CN114169869A - 一种基于注意力机制的岗位推荐方法及装置 - Google Patents

一种基于注意力机制的岗位推荐方法及装置 Download PDF

Info

Publication number
CN114169869A
CN114169869A CN202210131714.0A CN202210131714A CN114169869A CN 114169869 A CN114169869 A CN 114169869A CN 202210131714 A CN202210131714 A CN 202210131714A CN 114169869 A CN114169869 A CN 114169869A
Authority
CN
China
Prior art keywords
post
sequence
preset
target
sample
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
CN202210131714.0A
Other languages
English (en)
Other versions
CN114169869B (zh
Inventor
刘学洋
胡文蕙
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 CN202210131714.0A priority Critical patent/CN114169869B/zh
Publication of CN114169869A publication Critical patent/CN114169869A/zh
Application granted granted Critical
Publication of CN114169869B publication Critical patent/CN114169869B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Databases & Information Systems (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于注意力机制的岗位推荐方法及装置，包括：确定目标个体的目标任职序列；将目标任职序列输入至岗位预测模型，获取由岗位预测模型输出的目标个体在每个预设岗位的任职概率；根据所有的任职概率，在所有的预设岗位中确定目标个体的推荐岗位；岗位预测模型是基于注意力机制构建的；岗位预测模型是基于样本任职序列，以及样本任职序列对应的样本预测岗位训练后得到的。本发明提供的基于注意力机制的岗位推荐方法及装置，利用带有注意力机制的岗位预测模型根据目标个体的任职序列，对目标个体下一次在每个预设岗位任职的概率进行预测，使得预测的岗位更加准确，与人员的符合度更高。

Description

一种基于注意力机制的岗位推荐方法及装置
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于注意力机制的岗位推荐方法及装置。
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。现有的基于多智体的个性化职位推荐系统，能够基于轮盘模型得到用户求职意向，使用反馈用户空间向量模型并结合领域本体知识库对用户和职位资源进行建模，最后应用改进的基于领域知识内容推荐和协同过滤推荐相结合的算法进行推荐。
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注意力机制的岗位推荐方法及装置。
本发明提供一种基于注意力机制的岗位推荐方法，包括：确定目标个体的目标任职序列；
将所述目标任职序列输入至岗位预测模型，获取由所述岗位预测模型输出的所述目标个体在每个预设岗位的任职概率；
根据所有的任职概率，在所有的预设岗位中确定所述目标个体的推荐岗位；所述岗位预测模型是基于注意力机制构建的；所述岗位预测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预测岗位训练后得到的；所述岗位预测模型用于预测所述目标任职序列对应每个预设岗位的任职概率。
根据本发明提供的一种基于注意力机制的岗位推荐方法，所述确定目标个体的目标任职序列，包括：
获取所述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。
根据本发明提供的一种基于注意力机制的岗位推荐方法，在所述将所述目标任职序列输入至岗位预测模型之前，还包括：
从履历数据库中获取多个样本个体的样本履历数据；
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，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预测岗位；
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预测岗位的组合，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预测模型进行训练，确定所述岗位预测模型。
根据本发明提供的一种基于注意力机制的岗位推荐方法，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，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。
根据本发明提供的一种基于注意力机制的岗位推荐方法，在利用所述多个训练样本对所述初始预测模型进行训练之前，还包括：
基于注意力机制，利用第一预测子模型和第二预测子模型，构建所述初始预测模型；
基于最大后验概率估计和梯度随机下降方法，确定初始预测模型的模型参数。
根据本发明提供的一种基于注意力机制的岗位推荐方法，所述第一预测子模型是基于以下方法得到的：
将各岗位类别向量映射至低阶潜在空间，获取每个预设岗位的岗位隐向量；
基于所有的岗位隐向量，构建第一初始子模型；利用多个训练样本对所述第一初始子模型进行训练，获取第一预测子模型；
所述第一预测子模型是基于以下方法得到的：
基于高阶马尔科夫链，构建第二初始子模型；
利用多个训练样本对所述第二初始子模型进行训练，获取样本任职序列与预设岗位的之间的匹配程度的权重，确定第二预测子模型。
本发明还提供一种基于注意力机制的岗位推荐装置，包括：第一确定模块，用于确定目标个体的目标任职序列；
获取模块，用于将所述目标任职序列输入至岗位预测模型，获取由所述岗位预测模型输出的所述目标个体在每个预设岗位的任职概率；
第二确定模块，用于根据所有的任职概率，在所有的预设岗位中确定所述目标个体的推荐岗位；所述岗位预测模型是基于注意力机制构建的；所述岗位预测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预测岗位训练后得到的；所述岗位预测模型用于预测所述目标任职序列对应每个预设岗位的任职概率。
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注意力机制的岗位推荐方法。
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注意力机制的岗位推荐方法。
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注意力机制的岗位推荐方法。
本发明提供的基于注意力机制的岗位推荐方法及装置，利用带有注意力机制的岗位预测模型根据目标个体的任职序列，对目标个体下一次在每个预设岗位任职的概率进行预测，使得预测的岗位更加准确，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注意力机制的岗位推荐方法的流程示意图；
图2是本发明提供的基于注意力机制的岗位推荐方法的架构示意图；
图3是本发明提供的岗位预测模型的效果示意图之一；
图4是本发明提供的岗位预测模型的效果示意图之二；
图5是本发明提供的基于注意力机制的岗位推荐装置的结构示意图；
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。
随着信息技术的迅猛发展，通过互联网获取信息变得越来越容易，让人们接触到的数据量和信息量达到了爆炸的程度。但是如此大的信息量使得人们困扰于信息过载问题，查找到大量冗余的信息需要人们进一步去甄别判断，增大了精准获取到满足实际需要的准确信息的难度。
推荐系统根据个人历史信息等数据对用户进行推荐，能够帮助用户在海量的数据中精准地找到高质量、高准确度的信息。其中，而推荐系统的准确程度主要是受推荐算法的影响，推荐算法是推荐系统的核心。
推荐算法早在1992年就已经被提出，此时才真正有了用武之地。推荐算法可以包括传统推荐算法、基于序列的推荐算法和深度学习推荐算法。
传统推荐算法是与深度学习相对的协同过滤等传统模型，它们具有可解释性强、硬件条件要求低、训练和部署速度快等优势，仍然在大量场景中适用。
协同过滤（Collaborative Filtering，CF）是比较公认的业界影响力最大、应用最广泛的模型。矩阵分解（matrix factorization，MF）以协同过滤中的共现矩阵为基础，使用更稠密的隐向量表示用户和物品，能够解决协同过滤存在的缺陷。
逻辑回归是通过预测正样本的概率对物品进行排序，将推荐过程看作了一个分类的过程，这里的正样本指的是推荐系统希望用户产生的“正反馈”行为，因此逻辑回归模型将推荐问题转化成了一个CTR预估问题。
因子分解机(Factorization machines，FM）模型考虑了特征之间的相互关系，在逻辑回归的基础上，在模型中加入了二阶特征交叉部分，对所有特征进行了两两交叉，为每个特征学习了一个m维隐向量。在特征交叉时，使用两个特征的隐向量的内积作为交叉特征的权重。FM模型适用于数据高维稀疏，部分特征之间存在一定关联的场景，如点击率预估等场景。
基于FM的领域因子分解机（Field-aware factorization machines，FFM）模型在FM模型的基础上引入了“特征域感知”（field-aware）这一概念，在FFM中，每一个特征（feature）都归属于一个特定的“域”（field），域和特征是一对多的关系。
序列推荐（sequential recommendation）也是推荐系统的重要推荐任务。它通过对用户行为序列的建模，来学习用户的兴趣变化，从而能够对用户下一个行为进行预测。马尔科夫链是一种主流的序列建模方法，它通过观察用户近期的行为来预测下一个时间节点的行为。
个性化马尔可夫链（Factorizing Personalized Markov Chains，FPMC）模型是一种结合矩阵分解和马尔可夫链来进行序列推荐的方法，该模型为每一个用户学习其对应的一个转移矩阵，然后运用最大似然估计来求解参数。
基于物品相似度的分解序列预测（Fusing similarity models with Markovchains，Fossil）模型是一种高阶马尔可夫链模型，通过高阶马尔可夫链来学到更多的信息，再结合相似性模型来解决序列推荐预测中的稀疏性问题。Fossil模型使用物品相似度建模用户长期偏好，使用高阶马尔科夫链建模用户短期偏好，然后将长短期偏好结合为用户推荐物品。
随着Deep Crossing、Wide&Deep等一大批优秀的深度学习预测模型被提出，推荐系统全面进入深度学习时代。深度学习预测模型发展到现在，已经成为推荐领域的主流。相比于传统的机器学习模型，深度学习模型具有更强的表达能力，模型结构也更加灵活。AutoRec模型主要结合了协同过滤和自编码器的思想，协同过滤的实质是矩阵补全，而AutoRec就是用自编码器进行矩阵补全，然后根据自编码的结果得到用户对物品的预估评分，进行推荐排序。
相比于AutoRec，Deep Crossing模型使得深度学习架构在推荐系统中的应用更加完整。基于深度学习的协同过滤模型NeuralCF，结合了矩阵分解技术和深度学习的知识。而Wide&Deep模型混合了一个线性模型（Wide部分）和Deep模型(Deep部分)。在Wide&Deep模型之后，Deep&Cross模型是改进Wide&Deep模型中的Wide部分或Deep部分的代表。
基于Hadoop大数据平台的职位推荐系统，通过用户的Web点击行为和用户的个人信息对用户偏好进行建模，使用协同过滤模型对干部进行岗位推荐。
基于Hadoop的大数据平台对用户建立用户模型，同时用fast Text算法进行职位分类，使用基于内容以及基于人口统计学的混合推荐模型计算用户相似度，最后混合推荐模型进行岗位推荐。
截止目前，还没有相关研究者将基于高阶马尔科夫链的算法应用到干部岗位推荐领域中。
常见的推荐方法侧重于对每个用户感兴趣的物品类型进行建模，而不考虑任何顺序信息。在干部选拔任命时，需同时关注干部的近期任职经历、长期任职经历和晋升序列。本方法使用高阶马尔科夫链建模干部的近期任职信息，同时使用基于相似度的方法建模干部的长期任职信息，最后将建模的近期任职信息与长期任职信息结合为目标干部推荐岗位类别。
FPMC方法仅使用一阶马尔科夫链来进行推荐，一阶马尔科夫链假设序列中的状态仅与上一状态有关，即认为干部岗位的升迁仅与上一次任职状态有关，本方法将其拓展到了高阶，更符合干部岗位升迁变化客观规律。
本方法相对于Fossil算法，增加了注意力机制，能够自适应地学习过往任职岗位的权重。
下面结合图1至图6描述本发明实施例所提供的基于注意力机制的岗位推荐方法及装置。
图1是本发明提供的基于注意力机制的岗位推荐方法的流程示意图，如图1所示，包括但不限于以下步骤：
首先，在步骤S1中，确定目标个体的目标任职序列。
目标个体可以是干部。
具体地，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。
进一步地，在步骤S2中，将所述目标任职序列输入至岗位预测模型，获取由所述岗位预测模型输出的所述目标个体在每个预设岗位的任职概率。
岗位预测模型中加入的注意力机制，可以使得岗位预测模型能够自适应学习历史所任岗位的贡献权重，使得输出的结果更加合理。
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预测模型，岗位预测模型将目标任职序列与每个预设岗位的岗位类别向量的隐向量进行内积操作，得到目标个体在每个预设岗位的任职概率并作为结果输出。
进一步地，在步骤S3中，根据所有的任职概率，在所有的预设岗位中确定所述目标个体的推荐岗位；所述岗位预测模型是基于注意力机制构建的；所述岗位预测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预测岗位训练后得到的；所述岗位预测模型用于预测所述目标任职序列对应每个预设岗位的任职概率。
根据岗位预测模型输出的所有预设岗位的任职概率，在预设岗位中确定任职概率高于概率阈值的岗位，作为目标个体的推荐岗位。
概率阈值可根据实际需要灵活选取，概率阈值越高，得到的推荐岗位与目标个体的符合度越高。
本发明提供一种基于注意力机制的岗位推荐方法，利用带有注意力机制的岗位预测模型根据目标个体的任职序列，对目标个体下一次在每个预设岗位任职的概率进行预测，使得预测的岗位更加准确，与人员的符合度更高。
可选地，所述确定目标个体的目标任职序列，包括：
获取所述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。
此外，收集多个干部的履历数据，对所有的履历数据中的个人敏感信息进行脱敏处理，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，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。
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。
表1为岗位的领域类别的领域关键字，分别将预设岗位所属的一级、二级、三级职务与表1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。
表1 领域关键字
Figure 593196DEST_PATH_IMAGE001
第三方面，经数据脱敏，履历数据库中可以仅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。
可选地，在所述将所述目标任职序列输入至岗位预测模型之前，还包括：
从履历数据库中获取多个样本个体的样本履历数据；
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，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预测岗位；
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预测岗位的组合，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预测模型进行训练，确定所述岗位预测模型。
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。
根据所有的样本履历数据，建立编码映射表，对样本个体进行编码，获得每个样本个体对应的个体编码；编码映射表包括样本个体与样本履历数据的对应关系。
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预测岗位；样本预测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。
可选地，在利用所述多个训练样本对所述初始预测模型进行训练之前，还包括：
基于注意力机制，利用第一预测子模型和第二预测子模型，构建所述初始预测模型；
基于最大后验概率估计和梯度随机下降方法，确定初始预测模型的模型参数。
可选地，所述第一预测子模型是基于以下方法得到的：
将各岗位类别向量映射至低阶潜在空间，获取每个预设岗位的岗位隐向量；
基于所有的岗位隐向量，构建第一初始子模型；利用多个训练样本对所述第一初始子模型进行训练，获取第一预测子模型；
所述第一预测子模型是基于以下方法得到的：
基于高阶马尔科夫链，构建第二初始子模型；
利用多个训练样本对所述第二初始子模型进行训练，获取样本任职序列与预设岗位的之间的匹配程度的权重，确定第二预测子模型。
将所有的岗位类别向量投影到m维的低阶潜在空间，获取岗位类别向量对应的每个预设岗位的岗位隐向量。
基于岗位隐向量，构建第一初始子模型。
利用多个训练样本对第一初始子模型进行训练，训练过程如下：
将任一训练样本中的样本任职序列投影到m维的低阶潜在空间，获取样本任职序 列对应的任职隐向量；再将该任职隐向量与各个岗位隐向量进行内积操作，来估计该训练 样本中的样本任职序列和各个岗位隐向量之间的匹配程度
Figure 397073DEST_PATH_IMAGE002
:
Figure 421661DEST_PATH_IMAGE003
；
其中，i、j均为岗位类别编码；
Figure 787046DEST_PATH_IMAGE004
为干部的个体编码；
Figure 21718DEST_PATH_IMAGE005
表示干部u在任职 岗位i后，出任预设岗位j的概率；
Figure 114439DEST_PATH_IMAGE006
为任职时长；
Figure 508380DEST_PATH_IMAGE007
为岗位i的岗位隐向量；
Figure 887409DEST_PATH_IMAGE008
为岗位j的岗位 隐向量；
Figure 484743DEST_PATH_IMAGE009
为预设岗位的集合；
Figure 397467DEST_PATH_IMAGE010
为
Figure 131067DEST_PATH_IMAGE011
中的预设岗位集合，
Figure 212156DEST_PATH_IMAGE012
， 其中，
Figure 546054DEST_PATH_IMAGE011
为干部u的任职序列，
Figure 980578DEST_PATH_IMAGE013
；
Figure 584997DEST_PATH_IMAGE014
为
Figure 836986DEST_PATH_IMAGE010
岗位集合减去预 设岗位j后的其余岗位；
Figure 408913DEST_PATH_IMAGE015
为学习率。
最后根据该训练样本中的样本预测岗位和匹配程度
Figure 896395DEST_PATH_IMAGE002
，对第一初始子模型进行 参数调整，让该样本的样本预测岗位得分尽可能高，得到训练好的第一预测子模型。
由于在序列化推荐的过程中，干部的长期任职序列和短期任职序列与推荐岗位都存在一定的时间序列关系，应当考虑到干部历史任职序列对建模时的不同贡献程度。
由于高阶马尔可夫链以捕获干部的任职序列与每个预设岗位的匹配程度，每个干部的任职经历都对高阶平滑度有着不同的权重。可以基于高阶马尔科夫链，构建第二初始子模型。
利用多个训练样本对第二初始子模型进行训练，学习样本任职序列和预设岗位的 岗位类别向量之间的匹配程度的权重；确定第二预测子模型。
Figure 604588DEST_PATH_IMAGE016
为干部u在t时刻的任职岗 位；给定干部u的任职序列
Figure 27479DEST_PATH_IMAGE017
，以下公式表示在给定任职序列的条 件下，岗位类别j成为干部u下一次任职的概率：
Figure 837435DEST_PATH_IMAGE018
；
其中，
Figure 348181DEST_PATH_IMAGE019
为马尔科夫链的阶数，k为当前计算的阶数（k=1，2，3，…，L）;
Figure 301094DEST_PATH_IMAGE020
为干部u在t时刻的任职岗位；每个干部u都与全局权重向量
Figure 19520DEST_PATH_IMAGE021
相关联，
Figure 300460DEST_PATH_IMAGE022
；
Figure 896789DEST_PATH_IMAGE023
为干部u的k阶马尔科夫权重向量；
Figure 704208DEST_PATH_IMAGE024
为全局k阶马尔科夫权重向量；
Figure 344267DEST_PATH_IMAGE025
为干部u在t-k时刻的任职隐向量；
Figure 361771DEST_PATH_IMAGE008
为岗位j的岗位隐向量；
Figure 479900DEST_PATH_IMAGE015
为学习率。
根据第一预测子模型和第二预测子模型，并考虑注意力权重，构建初始预测模型。在初始预测模型中加入了计算每个干部在不同历史任职的岗位类别与目标岗位类别的相似度，以此作为历史任职职位贡献权重的操作，加入的注意力机制可以自适应学习相应的贡献权重，使得结果更加合理。
具体方式为：将干部的多个历史任职岗位的岗位隐向量均分别与预设岗位的岗位隐向量进行内积操作，生成新的历史任职岗位的岗位隐向量，代替原来的岗位隐向量，能够在一定程度上在历史任职岗位的岗位隐向量中考虑其对预测的任职概率影响程度。
Figure 141825DEST_PATH_IMAGE026
；
Figure 957379DEST_PATH_IMAGE027
；
Figure 212911DEST_PATH_IMAGE028
；
Figure 993785DEST_PATH_IMAGE029
；
其中，i、j均为岗位类别编码；
Figure 900430DEST_PATH_IMAGE004
为干部的个体编码；
Figure 882293DEST_PATH_IMAGE030
为岗位i与岗位j的注意力 权重；
Figure 375853DEST_PATH_IMAGE007
为岗位i的岗位隐向量；
Figure 225998DEST_PATH_IMAGE008
为岗位j的岗位隐向量；
Figure 737882DEST_PATH_IMAGE005
表示干部u在任职岗位i后，出任预设岗位j的概率；j’为
Figure 139913DEST_PATH_IMAGE010
岗位集合减去预设岗位j后的其余岗位；
Figure 104458DEST_PATH_IMAGE031
为预设岗位 的集合；
Figure 758293DEST_PATH_IMAGE010
为
Figure 875416DEST_PATH_IMAGE032
中的预设岗位集合，
Figure 199081DEST_PATH_IMAGE033
；
Figure 165769DEST_PATH_IMAGE034
为干部u的任职序 列，
Figure 357716DEST_PATH_IMAGE035
；
Figure 578613DEST_PATH_IMAGE006
为任职时长；
Figure 823912DEST_PATH_IMAGE025
为干部u在t-k时刻的任职隐向 量；
Figure 887682DEST_PATH_IMAGE036
为干部u在t-k时刻的任职岗位与岗位j的注意力权重。
基于注意力机制的序列化岗位预测模型的最终预测结果如下：
Figure 493107DEST_PATH_IMAGE037
；
其中，i、j均为岗位类别编码；
Figure 348937DEST_PATH_IMAGE004
为干部的个体编码；
Figure 14404DEST_PATH_IMAGE038
为干部u在t时刻出任岗 位j的预测概率；
Figure 299892DEST_PATH_IMAGE039
为与岗位i相关的偏置项；j’为
Figure 725320DEST_PATH_IMAGE010
岗位集合减去预设岗位j后的其余岗 位；
Figure 920809DEST_PATH_IMAGE031
为预设岗位的集合；
Figure 6445DEST_PATH_IMAGE010
为
Figure 44808DEST_PATH_IMAGE011
中的预设岗位集合，
Figure 257615DEST_PATH_IMAGE012
；
Figure 58343DEST_PATH_IMAGE032
为 干部u的任职序列，
Figure 331193DEST_PATH_IMAGE040
；
Figure 591273DEST_PATH_IMAGE006
为任职时长；
Figure 857038DEST_PATH_IMAGE030
为岗位i与岗位j的 注意力权重；
Figure 27119DEST_PATH_IMAGE007
为岗位i的岗位隐向量；
Figure 64345DEST_PATH_IMAGE008
为岗位j的岗位隐向量；每个干部u都与全局权重向 量
Figure 703399DEST_PATH_IMAGE041
相关联，
Figure 258008DEST_PATH_IMAGE022
；
Figure 531864DEST_PATH_IMAGE023
为干部u的k阶马尔科夫权重向量；
Figure 5571DEST_PATH_IMAGE024
为 干部u的k阶马尔科夫权重向量；
Figure 115609DEST_PATH_IMAGE025
为干部u在t-k时刻的任职隐向量；
Figure 224642DEST_PATH_IMAGE042
为干部u 在t-k时刻的任职岗位与岗位j的注意力权重。
进一步地，使用最大后验概率（Maximum A Posteriori，MAP）估计和随机梯度下降法（Stochastic Gradient Descent，SGD）求解模型参数：
Figure 103736DEST_PATH_IMAGE043
；
其中，i、j均为岗位类别编码；
Figure 13923DEST_PATH_IMAGE004
为干部的个体编码；
Figure 860525DEST_PATH_IMAGE044
为干部的个体编码集合；
Figure 491358DEST_PATH_IMAGE020
为干部u在t时刻的任职岗位；
Figure 615172DEST_PATH_IMAGE011
为干部u的任职序列，
Figure 334077DEST_PATH_IMAGE040
；
Figure 418708DEST_PATH_IMAGE045
为干部u在t时刻任职的个性化顺序；
Figure 102499DEST_PATH_IMAGE006
为任职时长；
Figure 80820DEST_PATH_IMAGE046
为Sigmoid激活函数；
Figure 208176DEST_PATH_IMAGE038
为干部u在t时刻出任岗位j的预测概率；
Figure 530835DEST_PATH_IMAGE047
为模型参数；
Figure 769049DEST_PATH_IMAGE048
为模型参数上的高斯先验；
Figure 601876DEST_PATH_IMAGE049
为干部u在t时刻出任岗位
Figure 149401DEST_PATH_IMAGE020
的预测概率。
在目标个体的目标履历数据中，确定目标个体在每个所任职岗位的任职时长。
通过学习任职序列中的岗位和预设岗位的岗位类别向量进行内积操作，来为干部历史任职序列中不同时间所任的职位分配以不同的权重，然后再计算目标的岗位的条件转移概率来生成最终的推荐结果。
利用多个训练样本对初始预测模型进行训练和参数调优，保存训练效果最佳的一版模型，作为岗位预测模型。
将目标个体的目标任职序列输入训练好的岗位预测模型中，岗位预测模型自动计算目标个体下一次在各预设岗位任职的条件概率，选择任职概率最高的X个岗位类别作为推荐结果。
图2是本发明提供的基于注意力机制的岗位推荐方法的架构示意图，如图2所示，包括数据层、模型层和应用层，在数据层中，通过数据采集、数据脱敏和岗位分类，得到干部履历数据库；在模型层中，基于相似度、高阶马尔科夫链和注意力机制，构建岗位预测模型，岗位预测模型是在干部履历数据库上进行训练后得到的；在应用层中，调用岗位预测模型，利用岗位隐向量和干部的任职隐向量，得到最终的岗位推荐。
表2为岗位预测模型的运行结果，结果表明本方法在top-X推荐目标上表现效果良好，召回率（recall）、归一化折损累计增益（Normalized Discounted Cumulative Gain，NDCG）和用时（minute_cost）等评价指标都较为理想。top-X为任职概率最高的X个岗位作为推荐结果。
表2为岗位预测模型运行结果
Figure 677465DEST_PATH_IMAGE050
为了检验本方法的效果，将岗位所属单位类别信息、职级信息的组合作为岗位的类别，得到干部任职序列。
将干部任职序列输入本基于高阶马尔科夫链算法和注意力机制的推荐算法中，算法将自动计算各岗位类别下一次任职的条件概率，选择任职概率最高的X个岗位类别作为推荐结果。
表3是本发明提供的基于注意力机制的岗位推荐方法与其他模型的效果对比，在recall和NDCG评价指标下的表现都优于FPMC和Fossil模型。
表3 本发明提供的基于注意力机制的岗位推荐方法与其他模型的效果对比
Figure 844004DEST_PATH_IMAGE051
本发明提供的基于注意力机制的岗位推荐方法，基于相似度的方法建模干部的长期任职信息，优于传统的矩阵分解方法，在稀疏的数据集上也能表现良好。
图3是本发明提供的岗位预测模型的效果示意图之一，如图3所示，展示了在top-5、top-10和top-20的情况下，岗位预测模型的recall指标随马尔科夫链的阶数的变化情况；横坐标为本发明提供的基于注意力机制的岗位推荐方法中，马尔科夫链的阶数；纵坐标为recall指标。可以看出，不同阶数的马尔科夫链中，recall指标整体差别很小，5、6阶的效果相对较好。
图4是本发明提供的岗位预测模型的效果示意图之二，如图4所示，展示了在top-5、top-10和top-20的情况下，岗位预测模型的NDCG指标随马尔科夫链的阶数的变化情况；横坐标为本发明提供的基于注意力机制的岗位推荐方法中，马尔科夫链的阶数；纵坐标为NDCG指标。可以看出，不同阶数的马尔科夫链中，6、7阶的马尔科夫链对应的NDCG指标的效果相对较好。
马尔科夫链的阶数为5至7阶时效果较好，考虑到部分干部任职经历比较少，因此在本发明提供的基于注意力机制的岗位推荐方法中，6阶更适用。
图5是本发明提供的基于注意力机制的岗位推荐装置的结构示意图，如图5所示，包括：
第一确定模块501，用于确定目标个体的目标任职序列；
获取模块502，用于将所述目标任职序列输入至岗位预测模型，获取由所述岗位预测模型输出的所述目标个体在每个预设岗位的任职概率；
第二确定模块503，用于根据所有的任职概率，在所有的预设岗位中确定所述目标个体的推荐岗位；所述岗位预测模型是基于注意力机制构建的；所述岗位预测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预测岗位训练后得到的；所述岗位预测模型用于预测所述目标任职序列对应每个预设岗位的任职概率。
首先，第一确定模块501确定目标个体的目标任职序列。
目标个体可以是干部。
具体地，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。
进一步地，获取模块502将所述目标任职序列输入至岗位预测模型，获取由所述岗位预测模型输出的所述目标个体在每个预设岗位的任职概率。
岗位预测模型中加入的注意力机制，可以使得岗位预测模型能够自适应学习历史所任岗位的贡献权重，使得输出的结果更加合理。
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预测模型，岗位预测模型将目标任职序列与每个预设岗位的岗位类别向量的隐向量进行内积操作，得到目标个体在每个预设岗位的任职概率并作为结果输出。
进一步地，第二确定模块503根据所有的任职概率，在所有的预设岗位中确定所述目标个体的推荐岗位；所述岗位预测模型是基于注意力机制构建的；所述岗位预测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预测岗位训练后得到的；所述岗位预测模型用于预测所述目标任职序列对应每个预设岗位的任职概率。
根据岗位预测模型输出的所有预设岗位的任职概率，在预设岗位中确定任职概率高于概率阈值的岗位，作为目标个体的推荐岗位。
概率阈值可根据实际需要灵活选取，概率阈值越高，得到的推荐岗位与目标个体的符合度越高。
本发明提供一种基于注意力机制的岗位推荐装置，利用带有注意力机制的岗位预测模型根据目标个体的任职序列，对目标个体下一次在每个预设岗位任职的概率进行预测，使得预测的岗位更加准确，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注意力机制的岗位推荐装置，在具体执行时，可以基于上述任一实施例所述的基于注意力机制的岗位推荐方法来实现，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，以执行基于注意力机制的岗位推荐方法，该方法包括：确定目标个体的目标任职序列；将所述目标任职序列输入至岗位预测模型，获取由所述岗位预测模型输出的所述目标个体在每个预设岗位的任职概率；根据所有的任职概率，在所有的预设岗位中确定所述目标个体的推荐岗位；所述岗位预测模型是基于注意力机制构建的；所述岗位预测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预测岗位训练后得到的；所述岗位预测模型用于预测所述目标任职序列对应每个预设岗位的任职概率。
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注意力机制的岗位推荐方法，该方法包括：确定目标个体的目标任职序列；将所述目标任职序列输入至岗位预测模型，获取由所述岗位预测模型输出的所述目标个体在每个预设岗位的任职概率；根据所有的任职概率，在所有的预设岗位中确定所述目标个体的推荐岗位；所述岗位预测模型是基于注意力机制构建的；所述岗位预测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预测岗位训练后得到的；所述岗位预测模型用于预测所述目标任职序列对应每个预设岗位的任职概率。
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注意力机制的岗位推荐方法，该方法包括：确定目标个体的目标任职序列；将所述目标任职序列输入至岗位预测模型，获取由所述岗位预测模型输出的所述目标个体在每个预设岗位的任职概率；根据所有的任职概率，在所有的预设岗位中确定所述目标个体的推荐岗位；所述岗位预测模型是基于注意力机制构建的；所述岗位预测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预测岗位训练后得到的；所述岗位预测模型用于预测所述目标任职序列对应每个预设岗位的任职概率。
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)

1.一种基于注意力机制的岗位推荐方法，其特征在于，包括：
确定目标个体的目标任职序列；
将所述目标任职序列输入至岗位预测模型，获取由所述岗位预测模型输出的所述目标个体在每个预设岗位的任职概率；
根据所有的任职概率，在所有的预设岗位中确定所述目标个体的推荐岗位；所述岗位预测模型是基于注意力机制构建的；所述岗位预测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预测岗位训练后得到的；所述岗位预测模型用于预测所述目标任职序列对应每个预设岗位的任职概率。
2.根据权利要求1所述的基于注意力机制的岗位推荐方法，其特征在于，所述确定目标个体的目标任职序列，包括：
获取所述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。
3.根据权利要求1所述的基于注意力机制的岗位推荐方法，其特征在于，在所述将所述目标任职序列输入至岗位预测模型之前，还包括：
从履历数据库中获取多个样本个体的样本履历数据；
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，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预测岗位；
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预测岗位的组合，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预测模型进行训练，确定所述岗位预测模型。
4.根据权利要求3所述的基于注意力机制的岗位推荐方法，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，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。
5.根据权利要求3所述的基于注意力机制的岗位推荐方法，其特征在于，在利用所述多个训练样本对所述初始预测模型进行训练之前，还包括：
基于注意力机制，利用第一预测子模型和第二预测子模型，构建所述初始预测模型；
基于最大后验概率估计和梯度随机下降方法，确定初始预测模型的模型参数。
6.根据权利要求5所述的基于注意力机制的岗位推荐方法，其特征在于，所述第一预测子模型是基于以下方法得到的：
将各岗位类别向量映射至低阶潜在空间，获取每个预设岗位的岗位隐向量；
基于所有的岗位隐向量，构建第一初始子模型；利用多个训练样本对所述第一初始子模型进行训练，获取第一预测子模型；
所述第一预测子模型是基于以下方法得到的：
基于高阶马尔科夫链，构建第二初始子模型；
利用多个训练样本对所述第二初始子模型进行训练，获取样本任职序列与预设岗位的之间的匹配程度的权重，确定第二预测子模型。
7.一种基于注意力机制的岗位推荐装置，其特征在于，包括：
第一确定模块，用于确定目标个体的目标任职序列；
获取模块，用于将所述目标任职序列输入至岗位预测模型，获取由所述岗位预测模型输出的所述目标个体在每个预设岗位的任职概率；
第二确定模块，用于根据所有的任职概率，在所有的预设岗位中确定所述目标个体的推荐岗位；所述岗位预测模型是基于注意力机制构建的；所述岗位预测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预测岗位训练后得到的；所述岗位预测模型用于预测所述目标任职序列对应每个预设岗位的任职概率。
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任一项所述基于注意力机制的岗位推荐方法。
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任一项所述岗位推荐方法。
CN202210131714.0A 2022-02-14 2022-02-14 一种基于注意力机制的岗位推荐方法及装置 Active CN114169869B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210131714.0A CN114169869B (zh) 2022-02-14 2022-02-14 一种基于注意力机制的岗位推荐方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210131714.0A CN114169869B (zh) 2022-02-14 2022-02-14 一种基于注意力机制的岗位推荐方法及装置

Publications (2)

Publication Number Publication Date
CN114169869A true CN114169869A (zh) 2022-03-11
CN114169869B CN114169869B (zh) 2022-06-07

Family

ID=80489879

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210131714.0A Active CN114169869B (zh) 2022-02-14 2022-02-14 一种基于注意力机制的岗位推荐方法及装置

Country Status (1)

Country Link
CN (1) CN114169869B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115062220A (zh) * 2022-06-16 2022-09-16 成都集致生活科技有限公司 基于注意力合并的招工推荐系统
CN115526590A (zh) * 2022-09-16 2022-12-27 深圳今日人才信息科技有限公司 一种结合专家知识和算法的高效人岗匹配与复推方法
CN115907706A (zh) * 2022-12-12 2023-04-04 深圳今日人才信息科技有限公司 一种定向招聘智能匹配推荐和自动化审核系统

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104008203A (zh) * 2014-06-17 2014-08-27 浙江工商大学 一种融入本体情境的用户兴趣挖掘方法
CN105808744A (zh) * 2016-03-11 2016-07-27 百度在线网络技术（北京）有限公司 信息预测的方法和装置
CN105956968A (zh) * 2016-05-26 2016-09-21 程欧亚 一种高考志愿人工智能填报系统及方法
CN109359140A (zh) * 2018-11-30 2019-02-19 苏州大学 一种基于自适应注意力的序列推荐方法及装置
CN109544104A (zh) * 2018-11-01 2019-03-29 平安科技（深圳）有限公司 一种招聘数据处理方法及装置
CN110060097A (zh) * 2019-04-01 2019-07-26 苏州市职业大学 基于注意力机制和卷积神经网络的用户行为序列推荐方法
CN110704692A (zh) * 2019-09-12 2020-01-17 重庆大学 基于图嵌入的员工离职行为预测方法及装置
CN111127165A (zh) * 2019-12-26 2020-05-08 纪信智达(广州)信息技术有限公司 基于自注意力自编码器的序列推荐方法
CN111159564A (zh) * 2019-12-31 2020-05-15 联想(北京)有限公司 信息推荐方法、装置、存储介质及计算机设备
CN111652696A (zh) * 2020-06-12 2020-09-11 郑州大学 一种基于高阶平移模型的物品推荐方法
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
CN112365159A (zh) * 2020-11-11 2021-02-12 福建亿榕信息技术有限公司 一种基于深度神经网络的后备干部推荐方法及系统
CN112464984A (zh) * 2020-10-28 2021-03-09 东南大学 一种基于注意力机制和强化学习的自动特征构造方法
CN113158241A (zh) * 2021-04-06 2021-07-23 深圳市洞见智慧科技有限公司 基于联邦学习的岗位推荐方法及装置
CN113886604A (zh) * 2021-10-20 2022-01-04 前锦网络信息技术(上海)有限公司 一种职位知识图谱生成方法和系统

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104008203A (zh) * 2014-06-17 2014-08-27 浙江工商大学 一种融入本体情境的用户兴趣挖掘方法
CN105808744A (zh) * 2016-03-11 2016-07-27 百度在线网络技术（北京）有限公司 信息预测的方法和装置
CN105956968A (zh) * 2016-05-26 2016-09-21 程欧亚 一种高考志愿人工智能填报系统及方法
CN109544104A (zh) * 2018-11-01 2019-03-29 平安科技（深圳）有限公司 一种招聘数据处理方法及装置
CN109359140A (zh) * 2018-11-30 2019-02-19 苏州大学 一种基于自适应注意力的序列推荐方法及装置
CN110060097A (zh) * 2019-04-01 2019-07-26 苏州市职业大学 基于注意力机制和卷积神经网络的用户行为序列推荐方法
CN110704692A (zh) * 2019-09-12 2020-01-17 重庆大学 基于图嵌入的员工离职行为预测方法及装置
CN111127165A (zh) * 2019-12-26 2020-05-08 纪信智达(广州)信息技术有限公司 基于自注意力自编码器的序列推荐方法
CN111159564A (zh) * 2019-12-31 2020-05-15 联想(北京)有限公司 信息推荐方法、装置、存储介质及计算机设备
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
CN111652696A (zh) * 2020-06-12 2020-09-11 郑州大学 一种基于高阶平移模型的物品推荐方法
CN112464984A (zh) * 2020-10-28 2021-03-09 东南大学 一种基于注意力机制和强化学习的自动特征构造方法
CN112365159A (zh) * 2020-11-11 2021-02-12 福建亿榕信息技术有限公司 一种基于深度神经网络的后备干部推荐方法及系统
CN113158241A (zh) * 2021-04-06 2021-07-23 深圳市洞见智慧科技有限公司 基于联邦学习的岗位推荐方法及装置
CN113886604A (zh) * 2021-10-20 2022-01-04 前锦网络信息技术(上海)有限公司 一种职位知识图谱生成方法和系统

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
LAKSHMI NARAYANA POTHURAJU等: ""A Joint Embedding Technique for Sequential Recommendation"", 《2020 13TH INTERNATIONAL CONFERENCE ON DEVELOPMENTS IN ESYSTEMS ENGINEERING (DESE)》 *
QINGYAN YANG等: ""Personalizing Web Page Recommendation via Collaborative Filtering and Topic-Aware Markov Model"", 《2010 IEEE INTERNATIONAL CONFERENCE ON DATA MINING》 *
VACHIK S. DAVE等: ""A Combined Representation Learning Approach for Better Job and Skill Recommendation"", 《PROCEEDINGS OF THE 27TH ACM INTERNATIONAL CONFERENCE ON INFORMATION AND KNOWLEDGE MANAGEMENT》 *
YEONGWOOK YANG等: ""A Hybrid Recommender System for Sequential Recommendation: Combining Similarity Models With Markov Chains"", 《IEEE ACCESS》 *
刘乐梅等: ""基于动态时序的岗位招聘数据挖掘研究"", 《微型电脑应用》 *
李春燕: ""基于深度学习网络的大学生就业去向跟踪模型"", 《电子设计工程》 *
杨丽等: ""基于动态和静态偏好的兴趣点推荐算法"", 《计算机应用》 *
符谢红: ""基于马尔可夫链的易变性职业转移模型研究"", 《东华大学学报（自然科学版）》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115062220A (zh) * 2022-06-16 2022-09-16 成都集致生活科技有限公司 基于注意力合并的招工推荐系统
CN115062220B (zh) * 2022-06-16 2023-06-23 成都集致生活科技有限公司 基于注意力合并的招工推荐系统
CN115526590A (zh) * 2022-09-16 2022-12-27 深圳今日人才信息科技有限公司 一种结合专家知识和算法的高效人岗匹配与复推方法
CN115526590B (zh) * 2022-09-16 2023-08-04 深圳今日人才信息科技有限公司 一种结合专家知识和算法的高效人岗匹配与复推方法
CN115907706A (zh) * 2022-12-12 2023-04-04 深圳今日人才信息科技有限公司 一种定向招聘智能匹配推荐和自动化审核系统

Also Published As

Publication number Publication date
CN114169869B (zh) 2022-06-07

Similar Documents

Publication Publication Date Title
CN114169869B (zh) 一种基于注意力机制的岗位推荐方法及装置
CN109376222B (zh) 问答匹配度计算方法、问答自动匹配方法及装置
CN111581545B (zh) 一种召回文档的排序方法及相关设备
Perez et al. Dialog state tracking, a machine reading approach using memory network
CN109635083B (zh) 一种用于搜索ted演讲中话题式查询的文档检索方法
CN114358657B (zh) 一种基于模型融合的岗位推荐方法及装置
CN112989761B (zh) 文本分类方法及装置
Huang et al. Expert as a service: Software expert recommendation via knowledge domain embeddings in stack overflow
US20220366295A1 (en) Pre-search content recommendations
CN115982338B (zh) 一种基于查询路径排序的领域知识图谱问答方法及系统
Shah et al. An intelligent chat-bot using natural language processing
CN114168819B (zh) 一种基于图神经网络的岗位匹配方法及装置
CN110597968A (zh) 一种回复选择方法及装置
Jiang et al. Evaluating Sources of Course Information and Models of Representation on a Variety of Institutional Prediction Tasks.
CN112380421A (zh) 简历的搜索方法、装置、电子设备及计算机存储介质
CN117236410A (zh) 一种可信的电子文件大语言模型训练、推理方法和装置
CN108304568B (zh) 一种房地产公众预期大数据处理方法及系统
US20230140702A1 (en) Search-query suggestions using reinforcement learning
CN112989054B (zh) 一种文本处理方法和装置
CN113064986B (zh) 模型的生成方法、系统、计算机设备和存储介质
CN114093447A (zh) 数据资产推荐方法、装置、计算机设备及存储介质
Champiri et al. A contextual Bayesian user experience model for scholarly recommender systems
Greene et al. How Personal is Machine Learning Personalization?
Sridhar et al. Extending Deep Neural Categorisation Models for Recommendations by Applying Gradient Based Learning
Kuzmin Item2vec-based approach to a recommender system

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