CN117787939A - 一种企业智能匹配方法、装置及电子设备 - Google Patents
一种企业智能匹配方法、装置及电子设备 Download PDFInfo
- Publication number
- CN117787939A CN117787939A CN202410203646.3A CN202410203646A CN117787939A CN 117787939 A CN117787939 A CN 117787939A CN 202410203646 A CN202410203646 A CN 202410203646A CN 117787939 A CN117787939 A CN 117787939A
- Authority
- CN
- China
- Prior art keywords
- online course
- historical
- user
- sub
- data
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 82
- 230000007115 recruitment Effects 0.000 claims abstract description 109
- 238000012545 processing Methods 0.000 claims abstract description 55
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 description 28
- 238000004891 communication Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- 238000011161 development Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000004080 punching Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种企业智能匹配方法、装置及电子设备,涉及数据处理领域。在该方法中,获取目标企业的招聘需求;结合招聘需求,确定第一用户的员工画像,第一用户为目标企业中满足预设岗位胜任力的员工,员工画像包括历史在线课程数据和历史证书数据;获取第二用户发送的求职需求,求职需求包括第二用户的学生画像和个人简历,学生画像包括在线课程数据和证书数据,在线课程数据包括多节子在线课程数据,任意一节子在线课程数据包括测验数据和课堂签到数据;采用预设匹配模型,将学生画像与员工画像进行匹配;若确定学生画像与员工画像匹配成功,则向目标企业推送第二用户的个人简历。本申请提供的技术方案,便于智能地为企业匹配合适的求职者。
Description
技术领域
本申请涉及数据处理的技术领域,具体涉及一种企业智能匹配方法、装置及电子设备。
背景技术
在当前的求职和招聘领域,随着网络技术的发展,越来越多的求职者选择将简历上传至某些招聘平台,以期寻求合适的工作机会。
然而,尽管现有的招聘平台能够根据企业发布的相关招聘需求进行求职者的匹配和筛选,但由于企业招聘需求通常具有一定的模糊性和不确定性,导致求职者的匹配和筛选过程存在较大的误差。例如,企业可能仅简单地描述了所需职位的大致职责和要求,而没有提供具体的工作技能、经验或教育背景等详细信息,这使得招聘平台对求职者的匹配变得较为困难,从而无法智能地为企业匹配合适的求职者。
因此,急需一种企业智能匹配方法、装置及电子设备。
发明内容
本申请提供了一种企业智能匹配方法、装置及电子设备,便于智能地为企业匹配合适的求职者。
在本申请的第一方面提供了一种企业智能匹配方法,所述方法包括:获取目标企业的招聘需求;结合所述招聘需求,确定第一用户的员工画像,所述第一用户为所述目标企业中满足预设岗位胜任力的员工,所述员工画像包括历史在线课程数据和历史证书数据,所述历史在线课程数据包括多节子历史在线课程数据,任意一节子历史在线课程数据包括历史测验数据和历史课堂签到数据;获取第二用户发送的求职需求,所述求职需求包括所述第二用户的学生画像和个人简历,所述学生画像包括在线课程数据和证书数据,所述在线课程数据包括多节子在线课程数据,任意一节子在线课程数据包括测验数据和课堂签到数据;采用预设匹配模型,将所述学生画像与所述员工画像进行匹配;若确定所述学生画像与所述员工画像匹配成功,则向所述目标企业推送所述第二用户的个人简历。
通过采用上述技术方案,首先,通过获取目标企业的招聘需求,系统可以更精确地了解企业需要的人才类型。接着,结合这些需求,确定第一用户的员工画像。通过这种方式,系统能够更好地理解企业真正需要的人才特性。对于求职者来说,系统获取其求职需求,包括其学生画像和个人简历。通过使用预设的匹配模型,系统将第二用户的学生画像与第一用户的员工画像进行匹配。这种个性化的匹配方式能够更好地理解求职者的特性和需求,从而更精准地找到适合的工作机会。传统的招聘平台依赖于招聘需求,没有考虑到招聘需求的模糊性和不确定性,该方法通过结合招聘需求,将企业的意向求职者定位到企业内部的员工,从而能够更加详细的获取到企业所需要的求职者信息,且通过预设的匹配模型进行自动匹配,大大提高了招聘的效率。同时,也减少了由于招聘需求的人为因素导致的不公平或误判的可能性。一旦确定学生画像与员工画像匹配成功,系统会自动向目标企业推送第二用户的个人简历。这为企业提供了一个便捷的方式,可以快速查看符合要求的求职者简历,进一步提高了招聘的效率和效果。
可选地,所述结合所述招聘需求,确定第一用户的员工画像,具体包括:根据所述招聘需求,确定招聘文本内容;按照预设第一维度对所述招聘文本内容进行文字识别,确定所述预设第一维度对应的第一字段,所述预设第一维度为多个预设维度中的任意一个预设维度,所述预设维度包括岗位类型、岗位胜任力要求以及在线课程完成数据;在所述目标企业的企业数据库中查找所述第一字段;若确定所述企业数据库中存在与所述第一字段对应的第二字段,则获取所述第二字段对应的所述第一用户,并获取所述第一用户对应的员工画像,所述企业数据库中预先存储有所述第二字段与所述第一用户的对应关系,以及所述第一用户与所述第一用户的员工画像之间的对应关系。
通过采用上述技术方案,首先,通过结合招聘需求,系统明确了需要从文本内容中识别哪些关键信息。这有助于确保后续步骤的准确性和针对性。通过多维度的分析,系统可以更全面地了解企业需求,并为后续的员工画像匹配提供更丰富的数据支持。在目标企业的企业数据库中查找相关字段,确保了数据的一致性和准确性。数据库的结构化存储方式使得查找和匹配过程更加高效。通过将对应关系预先存储在数据库中,这大大简化了后续的数据匹配和检索过程,因为所有必要的信息都已经预先组织好。通过上述步骤,系统能够获取到第一用户的完整员工画像。这使得后续的匹配过程更加精确,因为所有的关键信息都已经考虑在内。由于采用了多个预设维度,这种方法具有很高的灵活性和扩展性。企业可以根据自身的需求调整或增加更多的维度,以适应不断变化的市场环境和招聘需求。整个流程设计得非常严密和高效,确保了数据的准确性,也提高了招聘流程的效率。
可选地,所述在线课程数据包括在线课程得分,所述历史在线课程数据包括历史在线课程得分,所述采用预设匹配模型,将所述学生画像与所述员工画像进行匹配,具体包括:计算所述在线课程得分以及所述历史在线课程得分之间的差值,所述在线课程得分为多节子在线课程数据的得分之和,所述历史在线课程得分为多节子历史在线课程数据的得分之和;判断所述差值与预设差值阈值之间的大小关系;若所述差值大于或等于所述预设差值阈值,则确定匹配失败;若所述差值小于所述预设差值阈值,则确定匹配成功。
通过采用上述技术方案,在线课程数据中包括在线课程得分,而历史在线课程数据中包括历史在线课程得分。通过比较两者,可以评估两者在在线学习这一特定维度上的差距。计算两者之间的差值,可以量化地表示两者的匹配程度。差值越小,表示两者在这一维度上的匹配度越高。设置一个预设的差值阈值,用于判断匹配是否成功,可以根据实际情况进行调整,以适应不同的匹配需求。通过判断差值与预设差值阈值的大小关系,系统可以准确地判断学生画像与员工画像是否匹配成功。这种方式避免了模糊匹配或误匹配的情况。预设差值阈值提供了一定的灵活性,企业可以根据自身的需求和标准调整这一阈值,以满足更精确或更宽松的匹配要求,实现了更全面和精确的匹配效果。
可选地,所述计算所述在线课程得分以及所述历史在线课程得分之间的差值,具体包括:从所述在线课程得分中确定第一子在线课程得分,所述第一子在线课程得分为第一子在线课程对应的得分,所述第一子在线课程为多节子在线课程中与IT类型相关的子在线课程;从所述在线课程得分中确定第二子在线课程得分,所述第二子在线课程得分为第二子在线课程对应的得分,所述第二子在线课程为多节子在线课程中,除所述第一子在线课程以外的任意一节子在线课程;为所述第一子在线课程得分设置第一权重,以及为所述第二子在线课程得分设置第二权重,所述第一权重大于所述第二权重;按照所述第一权重和所述第二权重,计算得到所述在线课程得分。
通过采用上述技术方案,该方法首先区分了两种不同类型的在线课程:IT类型的课程和其他任意类型的课程。这种区分考虑到了不同课程之间的差异性和重要性,使得后续的权重设置和得分计算更为合理。为每种类型的在线课程设置了不同的权重。权重代表了每种课程在整体评估中的相对重要性。通过权重,系统能够更准确地反映学生或员工在特定课程上的表现。该方法不仅考虑了IT类型课程的得分,还考虑了其他在线课程的得分。这使得评估更为全面,能够捕捉到求职者在多种课程中的表现,而不仅仅是单一领域。第一权重大于第二权重,这强调了IT类型课程的重要性,使得在线课程得分更能反映求职者在关键技能领域的表现。按照权重计算最终的在线课程得分,确保了得分的准确性和合理性。这种方法避免了简单平均或加权平均可能带来的问题,使得得分更有意义。通过这种加权计算在线课程得分的方式,系统能够更准确地匹配具有相似技能和经验的学生和员工,提高了招聘的效率和效果。
可选地,所述计算所述在线课程得分以及所述历史在线课程得分之间的差值,具体还包括:从所述历史在线课程得分中确定第一子历史在线课程得分,所述第一子历史在线课程得分为第一子历史在线课程对应的得分,所述第一子历史在线课程为多节子历史在线课程中与IT类型相关的子历史在线课程;从所述历史在线课程得分中确定第二子历史在线课程得分,所述第二子历史在线课程得分为第二子历史在线课程对应的得分,所述第二子历史在线课程为多节子历史在线课程中,除所述第一子历史在线课程以外的任意一节子历史在线课程;为所述第一子历史在线课程得分设置第一历史权重,以及为所述第二子历史在线课程得分设置第二历史权重,所述第一历史权重大于所述第二历史权重;按照所述第一历史权重和所述第二历史权重,计算得到所述历史在线课程得分;将所述在线课程得分与所述历史在线课程得分作差,以得到所述差值。
通过采用上述技术方案,引入了历史在线课程得分作为参考,这使得匹配过程更加全面。历史成绩可以反映求职者或员工的技能发展历程和持续学习的态度。为历史在线课程得分设置权重,强调了某些历史课程的重要性。这种权重设置可以反映这些课程在个人技能发展中的重要程度。第一历史权重大于第二历史权重,这强调了IT类型的历史课程在评估中的重要性。这种权重差异反映了这些课程在个人技能发展中的相对重要性。通过考虑历史权重和得分,系统能够更准确地反映求职者或员工在技能发展上的历程,而不是仅仅关注当前的在线课程得分。通过综合考虑在线课程得分和历史在线课程得分,系统能够更准确地匹配具有相似技能和经验的学生和员工,提高招聘的效率和效果。通过引入历史成绩作为参考,增强了数据的完整性,使得匹配过程更加可靠。
可选地,所述采用预设匹配模型,将所述学生画像与所述员工画像进行匹配,具体包括:从所述证书数据中提取实践项目特征,所述实践项目特征用于表示所述第二用户在校期间的实践项目数量以及实践项目种类;从所述历史证书数据中提取员工绩效特征,所述员工绩效特征用于表示所述第一用户在职期间的绩效考核等级以及绩效考核质量;判断所述实践项目特征与所述员工绩效特征是否满足预设条件;若所述实践项目特征与所述员工绩效特征满足所述预设条件,则确定匹配成功;若所述实践项目特征与所述员工绩效特征不满足所述预设条件,则确定匹配失败。
通过采用上述技术方案,从证书数据中提取实践项目特征,这考虑了学生实际项目经验和实践技能,证书都是工作能力的重要体现。从历史证书数据中提取员工绩效特征,反映了员工的实际工作表现和绩效水平。通过判断两者是否满足预设条件,可以智能地评估学生与员工的匹配程度,这种方式避免了模糊匹配或误匹配的情况。这种方法考虑了学生和员工的实践项目经验和实际工作绩效,使得匹配过程更加全面和准确。通过这种方法,企业可以快速、准确地找到与现有员工特性相似的学生,从而加速招聘流程和提高招聘效率。由于考虑了实际项目经验和实际工作绩效,这种方法增强了数据的可靠性,使得匹配结果更加可靠。
可选地,所述若确定所述学生画像与所述员工画像匹配成功,则向所述目标企业推送所述第二用户的个人简历,具体包括:若确定所述学生画像与所述员工画像匹配成功,则生成匹配成功信息;向所述第二用户对应的用户设备发送所述匹配成功信息;接收所述第二用户对应的用户设备发送的反馈信息,所述反馈信息用于表示基于所述匹配成功信息,所述第二用户同意公开对应的个人简历;根据所述反馈信息,向所述目标企业推送所述第二用户的个人简历。
通过采用上述技术方案,系统会向第二用户对应的用户设备发送匹配成功信息,并接收该用户的反馈信息。这一步骤确保了用户在个人信息被推送至目标企业之前有机会进行确认或提供反馈。通过用户的反馈,可以确保用户在个人信息被公开之前有一个确认的过程。这增加了对用户隐私的保护,避免用户的个人信息被不必要地或未经授权地推送。整个过程自动化地进行匹配、信息发送和用户反馈的接收,这大大提高了匹配和推送的效率,减少了人工干预的需要。由于整个过程是在系统内自动进行的,减少了人工操作,从而降低了数据泄露的风险。为用户提供反馈信息并允许他们进行确认,这增加了系统的用户友好性。用户不再需要手动介入整个过程,只需要根据系统的提示进行操作。系统可以根据第二用户的反馈自动向目标企业推送个人简历,这为目标企业提供了灵活性,他们可以根据需要快速地获取相关简历。通过自动化推送简历的过程,企业可以更快地获取到符合需求的候选人信息,从而加速招聘流程。
在本申请的第二方面还提供了一种企业智能匹配装置,所述企业智能匹配装置包括获取模块和处理模块,其中,所述获取模块,用于获取目标企业的招聘需求;所述处理模块,用于结合所述招聘需求,确定第一用户的员工画像,所述第一用户为所述目标企业中满足预设岗位胜任力的员工;所述获取模块,还用于获取第二用户发送的求职需求,所述求职需求包括所述第二用户的学生画像和个人简历;所述处理模块,还用于采用预设匹配模型,将所述学生画像与所述员工画像进行匹配;所述处理模块,还用于若确定所述学生画像与所述员工画像匹配成功,则向所述目标企业推送所述第二用户的个人简历。
在本申请的第三方面提供了一种电子设备,所述电子设备包括处理器、存储器、用户接口以及网络接口,所述存储器用于存储指令,所述用户接口和所述网络接口均用于给其他设备通信,所述处理器用于执行所述存储器中存储的指令,以使所述电子设备执行如上所述的方法。
在本申请的第四方面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指令,当所述指令被执行时,执行如上所述的方法。
综上所述,本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
1.首先,通过获取目标企业的招聘需求,系统可以更精确地了解企业需要的人才类型。接着,结合这些需求,确定第一用户的员工画像。通过这种方式,系统能够更好地理解企业真正需要的人才特性。对于求职者来说,系统获取其求职需求,包括其学生画像和个人简历。通过使用预设的匹配模型,系统将第二用户的学生画像与第一用户的员工画像进行匹配。这种个性化的匹配方式能够更好地理解求职者的特性和需求,从而更精准地找到适合的工作机会。传统的招聘平台依赖于招聘需求,没有考虑到招聘需求的模糊性和不确定性,该方法通过结合招聘需求,将企业的意向求职者定位到企业内部的员工,从而能够更加详细的获取到企业所需要的求职者信息,且通过预设的匹配模型进行自动匹配,大大提高了招聘的效率。同时,也减少了由于招聘需求的人为因素导致的不公平或误判的可能性。一旦确定学生画像与员工画像匹配成功,系统会自动向目标企业推送第二用户的个人简历。这为企业提供了一个便捷的方式,可以快速查看符合要求的求职者简历,进一步提高了招聘的效率和效果;
2.在线课程数据中包括在线课程得分,而历史在线课程数据中包括历史在线课程得分。通过比较两者,可以评估两者在在线学习这一特定维度上的差距。计算两者之间的差值,可以量化地表示两者的匹配程度。差值越小,表示两者在这一维度上的匹配度越高。设置一个预设的差值阈值,用于判断匹配是否成功,可以根据实际情况进行调整,以适应不同的匹配需求。通过判断差值与预设差值阈值的大小关系,系统可以准确地判断学生画像与员工画像是否匹配成功。这种方式避免了模糊匹配或误匹配的情况。预设差值阈值提供了一定的灵活性,企业可以根据自身的需求和标准调整这一阈值,以满足更精确或更宽松的匹配要求,实现了更全面和精确的匹配效果;
3.从证书数据中提取实践项目特征,这考虑了学生实际项目经验和实践技能,证书都是工作能力的重要体现。从历史证书数据中提取员工绩效特征,反映了员工的实际工作表现和绩效水平。通过判断两者是否满足预设条件,可以智能地评估学生与员工的匹配程度,这种方式避免了模糊匹配或误匹配的情况。这种方法考虑了学生和员工的实践项目经验和实际工作绩效,使得匹配过程更加全面和准确。通过这种方法,企业可以快速、准确地找到与现有员工特性相似的学生,从而加速招聘流程和提高招聘效率。由于考虑了实际项目经验和实际工作绩效,这种方法增强了数据的可靠性,使得匹配结果更加可靠。
附图说明
图1为本申请实施例提供的一种企业智能匹配的场景示意图。
图2为本申请实施例提供的一种企业智能匹配方法的流程示意图。
图3为本申请实施例提供的一种企业智能匹配装置的模块示意图。
图4为本申请实施例提供的一种电子设备的结构示意图。
附图标记说明:31、获取模块;32、处理模块;41、处理器;42、通信总线;43、用户接口;44、网络接口;45、存储器。
具体实施方式
为了使本领域的技术人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。
在本申请实施例的描述中,“例如”或者“举例来说”等词用于表示作例子、例证或说明。本申请实施例中被描述为“例如”或者“举例来说”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言,使用“例如”或者“举例来说”等词旨在以具体方式呈现相关概念。
在本申请实施例的描述中,术语“多个”的含义是指两个或两个以上。例如,多个系统是指两个或两个以上的系统,多个屏幕终端是指两个或两个以上的屏幕终端。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。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。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
在当前的求职和招聘领域,随着网络技术的不断进步,求职者越来越倾向于通过招聘平台上传简历,以寻找合适的工作机会。然而,尽管现有的招聘平台利用算法和数据分析技术对求职者进行匹配和筛选,但由于企业招聘需求普遍存在一定的模糊性和不确定性,导致求职者的匹配和筛选过程中仍存在较大的误差。
具体来说,企业在发布招聘需求时往往只提供了职位的大致职责和要求,而缺乏对所需工作技能、经验或教育背景等具体信息的详细描述。这使得招聘平台难以准确地为企业匹配符合要求的求职者。因此,在求职者和企业之间建立更加精准的匹配关系,如何智能地为企业匹配合适的求职者,成为当前招聘领域亟待解决的问题。
参照图1,图1为本申请实施例提供的一种企业智能匹配的场景示意图。其中,企业通过对应的终端设备,例如电脑,将招聘需求公布至招聘平台上,招聘平台对应的服务器能够实时获取到该招聘需求;而求职者,例如大学生,通过对应的终端设备,例如电脑,可以将个人简历上传至招聘平台上,招聘平台对应的服务器也能够实时获取到该个人简历。在本申请实施例中,招聘平台对应的服务器中预先存储有预建立的学生画像,学生画像从学生的在线课程、证书、课堂测验以及课堂签到打卡等维度建立,且在线课程、证书、课堂测验以及课堂签到打卡等数据中的每一个数据均对应有多次,例如多次课堂测验成绩得分以及多次课堂签到打卡次数等,这些数据均存储在招聘平台对应的服务器中,学生画像对应的学生为使用该招聘平台对应的客户端或者软件的用户。而员工画像可以通过企业提供的招聘需求从企业中确定,员工画像同样根据员工的绩效考核、历史在线课程、历史证书、历史课堂测验以及历史课堂签到打卡等维度建立,且绩效考核、历史在线课程、历史证书、历史课堂测验以及历史课堂签到打卡中的每一个维度数据均对应有多次,例如,多次绩效考核以及多次项目或比赛获得的证书等,该员工为同样使用该招聘平台对应的客户端或者软件的历史用户。
为了解决上述技术问题,本申请提供了一种企业智能匹配方法,参照图2,图2为本申请实施例提供的一种企业智能匹配方法的流程示意图。该企业智能匹配方法应用于服务器,包括步骤S210至步骤S250,上述步骤如下:
S210、获取目标企业的招聘需求。
具体地,服务器会与目标企业进行交互,收集和获取该企业所需的招聘岗位和相关要求。其中,服务器是一个运行应用程序或服务的计算机,用于在网络上提供服务。在这里,服务器负责处理和存储数据,并与客户端(如个人计算机或移动设备)进行通信。目标企业是指招聘需求的目标来源,可以是任何一家公司、组织或机构,他们有招聘需求并通过某种方式与服务器进行交互。招聘需求是指目标企业所需要的人才类型、职位、职责、要求等详细信息。这些信息通常会发布在招聘网站、企业内部网站或社交媒体平台上,以吸引合适的候选人。
举例来说,假设有一家名为“ABC公司”的目标企业,他们计划招聘一名软件开发工程师。ABC公司会将这一招聘信息发布在自己的官方网站上,其中包括职位描述、职责、要求和申请方式等信息。服务器通过定期扫描或抓取ABC公司的官方网站,获取这一招聘需求信息。一旦服务器检测到新的招聘需求,它可能会自动发送通知给相关的候选人或求职者,或者将信息存储在数据库中以供后续处理和分析。这样,服务器就完成了从目标企业获取招聘需求的任务,为求职者和企业之间架起了一座桥梁,帮助他们更好地匹配和连接。
S220、结合招聘需求,确定第一用户的员工画像,第一用户为目标企业中满足预设岗位胜任力的员工,员工画像包括历史在线课程数据和历史证书数据,历史在线课程数据包括多节子历史在线课程数据,任意一节子历史在线课程数据包括历史测验数据和历史课堂签到数据。
具体地,服务器结合招聘需求,能够确定出第一用户的员工画像。第一用户是指在目标企业中满足预设岗位胜任力的特定员工。员工画像是基于员工的个人信息、工作经验、技能和表现等信息所构建的一个全面、详细的描述。它有助于将员工的特性与招聘需求进行匹配。其中,招聘需求包括预设岗位胜任力,预设岗位胜任力是指在特定岗位上,员工需要具备的基本能力、技能和要求,例如一段时间内的绩效或者项目数量。这些能力是根据行业标准、企业需求和岗位职责等因素预先设定的。
举例来说,假设ABC公司正在招聘软件开发工程师,其招聘需求包括具备至少3年的编程经验、熟练掌握Java语言、熟悉敏捷开发流程等条件。服务器会结合这些招聘需求,在ABC公司内部找到满足这些条件的员工。假设有一位名为John的员工,他在ABC公司工作了4年,具备丰富的Java编程经验,并且参与过多个敏捷开发项目。服务器会根据John的信息构建他的员工画像,包括他的技能、经验、项目经验以及绩效评估等。这个画像将帮助服务器将John与外部的求职者进行匹配,以确定是否有合适的候选人可以填补这一职位。通过这种方式,服务器能够识别和确定目标企业中满足预设岗位胜任力的员工,并为其构建相应的员工画像,以进一步进行匹配和招聘操作。
在一种可能的实施方式中,结合招聘需求,确定第一用户的员工画像,具体包括:根据招聘需求,确定招聘文本内容;按照预设第一维度对招聘文本内容进行文字识别,确定预设第一维度对应的第一字段,预设第一维度为多个预设维度中的任意一个预设维度,预设维度包括岗位类型、岗位胜任力要求以及在线课程完成数据;在目标企业的企业数据库中查找第一字段;若确定企业数据库中存在与第一字段对应的第二字段,则获取第二字段对应的第一用户,并获取第一用户对应的员工画像,企业数据库中预先存储有第二字段与第一用户的对应关系,以及第一用户与第一用户的员工画像之间的对应关系。
具体地,预设第一维度是指多个预设维度中的任意一个维度,例如岗位类型、岗位胜任力要求或在线课程完成数据等。文字识别是指通过技术手段对文本内容进行分析和识别,以提取相关信息的过程。企业数据库是指存储了企业内员工信息、职位数据等的数据库系统。第二字段是指在企业数据库中与第一字段对应的字段,用于标识特定的员工或数据。在本申请实施例中,岗位胜任力要求即预设岗位胜任力。
举例来说,假设ABC公司正在招聘软件开发工程师,并发布了相应的招聘需求。服务器首先根据这些需求分析出关键的文本内容,如“具备至少3年的编程经验”等。然后,服务器按照预设的第一维度,例如“岗位胜任力要求”,对这些文本内容进行文字识别。通过分析,服务器确定了与这一维度对应的“编程经验”这一第一字段。接下来,服务器在ABC公司的企业数据库中查找与“编程经验”这一字段相关的数据。假设数据库中存储了每位员工的编程经验年限,例如John的工作年限为4年。通过在数据库中匹配“编程经验”字段与John的数据,服务器确定了John是满足招聘需求的第一用户。然后,服务器从数据库中获取了John的员工画像,包括他的技能、经验、项目经验等信息。
S230、获取第二用户发送的求职需求,求职需求包括第二用户的学生画像和个人简历,学生画像包括在线课程数据和证书数据,在线课程数据包括多节子在线课程数据,任意一节子在线课程数据包括测验数据和课堂签到数据。
具体地,第二用户是指求职者,即希望获得目标企业职位的个人。求职需求是指第二用户为求职而提供的个人信息、技能、经验等需求描述。学生画像是基于第二用户的个人信息、教育背景、实践经验等构建的一个全面、详细的描述,通常用于表示该用户在学术或实践方面的能力。个人简历是指第二用户的个人简历,其中包含了求职者的基本信息、教育背景、工作经历、技能和证书等详细信息。
举例来说,假设有一名大学生,他希望在ABC公司找到一份软件开发工程师的工作。为此,他通过服务器提交了自己的求职需求。在他的求职需求中,他提供了自己的学生画像,包括他在大学期间的学习成绩、参与的软件开发项目、所获奖项等信息,以展示他的学术和实践能力。同时,他还上传了自己的个人简历,详细介绍了他的教育背景、工作经验、技能和证书等。服务器接收到这位大学生的求职需求后,会对其进行处理和分析。
S240、采用预设匹配模型,将学生画像与员工画像进行匹配。
具体地,预设匹配模型是一个预先设定的算法或模型,用于比较和匹配学生画像与员工画像。它基于一定的标准和规则,评估两者的相似度、匹配度等。其中,匹配是指通过比较和分析学生画像与员工画像的相似性和匹配度,以确定两者是否符合要求或目标的过程。通过使用预设的匹配模型,服务器能够更加准确和高效地匹配学生与企业的需求,促进双方的沟通和交流,从而帮助第二用户找到合适的工作机会。
在一种可能的实施方式中,在线课程数据包括在线课程得分,历史在线课程数据包括历史在线课程得分,采用预设匹配模型,将学生画像与员工画像进行匹配,具体包括:计算在线课程得分以及历史在线课程得分之间的差值,在线课程得分为多节子在线课程数据的得分之和,历史在线课程得分为多节子历史在线课程数据的得分之和;判断差值与预设差值阈值之间的大小关系;若差值大于或等于预设差值阈值,则确定匹配失败;若差值小于预设差值阈值,则确定匹配成功。
具体地,预设匹配模型除了常规的学生与员工的技能、经验和证书的匹配外,还特别针对在线课程得分进行比较。服务器还会计算学生与员工在在线课程得分之间的差异。预设差值阈值是一个预设的值,用于判断学生与员工的在线课程得分差异是否在可接受的范围内。根据差值与阈值的大小关系,服务器会判断匹配是否成功或失败。其中,在线课程为服务器对应的客户端或者软件上的在线课程,该在线课程为使用该客户端或者软件的大学生在校期间所学习的,历史在线课程为该员工在历史记录中大学期间所学习的。在线课程和历史在线课程均对应有多节细分课程。
举例来说,假设第二用户在在线编程课程中获得了85分,而目标企业的员工在大学期间的一个类似课程中获得了90分。服务器会计算这两个得分之间的差值,即5分。预设的差值阈值为10分,由于5分小于10分,根据预设匹配模型,服务器会判断匹配成功。如果第二用户的得分是80分,与员工的90分之间的差值为10分,并且这个差值大于或等于预设的阈值,那么服务器会判断匹配失败。通过这种方式,服务器能够基于在线课程得分的相似性来评估学生与员工的匹配程度。这有助于更全面地评估两者的技能和经验是否相近或匹配。
在一种可能的实施方式中,计算在线课程得分以及历史在线课程得分之间的差值,具体包括:从在线课程得分中确定第一子在线课程得分,第一子在线课程得分为第一子在线课程对应的得分,第一子在线课程为多节子在线课程中与IT类型相关的子在线课程;从在线课程得分中确定第二子在线课程得分,第二子在线课程得分为第二子在线课程对应的得分,第二子在线课程为多节子在线课程中,除第一子在线课程以外的任意一节子在线课程;为第一子在线课程得分设置第一权重,以及为第二子在线课程得分设置第二权重,第一权重大于第二权重;按照第一权重和第二权重,计算得到在线课程得分。
具体地,在线课程得分是指第二用户在各种子在线课程中获得的分数或成绩。第一子在线课程得分是指第二用户在IT类型的课程中获得的分数或成绩。第二子在线课程得分是指第二用户在除IT类型课程外的其他任意一节子在线课程中获得的分数或成绩。权重是一个衡量因素,用于确定不同课程得分在计算总得分时的相对重要性。第一权重是为第一子在线课程得分设置的权重,表示它在计算总在线课程得分时的相对重要性。第二权重是为第二子在线课程得分设置的权重,表示它在计算总在线课程得分时的相对重要性。根据权重和不同的在线课程得分,计算出一个总在线课程得分的过程。本申请针对互联网IT行业的大学生就业问题,所以第一权重大于第二权重,这强调了IT类型课程的重要性,使得在线课程得分更能反映求职者在关键技能领域的表现。按照权重计算最终的在线课程得分,确保了得分的准确性和合理性。这种方法避免了简单平均或加权平均可能带来的问题,使得得分更有意义。通过这种加权计算在线课程得分的方式,服务器能够更准确地匹配具有相似技能和经验的学生和员工,提高了招聘的效率和效果。
在一种可能的实施方式中,计算在线课程得分以及历史在线课程得分之间的差值,具体还包括:从历史在线课程得分中确定第一子历史在线课程得分,第一子历史在线课程得分为第一子历史在线课程对应的得分,第一子历史在线课程为多节子历史在线课程中与IT类型相关的子历史在线课程;从历史在线课程得分中确定第二子历史在线课程得分,第二子历史在线课程得分为第二子历史在线课程对应的得分,第二子历史在线课程为多节子历史在线课程中,除第一子历史在线课程以外的任意一节子历史在线课程;为第一子历史在线课程得分设置第一历史权重,以及为第二子历史在线课程得分设置第二历史权重,第一历史权重大于第二历史权重;按照第一历史权重和第二历史权重,计算得到历史在线课程得分;将在线课程得分与历史在线课程得分作差,以得到差值。
具体地,历史在线课程得分是指目标企业中现有员工在其大学期间,利用招聘平台的客户端或者软件所学的各种在线课程中获得的历史分数或成绩。第一子历史在线课程得分是指员工在大学期间的IT类型的课程中获得的历史分数或成绩。第二子历史在线课程得分是指员工在大学期间,除IT类型课程外的其他任意一节子历史在线课程中获得的历史分数或成绩。历史权重与前面的权重类似,但用于历史得分,表示不同历史课程得分在计算总历史得分时的相对重要性。根据历史权重和不同的历史在线课程得分,计算出一个总历史在线课程得分的过程。最后,将在线课程得分与历史在线课程得分作差,以得到两者之间的差值。
由此,通过考虑历史权重和得分,服务器能够更准确地反映求职者或员工在技能发展上的历程,而不是仅仅关注当前的在线课程得分。通过综合考虑在线课程得分和历史在线课程得分,服务器能够更准确地匹配具有相似技能和经验的学生和员工,提高招聘的效率和效果。通过引入历史成绩作为参考,增强了数据的完整性,使得匹配过程更加可靠。
在一种可能的实施方式中,采用预设匹配模型,将学生画像与员工画像进行匹配,具体包括:从证书数据中提取实践项目特征,实践项目特征用于表示第二用户在校期间的实践项目数量以及实践项目种类;从历史证书数据中提取员工绩效特征,员工绩效特征用于表示第一用户在职期间的绩效考核等级以及绩效考核质量;判断实践项目特征与员工绩效特征是否满足预设条件;若实践项目特征与员工绩效特征满足预设条件,则确定匹配成功;若实践项目特征与员工绩效特征不满足预设条件,则确定匹配失败。
具体地,实践项目特征是从证书数据中提取的,表示学生在校期间参与的实践项目的数量和种类以及证书的数量和种类。员工绩效特征是从历史证书数据中提取的,表示员工在职期间的绩效考核等级和考核质量以及员工历史在校期间的证书数量和种类。服务器判断两者是否满足预设条件,以评估两者的匹配程度。
举例来说,假设第二用户在大学期间参与了5个软件开发相关的实践项目均获得证书,并且这些项目涵盖了多种不同的技术领域。而目标企业的员工在过去的工作中获得了“优秀”的绩效考核等级证书,并且他的工作表现一直很稳定。服务器会从证书数据中提取实践项目特征,包括数量(5个)和种类(涵盖多种技术领域)。同时,从历史证书数据中提取员工绩效特征,包括绩效考核等级(“优秀”)和考核质量(稳定)。服务器会判断这两个特征之间是否满足预设条件。例如,学生有5个实践项目证书,而员工在工作中表现优秀并且稳定,这可以被视为满足预设条件,服务器会判断匹配成功。如果学生的实践项目数量较少或者种类不够广泛,而员工的绩效考核等级为“一般”,并且表现不够稳定,那么将被视为不满足预设条件,导致服务器判断匹配失败。这有助于更全面地评估两者的工作经验、技能和能力是否相近或匹配。
S250、若确定学生画像与员工画像匹配成功,则向目标企业推送第二用户的个人简历。
具体地,经过一系列的匹配过程,第二用户的学生画像与目标企业的员工画像在技能、经验、项目等方面相当匹配。一旦确定匹配成功,服务器会自动将第二用户的个人简历推送给目标企业,以便目标企业考虑是否给予面试或工作机会。其中,推送个人简历而非学生画像的原因是:学生画像和员工画像为服务器的内部数据,为保证隐私数据安全性,将不向企业或其他人展示泄露;而学生的个人简历属于学生面向企业的公开文件,所以将学生的个人简历进行推送。由此,这种个性化的匹配方式能够更好地理解求职者的特性和需求,从而更精准地找到适合的工作机会。传统的招聘平台依赖于招聘需求,没有考虑到招聘需求的模糊性和不确定性,该方法通过结合招聘需求,将企业的意向求职者定位到企业内部的员工,从而能够更加详细的获取到企业所需要的求职者信息,且通过预设的匹配模型进行自动匹配,大大提高了招聘的效率。同时,也减少了由于招聘需求的人为因素导致的不公平或误判的可能性。
在一种可能的实施方式中,若确定学生画像与员工画像匹配成功,则向目标企业推送第二用户的个人简历,具体包括:若确定学生画像与员工画像匹配成功,则生成匹配成功信息;向第二用户对应的用户设备发送匹配成功信息;接收第二用户对应的用户设备发送的反馈信息,反馈信息用于表示基于匹配成功信息,第二用户同意公开对应的个人简历;根据反馈信息,向目标企业推送第二用户的个人简历。
具体地,当确定匹配成功后,服务器会生成一个匹配成功的信息或通知。这个匹配成功信息会被发送到第二用户对应的用户设备上,例如用户的手机或电子邮件。第二用户接收到匹配成功信息后,可以给予反馈。这里的反馈信息表示第二用户同意公开他的个人简历给目标企业。只有当第二用户同意公开个人简历后,服务器才会将该简历推送给目标企业。
举例来说,假设第二用户的学生画像与目标企业的员工画像经过一系列的匹配流程后,被确定为高度匹配。服务器会生成一个匹配成功的信息,如:“您的学生画像与目标企业的员工画像高度匹配”。这个信息会被发送到该学生的手机或电子邮件中。学生收到这个信息后,如果同意公开自己的个人简历给目标企业,他可以回复一个确认的反馈信息,如:“我同意公开我的个人简历”。当服务器收到学生的反馈信息后,它会将学生的个人简历推送给目标企业。这样,目标企业就能获得学生的详细信息,并根据需求进行评估和下一步的操作。这种方式确保了学生在决定是否公开个人简历时有一定的控制权,同时也满足了目标企业的招聘需求。
本申请还提供了一种企业智能匹配装置,参照图3,图3为本申请实施例提供的一种企业智能匹配装置的模块示意图。该企业智能匹配装置为服务器,服务器包括获取模块31和处理模块32,其中,获取模块31获取目标企业的招聘需求;处理模块32结合招聘需求,确定第一用户的员工画像,第一用户为目标企业中满足预设岗位胜任力的员工,员工画像包括历史在线课程数据和历史证书数据,历史在线课程数据包括多节子历史在线课程数据,任意一节子历史在线课程数据包括历史测验数据和历史课堂签到数据;获取模块31获取第二用户发送的求职需求,求职需求包括第二用户的学生画像和个人简历,学生画像包括在线课程数据和证书数据,在线课程数据包括多节子在线课程数据,任意一节子在线课程数据包括测验数据和课堂签到数据;处理模块32采用预设匹配模型,将学生画像与员工画像进行匹配;若处理模块32确定学生画像与员工画像匹配成功,则向目标企业推送第二用户的个人简历。
在一种可能的实施方式中,处理模块32结合招聘需求,确定第一用户的员工画像,具体包括:处理模块32根据招聘需求,确定招聘文本内容;处理模块32按照预设第一维度对招聘文本内容进行文字识别,确定预设第一维度对应的第一字段,预设第一维度为多个预设维度中的任意一个预设维度,预设维度包括岗位类型、岗位胜任力要求以及在线课程完成数据;处理模块32在目标企业的企业数据库中查找第一字段;若处理模块32确定企业数据库中存在与第一字段对应的第二字段,则获取第二字段对应的第一用户,并获取第一用户对应的员工画像,企业数据库中预先存储有第二字段与第一用户的对应关系,以及第一用户与第一用户的员工画像之间的对应关系。
在一种可能的实施方式中,在线课程数据包括在线课程得分,历史在线课程数据包括历史在线课程得分,处理模块32采用预设匹配模型,将学生画像与员工画像进行匹配,具体包括:处理模块32计算在线课程得分以及历史在线课程得分之间的差值,在线课程得分为多节子在线课程数据的得分之和,历史在线课程得分为多节子历史在线课程数据的得分之和;处理模块32判断差值与预设差值阈值之间的大小关系;处理模块32若差值大于或等于预设差值阈值,则确定匹配失败;若差值小于预设差值阈值,则处理模块32确定匹配成功。
在一种可能的实施方式中,处理模块32计算在线课程得分以及历史在线课程得分之间的差值,具体包括:处理模块32从在线课程得分中确定第一子在线课程得分,第一子在线课程得分为第一子在线课程对应的得分,第一子在线课程为多节子在线课程中与IT类型相关的子在线课程;处理模块32从在线课程得分中确定第二子在线课程得分,第二子在线课程得分为第二子在线课程对应的得分,第二子在线课程为多节子在线课程中,除第一子在线课程以外的任意一节子在线课程;处理模块32为第一子在线课程得分设置第一权重,以及为第二子在线课程得分设置第二权重,第一权重大于第二权重;处理模块32按照第一权重和第二权重,计算得到在线课程得分。
在一种可能的实施方式中,处理模块32计算在线课程得分以及历史在线课程得分之间的差值,具体还包括:处理模块32从历史在线课程得分中确定第一子历史在线课程得分,第一子历史在线课程得分为第一子历史在线课程对应的得分,第一子历史在线课程为多节子历史在线课程中与IT类型相关的子历史在线课程;处理模块32从历史在线课程得分中确定第二子历史在线课程得分,第二子历史在线课程得分为第二子历史在线课程对应的得分,第二子历史在线课程为多节子历史在线课程中,除第一子历史在线课程以外的任意一节子历史在线课程;处理模块32为第一子历史在线课程得分设置第一历史权重,以及为第二子历史在线课程得分设置第二历史权重,第一历史权重大于第二历史权重;处理模块32按照第一历史权重和第二历史权重,计算得到历史在线课程得分;处理模块32将在线课程得分与历史在线课程得分作差,以得到差值。
在一种可能的实施方式中,处理模块32采用预设匹配模型,将学生画像与员工画像进行匹配,具体包括:处理模块32从证书数据中提取实践项目特征,实践项目特征用于表示第二用户在校期间的实践项目数量以及实践项目种类;处理模块32从历史证书数据中提取员工绩效特征,员工绩效特征用于表示第一用户在职期间的绩效考核等级以及绩效考核质量;处理模块32判断实践项目特征与员工绩效特征是否满足预设条件;若实践项目特征与员工绩效特征满足预设条件,则处理模块32确定匹配成功;若实践项目特征与员工绩效特征不满足预设条件,则处理模块32确定匹配失败。
在一种可能的实施方式中,若处理模块32确定学生画像与员工画像匹配成功,则向目标企业推送第二用户的个人简历,具体包括:若处理模块32确定学生画像与员工画像匹配成功,则生成匹配成功信息;处理模块32向第二用户对应的用户设备发送匹配成功信息;获取模块31接收第二用户对应的用户设备发送的反馈信息,反馈信息用于表示基于匹配成功信息,第二用户同意公开对应的个人简历;处理模块32根据反馈信息,向目标企业推送第二用户的个人简历。
需要说明的是:上述实施例提供的装置在实现其功能时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的装置和方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
本申请还提供了一种电子设备,参照图4,图4为本申请实施例提供的一种电子设备的结构示意图。电子设备可以包括:至少一个处理器41,至少一个网络接口44,用户接口43,存储器45,至少一个通信总线42。
其中,通信总线42用于实现这些组件之间的连接通信。
其中,用户接口43可以包括显示屏(Display)、摄像头(Camera),可选用户接口43还可以包括标准的有线接口、无线接口。
其中,网络接口44可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中,处理器41可以包括一个或者多个处理核心。处理器41利用各种接口和线路连接整个服务器内的各个部分,通过运行或执行存储在存储器45内的指令、程序、代码集或指令集,以及调用存储在存储器45内的数据,执行服务器的各种功能和处理数据。可选的,处理器41可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable Logic Array,PLA)中的至少一种硬件形式来实现。处理器41可集成中央处理器(Central ProcessingUnit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器41中,单独通过一块芯片进行实现。
其中,存储器45可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。可选的,该存储器45包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器45可用于存储指令、程序、代码、代码集或指令集。存储器45可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及的数据等。存储器45可选的还可以是至少一个位于远离前述处理器41的存储装置。如图4所示,作为一种计算机存储介质的存储器45中可以包括操作系统、网络通信模块、用户接口模块以及一种企业智能匹配方法的应用程序。
在图4所示的电子设备中,用户接口43主要用于为用户提供输入的接口,获取用户输入的数据;而处理器41可以用于调用存储器45中存储一种企业智能匹配方法的应用程序,当由一个或多个处理器执行时,使得电子设备执行如上述实施例中一个或多个的方法。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必需的。
本申请还提供了一种计算机可读存储介质,计算机可读存储介质存储有指令。当由一个或多个处理器执行时,使得电子设备执行如上述实施例中一个或多个所述的方法。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所披露的装置,可通过其他的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些服务接口,装置或单元的间接耦合或通信连接,可以是电性或其他的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元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,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元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器中。基于这样的理解,本申请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全部或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器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储器包括:U盘、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述者,仅为本公开的示例性实施例,不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰,皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践真理的公开后,将容易想到本公开的其他实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的范围和精神由权利要求限定。
Claims (10)
1.一种企业智能匹配方法,其特征在于,所述方法包括:
获取目标企业的招聘需求;
结合所述招聘需求,确定第一用户的员工画像,所述第一用户为所述目标企业中满足预设岗位胜任力的员工,所述员工画像包括历史在线课程数据和历史证书数据,所述历史在线课程数据包括多节子历史在线课程数据,任意一节子历史在线课程数据包括历史测验数据和历史课堂签到数据;
获取第二用户发送的求职需求,所述求职需求包括所述第二用户的学生画像和个人简历,所述学生画像包括在线课程数据和证书数据,所述在线课程数据包括多节子在线课程数据,任意一节子在线课程数据包括测验数据和课堂签到数据;其中,在线课程为服务器对应的客户端上的在线课程,在线课程为使用客户端的用户在校期间所学习的,历史在线课程为用户在历史记录中大学期间所学习的;
采用预设匹配模型,将所述学生画像与所述员工画像进行匹配;
若确定所述学生画像与所述员工画像匹配成功,则向所述目标企业推送所述第二用户的个人简历。
2.根据权利要求1所述的企业智能匹配方法,其特征在于,所述结合所述招聘需求,确定第一用户的员工画像,具体包括:
根据所述招聘需求,确定招聘文本内容;
按照预设第一维度对所述招聘文本内容进行文字识别,确定所述预设第一维度对应的第一字段,所述预设第一维度为多个预设维度中的任意一个预设维度,所述预设维度包括岗位类型、岗位胜任力要求以及在线课程完成数据;
在所述目标企业的企业数据库中查找所述第一字段;
若确定所述企业数据库中存在与所述第一字段对应的第二字段,则获取所述第二字段对应的所述第一用户,并获取所述第一用户对应的员工画像,所述企业数据库中预先存储有所述第二字段与所述第一用户的对应关系,以及所述第一用户与所述第一用户的员工画像之间的对应关系。
3.根据权利要求1所述的企业智能匹配方法,其特征在于,所述在线课程数据包括在线课程得分,所述历史在线课程数据包括历史在线课程得分,所述采用预设匹配模型,将所述学生画像与所述员工画像进行匹配,具体包括:
计算所述在线课程得分以及所述历史在线课程得分之间的差值,所述在线课程得分为多节子在线课程数据的得分之和,所述历史在线课程得分为多节子历史在线课程数据的得分之和;
判断所述差值与预设差值阈值之间的大小关系;
若所述差值大于或等于所述预设差值阈值,则确定匹配失败;
若所述差值小于所述预设差值阈值,则确定匹配成功。
4.根据权利要求3所述的企业智能匹配方法,其特征在于,所述计算所述在线课程得分以及所述历史在线课程得分之间的差值,具体包括:
从所述在线课程得分中确定第一子在线课程得分,所述第一子在线课程得分为第一子在线课程对应的得分,所述第一子在线课程为多节子在线课程中与IT类型相关的子在线课程;
从所述在线课程得分中确定第二子在线课程得分,所述第二子在线课程得分为第二子在线课程对应的得分,所述第二子在线课程为多节子在线课程中,除所述第一子在线课程以外的任意一节子在线课程;
为所述第一子在线课程得分设置第一权重,以及为所述第二子在线课程得分设置第二权重,所述第一权重大于所述第二权重;
按照所述第一权重和所述第二权重,计算得到所述在线课程得分。
5.根据权利要求3所述的企业智能匹配方法,其特征在于,所述计算所述在线课程得分以及所述历史在线课程得分之间的差值,具体还包括:
从所述历史在线课程得分中确定第一子历史在线课程得分,所述第一子历史在线课程得分为第一子历史在线课程对应的得分,所述第一子历史在线课程为多节子历史在线课程中与IT类型相关的子历史在线课程;
从所述历史在线课程得分中确定第二子历史在线课程得分,所述第二子历史在线课程得分为第二子历史在线课程对应的得分,所述第二子历史在线课程为多节子历史在线课程中,除所述第一子历史在线课程以外的任意一节子历史在线课程;
为所述第一子历史在线课程得分设置第一历史权重,以及为所述第二子历史在线课程得分设置第二历史权重,所述第一历史权重大于所述第二历史权重;
按照所述第一历史权重和所述第二历史权重,计算得到所述历史在线课程得分;
将所述在线课程得分与所述历史在线课程得分作差,以得到所述差值。
6.根据权利要求1所述的企业智能匹配方法,其特征在于,所述采用预设匹配模型,将所述学生画像与所述员工画像进行匹配,具体包括:
从所述证书数据中提取实践项目特征,所述实践项目特征用于表示所述第二用户在校期间的实践项目数量以及实践项目种类;
从所述历史证书数据中提取员工绩效特征,所述员工绩效特征用于表示所述第一用户在职期间的绩效考核等级以及绩效考核质量;
判断所述实践项目特征与所述员工绩效特征是否满足预设条件;
若所述实践项目特征与所述员工绩效特征满足所述预设条件,则确定匹配成功;
若所述实践项目特征与所述员工绩效特征不满足所述预设条件,则确定匹配失败。
7.根据权利要求1所述的企业智能匹配方法,其特征在于,所述若确定所述学生画像与所述员工画像匹配成功,则向所述目标企业推送所述第二用户的个人简历,具体包括:
若确定所述学生画像与所述员工画像匹配成功,则生成匹配成功信息;
向所述第二用户对应的用户设备发送所述匹配成功信息;
接收所述第二用户对应的用户设备发送的反馈信息,所述反馈信息用于表示基于所述匹配成功信息,所述第二用户同意公开对应的个人简历;
根据所述反馈信息,向所述目标企业推送所述第二用户的个人简历。
8.一种企业智能匹配装置,其特征在于,所述企业智能匹配装置包括获取模块(31)和处理模块(32),其中,
所述获取模块(31),用于获取目标企业的招聘需求;
所述处理模块(32),用于结合所述招聘需求,确定第一用户的员工画像,所述第一用户为所述目标企业中满足预设岗位胜任力的员工,所述员工画像包括历史在线课程数据和历史证书数据,所述历史在线课程数据包括多节子历史在线课程数据,任意一节子历史在线课程数据包括历史测验数据和历史课堂签到数据;
所述获取模块(31),还用于获取第二用户发送的求职需求,所述求职需求包括所述第二用户的学生画像和个人简历,所述学生画像包括在线课程数据和证书数据,所述在线课程数据包括多节子在线课程数据,任意一节子在线课程数据包括测验数据和课堂签到数据;其中,在线课程为服务器对应的客户端上的在线课程,在线课程为使用客户端的用户在校期间所学习的,历史在线课程为用户在历史记录中大学期间所学习的;
所述处理模块(32),还用于采用预设匹配模型,将所述学生画像与所述员工画像进行匹配;
所述处理模块(32),还用于若确定所述学生画像与所述员工画像匹配成功,则向所述目标企业推送所述第二用户的个人简历。
9.一种电子设备,其特征在于,所述电子设备包括处理器(41)、存储器(45)、用户接口(43)以及网络接口(44),所述存储器(45)用于存储指令,所述用户接口(43)和所述网络接口(44)均用于给其他设备通信,所述处理器(41)用于执行所述存储器(45)中存储的指令,以使所述电子设备执行如权利要求1至7任意一项所述的方法。
10.一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指令,当所述指令被执行时,执行如权利要求1至7任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410203646.3A CN117787939A (zh) | 2024-02-23 | 2024-02-23 | 一种企业智能匹配方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410203646.3A CN117787939A (zh) | 2024-02-23 | 2024-02-23 | 一种企业智能匹配方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117787939A true CN117787939A (zh) | 2024-03-29 |
Family
ID=90396617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410203646.3A Pending CN117787939A (zh) | 2024-02-23 | 2024-02-23 | 一种企业智能匹配方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117787939A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113435841A (zh) * | 2021-06-24 | 2021-09-24 | 浙江工贸职业技术学院 | 一种基于大数据的人才智能匹配招聘系统 |
CN115309998A (zh) * | 2022-10-11 | 2022-11-08 | 中教智网(北京)信息技术有限公司 | 一种基于大数据的就业推荐方法及系统 |
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 |
CN116431902A (zh) * | 2023-03-10 | 2023-07-14 | 青软创新科技集团股份有限公司 | 一种岗位推荐方法、计算设备及存储介质 |
CN116862166A (zh) * | 2023-07-04 | 2023-10-10 | 深圳找份工作科技有限公司 | 一种岗位匹配方法、装置、设备及计算机存储介质 |
-
2024
- 2024-02-23 CN CN202410203646.3A patent/CN117787939A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113435841A (zh) * | 2021-06-24 | 2021-09-24 | 浙江工贸职业技术学院 | 一种基于大数据的人才智能匹配招聘系统 |
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 |
CN115309998A (zh) * | 2022-10-11 | 2022-11-08 | 中教智网(北京)信息技术有限公司 | 一种基于大数据的就业推荐方法及系统 |
CN116431902A (zh) * | 2023-03-10 | 2023-07-14 | 青软创新科技集团股份有限公司 | 一种岗位推荐方法、计算设备及存储介质 |
CN116862166A (zh) * | 2023-07-04 | 2023-10-10 | 深圳找份工作科技有限公司 | 一种岗位匹配方法、装置、设备及计算机存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lavertu | We all need help:“Big data” and the mismeasure of public administration | |
US20190385071A1 (en) | Automated Accuracy Assessment in Tasking System | |
Manley et al. | Collaborative learning to improve the governance and performance of infrastructure projects in the construction sector | |
CN110622188A (zh) | 在基于互联网的社交网络服务中计算成员简档的排名和评级的系统和方法以及用于此的记录介质 | |
WO2017112914A2 (en) | Systems and methods for data-driven identification of talent | |
US20140089059A9 (en) | Methods and apparatus for evaluating members of a professional community | |
US10713283B2 (en) | Data set identification from attribute clusters | |
US20210357872A1 (en) | Job opening and candidate matching system | |
US20170046346A1 (en) | Method and System for Characterizing a User's Reputation | |
Howarth et al. | MOOCs to university: a consumer goal and marketing perspective | |
US20210264371A1 (en) | Systems and methods for data-driven identification of talent and pipeline matching to role | |
van Ruler | Communication planning: Agility is a game changer in strategy development | |
Xiao et al. | “Jack-of-all-trades” with passion: Keener to pursue startup in a team? | |
Mensah et al. | Total quality management in ghana: Critical success factors and model for implementation of a quality revolution | |
Yang et al. | Reputation modelling in Citizen Science for environmental acoustic data analysis | |
Clapham | Performativity, fabrication and trust: exploring computer-mediated moderation | |
US20220084151A1 (en) | System and method for determining rank | |
US20180211195A1 (en) | Method of predicting project outcomes | |
Zhai et al. | Haiti earthquake photo tagging: Lessons on crowdsourcing in-depth image classifications | |
Davis | Improving CIA analytic performance: Analysts and the policymaking process | |
Ozlen et al. | An empirical test of a contingency model of KMS effectiveness | |
CN117787939A (zh) | 一种企业智能匹配方法、装置及电子设备 | |
US20160217540A1 (en) | Determining a school rank utilizing perturbed data sets | |
Cheung et al. | A study of clients' and estimators' tolerance towards estimating errors | |
KR101887018B1 (ko) | 온라인 경영윤리 교육 시스템 및 그 교육방법 |
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 |