CN111651676A - 基于能力模型进行职业推荐的方法、装置、设备和介质 - Google Patents
基于能力模型进行职业推荐的方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN111651676A CN111651676A CN202010516522.2A CN202010516522A CN111651676A CN 111651676 A CN111651676 A CN 111651676A CN 202010516522 A CN202010516522 A CN 202010516522A CN 111651676 A CN111651676 A CN 111651676A
- Authority
- CN
- China
- Prior art keywords
- test
- capability
- label
- vocational
- ability
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012360 testing method Methods 0.000 claims abstract description 664
- 230000001755 vocal effect Effects 0.000 claims abstract description 234
- 238000012216 screening Methods 0.000 claims abstract description 45
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000013101 initial test Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 12
- 230000000875 corresponding effect Effects 0.000 description 334
- 238000004891 communication Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 13
- 230000004044 response Effects 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000005316 response function Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000001788 irregular Effects 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
- G06Q50/2057—Career enhancement or continuing education service
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Educational Administration (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Educational Technology (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Electrically Operated Instructional Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种基于能力模型进行职业推荐的方法、装置、设备和介质。所述方法包括:向目标对象推送与测试能力标签相对应的职业测试题;根据目标对象在解答各职业测试题时的答题结果,确定与目标对象对应的能力测试结果;根据能力测试结果从能力标签中筛选出下一个待测试的能力所对应的测试能力标签;返回向目标对象推送与测试能力标签相对应的职业测试题的步骤并继续执行,直至满足测试停止条件时停止测试,得到与目标对象对应的多于一个的能力测试结果;根据多于一个的能力测试结果,确定目标对象具备相应能力的目标能力标签所对应的候选职业;从候选职业中筛选目标职业,并将目标职业推荐给目标对象。采用本方法能够提高职业推荐的准确性。
Description
技术领域
本申请涉及数据推荐技术领域,特别是涉及一种基于能力模型进行职业推荐的方法、装置、设备和介质。
背景技术
随着数据推荐技术的发展,出现了职业推荐技术。传统的职业推荐方法是用大量的测试题测试用户的兴趣爱好、以及性格等情况,从而为不同兴趣爱好或不同性格的用户推荐相应的职业。
然而,采用传统的职业推荐方法时,常常会碰到所推荐的职业与用户的能力不匹配的情况,导致用户无法胜任所推荐的职业,因而存在职业推荐的准确率低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高准确性的基于能力模型进行职业推荐的方法、装置、设备和介质。
一种基于能力模型进行职业推荐的方法,所述方法包括:
向目标对象推送与测试能力标签相对应的职业测试题;其中,所述测试能力标签中初始的测试能力标签基于职业信息库中各职业分别对应的能力标签所确定;
根据目标对象在解答各所述职业测试题时的答题结果,确定与所述目标对象对应的能力测试结果;
根据所述能力测试结果从所述能力标签中筛选出下一个待测试的能力所对应的测试能力标签;
返回所述向目标对象推送与测试能力标签相对应的职业测试题的步骤并继续执行,直至满足测试停止条件时停止测试,得到与所述目标对象对应的多于一个的能力测试结果;
根据所述多于一个的能力测试结果,确定所述目标对象具备相应能力的目标能力标签所对应的候选职业;
从所述候选职业中筛选目标职业,并将所述目标职业推荐给所述目标对象。
一种基于能力模型进行职业推荐的装置,所述装置包括:
推送模块,用于向目标对象推送与测试能力标签相对应的职业测试题;其中,所述测试能力标签中初始的测试能力标签基于职业信息库中各职业分别对应的能力标签所确定;
确定模块,用于根据目标对象在解答各所述职业测试题时的答题结果,确定与所述目标对象对应的能力测试结果;
筛选模块,用于根据所述能力测试结果从所述能力标签中筛选出下一个待测试的能力所对应的测试能力标签;
重复模块,用于返回所述向目标对象推送与测试能力标签相对应的职业测试题的步骤并继续执行,直至满足测试停止条件时停止测试,得到与所述目标对象对应的多于一个的能力测试结果;
所述确定模块还用于根据所述多于一个的能力测试结果,确定所述目标对象具备相应能力的目标能力标签所对应的候选职业;
推荐模块,用于从所述候选职业中筛选目标职业,并将所述目标职业推荐给所述目标对象。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
向目标对象推送与测试能力标签相对应的职业测试题;其中,所述测试能力标签中初始的测试能力标签基于职业信息库中各职业分别对应的能力标签所确定;
根据目标对象在解答各所述职业测试题时的答题结果,确定与所述目标对象对应的能力测试结果;
根据所述能力测试结果从所述能力标签中筛选出下一个待测试的能力所对应的测试能力标签;
返回所述向目标对象推送与测试能力标签相对应的职业测试题的步骤并继续执行,直至满足测试停止条件时停止测试,得到与所述目标对象对应的多于一个的能力测试结果;
根据所述多于一个的能力测试结果,确定所述目标对象具备相应能力的目标能力标签所对应的候选职业;
从所述候选职业中筛选目标职业,并将所述目标职业推荐给所述目标对象。
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以下步骤:
向目标对象推送与测试能力标签相对应的职业测试题;其中,所述测试能力标签中初始的测试能力标签基于职业信息库中各职业分别对应的能力标签所确定;
根据目标对象在解答各所述职业测试题时的答题结果,确定与所述目标对象对应的能力测试结果;
根据所述能力测试结果从所述能力标签中筛选出下一个待测试的能力所对应的测试能力标签;
返回所述向目标对象推送与测试能力标签相对应的职业测试题的步骤并继续执行,直至满足测试停止条件时停止测试,得到与所述目标对象对应的多于一个的能力测试结果;
根据所述多于一个的能力测试结果,确定所述目标对象具备相应能力的目标能力标签所对应的候选职业;
从所述候选职业中筛选目标职业,并将所述目标职业推荐给所述目标对象。
上述基于能力模型进行职业推荐的方法、装置、设备和介质,依次向目标对象推送与各测试能力标签对应的职业测试题,根据目标对象在解答各测试能力标签对应的各职业测试题时的答题结果,得到与目标对象对应的多于一个的能力测试结果,从而确定目标对象具备相应能力的目标能力标签所对应的候选职业,并从候选职业中筛选得到目标职业,以向目标对象进行职业推荐。通过这样的方式,向目标对象推送与测试能力标签对应的职业测试题,来测试用户相应能力的大小,从而在多种职业中筛选得到与用户相应能力匹配的目标职业,保证用户能够胜任筛选后所推荐的目标职业,从而大大提高职业推荐的准确性。并且,通过对测试能力标签的层层筛选,可从多个维度准确、且层层递进地筛选出相应的目标职业,用户无需逐一对每个职业所对应的职业测试题进行测试,因此减少了用户解答大量繁琐或无规律的职业测试题的测试时间成本,这不仅提高了职业推荐的效率,还保证了职业推荐的准确性。
附图说明
图1为一个实施例中基于能力模型进行职业推荐的方法的应用环境图;
图2为一个实施例中基于能力模型进行职业推荐的方法的流程示意图;
图3为一个实施例中难度模型的原理示意图;
图4(a)为一个实施例中测试版本选择页的界面图;
图4(b)为一个实施例中测试答题页的界面图;
图5为一个实施例中职业测试报告的界面图;
图6为一个实施例中职业测试报告中思想能力方法分析的界面图;
图7为一个实施例中基于能力模型进行职业推荐的装置的结构框图;
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的职业推进方法,可以应用于如图1所示的应用环境中。其中,用户终端110通过网络与服务器120进行通信。用户终端110和服务器120均可单独用于执行本申请实施例中提供的基于能力模型进行职业推荐的方法。用户终端110和服务器120也可协同用于执行本申请实施例中提供的基于能力模型进行职业推荐的方法。其中,用户终端110可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
比如,当用户终端110和服务器协同用于执行本申请实施例所提供的基于能力模型进行职业推荐的方法时,服务器120向目标对象所在的用户终端110推送与测试能力标签相对应的职业测试题;其中,测试能力标签中初始的测试能力标签基于职业信息库中各职业分别对应的能力标签所确定。用户终端110收集目标对象在解答各职业测试题时的答题结果,并传输至服务器120。服务器120根据答题结果确定与目标对象对应的能力测试结果。服务器120根据能力测试结果从能力标签中筛选出下一个待测试的能力所对应的测试能力标签,并向目标对象所在的用户终端110推送与下一个测试能力标签相对应的职业测试题,以对目标对象的能力进行测试。这样重复执行,直至满足测试停止条件时停止测试,得到与目标对象对应的多于一个的能力测试结果。服务器120根据多于一个的能力测试结果,确定目标对象具备相应能力的目标能力标签所对应的候选职业。服务器120从候选职业中筛选目标职业,并将目标职业推送至目标对象所在的用户终端110。
需要说明的是,能力模型也称MCM模型(Mode of thinking CapacityMethodology),是通过将学习思维进行拆分,拆分出思维模式(thinking)、学习能力(Capacity)和学习方法(Methodology)的一种策略。通过MCM模型可构建对应的MCM标签,而MCM标签也可称作能力标签,用于区分不同的思维模式、学习能力和学习方法。
在一个实施例中,如图2所示,提供了一种基于能力模型进行职业推荐的方法,以该方法应用于计算机设备为例进行说明,该计算机设备具体可以是图1中的用户终端110或服务器120,该基于能力模型进行职业推荐的方法包括以下步骤:
S202,向目标对象推送与测试能力标签相对应的职业测试题;其中,测试能力标签中初始的测试能力标签基于职业信息库中各职业分别对应的能力标签所确定。
其中,目标对象具体可以是用户对象,该用户对象具体可以是自然人,如学生;该用户对象也可以是计算机设备可处理的数据对象,比如用户账号所表示的对象。
能力标签是职业测试题的类别标签,可用于表征职业测试题的属性特征。能力标签也称作MCM(Mode of thinking Capacity Methodology)标签。能力标签比如分类讨论思想、沟通能力、估测能力、规范表达能力、规划能力以及规律探究能力等能力标签。其中,一种能力对应一个能力标签。一个能力标签下可对应多道职业测试题。职业测试题用来测试用户是否掌握与能力标签对应的能力。
测试能力标签是从各能力标签中筛选出的能力标签。测试能力标签通常是在各职业中出现频率较高的能力标签。比如,将各职业中出现频率最高的能力标签作为测试能力标签。还比如,将各能力标签在各职业中的出现频率按照从高到低进行排序,从排序名次小于预设名次的能力标签中随机选中一个作为测试能力标签,比如,当预设名次为第四名时,计算机设备从排序的前三名所对应的能力标签中随机挑选一个能力标签作为测试能力标签。当然,还可以有其他的挑选方式,本申请实施例对此不作限定。
测试能力标签下所对应的职业测试题用于测试目标对象是否具有与测试能力标签相应的能力。比如沟通能力标签下的各职业测试题用于测试用户是否具有与沟通能力标签相应的沟通能力。
在一个实施例中,计算机设备将出现频率最高的能力标签作为测试能力标签,并根据与测试能力标签对应的能力测试结果,在多种职业中快速确定与用户所具备的能力相匹配的职业,也就是说,用户无需逐一对每个职业所对应的职业测试题进行测试,从而保证了职业测评的效率。
在一个实施例中,计算机设备在向目标对象推送职业测试题时,可一道题一道题的依次推送。也就是说,计算机设备可每次向目标对象推送与测试能力标签相对应的一道职业测试题,再根据目标对象解答当前的职业测试题的答题结果,来确定并推送下一道职业测试题。也就是说,由于每个用户对每道职业测试题的答题结果可能不同,计算机设备根据用户的答题结果会相应调整后续的职业测试题,因而每个用户所需解答的职业测试题就会不同。这样,就可根据目标对象当前所具备的能力,推送与目标对象相匹配的职业测试题,从而从可以实现在多种职业中快速定位到目标对象具备的能力匹配的职业,不需要逐一根据每一个职业,以及每个职业所对应的每道测试题作答。
在一个实施例中,计算机设备划分与测试能力标签对应的每道职业测试题的难易程度,比如将与测试能力标签对应的各职业测试题分成1-9的不同难度级别。其中,数值越高表示对应的职业测试题越难。计算机设备可将处于中间段位的职业测试题划分为中等难度的职业测试题,比如将难度级别为4-6的职业测试题划分为中等难度,或者将难度级别为3-7的职业测试题划分为中等难度,本申请实施例对此不做限定。
在一个实施例中,计算机设备将难度级别满足中等难度条件的职业测试题,作为与测试能力标签对应的第一题,其中,难度级别满足中等难度条件的职业测试题比如是难度级别在4-6的职业测试题。具体地,计算机设备随机从与测试能力标签对应的难度级别在4-6的职业测试题中抽选一道职业测试题,将该职业测试题作为与测试能力标签对应的第一题,并推送给用户。
在一个实施例中,对于每道职业测试题的难度级别,计算机设备可先计算出各个职业测试题所对应的难度值,再将难度值映射成对应的难度级别。可以理解,难度值越大,其映射成的难度级别也相对越高;难度值越小,其映射成的难度级别也相对越小。计算机设备可以通过逻辑回归算法和EM(Expectation Maximization,最大期望)算法来确定各个职业测试题的难度值。其中,逻辑回归算法是将各用户的答案对错进行分类。
具体地,计算机设备可预先准备训练样本,这些训练样本包括多个用户样本、一些带有难度值的样本测试题。其中,此处的样本测试题的难度值可以由专业人员通过经验推算得到,并进行人为的设置。
接下来,可通过用户样本来对这些样本测试题进行测试,根据用户样本的响应(响应包括答对或答错)、以及这些样本测试题的难度值来计算得到各用户样本的能力值。其中,关于能力值的具体计算方式,可参考后面的实施例中的相关内容。
进而,计算机设备可获取需要确定难度值的职业测试题,通过这多个用户样本分别对这些职业测试题进行测试,得到对应的响应。计算机设备可基于每个用户样本的能力值、对该职业测试题的响应、以及待计算的难度值构建对应的逻辑函数。然后将每个用户样本所对应的逻辑函数进行连乘运算,以构建目标函数,该目标函数可认为是难度模型。计算机设备可将使得该目标函数的值最大化时的难度值,作为该职业测试题的难度值。
下面来举例说明某个职业测试题的难度值的计算方式:第i个用户正确回答某道职业测试题的概率,遵从逻辑函数(也可称作响应函数),其中D为常量1.7,θi是第i个用户的能力值,b是该职业测试题的难度值。对应的,错误回答某道职业测试题的概率为(也可称作响应函数)。其中,第i个用户对该题目的响应记为ui。如果用户的响应是正确的,则ui=1。如果用户的响应是错误的,则ui=0。n个用户对该题目的响应矢量为u=<u1,u2,u3...un>。计算机设备对该职业测试题的响应为u的概率为参考图3,图3为一个实施例中难度模型的原理示意图。当用户答对这个职业测试题时,在不同难度值下,用户的响应函数表现为图3中P2和P3类似的曲线;当用户答错这个职业测试题时,在不同难度值下,用户的响应函数表现为图3中Q1类似的曲线。其中,该响应函数反映了答对或答错的概率。计算机设备可将一组用户所对应的响应函数进行连乘运算,得到也就是图3中的L(b)曲线。计算机设备可将该L(b)曲线的峰值所对应的难度值作为该职业测试题的难度值。
在一个实施例中,计算机设备根据所计算得到的每道职业测试题对应的难度值,确定对应的难度级别。比如计算机设备挑选的三个测试学生的能力值分别为0.07、0.25以及0.09,且三个测试学生对应的响应分别为<0,1,1>,因而可得到,当取得最大值时,对应的难度值b为-0.27,将该难度值进行标准化,可得到标准化后的难度值为0.43。比如,计算机设备可将此时标准化难度值为0.43的职业测试题的难度级别划分为4级,当然,计算机设备也可采用其他的方式进行级别的划分,本申请实施例对此不做限定。
在一个实施例中,用户终端采集到用户的答题结果后,将答题结果发送给服务器。服务器根据用户的答题结果,确定与测试能力标签对应的第二题。比如,当用户的答题结果是答题正确时,服务器向用户推送难度级别高于第一题的职业测试题作为第二题;当用户的答题结果是答题错误时,服务器向用户推送难度级别低于第一题的职业测试题作为第二题。
在一个实施例中,计算机设备采集到用户的答题结果后,根据用户的答题结果,确定与测试能力标签对应的第二题。比如,当用户的答题结果是答题正确时,计算机设备向用户推送难度级别高于第一题的职业测试题作为第二题;当用户的答题结果是答题错误时,计算机设备向用户推送难度级别低于第一题的职业测试题作为第二题。
在一个实施例中,计算机设备设置每个测试能力标签的推送规则。比如每个测试能力标签下最多推送3道职业测试题。可以理解,为了对用户所具备的能力进行一个更准确的测试,对于每种测试能力标签(MCM标签),还可推送对应的更多的职业测试题,比如5道题或7道题等,本申请实施例对此不做限定。
在一个实施例中,目标对象可通过应用程序或网页进入职业测试页面,该职业测试页面中展示有职业测试题。可以理解,用户在进入职业测试页面之前,可以根据个人需求选择对应的测试版本,比如存在“快速版”、“深入版”和“豪华版”三个测试版本。其中,不同的测试版本进行测试的测试能力标签数量不同。比如“快速版”最多测试7个测试能力标签;“深入版”最多测试10个测试能力标签;“豪华版”最多测试15个测试能力标签。本申请实施例对此不做限定。
在一个实施例中,由于不同的测试版本进行测试的测试能力标签数量不同,因而当用户选择不用的测试版本进行职业测试后,用户所花费的测试时长、以及与用户对应的测试能力结果的准确性可能不同。
S204,根据目标对象在解答各职业测试题时的答题结果,确定与目标对象对应的能力测试结果。
其中,能力测试结果是测试用户能力的结果,具体可以是能力已掌握和能力未掌握。答题结果是用户解答职业测试题所对应的结果,具体可以是答案正确率以及答题时间等信息。其中,答题时间具体可以是从计算机设备展示第一测试题开始记时,直至目标对象选择或者填写了答案时为止的时间。答案正确率具体可以是目标对象选择或者填写的答案与标准答案的差异情况。比如,当目标对象选择或者填写的答案与标准答案相同,则答案正确率为100%;当目标对象选择或者填写的答案与标准答案完全不同,则答案正确率为0%;当目标对象填写的答案与标准答案有部分相同,则答案正确率根据目标对象填写的答案与标准答案的匹配度所确定。
在一个实施例中,当职业测试题为选择题时,当目标对象选择的答案选项与标准答案选项是同一个选项,则答案正确率为100%;当目标对象选择的答案选项与标准答案选项是不同的选项,则答案正确率为0%。
在一个实施例中,当职业测试题为填空题或简答题时,计算机设备将用户填写的答案,比如一个整句,进行分词处理,得到对应的词序列。进而计算机设备可从词序列中去除掉无实意的虚词或语气助词等,得到关键词集。计算机设备可将所提取的关键词集中的各关键词与标准答案中的关键词进行匹配,当目标对象的答案中的关键词与标准答案中的关键词相同时,则认为匹配成功。进而计算机设备可根据目标对象的答案中的关键词中匹配成功的关键词的数量,与关键词集中的关键词的数量,计算匹配度,该匹配度即可认为是答案正确率。
举例说明,当目标对象的答案中的关键词与标准答案中的关键词有部分相同,则答案正确率根据目标对象的答案中的关键词与标准答案中的关键词的匹配数量来决定匹配度,比如一共有4个关键词,则目标对象答对三个关键词时,计算机设备判定当前的职业测试题的答案正确率为75%。
在一个实施例中,该目标对象填写的答案与标准答案的匹配度,也就是该答案正确率具体可根据人工批改得到。计算机设备在获取到目标对象填写的答案后,可推送至老师所在的终端。进而老师可对目标对象所填写的答案进行批改,确定目标对象填写的答案与标准答案的匹配度,从而给出答案正确率,并反馈至计算机设备。当然,计算机设备还可采用其他的方式计算目标对象填写的答案与标准答案的匹配度,本申请实施例对此不做限定。
在一个实施例中,当用户解答完与测试能力标签对应的职业测试题后,也就是用户终端采集到用户的答题结果后,用户终端将答题结果发送至服务器。也就是说,计算机设备接收到用户的答题结果。
在一个实施例中,计算机设备根据用户的答题结果,比如答案正确率和答题时间,实时调整下一道职业测试题的难度,或者实时调整下一个测试能力标签。具体地,当用户解答当前难度的职业测试题得到错误答案时,计算机设备自动推送一道难度级别低于当前难度的职业测试题,用于更深层的测试用户与当前测试能力标签相应的能力;或者,当用户解答当前测试能力标签下难度级别较低的职业测试题时,用户也得到错误答案时,表示用户不具备与当前测试能力标签相应的能力,计算机设备可自动推送下一个测试能力标签下的职业测试题,从而测试用户的其他能力。因此,计算机设备根据用户的答题结果可以自动调整后续测试的职业测试题的难度级别以及种类,从而保证了为用户匹配符合各自能力的职业的准确性。
在一个实施例中,计算机设备根据接收到的答题结果,确定用户的能力测试结果。具体地,计算机设备确定与测试能力标签对应的答案正确次数。当答案正确次数大于等于预设次数时,计算机设备判定用户与测试能力标签对应的能力测试结果为能力已掌握;当答案正确次数小于预设次数时,计算机设备判定用户与测试能力标签对应的能力测试结果为能力未掌握。其中,预设次数可以是该测试能力标签下的职业测试题的数量的中位数,也就是当与测试能力标签对应的答案正确次数超过一半时,对应的能力测试结果为能力已掌握。
举例说明,当计算机设备向目标对象推送测试能力标签下的3道职业测试题,此时,对应的预设次数可以是2次。当计算机设备接收到用户的答案正确次数为2次时,也就是与测试能力标签对应的答案正确次数超过一半,则可判定用户的能力测试结果为能力已掌握;当计算机设备接收到用户答案正确次数为1次,也就是答案错误次数为2次时,判定用户的能力测试结果为能力未掌握。
S206,根据能力测试结果从能力标签中筛选出下一个待测试的能力所对应的测试能力标签。
在一个实施例中,步骤S206,也就是根据能力测试结果从能力标签中筛选出下一个待测试的能力所对应的测试能力标签的步骤,具体包括:当与目标对象对应的能力测试结果为能力已掌握时,将所有与测试能力标签对应的职业构成第一集合,并确定第一集合中除测试能力标签以外的各能力标签出现的频次,将最高频次所对应的能力标签作为下一个待测试的能力所对应的测试能力标签;当与目标对象对应的能力测试结果为能力未掌握时,将职业信息库中除第一集合以外的各职业构成第二集合,并确定第二集合中各能力标签出现的频次,将最高频次所对应的能力标签作为下一个待测试的能力所对应的测试能力标签。
在一个实施例中,当根据与测试能力标签对应的答题结果,确定与测试能力标签对应的能力测试结果为能力已掌握时,计算机设备将所有与测试能力标签对应的职业构成第一集合。计算机设备统计第一集合中除去测试能力标签以外的各个能力标签出现的频次,从而筛选出最高频次对应的能力标签。计算机设备将筛选出的最高频次所对应的能力标签作为下一个待测试的能力所对应的测试能力标签。
在一个实施例中,当根据与测试能力标签对应的答题结果,确定与测试能力标签对应的能力测试结果为能力未掌握时,计算机设备将职业信息库中除第一集合以外的各职业构成第二集合。计算机设备统计第二集合中各个能力标签出现的频次,从而筛选出最高频次对应的能力标签。计算机设备将筛选出的最高频次所对应的能力标签作为下一个待测试的能力所对应的测试能力标签。
上述实施例中,计算机设备根据能力测试结果从能力标签中筛选出下一个待测试的能力所对应的测试能力标签。通过这样的方式,计算机设备可以有效的筛选出与目标对象的能力对应的职业中的另一个职业测试标签,从而更深层测试用户的其他能力。计算机设备层层递进地筛选出与用户能力相匹配的职业,用户无需逐一对每个职业所对应的所有能力标签下的职业测试题进行测试,保证了职业测试的效率,进而保证了职业推荐的准确性。
S208,返回向目标对象推送与测试能力标签相对应的职业测试题的步骤并继续执行,直至满足测试停止条件时停止测试,得到与目标对象对应的多于一个的能力测试结果。
其中,测试停止条件是用于停止当前测试的条件,具体可以是测试能力标签的数量达到预设标签数量(比如5个标签),或者所有的职业测试题的数量达到预设题目数量(比如15道题)。
在一个实施例中,当计算机设备从能力标签中筛选出下一个待测试的能力所对应的测试能力标签后,重复执行S202到S206的步骤。当测试能力标签的数量达到预设标签数量或者所有的职业测试题的数量达到预设题目数量时,比如当测试能力标签的数量达到5个或者各测试能力标签下的所有的职业测试题的数量达到15道题时,不再获取下一个待测试的能力所对应的测试能力标签。
在一个实施例中,计算机设备确定满足测试停止条件之前所得到的能力测试结果。比如,计算机设备一共提供了5个测试能力标签下的职业测试题,因而计算机设备可得到目标对象对应的5个能力测试结果,也就是用户是否具备与这5个测试能力标签对应的5种能力。其中,用户可以掌握其中的一种或者多种能力。
S210,根据多于一个的能力测试结果,确定目标对象具备相应能力的目标能力标签所对应的候选职业。
其中,目标能力标签是用户已掌握相应能力的测试能力标签。比如,经过各职业测试题的测试,用户一共掌握3种能力,那么将这3种能力所对应的测试能力标签分别作为3个目标能力标签。
候选职业是与目标能力标签所对应的职业,其中,每个职业都对应一种或多种能力标签,当该职业中包括目标能力标签时,该职业就可作为候选职业。
在一个实施例中,计算机设备得到与目标对象对应的多于一个的能力测试结果之后,计算机设备将能力测试结果为已掌握的相应测试能力标签作为目标能力标签。
在一个实施例中,当目标能力标签大于一个时,计算机设备将职业信息库中包含任意一个目标能力标签的职业作为候选职业。
在一个实施例中,当目标能力标签大于一个时,计算机设备将职业信息库中同时包含各目标能力标签的职业作为候选职业。也就是说,候选职业需包含用户已掌握相应能力的各测试能力标签。
在一个实施例中,计算机设备将能力测试结果为未掌握的相应测试能力标签作为缺失能力标签。计算机设备将职业信息库中包含目标能力标签、且不包含缺失能力便签的各职业作为候选职业。也就是说,候选职业不包含用户未掌握相应能力的各测试能力标签。
S212,从候选职业中筛选目标职业,并将目标职业推荐给目标对象。其中,目标职业是计算机设备筛选出来要向用户推荐的职业。根据筛选条件的不同,目标职业可以是一个或者多个。本申请实施例对此不作限定。
在一个实施例中,计算机设备还可计算用户所具备的与各个目标能力标签对应的能力的能力值,从而将与各目标能力标签对应的能力值以及各目标能力标签所占的权重值,计算出用户与各候选职业的匹配度。
在一个实施例中,计算机设备可通过以下方式来计算与各目标能力标签对应的能力值。比如与该目标能力标签对应的职业测试题包括m道职业测试题,可通过以下公式计算用户的能力值:其中,Pj表示该用户正确回答第j道职业测试题的概率,其中D为常量1.7,θ是第该用户的能力值,bj是第j道职业测试题的难度值。对应的,错误回答某道职业测试题的概率为其中,第该用户对第j道题目的响应记为uj。如果用户的响应是正确的,则uj=1。如果用户的响应是错误的,则uj=0。计算机设备将使得L(b)最大化时的θ的值作为该用户在该目标能力标签下的能力值。
比如,计算机设备挑选的一个目标能力标签下的5道职业测试题的难度值分别为0.95、0.77、0.83、0.89以及0.89,且用户对这5道职业测试题的响应分别为u=<0,1,1,0,1>,表示用户的第2题、3题和5题回答正确,第1题和4题回答错误。此时,计算机设备根据求解用户的能力值,具体可以是将L(θ)可以取到最大值时的θ作为用户在该目标能力标签下的能力值。比如,θ为1.11时,此时,对应的标准化后的能力值为0.75,并将标准化后的能力值0.75作为与该目标能力标签对应的能力值。其中,标准化的能力值可通过对求导得到。其中,能力值的范围可以是0~1,或者其他范围,本申请实施例对此不做限定。
在另一个实施例中,计算机设备分别根据与目标对象具备相应能力的目标能力标签下的各职业测试题的答题得分,得到与各目标能力标签对应的答题总得分。比如,用户与目标能力标签下的各职业测试题对应的各答题得分分别为50分、60分和70分,则用户与该目标能力标签对应的答题总得分可以通过累加后求平均值得到,也就是说,答题总得分为60分。本申请对答题总得分的计算方式并不做限定。
在一个实施例中,计算机设备确定每个候选职业中各目标能力标签所占的权重值。计算机设备将与各目标能力标签对应的答题总得分以及各目标能力标签所占的权重值,计算出用户与各候选职业的匹配度。比如,对于每个候选职业,计算机设备可对与各目标能力标签对应的答题总得分以及各目标能力标签所占的权重值进行加权求和运算,得到出目标对象与该候选职业的匹配度。
在一个实施例中,计算机设备从各候选职业中筛选出匹配度最高的候选职业,并将匹配度最高的候选职业作为目标职业,也就是计算机设备向用户所推荐的职业。
在一个实施例中,计算机设备将各候选职业按照相应匹配度的高低进行排序,将排序名次小于预设名次的候选职业筛选为目标职业。比如,计算机设备可将匹配度最高的前三名的候选职业作为目标对象的目标职业。
在一个实施例中,计算机设备根据目标职业、以及与目标能力标签对应的答题总得分或能力值生成对应的职业测试报告,并将职业测试报告反馈给用户。
上述基于能力模型进行职业推荐的方法中,依次向目标对象推送与各测试能力标签对应的职业测试题,根据目标对象在解答各测试能力标签对应的各职业测试题时的答题结果,得到与目标对象对应的多于一个的能力测试结果,从而确定目标对象具备相应能力的目标能力标签所对应的候选职业,并从候选职业中筛选得到目标职业,以向目标对象进行职业推荐。通过这样的方式,向目标对象推送与测试能力标签对应的职业测试题,来测试用户相应能力的大小,从而在多种职业中筛选得到与用户相应能力匹配的目标职业,保证用户能够胜任筛选后所推荐的目标职业,从而大大提高职业推荐的准确性。并且,通过对测试能力标签的层层筛选,可从多个维度准确、且层层递进地筛选出相应的目标职业,用户无需逐一对每个职业所对应的职业测试题进行测试,因此减少了用户解答大量繁琐或无规律的职业测试题的测试时间成本,这不仅提高了职业推荐的效率,还保证了职业推荐的准确性。
在一个实施例中,该基于能力模型进行职业推荐的方法中初始的测试能力标签通过以下步骤确定:确定职业信息库中各职业分别对应的能力标签;确定各能力标签出现在各职业中的频次,将最高频次所对应的能力标签作为初始的测试能力标签。
在一个实施例中,计算机设备预先构建一套能力标签的架构,其中,每个能力标签都有相对应的题库。该能力标签相对应的题库中的题,可用于测量用户是掌握或具有与该能力标签对应的能力。根据用户对某个能力标签的掌握情况来说明用户是否具有对应的能力。其中,用户对某个能力标签的掌握情况具体可通过用户在相应测试题的答题结果来确定。
在一个实施例中,职业信息库中的各职业具体可包括:教师、医生、策划师、产品经理、程序员、创作型歌手、法律从业人员、翻译家、行政办公人员、记者、教师、金融工作者等职业。本申请对此不做限定。计算机设备为职业信息库中的各职业分配与各职业所需的能力相匹配的能力标签。比如计算机设备为“医生”职业分配的能力标签有数据分析能力、沟通能力、信息筛选能力、估测能力、科学类知识储备能力、演绎推理能力以及分类讨论思想这7个MCM标签。
参考表1,在一个实施例中,计算机设备为职业信息库中的各职业分别分配对应的能力标签(MCM标签)以及与各能力标签对应的权重值。比如计算机设备为“教师”职业分配的能力标签有沟通能力、总结概括能力、逻辑分析能力、科学类知识储备能力、分类讨论思想、情景想象与简化能力以及文化识记能力这7个MCM标签,且这7个MCM标签各自对应的权重值分别为7、6、5、4、3、2和1。其中,权重值越高,说明在该职业中更需要具备相应的能力。也就是说,在“教师”职业中,用户最需要掌握的能力是与沟通能力标签对应的沟通能力。
在一个实施例中,计算机设备为“程序员”职业分配的能力标签有逻辑分析能力、规律探究能力、数据分析能力、分类讨论思想、筛选能力、统筹思想以及规划能力这7个能力标签,且这7个MCM标签各自对应的权重值分别为7、6、5、4、3、2和1。
表1各职业与对应的MCM标签和权重值
在一个实施例中,计算机设备统计各能力标签出现在各职业中的频次,比如沟通能力在职业信息库的各职业中的一共出现了15次,是出现频次最高的能力标签。计算机设备将沟通能力标签作为初始的测试能力标签。
在一个实施例中,计算机设备统计各能力标签出现在各职业中的频次,将相应频次满足高频次的能力标签条件作为备选能力标签,并从备选能力标签中随机抽取一个标签作为初始的测试能力标签。其中,高频次的能力标签条件比如所出现的频次数量是最多的三个。比如沟通能力在职业信息库的各职业中的一共出现了15次,逻辑分析能力一共出现了12次,信息筛选能力一共出现了14次,因而计算机设备将沟通能力、逻辑分析能力以及信息筛选能力作为备选能力标签,并从备选能力标签中随机抽取一个标签作为初始的测试能力标签。
上述实施例中,计算机设备将出现频次最高的能力标签作为初始的测试能力标签,因而计算机设备所推送的初始的测试能力标签下的职业测试题可以覆盖到最广的范围,用户无需逐一对每个职业所对应的职业测试题进行测试,也就是说,初始的测试能力标签下的职业测试题可以对最大数量的职业所需的其中一项能力进行测试,因而提高了职业测试的效率,进而保证了职业推荐的准确性。
在一个实施例中,步骤S202,也就是向目标对象推送与测试能力标签相对应的职业测试题的步骤,具体包括:确定与测试能力标签对应的各职业测试题的难度级别;将难度级别满足中等难度条件的职业测试题,作为与测试能力标签对应的第一题,并向目标对象进行推送;基于与测试能力标签对应的第一题的答题结果,确定与测试能力标签对应的第二题;根据与测试能力标签对应的第一题和第二题的答题结果,确定是否向目标对象推送与测试能力标签对应的第三题。
在一个实施例中,计算机设备划分与测试能力标签对应的每道职业测试题的难易程度,比如将与测试能力标签对应的各职业测试题分成1-9的不同难度级别。其中,数值越高表示对应的职业测试题越难。计算机设备可将处于中间段位的职业测试题划分为中等难度的职业测试题,比如将难度级别为4-6的职业测试题划分为中等难度,或者将难度级别为3-7的职业测试题划分为中等难度,本申请实施例对此不做限定。
在一个实施例中,计算机设备将难度级别满足中等难度条件的职业测试题,作为与测试能力标签对应的第一题,其中,难度级别满足中等难度条件的职业测试题比如是难度级别在4-6的职业测试题。具体地,计算机设备随机从与测试能力标签对应的难度级别在4-6的职业测试题中抽选一道职业测试题,将该职业测试题作为与测试能力标签对应的第一题,并推送给用户。
在一个实施例中,计算机设备采集用户的答题结果。计算机设备根据用户的答题结果,确定与测试能力标签对应的第二题。比如,当用户的答题结果是答题正确时,计算机设备向用户推送难度级别高于第一题的职业测试题作为第二题;当用户的答题结果是答题错误时,计算机设备向用户推送难度级别低于第一题的职业测试题作为第二题。
在一个实施例中,计算机设备设置每个测试能力标签的推送规则。比如每个测试能力标签下最多推送3道职业测试题。可以理解,为了对用户所具备的能力进行一个更准确的测试,对于每种测试能力标签(MCM标签),还可推送对应的更多的职业测试题,比如5道题或7道题等,本申请实施例对此不做限定。
在一个实施例中,当计算机设备一共推送与测试能力标签对应的3道职业测试题时,计算机设备接收到用户的答题结果是用户前两题都答对了,计算机设备判定用户已掌握与该测试能力标签对应的能力,也就是说计算机设备无需推送该测试能力标签下的第三题。
在一个实施例中,当计算机设备一共推送与测试能力标签对应的3道职业测试题时,计算机设备接收到用户的答题结果是前两题都答错了,计算机设备判定用户未掌握与该测试能力标签对应的能力,也就是说计算机设备无需推送该测试能力标签下的第三题。
在一个实施例中,当计算机设备一共推送与测试能力标签对应的3道职业测试题时,计算机设备接收到用户的答题结果是前两题各答对和答错一题,则计算机设备推送与该测试能力标签下的第三题,从而对用户的能力进一步地进行测试。
上述实施例中,计算机设备向目标对象推送与测试能力标签对应的职业测试题。通过这样的方式,可测试用户是否具备与该测试能力标签对应的能力。由于每个用户的能力可能不同,计算机设备可实时调整对应的职业测试题,以达到用少量的职业测试题来准确测试用户能力的效果,也就是节约了用户的时间成本,并保证了职业推荐的准确性。
在一个实施例中,基于与测试能力标签对应的第一题的答题结果,确定与测试能力标签对应的第二题的步骤,具体包括:根据与第一题对应的答题结果和难度级别,计算第一题的答题得分;当答题得分大于等于第一阈值时,将比第一题的难度级别更高的职业测试题作为与测试能力标签对应的第二题,并向目标对象推送与测试能力标签对应的第二题;当答题得分小于第一阈值时,将比第一题的难度级别更低的职业测试题作为与测试能力标签对应的第二题,并向目标对象推送与测试能力标签对应的第二题。
其中,第一阈值是计算机设备预设的答题得分阈值,是一个具体的数值,比如60分。
在一个实施例中,计算机设备根据与第一题对应的答题结果和难度级别,计算第一题的答题得分,其中,答题结果包括答题时间以及答案正确率。具体地,答案正确率与答题得分呈正相关,当用户的答案正确率越高,所对应的答题得分越高;答题时间与预设标准时间段的差值与答题得分呈负相关,当用户的答题时间与预设标准时间段的差值越小,所对应的答题得分越高;职业测试题的难度级别与答题得分呈正相关,当用户解答的职业测试题的难度级别越高,所对应的答题得分越高。
在一个实施例中,当一道职业测试题的解答时间是40秒时,预设标准时间范围比如是计算机设备推送题目后的10-30秒。用户在20秒时回答正确所对应的答题得分,要比用户在5秒时回答正确所对应的答题得分高。这样通过统计答题时间,可将偶然性因素考虑进答题得分中,因而可减少因用户不进行思考、或随机选择一个答案所得到的高答题得分对职业推荐的影响。从而提高职业推荐的准确性。
在一个实施例中,计算机设备计算得到第一题的答题得分,当答题得分大于等于第一阈值时,计算机设备将比第一题的难度级别更高的职业测试题作为与测试能力标签对应的第二题,并向目标对象推送与测试能力标签对应的第二题。比如计算机设备推送的测试能力标签下的第一题是难别级别为6的职业测试题,且用户在第一题的答题得分为80分,计算机设备向用户推送测试能力标签下的难度级别为7的职业测试题。
在一个实施例中,计算机设备计算得到第一题的答题得分,当答题得分小于第一阈值时,计算机设备将比第一题的难度级别更低的职业测试题作为与测试能力标签对应的第二题,并向目标对象推送与测试能力标签对应的第二题。比如计算机设备推送的测试能力标签下的第一题是难别级别为4的职业测试题,且用户在第一题的答题得分为50分,计算机设备向用户推送测试能力标签下的难度级别为3的职业测试题。
上述实施例中,计算机设备根据基于与测试能力标签对应的第一题的答题结果和难度级别,确定与测试能力标签对应的第二题。通过这样的方式,计算机设备可根据用户的答题情况,实时调整对应的职业测试题,以达到用少量的职业测试题来准确测试用户能力的效果,也就是节约了用户的时间成本,并保证了职业推荐的准确性。
在一个实施例中,能力测试结果包括能力已掌握和能力未掌握,步骤S204,也就是根据目标对象在解答各职业测试题时的答题结果,确定与目标对象对应的能力测试结果的步骤,具体包括:根据与各测试能力标签分别对应的答题结果,确定与各测试能力标签对应的答案正确次数;当答案正确次数大于等于第二阈值时,确定与目标对象对应的能力测试结果为能力已掌握;当答案正确次数小于第二阈值时,确定与目标对象对应的能力测试结果为能力未掌握。
其中,第二阈值是计算机设备预设的次数,是一个具体的数值,比如2次。
在一个实施例中,计算机设备根据与测试能力标签对应的答题结果,确定与测试能力标签对应的答案正确次数。比如计算机设备一共推送了与测试能力标签对应的三道职业测试题,则对应的答案正确次数可以是0、1或2次。
在一个实施例中,计算机设备一共推送了与测试能力标签对应的2道职业测试题,且用户的答案正确次数为2次。由于答案正确次数和第二阈值相等,此时,计算机设备判定该用户已掌握与该测试能力标签对应的能力;当计算机设备一共推送了与测试能力标签对应的2道职业测试题,且用户的答案正确次数为0次。由于答案正确次数小于第二阈值,此时,计算机设备判定该用户未掌握与该测试能力标签对应的能力。
在一个实施例中,计算机设备一共推送了与测试能力标签对应的3道职业测试题,且用户的答案正确次数为2次。由于答案正确次数和第二阈值相等,此时,计算机设备判定该用户已掌握与该测试能力标签对应的能力;当计算机设备一共推送了与测试能力标签对应的3道职业测试题,且用户的答案正确次数为1次。由于答案正确次数小于第二阈值,此时,计算机设备判定该用户未掌握与该测试能力标签对应的能力。
在一个实施例中,计算机设备根据与测试能力标签对应的能力值的高低,来表示用户的能力掌握情况。比如与测试能力标签对应的能力值大于0.7时,表示用户已极强地掌握了与测试能力标签对应的能力;当与测试能力标签对应的能力值在0.6~0.7时,表示用户已较强地掌握了与测试能力标签对应的能力。
上述实施例中,计算机设备确定与各测试能力标签对应的答案正确次数,并根据答案正确次数来确定与目标对象对应的能力测试结果。通过这样的方式,可根据能力测试结果来表示用户是否具备与该测试能力标签对应的能力。由于每个用户的能力可能不同,计算机设备可实时调整下一个测试能力标签,以达到用少量的测试能力标签下的职业测试题来准确测试用户能力的效果,也就是节约了用户的时间成本,并保证了职业推荐的准确性。
在一个实施例中,步骤S212,也就是从候选职业中筛选目标职业,并将目标职业推荐给目标对象的步骤,具体包括:根据所述目标对象具备相应能力的目标能力标签对应的答题结果,分别计算得到与各目标能力标签对应的能力值;基于各候选职业中的各目标能力标签所占的权重值和与各目标能力标签对应的能力值,计算得到目标对象与各候选职业对应的匹配度;从候选职业中筛选匹配度满足高匹配度条件的至少一个目标职业;根据目标职业生成对应的职业测试报告,并将职业测试报告反馈至目标对象。
在一个实施例中,计算机设备分别根据与目标对象具备相应能力的目标能力标签下的各职业测试题的答题得分,得到与各目标能力标签对应的答题总得分。进而,计算机设备可确定每个候选职业中各目标能力标签所占的权重值。对于每个候选职业,计算机设备可对与各目标能力标签对应的答题总得分以及各目标能力标签所占的权重值进行加权求和运算,得到出目标对象与该候选职业的匹配度。
在一个实施例中,计算机设备还可根据各个目标能力标签所对应的能力值,与相应的权重值,来计算目标对象与各个候选职业的匹配度。具体地,对于每个候选职业,计算机设备可查找与该候选职业对应,且对应目标对象所具有能力的目标能力标签,进而确定查找到的目标能力标签在该候选职业中所占的权重值。对于该候选职业,计算机设备可对相应的目标能力标签与对应的权重值进行加权求和运算,得到该候选职业与目标对象的匹配度。
在一个实施例中,计算机设备从各候选职业中筛选出匹配度最高的候选职业,并将匹配度最高的候选职业作为目标职业,也就是计算机设备向用户所推荐的职业。
在一个实施例中,计算机设备将各候选职业按照相应匹配度的高低进行排序,将排序名次小于预设名次的候选职业筛选为目标职业。比如,计算机设备可将匹配度最高的前三名的候选职业作为向目标对象推荐的目标职业。
在一个实施例中,计算机设备根据目标职业、以及与目标能力标签对应的答题总得分或者能力值生成对应的职业测试报告,并将职业测试报告反馈给用户。其中,职业测试报告还可包括用户的个人信息,比如用户的微信名和微信头像。
在一个实施例中,计算机设备在职业测试报告中按匹配度的大小顺序来展示所推荐的目标职业,比如将匹配度最高的目标职业展示在职业测试报告的第一排。或者,计算机设备将匹配度最高的目标职业显示在职业测试报告的正中间,并且将匹配度最高的目标职业放大突出。
在一个实施例中,计算机设备在职业测试报告中展示推荐理由。其中,推荐理由主要是分析用户与测试能力标签对应的能力测试结果。具体地,计算机设备按照用户与各目标能力标签对应的能力值从高到低排序,在职业测试报告中显示能力值排序靠前的目标能力标签。比如,若目标能力标签一共有3个标签,则取前2位;若目标能力标签一共有2个标签,则只取第1位。
在一个实施例中,推荐理由可以是预设话术,比如用户已掌握相应能力时,推荐理由可以是:你有(极强/较强)的“目标能力标签1”和(极强/较强)的“目标能力标签2”,具有成为一名优秀“排名第1的目标职业”的潜力,同时还有可能成为“排名第2的目标职业”和“排名第3的目标职业”;比如用户未掌握相应能力时,推荐理由可以是:但是你在“缺失能力标签1”和“缺失能力标签2”上稍有欠缺,努力提升这些能力,你将变得更加优秀。其中,可以用能力值来区分“极强”和“较强”,比如能力值大于0.7时,表示极强,能力值小于0.7时,表示较强。
在一个实施例中,职业测试报告还可包括用户雷达图。具体地,计算机设备选取3个目标能力标签,比如,当职业测试报告中包括所推荐的“极强”或“较强”的目标能力标签,则优先选取所推荐的“极强”或“较强”的目标能力标签;当所推荐的“极强”或“较强”的目标能力标签的个数不够,比如少于3个时,选取用户能力值排名靠前的目标能力标签,从而一共选取3个目标能力标签;计算机设备另选取2个用户的缺失能力标签或者用户能力值排名靠后的2个目标能力标签。计算机设备按照各能力值在职业测试报告中展示这5个能力标签的雷达图。其中,能力值的范围可以是0~1,或者其他范围。
在一个实施例中,当用户与各测试能力标签下对应的能力测试结果都为能力未掌握时,计算机设备不会将该用户匹配到任何一个对应的职业,也就是说,职业测试报告中无法推荐目标职业。
在一个实施例中,计算机设备在职业测试报告中设置“点击查看做题记录”控件,用于提供查看做题记录的功能。具体地,当用户点击“点击查看做题记录”按钮,该职业测试报告中会自动弹出验证手机号的弹框。当用户验证通过后,界面从职业测试报告跳转到答题记录页。
在一个实施例中,计算机设备在职业测试报告中设置“分享”控件,用于提供分享职业测试报告的功能。具体地,当用户点击“分享”按钮后,自动生成对应的分享页面。因而其他用户可通过该分享页面跳转到测试首页,以进行相应的职业测试。
在一个实施例中,每个用户只能进行一次职业测试。当用户完成测试后,再次点击“进入测试”按钮时,用户会直接查看到自己的职业测试报告。
在一个实施例中,当用户在职业测试的过程中提前结束测试,比如用户在答题过程中退出测试答题页,则当用户再次进入测试答题页时,会自动跳转到用户上次未完成的职业测试题所对应的测试答题页,因而用户可以继续完成剩余的职业测试题。
上述实施例中,计算机设备基于各候选职业中的各目标能力标签所占的权重值和与各目标能力标签对应的能力值,计算得到目标对象与各候选职业对应的匹配度,从而根据各匹配度筛选出所要推荐给目标对象的目标职业。通过这样的方式,在多种职业中筛选得到与用户相应能力匹配的目标职业,保证用户能够胜任筛选后所推荐的目标职业,从而大大提高职业推荐的准确性。这不仅提高了职业推荐的效率,还保证了职业推荐的准确性。
在一个具体的实施例中,用户可通过扫描二维码进入应用程序或网页进入职业测试页面,比如进入到慧眼识人的H5测试页面。当用户点击“开始测试”按钮后,参考图4(a),用户进入到测试版本选择页。其中,测试版本选择页包括三个不同的版本选择控件和“进入测试”控件。版本选择控件如“快速版”控件、“深入版”控件和“豪华版”控件,用户可根据个人的需求来选择不同的测试版本。并且,不同的版本在职业测试中所测试的能力标签总数量不同、且终止条件也不同。比如,“快速版”中最多测试7个测试能力标签,当计算机设备测试出与用户对应的测试能力结果包括3种能力已掌握以及2种能力未掌握时,可终止测试;“深入版”中最多测试10个测试能力标签,当计算机设备测试出与用户对应的测试能力结果包括4种能力已掌握以及3种能力未掌握时,可终止测试;“豪华版”中最多测试15个测试能力标签,当计算机设备测试出与用户对应的测试能力结果包括5种能力已掌握以及4种能力未掌握时,可终止测试。
当用户选择完版本之后,用户点击“进入测试”按钮,参考图4(b),用户进入到测试答题页。其中,测试答题页中出现的各职业测试题主要是选择题,有时也可以是填空题或解答题。在测试答题页中给用户推荐第一题是与初始的测试能力标签所对应题库中的职业测试题。其中,测试答题页中包括题目序号401、答题计时器402、职业测试题403、“跳过”控件404、以及“提交”控件405。当用户点击“跳过”按钮时,自动跳转到下一题,且未作答的职业测试题的答题结果判定为答案错误。
比如计算机设备预先设置在单个测试能力标签下最多推送3道题。当用户在单个测试能力标签下答错2道题时,计算机设备判定用户与该测试能力标签对应的能力测试结果为能力已掌握,并切换到下一测试能力标签;当用户在单个测试能力标签下答对2道题时,计算机设备判定用户与该测试能力标签对应的能力测试结果为能力未掌握,并切换到下一测试能力标签。
当计算机设备得到用户与测试能力标签对应的能力测试结果为能力已掌握时,计算机设备确定所有需要掌握该测试能力标签的职业所构成的第一集合。计算机设备根据第一集合中各职业所对应的能力标签,筛选得到出现频次最高所对应的能力标签作为下一个待测试的测试能力标签。进而,计算机设备可向用户推送下一个待测试的测试能力标签中的题。
当计算机设备得到用户与测试能力标签对应的能力测试结果为能力未掌握时,计算机设备确定所有不需要掌握该测试能力标签的职业所构成的第二集合。计算机设备根据第二集合中各职业所对应的能力标签,筛选得到出现频次最高所对应的能力标签作为下一个待测试的测试能力标签。进而,计算机设备可向用户推送下一个待测试的测试能力标签中的题。
当用户测试完成后,用户可点击“查看测试结果”按钮,参考图5,从而查看相应的职业测试报告。其中,职业测试报告包括用户的个人信息501、所推荐的目标职业502、推荐理由503、雷达图504以及“点击查看做题记录”控件505。
用户可以点击查看某一种能力的具体分析,参考图6,图6为一个实施例中基于能力模型进行职业推荐的方法中的思想能力方法分析的界面图。比如当用户点击查看“思想方法能力分析”时,用户可查看到所有与思想方法能力相关的各能力的掌握情况。比如显示沟通能力、信息筛选能力、规律探究能力、字词识记能力、文化识记能力、数据分析能力、分类讨论思想以及算法构造与实现能力等测试能力标签的相应能力的掌握程度。其中,百分比数值越高表示用户掌握相应能力的程度越高。比如当百分比数值大于70%时,属于能力掌握情况为优秀;当百分比数值小于20%时,属于能力掌握情况为较差。本申请实施例对此不做限定。
当用户点击“点击查看做题记录”按钮,该职业测试报告中会自动弹出验证用户手机号的弹框。计算机设备通过验证用户手机号来确定是否为用户本人操作。当用户验证通过后,计算机设备将界面从职业测试报告跳转到答题记录页。答题记录页包括职业测试题目以及对应的各答案选项。当用户所选的答案选项为正确选项时,用户所选的答案选项后添加正确标记,如以“打钩”的形式进行标记。当用户所选的答案选项为错误选项时,用户所选的答案选项后添加错误标记,如以“打叉”的形式进行标记,并在正确选项后面以“打钩”的形式进行标记。
应该理解的是,虽然图2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,这些步骤可以以其它的顺序执行。而且,图2中的至少一部分步骤可以包括多个步骤或者多个阶段,这些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,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图7所示,提供了一种基于能力模型进行职业推荐的装置700,包括:推送模块701、确定模块702、筛选模块703、重复模块704和推荐模块705,其中:
推送模块701,用于向目标对象推送与测试能力标签相对应的职业测试题;其中,测试能力标签中初始的测试能力标签基于职业信息库中各职业分别对应的能力标签所确定。
确定模块702,用于根据目标对象在解答各职业测试题时的答题结果,确定与目标对象对应的能力测试结果。
筛选模块703,用于根据能力测试结果从能力标签中筛选出下一个待测试的能力所对应的测试能力标签。
重复模块704,用于返回向目标对象推送与测试能力标签相对应的职业测试题的步骤并继续执行,直至满足测试停止条件时停止测试,得到与目标对象对应的多于一个的能力测试结果。
确定模块702还用于根据多于一个的能力测试结果,确定目标对象具备相应能力的目标能力标签所对应的候选职业。
推荐模块705,用于从候选职业中筛选目标职业,并将目标职业推荐给目标对象。
在一个实施例中,确定模块702还用于确定职业信息库中各职业分别对应的能力标签;确定各能力标签出现在各职业中的频次,将最高频次所对应的能力标签作为初始的测试能力标签。
在一个实施例中,推送模块701还用于确定与测试能力标签对应的各职业测试题的难度级别;将难度级别满足中等难度条件的职业测试题,作为与测试能力标签对应的第一题,并向目标对象进行推送;基于与测试能力标签对应的第一题的答题结果,确定与测试能力标签对应的第二题;根据与测试能力标签对应的第一题和第二题的答题结果,确定是否向目标对象推送与测试能力标签对应的第三题。
在一个实施例中,确定模块702还用于根据与第一题对应的答题结果和难度级别,计算第一题的答题得分;当答题得分大于等于第一阈值时,将比第一题的难度级别更高的职业测试题作为与测试能力标签对应的第二题,并向目标对象推送与测试能力标签对应的第二题;当答题得分小于第一阈值时,将比第一题的难度级别更低的职业测试题作为与测试能力标签对应的第二题,并向目标对象推送与测试能力标签对应的第二题。
在一个实施例中,能力测试结果包括能力已掌握和能力未掌握;确定模块702还用于根据与各测试能力标签分别对应的答题结果,确定与各测试能力标签对应的答案正确次数;当答案正确次数大于等于第二阈值时,确定与目标对象对应的能力测试结果为能力已掌握;当答案正确次数小于第二阈值时,确定与目标对象对应的能力测试结果为能力未掌握。
在一个实施例中,筛选模块703还用于当与目标对象对应的能力测试结果为能力已掌握时,将所有与测试能力标签对应的职业构成第一集合,并确定第一集合中除测试能力标签以外的各能力标签出现的频次,将最高频次所对应的能力标签作为下一个待测试的能力所对应的测试能力标签;当与目标对象对应的能力测试结果为能力未掌握时,将职业信息库中除第一集合以外的各职业构成第二集合,并确定第二集合中各能力标签出现的频次,将最高频次所对应的能力标签作为下一个待测试的能力所对应的测试能力标签。
在一个实施例中,推荐模块705还用于根据所述目标对象具备相应能力的目标能力标签对应的答题结果,分别计算得到与各所述目标能力标签对应的能力值;基于各候选职业中的各目标能力标签所占的权重值和与各目标能力标签对应的能力值,计算得到目标对象与各候选职业对应的匹配度;从候选职业中筛选匹配度满足高匹配度条件的至少一个目标职业;根据目标职业生成对应的职业测试报告,并将职业测试报告反馈至目标对象。
上述基于能力模型进行职业推荐的装置,依次向目标对象推送与各测试能力标签对应的职业测试题,根据目标对象在解答各测试能力标签对应的各职业测试题时的答题结果,得到与目标对象对应的多于一个的能力测试结果,从而确定目标对象具备相应能力的目标能力标签所对应的候选职业,并从候选职业中筛选得到目标职业,以向目标对象进行职业推荐。通过这样的方式,向目标对象推送与测试能力标签对应的职业测试题,来测试用户相应能力的大小,从而在多种职业中筛选得到与用户相应能力匹配的目标职业,保证用户能够胜任筛选后所推荐的目标职业,从而大大提高职业推荐的准确性。并且,通过对测试能力标签的层层筛选,可从多个维度准确、且层层递进地筛选出相应的目标职业,用户无需逐一对每个职业所对应的职业测试题进行测试,因此减少了用户解答大量繁琐或无规律的职业测试题的测试时间成本,这不仅提高了职业推荐的效率,还保证了职业推荐的准确性。
关于基于能力模型进行职业推荐的装置的具体限定可以参见上文中对于基于能力模型进行职业推荐的方法的限定,在此不再赘述。上述基于能力模型进行职业推荐的装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备具体可以是终端或服务器,其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器和通信接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI(Wireless Fidelity,无线局域网)、运营商网络、NFC(Near Field Communication,近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种目标分类方法。
本领域技术人员可以理解,图8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。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时,使得处理器执行上述基于能力模型进行职业推荐的方法的步骤。此处基于能力模型进行职业推荐的方法的步骤可以是上述各个实施例的基于能力模型进行职业推荐的方法中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时,使得处理器执行上述基于能力模型进行职业推荐的方法的步骤。此处基于能力模型进行职业推荐的方法的步骤可以是上述各个实施例的基于能力模型进行职业推荐的方法中的步骤。
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,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于能力模型进行职业推荐的方法,其特征在于,所述方法包括:
向目标对象推送与测试能力标签相对应的职业测试题;其中,所述测试能力标签中初始的测试能力标签基于职业信息库中各职业分别对应的能力标签所确定;
根据目标对象在解答各所述职业测试题时的答题结果,确定与所述目标对象对应的能力测试结果;
根据所述能力测试结果从所述能力标签中筛选出下一个待测试的能力所对应的测试能力标签;
返回所述向目标对象推送与测试能力标签相对应的职业测试题的步骤并继续执行,直至满足测试停止条件时停止测试,得到与所述目标对象对应的多于一个的能力测试结果;
根据所述多于一个的能力测试结果,确定所述目标对象具备相应能力的目标能力标签所对应的候选职业;
从所述候选职业中筛选目标职业,并将所述目标职业推荐给所述目标对象。
2.根据权利要求1所述的方法,其特征在于,所述初始的测试能力标签通过以下步骤确定:
确定所述职业信息库中各所述职业分别对应的能力标签;
确定各所述能力标签出现在各所述职业中的频次,将最高频次所对应的能力标签作为初始的测试能力标签。
3.根据权利要求1所述的方法,其特征在于,所述向目标对象推送与测试能力标签相对应的职业测试题,包括:
确定与所述测试能力标签对应的各所述职业测试题的难度级别;
将难度级别满足中等难度条件的职业测试题,作为与所述测试能力标签对应的第一题,并向所述目标对象进行推送;
基于与所述测试能力标签对应的第一题的答题结果,确定与所述测试能力标签对应的第二题;
根据与所述测试能力标签对应的第一题和第二题的答题结果,确定是否向所述目标对象推送与所述测试能力标签对应的第三题。
4.根据权利要求3所述的方法,其特征在于,所述基于与所述测试能力标签对应的第一题的答题结果,确定与所述测试能力标签对应的第二题,包括:
根据与所述第一题对应的答题结果和难度级别,计算所述第一题的答题得分;
当所述答题得分大于等于第一阈值时,将比所述第一题的难度级别更高的职业测试题作为与所述测试能力标签对应的第二题,并向所述目标对象推送与所述测试能力标签对应的第二题;
当所述答题得分小于所述第一阈值时,将比所述第一题的难度级别更低的职业测试题作为与所述测试能力标签对应的第二题,并向所述目标对象推送与所述测试能力标签对应的第二题。
5.根据权利要求1所述的方法,其特征在于,所述能力测试结果包括能力已掌握和能力未掌握;所述根据目标对象在解答各所述职业测试题时的答题结果,确定与所述目标对象对应的能力测试结果,包括:
根据与各所述测试能力标签分别对应的答题结果,确定与各所述测试能力标签对应的答案正确次数;
当所述答案正确次数大于等于第二阈值时,确定与所述目标对象对应的能力测试结果为能力已掌握;
当所述答案正确次数小于所述第二阈值时,确定与所述目标对象对应的能力测试结果为能力未掌握。
6.根据权利要求5所述的方法,其特征在于,所述根据所述能力测试结果从所述能力标签中筛选出下一个待测试的能力所对应的测试能力标签,包括:
当与所述目标对象对应的能力测试结果为能力已掌握时,将所有与所述测试能力标签对应的职业构成第一集合,并确定所述第一集合中除所述测试能力标签以外的各所述能力标签出现的频次,将最高频次所对应的能力标签作为下一个待测试的能力所对应的测试能力标签;
当与所述目标对象对应的能力测试结果为能力未掌握时,将所述职业信息库中除所述第一集合以外的各职业构成第二集合,并确定所述第二集合中各所述能力标签出现的频次,将最高频次所对应的能力标签作为下一个待测试的能力所对应的测试能力标签。
7.根据权利要求1至6中任一项所述的方法,其特征在于,所述从所述候选职业中筛选目标职业,并将所述目标职业推荐给所述目标对象,包括:
根据所述目标对象具备相应能力的目标能力标签对应的答题结果,分别计算得到与各所述目标能力标签对应的能力值;
基于各所述候选职业中的各所述目标能力标签所占的权重值和与各所述目标能力标签对应的能力值,计算得到所述目标对象与各所述候选职业对应的匹配度;
从所述候选职业中筛选所述匹配度满足高匹配度条件的至少一个目标职业;
根据所述目标职业生成对应的职业测试报告,并将所述职业测试报告反馈至所述目标对象。
8.一种基于能力模型进行职业推荐的装置,其特征在于,所述装置包括:
推送模块,用于向目标对象推送与测试能力标签相对应的职业测试题;其中,所述测试能力标签中初始的测试能力标签基于职业信息库中各职业分别对应的能力标签所确定;
确定模块,用于根据目标对象在解答各所述职业测试题时的答题结果,确定与所述目标对象对应的能力测试结果;
筛选模块,用于根据所述能力测试结果从所述能力标签中筛选出下一个待测试的能力所对应的测试能力标签;
重复模块,用于返回所述向目标对象推送与测试能力标签相对应的职业测试题的步骤并继续执行,直至满足测试停止条件时停止测试,得到与所述目标对象对应的多于一个的能力测试结果;
所述确定模块还用于根据所述多于一个的能力测试结果,确定所述目标对象具备相应能力的目标能力标签所对应的候选职业;
推荐模块,用于从所述候选职业中筛选目标职业,并将所述目标职业推荐给所述目标对象。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,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至7中任一项所述的方法的步骤。
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权利要求1至7中任一项所述的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010516522.2A CN111651676B (zh) | 2020-06-09 | 2020-06-09 | 基于能力模型进行职业推荐的方法、装置、设备和介质 |
PCT/CN2021/087375 WO2021180249A1 (zh) | 2020-06-09 | 2021-04-15 | 职业推荐方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010516522.2A CN111651676B (zh) | 2020-06-09 | 2020-06-09 | 基于能力模型进行职业推荐的方法、装置、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111651676A true CN111651676A (zh) | 2020-09-11 |
CN111651676B CN111651676B (zh) | 2021-03-05 |
Family
ID=72347421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010516522.2A Active CN111651676B (zh) | 2020-06-09 | 2020-06-09 | 基于能力模型进行职业推荐的方法、装置、设备和介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111651676B (zh) |
WO (1) | WO2021180249A1 (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112634099A (zh) * | 2020-12-24 | 2021-04-09 | 成都存时科技有限公司 | 基于大数据的实践管理方法、装置、设备及可读存储介质 |
CN112651862A (zh) * | 2020-12-24 | 2021-04-13 | 成都存时科技有限公司 | 学生学业发展方向规划方法、装置、设备及可读存储介质 |
CN113095732A (zh) * | 2021-05-10 | 2021-07-09 | 广州宏途教育网络科技有限公司 | 一种现实场景职业测评方法 |
WO2021180249A1 (zh) * | 2020-06-09 | 2021-09-16 | 上海松鼠课堂人工智能科技有限公司 | 职业推荐方法、装置、设备和介质 |
CN113570322A (zh) * | 2021-05-14 | 2021-10-29 | 南京奥派信息产业股份公司 | 面向高职学生的职业测评方法及装置 |
CN114819898A (zh) * | 2022-04-25 | 2022-07-29 | 平安科技(深圳)有限公司 | 职业答题数据的处理方法、装置、电子设备及存储介质 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115455200B (zh) * | 2022-09-13 | 2023-05-12 | 九江职业技术学院 | 一种用于专业大类的技能测试技能树构建方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103294816A (zh) * | 2013-06-09 | 2013-09-11 | 广东倍智人才管理咨询有限公司 | 一种为求职者推荐职位的方法和职位推荐系统 |
KR20180037936A (ko) * | 2018-03-26 | 2018-04-13 | 박관영 | 국제 지역의 산업군별 직무 특화 분석개발을 위한 정보통신기술 기반 빅데이터 분산 & 매칭 알고리즘 도출과 활용 시스템 |
US10049416B2 (en) * | 2013-11-26 | 2018-08-14 | Chegg, Inc. | Job recall services in online education platforms |
CN109272247A (zh) * | 2018-10-09 | 2019-01-25 | 常州信息职业技术学院 | 一种大学生就业方向综合指导系统 |
CN109857835A (zh) * | 2018-12-28 | 2019-06-07 | 北京红山瑞达科技有限公司 | 一种基于认知诊断理论的自适应网络安全知识测评方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509184A (zh) * | 2011-10-24 | 2012-06-20 | 山东城通科技有限公司 | 企业经营管理人才综合素质与岗位胜任能力测评体系 |
CN108647294A (zh) * | 2018-05-07 | 2018-10-12 | 韦玮 | 信息推荐系统 |
CN111651676B (zh) * | 2020-06-09 | 2021-03-05 | 上海松鼠课堂人工智能科技有限公司 | 基于能力模型进行职业推荐的方法、装置、设备和介质 |
-
2020
- 2020-06-09 CN CN202010516522.2A patent/CN111651676B/zh active Active
-
2021
- 2021-04-15 WO PCT/CN2021/087375 patent/WO2021180249A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103294816A (zh) * | 2013-06-09 | 2013-09-11 | 广东倍智人才管理咨询有限公司 | 一种为求职者推荐职位的方法和职位推荐系统 |
US10049416B2 (en) * | 2013-11-26 | 2018-08-14 | Chegg, Inc. | Job recall services in online education platforms |
KR20180037936A (ko) * | 2018-03-26 | 2018-04-13 | 박관영 | 국제 지역의 산업군별 직무 특화 분석개발을 위한 정보통신기술 기반 빅데이터 분산 & 매칭 알고리즘 도출과 활용 시스템 |
CN109272247A (zh) * | 2018-10-09 | 2019-01-25 | 常州信息职业技术学院 | 一种大学生就业方向综合指导系统 |
CN109857835A (zh) * | 2018-12-28 | 2019-06-07 | 北京红山瑞达科技有限公司 | 一种基于认知诊断理论的自适应网络安全知识测评方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021180249A1 (zh) * | 2020-06-09 | 2021-09-16 | 上海松鼠课堂人工智能科技有限公司 | 职业推荐方法、装置、设备和介质 |
CN112634099A (zh) * | 2020-12-24 | 2021-04-09 | 成都存时科技有限公司 | 基于大数据的实践管理方法、装置、设备及可读存储介质 |
CN112651862A (zh) * | 2020-12-24 | 2021-04-13 | 成都存时科技有限公司 | 学生学业发展方向规划方法、装置、设备及可读存储介质 |
CN113095732A (zh) * | 2021-05-10 | 2021-07-09 | 广州宏途教育网络科技有限公司 | 一种现实场景职业测评方法 |
CN113095732B (zh) * | 2021-05-10 | 2024-06-11 | 广州宏途数字科技有限公司 | 一种现实场景职业测评方法 |
CN113570322A (zh) * | 2021-05-14 | 2021-10-29 | 南京奥派信息产业股份公司 | 面向高职学生的职业测评方法及装置 |
CN114819898A (zh) * | 2022-04-25 | 2022-07-29 | 平安科技(深圳)有限公司 | 职业答题数据的处理方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111651676B (zh) | 2021-03-05 |
WO2021180249A1 (zh) | 2021-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111651676B (zh) | 基于能力模型进行职业推荐的方法、装置、设备和介质 | |
US11615341B2 (en) | Customizable machine learning models | |
Li et al. | The wisdom of minority: Discovering and targeting the right group of workers for crowdsourcing | |
JP6701367B2 (ja) | 個人オーダーメイド教育コンテンツを提供する方法、装置、及びコンピュータプログラム | |
Lakkaraju et al. | A machine learning framework to identify students at risk of adverse academic outcomes | |
JP7474517B2 (ja) | 学習効率に基づいて個人カスタマイズ型教育コンテンツを提供するための機械学習方法、装置及びコンピュータプログラム | |
CN109740048B (zh) | 一种课程推荐方法及装置 | |
CN110472060B (zh) | 题目推送方法、装置、计算机设备和存储介质 | |
CN114913729B (zh) | 一种选题方法、装置、计算机设备和存储介质 | |
Olney et al. | Assessing Computer Literacy of Adults with Low Literacy Skills. | |
CN116263782A (zh) | 一种基于题库的智能组卷方法、系统及存储介质 | |
CN116796802A (zh) | 基于错题分析的学习推荐方法、装置、设备及存储介质 | |
CN115641101A (zh) | 一种智能化招聘的方法、装置及计算机可读介质 | |
Nicoll et al. | Giving feedback on feedback: An assessment of grader feedback construction on student performance | |
WO2022005440A2 (en) | A system and method for determining digital maturity level of organizations | |
Costa et al. | Automatic classification of computational thinking skills in elementary school math questions | |
CN113723774A (zh) | 答题评分方法、装置、计算机设备和存储介质 | |
CN111553555A (zh) | 培训方法、装置、计算机设备和存储介质 | |
CN114971962A (zh) | 学生作业的评价方法、装置、电子设备及存储介质 | |
AU2021103999A4 (en) | Occupation recommendation method, apparatus, device and medium | |
CN113570322A (zh) | 面向高职学生的职业测评方法及装置 | |
Petrov | Methodology for assessing the quality of conducted training | |
CN112199507B (zh) | 一种用于在线学习平台的用户学习能力评估方法和装置 | |
Liao | [Retracted] Optimization of Classroom Teaching Strategies for College English Listening and Speaking Based on Random Matrix Theory | |
CN116578695B (zh) | 一种基于dfs算法的出题组卷方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
CB02 | Change of applicant information |
Address after: 9 / F and 10 / F, building 2, No. 188, Yizhou Road, Xuhui District, Shanghai, 200030 Applicant after: Shanghai squirrel classroom Artificial Intelligence Technology Co., Ltd Address before: 9 / F and 10 / F, building 2, No. 188, Yizhou Road, Xuhui District, Shanghai, 200030 Applicant before: SHANGHAI YIXUE EDUCATION TECHNOLOGY Co.,Ltd. |
|
CB02 | Change of applicant information | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |