CN117635089B - 基于深度学习的人才推荐方法及系统 - Google Patents
基于深度学习的人才推荐方法及系统 Download PDFInfo
- Publication number
- CN117635089B CN117635089B CN202311594066.3A CN202311594066A CN117635089B CN 117635089 B CN117635089 B CN 117635089B CN 202311594066 A CN202311594066 A CN 202311594066A CN 117635089 B CN117635089 B CN 117635089B
- Authority
- CN
- China
- Prior art keywords
- talent
- information
- user
- demand
- data sequence
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims description 49
- 238000012549 training Methods 0.000 claims description 40
- 238000012545 processing Methods 0.000 claims description 24
- 238000012360 testing method Methods 0.000 claims description 16
- 210000002569 neuron Anatomy 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 6
- 230000007115 recruitment Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了基于深度学习的人才推荐方法及系统，涉及信息技术领域，该人才推荐方法通过获取人才信息系统的人才信息，并对人才信息进行解析，获取与人才信息对应的人才数据序列，获取用户人才需求信息并进行解析获得用户对应的需求数据序列，基于需求数据序列搭建并训练人才推荐模型的编解码神经网络，并基于编解码神经网络获取人才推荐模型，将人才数据序列输入至人才推荐模型，输出用户对应的人才推荐方案，最后将人才推荐方案反馈至对应的用户。该人才推荐方法具有能够准确获取用户人才需求信息，且使用户能全面准确地了解推荐人才与自身需求信息匹配程度的效果。
Description
技术领域
本申请涉及信息技术领域，具体涉及一种基于深度学习的人才推荐方法及系统。
背景技术
随着网络的普及和互联网的发展，网上求职以及网上招聘已经成为求职者找工作、用人单位招聘人才的主流途径，网上求职以及网上招聘尽管为求职及招聘带来了便利，但是这种便利也带来了庞大信息数据，对人才有需求的用户需要从大量应聘者简历中查阅和筛选符合自身需求信息的人才，极大也提高了招聘者的工作量，也降低了人才筛选的效率，随着人才推荐算法在人才推荐的应用，能够通过人才推荐算法对人才有需求的用户或者企业发布的招聘信息进行分析，筛选获取的人才信息进行人才推荐。
相关技术中的人才推荐方法往往对用户人才需求信息的获取不够全面，且用户在获得推荐人才的信息后无法获取人才的各项信息与用户需求信息的相符程度，导致用户无法全面准确地了解推荐的人才，存在改进之处。
发明内容
本申请实施例的目的在于提供一种基于深度学习的人才推荐方法及系统，以改善相关技术中用户人才需求信息的获取不够全面，且用户在获得推荐人才的信息后无法获取人才的各项信息与用户需求信息的相符程度，导致用户无法全面准确地了解推荐的人才的问题。
本发明的第一方面，提供了一种基于深度学习的人才推荐方法，包括以下步骤：
获取人才信息系统的人才信息，并对所述人才信息进行解析，获取与所述人才信息对应的人才数据序列；
获取用户人才需求信息并进行解析获得用户对应的需求数据序列；
基于所述需求数据序列搭建并训练人才推荐模型的编解码神经网络，并基于所述编解码神经网络获取所述人才推荐模型；
将所述人才数据序列输入至所述人才推荐模型，输出用户对应的人才推荐方案；
将所述人才推荐方案反馈至对应的用户。
优选的，所述获取人才信息系统的人才信息，并对所述人才信息进行解析获取对应的人才数据序列，包括：
将从人才信息系统获取的人才信息进行文本序列化处理，获得处理结果；
基于所述处理结果获得所述人才信息对应的人才数据序列。
通过采用上述技术方案，从人才信息系统获取人才信息数据，具体地，人才可以通过人才信息服务软件进行信息填报，且针对每个人才对应形成一条人才数据模版，人才信息服务软件向人社部人才信息系统进行人才信息推送，将人才信息数据存储至人社部人才信息系统中，使得获取的人才信息更全面准确，从人才信息系统获取人才信息后将人才信息数据进行文本序列化处理，对人才对应的信息数据进行标准化处理，获得处理结果，并基于处理结果获得人才信息对应的人才数据序列。
优选的，所述获取用户人才需求信息并进行解析获得用户对应的需求数据序列，包括：
所述用户人才需求信息包括用户日志数据以及用户对需求人才的各项要求信息；
通过对用户日志数据以及用户对需求人才的各项要求信息进行解析获得用户对应的需求数据序列。
通过采用上述技术方案，获取用户人才需求信息包括获取用户日志数据以及用户对需求人才的各项要求信息，其中用户日志数据包括用户在人才信息系统的搜索数据、查看数据、位置数据和操作数据，基于用户的在人才信息系统的日志数据获得用户意向的人才选择方向，在用户对需求人才的各项要求信息的基础上进一步精确用户需求人才的选择条件，使得获取的用户人才需求信息更全面准确。
优选的，所述基于所述需求数据序列搭建并训练人才推荐模型的编解码神经网络，并基于所述编解码神经网络获取所述人才推荐模型，包括：
将用户对应的需求数据序列进行无关词信息过滤处理，确定所述需求数据序列对应的训练测试数据集；
基于所述训练测试数据集搭建并训练人才推荐模型的编解码神经网络，并基于所述编解码神经网络获取所述人才推荐模型。
通过采用上述技术方案，将用户对应的需求数据序列进行无关词信息过滤处理，筛选并移除需求数据序列中所有的标点符号，若序列文本为中文则对文本进行分词，若序列文本为英文则将字母统一为小写，保证对需求数据序列的数据准确识别，确定经无关词信息过滤处理后的需求数据序列对应的训练测试数据集，保证获取的人才推荐模型基于用户人才需求信息进行匹配以进行对应的人才推荐。
优选的，所述基于所述训练测试数据集搭建并训练人才推荐模型的编解码神经网络，并基于所述编解码神经网络获取所述人才推荐模型，包括：
编解码神经网络由人才推荐模型中的至少一个神经元构成；
基于所述训练测试数据集对应的需求数据序列对至少一个所述神经元进行深度学习训练；
依据深度学习训练后的至少一个所述神经元构建与需求数据序列对应的所述编解码神经网络；
基于所述编解码神经网络构建并获取所述人才推荐模型。
通过采用上述技术方案，才推荐模型的编解码神经网络由人才推荐模型中的至少一个神经元构成，通过将训练测试数据集输入人才推荐模型的编解码神经网络的各个神经元中，神经元基于训练测试数据集对应的需求数据序列进行深度学习，通过大量的训练和测试后构建对应的编解码神经网络，保证人才推荐模型的编码神经网络与用户人才需求信息的适配性和准确性。
优选的，所述基于所述编解码神经网络构建并获取所述人才推荐模型，包括：
所述人才推荐模型包括编码器和解码器；
将所述需求数据序列输入所述编码器中预设的编码神经网络进行编码，输出预设长度的上下文向量；
将所述上下文向量输入所述解码器中预设的解码神经网络进行解码，基于解码后的所述解码神经网络并根据所述上下文向量对用户人才需求信息进行人才匹配处理，确定人才推荐方案。
通过采用上述技术方案，编码器将输入的需求数据序列进行编码，输出固定长度的上下文向量，再将上下文向量输入解码器中预设的解码神经网络进行解码，基于解码后的解码神经网络并根据上下文向量对用户人才需求信息进行人才匹配处理，从何确定人才推荐方案，通过编码器和解码器的设置使神经网络能够被重复使用，提高人才推荐效率。
优选的，将所述人才数据序列输入至所述人才推荐模型，输出用户对应的人才推荐方案，包括：
基于所述解码神经网络并根据所述上下文向量，将用户人才需求信息与输入人才推荐模型的人才数据序列进行匹配处理，获取匹配结果；
所述匹配结果包括推荐人才的各项信息与用户人才需求信息的相符程度，以及基于所述相符程度得到的推荐人才的综合评分值；
基于所述推荐人才的各项信息与用户人才需求信息的相符程度和所述推荐人才的综合评分值确定并输出用户对应的人才推荐方案。
通过采用上述技术方案，基于解码神经网络并根据所述上下文向量对用户人才需求信息进行人才匹配处理，获得推荐人才的各项信息与用户人才需求信息的相符程度，以及基于所述相符程度得到的推荐人才的综合评分值，通过推荐人才的各项信息与用户人才需求信息的相符程度和推荐人才的综合评分值能够使得用户在获得推荐人才的信息后能够获取人才的各项信息与用户需求信息的相符程度，全面准确地了解推荐的人才信息。
优选的，所述人才推荐方案包括至少一个推荐人才信息，所述推荐人才信息包括人才信息、推荐人才的各项信息与用户人才需求信息的相符程度、推荐人才的综合评分值以及用户人才需求信息。
在一些实施例中，通过人才推荐方案中的推荐人才信息、推荐人才的各项信息与用户人才需求信息的相符程度、推荐人才的综合评分值以及用户人才需求信息能够使得用户全面准确地了解推荐人才信息，以及推荐人才的各项信息与用户人才需求信息的相符程度。
本发明的第二方面，提供了一种适用于基于深度学习的人才推荐方法的基于深度学习的人才推荐系统，包括：
人才信息获取模块，用于获取人才信息系统的人才信息，并对所述人才信息进行解析，获取与所述人才信息对应的人才数据序列；
人才需求信息获取模块，用于获取用户人才需求信息并进行解析获得用户对应的需求数据序列；
人才推荐模型训练模块，用于基于所述需求数据序列搭建并训练人才推荐模型的编解码神经网络，并基于所述编解码神经网络获取所述人才推荐模型；
人才推荐方案生成模块，用于将所述人才数据序列输入至所述人才推荐模型，生成并输出用户对应的人才推荐方案；
反馈模块，用于将所述人才推荐方案反馈至对应的用户。
通过采用上述技术方案，通过人才信息获取模块获取人才信息系统的人才信息，并通过人才信息获取模块对获取到的人才信息进行解析，获取与人才信息对应的人才数据序列；通过人才需求获取模块获取人才信息服务软件的用户人才需求信息，并进行解析获得用户对应的需求数据序列；通过人才推荐模型训练模块基于来自人才需求信息获取模块的需求数据序列，搭建并训练人才推荐模型的编解码神经网络获取人才推荐模型；通过人才推荐方案生成模块将来自人才信息获取模块的人才数据序列输入值人才推荐模型，经人才推荐模型生成并输出用户对应的人才推荐方案；最后通过反馈模块将人才推荐模型输出的人才推荐方案作为推荐结果反馈至人才信息服务软件，并通过该人才信息服务软件向对应的用户进行人才推荐方案的反馈。
综上所述，本发明的有益效果是：通过获取人才信息系统的人才信息，并对人才信息进行解析，获取与人才信息对应的人才数据序列，获取用户人才需求信息并进行解析获得用户对应的需求数据序列，基于需求数据序列搭建并训练人才推荐模型的编解码神经网络，并基于编解码神经网络获取人才推荐模型，将人才数据序列输入至人才推荐模型，输出用户对应的人才推荐方案，最后将人才推荐方案反馈至对应的用户，既能够准确获取用户人才需求信息，也能使用户全面准确地了解推荐人才与自身需求信息匹配程度。
附图说明
为了更清楚地阐述本申请实施例的技术方案，下面将对本申请实施例中的部分附图作简单地描述，应当理解的是，下面附图仅出示了本申请的部分实施例，因此不应被认为是对本申请范围的限定。
图1为本申请实施例提供的基于深度学习的人才推荐方法的流程示意图；
图2为本申请实施例提供的基于深度学习的人才推荐系统的结构示意图。
图中：201、人才信息获取模块；202、人才需求信息获取模块；203、人才推荐模型训练模块；204、人才推荐方案生成模块；205、反馈模块。
具体实施方式
下面结合实施例及附图1和附图2对本发明作进一步的详细说明，但本发明的实施方式不仅限于此。
请参照图1，本发明的一个实施例提供了一种基于深度学习的人才推荐方法，包括以下步骤：
步骤101、获取人才信息系统的人才信息，并对人才信息进行解析，获取与人才信息对应的人才数据序列；
步骤102、获取用户人才需求信息并进行解析获得用户对应的需求数据序列；
步骤103、基于需求数据序列搭建并训练人才推荐模型的编解码神经网络，并基于编解码神经网络获取人才推荐模型；
步骤104、将人才数据序列输入至人才推荐模型，输出用户对应的人才推荐方案；
步骤105、将人才推荐方案反馈至对应的用户。
其中，在步骤101中，通过人才信息系统获取人才信息数据，例如预设的人才简历信息，包括人才的年龄、学历、专业方向、实习经历、目标薪资待遇、目标工作地点、目标领域公司、目标公司规模以及联系方式等，也可根据用户的详细需求定向获取人才的信息，人才可以通过人才信息服务软件进行信息填报，且针对每个人才对应形成一条人才数据模版，人才信息服务软件向人社部人才信息系统进行人才信息推送，将人才信息数据存储至人社部人才信息系统中，从人才信息系统获取人才信息后将人才信息数据进行文本序列化处理，对人才对应的信息数据进行标准化处理，获得处理结果，并基于处理结果获得人才信息对应的人才数据序列。
其中，在步骤102中，通过获取用户人才需求信息并进行解析获得用户对应的需求数据序列，其中用户人才需求信息包括用户日志数据以及用户对需求人才的各项要求信息，用户日志数据包括用户在人才信息系统的搜索数据、查看数据、位置数据和操作数据，基于用户的在人才信息系统的日志数据获得用户意向的人才选择方向，在用户对需求人才的各项要求信息的基础上进一步精确用户需求人才的选择条件，全面准确地获取用户的人才需求信息，通过对用户的日志数据以及用户对需求人才的各项要求信息进行解析获得用户对应的需求数据序列。
其中，在步骤103中，通过基于用户的需求数据序列搭建并训练人才推荐模型的编解码神经网络，获取人才推荐模型，其中通过将用户对应的需求数据序列进行无关词信息过滤处理，移除需求数据序列中所有的标点符号，若序列文本为中文则对文本进行分词，若序列文本为英文则将字母统一为小写，确定经无关词信息过滤处理后的需求数据序列对应的训练测试数据集，基于此训练测试数据集，搭建并训练人才推荐模型的编解码神经网络获取人才推荐模型。
在一些实施例中，人才推荐模型的编解码神经网络由人才推荐模型中的神经元构成，通过将训练测试数据集输入人才推荐模型的编解码神经网络的各个神经元中，神经元基于训练测试数据集对应的需求数据序列进行深度学习，通过大量的训练和测试，构建对应的编解码神经网络，获得人才推荐模型，其中，人才推荐模型包括编码器和解码器，编码器和解码器可选择为LSTM编码器和LSTM解码器，LSTM可以学习长期依赖信息，通过控制缓存中的值保存的时间，可以记住长期的信息，适合进行长序列的学习，通过将需求数据序列输入编码器进行编码，输出预设长度的上下文向量，将上下文向量输入解码器中预设的解码神经网络，基于解码神经网络并根据上下文向量对用户人才需求信息进行人才匹配处理，确定人才推荐方案。
其中，在步骤104中，通过将人才数据序列输入至人才推荐模型，人才推荐模型基于解码神经网络并根据上下文向量，将用户人才需求信息与输入人才推荐模型的人才数据序列进行匹配处理获取匹配结果，其中匹配结果包括推荐人才的各项信息与用户人才需求信息的相符程度，以及基于相符程度得到的推荐人才的综合评分值，通过推荐人才的各项信息与用户人才需求信息的相符程度和推荐人才的综合评分值能够使得用户在获得推荐人才的信息后能够获取人才的各项信息与用户需求信息的相符程度，全面准确地了解推荐的人才，最后基于推荐人才的各项信息与用户人才需求信息的相符程度和推荐人才的综合评分值确定并输出人才推荐方案。
在一些实施例中，人才推荐方案包括推荐人才信息、推荐人才的各项信息与用户人才需求信息的相符程度、推荐人才的综合评分值以及用户人才需求信息，使得用户在获得推荐人才的信息后能够获取人才的各项信息与用户需求信息的相符程度，全面准确地了解推荐的人才。
在步骤105中，在获取用户对应的推荐人才后，将人才推荐模型输出的人才推荐方案作为推荐结果反馈至人才信息服务软件，并通过该人才信息服务软件向对应的用户进行人才推荐方案的反馈及推荐。
请参照图2，本发明的一个实施例提供了一种适用于基于深度学习的人才推荐方法的基于深度学习的人才推荐系统，包括人才信息获取模块201、人才需求信息获取模块202、人才推荐模型训练模块203、人才推荐方案生成模块204和反馈模块205；
人才信息获取模块201，用于获取人才信息系统的人才信息，并对人才信息进行解析，获取与人才信息对应的人才数据序列；
人才需求信息获取模块202，用于获取用户人才需求信息并进行解析获得用户对应的需求数据序列；
人才推荐模型训练模块203，用于基于需求数据序列搭建并训练人才推荐模型的编解码神经网络，并基于编解码神经网络获取人才推荐模型；
人才推荐方案生成模块204，用于将人才数据序列输入至人才推荐模型，生成并输出用户对应的人才推荐方案；
反馈模块205，用于将人才推荐方案反馈至对应的用户。
在一些实施例中，通过人才信息获取模块201获取人才信息系统的人才信息，并通过人才信息获取模块201对获取到的人才信息进行解析，获取与人才信息对应的人才数据序列；通过人才需求获取模块获取人才信息服务软件的用户人才需求信息，并进行解析获得用户对应的需求数据序列；通过人才推荐模型训练模块203基于来自人才需求信息获取模块202的需求数据序列，搭建并训练人才推荐模型的编解码神经网络获取人才推荐模型；通过人才推荐方案生成模块204将来自人才信息获取模块201的人才数据序列输入值人才推荐模型，经人才推荐模型生成并输出用户对应的人才推荐方案；最后通过反馈模块205将人才推荐模型输出的人才推荐方案作为推荐结果反馈至人才信息服务软件，并通过该人才信息服务软件向对应的用户进行人才推荐方案的反馈。
本申请实施例基于深度学习的人才推荐方法及系统的实施原理为：本申请提供了基于深度学习的人才推荐方法及系统，该人才推荐方法通过获取人才信息系统的人才信息，并对人才信息进行解析，获取与人才信息对应的人才数据序列，获取用户人才需求信息并进行解析获得用户对应的需求数据序列，基于需求数据序列搭建并训练人才推荐模型的编解码神经网络，并基于编解码神经网络获取人才推荐模型，将人才数据序列输入至人才推荐模型，输出用户对应的人才推荐方案，最后将人才推荐方案反馈至对应的用户，既能够准确获取用户人才需求信息，又使用户能全面准确地了解推荐人才与自身需求信息匹配程度信息。
以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。
Claims (3)
1.基于深度学习的人才推荐方法，其特征在于，所述方法包括以下步骤：
获取人才信息系统的人才信息，并对所述人才信息进行解析，获取与所述人才信息对应的人才数据序列；
获取用户人才需求信息并进行解析获得用户对应的需求数据序列；
所述用户人才需求信息包括用户日志数据以及用户对需求人才的各项要求信息；
通过对用户日志数据以及用户对需求人才的各项要求信息进行解析获得用户对应的需求数据序列；
将用户对应的需求数据序列进行无关词信息过滤处理，确定所述需求数据序列对应的训练测试数据集；
基于所述训练测试数据集搭建并训练人才推荐模型的编解码神经网络，并基于所述编解码神经网络获取所述人才推荐模型；
编解码神经网络由人才推荐模型中的至少一个神经元构成；
基于所述训练测试数据集对应的需求数据序列对至少一个所述神经元进行深度学习训练；
依据深度学习训练后的至少一个所述神经元构建与需求数据序列对应的所述编解码神经网络；
基于所述编解码神经网络构建并获取所述人才推荐模型；
将所述人才数据序列输入至所述人才推荐模型，输出用户对应的人才推荐方案；
所述人才推荐模型包括编码器和解码器；
将所述需求数据序列输入所述编码器中预设的编码神经网络进行编码，输出预设长度的上下文向量；
将所述上下文向量输入所述解码器中预设的解码神经网络进行解码，基于解码后的所述解码神经网络并根据所述上下文向量对用户人才需求信息进行人才匹配处理，确定人才推荐方案；
基于所述解码神经网络并根据所述上下文向量，将用户人才需求信息与输入人才推荐模型的人才数据序列进行匹配处理，获取匹配结果；
所述匹配结果包括推荐人才的各项信息与用户人才需求信息的相符程度，以及基于所述相符程度得到的推荐人才的综合评分值；
基于所述推荐人才的各项信息与用户人才需求信息的相符程度和所述推荐人才的综合评分值确定并输出用户对应的人才推荐方案；
所述人才推荐方案包括至少一个推荐人才信息，所述推荐人才信息包括人才信息、推荐人才的各项信息与用户人才需求信息的相符程度、推荐人才的综合评分值以及用户人才需求信息；
将所述人才推荐方案反馈至对应的用户。
2.根据权利要求1所述的基于深度学习的人才推荐方法，其特征在于，所述获取人才信息系统的人才信息，并对所述人才信息进行解析获取对应的人才数据序列，包括：
将从人才信息系统获取的人才信息进行文本序列化处理，获得处理结果；
基于所述处理结果获得所述人才信息对应的人才数据序列。
3.一种基于深度学习的人才推荐系统，用于实现权利要求1-2任意一项所述的基于深度学习的人才推荐方法，其特征在于，包括：
人才信息获取模块(201)，用于获取人才信息系统的人才信息，并对所述人才信息进行解析，获取与所述人才信息对应的人才数据序列；
人才需求信息获取模块(202)，用于获取用户人才需求信息并进行解析获得用户对应的需求数据序列；
人才推荐模型训练模块(203)，用于基于所述需求数据序列搭建并训练人才推荐模型的编解码神经网络，并基于所述编解码神经网络获取所述人才推荐模型；
人才推荐方案生成模块(204)，用于将所述人才数据序列输入至所述人才推荐模型，生成并输出用户对应的人才推荐方案；
反馈模块(205)，用于将所述人才推荐方案反馈至对应的用户。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311594066.3A CN117635089B (zh) | 2023-11-27 | 2023-11-27 | 基于深度学习的人才推荐方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311594066.3A CN117635089B (zh) | 2023-11-27 | 2023-11-27 | 基于深度学习的人才推荐方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117635089A CN117635089A (zh) | 2024-03-01 |
| CN117635089B true CN117635089B (zh) | 2024-05-07 |
Family
ID=90026373
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311594066.3A Active CN117635089B (zh) | 2023-11-27 | 2023-11-27 | 基于深度学习的人才推荐方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117635089B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104008143A (zh) * | 2014-05-09 | 2014-08-27 | 启秀科技（北京）有限公司 | 基于数据挖掘的职业能力指标体系构建方法 |
| CN107248062A (zh) * | 2017-05-26 | 2017-10-13 | 郑连涛 | 一种人才评估与推荐系统 |
| CN115221302A (zh) * | 2022-07-20 | 2022-10-21 | 石家庄信息工程职业学院 | 基于文本分析的人力资源推荐方法 |
| CN116452165A (zh) * | 2023-03-22 | 2023-07-18 | 北京游娱网络科技有限公司 | 一种人才信息推荐方法、服务系统及存储介质 |
| CN116955582A (zh) * | 2022-11-17 | 2023-10-27 | 中国移动通信集团浙江有限公司 | 基于深度学习的人才政策推荐方法、装置、设备及介质 |
| CN117114514A (zh) * | 2023-10-24 | 2023-11-24 | 中电科大数据研究院有限公司 | 一种基于大数据的人才信息分析管理方法、系统及装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180232751A1 (en) * | 2017-02-15 | 2018-08-16 | Randrr Llc | Internet system and method with predictive modeling |
| US20190019158A1 (en) * | 2017-07-13 | 2019-01-17 | Linkedln Corporation | Quality evaluation of recommendation service |
-
2023
- 2023-11-27 CN CN202311594066.3A patent/CN117635089B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104008143A (zh) * | 2014-05-09 | 2014-08-27 | 启秀科技（北京）有限公司 | 基于数据挖掘的职业能力指标体系构建方法 |
| CN107248062A (zh) * | 2017-05-26 | 2017-10-13 | 郑连涛 | 一种人才评估与推荐系统 |
| CN115221302A (zh) * | 2022-07-20 | 2022-10-21 | 石家庄信息工程职业学院 | 基于文本分析的人力资源推荐方法 |
| CN116955582A (zh) * | 2022-11-17 | 2023-10-27 | 中国移动通信集团浙江有限公司 | 基于深度学习的人才政策推荐方法、装置、设备及介质 |
| CN116452165A (zh) * | 2023-03-22 | 2023-07-18 | 北京游娱网络科技有限公司 | 一种人才信息推荐方法、服务系统及存储介质 |
| CN117114514A (zh) * | 2023-10-24 | 2023-11-24 | 中电科大数据研究院有限公司 | 一种基于大数据的人才信息分析管理方法、系统及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 基于社交网络的人才推荐探析;李京蔚;;科技视界;20151105(第31期);11-17 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117635089A (zh) | 2024-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110209764B (zh) | 语料标注集的生成方法及装置、电子设备、存储介质 | |
| CN110413788B (zh) | 会话文本的场景类别的预测方法、系统、设备和存储介质 | |
| CN110046356B (zh) | 标签嵌入的微博文本情绪多标签分类方法 | |
| CN112416778A (zh) | 测试用例推荐方法、装置和电子设备 | |
| CN112906375B (zh) | 文本数据标注方法、装置、设备及存储介质 | |
| CN112307168A (zh) | 基于人工智能的问诊会话处理方法、装置和计算机设备 | |
| CN115630613B (zh) | 一种问卷调查中评价类问题的自动编码系统及其方法 | |
| CN107688609B (zh) | 一种职位标签推荐方法和计算设备 | |
| CN115098634A (zh) | 一种基于语义依存关系融合特征的舆情文本情感分析方法 | |
| CN114357170A (zh) | 模型训练方法、分析方法、装置、设备及介质 | |
| CN115099233A (zh) | 一种语义解析模型的构建方法、装置、电子设备及存储介质 | |
| Bernedixen | Automated bottleneck analysis of production systems: increasing the applicability of simulation-based multi-objective optimization for bottleneck analysis within industry | |
| CN113297352A (zh) | 基于多任务网络的属性级情感分类方法及装置 | |
| CN117635089B (zh) | 基于深度学习的人才推荐方法及系统 | |
| CN115718807A (zh) | 人员关系分析方法、装置、设备及存储介质 | |
| CN116362247A (zh) | 一种基于mrc框架的实体抽取方法 | |
| CN114420168A (zh) | 情绪识别方法、装置、设备及存储介质 | |
| CN115630652A (zh) | 客服会话情感分析系统、方法及计算机系统 | |
| CN110851572A (zh) | 会话标注方法、装置、存储介质及电子设备 | |
| CN115328753A (zh) | 一种故障预测方法及装置、电子设备、存储介质 | |
| CN115470790A (zh) | 一种识别文件中的命名实体的方法和装置 | |
| CN114357284A (zh) | 基于深度学习的众包任务个性化推荐方法和系统 | |
| CN111949867A (zh) | 跨app的用户行为分析模型训练方法、分析方法及相关设备 | |
| CN117172632B (zh) | 一种企业异常行为检测方法、装置、设备及存储介质 | |
| CN111402012B (zh) | 一种基于迁移学习的电商缺陷产品识别方法 |
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 |