CN111814056A - 基于信息处理的供应商推荐方法及相关设备 - Google Patents
基于信息处理的供应商推荐方法及相关设备 Download PDFInfo
- Publication number
- CN111814056A CN111814056A CN202010762148.4A CN202010762148A CN111814056A CN 111814056 A CN111814056 A CN 111814056A CN 202010762148 A CN202010762148 A CN 202010762148A CN 111814056 A CN111814056 A CN 111814056A
- Authority
- CN
- China
- Prior art keywords
- information
- supplier
- index
- preset
- recommendation
- 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
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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种基于信息处理的供应商推荐方法及相关设备,涉及数据处理技术领域。所述方法包括:接收到基于目标职位信息对预先存储的至少两个供应商进行排序的指令,获取目标职位信息;针对每一供应商,获取供应商的属性信息与历史职位信息,构建供应商的特征信息;在特征信息中分别获取与各项预设指标相关性大于预设阈值的特征信息作为预测特征信息;基于预测特征信息与目标职位信息,确定供应商在各项预设指标上的指标信息;基于各项预设指标的权重,对指标信息进行加权计算得到供应商的推荐分值;基于推荐分值对各供应商进行排序,获得供应商推荐列表,并反馈所述供应商推荐列表。本申请的实施有利于提高招聘的效率。
Description
技术领域
本申请涉及数据处理技术领域,具体而言,本申请涉及一种基于信息处理的供应商推荐方法及相关设备。
背景技术
在招聘系统中,HR选择供应商都是凭自己的感觉或凭以往对该供应商的印象去选择合适需招聘职位的供应商,该做法主观性强,作业效率低,且容易错失掉合适的供应商。当HR没有选择合适的供应商时,招聘过程中在简历量、质量、简历推荐效率上都会受到影响。
现有技术中,为解决上述问题,基于神经网络的供应商选择评价模型给出供应商的推荐分值,基于推荐分值向HR作出供应商推荐。在模型的训练过程中,将供应商各项指标的分值和供应商所得总的推荐分值作为训练集样本输入神经网络,对神经网络模型进行训练及仿真,构建基于神经网络的供应商选择评价模型。但是供应商的推荐分值不易获取,且对供应商的各项指标打分本身就增加了主观性,其使得以训练所得模型输出的供应商的推荐分值预测结果可靠性低。且现有技术中无法基于特定的招聘职位向用户推荐相应的供应商。
发明内容
提供该发明内容部分以便以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本申请第一方面,提供了一种基于信息处理的供应商推荐方法,包括:接收到基于目标职位信息对预先存储的至少两个供应商进行排序的指令,获取所述目标职位信息;针对每一供应商,获取供应商的属性信息与历史职位信息,构建供应商的特征信息;在特征信息中分别获取与各项预设指标相关性大于预设阈值的特征信息作为预测特征信息;基于所述预测特征信息与所述目标职位信息,确定供应商在各项预设指标上的指标信息;基于各项预设指标的权重,对所述指标信息进行加权计算得到供应商的推荐分值;基于推荐分值对各供应商进行排序,获得供应商推荐列表,并反馈所述供应商推荐列表。
结合第一方面,在第一方面的第一种实施方式中,所述获取供应商的属性信息与历史职位信息,构建供应商的特征信息,包括:获取供应商的属性信息,以所述供应商与其他各个供应商的相似度确定所述供应商的相似属性供应商;获取供应商的历史职位信息,以所述供应商与其他各个供应商的相似度确定所述供应商的相似内容供应商;基于相似属性供应商与相似内容供应商所占权重,加权计算得到所述供应商的相似供应商,并确定相似供应商的特征信息与所述供应商的特征信息合并后的特征信息为所述供应商的特征信息。
结合第一方面,在第一方面的第二种实施方式中,所述在特征信息中分别获取与各项预设指标相关性大于预设阈值的特征信息作为预测特征信息,包括:基于每一预设指标对应的特征选择模型,执行特征选择步骤:获取供应商的多个特征信息,分别计算各特征信息与预设指标之间的相关性;获取相关系数大于预设阈值的特征信息作为预测特征信息进行输出;其中,特征选择模型采用回归模型或分类模型;预设指标包括简历总量、推荐速度、推荐面试比率、录用率中的至少一项。
结合第一方面的第二种实施方式,在第一方面的第三种实施方式中,所述基于所述预测特征信息与所述目标职位信息,确定供应商在各项预设指标上的指标信息,包括:基于每一预设指标对应的预测模型,执行指标预测步骤:获取目标职位信息与预测特征信息;计算供应商在该预设指标上的指标信息进行输出;其中,指标信息为基于预设指标与目标职位信息计算所得的数值;其中,针对每一预测模型进行训练的步骤包括:获取样本数据,基于预设比例将所述样本数据划分为训练数据与测试数据;将所述训练数据与测试数据输入特征选择模型进行训练;所述样本数据包括供应商的预测特征信息及相应的指标信息。
结合第一方面,在第一方面的第四种实施方式中,所述获取所述目标职位信息,包括:计算目标职位信息与供应商所存有的各职位信息的欧式距离;将欧式距离最小值对应的职位信息作为相似职位信息;获取目标职位信息与相似职位信息合并后的职位信息。
结合第一方面的第三种实施方式,在第一方面的第五种实施方式中,所述基于各项预设指标的权重,对所述指标信息进行加权计算得到供应商的推荐分值,包括:基于用户设定的推荐需求,设定各项预设指标的权重;其中,当所述推荐需求对应至少一项预设指标时,所述至少一项预设指标所占权重大于其他各项预设指标所占权重;基于所述各项预设指标的权重,对指标信息进行加权计算得到供应商的推荐分值。
结合第一方面的第一种实施方式,在第一方面的第六种实施方式中,所述基于推荐分值对各供应商进行排序,获得供应商推荐列表,包括:基于预设条件在所有供应商中确定目标供应商;其中预设条件包括预设时间段内进行职位推荐和/或进行简历信息处理、以及作为任一供应商的相似供应商中的至少一项;基于所述目标供应商各自对应的推荐分值进行降序排序,获取排序在前的预设数值个目标供应商生成供应商推荐列表。
本申请第二方面,提供了一种基于信息处理的供应商推荐装置,包括:获取模块,用于接收到基于目标职位信息对预先存储的至少两个供应商进行排序的指令,获取所述目标职位信息;计算模块,用于针对每一供应商,获取供应商的属性信息与历史职位信息,构建供应商的特征信息;在特征信息中分别获取与各项预设指标相关性大于预设阈值的特征信息作为预测特征信息;基于所述预测特征信息与所述目标职位信息,确定供应商在各项预设指标上的指标信息;基于各项预设指标的权重,对所述指标信息进行加权计算得到供应商的推荐分值;排序模块,用于基于推荐分值对各供应商进行排序,获得供应商推荐列表,并反馈所述供应商推荐列表。
结合第二方面,在第二方面的第一种实施方式中,所述计算模块,包括:第一相似单元,用于获取供应商的属性信息,以所述供应商与其他各个供应商的相似度确定所述供应商的相似属性供应商;第二相似单元,用于获取供应商的历史职位信息,以所述供应商与其他各个供应商的相似度确定所述供应商的相似内容供应商;合并单元,用于基于相似属性供应商与相似内容供应商所占权重,加权计算得到所述供应商的相似供应商,并确定相似供应商的特征信息与所述供应商的特征信息合并后的特征信息为所述供应商的特征信息。
结合第二方面,在第二方面的第二种实施方式中,所述计算模块,包括:特征选择单元,用于基于每一预设指标对应的特征选择模型,执行特征选择步骤:获取供应商的多个特征信息,分别计算各特征信息与预设指标之间的相关性;获取相关系数大于预设阈值的特征信息作为预测特征信息进行输出;其中,特征选择模型采用回归模型或分类模型;预设指标包括简历总量、推荐速度、推荐面试比率、录用率中的至少一项。
结合第二方面的第二种实施方式,在第二方面的第三种实施方式中,所述计算模块,包括:预测单元用于基于每一预设指标对应的预测模型,执行指标预测步骤:获取目标职位信息与预测特征信息;计算供应商在该预设指标上的指标信息进行输出;其中,指标信息为基于预设指标与目标职位信息计算所得的数值;其中,针对每一预测模型进行训练的步骤包括:获取样本数据,基于预设比例将所述样本数据划分为训练数据与测试数据;将所述训练数据与测试数据输入特征选择模型进行训练;所述样本数据包括供应商的预测特征信息及相应的指标信息。
结合第二方面,在第二方面的第四种实施方式中,所述预测单元,包括:计算子单元,用于计算目标职位信息与供应商所存有的各职位信息的欧式距离;确定子单元,用于将欧式距离最小值对应的职位信息作为相似职位信息;获取子单元,用于获取目标职位信息与相似职位信息合并后的职位信息。
结合第二方面的第三种实施方式,在第二方面的第五种实施方式中,所述计算模块,包括:设定单元,用于基于用户设定的推荐需求,设定各项预设指标的权重;其中,当所述推荐需求对应至少一项预设指标时,所述至少一项预设指标所占权重大于其他各项预设指标所占权重;计算单元,用于基于所述各项预设指标的权重,对指标信息进行加权计算得到供应商的推荐分值。
结合第二方面的第一种实施方式,在第二方面的第六种实施方式中,所述排序模块,包括:过滤单元,用于基于预设条件在所有供应商中确定目标供应商;其中预设条件包括预设时间段内进行职位推荐和/或进行简历信息处理、以及作为任一供应商的相似供应商中的至少一项;排序单元,用于基于所述目标供应商各自对应的推荐分值进行降序排序,获取排序在前的预设数值个目标供应商生成供应商推荐列表。
本申请第三方面,提供了一种电子设备,所述电子设备包括:存储器和处理器;存储器中存储有计算机程序;处理器,用于在运行计算机程序时执行第一方面及其任一实施方式的方法。
本申请第四方面,提供了一种计算机可读介质,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第一方面及其任一实施方式的方法。
本申请提供的技术方案带来的有益效果是:
本申请在接收到基于目标职位信息对预先存储的至少两个供应商进行排序的指令后,获取所述目标职位信息;并基于目标职位信息针对每一供应商计算出相应的推荐分值,并基于推荐分值对各供应商进行排序,获取供应商推荐列表,从而向用户推荐供应商。其中,推荐分值的计算过程包括:基于供应商的属性信息与历史职位,构建供应商的特征信息;由于供应商的特征信息包括多项,而实际大部分与供应商推荐相应的预设指标无关,本申请通过在特征信息中分别获取与各项预设指标相关性大于预设阈值的特征信息作为预测特征信息,得到每一项预设指标相应的预测特征信息,从而根据预测特征信息计算供应商的指标信息,以在减少计算复杂度的同时,提高推荐分值计算的准确度;基于预测特征信息与目标职位信息,确定供应商在各项预设指标上的指标信息,得到每一项预设指标对应的指标信息,以基于特定的招聘职位信息计算出供应商在该招聘职位上各项指标信息;基于各项预设指标的权重,对指标信息进行加权计算得到供应商的推荐分值。本申请推荐分值的计算结果避免了对供应商各项指标打分的主观性;且在用户发起招聘需求时,可基于特定的招聘职位向用户反馈供应商推荐列表,便于用户筛选供应商,有利于提高招聘的效率。
附图说明
结合附图并参考以下具体实施方式,本申请各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1为本申请实施例提供的供应商推荐方法的流程图;
图2为本申请实施例提供的供应商推荐方法的流程图;
图3为本申请实施例提供的供应商推荐方法的流程图;
图4为本申请实施例提供的供应商推荐方法的流程图;
图5为本申请实施例提供的供应商推荐方法的流程图;
图6为本申请实施例提供的供应商推荐方法的流程图;
图7为本申请实施例提供的供应商推荐方法的流程图;
图8为本申请实施例提供的一种供应商推荐装置的结构示意图;
图9为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本申请的实施例。虽然附图中显示了本申请的某些实施例,然而应当理解的是,本申请可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本申请。应当理解的是,本申请的附图及实施例仅用于示例性作用,并非用于限制本申请的保护范围。
应当理解,本申请的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本申请的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本申请中提及的“第一”、“第二”等概念仅用于对装置、模块或单元进行区分,并非用于限定这些装置、模块或单元一定为不同的装置、模块或单元,也并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本申请中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本申请实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
首先对本申请涉及的几个名词进行介绍和解释:
属性信息:包括供应商的基本信息,如:服务年限、擅长行业、擅长职务类型、擅长地域、历史合作企业、名下顾问数量、存有简历数量等。
历史职位信息:供应商在服务上与职位相关的信息,包括职位基本信息、供应商历史对职位处理的行为数据等;其中职位基本信息包括:职位层级、职位名称、职位主序列、职位子序列、职位所需技能、学历要求、年限要求、任职资格等;对职位处理的行为数据包括:于某一职位服务的次数、于某一职位点击的次数、基于每一职位用户评价数据、历史推荐转化效果、供应商基于某一职位最近活动的情况等。
特征信息:对供应商特征信息的构建也可理解为构建供应商的用户画像;特征信息包括了供应商的属性信息及历史职位信息。
预设指标:表征在招聘过程中,主要影响招聘质量或用户推荐需求的指标,如:简历总量、推荐速度、推荐面试比率、录用率等。
指标信息:基于预设指标统计供应商在该指标上的数据,如基于预设指标为简历数量,则指标信息为统计供应商的简历数量(如供应商当前存有10000份简历等)。
预测特征信息:预测特征信息为基于预设指标在特征信息中选取的信息;如特征信息包括服务年限、存有简历数量,预设指标为简历数量,其中,存有简历数量与预设指标的相关性大于预设阈值,则将特征信息“存有简历数量”作为预测特征信息。
目标职位信息:基于用户当前所需招聘的职位,提取的相关信息;其包括:职位名称、任职要求等信息。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
请参照图1,本申请提供了一种基于信息处理的供应商推荐方法,该方法具体可以由本申请实施例的电子设备执行,具体地,该电子设备可以是招聘系统的招聘平台(如网关,用于客户端与服务器之间的通信),也可以是招聘系统的服务器;本申请包括:
S101接收到基于目标职位信息对预先存储的至少两个供应商进行排序的指令,获取所述目标职位信息;
S102针对每一供应商,获取供应商的属性信息与历史职位信息,构建供应商的特征信息;在特征信息中分别获取与各项预设指标相关性大于预设阈值的特征信息作为预测特征信息;基于所述预测特征信息与所述目标职位信息,确定供应商在各项预设指标上的指标信息;基于各项预设指标的权重,对所述指标信息进行加权计算得到供应商的推荐分值;
S103基于推荐分值对各供应商进行排序,获得供应商推荐列表,并反馈所述供应商推荐列表。
具体地,招聘系统中包括多个供应商,用户可在招聘系统中筛选其中的一个或多个供应商与自己合作完成招聘需求。本申请实施例提供一种供应商推荐方法,基于用户的招聘需求,向用户反馈供应商推荐列表,便于用户筛选供应商。
在步骤S101中,当接收到基于目标职位信息对预先存储的至少两个供应商进行排序的指令时,获取所述目标职位信息;具体地,预先存储的至少两个供应商为招聘系统中存有的供应商。用户可在客户端上设置目标职位信息后,通过客户端发起基于目标职位信息对预先存储的至少两个供应商进行排序的指令,客户端在向网关或服务器发出指令时可携带目标职位信息一并发送。
在步骤S102中,针对招聘系统中的每一个供应商,基于用户发布的招聘需求,分别计算其推荐分值。
具体地,获取供应商的属性信息与历史职位信息,构建供应商的特征信息;其中,在针对供应商A在进行特征信息的构建时,首先获取其属性信息及相关的历史职位信息,组建特征信息,所形成的特征信息如用户画像;在一实施例中,基于用户召回,对供应商的特征信息设定相应的标签,如供应商画像中的特征画像标签。
具体地,在特征信息中分别获取与各项预设指标相关性大于预设阈值的特征信息作为预测特征信息;其中,在进行特征选择时,供应商的特征信息可视为输入变量,各项预设指标可视为目标变量,计算输入变量与目标变量之间的相关性,并将相关性大于预设阈值的特征信息作为预测特征信息。计算相关性时,可采用sklearn(Scikit-learn:机器学习中的模块)中f_regression(计算所得F值越大,表征变量越相关)进行计算。举例说明:针对预设指标“简历总量”,采用sklearn中的f_regression计算所有特征信息与“简历总量”之间的相关性,得到F值,取F值大于10(预设阈值,可根据实际情况调整)的特征信息作为预测特征信息。在本实施例中,基于每一项预设指标均有对应的预测特征信息,如预设指标“简历总量”对应的预测特征信息,与预设指标“推荐速度”对应的预测特征信息可能不同。在一实施例中,采用模型完成特征选择的步骤,如基于预设指标的不同构建不同的模型,针对预设指标“简历总量”可采用回归模型(XGBRegressor)进行特征选择,将供应商的特征信息作为输入数据,预测特征信息则为模型的输出数据。其中,针对不同预设指标的特性构建不同的模型中,若针对预设指标“录用率”则可采用分类模型(XGBClassifier)。
在一实施例中,预设指标针对猎头推荐和招聘流程外包(RPO)两种模式所对应的预测特征信息不同。相应地,针对两种模式所设置的预设指标也不完全相同。如针对猎头推荐的模式,预设指标可包括四个,针对RPO的模式,预设指标可包括两个。进一步地,尽管两种模式均包括相同的预设指标,由于两种模式所使用的招聘方式和流程不同,在通过模型进行特征选择时,也可适应调整两种模式对应下的预测特征信息。
具体地,基于所述预测特征信息与目标职位信息,确定供应商在各项预设指标上的指标信息;其中,目标职位信息为用户当前发布的招聘职位相关的信息,用户发布的招聘职位可以包括一个或多个;在一实施例中,计算供应商在各项预设指标上的指标信息时,可针对一个目标职位进行计算(根据用户发布不同的招聘职位,反馈不同的供应商推荐列表),也可同时针对多个目标职位进行计算(根据用户同一时间段发布的多个招聘职位,反馈一份供应商推荐列表)。在一实施例中,可采用模型统计供应商在各项预设指标上的指标信息,每一项预设指标均有对应的模型;如针对预设指标“简历总量”,构建预测模型,将预测特征信息与目标职位信息作为模型的输入数据,指标信息则为相应于“简历总量”的预测模型的输出数据。在一实施例中,预设指标可以是带数值的标准要求,如要求简历总量达10000份以上,则相应的指标信息可以是达该指标的百分比,如某供应商A简历总量为1000份,则指标信息为0.1;某供应商B简历总量为11000份,则指标信息为1.1;如此类推。
具体地,基于各项预设指标的权重,对所述指标信息进行加权计算得到供应商的推荐分值;其中,各项预设指标所占权重可基于用户的招聘需求设置,如用户针对近期发布的招聘职位,推荐需求为响应速度快时,将与响应速度相关的预设指标对应的权重设置为高于其他预设指标所占的权重。从而基于所设置的权重基于指标信息进行加权计算得到供应商的推荐分值。
在步骤S103中,基于推荐分值对各供应商进行排序,获得供应商推荐列表;具体地,基于步骤S102计算可得招聘系统中各个供应商的推荐分值,基于推荐分值可对供应商进行排序,并基于排序结果形成供应商推荐列表,并向客户端反馈该供应商推荐列表(向用户反馈基于当前所发布职位的推荐需求供应商的推荐情况)。
本申请针对每一供应商计算出相应的推荐分值,并基于推荐分值对各供应商进行排序,获取供应商推荐列表,从而向用户推荐供应商。其中,推荐分值的计算过程包括:基于供应商的属性信息与历史职位,构建供应商的特征信息;由于供应商的特征信息包括多项,而实际大部分与供应商推荐相应的预设指标无关,本申请通过在特征信息中分别获取与各项预设指标相关性大于预设阈值的特征信息作为预测特征信息,得到每一项预设指标相应的预测特征信息,从而根据预测特征信息计算供应商的指标信息,以在减少计算复杂度的同时,提高推荐分值计算的准确度;基于预测特征信息与目标职位信息,确定供应商在各项预设指标上的指标信息,得到每一项预设指标对应的指标信息,以基于特定的招聘职位信息计算出供应商在该招聘职位上各项指标信息;基于各项预设指标的权重,对指标信息进行加权计算得到供应商的推荐分值。本申请推荐分值的计算结果避免了对供应商各项指标打分的主观性;且在用户发起招聘需求时,可基于特定的招聘职位向用户反馈供应商推荐列表,便于用户筛选供应商,有利于提高招聘的效率。
在一实施例中,请参考图2,步骤S102获取供应商的属性信息与历史职位信息,构建供应商的特征信息,包括:
S201获取供应商的属性信息,以所述供应商与其他各个供应商的相似度确定所述供应商的相似属性供应商;
S202获取供应商的历史职位信息,以所述供应商与其他各个供应商的相似度确定所述供应商的相似内容供应商;
S203获取相似属性供应商与相似内容供应商所占权重,加权计算得到所述供应商的相似供应商,并确定相似供应商的特征信息与所述供应商的特征信息合并后的特征信息为所述供应商的特征信息。
在步骤S201中,获取供应商的属性信息,以所述供应商与其他各个供应商的相似度确定所述供应商的相似属性供应商;具体地,在计算相似度时,可基于供应商属性信息的标签进行,如基于用户召回,对供应商的属性信息设定标签后,计算两个供应商之间的欧式距离,获取欧式距离最接近的供应商(最相似)作为当前供应商的相似属性供应商。其中,在计算欧式距离之前,将属性信息的标签进行标准化处理:(x-平均值)/标准差;其中x为标签的向量值;平均值的计算公式如:标准差的计算公式如:在计算供应商a与供应商b的欧式距离时,具体为计算两个n维向量(在一实施例中,N维向量对应于各项属性信息)a(x11,x12,...,x1n)与b(x21,x22,...,x2n)之间的欧式距离:也可采用向量运算的形式:
具体地,假设计算供应商A的相似属性供应商时,分别计算供应商A与招聘系统中的其他所有供应商的欧式距离,从而在其他供应商中取相似度最高的供应商作为供应商A的相似属性供应商(在一实施例中,也可获取相似度高于设定值的多个供应商作为相似属性供应商)。
在步骤S202中,获取供应商的历史职位信息,以所述供应商与其他各个供应商的相似度确定所述供应商的相似内容供应商;具体地,可基于供应商的历史职位信息建立评分矩阵,例如获取历史职位信息中评分、分享、推荐的数据建立矩阵,其中评分+1,分享+1,推荐+2;并基于该评分矩阵采用欧式距离的计算方法得到相似度矩阵,在其他供应商中确定出相似内容供应商。
在步骤S203中,基于相似属性供应商与相似内容供应商所占权重,加权计算得到所述供应商的相似供应商,并确定相似供应商的特征信息与所述供应商的特征信息合并后的特征信息为所述供应商的特征信息;具体地,在步骤S201和步骤S202中,分别计算得出供应商A与其他供应商在属性信息与历史职位信息上的相似度,在步骤S203中,基于预设的权重值,对各供应商进行加权计算,确定与供应商A在属性信息与历史职位信息上均相似的供应商。如将加权计算所得结果进行降序排序,获取排序在前十的供应商作为供应商A的相似供应商;并将此十个相似供应商的特征信息合并供应商A的特征信息,作为供应商A实时的特征信息。在一实施例中,特征信息包括历史推荐的职位信息。
在一实施例中,请参考图3,步骤S102在特征信息中分别获取与各项预设指标相关性大于预设阈值的特征信息作为预测特征信息,包括:
S301基于每一预设指标对应的特征选择模型,执行特征选择步骤:获取供应商的多个特征信息,分别计算各特征信息与预设指标之间的相关性;获取相关系数大于预设阈值的特征信息作为预测特征信息进行输出;
其中,特征选择模型采用回归模型或分类模型;预设指标包括简历总量、推荐速度、推荐面试比率、录用率中的至少一项。
具体地,如基于预设指标“录用率”,采用分类模型(XGBClassifier)构建特征选择模型,以供应商A的多个特征信息作为输入数据,计算各个特征信息与预设指标“录用率”之间的相关性,若特征信息与预设指标具有相关性,则优先选用呈正相关的特征信息,并获取相关系数大于预设阈值的特征信息作为预测特征信息进行输出。其中,模型在计算相关性时,可采用采用sklearn中的f_regression进行计算。经步骤S301的实施,可得到供应商A在各项预设指标上相应的预测特征信息。其中,特征选择模型可以采用机器学习、深度学习、决策树、匹配树、聚类算法、分类器、分类算法、相似度匹配、逻辑回归等算法构建。
在一实施例中,请参考图4,步骤S102基于所述预测特征信息与所述目标职位信息,确定供应商在各项预设指标上的指标信息,包括:
S401基于每一预设指标对应的预测模型,执行指标预测步骤:获取目标职位信息与预测特征信息;计算供应商在该预设指标上的指标信息进行输出;其中,指标信息为基于预设指标与目标职位信息计算所得的数值;
其中,针对每一预测模型进行训练的步骤包括:获取样本数据,基于预设比例将所述样本数据划分为训练数据与测试数据;将所述训练数据与测试数据输入特征选择模型进行训练;所述样本数据包括供应商的预测特征信息及相应的指标信息。
具体地,不同预设指标对应的指标信息的计算,采用不同的预测模型;如预设指标包括四个,则有四个相应的预测模型;在预测模型的训练过程中,以供应商的预测特征信息及相应的指标信息作为样本数据,并基于预设比例将样本数据划分为训练数据与测试数据,如80%的样本数据作为训练数据,20%的样本数据作为测试数据,对模型进行训练;其中,预测模型可采用机器学习模型、神经网络模型等。将步骤S301中所得的预测特征信息输入相应的预测模型,计算指标信息。举例说明,假设预设指标为“推荐速度”,获取其相应的预测模型,并将步骤S301中基于预设指标“推荐速度”所得的预测特征信息输入预测模型;假设预设指标“推荐速度”的要求为在一天内响应,则计算供应商A在基于目标职位时的响应速度(各供应商由于熟悉的领域不同,针对不同的招聘职位一般响应速度不同,针对较为熟悉的招聘职位可能响应速度在一天内;针对不熟悉的招聘职位可能响应速度在一个月内),假设供应商A在目标职位上的响应速度为一天,则预测模型计算所得指标信息为1。在一实施例中,若目标职位包括多个,则在计算供应商A基于目标职位的响应速度时,取其平均值进行计算。如在预设指标“推荐速度”上,此时目标职位包括3个,供应商A针对目标职位1的响应速度为2天(相应指标信息为0.9),目标职位2的响应速度为3天(相应指标信息为0.8),目标职位3的响应速度为7天(相应指标信息为0.4),则供应商A在基于目标职位(包括3个)上的指标信息为:0.7。
在一实施例中,预设指标可仅为需求,如简历总量;则在步骤S401中计算指标信息时,则为统计供应商基于目标职位信息所存有的简历数量;如针对目标职位为算法工程师时,供应商存有的简历数量有2万份。
其中,在进行模型训练的过程中,设置停止训练条件,以在模型训练不再优化时停止训练。
在一实施例中,请参考图5,步骤S101获取所述目标职位信息,包括:
S501计算目标职位信息与供应商所存有的各职位信息的欧式距离;
S502将欧式距离最小值对应的职位信息作为相似职位信息;
S503获取目标职位信息与相似职位信息合并后的职位信息。
在步骤S501中,计算目标职位信息与供应商所存有的各职位信息的欧式距离;具体地,目标职位信息由用户当前发布的招聘职位相关的信息构成;供应商所存有的各职位信息为招聘系统所有的供应商中存有的职位信息(可理解为全量的职位信息);在一实施例中,在针对单一供应商计算推荐分值时,也可仅计算目标职位信息与该供应商所存有的各职位信息的欧式距离。
经步骤S502确定出与目标职位最相似的职位,并获取相应的职位信息作为相似职位信息;在一实施例中,可获取相似度大于设定值的多个相似职位的职位信息。
在步骤S503中,获取目标职位信息与相似职位信息合并后的职位信息;具体地,由于基于用户发布的招聘职位形成目标职位信息的信息量一般较少,信息量过少可能导致供应商推荐的准确度低;在本实施例中,将与用户发布的招聘职位相似的其他职位的职位信息一并作为目标职位信息,有利于提高供应商推荐的准确度。
在一实施例中,请参考图6,步骤S102基于各项预设指标的权重,对所述指标信息进行加权计算得到供应商的推荐分值,包括:
S601基于用户设定的推荐需求,设定各项预设指标的权重;其中,当所述推荐需求对应至少一项预设指标时,所述至少一项预设指标所占权重大于其他各项预设指标所占权重;
S602基于所述各项预设指标的权重,对指标信息进行加权计算得到供应商的推荐分值。
在步骤S601中,基于用户设定的推荐需求,设定各项预设指标的权重;其中,当所述推荐需求对应至少一项预设指标时,所述至少一项预设指标所占权重大于其他各项预设指标所占权重;具体地,用户设定的推荐需求包括简历数量多、推荐速度快、质量高中的至少一项。当预设指标包括简历总量、推荐速度、录用率;用户设定的推荐需求为简历数量多时,用户设定的推荐需求对应与预设指标“简历总量”,则简历总量所占的权重大于推荐速度和录用率各自所占权重,如将简历总量所占权重设置为0.6,推荐速度设置为0.2、录用率设置为0.2。
在步骤S602中,基于所述各项预设指标的权重,对指标信息进行加权计算得到供应商的推荐分值;具体地,推荐分值=预设指标1*w1+预设指标2*w2+...+预设指标N*wN。
在一实施例中,为提高供应商推荐的准确度,在计算推荐分值时,出计算各项指标信息外,引用供应商近段时间的行为数据进行计算,如结合供应商最近两周推荐职位简历量标准化值作为指标信息,加入推荐分值的计算模块中。
在一实施例中,在步骤S602基于各项指标信息计算推荐分值之前,针对每一项指标信息进行标准化处理;其中,所述标准化处理结果为以指标信息与其平均值的差值除以其标准差所得的数值;具体地,针对预设指标为简历总量、推荐面试比率、录用率等,可采用(x-平均值)/标准差的方式进行(具体可参考步骤S201);针对预设指标为推荐速度时,由于推荐速度越快越好,则在对推荐速度进行标准化处理时,先求取推荐速度的倒数,而后基于倒数进行标准化处理。
在一实施例中,请参考图7,步骤S103基于推荐分值对各供应商进行排序,获得供应商推荐列表,包括:
S701基于预设条件在所有供应商中确定目标供应商;其中预设条件包括预设时间段内进行职位推荐和/或进行简历信息处理、以及作为任一供应商的相似供应商中的至少一项;
S702基于所述目标供应商各自对应的推荐分值进行降序排序,获取排序在前的预设数值个目标供应商生成供应商推荐列表。
在步骤S701中,基于预设条件在所有供应商中确定目标供应商;其中预设条件包括预设时间段内进行职位推荐和/或进行简历信息处理、以及作为任一供应商的相似供应商中的至少一项;具体地,在进行排序之前,对招聘系统中的供应商进行过滤;其过滤包括删除在预设时间段内未进行任何职位推荐,和/或未针对简历信息进行任何操作的供应商;进一步地,还包括删除未作为任一供应商的相似供应商的供应商;如招聘系统中包括供应商A、B和C(A、B和C均在预设时间段内进行职位推荐和/或进行简历处理);其中,B为A的相似供应商,C不是A或B的相似供应商,则将供应商C删除,并将删除后剩余的供应商A和B作为目标供应商。
在步骤S702中,基于所述目标供应商各自对应的推荐分值进行降序排序,获取排序在前的预设数值个目标供应商生成供应商推荐列表;具体地,降序排序后,排序越前的供应商对应的推荐分值越高;获取排序在前的预设数值个目标供应商生成供应商推荐列表;该推荐列表可基于推荐分值生成,也可随机生成。
在本申请实施中,基于用户当前在招聘系统中发布的招聘职位及相应的推荐需求,通过供应商推荐方法得出招聘系统中最适合用户当前招聘需求(招聘职位+推荐需求)的预设数值个供应商,并以列表形式向用户反馈,用户在供应商推荐列表中即可找到心仪想合作的供应商,而无需用户浏览招聘系统中的所有供应商信息,提高了招聘的效率和质量,提高用户体验。
请参照图8,本申请实施例提供的一种供应商推荐装置的结构示意图,本申请实施例的供应商推荐装置800可以包括:获取模块801,用于接收到基于目标职位信息对预先存储的至少两个供应商进行排序的指令,获取所述目标职位信息;计算模块802,用于针对每一供应商,获取供应商的属性信息与历史职位信息,构建供应商的特征信息;在特征信息中分别获取与各项预设指标相关性大于预设阈值的特征信息作为预测特征信息;基于所述预测特征信息与所述目标职位信息,确定供应商在各项预设指标上的指标信息;基于各项预设指标的权重,对所述指标信息进行加权计算得到供应商的推荐分值;排序模块803,用于基于推荐分值对各供应商进行排序,获得供应商推荐列表,并反馈所述供应商推荐列表。
在一实施例中,所述计算模块802,包括:第一相似单元,用于获取供应商的属性信息,以所述供应商与其他各个供应商的相似度确定所述供应商的相似属性供应商;第二相似单元,用于获取供应商的历史职位信息,以所述供应商与其他各个供应商的相似度确定所述供应商的相似内容供应商;合并单元,用于基于相似属性供应商与相似内容供应商所占权重,加权计算得到所述供应商的相似供应商,并确定相似供应商的特征信息与所述供应商的特征信息合并后的特征信息为所述供应商的特征信息。
在一实施例中,所述计算模块802,包括:特征选择单元,用于基于每一预设指标对应的特征选择模型,执行特征选择步骤:获取供应商的多个特征信息,分别计算各特征信息与预设指标之间的相关性;获取相关系数大于预设阈值的特征信息作为预测特征信息进行输出;其中,特征选择模型采用回归模型或分类模型;预设指标包括简历总量、推荐速度、推荐面试比率、录用率中的至少一项。
在一实施例中,所述计算模块802,包括:预测单元用于基于每一预设指标对应的预测模型,执行指标预测步骤:获取目标职位信息与预测特征信息;计算供应商在该预设指标上的指标信息进行输出;其中,指标信息为基于预设指标与目标职位信息计算所得的数值;其中,针对每一预测模型进行训练的步骤包括:获取样本数据,基于预设比例将所述样本数据划分为训练数据与测试数据;将所述训练数据与测试数据输入特征选择模型进行训练;所述样本数据包括供应商的预测特征信息及相应的指标信息。
在一实施例中,所述预测单元,包括:计算子单元,用于计算目标职位信息与供应商所存有的各职位信息的欧式距离;确定子单元,用于将欧式距离最小值对应的职位信息作为相似职位信息;获取子单元,用于获取目标职位信息与相似职位信息合并后的职位信息。
在一实施例中,所述计算模块802,包括:设定单元,用于基于用户设定的推荐需求,设定各项预设指标的权重;其中,当所述推荐需求对应至少一项预设指标时,所述至少一项预设指标所占权重大于其他各项预设指标所占权重;计算单元,用于基于所述各项预设指标的权重,对指标信息进行加权计算得到供应商的推荐分值。
在一实施例中,所述排序模块803,包括:过滤单元,用于基于预设条件在所有供应商中确定目标供应商;其中预设条件包括预设时间段内进行职位推荐和/或进行简历信息处理、以及作为任一供应商的相似供应商中的至少一项;排序单元,用于基于所述目标供应商各自对应的推荐分值进行降序排序,获取排序在前的预设数值个目标供应商生成供应商推荐列表。
本申请实施例的供应商推荐装置可执行本申请的实施例所提供的一种供应商推荐方法,其实现原理相类似,本申请各实施例中的供应商推荐装置中的各模块所执行的动作是与本申请各实施例中的供应商推荐方法中的步骤相对应的,对于供应商推荐装置的各模块的详细功能描述具体可以参见前文中所示的对应的供应商推荐方法中的描述,此处不再赘述。
下面参考图9,其示出了适于用来实现本申请实施例的电子设备(例如移动终端)600的结构示意图。本申请实施例中的移动终端可以包括但不限于诸如计算机等的设备。图9示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
电子设备包括:存储器以及处理器,其中,这里的处理器可以称为下文的处理装置601,存储器可以包括下文中的只读存储器(ROM)602、随机访问存储器(RAM)603以及存储装置608中的至少一项,具体如下所示:
如图9所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图9示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本申请的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本申请实施例的方法中限定的上述功能。
需要说明的是,本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备执行以上实施例所述方法步骤。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块或单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块或单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取模块还可以被描述为“接收到基于目标职位信息对预先存储的至少两个供应商进行排序的指令,获取所述目标职位信息的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本申请的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本申请的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (10)
1.一种基于信息处理的供应商推荐方法,其特征在于,包括:
接收到基于目标职位信息对预先存储的至少两个供应商进行排序的指令,获取所述目标职位信息;
针对每一供应商,获取供应商的属性信息与历史职位信息,构建供应商的特征信息;在特征信息中分别获取与各项预设指标相关性大于预设阈值的特征信息作为预测特征信息;基于所述预测特征信息与所述目标职位信息,确定供应商在各项预设指标上的指标信息;基于各项预设指标的权重,对所述指标信息进行加权计算得到供应商的推荐分值;
基于推荐分值对各供应商进行排序,获得供应商推荐列表,并反馈所述供应商推荐列表。
2.根据权利要求1所述的方法,其特征在于,所述获取供应商的属性信息与历史职位信息,构建供应商的特征信息,包括:
获取供应商的属性信息,以所述供应商与其他各个供应商的相似度确定所述供应商的相似属性供应商;
获取供应商的历史职位信息,以所述供应商与其他各个供应商的相似度确定所述供应商的相似内容供应商;
基于相似属性供应商与相似内容供应商所占权重,加权计算得到所述供应商的相似供应商,并确定相似供应商的特征信息与所述供应商的特征信息合并后的特征信息为所述供应商的特征信息。
3.根据权利要求1所述的方法,其特征在于,所述在特征信息中分别获取与各项预设指标相关性大于预设阈值的特征信息作为预测特征信息,包括:
基于每一预设指标对应的特征选择模型,执行特征选择步骤:获取供应商的多个特征信息,分别计算各特征信息与预设指标之间的相关性;获取相关系数大于预设阈值的特征信息作为预测特征信息进行输出;
其中,特征选择模型采用回归模型或分类模型;预设指标包括简历总量、推荐速度、推荐面试比率、录用率中的至少一项。
4.根据权利要求3所述的方法,其特征在于,所述基于所述预测特征信息与所述目标职位信息,确定供应商在各项预设指标上的指标信息,包括:
基于每一预设指标对应的预测模型,执行指标预测步骤:获取目标职位信息与预测特征信息;计算供应商在该预设指标上的指标信息进行输出;其中,指标信息为基于预设指标与目标职位信息计算所得的数值;
其中,针对每一预测模型进行训练的步骤包括:获取样本数据,基于预设比例将所述样本数据划分为训练数据与测试数据;将所述训练数据与测试数据输入特征选择模型进行训练;所述样本数据包括供应商的预测特征信息及相应的指标信息。
5.根据权利要求1所述的方法,其特征在于,所述获取所述目标职位信息,包括:
计算目标职位信息与供应商所存有的各职位信息的欧式距离;
将欧式距离最小值对应的职位信息作为相似职位信息;
获取目标职位信息与相似职位信息合并后的职位信息。
6.根据权利要求4所述的方法,其特征在于,所述基于各项预设指标的权重,对所述指标信息进行加权计算得到供应商的推荐分值,包括:
基于用户设定的推荐需求,设定各项预设指标的权重;其中,当所述推荐需求对应至少一项预设指标时,所述至少一项预设指标所占权重大于其他各项预设指标所占权重;
基于所述各项预设指标的权重,对指标信息进行加权计算得到供应商的推荐分值。
7.根据权利要求2所述的方法,其特征在于,所述基于推荐分值对各供应商进行排序,获得供应商推荐列表,包括:
基于预设条件在所有供应商中确定目标供应商;其中预设条件包括预设时间段内进行职位推荐和/或进行简历信息处理、以及作为任一供应商的相似供应商中的至少一项;
基于所述目标供应商各自对应的推荐分值进行降序排序,获取排序在前的预设数值个目标供应商生成供应商推荐列表。
8.一种基于信息处理的供应商推荐装置,其特征在于,包括:
获取模块,用于接收到基于目标职位信息对预先存储的至少两个供应商进行排序的指令,获取所述目标职位信息;
计算模块,用于针对每一供应商,获取供应商的属性信息与历史职位信息,构建供应商的特征信息;在特征信息中分别获取与各项预设指标相关性大于预设阈值的特征信息作为预测特征信息;基于所述预测特征信息与所述目标职位信息,确定供应商在各项预设指标上的指标信息;基于各项预设指标的权重,对所述指标信息进行加权计算得到供应商的推荐分值;
排序模块,用于基于推荐分值对各供应商进行排序,获得供应商推荐列表,并反馈所述供应商推荐列表。
9.一种电子设备,其特征在于,包括:
所述电子设备包括存储器和处理器;
所述存储器中存储有计算机程序;
所述处理器,用于在运行所述计算机程序时执行权利要求1-7任一项所述的方法。
10.一种计算机可读介质,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1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010762148.4A CN111814056A (zh) | 2020-07-31 | 2020-07-31 | 基于信息处理的供应商推荐方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010762148.4A CN111814056A (zh) | 2020-07-31 | 2020-07-31 | 基于信息处理的供应商推荐方法及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111814056A true CN111814056A (zh) | 2020-10-23 |
Family
ID=72864168
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010762148.4A Pending CN111814056A (zh) | 2020-07-31 | 2020-07-31 | 基于信息处理的供应商推荐方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111814056A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112241598A (zh) * | 2020-10-27 | 2021-01-19 | 万翼科技有限公司 | 基于家具的供应商选择方法及相关装置 |
CN112529456A (zh) * | 2020-12-22 | 2021-03-19 | 海尔数字科技(青岛)有限公司 | 一种供应商评价系统、方法、后台设备及存储介质 |
CN112948667A (zh) * | 2021-02-03 | 2021-06-11 | 北京优易惠技术有限公司 | 一种基于招投标的供应商推荐系统及方法 |
CN114139046A (zh) * | 2021-10-29 | 2022-03-04 | 北京达佳互联信息技术有限公司 | 对象推荐方法、装置、电子设备及存储介质 |
CN114282976A (zh) * | 2021-12-27 | 2022-04-05 | 赛尔网络有限公司 | 供应商推荐方法、装置、电子设备及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140019293A1 (en) * | 2012-07-10 | 2014-01-16 | International Business Machines Corporation | Automated Technique For Generating Recommendations Of Potential Supplier Candidates |
CN106504015A (zh) * | 2016-10-17 | 2017-03-15 | 鞍钢集团矿业有限公司 | 一种结合bp神经网络的企业领域供应商推荐方法 |
CN107832776A (zh) * | 2017-10-12 | 2018-03-23 | 如是科技(大连)有限公司 | 职位推荐的处理方法及装置 |
CN108415921A (zh) * | 2017-09-25 | 2018-08-17 | 平安科技(深圳)有限公司 | 供应商推荐方法、装置及计算机可读存储介质 |
CN109544092A (zh) * | 2018-10-11 | 2019-03-29 | 平安科技(深圳)有限公司 | 基于数据分析选择供应商的方法、装置和计算机设备 |
CN109615161A (zh) * | 2018-10-23 | 2019-04-12 | 平安科技(深圳)有限公司 | 供应商积极性判断的数据处理方法、装置和计算机设备 |
CN111192025A (zh) * | 2019-12-31 | 2020-05-22 | 广东德诚科教有限公司 | 职业信息匹配方法、装置、计算机设备和存储介质 |
-
2020
- 2020-07-31 CN CN202010762148.4A patent/CN111814056A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140019293A1 (en) * | 2012-07-10 | 2014-01-16 | International Business Machines Corporation | Automated Technique For Generating Recommendations Of Potential Supplier Candidates |
CN106504015A (zh) * | 2016-10-17 | 2017-03-15 | 鞍钢集团矿业有限公司 | 一种结合bp神经网络的企业领域供应商推荐方法 |
CN108415921A (zh) * | 2017-09-25 | 2018-08-17 | 平安科技(深圳)有限公司 | 供应商推荐方法、装置及计算机可读存储介质 |
CN107832776A (zh) * | 2017-10-12 | 2018-03-23 | 如是科技(大连)有限公司 | 职位推荐的处理方法及装置 |
CN109544092A (zh) * | 2018-10-11 | 2019-03-29 | 平安科技(深圳)有限公司 | 基于数据分析选择供应商的方法、装置和计算机设备 |
CN109615161A (zh) * | 2018-10-23 | 2019-04-12 | 平安科技(深圳)有限公司 | 供应商积极性判断的数据处理方法、装置和计算机设备 |
CN111192025A (zh) * | 2019-12-31 | 2020-05-22 | 广东德诚科教有限公司 | 职业信息匹配方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
孙妍: ""制造协作网中基于信誉评估的供应商推荐系统研究与实现"", 《中国优秀硕士论文电子期刊网》, pages 30 - 80 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112241598A (zh) * | 2020-10-27 | 2021-01-19 | 万翼科技有限公司 | 基于家具的供应商选择方法及相关装置 |
CN112529456A (zh) * | 2020-12-22 | 2021-03-19 | 海尔数字科技(青岛)有限公司 | 一种供应商评价系统、方法、后台设备及存储介质 |
CN112948667A (zh) * | 2021-02-03 | 2021-06-11 | 北京优易惠技术有限公司 | 一种基于招投标的供应商推荐系统及方法 |
CN114139046A (zh) * | 2021-10-29 | 2022-03-04 | 北京达佳互联信息技术有限公司 | 对象推荐方法、装置、电子设备及存储介质 |
CN114139046B (zh) * | 2021-10-29 | 2023-03-24 | 北京达佳互联信息技术有限公司 | 对象推荐方法、装置、电子设备及存储介质 |
CN114282976A (zh) * | 2021-12-27 | 2022-04-05 | 赛尔网络有限公司 | 供应商推荐方法、装置、电子设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111226238B (zh) | 一种预测方法及终端、服务器 | |
CN111814056A (zh) | 基于信息处理的供应商推荐方法及相关设备 | |
CN114329201B (zh) | 深度学习模型的训练方法、内容推荐方法和装置 | |
US10592777B2 (en) | Systems and methods for slate optimization with recurrent neural networks | |
CN110413867B (zh) | 用于内容推荐的方法及系统 | |
US20220261591A1 (en) | Data processing method and apparatus | |
CN110995459B (zh) | 异常对象识别方法、装置、介质及电子设备 | |
CN111783810A (zh) | 用于确定用户的属性信息的方法和装置 | |
CN111159481B (zh) | 图数据的边预测方法、装置及终端设备 | |
CN112883265A (zh) | 信息推荐方法、装置、服务器及计算机可读存储介质 | |
CN114912030A (zh) | 权益模型训练方法、推荐方法及电子终端和计算机介质 | |
CN117290561B (zh) | 业务状态信息反馈方法、装置、设备和计算机可读介质 | |
CN112231299A (zh) | 一种特征库动态调整的方法和装置 | |
CN116228301A (zh) | 一种目标用户的确定方法、装置、设备及介质 | |
CN112148865B (zh) | 信息推送方法和装置 | |
CN112906723A (zh) | 一种特征选择的方法和装置 | |
CN112258285A (zh) | 一种内容推荐方法及装置、设备、存储介质 | |
CN114637921B (zh) | 基于建模偶然不确定性的物品推荐方法、装置和设备 | |
CN112528103A (zh) | 一种推荐对象的方法和装置 | |
CN110543491A (zh) | 搜索方法、装置、电子设备和计算机可读存储介质 | |
CN111666481A (zh) | 数据挖掘方法、装置、计算机可读介质及电子设备 | |
CN112734462B (zh) | 一种信息推荐方法、装置、设备及介质 | |
CN116823407B (zh) | 产品信息推送方法、装置、电子设备和计算机可读介质 | |
CN111259659B (zh) | 信息处理方法和装置 | |
CN113963234B (zh) | 数据标注处理方法、装置、电子设备和介质 |
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 |