CN116562838A - 人岗匹配度确定方法、装置、电子设备及存储介质 - Google Patents

人岗匹配度确定方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN116562838A
CN116562838A CN202310850161.9A CN202310850161A CN116562838A CN 116562838 A CN116562838 A CN 116562838A CN 202310850161 A CN202310850161 A CN 202310850161A CN 116562838 A CN116562838 A CN 116562838A
Authority
CN
China
Prior art keywords
information
post
job seeker
matching
sentence
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
CN202310850161.9A
Other languages
English (en)
Other versions
CN116562838B (zh
Inventor
王芳
董辉
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 Xumi Yuntu Space Technology Co Ltd
Original Assignee
Shenzhen Xumi Yuntu Space 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 Xumi Yuntu Space Technology Co Ltd filed Critical Shenzhen Xumi Yuntu Space Technology Co Ltd
Priority to CN202310850161.9A priority Critical patent/CN116562838B/zh
Publication of CN116562838A publication Critical patent/CN116562838A/zh
Application granted granted Critical
Publication of CN116562838B publication Critical patent/CN116562838B/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/096—Transfer learning
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Strategic Management (AREA)
  • Evolutionary Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及计算机技术领域，提供了一种人岗匹配度确定方法、装置、电子设备及存储介质。该方法包括：获取求职者信息和岗位信息；使用第一神经网络确定求职者信息的嵌入特征和岗位信息的嵌入特征；对求职者信息的嵌入特征和岗位信息的嵌入特征进行匹配计算，得到匹配矩阵；使用第二神经网络自匹配矩阵提取匹配特征；使用第三神经网络，基于求职者信息的嵌入特征、岗位信息的嵌入特征以及匹配特征确定人岗匹配度。该方法能够提高人岗匹配精度。

Description

人岗匹配度确定方法、装置、电子设备及存储介质
技术领域
本申请涉及计算机技术领域，尤其涉及一种人岗匹配度确定方法、装置、电子设备及存储介质。
背景技术
人岗匹配（Person-Job Fit，PJF）任务是一种双边场景任务，与传统推荐任务中只需关注用户兴趣偏好不同，推荐双方都存在主动行为以及自身偏好。例如，求职者有自身的目标职位，工作岗位也有对求职者的能力要求。
相关技术中，可以采用卷积神经网络（Convolutional NeuralNetwork ，CNN）模型来进行人岗匹配。然而，CNN模型需要使用大量带标签的样本数据进行训练，当需要进行人岗匹配的求职者或者岗位来自非热门领域时，CNN模型难以在该领域获取足够的样本数据，此时得到的CNN模型的匹配准确度可能受影响。
发明内容
有鉴于此，本申请实施例提供了一种人岗匹配度确定方法、装置、电子设备及存储介质，以解决现有技术中在数据稀疏领域，使用人岗匹配模型确定人岗匹配度准确度不够的问题。
本申请实施例的第一方面，提供了一种人岗匹配度确定方法，包括：获取求职者信息和岗位信息；使用第一神经网络确定求职者信息的嵌入特征和岗位信息的嵌入特征；对求职者信息的嵌入特征和岗位信息的嵌入特征进行匹配计算，得到匹配矩阵；使用第二神经网络自匹配矩阵提取匹配特征；使用第三神经网络，基于求职者信息的嵌入特征、岗位信息的嵌入特征以及匹配特征确定人岗匹配度。
本申请实施例的第二方面，提供了一种人岗匹配度确定装置，包括：获取模块，被配置为获取求职者信息和岗位信息；特征确定模块，被配置为使用第一神经网络确定求职者信息的嵌入特征和岗位信息的嵌入特征；匹配模块，被配置为对求职者信息的嵌入特征和岗位信息的嵌入特征进行匹配计算，得到匹配矩阵；提取模块，被配置为使用第二神经网络自匹配矩阵提取匹配特征；匹配度确定模块，被配置为使用第三神经网络，基于求职者信息的嵌入特征、岗位信息的嵌入特征以及匹配特征确定人岗匹配度。
本申请实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。
本申请实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
本申请实施例与现有技术相比存在的有益效果是：通过使用第一神经网络确定求职者信息的嵌入特征和岗位信息的嵌入特征，并使用求职者信息的嵌入特征和岗位信息的嵌入特征构建匹配矩阵，基于匹配矩阵中的匹配特征以及该求职者信息的嵌入特征和岗位信息的嵌入特征确定人岗匹配度，能够提高人岗匹配度的确定精度，从而为求职者推荐更匹配的岗位，以及为岗位管理者推荐更匹配的求职者。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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申请的一些实施例，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获得其它的附图。
图1是基于PJFNN实现人岗匹配方法的流程图。
图2是本申请实施例提供的一种人岗匹配度确定方法的流程示意图。
图3是本申请实施例提供的一种使用第一神经网络确定求职者信息的嵌入特征和岗位信息的嵌入特征的方法的流程图。
图4是本申请实施例提供的另一种使用第一神经网络确定求职者信息的嵌入特征和岗位信息的嵌入特征的方法的流程图。
图5是本申请实施例提供的一种使用领域自适应的人岗匹配度确定方法确定求职者信息的句子表达和岗位信息的句子表达的方法的流程图。
图6是本申请实施例提供的一种使用领域自适应的人岗匹配度确定方法确定匹配矩阵的方法的流程图。
图7是本申请实施例提供的一种人岗匹配度确定方法的示意图。
图8是本申请实施例提供的另一种人岗匹配度确定方法的示意图。
图9是本申请实施例提供的一种人岗匹配度确定装置的示意图。
图10是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
随着科技的发展，诸多传统行业企业均致力于数字化转型，企业的多项职能都在开拓相应的线上产品，其中，人力产品具有举足轻重的作用。对某些体量较大的企业而言，为实现员工发展多元化，人力部门可以提供在完成业务、不同职能间活水的数字化人力产品；同时，员工也可以通过活水的数字化人力产品，从多个岗位中选出自己期望的岗位投递。以某地产企业为例，其拥有数万员工，并能提供近千个岗位。员工要从该近千岗位中选出自己期望的岗位投递，筛选难度较大，很可能出现漏看的岗位；同时，相应部分的人力资源管理人员需要从接收到的众多简历中挑选出需要安排面试的员工，同样无法快速精准确定与岗位要求最相符的员工。
在此基础上，衍生出了人岗匹配任务。相关技术中，可以基于人岗匹配卷积神经网络模型（Person-Job Fit NueralNetwork，PJFNN）实现人岗匹配。图1是基于PJFNN实现人岗匹配方法的流程图。如图1所示，该方法包括如下步骤：
在步骤S101中，对简历文本和岗位文本进行预处理。
一示例中，可以将求职者的原始简历文本和工作岗位的岗位文本进行预处理，包括中文分词、停用词过滤、词向量转换等，从而得到预处理后的简历文本和岗位文本。
在步骤S102中，将预处理后的简历文本和岗位文本输入PJFNN模型。
一示例中，可以将预处理后的简历文本和岗位文本输入至PJFNN模型，以供后续处理。
在步骤S103中，对输入数据进行特征提取，得到简历文本的特征向量和岗位文本的特征向量。
一示例中，PJFNN模型可以是卷积神经网络（Convolutional NeuralNetwork ，CNN）模型，可以通过CNN模型中的卷积和池化等操作提取简历文本和岗位文本中的特征，并基于提取的特征分别构建简历文本的特征向量和岗位文本的特征向量。其中，简历文本和岗位文本的特征用于表示文本的语义和重要性。一些实施方式中，可以对简历文本和岗位文本采用不同的池化处理，例如对简历文本采用均值池化（Mean-pooling）的方法进行处理，对岗位文本采用最大值池化（Max-pooling）的方法进行处理。
在步骤S104中，基于相似度算法对简历文本的特征向量和岗位文本的特征向量进行匹配，得到简历文本和岗位文本的相似度。
一示例中，可以使用余弦相似度计算法、欧氏距离计算法等方法，对简历文本的特征向量和岗位文本的特征向量进行匹配，以计算得到简历文本和岗位文本的相似度。
在步骤S105中，对相似度排序，并基于排序结果进行岗位推荐或者求职者推荐。
一示例中，可以将计算得到的相似度由高至低排序，并将相似度最高的一个或多个岗位推荐给求职者，或者将相似度最高的一个或多个求职者推荐给岗位负责人。
其中，步骤S103是模型的关键部分，在该步骤中，可以自动学习文本特征并提取有用的信息，从而实现高效的人岗匹配。然而，在提取出简历文本的特征向量和岗位文本的特征向量后，直接基于相似度算法对简历文本的特征向量和岗位文本的特征向量进行匹配，得到的匹配度可能不够准确。
鉴于此，本申请实施例提供了一种人岗匹配度确定方法，通过使用第一神经网络确定求职者信息的嵌入特征和岗位信息的嵌入特征，并使用求职者信息的嵌入特征和岗位信息的嵌入特征构建匹配矩阵，基于匹配矩阵中的匹配特征以及该求职者信息的嵌入特征和岗位信息的嵌入特征确定人岗匹配度，能够提高人岗匹配度的确定精度，从而为求职者推荐更匹配的岗位，以及为岗位管理者推荐更匹配的求职者。
图2是本申请实施例提供的一种人岗匹配度确定方法的流程示意图。如图2所示，该人岗匹配度确定方法包括如下步骤：
在步骤S201中，获取求职者信息和岗位信息。
在步骤S202中，使用第一神经网络确定求职者信息的嵌入特征和岗位信息的嵌入特征。
在步骤S203中，对求职者信息的嵌入特征和岗位信息的嵌入特征进行匹配计算，得到匹配矩阵。
在步骤S204中，使用第二神经网络自匹配矩阵提取匹配特征。
在步骤S205中，使用第三神经网络，基于求职者信息的嵌入特征、岗位信息的嵌入特征以及匹配特征确定人岗匹配度。
本申请实施例中，该人岗匹配方法可以由终端设备或服务器执行。其中，终端设备可以是硬件，也可以是软件。当终端设备为硬件时，其可以是具有显示屏且支持与服务器通信的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等；当终端设备为软件时，其可以安装在如上所述的电子设备中。终端设备可以实现为多个软件或软件模块，也可以实现为单个软件或软件模块，本申请实施例对此不作限制。进一步地，终端设备上可以安装有各种应用，例如数据处理应用、即时通信工具、社交平台软件、搜索类应用、购物类应用等。
服务器可以是提供各种服务的服务器，例如，对与其建立通信连接的终端设备发送的请求进行接收的后台服务器，该后台服务器可以对终端设备发送的请求进行接收和分析等处理，并生成处理结果。服务器可以是一台服务器，也可以是由若干台服务器组成的服务器集群，或者还可以是一个云计算服务中心，本申请实施例对此不作限制。
需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，其可以是为终端设备提供各种服务的各种电子设备。当服务器为软件时，其可以是为终端设备提供各种服务的多个软件或软件模块，也可以是为终端设备提供各种服务的单个软件或软件模块，本申请实施例对此不作限制。
本申请实施例中，可以获取求职者信息和岗位信息。其中，求职者信息包括求职者的简历文本、求职者的历史行为等信息，岗位信息包括岗位描述文本、岗位相关历史信息等信息。
本申请实施例中，可以使用第一神经网络确定求职者信息的嵌入特征和岗位信息的嵌入特征。一示例中，可以对求职者信息和岗位信息分别进行句子拆分，然后使用第一神经网络对拆分后的句子进行压缩提取，得到求职者信息的句子特征和岗位信息的句子特征。进一步的，可以对提取得到的句子特征进行嵌入表达，得到求职者信息的嵌入特征和岗位信息的嵌入特征。
本申请实施例中，可以对求职者信息的嵌入特征和岗位信息的嵌入特征进行匹配计算，得到匹配矩阵。一示例中，可以使用结对（Pairwise）算法对求职者信息的嵌入特征和岗位信息的嵌入特征进行匹配计算，得到匹配矩阵。若使用hi,r和hj,p分别表示第i个求职者信息的嵌入特征和第j个岗位信息的嵌入特征，i和j均为正整数，则匹配矩阵可以由下式计算得到：
；
其中，M为匹配矩阵，Mi,j为匹配矩阵中第i行第j列的元素，T为转置运算符，·为点乘运算符，W为可学习参数。
本申请实施例中，可以使用第二神经网络自计算得到的匹配矩阵中提取匹配特征。一示例中，可以使用一个卷积神经网络（Convolutional NeuralNetwork ，CNN）对匹配矩阵进行特征提取，得到匹配特征。
本申请实施例中，可以将提取的匹配特征，与求职者信息的嵌入特征以及岗位信息的嵌入特征进行拼接后输入第三神经网络模型，得到求职者与岗位的人岗匹配度。其中，匹配特征、求职者信息的嵌入特征和岗位信息的嵌入特征均为向量表达，将提取的匹配特征，与求职者信息的嵌入特征以及岗位信息的嵌入特征进行拼接可以是，对匹配特征、求职者信息的嵌入特征和岗位信息的嵌入特征的向量进行拼接。第三神经网络可以是一个多层感知机（Multilayer Perceptron，MLP），其可以接收拼接后的向量，输出人岗匹配度得分。
根据本申请实施例提供的技术方案，通过使用第一神经网络确定求职者信息的嵌入特征和岗位信息的嵌入特征，并使用求职者信息的嵌入特征和岗位信息的嵌入特征构建匹配矩阵，基于匹配矩阵中的匹配特征以及该求职者信息的嵌入特征和岗位信息的嵌入特征确定人岗匹配度，能够提高人岗匹配度的确定精度，从而为求职者推荐更匹配的岗位，以及为岗位管理者推荐更匹配的求职者。
图3是本申请实施例提供的一种使用第一神经网络确定求职者信息的嵌入特征和岗位信息的嵌入特征的方法的流程图。如图3所示，该方法包括如下步骤：
在步骤S301中，对求职者信息和岗位信息进行句子拆分，得到求职者信息的句子表达和岗位信息的句子表达。
在步骤S302中，使用第一神经网络对求职者信息的句子表达和岗位信息的句子表达进行压缩提取，得到求职者信息的句子特征和岗位信息的句子特征。
在步骤S303中，对求职者信息的句子特征和岗位信息的句子特征进行嵌入表达，得到求职者信息的嵌入特征和岗位信息的嵌入特征。
本申请实施例中，可以对求职者信息和岗位信息进行句子拆分，得到求职者信息的句子表达和岗位信息的句子表达。例如，可以将求职者简历文本中的个人信息、工作经历信息、能力信息等拆分为句子表达，也可以将岗位描述文本中的岗位要求信息、岗位描述信息等拆分为句子表达。
进一步的，还可以使用第一神经网络对求职者信息的句子表达和岗位信息的句子表达进行压缩提取，得到求职者信息的句子特征和岗位信息的句子特征。更进一步的，对求职者信息的句子特征和岗位信息的句子特征进行嵌入表达，即可得到求职者信息的嵌入特征和岗位信息的嵌入特征。
根据本申请实施例提供的技术方案，通过使用第一神经网络提取求职者信息和岗位信息中的句子特征，能够提高求职者信息和岗位信息句子表达的准确度，进而提高表达求职者信息和岗位信息的向量的准确度，提高基于向量进行人岗匹配度预测的精度。
图4是本申请实施例提供的另一种使用第一神经网络确定求职者信息的嵌入特征和岗位信息的嵌入特征的方法的流程图。其中，步骤S401和步骤S402与图3所示实施例中的步骤S301和步骤S302分别相同，此处不再赘述。如图4所示，该方法还包括如下步骤：
在步骤S403中，使用注意力网络对求职者信息的句子特征和岗位信息的句子特征进行标注。
在步骤S404中，对标注后的求职者信息的句子特征和岗位信息的句子特征进行嵌入表达，得到求职者信息的嵌入特征和岗位信息的嵌入特征。
本申请实施例中，可以在使用第一神经网络提取得到求职者信息的句子特征和岗位信息的句子特征后，使用注意力网络（Attention Network）对求职者信息的句子特征和岗位信息的句子特征进行标注。进一步的，还可以对标注后的求职者信息的句子特征和岗位信息的句子特征进行嵌入表达，得到求职者信息的嵌入特征和岗位信息的嵌入特征。采用这种方式，可以进一步提高求职者信息和岗位信息句子表达的准确度，进而提高表达求职者信息和岗位信息的向量的准确度，提高基于向量进行人岗匹配度预测的精度。
在确定人岗匹配度时，匹配准确度还受到预处理、相似度计算等各环节的影响，尤其会受到输入样本数据量的影响。在确定数据稀疏的领域中的人岗匹配度时，即求职者和/或岗位所属领域为非热门领域，历史求职者数据和岗位数据较为稀疏时，由各神经网络组成的人岗匹配模型的泛化能力会较差，预测准确度也会受到影响。
鉴于此，本申请实施例提供了一种领域自适应的人岗匹配度确定方法，通过利用具有足够标记数据的源域中获得的知识和信息，来提高具有有限标记数据的目标域中的预测性能，从而解决数据稀疏问题。
图5是本申请实施例提供的一种使用领域自适应的人岗匹配度确定方法确定求职者信息的句子表达和岗位信息的句子表达的方法的流程图。如图5所示，该方法包括如下步骤：
在步骤S501中，对求职者信息和岗位信息进行句子拆分，得到求职者信息的原始句子表达和岗位信息的原始句子表达。
在步骤S502中，使用结构对应学习算法对求职者信息的原始句子表达和岗位信息的原始句子表达进行映射，得到求职者信息的映射句子表达和岗位信息的映射句子表达。
在步骤S503中，将求职者信息的原始句子表达和求职者信息的映射句子表达拼接得到求职者信息的句子表达，将岗位信息的原始句子表达和岗位信息的映射句子表达拼接得到岗位信息的句子表达。
本申请实施例中，可以对求职者信息和岗位信息进行句子拆分，得到求职者信息的原始句子表达和岗位信息的原始句子表达。其中，求职者信息的原始句子表达和岗位信息的原始句子表达均用于表征目标域中，求职者信息的句子表达和岗位信息的句子表达。目标域包括求职者和/或岗位对应的领域，例如，若求职者对应物业服务领域，此时目标域可以是物业服务领域。又如，若岗位对应科技开发领域，此时目标域可以是科技开发领域。
本申请实施例中，还可以使用结构对应学习（StructureCorrespondingLearning，SCL）算法对求职者信息的原始句子表达和岗位信息的原始句子表达进行映射，得到求职者信息的映射句子表达和岗位信息的映射句子表达。
具体地，可以利用SCL算法将目标域中的求职者信息的原始句子表达和岗位信息的原始句子表达映射至源域，即所有目标域共享的通用领域，并在通用领域中进行训练学习得到求职者信息的映射句子表达和岗位信息的映射句子表达。
进一步的，将求职者信息的原始句子表达和求职者信息的映射句子表达拼接得到求职者信息的句子表达，将岗位信息的原始句子表达和岗位信息的映射句子表达拼接得到岗位信息的句子表达。采用这种方式，可以加强句子的表达能力，进一步提高求职者信息和岗位信息的句子表达的准确度，进而提高人岗匹配度的确定精度。
图6是本申请实施例提供的一种使用领域自适应的人岗匹配度确定方法确定匹配矩阵的方法的流程图。如图6所示，该方法包括如下步骤：
在步骤S601中，对求职者信息的嵌入特征和岗位信息的嵌入特征进行匹配计算，得到目标域匹配矩阵。
其中，目标域包括求职者和/或岗位对应的领域。
在步骤S602中，获取源域匹配矩阵。
其中，源域包括通用领域。
在步骤S603中，将目标域匹配矩阵与源域匹配矩阵组合，得到匹配矩阵。
本申请实施例中，可以对求职者信息的嵌入特征和岗位信息的嵌入特征进行匹配计算，得到目标域匹配矩阵。其中，目标域匹配矩阵用于表征求职者信息的嵌入特征和岗位信息的嵌入特征在目标域的匹配情况。
本申请实施例中，还可以获取源域匹配矩阵，即所有目标域共享的通用领域的匹配矩阵，并将上述目标域匹配矩阵与该源域匹配矩阵组合，得到匹配矩阵。一示例中，若目标域匹配矩阵为A，源域匹配矩阵为B，可以通过下式计算匹配矩阵：
；
其中，M为匹配矩阵，T为转置运算符，·为点乘运算符。
其中，源域匹配矩阵B是通过将目标域和源域中共同的学习参数提取出来，在源域进行学习得到的。也就是说，当在目标域匹配矩阵A对应的目标域中确定人岗匹配度时，上述匹配矩阵M的计算公式中，源域匹配矩阵B保持不变，而目标域匹配矩阵A可以通过上述Mi,j的计算公式确定。采用这种方式，可以在对目标域的神经网络模型进行训练时，迁移部分源域知识，解决目标域数据稀疏的问题。
根据本申请实施例提供的技术方案，通过组合目标域匹配矩阵与该源域匹配矩阵得到匹配矩阵，能够解决领域稀疏时，匹配矩阵的匹配度不够准确，进而导致人岗匹配度计算不够准确的技术问题，提高人岗匹配精度。
本申请实施例中，第二神经网络至少包括第一卷积层和第二卷积层。其中，第一卷积层的参数对应目标域匹配特征，目标域包括求职者和/或岗位对应的领域；且，第二卷积层的参数对应源域匹配特征，源域包括通用领域。
具体的，在使用第二神经网络自匹配矩阵提取匹配特征时，可以设置第二神经网络的最后几层参数用于学习抽象的规律，即所有目标域共享的相同的全局信息。也就是说，可以设置第二神经网络中的前几层参数用于学习训练目标域参数，后几层参数用于学习训练目标域参数。此时，第二神经网络的输出可以是：
；
其中，为第二神经网络的输出，/>为卷积运算，/>为源域参数，/>为目标域参数，/>为异或运算符。
根据本申请实施例提供的技术方案，通过将卷积网络分为源域和目标域两部分，实现了可迁移匹配特征的提取，进而实现了多领域数据迁移，解决了数据稀疏的目标域中匹配准确度不高的技术问题，提高了人岗匹配精度。
本申请实施例中，第一神经网络可以包括双向循环神经网络（BidirectionalRecurrentNeural Network，BiGRU）、双向长短期记忆网络（Bidirectional LongShort-Term Memory，BiLSTM）、自注意力机制（Self-Attention）网络和基于注意力机制的序列模型Transformer中的任意一种。第二神经网络可以包括CNN、深度卷积神经网络Vggnet和残差神经网络Resnet中的任意一种。第三神经网络可以包括MLP。
上述所有可选技术方案，可以采用任意结合形成本申请的可选实施例，在此不再一一赘述。
图7是本申请实施例提供的一种人岗匹配度确定方法的示意图。如图7所示，可以通过人岗匹配模型确定人岗匹配度。具体的，可以将求职者信息和岗位信息分别输入人岗匹配模型，在对求职者信息和岗位信息分别进行句子拆分后，再使用BiGRU网络分别提取求职者信息和岗位信息的句子特征。进一步的，可以使用注意力网络求职者信息的句子特征和岗位信息的句子特征进行标注，并对标注后的求职者信息的句子特征和岗位信息的句子特征进行嵌入表达，得到求职者信息的嵌入特征和岗位信息的嵌入特征。随后，对所述求职者信息的嵌入特征和所述岗位信息的嵌入特征进行匹配计算，得到匹配矩阵，再使用CNN自匹配矩阵提取匹配特征。将提取的匹配特征与求职者信息的嵌入特征和岗位信息的嵌入特征一起输入MLP，从而确定出求职者和岗位的人岗匹配度。
图8是本申请实施例提供的另一种人岗匹配度确定方法的示意图。图8所示的实施例中，同样可以通过人岗匹配模型确定人岗匹配度。与图7所示实施例相比，图8提供的实施例中增加了领域适应学习的部分。如图8所示，在对求职者信息和岗位信息分别进行句子拆分时，增加了使用SCL算法将求职者信息的原始句子表达和岗位信息的原始句子表达映射至源域，训练得到求职者信息的映射句子表达和岗位信息的映射句子表达的步骤。此外，求职者信息的映射句子表达和岗位信息的映射句子表达与求职者信息的原始句子表达和岗位信息的原始句子表达分别拼接后输入至BiGRU，可以加强句子的表达能力，在句子层面实现领域适应学习。进一步的，匹配矩阵由源域匹配矩阵和目标域匹配矩阵组合确定，通过公式计算匹配矩阵，能够在句子匹配层面实现领域适应学习。更进一步的，利用源域的CNN参数，辅助目标域CNN参数进行学习训练，能够在全局匹配层面实现领域适应学习。
采用这种方式，充分利用了具有足够标记数据的源域中获得的知识和信息，来提高具有有限或很少标记数据的目标域中的预测性能，有效解决了数据稀疏问题。例如，若科技领域的职位和数据较多，而设计领域的职位和数据较少，可以利用科技领域中的信息，帮助人岗匹配模型在设计领域中学习到更通用的特征，帮助提升设计领域的预测准确度，从而提高模型的泛化能力，也有效提升了数据的利用率。
此外，领域适应方法不需要从头开始训练模型，而是通过在源领域中训练好的模型，在目标领域中进行微调。因此，可以大大减少训练时间和资源消耗。
同时，为了实现模型在不同领域之间的可迁移性，可以首先使用文本领域自适应中的经典SCL算法得到相比于原始句子级表示更具可迁移性的SCL表示。同时将GlobalMatch Representation中的匹配权重矩阵分解为两个矩阵的乘积，分别是多领域共享部分A领域和依托于特定领域的B领域。进一步的，还可以将卷积网络分为源域和目标域两部分实现了可迁移的匹配信息提取，实现多领域数据迁移。
下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。
图9是本申请实施例提供的一种人岗匹配度确定装置的示意图。如图9所示，该人岗匹配度确定装置包括：
获取模块901，被配置为获取求职者信息和岗位信息。
特征确定模块902，被配置为使用第一神经网络确定求职者信息的嵌入特征和岗位信息的嵌入特征。
匹配模块903，被配置为对求职者信息的嵌入特征和岗位信息的嵌入特征进行匹配计算，得到匹配矩阵。
提取模块904，被配置为使用第二神经网络自匹配矩阵提取匹配特征。
匹配度确定模块905，被配置为使用第三神经网络，基于求职者信息的嵌入特征、岗位信息的嵌入特征以及匹配特征确定人岗匹配度。
本申请实施例中，使用第一神经网络确定求职者信息的嵌入特征和岗位信息的嵌入特征，包括：对求职者信息和岗位信息进行句子拆分，得到求职者信息的句子表达和岗位信息的句子表达；使用第一神经网络对求职者信息的句子表达和岗位信息的句子表达进行压缩提取，得到求职者信息的句子特征和岗位信息的句子特征；对求职者信息的句子特征和岗位信息的句子特征进行嵌入表达，得到求职者信息的嵌入特征和岗位信息的嵌入特征。
本申请实施例中，对求职者信息和岗位信息进行句子拆分，得到求职者信息的句子表达和岗位信息的句子表达，包括：对求职者信息和岗位信息进行句子拆分，得到求职者信息的原始句子表达和岗位信息的原始句子表达；使用结构对应学习算法对求职者信息的原始句子表达和岗位信息的原始句子表达进行映射，得到求职者信息的映射句子表达和岗位信息的映射句子表达；将求职者信息的原始句子表达和求职者信息的映射句子表达拼接得到求职者信息的句子表达，将岗位信息的原始句子表达和岗位信息的映射句子表达拼接得到岗位信息的句子表达。
本申请实施例中，该方法还包括：使用注意力网络对求职者信息的句子特征和岗位信息的句子特征进行标注；对标注后的求职者信息的句子特征和岗位信息的句子特征进行嵌入表达，得到求职者信息的嵌入特征和岗位信息的嵌入特征。
本申请实施例中，对求职者信息的嵌入特征和岗位信息的嵌入特征进行匹配计算，得到匹配矩阵，包括：对求职者信息的嵌入特征和岗位信息的嵌入特征进行匹配计算，得到目标域匹配矩阵，目标域包括求职者和/或岗位对应的领域；获取源域匹配矩阵，源域包括通用领域；将目标域匹配矩阵与源域匹配矩阵组合，得到匹配矩阵。
本申请实施例中，第二神经网络至少包括第一卷积层和第二卷积层，其中：第一卷积层的参数对应目标域匹配特征，目标域包括求职者和/或岗位对应的领域；以及第二卷积层的参数对应源域匹配特征，源域包括通用领域。
本申请实施例中，第一神经网络包括双向循环神经网络、双向长短期记忆网络、自注意力机制网络和基于注意力机制的序列模型Transformer中的任意一种；第二神经网络包括卷积神经网络、深度卷积神经网络Vggnet和残差神经网络中的任意一种；第三神经网络包括多层感知机。
根据本申请实施例提供的技术方案，通过使用第一神经网络确定求职者信息的嵌入特征和岗位信息的嵌入特征，并使用求职者信息的嵌入特征和岗位信息的嵌入特征构建匹配矩阵，基于匹配矩阵中的匹配特征以及该求职者信息的嵌入特征和岗位信息的嵌入特征确定人岗匹配度，能够提高人岗匹配度的确定精度，从而为求职者推荐更匹配的岗位，以及为岗位管理者推荐更匹配的求职者。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
图10是本申请实施例提供的一种电子设备的示意图。如图10所示，该实施例的电子设备10包括：处理器1001、存储器1002以及存储在该存储器1002中并且可在处理器1001上运行的计算机程序1003。处理器1001执行计算机程序1003时实现上述各个方法实施例中的步骤。或者，处理器1001执行计算机程序1003时实现上述各装置实施例中各模块/单元的功能。
电子设备10可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备10可以包括但不仅限于处理器1001和存储器1002。本领域技术人员可以理解，图10仅仅是电子设备10的示例，并不构成对电子设备10的限定，可以包括比图示更多或更少的部件，或者不同的部件。
处理器1001可以是中央处理单元（Central Processing Unit，CPU），也可以是其它通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application SpecificIntegrated Circuit，ASIC）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
存储器1002可以是电子设备10的内部存储单元，例如，电子设备10的硬盘或内存。存储器1002也可以是电子设备10的外部存储设备，例如，电子设备10上配备的插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（FlashCard）等。存储器1002还可以既包括电子设备10的内部存储单元也包括外部存储设备。存储器1002用于存储计算机程序以及电子设备所需的其它程序和数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的模块/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存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可以存储在计算机可读存储介质中，该计算机程序在被处理器执行时，可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如，在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种人岗匹配度确定方法，其特征在于，包括：
获取求职者信息和岗位信息；
使用第一神经网络确定所述求职者信息的嵌入特征和所述岗位信息的嵌入特征；
对所述求职者信息的嵌入特征和所述岗位信息的嵌入特征进行匹配计算，得到匹配矩阵；
使用第二神经网络自所述匹配矩阵提取匹配特征；
使用第三神经网络，基于所述求职者信息的嵌入特征、所述岗位信息的嵌入特征以及所述匹配特征确定所述人岗匹配度。
2.根据权利要求1所述的方法，其特征在于，所述使用第一神经网络确定所述求职者信息的嵌入特征和所述岗位信息的嵌入特征，包括：
对所述求职者信息和岗位信息进行句子拆分，得到求职者信息的句子表达和岗位信息的句子表达；
使用第一神经网络对所述求职者信息的句子表达和岗位信息的句子表达进行压缩提取，得到求职者信息的句子特征和岗位信息的句子特征；
对所述求职者信息的句子特征和所述岗位信息的句子特征进行嵌入表达，得到所述求职者信息的嵌入特征和所述岗位信息的嵌入特征。
3.根据权利要求2所述的方法，其特征在于，所述对所述求职者信息和岗位信息进行句子拆分，得到求职者信息的句子表达和岗位信息的句子表达，包括：
对所述求职者信息和岗位信息进行句子拆分，得到求职者信息的原始句子表达和岗位信息的原始句子表达；
使用结构对应学习算法对所述求职者信息的原始句子表达和所述岗位信息的原始句子表达进行映射，得到求职者信息的映射句子表达和岗位信息的映射句子表达；
将所述求职者信息的原始句子表达和求职者信息的映射句子表达拼接得到所述求职者信息的句子表达，将所述岗位信息的原始句子表达和所述岗位信息的映射句子表达拼接得到所述岗位信息的句子表达。
4.根据权利要求2所述的方法，其特征在于，所述方法还包括：
使用注意力网络对所述求职者信息的句子特征和岗位信息的句子特征进行标注；
对标注后的求职者信息的句子特征和岗位信息的句子特征进行嵌入表达，得到所述求职者信息的嵌入特征和所述岗位信息的嵌入特征。
5.根据权利要求1所述的方法，其特征在于，所述对所述求职者信息的嵌入特征和所述岗位信息的嵌入特征进行匹配计算，得到匹配矩阵，包括：
对所述求职者信息的嵌入特征和所述岗位信息的嵌入特征进行匹配计算，得到目标域匹配矩阵，所述目标域包括所述求职者和/或所述岗位对应的领域；
获取源域匹配矩阵，所述源域包括通用领域；
将所述目标域匹配矩阵与所述源域匹配矩阵组合，得到所述匹配矩阵。
6.根据权利要求1所述的方法，其特征在于，所述第二神经网络至少包括第一卷积层和第二卷积层，其中：
所述第一卷积层的参数对应目标域匹配特征，所述目标域包括所述求职者和/或所述岗位对应的领域；以及
所述第二卷积层的参数对应源域匹配特征，所述源域包括通用领域。
7.根据权利要求1所述的方法，其特征在于，
所述第一神经网络包括双向循环神经网络、双向长短期记忆网络、自注意力机制网络和基于注意力机制的序列模型Transformer中的任意一种；
所述第二神经网络包括卷积神经网络、深度卷积神经网络Vggnet和残差神经网络中的任意一种；
所述第三神经网络包括多层感知机。
8.一种人岗匹配度确定装置，其特征在于，包括：
获取模块，被配置为获取求职者信息和岗位信息；
特征确定模块，被配置为使用第一神经网络确定所述求职者信息的嵌入特征和所述岗位信息的嵌入特征；
匹配模块，被配置为对所述求职者信息的嵌入特征和所述岗位信息的嵌入特征进行匹配计算，得到匹配矩阵；
提取模块，被配置为使用第二神经网络自所述匹配矩阵提取匹配特征；
匹配度确定模块，被配置为使用第三神经网络，基于所述求职者信息的嵌入特征、所述岗位信息的嵌入特征以及所述匹配特征确定所述人岗匹配度。
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并且可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。
CN202310850161.9A 2023-07-12 2023-07-12 人岗匹配度确定方法、装置、电子设备及存储介质 Active CN116562838B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310850161.9A CN116562838B (zh) 2023-07-12 2023-07-12 人岗匹配度确定方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310850161.9A CN116562838B (zh) 2023-07-12 2023-07-12 人岗匹配度确定方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN116562838A true CN116562838A (zh) 2023-08-08
CN116562838B CN116562838B (zh) 2024-03-15

Family

ID=87503927

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310850161.9A Active CN116562838B (zh) 2023-07-12 2023-07-12 人岗匹配度确定方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN116562838B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110378544A (zh) * 2018-04-12 2019-10-25 百度在线网络技术（北京）有限公司 一种人岗匹配分析方法、装置、设备和介质
CN111192024A (zh) * 2019-12-31 2020-05-22 广东轩辕网络科技股份有限公司 一种基于强化学习的人岗匹配方法及装置
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
CN112200153A (zh) * 2020-11-17 2021-01-08 平安数字信息科技(深圳)有限公司 基于历史匹配结果的人岗匹配方法、装置及设备
CN112434217A (zh) * 2020-11-16 2021-03-02 广西斯达市场信息咨询有限公司 职位信息推荐方法、系统、计算机设备及存储介质
CN112990887A (zh) * 2021-05-07 2021-06-18 北京车智赢科技有限公司 一种简历和岗位匹配的方法及计算设备
CN114168819A (zh) * 2022-02-14 2022-03-11 北京大学 一种基于图神经网络的岗位匹配方法及装置
CN114742520A (zh) * 2022-03-22 2022-07-12 深圳壹账通科技服务有限公司 岗位匹配方法、装置、设备及存储介质
CN114862340A (zh) * 2022-04-11 2022-08-05 平安国际智慧城市科技股份有限公司 人员与岗位的匹配方法、装置、设备及可读存储介质
CN115730040A (zh) * 2022-11-21 2023-03-03 科大讯飞股份有限公司 简历筛选方法、计算机设备及存储介质
CN116415624A (zh) * 2021-12-28 2023-07-11 腾讯科技（深圳）有限公司 模型训练方法及装置、内容推荐方法及装置

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110378544A (zh) * 2018-04-12 2019-10-25 百度在线网络技术（北京）有限公司 一种人岗匹配分析方法、装置、设备和介质
CN111192024A (zh) * 2019-12-31 2020-05-22 广东轩辕网络科技股份有限公司 一种基于强化学习的人岗匹配方法及装置
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
CN112434217A (zh) * 2020-11-16 2021-03-02 广西斯达市场信息咨询有限公司 职位信息推荐方法、系统、计算机设备及存储介质
CN112200153A (zh) * 2020-11-17 2021-01-08 平安数字信息科技(深圳)有限公司 基于历史匹配结果的人岗匹配方法、装置及设备
CN112990887A (zh) * 2021-05-07 2021-06-18 北京车智赢科技有限公司 一种简历和岗位匹配的方法及计算设备
CN116415624A (zh) * 2021-12-28 2023-07-11 腾讯科技（深圳）有限公司 模型训练方法及装置、内容推荐方法及装置
CN114168819A (zh) * 2022-02-14 2022-03-11 北京大学 一种基于图神经网络的岗位匹配方法及装置
CN114742520A (zh) * 2022-03-22 2022-07-12 深圳壹账通科技服务有限公司 岗位匹配方法、装置、设备及存储介质
CN114862340A (zh) * 2022-04-11 2022-08-05 平安国际智慧城市科技股份有限公司 人员与岗位的匹配方法、装置、设备及可读存储介质
CN115730040A (zh) * 2022-11-21 2023-03-03 科大讯飞股份有限公司 简历筛选方法、计算机设备及存储介质

Also Published As

Publication number Publication date
CN116562838B (zh) 2024-03-15

Similar Documents

Publication Publication Date Title
US10650102B2 (en) Method and apparatus for generating parallel text in same language
US11551437B2 (en) Collaborative information extraction
CN112863683A (zh) 基于人工智能的病历质控方法、装置、计算机设备及存储介质
CN111767375A (zh) 语义召回方法、装置、计算机设备及存储介质
CN113779225B (zh) 实体链接模型的训练方法、实体链接方法及装置
CN116402166B (zh) 一种预测模型的训练方法、装置、电子设备及存储介质
CN110909578A (zh) 一种低分辨率图像识别方法、装置和存储介质
CN112507095A (zh) 基于弱监督学习的信息识别方法及相关设备
CN114358023B (zh) 智能问答召回方法、装置、计算机设备及存储介质
CN114780701A (zh) 自动问答匹配方法、装置、计算机设备及存储介质
CN111444335B (zh) 中心词的提取方法及装置
CN113553386A (zh) 嵌入表示模型训练方法、基于知识图谱的问答方法及装置
CN116562838B (zh) 人岗匹配度确定方法、装置、电子设备及存储介质
CN116050374A (zh) 一种跨域跨源的数据对齐方法、系统及电子设备
CN114490965B (zh) 问题处理方法、装置、电子设备和存储介质
CN115358817A (zh) 基于社交数据的智能产品推荐方法、装置、设备及介质
WO2021135330A1 (zh) 图像样本选择方法及相关设备
CN114398482A (zh) 一种词典构造方法、装置、电子设备及存储介质
CN113961701A (zh) 消息文本的聚类方法及装置
WO2019236338A1 (en) Computerized relevance scoring engine for identifying potential investors for a new business entity
Zuo et al. Cross-modality earth mover’s distance-driven convolutional neural network for different-modality data
CN113886546B (zh) 知识问答匹配处理方法、装置、介质及电子设备
CN110598578B (zh) 身份识别方法、身份识别系统的训练方法、装置及设备
US20240152540A1 (en) Rapid adaptation to contemporary text datasets
US20240290095A1 (en) Method, electronic device, and computer program product for extracting target frame

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