CN115098791B - 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
CN115098791B
CN115098791B CN202211019772.0A CN202211019772A CN115098791B CN 115098791 B CN115098791 B CN 115098791B CN 202211019772 A CN202211019772 A CN 202211019772A CN 115098791 B CN115098791 B CN 115098791B
Authority
CN
China
Prior art keywords
representation matrix
job
matrix
entity
matching
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.)
Active
Application number
CN202211019772.0A
Other languages
English (en)
Other versions
CN115098791A (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)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Computational Linguistics (AREA)
  • Algebra (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (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 657965DEST_PATH_IMAGE001
；基 于所述实体表示矩阵，确定需求岗位表示矩阵
Figure 270212DEST_PATH_IMAGE002
；基于所述求职者表示矩阵
Figure 964629DEST_PATH_IMAGE001
和所述需 求岗位表示矩阵
Figure 727049DEST_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 439790DEST_PATH_IMAGE003
表示，得到集合
Figure 160622DEST_PATH_IMAGE004
；其中，
Figure 857182DEST_PATH_IMAGE005
为实体，
Figure 705184DEST_PATH_IMAGE006
为关系，
Figure 538010DEST_PATH_IMAGE007
为与实体
Figure 429743DEST_PATH_IMAGE008
存在关 系
Figure 348020DEST_PATH_IMAGE006
的另一实体；将向量
Figure 999713DEST_PATH_IMAGE009
中的
Figure 624729DEST_PATH_IMAGE010
和/或
Figure 749680DEST_PATH_IMAGE011
进行替换，将替换后的集合中与所述集 合
Figure 92937DEST_PATH_IMAGE012
重合的三元组删除，得到集合
Figure 797587DEST_PATH_IMAGE013
；所述集合
Figure 90160DEST_PATH_IMAGE013
中的三元组用向量
Figure 854853DEST_PATH_IMAGE014
表示；
Figure 482144DEST_PATH_IMAGE015
为替换后的实体，
Figure 928169DEST_PATH_IMAGE016
为替换后的实体，
Figure 324515DEST_PATH_IMAGE017
表示
Figure 745263DEST_PATH_IMAGE018
与
Figure 859850DEST_PATH_IMAGE007
的距离，
Figure 640724DEST_PATH_IMAGE019
表示
Figure 422735DEST_PATH_IMAGE020
与
Figure 14384DEST_PATH_IMAGE021
的距离；通过公式，
Figure 616267DEST_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 404094DEST_PATH_IMAGE023
用于表示
Figure 775033DEST_PATH_IMAGE003
和
Figure 786851DEST_PATH_IMAGE014
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 361183DEST_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 15018DEST_PATH_IMAGE001
。
进一步的，所述确定需求岗位表示矩阵
Figure 443726DEST_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 626445DEST_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 202920DEST_PATH_IMAGE001
和所述需求岗位表示矩阵
Figure 12696DEST_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 30330DEST_PATH_IMAGE001
和所述需求岗位表示矩阵
Figure 711847DEST_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 447722DEST_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 725251DEST_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 597392DEST_PATH_IMAGE001
和 所述需求岗位表示矩阵
Figure 449810DEST_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 469719DEST_PATH_IMAGE024
调整所述匹配模型的参数，优化所述匹配模型；其中，
Figure 675572DEST_PATH_IMAGE025
为匹配模型的输出；
Figure 277586DEST_PATH_IMAGE026
代表用户面试情况，
Figure 176272DEST_PATH_IMAGE027
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 745793DEST_PATH_IMAGE003
表示，得到集合
Figure 755338DEST_PATH_IMAGE004
；其中，
Figure 743016DEST_PATH_IMAGE028
为实体，
Figure 343762DEST_PATH_IMAGE029
为 关系，
Figure 541525DEST_PATH_IMAGE030
为
Figure 213815DEST_PATH_IMAGE028
与实体存在关系
Figure 180634DEST_PATH_IMAGE029
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 30909DEST_PATH_IMAGE003
中的
Figure 715969DEST_PATH_IMAGE028
和/或t进行替换，将替换后的集合中与集合
Figure 926370DEST_PATH_IMAGE004
重合的三 元组删除，得到集合
Figure 747696DEST_PATH_IMAGE031
，集合
Figure 34452DEST_PATH_IMAGE031
中的三元组用向量
Figure 941228DEST_PATH_IMAGE032
表示，
Figure 220899DEST_PATH_IMAGE033
为替换后的实体，
Figure 162311DEST_PATH_IMAGE034
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合S中存在时，可以将替换得到的向量作为集合
Figure 88809DEST_PATH_IMAGE035
中 的一个向量。
通过公式，
Figure 482882DEST_PATH_IMAGE036
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 566244DEST_PATH_IMAGE037
用于表示
Figure 362162DEST_PATH_IMAGE003
和
Figure 990720DEST_PATH_IMAGE032
之间的间距，为常数，
Figure 606510DEST_PATH_IMAGE038
表示
Figure 962404DEST_PATH_IMAGE039
与
Figure 612829DEST_PATH_IMAGE040
的距离，
Figure 412289DEST_PATH_IMAGE041
表示
Figure 780953DEST_PATH_IMAGE042
与
Figure 940539DEST_PATH_IMAGE043
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 711049DEST_PATH_IMAGE001
。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 681410DEST_PATH_IMAGE002
。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 537371DEST_PATH_IMAGE001
和需求岗位表示矩阵
Figure 235068DEST_PATH_IMAGE002
，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 594505DEST_PATH_IMAGE001
和需求岗位表示矩阵
Figure 735768DEST_PATH_IMAGE002
，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 813445DEST_PATH_IMAGE001
。
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 580413DEST_PATH_IMAGE044
相关的求 职三元组，基于求职三元组构建第一向量
Figure 59936DEST_PATH_IMAGE045
，
Figure 372100DEST_PATH_IMAGE045
可以代表求职者的特征，例如，
Figure 937073DEST_PATH_IMAGE045
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 976573DEST_PATH_IMAGE046
，
Figure 576182DEST_PATH_IMAGE047
可以是指历史岗 位的序号，例如，
Figure 59247DEST_PATH_IMAGE048
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 111517DEST_PATH_IMAGE049
，
Figure 954708DEST_PATH_IMAGE050
可以用于 表示与对应历史岗位相关的实体的特征。例如，
Figure 408823DEST_PATH_IMAGE048
可以是文员，
Figure 62789DEST_PATH_IMAGE051
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 602355DEST_PATH_IMAGE052
。
将求职矩阵
Figure 514816DEST_PATH_IMAGE053
输入第一LSTM模型，模型输出隐状态
Figure 823438DEST_PATH_IMAGE054
，将
Figure 648305DEST_PATH_IMAGE001
作为求职者表示矩阵，其中，
Figure 409588DEST_PATH_IMAGE055
，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 860161DEST_PATH_IMAGE002
。
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 23289DEST_PATH_IMAGE056
，
Figure 753479DEST_PATH_IMAGE057
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 267637DEST_PATH_IMAGE058
，则
Figure 256321DEST_PATH_IMAGE058
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 273956DEST_PATH_IMAGE059
，
Figure 706205DEST_PATH_IMAGE060
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 442080DEST_PATH_IMAGE002
，其中，
Figure 968876DEST_PATH_IMAGE061
。
步骤230，将求职者表示矩阵
Figure 106597DEST_PATH_IMAGE001
和需求岗位表示矩阵
Figure 709747DEST_PATH_IMAGE002
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 667339DEST_PATH_IMAGE062
计算过程如下：
Figure 263406DEST_PATH_IMAGE063
其中，
Figure 52370DEST_PATH_IMAGE064
是一个可训练的转移矩阵，矩阵
Figure 685477DEST_PATH_IMAGE065
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 5731DEST_PATH_IMAGE066
,
Figure 15275DEST_PATH_IMAGE067
，计算过程如下：
Figure 986642DEST_PATH_IMAGE068
其中，
Figure 56229DEST_PATH_IMAGE069
，
Figure 863779DEST_PATH_IMAGE070
是可训练的参数矩阵，矩阵
Figure 677015DEST_PATH_IMAGE069
，
Figure 768467DEST_PATH_IMAGE070
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 743377DEST_PATH_IMAGE071
其中，注意力权重
Figure 225174DEST_PATH_IMAGE072
，
Figure 451887DEST_PATH_IMAGE073
，
Figure 273212DEST_PATH_IMAGE074
是可训练的权 重矩阵，矩阵
Figure 278077DEST_PATH_IMAGE075
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 184853DEST_PATH_IMAGE076
其中，
Figure 215257DEST_PATH_IMAGE077
是
Figure 891089DEST_PATH_IMAGE078
中的第
Figure 598014DEST_PATH_IMAGE079
个值；
Figure 992086DEST_PATH_IMAGE080
是
Figure 481974DEST_PATH_IMAGE081
中的第
Figure 153258DEST_PATH_IMAGE079
个值；
Figure 906450DEST_PATH_IMAGE082
是
Figure 646873DEST_PATH_IMAGE083
中的第
Figure 878134DEST_PATH_IMAGE079
个值；。
Figure 403924DEST_PATH_IMAGE084
是
Figure 124756DEST_PATH_IMAGE085
中的第
Figure 493420DEST_PATH_IMAGE079
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 653006DEST_PATH_IMAGE086
：
Figure 157937DEST_PATH_IMAGE087
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 331560DEST_PATH_IMAGE001
和需求岗位表示矩阵
Figure 46575DEST_PATH_IMAGE002
，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 885218DEST_PATH_IMAGE001
。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 385601DEST_PATH_IMAGE002
。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 448235DEST_PATH_IMAGE001
和需求岗位表示矩阵
Figure 525912DEST_PATH_IMAGE002
，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 27301DEST_PATH_IMAGE088
调整匹配模型的参数，优化匹配模型；其中，
Figure 241244DEST_PATH_IMAGE089
为匹配模型的输出；
Figure 553408DEST_PATH_IMAGE090
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 (9)

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 954854DEST_PATH_IMAGE001
；
基于所述实体表示矩阵，确定需求岗位表示矩阵
Figure 923947DEST_PATH_IMAGE002
；
基于所述求职者表示矩阵
Figure 141302DEST_PATH_IMAGE001
和所述需求岗位表示矩阵
Figure 145030DEST_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；
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 540370DEST_PATH_IMAGE003
表示，得到集合
Figure 996759DEST_PATH_IMAGE004
；其中，
Figure 752226DEST_PATH_IMAGE005
为实体，
Figure 813723DEST_PATH_IMAGE006
为关 系，
Figure 363653DEST_PATH_IMAGE007
为与实体
Figure 58070DEST_PATH_IMAGE005
存在关系
Figure 617228DEST_PATH_IMAGE006
的另一实体；
将向量
Figure 329969DEST_PATH_IMAGE003
中的
Figure 316379DEST_PATH_IMAGE005
和
Figure 498093DEST_PATH_IMAGE007
进行替换，将替换后的集合中与所述集合
Figure 595362DEST_PATH_IMAGE004
重合的三元组 删除，得到集合
Figure 428189DEST_PATH_IMAGE008
；所述集合
Figure 788763DEST_PATH_IMAGE008
中的三元组用向量
Figure 441461DEST_PATH_IMAGE009
表示；
Figure 93154DEST_PATH_IMAGE010
为替换后的实体，
Figure 46066DEST_PATH_IMAGE011
为替换后的实体，
Figure 374279DEST_PATH_IMAGE012
表示
Figure 514274DEST_PATH_IMAGE013
与
Figure 704078DEST_PATH_IMAGE007
的距离，
Figure 245917DEST_PATH_IMAGE014
表示
Figure 948294DEST_PATH_IMAGE015
与
Figure 575585DEST_PATH_IMAGE011
的距离；
通过公式，
Figure 818347DEST_PATH_IMAGE016
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 965426DEST_PATH_IMAGE017
用于表示
Figure 901021DEST_PATH_IMAGE003
和
Figure 15607DEST_PATH_IMAGE009
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。
2.根据权利要求1所述的实时岗位推荐方法，其特征在于，所述确定求职者表示矩阵
Figure 62061DEST_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 63646DEST_PATH_IMAGE001
。
3.根据权利要求1所述的实时岗位推荐方法，其特征在于，所述确定需求岗位表示矩阵
Figure 107825DEST_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。
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 506446DEST_PATH_IMAGE001
和所述需求岗位表示矩阵
Figure 91011DEST_PATH_IMAGE002
进行处 理，得到所述匹配度。
5.一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 665212DEST_PATH_IMAGE001
和所述需求岗位表示矩阵
Figure 427762DEST_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；
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 782520DEST_PATH_IMAGE003
表示，得到集合
Figure 905197DEST_PATH_IMAGE004
；其中，
Figure 130642DEST_PATH_IMAGE005
为实体，
Figure 782203DEST_PATH_IMAGE006
为关 系，
Figure 843831DEST_PATH_IMAGE007
为与实体
Figure 770199DEST_PATH_IMAGE005
存在关系
Figure 381309DEST_PATH_IMAGE006
的另一实体；
将向量
Figure 734930DEST_PATH_IMAGE003
中的
Figure 260417DEST_PATH_IMAGE005
和
Figure 990475DEST_PATH_IMAGE007
进行替换，将替换后的集合中与所述集合
Figure 190512DEST_PATH_IMAGE004
重合的三元组 删除，得到集合
Figure 918297DEST_PATH_IMAGE008
；所述集合
Figure 203785DEST_PATH_IMAGE008
中的三元组用向量
Figure 488267DEST_PATH_IMAGE009
表示；
Figure 542810DEST_PATH_IMAGE010
为替换后的实体，
Figure 503813DEST_PATH_IMAGE011
为替换后的实体，
Figure 276597DEST_PATH_IMAGE012
表示
Figure 286141DEST_PATH_IMAGE013
与
Figure 211503DEST_PATH_IMAGE007
的距离，
Figure 77828DEST_PATH_IMAGE014
表示
Figure 337908DEST_PATH_IMAGE015
与
Figure 947881DEST_PATH_IMAGE011
的距离；
通过公式，
Figure 727749DEST_PATH_IMAGE016
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 827292DEST_PATH_IMAGE017
用于表示
Figure 43510DEST_PATH_IMAGE003
和
Figure 739065DEST_PATH_IMAGE009
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。
6.根据权利要求5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 419445DEST_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 643884DEST_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 612977DEST_PATH_IMAGE001
和所述需求岗位表示矩阵
Figure 564752DEST_PATH_IMAGE002
， 得到所述匹配度。
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。
8.根据权利要求6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 568480DEST_PATH_IMAGE018
调整所述匹配模型的参数，优化所述匹配模型；其中，
Figure 416351DEST_PATH_IMAGE019
为匹配模型的输出；
Figure 623472DEST_PATH_IMAGE020
代表用 户面试情况；
Figure 644518DEST_PATH_IMAGE021
为用户接收到的面试的总次数。
9.根据权利要求8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 CN115098791A (zh) 2022-09-23
CN115098791B true 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)

Citations (5)

* 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
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

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11615311B2 (en) * 2018-12-10 2023-03-28 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

Patent Citations (5)

* 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
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
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
Person-Job Fit: Adapting the Right Talent for the Right Job with Joint Representation Learning;Chen Zhu等;《ACM Transactions on Management Information Systems》;20190926;第09卷(第03期);1-17 *
基于知识图谱的个性化职位推荐算法研究;李传龙;《中国优秀硕士学位论文全文数据库信息科技辑》;20210915(第09期);I138-730 *
基于知识图谱的推荐算法研究;文峰等;《沈阳理工大学学报》;20211210;第40卷(第06期);13-17 *
基于知识图谱表示学习的协同过滤推荐算法;吴玺煜等;《计算机工程》;20170421(第02期);232-238+269 *

Also Published As

Publication number Publication date
CN115098791A (zh) 2022-09-23

Similar Documents

Publication Publication Date Title
US11301884B2 (en) Seed population diffusion method, device, information delivery system and storage medium
Kokkodis et al. Reputation transferability in online labor markets
US11720834B2 (en) Talent platform exchange and recruiter matching system
CN107958317B (zh) 一种众包项目中选取众包参与人的方法和装置
CN102542012B (zh) 分类搜索查询的结果
CN110070391B (zh) 数据处理方法、装置、计算机可读介质及电子设备
CN109087178A (zh) 商品推荐方法和装置
Varshney et al. Predicting employee expertise for talent management in the enterprise
EP2960849A1 (en) Method and system for recommending an item to a user
US11487947B2 (en) Machine learning techniques for analyzing textual content
KR101914620B1 (ko) 빅데이터 및 기계학습을 이용한 자동 분개 수행 방법 및 이를 실현하는 서버
Fuge et al. Automatically inferring metrics for design creativity
US20170308913A1 (en) Drill-down approach to providing data about entities in a social graph
US20170308806A1 (en) Using machine learning techniques to determine propensities of entities identified in a social graph
Ye et al. Crowdrec: Trust-aware worker recommendation in crowdsourcing environments
Jonathan et al. Sentiment analysis of customer reviews in zomato bangalore restaurants using random forest classifier
CN115062732A (zh) 基于大数据用户标签信息的资源共享合作推荐方法及系统
CN114330752A (zh) 排序模型训练方法和排序方法
CN111429161B (zh) 特征提取方法、特征提取装置、存储介质及电子设备
CN110929169A (zh) 基于改进Canopy聚类协同过滤算法的职位推荐方法
CN110737837A (zh) ResearchGate平台下基于多维特征的科研合作者推荐方法
US20230316106A1 (en) Method and apparatus for training content recommendation model, device, and storage medium
CN113283795A (zh) 基于二分类模型的数据处理方法及装置、介质、设备
CN115098791B (zh) 一种实时岗位推荐方法和系统
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