CN116843155B - 一种基于saas的人岗双向匹配方法和系统 - Google Patents
一种基于saas的人岗双向匹配方法和系统 Download PDFInfo
- Publication number
- CN116843155B CN116843155B CN202310939748.7A CN202310939748A CN116843155B CN 116843155 B CN116843155 B CN 116843155B CN 202310939748 A CN202310939748 A CN 202310939748A CN 116843155 B CN116843155 B CN 116843155B
- Authority
- CN
- China
- Prior art keywords
- feature
- resume
- sequence
- target
- portrait
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 101001072091 Homo sapiens ProSAAS Proteins 0.000 title claims abstract description 57
- 102100036366 ProSAAS Human genes 0.000 title claims abstract description 57
- 230000002457 bidirectional effect Effects 0.000 title claims abstract description 55
- 230000007115 recruitment Effects 0.000 claims abstract description 59
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 58
- 238000000605 extraction Methods 0.000 claims description 31
- 238000001914 filtration Methods 0.000 claims description 26
- 230000011218 segmentation Effects 0.000 claims description 22
- 238000013507 mapping Methods 0.000 claims description 19
- 230000003628 erosive effect Effects 0.000 claims description 13
- 210000004279 orbit Anatomy 0.000 claims description 13
- 238000003708 edge detection Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 238000009432 framing Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 101000637771 Homo sapiens Solute carrier family 35 member G1 Proteins 0.000 claims 2
- 102000053339 human SLC35G1 Human genes 0.000 claims 2
- 230000004807 localization Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Studio Circuits (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及人岗匹配技术领域,揭露了一种基于SAAS的人岗双向匹配方法,包括:利用SAAS平台分别获取企业端的招聘需求集和人员端的应聘简历集,从招聘需求集中提取出需求特征集;将应聘简历集拆分成视频简历集和文档简历集,从文档简历集中提取出文档人才特征集;从视频简历集中提取出视频人才特征集;将视频人才特征集和文档人才特征集汇集成人才特征集,利用预设的簇特征相似度算法对需求特征集和人才特征集进行特征匹配操作,得到双向匹配结果,利用SAAS平台分别将双向匹配结果发送至企业端和人员端。本发明还提出一种基于SAAS的人岗双向匹配系统。本发明可以提高基于人岗双向匹配的效率。
Description
技术领域
本发明涉及人岗匹配技术领域,尤其涉及一种基于SAAS的人岗双向匹配方法和系统。
背景技术
SAAS技术具有云计算的弹性资源和高效的处理能力等优势,而传统的人才招聘方式往往受限于时间、空间和资源,招聘过程繁琐且效率较低,因此,基于SAAS的人岗双向匹配方法广泛应用于人才招聘和就业市场等领域。
现有的基于SAAS的人岗双向匹配方法多为基于关键词匹配的人岗双向匹配方法,主要是通过从岗位需求信息中提取出需求关键词,从人才简历信息中提取出人才关键词,根据需求关键词和人才关键词实现人岗匹配,实际应用中,基于关键词匹配的人岗双向匹配方法的局限性较大,可能忽略上下文和语义信息,导致匹配结果可能不够准确,且无法识别视频简历等新式简历内容,可能会导致进行人岗双向匹配时的效率较低。
发明内容
本发明提供一种基于SAAS的人岗双向匹配方法和系统,其主要目的在于解决进行进行人岗双向匹配时的效率较低的问题。
为实现上述目的,本发明提供的一种基于SAAS的人岗双向匹配方法,包括:
利用SAAS平台分别获取企业端的招聘需求集和人员端的应聘简历集,依次对所述招聘需求集进行文本特征提取和分组特征编码操作,得到需求特征集;
按照预设的数据类型将所述应聘简历集拆分成视频简历集和文档简历集,从所述文档简历集中提取出简历人像图集和简历文本集,利用预设的人像整洁系数算法从所述简历人像图集中提取出图片人像特征集,从所述简历文本集中提取出文本能力特征集,将所述图片人像特征集和所述文本能力特征集融合成文档人才特征集,其中,所述利用预设的人像整洁系数算法从所述简历人像图集中提取出图片人像特征集,包括:逐个选取所述简历人像图集中的简历人像图片作为目标人像图片,依次对所述目标人像图片进行盒式滤波和边缘检测操作,得到目标人像轮廓,根据所述目标人像轮廓从所述目标人像图片中提取出标准人像图块;利用预设的骨骼侵蚀算法提取出所述标准人像图块对应的骨骼节点,从所述骨骼节点中提取出人体姿态特征;根据所述骨骼节点在所述标准人像图块中定位出眼眶图块,从所述眼眶图块中提取出人像眼部特征;根据所述骨骼节点在所述标准人像图块中定位出衣着图块,对所述衣着图块进行纹理侵蚀,得到衣着纹理特征;将所有的所述人体姿态特征汇集成姿态特征集、将所有的所述人像眼部特征汇集成眼部特征集,将所有的所述衣着纹理特征汇集成纹理特征集;利用如下的人像整洁系数算法根据所述姿态特征集、所述眼部特征集以及所述纹理特征集计算出所述简历人像图集对应的整洁系数集:
其中,Ot是指所述整洁系数集中第t个整洁系数,N是所述整洁系数集的元素总数,且所述整洁系数集、所述姿态特征集、所述眼部特征集以及所述纹理特征集的元素总数均相同,xt是指所述姿态特征集中第t个人体姿态特征,j为特征序数,xj是指所述姿态特征集中第j个人体姿态特征,yt是指所述眼部特征集中第t个人像眼部特征,yj是指所述眼部特征集中第j个人像眼部特征,zt是指所述纹理特征集中第t个衣着纹理特征,zj是指所述纹理特征集中第j个衣着纹理特征;对所述整洁系数集中的各个整洁系数进行阈值特征映射,得到图片人像特征;
分别从所述视频简历集中提取出简历帧图片序列集和音频简历序列集,依次对所述音频简历序列集进行幅度特征提取和特征语义转码操作,得到音频语义集;
依次对所述简历帧图片序列集进行字幕定位和字幕分割操作,得到字幕图块序列集和内容图块序列集,从所述内容图块序列集中提取出视频内容语义集,利用所述字幕图块序列集、所述视频内容语义集对所述音频语义集进行语义特征匹配操作,得到视频人才特征集;
将所述视频人才特征集和所述文档人才特征集汇集成人才特征集,对所述需求特征集和所述人才特征集进行特征匹配操作,得到双向匹配结果,利用所述SAAS平台分别将所述双向匹配结果发送至所述企业端和所述人员端,结束匹配。
可选地,所述依次对所述招聘需求集进行文本特征提取和分组特征编码操作,得到需求特征集,包括:
逐个选取所述招聘需求集中的招聘需求作为目标招聘需求,依次对所述目标招聘需求进行文本分词和停用词过滤操作,得到目标需求词集;
依次对所述目标需求词集进行向量编码和位置编码,得到目标需求向量序列;
利用如下的均权注意力编码算法将所述目标需求向量序列编码成目标注意力需求特征:
其中,Ai是指第i个需求向量对应的所述目标注意力需求特征,σ()为归一化函数,ci是指所述目标需求向量序列中序号为i的需求向量,i为向量序号,*是点乘符号,qi是指所述目标需求向量序列中序号为i的需求向量的查询向量,ki是指所述目标需求向量序列中序号为i的需求向量的键向量,vi是指所述目标需求向量序列中序号为i的需求向量的值向量,d是指所述目标需求向量序列中每个需求向量的特征维度,l是预设的尺度系数,log为对数符号,n是所述目标需求向量序列的长度;
对所述目标注意力需求特征进行多级前向传播,分别得到岗位职责特征、技能要求特征、学历要求特征、工作经验要求特征、外貌需求特征以及性格需求特征;
将所述岗位职责特征、所述技能要求特征、所述学历要求特征、所述工作经验要求特征、所述外貌需求特征以及所述性格需求特征融合成需求特征,将所有的需求特征汇集成需求特征集。
可选地,所述分别从所述视频简历集中提取出简历帧图片序列集和音频简历序列集,包括:
逐个选取所述视频简历集中的视频简历作为目标视频简历,对所述目标视频简历进行音频提取,得到音频简历序列;
逐帧对所述目标视频简历进行图片截取,得到简历帧图片序列;
将所有的音频简历序列汇集成音频简历序列集,将所有的简历帧图片序列汇集成简历帧图片序列集。
可选地,所述依次对所述音频简历序列集进行幅度特征提取和特征语义转码操作,得到音频语义集,包括:
逐个选取所述音频简历序列集中的音频简历序列作为目标音频简历序列,依次对所述目标音频简历序列进行音频除噪、音频分帧以及音频加窗操作,得到目标简历音频;
对所述目标简历音频进行频域幅度转化,得到目标简历频域;
依次对所述目标简历频域进行刻度滤波和幅度滤波操作,得到目标频域特征;
依次对所述目标频域特征进行离散变换和特征拼接操作,得到目标音素特征;
将所述目标音素特征归一化成标准音素特征,对所述标准音素特征进行文本映射,得到音素语义;
依次对所述音素语义进行音素转码和文本矫正操作,得到音频语义,并将所有的音频语义汇集成音频语义集。
可选地,所述依次对所述简历帧图片序列集进行字幕定位和字幕分割操作,得到字幕图块序列集和内容图块序列集,包括:
逐个选取所述简历帧图片序列集中的简历帧图片序列作为目标简历帧图片序列,逐个选取所述目标简历帧图片序列中的帧图片作为目标帧图片;
从所述目标帧图片中提取出帧图片特征,根据所述帧图片特征生成字幕框集以及所述字幕框集对应的字幕概率集;
根据所述字幕概率集对所述字幕框集进行框图合并操作,得到标准字幕框;
根据所述标准字幕框将所述目标帧图片拆分成初级字幕图块和初级内容图块;
将所述目标简历帧图片序列的所有初级字幕图块汇集成初级字幕图块序列,将所述目标简历帧图片序列的所有初级内容图块汇集成初级内容图块序列;
利用如下的均差灰度对比算法计算出所述初级字幕图块序列中连续两个初级字幕图块之间的灰度变动值:
其中,S是指所述灰度变动值,Dmax是指所述初级字幕图块序列中的初级字幕图块D中像素的最大灰度值,Dmin是指所述初级字幕图块序列中的初级字幕图块D中像素的最小灰度值,Bmax是指所述初级字幕图块序列中的初级字幕图块B中像素的最大灰度值,Bmin是指所述初级字幕图块序列中的初级字幕图块B中像素的最小灰度值,且所述初级字幕图块D和所述初级字幕图块B在所述初级字幕图块序列中相邻,h是指坐标,D∩B是所述初级字幕图块D和所述初级字幕图块B的重合坐标区域,Dh是指初级字幕图块D中像素坐标为h的像素的灰度值,Bh是指所述初级字幕图块B中像素坐标为h的像素的灰度值,r(D∩B)是所述D∩B区域的像素总数;
根据所述灰度变动值从所述初级字幕图块序列中筛选出字幕图块序列,将所有的字幕图块序列汇集成字幕图块序列集;
利用所述均差灰度对比算法从所述初级内容图块序列中筛选出内容图块序列,将所有的内容图块序列汇集成内容图块序列集。
可选地,所述从所述内容图块序列集中提取出视频内容语义集,包括:
逐个选取所述内容图块序列集中的内容图块序列作为目标内容图块序列,从所述目标内容图块序列中提取出目标人像图块序列;
利用所述人像整洁系数算法从所述目标人像图块序列中提取出图块人像特征序列,将所述图块人像特征序列的特征均值作为图块人像特征;
对所述目标内容图块序列进行多级卷积池化操作,得到目标内容特征序列;
按照序列顺序从所述目标内容特征序列中提取出时序内容特征;
对所述时序内容特征进行注意力编码操作,得到时序注意力内容特征;
依次对所述时序注意力内容特征进行多级残差连接和线性激活操作,得到初级视频内容语义;
将所述图块人像特征和所述初级视频内容语义融合成视频内容语义,将所有的视频内容语义汇集成视频内容语义集。
可选地,所述利用所述字幕图块序列集、所述视频内容语义集对所述音频语义集进行语义特征匹配操作,得到视频人才特征集,包括:
依次对所述字幕图块序列集进行边缘检测和边缘增强操作,得到增强字幕图块序列集;
依次对所述增强字幕图块序列集进行直线检测和倾斜矫正操作,得到矫正字幕图块序列集;
依次对所述矫正字幕图块序列集进行文本分割、文本识别和文本拼接操作,得到字幕文本序列集;
对所述字幕文本序列集中的每个字幕文本序列进行序列融合操作,得到字幕语义集;
将所述字幕语义集、所述视频内容语义集和所述音频语义集加权融合成视频语义集;
对所述视频语义集进行文本特征提取,得到视频人才特征集。
可选地,所述对所述需求特征集和所述人才特征集进行特征匹配操作,得到双向匹配结果,包括:
将所述需求特征集全局池化成降维需求特征集,将所述人才特征集全局池化成降维人才特征集;
对所述降维需求特征集进行特征聚类,得到需求特征类组,将所述需求特征类组中的所有聚类中心作为需求中心特征汇集成需求中心特征集;
对所述降维人才特征集进行特征聚类,得到人才特征类组,将所述人才特征类组中的所有聚类中心作为人才中心特征汇集成人才中心特征集;
计算出所述需求中心特征集中各个需求中心特征和所述人才中心特征集中各个人才中心特征之间的特征距离;
逐个选取所述需求中心特征集中的需求中心特征作为目标需求中心特征,将所述人才中心特征集中与所述目标需求中心特征之间的特征距离小于预设的特征距离阈值的人才中心特征汇集成匹配人才中心特征组;
将所有的匹配人才中心特征组汇集成初级岗位匹配结果,利用所述需求特征类组和所述人才特征类组对所述初级岗位匹配结果进行特征映射,得到岗位匹配结果;
逐个选取所述人才中心特征集中的人才中心特征作为目标人才中心特征,将所述需求中心特征集中与所述目标人才中心特征之间的特征距离小于预设的特征距离阈值的需求中心特征汇集成匹配需求中心特征组;
将所有的匹配需求中心特征组汇集成初级人才匹配结果,利用所述需求特征类组和所述人才特征类组对所述初级人才匹配结果进行特征映射,得到人才匹配结果;
将所述岗位匹配结果和所述人才匹配结果汇集成双向匹配结果。
为了解决上述问题,本发明还提供一种基于SAAS的人岗双向匹配系统,所述系统包括:
需求提取模块,用于利用SAAS平台分别获取企业端的招聘需求集和人员端的应聘简历集,依次对所述招聘需求集进行文本特征提取和分组特征编码操作,得到需求特征集;
简历拆分模块,用于按照预设的数据类型将所述应聘简历集拆分成视频简历集和文档简历集,从所述文档简历集中提取出简历人像图集和简历文本集,利用预设的人像整洁系数算法从所述简历人像图集中提取出图片人像特征集,从所述简历文本集中提取出文本能力特征集,将所述图片人像特征集和所述文本能力特征集融合成文档人才特征集,其中,所述利用预设的人像整洁系数算法从所述简历人像图集中提取出图片人像特征集,包括:逐个选取所述简历人像图集中的简历人像图片作为目标人像图片,依次对所述目标人像图片进行盒式滤波和边缘检测操作,得到目标人像轮廓,根据所述目标人像轮廓从所述目标人像图片中提取出标准人像图块;利用预设的骨骼侵蚀算法提取出所述标准人像图块对应的骨骼节点,从所述骨骼节点中提取出人体姿态特征;根据所述骨骼节点在所述标准人像图块中定位出眼眶图块,从所述眼眶图块中提取出人像眼部特征;根据所述骨骼节点在所述标准人像图块中定位出衣着图块,对所述衣着图块进行纹理侵蚀,得到衣着纹理特征;将所有的所述人体姿态特征汇集成姿态特征集、将所有的所述人像眼部特征汇集成眼部特征集,将所有的所述衣着纹理特征汇集成纹理特征集;利用如下的人像整洁系数算法根据所述姿态特征集、所述眼部特征集以及所述纹理特征集计算出所述简历人像图集对应的整洁系数集:
其中,Ot是指所述整洁系数集中第t个整洁系数,N是所述整洁系数集的元素总数,且所述整洁系数集、所述姿态特征集、所述眼部特征集以及所述纹理特征集的元素总数均相同,xt是指所述姿态特征集中第t个人体姿态特征,j为特征序数,xj是指所述姿态特征集中第j个人体姿态特征,yt是指所述眼部特征集中第t个人像眼部特征,yj是指所述眼部特征集中第j个人像眼部特征,zt是指所述纹理特征集中第t个衣着纹理特征,zj是指所述纹理特征集中第j个衣着纹理特征;对所述整洁系数集中的各个整洁系数进行阈值特征映射,得到图片人像特征;
音频识别模块,用于分别从所述视频简历集中提取出简历帧图片序列集和音频简历序列集,依次对所述音频简历序列集进行幅度特征提取和特征语义转码操作,得到音频语义集;
语义匹配模块,用于依次对所述简历帧图片序列集进行字幕定位和字幕分割操作,得到字幕图块序列集和内容图块序列集,从所述内容图块序列集中提取出视频内容语义集,利用所述字幕图块序列集、所述视频内容语义集对所述音频语义集进行语义特征匹配操作,得到视频人才特征集;
双向匹配模块,用于将所述视频人才特征集和所述文档人才特征集汇集成人才特征集,对所述需求特征集和所述人才特征集进行特征匹配操作,得到双向匹配结果,利用所述SAAS平台分别将所述双向匹配结果发送至所述企业端和所述人员端,结束匹配。
本发明通过利用SAAS平台分别获取企业端的招聘需求集和人员端的应聘简历集,可以获得企业方提供的岗位信息和人员方的个人信息,通过依次对所述招聘需求集进行文本特征提取和分组特征编码操作,得到需求特征集,可以利用自注意力机制实现对于岗位不同需求的特征的提取,方便后续的岗位人员匹配,通过按照预设的数据类型将所述应聘简历集拆分成视频简历集和文档简历集,可以满足不同格式的应聘简介的识别和匹配,通过从所述文档简历集中提取出简历人像图集和简历文本集,利用预设的人像整洁系数算法从所述简历人像图集中提取出图片人像特征集,从所述简历文本集中提取出文本能力特征集,将所述图片人像特征集和所述文本能力特征集融合成文档人才特征集,可以根据简历文档的图片和文字描述提取出人才的外貌、技能、经验学历以及性格等方面的特征,通过分别从所述视频简历集中提取出简历帧图片序列集和音频简历序列集,可以将视频简历拆分成图片信息和语音信息,通过依次对所述音频简历序列集进行幅度特征提取和特征语义转码操作,得到音频语义集,可以理解视频简介中的语音信息,从而方便后续的人才特征提取。
通过依次对所述简历帧图片序列集进行字幕定位和字幕分割操作,得到字幕图块序列集和内容图块序列集,从所述内容图块序列集中提取出视频内容语义集,利用所述字幕图块序列集、所述视频内容语义集对所述音频语义集进行语义特征匹配操作,得到视频人才特征集,可以结合字幕内容、音频内容以及视频画面内容识别出视频整体的语义文档,并从语义文档中提取出人才特征,扩充了人岗双向匹配的应用范围,并提高了视频简历内容识别的精确度,通过将所述视频人才特征集和所述文档人才特征集汇集成人才特征集,对所述需求特征集和所述人才特征集进行特征匹配操作,得到双向匹配结果,利用所述SAAS平台分别将所述双向匹配结果发送至所述企业端和所述人员端,可以在岗位职责、技能、学历、工作经验、外貌以及所述性格等方面实现人岗匹配,提升了人岗匹配的精确度,通过利用聚类的方法减少匹配频率,提高人岗匹配效率。因此本发明提出的基于SAAS的人岗双向匹配方法和系统,可以解决进行人岗双向匹配时的效率较低的问题。
附图说明
图1为本发明一实施例提供的基于SAAS的人岗双向匹配方法的流程示意图;
图2为本发明一实施例提供的提取文本能力特征集的流程示意图;
图3为本发明一实施例提供的提取音频语义集的流程示意图;
图4为本发明一实施例提供的基于SAAS的人岗双向匹配系统的功能模块图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种基于SAAS的人岗双向匹配方法。所述基于SAAS的人岗双向匹配方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于SAAS的人岗双向匹配方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的基于SAAS的人岗双向匹配方法的流程示意图。在本实施例中,所述基于SAAS的人岗双向匹配方法包括:
S1、利用SAAS平台分别获取企业端的招聘需求集和人员端的应聘简历集,依次对所述招聘需求集进行文本特征提取和分组特征编码操作,得到需求特征集。
本发明实施例中,所述SAAS平台是指软件即服务(Software as aService)平台,它是一种云计算服务模型,通过互联网提供软件应用程序,所述企业端是指所述SAAS平台中面向企业方进行招聘的终端,所述人员端是指所述SAAS平台中面向候选人进行应聘的终端;可以利用在线表单的在线页面的方法获取企业端提交的招聘需求集和人员端提交的应聘简历集。
详细地,所述招聘需求集是由多个招聘需求组成的集合,且每个所述招聘需求为所述企业端中的一个岗位的需求,包括岗位职责、技能要求、学历要求、工作经验要求、外貌需求以及性格需求等,所述应聘简历集是由多个应聘简历组成的集合,每个所述应聘简历为所述人员端中一个候选人员的简历,所述应聘简历可以是传统的PDF格式的文档简历或以短视频形式的视频简历。
本发明实施例中,所述依次对所述招聘需求集进行文本特征提取和分组特征编码操作,得到需求特征集,包括:
逐个选取所述招聘需求集中的招聘需求作为目标招聘需求,依次对所述目标招聘需求进行文本分词和停用词过滤操作,得到目标需求词集;
依次对所述目标需求词集进行向量编码和位置编码,得到目标需求向量序列;
利用如下的均权注意力编码算法将所述目标需求向量序列编码成目标注意力需求特征:
其中,Ai是指第i个需求向量对应的所述目标注意力需求特征,σ()为归一化函数,ci是指所述目标需求向量序列中序号为i的需求向量,i为向量序号,*是点乘符号,qi是指所述目标需求向量序列中序号为i的需求向量的查询向量,ki是指所述目标需求向量序列中序号为i的需求向量的键向量,vi是指所述目标需求向量序列中序号为i的需求向量的值向量,d是指所述目标需求向量序列中每个需求向量的特征维度,l是预设的尺度系数,log为对数符号,n是所述目标需求向量序列的长度;
对所述目标注意力需求特征进行多级前向传播,分别得到岗位职责特征、技能要求特征、学历要求特征、工作经验要求特征、外貌需求特征以及性格需求特征;
将所述岗位职责特征、所述技能要求特征、所述学历要求特征、所述工作经验要求特征、所述外貌需求特征以及所述性格需求特征融合成需求特征,将所有的需求特征汇集成需求特征集。
详细地,可以利用双向最大匹配方法或者前向最大匹配算法对所述目标招聘需求进行文本分词,可以利用停用词集对所述目标招聘需求进行停用词过滤,所述停用词是指在文本处理中指那些频率较高但通常并不携带实际语义信息的词汇,可以利用独热编码、Word2Vec或GloVe等编码方式对所述目标需求词集进行向量编码,可以利用ELMo或tokenizer等编码方式对所述目标需求词集进行位置编码。
详细地,通过利用所述均权注意力编码算法将所述目标需求向量序列编码成目标注意力需求特征,在注意力公式中引入了非线性因素,消除了序列长度对注意力权重的影响,可以利用BERT模型的model函数对所述目标注意力需求特征进行多级前向传播,分别得到岗位职责特征、技能要求特征、学历要求特征、工作经验要求特征、外貌需求特征以及性格需求特征。
具体地,所述岗位职责特征是所述目标招聘需求中描述用人岗位的具体工作职责和任务的信息的特征,所述技能要求特征是所述目标招聘需求中表明招聘职位所需要的具体技能和能力的信息的特征,所述学历要求特征是所述目标招聘需求中表明岗位最低学历水平的信息的特征,所述工作经验要求特征是指所述目标招聘需求中表明求职者所需的相关工作经验的信息的特征,所述外貌需求特征是所述目标招聘需求中对求职者的外貌规定的需求的信息的特征,所述性格需求特征是所述目标招聘需求中描述求职者需要具有的性格特点的信息的特征。
详细地,所述将所述岗位职责特征、所述技能要求特征、所述学历要求特征、所述工作经验要求特征、所述外貌需求特征以及所述性格需求特征融合成需求特征是指将将所述岗位职责特征、所述技能要求特征、所述学历要求特征、所述工作经验要求特征、所述外貌需求特征以及所述性格需求特征归一化后作为单一维度的特征进行特征融合,得到需求特征。
本发明实施例中,通过利用SAAS平台分别获取企业端的招聘需求集和人员端的应聘简历集,可以获得企业方提供的岗位信息和人员方的个人信息,通过依次对所述招聘需求集进行文本特征提取和分组特征编码操作,得到需求特征集,可以利用自注意力机制实现对于岗位不同需求的特征的提取,方便后续的岗位人员匹配。
S2、按照预设的数据类型将所述应聘简历集拆分成视频简历集和文档简历集,从所述文档简历集中提取出简历人像图集和简历文本集,利用预设的人像整洁系数算法从所述简历人像图集中提取出图片人像特征集,从所述简历文本集中提取出文本能力特征集,将所述图片人像特征集和所述文本能力特征集融合成文档人才特征集。
本发明实施例中,所述视频简历集是由所述应聘简历集中视频格式的应聘简历组成的集合,所述文档简历集是由所述应聘简历集中文档格式的应聘简历组成的集合,可以根据所述应聘简历集中各个应聘简历的文件后缀名确定文件的数据类型,将视频类型的应聘简历汇集成视频简历集,将文档类型的应聘简历汇集成文档简历集,其中,所述视频简历的后缀名可以是mp4或avi,所述文档简历的后缀名可以是PDF或WORD。
本发明实施例中,所述简历人像图集由多个简历人像图片构成,且每个所述简历人像图片是所述文档简历集中一个文档简历的对应的头像图片,所述可以利用PyPDF2和PyMuPDF等文档解析库或Adobe Acrobat等文档解析工具从所述文档简历集中的每个文档简历中提取出简历人像图片和简历文本,将所有的简历人像图片汇集成简历人像图集,将所有的简历文本汇集成简历文本集。
本发明实施例中,所述利用预设的人像整洁系数算法从所述简历人像图集中提取出图片人像特征集,包括:
逐个选取所述简历人像图集中的简历人像图片作为目标人像图片,依次对所述目标人像图片进行盒式滤波和边缘检测操作,得到目标人像轮廓,根据所述目标人像轮廓从所述目标人像图片中提取出标准人像图块;
利用预设的骨骼侵蚀算法提取出所述标准人像图块对应的骨骼节点,从所述骨骼节点中提取出人体姿态特征;
根据所述骨骼节点在所述标准人像图块中定位出眼眶图块,从所述眼眶图块中提取出人像眼部特征;
根据所述骨骼节点在所述标准人像图块中定位出衣着图块,对所述衣着图块进行纹理侵蚀,得到衣着纹理特征;
将所有的所述人体姿态特征汇集成姿态特征集、将所有的所述人像眼部特征汇集成眼部特征集,将所有的所述衣着纹理特征汇集成纹理特征集;
利用如下的人像整洁系数算法根据所述姿态特征集、所述眼部特征集以及所述纹理特征集计算出所述简历人像图集对应的整洁系数集:
其中,Ot是指所述整洁系数集中第t个整洁系数,N是所述整洁系数集的元素总数,且所述整洁系数集、所述姿态特征集、所述眼部特征集以及所述纹理特征集的元素总数均相同,xt是指所述姿态特征集中第t个人体姿态特征,j为特征序数,xj是指所述姿态特征集中第j个人体姿态特征,yt是指所述眼部特征集中第t个人像眼部特征,yj是指所述眼部特征集中第j个人像眼部特征,zt是指所述纹理特征集中第t个衣着纹理特征,zj是指所述纹理特征集中第j个衣着纹理特征;
对所述整洁系数集中的各个整洁系数进行阈值特征映射,得到图片人像特征。
详细地,所述盒式滤波可以是均值滤波、高斯滤波或中值滤波,可以利用sobel算子或canny算子对所述目标人像图片进行边缘检测操作,得到目标人像轮廓,所述骨骼侵蚀算法可以是细化算法、中轴线算法或Guo-Hall算法,可以利用卷积和池化等操作从所述骨骼节点中提取出人体姿态特征。
详细地,可以利用OpenPose、HRNet等模型或关键点筛选的方式根据所述骨骼节点在所述标准人像图块中定位出眼眶图块、根据所述骨骼节点在所述标准人像图块中定位出衣着图块。
具体地,通过利用所述人像整洁系数算法根据所述姿态特征集、所述眼部特征集以及所述纹理特征集计算出所述简历人像图集对应的整洁系数集,可以根据人体姿态特征、人像眼部特征以及衣着纹理特征的偏差值确定出简历人像图集中各简历人像图片的整洁度和规范程度。
详细地,所述对所述整洁系数集中的各个整洁系数进行阈值特征映射,得到图片人像特征是指根据所述整洁系数的大小和预设的阈值区间实现图像人像特征的映射,例如整洁系数在0到0.1时,所述图像人像特征为整洁合规、当整洁系数在0.8到1时,所述图像人像特征为不合规和杂乱。
详细地,参照图2所示,所述从所述简历文本集中提取出文本能力特征集,包括:
S21、逐个选取所述简历文本集中的简历文本作为目标简历文本,依次对所述目标简历文本进行文本分词和停用词过滤操作,得到目标简历词集;
S22、依次对所述目标简历词集进行向量编码和位置编码,得到目标简历向量序列,利用所述均权注意力编码算法将所述目标简历向量序列编码成目标注意力简历特征;
S23、对所述目标注意力简历特征进行多级前向传播,分别得到期望岗位特征、个人技能特征、个人学历特征、工作经验特征以及个人性格特征;
S24、将所述期望岗位特征、所述个人技能特征、所述个人学历特征、所述工作经验特征以及所述个人性格特征融合成文本能力特征,将所有的文本能力特征汇集成文本能力特征集。
详细地,所述依次对所述目标简历文本进行文本分词和停用词过滤操作,得到目标简历词集的方法与上述步骤S1中的所述依次对所述目标招聘需求进行文本分词和停用词过滤操作,得到目标需求词集的方法一致,所述依次对所述目标简历词集进行向量编码和位置编码,得到目标简历向量序列的方法与上述步骤S1中的所述依次对所述目标需求词集进行向量编码和位置编码,得到目标需求向量序列的方法一致,这里不再赘述。
详细地,所述期望岗位特征是所述目标简历文本中描述应聘人员希望获得的具体工作职责信息的特征,所述个人技能特征是所述目标简历文本中描述应聘人员所掌握具体技能和能力的信息的特征,所述个人学历特征是所述目标简历文本中描述应聘人员获取的学历水平的信息的特征,所述工作经验特征是指所述目标简历文本中描述应聘人员之前相关工作经验的信息的特征,所述个人性格特征是所述目标简历文本中描述应聘人员具有的性格特点的信息的特征。
具体地,所述将所述图片人像特征集和所述文本能力特征集融合成文档人才特征集是指按照所述文档简历集的对应关系将所述图片人像特征集中的每个图片人像特征和所述文本能力特征集中的文本能力特征融合成文档人才特征,将所有的文档人才特征汇集成文档人才特征集。
本发明实施例中,通过按照预设的数据类型将所述应聘简历集拆分成视频简历集和文档简历集,可以满足不同格式的应聘简介的识别和匹配,通过从所述文档简历集中提取出简历人像图集和简历文本集,利用预设的人像整洁系数算法从所述简历人像图集中提取出图片人像特征集,从所述简历文本集中提取出文本能力特征集,将所述图片人像特征集和所述文本能力特征集融合成文档人才特征集,可以根据简历文档的图片和文字描述提取出人才的外貌、技能、经验学历以及性格等方面的特征。
S3、分别从所述视频简历集中提取出简历帧图片序列集和音频简历序列集,依次对所述音频简历序列集进行幅度特征提取和特征语义转码操作,得到音频语义集。
本发明实施例中,所述简历帧图片序列集中的每个所述简历帧图片序列是由所述视频简历集中对应的视频简历的每一个视频帧的帧图片组成的序列,所述音频简历序列集中的每个音频简历序列是由所述视频简历集中对应的视频音频组成的序列。
本发明实施例中,所述分别从所述视频简历集中提取出简历帧图片序列集和音频简历序列集,包括:
逐个选取所述视频简历集中的视频简历作为目标视频简历,对所述目标视频简历进行音频提取,得到音频简历序列;
逐帧对所述目标视频简历进行图片截取,得到简历帧图片序列;
将所有的音频简历序列汇集成音频简历序列集,将所有的简历帧图片序列汇集成简历帧图片序列集。
详细地,可以利用Python的moviepy库或pydub库对所述目标视频简历进行音频提取,得到音频简历序列,可以利用Python中的OpenCV库、Adobe Premiere、Final Cut Pro等视频工具或者FFmpeg命令行逐帧对所述目标视频简历进行图片截取,得到简历帧图片序列。
本发明实施例中,参照图3所示,所述依次对所述音频简历序列集进行幅度特征提取和特征语义转码操作,得到音频语义集,包括:
S31、逐个选取所述音频简历序列集中的音频简历序列作为目标音频简历序列,依次对所述目标音频简历序列进行音频除噪、音频分帧以及音频加窗操作,得到目标简历音频;
S32、对所述目标简历音频进行频域幅度转化,得到目标简历频域;
S33、依次对所述目标简历频域进行刻度滤波和幅度滤波操作,得到目标频域特征;
S34、依次对所述目标频域特征进行离散变换和特征拼接操作,得到目标音素特征;
S35、将所述目标音素特征归一化成标准音素特征,对所述标准音素特征进行文本映射,得到音素语义;
S36、依次对所述音素语义进行音素转码和文本矫正操作,得到音频语义,并将所有的音频语义汇集成音频语义集。
具体地,可以利用FilterDesigner滤波器或低通滤波器对所述目标音频简历序列进行音频除噪,可以按照10ms或30ms的帧长度对所述目标音频简历序列进行音频分帧,可以利用blackman窗或汉明窗对所述目标音频简历序列进行音频加窗操作,可以利用快速傅里叶变换算法对所述目标简历音频进行频域幅度转化,得到目标简历频域。
详细地,可以利用梅尔滤波器组对所述目标简历频域进行刻度滤波,可以利用对数变换或对数滤波器对所述目标简历频域进行幅度滤波操作,可以利用离散余弦变换对所述目标频域特征进行离散变换,可以利用训练后隐马尔可夫模型或循环神经网络、卷积神经网络等深度学习模型对所述标准音素特征进行文本映射,得到音素语义,可以利用维特比算法或Transformer模型对所述音素语义进行音素转码,可以利用Levenshtein距离或上下文纠错法对所述音素语义进行文本矫正操作。
本发明实施例中,通过分别从所述视频简历集中提取出简历帧图片序列集和音频简历序列集,可以将视频简历拆分成图片信息和语音信息,通过依次对所述音频简历序列集进行幅度特征提取和特征语义转码操作,得到音频语义集,可以理解视频简介中的语音信息,从而方便后续的人才特征提取。
S4、依次对所述简历帧图片序列集进行字幕定位和字幕分割操作,得到字幕图块序列集和内容图块序列集,从所述内容图块序列集中提取出视频内容语义集,利用所述字幕图块序列集、所述视频内容语义集对所述音频语义集进行语义特征匹配操作,得到视频人才特征集。
本发明实施例中,所述字幕图块序列集是所述简历帧图片序列集中每个简历帧图片中的字幕部分的图块组成的序列集,所述内容图块序列集是所述简历帧图片序列集中每个简历帧图片中除字母部分以外的图块组成的序列集。
本发明实施例中,所述依次对所述简历帧图片序列集进行字幕定位和字幕分割操作,得到字幕图块序列集和内容图块序列集,包括:
逐个选取所述简历帧图片序列集中的简历帧图片序列作为目标简历帧图片序列,逐个选取所述目标简历帧图片序列中的帧图片作为目标帧图片;
从所述目标帧图片中提取出帧图片特征,根据所述帧图片特征生成字幕框集以及所述字幕框集对应的字幕概率集;
根据所述字幕概率集对所述字幕框集进行框图合并操作,得到标准字幕框;
根据所述标准字幕框将所述目标帧图片拆分成初级字幕图块和初级内容图块;
将所述目标简历帧图片序列的所有初级字幕图块汇集成初级字幕图块序列,将所述目标简历帧图片序列的所有初级内容图块汇集成初级内容图块序列;
利用如下的均差灰度对比算法计算出所述初级字幕图块序列中连续两个初级字幕图块之间的灰度变动值:
其中,S是指所述灰度变动值,Dmax是指所述初级字幕图块序列中的初级字幕图块D中像素的最大灰度值,Dmin是指所述初级字幕图块序列中的初级字幕图块D中像素的最小灰度值,Bmax是指所述初级字幕图块序列中的初级字幕图块B中像素的最大灰度值,Bmin是指所述初级字幕图块序列中的初级字幕图块B中像素的最小灰度值,且所述初级字幕图块D和所述初级字幕图块B在所述初级字幕图块序列中相邻,h是指坐标,D∩B是所述初级字幕图块D和所述初级字幕图块B的重合坐标区域,Dh是指初级字幕图块D中像素坐标为h的像素的灰度值,Bh是指所述初级字幕图块B中像素坐标为h的像素的灰度值,r(D∩B)是所述D∩B区域的像素总数;
根据所述灰度变动值从所述初级字幕图块序列中筛选出字幕图块序列,将所有的字幕图块序列汇集成字幕图块序列集;
利用所述均差灰度对比算法从所述初级内容图块序列中筛选出内容图块序列,将所有的内容图块序列汇集成内容图块序列集。
详细地,可以利用卷积层从所述目标帧图片中提取出帧图片特征,可以利用经过大量标注了字幕框的YOLO模型对所述标准图片特征进行卷积和全连接操作,得到字幕框集、所述字幕框集对应字幕框的坐标、长宽以及目标置信度得分以及类别概率,可以利用就近原则根据所述字幕概率集对所述字幕框集进行框图合并操作,得到标准字幕框,即将距离小于距离阈值,字幕概率大于概率阈值的两个相邻字幕框合并成一个字幕框。
详细地,通过利用所述均差灰度对比算法计算出所述初级字幕图块序列中连续两个初级字幕图块之间的灰度变动值,可以根据两个初级字幕图块之间的像素灰度极值差距和重合区域像素差距判断两个初级字幕图块之间的改变程度,所述根据所述灰度变动值从所述初级字幕图块序列中筛选出字幕图块序列是指将所述灰度变动值大于预设的变动值阈值的两个初级字幕图块汇集到字幕图块序列中,所述利用所述均差灰度对比算法从所述初级内容图块序列中筛选出内容图块序列的方法与上述所述利用如下的均差灰度对比算法计算出所述初级字幕图块序列中连续两个初级字幕图块之间的灰度变动值,根据所述灰度变动值从所述初级字幕图块序列中筛选出字幕图块序列的方法一致,这里不再赘述。
详细地,通过根据所述灰度变动值从所述初级字幕图块序列中筛选出字幕图块序列,利用所述均差灰度对比算法从所述初级内容图块序列中筛选出内容图块序列,可以从视频中提取到有效不重复的画面信息和字幕信息,减少数据集总量,提高计算效率。
具体地,所述从所述内容图块序列集中提取出视频内容语义集,包括:
逐个选取所述内容图块序列集中的内容图块序列作为目标内容图块序列,从所述目标内容图块序列中提取出目标人像图块序列;
利用所述人像整洁系数算法从所述目标人像图块序列中提取出图块人像特征序列,将所述图块人像特征序列的特征均值作为图块人像特征;
对所述目标内容图块序列进行多级卷积池化操作,得到目标内容特征序列;
按照序列顺序从所述目标内容特征序列中提取出时序内容特征;
对所述时序内容特征进行注意力编码操作,得到时序注意力内容特征;
依次对所述时序注意力内容特征进行多级残差连接和线性激活操作,得到初级视频内容语义;
将所述图块人像特征和所述初级视频内容语义融合成视频内容语义,将所有的视频内容语义汇集成视频内容语义集。
详细地,所述从所述目标内容图块序列中提取出目标人像图块序列的方法与上述步骤S2中的所述依次对所述目标人像图片进行盒式滤波和边缘检测操作,得到目标人像轮廓,根据所述目标人像轮廓从所述目标人像图片中提取出标准人像图块的方法一致,这里不再赘述。
具体地,所述利用所述人像整洁系数算法从所述目标人像图块序列中提取出图块人像特征序列的方法与上述步骤S2中的所述利用预设的人像整洁系数算法从所述简历人像图集中提取出图片人像特征集的方法一致,这里不再赘述。
详细地,可以利用去掉最后一层的分类器,例如SVM模型或VGG-16模型对所述目标内容图块序列进行多级卷积池化操作,得到目标内容特征序列,可以利用循环神经网络、长短记忆网络或Transformer模型按照序列顺序从所述目标内容特征序列中提取出时序内容特征。
详细地,所述利用所述字幕图块序列集、所述视频内容语义集对所述音频语义集进行语义特征匹配操作,得到视频人才特征集,包括:
依次对所述字幕图块序列集进行边缘检测和边缘增强操作,得到增强字幕图块序列集;
依次对所述增强字幕图块序列集进行直线检测和倾斜矫正操作,得到矫正字幕图块序列集;
依次对所述矫正字幕图块序列集进行文本分割、文本识别和文本拼接操作,得到字幕文本序列集;
对所述字幕文本序列集中的每个字幕文本序列进行序列融合操作,得到字幕语义集;
将所述字幕语义集、所述视频内容语义集和所述音频语义集加权融合成视频语义集;
对所述视频语义集进行文本特征提取,得到视频人才特征集。
具体地,可以利用canny算子或sobel算子对所述字幕图块序列集进行边缘检测,可以利用最小二乘法对所述字幕图块序列集边缘增强操作,得到增强字幕图块序列集;可以利用霍夫变换或Laplacian算子对所述增强字幕图块序列集进行直线检测,所述倾斜矫正是指根据所述直线检测检测到的直线的斜率进行旋转矫正,得到矫正字幕图块序列集;可以利用投影法活连通组件的方法依次对所述矫正字幕图块序列集进行文本分割;可以利用经过大量标注了文本标签的文本图片训练得到的VGG-16模型或Transform模型依次对所述矫正字幕图块序列集进行文本识别和文本拼接操作。
详细地,所述对所述字幕文本序列集中的每个字幕文本序列进行序列融合操作,得到字幕语义集是指将所述字幕文本序列中的所有字幕文本按照顺序进行拼接,得到字幕语义,将所有的字幕语义汇集成字幕语义集,所述将所述字幕语义集、所述视频内容语义集和所述音频语义集加权融合成视频语义集是指将所述字幕语义集中的字幕语义和所述视频内容语义集中对应的视频内容语义以及所述音频语义集中对应的音频语义按照预设的权重进行加权融合得到视频语义,将所有的视频语义汇集成视频语义集。
详细地,所述对所述视频语义集进行文本特征提取,得到视频人才特征集的方法与上述步骤S2中的所述从所述简历文本集中提取出文本能力特征集的方法一致,这里不再赘述。
本发明实施例中,通过依次对所述简历帧图片序列集进行字幕定位和字幕分割操作,得到字幕图块序列集和内容图块序列集,从所述内容图块序列集中提取出视频内容语义集,利用所述字幕图块序列集、所述视频内容语义集对所述音频语义集进行语义特征匹配操作,得到视频人才特征集,可以结合字幕内容、音频内容以及视频画面内容识别出视频整体的语义文档,并从语义文档中提取出人才特征,扩充了人岗双向匹配的应用范围,并提高了视频简历内容识别的精确度。
S5、将所述视频人才特征集和所述文档人才特征集汇集成人才特征集,对所述需求特征集和所述人才特征集进行特征匹配操作,得到双向匹配结果,利用所述SAAS平台分别将所述双向匹配结果发送至所述企业端和所述人员端,结束匹配。
本发明实施例中,所述将所述视频人才特征集和所述文档人才特征集汇集成人才特征集是指将所述视频人才特征集中的每个视频人才特征和所述文档人才特征集中的每个文档特征作为人才特征汇集成人才特征集。
本发明实施例中,所述对所述需求特征集和所述人才特征集进行特征匹配操作,得到双向匹配结果,包括:
将所述需求特征集全局池化成降维需求特征集,将所述人才特征集全局池化成降维人才特征集;
对所述降维需求特征集进行特征聚类,得到需求特征类组,将所述需求特征类组中的所有聚类中心作为需求中心特征汇集成需求中心特征集;
对所述降维人才特征集进行特征聚类,得到人才特征类组,将所述人才特征类组中的所有聚类中心作为人才中心特征汇集成人才中心特征集;
计算出所述需求中心特征集中各个需求中心特征和所述人才中心特征集中各个人才中心特征之间的特征距离;
逐个选取所述需求中心特征集中的需求中心特征作为目标需求中心特征,将所述人才中心特征集中与所述目标需求中心特征之间的特征距离小于预设的特征距离阈值的人才中心特征汇集成匹配人才中心特征组;
将所有的匹配人才中心特征组汇集成初级岗位匹配结果,利用所述需求特征类组和所述人才特征类组对所述初级岗位匹配结果进行特征映射,得到岗位匹配结果;
逐个选取所述人才中心特征集中的人才中心特征作为目标人才中心特征,将所述需求中心特征集中与所述目标人才中心特征之间的特征距离小于预设的特征距离阈值的需求中心特征汇集成匹配需求中心特征组;
将所有的匹配需求中心特征组汇集成初级人才匹配结果,利用所述需求特征类组和所述人才特征类组对所述初级人才匹配结果进行特征映射,得到人才匹配结果;
将所述岗位匹配结果和所述人才匹配结果汇集成双向匹配结果。
详细地,可以利用K-means聚类方法或密度聚类反复噶(Density-Based SpatialClustering of Applications with Noise,简称DBSCAN)对所述降维需求特征集进行特征聚类,得到需求特征类组、对所述降维人才特征集进行特征聚类,得到人才特征类组,可以利用余弦距离算法或欧氏距离算法计算出所述需求中心特征集中各个需求中心特征和所述人才中心特征集中各个人才中心特征之间的特征距离。
详细地,所述将所有的匹配人才中心特征组汇集成初级岗位匹配结果是指利用所述目标需求中心特征和对应的匹配人才中心特征组生成所述目标需求中心特征的匹配结果,将所有的目标需求中心特征的匹配结果汇集成初级岗位匹配结果。
具体地,所述利用所述需求特征类组和所述人才特征类组对所述初级岗位匹配结果进行特征映射,得到岗位匹配结果是指利用所述需求特征类组中的每个需求特征类中的所有降维需求特征替代所述岗位匹配结果中对应的需求中心特征,利用所述人才特征类组中的每个人才特征类中的所有降维人才特征替代所述岗位匹配结果中对应的人才中心特征,利用穷举法得到岗位匹配结果。
详细地,所述利用所述SAAS平台分别将所述双向匹配结果发送至所述企业端和所述人员端是指将所述岗位匹配结果发送至所述人员端,将所述人才匹配结果发送至所述企业端。
本发明实施例中,通过将所述视频人才特征集和所述文档人才特征集汇集成人才特征集,对所述需求特征集和所述人才特征集进行特征匹配操作,得到双向匹配结果,利用所述SAAS平台分别将所述双向匹配结果发送至所述企业端和所述人员端,可以在岗位职责、技能、学历、工作经验、外貌以及所述性格等方面实现人岗匹配,提升了人岗匹配的精确度,通过利用聚类的方法减少匹配频率,提高人岗匹配效率。
本发明通过利用SAAS平台分别获取企业端的招聘需求集和人员端的应聘简历集,可以获得企业方提供的岗位信息和人员方的个人信息,通过依次对所述招聘需求集进行文本特征提取和分组特征编码操作,得到需求特征集,可以利用自注意力机制实现对于岗位不同需求的特征的提取,方便后续的岗位人员匹配,通过按照预设的数据类型将所述应聘简历集拆分成视频简历集和文档简历集,可以满足不同格式的应聘简介的识别和匹配,通过从所述文档简历集中提取出简历人像图集和简历文本集,利用预设的人像整洁系数算法从所述简历人像图集中提取出图片人像特征集,从所述简历文本集中提取出文本能力特征集,将所述图片人像特征集和所述文本能力特征集融合成文档人才特征集,可以根据简历文档的图片和文字描述提取出人才的外貌、技能、经验学历以及性格等方面的特征,通过分别从所述视频简历集中提取出简历帧图片序列集和音频简历序列集,可以将视频简历拆分成图片信息和语音信息,通过依次对所述音频简历序列集进行幅度特征提取和特征语义转码操作,得到音频语义集,可以理解视频简介中的语音信息,从而方便后续的人才特征提取。
通过依次对所述简历帧图片序列集进行字幕定位和字幕分割操作,得到字幕图块序列集和内容图块序列集,从所述内容图块序列集中提取出视频内容语义集,利用所述字幕图块序列集、所述视频内容语义集对所述音频语义集进行语义特征匹配操作,得到视频人才特征集,可以结合字幕内容、音频内容以及视频画面内容识别出视频整体的语义文档,并从语义文档中提取出人才特征,扩充了人岗双向匹配的应用范围,并提高了视频简历内容识别的精确度,通过将所述视频人才特征集和所述文档人才特征集汇集成人才特征集,对所述需求特征集和所述人才特征集进行特征匹配操作,得到双向匹配结果,利用所述SAAS平台分别将所述双向匹配结果发送至所述企业端和所述人员端,可以在岗位职责、技能、学历、工作经验、外貌以及所述性格等方面实现人岗匹配,提升了人岗匹配的精确度,通过利用聚类的方法减少匹配频率,提高人岗匹配效率。因此本发明提出的基于SAAS的人岗双向匹配方法,可以解决进行人岗双向匹配时的效率较低的问题。
如图4所示,是本发明一实施例提供的基于SAAS的人岗双向匹配系统的功能模块图。
本发明所述基于SAAS的人岗双向匹配系统100可以安装于电子设备中。根据实现的功能,所述基于SAAS的人岗双向匹配系统100可以包括需求提取模块101、简历拆分模块102、音频识别模块103、语义匹配模块104及双向匹配模块105。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述需求提取模块101,用于利用SAAS平台分别获取企业端的招聘需求集和人员端的应聘简历集,依次对所述招聘需求集进行文本特征提取和分组特征编码操作,得到需求特征集;
所述简历拆分模块102,用于按照预设的数据类型将所述应聘简历集拆分成视频简历集和文档简历集,从所述文档简历集中提取出简历人像图集和简历文本集,利用预设的人像整洁系数算法从所述简历人像图集中提取出图片人像特征集,从所述简历文本集中提取出文本能力特征集,将所述图片人像特征集和所述文本能力特征集融合成文档人才特征集,其中,所述利用预设的人像整洁系数算法从所述简历人像图集中提取出图片人像特征集,包括:逐个选取所述简历人像图集中的简历人像图片作为目标人像图片,依次对所述目标人像图片进行盒式滤波和边缘检测操作,得到目标人像轮廓,根据所述目标人像轮廓从所述目标人像图片中提取出标准人像图块;利用预设的骨骼侵蚀算法提取出所述标准人像图块对应的骨骼节点,从所述骨骼节点中提取出人体姿态特征;根据所述骨骼节点在所述标准人像图块中定位出眼眶图块,从所述眼眶图块中提取出人像眼部特征;根据所述骨骼节点在所述标准人像图块中定位出衣着图块,对所述衣着图块进行纹理侵蚀,得到衣着纹理特征;将所有的所述人体姿态特征汇集成姿态特征集、将所有的所述人像眼部特征汇集成眼部特征集,将所有的所述衣着纹理特征汇集成纹理特征集;利用如下的人像整洁系数算法根据所述姿态特征集、所述眼部特征集以及所述纹理特征集计算出所述简历人像图集对应的整洁系数集:
其中,Ot是指所述整洁系数集中第t个整洁系数,N是所述整洁系数集的元素总数,且所述整洁系数集、所述姿态特征集、所述眼部特征集以及所述纹理特征集的元素总数均相同,xt是指所述姿态特征集中第t个人体姿态特征,j为特征序数,xj是指所述姿态特征集中第j个人体姿态特征,yt是指所述眼部特征集中第t个人像眼部特征,yj是指所述眼部特征集中第j个人像眼部特征,zt是指所述纹理特征集中第t个衣着纹理特征,zj是指所述纹理特征集中第j个衣着纹理特征;对所述整洁系数集中的各个整洁系数进行阈值特征映射,得到图片人像特征;
所述音频识别模块103,用于分别从所述视频简历集中提取出简历帧图片序列集和音频简历序列集,依次对所述音频简历序列集进行幅度特征提取和特征语义转码操作,得到音频语义集;
所述语义匹配模块104,用于依次对所述简历帧图片序列集进行字幕定位和字幕分割操作,得到字幕图块序列集和内容图块序列集,从所述内容图块序列集中提取出视频内容语义集,利用所述字幕图块序列集、所述视频内容语义集对所述音频语义集进行语义特征匹配操作,得到视频人才特征集;
所述双向匹配模块105,用于将所述视频人才特征集和所述文档人才特征集汇集成人才特征集,对所述需求特征集和所述人才特征集进行特征匹配操作,得到双向匹配结果,利用所述SAAS平台分别将所述双向匹配结果发送至所述企业端和所述人员端,结束匹配。
详细地,本发明实施例中所述基于SAAS的人岗双向匹配系统100中所述的各模块在使用时采用与上述图1至图3中所述的基于SAAS的人岗双向匹配方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,系统和方法,可以通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能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,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统实施例中陈述的多个单元或系统也可以由一个单元或系统通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (9)
1.一种基于SAAS的人岗双向匹配方法,其特征在于,所述方法包括:
S1:利用SAAS平台分别获取企业端的招聘需求集和人员端的应聘简历集,依次对所述招聘需求集进行文本特征提取和分组特征编码操作,得到需求特征集;
S2:按照预设的数据类型将所述应聘简历集拆分成视频简历集和文档简历集,从所述文档简历集中提取出简历人像图集和简历文本集,利用预设的人像整洁系数算法从所述简历人像图集中提取出图片人像特征集,从所述简历文本集中提取出文本能力特征集,将所述图片人像特征集和所述文本能力特征集融合成文档人才特征集,其中,所述利用预设的人像整洁系数算法从所述简历人像图集中提取出图片人像特征集,包括:
S21:逐个选取所述简历人像图集中的简历人像图片作为目标人像图片,依次对所述目标人像图片进行盒式滤波和边缘检测操作,得到目标人像轮廓,根据所述目标人像轮廓从所述目标人像图片中提取出标准人像图块;
S22:利用预设的骨骼侵蚀算法提取出所述标准人像图块对应的骨骼节点,从所述骨骼节点中提取出人体姿态特征;
S23:根据所述骨骼节点在所述标准人像图块中定位出眼眶图块,从所述眼眶图块中提取出人像眼部特征;
S24:根据所述骨骼节点在所述标准人像图块中定位出衣着图块,对所述衣着图块进行纹理侵蚀,得到衣着纹理特征;
S25:将所有的所述人体姿态特征汇集成姿态特征集、将所有的所述人像眼部特征汇集成眼部特征集,将所有的所述衣着纹理特征汇集成纹理特征集;
S26:利用如下的人像整洁系数算法根据所述姿态特征集、所述眼部特征集以及所述纹理特征集计算出所述简历人像图集对应的整洁系数集:
其中,Ot是指所述整洁系数集中第t个整洁系数,N是所述整洁系数集的元素总数,且所述整洁系数集、所述姿态特征集、所述眼部特征集以及所述纹理特征集的元素总数均相同,xt是指所述姿态特征集中第t个人体姿态特征,j为特征序数,xj是指所述姿态特征集中第j个人体姿态特征,yt是指所述眼部特征集中第t个人像眼部特征,yj是指所述眼部特征集中第j个人像眼部特征,zt是指所述纹理特征集中第t个衣着纹理特征,zj是指所述纹理特征集中第j个衣着纹理特征;
S27:对所述整洁系数集中的各个整洁系数进行阈值特征映射,得到图片人像特征;
S3:分别从所述视频简历集中提取出简历帧图片序列集和音频简历序列集,依次对所述音频简历序列集进行幅度特征提取和特征语义转码操作,得到音频语义集;
S4:依次对所述简历帧图片序列集进行字幕定位和字幕分割操作,得到字幕图块序列集和内容图块序列集,从所述内容图块序列集中提取出视频内容语义集,利用所述字幕图块序列集、所述视频内容语义集对所述音频语义集进行语义特征匹配操作,得到视频人才特征集;
S5:将所述视频人才特征集和所述文档人才特征集汇集成人才特征集,对所述需求特征集和所述人才特征集进行特征匹配操作,得到双向匹配结果,利用所述SAAS平台分别将所述双向匹配结果发送至所述企业端和所述人员端,结束匹配。
2.如权利要求1所述的基于SAAS的人岗双向匹配方法,其特征在于,所述依次对所述招聘需求集进行文本特征提取和分组特征编码操作,得到需求特征集,包括:
逐个选取所述招聘需求集中的招聘需求作为目标招聘需求,依次对所述目标招聘需求进行文本分词和停用词过滤操作,得到目标需求词集;
依次对所述目标需求词集进行向量编码和位置编码,得到目标需求向量序列;
利用如下的均权注意力编码算法将所述目标需求向量序列编码成目标注意力需求特征:
其中,Ai是指第i个需求向量对应的所述目标注意力需求特征,σ()为归一化函数,ci是指所述目标需求向量序列中序号为i的需求向量,i为向量序号,*是点乘符号,qi是指所述目标需求向量序列中序号为i的需求向量的查询向量,ki是指所述目标需求向量序列中序号为i的需求向量的键向量,vi是指所述目标需求向量序列中序号为i的需求向量的值向量,d是指所述目标需求向量序列中每个需求向量的特征维度,l是预设的尺度系数,log为对数符号,n是所述目标需求向量序列的长度;
对所述目标注意力需求特征进行多级前向传播,分别得到岗位职责特征、技能要求特征、学历要求特征、工作经验要求特征、外貌需求特征以及性格需求特征;
将所述岗位职责特征、所述技能要求特征、所述学历要求特征、所述工作经验要求特征、所述外貌需求特征以及所述性格需求特征融合成需求特征,将所有的需求特征汇集成需求特征集。
3.如权利要求1所述的基于SAAS的人岗双向匹配方法,其特征在于,所述分别从所述视频简历集中提取出简历帧图片序列集和音频简历序列集,包括:
逐个选取所述视频简历集中的视频简历作为目标视频简历,对所述目标视频简历进行音频提取,得到音频简历序列;
逐帧对所述目标视频简历进行图片截取,得到简历帧图片序列;
将所有的音频简历序列汇集成音频简历序列集,将所有的简历帧图片序列汇集成简历帧图片序列集。
4.如权利要求1所述的基于SAAS的人岗双向匹配方法,其特征在于,所述依次对所述音频简历序列集进行幅度特征提取和特征语义转码操作,得到音频语义集,包括:
逐个选取所述音频简历序列集中的音频简历序列作为目标音频简历序列,依次对所述目标音频简历序列进行音频除噪、音频分帧以及音频加窗操作,得到目标简历音频;
对所述目标简历音频进行频域幅度转化,得到目标简历频域;
依次对所述目标简历频域进行刻度滤波和幅度滤波操作,得到目标频域特征;
依次对所述目标频域特征进行离散变换和特征拼接操作,得到目标音素特征;
将所述目标音素特征归一化成标准音素特征,对所述标准音素特征进行文本映射,得到音素语义;
依次对所述音素语义进行音素转码和文本矫正操作,得到音频语义,并将所有的音频语义汇集成音频语义集。
5.如权利要求1所述的基于SAAS的人岗双向匹配方法,其特征在于,所述依次对所述简历帧图片序列集进行字幕定位和字幕分割操作,得到字幕图块序列集和内容图块序列集,包括:
逐个选取所述简历帧图片序列集中的简历帧图片序列作为目标简历帧图片序列,逐个选取所述目标简历帧图片序列中的帧图片作为目标帧图片;
从所述目标帧图片中提取出帧图片特征,根据所述帧图片特征生成字幕框集以及所述字幕框集对应的字幕概率集;
根据所述字幕概率集对所述字幕框集进行框图合并操作,得到标准字幕框;
根据所述标准字幕框将所述目标帧图片拆分成初级字幕图块和初级内容图块;
将所述目标简历帧图片序列的所有初级字幕图块汇集成初级字幕图块序列,将所述目标简历帧图片序列的所有初级内容图块汇集成初级内容图块序列;
利用如下的均差灰度对比算法计算出所述初级字幕图块序列中连续两个初级字幕图块之间的灰度变动值:
其中,S是指所述灰度变动值,Dmax是指所述初级字幕图块序列中的初级字幕图块D中像素的最大灰度值,Dmin是指所述初级字幕图块序列中的初级字幕图块D中像素的最小灰度值,Bmax是指所述初级字幕图块序列中的初级字幕图块B中像素的最大灰度值,Bmin是指所述初级字幕图块序列中的初级字幕图块B中像素的最小灰度值,且所述初级字幕图块D和所述初级字幕图块B在所述初级字幕图块序列中相邻,h是指坐标,D∩B是所述初级字幕图块D和所述初级字幕图块B的重合坐标区域,Dh是指初级字幕图块D中像素坐标为h的像素的灰度值,Bh是指所述初级字幕图块B中像素坐标为h的像素的灰度值,r(D∩B)是所述D∩B区域的像素总数;
根据所述灰度变动值从所述初级字幕图块序列中筛选出字幕图块序列,将所有的字幕图块序列汇集成字幕图块序列集;
利用所述均差灰度对比算法从所述初级内容图块序列中筛选出内容图块序列,将所有的内容图块序列汇集成内容图块序列集。
6.如权利要求1所述的基于SAAS的人岗双向匹配方法,其特征在于,所述从所述内容图块序列集中提取出视频内容语义集,包括:
逐个选取所述内容图块序列集中的内容图块序列作为目标内容图块序列,从所述目标内容图块序列中提取出目标人像图块序列;
利用所述人像整洁系数算法从所述目标人像图块序列中提取出图块人像特征序列,将所述图块人像特征序列的特征均值作为图块人像特征;
对所述目标内容图块序列进行多级卷积池化操作,得到目标内容特征序列;
按照序列顺序从所述目标内容特征序列中提取出时序内容特征;
对所述时序内容特征进行注意力编码操作,得到时序注意力内容特征;
依次对所述时序注意力内容特征进行多级残差连接和线性激活操作,得到初级视频内容语义;
将所述图块人像特征和所述初级视频内容语义融合成视频内容语义,将所有的视频内容语义汇集成视频内容语义集。
7.如权利要求1所述的基于SAAS的人岗双向匹配方法,其特征在于,所述利用所述字幕图块序列集、所述视频内容语义集对所述音频语义集进行语义特征匹配操作,得到视频人才特征集,包括:
依次对所述字幕图块序列集进行边缘检测和边缘增强操作,得到增强字幕图块序列集;
依次对所述增强字幕图块序列集进行直线检测和倾斜矫正操作,得到矫正字幕图块序列集;
依次对所述矫正字幕图块序列集进行文本分割、文本识别和文本拼接操作,得到字幕文本序列集;
对所述字幕文本序列集中的每个字幕文本序列进行序列融合操作,得到字幕语义集;
将所述字幕语义集、所述视频内容语义集和所述音频语义集加权融合成视频语义集;
对所述视频语义集进行文本特征提取,得到视频人才特征集。
8.如权利要求1所述的基于SAAS的人岗双向匹配方法,其特征在于,所述对所述需求特征集和所述人才特征集进行特征匹配操作,得到双向匹配结果,包括:
将所述需求特征集全局池化成降维需求特征集,将所述人才特征集全局池化成降维人才特征集;
对所述降维需求特征集进行特征聚类,得到需求特征类组,将所述需求特征类组中的所有聚类中心作为需求中心特征汇集成需求中心特征集;
对所述降维人才特征集进行特征聚类,得到人才特征类组,将所述人才特征类组中的所有聚类中心作为人才中心特征汇集成人才中心特征集;
计算出所述需求中心特征集中各个需求中心特征和所述人才中心特征集中各个人才中心特征之间的特征距离;
逐个选取所述需求中心特征集中的需求中心特征作为目标需求中心特征,将所述人才中心特征集中与所述目标需求中心特征之间的特征距离小于预设的特征距离阈值的人才中心特征汇集成匹配人才中心特征组;
将所有的匹配人才中心特征组汇集成初级岗位匹配结果,利用所述需求特征类组和所述人才特征类组对所述初级岗位匹配结果进行特征映射,得到岗位匹配结果;
逐个选取所述人才中心特征集中的人才中心特征作为目标人才中心特征,将所述需求中心特征集中与所述目标人才中心特征之间的特征距离小于预设的特征距离阈值的需求中心特征汇集成匹配需求中心特征组;
将所有的匹配需求中心特征组汇集成初级人才匹配结果,利用所述需求特征类组和所述人才特征类组对所述初级人才匹配结果进行特征映射,得到人才匹配结果;
将所述岗位匹配结果和所述人才匹配结果汇集成双向匹配结果。
9.一种基于SAAS的人岗双向匹配系统,其特征在于,所述系统包括:
需求提取模块,用于利用SAAS平台分别获取企业端的招聘需求集和人员端的应聘简历集,依次对所述招聘需求集进行文本特征提取和分组特征编码操作,得到需求特征集;
简历拆分模块,用于按照预设的数据类型将所述应聘简历集拆分成视频简历集和文档简历集,从所述文档简历集中提取出简历人像图集和简历文本集,利用预设的人像整洁系数算法从所述简历人像图集中提取出图片人像特征集,从所述简历文本集中提取出文本能力特征集,将所述图片人像特征集和所述文本能力特征集融合成文档人才特征集,其中,所述利用预设的人像整洁系数算法从所述简历人像图集中提取出图片人像特征集,包括:逐个选取所述简历人像图集中的简历人像图片作为目标人像图片,依次对所述目标人像图片进行盒式滤波和边缘检测操作,得到目标人像轮廓,根据所述目标人像轮廓从所述目标人像图片中提取出标准人像图块;利用预设的骨骼侵蚀算法提取出所述标准人像图块对应的骨骼节点,从所述骨骼节点中提取出人体姿态特征;根据所述骨骼节点在所述标准人像图块中定位出眼眶图块,从所述眼眶图块中提取出人像眼部特征;根据所述骨骼节点在所述标准人像图块中定位出衣着图块,对所述衣着图块进行纹理侵蚀,得到衣着纹理特征;将所有的所述人体姿态特征汇集成姿态特征集、将所有的所述人像眼部特征汇集成眼部特征集,将所有的所述衣着纹理特征汇集成纹理特征集;利用如下的人像整洁系数算法根据所述姿态特征集、所述眼部特征集以及所述纹理特征集计算出所述简历人像图集对应的整洁系数集:
其中,Ot是指所述整洁系数集中第t个整洁系数,N是所述整洁系数集的元素总数,且所述整洁系数集、所述姿态特征集、所述眼部特征集以及所述纹理特征集的元素总数均相同,xt是指所述姿态特征集中第t个人体姿态特征,j为特征序数,xj是指所述姿态特征集中第j个人体姿态特征,yt是指所述眼部特征集中第t个人像眼部特征,yj是指所述眼部特征集中第j个人像眼部特征,zt是指所述纹理特征集中第t个衣着纹理特征,zj是指所述纹理特征集中第j个衣着纹理特征;对所述整洁系数集中的各个整洁系数进行阈值特征映射,得到图片人像特征;
音频识别模块,用于分别从所述视频简历集中提取出简历帧图片序列集和音频简历序列集,依次对所述音频简历序列集进行幅度特征提取和特征语义转码操作,得到音频语义集;
语义匹配模块,用于依次对所述简历帧图片序列集进行字幕定位和字幕分割操作,得到字幕图块序列集和内容图块序列集,从所述内容图块序列集中提取出视频内容语义集,利用所述字幕图块序列集、所述视频内容语义集对所述音频语义集进行语义特征匹配操作,得到视频人才特征集;
双向匹配模块,用于将所述视频人才特征集和所述文档人才特征集汇集成人才特征集,对所述需求特征集和所述人才特征集进行特征匹配操作,得到双向匹配结果,利用所述SAAS平台分别将所述双向匹配结果发送至所述企业端和所述人员端,结束匹配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310939748.7A CN116843155B (zh) | 2023-07-27 | 2023-07-27 | 一种基于saas的人岗双向匹配方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310939748.7A CN116843155B (zh) | 2023-07-27 | 2023-07-27 | 一种基于saas的人岗双向匹配方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116843155A CN116843155A (zh) | 2023-10-03 |
CN116843155B true CN116843155B (zh) | 2024-04-30 |
Family
ID=88174417
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310939748.7A Active CN116843155B (zh) | 2023-07-27 | 2023-07-27 | 一种基于saas的人岗双向匹配方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116843155B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117236647B (zh) * | 2023-11-10 | 2024-02-02 | 贵州优特云科技有限公司 | 一种基于人工智能的岗位招聘分析方法及系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107729532A (zh) * | 2017-10-30 | 2018-02-23 | 北京拉勾科技有限公司 | 一种简历匹配方法及计算设备 |
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 |
CN112884326A (zh) * | 2021-02-23 | 2021-06-01 | 无锡爱视智能科技有限责任公司 | 一种多模态分析的视频面试评估方法、装置和存储介质 |
KR102298722B1 (ko) * | 2021-04-01 | 2021-09-06 | 주식회사 컴퍼니제이 | 동영상 콘텐츠 플랫폼 서비스를 이용한 인공지능 기반 인재 매칭 및 추천 방법, 장치 및 시스템 |
WO2021174919A1 (zh) * | 2020-03-06 | 2021-09-10 | 平安科技(深圳)有限公司 | 简历数据信息解析及匹配方法、装置、电子设备及介质 |
KR20220116909A (ko) * | 2021-02-16 | 2022-08-23 | 기술자숲 주식회사 | 영상기반 구직자 매칭 시스템 및 그 방법 |
CN115034749A (zh) * | 2022-06-07 | 2022-09-09 | 西安灵云互动网络科技有限公司 | 一种自动化ai招聘的方法 |
CN115147067A (zh) * | 2022-05-19 | 2022-10-04 | 广东鑫洋互联网科技有限公司 | 一种基于深度学习智能招聘人才的方法 |
CN115187022A (zh) * | 2022-06-29 | 2022-10-14 | 广州市南方人力资源评价中心有限公司 | 人才综合能力分析方法、装置、存储介质及终端设备 |
CN115713195A (zh) * | 2022-09-28 | 2023-02-24 | 武汉海昌信息技术有限公司 | 一种基于循环神经网络的岗位与能力匹配模型及管理方法 |
CN116362699A (zh) * | 2023-03-15 | 2023-06-30 | 国信蓝桥教育科技股份有限公司 | 一种岗位匹配报告生成方法 |
CN116468414A (zh) * | 2023-04-21 | 2023-07-21 | 中山市才通天下信息科技股份有限公司 | 一种招聘用智能简历筛选评估方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020143573A1 (en) * | 2001-04-03 | 2002-10-03 | Bryce John M. | Integrated automated recruiting management system |
US20190026701A1 (en) * | 2017-07-20 | 2019-01-24 | Adp, Llc | Matching job postings to job seekers |
US20220004995A1 (en) * | 2020-07-06 | 2022-01-06 | Enrole Inc. | System and method for recruiting resources using personality based matching platform |
-
2023
- 2023-07-27 CN CN202310939748.7A patent/CN116843155B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107729532A (zh) * | 2017-10-30 | 2018-02-23 | 北京拉勾科技有限公司 | 一种简历匹配方法及计算设备 |
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 |
WO2021174919A1 (zh) * | 2020-03-06 | 2021-09-10 | 平安科技(深圳)有限公司 | 简历数据信息解析及匹配方法、装置、电子设备及介质 |
KR20220116909A (ko) * | 2021-02-16 | 2022-08-23 | 기술자숲 주식회사 | 영상기반 구직자 매칭 시스템 및 그 방법 |
CN112884326A (zh) * | 2021-02-23 | 2021-06-01 | 无锡爱视智能科技有限责任公司 | 一种多模态分析的视频面试评估方法、装置和存储介质 |
KR102298722B1 (ko) * | 2021-04-01 | 2021-09-06 | 주식회사 컴퍼니제이 | 동영상 콘텐츠 플랫폼 서비스를 이용한 인공지능 기반 인재 매칭 및 추천 방법, 장치 및 시스템 |
CN115147067A (zh) * | 2022-05-19 | 2022-10-04 | 广东鑫洋互联网科技有限公司 | 一种基于深度学习智能招聘人才的方法 |
CN115034749A (zh) * | 2022-06-07 | 2022-09-09 | 西安灵云互动网络科技有限公司 | 一种自动化ai招聘的方法 |
CN115187022A (zh) * | 2022-06-29 | 2022-10-14 | 广州市南方人力资源评价中心有限公司 | 人才综合能力分析方法、装置、存储介质及终端设备 |
CN115713195A (zh) * | 2022-09-28 | 2023-02-24 | 武汉海昌信息技术有限公司 | 一种基于循环神经网络的岗位与能力匹配模型及管理方法 |
CN116362699A (zh) * | 2023-03-15 | 2023-06-30 | 国信蓝桥教育科技股份有限公司 | 一种岗位匹配报告生成方法 |
CN116468414A (zh) * | 2023-04-21 | 2023-07-21 | 中山市才通天下信息科技股份有限公司 | 一种招聘用智能简历筛选评估方法及系统 |
Non-Patent Citations (2)
Title |
---|
基于BP神经网络的应聘人员与岗位匹配度模型设计与应用;张开智;关利海;林云;;电子世界;20181108(第21期);171-173页 * |
苏州工业园区GK公司云招聘管理平台建设规划和策略研究;祖若雄;CNKI优秀硕士学位论文全文库;20191215;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116843155A (zh) | 2023-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100511219C (zh) | 可以通过手写检索查询来检索的电子文件管理系统 | |
JP5522408B2 (ja) | パターン認識装置 | |
CN108805076B (zh) | 环境影响评估报告书表格文字的提取方法及系统 | |
KR102124466B1 (ko) | 웹툰 제작을 위한 콘티를 생성하는 장치 및 방법 | |
CN116843155B (zh) | 一种基于saas的人岗双向匹配方法和系统 | |
Tian et al. | Scene Text Detection in Video by Learning Locally and Globally. | |
CN113657274B (zh) | 表格生成方法、装置、电子设备及存储介质 | |
CN113076465A (zh) | 一种基于深度哈希的通用跨模态检索模型 | |
US20230297617A1 (en) | Video retrieval method and apparatus, device, and storage medium | |
Bhuyan et al. | Trajectory guided recognition of hand gestures having only global motions | |
CN105678244B (zh) | 一种基于改进编辑距离的近似视频检索方法 | |
Mohammad et al. | Contour-based character segmentation for printed Arabic text with diacritics | |
CN114140831A (zh) | 人体姿态估计方法、装置、电子设备及存储介质 | |
CN114220179A (zh) | 一种基于faiss的在线手写签名笔迹检索方法和系统 | |
CN111428612B (zh) | 行人重识别方法、终端、装置及存储介质 | |
Zahedi et al. | Geometric Features for Improving Continuous Appearance-based Sign Language Recognition. | |
CN105975643A (zh) | 一种基于文本索引的实时图像检索方法 | |
Hsu et al. | Human behavior analysis using deformable triangulations | |
Rahul et al. | Deep reader: Information extraction from document images via relation extraction and natural language | |
CN111353509A (zh) | 一种视觉slam系统的关键点提取器生成方法 | |
CN116452741B (zh) | 对象重建方法、对象重建模型的训练方法、装置及设备 | |
CN113742520B (zh) | 基于半监督学习的密集视频描述算法的视频查询检索方法 | |
Yin et al. | A novel image retrieval method for image based localization in large-scale environment | |
Uddin et al. | A local feature-based robust approach for facial expression recognition from depth video | |
CN117237963A (zh) | 视觉模型的构建方法、图像定位方法、装置及电子设备 |
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 |