CN111861268A - 候选人推荐方法、装置、电子设备及存储介质 - Google Patents
候选人推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111861268A CN111861268A CN202010759425.6A CN202010759425A CN111861268A CN 111861268 A CN111861268 A CN 111861268A CN 202010759425 A CN202010759425 A CN 202010759425A CN 111861268 A CN111861268 A CN 111861268A
- Authority
- CN
- China
- Prior art keywords
- skill
- knowledge
- similarity
- candidate
- map
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 239000013598 vector Substances 0.000 claims abstract description 94
- 230000007115 recruitment Effects 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 7
- 238000011161 development Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063112—Skill-based matching of a person or a group to a task
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及数据处理技术领域，公开了一种候选人推荐方法、装置、电子设备及存储介质，其中，候选人推荐方法，包括：获得应聘的候选人对应的第一知识技能及该第一知识技能的扩展技能对应的向量、招聘岗位对应的第二知识技能及该第二知识技能的扩展技能对应的向量；计算第一知识技能及其扩展技能对应的向量与第二知识技能及其扩展技能对应的向量之间的第一技能相似度；利用预先构建的局部知识技能图谱获得所有知识技能之间的第二技能相似度；融合第一技能相似度及第二技能相似度确定综合技能相似度；将综合技能相似度高于预设阈值的候选人作为所述招聘岗位的推荐人。本申请提供的方案，能够提高推荐人与招聘岗位的匹配程度。
Description
技术领域
本申请涉及数据处理技术领域，具体而言，本申请涉及一种候选人推荐方法、装置、电子设备及存储介质。
背景技术
随着互联网技术的发展，网上求职和网上招聘已成为当前招聘场景中的主要方式，在此情况下，人才招聘平台应运而生，人才招聘平台为应聘者与招聘者双方提供了极大的便利，应聘者可以在人才招聘平台上投递简历，用人单位也可以在招聘平台上查找合适的应聘者。
现有技术中，招聘平台往往通过从岗位需求信息中提取关键词，基于关键词向应聘者推荐匹配岗位，或者从候选人提供的应聘信息中提取关键词，基于关键词向招聘者推荐匹配的候选人，该方法截取局部信息而忽略了相似岗位或相似知识技能在不同企业和不同部门间的差异，导致平台推荐的应聘者具备的知识技能与岗位所需求的知识技能之间的匹配程度不高，应聘者难以搜索到合适的岗位，而用人单位也难以获得与招聘岗位相匹配的应聘者。
发明内容
本申请的目的旨在至少能解决上述的技术缺陷之一，特提出以下技术方案：
本申请的一个方面，提供了一种候选人推荐方法，包括：
获得应聘的候选人对应的第一知识技能及该第一知识技能的扩展技能对应的向量、招聘岗位对应的第二知识技能及该第二知识技能的扩展技能对应的向量；
计算所述第一知识技能及其扩展技能对应的向量与第二知识技能及其扩展技能对应的向量之间的第一技能相似度；
利用预先构建的局部知识技能图谱获得所述局部知识技能图谱中所有知识技能之间的第二技能相似度；
融合所述第一技能相似度及第二技能相似度确定第一知识技能及其扩展技能与第二知识技能及其扩展技能之间的综合技能相似度；
将所述综合技能相似度高于预设阈值的候选人作为所述招聘岗位的推荐人。
本申请的另一个方面，提供了一种基于技能相似度的候选人推荐装置，该装置包括：
向量获得模块，用于获得应聘的候选人对应的第一知识技能及该第一知识技能的扩展技能对应的向量、招聘岗位对应的第二知识技能及该第二知识技能的扩展技能对应的向量；
第一技能相似度模块，用于计算所述第一知识技能及其扩展技能对应的向量与第二知识技能及其扩展技能对应的向量之间的第一技能相似度；
第二技能相似度模块，用于利用预先构建的局部知识技能图谱获得所述局部知识技能图谱中所有知识技能之间的第二技能相似度；
综合技能相似度模块，用于融合所述第一技能相似度及第二技能相似度确定第一知识技能及其扩展技能与第二知识技能及其扩展技能之间的综合技能相似度；
推荐模块，用于将所述综合技能相似度高于预设阈值的候选人作为所述招聘岗位的推荐人。
本申请的再一个方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现本申请第一方面所示的基于技能相似度的候选人推荐方法。
本申请的又一个方面，提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现本申请第一方面所示的基于技能相似度的候选人推荐方法。
本申请提供的技术方案带来的有益效果是：
本申请提供的基于技能相似度的候选人推荐方法，首先分别获得第一技能相似度及第二技能相似度，第一技能相似度表征候选人具备的第一知识技能及其扩展技能与岗位需求的第二知识技能及其扩展技能之间的相似度，第二技能相似度表征局部知识技能图谱中的所有知识技能之间的相似度，对第一技能相似度与第二技能相似度进行融合，获得能够准确表征各知识技能之间匹配程度的综合技能相似度，利用综合技能相似度从候选人中确定最终的推荐人，由于方案中对候选人提供的第一知识技能及招聘岗位需求的第二知识技能进行了扩展，且结合了知识技能图谱中各知识技能之间的技能相似度，使得最终推荐人具备的知识技能与招聘岗位所需求的知识技能的匹配程度更高，即最终获得的推荐人更加符合岗位需求。
本申请附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请一个实施例提供的候选人推荐方法的流程图；
图2为本申请一个实施例提供的第一知识技能及其扩展技能对应的向量、第二知识技能及其扩展技能对应的向量的流程图；
图3为本申请一个实施例提供的获得第一知识技能的扩展技能及第二知识技能的扩展技能的流程图；
图4为本申请另一实施例提供的候选人推荐方法的流程图，该方法基于ComplEx模型获得第一技能相似度，利用Node2vec算法获得第二技能相似度；
图5为本申请实施例提供的一种基于技能相似度的候选人推荐装置的结构示意图；
图6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
下面详细描述本申请的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。
本技术领域技术人员可以理解，本申请的说明书中使用的措辞“包括”是指存在特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。
下面以具体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。
本申请实施例中提供了一种可能的实现方式，如图1所示，提供了一种候选人推荐方法，该方案可在客户端或者客户端上的招聘平台上执行，包括以下步骤：
步骤S110，获得应聘的候选人对应的第一知识技能及该第一知识技能的扩展技能对应的向量、招聘岗位对应的第二知识技能及该第二知识技能的扩展技能对应的向量；
步骤S120，计算所述第一知识技能及其扩展技能对应的向量与第二知识技能及其扩展技能对应的向量之间的第一技能相似度；
步骤S130，对预先构建的局部知识技能图谱进行处理，获得所述局部知识技能图谱中所有知识技能之间的第二技能相似度；
步骤S140，融合所述第一技能相似度及第二技能相似度确定第一知识技能及其扩展技能与第二知识技能及其扩展技能之间的综合技能相似度；
步骤S150，将所述综合技能相似度高于预设阈值的候选人作为所述招聘岗位的推荐人。
通过应聘的候选人上传的简历信息获得候选人具备的第一知识技能，该处的具备是一种模糊描述，第一知识技能可以为该候选人对应的简历上提供的第一知识技能。通过应聘岗位的岗位信息确定招聘岗位的第二知识技能，该第二知识技能为招聘者所需求的知识技能。
依次获得第一知识技能的扩展技能及第二知识技能的扩展技能，知识技能的扩展技能可以是该知识技能的上位技能、下位技能、相似技能等，比如，知识技能为：开发语言，其扩展技能可以为：编程、Java、C++、SQL、Python等。
通过量化算法对第一知识技能及其扩展技能、第二知识技能及其扩展技能进行量化，获得第一知识技能及其扩展技能对应的向量、第二知识技能及其扩展技能对应的向量。
根据向量的相似度算法计算第一知识技能及其扩展技能与第二知识技能及其扩展技能之间的第一技能相似度，第一技能相似度表征第一知识技能及其扩展技能与第二知识技能及其扩展技能之间的相似度。
调用预先构建的局部知识技能图谱，可选地，局部知识技能图谱包括至少一个领域中所有知识技能，局部知识技能图谱包括知识技能及其关系，利用知识技能图谱确定其中所有知识技能之间的第二技能相似度。
需要说明的是，第一技能相似度的获取与第二技能相似度的获取无严格的顺序限制，两者的名称也可以互换，如：可以先获得局部知识技能图谱中所有知识技能之间的第一相似度，本申请对此并无限制。
利用融合算法等方式融合第一技能相似度及第二技能相似度，获得综合技能相似度，利用综合技能相似度确定候选人提供的知识技能与招聘岗位所需的知识技能之间的匹配程度，综合技能相似度越高，表明候选人提供的知识技能与招聘岗位所需的知识技能之间的匹配程度越高，将综合技能相似度高于预设阈值的候选人作为招聘岗位的推荐人。
应聘的候选人一般情况下为多个，针对一个岗位，经过步骤S110至S140提供的方案获得一个岗位实体与多个候选人实体之间的综合技能相似度，可以将综合技能相似度最高的候选人作为该岗位的推荐人，或者根据该岗位的需求人数，将综合技能相似度高于某一阈值的候选人作为该岗位的推荐人。
本申请提供的候选人推荐方案，分别获得第一技能相似度及第二技能相似度，第一技能相似度表征候选人具备的第一知识技能及其扩展技能与岗位需求的第二知识技能及其扩展技能之间的相似度，第二技能相似度是局部知识技能图谱中的所有知识技能之间的相似度，对第一技能相似度与第二技能相似度进行融合，获得能够准确表征各知识技能之间匹配程度的综合技能相似度，利用综合技能相似度从候选人中确定最终的推荐人，由于方案中对候选人提供的第一知识技能及招聘岗位需求的第二知识技能进行了扩展，且结合了知识技能图谱中各知识技能之间的技能相似度，使得最终推荐人具备的知识技能与招聘岗位所需求的知识技能的匹配程度更高，即最终获得的推荐人更加符合岗位需求。
而且，第一技能相似度及第二技能相似度的获取均以大数据为基础，有利于提高第一技能相似度与第二技能相似度的准确性。
本申请提供的方案可以用于搜索简历中提供的第一知识技能与岗位需求的第二知识技能在名称上不相同但实质相同或相似的知识技能，进而根据第一知识技能及其扩展技能与第二知识技能及其扩展技能之间的综合技能匹配度，筛选出与招聘需求技能的匹配度较高的候选人作为推荐人，该方案也可以用于人岗匹配、培训推课等场景中。
为了更清楚本申请提供的候选人推荐方案及其技术效果，接下来以多个实施例对其具体实施方案进行详细阐述。
本申请实施例中提供了一种可能的实现方式，上述步骤S110提供的获得应聘的候选人对应的第一知识技能及该第一知识技能的扩展技能对应的向量、招聘岗位对应的第二知识技能及该第二知识技能的扩展技能对应的向量，可以通过如下方式实现，其流程图如图2所示，包括：
S210，获取应聘的候选人信息及招聘岗位的岗位信息；
S220，根据所述候选人信息、岗位信息及预先构建的局部知识图谱分别确定第一知识技能的扩展技能及第二知识技能的扩展技能；
S230，基于所述候选人信息、第一知识技能的扩展技能、岗位信息、第二知识技能的扩展技能、所述局部知识图谱确定所述候选人实体、岗位实体及技能实体对应的三元组关系；
S240，基于预先构建的ComplEx模型量化所述三元组关系，获得第一知识技能及其扩展技能对应的向量及第二知识技能及其扩展技能对应的向量。
从接收到的应聘简历中获取候选人信息，基于候选人信息提取并构建如下关系：候选人—具备—第一知识技能，其中，具备指的是候选人对该项知识技能的掌握程度，知识技能及其掌握程度可从应聘者简历中的工作经历、项目经验、兴趣爱好、自我评价等版块的文本中识别得到，对知识技能的掌握程度可以划分为：了解、熟悉、熟练掌握、精通、具备等。
获取用于招聘的岗位信息，岗位信息可以通过招聘信息确定，提取岗位信息并构建如下关系：岗位—需要—第二知识技能，其中，需要是指该岗位要求应聘者对该项知识技能的掌握程度，对知识技能的掌握程度同样可以划分为：了解、熟悉、熟练掌握、精通、具备等。
此外，由于应聘者提供的第一知识技能与招聘者需求的第二知识技能之间可能存在层次上的区别，如：应聘者提供的第一知识技能为开发语言，而招聘者需求的第二知识技能为C++，即第一知识技能为第二知识技能的上位名称，因此，需要知识图谱确定第一知识技能与第二知识技能的准确关系。
可选地，S220提供的根据所述候选人信息、岗位信息及预先构建的局部知识图谱分别确定第一知识技能的扩展技能及第二知识技能的扩展技能，两种扩展技能的获取没有严格的顺序限制，可以先获得第二知识技能的扩展技能，还可以同时获得第一知识技能的扩展技能和第二知识技能的扩展技能。
具体地，确定第一知识技能的扩展技能及第二知识技能的扩展技能，可以通过如下方式实现，其流程图如图3所示，包括：
S310，获得局部知识技能图谱、候选人对应的第一知识技能及岗位信息对应的第二知识技能；
S320，根据局部知识技能图谱对所述第一知识技能进行扩展，获得第一知识技能的扩展技能；
S330，根据局部知识技能图谱对所述第二知识技能进行扩展，获得第二知识技能的扩展技能。
其中，局部知识技能图谱可以采用自底向上的方式构建，局部知识技能图谱包括至少一个领域中所有知识技能。
该知识技能图谱可以只覆盖一个领域的所有知识技能，也可以覆盖全领域的知识技能，或者基于团队所涉及到的领域构建覆盖所涉及领域的知识图谱。
具体地，采用自底向上构建完成的局部知识技能图谱具有层次关系，比如：知识技能->IT技能->开发语言->python等。在构建局部知识图谱之前，可以通过进行大规模语义信息，挖掘出名称不同但有高度关联的知识技能，如：C++语言、计算机程序设计语言，两者名称不同，但实质为同一种知识技能。
可选地，获得候选人对应的第一知识技能及岗位信息对应的第二知识技能，可以通过如下方式实现，包括：
S311，获取应聘的候选人信息，基于候选人信息获得该候选人对应的第一知识技能；
S312，获取招聘的岗位信息，基于岗位信息确定该岗位要求的第二知识技能。
预先构建的局部知识图谱包括所有知识技能及其相互之间的关系，知识图谱可以采用树型结构表征，每个节点均表征一种知识技能，每个节点可以通过表征的知识技能的名称或标准编号等标识，该知识图谱能够直观地确定各知识技能之间的关系，如：上位、下位名称，相邻领域，同一技能的不同名称等。因此，可以根据第一知识技能、第二知识技能的名称获得它们在知识图谱中的位置，按照扩展技能的确定规则，结合局部知识图谱确定第一知识技能的扩展技能，及第二知识技能的扩展技能，其中，扩展技能的确定规则包括：树型结构的知识图谱上，知识技能的兄弟节点、父节点、子节点等，比如：开发语言的扩展节点，包括：开发语言的子节点，如：Java、C++、SQL、Python等，开发语言的父节点，如：编程等。
可选地，可以对招聘的岗位信息进行领域划分，基于划分后的领域进行局部知识图谱的构建，也就是说，将划分后的领域中所有的知识技能按照树型结构排列形成局部知识技能图谱，以避免将不同领域的知识技能进行对比。
本申请实施例提供的方案，预先构建了局部知识技能图谱，通过局部知识技能图谱能够直观地得到各知识技能之间的关系，基于局部知识技能图谱能够较易确定第一知识技能的扩展技能及第二知识技能的扩展技能，实现对第一知识技能及第二知识技能的扩展，以便后续基于第一、第二知识技能及它们的扩展技能进行准确的候选人推荐。
上述实施例获得第一知识技能及其扩展技能、第二知识技能及其扩展技能，接下来将量化这两种技能群以实现对技能相似度的计算。
一种可行的实施方式中，可以通过ComplEx模型量化候选人对应的知识技能，以及岗位对应的知识技能，在此之前，首先要获得候选人实体、岗位实体、技能实体对应的十二类三元组，以调用ComplEx模型量化技能。
基于所述候选人信息、第一知识技能的扩展技能、岗位信息、第二知识技能的扩展技能、所述局部知识图谱确定所述候选人实体、岗位实体及技能实体对应的十二类三元组，可以通过如下方式实现：
基于候选人信息、岗位信息及预先构建的局部知识图谱确定候选人信息及岗位信息对应的十二类三元组，基于量化模型量化该十二类三元组，获得第一知识技能向量、第一知识技能的扩展技能向量、第二知识技能向量、第二知识技能的扩展技能向量。
具体地，基于候选人信息、第一知识技能的扩展技能、岗位信息、第二知识技能的扩展技能、局部知识图谱确定所述候选人实体、岗位实体及技能实体对应的三元组的过程如下：
基于候选人信息提取并构建如下关系：候选人—具备—第一知识技能，其中，具备指的是候选人对该项知识技能的掌握程度；提取岗位信息并构建如下关系：岗位—需要—第二知识技能，其中，需要是指该岗位要求应聘者对该项知识技能的掌握程度；其中，候选人可以用候选人标识表征，候选人标识可以通过候选人名称、编号等表征，岗位同样可以用岗位标识表征，上述掌握程度均包括：了解、熟悉、熟练掌握、精通、具备。根据预先构建的局部知识图谱构建如下关系：知识技能1—包括—知识技能2，包括表征知识技能1与知识技能2的包含关系。根据候选人提供的简历获得候选人申请应聘的岗位，构建如下关系：候选人—应聘—岗位。
上述构建的四组关系，包括三种实体对应的十二种关系，其中，三种实体包括：候选人实体、岗位实体、技能实体，十二种关系，包括：候选人—了解/熟悉/熟练掌握/精通/具备—第一知识技能、岗位—了解/熟悉/熟练掌握/精通/具备—第二知识技能、知识技能1—包括—知识技能2、候选人—应聘—岗位。
按照上述方法获得如下扩展关系：候选人—具备—第一知识技能的扩展技能、岗位—具备—第二知识技能的扩展技能。扩展关系中包括了10种关系，结合该扩展关系获得三种实体对应的二十二种关系。
调用预先构建的ComplEx模型量化所述十二类三元组，获得第一知识技能及其扩展技能对应的向量及第二知识技能及其扩展技能对应的向量。
调用预先构建的ComplEx模型；其中，ComplEx模型的构建，包括：
A1，获取大量样本数据，所述样本数据包括：候选人信息、岗位信息及对应的标注技能向量；
A2，基于所述样本数据中的候选人信息、岗位信息及局部知识图谱构建全面知识图谱；
A3，根据所述全面知识图谱及对应的标注技能向量学习三元组关系与技能向量之间的关系，将满足收敛条件时对应的模型作为ComplEx模型。
与局部知识图谱的概念相对，本申请还提供了一种全面知识图谱，全面知识图谱包括：三种实体十二种关系的对应的子知识图谱，上述子知识图谱包含：上述局部知识图谱(技能实体对应的子图谱)、候选人实体对应的子图谱、岗位实体对应的子图谱、表征候选人应聘岗位的子图谱，全面知识图谱中包括上述4个子图谱的内容，该全面知识图谱上能够全面展示各实体之间的关系。
可选地，还可以根据上述三种实体对应的二十二种关系构建全面知识图谱，能够进一步提升实体关系之间的全面性。
基于上述方式获得的全面知识图谱训练ComplEx模型，通过深度学习算法，如神经网络等训练初始模型，利用样本数据对初始模型进行训练，直至模型的损失函数满足收敛条件，将满足收敛条件时的模型作为ComplEx模型模型。
训练后的ComplEx模型表征候选人实体、岗位实体与技能向量之间的关系，利用深度学习算法获得ComplEx模型，利用ComplEx模型能够准确、高效地获得候选人实体、岗位实体对应的技能向量。预先构建ComplEx模型对三种实体的多种关系进行向量化表示，以便后续直接调用该模型获取所需的技能向量，从而能够计算技能实体之间的相似度。
第一技能相似度可以准确表征第一知识技能及其扩展技能与第二知识技能及其扩展技能的共现关系，即，两个知识技能为一起出现的频率，也可以利用两个知识技能一起出现的概率间接表征其相似度。但该种方式在某些情况下表征的技能相似度并不准确，比如：数据库和开发语言，两者经常共现但两者对应的知识技能并不相似。
利用构建完成的ComplEx模型量化所述三元组关系，分别获得第一知识技能向量、第一知识技能的扩展技能对应的向量、第二知识技能、第二知识技能的扩展技能对应的向量。
本申请实施例提供的方案，利用ComplEx模型量化所述三元组关系，准确、高效地获得第一知识技能及其扩展技能对应的向量、第二知识技能及其扩展技能对应的向量，有利于后续基于第一知识技能及其扩展技能对应的向量、第二知识技能及其扩展技能对应的向量获得准确的第一技能相似度。
一种可行的实施方式中，S120提供的计算第一知识技能及其扩展技能对应的向量与第二知识技能及其扩展技能对应的向量之间的第一技能相似度，过程如下：
通过余弦相似度算法对第一知识技能及其扩展知识技能向量与第二知识技能及其扩展知识技能向量进行相似度计算，获得两种知识技能向量之间的第一技能相似度，第一技能相似度可以较精确地表征两种知识技能在知识技能图谱语义网络中的各种共现频率或共现概率。
第一技能相似度综合考虑了：候选人具备的第一知识技能、候选人对第一知识技能的掌握程度、以及与第一知识技能的扩展技能，实现全面考量候选人提供的知识技能与岗位需求的知识技能之间的相似度，而第二技能相似度是考量所有知识技能之间的相似度，实现对相似知识技能的准确表征。
在一种可行的实施方式中，S130提供的利用预先构建的局部知识技能图谱获得局部知识技能图谱中所有知识技能之间的第二技能相似度，过程如下：
通过余弦相似度算法对局部知识技能图谱中的不同知识技能进行相似度计算，获得两种知识技能向量之间的第二技能相似度。
结合图4，图4为本申请另一实施例提供的候选人推荐方法的流程图，该方法基于ComplEx模型获得第一技能相似度，利用Node2vec算法获得第二技能相似度，其中，获得所述知识技能图谱中所有知识技能之间的第二技能相似度，包括：
S410，利用Node2vec算法获得所述局部知识技能图谱中所有知识技能对应的技能向量；
S420，通过余弦相似度算法对技能向量进行相似度计算，获得所述所有知识技能之间的第二技能相似度。
其中，Node2vec算法为转换算法，用于产生网络中节点向量，输入是网络结构，输出是每个节点的向量，局部知识技能图谱中每个节点为一项知识技能，输入各项知识技能的网络关系，输出没项知识技能的技能向量，即，将技能之间的包含关系作为Node2vec算法的输入，获得局部知识图谱中所有知识技能对应的技能向量。
利用余弦相似度算法计算各技能向量之间的相似度，根据各技能向量之间的相似度表征各知识技能之间的第二技能相似度。
一种可行的实施方式中，S140提供的融合所述第一技能相似度及第二技能相似度确定第一知识技能及其扩展技能与第二知识技能及其扩展技能之间的综合技能相似度，包括：
对所述第一技能相似度和所述第二技能相似度进行加权融合，得到综合技能相似度。
第一技能相似度和第二技能相似度的权重，可以通过人为设定，可以根据实际使用情况进行确定，也可以通过训练模型确定。
一种可选实施方式中，基于ComplEx模型获得第一技能相似度，基于Node2vec算法获得第二技能相似度，也可以通过模型确定第一技能相似度与第二技能相似度的权重，从而得到能够准确表征第一知识技能与第二知识技能之间相似度的综合技能相似度。
本方案利用两种方式分别获得第一技能相似度及第二技能相似度，并将第一技能相似度与第二技能相似度进行融合，使得获得的技能相似度更加准确，基于准确的技能相似度对候选人的推荐更加符合岗位需求。
基于与本申请上述实施例所提供的方法相同的原理，本申请实施例还提供了一种基于技能相似度的候选人推荐装置500，如图5所示，该装置包括：向量获得模块510、第一技能相似度模块520、第二技能相似度模块530、综合技能相似度模块540、推荐模块550，其中：
向量获得模块510，用于获得应聘的候选人对应的第一知识技能及该第一知识技能的扩展技能对应的向量、招聘岗位对应的第二知识技能及该第二知识技能的扩展技能对应的向量；
第一技能相似度模块520，用于计算所述第一知识技能及其扩展技能对应的向量与第二知识技能及其扩展技能对应的向量之间的第一技能相似度；
第二技能相似度模块530，用于利用预先构建的局部知识技能图谱获得所述局部知识技能图谱中所有知识技能之间的第二技能相似度；
综合技能相似度模块540，用于融合所述第一技能相似度及第二技能相似度确定第一知识技能及其扩展技能与第二知识技能及其扩展技能之间的综合技能相似度；
推荐模块550，用于将所述综合技能相似度高于预设阈值的候选人作为所述招聘岗位的推荐人。
本申请提供的基于技能相似度的候选人推荐装置，对候选人提供的知识技能进行了扩展，且结合了各知识技能之间的技能相似度，使得最终推荐人具备的知识技能与招聘岗位所需求的知识技能的匹配程度更高，即最终获得的推荐人更加符合岗位需求。
在此基础上，本申请还提供了如下可选方案：
可选地，向量获得模块，包括：获取候选人信息及岗位信息单元、确定扩展技能单元、确定三元组关系单元、向量单元；
获取候选人信息及岗位信息单元，用于获取应聘的候选人信息及招聘岗位的岗位信息；
确定扩展技能单元，用于根据所述候选人信息、岗位信息及预先构建的局部知识图谱分别确定第一知识技能的扩展技能及第二知识技能的扩展技能；
确定三元组关系单元，用于基于所述候选人信息、第一知识技能的扩展技能、岗位信息、第二知识技能的扩展技能、所述局部知识图谱确定所述候选人实体、岗位实体及技能实体对应的三元组关系；
向量单元，用于基于预先构建的ComplEx模型量化所述三元组关系，获得第一知识技能及其扩展技能对应的向量、第二知识技能及其扩展技能对应的向量。
可选地，确定扩展技能单元，具体用于：
获得局部知识技能图谱、候选人对应的第一知识技能及岗位信息对应的第二知识技能；
根据局部知识技能图谱对所述第一知识技能进行扩展，获得第一知识技能的扩展技能；
根据局部知识技能图谱对所述第二知识技能进行扩展，获得第二知识技能的扩展技能。
可选地，第二技能相似度模块，具体用于：
利用Node2vec算法获得所述局部知识技能图谱中所有知识技能对应的技能向量；
通过余弦相似度算法对技能向量进行相似度计算，获得所述所有知识技能之间的第二技能相似度。
可选地，综合技能相似度模块，用于对所述第一技能相似度和所述第二技能相似度进行加权融合，得到综合技能相似度。
可选地，向量单元，还用于：
利用预先构建的ComplEx模型量化所述三元组关系，其中，
ComplEx模型的构建，包括：
获取大量样本数据，所述样本数据包括：候选人信息、岗位信息及对应的标注技能向量；
基于所述样本数据中的候选人信息、岗位信息及局部知识图谱构建全面知识图谱；
根据所述全面知识图谱及对应的标注技能向量学习三元组关系与技能向量之间的关系，将满足收敛条件时对应的模型作为ComplEx模型。
可选地，候选人推荐装置，还包括：
构建局部知识技能图谱模块，用于采用自底向上的方式构建包括至少一个领域中所有知识技能的局部知识技能图谱，以基于该局部知识技能图谱获取第二技能相似度。
本申请实施例的基于技能相似度的候选人推荐装置可执行本申请实施例所提供的候选人推荐方法，其实现原理相类似，本申请各实施例中的基于技能相似度的候选人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候选人推荐方法中的步骤相对应的，对于基于技能相似度的候选人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候选人推荐方法中的描述，此处不再赘述。
基于与本申请的实施例中所示的方法相同的原理，本申请的实施例中还提供了一种电子设备，该电子设备可以包括但不限于：处理器和存储器；存储器，用于存储计算机程序；处理器，用于通过调用计算机程序执行本申请任一可选实施例所示的候选人推荐方法。与现有技术相比，本申请中提供的候选人推荐方法，利用融合了第一技能相似度及第二技能相似度的综合技能相似度进行候选人推荐，使得最终确定的推荐人更加符合岗位需求。
在一个可选实施例中提供了一种电子设备，如图6所示，图6所示的电子设备4000可以为客户端，包括：处理器4001和存储器4003。其中，处理器4001和存储器4003相连，如通过总线4002相连。可选地，电子设备4000还可以包括收发器4004。需要说明的是，实际应用中收发器4004不限于一个，该电子设备4000的结构并不构成对本申请实施例的限定。
处理器4001可以是CPU(Central Processing Unit，中央处理器)，通用处理器，DSP(Digital Signal Processor，数据信号处理器)，ASIC(Application SpecificIntegrated Circuit，专用集成电路)，FPGA(Field Programmable Gate Array，现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器4001也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线4002可包括一通路，在上述组件之间传送信息。总线4002可以是PCI(Peripheral Component Interconnect，外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture，扩展工业标准结构)总线等。总线4002可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器4003可以是ROM(Read Only Memory，只读存储器)或可存储静态信息和指令的其他类型的静态存储设备，RAM(Random Access Memory，随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory，电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory，只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
存储器4003用于存储执行本申请方案的应用程序代码，并由处理器4001来控制执行。处理器4001用于执行存储器4003中存储的应用程序代码，以实现前述方法实施例所示的内容。
其中，电子设备包括但不限于：移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6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。
本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，当其在计算机上运行时，使得计算机可以执行前述方法实施例中相应内容。
应该理解的是，虽然附图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，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子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，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
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存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储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，计算机可读存储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存储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。
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上述实施例所示的方法。
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，模块的名称在某种情况下并不构成对该模块本身的限定，例如，第二技能相似度模块还可以被描述为“获得所有知识技能之间的第二技能相似度模块”。
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。
Claims (10)
1.一种基于技能相似度的候选人推荐方法，其特征在于，包括：
获得应聘的候选人对应的第一知识技能及该第一知识技能的扩展技能对应的向量、招聘岗位对应的第二知识技能及该第二知识技能的扩展技能对应的向量；
计算所述第一知识技能及其扩展技能对应的向量与第二知识技能及其扩展技能对应的向量之间的第一技能相似度；
利用预先构建的局部知识技能图谱获得所述局部知识技能图谱中所有知识技能之间的第二技能相似度；
融合所述第一技能相似度及第二技能相似度确定第一知识技能及其扩展技能与第二知识技能及其扩展技能之间的综合技能相似度；
将所述综合技能相似度高于预设阈值的候选人作为所述招聘岗位的推荐人。
2.根据权利要求1所述的方法，其特征在于，所述获得应聘的候选人对应的第一知识技能及该第一知识技能的扩展技能对应的向量、招聘岗位对应的第二知识技能及该第二知识技能的扩展技能对应的向量，包括：
获取应聘的候选人信息及招聘岗位的岗位信息；
根据所述候选人信息、岗位信息及预先构建的局部知识图谱分别确定第一知识技能的扩展技能及第二知识技能的扩展技能；
基于所述候选人信息、第一知识技能的扩展技能、岗位信息、第二知识技能的扩展技能、所述局部知识图谱确定所述候选人实体、岗位实体及技能实体对应的三元组关系；
基于预先构建的ComplEx模型量化所述三元组关系，获得第一知识技能及其扩展技能对应的向量、第二知识技能及其扩展技能对应的向量。
3.根据权利要求2所述的方法，其特征在于，所述根据所述候选人信息、岗位信息及预先构建的局部知识图谱分别确定第一知识技能的扩展技能及第二知识技能的扩展技能，包括：
获得局部知识技能图谱、候选人对应的第一知识技能及岗位信息对应的第二知识技能；
根据局部知识技能图谱对所述第一知识技能进行扩展，获得第一知识技能的扩展技能；
根据局部知识技能图谱对所述第二知识技能进行扩展，获得第二知识技能的扩展技能。
4.根据权利要求1或2所述的方法，其特征在于，所述利用预先构建的局部知识技能图谱获得所述局部知识技能图谱中所有知识技能之间的第二技能相似度，包括：
利用Node2vec算法获得所述局部知识技能图谱中所有知识技能对应的技能向量；
通过余弦相似度算法对技能向量进行相似度计算，获得所述所有知识技能之间的第二技能相似度。
5.根据权利要求1所述的方法，其特征在于，所述融合所述第一技能相似度及第二技能相似度确定第一知识技能及其扩展技能与第二知识技能及其扩展技能之间的综合技能相似度，包括：
对所述第一技能相似度和所述第二技能相似度进行加权融合，得到综合技能相似度。
6.根据权利要求2所述的方法，其特征在于，所述基于预先构建的ComplEx模型量化所述三元组关系，包括：
利用预先构建的ComplEx模型量化所述三元组关系，其中，
ComplEx模型的构建，包括：
获取大量样本数据，所述样本数据包括：候选人信息、岗位信息及对应的标注技能向量；
基于所述样本数据中的候选人信息、岗位信息及局部知识图谱构建全面知识图谱；
根据所述全面知识图谱及对应的标注技能向量学习三元组关系与技能向量之间的关系，将满足收敛条件时对应的模型作为ComplEx模型。
7.根据权利要求1所述的方法，其特征在于，所述利用预先构建的局部知识技能图谱获得所述局部知识技能图谱中所有知识技能之间的第二技能相似度之前，还包括：
采用自底向上的方式构建包括至少一个领域中所有知识技能的局部知识技能图谱，以基于该局部知识技能图谱获取第二技能相似度。
8.一种基于技能相似度的候选人推荐装置，其特征在于，包括：
向量获得模块，用于获得应聘的候选人对应的第一知识技能及该第一知识技能的扩展技能对应的向量、招聘岗位对应的第二知识技能及该第二知识技能的扩展技能对应的向量；
第一技能相似度模块，用于计算所述第一知识技能及其扩展技能对应的向量与第二知识技能及其扩展技能对应的向量之间的第一技能相似度；
第二技能相似度模块，用于利用预先构建的局部知识技能图谱获得所述局部知识技能图谱中所有知识技能之间的第二技能相似度；
综合技能相似度模块，用于融合所述第一技能相似度及第二技能相似度确定第一知识技能及其扩展技能与第二知识技能及其扩展技能之间的综合技能相似度；
推荐模块，用于将所述综合技能相似度高于预设阈值的候选人作为所述招聘岗位的推荐人。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的候选人推荐方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现如权利要求1-7任一项所述的候选人推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010759425.6A CN111861268A (zh) | 2020-07-31 | 2020-07-31 | 候选人推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010759425.6A CN111861268A (zh) | 2020-07-31 | 2020-07-31 | 候选人推荐方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111861268A true CN111861268A (zh) | 2020-10-30 |
Family
ID=72953894
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010759425.6A Pending CN111861268A (zh) | 2020-07-31 | 2020-07-31 | 候选人推荐方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111861268A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113032443A (zh) * | 2021-03-31 | 2021-06-25 | 北京百度网讯科技有限公司 | 用于处理数据的方法、装置、设备和计算机可读存储介质 |
| CN113240400A (zh) * | 2021-06-02 | 2021-08-10 | 北京金山数字娱乐科技有限公司 | 一种基于知识图谱的候选人确定方法及装置 |
| CN115526590A (zh) * | 2022-09-16 | 2022-12-27 | 深圳今日人才信息科技有限公司 | 一种结合专家知识和算法的高效人岗匹配与复推方法 |
| CN115619238A (zh) * | 2022-12-20 | 2023-01-17 | 万联易达物流科技有限公司 | 一种为非特定b2b平台建立企业间合作关系的方法 |
| CN116503031A (zh) * | 2023-06-29 | 2023-07-28 | 中国人民解放军国防科技大学 | 基于简历解析的人员相似性计算方法、装置、设备及介质 |
| CN117932040A (zh) * | 2024-03-21 | 2024-04-26 | 成都鱼泡科技有限公司 | 应用于招聘信息化系统的信息推荐方法及系统 |
| CN118037250A (zh) * | 2024-04-11 | 2024-05-14 | 成都鱼泡科技有限公司 | 应用文字信息化系统的数据挖掘方法及系统 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130218620A1 (en) * | 2012-02-21 | 2013-08-22 | Xerox Corporation | Method and system for skill extraction, analysis and recommendation in competency management |
| US20150186846A1 (en) * | 2013-12-30 | 2015-07-02 | Successfactors, Inc. | Intelligent Recruiting Tool for Capturing and Storing Candidate Data |
| CN105159962A (zh) * | 2015-08-21 | 2015-12-16 | 北京全聘致远科技有限公司 | 职位推荐方法与装置、简历推荐方法与装置、招聘平台 |
| CN106933821A (zh) * | 2015-12-29 | 2017-07-07 | 中国电信股份有限公司 | 一种基于相似度计算的个性化职位推荐方法和系统 |
| CN107729532A (zh) * | 2017-10-30 | 2018-02-23 | 北京拉勾科技有限公司 | 一种简历匹配方法及计算设备 |
| CN108733798A (zh) * | 2018-05-17 | 2018-11-02 | 电子科技大学 | 一种基于知识图谱的个性化推荐方法 |
| CN108920544A (zh) * | 2018-06-13 | 2018-11-30 | 桂林电子科技大学 | 一种基于知识图谱的个性化职位推荐方法 |
| CN109978510A (zh) * | 2019-04-02 | 2019-07-05 | 北京网聘咨询有限公司 | 校园招聘管理系统及方法 |
| CN110489751A (zh) * | 2019-08-13 | 2019-11-22 | 腾讯科技（深圳）有限公司 | 文本相似度计算方法及装置、存储介质、电子设备 |
| CN110727852A (zh) * | 2018-07-16 | 2020-01-24 | Tcl集团股份有限公司 | 一种推送招聘推荐服务的方法、装置及终端 |
| CN111078835A (zh) * | 2019-12-05 | 2020-04-28 | 平安金融管理学院(中国·深圳) | 简历评估方法、装置、计算机设备及存储介质 |
| US20200242563A1 (en) * | 2019-01-29 | 2020-07-30 | Tata Consultancy Services Limited | Method and system for skill matching for determining skill similarity |
-
2020
- 2020-07-31 CN CN202010759425.6A patent/CN111861268A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130218620A1 (en) * | 2012-02-21 | 2013-08-22 | Xerox Corporation | Method and system for skill extraction, analysis and recommendation in competency management |
| US20150186846A1 (en) * | 2013-12-30 | 2015-07-02 | Successfactors, Inc. | Intelligent Recruiting Tool for Capturing and Storing Candidate Data |
| CN105159962A (zh) * | 2015-08-21 | 2015-12-16 | 北京全聘致远科技有限公司 | 职位推荐方法与装置、简历推荐方法与装置、招聘平台 |
| CN106933821A (zh) * | 2015-12-29 | 2017-07-07 | 中国电信股份有限公司 | 一种基于相似度计算的个性化职位推荐方法和系统 |
| CN107729532A (zh) * | 2017-10-30 | 2018-02-23 | 北京拉勾科技有限公司 | 一种简历匹配方法及计算设备 |
| CN108733798A (zh) * | 2018-05-17 | 2018-11-02 | 电子科技大学 | 一种基于知识图谱的个性化推荐方法 |
| CN108920544A (zh) * | 2018-06-13 | 2018-11-30 | 桂林电子科技大学 | 一种基于知识图谱的个性化职位推荐方法 |
| CN110727852A (zh) * | 2018-07-16 | 2020-01-24 | Tcl集团股份有限公司 | 一种推送招聘推荐服务的方法、装置及终端 |
| US20200242563A1 (en) * | 2019-01-29 | 2020-07-30 | Tata Consultancy Services Limited | Method and system for skill matching for determining skill similarity |
| CN109978510A (zh) * | 2019-04-02 | 2019-07-05 | 北京网聘咨询有限公司 | 校园招聘管理系统及方法 |
| CN110489751A (zh) * | 2019-08-13 | 2019-11-22 | 腾讯科技（深圳）有限公司 | 文本相似度计算方法及装置、存储介质、电子设备 |
| CN111078835A (zh) * | 2019-12-05 | 2020-04-28 | 平安金融管理学院(中国·深圳) | 简历评估方法、装置、计算机设备及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| 刘兴林 等: "基于向量相似度的招聘就业双向推荐模型", 《中国科技信息》, no. 21, pages 174 - 179 * |
| 徐锦阳 等: "招聘网站职位与简历的双向匹配相似度算法", 《信息技术》, no. 8, pages 43 - 46 * |
| 曾泽明 等: "词向量在岗位描述与简历中的分布特征及其应用", 《软件》, vol. 41, no. 1, pages 50 - 54 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113032443A (zh) * | 2021-03-31 | 2021-06-25 | 北京百度网讯科技有限公司 | 用于处理数据的方法、装置、设备和计算机可读存储介质 |
| CN113032443B (zh) * | 2021-03-31 | 2023-09-01 | 北京百度网讯科技有限公司 | 用于处理数据的方法、装置、设备和计算机可读存储介质 |
| CN113240400A (zh) * | 2021-06-02 | 2021-08-10 | 北京金山数字娱乐科技有限公司 | 一种基于知识图谱的候选人确定方法及装置 |
| CN115526590A (zh) * | 2022-09-16 | 2022-12-27 | 深圳今日人才信息科技有限公司 | 一种结合专家知识和算法的高效人岗匹配与复推方法 |
| CN115526590B (zh) * | 2022-09-16 | 2023-08-04 | 深圳今日人才信息科技有限公司 | 一种结合专家知识和算法的高效人岗匹配与复推方法 |
| CN115619238A (zh) * | 2022-12-20 | 2023-01-17 | 万联易达物流科技有限公司 | 一种为非特定b2b平台建立企业间合作关系的方法 |
| CN116503031A (zh) * | 2023-06-29 | 2023-07-28 | 中国人民解放军国防科技大学 | 基于简历解析的人员相似性计算方法、装置、设备及介质 |
| CN116503031B (zh) * | 2023-06-29 | 2023-09-08 | 中国人民解放军国防科技大学 | 基于简历解析的人员相似性计算方法、装置、设备及介质 |
| CN117932040A (zh) * | 2024-03-21 | 2024-04-26 | 成都鱼泡科技有限公司 | 应用于招聘信息化系统的信息推荐方法及系统 |
| CN117932040B (zh) * | 2024-03-21 | 2024-05-28 | 成都鱼泡科技有限公司 | 应用于招聘信息化系统的信息推荐方法及系统 |
| CN118037250A (zh) * | 2024-04-11 | 2024-05-14 | 成都鱼泡科技有限公司 | 应用文字信息化系统的数据挖掘方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111861268A (zh) | 候选人推荐方法、装置、电子设备及存储介质 | |
| CN110851713B (zh) | 信息处理方法、推荐方法及相关设备 | |
| CN109947919B (zh) | 用于生成文本匹配模型的方法和装置 | |
| CN112507140B (zh) | 一种个性化智能学习推荐方法、装置、设备及存储介质 | |
| CN111046275B (zh) | 基于人工智能的用户标签确定方法及装置、存储介质 | |
| CN112100332A (zh) | 词嵌入表示学习方法及装置、文本召回方法及装置 | |
| CN113761153B (zh) | 基于图片的问答处理方法、装置、可读介质及电子设备 | |
| CN111259647A (zh) | 基于人工智能的问答文本匹配方法、装置、介质及电子设备 | |
| CN111539197A (zh) | 文本匹配方法和装置以及计算机系统和可读存储介质 | |
| US20240185602A1 (en) | Cross-Modal Processing For Vision And Language | |
| CN110674312A (zh) | 构建知识图谱方法、装置、介质及电子设备 | |
| CN111104599B (zh) | 用于输出信息的方法和装置 | |
| CN115048571A (zh) | 一种基于云平台的在线教育推荐管理系统 | |
| CN115270717A (zh) | 一种立场检测方法、装置、设备及介质 | |
| CN111444335B (zh) | 中心词的提取方法及装置 | |
| CN117172978B (zh) | 学习路径信息生成方法、装置、电子设备和介质 | |
| CN114398556A (zh) | 学习内容的推荐方法、装置、设备及存储介质 | |
| CN112182179B (zh) | 实体问答处理方法、装置、电子设备和存储介质 | |
| CN115129849A (zh) | 题目表示的获取方法、设备以及计算机可读存储介质 | |
| CN112417260B (zh) | 本地化推荐方法、装置及存储介质 | |
| CN111459959B (zh) | 用于更新事件集合的方法和装置 | |
| CN113360615B (zh) | 基于知识图谱和时序特征的对话推荐方法、系统及设备 | |
| CN112286900A (zh) | 一种数据处理方法、装置、设备及存储介质 | |
| CN113128225B (zh) | 命名实体的识别方法、装置、电子设备及计算机存储介质 | |
| CN116150428B (zh) | 视频标签获取方法、装置、电子设备及存储介质 |
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 |