CN112364133A - 岗位画像生成方法、装置、设备及存储介质 - Google Patents

岗位画像生成方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112364133A
CN112364133A CN202011286200.XA CN202011286200A CN112364133A CN 112364133 A CN112364133 A CN 112364133A CN 202011286200 A CN202011286200 A CN 202011286200A CN 112364133 A CN112364133 A CN 112364133A
Authority
CN
China
Prior art keywords
skill
target
post
employee
keyword
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
Application number
CN202011286200.XA
Other languages
English (en)
Inventor
王友元
赵向荣
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 CN202011286200.XA priority Critical patent/CN112364133A/zh
Publication of CN112364133A publication Critical patent/CN112364133A/zh
Pending legal-status Critical Current

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
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • 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
    • 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
    • G06F40/295—Named entity recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • 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
    • G06Q10/06398—Performance of employee with respect to a job function
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例公开了一种岗位画像生成方法、装置、设备及存储介质，包括：获取目标岗位的各目标员工的简历信息及绩效信息；将上述各目标员工的简历信息输入命名实体识别模型，通过上述命名实体识别模型输出上述各目标员工对应的各目标技能关键词以及上述各目标技能关键词所属的技能分类；根据上述各目标技能关键词以及上述各目标技能关键词所属的技能分类，从技能知识图谱中确定出上述各目标技能关键词对应的技能标签以得到上述各目标员工的技能标签；基于上述各目标员工的绩效信息及上述各目标员工的技能标签生成上述目标岗位的岗位画像。采用本申请实施例，可准确生成目标岗位的岗位画像，提高目标岗位的招聘效率。

Description

岗位画像生成方法、装置、设备及存储介质
技术领域
本申请涉及计算机技术领域，尤其涉及一种岗位画像生成方法、装置、设备及存储介质。
背景技术
目前，随着计算机软件领域技术的发展，越来越多的企业在线上进行人员招聘，其中，待招聘岗位的技能要求通常由负责招聘的HR根据个人经验编写，往往带有一定的主观因素。导致由HR主观提出的技能要求存在不合理的情况。且由HR主观编写技能要求的方式，没有充分利用历史人员招聘过程中的相关数据，如对应岗位的在职员工以及曾就职于对应岗位的员工的技能信息、任职记录、以及绩效信息，待招聘岗位的技能要求不准确，效率低。
发明内容
本申请实施例提供一种岗位画像生成方法、装置、设备及存储介质，可准确生成目标岗位的岗位画像，提高岗位画像的准确性并且提高目标岗位招聘的效率。
第一方面，本申请实施例供了一种岗位画像生成方法，该方法包括：
获取目标岗位的各目标员工的简历信息及绩效信息；
将上述各目标员工的简历信息输入命名实体识别模型，通过上述命名实体识别模型输出上述各目标员工对应的各目标技能关键词以及上述各目标技能关键词所属的技能分类；
根据上述各目标技能关键词以及上述各目标技能关键词所属的技能分类，从技能知识图谱中确定出上述各目标技能关键词对应的技能标签以得到上述各目标员工的技能标签；
基于上述各目标员工的绩效信息及上述各目标员工的技能标签生成上述目标岗位的岗位画像。
在本申请实施例中，通过将各目标员工的简历信息输入命名实体识别模型，进而可以得到各目标员工对应的目标技能关键词，以及各目标技能关键词所属的技能分类。可以初步建立目标岗位与目标技能关键词的关联，也可以通过命名实体识别模型在现有的技能关键词的基础上从各目标原的简历信息中识别出与目标岗位有关的新的技能关键词作为目标技能关键词。基于各目标员工的各目标技能关键词以及各目标技能关键词所属的技能分类在知识图谱中确定出目标员工的技能标签，可以更好地从标签维度刻画各目标员工所具备的技能，进而与各目标员工的绩效信息结合，生成目标岗位的岗位画像。可以从更合适的维度对目标岗位进行画像，既可以使得目标岗位画像更全面，减少岗位画像的主观性；又可以使得目标岗位画像的更精确，提高岗位画像的准确性，进而提高目标岗位招聘的效率。
结合第一方面，在一种可能的实施方式中，上述根据上述各目标技能关键词以及上述各目标技能关键词所属的技能分类，从技能知识图谱中确定出上述各目标技能关键词对应的技能标签，包括：
根据上述各目标技能关键词所属的技能分类从技能知识图谱中确定出目标技能节点集合，并根据上述各目标技能关键词从上述目标技能节点集合中确定出上述各目标技能关键词对应的目标技能节点；
将上述各目标技能关键词对应的目标技能节点的技能标签确定为上述各目标技能关键词对应的技能标签。
结合第一方面，在一种可能的实施方式中，上述根据上述各目标技能关键词从上述目标技能节点集合中确定出上述各目标技能关键词对应的目标技能节点，包括：
对上述各目标技能关键词进行语义分析以得到上述各目标技能关键词与上述目标技能节点集合中各技能节点的相似度；
将上述目标技能节点集合中与任一目标技能关键词的相似度最大的技能节点确定为上述任一目标技能关键词对应的目标技能节点，以得到上述各目标技能关键词对应的目标技能节点。
在本申请实施例中，基于各目标员工的各目标技能关键词以及各目标技能关键词所属的技能分类在知识图谱中确定出目标员工的技能标签，可以更好地从标签维度刻画各目标员工所具备的技能，进而与各目标员工的绩效信息结合，生成目标岗位的岗位画像。可以从更合适的维度对目标岗位进行画像，既可以使得目标岗位画像更全面，减少岗位画像的主观性；又可以使得目标岗位画像的更精确，提高岗位画像的准确性，进而提高目标岗位招聘的效率。
结合第一方面，在一种可能的实施方式中，上述方法还包括：
从员工的工作统计系统或者互联网中获取不同岗位员工的技能信息，上述技术信息中包括多种技能分类下的多种标准技能信息、各标准技能信息之间的连接关系、以及各标准技能信息在对应技能分类下的出现概率；
根据各标准技能信息、各标准技能信息之间的连接关系、以及各标准技能信息在对应技能分类下的出现概率，得到多种技能分类下的技能节点、各技能节点之间的连接关系、以及各技能节点在对应技能分类下的节点权重以构建上述技能知识图谱。
结合第一方面，在一种可能的实施方式中，上述根据上述各目标技能关键词从上述目标技能节点集合中确定出上述各目标技能关键词对应的目标技能节点之后，上述方法还包括：
基于上述各目标技能关键词对应的目标技能节点，确定各目标技能节点的链接节点、各目标技能节点的节点权重以及各目标技能节点的链接节点的节点权重；
当任一目标技能关键词对应的任一目标技能节点的节点权重在阈值范围内时，将上述任一目标技能节点的名称确定为上述任一目标技能节点的技能标签；和/或
将上述任一目标技能节点的链接节点中节点权重在上述阈值范围内的链接节点的名称确定为上述任一目标技能节点的技能标签。
结合第一方面，在一种可能的实施方式中，上述基于上述各目标员工的绩效信息及上述各目标员工的技能标签生成上述目标岗位的岗位画像，包括：
基于上述各目标员工的绩效信息及上述各目标员工的技能标签确定各技能标签对应的绩效权重；
将上述各技能标签中绩效权重大于阈值的技能标签确定为上述目标岗位的岗位标签；
根据上述目标岗位的岗位标签生成上述目标岗位的岗位画像。
结合第一方面，在一种可能的实施方式中，上述获取目标岗位的各目标员工的简历信息及绩效信息包括：
在员工的工作统计系统中采集目标岗位的各目标员工的简历信息，以及上述各目标员工的绩效信息；
其中，上述目标员工包括上述目标岗位的在职员工以及曾就职于上述目标岗位的历史员工，上述简历信息包括员工技能、历史岗位、历史任职时间以及在目标岗位的任职时间中的至少一种。
结合第一方面，在一种可能的实施方式中，上述获取目标岗位的各目标员工的简历信息及绩效信息之前，上述方法还包括：
在员工的工作统计系统中采集多个岗位员工的样本信息，上述样本信息包括多个技能信息以及各技能信息所属技能分类；
利用上述多个岗位员工的样本信息构建上述命名实体识别模型。
在本申请实施例中，通过采集多个岗位员工的样本信息并对命名实体识别模型进行训练，可以确定各岗位所包括的各技能关键词，也可以通过命名实体识别模型在各岗位现有的技能关键词的基础上生成新的技能关键词作为各岗位的技能关键词。可以使得各岗位的技能关键词更为多样化，也更全面。
第二方面，本申请实施例提供了一种岗位画像生成装置，该装置包括：
信息获取模块，用于获取目标岗位的各目标员工的简历信息及绩效信息；
关键词提取模块，用于将上述各目标员工的简历信息输入命名实体识别模型，通过上述命名实体识别模型输出上述各目标员工对应的各目标技能关键词以及上述各目标技能关键词所属的技能分类；
标签生成模块，用于根据上述各目标技能关键词以及上述各目标技能关键词所属的技能分类，从技能知识图谱中确定出上述各目标技能关键词对应的技能标签以得到上述各目标员工的技能标签；
画像生成模块，用于基于上述各目标员工的绩效信息及上述各目标员工的技能标签生成上述目标岗位的岗位画像。
第三方面，本申请实施例提供了一种终端设备，该终端设备包括处理器和存储器，该处理器和存储器相互连接。该存储器用于存储支持该终端设备执行上述第一方面和/或第一方面任一种可能的实现方式提供的方法的计算机程序，该计算机程序包括程序指令，该处理器被配置用于调用上述程序指令，执行上述第一方面和/或第一方面任一种可能的实施方式所提供的方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，该计算机存储介质存储有计算机程序，该计算机程序包括程序指令，该程序指令当被处理器执行时使该处理器执行上述第一方面和/或第一方面任一种可能的实施方式所提供的方法。
在本申请实施例中，通过将各目标员工的简历信息输入命名实体识别模型，进而可以得到各目标员工对应的目标技能关键词，以及各目标技能关键词所属的技能分类。可以初步建立目标岗位与目标技能关键词的关联，也可以通过命名实体识别模型在现有的技能关键词的基础上从各目标原的简历信息中识别出与目标岗位有关的新的技能关键词作为目标技能关键词。基于各目标员工的各目标技能关键词以及各目标技能关键词所属的技能分类在知识图谱中确定出目标员工的技能标签，可以更好地从标签维度刻画各目标员工所具备的技能，进而与各目标员工的绩效信息结合，生成目标岗位的岗位画像。可以从更合适的维度对目标岗位进行画像，既可以使得目标岗位画像更全面，减少岗位画像的主观性；又可以使得目标岗位画像的更精确，提高岗位画像的准确性，进而提高目标岗位招聘的效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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是本申请实施例提供的岗位画像生成方法的一流程示意图；
图2是本申请实施例提供的命名实体识别模型的构建流程示意图；
图3是本申请实施例提供的技能知识图谱的部分结构示意图；
图4是本申请实施例提供的岗位画像生成方法的另一流程示意图；
图5是本申请实施例提供的岗位画像生成装置的结构示意图；
图6是本申请实施例提供的终端设备的结构示意图。
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。
目前，利用人工智能技术对某个领域的信息进行画像(也可以是推理模型)的构建，可以利用画像识别出领域信息中内在的关联性。例如在企业中，对各种类别(也可以是领域)的技能信息生成技能画像，可以帮助管理者快速了解招聘某个类别的岗位所需要的技能；对员工的绩效生成员工画像，可以帮助管理者直观了解员工的工作表现；基于各岗位员工的绩效信息和技能生成岗位画像，可以帮助管理者系统地了解某个岗位所需要的技能，以及该技能在该岗位上对员工绩效的关联程度。可见，生成画像并利用画像辅助决策的适用范围非常广泛，本申请仅以在企业中生成岗位画像的过程作为应用场景进行说明，对其他领域或企业的其他信息生成画像的过程与本申请提供的实施例本质相同，在此不再赘述。
以在企业中生成岗位画像的过程为例，岗位信息包括但不限于岗位所属类别、岗位所需的技能、岗位所需的学历、岗位所需的人数、岗位所需的工作经历等信息。对岗位生成岗位画像，包括在员工的工作统计系统中采集多个岗位(例如计算机网络技术类的前端开发工程师、后端开发工程师、前端全球局域网(World Wide Web，Web)开发工程师等岗位)员工的样本信息，样本信息包括多个技能信息以及各技能信息所属技能分类，利用多个岗位员工的样本信息对命名实体识别模型进行训练。其中，技能分类包括但不限于后端开发、前端开发、大数据与人工智能、软件测试、系统运维、其他几大类别。其中，例如在前端开发这个技能分类下的技能包括但不限于JavaScript(JS)开发、超级文本标记语言(HyperText Markup Language，HTML)开发、层叠样式表(Cascading Style Sheets，CSS)开发、数据可视化软件开发等技能。基于各样本信息构建并训练出的命名实体识别模型，可以根据目标员工的简历信息将不同技能类别中关键词相同的技能加以区分。后端开发中的“Java开发”和前端开发中的“Java开发”属于关键词相同但所属技能分类不同，命名实体识别模型可以通过识别目标员工的历史岗位中“后端运维岗”得到员工技能中“Java开发”的技能标签为“后端开发”，从而得到该目标技能关键词——“Java开发”及目标技能关键词对应的技能分类——“后端开发”。但由于不同类别(也可以是领域、或者部门)的岗位技能关键词可能过于繁杂，例如计算机网络技术类的前端开发工程师的技能很多样，但不同技能之间的差异对于岗位要求来说并不大，员工可以通过掌握其中的一种技能，胜任该岗位需要完成的工作任务。因此，在得到各岗位的技能关键词以及各技能关键词所属的技能分类之后，可在技能知识图谱中确定出各目标技能关键词对应的技能标签，在合适的维度对岗位技能进行描述，从而得到掌握各项技能的各目标员工所具有的技能标签。在得到各目标员工的技能标签之后，可以根据技能标签与各目标员工的绩效信息，得到在各岗位掌握各技能标签下的技能与绩效的关联程度，并生成各岗位的岗位画像。
在本申请实施例中，为表述方便，将以前端开发工程师为目标岗位对本申请实施例提供的岗位画像生成方法及装置进行示例说明。获取前端开发工程师的某一目标员工的简历信息及绩效信息如下：
历史岗位：测试工程师，历史岗位任职时间及主要工作经验：两年，在linux操作系统中利用shell、Python、JavaScript等脚本语言进行测试；当前岗位：前端开发工程师，当前岗位任职时间及主要工作经验：第1年和第2年利用Vue进行框架搭建，利用JavaScript对前端系统进行开发，第3年对CSS/JavaScript性能优化，解决多浏览器兼容性问题。第一年绩效信息：前70％，第二年绩效信息：前50％，第三年绩效信息：前20％。
通过命名实体识别模型输出目标员工对应的各目标技能关键词以及各目标技能关键词所属的技能分类，确定前端开发工程师岗位的员工1的目标技能关键词及分类为：shell测试(后端开发类)，Python测试(后端开发类)，JavaScript测试(后端开发类)，Vue开发(前端开发类)，JavaScript开发(前端开发类)，CSS开发(前端开发类)。基于上述目标技能关键词从技能知识图谱中确定出所述各目标技能关键词对应的技能标签，以得到各目标员工的技能标签。其中，知识图谱是一种揭示实体之间关系的语义网络，技能知识图谱是一种揭示技能之间关系的语义网络，技能知识图谱可以是表示技能关系的树状图，也可以是其他类型的可以揭示技能之间的关系的模型、图形、图谱等网络结构。得到员工1的各技能关键词对应的技能标签：shell测试对应的标签为Linux测试，Python测试对应的标签为Linux测试，JavaScript测试对应的标签为Linux测试，Vue对应的标签为框架开发，JavaScript开发对应的标签为JavaScript开发，CSS开发对应的标签为Web开发。基于各目标员工的绩效信息及各目标员工的技能标签得到Linux测试1年对应的绩效占比为5％，Linux测试2年对应的绩效占比为5％；框架开发1年对应的绩效占比为15％，框架开发2年对应的绩效占比为20％；JavaScript开发1年对应的绩效占比为30％，JavaScript开发2年对应的绩效占比为40％，JavaScript开发3年对应的绩效占比为50％；Web开发对应的绩效占比为50％。从而生成前端开发工程师的岗位画像为：JavaScript开发(3年及以上)、Web开发(2年及以上)、框架开发(无经历年限要求)。
请参阅图1，图1是本申请实施例提供的岗位画像生成方法的一流程示意图。本申请实施例提供的方法可包括获取目标岗位的各目标员工的简历信息及绩效信息；将各目标员工的简历信息输入命名实体识别模型，输出各目标员工对应的各目标技能关键词以及该目标技能关键词所属的技能分类，并从技能知识图谱中确定出各目标技能关键词对应的技能标签；从而得到各目标员工的技能标签，并结合各目标员工的绩效信息生成目标岗位的岗位画像。为方便描述，下面将以生成前端开发工程师的岗位画像为例，对本申请实施例提供的方法进行说明。
本申请实施例提供的方法可包括如下步骤：
S101：获取目标岗位的各目标员工的简历信息及绩效信息。
在一些可行的实施方式中，获取目标岗位的各目标员工的简历信息及绩效信息可以是在员工的工作统计系统中采集目标岗位的各目标员工的简历信息，以及各目标员工的绩效信息。其中，目标员工包括目标岗位的在职员工以及曾就职于目标岗位的历史员工，简历信息包括员工技能、历史岗位、历史任职时间以及在目标岗位的任职时间中的至少一种。获取前端开发工程师的员工的简历信息以及绩效信息，得到员工1的简历信息及绩效信息，包括员工1的历史岗位：测试工程师，历史岗位任职时间及主要工作经验：两年，在linux操作系统中利用shell、Python、JavaScript等脚本语言进行测试，当前岗位：前端开发工程师，当前岗位任职时间及主要工作经验：第1年和第2年利用Vue进行框架搭建，利用JavaScript对前端系统进行开发，第3年对CSS/JavaScript性能优化，解决多浏览器兼容性问题。第一年绩效信息：前70％，第二年绩效信息：前50％，第三年绩效信息：前20％。员工2的简历信息及绩效信息，包括员工2的历史岗位：前端Web开发工程师，历史岗位任职时间及主要工作经验：三年，精通React技术进行前端框架开发，熟练使用HTML5以及JavaScript对Web前端进行开发，当前岗位：前端开发工程师，当前岗位任职时间及主要工作经验：一年，利用Vue进行框架搭建，利用JavaScript对前端系统进行开发。第一年绩效信息：前30％。其中，历史岗位可以包括多个历史岗位，如历史岗位1和历史岗位2等等。具体可根据实际应用场景确定，在此不做限制。
S102：通过命名实体识别模型输出各目标员工对应的各目标技能关键词以及各目标技能关键词所属的技能分类。
在一些可行的实施方式中，请一并参阅图2，图2是本申请实施例提供的命名实体识别模型的构建流程示意图。上述命名实体识别模型的构建流程可包括如下步骤S201至S203中各个步骤所提供的实现方式。
S201：在员工的工作统计系统中采集多个岗位员工的样本信息。
在一些可行的实施方式中，在员工的工作统计系统中采集多个岗位的员工的样本信息。得到测试工程师员工3的样本信息：在linux操作系统中利用Python、JavaScript等脚本语言进行测试。前端Web开发工程师员工4的样本信息：精通React技术进行前端框架开发，熟练使用HTML5以及JavaScript对Web前端进行开发。前端开发工程师员工5的样本信息：利用Vue进行框架搭建，利用Java对前端系统进行测试，对CSS/JavaScript性能优化，解决多浏览器兼容性问题。前端开发工程师员工6的样本信息：利用Vue进行框架搭建，利用JavaScript对前端系统进行开发。
在一些可行的实施方式中，在员工的工作统计系统中采集多个岗位的员工的样本信息可以包括各岗位的在职员工，也可以包括曾就职于各岗位的历史员工，具体可根据实际应用场景确定，在此不做限制。
S202：对各样本信息中的技能信息以及各技能信息所属技能分类进行标注。
在一些可行的实施方式中，技能分类可以包括：后端开发、前端开发、大数据与人工智能、软件测试、系统运维、其他几大类别。按照技能分类对各样本信息中的技能信息以及技能信息所属的技能分类进行标注，可以得到标注后的各岗位员工的样本信息。标注后的后端运维工程师员工3的样本信息：JavaScript测试(后端开发类)，Python测试(后端开发类)。标注后的前端Web开发工程师员工4的样本信息：React开发(前端开发类)，HTML5开发(前端开发类)，JavaScript开发(前端开发类)。标注后的前端开发工程师员工5的样本信息：Vue开发(前端开发类)，JavaScript测试(前端开发类)，CSS开发(前端开发类)。标注后的前端开发工程师原6的样本信息：Vue开发(前端开发类)，JavaScript开发(前端开发类)。具体可根据实际应用场景确定，在此不做限制。
S203：利用标注后的各岗位员工的样本信息对命名实体识别模型进行训练。
在一些可行的实施方式中，可以利用Bilstm算法或者双向编码表示(Bidirectional Encoder Representations from Transformers，Bert)算法等具有语义识别功能的算法构建语义识别层，利用条件随机场(Conditional Random Field，CRF)算法构建文本标注层，进而利用语义识别层和文本标注层共同构建命名实体识别模型。其中，语义识别层用于对输入的文本进行语义识别，文本标注层用于对语义识别层识别出的文本进行标注。可以利用标注后的各岗位员工的样本信息对命名实体识别模型进行训练，使得训练后的命名实体识别模型可以根据目标员工的简历信息将不同技能类别中关键词相同的技能加以区分。例如后端开发中的“JavaScript测试”和前端开发中的“JavaScript测试”属于关键词相同但所属技能分类不同，训练后的命名实体识别模型可以通过识别员工的工作岗位中“后端运维工程师”得到员工技能中“JavaScript测试”的技能标签为“后端开发类”，从而得到该目标技能关键词“JavaScript测试”及目标技能关键词对应的技能分类“后端开发类”。
此外，训练后的命名实体识别模型可以根据目标员工的简历信息将识别出新型或并不常见的技能关键词，并对其进行技能分类。目标员工的简历信息中有工作岗位“前端开发工程师”，而“前端开发工程师”的技能关键词中有“Vue开发”，则可以将简历信息中的“Vue.js”识别为技能关键词，以及得到该技能关键词对应的技能分类“前端开发类”。
S103：从技能知识图谱中确定出所述各目标技能关键词对应的技能标签以得到各目标员工的技能标签。
在一些可行的实施方式中，可以通过命名实体识别得到员工的技能关键词，并在技能知识图谱中确定相应的技能标签。其中，员工1的技能关键词包括：shell测试(后端开发类)，Python测试(后端开发类)，JavaScript测试(后端开发类)，Vue开发(前端开发类)，JavaScript开发(前端开发类)，CSS开发(前端开发类)。员工2的技能关键词包括：React开发(前端开发类)，HTML5开发(前端开发类)，JavaScript开发(前端开发类)，Vue开发(前端开发类)。技能知识图谱具体如图3所示，图3是本申请实施例提供的技能知识图谱的部分结构示意图。由于技能关键词在对岗位进行描述时有时过于细致或者过于宽泛，故而可以利用知识图谱确定各技能关键词对应的技能标签，从而在合适的维度对各技能进行描述。可以在前端开发类和后端开发类的知识图谱中确定员工1的技能标签为：Linux测试(2年)，框架开发(2年)，JavaScript开发(3年)，Web开发(1年)。员工2的技能标签为：框架开发(4年)，Web开发(3年)，JavaScript开发(4年)。
S104：基于各目标员工的绩效信息及各目标员工的技能标签生成目标岗位的岗位画像。
在一些可行的实施方式中，基于各目标员工的绩效信息及各目标员工的技能标签生成目标岗位的岗位画像。通过员工1的技能标签(Linux测试(2年)，框架开发(2年)，JavaScript开发(3年)，Web开发(1年)；员工1的绩效信息：第一年(前70％)，第二年(前50％)，第三年(前20％)；员工2的技能标签：框架开发(4年)，Web开发(3年)，JavaScript开发(4年)；以及员工2的绩效信息：第一年(前30％))可以得到Linux测试1年对应的绩效占比为5％，Linux测试2年对应的绩效占比为7％；框架开发1年对应的绩效占比为55％，框架开发2年对应的绩效占比为60％，框架开发3年对应的绩效占比为65％，框架开发4年对应的绩效占比为70％；JavaScript开发1年对应的绩效占比为20％，JavaScript开发2年对应的绩效占比为30％，JavaScript开发3年对应的绩效占比为50％，JavaScript开发4年对应的绩效占比为60％；Web开发1年对应的绩效占比为40％，Web开发2年对应的绩效占比为58％，Web开发3年对应的绩效占比为68％。从而生成前端开发工程师的岗位画像为：JavaScript开发(3年及以上)、Web开发(2年及以上)、框架开发(1年及以上)。
在本申请实施例中，通过将各目标员工的简历信息输入命名实体识别模型，进而可以得到各目标员工对应的目标技能关键词，以及各目标技能关键词所属的技能分类。可以初步建立目标岗位与目标技能关键词的关联，也可以通过命名实体识别模型在现有的技能关键词的基础上从各目标原的简历信息中识别出与目标岗位有关的新的技能关键词作为目标技能关键词。基于各目标员工的各目标技能关键词以及各目标技能关键词所属的技能分类在知识图谱中确定出目标员工的技能标签，可以更好地从标签维度刻画各目标员工所具备的技能，进而与各目标员工的绩效信息结合，生成目标岗位的岗位画像。可以从更合适的维度对目标岗位进行画像，既可以使得目标岗位画像更全面，减少岗位画像的主观性；又可以使得目标岗位画像的更精确，提高岗位画像的准确性，进而提高目标岗位招聘的效率。
请参阅图4，图4是本申请实施例提供的岗位画像生成方法的另一流程示意图。本申请实施例提供的另一种岗位画像生成方法可包括如下步骤：
S301：获取目标岗位的各目标员工的简历信息及绩效信息。
在一些可行的实施方式中，获取目标岗位的各目标员工的简历信息及绩效信息可以是在员工的工作统计系统中采集目标岗位的各目标员工的简历信息，以及各目标员工的绩效信息。其中，目标员工包括目标岗位的在职员工以及曾就职于目标岗位的历史员工，简历信息包括员工技能、历史岗位、历史任职时间以及在目标岗位的任职时间中的至少一种。获取前端开发工程师的员工的简历信息以及绩效信息，得到员工1的简历信息及绩效信息，包括员工1的历史岗位：测试工程师，历史岗位任职时间及主要工作经验：两年，在linux操作系统中利用shell、Python、JavaScript等脚本语言进行测试，当前岗位：前端开发工程师，当前岗位任职时间及主要工作经验：第1年和第2年利用Vue进行框架搭建，利用JavaScript对前端系统进行开发，第3年对CSS/JavaScript性能优化，解决多浏览器兼容性问题，第一年绩效信息：前70％，第二年绩效信息：前50％，第三年绩效信息：前20％。员工2的简历信息及绩效信息，包括员工2的历史岗位：前端Web开发工程师，历史岗位任职时间及主要工作经验：三年，精通React技术进行前端框架开发，熟练使用HTML5以及JavaScript对Web前端进行开发，当前岗位：前端开发工程师，当前岗位任职时间及主要工作经验：一年，利用Vue进行框架搭建，利用JavaScript对前端系统进行开发，第一年绩效信息：前30％。其中，历史岗位可以包括多个历史岗位，如历史岗位1和历史岗位2等等。具体可根据实际应用场景确定，在此不做限制。
S302：通过命名实体识别模型输出各目标员工对应的各目标技能关键词以及各目标技能关键词所属的技能分类。
在一些可行的实施方式中，技能分类可以包括：后端开发、前端开发、大数据与人工智能、软件测试、系统运维、其他几大类别。
在一些可行的实施方式中，可以利用Bilstm算法或者Bert算法等具有语义识别功能的算法构建语义识别层，利用CRF算法构建文本标注层，进而利用语义识别层和文本标注层共同构建命名实体识别模型。其中，语义识别层用于对输入的文本进行语义识别，文本标注层用于对语义识别层识别出的文本进行标注。将员工1和员工2的简历信息输入命名实体识别模型，通过Bilstm+CRF算法构建的命名实体识别模型得到员工1和员工2的技能关键词。员工1的技能关键词包括：shell测试(后端开发类)，Python测试(后端开发类)，JavaScript测试(后端开发类)，Vue开发(前端开发类)，JavaScript开发(前端开发类)，CSS开发(前端开发类)。员工2的技能关键词包括：React开发(前端开发类)，HTML5开发(前端开发类)，JavaScript开发(前端开发类)，Vue开发(前端开发类)。
S303：根据各目标技能关键词所属的技能分类从技能知识图谱中确定出目标技能节点集合。
在一些可行的实施方式中，可以通过从员工的工作统计系统或者互联网中获取不同岗位员工的技能信息，技术信息中包括多种技能分类下的多种标准技能信息、各标准技能信息之间的连接关系、以及各标准技能信息在对应技能分类下的出现概率。根据各标准技能信息、各标准技能信息之间的连接关系、以及各标准技能信息在对应技能分类下的出现概率，生成多种技能分类下的技能节点、各技能节点之间的连接关系、以及各技能节点在对应技能分类下的节点权重构建技能知识图谱。具体如图3所示，图3是本申请实施例提供的技能知识图谱的部分结构示意图。各节点表示在相应的技能分类下进行细化的分支技能的名称，对于同一分类下的任意两个技能节点而言，利用这两个技能节点的技能实现的功能相同或者相似，则可以将两个技能节点进行直接或者间接的连接。如图3所示，技能知识图谱中左侧是“后端开发”分类的技能节点的技能知识图谱，在“后端开发”技能节点下包括“Linux测试”等技能节点，在“Linux测试”节点下包括“Shell测试”、“Python测试”以及“JavaScript测试”等技能节点。技能知识图谱中右侧是“前端开发”分类的技能节点的技能知识图谱，在“前端开发”技能节点下包括“框架开发”、“Web开发”以及“JavaScript开发”等技能节点，在“框架开发”节点下包括“Vue开发”等技能节点，在“Web开发”节点下包括“HTML5开发”、“HTML开发”以及“XML开发”等技能节点，而在“HTML5开发”、“HTML开发”以及“XML开发”等技能节点下都包括“CSS开发”这个技能节点。
在一些可行的实施方式中，由于技能关键词在对岗位进行描述时有时过于细致或者过于宽泛，故而可以根据各目标技能关键词所属的技能分类，进而从技能知识图谱中确定出目标技能节点集合。对于所属分类为“前端开发类”的目标技能关键词“CSS开发”，将其对应到技能知识图谱中“前端开发”的分类下，得到由“HTML开发”、“HTML5开发”以及“XML开发”等目标技能节点组成的集合。
S304：根据各目标技能关键词从目标技能节点集合中确定出各目标技能关键词对应的目标技能节点，并将各目标技能关键词对应的目标技能节点的技能标签确定为各目标技能关键词对应的技能标签以得到各目标员工的技能标签。
在一些可行的实施方式中，根据各目标技能关键词从目标技能节点集合中确定出各目标技能关键词对应的目标技能节点之后，可以基于各目标技能关键词对应的目标技能节点，确定各目标技能节点的链接节点、各目标技能节点的节点权重以及各目标技能节点的链接节点的节点权重。当任一目标技能关键词对应的任一目标技能节点的节点权重在阈值范围内时，将任一目标技能节点的名称确定为任一目标技能节点的技能标签；和/或将任一目标技能节点的链接节点中节点权重在阈值范围内的链接节点的名称确定为任一目标技能节点的技能标签。例如，对于技能关键词“CSS开发”得到由“HTML开发”、“HTML5开发”以及“XML开发”等目标技能节点组成的集合之后，可以计算目标技能节点组成的集合中各技能节点与“CSS开发”的相似度并进行排序筛选，得到相似度最大的技能节点“HTML开发”作为目标技能节点。进而在技能知识图谱中得到“HTML开发”的链接节点“Web开发”、“HTML5开发”和“XML开发”，以及各链接节点的节点权重“HTML开发(58％)”、“Web开发(65％)”、“HTML5开发(55％)”和“XML开发(40％)”。根据目标岗位对岗位技能要求的细化程度确定节点权重阈值范围，例如对前端开发岗中的前端开发工程师，则可以将节点权重阈值设置为“60％-70％”，得到“CSS开发”的技能标签为“Web开发”。类似地，可以在前端开发类和后端开发类的知识图谱中确定员工1的技能标签为：Linux测试(2年)，框架开发(2年)，JavaScript开发(3年)，Web开发(1年)。员工2的技能标签为：框架开发(4年)，Web开发(3年)，JavaScript开发(4年)。可以理解的是，在技能知识图谱中，目标技能节点的链接节点既包括与目标技能节点直接连接的节点，也包括与目标技能节点间接连接(通过其他节点链接)的节点。节点权重用于描述该节点在技能知识图谱中分类刻画的细腻程度，可以按需选取合适的节点权重阈值对目标技能节点的技能标签进行确定。
S305：基于各目标员工的绩效信息及各目标员工的技能标签生成目标岗位的岗位画像。
在一些可行的实施方式中，可以基于各目标员工的绩效信息及各目标员工的技能标签确定各技能标签对应的绩效权重，将各技能标签中绩效权重大于阈值的技能标签确定为目标岗位的岗位标签，并根据目标岗位的岗位标签生成目标岗位的岗位画像。通过员工1和员工2的绩效信息及员工1和员工2的技能标签生成目标岗位的岗位画像。其中，员工1的技能标签包括：Linux测试(2年)，框架开发(2年)，JavaScript开发(3年)，Web开发(1年)。员工1的绩效信息包括：第一年(前70％)，第二年(前50％)，第三年(前20％)。员工2的技能标签包括：框架开发(4年)，Web开发(3年)，JavaScript开发(4年)。员工2的绩效信息包括：第一年(前30％)。得到Linux测试1年对应的绩效占比为5％，Linux测试2年对应的绩效占比为7％；框架开发1年对应的绩效占比为55％，框架开发2年对应的绩效占比为60％，框架开发3年对应的绩效占比为65％，框架开发4年对应的绩效占比为70％；JavaScript开发1年对应的绩效占比为20％，JavaScript开发2年对应的绩效占比为30％，JavaScript开发3年对应的绩效占比为50％，JavaScript开发4年对应的绩效占比为60％；Web开发1年对应的绩效占比为40％，Web开发2年对应的绩效占比为58％，Web开发3年对应的绩效占比为68％。从而生成前端开发工程师的岗位画像为：JavaScript开发(3年及以上)、Web开发(2年及以上)、框架开发(1年及以上)。
在本申请实施例中，通过将各目标员工的简历信息输入命名实体识别模型，进而可以得到各目标员工对应的目标技能关键词，以及各目标技能关键词所属的技能分类。可以初步建立目标岗位与目标技能关键词的关联，也可以通过命名实体识别模型在现有的技能关键词的基础上从各目标原的简历信息中识别出与目标岗位有关的新的技能关键词作为目标技能关键词。基于各目标员工的各目标技能关键词以及各目标技能关键词所属的技能分类在知识图谱中确定出目标员工的技能标签，可以更好地从标签维度刻画各目标员工所具备的技能，进而与各目标员工的绩效信息结合，生成目标岗位的岗位画像。可以从更合适的维度对目标岗位进行画像，既可以使得目标岗位画像更全面，减少岗位画像的主观性；又可以使得目标岗位画像的更精确，提高岗位画像的准确性，进而提高目标岗位招聘的效率。
请参阅图5，图5是本申请实施例提供的岗位画像生成装置的结构示意图。
信息获取模块401，用于获取目标岗位的各目标员工的简历信息及绩效信息。
在一些可行的实施方式中，获取目标岗位的各目标员工的简历信息及绩效信息可以是在员工的工作统计系统中采集目标岗位的各目标员工的简历信息，以及各目标员工的绩效信息。其中，目标员工包括目标岗位的在职员工以及曾就职于目标岗位的历史员工，简历信息包括员工技能、历史岗位、历史任职时间以及在目标岗位的任职时间中的至少一种。获取前端开发工程师的员工的简历信息以及绩效信息，得到员工1的简历信息及绩效信息，包括员工1的历史岗位：测试工程师，历史岗位任职时间及主要工作经验：两年，在linux操作系统中利用shell、Python、JavaScript等脚本语言进行测试，当前岗位：前端开发工程师，当前岗位任职时间及主要工作经验：第1年和第2年利用Vue进行框架搭建，利用JavaScript对前端系统进行开发，第3年对CSS/JavaScript性能优化，解决多浏览器兼容性问题，第一年绩效信息：前70％，第二年绩效信息：前50％，第三年绩效信息：前20％。员工2的简历信息及绩效信息，包括员工2的历史岗位：前端Web开发工程师，历史岗位任职时间及主要工作经验：三年，精通React技术进行前端框架开发，熟练使用HTML5以及JavaScript对Web前端进行开发，当前岗位：前端开发工程师，当前岗位任职时间及主要工作经验：一年，利用Vue进行框架搭建，利用JavaScript对前端系统进行开发，第一年绩效信息：前30％。其中，历史岗位可以包括多个历史岗位，如历史岗位1和历史岗位2等等。具体可根据实际应用场景确定，在此不做限制。
关键词提取模块402，用于将各目标员工的简历信息输入命名实体识别模型，通过命名实体识别模型输出各目标员工对应的各目标技能关键词以及各目标技能关键词所属的技能分类。
在一些可行的实施方式中，技能分类可以包括：后端开发、前端开发、大数据与人工智能、软件测试、系统运维、其他几大类别。
在一些可行的实施方式中，可以利用Bilstm算法或者双向编码表示(Bidirectional Encoder Representations from Transformers，Bert)算法等具有语义识别功能的算法构建语义识别层，利用条件随机场(Conditional Random Field，CRF)算法构建文本标注层，进而利用语义识别层和文本标注层共同构建命名实体识别模型。其中，语义识别层用于对输入的文本进行语义识别，文本标注层用于对语义识别层识别出的文本进行标注。将员工1和员工2的简历信息输入命名实体识别模型，通过Bilstm+CRF算法构建的命名实体识别模型得到员工1和员工2的技能关键词。员工1的技能关键词包括：shell测试(后端开发类)，Python测试(后端开发类)，JavaScript测试(后端开发类)，Vue开发(前端开发类)，JavaScript开发(前端开发类)，CSS开发(前端开发类)。员工2的技能关键词包括：React开发(前端开发类)，HTML5开发(前端开发类)，JavaScript开发(前端开发类)，Vue开发(前端开发类)。
标签生成模块403，用于根据各目标技能关键词以及各目标技能关键词所属的技能分类，从技能知识图谱中确定出各目标技能关键词对应的技能标签以得到各目标员工的技能标签。
由于技能关键词在对岗位进行描述时有时过于细致或者过于宽泛，故而可以利用知识图谱确定各技能关键词对应的技能标签，从而在合适的维度对各技能进行描述，可以在前端开发类和后端开发类的知识图谱中确定员工1和员工2的技能标签。员工1的技能标签为：Linux测试(2年)，框架开发(2年)，JavaScript开发(3年)，Web开发(1年)。员工2的技能标签为：框架开发(4年)，Web开发(3年)，JavaScript开发(4年)。
画像生成模块404，用于基于各目标员工的绩效信息及各目标员工的技能标签生成目标岗位的岗位画像。
在一些可行的实施方式中，通过员工1和员工2的绩效信息及员工1和员工2的技能标签生成目标岗位的岗位画像。其中，员工1的技能标签包括：Linux测试(2年)，框架开发(2年)，JavaScript开发(3年)，Web开发(1年)。员工1的绩效信息包括：第一年(前70％)，第二年(前50％)，第三年(前20％)。员工2的技能标签包括：框架开发(4年)，Web开发(3年)，JavaScript开发(4年)。员工2的绩效信息包括：第一年(前30％)。得到Linux测试1年对应的绩效占比为5％，Linux测试2年对应的绩效占比为7％；框架开发1年对应的绩效占比为55％，框架开发2年对应的绩效占比为60％，框架开发3年对应的绩效占比为65％，框架开发4年对应的绩效占比为70％；JavaScript开发1年对应的绩效占比为20％，JavaScript开发2年对应的绩效占比为30％，JavaScript开发3年对应的绩效占比为50％，JavaScript开发4年对应的绩效占比为60％；Web开发1年对应的绩效占比为40％，Web开发2年对应的绩效占比为58％，Web开发3年对应的绩效占比为68％。从而生成前端开发工程师的岗位画像为：JavaScript开发(3年及以上)、Web开发(2年及以上)、框架开发(1年及以上)。
在本申请实施例中，通过将各目标员工的简历信息输入命名实体识别模型，进而可以得到各目标员工对应的目标技能关键词，以及各目标技能关键词所属的技能分类。可以初步建立目标岗位与目标技能关键词的关联，也可以通过命名实体识别模型在现有的技能关键词的基础上从各目标原的简历信息中识别出与目标岗位有关的新的技能关键词作为目标技能关键词。基于各目标员工的各目标技能关键词以及各目标技能关键词所属的技能分类在知识图谱中确定出目标员工的技能标签，可以更好地从标签维度刻画各目标员工所具备的技能，进而与各目标员工的绩效信息结合，生成目标岗位的岗位画像。可以从更合适的维度对目标岗位进行画像，既可以使得目标岗位画像更全面，减少岗位画像的主观性；又可以使得目标岗位画像的更精确，提高岗位画像的准确性，进而提高目标岗位招聘的效率。
参见图6，图6是本申请实施例提供的终端设备的结构示意图。如图6所示，本实施例中的终端设备可以包括：一个或多个处理器501和存储器502。上述处理器501和存储器502通过总线503连接。存储器502用于存储计算机程序，该计算机程序包括程序指令，处理器501用于执行存储器502存储的程序指令，执行如下操作：
获取目标岗位的各目标员工的简历信息及绩效信息；
将各目标员工的简历信息输入命名实体识别模型，通过命名实体识别模型输出各目标员工对应的各目标技能关键词以及各目标技能关键词所属的技能分类；
根据各目标技能关键词以及各目标技能关键词所属的技能分类，从技能知识图谱中确定出各目标技能关键词对应的技能标签以得到各目标员工的技能标签；
基于各目标员工的绩效信息及各目标员工的技能标签生成目标岗位的岗位画像。
在一些可行的实施方式中，上述处理器501还用于：
根据上述各目标技能关键词所属的技能分类，从技能知识图谱中确定出目标技能节点集合，并根据上述各目标技能关键词从上述目标技能节点集合中确定出上述各目标技能关键词对应的目标技能节点；
将上述各目标技能关键词对应的目标技能节点的技能标签确定为上述各目标技能关键词对应的技能标签。
在一些可行的实施方式中，上述处理器501用于：
对上述各目标技能关键词进行语义分析以得到上述各目标技能关键词与上述目标技能节点集合中各技能节点的相似度；
将上述目标技能节点集合中与任一目标技能关键词的相似度最大的技能节点确定为上述任一目标技能关键词对应的目标技能节点，以得到上述各目标技能关键词对应的目标技能节点。
在一些可行的实施方式中，上述处理器501用于：
从员工的工作统计系统或者互联网中获取不同岗位员工的技能信息，上述技术信息中包括多种技能分类下的多种标准技能信息、各标准技能信息之间的连接关系、以及各标准技能信息在对应技能分类下的出现概率；
根据各标准技能信息、各标准技能信息之间的连接关系、以及各标准技能信息在对应技能分类下的出现概率，得到多种技能分类下的技能节点、各技能节点之间的连接关系、以及各技能节点在对应技能分类下的节点权重以构建上述技能知识图谱。
在一些可行的实施方式中，上述处理器501用于：
基于上述各目标技能关键词对应的目标技能节点，确定各目标技能节点的链接节点、各目标技能节点的节点权重以及各目标技能节点的链接节点的节点权重；
当任一目标技能关键词对应的任一目标技能节点的节点权重在阈值范围内时，将上述任一目标技能节点的名称确定为上述任一目标技能节点的技能标签；和/或
将上述任一目标技能节点的链接节点中节点权重在上述阈值范围内的链接节点的名称确定为上述任一目标技能节点的技能标签。。
在一些可行的实施方式中，上述处理器501用于：
基于上述各目标员工的绩效信息及上述各目标员工的技能标签确定各技能标签对应的绩效权重；
将上述各技能标签中绩效权重大于阈值的技能标签确定为上述目标岗位的岗位标签；
根据上述目标岗位的岗位标签生成上述目标岗位的岗位画像。
在一些可行的实施方式中，上述处理器501用于：
在员工的工作统计系统中采集目标岗位的各目标员工的简历信息，以及上述各目标员工的绩效信息；
其中，上述目标员工包括上述目标岗位的在职员工以及曾就职于上述目标岗位的历史员工，上述简历信息包括员工技能、历史岗位、历史任职时间以及在目标岗位的任职时间中的至少一种。
在一些可行的实施方式中，上述处理器501用于：
在员工的工作统计系统中采集多个岗位员工的样本信息，上述样本信息包括多个技能信息以及各技能信息所属技能分类；
利用上述多个岗位员工的样本信息构建上述命名实体识别模型。
在一些可行的实施方式中，上述处理器501可以是中央处理单元(centralprocessing unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(digitalsignal processor，DSP)、专用集成电路(application specific integrated circuit，ASIC)、现成可编程门阵列(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、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
该存储器502可以包括只读存储器和随机存取存储器，并向处理器501提供指令和数据。存储器502的一部分还可以包括非易失性随机存取存储器。存储器502还可以存储设备类型的信息。
具体实现中，上述终端设备可通过其内置的各个功能模块执行如上述图1、图2以及图4中各个步骤所提供的实现方式，具体可参见上述各个步骤所提供的实现方式，在此不再赘述。
在本申请实施例中，通过将各目标员工的简历信息输入命名实体识别模型，进而可以得到各目标员工对应的目标技能关键词，以及各目标技能关键词所属的技能分类。可以初步建立目标岗位与目标技能关键词的关联，也可以通过命名实体识别模型在现有的技能关键词的基础上从各目标原的简历信息中识别出与目标岗位有关的新的技能关键词作为目标技能关键词。基于各目标员工的各目标技能关键词以及各目标技能关键词所属的技能分类在知识图谱中确定出目标员工的技能标签，可以更好地从标签维度刻画各目标员工所具备的技能，进而与各目标员工的绩效信息结合，生成目标岗位的岗位画像。可以从更合适的维度对目标岗位进行画像，既可以使得目标岗位画像更全面，减少岗位画像的主观性；又可以使得目标岗位画像的更精确，提高岗位画像的准确性。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序包括程序指令，该程序指令被处理器执行时实现图1、图2以及图4中各个步骤所提供的岗位画像生成方法，具体可参见上述各个步骤所提供的实现方式，在此不再赘述。
上述计算机可读存储介质可以是前述任一实施例提供的基于预测模型的用户行为识别装置或者上述终端设备的内部存储单元，例如电子设备的硬盘或内存。该计算机可读存储介质也可以是该电子设备的外部存储设备，例如该电子设备上配备的插接式硬盘，智能存储卡(smart media card,SMC)，安全数字(secure digital,SD)卡，闪存卡(flashcard)等。进一步地，该计算机可读存储介质还可以既包括该电子设备的内部存储单元也包括外部存储设备。该计算机可读存储介质用于存储该计算机程序以及该电子设备所需的其他程序和数据。该计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本申请的权利要求书和说明书及附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置展示该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
本申请实施例提供的方法及相关装置是参照本申请实施例提供的方法流程图和/或结构示意图来描述的，具体可由计算机程序指令实现方法流程图和/或结构示意图的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。这些计算机程序指令可提供到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或结构示意图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或结构示意图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或结构示意一个方框或多个方框中指定的功能的步骤。

Claims (10)

1.一种岗位画像生成方法，其特征在于，所述方法包括：
获取目标岗位的各目标员工的简历信息及绩效信息；
将所述各目标员工的简历信息输入命名实体识别模型，通过所述命名实体识别模型输出所述各目标员工对应的各目标技能关键词以及所述各目标技能关键词所属的技能分类；
根据所述各目标技能关键词以及所述各目标技能关键词所属的技能分类，从技能知识图谱中确定出所述各目标技能关键词对应的技能标签以得到所述各目标员工的技能标签；
基于所述各目标员工的绩效信息及所述各目标员工的技能标签生成所述目标岗位的岗位画像。
2.根据权利要求1所述的方法，所述根据所述各目标技能关键词以及所述各目标技能关键词所属的技能分类，从技能知识图谱中确定出所述各目标技能关键词对应的技能标签，包括：
根据所述各目标技能关键词所属的技能分类从技能知识图谱中确定出目标技能节点集合，并根据所述各目标技能关键词从所述目标技能节点集合中确定出所述各目标技能关键词对应的目标技能节点；
将所述各目标技能关键词对应的目标技能节点的技能标签确定为所述各目标技能关键词对应的技能标签。
3.根据权利要求2所述的方法，其特征在于，所述根据所述各目标技能关键词从所述目标技能节点集合中确定出所述各目标技能关键词对应的目标技能节点，包括：
对所述各目标技能关键词进行语义分析以得到所述各目标技能关键词与所述目标技能节点集合中各技能节点的相似度；
将所述目标技能节点集合中与任一目标技能关键词的相似度最大的技能节点确定为所述任一目标技能关键词对应的目标技能节点，以得到所述各目标技能关键词对应的目标技能节点。
4.根据权利要求2所述的方法，其特征在于，所述方法还包括：
从员工的工作统计系统或者互联网中获取不同岗位员工的技能信息，所述技术信息中包括多种技能分类下的多种标准技能信息、各标准技能信息之间的连接关系、以及各标准技能信息在对应技能分类下的出现概率；
根据各标准技能信息、各标准技能信息之间的连接关系、以及各标准技能信息在对应技能分类下的出现概率，得到多种技能分类下的技能节点、各技能节点之间的连接关系、以及各技能节点在对应技能分类下的节点权重以构建所述技能知识图谱。
5.根据权利要求4所述的方法，其特征在于，所述根据所述各目标技能关键词从所述目标技能节点集合中确定出所述各目标技能关键词对应的目标技能节点之后，所述方法还包括：
基于所述各目标技能关键词对应的目标技能节点，确定各目标技能节点的链接节点、各目标技能节点的节点权重以及各目标技能节点的链接节点的节点权重；
当任一目标技能关键词对应的任一目标技能节点的节点权重在阈值范围内时，将所述任一目标技能节点的名称确定为所述任一目标技能节点的技能标签；和/或
将所述任一目标技能节点的链接节点中节点权重在所述阈值范围内的链接节点的名称确定为所述任一目标技能节点的技能标签。
6.根据权利要求1-5中任一项所述的方法，其特征在于，所述基于所述各目标员工的绩效信息及所述各目标员工的技能标签生成所述目标岗位的岗位画像，包括：
基于所述各目标员工的绩效信息及所述各目标员工的技能标签确定各技能标签对应的绩效权重；
将所述各技能标签中绩效权重大于阈值的技能标签确定为所述目标岗位的岗位标签；
根据所述目标岗位的岗位标签生成所述目标岗位的岗位画像。
7.根据权利要求1所述的方法，其特征在于，所述获取目标岗位的各目标员工的简历信息及绩效信息包括：
在员工的工作统计系统中采集目标岗位的各目标员工的简历信息，以及所述各目标员工的绩效信息；
其中，所述目标员工包括所述目标岗位的在职员工以及曾就职于所述目标岗位的历史员工，所述简历信息包括员工技能、历史岗位、历史任职时间以及在目标岗位的任职时间中的至少一种。
8.一种岗位画像生成装置，其特征在于，所述装置包括：
信息获取模块，用于获取目标岗位的各目标员工的简历信息及绩效信息；
关键词提取模块，用于将所述各目标员工的简历信息输入命名实体识别模型，通过所述命名实体识别模型输出所述各目标员工对应的各目标技能关键词以及所述各目标技能关键词所属的技能分类；
标签生成模块，用于根据所述各目标技能关键词以及所述各目标技能关键词所属的技能分类，从技能知识图谱中确定出所述各目标技能关键词对应的技能标签以得到所述各目标员工的技能标签；
画像生成模块，用于基于所述各目标员工的绩效信息及所述各目标员工的技能标签生成所述目标岗位的岗位画像。
9.一种终端设备，其特征在于，包括处理器和存储器，所述处理器和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1-7任一项所述的方法。
CN202011286200.XA 2020-11-17 2020-11-17 岗位画像生成方法、装置、设备及存储介质 Pending CN112364133A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011286200.XA CN112364133A (zh) 2020-11-17 2020-11-17 岗位画像生成方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011286200.XA CN112364133A (zh) 2020-11-17 2020-11-17 岗位画像生成方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN112364133A true CN112364133A (zh) 2021-02-12

Family

ID=74515061

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011286200.XA Pending CN112364133A (zh) 2020-11-17 2020-11-17 岗位画像生成方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112364133A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113191700A (zh) * 2021-07-01 2021-07-30 成都飞机工业（集团）有限责任公司 一种用于企业内部的专业技术员工画像构建方法
CN113239283A (zh) * 2021-07-09 2021-08-10 国能大渡河大数据服务有限公司 一种基于多维度的岗位匹配度计算方法及系统
CN113282683A (zh) * 2021-05-21 2021-08-20 青岛海尔科技有限公司 设备画像的确定方法、装置、存储介质及电子装置
CN113434687A (zh) * 2021-07-22 2021-09-24 高向咨询(深圳)有限公司 自动简历查找方法、自动招聘系统、计算机存储介质
CN113570322A (zh) * 2021-05-14 2021-10-29 南京奥派信息产业股份公司 面向高职学生的职业测评方法及装置
CN113688607A (zh) * 2021-08-02 2021-11-23 北京明略软件系统有限公司 在线文档作者的画像更新方法及装置
CN114819924A (zh) * 2022-06-28 2022-07-29 杭银消费金融股份有限公司 一种基于画像分析的企业信息推送处理方法及设备
CN116432965A (zh) * 2023-04-17 2023-07-14 北京正曦科技有限公司 基于知识图谱的岗位能力分析方法及树状图生成方法
CN116993312A (zh) * 2023-06-02 2023-11-03 广州红海云计算股份有限公司 人力资源管理方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103714413A (zh) * 2013-11-21 2014-04-09 清华大学 基于职位信息构建素质模型的系统与方法
US20180268373A1 (en) * 2017-03-17 2018-09-20 International Business Machines Corporation System and method for determining key professional skills and personality traits for a job
CN110119877A (zh) * 2019-04-04 2019-08-13 平安科技（深圳）有限公司 一种目标员工的选取方法及设备
CN110162754A (zh) * 2019-04-11 2019-08-23 平安科技（深圳）有限公司 一种岗位描述文档的生成方法及设备
CN110619506A (zh) * 2019-08-13 2019-12-27 平安科技（深圳）有限公司 一种岗位画像生成方法、岗位画像生成装置及电子设备
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

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103714413A (zh) * 2013-11-21 2014-04-09 清华大学 基于职位信息构建素质模型的系统与方法
US20180268373A1 (en) * 2017-03-17 2018-09-20 International Business Machines Corporation System and method for determining key professional skills and personality traits for a job
CN110119877A (zh) * 2019-04-04 2019-08-13 平安科技（深圳）有限公司 一种目标员工的选取方法及设备
CN110162754A (zh) * 2019-04-11 2019-08-23 平安科技（深圳）有限公司 一种岗位描述文档的生成方法及设备
CN110619506A (zh) * 2019-08-13 2019-12-27 平安科技（深圳）有限公司 一种岗位画像生成方法、岗位画像生成装置及电子设备
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

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113570322A (zh) * 2021-05-14 2021-10-29 南京奥派信息产业股份公司 面向高职学生的职业测评方法及装置
CN113282683A (zh) * 2021-05-21 2021-08-20 青岛海尔科技有限公司 设备画像的确定方法、装置、存储介质及电子装置
CN113191700A (zh) * 2021-07-01 2021-07-30 成都飞机工业（集团）有限责任公司 一种用于企业内部的专业技术员工画像构建方法
CN113239283A (zh) * 2021-07-09 2021-08-10 国能大渡河大数据服务有限公司 一种基于多维度的岗位匹配度计算方法及系统
CN113239283B (zh) * 2021-07-09 2021-09-28 国能大渡河大数据服务有限公司 一种基于多维度的岗位匹配度计算方法及系统
CN113434687A (zh) * 2021-07-22 2021-09-24 高向咨询(深圳)有限公司 自动简历查找方法、自动招聘系统、计算机存储介质
CN113688607A (zh) * 2021-08-02 2021-11-23 北京明略软件系统有限公司 在线文档作者的画像更新方法及装置
CN114819924A (zh) * 2022-06-28 2022-07-29 杭银消费金融股份有限公司 一种基于画像分析的企业信息推送处理方法及设备
CN114819924B (zh) * 2022-06-28 2022-09-23 杭银消费金融股份有限公司 一种基于画像分析的企业信息推送处理方法及设备
CN116432965A (zh) * 2023-04-17 2023-07-14 北京正曦科技有限公司 基于知识图谱的岗位能力分析方法及树状图生成方法
CN116432965B (zh) * 2023-04-17 2024-03-22 北京正曦科技有限公司 基于知识图谱的岗位能力分析方法及树状图生成方法
CN116993312A (zh) * 2023-06-02 2023-11-03 广州红海云计算股份有限公司 人力资源管理方法及系统

Similar Documents

Publication Publication Date Title
CN112364133A (zh) 岗位画像生成方法、装置、设备及存储介质
CN108256074B (zh) 校验处理的方法、装置、电子设备和存储介质
CN111708938B (zh) 用于信息处理的方法、装置、电子设备和存储介质
CN111125343A (zh) 适用于人岗匹配推荐系统的文本解析方法及装置
CN111783016B (zh) 一种网站分类方法、装置及设备
CN112231431B (zh) 一种异常地址识别方法、设备和计算机可读存储介质
CN107391675A (zh) 用于生成结构化信息的方法和装置
CN113742733A (zh) 阅读理解漏洞事件触发词抽取和漏洞类型识别方法及装置
CN111428480A (zh) 简历识别方法、装置、设备及存储介质
CN115687643A (zh) 一种训练多模态信息抽取模型的方法及信息抽取方法
CN109800776A (zh) 素材标注方法、装置、终端和计算机可读存储介质
KR102553061B1 (ko) 인공지능을 이용한 홈페이지 레이아웃 제공 시스템 및 그 동작 방법
CN116561748A (zh) 一种组件子序列相关性感知的日志异常检测装置
CN116453125A (zh) 基于人工智能的数据录入方法、装置、设备及存储介质
CN111522750B (zh) 一种功能测试问题的处理方法及系统
CN115017894A (zh) 一种舆情风险识别方法及装置
CN111428724B (zh) 一种试卷手写统分方法、装置及存储介质
CN110309047B (zh) 一种测试点生成方法、装置及系统
CN113139033A (zh) 文本处理方法、装置、设备及存储介质
Joy et al. Automation of Material Takeoff using Computer Vision
CN112765444A (zh) 提取目标文本片段的方法、装置、设备及存储介质
US10120652B2 (en) System and method for representing software development requirements into standard diagrams
CN111612023A (zh) 一种分类模型构建方法及装置
CN117454987B (zh) 基于事件自动抽取的矿山事件知识图谱构建方法及装置
CN116485597B (zh) 基于岗位能力模型的标准化实训方法

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