CN116596494A - 基于知识图谱深度学习的人岗匹配方法及系统 - Google Patents

Abstract

本发明涉及人工智能应用技术领域，具体涉及一种基于知识图谱深度学习的人岗匹配方法，包括对收集的简历信息和岗位信息的特征信息进行抽取，得到求职者特征值和岗位特征值；对求职者特征值进行评分，得到求职者的综合评分；记录求职者浏览岗位的时间并进行喜好度排行，得到岗位喜好度排行；根据岗位喜好度排行将岗位特征值进行匹配生成岗位相似度，得到求职者推荐岗位；记录人力资源浏览人才简历时间并排行，得到人力资源简历喜好度排行；根据人力资源简历喜好度排行将求职者特征值进行匹配生成简历相似度，得到人力资源的推荐简历；根据求职者的综合评分调整岗位求职者推荐岗位和人力资源的推荐简历的权重值占比，进行人岗匹配。

Description

基于知识图谱深度学习的人岗匹配方法及系统

技术领域

本发明涉及人工智能应用技术领域，尤其涉及一种基于知识图谱深度学习的人岗匹配方法及系统。

背景技术

随着网上招聘业务的不断发展，进行线上招聘的单位和求职者日益增多，求职者搜索岗位和HR搜索人才所花费的时间越来越多。通过招聘网站中累积的人才数据、岗位数据及行为数据，通过最佳解释推理模型对岗位信息和人才信息中结构化和非结构化的特征进行提取，并对结构化特征和非结构化特征进行岗位和简历之间的匹配，得到简历匹配结果。同时根据求职者在平台浏览过程中搜索和查看岗位的行为记录进行分析，根据浏览时长、同类型岗位浏览数量、人才投递岗位等信息，获取人才的岗位偏好。同样可以根据HR浏览人才信息的行为记录根据浏览时长、浏览人才的特征、审核简历结果，得到人才类型偏好。根据简历匹配和偏好综合权重排名得到人岗匹配结果。

目前，基于知识图谱、深度学习的人岗匹配方法、人岗匹配系统，利用知识图谱描述已选简历数据与岗位的关系，根据该关系和第一基础数据融入模型进行计算得到最优模型，通过该最优模型获取待选简历数据与岗位的匹配分数，能够精确且高效的迅速进行匹配，获取简历与岗位的匹配结果，简历筛选以及匹配的效率高，大大降低用人单位和求职者的时间和精力，提高了企业人事招聘整体的管理水平。

但现有技术无法实现求职者的期望岗位与原有专业或者工作经历跨度较大的情况，则无法匹配到相应的岗位；简历信息或岗位信息填写内容较少或者填写有偏差时，也无法匹配到合适的岗位；如求职者和岗位供需匹配时部分因素没有计算到模型中，也会造成匹配偏差；每个HR和求职者对各指标敏感度也均不相同，如采用统一权重也会导致匹配偏。

发明内容

本发明的目的在于提供一种基于知识图谱深度学习的人岗匹配方法及系统，旨在解决现有技术主要根据人才基本信息及工作经验等数据和岗位需求数据进行匹配，完全靠现有填写数据进行分析，因此会与实际需求出现偏差的问题。

为实现上述目的，第一方面，本发明提供了一种基于知识图谱深度学习的人岗匹配方法，包括以下步骤：

对收集的简历信息和岗位信息的特征信息进行抽取，得到求职者特征值和岗位特征值；

对所述求职者特征值进行评分，得到求职者的综合评分；

记录求职者浏览岗位的时间并进行喜好度排行，得到岗位喜好度排行；

根据所述岗位喜好度排行将所述岗位特征值进行匹配生成岗位相似度，得到求职者推荐岗位；

记录人力资源浏览人才简历时间并排行，得到人力资源简历喜好度排行；

根据所述人力资源简历喜好度排行将所述求职者特征值进行匹配生成简历相似度，得到人力资源的推荐简历；

根据所述求职者的综合评分调整岗位所述求职者推荐岗位和所述人力资源的推荐简历的权重值占比，进行人岗匹配。

其中，对系统中收集的简历信息和岗位信息的特征信息进行抽取，得到求职者特征值和岗位特征值，包括：

从简历信息中解析提取简历的教育、软技能、专业、岗位经验、专业技能和期望薪资信息，得到求职者特征值；

从岗位信息中解析提取岗位的学历、专业、资深度和岗位薪资信息，得到岗位特征值。

其中，对所述简历信息进行评分，得到求职者的综合评分，包括：

对所述简历信息从岗位意向评分、专业技能标签评分、软技能标签评分、专业评分、教育经历评分、期望薪资评分和岗位经验评分7个方面评分，得到求职者的综合评分。

其中，从岗位意向评分、专业技能标签评分、软技能标签评分、专业评分、教育经历评分、期望薪资评分和岗位经验评分7个方面评分，包括：

根据简历数据、岗位数据分别存在对应岗位意向分类，通过一个简历对应多条求职意向且每个求职意向有对应评分，得到岗位意向评分；

根据岗位需求，岗位中学历不限的，默认为大专，从教育经历与岗位要求相差越大，得分越低作为标准进行评分，得到教育经历评分；

根据岗位和简历专业，计算专业文字的模糊匹配度，取平均值，得到专业评分；

计算岗位和简历中的工作经验上下限，进行匹配评分，工作经验小于要求：减去差额/工作年限最小要求，工作经验大于要求：(减去差额/最大值)*0.5，得到工作经验评分；

将岗位和简历中的职业技能解析结果向量化，进行匹配得分，得到专业技能标签评分；

将岗位和简历中的软技能解析结果向量化后，进行匹配得分，得到软技能标签评分；

岗位和简历中的薪酬比对重合度，重合度越高分数越高，完全没有重合基础分0.5，根据不重合度扣减分数，得到期望薪资评分。

本发明的一种基于知识图谱深度学习的人岗匹配方法及系统，包括对收集的简历信息和岗位信息的特征信息进行抽取，得到求职者特征值和岗位特征值；对所述求职者特征值进行评分，得到求职者的综合评分；记录求职者浏览岗位的时间并进行喜好度排行，得到岗位喜好度排行；根据所述岗位喜好度排行将所述岗位特征值进行匹配生成岗位相似度，得到求职者推荐岗位；记录人力资源浏览人才简历时间并排行，得到人力资源简历喜好度排行；根据所述人力资源简历喜好度排行将所述求职者特征值进行匹配生成简历相似度，得到人力资源的推荐简历，根据所述求职者的综合评分调整岗位所述求职者推荐岗位和所述人力资源的推荐简历的权重值占比，进行人岗匹配，本发明解决了现有技术主要根据人才基本信息及工作经验等数据和岗位需求数据进行匹配，完全靠现有填写数据进行分析，因此会与实际需求出现偏差的问题。

第二方面，本发明提供一种基于知识图谱深度学习的人岗匹配系，包括简历接收模块、信息浏览模块、特征提取模块、评分模块和人岗分配模块，所述接收模块、所述浏览模块、所述特征提取模块、所述评分模块、所述人岗分配模块依次链接；

所述简历接收模块，用于接收求职者的信息；

所述信息浏览模块，用于记录求职者浏览岗位的时间并进行喜好度排行，得到岗位喜好度排行，记录人力资源浏览人才简历时间并排行，得到人力资源简历喜好度排行；

所述特征提取模块，对收集的简历信息和岗位信息的特征信息进行抽取，得到求职者特征值和岗位特征值；

所述评分模块，用于对所述求职者特征值进行评分，得到求职者的综合评分；

所述人岗分配模块，根据所述求职者的综合评分调整岗位所述求职者推荐岗位和所述人力资源的推荐简历的权重值占比，进行人岗匹配。

本发明的有益效果为：

1.将HR和求职者主观喜好加入到匹配因素中，规避原先由于岗位描述和简历内容填写内容缺失、表达不清、理解偏差造成的匹配效果下降的情况；

2.结合HR和求职者查看简历和岗位的信息，并且使用和访问平台的频率越高可使匹配效果不断提高，对老用户能提供更好的服务；

3.规避了不同求职者对不同指标的偏好不同，如有的偏好薪酬、有的偏好公司规模等，使不同用户都能获得符合自己要求的匹配结果。

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获得其他的附图。

图1是本发明提供的一种基于知识图谱深度学习的人岗匹配方法的流程图。

图2是本发明提供的一种基于知识图谱深度学习的人岗匹配方法的匹配逻辑图。

图3是本发明提供的一种基于知识图谱深度学习的人岗匹配方法的人岗特征值匹配逻辑图。

图4是本发明提供的一种基于知识图谱深度学习的人岗匹配方法的基于简历的协同过滤示意图。

图5是本发明提供的一种基于知识图谱深度学习的人岗匹配方法基于岗位的协同过滤示意图。

图6是本发明提供的一种基于知识图谱深度学习的人岗匹配系统结构图。

1-接收模块、2-浏览模块、3-特征提取模块、4-评分模块、5-人岗分配模块。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

请参阅图1至图6，第一方面，本发明提供一种基于知识图谱深度学习的人岗匹配方法及系统，包括以下步骤：

S1对收集的简历信息和岗位信息的特征信息进行抽取，得到求职者特征值和岗位特征值；

具体的，简历信息解析提取简历的教育、软技能、专业、岗位经验、专业技能和期望薪资信息，得到求职者特征值；

岗位信息解析提取岗位的学历、专业、资深度和岗位薪资信息，得到岗位特征值。

S2对所述求职者特征值进行评分，得到求职者的综合评分；

具体的，从岗位意向评分、专业技能标签评分、软技能标签评分、专业评分、教育经历评分、期望薪资评分和岗位经验评分7个方面评分；

S20根据简历数据、岗位数据分别存在对应岗位意向分类，通过一个简历对应多条求职意向且每个求职意向有对应评分，得到岗位意向评分；

具体的，简历数据、岗位数据分别存在对应岗位意向分类，且每项分类由L1(一级)、L2(二级)、L3(三级)组成。简历数据中岗位意向为L1、L2、L3。一个简历对应多条求职意向且每个求职意向有对应评分。具体打分规则为当一个简历和一个岗位的岗位意向有重合时，根据重合等级分别用以下评分基数乘以评分。

如果一条简历解析结果如下

resume_id	L1	L2	L3	score
					12345	010	022	003	0.6
12345	010	022	005	0.8
					12345	010	000	000	0.5

匹配一条岗位解析结果如下

job_id	L1	L2	L3
				99999	010	022	003

则匹配结果岗位意向评分为：

此番可以有三个匹配对，分别为：

L1-L3全部匹配，则评分基数为1，最终乘score，即0.6；

L1-L2全部匹配，L3不匹配且不为000，则评分基数为0.6，最终乘score，即0.48；

L1匹配，L2与L3都为000，则视L3不匹配，L1-L2匹配，评分基数扣除0.2，则评分基数为0.6-0.2＝0.4，最终乘score，即0.2；

取这三个打分的最大值0.6，就是最终的意向得分。

一个简历只对应一条岗位意向数据，且没有对应打分。因此，当一个简历和一个岗位的岗位意向有重合时，根据重合等级分别采用以下评分，上述评分基数的50％，即为最终岗位意向评分结果。

重合等级	岗位意向评分
		L1	0.1
L2	0.3
		L3	0.5

S21根据岗位需求，岗位中学历不限的，默认为大专，从教育经历与岗位要求相差越大，得分越低作为标准进行评分，得到教育经历评分；

具体的，教育经历评分用于评估简历学历等级与岗位学历要求之间的匹配度。岗位的教育经历要求与简历的教育经历，将两者的学位转换为1-8的编码：

{'不限':4,'小学':1,'初中':2,'中专':3,'高中':3,'专科':4,'大专':4,'本科':5,'硕士':6,'博士':7,'博士后':8}

其中，由于数据中存在空值，且岗位数据中存在“不限”分类，在数据处理中将这些情况视为平均学历等级，即专科/大专同级；

计算简历与岗位code之间的差，每级扣1/3分，满分1分，最少0分；

S22根据岗位和简历专业，计算专业文字的模糊匹配度，取平均值，得到专业评分；

具体的，专业评分用于评估简历学历专业与岗位专业之间的匹配度。将岗位和简历的专业数据分别进行文本提取后，使用levenshtein Distance算法进行岗位专业需求字段与简历专业的匹配度计算。最高分为1，最低分为0；

S23计算岗位和简历中的工作经验上下限，进行匹配评分，工作经验小于要求：减去差额/工作年限最小要求，工作经验大于要求：(减去差额/最大值)*0.5，得到工作经验评分；

具体的，工作经验评分用于评估简历与岗位在工作经验(年限)之间的匹配度。原数据中岗位工作年限要求为编码，在实际使用中将编码转换为工作经验上下年限，具体对应关系如下：

{1:[0,100],2:[0,0],3:[0,0],4:[1,3],5:[3,5],6:[5,10],7:[10,100]}

如简历的工作经验在岗位要求的工作经验范围内，则score＝1；

如简历的工作经验少于岗位要求的最低工作范围，简历不太能胜任工作，则score＝1-(work_exp_lowerbound-work_exp)/work_exp_lowerbound)；

如简历的工作经验大于岗位要求的最高工作范围，简历能胜任工作，但对于简历来说工作可能太过于初级，则score＝1-0.5*(work_exp-work_exp_upperbound)/work_exp_upperbound)；

S24将岗位和简历中的职业技能解析结果向量化，进行匹配得分，得到专业技能标签评分；

具体的，所有岗位数据及简历数据专业技能标签数据，形成标签库，再将简历/岗位的专业技能标签转换为one-hot encoding。one-hot encoding为将标签列表转化为向量的方法。每个向量的序列代表标签库中单个标签，序列对应数值采用解析的打分结果。随后，使用cosine similarity计算方式，计算两者的相似度，最高为1，最低为0。Cosine距离的区分度最大，同时取值范围与算法要求最合适(即分值越高越推荐)。对于简历专业技能标签，使用标准分作为技能程度；对于岗位专业技能标签，对文本语言进行转换，使精通对应1、熟练对应0.66、基本掌握对应0.33；

S25将岗位和简历中的软技能解析结果向量化后，进行匹配得分，得到软技能标签评分；

所述软技能计算方式与所述专业技能评分相同；

S26岗位和简历中的薪酬比对重合度，重合度越高分数越高，完全没有重合基础分0.5，根据不重合度扣减分数，得到期望薪资评分；

具体的，期望薪资评分用于评估简历期望薪资与岗位薪资范围之间的匹配度。基于业务逻辑，由于岗位方的薪资相对标明的薪资范围必定呈左偏分布，即实际薪资会偏向标明的薪资范围下限。而简历方期望的薪资相对标明的薪资范围必定呈右偏分布，即实际期望薪资会偏向标明的薪资范围上限。因此，将向简历推荐岗位的期望薪资评分与向岗位推荐简历的期望薪资评分分为两套逻辑差异计算。

第一类：岗位与简历薪资范围不重叠，以0.5为基数扣分

岗位的最高薪资小于简历的最小期望薪资，则：

score＝0.5-(resume_begin_salary-job_end_salary)/resume_begin_salary；

岗位的最小薪资大于简历的最大期望薪资，则：

score＝0.5-(job_begin_salary-resume_end_salary)/job_begin_salary；

第二类：岗位与简历的期望薪资范围有重叠，以0.5为基数加分

对于向简历推荐岗位：

score＝0.5+(over_lapping_right-over_lapping_left)/min(1000,(resume_end_salary-resume_begin_salary))；

对于向岗位推荐简历：

score＝0.5+(over_lapping_right-over_lapping_left)/min(1000,(job_end_salary-job_begin_salary))；

期望薪资评分最小为0，最高为1。

S3记录求职者浏览岗位的时间并进行喜好度排行，得到岗位喜好度排行；

具体的，求职者用户在使用招聘系统过程中浏览岗位情况，根据浏览时间作为权重指数，忽略浏览时间小于5秒的岗位，浏览时间超过5分钟的按照5分钟计算，以此形成每个求职者用户的岗位浏览记录，并结合求职者投递简历形成求职者的岗位喜好度排行，得到岗位喜好度排行；

S4根据所述岗位喜好度排行将所述岗位特征值进行匹配生成岗位相似度，得到求职者推荐岗位；

S5记录人力资源浏览人才简历时间并排行，得到人力资源简历喜好度排行；

具体的，记录HR用户在使用招聘系统浏览人才信息及简历的情况，根据浏览时间作为权重指数，忽略浏览时间小于5秒的简历，浏览时间超过5分钟的按照5分钟计算，以此形成每个HR的简历浏览记录，并结合HR对简历审核通过的记录形成HR的简历喜好度排行，得到人力资源简历喜好度排行；

S6根据所述人力资源简历喜好度排行将所述求职者特征值进行匹配生成简历相似度，得到人力资源的推荐简历；

S7根据所述求职者的综合评分调整岗位所述求职者推荐岗位和所述人力资源的推荐简历的权重值占比，进行人岗匹配。

第二方面，本发明提供一种基于知识图谱深度学习的人岗匹配系，包括简历接收模块1、信息浏览模块2、特征提取模块3、评分模块4和人岗分配模块5，所述接收模块1、所述浏览模块2、所述特征提取模块3、所述评分模块4、所述人岗分配模块5依次链接；

所述简历接收模块1，用于接收求职者的信息；

所述信息浏览模块2，用于记录求职者浏览岗位的时间并进行喜好度排行，得到岗位喜好度排行，记录人力资源浏览人才简历时间并排行，得到人力资源简历喜好度排行；

所述特征提取模块3，对收集的简历信息和岗位信息的特征信息进行抽取，得到求职者特征值和岗位特征值；

所述评分模块4，用于对所述求职者特征值进行评分，得到求职者的综合评分；

所述人岗分配模块5，根据所述求职者的综合评分调整岗位所述求职者推荐岗位和所述人力资源的推荐简历的权重值占比，进行人岗匹配。

以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。

Claims (5)

1.一种基于知识图谱深度学习的人岗匹配方法，其特征在于，

对收集的简历信息和岗位信息的特征信息进行抽取，得到求职者特征值和岗位特征值；

对所述求职者特征值进行评分，得到求职者的综合评分；

记录求职者浏览岗位的时间并进行喜好度排行，得到岗位喜好度排行；

根据所述岗位喜好度排行将所述岗位特征值进行匹配生成岗位相似度，得到求职者推荐岗位；

记录人力资源浏览人才简历时间并排行，得到人力资源简历喜好度排行；

根据所述人力资源简历喜好度排行将所述求职者特征值进行匹配生成简历相似度，得到人力资源的推荐简历；

根据所述求职者的综合评分调整岗位所述求职者推荐岗位和所述人力资源的推荐简历的权重值占比，进行人岗匹配。

2.如权利要求1所述的基于知识图谱深度学习的人岗匹配方法，其特征在于，

对收集的简历信息和岗位信息的特征信息进行抽取，得到求职者特征值和岗位特征值，包括：

从简历信息中解析提取简历的教育、软技能、专业、岗位经验、专业技能和期望薪资信息，得到求职者特征值；

从岗位信息中解析提取岗位的学历、专业、资深度和岗位薪资信息，得到岗位特征值。

3.如权利要求2所述的基于知识图谱深度学习的人岗匹配方法，其特征在于，

对所述简历信息进行评分，得到求职者的综合评分，包括：

对所述简历信息从岗位意向评分、专业技能标签评分、软技能标签评分、专业评分、教育经历评分、期望薪资评分和岗位经验评分7个方面评分，得到求职者的综合评分。

4.如权利要求3所述的基于知识图谱深度学习的人岗匹配方法，其特征在于，

从岗位意向评分、专业技能标签评分、软技能标签评分、专业评分、教育经历评分、期望薪资评分和岗位经验评分7个方面评分，包括：

根据简历数据、岗位数据分别存在对应岗位意向分类，通过一个简历对应多条求职意向且每个求职意向有对应评分，得到岗位意向评分；

根据岗位需求，岗位中学历不限的，默认为大专，从教育经历与岗位要求相差越大，得分越低作为标准进行评分，得到教育经历评分；

根据岗位和简历专业，计算专业文字的模糊匹配度，取平均值，得到专业评分；

计算岗位和简历中的工作经验上下限，进行匹配评分，工作经验小于要求：减去差额/工作年限最小要求，工作经验大于要求：(减去差额/最大值)*0.5，得到工作经验评分；

将岗位和简历中的职业技能解析结果向量化，进行匹配得分，得到专业技能标签评分；

将岗位和简历中的软技能解析结果向量化后，进行匹配得分，得到软技能标签评分；

岗位和简历中的薪酬比对重合度，重合度越高分数越高，完全没有重合基础分0.5，根据不重合度扣减分数，得到期望薪资评分。

5.一种基于知识图谱深度学习的人岗匹配系统，应用于权利要求4所述的基于知识图谱深度学习的人岗匹配方法，其特征在于，

包括简历接收模块、信息浏览模块、特征提取模块、评分模块和人岗分配模块，所述接收模块、所述浏览模块、所述特征提取模块、所述评分模块、所述人岗分配模块依次链接；

所述简历接收模块，用于接收求职者的信息；

所述信息浏览模块，用于记录求职者浏览岗位的时间并进行喜好度排行，得到岗位喜好度排行，记录人力资源浏览人才简历时间并排行，得到人力资源简历喜好度排行；

所述特征提取模块，对收集的简历信息和岗位信息的特征信息进行抽取，得到求职者特征值和岗位特征值；

所述评分模块，用于对所述求职者特征值进行评分，得到求职者的综合评分；

所述人岗分配模块，根据所述求职者的综合评分调整岗位所述求职者推荐岗位和所述人力资源的推荐简历的权重值占比，进行人岗匹配。