CN112200153B - 基于历史匹配结果的人岗匹配方法、装置及设备 - Google Patents

基于历史匹配结果的人岗匹配方法、装置及设备 Download PDF

Info

Publication number
CN112200153B
CN112200153B CN202011287795.0A CN202011287795A CN112200153B CN 112200153 B CN112200153 B CN 112200153B CN 202011287795 A CN202011287795 A CN 202011287795A CN 112200153 B CN112200153 B CN 112200153B
Authority
CN
China
Prior art keywords
post
resume
matched
text information
vector representation
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.)
Active
Application number
CN202011287795.0A
Other languages
English (en)
Other versions
CN112200153A (zh
Inventor
罗晓生
张玉君
黎奉薪
钱勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Pingan Zhihui Enterprise Information Management Co ltd
Original Assignee
Shenzhen Pingan Zhihui Enterprise Information Management Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Pingan Zhihui Enterprise Information Management Co ltd filed Critical Shenzhen Pingan Zhihui Enterprise Information Management Co ltd
Priority to CN202011287795.0A priority Critical patent/CN112200153B/zh
Publication of CN112200153A publication Critical patent/CN112200153A/zh
Application granted granted Critical
Publication of CN112200153B publication Critical patent/CN112200153B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/40—Document-oriented image-based pattern recognition
    • G06V30/41—Analysis of document content
    • G06V30/418—Document matching, e.g. of document images
    • 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
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Biophysics (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Multimedia (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Quality & Reliability (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Biology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Machine Translation (AREA)

Abstract

本申请涉及人工智能领域，揭示了一种基于历史匹配结果的人岗匹配方法、装置和计算机设备，其中方法包括：获取待匹配简历和待匹配简历投递过的历史岗位的文本信息，获取待匹配岗位和待匹配岗位接收过的历史简历的文本信息；根据简历和岗位的文本信息得到简历和岗位的向量表示，然后将通过LSTM模型将历史匹配结果融入到简历和岗位的向量表示中，然后计算向量的相似度，得到人岗匹配结果。本申请通过获取待匹配简历与待匹配简历投递过的历史岗位以及带匹配岗位与待匹配岗位接收过的历史简历，将历史匹配结果融入到待匹配简历和待匹配岗位的向量表示中，使人岗匹配结果更加准确。

Description

基于历史匹配结果的人岗匹配方法、装置及设备
技术领域
本申请涉及到人工智能领域，特别是涉及到一种基于历史匹配结果的人岗匹配方法、装置和计算机设备。
背景技术
人岗匹配是人工智能在招聘领域的重要应用。“人岗匹配”为“候选人与岗位匹配”的缩写，在招聘业务中扮演着重要角色，通常这一任务由公司内部经验丰富的招聘同事负责。可是在互联网快速发展的今天，海量的简历使得人工人岗匹配的成本变得高昂。由算法驱动的人岗匹配辅助系统应运而生，这种自动化的人岗匹配程序可以减少招聘同事的简历筛选工作量，从而降低公司人工成本。
然而，目前的自动人岗匹配仅仅关注当前的需要匹配的简历和岗位信息，忽略了应聘者和岗位各自历史的投递、招聘信息，而这些信息可以对人岗匹配起到不可忽视的指导作用，忽略掉这些信息可能导致人岗匹配结果不够准确。
发明内容
本申请的主要目的为提供一种基于历史匹配结果的人岗匹配方法、装置和计算机设备，旨在解决目前的人岗匹配过程忽略历史匹配结果导致人岗匹配结果不够准确的技术问题。
为了实现上述发明目的，本申请提出一种基于历史匹配结果的人岗匹配方法，包括：
获取待匹配简历的第一简历文本信息，获取所述待匹配简历投递过的多个历史岗位的第二岗位文本信息，获取所述待匹配简历和所述历史岗位之间的第一历史匹配结果；以及获取待匹配岗位的第一岗位文本信息，获取所述待匹配岗位接收过的多个历史简历的第二简历文本信息，获取所述待匹配岗位和所述历史简历之间的第二历史匹配结果；
根据所述第一简历文本信息得到第一简历向量表示，根据所述第二简历文本信息得到第二简历向量表示，根据所述第一岗位文本信息得到第一岗位向量表示，根据所述第二岗位文本信息得到第二岗位向量表示；
将所述第一简历向量表示、所述第二岗位向量表示及所述待匹配简历和所述历史岗位之间的历史匹配结果输入到预设的LSTM网络模型中，得到第三简历向量表示；
将所述第一岗位信息表示、所述第二简历向量表示及所述待匹配岗位和所述历史简历之间的历史匹配结果输入到预设的LSTM网络模型中，得到第三岗位向量表示；
计算所述第三简历向量表示和所述第三岗位向量表示之间的相似度，当相似度大于预设值时，则确定待匹配简历和待匹配岗位匹配。
进一步地，所述获取待匹配简历的第一简历文本信息，获取所述待匹配简历投递过的多个历史岗位的第二岗位文本信息，获取所述待匹配简历和所述历史岗位之间的第一历史匹配结果；以及获取待匹配岗位的第一岗位文本信息，获取所述待匹配岗位接收过的多个历史简历的第二简历文本信息，获取所述待匹配岗位和所述历史简历之间的第二历史匹配结果的步骤之前还包括：
分别将所述待匹配简历的文件、所述待匹配简历投递过的多个历史岗位的文件、所述待匹配岗位的文件和所述待匹配岗位接收过的多个历史简历的文件转化成第一简历文本数据、第二岗位文本数据、第一岗位文本数据和第二简历文本数据；
利用正则表达式和自然语言处理模型分别对第一简历文本数据、第二岗位文本数据、第一岗位文本数据和第二简历文本数据进行字段提取，得到半结构化的所述第一简历文本信息、所述第二岗位文本信息、所述第一岗位文本信息和所述第二简历文本信息。
进一步地，所述根据所述第一简历文本信息得到第一简历向量表示，根据所述第二简历文本信息得到第二简历向量表示，根据所述第一岗位文本信息得到第一岗位向量表示，根据所述第二岗位文本信息得到第二岗位向量表示的步骤包括：
对所述第一简历文本信息、所述第二简历文本信息、所述第一岗位文本信息和所述第二岗位文本信息进行行业知识抽取，确定第一简历行业知识因子、第一简历其他因子、第一岗位行业知识因子、第一岗位其他因子、第二简历行业知识因子、第二简历其他因子、第二岗位行业知识因子和第二岗位其他因子；
将所述第一简历文本信息、所述第一简历行业知识因子和所述第一简历其他因子输入到预设的信息融合模型中，得到第一简历向量表示；以及将所述第二简历文本信息、所述第二简历行业知识因子和所述第二简历其他因子输入到预设的信息融合模型中，得到第二简历向量表示；
将所述第一岗位文本信息、所述第一岗位行业知识因子和所述第一岗位其他因子输入到预设的信息融合模型中，得到第一岗位向量表示；以及将所述第二岗位文本信息、所述第二岗位行业知识因子和所述第二岗位其他因子输入到预设的信息融合模型中，得到第二岗位向量表示；
进一步地，所述对所述第一简历文本信息、所述第二简历文本信息、所述第一岗位文本信息和所述第二岗位文本信息进行行业知识抽取，确定第一简历行业知识因子、第一简历其他因子、第一岗位行业知识因子、第一岗位其他因子、第二简历行业知识因子、第二简历其他因子、第二岗位行业知识因子和第二岗位其他因子步骤之后还包括：
将抽取到的所述第一简历行业知识因子进行实体标准化；
利用标准化的行业知识因子在行业知识图谱中进行检索，得到所述第一简历行业知识因子对应的解释信息。
进一步地，所述计算所述第三简历向量表示和所述第三岗位向量表示之间的相似度的步骤包括：
计算待匹配简历的第三向量表示和待匹配岗位的第三向量表示的内积；
使用sigmoid函数归一化到0-1的概率值作为最终的相似度。
进一步地，所述计算所述第三简历向量表示和所述第三岗位向量表示之间的相似度，当相似度达到预设值时，则认为待匹配简历和待匹配岗位匹配的步骤之后，还包括：
将所述第一行业知识因子对应的解释信息补充至所述待匹配简历中，生成带有解释信息的匹配简历；
将所述匹配简历发送给所述待匹配岗位的招聘负责人。
本申请实施例还提供一种基于历史匹配结果的人岗匹配装置，包括：
获取模块，用于获取待匹配简历的第一简历文本信息，获取所述待匹配简历投递过的多个历史岗位的第二岗位文本信息，获取所述待匹配简历和所述历史岗位之间的第一历史匹配结果；以及获取待匹配岗位的第一岗位文本信息，获取所述待匹配岗位接收过的多个历史简历的第二简历文本信息，获取所述待匹配岗位和所述历史简历之间的第二历史匹配结果；
向量表示模块，用于根据所述第一简历文本信息得到第一简历向量表示，根据所述第二简历文本信息得到第二简历向量表示，根据所述第一岗位文本信息得到第一岗位向量表示，根据所述第二岗位文本信息得到第二岗位向量表示；
第三简历向量表示模块，用于将所述第一简历向量表示、所述第二岗位向量表示及所述待匹配简历和所述历史岗位之间的历史匹配结果输入到预设的LSTM网络模型中，得到第三简历向量表示；
第三岗位向量表示模块，用于将所述第一岗位信息表示、所述第二简历向量表示及所述待匹配岗位和所述历史简历之间的历史匹配结果输入到预设的LSTM网络模型中，得到第三岗位向量表示；
相似度计算模块，用于计算所述第三简历向量表示和所述第三岗位向量表示之间的相似度，当相似度大于预设值时，则确定待匹配简历和待匹配岗位匹配。
进一步地，所述基于历史匹配结果的人岗匹配装置还包括：
转化模块，用于分别将所述待匹配简历的文件、所述待匹配简历投递过的多个历史岗位的文件、所述待匹配岗位的文件和所述待匹配岗位接收过的多个历史简历的文件转化成第一简历文本数据、第二岗位文本数据、第一岗位文本数据和第二简历文本数据；
字段提取模块，用于利用正则表达式和自然语言处理模型分别对第一简历文本数据、第二岗位文本数据、第一岗位文本数据和第二简历文本数据进行字段提取，得到半结构化的所述第一简历文本信息、所述第二岗位文本信息、所述第一岗位文本信息和所述第二简历文本信息。
本申请还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本申请的基于历史匹配结果的人岗匹配方法、装置和计算机设备，通过获取待匹配简历与待匹配简历投递过的历史岗位以及带匹配岗位与待匹配岗位接收过的历史简历，将历史匹配结果融入到待匹配简历和待匹配岗位的向量表示中，使人岗匹配结果更加准确。
附图说明
图1为本申请一实施例的基于历史匹配结果的人岗匹配方法的流程示意图；
图2为本申请一实施例的基于历史匹配结果的人岗匹配装置的结构示意框图；
图3为本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
参照图1，本申请实施例中提供一种基于历史匹配结果的人岗匹配方法，包括步骤：
S1、获取待匹配简历的第一简历文本信息，获取所述待匹配简历投递过的多个历史岗位的第二岗位文本信息，获取所述待匹配简历和所述历史岗位之间的第一历史匹配结果；以及获取待匹配岗位的第一岗位文本信息，获取所述待匹配岗位接收过的多个历史简历的第二简历文本信息，获取所述待匹配岗位和所述历史简历之间的第二历史匹配结果；
S2、根据所述第一简历文本信息得到第一简历向量表示，根据所述第二简历文本信息得到第二简历向量表示，根据所述第一岗位文本信息得到第一岗位向量表示，根据所述第二岗位文本信息得到第二岗位向量表示
S3、将所述第一简历向量表示、所述第二岗位向量表示及所述待匹配简历和所述历史岗位之间的历史匹配结果输入到预设的LSTM网络模型中，得到第三简历向量表示；
S4、将所述第一岗位信息表示、所述第二简历向量表示及所述待匹配岗位和所述历史简历之间的历史匹配结果输入到预设的LSTM网络模型中，得到第三岗位向量表示；
S5、计算所述第三简历向量表示和所述第三岗位向量表示之间的相似度，当相似度大于预设值时，则确定待匹配简历和待匹配岗位匹配。
如上述步骤S1所述，当候选人的待匹配简历投递待匹配岗位或者被HR主动搜索到与待匹配岗位进行匹配时，首选要获取待匹配简历和待匹配岗位的文本信息。可以通过预设的简历解析器或者岗位解析器对简历或岗位的内容进行解析，从而得到半结构化的简历文本描述和岗位文本描述，其中所述简历解析器和所述岗位解析器是基于正则表达式和自然语言处理技术的字段提取装置，还支持图片识别，在图片中识别文本信息然后进行内容解析。在本实施例中，还需要获取所述待匹配简历和所述历史岗位之间的第一历史匹配结果和获取所述待匹配岗位和所述历史简历之间的第二历史匹配结果，其中所述第一历史匹配结果和所述第二历史匹配结果包括匹配与不匹配，如果所述待匹配简历通过了其历史投递过的历史岗位的筛选，则认为匹配。
如上步骤S2所述，根据简历和岗位的文本信息可以得到对应的向量表示。具体地，可以利用textRank算法分别对简历和岗位的文本信息进行关键词抽取，然后利用词向量数据库对关键词进行向量化，从而得到简历和岗位的向量表示。
如上述步骤S3-S4所述，通过上述步骤，可以得到融入历史匹配结果的简历和岗位向量表示。具体地，LSTM(长短期记忆)网络模型是一个时间序列模型，以第三简历向量表示的获取过程为例，将步骤S3中得到的待匹配简历所对应的融入了行业知识第一简历向量表示和多个(优选为5个)与所述待匹配简历所投递过的历史岗位所对应的融入了行业知识的第二岗位向量表示中的一个以及所述待匹配简历与该历史岗位之间的历史匹配结果(是否通过筛选)一起输入到LSTM中，得到第一简历特征向量表示，然后将所述第一简历特征向量表示和另一个第二岗位向量表示及历史匹配结果输入到LSTM中得到第二简历特征向量，重复此步骤至得到所述第三简历向量表示。所述第三岗位向量表示获取过程同理，不再赘述，与所述待匹配岗位对应的历史简历数量为优选20个。
如上述步骤S5所述，可以通过计算所述第三简历向量表示和所述第三岗位向量表示之间的相似度的方式来判断待匹配简历和待匹配岗位的匹配度，具体地，可以使用余弦相似度、欧氏距离、曼哈顿距离等方法来计算向量之间的相似度。当所述第三简历向量表示和所述第三岗位向量表示之间的相似度大于预设值时，则认为待匹配简历和待匹配岗位匹配。
在一个实施例中，所述获取待匹配简历的第一简历文本信息和所述待匹配简历投递过的多个历史岗位的第二岗位文本信息及对应的历史匹配结果；以及获取待匹配岗位的第一岗位文本信息和所述待匹配岗位接收过的多个历史简历的第二简历文本信息及对应的历史匹配结果的步骤之前还包括：
S01、分别将所述待匹配简历的文件、所述待匹配简历投递过的多个历史岗位的文件、所述待匹配岗位的文件和所述待匹配岗位接收过的多个历史简历的文件转化成第一简历文本数据、第二岗位文本数据、第一岗位文本数据和第二简历文本数据；
S02、利用正则表达式和自然语言处理模型分别对第一简历文本数据、第二岗位文本数据、第一岗位文本数据和第二简历文本数据进行字段提取，得到半结构化的所述第一简历文本信息、所述第二岗位文本信息、所述第一岗位文本信息和所述第二简历文本信息。
如上所述，待匹配的简历和岗位信息一般以文件格式如doc或PDF格式呈现，也可能是在网页上以文字直接呈现，但是这些信息一般都是非结构化的文本信息甚至是图片信息，此时需要对非结构化的文本信息进行内容识别，转化为半结构化的文本信息，对于图片格式的简历或岗位文件，则需要利用图片识别技术识别文本信息，然后再对文本信息进行字段提取，得到半结构化的文本信息。在本实施例中，利用了正则表达式和自然语言处理模型对文本数据进行字段提取，其中正则表达式适用于标准字段提取如“姓名”、“年龄”、“性别”等相对统一的字段名称，自然语言处理模型适用于如“个人经历”这种格式或表述相对不规范的字段内容的提取。
在一个实施例中，所述根据所述第一简历文本信息得到第一简历向量表示，根据所述第二简历文本信息得到第二简历向量表示，根据所述第一岗位文本信息得到第一岗位向量表示，根据所述第二岗位文本信息得到第二岗位向量表示的步骤包括：
S21、对所述第一简历文本信息、所述第二简历文本信息、所述第一岗位文本信息和所述第二岗位文本信息进行行业知识抽取，确定第一简历行业知识因子、第一简历其他因子、第一岗位行业知识因子、第一岗位其他因子、第二简历行业知识因子、第二简历其他因子、第二岗位行业知识因子和第二岗位其他因子；
S22、将所述第一简历文本信息、所述第一简历行业知识因子和所述第一简历其他因子输入到预设的信息融合模型中，得到第一简历向量表示；以及将所述第二简历文本信息、所述第二简历行业知识因子和所述第二简历其他因子输入到预设的信息融合模型中，得到第二简历向量表示；
S23、将所述第一岗位文本信息、所述第一岗位行业知识因子和所述第一岗位其他因子输入到预设的信息融合模型中，得到第一岗位向量表示；以及将所述第二岗位文本信息、所述第二岗位行业知识因子和所述第二岗位其他因子输入到预设的信息融合模型中，得到第二岗位向量表示；
如上所述，在简历和岗位的文本信息中有很多分类明确而且对人岗匹配至关重要的属性因子，如教育背景、工作经历等。本实施例中引入了行业知识的概念，所述行业知识是指在招聘过程中与行业相关的信息，主要体现在候选人的教育背景如毕业院校、所学专业、所取得的学位等，还有候选人的工作经历如曾经任职公司、任职岗位、工作内容、工作年限等，还包括技能证书等。同样地，在岗位文本信息中也存在行业知识，如公司名称、招聘岗位、工作内容等。行业知识抽取的过程可以使用基于深度学习技术的分类模型实现，也可以根据预设的规则进行抽取，优选为使用分类模型。行业知识之外的因子如性别、年龄、工作地点等位其他因子。
信息融合模型需要融合三部分信息，待匹配简历和待匹配岗位抽取到的行业知识因子、待匹配简历和待匹配岗位的文本信息以及待匹配简历和待匹配岗位的其它因子(简历中的性别、婚姻状况、国籍、意向地点等，岗位中的创建时间、部门、工作地点等)。因为文本信息中可能存在未被抽取到的其他信息如个人评价、职业规划等内容，因此，在信息融合时将文本信息再次输入到融合模型中，以使生成的向量表示更加准确。其中，所述信息融合模型可以是任何可以用于特征提取的机器学习模型。
在一个实施例中，所述对所述第一简历文本信息、所述第二简历文本信息、所述第一岗位文本信息和所述第二岗位文本信息进行行业知识抽取，确定第一简历行业知识因子、第一简历其他因子、第一岗位行业知识因子、第一岗位其他因子、第二简历行业知识因子、第二简历其他因子、第二岗位行业知识因子和第二岗位其他因子步骤之后还包括：
S211、将抽取到的所述第一简历行业知识因子进行实体标准化；
S212、利用标准化的行业知识因子在行业知识图谱中进行检索，得到所述第一简历行业知识因子对应的解释信息。
如上所述，以毕业院校为例，若候选人的待匹配简历中写的毕业院校为“哈工大”，通过实体标准化将实体对齐到“哈尔滨工业大学”，然后在行业知识图谱中检索，得到关于该学校的排名信息、是否为985、211等，可以为HR的决策提供依据。进行行业知识的引入可以进一步减轻的HR的工作负担；保证了简历筛选的客观性；提高招聘的简历筛选效率；为面试提供前期支持参考,避免HR因专业知识水平差异较大或经常阅览类似简历导致审美疲劳。在做决策的时候可以结合模型给出的描述因子进行决策。使得候选人优势一目了然，简化决策过程。
在一个具体的实施例中，所述信息融合模型是基于有监督学习的模型，包括DeepFM模型、TextCNN模型。
如上所述，所述DeepFM模型用于处理行业知识因子和其它因子，所述TextCNN模型用于处理文本信息。DeepFM输入的是因子信息，这些因子信息是人为设计的，比如有性别、年龄，还有根据行业知识抽取得到的行业因子。因子的信息更加精确但是覆盖没有那么广，文本信息覆盖更广，但是噪声比较多，因此在本实施例中，还使用了TextCNN模型对文本信息再次进行处理，TextCNN模型是基于CNN模型的文本分类模型，可以对文本信息进行分类，两个模型得到的向量通过拼接后可以得到简历向量或岗位向量，即所述的第一简历向量表示、第二简历向量表示、第一岗位向量表示、第二岗位向量表示。其中，DeepFM模型、TextCNN模型使用历史数据进行有监督地学习训练，通过历史匹配结果反馈到模型中，调整模型参数，训练模型，使生成的简历向量或岗位向量更加准确。
在一个具体的实施例中，所述计算所述第三简历向量表示和所述第三岗位向量表示之间的相似度的步骤包括：
S51、计算待匹配简历的第三向量表示和待匹配岗位的第三向量表示的内积；
S52、使用sigmoid函数归一化到0-1的概率值即为最终的相似度。
如上所述，通过计算待匹配简历的第三向量表示和待匹配岗位的第三向量表示的内积(inner-product)，然使用sigmoid函数归一化到0-1的概率值即为最终的分数，假设简历的第三向量表示为vr、岗位的第三向量表示为vj，计算公式如下：
score＝sigmoid(vr*vj)
在一个实施例中，所述计算所述第三简历向量表示和所述第三岗位向量表示之间的相似度，当相似度达到预设值时，则认为待匹配简历和待匹配岗位匹配之后的步骤还包括：
S6、将所述第一行业知识因子对应的解释信息补充至所述待匹配简历中，生成带有解释信息的匹配简历；
S7、将所述匹配简历发送给所述待匹配岗位的招聘负责人。
如上所述，除了计算分数之外，抽提出来的行业知识因子的解释信息还可以提供给HR为最终决策提供解释性依据。HR可能会招聘自己不熟悉领域的员工，而上述解释信息就可以很好地帮助HR对简历内容做出准确的理解和判断。
本申请实施例的基于历史匹配结果的人岗匹配方法，通过获取待匹配简历与待匹配简历投递过的历史岗位以及带匹配岗位与待匹配岗位接收过的历史简历，将历史匹配结果融入到待匹配简历和待匹配岗位的向量表示中，使人岗匹配结果更加准确。
参照图2，本申请实施例中还提供一种基于历史匹配结果的人岗匹配装置，包括：
获取模块1，用于获取待匹配简历的第一简历文本信息，获取所述待匹配简历投递过的多个历史岗位的第二岗位文本信息，获取所述待匹配简历和所述历史岗位之间的第一历史匹配结果；以及获取待匹配岗位的第一岗位文本信息，获取所述待匹配岗位接收过的多个历史简历的第二简历文本信息，获取所述待匹配岗位和所述历史简历之间的第二历史匹配结果；
向量表示模块2，用于根据所述第一简历文本信息得到第一简历向量表示，根据所述第二简历文本信息得到第二简历向量表示，根据所述第一岗位文本信息得到第一岗位向量表示，根据所述第二岗位文本信息得到第二岗位向量表示；
第三简历向量表示模块3，用于将所述第一简历向量表示、所述第二岗位向量表示及所述待匹配简历和所述历史岗位之间的历史匹配结果输入到预设的LSTM网络模型中，得到第三简历向量表示；
第三岗位向量表示模块4，用于将所述第一岗位信息表示、所述第二简历向量表示及所述待匹配岗位和所述历史简历之间的历史匹配结果输入到预设的LSTM网络模型中，得到第三岗位向量表示；
相似度计算模块5，用于计算所述第三简历向量表示和所述第三岗位向量表示之间的相似度，当相似度达到预设值时，则认为待匹配简历和待匹配岗位匹配。
在一个实施例中，所述基于历史匹配结果的人岗匹配装置还包括：
转化模块，用于分别将所述待匹配简历的文件、所述待匹配简历投递过的多个历史岗位的文件、所述待匹配岗位的文件和所述待匹配岗位接收过的多个历史简历的文件转化成第一简历文本数据、第二岗位文本数据、第一岗位文本数据和第二简历文本数据；
字段提取模块，用于利用正则表达式和自然语言处理模型分别对第一简历文本数据、第二岗位文本数据、第一岗位文本数据和第二简历文本数据进行字段提取，得到半结构化的所述第一简历文本信息、所述第二岗位文本信息、所述第一岗位文本信息和所述第二简历文本信息。
在一个实施例中，所述向量表示模块2包括：
行业知识抽取单元，用于对所述第一简历文本信息、所述第二简历文本信息、所述第一岗位文本信息和所述第二岗位文本信息进行行业知识抽取，确定第一简历行业知识因子、第一简历其他因子、第一岗位行业知识因子、第一岗位其他因子、第二简历行业知识因子、第二简历其他因子、第二岗位行业知识因子和第二岗位其他因子；
简历向量表示单元，用于将所述第一简历文本信息、所述第一简历行业知识因子和所述第一简历其他因子输入到预设的信息融合模型中，得到第一简历向量表示；以及将所述第二简历文本信息、所述第二简历行业知识因子和所述第二简历其他因子输入到预设的信息融合模型中，得到第二简历向量表示；
岗位向量表示单元，用于将所述第一岗位文本信息、所述第一岗位行业知识因子和所述第一岗位其他因子输入到预设的信息融合模型中，得到第一岗位向量表示；以及将所述第二岗位文本信息、所述第二岗位行业知识因子和所述第二岗位其他因子输入到预设的信息融合模型中，得到第二岗位向量表示；
在一个实施例中，所述向量表示模块还包括：
标准化单元，用于将抽取到的所述第一简历行业知识因子进行实体标准化；
检索单元，用于利用标准化的行业知识因子在行业知识图谱中进行检索，得到所述第一简历行业知识因子对应的解释信息。
在一个实施例中，所述相似度计算模块5包括：
内积计算单元，用于计算待匹配简历的第三向量表示和待匹配岗位的第三向量表示的内积；
归一化单元，用于使用sigmoid函数归一化到0-1的概率值作为最终的相似度。
在一个实施例中，所述基于历史匹配结果的人岗匹配装置还包括：
匹配简历生成模块，用于将所述第一行业知识因子对应的解释信息补充至所述待匹配简历中，生成带有解释信息的匹配简历；
发送模块，用于将所述匹配简历发送给所述待匹配岗位的招聘负责人。
如上所述，可以理解地，本申请中提出的所述基于历史匹配结果的人岗匹配装置的各组成部分可以实现如上所述基于历史匹配结果的人岗匹配方法任一项的功能，具体结构不再赘述。
参照图3，本申请实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于简历文本信息、岗位文本信息、信息融合模型等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于历史匹配结果的人岗匹配方法。
上述处理器执行上述的基于历史匹配结果的人岗匹配方法，包括：
获取待匹配简历的第一简历文本信息，获取所述待匹配简历投递过的多个历史岗位的第二岗位文本信息，获取所述待匹配简历和所述历史岗位之间的第一历史匹配结果；以及获取待匹配岗位的第一岗位文本信息，获取所述待匹配岗位接收过的多个历史简历的第二简历文本信息，获取所述待匹配岗位和所述历史简历之间的第二历史匹配结果；
根据所述第一简历文本信息得到第一简历向量表示，根据所述第二简历文本信息得到第二简历向量表示，根据所述第一岗位文本信息得到第一岗位向量表示，根据所述第二岗位文本信息得到第二岗位向量表示；
将所述第一简历向量表示、所述第二岗位向量表示及所述第一历史匹配结果输入到预设的LSTM网络模型中，得到第三简历向量表示；
将所述第一岗位信息表示、所述第二简历向量表示及所述第二历史匹配结果输入到预设的LSTM网络模型中，得到第三岗位向量表示；
计算所述第三简历向量表示和所述第三岗位向量表示之间的相似度，当相似度大于预设值时，则确定待匹配简历和待匹配岗位匹配。
本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现一种基于历史匹配结果的人岗匹配方法。
上述处理器执行上述的基于历史匹配结果的人岗匹配方法，包括：
获取待匹配简历的第一简历文本信息，获取所述待匹配简历投递过的多个历史岗位的第二岗位文本信息，获取所述待匹配简历和所述历史岗位之间的第一历史匹配结果；以及获取待匹配岗位的第一岗位文本信息，获取所述待匹配岗位接收过的多个历史简历的第二简历文本信息，获取所述待匹配岗位和所述历史简历之间的第二历史匹配结果；
根据所述第一简历文本信息得到第一简历向量表示，根据所述第二简历文本信息得到第二简历向量表示，根据所述第一岗位文本信息得到第一岗位向量表示，根据所述第二岗位文本信息得到第二岗位向量表示；
将所述第一简历向量表示、所述第二岗位向量表示及所述第一历史匹配结果输入到预设的LSTM网络模型中，得到第三简历向量表示；
将所述第一岗位信息表示、所述第二简历向量表示及所述第二历史匹配结果输入到预设的LSTM网络模型中，得到第三岗位向量表示；
计算所述第三简历向量表示和所述第三岗位向量表示之间的相似度，当相似度大于预设值时，则确定待匹配简历和待匹配岗位匹配。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是，在本文中，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、装置、物品或者方法不仅包括那些要素，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、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种基于历史匹配结果的人岗匹配方法，其特征在于，包括：
获取待匹配简历的第一简历文本信息，获取所述待匹配简历投递过的多个历史岗位的第二岗位文本信息，获取所述待匹配简历和所述历史岗位之间的第一历史匹配结果；以及获取待匹配岗位的第一岗位文本信息，获取所述待匹配岗位接收过的多个历史简历的第二简历文本信息，获取所述待匹配岗位和所述历史简历之间的第二历史匹配结果；
根据所述第一简历文本信息得到第一简历向量表示，根据所述第二简历文本信息得到第二简历向量表示，根据所述第一岗位文本信息得到第一岗位向量表示，根据所述第二岗位文本信息得到第二岗位向量表示；
将所述第一简历向量表示、所述第二岗位向量表示及所述第一历史匹配结果输入到预设的LSTM网络模型中，得到第三简历向量表示；
将所述第一岗位文本信息表示、所述第二简历向量表示及所述第二历史匹配结果输入到预设的LSTM网络模型中，得到第三岗位向量表示；
计算所述第三简历向量表示和所述第三岗位向量表示之间的相似度，当相似度大于预设值时，则确定待匹配简历和待匹配岗位匹配。
2.根据权利要求1所述的基于历史匹配结果的人岗匹配方法，其特征在于，所述获取待匹配简历的第一简历文本信息，获取所述待匹配简历投递过的多个历史岗位的第二岗位文本信息，获取所述待匹配简历和所述历史岗位之间的第一历史匹配结果；以及获取待匹配岗位的第一岗位文本信息，获取所述待匹配岗位接收过的多个历史简历的第二简历文本信息，获取所述待匹配岗位和所述历史简历之间的第二历史匹配结果的步骤之前还包括：
分别将所述待匹配简历的文件、所述待匹配简历投递过的多个历史岗位的文件、所述待匹配岗位的文件和所述待匹配岗位接收过的多个历史简历的文件转化成第一简历文本数据、第二岗位文本数据、第一岗位文本数据和第二简历文本数据；
利用正则表达式和自然语言处理模型分别对第一简历文本数据、第二岗位文本数据、第一岗位文本数据和第二简历文本数据进行字段提取，得到半结构化的所述第一简历文本信息、所述第二岗位文本信息、所述第一岗位文本信息和所述第二简历文本信息。
3.根据权利要求1所述的基于历史匹配结果的人岗匹配方法，其特征在于，所述根据所述第一简历文本信息得到第一简历向量表示，根据所述第二简历文本信息得到第二简历向量表示，根据所述第一岗位文本信息得到第一岗位向量表示，根据所述第二岗位文本信息得到第二岗位向量表示的步骤包括：
对所述第一简历文本信息、所述第二简历文本信息、所述第一岗位文本信息和所述第二岗位文本信息进行行业知识抽取，确定第一简历行业知识因子、第一简历其他因子、第一岗位行业知识因子、第一岗位其他因子、第二简历行业知识因子、第二简历其他因子、第二岗位行业知识因子和第二岗位其他因子；
将所述第一简历文本信息、所述第一简历行业知识因子和所述第一简历其他因子输入到预设的信息融合模型中，得到第一简历向量表示；以及将所述第二简历文本信息、所述第二简历行业知识因子和所述第二简历其他因子输入到预设的信息融合模型中，得到第二简历向量表示；
将所述第一岗位文本信息、所述第一岗位行业知识因子和所述第一岗位其他因子输入到预设的信息融合模型中，得到第一岗位向量表示；以及将所述第二岗位文本信息、所述第二岗位行业知识因子和所述第二岗位其他因子输入到预设的信息融合模型中，得到第二岗位向量表示。
4.根据权利要求3所述的基于历史匹配结果的人岗匹配方法，其特征在于，所述对所述第一简历文本信息、所述第二简历文本信息、所述第一岗位文本信息和所述第二岗位文本信息进行行业知识抽取，确定第一简历行业知识因子、第一简历其他因子、第一岗位行业知识因子、第一岗位其他因子、第二简历行业知识因子、第二简历其他因子、第二岗位行业知识因子和第二岗位其他因子步骤之后还包括：
将抽取到的所述第一简历行业知识因子进行实体标准化；
利用标准化的行业知识因子在行业知识图谱中进行检索，得到所述第一简历行业知识因子对应的解释信息。
5.根据权利要求1所述的基于历史匹配结果的人岗匹配方法，其特征在于，所述计算所述第三简历向量表示和所述第三岗位向量表示之间的相似度的步骤包括：
计算待匹配简历的第三向量表示和待匹配岗位的第三向量表示的内积；
使用sigmoid函数归一化到0-1的概率值作为最终的相似度。
6.根据权利要求3所述的基于历史匹配结果的人岗匹配方法，其特征在于，所述计算所述第三简历向量表示和所述第三岗位向量表示之间的相似度，当相似度达到预设值时，则认为待匹配简历和待匹配岗位匹配的步骤之后，还包括：
将所述第一岗位行业知识因子对应的解释信息补充至所述待匹配简历中，生成带有解释信息的匹配简历；
将所述匹配简历发送给所述待匹配岗位的招聘负责人。
7.一种基于历史匹配结果的人岗匹配装置，其特征在于，包括：
获取模块，用于获取待匹配简历的第一简历文本信息，获取所述待匹配简历投递过的多个历史岗位的第二岗位文本信息，获取所述待匹配简历和所述历史岗位之间的第一历史匹配结果；以及获取待匹配岗位的第一岗位文本信息，获取所述待匹配岗位接收过的多个历史简历的第二简历文本信息，获取所述待匹配岗位和所述历史简历之间的第二历史匹配结果；
向量表示模块，用于根据所述第一简历文本信息得到第一简历向量表示，根据所述第二简历文本信息得到第二简历向量表示，根据所述第一岗位文本信息得到第一岗位向量表示，根据所述第二岗位文本信息得到第二岗位向量表示；
第三简历向量表示模块，用于将所述第一简历向量表示、所述第二岗位向量表示及所述待匹配简历和所述历史岗位之间的历史匹配结果输入到预设的LSTM网络模型中，得到第三简历向量表示；
第三岗位向量表示模块，用于将所述第一岗位文本信息表示、所述第二简历向量表示及所述待匹配岗位和所述历史简历之间的历史匹配结果输入到预设的LSTM网络模型中，得到第三岗位向量表示；
相似度计算模块，用于计算所述第三简历向量表示和所述第三岗位向量表示之间的相似度，当相似度大于预设值时，则确定待匹配简历和待匹配岗位匹配。
8.根据权利要求7所述的基于历史匹配结果的人岗匹配装置，其特征在于，所述基于历史匹配结果的人岗匹配装置还包括：
转化模块，用于分别将所述待匹配简历的文件、所述待匹配简历投递过的多个历史岗位的文件、所述待匹配岗位的文件和所述待匹配岗位接收过的多个历史简历的文件转化成第一简历文本数据、第二岗位文本数据、第一岗位文本数据和第二简历文本数据；
字段提取模块，用于利用正则表达式和自然语言处理模型分别对第一简历文本数据、第二岗位文本数据、第一岗位文本数据和第二简历文本数据进行字段提取，得到半结构化的所述第一简历文本信息、所述第二岗位文本信息、所述第一岗位文本信息和所述第二简历文本信息。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202011287795.0A 2020-11-17 2020-11-17 基于历史匹配结果的人岗匹配方法、装置及设备 Active CN112200153B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011287795.0A CN112200153B (zh) 2020-11-17 2020-11-17 基于历史匹配结果的人岗匹配方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011287795.0A CN112200153B (zh) 2020-11-17 2020-11-17 基于历史匹配结果的人岗匹配方法、装置及设备

Publications (2)

Publication Number Publication Date
CN112200153A CN112200153A (zh) 2021-01-08
CN112200153B true CN112200153B (zh) 2023-09-05

Family

ID=74033924

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011287795.0A Active CN112200153B (zh) 2020-11-17 2020-11-17 基于历史匹配结果的人岗匹配方法、装置及设备

Country Status (1)

Country Link
CN (1) CN112200153B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN116562838B (zh) * 2023-07-12 2024-03-15 深圳须弥云图空间科技有限公司 人岗匹配度确定方法、装置、电子设备及存储介质
CN117196556B (zh) * 2023-09-19 2024-02-23 江苏锡世科技有限公司 一种基于大数据的多平台招聘信息管理系统及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110378544A (zh) * 2018-04-12 2019-10-25 百度在线网络技术（北京）有限公司 一种人岗匹配分析方法、装置、设备和介质
CN111144723A (zh) * 2019-12-17 2020-05-12 埃摩森网络科技(上海)有限公司 人岗匹配推荐方法及系统、存储介质
CN111311180A (zh) * 2020-02-10 2020-06-19 腾讯云计算（北京）有限责任公司 简历筛选方法及装置
CN111737485A (zh) * 2020-05-28 2020-10-02 广东轩辕网络科技股份有限公司 基于知识图谱、深度学习的人岗匹配方法、人岗匹配系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110378544A (zh) * 2018-04-12 2019-10-25 百度在线网络技术（北京）有限公司 一种人岗匹配分析方法、装置、设备和介质
CN111144723A (zh) * 2019-12-17 2020-05-12 埃摩森网络科技(上海)有限公司 人岗匹配推荐方法及系统、存储介质
CN111311180A (zh) * 2020-02-10 2020-06-19 腾讯云计算（北京）有限责任公司 简历筛选方法及装置
CN111737485A (zh) * 2020-05-28 2020-10-02 广东轩辕网络科技股份有限公司 基于知识图谱、深度学习的人岗匹配方法、人岗匹配系统

Also Published As

Publication number Publication date
CN112200153A (zh) 2021-01-08

Similar Documents

Publication Publication Date Title
CN112200153B (zh) 基于历史匹配结果的人岗匹配方法、装置及设备
CN110765265B (zh) 信息分类抽取方法、装置、计算机设备和存储介质
CN110021439B (zh) 基于机器学习的医疗数据分类方法、装置和计算机设备
KR101875923B1 (ko) 기계학습을 활용한 월렛 시스템 기반 인재 매칭 시스템 및 그 방법
CN109992664B (zh) 争议焦点的标注分类方法、装置、计算机设备和存储介质
CN110413961B (zh) 基于分类模型进行文本评分的方法、装置和计算机设备
CN112015878B (zh) 处理智慧客服未回答问题的方法、装置及计算机设备
US9213690B2 (en) Method, system, and appartus for selecting an acronym expansion
CN111259113B (zh) 文本匹配方法、装置、计算机可读存储介质和计算机设备
CN112347340B (zh) 信息搜索方法、装置和计算机设备
Zhong et al. E3: Entailment-driven extracting and editing for conversational machine reading
CN111191032A (zh) 语料扩充方法、装置、计算机设备和存储介质
CN111507089B (zh) 基于深度学习模型的文献分类方法、装置和计算机设备
CN116401464B (zh) 一种职业用户画像的构建方法、装置、设备及存储介质
CN114647741A (zh) 工艺自动决策和推理方法、装置、计算机设备及存储介质
CN114693215A (zh) 采购请求处理方法、装置、计算机设备及存储介质
CN113849648A (zh) 分类模型训练方法、装置、计算机设备和存储介质
CN112380346B (zh) 金融新闻情感分析方法、装置、计算机设备及存储介质
CN113627182A (zh) 数据匹配方法、装置、计算机设备及存储介质
US20190155913A1 (en) Document search using grammatical units
Rajanak et al. Language detection using natural language processing
CN111782821B (zh) 基于fm模型的医学热点的预测方法、装置和计算机设备
CN113191147A (zh) 无监督的自动术语抽取方法、装置、设备和介质
CN113868419B (zh) 基于人工智能的文本分类方法、装置、设备及介质
Belyanova et al. Comparison of Convolutional Neural Networks and Search Based Approaches for Extracting Psychological Characteristics from Job Description

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210223

Address after: 518000 room 64, 3 / F, building 364B, Jingui building, 68 Puti Road, Fubao community, Fubao street, Futian District, Shenzhen City, Guangdong Province

Applicant after: Shenzhen Pingan Zhihui Enterprise Information Management Co.,Ltd.

Address before: No.1411-14158, main tower of shipping center, No.59 Linhai Avenue, Nanshan street, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong 518000

Applicant before: Ping An digital information technology (Shenzhen) Co.,Ltd.

GR01 Patent grant
GR01 Patent grant