CN117932040B - 应用于招聘信息化系统的信息推荐方法及系统 - Google Patents

Abstract

本申请实施例提供一种应用于招聘信息化系统的信息推荐方法及系统，能够针对不同的招聘挖掘实例加载相应的挖掘引导信息，以优化对招聘信息的处理效率和准确性。至少部分招聘挖掘实例可共享全局训练知识参数，而每个招聘挖掘实例都可独享其局部训练知识参数，进一步提高了信息推荐的精准度。最后，基于所述网络和训练知识参数，对招聘挖掘实例关联的数据序列进行挖掘，从而生成对应的招聘推荐信息，由此提升了招聘信息的匹配和推荐的准确性，同时增强了对复杂和多变招聘场景的适应性。通过将全局和局部训练知识参数相结合，既保证了各个招聘挖掘实例的个性化需求，又保留了全局性的学习和推荐能力，从而提高了招聘信息化系统的整体性能。

Description

应用于招聘信息化系统的信息推荐方法及系统

技术领域

本申请涉及计算机技术领域，具体而言，涉及一种应用于招聘信息化系统的信息推荐方法及系统。

背景技术

在现代招聘信息环境中，信息化系统对于处理大量的招聘和求职数据起着至关重要的作用。这些系统需要有效地从复杂的招聘对话和求职者简历中提取有价值的信息，并据此推荐最匹配的候选人或职位。

然而，传统的招聘信息化系统面临着一些挑战。首先，由于招聘对话和求职者简历数据的复杂性和多样性，传统的招聘信息化系统可能难以准确理解和处理这些数据。其次，现有的招聘信息化系统通常缺乏针对个别招聘情况的定制化学习和推荐能力，从而可能无法为特定的招聘需求提供最优的推荐结果。

为了解决这些问题，已经有一些方法尝试通过使用机器学习技术来提高信息推荐的精准度。然而，这些方法往往只考虑了全局的训练知识，忽略了每个招聘挖掘实例可能具有的独特需求和特性。因此，如何有效地结合全局和局部的训练知识，以适应各种不同的需求，并生成更精准的推荐结果，是当前招聘信息化系统面临的一个重要问题。

发明内容

为了至少克服现有技术中的上述不足，本申请的目的在于提供一种应用于招聘信息化系统的信息推荐方法及系统。

第一方面，本申请提供一种应用于招聘信息化系统的信息推荐方法，所述方法包括：

获取候选人招聘对话数据序列和求职者简历数据序列；

依据所述候选人招聘对话数据序列和所述求职者简历数据序列，对招聘对话理解网络和求职者画像挖掘网络的训练知识信息进行知识学习，生成知识学习后的训练知识信息，所述知识学习后的训练知识信息包括K个招聘挖掘实例的K份训练知识参数，所述K份训练知识参数中的每份训练知识参数用于针对一个招聘挖掘实例为所述招聘对话理解网络和所述求职者画像挖掘网络加载挖掘引导信息，K为不小于2的正整数；所述每份训练知识参数包含全局训练知识参数和局部训练知识参数，所述K个招聘挖掘实例中至少部分招聘挖掘实例互用所述全局训练知识参数，所述K个招聘挖掘实例各自独用所述局部训练知识参数；

基于所述招聘对话理解网络、所述求职者画像挖掘网络和所述K份训练知识参数，对对应的招聘挖掘实例关联的候选人招聘对话数据序列和求职者简历数据序列进行挖掘，生成对应的招聘推荐信息。

第二方面，本申请实施例还提供一种应用于招聘信息化系统的信息推荐系统，所述应用于招聘信息化系统的信息推荐系统包括处理器和机器可读存储介质，所述机器可读存储介质中存储有计算机程序，所述计算机程序结合该处理器加载并执行以实现以上第一方面的应用于招聘信息化系统的信息推荐方法。

采用以上任意方面的技术方案，本申请实施例通过获取候选人招聘对话数据序列和求职者简历数据序列，利用招聘对话理解网络和求职者画像挖掘网络进行知识学习，并生成包含全局和局部训练知识参数的训练知识信息，能够针对不同的招聘挖掘实例加载相应的挖掘引导信息，以优化对招聘信息的处理效率和准确性。至少部分招聘挖掘实例可共享全局训练知识参数，而每个招聘挖掘实例都可独享其局部训练知识参数，进一步提高了信息推荐的精准度。最后，基于所述网络和训练知识参数，对招聘挖掘实例关联的数据序列进行挖掘，从而生成对应的招聘推荐信息，由此提升了招聘信息的匹配和推荐的准确性，同时增强了对复杂和多变招聘场景的适应性。通过将全局和局部训练知识参数相结合，既保证了各个招聘挖掘实例的个性化需求，又保留了全局性的学习和推荐能力，从而提高了招聘信息化系统的整体性能。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要启用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，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，还可以结合这些附图获得其它相关的附图。

图1为本申请实施例提供的应用于招聘信息化系统的信息推荐方法的流程示意图；

图2为本申请实施例提供的应用于招聘信息化系统的信息推荐系统的功能结构示意框图。

附图标记说明：信息推荐系统100；输入/输出设备110；处理器102；控制模块104；存储器106；NVM/存储设备108；网络接口112；指令114。

具体实施方式

以下描述是为了使本领域的普通技术人员能够实施和结合本申请，并且该描述是在特定的应用场景及其要求的环境下提供的。对于本领域的普通技术人员来讲，显然可以对所公开的实施例作出各种改变，并且在不偏离本申请的原则和范围时，本申请中所定义的普遍原则可以适用于其它实施例和应用场景。因此，本申请并不限于所描述的实施例，而应该被给予与权利要求一致的最广泛的范围。

参见图1所示，本申请提供一种应用于招聘信息化系统的信息推荐方法，包括以下步骤。

步骤S110，获取候选人招聘对话数据序列和求职者简历数据序列。

本实施例中，应用于招聘信息化系统的信息推荐作为服务器，目标是收集两类数据：候选人招聘对话数据序列和求职者简历数据序列。

候选人招聘对话数据序列：服务器从企业的招聘系统中提取与候选人的对话记录。这些对话记录可能发生在在线聊天平台、电子邮件、电话记录或视频面试中。例如，一个候选人可能询问关于工作地点的详细信息，而招聘人员则回应了具体的办公地址和交通指南。这样的候选人招聘对话数据序列提供了招聘过程中的实际交流情况。

求职者简历数据序列：服务器同时从招聘系统中获取求职者的简历数据。这些简历数据包含了求职者的教育背景、工作经验、技能和个人兴趣等信息。例如，一个求职者的简历数据可能显示他具有计算机科学学士学位，五年的软件开发经验，以及熟练掌握Java和Python等编程语言。

更详细的示例中，所述候选人招聘对话数据序列具体可以指的是在招聘过程中，候选人与招聘方（可能是招聘人员、HR、部门经理等）之间产生的对话数据，通常以文本形式存在，记录了双方交流的内容、时间、方式等信息。对话可能发生在不同的平台上，如招聘网站、即时通讯工具、邮件、电话等。这些数据序列对于分析候选人的兴趣、疑虑、期望以及招聘方的反馈和策略都非常有价值。例如，假设一个候选人通过招聘网站与招聘人员进行在线聊天，询问关于职位的具体要求、工作地点、薪资待遇等问题。招聘人员针对这些问题进行了详细的回答和解释。这一系列的问答就构成了候选人招聘对话数据序列的一部分。服务器可以收集这些对话数据，包括对话的文本内容、时间戳、参与人员等信息，并将其存储为序列形式，以便后续的分析和处理。

所述求职者简历数据序列指的是求职者在申请职位时提交的简历数据，通常以结构化或半结构化的形式存在，包含了求职者的个人信息、教育背景、工作经验、技能特长、证书荣誉等内容。简历数据是评估求职者是否符合职位要求的重要依据，也是构建求职者画像的主要数据来源。例如，一个求职者想要申请一个软件开发工程师的职位，他提交了一份包含个人基本信息（如姓名、年龄、联系方式等）、教育背景（如学历、专业、毕业时间等）、工作经验（如曾就职公司、职位、工作内容等）、技能特长（如熟练掌握的编程语言、开发工具等）以及证书荣誉（如获得的奖项、认证等）的完整简历。服务器可以收集这份简历数据，并将其存储为序列形式，以便后续的分析和处理。通过分析这份简历数据，招聘方可以了解求职者的专业背景、工作能力、发展潜力等信息，从而做出更明智的招聘决策。

由此，服务器将这些候选人招聘对话数据和求职者简历数据存储为序列形式，以便在后续步骤中进行处理和分析。

步骤S120，依据所述候选人招聘对话数据序列和所述求职者简历数据序列，对招聘对话理解网络和求职者画像挖掘网络的训练知识信息进行知识学习，生成知识学习后的训练知识信息。

本实施例中，所述知识学习后的训练知识信息包括K个招聘挖掘实例的K份训练知识参数，所述K份训练知识参数中的每份训练知识参数用于针对一个招聘挖掘实例为所述招聘对话理解网络和所述求职者画像挖掘网络加载挖掘引导信息，K为不小于2的正整数。所述每份训练知识参数包含全局训练知识参数和局部训练知识参数，所述K个招聘挖掘实例中至少部分招聘挖掘实例互用所述全局训练知识参数，所述K个招聘挖掘实例各自独用所述局部训练知识参数。

本实施例中，服务器使用之前收集的候选人招聘对话数据序列和求职者简历数据序列来训练两个网络模型：招聘对话理解网络和求职者画像挖掘网络。

其中，招聘对话理解网络是一种深度学习模型，专门设计用于理解和分析招聘过程中的对话数据，能够通过学习对话的上下文、语义和意图等信息，提取出对话中的关键内容和特征，从而为招聘决策提供支持。这个网络通常基于自然语言处理（NLP）技术构建，可以处理文本数据，并输出对话的分类、关键词、情感分析等结果。假设有一个招聘对话理解网络已经训练完成，当输入一段候选人与招聘人员的对话数据时，它能够自动分析对话内容，并识别出候选人的关注点（如薪资待遇、工作地点、职业发展等）以及招聘人员的回答和态度。基于这些信息，网络可以输出一个关于对话的总结或分类，帮助招聘人员更好地理解候选人的需求和期望，从而做出更合适的回应和决策。

所述求职者画像挖掘网络是另一种深度学习模型，用于从求职者的简历数据中挖掘出有价值的信息和特征，进而构建求职者的画像。这个网络能够处理结构化和非结构化的简历数据，提取出求职者的教育背景、工作经验、技能特长等关键信息，并通过特征工程和数据挖掘技术，将这些信息转化为可解释和可操作的画像模型。这个模型可以用于后续的招聘推荐、人才匹配等任务。例如，假设有一个求职者画像挖掘网络已经训练完成，当输入一份求职者的简历数据时，它能够自动提取出简历中的关键信息（如学历、工作经验、技能等），并根据这些信息构建一个关于求职者的求职者画像挖掘网络。这个求职者画像挖掘网络可以包含求职者的专业能力、职业倾向、发展潜力等多个维度，用于后续的职位推荐和人才匹配等任务。例如，当有一个新的职位发布时，招聘系统可以根据求职者画像模型与职位要求的匹配程度，自动推荐合适的求职者给招聘人员。

在训练过程中，服务器会根据训练知识信息不断调整这两个网络模型的参数，以提高它们的准确性和性能。所述训练知识参数是指在训练深度学习模型（如招聘对话理解网络和求职者画像挖掘网络）过程中学习到的模型参数。这些模型参数包括网络的权重、偏置等，它们决定了模型对于输入数据的响应和输出。通过优化这些模型参数，可以使得网络模型在特定的任务上达到更好的性能。训练知识参数通常是在大量数据上进行迭代训练得到的，包含了从数据中学习到的特征和模式。例如，在训练招聘对话理解网络时，服务器会使用大量的招聘对话数据作为输入，并通过反向传播等优化算法不断调整网络的权重和偏置等参数，以最小化预测输出与实际标签之间的误差。经过多轮迭代训练后，网络会逐渐学习到对话数据中的特征和模式，并能够准确地理解和分析新的对话数据。这些训练得到的权重和偏置等参数就是训练知识参数，它们被保存在模型中，用于后续的推理和预测任务。同样地，对于求职者画像挖掘网络也是如此，通过训练得到包含求职者特征的训练知识参数。训练完成后，服务器生成了知识学习后的训练知识信息。这些训练知识信息包含了K个招聘挖掘实例的K份训练知识参数。每个招聘挖掘实例都对应一个特定的招聘场景或任务，而每份训练知识参数则是针对该场景或任务优化后的网络模型参数。

这些训练知识参数包括全局训练知识参数和局部训练知识参数。全局训练知识参数是指在多个招聘挖掘实例中共享的参数，它们捕捉到的是对话和简历数据中的通用特征和模式。这些参数在所有实例中都是相同的，反映了数据的全局结构和特性。局部训练知识参数则是针对每个招聘挖掘实例独有的参数，它们反映了该目标招聘挖掘实例特有的信息和细节。这些参数在不同的实例中可能是不同的，用于捕捉数据的局部变化和特异性。

例如，假设有两个不同的招聘挖掘实例：一个是针对技术职位的招聘对话理解任务，另一个是针对销售职位的求职者画像挖掘任务。这两个招聘挖掘实例虽然都是招聘相关的任务，但它们关注的数据特征和模式可能有所不同。因此，在训练过程中，服务器会学习到一些通用的全局训练知识参数（如语言语法规则、常见职位描述等），这些参数在两个招聘挖掘实例中都是共享的。同时，每个招聘挖掘实例也会有一些独特的局部训练知识参数（如技术职位特定的技能关键词、销售职位特定的业绩指标等），这些参数只在对应的招聘挖掘实例中使用。通过这种方式，网络模型既能够学习到数据的通用特征，又能够捕捉到每个招聘挖掘实例的特有信息。

通过这种方式，服务器能够利用丰富的候选人招聘对话数据序列和求职者简历数据序列来训练出高效且适应性强的招聘对话理解网络和求职者画像挖掘网络，从而为后续的招聘决策提供有力支持。

步骤S130，基于所述招聘对话理解网络、所述求职者画像挖掘网络和所述K份训练知识参数，对对应的招聘挖掘实例关联的候选人招聘对话数据序列和求职者简历数据序列进行挖掘，生成对应的招聘推荐信息。

本实施例中，需要利用之前训练好的招聘对话理解网络和求职者画像挖掘网络，以及获得的K份训练知识参数，对每一个招聘挖掘实例关联的候选人招聘对话数据序列和求职者简历数据序列进行深入挖掘，最终生成符合当前实例需求的招聘推荐信息。

假设服务器现在要处理一个具体的招聘挖掘实例——为一家科技公司寻找合适的软件工程师候选人。这个招聘挖掘实例关联了一系列的候选人招聘对话数据序列和求职者简历数据序列。

服务器首先筛选出与这个招聘挖掘实例相关的候选人招聘对话数据序列，可能包括候选人在招聘网站上与招聘人员的聊天记录，询问了关于工作职责、技术要求、团队文化等方面的问题。同时，服务器也获取了这些候选人的简历数据序列，包括他们的教育背景、工作经验、掌握的技能等详细信息。

服务器将筛选出的招聘对话数据序列输入到招聘对话理解网络中。这个网络已经通过之前的训练，学会了如何理解招聘对话中的意图和内容。它分析对话中的关键词、情感倾向以及候选人的关注点，并输出一个结构化的对话理解结果。接着，服务器将求职者的简历数据序列输入到求职者画像挖掘网络中。这个网络能够基于简历信息，构建出一个多维度的求职者画像，包括专业技能、工作经验、教育背景等多个方面。这个画像将帮助服务器更准确地理解求职者的能力和潜力。

服务器现在将对话理解的结果和求职者画像的信息进行融合。它结合全局训练知识参数（这些参数捕捉了所有招聘对话和简历中的通用特征）和针对当前招聘挖掘实例的局部训练知识参数（这些参数反映了当前实例的特定需求和上下文），对融合后的信息进行深入分析。通过比较候选人的关注点、技能、经验等与职位要求的匹配程度，服务器生成一个初步的候选人列表，并按照匹配度进行排序。最后，服务器可能还会利用一些额外的信息（如公司文化、团队构成、地理位置等）对列表进行进一步优化，以确保推荐的候选人不仅符合职位要求，也与公司文化和团队氛围相契合。

一旦完成了所有分析和优化步骤，服务器将生成最终的招聘推荐信息。这些信息可能包括一个按匹配度排序的候选人列表、每个候选人的关键信息摘要以及他们与职位的匹配点说明等。这些信息将被发送给招聘人员或招聘系统，以辅助他们做出更明智的招聘决策。

基于以上步骤，本申请实施例通过获取候选人招聘对话数据序列和求职者简历数据序列，利用招聘对话理解网络和求职者画像挖掘网络进行知识学习，并生成包含全局和局部训练知识参数的训练知识信息，能够针对不同的招聘挖掘实例加载相应的挖掘引导信息，以优化对招聘信息的处理效率和准确性。至少部分招聘挖掘实例可共享全局训练知识参数，而每个招聘挖掘实例都可独享其局部训练知识参数，进一步提高了信息推荐的精准度。最后，基于所述网络和训练知识参数，对招聘挖掘实例关联的数据序列进行挖掘，从而生成对应的招聘推荐信息，由此提升了招聘信息的匹配和推荐的准确性，同时增强了对复杂和多变招聘场景的适应性。通过将全局和局部训练知识参数相结合，既保证了各个招聘挖掘实例的个性化需求，又保留了全局性的学习和推荐能力，从而提高了招聘信息化系统的整体性能。

在一种可能的实施方式中，所述K个招聘挖掘实例包含目标招聘挖掘实例，所述目标招聘挖掘实例的一份训练知识参数包含对话训练知识参数和简历训练知识参数。

服务器在处理招聘流程时，导入了K个不同的招聘挖掘实例，每个招聘挖掘实例都有其独特的需求和上下文。在这些招聘挖掘实例中，有一个被特别标注为目标招聘挖掘实例，这是因为该招聘挖掘实例对于当前的招聘任务尤为重要。服务器已经为这个目标招聘挖掘实例准备了一份专门的训练知识参数，包括对话训练知识参数和简历训练知识参数。

步骤S120可以包括：

步骤S121，将所述候选人招聘对话数据序列中的候选人招聘对话数据加载至所述招聘对话理解网络，生成对话意图标签，所述对话意图标签是所述招聘对话理解网络依据目标招聘挖掘实例的所述对话训练知识参数，对所述候选人招聘对话数据进行挖掘生成的对话意图向量，所述目标招聘挖掘实例为所述K个招聘挖掘实例中的一个。

服务器首先获取候选人招聘对话数据序列，记录了候选人与招聘人员之间的对话交流。服务器将这些候选人招聘对话数据加载到招聘对话理解网络中。这个招聘对话理解网络已经通过先前的训练，学会了如何识别和理解招聘对话中的意图和内容。

对于目标招聘挖掘实例，服务器使用其特有的对话训练知识参数来引导招聘对话理解网络的挖掘过程。这些对话训练知识参数是之前通过大量数据训练得到的，反映了该目标招聘挖掘实例中对话数据的独特特征和模式。在招聘对话理解网络的指导下，服务器对候选人招聘对话数据进行深入挖掘，生成了对话意图标签。这些对话意图标签是向量形式的表示，捕捉了对话中的关键意图和信息。

步骤S122，将所述求职者简历数据序列中的求职者简历数据加载至所述求职者画像挖掘网络，生成求职者画像描述向量，所述求职者画像描述向量是所述求职者画像挖掘网络依据所述目标招聘挖掘实例的所述简历训练知识参数，对所述求职者简历数据进行特征提取获得的特征向量。

接下来，服务器获取求职者简历数据序列，包含了求职者的详细信息，如教育背景、工作经验、技能等。服务器将这些求职者简历数据加载到求职者画像挖掘网络中。这个求职者画像挖掘网络的任务是从求职者简历数据中提取出有价值的特征，并构建求职者的画像。

对于目标招聘挖掘实例，服务器同样使用其特有的简历训练知识参数来引导求职者画像挖掘网络的挖掘过程。这些简历训练知识参数反映了该目标招聘挖掘实例中简历数据的独特特征和模式。在求职者画像挖掘网络的作用下，服务器对求职者简历数据进行特征提取，生成了求职者画像描述向量，所述求职者画像描述向量是求职者画像的数学表示，包含了求职者的关键信息和特征。

步骤S123，基于所述对话意图标签、所述求职者画像描述向量以及所述目标招聘挖掘实例的目标训练标签数据，对所述目标招聘挖掘实例的所述一份训练知识参数进行优化更新。

现在，服务器确定了对话意图标签和求职者画像描述向量，这两组信息分别从对话和简历两个角度刻画了候选人和求职者的特征。为了进一步提升网络模型的性能，服务器需要结合这些信息以及目标招聘挖掘实例的目标训练标签数据进行训练知识参数的优化更新。

所述目标训练标签数据是预先标注好的，用于指示在当前目标招聘挖掘实例下，哪些候选人和求职者是更合适的匹配。服务器将对话意图标签、求职者画像描述向量与目标训练标签数据一起输入到一个优化算法中（如梯度下降算法），通过不断调整训练知识参数来最小化预测结果与目标标签之间的差异。经过多轮迭代优化后，服务器得到了更新后的训练知识参数。这些参数不仅包含了从对话和简历数据中学习到的通用特征，还针对目标招聘挖掘实例的特定需求进行了优化。服务器将这些更新后的参数保存起来，以便在后续的招聘任务中继续使用。

在一种可能的实施方式中，所述招聘对话理解网络包含一组对话嵌入表示单元，所述求职者画像挖掘网络包含一组简历嵌入表示单元。

在所述目标招聘挖掘实例的一份训练知识参数中，所述全局训练知识参数包括每个对话嵌入表示单元的全局对话训练知识参数和每个简历嵌入表示单元的全局简历训练知识参数，所述局部训练知识参数包括每个对话嵌入表示单元的局部对话训练知识参数和每个简历嵌入表示单元的局部简历训练知识参数。

在服务器的招聘处理流程中，招聘对话理解网络和求职者画像挖掘网络都包含了嵌入表示单元，用于将输入数据转化为能够捕捉其关键特征的向量形式。现在，将详细描述服务器如何利用这些嵌入表示单元以及全局和局部训练知识参数来处理招聘挖掘实例。

步骤S121可以包括：

将所述候选人招聘对话数据和初始对话意图标签加载至所述一组对话嵌入表示单元，生成末个对话嵌入表示单元的嵌入表示结果，所述末个对话嵌入表示单元的嵌入表示结果包含所述对话意图标签，且是依据所述对话嵌入表示单元的全局对话训练知识参数和局部对话训练知识参数，依据所述候选人招聘对话数据的对话语义向量对所述初始对话意图标签进行更新生成的。

服务器首先获取候选人招聘对话数据序列，这些候选人招聘对话数据包含了候选人与招聘人员之间的对话内容。服务器将这些候选人招聘对话数据加载到招聘对话理解网络中，特别是加载到对话嵌入表示单元。这些嵌入表示单元的任务是将对话文本转化为能够捕捉其语义信息的向量。

在处理过程中，服务器不仅使用了全局对话训练知识参数，还结合了局部对话训练知识参数。全局对话训练知识参数是通过对大量招聘对话数据进行学习得到的，反映了招聘对话中的通用特征和模式。而局部对话训练知识参数则是针对当前目标招聘挖掘实例进行优化的，捕捉了该目标招聘挖掘实例特有的特征和需求。

服务器将候选人招聘对话数据和初始对话意图标签一起加载到对话嵌入表示单元中。初始对话意图标签是基于一些先验知识或规则生成的，它们为服务器提供了一个起点，用于理解对话中的意图。然后，服务器利用全局和局部对话训练知识参数，根据对话的语义向量对初始对话意图标签进行更新，生成新的对话意图标签。这个过程可能涉及多层的神经网络处理，最终输出的是末个对话嵌入表示单元的嵌入表示结果，这个结果包含了更新后的对话意图标签。

步骤S122可以包括：

将所述求职者简历数据加载至所述一组简历嵌入表示单元，生成末个简历嵌入表示单元表示的所述求职者画像描述向量，每个简历嵌入表示单元的嵌入表示结果是依据所述简历嵌入表示单元的全局简历训练知识参数和局部简历训练知识参数，对该简历嵌入表示单元的输入进行嵌入表示生成的。

接下来，服务器获取求职者简历数据序列，这些求职者简历数据包含了求职者的详细信息。服务器将这些求职者简历数据加载到求职者画像挖掘网络中，特别是加载到简历嵌入表示单元。这些嵌入表示单元的任务是将简历文本转化为能够捕捉其关键特征的向量。

与处理招聘对话数据类似，服务器在处理求职者简历数据时也使用了全局和局部简历训练知识参数。全局简历训练知识参数反映了大量简历数据中的通用特征和模式，而局部简历训练知识参数则针对当前目标招聘挖掘实例进行了优化。

服务器将求职者简历数据加载到简历嵌入表示单元中，并利用全局和局部简历训练知识参数对输入进行嵌入表示生成。这个过程可能涉及多层的神经网络处理，包括词向量嵌入、特征提取和向量表示等步骤。最终输出的是末个简历嵌入表示单元的嵌入表示结果，这个结果即为求职者画像描述向量。这个向量捕捉了求职者简历中的关键信息，为后续的招聘推荐提供了重要依据。

在一种可能的实施方式中，所述将所述候选人招聘对话数据和初始对话意图标签加载至所述一组对话嵌入表示单元，生成末个对话嵌入表示单元的嵌入表示结果，包括：

基于下述操作在第i个对话嵌入表示单元上执行第i个对话嵌入表示操作：

对第i-1个对话嵌入表示单元获得的对话意图标签、第i-1个对话意图标签、所述目标招聘挖掘实例在所述第i个对话嵌入表示单元上独用的所述局部对话训练知识参数、所述目标招聘挖掘实例与所述K个招聘挖掘实例中的至少部分招聘挖掘实例在所述第i个对话嵌入表示单元互用的所述全局对话训练知识参数执行所述第i个对话嵌入表示操作，生成所述第i个对话嵌入表示单元获得的对话意图标签和对话意图标签，所述第i个对话嵌入表示单元获得的所述对话意图标签是基于所述第i个对话嵌入表示单元获得的对话意图标签，对第i-1个对话意图标签进行更新生成的，当i为2时，所述第i-1个对话意图标签为初始对话意图标签，所述一组对话嵌入表示单元包括所述第i个对话嵌入表示单元和所述第i-1个对话嵌入表示单元，i为不小于2的正整数。

服务器在处理招聘流程中的对话数据时，会使用一系列对话嵌入表示单元来逐步提取和精炼对话中的意图信息。这些嵌入表示单元以层级的方式组织，每个嵌入表示单元都负责在其输入的基础上生成更高级的嵌入表示结果。现在，将详细描述服务器如何在第i个对话嵌入表示单元上执行操作。

服务器首先获取第i-1个对话嵌入表示单元输出的对话意图标签。这个对话意图标签是一个向量，捕捉了到目前为止对话中的关键意图信息。

当i为2时，即在当前是第二个对话嵌入表示单元的情况下，服务器会使用初始对话意图标签作为输入。这个初始对话意图标签可能是基于一些先验知识或规则生成的，为处理流程提供了一个起点。

服务器还准备了目标招聘挖掘实例在第i个对话嵌入表示单元上独用的局部对话训练知识参数。这些参数是通过对目标招聘挖掘实例的特定数据进行训练得到的，反映了该目标招聘挖掘实例的独特特征和需求。

此外，服务器还获取了目标招聘挖掘实例与K个招聘挖掘实例中的至少部分目标招聘挖掘实例在第i个对话嵌入表示单元上互用的全局对话训练知识参数。这些全局对话训练知识参数是通过在更广泛的数据集上进行训练得到的，反映了招聘对话中的通用特征和模式。

服务器将上述输入数据（包括第i-1个对话意图标签、局部对话训练知识参数和全局对话训练知识参数）加载到第i个对话嵌入表示单元中。在这个对话嵌入表示单元内部，可能会执行一系列复杂的数学运算和神经网络处理步骤，以根据输入数据生成新的嵌入表示结果。这些运算可能包括矩阵乘法、非线性激活函数的应用以及权重和偏置的调整等。

通过这些运算，第i个对话嵌入表示单元能够捕捉到对话中更深层次的语义信息和意图结构，并将其编码为一个新的对话意图标签。这个新标签不仅包含了之前单元的信息，还根据当前单元的输入和训练知识参数进行了更新和精炼。

最终，服务器从第i个对话嵌入表示单元中获得了一个新的对话意图标签。这个新的对话意图标签是一个向量表示，捕捉了到目前为止对话中的关键意图信息，并为后续的招聘推荐提供了重要依据。服务器还将这个新生成的对话意图标签传递给下一个对话嵌入表示单元（如果存在的话），以便在更高层次上进一步提取和精炼对话中的意图信息。通过这种方式，服务器能够逐步构建出一个完整且精确的招聘对话理解模型。

所述将所述求职者简历数据加载至所述一组简历嵌入表示单元，生成末个简历嵌入表示单元表示的所述求职者画像描述向量，包括：

基于下述操作在第i个简历嵌入表示单元上执行第i个简历嵌入表示操作：

对第i-1个简历嵌入表示单元获得的第i-1个求职者画像描述向量、所述目标招聘挖掘实例在所述第i个简历嵌入表示单元独用的所述局部简历训练知识参数、所述目标招聘挖掘实例与所述K个招聘挖掘实例中的至少部分招聘挖掘实例在所述第i个简历嵌入表示单元互用的所述全局简历训练知识参数执行所述第i个简历嵌入表示操作，生成所述第i个简历嵌入表示单元获得的第i个求职者画像描述向量。

在服务器的求职者处理流程中，当需要对求职者的简历进行深入分析以生成其画像描述向量时，会利用一组简历嵌入表示单元。这些简历嵌入表示单元以层级的方式工作，逐步从简历数据中提取和精炼关键信息。现在，将详细描述服务器如何在第i个简历嵌入表示单元上执行这一操作。

服务器首先获取第i-1个简历嵌入表示单元输出的求职者画像描述向量。这个求职者画像描述向量是一个经过编码的表示，捕捉了到目前为止从简历中提取的关键特征和信息。服务器还准备了目标招聘挖掘实例在第i个简历嵌入表示单元上独用的局部简历训练知识参数。这些局部简历训练知识参数是通过对目标实例的特定简历数据进行训练得到的，反映了该实例中求职者的独特特征和需求。

此外，服务器获取了目标招聘挖掘实例与K个招聘挖掘实例中的至少部分实例在第i个简历嵌入表示单元上互用的全局简历训练知识参数。这些参数是通过在更广泛的简历数据集上进行训练得到的，反映了求职者简历中的通用特征和模式。

服务器将上述输入数据（包括第i-1个求职者画像描述向量、局部简历训练知识参数和全局简历训练知识参数）加载到第i个简历嵌入表示单元中。在这个简历嵌入表示单元内部，会执行一系列复杂的数学运算和神经网络处理步骤，以根据输入数据生成新的嵌入表示结果。这些运算可能包括权重矩阵的乘法、激活函数的应用以及偏置项的调整等，以捕捉简历中的更深层次特征和信息。通过这些运算，第i个简历嵌入表示单元能够生成一个新的求职者画像描述向量。这个新的求职者画像描述向量不仅包含了之前简历嵌入表示单元的信息，还根据当前简历嵌入表示单元的输入和训练知识参数进行了更新和精炼，以更准确地描述求职者的特征和适合性。

最终，服务器从第i个简历嵌入表示单元中获得了一个新的求职者画像描述向量。这个新的求职者画像描述向量是一个高维空间的表示，捕捉了求职者简历中的关键信息，如教育背景、工作经验、技能等，并为后续的招聘决策和推荐提供了重要依据。如果存在更多的简历嵌入表示单元，服务器会将这个新生成的求职者画像描述向量传递给下一个单元，以便在更高层次上进一步提取和精炼简历中的信息。通过这种方式，服务器能够逐步构建出一个完整且精确的求职者画像挖掘网络。

在一种可能的实施方式中，步骤S123可以包括：

步骤S1231，确定末个对话嵌入表示单元获得的对话意图标签在对话隐含特征域中的对话意图向量，所述对话隐含特征域是所述招聘对话理解网络所在的特征域。

服务器在执行招聘流程中的关键步骤时，会根据招聘对话的意图标签和求职者画像的描述向量，结合目标招聘挖掘实例的训练标签数据，对训练知识参数进行优化更新。这个过程旨在提高招聘推荐的准确性和效率。

服务器首先获取末个对话嵌入表示单元输出的对话意图标签。这个对话意图标签已经捕捉了招聘对话中的关键意图信息。服务器将这个对话意图标签映射到对话隐含特征域中，确定一个对应的对话意图向量。对话隐含特征域是招聘对话理解网络所在的特征空间，其中包含了与招聘对话相关的各种隐含特征和模式。通过将对话意图标签转换为向量形式，服务器能够更方便地进行数学运算和比较，以进一步分析对话的意图和内容。

步骤S1232，确定所述末个简历嵌入表示单元获得的所述求职者画像描述向量在简历隐含特征域中的求职者简历匹配向量，所述简历隐含特征域是所述求职者画像挖掘网络所在的特征域。

服务器获取末个简历嵌入表示单元输出的求职者画像描述向量。这个求职者画像描述向量已经捕捉了求职者简历中的关键特征和信息。服务器将这个求职者画像描述向量映射到简历隐含特征域中，确定一个对应的求职者简历匹配向量。简历隐含特征域是求职者画像挖掘网络所在的特征空间，其中包含了与求职者简历相关的各种隐含特征和模式。通过将求职者画像描述向量转换为匹配向量形式，服务器能够更准确地评估求职者与招聘职位的匹配程度。

步骤S1233，基于所述对话意图向量和所述求职者简历匹配向量，确定目标招聘推荐预测数据。

服务器结合对话意图向量和求职者简历匹配向量，利用某种算法（如机器学习模型或深度学习网络）确定目标招聘推荐预测数据。这些目标招聘推荐预测数据是根据当前招聘对话和求职者简历的匹配程度生成的预测结果。预测数据可能包括候选人的适合程度、推荐职位列表、薪资预期等，为招聘人员提供决策支持。

步骤S1234，基于所述目标招聘推荐预测数据和所述目标训练标签数据，确定目标训练代价参数，所述目标招聘推荐预测数据是与所述候选人招聘对话数据、所述求职者简历数据和所述目标招聘挖掘实例对应的预测结果，所述目标训练标签数据是与所述候选人招聘对话数据、所述求职者简历数据和所述目标招聘挖掘实例对应的招聘推荐标注数据。

服务器获取与当前招聘对话数据、求职者简历数据和目标招聘挖掘实例对应的目标训练标签数据。这些目标训练标签数据是事先标注好的招聘推荐结果，用于监督学习过程。服务器将目标招聘推荐预测数据与目标训练标签数据进行比较，计算两者之间的差异或误差，并确定一个目标训练代价参数。这个目标训练代价参数反映了当前模型在预测上的准确性。

步骤S1235，在所述目标训练代价参数不符合网络收敛要求时，对所述一份训练知识参数中的至少部分训练知识参数进行优化更新。

当目标训练代价参数不符合网络收敛要求（即误差较大或未达到预定阈值）时，服务器会对一份训练知识参数中的至少部分参数进行优化更新。这些参数可能包括权重矩阵、偏置项等神经网络中的可学习参数。

优化更新的过程可能涉及梯度下降算法、反向传播等技术，以调整网络参数，使得模型在下次预测时能够更准确地匹配招聘对话和求职者简历，提高招聘推荐的准确性和效率。

通过以上步骤，服务器能够不断地优化招聘推荐模型，提升对招聘对话和求职者简历的理解能力，为招聘人员提供更精准、个性化的推荐服务。

在一种可能的实施方式中，步骤S1233可以包括：

步骤S1233-1，在所述目标招聘挖掘实例对应H个招聘推荐预测类别时，确定所述对话意图向量与H个求职者简历匹配向量之间的H个特征距离，所述H个求职者简历匹配向量包括所述求职者简历数据的简历知识属性为所述H个招聘推荐预测类别中的每个招聘推荐预测类别时的招聘推荐预测数据，所述H个特征距离包括通过对所述对话意图向量与 H个求职者简历匹配向量分别进行欧式距离计算生成的特征距离，H为不小于2的正整数。

本实施例中，服务器需要基于对话意图和求职者简历的匹配程度来确定最合适的招聘推荐预测数据。当存在多个可能的招聘推荐预测类别时，服务器会执行一系列操作来找到最佳的匹配。

服务器首先确定目标招聘挖掘实例对应有H个招聘推荐预测类别。这些类别可能是不同的职位、薪资水平、工作地点等，具体取决于招聘流程和需求。对于每个招聘推荐预测类别，服务器都有一个与之对应的求职者简历匹配向量。这些向量是根据求职者简历数据中的简历知识属性（如教育背景、工作经验、技能等）生成的，并已经映射到简历隐含特征域中。

服务器将对话意图向量与这H个求职者简历匹配向量分别进行比较，计算它们之间的特征距离。这里的特征距离可以采用欧式距离来计算，它衡量了向量在空间中的实际距离，用于评估对话意图与求职者简历之间的相似度或匹配程度。通过计算，服务器得到了H个特征距离，每个距离都对应一个招聘推荐预测类别。

步骤S1233-2，将所述H个特征距离中最小的特征距离所对应的所述求职者简历匹配向量输出为所述目标招聘推荐预测数据。

在得到H个特征距离后，服务器会比较这些距离，找出其中最小的特征距离。最小的特征距离意味着对话意图与某个求职者简历匹配向量之间的相似度最高，即求职者与该招聘推荐预测类别的匹配程度最高。

服务器将最小特征距离所对应的求职者简历匹配向量输出为目标招聘推荐预测数据。这些数据代表了根据当前对话意图和求职者简历信息，服务器认为最符合的招聘推荐结果。

通过这种方式，服务器能够基于对话意图和求职者简历的匹配程度，从多个可能的招聘推荐预测类别中找出最佳的匹配，为招聘人员提供更准确、个性化的推荐服务。同时，这种方法也充分考虑了招聘对话中的隐含意图和求职者简历中的关键信息，提高了招聘推荐的准确性和效率。

在一种可能的实施方式中，在步骤S120之前，所述方法还包括：

步骤A110，将所述K个招聘挖掘实例对应的K份候选人招聘对话数据加载至所述招聘对话理解网络，生成K份对话意图向量，所述候选人招聘对话数据序列包括所述K份候选人招聘对话数据。

服务器首先将K个招聘挖掘实例对应的K份候选人招聘对话数据加载到招聘对话理解网络中。这个过程涉及将对话数据输入到招聘对话理解网络中，并经过一系列处理步骤，生成K份对话意图向量。这些对话意图向量捕捉了候选人招聘对话中的关键意图和信息。

步骤A120，将K份求职者简历数据加载至所述求职者画像挖掘网络，生成K份求职者简历匹配向量，所述求职者简历数据序列包括所述K份求职者简历数据。

类似地，服务器将K份求职者简历数据加载到求职者画像挖掘网络中，生成K份求职者简历匹配向量。这些求职者简历匹配向量反映了求职者简历中的关键特征和信息，用于后续的匹配和推荐过程。

步骤A130，基于所述K份对话意图向量和所述K份求职者简历匹配向量，确定K份目标招聘推荐预测数据，所述K份目标招聘推荐预测数据中的第x份目标招聘推荐预测数据是对第x份候选人招聘对话数据中的候选人招聘对话数据和第x份求职者简历数据中的求职者简历数据执行第x个招聘挖掘实例生成的招聘推荐预测数据。

基于生成的K份对话意图向量和K份求职者简历匹配向量，服务器确定K份目标招聘推荐预测数据。这意味着服务器将每个对话意图向量与相应的求职者简历匹配向量进行匹配，并生成预测结果。这些预测数据是根据当前对话和简历信息推断出的最可能的招聘推荐结果。

步骤A140，基于所述K份目标招聘推荐预测数据和K份先验标注数据，确定K份目标训练代价参数，所述K份目标训练代价参数中的第x份目标训练代价参数是基于所述K份目标招聘推荐预测数据中的第x份招聘推荐预测数据和所述K份先验标注数据中的第x份先验标注数据确定出的训练代价参数，所述第x份先验标注数据表征所述第x份候选人招聘对话数据中的每个候选人招聘对话数据的招聘理解标签。

为了评估预测数据的准确性，服务器需要将其与先验标注数据进行比较。因此，服务器基于K份目标招聘推荐预测数据和K份先验标注数据确定K份目标训练代价参数。这些参数反映了预测数据与真实标注数据之间的差异或误差。每个招聘挖掘实例都有一个与之关联的目标训练代价参数，用于衡量该实例在预测过程中的性能。

步骤A150，基于所述K份目标训练代价参数，对所述K个招聘挖掘实例进行聚簇，同一个分簇内的所有招聘挖掘实例互用所述全局训练知识参数。

最后，服务器根据K份目标训练代价参数对K个招聘挖掘实例进行聚簇。聚簇的目的是将具有相似性能或训练需求的实例分组在一起，以便在后续的知识学习过程中共享全局训练知识参数。通过这种方式，服务器能够更有效地利用数据资源，提高知识学习的效率和准确性。同一个分簇内的所有招聘挖掘实例将互用全局训练知识参数，这意味着它们在训练过程中将共享相同的参数集，从而加速学习进程并提升模型的泛化能力。

通过以上步骤，服务器完成了对招聘对话理解网络和求职者画像挖掘网络的初步准备工作，为后续的知识学习和招聘推荐奠定了坚实的基础。这些步骤确保了服务器能够充分利用对话和简历信息，提供准确、高效的招聘推荐服务。

在一种可能的实施方式中，步骤A150可以包括：

步骤A151，基于所述K份目标训练代价参数，分别确定所述K个招聘挖掘实例中每两个招聘挖掘实例之间的倾向趋同性。

本实施例中，对招聘挖掘实例进行聚簇是一个重要步骤。聚簇的目的是根据实例之间的相似性将它们分组，以便更有效地进行知识学习和参数共享。现在，将详细描述服务器如何基于目标训练代价参数对招聘挖掘实例进行聚簇。

服务器首先基于K份目标训练代价参数，分别计算K个招聘挖掘实例中每两个招聘挖掘实例之间的倾向趋同性。倾向趋同性是一个衡量两个招聘挖掘实例在训练过程中表现相似程度的指标，可以通过比较两个招聘挖掘实例的目标训练代价参数来计算，例如使用欧氏距离、余弦相似度等方法。对于每对招聘挖掘实例，服务器计算它们之间的倾向趋同性得分。这个得分反映了两个招聘挖掘实例在训练过程中的相似程度，得分越高表示它们越相似，越有可能被分到同一个簇中。

步骤A152，基于所述K个招聘挖掘实例中每两个招聘挖掘实例之间的倾向趋同性，对所述K个招聘挖掘实例进行聚簇。

在确定每对实例之间的倾向趋同性得分后，服务器开始执行聚簇算法。聚簇算法可以根据得分将相似的实例聚集在一起，形成不同的簇。常用的聚簇算法包括K-means、层次聚簇等。在聚簇过程中，服务器会根据倾向趋同性得分将K个招聘挖掘实例分为多个簇。每个簇内的实例具有相似的训练代价参数和表现，因此可以共享全局训练知识参数。这样做可以提高训练效率，同时确保每个簇内的实例都能得到良好的训练效果。聚簇完成后，服务器将每个簇内的招聘挖掘实例标记为同一个组，并为每个组分配全局训练知识参数。这些参数将在后续的知识学习过程中被共享和优化，以提升整个招聘推荐系统的性能。

通过以上步骤，服务器成功地将K个招聘挖掘实例进行了聚簇处理。这种处理方法有助于服务器更有效地利用数据资源，提高知识学习的效率和准确性。同时，通过共享全局训练知识参数，服务器能够加速学习进程并提升模型的泛化能力，为招聘推荐提供更有力的支持。

在一种可能的实施方式中，步骤A151可以包括：

基于下述操作确定所述K个招聘挖掘实例中的第x个招聘挖掘实例和第y个招聘挖掘实例之间的倾向趋同性，x、y为不小于1、且不大于K的正整数：

确定所述第x个招聘挖掘实例对应的训练代价参数相对于所述K个招聘挖掘实例互用的一份整体互用训练知识参数逆向传播的第x个误差变化率，以及确定所述第y个招聘挖掘实例对应的训练代价参数相对于所述K个招聘挖掘实例互用的一份整体互用训练知识参数逆向传播的第y个误差变化率，将所述第x个误差变化率和所述第y个误差变化率之间的乘积输出为所述第x个招聘挖掘实例和所述第y个招聘挖掘实例之间的倾向趋同性。

本实施例中，服务器需要对K个招聘挖掘实例进行聚簇，以根据它们的相似性来优化训练过程。倾向趋同性是衡量两个招聘挖掘实例之间相似性的关键指标，基于每个招聘挖掘实例在训练过程中误差变化率的表现来计算。现在，将详细描述服务器如何确定任意两个招聘挖掘实例（第x个和第y个）之间的倾向趋同性。

服务器首先关注第x个招聘挖掘实例和第y个招聘挖掘实例的训练代价参数。这些训练代价参数反映了每个招聘挖掘实例在训练过程中的性能表现。

对于第x个招聘挖掘实例，服务器计算其训练代价参数相对于K个招聘挖掘实例共享的整体互用训练知识参数的逆向传播误差变化率。这个误差变化率衡量了当调整整体互用训练知识参数时，第x个招聘挖掘实例的训练代价参数如何变化。具体来说，服务器通过计算训练代价参数对整体互用训练知识参数的梯度（即误差变化率）来得到这个值。

类似地，服务器也为第y个招聘挖掘实例计算其训练代价参数相对于整体互用训练知识参数的逆向传播误差变化率。

一旦服务器获得了第x个和第y个招聘挖掘实例的误差变化率，就可以计算这两个招聘挖掘实例之间的倾向趋同性。倾向趋同性是通过将两个招聘挖掘实例的误差变化率相乘来得到的。如果两个招聘挖掘实例的误差变化率相似（即它们的符号相同且数值接近），则它们的乘积将是一个较大的正数，表明这两个招聘挖掘实例在训练过程中具有相似的变化趋势，因此具有较高的倾向趋同性。服务器将计算出的倾向趋同性值存储起来，用于后续的聚簇算法中。在聚簇时，具有高倾向趋同性的实例更有可能被分到同一个簇中，因为它们在训练过程中的表现相似，共享全局训练知识参数可能会带来更好的效果。

通过以上步骤，服务器能够准确地计算出任意两个招聘挖掘实例之间的倾向趋同性，为后续的聚簇和知识学习提供有力支持。这种基于误差变化率的倾向趋同性计算方法有助于服务器发现训练过程中的相似性模式，并据此优化模型的训练效果。

在一种可能的实施方式中，步骤A152可以包括：

基于下述操作确定聚簇后的第z份招聘挖掘实例和第j份招聘挖掘实例，z、j为不小于1的正整数：

步骤A1521，将所述K个招聘挖掘实例中每两个招聘挖掘实例之间的倾向趋同性均不小于第一门限值的多个招聘挖掘实例输出为所述第z份招聘挖掘实例。

步骤A1522，将所述K个招聘挖掘实例中每两个招聘挖掘实例之间的倾向趋同性均不小于第二门限值、且均小于所述第一门限值的多个招聘挖掘实例输出为所述第j份招聘挖掘实例。

本实施例中，服务器已经计算出了K个招聘挖掘实例中每两个招聘挖掘实例之间的倾向趋同性。现在，服务器将根据这些倾向趋同性值对K个招聘挖掘实例进行聚簇，以便将相似的招聘挖掘实例分组在一起。以下是服务器执行聚簇操作的详细步骤。

在进行聚簇之前，服务器需要设置两个门限值：第一门限值和第二门限值。这些门限值用于确定招聘挖掘之间的相似程度，从而决定它们是否应该被分到同一个簇中。第一门限值通常设置得较高，用于识别非常相似的实例；第二门限值则相对较低，用于识别相似但程度稍逊的实例。

服务器首先遍历K个招聘挖掘实例中每两个招聘挖掘实例之间的倾向趋同性值。对于每对实例，如果它们的倾向趋同性不小于第一门限值，这意味着这两个招聘挖掘实例在训练过程中的表现非常相似。

服务器将这些高度相似的实例归为一组，并标记为第z份招聘挖掘实例。这些招聘挖掘实例在训练过程中可能具有相似的误差变化率和性能表现，因此共享全局训练知识参数可能会带来显著的效果提升。

接下来，服务器继续遍历剩余的招聘挖掘实例对。对于每对招聘挖掘实例，如果它们的倾向趋同性不小于第二门限值且小于第一门限值，这意味着这两个招聘挖掘实例在训练过程中表现出一定的相似性，但相似程度略低于第一组实例。服务器将这些相似但程度稍逊的招聘挖掘实例归为一组，并标记为第j份招聘挖掘实例。这些招聘挖掘实例虽然可能不如第一组实例那样高度相似，但它们之间仍然存在一定的共享学习潜力。

通过上述步骤，服务器成功地将K个招聘挖掘实例分为至少两组（即第z份和第j份招聘挖掘实例）。每组内的实例在训练过程中表现出相似的性能趋势和误差变化模式，因此可以共享全局训练知识参数以加速学习进程并提高模型性能。

需要注意的是，根据实际的倾向趋同性分布和门限值设置，服务器可能会识别出更多的聚簇组别。每个组别内的实例数量也可能因相似性的不同而有所差异。此外，为了确保聚簇的有效性，服务器可能需要定期更新门限值或采用更先进的聚簇算法来适应不同场景下的数据分布变化。

通过以上步骤，服务器能够基于倾向趋同性对招聘挖掘实例进行有效的聚簇处理。这种处理方法有助于发现训练过程中的相似性模式并利用这些模式来优化模型的训练效果。同时，通过共享全局训练知识参数，服务器可以进一步提高招聘推荐系统的性能和效率。

在一种可能的实施方式中，所述基于所述招聘对话理解网络、所述求职者画像挖掘网络和所述K份训练知识参数，对对应的招聘挖掘实例关联的候选人招聘对话数据序列和求职者简历数据序列进行挖掘，生成对应的招聘推荐信息的步骤，包括：

将所述招聘对话理解网络、所述求职者画像挖掘网络和所述K份训练知识参数，集成输出为K个招聘挖掘实例网络，并基于所述K个招聘挖掘实例网络对对应的招聘挖掘实例关联的候选人招聘对话数据序列和求职者简历数据序列进行挖掘，生成对应的招聘推荐信息，所述K个招聘挖掘实例网络中的第j个招聘挖掘实例网络包括所述招聘对话理解网络、所述求职者画像挖掘网络和所述K份训练知识参数中的第j份训练知识参数，所述第j份训练知识参数包括所述全局训练知识参数和所述局部训练知识参数，所述第j份训练知识参数包括所述全局训练知识参数和所述局部训练知识参数。

本实施例中，服务器利用已经构建的招聘对话理解网络、求职者画像挖掘网络和K份训练知识参数，对与每个招聘挖掘实例相关联的候选人招聘对话数据序列和求职者简历数据序列进行深入挖掘，以生成精确且有针对性的招聘推荐信息。以下是服务器执行这一步骤的详细过程。

服务器首先将招聘对话理解网络、求职者画像挖掘网络和K份训练知识参数集成为K个招聘挖掘实例网络。每个招聘挖掘实例网络都是独立的，但共享相同的网络结构和一部分训练知识参数。第j个招聘挖掘实例网络包括招聘对话理解网络、求职者画像挖掘网络和第j份训练知识参数。这份训练知识参数是全局训练知识参数和局部训练知识参数的组合，它们共同构成了该招聘挖掘实例网络的训练基础。

服务器针对每个招聘挖掘实例关联的候选人招聘对话数据序列和求职者简历数据序列进行挖掘。这些数据序列包含了丰富的信息，如候选人的沟通风格、技能水平、求职者的教育背景、工作经验等。通过招聘对话理解网络，服务器能够分析候选人在招聘对话中表达的意图、情感态度和关键信息，从而更准确地理解他们的需求和期望。同时，求职者画像挖掘网络则对求职者的简历数据进行深度解析，提取出关键特征并构建求职者画像，以便服务器能够更全面地了解求职者的能力和潜力。

在完成数据序列挖掘后，服务器结合从招聘对话和求职者简历中提取的信息，以及第j份训练知识参数中包含的全局和局部知识，生成对应的招聘推荐信息。这些推荐信息可能包括针对特定职位的候选人匹配度评分、求职者与职位的匹配建议、面试邀请名单等，旨在帮助招聘人员更高效地筛选候选人并做出决策。

服务器不断监控招聘推荐信息的准确性和有效性，并根据实际反馈进行必要的优化和迭代。如果某个招聘挖掘实例网络的性能不佳，服务器可以调整其训练知识参数或网络结构以提高性能。通过这种方式，服务器能够持续改进招聘推荐系统的质量和效率，为招聘人员和求职者提供更优质、更个性化的服务体验。

由此，服务器通过集成招聘对话理解网络、求职者画像挖掘网络和训练知识参数，构建出强大的招聘挖掘实例网络来对候选人和求职者的数据进行深入挖掘和分析。这不仅提高了招聘流程的效率和准确性，还为招聘人员和求职者带来了更便捷、更智能的招聘体验。

图2示意性地示出了可被用于实现本申请中所述的各个实施例的应用于招聘信息化系统的信息推荐系统100。

对于一个实施例，图2示出了应用于招聘信息化系统的信息推荐系统100，该应用于招聘信息化系统的信息推荐系统100具有多个处理器102、被耦合到(多个)处理器102中的一个或多个的控制模块(芯片组)104、被耦合到控制模块104的存储器106、被耦合到控制模块104的非易失性存储器(NVM)/存储设备108、被耦合到控制模块104的多个输入/输出设备110，以及被耦合到控制模块104的网络接口112。

处理器102可包括多个单核或多核处理器，处理器102可包括通用处理器或专用处理器(例如图形处理器、应用处理器、基频处理器等)的任意组合。一些可替代的实施方式中，应用于招聘信息化系统的信息推荐系统100能够作为本申请实施例中所述网关等服务器设备。

一些可替代的实施方式中，应用于招聘信息化系统的信息推荐系统100可包括具有指令114的多个计算机可读介质(例如，存储器106或NVM/存储设备108)和与该多个计算机可读介质相合并被配置为执行指令114以实现模块从而执行本公开中所述的动作的多个处理器102。

对于一个实施例，控制模块104可包括任意适当的接口控制器，以向(多个)处理器102中的一个或多个和/或与控制模块104通信的任意适当的设备或组件提供任意适当的接口。

控制模块104可包括存储器控制器模块，以向存储器106提供接口。存储器控制器模块可以是硬件模块、软件模块和/或固件模块。

存储器106可被用于例如为应用于招聘信息化系统的信息推荐系统100加载和存储数据和/或指令114。对于一个实施例，存储器106可包括任意适当的易失性存储器，例如，适当的DRAM。一些可替代的实施方式中，存储器106可包括双倍数据速率类型四同步动态随机存取存储器。

对于一个实施例，控制模块104可包括多个输入/输出控制器，以向NVM/存储设备108及(多个)输入/输出设备110提供接口。

例如，NVM/存储设备108可被用于存储数据和/或指令114。NVM/存储设备108可包括任意适当的非易失性存储器(例如，闪存)和/或可包括任意适当的(多个)非易失性存储设备。

NVM/存储设备108可包括在物理上作为应用于招聘信息化系统的信息推荐系统100被安装在其上的设备的一部分的存储资源，或者其可被该设备访问可不必作为该设备的一部分。例如，NVM/存储设备108可结合网络经由(多个)输入/输出设备110进行访问。

(多个)输入/输出设备110可为应用于招聘信息化系统的信息推荐系统100提供接口以与任意其它适当的设备通信。网络接口112可为应用于招聘信息化系统的信息推荐系统100提供接口以依据多个网络通信，应用于招聘信息化系统的信息推荐系统100可依据多个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的多个组件进行无线通信，例如接入依据通信标准的无线网络，如WiFi、2G、3G、4G、5G等，或它们的组合进行无线通信。

对于一个实施例，(多个)处理器102中的一个或多个可与控制模块104的多个控制器(例如，存储器控制器模块)的逻辑封装在一起。对于一个实施例，(多个)处理器102中的一个或多个可与控制模块104的多个控制器的逻辑封装在一起以形成系统级封装。对于一个实施例，(多个)处理器102中的一个或多个可与控制模块104的多个控制器的逻辑集成在同一模具上。对于一个实施例，(多个)处理器102中的一个或多个可与控制模块104的多个控制器的逻辑集成在同一模具上以形成片上系统。

在各个实施例中，应用于招聘信息化系统的信息推荐系统100可以但不限于是：台式计算设备或移动计算设备(例如，膝上型计算设备、手持计算设备、平板电脑、上网本等)等终端设备。在各个实施例中，应用于招聘信息化系统的信息推荐系统100可具有更多或更少的组件和/或不同的架构。例如，一些可替代的实施方式中，应用于招聘信息化系统的信息推荐系统100包括多个摄像机、键盘、液晶显示器屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用集成电路和扬声器。

以上对本申请进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (9)

1.一种应用于招聘信息化系统的信息推荐方法，其特征在于，所述方法包括：

获取候选人招聘对话数据序列和求职者简历数据序列；

依据所述候选人招聘对话数据序列和所述求职者简历数据序列，对招聘对话理解网络和求职者画像挖掘网络的训练知识信息进行知识学习，生成知识学习后的训练知识信息，所述知识学习后的训练知识信息包括K个招聘挖掘实例的K份训练知识参数，所述K份训练知识参数中的每份训练知识参数用于针对一个招聘挖掘实例为所述招聘对话理解网络和所述求职者画像挖掘网络加载挖掘引导信息，K为不小于2的正整数；所述每份训练知识参数包含全局训练知识参数和局部训练知识参数，所述K个招聘挖掘实例中至少部分招聘挖掘实例互用所述全局训练知识参数，所述K个招聘挖掘实例各自独用所述局部训练知识参数；

基于所述招聘对话理解网络、所述求职者画像挖掘网络和所述K份训练知识参数，对对应的招聘挖掘实例关联的候选人招聘对话数据序列和求职者简历数据序列进行挖掘，生成对应的招聘推荐信息；

所述K个招聘挖掘实例包含目标招聘挖掘实例，所述目标招聘挖掘实例的一份训练知识参数包含对话训练知识参数和简历训练知识参数；

所述依据所述候选人招聘对话数据序列和所述求职者简历数据序列，对招聘对话理解网络和求职者画像挖掘网络的训练知识信息进行知识学习，包括：

将所述候选人招聘对话数据序列中的候选人招聘对话数据加载至所述招聘对话理解网络，生成对话意图标签，所述对话意图标签是所述招聘对话理解网络依据目标招聘挖掘实例的所述对话训练知识参数，对所述候选人招聘对话数据进行挖掘生成的对话意图向量，所述目标招聘挖掘实例为所述K个招聘挖掘实例中的一个；

将所述求职者简历数据序列中的求职者简历数据加载至所述求职者画像挖掘网络，生成求职者画像描述向量，所述求职者画像描述向量是所述求职者画像挖掘网络依据所述目标招聘挖掘实例的所述简历训练知识参数，对所述求职者简历数据进行特征提取获得的特征向量；

基于所述对话意图标签、所述求职者画像描述向量以及所述目标招聘挖掘实例的目标训练标签数据，对所述目标招聘挖掘实例的所述一份训练知识参数进行优化更新。

2.根据权利要求1所述的应用于招聘信息化系统的信息推荐方法，其特征在于，所述招聘对话理解网络包含一组对话嵌入表示单元，所述求职者画像挖掘网络包含一组简历嵌入表示单元；

在所述目标招聘挖掘实例的一份训练知识参数中，所述全局训练知识参数包括每个对话嵌入表示单元的全局对话训练知识参数和每个简历嵌入表示单元的全局简历训练知识参数，所述局部训练知识参数包括每个对话嵌入表示单元的局部对话训练知识参数和每个简历嵌入表示单元的局部简历训练知识参数；

所述将所述候选人招聘对话数据序列中的候选人招聘对话数据加载至所述招聘对话理解网络，生成对话意图标签，包括：

将所述候选人招聘对话数据和初始对话意图标签加载至所述一组对话嵌入表示单元，生成末个对话嵌入表示单元的嵌入表示结果，所述末个对话嵌入表示单元的嵌入表示结果包含所述对话意图标签，且是依据所述对话嵌入表示单元的全局对话训练知识参数和局部对话训练知识参数，依据所述候选人招聘对话数据的对话语义向量对所述初始对话意图标签进行更新生成的；

所述将所述求职者简历数据序列中的求职者简历数据加载至所述求职者画像挖掘网络，生成求职者画像描述向量，包括：

将所述求职者简历数据加载至所述一组简历嵌入表示单元，生成末个简历嵌入表示单元表示的所述求职者画像描述向量，每个简历嵌入表示单元的嵌入表示结果是依据所述简历嵌入表示单元的全局简历训练知识参数和局部简历训练知识参数，对该简历嵌入表示单元的输入进行嵌入表示生成的。

3.根据权利要求2所述的应用于招聘信息化系统的信息推荐方法，其特征在于，所述将所述候选人招聘对话数据和初始对话意图标签加载至所述一组对话嵌入表示单元，生成末个对话嵌入表示单元的嵌入表示结果，包括：

基于下述操作在第i个对话嵌入表示单元上执行第i个对话嵌入表示操作：

对第i-1个对话嵌入表示单元获得的对话意图标签、第i-1个对话意图标签、所述目标招聘挖掘实例在所述第i个对话嵌入表示单元上独用的所述局部对话训练知识参数、所述目标招聘挖掘实例与所述K个招聘挖掘实例中的至少部分招聘挖掘实例在所述第i个对话嵌入表示单元互用的所述全局对话训练知识参数执行所述第i个对话嵌入表示操作，生成所述第i个对话嵌入表示单元获得的对话意图标签和对话意图标签，所述第i个对话嵌入表示单元获得的所述对话意图标签是基于所述第i个对话嵌入表示单元获得的对话意图标签，对第i-1个对话意图标签进行更新生成的，当i为2时，所述第i-1个对话意图标签为初始对话意图标签，所述一组对话嵌入表示单元包括所述第i个对话嵌入表示单元和所述第i-1个对话嵌入表示单元，i为不小于2的正整数；

所述将所述求职者简历数据加载至所述一组简历嵌入表示单元，生成末个简历嵌入表示单元表示的所述求职者画像描述向量，包括：

基于下述操作在第i个简历嵌入表示单元上执行第i个简历嵌入表示操作：

对第i-1个简历嵌入表示单元获得的第i-1个求职者画像描述向量、所述目标招聘挖掘实例在所述第i个简历嵌入表示单元独用的所述局部简历训练知识参数、所述目标招聘挖掘实例与所述K个招聘挖掘实例中的至少部分招聘挖掘实例在所述第i个简历嵌入表示单元互用的所述全局简历训练知识参数执行所述第i个简历嵌入表示操作，生成所述第i个简历嵌入表示单元获得的第i个求职者画像描述向量。

4.根据权利要求2所述的应用于招聘信息化系统的信息推荐方法，其特征在于，基于所述对话意图标签、所述求职者画像描述向量以及所述目标招聘挖掘实例的目标训练标签数据，对所述目标招聘挖掘实例的所述一份训练知识参数进行优化更新，包括：

确定末个对话嵌入表示单元获得的对话意图标签在对话隐含特征域中的对话意图向量，所述对话隐含特征域是所述招聘对话理解网络所在的特征域；

确定所述末个简历嵌入表示单元获得的所述求职者画像描述向量在简历隐含特征域中的求职者简历匹配向量，所述简历隐含特征域是所述求职者画像挖掘网络所在的特征域；

基于所述对话意图向量和所述求职者简历匹配向量，确定目标招聘推荐预测数据；

基于所述目标招聘推荐预测数据和所述目标训练标签数据，确定目标训练代价参数，所述目标招聘推荐预测数据是与所述候选人招聘对话数据、所述求职者简历数据和所述目标招聘挖掘实例对应的预测结果，所述目标训练标签数据是与所述候选人招聘对话数据、所述求职者简历数据和所述目标招聘挖掘实例对应的招聘推荐标注数据；

在所述目标训练代价参数不符合网络收敛要求时，对所述一份训练知识参数中的至少部分训练知识参数进行优化更新。

5.根据权利要求4所述的应用于招聘信息化系统的信息推荐方法，其特征在于，所述基于所述对话意图向量和所述求职者简历匹配向量，确定目标招聘推荐预测数据，包括：

在所述目标招聘挖掘实例对应H个招聘推荐预测类别时，确定所述对话意图向量与H个求职者简历匹配向量之间的H个特征距离，所述H个求职者简历匹配向量包括所述求职者简历数据的简历知识属性为所述H个招聘推荐预测类别中的每个招聘推荐预测类别时的招聘推荐预测数据，所述H个特征距离包括通过对所述对话意图向量与 H个求职者简历匹配向量分别进行欧式距离计算生成的特征距离，H为不小于2的正整数；

将所述H个特征距离中最小的特征距离所对应的所述求职者简历匹配向量输出为所述目标招聘推荐预测数据。

6.根据权利要求1所述的应用于招聘信息化系统的信息推荐方法，其特征在于，在依据所述候选人招聘对话数据序列和所述求职者简历数据序列，对招聘对话理解网络和求职者画像挖掘网络的训练知识信息进行知识学习之前，所述方法还包括：

将所述K个招聘挖掘实例对应的K份候选人招聘对话数据加载至所述招聘对话理解网络，生成K份对话意图向量，所述候选人招聘对话数据序列包括所述K份候选人招聘对话数据；

将K份求职者简历数据加载至所述求职者画像挖掘网络，生成K份求职者简历匹配向量，所述求职者简历数据序列包括所述K份求职者简历数据；

基于所述K份对话意图向量和所述K份求职者简历匹配向量，确定K份目标招聘推荐预测数据，所述K份目标招聘推荐预测数据中的第x份目标招聘推荐预测数据是对第x份候选人招聘对话数据中的候选人招聘对话数据和第x份求职者简历数据中的求职者简历数据执行第x个招聘挖掘实例生成的招聘推荐预测数据，x为不小于1、且不大于K的正整数；

基于所述K份目标招聘推荐预测数据和K份先验标注数据，确定K份目标训练代价参数，所述K份目标训练代价参数中的第x份目标训练代价参数是基于所述K份目标招聘推荐预测数据中的第x份招聘推荐预测数据和所述K份先验标注数据中的第x份先验标注数据确定出的训练代价参数，所述第x份先验标注数据表征所述第x份候选人招聘对话数据中的每个候选人招聘对话数据的招聘理解标签；

基于所述K份目标训练代价参数，对所述K个招聘挖掘实例进行聚簇，同一个分簇内的所有招聘挖掘实例互用所述全局训练知识参数。

7.根据权利要求6所述的应用于招聘信息化系统的信息推荐方法，其特征在于，所述基于所述K份目标训练代价参数，对所述K个招聘挖掘实例进行聚簇，包括：

基于所述K份目标训练代价参数，分别确定所述K个招聘挖掘实例中每两个招聘挖掘实例之间的倾向趋同性；

基于所述K个招聘挖掘实例中每两个招聘挖掘实例之间的倾向趋同性，对所述K个招聘挖掘实例进行聚簇；

其中，所述基于所述K份目标训练代价参数，分别确定所述K个招聘挖掘实例中每两个招聘挖掘实例之间的倾向趋同性，包括：

基于下述操作确定所述K个招聘挖掘实例中的第x个招聘挖掘实例和第y个招聘挖掘实例之间的倾向趋同性，y为不小于1、且不大于K的正整数：

确定所述第x个招聘挖掘实例对应的训练代价参数相对于所述K个招聘挖掘实例互用的一份整体互用训练知识参数逆向传播的第x个误差变化率，以及确定所述第y个招聘挖掘实例对应的训练代价参数相对于所述K个招聘挖掘实例互用的一份整体互用训练知识参数逆向传播的第y个误差变化率，将所述第x个误差变化率和所述第y个误差变化率之间的乘积输出为所述第x个招聘挖掘实例和所述第y个招聘挖掘实例之间的倾向趋同性；

其中，所述基于所述K个招聘挖掘实例中每两个招聘挖掘实例之间的倾向趋同性，对所述K个招聘挖掘实例进行聚簇，包括：

基于下述操作确定聚簇后的第z份招聘挖掘实例和第j份招聘挖掘实例，z、j为不小于1的正整数：

将所述K个招聘挖掘实例中每两个招聘挖掘实例之间的倾向趋同性均不小于第一门限值的多个招聘挖掘实例输出为所述第z份招聘挖掘实例；

将所述K个招聘挖掘实例中每两个招聘挖掘实例之间的倾向趋同性均不小于第二门限值、且均小于所述第一门限值的多个招聘挖掘实例输出为所述第j份招聘挖掘实例。

8.根据权利要求1-7中任意一项所述的应用于招聘信息化系统的信息推荐方法，其特征在于，所述基于所述招聘对话理解网络、所述求职者画像挖掘网络和所述K份训练知识参数，对对应的招聘挖掘实例关联的候选人招聘对话数据序列和求职者简历数据序列进行挖掘，生成对应的招聘推荐信息的步骤，包括：

将所述招聘对话理解网络、所述求职者画像挖掘网络和所述K份训练知识参数，集成输出为K个招聘挖掘实例网络，并基于所述K个招聘挖掘实例网络对对应的招聘挖掘实例关联的候选人招聘对话数据序列和求职者简历数据序列进行挖掘，生成对应的招聘推荐信息，所述K个招聘挖掘实例网络中的第j个招聘挖掘实例网络包括所述招聘对话理解网络、所述求职者画像挖掘网络和所述K份训练知识参数中的第j份训练知识参数，所述第j份训练知识参数包括所述全局训练知识参数和所述局部训练知识参数，所述第j份训练知识参数包括所述全局训练知识参数和所述局部训练知识参数。

9.一种应用于招聘信息化系统的信息推荐系统，其特征在于，所述应用于招聘信息化系统的信息推荐系统包括处理器和机器可读存储介质，该机器可读存储介质中存储有机器可执行指令，该机器可执行指令由该处理器加载并执行以实现权利要求1-8中任意一项所述的应用于招聘信息化系统的信息推荐方法。