CN115098791A - 一种实时岗位推荐方法和系统 - Google Patents

一种实时岗位推荐方法和系统 Download PDF

Info

Publication number
CN115098791A
CN115098791A CN202211019772.0A CN202211019772A CN115098791A CN 115098791 A CN115098791 A CN 115098791A CN 202211019772 A CN202211019772 A CN 202211019772A CN 115098791 A CN115098791 A CN 115098791A
Authority
CN
China
Prior art keywords
job
representation matrix
matrix
matching
job seeker
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
CN202211019772.0A
Other languages
English (en)
Other versions
CN115098791B (zh
Inventor
张勇
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.)
China State Construction eCommerce Co Ltd
Original Assignee
China State Construction eCommerce Co Ltd
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 China State Construction eCommerce Co Ltd filed Critical China State Construction eCommerce Co Ltd
Priority to CN202211019772.0A priority Critical patent/CN115098791B/zh
Publication of CN115098791A publication Critical patent/CN115098791A/zh
Application granted granted Critical
Publication of CN115098791B publication Critical patent/CN115098791B/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
    • G06F16/95—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
    • 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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Linguistics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computing Systems (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Algebra (AREA)
  • Economics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种实时岗位推荐方法和系统，包括，基于简历和需求岗位，构建知识图谱；所述简历为求职者的简历；对所述知识图谱进行表示学习，得到实体表示矩阵和关系表示矩阵；基于求职者的求职历史和所述实体表示矩阵，确定求职者表示矩阵
Figure 747357DEST_PATH_IMAGE001
；基于所述实体表示矩阵，确定需求岗位表示矩阵
Figure 664497DEST_PATH_IMAGE002
；基于所述求职者表示矩阵
Figure 444234DEST_PATH_IMAGE001
和所述需求岗位表示矩阵
Figure 839443DEST_PATH_IMAGE002
，得到所述求职者与所述需求岗位的匹配度；基于所述匹配度为所述求职者推荐岗位；高效地为求职者推荐更匹配的岗位，提高了求职概率和用户的使用感受。

Description

一种实时岗位推荐方法和系统
技术领域
本发明涉及人工智能领域，具体而言，涉及一种实时岗位推荐方法和系统。
背景技术
大数据时代，信息过载使人们面临大量商品时需要花更多时间进行挑选，推荐系统可以帮助用户从互联网数据中更全面和更精准地筛选内容，比如在购物推荐、书籍推荐、游戏推荐、音乐推荐和电影推荐等场景均有广泛应用。同样地，在线招聘网站中，面对海量的职位，求职者人工筛选匹配的岗位是一件费时耗力的工作。因此如何为求职者自动匹配职位成为一项亟待解决的工作。然而岗位推荐与一般的商品和书籍推荐有许多不同。求职者的特征是通过简历呈现的，简历大多是一段非结构化的数据，同时，职位的描述也是一段非结构化数据。因此，从这些非结构化的数据中提取特征并计算匹配度是非常有挑战的工作。
为了解决以上问题，本说明书中的一些实施例提出了一种实时岗位推荐方法和系统，以高效地为求职者推荐更匹配的岗位。
发明内容
本发明的目的在于提供一种实时岗位推荐方法，包括，基于简历和需求岗位，构建知识图谱；所述简历为求职者的简历；对所述知识图谱进行表示学习，得到实体表示矩阵和关系表示矩阵；基于求职者的求职历史和所述实体表示矩阵，确定求职者表示矩阵
Figure 732063DEST_PATH_IMAGE001
；基于所述实体表示矩阵，确定需求岗位表示矩阵
Figure 554525DEST_PATH_IMAGE002
；基于所述求职者表示矩阵
Figure 821559DEST_PATH_IMAGE001
和所述需求岗位表示矩阵
Figure 879513DEST_PATH_IMAGE002
，得到所述求职者与所述需求岗位的匹配度；基于所述匹配度为所述求职者推荐岗位。
进一步的，所述得到实体表示矩阵和关系表示矩阵，包括将所述知识图谱中的三元组用向量
Figure 548392DEST_PATH_IMAGE003
表示，得到集和
Figure 541756DEST_PATH_IMAGE004
；其中，
Figure 561664DEST_PATH_IMAGE005
为实体，
Figure 298676DEST_PATH_IMAGE006
为关系，
Figure 822061DEST_PATH_IMAGE007
为与实体
Figure 251906DEST_PATH_IMAGE008
存在关系
Figure 493531DEST_PATH_IMAGE006
的另一实体；将向量
Figure 830972DEST_PATH_IMAGE009
中的
Figure 474443DEST_PATH_IMAGE010
和/或
Figure 809609DEST_PATH_IMAGE011
进行替换，将替换后的集和中与所述集和
Figure 538531DEST_PATH_IMAGE012
重合的三元组删除，得到集和
Figure 617345DEST_PATH_IMAGE013
；所述集和
Figure 974377DEST_PATH_IMAGE013
中的三元组用向量
Figure 746024DEST_PATH_IMAGE014
表示；
Figure 696662DEST_PATH_IMAGE015
为替换后的实体，
Figure 579168DEST_PATH_IMAGE016
为替换后的实体，
Figure 931652DEST_PATH_IMAGE017
表示
Figure 139779DEST_PATH_IMAGE018
与
Figure 577714DEST_PATH_IMAGE007
的距离，
Figure 998331DEST_PATH_IMAGE019
表示
Figure 470900DEST_PATH_IMAGE020
与
Figure 584350DEST_PATH_IMAGE021
的距离；通过公式，
Figure 368635DEST_PATH_IMAGE022
对知识图谱中的三元组进行处理，得到简化后的三元组；其中，
Figure 592943DEST_PATH_IMAGE023
用于表示
Figure 654440DEST_PATH_IMAGE003
和
Figure 938791DEST_PATH_IMAGE024
之间的间距，为常数；分别提取所述简化后的三元组中的实体和关系，得到所述实体表示矩阵和所述关系表示矩阵。
进一步的，所述确定求职者表示矩阵
Figure 351318DEST_PATH_IMAGE001
，包括，从所述实体表示矩阵中提取与所述求职者相关的求职三元组，基于所述求职三元组构建第一向量；基于所述求职历史，得到多个历史岗位；基于所述多个历史岗位，从所述实体表示矩阵中分别提取与所述多个历史岗位相关的历史岗位三元组，基于所述历史岗位三元组构建第二向量；将所述第一向量分别与所述第二向量进行拼接，得到所述求职者的求职矩阵；将所述求职矩阵输入第一LSTM模型，模型输出所述求职者表示矩阵
Figure 441633DEST_PATH_IMAGE001
。
进一步的，所述确定需求岗位表示矩阵
Figure 623216DEST_PATH_IMAGE002
，包括，基于所述需求岗位，从所述知识图谱中获取与所述需求岗位直接向量的多个需求实体；基于所述需求实体从所述实体表示矩阵中提取与所述需求岗位相关的需求岗位三元组，基于所述需求岗位三元组构建第三向量；将所述第三向量输入第二LSTM模型，模型输出所述需求岗位表示矩阵
Figure 812889DEST_PATH_IMAGE002
。
进一步的，所述得到所述求职者与所述需求岗位的匹配度，包括，通过交叉注意力机制对所述求职者表示矩阵
Figure 712712DEST_PATH_IMAGE001
和所述需求岗位表示矩阵
Figure 278822DEST_PATH_IMAGE002
进行处理，得到所述匹配度。
本发明的目的在于提供一种实时岗位推荐系统，包括知识图谱构建模块、表示矩阵生成模块、匹配模块和推荐模块；所述知识图谱构建模块用于基于求职者的简历和需求岗位，构建知识图谱；所述简历为求职者的简历；所述表示矩阵生成模块用于对所述知识图谱进行表示学习，得到实体表示矩阵和关系表示矩阵；所述匹配模块用于基于所述求职者表示矩阵
Figure 846070DEST_PATH_IMAGE001
和所述需求岗位表示矩阵
Figure 206644DEST_PATH_IMAGE002
，得到所述求职者与所述需求岗位的匹配度；所述推荐模块用于基于所述匹配度为所述求职者推荐岗位。
进一步的，所述匹配模块的功能通过匹配模型实现，所述匹配模型包括第一LSTM模型、第二LSTM模型和注意力机制模型；所述第一LSTM模型用于基于求职者的求职历史和所述实体表示矩阵，确定求职者表示矩阵
Figure 593763DEST_PATH_IMAGE001
；所述第二LSTM模型用于基于所述实体表示矩阵，确定需求岗位表示矩阵
Figure 963565DEST_PATH_IMAGE002
；所述注意力机制模型用于基于所述求职者表示矩阵
Figure 854160DEST_PATH_IMAGE001
和所述需求岗位表示矩阵
Figure 651215DEST_PATH_IMAGE002
，得到所述匹配度。
进一步的，所述匹配模型通过训练样本训练初始匹配模型得到，包括，获取训练样本，所述训练样本包括样本求职者和样本需求岗位，将所述训练样本输入所述初始匹配模型，基于模型的输出和标签调整所述初始匹配模型的参数，得到训练好的匹配模型；所述标签为所述样本求职者与所述样本需求岗位的匹配度。
进一步的，还包括优化模块，所述优化模块用于，获取所述求职者的求职记录，基于所述求职记录，获取所述求职者参与面试的岗位；通过损失函数
Figure 119105DEST_PATH_IMAGE025
调整所述匹配模型的参数，优化所述匹配模型；其中，
Figure 292598DEST_PATH_IMAGE026
为匹配模型的输出；
Figure 303279DEST_PATH_IMAGE027
代表用户面试情况，
Figure 271235DEST_PATH_IMAGE028
为用户接收到的面试的总次数。
进一步的，所述优化模块还用于，基于所述求职记录，获取所述求职者未选择的工作；基于所述未选择的工作，优化所述匹配模型。
本发明实施例的技术方案至少具有如下优点和有益效果：
本说明书中的一些实施例，通过知识图谱构建特征向量，通过特征向量匹配求职者和岗位的匹配度，基于匹配度为求职者匹配职位，可以高效地为求职者推荐更匹配的岗位，提高了求职概率，和用户的使用感受。
附图说明
图1为本发明一些实施例提供的一种实时岗位推荐方法的示例性流程图；
图2为本发明一些实施例提供的得到求职者与需求岗位的匹配度的示例性示意图；
图3为本发明一些实施例提供的一种实时岗位推荐系统的示例性模块图；
图4为本发明一些实施例提供的得到匹配模型的示例性示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
图1为本发明一些实施例提供的一种实时岗位推荐方法的示例性流程图。在一些实施例中，流程100中的一个或多个步骤可以由系统300执行。如图1所示，流程100可以包括以下步骤：
步骤110，基于简历和需求岗位，构建知识图谱。在一些实施例中，步骤110可以由知识图谱构建模块310执行。
简历为求职者的简历。在一些实施例中，简历可以通过求职者上传获得。
需求岗位可以是指招人的岗位。在一些实施例中，需求岗位可以通过企业上传获得。
在一些实施例中，知识图谱构建模块310可以通过软件抽取简历和需求岗位中的三元组得到。例如，通过CopyMTL模型从简历文本中同时抽取实体和关系，构成三元组。示例性地，张三的简历中存在这样的描述“熟练使用Word,PPT等办公工具”，可以抽取出三元组“张三，熟悉，word”。然后，通过关系和实体抽取可以针对个人简历抽取出大量的三元组用于构建知识图谱。示例性地，从岗位描述中抽取三元组，对于某公司职位A的描述中存在这样的描述“该职位需要熟练使用Word”，可抽取三元组“职位A，需要技能，Word”。通过融合从简历中抽取出的三元组和从岗位中抽取的三元组，构建知识图谱G。
在一些实施例中，当新增岗位和简历时，可以抽取新增岗位和新增简历的三元组，然后将新增的三元组增添到知识图谱中。
在一些实施例中，对于已经找到工作岗位的求职者，可以将该求职者和该工作岗位的信息从知识图谱中删除。
步骤120，对知识图谱进行表示学习，得到实体表示矩阵和关系表示矩阵。在一些实施例中，步骤120可以由表示矩阵生成模块320执行。
在一些实施例中，矩阵生成模块320可以通过transE对知识图谱进行表示学习，得到实体表示矩阵和关系表示矩阵，包括，
将知识图谱中的三元组用向量
Figure 367367DEST_PATH_IMAGE029
表示，得到集和
Figure 344550DEST_PATH_IMAGE030
；其中，
Figure 209738DEST_PATH_IMAGE031
为实体，
Figure 348595DEST_PATH_IMAGE032
为关系，
Figure 932024DEST_PATH_IMAGE033
为
Figure 181739DEST_PATH_IMAGE031
与实体存在关系
Figure 26067DEST_PATH_IMAGE032
的另一实体。例如，三元组“张三，熟悉，word”可以用向量（张三，熟悉，word）表示。
将向量
Figure 335826DEST_PATH_IMAGE029
中的
Figure 406550DEST_PATH_IMAGE031
和/或t进行替换，将替换后的集和中与集和
Figure 459957DEST_PATH_IMAGE030
重合的三元组删除，得到集和
Figure 299737DEST_PATH_IMAGE034
，集和
Figure 842714DEST_PATH_IMAGE034
中的三元组用向量
Figure 135155DEST_PATH_IMAGE035
表示，
Figure 992252DEST_PATH_IMAGE036
为替换后的实体，
Figure 686539DEST_PATH_IMAGE037
为替换后的实体。例如，（张三，熟悉，word）可以被替换为（张三，熟悉，PPT）和/或（李四，熟悉，word）等，当替换后的向量不在集和S中存在时，可以将替换得到的向量作为集和
Figure 338100DEST_PATH_IMAGE038
中的一个向量。
通过公式，
Figure 648996DEST_PATH_IMAGE039
对知识图谱中的三元组进行处理，得到简化后的三元组；其中，
Figure 44205DEST_PATH_IMAGE040
用于表示
Figure 592998DEST_PATH_IMAGE041
和
Figure 681040DEST_PATH_IMAGE042
之间的间距，为常数，
Figure 948073DEST_PATH_IMAGE043
表示
Figure 146973DEST_PATH_IMAGE044
与
Figure 409327DEST_PATH_IMAGE045
的距离，
Figure 668270DEST_PATH_IMAGE046
表示
Figure 422600DEST_PATH_IMAGE047
与
Figure 159611DEST_PATH_IMAGE048
的距离。
分别提取简化后的三元组中的实体和关系，得到实体表示矩阵和关系表示矩阵。
在一些实施例中，在对知识图谱进行表示学习前，将一对多或多对一的三元组转化为一对一的三元组。例如，可以将（张三，熟悉，word）和（张三，熟悉，PPT）转化为（张三，熟悉，WP），WP表示word和PPT，对于WP的具体含义可以在表示学习前通过数据库存储，然后可以通过查表获得。
步骤130，基于求职者的求职历史和实体表示矩阵，确定求职者表示矩阵
Figure 682997DEST_PATH_IMAGE049
。在一些实施例中，步骤130可以由匹配模块330执行。
求职历史可以为求职者历史就业情况。例如，求职历史可以包括用户之前的就业岗位。求职者表示矩阵包括求职者的各种求职信息。关于确定求职者表示矩阵的更多内容，参见图2及其相关描述。
步骤140，基于实体表示矩阵，确定需求岗位表示矩阵
Figure 175158DEST_PATH_IMAGE050
。在一些实施例中，步骤140可以由匹配模块330执行。
需求岗位表示矩阵可以包括岗位的各种信息。关于确定需求岗位表示矩阵的更多内容，参见图2及其相关描述。
步骤150，基于求职者表示矩阵
Figure 151204DEST_PATH_IMAGE049
和需求岗位表示矩阵
Figure 691907DEST_PATH_IMAGE050
，得到求职者与需求岗位的匹配度。在一些实施例中，步骤150可以由匹配模块330执行。
在一些实施例中，匹配模块330可以通过各种数学分析算法或建模方法处理求职者表示矩阵
Figure 335378DEST_PATH_IMAGE049
和需求岗位表示矩阵
Figure 670544DEST_PATH_IMAGE050
，得到求职者与需求岗位的匹配度。关于得到求职者与需求岗位的匹配度的更多内容，参见图2及其相关描述。
步骤160，基于匹配度为求职者推荐岗位。在一些实施例中，步骤160可以由推荐模块340执行。
在一些实施例中，推荐模块340可以基于岗位的匹配度对岗位进行排序，然后按比例将匹配度高的岗位推荐给求职者。
在另一些实施例中，推荐模块340可以按行业对岗位进行分类，将不同类型的岗位按匹配度进行排序。根据用户的需求对不同类型的岗位分配推荐岗位个数，按匹配度的高低将多种类型的岗位推荐给求职者。例如，用户A需求客服和销售类的工作，推荐岗位为100个，根据用户A的历史点击情况，确定用户A对客服类工作的需求量为70%，对销售类工作的需求量为30%。因此，可以为用户A推荐排序靠前的70个客服岗位，和排序靠前的30个销售岗位。
在一些实施例中，可以从实体表示矩阵中提取用户历史就业情况和专业情况，以确定用户的需求。
在一些实施例中，对于求职者表示矩阵的相似度大于阈值的求职者，可以作为相同类型的求职者，并基于多个求职者表示矩阵确定联合求职者表示矩阵，基于联合求职者表示矩阵，为相同类型的求职者推荐岗位。
图2为本发明一些实施例提供的得到求职者与需求岗位的匹配度的示例性示意图。在一些实施例中，图2示意的流程200可以由匹配模块330执行。如图2所示，流程200可以包括以下步骤：
步骤210，第一LSTM模型基于求职者的简历输出求职者表示矩阵。
第一LSTM模型用于基于求职矩阵，得到求职者表示矩阵
Figure 461783DEST_PATH_IMAGE049
。
在一些实施例中，匹配模块330可以从实体表示矩阵中提取与求职者
Figure 540597DEST_PATH_IMAGE051
相关的求职三元组，基于求职三元组构建第一向量
Figure 38575DEST_PATH_IMAGE052
，
Figure 544642DEST_PATH_IMAGE052
可以代表求职者的特征，例如，
Figure 760860DEST_PATH_IMAGE052
可以包括求职者的技能、年龄、居住地、性别等特征。
基于求职历史，得到多个历史岗位
Figure 705682DEST_PATH_IMAGE053
，
Figure 58166DEST_PATH_IMAGE054
可以是指历史岗位的序号，例如，
Figure 714DEST_PATH_IMAGE055
可以是指历史岗位1。在一些实施例中，历史岗位可以从数据库中提取得到。其中，按时间升序对历史岗位进行排序，n为求职者就职过的岗位的总数。
基于多个历史岗位，从实体表示矩阵中分别提取与多个历史岗位相关的历史岗位三元组，基于历史岗位三元组构建第二向量
Figure 438649DEST_PATH_IMAGE056
，
Figure 859266DEST_PATH_IMAGE057
可以用于表示与对应历史岗位相关的实体的特征。例如，
Figure 597415DEST_PATH_IMAGE055
可以是文员，
Figure 445285DEST_PATH_IMAGE058
可以包括技能方面的要求word、ppt、ps，年龄方面的要求22-35等。例如，基于历史岗位获取岗位名称，从实体表示矩阵中提取岗位三元组。
将第一向量分别与第二向量进行拼接，得到求职者的求职矩阵
Figure 370516DEST_PATH_IMAGE059
。
将求职矩阵
Figure 594824DEST_PATH_IMAGE060
输入第一LSTM模型，模型输出隐状态
Figure 921900DEST_PATH_IMAGE061
，将
Figure 65305DEST_PATH_IMAGE049
作为求职者表示矩阵，其中，
Figure 477832DEST_PATH_IMAGE062
，d为随机初始化得到的值。
步骤220，第二LSTM模型基于需求岗位输出需求岗位表示矩阵。
第二LSTM模型用于基于第三向量，得到需求岗位表示矩阵
Figure 240252DEST_PATH_IMAGE050
。
在一些实施例中，匹配模块330可以从知识图谱中获取与需求岗位直接相连的需求实体
Figure 421834DEST_PATH_IMAGE063
，
Figure 877087DEST_PATH_IMAGE064
可以代表与对应需求岗位直接相连的多个实体的特征，例如，与需求岗位“文员”相连的需求实体可以包括word、ppt、ps等，若文员的需求实体为
Figure 839226DEST_PATH_IMAGE065
，则
Figure 405337DEST_PATH_IMAGE065
可以包括word、ppt、ps等在知识图谱中与“文员”直接相连的实体的特征。为需求岗位的总数，并基于需求实体从实体表示矩阵中提取与需求岗位相关的需求岗位三元组，基于需求岗位三元组构建第三向量
Figure 441426DEST_PATH_IMAGE066
，
Figure 67579DEST_PATH_IMAGE067
可以用于表示需求岗位三元组的特征，该需求岗位三元组的特征包括需求岗位的特征和对应的需求实体的特征。例如，对于需求岗位“文员”，不仅可以包括“文员”的技能要求、年龄要求，地区要求等，还包括要求的各种技能的熟练程度等。
将第三向量输入第二LSTM模型，模型输出需求岗位表示矩阵
Figure 454698DEST_PATH_IMAGE050
，其中，
Figure 558921DEST_PATH_IMAGE068
。
步骤230，将求职者表示矩阵
Figure 777412DEST_PATH_IMAGE049
和需求岗位表示矩阵
Figure 574467DEST_PATH_IMAGE050
输入注意力机制模型，模型输出求职者注意力向量和需求岗位注意力向量。
首先，计算一个相似度矩阵
Figure 183303DEST_PATH_IMAGE069
计算过程如下：
Figure 356795DEST_PATH_IMAGE070
其中，
Figure 429794DEST_PATH_IMAGE071
是一个可训练的转移矩阵，矩阵
Figure 397750DEST_PATH_IMAGE072
的阶数d通过随机初始化得到。
随后，将相似度矩阵视为一个特征，学习需求岗位信息和求职者历史信息的注意力图
Figure 493882DEST_PATH_IMAGE073
,
Figure 939906DEST_PATH_IMAGE074
，计算过程如下：
Figure 70673DEST_PATH_IMAGE075
其中，
Figure 475110DEST_PATH_IMAGE076
，
Figure 58538DEST_PATH_IMAGE077
是可训练的参数矩阵，矩阵
Figure 308254DEST_PATH_IMAGE076
，
Figure 293527DEST_PATH_IMAGE077
的阶数通过随机初始化得到，求职者的求职历史和需求岗位信息的注意力权重计算如下：
Figure 603286DEST_PATH_IMAGE078
其中，注意力权重
Figure 674010DEST_PATH_IMAGE079
，
Figure 789734DEST_PATH_IMAGE080
，
Figure 629514DEST_PATH_IMAGE081
是可训练的权重矩阵，矩阵
Figure 110174DEST_PATH_IMAGE082
的阶数k通过随机初始化得到。
将用户特征和职位特征加权和，计算出求职者注意力向量和需求岗位注意向量：
Figure 402615DEST_PATH_IMAGE083
其中，
Figure 259712DEST_PATH_IMAGE084
是
Figure 16316DEST_PATH_IMAGE085
中的第
Figure 667877DEST_PATH_IMAGE086
个值；
Figure 713193DEST_PATH_IMAGE087
是
Figure 108402DEST_PATH_IMAGE088
中的第
Figure 657196DEST_PATH_IMAGE086
个值；
Figure 807554DEST_PATH_IMAGE089
是
Figure 74587DEST_PATH_IMAGE090
中的第
Figure 7908DEST_PATH_IMAGE086
个值；。
Figure 676787DEST_PATH_IMAGE091
是
Figure 935730DEST_PATH_IMAGE092
中的第
Figure 486797DEST_PATH_IMAGE086
个值。
步骤240，将求职者注意力向量和需求岗位注意向量拼接在一起，预测职位匹配概率
Figure 754967DEST_PATH_IMAGE093
：
Figure 278353DEST_PATH_IMAGE094
其中，b的值通过随机初始化得到。
由于拥有过类似的历史工作经历或者有类似的技能，那很大概率会胜任新的工作，因此，本说明书中的一些实施例通过在职位匹配计算时，引入交叉注意力机制，使得提高了计算求职者和需求岗位的匹配度的精确度，为求职者推荐的岗位更符合求职者的自身需求。
图3为本发明一些实施例提供的一种实时岗位推荐系统的示例性模块图；如图3所示，系统300可以包括知识图谱构建模块310、表示矩阵生成模块320、匹配模块330和推荐模块340。
知识图谱构建模块310用于基于求职者的简历和需求岗位，构建知识图谱；所述简历为求职者的简历。关于知识图谱构建模块310的更多内容，参见图1及其相关描述。
表示矩阵生成模块320用于对知识图谱进行表示学习，得到实体表示矩阵和关系表示矩阵。关于表示矩阵生成模块320的更多内容，参见图1及其相关描述。
匹配模块330用于基于求职者表示矩阵
Figure 442618DEST_PATH_IMAGE049
和需求岗位表示矩阵
Figure 684243DEST_PATH_IMAGE050
，得到求职者与所述需求岗位的匹配度。关于匹配模块330的更多内容，参见图1及其相关描述。
在一些实施例中，匹配模块的功能通过匹配模型实现，匹配模型包括第一LSTM模型、第二LSTM模型和注意力机制模型；
第一LSTM模型用于基于求职者的求职历史和实体表示矩阵，确定求职者表示矩阵
Figure 224946DEST_PATH_IMAGE049
。关于第一LSTM模型的更多内容，参见图2及其相关描述。
第二LSTM模型用于基于实体表示矩阵，确定需求岗位表示矩阵
Figure 665155DEST_PATH_IMAGE050
。关于第二LSTM模型的更多内容，参见图2及其相关描述。
注意力机制模型用于基于求职者表示矩阵
Figure 265900DEST_PATH_IMAGE049
和需求岗位表示矩阵
Figure 729243DEST_PATH_IMAGE050
，得到匹配度。关于注意力机制模型的更多内容，参见图2及其相关描述。
推荐模块340用于基于匹配度为求职者推荐岗位。关于推荐模块340的更多内容，参见图1及其相关描述。
图4为本发明一些实施例提供的得到匹配模型的示例性示意图。如图4所示，图4示意的流程400包括以下步骤：
获取训练样本，训练样本包括样本求职者和样本需求岗位。其中，样本需求者和样本需求岗位可以通过提取数据库得到。
将训练样本输入初始匹配模型，基于模型的输出和标签调整初始匹配模型的参数，得到训练好的匹配模型；标签为样本求职者与样本需求岗位的匹配度。
标签可以基于样本求职者对样本需求岗位的操作得到。操作包括点击、投递和面试等。对于不同的操作样本匹配度可以不同。例如，可以将样本求职者点击需求岗位的操作的样本匹配度设置为30%；将样本求职者投递样本需求岗位的操作的样本匹配度设置为70%，将样本求职者面试需求岗位的操作的样本匹配度设置为90%。
在一些实施例中，还包括优化模块，优化模块用于获取求职者的求职记录，基于求职记录，获取求职者参与面试的岗位。
通过损失函数
Figure 73636DEST_PATH_IMAGE095
调整匹配模型的参数，优化匹配模型；其中，
Figure 571614DEST_PATH_IMAGE096
为匹配模型的输出；
Figure 77681DEST_PATH_IMAGE097
代表用户面试情况，N为用户接收到的面试的总次数。其中，用户为求职者。
本说明书中的一些实施例通过求职者的面试情况，优化匹配模型，可以更精确的为求职者推荐合适的岗位。
在一些实施例中，优化模块还用于，基于求职记录，获取求职者未选择的工作；基于未选择的工作，优化匹配模型。
例如，可以将求职者与未选择的工作的匹配度设置为0，然后将求职者和未选择的工作及其匹配度作为训练样本，优化匹配模型。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种实时岗位推荐方法，其特征在于，包括，
基于简历和需求岗位，构建知识图谱；所述简历为求职者的简历；
对所述知识图谱进行表示学习，得到实体表示矩阵和关系表示矩阵；
基于求职者的求职历史和所述实体表示矩阵，确定求职者表示矩阵
Figure 938888DEST_PATH_IMAGE001
；
基于所述实体表示矩阵，确定需求岗位表示矩阵
Figure 821393DEST_PATH_IMAGE002
；
基于所述求职者表示矩阵
Figure 173877DEST_PATH_IMAGE001
和所述需求岗位表示矩阵
Figure 913163DEST_PATH_IMAGE002
，得到所述求职者与所述需求岗位的匹配度；
基于所述匹配度为所述求职者推荐岗位。
2.根据权利要求1所述的实时岗位推荐方法，其特征在于，所述得到实体表示矩阵和关系表示矩阵，包括
将所述知识图谱中的三元组用向量
Figure 351098DEST_PATH_IMAGE003
表示，得到集和
Figure 37294DEST_PATH_IMAGE004
；其中，
Figure 244285DEST_PATH_IMAGE005
为实体，
Figure 357734DEST_PATH_IMAGE006
为关系，
Figure 345282DEST_PATH_IMAGE007
为与实体
Figure 569590DEST_PATH_IMAGE005
存在关系
Figure 896666DEST_PATH_IMAGE006
的另一实体；
将向量
Figure 181017DEST_PATH_IMAGE003
中的
Figure 327964DEST_PATH_IMAGE005
和/或
Figure 418280DEST_PATH_IMAGE008
进行替换，将替换后的集和中与所述集和
Figure 599863DEST_PATH_IMAGE004
重合的三元组删除，得到集和
Figure 55115DEST_PATH_IMAGE009
；所述集和
Figure 954938DEST_PATH_IMAGE009
中的三元组用向量
Figure 521048DEST_PATH_IMAGE010
表示；
Figure 619454DEST_PATH_IMAGE011
为替换后的实体，
Figure 245607DEST_PATH_IMAGE012
为替换后的实体，
Figure 367147DEST_PATH_IMAGE013
表示
Figure 736949DEST_PATH_IMAGE014
与
Figure 893124DEST_PATH_IMAGE007
的距离，
Figure 690178DEST_PATH_IMAGE015
表示
Figure 361331DEST_PATH_IMAGE016
与
Figure 269244DEST_PATH_IMAGE012
的距离；
通过公式，
Figure 279926DEST_PATH_IMAGE017
对知识图谱中的三元组进行处理，得到简化后的三元组；其中，
Figure 247882DEST_PATH_IMAGE018
用于表示
Figure 344014DEST_PATH_IMAGE019
和
Figure 117934DEST_PATH_IMAGE020
之间的间距，为常数；
分别提取所述简化后的三元组中的实体和关系，得到所述实体表示矩阵和所述关系表示矩阵。
3.根据权利要求1所述的实时岗位推荐方法，其特征在于，所述确定求职者表示矩阵
Figure 248702DEST_PATH_IMAGE021
，包括，
从所述实体表示矩阵中提取与所述求职者相关的求职三元组，基于所述求职三元组构建第一向量；
基于所述求职历史，得到多个历史岗位；
基于所述多个历史岗位，从所述实体表示矩阵中分别提取与所述多个历史岗位相关的历史岗位三元组，基于所述历史岗位三元组构建第二向量；
将所述第一向量分别与所述第二向量进行拼接，得到所述求职者的求职矩阵；
将所述求职矩阵输入第一LSTM模型，模型输出所述求职者表示矩阵
Figure 387559DEST_PATH_IMAGE021
。
4.根据权利要求1所述的实时岗位推荐方法，其特征在于，所述确定需求岗位表示矩阵
Figure 705408DEST_PATH_IMAGE022
，包括，
基于所述需求岗位，从所述知识图谱中获取与所述需求岗位直接向量的多个需求实体；
基于所述需求实体从所述实体表示矩阵中提取与所述需求岗位相关的需求岗位三元组，基于所述需求岗位三元组构建第三向量；
将所述第三向量输入第二LSTM模型，模型输出所述需求岗位表示矩阵。
5.根据权利要求1所述的实时岗位推荐方法，其特征在于，所述得到所述求职者与所述需求岗位的匹配度，包括，
通过交叉注意力机制对所述求职者表示矩阵
Figure 220703DEST_PATH_IMAGE021
和所述需求岗位表示矩阵
Figure 268293DEST_PATH_IMAGE022
进行处理，得到所述匹配度。
6.一种实时岗位推荐系统，其特征在于，包括知识图谱构建模块、表示矩阵生成模块、匹配模块和推荐模块；
所述知识图谱构建模块用于基于求职者的简历和需求岗位，构建知识图谱；所述简历为求职者的简历；
所述表示矩阵生成模块用于对所述知识图谱进行表示学习，得到实体表示矩阵和关系表示矩阵；
所述匹配模块用于基于所述求职者表示矩阵
Figure 578052DEST_PATH_IMAGE021
和所述需求岗位表示矩阵
Figure 383197DEST_PATH_IMAGE022
，得到所述求职者与所述需求岗位的匹配度；
所述推荐模块用于基于所述匹配度为所述求职者推荐岗位。
7.根据权利要求6所述的实时岗位推荐系统，其特征在于，所述匹配模块的功能通过匹配模型实现，所述匹配模型包括第一LSTM模型、第二LSTM模型和注意力机制模型；
所述第一LSTM模型用于基于求职者的求职历史和所述实体表示矩阵，确定求职者表示矩阵
Figure 436603DEST_PATH_IMAGE021
；
所述第二LSTM模型用于基于所述实体表示矩阵，确定需求岗位表示矩阵
Figure 276383DEST_PATH_IMAGE022
；
所述注意力机制模型用于基于所述求职者表示矩阵
Figure 819360DEST_PATH_IMAGE021
和所述需求岗位表示矩阵
Figure 377380DEST_PATH_IMAGE022
，得到所述匹配度。
8.根据权利要求7所述的实时岗位推荐系统，其特征在于，所述匹配模型通过训练样本训练初始匹配模型得到，包括，
获取训练样本，所述训练样本包括样本求职者和样本需求岗位，
将所述训练样本输入所述初始匹配模型，基于模型的输出和标签调整所述初始匹配模型的参数，得到训练好的匹配模型；所述标签为所述样本求职者与所述样本需求岗位的匹配度。
9.根据权利要求7所述的实时岗位推荐系统，其特征在于，还包括优化模块，所述优化模块用于，
获取所述求职者的求职记录，基于所述求职记录，获取所述求职者参与面试的岗位；
通过损失函数
Figure 968899DEST_PATH_IMAGE023
调整所述匹配模型的参数，优化所述匹配模型；其中，
Figure 928765DEST_PATH_IMAGE024
为匹配模型的输出；
Figure 580326DEST_PATH_IMAGE025
代表用户面试情况；
Figure 422380DEST_PATH_IMAGE026
为用户接收到的面试的总次数。
10.根据权利要求9所述的实时岗位推荐系统，其特征在于，所述优化模块还用于，
基于所述求职记录，获取所述求职者未选择的工作；
基于所述未选择的工作，优化所述匹配模型。
CN202211019772.0A 2022-08-24 2022-08-24 一种实时岗位推荐方法和系统 Active CN115098791B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211019772.0A CN115098791B (zh) 2022-08-24 2022-08-24 一种实时岗位推荐方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211019772.0A CN115098791B (zh) 2022-08-24 2022-08-24 一种实时岗位推荐方法和系统

Publications (2)

Publication Number Publication Date
CN115098791A true CN115098791A (zh) 2022-09-23
CN115098791B CN115098791B (zh) 2023-01-10

Family

ID=83301742

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211019772.0A Active CN115098791B (zh) 2022-08-24 2022-08-24 一种实时岗位推荐方法和系统

Country Status (1)

Country Link
CN (1) CN115098791B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118446662A (zh) * 2024-07-05 2024-08-06 杭州静嘉科技有限公司 基于数据融合的信息管理方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108920544A (zh) * 2018-06-13 2018-11-30 桂林电子科技大学 一种基于知识图谱的个性化职位推荐方法
US20200184339A1 (en) * 2018-12-10 2020-06-11 Baidu Usa Llc Representation learning for input classification via topic sparse autoencoder and entity embedding
CN111737485A (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、人岗匹配系统
CN113723853A (zh) * 2021-09-08 2021-11-30 中国工商银行股份有限公司 岗位胜任力需求数据处理方法及装置
CN113779264A (zh) * 2021-08-29 2021-12-10 北京工业大学 基于专利供需知识图谱的交易推荐方法
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
US11373146B1 (en) * 2021-06-30 2022-06-28 Skyhive Technologies Inc. Job description generation based on machine learning
CN114722182A (zh) * 2022-03-04 2022-07-08 中国人民大学 一种基于知识图谱的在线课推荐方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108920544A (zh) * 2018-06-13 2018-11-30 桂林电子科技大学 一种基于知识图谱的个性化职位推荐方法
US20200184339A1 (en) * 2018-12-10 2020-06-11 Baidu Usa Llc Representation learning for input classification via topic sparse autoencoder and entity embedding
CN111737485A (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、人岗匹配系统
US11373146B1 (en) * 2021-06-30 2022-06-28 Skyhive Technologies Inc. Job description generation based on machine learning
CN113779264A (zh) * 2021-08-29 2021-12-10 北京工业大学 基于专利供需知识图谱的交易推荐方法
CN113723853A (zh) * 2021-09-08 2021-11-30 中国工商银行股份有限公司 岗位胜任力需求数据处理方法及装置
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
CN114722182A (zh) * 2022-03-04 2022-07-08 中国人民大学 一种基于知识图谱的在线课推荐方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CHEN ZHU等: "Person-Job Fit: Adapting the Right Talent for the Right Job with Joint Representation Learning", 《ACM TRANSACTIONS ON MANAGEMENT INFORMATION SYSTEMS》 *
吴玺煜等: "基于知识图谱表示学习的协同过滤推荐算法", 《计算机工程》 *
文峰等: "基于知识图谱的推荐算法研究", 《沈阳理工大学学报》 *
李传龙: "基于知识图谱的个性化职位推荐算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118446662A (zh) * 2024-07-05 2024-08-06 杭州静嘉科技有限公司 基于数据融合的信息管理方法及系统

Also Published As

Publication number Publication date
CN115098791B (zh) 2023-01-10

Similar Documents

Publication Publication Date Title
Kokkodis et al. Reputation transferability in online labor markets
US20230368090A1 (en) Talent platform exchange and recruiter matching system
US11301884B2 (en) Seed population diffusion method, device, information delivery system and storage medium
CN110070391B (zh) 数据处理方法、装置、计算机可读介质及电子设备
CN102542012B (zh) 分类搜索查询的结果
CN107993019B (zh) 一种简历评估方法及装置
CN107507016A (zh) 一种消息推送方法和系统
WO2019072128A1 (zh) 对象识别方法及其系统
Varshney et al. Predicting employee expertise for talent management in the enterprise
US20110313863A1 (en) Systems and Methods for Opportunity-Based Services
US20170308913A1 (en) Drill-down approach to providing data about entities in a social graph
CN113706251B (zh) 基于模型的商品推荐方法、装置、计算机设备和存储介质
Fuge et al. Automatically inferring metrics for design creativity
US20170308806A1 (en) Using machine learning techniques to determine propensities of entities identified in a social graph
CN115098791B (zh) 一种实时岗位推荐方法和系统
US20230316106A1 (en) Method and apparatus for training content recommendation model, device, and storage medium
Jonathan et al. Sentiment analysis of customer reviews in zomato bangalore restaurants using random forest classifier
CN115222433A (zh) 一种信息推荐方法、装置及存储介质
CN114862506B (zh) 一种基于深度强化学习的金融产品推荐方法
CN106294676A (zh) 一种电子商务政务系统的数据检索方法
CN108182512B (zh) 一种简历评估方法及装置
CN111143533A (zh) 一种基于用户行为数据的客服方法及系统
CN110929169A (zh) 基于改进Canopy聚类协同过滤算法的职位推荐方法
CN117807452A (zh) 一种基于目标匹配的排序方法、装置、设备及存储介质
CN108009735B (zh) 一种简历评估方法及装置

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