CN113924586A - 将机器学习和预测建模用于优化招聘管理系统的知识引擎 - Google Patents
将机器学习和预测建模用于优化招聘管理系统的知识引擎 Download PDFInfo
- Publication number
- CN113924586A CN113924586A CN202080038154.3A CN202080038154A CN113924586A CN 113924586 A CN113924586 A CN 113924586A CN 202080038154 A CN202080038154 A CN 202080038154A CN 113924586 A CN113924586 A CN 113924586A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- operator
- request
- engine
- candidate
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
系统可以从输入(例如,知识源,如本文所描述的)接收、识别和/或提取一个或多个信息片段(例如,知识类别)。知识类别可以包括一个或多个短语和/或多单词短语,其可以被称为个体知识片段(例如,知识实体)。该系统可以识别知识类别和/或个体知识片段之间的一个或多个关系。例如,关系可以是类别间和/或类别内关系。这些关系可以被组织为形成层级关系驱动的知识引擎。知识引擎可以按实体(例如,操作者、公司、职位公告)组织知识实体和/或按域(例如,专业、雇主等)对知识实体进行上下文化,例如通过创建一个或多个知识简档。然后,知识引擎可以使用这些知识简档来动态响应信息请求。
Description
相关申请的交叉引用
本申请要求2019年4月8日提交的美国临时专利申请No.62/830,680的权益,该申请通过引用整体并入本文。
背景技术
诸如人力资源(HR)系统之类的系统已经过时,并且存在许多缺点。传统HR系统日常地接收对于信息的请求。例如,该请求可以来自寻找特定职位的候选人,或者来自寻找特定职位的潜在候选人的HR经理,诸如已经申请职位的个人。然而,现有HR管理系统仅向用户请求提供相对高级别的或粗略的数据,并且缺乏例如推断关于用户和/或请求本身的信息的能力。因此,现有HR系统提供的响应与请求实体(例如,HR经理、候选人等)的期望不一致。
此外,传统HR系统的用户可以主动地和/或被动地与系统交互。主动交互可以包括向系统发送请求、向系统发送响应、向系统发送信息和/或以其他方式直接与系统交互。被动交互可以包括任何非主动的交互,例如私下从系统请求信息和/或私下查看由系统提供的信息。传统HR系统可以追踪和/或聚合实体的主动交互,和/或可以基于操作者的主动交互来确定关于实体的附加信息。然而,传统HR系统不能追踪和/或聚合实体的被动交互。因此,这些系统不能基于实体的被动交互来学习和/或确定关于实体的任何附加和/或补充信息。
由于这些传统系统不能追踪和/或聚合实体与系统的被动交互,所以系统也不能确定除实体明确提供给系统的信息之外的关于实体的附加和/或补充信息。例如,如果实体被动地与系统交互,则系统可能无法确定以下中的一个或多个:实体与系统交互的历史(例如,实体与系统的交互如何随时间改变)、实体对某些类型的信息的偏好(例如,如何显示某些类型的信息)和/或实体的特性(例如,实体的简档、实体通常请求什么、实体更喜欢什么内容等)。
关于实体的某些信息可能是时间敏感的和/或可能随着时间的推移而变得陈旧。时间敏感信息可能仅在特定时间段内有用和/或准确。在该时间到期之后,该信息可能不再有用和/或准确。这些传统HR系统不能对时间敏感信息进行考虑和/或反应,因此容易提供不准确的信息(例如,陈旧信息)。此外,这些传统HR系统也无法提取、关联和存储关于实体与系统的先前交互的信息,因此无法优化未来的交互。
发明内容
本文提供了用于提供知识引擎的系统和方法,该知识引擎可以提供个性化和动态的响应,特别是在HR管理的上下文中。该系统可以从输入(例如,如本文所描述的知识源)接收、识别和/或提取一个或多个信息片段(例如,知识实体)。信息可以被分类在一种或多种类型的知识(例如,知识类别)之下。知识类别可以包括一个或多个单词、单词组、短语和/或多单词短语,其可以被称为个体知识片段(例如,知识实体)。例如,知识实体“工科方面科学学士学位”可以被分类在“教育资格”知识类别之下。该系统可以识别知识类别和/或个体知识片段之间的一个或多个关系。例如,关系可以是类别间和/或类别内关系。可以组织这些关系以形成层级关系驱动的知识引擎(例如,知识引擎102和/或知识引擎202)。知识引擎可以基于所提取的信息聚合和形成可用于响应操作者请求的分析。
知识引擎可以经由网络(例如,经由HTTP、HTTPS、移动设备协议、聊天接口等)从发起请求的实体接收请求。如本文所描述的,实体可以包括操作者、公司、域等。例如,请求实体可以是操作者(例如,发起请求的操作者)。请求可以包括例如关于另外一个或多个实体(例如,其他操作者,诸如申请人操作者)的信息请求。申请人操作者可以包括申请例如由发起请求的操作者的公司列出的职位公告的操作者。该系统可以基于请求来检索与申请人操作者相关联的简档、与职位公告相关联的简档、以及与公司相关联的简档。除了申请人操作者之外,该系统还可以例如基于一个或多个关系(例如,关系操作者)来确定尚未申请职位公告的一个或多个建议操作者。关系操作者可以基于与关系操作者(例如,或所建议的操作者)相关联的简档和与申请人操作者、职位公告或公司相关联的简档之间的关系来确定。该系统可以基于请求,经由网络向发起请求的操作者发送响应。响应可以包括申请人操作者(例如,已经申请了该职位公告)和关系操作者候选人(例如,尚未申请该职位公告)的标识。
由该系统检索的简档(例如,与关系操作者、申请人操作者、职位公告和/或公司相关联的简档)可以包括多个知识实体。知识实体可以与相应实体相关联。例如:与关系操作者相关联的简档可以包括与关系操作者相关联的知识实体,与职位公告相关联的简档可以包括与职位公告相关联的知识实体,与申请人操作者相关联的简档可以各自包括与相应的申请人操作者相关联的知识实体,等等。基于简档,知识引擎可以确定相应简档中包括的知识实体之间的多个关系。相应知识实体之间的关系可以是形成相应知识简档之间的关系的汇总。相应知识实体和/或相应简档之间的关系可以各自与强度、方向和/或类型相关联。结果,知识引擎可以基于相应知识实体之间的多个关系来确定关系操作者(例如,操作者尚未申请职位公告)。例如,关系操作者可以包括强度大于或等于阈值(例如,相对、可变和/或绝对阈值)的相应知识实体和/或相应简档之间的关系。
知识引擎可以从操作者(例如,候选人操作者)接收查看职位公告的网络请求。响应于该请求,知识引擎可以检索与候选人操作者相关联的简档和与职位公告相关联的简档。知识引擎可以确定与候选人操作者相关联的简档和与招聘公告相关联的简档之间的关系。知识引擎可以确定与候选人相关联的简档和与职位公告相关联的简档之间的关系的强度。例如,强度可以基于在与候选人相关联的简档中包括的知识实体和在与职位公告相关联的简档中包括的知识实体之间的相关性。知识引擎可以例如通过提供职位公告来响应候选人操作者请求。该响应还可以指示与候选人相关联的简档和与职位公告相关联的简档之间的关系的强度。
知识引擎可以从另一候选人操作者接收例如查看与公司相关联的职位公告的网络请求。知识引擎可以检索与候选人相关联的简档、与职位公告相关联的简档和/或与公司(例如,创建了职位公告的公司)相关联的简档。知识引擎可以基于由知识引擎检索到的简档来确定针对候选人的另一个职位公告。其他职位公告可以由同一家公司或另一家公司创建。例如,知识引擎可以基于与另一个职位公告相关联的简档和与候选人操作者、职位公告或公司相关联的简档中的一个或多个之间的关系来确定另一个职位公告。知识引擎可以基于网络请求向候选人操作者发送响应,并且该响应可以包括与被请求的职位公告和其他职位公告相关联的信息。
知识引擎可以创建知识图,该知识图可以是定向的或非定向的(例如,或简档)。知识图可以被加权。知识图可以包括针对多个实体的一个或多个子图。例如,可以针对以下实体中的一个或多个创建子图:操作者、公司、职位公告等。知识引擎可以接收数据文件。数据文件可以包括一个或多个知识实体,这一个或多个知识实体可以与特定操作者、公司、职位公告等相关联。知识引擎可以识别和提取数据文件内的知识实体。知识实体可以包括单词和/或单词组。知识引擎可以将每个知识实体转换为数字表示,该数字表示可以对应于单词或单词组。例如基于数字表示,知识引擎可以将每个知识实体与多个类别中的至少一个相关联。例如,多个类别可以包括:技术技能类别(例如,能力、证书等);职责类别;角色类别;责任类别;能力类别(例如,技术、职能等);职称类别;公开类别;专利类别;发明类别;档案类别;作品类别(例如,艺术作品、音乐唱片、算法、设计等);地点类别;职位责任类别;软技能类别;在先雇佣类别;职称类别;所需技能类别(例如,能力等);最低级别的经验要求类别;教育资格类别;角色期望类别;薪资范围类别;差旅要求类别;远程工作可用性标志;相称的福利类别和教育资格类别(例如,学位、证书、课程等)。
知识引擎可以确定每个知识实体与其相关联的类别之间的一个或多个加权依赖关系(例如,或关系)。知识引擎可以确定与相同类别相关联的知识实体之间的加权依赖关系。知识引擎可以确定与不同类别相关联的知识实体之间的加权依赖关系。知识引擎可以使用知识实体和加权依赖关系来生成知识图。由知识引擎生成的相应知识图内的类别可以取决于创建知识图所针对的实体。例如,针对操作者的知识图可以包括以下类别中的一个或多个:职责类别;能力类别;教育资格类别(例如,学位、证书、课程等);档案类别;作品类别(例如,艺术作品、音乐唱片、算法、设计等);地点类别;和/或在先雇佣类别。作为另一示例,针对职位公告生成的知识图可以包括以下类别中的一个或多个:职称类别;所需技能类别(例如,能力等);经验等级要求类别;教育资格类别;角色期望类别;薪资范围类别;地点类别;差旅要求类别;远程工作可行标志;和/或相称的福利类别。
知识引擎可以接收对于例如已申请职位的潜在候选人操作者列表的请求。知识引擎可以检索与该职位相关联的图(例如,或简档)。知识引擎可以基于一个或多个图来确定该职位的多个候选人。例如,这些图可以与以下中的一个或多个相关联:多个候选人操作者和/或与该职位相关联的图。知识引擎可以关联或确定多个候选人操作者和职位之间的评级(例如,或适配)。可以基于相应候选人操作者的图和职位的图的类别间和/或类别内的短语级别依赖关系来确定评级。知识引擎可以例如通过发送候选人操作者的列表来响应请求。例如,可以基于在与相应候选人操作者相关联的图和与职位相关联的图之间确定的评级来对列表进行评级。
知识引擎可以从操作者接收网络请求。操作者可以由简档定义,该简档可以由知识引擎存储和维护。知识引擎可以检索与操作者相关联的简档。知识引擎可以例如基于与操作者相关联的简档,从请求中提取知识实体。知识引擎可以例如基于从请求中提取的知识实体,确定以下中的至少一个:与请求相关联的简档、与请求相关联的域、与请求相关联的另一操作者、或与请求相关联的另一知识实体。知识引擎可以基于从请求中提取的知识实体以及以下中的至少一个来检索一个或多个相关简档:与请求相关联的简档、与请求相关联的域、与请求相关联的另一操作者或与请求相关联的其他知识实体。知识引擎可以基于与操作者相关联的简档和一个或多个相关简档来向操作者发送网络响应。知识引擎可以基于请求和响应来更新与操作者相关联的简档和一个或多个相关简档。
知识引擎可以被配置为与操作者建立主动交互。知识引擎可以从操作者接收被动交互。例如,被动交互可能不会向知识引擎提供验证操作者的身份的能力。知识引擎可以向操作者发送响应。响应可以包括对于操作者认证操作者的身份的请求。知识引擎可以接收操作者身份被认证的确认。例如,确认可以由知识源(例如,Google、Linkedln、Facebook等)提供。知识引擎可以基于操作者的认证身份来生成操作者的简档。简档可以包括以下至少之一:知识实体、关系或域。知识引擎可以接收与操作者的一个或多个后续交互。知识引擎可以基于与操作者相关联的认证身份来将一个或多个后续交互与操作者相关联。知识引擎可以基于与操作者相关联的一个或多个后续交互来更新操作者的简档。
知识引擎可以从诸如操作者的实体接收被动交互。响应于被动交互,知识引擎可以向操作者发送响应,该响应包括对于操作者认证操作者的身份的请求。然后,知识引擎可以接收操作者的身份已被认证的确认。知识引擎可以基于操作者的经认证的身份来生成操作者的简档。并且简档可以包括一个或多个知识实体和关系。该简档可以基于某个域被进一步上下文化。在针对操作者创建(多个)简档之后,知识引擎可以从操作者接收一个或多个后续交互或请求。并且知识引擎可以基于与操作者相关联的经认证的操作者身份将这些后续交互或请求与操作者相关联。知识引擎还可以基于操作者与知识引擎的一个或多个后续交互来更新操作者的(多个)简档。
附图说明
图1是示出其中可以实现一个或多个所公开实施例的示例系统的系统图。
图2是示出知识引擎的系统图。
图3A是示出与不同实体相关联的各种知识简档的属性和知识实体之间的示例关系的图。
图3B是示出与不同域相关联的各种知识简档的属性和知识实体之间的示例关系的图。
图4A是示出用于提供动态生成的个性化响应的知识引擎的示例序列图。
图4B是示出用于提供动态生成的个性化响应的知识引擎的另一示例序列图。
具体实施方式
知识引擎可以包括知识的各种分量(例如,知识实体、知识简档、操作者和/或域)之间的关系。这些关系可以是定向的或非定向的,并且可以是加权的或未加权的。如上所述,知识引擎可以提取和/或分类知识的分量。例如,分类可以包括以下中的一个或多个:技术和/或职能技能;职责、角色、责任和/或能力;软技能;教育资格;和/或职称。知识引擎可以嵌入和/或修改文件以指示知识的各种分量的分类。知识引擎可以生成知识的各种分量之间的关系,这些关系可以与关系强度和/或关系类型相关联。知识引擎可以从文件中移除噪声(例如,从文件中移除不必要的单词)。知识引擎可以识别单词和/或与该单词相邻的其他单词。例如,相邻单词可以存在于该单词之前和/或之后的单词的上下文窗口内。知识引擎可以确定该单词与其相邻单词之间的关系(例如,相似性或共同出现)。知识的各种分量可以由实体(例如,操作者、公司、职位公告等)来组织。实体可以包括公司、职位公告或操作者。操作者可以包括与知识引擎交互的个人或设备,诸如公司的个人(例如,公司的人力资源(HR)经理、公司的另一名员工等)、雇佣候选人或与知识引擎交互的任何其他人或设备。针对实体的知识的各种分量可以通过它们的上下文(例如,域)进一步描述。例如,针对诸如操作者之类的给定实体的知识分量可以由以下域中的一个或多个进一步描述:职业、雇主、母校等。
图1是系统100的图,示出了其中可以实现本文描述的一个或多个技术的示例环境。系统100可以包括一个或多个知识引擎,诸如知识引擎102。尽管被示为包括单个知识引擎102,但是在一些示例中,系统100可以包括可互连且可互操作的多个知识引擎102。知识引擎102可以包括知识引擎控制器108和一个或多个数据库DB1至DBN。知识引擎控制器108可以控制和/或协调请求的接收、数据的处理、知识图的创建和提炼、响应的创建和传输、数据的存储以及知识引擎102的所有其他处理和通信。知识引擎控制器108可以包括一个或多个服务器、微处理器或任何适合的处理设备和/或通信电路。尽管有时用更一般的术语描述,但知识引擎102可以被配置为招聘、人力资源(HR)和人才管理平台。
诸如操作者104a-n之类的一个或多个实体可以经由网络106与知识引擎102交互。此外,尽管在实体是操作者的情况下描述了本文提供的一些示例,但是本文描述的示例和技术同样适用于其他类型的实体。操作者可以包括与知识引擎102交互的个人,诸如公司的个人(例如,公司的人力资源(HR)经理、公司的另一名员工等)、雇佣候选人或与知识引擎102交互的任何其他个人或系统。操作者104a-n可以通过网络106与知识引擎102交互。网络106可以包括公共和/或私有网络(例如,因特网、云网络、局域网(LAN)、私域网(PAN)等)的任意组合。
操作者104a-n可以经由网络106向知识引擎102发送请求。在一个示例中,操作者可以是公司的HR经理,并且该请求可以是对于查看申请了职位公告的一个或多个候选人的请求。在另一示例中,操作者可以是候选人,并且该请求可以是适用于该候选人的搜索的一个或多个职位公告。知识引擎102可以经由网络106响应该请求。例如,知识引擎102可以利用申请了职位公告的一个或多个候选人和/或其被动交互可以指示对给定职位公告感兴趣的一个或多个候选人的列表来响应。随着时间的推移,知识引擎102可以从任何数量的操作者104a-n和/或其组合接收大量请求。知识引擎102发送的响应可以动态生成(例如,基于请求的具体内容)和/或对发送请求的操作者进行个性化,例如通过使用一个或多个知识图,如本文更详细地描述的。该响应可以向操作者提供未明确请求但可能对操作者有用的信息,诸如没有申请所请求的职位公告但在其他方面是强候选人的候选人,或者该候选人没有搜索但是候选人是强候选人的职位公告。知识引擎102可以向操作者提供信息(例如,时间敏感信息),而不从操作者接收对该信息的特定请求。此外,知识引擎102可以以可摘要的方式汇总和呈现在知识引擎102内存储的信息。
知识引擎102可以被配置为响应一个或多个请求(例如,由操作者104a-n发送的请求)。参考图1,可以应用以下中的一个或多个:知识引擎102可以响应操作者104a发送的请求,知识引擎102可以响应操作者104b发送的请求,等等。知识引擎102可以使用例如与请求相关联的一个或多个动态更新的知识图来动态地生成对操作者请求的响应(例如,在做出请求时)。该响应可以针对发送该请求的相应操作者进行个性化。该响应可以呈现在知识引擎102内存储的相关信息的汇总。例如,操作者104a和104b可以向知识引擎102发送相同的请求。知识引擎102发送给操作者104a的响应可以不同于知识引擎102发送给操作者104b的响应(例如,取决于知识引擎102针对操作者104a和操作者104b提取的知识)。类似地,操作者104a可以向知识引擎102多次发送相同的请求。此外,取决于例如知识图随时间的更新,知识引擎102发送给操作者104a的响应可以随时间改变。
知识引擎102可以通过生成和维护关于操作者的信息或知识(例如,操作者的特性)来向诸如操作者的相应实体提供个性化的响应。可以基于操作者与知识引擎102和/或其他系统的交互来生成和/或维护关于操作者的信息。知识引擎102可以例如在知识图(例如,特定于该操作者的子图)中维护操作者的信息知识。该子图可以被称为知识简档。知识引擎102可以采用以下技术中的一个或多个来生成和/或维护关于操作者的信息:事件日志器和/或事件提取器、有监督的机器学习模型、无监督的机器学习模型、统计语言模型、统计文档和/或主题模型、搜索引擎、语言解析器、互信息(ML)计算器和/或词性(POS)标签器。此外,知识引擎可以基于实体与知识引擎102的交互来改进信息和/或技术。
操作者104a-n可以包括与知识引擎102交互的任何人、公司或设备。例如,操作者可以包括与知识引擎102交互的人、与知识引擎102交互的另一系统等。如上所述,操作者可以通过向知识引擎102发送一个或多个请求来与知识引擎102交互。知识引擎102可以响应操作者的请求,使得该响应是特定于操作者的(例如,汇总在知识引擎102内存储的与操作者和/或操作者的请求相关的信息)。例如,操作者可以向知识引擎102发送对于其他类似操作者的列表的请求。同样地或备选地,操作者可以向知识引擎102发送对于与发起请求的操作者共享一个或多个特性(例如,与操作者有关系)的其他操作者的列表的请求。然而,操作者可以不向知识引擎102提供对操作者的特性的描述。因此,知识引擎102可以生成和/或维护关于操作者的信息(例如,知识),该信息可以基于操作者对于知识引擎102的请求和/或知识引擎102的响应。知识引擎102可以使用关于操作者的知识(例如,存储在知识引擎102内)来提供对操作者请求的动态且个性化的响应。知识引擎102可以通过使用关于其他操作者和/或其特性的知识来创建关于操作者和/或操作者的特性的知识。如本文所描述的,响应可以汇总和呈现在知识引擎102内存储的与操作者和/或操作者的请求相关的信息。例如,知识引擎102可以通过对信息进行评级并生成与该信息相关联的关系来汇总其存储的信息。
诸如操作者之类的实体可以与一个或多个域相关联。域可以用于描述知识引擎102内的实体的上下文。域可以用于汇总和呈现与实体相关的信息。例如,如果相关实体是作为特定职位的候选人的操作者,则操作者的域可以描述操作者的(多个)专业(例如,过去、现在和/或将来的专业)、感兴趣的领域、雇主、母校、证书、教育等)。
知识引擎102可以使用实体的域来生成和/或维护关于实体的信息,诸如特定于实体(例如,并且是较大知识图的一部分)的知识简档(例如,子图)。例如,如本文所描述的,知识引擎102可以使用操作者的域来了解操作者(例如,提取关于操作者的知识)。例如,操作者可以与描述操作者当前专业的一个域、描述操作者感兴趣的领域的另一个域以及描述操作者的教育的再一个域相关联。如本文所描述的,知识引擎102可以使用操作者的域来提取、生成和/或组织关于操作者的知识,这些知识例如可以全部被包括在与操作者相关联的知识图中并且用于处理与操作者有关的请求(例如,由操作者直接做出的请求和/或由其请求与操作者有关的其他实体做出的请求)。类似地,知识引擎102可以使用操作者的域来呈现和汇总与操作者和/或操作者的请求相关的信息。例如,知识引擎102可以分析操作者的请求以与操作者的一个或多个域相关,并且知识引擎102可以响应于操作者的请求而呈现与相关域相关联的信息。
知识引擎102可以基于关于诸如操作者之类的实体的信息(例如,操作者输入的教育资格)来提取或分类该实体的域。例如,可以基于由该实体提供的一个或多个文件(例如,一个或多个职位描述)和/或基于实体与知识引擎102的被动交互(例如,职位搜索历史和/或查看历史)来确定关于实体的该信息。
知识引擎102可以基于和与知识引擎102交互的实体相关联的多个文件、文档和/或范例来生成和/或更新语义库。例如,知识引擎102可以使用统计或自然语言处理方法来识别、提取、分组和/或分类各个单词或单词组。这些方法可以包括与单词或单词组的出现频率和/或共现频率相关联的信息。此外或备选地,频率可以独立于给定域或者以一个或多个域为条件。
知识引擎102可以使用实体的域来提取、生成和/或组织关于诸如操作者之类的实体的信息。参考操作者,知识引擎102可以使用操作者的域来提取、生成和/或组织关于操作者的信息,以例如生成和/或更新与操作者相关联的知识图。知识引擎可以使用自然语言处理(NLP)来提取关于操作者的信息,NLP可以提供关于操作者的信息、请求等的语义理解。域可以与在语义上彼此相似和/或在该域的上下文(例如,语义库)内常用的一个或多个单词相关联。语义库中包括的单词可用于描述通常与域相关联的操作者。例如,语义库可以包括与域相关联的本领域的一个或多个术语。语义库可以包括本领域术语的语义等同。此外或备选地,语义库可以指示该域的上下文内的本领域术语的定义。知识引擎102可以使用语义库来提取、生成和维护关于操作者的信息。例如,知识引擎102可以搜索并提取语义库中的单词。
如图1中所示,知识引擎102可以包括多个数据库(例如,DB1至DBN,如图1中所示)。知识引擎102可以在多个数据库DB1至DBN中维护(例如,存储和/或周期性地更新)关于操作者和/或域的知识(例如,信息、分析等),诸如由知识引擎102维护和更新的知识简档(例如,图和/或子图)。例如,由数据库维护的知识可以包括操作者和/或域之间共享的关系。此外或备选地,由数据库维护的知识可以包括可与操作者和/或域相关联的知识实体。知识实体可以包括知识引擎102随时间了解(例如,提取)的关于操作者和/或域的信息。知识引擎102可以基于操作者和/或域与知识引擎102和其他系统的交互来了解知识实体。数据库可以包括和/或可以使用任何适合的数据库技术。
知识引擎102可以例如在知识实体、实体、域和/或其任意组合之间生成一个或多个关系。可以应用以下中的一个或多个。知识引擎102可以生成知识实体和另一知识实体之间的关系,该关系可以指示这两个知识实体相似和/或有联系。例如,知识引擎102可以生成两个职位候选人操作者之间、职位候选人操作者和公司之间、职位候选人操作者和职位发布之间、职位发布和公司之间等等的关系。知识引擎102可以生成知识实体和操作者(例如,多个操作者)之间的关系。例如,知识引擎102可以生成姓名、出生日期、电子邮件、教育等(知识实体)和候选人操作者(例如,乔·史密斯)之间的关系。知识引擎102可以生成知识实体和域之间的关系。例如,知识引擎102可以生成特定技术技能(例如,计算机编程)和描述专业的域(例如,软件工程师)之间的关系。知识引擎102可以生成操作者和域之间的关系。例如,知识引擎102可以生成候选人和表现出专业性的候选人(例如,乔·史密斯和系统软件开发人员)之间的关系。
如本文所描述的,知识引擎102可以使用知识图(以及其中包含的关系)来响应操作者请求,这可以包括提供相关的但不是操作者具体请求的信息。关系可以指示两个项相似和/或有其他联系,这可以向知识引擎102提供生成关于操作者的附加和/或补充知识的能力。例如,操作者可以向知识引擎102指示操作者是机器学习工程师。知识引擎102可以提取关于操作者的这一知识,并向操作者分配“机器学习工程师”知识实体。然后,基于该信息,知识引擎102可以生成操作者与可以相似和/或有其他联系的其他知识实体之间的关系,包括例如“深度学习”、“预测建模”、“Java”、“Python”等。
知识图(例如,或子图)可以在一个或多个阶段中被创建。例如,不同阶段可以使用不同的数据源(例如,文件集、文档和/或信息)以:识别知识实体、在知识实体之间建立关系、和/或修改关系的相应权重和/或方向。数据源可用于知识图创建的多个阶段。例如,在第一阶段,可以在由人创建或管理的数据源中识别、提取和/或分类实体和/或关系的集合。并且在第二阶段中,可以基于第二数据源修改实体和/或关系的集合。统计、概率和/或自然语言处理方法可用于识别相似(例如,在多个数据源上相同或很可能相同)的实体和/或关系。某些数据源可以被指定为比其他数据源优选或更具权威性。
知识引擎102可以包括一个或多个加权的知识简档,这一个或多个加权的知识简档可以被组织以形成知识图。知识图有时可以简称为图。图可用于机器学习或预测建模。术语“机器学习”和“预测建模”在整个本公开中可以互换使用。知识引擎102可以通过从数据文件接收、识别和/或提取知识实体来创建和更新图。例如,知识实体可以包括由知识引擎102使用例如NLP从数据文件识别和/或提取的一个或多个单词。知识引擎102可以将知识实体分类在一个或多个类别中。例如,这些类别可以包括技能(例如,技术技能、职能技能和/或软技能)、责任(例如,职位责任)、教育、经验(例如,工作经验和/或教育经验)、职称(例如,职位职称)和/或地点。可以在知识实体和相应类别之间生成关系。可以确定知识实体和一个或多个其他知识实体之间的关系。一个或多个其他知识实体可以与相同类别相关,也可以不与相同类别相关。如本文所描述的,这些关系可以与强度、方向和/或类型相关联。
由知识引擎102创建的知识图(例如,或知识简档)可以是定向的或非定向的。该图可以包括来自与知识引擎102交互的每个相应实体的一个或多个子图(例如,有时被称为知识简档)。例如,知识引擎102可以针对以下实体中的一个或多个创建子图:操作者、公司、职位公告等。知识引擎102可以接收包括可以与某个操作者、公司、职位公告等相关联的一个或多个知识实体的数据文件。知识引擎102可以使用例如NLP从数据文件内识别和提取知识实体。知识实体可以包括单词和/或单词组。知识引擎102可以将每个知识实体转换为可与单词或单词组对应的数字表示。知识引擎102可以例如基于数字表示将每个知识实体与多个类别中的至少一个相关联。例如,多个类别可以包括:技术技能类别(例如,能力、证书等);职责类别;角色类别;责任类别;能力类别(例如,技术、职能等);职位职称类别;公开类别;专利类别;发明类别;档案类别;作品类别(例如,艺术作品、音乐唱片、算法、设计等);地点类别;职位责任类别;软技能类别;先前雇佣类别;职称类别;所需技能类别(例如,能力等);最低级别经验要求类别;教育资格类别;角色期望类别;薪资范围类别;差旅要求类别;远程工作可行标志;相称的福利类别和教育资格类别(例如,学位、证书、课程等)。
知识引擎102可以确定每个知识实体与其相关联的类别之间的一个或多个加权依赖关系(例如,或关系)。知识引擎102可以确定与相同类别或不同类别相关联的知识实体之间的加权依赖关系。知识引擎102可以使用知识实体和加权依赖关系来生成知识图。由知识引擎102生成的相应知识图内的类别可以取决于创建知识图所针对的实体。例如,针对操作者的知识图可以包括以下类别中的一个或多个:职责类别;能力类别;教育资格类别(学位、证书、课程等);档案类别;作品类别(例如,艺术作品、音乐唱片、算法、设计等);地点类别;和/或先前雇佣类别。作为另一示例,针对职位公告生成的知识图可以包括以下类别中的一个或多个:职称类别;所需技能类别(例如,能力等);所需经验等级类别;教育资格类别;角色期望类别;薪资范围类别;地点类别;差旅要求类别;远程工作可行标志;和/或相称福利类别。
图2是示出示例性知识引擎202的图。知识引擎202可以是图1所示的知识引擎102的示例。知识引擎202可以包括实体(例如,操作者、公司、职位公告等)、域、关系和/或知识实体的结构化、关系驱动的表示。例如,通过针对每个实体生成一个或多个知识简档(例如,子图),可以按实体(例如,操作者、公司、职位公告等)来组织信息。知识简档可以一起形成更大的知识图(例如,图)。例如,操作者的知识简档可以包括与操作者相关联的一个或多个知识实体、与操作者相关联的关系和/或与操作者相关联的(多个)域。知识实体可以包括由知识引擎提取的任何类型的知识。例如,知识实体可以包括以下一个或多个:姓名、出生日期、电子邮件、教育、资格、能力、经验年限、专业、证书、爱好等。
例如,可以通过针对每个域生成知识简档来按域组织信息。域可以描述所提取信息的上下文。例如,域可以包括专业(例如,律师)、雇主(例如,亚马逊)、母校(例如,麻省理工学院)。知识简档可以包括与域相关联的一个或多个知识实体、与域相关联的关系和/或与域相关联的(多个)操作者。此外或备选地,可以针对每个实体/域组合生成知识简档(例如,在操作者1的雇主的域的上下文内的操作者1的知识简档,以及在操作者1的专业的域的上下文内的操作者1的另一知识简档)。因此,操作者的知识简档可以包括知识引擎102与操作者相关联的知识集合。类似地,域的知识简档可以包括知识引擎202与域相关联的知识集合。
知识引擎202可以包括知识引擎控制器208,知识引擎控制器208可以包括一个或多个模块,诸如知识提取模块204、关系模块206和知识组织模块210。知识引擎控制器208可以是图1的知识引擎控制器108的示例。知识引擎202还可以包括一个或多个数据库,诸如数据库DB1到DBN,其例如可以与图1中所示的数据库DB1到DBN相同。知识引擎控制器208可以控制和协调知识引擎202的模块,存储、检索和更新知识简档、属性等,经由网络(例如,网络106)接收来自一个或多个实体的请求,经由网络向实体发送一个或多个响应,等等。
知识引擎202可以被配置为从输入(例如,数据文件,诸如简历或职位公告、请求等)接收和提取知识,基于所提取的知识生成关系,和/或将所提取的知识和相应的关系组织到可特定于操作者的知识简档中。如本文所描述的,知识引擎202可以在一个或多个数据库(诸如数据库DB1到DBN)中维护经组织的信息。例如,可以在数据库中和/或跨多个数据库存储操作者的知识简档。此外或备选地,可以在数据库中和/或跨多个数据库存储域的知识简档。
知识提取模块204可以被配置为经由网络从诸如一个或多个知识源之类的输入接收和提取知识。知识源可以是知识存储库(例如,简历库、公司历史记录、新闻馈送等)和/或知识的自组织输入(例如,个人简历、个人传记、个人职位描述等)。知识源可以包括私有知识源和/或公共知识源。私有知识源可以包括不可公开访问的知识源(例如,薪资信息、福利信息、个人身份信息等)。公共知识源可以包括可公开访问的知识源(例如,本文描述的外部服务,诸如Linkedln、Facebook、Google等)。
知识引擎202可以随时间推移提炼知识简档(例如,当操作者随时间推移与知识引擎202交互时)。随时间推移,知识引擎202可以继续提取知识、生成关系和/或组织知识。此外,知识引擎202可以作为连续运行的进程(例如,连续运行的后台进程)来执行知识提取、关系生成和/或知识组织。结果,操作者的知识简档可以随时间推移而继续增长和/或改变,例如,随着更多的知识变得可用于知识引擎202。知识引擎202可以实时地对操作者作出反应和/或提供与操作者相关联的信息。如本文所描述的,所提供的信息可以汇总在知识引擎202内存储的与操作者相关的信息。类似地,知识引擎可以基于与知识引擎202的实时交互(例如,其他操作者的实时交互)向操作者触发警报。
知识引擎202可以允许操作者的主动交互和被动交互。如本文所描述的,主动交互可以允许知识引擎202基于操作者的身份来关联与操作者的交互。此外或备选地,被动交互可能不允许知识引擎202(例如,或另一信息系统)关联与操作者的交互。例如,被动交互可以包括与知识引擎202的交互,其中操作者不指示和/或认证操作者的身份。知识引擎202可以请求操作者执行主动交互。例如,如果交互是主动交互,则知识引擎202能够追踪和维护操作者的后续交互,这可以允许知识引擎202确定关于操作者的知识(例如,预测信息、背景信息、历史信息等)。如果操作者执行主动交互,则知识引擎202可以随时间推移追踪操作者与知识引擎202的主动交互,并且使用历史信息来预测该操作者或其他操作者(例如,与该操作者相似或相关的其他操作者)将来可以如何与知识引擎202交互。
知识引擎202可以请求操作者认证操作者的身份,这可以允许操作者的后续交互(例如,所有后续交互)是主动交互。例如,知识引擎202可以请求操作者经由知识引擎202或一个或多个外部服务(例如,Linkedln、Google、Facebook等)认证其身份。如果操作者经由外部源认证其身份,则知识引擎202可以请求操作者对外部服务进行附加访问(例如,附加读取访问)。知识引擎202可以访问外部服务以获得关于操作者的附加信息(例如,可以使用外部服务作为知识引擎202可以对其执行知识提取的知识源)。知识引擎202可以基于操作者的身份来关联和/或分组操作者的后续交互。如本文所描述的,操作者的后续交互可以是知识引擎202的知识源。因此,知识引擎202可以基于操作者的后续交互来执行知识提取、关系生成和/或知识组织。此外,知识提取、关系生成和/或知识组织的结果可以被包括在操作者的知识简档中。
操作者可以不认证他们的身份(例如,可以最初不认证他们的身份)。即使操作者没有认证他们的身份,知识引擎202也可以追踪操作者的后续交互。例如,知识引擎202可以向用户分配匿名身份。知识引擎202可以将cookie附到操作者与知识引擎202的会话。知识引擎202可以基于所分配的匿名身份,例如使用cookie,来追踪操作者的后续交互。
知识提取模块204可以被配置为结合机器学习、深度学习和/或预测建模技术,使用所述图从知识源提取知识(例如,知识实体)。可以执行知识提取,使得所提取的知识基于知识源、操作者和/或域。如本文所描述的,知识提取可以考虑知识源中包括的关键字和/或关键短语的存在、语义相似性、绝对或相对位置、频率、同时出现等。
知识提取模块204可以提取一个或多个知识类别中的知识,包括但不限于知识实体、知识简档、域和/或关系。如本文所描述的,知识实体可以指所提取的知识的单独片段。例如,知识实体可以包括以下一个或多个:姓名、出生日期、电子邮件、教育、雇主、母校、爱好等。知识实体可以是公共的(例如,对知识系统202内的其他操作者可见)或私有的(例如,对知识系统202内的其他操作者不可见)。
知识提取模块204可以从知识源提取知识。例如,知识提取模块204可以在知识源中搜索一个或多个关键字和/或关键短语(例如,使用NLP),然后知识提取模块204可以从知识源中提取它们。知识提取模块204可以提取与关键字和/或关键短语相关的一个或多个其他单词(例如,围绕关键字和/或关键短语和/或以其他方式与关键字和/或关键短语相关的单词)。所提取的单词可以被认为和/或称为知识实体。
知识提取模块204可以对可从知识源接收的文件执行知识提取。该文件可以包括一个或多个单词,这一个或多个单词可以描述操作者。例如,文件中的单词可以描述操作者的特性、职业、经验、技能、教育等。知识提取模块204可以从文件中搜索并提取关键字和/或关键短语(例如,候选短语)。例如,候选短语可以基于语义库(例如,用于与操作者相关联的域的语义库)来确定。语义库可以包括候选短语的列表。语义库可以访问将关键字或短语分类为属于一个或多个域或类别的机器学习模型。此外或备选地,知识提取模块204可以基于文件中的一对单词的相对关联强度(例如,使用互信息(MI)或另一可接受的关联度量)来确定候选短语。知识提取模块204可以对候选短语内的单词(例如,名词、形容词、动词等)进行分类。知识提取模块204可以找到某些单词(例如,名词和/或形容词)的最长序列,使得单词序列高度关联(例如,具有正MI分数)。单词序列可以指示与操作者相关联的技能。
知识提取模块204可以识别序列内的噪声。知识提取模块可以从序列内去除任何噪声。此外或备选地,知识提取模块204可以找到某些单词(例如,动词)的序列,使得单词序列高度关联(例如,具有正MI分数)。知识提取模块204可以从序列内去除任何噪声。单词序列可以指示与操作者相关联的职责、角色、责任和/或能力。知识提取模块204可以提取序列和/或候选短语。知识提取模块204可以提取围绕候选短语和/或序列的一个或多个单词。所提取的单词可以被认为是与操作者相关联的知识实体。
另外地或备选地,知识提取模块204可以被配置为从与知识引擎202的交互中接收和提取知识。例如,知识提取模块204可以被配置为从与知识引擎202交互的操作者接收和提取知识。与知识引擎202的交互可以包括操作者请求、页面视图(例如,通过操作者)、重定向信息(例如,从诸如重定向URI之类的网络头部信息中提取和/或基于操作者请求)、地理位置(例如,从诸如IP地址之类的网络头部信息中提取和/或基于操作者请求确定)等。知识引擎202可以请求操作者验证操作者的身份,这可以允许操作者交互是主动交互。如本文所描述的,主动交互可以包括向知识引擎202发送请求、向知识引擎202发送响应、向知识引擎202发送信息和/或以其他方式直接与知识引擎202交互。然后,知识引擎202可以追踪和/或关联操作者与知识引擎202的交互。此外,本文描述的对文件执行知识提取的技术可以应用于对与知识引擎202的交互的知识提取。
关系模块206可以生成从知识源提取的各种知识之间的关系。关系可以与方向、关系类型和/或关系强度相关联。针对所提取的知识生成的关系可以不限于从中提取知识的知识源。例如,从知识源提取的知识可以与从另一个知识源提取的知识相关。类似地,可以在不同操作者上和/或不同域上提取的知识之间生成关系。
关系模块206可以生成关系,并且这些关系可以与方向相关联。例如,关系可以是单向的,也可以是双向的。单向关系可以指示该关系存在于单个方向上(例如,知识实体A可以与知识实体B相关,但是知识实体B可以不与知识实体A相关)。双向关系可以指示该关系存在于多于一个方向上(例如,知识实体A可以与知识实体B相关,并且知识实体B可以与知识实体A相关)。
所生成的关系可以与关系类型相关联。关系类型可用于指示关系的类别(例如,层级关系,诸如父母或孩子;雇主-雇员关系;和/或雇主和潜在雇员关系、同学、团队成员、同事等)。此外或备选地,关系可以用于指示两个操作者私下相互认识或以其他方式具有与其他实体的共同联系的可能性。例如,两个或更多个操作者可能以前曾就读于同一教育机构(例如,大学),并且关系可以指示操作者可能私下相互认识或共同认识另一个操作者。类似地,两个或更多个操作者可能以前曾在同一公司工作(例如,以前是同事),并且关系可以指示操作者可能彼此私下认识。
关系可以与关系强度相关联。该关系的强度可以指示相关知识片段(例如,知识实体、操作者、域、知识简档等)之间的相关性。例如,高度相关的知识片段可以由较高的关系强度指示。相关性较低的知识片段可以由较低的关系强度指示。当确定关系强度时,关系模块206可以考虑一个或多个方面。例如,关系模块206可以考虑物理关系(例如,操作者私下是否认识或有可能私下认识另一操作者)。
知识提取模块204可以从知识源提取知识。例如,知识提取模块204可以从自知识源接收的文件(例如,职位公告、简历、传记、描述等)提取知识。如本文所描述的,文件可以包括文本形式的数据。关系模块206可以处理文本数据以基于所提取的数据生成一个或多个关系。例如,关系模块206可以将文本数据转换为数字数据(例如,文本数据的数字表示)。关系模块206可以采用以下一个或多个来针对所提取的数据生成关系,以下各项可以使用机器学习和/或预测建模来实现。关系模块206可以将文本数据内的字母的大小写转换为小写。关系模块206可以从文本数据中去除停用词。停用词可以包括例如在自然语言中如此频繁地出现、使得去除这些单词会提高统计或机器学习模型(例如,冠词、代词等)的准确性和/或可靠性的单词。关系模块206可以将一个或多个单词转换为公共基本形式。例如,关系模块206可以通过使用词干提取化和/或词汇化将一个或多个单词转换为公共基本形式。
关系模块206可以将文本数据转换成固定长度的向量(例如,固定长度的密集或稀疏向量)。例如,可以将关键字或字符序列转换为向量。例如,在被传递到学习模型之前或在学习模型内,向量可以使用适当的数学函数(诸如,求平均、求和、拼接等)来组合。此外或备选地,可以通过将向量传递到机器学习模型中来组合一个或多个向量,这些向量可以与一个或多个其他向量进行比较。向量的长度可以由可随时间和/或基于文本数据调整的参数来指示。关系模块206可以确定统计量以指示文本数据在知识源内有多显著。例如,关系模块206可以确定向量的词频-逆文档频率(tf-idf)值。结果,关系模块206可以确定向量(例如,固定长度向量,诸如2000),并且该向量可以与tf-idf值相关联。知识引擎202可以使用一个或多个数组来存储向量。例如,数组可以对应于数字形式(例如,向量的长度和/或文本数据的相关联的tf-idf值),而另一数组可以对应于与文本数据相关联的一个或多个标签。
知识引擎202可以将向量传递到一个或多个学习模型中。知识引擎202可以将其他向量(例如,从其他知识片段生成)传递到学习模型中。例如,可以将关键字或字符序列转换为向量。例如,在被传递到学习模型之前或在学习模型内,向量可以使用诸如求平均、求和、拼接等数学函数来组合。此外或备选地,一个或多个向量可以被传递到机器学习模型中,并与一个或多个其他向量相比较。并且机器学习模型可以确定各个输入向量之间的关系。两个或更多个向量之间的关系的强度可以与向量的接近度成比例(例如,相等)。例如,可以使用一个或多个函数(例如,余弦函数)来测量向量的接近度。关系的强度可以与阈值(例如,绝对阈值或相对阈值)相比较,和/或可以被转换为排名(rank)。
关系模块206可以使用学习模型(例如,一个或多个预测建模、机器学习和/或深度学习技术)来生成关系。可以应用以下一个或多个。可以实现多个集群以与学习模型相关联地使用。例如,可以实现四个集群。可以计算学习模型(例如,集群)的中心。数据的多次迭代(例如,经由到知识引擎202的输入、知识源和/或操作者交互)可以传递通过学习模型。例如,在数据输入的每次集成之后,学习模型可以随时间推移而改进。例如,学习模型的中心可以将数据与某些集群(例如,更精确的集群)对齐。例如,可以使用k-均值来初始化集群的中心。集群初始化可以包括多次(例如,二十次)迭代。例如,可以利用集群化层的权重来初始化集群中心。尽管本文描述了关于初始化集群中心的某些技术,但是可以实现任何适合的初始化。
学习模型可以预测例如可用作一个或多个深度编码向量的输入的软集群标签q。可以使用例如公式(1)来计算目标分布p:
参考公式(1),以下一个或多个可以应用fj=∑iqij,并且fj可以包括软集群频率。
例如,可以使用公式(2)中所示的KL发散来计算损耗:
例如,可以使用公式(3)计算损耗L的一个或多个梯度:
参照公式(3),可以应用以下一个或多个。μj可以包括集群质心。zi可以包括数据点(例如,数据输入和/或操作者与知识引擎202的交互)。关于数据点的梯度可以例如向下传递到深度学习网络(例如,深度网)和/或可以用于反向传播。例如,反向传播可以用于计算深度学习网络参数梯度。
关系模块206可以基于域生成关系。如本文所描述的,知识引擎202可以确定并维护(例如,周期性地更新)域(例如,每个域)的语义库。语义库可以提供域内常用的一个或多个关键字和/或关键短语的指示。语义库可以指示关键字和/或关键短语的语义等同(例如,与其同义的其他关键字和/或关键短语)。语义库可以指示域内的关键字和/或关键短语的专门定义。关系模块206可以使用域的语义库来生成与域的上下文内的操作者相关联的关系。例如,关系模块206可以经由知识源(例如,简历、cv等)接收对操作者技能的描述。如本文所描述的,关系模块206可以搜索和/或触发语义库中包括的关键字和关键短语的使用。关系模块206可以基于语义库生成所提取的关键字和/或关键短语以及关键字和/或关键短语的同义词之间的关系。如本文所描述的,关键字和/或关键短语及其同义词可以作为知识实体被存储在知识引擎202内。此外,知识实体可以被包括在一个或多个操作者的知识简档中。因此,关系模块206可以生成操作者之间的关系,操作者包括在他们的简档上的知识实体。
关系模块206可以基于操作者与知识引擎202的交互来生成关系。例如,关系模块206可以基于操作者的请求来生成关系。如本文所描述的,操作者可以向知识引擎202发送请求以查看关于另一操作者和/或域的信息。关系模块206可以生成发起请求的操作者与其他操作者和/或域之间的关系。类似地,关系模块206可以生成发起请求的操作者和与另一操作者和/或域相关联的知识实体之间的关系。否则,如果请求操作者不与另一操作者、域和/或知识实体相关,则该关系可以与单向关系方向相关联。
知识组织模块210可以被配置为组织所提取的知识和所生成的关系。所提取的知识可以被组织为知识实体。知识实体可以包括对所提取的知识、知识源和/或所生成的关系的指示。知识实体可以被分配所有权。例如,知识实体可以由操作者和/或域所有。可以基于知识是如何提取的来分配知识实体的所有权。例如,如果知识实体是从与操作者相关联的知识源提取的,则知识组织模块210可以确定知识实体为该操作者所有。此外或备选地,如果知识实体是从与域相关联的知识源提取的,则知识组织模块210可以确定知识实体为该域所有。
知识组织模块210可以将与操作者相关联的知识的各种分量(例如,知识实体、关系和/或域)组织到知识简档中。知识简档可以指示由操作者所有的知识实体、与操作者相关联的关系和/或与操作者相关联的域。结果,知识简档可以包括知识引擎202与操作者相关联的知识库。如本文所描述的,知识引擎202可以随时间推移维护和/或更新操作者的知识简档。
图3A是图示与不同实体相关联的各种知识简档的属性和知识实体之间的示例关系的图300。示例图300可以不指示信息实际上如何存储在诸如知识引擎102和/或知识引擎202之类的知识引擎中。相反,图300是描述知识引擎如何概念化信息的示例的图。此外,图300提供了如下示例图,即提供和汇总存储在知识引擎内、与操作和/或操作者的交互相关的信息和关系。
知识引擎可以存储和/或维护与知识引擎交互的每个实体的知识简档(例如,每个操作者、公司、职位公告等的子图)。例如,实体1(其可以是操作者)可以与知识简档310相关联,实体2(其可以是公司)可以与知识简档320相关联,并且实体N(其可以是职位公告)可以与知识简档330相关联。知识简档310、320和330可以包括一个或多个知识实体,诸如实体1的知识简档310的知识实体312a-n、实体2的知识简档320的知识实体322a-n以及实体3的知识简档330的知识实体332a-n。每个知识实体可以包括多个属性。属性可以包括与相关知识实体密切相关的单词或单词组(例如,或者单词或单词组的数字表示)。例如,属性可以包括可以描述该实体的专业知识实体的单词“律师”。一个知识实体的属性可以与不同知识实体的属性相同或不同,其中知识实体可以是相同或不同知识简档的一部分。例如,知识简档310可以包括作为知识实体312a的一部分的属性A1-AN,并且作为知识实体312a的一部分的属性A1-AN可以与作为知识实体312b的一部分的属性A1-AN和/或作为知识实体322a或332b的一部分的属性A1-AN相同或不同。
知识实体和/或属性可以与另一实体的知识简档上包括的一个或多个知识实体或属性相关。连接相应知识实体的线可以指示各种关系。例如,知识引擎可以导出一个知识图的知识实体的属性和不同知识图的知识实体的属性之间的关系,诸如知识实体312a的属性A1和知识实体322a的属性AN和知识实体322b的属性A2之间的关系。此外,知识引擎可以创建一个知识图的整个知识实体和另一个知识图的知识实体的特定属性之间的关系,诸如知识实体312b和知识实体322n的属性AN之间的关系。
所生成的关系可以向知识引擎提供提供可能有用但未明确请求的信息的能力。例如,操作者可以向知识引擎发送对关于实体1的信息的请求,但可以不发送对关于实体2或实体3的信息的请求(例如,因为请求操作者不知道实体2和实体3)。知识引擎可以基于知识简档310向操作者提供所请求的关于实体1的信息。由于实体1的知识简档310可以与实体2和实体N的知识简档320、330相关,因此知识引擎可以使用知识简档310来指示发起请求的操作者还可以发现关于实体2和实体N的信息有用。知识引擎还可以基于实体1与实体2和实体N的关系(如经由其相应的知识简档310-330提供的)向请求操作者提供关于实体2和实体N的信息。因此,知识引擎可以向请求操作者提供可能有用但未明确请求的信息。
图3B是示出与不同域相关联的各种知识简档的属性和知识实体之间的示例关系的图。图350示出了由知识引擎(诸如知识引擎102和/或知识引擎202)存储的知识图内的关系的示例。图350可以不指示信息实际上是如何存储在知识引擎中的。相反,图350是描述知识引擎可以如何概念化信息的图。此外,图350提供了知识引擎可以如何提供和汇总存储在知识引擎内、与操作和/或操作者的交互相关的信息的示例图。
如图350所示,域1可以与知识简档360相关联,域2可以与知识简档370相关联,并且域3可以与知识简档380相关联。域1可以描述概念化诸如Google之类的给定雇主内的实体(例如,操作者)。域2可以描述概念化给定专业(诸如工程师)内的实体(例如,操作者)。域3可以描述概念化诸如哈佛大学的给定教育机构内的实体(例如,操作者)。
每个域的相应知识简档可以包括与该域相关的操作者362和390(例如,实体)。每个操作者362可以指示不同的操作者/实体。操作者390被不同地表示,以便说明相同的操作者可以通过不同域的知识简档内的不同关系、层级和/或组织来定位。作为域1的知识简档的知识简档360可以包括多个实体,诸如操作者362和390(为了简单起见,仅标记出操作者362的子集)。此外,知识简档360通过使用诸如线364的线来指示各种操作者之间的关系(同样,为简单起见,仅标记出线364的子集)。这样,每个相应域(域1-3)的每个知识简档360、370、380可以指示与该域相关的操作者之间的关系。相应的知识简档可以包括由操作者所有并与域相关的特定知识实体。例如,域的知识简档可以包括到与该域相关的操作者的知识简档的链接。
此外,知识简档360、370、380可以指示与相应域相关的操作者的层级和/或组织。如本文所描述的,这些关系可以与类型、强度和/或方向相关联。例如,在域1的知识简档360的上下文内,操作者390可以与一个或多个子操作者(例如,操作者390下方的相关操作者)相关。类似地,在域2和域3的上下文内,相同操作者390可以与一个或多个父操作者(例如,操作者390上方的相关操作者)相关。
操作者可以与多个域相关。例如,操作者390可以与域1、域2和域3相关。如本文所描述的,操作者390的知识简档上包括的一个或多个知识实体也可以与域1、域2和/或域3相关。操作者390的知识实体集合可以与域1相关,操作者390的另一知识实体集合可以与域2相关,和/或操作者390的又一知识实体集合可以与域3相关。操作者390的相应知识实体集合可以重叠,也可以不重叠。因此,操作者390的与域1相关的知识实体集合可以不同于操作者390的与域2相关的知识实体集合。同样,尽管在图3A、3B中描述了某些实体,但也可以使用其他实体。例如,如示例图300中所示,知识引擎可以概念化域之下的其他实体(例如,公司和/或职位公告)。也就是说,图300和360示出了知识引擎可以如何概念化信息的示例,但并非知识引擎可以概念化信息的唯一方式。
图4A和4B是示出知识引擎402(其可以作为知识引擎102的示例)可以如何用于向操作者请求提供个性化且动态生成的响应的示例序列图。知识引擎402可以是知识引擎102和/或知识引擎202的示例。如图4A和4B中所示,一个或多个操作者可以与知识引擎402交互。此外,知识引擎402可以先前已经使用本文描述的技术针对操作者生成了知识简档。
图4A是示出操作者与知识引擎402的交互以及知识引擎402可以如何响应操作者交互的示例序列图。如图4A中所示,操作者401、操作者402和操作者403可以与知识引擎402交互。操作者401可以与指示操作者401的雇主的域和指示操作者401的专业的另一个域相关。例如,操作者401可以与指示操作者401的专业的人力资源(HR)域相关(例如,操作者401是操作者401的雇主的HR雇员)。操作者401可以意图为操作者401的雇主填补空缺职位,并且操作者401可以生成职位公告,例如职位公告A,以供申请人申请该空缺职位。操作者401可以向知识引擎402发送发布职位公告A的请求。
知识引擎402可以接收操作者401发布职位公告A的请求。知识引擎402可以请求操作者401认证操作者401的身份(例如,利用外部源)。此外或备选地,操作者401可能先前已经认证了其身份,并且知识引擎可以将操作者401与先前认证的身份相关联。知识引擎402可以生成(例如,或者如果操作者401先前与知识引擎402交互,则可以先前已经生成)操作者401的知识简档。如本文所描述的,知识引擎402可以基于从操作者401与知识引擎402的交互中提取的知识和/或一个或多个知识源(例如,用于认证操作者401的身份的外部源)来生成操作者401的知识简档。操作者401的知识简档可以包括一个或多个知识实体、一个或多个关系和/或一个或多个域。
知识引擎402可以接收职位公告A,如本文所描述的,该职位公告A可以被认为是知识源。知识引擎402可以执行针对职位公告A的知识提取、关系生成和知识组织。结果,知识引擎402可以生成职位公告A的知识简档。如本文所描述的,职位公告A的知识简档可以包括一个或多个知识元素、域和/或关系。例如,职位公告A的知识简档可以包括一个或多个知识元素以指示空缺职位的要求、责任和描述。此外,职位公告A的知识简档可以包括与操作者401(例如,进行发布的HR员工)的关系、指示与该职位公告相关联的雇主的域(例如,指示操作者401的雇主的操作者401的域)、和/或指示与该职位公告相关联的专业的域。知识引擎402可以基于职位公告A的知识简档内的知识实体、域和/或关系来生成附加关系。
如图4A中所示,操作者403可以通过申请一个或多个职位公告来与知识引擎402交互。如本文所描述的,知识引擎402可以在申请职位公告之前请求操作者403认证其身份。认证过程可以允许知识为操作者403生成知识简档。如本文所描述的,知识简档可以包括:由操作者403所有的一个或多个知识实体、与操作者402相关联的一个或多个关系、和/或与操作者403相关联的一个或多个域。操作者403可以申请职位公告A。知识引擎402可以向操作者403发送对该申请的确认。在操作者403申请职位公告A之后,知识引擎402可以向操作者401发送操作者402的申请的通知。如本文所描述的,知识引擎可以基于操作者401与职位公告A的关系向操作者401发送通知。
如图4A中所示,操作者402可以通过申请一个或多个职位公告来与知识引擎402交互。如本文所描述的,知识引擎402可以在申请职位公告之前请求操作者402认证其身份。认证过程可以允许知识引擎402为操作者402生成知识简档。如本文所描述的,知识简档可以包括:由操作者402所有的一个或多个知识实体、与操作者402相关联的一个或多个关系、和/或与操作者402相关联的一个或多个域。操作者402可以申请职位公告B,并且知识引擎402可以发送对操作者402的申请的确认。职位公告B可以不同于职位公告A。操作者402可能不知道职位公告A、操作者401和/或操作者403。此外,知识引擎402可以维护和/或可以先前已经生成职位公告B的知识简档。如本文所描述的,操作者402对职位公告B的申请可以被认为是知识源,并且知识引擎402可以对操作者402的申请执行知识提取、关系生成和/或知识组织。知识引擎402可以基于从操作者402的申请中提取的知识来生成操作者402和职位公告A之间的关系。例如,知识引擎402可以基于以下一个或多个来生成操作者402和职位公告A之间的关系:从操作者402的申请中提取的知识实体、操作者402的知识简档、职位公告B的知识简档和/或职位公告A的知识简档。
操作者401可以响应于知识引擎402发送的消息来与知识引擎402交互。例如,操作者401可以响应于操作者403申请职位公告A的通知而与知识引擎402交互。操作者401的交互可以包括向职位公告A发送对申请人列表的请求。如本文所描述的,知识引擎402可以响应来自操作者401的请求。该响应可以包括职位公告A的申请人列表。如本文所描述的,知识引擎可以向请求操作者提供有用但未明确请求的信息。参考图4A,知识引擎402可以向操作者401指示操作者402可以是职位公告A的潜在候选人。即使操作者402可能没有申请职位公告A,知识引擎402也可以基于由知识引擎402生成的关系来确定向操作者401提供关于操作者402的信息可能是有用的。基于知识引擎402的响应,操作者401可以确定:对于职位公告A,操作者402是比操作者403更好的候选人。因此,操作者401可以例如与操作者402通信,以指示操作者402应该申请职位公告A。如本文所描述的,操作者402可能不知道职位公告A。此外,由于职位公告的可用性是时间敏感的,操作者402可能在职位公告A被填补之前不知道职位公告A。
图4B是图示操作者与知识引擎402的交互以及知识引擎402可以如何响应相应操作者交互的示例序列图。如图4B中所示,操作者401、操作者404和操作者405可以与知识引擎402交互。操作者401可以意图为操作者401的雇主填补空缺职位,并且操作者401可以生成职位公告,例如职位公告C,以供申请人申请该空缺职位。操作者401可以向知识引擎402发送发布职位公告C的请求。
知识引擎402可以接收操作者401发布职位公告C的请求。知识引擎402可以接收职位公告C,如本文所描述的,职位公告C可以被认为是知识源。知识引擎402可以针对职位公告C执行知识提取、关系生成和知识组织。因此,知识引擎402可以生成职位公告C的知识简档。如本文所描述的,职位公告C的知识简档可以包括一个或多个知识元素、域和/或关系。例如,职位公告C的知识简档可以包括一个或多个知识元素,以指示空缺职位的要求、责任和描述。此外,职位公告C的知识简档可以包括与操作者401(例如,进行发布的HR员工)的关系、指示与职位公告相关联的雇主的域(例如,指示操作者401的雇主的操作者401的域)、和/或指示与职位公告相关联的专业的域。知识引擎402可以基于职位公告C的知识简档内的知识实体、域和/或关系来生成附加关系。
如图4B中所示,操作者405可以通过申请一个或多个职位公告来与知识引擎402交互。如本文所描述的,知识引擎402可以在申请职位公告之前请求操作者405认证其身份。认证过程可以允许知识为操作者405生成知识简档。如本文所描述的,知识简档可以包括:由操作者405所有的一个或多个知识实体、与操作者405相关联的一个或多个关系、和/或与操作者405相关联的一个或多个域。
操作者405可以通过申请职位公告C来与知识引擎402交互。如本文所描述的,操作者405与知识引擎402的交互(例如,申请职位公告C)可以被认为是知识源,并且知识引擎402可以对操作者405的交互执行知识提取、关系生成和/或知识组织。例如:知识引擎402可以从操作者405对职位公告C的申请中提取一个或多个知识实体。类似地,知识引擎402可以生成以下一个或多个之间的关系:操作者405和职位公告C、操作者405和与职位公告C相关的域、和/或操作者405和与职位公告C相关的另一个操作者(例如,操作者401)。
知识引擎402可以向操作者405发送对该申请的确认。在操作者405申请职位公告C之后,知识引擎402可以向操作者401发送操作者405的申请的通知。如本文所描述的,知识引擎可以基于操作者401与职位公告C的关系来向操作者401发送通知。此外,该通知可以指示操作者405与职位公告C的关系强度。由知识引擎402发送的通知可以允许操作者401对操作者405的申请做出迅速反应(例如,立即反应)。例如,由知识引擎402发送的通知可以向操作者401提供确定操作者405是否有资格填补职位公告C的能力(例如,基于操作者405与职位公告C的关系强度)。此外或备选地,由知识引擎402发送的通知可以指示操作者401确定其他有资格操作者填补职位公告C。
操作者404可以通过请求查看职位公告C来与知识引擎402交互。尽管未在图4B中示出,但操作者404可以先前已经申请但从未考虑过职位公告C。同样,尽管在图4B中未示出,但操作者404可以已经申请了与职位公告C类似的另一职位公告,但对于该另一职位公告未被选择。知识引擎402可以请求操作者404认证其身份。认证过程可以允许知识引擎402生成操作者404的知识简档。如本文所描述的,知识简档可以包括:由操作者404所有的一个或多个知识实体、与操作者404相关联的一个或多个关系、和/或与操作者404相关联的一个或多个域。例如,知识引擎402可以基于操作者404和操作者401共享同一雇主(例如,操作者401和操作者404与同一雇主域相关)来生成操作者404和操作者401之间的关系。知识引擎402可以生成操作者401和操作者404之间的关系,即使操作者404和操作者401彼此不认识(例如,操作者401和操作者401彼此私下不认识)。如本文所描述的,关系的强度、类型和/或方向可用于描述关系。例如,相互私下认识的操作者之间的关系可以比彼此私下不认识的操作者之间的关系更强。
操作者404与知识引擎402的交互可以被认为是知识源,并且知识引擎402可以基于操作者404的交互来执行知识提取、关系生成和/或知识组织。知识引擎402可以相应地更新操作者404的知识简档。例如,知识引擎402可以更新操作者404的知识简档以指示操作者404和职位公告C之间的关系。类似地,知识引擎402可以通过增加操作者401和操作者404之间的关系强度(例如,基于操作者401与职位公告C的关系)来更新操作者404的知识简档。
如图4B中所示,操作者401可以通过请求职位公告C的申请人列表来对知识引擎402通知操作者405的申请作出反应。知识引擎402可以通过提供职位公告C的申请人列表来响应操作者401的请求。响应可以包括对适合职位公告C的申请人的指示,知识引擎402可以基于每个相应申请人的知识简档来确定该指示。如本文所描述的,知识引擎402还可以向操作者401提供未明确请求的有用信息。例如,知识引擎402可以针对职位公告C建议操作者404。知识引擎402可以基于操作者404与职位公告C、操作者401和/或操作者401的雇主域的关系(例如,关系强度)来建议操作者404。此外,即使操作者404不申请职位公告C,知识引擎402也可以建议操作者404。知识引擎402可以向操作者401提供对操作者404适合职位公告C的指示,如本文所描述的,该指示可以基于操作者404的知识简档(例如,操作者404与职位公告C相关的相应关系、知识实体和/或域)。
尽管图4B示出了所建议的操作者(操作者404)从未申请相关公告(例如,职位公告C)的示例,但是其他类型的操作者也可以是所建议的操作者。例如,所建议的操作者可以是先前申请了相关职位公告(例如,职位公告C)的操作者,但是出于某种原因从未被考虑该公告(例如,职位公告C被移除和/或不再接受申请)。也就是说,本文提供的附图和示例不限制由知识引擎402确定的所建议的操作者的类型或知识引擎402的范围。相反,本文提供的附图和示例旨在帮助描述知识引擎402的效用。
Claims (18)
1.一种方法,包括:
经由网络从操作者接收对申请了公司的职位公告的申请人的请求;
检索与所述申请人相关联的简档、与所述职位公告相关联的简档以及与所述公司相关联的简档;
基于与候选人相关联的简档和与所述申请人、所述职位公告或所述公司相关联的简档中的一个或多个之间的关系,确定尚未申请所述职位公告的所述候选人;以及
基于所述请求经由网络向所述操作者发送响应,其中所述响应标识所述职位公告的所述申请人和尚未申请所述职位公告的所述候选人。
2.如权利要求1所述的方法,其中,所述候选人先前已经申请了所述公司的另一职位公告但是未被选择,并且其中,所述职位公告和所述另一职位公告具有相似的范围。
3.如权利要求1所述的方法,其中,与所述申请人相关联的简档包括与所述申请人相关联的多个知识实体,与所述职位公告相关联的简档包括与所述职位公告相关联的多个知识实体,与所述公司相关联的简档包括与所述公司相关联的多个知识实体,并且与所述候选人相关联的简档包括与所述候选人相关联的多个知识实体;并且
其中,所述方法还包括:
确定与所述候选人相关联的知识实体和与所述申请人、所述职位公告和所述公司相关联的知识实体之间的多个关系;以及
基于知识实体之间的所述多个关系确定所述候选人。
4.如权利要求3所述的方法,其中,所述知识实体之间的关系包括强度、方向和类型,并且其中,所述候选人是基于所述知识实体之间的关系具有高于阈值的组合强度而确定的。
5.如权利要求1所述的方法,还包括:
经由网络从所述候选人接收访问所述职位公告的请求;以及
基于访问所述职位公告的请求,确定与所述候选人相关联的简档和与所述职位公告相关联的简档之间的关系的强度。
6.如权利要求1所述的方法,其中,所述响应指示与所述候选人相关联的简档和与所述职位公告相关联的简档之间的关系所关联的强度。
7.如权利要求1所述的方法,还包括基于与所述候选人相关联的简档和与所述申请人、所述职位发布或所述公司相关联的简档中的一个或多个之间的关系具有高于阈值的强度,确定所述候选人。
8.如权利要求1所述的方法,其中,与所述候选人相关联的简档和与所述公司相关联的简档之间的关系的强度是基于与所述候选人相关联的当前雇佣地点而确定的。
9.如权利要求1所述的方法,还包括:
基于与员工相关联的知识简档和与所述候选人相关联的知识简档之间的关系,识别与所述公司相关联的操作者,其中所述响应还包括所述员工的指示。
10.一种用于创建加权知识图的方法,包括:
接收包括与候选人相关的知识实体的多个数据文件;
识别所述数据文件内的知识实体;
从所述数据文件中提取所述知识实体;
将所述知识实体中的每一个与多个类别中的至少一个相关联,其中所述多个类别包括技术技能类别、职位责任类别、软技能类别和教育资格类别;以及
使用所述知识实体和一个或多个加权依赖关系,针对所述候选人生成所述知识图。
11.如权利要求10所述的方法,其中,每个知识实体包括单词或单词组。
12.如权利要求10所述的方法,还包括将每个知识实体转换为单词或单词组的数字表示。
13.如权利要求10所述的方法,还包括:
接收对职位的潜在候选人的请求;
检索与所述职位相关联的知识图;
基于与多个候选人相关联的知识图和与所述职位相关联的知识图,确定所述职位的所述多个候选人;
基于所述候选人的知识图和所述职位的知识图的一个或多个类别间和类别内依赖关系,将所述候选人和所述职位之间的排名相关联;
基于所述候选人和所述职位之间的排名,发送排名后的候选人的列表。
14.如权利要求10所述的方法,其中,所述排名是基于所述候选人的知识图和所述职位的知识图的所述一个或多个类别间和类别内依赖关系的相对排名。
15.如权利要求10所述的方法,还包括:
确定所述知识实体中的每一个和其相关联的类别之间的加权依赖关系;
确定与相同类别相关联的知识实体之间的加权依赖关系;以及
确定与不同类别相关联的知识实体之间的加权依赖关系。
16.如权利要求10所述的方法,其中,所述一个或多个类别间和类别内短语级别依赖关系包括以下一个或多个:短语级别依赖关系、以及单词级别依赖关系,以及单词组级别依赖关系。
17.一种方法,包括:
经由网络从操作者接收请求,其中所述操作者由简档定义;
检索与所述操作者相关联的简档;
基于与所述操作者相关联的简档,从所述请求中提取知识实体;
基于从所述请求中提取的知识实体,确定与所述请求相关联的简档、与所述请求相关联的域、与所述请求相关联的另一操作者或与所述请求相关联的另一知识实体中的至少一个;
基于从所述请求提取的知识实体以及与所述请求相关联的简档、与所述请求相关联的域、与所述请求相关联的另一操作者或与所述请求相关联的另一知识实体中的至少一个,检索一个或多个相关的简档;
基于与所述操作者相关联的简档和所述一个或多个相关的简档,经由所述网络向所述操作者发送响应;以及
基于所述请求和所述响应,更新与所述操作者相关联的简档和所述一个或多个相关的简档。
18.如权利要求17所述的方法,还包括:
基于与所述请求相关联的简档、与所述请求相关联的域、与所述请求相关联的另一操作者或与所述请求相关联的另一知识实体中的至少一个,更新与所述操作者相关联的简档和所述一个或多个相关简档。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962830680P | 2019-04-08 | 2019-04-08 | |
US62/830,680 | 2019-04-08 | ||
PCT/US2020/027329 WO2020210400A1 (en) | 2019-04-08 | 2020-04-08 | Knowledge engine using machine learning and predictive modeling for optimizing recruitment management systems |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113924586A true CN113924586A (zh) | 2022-01-11 |
Family
ID=70483176
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080038154.3A Pending CN113924586A (zh) | 2019-04-08 | 2020-04-08 | 将机器学习和预测建模用于优化招聘管理系统的知识引擎 |
Country Status (7)
Country | Link |
---|---|
US (1) | US11995612B2 (zh) |
EP (1) | EP3953882A1 (zh) |
CN (1) | CN113924586A (zh) |
AU (1) | AU2020270915A1 (zh) |
CA (1) | CA3136332A1 (zh) |
IL (1) | IL287038A (zh) |
WO (1) | WO2020210400A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210065051A1 (en) * | 2019-09-04 | 2021-03-04 | Advanced Micro Devices, Inc. | Method and apparatus for predicting kernel tuning parameters |
US11164153B1 (en) | 2021-04-27 | 2021-11-02 | Skyhive Technologies Inc. | Generating skill data through machine learning |
US11373146B1 (en) * | 2021-06-30 | 2022-06-28 | Skyhive Technologies Inc. | Job description generation based on machine learning |
DE102021209612A1 (de) * | 2021-09-01 | 2023-03-02 | Robert Bosch Gesellschaft mit beschränkter Haftung | Vorrichtung, Computer-implementiertes Verfahren und Computerprogramm zur automatischen Analyse von Daten |
CN116432965B (zh) * | 2023-04-17 | 2024-03-22 | 北京正曦科技有限公司 | 基于知识图谱的岗位能力分析方法及树状图生成方法 |
Family Cites Families (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6385620B1 (en) | 1999-08-16 | 2002-05-07 | Psisearch,Llc | System and method for the management of candidate recruiting information |
US7730063B2 (en) | 2002-12-10 | 2010-06-01 | Asset Trust, Inc. | Personalized medicine service |
US8374901B2 (en) * | 2002-03-19 | 2013-02-12 | Marc Vianello | Career and employment services system and apparatus |
EP1660972A4 (en) * | 2003-08-04 | 2009-02-04 | Skillsurvey Com Inc | SYSTEM AND METHOD FOR EVALUATING CANDIDATES IN EMPLOYMENT |
US7555441B2 (en) * | 2003-10-10 | 2009-06-30 | Kronos Talent Management Inc. | Conceptualization of job candidate information |
US20050080657A1 (en) * | 2003-10-10 | 2005-04-14 | Unicru, Inc. | Matching job candidate information |
US8713000B1 (en) * | 2005-01-12 | 2014-04-29 | Linkedin Corporation | Method and system for leveraging the power of one's social-network in an online marketplace |
US7870117B1 (en) | 2006-06-01 | 2011-01-11 | Monster Worldwide, Inc. | Constructing a search query to execute a contextual personalized search of a knowledge base |
US20080086504A1 (en) * | 2006-10-05 | 2008-04-10 | Joseph Sanders | Virtual interview system |
US7991635B2 (en) * | 2007-01-17 | 2011-08-02 | Larry Hartmann | Management of job candidate interview process using online facility |
US8112365B2 (en) | 2008-12-19 | 2012-02-07 | Foster Scott C | System and method for online employment recruiting and evaluation |
EP2761566A4 (en) | 2011-09-30 | 2015-01-28 | Cornerstone Ondemand Inc | METHOD AND SYSTEMS FOR MANAGING REQUIREMENTS AND SETTINGS |
US20130290206A1 (en) * | 2012-04-30 | 2013-10-31 | Gild, Inc. | Method and apparatus for electronic job recruiting |
US20140032436A1 (en) | 2012-06-29 | 2014-01-30 | Dhruv Pravin Patel | System for facilitation of recruitment or hiring on an online interface and methods thereof |
US20140122355A1 (en) * | 2012-10-26 | 2014-05-01 | Bright Media Corporation | Identifying candidates for job openings using a scoring function based on features in resumes and job descriptions |
US20140278633A1 (en) * | 2013-03-12 | 2014-09-18 | Kevin M. Daly | Skill-based candidate matching |
US20150046357A1 (en) * | 2013-08-09 | 2015-02-12 | Mattersight Corporation | Systems and methods for evaluating job candidates |
US20150112881A1 (en) * | 2013-10-23 | 2015-04-23 | Madhusudan Reddy Modugu | Automated Recruiting Application |
US20150134554A1 (en) * | 2013-11-11 | 2015-05-14 | Work 4 Labs, Inc. | Network visualization for employment profiling |
US20160140568A1 (en) * | 2013-11-14 | 2016-05-19 | Najih Naser | Credential Verification And Analysis System For Professional And Networking Platforms |
CA2942627A1 (en) * | 2014-03-14 | 2015-09-17 | Pande SALIL | Career analytics platform |
US20150302355A1 (en) * | 2014-04-17 | 2015-10-22 | The Boeing Company | Systems and methods for managing job candidate information and proposals |
US20150317605A1 (en) * | 2014-05-05 | 2015-11-05 | Zlemma, Inc. | Scoring model methods and apparatus |
MY181677A (en) | 2014-05-05 | 2020-12-31 | Mimos Berhad | System and method for generating knowledge base automatically |
WO2016086159A2 (en) * | 2014-11-26 | 2016-06-02 | Vobis, Inc. | Systems and methods to determine and utilize conceptual relatedness between natural language sources |
US20170061382A1 (en) * | 2015-08-28 | 2017-03-02 | Brilent, Inc. | System for recruitment |
US20170185964A1 (en) * | 2015-12-28 | 2017-06-29 | International Business Machines Corporation | Methods and systems for matching candidates and job positions bi-directionally using cognitive computing |
US10606847B2 (en) * | 2016-05-31 | 2020-03-31 | Microsoft Technology Licensing, Llc | Generation of training data for ideal candidate search ranking model |
US20180232702A1 (en) * | 2017-02-16 | 2018-08-16 | Microsoft Technology Licensing, Llc | Using feedback to re-weight candidate features in a streaming environment |
EP3616144A1 (en) * | 2017-04-25 | 2020-03-04 | Quitmeyer, Douglas | Job matching system and process |
US20180336528A1 (en) * | 2017-05-17 | 2018-11-22 | Hyphenai Llc | Methods and apparatus for screening job candidates using a server with dynamic real-time context |
US20190066054A1 (en) * | 2017-08-24 | 2019-02-28 | Linkedln Corporation | Accuracy of member profile retrieval using a universal concept graph |
US20190087831A1 (en) * | 2017-09-15 | 2019-03-21 | Pearson Education, Inc. | Generating digital credentials based on sensor feedback data |
US10832219B2 (en) * | 2017-12-22 | 2020-11-10 | Microsoft Technology Licensing, Llc | Using feedback to create and modify candidate streams |
US20200019595A1 (en) * | 2018-07-12 | 2020-01-16 | Giovanni Azua Garcia | System and method for graphical vector representation of a resume |
-
2020
- 2020-04-08 AU AU2020270915A patent/AU2020270915A1/en active Pending
- 2020-04-08 CN CN202080038154.3A patent/CN113924586A/zh active Pending
- 2020-04-08 WO PCT/US2020/027329 patent/WO2020210400A1/en unknown
- 2020-04-08 CA CA3136332A patent/CA3136332A1/en active Pending
- 2020-04-08 EP EP20723958.3A patent/EP3953882A1/en active Pending
- 2020-04-08 US US16/843,805 patent/US11995612B2/en active Active
-
2021
- 2021-10-06 IL IL287038A patent/IL287038A/en unknown
Also Published As
Publication number | Publication date |
---|---|
WO2020210400A1 (en) | 2020-10-15 |
US11995612B2 (en) | 2024-05-28 |
EP3953882A1 (en) | 2022-02-16 |
US20200320483A1 (en) | 2020-10-08 |
IL287038A (en) | 2021-12-01 |
CA3136332A1 (en) | 2020-10-15 |
AU2020270915A1 (en) | 2021-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10692006B1 (en) | Crowdsourced chatbot answers | |
Freire et al. | e-Recruitment recommender systems: a systematic review | |
US8661050B2 (en) | Hybrid recommendation system | |
CN113924586A (zh) | 将机器学习和预测建模用于优化招聘管理系统的知识引擎 | |
US10102503B2 (en) | Scalable response prediction using personalized recommendation models | |
US20160170982A1 (en) | Method and System for Joint Representations of Related Concepts | |
US10255282B2 (en) | Determining key concepts in documents based on a universal concept graph | |
US20190303835A1 (en) | Entity representation learning for improving digital content recommendations | |
US20190052720A1 (en) | Dynamic candidate pool retrieval and ranking | |
US10262299B2 (en) | Efficient recommendation services | |
US10606910B2 (en) | Ranking search results using machine learning based models | |
US20190050813A1 (en) | Context aware dynamic candidate pool retrieval and ranking | |
US20190066054A1 (en) | Accuracy of member profile retrieval using a universal concept graph | |
Ikemoto et al. | Tuning a conversation strategy for interactive recommendations in a chatbot setting | |
Amane et al. | ERSDO: E-learning recommender system based on dynamic ontology | |
Musale et al. | Job recommendation system using profile matching and web-crawling | |
US9965812B2 (en) | Generating a supplemental description of an entity | |
Bok et al. | Recommending personalized events based on user preference analysis in event based social networks | |
Belloum et al. | Bridging the demand and the offer in data science | |
US10733243B2 (en) | Next generation similar profiles | |
US20200242494A1 (en) | Corpus Gap Probability Modeling | |
Kim et al. | The power of communities: A text classification model with automated labeling process using network community detection | |
US20210216287A1 (en) | Methods and systems for automated screen display generation and configuration | |
Ababneh et al. | Social media usage in education: big data perspective | |
Kasper et al. | User profile acquisition: A comprehensive framework to support personal information agents |
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 |