CN114648299A - 一种基于深度学习的人才推荐与挖掘系统 - Google Patents
一种基于深度学习的人才推荐与挖掘系统 Download PDFInfo
- Publication number
- CN114648299A CN114648299A CN202210265556.8A CN202210265556A CN114648299A CN 114648299 A CN114648299 A CN 114648299A CN 202210265556 A CN202210265556 A CN 202210265556A CN 114648299 A CN114648299 A CN 114648299A
- Authority
- CN
- China
- Prior art keywords
- talent
- client
- information
- module
- evaluation
- 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
- 238000005065 mining Methods 0.000 title claims abstract description 31
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- 238000011156 evaluation Methods 0.000 claims abstract description 131
- 238000013441 quality evaluation Methods 0.000 claims description 11
- 238000012163 sequencing technique Methods 0.000 claims description 11
- 230000006698 induction Effects 0.000 claims description 10
- 230000007115 recruitment Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 230000003340 mental effect Effects 0.000 claims 2
- 230000006399 behavior Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000034 method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
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
- 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
-
- 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
- G06Q10/06398—Performance of employee with respect to a job function
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于深度学习的人才推荐与挖掘系统,属于信息技术领域,目的在于解决招聘者招聘难,发现不了合适人才的问题,包括人才推荐模块、人才挖掘模块、服务器、评估模块、等级模块和注册登录模块,所述评估模块用于评估客户的能力水平,所述评估模块包括专业水平评估单元和心理素质评估单元,所述专业水平评估单元用于评估客户的专业能力水平,通过专业水平评估单元评估客户的专业能力水平,获取专业水平评估值QGi,根据专业水平评估值QGi的大小,按照从大到小的顺序,依次对客户信息进行排序,设定人才线,将超过人才线的客户信息进行标记,使得公司可以清楚的看到人才的专业水平能力,可以有针对的招聘符合要求的人才。
Description
技术领域
本发明属于信息技术领域,具体是一种基于深度学习的人才推荐与挖掘系统。
背景技术
随着互联网技术的发展,网络求职和网络招聘已经成了求职者找工作、用人单位招聘员工的主要途径。招聘者可以在招聘网站上发布职位信息,从简历列表中浏览简历,或通过关键字去搜索简历,以找到适合其发布的职位的人才。一般地,招聘网站上拥有大量求职者的简历,招聘者很难在短时间内找到合适的人才;而使用关键字搜索时,由于招聘者使用的关键字的数量和精确性有限,往往也很难快速找到合适的人才。为了解决上述问题,招聘网站通常采用的做法是,向招聘者推荐人才,即招聘网站主动地把可能适合的人才推送给招聘者。
目前的人才推荐算法往往根据人才对职位的行为记录(例如投递、收藏、浏览等行为)或根据职位的特征来搜索并推荐人才。根据行为记录来推荐人才的算法存在“冷启动”问题,即对于新发布的职位,由于该职位没有收到人才的行为记录而无法向该职位推荐人才;对于新注册的人才,由于该人才没有任何行为记录而无法被推荐给任何职位。此外,职位的特征通常比较稳定,根据职位的特征来推荐人才会使得每次给招聘者推荐的人才几乎相同。招聘者反复地看到相同的推荐人才,会对推荐结果失去兴趣,从而人才推荐的效率大打折扣。为了解决以上问题,现提供一种解决方案。
发明内容
本发明的目的在于提供一种基于深度学习的人才推荐与挖掘系统,解决招聘者招聘难,发现不了合适人才的问题。
本发明的目的可以通过以下技术方案实现:
一种基于深度学习的人才推荐与挖掘系统,包括人才推荐模块、人才挖掘模块、服务器、评估模块、储存模块、等级模块和注册登录模块;
所述评估模块用于评估客户的能力水平,所述评估模块包括专业水平评估单元和心理素质评估单元;
所述专业水平评估单元用于评估客户的专业能力水平,具体步骤为:
S11:获取储存模块内的全部客户信息,并将每个客户标记为Gi,其中,i=1、……、n;
S12:获取客户年龄,并将客户年龄标记为HGi;
S13:获取客户学历,设定所有客户学历均对应一个阈值,其中阈值取值范围为大于零且小于一,将客户学历与所有客户学历匹配获取到对应的阈值并标记为FGi;
S14:获取客户入行时间,将客户入行时间与系统当前时间进行时间差计算得到客户工作时长并标记为KGi;将客户年龄、学历和工作时长进行去除量纲取其数值计算;
S15:根据公式QGi=λ*b3*KGi(1+b2*FGi)*b2/(b1*HGi+b3)获取得到专业水平评估值QGi,其中,b1、b2、b3均为比例系数,取值范围为1<b1≤2,0<b2≤1,1<b3≤2,λ为修正因子,取值范围为0<λ≤1;
S16:根据专业水平评估值QGi的大小,按照从大到小的顺序,依次对客户信息进行排序;
S17:设定人才线,所述人才线为指定的专业水平评估值QGi,将超过人才线的客户信息进行标记;
所述心理素质评估单元用于评估客户的心理状况,具体步骤为:
S21:编写心理测评卷,并将心理测评卷发送给客户;
S22:统计客户心理测评卷评分,按照客户心理测评卷评分从高到低的顺序,依次对客户信息进行排序;
S23:对参与评分的客户,心理素质评估单元生成经验信号,并将经验信号发送至等级模块;
所述人才挖掘模块用于挖掘人才信息,所述人才挖掘模块包括人才库单元、检索单元和归纳单元;
所述人才推荐模块包括公司推荐模块和客户推荐模块。
进一步地,所述等级模块接收由心理素质评估单元发送的经验信号,并对客户等级增加升级经验;
所述等级模块用于提升客户等级,所述客户等级通过客户参与心理素质评估、每天上线时长、参与系统活动获取升级经验。
进一步地,所述注册登录模块用于客户通过个人终端录入个人信息后进行注册登录,并将个人信息发送至服务器,服务器接收注册登录模块传输的个人信息并将其传输到储存模块进行实时存储,所述个人信息包括姓名、性别、手机号、学历、个人价值观、年龄、入行时间和居住地址。
进一步地,所述检索单元用于在网络上检索各类人才信息,并将人才信息发送至储存模块;
所述储存模块接收检索单元发送的人才信息,并将人才信息与客户信息存储在一起;
所述归纳单元用于统计人才信息,具体步骤为:
S31:获取评估模块内超过人才线的客户信息和参与客户心理测评卷的客户评分;
S32:建立人才统计表,所述立人才统计表包括专业水平评估值QGi排序表、心理素质评估表和综合评估表;
S33:将按照专业水平评估值QGi排序的客户信息依次输入专业水平评估值QGi排序表中;
S34:将按照参与客户心理测评卷评分的客户信息依次输入心理素质评估表中;
S35:将客户心理测评卷评分标记为LGi,将客户心理测评卷评分进行去除量纲取其数值计算;
S36:根据公式PGi=λ*(b4*QGi+b5*LGi)获取得到综合评估值PGi,其中,b4、b5均为比例系数,取值范围为1<b4≤10,0<b5≤1,λ为修正因子,取值范围为0<λ≤1;
S37:按照综合评估值PGi的高低,按照从高到低的顺序,依次对客户信息进行排序;
S38:将排序后的客户信息依次输入到综合评估表中;
S39:将人才统计表发送至人才库单元;
所述人才库单元接收由归纳单元发送的人才统计表,并将人才统计表进行储存。
进一步地,所述公司推荐模块用于向公司推荐人才信息,具体步骤为:
S41:获取公司所需领域的人才,将公司所需领域的人才与人才库单元内的人才领域进行匹配;
S42:将匹配到的人才信息重新按照评分高低,依次输入人才统计表中,并将人才统计表发送给公司。
进一步地,所述客户推荐模块用于向客户推荐公司信息,具体步骤为:
S51:获取客户意向条件,所述意向条件包括领域公司、目标公司规模、目标待遇和目标工作地点;
S52:将意向条件与储存模块内的公司条件进行匹配,并将匹配到的公司信息发送给客户,所述公司信息包括招聘条件、公司规模、工作待遇、工作地点和公司联系方式;
S53:获取离职员工对公司的评价,并将离职员工对公司的评价生成链接发送给客户,客户通过链接观看离职员工对公司的评价,发表自己的看法,将应聘后的感受发表出来。
本发明的有益效果:通过专业水平评估单元评估客户的专业能力水平,获取专业水平评估值QGi,根据专业水平评估值QGi的大小,按照从大到小的顺序,依次对客户信息进行排序,设定人才线,将超过人才线的客户信息进行标记,使得公司可以清楚的看到人才的专业水平能力,可以有针对的招聘符合要求的人才,通过心理素质评估单元评估客户的心理状况,通过采用心理测评卷的方式,综合考评客户的心理素质,避免了公司再进一步费时费力的组织心理测评,同时给没有组织心理测评的公司一个参考,帮助公司找到心仪的人才;
通过等级模块的设置,促使客户能够参与心理测评,避免对客户没有吸引而导致没有客户参与,同时可以给予等级高的客户一定的优惠,增加吸引性,通过按照专业水平评估值QGi排序的客户信息依次输入专业水平评估值QGi排序表中,按照参与客户心理测评卷评分的客户信息依次输入心理素质评估表中,将客户心理测评卷评分标记为LGi,根据公式PGi=λ*(b4*QGi+b5*LGi)获取得到综合评估值PGi,按照综合评估值PGi的高低,按照从高到低的顺序,依次对客户信息进行排序,将排序后的客户信息依次输入到综合评估表中,使得公司可以更加直观的观察人才信息,根据需要有选择的发现人才;
通过养成模块的设置,使得客户有兴趣花更多的时间登录系统,增加系统的访客量,通过宠物、宠物皮肤、宠物气泡、宠物副技能和宠物窝的设置,使得养成模块更有趣味性、吸引性,增加客户对系统的黏性,通过宠物任务单元的设置,引导客户向身边朋友家人进行宣传,增加系统的曝光率,通过宠物主技能的设置,更加吸引消费投入更多的时间在系统中。
附图说明
为了更清楚地说明本发明实施例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简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一原理框图;
图2为本发明实施例二原理框图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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做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。
实施例一:如图1所示,一种基于深度学习的人才推荐与挖掘系统,包括人才推荐模块、人才挖掘模块、服务器、评估模块、储存模块、等级模块和注册登录模块;
注册登录模块用于客户通过个人终端录入个人信息后进行注册登录,并将个人信息发送至服务器,服务器接收注册登录模块传输的个人信息并将其传输到储存模块进行实时存储,个人信息包括姓名、性别、手机号、学历、个人价值观、年龄、入行时间和居住地址;
评估模块用于评估客户的能力水平,评估模块包括专业水平评估单元和心理素质评估单元;
专业水平评估单元用于评估客户的专业能力水平,具体步骤为:
S11:获取储存模块内的全部客户信息,并将每个客户标记为Gi,其中,i=1、……、n;
S12:获取客户年龄,并将客户年龄标记为HGi;
S13:获取客户学历,设定所有客户学历均对应一个阈值,其中阈值取值范围为大于零且小于一,将客户学历与所有客户学历匹配获取到对应的阈值并标记为FGi;
S14:获取客户入行时间,将客户入行时间与系统当前时间进行时间差计算得到客户工作时长并标记为KGi;将客户年龄、学历和工作时长进行去除量纲取其数值计算;
S15:根据公式QGi=λ*b3*KGi(1+b2*FGi)*b2/(b1*HGi+b3)获取得到专业水平评估值QGi,其中,b1、b2、b3均为比例系数,取值范围为1<b1≤2,0<b2≤1,1<b3≤2,λ为修正因子,取值范围为0<λ≤1;
S16:根据专业水平评估值QGi的大小,按照从大到小的顺序,依次对客户信息进行排序;
S17:设定人才线,人才线为指定的专业水平评估值QGi,将超过人才线的客户信息进行标记;
心理素质评估单元用于评估客户的心理状况,具体步骤为:
S21:编写心理测评卷,并将心理测评卷发送给客户;
S22:统计客户心理测评卷评分,按照客户心理测评卷评分从高到低的顺序,依次对客户信息进行排序;
S23:对参与评分的客户,心理素质评估单元生成经验信号,并将经验信号发送至等级模块;
等级模块接收由心理素质评估单元发送的经验信号,并对客户等级增加升级经验;
等级模块用于提升客户等级,客户等级通过客户参与心理素质评估、每天上线时长、参与系统活动获取升级经验;
人才挖掘模块用于挖掘人才信息,人才挖掘模块包括人才库单元、检索单元和归纳单元;
检索单元用于在网络上检索各类人才信息,并将人才信息发送至储存模块;
储存模块接收检索单元发送的人才信息,并将人才信息与客户信息存储在一起,用于给专业水平评估单元使用;
归纳单元用于统计人才信息,具体步骤为:
S31:获取评估模块内超过人才线的客户信息和参与客户心理测评卷的客户评分;
S32:建立人才统计表,立人才统计表包括专业水平评估值QGi排序表、心理素质评估表和综合评估表;
S33:将按照专业水平评估值QGi排序的客户信息依次输入专业水平评估值QGi排序表中;
S34:将按照参与客户心理测评卷评分的客户信息依次输入心理素质评估表中;
S35:将客户心理测评卷评分标记为LGi,将客户心理测评卷评分进行去除量纲取其数值计算;
S36:根据公式PGi=λ*(b4*QGi+b5*LGi)获取得到综合评估值PGi,其中,b4、b5均为比例系数,取值范围为1<b4≤10,0<b5≤1,λ为修正因子,取值范围为0<λ≤1;
S37:按照综合评估值PGi的高低,按照从高到低的顺序,依次对客户信息进行排序;
S38:将排序后的客户信息依次输入到综合评估表中;
S39:将人才统计表发送至人才库单元;
人才库单元接收由归纳单元发送的人才统计表,并将人才统计表进行储存;
人才推荐模块包括公司推荐模块和客户推荐模块;
公司推荐模块用于向公司推荐人才信息,具体步骤为:
S41:获取公司所需领域的人才,将公司所需领域的人才与人才库单元内的人才领域进行匹配;
S42:将匹配到的人才信息重新按照评分高低,依次输入人才统计表中,并将人才统计表发送给公司;
客户推荐模块用于向客户推荐公司信息,具体步骤为:
S51:获取客户意向条件,意向条件包括领域公司、目标公司规模、目标待遇和目标工作地点;
S52:将意向条件与储存模块内的公司条件进行匹配,并将匹配到的公司信息发送给客户,公司信息包括招聘条件、公司规模、工作待遇、工作地点和公司联系方式;
S53:获取离职员工对公司的评价,并将离职员工对公司的评价生成链接发送给客户,客户通过链接观看离职员工对公司的评价,发表自己的看法,将应聘后的感受发表出来;
实施例二:如图2所示,一种基于深度学习的人才推荐与挖掘系统,包括人才推荐模块、人才挖掘模块、服务器、评估模块、等级模块、储存模块、注册登录模块和宠物模块;
注册登录模块用于客户通过个人终端录入个人信息后进行注册登录,评估模块用于评估客户的能力水平,评估模块包括专业水平评估单元和心理素质评估单元,专业水平评估单元用于评估客户的专业能力水平,获取专业水平评估值QGi,根据专业水平评估值QGi的大小,按照从大到小的顺序,依次对客户信息进行排序,设定人才线,将超过人才线的客户信息进行标记,心理素质评估单元用于评估客户的心理状况,等级模块接收由心理素质评估单元发送的经验信号,并对客户等级增加升级经验,人才挖掘模块用于挖掘人才信息,人才挖掘模块包括人才库单元、检索单元和归纳单元,检索单元用于在网络上检索各类人才信息,并将人才信息发送至储存模块,储存模块接收检索单元发送的人才信息,并将人才信息与客户信息存储在一起,用于给专业水平评估单元使用;
归纳单元用于统计人才信息,获取评估模块内超过人才线的客户信息和参与客户心理测评卷的客户评分,建立人才统计表,立人才统计表包括专业水平评估值QGi排序表、心理素质评估表和综合评估表,将按照专业水平评估值QGi排序的客户信息依次输入专业水平评估值QGi排序表中,将按照参与客户心理测评卷评分的客户信息依次输入心理素质评估表中,将客户心理测评卷评分标记为LGi,将客户心理测评卷评分进行去除量纲取其数值计算,根据公式PGi=λ*(b4*QGi+b5*LGi)获取得到综合评估值PGi,按照综合评估值PGi的高低,按照从高到低的顺序,依次对客户信息进行排序,将排序后的客户信息依次输入到综合评估表中,将人才统计表发送至人才库单元,人才库单元接收由归纳单元发送的人才统计表,并将人才统计表进行储存;
人才推荐模块包括公司推荐模块和客户推荐模块,公司推荐模块用于向公司推荐人才信息,获取公司所需领域的人才,将公司所需领域的人才与人才库单元内的人才领域进行匹配,将匹配到的人才信息重新按照评分高低,依次输入人才统计表中,并将人才统计表发送给公司;
客户推荐模块用于向客户推荐公司信息,获取客户意向条件,意向条件包括领域公司、目标公司规模、目标待遇和目标工作地点,将意向条件与储存模块内的公司条件进行匹配,并将匹配到的公司信息发送给客户;公司信息包括招聘条件、公司规模、工作待遇、工作地点和公司联系方式,获取离职员工对公司的评价,并将离职员工对公司的评价生成链接发送给客户,客户通过链接观看离职员工对公司的评价,发表自己的看法,将应聘后的感受发表出来;
养成模块包括宠物单元、宠物等级单元、宠物商城单元、宠物技能单元和宠物任务单元,宠物单元包括宠物和宠物名称,宠物是客户注册个人信息后在宠物商城领取的,客户可以根据需求随时更改宠物名称,宠物等级单元包括宠物等级、宠物升级条和口罩,宠物升级条内的经验来自于客户浏览时长、完善个人信息、公司评论、好友邀请和系统分享,每浏览十分钟获得一次经验,应聘后对应聘公司进行评论,评论内容越详细经验越高,口罩上设有能量槽,不文明评论将会被扣除一定能量,当能量槽中没有能量时,口罩将会戴在宠物身上,此时客户将不能进行评论;
宠物商城单元内包括宠物、宠物皮肤、宠物气泡、宠物副技能、宠物窝和宠物币,宠物商城单元内的物品全部使用宠物币购买,宠物币来自于客户完成任务后获得的,宠物副技能的效果种类全部是关于宠物等级经验获取、宠物技能经验获取和宠物币获取,宠物技能单元包括宠物主技能、宠物副技能、技能位和技能升级条,宠物主技能为宠物自带的技能,宠物还配有多个技能位,技能位用于学习宠物副技能,必须上一个宠物副技能满级后,才能学习下一个副技能,客户可以在宠物商城单元内购买宠物副技能,技能升级条内的经验来自于客户完成宠物任务单元中的任务获得的,宠物任务单元用于向客户发布任务,任务包括浏览时长、给应聘公司评论、系统分享和好友邀请。
上述公式均是去除量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式,公式中的预设参数由本领域的技术人员根据实际情况设定。
本发明在使用时,客户通过个人终端录入个人信息后进行注册登录,并将个人信息发送至服务器,服务器接收注册登录模块传输的个人信息并将其传输到储存模块进行实时存储,通过评估模块用于评估客户的能力水平,通过专业水平评估单元评估客户的专业能力水平,获取储存模块内的全部客户信息,并将每个客户标记为Gi,其中,i=1、……、n,获取客户年龄,并将客户年龄标记为HGi,获取客户学历,设定所有客户学历均对应一个阈值,其中阈值取值范围为大于零且小于一,将客户学历与所有客户学历匹配获取到对应的阈值并标记为FGi,获取客户入行时间,将客户入行时间与系统当前时间进行时间差计算得到客户工作时长并标记为KGi;将客户年龄、学历和工作时长进行去除量纲取其数值计算,根据公式QGi=λ*b3*KGi(1+b2*FGi)*b2/(b1*HGi+b3)获取得到专业水平评估值QGi,根据专业水平评估值QGi的大小,按照从大到小的顺序,依次对客户信息进行排序,设定人才线,人才线为指定的专业水平评估值QGi,将超过人才线的客户信息进行标记;
通过心理素质评估单元评估客户的心理状况,编写心理测评卷,并将心理测评卷发送给客户,统计客户心理测评卷评分,按照客户心理测评卷评分从高到低的顺序,依次对客户信息进行排序,对参与评分的客户,心理素质评估单元生成经验信号,并将经验信号发送至等级模块,等级模块接收由心理素质评估单元发送的经验信号,并对客户等级增加升级经验,通过人才挖掘模块挖掘人才信息,通过检索单元在网络上检索各类人才信息,并将人才信息发送至储存模块,储存模块接收检索单元发送的人才信息,并将人才信息与客户信息存储在一起,用于给专业水平评估单元使用;
通过归纳单元统计人才信息,获取评估模块内超过人才线的客户信息和参与客户心理测评卷的客户评分,建立人才统计表,立人才统计表包括专业水平评估值QGi排序表、心理素质评估表和综合评估表,将按照专业水平评估值QGi排序的客户信息依次输入专业水平评估值QGi排序表中,将按照参与客户心理测评卷评分的客户信息依次输入心理素质评估表中,将客户心理测评卷评分标记为LGi,将客户心理测评卷评分进行去除量纲取其数值计算,根据公式PGi=λ*(b4*QGi+b5*LGi)获取得到综合评估值PGi,按照综合评估值PGi的高低,按照从高到低的顺序,依次对客户信息进行排序,将排序后的客户信息依次输入到综合评估表中,将人才统计表发送至人才库单元,人才库单元接收由归纳单元发送的人才统计表,并将人才统计表进行储存;
通过公司推荐模块向公司推荐人才信息,获取公司所需领域的人才,将公司所需领域的人才与人才库单元内的人才领域进行匹配,将匹配到的人才信息重新按照评分高低,依次输入人才统计表中,并将人才统计表发送给公司;
通过客户推荐模块向客户推荐公司信息,获取客户意向条件,意向条件包括领域公司、目标公司规模、目标待遇和目标工作地点,将意向条件与储存模块内的公司条件进行匹配,并将匹配到的公司信息发送给客户,公司信息包括招聘条件、公司规模、工作待遇、工作地点和公司联系方式,获取离职员工对公司的评价,并将离职员工对公司的评价生成链接发送给客户,客户通过链接观看离职员工对公司的评价,发表自己的看法,将应聘后的感受发表出来。上述公式均是去除量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式,公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
以上实施例仅用以说明本发明的技术方法而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方法进行修改或等同替换,而不脱离本发明技术方法的精神和范围。
Claims (8)
1.一种基于深度学习的人才推荐与挖掘系统,其特征在于,包括人才推荐模块、人才挖掘模块、储存模块、服务器和评估模块;所述评估模块用于评估客户的能力水平,所述评估模块包括专业水平评估单元和心理素质评估单元;
所述专业水平评估单元用于评估客户的专业能力水平,获取储存模块内的全部客户信息,并将每个客户标记为Gi,将客户年龄标记为HGi;获取客户学历,设定所有客户学历均对应一个阈值,其中阈值取值范围为大于零且小于一,将客户学历与所有客户学历匹配获取到对应的阈值并标记为FGi;将客户工作时长并标记为KGi;根据公式QGi=λ*b3*KGi(1+b2*FGi)*b2/(b1*HGi+b3)获取得到专业水平评估值QGi,根据专业水平评估值QGi的大小,依次对客户信息进行排序;设定人才线,将超过人才线的客户信息进行标记;
通过人才挖掘模块挖掘人才信息,所述人才挖掘模块包括人才库单元、检索单元和归纳单元;所述人才推荐模块包括公司推荐模块和客户推荐模块。
2.根据权利要求1所述的一种基于深度学习的人才推荐与挖掘系统,其特征在于,b1、b2、b3均为比例系数,取值范围为1<b1≤2,0<b2≤1,1<b3≤2,λ为修正因子,取值范围为0<λ≤1。
3.根据权利要求1所述的一种基于深度学习的人才推荐与挖掘系统,其特征在于,所述心理素质评估单元用于评估客户的心理状况,具体步骤为:
S21:编写心理测评卷,并将心理测评卷发送给客户;
S22:统计客户心理测评卷评分,按照客户心理测评卷评分从高到低的顺序,依次对客户信息进行排序;
S23:对参与评分的客户,心理素质评估单元生成经验信号,并将经验信号发送至等级模块。
4.根据权利要求1所述的一种基于深度学习的人才推荐与挖掘系统,其特征在于,服务器还通信连接有等级模块和注册登录模块;所述等级模块接收由心理素质评估单元发送的经验信号,并对客户等级增加升级经验;
所述等级模块用于提升客户等级,所述客户等级通过客户参与心理素质评估、每天上线时长、参与系统活动获取升级经验。
5.根据权利要求4所述的一种基于深度学习的人才推荐与挖掘系统,其特征在于,所述注册登录模块用于客户通过个人终端录入个人信息后进行注册登录,并将个人信息发送至服务器,服务器接收注册登录模块传输的个人信息并将其传输到储存模块进行实时存储,所述个人信息包括姓名、性别、手机号、学历、个人价值观、年龄、入行时间和居住地址。
6.根据权利要求1所述的一种基于深度学习的人才推荐与挖掘系统,其特征在于,所述检索单元用于在网络上检索各类人才信息,并将人才信息发送至储存模块;
所述储存模块接收检索单元发送的人才信息,并将人才信息与客户信息存储在一起;
所述归纳单元用于统计人才信息,具体步骤为:
S31:获取评估模块内超过人才线的客户信息和参与客户心理测评卷的客户评分;
S32:建立人才统计表,所述立人才统计表包括专业水平评估值QGi排序表、心理素质评估表和综合评估表;
S33:将按照专业水平评估值QGi排序的客户信息依次输入专业水平评估值QGi排序表中;
S34:将按照参与客户心理测评卷评分的客户信息依次输入心理素质评估表中;
S35:将客户心理测评卷评分标记为LGi,将客户心理测评卷评分进行去除量纲取其数值计算;
S36:根据公式PGi=λ*(b4*QGi+b5*LGi)获取得到综合评估值PGi,其中,b4、b5均为比例系数,取值范围为1<b4≤10,0<b5≤1,λ为修正因子,取值范围为0<λ≤1;
S37:按照综合评估值PGi的高低,按照从高到低的顺序,依次对客户信息进行排序;
S38:将排序后的客户信息依次输入到综合评估表中;
S39:将人才统计表发送至人才库单元;
所述人才库单元接收由归纳单元发送的人才统计表,并将人才统计表进行储存。
7.根据权利要求1所述的一种基于深度学习的人才推荐与挖掘系统,其特征在于,所述公司推荐模块用于向公司推荐人才信息,具体步骤为:
S41:获取公司所需领域的人才,将公司所需领域的人才与人才库单元内的人才领域进行匹配;
S42:将匹配到的人才信息重新按照评分高低,依次输入人才统计表中,并将人才统计表发送给公司。
8.根据权利要求1所述的一种基于深度学习的人才推荐与挖掘系统,其特征在于,所述客户推荐模块用于向客户推荐公司信息,具体步骤为:
S51:获取客户意向条件,所述意向条件包括领域公司、目标公司规模、目标待遇和目标工作地点;
S52:将意向条件与储存模块内的公司条件进行匹配,并将匹配到的公司信息发送给客户,所述公司信息包括招聘条件、公司规模、工作待遇、工作地点和公司联系方式;
S53:获取离职员工对公司的评价,并将离职员工对公司的评价生成链接发送给客户,客户通过链接观看离职员工对公司的评价,发表自己的看法,将应聘后的感受发表出来。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210265556.8A CN114648299A (zh) | 2022-03-17 | 2022-03-17 | 一种基于深度学习的人才推荐与挖掘系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210265556.8A CN114648299A (zh) | 2022-03-17 | 2022-03-17 | 一种基于深度学习的人才推荐与挖掘系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114648299A true CN114648299A (zh) | 2022-06-21 |
Family
ID=81994823
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210265556.8A Pending CN114648299A (zh) | 2022-03-17 | 2022-03-17 | 一种基于深度学习的人才推荐与挖掘系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114648299A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115392804A (zh) * | 2022-10-28 | 2022-11-25 | 四川安洵信息技术有限公司 | 一种基于大数据的人才赋能方法及系统 |
-
2022
- 2022-03-17 CN CN202210265556.8A patent/CN114648299A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115392804A (zh) * | 2022-10-28 | 2022-11-25 | 四川安洵信息技术有限公司 | 一种基于大数据的人才赋能方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | A combined fuzzy DEMATEL and TOPSIS approach for estimating participants in knowledge-intensive crowdsourcing | |
Lacy et al. | Defining and measuring quality journalism | |
Abel et al. | Human capital and economic activity in urban America | |
Ke et al. | Do online friends bring out the best in us? The effect of friend contributions on online review provision | |
Sorensen et al. | An assessment of criminal justice and criminology journal prestige | |
US20110145043A1 (en) | Method and System for Improving the Truthfulness, Reliability, and Segmentation of Opinion Research Panels | |
US20160098683A1 (en) | System and method for job and career discovery based on user attributes and feedback | |
US20090070197A1 (en) | Method for electronic data collection about products and services and related electronic system | |
Rusliyawati et al. | Implementation of SAW method for determining SCRM model as business strategy in higher education | |
Chikan | Managers’ view of a new inventory paradigm | |
Perić et al. | Determinants of active sport event tourists’ expenditure–the case of mountain bikers and trail runners | |
CN108304539A (zh) | 人才数据库建立方法、装置及存储介质 | |
Xing et al. | The effects of health, social, and consumption capital on running-related expenditures in China | |
CN114648299A (zh) | 一种基于深度学习的人才推荐与挖掘系统 | |
Ulantini et al. | The effect of work motivation and work discipline on career development and employee performance | |
Lewallen | Booster seats: new committee chairs and legislative effectiveness | |
Musso et al. | Making small sports clubs manageable and economically sustainable–a study on clay target shooting in Italy | |
CN112529533A (zh) | 一种基于大数据的简历推送方法 | |
Gasparėnienė et al. | Opportunities of job search through social media platforms and its development in Lithuania | |
Zeng et al. | Integrating a discovery‐based laboratory to teach supply chain management fundamentals in an undergraduate management course | |
Časlavova et al. | THE FINANCIAL MANAGEMENT OF SPORTS CLUBS IN THE CZECH REPUBLIC. | |
Zhang et al. | Identifying participants' characteristics influencing participant estimation in knowledge-intensive crowdsourcing | |
Cui et al. | The role of sports sponsorship in negative new stories about a brand: Approach the halo effect | |
Shang et al. | Selection of crowd in crowdsourcing for smart intelligent applications: A systematic mapping study | |
Sheikhhassan et al. | Application of data mining techniques to present model of tourist’s health behavior analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220621 |
|
WD01 | Invention patent application deemed withdrawn after publication |