息与所述至少一个工作岗位实体的岗位属性实体相匹配的至少一个招聘岗位，包括：
针对所述当前招聘岗位中的任一招聘岗位，利用工作岗位概率模型，将该招聘岗位的描述信息与工作岗位实体的岗位属性实体进行匹配，得到第一匹配概率值，并将第一匹配概率值大于第一预设概率值的工作岗位实体确定为与该招聘岗位相匹配的至少一个工作岗位实体；
确定出所述当前招聘岗位中所有招聘岗位所对应的工作岗位实体，得到招聘岗位与工作岗位实体的关联关系；
当获得所述待测用户相匹配的至少一个工作岗位实体后，根据招聘岗位与工作岗位实体的关联关系查找到与该至少一个工作岗位实体对应的至少一个招聘岗位；
其中，所述工作岗位概率模型包含多个不同类型的工作岗位实体，以及每个所述工作岗位实体所具备的工作岗位属性实体的统计概率，所述工作岗位属性实体表征所述工作岗位实体所具有的岗位特点。
在本申请另一种可能的实现方式中，所述方法还包括：
针对任意一个工作岗位实体，将岗位学习样本数据所包含的各个招聘岗位的岗位描述信息与该工作岗位实体的岗位属性实体进行匹配得到第二匹配概率值，并将该第二匹配概率值大于第二预设概率值的招聘岗位确定为该工作岗位实体相关联的工作岗位实例；
统计该工作岗位实体所关联的全部工作岗位实例所具备的岗位属性实体的第二匹配概率值，得到该工作岗位实体对应的岗位属性实体的概率；
统计工作岗位知识图谱中全部工作岗位实体关联的岗位属性实体的概率，得到所述工作岗位概率模型；
其中，所述工作岗位知识图谱包含不同类型的工作岗位实体，以及每个工作岗位实体所具有的岗位属性实体的图谱。
在本申请另一种可能的实现方式中，所述工作者概率模型包含多个工作者实体，以及每个工作者实体与对应的工作者属性之间的匹配概率；
所述依据工作者概率模型查找到工作者属性与该工作者描述信息相匹配的工作者实体，包括：
将所述待测试用户的工作者描述信息逐一与所述工作者概率模型中工作者实体对应的工作者属性进行匹配得到第三匹配概率值，并确定第三匹配概率值大于第三预设概率值的工作者实体为与该待测试用户相匹配的工作者实体。
在本申请另一种可能的实现方式中，所述方法还包括：
针对任意一个工作者实体，将工作者学习样本数据所包含的各个求职者的工作者描述信息与该工作者实体的工作者属性进行匹配计算得到第四匹配概率值，并将该第四匹配概率值大于第四预设概率值的求职者确定为该工作者实体相关联的工作者实例；
统计所述工作者实体所关联的所有工作者实例所具备的工作者属性的匹配概率值，得到该工作者实体对应的工作者属性概率；
统计工作者知识图谱中所有工作者实体关联的各个工作者属性的概率，得到所述工作者概率模型；
其中，所述工作者知识图谱包含不同类型的工作者实体，以及每个所述工作者实体所具备的工作者属性的关系图谱。
在本申请另一种可能的实现方式中，所述方法还包括：
根据每个所述工作者实体相关联的工作者实例，确定与该工作者实例相匹配的工作岗位实例；
依据所述工作岗位实例与工作岗位知识图谱中的工作岗位实体之间的关联属性，确定与每个所述工作者实体相关联的工作岗位实体，得到工作者-岗位知识图谱。
在本申请另一种可能的实现方式中，所述方法还包括：
创建不同维度的工作者属性类、每个所述工作者属性类所包含的工作者属性子类，以及每个所述工作者属性子类所包含的具体的工作者属性；
创建不同类型的工作者实体，并建立每个所述工作者实体与至少一个工作者属性之间的关联属性，得到所述工作者知识图谱。
在本申请另一种可能的实现方式中，所述方法还包括：
创建不同维度的工作岗位属性类、每个所述工作岗位属性类所包含的工作岗位属性子类，以及每个所述工作岗位属性子类所包含的具体的工作岗位属性实体
创建不同类型的工作岗位实体，并建立每个所述工作岗位实体与至少一个工作岗位属性实体的关联属性，得到所述工作岗位知识图谱；
其中，所述工作岗位知识图谱包含不同类型的工作岗位实体，以及每个所述工作岗位实体所具备的岗位属性实体的关系图谱。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：
获取待测试用户的工作者描述信息，该工作者描述信息表征该待测试用户在工作方面具备的特点；
依据工作者概率模型查找到工作者属性与该工作者描述信息相匹配的工作者实体，并确定该工作者实体所具备的工作者属性为该待测试用户的工作者属性；
其中，所述工作者属性表征工作者自身具备的能够在工作职业中体现或使用的特点。
在本申请一种可能的实现方式中，所述方法还包括：
依据工作者-岗位知识图谱，获得与该待测试用户的工作者属性相匹配的至少一个工作岗位实体，并向该待测试用户推荐所述至少一个工作岗位实体；
其中，所述工作者-岗位知识图谱是每个所述工作者实体与相匹配的工作岗位实体之间的关联关系图谱，所述工作岗位实体表征具体的工作岗位。
在本申请另一种可能的实现方式中，所述方法还包括：
从当前招聘岗位中确定出岗位描述信息与所述至少一个工作岗位实体的岗位属性实体相匹配的至少一个招聘岗位；
向所述待测试用户推荐所述至少一个招聘岗位。
在本申请另一种可能的实现方式中，所述从当前招聘岗位中确定出岗位描述信息与所述至少一个工作岗位实体的岗位属性实体相匹配的至少一个招聘岗位，包括：
针对所述当前招聘岗位中的任一招聘岗位，利用工作岗位概率模型，将该招聘岗位的描述信息与工作岗位实体的岗位属性实体进行匹配，得到第一匹配概率值，并将第一匹配概率值大于第一预设概率值的工作岗位实体确定为与该招聘岗位相匹配的至少一个工作岗位实体；
确定出所述当前招聘岗位中所有招聘岗位所对应的工作岗位实体，得到招聘岗位与工作岗位实体的关联关系；
当获得所述待测用户相匹配的至少一个工作岗位实体后，根据招聘岗位与工作岗位实体的关联关系查找到与该至少一个工作岗位实体对应的至少一个招聘岗位；
其中，所述工作岗位概率模型包含多个不同类型的工作岗位实体，以及每个所述工作岗位实体所具备的工作岗位属性实体的统计概率，所述工作岗位属性实体表征所述工作岗位实体所具有的岗位特点。
在本申请另一种可能的实现方式中，所述方法还包括：
针对任意一个工作岗位实体，将岗位学习样本数据所包含的各个招聘岗位的岗位描述信息与该工作岗位实体的岗位属性实体进行匹配得到第二匹配概率值，并将该第二匹配概率值大于第二预设概率值的招聘岗位确定为该工作岗位实体相关联的工作岗位实例；
统计该工作岗位实体所关联的全部工作岗位实例所具备的岗位属性实体的第二匹配概率值，得到该工作岗位实体对应的岗位属性实体的概率；
统计工作岗位知识图谱中全部工作岗位实体关联的岗位属性实体的概率，得到所述工作岗位概率模型；
其中，所述工作岗位知识图谱包含不同类型的工作岗位实体，以及每个工作岗位实体所具有的岗位属性实体的图谱。
在本申请另一种可能的实现方式中，所述工作者概率模型包含多个工作者实体，以及每个工作者实体与对应的工作者属性之间的匹配概率；
所述依据工作者概率模型查找到工作者属性与该工作者描述信息相匹配的工作者实体，包括：
将所述待测试用户的工作者描述信息逐一与所述工作者概率模型中工作者实体对应的工作者属性进行匹配得到第三匹配概率值，并确定第三匹配概率值大于第三预设概率值的工作者实体为与该待测试用户相匹配的工作者实体。
在本申请另一种可能的实现方式中，所述方法还包括：
针对任意一个工作者实体，将工作者学习样本数据所包含的各个求职者的工作者描述信息与该工作者实体的工作者属性进行匹配计算得到第四匹配概率值，并将该第四匹配概率值大于第四预设概率值的求职者确定为该工作者实体相关联的工作者实例；
统计所述工作者实体所关联的所有工作者实例所具备的工作者属性的匹配概率值，得到该工作者实体对应的工作者属性概率；
统计工作者知识图谱中所有工作者实体关联的各个工作者属性的概率，得到所述工作者概率模型；
其中，所述工作者知识图谱包含不同类型的工作者实体，以及每个所述工作者实体所具备的工作者属性的关系图谱。
在本申请另一种可能的实现方式中，所述方法还包括：
根据每个所述工作者实体相关联的工作者实例，确定与该工作者实例相匹配的工作岗位实例；
依据所述工作岗位实例与工作岗位知识图谱中的工作岗位实体之间的关联属性，确定与每个所述工作者实体相关联的工作岗位实体，得到工作者-岗位知识图谱。
在本申请另一种可能的实现方式中，所述方法还包括：
创建不同维度的工作者属性类、每个所述工作者属性类所包含的工作者属性子类，以及每个所述工作者属性子类所包含的具体的工作者属性；
创建不同类型的工作者实体，并建立每个所述工作者实体与至少一个工作者属性之间的关联属性，得到所述工作者知识图谱。
在本申请另一种可能的实现方式中，所述方法还包括：
创建不同维度的工作岗位属性类、每个所述工作岗位属性类所包含的工作岗位属性子类，以及每个所述工作岗位属性子类所包含的具体的工作岗位属性实体
创建不同类型的工作岗位实体，并建立每个所述工作岗位实体与至少一个工作岗位属性实体的关联属性，得到所述工作岗位知识图谱；
其中，所述工作岗位知识图谱包含不同类型的工作岗位实体，以及每个所述工作岗位实体所具备的岗位属性实体的关系图谱。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (12)

1.一种职业特点预测方法，其特征在于，包括
获取待测试用户的工作者描述信息，该工作者描述信息表征该待测试用户在工作方面具备的特点；
依据工作者概率模型查找到工作者属性与该工作者描述信息相匹配的工作者实体，并确定该工作者实体所具备的工作者属性为该待测试用户的工作者属性；
其中，所述工作者属性表征工作者自身具备的能够在工作职业中体现或使用的特点；
所述方法还包括：
针对任意一个工作者实体，将工作者学习样本数据所包含的各个求职者的工作者描述信息与该工作者实体的工作者属性进行匹配计算得到第四匹配概率值，并将该第四匹配概率值大于第四预设概率值的求职者确定为该工作者实体相关联的工作者实例；
统计所述工作者实体所关联的所有工作者实例所具备的工作者属性的匹配概率值，得到该工作者实体对应的工作者属性概率；
统计工作者知识图谱中所有工作者实体关联的各个工作者属性的概率，得到所述工作者概率模型；
其中，所述工作者知识图谱包含不同类型的工作者实体，以及每个所述工作者实体所具备的工作者属性的关系图谱。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
依据工作者-岗位知识图谱，获得与该待测试用户的工作者属性相匹配的至少一个工作岗位实体，并向该待测试用户推荐所述至少一个工作岗位实体；
其中，所述工作者-岗位知识图谱是每个所述工作者实体与相匹配的工作岗位实体之间的关联关系图谱，所述工作岗位实体表征具体的工作岗位。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
从当前招聘岗位中确定出岗位描述信息与所述至少一个工作岗位实体的工作岗位属性实体相匹配的至少一个招聘岗位；所述工作岗位属性实体表征所述工作岗位实体所具有的岗位特点；
向所述待测试用户推荐所述至少一个招聘岗位。
4.根据权利要求3所述的方法，其特征在于，所述从当前招聘岗位中确定出岗位描述信息与所述至少一个工作岗位实体的工作岗位属性实体相匹配的至少一个招聘岗位，包括：
针对所述当前招聘岗位中的任一招聘岗位，利用工作岗位概率模型，将该招聘岗位的描述信息与工作岗位实体的工作岗位属性实体进行匹配，得到第一匹配概率值，并将第一匹配概率值大于第一预设概率值的工作岗位实体确定为与该招聘岗位相匹配的至少一个工作岗位实体；
确定出所述当前招聘岗位中所有招聘岗位所对应的工作岗位实体，得到招聘岗位与工作岗位实体的关联关系；
当获得所述待测试用户相匹配的至少一个工作岗位实体后，根据招聘岗位与工作岗位实体的关联关系查找到与该至少一个工作岗位实体对应的至少一个招聘岗位；
其中，所述工作岗位概率模型包含多个不同类型的工作岗位实体，以及每个所述工作岗位实体所具备的工作岗位属性实体的统计概率，所述工作岗位属性实体表征所述工作岗位实体所具有的岗位特点。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
针对任意一个工作岗位实体，将岗位学习样本数据所包含的各个招聘岗位的岗位描述信息与该工作岗位实体的工作岗位属性实体进行匹配得到第二匹配概率值，并将该第二匹配概率值大于第二预设概率值的招聘岗位确定为该工作岗位实体相关联的工作岗位实例；
统计该工作岗位实体所关联的全部工作岗位实例所具备的工作岗位属性实体的第二匹配概率值，得到该工作岗位实体对应的工作岗位属性实体的概率；
统计工作岗位知识图谱中全部工作岗位实体关联的工作岗位属性实体的概率，得到所述工作岗位概率模型；
其中，所述工作岗位知识图谱包含不同类型的工作岗位实体，以及每个工作岗位实体所具有的工作岗位属性实体的图谱。
6.根据权利要求1所述的方法，其特征在于，所述工作者概率模型包含多个工作者实体，以及每个工作者实体与对应的工作者属性之间的匹配概率；
所述依据工作者概率模型查找到工作者属性与该工作者描述信息相匹配的工作者实体，包括：
将所述待测试用户的工作者描述信息逐一与所述工作者概率模型中工作者实体对应的工作者属性进行匹配得到第三匹配概率值，并确定第三匹配概率值大于第三预设概率值的工作者实体为与该待测试用户相匹配的工作者实体。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据每个所述工作者实体相关联的工作者实例，确定与该工作者实例相匹配的工作岗位实例；
依据所述工作岗位实例与工作岗位知识图谱中的工作岗位实体之间的关联属性，确定与每个所述工作者实体相关联的工作岗位实体，得到工作者-岗位知识图谱。
8.根据权利要求7所述的方法，其特征在于，所述方法还包括：
创建不同维度的工作者属性类、每个所述工作者属性类所包含的工作者属性子类，以及每个所述工作者属性子类所包含的具体的工作者属性；
创建不同类型的工作者实体，并建立每个所述工作者实体与至少一个工作者属性之间的关联属性，得到所述工作者知识图谱。
9.根据权利要求5所述的方法，其特征在于，所述方法还包括：
创建不同维度的工作岗位属性类、每个所述工作岗位属性类所包含的工作岗位属性子类，以及每个所述工作岗位属性子类所包含的具体的工作岗位属性实体
创建不同类型的工作岗位实体，并建立每个所述工作岗位实体与至少一个工作岗位属性实体的关联属性，得到所述工作岗位知识图谱；
其中，所述工作岗位知识图谱包含不同类型的工作岗位实体，以及每个所述工作岗位实体所具备的工作岗位属性实体的关系图谱。
10.一种职业特点预测装置，其特征在于，包括
第一获取模块，用于获取待测试用户的工作者描述信息，该工作者描述信息表征该待测试用户在工作方面具备的特点；
查找模块，用于依据工作者概率模型查找到工作者属性与该工作者描述信息相匹配的工作者实体，并确定该工作者实体所具备的工作者属性为该待测试用户的工作者属性；
其中，所述工作者属性表征工作者自身具备的能够在工作职业中体现或使用的特点；
所述装置还包括工作者概率模型获得模块，用于针对任意一个工作者实体，将工作者学习样本数据所包含的各个求职者的工作者描述信息与该工作者实体的工作者属性进行匹配计算得到第四匹配概率值，并将该第四匹配概率值大于第四预设概率值的求职者确定为该工作者实体相关联的工作者实例，统计所述工作者实体所关联的所有工作者实例所具备的工作者属性的匹配概率值，得到该工作者实体对应的工作者属性概率，统计工作者知识图谱中所有工作者实体关联的各个工作者属性的概率，得到所述工作者概率模型，其中，所述工作者知识图谱包含不同类型的工作者实体，以及每个所述工作者实体所具备的工作者属性的关系图谱。
11.一种存储介质，其上存储有程序，其特征在于，所述程序被处理器执行时实现权利要求1至9任一项所述的职业特点预测方法。
12.一种处理器，所述处理器用于运行程序，其特征在于，所述程序运行时执行权利要求1至9任一项所述的职业特点预测方法。
CN201811391536.5A 2018-11-21 2018-11-21 职业特点预测方法及装置 Active CN111210044B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811391536.5A CN111210044B (zh) 2018-11-21 2018-11-21 职业特点预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811391536.5A CN111210044B (zh) 2018-11-21 2018-11-21 职业特点预测方法及装置

Publications (2)

Publication Number Publication Date
CN111210044A CN111210044A (zh) 2020-05-29
CN111210044B true CN111210044B (zh) 2023-04-07

Family

ID=70787725

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811391536.5A Active CN111210044B (zh) 2018-11-21 2018-11-21 职业特点预测方法及装置

Country Status (1)

Country Link
CN (1) CN111210044B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112434096B (zh) * 2020-11-30 2023-05-23 上海天旦网络科技发展有限公司 基于智能标签的业务分析系统及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104462501A (zh) * 2014-12-19 2015-03-25 北京奇虎科技有限公司 基于结构化数据的知识图谱构建方法和装置
CN105787649A (zh) * 2016-02-20 2016-07-20 广东人啊人网络技术开发有限公司 T12人才测评方法及t12人才测评系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140279635A1 (en) * 2013-03-13 2014-09-18 Profiles International, Inc. System and method for utilizing assessments
CN104462504A (zh) * 2014-12-19 2015-03-25 北京奇虎科技有限公司 基于搜索中提供推理过程数据的方法和装置
CN107491892A (zh) * 2017-08-29 2017-12-19 北京慧思职拓咨询有限公司 一种用于职业适应力评估的三维动态监测方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104462501A (zh) * 2014-12-19 2015-03-25 北京奇虎科技有限公司 基于结构化数据的知识图谱构建方法和装置
CN105787649A (zh) * 2016-02-20 2016-07-20 广东人啊人网络技术开发有限公司 T12人才测评方法及t12人才测评系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于本体的网络招聘个性化推荐系统用户建模研究;宋晴晴;《中国优秀博硕士学位论文全文数据库(硕士) 基础科学辑》;20111215;正文第50-80页 *

Also Published As

Publication number Publication date
CN111210044A (zh) 2020-05-29

Similar Documents

Publication Publication Date Title
KR102206256B1 (ko) 온라인 강의 시스템에서 강사를 추천하는 방법
Saunders Using social network analysis to explore social movements: A relational approach
Shukla et al. Enhancing LMS experience through AIML base and retrieval base chatbot using R language
Peace The risk matrix: uncertain results?
CN109492164A (zh) 一种简历的推荐方法、装置、电子设备及存储介质
US20190354887A1 (en) Knowledge graph based learning content generation
US20170263150A1 (en) Job profile integration into talent management systems
KR102281161B1 (ko) 자기소개서를 기반으로 면접 질문을 생성하는 서버 및 방법
Hassan et al. Smart media-based context-aware recommender systems for learning: A conceptual framework
CN113377936A (zh) 智能问答方法、装置及设备
CN110147504B (zh) 区域教育资源满足度评价方法及系统
Brooks et al. Conceptual modelling and the project process in real simulation projects: a survey of simulation modellers
Acharya et al. An intelligent web-based system for diagnosing student learning problems using concept maps
CN110609947A (zh) 智能学习系统的学习内容推荐方法、终端及存储介质
Zheng et al. Understanding the process of teachers’ technology adoption with a dynamic analytical model
CN110968776B (zh) 政策知识的推荐方法、装置存储介质及处理器
CN111210044B (zh) 职业特点预测方法及装置
KR102343385B1 (ko) 온톨로지와 딥 러닝에 기반한 사회 맞춤형 역량 기반 교육 과정 관리 장치 및 방법
Hansen et al. An epistemic context-based decision-making framework for an infrastructure project investment decision in Indonesia
Dutta et al. Mobilizing crowdwork: A systematic assessment of the mobile usability of hits
CN113313470A (zh) 一种基于大数据的就业类型评估方法及系统
Hooper Big Data: What Is It and How Can Academic Libraries Use It?
López-Morales et al. The impact of qualitative methods on article citation: an international business research perspective
TWI419071B (zh) Active knowledge management system, method and computer program product for problem solving
US20240119490A1 (en) System and method for recommending programs based on interest of the users

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