CN116071033A - 基于预测的人岗匹配精准召回推荐方法 - Google Patents

基于预测的人岗匹配精准召回推荐方法 Download PDF

Info

Publication number
CN116071033A
CN116071033A CN202310131346.4A CN202310131346A CN116071033A CN 116071033 A CN116071033 A CN 116071033A CN 202310131346 A CN202310131346 A CN 202310131346A CN 116071033 A CN116071033 A CN 116071033A
Authority
CN
China
Prior art keywords
resume
recall
candidate
feature
post 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.)
Pending
Application number
CN202310131346.4A
Other languages
English (en)
Inventor
胡伟
徐雯
李敬泉
谢志辉
王彩君
郑德乐
肖小范
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 CN202310131346.4A priority Critical patent/CN116071033A/zh
Publication of CN116071033A publication Critical patent/CN116071033A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • 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
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供基于预测的人岗匹配精准召回推荐方法，盖方法包括如下步骤：基于若干简历和岗位的信息构造基于预测的人岗匹配模型；基于需要招聘的岗位，利用人岗匹配模型进行召回，得到候选的简历集；通过智能触达的形式联系候选人，如果候选人表示有意愿了解，则后续由专职hr负责更新，同时在系统更新为最新的简历。本发明可以精准快速盘活企业人才库的沉睡历史简历，同时利用智能电话搜集候选人的意向，减少了招聘专员的工作量，提高招聘效率，节省招聘成本，将人岗匹配推荐系统和智能呼叫系统相结合，利用智能电话提前确定候选人意向，再给到HR做下一步沟通，进一步提高了HR工作效率。

Description

基于预测的人岗匹配精准召回推荐方法
技术领域
本发明涉及人工智能技术领域，具体涉及基于预测的人岗匹配精准召回推荐方法。
背景技术
企业人才库积累了大量人才简历，但往往有很大部分的简历很久未更新，成为了沉睡简历；传统的招聘专员基本会忽略掉两三年前的旧简历，只会关注最近更新的新简历；如果我们能够将这部分旧简历的人才也充分挖掘，找出符合招聘要求的候选人，有效利用起来，将极大的降低招聘成本，目前还未有利用预测的方法进行精准简历推荐的办法。
历史简历往往还有一个问题，候选人的求职意向无法确定，往往需要HR人工联系，确定意向，过程比较繁琐，耗时耗力。
在已公开的技术中，历史简历来做人岗匹配的一个典型方案,例如平安数字信息科技通过获取待匹配简历与待匹配简历投递过的历史岗位以及待匹配岗位与待匹配岗位接收过的历史简历，将历史匹配结果融入到待匹配简历和待匹配岗位的向量表示中，使人岗匹配结果更加准确。
但是，没有从历史简历中挖掘潜在有意向的合适候选人，并通过智能的方式激活的方式来提升交付效率降低成本的方法，因此，需要提供一种新的方法解决上述问题。
发明内容
针对现有技术存在的问题，本发明提供基于预测的人岗匹配精准召回推荐方法。
为实现上述目的，本发明的具体方案如下：
本发明提供基于预测的人岗匹配精准召回推荐方法，该方法包括如下步骤：
S1，基于若干简历和岗位的信息构造基于预测的人岗匹配模型；
S2，基于需要招聘的岗位，利用人岗匹配模型进行召回，得到候选的简历集；
S3，通过智能触达的形式联系候选人，如果候选人表示有意愿了解，则后续由专职hr负责更新，同时在系统更新为最新的简历。
进一步地，所述步骤S1中，人岗匹配模型为wide&deep模型；
将简历的信息中的工作经历或项目经历定义为时间序列数据；
Mask掉最新一段工作经历，保留其他工作经历及与之匹配的岗位信息，作为训练的(cv，jd)对数据，构造wide侧和deep侧的特征；
将最新一份工作经历的时间长度作为时间特征加入到wide侧特征中，以便输入到wide&deep模型中。
进一步地，在步骤S1中，构造的wide侧的非文本特征和deep侧的文本特征，具体包括如下特征信息：
wide侧的非文本特征包括：
时间：最新一份工作经历的时间长度；
Mask掉最新一段工作经历后的简历，内容包括：年龄、学历、薪资；
当前职位：招聘人数、工作年限要求、城市；
deep侧的文本特征：
Mask最新一段工作经历后的简历，内容包括：技能、工作经历、教育经历；
当前职位：岗位描述、技能要求。
进一步地，对文本特征采用NLP模型：bert，将文本特征embedding成向量，以便包含更全面的语义信息；
wide侧采用线性模型，以便硬性指标的记忆性，deep侧采用深度学习模型，以便更好的满足软性指标的泛化性。
进一步地，在步骤S2中，
wide&deep模型包括：特征流水线、多路召回以及排序3个模块，
其中，特征流水线是离线的，多路召回和排序是在线的。
进一步地，特征流水线，在wide侧，特征包括：
类别特征one-hot：学历、学校背景；
连续数值特征分桶离散化one-hot；
交叉特征，在deep侧，特征包括：
类别特征one-hot之后接入embedding层；
连续数值特征归一化；
文本向量。
进一步地，多路召回模块，设定若干个规则，从mongo库获取(cv，jd)对，每一个规则对应一路召回，从而实现多路召回；
原始数据库根据规则字段召回，规则如下：
规则1：简历行业和职位行业一致；
规则2：简历期望地点和职位所处地点不超过200KM或都位于一线城市；
规则3：简历薪资和职位薪资有交集；
采用elasticsearch利用其TF-IDF算法及人工阈值召回；
将两两数据成对汇入最终召回结果并去重，最后进入排序阶段。
进一步地，排序模块，获取召回阶段的(cv，jd)列表，为每一个(cv，jd)对打分；
对于每一个jd，获取top10的cv进行排序；
将排序后的结果输入到智能呼叫系统。
进一步地，在步骤S3中，智能客服电话给候选人拨打电话，提供相关工作信息，并获取候选人意愿与当下就职情况；
候选人有意愿了解更多则点击0接通人工客服；
致电后附上相关内容的短信和邮件。
进一步地，基于历史数据训练一个分类模型，将分类后的简历给到对应的触达通道，让成功率和人力成本达到最优；
触达通道包括：经过培训过的真人触达和智能触达；
智能触达包括：智能电话、智能短信、智能邮件。
采用本发明的技术方案，具有以下有益效果：
1.可以精准快速盘活企业人才库的沉睡历史简历，同时利用智能电话搜集候选人的意向，减少了招聘专员的工作量，提高招聘效率，节省招聘成本
2.根据一份任意时间的历史简历，能预测出他当前和目前职位的匹配度。能够增加了简历利用率。
第二点，历史简历往往有一个问题，候选人的求职意向无法确定，我们的方法将人岗匹配推荐系统和智能呼叫系统相结合，利用智能电话提前确定候选人意向，再给到HR做下一步沟通，进一步提高了HR工作效率。
第三点，历史简历相对新版简历来说获取代价相对低很多，同时是一个很庞大的库，从中挖掘有较好的成本优势。
附图说明
图1是本发明的基于人岗匹配模型工作流程框图；
图2是本发明的人岗匹配模型推荐逻辑框图；
图3是本发明的智能呼叫模块流程示意图；
图4是本发明的整体流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
在本发明的描述中，除非另有明确的规定和限定，术语“相连”、“连接”、“固定”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方，或仅仅表示第一特征水平高度小于第二特征。
在本实施例的描述中，术语“上”、“下”、“前”、“后”、“左”、“右”等方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述和简化操作，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅仅用于在描述上加以区分，并没有特殊的含义。
本发明提供基于预测的人岗匹配精准召回推荐方法。
如图1所示：
不同于传统的人岗匹配模型，我们Mask掉简历的最新一段工作经历，将简历还原成第二段工作经历时的信息，和目前匹配的岗位信息，作为训练的(cv，jd)对数据，构造wide侧和deep侧的特征，同时考虑时间特征(最新一份工作经历的时间)输入到wide&deep模型中。具体的，作为训练的(cv，jd)对数据，构造wide侧和deep侧的特征，同时考虑时间特征(最新一份工作经历的时间长度)加入wide侧特征中，输入到wide&deep模型中。
具体的，我们构造两种特征wide侧特征和deep侧特征(文本特征)。
wide侧特征(非文本特征)；
时间：最新一份工作经历的时间长度；
mask最新一段工作经历后的简历：年龄、学历、薪资等；
当前职位：招聘人数、工作年限要求、城市等；
deep侧特征(文本特征)；
mask最新一段工作经历后的简历：技能、工作经历、教育经历等；
当前职位：岗位描述、技能要求等；
wide侧是线性模型，可以很好的满足硬性指标的记忆性，deep侧是深度学习模型，可以很好满足软性指标的泛化性。模型结构如下。
如图2所示：
基于需要招聘的岗位，我们利用模型进行精准召回，得到候选的简历集。如图2所示，我们经过三个模块包括特征流水线(feature pipeline)、多路召回(multi-recall)以及排序(rank)，得到候选的简历集。
具体的，特征流水线feature pipeline包括
原始特征包括cv和jd两部分：
·raw_feature_cv；
·raw_feature_jd；
通过多种算子，我们进一步提取原始特征，生成衍生特征：
·ext_feature_cv；
·ext_feature_jd；
将原始特征和衍生特征合并：
·mer_feature_cv；
·mer_feature_jd；
最后将合并后的特征写入redis:
·cv_feature_to_redis；
·jd_feature_to_redis。
具体的，多路召回包括：
根据召回规则，从mongo库获取合适的(cv，jd)对，每一个规则对应一路召回。多路召回merge后，将两两数据成对汇入最终召回结果并去重，最后进入排序阶段。
其中规则如下：
·原始数据库根据规则字段召回
目前的规则如下：
ο规则1：简历行业和职位行业一致；
ο规则2：简历期望地点和职位所处地点不超过200KM或都位于一线城市；
ο规则3：简历薪资和职位薪资有交集；
·使用ElasticSearch，利用其TF-IDF算法及人工阈值召回。
具体的，排序阶段，我们获取召回阶段的(cv，jd)列表利用wide&deep模型，为每一个(cv，jd)对打分。对于每个jd，获取top10的cv进行排序，排序后的结果输入到智能呼叫系统。
其中：cv＝简历，jd＝职位描述，bert＝谷歌的预训练语言模型,tf-idf＝词频和逆文本频率指数。
如图3所示：
通过智能呼叫系统智能电话/短信/邮件的形式以猎头/hr的名义联系电话。如果候选人表示有意愿了解，则后续由专职HR负责更新，同时在系统更新为最新的简历。
通过此推荐系统，我们可以精准快速盘活企业人才库的沉睡历史简历，同时利用智能电话搜集候选人的意向，减少了招聘专员的工作量，提高招聘效率，节省招聘成本。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的保护范围内。

Claims (10)

1.基于预测的人岗匹配精准召回推荐方法，其特征在于，该方法包括如下步骤：
S1，基于若干简历和岗位的信息构造基于预测的人岗匹配模型；
S2，基于需要招聘的岗位，利用人岗匹配模型进行召回，得到候选的简历集；
S3，通过智能触达的形式联系候选人，如果候选人表示有意愿了解，则后续由专职hr负责更新，同时在系统更新为最新的简历。
2.根据权利要求1所述的基于预测的人岗匹配精准召回推荐方法，其特征在于，
所述步骤S1中，人岗匹配模型为wide&deep模型；
将简历的信息中的工作经历或项目经历定义为时间序列数据；
Mask掉最新一段工作经历，保留其他工作经历及与之匹配的岗位信息，作为训练的(cv，jd)(cv，jd)对数据，构造wide侧和deep侧的特征；
将最新一份工作经历的时间长度作为时间特征加入到wide侧特征中，以便输入到wide&deep模型中。
3.根据权利要求1所述的基于预测的人岗匹配精准召回推荐方法，其特征在于，
在步骤S1中，构造的wide侧的非文本特征和deep侧的文本特征，具体包括如下特征信息：
wide侧的非文本特征包括：
时间：最新一份工作经历的时间长度；
Mask掉最新一段工作经历后的简历，内容包括：年龄、学历、薪资；
当前职位：招聘人数、工作年限要求、城市；
deep侧的文本特征：
Mask最新一段工作经历后的简历，内容包括：技能、工作经历、教育经历；
当前职位：岗位描述、技能要求。
4.根据权利要求3所述的基于预测的人岗匹配精准召回推荐方法，其特征在于，
对文本特征采用NLP模型：bert，将文本特征embedding成向量，以便包含更全面的语义信息；
wide侧采用线性模型，以便硬性指标的记忆性，deep侧采用深度学习模型，以便更好的满足软性指标的泛化性。
5.根据权利要求2所述的基于预测的人岗匹配精准召回推荐方法，其特征在于，
在步骤S2中，
wide&deep模型包括：特征流水线、多路召回以及排序3个模块，
其中，特征流水线是离线的，多路召回和排序是在线的。
6.根据权利要求5所述的基于预测的人岗匹配精准召回推荐方法，其特征在于，
特征流水线，在wide侧，特征包括：
类别特征one-hot：学历、学校背景；
连续数值特征分桶离散化one-hot；
交叉特征，在deep侧，特征包括：
类别特征one-hot之后接入embedding层；
连续数值特征归一化；
文本向量。
7.根据权利要求5所述的基于预测的人岗匹配精准召回推荐方法，其特征在于，
多路召回模块，设定若干个规则，从mongo库获取(cv，jd)对，每一个规则对应一路召回，从而实现多路召回；
原始数据库根据规则字段召回，规则如下：
规则1：简历行业和职位行业一致；
规则2：简历期望地点和职位所处地点不超过200KM或都位于一线城市；
规则3：简历薪资和职位薪资有交集；
采用elasticsearch利用其TF-IDF算法及人工阈值召回；
将两两数据成对汇入最终召回结果并去重，最后进入排序阶段。
8.根据权利要求5所述的基于预测的人岗匹配精准召回推荐方法，其特征在于，
排序模块，获取召回阶段的(cv，jd)列表，为每一个(cv，jd)对打分；
对于每一个jd，获取top10的cv进行排序；
将排序后的结果输入到智能呼叫系统。
9.根据权利要求1所述的基于预测的人岗匹配精准召回推荐方法，其特征在于，
在步骤S3中，智能客服电话给候选人拨打电话，提供相关工作信息，并获取候选人意愿与当下就职情况；
候选人有意愿了解更多则点击0接通人工客服；
致电后附上相关内容的短信和邮件。
10.根据权利要求9所述的基于预测的人岗匹配精准召回推荐方法，其特征在于，
基于历史数据训练一个分类模型，将分类后的简历给到对应的触达通道，让成功率和人力成本达到最优；
触达通道包括：经过培训过的真人触达和智能触达；
智能触达包括：智能电话、智能短信、智能邮件。
CN202310131346.4A 2023-02-10 2023-02-10 基于预测的人岗匹配精准召回推荐方法 Pending CN116071033A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310131346.4A CN116071033A (zh) 2023-02-10 2023-02-10 基于预测的人岗匹配精准召回推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310131346.4A CN116071033A (zh) 2023-02-10 2023-02-10 基于预测的人岗匹配精准召回推荐方法

Publications (1)

Publication Number Publication Date
CN116071033A true CN116071033A (zh) 2023-05-05

Family

ID=86180003

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310131346.4A Pending CN116071033A (zh) 2023-02-10 2023-02-10 基于预测的人岗匹配精准召回推荐方法

Country Status (1)

Country Link
CN (1) CN116071033A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116757652A (zh) * 2023-08-17 2023-09-15 北京华品博睿网络技术有限公司 一种基于大语言模型的在线招聘推荐系统及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116757652A (zh) * 2023-08-17 2023-09-15 北京华品博睿网络技术有限公司 一种基于大语言模型的在线招聘推荐系统及方法
CN116757652B (zh) * 2023-08-17 2023-10-20 北京华品博睿网络技术有限公司 一种基于大语言模型的在线招聘推荐系统及方法

Similar Documents

Publication Publication Date Title
CN112632385B (zh) 课程推荐方法、装置、计算机设备及介质
CN110188331B (zh) 模型训练方法、对话系统评价方法、装置、设备及存储介质
CN106448670B (zh) 基于深度学习和强化学习的自动回复对话系统
CN107341145B (zh) 一种基于深度学习的用户情感分析方法
CN108920544A (zh) 一种基于知识图谱的个性化职位推荐方法
CN109460479A (zh) 一种基于事理图谱的预测方法、装置和系统
Mondal et al. A course recommendation system based on grades
CN107507016A (zh) 一种消息推送方法和系统
CN110019732A (zh) 一种智能问答方法以及相关装置
CN110110063B (zh) 一种基于哈希学习的问答系统构建方法
CN110826698A (zh) 一种通过上下文相关的图嵌入表示人群移动模式的方法
CN111309887B (zh) 一种训练文本关键内容提取模型的方法和系统
CN113656687B (zh) 基于教研数据的教师画像构建方法
CN116071033A (zh) 基于预测的人岗匹配精准召回推荐方法
CN109543005A (zh) 客服机器人对话状态识别方法及装置、设备、存储介质
CN113010702A (zh) 多媒体信息的互动处理方法、装置、电子设备及存储介质
CN110941720A (zh) 一种基于知识库的特定人员信息纠错方法
CN111859953A (zh) 训练数据的挖掘方法、装置、电子设备及存储介质
CN116127186A (zh) 一种基于知识图谱人岗个性化匹配推荐方法及系统
CN115688920A (zh) 知识抽取方法、模型的训练方法、装置、设备和介质
Alshareef et al. Mining survey data on university students to determine trends in the selection of majors
CN112258032A (zh) 一种基于人才数据的招聘服务方法
CN116450704A (zh) 一种流程模型的自动化生成方法及生成装置
CN116756576A (zh) 数据处理方法、模型训练方法、电子设备及存储介质
Yao et al. Study on recommendation method of high quality MOOC English teaching resources based on fuzzy clustering

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