CN112785282A - 简历推荐方法、装置、计算机系统和计算机可读存储介质 - Google Patents
简历推荐方法、装置、计算机系统和计算机可读存储介质 Download PDFInfo
- Publication number
- CN112785282A CN112785282A CN202110186797.9A CN202110186797A CN112785282A CN 112785282 A CN112785282 A CN 112785282A CN 202110186797 A CN202110186797 A CN 202110186797A CN 112785282 A CN112785282 A CN 112785282A
- Authority
- CN
- China
- Prior art keywords
- resume
- recommendation
- attribute
- dimension
- score
- 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 60
- 238000004590 computer program Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 10
- 238000012797 qualification Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 description 15
- 238000007726 management method Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 5
- 230000007115 recruitment Effects 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 108010001267 Protein Subunits Proteins 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance 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
- G06Q10/10—Office automation; Time management
- G06Q10/105—Human resources
- G06Q10/1053—Employment or hiring
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Economics (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开的实施例提供了一种简历推荐方法、装置、计算机系统、计算机可读存储介质和计算机程序产品,该简历推荐方法和装置可用于大数据、金融领域或其他领域,该简历推荐方法包括获取多个待处理的简历;按照推荐属性集中的推荐维度和与推荐维度对应的属性,对多个待处理的简历中的每个简历进行识别,得到每个简历的目标字段信息集;根据每个简历的目标字段信息集,每个推荐维度的第一预设权重,每个属性的第二预设权重和预设分值,确定每个简历的推荐值;以及将多个简历的推荐值输入简历推荐模型,输出简历推荐结果。
Description
技术领域
本公开涉及大数据、信息处理技术领域,更具体地,涉及一种简历推荐方法、装置、计算机系统、计算机可读存储介质和计算机程序产品。
背景技术
目前大型企业的信息化建设水平越来越高,在人力资源管理管理理念和投入力度上也逐步对向国际先进企业看齐,但是在人员录用方面缺乏智能化的应用支持,依然依赖于通过人工进行数据分析和利用主观判断来进行决策。
基于现有的方式,人工管理成本高,在简历筛选方面需投入大量的分析和沟通工作量;此外,因为个人评价风格和关注点差异,往往出现主观判断考虑不全面,造成录用的员工往往会受个人主观因素影响,进而间接加剧了人工管理成本的上升。
发明内容
有鉴于此,本公开提供了一种简历推荐方法、装置、计算机系统、计算机可读存储介质和计算机程序产品。
本公开的一个方面提供了一种简历推荐方法,包括:获取多个待处理的简历;按照推荐属性集中的推荐维度和与所述推荐维度对应的属性,对所述多个待处理的简历中的每个简历进行识别,得到每个所述简历的目标字段信息集,其中,每个所述推荐维度具有第一预设权重,每个所述属性具有第二预设权重和预设分值;根据每个所述简历的目标字段信息集,每个所述推荐维度的第一预设权重,每个所述属性的第二预设权重和预设分值,确定每个所述简历的推荐值;以及将多个所述简历的推荐值输入简历推荐模型,输出简历推荐结果。
根据本公开的实施例,还包括:
获取用于更新所述推荐属性集的自定义操作,其中,所述自定义操作用于更新所述推荐属性集中的推荐维度和/或与所述推荐维度对应的属性;以及
响应于所述自定义操作,更新所述推荐属性集。
根据本公开的实施例,还包括:预先训练得到所述简历推荐模型,其中,所述简历推荐模型的训练过程包括:
获取历史简历样本集;
将所述历史简历样本集分为训练样本集和测试样本集;
利用所述训练样本集训练初始简历推荐模型,得到经训练的初始简历推荐模型;以及
利用所述测试样本集对所述经训练的初始简历推荐模型进行测试,得到满足测试条件的简历推荐模型。
根据本公开的实施例,所述根据每个所述简历的目标字段信息集,每个所述推荐维度的第一预设权重,每个所述属性的第二预设权重和预设分值,确定每个所述简历的推荐值包括:
根据所述简历的目标字段信息集中每个目标字段对应的所述属性对应的所述第二预设权重和所述预设分值,确定每个所述属性的属性分值;
根据所述简历的目标字段信息集中每个目标字段对应的所述推荐维度对应的每个所述属性的属性分值,确定每个所述推荐维度对应的总属性分值;
根据所述推荐维度对应的总属性分值和所述推荐维度对应的第一预设权重,确定每个所述推荐维度的维度分值;以及
根据每个所述简历的目标字段信息集中每个所述推荐维度的维度分值,确定每个所述简历的推荐值。
根据本公开的实施例,所述推荐属性集中每个所述属性包括:与所述属性对应的属性规则,每个所述属性规则具有对应的预设分值。
根据本公开的实施例,所述推荐维度包括:教育背景推荐维度、实践能力推荐维度和个人能力推荐维度中的一个或多个;
所述教育背景推荐维度包括:最高学历学校属性、最高学历学位属性和第一学历学校属性中的一个或多个;
所述实践能力推荐维度包括:学生干部工作经历属性、实习经历属性和社团经历属性中的一个或多个;
所述个人能力推荐维度包括:论文属性、职业资格认证属性和荣誉证书属性中的一个或多个。
根据本公开的实施例,还包括:根据附加条件对每个所述简历的目标字段信息集进行附加识别,得到每个所述简历与所述附件条件对应的目标字段信息集。
本公开的另一个方面提供了一种简历推荐装置,包括:
获取模块,用于获取多个待处理的简历;
识别模块,用于按照推荐属性集中的推荐维度和与所述推荐维度对应的属性,对所述多个待处理的简历中的每个简历进行识别,得到每个所述简历的目标字段信息集,其中,每个所述推荐维度具有第一预设权重,每个所述属性具有第二预设权重和预设分值;
处理模块,用于根据每个所述简历的目标字段信息集,每个所述推荐维度的第一预设权重,每个所述属性的第二预设权重和预设分值,确定每个所述简历的推荐值;以及
推荐模块,用于将多个所述简历的推荐值输入简历推荐模型,输出简历推荐结果。
本公开的另一方面提供了一种计算机可读存储介质,存储有计算机可执行指令,所述指令在被执行时用于实现如上所述的方法。
本公开的另一方面提供了一种计算机程序产品,所述计算机程序产品包括计算机可执行指令,所述指令在被执行时用于实现如上所述的方法。
根据本公开的实施例,因为采用了根据企业预设的目标字段信息集,确定每条简历信息的推荐值的技术手段,根据企业预设的目标字段信息集,确定每条简历信息的推荐值,利于快速准确的对应聘者进行匹配度划分,辅助企业人力资源管理进行简历筛选,所以至少部分地克服了依赖人工决策进行简历筛选造成的人工管理成本过高及人工决策与企业实际需求间的适配性不稳定的技术问题,进而达到了快速准确的对应聘者进行匹配度划分,辅助企业人力资源管理进行简历筛选技术效果。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了可以应用本公开的简历推荐方法和装置的示例性系统架构;
图2示意性示出了根据本公开实施例的简历推荐方法的流程图;
图3示意性示出了根据本公开实施例的确定简历推荐值的方法的流程图;
图4示意性示出了根据本公开实施例的简历推荐方法的应用流程图;
图5示意性示出了根据本公开的实施例的简历推荐装置的框图;
图6示意性示出了根据本公开的实施例招聘系统的框图;
图7示意性示出了根据本公开实施例的适于实现上文描述的方法的计算机系统的框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
本公开的实施例提供了一种简历推荐方法、装置、计算机系统、计算机可读存储介质和计算机程序产品,该方法包括获取多个待处理的简历;按照推荐属性集中的推荐维度和与推荐维度对应的属性,对多个待处理的简历中的每个简历进行识别,得到每个简历的目标字段信息集;根据每个简历的目标字段信息集,每个推荐维度的第一预设权重,每个属性的第二预设权重和预设分值,确定每个简历的推荐值;以及将多个简历的推荐值输入简历推荐模型,输出简历推荐结果。
图1示意性示出了可以应用本公开的简历推荐方法和装置的示例性系统架构100。需要注意的是,图1所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示,根据该实施例的系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线和/或无线通信链路等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如招聘类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本公开实施例所提供的简历推荐方法一般可以由服务器105执行。相应地,本公开实施例所提供的简历装置一般可以设置于服务器105中。本公开实施例所提供的简历推荐方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的简历推荐装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。或者,本公开实施例所提供的简历推荐方法也可以由终端设备101、102、或103执行,或者也可以由不同于终端设备101、102、或103的其他终端设备执行。相应地,本公开实施例所提供的简历推荐装置也可以设置于终端设备101、102、或103中,或设置于不同于终端设备101、102、或103的其他终端设备中。
例如,待处理的简历可以原本存储在终端设备101、102、或103中的任意一个(例如,终端设备101,但不限于此)之中,或者存储在外部存储设备上并可以导入到终端设备101中。然后,终端设备101可以在本地执行本公开实施例所提供的简历推荐方法,或者将待处理的简历发送到其他终端设备、服务器、或服务器集群,并由接收该待处理的简历的其他终端设备、服务器、或服务器集群来执行本公开实施例所提供的简历推荐方法。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
图2示意性示出了根据本公开实施例的简历推荐方法的流程图。
如图2所示,该方法包括操作S201~S204。
在操作S201,获取多个待处理的简历。
根据本公开的实施例,应聘者可以选择通过线上投递、内推投递、线下招聘和校园招聘等的方式录入简历相关信息。招聘者可以通过页面单独录入、标准简历导入等多种方式批量获取待处理简历,其他能够实现批量获取待处理简历也可以选择,这里不再进行限定。
在操作S202,按照推荐属性集中的推荐维度和与推荐维度对应的属性,对多个待处理的简历中的每个简历进行识别,得到每个简历的目标字段信息集。其中,每个推荐维度具有第一预设权重,每个属性具有第二预设权重和预设分值。
根据本公开的实施例,对简历识别的方式可以为信息识别、文字识别、语音识别等识别方式,其他能够获取相同效果的识别方式也可以选用,本公开不对此进行限定。在一个具体实施例中可以为标准简历OCR识别。
根据本公开的实施例,根据附加条件对每个简历的目标字段信息集进行附加识别,得到每个简历与附件条件对应的目标字段信息集。
在操作S203,根据每个简历的目标字段信息集,每个推荐维度的第一预设权重,每个属性的第二预设权重和预设分值,确定每个简历的推荐值。
在操作S204,将多个简历的推荐值输入简历推荐模型,输出简历推荐结果。
根据本公开的实施例,由于简历推荐模型基于历史数据进行推荐,可选择地使用回归模型、基于逻辑回归算法(LR)和支持向量机(SVM),简历推荐模型的选择以能够得到推荐结果为准,这里不做进一步限定。
根据本公开的实施例,因为采用了根据企业预设的目标字段信息集,确定每条简历信息的推荐值的技术手段,根据企业预设的目标字段信息集,确定每条简历信息的推荐值,利于快速准确的对应聘者进行匹配度划分,辅助企业人力资源管理进行简历筛选,所以至少部分地克服了依赖人工决策进行简历筛选造成的人工管理成本过高及人工决策与企业实际需求间的适配性不稳定的技术问题,进而达到了快速准确的对应聘者进行匹配度划分,辅助企业人力资源管理进行简历筛选技术效果。
本公开实施例的简历推荐方法利于快速准确的对应聘者进行匹配度划分,辅助企业人力资源管理进行简历筛选。
下面结合具体实施例对图2所示的方法中的推荐属性集做进一步说明。
根据本公开的实施例,获取多个待处理的简历,按照如下表1所示的推荐属性集中的推荐维度和与推荐维度对应的属性,对多个待处理的简历中的每个简历进行识别,得到每个简历的目标字段信息集。
推荐维度包括:教育背景推荐维度、实践能力推荐维度和个人能力推荐维度。推荐维度中教育背景推荐维度对应的第一预设权重为60%、推荐维度中实践能力推荐维度对应的第一预设权重为20%、推荐维度中个人能力推荐维度对应的第一预设权重为20%。
教育背景推荐维度包括:最高学历学校属性、最高学历学位属性和第一学历学校属性。与教育背景推荐维度对应的最高学历学校属性对应的第二预设权重为30%,预设分值为50~100。预设分值的确定需要参考与最高学历学校属性对应的属性规则,例如属性规则为目标院校(自定义院校)对应的预设分值为100、属性规则为不在目标院校范围的985院校对应的预设分值为90、属性规则为不在目标院校范围的211院校对应的预设分值为80、属性规则为不在目标院校范围的泰晤士前200院校对应的预设分值为90以及属性规则为其他院校对应的预设分值为50。
与教育背景推荐维度对应的最高学历学位属性对应的第二预设权重为30%,预设分值为50~100。预设分值的确定需要参考与最高学历学位属性对应的属性规则,例如属性规则为专升本对应的预设分值为50,属性规则为本科对应的预设分值为90,属性规则为硕士对应的预设分值为100以及属性规则为博士对应的预设分值为90。
与教育背景推荐维度对应的第一学历学校属性对应的第二预设权重为40%,预设分值为50~100。预设分值的确定需要参考与第一学历学校属性对应的属性规则,这里可以参考最高学历学校属性对应的属性规则与每个属性规则的预设分值的设置方式,这里不再进行赘述。
实践能力推荐维度包括:学生干部工作经历属性、实习经历属性和社团经历属性。
与实践能力推荐维度对应的学生干部工作经历属性对应的第二预设权重为40%。预设分值的确定需要参考与学生干部工作经历属性对应的属性规则,例如属性规则为出现关键字“学生会主席”对应的预设分值为100,出现关键字“学生会”未出现关键字“学生会主席”对应的预设分值为60。
与实践能力推荐维度对应的实习经历属性对应的第二预设权重为35%。这里还可以根据需要对实习经历属性做进一步限定,例如要求实习经历一个月以上等。预设分值的确定需要参考与实习经历属性对应的属性规则,例如属性规则为同业实习对应的预设分值为100,属性规则为其他实习对应的预设分值为70。
与实践能力推荐维度对应的社团经历属性对应的第二预设权重为25%。预设分值的确定需要参考与社团经历属性对应的属性规则,例如属性规则为社团负责人或社长对应的预设分值为80,属性规则为其他社团对应的预设分值为70。
个人能力推荐维度包括:论文属性、职业资格认证属性和荣誉证书属性。
与个人能力推荐维度对应的论文属性对应的第二预设权重为20%。预设分值的确定需要参考与论文属性对应的属性规则,例如属性规则为SCI、CSSCI、EI对应的预设分值为100,属性规则为无对应的预设分值为0。
与个人能力推荐维度对应的职业资格认证属性对应的第二预设权重为50%。预设分值的确定需要参考与职业资格认证属性对应的属性规则,例如属性规则为参考证书(例如CFA、FRM、CPA、司法考试、计算机等级考试其中任意一个)对应的预设分值为60,每额外增加一个证书对应的预设分值加10,职业资格认证属性对应的预设分值不超过100。
表1
下面结合具体实施例对图2所示的方法中的确定简历推荐值的方法做进一步说明。图3示意性示出了根据本公开实施例的确定简历推荐值的方法的流程图。
如图3所示,该方法包括操作S301~S304。
操作S301,根据简历的目标字段信息集中每个目标字段对应的属性对应的第二预设权重和预设分值,确定每个属性的属性分值。
操作S302,根据简历的目标字段信息集中每个目标字段对应的推荐维度对应的每个属性的属性分值,确定每个推荐维度对应的总属性分值。
操作S303,根据推荐维度对应的总属性分值和推荐维度对应的第一预设权重,确定每个推荐维度的维度分值。
操作S304,根据每个简历的目标字段信息集中每个推荐维度的维度分值,确定每个简历的推荐值。
结合表1,示例性的,以教育背景维度为例,待处理简历中的目标字段的最高学历学校和第一学历学校均为不在目标院校范围的985院校,待处理简历中的目标字段的最高学历为硕士。最高学历学校属性对应的第二预设权重为30%,预设分值为90,最高学历学校属性分值为27。第一学历学校属性对应的第二预设权重为40%,预设分值为90,第一学历学校属性分值为36。第一学历学校属性对应的第二预设权重为30%,预设分值为100,第一学历学校属性分值为30。教育背景维度对应的总属性分值为最高学历学校属性分值、第一学历学校属性分值和第一学历学校属性分值之和,即教育背景维度对应的总属性分值为93。根据教育背景维度对应的总属性分值为93和教育背景推荐维度对应的第一预设权重为60%,确定教育背景维度的维度分值为55.8。根据本公开实施例,简历推荐模型训练方法包括:
获取历史简历样本集。
将历史简历样本集分为训练样本集和测试样本集。一般地,将历史简历样本集平均分为训练样本集和测试样本集。
利用训练样本集训练初始简历推荐模型,得到经训练的初始简历推荐模型。
本实施例提供的简历推荐模型训练方法利用测试样本集对经训练的初始简历推荐模型进行测试,得到满足测试条件的简历推荐模型。
根据本公开的实施例,历史简历样本集可以选择近五年通过筛选的应聘者简历和五年未通过筛选的应聘者简历作为历史简历样本集。关于历史简历样本集获取的范围可以根据需要进行设定。
根据本公开的实施例,还可以根据需要对获取的历史简历样本集进行数据清理,对脏数据进行清理。例如,对获取的历史简历样本集中一些问题简历或者识别不清造成的空数据进行数据清理,避免一些特征值范围过大而另一些特征值范围过小,避免在训练时引起数值计算困难。通常将数据缩放到[-1,1]或者是[0,1]之间,可选择地调用pandas函数进行处理。
根据本公开的实施例,利用SVM对简历推荐模型进行训练并将结果通过图形展示来进行分析。选择SVM常用的核函数RBF核函数,则简历推荐模型的训练围绕着RBF核函数展开,对正则超参数进行调整。正则超参数包括正则系数C和核函数的宽度gamma。正则系数C一般在log域(取log后的值)均匀设置候选参数。
训练结果如果发生了欠拟合,则表示无法正确的进行分类,因此要进行参数的调整,一般将C和gamma调大。训练结果如果发生了过拟合,则会出现模型训练中所取得良好效果无法在实际场景中重现,一般将C和gamma调小,并再发起模型训练。既不过拟合又不欠拟合,并取得较好的准确率时结束训练,得到经训练的初始简历推荐模型。
此外,根据简历推荐结果,招聘者如果满意则通过简历,如果不满意则不通过简历,得到招聘者最终的选择结果。保存简历推荐结果和招聘者最终的选择结果,作为后期优化训练简历推荐模型的训练样本集,供简历推荐模型进一步优化。
在本公开的实施例中,在操作S204后还包括:
获取用于更新推荐属性集的自定义操作,其中,自定义操作用于更新推荐属性集中的推荐维度、推荐维度对应的属性或同时更新推荐维度和推荐维度对应的属性。
响应于自定义操作,更新推荐属性集。
本公开实施例根据本企业的实际需求,对推荐属性集进行更新,直至形成越来越符合企业录用意向的结果,最终减少简历筛选中人工介入的比例,节约人力资源成本,减轻企业的负担。
图4示意性示出了根据本公开实施例的简历推荐方法的应用流程图。如图4所示,简历推荐方法包括:操作S401~操作S407。
操作S401,设置推荐属性集中的推荐维度和与所述推荐维度对应的属性。
操作S402,获取待处理的简历,并对获取的待处理的简历进行数据清理。
操作S403,建立简历推荐模型。
操作S404,简历推荐模型的训练。
操作S405,对所述多个待处理的简历中的每个简历进行识别,得到每个所述简历的目标字段信息集。
操作S405,将多个所述简历的推荐值输入简历推荐模型,输出简历推荐结果。
操作S407,招聘者对输出简历推荐结果进行推荐结果分析,确定最终的选择结果。
图5示意性示出了根据本公开的实施例的简历推荐装置的框图。
如图5所示,简历推荐装置500包括获取模块510、识别模块520、处理模块530和推荐模块540。
获取模块510,用于获取多个待处理的简历。
识别模块520,用于按照推荐属性集中的推荐维度和与推荐维度对应的属性,对多个待处理的简历中的每个简历进行识别,得到每个简历的目标字段信息集,其中,每个推荐维度具有第一预设权重,每个属性具有第二预设权重和预设分值。
处理模块530,用于根据每个简历的目标字段信息集,每个推荐维度的第一预设权重,每个属性的第二预设权重和预设分值,确定每个简历的推荐值。
推荐模块540,用于将多个简历的推荐值输入简历推荐模型,输出简历推荐结果。
根据本公开的实施例,因为采用了根据企业预设的目标字段信息集,确定每条简历信息的推荐值的技术手段,根据企业预设的目标字段信息集,确定每条简历信息的推荐值,利于快速准确的对应聘者进行匹配度划分,辅助企业人力资源管理进行简历筛选,所以至少部分地克服了依赖人工决策进行简历筛选造成的人工管理成本过高及人工决策与企业实际需求间的适配性不稳定的技术问题,进而达到了快速准确的对应聘者进行匹配度划分,辅助企业人力资源管理进行简历筛选技术效果。
本公开的实施例的简历推荐装置利于快速准确的对应聘者进行匹配度划分,辅助企业人力资源管理进行简历筛选。
根据本公开的实施例,简历推荐装置500中处理模块530包括如下子模块:第一确定子模块、第二确定子模块、第三确定子模块和第四确定子模块。
第一确定子模块,用于根据简历的目标字段信息集中每个目标字段对应的属性对应的第二预设权重和预设分值,确定每个属性的属性分值。
第二确定子模块,用于根据简历的目标字段信息集中每个目标字段对应的推荐维度对应的每个属性的属性分值,确定每个推荐维度对应的总属性分值。
第三确定子模块,用于根据推荐维度对应的总属性分值和推荐维度对应的第一预设权重,确定每个推荐维度的维度分值。
第四确定子模块,用于根据每个简历的目标字段信息集中每个推荐维度的维度分值,确定每个简历的推荐值。
根据本公开的实施例,简历推荐装置500还包括:操作获取模块和更新模块。
操作获取模块,用于获取用于更新推荐属性集的自定义操作,其中,自定义操作用于更新推荐属性集中的推荐维度和/或与推荐维度对应的属性。
更新模块,用于响应于自定义操作,更新推荐属性集。
根据本公开的实施例,简历推荐装置500还包括:模型训练模块,用于预先训练得到简历推荐模型。模型训练模块包括:获取子模块、划分子模块、训练子模块和测试子模块。
获取子模块,用于获取历史简历样本集。
划分子模块,用于将历史简历样本集分为训练样本集和测试样本集。
训练子模块,用于利用训练样本集训练初始简历推荐模型,得到经训练的初始简历推荐模型。
测试子模块,用于利用测试样本集对经训练的初始简历推荐模型进行测试,得到满足测试条件的简历推荐模型。
根据本公开的实施例,简历推荐装置500还包括:附加识别模块,用于根据附加条件对每个简历的目标字段信息集进行附加识别,得到每个简历与附件条件对应的目标字段信息集。
图6示意性示出了根据本公开的实施例招聘系统的框图。
如图6所示,招聘系统包括:简历推荐装置610、主处理单元620、接口630、网络640、应聘者终端650和招聘者终端660。
接口630,包含应聘者终端投递简历的交易封装和招聘者终端接收简历的交易封装。
主处理单元620,接收接口630中的交易,通过访问简历推荐装置610中的数据进行交易处理。主处理单元620通过接口630与网络640连接。
应聘者终端650,可以是个人小型计算机或者个人移动设备,如平板电脑、手机等。应聘者通过应聘者终端650发起投递简历请求,通过与简历维护对应的接口630,访问简历推荐装置610,最终简历推荐装置610将招聘者的最终的选择结果返回至应聘者终端650。
招聘者终端660,可以是个人小型计算机或者个人移动设备,如平板电脑、手机等。招聘者通过招聘者终端660发起简历获取请求,通过接口630访问简历推荐装置610,招聘者根据推荐装置的推荐结果将确定最终的选择结果返回至招聘者终端660。
根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
例如,获取模块510、识别模块520、处理模块530和推荐模块540中的任意多个可以合并在一个模块/单元/子单元中实现,或者其中的任意一个模块/单元/子单元可以被拆分成多个模块/单元/子单元。或者,这些模块/单元/子单元中的一个或多个模块/单元/子单元的至少部分功能可以与其他模块/单元/子单元的至少部分功能相结合,并在一个模块/单元/子单元中实现。根据本公开的实施例,获取模块510、识别模块520、处理模块530和推荐模块540中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,获取模块510、识别模块520、处理模块530和推荐模块540中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
需要说明的是,本公开的实施例中数据处理系统部分与本公开的实施例中数据处理方法部分是相对应的,数据处理系统部分的描述具体参考数据处理方法部分,在此不再赘述。
图7示意性示出了根据本公开实施例的适于实现上文描述的方法的计算机系统的框图。图7示出的计算机系统仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示,根据本公开实施例的计算机系统700包括处理器701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。处理器701例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC)),等等。处理器701还可以包括用于缓存用途的板载存储器。处理器701可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 703中,存储有系统700操作所需的各种程序和数据。处理器701、ROM 702以及RAM 703通过总线704彼此相连。处理器701通过执行ROM 702和/或RAM 703中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 702和RAM 703以外的一个或多个存储器中。处理器701也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,系统700还可以包括输入/输出(I/O)接口705,输入/输出(I/O)接口705也连接至总线704。系统700还可以包括连接至I/O接口705的以下部件中的一项或多项:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入存储部分708。
根据本公开的实施例,根据本公开实施例的方法流程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读存储介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被处理器701执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储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执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质。例如可以包括但不限于: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)、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。在本公开中,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。
例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM702和/或RAM703和/或ROM702和RAM703以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行本公开实施例所提供的方法的程序代码,当计算机程序产品在电子设备上运行时,该程序代码用于使电子设备实现本公开实施例所提供的简历推荐方法。
在该计算机程序被处理器701执行时,执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分709被下载和安装,和/或从可拆卸介质711被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
根据本公开的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“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设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(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,图示了按照本公开各种实施例的系统、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,上述模块、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,框图或流程图中的每个方框、以及框图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。本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (11)
1.一种简历推荐方法,包括:
获取多个待处理的简历;
按照推荐属性集中的推荐维度和与所述推荐维度对应的属性,对所述多个待处理的简历中的每个简历进行识别,得到每个所述简历的目标字段信息集,其中,每个所述推荐维度具有第一预设权重,每个所述属性具有第二预设权重和预设分值;
根据每个所述简历的目标字段信息集,每个所述推荐维度的第一预设权重,每个所述属性的第二预设权重和预设分值,确定每个所述简历的推荐值;以及
将多个所述简历的推荐值输入简历推荐模型,输出简历推荐结果。
2.根据权利要求1所述的简历推荐方法,还包括:
获取用于更新所述推荐属性集的自定义操作,其中,所述自定义操作用于更新所述推荐属性集中的推荐维度和/或与所述推荐维度对应的属性;以及
响应于所述自定义操作,更新所述推荐属性集。
3.根据权利要求1所述的简历推荐方法,还包括:预先训练得到所述简历推荐模型,其中,所述简历推荐模型的训练过程包括:
获取历史简历样本集;
将所述历史简历样本集分为训练样本集和测试样本集;
利用所述训练样本集训练初始简历推荐模型,得到经训练的初始简历推荐模型;以及
利用所述测试样本集对所述经训练的初始简历推荐模型进行测试,得到满足测试条件的简历推荐模型。
4.根据权利要求1所述的简历推荐方法,其中,所述根据每个所述简历的目标字段信息集,每个所述推荐维度的第一预设权重,每个所述属性的第二预设权重和预设分值,确定每个所述简历的推荐值包括:
根据所述简历的目标字段信息集中每个目标字段对应的所述属性对应的所述第二预设权重和所述预设分值,确定每个所述属性的属性分值;
根据所述简历的目标字段信息集中每个目标字段对应的所述推荐维度对应的每个所述属性的属性分值,确定每个所述推荐维度对应的总属性分值;
根据所述推荐维度对应的总属性分值和所述推荐维度对应的第一预设权重,确定每个所述推荐维度的维度分值;以及
根据每个所述简历的目标字段信息集中每个所述推荐维度的维度分值,确定每个所述简历的推荐值。
5.根据权利要求1所述的简历推荐方法,其中,所述推荐属性集中每个所述属性包括:与所述属性对应的属性规则,每个所述属性规则具有对应的预设分值。
6.根据权利要求1所述的简历推荐方法,其中,所述推荐维度包括:教育背景推荐维度、实践能力推荐维度和个人能力推荐维度中的一个或多个;
所述教育背景推荐维度包括:最高学历学校属性、最高学历学位属性和第一学历学校属性中的一个或多个;
所述实践能力推荐维度包括:学生干部工作经历属性、实习经历属性和社团经历属性中的一个或多个;
所述个人能力推荐维度包括:论文属性、职业资格认证属性和荣誉证书属性中的一个或多个。
7.根据权利要求1所述的简历推荐方法,还包括:
根据附加条件对每个所述简历的目标字段信息集进行附加识别,得到每个所述简历与所述附件条件对应的目标字段信息集。
8.一种简历推荐装置,包括:
获取模块,用于获取多个待处理的简历;
识别模块,用于按照推荐属性集中的推荐维度和与所述推荐维度对应的属性,对所述多个待处理的简历中的每个简历进行识别,得到每个所述简历的目标字段信息集,其中,每个所述推荐维度具有第一预设权重,每个所述属性具有第二预设权重和预设分值;
处理模块,用于根据每个所述简历的目标字段信息集,每个所述推荐维度的第一预设权重,每个所述属性的第二预设权重和预设分值,确定每个所述简历的推荐值;以及
推荐模块,用于将多个所述简历的推荐值输入简历推荐模型,输出简历推荐结果。
9.一种计算机系统,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器实现权利要求1至7中任一项所述的方法。
11.一种计算机程序产品,所述计算机程序产品包括计算机可执行指令,所述指令在被执行时用于实现权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110186797.9A CN112785282A (zh) | 2021-02-10 | 2021-02-10 | 简历推荐方法、装置、计算机系统和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110186797.9A CN112785282A (zh) | 2021-02-10 | 2021-02-10 | 简历推荐方法、装置、计算机系统和计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112785282A true CN112785282A (zh) | 2021-05-11 |
Family
ID=75761508
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110186797.9A Pending CN112785282A (zh) | 2021-02-10 | 2021-02-10 | 简历推荐方法、装置、计算机系统和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112785282A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113327133A (zh) * | 2021-06-15 | 2021-08-31 | 北京百度网讯科技有限公司 | 数据推荐方法、数据推荐装置、电子设备及可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170286914A1 (en) * | 2016-04-05 | 2017-10-05 | Facebook, Inc. | Systems and methods to develop training set of data based on resume corpus |
US20180130024A1 (en) * | 2016-11-08 | 2018-05-10 | Facebook, Inc. | Systems and methods to identify resumes based on staged machine learning models |
CN108133357A (zh) * | 2017-12-22 | 2018-06-08 | 北京拉勾科技有限公司 | 一种人才推荐方法及计算设备 |
CN109345201A (zh) * | 2018-09-20 | 2019-02-15 | 成都辰语轩科技有限公司 | 人力资源管理方法、装置、电子设备及存储介质 |
CN109492164A (zh) * | 2018-11-26 | 2019-03-19 | 北京网聘咨询有限公司 | 一种简历的推荐方法、装置、电子设备及存储介质 |
CN110413742A (zh) * | 2019-08-08 | 2019-11-05 | 北京字节跳动网络技术有限公司 | 简历信息的查重方法、装置、设备及存储介质 |
-
2021
- 2021-02-10 CN CN202110186797.9A patent/CN112785282A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170286914A1 (en) * | 2016-04-05 | 2017-10-05 | Facebook, Inc. | Systems and methods to develop training set of data based on resume corpus |
US20180130024A1 (en) * | 2016-11-08 | 2018-05-10 | Facebook, Inc. | Systems and methods to identify resumes based on staged machine learning models |
CN108133357A (zh) * | 2017-12-22 | 2018-06-08 | 北京拉勾科技有限公司 | 一种人才推荐方法及计算设备 |
CN109345201A (zh) * | 2018-09-20 | 2019-02-15 | 成都辰语轩科技有限公司 | 人力资源管理方法、装置、电子设备及存储介质 |
CN109492164A (zh) * | 2018-11-26 | 2019-03-19 | 北京网聘咨询有限公司 | 一种简历的推荐方法、装置、电子设备及存储介质 |
CN110413742A (zh) * | 2019-08-08 | 2019-11-05 | 北京字节跳动网络技术有限公司 | 简历信息的查重方法、装置、设备及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113327133A (zh) * | 2021-06-15 | 2021-08-31 | 北京百度网讯科技有限公司 | 数据推荐方法、数据推荐装置、电子设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20180330437A1 (en) | System and method for online evaluation and underwriting of loan products | |
US20200366654A1 (en) | Secure Messaging Systems and Methods | |
CN113010798A (zh) | 信息推荐方法、信息推荐装置、电子设备及可读存储介质 | |
CN113610230A (zh) | 训练方法、预测方法、装置、计算机系统及存储介质 | |
CN113507419A (zh) | 流量分发模型的训练方法、流量分发方法及装置 | |
US20130097061A1 (en) | System, method and apparatus for dynamically generating a question flow | |
Madasamy et al. | THE EVOLUTION OF CHATBOTS: CLOUD AND AI SYNERGY IN BANKING CUSTOMER INTERACTIONS | |
CN113379554A (zh) | 金融产品的推荐方法、装置、设备、介质和程序产品 | |
CN114238993A (zh) | 风险检测方法、装置、设备及介质 | |
CN112785282A (zh) | 简历推荐方法、装置、计算机系统和计算机可读存储介质 | |
CN113392200A (zh) | 基于用户学习行为的推荐方法及装置 | |
CN110648224A (zh) | 匹配金融产品的方法、装置、计算机系统和介质 | |
CN116451938A (zh) | 任务处理方法、装置、电子设备及存储介质 | |
CN115471228A (zh) | 金融业务凭证检核方法、装置、设备及存储介质 | |
CN115048561A (zh) | 推荐信息确定方法及装置、电子设备和可读存储介质 | |
CN114066513A (zh) | 一种用户分类的方法和装置 | |
CN114581130A (zh) | 基于客户画像的银行网点派号方法及装置、存储介质 | |
CN113283814A (zh) | 业务处理效率确定方法、装置、电子设备及可读存储介质 | |
CN114117227A (zh) | 一种运营维护方法、系统、电子设备及存储介质 | |
CN116757430A (zh) | 基于项目研发需求的人力资源确定方法、装置和设备 | |
CN114820214A (zh) | 信息处理方法及装置、电子设备和计算机可读存储介质 | |
CN118158284A (zh) | 数据处理方法、装置、设备、介质和程序产品 | |
CN118152811A (zh) | 数据处理方法及装置、设备、存储介质和程序产品 | |
CN115062698A (zh) | 用户识别方法、装置、设备及介质 | |
CN114065050A (zh) | 产品推荐的方法、系统、电子设备和存储介质 |
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 |