CN115186151A - 简历筛选方法、装置、设备及存储介质 - Google Patents

Abstract

本申请涉及人工智能和智能决策领域，具体公开了一种简历筛选方法、装置、设备及存储介质，所述方法包括：获取待匹配简历和所述待匹配简历对应的投递岗位，并确定所述投递岗位对应的岗位类别；根据所述岗位类别从预先构建的关联规则集中确定所述投递岗位对应的岗位规则；对所述待匹配简历进行内容识别，得到所述待匹配简历对应的简历标签；根据所述简历标签和所述岗位规则对所述待匹配简历进行打分，得到所述待匹配简历的得分，并根据所述待匹配简历的得分对所述待匹配简历进行筛选。能够实现待匹配简历与投递岗位之间的匹配度的自动计算，进而实现对待匹配简历的筛选，提高简历筛选的效率。

Description

简历筛选方法、装置、设备及存储介质

技术领域

本申请涉及人工智能领域，尤其涉及一种简历筛选方法、装置、设备及存储介质。

背景技术

随着电子信息和网络技术的快速发展，目前在招聘求职方面大多已经实现了电子化。企业将需要进行招聘的工作岗位的岗位信息在网络上进行发布，当求职者想要应聘某一工作岗位时，可以对该工作岗位进行电子简历的投递，企业在接收到求职者投递的简历后，由招聘人员对接收到的电子简历进行筛选，从中选择出合适的简历。但现有技术中在对电子简历进行筛选时，大多是通过人工的方式进行筛选，这种方式往往需要花费大量的时间，效率低下。

发明内容

本申请提供了一种简历筛选方法、装置、设备及存储介质，以实现对待匹配简历的筛选，提高简历筛选的效率。

第一方面，本申请提供了一种简历筛选方法，所述方法包括：

获取待匹配简历和所述待匹配简历对应的投递岗位，并确定所述投递岗位对应的岗位类别；

根据所述岗位类别从预先构建的关联规则集中确定所述投递岗位对应的岗位规则；

对所述待匹配简历进行内容识别，得到所述待匹配简历对应的简历标签；

根据所述简历标签和所述岗位规则对所述待匹配简历进行打分，得到所述待匹配简历的得分，并根据所述待匹配简历的得分对所述待匹配简历进行筛选。

第二方面，本申请还提供了一种简历筛选装置，所述装置包括：

简历获取模块，用于获取待匹配简历和所述待匹配简历对应的投递岗位，并确定所述投递岗位对应的岗位类别；

规则确定模块，用于根据所述岗位类别从预先构建的关联规则集中确定所述投递岗位对应的岗位规则；

简历识别模块，用于对所述待匹配简历进行内容识别，得到所述待匹配简历对应的简历标签；

简历筛选模块，用于根据所述简历标签和所述岗位规则对所述待匹配简历进行打分，得到所述待匹配简历的得分，并根据所述待匹配简历的得分对所述待匹配简历进行筛选。

第三方面，本申请还提供了一种计算机设备，所述计算机设备包括存储器和处理器；所述存储器用于存储计算机程序；所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如上述的简历筛选方法。

第四方面，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如上述的简历筛选方法。

本申请公开了一种简历筛选方法、装置、设备及存储介质，通过获取待匹配简历和待匹配简历对应的投递岗位，并确定投递岗位对应的岗位类别，然后根据岗位类别从预先构建的关联规则集中确定投递岗位对应的岗位规则，再对待匹配简历进行内容识别，得到待匹配简历对应的简历标签，最后根据简历标签和岗位规则对待匹配简历进行打分，得到待匹配简历的得分，并根据待匹配简历的得分对待匹配简历进行筛选。能够实现待匹配简历与投递岗位之间的匹配度的自动计算，进而实现对待匹配简历的筛选，提高简历筛选的效率。

附图说明

为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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是本申请实施例提供的简历筛选方法的步骤示意流程图；

图2是本申请实施例提供的确定岗位类别的步骤示意流程图；

图3是本申请实施例提供的对待匹配简历的简历进行内容识别的步骤示意流程图；

图4是本申请实施例提供的挖掘关联规则的步骤示意流程图；

图5为本申请实施例提供的一种简历筛选装置的示意性框图；

图6为本申请一实施例提供的一种计算机设备的结构示意性框图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。

应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

本申请的实施例提供了一种简历筛选方法、装置、计算机设备及存储介质。简历筛选方法可用于企业对求职者的简历进行自动匹配和筛选，从而为企业过滤掉一些不符合企业招聘要求的简历，能够提高简历筛选的效率，减少企业在进行简历筛选时的工作量。

下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。

请参阅图1，图1是本申请实施例提供的一种简历筛选方法的示意流程图。该简历筛选方法获取待匹配简历和待匹配简历所对应的投递岗位，然后确定投递岗位的岗位类别，根据岗位类别选择相应的岗位规则来对待匹配简历进行打分，能够实现待匹配简历与投递岗位之间的匹配度的自动计算，进而实现对待匹配简历的筛选，提高简历筛选的效率。

如图1所示，该简历筛选方法，具体包括：步骤S101至步骤S104。

S101、获取待匹配简历和所述待匹配简历对应的投递岗位，并确定所述投递岗位对应的岗位类别。

当接收到求职者所投递的简历时，获取该待匹配简历以及该待匹配简历所投递的投递岗位，例如，当求职者基于专利代理人一职投递简历后，当接收到该求职者的简历后，待匹配简历即为该求职者的简历，投递岗位即为专利代理人。

然后确定投递岗位所对应的岗位类别。由于对于一些具有相同职能的岗位，各个企业或者个人可能有不同的叫法，例如，对于专利工程师一职，有的企业或个人会将其叫做专利IP，两者的工作内容相似，但岗位名称不同。因此，可以设置岗位类别将同一职能的岗位进行归类，以避免职能相同而岗位名称不同导致无法进行简历匹配。在具体实施过程中，岗位类别可根据不同企业来进行自定义的设计。

在具体实施过程中，可以获取本企业或招聘产品上已发布或准备发布的历史岗位名称，对于每个历史岗位名称所对应的工作内容或岗位职责进行语义识别，从而得到每个历史岗位名称所对应的岗位标签，根据岗位标签对历史岗位名称进行分类，得到多个岗位类别。

在一实施例中，请参阅图2，图2是本申请实施例提供的确定岗位类别的步骤示意流程图。所述确定所述投递岗位对应的岗位类别的步骤可以包括：S1011、对所述投递岗位的岗位信息进行语义识别，得到所述投递岗位对应的岗位标签；S1012、根据所述岗位标签确定所述投递岗位对应的岗位类别。

在确定投递岗位后，获取投递岗位所对应的岗位信息，岗位信息例如可以是该岗位的工作内容或岗位职责。然后对该投递岗位的岗位信息进行语义识别，得到投递岗位所对应的岗位标签。其中，岗位标签可以是律师、诉讼、笔译、情绪疏导等与岗位的工作内容相关的标签。一个投递岗位可以对应至少一个岗位标签。

在确定出岗位标签后，根据岗位标签来确定投递岗位的岗位类别。岗位类别可以是预先设置好的，每个岗位类别都包括至少一个岗位标签，例如岗位类别为A的岗位对应有a岗位标签和b岗位标签。在得到投递岗位对应的岗位标签后，根据投递岗位的岗位标签对岗位类别对应的岗位标签进行匹配，从而得到投递岗位对应的岗位类别。

在具体实施过程中，可以获取每个岗位类别所对应岗位标签的权重，通过岗位标签对应的权重与投递岗位的岗位标签，来计算投递岗位与岗位类别的匹配得分，从而根据匹配度得分来确定该投递岗位所对应的岗位类别。

S102、根据所述岗位类别从预先构建的关联规则集中确定所述投递岗位对应的岗位规则。

在确定出岗位类别后，根据岗位类别从预先构建的关联规则集中确定出投递岗位所对应的岗位规则。其中，预先构建的关联规则集中的关联规则都是与不同的岗位类别相关联的关联规则，从而避免职能相同而岗位名称不同导致关联规则集中的关联规则数量过多，使得在进行简历筛选时的速度变慢。在建立关联规则时，根据不同的岗位类别来建立，能够使预先构建的关联规则集中的关联规则在保证覆盖面的前提下减少数量，从而提高在选择岗位规则时的速度，进而提高简历筛选速度。

例如，岗位类别包括A类、B类和C类，预先构建的关联规则集中包括A类对应的关联规则，B类对应的关联规则和C类对应的关联规则。当岗位类别为A类时，根据该岗位类别从预先构建的关联规则集中确定与A类相对应的关联规则，这些A类对应的关联规则即为投递岗位所对应的岗位规则。

S103、对所述待匹配简历进行内容识别，得到所述待匹配简历对应的简历标签。

对待匹配简历进行内容识别，通常来说，待匹配简历中至少包括求职者的基本信息和工作经历两个部分。其中，求职者的基本信息可以包括求职者的姓名、年龄、性别、学历和联系方式等，有些还会包括婚育情况和毕业院校等其他信息。工作经历则可以包括工作年限、工作公司、在工作公司内曾任职位以及工作内容。

对待匹配简历进行内容识别，从而得到待匹配简历所对应的简历标签。其中，简历标签用于表示待匹配简历中的基本信息和工作经历。一个待匹配简历可以对应多个简历标签。

在一实施例中，请参阅图3，图3是本申请实施例提供的对待匹配简历的简历进行内容识别的步骤示意流程图。所述对所述待匹配简历进行内容识别，得到所述待匹配简历对应的简历标签的步骤可以包括：S1031、对所述待匹配简历的简历内容进行语义识别，得到所述待匹配简历的第一标签；S1032、对所述待匹配简历的简历内容进行关键词提取，得到所述待匹配简历的第二标签，合并所述第一标签和所述第二标签，得到所述待匹配简历对应的简历标签。

对待匹配简历的简历内容进行语义识别，在具体实施过程中，语义识别的对象主要是待匹配简历中的工作经历。由于工作经历这部分的内容是由求职者自己填写，自由度较高，因此通过语义识别可以根据不同的工作经历来得到不同的第一标签。例如工作经历所对应的第一标签为诉讼、软件开发、JAVA等。

对待匹配简历的简历内容进行关键词提取，在具体实施过程中，关键词提取的对象主要是待匹配简历中的基本信息。由于基本信息这部分的内容相对确定，有相对规范的格式，因此使用关键词提取就可以快速的提取出该待匹配简历的第二标签，例如基本信息所对应的第二标签为硕士、本科、大专等。

然后将得到的第一标签和第二标签进行合并，即可得到待匹配简历所对应的简历标签。

S104、根据所述简历标签和所述岗位规则对所述待匹配简历进行打分，得到所述待匹配简历的得分，并根据所述待匹配简历的得分对所述待匹配简历进行筛选。

在得到简历标签后，根据简历标签和岗位规则对该待匹配简历进行打分，从而得到待匹配简历的得分，然后根据待匹配简历的得分对待匹配简历进行筛选。在具体实施过程中，可以认为得分大于预设分值的待匹配简历与该投递岗位的匹配度较高，将这些得分大于预设分值的待匹配简历筛选出来推送给企业。另外，在推送时，可以按照得分的高低对待匹配简历进行排序，按照顺序将这些筛选出的简历推送给企业。

在一实施例中，所述岗位规则中包括至少一个简历规则标签；所述根据所述岗位规则和所述岗位标签对所述待匹配简历进行打分的步骤可以包括：获取所述岗位规则中至少一个所述简历规则标签对应的权重；根据所述简历标签和至少一个所述简历规则标签对应的权重对所述待匹配简历进行打分。

岗位规则中包括至少一个简历规则标签，分别获取各个简历规则标签所对应的权重，然后将待匹配简历的简历标签与岗位规则中的各个简历规则标签进行匹配，并按照简历规则标签所对应的权重进行打分，从而得到待匹配简历的得分。

例如，对于一岗位规则，其可能包括a简历规则标签、b简历规则标签、c简历规则标签和d简历规则标签，a简历规则标签、b简历规则标签、c简历规则标签和d简历规则标签各自的权重依次分别为20％、20％、30％、30％。待匹配简历的简历标签为a简历标签和d简历标签。那么在对待匹配简历进行打分时，则为0*20％+100*20％+0*30％+100*30％＝50，该待匹配简历的得分为50分。

在一实施例中，该简历筛选方法还可以包括挖掘关联规则的过程，将挖掘出的关联规则的集合作为预先构建的关联规则集，参与对待匹配简历的简历打分和筛选。

如图4所示，图4是本申请实施例提供的挖掘关联规则的步骤示意流程图。其中，挖掘关联规则的过程可以包括步骤S201至步骤S204。

S201、获取历史匹配简历和所述历史匹配简历对应的岗位类别。

可以获取本企业或招聘产品上已发布过的岗位名称，然后调取该岗位名称下通过招聘的求职者的简历信息，并将该简历信息作为历史匹配简历。另外，还可以从本企业的人才库中调取岗位名称所对应的本企业员工的简历信息，并将该简历信息也一同作为历史匹配简历。

另外，同时对每个岗位名称所对应的工作内容或岗位职责进行语义识别，从而得到每个岗位名称所对应的岗位标签，根据岗位标签对岗位名称进行分类，得到多个岗位类别，并确定历史匹配简历对应的岗位名称所属的岗位类别，也即历史匹配简历对应的岗位类别。

S202、根据所述历史匹配简历得到多个频繁项，并从所述频繁项中筛选出至少一个规则项，构成规则项集。

对于获取到的历史匹配简历，从历史匹配简历中得到多个频繁项，以使用得到的频繁项参与关联规则的构建。

在具体实施过程中，可以使用FW-Growth算法。其中，FW-Growth算法使用了一种称为频繁模式树的数据结构。FP-tree是一种特殊的前缀树，由频繁项头表和项前缀树构成。所谓前缀树，是一种存储候选项集的数据结构，树的分支用项名标识，树的节点存储后缀项，路径表示项集。

通过不断迭代FP-tree的构造和投影过程。对于每个频繁项，构造它的条件投影数据库和投影FP-tree。对每个新构建的FP-tree重复这个过程，直到构造的新FP-tree为空，或者只包含一条路径。当构造的FP-tree为空时，其前缀即为频繁模式；当只包含一条路径时，通过枚举所有可能组合并与此树的前缀连接即可得到频繁模式。

举例来说，首先第一遍扫描统计所有元素项出现的频次，并将原始数据集中的条目过滤，按频次降序排列。第二遍扫描，从上往下，构建FP树。然后按照从下向上的顺序，找到初始频繁项对应的条件模式基，并通过条件模式基构建条件树。重复对所有频繁项执行该操作，筛选得到最终的频繁项集。

在得到多个频繁项后，对频繁项进行筛选，从中确定出至少一个规则项，并将得到的至少一个规则项构建规则项集。

在一实施例中，所述从所述频繁项中筛选出至少一个规则项的步骤可以包括：分别计算每个所述频繁项的支持度，并将所述支持度大于支持度阈值的所述频繁项作为规则项。

其中，支持度可以使用支持度计算公式来计算，支持度计算公式可以为：

其中，Support(X)表示频繁项X的支持度，#表示频繁项X的数量，n表示频繁项的总数量。

支持度也表示频率，表示某一频繁项与其他所有频繁项之间的关系。如果某个频繁项原本的支持度很低，即使关联性很强，也没有太多实际意义，因此可以使用支持度来对频繁项进行筛选过滤，从而保证每一个规则项都是有意义的，进而保证构建出关联规则的强关联性。在具体实施过程中，可以预先设置支持度阈值，将计算出的支持度大于支持度阈值的频繁项作为规则项，然后将多个规则项作为规则项集。

S203、根据所述规则项集和对应的所述岗位类别构造每个所述岗位类别的多条关联规则。

在构造关联规则时，将规则项集按照岗位类别进行分类，得到每一个岗位类别所对应的规则项集。对于每一个岗位类别来说，将该岗位类别所对应的规则项集中的规则项进行排列组合，就能够得到多条关联规则。在具体实施过程中可以使用组合数的方式来进行排列组合，并且每一条关联规则中都包括至少一个规则项。

S204、从每个所述岗位类别的多条所述关联规则中筛选出至少一条目标关联规则，将得到的每个所述岗位类别的至少一条目标关联规则作为预先构建的关联规则集。

对每个岗位类别所对应的多条关联规则进行筛选，以从中筛选出至少一条目标关联规则，并将筛选出该岗位类别对应的目标关联规则作为预先构建的关联规则集中的一个，将每个岗位类别对应的目标关联规则进行集合，即可得到预先构建的关联规则集。

在一实施例中，所述从每个所述岗位类别的多条所述关联规则中筛选出至少一条目标关联规则的步骤可以包括：

分别计算每个所述岗位类别的每条所述关联规则的置信度；将所述置信度大于置信度阈值的关联规则作为目标关联规则。

对于每一个岗位类别，分别计算其所对应的关联规则的置信度。其中，置信度是通过条件概率，来表示岗位类别与关联规则中规则项的关联性强弱，也即表示该关联规则的可靠性。其中，置信度的计算公式可以为：

其中，Condifence(X→Y)表示岗位Y下规则项X的置信度，Support(X)表示规则项X的支持度，Support(X∪Y)表示规则项X在岗位Y的支持度。

换句话说，Condifence(X→Y)也可以理解为Y岗位下的关联规则中，拥有规则项X的比例。置信度越高，则说明该关联规则具有更强的关联性，也就更可靠。因此，可以预先设置置信度阈值，将置信度大于置信度阈值的关联规则作为目标关联规则。将各个目标关联规则进行集合，即可得到预先构建的关联规则集。

上述实施例提供的简历筛选方法，通过获取待匹配简历和待匹配简历对应的投递岗位，并确定投递岗位对应的岗位类别，然后根据岗位类别从预先构建的关联规则集中确定投递岗位对应的岗位规则，再对待匹配简历进行内容识别，得到待匹配简历对应的简历标签，最后根据简历标签和岗位规则对待匹配简历进行打分，得到待匹配简历的得分，并根据待匹配简历的得分对待匹配简历进行筛选。能够实现待匹配简历与投递岗位之间的匹配度的自动计算，进而实现对待匹配简历的筛选，提高简历筛选的效率。

请参阅图5，图5是本申请的实施例还提供一种简历筛选装置的示意性框图，该简历筛选装置用于执行前述的简历筛选方法。其中，该简历筛选装置可以配置于服务器或终端中。

其中，服务器可以为独立的服务器，也可以为服务器集群。该终端可以是手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等电子设备。

如图5所示，简历筛选装置300包括：简历获取模块301、规则确定模块302、简历识别模块303和简历筛选模块304。

简历获取模块301，用于获取待匹配简历和所述待匹配简历对应的投递岗位，并确定所述投递岗位对应的岗位类别。

在一实施例中，简历获取模块301可以包括岗位识别子模块3011和类别确定子模块3012。

其中，岗位识别子模块3011用于对所述投递岗位的岗位信息进行语义识别，得到所述投递岗位对应的岗位标签；类别确定子模块3012用于根据所述岗位标签确定所述投递岗位对应的岗位类别。

规则确定模块302，用于根据所述岗位类别从预先构建的关联规则集中确定所述投递岗位对应的岗位规则。

简历识别模块303，用于对所述待匹配简历进行内容识别，得到所述待匹配简历对应的简历标签。

在一实施例中，规则确定模块303可以包括简历识别子模块3031和关键词提取子模块3032。

其中，简历识别子模块3031用于对所述待匹配简历的简历内容进行语义识别，得到所述待匹配简历的第一标签；关键词提取子模块3032用于对所述待匹配简历的简历内容进行关键词提取，得到所述待匹配简历的第二标签，合并所述第一标签和所述第二标签，得到所述待匹配简历对应的简历标签。

简历筛选模块304，用于根据所述简历标签和所述岗位规则对所述待匹配简历进行打分，得到所述待匹配简历的得分，并根据所述待匹配简历的得分对所述待匹配简历进行筛选。

在一实施例中，简历识别模块304可以包括权重获取子模块和打分计算子模块。

其中，权重获取子模块用于获取所述岗位规则中至少一个所述简历规则标签对应的权重；打分计算子模块用于根据所述简历标签和至少一个所述简历规则标签对应的权重对所述待匹配简历进行打分。

在一实施例中，该简历筛选装置还可以包括历史获取模块、项集筛选模块、规则构造模块和规则筛选模块。

其中，历史获取模块用于获取历史匹配简历和所述历史匹配简历对应的岗位类别。

项集筛选模块用于根据所述历史匹配简历得到多个频繁项，并从所述频繁项中筛选出至少一个规则项，构成规则项集。

规则构造模块用于根据所述规则项集和对应的所述岗位类别构造每个所述岗位类别的多条关联规则。

规则筛选模块用于从每个所述岗位类别的多条所述关联规则中筛选出至少一条目标关联规则，将得到的每个所述岗位类别的至少一条目标关联规则作为预先构建的关联规则集。

需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的简历筛选装置和各模块的具体工作过程，可以参考前述简历筛选方法实施例中的对应过程，在此不再赘述。

上述的简历筛选装置可以实现为一种计算机程序的形式，该计算机程序可以在如图6所示的计算机设备上运行。

请参阅图6，图6是本申请实施例提供的一种计算机设备的结构示意性框图。该计算机设备可以是服务器或终端。

参阅图6，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口，其中，存储器可以包括非易失性存储介质和内存储器。

非易失性存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令，该程序指令被执行时，可使得处理器执行任意一种简历筛选方法。

处理器用于提供计算和控制能力，支撑整个计算机设备的运行。

内存储器为非易失性存储介质中的计算机程序的运行提供环境，该计算机程序被处理器执行时，可使得处理器执行任意一种简历筛选方法。

该网络接口用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

应当理解的是，处理器可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

其中，在一个实施例中，所述处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：

获取待匹配简历和所述待匹配简历对应的投递岗位，并确定所述投递岗位对应的岗位类别；

根据所述岗位类别从预先构建的关联规则集中确定所述投递岗位对应的岗位规则；

对所述待匹配简历进行内容识别，得到所述待匹配简历对应的简历标签；

根据所述简历标签和所述岗位规则对所述待匹配简历进行打分，得到所述待匹配简历的得分，并根据所述待匹配简历的得分对所述待匹配简历进行筛选。

在一个实施例中，所述处理器在实现所述确定所述投递岗位对应的岗位类别时，用于实现：

对所述投递岗位的岗位信息进行语义识别，得到所述投递岗位对应的岗位标签；

根据所述岗位标签确定所述投递岗位对应的岗位类别。

在一个实施例中，所述处理器在实现所述对所述待匹配简历进行内容识别，得到所述待匹配简历对应的简历标签时，用于实现：

对所述待匹配简历的简历内容进行语义识别，得到所述待匹配简历的第一标签；

对所述待匹配简历的简历内容进行关键词提取，得到所述待匹配简历的第二标签，合并所述第一标签和所述第二标签，得到所述待匹配简历对应的简历标签。

在一个实施例中，所述岗位规则中包括至少一个简历规则标签；所述处理器在实现所述根据所述岗位规则和所述岗位标签对所述待匹配简历进行打分时，用于实现：

获取所述岗位规则中至少一个所述简历规则标签对应的权重；

根据所述简历标签和至少一个所述简历规则标签对应的权重对所述待匹配简历进行打分。

在一个实施例中，所述处理器用于实现：

获取历史匹配简历和所述历史匹配简历对应的岗位类别；

根据所述历史匹配简历得到多个频繁项，并从所述频繁项中筛选出至少一个规则项，构成规则项集；

根据所述规则项集和对应的所述岗位类别构造每个所述岗位类别的多条关联规则；

从每个所述岗位类别的多条所述关联规则中筛选出至少一条目标关联规则，将得到的每个所述岗位类别的至少一条目标关联规则作为预先构建的关联规则集。

在一个实施例中，所述处理器在实现所述从所述频繁项集中筛选出至少一个规则项时，用于实现：

分别计算每个所述频繁项的支持度，并将所述支持度大于支持度阈值的所述频繁项作为规则项。

在一个实施例中，所述处理器在实现所述从每个所述岗位类别的多条所述关联规则中筛选出至少一条目标关联规则时，用于实现：

分别计算每个所述岗位类别的每条所述关联规则的置信度；

将所述置信度大于置信度阈值的关联规则作为目标关联规则。

本申请的实施例中还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序中包括程序指令，所述处理器执行所述程序指令，实现本申请实施例提供的任一项简历筛选方法。

其中，所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元，例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种简历筛选方法，其特征在于，所述方法包括：

获取待匹配简历和所述待匹配简历对应的投递岗位，并确定所述投递岗位对应的岗位类别；

根据所述岗位类别从预先构建的关联规则集中确定所述投递岗位对应的岗位规则；

对所述待匹配简历进行内容识别，得到所述待匹配简历对应的简历标签；

根据所述简历标签和所述岗位规则对所述待匹配简历进行打分，得到所述待匹配简历的得分，并根据所述待匹配简历的得分对所述待匹配简历进行筛选。

2.根据权利要求1所述的简历筛选方法，其特征在于，所述确定所述投递岗位对应的岗位类别，包括：

对所述投递岗位的岗位信息进行语义识别，得到所述投递岗位对应的岗位标签；

根据所述岗位标签确定所述投递岗位对应的岗位类别。

3.根据权利要求1所述的简历筛选方法，其特征在于，所述对所述待匹配简历进行内容识别，得到所述待匹配简历对应的简历标签，包括：

对所述待匹配简历的简历内容进行语义识别，得到所述待匹配简历的第一标签；

对所述待匹配简历的简历内容进行关键词提取，得到所述待匹配简历的第二标签，合并所述第一标签和所述第二标签，得到所述待匹配简历对应的简历标签。

4.根据权利要求1所述的简历筛选方法，其特征在于，所述岗位规则中包括至少一个简历规则标签；所述根据所述岗位规则和所述岗位标签对所述待匹配简历进行打分，包括：

获取所述岗位规则中至少一个所述简历规则标签对应的权重；

根据所述简历标签和至少一个所述简历规则标签对应的权重对所述待匹配简历进行打分。

5.根据权利要求1-4任一项所述的简历筛选方法，其特征在于，所述方法包括：

获取历史匹配简历和所述历史匹配简历对应的岗位类别；

根据所述历史匹配简历得到多个频繁项，并从所述频繁项中筛选出至少一个规则项，构成规则项集；

根据所述规则项集和对应的所述岗位类别构造每个所述岗位类别的多条关联规则；

从每个所述岗位类别的多条所述关联规则中筛选出至少一条目标关联规则，将得到的每个所述岗位类别的至少一条目标关联规则作为预先构建的关联规则集。

6.根据权利要5所述的简历筛选方法，其特征在于，所述从所述频繁项集中筛选出至少一个规则项，包括：

分别计算每个所述频繁项的支持度，并将所述支持度大于支持度阈值的所述频繁项作为规则项。

7.根据权利要5所述的简历筛选方法，其特征在于，所述从每个所述岗位类别的多条所述关联规则中筛选出至少一条目标关联规则，包括：

分别计算每个所述岗位类别的每条所述关联规则的置信度；

将所述置信度大于置信度阈值的关联规则作为目标关联规则。

8.一种简历筛选装置，其特征在于，包括：

简历获取模块，用于获取待匹配简历和所述待匹配简历对应的投递岗位，并确定所述投递岗位对应的岗位类别；

规则确定模块，用于根据所述岗位类别从预先构建的关联规则集中确定所述投递岗位对应的岗位规则；

简历识别模块，用于对所述待匹配简历进行内容识别，得到所述待匹配简历对应的简历标签；

简历筛选模块，用于根据所述简历标签和所述岗位规则对所述待匹配简历进行打分，得到所述待匹配简历的得分，并根据所述待匹配简历的得分对所述待匹配简历进行筛选。

9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器；

所述存储器用于存储计算机程序；

所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如权利要求1至7中任一项所述的简历筛选方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如权利要求1至7中任一项所述的简历筛选方法。

Images