CN113313470A - 一种基于大数据的就业类型评估方法及系统 - Google Patents

Abstract

本发明提供了一种基于大数据的就业类型评估方法及系统，方法包括：获得第一用户类型，获得分析要素集；通过大数据构建第一用户要素信息数据库，获得第一要素信息子库、第一分析要素，两者之间具有第一对应关系；将第一分析要素、第一要素信息子库输入要素分析模型，获得第一分析结果；依次获得第二分析结果、直到第N分析结果，N为大于2的自然数，其中，N与分析要素集中的分析要素个数相匹配；获得第一用户画像；获得第一关系函数，第一关系函数为用户画像与类型评估的函数关系；获得第一用户评估结果。解决了现有技术中由于数据采集的来源主要为面试信息和人才档案信息，导致存在数据采集不够全面，进而造成人才画像不准确的技术问题。

Description

一种基于大数据的就业类型评估方法及系统

技术领域

本发明涉及人工智能相关技术领域，具体涉及一种基于大数据的就业类型评估方法及系统。

背景技术

在就业市场中，理想的状态是招聘方对于岗位清晰合理的描述和应聘方对于自身综合能力的全面认知与展示，有利于提高招聘方与应聘方的匹配度，加快招聘效率，缓解就业压力。但是实际上招聘方和应聘方的信息并不对等，应聘方由于对于自身能力认知不清晰，导致缕缕出现试工的现象，极大的损耗了人力资源。

通过AI进行人才画像的方法提出对于企业方寻找精准人才提供了便利，但是由于其数据量大，数据采集困难等问题，因而未能大范围的普及。

但本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：

现有技术中由于数据采集的来源主要为面试信息和人才档案信息，导致存在数据采集不够全面，进而造成人才画像不准确的技术问题。

发明内容

本申请实施例通过提供了一种基于大数据的就业类型评估方法及系统，解决了现有技术中由于数据采集的来源主要为面试信息和人才档案信息，导致存在数据采集不够全面，进而造成人才画像不准确的技术问题。通过为用户提供用户画像服务，全面的采集其各方面的信息，结合大数据平台采集可共享用户信息，构建数据库存储信息，并利用智能化模型对其进行综合素质分析，依据分析结果评估合适的就业类型。通过服务于求职者逐步采集数据，使得信息来源更加准确且全面，进而得到更准确的就业类型评估的技术效果。

鉴于上述问题，本申请实施例提供了一种基于大数据的就业类型评估方法及系统。

第一方面，本申请实施例提供了一种基于大数据的就业类型评估方法，其中，所述方法包括：获得第一用户信息；根据所述第一用户信息，获得第一用户类型；根据所述第一用户类型，获得分析要素集；基于所述分析要素集，通过大数据构建第一用户要素信息数据库，其中，所述要素信息数据库包括要素信息子库，所述要素信息子库与所述分析要素集中的分析要素相对应；获得第一要素信息子库、第一分析要素，所述第一要素信息子库包含于所述第一用户要素信息数据库中，所述第一分析要素包含于所述分析要素集中，且，两者之间具有第一对应关系；将所述第一分析要素、所述第一要素信息子库输入要素分析模型，获得第一分析结果；依次获得第二分析结果、直到第N分析结果，N为大于2的自然数，其中，N与所述分析要素集中的分析要素个数相匹配；根据所述第一分析结果、第二分析结果、直到第N分析结果对第一用户进行人物画像，获得第一用户画像；获得第一关系函数，所述第一关系函数为用户画像与类型评估的函数关系；根据所述第一关系函数、所述第一用户画像，获得第一用户评估结果。

另一方面，本申请实施例提供了一种基于大数据的就业类型评估系统，其中，所述系统包括：第一获得单元，所述第一获得单元用于获得第一用户信息；第二获得单元，所述第二获得单元用于根据所述第一用户信息，获得第一用户类型；第三获得单元，所述第三获得单元用于根据所述第一用户类型，获得分析要素集；第一构建单元，所述第一构建单元用于基于所述分析要素集，通过大数据构建第一用户要素信息数据库，其中，所述要素信息数据库包括要素信息子库，所述要素信息子库与所述分析要素集中的分析要素相对应；第四获得单元，所述第四获得单元用于获得第一要素信息子库、第一分析要素，所述第一要素信息子库包含于所述第一用户要素信息数据库中，所述第一分析要素包含于所述分析要素集中，且，两者之间具有第一对应关系；第一输入单元，所述第一输入单元用于将所述第一分析要素、所述第一要素信息子库输入要素分析模型，获得第一分析结果；第五获得单元，所述第五获得单元用于依次获得第二分析结果、直到第N分析结果，N为大于2的自然数，其中，N与所述分析要素集中的分析要素个数相匹配；第六获得单元，所述第六获得单元用于根据所述第一分析结果、第二分析结果、直到第N分析结果对第一用户进行人物画像，获得第一用户画像；第七获得单元，所述第七获得单元用于获得第一关系函数，所述第一关系函数为用户画像与类型评估的函数关系；第一评估单元，所述第一评估单元用于根据所述第一关系函数、所述第一用户画像，获得第一用户评估结果。

第三方面，本申请实施例提供了一种基于大数据的就业类型评估系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现第一方面任一项所述方法的步骤。

本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

由于采用了获得第一用户信息；根据所述第一用户信息，获得第一用户类型；根据所述第一用户类型，获得分析要素集；基于所述分析要素集，通过大数据构建第一用户要素信息数据库，其中，所述要素信息数据库包括要素信息子库，所述要素信息子库与所述分析要素集中的分析要素相对应；获得第一要素信息子库、第一分析要素，所述第一要素信息子库包含于所述第一用户要素信息数据库中，所述第一分析要素包含于所述分析要素集中，且，两者之间具有第一对应关系；将所述第一分析要素、所述第一要素信息子库输入要素分析模型，获得第一分析结果；依次获得第二分析结果、直到第N分析结果，N为大于2的自然数，其中，N与所述分析要素集中的分析要素个数相匹配；根据所述第一分析结果、第二分析结果、直到第N分析结果对第一用户进行人物画像，获得第一用户画像；获得第一关系函数，所述第一关系函数为用户画像与类型评估的函数关系；根据所述第一关系函数、所述第一用户画像，获得第一用户评估结果的技术方案，通过为用户即提供用户画像服务，全面的采集其各方面的信息，再集合人才档案信息，构建数据库存储信息，并利用智能化模型对其进行综合素质分析，依据分析结果评估合适的就业类型。通过服务于求职者逐步采集数据，使得信息来源更加准确且全面，进而得到更准确的就业类型评估的技术效果。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

图1为本申请实施例一种基于大数据的就业类型评估方法流程示意图；

图2为本申请实施例一种基于大数据的就业类型评估系统结构示意图；

图3为本申请实施例示例性电子设备的结构示意图。

附图标记说明：第一获得单元11，第二获得单元12，第三获得单元13，第一构建单元14，第四获得单元15，第一输入单元16，第五获得单元17，第六获得单元18，第七获得单元19，第一评估单元20，电子设备300，存储器301，处理器302，通信接口303，总线架构304。

具体实施方式

本申请实施例通过提供了一种基于大数据的就业类型评估方法及系统，解决了现有技术中由于数据采集的来源主要为面试信息和人才档案信息，导致存在数据采集不够全面，进而造成人才画像不准确的技术问题。通过为用户提供用户画像服务，全面的采集其各方面的信息，结合大数据平台采集可共享用户信息，构建数据库存储信息，并利用智能化模型对其进行综合素质分析，依据分析结果评估合适的就业类型。通过服务于求职者逐步采集数据，使得信息来源更加准确且全面，进而得到更准确的就业类型评估的技术效果。

申请概述：

在就业市场中，理想的状态是招聘方对于岗位清晰合理的描述和应聘方对于自身综合能力的全面认知与展示，有利于提高招聘方与应聘方的匹配度，加快招聘效率，缓解就业压力。但是实际上招聘方和应聘方的信息并不对等，应聘方由于对于自身能力认知不清晰，导致缕缕出现试工的现象，极大的损耗了人力资源。通过AI进行人才画像的方法提出对于企业方寻找精准人才提供了便利，但是由于其数据量大，数据采集困难等问题，因而未能大范围的普及。但现有技术中由于数据采集的来源主要为面试信息和人才档案信息，导致存在数据采集不够全面，进而造成人才画像不准确的技术问题。

针对上述技术问题，本申请提供的技术方案总体思路如下：

本申请实施例提供了一种基于大数据的就业类型评估方法，其中，所述方法包括：获得第一用户信息；根据所述第一用户信息，获得第一用户类型；根据所述第一用户类型，获得分析要素集；基于所述分析要素集，通过大数据构建第一用户要素信息数据库，其中，所述要素信息数据库包括要素信息子库，所述要素信息子库与所述分析要素集中的分析要素相对应；获得第一要素信息子库、第一分析要素，所述第一要素信息子库包含于所述第一用户要素信息数据库中，所述第一分析要素包含于所述分析要素集中，且，两者之间具有第一对应关系；将所述第一分析要素、所述第一要素信息子库输入要素分析模型，获得第一分析结果；依次获得第二分析结果、直到第N分析结果，N为大于2的自然数，其中，N与所述分析要素集中的分析要素个数相匹配；根据所述第一分析结果、第二分析结果、直到第N分析结果对第一用户进行人物画像，获得第一用户画像；获得第一关系函数，所述第一关系函数为用户画像与类型评估的函数关系；根据所述第一关系函数、所述第一用户画像，获得第一用户评估结果。

在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。

实施例一

如图1所示，本申请实施例提供了一种基于大数据的就业类型评估方法，其中，所述方法包括：

S100：获得第一用户信息；

S200：根据所述第一用户信息，获得第一用户类型；

具体而言，所述第一用户信息指的是寻找工作的人员基本信息，优选为基本的简历信息，如姓名、性别、籍贯、学历、婚否、工作经历、兴趣爱好等信息；所述第一用户类型指的是基于所述第一用户信息对所述第一用户进行初步分类，优选的根据就业年限、职称、学历、工作经验等数据作为参考划分。采集所述第一用户的基本信息以及对其进行初步分类，为后续进程提供信息基础。

S300：根据所述第一用户类型，获得分析要素集；

具体而言，所述分析要素集指的是基于所述第一用户类型匹配的需要分析的信息，举不设限制的一例，若是所述第一用户主要的工作经验是做过两年的互联网产品经理，则匹配的分析要素可选为产品经理基本技能掌握程度、服务过的项目类别与落地情况、就职企业情况、管理能力、情绪把控能力、主要社交活动等。通过调用所述分析要素集有助于对所述第一用户全面的信息收集，更便于所述第一用户对于自身能力进行客观的认知。

S400：基于所述分析要素集，通过大数据构建第一用户要素信息数据库，其中，所述要素信息数据库包括要素信息子库，所述要素信息子库与所述分析要素集中的分析要素相对应；

具体而言，通过大数据平台基于所述分析要素集一一对应于分析要素搜集相关的信息，缺少的数据，例如情绪把控能力和管理能力，以及社会活动经历等可通过所述第一用户补充结合心理测试的方式考核收集。所述第一用户要素信息数据库指的是基于收集到信息进行管理、存储、调用，构建数据库，优选的数据库可选为云数据库，云数据库适用于大中小数据量，且可实现数据共享。所述要素信息子库指的是所述第一用户要素信息数据库中存储和所述分析要素集一一对应的数据集合。通过服务于所述第一用户，对所述第一用户的信息进行较全面的采集并存储，实现了有效的数据收集，也为所述第一用户提供较精准的就业类型评估奠定了信息基础。

S500：获得第一要素信息子库、第一分析要素，所述第一要素信息子库包含于所述第一用户要素信息数据库中，所述第一分析要素包含于所述分析要素集中，且，两者之间具有第一对应关系；

具体而言，所述第一要素信息子库包含于所述要素信息子库，是从所述第一用户要素信息数据库中，筛选出来对应于所述第一分析要素的信息集合；所述第一分析要素信息包含于所述分析要素集中；因为所述第一要素信息是基于所述第一分析要素搜集得到，所以所述第一要素信息子库的所述第一要素信息和所述第一分析要素信息具有互相对应的关系，所述第一对应关系指的是所述将的所述第一要素信息和所述第一分析要素信息的互相对应关系量化存储，可选的方式是采用列表形式将二者一一对应存储。

S600：将所述第一分析要素、所述第一要素信息子库输入要素分析模型，获得第一分析结果；

具体而言，所述第一分析结果信息指的是将所述第一分析要素信息和所述第一要素信息子库信息适配结合再通过所述要素分析模型智能化分析得到反映所述第一用户综合素质的评估结果，所述要素分析模型是以神经网络模型为基础建立，具有神经网络模型的特性，其中，人工神经网络是在现代神经科学的基础上提出和发展起来的，旨在反映人脑结构及功能的一种抽象数学模型，神经网络是一种运算模型，由大量的节点(或称神经元)之间相互连接构成，每个节点代表一种特定的输出函数称为激励函数，每两个节点之间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆，网络的输出则依照网络的连接方式，是对一种逻辑策略的表达，基于神经网络模型建立的所述要素分析模型能够输出准确的所述第一分析结果信息，从而具备了较强的分析计算能力，达到了准确而高效的技术效果。

S700：依次获得第二分析结果、直到第N分析结果，N为大于2的自然数，其中，N与所述分析要素集中的分析要素个数相匹配；

具体而言，假设所述第一用户有N个分析要素，则在获取所述第一分析结果信息之后，依次使用相同的方式向所述要素分析模型输入所述第二分析要素信息和所述第二要素信息子库，获得所述第二分析结果，直到向所述要素分析模型输入所述第N分析要素信息和所述第N要素信息子库，获得所述第N分析结果，通过对所述第一用户的所有分析要素利用智能化模型对采集到的所有要素信息一一分析，得到对所述第一用户综合素质的全面评估。

S800：根据所述第一分析结果、第二分析结果、直到第N分析结果对第一用户进行人物画像，获得第一用户画像；

具体而言，开始对所述第一用户的进行人物画像，一一调用所述第一分析结果、所述第二分析结果、直到所述第N分析结果，在所述第一用户的基本信息后添加能力图谱，具体的构建方式举不设限制的一例：每一个分析结果对应的所述分析要素信息作为能力主题，所述要素信息为评估项，而评估结果则以文字或者评分的方式添加进评估项的描述区域。所述第一用户画像指的是通过所述第一分析结果、所述第二分析结果、直到所述第N分析结果对所述第一用户综合素质进行描绘，得到最终结果。由于每一个分析结果都是通过智能化模型的准确分析得到的数据，所以进而为所述第一用户提供的所述第一用户画像具有准确而客观的技术效果。

S900：获得第一关系函数，所述第一关系函数为用户画像与类型评估的函数关系；

S1000：根据所述第一关系函数、所述第一用户画像，获得第一用户评估结果。

具体而言，所述第一关系函数指的是所述第一用户的评估岗位和所述第一用户画像之间的关联度，若是关联度越大，则表明所述第一用户和岗位之间的匹配程度越高，若是关联度越小，则表明所述第一用户和岗位之间的匹配程度越小；所述第一用户评估结果指的是基于所述第一函数关系和所述第一用户画像匹配到和所述第一用户关联程度最大的岗位信息，以及可显示所述第一用户和其意向岗位之间的关联性和能力图谱的匹配程度，有助于所述第一用户在就业市场中对自己快速定位，匹配到合适的工作。通过为用户即应聘方提供画像服务，全面的采集其各方面的信息，再结合大数据平台采集的用户信息，构建数据库存储信息，并利用智能化模型对其进行综合素质分析，依据分析结果评估合适的就业类型，达到了信息来源更加准确且全面，进而得到更准确的就业类型评估的技术效果。

进一步的，基于所述根据所述第一用户信息，获得第一用户类型，步骤S200还包括：

S210：获得用户评估信息集合；

S220：根据所述用户评估信息集合，判断是否有工作经历，生成第一判断结果，并作为第一分级特征；

S230：将所述用户评估信息集合输入专业评估模型，获得第一评估结果，并作为第二分级特征；

S240：获得用户身份信息；

S250：根据所述用户身份信息，获得职业特征预测信息，并作为第三分级特征；

S260：根据所述第一分级特征、所述第二分级特征以及所述第三分级特征，构建多层级分析决策树；

S270：将所述第一用户信息输入所述多层级分析决策树，获得所述第一用户类型。

具体而言，所述用户评估信息集合指的是基于所述第一用户信息筛选出的分类评估信息集，包括但不限于专业信息、工作经历、职称、婚否、工作年限等信息；所述第一分级特征指的是根据所述用户评估信息集合中的工作经历，判断所述第一用户是否有工作经验，判断结果即为所述第一判断结果，依据所述第一判断结果作为分级特征；

所述第二分级特征指的是将所述用户评估信息中的大学专业信息输入至所述专业评估模型得到专业能力评估结果，所述专业评估模型是基于神经网络构建的智能化分析模型，可以依据所述第一用户提供的信息和大数据平台采集到的所述第一用户的专业相关奖项，以及参加相关活动信息分析所述第一用户的专业技能和知识掌握状况，依据评估结果作为分级特征；

所述用户身份信息指的是所述第一用户目前的身份信息，可选的为学生、宝妈、退休人员等，所述第三分级特征指的是根据所述用户身份信息，匹配对应的适合职业特征数据，即所述职业特征预测信息，依据所述职业特征预测信息作为分级特征。

进一步的，所述多层级分析决策树指的是将所述第一分级特征信息、所述第二分级特征信息、所述第三分级特征信息作为根节点，依据所述分级特征对所述第一用户进行分类的多层树状结构，其由结点和有向边组成，而结点也分成内部结点和叶结点两种，内部结点表示的是一个特征和一个属性，叶结点表示具体的一个分类。通过所述多层级分析决策树可以将所述第一用户细致准确的分类，进而确定所述第一用户类型，提高了就业类型匹配的准确性。

更进一步的，所述方法S260还包括：

S261：对所述第一分级特征进行信息论编码运算，获得第一特征信息熵，对所述第二分级特征进行信息论编码运算，获得第二特征信息熵，对所述第三分级特征进行信息论编码运算，获得第三特征信息熵；

S262：将所述第一特征信息熵、所述第二特征信息熵以及所述第三特征信息熵输入数据大小比对模型进行训练，获得第一根节点特征信息；

S263：基于所述第一根节点特征信息和所述评估用户信息集合，构建所述多层级分析决策树。

具体而言，信息论是量化处理信息的分支科学，划分数据集前后信息发生的变化称为信息增益，获得信息增益最高的特征就是最好的选择即信息，在信息论中，所述信息熵为集合信息的度量方式，熵是定义一个随机变量不确定性的度量，所述信息熵越小，则代表信息增益就越大，则对信息增益大的随机变量作为根节点进行属性划分。

进一步的，对所述第一分级特征、所述第二分级特征、所述第三分级特征进行编码运算，编码方式举不设限制的一例：对所述第一分级特征、所述第二分级特征、所述第三分级特征分别进行编号，组成K元类别，将合格特征记为1，不合格特征记为0。

更进一步，以所述第一分级特征信息熵Ent(D)计算举例：若合格的特征数量为a，占比为a/N，不合格的特征为b，占比为b/N，K＝2则所述第一分级特征信息熵计算公式可选为：

代入得：

比较所述第一分级特征信息熵、所述第二分级特征信息熵和所述第三分级特征信息熵的大小并优选的从小到大进行排序，以所述信息熵最小的作为根节点特征，进行特征划分，进一步的，对划分的子结点的特征信息继续计算信息熵，若是与其他的特征信息熵相等，则可将其他的特征信息作为子节点，最终构建所述多层级分析决策树模型。通过所述多层级分析决策树模型将所述第一分级特征、所述第二分级特征、所述第三分级特征信息量化，并使用所述多层级分析决策树模型学习分类，获得较准确的所述第一用户类型分类结果。

进一步的，基于所述分析要素集，通过大数据构建第一用户要素信息数据库，步骤S400还包括：

S410：根据所述分析要素集，获得所述第一分析要素；

S420：根据所述第一分析要素，获得第一要素特征信息；

S430：基于所述第一要素特征信息，通过大数据获得第一要素信息，并利用所有第一要素信息构建第一要素信息子集；

S440：获得第二分析要素；

S450：根据所述第二分析要素，获得第二要素特征信息；

S460：基于所述第二要素特征信息，通过大数据获得第二要素信息，并利用所有第二要素信息构建第二要素信息子集；

S470：依次获得第三要素信息子集、直到第N要素信息子集；

S480：根据所述第一要素信息子集、第二要素信息子集、直到所述第N要素信息子集，构建所述第一用户要素信息数据库。

具体而言，所述第一分析要素为常规所述第一分析要素，包含于所述分析要素集；所述第一要素特征信息指的是和所述第一分析要素相对应的评估所述第一用户的要素信息，进一步的，基于大数据获得和所述第一要素特征相关的信息，再结合所述第一用户的补充信息，补充方式优选为测试和描述，将收集到的所有所述第一要素信息存储，组成所述第一要素信息子集；获得所述第一用户的所述第二分析要素直到所述第N分析要素，并分别获得所述第二要素信息子集直到所述第N信息要素子集。将所述第一要素信息子集、所述第二要素信息子集直到所述第N要素信息子集存储，管理构建所述第一用户要素信息数据库，存储方式优选为分布式存储，有利于信息的快速调用。通过基于大数据对所述第一用户的第一分析要素到第N分析要素进行信息搜集，获取能够描述所述第一用户画像的基础信息，为后步准确的就业类型评估提供了全面的数据基础。

进一步的，基于所述获得第一关系函数，所述第一关系函数为用户画像与类型评估的函数关系，步骤S900还包括：

S910：根据所述第一用户类型，获得第一类型数据库；

S920：根据所述第一类型数据库，获得评估结果数据库、用户画像信息集；

S930：根据所述评估结果数据库、所述用户画像信息集，获得用户画像信息与评估结果之间的占比信息；

S940：根据所述占比信息，获得评估结果与用户画像之间的多元回归函数，所述多元回归函数为所述第一关系函数。

具体而言，所述第一类型数据库指的是基于所述第一用户的类型，即根据所述多层级分析决策树模型的分类结果构建的数据库；所述评估结果指的是和所述第一类型数据库相对应的用户就业类型评估结果，所述用户画像集指的是基于所述第一分析结果到所述第N分析结果描绘的和所述第一类型数据库相对应的用户综合职业素质评估结果；所述用户画像信息与所述评估结果之间的占比信息指的是所述用户画像信息和所述评估结果比对，所述用户画像满足的信息比例；进一步的，所述多元回归函数指的是基于多组所述用户画像在对应所述评估结果中的满足条件的比例数据构建函数，则占比越大，表示关联度越大，即所述第一用户越符合所述评估结果，即可向所述第一用户推荐该岗位。其中所述多元回归函数即为所述第一关系函数。

进一步的，步骤S1000还包括：

S1010：根据所述第一用户信息、所述第一用户类型，获得第一用户的关联用户，所述关联用户为至少一个；

S1020：根据所述第一用户的关联用户，获得关联用户画像信息；

S1030：根据所述关联用户画像信息，获得画像特征；

S1040：将所述画像特征作为卷积特征，利用所述画像特征对所述第一用户信息进行特征遍历比对，获得对比特征结果；

S1050：当所述对比特征结果满足特征比对阈值时；

S1060：根据所述对比特征结果，获得所述第一用户评估结果。

具体而言，所述第一用户的关联用户指的是通过大数据进行对应用户的筛选，将和所述第一用户特征重叠度最高的用户；使用和所述第一用户画像相同的方式对所述第一用户的关联用户进行用户画像，得到所述关联用户画像信息，提取所述画像特征信息，所述卷积特征是对所述画像特征的特征进行卷积提取，进一步的，卷积可以作为在机器学习中的特征提取器，从而使得提取到的特征信息具有集中性和代表性，进而获得所述画像特征的基准卷积特征，详细来说，由于所述画像特征是筛选得出的具有参照水平的特征信息，从而使得提取出的卷积特征也包含了可参照水平，进而将所述画像特征基准卷积特征作为所述画像特征的参照标准水平，从而达到了基于提取的卷积特征对所述画像特征进行基准化分析的技术效果。

进一步的，所述对比特征结果指的是将所述画像特征对所述第一用户信息进行特征遍历比对，统计所述第一用户信息中能够达到所述画像特征信息要求的信息量；所述特征比对阈值指的是所述第一用户信息中能够达到所述画像特征信息要求的信息量达到某个值时即可满足岗位的要求；根据所述特征比对结果和所述特征比对阈值相比较，获得所述第一用户评估结果。通过和所述关联用户比较，可以使得所述第一用户对于就业类型的市场压力和自身竞争力能有客观的认知。

更进一步的，基于所述根据所述第一用户信息、所述第一用户类型，获得第一用户的关联用户，步骤S1010还包括：

S1011：根据所述第一用户信息，获得学历信息，所述学历信息包括学校信息、专业信息；

S1012：根据所述学历信息，获得第一备选关联用户集合；

S1013：根据所述第一用户类型，获得第一用户类型关联信息；

S1014：基于所述第一用户类型关联信息，通过大数据获得第二备选关联用户集合；

S1015：根据所述第一用户信息，获得就业专长信息属性集；

S1016：对所述就业专长信息属性集进行特征提取，确定属性特征；

S1017：根据所述属性特征对所述第一备选关联用户集合、所述第二备选关联用户集合进行筛选，获得第一筛选结果，并将所述第一筛选结果进行标记；

S1018：根据所述标记、所述第一备选关联用户集合、所述第二备选关联用户集合，获得第一用户的关联用户，所述关联用户为标记数量满足阈值要求的用户信息。

具体而言，基于所述第一用户信息，获得所述学历信息，所述学历信息包括所述学校信息、所述专业信息；所述第一备选关联用户集合指的是根据学历信息进行大数据筛选得到和所述第一用户相同或者类似学校，相同或类似专业的关联用户集合；进一步的，所述第一用户类型关联信息指的是基于所述第一用户类型信息得到的关联度较大的关联信息，举例如类似或相同的职业经历，类似或相同的工作经历等数据；所述第二备选关联用户集合指的是在大数据平台筛选有所述第一用户类型关联信息的用户集合；所述就业专长信息属性集指的是基于所述第一用户的信息集进行提取和就业相关的专长，优选为各项技能信息，如制图能力，写作能力，沟通能力，管理能力等数据；所述属性特征指的是对所述就业专长信息属性集进行特征能力提取，提取基准优选为难度层次高一些的专长属性集合。更进一步的，以所述属性特征为准，对所述第一备选关联用户集合、所述第二备选关联用户集合进行筛选，将满足所述属性特征的关联用户逐一标记，得到所述第一筛选结果；所述第一用户的关联用户指的是标记数量满足阈值要求的关联用户信息，所述阀值要求根据实际的就业类型而定，在此不做限定。

进一步的，基于所述将所述第一分析要素、所述第一要素信息子库输入要素分析模型，获得第一分析结果，步骤S600还包括：

S610：将所述第一分析要素、所述第一要素信息子库作为输入信息输入所述要素分析模型，所述要素分析模型为通过多组训练数据进行训练收敛获得，其中，每组训练数据均包括所述第一分析要素、所述第一要素信息子库及标识第一分析结果的标识信息；

S620：获得所述要素分析模型的输出结果，所述输出结果包括所述第一分析结果。

具体而言，所述要素分析模型为神经网络模型，所述神经网络模型即机器学习中的神经网络模型，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统。其中，它能根据训练数据进行不断的自我训练学习，每组训练数据均包括所述第一分析要素、所述第一要素信息子库及标识第一分析结果的标识信息，所述要素分析模型不断地自我的修正，当所述要素分析模型的输出信息达到预定的准确率/收敛状态时，则监督学习过程结束。通过对所述要素分析模型进行数据训练，使得所述要素分析模型处理输入数据更加准确，进而使得输出的所述第一分析结果信息也更加准确，达到了准确获得数据信息，提高评估结果智能化的技术效果。

综上所述，本申请实施例所提供的一种基于大数据的就业类型评估方法及系统具有如下技术效果：

1、通过为用户提供用户画像服务，全面的采集其各方面的信息，结合大数据平台采集可共享用户信息，构建数据库存储信息，并利用智能化模型对其进行综合素质分析，依据分析结果评估合适的就业类型。通过服务于求职者逐步采集数据，使得信息来源更加准确且全面，进而得到更准确的就业类型评估的技术效果。

2、通过所述多层级分析决策树模型将所述第一分级特征、所述第二分级特征、所述第三分级特征信息量化，并使用所述多层级分析决策树模型学习分类，获得较准确的所述第一用户类型分类结果。

实施例二

基于与前述实施例中一种基于大数据的就业类型评估方法相同的发明构思，如图2所示，本申请实施例提供了一种基于大数据的就业类型评估系统，其中，所述系统包括：

第一获得单元11，所述第一获得单元11用于获得第一用户信息；

第二获得单元12，所述第二获得单元12用于根据所述第一用户信息，获得第一用户类型；

第三获得单元13，所述第三获得单元13用于根据所述第一用户类型，获得分析要素集；

第一构建单元14，所述第一构建单元14用于基于所述分析要素集，通过大数据构建第一用户要素信息数据库，其中，所述要素信息数据库包括要素信息子库，所述要素信息子库与所述分析要素集中的分析要素相对应；

第四获得单元15，所述第四获得单元15用于获得第一要素信息子库、第一分析要素，所述第一要素信息子库包含于所述第一用户要素信息数据库中，所述第一分析要素包含于所述分析要素集中，且，两者之间具有第一对应关系；

第一输入单元16，所述第一输入单元16用于将所述第一分析要素、所述第一要素信息子库输入要素分析模型，获得第一分析结果；

第五获得单元17，所述第五获得单元17用于依次获得第二分析结果、直到第N分析结果，N为大于2的自然数，其中，N与所述分析要素集中的分析要素个数相匹配；

第六获得单元18，所述第六获得单元18用于根据所述第一分析结果、第二分析结果、直到第N分析结果对第一用户进行人物画像，获得第一用户画像；

第七获得单元19，所述第七获得单元19用于获得第一关系函数，所述第一关系函数为用户画像与类型评估的函数关系；

第一评估单元20，所述第一评估单元20用于根据所述第一关系函数、所述第一用户画像，获得第一用户评估结果。

进一步的，所述系统还包括：

第八获得单元，所述第八获得单元用于获得用户评估信息集合；

第一判断单元，所述第一判断单元用于根据所述用户评估信息集合，判断是否有工作经历，生成第一判断结果，并作为第一分级特征；

第九获得单元，所述第九获得单元用于将所述用户评估信息集合输入专业评估模型，获得第一评估结果，并作为第二分级特征；

第十获得单元，所述第十获得单元用于获得用户身份信息；

第十一获得单元，所述第十一获得单元用于根据所述用户身份信息，获得职业特征预测信息，并作为第三分级特征；

第二构建单元，所述第二构建单元用于根据所述第一分级特征、所述第二分级特征以及所述第三分级特征，构建多层级分析决策树；

第二输入单元，所述第二输入单元用于将所述第一用户信息输入所述多层级分析决策树，获得所述第一用户类型。

进一步的，所述系统还包括：

第十二获得单元，所述第十二获得单元用于对所述第一分级特征进行信息论编码运算，获得第一特征信息熵，对所述第二分级特征进行信息论编码运算，获得第二特征信息熵，对所述第三分级特征进行信息论编码运算，获得第三特征信息熵；

第一训练单元，所述第一训练单元用于将所述第一特征信息熵、所述第二特征信息熵以及所述第三特征信息熵输入数据大小比对模型进行训练，获得第一根节点特征信息；

第三构建单元，所述第三构建单元用于基于所述第一根节点特征信息和所述评估用户信息集合，构建所述多层级分析决策树。

进一步的，所述系统还包括：

第十三获得单元，所述第十三获得单元用于根据所述分析要素集，获得所述第一分析要素；

第十四获得单元，所述第十四获得单元用于根据所述第一分析要素，获得第一要素特征信息；

第四构建单元，所述第四构建单元用于基于所述第一要素特征信息，通过大数据获得第一要素信息，并利用所有第一要素信息构建第一要素信息子集；

第十五获得单元，所述第十五获得单元用于获得第二分析要素；

第十六获得单元，所述第十六获得单元用于根据所述第二分析要素，获得第二要素特征信息；

第五构建单元，所述第五构建单元用于基于所述第二要素特征信息，通过大数据获得第二要素信息，并利用所有第二要素信息构建第二要素信息子集；

第十七获得单元，所述第十七获得单元用于依次获得第三要素信息子集、直到第N要素信息子集；

第六构建单元，所述第六构建单元用于根据所述第一要素信息子集、第二要素信息子集、直到所述第N要素信息子集，构建所述第一用户要素信息数据库。

进一步的，所述系统还包括：

第十八获得单元，所述第十八获得单元用于根据所述第一用户类型，获得第一类型数据库；

第十九获得单元，所述第十九获得单元用于根据所述第一类型数据库，获得评估结果数据库、用户画像信息集；

第二十获得单元，所述第二十获得单元用于根据所述评估结果数据库、所述用户画像信息集，获得用户画像信息与评估结果之间的占比信息；

第二十一获得单元，所述第二十一获得单元用于根据所述占比信息，获得评估结果与用户画像之间的多元回归函数，所述多元回归函数为所述第一关系函数。

进一步的，所述系统还包括：

第二十二获得单元，所述第二十二获得单元用于根据所述第一用户信息、所述第一用户类型，获得第一用户的关联用户，所述关联用户为至少一个；

第二十三获得单元，所述第二十三获得单元用于根据所述第一用户的关联用户，获得关联用户画像信息；

第二十四获得单元，所述第二十四获得单元用于根据所述关联用户画像信息，获得画像特征；

第二十五获得单元，所述第二十五获得单元用于将所述画像特征作为卷积特征，利用所述画像特征对所述第一用户信息进行特征遍历比对，获得对比特征结果；

第一比对单元，所述第一比对单元用于当所述对比特征结果满足特征比对阈值时；

第二十六获得单元，所述第二十六获得单元用于根据所述对比特征结果，获得所述第一用户评估结果。

进一步的，所述系统还包括：

第二十七获得单元，所述第二十七获得单元用于根据所述第一用户信息，获得学历信息，所述学历信息包括学校信息、专业信息；

第二十八获得单元，所述第二十八获得单元用于根据所述学历信息，获得第一备选关联用户集合；

第二十九获得单元，所述第二十九获得单元用于根据所述第一用户类型，获得第一用户类型关联信息；

第三十获得单元，所述第三十获得单元用于基于所述第一用户类型关联信息，通过大数据获得第二备选关联用户集合；

第三十一获得单元，所述第三十一获得单元用于根据所述第一用户信息，获得就业专长信息属性集；

第一确定单元，所述第一确定单元用于对所述就业专长信息属性集进行特征提取，确定属性特征；

第一筛选单元，所述第一筛选单元用于根据所述属性特征对所述第一备选关联用户集合、所述第二备选关联用户集合进行筛选，获得第一筛选结果，并将所述第一筛选结果进行标记；

第三十二获得单元，所述第三十二获得单元用于根据所述标记、所述第一备选关联用户集合、所述第二备选关联用户集合，获得第一用户的关联用户，所述关联用户为标记数量满足阈值要求的用户信息。

进一步的，所述系统还包括：

第二训练单元，所述第二训练单元用于将所述第一分析要素、所述第一要素信息子库作为输入信息输入所述要素分析模型，所述要素分析模型为通过多组训练数据进行训练收敛获得，其中，每组训练数据均包括所述第一分析要素、所述第一要素信息子库及标识第一分析结果的标识信息；

第一输出单元，所述第一输出单元用于获得所述要素分析模型的输出结果，所述输出结果包括所述第一分析结果.

示例性电子设备

下面参考图3来描述本申请实施例的电子设备，

基于与前述实施例中一种基于大数据的就业类型评估方法相同的发明构思，本申请实施例还提供了一种基于大数据的就业类型评估系统，包括：处理器，所述处理器与存储器耦合，所述存储器用于存储程序，当所述程序被所述处理器执行时，使得系统以执行第一方面任一项所述的方法

该电子设备300包括：处理器302、通信接口303、存储器301。可选的，电子设备300还可以包括总线架构304。其中，通信接口303、处理器302以及存储器301可以通过总线架构304相互连接；总线架构304可以是外设部件互连标(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry Standardarchitecture，简称EISA)总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

处理器302可以是一个CPU，微处理器，ASIC，或一个或多个用于控制本申请方案程序执行的集成电路。

通信接口303，使用任何收发器一类的装置，用于与其他设备或通信网络通信，如以太网，无线接入网(radio access network，RAN),无线局域网(wireless local areanetworks，WLAN)，有线接入网等。

存储器301可以是ROM或可存储静态信息和指令的其他类型的静态存储设备，RAM或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable Programmable read-only memory，EEPROM)、只读光盘(compactdisc

read-only memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在，通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。

其中，存储器301用于存储执行本申请方案的计算机执行指令，并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令，从而实现本申请上述实施例提供的一种基于大数据的就业类型评估方法。

可选的，本申请实施例中的计算机执行指令也可以称之为应用程序代码，本申请实施例对此不作具体限定。

本申请实施例提供了一种基于大数据的就业类型评估系统，其中，所述系统包括：第一获得单元，所述第一获得单元用于获得第一用户信息；第二获得单元，所述第二获得单元用于根据所述第一用户信息，获得第一用户类型；第三获得单元，所述第三获得单元用于根据所述第一用户类型，获得分析要素集；第一构建单元，所述第一构建单元用于基于所述分析要素集，通过大数据构建第一用户要素信息数据库，其中，所述要素信息数据库包括要素信息子库，所述要素信息子库与所述分析要素集中的分析要素相对应；第四获得单元，所述第四获得单元用于获得第一要素信息子库、第一分析要素，所述第一要素信息子库包含于所述第一用户要素信息数据库中，所述第一分析要素包含于所述分析要素集中，且，两者之间具有第一对应关系；第一输入单元，所述第一输入单元用于将所述第一分析要素、所述第一要素信息子库输入要素分析模型，获得第一分析结果；第五获得单元，所述第五获得单元用于依次获得第二分析结果、直到第N分析结果，N为大于2的自然数，其中，N与所述分析要素集中的分析要素个数相匹配；第六获得单元，所述第六获得单元用于根据所述第一分析结果、第二分析结果、直到第N分析结果对第一用户进行人物画像，获得第一用户画像；第七获得单元，所述第七获得单元用于获得第一关系函数，所述第一关系函数为用户画像与类型评估的函数关系；第一评估单元，所述第一评估单元用于根据所述第一关系函数、所述第一用户画像，获得第一用户评估结果。通过为用户提供用户画像服务，全面的采集其各方面的信息，结合大数据平台采集可共享用户信息，构建数据库存储信息，并利用智能化模型对其进行综合素质分析，依据分析结果评估合适的就业类型。通过服务于求职者逐步采集数据，使得信息来源更加准确且全面，进而得到更准确的就业类型评估的技术效果。

本领域普通技术人员可以理解：本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分，并不用来限制本申请实施例的范围，也不表示先后顺序。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a,b,或c中的至少一项(个、种)，可以表示：a,b,c,a-b,a-c,b-c,或a-b-c，其中a,b,c可以是单个，也可以是多个。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指

令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(Solid State Disk，SSD))等。

本申请实施例中所描述的各种说明性的逻辑单元和电路可以通过通用处理器，数字信号处理器，专用集成电路(ASIC)，现场可编程门阵列(FPGA)或其它可编程逻辑装置，离散门或晶体管逻辑，离散硬件部件，或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现，例如数字信号处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信号处理器核，或任何其它类似的配置来实现。

本申请实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中，ASIC可以设置于终端中。可选地，处理器和存储媒介也可以设置于终端中的不同的部件中。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管结合具体特征及其实施例对本申请进行了描述，显而易见的，在不脱离本申请的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。

Claims (10)

1.一种基于大数据的就业类型评估方法，其中，所述方法包括：

获得第一用户信息；

根据所述第一用户信息，获得第一用户类型；

根据所述第一用户类型，获得分析要素集；

基于所述分析要素集，通过大数据构建第一用户要素信息数据库，其中，所述要素信息数据库包括要素信息子库，所述要素信息子库与所述分析要素集中的分析要素相对应；

获得第一要素信息子库、第一分析要素，所述第一要素信息子库包含于所述第一用户要素信息数据库中，所述第一分析要素包含于所述分析要素集中，且，两者之间具有第一对应关系；

将所述第一分析要素、所述第一要素信息子库输入要素分析模型，获得第一分析结果；

依次获得第二分析结果、直到第N分析结果，N为大于2的自然数，其中，N与所述分析要素集中的分析要素个数相匹配；

根据所述第一分析结果、第二分析结果、直到第N分析结果对第一用户进行人物画像，获得第一用户画像；

获得第一关系函数，所述第一关系函数为用户画像与类型评估的函数关系；

根据所述第一关系函数、所述第一用户画像，获得第一用户评估结果。

2.如权利要求1所述的方法，其中，所述根据所述第一用户信息，获得第一用户类型，包括：

获得用户评估信息集合；

根据所述用户评估信息集合，判断是否有工作经历，生成第一判断结果，并作为第一分级特征；

将所述用户评估信息集合输入专业评估模型，获得第一评估结果，并作为第二分级特征；

获得用户身份信息；

根据所述用户身份信息，获得职业特征预测信息，并作为第三分级特征；

根据所述第一分级特征、所述第二分级特征以及所述第三分级特征，构建多层级分析决策树；

将所述第一用户信息输入所述多层级分析决策树，获得所述第一用户类型。

3.如权利要求2所述的方法，其中，所述方法包括：

对所述第一分级特征进行信息论编码运算，获得第一特征信息熵，对所述第二分级特征进行信息论编码运算，获得第二特征信息熵，对所述第三分级特征进行信息论编码运算，获得第三特征信息熵；

将所述第一特征信息熵、所述第二特征信息熵以及所述第三特征信息熵输入数据大小比对模型进行训练，获得第一根节点特征信息；

基于所述第一根节点特征信息和所述评估用户信息集合，构建所述多层级分析决策树。

4.如权利要求1所述的方法，其中，所述基于所述分析要素集，通过大数据构建第一用户要素信息数据库，包括：

根据所述分析要素集，获得所述第一分析要素；

根据所述第一分析要素，获得第一要素特征信息；

基于所述第一要素特征信息，通过大数据获得第一要素信息，并利用所有第一要素信息构建第一要素信息子集；

获得第二分析要素；

根据所述第二分析要素，获得第二要素特征信息；

基于所述第二要素特征信息，通过大数据获得第二要素信息，并利用所有第二要素信息构建第二要素信息子集；

依次获得第三要素信息子集、直到第N要素信息子集；

根据所述第一要素信息子集、第二要素信息子集、直到所述第N要素信息子集，构建所述第一用户要素信息数据库。

5.如权利要求1所述的方法，其中，所述获得第一关系函数，所述第一关系函数为用户画像与类型评估的函数关系，包括：

根据所述第一用户类型，获得第一类型数据库；

根据所述第一类型数据库，获得评估结果数据库、用户画像信息集；

根据所述评估结果数据库、所述用户画像信息集，获得用户画像信息与评估结果之间的占比信息；

根据所述占比信息，获得评估结果与用户画像之间的多元回归函数，所述多元回归函数为所述第一关系函数。

6.如权利要求1所述的方法，其中，所述方法包括：

根据所述第一用户信息、所述第一用户类型，获得第一用户的关联用户，所述关联用户为至少一个；

根据所述第一用户的关联用户，获得关联用户画像信息；

根据所述关联用户画像信息，获得画像特征；

将所述画像特征作为卷积特征，利用所述画像特征对所述第一用户信息进行特征遍历比对，获得对比特征结果；

当所述对比特征结果满足特征比对阈值时；

根据所述对比特征结果，获得所述第一用户评估结果。

7.如权利要求6所述的方法，其中，所述根据所述第一用户信息、所述第一用户类型，获得第一用户的关联用户，包括：

根据所述第一用户信息，获得学历信息，所述学历信息包括学校信息、专业信息；

根据所述学历信息，获得第一备选关联用户集合；

根据所述第一用户类型，获得第一用户类型关联信息；

基于所述第一用户类型关联信息，通过大数据获得第二备选关联用户集合；

根据所述第一用户信息，获得就业专长信息属性集；

对所述就业专长信息属性集进行特征提取，确定属性特征；

根据所述属性特征对所述第一备选关联用户集合、所述第二备选关联用户集合进行筛选，获得第一筛选结果，并将所述第一筛选结果进行标记；

根据所述标记、所述第一备选关联用户集合、所述第二备选关联用户集合，获得第一用户的关联用户，所述关联用户为标记数量满足阈值要求的用户信息。

8.如权利要求1所述的方法，其中，所述将所述第一分析要素、所述第一要素信息子库输入要素分析模型，获得第一分析结果，包括：

将所述第一分析要素、所述第一要素信息子库作为输入信息输入所述要素分析模型，所述要素分析模型为通过多组训练数据进行训练收敛获得，其中，每组训练数据均包括所述第一分析要素、所述第一要素信息子库及标识第一分析结果的标识信息；

获得所述要素分析模型的输出结果，所述输出结果包括所述第一分析结果。

9.一种基于大数据的就业类型评估系统，其中，所述系统包括：

第一获得单元，所述第一获得单元用于获得第一用户信息；

第二获得单元，所述第二获得单元用于根据所述第一用户信息，获得第一用户类型；

第三获得单元，所述第三获得单元用于根据所述第一用户类型，获得分析要素集；

第一构建单元，所述第一构建单元用于基于所述分析要素集，通过大数据构建第一用户要素信息数据库，其中，所述要素信息数据库包括要素信息子库，所述要素信息子库与所述分析要素集中的分析要素相对应；

第四获得单元，所述第四获得单元用于获得第一要素信息子库、第一分析要素，所述第一要素信息子库包含于所述第一用户要素信息数据库中，所述第一分析要素包含于所述分析要素集中，且，两者之间具有第一对应关系；

第一输入单元，所述第一输入单元用于将所述第一分析要素、所述第一要素信息子库输入要素分析模型，获得第一分析结果；

第五获得单元，所述第五获得单元用于依次获得第二分析结果、直到第N分析结果，N为大于2的自然数，其中，N与所述分析要素集中的分析要素个数相匹配；

第六获得单元，所述第六获得单元用于根据所述第一分析结果、第二分析结果、直到第N分析结果对第一用户进行人物画像，获得第一用户画像；

第七获得单元，所述第七获得单元用于获得第一关系函数，所述第一关系函数为用户画像与类型评估的函数关系；

第一评估单元，所述第一评估单元用于根据所述第一关系函数、所述第一用户画像，获得第一用户评估结果。

10.一种基于大数据的就业类型评估系统，包括：处理器，所述处理器与存储器耦合，所述存储器用于存储程序，当所述程序被所述处理器执行时，使得装置以执行如权利要求1至8任一项所述的方法。

Images