CN115034178A - 一种人岗需求文本的知识图谱的方法及存储介质 - Google Patents
一种人岗需求文本的知识图谱的方法及存储介质 Download PDFInfo
- Publication number
- CN115034178A CN115034178A CN202210775404.2A CN202210775404A CN115034178A CN 115034178 A CN115034178 A CN 115034178A CN 202210775404 A CN202210775404 A CN 202210775404A CN 115034178 A CN115034178 A CN 115034178A
- Authority
- CN
- China
- Prior art keywords
- entity
- text
- layer
- post
- knowledge graph
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/103—Formatting, i.e. changing of presentation of documents
- G06F40/117—Tagging; Marking up; Designating a block; Setting of attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/027—Frames
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种人岗需求文本的知识图谱的构建方法及存储介质,其中方法包括如下步骤:步骤101、将BERT与BiLSTM‑CRF模型相结合,对人才岗位需求文本进行BIO词性标注,根据预设的实体类型,对所述人才岗位需求文本的相应实体类型进行标记,将人才岗位需求文本转换为稠密字向量,作为BiLSTM层语义抽取任务的输入,BiLSTM层输出每个词在所有标签下的得分,输入到CRF层,该层输出作为最终标注结果;上述方案能够通过采用正则匹配的方法对实体标注集进行实体生成,然后进行基于上下文的实体对齐和基于标点符号的实体隐藏关系学习。提取到岗位关键词后,基于树模型对岗位信息进行三元组构造,将岗位关键词转化为岗位三元组结构化表达式,并构建知识图谱。
Description
技术领域
本发明涉及数据分析领域,尤其涉及一种能够根据输入的需求文本进行方法及存储介质。
背景技术
随着信息化时代的来临以及就业人口逐年增长,企业招聘的主要方式逐渐由线下招聘转向互联网招聘。现阶段人岗匹配技术主要是通过关键字搜索或者模糊条件搜索进行人才选择,而企业的招聘信息以及求职者投递的简历数量往往众多。一方面,企业需要耗费大量时间和人力对简历进行人工比对筛选;另一方面,求职者需要从多个平台搜索整理岗位信息。这就暴露出目前的人岗匹配方式存在着效率低下且搜索结果的准确性较低等问题。当前人才招聘主要是通过关键字或者模糊条件进行人才选择,其准确性较低,往往最适合的很有可能最后才发现。目前的人岗匹配技术智能化程度不高,缺少一种能够形成人岗需求匹配的知识图谱的方法。
发明内容
因此,需要提供一种能够满足处理人岗需求文本的知识图谱的构建方法。
为实现上述目的,发明人提供了一种人岗需求文本的知识图谱的构建方法,包括如下步骤:
步骤101、将BERT与BiLSTM-CRF模型相结合,对人才岗位需求文本进行BIO词性标注,根据预设的实体类型,对所述人才岗位需求文本的相应实体类型进行标记,将人才岗位需求文本转换为稠密字向量,作为BiLSTM层语义抽取任务的输入,BiLSTM层输出每个词在所有标签下的得分,输入到CRF层,该层输出作为最终标注结果;
步骤102、基于得到的词性标注结果,按照实体和关系组成规则进行基于正则匹配的实体生成;
步骤103、在人才岗位需求文本中针对岗位需求描述的,存在的缺失主语、同一关系对应多个实体的问题以及关系缺失的问题,进行基于上下文的实体对齐,得到岗位关键词;
步骤104、利用树模型将所述岗位关键词进行分组存储,先从实体关系集合中提取序列,构造关系树,然后利用树模型的搜索算法提取出岗位描述三元组序列,以RDF形式存储,
步骤105、基于RDF数据,构造知识图谱。
本申请的一些实施例中,还包括步骤,基于标点符号的实体隐藏关系学习。
本申请的一些实施例中,还包括步骤,采用HNSW算法思想进行基于图方法的向量检索。具体思路是利用多层图结构,将节点随机划分到不同的层,0层包含所有节点,高层节点数呈指数级衰减。检索时从最上层图任一点开始查找,选择进入点最近邻的一些点记录下来,后续查找时先计算记录中的点与目标点的距离,及时更新记录,保留前k个点。这样从上层图到下层图,逐步靠近距离最近的节点达到收敛。最后通过底层的近邻检索,完成局部最近邻的查找。
本申请的一些实施例中,还包括步骤,基于知识图谱实现不同规模企业同一类型岗位需求中的交叉、合并和补充关系,其中交叉关系表示人才岗位需求中的共同需求,合并关系则是包含所有需求,补充关系表示需要扩充的内容。
本申请的一些实施例中,所述预设的实体类型包括技能、程度、学历和专业四类词性。
一种人岗需求文本的知识图谱的构建存储介质,存储有计算机程序,所述计算机程序在被运行时执行包括如下步骤:
步骤101、将BERT与BiLSTM-CRF模型相结合,对人才岗位需求文本进行BIO词性标注,根据预设的实体类型,对所述人才岗位需求文本的相应实体类型进行标记,将人才岗位需求文本转换为稠密字向量,作为BiLSTM层语义抽取任务的输入,BiLSTM层输出每个词在所有标签下的得分,输入到CRF层,该层输出作为最终标注结果;
步骤102、基于得到的词性标注结果,按照实体和关系组成规则进行基于正则匹配的实体生成;
步骤103、在人才岗位需求文本中针对岗位需求描述的,存在的缺失主语、同一关系对应多个实体的问题以及关系缺失的问题,进行基于上下文的实体对齐,得到岗位关键词;
步骤104、利用树模型将所述岗位关键词进行分组存储,先从实体关系集合中提取序列,构造关系树,然后利用树模型的搜索算法提取出岗位描述三元组序列,以RDF形式存储,
步骤105、基于RDF数据,构造知识图谱。
本申请的一些实施例中,所述计算机程序在被运行时还执行步骤,基于标点符号的实体隐藏关系学习。
本申请的一些实施例中,所述计算机程序在被运行时还执行步骤,采用HNSW算法思想进行基于图方法的向量检索。具体思路是利用多层图结构,将节点随机划分到不同的层,0层包含所有节点,高层节点数呈指数级衰减。检索时从最上层图任一点开始查找,选择进入点最近邻的一些点记录下来,后续查找时先计算记录中的点与目标点的距离,及时更新记录,保留前k个点。这样从上层图到下层图,逐步靠近距离最近的节点达到收敛。最后通过底层的近邻检索,完成局部最近邻的查找。
本申请的一些实施例中,所述计算机程序在被运行时还执行步骤基于知识图谱实现不同规模企业同一类型岗位需求中的交叉、合并和补充关系,其中交叉关系表示人才岗位需求中的共同需求,合并关系则是包含所有需求,补充关系表示需要扩充的内容。
本申请的一些实施例中,所述预设的实体类型包括技能、程度、学历和专业四类词性。
上述方案的人岗需求文本的知识图谱的构建方法,能够通过采用正则匹配的方法对实体标注集进行实体生成,然后进行基于上下文的实体对齐和基于标点符号的实体隐藏关系学习。提取到岗位关键词后,基于树模型对岗位信息进行三元组构造,将岗位关键词转化为岗位三元组结构化表达式,并构建知识图谱。
附图说明
图1为具体实施方式所述的人岗需求文本的知识图谱的构建方法流程图;
图2为具体实施方式所述的基于图的向量搜索过程示意图;
图3为具体实施方式所述的人岗需求文本的知识图谱的构建存储介质。
具体实施方式
为详细说明技术方案的技术内容、构造特征、所实现目的及效果,以下结合具体实施例并配合附图详予说明。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中各个位置出现的“实施例”一词并不一定指代相同的实施例,亦不特别限定其与其它实施例之间的独立性或关联性。原则上,在本申请中,只要不存在技术矛盾或冲突,各实施例中所提到的各项技术特征均可以以任意方式进行组合,以形成相应的可实施的技术方案。
除非另有定义,本文所使用的技术术语的含义与本申请所属技术领域的技术人员通常理解的含义相同;本文中对相关术语的使用只是为了描述具体的实施例,而不是旨在限制本申请。
在本申请的描述中,用语“和/或”是一种用于描述对象之间逻辑关系的表述,表示可以存在三种关系,例如A和/或B,表示:存在A,存在B,以及同时存在A和B这三种情况。另外,本文中字符“/”一般表示前后关联对象是一种“或”的逻辑关系。
在本申请中,诸如“第一”和“第二”之类的用语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何实际的数量、主次或顺序等关系。
在没有更多限制的情况下,在本申请中,语句中所使用的“包括”、“包含”、“具有”或者其他类似的表述,意在涵盖非排他性的包含,这些表述并不排除在包括所述要素的过程、方法或者产品中还可以存在另外的要素,从而使得包括一系列要素的过程、方法或者产品中不仅可以包括那些限定的要素,而且还可以包括没有明确列出的其他要素,或者还包括为这种过程、方法或者产品所固有的要素。
与《审查指南》中的理解相同,在本申请中,“大于”、“小于”、“超过”等表述理解为不包括本数;“以上”、“以下”、“以内”等表述理解为包括本数。此外,在本申请实施例的描述中“多个”的含义是两个以上(包括两个),与之类似的与“多”相关的表述亦做此类理解,例如“多组”、“多次”等,除非另有明确具体的限定。
在本申请实施例的描述中,所使用的与空间相关的表述,诸如“中心”“纵向”“横向”“长度”“宽度”“厚度”“上”“下”“前”“后”“左”“右”“竖直”“水平”“垂直”“顶”“底”“内”“外”“顺时针”“逆时针”“轴向”“径向”“周向”等,所指示的方位或位置关系是基于具体实施例或附图所示的方位或位置关系,仅是为了便于描述本申请的具体实施例或便于读者理解,而不是指示或暗示所指的装置或部件必须具有特定的位置、特定的方位、或以特定的方位构造或操作,因此不能理解为对本申请实施例的限制。
除非另有明确的规定或限定,在本申请实施例的描述中,所使用的“安装”“相连”“连接”“固定”“设置”等用语应做广义理解。例如,所述“连接”可以是固定连接,也可以是可拆卸连接,或成一体设置;其可以是机械连接,也可以是电连接,也可以是通信连接;其可以是直接相连,也可以通过中间媒介间接相连;其可以是两个元件内部的连通或两个元件的相互作用关系。对于本申请所属技术领域的技术人员而言,可以根据具体情况理解上述用语在本申请实施例中的具体含义。
在本申请的如图1所示的实施例中,介绍一种人岗需求文本的知识图谱的构建方法,包括如下步骤:
步骤101、将BERT与BiLSTM-CRF模型相结合,对相关网站爬取到的人才岗位需求json数据(包括职位名称、职位类型、工作地点、薪资、工作内容和应聘要求等信息),进行分词以及BIO词性标注,根据预设的实体类型,对所述人才岗位需求文本的相应实体类型(实体指某类事物的集合,包括学历实体、专业实体等)进行标记,将人才岗位需求文本转换为稠密字向量,作为BiLSTM层语义抽取任务的输入,BiLSTM层输出每个词在所有标签下的得分,输入到CRF层,该层输出作为最终标注结果;
步骤102、基于得到的词性标注结果,按照实体和关系组成规则进行基于正则匹配的实体生成。具体规则为:一个实体/关系由一个实体开始字(标注为B)和多个实体中间字(标注为I)构成。例如:当模型识别到B-MAJOR词性的字符时,表明该字符是MAJOR专业实体的首字符,就需要将B-MAJOR词性的字与其后的n个I-MAJOR词性的字符拼接,从而生成专业实体;
步骤103、在人才岗位需求文本中针对岗位需求描述的,存在的缺失主语、同一关系对应多个实体的问题以及关系缺失的问题,进行基于上下文的实体对齐,得到岗位关键词;
步骤104、利用树模型将所述岗位关键词进行分组存储,先从实体关系集合中提取序列,构造关系树,然后利用树模型的搜索算法提取出岗位描述三元组序列,以RDF形式存储,
步骤105、基于RDF数据,构造知识图谱。
其中,BERT的全称为Bidirectional Encoder Representation fromTransformers,是一个预训练的语言表征模型。它强调了不再像以往一样采用传统的单向语言模型或者把两个单向语言模型进行浅层拼接的方法进行预训练,而是采用新的maskedlanguage model(MLM),以致能生成深度的双向语言表征。人才岗位需求文本为记载了岗位需求表述的自然语言描述的文本。RDF为原始数据格式,用于进行知识图谱的构建。
上述方案,能够通过采用正则匹配的方法对实体标注集进行实体生成,然后进行基于上下文的实体对齐和基于标点符号的实体隐藏关系学习。提取到岗位关键词后,基于树模型对岗位信息进行三元组构造,将岗位关键词转化为岗位三元组结构化表达式,并构建知识图谱。
本申请的一些实施例中,还包括步骤,基于标点符号的实体隐藏关系学习。标点符号作为连接符,也蕴含隐藏的实体关系,通过对标点符号的实体隐藏关系进行学习,能够提升知识图谱的构建准确性。
本申请的一些实施例中,还可以进行基于图的向量搜索过程。在图2所示的实施例中展示了基于图的向量搜索过程示意图:在获得了人才岗位需求图谱与人才技能图谱的基础上,采用HNSW算法思想进行基于图方法的向量检索。具体思路是利用多层图结构,将节点随机划分到不同的层,0层包含所有节点,高层节点数呈指数级衰减。检索时从最上层图任一点开始查找,选择进入点最近邻的一些点记录下来,后续查找时先计算记录中的点与目标点的距离,及时更新记录,保留前k个点。这样从上层图到下层图,逐步靠近距离最近的节点达到收敛。最后通过底层的近邻检索,完成局部最近邻的查找。通过上述方案,能够通过将基于图的向量搜索过程,能够达到进行人才需求与岗位知识图谱的匹配过程,从而解决人才与岗位的匹配问题。
为了进行多方的基于图谱与人岗匹配,达到更高的匹配效率。本申请的技术方案中还包括步骤,基于知识图谱实现不同规模企业同一类型岗位需求中的交叉、合并和补充关系,其中交叉关系表示人才岗位需求中的共同需求,合并关系则是包含所有需求,补充关系表示需要扩充的内容。通过上述方案能够将统一类型岗位需求中的合并补充关系进行实现和整理,从而提升人岗匹配的效率。
本申请的一些实施例中,所述预设的实体类型包括技能、程度、学历和专业四类词性。通过上述四类词性进行整理和标注,能够提升岗位需求文本的分析效率,以及知识图谱的生成的准确性。
在如图3所示的某些实施例中,一种人岗需求文本的知识图谱的构建存储介质300,存储有计算机程序,所述计算机程序在被运行时执行包括如下步骤:
步骤101、将BERT与BiLSTM-CRF模型相结合,对人才岗位需求文本进行BIO词性标注,根据预设的实体类型,对所述人才岗位需求文本的相应实体类型进行标记,将人才岗位需求文本转换为稠密字向量,作为BiLSTM层语义抽取任务的输入,BiLSTM层输出每个词在所有标签下的得分,输入到CRF层,该层输出作为最终标注结果;
步骤102、基于得到的词性标注结果,按照实体和关系组成规则进行基于正则匹配的实体生成;
步骤103、在人才岗位需求文本中针对岗位需求描述的,存在的缺失主语、同一关系对应多个实体的问题以及关系缺失的问题,进行基于上下文的实体对齐,得到岗位关键词;
步骤104、利用树模型将所述岗位关键词进行分组存储,先从实体关系集合中提取序列,构造关系树,然后利用树模型的搜索算法提取出岗位描述三元组序列,以RDF形式存储,
步骤105、基于RDF数据,构造知识图谱。
本申请的一些实施例中,所述计算机程序在被运行时还执行步骤,基于标点符号的实体隐藏关系学习。
本申请的一些实施例中,所述计算机程序在被运行时还执行步骤,采用HNSW算法思想进行基于图方法的向量检索。具体思路是利用多层图结构,将节点随机划分到不同的层,0层包含所有节点,高层节点数呈指数级衰减。检索时从最上层图任一点开始查找,选择进入点最近邻的一些点记录下来,后续查找时先计算记录中的点与目标点的距离,及时更新记录,保留前k个点。这样从上层图到下层图,逐步靠近距离最近的节点达到收敛。最后通过底层的近邻检索,完成局部最近邻的查找。
本申请的一些实施例中,所述计算机程序在被运行时还执行步骤基于知识图谱实现不同规模企业同一类型岗位需求中的交叉、合并和补充关系,其中交叉关系表示人才岗位需求中的共同需求,合并关系则是包含所有需求,补充关系表示需要扩充的内容。
本申请的一些实施例中,所述预设的实体类型包括技能、程度、学历和专业四类词性。
需要说明的是,尽管在本文中已经对上述各实施例进行了描述,但并非因此限制本发明的专利保护范围。因此,基于本发明的创新理念,对本文所述实施例进行的变更和修改,或利用本发明说明书及附图内容所作的等效结构或等效流程变换,直接或间接地将以上技术方案运用在其他相关的技术领域,均包括在本发明的专利保护范围之内。
Claims (10)
1.一种人岗需求文本的知识图谱的构建方法,其特征在于,
包括如下步骤:
步骤101、将BERT与BiLSTM-CRF模型相结合,对人才岗位需求文本进行BIO词性标注,根据预设的实体类型,对所述人才岗位需求文本的相应实体类型进行标记,将人才岗位需求文本转换为稠密字向量,作为BiLSTM层语义抽取任务的输入,BiLSTM层输出每个词在所有标签下的得分,输入到CRF层,该层输出作为最终标注结果;
步骤102、基于得到的词性标注结果,按照实体和关系组成规则进行基于正则匹配的实体生成;
步骤103、在人才岗位需求文本中针对岗位需求描述的,存在的缺失主语、同一关系对应多个实体的问题以及关系缺失的问题,进行基于上下文的实体对齐,得到岗位关键词;
步骤104、利用树模型将所述岗位关键词进行分组存储,先从实体关系集合中提取序列,构造关系树,然后利用树模型的搜索算法提取出岗位描述三元组序列,以RDF形式存储,
步骤105、基于RDF数据,构造知识图谱。
2.根据权利要求1所述的人岗需求文本的知识图谱的构建方法,其特征在于,还包括步骤,基于标点符号的实体隐藏关系学习。
3.根据权利要求1所述的人岗需求文本的知识图谱的构建方法,其特征在于,还包括步骤,采用HNSW算法思想进行基于图方法的向量检索。具体思路是利用多层图结构,将节点随机划分到不同的层,0层包含所有节点,高层节点数呈指数级衰减。检索时从最上层图任一点开始查找,选择进入点最近邻的一些点记录下来,后续查找时先计算记录中的点与目标点的距离,及时更新记录,保留前k个点。这样从上层图到下层图,逐步靠近距离最近的节点达到收敛。最后通过底层的近邻检索,完成局部最近邻的查找。
4.根据权利要求1所述的人岗需求文本的知识图谱的构建方法,其特征在于,还包括步骤,基于知识图谱实现不同规模企业同一类型岗位需求中的交叉、合并和补充关系,其中交叉关系表示人才岗位需求中的共同需求,合并关系则是包含所有需求,补充关系表示需要扩充的内容。
5.根据权利要求1所述的人岗需求文本的知识图谱的构建方法,其特征在于,所述预设的实体类型包括技能、程度、学历和专业四类词性。
6.一种人岗需求文本的知识图谱的构建存储介质,其特征在于,存储有计算机程序,所述计算机程序在被运行时执行包括如下步骤:
步骤101、将BERT与BiLSTM-CRF模型相结合,对人才岗位需求文本进行BIO词性标注,根据预设的实体类型,对所述人才岗位需求文本的相应实体类型进行标记,将人才岗位需求文本转换为稠密字向量,作为BiLSTM层语义抽取任务的输入,BiLSTM层输出每个词在所有标签下的得分,输入到CRF层,该层输出作为最终标注结果;
步骤102、基于得到的词性标注结果,按照实体和关系组成规则进行基于正则匹配的实体生成;
步骤103、在人才岗位需求文本中针对岗位需求描述的,存在的缺失主语、同一关系对应多个实体的问题以及关系缺失的问题,进行基于上下文的实体对齐,得到岗位关键词;
步骤104、利用树模型将所述岗位关键词进行分组存储,先从实体关系集合中提取序列,构造关系树,然后利用树模型的搜索算法提取出岗位描述三元组序列,以RDF形式存储,
步骤105、基于RDF数据,构造知识图谱。
7.根据权利要求6所述的人岗需求文本的知识图谱的构建存储介质,其特征在于,所述计算机程序在被运行时还执行步骤,基于标点符号的实体隐藏关系学习。
8.根据权利要求6所述的人岗需求文本的知识图谱的构建存储介质,其特征在于,所述计算机程序在被运行时还执行步骤,采用HNSW算法思想进行基于图方法的向量检索。具体思路是利用多层图结构,将节点随机划分到不同的层,0层包含所有节点,高层节点数呈指数级衰减。检索时从最上层图任一点开始查找,选择进入点最近邻的一些点记录下来,后续查找时先计算记录中的点与目标点的距离,及时更新记录,保留前k个点。这样从上层图到下层图,逐步靠近距离最近的节点达到收敛。最后通过底层的近邻检索,完成局部最近邻的查找。
9.根据权利要求6所述的人岗需求文本的知识图谱的存储介质,其特征在于,所述计算机程序在被运行时还执行步骤基于知识图谱实现不同规模企业同一类型岗位需求中的交叉、合并和补充关系,其中交叉关系表示人才岗位需求中的共同需求,合并关系则是包含所有需求,补充关系表示需要扩充的内容。
10.根据权利要求6所述的人岗需求文本的知识图谱的构建存储介质,其特征在于,所述预设的实体类型包括技能、程度、学历和专业四类词性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210775404.2A CN115034178A (zh) | 2022-07-01 | 2022-07-01 | 一种人岗需求文本的知识图谱的方法及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210775404.2A CN115034178A (zh) | 2022-07-01 | 2022-07-01 | 一种人岗需求文本的知识图谱的方法及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115034178A true CN115034178A (zh) | 2022-09-09 |
Family
ID=83129583
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210775404.2A Pending CN115034178A (zh) | 2022-07-01 | 2022-07-01 | 一种人岗需求文本的知识图谱的方法及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115034178A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115564393A (zh) * | 2022-10-24 | 2023-01-03 | 深圳今日人才信息科技有限公司 | 一种基于招聘需求相似度的职位推荐方法 |
CN116432965A (zh) * | 2023-04-17 | 2023-07-14 | 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 |
CN116795886A (zh) * | 2023-07-13 | 2023-09-22 | 杭州逍邦网络科技有限公司 | 用于销售数据的数据分析引擎及方法 |
-
2022
- 2022-07-01 CN CN202210775404.2A patent/CN115034178A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115564393A (zh) * | 2022-10-24 | 2023-01-03 | 深圳今日人才信息科技有限公司 | 一种基于招聘需求相似度的职位推荐方法 |
CN115564393B (zh) * | 2022-10-24 | 2024-05-10 | 深圳今日人才信息科技有限公司 | 一种基于招聘需求相似度的职位推荐方法 |
CN116432965A (zh) * | 2023-04-17 | 2023-07-14 | 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 |
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 |
CN116795886A (zh) * | 2023-07-13 | 2023-09-22 | 杭州逍邦网络科技有限公司 | 用于销售数据的数据分析引擎及方法 |
CN116795886B (zh) * | 2023-07-13 | 2024-03-08 | 杭州逍邦网络科技有限公司 | 用于销售数据的数据分析引擎及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115034178A (zh) | 一种人岗需求文本的知识图谱的方法及存储介质 | |
US8065336B2 (en) | Data semanticizer | |
KR100533810B1 (ko) | 백과사전 질의응답 시스템의 지식베이스 반자동 구축 방법 | |
Hjorland | Fundamentals of knowledge organization | |
CN111611361A (zh) | 抽取式机器智能阅读理解问答系统 | |
US11544308B2 (en) | Semantic matching of search terms to results | |
US20140280072A1 (en) | Method and Apparatus for Human-Machine Interaction | |
CN111680511A (zh) | 一种多神经网络协作的军事领域命名实体识别方法 | |
US20180181544A1 (en) | Systems for Automatically Extracting Job Skills from an Electronic Document | |
CN106776564A (zh) | 一种基于知识图谱的语义识别方法及系统 | |
CN111368048A (zh) | 信息获取方法、装置、电子设备及计算机可读存储介质 | |
CN112328800A (zh) | 自动生成编程规范问题答案的系统及方法 | |
CN114238653B (zh) | 一种编程教育知识图谱构建、补全与智能问答的方法 | |
CN114077673A (zh) | 一种基于btbc模型的知识图谱构建方法 | |
CN111666374A (zh) | 一种在深度语言模型中融入额外知识信息的方法 | |
CN107679124A (zh) | 一种基于动态规划算法的知识图谱中文问答检索方法 | |
CN114492443A (zh) | 训练实体识别模型的方法及系统和实体识别方法及系统 | |
Waxman | A graph database of scholastic relationships in the Babylonian Talmud | |
CN110119404A (zh) | 一种基于自然语言理解的智能取数系统及其方法 | |
Greenberg et al. | Knitting the semantic web | |
CN109271479A (zh) | 一种简历结构化处理方法 | |
CN116383354A (zh) | 一种基于知识图谱的图可视化自动问答方法 | |
De Boer et al. | A redundancy-based method for the extraction of relation instances from the web | |
CN114579705A (zh) | 一种面向可持续发展教育的学习辅助方法及系统 | |
De Boer et al. | Relation instantiation for ontology population using the web |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |