CN113239283A - 一种基于多维度的岗位匹配度计算方法及系统 - Google Patents

Abstract

本发明公开了一种基于多维度的岗位匹配度计算方法及系统，包括：获取多个员工信息，并基于多个员工信息建立多维度的指标体系；获取待匹配岗位信息，基于待匹配岗位信息获取多个与待匹配岗位相关的员工信息；基于多个与待匹配岗位相关的员工信息及指标体系建立多层次岗位画像；获取至少一个求职者的信息，并基于至少一个求职者的信息及指标体系建立至少一个求职者画像；基于多层次岗位画像从至少一个求职者中筛选至少一个匹配求职者。

Description

一种基于多维度的岗位匹配度计算方法及系统

技术领域

本发明主要涉及数据处理技术领域，具体地说，涉及一种基于多维度的岗位匹配度计算方法及系统。

背景技术

随着电子信息和网络技术的快速发展，用人单位招聘信息及个人求职信息都已经电子化，并且主要是通过在网络上双向选择的方式来进行。当前，求职者和用人单位在双向选择时，一般是在各种职业平台上去搜索某个岗位对应的关键词。通过一个或者数个关键词匹配到相关的用人单位和人才，通过浏览每一个岗位信息或者人才信息，人工判断是否符合需求。

由于关键词匹配的方法只关注了局部的信息，忽略了同一个岗位在不同的用人单位的职能的差异化，也没有对人才能力进行有效的评估，因此搜索到的结果很多情况下并不符合实际的岗位需求。在找到一批较匹配的信息时，进入下一个招聘或求职环节前，还需要再做一步人工筛选，通常还需要耗费用人单位和求职者大量的时间和精力。

发明内容

本说明书实施例之一提供一种基于多维度的岗位匹配度计算方法，可以包括获取多个员工信息，并基于所述多个员工信息建立多维度的指标体系。该岗位匹配度计算方法还可以包括获取待匹配岗位信息，基于所述待匹配岗位信息获取多个与待匹配岗位相关的员工信息。该岗位匹配度计算方法还可以包括基于所述多个与待匹配岗位相关的员工信息及所述指标体系建立多层次岗位画像。该岗位匹配度计算方法还可以包括获取至少一个求职者的信息，并基于所述至少一个求职者的信息及所述指标体系建立至少一个求职者画像。该岗位匹配度计算方法还可以包括基于多层次岗位画像及所述至少一个求职者画像从所述至少一个求职者中筛选至少一个匹配求职者。

在一些实施例中，该岗位匹配度计算方法还可以包括基于所述多个员工信息获取多个初步因子。该岗位匹配度计算方法还可以包括计算所述多个初步因子之间的相关性，基于所述多个初步因子之间的相关性将所述多个初步因子分为至少一个维度，所述至少一个维度中的每一个包括至少一个初步因子。该岗位匹配度计算方法还可以包括对于所述至少一个维度中每一个，基于包括的所述至少一个初步因子之间的相关性对所述至少一个初步因子进行筛选，确定所述至少一个指标中的每一个对应的多个评价因子。

在一些实施例中，该岗位匹配度计算方法还可以包括基于Pearson相关系数计算所述多个初步因子之间的相关性。

在一些实施例中，所述至少一个维度包括学习能力维度、业务能力维度、表达能力维度、协作能力维度、科研创新能力维度、文体能力维度中的至少一个。

在一些实施例中，该岗位匹配度计算方法还可以包括对于所述多个与待匹配岗位相关的员工信息，基于转化规则，将所述多个与待匹配岗位相关的员工信息中的非结构化数据转化为结构化数据，获取多个与待匹配岗位相关的员工结构化信息。该岗位匹配度计算方法还可以包括基于预设评分规则、所述指标体系及所述多个与待匹配岗位相关的员工结构化信息，建立多个与待匹配岗位相关的员工画像。该岗位匹配度计算方法还可以包括基于所述多个与待匹配岗位相关的员工画像，建立多层次岗位画像。

在一些实施例中，该岗位匹配度计算方法还可以包括对于所述至少一个求职者中每一个，计算对应的求职者画像与所述多层次岗位画像的相似度。该岗位匹配度计算方法还可以包括基于所述至少一个求职者中每一个对应的求职者画像与所述多层次岗位画像的相似度，从所述至少一个求职者中筛选至少一个匹配求职者。

在一些实施例中，该岗位匹配度计算方法还可以包括计算所述至少一个求职者中每一个对应的求职者画像与所述多层次岗位画像的欧式距离。该岗位匹配度计算方法还可以包括基于所述欧式距离判断所述至少一个求职者中每一个对应的求职者画像与所述多层次岗位画像的相似度。

本说明书实施例之一提供一种基于多维度的岗位匹配度计算系统，可以包括指标体系建立模块，用于获取多个员工信息，并基于所述多个员工信息建立多维度的指标体系。该岗位匹配度计算系统还可以包括岗位画像建立模块，用于获取待匹配岗位信息，基于所述待匹配岗位信息获取多个与待匹配岗位相关的员工信息，还用于基于所述多个与待匹配岗位相关的员工信息及所述指标体系建立多层次岗位画像。该岗位匹配度计算系统还可以包括求职者画像建立模块，用于获取至少一个求职者的信息，并基于所述至少一个求职者的信息及所述指标体系建立至少一个求职者画像。该岗位匹配度计算系统还可以包括匹配模块，用于基于多层次岗位画像及所述至少一个求职者画像从所述至少一个求职者中筛选至少一个匹配求职者。

本说明书实施例之一提供一种基于多维度的岗位匹配度计算装置，所述装置包括至少一个处理器以及至少一个存储器；所述至少一个存储器用于存储计算机指令；所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现上述的一种基于多维度的岗位匹配度计算方法。

本说明书实施例之一提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行上述的一种基于多维度的岗位匹配度计算方法。

附图说明

本申请将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：

图1是根据本申请一些实施例所示的一种基于多维度的岗位匹配度计算系统的应用场景示意图；

图2是根据本申请的一些实施例所示的计算设备的示例性框图；

图3是根据本说明书一些实施例所示的移动设备的示例性的硬件和/或软件的示意图；

图4是根据本申请的一些实施例所示的一种基于多维度的岗位匹配度计算系统的示例性框图；

图5是根据本申请的一些实施例所示的一种基于多维度的岗位匹配度计算方法的示例性的流程图；

图6是根据本申请的一些实施例所示的基于多个初步因子建立多维度的指标体系的示例性的流程图；

图7是根据本申请的一些实施例用于展示学历因子、职业资格因子、职称因子、电子书屋阅读因子、履历变动因子及学习能力因子的相关性的示意图。

具体实施方式

为了更清楚地说明本申请的实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。应当理解，给出这些示例性的实施例仅仅是为了使相关领域的技术人员能够更好地理解进而实现本发明，而并非以任何方式限制本发明的范围。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。

应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。

如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。

虽然本申请对根据本申请的实施例的系统中的某些模块或单元做出了各种引用，然而，任何数量的不同模块或单元可以被使用并运行在客户端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。

本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

图1是根据本申请一些实施例所示的一种基于多维度的岗位匹配度计算系统的应用场景示意图。

如图1所示，基于多维度的岗位匹配度计算系统100可以包括处理设备110、网络120、终端设备130和存储设备140。

在一些实施例中，基于多维度的岗位匹配度计算系统100可以对人力资源管理提供帮助。在一些实施例中，基于多维度的岗位匹配度计算系统100可以应用在招聘设备中，用于对多个求职者进行筛选，获取与岗位匹配的求职者。在一些实施例中，基于多维度的岗位匹配度计算系统100还可以应用在企业员工管理设备中，用于对已经入职一段时间（例如，半年、一年、五年等）的员工与其所在的岗位进行匹配度进行，判断该员工是否适合该岗位。需要注意的是，基于多维度的岗位匹配度计算系统100还可以应用在其它需要进行人力资源管理的设备、场景和应用程序中，在此不作限定，任何可以使用本申请所包含的基于多维度的岗位匹配度计算方法的设备、场景和/或应用程序都在本申请的保护范围内。

在一些实施例中，处理设备110可以用于处理与岗位匹配度计算相关的信息和/或数据。例如，处理设备110可以基于多个与待匹配岗位相关的员工信息及指标体系建立多层次岗位画像，并基于至少一个求职者的信息及指标体系建立至少一个求职者画像，基于多层次岗位画像及至少一个求职者画像从至少一个求职者中筛选至少一个匹配求职者。处理设备110更多的描述可以参见本申请其他部分的描述。例如，图2、3及其描述。

在一些实施例中，处理设备110可以是区域的或者远程的。例如，处理设备110可以通过网络120访问存储于终端设备130和存储设备140中的信息和/或资料。在一些实施例中，处理设备110可以直接与终端设备130和存储设备140连接以访问存储于其中的信息和/或资料。在一些实施例中，处理设备110可以在云平台上执行。例如，该云平台可以包括私有云、公共云、混合云、社区云、分散式云、内部云等中的一种或其任意组合。

在一些实施例中，处理设备110可以包含处理器。该处理器可以处理与岗位匹配度计算相关的数据和/或信息以执行一个或多个本申请中描述的功能。例如，处理器可以接收终端设备130发送的岗位匹配度计算请求。又例如，处理器可以获取存储设备140存储的多个员工信息、待匹配岗位信息及至少一个求职者的信息，基于多个员工信息、待匹配岗位信息及至少一个求职者的信息完成岗位匹配度计算后，向终端设备130发送岗位匹配度计算结果。在一些实施例中，处理器可以包含一个或多个子处理器（例如，单芯处理设备或多核多芯处理设备）。仅仅作为范例，处理器可包含中央处理器（CPU）、专用集成电路（ASIC）、专用指令处理器（ASIP）、图形处理器（GPU）、物理处理器（PPU）、数字信号处理器（DSP）、现场可编程门阵列（FPGA）、可编辑逻辑电路（PLD）、控制器、微控制器单元、精简指令集电脑（RISC）、微处理器等或以上任意组合。

网络120可促进基于多维度的岗位匹配度计算系统100中数据和/或信息的交换。在一些实施例中，基于多维度的岗位匹配度计算系统100中的一个或多个组件（例如，处理设备110、终端设备130和存储设备140）可以通过网络120发送数据和/或信息给基于多维度的岗位匹配度计算系统100中的其他组件。例如，存储设备140获取的多个员工信息可以通过网络120传输至处理设备110。又例如，处理设备110中关于岗位匹配度计算结果可以通过网络120传输至终端设备130。在一些实施例中，网络120可以是任意类型的有线或无线网络。例如，网络120可以包括缆线网络、有线网络、光纤网络、电信网络、内部网络、网际网络、区域网络（LAN）、广域网络（WAN）、无线区域网络（WLAN）、都会区域网络（MAN）、公共电话交换网络（PSTN）、蓝牙网络、ZigBee网络、近场通讯（NFC）网络等或以上任意组合。在一些实施例中，网络120可以包括一个或多个网络进出点。例如，网络120可以包含有线或无线网络进出点，如基站和/或网际网络交换点120-1、120-2、…，通过这些进出点，基于多维度的岗位匹配度计算系统100的一个或多个组件可以连接到网络120上以交换数据和/或信息。

在一些实施例中，终端设备130可以获取基于多维度的岗位匹配度计算系统100中的信息或数据。在一些实施例中，用户可以通过终端设备130获取处理设备110计算的岗位匹配度计算结果，例如，用户可以通过终端设备130查看处理设备110计算的求职者画像与多层次岗位画像的相似度，用户中终端130可以采用语音播报的方式向用户提示处理设备110计算的岗位匹配度计算结果。例如，终端设备130可以与处理设备110通过网络120连接（例如，有线连接、无线连接），用户可以通过终端设备130获取处理设备110计算的岗位匹配度计算结果，该岗位匹配度计算结果可通过处理设备110传输至终端设备130。终端设备130可以用于显示该岗位匹配度计算结果。

在一些实施例中，终端设备130可以包括移动装置130-1、平板电脑130-2、笔记本电脑130-3等中的一种或其任意组合。在一些实施例中，移动装置130-1可以包括可穿戴装置、智能行动装置、虚拟实境装置、增强实境装置等或其任意组合。在一些实施例中，可穿戴装置可以包括智能手环、智能鞋袜、智能眼镜、智能头盔、智能手表、智能衣物、智能背包、智能配饰、智能手柄等或其任意组合。在一些实施例中，智能行动装置可以包括智能电话、个人数字助理（PDA）、游戏装置、导航装置、POS装置等或其任意组合。在一些实施例中，虚拟实境装置和/或增强实境装置可以包括虚拟实境头盔、虚拟实境眼镜、虚拟实境眼罩、增强实境头盔、增强实境眼镜、增强实境眼罩等或以上任意组合。

在一些实施例中，存储设备140可以与网络120连接以实现与基于多维度的岗位匹配度计算系统100的一个或多个组件（例如，处理设备110、终端设备130等）通讯。基于多维度的岗位匹配度计算系统100的一个或多个组件可以通过网络120访问存储于存储设备140中的资料或指令。在一些实施例中，存储设备140可以直接与基于多维度的岗位匹配度计算系统100中的一个或多个组件（如，处理设备110、终端设备130）连接或通讯。在一些实施例中，存储设备140可以是处理设备110的一部分。在一些实施例中，处理设备110还可以位于终端设备130中。

应该注意的是，上述描述仅出于说明性目的而提供，并不旨在限制本申请的范围。对于本领域普通技术人员而言，在本申请内容的指导下，可做出多种变化和修改。可以以各种方式组合本申请描述的示例性的实施例的特征、结构、方法和其他特征，以获得另外的和/或替代的示例性的实施例。例如，存储设备140可以是包括云计算平台的数据存储设备，例如公共云、私有云、社区和混合云等。然而，这些变化与修改不会背离本申请的范围。

图2是根据本申请的一些实施例所示的计算设备的示例性的框图。

在一些实施例中，处理设备110和/或终端设备130可以在计算设备200上实现。例如，处理设备110可以在计算设备200上实施并执行本申请所公开的可以基于多个与待匹配岗位相关的员工信息及指标体系建立多层次岗位画像，并基于至少一个求职者的信息及指标体系建立至少一个求职者画像，基于多层次岗位画像及至少一个求职者画像从至少一个求职者中筛选至少一个匹配求职者的功能。

如图2所示，计算设备200可以包括处理器210、只读存储器220、随机存储器230、通信端口240、输入/输出接口250和硬盘260。

处理器210可以执行计算指令（程序代码）并执行本申请描述的基于多维度的岗位匹配度计算系统100的功能。所述计算指令可以包括程序、对象、组件、数据结构、过程、模块和功能（所述功能指本申请中描述的特定功能）。例如，处理器210可以处理从基于多维度的岗位匹配度计算系统100的存储设备140获取的多个员工信息。在一些实施例中，处理器210可以包括微控制器、微处理器、精简指令集计算机（RISC）、专用集成电路（ASIC）、应用特定指令集处理器（ASIP）、中央处理器（CPU）、图形处理单元（GPU）、物理处理单元（PPU）、微控制器单元、数字信号处理器（DSP）、现场可编程门阵列（FPGA）、高级RISC机（ARM）、可编程逻辑器件以及能够执行一个或多个功能的任何电路和处理器等，或其任意组合。仅为了说明，图2中的计算设备200只描述了一个处理器，但需要注意的是，本申请中的计算设备200还可以包括多个处理器。

计算设备200的存储器（例如，只读存储器（ROM）220、随机存储器（RAM）230、硬盘260等）可以存储从基于多维度的岗位匹配度计算系统100的任何其他组件获取的数据/信息。例如，存储设备140存储的多个员工信息等。又例如，存储设备140存储的基于多层次岗位画像从至少一个求职者中筛选至少一个匹配求职者的指令。示例性的ROM可以包括掩模ROM（MROM）、可编程ROM（PROM）、可擦除可编程ROM（PEROM）、电可擦除可编程ROM（EEPROM）、光盘ROM（CD-ROM）和数字通用盘ROM等。示例性的RAM可以包括动态RAM（DRAM）、双倍速率同步动态RAM（DDR SDRAM）、静态RAM（SRAM）、晶闸管RAM（T-RAM）和零电容（Z-RAM）等。

[41] 输入/输出接口250可以用于输入或输出信号、数据或信息。在一些实施例中，输入/输出接口250可以使用户与基于多维度的岗位匹配度计算系统100进行联系。例如，用户通过输入/输出接口250接收处理设备110发送的岗位匹配度计算结果。还例如，用户通过输入/输出接口250向处理设备110发送的岗位匹配度计算请求。在一些实施例中，输入/输出接口250可以包括输入装置和输出装置。示例性的输入装置可以包括键盘、鼠标、触摸屏和麦克风等，或其任意组合。示例性的输出装置可以包括显示设备、扬声器、打印机、投影仪等或其任意组合。示例性的显示装置可以包括液晶显示器（LCD）、基于发光二极管（LED）的显示器、平板显示器、曲面显示器、电视设备、阴极射线管（CRT）等或其任意组合。通信端口240可以连接到网络以便数据通信。所述连接可以是有线连接、无线连接或两者的组合。有线连接可以包括电缆、光缆或电话线等或其任意组合。无线连接可以包括蓝牙、Wi-Fi、WiMax、WLAN、ZigBee、移动网络（例如，3G、4G或5G等）等或其任意组合。在一些实施例中，通信端口240可以是标准化端口，如RS232、RS485等。在一些实施例中，通信端口240可以是专门设计的端口。

仅仅为了说明，计算设备200只描述了一个中央处理器和/或处理器。然而，需要注意的是，本申请中的计算设备200可以包括多个中央处理器和/或处理器，因此本申请中描述的由一个中央处理器和/或处理器实现的操作和/或方法也可以共同地或独立地由多个中央处理器和/或处理器实现。例如，计算设备200的中央处理器和/或处理器可以执行步骤A和步骤B。在另一示例中，步骤A和步骤B也可以由计算设备200中的两个不同的中央处理器和/或处理器联合或单独地执行（例如，第一处理器执行步骤A并且第二处理器执行步骤B，或第一和第二处理器共同执行步骤A和B）。

图3是根据本说明书一些实施例所示的移动设备的示例性的硬件和/或软件的示意图，终端设备（例如，终端设备130）可以根据本申请的一些实施例在移动设备300上实现。

如图3所示，移动设备300可以包括通信单元310、显示单元320、图形处理器（GPU）330、中央处理器（CPU）340、输入/输出单元350、内存360、存储单元370等。在一些实施例中，任何其他合适的组件，包括但不限于系统总线或控制器（未示出），也可包括在移动设备300内。在一些实施例中，操作系统361（例如，iOS、Android、Windows Phone等）和应用程序362可以从存储单元370加载到内存360中，以便由CPU 340执行。应用程序380可以用于从处理设备110和/或存储设备140发送、接收和呈现信息（例如，处理设备110发送的岗位匹配度计算结果等）的任何其他合适的应用程序。用户与信息流的交互可以经由输入/输出单元350实现，并且经由网络120提供给处理设备110和/或基于多维度的岗位匹配度计算系统100的其他组件。在一些实施例中，用户可以通过移动设备300向处理设备110发送的岗位匹配度计算请求。用户还可以通过移动设备300获取基于多维度的岗位匹配度计算系统100岗位匹配度计算请求。例如，用户可以经由显示单元320获取处理设备110发送的至少一个匹配求职者。

为了实现在本申请中描述的各种模块、单元及其功能，计算设备或移动设备可以用作本申请所描述的一个或多个组件的硬件平台。这些计算机或移动设备的硬件元件、操作系统和编程语言本质上是常规的，并且本领域技术人员熟悉这些技术后可将这些技术适应于本申请所描述的信息显示系统。具有用户界面元件的计算机可以用于实现个人计算机（PC）或其他类型的工作站或终端设备，如果适当地编程，计算机也可以充当服务器。

图4是根据本申请的一些实施例所示的一种基于多维度的岗位匹配度计算系统的示例性框图。

如图4所示，在一些实施例中，一种基于多维度的岗位匹配度计算系统400可以包括指标体系建立模块410、岗位画像建立模块420、求职者画像建立模块430及匹配模块440。

指标体系建立模块410可以用于获取多个员工信息，并基于多个员工信息建立多维度的指标体系。在一些实施例中，指标体系建立模块410基于多个员工信息建立多维度的指标体系可以包括：基于多个员工信息获取多个初步因子；计算多个初步因子之间的相关性，基于多个初步因子之间的相关性将多个初步因子分为至少一个维度，至少一个维度中的每一个包括至少一个指标，至少一个指标中的每一个包括至少一个初步因子；对于至少一个指标中的每一个，基于包括的至少一个初步因子之间的相关性对至少一个初步因子进行筛选，确定至少一个指标中的每一个对应的多个评价因子。在一些实施例中，指标体系建立模块410可以基于Pearson相关系数计算多个初步因子之间的相关性。在一些实施例中，至少一个维度包括学习能力维度、业务能力维度、表达能力维度、协作能力维度、科研创新能力维度、文体能力维度中的至少一个。

岗位画像建立模块420可以用于获取待匹配岗位信息，基于待匹配岗位信息获取多个与待匹配岗位相关的员工信息。岗位画像建立模块420还可以用于基于多个与待匹配岗位相关的员工信息及指标体系建立多层次岗位画像。在一些实施例中，岗位画像建立模块420基于多个与待匹配岗位相关的员工信息及指标体系建立多层次岗位画像可以包括：对于多个与待匹配岗位相关的员工信息，基于转化规则，将多个与待匹配岗位相关的员工信息中的非结构化数据转化为结构化数据，获取多个与待匹配岗位相关的员工结构化信息；基于预设评分规则、指标体系及多个与待匹配岗位相关的员工结构化信息，建立多个与待匹配岗位相关的员工画像；基于多个与待匹配岗位相关的员工画像，建立多层次岗位画像。

求职者画像建立模块430可以用于获取至少一个求职者的信息，并基于至少一个求职者的信息及指标体系建立至少一个求职者画像。在一些实施例中，求职者画像建立模块430。

匹配模块440可以用于基于多层次岗位画像从至少一个求职者中筛选至少一个匹配求职者。在一些实施例中，匹配模块440基于多层次岗位画像从至少一个求职者中筛选至少一个匹配求职者可以包括：对于至少一个求职者中每一个，计算对应的求职者画像与多层次岗位画像的相似度；基于至少一个求职者中每一个对应的求职者画像与多层次岗位画像的相似度，从至少一个求职者中筛选至少一个匹配求职者。在一些实施例中，匹配模块440计算对应的求职者画像与多层次岗位画像的相似度；基于至少一个求职者中每一个对应的求职者画像与多层次岗位画像的相似度可以包括：计算至少一个求职者中每一个对应的求职者画像与多层次岗位画像的欧式距离；基于欧式距离判断至少一个求职者中每一个对应的求职者画像与多层次岗位画像的相似度。

需要注意的是，以上对于候选项显示、确定系统及其模块的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。在一些实施例中，图1中披露的参数获取模块、指令发送模块、图像接收模块、真实性确定模块、指令接收模块、拍摄框显示模块、图像获取模块和图像发送模块可以是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。例如，各个模块可以共用一个存储模块，各个模块也可以分别具有各自的存储模块。诸如此类的变形，均在本说明书的保护范围之内。

图5是根据本申请的一些实施例所示的一种基于多维度的岗位匹配度计算方法的示例性的流程图。

在一些实施例中，基于多维度的岗位匹配度计算方法500可以由基于多维度的岗位匹配度计算系统100（如处理设备110）或基于多维度的岗位匹配度计算系统400执行。例如，基于多维度的岗位匹配度计算方法500可以以程序或指令的形式存储在存储装置（如存储设备140）中，当基于多维度的岗位匹配度计算系统100（如处理设备110）执行该程序或指令时，可以实现基于多维度的岗位匹配度计算方法500。下面呈现的基于多维度的岗位匹配度计算方法500的操作示意图是说明性的。在一些实施例中，可以利用一个或以上未描述的附加操作和/或未讨论的一个或以上操作来完成该过程。另外，图5中示出的和下面描述的流程500的操作的顺序不旨在是限制性的。

步骤510，获取多个员工信息，并基于多个员工信息建立多维度的指标体系。在一些实施例中，步骤510可以由指标体系建立模块410执行。

在一些实施例中，员工信息为与用人单位（例如，科研设计单位、医疗卫生单位、国有企业、三资企业等）员工相关的信息。

在一些实施例中，员工信息可以包括待匹配岗位所在用人单位的员工的相关信息。在一些实施例中，标体系建立模块410可以从待匹配岗位所在用人单位使用的相关系统中获取多个员工信息，例如，人力资源管理系统、OA系统、党建系统、一卡通系统、合同系统、工作台帐系统、调查问卷系统等。

在一些实施例中，员工信息还可以包括不用于发布待匹配岗位的用人单元的员工的相关信息。例如，用人单位A可以发布待匹配岗位，并获取用人单位B的员工的相关信息用于建立多维度的指标体系。

在一些实施例中，指标体系建立模块410可以基于多个员工信息获取多个初步因子，并基于多个初步因子建立多维度的指标体系。在一些实施例中，结合图6，图6是根据本申请的一些实施例所示的基于多个初步因子建立多维度的指标体系的示例性的流程图，指标体系建立模块410基于多个初步因子建立多维度的指标体系可以包括如下步骤。

步骤610，基于多个员工信息获取多个初步因子。在一些实施例中，步骤610可以由指标体系建立模块410执行。

在一些实施例中，指标体系建立模块410可以从多个员工信息中提取多个初步因子。例如，员工A的员工信息可以包括：姓名-张三、职务-专家办主任、入职时间-五年、最高学历-博士，则指标体系建立模块410可以从员工A的员工信息中提取多个初步因子，示例地，履职经历、学历职称匹配等。

步骤620，计算多个初步因子之间的相关性，基于多个初步因子之间的相关性将多个初步因子分为至少一个维度，至少一个维度中的每一个包括至少一个初步因子。在一些实施例中，步骤620可以由指标体系建立模块410执行。

在一些实施例中，指标体系建立模块410可以基于Pearson相关系数计算两个初步因子之间的相关性。在一些实施例中，指标体系建立模块410可以将多个具有相关性的初步因子划分为一个维度。例如，结合图7，图7是根据本申请的一些实施例用于展示学历因子、职业资格因子、职称因子、电子书屋阅读因子、履历变动因子及学习能力因子的相关性的示意图，多个初步因子可以包括学历因子、职业资格因子、职称因子、电子书屋阅读因子、履历变动因子及学习能力因子，履历变动因子与学习能力因子具有高度相关性，Pearson相关系数为0.74；学历因子、职业资格因子、职称因子与学习能力因子的Pearson相关系数分别为0.59、0.45、0.44；电子书屋阅读因子与学习能力因子的Pearson相关系数仅为0.25的相关性。电子书屋阅读因子、学历因子、职业资格因子、职称因子及履历变动因子均与学习能力因子正相关，则可以将电子书屋阅读因子、学历因子、职业资格因子、职称因子、履历变动因子及学习能力因子划分为同属于同一维度（例如，学习能力维度）的初步因子。

在一些实施例中，指标体系建立模块410还可以基于机器学习模型将多个初步因子划分为多个维度，并基于主成分分析（Principal Component Analysis）算法，把可能具有相关性的高维变量合成线性无关的低维变量，以累计贡献率等于0.9为阈值划分，确定至少一个维度，即该至少一个维度为该多个初步因子以不同线性组合的关系，使得机器学习模型可以训练少量维度但不丢失全部数据信息，同时保障了机器学习模型的分类器性能稳定。

在一些实施例中，机器学习模型的类型包括但不限于神经网络（NN）、卷积神经网络（CNN）、深度神经网络（DNN）、神经网络（NN）、卷积神经网络（CNN）、循环神经网络（RNN）等或其任意组合，例如，机器学习模型可以为卷积神经网络和深度神经网络组合形成的模型。

步骤630，对于至少一个维度中的每一个，基于包括的至少一个初步因子之间的相关性对至少一个初步因子进行筛选，确定至少一个指标中的每一个对应的多个评价因子。在一些实施例中，步骤630可以由指标体系建立模块410执行。

在一些实施例中，至少一个维度可以包括学习能力维度、业务能力维度、表达能力维度、协作能力维度、科研创新能力维度、文体能力维度中的至少一个或其任意组合。在一些实施例中，学习能力维度可以包括学历学位等级因子、职称因子、职业资格跨度因子、培训情况因子、电子书阅读时间时长因子中的至少一个或其任意组合。在一些实施例中，业务能力维度可以宝库哦学历职称匹配因子、履历经历因子、专业奖励因子、职业资格匹配因子、工作任务完成情况因子中的至少一个或其任意组合。在一些实施例中，协作能力维度可以包括参数科研项目因子、参与工作任务因子中的至少一个或其任意组合。在一些实施例中，文体能力维度可以包括文体类奖励因子、文体特长中的至少一个或其任意组合。在一些实施例中，科研创新能力维度可以包括学历学位因子、职称等级因子、知识成果因子、科技奖励因子、学术会议交流因子、科研项目因子中的至少一个或其任意组合。在一些实施例中，表达能力维度可以包括外语能力因子、征文/演讲/辩论奖励因子、新闻稿因子、学术会议交流因子中的至少一个或其任意组合。

在一些实施例中，对于至少一个维度中的每一个，指标体系建立模块410可以筛除相关性低于预设阈值（例如，0.3）的因子，将该维度剩余的初步因子作为评价因子。例如，仍结合图7所示的示例，电子书屋阅读因子与学习能力因子的Pearson相关系数仅为0.25的相关性，小于预设阈值（例如，0.28），指标体系建立模块410在可以在学习能力维度筛除电子书屋阅读因子，并将学历因子、职业资格因子、职称因子、履历变动因子及学习能力因子作为学习能力维度的五个评价因子。

请再次参考图5，步骤520，获取待匹配岗位信息，基于待匹配岗位信息获取多个与待匹配岗位相关的员工信息。在一些实施例中，步骤520可以由岗位画像建立模块420执行。

在一些实施例中，与待匹配岗位相关的员工信息为所在岗位为待匹配岗位的员工的信息和/或所在岗位为待匹配岗位的上级岗位的员工的信息。例如，待匹配岗位为人事专员，该待匹配岗位的上级岗位为人事主管，岗位画像建立模块420获取的多个与待匹配岗位相关的员工信息可以包括所在岗位为人事专员的员工的信息和/或所在岗位为人事主管的员工的信息。

在一些实施例中，与待匹配岗位相关的员工信息可以包括待匹配岗位所在用人单位的与待匹配岗位相关的员工的相关信息。在一些实施例中，岗位画像建立模块420可以从待匹配岗位所在用人单位使用的相关系统中获取多个与待匹配岗位相关的员工信息，例如，人力资源管理系统、OA系统、党建系统、一卡通系统、合同系统、工作台帐系统、调查问卷系统等。

在一些实施例中，员工信息还可以包括不用于发布待匹配岗位的用人单元的与待匹配岗位相关的员工的相关信息。例如，用人单位A可以发布待匹配岗位，并获取用人单位B的与待匹配岗位相关的员工的相关信息。

步骤530，基于多个与待匹配岗位相关的员工信息及指标体系建立多层次岗位画像。在一些实施例中，步骤530可以由岗位画像建立模块420执行。

在一些实施例中，多个与待匹配岗位相关的员工信息可以包括多个（例如，10个、20个等）与待匹配岗位相关的先进员工的信息。在一些实施例中，先进员工可以为在至少一个维度上表现较为优异的员工，例如，学习能力强、工作效率高等。

在一些实施例中，岗位画像建立模块420可以基于转化规则，将多个与待匹配岗位相关的员工信息中的非结构化数据转化为结构化数据，获取多个与待匹配岗位相关的员工结构化信息。在一些实施例中，结构化数据可以为数值。在一些实施例中，转化规则可以为基于员工信息对员工信息对应的评价因子进行赋值的规则。例如，对于学历等级因子，若员工A与学历等级因子对应的员工信息为“博士研究生”，则可以对该员工A的学历等级因子赋值为7；若员工A与学历等级因子对应的员工信息为“硕士研究生”，则可以对该员工A的学历等级因子赋值为6；若员工A与学历等级因子对应的员工信息为“大学本科”，则可以对该员工A的学历等级因子赋值为5。

在一些实施例中，对于多个与待匹配岗位相关的员工中的每一个，岗位画像建立模块420可以基于与待匹配岗位相关的员工信息转化后的结构化信息、预设评分规则及指标体系，建立对应的员工画像，员工画像可以包括员工信息在指标体系的各个维度的得分。在一些实施例中，员工信息在指标体系的各个维度的得分可以用数值（例如，小数、百分比等）表示。在一些实施例中，预设规则可以包括各个维度包括的评价因子的权重。例如，仍结合图7所示的示例，岗位画像建立模块420可以对学习能力维度包括的五个评价因子：学历因子、职业资格因子、职称因子、履历变动因子及学习能力因子，可以分别赋予0.4、0.15、0.15、0.2、0.1的权重。在一些实施例中，对于各个维度，岗位画像建立模块420可以基于包括的评价因子的值以及对应的权重，计算员工信息在指标体系的各个维度的得分。例如，仍结合图7所示的示例，员工A在学习能力维度中，学历因子的值为5，职业资格因子的值为7、职称因子的值为6、履历变动因子的值为4，学习能力因子的值为7，则员工A的画像在学习能力维度的得分S=学历因子的值*学历因子的权重+职业资格因子的值*职业资格因子的权重+职称因子的值*职称因子的权重+履历变动因子的值*履历变动因子的权重+学习能力因子的值*学习能力因子的权重=5*0.4+7*0.15+6*0.15+4*0.2+7*0.1=5.45。

在一些实施例中，对于包含有时间信息的评价因子，预设规则还可以包括该评价因子对应的衰减系数。在一些实施例中，岗位画像建立模块420可以基于每个评价因子对应的与待匹配岗位相关的员工信息确定每个评价因子对应的衰减系数。例如，对于学历等级因子，学历取得时间为1年及以下，该学习等级因子的衰减系数为1；学历取得时间为1-3年，该学习等级因子的衰减系数为0.8；学历取得时间为3-5年，该学习等级因子的衰减系数为0.6；学历取得时间为5年以上，该学习等级因子的衰减系数为0.5。在一些实施例中，对于各个维度，岗位画像建立模块420可以基于包括的评价因子的值、对应的权重及对应的衰减系数，计算员工信息在指标体系的各个维度的得分。例如，仍结合图7所示的示例，员工A在学习能力维度中，学历因子的值为5，职业资格因子的值为7、职称因子的值为6、履历变动因子的值为4，学习能力因子的值为7，学历因子的衰减系数为0.5，职业资格因子的衰减系数为0.8，职称因子的衰减系数为0.8，则员工A的画像在学习能力维度的得分S=学历因子的值*学历因子的权重*学历因子的衰减系数+职业资格因子的值*职业资格因子的权重*职业资格因子的衰减系数+职称因子的值*职称因子的权重*职称因子的衰减系数+履历变动因子的值*履历变动因子的权重+学习能力因子的值*学习能力因子的权重=5*0.4*0.5+7*0.15*0.8+6*0.15*0.8+4*0.2+7*0.1=4.06。

在一些实施例中，岗位画像建立模块420还可以基于机器学习模型获取员工画像。在一些实施例中，机器学习模型的类型包括但不限于神经网络（NN）、卷积神经网络（CNN）、深度神经网络（DNN）、神经网络（NN）、卷积神经网络（CNN）、循环神经网络（RNN）等或其任意组合，例如，机器学习模型可以为卷积神经网络和深度神经网络组合形成的模型。

在一些实施例中，可以基于大量的训练样本训练初始机器学习模型得到训练后的机器学习模型。在一些实施例中，可以从多个员工信息得到多组训练样本。训练样本包括多个员工信息。标记信息包括员工信息在指标体系的各个维度的得分。把训练样本作为输入数据，标记信息作为输出数据，把输入数据和输出数据输入初始机器学习模型进行训练，以得到训练好的机器学习模型。

在一些实施例中，岗位画像建立模块420还可以使用GridSearchCV交叉验证自动调参模型对机器学习模型进行参数优化（其中cv=5，即5折交叉验证）。

在一些实施例中，岗位画像建立模块420还可以基于SMOTE算法，合成（增加）新的少数类样本，方法是对每个少数类样本 a，运用K近邻算法，从它的最近邻中随机选一个样本 b，然后在 a、b 之间的连线上随机选一点作为新合成的少数类样本。

在一些实施例中，多层次岗位画像可以包括第一岗位画像及第二岗位画像。在一些实施例中，岗位画像建立模块420可以基于多个与待匹配岗位相关的先进员工的画像获取第一岗位画像，还可以基于多个与待匹配岗位相关的员工中筛除与待匹配岗位相关的先进员工后的员工（下文用普通员工代指）的画像获取第二岗位画像。例如，岗位画像建立模块420可以将多个与待匹配岗位相关的先进员工的画像融合为第一岗位画像。示例地，岗位画像建立模块420可以对多个与待匹配岗位相关的先进员工的画像在各个维度的得分求平均值，获取第一岗位画像在各个维度的得分。又示例地，岗位画像建立模块420可以对多个与待匹配岗位相关的先进员工的画像在各个维度的得分求中位数，获取第一岗位画像在各个维度的得分。还例如，岗位画像建立模块420可以将多个普通员工的画像融合为第二岗位画像。示例地，岗位画像建立模块420可以对多个普通员工的画像在各个维度的得分求平均值，获取第二岗位画像在各个维度的得分。又示例地，岗位画像建立模块420可以对多个普通员工的画像在各个维度的得分求中位数，获取第二岗位画像在各个维度的得分。

步骤540，获取至少一个求职者的信息，并基于至少一个求职者的信息及指标体系建立至少一个求职者画像。在一些实施例中，步骤540可以由求职者画像建立模块430执行。

在一些实施例中，职者画像建立模块430建立求职者画像的方法可以与岗位画像建立模块420建立员工画像类似，职者画像建立模块430也可以基于转化规则，将至少一个求职者的信息中的非结构化数据转化为结构化数据；并基于至少一个求职者的信息转化后的结构化信息、预设评分规则及指标体系，建立求职者画像，建立求职者画像的更多细节可以参考步骤530的相关描述。

步骤550，基于多层次岗位画像及至少一个求职者画像从至少一个求职者中筛选至少一个匹配求职者。在一些实施例中，步骤550可以由匹配模块440执行。

在一些实施例中，匹配模块440可以将至少一个求职者画像与多层次岗位画像进行匹配，具体的，匹配模块440可以将至少一个求职者画像分别与第一岗位画像和第二岗位画像进行匹配，从至少一个求职者中筛选至少一个匹配求职者。例如，匹配模块440可以计算求职者画像在各个维度的得分与第一岗位画像的差值，计算求职者画像与第一岗位画像是否匹配，示例地，求职者画像和第一岗位画像在总的十二维度中有八个维度的得分的差值小于预设阈值（例如，1），则求职者画像与第一岗位画像匹配。还例如，匹配模块440可以计算求职者画像在各个维度的得分与第二岗位画像的差值，计算求职者画像与第二岗位画像是否匹配，示例地，求职者画像和第二岗位画像在总的十二维度中有六个维度的得分的差值小于预设阈值（例如，1），则求职者画像与第二岗位画像匹配。

在一些实施例中，可以将与第一岗位画像匹配的求职者作为优质求职者，将与第二岗位画像匹配的求职者作为合格求职者，将岗位画像分为第一岗位画像和第二岗位画像，可以帮助用人单位更加精准地了解求职者匹配岗位的能力，并方便用人单位进行人力资源管理，例如，对于优质求职者，用人单元可以提供更高的薪资以吸引人才，并安排相应难度的工作任务给优质求职者和合格求职者，提高招聘成功率的同时，更可以合理安排劳动力。

在一些实施例中，对于至少一个求职者中每一个，匹配模块440可以计算对应的求职者画像与多层次岗位画像的相似度，具体地，求职者画像分别与第一岗位画像和第二岗位画像的相似度；匹配模块440还可以基于至少一个求职者中每一个对应的求职者画像分别与第一岗位画像和第二岗位画像的相似度，从至少一个求职者中筛选至少一个匹配求职者。在一些实施例中，匹配模块440还可以基于求职者画像分别与第一岗位画像和第二岗位画像的欧式距离判断求职者画像分别与第一岗位画像和第二岗位画像的相似度。

在一些实施例中，匹配模块440可以将求职者画像与第二岗位画像的相似度大于预设阈值（例如，百分之五十）的求职者作为该待匹配岗位的合格求职者。在一些实施例中，匹配模块440还可以将求职者画像与第一岗位画像的相似度大于预设阈值（例如，百分之五十）的求职者作为该待匹配岗位的优质求职者。为用人单位招聘提供辅助信息，提高岗位与人员匹配的精准度，同时有效降低招聘所需的人力。

应当注意的是，上述有关基于多维度的岗位匹配度计算方法500的描述仅仅是为了示例和说明，而不限定本申请的适用范围。对于本领域技术人员来说，在本申请的指导下可以对基于多维度的岗位匹配度计算方法500进行各种修正和改变。然而，这些修正和改变仍在本申请的范围之内。例如，步骤540可以位于步骤530之前，即处理设备110可以先获取至少一个求职者的信息，并基于至少一个求职者的信息及指标体系建立至少一个求职者画像，再基于多个与待匹配岗位相关的员工信息及指标体系建立多层次岗位画像。诸如此类的变形，均在本申请的保护范围之内。

本申请实施例提供的基于多维度的岗位匹配度计算方法，可以基于多层次岗位画像及至少一个求职者画像从至少一个求职者中筛选至少一个匹配求职者，实现岗位与人员的快速匹配，提高岗位与人员匹配的精准度，同时有效降低所需的人力。

在本申请的另一些实施例中，提供了一种基于多维度的岗位匹配度计算装置，包括至少一个处理设备以及至少一个存储设备；所述至少一个存储设备用于存储计算机指令，所述至少一个处理设备用于执行所述计算机指令中的至少部分指令以实现如上所述的一种基于多维度的岗位匹配度计算方法。

在本申请的又一些实施例中，提供了一种用于基于多维度的岗位匹配度计算的计算机可读存储介质，所述存储介质存储计算机指令，当所述计算机指令被处理设备执行时实现如上所述的基于多维度的岗位匹配度计算方法。

上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。

同时，本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件（包括固件、常驻软件、微码等）执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。

计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。

本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网（LAN）或广域网（WAN），或连接至外部计算机（例如通过因特网），或在云计算环境中，或作为服务使用如软件即服务（SaaS）。

此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。

针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外，对本申请权利要求最广范围有限制的文件（当前或之后附加于本申请中的）也除外。需要说明的是，如果本申请附属材料中的描述、定义、和/或术语的使用与本申请内容有不一致或冲突的地方，以本申请的描述、定义和/或术语的使用为准。

最后，应当理解的是，本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此，作为示例而非限制，本申请实施例的替代配置可视为与本申请的教导一致。相应地，本申请的实施例不仅限于本申请明确介绍和描述的实施例。

Claims (10)

1.一种基于多维度的岗位匹配度计算方法，其特征在于，包括：

获取多个员工信息，并基于所述多个员工信息建立多维度的指标体系；

获取待匹配岗位信息，基于所述待匹配岗位信息获取多个与待匹配岗位相关的员工信息；

基于所述多个与待匹配岗位相关的员工信息及所述指标体系建立多层次岗位画像；

获取至少一个求职者的信息，并基于所述至少一个求职者的信息及所述指标体系建立至少一个求职者画像；

基于多层次岗位画像及所述至少一个求职者画像从所述至少一个求职者中筛选至少一个匹配求职者。

2.根据权利要求1所述的一种基于多维度的岗位匹配度计算方法，其特征在于，所述基于所述多个员工信息建立多维度的指标体系包括：

基于所述多个员工信息获取多个初步因子；

计算所述多个初步因子之间的相关性，基于所述多个初步因子之间的相关性将所述多个初步因子分为至少一个维度，所述至少一个维度中的每一个包括至少一个初步因子；

对于所述至少一个维度中每一个，基于包括的所述至少一个初步因子之间的相关性对所述至少一个初步因子进行筛选，确定所述至少一个指标中的每一个对应的多个评价因子。

3.根据权利要求2所述的一种基于多维度的岗位匹配度计算方法，其特征在于，所述计算所述多个初步因子之间的相关性包括：

基于Pearson相关系数计算所述多个初步因子之间的相关性。

4.根据权利要求2或3所述的一种基于多维度的岗位匹配度计算方法，其特征在于，所述至少一个维度包括学习能力维度、业务能力维度、表达能力维度、协作能力维度、科研创新能力维度、文体能力维度中的至少一个。

5.根据权利要求1所述的一种基于多维度的岗位匹配度计算方法，其特征在于，所述基于所述多个与待匹配岗位相关的员工信息及所述指标体系建立多层次岗位画像包括：

对于所述多个与待匹配岗位相关的员工信息，基于转化规则，将所述多个与待匹配岗位相关的员工信息中的非结构化数据转化为结构化数据，获取多个与待匹配岗位相关的员工结构化信息；

基于预设评分规则、所述指标体系及所述多个与待匹配岗位相关的员工结构化信息，建立多个与待匹配岗位相关的员工画像；

基于所述多个与待匹配岗位相关的员工画像，建立多层次岗位画像。

6.根据权利要求1所述的一种基于多维度的岗位匹配度计算方法，其特征在于，所述基于多层次岗位画像从所述至少一个求职者中筛选至少一个匹配求职者包括：

对于所述至少一个求职者中每一个，计算对应的求职者画像与所述多层次岗位画像的相似度；

基于所述至少一个求职者中每一个对应的求职者画像与所述多层次岗位画像的相似度，从所述至少一个求职者中筛选至少一个匹配求职者。

7.根据权利要求6所述的一种基于多维度的岗位匹配度计算方法，其特征在于，所述基于所述至少一个求职者中每一个对应的求职者画像与所述多层次岗位画像的相似度，包括：

计算所述至少一个求职者中每一个对应的求职者画像与所述多层次岗位画像的欧式距离；

基于所述欧式距离判断所述至少一个求职者中每一个对应的求职者画像与所述多层次岗位画像的相似度。

8.一种基于多维度的岗位匹配度计算系统，其特征在于，包括：

指标体系建立模块，用于获取多个员工信息，并基于所述多个员工信息建立多维度的指标体系；

岗位画像建立模块，用于获取待匹配岗位信息，基于所述待匹配岗位信息获取多个与待匹配岗位相关的员工信息，还用于基于所述多个与待匹配岗位相关的员工信息及所述指标体系建立多层次岗位画像；

求职者画像建立模块，用于获取至少一个求职者的信息，并基于所述至少一个求职者的信息及所述指标体系建立至少一个求职者画像；

匹配模块，用于基于多层次岗位画像及所述至少一个求职者画像从所述至少一个求职者中筛选至少一个匹配求职者。

9.根据权利要求8所述的一种基于多维度的岗位匹配度计算系统，其特征在于，所述指标体系建立模块还用于：

基于所述多个员工信息获取多个初步因子；

计算所述多个初步因子之间的相关性，基于所述多个初步因子之间的相关性将所述多个初步因子分为至少一个维度，所述至少一个维度中的每一个包括至少一个初步因子；

对于所述至少一个维度中每一个，基于包括的所述至少一个初步因子之间的相关性对所述至少一个初步因子进行筛选，确定所述至少一个指标中的每一个对应的多个评价因子。

10.根据权利要求9所述的一种基于多维度的岗位匹配度计算系统，其特征在于，所述指标体系建立模块还用于基于Pearson相关系数计算所述多个初步因子之间的相关性。

Images