CN113158074A - 一种基于多交互维度的简历岗位匹配方法、系统和设备 - Google Patents
一种基于多交互维度的简历岗位匹配方法、系统和设备 Download PDFInfo
- Publication number
- CN113158074A CN113158074A CN202110325677.2A CN202110325677A CN113158074A CN 113158074 A CN113158074 A CN 113158074A CN 202110325677 A CN202110325677 A CN 202110325677A CN 113158074 A CN113158074 A CN 113158074A
- Authority
- CN
- China
- Prior art keywords
- resume
- data
- enterprise
- matrix
- recruitment
- 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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- 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
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Economics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种基于多交互维度的简历岗位匹配方法、系统和设备,通过在大数据库获取的毕业生的简历数据和企业的招聘数据通过协同过滤算法确定毕业生的与企业的第一推荐关系,再通过对毕业生的简历数据和企业的招聘数据进行特征向量化,基于毕业生特征向量和企业特征向量确定毕业生的与企业的第二推荐关系,还通过毕业生的偏好数据指标和企业偏好数据指标筛选毕业生偏好数据和企业偏好数据,利用协同过滤算法对毕业生偏好数据和企业偏好数据确定毕业生的与企业的第三推荐关系,然后,基于混合高斯模型算法将上述多个维度分别确定的推荐关系建立多交互高斯混合推荐模型,从而实现毕业生和企业的精准双向推荐,提高了推荐的精确性和匹配效率。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种基于多交互维度的简历岗位匹配方法、系统和设备。
背景技术
提高人才和岗位匹配度成为了企业招聘的重中之重,就业者自身与企业岗位的匹配度越高也越容易被招收。但是,目前的招聘平台上的求职者的求职简历与招聘岗位不能精确匹配,求职者需要在大量的招聘信息中人工检索合适的岗位,同时,招聘企业也需要在大量的求职简历库中人工寻找合适的求职者,因此,这种人才与岗位的匹配方式不能精确匹配,从而导致效率低下。
发明内容
本申请提供了一种基于多交互维度的简历岗位匹配方法、系统和设备,用于解决毕业生与企业的匹配度精确性较差以及效率低下的技术问题。
有鉴于此,本申请第一方面提供了一种基于多交互维度的简历岗位匹配方法,包括以下步骤:
基于预先在大数据库获取的毕业生的简历数据和企业的招聘数据分别创建相应的简历数据矩阵和招聘数据矩阵;
对所述简历数据矩阵和所述招聘数据矩阵进行分词,根据分词结果得到相应的简历关键词汇矩阵和招聘关键词汇矩阵,再对所述简历关键词汇矩阵和所述招聘关键词汇矩阵进行预处理;
根据预先获取的毕业生的简历投递记录和企业的邀约记录分别对所述简历关键词汇矩阵和所述招聘关键词汇矩阵进行处理,从而获得相应的毕业生投递简历得分矩阵和企业邀约得分矩阵;
基于所述毕业生投递简历得分矩阵和所述企业邀约得分矩阵,利用协同过滤算法进行相似度计算,从而获得毕业生的简历数据与企业的招聘数据的第一相似度,从而根据所述毕业生的简历数据与企业的招聘数据的第一相似度,确定毕业生和企业的第一推荐关系;
利用LDA主题模型对所述简历关键词汇矩阵和所述招聘关键词汇矩阵进行主题聚类,获得相应的简历主题词库和招聘主题词库;
根据所述简历主题词库和所述招聘主题词库获得主题词及其词频,根据所述主题词的词频确定所述主题词的权重;
根据所述主题词及其所述权重分别对所述简历关键词汇矩阵和所述招聘关键词汇矩阵进行特征向量化,从而获得毕业生特征向量和企业特征向量;
根据所述毕业生特征向量和所述企业特征向量计算毕业生的简历数据与企业的招聘数据的第二相似度,从而根据所述毕业生的简历数据与企业的招聘数据的第二相似度,确定毕业生与企业的第二推荐关系;
基于预设的毕业生的偏好数据指标和企业偏好数据指标筛选毕业生偏好数据和企业偏好数据;
对所述毕业生偏好数据和所述企业偏好数据进行分词,根据分词结果得到相应的毕业生偏好词汇矩阵和企业偏好词汇矩阵,再对分词后的所述毕业生偏好词汇矩阵和所述企业偏好词汇矩阵进行预处理;
基于所述毕业生偏好词汇矩阵和所述企业偏好词汇矩阵,利用协同过滤算法进行相似度计算,从而获得毕业生的简历数据与企业的招聘数据的第三相似度,从而根据所述毕业生的简历数据与企业的招聘数据的第三相似度,确定毕业生和企业的第三推荐关系;
基于毕业生和企业的所述第一推荐关系、第二推荐关系和第三推荐关系作为训练集,利用混合高斯模型算法建立多交互高斯混合推荐模型;
根据所述多交互高斯混合推荐模型对毕业生和企业进行匹配,从而确定最终的毕业生与企业的匹配关系。
优选地,对分词后的所述简历关键词汇矩阵和所述招聘关键词汇矩阵进行预处理的步骤中的所述预处理包括:根据停用词字典去掉所述简历关键词汇矩阵和所述招聘关键词汇矩阵中无意义的词汇。
优选地,所述根据预先获取的毕业生的简历投递记录和企业的邀约记录分别对所述简历关键词汇矩阵和所述招聘关键词汇矩阵进行处理,从而获得相应的毕业生投递简历得分矩阵和企业邀约得分矩阵的步骤具体包括:
根据预先获取的毕业生的简历投递记录和企业的邀约记录对所述简历关键词汇矩阵和所述招聘关键词汇矩阵进行数据筛选,从而筛选出存在毕业生的简历投递记录和企业的邀约记录的简历关键词汇矩阵和招聘关键词汇矩阵;
对数据筛选后的简历关键词汇矩阵和招聘关键词汇矩阵进行归一化处理,从而获得所述毕业生投递简历得分矩阵和所述企业邀约得分矩阵。
优选地,所述基于所述毕业生投递简历得分矩阵和所述企业邀约得分矩阵,利用协同过滤算法进行相似度计算,从而获得毕业生的简历数据与企业的招聘数据的第一相似度的步骤具体包括:
计算所述毕业生投递简历得分矩阵和所述企业邀约得分矩阵中的毕业生和企业的欧式距离;
根据毕业生和企业的所述欧式距离确定毕业生的简历数据与企业的招聘数据的第一相似度。
优选地,所述根据所述简历主题词库和所述招聘主题词库获得主题词及其词频,根据所述主题词的词频确定所述主题词的权重的步骤具体包括:
获取所述简历主题词库和所述招聘主题词库中相应的主题词的词频;
通过TF-IDF算法确定所述主题词的权重。
优选地,所述根据所述主题词及其所述权重分别对所述简历关键词汇矩阵和所述招聘关键词汇矩阵进行特征向量化,从而获得毕业生特征向量和企业特征向量的步骤具体包括:
根据所述主题词的词频对所述主题词的次序按照所述词频由高至低进行排序;
根据排序后的所述主题词的次序选取中位值的所述主题词的词频作为词频阈值,以确定特征空间维度;
基于所述特征空间维度和所述主题词的权重分别构建所述简历关键词汇矩阵和所述招聘关键词汇矩阵相应的特征向量;
基于所述简历关键词汇矩阵和所述招聘关键词汇矩阵相应的特征向量,利用向量空间模型分别搭建毕业生的向量空间模型和企业的向量空间模型,从而获得毕业生特征向量和企业特征向量。
优选地,所述根据所述毕业生特征向量和所述企业特征向量计算毕业生的简历数据与企业的招聘数据的第二相似度的步骤具体包括:
计算所述毕业生特征向量和所述企业特征向量的余弦值;
根据所述余弦值确定毕业生的简历数据与企业的招聘数据的第二相似度。
优选地,所述根据所述多交互高斯混合推荐模型对毕业生和企业进行匹配,从而确定最终的毕业生与企业的匹配关系步骤之后具体包括:
获取所述多交互高斯混合推荐模型的运行后获得的毕业生和企业的匹配关系数据;
根据毕业生和企业的匹配关系数据构建线性回归损失函数;
基于随机梯度下降算法,利用所述线性回归损失函数对所述多交互高斯混合推荐模型进行迭代,以更新权重和偏置;
重复迭代过程直至所述多交互高斯混合推荐模型收敛,获得权重和偏置的最优解;
将权重和偏置的最优解加载至所述多交互高斯混合推荐模型中,已获得优化后的多交互高斯混合推荐模型。
第二方面,本发明还提供了一种基于多交互维度的简历岗位匹配系统,包括:
矩阵创建模块,用于基于预先在大数据库获取的毕业生的简历数据和企业的招聘数据分别创建相应的简历数据矩阵和招聘数据矩阵;
第一分词模块,用于对所述简历数据矩阵和所述招聘数据矩阵进行分词,根据分词结果得到相应的简历关键词汇矩阵和招聘关键词汇矩阵,再对所述简历关键词汇矩阵和所述招聘关键词汇矩阵进行预处理;
第一处理模块,用于根据预先获取的毕业生的简历投递记录和企业的邀约记录分别对所述简历关键词汇矩阵和所述招聘关键词汇矩阵进行处理,从而获得相应的毕业生投递简历得分矩阵和企业邀约得分矩阵;
第一推荐模块,用于基于所述毕业生投递简历得分矩阵和所述企业邀约得分矩阵,利用协同过滤算法进行相似度计算,从而获得毕业生的简历数据与企业的招聘数据的第一相似度,从而根据所述毕业生的简历数据与企业的招聘数据的第一相似度,确定毕业生和企业的第一推荐关系;
主题聚类模块,用于利用LDA主题模型对所述简历关键词汇矩阵和所述招聘关键词汇矩阵进行主题聚类,获得相应的简历主题词库和招聘主题词库;
权重确定模块,用于根据所述简历主题词库和所述招聘主题词库获得主题词及其词频,根据所述主题词的词频确定所述主题词的权重;
向量模块,用于根据所述主题词及其所述权重分别对所述简历关键词汇矩阵和所述招聘关键词汇矩阵进行特征向量化,从而获得毕业生特征向量和企业特征向量;
第二推荐模块,用于根据所述毕业生特征向量和所述企业特征向量计算毕业生的简历数据与企业的招聘数据的第二相似度,从而根据所述毕业生的简历数据与企业的招聘数据的第二相似度,确定毕业生与企业的第二推荐关系;
筛选模块,用于基于预设的毕业生的偏好数据指标和企业偏好数据指标筛选毕业生偏好数据和企业偏好数据;
第二分词模块,用于对所述毕业生偏好数据和所述企业偏好数据进行分词,根据分词结果得到相应的毕业生偏好词汇矩阵和企业偏好词汇矩阵,再对分词后的所述毕业生偏好词汇矩阵和所述企业偏好词汇矩阵进行预处理;
第三推荐模块,用于基于所述毕业生偏好词汇矩阵和所述企业偏好词汇矩阵,利用协同过滤算法进行相似度计算,从而获得毕业生的简历数据与企业的招聘数据的第三相似度,从而根据所述毕业生的简历数据与企业的招聘数据的第三相似度,确定毕业生和企业的第三推荐关系;
模型创建模块,用于基于毕业生和企业的所述第一推荐关系、第二推荐关系和第三推荐关系作为训练集,利用混合高斯模型算法建立多交互高斯混合推荐模型;
匹配模块,用于根据所述多交互高斯混合推荐模型对毕业生和企业进行匹配,从而确定最终的毕业生与企业的匹配关系。
第三方面,本发明还提供了一种电子设备,包括:至少处理器;以及与所述处理器连接的存储器,其中,所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如上述的方法。
从以上技术方案可以看出,本发明具有以下优点:
本发明提供了一种基于多交互维度的简历岗位匹配方法,通过在大数据库获取的毕业生的简历数据和企业的招聘数据通过协同过滤算法确定毕业生的与企业的第一推荐关系,再通过对毕业生的简历数据和企业的招聘数据进行特征向量化,基于毕业生特征向量和企业特征向量确定毕业生的与企业的第二推荐关系,还通过毕业生的偏好数据指标和企业偏好数据指标筛选毕业生偏好数据和企业偏好数据,利用协同过滤算法对毕业生偏好数据和企业偏好数据确定毕业生的与企业的第三推荐关系,然后,基于混合高斯模型算法将上述多个维度分别确定的推荐关系建立多交互高斯混合推荐模型,从而实现毕业生和企业的精准双向推荐,提高了推荐的精确性和匹配效率。
附图说明
图1为本申请实施例提供的一种基于多交互维度的简历岗位匹配方法的流程图;
图2为本申请实施例提供的一种一种基于多交互维度的简历岗位匹配系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,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。
为了便于理解,请参阅图1,本申请提供的一种基于多交互维度的简历岗位匹配方法,包括以下步骤:
S101:基于预先在大数据库获取的毕业生的简历数据和企业的招聘数据分别创建相应的简历数据矩阵和招聘数据矩阵;
可以理解的是,大数据库可为网络数据库,毕业生的简历数据包括简历信息、个人信息、简历投递信息等,其中,简历信息和个人信息为简历关键词;
企业的招聘数据包括面试邀请记录、历史招聘信息、招聘职业相关信息等数据,其中,历史招聘信息和招聘职业相关信息为招聘关键词。
S102:对简历数据矩阵和招聘数据矩阵进行分词,根据分词结果得到相应的简历关键词汇矩阵和招聘关键词汇矩阵,再对简历关键词汇矩阵和招聘关键词汇矩阵进行预处理;
可以理解的是,利用Numpy函数库可以将简历关键词和招聘关键词创建为相应的简历数据矩阵和招聘数据矩阵。
可以使用MMAnalyzer的分词组件对简历数据矩阵和招聘数据矩阵进行分词,通过分词后,得出的关键词汇如简历、奖项等。
在本实施例中,预处理包括根据停用词字典去掉简历关键词汇矩阵和招聘关键词汇矩阵中无意义的词汇,如“的”、“了”等;同时,可以利用将企业和毕业生的无意义词汇添加入百度停用词库等通用词库中,以构建 vocabulary停用词字典,同时,该停用词字典以矩阵形式存在,然后,利用该停用词字典去掉简历关键词汇矩阵和招聘关键词汇矩阵中无意义的词汇后,有利于训练结果的准确性。
S103:根据预先获取的毕业生的简历投递记录和企业的邀约记录分别对简历关键词汇矩阵和招聘关键词汇矩阵进行处理,从而获得相应的毕业生投递简历得分矩阵和企业邀约得分矩阵;
具体地,步骤S103包括:
S1031:根据预先获取的毕业生的简历投递记录和企业的邀约记录对简历关键词汇矩阵和招聘关键词汇矩阵进行数据筛选,从而筛选出存在毕业生的简历投递记录和企业的邀约记录的简历关键词汇矩阵和招聘关键词汇矩阵;
可以理解的是,具有毕业生的简历投递记录和企业的邀约记录,可视为有效数据,而没有相关记录的数据为无效数据,因此,根据毕业生的简历投递记录和企业的邀约记录对简历关键词汇矩阵和招聘关键词汇矩阵进行数据筛选,在数据筛选过程中,可以将有效数据进行保留,删除无效数据,从而得到完全有效的简历关键词汇矩阵和招聘关键词汇矩阵。
S1032:对数据筛选后的简历关键词汇矩阵和招聘关键词汇矩阵进行归一化处理,从而获得毕业生投递简历得分矩阵和企业邀约得分矩阵。
S104:基于毕业生投递简历得分矩阵和企业邀约得分矩阵,利用协同过滤算法进行相似度计算,从而获得毕业生的简历数据与企业的招聘数据的第一相似度,从而根据毕业生的简历数据与企业的招聘数据的第一相似度,确定毕业生和企业的第一推荐关系;
在本实施例中,步骤S104中计算第一相似度得过程具体包括:
S1041:计算毕业生投递简历得分矩阵和企业邀约得分矩阵中的毕业生和企业的欧式距离;
S1042:根据毕业生和企业的欧式距离确定毕业生的简历数据与企业的招聘数据的第一相似度。
可以理解的是,毕业生投递简历得分矩阵和企业邀约得分矩阵中的毕业生和企业的欧式距离越小,则相似度越高,筛选出毕业生与其相似度最高的企业,则可完成毕业生和企业的匹配。
S105:利用LDA主题模型对简历关键词汇矩阵和招聘关键词汇矩阵进行主题聚类,获得相应的简历主题词库和招聘主题词库;
S106:根据简历主题词库和招聘主题词库获得主题词及其词频,根据主题词的词频确定主题词的权重;
具体地,步骤S106具体包括:
S1061:获取简历主题词库和招聘主题词库中相应的主题词的词频;
S1062:通过TF-IDF算法确定主题词的权重。
S107:根据主题词及其权重分别对简历关键词汇矩阵和招聘关键词汇矩阵进行特征向量化,从而获得毕业生特征向量和企业特征向量;
具体地,步骤S107包括:
S1071:根据主题词的词频对主题词的次序按照词频由高至低进行排序;
S1072:根据排序后的主题词的次序选取中位值的主题词的词频作为词频阈值,以确定特征空间维度;
需要说明的是,特征空间维度用于完成后续向量空间模型的搭建,当主题词的词频比词频阈值小,则该主题词不用于构成特征空间;反之,则用于构成特征空间。
S1073:基于特征空间维度和主题词的权重分别构建简历关键词汇矩阵和招聘关键词汇矩阵相应的特征向量;
可以理解的是,通过特征空间维度选择需搭建特征空间的主题词以及主题词的权重,从而可以得出简历关键词汇矩阵和招聘关键词汇矩阵相应的特征向量。
S1074:基于简历关键词汇矩阵和招聘关键词汇矩阵相应的特征向量,利用向量空间模型分别搭建毕业生的向量空间模型和企业的向量空间模型,从而获得毕业生特征向量和企业特征向量。
S108:根据毕业生特征向量和企业特征向量计算毕业生的简历数据与企业的招聘数据的第二相似度,从而根据毕业生的简历数据与企业的招聘数据的第二相似度,确定毕业生与企业的第二推荐关系;
在本实施例中,步骤S108中计算第二相似度的过程具体包括:
S1081:计算毕业生特征向量和企业特征向量的余弦值;
S1082:根据余弦值确定毕业生的简历数据与企业的招聘数据的第二相似度。
可以理解的是,通过余弦值来衡量毕业生的简历数据与企业的招聘数据的相似度,若余弦值为0,则毕业生特征向量和企业特征向量的夹角偏差为 90度,则说明毕业生的简历数据与企业的招聘数据无相似度,若余弦值大于 0,则说明毕业生特征向量和企业特征向量的夹角偏差小于90度,则说明毕业生的简历数据与企业的招聘数据存在相似度,夹角偏差越小,则说明相似度越高。
S109:基于预设的毕业生的偏好数据指标和企业偏好数据指标筛选毕业生偏好数据和企业偏好数据;
在本实施例中,通过毕业生的偏好数据指标和企业偏好数据指标可以确定毕业生偏好数据和企业偏好数据,其中,可通过顾问思维模式(如问卷调查、兴趣偏向和投递信息)进行选择和筛选毕业生偏好数据和企业偏好数据,同时,还过滤掉不偏向数据。
S110:对毕业生偏好数据和企业偏好数据进行分词,根据分词结果得到相应的毕业生偏好词汇矩阵和企业偏好词汇矩阵,再对分词后的毕业生偏好词汇矩阵和企业偏好词汇矩阵进行预处理;
可以理解的是,经过步骤S109筛选出毕业生偏好数据和企业偏好数据后,可以以矩阵形式创建相应的毕业生偏好数据和企业偏好数据,再对毕业生偏好数据和企业偏好数据进行分词。
在本实施例中,预处理包括根据停用词字典去掉毕业生偏好词汇矩阵和企业偏好词汇矩阵中无意义的词汇,如“的”、“了”等。
S111:基于毕业生偏好词汇矩阵和企业偏好词汇矩阵,利用协同过滤算法进行相似度计算,从而获得毕业生的简历数据与企业的招聘数据的第三相似度,从而根据毕业生的简历数据与企业的招聘数据的第三相似度,确定毕业生和企业的第三推荐关系;
可以理解的是,本步骤与步骤S104的原理一致,具体包括:
S1111:对毕业生偏好词汇矩阵和企业偏好词汇矩阵进行归一化处理;
S1112:计算归一化处理后的毕业生偏好词汇矩阵和企业偏好词汇矩阵中的毕业生和企业的欧式距离;
S1113:根据毕业生和企业的欧式距离确定毕业生的简历数据与企业的招聘数据的第三相似度。
S112:基于毕业生和企业的第一推荐关系、第二推荐关系和第三推荐关系作为训练集,利用混合高斯模型算法建立多交互高斯混合推荐模型;
S113:根据多交互高斯混合推荐模型对毕业生和企业进行匹配,从而确定最终的毕业生与企业的匹配关系。
进一步地,步骤S113之后具体包括:
S114:获取多交互高斯混合推荐模型的运行后获得的毕业生和企业的匹配关系数据;
S115:根据毕业生和企业的匹配关系数据构建线性回归损失函数;
S116:基于随机梯度下降算法,利用线性回归损失函数对多交互高斯混合推荐模型进行迭代,以更新权重和偏置;
S117:重复迭代过程直至多交互高斯混合推荐模型收敛,获得权重和偏置的最优解;
S118:将权重和偏置的最优解加载至多交互高斯混合推荐模型中,已获得优化后的多交互高斯混合推荐模型。
需要说明的是,步骤S114~S118为模型优化过程,当构建多交互高斯混合推荐模型后,可以将多交互高斯混合推荐模型投入到线上招聘网站上运行,并获取用户(毕业生和企业)反馈的匹配情况数据,将匹配情况数据创建为线性回归损失函数,从而对多交互高斯混合推荐模型进行优化,以获得最佳推荐模型。
需要说明的是,本实施例提供了一种基于多交互维度的简历岗位匹配方法,通过在大数据库获取的毕业生的简历数据和企业的招聘数据通过协同过滤算法确定毕业生的与企业的第一推荐关系,再通过对毕业生的简历数据和企业的招聘数据进行特征向量化,基于毕业生特征向量和企业特征向量确定毕业生的与企业的第二推荐关系,还通过毕业生的偏好数据指标和企业偏好数据指标筛选毕业生偏好数据和企业偏好数据,利用协同过滤算法对毕业生偏好数据和企业偏好数据确定毕业生的与企业的第三推荐关系,然后,基于混合高斯模型算法将上述多个维度分别确定的推荐关系建立多交互高斯混合推荐模型,从而实现毕业生和企业的精准双向推荐,提高了推荐的精确性和匹配效率。
以上为本发明提供的一种基于多交互维度的简历岗位匹配方法的实施例的详细描述,以下为本发明提供的一种基于多交互维度的简历岗位匹配系统的实施例的详细描述。
为了方便理解,请参阅图2,本发明提供了一种基于多交互维度的简历岗位匹配系统,包括:
矩阵创建模块101,用于基于预先在大数据库获取的毕业生的简历数据和企业的招聘数据分别创建相应的简历数据矩阵和招聘数据矩阵;
可以理解的是,毕业生的简历数据包括简历信息、个人信息、简历投递信息等,其中,简历信息和个人信息为简历关键词;
企业的招聘数据包括面试邀请记录、历史招聘信息、招聘职业相关信息等数据,其中,历史招聘信息和招聘职业相关信息为招聘关键词。
第一分词模块102,用于对简历数据矩阵和招聘数据矩阵进行分词,根据分词结果得到相应的简历关键词汇矩阵和招聘关键词汇矩阵,再对简历关键词汇矩阵和招聘关键词汇矩阵进行预处理;
可以理解的是,通过分词后,得出的关键词汇如简历、奖项等。
在本实施例中,预处理包括根据停用词字典去掉简历关键词汇矩阵和招聘关键词汇矩阵中无意义的词汇,如“的”、“了”等;同时,可以利用将企业和毕业生的无意义词汇添加入百度停用词库等通用词库中,以构建 vocabulary停用词字典,同时,该停用词字典以矩阵形式存在,然后,利用该停用词字典去掉简历关键词汇矩阵和招聘关键词汇矩阵中无意义的词汇后,有利于训练结果的准确性。
第一处理模块103,用于根据预先获取的毕业生的简历投递记录和企业的邀约记录分别对简历关键词汇矩阵和招聘关键词汇矩阵进行处理,从而获得相应的毕业生投递简历得分矩阵和企业邀约得分矩阵;
具体地,第一处理模块103还用于根据预先获取的毕业生的简历投递记录和企业的邀约记录对简历关键词汇矩阵和招聘关键词汇矩阵进行数据筛选,从而筛选出存在毕业生的简历投递记录和企业的邀约记录的简历关键词汇矩阵和招聘关键词汇矩阵。
可以理解的是,具有毕业生的简历投递记录和企业的邀约记录,可视为有效数据,而没有相关记录的数据为无效数据,因此,根据毕业生的简历投递记录和企业的邀约记录对简历关键词汇矩阵和招聘关键词汇矩阵进行数据筛选,在数据筛选过程中,可以将有效数据进行保留,删除无效数据,从而得到完全有效的简历关键词汇矩阵和招聘关键词汇矩阵。
第一处理模块103还用于对数据筛选后的简历关键词汇矩阵和招聘关键词汇矩阵进行归一化处理,从而获得毕业生投递简历得分矩阵和企业邀约得分矩阵。
第一推荐模块104,用于基于毕业生投递简历得分矩阵和企业邀约得分矩阵,利用协同过滤算法进行相似度计算,从而获得毕业生的简历数据与企业的招聘数据的第一相似度,从而根据毕业生的简历数据与企业的招聘数据的第一相似度,确定毕业生和企业的第一推荐关系;
在本实施例中,第二推荐模块104包括:
第一计算子模块,用于计算毕业生投递简历得分矩阵和企业邀约得分矩阵中的毕业生和企业的欧式距离;
确定子模块,用于根据毕业生和企业的欧式距离确定毕业生的简历数据与企业的招聘数据的第一相似度。
可以理解的是,毕业生投递简历得分矩阵和企业邀约得分矩阵中的毕业生和企业的欧式距离越小,则相似度越高,筛选出毕业生与其相似度最高的企业,则可完成毕业生和企业的匹配。
主题聚类模块105,用于利用LDA主题模型对简历关键词汇矩阵和招聘关键词汇矩阵进行主题聚类,获得相应的简历主题词库和招聘主题词库;
权重确定模块106,用于根据简历主题词库和招聘主题词库获得主题词及其词频,根据主题词的词频确定主题词的权重;
具体地,权重确定模块106具体包括:
获取子模块,用于获取简历主题词库和招聘主题词库中相应的主题词的词频;
权重确定子模块,用于通过TF-IDF算法确定主题词的权重。
向量模块107,用于根据主题词及其权重分别对简历关键词汇矩阵和招聘关键词汇矩阵进行特征向量化,从而获得毕业生特征向量和企业特征向量;
具体地,向量模块107包括:
排序子模块,用于根据主题词的词频对主题词的次序按照词频由高至低进行排序;
特征空间维度子模块,用于根据排序后的主题词的次序选取中位值的主题词的词频作为词频阈值,以确定特征空间维度;
特征向量子模块,用于基于特征空间维度和主题词的权重分别构建简历关键词汇矩阵和招聘关键词汇矩阵相应的特征向量;
向量空间模型搭建子模块,用于基于简历关键词汇矩阵和招聘关键词汇矩阵相应的特征向量,利用向量空间模型分别搭建毕业生的向量空间模型和企业的向量空间模型,从而获得毕业生特征向量和企业特征向量。
第二推荐模块108,用于根据毕业生特征向量和企业特征向量计算毕业生的简历数据与企业的招聘数据的第二相似度,从而根据毕业生的简历数据与企业的招聘数据的第二相似度,确定毕业生与企业的第二推荐关系;
具体地,第二推荐模块108包括:
余弦值计算子模块,用于计算毕业生特征向量和企业特征向量的余弦值;
相似度计算子模块,用于根据余弦值确定毕业生的简历数据与企业的招聘数据的第二相似度。
可以理解的是,通过余弦值来衡量毕业生的简历数据与企业的招聘数据的相似度,若余弦值为0,则毕业生特征向量和企业特征向量的夹角偏差为 90度,则说明毕业生的简历数据与企业的招聘数据无相似度,若余弦值大于 0,则说明毕业生特征向量和企业特征向量的夹角偏差小于90度,则说明毕业生的简历数据与企业的招聘数据存在相似度,夹角偏差越小,则说明相似度越高。
筛选模块109,用于基于预设的毕业生的偏好数据指标和企业偏好数据指标筛选毕业生偏好数据和企业偏好数据;
在本实施例中,通过毕业生的偏好数据指标和企业偏好数据指标可以确定毕业生偏好数据和企业偏好数据,其中,可通过顾问思维模式(如问卷调查、兴趣偏向和投递信息)进行选择和筛选毕业生偏好数据和企业偏好数据,同时,还过滤掉不偏向数据。
第二分词模块110,用于对毕业生偏好数据和企业偏好数据进行分词,根据分词结果得到相应的毕业生偏好词汇矩阵和企业偏好词汇矩阵,再对分词后的毕业生偏好词汇矩阵和企业偏好词汇矩阵进行预处理;
可以理解的是,经过筛选模块109筛选出毕业生偏好数据和企业偏好数据后,可以以矩阵形式创建相应的毕业生偏好数据和企业偏好数据,再对毕业生偏好数据和企业偏好数据进行分词。
第三推荐模块111,用于基于毕业生偏好词汇矩阵和企业偏好词汇矩阵,利用协同过滤算法进行相似度计算,从而获得毕业生的简历数据与企业的招聘数据的第三相似度,从而根据毕业生的简历数据与企业的招聘数据的第三相似度,确定毕业生和企业的第三推荐关系;
可以理解的是,在本实施例中,预处理包括根据停用词字典去掉毕业生偏好词汇矩阵和企业偏好词汇矩阵中无意义的词汇,如“的”、“了”等。
具体地,第三推荐模块111包括:
归一化处理子模块,用于对毕业生偏好词汇矩阵和企业偏好词汇矩阵进行归一化处理;
欧式距离计算子模块,用于计算归一化处理后的毕业生偏好词汇矩阵和企业偏好词汇矩阵中的毕业生和企业的欧式距离;
第三相似度子模块,用于根据毕业生和企业的欧式距离确定毕业生的简历数据与企业的招聘数据的第三相似度。
模型创建模块112,用于基于毕业生和企业的第一推荐关系、第二推荐关系和第三推荐关系作为训练集,利用混合高斯模型算法建立多交互高斯混合推荐模型;
匹配模块113,用于根据多交互高斯混合推荐模型对毕业生和企业进行匹配,从而确定最终的毕业生与企业的匹配关系。
需要说明的是,本实施例提供了一种基于多交互维度的简历岗位匹配系统,通过在大数据库获取的毕业生的简历数据和企业的招聘数据通过协同过滤算法确定毕业生的与企业的第一推荐关系,再通过对毕业生的简历数据和企业的招聘数据进行特征向量化,基于毕业生特征向量和企业特征向量确定毕业生的与企业的第二推荐关系,还通过毕业生的偏好数据指标和企业偏好数据指标筛选毕业生偏好数据和企业偏好数据,利用协同过滤算法对毕业生偏好数据和企业偏好数据确定毕业生的与企业的第三推荐关系,然后,基于混合高斯模型算法将上述多个维度分别确定的推荐关系建立多交互高斯混合推荐模型,从而实现毕业生和企业的精准双向推荐,提高了推荐的精确性和匹配效率。
本发明还提供了一种电子设备,包括:至少处理器;以及与处理器连接的存储器,其中,存储器存储有可被处理器执行的程序指令,处理器调用程序指令能够执行如上述实施例中的方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种基于多交互维度的简历岗位匹配方法,其特征在于,包括以下步骤:
基于预先在大数据库获取的毕业生的简历数据和企业的招聘数据分别创建相应的简历数据矩阵和招聘数据矩阵;
对所述简历数据矩阵和所述招聘数据矩阵进行分词,根据分词结果得到相应的简历关键词汇矩阵和招聘关键词汇矩阵,再对所述简历关键词汇矩阵和所述招聘关键词汇矩阵进行预处理;
根据预先获取的毕业生的简历投递记录和企业的邀约记录分别对所述简历关键词汇矩阵和所述招聘关键词汇矩阵进行处理,从而获得相应的毕业生投递简历得分矩阵和企业邀约得分矩阵;
基于所述毕业生投递简历得分矩阵和所述企业邀约得分矩阵,利用协同过滤算法进行相似度计算,从而获得毕业生的简历数据与企业的招聘数据的第一相似度,从而根据所述毕业生的简历数据与企业的招聘数据的第一相似度,确定毕业生和企业的第一推荐关系;
利用LDA主题模型对所述简历关键词汇矩阵和所述招聘关键词汇矩阵进行主题聚类,获得相应的简历主题词库和招聘主题词库;
根据所述简历主题词库和所述招聘主题词库获得主题词及其词频,根据所述主题词的词频确定所述主题词的权重;
根据所述主题词及其所述权重分别对所述简历关键词汇矩阵和所述招聘关键词汇矩阵进行特征向量化,从而获得毕业生特征向量和企业特征向量;
根据所述毕业生特征向量和所述企业特征向量计算毕业生的简历数据与企业的招聘数据的第二相似度,从而根据所述毕业生的简历数据与企业的招聘数据的第二相似度,确定毕业生与企业的第二推荐关系;
基于预设的毕业生的偏好数据指标和企业偏好数据指标筛选毕业生偏好数据和企业偏好数据;
对所述毕业生偏好数据和所述企业偏好数据进行分词,根据分词结果得到相应的毕业生偏好词汇矩阵和企业偏好词汇矩阵,再对分词后的所述毕业生偏好词汇矩阵和所述企业偏好词汇矩阵进行预处理;
基于所述毕业生偏好词汇矩阵和所述企业偏好词汇矩阵,利用协同过滤算法进行相似度计算,从而获得毕业生的简历数据与企业的招聘数据的第三相似度,从而根据所述毕业生的简历数据与企业的招聘数据的第三相似度,确定毕业生和企业的第三推荐关系;
基于毕业生和企业的所述第一推荐关系、第二推荐关系和第三推荐关系作为训练集,利用混合高斯模型算法建立多交互高斯混合推荐模型;
根据所述多交互高斯混合推荐模型对毕业生和企业进行匹配,从而确定最终的毕业生与企业的匹配关系。
2.根据权利要求1所述的基于多交互维度的简历岗位匹配方法,其特征在于,对分词后的所述简历关键词汇矩阵和所述招聘关键词汇矩阵进行预处理的步骤中的所述预处理包括:根据停用词字典去掉所述简历关键词汇矩阵和所述招聘关键词汇矩阵中无意义的词汇。
3.根据权利要求1所述的基于多交互维度的简历岗位匹配方法,其特征在于,所述根据预先获取的毕业生的简历投递记录和企业的邀约记录分别对所述简历关键词汇矩阵和所述招聘关键词汇矩阵进行处理,从而获得相应的毕业生投递简历得分矩阵和企业邀约得分矩阵的步骤具体包括:
根据预先获取的毕业生的简历投递记录和企业的邀约记录对所述简历关键词汇矩阵和所述招聘关键词汇矩阵进行数据筛选,从而筛选出存在毕业生的简历投递记录和企业的邀约记录的简历关键词汇矩阵和招聘关键词汇矩阵;
对数据筛选后的简历关键词汇矩阵和招聘关键词汇矩阵进行归一化处理,从而获得所述毕业生投递简历得分矩阵和所述企业邀约得分矩阵。
4.根据权利要求3所述的基于多交互维度的简历岗位匹配方法,其特征在于,所述基于所述毕业生投递简历得分矩阵和所述企业邀约得分矩阵,利用协同过滤算法进行相似度计算,从而获得毕业生的简历数据与企业的招聘数据的第一相似度的步骤具体包括:
计算所述毕业生投递简历得分矩阵和所述企业邀约得分矩阵中的毕业生和企业的欧式距离;
根据毕业生和企业的所述欧式距离确定毕业生的简历数据与企业的招聘数据的第一相似度。
5.根据权利要求1所述的基于多交互维度的简历岗位匹配方法,其特征在于,所述根据所述简历主题词库和所述招聘主题词库获得主题词及其词频,根据所述主题词的词频确定所述主题词的权重的步骤具体包括:
获取所述简历主题词库和所述招聘主题词库中相应的主题词的词频;
通过TF-IDF算法确定所述主题词的权重。
6.根据权利要求5所述的基于多交互维度的简历岗位匹配方法,其特征在于,所述根据所述主题词及其所述权重分别对所述简历关键词汇矩阵和所述招聘关键词汇矩阵进行特征向量化,从而获得毕业生特征向量和企业特征向量的步骤具体包括:
根据所述主题词的词频对所述主题词的次序按照所述词频由高至低进行排序;
根据排序后的所述主题词的次序选取中位值的所述主题词的词频作为词频阈值,以确定特征空间维度;
基于所述特征空间维度和所述主题词的权重分别构建所述简历关键词汇矩阵和所述招聘关键词汇矩阵相应的特征向量;
基于所述简历关键词汇矩阵和所述招聘关键词汇矩阵相应的特征向量,利用向量空间模型分别搭建毕业生的向量空间模型和企业的向量空间模型,从而获得毕业生特征向量和企业特征向量。
7.根据权利要求1或6所述的基于多交互维度的简历岗位匹配方法,其特征在于,所述根据所述毕业生特征向量和所述企业特征向量计算毕业生的简历数据与企业的招聘数据的第二相似度的步骤具体包括:
计算所述毕业生特征向量和所述企业特征向量的余弦值;
根据所述余弦值确定毕业生的简历数据与企业的招聘数据的第二相似度。
8.根据权利要求1所述的基于多交互维度的简历岗位匹配方法,其特征在于,所述根据所述多交互高斯混合推荐模型对毕业生和企业进行匹配,从而确定最终的毕业生与企业的匹配关系步骤之后具体包括:
获取所述多交互高斯混合推荐模型的运行后获得的毕业生和企业的匹配关系数据;
根据毕业生和企业的匹配关系数据构建线性回归损失函数;
基于随机梯度下降算法,利用所述线性回归损失函数对所述多交互高斯混合推荐模型进行迭代,以更新权重和偏置;
重复迭代过程直至所述多交互高斯混合推荐模型收敛,获得权重和偏置的最优解;
将权重和偏置的最优解加载至所述多交互高斯混合推荐模型中,已获得优化后的多交互高斯混合推荐模型。
9.一种基于多交互维度的简历岗位匹配系统,其特征在于,包括:
矩阵创建模块,用于基于预先在大数据库获取的毕业生的简历数据和企业的招聘数据分别创建相应的简历数据矩阵和招聘数据矩阵;
第一分词模块,用于对所述简历数据矩阵和所述招聘数据矩阵进行分词,根据分词结果得到相应的简历关键词汇矩阵和招聘关键词汇矩阵,再对所述简历关键词汇矩阵和所述招聘关键词汇矩阵进行预处理;
第一处理模块,用于根据预先获取的毕业生的简历投递记录和企业的邀约记录分别对所述简历关键词汇矩阵和所述招聘关键词汇矩阵进行处理,从而获得相应的毕业生投递简历得分矩阵和企业邀约得分矩阵;
第一推荐模块,用于基于所述毕业生投递简历得分矩阵和所述企业邀约得分矩阵,利用协同过滤算法进行相似度计算,从而获得毕业生的简历数据与企业的招聘数据的第一相似度,从而根据所述毕业生的简历数据与企业的招聘数据的第一相似度,确定毕业生和企业的第一推荐关系;
主题聚类模块,用于利用LDA主题模型对所述简历关键词汇矩阵和所述招聘关键词汇矩阵进行主题聚类,获得相应的简历主题词库和招聘主题词库;
权重确定模块,用于根据所述简历主题词库和所述招聘主题词库获得主题词及其词频,根据所述主题词的词频确定所述主题词的权重;
向量模块,用于根据所述主题词及其所述权重分别对所述简历关键词汇矩阵和所述招聘关键词汇矩阵进行特征向量化,从而获得毕业生特征向量和企业特征向量;
第二推荐模块,用于根据所述毕业生特征向量和所述企业特征向量计算毕业生的简历数据与企业的招聘数据的第二相似度,从而根据所述毕业生的简历数据与企业的招聘数据的第二相似度,确定毕业生与企业的第二推荐关系;
筛选模块,用于基于预设的毕业生的偏好数据指标和企业偏好数据指标筛选毕业生偏好数据和企业偏好数据;
第二分词模块,用于对所述毕业生偏好数据和所述企业偏好数据进行分词,根据分词结果得到相应的毕业生偏好词汇矩阵和企业偏好词汇矩阵,再对分词后的所述毕业生偏好词汇矩阵和所述企业偏好词汇矩阵进行预处理;
第三推荐模块,用于基于所述毕业生偏好词汇矩阵和所述企业偏好词汇矩阵,利用协同过滤算法进行相似度计算,从而获得毕业生的简历数据与企业的招聘数据的第三相似度,从而根据所述毕业生的简历数据与企业的招聘数据的第三相似度,确定毕业生和企业的第三推荐关系;
模型创建模块,用于基于毕业生和企业的所述第一推荐关系、第二推荐关系和第三推荐关系作为训练集,利用混合高斯模型算法建立多交互高斯混合推荐模型;
匹配模块,用于根据所述多交互高斯混合推荐模型对毕业生和企业进行匹配,从而确定最终的毕业生与企业的匹配关系。
10.一种电子设备,其特征在于,包括:至少处理器;以及与所述处理器连接的存储器,其中,所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1~8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110325677.2A CN113158074A (zh) | 2021-03-26 | 2021-03-26 | 一种基于多交互维度的简历岗位匹配方法、系统和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110325677.2A CN113158074A (zh) | 2021-03-26 | 2021-03-26 | 一种基于多交互维度的简历岗位匹配方法、系统和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113158074A true CN113158074A (zh) | 2021-07-23 |
Family
ID=76884947
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110325677.2A Pending CN113158074A (zh) | 2021-03-26 | 2021-03-26 | 一种基于多交互维度的简历岗位匹配方法、系统和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113158074A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117236647A (zh) * | 2023-11-10 | 2023-12-15 | 贵州优特云科技有限公司 | 一种基于人工智能的岗位招聘分析方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120330708A1 (en) * | 2010-12-14 | 2012-12-27 | Khan Mahmood A | Perfect match for job description to job seeker resumes and job seeker resume to jobs. |
CN104915444A (zh) * | 2015-06-29 | 2015-09-16 | 北京邮电大学 | 信息推荐方法及装置 |
CN107656920A (zh) * | 2017-09-14 | 2018-02-02 | 杭州电子科技大学 | 一种基于专利的科技人才推荐方法 |
CN108108399A (zh) * | 2017-12-05 | 2018-06-01 | 华南理工大学 | 一种混合高斯建模改进的协同过滤推荐算法 |
CN109544111A (zh) * | 2018-11-21 | 2019-03-29 | 南京安讯科技有限责任公司 | 一种基于多维度匹配的职位推荐系统 |
-
2021
- 2021-03-26 CN CN202110325677.2A patent/CN113158074A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120330708A1 (en) * | 2010-12-14 | 2012-12-27 | Khan Mahmood A | Perfect match for job description to job seeker resumes and job seeker resume to jobs. |
CN104915444A (zh) * | 2015-06-29 | 2015-09-16 | 北京邮电大学 | 信息推荐方法及装置 |
CN107656920A (zh) * | 2017-09-14 | 2018-02-02 | 杭州电子科技大学 | 一种基于专利的科技人才推荐方法 |
CN108108399A (zh) * | 2017-12-05 | 2018-06-01 | 华南理工大学 | 一种混合高斯建模改进的协同过滤推荐算法 |
CN109544111A (zh) * | 2018-11-21 | 2019-03-29 | 南京安讯科技有限责任公司 | 一种基于多维度匹配的职位推荐系统 |
Non-Patent Citations (1)
Title |
---|
郝凯: "基于简历数据的职位推荐系统的设计与实现", 《中国优秀博硕士学位论文全文数据库(硕士)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117236647A (zh) * | 2023-11-10 | 2023-12-15 | 贵州优特云科技有限公司 | 一种基于人工智能的岗位招聘分析方法及系统 |
CN117236647B (zh) * | 2023-11-10 | 2024-02-02 | 贵州优特云科技有限公司 | 一种基于人工智能的岗位招聘分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Arnold | A test for clusters | |
US10089581B2 (en) | Data driven classification and data quality checking system | |
CN110781298B (zh) | 药品分类方法、装置、计算机设备及存储介质 | |
DE102019000294A1 (de) | Erstellen unternehmensspezifischer Wissensgraphen | |
JP2002543535A (ja) | デシジョンツリーを用いてスケーラブルな確率論的クラスター化を行うための方法及び装置 | |
CN110709826B (zh) | 用于链接来自异构数据库的数据记录的方法及系统 | |
CN106844407B (zh) | 基于数据集相关性的标签网络产生方法和系统 | |
CN108846056A (zh) | 一种科技成果评审专家推荐方法及装置 | |
US10387805B2 (en) | System and method for ranking news feeds | |
US20220172260A1 (en) | Method, apparatus, storage medium, and device for generating user profile | |
CN111144068A (zh) | 一种相似仲裁案件推荐方法及装置 | |
CN112364937B (zh) | 用户类别确定方法及装置、推荐内容确定方法、电子设备 | |
CN108665148B (zh) | 一种电子资源质量评价方法、装置和存储介质 | |
CN110046264A (zh) | 一种面向手机文档的自动分类方法 | |
CN112100396A (zh) | 一种数据处理方法和装置 | |
CN112632261A (zh) | 智能问答方法、装置、设备及存储介质 | |
CN116775879A (zh) | 大语言模型的微调训练方法、合同风险评审方法及系统 | |
CN107248023B (zh) | 一种对标企业名单的筛选方法和装置 | |
CN113158074A (zh) | 一种基于多交互维度的简历岗位匹配方法、系统和设备 | |
Liu et al. | Finding the second-best candidate under the Mallows model | |
CN108073567B (zh) | 一种特征词提取处理方法、系统及服务器 | |
CN109871540B (zh) | 一种文本相似度的计算方法以及相关设备 | |
Oliveira et al. | Evolutionary rank aggregation for recommender systems | |
CN109462635B (zh) | 一种信息推送方法、计算机可读存储介质及服务器 | |
CN106446696A (zh) | 一种信息处理方法及电子设备 |
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 | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20221018 |
|
AD01 | Patent right deemed abandoned |