CN117726311B - 监管对象就业岗位智能匹配方法、装置、设备及存储介质 - Google Patents
监管对象就业岗位智能匹配方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117726311B CN117726311B CN202410160577.2A CN202410160577A CN117726311B CN 117726311 B CN117726311 B CN 117726311B CN 202410160577 A CN202410160577 A CN 202410160577A CN 117726311 B CN117726311 B CN 117726311B
- Authority
- CN
- China
- Prior art keywords
- requirement
- recruitment
- post
- indexes
- demand
- 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 35
- 230000007115 recruitment Effects 0.000 claims abstract description 223
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 238000005065 mining Methods 0.000 claims abstract description 9
- 238000012216 screening Methods 0.000 claims abstract description 8
- 230000011218 segmentation Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 241001672694 Citrus reticulata Species 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001755 vocal effect Effects 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种监管对象就业岗位智能匹配方法、装置、设备及存储介质。方法包括:收集社会招聘平台中的招聘文本数据,招聘文本数据包括多个招聘岗位与多个招聘要求,基于文本分析算法挖掘各招聘要求的关键信息,对各关键信息进行筛选得到多项岗位需求指标;提取各招聘岗位中各项岗位需求指标的需求条件,根据需求条件与对应的需求占比搭建岗位需求知识库;基于岗位需求知识库对各项岗位需求指标赋予对应的权重系数,利用岗位匹配分算法根据各项岗位需求指标的权重系数,计算监管对象与各招聘岗位的匹配得分。本申请提高监管对象就业精准度,满足监管对象就业指导需要,通过岗位需求知识库实现大数据联动,对监管对象就业指导提高可靠性数据。
Description
技术领域
本发明涉及互联网技术领域,尤其涉及一种监管对象就业岗位智能匹配方法、装置、设备及存储介质。
背景技术
在目前的社会中,为监管对象提供就业及职业培训项目的建议是非常重要的。监管对象的职业培训主要由监管对象根据主观意愿或倾向申请相应培训项目,再结合实际项目招商情况进行相关职业技能培训。
目前在现有技术中,此过程主要以主观倾向选择和人工分配为主,暂无智能化的系统工具或算法,无法科学地提供最佳适合监管对象从事的劳动改造岗位,也无法为监管对象提供与其自身能力相匹配的从业建议与引导。
发明内容
有鉴于此,本发明的目的是为了克服现有技术中的不足,提供一种监管对象就业岗位智能匹配方法、装置、设备及存储介质。
本发明提供如下技术方案:
第一方面,本公开实施例中提供了一种监管对象就业岗位智能匹配方法,所述方法包括:
收集社会招聘平台中的招聘文本数据,所述招聘文本数据包括多个招聘岗位与多个招聘要求,基于文本分析算法挖掘各所述招聘要求的关键信息,并对各所述关键信息进行筛选,得到多项岗位需求指标;
提取各所述招聘岗位中各项所述岗位需求指标的需求条件,根据所述需求条件与对应的需求占比搭建岗位需求知识库;
基于所述岗位需求知识库对各项所述岗位需求指标赋予对应的权重系数,并利用岗位匹配分算法根据各项所述岗位需求指标的权重系数,计算所述监管对象与各所述招聘岗位的匹配得分。
进一步地,所述收集社会招聘平台中的招聘文本数据之后,还包括:
基于所述社会招聘平台中的招聘文本数据,收集各所述招聘岗位的多个招聘内容文本;
以所述招聘岗位的名称作为各所述招聘内容文本的索引关键词,并根据各所述招聘岗位的招聘条目,剔除招聘条目小于第一预设数量的招聘岗位。
进一步地,所述基于文本分析算法挖掘各所述招聘要求的关键信息,包括:
确定各所述招聘要求的边界,并根据所述边界截取所述招聘要求,对各所述招聘要求进行分段化,形成多个招聘要求文本段;
对各所述招聘要求文本段进行分词处理,并去除分词处理后各所述招聘要求文本段中的停用词,得到第二预设数量的关键信息。
进一步地,所述岗位需求指标包括连续型指标、无序离散型指标与有序离散型指标,所述需求条件包括第一需求条件、第二需求条件与第三需求条件,所述需求占比包括第一需求占比、第二需求占比与第三需求占比,所述提取各所述招聘岗位中各项所述岗位需求指标的需求条件,根据所述需求条件与对应的需求占比搭建岗位需求知识库,包括:
提取各所述连续型指标的第一需求条件,将对应的第一需求占比内的连续型指标纳入所述岗位需求知识库;
提取各所述无序离散型指标的第二需求条件与第二需求占比,将对应的第二需求占比内的无序离散型指标纳入所述岗位需求知识库;
将所述有序离散型指标分为第三预设数量分类区间,提取各所述有序离散型指标的第三需求条件,根据各所述分类区间将对应的第三需求占比内的有序离散型指标纳入所述岗位需求知识库。
进一步地,所述基于所述岗位需求知识库对各项所述岗位需求指标赋予对应的权重系数,包括:
将符合所述第一需求条件的连续型指标的权重系数赋值为1,将不符合所述第一需求条件的连续型指标的权重系数赋值为第一数值;
将符合所述第二需求条件的无序离散型指标的权重系数赋值为1,获取各所述招聘岗位对各所述无序离散型指标的无序需求率,根据所述无序需求率计算第二数值,将不符合所述第二需求条件的无序离散型指标的权重系数赋值为所述第二数值;
将符合所述第三需求条件的有序离散型指标的权重系数赋值为1,获取各所述招聘岗位对各所述有序离散型指标的有序需求率,根据所述有序需求率计算第三数值,将不符合所述第二需求条件的各分类区间的有序离散型指标的权重系数赋值为所述第三数值。
进一步地,所述监管对象与各所述招聘岗位的匹配得分的计算公式为:
式中,S为匹配得分,为所述监管对象在所述岗位需求知识库中对第j个所述招聘岗位的所有岗位需求指标的权重系数。
进一步地,所述利用岗位匹配分算法根据各项所述岗位需求指标的权重系数,计算所述监管对象与各所述招聘岗位的匹配得分之后,还包括:
将所述监管对象在各所述招聘岗位的匹配得分按照预设顺序进行排序;
选择最高的匹配得分对应的招聘岗位对所述监管对象进行岗位推荐。
第二方面,本公开实施例中提供了一种监管对象就业岗位智能匹配装置,所述装置包括:
收集模块,用于收集社会招聘平台中的招聘文本数据,所述招聘文本数据包括多个招聘岗位与多个招聘要求,基于文本分析算法挖掘各所述招聘要求的关键信息,并对各所述关键信息进行筛选,得到多项岗位需求指标;
搭建模块,用于提取各所述招聘岗位中各项所述岗位需求指标的需求条件,根据所述需求条件与对应的需求占比搭建岗位需求知识库;
计算模块,用于基于所述岗位需求知识库对各项所述岗位需求指标赋予对应的权重系数,并利用岗位匹配分算法根据各项所述岗位需求指标的权重系数,计算所述监管对象与各所述招聘岗位的匹配得分。
第三方面,本公开实施例中提供了一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现第一方面中所述的监管对象就业岗位智能匹配方法的步骤。
第四方面,本公开实施例中提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现第一方面中所述的监管对象就业岗位智能匹配方法的步骤。
本申请的实施例具有如下优点:
本申请实施例提供的监管对象就业岗位智能匹配方法,方法包括:收集社会招聘平台中的招聘文本数据,所述招聘文本数据包括多个招聘岗位与多个招聘要求,基于文本分析算法挖掘各所述招聘要求的关键信息,并对各所述关键信息进行筛选,得到多项岗位需求指标;提取各所述招聘岗位中各项所述岗位需求指标的需求条件,根据所述需求条件与对应的需求占比搭建岗位需求知识库;基于所述岗位需求知识库对各项所述岗位需求指标赋予对应的权重系数,并利用岗位匹配分算法根据各项所述岗位需求指标的权重系数,计算所述监管对象与各所述招聘岗位的匹配得分。本申请提高了监管对象的就业精准度,满足监管对象就业指导的需要,通过岗位需求知识库的连通实现对大数据的联动,对监管对象就业指导提高可靠性数据。
为使本发明的上述目的、特征和优点能更明显和易懂,下文特举较佳实施例,并配合所附附图,做详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。在各个附图中,类似的构成部分采用类似的编号。
图1示出了本申请实施例提供的一种监管对象就业岗位智能匹配方法的流程图;
图2示出了本申请实施例提供的另一种监管对象就业岗位智能匹配方法的流程图;
图3示出了本申请实施例提供的一种监管对象就业岗位智能匹配装置的结构示意图。
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,仅用于解释本发明,而不能理解为对本发明的限制。
需要说明的是,当元件被称为“固定于”另一个元件,它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。相反,当元件被称作“直接在”另一元件“上”时,不存在中间元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在模板的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例1
如图1所示,为本申请实施例中的一种监管对象就业岗位智能匹配方法的流程图,本申请实施例提供的监管对象就业岗位智能匹配方法包括以下步骤:
步骤S110,收集社会招聘平台中的招聘文本数据,所述招聘文本数据包括多个招聘岗位与多个招聘要求,基于文本分析算法挖掘各所述招聘要求的关键信息,并对各所述关键信息进行筛选,得到多项岗位需求指标。
在本实施例中,首先通过收集大量社会招聘平台中的职业需求作为招聘文本数据。示例性的,社会招聘平台可以包括智联招聘、BOSS直聘、58同城等。
可以理解的是,本申请在招聘文本数据收集的过程中,通过对比智联招聘、BOSS直聘、58同城等热门招聘网站,发现智联招聘网站、BOSS直聘网站中的职业及招聘信息更多面向的是高校毕业生,而58同城网站在涵盖这一部分职业的同时,面向低学历求职者的招聘信息较多(如,服务员),适合大部分监管对象从事,本申请选择58同城招聘网站作为目标社会招聘平台进行信息收集。具体所选择的平台可根据实际情况确定,本申请实施例对此不作限定。
进一步地,基于社会招聘平台中的招聘文本数据,对每一种招聘岗位的多个招聘内容文本进行收集,并以招聘岗位的名称作为各招聘内容文本的索引关键词,最后根据各招聘岗位的招聘条目,剔除招聘条目小于第一预设数量的招聘岗位。
可以理解的是,在本实施例中,第一预设数量为5条,具体的数量可根据实际情况确定,本申请实施例对此不作限定。
在一种可选的实施方式中,如图2所示,步骤S110还包括:
步骤S111,确定各所述招聘要求的边界,并根据所述边界截取所述招聘要求,对各所述招聘要求进行分段化,形成多个招聘要求文本段;
步骤S112,对各所述招聘要求文本段进行分词处理,并去除分词处理后各所述招聘要求文本段中的停用词,得到第二预设数量的关键信息。
具体地,收集到招聘文本数据后,通过文本分析算法对招聘要求进行关键信息挖掘,首先利用关键词及skip-gram扩充关键词确定每条招聘文本数据中招聘要求的边界,并截取招聘要求的部分。然后利用标点符号、数字、英文等标识对招聘要求进行分段化,形成多个招聘要求文本段。进一步对招聘要求文本段进行LAC分词处理,并去除分词处理后招聘要求文本段中的停用词,最终形成第二预设数量的关键信息,在本实施例中,形成了1gram、2gram、3gram三种类型的关键信息,具体不作限定。
在一种可选的实施方式中,得到关键信息后,把每类职业作为一个大文档,计算各个关键信息的词频与逆文本频率指数,计算公式为:
式中,为关键信息,/>为关键信息在大文档/>中出现的词频,/>为关键信息在大文档/>中出现的次数,/>为关键信息在大文档/>中的逆文本频率指数,/>为大文档/>的数量,/>为包含关键信息的大文档数量,/>为大文档/>中第/>个关键信息,/>为大文档/>中所有关键信息的总数量。
进一步地,通过对关键信息的筛选和分析,最终可得到硬指标和软指标两大类型的岗位需求指标。
在本实施例中,硬指标通常指可以客观的信息,基于文本分析结果结合监管对象的特点,最终纳入提取年龄、身高、学历等12项硬指标。其中,针对劳动技能/特长和职业资格证书这两类硬指标,结合对需求指标名称合理性的筛选以及各需求指标的频率,最终筛选频率最高的25项劳动技能/特长和25项职业资格证书相关需求指标纳入岗位需求指标体系。
软指标通常指能够做好一项工作的各项素质、动机、价值观等。基于关键信息提取结果,进行软指标(如,沟通能力)标注及框架梳理。结合监管对象的职业能力特点及数据的可获取性情况,最终将10项软指标纳入需求指标体系(如记忆力、人际交往能力、团队协作能力等)。
需要说明的是,上述硬指标和软指标的具体数量可根据实际情况确定,本申请实施例对此不作限定。
通过挖掘社会招聘平台中的有效信息生成岗位需求指标,可以更智能化地为监管对象提供可以从事的岗位以及与其自身能力相匹配的从业建议。
步骤S120,提取各所述招聘岗位中各项所述岗位需求指标的需求条件,根据所述需求条件与对应的需求占比搭建岗位需求知识库。
进一步地,岗位需求知识库由上述岗位需求指标在各招聘岗位中的需求条件及需求占比组成,具体搭建步骤如下:
(1)针对“年龄”和“身高”这类连续型指标,提取各招聘岗位中连续型指标的第一需求条件分布,最终将各招聘岗位的第一需求条件分布的第一需求占比(例如95%)范围内的连续型指标纳入岗位需求知识库。其中,针对需求数据缺失的情况,示例性的,可以将最小年龄要求默认为18岁,最大年龄要求默认为55岁,最低身高要求默认为120cm(默指无要求)。
(2)针对无序离散型指标,默认岗位需求知识库中的无序离散型指标的第二需求条件为具备XX指标,如“普通话”指标则为要求会说普通话。提取各招聘岗位中对无序离散型指标的第二需求占比,即为各招聘岗位对某项无序离散型指标的普遍需求率纳入岗位需求知识库。
(3)针对学历这一有序离散型指标,首先将学历分为第三预设数量分类区间,在本市实施例中,将学历分为小学以下、小学、初中、高中、中专、大专、本科及以上这7个分类区间。提取学历相关的第三需求条件时,通常表述为“XX学历及以上”,因此学历的各分类意味最低学历要求(其中小学以下意味无学历需求),将对应的第三需求占比内的有序离散型指标纳入岗位需求知识库。
通过搭建岗位需求知识库,提高对监管对象再就业的基础数据获取能力,提高数据的精准性和可靠性,通过岗位需求知识库的连通实现对大数据的联动,实现就业分析的数据支持需要,对就业指导提高可靠性数据。
步骤S130,基于所述岗位需求知识库对各项所述岗位需求指标赋予对应的权重系数,并利用岗位匹配分算法根据各项所述岗位需求指标的权重系数,计算所述监管对象与各所述招聘岗位的匹配得分。
进一步地,基于岗位需求知识库,默认符合需求条件时的权重系数为1,不符合需求条件时的权重系数根据岗位需求知识库中的需求条件或需求占比进行下调。针对不同类型的岗位需求指标,具体权重系数的赋值步骤如下:
(1)针对连续型指标(如年龄),对不符合岗位需求知识库中各招聘岗位第一需求条件的连续型指标的权重系数赋值为第一数值(例如0.05),若符合则权重系数赋值为1。
(2)针对无序离散型指标,假设某一招聘岗位的无序离散型指标i的需求率为pi,对不符合该招聘岗位的第二需求条件的无序离散型指标i的权重系数赋值为xi,其中xi=1-pi,若符合则权重系数赋值为1。
(3)针对学历这一有序离散型指标,基于岗位需求知识库该类型指标含义,不同学历情况根据下列表1对各分类区间的有序离散型指标进行权重赋值,表1如下:
表1
进一步地,基于监管对象在岗位需求知识库中对第j个所述招聘岗位的所有岗位需求指标的权重系数xj,根据以下公式计算监管对象与各招聘岗位的匹配得分S:
式中,S为匹配得分,为所述监管对象在所述岗位需求知识库中对第j个所述招聘岗位的所有岗位需求指标的权重系数。由上式可知匹配得分S越大,则说明该监管对象与相应招聘岗位越匹配。
最后,针对监管对象计算其所有招聘岗位的匹配得分,根据大小按照预设顺序(从大到小或从小到大)进行排序,最终选择匹配得分最高的一个或多个招聘岗位进行岗位推荐。
通过进行权重分析,实现对招聘职业与需求要求的权重联动挖掘能力,有效提高对监管对象再就业方向的匹配度以及能力适应度的调控分析。
本申请实施例提供的监管对象就业岗位智能匹配方法,通过收集社会招聘平台中的招聘文本数据,所述招聘文本数据包括多个招聘岗位与多个招聘要求,基于文本分析算法挖掘各所述招聘要求的关键信息,并对各所述关键信息进行筛选,得到多项岗位需求指标;提取各所述招聘岗位中各项所述岗位需求指标的需求条件,根据所述需求条件与对应的需求占比搭建岗位需求知识库;基于所述岗位需求知识库对各项所述岗位需求指标赋予对应的权重系数,并利用岗位匹配分算法根据各项所述岗位需求指标的权重系数,计算所述监管对象与各所述招聘岗位的匹配得分。本申请提高了监管对象的就业精准度,满足监管对象就业指导的需要,通过岗位需求知识库的连通实现对大数据的联动,对监管对象就业指导提高可靠性数据。
实施例2
如图3所示,为本申请实施例中的一种监管对象就业岗位智能匹配装置300的结构示意图,其装置包括:
收集模块310,用于收集社会招聘平台中的招聘文本数据,所述招聘文本数据包括多个招聘岗位与多个招聘要求,基于文本分析算法挖掘各所述招聘要求的关键信息,并对各所述关键信息进行筛选,得到多项岗位需求指标;
搭建模块320,用于提取各所述招聘岗位中各项所述岗位需求指标的需求条件,根据所述需求条件与对应的需求占比搭建岗位需求知识库;
计算模块330,用于基于所述岗位需求知识库对各项所述岗位需求指标赋予对应的权重系数,并利用岗位匹配分算法根据各项所述岗位需求指标的权重系数,计算所述监管对象与各所述招聘岗位的匹配得分。
可选地,上述监管对象就业岗位智能匹配装置300还包括:
收集子模块,用于基于所述社会招聘平台中的招聘文本数据,收集各所述招聘岗位的多个招聘内容文本;
剔除模块,用于以所述招聘岗位的名称作为各所述招聘内容文本的索引关键词,并根据各所述招聘岗位的招聘条目,剔除招聘条目小于第一预设数量的招聘岗位。
可选地,上述监管对象就业岗位智能匹配装置300还包括:
分段模块,用于确定各所述招聘要求的边界,并根据所述边界截取所述招聘要求,对各所述招聘要求进行分段化,形成多个招聘要求文本段;
分词模块,用于对各所述招聘要求文本段进行分词处理,并去除分词处理后各所述招聘要求文本段中的停用词,得到第二预设数量的关键信息。
可选地,上述监管对象就业岗位智能匹配装置300还包括:
第一提取模块,用于提取各所述连续型指标的第一需求条件,将对应的第一需求占比内的连续型指标纳入所述岗位需求知识库;
第二提取模块,用于提取各所述无序离散型指标的第二需求条件与第二需求占比,将对应的第二需求占比内的无序离散型指标纳入所述岗位需求知识库;
第三提取模块,用于将所述有序离散型指标分为第三预设数量分类区间,提取各所述有序离散型指标的第三需求条件,根据各所述分类区间将对应的第三需求占比内的有序离散型指标纳入所述岗位需求知识库。
可选地,上述监管对象就业岗位智能匹配装置300还包括:
第一赋值模块,用于将符合所述第一需求条件的连续型指标的权重系数赋值为1,将不符合所述第一需求条件的连续型指标的权重系数赋值为第一数值;
第二赋值模块,用于将符合所述第二需求条件的无序离散型指标的权重系数赋值为1,获取各所述招聘岗位对各所述无序离散型指标的无序需求率,根据所述无序需求率计算第二数值,将不符合所述第二需求条件的无序离散型指标的权重系数赋值为所述第二数值;
第三赋值模块,用于将符合所述第三需求条件的有序离散型指标的权重系数赋值为1,获取各所述招聘岗位对各所述有序离散型指标的有序需求率,根据所述有序需求率计算第三数值,将不符合所述第二需求条件的各分类区间的有序离散型指标的权重系数赋值为所述第三数值。
可选地,上述监管对象就业岗位智能匹配装置300还包括:
排序模块,用于将所述监管对象在各所述招聘岗位的匹配得分按照预设顺序进行排序;
推荐模块,用于选择最高的匹配得分对应的招聘岗位对所述监管对象进行岗位推荐。
本申请实施例提供的监管对象就业岗位智能匹配装置,提高了监管对象的就业精准度,满足监管对象就业指导的需要,通过岗位需求知识库的连通实现对大数据的联动,对监管对象就业指导提高可靠性数据。
本公开实施例中还提供了一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现实施例1中所述的监管对象就业岗位智能匹配方法的步骤,在此不再赘述。
本公开实施例中还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现实施例1中所述的监管对象就业岗位智能匹配方法的步骤,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和结构图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或更多个模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种监管对象就业岗位智能匹配方法,其特征在于,所述方法包括:
收集社会招聘平台中的招聘文本数据,所述招聘文本数据包括多个招聘岗位与多个招聘要求,基于文本分析算法挖掘各所述招聘要求的关键信息,并对各所述关键信息进行筛选,得到多项岗位需求指标,所述岗位需求指标包括连续型指标、无序离散型指标与有序离散型指标;
提取各所述招聘岗位中各项所述岗位需求指标的需求条件,根据所述需求条件与对应的需求占比搭建岗位需求知识库,其中,所述需求条件包括第一需求条件、第二需求条件与第三需求条件,所述需求占比包括第一需求占比、第二需求占比与第三需求占比;
基于所述岗位需求知识库对各项所述岗位需求指标赋予对应的权重系数,并利用岗位匹配分算法根据各项所述岗位需求指标的权重系数,计算所述监管对象与各所述招聘岗位的匹配得分;
其中,所述收集社会招聘平台中的招聘文本数据之后,还包括:
基于所述社会招聘平台中的招聘文本数据,收集各所述招聘岗位的多个招聘内容文本;
以所述招聘岗位的名称作为各所述招聘内容文本的索引关键词,并根据各所述招聘岗位的招聘条目,剔除招聘条目小于第一预设数量的招聘岗位;
其中,所述基于文本分析算法挖掘各所述招聘要求的关键信息,包括:
确定各所述招聘要求的边界,并根据所述边界截取所述招聘要求,对各所述招聘要求进行分段化,形成多个招聘要求文本段;
对各所述招聘要求文本段进行分词处理,并去除分词处理后各所述招聘要求文本段中的停用词,得到第二预设数量的关键信息;
其中,所述提取各所述招聘岗位中各项所述岗位需求指标的需求条件,根据所述需求条件与对应的需求占比搭建岗位需求知识库,包括:
提取各所述连续型指标的第一需求条件,将对应的第一需求占比内的连续型指标纳入所述岗位需求知识库;
提取各所述无序离散型指标的第二需求条件与第二需求占比,将对应的第二需求占比内的无序离散型指标纳入所述岗位需求知识库;
将所述有序离散型指标分为第三预设数量分类区间,提取各所述有序离散型指标的第三需求条件,根据各所述分类区间将对应的第三需求占比内的有序离散型指标纳入所述岗位需求知识库;
其中,所述基于所述岗位需求知识库对各项所述岗位需求指标赋予对应的权重系数,包括:
将符合所述第一需求条件的连续型指标的权重系数赋值为1,将不符合所述第一需求条件的连续型指标的权重系数赋值为第一数值;
将符合所述第二需求条件的无序离散型指标的权重系数赋值为1,获取各所述招聘岗位对各所述无序离散型指标的无序需求率,根据所述无序需求率计算第二数值,将不符合所述第二需求条件的无序离散型指标的权重系数赋值为所述第二数值;
将符合所述第三需求条件的有序离散型指标的权重系数赋值为1,获取各所述招聘岗位对各所述有序离散型指标的有序需求率,根据所述有序需求率计算第三数值,将不符合所述第二需求条件的各分类区间的有序离散型指标的权重系数赋值为所述第三数值;
其中,所述监管对象与各所述招聘岗位的匹配得分的计算公式为:
式中,S为匹配得分,为所述监管对象在所述岗位需求知识库中对第j个所述招聘岗位的所有岗位需求指标的权重系数。
2.根据权利要求1所述的监管对象就业岗位智能匹配方法,其特征在于,所述利用岗位匹配分算法根据各项所述岗位需求指标的权重系数,计算所述监管对象与各所述招聘岗位的匹配得分之后,还包括:
将所述监管对象在各所述招聘岗位的匹配得分按照预设顺序进行排序;
选择最高的匹配得分对应的招聘岗位对所述监管对象进行岗位推荐。
3.一种监管对象就业岗位智能匹配装置,其特征在于,所述装置包括:
收集模块,用于收集社会招聘平台中的招聘文本数据,所述招聘文本数据包括多个招聘岗位与多个招聘要求,基于文本分析算法挖掘各所述招聘要求的关键信息,并对各所述关键信息进行筛选,得到多项岗位需求指标,所述岗位需求指标包括连续型指标、无序离散型指标与有序离散型指标;
搭建模块,用于提取各所述招聘岗位中各项所述岗位需求指标的需求条件,根据所述需求条件与对应的需求占比搭建岗位需求知识库,其中,所述需求条件包括第一需求条件、第二需求条件与第三需求条件,所述需求占比包括第一需求占比、第二需求占比与第三需求占比;
计算模块,用于基于所述岗位需求知识库对各项所述岗位需求指标赋予对应的权重系数,并利用岗位匹配分算法根据各项所述岗位需求指标的权重系数,计算所述监管对象与各所述招聘岗位的匹配得分;
其中,所述收集模块还包括:
收集子模块,用于基于所述社会招聘平台中的招聘文本数据,收集各所述招聘岗位的多个招聘内容文本;
剔除模块,用于以所述招聘岗位的名称作为各所述招聘内容文本的索引关键词,并根据各所述招聘岗位的招聘条目,剔除招聘条目小于第一预设数量的招聘岗位;
其中,所述收集模块还包括:
分段模块,用于确定各所述招聘要求的边界,并根据所述边界截取所述招聘要求,对各所述招聘要求进行分段化,形成多个招聘要求文本段;
分词模块,用于对各所述招聘要求文本段进行分词处理,并去除分词处理后各所述招聘要求文本段中的停用词,得到第二预设数量的关键信息;
其中,所述搭建模块还包括:
第一提取模块,用于提取各所述连续型指标的第一需求条件,将对应的第一需求占比内的连续型指标纳入所述岗位需求知识库;
第二提取模块,用于提取各所述无序离散型指标的第二需求条件与第二需求占比,将对应的第二需求占比内的无序离散型指标纳入所述岗位需求知识库;
第三提取模块,用于将所述有序离散型指标分为第三预设数量分类区间,提取各所述有序离散型指标的第三需求条件,根据各所述分类区间将对应的第三需求占比内的有序离散型指标纳入所述岗位需求知识库;
其中,所述计算模块还包括:
第一赋值模块,用于将符合所述第一需求条件的连续型指标的权重系数赋值为1,将不符合所述第一需求条件的连续型指标的权重系数赋值为第一数值;
第二赋值模块,用于将符合所述第二需求条件的无序离散型指标的权重系数赋值为1,获取各所述招聘岗位对各所述无序离散型指标的无序需求率,根据所述无序需求率计算第二数值,将不符合所述第二需求条件的无序离散型指标的权重系数赋值为所述第二数值;
第三赋值模块,用于将符合所述第三需求条件的有序离散型指标的权重系数赋值为1,获取各所述招聘岗位对各所述有序离散型指标的有序需求率,根据所述有序需求率计算第三数值,将不符合所述第二需求条件的各分类区间的有序离散型指标的权重系数赋值为所述第三数值;
其中,所述监管对象与各所述招聘岗位的匹配得分的计算公式为:
式中,S为匹配得分,为所述监管对象在所述岗位需求知识库中对第j个所述招聘岗位的所有岗位需求指标的权重系数。
4.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现权利要求1-2中任一项所述的监管对象就业岗位智能匹配方法的步骤。
5.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-2中任一项所述的监管对象就业岗位智能匹配方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410160577.2A CN117726311B (zh) | 2024-02-05 | 2024-02-05 | 监管对象就业岗位智能匹配方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410160577.2A CN117726311B (zh) | 2024-02-05 | 2024-02-05 | 监管对象就业岗位智能匹配方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117726311A CN117726311A (zh) | 2024-03-19 |
CN117726311B true CN117726311B (zh) | 2024-05-28 |
Family
ID=90201932
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410160577.2A Active CN117726311B (zh) | 2024-02-05 | 2024-02-05 | 监管对象就业岗位智能匹配方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117726311B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118037250A (zh) * | 2024-04-11 | 2024-05-14 | 成都鱼泡科技有限公司 | 应用文字信息化系统的数据挖掘方法及系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109558429A (zh) * | 2018-11-16 | 2019-04-02 | 广东百城人才网络股份有限公司 | 基于互联网大数据的人才服务双向推荐方法及系统 |
CN110263818A (zh) * | 2019-05-24 | 2019-09-20 | 平安科技(深圳)有限公司 | 简历筛选的方法、装置、终端和计算机可读存储介质 |
CN110633960A (zh) * | 2019-09-25 | 2019-12-31 | 重庆市重点产业人力资源服务有限公司 | 一种基于大数据的人力资源智能匹配、推荐的方法 |
CN112150120A (zh) * | 2020-10-13 | 2020-12-29 | 未来现实海囤科技(青岛)有限公司 | 求职者与招聘岗位的匹配度计算方法及装置 |
KR20210041427A (ko) * | 2019-10-07 | 2021-04-15 | 주식회사 아이서티 | 온톨로지와 딥 러닝에 기반한 사회 맞춤형 역량 기반 교육 과정 관리 장치 및 방법 |
CN114912772A (zh) * | 2022-04-22 | 2022-08-16 | 山东省计算中心(国家超级计算济南中心) | 一种基于城市经济分类分析的城市权利透明度差异化评价体系匹配方法及系统 |
CN114971540A (zh) * | 2022-05-16 | 2022-08-30 | 浪潮云信息技术股份公司 | 基于文本挖掘的岗位推荐方法及系统 |
CN115481969A (zh) * | 2022-08-26 | 2022-12-16 | 竹间智能科技(上海)有限公司 | 简历筛选方法、装置、电子设备及可读存储介质 |
CN115511395A (zh) * | 2022-11-22 | 2022-12-23 | 四川大学华西医院 | 一种监区岗位分配方法、装置、设备及存储介质 |
CN115760037A (zh) * | 2022-10-09 | 2023-03-07 | 北京明略昭辉科技有限公司 | 确定岗位需求信息的方法、装置、计算机存储介质及终端 |
CN115757694A (zh) * | 2022-11-04 | 2023-03-07 | 上海吉贝克信息技术有限公司 | 招聘行业文本召回方法及系统、设备与介质 |
CN116523268A (zh) * | 2023-06-30 | 2023-08-01 | 广东中大管理咨询集团股份有限公司 | 一种基于大数据画像的人岗匹配分析方法及装置 |
CN116596494A (zh) * | 2023-05-18 | 2023-08-15 | 数应科技(浙江)有限公司 | 基于知识图谱深度学习的人岗匹配方法及系统 |
-
2024
- 2024-02-05 CN CN202410160577.2A patent/CN117726311B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109558429A (zh) * | 2018-11-16 | 2019-04-02 | 广东百城人才网络股份有限公司 | 基于互联网大数据的人才服务双向推荐方法及系统 |
CN110263818A (zh) * | 2019-05-24 | 2019-09-20 | 平安科技(深圳)有限公司 | 简历筛选的方法、装置、终端和计算机可读存储介质 |
CN110633960A (zh) * | 2019-09-25 | 2019-12-31 | 重庆市重点产业人力资源服务有限公司 | 一种基于大数据的人力资源智能匹配、推荐的方法 |
KR20210041427A (ko) * | 2019-10-07 | 2021-04-15 | 주식회사 아이서티 | 온톨로지와 딥 러닝에 기반한 사회 맞춤형 역량 기반 교육 과정 관리 장치 및 방법 |
CN112150120A (zh) * | 2020-10-13 | 2020-12-29 | 未来现实海囤科技(青岛)有限公司 | 求职者与招聘岗位的匹配度计算方法及装置 |
CN114912772A (zh) * | 2022-04-22 | 2022-08-16 | 山东省计算中心(国家超级计算济南中心) | 一种基于城市经济分类分析的城市权利透明度差异化评价体系匹配方法及系统 |
CN114971540A (zh) * | 2022-05-16 | 2022-08-30 | 浪潮云信息技术股份公司 | 基于文本挖掘的岗位推荐方法及系统 |
CN115481969A (zh) * | 2022-08-26 | 2022-12-16 | 竹间智能科技(上海)有限公司 | 简历筛选方法、装置、电子设备及可读存储介质 |
CN115760037A (zh) * | 2022-10-09 | 2023-03-07 | 北京明略昭辉科技有限公司 | 确定岗位需求信息的方法、装置、计算机存储介质及终端 |
CN115757694A (zh) * | 2022-11-04 | 2023-03-07 | 上海吉贝克信息技术有限公司 | 招聘行业文本召回方法及系统、设备与介质 |
CN115511395A (zh) * | 2022-11-22 | 2022-12-23 | 四川大学华西医院 | 一种监区岗位分配方法、装置、设备及存储介质 |
CN116596494A (zh) * | 2023-05-18 | 2023-08-15 | 数应科技(浙江)有限公司 | 基于知识图谱深度学习的人岗匹配方法及系统 |
CN116523268A (zh) * | 2023-06-30 | 2023-08-01 | 广东中大管理咨询集团股份有限公司 | 一种基于大数据画像的人岗匹配分析方法及装置 |
Non-Patent Citations (4)
Title |
---|
"Agglomeration and job matching among college graduates";Jaison R 等;《 Regional Science and Urban Economics》;20150301;第51卷;第14-24页 * |
"基于人岗信息大数据的军队人力资源管理";卢朋飞 等;《网络安全与数据治理》;20231215;第42卷(第S1期);第14-19页 * |
"高校硕士研究生供给与市场需求匹配问题研究";马慧敏;《中国优秀硕士学位论文全文数据库 (社会科学Ⅱ辑)》;20190115;第H131-682页 * |
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);第173-175页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117726311A (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117726311B (zh) | 监管对象就业岗位智能匹配方法、装置、设备及存储介质 | |
CN107862022B (zh) | 文化资源推荐系统 | |
KR101780807B1 (ko) | 문서 분별 시스템과 문서 분별 방법 및 문서 분별 프로그램 | |
CN109710926B (zh) | 电网调度专业语言语义关系抽取方法、装置及电子设备 | |
EP2908282A1 (en) | Forensic system, forensic method, and forensic program | |
KR20140129212A (ko) | 문서 분류 시스템, 문서 분류 방법 및 문서 분류 프로그램 | |
CN107291939B (zh) | 酒店信息的聚类匹配方法及系统 | |
JP4997892B2 (ja) | 検索システム、検索方法及び検索プログラム | |
US20150286706A1 (en) | Forensic system, forensic method, and forensic program | |
CN111737485A (zh) | 基于知识图谱、深度学习的人岗匹配方法、人岗匹配系统 | |
CN113282834A (zh) | 基于移动互联网数据深度挖掘的网页搜索智能排序方法、系统和计算机存储介质 | |
US20160246795A1 (en) | Forensic system, forensic method, and forensic program | |
CN114595850A (zh) | 基于机器学习的政务预约服务推荐方法 | |
CN111900694A (zh) | 一种基于自动识别的继电保护设备信息采集方法及系统 | |
CN115688760A (zh) | 一种智能化导诊方法、装置、设备及存储介质 | |
US10489427B2 (en) | Document classification system, document classification method, and document classification program | |
US20150339786A1 (en) | Forensic system, forensic method, and forensic program | |
JP6314071B2 (ja) | 情報処理装置、情報処理方法及びプログラム | |
CN117668373A (zh) | 一种级联标签推荐方法、装置、电子设备及存储介质 | |
CN111461524A (zh) | 司法辅助机构信誉评价方法、系统、设备及存储介质 | |
CN111191126A (zh) | 一种基于关键词的科技成果精准推送方法及装置 | |
JP5685675B2 (ja) | 文書分別システム及び文書分別方法並びに文書分別プログラム | |
CN109190020A (zh) | 一种基于考生专业需求进行高考志愿推荐方法 | |
CN111967270B (zh) | 一种基于字符与语义融合的方法和设备 | |
CN115146065A (zh) | 一种智能的信息上报相似内容合并方法及系统 |
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 |