CN115481969A - 简历筛选方法、装置、电子设备及可读存储介质 - Google Patents

Abstract

本申请公开了一种简历筛选方法、装置、电子设备及可读存储介质，属于计算机技术领域。包括：获取待招聘岗位，以及待招聘岗位对应的属性信息；根据待招聘岗位的属性信息，构建待招聘岗位的岗位画像；获取针对待招聘岗位的待处理简历，并为每个待处理简历建立对应的候选人画像；计算候选人画像与岗位画像之间的匹配度；对匹配度大于或等于预设匹配度阈值的候选人画像所对应的待处理简历进行标记，本申请中，由于画像信息能够更精确的描述岗位和候选人的特性，则本申请通过候选人画像与岗位画像的匹配，以自动化的方式实现了待招聘岗位和待处理简历之间的精准匹配，从而降低了对人工筛选的依赖，提升了简历的筛选精度和效率。

Description

简历筛选方法、装置、电子设备及可读存储介质

技术领域

本申请属于人工智能技术领域，具体涉及一种简历筛选方法、装置、电子设备及可读存储介质。

背景技术

企业在进行招聘时，只有注重于人才和岗位的匹配，才能带来更高的招聘质量。

相关技术中，面对于针对岗位投递的大量简历，可以按照粗略条件进行简历的过滤，如设置学历要求、年龄要求、薪资范围等条件进行过滤，过滤后的简历再发向人力部门进行人工筛选，最终确定与岗位匹配的简历。

上述相关技术中设置条件进行筛选的筛选粒度较粗，难以达到较高的精度，且筛选精准度过于依赖人工，导致筛选效率较低。

发明内容

本申请实施例的目的是提供一种简历筛选方法、装置、电子设备及可读存储介质，能够解决筛选粒度较粗、筛选效率较低的问题。

第一方面，本申请实施例提供了一种简历筛选方法，所述方法包括：

获取待招聘岗位，以及与所述待招聘岗位对应的属性信息；

根据所述待招聘岗位的属性信息，构建所述待招聘岗位的岗位画像；

获取针对所述待招聘岗位的待处理简历，并为每个所述待处理简历建立对应的候选人画像；

计算所述候选人画像与所述岗位画像之间的匹配度；

对所述匹配度大于或等于预设匹配度阈值的候选人画像所对应的待处理简历进行标记。

第二方面，本申请实施例提供了一种简历筛选装置，所述装置包括：

第一获取模块，用获取待招聘岗位，以及与所述待招聘岗位对应的属性信息；

构建模块，用于根据所述待招聘岗位的属性信息，构建所述待招聘岗位的岗位画像；

第二获取模块，用于获取针对所述待招聘岗位的待处理简历，并为每个所述待处理简历建立对应的候选人画像；

计算模块，用于计算所述候选人画像与所述岗位画像之间的匹配度；

标记模块，用于对所述匹配度大于或等于预设匹配度阈值的候选人画像所对应的待处理简历进行标记。

第三方面，本申请实施例提供了一种电子设备，该电子设备包括处理器和存储器，所述存储器存储可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如第一方面所述的方法的步骤。

第四方面，本申请实施例提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如第一方面所述的方法的步骤。

第五方面，本申请实施例提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现如第一方面所述的方法。

第六方面，本申请实施例提供一种计算机程序产品，该程序产品被存储在存储介质中，该程序产品被至少一个处理器执行以实现如第一方面所述的方法。

本申请实施例利用画像数据的构建技术，对海量的员工信息进行处理和数量统计，形成待招聘岗位的岗位画像以及与简历对应的候选人画像，并通过候选人画像和岗位画像的匹配，对待招聘岗位的待处理简历进行标记处理，实现了简历的快速筛选，由于画像信息能够更精确的描述岗位和候选人的特性，则本申请通过候选人画像与岗位画像的匹配，以自动化的方式实现了待招聘岗位和待处理简历之间的精准匹配，从而降低了对人工筛选的依赖，提升了简历的筛选精度和效率。

附图说明

图1是一个实施例中简历筛选方法的实施环境示意图；

图2是一个实施例中简历筛选方法的流程图；

图3是一个实施例中简历筛选方法的架构图；

图4是一个实施例中简历筛选方法的具体步骤流程图；

图5是一个实施例中画像数据的具体示意图；

图6是一个实施例中简历筛选装置的框图；

图7是一个实施例中电子设备；

图8是一个实施例中电子设备的硬件结构示意图。

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获得的所有其他实施例，都属于本申请保护的范围。

本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。

本申请实施例提供的简历筛选方法，可以应用于如图1所示的实施环境中。实施环境包括：服务端，以及与服务端对接的网关、服务注册配置中心、日志系统、消息中间件、数据存储系统；其中，服务端用于获取待招聘岗位，以及待招聘岗位的属性信息；根据岗位候选人的信息，提取针对待招聘岗位的待处理简历；根据待招聘岗位的属性信息，构建待招聘岗位的岗位画像；为每个待处理简历建立对应的候选人画像；响应于筛选调度来通过调度匹配引擎计算候选人画像与岗位画像之间的匹配度；对匹配度大于或等于预设匹配度阈值的候选人画像所对应的待处理简历进行标记，获得筛选结果。另外，服务端还可以实现人力资源信息的提供、统计报表的建立、以及多租户的实现，多租户可以实现于多用户的环境下共用相同的系统或程序组件，并且仍可确保各用户间数据的隔离性。

招聘官可以通过前端页面调用网关进行认证平台的身份验证，验证通过后，通过网关从实施环境中获得筛选后标记的待处理简历，从而完成更加精准的简历筛选，提高招聘效率。

进一步的，实施环境还可以接入服务注册配置中心，从而实现实施环境中的配置管理、服务发现和服务注册；实施环境还可以接入日志系统来实现对实施环境中日志数据的存储记录；实施环境还可以接入消息中间件来实现对实施环境中消息数据的获取与转发；实施环境还可以接入数据存储系统来实现对实施环境中数据的持久化存储。

本申请实施例通过自然语言处理技术对海量的岗位属性信息进行处理和数量统计，形成待招聘岗位的岗位画像，并通过自然语言处理技术对待招聘岗位的待处理简历进行处理，为每个待处理简历建立对应的候选人画像，由于自然语言处理技术处理获得的画像信息能够更精确的描述岗位和候选人的特性，则本申请通过候选人画像与岗位画像的匹配，以自动化的方式实现了待招聘岗位和待处理简历之间的精准匹配，从而降低了对人工筛选的依赖，提升了简历筛选效率。

参照图2，图2是一个实施例中简历筛选方法的流程图，方法包括以下步骤：

步骤101、获取待招聘岗位，以及与所述待招聘岗位对应的属性信息。

在企事业单位运营的过程中，期望针对岗位进行精准的人才招聘，来达到对人力资源的高效利用，其中，参照图3，图3是一个实施例中简历筛选方法的架构图，企事业单位的服务端可以具有员工数据库和简历数据库，员工数据库中可以存储企事业单位针对各个岗位的员工信息，如员工的个人基本信息、员工的职业经历信息、员工的意愿信息、员工的专业技能信息等。简历数据库则可以存储各个待招聘岗位所收到的待处理简历，简历中也可以记录有招聘者的个人基本信息、职业经历信息、意愿信息、专业技能信息等。本申请实施例中，可以从员工数据库中获取待招聘岗位，以及所述待招聘岗位的属性信息。

需要说明的是，一种实现方式中，若待招聘岗位为一个已具有若干在岗员工的岗位，则属性信息可以为该待招聘岗位的在岗员工的信息。另一种实现方式中，若待招聘岗位为一个新设立的当前没有在岗员工的岗位，则待招聘岗位的属性信息可以为根据待招聘岗位的岗位需求，自定义设置的信息，或者是其他相似岗位的在岗员工的员工信息。

步骤102、根据所述待招聘岗位的属性信息，构建所述待招聘岗位的岗位画像。

画像是建立在一系列真实数据(Marketing data，Usability data)之上的数据模型，通过特性分析调研去了解对象，根据对象的特性的差异，将对象区分为不同的类型，然后每种类型中抽取出典型特征，赋予一些标签要素，从而形成了一个对象原型(personas)。

在本申请实施例中，参照图3，可以先对招聘岗位下每个属性信息进行特性分析，获得由特征标签构成的员工画像，再将招聘岗位下所有员工画像进行标签数量统计，从而构建待招聘岗位的岗位画像。岗位画像和员工画像都包括基本信息、经历意愿和专业技能这三类特征标签。

其中，对信息进行分析并构建画像，具体可以采用自然语言处理技术进行实现，自然语言处理技术是计算机科学领域与人工智能领域中的一个重要方向，其研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。进一步的，构建画像的过程也可以在深度学习的帮助下进行实现，即在融合了通过自然语言处理技术来对属性信息进行文本特征提取的基础上，利用深度学习来训练文本处理模型，文本处理模型旨在学习属性信息和文本特征之间的关联，训练好的文本处理模型可以以属性信息为输入，以从属性信息中提取到的特征标签为输出。

具体的，岗位画像为定义和描绘能胜任某岗位的人才原型，包括技能、知识、自我形象、个人特质、动机等几个方面，岗位画像本质就是解决人才与岗位之间不匹配的矛盾，方便人才快速便捷的寻找到合适自己的工作岗位。

步骤103、获取针对所述待招聘岗位的待处理简历，并为每个所述待处理简历建立对应的候选人画像。

本申请实施例中，参照图3，可以从简历数据库中获取针对待招聘岗位收到的待处理简历，并通过对每个待处理简历中的文本信息进行特征分析获得特征标签，并根据特征标签构建候选人画像。候选人画像可以包括基本信息、经历意愿和专业技能这三类特征标签。

步骤104、计算所述候选人画像与所述岗位画像之间的匹配度。

在本申请实施例中，由于候选人画像通过特征标签来定义招聘者的特性，岗位画像也通过特征标签来定义岗位的特性，则基于招聘环节中人岗匹配的需求，参照图3，本申请实施例可以通过计算候选人画像与岗位画像之间的匹配度，来确定招聘者和待招聘岗位之间的匹配程度，进而根据候选人画像与岗位画像之间的匹配度，来对简历进行筛选。

具体的，可以通过确定候选人画像的特征标签，与岗位画像的特征标签的匹配数量，来确定二者之间的匹配度，候选人画像的特征标签与岗位画像的特征标签的匹配数量越大，二者的匹配度越高，反之同理。

步骤105、对所述匹配度大于或等于预设匹配度阈值的候选人画像所对应的待处理简历进行标记。

在本申请实施例中，参照图3，可以设定一个预设匹配度阈值来作为筛选条件，确定匹配度大于或等于预设匹配度阈值的候选人画像，并将匹配度大于或等于预设匹配度阈值的候选人画像所对应的待处理简历进行标记，这些标记的待处理简历即为与待招聘岗位匹配的简历，标记的待处理简历可以作为筛选结果并发送至招聘部门，以供招聘部门对应安排招聘面试。

综上，本申请实施例利用画像数据的构建技术，对海量的员工信息进行处理和数量统计，形成待招聘岗位的岗位画像以及与简历对应的候选人画像，并通过候选人画像和岗位画像的匹配，对待招聘岗位的待处理简历进行标记处理，实现了简历的快速筛选，由于画像信息能够更精确的描述岗位和候选人的特性，则本申请通过候选人画像与岗位画像的匹配，以自动化的方式实现了待招聘岗位和待处理简历之间的精准匹配，从而降低了对人工筛选的依赖，提升了简历的筛选精度和效率。

参照图4，图4是一个实施例中简历筛选方法的具体步骤流程图，方法具体包括以下步骤：

步骤201、获取待招聘岗位，以及与所述待招聘岗位对应的属性信息。

该步骤具体可以参照上述步骤101，此处不再赘述。

可选的，在一种情况下，属性信息包括：基本信息、经历意愿信息、专业技能信息中的一种或多种。待招聘岗位可以为一个已具有若干在岗员工的岗位，则属性信息可以为该待招聘岗位的在岗员工的基本信息、经历意愿信息、专业技能信息中的一种或多种。

可选的，在另一种情况下，属性信息为所述待招聘岗位的兴趣标签和非兴趣标签，所述属性信息通过外部输入装置的输入获取；所述岗位画像由所述兴趣标签和非兴趣标签确定。待招聘岗位也可以为一个新设立的当前没有在岗员工的岗位，针对这种情形，可以从外部输入装置(如人力资源系统服务端)获取针对待招聘岗位设立的兴趣标签和非兴趣标签，兴趣标签反映了人力部门期望候选人拥有的能力，如，数据库兴趣标签表征希望候选人具有数据库技能、营销兴趣标签表征希望候选人具有营销技能。非兴趣标签则反映了人力部门期望候选人不具有的特征，如，年龄>xx非兴趣标签表征希望候选人年龄不超过xx岁、已婚兴趣标签表征希望候选人不具有已婚特征。

在本申请实施例中，参照图5，图5是一个实施例中画像数据的具体示意图，本申请实施例可以从员工信息中提取基本信息、经历意愿信息、专业技能信息中这三类特征标签来构成员工画像再由员工画像构成岗位画像，或提取属性信息中的兴趣标签和非兴趣标签来构成岗位画像，以及从待处理简历中提取基本信息、经历意愿信息、专业技能信息中这三类特征标签来构成候选人画像。

在图5的示例中，基本信息可以包括：姓名、性别、手机号、邮箱、出生年份、户籍、居住地、婚姻状况、孩子个数、最高学历等特征标签；经历意愿可以包括：教育经历、工作经历、工作年限、平均工作年限、求职意向、期望薪资、是否考虑新机会、求职状态、入职周期、离职原因等特征标签；专业技能信息包括：java(一种开发语言)下的Java开发经验、springcloud(一种微服务框架)、docker(一种开源的应用容器引擎)和kubemetes(一种用于管理容器化的工作负载和服务的开源平台)；以及数据运营下的数据运营经验、知识库搭建经验和行业经验；以及销售下的行业经验、销售区域、客单价和主要客户等特征标签。

步骤202、在属性信息为待招聘岗位的在岗员工的员工信息时，根据所述员工信息，建立员工画像。

在本申请实施例中，参照图3，可以先对招聘岗位下每个员工信息进行特性分析，获得由特征标签构成的员工画像，员工画像是建立在一系列真实数据之上的数据模型，具体可以根据员工信息中员工的目标、行为和观点的差异，将员工区分为不同的类型，然后每种类型中抽取出典型特征，赋予特征标签，从而形成了员工画像。

可选的，步骤202具体可以包括：

子步骤2021、利用自然语言处理技术，提取所述待招聘岗位的所有在岗员工的员工信息中的特征标签。

待招聘岗位的所有在岗员工的员工信息可以从人力资源的相关管理系统中获取，也可以由相关人员输入或数据表的导入；提取后，可以利用自然语言理解技术提取相关字段的文本，并对提取出的文本可以再进行词法分析、句法分析、语义分析等，最终得到较为准确的员工信息的特征标签信息。具体的自然语言理解技术在此不做赘述，可以参考相关技术。

子步骤2022、根据所述所有在岗员工的员工信息中的特征标签确定所述每一个在岗员工的员工画像。

在一种具体示例中，假设员工A的员工信息为：“该员工姓名为张xx，年龄25岁，最高学历为研究生，工作经历无，期望薪资为8000，专业技能精通java的docker，以及数据运营的知识库搭建”，则通过自然语言处理技术对该员工信息进行处理，可以提取其中的特征标签：“张xx”、“25岁”、“研究生”、“工作经历无”、“期望薪资8000”、“java-docker”、“数据运营-知识库搭建”，并将这些特征标签构成集合，则得到了该员工A的员工画像。

步骤203、基于所有所述员工画像确定所述待招聘岗位的岗位画像。

在实际应用中，针对一个待招聘岗位，可以存在多个在岗员工的员工信息，这些员工信息的一些共通的特性，即反映了该招聘岗位的需求特性，如，一个待招聘岗位下的员工最高学历都为研究生，专业技能都精通知识库搭建，则该招聘岗位需求具有研究生学历、且专业技能精通知识库搭建的招聘者。

在本申请实施例中，可以数量统计所述待招聘岗位的所有员工画像的特征标签，从而得到所述待招聘岗位的岗位画像，使得岗位画像可以精准的定义和描绘能胜任某岗位的人才原型。

可选的，所述特征标签包括：第一数值标签和第一分类标签，所述基于所有所述员工画像确定所述待招聘岗位的岗位画像，步骤203具体可以包括：

子步骤2031、对所有所述员工画像中同一类的第一数值标签的值进行平均值计算。

在本申请实施例中，特征标签可以包括第一数值标签和第一分类标签，其中，数值标签通过数值的大小对某一特性进行了定义，分类标签则通过类别的划分对某一特性进行了定义，如图5所示，工作年限特征标签、孩子个数特征标签、入职周期特征标签都是数值标签；性别特征标签、求职状态特征标签都是类别标签。

在该步骤中，本申请实施例首先可以对待招聘岗位的所有员工画像中的第一数值标签进行数量统计，具体为对所有员工画像中同一类第一数值标签的值进行平均值计算，例如，假设待招聘岗位对应有员工画像1，员工画像2和员工画像3，员工画像1中工作年限特征标签的值为6，员工画像2中工作年限特征标签的值为8，员工画像3中工作年限特征标签的值为4，则数量统计后得到的岗位画像中的工作年限特征标签的值＝(4+6+8)/3＝6。

子步骤2032、确定任一相同的第一分类标签的数量是否大于或等于预设数量阈值，所述预设数量阈值对应第一分类标签。

在该步骤中，针对待招聘岗位的所有员工画像的第一分类标签的数量统计，具体是先对相同的第一分类标签的数量进行数量统计，并确定相同的第一分类标签的数量大于或等于预设数量阈值的第一分类标签，最后将第一分类标签加入岗位画像，使得第一分类标签对应的类别可以作为该待招聘岗位的招聘需求之一。

例如，针对待招聘岗位的所有员工画像，假设这些员工画像中具备springcloud技能类别标签的数量为10，具备docker技能类别标签的数量为6，具备kubernetes技能类别标签的数量为3，具备数据运营技能类别标签的数量为8，设定的预设数量阈值为7，则具备springcloud技能类别标签和具备数据运营技能类别标签可以作为第一分类标签，在后续加入岗位画像。

子步骤2033、在确定该相同的第一分类标签的数量大于或等于预设数量阈值时，基于所述第一数值标签的平均值和所述第一分类标签，得到所述待招聘岗位的岗位画像。

在本申请实施例中，基于第一数值标签的平均值和第一分类标签构建的岗位画像，可以将第一数值标签的平均值和第一分类标签对应的类别，作为该待招聘岗位的招聘条件，便于后续候选者画像基于该招聘条件与岗位画像进行匹配确定匹配度。

步骤204、获取针对所述待招聘岗位的待处理简历，并为每个所述待处理简历建立对应的候选人画像。

该步骤具体可以参照上述步骤103，此处不再赘述。

步骤205、将所述候选人画像的第二数值标签与所述岗位画像的第三数值标签进行匹配，以及将所述候选人画像的第二分类标签与所述岗位画像的第三分类标签进行匹配，得到所述匹配度。

其中，所述候选人画像和岗位画像都分别由特征标签组成，所述候选人画像的特征标签包括：第二数值标签和第二分类标签；所述岗位画像的特征标签包括：第三数值标签和第三分类标签。

在本申请实施例中，基于候选人画像和岗位画像都分别由特征标签组成，且特征标签包括：数值标签和分类标签，则岗位画像的第三数值标签和第三分类标签可以作为待招聘岗位的招聘条件，通过将候选人画像的第二数值标签与岗位画像的第三数值标签进行匹配，以及将候选人画像的第二分类标签与岗位画像的第三分类标签进行匹配，基于匹配的结果即可得出招聘者和待招聘岗位的匹配度，其中，相匹配的标签越多，招聘者和待招聘岗位的匹配度就越大，该招聘者就越适配该待招聘岗位。

可选的，步骤205具体可以包括：

子步骤2051、从所述候选人画像的第二数值标签中确定出与所述岗位画像的第三数值标签匹配的目标数值标签。

子步骤2052、从所述候选人画像的第二分类标签中确定出与所述岗位画像的第三分类标签的类型相同的目标分类标签。

子步骤2053、基于所述目标数值标签的数量和所述目标分类标签的数量，确定所述候选人画像与所述岗位画像之间的匹配度。

在本申请实施例中，现通过一个示例来对子步骤2051-2053的内容进行描述：

假设一个待招聘岗位的岗位画像包括：工作年限为3年的数值标签、同行业经验年限为2年的数值标签、具备Java开发技术的第一分类标签、具备销售技术的第一分类标签。

一个招聘者对应的候选人画像包括：工作年限为4年的第二数值标签、同行业经验年限为2年的第二数值标签、具备知识库运营技术的第二分类标签、具备销售技术的第二分类标签。

则在进行候选人画像和岗位画像的匹配过程中，候选人画像中的目标第二数值标签(工作年限数值标签、同行业经验年限数值标签)的数量为2，目标第二分类标签(具备销售技术的第一分类标签)的数量为1，则按照百分制计算规则，该候选人画像和岗位画像的匹配度为75。

可选的，子步骤2051具体可以包括：

子步骤20511、将所述候选人画像的每一个第二数值标签的值与所述岗位画像的第三数值标签的值进行比较。

子步骤20512、在任一所述第二数值标签的值大于或等于所述第三数值标签的值时，确定该第二数值标签为目标数值标签。

在本发明实施例中，从候选人画像的第二数值标签中确定出与岗位画像的第三数值标签匹配的目标数值标签，具体可以通过将候选人画像的每一个第二数值标签的值与岗位画像的第三数值标签的值进行比较，并将比较结果中值大于或等于第三数值标签的第二数值标签确定为目标数值标签，这样可以通过标签值的匹配，快速的找到候选人画像中符合岗位需求的目标数值标签，进而目标数值标签的数量可以后续影响匹配度的大小。

可选的，子步骤2052具体可以包括：

子步骤20521、针对任一个所述第二分类标签，确定与所述第三分类标签的类别是否相同。

子步骤20522、在该第二分类标签与所述第三分类标签的类别相同时，确定该第二分类标签为目标分类标签。

在本发明实施例中，从候选人画像的第二分类标签中确定出与岗位画像的第三分类标签的类型相同的目标分类标签，具体可以通过将第二分类标签的类别与第三分类标签的类别进行比较，并在该第二分类标签与第三分类标签的类别相同时，确定该第二分类标签为目标分类标签，这样可以通过标签类别的匹配，快速的找到候选人画像中符合岗位需求的目标分类标签，进而目标分类标签的数量可以后续影响匹配度的大小。

可选的，子步骤2053具体可以包括：

子步骤20531、统计所述目标数值标签的数量以及所述目标分类标签的数量。

子步骤20532、根据所述目标数值标签的数量以及所述目标分类标签的数量，确定所述匹配度，所述匹配度分别与所述目标第二数值标签的数量和所述目标第二分类标签的数量成正比例关系。

在本发明实施例中，通过统计目标数值标签的数量以及目标分类标签的数量，可以获得影响匹配度的因子的数量，进而再根据目标数值标签的数量以及目标分类标签的数量确定匹配度，从而准确计算出候选人和岗位的匹配程度。

步骤206、对所述匹配度大于或等于预设匹配度阈值的候选人画像所对应的待处理简历进行标记。

该步骤具体可以参照上述步骤105，此处不再赘述。

综上，本申请实施例利用画像数据的构建技术，对海量的员工信息进行处理和数量统计，形成待招聘岗位的岗位画像以及与简历对应的候选人画像，并通过候选人画像和岗位画像的匹配，对待招聘岗位的待处理简历进行标记处理，实现了简历的快速筛选，由于画像信息能够更精确的描述岗位和候选人的特性，则本申请通过候选人画像与岗位画像的匹配，以自动化的方式实现了待招聘岗位和待处理简历之间的精准匹配，从而降低了对人工筛选的依赖，提升了简历的筛选精度和效率。

本申请实施例提供的简历筛选方法，执行主体可以为简历筛选装置。本申请实施例中以简历筛选装置执行简历筛选方法为例，说明本申请实施例提供的简历筛选装置。

参照图6，图6是一个实施例中简历筛选装置的框图，该简历筛选装置包括：

第一获取模块301，用于获取待招聘岗位，以及与所述待招聘岗位对应的属性信息；

构建模块302，用于根据所述待招聘岗位的属性信息，构建所述待招聘岗位的岗位画像；

第二获取模块303，用于获取针对所述待招聘岗位的待处理简历，并为每个所述待处理简历建立对应的候选人画像；

计算模块304，用于计算所述候选人画像与所述岗位画像之间的匹配度；

标记模块305，用于对所述匹配度大于或等于预设匹配度阈值的候选人画像所对应的待处理简历进行标记。

可选的，所述员工信息为所述待招聘岗位的在岗员工的信息，所述构建模块，包括：

第一构建子模块，用于利用自然语言处理技术，提取所述待招聘岗位的所有在岗员工的员工信息中的特征标签；

第二构建子模块，用于根据所述所有在岗员工的员工信息中的特征标签确定所述每一个在岗员工的员工画像；

第三构建子模块，用于基于所有所述员工画像确定所述待招聘岗位的岗位画像。

可选的，所述属性信息为所述待招聘岗位的兴趣标签和非兴趣标签，所述属性信息通过外部输入装置的输入获取；所述岗位画像由所述兴趣标签和非兴趣标签确定。

可选的，所述特征标签包括：第一数值标签和第一分类标签，所述第三构建子模块，包括：

第一计算单元，用于对所有所述员工画像中同一类的第一数值标签的值进行平均值计算；

第二计算单元，用于确定任一相同的第一分类标签的数量是否大于或等于预设数量阈值；

第三计算单元，用于在确定该相同的第一分类标签的数量大于或等于预设数量阈值时，基于所述第一数值标签的平均值和所述第一分类标签，得到所述待招聘岗位的岗位画像。

可选的，所述候选人画像和岗位画像都分别由特征标签组成，所述候选人画像的特征标签包括：第二数值标签和第二分类标签；所述岗位画像的特征标签包括：第三数值标签和第三分类标签；

所述计算模块304，包括：

第一匹配计算子模块，用于从所述候选人画像的第二数值标签中确定出与所述岗位画像的第三数值标签匹配的目标数值标签。

可选的，第一匹配计算子模块具体可以包括：

第一确定单元，用于将所述候选人画像的每一个第二数值标签的值与所述岗位画像的第三数值标签的值进行比较；

第二确定单元，用于在任一所述第二数值标签的值大于或等于所述第三数值标签的值时，确定该第二数值标签为目标数值标签。

第二匹配计算子模块，用于从所述候选人画像的第二分类标签中确定出与所述岗位画像的第三分类标签的类型相同的目标分类标签；

可选的，第二匹配计算子模块具体可以包括：

第三确定单元，用于针对任一个所述第二分类标签，确定与所述第三分类标签的类别是否相同；

第四确定单元，用于在该第二分类标签与所述第三分类标签的类别相同时，确定该第二分类标签为目标分类标签

可选的，第三匹配计算子模块具体可以包括：

第五确定单元，用于统计所述目标数值标签的数量以及所述目标分类标签的数量。

第六确定单元，用于根据所述目标数值标签的数量以及所述目标分类标签的数量，确定所述匹配度，所述匹配度分别与所述目标第二数值标签的数量和所述目标第二分类标签的数量成正比例关系。

综上，本申请实施例利用画像数据的构建技术，对海量的员工信息进行处理和数量统计，形成待招聘岗位的岗位画像以及与简历对应的候选人画像，并通过候选人画像和岗位画像的匹配，对待招聘岗位的待处理简历进行标记处理，实现了简历的快速筛选，由于画像信息能够更精确的描述岗位和候选人的特性，则本申请通过候选人画像与岗位画像的匹配，以自动化的方式实现了待招聘岗位和待处理简历之间的精准匹配，从而降低了对人工筛选的依赖，提升了简历筛选精度和效率。

本申请实施例中的简历筛选装置可以是电子设备，也可以是电子设备中的部件，例如集成电路或芯片。该电子设备可以是终端，也可以为除终端之外的其他设备。示例性的，电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、移动上网装置(Mobile Internet Device，MID)、增强现实(augmented reality，AR)/虚拟现实(virtualreality，VR)设备、机器人、可穿戴设备、超级移动个人计算机(ultra-mobile personalcomputer，UMPC)、上网本或者个人数字助理(personal digital assistant，PDA)等，还可以为服务器、网络附属存储器(Network Attached Storage，NAS)、个人计算机(personalcomputer，PC)、电视机(television，TV)、柜员机或者自助机等，本申请实施例不作具体限定。

本申请实施例中的简历筛选装置可以为具有操作系统的装置。该操作系统可以为安卓(Android)操作系统，可以为ios操作系统，还可以为其他可能的操作系统，本申请实施例不作具体限定。

本申请实施例提供的简历筛选装置能够实现上述方法实施例实现的各个过程，为避免重复，这里不再赘述。

可选地，图7是一个实施例中电子设备，如图7所示，本申请实施例还提供一种电子设备1300，包括处理器1301和存储器1302，存储器1302上存储有可在所述处理器1301上运行的程序或指令，该程序或指令被处理器1301执行时实现上述简历筛选方法的实施例的各个步骤，且能达到相同的技术效果，为避免重复，这里不再赘述。

需要说明的是，本申请实施例中的电子设备包括上述所述的移动电子设备和非移动电子设备。

图8是一个实施例中电子设备的硬件结构示意图。

该电子设备100包括但不限于：射频单元101、网络模块102、音频输出单元103、输入单元104、传感器105、显示单元106、用户输入单元107、接口单元108、存储器109、以及处理器110等部件。

本领域技术人员可以理解，电子设备100还可以包括给各个部件供电的电源(比如电池)，电源可以通过电源管理系统与处理器110逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。图8中示出的电子设备结构并不构成对电子设备的限定，电子设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置，在此不再赘述。

应理解的是，本申请实施例中，输入单元104可以包括图形处理器(GraphicsProcessing Unit，GPU)1041和麦克风1042，图形处理器1041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。显示单元106可包括显示面板1061，可以采用液晶显示器、有机发光二极管等形式来配置显示面板1061。用户输入单元107包括触控面板1071以及其他输入设备1072中的至少一种。触控面板1071，也称为触摸屏。触控面板1071可包括触摸检测装置和触摸控制器两个部分。其他输入设备1072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆，在此不再赘述。

存储器109可用于存储软件程序以及各种数据。存储器109可主要包括存储程序或指令的第一存储区和存储数据的第二存储区，其中，第一存储区可存储操作系统、至少一个功能所需的应用程序或指令(比如声音播放功能、图像播放功能等)等。此外，存储器109可以包括易失性存储器或非易失性存储器，或者，存储器x09可以包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data Rate SDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synch link DRAM，SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM，DRRAM)。本申请实施例中的存储器109包括但不限于这些和任意其它适合类型的存储器。

处理器110可包括一个或多个处理单元；可选地，处理器110集成应用处理器和调制解调处理器，其中，应用处理器主要处理涉及操作系统、用户界面和应用程序等的操作，调制解调处理器主要处理无线通信信号，如基带处理器。可以理解的是，上述调制解调处理器也可以不集成到处理器110中。

本申请实施例还提供一种可读存储介质，所述可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现上述简历筛选方法的实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

其中，所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器ROM、随机存取存储器RAM、磁碟或者光盘等。

本申请实施例另提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现上述简历筛选方法的实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

应理解，本申请实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。

本申请实施例提供一种计算机程序产品，该程序产品被存储在存储介质中，该程序产品被至少一个处理器执行以实现如上述简历筛选方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。

上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。

Claims (10)

1.一种简历筛选方法，其特征在于，所述方法包括：

获取待招聘岗位，以及与所述待招聘岗位对应的属性信息；

根据所述待招聘岗位的属性信息，构建所述待招聘岗位的岗位画像；

获取针对所述待招聘岗位的待处理简历，并为每个所述待处理简历建立对应的候选人画像；

计算所述候选人画像与所述岗位画像之间的匹配度；

对所述匹配度大于或等于预设匹配度阈值的候选人画像所对应的待处理简历进行标记。

2.根据权利要求1所述的方法，其特征在于，所述属性信息为所述待招聘岗位的在岗员工的员工信息，

所述根据所述待招聘岗位的属性信息，构建所述待招聘岗位的岗位画像，包括：

利用自然语言处理技术，提取所述待招聘岗位的所有在岗员工的员工信息中的特征标签；

根据所述所有在岗员工的员工信息中的特征标签确定所述每一个在岗员工的员工画像；

基于所有所述员工画像确定所述待招聘岗位的岗位画像。

3.根据权利要求1或2所述的方法，其特征在于，所述属性信息为所述待招聘岗位的兴趣标签和非兴趣标签，所述属性信息通过外部输入装置的输入获取；所述岗位画像由所述兴趣标签和非兴趣标签确定。

4.根据权利要求2所述的方法，其特征在于，所述特征标签包括：第一数值标签和第一分类标签，所述基于所有所述员工画像确定所述待招聘岗位的岗位画像，包括：

对所有所述员工画像中同一类的第一数值标签的值进行平均值计算；

确定任一相同的第一分类标签的数量是否大于或等于预设数量阈值；

在确定该相同的第一分类标签的数量大于或等于预设数量阈值时，基于所述第一数值标签的平均值和所述第一分类标签，得到所述待招聘岗位的岗位画像。

5.根据权利要求1所述的方法，其特征在于，所述候选人画像和岗位画像都分别由特征标签组成，所述候选人画像的特征标签包括：第二数值标签和第二分类标签；所述岗位画像的特征标签包括：第三数值标签和第三分类标签；

所述计算所述候选人画像与所述岗位画像之间的匹配度，包括：

从所述候选人画像的第二数值标签中确定出与所述岗位画像的第三数值标签匹配的目标数值标签；

从所述候选人画像的第二分类标签中确定出与所述岗位画像的第三分类标签的类型相同的目标分类标签；

基于所述目标数值标签的数量和所述目标分类标签的数量，确定所述候选人画像与所述岗位画像之间的匹配度。

6.根据权利要求5所述的方法，其特征在于，所述从所述候选人画像的第二数值标签中确定出与所述岗位画像的第三数值标签匹配的目标数值标签，包括：

将所述候选人画像的每一个第二数值标签的值与所述岗位画像的第三数值标签的值进行比较；

在任一所述第二数值标签的值大于或等于所述第三数值标签的值时，确定该第二数值标签为目标数值标签。

7.根据权利要求5所述的方法，其特征在于，所述从所述候选人画像的第二分类标签中确定出与所述岗位画像的第三分类标签的类型相同的目标分类标签，包括：

针对任一个所述第二分类标签，确定与所述第三分类标签的类别是否相同；

在该第二分类标签与所述第三分类标签的类别相同时，确定该第二分类标签为目标分类标签。

8.一种简历筛选装置，其特征在于，所述装置包括：

第一获取模块，用于获取待招聘岗位，以及与所述待招聘岗位对应的属性信息；

构建模块，用于根据所述待招聘岗位的属性信息，构建所述待招聘岗位的岗位画像；

第二获取模块，用于获取针对所述待招聘岗位的待处理简历，并为每个所述待处理简历建立对应的候选人画像；

计算模块，用于计算所述候选人画像与所述岗位画像之间的匹配度；

标记模块，用于对所述匹配度大于或等于预设匹配度阈值的候选人画像所对应的待处理简历进行标记。

9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1-7任一项所述的简历筛选方法的步骤。

10.一种可读存储介质，其特征在于，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如权利要求1-7任一项所述的简历筛选方法的步骤。

Images