CN112069806A - 简历筛选方法、装置、电子设备及存储介质 - Google Patents
简历筛选方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112069806A CN112069806A CN201910425239.6A CN201910425239A CN112069806A CN 112069806 A CN112069806 A CN 112069806A CN 201910425239 A CN201910425239 A CN 201910425239A CN 112069806 A CN112069806 A CN 112069806A
- Authority
- CN
- China
- Prior art keywords
- resume
- target resume
- key information
- preset
- semantic
- 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 52
- 238000012216 screening Methods 0.000 title claims abstract description 52
- 238000013507 mapping Methods 0.000 claims abstract description 37
- 238000010219 correlation analysis Methods 0.000 claims abstract description 10
- 238000011156 evaluation Methods 0.000 claims description 42
- 230000000875 corresponding effect Effects 0.000 claims description 35
- 239000013598 vector Substances 0.000 claims description 31
- 230000015654 memory Effects 0.000 claims description 20
- 230000002457 bidirectional effect Effects 0.000 claims description 16
- 238000003062 neural network model Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 10
- 238000012098 association analyses Methods 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000007115 recruitment Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000006403 short-term memory Effects 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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/31—Indexing; Data structures therefor; Storage structures
- G06F16/313—Selection or weighting of terms for indexing
-
- 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
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Machine Translation (AREA)
Abstract
本申请实施例提供了简历筛选方法、装置、电子设备及存储介质,该方法包括:获取待筛选的目标简历中的文本信息;按照预设的语法映射规则,将文本信息中的数据映射到相应语义项下,得到目标简历的各关键信息项;选取指定语义项的关键信息项,判断指定语义项的关键信息项是否与预设信息项相匹配;在指定语义项的关键信息项与预设信息项相匹配时,通过预设定级模型对目标简历的各关键信息项进行关联分析,得到目标简历的期望级别;在目标简历的期望级别表征晋级时,判定目标简历晋级。实现了简历的自动筛选,减少了人工工作量,增加了简历的筛选速度。同时对简历进行多次筛选,能够满足用户的实际筛选需要,适用性强。
Description
技术领域
本申请涉及数据处理技术领域,特别是涉及简历筛选方法、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,人员招聘的互联网化已成为主流。对于一些知名企业,每天可能会收到数以万计的简历,人工筛选这些简历需要耗费大量时间,增加了人工工作量。因此,希望能够实现简历的自动筛选。
发明内容
本申请实施例的目的在于提供一种简历筛选方法、装置、电子设备及存储介质,以实现简历的自动筛选。具体技术方案如下:
第一方面,本申请实施例提供了一种简历筛选方法,所述方法包括:
获取待筛选的目标简历中的文本信息;
按照预设的语法映射规则,将所述文本信息中的数据映射到相应语义项下,得到所述目标简历的各关键信息项;
选取指定语义项的关键信息项,判断所述指定语义项的关键信息项是否与预设信息项相匹配;
在所述指定语义项的关键信息项与预设信息项相匹配时,通过预设定级模型对所述目标简历的各关键信息项进行关联分析,得到所述目标简历的期望级别;
在所述目标简历的期望级别表征晋级时,判定所述目标简历晋级。
可选的,所述获取待筛选的目标简历中的文本信息,包括:
通过计算机视觉技术,从待筛选目标简历的图像中获取文本信息。
可选的,所述按照预设的语法映射规则,将所述文本信息中的数据映射到相应语义项下,得到所述目标简历的各关键信息项,包括:
按照预设关键词识别算法,对所述文本信息进行关键词识别,得到各关键词的关键词字段;
按照各所述关键词的语义,分别将各所述关键词的关键词字段,映射到相应语义项下,得到所述目标简历的各关键信息项。
可选的,预先确定所述预设定级模型的步骤包括:
获取多个标定期望级别的样本简历,并获取各所述样本简历的关键信息项;
将各所述样本简历的关键信息项及各所述样本简历的期望级别输入到预设神经网络模型中进行训练,得到预设定级模型,其中,所述预设神经网络模型包括特征编码部分,双向长短期记忆网络LSTM部分,Concat部分及分类器,所述特征编码部分用于对关键信息项进行特征编码,所述双向LSTM部分用于对特征编码后的数据进行语义建模,所述Concat部分用于对语义建模后的数据进行关联,所述分类器用于确定关联后的数据对应的期望级别。
可选的,所述在所述指定语义项的关键信息项与预设信息项相匹配时,通过预设定级模型对所述目标简历的各关键信息项进行关联分析,得到所述目标简历的期望级别,包括:
在所述指定语义项的关键信息项与预设信息项相匹配时,将所述目标简历的各关键信息项进行特征编码,得到所述目标简历的各特征向量;
对所述目标简历的各特征向量进行语义建模,得到各所述特征向量的语义特征;
通过预设关联模型对各所述特征向量的语义特征进行关联,得到所述目标简历的语义特征序列;
按照所述目标简历的语义特征序列对所述目标简历进行分类,得到所述目标简历的期望级别。
可选的,在所述目标简历的期望级别表征晋级时,判定所述目标简历晋级之后,所述方法还包括:
获取所述目标简历对应的人员的面试评定信息,其中,所述面试评定信息包括多个评价项;
通过预设定级模型对所述面试评定信息的各评价项进行分析,更新所述目标简历的期望级别;
在更新后的所述目标简历的期望级别表征晋级时,判定所述目标简历晋级。
第二方面,本申请实施例提供了一种简历筛选装置,所述装置包括:
文本信息获取模块,用于获取待筛选的目标简历中的文本信息;
关键信息获取模块,用于按照预设的语法映射规则,将所述文本信息中的数据映射到相应语义项下,得到所述目标简历的各关键信息项;
关键信息匹配模块,用于选取指定语义项的关键信息项,判断所述指定语义项的关键信息项是否与预设信息项相匹配;
期望级别确定模块,用于在所述指定语义项的关键信息项与预设信息项相匹配时,通过预设定级模型对所述目标简历的各关键信息项进行关联分析,得到所述目标简历的期望级别;
简历晋级模块,用于在所述目标简历的期望级别表征晋级时,判定所述目标简历晋级。
可选的,所述文本信息获取模块,具体用于:
通过计算机视觉技术,从待筛选目标简历的图像中获取文本信息。
可选的,所述关键信息匹配模块,具体用于:
按照预设关键词识别算法,对所述文本信息进行关键词识别,得到各关键词的关键词字段;
按照各所述关键词的语义,分别将各所述关键词的关键词字段,映射到相应语义项下,得到所述目标简历的各关键信息项。
可选的,预先确定所述预设定级模型的步骤包括:
获取多个标定期望级别的样本简历,并获取各所述样本简历的关键信息项;
将各所述样本简历的关键信息项及各所述样本简历的期望级别输入到预设神经网络模型中进行训练,得到预设定级模型,其中,所述预设神经网络模型包括特征编码部分,双向LSTM部分,Concat部分及分类器,所述特征编码部分用于对关键信息项进行特征编码,所述双向LSTM部分用于对特征编码后的数据进行语义建模,所述Concat部分用于对语义建模后的数据进行关联,所述分类器用于确定关联后的数据对应的期望级别。
可选的,所述期望级别确定模块,包括:
特征向量确定子模块,用于在所述指定语义项的关键信息项与预设信息项相匹配时,将所述目标简历的各关键信息项进行特征编码,得到所述目标简历的各特征向量;
语义特征确定子模块,用于对所述目标简历的各特征向量进行语义建模,得到各所述特征向量的语义特征;
特征序列确定子模块,用于通过预设关联模型对各所述特征向量的语义特征进行关联,得到所述目标简历的语义特征序列;
级别分类子模块,用于按照所述目标简历的语义特征序列对所述目标简历进行分类,得到所述目标简历的期望级别。
可选的,所述装置还包括:
面试评定信息获取模块,用于获取所述目标简历对应的人员的面试评定信息,其中,所述面试评定信息包括多个评价项;
期望级别更新模块,用于通过预设定级模型对所述面试评定信息的各评价项进行分析,更新所述目标简历的期望级别;
晋级判断模块,用于在更新后的所述目标简历的期望级别表征晋级时,判定所述目标简历晋级。
第三方面,本申请实施例提供了一种电子设备,包括处理器及存储器;
所述存储器,用于存放计算机程序;
所述处理器,用于执行所述存储器上所存放的程序时,实现上述第一方面任一所述的简历筛选方法。
第四方面,本申请实施例提供了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内存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面任一所述的简历筛选方法。
本申请实施例提供的简历筛选方法、装置、电子设备及存储介质,获取待筛选的目标简历中的文本信息;按照预设的语法映射规则,将文本信息中的数据映射到相应语义项下,得到目标简历的各关键信息项;选取指定语义项的关键信息项,判断指定语义项的关键信息项是否与预设信息项相匹配;在指定语义项的关键信息项与预设信息项相匹配时,通过预设定级模型对目标简历的各关键信息项进行关联分析,得到目标简历的期望级别;在目标简历的期望级别表征晋级时,判定目标简历晋级。实现了简历的自动筛选,减少了人工工作量,增加了简历的筛选速度。同时对简历进行多次筛选,能够满足用户的实际筛选需要,适用性强。当然,实施本申请的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例的简历筛选方法的第一种示意图;
图2为本申请实施例的简历筛选方法中映射关键信息项的一种示意图;
图3为本申请实施例的简历筛选方法中确定目标简历的期望级别的一种示意图;
图4为本申请实施例的简历筛选方法的第二种示意图;
图5为本申请实施例的简历筛选方法的第三种示意图;
图6为本申请实施例的简历筛选装置的一种示意图;
图7为本申请实施例的电子设备的一种示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
首先,对本申请CNN(Convolutional Neural Network,卷积神经网络):是一种前馈的人工神经网络,其神经元可以响应有限覆盖范围内周围单元,并通过权值共享和特征汇聚,有效提取图像的结构信息。
为了实现简历的自动筛选,本申请实施例提供了一种简历筛选方法,参见图1,该方法包括:
S101,获取待筛选的目标简历中的文本信息。
本申请实施例的简历筛选方法可以通过简历筛选系统实现,简历筛选系统为任意能够实现本发明实施例的输出信号同步性检测方法的系统。例如:
简历筛选系统可以为一种设备,包括:处理器及存储器;存储器存储可执行程序代码;处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序,以用于执行本发明实施例的简历筛选方法。
简历筛选系统还可以为一种应用程序,用于在运行时执行本发明实施例的简历筛选方法。
简历筛选系统还可以为一种存储介质,用于存储可执行代码,可执行代码用于执行本发明实施例的简历筛选方法。
目标简历为任一待筛选的简历。在目标简历为文本格式时,简历筛选系统获取直接获取目标简历中的文本信息。在目标简历为图像格式时,可选的,上述获取待筛选的目标简历中的文本信息,包括:通过计算机视觉技术,从待筛选目标简历的图像中获取文本信息。通过计算机视觉技术提取目标简历图像中的文本信息,提取方式灵活,适用范围广。用户可以通过对纸质简历扫描或拍照的方式,获取简历的图像,并提取图像中的文本信息,能够大大增加适用范围。
S102,按照预设的语法映射规则,将上述文本信息中的数据映射到相应语义项下,得到上述目标简历的各关键信息项。
简历筛选系统按照预设的语法映射规则,对目标简历的文本信息进行分析映射,得到目标简历的各关键信息项。预设的语法映射规则按照招聘方实际的招聘要求进行设定,可以为关键词映射法,也可以通过词性分析法来进行字段内容的生成。例如,通过基于神经网络的分类模型,将目标简历的文本信息中的数据映射到相应语义项下,得到各关键信息项。其中,语义项可以包括姓名、学校、学历、专业、实习项目、奖学金等。在一种可能的实施方式中,参见图2,利用预先训练的神经网络识别文本信息中的字符串,并将各字符串映射为相应语义项的关键信息项。例如,通过预设神经网络在文本信息中提取了字符串“学历本科”则将“本科”映射语义项“学历”下,得到关键信息项“学历”为“本科”。
在一种可能的实施方式中,上述按照预设的语法映射规则,将上述文本信息中的数据映射到相应语义项下,得到上述目标简历的各关键信息项,包括:
步骤一,按照预设关键词识别算法,对上述文本信息进行关键词识别,得到各关键词的关键词字段。
简历筛选系统利用预设关键词识别算法,识别出文本信息中的关键词,并提取关键词对应的字段,得到各关键词的关键词字段。预设关键词识别算法可以为任意相关的关键词识别算法,关键词可以按照实际情况进行设定,例如,关键词可以包括:学历、毕业学校、专业、性别及证书等。
步骤二,按照各上述关键词的语义,分别将各上述关键词的关键词字段,映射到相应语义项下,得到上述目标简历的各关键信息项。
针对每个关键词,按照该关键词的语义,将该关键词的关键词字段映射到该关键词的语义项下,从而得到目标简历的各关键信息项。例如,提取了关键词字段字符串“专业计算机”则将“计算机”映射语义项“专业”下,得到关键信息项“专业”为“计算机”。
S103,选取指定语义项的关键信息项,判断上述指定语义项的关键信息项是否与预设信息项相匹配。
匹配规则可以根据实际情况进行设定。例如对于需要的学历为本科的职位,语义项“学历”的预设信息项可以为本科、研究生、博士及博士后。则学历为本科、研究生、博士或博士后的关键信息项与预设信息项相匹配。例如,对于需要的专业为自动化的职位,语义项“专业”的预设信息项可以为自动化,专业为自动化的关键信息项与预设信息项相匹配。当然也可以设定多个条件,例如语义项“专业”的预设信息项为计算机、语义项“工作经验”的预设信息项为3年以上时,在目标简历的关键信息项中专业为计算机且工作经验为3年以上时,才判断的中指定语义项的关键信息项是否与预设信息项相匹配。若其中有一个关键信息项不与预设信息项相匹配,则判定指定语义项的关键信息项与预设信息项相不匹配,将目标简历退回或加入到备选库中。
S104,在上述指定语义项下的关键信息项与预设信息项相匹配时,通过预设定级模型对上述目标简历的各关键信息项进行关联分析,得到上述目标简历的期望级别。
预设定级模型用于对各关键信息项进行关联分析,并按照各关键信息项的语义,确定目标简历所属的期望级别。期望级别的分类可以根据实际情况进行设定,例如设置为晋级或舍弃。在本申请实施例的一种可能的实施方式中,期望级别可以包括很想要、想要、一般、不想要、很不想要五种,通过预设定级模型确定目标简历的期望级别具体为上述五种类型的哪一种。预设定级模型可以为预先训练的神经网络,预先训练该神经网络的方法包括,将标定期望级别的目标简历的各关键信息项输入到神经网络中进行训练,收敛后即得到预先训练的神经网络。
在一种可能的实施方式中,预先确定上述预设定级模型的步骤包括:
步骤一,获取多个标定期望级别的样本简历,并获取各上述样本简历的关键信息项。
步骤二,将各上述样本简历的关键信息项及各上述样本简历的期望级别输入到预设神经网络模型中进行训练,得到预设定级模型,其中,上述预设神经网络模型包括特征编码部分,双向LSTM(Long Short-Term Memory,长短期记忆网络)部分,Concat部分及分类器,上述特征编码部分用于对关键信息项进行特征编码,上述双向LSTM部分用于对特征编码后的数据进行语义建模,上述Concat部分用于对语义建模后的数据进行关联,上述分类器用于确定关联后的数据对应的期望级别。
预设神经网络模型包括特征编码部分,双向LSTM部分,Concat部分及分类器。特征编码部分可以包括一层或多层卷积神经网络,用于对样本简历的关键信息项进行特征编码,得到样本简历的各关键信息项的特征向量;双向LSTM部分基于双向LSTM模型对同一样本简历的各特征向量进行语义建模,得到语义特征;Concat部分基于Concat模型将同一样本简历的各语义特征进行关联;分类器可以包括池化层也可以包括卷积层,用于对同一样本简历的关联后的语义特征进行分类,从而确定该样本简历对应的期望级别。
将样本简历的关键信息项及样本简历的期望级别输入到上述预设神经网络模型中进行训练,在预设神经网络模型收敛或训练次数达到预设次数时,得到预设定级模型。
可选的,在上述指定语义项下的关键信息项与预设信息项相匹配时,通过预设定级模型对上述目标简历的各关键信息项进行关联分析,得到上述目标简历的期望级别,包括:
步骤一,在所述指定语义项下的关键信息项与预设信息项相匹配时,将上述目标简历的各关键信息项进行特征编码,得到上述目标简历的各特征向量。
步骤二,对上述目标简历的各特征向量进行语义建模,得到各上述特征向量的语义特征。
步骤三,通过预设关联模型对各上述特征向量的语义特征进行关联,得到上述目标简历的语义特征序列。
步骤四,按照上述目标简历的语义特征序列对上述目标简历进行分类,得到上述目标简历的期望级别。
具体的,预设关联模型可以为序列学习模型,例如,双向LSTM模型。例如图3所示,对目标简历的各关键信息项进行特征编码,得到各特征向量,针对各特征向量,分别使用序列学习模型进行语义建模,得到各关键信息项的语义特征。把各关键信息项的语义特征进行concat建模(concat建模用于连接两个或多个语义特征),得到语义特征序列,利用分类器对语义特征序列进行分类,从而得到目标简历的期望级别。在本实施方式中,通过对多个语义特征进行关联,得到目标简历的语义特征序列,并对语义特征序列进行分析确定目标简历的期望级别,在判断过程中,充分考虑了各语义特征的关联,期望级别判定结果更加合理准确。
S105,在上述目标简历的期望级别表征晋级时,判定上述目标简历晋级。
在目标简历的期望级别表征晋级时,判定目标简历晋级。在目标简历不表征晋级时,可以将目标简历退回或加入到备选库中。例如,期望级别包括晋级与舍弃,目标简历的期望级别为晋级时,判定目标简历晋级;目标简历的期望级别为舍弃时,将目标简历退回或加入到备选库中。例如,期望级别包括很想要、想要、一般、不想要、很不想要时,目标简历的期望级别为很想要、想要或一般时,判定目标简历晋级;目标简历的期望级别为不想要或很不想要时,将目标简历退回或加入到备选库中。
在本申请实施例中,实现了简历的自动筛选,减少了人工工作量,增加了简历的筛选速度。同时对简历进行多次筛选,能够满足用户的实际筛选需要,适用性强。
可选的,参见图4,在上述目标简历的期望级别表征晋级时,判定上述目标简历晋级之后,上述方法还包括:
S106,获取上述目标简历对应的人员的面试评定信息,其中,上述面试评定信息包括多个评价项。
获取面试人员针对目标简历上的人员的面试评定信息,面试评定信息中包括多个评价项。面试人员针对目标简历上的人员的面试可以为电话面试、视频面试或当期面试等,此处不做限定。
S107,通过预设定级模型对上述面试评定信息的各评价项进行分析,更新上述目标简历的期望级别。
通过上述预设定级模型对面试评定信息的各评价项进行分析,得到根据面试评定信息确定的目标简历的期望级别,并将当前的目标简历的期望级别更新为根据面试评定信息确定的目标简历的期望级别。预设定级模型对各评价项的分析过程与上述预设定级模型对各关键信息项的分析过程相同或相似,此处不再赘述。
S108,在更新后的上述目标简历的期望级别表征晋级时,判定上述目标简历晋级。
在目标简历的期望级别表征晋级时,判定目标简历晋级。在目标简历的期望级别不表征晋级时,将目标简历退回或加入到备选库中。
在本申请实施例中,在筛选简历时,加入了面试得到面试评定信息,能够满足用户的多种需求,实用性强。
在一些特殊场合下,可能会有多伦面试。可选的,参见图5,在更新后的上述目标简历的期望级别表征晋级时,判定上述目标简历晋级之后,本申请实施例的简历筛选方法还包括:
判断当前面试次数是否小于预设面试次数,若当前面试次数小于预设面试次数,返回上述S104继续执行;在当前面试次数不小于预设面试次数时,判定目标简历的人员被录用。
在本申请实施例中,加入了面试次数的判断,适用于多次面试的场景,能够满足用户的多种需求,实用性强。
本申请实施例还提供了一种简历筛选装置,参见图6,该装置包括:
文本信息获取模块601,用于获取待筛选的目标简历中的文本信息;
关键信息获取模块602,用于按照预设的语法映射规则,将上述文本信息中的数据映射到相应语义项下,得到上述目标简历的各关键信息项;
关键信息匹配模块603,用于选取指定语义项的关键信息项,判断上述指定语义项的关键信息项是否与预设信息项相匹配;
期望级别确定模块604,用于在上述指定语义项的关键信息项与预设信息项相匹配时,通过预设定级模型对上述目标简历的各关键信息项进行关联分析,得到上述目标简历的期望级别;
简历晋级模块605,用于在上述目标简历的期望级别表征晋级时,判定上述目标简历晋级。
可选的,上述文本信息获取模块601,具体用于:
通过计算机视觉技术,从待筛选目标简历的图像中获取文本信息。
可选的,上述关键信息匹配模块,具体用于:
按照预设关键词识别算法,对上述文本信息进行关键词识别,得到各关键词的关键词字段;
按照各上述关键词的语义,分别将各上述关键词的关键词字段,映射到相应语义项下,得到上述目标简历的各关键信息项。
可选的,预先确定上述预设定级模型的步骤包括:
获取多个标定期望级别的样本简历,并获取各上述样本简历的关键信息项;
将各上述样本简历的关键信息项及各上述样本简历的期望级别输入到预设神经网络模型中进行训练,得到预设定级模型,其中,上述预设神经网络模型包括特征编码部分,双向LSTM部分,Concat部分及分类器,上述特征编码部分用于对关键信息项进行特征编码,上述双向LSTM部分用于对特征编码后的数据进行语义建模,上述Concat部分用于对语义建模后的数据进行关联,上述分类器用于确定关联后的数据对应的期望级别。
可选的,上述期望级别确定模块604,包括:
特征向量确定子模块,用于在上述指定语义项的关键信息项与预设信息项相匹配时,将上述目标简历的各关键信息项进行特征编码,得到上述目标简历的各特征向量;
语义特征确定子模块,用于对上述目标简历的各特征向量进行语义建模,得到各上述特征向量的语义特征;
特征序列确定子模块,用于通过预设关联模型对各上述特征向量的语义特征进行关联,得到上述目标简历的语义特征序列;
级别分类子模块,用于按照上述目标简历的语义特征序列对上述目标简历进行分类,得到上述目标简历的期望级别。
可选的,本申请实施例的简历筛选装置还包括:
面试评定信息获取模块,用于获取上述目标简历对应的人员的面试评定信息,其中,上述面试评定信息包括多个评价项;
期望级别更新模块,用于通过预设定级模型对上述面试评定信息的各评价项进行分析,更新上述目标简历的期望级别;
晋级判断模块,用于在更新后的上述目标简历的期望级别表征晋级时,判定上述目标简历晋级。
本申请实施例还提供了一种电子设备,包括处理器及存储器;
上述存储器,用于存放计算机程序;
上述处理器,用于执行上述存储器上所存放的程序时,实现如下步骤:
获取待筛选的目标简历中的文本信息;
按照预设的语法映射规则,将上述文本信息中的数据映射到相应语义项下,得到上述目标简历的各关键信息项;
选取指定语义项的关键信息项,判断上述指定语义项的关键信息项是否与预设信息项相匹配;
在上述指定语义项的关键信息项与预设信息项相匹配时,通过预设定级模型对上述目标简历的各关键信息项进行关联分析,得到上述目标简历的期望级别;
在上述目标简历的期望级别表征晋级时,判定上述目标简历晋级。
可选的,上述处理器,用于执行上述存储器上所存放的程序时还可以实现上述任一简历筛选方法。
可选的,参见图7,本申请实施例的一种电子设备还包括通信接口702和通信总线704,其中,处理器701,通信接口702,存储器703通过通信总线704完成相互间的通信。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图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。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本申请实施例还提供了一种计算机可读存储介质,上述计算机可读存储介质内存储有计算机程序,上述计算机程序被处理器执行时实现如下步骤:
获取待筛选的目标简历中的文本信息;
按照预设的语法映射规则,将上述文本信息中的数据映射到相应语义项下,得到上述目标简历的各关键信息项;
选取指定语义项的关键信息项,判断上述指定语义项的关键信息项是否与预设信息项相匹配;
在上述指定语义项的关键信息项与预设信息项相匹配时,通过预设定级模型对上述目标简历的各关键信息项进行关联分析,得到上述目标简历的期望级别;
在上述目标简历的期望级别表征晋级时,判定上述目标简历晋级。
可选的,上述计算机程序被处理器执行时还可以实现上述任一简历筛选方法。
需要说明的是,在本文中,各个可选方案中的技术特征只要不矛盾均可组合来形成方案,这些方案均在本申请公开的范围内。诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备及存储介质的实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的较佳实施例而已,并非用于限定本申请的保护范围。凡在本申请的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本申请的保护范围内。
Claims (12)
1.一种简历筛选方法,其特征在于,所述方法包括:
获取待筛选的目标简历中的文本信息;
按照预设的语法映射规则,将所述文本信息中的数据映射到相应语义项下,得到所述目标简历的各关键信息项;
选取指定语义项的关键信息项,判断所述指定语义项的关键信息项是否与预设信息项相匹配;
在所述指定语义项的关键信息项与预设信息项相匹配时,通过预设定级模型对所述目标简历的各关键信息项进行关联分析,得到所述目标简历的期望级别;
在所述目标简历的期望级别表征晋级时,判定所述目标简历晋级。
2.根据权利要求1所述的方法,其特征在于,所述按照预设的语法映射规则,将所述文本信息中的数据映射到相应语义项下,得到所述目标简历的各关键信息项,包括:
按照预设关键词识别算法,对所述文本信息进行关键词识别,得到各关键词的关键词字段;
按照各所述关键词的语义,分别将各所述关键词的关键词字段,映射到相应语义项下,得到所述目标简历的各关键信息项。
3.根据权利要求1所述的方法,其特征在于,预先确定所述预设定级模型的步骤包括:
获取多个标定期望级别的样本简历,并获取各所述样本简历的关键信息项;
将各所述样本简历的关键信息项及各所述样本简历的期望级别输入到预设神经网络模型中进行训练,得到预设定级模型,其中,所述预设神经网络模型包括特征编码部分,双向长短期记忆网络LSTM部分,Concat部分及分类器,所述特征编码部分用于对关键信息项进行特征编码,所述双向LSTM部分用于对特征编码后的数据进行语义建模,所述Concat部分用于对语义建模后的数据进行关联,所述分类器用于确定关联后的数据对应的期望级别。
4.根据权利要求1所述的方法,其特征在于,所述在所述指定语义项的关键信息项与预设信息项相匹配时,通过预设定级模型对所述目标简历的各关键信息项进行关联分析,得到所述目标简历的期望级别,包括:
在所述指定语义项的关键信息项与预设信息项相匹配时,将所述目标简历的各关键信息项进行特征编码,得到所述目标简历的各特征向量;
对所述目标简历的各特征向量进行语义建模,得到各所述特征向量的语义特征;
通过预设关联模型对各所述特征向量的语义特征进行关联,得到所述目标简历的语义特征序列;
按照所述目标简历的语义特征序列对所述目标简历进行分类,得到所述目标简历的期望级别。
5.根据权利要求1所述的方法,其特征在于,在所述目标简历的期望级别表征晋级时,判定所述目标简历晋级之后,所述方法还包括:
获取所述目标简历对应的人员的面试评定信息,其中,所述面试评定信息包括多个评价项;
通过预设定级模型对所述面试评定信息的各评价项进行分析,更新所述目标简历的期望级别;
在更新后的所述目标简历的期望级别表征晋级时,判定所述目标简历晋级。
6.一种简历筛选装置,其特征在于,所述装置包括:
文本信息获取模块,用于获取待筛选的目标简历中的文本信息;
关键信息获取模块,用于按照预设的语法映射规则,将所述文本信息中的数据映射到相应语义项下,得到所述目标简历的各关键信息项;
关键信息匹配模块,用于选取指定语义项的关键信息项,判断所述指定语义项的关键信息项是否与预设信息项相匹配;
期望级别确定模块,用于在所述指定语义项的关键信息项与预设信息项相匹配时,通过预设定级模型对所述目标简历的各关键信息项进行关联分析,得到所述目标简历的期望级别;
简历晋级模块,用于在所述目标简历的期望级别表征晋级时,判定所述目标简历晋级。
7.根据权利要求6所述的装置,其特征在于,所述关键信息匹配模块,具体用于:
按照预设关键词识别算法,对所述文本信息进行关键词识别,得到各关键词的关键词字段;
按照各所述关键词的语义,分别将各所述关键词的关键词字段,映射到相应语义项下,得到所述目标简历的各关键信息项。
8.根据权利要求6所述的装置,其特征在于,预先确定所述预设定级模型的步骤包括:
获取多个标定期望级别的样本简历,并获取各所述样本简历的关键信息项;
将各所述样本简历的关键信息项及各所述样本简历的期望级别输入到预设神经网络模型中进行训练,得到预设定级模型,其中,所述预设神经网络模型包括特征编码部分,双向LSTM部分,Concat部分及分类器,所述特征编码部分用于对关键信息项进行特征编码,所述双向LSTM部分用于对特征编码后的数据进行语义建模,所述Concat部分用于对语义建模后的数据进行关联,所述分类器用于确定关联后的数据对应的期望级别。
9.根据权利要求6所述的装置,其特征在于,所述期望级别确定模块,包括:
特征向量确定子模块,用于在所述指定语义项的关键信息项与预设信息项相匹配时,将所述目标简历的各关键信息项进行特征编码,得到所述目标简历的各特征向量;
语义特征确定子模块,用于对所述目标简历的各特征向量进行语义建模,得到各所述特征向量的语义特征;
特征序列确定子模块,用于通过预设关联模型对各所述特征向量的语义特征进行关联,得到所述目标简历的语义特征序列;
级别分类子模块,用于按照所述目标简历的语义特征序列对所述目标简历进行分类,得到所述目标简历的期望级别。
10.根据权利要求6所述的装置,其特征在于,所述装置还包括:
面试评定信息获取模块,用于获取所述目标简历对应的人员的面试评定信息,其中,所述面试评定信息包括多个评价项;
期望级别更新模块,用于通过预设定级模型对所述面试评定信息的各评价项进行分析,更新所述目标简历的期望级别;
晋级判断模块,用于在更新后的所述目标简历的期望级别表征晋级时,判定所述目标简历晋级。
11.一种电子设备,其特征在于,包括处理器及存储器;
所述存储器,用于存放计算机程序;
所述处理器,用于执行所述存储器上所存放的程序时,实现权利要求1-5任一所述的方法步骤。
12.一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内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-5任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910425239.6A CN112069806B (zh) | 2019-05-21 | 2019-05-21 | 简历筛选方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910425239.6A CN112069806B (zh) | 2019-05-21 | 2019-05-21 | 简历筛选方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112069806A true CN112069806A (zh) | 2020-12-11 |
CN112069806B CN112069806B (zh) | 2024-04-05 |
Family
ID=73657828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910425239.6A Active CN112069806B (zh) | 2019-05-21 | 2019-05-21 | 简历筛选方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112069806B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114817223A (zh) * | 2022-05-19 | 2022-07-29 | 北京锐安科技有限公司 | 业务数据提取方法、装置、电子设备和存储介质 |
CN115292576A (zh) * | 2022-08-02 | 2022-11-04 | 猎上网络科技(上海)有限公司 | 基于互联网智能搜索匹配引擎的搜索方法 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101315682A (zh) * | 2007-05-28 | 2008-12-03 | 上海易米信息科技有限公司 | 基于互联网的个人简历数据库的处理方法 |
US20090228323A1 (en) * | 2008-03-10 | 2009-09-10 | Hiaim, Inc. | Method and system for managing on-line recruiting |
US20110295759A1 (en) * | 2010-05-26 | 2011-12-01 | Forte Hcm Inc. | Method and system for multi-source talent information acquisition, evaluation and cluster representation of candidates |
CN105005879A (zh) * | 2015-08-17 | 2015-10-28 | 陈福昌 | 一种问答式网络招聘方法 |
US20170039523A1 (en) * | 2015-08-06 | 2017-02-09 | Ocubicle Inc. | Interviewing system and method |
WO2017167069A1 (zh) * | 2016-03-30 | 2017-10-05 | 阿里巴巴集团控股有限公司 | 简历评估方法和装置 |
WO2017202125A1 (zh) * | 2016-05-25 | 2017-11-30 | 华为技术有限公司 | 文本分类方法及装置 |
CN107590133A (zh) * | 2017-10-24 | 2018-01-16 | 武汉理工大学 | 基于语义的招聘职位与求职简历匹配的方法及系统 |
CN107909340A (zh) * | 2017-11-08 | 2018-04-13 | 平安科技(深圳)有限公司 | 简历筛选方法、电子装置及可读存储介质 |
CN108182513A (zh) * | 2017-12-12 | 2018-06-19 | 北京字节跳动网络技术有限公司 | 一种简历评估方法及装置 |
CN108428100A (zh) * | 2017-11-17 | 2018-08-21 | 平安科技(深圳)有限公司 | 面试方法、服务器及计算机可读存储介质 |
US20180240072A1 (en) * | 2017-02-17 | 2018-08-23 | Walmart Apollo, Llc | Automated resume screening |
CN108734445A (zh) * | 2018-05-24 | 2018-11-02 | 佛山市轻遣网络有限公司 | 一种招聘管理系统及其方法 |
CN109345198A (zh) * | 2018-09-17 | 2019-02-15 | 平安科技(深圳)有限公司 | 简历筛选方法、装置、计算机设备及存储介质 |
CN109543516A (zh) * | 2018-10-16 | 2019-03-29 | 深圳壹账通智能科技有限公司 | 签约意向判断方法、装置、计算机设备和存储介质 |
CN109754233A (zh) * | 2019-01-29 | 2019-05-14 | 上海嘉道信息技术有限公司 | 一种智能推荐职位信息的方法和系统 |
-
2019
- 2019-05-21 CN CN201910425239.6A patent/CN112069806B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101315682A (zh) * | 2007-05-28 | 2008-12-03 | 上海易米信息科技有限公司 | 基于互联网的个人简历数据库的处理方法 |
US20090228323A1 (en) * | 2008-03-10 | 2009-09-10 | Hiaim, Inc. | Method and system for managing on-line recruiting |
US20110295759A1 (en) * | 2010-05-26 | 2011-12-01 | Forte Hcm Inc. | Method and system for multi-source talent information acquisition, evaluation and cluster representation of candidates |
US20170039523A1 (en) * | 2015-08-06 | 2017-02-09 | Ocubicle Inc. | Interviewing system and method |
CN105005879A (zh) * | 2015-08-17 | 2015-10-28 | 陈福昌 | 一种问答式网络招聘方法 |
WO2017167069A1 (zh) * | 2016-03-30 | 2017-10-05 | 阿里巴巴集团控股有限公司 | 简历评估方法和装置 |
WO2017202125A1 (zh) * | 2016-05-25 | 2017-11-30 | 华为技术有限公司 | 文本分类方法及装置 |
US20180240072A1 (en) * | 2017-02-17 | 2018-08-23 | Walmart Apollo, Llc | Automated resume screening |
CN107590133A (zh) * | 2017-10-24 | 2018-01-16 | 武汉理工大学 | 基于语义的招聘职位与求职简历匹配的方法及系统 |
CN107909340A (zh) * | 2017-11-08 | 2018-04-13 | 平安科技(深圳)有限公司 | 简历筛选方法、电子装置及可读存储介质 |
CN108428100A (zh) * | 2017-11-17 | 2018-08-21 | 平安科技(深圳)有限公司 | 面试方法、服务器及计算机可读存储介质 |
CN108182513A (zh) * | 2017-12-12 | 2018-06-19 | 北京字节跳动网络技术有限公司 | 一种简历评估方法及装置 |
CN108734445A (zh) * | 2018-05-24 | 2018-11-02 | 佛山市轻遣网络有限公司 | 一种招聘管理系统及其方法 |
CN109345198A (zh) * | 2018-09-17 | 2019-02-15 | 平安科技(深圳)有限公司 | 简历筛选方法、装置、计算机设备及存储介质 |
CN109543516A (zh) * | 2018-10-16 | 2019-03-29 | 深圳壹账通智能科技有限公司 | 签约意向判断方法、装置、计算机设备和存储介质 |
CN109754233A (zh) * | 2019-01-29 | 2019-05-14 | 上海嘉道信息技术有限公司 | 一种智能推荐职位信息的方法和系统 |
Non-Patent Citations (1)
Title |
---|
王玲;冯东;: "人力资源集约化管理――招聘管理信息平台的分析与设计", 计算机光盘软件与应用, no. 22, 15 November 2014 (2014-11-15), pages 274 - 275 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114817223A (zh) * | 2022-05-19 | 2022-07-29 | 北京锐安科技有限公司 | 业务数据提取方法、装置、电子设备和存储介质 |
CN115292576A (zh) * | 2022-08-02 | 2022-11-04 | 猎上网络科技(上海)有限公司 | 基于互联网智能搜索匹配引擎的搜索方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112069806B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108804512B (zh) | 文本分类模型的生成装置、方法及计算机可读存储介质 | |
CN108073568B (zh) | 关键词提取方法和装置 | |
CN108351986B (zh) | 学习系统及装置和方法、训练数据生成装置及生成方法 | |
US20190102655A1 (en) | Training data acquisition method and device, server and storage medium | |
CN103617435B (zh) | 一种主动学习图像分类方法和系统 | |
CN105279495A (zh) | 一种基于深度学习和文本总结的视频描述方法 | |
CN110688452B (zh) | 一种文本语义相似度评估方法、系统、介质和设备 | |
CN109299245B (zh) | 知识点召回的方法和装置 | |
CN108846097B (zh) | 用户的兴趣标签表示方法、文章推荐方法、及装置、设备 | |
CN106202380B (zh) | 一种分类语料库的构建方法、系统及具有该系统的服务器 | |
CN108228758A (zh) | 一种文本分类方法及装置 | |
US20200210957A1 (en) | Classification of job titles via machine learning | |
WO2020063524A1 (zh) | 一种法律文书的确定方法及系统 | |
US20210406464A1 (en) | Skill word evaluation method and device, electronic device, and non-transitory computer readable storage medium | |
CN114661872A (zh) | 一种面向初学者的api自适应推荐方法与系统 | |
CN112069806B (zh) | 简历筛选方法、装置、电子设备及存储介质 | |
CN112199500A (zh) | 针对评论的情感倾向识别方法、装置及电子设备 | |
CN116541528A (zh) | 招聘领域知识图谱构建的打标签方法和系统 | |
CN108304568B (zh) | 一种房地产公众预期大数据处理方法及系统 | |
CN113806501B (zh) | 意图识别模型的训练方法、意图识别方法和设备 | |
CN113656575A (zh) | 训练数据的生成方法、装置、电子设备及可读介质 | |
CN112163415A (zh) | 针对反馈内容的用户意图识别方法、装置及电子设备 | |
CN117290596A (zh) | 用于多模态数据模型的推荐标签生成方法、装置、设备及介质 | |
CN115438153A (zh) | 一种意图匹配度分析模型的训练方法及装置 | |
CN112559798B (zh) | 音频内容质量的检测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |