CN113157757A - 一种数据推荐方法、装置、电子设备及存储介质 - Google Patents
一种数据推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113157757A CN113157757A CN202110575204.8A CN202110575204A CN113157757A CN 113157757 A CN113157757 A CN 113157757A CN 202110575204 A CN202110575204 A CN 202110575204A CN 113157757 A CN113157757 A CN 113157757A
- Authority
- CN
- China
- Prior art keywords
- screening
- candidate object
- determining
- association
- relevance
- 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
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/105—Human resources
- G06Q10/1053—Employment or hiring
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例涉及数据处理领域,公开了一种数据推荐方法、装置、电子设备及存储介质,该方法包括:获取候选对象集合中各个候选对象的简历信息,并确定用于进行简历筛选的筛选条件;从简历信息中获取与筛选条件具有关联关系的关联信息,并根据关联信息和所述筛选条件确定各个候选对象的筛选关联度;获取各个候选对象的目标画像数据,并根据目标画像数据确定各个候选对象的待推荐系数;根据筛选关联度和待推荐系数确定各个候选对象的简历得分,并根据各个候选对象的简历得分从候选对象集合中确定待推荐对象。可以有效的提高数据推荐的效率以及准确性。本申请涉及区块链技术,如可将上述数据写入区块链中,以用于数据推荐等场景。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种数据推荐方法、装置、电子设备及存储介质。
背景技术
随着计算机领域的快速发展,在企业相关工作开展中,例如进行企业职位招聘或企业员工的竞聘等会产生大量的简历,目前,大多筛选系统采用的是人工筛选的方法,即需要人工从从海量的简历中筛选出企业所需要的简历,这样操作起来相当麻烦,费时费力,而且还容易在整理的时候出错误,无法提高工作效率。因此,如何快速,且准确的筛选出所需要的简历成为了当前的研究热点问题。
发明内容
本申请实施例提供了一种数据推荐方法、装置、电子设备及存储介质,可以结合筛选条件以及候选对象的画像数据对候选对象进行排序,使得候选对象的排序更加精确,从而有效提高对象推荐的准确性。并且可以按照设定的推荐规则进行推荐,实现了自动化推荐,解决了繁琐且易于出错的手工操作,提高了工作效率。
第一方面,本申请实施例公开了一种数据推荐方法,所述方法包括:
获取候选对象集合中各个候选对象的简历信息,并确定用于进行简历筛选的筛选条件;
从所述简历信息中获取与所述筛选条件具有关联关系的关联信息,并根据所述关联信息和所述筛选条件确定所述各个候选对象的筛选关联度;
获取各个候选对象的目标画像数据,并根据所述目标画像数据确定所述各个候选对象的待推荐系数;
根据所述筛选关联度和所述待推荐系数确定所述各个候选对象的简历得分,并根据所述各个候选对象的简历得分从所述候选对象集合中确定待推荐对象。
第二方面,本申请实施例公开了一种数据推荐装置,所述装置包括:
获取单元,用于获取候选对象集合中各个候选对象的简历信息,并确定用于进行简历筛选的筛选条件;
第一确定单元,用于从所述简历信息中获取与所述筛选条件具有关联关系的关联信息,并根据所述关联信息和所述筛选条件确定所述各个候选对象的筛选关联度;
第二确定单元,用于获取各个候选对象的目标画像数据,并根据所述目标画像数据确定所述各个候选对象的待推荐系数;
第三确定单元,用于根据所述筛选关联度和所述待推荐系数确定所述各个候选对象的简历得分,并根据所述各个候选对象的简历得分从所述候选对象集合中确定待推荐对象。
第三方面,本申请实施例公开了一种电子设备,包括处理器、存储器,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,执行上述第一方面的方法。
第四方面,本申请实施例公开了一种计算机可读存储介质,所述计算机可读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上述第一方面的方法。
本申请实施例中,电子设备可以获取候选对象集合中各个候选对象的简历信息,并确定用于进行简历筛选的筛选条件,接着,从简历信息中获取与筛选条件具有关联关系的关联信息,并根据关联信息和所述筛选条件确定各个候选对象的筛选关联度,进一步的,可以获取各个候选对象的目标画像数据,并根据目标画像数据确定各个候选对象的待推荐系数,从而根据筛选关联度和待推荐系数确定各个候选对象的简历得分,并根据各个候选对象的简历得分从候选对象集合中确定待推荐对象。通过实施上述方法,可以结合筛选条件以及候选对象的画像数据对候选对象进行排序,使得候选对象的排序更加精确,从而有效提高对象推荐的准确性。并且可以按照设定的推荐规则进行推荐,实现了自动化推荐,解决了繁琐且易于出错的手工操作,提高了工作效率。
附图说明
为了更清楚地说明本申请实施例技术方案,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一种数据推荐方法的流程示意图;
图2是本申请实施例提供的另一种数据推荐方法的流程示意图;
图3是本申请实施例提供的一种数据推荐装置的结构示意图;
图4是本申请实施例提供的一种电子设备的结构示意图。
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。
请参阅图1,图1是本申请实施例提供的一种数据推荐方法的流程示意图。本实施例中所描述的数据推荐方法,应用于电子设备,可由电子设备执行,其中,该电子设备可以是服务器,也可以是终端。如图1所示,该数据推荐方法包括以下步骤:
S101:获取候选对象集合中各个候选对象的简历信息,并确定用于进行简历筛选的筛选条件。
其中,候选对象集合可以是指企业中的所有员工或部分员工,例如,要从企业中挖掘某些职能或领域较为优秀的员工,即可以将该企业中的所有员工或部分员工确定为候选对象集合。
在一种实现方式中,可以获取多个候选对象集合中各个候选对象的简历信息,其中,任一候选对象的简历信息可以包括该候选对象的相关信息,例如,该相关信息可以是年龄、司龄、学历、机构层级、考核结果、政治面貌、专业、职能等。而为了根据候选对象的简历信息对候选对象进行筛选,而得到待推荐对象,还需要确定筛选条件,该筛选条件用于进行简历筛选,以根据该筛选条件对候选对象进行筛选得到待推荐对象。而为了后续对候选对应的精准排序,本申请中的筛选条件可以包括针对简历信息多方面的筛选,不仅包括针对性别、年龄、司龄、学历、机构层级、考核结果、政治面貌等维度进行的筛选,还可以深入到候选对象的具体信息细节的挖掘,例如,候选对象工作或者擅长的领域、管理团队规模和工作经验等信息,那么,在本申请中的筛选条件可以包括文本筛选条件、范围筛选条件和语义筛选条件。其中,文本筛选条件可以是例如针对性别、政治面貌、考核等级等文本的筛选条件;范围筛选条件可以是例如针对学历范围、年龄范围、工作年限范围、司龄范围、团队规模范围等范围的筛选条件。语义筛选条件可以是例如针对例如专业、行业/领域、职能等语义的筛选条件。
S102:从简历信息中获取与筛选条件具有关联关系的关联信息,并根据关联信息和筛选条件确定各个候选对象的筛选关联度。
在一种实现方式中,筛选关联度是可以包括文本筛选条件、范围筛选条件和语义筛选条件的,那么,针对候选对象集合中任一候选对象的简历信息,可以从简历信息中获取与文本筛选条件具有关联关系的第一关联信息,获取与范围筛选条件具有关联关系的第二关联信息,获取与语义筛选条件具有关联关系的第三关联信息。而在获取到第一关联信息、第二关联信息和第三关联信息之后,就可以根据第一关联信息和文本筛选条件确定候选对象的第一筛选关联度,根据第二关联信息和范围筛选条件确定候选对象的第二筛选关联度,根据第三关联信息和语义筛选条件确定候选对象的第三筛选关联度。那么,在确定第一筛选关联度、第二筛选关联度和第三筛选关联度之后,即可根据第一筛选关联度、第二筛选关联度和第三筛选关联度确定候选对象的筛选关联度。
S103:获取各个候选对象的目标画像数据,并根据目标画像数据确定各个候选对象的待推荐系数。
在一种实现方式中,除了利用候选对象的简历信息以及上述的筛选条件进行候选对象的筛选之外,还可以结合简历信息所形成的候选对象的画像数据对候选对象进行进一步的筛选,以得到待推荐对象。使得后续根据筛选关联度和待推荐系数得到的候选对象的简历得分排序结果更加精确,从而可以有效提升对象推荐的准确性。
在一种实现方式中,可以获取各个候选对象的目标画像数据,而在获取到各个候选对象的目标画像数据之后,可以调用目标画像模型对各个候选对象的目标画像数据进行处理,以得到各个候选对象的待推荐系数。具体地,将候选对象的目标画像数据输入到目标画像模型进行预测,那么,目标画像模型的输出结果即为候选对象的待推荐系数。其中,目标画像数据可以包括候选对象的基本信息、工作信息和考核轨迹信息,例如,基本信息可以包括候选对象的性别、政治面貌、年龄、学历等信息,工作信息可以包括候选对象的从业年限、行业、领域、专业等信息,考核轨迹信息可以包括候选对象在预设时间段内的年中考核等级及提拔结果、年底考核等级及提拔结果等信息。其中,预设时间段可以是近3年或者5年,还可以是其他时间段,在本申请不做限定。
在一种实现方式中,可以对初始画像模型进行训练和验证,以得到训练后的初始画像模型,训练后的初始画像模型即是目标画像模型。其中,初始画像模型可以是深度因子分解机(DeepFactorization Machines,DFM)模型,也可以是其他深度神经网络模型,在本申请不做限定。具体地,初始画像模型的训练过程可以是:获取对象集合中各个对象的训练画像数据。其中,对象集合可以是指企业中的员工集合,而一个对象的训练画像数据则是指一个员工的画像数据,画像数据可以包括员工的基本信息、工作信息和考核轨迹信息,例如,基本信息可以包括员工的性别、政治面貌、年龄、学历等信息,工作信息可以包括员工的从业年限、行业、领域、专业等信息,考核轨迹信息可以包括员工在预设时间段内的年中考核等级及提拔结果、年底考核等级及提拔结果等信息。其中,预设时间段可以是近3年或者5年,还可以是其他时间段,在本申请不做限定。那么,在得到各个对象的训练画像数据之后,即可根据训练画像数据确定训练样本集合,并确定训练样本集合中每个训练样本的参考推荐系数。具体地,训练样本集合可以包括一个或多个训练样本,而一个对象的训练画像数据即为一个训练样本。其中,训练样本集合中包括正训练样本和反训练样本,正训练样本是指被提拔过的训练画像数据,反训练样本是指未被提拔过的训练画像数据,而正训练样本和反训练样本可以根据每个对象的训练画像数据来确定。具体可以获取每个对象的训练画像数据中的提拔结果来确定,其中,提拔结果包括提拔或未提拔。那么,若一个对象的训练画像数据中的提拔结果为提拔,则确定该对象的训练画像数据为正训练样本,若一个对象的训练画像数据中的提拔结果为未提拔,则确定该对象的训练画像数据为反训练样本。每个训练样本的参考推荐系数可以根据一个对象在预设时间段内被提拔的次数确定,例如,假设预设时间段为5年,则可以从该对象的训练画像数据中统计提拔结果为提拔的次数,再确定各个对象被提拔的次数之后,再将各个对象被提拔的次数进行归一化处理,得到的归一化结果即是每个训练样本的参考推荐系数,而若对象的训练画像数据中统计提拔结果为提拔的次数是0,那么对象对应的训练样本的参考推荐系数为0。
进一步的,根据上述得到的训练样本集合和每个训练样本的参考推荐系数,对初始画像模型进行训练和验证,即可得到目标画像模型。考虑到训练画像数据总量普遍较少,而利用较少的训练画像数据在对初始画像模型训练时,可能导致模型在训练过程中出现欠拟合,那么,可以采用交叉验证方式对初始画像模型进行训练和验证,即训练数据集和验证数据集的划分采用交叉验证的方式进行。具体地,假设训练样本集合中M个训练样本,首先,将M个训练样本划分成k个大小相等的训练样本子集,在对初始画像模型训练时,依次遍历k个训练样本子集,每次把当前训练样本子集作为验证数据集,其余所有训练样本子集作为训练数据集,对初始画像模型进行模型的训练和验证。可以理解的是,初始画像模型进行了k次训练,那么,在初始画像模型进行模型的训练时,可以获取初始画像模型在k次训练中每次训练后的模型参数,而目标画像模型的模型参数则是将k次训练的模型参数的平均值。
S104:根据筛选关联度和待推荐系数确定各个候选对象的简历得分,并根据各个候选对象的简历得分从候选对象集合中确定待推荐对象。
在一种实现方式中,可以根据筛选关联度和待推荐系数确定各个候选对象的简历得分,针对候选对象集合中的任一候选对象,可以将候选对象的筛选关联度和待推荐系数按照目标整合方式,以得到候选对象的简历得分。例如,目标整合方式可以是将筛选关联度和待推荐系数进行求和处理,那么,求和结果即是候选对象的简历得分。又如,目标整合方式还可以是在求和处理之前,分别对筛选关联度值进行平方处理,再将筛选关联度的平方处理结果和待推荐系数的平方处理结果进行求和处理,则该求和结果即是候选对象的简历得分。又如,目标整合方式还可以是在求和处理之前,分别对筛选关联度和待推荐系数进行加权处理,再将筛选关联度的加权处理结果和待推荐系数的加权处理结果进行求和处理,则该求和结果即是候选对象的简历得分。其中,筛选关联度的加权系数和待推荐系数的加权系数可以根据预先设置,筛选关联度的加权系数和待推荐系数的加权系数的和值为1,而筛选关联度的加权系数和待推荐系数的加权系数的大小可以根据需求设置,筛选关联度的加权系数可以大于待推荐系数的加权系数,筛选关联度的加权系数也可以小于待推荐系数的加权系数。需要说明的是,上述目标整合方式还可以是其他方式,在本申请不做限定。
在一种实现方式中,在确定各个候选对象的简历得分之后,即可根据各个候选对象的简历得分来确定待推荐对象。具体地,可以将各个候选对象的简历得分进行降序排序,以得到简历得分排序结果,那么,在得到得到简历得分排序结果之后,可以将简历得分排序结果中前L位简历得分对应的候选对象确定为待推荐对象,其中,L为正整数,L可以是预先设定,例如可以是3,或是5,也可以是其他数值,在本申请不做限定。
举例来说,假设L=3,候选对象有7个,分别为候选对象1、候选对象2、候选对象3、候选对象4、候选对象5、候选对象6、候选对象7,可以确定的每个候选对象的对应的简历得分为0.25、0.85、0.5、0.75、0.85、0.4、0.3,然后将上述简历得分进行降序排序,得到简历得分排序结果为0.85(候选对象2)、0.85(候选对象5)、0.75(候选对象4)、0.5(候选对象3)、0.4(候选对象6)、0.3(候选对象7)、0.25(候选对象1),接着,可以将简历得分排序结果中前3个简历得分对应的候选对象作为待推荐对象,也就是候选对象2、候选对象5和候选对象4作为待推荐对象。
本申请实施例中,电子设备可以获取候选对象集合中各个候选对象的简历信息,并确定用于进行简历筛选的筛选条件,接着,从简历信息中获取与筛选条件具有关联关系的关联信息,并根据关联信息和所述筛选条件确定各个候选对象的筛选关联度,进一步的,可以获取各个候选对象的目标画像数据,并根据目标画像数据确定各个候选对象的待推荐系数,从而根据筛选关联度和待推荐系数确定各个候选对象的简历得分,并根据各个候选对象的简历得分从候选对象集合中确定待推荐对象。通过实施上述方法,可以结合筛选条件以及候选对象的画像数据对候选对象进行排序,使得候选对象的排序更加精确,从而有效提高对象推荐的准确性。并且可以按照设定的推荐规则进行推荐,实现了自动化推荐,解决了繁琐且易于出错的手工操作,提高了工作效率。
请参阅图2,图2是本申请实施例提供的另一种数据推荐方法的流程示意图。本实施例中所描述的数据推荐方法,应用于电子设备,可由电子设备执行,其中,该电子设备可以是服务器,也可以是终端。如图2所示,该数据推荐方法包括以下步骤:
S201:获取候选对象集合中各个候选对象的简历信息,并确定用于进行简历筛选的筛选条件。
S202:针对候选对象集合中任一候选对象的简历信息,从简历信息中获取与文本筛选条件具有关联关系的第一关联信息,并根据第一关联信息和文本筛选条件确定候选对象的第一筛选关联度。
需要说明的是,下述以确定候选对象集合中任一候选对象的第一筛选关联度为例进行说明。
在一种实现方式中,针对候选对象集合中任一候选对象的简历信息,可以从该简历信息中获取与文本筛选条件具有关联关系的第一关联信息,该第一关联信息可以包括一个或多个第一关联参数。例如,假设文本筛选条件是针对性别的筛选,该文本筛选条件具体可以是性别为男,那么,可以从简历信息中获取候选对象的性别,例如第一关联参数包括候选对象的性别为女;假设文本筛选条件是针对性别、政治面貌、考核等级的筛选,那么,可以从简历信息中获取候选对象的性别、政治面貌、考核等级,则第一关联参数包括候选对象的性别、政治面貌、考核等级。而在确定与文本筛选条件具有关联关系的第一关联信息之后,则可以根据第一关联信息和文本筛选条件确定候选对象的第一筛选关联度。具体地,针对一个或多个第一关联参数中的任一第一关联参数,可以先从文本筛选条件中确定第一关联参数对应的目标文本筛选条件。例如,假设第一关联参数是关于候选对象的性别,则可以从文本筛选条件中确定针对性别的文本筛选条件,那么,该针对性别的文本筛选条件即是目标文本筛选条件。而在确定目标文本筛选条件之后,则可以计算第一关联参数与目标文本筛选条件之间的相似度,并将该相似度作为第一关联参数的第一相似度。其中,该相似度的计算可以利用词频-逆文件频率(Term Frequency-Inverse Document Frequency、TF-IDF)算法,也可以是其他相似度算法,在本申请不做限定。例如,假设第一关联参数是关于性别,且该性别为女,目标文本筛选条件是性别为男,则第一关联参数的第一相似度也就是计算第一关联参数为女,与目标文本筛选条件为男之间的相似度。
那么,从上述可知,可以根据上述所描述的方法确定一个或多个第一关联参数中各个第一关联参数的第一相似度,而在确定各个第一关联参数的第一相似度之后,即可根据各个第一关联参数的第一相似度确定候选对象的第一筛选关联度。具体的,可以将各个第一关联参数的第一相似度进行求和处理,则该求和结果即是候选对象的第一筛选关联度。也可以是在求和处理之前,分别对各个第一关联参数的第一相似度进行加权处理,再将各个第一关联参数的第一相似度进行加权处理的加权处理结果进行求和处理,而该求和结果即是候选对象的第一筛选关联度。其中,各个第一关联参数的第一相似度的加权系数可以根据预先设置,其大小可以根据需求设置,在本申请不做限定。例如,第一关联参数是针对候选对象的性别、政治面貌、考核等级的,且第一关联参数针对性别的第一相似度为A1,第一关联参数针对政治面貌的第一相似度为A2,第一关联参数针对考核等级的第一相似度为A3,那么,候选对象的第一筛选关联度可以是A=A1+A2+A3。
S203:从简历信息中获取与范围筛选条件具有关联关系的第二关联信息,并根据第二关联信息和范围筛选条件确定候选对象的第二筛选关联度。
需要说明的是,下述以确定候选对象集合中任一候选对象的第二筛选关联度为例进行说明。
在一种实现方式中,针对候选对象集合中任一候选对象的简历信息,可以从该简历信息中获取与范围筛选条件具有关联关系的第二关联信息,该第二关联信息可以包括一个或多个第二关联参数。例如,假设范围筛选条件是团队规模为10人以上,那么,可以从简历信息中获取候选对象的工作年限,例如第二关联参数包括候选对象的工作年限为8;假设文本筛选条件是工作年限为5年以上、司龄为3年以上、团队规模为10人以上,那么,可以从简历信息中获取候选对象的学历、年龄、工作年限、司龄、团队规模,例如,从简历信息中获取到第二关联参数包括工作年限为8、司龄为5、团队规模20。而在确定与范围筛选条件具有关联关系的第二关联信息,则可以根据第二关联信息和范围筛选条件确定候选对象的第二筛选关联度。具体地,针对一个或多个第二关联参数中的任一第二关联参数,可以先从范围筛选条件中确定第二关联参数对应的目标范围筛选条件。例如,假设第二关联参数是关于候选对象的工作年限,则可以从范围筛选条件中确定针对工作年限的范围筛选条件,那么,该针对工作年限的范围筛选条件即是目标范围筛选条件。而在确定目标范围筛选条件之后,则可以计算第二关联参数与目标范围筛选条件之间的差值,并将该差值作为第二关联参数的目标差值。例如,假设第二关联参数是关于工作年限,且该工作年限为8,目标范围筛选条件是工作年限为5年以上,则第二关联参数的目标差值为3(8-5)。
那么,从上述可知,可以根据上述所描述的方法确定一个或多个第二关联参数中各个第二关联参数的目标差值,而在确定各个第二关联参数的目标差值之后,即可根据各个第二关联参数的目标差值确定候选对象的第二筛选关联度。具体地,可以将各个第二关联参数的目标差值进行归一化处理,以将所有根据范围筛选条件得到目标差值映射为0到1之间的数值,以减弱根据范围筛选条件所得到的目标差值过大而产生的偏差。那么,在得到各个目标差值对应的归一化值,再将各个归一化值进行求和处理,该求和结果即可以是第二筛选关联度。
举例来说,假设范围筛选条件包括:“学历为本科以上、年龄为30以上、工作年限为5年以上、司龄为3年以上、团队规模10人以上”,而从候选对象的简历信息中的获取到第二关联参数包括:“学历为硕士、年龄为31、工作年限为8、司龄为5、团队规模20”。需要说明的是,关于学历等文本性质的范围,可以以1、2、3等数值按大小进行编码,例如,学历为本科对应的数值为1,学历为硕士对应的数值为2,依次类推。那么,根据上述数据可以得到各个第二关联参数对应的目标差值,关于学历的目标差值为2-1=1、关于年龄的目标差值为31-30=1、关于工作年限的目标差值为8-5=3、关于司龄的目标差值为5-3=2、关于团队规模的目标差值20-10=10。然后,再对上述各个目标差值进行归一化,得到各个目标差值对应的归一化值,再将各个归一化值进行求和处理,该求和结果即是第二筛选关联度。
S204:从简历信息中获取与语义筛选条件具有关联关系的第三关联信息,并根据第三关联信息和语义筛选条件确定候选对象的第三筛选关联度。
需要说明的是,下述以确定候选对象集合中任一候选对象的第三筛选关联度为例进行说明。
在一种实现方式中,针对候选对象集合中任一候选对象的简历信息,可以从该简历信息中获取与语义筛选条件具有关联关系的第三关联信息,该第三关联信息可以包括一个或多个第三关联参数。例如,假设语义筛选条件是针对专业的筛选,该语义筛选条件具体可以是专业为计算机专业,那么,可以从简历信息中获取候选对象的专业,例如第一关联参数包括候选对象的专业为通信专业;假设语义筛选条件是针对专业、行业(或者领域)、职能的筛选,那么,可以从简历信息中获取候选对象的专业、行业、职能,则第三关联参数包括候选对象的专业、行业、职能。而在确定与语义筛选条件具有关联关系的第三关联信息之后,则可以根据第三关联信息和语义筛选条件确定候选对象的第三筛选关联度。具体地,针对一个或多个第三关联参数中的任一第三关联参数,可以先从语义筛选条件中确定第三关联参数对应的目标语义筛选条件。例如,假设第三关联参数是关于候选对象的专业,则可以从语义筛选条件中确定针对专业的语义筛选条件,那么,该针对专业的语义筛选条件即是目标语义筛选条件。而在确定目标语义筛选条件之后,可以按照目标扩展方式确定该目标语义筛选条件的扩展语义筛选条件。其中,上述目标扩展方式可以是指利用知识图谱的方式,例如,知识图谱可以作如下理解:对于一个范围较广的专业可以进行分类得到多个子专业,计算机专业可以包括计算机科学、网络工程等子专业;金融行业可以包括银行、保险、基金等子专业,而每个子专业也可以进行分类得到多个子子专业,依次类推,可以确定一个范围较广的专业可以存在类似树状的专业分支。那么,基于知识图谱,可以从知识图谱中挖掘到的目标语义筛选条件对应的扩展语义筛选条件。例如,假设目标语义筛选条件是计算机专业,其扩展语义筛选条件可以包括计算机科学、网络工程。
那么,在确定目标语义筛选条件的扩展语义筛选条件之后,就可以根据第三关联参数对应的目标语义筛选条件和扩展语义筛选条件来确定候选对象的第三筛选关联度。具体地,可以计算第三关联参数与目标语义筛选条件之间的第二相似度,并计算第三关联参数与扩展语义筛选条件之间的第三相似度。需要注意的是,扩展语义筛选条件的数量可以为一个或多个,那么,在扩展语义筛选条件的数量可以为多个的情况下,需要计算第三关联参数与各个扩展语义筛选条件之间的第三相似度。而在确定第二相似度和第三相似度之后,再根据第二相似度和第三相似度确定第三关联参数的目标相似度。其中,可以将第二相似度和第三相似度进行求和处理,该求和结果即是第三关联参数的目标相似度;也可以是在求和处理之前,分别对第二相似度和第三相似度进行加权处理,再将第二相似度和第三相似度进行加权处理的加权处理结果进行求和处理,而该求和结果即是第三关联参数的目标相似度。其中,第二相似度和第三相似度的加权系数可以根据预先设置,其大小可以根据需求设置,在本申请不做限定。
进一步的,从上述可知,可以根据上述所描述的方法确定一个或多个第三关联参数中各个第三关联参数的目标相似度,而在确定各个第三关联参数的目标相似度之后,即可根据各个第三关联参数的目标相似度确定候选对象的第三筛选关联度。具体的,可以将各个第三关联参数的目标相似度进行求和处理,则该求和结果即是候选对象的第三筛选关联度。也可以是在求和处理之前,分别对各个第三关联参数的目标相似度进行加权处理,再将各个第三关联参数的目标相似度进行加权处理的加权处理结果进行求和处理,而该求和结果即是候选对象的第三筛选关联度。其中,各个第三关联参数的目标相似度的加权系数可以根据预先设置,其大小可以根据需求设置,在本申请不做限定。
在一种实现方式中,在上述计算第三关联参数与目标语义筛选条件之间的第二相似度,以及计算第三关联参数与扩展语义筛选条件之间的第三相似度时,涉及到的相似度可以是指余弦相似度,所利用到的相似度计算具体可为如下描述,其中,以第三关联参数与目标语义筛选条件之间的第二相似度为例进行说明,且假设目标语义筛选条件是针对专业的,目标语义筛选条件是计算机,第三关联参数是通信。首先利用词向量(Word2vec)模型获得计算机对应的第一词向量,通信对应的第二词向量,然后再计算第一词向量和第二词向量之间的余弦距离,得到的值即是第二相似度。其中,Word2vec模型可以是基于专业领域知识文本(例如教材、培训资料等)与有关简历中的数据通过迁移学习训练而成的。
S205:根据第一筛选关联度、第二筛选关联度和第三筛选关联度确定候选对象的筛选关联度。
在一种实现方式中,可以将第一筛选关联度、第二筛选关联度和第三筛选关联度进行求和处理,该求和结果即是候选对象的筛选关联度。也可以是在求和处理之前,分别对第一筛选关联度、第二筛选关联度和第三筛选关联度进行加权处理,再将第一筛选关联度、第二筛选关联度和第三筛选关联度进行加权处理的加权处理结果进行求和处理,而该求和结果即是候选对象的筛选关联度。其中,第一筛选关联度、第二筛选关联度和第三筛选关联度的加权系数可以根据预先设置,其大小可以根据需求设置,在本申请不做限定。
S206:获取各个候选对象的目标画像数据,并根据目标画像数据确定各个候选对象的待推荐系数。
S207:根据筛选关联度和待推荐系数确定各个候选对象的简历得分,并根据各个候选对象的简历得分从候选对象集合中确定待推荐对象。
其中,步骤S201、S206和S207的具体实施方式可以参见上述实施例步骤S101、S103和S104的具体描述,此处不再赘述。
本申请实施例中,电子设备可以获取候选对象集合中各个候选对象的简历信息,并确定用于进行简历筛选的筛选条件,针对候选对象集合中任一候选对象的简历信息,从简历信息中获取与文本筛选条件具有关联关系的第一关联信息,并根据第一关联信息和文本筛选条件确定候选对象的第一筛选关联度,从简历信息中获取与范围筛选条件具有关联关系的第二关联信息,并根据第二关联信息和范围筛选条件确定候选对象的第二筛选关联度,从简历信息中获取与语义筛选条件具有关联关系的第三关联信息,并根据第三关联信息和语义筛选条件确定候选对象的第三筛选关联度。然后,根据第一筛选关联度、第二筛选关联度和第三筛选关联度确定候选对象的筛选关联度。进一步的,可以获取各个候选对象的目标画像数据,并根据目标画像数据确定各个候选对象的待推荐系数,从而根据筛选关联度和待推荐系数确定各个候选对象的简历得分,并根据各个候选对象的简历得分从候选对象集合中确定待推荐对象。通过实施上述方法,可以结合筛选条件以及候选对象的画像数据对候选对象进行排序,使得候选对象的排序更加精确,从而有效提高对象推荐的准确性。并且可以按照设定的推荐规则进行推荐,实现了自动化推荐,解决了繁琐且易于出错的手工操作,提高了工作效率。
请参阅图3,图3是本申请实施例提供的一种数据推荐装置的结构示意图,该数据推荐装置包括:
获取单元301,用于获取候选对象集合中各个候选对象的简历信息,并确定用于进行简历筛选的筛选条件;
第一确定单元302,用于从所述简历信息中获取与所述筛选条件具有关联关系的关联信息,并根据所述关联信息和所述筛选条件确定所述各个候选对象的筛选关联度;
第二确定单元303,用于获取各个候选对象的目标画像数据,并根据所述目标画像数据确定所述各个候选对象的待推荐系数;
第三确定单元304,用于根据所述筛选关联度和所述待推荐系数确定所述各个候选对象的简历得分,并根据所述各个候选对象的简历得分从所述候选对象集合中确定待推荐对象。
在一种实现方式中,所述筛选条件包括文本筛选条件、范围筛选条件和语义筛选条件;所述第一确定单元302,具体用于:
针对所述候选对象集合中任一候选对象的简历信息,从所述简历信息中获取与所述文本筛选条件具有关联关系的第一关联信息,并根据所述第一关联信息和所述文本筛选条件确定所述候选对象的第一筛选关联度;
从所述简历信息中获取与所述范围筛选条件具有关联关系的第二关联信息,并根据所述第二关联信息和所述范围筛选条件确定所述候选对象的第二筛选关联度;
从所述简历信息中获取与所述语义筛选条件具有关联关系的第三关联信息,并根据所述第三关联信息和所述语义筛选条件确定所述候选对象的第三筛选关联度;
根据所述第一筛选关联度、所述第二筛选关联度和所述第三筛选关联度确定所述候选对象的筛选关联度。
在一种实现方式中,所述第一关联信息包括一个或多个第一关联参数;所述第一确定单元302,具体用于:
针对所述一个或多个第一关联参数中的任一第一关联参数,从所述文本筛选条件中确定所述第一关联参数对应的目标文本筛选条件;
计算所述第一关联参数与所述目标文本筛选条件之间的相似度,将所述相似度作为所述第一关联参数的第一相似度;
根据所述一个或多个第一关联参数中各个第一关联参数的第一相似度确定所述候选对象的第一筛选关联度。
在一种实现方式中,所述第二关联信息包括一个或多个第二关联参数;所述第一确定单元302,具体用于:
针对所述一个或多个第二关联参数中的任一第二关联参数,从所述范围筛选条件中确定所述第二关联参数对应的目标范围筛选条件;
计算所述第二关联参数与所述目标范围筛选条件之间的差值,将所述差值作为所述第二关联参数的目标差值;
根据所述一个或多个第二关联参数中各个第二关联参数的目标差值确定所述候选对象的第二筛选关联度。
在一种实现方式中,所述第三关联信息包括一个或多个第三关联参数;所述第一确定单元302,具体用于:
针对所述一个或多个第三关联参数中的任一第三关联参数,从所述语义筛选条件中确定所述第三关联参数对应的目标语义筛选条件;
按照目标扩展方式确定所述目标语义筛选条件的扩展语义筛选条件;
计算所述第三关联参数与所述目标语义筛选条件之间的第二相似度,并计算所述第三关联参数与所述扩展语义筛选条件之间的第三相似度;
根据所述第二相似度和所述第三相似度确定所述第三关联参数的目标相似度;
根据所述一个或多个第三关联参数中各个第三关联参数的目标相似度确定所述候选对象的第三筛选关联度。
在一种实现方式中,所述第二确定单元303,具体用于:
获取对象集合中各个对象的训练画像数据,根据所述训练画像数据确定训练样本集合,并确定所述训练样本集合中每个训练样本的参考推荐系数;
根据所述训练样本集合和所述每个训练样本的参考推荐系数,利用交叉验证方式对初始画像模型进行训练和验证,得到目标画像模型;
调用所述目标画像模型对所述各个候选对象的目标画像数据进行处理,得到所述各个候选对象的待推荐系数。
在一种实现方式中,所述第三确定单元304,具体用于:
将各个候选对象的简历得分进行降序排序,得到简历得分排序结果;
将简历得分排序结果中前L位简历得分对应的候选对象确定为待推荐对象,其中,L为正整数。
可以理解的是,本申请实施例所描述的数据推荐装置的各功能单元的功能可根据图1或者图2所述的方法实施例中的方法具体实现,其具体实现过程可以参照图1或者图2的方法实施例的相关描述,此处不再赘述。
本申请实施例中,获取单元301获取候选对象集合中各个候选对象的简历信息,并确定用于进行简历筛选的筛选条件;第一确定单元302从所述简历信息中获取与所述筛选条件具有关联关系的关联信息,并根据所述关联信息和所述筛选条件确定所述各个候选对象的筛选关联度;第二确定单元303获取各个候选对象的目标画像数据,并根据所述目标画像数据确定所述各个候选对象的待推荐系数;第三确定单元304根据所述筛选关联度和所述待推荐系数确定所述各个候选对象的简历得分,并根据所述各个候选对象的简历得分从所述候选对象集合中确定待推荐对象。可以有效的提高数据推荐的效率以及准确性。
请参阅图4,图4是本申请实施例提供的一种电子设备的结构示意图。该电子设备包括:处理器401、存储器402以及网络接口403。上述处理器401、存储器402以及网络接口403之间可以交互数据。
上述处理器401可以是中央处理单元(Central Processing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal 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。
上述存储器402可以包括只读存储器和随机存取存储器,并向处理器401提供程序指令和数据。存储器402的一部分还可以包括随机存取存储器。其中,所述处理器401调用所述程序指令时用于执行:
获取候选对象集合中各个候选对象的简历信息,并确定用于进行简历筛选的筛选条件;
从所述简历信息中获取与所述筛选条件具有关联关系的关联信息,并根据所述关联信息和所述筛选条件确定所述各个候选对象的筛选关联度;
获取各个候选对象的目标画像数据,并根据所述目标画像数据确定所述各个候选对象的待推荐系数;
根据所述筛选关联度和所述待推荐系数确定所述各个候选对象的简历得分,并根据所述各个候选对象的简历得分从所述候选对象集合中确定待推荐对象。
在一种实现方式中,所述筛选条件包括文本筛选条件、范围筛选条件和语义筛选条件;所述处理器401,具体用于:
针对所述候选对象集合中任一候选对象的简历信息,从所述简历信息中获取与所述文本筛选条件具有关联关系的第一关联信息,并根据所述第一关联信息和所述文本筛选条件确定所述候选对象的第一筛选关联度;
从所述简历信息中获取与所述范围筛选条件具有关联关系的第二关联信息,并根据所述第二关联信息和所述范围筛选条件确定所述候选对象的第二筛选关联度;
从所述简历信息中获取与所述语义筛选条件具有关联关系的第三关联信息,并根据所述第三关联信息和所述语义筛选条件确定所述候选对象的第三筛选关联度;
根据所述第一筛选关联度、所述第二筛选关联度和所述第三筛选关联度确定所述候选对象的筛选关联度。
在一种实现方式中,所述第一关联信息包括一个或多个第一关联参数;所述处理器401,具体用于:
针对所述一个或多个第一关联参数中的任一第一关联参数,从所述文本筛选条件中确定所述第一关联参数对应的目标文本筛选条件;
计算所述第一关联参数与所述目标文本筛选条件之间的相似度,将所述相似度作为所述第一关联参数的第一相似度;
根据所述一个或多个第一关联参数中各个第一关联参数的第一相似度确定所述候选对象的第一筛选关联度。
在一种实现方式中,所述第二关联信息包括一个或多个第二关联参数;所述处理器401,具体用于:
针对所述一个或多个第二关联参数中的任一第二关联参数,从所述范围筛选条件中确定所述第二关联参数对应的目标范围筛选条件;
计算所述第二关联参数与所述目标范围筛选条件之间的差值,将所述差值作为所述第二关联参数的目标差值;
根据所述一个或多个第二关联参数中各个第二关联参数的目标差值确定所述候选对象的第二筛选关联度。
在一种实现方式中,所述第三关联信息包括一个或多个第三关联参数;所述处理器401,具体用于:
针对所述一个或多个第三关联参数中的任一第三关联参数,从所述语义筛选条件中确定所述第三关联参数对应的目标语义筛选条件;
按照目标扩展方式确定所述目标语义筛选条件的扩展语义筛选条件;
计算所述第三关联参数与所述目标语义筛选条件之间的第二相似度,并计算所述第三关联参数与所述扩展语义筛选条件之间的第三相似度;
根据所述第二相似度和所述第三相似度确定所述第三关联参数的目标相似度;
根据所述一个或多个第三关联参数中各个第三关联参数的目标相似度确定所述候选对象的第三筛选关联度。
在一种实现方式中,所述处理器401,具体用于:
获取对象集合中各个对象的训练画像数据,根据所述训练画像数据确定训练样本集合,并确定所述训练样本集合中每个训练样本的参考推荐系数;
根据所述训练样本集合和所述每个训练样本的参考推荐系数,利用交叉验证方式对初始画像模型进行训练和验证,得到目标画像模型;
调用所述目标画像模型对所述各个候选对象的目标画像数据进行处理,得到所述各个候选对象的待推荐系数。
在一种实现方式中,所述处理器401,具体用于:
将各个候选对象的简历得分进行降序排序,得到简历得分排序结果;
将简历得分排序结果中前L位简历得分对应的候选对象确定为待推荐对象,其中,L为正整数。
具体实现中,本申请实施例中所描述的处理器401和存储器402可执行本申请实施例图1或者图2提供的数据推荐方法中所描述的实现方式,也可执行本申请实施例图3所描述的数据推荐装置的实现方式,在此不再赘述。
本申请实施例中,处理器401可以获取候选对象集合中各个候选对象的简历信息,并确定用于进行简历筛选的筛选条件;从所述简历信息中获取与所述筛选条件具有关联关系的关联信息,并根据所述关联信息和所述筛选条件确定所述各个候选对象的筛选关联度;获取各个候选对象的目标画像数据,并根据所述目标画像数据确定所述各个候选对象的待推荐系数;根据所述筛选关联度和所述待推荐系数确定所述各个候选对象的简历得分,并根据所述各个候选对象的简历得分从所述候选对象集合中确定待推荐对象。可以有效的提高数据推荐的效率以及准确性。
本申请实施例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中存储有程序指令,所述程序执行时可包括如图1或者图2对应实施例中的数据推荐方法的部分或全部步骤。
需要说明的是,对于前述的各个方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某一些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(Random AccessMemory,RAM)、磁盘或光盘等。
需要强调的是,为进一步保证上述数据的私密和安全性,上述数据还可以存储于一区块链的节点中。其中,本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
以上对本申请实施例所提供的一种数据推荐方法、装置、电子设备及存储介质进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种数据推荐方法,其特征在于,包括:
获取候选对象集合中各个候选对象的简历信息,并确定用于进行简历筛选的筛选条件;
从所述简历信息中获取与所述筛选条件具有关联关系的关联信息,并根据所述关联信息和所述筛选条件确定所述各个候选对象的筛选关联度;
获取各个候选对象的目标画像数据,并根据所述目标画像数据确定所述各个候选对象的待推荐系数;
根据所述筛选关联度和所述待推荐系数确定所述各个候选对象的简历得分,并根据所述各个候选对象的简历得分从所述候选对象集合中确定待推荐对象。
2.根据权利要求1所述的方法,其特征在于,所述筛选条件包括文本筛选条件、范围筛选条件和语义筛选条件;所述从所述简历信息中获取与所述筛选条件具有关联关系的关联信息,并根据所述关联信息和所述筛选条件确定所述各个候选对象的筛选关联度,包括:
针对所述候选对象集合中任一候选对象的简历信息,从所述简历信息中获取与所述文本筛选条件具有关联关系的第一关联信息,并根据所述第一关联信息和所述文本筛选条件确定所述候选对象的第一筛选关联度;
从所述简历信息中获取与所述范围筛选条件具有关联关系的第二关联信息,并根据所述第二关联信息和所述范围筛选条件确定所述候选对象的第二筛选关联度;
从所述简历信息中获取与所述语义筛选条件具有关联关系的第三关联信息,并根据所述第三关联信息和所述语义筛选条件确定所述候选对象的第三筛选关联度;
根据所述第一筛选关联度、所述第二筛选关联度和所述第三筛选关联度确定所述候选对象的筛选关联度。
3.根据权利要求2所述的方法,其特征在于,所述第一关联信息包括一个或多个第一关联参数;所述根据所述第一关联信息和所述文本筛选条件确定所述候选对象的第一筛选关联度,包括:
针对所述一个或多个第一关联参数中的任一第一关联参数,从所述文本筛选条件中确定所述第一关联参数对应的目标文本筛选条件;
计算所述第一关联参数与所述目标文本筛选条件之间的相似度,将所述相似度作为所述第一关联参数的第一相似度;
根据所述一个或多个第一关联参数中各个第一关联参数的第一相似度确定所述候选对象的第一筛选关联度。
4.根据权利要求2所述的方法,其特征在于,所述第二关联信息包括一个或多个第二关联参数;所述根据所述第二关联信息和所述范围筛选条件确定所述候选对象的第二筛选关联度,包括:
针对所述一个或多个第二关联参数中的任一第二关联参数,从所述范围筛选条件中确定所述第二关联参数对应的目标范围筛选条件;
计算所述第二关联参数与所述目标范围筛选条件之间的差值,将所述差值作为所述第二关联参数的目标差值;
根据所述一个或多个第二关联参数中各个第二关联参数的目标差值确定所述候选对象的第二筛选关联度。
5.根据权利要求2所述的方法,其特征在于,所述第三关联信息包括一个或多个第三关联参数;所述根据所述第三关联信息和所述语义筛选条件确定所述候选对象的第三筛选关联度,包括:
针对所述一个或多个第三关联参数中的任一第三关联参数,从所述语义筛选条件中确定所述第三关联参数对应的目标语义筛选条件;
按照目标扩展方式确定所述目标语义筛选条件的扩展语义筛选条件;
计算所述第三关联参数与所述目标语义筛选条件之间的第二相似度,并计算所述第三关联参数与所述扩展语义筛选条件之间的第三相似度;
根据所述第二相似度和所述第三相似度确定所述第三关联参数的目标相似度;
根据所述一个或多个第三关联参数中各个第三关联参数的目标相似度确定所述候选对象的第三筛选关联度。
6.根据权利要求1所述的方法,其特征在于,所述根据所述目标画像数据确定所述各个候选对象的待推荐系数,包括:
获取对象集合中各个对象的训练画像数据,根据所述训练画像数据确定训练样本集合,并确定所述训练样本集合中每个训练样本的参考推荐系数;
根据所述训练样本集合和所述每个训练样本的参考推荐系数,利用交叉验证方式对初始画像模型进行训练和验证,得到目标画像模型;
调用所述目标画像模型对所述各个候选对象的目标画像数据进行处理,得到所述各个候选对象的待推荐系数。
7.根据权利要求1所述的方法,其特征在于,所述根据所述各个候选对象的简历得分从所述候选对象集合中确定待推荐对象,包括:
将所述各个候选对象的简历得分进行降序排序,得到简历得分排序结果;
将所述简历得分排序结果中前L位简历得分对应的候选对象确定为待推荐对象,其中,L为正整数。
8.一种数据推荐装置,其特征在于,包括:
获取单元,用于获取候选对象集合中各个候选对象的简历信息,并确定用于进行简历筛选的筛选条件;
第一确定单元,用于从所述简历信息中获取与所述筛选条件具有关联关系的关联信息,并根据所述关联信息和所述筛选条件确定所述各个候选对象的筛选关联度;
第二确定单元,用于获取各个候选对象的目标画像数据,并根据所述目标画像数据确定所述各个候选对象的待推荐系数;
第三确定单元,用于根据所述筛选关联度和所述待推荐系数确定所述各个候选对象的简历得分,并根据所述各个候选对象的简历得分从所述候选对象集合中确定待推荐对象。
9.一种电子设备,其特征在于,包括处理器、存储器,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,所述计算机可读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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110575204.8A CN113157757A (zh) | 2021-05-25 | 2021-05-25 | 一种数据推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110575204.8A CN113157757A (zh) | 2021-05-25 | 2021-05-25 | 一种数据推荐方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113157757A true CN113157757A (zh) | 2021-07-23 |
Family
ID=76877465
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110575204.8A Pending CN113157757A (zh) | 2021-05-25 | 2021-05-25 | 一种数据推荐方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113157757A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113836313A (zh) * | 2021-09-13 | 2021-12-24 | 北京信息科技大学 | 一种基于图谱的审计信息识别方法与系统 |
CN115169808A (zh) * | 2022-06-08 | 2022-10-11 | 中国电力科学研究院有限公司 | 电力行业数字化项目费用测算方法、装置及存储介质 |
-
2021
- 2021-05-25 CN CN202110575204.8A patent/CN113157757A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113836313A (zh) * | 2021-09-13 | 2021-12-24 | 北京信息科技大学 | 一种基于图谱的审计信息识别方法与系统 |
CN115169808A (zh) * | 2022-06-08 | 2022-10-11 | 中国电力科学研究院有限公司 | 电力行业数字化项目费用测算方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109583620B (zh) | 企业潜在风险预警方法、装置、计算机设备和存储介质 | |
CN107633265B (zh) | 用于优化信用评估模型的数据处理方法及装置 | |
CN111506723B (zh) | 问答响应方法、装置、设备及存储介质 | |
CN113610239B (zh) | 针对机器学习的特征处理方法及特征处理系统 | |
CN108132961B (zh) | 一种基于引用预测的参考文献推荐方法 | |
CN112256886B (zh) | 图谱中的概率计算方法、装置、计算机设备及存储介质 | |
CN111401700A (zh) | 一种数据分析方法、装置、计算机系统及可读存储介质 | |
CN113657993B (zh) | 信用风险识别方法、装置、设备及存储介质 | |
CN112559895B (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
CN112395875A (zh) | 一种关键词提取方法、装置、终端以及存储介质 | |
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 | |
CN113157757A (zh) | 一种数据推荐方法、装置、电子设备及存储介质 | |
US11232114B1 (en) | System and method for automated classification of structured property description extracted from data source using numeric representation and keyword search | |
US20220253725A1 (en) | Machine learning model for entity resolution | |
CN113177700B (zh) | 一种风险评估方法、系统、电子设备及存储介质 | |
CN115456421A (zh) | 工单的分派方法及装置、处理器和电子设备 | |
CN112070550A (zh) | 基于搜索平台的关键词确定方法、装置、设备及存储介质 | |
CN110990523A (zh) | 一种法律文书的确定方法及系统 | |
Kralj Novak et al. | Handling disagreement in hate speech modelling | |
CN111709225A (zh) | 一种事件因果关系判别方法、装置和计算机可读存储介质 | |
CN113902569A (zh) | 数字资产中的绿色资产的占比的识别方法及相关产品 | |
CN113761192A (zh) | 文本处理方法、文本处理装置及文本处理设备 | |
CN112434889A (zh) | 一种专家行业分析方法、装置、设备及存储介质 | |
CN115310606A (zh) | 基于数据集敏感属性重构的深度学习模型去偏方法及装置 | |
CN113610504A (zh) | 数据处理方法、装置、计算机设备及存储介质 |
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 |