CN112819286A - 一种精英人才和岗位高嵌合度分类匹配系统和方法 - Google Patents
一种精英人才和岗位高嵌合度分类匹配系统和方法 Download PDFInfo
- Publication number
- CN112819286A CN112819286A CN202110020100.0A CN202110020100A CN112819286A CN 112819286 A CN112819286 A CN 112819286A CN 202110020100 A CN202110020100 A CN 202110020100A CN 112819286 A CN112819286 A CN 112819286A
- Authority
- CN
- China
- Prior art keywords
- talent
- information
- post
- matching
- database
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063112—Skill-based matching of a person or a group to a task
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/242—Query formulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/252—Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application
-
- 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)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明是一种精英人才和岗位高嵌合度分类匹配系统及方法,包括云端、输送接口、数据库,输送接口与云端连接,数据库与所述云端连接,所述数据库包括人才数据库和岗位数据库;所述方法包括获取求职人才信息和用人单位招聘岗位信息,将求职人才信息与数据库中的用人单位招聘岗位信息进行比对,利用人工智能对同类求职人才信息数据集进行分类并匹配,根据匹配结果对目标人物组进行嵌合度排序,选取符合阈值的排序结果反馈给用人单位HR及求职人才;利用人工智能进行分类匹配是一个持续优化的过程,随着人才信息数据集的增加,人工智能自主学习进行数据修正,每一次修正,都进一步提高匹配精准度,并通过匹配嵌合度及排序表达出来。
Description
技术领域
本发明涉及数据处理技术领域,特别涉及一种精英人才和岗位高嵌合度分类匹配系统和方法。
背景技术
中国教育部数据显示,从1978年到2015年底的37年间,走出国门的留学生累计达404.21万人,毕业后回国发展的占79.87%。随后,以每年50多万增加。2018年我国出国留学人数首次突破60万大关,达到66.2万人,估计2019年留学人数在71万左右。前后42年间,留学生总人数高达651.41万人,回国人数520万人,每年有50多万优秀留学生归国就业。这些留学生是典型的精英人才,也是用人单位急需的精英人才。当下,世界各国的竞争非常激烈,而竞争的核心就是精英人才的竞争。但是,HR对各国教育状况不熟悉,对专业划分不熟悉,对岗位需求什么样的高嵌合度精英人才也不熟悉。这就需要一个多功能且过滤功能强大的招聘平台为双方提供精准服务。
招聘是人力资源管理中重要的工作之一,其中简历筛选是招聘的第一环节,如何从海量的数据中挑选出需要的内容成了简历信息处理领域重要的研究方向。HR工作中简历信息匹配和有效使用影响人力资源部门的工作效率。在各大求职平台中,一般会根据求职者的简历中留下的个人信息与求职要求,简历中记载中个人学历、经历、特长、爱好等信息。用人单位通过阅读精英人才的简历进行人员筛选。通过一个或者多个条件去对应职位,然后将对应到的职位按照职位发布(或者更新)的时间先后顺序进行排序,从前往后将简历投递到岗位上。然而,这样的操作方式是通过用人单位的HR对精英人才简历进行人工筛选。由于每天接收的简历数量可能会非常大,采用现有的这种人工筛选的方式存在人力成本高、筛选效率低的缺陷。因而,如何提升精英人才员岗匹配过程中效率,是一个亟待解决的问题。
发明内容
本发明所要解决的技术问题是针对现有技术的不足,提供一种能让企业能够精准的找到理想的人才,让求职者更快的找到想要的工作面试机会,提高精英人才信息与岗位需求的匹配准确度和匹配效率的精英人才和岗位高嵌合度分类匹配系统和方法。
本发明所要解决的技术问题是通过以下的技术方案来实现的,本发明是一种精英人才和岗位高嵌合度分类匹配系统,其特点是:
包括云端、输送接口、数据库,输送接口与云端连接,数据库与所述云端连接,所述输送接口包括输入接口1、输入接口2和输出接口3,所述数据库包括人才数据库和岗位数据库;
输入接口1,用于求职人才个人用户登录,并接收用户输入的个人信息数据,按个人数据补充进人才数据库;
输入接口2,用于企业端用户登录,并接受用户输入的岗位需求信息数据,按照现有职业岗位信息提供属性条件分类标签并存入岗位数据库;
将所述输入接口2接收到的岗位需求信息数据发送给云端,并请求云端根据所述岗位需求信息数据提取出用户的目标特征数据,云端将所述目标特征数据与人才数据库中的信息数据进行特征比对匹配,并判断出推荐信息数据,所述推荐信息数据为与目标特征数据相似度高于预设值的信息数据;
输出接口3,将所述推荐信息数据输出给企业用户,并给出推荐排行排序。
本发明所要解决的技术问题是通过以下的技术方案来实现的,本发明是根据上述系统进行精英人才和岗位高嵌合度分类匹配的方法,其特点是:
获取求职人才信息和用人单位招聘岗位信息,将求职人才信息与数据库中的用人单位招聘岗位信息进行比对,后获取求职人才所参与的人才信息数据集,利用人工智能对同类求职人才信息数据集进行分类并匹配,根据匹配结果对目标人物组进行嵌合度排序,选取符合阈值的排序结果反馈给用人单位HR及求职人才;
利用人工智能进行分类匹配是一个持续优化的过程,随着人才信息数据集的增加,人工智能自主学习进行数据修正,每一次修正,都进一步提高匹配精准度,并通过匹配嵌合度及排序表达出来;
其中,人工智能对求职人才信息数据集进行分类并匹配的方法具体如下:
步骤1:获取某一求职人才信息和用人单位招聘岗位信息,将求职人才信息与数据库中的用人单位招聘岗位信息进行比对,后获取求职人才所参与的人才信息数据集;
具体将求职人才信息数据集量化得分,特征选择的特征属性,解析内容合并为一个字符串S;
对字符串S进行预处理,获得人才信息关键词;
从现有岗位需求里提出岗位信息关键词作为岗位数据集;
统计各个岗位信息关键词在用人单位提供的岗位要求中的总数W和各种人才属性点在岗位数据集中符合的次数K,以W/K作为该人才下出现该岗位信息关键词的契合度P(W/K);同时,统计总数据集的契合度A,以K/A作为该人才在岗位数据集中表现得契合度P(K);
步骤2:将新的同类求职人才信息数据集量化得分,特征选择的特征属性,解析内容合并为一个字符串Sn。
对字符串Sn进行预处理,获得人才信息关键词;
将所有人才信息关键词在该属性点中出现的比率P(W/K)相乘,作为在该属性点下归纳为该同类人才Q的契合度P(Q/K);
对所获得的P(Q/K)与该属性点在步骤1中出现的契合度P(K)相乘即可表示新求职人才的属性点契合度P(K/Q);
对所有的P(K/Q)进行契合度归一化;
对新的同类求职人才组数据概率进行排序,将返回概率超过阈值Y的契合度排列;得到求职人才信息对应的嵌合度排序结果,选取排序结果的前10%或20位人才比例,反馈给用人单位HR。
优选的,其中,阈值Y通过测试集获得,具体获取方法如下:
(1)从人才信息数据集中获取一组人员作为测试集;
(2)对测试集的预处理同上述步骤1相同;
(3)将阈值初始值设置为O;
(4)对测试集提取多个不同人员的属性点,若测试集中人员原本的属性点出现在提取所得的属性点集中,视作提取结果正确,否则结果错误,统计正确率;
(5)调整阈值,使得正确率达到目标正确率,即为目标阈值O;如果正确率不达标,将阈值调整为之前的一半,返回(4),继续算法。
优选的,上述步骤1中,所述对字符串S进行预处理包括:心理学量表数据提取,人员个人简历提取,个人陈述信息提取和图像;上述步骤2中,所述对字符串Sn进行预处理包括:心理学量表数反馈表格,人员个人特征属性,岗位要求特征属性和图像。
优选的,求职人才信息包括年龄、工作年限、学历、跳槽几率、职位信息、个人能力、专业信息、心理学量表应答数据;所述用人单位招聘岗位信息包括职位名称、工作经验、工作地点、年薪、学历、技能要求信息。
优选的,所述心理学量表包括以下量表的一种或多种,
胜任力辞典及等级量表;
职业锚测验量表;
PDP性格测试量表;
心理压力测试量表;
MBTI国际职业性格测评量表;
霍兰德职业倾向量表;
拖延症心理测试量表;
职业倦怠症测试量表MBI;
左右脑优势测试量表。
优选的,所述求职人才信息包括特殊岗位的精英人才信息,采集求职人才的照片或即时图像采集,所述用人单位招聘岗位信息包括录入预设的形体及容貌要求,提供标准比对图像;采用卷积神经网络算法自动筛选貌相、身高比例、体重比例、体脂数值存储在人才信息数据集中,利用人工智能对求职人才信息数据集进行分类并匹配,根据匹配结果对目标人物组进行嵌合度排序,选取符合阈值的排序结果反馈给用人单位HR及求职人才。
本系统通过个人用户输入接口和企业用户输入接口输入信息,将获取的求职人才信息和用人单位招聘岗位信息发送给云端,云端根据所述岗位需求信息数据提取出用户的目标特征数据,云端将所述目标特征数据与人才数据库中的信息数据进行特征比对,并判断出推荐信息数据,输出接口将所述推荐信息数据输出给企业用户,并给出推荐排行排序。
使用本系统的分类匹配方法中,先获取某一求职人才信息对人才信息数据集进行训练,求职人才信息包括职位信息、学历、个人能力、专业信息、心理学量表应答,图片等的精英人才信息,然后获取任意新的同类求职人才信息,根据已分类的人才信息数据集进行分类并匹配,根据匹配结果对目标人物组进行嵌合度排序,选取符合阈值的排序结果反馈给用人单位HR及求职人才;这个过程是动态的,动态的缘由是数据库已有储备人才信息、及新登录求职精英人才的不间断登录优选过程,所以高嵌合度的匹配结果随精英人才不间断的登录而变化,直至用人单位直至招聘结束,求职人才直至入岗。随着人才信息数据集的增加,人工智能自主学习进行数据修正,每一次修正,都进一步提高匹配精准度。
本方法中使用的人才人员特殊属性提取方法,是基于理论实践都很成熟的朴素贝叶斯算法,并特别针对于人才性格等用心理学量表做出了改进,在人才分类上表现好。且本方法具有良好的可扩展性,每个属性点和关键词都有独立的概率,适合不同岗位的匹配,对于新收集的训练集,如果出现新的类别或关键词,可以很容易更新已有模型。
与现有技术相比,本发明能将求职人才信息与用人单位招聘岗位信息进行关联匹配,获取匹配结果,并将所述匹配结果进行嵌合度排序,选取排序结果的前10%或20位人才比例,反馈给用人单位HR,这个过程能快速定位人才类别,提升人才分类和匹配的效率及准确率,极大提升了用人单位HR过滤备选人才的总效率,将工作量缩减到原来的1%~10%左右。同样,求职人才可以高效率的获知自己是否适合所应聘的工作岗位,尤其是特殊人才,无需面试,就能知道自己的形体是否合岗需求。因为员岗匹配度的提高,无论是用人单位还是求职者的时间成本都能得到充分利用,大大增加了岗位的稳定性,对用人单位及个人稳定发展非常有利。
附图说明
图1是本发明系统的结构示意图。
图2是本发明的匹配方法的一种示意图。
具体实施方式
以下参照附图,进一步描述本发明的具体技术方案,以便于本领域的技术人员进一步地理解本发明,而不构成对其权利的限制。
实施例1,参考附图1,本发明一种精英人才和岗位高嵌合度分类匹配系统,
包括云端、输送接口、数据库1,输送接口与云端2连接,数据库1与所述云端2连接,所述输送接口包括输入接口13、输入接口24和输出接口35,所述数据库1包括人才数据库和岗位数据库;
输入接口13,用于求职人才个人用户登录,并接收用户输入的个人信息数据,按个人数据补充进人才数据库;
输入接口24,用于企业端用户登录,并接受用户输入的岗位需求信息数据,按照现有职业岗位信息提供属性条件分类标签并存入岗位数据库;
将所述输入接口24接收到的岗位需求信息数据发送给云端2,并请求云端2根据所述岗位需求信息数据提取出用户的目标特征数据,云端2将所述目标特征数据与人才数据库中的信息数据进行特征比对匹配,并判断出推荐信息数据,所述推荐信息数据为与目标特征数据相似度高于预设值的信息数据;
现有职业岗位信息提供属性条件分类标签,比如团队经理岗位,标签为团队精神、抗压能力、沟通能力、领导力和性格特征等。
人才数据库中的信息数据包括人才年龄、工作年限、学历、跳槽几率、职位信息、个人能力、专业信息以及心理学量表应答数据。
输出接口35,将所述推荐信息数据输出给企业用户,并给出推荐排行排序。
实施例2,参考附图2,本发明一种根据上述系统进行精英人才和岗位高嵌合度分类匹配的方法,
获取求职人才信息和用人单位招聘岗位信息,将求职人才信息与数据库中的用人单位招聘岗位信息进行比对,后获取求职人才所参与的人才信息数据集,利用人工智能对同类求职人才信息数据集进行分类并匹配,根据匹配结果对目标人物组进行嵌合度排序,选取符合阈值的排序结果反馈给用人单位HR及求职人才;
利用人工智能进行分类匹配是一个持续优化的过程,随着人才信息数据集的增加,人工智能自主学习进行数据修正,每一次修正,都进一步提高匹配精准度,并通过匹配嵌合度及排序表达出来;
其中,人工智能对求职人才信息数据集进行分类并匹配的方法具体如下:
步骤1:获取某一求职人才信息和用人单位招聘岗位信息,将求职人才信息与数据库中的用人单位招聘岗位信息进行比对,后获取求职人才所参与的人才信息数据集;
具体将求职人才信息数据集量化得分,特征选择的特征属性,解析内容合并为一个字符串S;
对字符串S进行预处理,获得人才信息关键词;
从现有岗位需求里提出岗位信息关键词作为岗位数据集;
统计各个岗位信息关键词在用人单位提供的岗位要求中的总数W和各种人才属性点在岗位数据集中符合的次数K,以W/K作为该人才下出现该岗位信息关键词的契合度P(W/K);同时,统计总数据集的契合度A,以K/A作为该人才在岗位数据集中表现得契合度P(K);
步骤2:将新的同类求职人才信息数据集量化得分,特征选择的特征属性,解析内容合并为一个字符串Sn;
对字符串Sn进行预处理,获得人才信息关键词;
将所有人才信息关键词在该属性点中出现的比率P(W/K)相乘,作为在该属性点下归纳为该同类人才Q的契合度P(Q/K);
对所获得的P(Q/K)与该属性点在步骤1中出现的契合度P(K)相乘即可表示新求职人才的属性点契合度P(K/Q);
对所有的P(K/Q)进行契合度归一化;
对新的同类求职人才组数据概率进行排序,将返回概率超过阈值Y的契合度排列;得到求职人才信息对应的嵌合度排序结果,选取排序结果的前10%或20位人才比例,反馈给用人单位HR。
其中,阈值Y通过测试集获得,具体获取方法如下:
(1)从人才信息数据集中获取一组人员作为测试集;
(2)对测试集的预处理同上述步骤1相同;
(3)将阈值初始值设置为O;
(4)对测试集提取多个不同人员的属性点,若测试集中人员原本的属性点出现在提取所得的属性点集中,视作提取结果正确,否则结果错误,统计正确率;
(5)调整阈值,使得正确率达到目标正确率,即为目标阈值O;如果正确率不达标,将阈值调整为之前的一半,返回(4),继续算法。
上述步骤1中,所述对字符串S进行预处理包括:心理学量表数据提取,人员个人简历提取,个人陈述信息提取和图像;上述步骤2中,所述对字符串Sn进行预处理包括:心理学量表数反馈表格,人员个人特征属性,岗位要求特征属性和图像。
求职人才信息包括年龄、工作年限、学历、跳槽几率、职位信息、个人能力、专业信息、心理学量表应答数据;所述用人单位招聘岗位信息包括职位名称、工作经验、工作地点、年薪、学历、技能要求信息。
所述心理学量表包括以下量表的一种或多种,
胜任力辞典及等级量表;
职业锚测验量表;
PDP性格测试量表;
心理压力测试量表;
MBTI国际职业性格测评量表;
霍兰德职业倾向量表;
拖延症心理测试量表;
职业倦怠症测试量表MBI;
左右脑优势测试量表。
实施例3,本发明一种根据上述系统进行精英人才和岗位高嵌合度分类匹配的方法,
获取求职人才信息和用人单位招聘岗位信息,求职人才信息包括年龄、工作年限、学历、跳槽几率、职位信息、个人能力、专业信息;同时给出用人单位招聘岗位需求心理学量表,每一个专业人才会用到不同层级的心理学量表,利用量表细化人才的个人能力,团队协作,抗压能力,亲和力等。用人单位招聘岗位信息包括职位名称、工作经验、工作地点、年薪、学历、技能要求信息。求职人员在应答量表后,利用人工智能将求职人才信息与岗位数据库中的招聘岗位信息数据进行特征比对分类并匹配,根据匹配结果对目标人物组进行嵌合度排序,选取符合阈值的排序结果反馈给用人单位HR及求职人才。
所述心理学量表包括以下量表的一种或多种,
胜任力辞典及等级量表;
职业锚测验量表;
PDP性格测试量表;
心理压力测试量表;
MBTI国际职业性格测评量表;
霍兰德职业倾向量表;
拖延症心理测试量表;
职业倦怠症测试量表MBI;
左右脑优势测试量表。
其中,人工智能对求职人才信息进行分类并匹配的方法具体如下:
步骤1:获取某一求职人才信息和用人单位招聘岗位信息,将求职人才信息与数据库中的用人单位招聘岗位信息进行比对,后获取求职人才所参与的人才信息数据集;
具体将求职人才信息数据集量化得分,特征选择的特征属性,解析内容合并为一个字符串S;
对字符串S进行预处理,获得人才信息关键词,
从现有岗位需求里提出岗位信息关键词作为岗位数据集;
统计各个岗位信息关键词在用人单位提供的岗位要求中的总数W和各种人才属性点在岗位数据集中符合的次数K,以W/K作为该人才下出现该岗位信息关键词的契合度P(W/K);同时,统计总数据集的契合度A,以K/A作为该人才在岗位数据集中表现得契合度P(K);
步骤2:将新的同类求职人才信息数据集量化得分,特征选择的特征属性,解析内容合并为一个字符串Sn。
对字符串Sn进行预处理,获得人才信息关键词;
将所有人才信息关键词在该属性点中出现的比率P(W/K)相乘,作为在该属性点下归纳为该同类人才Q的契合度P(Q/K);
对所获得的P(Q/K)与该属性点在步骤1中出现的契合度P(K)相乘即可表示新求职人才的属性点契合度P(K/Q);
对所有的P(K/Q)进行契合度归一化;
对新的同类求职人才组数据概率进行排序,将返回概率超过阈值Y的契合度排列;得到求职人才信息对应的嵌合度排序结果,选取排序结果的前10%或20位人才比例,反馈给用人单位HR。同时也将结果反馈给求职人员,通过登录预留的电话、电子邮件,反馈匹配结果,而且,这个过程是动态的,用人单位直至招聘结束,求职人才直至入岗。
其中,阈值Y通过测试集获得,具体获取方法如下:
(1)从人才信息数据集中获取一组人员作为测试集;
(2)对测试集的预处理同上述步骤1相同;
(3)将阈值初始值设置为O;
(4)对测试集提取多个不同人员的属性点,若测试集中人员原本的属性点出现在提取所得的属性点集中,视作提取结果正确,否则结果错误,统计正确率;
(5)调整阈值,使得正确率达到目标正确率,即为目标阈值O;如果正确率不达标,将阈值调整为之前的一半,返回(4),继续算法。
上述步骤1中,所述对字符串S进行预处理包括:心理学量表数据提取,人员个人简历提取,个人陈述信息提取和图像;上述步骤2中,所述对字符串Sn进行预处理包括:心理学量表数反馈表格,人员个人特征属性,岗位要求特征属性和图像。
利用人工智能进行分类匹配是一个持续优化的过程,随着人才信息数据集的增加,人工智能自主学习进行数据修正,每一次修正,都进一步提高匹配精准度,并通过匹配嵌合度及排序表达出来。
实施例4,本发明提供一种根据上述系统进行精英人才和岗位高嵌合度分类匹配的方法,当求职人才为特殊岗位的人才时,与实施例3相比,在符合实施例3的基础上,求职人才信息增加特殊岗位的精英人才信息,特殊岗位如健身教练、模特、营养师等岗位。人才信息获取即通过求职人才的照片或即时图像采集,照片包括标准2寸证件照片、或所要求正面全身照片、或所要求侧面全身照片。所述用人单位招聘岗位信息包括录入预设的形体及容貌要求,提供标准比对图像;采用卷积神经网络算法自动筛选貌相、身高比例、体重比例、体脂数值符合用人单位岗位要求的信息存储在人才信息数据集中,然后利用人工智能对求职人才信息数据集进行分类并匹配,根据匹配结果对目标人物组进行嵌合度排序,选取符合阈值的排序结果的前10%或20位人才比例,反馈给用人单位HR及求职人才。
实施例5,以企业软件项目经理岗位为例,参考附图2,精英人才和岗位高嵌合度分类匹配的方法如下:步骤S101,获取求职人才信息和用人单位招聘岗位信息,具体的,用人单位通过输入接口2登录系统,输入招聘岗位需求,同时给出相应的心理学量表,从而获取用人单位招聘岗位信息;求职人才从输入接口1登录系统,输入相关的人才信息,同时给出对应的用人单位招聘岗位需求心理学量表,进而获取求职人才信息;将求职人才信息与数据库中的用人单位招聘岗位信息进行比对,后获取求职人才所参与的人才信息数据集;
步骤S102,将人才信息中的求职人才信息数据集量化得分,特征选择的特征属性,解析内容合并为一个字符串S;具体的为:
学历,大专-博士按等级给出分数;
曾领导团队规模,1-5人,6-10人,11-15人,16-30人,30人即以上按人数给出分数
工作年限,按1-3年, 3-5年, 5-10年, 10及以上按年限给出分数;
领导力,量表里系统随机评测,按5个等级给出分数 (胜任力辞典及等级量表);
亲和力,量表里系统随机评测,按5个等级给出分数 (PDP性格测试量表);
抗压能力,量表里系统随机评测,按5个等级给出分数 (心理压力测试量表);
职业特点,量表里系统随机评测,按5个等级给出分数(职业MBTI国际职业性格测评量表);
职业热情,量表里系统随机评测,按5个等级给出分数(霍兰德职业倾向量表);
执行力,量表里系统随机评测,按5个等级给出分数(拖延症心理测试量表);
职业生命力核心竞争力,量表里系统随机评测,按5个等级给出分数(职业倦怠症测试量表MBI);
创造力,逻辑思维, 量表里系统随机评测,按5个等级给出分数(左右脑优势测试量表)。
分数足够即获得该标签,所有标签进行合并,即得到人才信息关键词,从软件项目经理里挑选岗位信息作为岗位数据集。
步骤S103,统计各个岗位信息关键词在用人单位提供的岗位要求中的总数W和各种人才属性点在岗位数据集中符合的次数K,以W/K作为该人才下出现该岗位信息关键词的契合度P(W/K);同时,统计总数据集的契合度A,以K/A作为该人才在岗位数据集中表现得契合度P(K);
步骤S104,然后将新的同类求职人才信息数据集量化得分,特征选择的特征属性,解析内容合并为一个字符串Sn。求职人才信息和量化得分的方法和前述相同。
对字符串Sn进行预处理,获得人才信息关键词;
步骤S105,将所有人才信息关键词在该属性点中出现的比率P(W/K)相乘,作为在该属性点下归纳为该同类人才Q的契合度P(Q/K);
对所获得的P(Q/K)与该属性点在上述步骤中出现的契合度P(K)相乘即可表示新求职人才的属性点契合度P(K/Q);
对所有的P(K/Q)进行契合度归一化;
步骤S106,对同类求职人才组数据概率进行排序,将返回概率超过阈值Y的契合度排列;得到求职人才信息对应的嵌合度排序结果,选取排序结果的前10%或20位人才比例,通过输出接口3反馈给用人单位HR,同时也将结果反馈给求职人员,通过登录预留的电话、电子邮件,反馈匹配结果,而且,这个过程是动态的,动态的缘由是数据库已有储备人才信息、及新登录求职精英人才的不间断登录优选过程,所以高嵌合度的匹配结果随精英人才不间断的登录而变化,直至用人单位直至招聘结束,求职人才直至入岗。
其中,阈值Y通过测试集获得,具体获取方法如下:
(1)从人才信息数据集中获取一组人员作为测试集;
(2)对测试集的预处理同上述步骤1相同;
(3)将阈值初始值设置为O;
(4)对测试集提取多个不同人员的属性点,若测试集中人员原本的属性点出现在提取所得的属性点集中,视作提取结果正确,否则结果错误,统计正确率;
(5)调整阈值,使得正确率达到目标正确率,即为目标阈值O;如果正确率不达标,将阈值调整为之前的一半,返回(4),继续算法。
本发明能将求职人才信息与用人单位招聘岗位信息进行关联匹配,获取匹配结果,并将所述匹配结果进行嵌合度排序,选取排序结果的前10%或20位人才比例,反馈给用人单位HR,这个过程能快速定位人才类别,提升人才分类和匹配的效率及准确率,极大提升了用人单位HR过滤备选人才的总效率,将工作量缩减到原来的1%~10%左右。同样,求职人才可以高效率的获知自己是否适合所应聘的工作岗位,尤其是特殊人才,无需面试,就能知道自己的形体是否合岗需求。
Claims (7)
1.一种精英人才和岗位高嵌合度分类匹配系统,包括:
包括云端、输送接口、数据库,输送接口与云端连接,数据库与所述云端连接,所述输送接口包括输入接口1、输入接口2和输出接口3,所述数据库包括人才数据库和岗位数据库;
输入接口1,用于求职人才个人用户登录,并接收用户输入的个人信息数据,按个人数据补充进人才数据库;
输入接口2,用于企业端用户登录,并接受用户输入的岗位需求信息数据,按照现有职业岗位信息提供属性条件分类标签并存入岗位数据库;
将所述输入接口2接收到的岗位需求信息数据发送给云端,并请求云端根据所述岗位需求信息数据提取出用户的目标特征数据,云端将所述目标特征数据与人才数据库中的信息数据进行特征比对匹配,并判断出推荐信息数据,所述推荐信息数据为与目标特征数据相似度高于预设值的信息数据;
输出接口3,将所述推荐信息数据输出给企业用户,并给出推荐排行排序。
2.根据权利要求1所述的系统进行精英人才和岗位高嵌合度分类匹配的方法,其特征在于:
获取求职人才信息和用人单位招聘岗位信息,将求职人才信息与数据库中的用人单位招聘岗位信息进行比对,后获取求职人才所参与的人才信息数据集,利用人工智能对同类求职人才信息数据集进行分类并匹配,根据匹配结果对目标人物组进行嵌合度排序,选取符合阈值的排序结果反馈给用人单位HR及求职人才;
利用人工智能进行分类匹配是一个持续优化的过程,随着人才信息数据集的增加,人工智能自主学习进行数据修正,每一次修正,都进一步提高匹配精准度,并通过匹配嵌合度及排序表达出来;
其中,人工智能对求职人才信息数据集进行分类并匹配的方法具体如下:
步骤1:获取某一求职人才信息和用人单位招聘岗位信息,将求职人才信息与数据库中的用人单位招聘岗位信息进行比对,后获取求职人才所参与的人才信息数据集;
具体将求职人才信息数据集量化得分,特征选择的特征属性,解析内容合并为一个字符串S;
对字符串S进行预处理,获得人才信息关键词;
从现有岗位需求里提出岗位信息关键词作为岗位数据集;
统计各个岗位信息关键词在用人单位提供的岗位要求中的总数W和各种人才属性点在岗位数据集中符合的次数K,以W/K作为该人才下出现该岗位信息关键词的契合度P(W/K);同时,统计总数据集的契合度A,以K/A作为该人才在岗位数据集中表现得契合度P(K);
步骤2:将新的同类求职人才信息数据集量化得分,特征选择的特征属性,解析内容合并为一个字符串Sn;
对字符串Sn进行预处理,获得人才信息关键词;
将所有人才信息关键词在该属性点中出现的比率P(W/K)相乘,作为在该属性点下归纳为该同类人才Q的契合度P(Q/K);
对所获得的P(Q/K)与该属性点在步骤1中出现的契合度P(K)相乘即可表示新求职人才的属性点契合度P(K/Q);
对所有的P(K/Q)进行契合度归一化;
对新的同类求职人才组数据概率进行排序,将返回概率超过阈值Y的契合度排列;得到求职人才信息对应的嵌合度排序结果,选取排序结果的前10%或20位人才比例,反馈给用人单位HR。
3.根据权利要求2所述的系统进行精英人才和岗位高嵌合度分类匹配的方法,其特征在于:
其中,阈值Y通过测试集获得,具体获取方法如下:
(1)从人才信息数据集中获取一组人员作为测试集;
(2)对测试集的预处理同上述步骤1相同;
(3)将阈值初始值设置为O;
(4)对测试集提取多个不同人员的属性点,若测试集中人员原本的属性点出现在提取所得的属性点集中,视作提取结果正确,否则结果错误,统计正确率;
(5)调整阈值,使得正确率达到目标正确率,即为目标阈值O;如果正确率不达标,将阈值调整为之前的一半,返回(4),继续算法。
4.根据权利要求2所述的系统进行精英人才和岗位高嵌合度分类匹配的方法,其特征在于:步骤1中,所述对字符串S进行预处理包括:心理学量表数据提取,人员个人简历提取,个人陈述信息提取和图像;
步骤2中,所述对字符串Sn进行预处理包括:心理学量表数反馈表格,人员个人特征属性,岗位要求特征属性和图像。
5.根据权利要求2所述的系统进行精英人才和岗位高嵌合度分类匹配的方法,其特征在于:求职人才信息包括年龄、工作年限、学历、跳槽几率、职位信息、个人能力、专业信息、心理学量表应答数据;所述用人单位招聘岗位信息包括职位名称、工作经验、工作地点、年薪、学历、技能要求信息。
6.根据权利要求5所述的系统进行精英人才和岗位高嵌合度分类匹配的方法,其特征在于:所述心理学量表包括以下量表的一种或多种,
胜任力辞典及等级量表;
职业锚测验量表;
PDP性格测试量表;
心理压力测试量表;
MBTI国际职业性格测评量表;
霍兰德职业倾向量表;
拖延症心理测试量表;
职业倦怠症测试量表MBI;
左右脑优势测试量表。
7.根据权利要求2所述的系统进行精英人才和岗位高嵌合度分类匹配的方法,其特征在于:所述求职人才信息包括特殊岗位的精英人才信息,采集求职人才的照片或即时图像采集,所述用人单位招聘岗位信息包括录入预设的形体及容貌要求,提供标准比对图像;采用卷积神经网络算法自动筛选貌相、身高比例、体重比例、体脂数值存储在人才信息数据集中,利用人工智能对求职人才信息数据集进行分类并匹配,根据匹配结果对目标人物组进行嵌合度排序,选取符合阈值的排序结果反馈给用人单位HR及求职人才。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110020100.0A CN112819286A (zh) | 2021-01-07 | 2021-01-07 | 一种精英人才和岗位高嵌合度分类匹配系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110020100.0A CN112819286A (zh) | 2021-01-07 | 2021-01-07 | 一种精英人才和岗位高嵌合度分类匹配系统和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112819286A true CN112819286A (zh) | 2021-05-18 |
Family
ID=75868493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110020100.0A Pending CN112819286A (zh) | 2021-01-07 | 2021-01-07 | 一种精英人才和岗位高嵌合度分类匹配系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112819286A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114139065A (zh) * | 2022-02-07 | 2022-03-04 | 北京融信数联科技有限公司 | 基于大数据的人才筛选推荐方法、系统及可读存储介质 |
CN114298674A (zh) * | 2021-12-27 | 2022-04-08 | 四川启睿克科技有限公司 | 一种基于复杂规则的轮岗分配计算的轮岗系统及方法 |
CN115170094A (zh) * | 2022-09-07 | 2022-10-11 | 泰盈科技集团股份有限公司 | 大数据人工智能招聘系统及方法 |
CN115187150A (zh) * | 2022-09-13 | 2022-10-14 | 绿城科技产业服务集团有限公司 | 一种基于智慧园区管理平台的人才公寓分配方法及系统 |
CN115630080A (zh) * | 2022-10-26 | 2023-01-20 | 深圳市纵横云数信息科技有限公司 | 一种引导式的人才政策福利计算方法及装置 |
CN116739541A (zh) * | 2023-08-15 | 2023-09-12 | 湖南立人科技有限公司 | 一种基于ai技术的智能人才匹配方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111144781A (zh) * | 2019-12-31 | 2020-05-12 | 江苏德尔斐数字科技有限公司 | 一种基于云端数据的智能人才测评筛选方法 |
CN111798217A (zh) * | 2020-07-10 | 2020-10-20 | 河北冀联人力资源服务集团有限公司 | 数据分析系统及方法 |
-
2021
- 2021-01-07 CN CN202110020100.0A patent/CN112819286A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111144781A (zh) * | 2019-12-31 | 2020-05-12 | 江苏德尔斐数字科技有限公司 | 一种基于云端数据的智能人才测评筛选方法 |
CN111798217A (zh) * | 2020-07-10 | 2020-10-20 | 河北冀联人力资源服务集团有限公司 | 数据分析系统及方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114298674A (zh) * | 2021-12-27 | 2022-04-08 | 四川启睿克科技有限公司 | 一种基于复杂规则的轮岗分配计算的轮岗系统及方法 |
CN114298674B (zh) * | 2021-12-27 | 2024-04-12 | 四川启睿克科技有限公司 | 一种基于复杂规则的轮岗分配计算的轮岗系统及方法 |
CN114139065A (zh) * | 2022-02-07 | 2022-03-04 | 北京融信数联科技有限公司 | 基于大数据的人才筛选推荐方法、系统及可读存储介质 |
CN114139065B (zh) * | 2022-02-07 | 2022-05-24 | 北京融信数联科技有限公司 | 基于大数据的人才筛选推荐方法、系统及可读存储介质 |
CN115170094A (zh) * | 2022-09-07 | 2022-10-11 | 泰盈科技集团股份有限公司 | 大数据人工智能招聘系统及方法 |
CN115170094B (zh) * | 2022-09-07 | 2022-11-29 | 泰盈科技集团股份有限公司 | 大数据人工智能招聘系统及方法 |
CN115187150A (zh) * | 2022-09-13 | 2022-10-14 | 绿城科技产业服务集团有限公司 | 一种基于智慧园区管理平台的人才公寓分配方法及系统 |
CN115187150B (zh) * | 2022-09-13 | 2023-04-18 | 绿城科技产业服务集团有限公司 | 一种基于智慧园区管理平台的人才公寓分配方法及系统 |
CN115630080A (zh) * | 2022-10-26 | 2023-01-20 | 深圳市纵横云数信息科技有限公司 | 一种引导式的人才政策福利计算方法及装置 |
CN115630080B (zh) * | 2022-10-26 | 2023-08-04 | 深圳市纵横云数信息科技有限公司 | 一种引导式的人才政策福利计算方法及装置 |
CN116739541A (zh) * | 2023-08-15 | 2023-09-12 | 湖南立人科技有限公司 | 一种基于ai技术的智能人才匹配方法及系统 |
CN116739541B (zh) * | 2023-08-15 | 2023-10-27 | 湖南立人科技有限公司 | 一种基于ai技术的智能人才匹配方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112819286A (zh) | 一种精英人才和岗位高嵌合度分类匹配系统和方法 | |
US11328231B2 (en) | Method of matching employers with job seekers | |
Naylor et al. | 11 Determinants of educational success in higher education | |
CN106408249A (zh) | 简历与职位匹配方法及装置 | |
CN109727169A (zh) | 基于工作岗位的员工培训内容推送及接收方法和系统 | |
CN106663230A (zh) | 职业分析平台 | |
CN103620590B (zh) | 用于图像至文本以及文本至图像的关联的系统和方法 | |
Tijdens | Dropout rates and response times of an occupation search tree in a web survey | |
CN111833019A (zh) | 一种云定制招聘会方法和系统 | |
CN109711424B (zh) | 一种基于决策树的行为规则获取方法、装置及设备 | |
CN111737485A (zh) | 基于知识图谱、深度学习的人岗匹配方法、人岗匹配系统 | |
Rodriguez et al. | Feature selection for job matching application using profile matching model | |
CN103324758B (zh) | 一种新闻分类方法和系统 | |
CN113918806A (zh) | 自动推荐培训课程的方法及相关设备 | |
Appadoo et al. | Job recommendation system, machine learning, regression, classification, natural language processing | |
CN112598184A (zh) | 一种戒毒人员复吸风险预测的方法和装置 | |
CN115396389A (zh) | 一种基于情绪能量感知的物联网信息技术客服服务系统 | |
CN111967836A (zh) | 人才“全息数字画像”的生成方法及其应用 | |
US11328232B2 (en) | Method of matching employers with job seekers | |
CN106055657B (zh) | 用于特定人群的观影指数评价系统 | |
CN108763459B (zh) | 基于心理测试及dnn算法的专业倾向分析方法及系统 | |
CN106205288A (zh) | 一种培训机器人的实现方法 | |
CN112529533A (zh) | 一种基于大数据的简历推送方法 | |
CN113592445A (zh) | 一种基于大数据的人才管理系统 | |
CN109992592B (zh) | 基于校园消费卡流水数据的高校贫困生识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210518 |