CN116128257A - 基于知识图谱的任务人员匹配方法及系统 - Google Patents
基于知识图谱的任务人员匹配方法及系统 Download PDFInfo
- Publication number
- CN116128257A CN116128257A CN202310401793.7A CN202310401793A CN116128257A CN 116128257 A CN116128257 A CN 116128257A CN 202310401793 A CN202310401793 A CN 202310401793A CN 116128257 A CN116128257 A CN 116128257A
- Authority
- CN
- China
- Prior art keywords
- vector
- task
- triplet
- knowledge graph
- standard
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 239000013598 vector Substances 0.000 claims abstract description 252
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 19
- 238000011176 pooling Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 230000006872 improvement Effects 0.000 description 8
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063112—Skill-based matching of a person or a group to a task
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于知识图谱的任务人员匹配方法及系统,属于人工智能神经网络技术领域,该方法包括:构建员工知识图谱;所述员工知识图谱包括若干三元组;对员工知识图谱进行表示学习获取三元组低维向量;对任务名称进行编码获取任务名称的向量;将三元组向量与任务名称向量进行相似度计算,为员工匹配相似度最高的任务。本发明通过构建以员工为头实体的知识图谱,并对知识图谱进行表示学习,然后对任务名称进行编码,再通过二者的相似度员工和任务进行匹配能够为员工匹配最合适的任务,使得人尽其用提高工作效率,是一种科学、高效的任务员工匹配方法。
Description
技术领域
本发明属于人工智能神经网络技术领域,尤其涉及一种基于知识图谱进行任务和人员匹配的方法和系统。
背景技术
随着现代社会的发展,企业面临着许多机遇和挑战,在这个瞬息万变的时代,企业只有不断提高自己的科技水平和管理水平才能在激烈的竞争中立于不败之地。从管理上说,如果企业能够通过准确选择合适的员工参与任务的开发工作,不仅仅可以提高工作效率,而且节约开发成本,同时还可以提高产品的质量水平。因此,选择合适的人做合适的工作,不仅是企业管理水平提高的表现,而且对于企业发展起着至关重要的作用。
传统的任务人员匹配一般是企业管理人员或者项目经理根据以往的经验来做大致评估,这种评估首先存在与现实发生偏差的风险,比如一旦任务发生变更,时间、成本、人力资源等因素也会发生改变;第二,这种估算是粗糙的,没有科学依据的,仅仅凭人的经验是不能应对变化的。第三,一旦使用不合适的人做了不合适的任务,对企业造成的后果是难以估量的。
发明内容
有鉴于此,本发明提供一种基于知识图谱的任务人员匹配方法及系统,为员工分配与其能力素质匹配的任务。
为解决以上技术问题,本发明的技术方案为采用一种基于知识图谱的任务人员匹配方法,包括:
构建员工知识图谱;所述员工知识图谱包括若干三元组;所述三元组以员工为头实体,所述头实体关联有若干属性,每个属性具有对应的属性值作为尾实体;
对员工知识图谱进行表示学习获取三元组低维向量;
对任务名称进行编码获取任务名称的向量;
将三元组向量与任务名称向量进行相似度计算,为员工匹配相似度最高的任务。
作为一种改进,所述三元组中属性包括学历、工作年限、技能、曾完成过的任务。
作为一种进一步的改进, 所述对员工知识图谱进行表示学习获取三元组低维向量的方法包括:
建立属性对应的超平面;
利用公式
将三元组中的头实体投影到所述超平面上获得头实体的投影向量,其中lhr为头实体的投影向量、lh为头实体的向量、wr为超平面的法向量、为wr的转置向量;
利用公式
将三元组中的尾实体投影到所述超平面上获得尾实体的投影向量,其中ltr为尾实体的投影向量、lt为尾实体的向量、wr为超平面的法向量、为wr的转置向量;
利用公式
计算三元组评分,其中为得分,r为关系向,ltr为尾实体的投影向量,lhr为头实体的投影向量;并通过训练模型使得lhr+r≈ltr;
利用训练好的模型将三元组降维输出三元组低维向量。
作为另一种更进一步的改进,所述对任务名称进行编码获取任务名称的向量的方法包括:
利用公式
对任务名称X=(x1,x2,x3,…,xn)进行卷积操作获得任务名称的标准向量;其中xi∈X来自预训练词嵌入矩阵Ew∈,Wc∈为高度h1宽度dw的滤波器;;vi为标准向量;b为偏置;
对任务名称的标准向量组
进行最大池化操作获得第一标准向量组,其中m3为过滤器的数量;
利用公式
对任务名称X进行最大池化操作获得第二标准向量组
;
利用公式
对任务名称X进行平均池化操作获得第三标准向量组
,
其中,strid为滑动窗口的步长,为h2个连续字组成的局部窗口;
利用公式
计算工作任务的向量,其中t为任务名称向量;
,
和
分别为第一标准向量组、第二标准向量组、第三标准向量组的权重矩阵。
作为一种改进, 所述将三元组低维向量与任务名称向量进行匹配的方法包括:
利用公式
计算任务名称向量与三元组低维向量之间的相似度,其中为预测的相似度,ti为任务名称向量,为当前员工 的知识图谱向量,为三元组低维向量的转置矩阵,M为权重矩阵;
选择相似度最高的任务匹配给员工。
作为一种改进,利用公式
对模型进行训练,其中t为样本,y表示实际值,表示预测值,n表示样本数量。
本发明还提供一种基于知识图谱的任务人员匹配系统,包括:
知识图谱构建模块,用于构建员工知识图谱;所述员工知识图谱包括若干三元组;所述三元组以员工为头实体,所述头实体关联有若干属性,每个属性具有对应的属性值作为尾实体;
三元组低维向量获取模块,用于对员工知识图谱进行表示学习获取三元组低维向量;
任务名称向量获取模块,用于对任务名称进行编码获取任务名称的向量;
任务人员匹配模块,用于将三元组向量与任务名称向量进行相似度计算,为员工匹配相似度最高的任务。
作为一种改进,所述三元组低维向量获取模块包括:
超平面建立模块,用于建立属性对应的超平面;
头实体投影向量获取模块,用于利用公式
将三元组中的头实体投影到所述超平面上获得头实体的投影向量,其中lhr为头实体的投影向量、lh为头实体的向量、wr为超平面的法向量、为wr的转置向量;
尾实体投影向量获取模块,用于利用公式
将三元组中的尾实体投影到所述超平面上获得尾实体的投影向量,其中ltr为尾实体的投影向量、lt为尾实体的向量、wr为超平面的法向量、为wr的转置向量;
评分模块,用于利用公式
计算三元组评分,其中为得分,r为关系向量,ltr为尾实体的投影向量,lhr为头实体的投影向量;并通过训练模型使得lhr+r≈ltr。
作为一种改进,所述任务名称向量获取模块包括:
标准向量获取模块,用于利用公式
对任务名称X=(x1,x2,x3,…,xn)进行卷积操作获得任务名称的标准向量;其中xi∈X来自预训练词嵌入矩阵Ew∈,Wc∈为高度h1宽度dw的滤波器;;vi为标准向量;b为偏置;
第一标准向量组获取模块,用于对任务名称的标准向量组
进行最大池化操作获得第一标准向量组,其中m3为过滤器的数量;
第二标准向量组获取模块,用于利用公式
对任务名称X进行最大池化操作获得第二标准向量组
;
第三标准向量组获取模块,用于利用公式
对任务名称X进行平均池化操作获得第三标准向量组
,
其中,strid为滑动窗口的步长,为h2个连续字组成的局部窗口;
工作任务向量计算模块,用于利用公式
计算工作任务的向量,其中t为任务名称向量;
,
和
分别为第一标准向量组、第二标准向量组、第三标准向量组的权重矩阵。
作为一种改进,所述任务人员匹配模块包括:
相似度计算模块,用于利用公式
计算任务名称向量与三元组低维向量之间的相似度,其中为预测的相似度,ti为任务名称向量,为当前员工 的知识图谱向量,为三元组低维向量的转置矩阵,M为权重矩阵;
匹配模块,用于选择相似度最高的任务匹配给员工;
优化模块,用于利用公式
对模型进行训练,其中t为样本,y表示实际值,表示预测值,n表示样本数量。
本发明的有益之处在于:
本发明通过构建以员工为头实体的知识图谱,并对知识图谱进行表示学习,然后对任务名称进行编码,再通过员工和任务的相似度计算为员工匹配最合适的任务,使得人尽其用提高工作效率,是一种科学、高效的任务员工匹配方法。
附图说明
图1为员工知识图谱中三元组的示意图。
图2为本发明的流程图。
图3为本发明的结构原理图。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案,下面结合具体实施方式对本发明作进一步的详细说明。
现有的员工任务分配主要依靠管理人员的经验,缺乏科学性和一致性,主观因素较多。
为了给员工匹配与其能力值更相符的任务,如图2所示,本发明提供一种基于知识图谱的任务人员匹配方法,包括以下步骤:
S1构建员工知识图谱;所述员工知识图谱包括若干三元组;所述三元组以员工为头实体,所述头实体关联有若干属性,每个属性具有对应的属性值作为尾实体。
首先利用企业员工信息构建员工知识图谱。图1展示了员工知识图谱中一个三元组的结构,其为一种1对N的三元组{头实体、关系(属性)、尾实体(属性值)},比如{员工李某(实体)、学历(属性)、研究生(属性值)},和{员工李某(实体)、曾完成的任务(属性)、某网站登录系统(属性值)}等。属性根据与任务的相关性进行选择。
S2对员工知识图谱进行表示学习获取三元组低维向量。
所谓表示学习是指将三元组利用向量进行表示。本发明三元组中头实体与属性为1对N。为了让实体在不同的属性下由不同的向量表示,本发明中具体利用的是TransH模型来对三元组进行表示学习,其具体步骤为:
S21建立属性对应的超平面;
S22利用公式
将三元组中的头实体投影到所述超平面上获得头实体的投影向量,其中lhr为头实体的投影向量、lh为头实体的向量、wr为超平面的法向量、为wr的转置向量;
S23利用公式
将三元组中的尾实体投影到所述超平面上获得尾实体的投影向量,其中ltr为尾实体的投影向量、lt为尾实体的向量、wr为超平面的法向量、为wr的转置向量;
S24利用公式
计算三元组评分,其中为得分,r为关系向量,ltr为尾实体的投影向量,lhr为头实体的投影向量;并通过训练模型使得lhr+r≈ltr;
S25利用训练好的模型将三元组降维输出三元组低维向量。
这样,通过不同属性建立的不同超平面,实体在不同属性下就有了不同的表示,从而使得实体与属性1对N有了更好的表示。
S3对任务名称进行编码获取任务名称的向量。
工作或者项目的任务名称通常包含一些重要的信息,如任务类别、内容等。例如“XXX公司财务管理软件登录系统”,其中包含了类别(财务管理软件),登录系统(内容)等信息。这些任务名称不是固定的单词序列,而是一组无序的单词或者短语的组合。鉴于此,在以前分类中经常使用的神经网络,诸如RNN和LSTM可能不能获得很好的效果。为了更好的对任务名称进行编码和提取特征,本发明设计了一个基于CNN的任务名称编码模型(TaskEncoder Model,TEM)来将任务名称编码为实值向量,具体包括:
S31利用公式
对任务名称X=(x1,x2,x3,…,xn)进行卷积操作获得任务名称的标准向量;其中xi∈X来自预训练词嵌入矩阵Ew∈,Wc∈为高度h1宽度dw的滤波器;;vi为标准向量;b为偏置。
S32对任务名称的标准向量组
进行最大池化操作获得第一标准向量组,其中m3为过滤器的数量;
S33利用公式
对任务名称X进行最大池化操作获得第二标准向量组
;
S34利用公式
对任务名称X进行平均池化操作获得第三标准向量组
,
其中,strid为滑动窗口的步长,为h2个连续字组成的局部窗口;
S35利用公式
计算工作任务的向量,其中t为任务名称向量;
,
和
分别为第一标准向量组、第二标准向量组、第三标准向量组的权重矩阵。
S4将三元组向量与任务名称向量进行相似度计算,为员工匹配相似度最高的任务,具体包括:
S41利用公式
计算任务名称向量与三元组低维向量之间的相似度,其中为预测的相似度,ti为任务名称向量,为当前员工 的知识图谱向量,为三元组低维向量的转置矩阵,M为权重矩阵。
为了将不同维度的任务名称向量t和三元组低维向量f投影到同一个平面,需要点乘一个矩阵M来转置。
通过一个全链层和激活函数的处理,将相似度输出为(0,1)之间的数值,该数值越大说明两个任务名称向量之间的距离越大,相似度越低。
S42利用公式
对模型进行训练,其中t为样本,y表示实际值,表示预测值,n表示样本数量。
定义交叉熵损失函数和有监督的方式来进行训练。训练数据来源于知识图谱中所有员工的信息以及他们完成过的任务,并根据员工是否完成过某任务,或者按照规定时间完成某任务来标记数据,比如:员工没有完成过某任务或没按规定时间完成任务,标记为“0”,员工按照规定时间完成任务标记为“1”。
S43选择相似度最高的任务匹配给员工。
模型训练完成后,输入任务名称向量和员工知识图谱三元组的低维向量,选择距离最小即相似度最高的员工和任务进行匹配即可。
如图3所示,本发明还提供一种基于知识图谱的任务人员匹配系统,包括:
知识图谱构建模块,用于构建员工知识图谱;所述员工知识图谱包括若干三元组;所述三元组以员工为头实体,所述头实体关联有若干属性,每个属性具有对应的属性值作为尾实体;
三元组低维向量获取模块,用于对员工知识图谱进行表示学习获取三元组低维向量;
任务名称向量获取模块,用于对任务名称进行编码获取任务名称的向量;
任务人员匹配模块,用于将三元组向量与任务名称向量进行相似度计算,为员工匹配相似度最高的任务。
所述三元组低维向量获取模块包括:
超平面建立模块,用于建立属性对应的超平面;
头实体投影向量获取模块,用于利用公式
将三元组中的头实体投影到所述超平面上获得头实体的投影向量,其中lhr为头实体的投影向量、lh为头实体的向量、wr为超平面的法向量、为wr的转置向量;
尾实体投影向量获取模块,用于利用公式
将三元组中的尾实体投影到所述超平面上获得尾实体的投影向量,其中ltr为尾实体的投影向量、lt为尾实体的向量、wr为超平面的法向量、为wr的转置向量;
评分模块,用于利用公式
计算三元组评分,其中为得分,r为关系向量,ltr为尾实体的投影向量,lhr为头实体的投影向量;并通过训练模型使得lhr+r≈ltr。
所述任务名称向量获取模块包括:
标准向量获取模块,用于利用公式
对任务名称X=(x1,x2,x3,…,xn)进行卷积操作获得任务名称的标准向量;其中xi∈X来自预训练词嵌入矩阵Ew∈,Wc∈为高度h1宽度dw的滤波器;;vi为标准向量;b为偏置;
第一标准向量组获取模块,用于对任务名称的标准向量组
进行最大池化操作获得第一标准向量组,其中m3为过滤器的数量;
第二标准向量组获取模块,用于利用公式
对任务名称X进行最大池化操作获得第二标准向量组
;
第三标准向量组获取模块,用于利用公式
对任务名称X进行平均池化操作获得第三标准向量组
,
其中,strid为滑动窗口的步长,为h2个连续字组成的局部窗口;
工作任务向量计算模块,用于利用公式
计算工作任务的向量,其中t为任务名称向量;
,
和
分别为第一标准向量组、第二标准向量组、第三标准向量组的权重矩阵。
所述任务人员匹配模块包括:
相似度计算模块,用于利用公式
计算任务名称向量与三元组低维向量之间的相似度,其中为预测的相似度,ti为任务名称向量,为当前员工 的知识图谱向量,为三元组低维向量的转置矩阵,M为权重矩阵;
匹配模块,用于选择相似度最高的任务匹配给员工;
优化模块,用于利用公式
对模型进行训练,其中t为样本,y表示实际值,表示预测值,n表示样本数量。
以上仅是本发明的优选实施方式,应当指出的是,上述优选实施方式不应视为对本发明的限制,本发明的保护范围应当以权利要求所限定的范围为准。对于本技术领域的普通技术人员来说,在不脱离本发明的精神和范围内,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明。
Claims (10)
1.一种基于知识图谱的任务人员匹配方法,其特征在于,包括:
构建员工知识图谱;所述员工知识图谱包括若干三元组;所述三元组以员工为头实体,所述头实体关联有若干属性,每个属性具有对应的属性值作为尾实体;
对员工知识图谱进行表示学习获取三元组低维向量;
对任务名称进行编码获取任务名称的向量;
将三元组低维向量与任务名称向量进行相似度计算,为员工匹配相似度最高的任务。
2.根据权利要求1所述的一种基于知识图谱的任务人员匹配方法,其特征在于,所述三元组中属性包括学历、工作年限、技能、曾完成过的任务。
3.根据权利要求1所述的一种基于知识图谱的任务人员匹配方法,其特征在于,所述对员工知识图谱进行表示学习获取三元组低维向量的方法包括:
建立属性对应的超平面;
利用公式
将三元组中的头实体投影到所述超平面上获得头实体的投影向量,其中lhr为头实体的投影向量、lh为头实体的向量、wr为超平面的法向量、为wr的转置向量;
利用公式
将三元组中的尾实体投影到所述超平面上获得尾实体的投影向量,其中ltr为尾实体的投影向量、lt为尾实体的向量、wr为超平面的法向量、为wr的转置向量;
利用公式
计算三元组评分,其中为得分,r为关系向量,ltr为尾实体的投影向量,lhr为头实体的投影向量;并通过训练模型使得lhr+r≈ltr;
利用训练好的模型将三元组降维输出三元组低维向量。
4.根据权利要求1所述的一种基于知识图谱的任务人员匹配方法,其特征在于,所述对任务名称进行编码获取任务名称的向量的方法包括:
利用公式
对任务名称X=(x1,x2,x3,…,xn)进行卷积操作获得任务名称的标准向量;其中xi∈X来自预训练词嵌入矩阵Ew∈,Wc∈为高度h1宽度dw的滤波器;;vi为标准向量;b为偏置;
对任务名称的标准向量组
进行最大池化操作获得第一标准向量组,其中m3为过滤器的数量;
利用公式
对任务名称X进行最大池化操作获得第二标准向量组
;
利用公式
对任务名称X进行平均池化操作获得第三标准向量组
,
其中,strid为滑动窗口的步长,为h2个连续字组成的局部窗口;
利用公式
计算工作任务的向量,其中t为任务名称向量;
,和分别为第一标准向量组、第二标准向量组、第三标准向量组的权重矩阵。
5.根据权利要求1所述的一种基于知识图谱的任务人员匹配方法,其特征在于,所述将三元组低维向量与任务名称向量进行匹配的方法包括:
利用公式
计算任务名称向量与三元组低维向量之间的相似度,其中为预测的相似度,ti为任务名称向量, 为当前员工的知识图谱向量,为三元组低维向量的转置矩阵,M为权重矩阵;
选择相似度最高的任务匹配给员工。
6.根据权利要求5所述的一种基于知识图谱的任务人员匹配方法,其特征在于,利用公式
对模型进行训练,其中t为样本,y表示实际值,表示预测值,n表示样本数量,f表示loss函数。
7.一种基于知识图谱的任务人员匹配系统,其特征在于,包括:
知识图谱构建模块,用于构建员工知识图谱;所述员工知识图谱包括若干三元组;所述三元组以员工为头实体,所述头实体关联有若干属性,每个属性具有对应的属性值作为尾实体;
三元组低维向量获取模块,用于对员工知识图谱进行表示学习获取三元组低维向量;
任务名称向量获取模块,用于对任务名称进行编码获取任务名称的向量;
任务人员匹配模块,用于将三元组向量与任务名称向量进行相似度计算,为员工匹配相似度最高的任务。
8.根据权利要求7所述的一种基于知识图谱的任务人员匹配系统,其特征在于,所述三元组低维向量获取模块包括:
超平面建立模块,用于建立属性对应的超平面;
头实体投影向量获取模块,用于利用公式
将三元组中的头实体投影到所述超平面上获得头实体的投影向量,其中lhr为头实体的投影向量、lh为头实体的向量、wr为超平面的法向量、为wr的转置向量;
尾实体投影向量获取模块,用于利用公式
将三元组中的尾实体投影到所述超平面上获得尾实体的投影向量,其中ltr为尾实体的投影向量、lt为尾实体的向量、wr为超平面的法向量、为wr的转置向量;
评分模块,用于利用公式
计算三元组评分,其中为得分,r为关系向量,ltr为尾实体的投影向量,lhr为头实体的投影向量;并通过训练模型使得lhr+r≈ltr。
9.根据权利要求7所述的一种基于知识图谱的任务人员匹配系统,其特征在于,所述任务名称向量获取模块包括:
标准向量获取模块,用于利用公式
对任务名称X=(x1,x2,x3,…,xn)进行卷积操作获得任务名称的标准向量;其中xi∈X来自预训练词嵌入矩阵Ew∈,Wc∈为高度h1宽度dw的滤波器;;vi为标准向量;b为偏置;
第一标准向量组获取模块,用于对任务名称的标准向量组
进行最大池化操作获得第一标准向量组,其中m3为过滤器的数量;
第二标准向量组获取模块,用于利用公式
对任务名称X进行最大池化操作获得第二标准向量组
;
第三标准向量组获取模块,用于利用公式
对任务名称X进行平均池化操作获得第三标准向量组
,
其中,strid为滑动窗口的步长,为h2个连续字组成的局部窗口;
工作任务向量计算模块,用于利用公式
计算工作任务的向量,其中t为任务名称向量;
,
和
分别为第一标准向量组、第二标准向量组、第三标准向量组的权重矩阵。
10.根据权利要求7所述的一种基于知识图谱的任务人员匹配系统,其特征在于,所述任务人员匹配模块包括:
相似度计算模块,用于利用公式
计算任务名称向量与三元组低维向量之间的相似度,其中为预测的相似度,ti为任务名称向量, 为当前员工的知识图谱向量,为三元组低维向量的转置矩阵,M为权重矩阵;
匹配模块,用于选择相似度最高的任务匹配给员工;
优化模块,用于利用公式
对模型进行训练,其中t为样本,y表示实际值,表示预测值,n表示样本数量,f表示loss函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310401793.7A CN116128257A (zh) | 2023-04-17 | 2023-04-17 | 基于知识图谱的任务人员匹配方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310401793.7A CN116128257A (zh) | 2023-04-17 | 2023-04-17 | 基于知识图谱的任务人员匹配方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116128257A true CN116128257A (zh) | 2023-05-16 |
Family
ID=86306607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310401793.7A Pending CN116128257A (zh) | 2023-04-17 | 2023-04-17 | 基于知识图谱的任务人员匹配方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116128257A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111813955A (zh) * | 2020-07-01 | 2020-10-23 | 浙江工商大学 | 一种基于知识图谱表示学习的服务聚类方法 |
CN112446629A (zh) * | 2020-12-02 | 2021-03-05 | 东莞理工学院 | 一种基于知识图谱的供应商选择方法 |
CN114491086A (zh) * | 2022-04-15 | 2022-05-13 | 成都晓多科技有限公司 | 服饰个性化搭配推荐方法、系统、电子设备及存储介质 |
CN114896414A (zh) * | 2022-05-06 | 2022-08-12 | 武汉理工大学 | 一种工业云机器人制造能力服务推荐方法 |
-
2023
- 2023-04-17 CN CN202310401793.7A patent/CN116128257A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111813955A (zh) * | 2020-07-01 | 2020-10-23 | 浙江工商大学 | 一种基于知识图谱表示学习的服务聚类方法 |
CN112446629A (zh) * | 2020-12-02 | 2021-03-05 | 东莞理工学院 | 一种基于知识图谱的供应商选择方法 |
CN114491086A (zh) * | 2022-04-15 | 2022-05-13 | 成都晓多科技有限公司 | 服饰个性化搭配推荐方法、系统、电子设备及存储介质 |
CN114896414A (zh) * | 2022-05-06 | 2022-08-12 | 武汉理工大学 | 一种工业云机器人制造能力服务推荐方法 |
Non-Patent Citations (2)
Title |
---|
SIYU WANG等: "A deep neural network model for fashion collocation recommendation using side information in e-commerce", 《APPLIED SOFT COMPUTING》, vol. 110, pages 1 - 10 * |
戚晓永: "基于文本挖掘的软件开发任务智能分发研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, no. 06, pages 138 - 311 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112949837B (zh) | 一种基于可信网络的目标识别联邦深度学习方法 | |
CN110083692B (zh) | 一种金融知识问答的文本交互匹配方法及装置 | |
CN108920544A (zh) | 一种基于知识图谱的个性化职位推荐方法 | |
WO2021042556A1 (zh) | 分类模型训练方法、装置、设备及计算机可读存储介质 | |
CN107451596B (zh) | 一种网络节点分类方法及装置 | |
CN109214298B (zh) | 一种基于深度卷积网络的亚洲女性颜值评分模型方法 | |
CN111401156B (zh) | 基于Gabor卷积神经网络的图像识别方法 | |
CN110929797A (zh) | 一种人员能力量化评估方法 | |
CN111080241A (zh) | 一种基于互联网平台的数据化人才管理分析系统 | |
CN111967729A (zh) | 一种基于数据挖掘的产业化人员画像评价方法 | |
CN111104975A (zh) | 一种基于广度学习的信用评估模型 | |
CN116664930A (zh) | 基于自监督对比学习的个性化联邦学习图像分类方法及系统 | |
CN111062260A (zh) | 一种面部整容推荐方案自动生成方法 | |
CN115147607A (zh) | 一种基于凸优化理论的抗噪声零样本图像分类方法 | |
CN115471885A (zh) | 动作单元相关性学习方法、装置、电子设备及存储介质 | |
CN107741943B (zh) | 一种结合实体图像的知识表示学习方法及服务器 | |
CN110910320B (zh) | 一种基于奇异值分解的人脸图像光照复原方法 | |
Hung et al. | Using a fuzzy group decision approach-knowledge management adoption | |
CN111221915B (zh) | 基于CWK-means的在线学习资源质量分析方法 | |
CN116128257A (zh) | 基于知识图谱的任务人员匹配方法及系统 | |
CN116166887A (zh) | 一种基于浏览器的企业热点定向推送方法 | |
CN115906153A (zh) | 面向样本不均衡场景下的联邦学习优化方法、装置及系统 | |
CN114529063A (zh) | 一种基于机器学习的金融领域数据预测方法、设备及介质 | |
CN107908999A (zh) | 一种结构特征层次化的疲劳表情识别方法 | |
CN113159528A (zh) | 一种岗位匹配评估方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230516 |