CN115526590B - 一种结合专家知识和算法的高效人岗匹配与复推方法 - Google Patents

一种结合专家知识和算法的高效人岗匹配与复推方法 Download PDF

Info

Publication number
CN115526590B
CN115526590B CN202211130891.3A CN202211130891A CN115526590B CN 115526590 B CN115526590 B CN 115526590B CN 202211130891 A CN202211130891 A CN 202211130891A CN 115526590 B CN115526590 B CN 115526590B
Authority
CN
China
Prior art keywords
posts
post
matching
candidate
resume
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
CN202211130891.3A
Other languages
English (en)
Other versions
CN115526590A (zh
Inventor
李敬泉
刘雨晨
徐雯
景昊
肖小范
谢志辉
吴显仁
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.)
Shenzhen Today Talent Information Technology Co ltd
Original Assignee
Shenzhen Today Talent Information Technology 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 Shenzhen Today Talent Information Technology Co ltd filed Critical Shenzhen Today Talent Information Technology Co ltd
Priority to CN202211130891.3A priority Critical patent/CN115526590B/zh
Publication of CN115526590A publication Critical patent/CN115526590A/zh
Application granted granted Critical
Publication of CN115526590B publication Critical patent/CN115526590B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06398—Performance of employee with respect to a job function

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Educational Administration (AREA)
  • Artificial Intelligence (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种结合专家知识和算法的高效人岗匹配与复推方法，包括S1：专家领域知识收集和用户行为收集，专家领域知识收集为收集招聘系统中岗位之间的关系，形成职位关系图谱；用户行为收集为收集招聘系统中岗位和候选人之间的关系，并作为线上实时模型的训练特征；S2：基于招聘系统的知识图谱，对要匹配的候选人简历进行解析；S3：基于招聘系统的深度网络模型，对解析后的候选人简历进行静态数据匹配度计算，采用线上实时模型进行动态数据匹配度计算，输出匹配岗位给候选人；S4：根据匹配岗位，在职位关系图谱中搜索寻找相关的其他岗位，将搜索寻找到的其他岗位复推给候选人。本发明能有效的为用户精准找到想要的候选人或岗位。

Description

一种结合专家知识和算法的高效人岗匹配与复推方法
技术领域
本发明涉及计算机软件领域，尤其涉及的是一种结合专家知识和算法的高效人岗匹配与复推方法。
背景技术
在线人力资源与猎头招聘，根据用人单位与潜在候选人之间的供需信息进行撮合匹配通常猎头或HR在招聘平台上需要找到合适的候选人和岗位，目前市场上主要是有以下几种法：
第一种，关键词检索，猎头或HR在解读职位后，自行提取出职位中的关键词，然后在招聘平台中检索具有关键词的候选人，但是平台中拥有大量的职位和候选人，仅仅按照关键词搜索不仅效率低，还难以进行较高质量的匹配。对于资质较浅的人员，因为职业经历不太丰富，过往的技能往往比较模糊而且偏同质化，很难精准的提取到合适的关键词，或者提取出来的关键词不太能够精确描述候选人的特质或反映职位中想要招的人的核心要求。
第二种，基于简历文本和JD(岗位描述)文本的匹配，这种技术虽然一定程度上能帮助解决低效的问题，但是仅依靠文本的描述很难知道简历中候选人的具体能力、方向等是否与岗位匹配，同时匹配不准的结果，还会耗费猎头或HR浏览和查看的时间。比如某个做互联网线上流量运营的候选人与做线下商超流量运营的候选人，职业经历的文本可能是高度相似的，但是适配的运营岗位有很大的差异性，直接按照打分匹配会有一定的合理性，但是也有很多的可能性将不合适的候选人推荐到特定的岗位上造成错配和资源浪费。
以上做法存在的局限性，致使目前的招聘平台无法有效的提高用户(猎头、HR等)的使用效率，例如简历检索的准确率和召回率，成单漏斗和转化率，复推率。遇到匹配不准的情况下还伤害到双端用户体验，使得候选人的留存很差，严重的情况下会导致合作渠道关闭。如何在推荐质量与总的成功单量之间做好取舍平衡甚至最优化，实际上可以通过技术手段来较好的解决。
因此，现有技术存在缺陷，需要改进。
发明内容
本发明所要解决的技术问题是：提供一种能有效的为用户(猎头或HR)精准找到想要的候选人或岗位的结合专家知识和算法的高效人岗匹配与复推方法。
本发明的技术方案如下：一种结合专家知识和算法的高效人岗匹配与复推方法，包括如下步骤：S1：专家领域知识收集和用户行为收集，其中，专家领域知识收集为收集招聘系统中岗位之间的关系，其通过专家知识对岗位进行打标，形成职位关系图谱；并且，用户行为收集为收集招聘系统中岗位和候选人之间的关系，并作为线上实时模型的训练特征；S2：基于招聘系统的知识图谱，对要匹配的候选人简历进行解析；S3：基于招聘系统的深度网络模型，对解析后的候选人简历进行静态数据匹配度计算，并且，采用步骤S1实时训练的线上实时模型进行动态数据匹配度计算，输出匹配岗位给候选人；S4：根据匹配岗位，在职位关系图谱中搜索寻找相关的其他岗位，将搜索寻找到的其他岗位复推给候选人。
应用于上述技术方案，所述的结合专家知识和算法的高效人岗匹配与复推方法中，步骤S1中，专家领域知识收集具体为通过岗位之间的文本及各种特征训练小样本模型，通过小样本模型对招聘系统中的岗位进行预打标，筛选出较为相近的岗位，并发送给专家系统，利用专家系统中专家知识进行精准打标，筛选出相似岗位，并将相似岗位的岗位之间的关系存入所述职位关系图谱中。
应用于上述各个技术方案，所述的结合专家知识和算法的高效人岗匹配与复推方法中，步骤S1中，还持续更新所述职位关系图谱。
应用于上述各个技术方案，所述的结合专家知识和算法的高效人岗匹配与复推方法中，步骤S1中，所述职位关系图谱由点和边组成，专家系统中专家知识进行精准打标的相似岗位形成逻辑边，多个专家对同一对数据进行精准打标的次数，会被记录为这个边的权重；步骤S4中，在职位关系图谱中搜索寻找到相关的其他岗位后，还根据搜索寻找到的其他岗位所在边及其边的权重选择复推给候选人。
应用于上述各个技术方案，所述的结合专家知识和算法的高效人岗匹配与复推方法中，步骤S4中，在职位关系图谱中，是利用广度优先搜索寻找相关的其他岗位，同时记录每一个岗位的路径，将最短路径的长度与边的权重综合映射到一个取值在[0，1]区域的分数，作为匹配岗位与每个相关的其他岗位之间的相关性度量值，通过大量的离线仿真和对结果的预测建模，找出最优相关性阈值并持续追踪和更新，返回大于阈值的岗位复推给候选人。
应用于上述各个技术方案，所述的结合专家知识和算法的高效人岗匹配与复推方法中，步骤S1中，用户行为收集具体包括收集招聘系统中岗位和候选人之间的显式关系和隐式关系，其中，显式关系包括用户根据算法提供的人岗匹配结果进行确认匹配与否；隐式关系包括用户根据某一个岗位，搜索寻找候选人及查看候选人简历的行为数据：点击，关联，收藏，停留时长。
应用于上述各个技术方案，所述的结合专家知识和算法的高效人岗匹配与复推方法中，步骤S2中，对要匹配的候选人简历进行解析时，是利用语义分析、版面分析、OCR将简历解析成结构化数据，同时利用知识图谱，标准化简历中的字段，丰富各字段其他属性。
应用于上述各个技术方案，所述的结合专家知识和算法的高效人岗匹配与复推方法中，步骤S3中，对解析后的候选人简历进行静态数据匹配度计算，是通过根据业务逻辑，对解析后的简历做人工交叉特征，针对纯文本数据，利用在简历和JD数据上做fine-tune的预训练模型映射到高维Embedding向量，最后用深度网络模型计算静态数据的匹配度。
应用于上述各个技术方案，所述的结合专家知识和算法的高效人岗匹配与复推方法中，步骤S3中，所述静态数据是指简历或岗位文本及其通过知识图谱拓展的内容；所述动态数据是指用户行为数据。
本发明的有益效果为：
本发明通过专家领域知识收集形成职位关系图谱，通过用户行为收集作为线上实时模型的训练特征，如此，通过实时训练线上实时模型，可以动态调整人岗匹配结果，并且，通过职位关系图谱可以复推相似岗位，从而能实现高效且精准的人岗匹配，能同时在协作网络的加持下，进一步提高模型的泛化能力和复推的可能性，从而提高全网猎企的整体效率，提高猎企间的合作效率和整体成单率。
附图说明
图1为本发明的系统模块连接图；
图2为本发明的职位关系图谱示意图；
图3为本发明的简历解析流程图；
图4为本发明的人岗匹配流程图。
具体实施方式
以下结合附图和具体实施例，对本发明进行详细说明。
本实施例提供了一种结合专家知识和算法的高效人岗匹配与复推方法，其系统模块连接图如图1所述，高效人岗匹配与复推方法包括如下步骤：首先步骤S1：专家领域知识收集和用户行为收集，其中，专家领域知识收集为收集招聘系统中岗位之间的关系，其通过专家知识对岗位进行打标，形成职位关系图谱；其具体是，专家领域知识收集具体为通过岗位之间的文本及各种特征训练小样本模型，通过小样本模型对招聘系统中的岗位进行预打标，筛选出较为相近的岗位，并发送给专家系统，利用专家系统中专家知识进行精准打标，筛选出相似岗位，并将相似岗位的岗位之间的关系存入所述职位关系图谱中。
专家领域知识收集，主要针对复推模块，收集岗位之间的关系，为了保证高效的得到专家的知识，通过岗位之间的文本及各种特征，如年龄，地点等结构化特征来训练小样本模型，对数据库中的岗位进行预打标，即筛选出较为相近的岗位，并送给专家系统，利用专家知识进行精准打标，得到的结果存入图数据库中，随着专家知识的增多，该图数据库不断被丰富使其鲁棒和可信。
其中，专家领域知识收集是通过专家知识收集模块来实现，如图2所示，图中，N1、N2、N3、N4、N5、N6、N7、N8、分别代表8个职位，每一个职位为一个岗位，每个职位有多个历史版本，例如，职位N1有一个历史版本N1′，职位N2有两个历史版本N2′和N2″，并且，实线箭头用来描述职位间的关系。
专家领域知识收集模块不同于一般的打标系统，专家知识收集模块会通过将岗位中的文本和结构化信息使用基于小样本训练的深度神经网络预测已有岗位之间的相似度，这样能避免数据质量差导致的效率低的问题，同时该专家知识收集模块支持多个专家对同一对岗位进行标注确认，能有效避免单一专家标注导致主观因素影响大的问题。
专家确认后的结果会将其存入图2所示的职位关系图谱中，专家在确认岗位是否相似时会考虑方向性，不是单纯的考虑岗位之间的关系，需要结合候选人的信息，考虑当一个候选人a被推荐到岗位A后，能否被推荐到岗位B，因此有三种情况，第一，候选人能推到岗位A也能推荐到岗位B，反之亦然，则视为双相互推，对应于图2中的“N2”和“N5”节点；第二，候选人能推到岗位A也能推荐到岗位B，反之不行，则视为单向复推，对应于图2中的“N1”和“N2”；第三，候选人能推到岗位A，不能推到岗位B，反之亦然，则视为不可复推，对应于图中的“N5”和“N7”，此种情况用无箭头实线表示，此后可用作训练模型时的负样本。当多个专家对同一对数据进行标注时，会被记录为这个边的权重，可用来提高其置信度。
并且，用户行为收集为收集招聘系统中岗位和候选人之间的关系，并作为线上实时模型的训练特征；其中，用户行为收集通过用户行为收集模块来实现，该模块与主流的用户行为收集信息类似，但会将收集到的数据进行深度挖掘与分析，找到岗位与候选人经过用户行为后的潜在关系，以便于提供给线上实时模型进行实时特征训练；同时收集的用户行为数据可以作为复推模块的触发信号。
用户行为收集具体包括收集招聘系统中岗位和候选人之间的显式关系和隐式关系，其中，显式关系包括用户根据算法提供的人岗匹配结果进行确认匹配与否；隐式关系包括例如用户根据某一个岗位，搜寻候选人及查看候选人简历的行为数据：点击，关联，收藏，停留时长等，可以作为线上实时模型训练的特征。
并且，专家领域知识收集和用户行为收集的行为可以持续进行，通过不断的专家领域知识收集和用户行为收集，可以持续更新所述职位关系图谱；以及持续更新所述训练特征，使得所述职位关系图谱和所述线上实时模型为最新。
然后，进行步骤S2：基于招聘系统的知识图谱，对要匹配的候选人简历进行解析，具体是，通过简历解析模块，利用语义分析、版面分析、OCR等将简历解析成结构化数据，同时利用知识图谱，标准化简历中的岗位名称、公司名称等字段，丰富各字段其他属性(为简历增加标签)，例如学校是211/985/双一流，公司是世界500强等。
其中，简历解析通过简历解析模块实现，解析简历流程如图3所示，简历解析对于人岗匹配来说至关重要，因此简历解析集结了大量的技术，首先通过版面分析对简历版面进行有效分割，简历版面相对来说有限，主要有基本信息、教育经历、工作经历、项目经历、获奖证书、个人评价等，分别输入不同版面对应的模型进行精细化解析处理，同时结合特有的招聘领域知识图谱标准化公司名、岗位名等，以及构建和丰富更多的标签，从而获得全方位的简历画像。其中，语义分析、版面分析、OCR等都属于现有技术手段，此处不做赘述。解析完简历之后，执行步骤S3：基于招聘系统的深度网络模型，对解析后的候选人简历进行静态数据匹配度计算，并且，采用步骤S1实时训练的线上实时模型进行动态数据匹配度计算，输出匹配岗位给候选人；其中，对解析后的候选人简历进行静态数据匹配度计算，是通过根据业务逻辑，对解析后的简历做人工交叉特征，针对纯文本数据，利用在简历和JD(JobDescriptions,职位描述)数据上做fine-tune的预训练模型映射到高维Embedding向量，最后用深度网络模型计算静态数据的匹配度。
其中，根据业务逻辑，做人工交叉特征，比如城市与工作年限之间的可迁移性，行业职级与薪资待遇等。静态数据：指简历或职位文本及其通过知识图谱拓展的内容，根据两个静态文本可以离线训练较为复杂的深度网络模型。动态数据：指用户(猎头或HR)在招聘平台的行为数据，例如简历打开、关闭事件，简历浏览时长，页面搜索记录，关联(关注)，放弃等点击事件，可以通过此类数据动态准实时或实时训练轻量的线上实时模型，用于根据用户的浏览历史行为进行动态推荐，以便进一步提高推荐准确率。
其中，输出匹配岗位给候选人是基于人岗匹配模块实现，如图4所示，人岗匹配最重要的两部分，一个是特征工程，一个是模型的训练与推理，在特征工程中，特征主要分为原本结构化特征，例如学校、学历、年龄等，非结构化特征，如简历的工作经历、职位的岗位要求等，还有从知识图谱获取到的画像数据；结构化数据通过词袋模型转为高维稀疏向量(TFIDF)，再通过PCA/LDA降维成低维稠密向量；非结构化文本，主要依靠我们在大量简历和职位文本中预训练的语言模型将自然语言文本映射成具有丰富信息的稠密向量；画像数据，通过特有的招聘知识图谱中获得相应的标签数据，如学校相关的985/211/双一流，公司相关的互联网、世界500强等标签进一步丰富简历和职位的信息。最终的推理模型是基于Transformer的神经网络模型，在传统的Transformer结构之后又加入多层全连接网络，最终通过sigmod激活函数输出范围在[0,1]的预测值。
然后，步骤S4：根据匹配岗位，在职位关系图谱中搜索寻找相关的其他岗位，将搜索寻找到的其他岗位复推给候选人。其中，将其他岗位复推给候选人是基于复推模块实现，复推模块依赖于融合了专家知识的职位关系图谱，所述职位关系图谱由点和边组成，专家系统中专家知识进行精准打标的相似岗位形成逻辑边，多个专家对同一对数据进行精准打标的次数，会被记录为这个边的权重；并且，在职位关系图谱中搜索寻找到相关的其他岗位后，还根据搜索寻找到的其他岗位所在边及其边的权重选择复推给候选人；并且，在职位关系图谱中，是利用广度优先搜索寻找相关的其他岗位，同时记录每一个岗位的路径，将最短路径的长度与边的权重综合映射到一个取值在[0，1]区域的分数，作为匹配岗位与每个相关的其他岗位之间的相关性度量值，通过大量的离线仿真和对结果的预测建模，找出最优相关性阈值并持续追踪和更新，返回大于阈值的岗位复推给候选人。
具体是，职位关系图谱由点和边组成，根据专家甄别的相似职位形成逻辑边，同时根据推荐到某个职位的简历触发复推行为，模型会依据图谱中的边以及权重来将候选人复推到对应的职位，同时专家的甄别信息会源源不断的经过处理后更新整个图结构，注意这里的图是动态的，含有时间因子衰减。具体来说，当用户把某一个候选人简历推荐到职位A时，触发复推模块在职位关系图谱中利用广度优先搜索寻找相关的其他职位，同时记录每一个职位的路径，将最短路径的口度与边的权重综合映射到一个取值在[0,1]的分数，作为原职位与每个相关职位之间的相关性度量值，通过大量的离线仿真和对结果的预测建模找出最优相关性阈值并持续追踪和更新，返回大于阈值的职位作为复推职位。对于协作部分，当某个职位被公开悬赏出来，则同样会被加入到职位关系图谱中，可以实现跨猎企的职位协作，打破猎企之间的孤岛效应，提高全网的职位交付率。
所谓复推模块指一个候选人在被推荐到某一个职位后，为了提高成单可能性，可将该候选人推荐到相关的其他职位。此模块需要结合大量的用户行为数据和专家知识，首先将收集的专家知识库作为基础，根据相似职位图谱得到某一个职位相关的其他职位；再根据用户行为，判断候选人是否可以被复推到其他职位，若可以则返回相似职位，以便于用户自行选择，同时为了提高所有猎企的效率，进行协作网络构建，以及对推荐效果反馈的自动化收集从而使复推形成自迭代能力。
本实施例基于专家知识及知识图谱构建多个复杂的表征能力更强的离线模型，再结合用户的行为数据，实时训练线上实时模型，动态调整推荐结果，能实现高效且精准的人岗匹配，同时在协作网络的加持下，进一步提高模型的泛化能力和复推的可能性，从而提高全网猎企的整体效率。
在招聘协作网络中，猎企将自己难于交付的职位公开悬赏，以便于其他猎企的候选人通过该系统匹配到该公开职位，提高猎企间的合作效率和整体成单率。
以上仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种结合专家知识和算法的高效人岗匹配与复推方法，其特征在于，包括如下步骤：
S1：专家领域知识收集和用户行为收集，其中，专家领域知识收集为收集招聘系统中岗位之间的关系，其通过专家知识对岗位进行打标，形成职位关系图谱；并且，用户行为收集为收集招聘系统中岗位和候选人之间的关系，并作为线上实时模型的训练特征；
S2：基于招聘系统的知识图谱，对要匹配的候选人简历进行解析；
S3：基于招聘系统的深度网络模型，对解析后的候选人简历进行静态数据匹配度计算，并且，采用步骤S1实时训练的线上实时模型进行动态数据匹配度计算，输出匹配岗位给候选人；
S4：根据匹配岗位，在职位关系图谱中搜索寻找相关的其他岗位，将搜索寻找到的其他岗位复推给候选人；步骤S1中，所述职位关系图谱由点和边组成，专家系统中专家知识进行精准打标的相似岗位形成逻辑边，多个专家对同一对数据进行精准打标的次数，会被记录为这个边的权重；步骤S4中，在职位关系图谱中搜索寻找到相关的其他岗位后，还根据搜索寻找到的其他岗位所在边及其边的权重选择复推给候选人；步骤S3中，对解析后的候选人简历进行静态数据匹配度计算，是通过根据业务逻辑，对解析后的简历做人工交叉特征，针对纯文本数据，利用在简历和JD数据上做fine-tune的预训练模型映射到高维Embedding向量，最后用深度网络模型计算静态数据的匹配度。
2.根据权利要求1所述的结合专家知识和算法的高效人岗匹配与复推方法，其特征在于：步骤S1中，专家领域知识收集具体为通过岗位之间的文本及各种特征训练小样本模型，通过小样本模型对招聘系统中的岗位进行预打标，筛选出较为相近的岗位，并发送给专家系统，利用专家系统中专家知识进行精准打标，筛选出相似岗位，并将相似岗位的岗位之间的关系存入所述职位关系图谱中。
3.根据权利要求2所述的结合专家知识和算法的高效人岗匹配与复推方法，其特征在于：步骤S1中，还持续更新所述职位关系图谱，并且，持续更新所述训练特征。
4.根据权利要求3所述的结合专家知识和算法的高效人岗匹配与复推方法，其特征在于：步骤S4中，在职位关系图谱中，是利用广度优先搜索寻找相关的其他岗位，同时记录每一个岗位的路径，将最短路径的长度与边的权重综合映射到一个取值在[0，1]区域的分数，作为匹配岗位与每个相关的其他岗位之间的相关性度量值，通过大量的离线仿真和对结果的预测建模，找出最优相关性阈值并持续追踪和更新，返回大于阈值的岗位复推给候选人。
5.根据权利要求1所述的结合专家知识和算法的高效人岗匹配与复推方法，其特征在于：步骤S1中，用户行为收集具体包括收集招聘系统中岗位和候选人之间的显式关系和隐式关系，其中，显式关系包括用户根据算法提供的人岗匹配结果进行确认匹配与否；隐式关系包括用户根据某一个岗位，搜索寻找候选人及查看候选人简历的行为数据：点击，关联，收藏，停留时长。
6.根据权利要求1所述的结合专家知识和算法的高效人岗匹配与复推方法，其特征在于：步骤S2中，对要匹配的候选人简历进行解析时，是利用语义分析、版面分析、OCR将简历解析成结构化数据，同时利用知识图谱，标准化简历中的字段，丰富各字段其他属性。
7.根据权利要求1所述的结合专家知识和算法的高效人岗匹配与复推方法，其特征在于：步骤S3中，所述静态数据是指简历或岗位文本及其通过知识图谱拓展的内容；所述动态数据是指用户行为数据。
CN202211130891.3A 2022-09-16 2022-09-16 一种结合专家知识和算法的高效人岗匹配与复推方法 Active CN115526590B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211130891.3A CN115526590B (zh) 2022-09-16 2022-09-16 一种结合专家知识和算法的高效人岗匹配与复推方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211130891.3A CN115526590B (zh) 2022-09-16 2022-09-16 一种结合专家知识和算法的高效人岗匹配与复推方法

Publications (2)

Publication Number Publication Date
CN115526590A CN115526590A (zh) 2022-12-27
CN115526590B true CN115526590B (zh) 2023-08-04

Family

ID=84698004

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211130891.3A Active CN115526590B (zh) 2022-09-16 2022-09-16 一种结合专家知识和算法的高效人岗匹配与复推方法

Country Status (1)

Country Link
CN (1) CN115526590B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN117171428B (zh) * 2023-08-04 2024-04-05 北京网聘信息技术有限公司 一种提升搜索和推荐结果准确性的方法
CN117236647B (zh) * 2023-11-10 2024-02-02 贵州优特云科技有限公司 一种基于人工智能的岗位招聘分析方法及系统

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140018499A (ko) * 2012-08-02 2014-02-13 심상근 짝꿍단위 임용시스템 및 그를 위한 도우미 시스템
CN106228311A (zh) * 2016-07-28 2016-12-14 五八同城信息技术有限公司 岗位处理方法及装置
CN106682802A (zh) * 2015-11-10 2017-05-17 尹超 职位估值方法及系统
CN109885761A (zh) * 2019-01-24 2019-06-14 暨南大学 一种人力资源企业的职位和人才匹配和推荐方法
CN111144831A (zh) * 2019-11-22 2020-05-12 浙江微元智能科技股份有限公司 一种适用于人员招聘的人选精准甄别系统及其甄别方法
CN111460813A (zh) * 2020-03-04 2020-07-28 北京网聘咨询有限公司 招聘信息和求职简历匹配的方法及系统
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
CN111737495A (zh) * 2020-06-28 2020-10-02 福州数据技术研究院有限公司 基于领域自分类的中高端人才智能推荐系统及其方法
CN111861268A (zh) * 2020-07-31 2020-10-30 平安金融管理学院(中国·深圳) 候选人推荐方法、装置、电子设备及存储介质
CN111967858A (zh) * 2020-08-29 2020-11-20 深圳呗佬智能有限公司 一种人才智能推荐方法、系统、计算机设备及存储介质
CN112182383A (zh) * 2020-09-28 2021-01-05 平安数字信息科技(深圳)有限公司 第二岗位的推荐方法、装置以及计算机设备
CN112308535A (zh) * 2020-11-26 2021-02-02 上海松鼠课堂人工智能科技有限公司 基于知识图谱的岗位选择评估推荐方法及系统
CN113158241A (zh) * 2021-04-06 2021-07-23 深圳市洞见智慧科技有限公司 基于联邦学习的岗位推荐方法及装置
CN113627894A (zh) * 2021-08-16 2021-11-09 郑州科技学院 基于大数据及人工智能指导高校毕业生就业选择的方法及装置
CN114169869A (zh) * 2022-02-14 2022-03-11 北京大学 一种基于注意力机制的岗位推荐方法及装置
CN114764474A (zh) * 2021-01-14 2022-07-19 汇丰软件开发(广东)有限公司 一种高效精准的内部岗位推荐流程系统
CN114792204A (zh) * 2022-04-25 2022-07-26 湖北康森人才科技有限公司 利用人工智能的精英人才和岗位高嵌合度分类匹配系统

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140018499A (ko) * 2012-08-02 2014-02-13 심상근 짝꿍단위 임용시스템 및 그를 위한 도우미 시스템
CN106682802A (zh) * 2015-11-10 2017-05-17 尹超 职位估值方法及系统
CN106228311A (zh) * 2016-07-28 2016-12-14 五八同城信息技术有限公司 岗位处理方法及装置
CN109885761A (zh) * 2019-01-24 2019-06-14 暨南大学 一种人力资源企业的职位和人才匹配和推荐方法
CN111144831A (zh) * 2019-11-22 2020-05-12 浙江微元智能科技股份有限公司 一种适用于人员招聘的人选精准甄别系统及其甄别方法
CN111460813A (zh) * 2020-03-04 2020-07-28 北京网聘咨询有限公司 招聘信息和求职简历匹配的方法及系统
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
CN111737495A (zh) * 2020-06-28 2020-10-02 福州数据技术研究院有限公司 基于领域自分类的中高端人才智能推荐系统及其方法
CN111861268A (zh) * 2020-07-31 2020-10-30 平安金融管理学院(中国·深圳) 候选人推荐方法、装置、电子设备及存储介质
CN111967858A (zh) * 2020-08-29 2020-11-20 深圳呗佬智能有限公司 一种人才智能推荐方法、系统、计算机设备及存储介质
CN112182383A (zh) * 2020-09-28 2021-01-05 平安数字信息科技(深圳)有限公司 第二岗位的推荐方法、装置以及计算机设备
CN112308535A (zh) * 2020-11-26 2021-02-02 上海松鼠课堂人工智能科技有限公司 基于知识图谱的岗位选择评估推荐方法及系统
CN114764474A (zh) * 2021-01-14 2022-07-19 汇丰软件开发(广东)有限公司 一种高效精准的内部岗位推荐流程系统
CN113158241A (zh) * 2021-04-06 2021-07-23 深圳市洞见智慧科技有限公司 基于联邦学习的岗位推荐方法及装置
CN113627894A (zh) * 2021-08-16 2021-11-09 郑州科技学院 基于大数据及人工智能指导高校毕业生就业选择的方法及装置
CN114169869A (zh) * 2022-02-14 2022-03-11 北京大学 一种基于注意力机制的岗位推荐方法及装置
CN114792204A (zh) * 2022-04-25 2022-07-26 湖北康森人才科技有限公司 利用人工智能的精英人才和岗位高嵌合度分类匹配系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
招聘网站职位与简历的双向匹配相似度算法;徐锦阳;张高煜;王曼曦;楼焕钰;薛伟程;毛髌裕;;信息技术(08);全文 *

Also Published As

Publication number Publication date
CN115526590A (zh) 2022-12-27

Similar Documents

Publication Publication Date Title
CN111737495B (zh) 基于领域自分类的中高端人才智能推荐系统及其方法
CN115238101B (zh) 一种面向多类型知识库的多引擎智能问答系统
US10706113B2 (en) Domain review system for identifying entity relationships and corresponding insights
CN115526590B (zh) 一种结合专家知识和算法的高效人岗匹配与复推方法
CN110457696A (zh) 一种面向档案数据的人才与政策智能匹配系统和方法
US5671333A (en) Training apparatus and method
CN107688870B (zh) 一种基于文本流输入的深度神经网络的分层因素可视化分析方法及装置
CN110032630A (zh) 话术推荐设备、方法及模型训练设备
Ramchandani et al. Unmasking human trafficking risk in commercial sex supply chains with machine learning
CN111914157A (zh) 一种基于用户偏好的旅游方案生成方法和系统
CN112463944A (zh) 一种基于多模型融合的检索式智能问答方法及装置
Deepika et al. Relief-F and Budget Tree Random Forest Based Feature Selection for Student Academic Performance Prediction.
Krishnan et al. KnowSum: knowledge inclusive approach for text summarization using semantic allignment
CN113934835B (zh) 结合关键词和语义理解表征的检索式回复对话方法及系统
CN116186372A (zh) 一种能够提供个性化服务的书目系统
Tallapragada et al. Improved Resume Parsing based on Contextual Meaning Extraction using BERT
Marivate et al. An intelligent multi-agent recommender system for human capacity building
CN108614860A (zh) 一种律师信息处理方法和系统
CN114943216B (zh) 基于图注意力网络的案件微博属性级观点挖掘方法
CN116186422A (zh) 基于社交媒体和人工智能的疾病相关舆情分析系统
Yang et al. Differentiated analysis for music traffic in software defined networks: A method of deep learning
Sinhababu et al. Medical information retrieval and interpretation: a question-answer based interaction Model
CN117131184B (zh) 一种基于知识图谱的场地土壤污染问答系统及问答方法
CN117909507B (zh) 基于ai的数据分类系统
Todkar et al. Recommendation engine feedback session strategy for mapping user search goals (FFS: Recommendation system)

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