CN117196556B - 一种基于大数据的多平台招聘信息管理系统及方法 - Google Patents
一种基于大数据的多平台招聘信息管理系统及方法 Download PDFInfo
- Publication number
- CN117196556B CN117196556B CN202311205514.6A CN202311205514A CN117196556B CN 117196556 B CN117196556 B CN 117196556B CN 202311205514 A CN202311205514 A CN 202311205514A CN 117196556 B CN117196556 B CN 117196556B
- Authority
- CN
- China
- Prior art keywords
- recruitment
- resume
- information
- user
- job
- 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
- 230000007115 recruitment Effects 0.000 title claims abstract description 313
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims abstract description 65
- 238000007726 management method Methods 0.000 claims abstract description 53
- 238000013523 data management Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 230000006854 communication Effects 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 20
- 230000009471 action Effects 0.000 claims description 19
- 238000004891 communication Methods 0.000 claims description 19
- 238000012937 correction Methods 0.000 claims description 18
- 238000010606 normalization Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 10
- 150000003839 salts Chemical class 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000006399 behavior Effects 0.000 claims 2
- 238000007621 cluster analysis Methods 0.000 description 8
- 238000011161 development Methods 0.000 description 4
- 238000007418 data mining Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012946 outsourcing Methods 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于大数据的多平台招聘信息管理系统及方法,属于招聘信息管理领域,招聘信息管理系统包括多平台数据采集模块、数据管理模块、招聘分析模块和终端显示模块,多平台数据采集模块用于采集多平台的招聘信息和用户信息,数据管理模块用于对采集的数据和分析结果进行安全管理,招聘分析模块用于分析处理采集的多平台招聘信息,终端显示模块用于对求职用户展示不同的职位,对招聘用户展示调整后的求职用户简历。本发明通过对招聘信息和企业多平台历史收到的简历信息,构建知识图谱,对求职用户简历进行提取,分析用户与职位的匹配程度,构建招聘信息管理模型,对简历内容进行智能排序,提高了企业的招聘效率和求职用户的就业效率。
Description
技术领域
本发明涉及招聘信息管理领域,具体为一种基于大数据的多平台招聘信息管理系统及方法。
背景技术
随着科技的发展,招聘的方式也逐渐多元化,从过去的纸质招聘到现在的线上招聘,开阔了人们的求职视野,扩展了人们获取招聘信息的渠道,越来越多的招聘软件被人们使用,招聘软件能够帮助企业提高招聘效率和节省招聘成本,不同于HR的线下管理,它是在数字化技术手段下衍生的工具,企业无需下载客户端,就能在线上完成一站式全流程的招聘管理,同时还能通过软件赋予不同地区不同HR人员招聘权限,摆脱时间和空间的限制,随时随地进行招聘管理工作。
在当前的招聘软件使用中,常常是通过用户选择感兴趣的岗位或根据用户的搜索记录进行推送,然而,对于刚出学校的求职用户而言,对求职意向和未来的职业规划并不完全,常常通过海投简历获得面试机会,对于部分行业、部分职业存在未接触、不了解的情况,通过现有的推送方式,用户能够从事这部分行业,但是难以获取求职信息,即使获取求职信息,也对自己是否适合该职业存在疑问;同时,企业招聘人员在筛选查看简历时,刚出学校的求职用户常常在简历上撰写很多校园经历,这部分经历可能与求职岗位无关,影响招聘人员的查看。
由此看来,如何在多平台对求职用户推送适配的招聘信息,如何对简历信息进行管理,对企业招聘用户进行合理展示是十分有必要的。因此,需要一种基于大数据的多平台招聘信息管理系统及方法。
发明内容
本发明的目的在于提供一种基于大数据的多平台招聘信息管理系统及方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:一种基于大数据的多平台招聘信息管理方法,包括下列步骤:
S1、获取多平台企业招聘信息,并对各个平台中的各个企业进行编号,对招聘用户与求职用户的历史交流记录进行采集;
S2、实时获取求职用户的简历信息,并结合招聘信息内容对用户与不同企业招聘信息之间的匹配程度进行分析;
S3、结合历史招聘用户与求职用户的交流记录,获取历史交流过程中招聘用户的关注内容,结合步骤S2中的分析结果,构建招聘信息管理模型,对求职用户的简历内容进行智能排序,得到求职用户在不同招聘企业对应的简历调整方案;
S4、对求职用户简历按照招聘匹配指数由大到小对招聘用户进行排列展示,将调整顺序后的简历内容通过智能终端对招聘用户进行展示。
进一步的,在步骤S1中,所述历史交流记录包括招聘用户和求职用户的交流内容和交流时间;招聘用户指企业招聘部门,求职用户指正在寻找工作的个人或团队。
招聘的第x个平台的编号记为ax,第x平台的第y个企业的编号记为axy,企业axy的第z个招聘职位的编号记为axyz。
进一步的,在步骤S2中,包括下列步骤:
S201、根据招聘信息内容,通过关键词提取算法,获取关键词文本信息关键词提取算法就是指从文本中自动识别出一些有意义的、用于表达文本主题的词或短语,这种算法可以帮助计算机更好地理解文本,更清晰地抓住文本的主题和信息,为信息检索、智能推荐等应用提供支持,关键词提取算法可以分为基于统计模型的关键词提取算法和基于知识库的关键词提取算法两类;
S202、结合企业多平台历史收到的简历信息,构建招聘信息知识图谱,对目标求职用户的简历内容信息进行提取;
S203、根据提取的简历内容信息,对招聘职位匹配程度进行分析;
S204、按照招聘职位匹配指数由大到小对用户显示招聘企业及对应的招聘岗位。
进一步的,在步骤S202中,包括下列步骤:
S202-1、根据提取的招聘关键词信息,结合历史简历信息,提取包含关键词的历史简历信息,得到历史简历信息中的词语集合C={c1,c2,…,cm},其中,m表示为词语数量,cm表示为第m个词语;设置词语的向量矩阵Q为uQ×d矩阵,其中,uQ表示为总的词语数量,d表示为知识图谱的实体和关系的嵌入维度,嵌入是指将一个高维空间嵌入到一个维数低得多的连续向量空间中,嵌入维度是指向量中的元素数量;设置矩阵L,Li表示为实体中第i个词语ci的出现次数,i∈[1,m],知识图谱是结构化的语义知识库,用于迅速描述物理世界中的概念及其相互关系,通过将数据粒度从document级别降到data级别,聚合大量知识,从而实现知识的快速响应和推理,知识图谱的基本单位,是“头实体-关系-尾实体”构成的三元组,这也是知识图谱的核心;
S202-2、通过下列公式对词语ci的嵌入表示k进行计算:
k=(Li⊙Ij)Q;
其中,I表示为权重矩阵,Ij表示为矩阵I中的元素,相关技术人员在数据库中预先设置每个词语的权重,根据提取内容中的词语自动构成与矩阵L结构一致的权重矩阵,⊙表逐个元素相乘;
S202-3、通过下列公式对评分函数g进行计算:
g=-α‖k1-k2‖-(1-α)‖k头-v+k尾‖;
其中,α表示为权重参数,由相关技术人员自行设定,β1表示为头实体在文本信息的嵌入表示,β2表示为尾实体在文本信息的嵌入表示,β头表示为头实体在知识图谱的嵌入表示,β尾表示为尾实体在知识图谱的嵌入表示;v表示为知识图谱中的关系的向量;
设置输入三元组集合为W,正确三元组为w正,错误三元组为w错;通过下列公式对损失函数g损进行计算:
其中,γ表示为超参数,g正表示为正确三元组的评分函数,g正(w正)表示自变量为w正时的评分函数g正的值,g错表示为错误三元组的评分函数,g错(w错)表示自变量为w错时的评分函数g错的值;
设定知识图谱中的头实体的向量为β,知识图谱中的尾实体的向量为λ,当λ=β+v时,说明满足尾实体向量为头实体向量与关系向量的和,表示为正确三元组;反之,当λ≠β+v时,说明不满足尾实体向量为头实体向量与关系向量的和,表示为错误三元组;
S202-4、根据分析结果,构建招聘信息知识图谱,提取出目标求职用户简历中与关键词相关的内容。根据简历内容排版可知,用户常按照段落进行书写,提取用户简历中包含关键词相关信息的完整内容,即为包含关键词相关信息的段落。
6.进一步的,在步骤S203中,包括下列步骤:
S203-1、根据目标求职用户历史发送简历的企业信息,获取企业类型和数量,形成集合B={(b1,e1),(b2,e2),…,(bn,en)},其中,n表示为企业类型数量,bn表示为第n个企业类型,en表示为用户发送简历到企业类型为bn的企业的数量;
根据提取的目标求职用户简历中的内容,统计包含关键词内容的段落数量为p,
通过下列公式对招聘匹配指数f1进行计算:
f1=ε×p2 ln(1+eu);
其中,ε表示为判定参数;bu表示为第u个企业类型,eu表示为目标求职用户发送简历到企业类型为bu的企业的数量;ln表示为以常数e为底数的对数;
S203-2、采集目标求职用户在使用招聘软件时的基础动作行为γ,通过下列公式对用户的关注程度μ1进行分析:
τ1为一个二值函数,当用户在浏览信息时,基础动作发生,判定用户对当前段落关注度高;当基础动作未发生时,结合浏览次数和浏览速度分析用户对信息中段落的关注程度。
通过分析用户浏览时的动作,能够清楚了解用户对查看内容的关注情况,动作能够直接反映用户对查看的内容的关注程度,动作一旦发生,则确定用户对所看内容的关注程度很高。
预先设置时间间隔t间隔,目标求职用户在t间隔内点击浏览任意一个职位招聘信息记为δ,采集目标求职用户在t间隔内点击浏览职位招聘信息δ的次数为θ,则次数越大θ,目标求职用户对该职位的关注程度也越大,通过下列公式对用户的关注程度μ2进行分析:
其中,N为目标求职用户在t间隔内浏览的所有招聘信息的集合,maxδ∈N(θ)表示为目标求职用户在t间隔内浏览次数最多的招聘信息对应的浏览次数;
S203-3、设置统计周期为T周期,进行浏览次数统计更新;由于随着时间的积累,用户存在多次查看招聘信息的情况,浏览次数存在逐渐积累的情况,因此需要对统计浏览次数的周期进行设置。招聘信息δ在当前周期的浏览次数为θ′,上一周期的浏览次数为θ″,则更新指数ε为:
ε=(|θ′-θ″|)/θ′;
对更新指数设置阈值为ε阈,当ε<ε阈时,表示用户在上一周期和当前周期对招聘信息δ的浏览次数关注度未有较大变化,则θ=(θ′+θ″)/2;当ε≥ε阈时,表示用户在上一周期和当前周期对招聘信息δ的浏览次数变化程度较大,则θ=θ′;
通过对用户浏览招聘信息的次数进行分析,能够了解到用户对这个招聘信息的内容关注程度,从而实现智能推送与该招聘信息内容相关的信息。
S203-4、采集用户浏览招聘信息δ的时间为t浏览,该时间可以通过监测招聘信息出现在屏幕指定区域的时间和招聘信息离开屏幕指定区域的时间作差获得,当前浏览的招聘信息包含的字节数为λ,则用户浏览招聘信息的浏览速度ο为:
用户的浏览速度快,表示用户对浏览招聘信息的关注程度不高,则用户的关注程度与浏览速度存在反比关系,则用户的关注程度其中/>为浏览速度最慢的招聘信息的浏览速度的倒数;
通过下列公式对用户的关注程度μ3进行非线性归一化分析:
其中,表示对用户的浏览速度的倒数进行归一化处理,/>表示对浏览速度最慢的招聘信息的浏览速度的倒数进行非线性归一化处理,/>表示对浏览速度最快的招聘信息的浏览速度的倒数进行非线性归一化处理;对每一个招聘信息的关注度进行比较分析,当μ3最小时表示对招聘信息的内容关注程度最高。
用户的对招聘信息内容的用户关注程度指数μ为:μ=aμ1+bμ2-cμ3;
其中,a、b和c为权值,该数值由相关技术人员预先进行设置;获取招聘信息δ的职位类型,职位类型由相关技术人员预先进行录入,
对所有招聘信息的用户关注程度指数进行计算,通过聚类算法得到不同类型对应的关联用户关注程度指数f2;f2为同一类型的招聘信息的用户关注程度指数聚类中心点,聚类分析又称群分析,它是研究分类问题的一种统计分析方法,同时也是数据挖掘的一个重要算法。聚类分析是由若干模式组成的,通常,模式是一个度量的向量,或者是多维空间中的一个点。聚类分析以相似性为基础,在一个聚类中的模式之间比不在同一聚类中的模式之间具有更多的相似性。例如k均值聚类算法等。
S203-5、通过下列公式对综合匹配指数f进行计算:
f=[log2(1+f1)]×f22;
在多个招聘平台,利用大数据,对用户与所有招聘岗位的招聘匹配指数进行计算分析,并按照由大到小进行排序。
进一步的,在步骤S3中,包括下列步骤:
S301、对于招聘职位axyz,获取历史招聘用户与求职用户的交流记录,提取历史交流记录中的名词,形成集合H={(h1,q1),(h2,q2),…,(hs,qs)},其中,s表示为名词类型的数量,hs表示为第s个名词,qs表示为第s个名词出现的次数;
S302、通过下列公式对关注程度指数L进行计算:
其中,qr表示为第r个名词出现的次数;
对所有名词的关注程度指数进行计算,并按照由高到低进行排序,并提取各个名词在目标求职用户简历中对应的内容;
S303、根据提取的目标求职用户简历内容,获取存在时间节点的简历内容及对应内容的时间信息,并进行编号,第r个简历内容的起始时间记为tr,终止时间记为Tr,对于只有起始时间但没有终止时间的内容,终止时间记为当前时间,则第r个简历内容对应的经验时间间隔为Δt=Tr-tr,记当前时间为t当前,则过渡时间ΔT=t当前-Tr;
结合步骤S2分析的招聘匹配指数结果,构建招聘信息管理模型,通过下列公式对信息管理指数ρ进行计算:
其中,Δt期表示为招聘企业对求职用户的预期经验时间间隔,该数值有企业招聘用户预先进行设置,τ表示为常数;对目标求职用户简历中提取的所有内容的信息管理指数进行计算;
S304、将简历内容按照对应的信息管理指数由大到小进行顺序调整,对多平台招聘职位重复步骤S301-S303,得到不同求职用户在不同招聘企业对应的简历调整方案;
进一步的额,在步骤S4中,根据步骤S2和S3的分析结果,在求职用户端按照招聘匹配指数由大到小显示职位的招聘信息;对不同企业的招聘用户,当求职用户发送简历后,按照招聘匹配指数由大到小显示求职人员简历,将对应的整顺序后的简历内容通过智能终端对招聘用户进行展示,便于企业招聘人员快速获取简历中感兴趣的内容,提高了企业的招聘效率和求职用户的就业效率,避免出现招聘用户难以快速抓取求职用户简历中关键内容,导致错失人才的情况出现。
一种基于大数据的多平台招聘信息管理系统,所述招聘信息管理系统包括:多平台数据采集模块和招聘分析模块;
所述多平台数据采集模块的输出端与招聘分析模块的输入端相连接;
所述多平台数据采集模块用于对多平台的招聘信息和用户信息进行采集,包括求职信息采集单元、招聘信息采集单元和交流数据采集单元,所述求职信息采集单元用于对求职用户的简历信息进行采集,所述招聘信息采集单元用于对企业职位的招聘要求数据进行采集,所述交流数据信息用于对多平台招聘用户与求职用户的交流数据进行采集;
所述招聘分析模块用于对采集的多平台招聘信息进行分析处理,包括职位分析单元和简历分析单元,所述职位分析单元用于根据采集的招聘信息,构建知识图谱,对求职用户与职位的匹配程度进行分析,所述简历分析单元用于根据采集的交流数据与求职用户简历数据,构建招聘信息管理模型,对不同求职用户在不同招聘企业发送的简历内容进行分析调整。
进一步的,所述招聘信息管理系统还包括:数据管理模块;
所述数据管理模块的输入端与多平台数据采集模块的输出端相连接,数据管理模块的输出端与招聘分析模块输入端相连接,招聘分析模块的输出端与数据管理模块的输入端相连接;
所述数据管理模块用于对采集的数据和分析结果进行安全管理,包括云存储单元和安全加密单元,所述云存储单元通过云存储对采集的数据和分析结果进行存储,云存储是一种云计算模型,该模型可以通过云计算提供商将数据和文件存储在互联网上,可以通过公共互联网或专用的专用网络连接访问这些数据和文件,提供商安全地存储、管理并维护存储服务器、基础设施和网络,以确保在需要时能够以几乎无限的规模和弹性容量访问数据。借助云存储,无需购买和管理自己的数据存储基础设施,这样就可提供敏捷性、可扩展性和耐用性,并可随时随地访问数据;所述安全加密单元通过加盐哈希加密算法对采集的数据和分析结果进行数据加密,保障了数据的安全性,避免信息被篡改或泄露,哈希算法就是一种特殊的函数,不论输入多长的一串字符,只要通过这个函数都可以得到一个固定长度的输出值,这就好像身份证号码一样,永远都是十八位而且全国唯一,加盐哈希加密算法的原理是在加密时混入一段“随机”字符串,即为盐值,再进行哈希加密。即使密码相同,如果盐值不同,那么哈希值也是不一样的。
进一步的,所述招聘信息管理系统还包括:终端显示模块;
所述终端显示模块的输入端与招聘分析模块的输出端相连接;
所述终端显示模块用于根据分析结果,对求职用户展示不同的职位,对招聘用户展示调整后的求职用户简历,包括第一显示单元和第二显示单元,所述第一显示单元用于根据分析得到用户与不同职位的招聘匹配指数,在求职用户端按照招聘匹配指数由大到小显示职位的招聘信息,便于求职用户能够快速获取自己适配的企业招聘信息,避免求职用户海投简历,导致对求职信息失去合理判断的情况出现,所述第二显示单元用于对不同企业的招聘用户,当求职用户发送简历后,按照招聘匹配指数由大到小显示求职人员简历,将对应的整顺序后的简历内容通过智能终端对招聘用户进行展示,便于企业招聘人员快速获取简历中感兴趣的内容,提高了企业的招聘效率和求职用户的就业效率,避免出现招聘用户难以快速抓取求职用户简历中关键内容,导致错失人才的情况出现。
与现有技术相比,本发明所达到的有益效果是:
本发明通过对招聘信息和企业多平台历史收到的简历信息,构建知识图谱,对求职用户简历信息进行提取,结合用户发送简历的历史企业类型,分析目标用户与职位的匹配程度,在多个招聘平台,利用大数据,对用户与所有招聘岗位的招聘匹配指数进行计算分析,并按照由大到小进行排序展示,便于求职用户能够快速获取适合自身的招聘信息,即使是刚出学校的求职用户,也能够快速对自己的职业方向进行定位,有利于求职用户完善自身的职业规划;根据招聘用户与求职用户的历史交流数据,对企业招聘人员的关注内容进行分析,通过构建招聘信息管理模型,对简历内容进行智能排序,便于企业招聘人员快速获取简历中感兴趣的内容,提高了企业的招聘效率,同时能够提高求职用户的就业效率。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明一种基于大数据的多平台招聘信息管理方法的步骤流程图;
图2是本发明一种基于大数据的多平台招聘信息管理系统的模块组成示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供技术方案:一种基于大数据的多平台招聘信息管理方法,图1为步骤流程图,包括下列步骤:
S1、获取多平台企业招聘信息,并对各个平台中的各个企业进行编号,对招聘用户与求职用户的历史交流记录进行采集;
在步骤S1中,所述历史交流记录包括招聘用户和求职用户的交流内容和交流时间;招聘用户指企业招聘部门,例如企业的人力资源部或猎头等,求职用户指正在寻找工作的个人或团队,例如刚出学校的大学生、失业人员或技术外包团队等。
招聘的第x个平台的编号记为ax,第x平台的第y个企业的编号记为axy,企业axy的第z个招聘职位的编号记为axyz。
S2、实时获取求职用户的简历信息,并结合招聘信息内容对用户与不同企业招聘信息之间的匹配程度进行分析;
在步骤S2中,包括下列步骤:
S201、根据招聘信息内容,通过关键词提取算法,获取关键词文本信息,例如企业的招聘要求等,关键词提取算法就是指从文本中自动识别出一些有意义的、用于表达文本主题的词或短语,这种算法可以帮助计算机更好地理解文本,更清晰地抓住文本的主题和信息,为信息检索、智能推荐等应用提供支持,关键词提取算法可以分为基于统计模型的关键词提取算法和基于知识库的关键词提取算法两类,例如TF-IDF算法、TextRank算法和JointKPE等;
S202、结合企业多平台历史收到的简历信息,构建招聘信息知识图谱,对目标求职用户的简历内容信息进行提取;
在步骤S202中,包括下列步骤:
S202-1、根据提取的招聘关键词信息,结合历史简历信息,提取包含关键词的历史简历信息,得到历史简历信息中的词语集合C={c1,c2,…,cm},其中,m表示为词语数量,cm表示为第m个词语;设置词语的向量矩阵Q为uQ×d矩阵,其中,uQ表示为总的词语数量,d表示为知识图谱的实体和关系的嵌入维度,嵌入是指将一个高维空间嵌入到一个维数低得多的连续向量空间中,嵌入维度是指向量中的元素数量;设置矩阵L,Li表示为实体中第i个词语ci的出现次数,i∈[1,m],知识图谱是结构化的语义知识库,用于迅速描述物理世界中的概念及其相互关系,通过将数据粒度从document级别降到data级别,聚合大量知识,从而实现知识的快速响应和推理,知识图谱的基本单位,是“头实体-关系-尾实体”构成的三元组,这也是知识图谱的核心;
S202-2、通过下列公式对词语ci的嵌入表示k进行计算:
k=(Li⊙Ij)Q;
其中,I表示为权重矩阵,Ij表示为矩阵I中的元素,相关技术人员在数据库中预先设置每个词语的权重,根据提取内容中的词语自动构成与矩阵L结构一致的权重矩阵,⊙表逐个元素相乘;
S202-3、通过下列公式对评分函数g进行计算:
g=-α‖k1-k2‖-(1-α)‖k头-v+k尾‖;
其中,α表示为权重参数,由相关技术人员自行设定,β1表示为头实体在文本信息的嵌入表示,β2表示为尾实体在文本信息的嵌入表示,β头表示为头实体在知识图谱的嵌入表示,β尾表示为尾实体在知识图谱的嵌入表示;v表示为知识图谱中的关系的向量;
设置输入三元组集合为W,正确三元组为w正,错误三元组为w错;通过下列公式对损失函数g损进行计算:
其中,γ表示为超参数,g正表示为正确三元组的评分函数,g正(w正)表示自变量为w正时的评分函数g正的值,g错表示为错误三元组的评分函数,g错(w错)表示自变量为w错时的评分函数g错的值;
设定知识图谱中的头实体的向量为β,知识图谱中的尾实体的向量为λ,当λ=β+v时,说明满足尾实体向量为头实体向量与关系向量的和,表示为正确三元组;反之,当λ≠β+v时,说明不满足尾实体向量为头实体向量与关系向量的和,表示为错误三元组;
S202-4、根据分析结果,构建招聘信息知识图谱,提取出目标求职用户简历中与关键词相关的内容。根据简历内容排版可知,用户常按照段落进行书写,提取用户简历中包含关键词相关信息的完整内容,即为包含关键词相关信息的段落。
7.在步骤S203中,包括下列步骤:
S203-1、根据目标求职用户历史发送简历的企业信息,获取企业类型和数量,形成集合B={(b1,e1),(b2,e2),…,(bn,en)},其中,n表示为企业类型数量,bn表示为第n个企业类型,en表示为用户发送简历到企业类型为bn的企业的数量;
根据提取的目标求职用户简历中的内容,统计包含关键词内容的段落数量为p,
通过下列公式对招聘匹配指数f1进行计算:
f1=ε×p2 ln(1+eu);
其中,ε表示为判定参数;bu表示为第u个企业类型,eu表示为目标求职用户发送简历到企业类型为bu的企业的数量;ln表示为以常数e为底数的对数;
S203-2、采集目标求职用户在使用招聘软件时的基础动作行为γ,例如点击、收藏和发送简历等,通过下列公式对用户的关注程度μ1进行分析:
τ1为一个二值函数,当用户在浏览信息时,基础动作发生,判定用户对当前段落关注度高;当基础动作未发生时,结合浏览次数和浏览速度分析用户对信息中段落的关注程度。
通过分析用户浏览时的动作,能够清楚了解用户对查看内容的关注情况,动作能够直接反映用户对查看的内容的关注程度,动作一旦发生,则确定用户对所看内容的关注程度很高。
预先设置时间间隔t间隔,目标求职用户在t间隔内点击浏览任意一个职位招聘信息记为δ,采集目标求职用户在t间隔内点击浏览职位招聘信息δ的次数为θ,则次数越大θ,目标求职用户对该职位的关注程度也越大,通过下列公式对用户的关注程度μ2进行分析:
其中,N为目标求职用户在t间隔内浏览的所有招聘信息的集合,maxδ∈N(θ)表示为目标求职用户在t间隔内浏览次数最多的招聘信息对应的浏览次数;
S203-3、设置统计周期为T周期,进行浏览次数统计更新;由于随着时间的积累,用户存在多次查看招聘信息的情况,浏览次数存在逐渐积累的情况,因此需要对统计浏览次数的周期进行设置。招聘信息δ在当前周期的浏览次数为θ′,上一周期的浏览次数为θ″,则更新指数ε为:
ε=(|θ′-θ″|)/θ′;
对更新指数设置阈值为ε阈,当ε<ε阈时,表示用户在上一周期和当前周期对招聘信息δ的浏览次数关注度未有较大变化,则θ=(θ′+θ″)/2;当ε≥ε阈时,表示用户在上一周期和当前周期对招聘信息δ的浏览次数变化程度较大,则θ=θ′;
通过对用户浏览招聘信息的次数进行分析,能够了解到用户对这个招聘信息的内容关注程度,从而实现智能推送与该招聘信息内容相关的信息。
S203-4、采集用户浏览招聘信息δ的时间为t浏览,该时间可以通过监测招聘信息出现在屏幕指定区域的时间和招聘信息离开屏幕指定区域的时间作差获得,例如屏幕指定区域为屏幕上半区域,监测该招聘信息出现在该区域的时间和该招聘信息离开该区域的时间,当前浏览的招聘信息包含的字节数为λ,则用户浏览招聘信息的浏览速度ο为:
用户的浏览速度快,表示用户对浏览招聘信息的关注程度不高,则用户的关注程度与浏览速度存在反比关系,则用户的关注程度其中/>为浏览速度最慢的招聘信息的浏览速度的倒数;
通过下列公式对用户的关注程度μ3进行非线性归一化分析:
其中,表示对用户的浏览速度的倒数进行归一化处理,/>表示对浏览速度最慢的招聘信息的浏览速度的倒数进行非线性归一化处理,/>表示对浏览速度最快的招聘信息的浏览速度的倒数进行非线性归一化处理;对每一个招聘信息的关注度进行比较分析,当μ3最小时表示对招聘信息的内容关注程度最高。
用户的对招聘信息内容的用户关注程度指数μ为:μ=aμ1+bμ2-cμ3;
其中,a、b和c为权值,该数值由相关技术人员预先进行设置;获取招聘信息δ的职位类型,职位类型由相关技术人员预先进行录入,
对所有招聘信息的用户关注程度指数进行计算,通过聚类算法得到不同类型对应的关联用户关注程度指数f2;f2为同一类型的招聘信息的用户关注程度指数聚类中心点,聚类分析又称群分析,它是研究分类问题的一种统计分析方法,同时也是数据挖掘的一个重要算法。聚类分析是由若干模式组成的,通常,模式是一个度量的向量,或者是多维空间中的一个点。聚类分析以相似性为基础,在一个聚类中的模式之间比不在同一聚类中的模式之间具有更多的相似性。例如k均值聚类算法等。
S203-5、通过下列公式对综合匹配指数f进行计算:
f=[log2(1+f1)]×f22;
在多个招聘平台,利用大数据,对用户与所有招聘岗位的招聘匹配指数进行计算分析,并按照由大到小进行排序。
S204、按照招聘职位匹配指数由大到小对用户显示招聘企业及对应的招聘岗位。
S3、结合历史招聘用户与求职用户的交流记录,获取历史交流过程中招聘用户的关注内容,结合步骤S2中的分析结果,构建招聘信息管理模型,对求职用户的简历内容进行智能排序,得到求职用户在不同招聘企业对应的简历调整方案;
在步骤S3中,包括下列步骤:
S301、对于招聘职位axyz,获取历史招聘用户与求职用户的交流记录,提取历史交流记录中的名词,形成集合H={(h1,q1),(h2,q2),…,(hs,qs)},其中,s表示为名词类型的数量,hs表示为第s个名词,qs表示为第s个名词出现的次数;
S302、通过下列公式对关注程度指数L进行计算:
其中,qr表示为第r个名词出现的次数;
对所有名词的关注程度指数进行计算,并按照由高到低进行排序,并提取各个名词在目标求职用户简历中对应的内容;例如工作经验、学历和技能特长等;
S303、根据提取的目标求职用户简历内容,获取存在时间节点的简历内容及对应内容的时间信息,并进行编号,第r个简历内容的起始时间记为tr,终止时间记为Tr,对于只有起始时间但没有终止时间的内容,终止时间记为当前时间,则第r个简历内容对应的经验时间间隔为Δt=Tr-tr,记当前时间为t当前,则过渡时间ΔT=t当前-Tr;
结合步骤S2分析的招聘匹配指数结果,构建招聘信息管理模型,通过下列公式对信息管理指数ρ进行计算:
其中,Δt期表示为招聘企业对求职用户的预期经验时间间隔,该数值有企业招聘用户预先进行设置,τ表示为常数;对目标求职用户简历中提取的所有内容的信息管理指数进行计算;
S304、将简历内容按照对应的信息管理指数由大到小进行顺序调整,对多平台招聘职位重复步骤S301-S303,得到不同求职用户在不同招聘企业对应的简历调整方案;
S4、对求职用户简历按照招聘匹配指数由大到小对招聘用户进行排列展示,将调整顺序后的简历内容通过智能终端对招聘用户进行展示。
在步骤S4中,根据步骤S2和S3的分析结果,在求职用户端按照招聘匹配指数由大到小显示职位的招聘信息;对不同企业的招聘用户,当求职用户发送简历后,按照招聘匹配指数由大到小显示求职人员简历,将对应的整顺序后的简历内容通过智能终端对招聘用户进行展示,例如通过手机或电脑等展示排序后的电子版简历或用户简历图片,便于企业招聘人员快速获取简历中感兴趣的内容,提高了企业的招聘效率和求职用户的就业效率,避免出现招聘用户难以快速抓取求职用户简历中关键内容,导致错失人才的情况出现。
一种基于大数据的多平台招聘信息管理系统,图2为模块组成示意图,所述招聘信息管理系统包括:多平台数据采集模块和招聘分析模块;
所述多平台数据采集模块的输出端与招聘分析模块的输入端相连接;
所述多平台数据采集模块用于对多平台的招聘信息和用户信息进行采集,包括求职信息采集单元、招聘信息采集单元和交流数据采集单元,所述求职信息采集单元用于对求职用户的简历信息进行采集,所述招聘信息采集单元用于对企业职位的招聘要求数据进行采集,所述交流数据信息用于对多平台招聘用户与求职用户的交流数据进行采集;
所述招聘分析模块用于对采集的多平台招聘信息进行分析处理,包括职位分析单元和简历分析单元,所述职位分析单元用于根据采集的招聘信息,构建知识图谱,对求职用户与职位的匹配程度进行分析,所述简历分析单元用于根据采集的交流数据与求职用户简历数据,构建招聘信息管理模型,对不同求职用户在不同招聘企业发送的简历内容进行分析调整。
所述招聘信息管理系统还包括:数据管理模块;
所述数据管理模块的输入端与多平台数据采集模块的输出端相连接,数据管理模块的输出端与招聘分析模块输入端相连接,招聘分析模块的输出端与数据管理模块的输入端相连接;
所述数据管理模块用于对采集的数据和分析结果进行安全管理,包括云存储单元和安全加密单元,所述云存储单元通过云存储对采集的数据和分析结果进行存储,云存储是一种云计算模型,该模型可以通过云计算提供商将数据和文件存储在互联网上,可以通过公共互联网或专用的专用网络连接访问这些数据和文件,提供商安全地存储、管理并维护存储服务器、基础设施和网络,以确保在需要时能够以几乎无限的规模和弹性容量访问数据。借助云存储,无需购买和管理自己的数据存储基础设施,这样就可提供敏捷性、可扩展性和耐用性,并可随时随地访问数据;所述安全加密单元通过加盐哈希加密算法对采集的数据和分析结果进行数据加密,保障了数据的安全性,避免信息被篡改或泄露,哈希算法就是一种特殊的函数,不论输入多长的一串字符,只要通过这个函数都可以得到一个固定长度的输出值,这就好像身份证号码一样,永远都是十八位而且全国唯一,加盐哈希加密算法的原理是在加密时混入一段“随机”字符串,即为盐值,再进行哈希加密。即使密码相同,如果盐值不同,那么哈希值也是不一样的。
所述招聘信息管理系统还包括:终端显示模块;
所述终端显示模块的输入端与招聘分析模块的输出端相连接;
所述终端显示模块用于根据分析结果,对求职用户展示不同的职位,对招聘用户展示调整后的求职用户简历,包括第一显示单元和第二显示单元,所述第一显示单元用于根据分析得到用户与不同职位的招聘匹配指数,在求职用户端按照招聘匹配指数由大到小显示职位的招聘信息,便于求职用户能够快速获取自己适配的企业招聘信息,避免求职用户海投简历,导致对求职信息失去合理判断的情况出现,所述第二显示单元用于对不同企业的招聘用户,当求职用户发送简历后,按照招聘匹配指数由大到小显示求职人员简历,将对应的整顺序后的简历内容通过智能终端对招聘用户进行展示,便于企业招聘人员快速获取简历中感兴趣的内容,提高了企业的招聘效率和求职用户的就业效率,避免出现招聘用户难以快速抓取求职用户简历中关键内容,导致错失人才的情况出现。
实施例1:
若对于某企业,需要招聘Java开发工程师,以“Java开发工程师”为关键词,结合该企业在多平台发布招聘信息后的收到的历史简历信息,相关联的关键词为“数据库”、“开发”、“互联网”、“人工智能”、“大数据”、“供应链”和“MySQL”等,形成知识图谱,根据形成的知识图谱对目标求职用户的求职简历中包含关联内容的所有信息进行提取,例如求职用户简历中有三段历史经验,第一段经验为身为大学班委,第二段经验为参加某机器人设计大赛,第三段经验为在某企业的工程部门实习,则根据知识图谱对该用户的第二段和第三段经验进行提取。
实施例2:
若一求职用户符合招聘职位a的硬性要求,根据提取的用户简历中的内容,统计包含关键词内容的段落数量为4,用户发送简历到企业类型与该企业一致的企业数量为8,则招聘匹配指数f=ε×p2 ln(1+eu)=1×82ln(1+8)=140.6,若该用户对招聘职位b的招聘匹配指数f=ε×p2 ln(1+eu)=120.8,则对该用户优先显示职位a的招聘信息;
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,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。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于大数据的多平台招聘信息管理方法,其特征在于:包括下列步骤:
S1、获取多平台企业招聘信息,并对各个平台中的各个企业进行编号,对招聘用户与求职用户的历史交流记录进行采集;
S2、实时获取求职用户的简历信息,并结合招聘信息内容对用户与不同企业招聘信息之间的匹配程度进行分析;
S3、结合历史招聘用户与求职用户的交流记录,获取历史交流过程中招聘用户的关注内容,结合步骤S2中的分析结果,构建招聘信息管理模型,对求职用户的简历内容进行智能排序,得到求职用户在不同招聘企业对应的简历调整方案;
S4、对求职用户简历按照招聘匹配指数由大到小对招聘用户进行排列展示,将调整顺序后的简历内容通过智能终端对招聘用户进行展示;
在步骤S1中,所述历史交流记录包括招聘用户和求职用户的交流内容和交流时间;
招聘的第x个平台的编号记为ax,第x平台的第y个企业的编号记为axy,企业axy的第z个招聘职位的编号记为axyz;
在步骤S2中,包括下列步骤:
S201、根据招聘信息内容,通过关键词提取算法,获取关键词文本信息;
S202、结合企业多平台历史收到的简历信息,构建招聘信息知识图谱,对目标求职用户的简历内容信息进行提取;
S203、对目标求职用户使用招聘软件的动作行为进行实时监测,根据提取的简历内容信息,对招聘职位匹配程度进行分析;
S204、按照招聘职位匹配指数由大到小对用户显示招聘企业及对应的招聘岗位;
在步骤S202中,包括下列步骤:
S202-1、根据提取的招聘关键词信息,结合历史简历信息,提取包含关键词的历史简历信息,得到历史简历信息中的词语集合C={c1,c2,…,cm},其中,m表示为词语数量,cm表示为第m个词语;设置词语的向量矩阵Q为uQ×d矩阵,其中,uQ表示为总的词语数量,d表示为知识图谱的实体和关系的嵌入维度;设置矩阵L,Li表示为实体中第i个词语ci的出现次数;
S202-2、通过下列公式对词语ci的嵌入表示k进行计算:
k=(Li⊙Ij)Q;
其中,I表示为权重矩阵,Ij表示为矩阵I中的元素,⊙表逐个元素相乘;
S202-3、通过下列公式对评分函数g进行计算:
g=-α||β1-β2||-(1-α)||β头-v+β尾||;
其中,α表示为权重参数,β1表示为头实体在文本信息的嵌入表示,β2表示为尾实体在文本信息的嵌入表示,β头表示为头实体在知识图谱的嵌入表示,β尾表示为尾实体在知识图谱的嵌入表示;v表示为知识图谱中的关系的向量;
设置输入三元组集合为W,正确三元组为w正,错误三元组为w错;通过下列公式对损失函数g损进行计算:
其中,γ表示为超参数,g正表示为正确三元组的评分函数,g正(w正)表示自变量为w正时的评分函数g正的值,g错表示为错误三元组的评分函数,g错(w错)表示自变量为w错时的评分函数g错的值;
S202-4、根据分析结果,构建招聘信息知识图谱,提取出目标求职用户简历中与关键词相关的内容;
在步骤S203中,包括下列步骤:
S203-1、根据目标求职用户历史发送简历的企业信息,获取企业类型和数量,形成集合B={(b1,e1),(b2,e2),…,(bn,en)},其中,n表示为企业类型数量,bn表示为第n个企业类型,en表示为用户发送简历到企业类型为bn的企业的数量;
根据提取的目标求职用户简历中的内容,统计包含关键词内容的段落数量为p,
通过下列公式对招聘匹配指数f1进行计算:
f1=s×p2ln(1+eu);
其中,s表示为判定参数;bu表示为第u个企业类型,eu表示为目标求职用户发送简历到企业类型为bu的企业的数量;ln表示为以常数e为底数的对数;
S203-2、采集目标求职用户在使用招聘软件时的基础动作行为γ,通过下列公式对用户的关注程度μ1进行分析:
τ1为一个二值函数,当用户在浏览信息时,基础动作发生,判定用户对当前段落关注度高;当基础动作未发生时,结合浏览次数和浏览速度分析用户对信息中段落的关注程度;
预先设置时间间隔t间隔,目标求职用户在t间隔内点击浏览任意一个职位招聘信息记为δ,采集目标求职用户在t间隔内点击浏览职位招聘信息δ的次数为θ,通过下列公式对用户的关注程度μ2进行分析:
其中,N为目标求职用户在t间隔内浏览的所有招聘信息的集合,maxδ∈N(θ)表示为目标求职用户在t间隔内浏览次数最多的招聘信息对应的浏览次数;
S203-3、设置统计周期为T周期,进行浏览次数统计更新;招聘信息δ在当前周期的浏览次数为θ',上一周期的浏览次数为θ”,则更新指数ε为:
ε=(|θ'-θ”|)/θ';
对更新指数设置阈值为ε阈,当ε<ε阈时,则θ=(θ'+θ”)/2;当ε≥ε阈时,则θ=θ';
S203-4、采集用户浏览招聘信息δ的时间为t浏览,当前浏览的招聘信息包含的字节数为λ,则用户浏览招聘信息的浏览速度ο为:
通过下列公式对用户的关注程度μ3进行非线性归一化分析:
其中,表示对用户的浏览速度的倒数进行归一化处理,/>表示对浏览速度最慢的招聘信息的浏览速度的倒数进行非线性归一化处理,/>表示对浏览速度最快的招聘信息的浏览速度的倒数进行非线性归一化处理;
用户的对招聘信息内容的用户关注程度指数μ为:μ=aμ1+bμ2-cμ3;
其中,a、b和c为权值;获取招聘信息δ的职位类型;
对所有招聘信息的用户关注程度指数进行计算,通过聚类算法得到不同类型对应的关联用户关注程度指数f2;
S203-5、通过下列公式对综合匹配指数f进行计算:
f=[log2(1+f1)]×f22;
在多个招聘平台,利用大数据,对用户与所有招聘岗位的招聘匹配指数进行计算分析,并按照由大到小进行排序;
在步骤S3中,包括下列步骤:
S301、对于招聘职位axyz,获取历史招聘用户与求职用户的交流记录,提取历史交流记录中的名词,形成集合H={(h1,q1),(h2,q2),…,(hs,qs)},其中,s表示为名词类型的数量,hs表示为第s个名词,qs表示为第s个名词出现的次数;
S302、通过下列公式对关注程度指数L进行计算:
其中,qr表示为第r个名词出现的次数;
对所有名词的关注程度指数进行计算,并按照由高到低进行排序,并提取各个名词在目标求职用户简历中对应的内容;
S303、根据提取的目标求职用户简历内容,获取存在时间节点的简历内容及对应内容的时间信息,并进行编号,第r个简历内容的起始时间记为tr,终止时间记为Tr,则第r个简历内容对应的经验时间间隔为Δt=Tr-tr,记当前时间为t当前,则过渡时间ΔT=t当前-Tr;
结合步骤S2分析的招聘匹配指数结果,构建招聘信息管理模型,通过下列公式对信息管理指数ρ进行计算:
φ=-(Δt-Δt期)2+τ;
其中,Δt期表示为招聘企业对求职用户的预期经验时间间隔,τ表示为常数;对目标求职用户简历中提取的所有内容的信息管理指数进行计算;
S304、将简历内容按照对应的信息管理指数由大到小进行顺序调整,对多平台招聘职位重复步骤S301-S303,得到不同求职用户在不同招聘企业对应的简历调整方案。
2.根据权利要求1所述的一种基于大数据的多平台招聘信息管理方法,其特征在于:在步骤S4中,根据步骤S2和S3的分析结果,在求职用户端按照招聘匹配指数由大到小显示职位的招聘信息;对不同企业的招聘用户,当求职用户发送简历后,按照招聘匹配指数由大到小显示求职人员简历,将对应的整顺序后的简历内容通过智能终端对招聘用户进行展示。
3.用于实现权利要求1-2中任一项所述的一种基于大数据的多平台招聘信息管理方法的多平台招聘信息管理系统,其特征在于:所述招聘信息管理系统包括:多平台数据采集模块和招聘分析模块;
所述多平台数据采集模块的输出端与招聘分析模块的输入端相连接;
所述多平台数据采集模块用于对多平台的招聘信息和用户信息进行采集,包括求职信息采集单元、招聘信息采集单元和交流数据采集单元,所述求职信息采集单元用于对求职用户的简历信息进行采集,所述招聘信息采集单元用于对企业职位的招聘要求数据进行采集,所述交流数据采集单元用于对多平台招聘用户与求职用户的交流数据进行采集;
所述招聘分析模块用于对采集的多平台招聘信息进行分析处理,包括职位分析单元和简历分析单元,所述职位分析单元用于根据采集的招聘信息,构建知识图谱,对求职用户与职位的匹配程度进行分析,所述简历分析单元用于根据采集的交流数据与求职用户简历数据,构建招聘信息管理模型,对不同求职用户在不同招聘企业发送的简历内容进行分析调整。
4.根据权利要求3所述的多平台招聘信息管理系统,其特征在于:所述招聘信息管理系统还包括:数据管理模块;
所述数据管理模块的输入端与多平台数据采集模块的输出端相连接,数据管理模块的输出端与招聘分析模块输入端相连接,招聘分析模块的输出端与数据管理模块的输入端相连接;
所述数据管理模块用于对采集的数据和分析结果进行安全管理,包括云存储单元和安全加密单元,所述云存储单元通过云存储对采集的数据和分析结果进行存储;所述安全加密单元通过加盐哈希加密算法对采集的数据和分析结果进行数据加密。
5.根据权利要求3所述的多平台招聘信息管理系统,其特征在于:所述招聘信息管理系统还包括:终端显示模块;
所述终端显示模块的输入端与招聘分析模块的输出端相连接;
所述终端显示模块用于根据分析结果,对求职用户展示不同的职位,对招聘用户展示调整后的求职用户简历,包括第一显示单元和第二显示单元,所述第一显示单元用于根据分析得到用户与不同职位的招聘匹配指数,在求职用户端按照招聘匹配指数由大到小显示职位的招聘信息,所述第二显示单元用于对不同企业的招聘用户,当求职用户发送简历后,按照招聘匹配指数由大到小显示求职人员简历,将对应的整顺序后的简历内容通过智能终端对招聘用户进行展示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311205514.6A CN117196556B (zh) | 2023-09-19 | 2023-09-19 | 一种基于大数据的多平台招聘信息管理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311205514.6A CN117196556B (zh) | 2023-09-19 | 2023-09-19 | 一种基于大数据的多平台招聘信息管理系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117196556A CN117196556A (zh) | 2023-12-08 |
CN117196556B true CN117196556B (zh) | 2024-02-23 |
Family
ID=88997598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311205514.6A Active CN117196556B (zh) | 2023-09-19 | 2023-09-19 | 一种基于大数据的多平台招聘信息管理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117196556B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106598994A (zh) * | 2015-10-20 | 2017-04-26 | 苏州贝弗安信息科技有限公司 | 一种基于用户在线行为数据的高效招聘系统及方法 |
CN108717619A (zh) * | 2018-03-27 | 2018-10-30 | 谭振江 | 一种双向推送匹配数据的学生实习就业招聘系统 |
CN108920544A (zh) * | 2018-06-13 | 2018-11-30 | 桂林电子科技大学 | 一种基于知识图谱的个性化职位推荐方法 |
CN109740046A (zh) * | 2018-11-22 | 2019-05-10 | 北京网聘咨询有限公司 | 基于互联网招聘的空中双选会平台 |
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 |
KR20210023344A (ko) * | 2019-08-23 | 2021-03-04 | 주식회사 인생노트에이아이 | 빅데이터 및 인공지능을 활용한 개인 맞춤형 자기소개서 코칭 서비스 방법 및 시스템 |
CN112541329A (zh) * | 2019-09-20 | 2021-03-23 | 上海大岂网络科技有限公司 | 简历创建方法、装置、电子设备 |
CN112765235A (zh) * | 2021-01-21 | 2021-05-07 | 盐城志娟网络科技有限公司 | 基于特征识别和大数据分析的人力资源智能管理系统及云管理服务器 |
CN113918813A (zh) * | 2021-10-11 | 2022-01-11 | 北京大学 | 基于聊天记录形式外部知识的人岗推荐方法及装置 |
CN114360412A (zh) * | 2021-12-28 | 2022-04-15 | 安庆师范大学 | 一种应用于毕业生就业指导的装置及系统 |
KR102416678B1 (ko) * | 2020-12-29 | 2022-07-06 | (주)올워크 | 이력서 및 구인요청서의 구조/의미 분석 기반의 구인구직 매칭 시스템 |
CN116361367A (zh) * | 2023-01-17 | 2023-06-30 | 广州高才信息科技有限公司 | 一种高效发布招聘信息的内容识别系统及方法 |
CN116452163A (zh) * | 2023-02-14 | 2023-07-18 | 广东尊一互动科技有限公司 | 一种基于大数据的人才招聘管理系统及方法 |
CN116578933A (zh) * | 2023-05-15 | 2023-08-11 | 徐州小鲸信息科技有限公司 | 一种基于人工智能大数据的人才简历匹配方法及系统 |
CN116738959A (zh) * | 2023-08-15 | 2023-09-12 | 贵州优特云科技有限公司 | 一种基于人工智能的简历改写方法及系统 |
-
2023
- 2023-09-19 CN CN202311205514.6A patent/CN117196556B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106598994A (zh) * | 2015-10-20 | 2017-04-26 | 苏州贝弗安信息科技有限公司 | 一种基于用户在线行为数据的高效招聘系统及方法 |
CN108717619A (zh) * | 2018-03-27 | 2018-10-30 | 谭振江 | 一种双向推送匹配数据的学生实习就业招聘系统 |
CN108920544A (zh) * | 2018-06-13 | 2018-11-30 | 桂林电子科技大学 | 一种基于知识图谱的个性化职位推荐方法 |
CN109740046A (zh) * | 2018-11-22 | 2019-05-10 | 北京网聘咨询有限公司 | 基于互联网招聘的空中双选会平台 |
KR20210023344A (ko) * | 2019-08-23 | 2021-03-04 | 주식회사 인생노트에이아이 | 빅데이터 및 인공지능을 활용한 개인 맞춤형 자기소개서 코칭 서비스 방법 및 시스템 |
CN112541329A (zh) * | 2019-09-20 | 2021-03-23 | 上海大岂网络科技有限公司 | 简历创建方法、装置、电子设备 |
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 |
KR102416678B1 (ko) * | 2020-12-29 | 2022-07-06 | (주)올워크 | 이력서 및 구인요청서의 구조/의미 분석 기반의 구인구직 매칭 시스템 |
CN112765235A (zh) * | 2021-01-21 | 2021-05-07 | 盐城志娟网络科技有限公司 | 基于特征识别和大数据分析的人力资源智能管理系统及云管理服务器 |
CN113918813A (zh) * | 2021-10-11 | 2022-01-11 | 北京大学 | 基于聊天记录形式外部知识的人岗推荐方法及装置 |
CN114360412A (zh) * | 2021-12-28 | 2022-04-15 | 安庆师范大学 | 一种应用于毕业生就业指导的装置及系统 |
CN116361367A (zh) * | 2023-01-17 | 2023-06-30 | 广州高才信息科技有限公司 | 一种高效发布招聘信息的内容识别系统及方法 |
CN116452163A (zh) * | 2023-02-14 | 2023-07-18 | 广东尊一互动科技有限公司 | 一种基于大数据的人才招聘管理系统及方法 |
CN116578933A (zh) * | 2023-05-15 | 2023-08-11 | 徐州小鲸信息科技有限公司 | 一种基于人工智能大数据的人才简历匹配方法及系统 |
CN116738959A (zh) * | 2023-08-15 | 2023-09-12 | 贵州优特云科技有限公司 | 一种基于人工智能的简历改写方法及系统 |
Non-Patent Citations (6)
Title |
---|
"互联网+"视域下的人才招聘管理系统设计与实现;李庆年;;国际公关;20190315(第03期);170-171 * |
Miao He ; Dayong Shen ; Yuanyuan Zhu.Career Trajectory Prediction based on CNN.2019 IEEE International Conference on Service Operations and Logistics, and Informatics (SOLI).2020,22-26. * |
Na Li ; Xin Liu ; Hongfei Hu ; Bin Jia.Design of a digital service platform for college student employment based on big data analysis.2022 International Conference on Cloud Computing, Big Data Applications and Software Engineering (CBASE).2023,142-146. * |
基于机器学习的大学生简历数据分析;李俊; 郑阳; 汤英洹; 王佳玟;科技创新与应用;第12卷(第02期);83-86 * |
新形势下基于"00后"毕业生特点的求职简历指导对策探析;黄雨榴;中国大学生就业(第19期);35-41 * |
校园招聘信息网站的设计与实现;李云;;电脑知识与技术(第18期);73-74 * |
Also Published As
Publication number | Publication date |
---|---|
CN117196556A (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liang et al. | Dynamic clustering of streaming short documents | |
CN103399891A (zh) | 网络内容自动推荐方法、装置和系统 | |
US20150019544A1 (en) | Information service for facts extracted from differing sources on a wide area network | |
CA2720842A1 (en) | System and method for value significance evaluation of ontological subjects of network and the applications thereof | |
CN113297457B (zh) | 一种高精准性的信息资源智能推送系统及推送方法 | |
CN114238573B (zh) | 基于文本对抗样例的信息推送方法及装置 | |
CN117196556B (zh) | 一种基于大数据的多平台招聘信息管理系统及方法 | |
CN104809108A (zh) | 信息监测分析系统 | |
CN111723256A (zh) | 一种基于信息资源库的政务用户画像构建方法及其系统 | |
Kawai et al. | ChronoSeeker: Search engine for future and past events | |
CN116455861B (zh) | 一种基于大数据的计算机网络安全监测系统及方法 | |
CN116049379A (zh) | 知识推荐方法、装置、电子设备和存储介质 | |
CN103262079B (zh) | 检索装置及检索方法 | |
Abuhay et al. | Analysis of computational science papers from iccs 2001-2016 using topic modeling and graph theory | |
Adam et al. | Intelligence in digital forensics process | |
Jeong et al. | Discovery of research interests of authors over time using a topic model | |
Yan et al. | User recommendation with tensor factorization in social networks | |
CN104809253A (zh) | 互联网数据分析系统 | |
Rezaeenour et al. | Developing a new hybrid intelligent approach for prediction online news popularity | |
Hoberg | Supply chain and big data | |
Gao | Spatial Scientometrics | |
Vassilakis et al. | Database knowledge enrichment utilizing trending topics from Twitter | |
US20230068293A1 (en) | System and method for detecting reputation attacks | |
CN113807429B (zh) | 企业的分类方法、装置、计算机设备和存储介质 | |
Wandhöfer et al. | Determining citizens’ opinions about stories in the news media |
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 |