CN113342983A - 基于机器学习的简历分配方法、装置、设备及存储介质 - Google Patents

Abstract

本发明公开一种基于机器学习的简历分配方法、装置、设备及存储介质，该方法包括获取候选人员标识和与每一候选人员标识对应的候选简历文本；对所有候选简历文本进行数据筛选处理，获取候选人员标识对应的当前候选特征数据；获取招聘人员标识和每一招聘人员标识对应的当前招聘特征数据；将当前招聘特征数据和当前候选特征数据进行一对一组合，获取与候选人员标识和招聘人员标识对应的目标组合特征数据；将目标组合特征数据输入目标简历匹配模型，获取与候选人员标识和招聘人员标识对应的简历匹配分值；基于简历匹配分值得到与招聘人员标识相匹配的目标简历文本，以实现自动化分配简历，有效提高分配准确率和招聘成功率。

Description

基于机器学习的简历分配方法、装置、设备及存储介质

技术领域

本发明涉及基于机器学习的简历分配领域，尤其涉及一种基于机器学习的简历分配方法、装置、设备及存储介质。

背景技术

随着互联网技术的不断发展，越来越多公司采用模型对简历进行筛选，以将优秀的简历转发给实际用人招聘部门。

然而现有模型大多是提取简历中的关键词，然后计算应聘人员与招聘岗位需求的相似性来筛选简历，但是这种根据招聘岗位需求确认目标简历的方式，存在筛选后的简历数量非常多，还需人工进一步筛选，简历自动化分配存在分配准确率低，自动化程度不高；且现有模型筛选得到的简历，招聘人员和应聘人员的匹配度不高，容易造成招聘成功率低的问题。

发明内容

本发明实施例提供一种基于机器学习的简历分配方法、装置、计算机设备及存储介质，以解决目前的简历自动化分配存在分配准确率低和招聘人员和应聘人员的匹配度不高的问题。

一种基于机器学习的简历分配方法，包括：

获取候选人员数据集，所述候选人员数据集包括多个候选人员标识和与每一所述候选人员标识对应的候选简历文本；

对所有所述候选简历文本进行数据筛选处理，获取所述候选人员标识对应的当前候选特征数据；

获取招聘人员数据集，所述招聘人员数据集包括多个招聘人员标识和每一所述招聘人员标识对应的当前招聘特征数据；

将所述当前招聘特征数据和当前候选特征数据进行一对一组合，获取与所述候选人员标识和所述招聘人员标识对应的目标组合特征数据；

将所述目标组合特征数据输入目标简历匹配模型，获取与所述候选人员标识和所述招聘人员标识对应的简历匹配分值；

基于所述简历匹配分值对所有所述候选人员标识对应的候选简历文本进行分配，得到与所述招聘人员标识相匹配的目标简历文本，并将所述目标简历文本发送给所述招聘人员标识对应的客户端。

一种基于机器学习的简历分配装置，包括：

候选人员数据集获取模块，用于获取候选人员数据集，所述候选人员数据集包括多个候选人员标识和与每一所述候选人员标识对应的候选简历文本；

当前候选特征数据获取模块，用于对所有所述候选简历文本进行数据筛选处理，获取所述候选人员标识对应的当前候选特征数据；

招聘人员数据集获取模块，用于获取招聘人员数据集，所述招聘人员数据集包括多个招聘人员标识和每一所述招聘人员标识对应的当前招聘特征数据；

目标组合特征数据获取模块，用于将所述当前招聘特征数据和当前候选特征数据进行一对一组合，获取与所述候选人员标识和所述招聘人员标识对应的目标组合特征数据；

简历匹配分值获取模块，用于将所述目标组合特征数据输入目标简历匹配模型，获取与所述候选人员标识和所述招聘人员标识对应的简历匹配分值；

目标简历文本获取模块，用于基于所述简历匹配分值对所有所述候选人员标识对应的候选简历文本进行分配，得到与所述招聘人员标识相匹配的目标简历文本，并将所述目标简历文本发送给所述招聘人员标识对应的客户端。

一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于机器学习的简历分配方法的步骤。

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，所述计算机程序被处理器执行时实现上述基于机器学习的简历分配方法的步骤。

上述基于机器学习的简历分配方法、装置、计算机设备及存储介质，对所有所述候选简历文本进行数据筛选处理，获取所述候选人员标识对应的当前候选特征数据，实现自动化数据处理，加快数据处理的效率，节省人力成本，为后续实现简历分配自动化提供技术支持，以有效提高分配效率和准确率。将所述当前招聘特征数据和当前候选特征数据进行一对一组合，获取与所述候选人员标识和所述招聘人员标识对应的目标组合特征数据，将招聘人员的当前招聘特征数据和应聘人员的当前候选特征数据的数据作为简历分配的依据，以提高简历自动化分配的准确率、招聘效率和人员分配效率，且保证招聘人员和应聘人员的匹配度较高。将所述目标组合特征数据输入目标简历匹配模型，获取与所述候选人员标识和所述招聘人员标识对应的简历匹配分值，以便根据匹配分值进行自动化简历分配，提高分配准确率和招聘成功率，降低招聘成本。基于所述简历匹配分值对所有所述候选人员标识对应的候选简历文本进行分配，得到与所述招聘人员标识相匹配的目标简历文本，并将所述目标简历文本发送给所述招聘人员标识对应的客户端，以实现自动化分配简历，有效提高招聘效率和招聘成功率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一实施例中基于机器学习的简历分配方法的一应用环境示意图；

图2是本发明一实施例中基于机器学习的简历分配方法的一流程图；

图3是本发明一实施例中基于机器学习的简历分配方法的另一流程图；

图4是本发明一实施例中基于机器学习的简历分配方法的另一流程图；

图5是本发明一实施例中基于机器学习的简历分配方法的另一流程图；

图6是本发明一实施例中基于机器学习的简历分配方法的另一流程图；

图7是本发明一实施例中基于机器学习的简历分配方法的另一流程图；

图8是本发明一实施例中基于机器学习的简历分配方法的另一流程图；

图9是本发明一实施例中基于机器学习的简历分配装置的一示意图；

图10是本发明一实施例中计算机设备的一示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供的基于机器学习的简历分配方法，该基于机器学习的简历分配方法可应用如图1所示的应用环境中。具体地，该基于机器学习的简历分配方法应用在基于机器学习的简历分配系统中，该基于机器学习的简历分配系统包括如图1所示的客户端和服务器，客户端与服务器通过网络进行通信，用于实现根自动为不同应聘人员分配简历匹配分值高的候选简历文本，提高简历分配效率和招聘效率。其中，客户端又称为用户端，是指与服务器相对应,为客户提供本地服务的程序。客户端可安装在但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备上。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一实施例中，如图2所示，提供一种基于机器学习的简历分配方法，以该方法应用在图1中的服务器为例进行说明，包括如下步骤：

S201：获取候选人员数据集，候选人员数据集包括多个候选人员标识和与每一候选人员标识对应的候选简历文本。

其中，候选人员标识是用于唯一识别应聘人员的标识。示例性地，该候选人员标识可以是人员姓名或者人员手机号码等。

候选简历文本是候选人员标识对应的应聘人员的文本，可以理解地，候选简历文本包括个人简介、姓名、籍贯、地址和学历等。

候选人员数据集是包含有所有应聘人员的候选简历文本形成的集合。例如，该候选人员数据集可以是文件夹的形式，该文件夹中每一应聘人员的候选简历文本和候选人员标识是一一对应的关系。

S202：对所有候选简历文本进行数据筛选处理，获取候选人员标识对应的当前候选特征数据。

其中，当前候选特征数据是可以表示应聘人员特性的特征数据。该当前候选特征数据包括但不限于应聘人员的籍贯、地址和学历等。

数据筛选处理是用于对候选简历文本进行处理，以得到当前候选特征数据的过程，该数据筛选处理包括对候选简历文本进行文字提取处理和特征提取处理，从而得到当前候选特征数据。

具体地，采用字符提取工具或者文字转化工具等对候选简历文本进行文字提取，获取候选简历文本中的文字，对候选简历文本中的文字进行特征筛选，得到每一应聘人员的候选简历文本对应的当前候选特征数据，实现自动化数据处理，加快数据处理的效率，节省人力成本，为后续实现简历分配自动化提供技术支持，以有效提高分配效率和准确率。

S203：获取招聘人员数据集，招聘人员数据集包括多个招聘人员标识和每一招聘人员标识对应的当前招聘特征数据。

其中，招聘人员标识是用于唯一识别招聘人员的标识。该招聘人员标识可以是姓名和职位等。该招聘人员可以是保险代理人、部门经理或者企业招聘人员等。可以理解地，候选人员标识对应的人员是满足招聘人员标识对应的人员的招聘需求的人员。

当前招聘特征数据是用于表示招聘人员特性的数据。

招聘人员数据集是集合所有当前招聘特征数据形成的集合。例如，该招聘人员数据集可以是文件夹的形式，该文件夹中每一招聘人员的当前招聘特征数据和招聘人员标识是一一对应的关系。

S204：将当前招聘特征数据和当前候选特征数据进行一对一组合，获取与候选人员标识和招聘人员标识对应的目标组合特征数据。

其中，目标组合特征数据是用于供目标简历匹配模型进行预测的数据，该目标组合特征数据为候选人员标识对应的当前候选特征数据和招聘人员标识对应的当前招聘特征数据一一对应的数据。例如，招聘人员标识1对应的当前招聘特征数据为a1，招聘人员标识2对应的当前招聘特征数据为a2，候选人员标识1对应的当前候选特征数据为b1，候选人员标识2对应的当前候选特征数据为b2；则目标组合特征数据为(a1，b1)、(a1，b2)、(a2，b1)和(a2，b2)。

组合处理是用于将当前候选特征数据和当前招聘原始组合特征数据合在一起的处理。

具体地，依据候选人员标识和招聘人员标识，对每一候选人员标识对应的当前候选特征数据和每一招聘人员标识对应的当前招聘特征数据分别进行一对一组合，以形成目标组合特征数据。

由于目前的简历自动化分配时，都是根据招聘岗位需求进行分配，存在分配准确率低、招聘人员和应聘人员的匹配度不高等问题。本实施例中，在简历分配过程中，将招聘人员的当前招聘特征数据和应聘人员的当前候选特征数据的数据作为简历分配的依据，以提高简历自动化分配的准确率、招聘效率和人员分配效率，且保证招聘人员和应聘人员的匹配度较高。

S205：将目标组合特征数据输入目标简历匹配模型，获取与候选人员标识和招聘人员标识对应的简历匹配分值。

其中，简历匹配分值是用于表示当前招聘特征数据与当前候选特征数据对应的简历匹配分值。可以理解地，当简历匹配分值越高，则候选人员标识对应的人员和招聘人员标识对应的人员简历匹配分值越高，提高简历自动化分配的准确率和面试成功率。

目标简历匹配模型是用于确定招聘人员标识对应的招聘人员特征数据与不同候选人员特征的候选人员特征数据的匹配分值的模型。

本实施例中，目标组合特征数据中包括每一招聘人员对应的招聘人员特征数据与不同应聘人员的候选人员特征数据的组合，将目标组合特征数据输入目标简历匹配模型中，以得到招聘人员标识对应的招聘人员特征数据与不同候选人员特征的候选人员特征数据的匹配分值，以便根据匹配分值进行自动化简历分配，提高分配准确率和招聘成功率，降低招聘成本。

S206：基于简历匹配分值对所有候选人员标识对应的候选简历文本进行分配，得到与招聘人员标识相匹配的目标简历文本，并将目标简历文本发送给招聘人员标识对应的客户端。

本实施例中，根据简历匹配分值，将简历匹配分值较高的前n个应聘人员标识对应的候选简历文本确定为与招聘人员标识匹配的目标简历数据，并将候选简历文本发送给该招聘人员标识对应的客户端，以实现自动化分配简历，有效提高招聘效率和招聘成功率，避免由于人员特性问题，而导致招聘失败，增加时间和人力成本。

本实施例所提供的基于机器学习的简历分配方法，对所有候选简历文本进行数据筛选处理，获取候选人员标识对应的当前候选特征数据，实现自动化数据处理，加快数据处理的效率，节省人力成本，为后续实现简历分配自动化提供技术支持，以有效提高分配效率和准确率。将当前招聘特征数据和当前候选特征数据进行一对一组合，获取与候选人员标识和招聘人员标识对应的目标组合特征数据，将招聘人员的当前招聘特征数据和应聘人员的当前候选特征数据的数据作为简历分配的依据，以提高简历自动化分配的准确率、招聘效率和人员分配效率，且保证招聘人员和应聘人员的匹配度较高。将目标组合特征数据输入目标简历匹配模型，获取与候选人员标识和招聘人员标识对应的简历匹配分值，以便根据匹配分值进行自动化简历分配，提高分配准确率和招聘成功率，降低招聘成本。基于简历匹配分值对所有候选人员标识对应的候选简历文本进行分配，得到与招聘人员标识相匹配的目标简历文本，并将目标简历文本发送给招聘人员标识对应的客户端，以实现自动化分配简历，有效提高招聘效率和成功率。

作为一示例，如图3所示，步骤S202，即对所有候选简历文本进行数据筛选处理，获取候选人员标识对应的当前候选特征数据，包括：

S301：对所有候选简历文本进行文字提取处理，获取每一候选人员标识对应的可读简历数据。

其中，文字提取处理是对候选简历文本进行文字提取，以得到候选简历文本中的文字，实现自动化提取简历文字，提高文字提取效率。示例性地，当候选简历文本可以为pdf文档，则文字提取处理为采用文字转化工具，将pdf文档的候选简历文本转化为计算机可识别简历中的文字的可读简历数据；当候选简历文本可以为扫描件，则文字提取处理为采用OCR文字识别工具，将扫描件的候选简历文本转化为计算机可识别简历中的文字的可读简历数据。其中，文字识别工具可以为OCR文字识别工具，OCR文字识别工具是一种利用OCR(Optical Character Recognition，光学字符识别)技术，将图片、照片或者扫描件上的文字内容，直接转换为可编辑文本的技术。

可读简历数据是计算机可识别简历中的文字的简历数据。

本实施例中，采用文字转化工具或者文字识别工具对所有候选简历文本进行文字提取，以得到每一候选简历文本对应的可读简历数据，以实现文字自动化识别，提高数据处理效率。

S302：对可读简历数据进行特征提取处理，获取候选人员标识对应的当前候选特征数据。

由于可读简历数据中存在较多数据，部分数据与应聘人员的特性是无关的，为减少无关数据对后续模型识别的影响，本实施例中，对可读简历数据进行特征提取处理，以获取所有可以用于表示应聘人员特性的特征数据，为后续基于模型自动化分配提供技术支持，以提高简历分配准确率。

本实施例所提供的基于机器学习的简历分配方法，对所有候选简历文本进行文字提取处理，获取每一候选人员标识对应的可读简历数据，以得到每一候选简历文本对应的可读简历数据，以实现文字自动化识别，提高数据处理效率。对可读简历数据进行特征提取处理，获取候选人员标识对应的当前候选特征数据，为后续基于模型自动化分配提供技术支持，以提高简历分配准确率。

作为一示例，如图4所示，步骤S302，即对可读简历数据进行特征提取处理，获取候选人员标识对应的当前候选特征数据，包括：

S401：获取标准特征模板，标准特征模板包括多个关键特征。

其中，关键特征是用于表示应聘人员的特性的特征，该关键特征可以是地址、年龄或者学历等。

标准特征模板是集成有所有关键特征的模板，示例性地，该标准特征模板可以为一行文字，即xxx，女，广东等等，其中，xxx为姓名，女为性别。广东为住址。本实施例中，通过查询数据库，以实现快速确定标准特征模板，为后续的数据处理提供技术支持。

S402：基于关键特征对可读简历数据进行特征提取处理，获取与标准特征模板对应的当前候选特征数据。

本实施例中，可读简历数据中包括每一应聘人员的特征类别和与特征类别对应的特征值，采用字符匹配算法将标准特征模板中的每一关键特征与可读简历数据中的所有特征类别分别进行匹配，将与关键特征匹配的特征类别和该特征类别对应的特征值确定为当前候选特征数据，以实现数据规范化处理，提高数据处理效率，且有效提高目标简历匹配模型准确率。示例性地，采用字符匹配算法，将可读简历数据中的特征数据与年龄进行匹配，当匹配得到年龄时，则获取年龄对应的特征值，将特征值确定为当前候选特征数据。其中，字符匹配算法包括但不限于KMP算法和暴力匹配算法等。

本实施例所提供的基于机器学习的简历分配方法，获取标准特征模板，标准特征模板包括多个关键特征，为后续的数据处理提供技术支持。基于关键特征对可读简历数据进行特征提取处理，获取与标准特征模板对应的当前候选特征数据，以实现数据规范化处理，提高数据处理效率，且有效提高目标简历匹配模型准确率。

作为一示例，如图5所示，步骤S204，即将当前招聘特征数据和当前候选特征数据进行一对一组合，获取与候选人员标识和招聘人员标识对应的目标组合特征数据，包括：

S501：将每一招聘人员标识对应的当前招聘特征数据与所有候选人员标识对应的当前候选特征数据一对一组合，得到每一招聘人员标识对应的原始组合特征数据。

S502：将所有招聘人员标识对应的原始组合特征数据确定为目标组合特征数据。

其中，原始组合特征数据是指一个招聘人员标识对应的当前招聘特征数据与一个候选人员标识对应的当前候选特征数据形成的组合。后续利用目标简历匹配模型对所有招聘人员标识对应的原始组合特征数据，即目标组合特征数据进行预测，以确定招聘人员标识对应的招聘人员和候选人员标识对应的应聘人员的简历匹配分值，将简历匹配分值较高的应聘人员分配给招聘人员，有效提高人员分配准确率，有效提高应聘效率。

本实施例所提供的基于机器学习的简历分配方法，将每一招聘人员标识对应的当前招聘特征数据与所有候选人员标识对应的当前候选特征数据一对一组合，得到每一招聘人员标识对应的原始组合特征数据；将所有招聘人员标识对应的原始组合特征数据确定为目标组合特征数据，以利用目标组合特征数据确定招聘人员标识对应的招聘人员和候选人员标识对应的应聘人员的简历匹配分值，将简历匹配分值较高的应聘人员分配给招聘人员，有效提高人员分配准确率，有效提高应聘效率。

作为一示例，如图6所示，步骤S206，即基于简历匹配分值对所有候选人员标识对应的候选简历文本进行分配，得到与招聘人员标识相匹配的目标简历文本，包括：

S601：基于简历匹配分值，对同一招聘人员标识对应的所有候选人员标识进行排序，获取排序结果。

排序结果是经过排序后的候选人员标识的简历匹配分值相关的结果。以便根据排序结果直接有序确定同一招聘人员标识与所有候选人员标识的简历匹配分值高低。本实施例中，可以是按照简历匹配分值由高到低的顺序进行排序；也可以是按照简历匹配分值由低到高的顺序进行排序，以实现简历匹配分值规范化，在此不做限定。

S602：基于排序结果，将简历匹配分值最高的前n个候选简历文本确定为招聘人员标识匹配的目标简历文本。

本实施例中，利用简历匹配分值为招聘人员分配目标简历数据，可以有效提高分配效率，以及招聘人员和应聘人员的匹配程度，提高招聘的成功率。

进一步地，当招聘人员标识对应的招聘人员和较多个候选人员标识对应的应聘人员的简历匹配分值较高时，则获取招聘人员的增员数量和增员需求，基于每一招聘人员的增员数据和增员需求，为招聘人员标识对应的招聘人员分配目标简历文本，实现按需分配。

本实施例所提供的基于机器学习的简历分配方法，基于简历匹配分值，对同一招聘人员标识对应的所有候选人员标识进行排序，获取排序结果，以实现简历匹配分值规范化。基于排序结果，将简历匹配分值最高的前n个候选简历文本确定为招聘人员标识匹配的目标简历文本，可以有效提高分配效率，以及招聘人员和应聘人员的匹配程度，提高招聘的成功率。

作为一示例，如图7所示，在步骤S201之前，即在获取候选人员数据集之前，基于机器学习的简历分配方法还包括。

S701：获取训练数据，训练数据包括多个招聘人员标识对应的训练招聘特征数据、训练增员特征数据和训练非增员特征数据。

其中，训练数据是用于训练模型的数据。

训练招聘特征数据是用于表示招聘人员特性的特征数据，该训练招聘特征数据包括但不限于招聘人员的服务行政区、招聘人员学历、招聘人员性别、招聘人员年龄、招聘人员职级、招聘人员从业经历和增员数量等。训练增员特征数据是用于表示增员特性的特征数据，该训练增员特征数据包括但不限于增员性别、增员从业经历、增员年龄区间和增员学历等。其中，增员是指招聘人员面试并确认聘请的人员。

训练非增员特征数据是用于表示非增员特性的特征数据，可以理解地，训练非增员特征数据的特征类别与训练增员特征数据的特征类别是相同的，以提高后续模型训练的准确性。其中，非增员指招聘人员应聘并确认不聘请的人员和招聘人员应聘，但是入职不满预设期限的人员，例如，该预设期限为3个月。需要说明地是，招聘人员标识对应的训练招聘特征数据与训练增员特征数据，以及招聘人员标识对应的训练招聘特征数据和训练非增员特征数据是一一对应的关系，以确保训练得到的目标简历匹配模型可以精准为招聘人员分配目标简历文本。

其中，训练招聘特征数据、训练增员特征数据和训练非增员特征数据均包括特征类别和特征类别对应的特征值。

本实施例中，通过查询数据库，以快速地得到库存数据，并对库存数据进行分析处理，以区分出训练招聘特征数据、训练增员特征数据和训练非增员特征数据，为后续的模型训练提供技术支持。

S702：基于训练招聘特征数据和训练增员特征数据，获取携带第一训练标签的第一衍生数据。

S703：基于训练招聘特征数据和训练非增员特征数据，获取携带第二训练标识的第二衍生数据。

本实施例中，第一衍生数据是根据训练增员特征数据和训练招聘特征数据，确定招聘人员训练训练特征数据与训练增员特征数据是否匹配的数据，例如，当训练招聘特征数据为女，增员人员训练数据为女；则性别对应的第一衍生数据为招聘人员和增员人员的性别匹配；当训练招聘特征数据为女，增员人员训练数据为男；则性别对应的第一衍生数据为招聘人员和增员人员的性别不匹配。

第一训练标签是指招聘人员和增员匹配的标签，由于增员是指招聘人员确定招聘并入职的人员，则第一训练标签为招聘成功。

第二衍生数据是根据训练非增员特征数据和训练招聘特征数据，确定招聘人员训练训练特征数据与训练非增员特征数据是否匹配的数据。

第二训练标签是指招聘人员和非增员匹配的标签，由于非增员是指招聘人员确定不招聘或者不入职的人员，则第二训练标识为招聘失败。

S704：采用训练招聘特征数据、训练增员特征数据、第一衍生数据、训练非增员特征数据和第二衍生数据，优化lightgbm模型，获取目标简历匹配模型。

本实施中，利用训练招聘特征数据、训练增员特征数据、第一衍生数据、训练非增员特征数据和第二衍生数据，优化lightgbm模型，使lightgbm模型学习不同应聘人员想要招聘的人员特征数据，保证训练得到的目标简历匹配模型可以自动为不同应聘人员分配简历匹配分值高的候选简历文本，提高简历分配效率和招聘效率。可以理解地，第一衍生数据可以看做正样本，第二衍生数据可以看做负样本，训练模型，以提高模型精度，

本实施例所提供的基于机器学习的简历分配方法，基于训练招聘特征数据和训练增员特征数据，获取携带第一训练标签的第一衍生数据；基于训练招聘特征数据和训练非增员特征数据，获取携带第二训练标识的第二衍生数据；采用训练招聘特征数据、训练增员特征数据、第一衍生数据、训练非增员特征数据和第二衍生数据，优化lightgbm模型，获取目标简历匹配模型，使lightgbm模型学习不同应聘人员想要招聘的人员特征数据，保证训练得到的目标简历匹配模型可以自动为不同应聘人员分配简历匹配分值高的候选简历文本，提高简历分配效率和招聘效率。

作为一示例，如图8所示，步骤S701，即获取训练数据，包括：

S801：获取库存数据，库存数据包括特征类别和每一特征类别对应的特征值。

其中，库存数据是存储在数据库中的数据。

特征类别是指用于表示特征数据的类别，该特征类别可以为年龄、性别和学历等。特征值是特征类别对应的值，例如，特征类别为年龄，特征值为30。

S802：对每一特征类别的所有特征值进行计算，获取每一特征类别对应的特征均值。

其中，特征均值是指每一特征数据类型对应的特征值的平均值。

本实施例，对每一特征类别的所有特征值进行平均值计算，以便为后续的缺失值处理提供技术支持，以保证尽可能多的训练数据进行模型训练，确保得到的目标简历匹配模型具有较高准确率。

S803：根据特征均值对特征值进行异常值清洗，获取训练数据。

其中，异常值包括空值和非正常的值。

本实施例中，检测所有特征值，若存在特征值为异常值，则利用特征均值替换异常值，以得到训练数据，实现清洗异常值，保证模型训练准确性。

本实施例所提供的基于机器学习的简历分配方法，对每一特征类别的所有特征值进行计算，获取每一特征类别对应的特征均值，以便为后续的缺失值处理提供技术支持，以保证尽可能多的训练数据进行模型训练，确保得到的目标简历匹配模型具有较高准确率。根据特征均值对特征值进行异常值清洗，获取训练数据，实现清洗异常值，保证模型训练准确性。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

在一实施例中，提供一种基于机器学习的简历分配装置，该基于机器学习的简历分配装置与上述实施例中基于机器学习的简历分配方法一一对应。如图9所示，该基于机器学习的简历分配装置包括候选人员数据集获取模块901、当前候选特征数据获取模块902、招聘人员数据集获取模块903、目标组合特征数据获取模块904、简历匹配分值获取模块905和目标简历文本获取模块906。各功能模块详细说明如下：

候选人员数据集获取模块901，用于获取候选人员数据集，候选人员数据集包括多个候选人员标识和与每一候选人员标识对应的候选简历文本。

当前候选特征数据获取模块902，用于对所有候选简历文本进行数据筛选处理，获取候选人员标识对应的当前候选特征数据。

招聘人员数据集获取模块903，用于获取招聘人员数据集，招聘人员数据集包括多个招聘人员标识和每一招聘人员标识对应的当前招聘特征数据。

目标组合特征数据获取模块904，用于将当前招聘特征数据和当前候选特征数据进行一对一组合，获取与候选人员标识和招聘人员标识对应的目标组合特征数据。

简历匹配分值获取模块905，用于将目标组合特征数据输入目标简历匹配模型，获取与候选人员标识和招聘人员标识对应的简历匹配分值。

目标简历文本获取模块906，用于基于简历匹配分值对所有候选人员标识对应的候选简历文本进行分配，得到与招聘人员标识相匹配的目标简历文本，并将目标简历文本发送给招聘人员标识对应的客户端。

优选地，当前候选特征数据获取模块902，包括：文字提取处理单元和特征提取处理单元。

文字提取处理单元，用于对所有候选简历文本进行文字提取处理，获取每一候选人员标识对应的可读简历数据。

特征提取处理单元，用于对可读简历数据进行特征提取处理，获取候选人员标识对应的当前候选特征数据。

优选地，特征提取处理单元，包括：标准特征模板获取单元和当前候选特征数据获取单元。

标准特征模板获取单元，用于获取标准特征模板，标准特征模板包括多个关键特征。

当前候选特征数据获取单元，用于基于关键特征对可读简历数据进行特征提取处理，获取与标准特征模板对应的当前候选特征数据。

优选地，目标组合特征数据获取模块904，包括：原始组合特征数据获取单元和目标组合特征数据获取单元。

原始组合特征数据获取单元，用于将每一招聘人员标识对应的当前招聘特征数据与所有候选人员标识对应的当前候选特征数据一对一组合，得到每一招聘人员标识对应的原始组合特征数据。

目标组合特征数据获取单元，用于将所有招聘人员标识对应的原始组合特征数据确定为目标组合特征数据。

优选地，目标简历文本获取模块906，包括：排序结果获取单元和目标简历文本获取单元。

排序结果获取单元，用于基于简历匹配分值，对同一招聘人员标识对应的所有候选人员标识进行排序，获取排序结果。

目标简历文本获取单元，用于基于排序结果，将简历匹配分值最高的前n个候选简历文本确定为招聘人员标识匹配的目标简历文本。

优选地，在候选人员数据集获取模块901之前，基于机器学习的简历分配装置还包括：训练数据获取模块、第一衍生数据获取模块、第二衍生数据获取模块和目标简历匹配模型获取模块。

训练数据获取模块，用于获取训练数据，训练数据包括多个招聘人员标识对应的训练招聘特征数据、训练增员特征数据和训练非增员特征数据。

第一衍生数据获取模块，用于基于训练招聘特征数据和训练增员特征数据，获取携带第一训练标签的第一衍生数据。

第二衍生数据获取模块，用于基于训练招聘特征数据和训练非增员特征数据，获取携带第二训练标识的第二衍生数据。

目标简历匹配模型获取模块，用于采用训练招聘特征数据、训练增员特征数据、第一衍生数据、训练非增员特征数据和第二衍生数据，优化lightgbm模型，获取目标简历匹配模型。

优选地，训练数据获取模块，包括：库存数据获取单元、特征均值获取单元和清洗获取单元。

库存数据获取单元，用于获取库存数据，库存数据包括特征类别和每一特征类别对应的特征值。

特征均值获取单元，用于对每一特征类别的所有特征值进行计算，获取每一特征类别对应的特征均值。

清洗获取单元，用于根据特征均值对特征值进行异常值清洗，获取训练数据。

关于基于机器学习的简历分配装置的具体限定可以参见上文中对于基于机器学习的简历分配方法的限定，在此不再赘述。上述基于机器学习的简历分配装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于候选简历文本。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于机器学习的简历分配方法。

在一个实施例中，提供了一种计算机设备，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，处理器执行计算机程序时实现上述实施例中基于机器学习的简历分配方法的步骤，例如图2所示的步骤S201-S206，或者图3至图8中所示的步骤，为避免重复，这里不再赘述。或者，处理器执行计算机程序时实现基于机器学习的简历分配装置这一实施例中的各模块/单元的功能，例如图9所示的候选人员数据集获取模块901、当前候选特征数据获取模块902、招聘人员数据集获取模块903、目标组合特征数据获取模块904、简历匹配分值获取模块905和目标简历文本获取模块906的功能，为避免重复，这里不再赘述。

在一实施例中，提供一计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中基于机器学习的简历分配方法的步骤，例如图2所示的步骤S201-S206，或者图3至图8中所示的步骤，为避免重复，这里不再赘述。或者，处理器执行计算机程序时实现基于机器学习的简历分配装置这一实施例中的各模块/单元的功能，例如图9所示的候选人员数据集获取模块901、当前候选特征数据获取模块902、招聘人员数据集获取模块903、目标组合特征数据获取模块904、简历匹配分值获取模块905和目标简历文本获取模块906的功能，为避免重复，这里不再赘述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于机器学习的简历分配方法，其特征在于，包括：

获取候选人员数据集，所述候选人员数据集包括多个候选人员标识和与每一所述候选人员标识对应的候选简历文本；

对所有所述候选简历文本进行数据筛选处理，获取所述候选人员标识对应的当前候选特征数据；

获取招聘人员数据集，所述招聘人员数据集包括多个招聘人员标识和每一所述招聘人员标识对应的当前招聘特征数据；

将所述当前招聘特征数据和当前候选特征数据进行一对一组合，获取与所述候选人员标识和所述招聘人员标识对应的目标组合特征数据；

将所述目标组合特征数据输入目标简历匹配模型，获取与所述候选人员标识和所述招聘人员标识对应的简历匹配分值；

基于所述简历匹配分值对所有所述候选人员标识对应的候选简历文本进行分配，得到与所述招聘人员标识相匹配的目标简历文本，并将所述目标简历文本发送给所述招聘人员标识对应的客户端。

2.如权利要求1所述的基于机器学习的简历分配方法，其特征在于，所述对所有所述候选简历文本进行数据筛选处理，获取所述候选人员标识对应的当前候选特征数据，包括：

对所有所述候选简历文本进行文字提取处理，获取每一所述候选人员标识对应的可读简历数据；

对所述可读简历数据进行特征提取处理，获取所述候选人员标识对应的当前候选特征数据。

3.如权利要求2所述的基于机器学习的简历分配方法，其特征在于，所述对所述可读简历数据进行特征提取处理，获取所述候选人员标识对应的当前候选特征数据，包括：

获取标准特征模板，所述标准特征模板包括多个关键特征；

基于所述关键特征对所述可读简历数据进行特征提取处理，获取与所述标准特征模板对应的当前候选特征数据。

4.如权利要求1所述的基于机器学习的简历分配方法，其特征在于，所述将所述当前招聘特征数据和当前候选特征数据进行一对一组合，获取与所述候选人员标识和所述招聘人员标识对应的目标组合特征数据，包括：

将每一所述招聘人员标识对应的当前招聘特征数据与所有所述候选人员标识对应的当前候选特征数据一对一组合，得到每一招聘人员标识对应的原始组合特征数据；

将所有招聘人员标识对应的所述原始组合特征数据确定为目标组合特征数据。

5.如权利要求1所述的基于机器学习的简历分配方法，其特征在于，所述基于所述简历匹配分值对所有所述候选人员标识对应的候选简历文本进行分配，得到与所述招聘人员标识相匹配的目标简历文本，包括：

基于所述简历匹配分值，对同一所述招聘人员标识对应的所有所述候选人员标识进行排序，获取排序结果；

基于所述排序结果，将简历匹配分值最高的前n个候选简历文本确定为所述招聘人员标识匹配的目标简历文本。

6.如权利要求1所述的基于机器学习的简历分配方法，其特征在于，在所述获取候选人员数据集之前，所述基于机器学习的简历分配方法还包括；

获取训练数据，所述训练数据包括多个招聘人员标识对应的训练招聘特征数据、训练增员特征数据和训练非增员特征数据；

基于所述训练招聘特征数据和所述训练增员特征数据，获取携带第一训练标签的第一衍生数据；

基于所述训练招聘特征数据和所述训练非增员特征数据，获取携带第二训练标识的第二衍生数据；

采用所述训练招聘特征数据、所述训练增员特征数据、第一衍生数据、所述训练非增员特征数据和第二衍生数据，优化lightgbm模型，获取目标简历匹配模型。

7.如权利要求6所述的基于机器学习的简历分配方法，其特征在于，所述获取训练数据，包括：

获取库存数据，所述库存数据包括特征类别和每一所述特征类别对应的特征值；

对每一所述特征类别的所有所述特征值进行计算，获取每一特征类别对应的特征均值；

根据所述特征均值对所述特征值进行异常值清洗，获取训练数据。

8.一种基于机器学习的简历分配装置，其特征在于，包括：

候选人员数据集获取模块，用于获取候选人员数据集，所述候选人员数据集包括多个候选人员标识和与每一所述候选人员标识对应的候选简历文本；

当前候选特征数据获取模块，用于对所有所述候选简历文本进行数据筛选处理，获取所述候选人员标识对应的当前候选特征数据；

招聘人员数据集获取模块，用于获取招聘人员数据集，所述招聘人员数据集包括多个招聘人员标识和每一所述招聘人员标识对应的当前招聘特征数据；

目标组合特征数据获取模块，用于将所述当前招聘特征数据和当前候选特征数据进行一对一组合，获取与所述候选人员标识和所述招聘人员标识对应的目标组合特征数据；

简历匹配分值获取模块，用于将所述目标组合特征数据输入目标简历匹配模型，获取与所述候选人员标识和所述招聘人员标识对应的简历匹配分值；

目标简历文本获取模块，用于基于所述简历匹配分值对所有所述候选人员标识对应的候选简历文本进行分配，得到与所述招聘人员标识相匹配的目标简历文本，并将所述目标简历文本发送给所述招聘人员标识对应的客户端。

9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述基于机器学习的简历分配方法的步骤。

10.一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，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于机器学习的简历分配方法的步骤。

Images