CN111737486A - 基于知识图谱、深度学习的人岗匹配方法、存储装置 - Google Patents

Abstract

本发明提供一种基于知识图谱、深度学习的人岗匹配方法、存储装置，该人岗匹配方法包括：S101：将待选简历、历史最优简历以及招聘信息存储进知识图谱，并根据知识图谱获取第一待选简历特征、第二待选简历特征、历史最优简历特征以及招聘要求特征；S102：获取待选简历的匹配度，并通过第二待选简历特征、招聘要求特征获取竞争力分析数据；S103：获取待选简历的满意度，并输出待选简历的匹配信息。本发明能够代替人工来衡量一份简历是否满足工作的招聘要求、企业端的HR是否满意该简历，可以精确且高效获取简历与岗位的匹配结果，简历筛选以及匹配的效率高，大大降低用人单位和求职者的时间和精力，提高了企业人事招聘整体的管理水平。

Description

基于知识图谱、深度学习的人岗匹配方法、存储装置

技术领域

本发明涉及人工智能应用领域，尤其涉及一种基于知识图谱、深度学习的人岗匹配方法、存储装置。

背景技术

随着互联网技术的不断发展，进行网上招聘的招聘单位越来越多，通过互联网找工作的求职者也越来越多，网络招聘正逐渐取代传统的“面对面”的招聘方式，尤其是招聘网站，以其快速的职位搜索与推荐技术和人才搜索与推荐技术，以及丰富的职位资源和人才资源，在一定程度上解决了招聘方“招聘人才难”的问题和求职者“求职难”的问题。

目前，企业通常通过建立人事招聘软件从网上抓取符合招聘条件的大量的简历，但是这些建立通常是杂乱无章的，无法实现招聘条件和简历的精准匹配以及分拣分类，当企业有招聘需求的时候，往往还是需要花费大量的人力和时间从人事招聘软件中获取简历进行人工精准筛选，简历筛选以及匹配的效率较慢，耗费用人单位和求职者大量的时间和精力，降低了企业人事招聘整体的管理水平。

发明内容

为了克服现有技术的不足，本发明提出一种基于知识图谱、深度学习的人岗匹配方法、存储装置，利用知识图谱作为信息提取基础，通过神经网络提取特征和根据提取的特征计算待选简历与招聘要求的匹配信息，能够代替人工来衡量一份简历是否满足工作的招聘要求、企业端的HR是否满意该简历，可以精确且高效获取简历与岗位的匹配结果，简历筛选以及匹配的效率高，大大降低用人单位和求职者的时间和精力，提高了企业人事招聘整体的管理水平。

为解决上述问题，本发明采用的一个技术方案为：一种基于知识图谱、深度学习的人岗匹配方法，所述人岗匹配方法包括：

S101：将待选简历、历史最优简历以及招聘信息存储进知识图谱，并根据所述待选简历、历史最优简历以及招聘信息中实体在知识图谱中的表示特征获取第一待选简历特征、第二待选简历特征、历史最优简历特征以及招聘要求特征；

S102：根据第一待选简历特征、所述历史最优简历特征获取所述待选简历的匹配度，并通过所述第二待选简历特征、招聘要求特征获取所述待选简历的竞争力分析数据；

S103：通过所述匹配度获取所述待选简历的满意度，并根据所述满意度、竞争力分析数据输出所述待选简历的匹配信息。

进一步地，所述将待选简历、历史最优简历以及招聘信息存储进知识图谱的步骤具体包括：

将所述待选简历、历史最优简历以及招聘信息转化为实体关系属性信息，并将所述实体关系属性信息存储进所述知识图谱。

进一步地，所述根据所述待选简历、历史最优简历以及招聘信息中实体在知识图谱中的表示特征获取第一待选简历特征、第二待选简历特征、历史最优简历特征以及招聘要求特征的步骤具体包括：

将所述待选简历、历史最优简历以及招聘信息的文本信息分别与所述待选简历、历史最优简历以及招聘信息中实体在知识图谱中的表示特征相结合获取所述待选简历特征、历史最优简历特征以及招聘要求的特征表示，根据所述特征表示获取第一待选简历特征、第二待选简历特征、历史最优简历特征以及招聘要求特征。

进一步地，所述根据所述特征表示获取第一待选简历特征、第二待选简历特征、历史最优简历特征以及招聘要求特征的步骤具体包括：

将待选简历、历史最优简历以及招聘信息的所述特征表示分别输入卷积神经网络进行特征提取以获取第一待选简历特征、第二待选简历特征、历史最优简历特征以及招聘信息特征。

进一步地，第一待选简历特征、第二待选简历特征对应的卷积神经网络的参数、卷积个数不同。

进一步地，所述根据第一待选简历特征、所述历史最优简历特征获取所述待选简历的匹配度的步骤具体包括：

通过注意力机制算法将所述第一待选简历特征与所述历史最优简历特征进行比较以获取所述待选简历的匹配度。

进一步地，所述通过所述匹配度获取所述待选简历的满意度步骤具体包括：

将所述待选简历的匹配度与所述招聘要求特征进行比较以获取所述待选简历的满意度。

进一步地，所述根据所述满意度、竞争力分析数据输出所述待选简历的匹配信息的步骤具体包括：

获取问答模板的模板特征，将所述第一待选简历特征、模板特征以及招聘要求特征进行匹配计算，获取所述待选简历的得分，所述模板特征包括个性化的人才要求问答特征；

根据所述得分、满意度、竞争力分析数据输出所述待选简历的匹配度。

进一步地，所述满意度与所述待选简历的浏览、邀约面试以及录取相对应。

基于相同的发明构思，本发明还提出一种存储装置，所述存储装置存储有程序数据，所述程序数据被用于执行如上所述的基于知识图谱、深度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：利用知识图谱作为信息提取基础，通过神经网络提取特征和根据提取的特征计算待选简历与招聘要求的匹配信息，能够代替人工来衡量一份简历是否满足工作的招聘要求、企业端的HR是否满意该简历，可以精确且高效获取简历与岗位的匹配结果，简历筛选以及匹配的效率高，大大降低用人单位和求职者的时间和精力，提高了企业人事招聘整体的管理水平。

附图说明

图1为本发明基于知识图谱、深度学习的人岗匹配方法一实施例的流程图；

图2为本发明基于知识图谱、深度学习的人岗匹配方法中推理模型一实施例的示意图；

图3为本发明基于知识图谱、深度学习的人岗匹配方法中推理模型另一实施例的示意图；

图4为本发明存储装置一实施例的结构图。

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。

请参阅图1-3，其中，图1为本发明基于知识图谱、深度学习的人岗匹配方法一实施例的流程图；图2为本发明基于知识图谱、深度学习的人岗匹配方法中推理模型一实施例的示意图；图3为本发明基于知识图谱、深度学习的人岗匹配方法中推理模型另一实施例的示意图。结合附图1-3对本发明基于知识图谱、深度学习的人岗匹配方法作详细说明。

在本实施例中，通过推理模型实现本发明基于知识图谱、深度学习的人岗匹配方法。推理模型利用bert的文本编码，知识图谱的知识嵌入技术，transE与transX等基于距离的嵌入，把简历和招聘文本信息转换成文本知识特征和知识图谱的事实与结构知识特征，再融入神经网络。神经网络会先让待选简历特征考虑已选的简历特征，并按照招聘要求特征要求进行特征匹配计算，整体进行反复神经网络的训练与学习，输出匹配等级与竞争力分析数值，从而获取待选简历的匹配信息。

在本实施例中，基于知识图谱、深度学习的人岗匹配方法包括：

S101：将待选简历、历史最优简历以及招聘信息存储进知识图谱，并根据待选简历、历史最优简历以及招聘信息中实体在知识图谱中的表示特征获取第一待选简历特征、第二待选简历特征、历史最优简历特征以及招聘要求特征。

在本实施例中，推理模型包括模块1、模块2、模块3、模块4、模块5、模块6、模块7、模块8。

在本实施例中，模块1、模块2、模块4、模块5同时执行将信息存储进行知识图谱的操作，并分别获取第一待选简历特征、历史最优简历特征、招聘要求特征以及第二待选简历特征。

在本实施例中，知识图谱中存储有大量人才、公司以及招聘信息形成的关系网，待选简历、历史简历以及招聘信息的文本信息转换为实体关系属性信息后、添加进该关系网中以整体判断待选简历是否适合该招聘要求。

在本实施例中，将待选简历、历史最优简历以及招聘信息存储进知识图谱的步骤具体包括：将待选简历、历史最优简历以及招聘信息转化为实体关系属性信息，并将实体关系属性信息存储进知识图谱。

在本实施例中，根据待选简历、历史最优简历以及招聘信息中实体在知识图谱中的表示特征获取第一待选简历特征、第二待选简历特征、历史最优简历特征以及招聘要求特征的步骤具体包括：将待选简历、历史最优简历以及招聘信息的文本信息分别与待选简历、历史最优简历以及招聘信息中实体在知识图谱中的表示特征相结合获取待选简历特征、历史最优简历特征以及招聘要求的特征表示，根据特征表示获取第一待选简历特征、第二待选简历特征、历史最优简历特征以及招聘要求特征。

在本实施例中，根据特征表示获取第一待选简历特征、第二待选简历特征、历史最优简历特征以及招聘要求特征的步骤具体包括：将待选简历、历史最优简历以及招聘信息的特征表示分别输入卷积神经网络(CNN)进行特征提取以获取第一待选简历特征、第二待选简历特征、历史最优简历特征以及招聘信息特征。

在本实施例中，第一待选简历特征、第二待选简历特征对应的卷积神经网络的参数、卷积个数不同。

在本实施例中，用于获取招聘要求特征的卷积神经网络与其他卷积神经网络的参数不共享，且采取的矩阵运算不同。

在一个具体的实施例中，历史最优简历的数量为10，待选简历的数量为1，在其他实施例中，历史最优简历的数量可以为20、30以及其他数量，待选简历的数量也可以不限定为一份，可以为2份、3份以及其他数量，在此不做限定

在一个具体的实施例中，利用bert的编码把文本信息转换为bert输出特征，结合文本信息中实体在知识图谱中的表示特征，转化为待选简历特征、历史最优简历特征以及招聘要求的特征表示。

在一个具体的实施例中，通过将知识图谱的信息经过transE或transX、transR这类编码模型进行编码获取待选简历、历史最优简历以及招聘信息中实体在知识图谱中的表示特征。

在一个具体的实施例中，待选简历、历史最优简历以及招聘信息的所述特征表示输入的卷积神经网络可以为单个或多个卷积神经网络的叠加。

S102：根据第一待选简历特征、历史最优简历特征获取待选简历的匹配度，并通过第二待选简历特征、招聘要求特征获取待选简历的竞争力分析数据。

在本实施例中，根据第一待选简历特征、历史最优简历特征获取待选简历的匹配度的步骤具体包括：通过注意力机制算法将第一待选简历特征与历史最优简历特征进行比较以获取待选简历的匹配度。

在本实施例中，历史最优简历为通过该招聘要求的最优历史简历特征。

在本实施例中，将待选简历特征与历史最优简历特征进行权重运算，通过待选简历特征相对于历史最优简历特征的权重获取待选简历特征的匹配度。

在本实施例中，通过神经网络计算的方式将待选简历特征与招聘要求特征进行特征组合匹配，从而计算待选简历中每一个待选简历特征与招聘要求特征是否符合，进而根据该符合情况输出竞争力分析数据。

在本实施例，待选简历特征包括性别、工作经验、项目个数、学习等与招聘要求相关的信息。

在本实施例中，根据待选简历特征与招聘要求特征的符合情况可以获取零至N项竞争力分析数据，其中，N为自然数，且大于等于1。

S103：通过匹配度获取待选简历的满意度，并根据满意度、竞争力分析数据输出待选简历的匹配信息。

在本实施例中，通过匹配度获取待选简历的满意度步骤具体包括：将待选简历的匹配度与招聘要求特征进行比较以获取待选简历的满意度。

在本实施例中，根据满意度、竞争力分析数据输出待选简历的匹配信息的步骤之前还包括：通过反向传播算法对满意度、竞争力分析数据进行优化。

在本实施例中，根据满意度、竞争力分析数据输出待选简历的匹配信息的步骤具体包括：获取问答模板的模板特征，将第一待选简历特征、模板特征以及招聘要求特征进行匹配计算，获取待选简历的得分，模板特征包括个性化的人才要求问答特征；根据得分、满意度、竞争力分析数据输出待选简历的匹配度。

在一个具体的实施例中，为得分、满意度、竞争力分析数据中的至少一个设置权重，根据权重计算结果确定推荐结果好坏和得出匹配度。

在本实施例中，问答模板为专家或HR指定的对招聘对象的个性化要求模板。问答模板通过bert的编码把问答模板的文本信息转化为模板特征以用于匹配计算。

在一个具体的实施例中，个性化要求模板数据上是HR或专家对人才的要求模板，包括一些不会出现在招聘要求中的问题，如：招聘行政，我可能需要女性并不需要男性，那该简历性别符合吗？

在本实施例中，为了增强应对能力和减少计算量，本发明在获取问答模板是，从个性化招聘要求中随机采样一条或部分问答作为问答模板。

在本实施例中，通过数学矩阵运算的方式将模板特征中的问题与第一待选简历特征进行问答匹配获取匹配结果(即答案位置编码矩阵，包括第一待选简历特征与模板特征中的问题的匹配结果)，根据该匹配结果获取得分。

在其他实施例中，也可以将模板特征中的问题与第二待选简历特征进行问答匹配获取匹配结果。

在本实施例中，满意度与待选简历的浏览、邀约面试以及录取的可能性相对应。

在本实施例中，通过注意力机制算法将待选简历的匹配度与招聘要求特征进行比较以获取待选简历的满意度。

在本实施例中，推理模型整体依赖tensorflow的环境，以高性能gpu服务器为运行环境，从而执行本发明基于知识图谱、深度学习的人岗匹配方法。

在本实施例中，推理模型获取待选简历的匹配的信息将其输出给推荐模块，通过推荐模块执行简历推荐。

下面通过推理模型中不同模块的协同工作方式对本发明基于知识图谱、深度学习的人岗匹配方法做进一步说明。

模块1：把待选简历的文本信息转化实体关系属性信息，并将该信息存储进知识图谱。然后，在所有需要存储到知识图谱的信息存储完毕后，利用bert的编码把文本信息转换为，bert输出特征结合文本信息中实体在知识图谱中的表示特征获取待选简历的特征表示。该特征表示随后进入一个卷积神经网络进行特征提取，形成第一待选简历特征。

模块2：把历史最优简历的文本信息转化实体关系属性信息，并存储进知识图谱。然后利用bert的编码把文本信息转换为，bert输出特征结合文本中实体在知识图谱中的表示特征获取历史简历的特征表示。该特征表示随后进入一个卷积神经网络进行特征提取，形成历史简历特征。

模块3：注意力层(Attention_layer)，利用注意力机制算法对待选简历特征、历史最优简历特征进行特征组合以获取待选简历的匹配度。

模块4：把招聘要求的文本信息转化实体关系属性信息，并将该实体关系属性信息存储进知识图谱。然后利用bert的编码把招聘要求的文本信息转换为bert输出特征，结合文本信息中实体在知识图谱中的表示特征，转化为招聘要求的特征表示。该特征表示随后进入一个卷积神经网络进行特征提取，形成招聘要求特征。

模块5：通过同样的方式把待选简历转化为待选简历的特征表示。这些特征表示随后进入一个区域卷积神经网络进行特征提取，形成第二待选简历特征。

模块6：特征组合匹配层，该模块是细致的特征组合网络，通过一个神经网络计算用来计算待选简历的性别、工作经验、项目个数等信息与招聘要求中的要求进行组合匹配以判断是否符合，根据符合情况输出竞争力分析数据。

模块7：优化器与多任务损失函数层(Mul-obj-loss)。用于优化获取的满意度和竞争力分析数据以及模块8输出的答案位置编码矩阵，根据这些答案位置编码矩阵计算与真实答案、真实分数之间的距离，并通过梯度下降优化算法缩短与真实答案之间的距离，其中，真实答案、真实得分为实际上待选简历与问答模板中问题的实际匹配答案和实际得分。通过反复优化和大量数据训练的方式提高推理模型的准确度。模块7分别与densen(全连接)层、特征组合匹配层连接，并通过反向传播算法优化满意度、竞争力分析以及推理模型。

模块8：阅读理解匹配，整个推理模型在训练时需要用大量的简历、对应的招聘要求、招聘过程和结果等等数据进行大规模训练。为了使推理模型根据简历产生的推荐结果更稳定以及根据推荐结果生成一些推荐理由。阅读理解匹配模块对个性化要求模板进行随机采样生成问答模板。该问答模版通过bert进行编码计算出模板特征，然后与模块3输出的第一待选简历特征及招聘要求特征进行计算。该模块用于根据模板特征向第一待选简历特征进行问答式匹配。其中，模板特征中的正确答案是由专家及HR在推理模型训练之前决定。例如问题：我需要招聘的人必须是985\211以上。那么HR和专家在设计个性化要求模板时候，必定知道这间学校和海外学校是否符合此要求。并将这些符合问题的正确答案作为训练数据。而在根据待选简历预测待选简历的推荐结果的时候，就不需要告诉答案，因为推理模型通过大量的训练数据，能够学会问题与这些正确答案之间的关系。)，模块8实际进行注意力运算得出匹配结果的答案，并输出匹配结果。改匹配结果会进入第7个模块mul-obj-loss一起进行计算。此模块在推理模型当中的功能是模拟人招聘时向求职者进行问答的过程。如果问答的得分高，则证明匹配越准确。

在一个具体的实施例中，问答模板为：求职者的工作经验是否与工作要求相关？

在本实施例中，模块7在神经网络计算当中，在计算目标的损失即推荐结果好坏时候，结合问答结果的得分进行权重计算。而模块6仅停留在特征计算层面，也就是矩阵运算，也就是模块6是抽象的进行招聘要求和简历特征之间的注意力运算。而模块8，相当于辅助决策，在具体问答的语义理解上进行具体的匹配运算。虽然两者都是数学矩阵运算，但语义层面不一样。

模块8通过参数共享操作直接获取第一待选简历特征，而不需要从头计算待选简历特征。在AI领域，通常模块8的做法是把问答模板与第一待选简历特征共同输入神经网络进行计算，从第一待选简历特征中获取问题的答案，并判断答案是否正确以获取匹配结果。

有益效果：本发明基于知识图谱、深度学习的人岗匹配方法利用知识图谱作为信息提取基础，通过神经网络提取特征和根据提取的特征计算待选简历与招聘要求的匹配信息，能够代替人工来衡量一份简历是否满足工作的招聘要求、企业端的HR是否满意该简历，可以精确且高效获取简历与岗位的匹配结果，简历筛选以及匹配的效率高，大大降低用人单位和求职者的时间和精力，提高了企业人事招聘整体的管理水平。

基于相同的发明构思，本发明还提出一种存储装置，请参阅图4，图4为本发明存储装置一实施例的结构图。结合图4对本发明的存储装置作具体说明。

在本实施例中，存储装置存储有程序数据，程序数据被用于执行如上述实施例所述的基于知识图谱、深度学习的人岗匹配方法。

有益效果：本发明利用知识图谱作为信息提取基础，通过神经网络提取特征和根据提取的特征计算待选简历与招聘要求的匹配信息，能够代替人工来衡量一份简历是否满足工作的招聘要求、企业端的HR是否满意该简历，可以精确且高效获取简历与岗位的匹配结果，简历筛选以及匹配的效率高，大大降低用人单位和求职者的时间和精力，提高了企业人事招聘整体的管理水平。

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)

1.一种基于知识图谱、深度学习的人岗匹配方法，其特征在于，所述人岗匹配方法包括：

S101：将待选简历、历史最优简历以及招聘信息存储进知识图谱，并根据所述待选简历、历史最优简历以及招聘信息中实体在知识图谱中的表示特征获取第一待选简历特征、第二待选简历特征、历史最优简历特征以及招聘要求特征；

S102：根据第一待选简历特征、所述历史最优简历特征获取所述待选简历的匹配度，并通过所述第二待选简历特征、招聘要求特征获取所述待选简历的竞争力分析数据；

S103：通过所述匹配度获取所述待选简历的满意度，并根据所述满意度、竞争力分析数据输出所述待选简历的匹配信息。

2.如权利要求1所述的基于知识图谱、深度学习的人岗匹配方法，其特征在于，所述将待选简历、历史最优简历以及招聘信息存储进知识图谱的步骤具体包括：

将所述待选简历、历史最优简历以及招聘信息转化为实体关系属性信息，并将所述实体关系属性信息存储进所述知识图谱。

3.如权利要求1所述的基于知识图谱、深度学习的人岗匹配方法，其特征在于，所述根据所述待选简历、历史最优简历以及招聘信息中实体在知识图谱中的表示特征获取第一待选简历特征、第二待选简历特征、历史最优简历特征以及招聘要求特征的步骤具体包括：

将所述待选简历、历史最优简历以及招聘信息的文本信息分别与所述待选简历、历史最优简历以及招聘信息中实体在知识图谱中的表示特征相结合获取所述待选简历特征、历史最优简历特征以及招聘要求的特征表示，根据所述特征表示获取第一待选简历特征、第二待选简历特征、历史最优简历特征以及招聘要求特征。

4.如权利要求3所述的基于知识图谱、深度学习的人岗匹配方法，其特征在于，所述根据所述特征表示获取第一待选简历特征、第二待选简历特征、历史最优简历特征以及招聘要求特征的步骤具体包括：

将待选简历、历史最优简历以及招聘信息的所述特征表示分别输入卷积神经网络进行特征提取以获取第一待选简历特征、第二待选简历特征、历史最优简历特征以及招聘信息特征。

5.如权利要求4所述的基于知识图谱、深度学习的人岗匹配方法，其特征在于，第一待选简历特征、第二待选简历特征对应的卷积神经网络的参数、卷积个数不同。

6.如权利要求1所述的基于知识图谱、深度学习的人岗匹配方法，其特征在于，所述根据第一待选简历特征、所述历史最优简历特征获取所述待选简历的匹配度的步骤具体包括：

通过注意力机制算法将所述第一待选简历特征与所述历史最优简历特征进行比较以获取所述待选简历的匹配度。

7.如权利要求1所述的基于知识图谱、深度学习的人岗匹配方法，其特征在于，所述通过所述匹配度获取所述待选简历的满意度步骤具体包括：

将所述待选简历的匹配度与所述招聘要求特征进行比较以获取所述待选简历的满意度。

8.如权利要求1所述的基于知识图谱、深度学习的人岗匹配方法，其特征在于，所述根据所述满意度、竞争力分析数据输出所述待选简历的匹配信息的步骤具体包括：

获取问答模板的模板特征，将所述第一待选简历特征、模板特征以及招聘要求特征进行匹配计算，获取所述待选简历的得分，所述模板特征包括个性化的人才要求问答特征；

根据所述得分、满意度、竞争力分析数据输出所述待选简历的匹配度。

9.如权利要求1所述的基于知识图谱、深度学习的人岗匹配方法，其特征在于，所述满意度与所述待选简历的浏览、邀约面试以及录取相对应。

10.一种存储装置，其特征在于，所述存储装置存储有程序数据，所述程序数据被用于执行如权利要求1-9任一项所述的基于知识图谱、深度学习的人岗匹配方法。

Images