CN116401464A - 一种职业用户画像的构建方法、装置、设备及存储介质 - Google Patents

一种职业用户画像的构建方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN116401464A
CN116401464A CN202310645501.4A CN202310645501A CN116401464A CN 116401464 A CN116401464 A CN 116401464A CN 202310645501 A CN202310645501 A CN 202310645501A CN 116401464 A CN116401464 A CN 116401464A
Authority
CN
China
Prior art keywords
resume
target
professional
posts
information
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.)
Granted
Application number
CN202310645501.4A
Other languages
English (en)
Other versions
CN116401464B (zh
Inventor
张海东
童昌泰
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 Elanw Network Co ltd
Original Assignee
Shenzhen Elanw Network 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 Elanw Network Co ltd filed Critical Shenzhen Elanw Network Co ltd
Priority to CN202310645501.4A priority Critical patent/CN116401464B/zh
Publication of CN116401464A publication Critical patent/CN116401464A/zh
Application granted granted Critical
Publication of CN116401464B publication Critical patent/CN116401464B/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
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • 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
    • G06F16/35—Clustering; Classification
    • G06F16/353—Clustering; Classification into predefined classes
    • 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
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

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

Abstract

本发明涉及大数据领域，公开了一种职业用户画像的构建方法、装置、设备及存储介质，用于提高职业用户画像的构建准确率。所述方法包括：将多个简历关键词以及初始行业信息输入简历行业分类模型进行行业分类预测，得到K个目标行业；查询N个第一候选岗位以及M个第二候选岗位，根据N个第一候选岗位和M个第二候选岗位，生成K个关联岗位；将多个简历关键词输入打分模型进行职业发展阶段预测，得到职业发展阶段预测信息；根据K个目标行业、K个关联岗位以及职业发展阶段预测信息构建目标用户的初始用户画像；根据行为数据信息，计算初始用户画像的目标可信度，并根据目标可信度，对初始用户画像进行修正，得到目标用户画像。

Description

一种职业用户画像的构建方法、装置、设备及存储介质
技术领域
本发明涉及大数据领域，尤其涉及一种职业用户画像的构建方法、装置、设备及存储介质。
背景技术
用户画像的构建在电子商务、内容分发领域应用较为广泛，大多数推荐系统会通过构建用户画像的方式进行精准的推荐。求职招聘领域同样有类似的需求：如人岗匹配、简历推荐、岗位推荐、职业信息推送等
构建职业用户画像，分析出职场人士在职业领域相关的特征，对提升用户求职体验、企业寻找意向人才的效率、职业资讯的分发准确度有较大的提升。
发明内容
本发明提供了一种职业用户画像的构建方法、装置、设备及存储介质，用于提高职业用户画像的构建准确率。
本发明第一方面提供了一种职业用户画像的构建方法，所述职业用户画像的构建方法包括：
获取目标用户的简历数据信息以及行为数据信息，并对所述简历数据信息进行关键词特征提取，得到多个简历关键词；
根据预置的行业和职业知识图谱匹配所述目标用户的初始行业信息，并将所述多个简历关键词以及所述初始行业信息输入预置的简历行业分类模型进行行业分类预测，得到K个目标行业；
根据所述多个简历关键词并通过预置的岗位关系图谱查询N个第一候选岗位，以及对所述多个简历关键词与预置的岗位知识图谱进行匹配，得到M个第二候选岗位，以及根据所述N个第一候选岗位和所述M个第二候选岗位，生成K个关联岗位；
将所述多个简历关键词输入预置的打分模型进行职业发展阶段预测，得到职业发展阶段预测信息；
根据所述K个目标行业、所述K个关联岗位以及所述职业发展阶段预测信息构建所述目标用户的初始用户画像；
根据所述行为数据信息，计算所述初始用户画像的目标可信度，并根据所述目标可信度，对所述初始用户画像进行修正，得到目标用户画像。
结合第一方面，在本发明第一方面的第一实施方式中，所述获取目标用户的简历数据信息以及行为数据信息，并对所述简历数据信息进行关键词特征提取，得到多个简历关键词，包括：
获取目标用户的简历数据信息；
对所述目标用户进行行为分析，得到行为数据信息，其中，所述行为数据信息包括：投递行为信息以及浏览行为信息；
对所述简历数据信息进行关键词特征提取，得到多个简历关键词，其中，所述多个简历关键词包括：过往岗位、过往供职公司、工作经历、项目经历、意向岗位、职业技能以及自我评价。
结合第一方面，在本发明第一方面的第二实施方式中，所述根据预置的行业和职业知识图谱匹配所述目标用户的初始行业信息，并将所述多个简历关键词以及所述初始行业信息输入预置的简历行业分类模型进行行业分类预测，得到K个目标行业，包括：
对所述目标用户的过往岗位和过往供职公司与预置的行业和职业知识图谱进行匹配，得到初始行业信息；
将所述多个简历关键词以及所述初始行业信息输入预置的简历行业分类模型进行行业分类预测，得到多个行业预测结果；
对所述多个行业预测结果进行加权计算，生成所述目标用户对应的K个目标行业。
结合第一方面，在本发明第一方面的第三实施方式中，所述根据所述多个简历关键词并通过预置的岗位关系图谱查询N个第一候选岗位，以及对所述多个简历关键词与预置的岗位知识图谱进行匹配，得到M个第二候选岗位，以及根据所述N个第一候选岗位和所述M个第二候选岗位，生成K个关联岗位，包括：
根据所述多个简历关键词中的意向岗位和过往岗位，并通过预置的岗位关系图谱查询N个第一候选岗位；
对所述多个简历关键词中的工作经历、项目经历、职业技能以及自我评价与预置的岗位知识图谱进行匹配，得到M个第二候选岗位；
计算所述N个第一候选岗位以及所述M个第二候选岗位的命中数和权重数据，生成K个关联岗位。
结合第一方面，在本发明第一方面的第四实施方式中，所述将所述多个简历关键词输入预置的打分模型进行职业发展阶段预测，得到职业发展阶段预测信息，包括：
基于预设的职业发展阶段定义，对所述多个简历关键词中的过往岗位和工作经历进行识别，得到所述目标用户的当前职业发展阶段；
通过预置的打分模型，对所述多个简历关键词进行职业发展阶段分类预测，得到职业发展阶段预测信息。
结合第一方面，在本发明第一方面的第五实施方式中，所述根据所述行为数据信息，计算所述初始用户画像的目标可信度，并根据所述目标可信度，对所述初始用户画像进行修正，得到目标用户画像，包括：
对所述行为数据信息中的投递行为信息以及浏览行为信息进行特征提取和向量转换，生成行为特征向量；
对所述K个关联岗位进行向量转换，得到关联岗位特征向量；
对所述行为特征向量和所述关联岗位特征向量进行向量距离运算，得到目标可信度；
判断所述目标可信度是否低于预设阈值；
若低于，则对所述初始用户画像进行修正，得到目标用户画像；
若高于或者等于，则对所述初始用户画像打上可信度低标签，输出目标用户画像。
结合第一方面，在本发明第一方面的第六实施方式中，所述职业用户画像的构建方法还包括：
对所述目标用户画像进行数据处理和向量转换，生成目标向量数据，其中，所述数据处理包括：异常值清洗、连续特征离散化、归一化以及标准化同意尺度；
根据所述目标向量数据，对所述目标用户进行求职岗位推荐、企业人选推荐以及面向人才的职业资讯分发。
本发明第二方面提供了一种职业用户画像的构建装置，所述职业用户画像的构建装置包括：
获取模块，用于获取目标用户的简历数据信息以及行为数据信息，并对所述简历数据信息进行关键词特征提取，得到多个简历关键词；
匹配模块，用于根据预置的行业和职业知识图谱匹配所述目标用户的初始行业信息，并将所述多个简历关键词以及所述初始行业信息输入预置的简历行业分类模型进行行业分类预测，得到K个目标行业；
查询模块，用于根据所述多个简历关键词并通过预置的岗位关系图谱查询N个第一候选岗位，以及对所述多个简历关键词与预置的岗位知识图谱进行匹配，得到M个第二候选岗位，以及根据所述N个第一候选岗位和所述M个第二候选岗位，生成K个关联岗位；
预测模块，用于将所述多个简历关键词输入预置的打分模型进行职业发展阶段预测，得到职业发展阶段预测信息；
构建模块，用于根据所述K个目标行业、所述K个关联岗位以及所述职业发展阶段预测信息构建所述目标用户的初始用户画像；
修正模块，用于根据所述行为数据信息，计算所述初始用户画像的目标可信度，并根据所述目标可信度，对所述初始用户画像进行修正，得到目标用户画像。
结合第二方面，在本发明第二方面的第一实施方式中，所述获取模块具体用于：
获取目标用户的简历数据信息；
对所述目标用户进行行为分析，得到行为数据信息，其中，所述行为数据信息包括：投递行为信息以及浏览行为信息；
对所述简历数据信息进行关键词特征提取，得到多个简历关键词，其中，所述多个简历关键词包括：过往岗位、过往供职公司、工作经历、项目经历、意向岗位、职业技能以及自我评价。
结合第二方面，在本发明第二方面的第二实施方式中，所述匹配模块具体用于：
对所述目标用户的过往岗位和过往供职公司与预置的行业和职业知识图谱进行匹配，得到初始行业信息；
将所述多个简历关键词以及所述初始行业信息输入预置的简历行业分类模型进行行业分类预测，得到多个行业预测结果；
对所述多个行业预测结果进行加权计算，生成所述目标用户对应的K个目标行业。
结合第二方面，在本发明第二方面的第三实施方式中，所述查询模块具体用于：
根据所述多个简历关键词中的意向岗位和过往岗位，并通过预置的岗位关系图谱查询N个第一候选岗位；
对所述多个简历关键词中的工作经历、项目经历、职业技能以及自我评价与预置的岗位知识图谱进行匹配，得到M个第二候选岗位；
计算所述N个第一候选岗位以及所述M个第二候选岗位的命中数和权重数据，生成K个关联岗位。
结合第二方面，在本发明第二方面的第四实施方式中，所述预测模块具体用于：
基于预设的职业发展阶段定义，对所述多个简历关键词中的过往岗位和工作经历进行识别，得到所述目标用户的当前职业发展阶段；
通过预置的打分模型，对所述多个简历关键词进行职业发展阶段分类预测，得到职业发展阶段预测信息。
结合第二方面，在本发明第二方面的第五实施方式中，所述修正模块具体用于：
对所述行为数据信息中的投递行为信息以及浏览行为信息进行特征提取和向量转换，生成行为特征向量；
对所述K个关联岗位进行向量转换，得到关联岗位特征向量；
对所述行为特征向量和所述关联岗位特征向量进行向量距离运算，得到目标可信度；
判断所述目标可信度是否低于预设阈值；
若低于，则对所述初始用户画像进行修正，得到目标用户画像；
若高于或者等于，则对所述初始用户画像打上可信度低标签，输出目标用户画像。
结合第二方面，在本发明第二方面的第六实施方式中，所述职业用户画像的构建装置还包括：
分发模块，用于对所述目标用户画像进行数据处理和向量转换，生成目标向量数据，其中，所述数据处理包括：异常值清洗、连续特征离散化、归一化以及标准化同意尺度；根据所述目标向量数据，对所述目标用户进行求职岗位推荐、企业人选推荐以及面向人才的职业资讯分发。
本发明第三方面提供了一种职业用户画像的构建设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述职业用户画像的构建设备执行上述的职业用户画像的构建方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的职业用户画像的构建方法。
本发明提供的技术方案中，将多个简历关键词以及初始行业信息输入简历行业分类模型进行行业分类预测，得到K个目标行业；查询N个第一候选岗位以及M个第二候选岗位，根据N个第一候选岗位和M个第二候选岗位，生成K个关联岗位；将多个简历关键词输入打分模型进行职业发展阶段预测，得到职业发展阶段预测信息；根据K个目标行业、K个关联岗位以及职业发展阶段预测信息构建目标用户的初始用户画像；根据行为数据信息，计算初始用户画像的目标可信度，并根据目标可信度，对初始用户画像进行修正，得到目标用户画像，本发明中针对目标用户所处的行业往往不是单一的，存在大量交叉，根据简历数据信息对目标用户涉及的行业进行识别，能够更准确地构建目标用户的职业画像，对目标用户职业发展阶段进行识别，定位用户职业生涯的阶段及变化的动态，为画像加入了新的特征点，并且依据用户行为动作验证简历可信度及动态更新职业画像，最后通过职业用户画像的构建提升用户求职体验、企业寻找意向人才的效率以及职业资讯的分发准确度。
附图说明
图1为本发明实施例中职业用户画像的构建方法的一个实施例示意图；
图2为本发明实施例中行业分类预测的流程图；
图3为本发明实施例中生成K个关联岗位的流程图；
图4为本发明实施例中职业发展阶段预测的流程图；
图5为本发明实施例中职业用户画像的构建装置的一个实施例示意图；
图6为本发明实施例中职业用户画像的构建装置的另一个实施例示意图；
图7为本发明实施例中职业用户画像的构建设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种职业用户画像的构建方法、装置、设备及存储介质，用于提高职业用户画像的构建准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必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，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中职业用户画像的构建方法的一个实施例包括：
S101、获取目标用户的简历数据信息以及行为数据信息，并对简历数据信息进行关键词特征提取，得到多个简历关键词；
可以理解的是，本发明的执行主体可以为职业用户画像的构建装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的，服务器获取目标用户的简历数据信息和简历数据信息对应的简历类型，采用与简历类型对应的提取方式，提取简历数据信息中的多个简历关键词。
S102、根据预置的行业和职业知识图谱匹配目标用户的初始行业信息，并将多个简历关键词以及初始行业信息输入预置的简历行业分类模型进行行业分类预测，得到K个目标行业；
具体的，服务器根据预置的行业和职业知识图谱匹配目标用户的初始行业信息，其中，通过获取行业和职业知识图谱，将行业和职业知识图谱以及多个简历关键词以及初始行业信息输入简历行业分类模型进行行业分类预测，具体的，服务器将上述信息输入至预先训练的行业分类预测，通过行业分类预测预测待预测的行业和职业知识图谱所属行业类别，得到预测结果，其中，行业分类预测基于注意力机制的长短期记忆神经网络模型训练得到，进一步的，服务器根据该预测结果确定K个目标行业。
S103、根据多个简历关键词并通过预置的岗位关系图谱查询N个第一候选岗位，以及对多个简历关键词与预置的岗位知识图谱进行匹配，得到M个第二候选岗位，以及根据N个第一候选岗位和M个第二候选岗位，生成K个关联岗位；
需要说明的是，服务器根据多个简历关键词并通过预置的岗位关系图谱查询N个第一候选岗位，其中，服务器通过该多个简历关键词以及该岗位关系图谱进行匹配度分析，确定对应的匹配度分析结果，进而，服务器根据该匹配度分析结果查询N个第一候选岗位，进一步的，服务器对多个简历关键词与预置的岗位知识图谱进行匹配，得到M个第二候选岗位，以及根据N个第一候选岗位和M个第二候选岗位，生成K个关联岗位。
S104、将多个简历关键词输入预置的打分模型进行职业发展阶段预测，得到职业发展阶段预测信息；
具体的，服务器对多个简历关键词对应的当前职业发展阶段进行分析，服务器对多个简历关键词对应的职业兴趣进行分析，同时，服务器通过预置的打分模型，对多个简历关键词进行职业发展阶段分类预测，得到职业发展阶段预测信息。
S105、根据K个目标行业、K个关联岗位以及职业发展阶段预测信息构建目标用户的初始用户画像；
具体的，服务器通过的K个目标行业，确定每一目标行业及关联岗位的特征并生成与特征相应的标签，根据具有标签的目标行业及关联岗位，训练预先设定的用户画像构建模型获取训练后的用户画像构建模型，获取待预测的目标行业及关联岗位，根据待预测的目标行业及关联岗位，采用训练后的用户画像构建模型，构建目标用户的初始用户画像。
S106、根据行为数据信息，计算初始用户画像的目标可信度，并根据目标可信度，对初始用户画像进行修正，得到目标用户画像。
具体的，服务器根据行为数据信息，将行为数据信息映射至行为特征集中，得到行为数据信息的业务行为标签集，其次根据行为数据信息的业务行为标签集，进行特征提取和向量转换，生成行为特征向量，进而服务器根据该行为特征向量计算初始用户画像的目标可信度，并根据目标可信度，对初始用户画像进行修正，得到目标用户画像。
本发明实施例中，将多个简历关键词以及初始行业信息输入简历行业分类模型进行行业分类预测，得到K个目标行业；查询N个第一候选岗位以及M个第二候选岗位，根据N个第一候选岗位和M个第二候选岗位，生成K个关联岗位；将多个简历关键词输入打分模型进行职业发展阶段预测，得到职业发展阶段预测信息；根据K个目标行业、K个关联岗位以及职业发展阶段预测信息构建目标用户的初始用户画像；根据行为数据信息，计算初始用户画像的目标可信度，并根据目标可信度，对初始用户画像进行修正，得到目标用户画像，本发明中针对目标用户所处的行业往往不是单一的，存在大量交叉，根据简历数据信息对目标用户涉及的行业进行识别，能够更准确地构建目标用户的职业画像，对目标用户职业发展阶段进行识别，定位用户职业生涯的阶段及变化的动态，为画像加入了新的特征点，并且依据用户行为动作验证简历可信度及动态更新职业画像，最后通过职业用户画像的构建提升用户求职体验、企业寻找意向人才的效率以及职业资讯的分发准确度。
在一具体实施例中，执行步骤S101的过程可以具体包括如下步骤：
（1）获取目标用户的简历数据信息；
（2）对目标用户进行行为分析，得到行为数据信息，其中，行为数据信息包括：投递行为信息以及浏览行为信息；
（3）对简历数据信息进行关键词特征提取，得到多个简历关键词，其中，多个简历关键词包括：过往岗位、过往供职公司、工作经历、项目经历、意向岗位、职业技能以及自我评价。
具体的，服务器获取目标用户的简历数据信息，对目标用户进行行为分析，得到行为数据信息，其中，行为数据信息包括：投递行为信息以及浏览行为信息，其中，服务器采集行为数据信息，对采集到的行为数据信息进行分类处理，以得到不同类别的行为数据信息，并将不同类别的行为数据信息存储于分布式文件系统上，将不同类别的行为数据信息分配至分布式文件系统中的多个数据节点上，对简历数据信息进行关键词特征提取，得到多个简历关键词，其中，多个简历关键词包括：过往岗位、过往供职公司、工作经历、项目经历、意向岗位、职业技能以及自我评价，其中，服务器采用深度网络学习模型进行对简历数据信息进行关键词特征提取，服务器对建立数据信息中语料中的文本进行多特征分词，将文本切分成单词集合，对所有的单词进行特征主题处理，通过标示好关键词位置标示文件对这些单词做序列标示处理，得到多个简历关键词，其中，多个简历关键词包括：过往岗位、过往供职公司、工作经历、项目经历、意向岗位、职业技能以及自我评价。
在一具体实施例中，如图2所示，执行步骤S102的过程可以具体包括如下步骤：
S201、对目标用户的过往岗位和过往供职公司与预置的行业和职业知识图谱进行匹配，得到初始行业信息；
S202、将多个简历关键词以及初始行业信息输入预置的简历行业分类模型进行行业分类预测，得到多个行业预测结果；
S203、对多个行业预测结果进行加权计算，生成目标用户对应的K个目标行业。
具体的，服务器对目标用户的过往岗位和过往供职公司与预置的行业和职业知识图谱进行匹配，得到初始行业信息，其中，获取目标用户的过往岗位和对应的过往供职公司，执行本体构建以及执行图谱构建，基于本体构建以及图谱构建，构建职业知识图谱，根据构建的知识图谱，基于知识图谱对待匹配图谱执行相似款推荐；基于已获取的过往供职公司，调取相似款的样板，执行待匹配图谱的样板匹配，将样板匹配结果返回到待匹配图谱；以及输出最终的图谱样板匹配结果，最终，服务器根据该图谱样本匹配结果进行行业信息分析，得到初始行业信息，将多个简历关键词以及初始行业信息输入预置的简历行业分类模型进行行业分类预测，得到多个行业预测结果，其中，通过获取多个简历关键词和初始行业信息，将多个简历关键词和初始行业信息输入至预先训练的简历行业分类模型，通过行业分类预测预测多个简历关键词和初始行业信息所属行业类别，得到多个行业预测结果。对多个行业预测结果进行加权计算，生成目标用户对应的K个目标行业。
在一具体实施例中，如图3所示，执行步骤S103的过程可以具体包括如下步骤：
S301、根据多个简历关键词中的意向岗位和过往岗位，并通过预置的岗位关系图谱查询N个第一候选岗位；
S302、对多个简历关键词中的工作经历、项目经历、职业技能以及自我评价与预置的岗位知识图谱进行匹配，得到M个第二候选岗位；
S303、计算N个第一候选岗位以及M个第二候选岗位的命中数和权重数据，生成K个关联岗位。
具体的，服务器根据多个简历关键词中的意向岗位和过往岗位，并通过预置的岗位关系图谱查询N个第一候选岗位，其中，服务器分别对多个简历关键词息中的每个多个简历关键词息和意向岗位和过往岗位进行处理，得到与每个简历关键词对应的简历向量和与目标岗位信息对应的岗位向量，根据简历向量和岗位向量，从多个简历关键词息中确定多个初选简历数据信息，利用预训练语言模型分别处理多个初选简历数据信息中的每个初选简历数据信息和目标岗位信息，得到与每个初选简历数据信息对应的简历语义向量和与目标岗位信息对应的岗位语义向量；根据简历语义向量和岗位语义向量，并通过预置的岗位关系图谱查询N个第一候选岗位，对多个简历关键词中的工作经历、项目经历、职业技能以及自我评价与预置的岗位知识图谱进行匹配，得到M个第二候选岗位，计算N个第一候选岗位以及M个第二候选岗位的命中数和权重数据，生成K个关联岗位，其中，获取N个第一候选岗位以及M个第二候选岗位的命中数和权重数据，并从以及M个第二候选岗位的权重数据中提取岗位信息和关联岗位信息，基于岗位信息和关联岗位信息构建知识图谱，进而服务器计算N个第一候选岗位以及M个第二候选岗位的命中数和权重数据，生成K个关联岗位。
在一具体实施例中，如图4所示，执行步骤S104的过程可以具体包括如下步骤：
S401、基于预设的职业发展阶段定义，对多个简历关键词中的过往岗位和工作经历进行识别，得到目标用户的当前职业发展阶段；
S402、通过预置的打分模型，对多个简历关键词进行职业发展阶段分类预测，得到职业发展阶段预测信息。
具体的，服务器基于预设的职业发展阶段定义，对多个简历关键词中的过往岗位和工作经历进行识别，得到目标用户的当前职业发展阶段，通过预置的打分模型，对多个简历关键词进行职业发展阶段分类预测，得到职业发展阶段预测信息，其中，首先将多个简历关键词通过文本预处理后，输入到打分模型进行主题发现和文档主题分类，而后对分主题的文档进行发展阶段类型进行人工标注，再基于预训练中文语义理解模型，对多个简历关键词进行职业发展阶段分类预测，得到职业发展阶段预测信息。
在一具体实施例中，执行步骤S106的过程可以具体包括如下步骤：
（1）对行为数据信息中的投递行为信息以及浏览行为信息进行特征提取和向量转换，生成行为特征向量；
（2）对K个关联岗位进行向量转换，得到关联岗位特征向量；
（3）对行为特征向量和关联岗位特征向量进行向量距离运算，得到目标可信度；
（4）判断目标可信度是否低于预设阈值；
（5）若低于，则对初始用户画像进行修正，得到目标用户画像；
（6）若高于或者等于，则对初始用户画像打上可信度低标签，输出目标用户画像。
具体的，对行为数据信息中的投递行为信息以及浏览行为信息进行特征提取和向量转换，生成行为特征向量，对K个关联岗位进行向量转换，得到关联岗位特征向量，其中，将关联岗位特征向量对应的被乘数和向量元素乘数转换成较低的基础数据，以形成经转换的向量元素被乘数和经转换的向量元素乘数；进而服务器根据该经转换的向量元素被乘数和经转换的向量元素乘数对行为特征向量和关联岗位特征向量进行向量距离运算，得到目标可信度，判断目标可信度是否低于预设阈值，若低于，则对初始用户画像进行修正，得到目标用户画像，若高于或者等于，则对初始用户画像打上可信度低标签，输出目标用户画像。
在一具体实施例中，上述职业用户画像的构建方法还包括如下步骤：
（1）对目标用户画像进行数据处理和向量转换，生成目标向量数据，其中，数据处理包括：异常值清洗、连续特征离散化、归一化以及标准化同意尺度；
（2）根据目标向量数据，对目标用户进行求职岗位推荐、企业人选推荐以及面向人才的职业资讯分发。
具体的，服务器对目标用户画像进行数据处理和向量转换，生成目标向量数据，其中，数据处理包括：异常值清洗、连续特征离散化、归一化以及标准化同意尺度，其中，对目标用户画像进行一致性检查，进而对该目标用户画像数据进行向量转换，生成目标向量数据，其中，服务器在进行数据处理时，服务器识别目标用户画像的缺失值，同时基于目标用户画像的纵向时间特征识别目标用户画像的异常值；基于动态时间规整算法补全缺失值和修正异常值，根据目标向量数据，对目标用户进行求职岗位推荐、企业人选推荐以及面向人才的职业资讯分发。
上面对本发明实施例中职业用户画像的构建方法进行了描述，下面对本发明实施例中职业用户画像的构建装置进行描述，请参阅图5，本发明实施例中职业用户画像的构建装置一个实施例包括：
获取模块501，用于获取目标用户的简历数据信息以及行为数据信息，并对所述简历数据信息进行关键词特征提取，得到多个简历关键词；
匹配模块502，用于根据预置的行业和职业知识图谱匹配所述目标用户的初始行业信息，并将所述多个简历关键词以及所述初始行业信息输入预置的简历行业分类模型进行行业分类预测，得到K个目标行业；
查询模块503，用于根据所述多个简历关键词并通过预置的岗位关系图谱查询N个第一候选岗位，以及对所述多个简历关键词与预置的岗位知识图谱进行匹配，得到M个第二候选岗位，以及根据所述N个第一候选岗位和所述M个第二候选岗位，生成K个关联岗位；
预测模块504，用于将所述多个简历关键词输入预置的打分模型进行职业发展阶段预测，得到职业发展阶段预测信息；
构建模块505，用于根据所述K个目标行业、所述K个关联岗位以及所述职业发展阶段预测信息构建所述目标用户的初始用户画像；
修正模块506，用于根据所述行为数据信息，计算所述初始用户画像的目标可信度，并根据所述目标可信度，对所述初始用户画像进行修正，得到目标用户画像。
通过上述各个组成部分的协同合作，将多个简历关键词以及初始行业信息输入简历行业分类模型进行行业分类预测，得到K个目标行业；查询N个第一候选岗位以及M个第二候选岗位，根据N个第一候选岗位和M个第二候选岗位，生成K个关联岗位；将多个简历关键词输入打分模型进行职业发展阶段预测，得到职业发展阶段预测信息；根据K个目标行业、K个关联岗位以及职业发展阶段预测信息构建目标用户的初始用户画像；根据行为数据信息，计算初始用户画像的目标可信度，并根据目标可信度，对初始用户画像进行修正，得到目标用户画像，本发明中针对目标用户所处的行业往往不是单一的，存在大量交叉，根据简历数据信息对目标用户涉及的行业进行识别，能够更准确地构建目标用户的职业画像，对目标用户职业发展阶段进行识别，定位用户职业生涯的阶段及变化的动态，为画像加入了新的特征点，并且依据用户行为动作验证简历可信度及动态更新职业画像，最后通过职业用户画像的构建提升用户求职体验、企业寻找意向人才的效率以及职业资讯的分发准确度。
请参阅图6，本发明实施例中职业用户画像的构建装置另一个实施例包括：
获取模块501，用于获取目标用户的简历数据信息以及行为数据信息，并对所述简历数据信息进行关键词特征提取，得到多个简历关键词；
匹配模块502，用于根据预置的行业和职业知识图谱匹配所述目标用户的初始行业信息，并将所述多个简历关键词以及所述初始行业信息输入预置的简历行业分类模型进行行业分类预测，得到K个目标行业；
查询模块503，用于根据所述多个简历关键词并通过预置的岗位关系图谱查询N个第一候选岗位，以及对所述多个简历关键词与预置的岗位知识图谱进行匹配，得到M个第二候选岗位，以及根据所述N个第一候选岗位和所述M个第二候选岗位，生成K个关联岗位；
预测模块504，用于将所述多个简历关键词输入预置的打分模型进行职业发展阶段预测，得到职业发展阶段预测信息；
构建模块505，用于根据所述K个目标行业、所述K个关联岗位以及所述职业发展阶段预测信息构建所述目标用户的初始用户画像；
修正模块506，用于根据所述行为数据信息，计算所述初始用户画像的目标可信度，并根据所述目标可信度，对所述初始用户画像进行修正，得到目标用户画像。
可选的，所述获取模块501具体用于：
获取目标用户的简历数据信息；
对所述目标用户进行行为分析，得到行为数据信息，其中，所述行为数据信息包括：投递行为信息以及浏览行为信息；
对所述简历数据信息进行关键词特征提取，得到多个简历关键词，其中，所述多个简历关键词包括：过往岗位、过往供职公司、工作经历、项目经历、意向岗位、职业技能以及自我评价。
可选的，所述匹配模块502具体用于：
对所述目标用户的过往岗位和过往供职公司与预置的行业和职业知识图谱进行匹配，得到初始行业信息；
将所述多个简历关键词以及所述初始行业信息输入预置的简历行业分类模型进行行业分类预测，得到多个行业预测结果；
对所述多个行业预测结果进行加权计算，生成所述目标用户对应的K个目标行业。
可选的，所述查询模块503具体用于：
根据所述多个简历关键词中的意向岗位和过往岗位，并通过预置的岗位关系图谱查询N个第一候选岗位；
对所述多个简历关键词中的工作经历、项目经历、职业技能以及自我评价与预置的岗位知识图谱进行匹配，得到M个第二候选岗位；
计算所述N个第一候选岗位以及所述M个第二候选岗位的命中数和权重数据，生成K个关联岗位。
可选的，所述预测模块504具体用于：
基于预设的职业发展阶段定义，对所述多个简历关键词中的过往岗位和工作经历进行识别，得到所述目标用户的当前职业发展阶段；
通过预置的打分模型，对所述多个简历关键词进行职业发展阶段分类预测，得到职业发展阶段预测信息。
可选的，所述修正模块506具体用于：
对所述行为数据信息中的投递行为信息以及浏览行为信息进行特征提取和向量转换，生成行为特征向量；
对所述K个关联岗位进行向量转换，得到关联岗位特征向量；
对所述行为特征向量和所述关联岗位特征向量进行向量距离运算，得到目标可信度；
判断所述目标可信度是否低于预设阈值；
若低于，则对所述初始用户画像进行修正，得到目标用户画像；
若高于或者等于，则对所述初始用户画像打上可信度低标签，输出目标用户画像。
可选的，所述职业用户画像的构建装置还包括：
分发模块507，用于对所述目标用户画像进行数据处理和向量转换，生成目标向量数据，其中，所述数据处理包括：异常值清洗、连续特征离散化、归一化以及标准化同意尺度；根据所述目标向量数据，对所述目标用户进行求职岗位推荐、企业人选推荐以及面向人才的职业资讯分发。
本发明实施例中，将多个简历关键词以及初始行业信息输入简历行业分类模型进行行业分类预测，得到K个目标行业；查询N个第一候选岗位以及M个第二候选岗位，根据N个第一候选岗位和M个第二候选岗位，生成K个关联岗位；将多个简历关键词输入打分模型进行职业发展阶段预测，得到职业发展阶段预测信息；根据K个目标行业、K个关联岗位以及职业发展阶段预测信息构建目标用户的初始用户画像；根据行为数据信息，计算初始用户画像的目标可信度，并根据目标可信度，对初始用户画像进行修正，得到目标用户画像，本发明中针对目标用户所处的行业往往不是单一的，存在大量交叉，根据简历数据信息对目标用户涉及的行业进行识别，能够更准确地构建目标用户的职业画像，对目标用户职业发展阶段进行识别，定位用户职业生涯的阶段及变化的动态，为画像加入了新的特征点，并且依据用户行为动作验证简历可信度及动态更新职业画像，最后通过职业用户画像的构建提升用户求职体验、企业寻找意向人才的效率以及职业资讯的分发准确度。
上面图5和图6从模块化功能实体的角度对本发明实施例中的职业用户画像的构建装置进行详细描述，下面从硬件处理的角度对本发明实施例中职业用户画像的构建设备进行详细描述。
图7是本发明实施例提供的一种职业用户画像的构建设备的结构示意图，该职业用户画像的构建设备600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，CPU）610（例如，一个或一个以上处理器）和存储器620，一个或一个以上存储应用程序633或数据632的存储介质630（例如一个或一个以上海量存储设备）。其中，存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对职业用户画像的构建设备600中的一系列指令操作。更进一步地，处理器610可以设置为与存储介质630通信，在职业用户画像的构建设备600上执行存储介质630中的一系列指令操作。
职业用户画像的构建设备600还可以包括一个或一个以上电源640，一个或一个以上有线或无线网络接口650，一个或一个以上输入输出接口660，和/或，一个或一个以上操作系统631，例如Windows Serve，MacOS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图7示出的职业用户画像的构建设备结构并不构成对职业用户画像的构建设备的限定，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。
本发明还提供一种职业用户画像的构建设备，所述职业用户画像的构建设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述职业用户画像的构建方法的步骤。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述职业用户画像的构建方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以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中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（randomacceS memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种职业用户画像的构建方法，其特征在于，所述职业用户画像的构建方法包括：
获取目标用户的简历数据信息以及行为数据信息，并对所述简历数据信息进行关键词特征提取，得到多个简历关键词；
根据预置的行业和职业知识图谱匹配所述目标用户的初始行业信息，并将所述多个简历关键词以及所述初始行业信息输入预置的简历行业分类模型进行行业分类预测，得到K个目标行业；
根据所述多个简历关键词并通过预置的岗位关系图谱查询N个第一候选岗位，以及对所述多个简历关键词与预置的岗位知识图谱进行匹配，得到M个第二候选岗位，以及根据所述N个第一候选岗位和所述M个第二候选岗位，生成K个关联岗位；
将所述多个简历关键词输入预置的打分模型进行职业发展阶段预测，得到职业发展阶段预测信息；
根据所述K个目标行业、所述K个关联岗位以及所述职业发展阶段预测信息构建所述目标用户的初始用户画像；
根据所述行为数据信息，计算所述初始用户画像的目标可信度，并根据所述目标可信度，对所述初始用户画像进行修正，得到目标用户画像。
2.根据权利要求1所述的职业用户画像的构建方法，其特征在于，所述获取目标用户的简历数据信息以及行为数据信息，并对所述简历数据信息进行关键词特征提取，得到多个简历关键词，包括：
获取目标用户的简历数据信息；
对所述目标用户进行行为分析，得到行为数据信息，其中，所述行为数据信息包括：投递行为信息以及浏览行为信息；
对所述简历数据信息进行关键词特征提取，得到多个简历关键词，其中，所述多个简历关键词包括：过往岗位、过往供职公司、工作经历、项目经历、意向岗位、职业技能以及自我评价。
3.根据权利要求2所述的职业用户画像的构建方法，其特征在于，所述根据预置的行业和职业知识图谱匹配所述目标用户的初始行业信息，并将所述多个简历关键词以及所述初始行业信息输入预置的简历行业分类模型进行行业分类预测，得到K个目标行业，包括：
对所述目标用户的过往岗位和过往供职公司与预置的行业和职业知识图谱进行匹配，得到初始行业信息；
将所述多个简历关键词以及所述初始行业信息输入预置的简历行业分类模型进行行业分类预测，得到多个行业预测结果；
对所述多个行业预测结果进行加权计算，生成所述目标用户对应的K个目标行业。
4.根据权利要求2所述的职业用户画像的构建方法，其特征在于，所述根据所述多个简历关键词并通过预置的岗位关系图谱查询N个第一候选岗位，以及对所述多个简历关键词与预置的岗位知识图谱进行匹配，得到M个第二候选岗位，以及根据所述N个第一候选岗位和所述M个第二候选岗位，生成K个关联岗位，包括：
根据所述多个简历关键词中的意向岗位和过往岗位，并通过预置的岗位关系图谱查询N个第一候选岗位；
对所述多个简历关键词中的工作经历、项目经历、职业技能以及自我评价与预置的岗位知识图谱进行匹配，得到M个第二候选岗位；
计算所述N个第一候选岗位以及所述M个第二候选岗位的命中数和权重数据，生成K个关联岗位。
5.根据权利要求2所述的职业用户画像的构建方法，其特征在于，所述将所述多个简历关键词输入预置的打分模型进行职业发展阶段预测，得到职业发展阶段预测信息，包括：
基于预设的职业发展阶段定义，对所述多个简历关键词中的过往岗位和工作经历进行识别，得到所述目标用户的当前职业发展阶段；
通过预置的打分模型，对所述多个简历关键词进行职业发展阶段分类预测，得到职业发展阶段预测信息。
6.根据权利要求2所述的职业用户画像的构建方法，其特征在于，所述根据所述行为数据信息，计算所述初始用户画像的目标可信度，并根据所述目标可信度，对所述初始用户画像进行修正，得到目标用户画像，包括：
对所述行为数据信息中的投递行为信息以及浏览行为信息进行特征提取和向量转换，生成行为特征向量；
对所述K个关联岗位进行向量转换，得到关联岗位特征向量；
对所述行为特征向量和所述关联岗位特征向量进行向量距离运算，得到目标可信度；
判断所述目标可信度是否低于预设阈值；
若低于，则对所述初始用户画像进行修正，得到目标用户画像；
若高于或者等于，则对所述初始用户画像打上可信度低标签，输出目标用户画像。
7.根据权利要求1所述的职业用户画像的构建方法，其特征在于，所述职业用户画像的构建方法还包括：
对所述目标用户画像进行数据处理和向量转换，生成目标向量数据，其中，所述数据处理包括：异常值清洗、连续特征离散化、归一化以及标准化同意尺度；
根据所述目标向量数据，对所述目标用户进行求职岗位推荐、企业人选推荐以及面向人才的职业资讯分发。
8.一种职业用户画像的构建装置，其特征在于，所述职业用户画像的构建装置包括：
获取模块，用于获取目标用户的简历数据信息以及行为数据信息，并对所述简历数据信息进行关键词特征提取，得到多个简历关键词；
匹配模块，用于根据预置的行业和职业知识图谱匹配所述目标用户的初始行业信息，并将所述多个简历关键词以及所述初始行业信息输入预置的简历行业分类模型进行行业分类预测，得到K个目标行业；
查询模块，用于根据所述多个简历关键词并通过预置的岗位关系图谱查询N个第一候选岗位，以及对所述多个简历关键词与预置的岗位知识图谱进行匹配，得到M个第二候选岗位，以及根据所述N个第一候选岗位和所述M个第二候选岗位，生成K个关联岗位；
预测模块，用于将所述多个简历关键词输入预置的打分模型进行职业发展阶段预测，得到职业发展阶段预测信息；
构建模块，用于根据所述K个目标行业、所述K个关联岗位以及所述职业发展阶段预测信息构建所述目标用户的初始用户画像；
修正模块，用于根据所述行为数据信息，计算所述初始用户画像的目标可信度，并根据所述目标可信度，对所述初始用户画像进行修正，得到目标用户画像。
9.一种职业用户画像的构建设备，其特征在于，所述职业用户画像的构建设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述职业用户画像的构建设备执行如权利要求1-7中任一项所述的职业用户画像的构建方法。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任一项所述的职业用户画像的构建方法。
CN202310645501.4A 2023-06-02 2023-06-02 一种职业用户画像的构建方法、装置、设备及存储介质 Active CN116401464B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310645501.4A CN116401464B (zh) 2023-06-02 2023-06-02 一种职业用户画像的构建方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310645501.4A CN116401464B (zh) 2023-06-02 2023-06-02 一种职业用户画像的构建方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN116401464A true CN116401464A (zh) 2023-07-07
CN116401464B CN116401464B (zh) 2023-08-04

Family

ID=87014485

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310645501.4A Active CN116401464B (zh) 2023-06-02 2023-06-02 一种职业用户画像的构建方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN116401464B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116562837A (zh) * 2023-07-12 2023-08-08 深圳须弥云图空间科技有限公司 人岗匹配方法、装置、电子设备及计算机可读存储介质
CN117709914A (zh) * 2024-02-05 2024-03-15 天津徙木科技有限公司 一种岗位的匹配方法和系统
CN118013245A (zh) * 2024-04-09 2024-05-10 杭州东方网升科技股份有限公司 一种基于深度学习模型的匹配度评估方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150188871A1 (en) * 2013-12-31 2015-07-02 Google Inc. Methods, Systems, and Media for Managing Notifications Directed to Multiple Applications Installed on a User Device
US20170289073A1 (en) * 2016-03-31 2017-10-05 Atlassian Pty Ltd Systems and methods for providing controls in a messaging interface
CN108154401A (zh) * 2018-01-15 2018-06-12 网易无尾熊（杭州）科技有限公司 用户画像刻画方法、装置、介质和计算设备
CN113627797A (zh) * 2021-08-12 2021-11-09 深圳平安智汇企业信息管理有限公司 入职员工画像生成方法、装置、计算机设备及存储介质
CN114491205A (zh) * 2021-12-31 2022-05-13 北京五八信息技术有限公司 用户画像生成方法、装置、电子设备及可读介质
CN116167650A (zh) * 2023-01-09 2023-05-26 河南省百歌智能科技有限公司 一种个人成长画像数字化绘制及评估方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150188871A1 (en) * 2013-12-31 2015-07-02 Google Inc. Methods, Systems, and Media for Managing Notifications Directed to Multiple Applications Installed on a User Device
US20170289073A1 (en) * 2016-03-31 2017-10-05 Atlassian Pty Ltd Systems and methods for providing controls in a messaging interface
CN108154401A (zh) * 2018-01-15 2018-06-12 网易无尾熊（杭州）科技有限公司 用户画像刻画方法、装置、介质和计算设备
CN113627797A (zh) * 2021-08-12 2021-11-09 深圳平安智汇企业信息管理有限公司 入职员工画像生成方法、装置、计算机设备及存储介质
CN114491205A (zh) * 2021-12-31 2022-05-13 北京五八信息技术有限公司 用户画像生成方法、装置、电子设备及可读介质
CN116167650A (zh) * 2023-01-09 2023-05-26 河南省百歌智能科技有限公司 一种个人成长画像数字化绘制及评估方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116562837A (zh) * 2023-07-12 2023-08-08 深圳须弥云图空间科技有限公司 人岗匹配方法、装置、电子设备及计算机可读存储介质
CN117709914A (zh) * 2024-02-05 2024-03-15 天津徙木科技有限公司 一种岗位的匹配方法和系统
CN117709914B (zh) * 2024-02-05 2024-05-10 台州徙木数字服务有限公司 一种岗位的匹配方法和系统
CN118013245A (zh) * 2024-04-09 2024-05-10 杭州东方网升科技股份有限公司 一种基于深度学习模型的匹配度评估方法

Also Published As

Publication number Publication date
CN116401464B (zh) 2023-08-04

Similar Documents

Publication Publication Date Title
CN116401464B (zh) 一种职业用户画像的构建方法、装置、设备及存储介质
Huq et al. Sentiment analysis on Twitter data using KNN and SVM
CN109800307B (zh) 产品评价的分析方法、装置、计算机设备及存储介质
CN108647205B (zh) 细粒度情感分析模型构建方法、设备及可读存储介质
CN104471568A (zh) 对自然语言问题的基于学习的处理
CN111552870A (zh) 对象推荐方法、电子装置及存储介质
CN110413961B (zh) 基于分类模型进行文本评分的方法、装置和计算机设备
Mohanty et al. Resumate: A prototype to enhance recruitment process with NLP based resume parsing
US20180181544A1 (en) Systems for Automatically Extracting Job Skills from an Electronic Document
CN112163424A (zh) 数据的标注方法、装置、设备和介质
CN112307164A (zh) 信息推荐方法、装置、计算机设备和存储介质
CN104361102A (zh) 一种基于群组匹配的专家推荐方法及系统
CN110310012B (zh) 数据分析方法、装置、设备及计算机可读存储介质
CN111078835A (zh) 简历评估方法、装置、计算机设备及存储介质
CN115374354A (zh) 基于机器学习的科技服务推荐方法、装置、设备及介质
CN115269816A (zh) 基于信息处理方法的核心人员挖掘方法、装置和存储介质
CN112989829B (zh) 一种命名实体识别方法、装置、设备及存储介质
JP2010146222A (ja) 文書分類装置、文書分類方法およびプログラム
JP2021163477A (ja) 画像処理方法及び装置、電子機器、コンピュータ可読記憶媒体並びにコンピュータプログラム
Eskandari et al. Predicting best answer using sentiment analysis in community question answering systems
CN114547321A (zh) 一种基于知识图谱的答案生成方法、装置及电子设备
CN110262906B (zh) 接口标签推荐方法、装置、存储介质和电子设备
Sisodia et al. Performance evaluation of learners for analyzing the hotel customer sentiments based on text reviews
CN114780577A (zh) Sql语句生成方法、装置、设备及存储介质
Fukui et al. Suggesting questions that match each user’s expertise in community question and answering services

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