CN114168819A - 一种基于图神经网络的岗位匹配方法及装置 - Google Patents

一种基于图神经网络的岗位匹配方法及装置 Download PDF

Info

Publication number
CN114168819A
CN114168819A CN202210131722.5A CN202210131722A CN114168819A CN 114168819 A CN114168819 A CN 114168819A CN 202210131722 A CN202210131722 A CN 202210131722A CN 114168819 A CN114168819 A CN 114168819A
Authority
CN
China
Prior art keywords
post
matching
target
sequence
preset
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.)
Granted
Application number
CN202210131722.5A
Other languages
English (en)
Other versions
CN114168819B (zh
Inventor
胡文蕙
刘学洋
张津婵
邵文宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Peking University
Original Assignee
Peking University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Peking University filed Critical Peking University
Priority to CN202210131722.5A priority Critical patent/CN114168819B/zh
Publication of CN114168819A publication Critical patent/CN114168819A/zh
Application granted granted Critical
Publication of CN114168819B publication Critical patent/CN114168819B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/9035—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biomedical Technology (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供一种基于图神经网络的岗位匹配方法及装置，包括：获取目标履历对应的目标任职序列；将目标任职序列输入至岗位匹配模型，获取由岗位匹配模型输出的目标任职序列与多个预设岗位的匹配程度；根据匹配程度，在多个预设岗位中确定目标履历的匹配岗位；岗位匹配模型是基于图神经网络构建的；岗位匹配模型是基于样本任职序列，以及样本任职序列对应的样本匹配岗位训练后得到的。本发明提供的基于图神经网络的岗位匹配方法及装置，利用基于图神经网络构建的岗位匹配模型根据目标任职序列，对目标履历数据对应的个体在下一次任职与每个预设岗位任职的进行匹配，使得匹配的岗位更加合理，与人员的符合度更高。

Description

一种基于图神经网络的岗位匹配方法及装置
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于图神经网络的岗位匹配方法及装置。
背景技术
现有的干部管理系统大部分只有数据库存储、规则查询等简单功能。
随着推荐系统技术的发展，岗位推荐是推荐系统很重要的应用方向之一。现有的基于求职文本信息的预测模型，可以将文本映射到向量化空间中，利用文本分类进行岗位推荐。
上述方法存在推荐的岗位与人员的符合度不高等问题。
发明内容
针对现有技术存在的问题，本发明实施例提供一种基于图神经网络的岗位匹配方法及装置。
本发明提供一种基于图神经网络的岗位匹配方法，包括：
获取目标履历对应的目标任职序列；
将所述目标任职序列输入至岗位匹配模型，获取由所述岗位匹配模型输出的所述目标任职序列与多个预设岗位的匹配程度；
根据所述匹配程度，在所述多个预设岗位中确定所述目标履历的匹配岗位；所述岗位匹配模型是基于图神经网络构建的；所述岗位匹配模型是基于样本任职序列，以及所述样本任职序列对应的样本匹配岗位训练后得到的；所述岗位匹配模型用于计算所述目标任职序列与每个预设岗位的匹配程度。
根据本发明提供的一种基于图神经网络的岗位匹配方法，所述岗位匹配模型对所述目标任职序列的处理如下：
根据所述目标任职序列，构建岗位变迁有向图；
根据所述岗位变迁有向图，构建邻接矩阵；所述邻接矩阵包括入度矩阵和出度矩阵；
根据所述邻接矩阵和每个预设岗位的岗位类别向量表示，确定所述目标履历与每个预设岗位的匹配程度。
根据本发明提供的一种基于图神经网络的岗位匹配方法，在所述将所述目标任职序列输入至岗位匹配模型之前，还包括：
从履历数据库中获取多个样本履历数据；
根据所有预设岗位的岗位信息，确定所述每个预设岗位的岗位类别向量表示，以及每个预设岗位的岗位类别编码；
基于所述岗位类别编码，根据所有的样本履历数据，确定每个样本个体的样本任职序列，以及每个样本任职序列对应的样本匹配岗位；
将每个样本任职序列与所述每个样本任职序列对应的样本匹配岗位的组合，作为一个训练样本，获取多个训练样本；
利用所述多个训练样本对初始匹配模型进行训练，确定所述岗位匹配模型。
根据本发明提供的一种基于图神经网络的岗位匹配方法，在所述利用所述多个训练样本对初始匹配模型进行训练之前，还包括：
获取多个个体的初始履历数据；
对所述初始履历数据进行数据清洗，获取所述多个个体的样本履历数据；
基于所述多个个体的样本履历数据，构建所述履历数据库。
根据本发明提供的一种基于图神经网络的岗位匹配方法，所述根据所有预设岗位的岗位信息，确定所述每个预设岗位的岗位类别向量表示，包括：
根据所述岗位信息中的单位性质，确定所述岗位信息中每个预设岗位的单位类别信息；并根据所述岗位信息中预设岗位的职务和领域关键字，确定所述岗位信息中每个预设岗位的技能领域信息；并确定所述岗位信息中所有预设岗位的职级信息；
根据每个预设岗位的所述单位类别信息、所述技能领域信息、所述职级信息，确定所述每个预设岗位的岗位类别向量表示。
根据本发明提供的一种基于图神经网络的岗位匹配方法，所述获取目标履历对应的目标任职序列，包括：
获取目标个体的目标履历数据；
基于每个预设岗位的岗位类别编码，根据所述目标履历数据中所述目标个体的历史任职岗位，确定所述目标任职序列；在所述目标任职序列中，所述目标个体的历史任职岗位按时间先后顺序排列。
本发明还提供一种基于图神经网络的岗位匹配装置，包括：
第一获取模块，用于获取目标履历对应的目标任职序列；
第二获取模块，用于将所述目标任职序列输入至岗位匹配模型，获取由所述岗位匹配模型输出的所述目标任职序列与多个预设岗位的匹配程度；
确定模块，用于根据所述匹配程度，在所述多个预设岗位中确定所述目标履历的匹配岗位；所述岗位匹配模型是基于图神经网络构建的；所述岗位匹配模型是基于样本任职序列，以及所述样本任职序列对应的样本匹配岗位训练后得到的；所述岗位匹配模型用于计算所述目标任职序列与每个预设岗位的匹配程度。
本发明还提供一种电子设备，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，所述处理器执行所述程序时实现如上述任一种所述基于图神经网络的岗位匹配方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于图神经网络的岗位匹配方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于图神经网络的岗位匹配方法。
本发明提供的基于图神经网络的岗位匹配方法及装置，利用基于图神经网络构建的岗位匹配模型根据目标任职序列，对目标履历数据对应的个体在下一次任职与每个预设岗位任职的进行匹配，使得匹配的岗位更加合理，与人员的符合度更高。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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是本发明提供的基于图神经网络的岗位匹配方法的流程示意图之一；
图2是本发明提供的岗位变迁有向图的构建方法的流程示意图；
图3是本发明提供的邻接矩阵的构建方法的流程示意图；
图4是本发明提供的基于图神经网络的岗位匹配方法的流程示意图之二；
图5是本发明提供的基于图神经网络的岗位匹配装置的结构示意图；
图6是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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。
需要说明的是，在本发明实施例的描述中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在过去的几年中，神经网络的兴起与应用成功推动了模式识别和数据挖掘的研究。许多曾经严重依赖于手工提取特征的机器学习任务如目标检测、机器翻译和语音识别，如今已被各种端到端的深度学习范式彻底改变。人工智能浪潮的兴起可以归因于计算资源的快速发展、大量训练数据的可用性、深度学习从欧氏空间数据中提取潜在特征的有效性。
尽管传统的深度学习方法被应用在提取欧氏空间数据的特征方面取得了巨大的成功，但许多实际应用场景中的数据是从非欧式空间生成的，传统的深度学习方法在处理非欧式空间数据上的表现却仍难以使人满意。例如，在电子商务中，一个基于图（Graph）的学习系统能够利用用户和产品之间的交互来做出非常准确的推荐，但图的复杂性使得现有的深度学习算法在处理时面临着巨大的挑战。这是因为图是不规则的，每个图都有一个大小可变的无序节点，图中的每个节点都有不同数量的相邻节点，导致一些如卷积之类的重要操作在图像（Image）上很容易计算，但不再适合直接用于图。
此外，现有深度学习算法的一个核心假设是数据样本之间彼此独立。然而，图中的每个数据样本（节点）都会有边与图中其他实数据样本（节点）相关，这些信息可用于捕获实例之间的相互依赖关系。图神经网络模型包括以下几类：
图卷积网络（Graph Convolution Networks，GCN）将卷积运算从传统数据推广到图数据。其核心思想是学习一个函数映射，通过该映射图中的节点可以聚合它自己的特征与它的邻居特征来生成节点的新表示。图卷积网络是许多复杂图神经网络模型的基础，包括基于自动编码器的模型、生成模型和时空网络等。
图注意力网络（Graph Attention Networks，GAT）是一种基于空间的图卷积网络，它的注意机制是在聚合特征信息时，将注意机制用于确定节点邻域的权重。注意力机制如今已经被广泛地应用到了基于序列的任务中，它的优点是能够放大数据中最重要的部分的影响。这个特性已经被证明对许多任务有用，例如机器翻译和自然语言理解。如今融入注意力机制的模型数量正在持续增加，图神经网络也受益于此，它在聚合过程中使用注意力，整合多个模型的输出，并生成面向重要目标的随机行走。门控注意力网络（Gated AttentionNetwork，GAAN）还采用了多头注意力机制来更新节点的隐藏状态。然而，GAAN并没有给每个head部分配相等的权重，而是引入了一种自注意机制，该机制为每个head计算不同的权重。图形注意力模型（Graph Attention Model，GAM）提供了一个循环神经网络模型，以解决图形分类问题，通过自适应地访问一个重要节点的序列来处理图的信息。
图自动编码器（Graph Autoencoders）是一类图嵌入方法，其目的是利用神经网络结构将图的顶点表示为低维向量。典型的解决方案是利用多层感知机作为编码器来获取节点嵌入，其中解码器重建节点的邻域统计信息，例如，正面逐点互信息（PositivePointwise Mutual Information，PPMI）或一阶和二阶近似值。
序列推荐（sequential recommendation）在推荐系统里是非常重要的任务，它通过对用户（user）行为序列，比如购买商品的序列（sequence）来建模，学到user兴趣的变化，从而能够对用户下一个行为进行预测。如今，推荐系统可帮助用户发掘感兴趣的商品，根据长期用户档案进行个性化推荐。然而，在许多现实世界的应用中，这种配置文件不会长期保存，而且用户的兴趣是动态变化的，因此必须仅基于用户在正在进行的会话对系统做出推荐。以前的工作表明，复杂的用户行为模式对基于会话的推荐具有重要意义。如何有效地捕获会话序列中的项目转换是基于会话的推荐的一个主要障碍。为了便于推荐，如何获得准确的项目嵌入和会话嵌入是另一个关键问题。
随着GNN的快速发展，基于GNN的序列化推荐被设计成利用GNN对用户-商品交互序列进行建模，捕捉复杂的迁移关系。通常情况下，有向图首先建立在序列数据上，将每个交互作为图中的一个节点，同时将每个序列映射到一条路径。然后，在图上学习用户或商品的嵌入，以便在整个图上嵌入更复杂的关系。这种方法充分利用了GNN的优点，可以捕捉结构化关系数据集中的复杂关系。基于GNN的序列化推荐通过揭示推荐商品与相应的顺序上下文之间的复杂关系，显示了提供可解释的建议的巨大潜力。
基于会话的推荐图神经网络模型（Session-based Recommendation with GraphNeural Networks，SR-GNN）首先，对所有的会话（session）序列通过有向图进行建模。接着通过GNN，学习每一个节点node（节点值item）的隐向量表示。然后通过一个注意力机制（attention）架构模型得到每个session的嵌入（embedding）。当获得每一个会话的embedding后，我们可以计算出所有候选item的推荐分数值。接着我们利用softmax函数和已经获得的推荐分数值来计算不同候选item的概率值，来表明在该次会话中用户下一次可能点击的不同item的概率。
长短期兴趣图神经网络（Memory augmented graph neural networks forsequential recommendation，MA-GNN）主要利用记忆增强的图神经网络来捕获并融合短期兴趣和长期兴趣，应用于序列推荐中。为了捕获用户的短期兴趣和长期兴趣，MA-GNN提出了一种记忆增强的图神经网络来捕获短期上下文信息和长距离依赖。为了有效地融合短期兴趣和长期兴趣，MA-GNN采用了一种门控机制来自适应地融合两种兴趣表征。为了显式建模物品之间的共现关系，MA-GNN采用了双线性函数来捕获物品之间相关性。
因子图神经网络（Rethinking the item order in session-basedrecommendation with graph neural networks，FGNN）对于session based 的推荐系统，当前的模型只是简单的将session看作time series处理，建模物品的时间顺序并且计算它们的表示然而如果只是这样处理，会忽略物品之间复杂的转移模式信息，导致推荐效果并不是最优为了更好的捕捉物品的转移模式。FGNN第一次在session-base推荐系统中研究了序列中物品转移模式，并加入WGAT层作进行item feature encoder，并学习、分配权重给邻节点。
下面结合图1至图6描述本发明实施例所提供的基于图神经网络的岗位匹配方法及装置。
图1是本发明提供的基于图神经网络的岗位匹配方法的流程示意图之一，如图1所示，包括但不限于以下步骤：
首先，在步骤S1中，获取目标履历对应的目标任职序列。
确定目标个体的目标履历数据，根据目标个体的目标履历数据，确定目标任职序列，目标履历数据可以包括目标个体的个人信息、任职起止时间、任职地区、任职单位、任职单位类别、任职岗位关键字、任职级别等。
在目标任职序列中，目标个体的历史任职岗位按照时间先后顺序依次排列。
目标个体可以是干部。
进一步地，在步骤S2中，将所述目标任职序列输入至岗位匹配模型，获取由所述岗位匹配模型输出的所述目标任职序列与多个预设岗位的匹配程度。
预设岗位包括目标个体所任职过的所有岗位。
具体地，将目标任职序列输入至岗位匹配模型，岗位匹配模型将目标任职序列转换成岗位变迁有向图，基于图神经网络构建的岗位匹配模型，能够在岗位变迁有向图上学习岗位的向量表示，以便在整个图上嵌入更复杂的关系，岗位匹配模型将目标任职序列对应的岗位变迁有向图与多个预设岗位进行匹配，得到目标任职序列与每个预设岗位的匹配程度并作为结果输出。
进一步地，在步骤S3中，根据所述匹配程度，在所述多个预设岗位中确定所述目标履历的匹配岗位；所述岗位匹配模型是基于图神经网络构建的；所述岗位匹配模型是基于样本任职序列，以及所述样本任职序列对应的样本匹配岗位训练后得到的；所述岗位匹配模型用于计算所述目标任职序列与每个预设岗位的匹配程度。
根据岗位匹配模型输出的目标任职序列与所有预设岗位的匹配程度，在预设岗位中确定匹配程度高于匹配阈值的岗位，作为目标履历数据的匹配岗位。
匹配阈值可根据实际需要灵活选取，概率阈值越高，得到的匹配岗位与目标履历大户局的符合度越高。
本发明提供一种基于图神经网络的岗位匹配方法，利用基于图神经网络构建的岗位匹配模型根据目标任职序列，对目标履历数据对应的个体在下一次任职与每个预设岗位任职的进行匹配，使得匹配的岗位更加合理，与人员的符合度更高。
可选地，所述获取目标履历对应的目标任职序列，包括：
获取目标个体的目标履历数据；
基于每个预设岗位的岗位类别编码，根据所述目标履历数据中所述目标个体的历史任职岗位，确定所述目标任职序列；在所述目标任职序列中，所述目标个体的历史任职岗位按时间先后顺序排列。
对于待匹配岗位的目标个体，得到目标个体的履历数据，即目标履历数据，目标履历数据中包括目标个体的个人信息和历史任职数据，历史任职数据包括历史所任职位的起止时间、任职地区、任职单位、任职单位的类别、任职岗位关键字、任职级别等。
再从目标履历数据中抽取历史任职数据，将历史任职岗位的岗位编码按时间先后顺序排列，得到目标个体的目标任职序列。
根据本发明提供的基于图神经网络的岗位匹配方法，对历史任职数据进行序列化建模，把干部的任职履历文本转换为了任职序列，实现了从文本到结构化编码数据的格式转换，方便规范化存储和使用。
可选地，在所述利用所述多个训练样本对初始匹配模型进行训练之前，还包括：
获取多个个体的初始履历数据；
对所述初始履历数据进行数据清洗，获取所述多个个体的样本履历数据；
基于所述多个个体的样本履历数据，构建所述履历数据库。
收集多个干部的初始履历数据，对所有的初始履历数据中的个人敏感信息进行脱敏处理，并进行数据清洗，构建履历数据库。
由于一个干部有至少一个岗位任职经历，因此对应至少一个履历数据。每个履历数据包括干部的个人信息、任职起止时间、任职地区、任职单位、任职单位的类别、任职岗位关键字、任职级别等。
可选地，所述根据所有预设岗位的岗位信息，确定所述每个预设岗位的岗位类别向量表示，包括：
根据所述岗位信息中的单位性质，确定所述岗位信息中每个预设岗位的单位类别信息；并根据所述岗位信息中预设岗位的职务和领域关键字，确定所述岗位信息中每个预设岗位的技能领域信息；并确定所述岗位信息中所有预设岗位的职级信息；
根据每个预设岗位的所述单位类别信息、所述技能领域信息、所述职级信息，确定所述每个预设岗位的岗位类别向量表示。
第一方面，根据每个预设岗位所在单位的单位性质，确定所述岗位信息中每个预设岗位的单位类别信息。
单位性质可以分为以下基本类别：地方企业、中央企业、外资企业、合资企业、学校、医院和其他。
分别将预设岗位所属的一级、二级、三级职务与表2所示的领域关键字进行匹配，确定岗位信息中每个预设岗位的技能领域信息。
第二方面，将每个预设岗位的职务与领域关键字进行匹配，若职务与领域关键字匹配成功，则得到预设岗位的领域分类，确定每个预设岗位的技能领域信息。
若职务与领域关键字匹配失败，利用划分规则进行划分，得到领域分类，确定每个预设岗位的技能领域信息。
领域分类具体为：若职务与关键词匹配失败，且该预设岗位所属类别为学校，则确定预设岗位的技能领域信息为教育；若关键词匹配失败且所述类别不为教育，则确定预设岗位的技能领域信息为其他。
领域共划分为以下种类：组织宣传、文化、经济、工业、农业、教育、科技、建设、环境、交通、医疗、人事、审计、工业、其他。
第三方面，经数据脱敏，履历数据库中可以保留任一职级及以下的干部的履历数据。职级信息可以为行政级别。
将每个预设岗位的单位类别信息、技能领域信息、职级信息的组合作为岗位的类别，在对类别进行编码，确定岗位类别编码，对每个预设岗位构建岗位类别向量表示。
可选地，所述岗位匹配模型对所述目标任职序列的处理如下：
根据所述目标任职序列，构建岗位变迁有向图；
根据所述岗位变迁有向图，构建邻接矩阵；所述邻接矩阵包括入度矩阵和出度矩阵；
根据所述邻接矩阵和每个预设岗位的岗位类别向量表示，确定所述目标履历与每个预设岗位的匹配程度。
图2是本发明提供的岗位变迁有向图的构建方法的流程示意图，如图2所示，基于 干部的任职序列，构建岗位变迁有向图，并进行数据初始化。每个任职序列s由一个岗位变 迁有向图
Figure 382362DEST_PATH_IMAGE001
构成，然后对edge（边）的权重进行归一化：edge（边）的出现次数除 以edge（边）起点的出度。例如，所以edge（边）出现两次，故权重为1/2。
其中，任职序列
Figure 57057DEST_PATH_IMAGE002
，
Figure 236235DEST_PATH_IMAGE003
是任职序列s对应的岗位变迁有向图， 在岗位变迁图中，节点含义为一个岗位，
Figure 869341DEST_PATH_IMAGE004
是
Figure 110967DEST_PATH_IMAGE003
中的节点集合，
Figure 605664DEST_PATH_IMAGE005
是
Figure 390081DEST_PATH_IMAGE003
的边集合。
Figure 177777DEST_PATH_IMAGE006
∈
Figure 172278DEST_PATH_IMAGE004
是岗位变迁有向图中的岗位节点，含义是序列s中第i个岗位。
Figure 454355DEST_PATH_IMAGE007
是岗位变 迁有向图中的边，边的起点是
Figure 832291DEST_PATH_IMAGE008
，终点是
Figure 541621DEST_PATH_IMAGE006
。
Figure 288997DEST_PATH_IMAGE009
是岗位节点
Figure 561716DEST_PATH_IMAGE006
的向量表示；
Figure 117462DEST_PATH_IMAGE010
是序列s 的向量表示。
根据本发明提供的基于图神经网络的岗位匹配方法，将任职序列转为岗位变迁有向图，输入图神经网络模型进行学习和训练，在图上学习岗位的向量表示，以便在整个图上嵌入更复杂的关系。这种方法充分利用了图神经网络的优点，可以捕捉结构化关系数据集中的复杂关系。基于图神经网络的序列化推荐通过揭示岗位与相应的顺序上下文之间的复杂关系，为推荐结果提供了较强的可解释性。
基于SR-GNN，构建初始匹配模型，将干部的任职序列输入模型中，在模型中构建岗位变迁有向图，并从岗位变迁有向图中学习岗位节点向量表示。本发明采用门控图神经网络（Gated Graph Neural Network，GGNN）来学习岗位变迁有向图中所有节点的统一向量表示，节点传播公式包括：
Figure 325589DEST_PATH_IMAGE011
；
Figure 717519DEST_PATH_IMAGE012
；
Figure 279081DEST_PATH_IMAGE013
；
Figure 204181DEST_PATH_IMAGE014
；
在节点传播公式中，第一个等式利用邻接矩阵（Adjacency Matrix）从邻接节点中 整合信息。邻接矩阵决定了图中的节点之间如何连接，
Figure 317630DEST_PATH_IMAGE015
由两个邻接矩阵(
Figure 446123DEST_PATH_IMAGE016
和
Figure 562109DEST_PATH_IMAGE017
)拼接而成，
Figure 92447DEST_PATH_IMAGE018
是任职序列s对应的邻接矩阵，
Figure 642377DEST_PATH_IMAGE016
是任职序列s对应的出度矩阵，
Figure 507434DEST_PATH_IMAGE017
是任职序列s对应的入度矩阵。
其中，t是时间步数；
Figure 410799DEST_PATH_IMAGE019
是岗位节点
Figure 123540DEST_PATH_IMAGE020
在t时刻的传播向量；
Figure 532787DEST_PATH_IMAGE021
是岗位节点
Figure 573556DEST_PATH_IMAGE020
分别在
Figure 592196DEST_PATH_IMAGE016
、
Figure 893864DEST_PATH_IMAGE017
对应的两列；
Figure 723280DEST_PATH_IMAGE022
是岗位i在t-1时刻的向量表示；
Figure 2077DEST_PATH_IMAGE023
是权重矩阵；
Figure 637458DEST_PATH_IMAGE024
是偏 移量；
Figure 996895DEST_PATH_IMAGE025
是岗位
Figure 184162DEST_PATH_IMAGE020
在t时刻的更新信息向量；
Figure 996261DEST_PATH_IMAGE026
是更新门z的权重矩阵；
Figure 435332DEST_PATH_IMAGE027
是上一时刻隐 层到更新门z的邻接矩阵；
Figure 603271DEST_PATH_IMAGE028
是岗位
Figure 774489DEST_PATH_IMAGE020
在t时刻的遗忘信息向量；
Figure 136200DEST_PATH_IMAGE029
是遗忘门r的权重矩 阵；
Figure 34755DEST_PATH_IMAGE030
是上一时刻隐层到遗忘门的邻接矩阵；tanh是激活函数；
Figure 306467DEST_PATH_IMAGE031
是岗位i在t时刻的向量 表示；
Figure 399320DEST_PATH_IMAGE032
是组合权重矩阵；
Figure 248327DEST_PATH_IMAGE033
是上一时刻隐层到最后状态的邻接矩阵。
最终状态是在更新门控制下的先前隐藏状态和候选状态的组合，更新所有节点后图中直到收敛，能够得到最终的节点向量。
图3是本发明提供的邻接矩阵的构建方法的流程示意图，如图3所示，使用邻接矩阵对岗位变迁有向图进行存储。将岗位变迁有向图存储一个出度矩阵和一个入度矩阵，并为了便于输入到神经网络，对度值进行了归一化处理，如下是对1至4序列的邻接矩阵存储形式，左边矩阵表示出度，右边矩阵表示入度，同时构建出度矩阵和入度矩阵 的原因是为了让模型可以学到丰富的双向关系，而不是简单的单向转移关系。
进一步地，在获得岗位的向量表示之后，生成干部任职序列的向量表示。干部任职序列的向量表示由该序列中涉及的岗位的向量表示直接生成。将任职序列s中最后一个岗位的向量表示作为s的初始化向量表示，以强调当前任职的岗位的影响：
Figure 701305DEST_PATH_IMAGE034
；
其中，
Figure 342371DEST_PATH_IMAGE035
是任职序列s的初始化向量表示，
Figure 917709DEST_PATH_IMAGE035
等于序列s中最后一个岗位的向量表 示
Figure 191695DEST_PATH_IMAGE036
。
然后，通过软注意力网络（soft-attention network）获得全局向量表示，来表示 全局偏好。使用参数
Figure 136780DEST_PATH_IMAGE037
，
Figure 179822DEST_PATH_IMAGE038
，
Figure 926061DEST_PATH_IMAGE039
，
Figure 874294DEST_PATH_IMAGE040
控制权重：
Figure 934654DEST_PATH_IMAGE041
；
其中，
Figure 894520DEST_PATH_IMAGE042
是第i个岗位的注意力权重；
Figure 511795DEST_PATH_IMAGE037
，
Figure 698057DEST_PATH_IMAGE038
，
Figure 624424DEST_PATH_IMAGE039
为权重参数；
Figure 625747DEST_PATH_IMAGE043
为第i个岗位的向 量表示；
Figure 854734DEST_PATH_IMAGE044
为任职序列s的全局向量表示；
Figure 75762DEST_PATH_IMAGE045
为偏移量。
最后通过线性变换将
Figure 274662DEST_PATH_IMAGE046
两个向量组合起来以获得干部任职序列的混合向量 表示(hybrid embedding)：
Figure 146804DEST_PATH_IMAGE047
；
其中，
Figure 795960DEST_PATH_IMAGE048
为任职序列s的混合向量表示；
Figure 487972DEST_PATH_IMAGE035
是任职序列s的初始化向量表示；
Figure 21722DEST_PATH_IMAGE044
为任 职序列s的全局向量表示；
Figure 436785DEST_PATH_IMAGE040
为权重参数。
常用的推荐算法往往只考虑了用户和项目的相似性和相关性，从用户感兴趣的角度进行项目推荐。然而干部岗位变迁具有较强的方向性，基于相似度和相关性的推荐方法不能有效捕捉岗位变迁规律，本发明提供的基于图神经网络的岗位匹配方法，通过对履历数据进行序列化建模，然后为干部推荐匹配的岗位，更加贴合业务场景与实际需求。
进一步地，将干部的任职序列的混合向量表示输入打分函数，计算所有候选岗位的匹配程度，匹配程度表示为匹配得分。选择匹配得分最高的TOP-d个岗位进行个性化推荐。匹配得分的计算步骤如下：
首先通过将岗位的向量表示与干部任职序列的表示相乘，然后使用softmax函数 来计算每个候选岗位的匹配得分
Figure 804312DEST_PATH_IMAGE049
，具体如下：
Figure 311517DEST_PATH_IMAGE050
；
其中，
Figure 304749DEST_PATH_IMAGE048
为任职序列s的向量表示；
Figure 823587DEST_PATH_IMAGE051
为预设岗位x的岗位类别向量表示；
Figure 378327DEST_PATH_IMAGE049
为岗位 匹配模型的匹配评分；softmax是归一化指数函数。
可选地，在所述将所述目标任职序列输入至岗位匹配模型之前，还包括：
从履历数据库中获取多个样本履历数据；
根据所有预设岗位的岗位信息，确定所述每个预设岗位的岗位类别向量表示，以及每个预设岗位的岗位类别编码；
基于所述岗位类别编码，根据所有的样本履历数据，确定每个样本个体的样本任职序列，以及每个样本任职序列对应的样本匹配岗位；
将每个样本任职序列与所述每个样本任职序列对应的样本匹配岗位的组合，作为一个训练样本，获取多个训练样本；
利用所述多个训练样本对初始匹配模型进行训练，确定所述岗位匹配模型。
从履历数据库中获取多个样本履历数据，每个样本履历数据对应的干部作为样本个体。
基于所述岗位类别编码，在每个样本个体的样本履历数据中，将样本个体的历史任职岗位对应的岗位类别编码，按照时间先后顺序依次排列，确定每个样本个体的完整的任职序列。
对完整的任职序列进行截断，能够得到样本任职序列，以及每个样本任职序列对应的样本匹配岗位；样本匹配岗位为样本个体的任职序列进行截断处的下一个岗位的岗位类别编码。
一方面，可以分别将单位类别信息和职级信息映射成三位数字编码。将基本大类的类别与职级类别拼接作为岗位的分类，并将该分类作为岗位的标签（label），最后得到72类岗位。
另一方面，可以分别将单位类别信息、职级信息、领域类别信息映射成三位数字编码。目前无法判断的领域统一设置为其他。将基本大类的类别、职级类别以及领域类别拼接作为岗位的分类，并将该分类作为岗位的label。最后得到415类岗位。
生成每个人的任职序列，并剔除出现频次小于5的岗位所在的任职序列、岗位节点个数小于2的任职序列。
并对任职序列s进行截断，s[k]是任职序列s[0:k]的匹配目标。一条长度为n的序列可生成n-1条训练数据或测试数据。
将80%的人的数据用于训练，其余20%的人的数据用于测试。
岗位的分类方式包括以下两种：
一方面，以单位类别信息和职级信息的组合对岗位进行分类，具有相同单位类别和职级的岗位视为同一种岗位。选择匹配评分最高的TOP-d个岗位进行推荐，即匹配程度为前d个岗位。使用本方法进行TOP-5、TOP-10、TOP-20推荐，实验结果表1所示：
表1 岗位匹配模型运行结果之一
Figure 372828DEST_PATH_IMAGE052
表1是岗位匹配模型运行结果之一，如表1所示，本方法在TOP-d推荐上算法效果表现良好，召回率（Recall）和匹配得分（Mean Reciprocal Rank，MRR）等评价指标都较为理想，尤其是召回率，TOP-5召回率为86%，TOP10召回率能达到95%。
另一方面，以单位类别信息、技能领域信息、职级信息的组合对岗位进行分类，具有相同单位类别、技能领域和职级的岗位视为同一种岗位。选择匹配评分最高的TOP-d个岗位进行推荐。使用本方法进行TOP-5、TOP-10、TOP-20推荐，实验结果如表2所示：
表2 岗位匹配模型运行结果之二
Figure 654905DEST_PATH_IMAGE053
表2是岗位匹配模型运行结果之二，如表2所示，岗位的分类标准单位类别信息、技能领域信息、职级信息的组合，一共划分了415种岗位，匹配目标更符合实际应用场景，本方法在TOP-d推荐上算法效果表现也非常良好，能够满足实际应用需求。
根据本发明提供的基于图神经网络的岗位匹配方法，基于单位性质、技能领域、职级对岗位进行了分类，将具有相同性质的岗位视为同一种岗位，然后进行推荐，有效解决了数据稀疏性的问题，数据样本更加集中，有利于模型的训练与学习。
图4是本发明提供的基于图神经网络的岗位匹配方法的流程示意图之二，如图4所示，包括数据处理、模型学习和推荐。
首先，收集公开干部的履历数据，对履历数据进行清洗和脱敏；
进一步地，根据岗位所属单位类别信息、职级信息、技能领域信息，进行岗位分类，构建任职序列；
进一步地，基于干部的任职序列，构建岗位变迁有向图；
进一步地，构建SR-GNN神经网络模型，将干部的任职序列输入至该模型中，基于干部任职岗位变迁图，训练输出干部的任职序列表示；
进一步地，将干部的任职序列表示输入打分函数，计算所有候选岗位的匹配程度；
进一步地，选择匹配程度最高的TOP-d个岗位进行个性化推荐。
图5是本发明提供的基于图神经网络的岗位匹配装置的结构示意图，如图5所示，包括：
第一获取模块501，用于获取目标履历对应的目标任职序列；
第二获取模块502，用于将所述目标任职序列输入至岗位匹配模型，获取由所述岗位匹配模型输出的所述目标任职序列与多个预设岗位的匹配程度；
确定模块503，用于根据所述匹配程度，在所述多个预设岗位中确定所述目标履历的匹配岗位；所述岗位匹配模型是基于图神经网络构建的；所述岗位匹配模型是基于样本任职序列，以及所述样本任职序列对应的样本匹配岗位训练后得到的；所述岗位匹配模型用于计算所述目标任职序列与每个预设岗位的匹配程度。
首先，第一获取模块501获取目标履历对应的目标任职序列。
确定目标个体的目标履历数据，根据目标个体的目标履历数据，确定目标任职序列，目标履历数据包括目标个体的个人信息、任职起止时间、任职地区、任职单位、任职单位类别、任职岗位关键字、任职级别等。
在目标任职序列中，目标个体的历史任职岗位按照时间先后顺序依次排列。
目标个体可以是干部。
进一步地，第二获取模块502将所述目标任职序列输入至岗位匹配模型，获取由所述岗位匹配模型输出的所述目标任职序列与多个预设岗位的匹配程度。
预设岗位包括目标个体所任职过的所有岗位。
具体地，将目标任职序列输入至岗位匹配模型，岗位匹配模型将目标任职序列转换成岗位变迁有向图，基于图神经网络构建的岗位匹配模型，能够在岗位变迁有向图上学习岗位的向量表示，以便在整个图上嵌入更复杂的关系，岗位匹配模型将目标任职序列对应的岗位变迁有向图与多个预设岗位进行匹配，得到目标任职序列与每个预设岗位的匹配程度并作为结果输出。
进一步地，确定模块503根据所述匹配程度，在所述多个预设岗位中确定所述目标履历的匹配岗位；所述岗位匹配模型是基于图神经网络构建的；所述岗位匹配模型是基于样本任职序列，以及所述样本任职序列对应的样本匹配岗位训练后得到的；所述岗位匹配模型用于计算所述目标任职序列与每个预设岗位的匹配程度。
根据岗位匹配模型输出的目标任职序列与所有预设岗位的匹配程度，在预设岗位中确定匹配程度高于匹配阈值的岗位，作为目标履历数据的匹配岗位。
匹配阈值可根据实际需要灵活选取，概率阈值越高，得到的匹配岗位与目标履历大户局的符合度越高。
本发明提供一种基于图神经网络的岗位匹配装置，利用基于图神经网络构建的岗位匹配模型根据目标任职序列，对目标履历数据对应的个体在下一次任职与每个预设岗位任职的进行匹配，使得匹配的岗位更加合理，与人员的符合度更高。
需要说明的是，本发明实施例提供的基于图神经网络的岗位匹配装置，在具体执行时，可以基于上述任一实施例所述的基于图神经网络的岗位匹配方法来实现，对此本实施例不作赘述。
图6是本发明提供的电子设备的结构示意图，如图6所示，该电子设备可以包括：处理器（processor）610、通信接口（Communications Interface）620、存储器（memory）630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行基于图神经网络的岗位匹配方法，该方法包括：获取目标履历对应的目标任职序列；将所述目标任职序列输入至岗位匹配模型，获取由所述岗位匹配模型输出的所述目标任职序列与多个预设岗位的匹配程度；根据所述匹配程度，在所述多个预设岗位中确定所述目标履历的匹配岗位；所述岗位匹配模型是基于图神经网络构建的；所述岗位匹配模型是基于样本任职序列，以及所述样本任职序列对应的样本匹配岗位训练后得到的；所述岗位匹配模型用于计算所述目标任职序列与每个预设岗位的匹配程度。
此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的基于图神经网络的岗位匹配方法，该方法包括：获取目标履历对应的目标任职序列；将所述目标任职序列输入至岗位匹配模型，获取由所述岗位匹配模型输出的所述目标任职序列与多个预设岗位的匹配程度；根据所述匹配程度，在所述多个预设岗位中确定所述目标履历的匹配岗位；所述岗位匹配模型是基于图神经网络构建的；所述岗位匹配模型是基于样本任职序列，以及所述样本任职序列对应的样本匹配岗位训练后得到的；所述岗位匹配模型用于计算所述目标任职序列与每个预设岗位的匹配程度。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的基于图神经网络的岗位匹配方法，该方法包括：获取目标履历对应的目标任职序列；将所述目标任职序列输入至岗位匹配模型，获取由所述岗位匹配模型输出的所述目标任职序列与多个预设岗位的匹配程度；根据所述匹配程度，在所述多个预设岗位中确定所述目标履历的匹配岗位；所述岗位匹配模型是基于图神经网络构建的；所述岗位匹配模型是基于样本任职序列，以及所述样本任职序列对应的样本匹配岗位训练后得到的；所述岗位匹配模型用于计算所述目标任职序列与每个预设岗位的匹配程度。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上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。

Claims (9)

1.一种基于图神经网络的岗位匹配方法，其特征在于，包括：
获取目标履历对应的目标任职序列；
将所述目标任职序列输入至岗位匹配模型，获取由所述岗位匹配模型输出的所述目标任职序列与多个预设岗位的匹配程度；
根据所述匹配程度，在所述多个预设岗位中确定所述目标履历的匹配岗位；所述岗位匹配模型是基于图神经网络构建的；所述岗位匹配模型是基于样本任职序列，以及所述样本任职序列对应的样本匹配岗位训练后得到的；所述岗位匹配模型用于计算所述目标任职序列与每个预设岗位的匹配程度。
2.根据权利要求1所述的基于图神经网络的岗位匹配方法，其特征在于，所述岗位匹配模型对所述目标任职序列的处理包括以下步骤：
根据所述目标任职序列，构建岗位变迁有向图；
根据所述岗位变迁有向图，构建邻接矩阵；所述邻接矩阵包括入度矩阵和出度矩阵；
根据所述邻接矩阵和每个预设岗位的岗位类别向量表示，确定所述目标履历与每个预设岗位的匹配程度。
3.根据权利要求2所述的基于图神经网络的岗位匹配方法，其特征在于，在所述将所述目标任职序列输入至岗位匹配模型之前，还包括：
从履历数据库中获取多个样本履历数据；
根据所有预设岗位的岗位信息，确定所述每个预设岗位的岗位类别向量表示，以及每个预设岗位的岗位类别编码；
基于所述岗位类别编码，根据所有的样本履历数据，确定每个样本个体的样本任职序列，以及每个样本任职序列对应的样本匹配岗位；
将每个样本任职序列与所述每个样本任职序列对应的样本匹配岗位的组合，作为一个训练样本，获取多个训练样本；
利用所述多个训练样本对初始匹配模型进行训练，确定所述岗位匹配模型。
4.根据权利要求3所述的基于图神经网络的岗位匹配方法，其特征在于，在所述利用所述多个训练样本对初始匹配模型进行训练之前，还包括：
获取多个个体的初始履历数据；
对所述初始履历数据进行数据清洗，获取所述多个个体的样本履历数据；
基于所述多个个体的样本履历数据，构建所述履历数据库。
5.根据权利要求3所述的基于图神经网络的岗位匹配方法，其特征在于，所述根据所有预设岗位的岗位信息，确定所述每个预设岗位的岗位类别向量表示，包括：
根据所述岗位信息中的单位性质，确定所述岗位信息中每个预设岗位的单位类别信息；并根据所述岗位信息中预设岗位的职务和领域关键字，确定所述岗位信息中每个预设岗位的技能领域信息；并确定所述岗位信息中所有预设岗位的职级信息；
根据每个预设岗位的所述单位类别信息、所述技能领域信息、所述职级信息，确定所述每个预设岗位的岗位类别向量表示。
6.根据权利要求1所述的基于图神经网络的岗位匹配方法，其特征在于，所述获取目标履历对应的目标任职序列，包括：
获取目标个体的目标履历数据；
基于每个预设岗位的岗位类别编码，根据所述目标履历数据中所述目标个体的历史任职岗位，确定所述目标任职序列；在所述目标任职序列中，所述目标个体的历史任职岗位按时间先后顺序排列。
7.一种基于图神经网络的岗位匹配装置，其特征在于，包括：
第一获取模块，用于获取目标履历对应的目标任职序列；
第二获取模块，用于将所述目标任职序列输入至岗位匹配模型，获取由所述岗位匹配模型输出的所述目标任职序列与多个预设岗位的匹配程度；
确定模块，用于根据所述匹配程度，在所述多个预设岗位中确定所述目标履历的匹配岗位；所述岗位匹配模型是基于图神经网络构建的；所述岗位匹配模型是基于样本任职序列，以及所述样本任职序列对应的样本匹配岗位训练后得到的；所述岗位匹配模型用于计算所述目标任职序列与每个预设岗位的匹配程度。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上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6任一项所述基于图神经网络的岗位匹配方法。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，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6任一项所述基于图神经网络的岗位匹配方法。
CN202210131722.5A 2022-02-14 2022-02-14 一种基于图神经网络的岗位匹配方法及装置 Active CN114168819B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210131722.5A CN114168819B (zh) 2022-02-14 2022-02-14 一种基于图神经网络的岗位匹配方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210131722.5A CN114168819B (zh) 2022-02-14 2022-02-14 一种基于图神经网络的岗位匹配方法及装置

Publications (2)

Publication Number Publication Date
CN114168819A true CN114168819A (zh) 2022-03-11
CN114168819B CN114168819B (zh) 2022-07-12

Family

ID=80489885

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210131722.5A Active CN114168819B (zh) 2022-02-14 2022-02-14 一种基于图神经网络的岗位匹配方法及装置

Country Status (1)

Country Link
CN (1) CN114168819B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114741508A (zh) * 2022-03-29 2022-07-12 北京三快在线科技有限公司 概念挖掘方法及装置、电子设备及可读存储介质
CN116562838A (zh) * 2023-07-12 2023-08-08 深圳须弥云图空间科技有限公司 人岗匹配度确定方法、装置、电子设备及存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110378544A (zh) * 2018-04-12 2019-10-25 百度在线网络技术（北京）有限公司 一种人岗匹配分析方法、装置、设备和介质
CN111241311A (zh) * 2020-01-09 2020-06-05 腾讯科技（深圳）有限公司 媒体信息推荐方法、装置、电子设备及存储介质
CN111340334A (zh) * 2020-02-12 2020-06-26 国网湖南省电力有限公司 一种智能工单分派方法、系统及介质
CN111428488A (zh) * 2020-03-06 2020-07-17 平安科技（深圳）有限公司 简历数据信息解析及匹配方法、装置、电子设备及介质
CN111612431A (zh) * 2020-05-26 2020-09-01 苏州寻津识涯信息科技有限公司 一种基于大数据的人力匹配的方法及系统
CN111737486A (zh) * 2020-05-28 2020-10-02 广东轩辕网络科技股份有限公司 基于知识图谱、深度学习的人岗匹配方法、存储装置
CN112182383A (zh) * 2020-09-28 2021-01-05 平安数字信息科技(深圳)有限公司 第二岗位的推荐方法、装置以及计算机设备
CN112559726A (zh) * 2020-12-22 2021-03-26 深圳市易博天下科技有限公司 简历信息的过滤方法、模型训练方法、装置、设备及介质
CN112925913A (zh) * 2021-03-09 2021-06-08 北京百度网讯科技有限公司 用于匹配数据的方法、装置、设备和计算机可读存储介质
CN113128783A (zh) * 2021-05-06 2021-07-16 大连理工大学 一种基于图迁移学习的交通预测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110378544A (zh) * 2018-04-12 2019-10-25 百度在线网络技术（北京）有限公司 一种人岗匹配分析方法、装置、设备和介质
CN111241311A (zh) * 2020-01-09 2020-06-05 腾讯科技（深圳）有限公司 媒体信息推荐方法、装置、电子设备及存储介质
CN111340334A (zh) * 2020-02-12 2020-06-26 国网湖南省电力有限公司 一种智能工单分派方法、系统及介质
CN111428488A (zh) * 2020-03-06 2020-07-17 平安科技（深圳）有限公司 简历数据信息解析及匹配方法、装置、电子设备及介质
CN111612431A (zh) * 2020-05-26 2020-09-01 苏州寻津识涯信息科技有限公司 一种基于大数据的人力匹配的方法及系统
CN111737486A (zh) * 2020-05-28 2020-10-02 广东轩辕网络科技股份有限公司 基于知识图谱、深度学习的人岗匹配方法、存储装置
CN112182383A (zh) * 2020-09-28 2021-01-05 平安数字信息科技(深圳)有限公司 第二岗位的推荐方法、装置以及计算机设备
CN112559726A (zh) * 2020-12-22 2021-03-26 深圳市易博天下科技有限公司 简历信息的过滤方法、模型训练方法、装置、设备及介质
CN112925913A (zh) * 2021-03-09 2021-06-08 北京百度网讯科技有限公司 用于匹配数据的方法、装置、设备和计算机可读存储介质
CN113128783A (zh) * 2021-05-06 2021-07-16 大连理工大学 一种基于图迁移学习的交通预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
PAUL-EDOUARD SARLIN等: ""SuperGlue：Learning Feature Matching With Graph Neural Networks"", 《PROCEEDINGS OF THE IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 *
张开智等: ""基于BP神经网络的应聘人员与岗位匹配度模型设计与应用"", 《电子世界》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114741508A (zh) * 2022-03-29 2022-07-12 北京三快在线科技有限公司 概念挖掘方法及装置、电子设备及可读存储介质
CN116562838A (zh) * 2023-07-12 2023-08-08 深圳须弥云图空间科技有限公司 人岗匹配度确定方法、装置、电子设备及存储介质
CN116562838B (zh) * 2023-07-12 2024-03-15 深圳须弥云图空间科技有限公司 人岗匹配度确定方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN114168819B (zh) 2022-07-12

Similar Documents

Publication Publication Date Title
CN112632385B (zh) 课程推荐方法、装置、计算机设备及介质
CN109376222B (zh) 问答匹配度计算方法、问答自动匹配方法及装置
CN110796190A (zh) 具有深度学习特征的指数建模
CN113705772A (zh) 一种模型训练方法、装置、设备及可读存储介质
CN110674279A (zh) 基于人工智能的问答处理方法、装置、设备及存储介质
CN114168819B (zh) 一种基于图神经网络的岗位匹配方法及装置
CN114169869B (zh) 一种基于注意力机制的岗位推荐方法及装置
CN113268609A (zh) 基于知识图谱的对话内容推荐方法、装置、设备及介质
CN114358657B (zh) 一种基于模型融合的岗位推荐方法及装置
CN110737730B (zh) 基于无监督学习的用户分类方法、装置、设备及存储介质
CN114693397A (zh) 一种基于注意力神经网络的多视角多模态商品推荐方法
CN111581545A (zh) 一种召回文档的排序方法及相关设备
CN112131261B (zh) 基于社区网络的社区查询方法、装置和计算机设备
CN111949886A (zh) 一种用于信息推荐的样本数据生成方法和相关装置
CN111553140B (zh) 数据处理方法、数据处理设备及计算机存储介质
CN112508177A (zh) 一种网络结构搜索方法、装置、电子设备及存储介质
Demertzi et al. A hybrid adaptive educational eLearning project based on ontologies matching and recommendation system
CN112380421A (zh) 简历的搜索方法、装置、电子设备及计算机存储介质
CN115238909A (zh) 一种基于联邦学习的数据价值评估方法及其相关设备
CN113821587B (zh) 文本相关性确定方法、模型训练方法、装置及存储介质
CN111767720B (zh) 一种标题生成方法、计算机及可读存储介质
CN114138954A (zh) 用户咨询问题推荐方法、系统、计算机设备及存储介质
Marzouk et al. Distance and equivalence between finite state machines and recurrent neural networks: Computational results
CN112925983A (zh) 一种电网资讯信息的推荐方法及系统
CN113407704A (zh) 文本匹配方法、装置、设备及计算机可读存储介质

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
GR01 Patent grant
GR01 Patent grant