CN116166717B - 一种应用于简历的人工智能信息提取方法 - Google Patents

一种应用于简历的人工智能信息提取方法 Download PDF

Info

Publication number
CN116166717B
CN116166717B CN202310450015.7A CN202310450015A CN116166717B CN 116166717 B CN116166717 B CN 116166717B CN 202310450015 A CN202310450015 A CN 202310450015A CN 116166717 B CN116166717 B CN 116166717B
Authority
CN
China
Prior art keywords
resume
sequence
capability
linked list
analysis model
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
CN202310450015.7A
Other languages
English (en)
Other versions
CN116166717A (zh
Inventor
黄出为
刘庭波
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.)
Guizhou Freeke Network Technology Co ltd
Original Assignee
Guizhou Freeke Network 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 Guizhou Freeke Network Technology Co ltd filed Critical Guizhou Freeke Network Technology Co ltd
Priority to CN202310450015.7A priority Critical patent/CN116166717B/zh
Publication of CN116166717A publication Critical patent/CN116166717A/zh
Application granted granted Critical
Publication of CN116166717B publication Critical patent/CN116166717B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/248—Presentation of query results
    • 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
    • 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
    • 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

Abstract

本发明公开一种应用于简历的人工智能信息提取方法，服务器将接收到的简历处理为待提取简历集合；能力分析模型从待提取简历集合中的每份简历中提取对应能力信息；每一能力分析模型根据从简历中提取的能力信息形成评估分值，并根据各简历的顺序及其对应的评估分值形成对评估分值排序的序列链表；服务器根据所有能力分析模型的序列链表，对各份简历进行统一排序，以得到简历浏览顺序列表；将简历浏览顺序列表发送至数据获取终端；根据简历浏览顺序列表、各个序列链表和用户筛选的简历，向数据获取终端的用户推送简历。本发明提出的技术方案旨在解决现有的人力资源软件根据关键词筛选待选简历，导致有可能滤除了岗位匹配度较高的简历的问题。

Description

一种应用于简历的人工智能信息提取方法
技术领域
本发明涉及数据处理技术领域，具体涉及一种应用于简历的人工智能信息提取方法。
背景技术
简历筛选是招聘的关键环节，也是人力资源部门的一项重要的工作职能，简历筛选过程通过两方面来衡量筛选效率：第一方面是简历筛选中所花费的时间成本，第二方面是所筛选出来的简历是否符合用人部门的岗位需求。
通常简历筛选是通过人力资源部门采用阅读简历的方式进行，人力资源部门在阅读简历中，需要有效的提取简历中的关键信息，才能提高工作效率，节省工作时间。随着互联网信息科技的普及，现有的简历筛选可以借助人力资源软件来进行，但是其需要事先设置好岗位需求关键词，如性别、专业等等，再从待选简历中提取需要的信息，这种软件执行的其实就是按照关键词筛选简历的操作，以自动筛选简历。然而，这种筛选操作由于是根据硬性标准来滤除简历，例如，当筛选简历关键词中设置“女性”这一筛选词，则可能将岗位匹配度非常好的男性简历筛除。所以，这种方式灵活性较差，容易因为关键词设置得不完善，导致有可能滤除了岗位匹配度较高的简历，筛选结果满意度不高。
发明内容
本发明的主要目的是提供一种应用于简历的人工智能信息提取方法，旨在解决现有的人力资源软件根据关键词筛选待选简历，导致有可能滤除了岗位匹配度较高的简历的问题。
为实现上述目的，本发明提出了一种应用于简历的人工智能信息提取方法，应用于人工智能系统，所述人工智能系统包括服务器，以及分别与服务器信号连接的数据获取终端和数据接收终端；所述服务器中包括多个能力分析模型，每个所述能力分析模型用于评估简历在不同能力的评估分值，并输出评估分值的序列链表；所述方法包括如下步骤：
通过数据接收终端向所述服务器发送简历，并通过所述服务器将接收到的所述简历处理为待提取简历集合；
所述服务器中的各个能力分析模型分别从所述待提取简历集合中的每份简历中提取对应能力信息；
每一所述能力分析模型根据从简历中提取的能力信息进行评估形成评估分值，并根据各简历的顺序及其对应的评估分值形成对评估分值排序的序列链表；其中，序列链表中通过指针体现评估分值从大到小的排序；
所述服务器根据所有能力分析模型的序列链表，对各份简历进行统一排序，以得到简历浏览顺序列表；
将所述简历浏览顺序列表发送至所述数据获取终端；
根据所述简历浏览顺序列表、各个所述序列链表和用户筛选的简历，向数据获取终端的用户推送简历，包括：获取用户在所述数据获取终端中根据所述简历浏览顺序列表浏览简历的过程中，筛选出的目标简历；获取目标简历在各个序列链表中的评估分值排序，以确定目标简历的评估分值排序靠前的序列链表为目标链表；获取目标链表中处于目标简历的评估分值排序前后预设顺序的其他简历作为推荐简历；将所述推荐简历推送至所述数据获取终端。
优选地，所述通过数据接收终端向所述服务器发送简历，并通过所述服务器将接收到的所述简历处理为待提取简历集合的步骤之前，还包括：
创建与能力分析模型数量相等的序列链表，并获取为每个序列链表设定的链表名称；其中，链表名称包括能力分析模型提取的能力信息类型；
获取定义的链表节点；其中，链表节点包括指针单元和分值单元，其中，所述分值单元用于存储简历对应的评估分值，所述指针单元用于体现链表节点中的评估分值在整个链表中的全部评估分值中的大小顺序。
优选地，所述每一所述能力分析模型根据从简历中提取的能力信息进行评估形成评估分值，并根据各简历的顺序及其对应的评估分值形成序列链表的步骤，包括：
每一所述能力分析模型根据待提取简历集合中的简历顺序，每次按序从待提取简历集合中提取一件简历，并从提取的一件简历中提取对应的能力信息；
将提取出的能力信息输入能力分析模型的分析模块进行评估，以输出评估分值；
每当所述能力分析模型从待提取简历集合中提取一件简历时，根据链表节点的定义，在所述能力分析模型对应的链表中创建新的链表节点；
将输出的评估分值存储至新的链表节点的分值单元；
根据序列链表中所有评估分值的大小，更新序列链表中所有链表节点的指针中的顺序值，以使序列链表能体现各份简历在对应评估分值的排序。
优选地，所述方法，还包括：
所述服务器对所述待提取简历集合中的简历进行遍历，以获取简历关键信息的完整性；
所述服务器将关键信息不完整的简历从所述待提取简历集合中剔除。
优选地，所述服务器中的各个能力分析模型分别从所述待提取简历集合中的每份简历中提取对应能力信息的步骤之前，还包括：
所述服务器获取筛选关键词；
根据筛选关键词与各简历的匹配度，调整待提取简历集合中的简历排列顺序。
优选地，所述服务器中的各个能力分析模型分别从所述待提取简历集合中的每份简历中提取对应能力信息的步骤之前，包括：
预设简历的关键词集合，将关键词集合分别发送至全部的所述能力分析模型；其中，关键词集合包括多个分节关键词组，每一分节关键词组对应简历的一个板块名称；
将每一能力分析模型对应至其中一组分节关键词组；
所述服务器中的各个能力分析模型分别从所述待提取简历集合中的每份简历中提取对应能力信息的步骤，包括：
每个能力分析模型分别根据对应的分节关键词组，从所述待提取简历集合中的每份简历中定位对应的简历章节板块；
每个能力分析模型分别根据定位的简历章节板块，并根据其他的简历分节关键词组，识别定位的简历章节板块的起始文字和终止文字；
每个能力分析模型分别根据定位的简历章节板块的起始文字和终止文字，识别出对应的能力信息；
每个能力分析模型分别根据识别出的对应的能力信息，提取能力信息关键词。
优选地，所述将提取出的能力信息输入能力分析模型的分析模块进行评估，以输出评估分值的步骤，包括：
每个能力分析模型将能力信息关键词作为分值评估的输入数据，并根据输入数据，获得输出数据；
将所述输出数据作为对简历的评估分值。
优选地，每一能力分析模型确定简历的评估分值的具体方式为：
Figure SMS_1
；
其中，i为第i个能力分析模型，
Figure SMS_2
，I为能力分析模型的数量；j为第j份简历，
Figure SMS_3
，J为待提取简历集合中的简历数量；/>
Figure SMS_4
为第i个能力分析模型针对第j份简历提取的能力信息关键词集合；/>
Figure SMS_5
为第i个能力分析模型针对第j份简历提取的第m个能力信息关键词，/>
Figure SMS_6
，/>
Figure SMS_7
为第i个能力分析模型从第j份简历中提取出的能力信息关键词数量；
Figure SMS_8
；
其中，
Figure SMS_9
为第i个能力分析模型针对第j份简历输出的评估分值，/>
Figure SMS_10
为第i个能力分析模型针对第j份简历的第m个能力信息关键词的评估分值，/>
Figure SMS_11
为第i个能力分析模型针对第j份简历的第m个能力信息关键词的权重值。
优选地，确定推荐简历的具体方式如下：
Figure SMS_12
；
其中，
Figure SMS_13
为第j份简历在各个能力分析模型的评估分值排序的集合；/>
Figure SMS_14
为第j份简历在第i个能力分析模型中的评估分值排序；
Figure SMS_15
；
其中，
Figure SMS_16
为第j份简历在各个能力分析模型的评估分值排序位置按照从大到小排列后的顺序集合；
当第t份简历被确认为目标简历，则获取第t份简历在能力分析模型的评估分值排序位置按照从大到小排列后的顺序集合
Figure SMS_17
：
Figure SMS_18
；
Figure SMS_19
；
其中，
Figure SMS_20
为预设取值比例，/>
Figure SMS_21
；K为提取简历数量；
Figure SMS_22
；
其中，
Figure SMS_23
为从顺序集合/>
Figure SMS_24
中提取的排序为前K位的排序序号；
获取顺序集合
Figure SMS_25
中提取的排序为前K位的排序序号对应的目标链表的集合/>
Figure SMS_26
；
获取
Figure SMS_27
中的每个目标链表的处于目标简历的评估分值排序前后预设顺序的其他简历作为推荐简历。
本发明的技术方案中，采用了链表的数据结构，通过数据接收终端获取简历，通过服务器中的各个能力分析模型分别从所述待提取简历集合中的每份简历中提取对应能力信息，并计算评估分值（每个能力分析模型用于根据简历中的其中一个能力板块计算简历对应的评估分值），根据评估分值从大到小的顺序形成记录评估分值排序的序列链表，因此，根据能力分析模型的数量形成有相同数量的序列链表；服务器根据根据所有的序列链表中的评估分值排序，得到每份简历在简历集合中的统一排序，根据统一排序得到一个简历浏览顺序列表，因此，简历浏览顺序列表代表的是简历经过多重能力分析后得到的总排名，各个序列链表代表的是简历针对各种能力分别形成的排名；将简历浏览顺序列表发送至数据获取终端，以便于用户根据统一排序的先后次序逐一阅览简历，避免采用关键词筛选简历的方式造成因为关键词设置不合理导致的匹配度高的简历被筛除。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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示出的结构获得其他的附图。
图1为本发明应用于简历的人工智能信息提取方法一实施例的流程图；
图2为每一序列链表与待提取简历集合的对应关系示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“连接”、“固定”等应做广义理解，例如，“固定”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，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
另外，本发明各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
请参阅图1至图2，在本发明的第一实施例中，本发明提出了一种应用于简历的人工智能信息提取方法，应用于人工智能系统，所述人工智能系统包括服务器，以及分别与服务器信号连接的数据获取终端和数据接收终端；所述服务器中包括多个能力分析模型，每个所述能力分析模型用于评估简历在不同能力的评估分值，并输出评估分值的序列链表；所述方法包括如下步骤：
步骤S10，通过数据接收终端向所述服务器发送简历，并通过所述服务器将接收到的所述简历处理为待提取简历集合；
步骤S20，所述服务器中的各个能力分析模型分别从所述待提取简历集合中的每份简历中提取对应能力信息；
步骤S30，每一所述能力分析模型根据从简历中提取的能力信息进行评估形成评估分值，并根据各简历的顺序及其对应的评估分值形成对评估分值排序的序列链表；其中，序列链表中通过指针体现评估分值从大到小的排序；
步骤S40，所述服务器根据所有能力分析模型的序列链表，对各份简历进行统一排序，以得到简历浏览顺序列表；
步骤S50，将所述简历浏览顺序列表发送至所述数据获取终端；
步骤S60，根据所述简历浏览顺序列表、各个所述序列链表和用户筛选的简历，向数据获取终端的用户推送简历，包括：获取用户在所述数据获取终端中根据所述简历浏览顺序列表浏览简历的过程中，筛选出的目标简历；获取目标简历在各个序列链表中的评估分值排序，以确定目标简历的评估分值排序靠前的序列链表为目标链表；获取目标链表中处于目标简历的评估分值排序前后预设顺序的其他简历作为推荐简历；将所述推荐简历推送至所述数据获取终端。
本发明的技术方案中，采用了链表的数据结构，通过数据接收终端获取简历，通过服务器中的各个能力分析模型分别从所述待提取简历集合中的每份简历中提取对应能力信息，并计算评估分值（每个能力分析模型用于根据简历中的其中一个能力板块计算简历对应的评估分值），根据评估分值从大到小的顺序形成记录评估分值排序的序列链表，因此，根据能力分析模型的数量形成有相同数量的序列链表；服务器根据根据所有的序列链表中的评估分值排序，得到每份简历在简历集合中的统一排序，根据统一排序得到一个简历浏览顺序列表，因此，简历浏览顺序列表代表的是简历经过多重能力分析后得到的总排名，各个序列链表代表的是简历针对各种能力分别形成的排名；将简历浏览顺序列表发送至数据获取终端，以便于用户根据统一排序的先后次序逐一阅览简历，避免采用关键词筛选简历的方式造成因为关键词设置不合理导致的匹配度高的简历被筛除。
其中，数据接收终端用于接收简历，其中，数据接收终端可以为一个或多个。每一数据接收终端将接收到的简历发送至服务器，服务器获取用户设定的时段，将设定时段内接收到的简历存储至待提取简历集合。
所述服务器中设置有多个能力分析模型，每一能力分析模型用于评估简历其中一能力方向的评估分值。简历划分的能力板块数量与能力分析模型的数量相等。具体的，可以根据招聘需求将简历划分为若干能力板块，为了举例说明，本发明中的能力板块可以包括：个人基本情况、学历情况、工作资历情况和求职意向。此时能力分析模型的设置数量为4个。
第一能力分析模型用于从所述待提取简历集合中的每份简历中提取个人基本情况的能力信息，并形成个人基本情况的第一评估分值，形成第一序列链表，第一序列链表中通过第一指针体现各简历在个人基本情况方面的第一评估分值从大到小的排序，以及具体的第一评估分值；
第二能力分析模型用于从所述待提取简历集合中的每份简历中提取学历情况的能力信息，并形成学历情况的第二评估分值，形成第二序列链表，第二序列链表中通过第二指针体现各简历在学历情况方面的第二评估分值从大到小的排序，以及具体的第二评估分值；
第三能力分析模型用于从所述待提取简历集合中的每份简历中提取工作资历情况的能力信息，并形成工作资历情况的第三评估分值，形成第三序列链表，第三序列链表中通过第三指针体现各简历在工作资历情况方面的第三评估分值从大到小的排序，以及具体的第三评估分值；
第四能力分析模型用于从所述待提取简历集合中的每份简历中提取求职意向的能力信息，并形成求职意向的第四评估分值，形成第四序列链表，第四序列链表中通过第四指针体现各简历在求职意向方面的第四评估分值从大到小的排序，以及具体的第四评估分值。
进一步的，能力板块还可以进一步包括：自我评价、荣誉奖项、专业技能等，不以此为限。用户可以根据需要自定义能力板块的数量，每增加一个能力板块就相应采用对应的能力分析模型生成序列链表。
步骤S40中的简历浏览顺序列表是根据所有序列链表中记录的数据，计算得到的待提取简历集合中全部简历的综合排序。
数据获取终端为需要浏览简历推荐结果的用户的终端，简历浏览顺序列表发送至数据获取终端后，用户根据浏览顺序列表中记载的顺序，依次链接至对应的简历，从而实现了根据简历综合排序浏览简历的目的，从而浏览简历的过程是一个有序过程，优先阅读到匹配度高的简历，以提高浏览简历的效率。而对于排序于简历浏览顺序列表中较为靠后顺序的简历，也可以适当放弃浏览，节约浏览时间，提高简历推送的智能化。
同时，每一序列链表记录了各简历在不同能力方面的排序，当用户根据简历浏览顺序列表标记出了目标简历后，筛查目标简历具有优势排序的序列链表作为目标链表，将目标链表中位于目标简历的评估分值排序位置之前的简历以及位于目标简历的评估分值排序位置之后预设位置的简历共同作为推荐简历，将推荐简历推送至数据获取终端。从而，用户筛选目标简历的过程，根据目标能力的各序列链表中的评估分值排序靠前的链表，又能确定目标能力，从而根据目标能力对应的序列链表筛选出更多目标能力较强的简历推送至用户。因此，本发明中的简历信息提取，从能力综合排序和目标能力排序两个维度来筛选简历，有利于筛选出能力更符合岗位需求的简历，丰富简历筛选所考虑的维度，提高简历筛选的满意度。
具体的，用户能够在简历浏览顺序列表中将匹配度较高的简历标记为目标简历，并在数据获取终端根据标记的目标简历形成目标简历集合。服务器获取目标简历集合中的目标简历，并通过查询全部的序列链表，确定目标简历评估分值排序靠前的序列链表作为目标链表。
其中，评估分值排序靠前，指的是评估分值的排序位于对应序列链表的设定百分比排序以前，设定百分比一般取30%，当然也可以根据用户自定义来设定。
在目标链表中，将处于目标简历的评估分值排序之前的所有简历，以及将处于目标简历的评估分值排序后的预设排名位数的简历，共同作为推荐简历发送至数据获取终端。
从而，若用户在浏览简历浏览顺序列表时，自行标记出了目标简历，则根据目标简历的突出能力，能将更多具有同类突出能力的简历推送至用户，以避免仅依赖综合顺序浏览简历导致的重要简历被筛除。
基于本发明的应用于简历的人工智能信息提取方法的第一实施例，本发明的应用于简历的人工智能信息提取方法的第二实施例中，所述步骤S10之前，还包括：
步骤S70，创建与能力分析模型数量相等的序列链表，并获取为每个序列链表设定的链表名称；其中，链表名称包括能力分析模型提取的能力信息类型；
步骤S80，获取定义的链表节点；其中，链表节点包括指针单元和分值单元，其中，所述分值单元用于存储简历对应的评估分值，所述指针单元用于体现链表节点中的评估分值在整个链表中的全部评估分值中的大小顺序。
本实施例中定义了序列链表的结构，本发明中的序列链表为一种非顺序的存储结构，通过序列链表中的指针链接次序实现序列链表中每个节点对应数据的排序。序列链表包括一系列链表节点（其中，序列链表中每一个元素称为链表节点），链表节点可以在运行时动态生成。每个链表节点包括两个部分：一个是存储数据元素的数据域（即分值单元），另一个是存储下一个节点次序的指针域。
请参照图2，在本发明中，每个能力分析模型对应的序列链表中都具有多个链表节点，序列链表中的每一链表节点都是与待提取简历集合中的简历按序一一对应。从而，多个序列链表中的相同位置的链表节点能对应至待提取简历集合中的同一简历，体现同一简历在不同能力板块的评估分值。
进一步的，在本实施例中，可以建立总链表，总链表包括与待提取简历集合中的简历数量相等的总链表节点，总链表的每一总链表节点按序对应至待提取简历集合中的每一简历。
每一总链表节点设置若干分链表单元，每一总链表节点设置的分链表单元的数量与序列链表的数量相等。总链表节点的每一分链表单元同样包括指针单元和分值单元，以使总链表节点通过各分链表单元记录同一简历在不同能力板块对应的评估分值排序和具体评估分值。
更进一步地，可以将总链表发送至数据获取终端，因此，用户可以通过总链表确定每一简历在不同能力板块的评估分值排序和具体评估分值。
基于本发明的应用于简历的人工智能信息提取方法的第二实施例，本发明的应用于简历的人工智能信息提取方法的第三实施例中，所述步骤S30，包括：
步骤S31，每一所述能力分析模型根据待提取简历集合中的简历顺序，每次按序从待提取简历集合中提取一件简历，并从提取的一件简历中提取对应的能力信息；
步骤S32，将提取出的能力信息输入能力分析模型的分析模块进行评估，以输出评估分值；
步骤S33，每当所述能力分析模型从待提取简历集合中提取一件简历时，根据链表节点的定义，在所述能力分析模型对应的链表中创建新的链表节点；
步骤S34，将输出的评估分值存储至新的链表节点的分值单元；
步骤S35，根据序列链表中所有评估分值的大小，更新序列链表中所有链表节点的指针中的顺序值，以使序列链表能体现各份简历在对应评估分值的排序。
步骤S33具体为：能力分析模型从待提取简历集合中提取第一件简历时，对应的序列链表中根据链表节点的定义创建第一个链表节点，此时，由于该序列链表中仅有一个链表节点，所以，第一个链表节点中的指针单元记载的评估分值顺序为1，第一个链表节点中的分值单元记载的评估分值为第一件简历在对应能力板块的具体分值。
能力分析模型从待提取简历集合中提取第二件简历时，对应的序列链表中根据链表节点的定义创建第二个链表节点（排列在第一个链表节点之后），此时，由于该序列链表中仅有两个链表节点，所以，将第一个链表节点对应的评估分值和第二个链表节点对应的评估分值进行从大到小的排序，若第二个链表节点对应的评估分值大于第一个链表节点对应的评估分值，则第二个链表节点中的指针单元记载的评估分值顺序为1，而将第一个链表节点中的指针单元记载的评估分值顺序调整为2，第二个链表节点中的分值单元记载的评估分值为第二件简历在对应能力板块的具体分值。
能力分析模型从待提取简历集合中提取第三件简历时，对应的序列链表中根据链表节点的定义创建第三个链表节点（排列在第二个链表节点之后），此时，由于该序列链表中仅有三个链表节点，所以，将第一个链表节点对应的评估分值、第二个链表节点对应的评估分值和第三个链表节点对应的评估分值再次进行从大到小的排序，若第三个链表节点对应的评估分值大于第二个链表节点对应的评估分值，则第三个链表节点中的指针单元记载的评估分值顺序为1，第二个链表节点中的指针单元记载的评估分值顺序调整为2，而将第一个链表节点中的指针单元记载的评估分值顺序调整为3，第三个链表节点中的分值单元记载的评估分值为第三件简历在对应能力板块的具体分值。
进一步的，待提取简历集合可以是不变的，或者动态变化的。
待提取简历集合可以在用户设定的时段后生成，此时，生成的待提取简历集合是不变的。待提取简历集合也可以在用户设定的时段中生成，在设定的时段的截止时间之前，随着数据接收终端不断获取到新的简历按序添加至待提取简历集合的末尾中，因此，待提取简历集合是动态变化的。
本发明的技术方案适用于不变的待提取简历集合或者动态变化的简历集合。具体的，由于序列链表中的每一链表节点都是与待提取简历集合中的简历按序对应，当待提取简历集合的末尾添加有新的简历时，在每个序列链表的末尾也按序添加新的链表节点与新的简历对应即可。而随着新的链表节点的生成，会改变序列链表中的各个指针单元中的顺序值。
基于本发明的应用于简历的人工智能信息提取方法的第一实施例至第三实施例中任一项，本发明的应用于简历的人工智能信息提取方法的第四实施例中，所述方法，还包括：
步骤S90，所述服务器对所述待提取简历集合中的简历进行遍历，以获取简历关键信息的完整性；
步骤S100，所述服务器将关键信息不完整的简历从所述待提取简历集合中剔除。
进一步的，关键信息不全的简历，在对应的能力板块的评估分值一般也低，例如，缺乏工作资历情况、缺乏学历情况，这样的简历质量太低，通常岗位匹配度也不高，通过剔除操作可以筛除低质量简历，有利于降低处理的数据量和用户筛选时间。
基于本发明的应用于简历的人工智能信息提取方法的第一实施例至第四实施例中任一项，本发明的应用于简历的人工智能信息提取方法的第五实施例中，所述步骤S20之前，还包括：
步骤S110，所述服务器获取筛选关键词；
步骤S120，根据筛选关键词与各简历的匹配度，调整待提取简历集合中的简历排列顺序。
进一步的，本实施例中还用到了关键词来调整简历，与现有技术不同的是，现有技术中的简历筛选软件通过关键词筛选，直接将未筛选出来的简历滤除，导致可能漏筛重要简历。而本发明只是通过筛选关键词，将出现了关键词的简历调整到待提取简历集合的前列，这样的好处是，可以优先在序列链表的前列体现匹配度高的简历的评估分值，数据获取终端通过向服务器发送请求，即可查询到序列链表，并在简历浏览顺序列表生成之前，通过序列链表中各个链表节点的排序，并结合指针单元的顺序值，快速定位到关键简历进行查看。
基于本发明的应用于简历的人工智能信息提取方法的第三实施例，本发明的应用于简历的人工智能信息提取方法的第六实施例中，所述步骤S30之前，包括：
步骤S130，预设简历的关键词集合，将关键词集合分别发送至全部的所述能力分析模型；其中，关键词集合包括多个分节关键词组，每一分节关键词组对应简历的一个板块名称；
步骤S140，将每一能力分析模型对应至其中一组分节关键词组；
步骤S20，包括：
步骤S21，每个能力分析模型分别根据对应的分节关键词组，从所述待提取简历集合中的每份简历中定位对应的简历章节板块；
步骤S22，每个能力分析模型分别根据定位的简历章节板块，并根据其他的简历分节关键词组，识别定位的简历章节板块的起始文字和终止文字；
步骤S23，每个能力分析模型分别根据定位的简历章节板块的起始文字和终止文字，识别出对应的能力信息；
步骤S24，每个能力分析模型分别根据识别出的对应的能力信息，提取能力信息关键词。
本实施例中，为了举例说明，以关键词集合包括四个分节关键词组为例进行介绍，具体的，关键词集合包括：
与第一能力分析模型对应的个人基本情况关键词组、与第二能力分析模型对应的学历情况关键词组、与第三能力分析模型对应的工作资历情况关键词组和与第四能力分析模型对应的求职意向关键词组。
其中，每一分节关键词组包含多个与简历章节标题相关的关键词。
个人基本情况关键词组包括的关键词用于帮助第一能力分析模型定位简历的个人基本情况板块，包含的关键词可以为：个人信息、基础信息、个人资料、基本信息、基本情况。
学历情况关键词组包括的关键词用于帮助第二能力分析模型定位简历的学历情况板块，包含的关键词可以为：教育背景、教育经历、毕业院校。
工作资历情况关键词组包括的关键词用于帮助第三能力分析模型定位简历的工作资历情况板块，包含的关键词可以为：工作经历、工作经验、工作情况、工作单位。
求职意向关键词组包括的关键词用于帮助第四能力分析模型定位简历的求职意向板块，包含的关键词可以为：求职意向、求职岗位、意向岗位。
每一能力分析模型定位到简历中对应的简历版块指的是定位简历章节板块的大概位置，定位到简历章节板块后，能力分析模型通过其他的简历分节关键词组识别定位的简历章节板块的起始文字和终止文字，以确定对应的简历章节板块精确的信息位置。
步骤S24中的能力信息关键词的提取，也需要为每个能力分析模型预设对应的信息关键词集合，先将对应的能力信息识别出，然后利用信息关键词集合中的关键词遍历对应的能力信息，以从对应的能力信息中筛选出信息关键词集合中包含的词汇作为能力信息关键词。
以个人基本情况板块为例，为第一能力分析模型分配的信息关键词集合可以为：
Figure SMS_28
，这一信息关键词集合体现的对个人基本情况的要求是：性别为女性的、住址或者籍贯为湖北的、所学专业或者从事岗位为人力资源专业的人员。当筛选到信息关键词集合中的词汇时，就将这些词汇提取出来存放至第一能力分析模型的输入数据集合中。
基于本发明的应用于简历的人工智能信息提取方法的第六实施例，本发明的应用于简历的人工智能信息提取方法的第七实施例中，所述步骤S32，包括：
步骤S321，每个能力分析模型将能力信息关键词作为分值评估的输入数据，并根据输入数据，获得输出数据；
步骤S322，将所述输出数据作为对简历的评估分值。
当筛选到信息关键词集合中的词汇时，就将这些词汇提取出来存放至第一能力分析模型的输入数据集合中，简历在对应能力板块的匹配程度越高，其筛选出来存放至输入数据集合中的关键词就越多，从而，根据存放至输入数据集合中的关键词多少，以及每个关键词的权重，即可输出得到对应能力板块的评估分值。
基于本发明的应用于简历的人工智能信息提取方法的第八实施例，本发明的应用于简历的人工智能信息提取方法的第九实施例中，每一能力分析模型确定简历的评估分值的具体方式为：
Figure SMS_29
；
其中，i为第i个能力分析模型，
Figure SMS_30
，I为能力分析模型的数量；j为第j份简历，/>
Figure SMS_31
，J为待提取简历集合中的简历数量；/>
Figure SMS_32
为第i个能力分析模型针对第j份简历提取的能力信息关键词集合；/>
Figure SMS_33
为第i个能力分析模型针对第j份简历提取的第m个能力信息关键词，/>
Figure SMS_34
，/>
Figure SMS_35
为第i个能力分析模型从第j份简历中提取出的能力信息关键词数量；
Figure SMS_36
；
其中，
Figure SMS_37
为第i个能力分析模型针对第j份简历输出的评估分值，/>
Figure SMS_38
为第i个能力分析模型针对第j份简历的第m个能力信息关键词的评估分值，/>
Figure SMS_39
为第i个能力分析模型针对第j份简历的第m个能力信息关键词的权重值。
具体的，
Figure SMS_40
为第i个能力分析模型针对第j份简历的第m个能力信息关键词的评估分值指的是设定的标准分，在同一能力分析模型中，各个能力信息关键词的设定的标准分一般可以是相同的，但也可以不同。在不同能力分析模型中，各个能力信息关键词的设定的标准分可以是不相同的。而同一能力分析模型中，各个能力信息关键词的权重值一般是不同的。
以个人基本情况板块为例，为第一能力分析模型分配的信息关键词集合为
Figure SMS_41
时，为信息关键词“女”、“湖北”、“人力资源”设置的标准分可以均为20，对应的权重值可以依次为30%、10%、60%。
基于本发明的应用于简历的人工智能信息提取方法的第八实施例，本发明的应用于简历的人工智能信息提取方法的第九实施例中，确定推荐简历的具体方式如下：
Figure SMS_42
；
其中，
Figure SMS_43
为第j份简历在各个能力分析模型的评估分值排序的集合；/>
Figure SMS_44
为第j份简历在第i个能力分析模型中的评估分值排序；
Figure SMS_45
；
其中，
Figure SMS_46
为第j份简历在各个能力分析模型的评估分值排序位置按照从大到小排列后的顺序集合；
当第t份简历被确认为目标简历，则获取第t份简历在能力分析模型的评估分值排序位置按照从大到小排列后的顺序集合
Figure SMS_47
：
Figure SMS_48
；
Figure SMS_49
；
其中，
Figure SMS_50
为预设取值比例，/>
Figure SMS_51
；K为提取简历数量；
Figure SMS_52
；/>
其中，
Figure SMS_53
为从顺序集合/>
Figure SMS_54
中提取的排序为前K位的排序序号；
获取顺序集合
Figure SMS_55
中提取的排序为前K位的排序序号对应的目标链表的集合/>
Figure SMS_56
；
获取
Figure SMS_57
中的每个目标链表的处于目标简历的评估分值排序前后预设顺序的其他简历作为推荐简历。
以上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专利保护范围内。

Claims (9)

1.一种应用于简历的人工智能信息提取方法，其特征在于，应用于人工智能系统，所述人工智能系统包括服务器，以及分别与服务器信号连接的数据获取终端和数据接收终端；所述服务器中包括多个能力分析模型，每个所述能力分析模型用于评估简历在不同能力的评估分值，并输出评估分值的序列链表；所述方法包括如下步骤：
通过数据接收终端向所述服务器发送简历，并通过所述服务器将接收到的所述简历处理为待提取简历集合；
所述服务器中的各个能力分析模型分别从所述待提取简历集合中的每份简历中提取对应能力信息；
每一所述能力分析模型根据从简历中提取的能力信息进行评估形成评估分值，并根据各简历的顺序及其对应的评估分值形成对评估分值排序的序列链表；其中，序列链表中通过指针体现评估分值从大到小的排序；
所述服务器根据所有能力分析模型的序列链表，对各份简历进行统一排序，以得到简历浏览顺序列表；
将所述简历浏览顺序列表发送至所述数据获取终端；
根据所述简历浏览顺序列表、各个所述序列链表和用户筛选的简历，向数据获取终端的用户推送简历，包括：获取用户在所述数据获取终端中根据所述简历浏览顺序列表浏览简历的过程中，筛选出的目标简历；获取目标简历在各个序列链表中的评估分值排序，以确定目标简历的评估分值排序靠前的序列链表为目标链表；获取目标链表中处于目标简历的评估分值排序前后预设顺序的其他简历作为推荐简历；将所述推荐简历推送至所述数据获取终端。
2.根据权利要求1所述的应用于简历的人工智能信息提取方法，其特征在于，所述通过数据接收终端向所述服务器发送简历，并通过所述服务器将接收到的所述简历处理为待提取简历集合的步骤之前，还包括：
创建与能力分析模型数量相等的序列链表，并获取为每个序列链表设定的链表名称；其中，链表名称包括能力分析模型提取的能力信息类型；
获取定义的链表节点；其中，链表节点包括指针单元和分值单元，其中，所述分值单元用于存储简历对应的评估分值，所述指针单元用于体现链表节点中的评估分值在整个链表中的全部评估分值中的大小顺序。
3.根据权利要求2所述的应用于简历的人工智能信息提取方法，其特征在于，所述每一所述能力分析模型根据从简历中提取的能力信息进行评估形成评估分值，并根据各简历的顺序及其对应的评估分值形成序列链表的步骤，包括：
每一所述能力分析模型根据待提取简历集合中的简历顺序，每次按序从待提取简历集合中提取一件简历，并从提取的一件简历中提取对应的能力信息；
将提取出的能力信息输入能力分析模型的分析模块进行评估，以输出评估分值；
每当所述能力分析模型从待提取简历集合中提取一件简历时，根据链表节点的定义，在所述能力分析模型对应的链表中创建新的链表节点；
将输出的评估分值存储至新的链表节点的分值单元；
根据序列链表中所有评估分值的大小，更新序列链表中所有链表节点的指针中的顺序值，以使序列链表能体现各份简历在对应评估分值的排序。
4.根据权利要求1至3中任一项所述的应用于简历的人工智能信息提取方法，其特征在于，所述方法，还包括：
所述服务器对所述待提取简历集合中的简历进行遍历，以获取简历关键信息的完整性；
所述服务器将关键信息不完整的简历从所述待提取简历集合中剔除。
5.根据权利要求1至3中任一项所述的应用于简历的人工智能信息提取方法，其特征在于，所述服务器中的各个能力分析模型分别从所述待提取简历集合中的每份简历中提取对应能力信息的步骤之前，还包括：
所述服务器获取筛选关键词；
根据筛选关键词与各简历的匹配度，调整待提取简历集合中的简历排列顺序。
6.根据权利要求3所述的应用于简历的人工智能信息提取方法，其特征在于，所述服务器中的各个能力分析模型分别从所述待提取简历集合中的每份简历中提取对应能力信息的步骤之前，包括：
预设简历的关键词集合，将关键词集合分别发送至全部的所述能力分析模型；其中，关键词集合包括多个分节关键词组，每一分节关键词组对应简历的一个板块名称；
将每一能力分析模型对应至其中一组分节关键词组；
所述服务器中的各个能力分析模型分别从所述待提取简历集合中的每份简历中提取对应能力信息的步骤，包括：
每个能力分析模型分别根据对应的分节关键词组，从所述待提取简历集合中的每份简历中定位对应的简历章节板块；
每个能力分析模型分别根据定位的简历章节板块，并根据其他的简历分节关键词组，识别定位的简历章节板块的起始文字和终止文字；
每个能力分析模型分别根据定位的简历章节板块的起始文字和终止文字，识别出对应的能力信息；
每个能力分析模型分别根据识别出的对应的能力信息，提取能力信息关键词。
7.根据权利要求6所述的应用于简历的人工智能信息提取方法，其特征在于，所述将提取出的能力信息输入能力分析模型的分析模块进行评估，以输出评估分值的步骤，包括：
每个能力分析模型将能力信息关键词作为分值评估的输入数据，并根据输入数据，获得输出数据；
将所述输出数据作为对简历的评估分值。
8.根据权利要求7所述的应用于简历的人工智能信息提取方法，其特征在于，每一能力分析模型确定简历的评估分值的具体方式为：
Figure QLYQS_1
；
其中，i为第i个能力分析模型，
Figure QLYQS_2
，I为能力分析模型的数量；j为第j份简历，
Figure QLYQS_3
，J为待提取简历集合中的简历数量；/>
Figure QLYQS_4
为第i个能力分析模型针对第j份简历提取的能力信息关键词集合；/>
Figure QLYQS_5
为第i个能力分析模型针对第j份简历提取的第m个能力信息关键词，/>
Figure QLYQS_6
，/>
Figure QLYQS_7
为第i个能力分析模型从第j份简历中提取出的能力信息关键词数量；
Figure QLYQS_8
；
其中，
Figure QLYQS_9
为第i个能力分析模型针对第j份简历输出的评估分值，/>
Figure QLYQS_10
为第i个能力分析模型针对第j份简历的第m个能力信息关键词的评估分值，/>
Figure QLYQS_11
为第i个能力分析模型针对第j份简历的第m个能力信息关键词的权重值。
9.根据权利要求8所述的应用于简历的人工智能信息提取方法，其特征在于，确定推荐简历的具体方式如下：
Figure QLYQS_12
；
其中，
Figure QLYQS_13
为第j份简历在各个能力分析模型的评估分值排序的集合；/>
Figure QLYQS_14
为第j份简历在第i个能力分析模型中的评估分值排序；
Figure QLYQS_15
；
其中，
Figure QLYQS_16
为第j份简历在各个能力分析模型的评估分值排序位置按照从大到小排列后的顺序集合；
当第t份简历被确认为目标简历，则获取第t份简历在能力分析模型的评估分值排序位置按照从大到小排列后的顺序集合
Figure QLYQS_17
：
Figure QLYQS_18
；
Figure QLYQS_19
；
其中，
Figure QLYQS_20
为预设取值比例，/>
Figure QLYQS_21
；K为提取简历数量；
Figure QLYQS_22
；
其中，
Figure QLYQS_23
为从顺序集合/>
Figure QLYQS_24
中提取的排序为前K位的排序序号；
获取顺序集合
Figure QLYQS_25
中提取的排序为前K位的排序序号对应的目标链表的集合/>
Figure QLYQS_26
；
获取
Figure QLYQS_27
中的每个目标链表的处于目标简历的评估分值排序前后预设顺序的其他简历作为推荐简历。
CN202310450015.7A 2023-04-25 2023-04-25 一种应用于简历的人工智能信息提取方法 Active CN116166717B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310450015.7A CN116166717B (zh) 2023-04-25 2023-04-25 一种应用于简历的人工智能信息提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310450015.7A CN116166717B (zh) 2023-04-25 2023-04-25 一种应用于简历的人工智能信息提取方法

Publications (2)

Publication Number Publication Date
CN116166717A CN116166717A (zh) 2023-05-26
CN116166717B true CN116166717B (zh) 2023-06-23

Family

ID=86418587

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310450015.7A Active CN116166717B (zh) 2023-04-25 2023-04-25 一种应用于简历的人工智能信息提取方法

Country Status (1)

Country Link
CN (1) CN116166717B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117236648B (zh) * 2023-11-10 2024-03-01 贵州自由客网络技术有限公司 人才招聘与匹配的智能化系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6205527B1 (en) * 1998-02-24 2001-03-20 Adaptec, Inc. Intelligent backup and restoring system and method for implementing the same
US8628331B1 (en) * 2010-04-06 2014-01-14 Beth Ann Wright Learning model for competency based performance
CN108172047A (zh) * 2018-01-19 2018-06-15 上海理工大学 一种网络在线学习资源个性化实时推荐方法
CN108446886A (zh) * 2018-01-31 2018-08-24 合肥和钧正策信息技术有限公司 基于大数据的人才招聘系统及方法
CN112463835A (zh) * 2020-12-11 2021-03-09 广东电网有限责任公司 一种使用关联关系分析的专家关系查找方法及装置
CN112559726A (zh) * 2020-12-22 2021-03-26 深圳市易博天下科技有限公司 简历信息的过滤方法、模型训练方法、装置、设备及介质
CN113902009A (zh) * 2021-09-30 2022-01-07 北京百度网讯科技有限公司 一种简历分析方法、装置、电子设备、介质及产品
CN115699050A (zh) * 2019-11-05 2023-02-03 强力价值链网络投资组合2019有限公司 价值链网络控制塔和企业管理平台

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210073737A1 (en) * 2016-07-18 2021-03-11 Jpmorgan Chase Bank, N.A. System and method for prediction of job performance
US10796217B2 (en) * 2016-11-30 2020-10-06 Microsoft Technology Licensing, Llc Systems and methods for performing automated interviews

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6205527B1 (en) * 1998-02-24 2001-03-20 Adaptec, Inc. Intelligent backup and restoring system and method for implementing the same
US8628331B1 (en) * 2010-04-06 2014-01-14 Beth Ann Wright Learning model for competency based performance
CN108172047A (zh) * 2018-01-19 2018-06-15 上海理工大学 一种网络在线学习资源个性化实时推荐方法
CN108446886A (zh) * 2018-01-31 2018-08-24 合肥和钧正策信息技术有限公司 基于大数据的人才招聘系统及方法
CN115699050A (zh) * 2019-11-05 2023-02-03 强力价值链网络投资组合2019有限公司 价值链网络控制塔和企业管理平台
CN112463835A (zh) * 2020-12-11 2021-03-09 广东电网有限责任公司 一种使用关联关系分析的专家关系查找方法及装置
CN112559726A (zh) * 2020-12-22 2021-03-26 深圳市易博天下科技有限公司 简历信息的过滤方法、模型训练方法、装置、设备及介质
CN113902009A (zh) * 2021-09-30 2022-01-07 北京百度网讯科技有限公司 一种简历分析方法、装置、电子设备、介质及产品

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Enhancing Information Extraction Process in Job Recommendation using Semantic Technology;Assia Brek等;《International Journal of Performability Engineering》;第18卷(第5期);第369-379页 *
基于区块链和智能合约的需求匹配算法研究;李一凡;《中国优秀硕士学位论文全文数据库信息科技辑》(第2期);第I138-261页 *

Also Published As

Publication number Publication date
CN116166717A (zh) 2023-05-26

Similar Documents

Publication Publication Date Title
US8346746B2 (en) Aggregation, organization and provision of professional and social information
CN106021362A (zh) 查询式的图片特征表示的生成、图片搜索方法和装置
CN116166717B (zh) 一种应用于简历的人工智能信息提取方法
CN107526846B (zh) 频道排序模型的生成、排序方法、装置、服务器和介质
CN103729424A (zh) 问答社区内回答评价方法和系统
US20190272769A1 (en) Information processing device, information processing method, and non-transitory computer readable medium storing information processing program
CN113722478B (zh) 多维度特征融合相似事件计算方法、系统及电子设备
CN113282834A (zh) 基于移动互联网数据深度挖掘的网页搜索智能排序方法、系统和计算机存储介质
DE102014012597A1 (de) Suchverfahren für verwandte Bilder und Benutzerschnittstelle zur Steuerung des Verfahrens
CN106611058A (zh) 一种试题搜索方法及装置
US20180365324A1 (en) Method of data organization and data searching for use in constructing evidence-based beliefs
US20110020777A1 (en) Jury research system
CN112115971A (zh) 一种基于异质学术网络进行学者画像的方法及系统
CN105389482A (zh) 一种基于云平台的大数据分析方法
KR101780237B1 (ko) 온라인 상에 공개된 질의응답 데이터를 기초로 한 사용자 질의에 대한 응답 방법 및 장치
DE102019220056A1 (de) Domänenwissensinjektion in halb-schwarmausgelagerte unstrukturierte datenzusammenfassung für diagnose und reparatur
CN111767424B (zh) 图像处理方法、装置、电子设备及计算机存储介质
CN112529533A (zh) 一种基于大数据的简历推送方法
CN104809253B (zh) 互联网数据分析系统
CN111160699A (zh) 一种专家推荐方法及系统
CN108710620B (zh) 一种基于用户的k-最近邻算法的图书推荐方法
CN114742522B (zh) 一种勘察设计图自动对比方法、系统、装置及存储介质
CN110188277A (zh) 一种资源的推荐方法及装置
CN115470255A (zh) 一种基于数据处理的信息检索分析系统
TW202006617A (zh) 雲端自助分析平台與其分析方法

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