CN118071032A - 基于人工智能的个性化职业规划方法、装置及存储介质 - Google Patents
基于人工智能的个性化职业规划方法、装置及存储介质 Download PDFInfo
- Publication number
- CN118071032A CN118071032A CN202410465128.9A CN202410465128A CN118071032A CN 118071032 A CN118071032 A CN 118071032A CN 202410465128 A CN202410465128 A CN 202410465128A CN 118071032 A CN118071032 A CN 118071032A
- Authority
- CN
- China
- Prior art keywords
- agent
- user
- professional
- agents
- information
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000013439 planning Methods 0.000 title claims abstract description 61
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 26
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 238000011161 development Methods 0.000 claims abstract description 53
- 230000003993 interaction Effects 0.000 claims abstract description 24
- 239000003795 chemical substances by application Substances 0.000 claims description 291
- 239000013598 vector Substances 0.000 claims description 51
- 238000004422 calculation algorithm Methods 0.000 claims description 39
- 238000012549 training Methods 0.000 claims description 29
- 238000005516 engineering process Methods 0.000 claims description 22
- 238000009792 diffusion process Methods 0.000 claims description 19
- 238000010801 machine learning Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000004140 cleaning Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 21
- 238000012706 support-vector machine Methods 0.000 description 16
- 230000015654 memory Effects 0.000 description 14
- 238000012360 testing method Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 9
- 238000000605 extraction Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000013461 design Methods 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 8
- 230000007246 mechanism Effects 0.000 description 7
- 238000005457 optimization Methods 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 6
- 230000008676 import Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000006243 chemical reaction 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
- 238000002790 cross-validation Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000008186 active pharmaceutical agent Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000007115 recruitment Effects 0.000 description 2
- 238000000528 statistical test Methods 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241000529895 Stercorarius Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提出了一种基于人工智能的个性化职业规划方法、装置及存储介质，包括：获取用户信息，建立用户个人档案；构建多智能体框架，定义所述多智能体框架中的多个智能体及所述多智能体的交互协议；第一智能体对所述用户个人档案进行分析，提取职业相关特征，并确定所述用户的职业要素及对应权重，所述第一智能体为所述多智能体框架中的一个或多个智能体；第二智能体获取不同行业和不同职位信息，并结合所述用户的职业要素及对应权重，个性化为所述用户推荐动态职位；第三智能体基于所述第一智能体和第二智能体的输出内容，对所述用户的职业发展进行预测。
Description
技术领域
本发明涉及人工智能技术领域，具体涉及一种基于人工智能的个性化职业规划方法、装置及存储介质。
背景技术
当前职业规划辅助工具主要依赖传统的数据分析方法，这些方法未能充分利用个人详细特点以及大数据为个人提供精确的职业规划。而多模态数据处理、知识建模以及系统架构方面尚有待提高，其职业规划的个性化不足，准确性较低。
发明内容
本申请提供了一种基于人工智能的个性化职业规划方法、装置及存储介质，用于解决现有技术中职业规划中个性化不足且准确性较低的问题。
鉴于上述问题，本申请提供了一种基于人工智能的个性化职业规划方法、装置及存储介质。
本申请实施例提供一种基于人工智能的个性化职业规划方法，包括：
获取用户信息，建立用户个人档案；
构建多智能体框架，定义所述多智能体框架中的多个智能体及所述多智能体的交互协议；
第一智能体对所述用户个人档案进行分析，提取职业相关特征，并确定所述用户的职业要素及对应权重，所述第一智能体为所述多智能体框架中的一个或多个智能体；
第二智能体获取不同行业和不同职位信息，并结合所述用户的职业要素及对应权重，个性化为所述用户推荐动态职位，其中，所述第二智能体为所述多智能体框架中的一个或多个智能体；
第三智能体基于所述第一智能体和第二智能体的输出内容，对所述用户的职业发展进行预测和规划，其中，所述第三智能体为所述多智能体框架中的一个或多个智能体。
可选地，第一智能体对所述用户个人档案进行分析，提取职业相关特征，并确定所述用户的职业要素及对应权重，包括：
对所述用户个人档案进行数据清洗和标准化，获取第一用户数据；
利用机器学习模型提取所述用户的职业相关特征，并确定所述职业相关特征中的职业要素及对应权重。
可选地，第二智能体获取不同行业和不同职位信息，并结合所述用户的职业要素及对应权重，个性化为所述用户推荐动态职位，包括：
动态采集不同行业和不同职位的信息；
提取不同行业和不同职位的关键信息；
接收所述第一智能体输出的所述用户的职业要素及对应权重；
设计个性化推荐算法，基于所述个性化推荐算法，将用户的职业要素及权重与所述不同行业和不同职位的关键信息进行匹配，以便个性化为所述用户推荐动态职位。
可选地，设计个性化推荐算法，基于所述个性化推荐算法，将用户的职业要素及权重与所述不同行业和不同职位的关键信息进行匹配，包括：
提取不同行业和不同职位的职位特征，并转化为职位特征向量；
将用户的职业要素及权重转化为用户职业特征向量；
构建推荐算法模型，所述推荐算法模型为协同过滤、内容基础推荐或混合推荐模型；
使用训练集对所述推荐算法模型进行训练；
使用训练后的所述推荐算法模型计算所述用户职业特征向量与职位特征向量的相似度；
按照相似度从高到低进行排序，形成推荐列表，以便推荐相似度最高的职位。
可选地，提取不同行业和不同职位的职位特征，并转化为职位特征向量，包括：
基于不同行业和不同职位的职位特征，利用卷积神经网络CNN和循环神经网络RNN级联模型实现跨模态特征融合，以转化为职位特征向量。
可选地，第三智能体基于所述第一智能体和第二智能体的输出内容，对所述用户的职业发展进行预测和规划，包括：
获取所述第一智能体输出的所述用户的职业要素及对应权重；
获取所述第二智能体输出的个性化的职位推荐列表；
利用历史数据建立并训练职业发展预测模型；
输入所述用户职业特征向量及所述个性化的职位推荐列表至所述职业发展预测模型中，以便生成所述用户的一个或多个的职业发展路径。
可选地，定义所述多智能体框架中的多个智能体及所述多智能体的交互协议，包括：
定义不同智能体的具体角色和职责；
构建不同智能体之间的交互协议，其中，所述交互协议采用协作分布式扩散技术，用于知识扩散协作。
可选地，所述用户信息为多模态信息。
本申请实施例还提供一种基于人工智能的个性化职业规划装置，所述装置包括：
获取模块，用于获取用户信息，建立用户个人档案；
构建模块，用于构建多智能体框架，定义所述多智能体框架中的多个智能体及所述多智能体的交互协议；
第一智能体，用于对所述用户个人档案进行分析，提取职业相关特征，并确定所述用户的职业要素及对应权重，所述第一智能体为所述多智能体框架中的一个或多个智能体；
第二智能体，用于获取不同行业和不同职位信息，并结合所述用户的职业要素及对应权重，个性化为所述用户推荐动态职位，其中，所述第二智能体为所述多智能体框架中的一个或多个智能体；
第三智能体，用于基于所述第一智能体和第二智能体的输出内容，对所述用户的职业发展进行预测，其中，所述第三智能体为所述多智能体框架中的一个或多个智能体。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
本申请中提供的一个或多个技术发明，至少具有如下技术效果或优点：
本申请实施例提供的一种基于人工智能的个性化职业规划方法，装置及存储介质，通过AIGC模型对个人的教育背景、专业技能、工作经历等多维度信息进行综合评估和分析，生成个性化的职业规划报告，可帮助用户了解自己的职业定位，提供职业发展及相关岗位推荐等，为用户提供更加准确、个性化的职业规划建议。此外，利用多模态处理，可以从更全面的角度理解用户的需求和潜力；通过多智能体架构增强了系统应对不同用户需求和环境变化的灵活性和适应性，使得在个性化职业规划领域具有创新性和实用性。
附图说明
图1为本申请提供的一种基于人工智能的个性化职业规划方法流程示意图；
图2为本申请提供的一种基于人工智能的个性化职业规划装置结构示意图；
图3为本申请提供的一种基于人工智能的个性化职业规划系统结构示意图。
具体实施方式
本申请通过提供了一种基于人工智能的个性化职业规划方法、装置及存储介质，用于解决现有技术中职业规划中个性化不足且准确性较低的问题。
本申请的核心在于提供个性化职业规划的方法和系统，通过多智能体框架有效整合和利用跨模态数据。
本申请应用场景囊括用户职业发展过程中的规划阶段，主要包括职位匹配、职业路径预测和发展规划等。通过综合评估个人多维度信息，系统可以提供更为准确、深入的个性化职业规划；提高了职业规划的灵活性和准确性，为用户带来更为实用和个性化的就业指导。
本申请的设备系统结构和模块说明：
设备系统由以下主要硬件和软件模块组成：
硬件构成:
中央处理单元（CPU）- 快速处理算法和数据。
内存- 存储用户数据和系统运行必要的信息。
存储设备- 以数据库形式保存用户档案和职业信息。
网络接口- 保证系统可以访问互联网，为用户获取实时行业职位信息。
用户接口- 包括显示屏和输入设备（如键盘、触摸屏），以便用户交互。
软件构成:
操作系统- 如Android、iOS或Windows，提供程序运行环境和硬件管理。
数据库管理系统（DBMS）- 高效管理用户数据和职业模型数据。
数据清洗和分析模块- 清洗并标准化用户信息，为之后的处理提供准确数据。
职业特征提取模块- 应用机器学习模型，从清洗后的数据中提取职业相关特征。
职位信息采集模块- 实时获取市场上不同行业和职位的详细信息。
个性化推荐算法模块- 根据用户特征向量与职位特征库进行智能匹配。
职业发展预测模块- 结合用户特征，预测的职业发展路径。
示例性地，模块之间的联动过程包括:
用户通过用户接口上传个人信息后，数据清洗和分析模块初步处理用户数据，去除噪音信息并标准化数据。
该数据传递给职业特征提取模块，在此利用算法提取关键特征，并生成用户的特征向量。
同时，职位信息采集模块不断更新本地职位数据库，确保职位信息的时效性和准确性。
用户特征向量与职位信息由个性化推荐算法模块处理，匹配度最高的职位被推荐给用户。
用户可查看推荐职位，并根据个人意愿选择或忽略某些建议；这一反馈会通过网络接口发送给服务器进一步优化预测模型。
职业发展预测模块根据推荐结果和用户历史数据预测职业发展路径，并提供规划建议。
系统的伸缩性与适应性:
系统设计上考虑到伸缩性（Scalability）与适应性（Adaptability）：
伸缩性：系统应能够处理日益增长的用户数据和职位信息，这要求硬件拥有足够的存储和处理能力，软件结构能够容易拓展。
适应性：系统能够自我学习和优化，应对不同用户需求和市场变化，如调整推荐算法和职业预测模型以适应新兴职业趋势。
此外，系统还需要考虑安全性（Data Security）和隐私保护（PrivacyProtection）,确保个人数据被合理且安全地处理。本申请实施例中使用的用户个人数据均得到用户授权，允许使用。
以下是本申请实施例使用的技术说明：
多智能体框架（Multi-agent Framework）：由生成式人工智能AIGC的多个智能体组成的系统，在本方案中各智能体Agent负责进行职业相关数据分析、特征提取、职业要素权重确定、职位推荐等任务。
多模态信息处理（Multimodal Information Processing）：结合个人教育背景、专业技能、工作经历等信息的处理，确保职业规划的精确性和个性化。
知识扩散协作（Knowledge Diffusion Cooperation）：基于协作分布式技术，智能体之间相互协作，共享和扩散信息的过程。
实施例一
如图1所示，本申请提供了一种基于人工智能的个性化职业规划方法，所述方法包括：
S11.获取用户信息，建立用户个人档案；
可选地，所述用户信息为多模态信息。
具体地，S11包括：
S111.用户信息的采集:设计多模态数据采集系统，包括文本、图像、音视频等多种数据类型；通过在线表单、社交网络接口等方式直接获取用户的基础信息；若用户同意，从第三方服务网站导入个人简历、项目经验等。
S112.用户资料的预处理
使用OCR技术提取证书等图像中的文字信息；应用语音识别技术转录用户提交的音视频材料；对获取到的数据进行格式转换和标准化处理，以便之后的职业特征提取。
S113.个人档案的构建和维护
系统内建立用户档案数据库，存储用户基础信息及历史数据；利用自然语言处理技术从用户提交的文本中提取关键技能、教育背景及工作经验；结合图像和音视频资料，通过深度学习模型加工成为用户职业档案的结构化数据。
S12.构建多智能体multi-agent框架，定义所述多智能体框架中的多个智能体及所述多智能体的交互协议；
S12中，确定多智能体系统的整体架构和数据流，明确各智能体的功能和协作方式；为系统的伸缩性和灵活性设计微服务架构，每个智能体均以独立服务运行。
S12中，优选采用基于AIGC的多智能体框架AutoGen，该框架是一种由多个智能体组成的系统，每个智能体负责特定的职能，它们协同工作以模拟复杂的职业规划决策过程。这些智能体通过自动生成并交换信息，协作解决问题，增强整个系统的个性化职业规划能力。
具体地，多智能体系统（multi-agent system, MAS）是由一组相互作用的智能体组成的系统，每个智能体都有能力执行特定的任务、做出决策或解决问题。在多智能体系统中，每个智能体都是独立的实体，具有自己的知识库、目标和行为能力，能够与其他智能体通讯、协作或者相互竞争。智能体可以是软件程序、机器人或者人类，在一个环境中工作并影响环境状态。
MAS技术原理包括：
自治性：每个智能体都能够自我控制其行为，并在没有直接人类干预的情况下工作。
社会能力：智能体之间能够互相通信和交互，并通过协议进行合作或者协调。
响应性：智能体能够感知环境的变化，并在适当时候做出响应。
主动性：智能体能够按照自己的目标和预设的策略主动执行任务。
智能体的实现依赖于以下核心技术：
知识表示：智能体需要维护知识库，包括关于环境状态、其他智能体的行为和自身的能力的知识。
通讯协议：定义了智能体之间交换信息与消息的规则和格式，如用于信息传递的语言和通信方法。
决策制定：智能体必须能够基于其知识和目标进行决策。通常采用规则系统、模糊逻辑、贝叶斯网络等方法。
机器学习：智能体通过从经验中学习来优化其性能。它们可以使用各种机器学习算法来识别模式、预测未来事件和改进决策。
分布式计算：在分布式系统中，智能体分散在网络中的不同节点上，并行工作以提高系统的性能和可靠性。
协作机制：当智能体需要协同解决问题时，它们会使用一些协作策略，例如拍卖、投票或谈判机制。
通过这些技术原理和技术，多智能体系统能够高效地处理复杂的问题，特别是在需要多个实体共同协作时。在本申请实施例中，多智能体用于构建个性化的职业规划系统，其中的智能体能够处理专门的子任务如数据清洗、职位推荐和职业路径规划，能够通过交互协议进行沟通并共享信息，实现整个个性化职业规划服务的功能。
具体地，本申请实施例定义了三个/三类智能体Agent：
第一智能体：专注于用户数据的预处理，包括数据的清洗和标准化，以及从数据中提取用户的职业特征；
第二智能体：负责市场职位数据的采集和分析，实现个性化的职位推荐；
第三智能体：综合第一智能体和第二智能体的分析结果，进行职业发展路径的预测和规划。
其中，第一智能体利用文本分析和图像识别技术对用户数据进行格式化，并应用机器学习和AIGC技术从原始数据中自动生成职业特征信息。
第二智能体采用爬虫技术实时采集市场动态职位信息，并基于AIGC技术结合用户特征信息和市场数据，自动生成个性化推荐。
而第三智能体，则综合用户特征和市场数据进行大数据分析，并利用预测模型和AIGC技术推论用户的潜在职业路径。
此外，智能体间的交互协议定义包括：
利用消息队列技术如RabbitMQ或Kafka保证智能体间的高效、可靠消息传递；
定义API接口协议，包括RESTful或gRPC等，确保智能体间数据传输的标准化；
实施分布式追踪系统，如Zipkin或Jaeger，用于监控和调试智能体间的交互过程。
为了定义这三个智能体，本申请实施例为每个智能体提供一个示例代码片段，以Python伪代码的形式展示基本的定义和操作步骤。
python
# 示例：定义多智能体的Python伪代码
class Agent:
def __init__(self, name):
self.name = name
def send_message(self, message, recipient):
# 模拟发送消息到另一个智能体
recipient.receive_message(message, self.name)
def receive_message(self, message, sender):
# 模拟接收来自其他智能体的消息
print(f"Agent {self.name} received a message from {sender}:{message}")
# 第一智能体定义：负责数据清洗和职业特征提取class DataCleaningAgent(Agent):
def clean_and_extract_features(self, user_data):
# 伪代码：清洗用户数据并提取职业特征
cleaned_data = some_data_cleaning_function(user_data)
features = feature_extraction_model(cleaned_data)
return features
# 第二智能体定义：职位信息采集和推荐class RecommendationAgent(Agent):
def collect_and_recommend(self, features):
# 伪代码：根据特征推荐职位
job_market_data = collect_job_data()
recommendations = match_user_features_with_job_data(features, job_market_data)
return recommendations
# 第三智能体定义：职业发展路径预测class CareerPathPredictionAgent(Agent):
def predict_career_path(self, features, recommendations):
# 伪代码：预测职业发展路径
career_path = career_path_prediction_model.predict(features,recommendations)
return career_path
# 创建智能体实例
data_agent = DataCleaningAgent("DataAgent")
recommendation_agent = RecommendationAgent("RecommendationAgent")
career_path_agent = CareerPathPredictionAgent("CareerPathAgent")
# 模拟操作步骤
user_data = get_user_input()# 假设某种方式获取到用户数据
features = data_agent.clean_and_extract_features(user_data)
recommendations = recommendation_agent.collect_and_recommend(features)
career_path_agent.predict_career_path(features, recommendations)
在这个示例中，本申请实施例定义了一个通用的Agent基类拥有消息发送和接收的基本方法。根据不同的职能分别创建了三个继承了Agent类的智能体类，分别有不同的职责和方法。每个智能体在其特定的职能方法中执行实际的操作，例如数据清洗、推荐生成和职业路径预测等。
在一个实施例中，在S12中，定义所述多智能体框架中的多个智能体及所述多智能体的交互协议，具体包括：
定义不同智能体的具体角色和职责；
构建不同智能体之间的交互协议，其中，所述交互协议采用协作分布式扩散技术，用于知识扩散协作。
在定义多智能体系统中的不同智能体具体角色和职责以及构建它们之间的交互协议时，每个智能体都要根据其功能分配到适应的角色，并确保智能体之间的通信能够高效且无障碍地进行。
下面是详细说明每个智能体的角色、职责和交互协议：
智能体的具体角色和职责
数据处理智能体（第一智能体）
角色：数据分析师。
职责：负责接收和处理用户的原始数据，执行数据清洗、标准化，以及使用算法从数据中提取出对职业规划有意义的特征。这涉及到一系列子任务，如格式转换、缺失值处理、噪音过滤。
推荐智能体（第二智能体）
角色：职业顾问。
职责：负责获取实时的职业岗位信息，并且基于第一智能体处理过的数据来制定个性化职业建议。其核心职责是维护一个更新的职位信息库，并且将这些信息与用户的职业特征进行匹配。
规划智能体（第三智能体）
角色：职业规划师。
职责：负责规划用户的职业发展路径。这要求智能体能够集成和分析来自前两个智能体的结果，并预测用户的职业前景，提出的进阶路径和职业发展策略。
交互协议的构建
在构建交互协议过程中，重点是确保智能体间的信息流是协作的、可控的和可靠的。引入“协作分布式扩散技术”（Collaborative Distributed Diffusion Technology），这种技术支撑智能体之间的有效通信和知识共享。该技术具体包括三个部分，标记分别为1）-3）：
1）消息传递机制
系统内部采用标准化的消息格式，如JSON或XML，以确保消息的一致性和互操作性。
在智能体间实现异步消息队列，支持发布/订阅模式，其中智能体可发布消息至特定通道，而相关订阅者将接收通知。
2）知识扩散策略
知识扩散策略是指在多智能体系统中，如何将一个智能体收集或产生的知识（信息、数据、洞察等），有效地传播给需要这些知识的其他智能体的方法。重点在于确保知识的准确传递及高效利用，以及各智能体对知识内容的快速理解和应用。在分布式系统中实施这一策略，目的是提高系统的整体智能和反应能力，通过集体智慧来解决复杂的问题。
知识扩散策略包括以下几个重要方面：
知识表示：定义一种通用的知识表示格式，以便不同智能体能理解和处理传递的知识。
知识存储：建立及维护中央知识库或分布式数据库，用于存放和更新所有智能体共享的知识。
知识访问与检索：设计便于智能体检索所需知识的接口，例如使用APIs或查询语句。
知识更新与维护：当知识发生变化时，系统需要及时更新知识库，以确保所有智能体有最新的信息。
知识共享机制：通过发布/订阅模型，在智能体之间建立知识共享协议，任何智能体更新的知识自动通知给订阅了该部分知识的其他智能体。
当某智能体生成新的知识（如职业特征、职位匹配结果）时，会将其扩散到系统中与其协作的其他智能体。
使用知识图谱和共享数据库作为知识扩散的核心工具，允许智能体查询和更新共享知识。
典型的知识扩散的步骤包括：
1.知识生产：
智能体A根据其功能发现新知识，通过分析、计算或学习得来。
2.知识编码：
智能体A将这些知识编码成标准化格式，例如将一个新发现的用户职业趋势编码为JSON对象。
3.发布知识：
智能体A将编码后的知识发布到知识共享平台，比如通过消息队列系统传递消息。
4.知识传播：
知识传播机制确保信息从智能体A传到智能体B和C，它们订阅了相关话题。
5.知识采纳：
智能体B和C接收到知识后，对自己持有的知识库进行更新或补充。
6.应用新知识：
智能体根据新的知识做出决策或改进自己的行为，提高效率。
3）故障容错与一致性保证
协议设计中应包括错误处理和断线重连机制来保障系统的稳定性。
设立同步机制，确保知识的一致性和事务的原子性。
具体地，在本申请实施例中，协作分布式扩散技术通常是指一种使得信息或数据在分布式系统中有效传播的方法或技术。这种技术有助于在系统的不同组件或节点之间分享数据，增强了系统作为一个整体的协作能力。在多智能体系统中，它特别指智能体在执行各自任务的同时，能够相互交换和扩散有用的信息，从而优化整个系统的决策和执行效率。
在当前情景中，第一智能体、第二智能体和第三智能体共同协作，形成一种基于协作分布式扩散技术的工作流。
协作分布式扩散技术定义：
作用范围：一组分布式智能体共享知识和信息。
技术目标：在智能体间实现快速、有效、准确的信息传播和知识共享。
应用示例步骤：
Step 1：初始化分布式环境
分别部署三个智能体到分布式计算环境中，每个智能体都在独立的虚拟机或容器中运行。
Step 2：建立消息队列和订阅系统
设置中央消息队列（例如RabbitMQ或Kafka），智能体通过该消息队列进行通信。
每个智能体根据需要订阅相关话题（Topic）或队列（Queue），准备接收和发送消息。
Step 3：数据清洗与特征提取
第一智能体接收用户数据，执行数据清洗和标准化，然后提取用户的职业特征。
处理完成后，第一智能体将结果以消息形式发布到消息队列，并标记为待第二智能体接收的消息。
Step 4：动态职位信息采集与推荐
第二智能体从消息队列接收第一智能体发送的用户职业特征信息，并开始职位数据采集和分析。
基于采集到的职位信息和用户特征，第二智能体生成个性化的推荐列表。
第二智能体将推荐列表发布到消息队列，以供第三智能体使用。
Step 5：职业发展路径规划
第三智能体订阅并接收第二智能体提供的推荐列表，同时集成第一智能体的用户职业特征信息。
利用这些信息和内建的预测模型，第三智能体规划出用户的职业发展路径。
第三智能体可以将规划的职业路径反馈给用户，并通过消息队列发送系统优化等建议信息给第一和第二智能体，完成信息的回馈循环。
通过上述步骤，协作分布式扩散技术实现了智能体之间有效协作、知识共享和决策支持，为用户提供了精确而有效的个性化职业规划服务。
整个交互协议的设计旨在促进知识的累积和复用，提升多智能体之间协作的效率和效益。通过这种设计，各个智能体不仅可以在执行自己的任务时高效独立工作，还能在一个协作的环境中共同为用户提供最佳的职业规划服务。
S13.第一智能体对所述用户个人档案进行分析，提取职业相关特征，并确定所述用户的职业要素及对应权重，所述第一智能体为所述多智能体框架中的一个或多个智能体；
S13具体包括：
S131.对所述用户个人档案进行数据清洗和标准化，获取第一用户数据；
具体地，首先，从用户提供的输入中识别出文本、图片、音频、视频等多模态数据。根据数据类型，应用适当的OCR技术、语音识别和图像处理工具。
其次，删除重复数据，去除无关信息和噪声，例如过滤掉广告、标签和不相关内容。处理缺失值，通过插值、估算或数据删除来应对缺失数据。
再次，转换数据格式，确保所有数据遵守一致的格式标准，比如将日期统一转换为ISO 8601标准，文本编码统一转为UTF-8。规范化文本内容，包括转换为小写、去除标点符号、统一词汇术语等措施。
最后，结合来自不同渠道的信息，形成统一的用户档案数据库。以结构化数据形式保存经过清洗和标准化后的数据，以便机器学习模型处理。
S132.利用机器学习模型提取所述用户的职业相关特征，并确定所述职业相关特征中的职业要素及对应权重。
S132具体包括：
特征工程：设计和选择与职业相关的特征，包括教育程度、工作经验、技能等级等。应用特征工程技术，比如one-hot编码、文本向量化，将提取的特征转换为机器学习模型可用的形式。
训练机器学习模型：使用标注好的历史数据训练机器学习模型，如决策树、支撑向量机（SVM）或神经网络等。采用交叉验证、网格搜索等方法优化模型参数。
特征重要性分析：利用模型内置的特征重要性评估方法，或者使用外部统计测试来确定每个特征的权重。特征权重反映了各个特征对职业规划的预测效果的贡献度。
应用模型提取特征：将清洗和标准化后的数据输入到训练好的机器学习模型中，得到用户职业特征向量。应用模型输出的特征权重，为用户职业特征向量中的每个元素赋予相应的权重。
示例性地，
以支持向量机（SVM）为例，以下是使用标注好的历史数据来训练机器学习模型，并评估特征重要性的详细步骤：
B1.数据准备与预处理：
收集并准备标注好的历史数据，该数据包含用户的职业相关特征及对应的输出（如职业成功度、适配度等指标）。
对数据进行预处理，包括缺失值处理、归一化、特征编码等，确保数据符合SVM模型的输入要求。
B2.选择特征与标签：
从数据集中选取作为输入特征的列，这些特征涉及用户的教育背景、技能、经验等。
确定标签列，标签是预测的目标，例如用户是否适合某个职位。
B3:划分训练集与测试集：
使用诸如交叉验证的技术将数据随机分为训练集和测试集，以评估模型的泛化能力。
B4:训练SVM模型：
利用训练集建立SVM模型，调整核函数（如线性、RBF等）和相关参数（如C值、gamma值等）。
使用诸如网格搜索配合交叉验证的方法来找到最优的参数组合。
B5:模型评估：
应用测试集数据来评估SVM模型的性能，使用准确度、召回率、F1分数等指标进行评估。
B6:确定特征的权重
在SVM模型中，通常不直接提供特征的权重。但可以使用模型的系数（coefficients）和支持向量（support vectors）来估算特征的重要性。对于线性SVM，可以直接查看系数的大小来判定特征的重要性。
B7:利用模型系数评估特征重要性（适用于线性SVM）：
对于线性核的SVM，模型系数的大小可以直接表示特征的重要性。贡献较大的特征对应的系数绝对值也较大。
B8:使用外部统计测试确定权重：
在非线性SVM中，由于核函数的映射，本申请实施例不能直接从模型系数得出特征的重要性。
在这种情况下，可以采用外部统计方法，如递归特征消除（RFE）等，依据模型对特征子集的性能影响来确定每个特征的重要性。
以下是实现这一过程的模拟Python伪代码：
python
from sklearn.svm import SVCfrom sklearn.model_selection import train_test_splitfrom sklearn.preprocessing import StandardScalerfromsklearn.feature_selection import RFEfrom sklearn.metrics importclassification_report, accuracy_score
# 加载数据集
data = load_dataset()
# 特征与标签
X = data.features
y = data.labels
# 数据预处理
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X_scaled, y,test_size=0.2, random_state=42)
# 训练SVM模型
svm = SVC(kernel='linear')
svm.fit(X_train, y_train)
# 模型评估
predictions = svm.predict(X_test)print(classification_report(y_test,predictions))print(f'Accuracy: {accuracy_score(y_test, predictions)}')
# 特征重要性分析（适用于线性SVM）
coefficients = svm.coef_.flatten()
features_importance = list(zip(data.feature_names, coefficients))
# 使用RFE评估特征重要性（适用于非线性SVM）
selector = RFE(svm, n_features_to_select=1, step=1)
selector = selector.fit(X_train, y_train)
ranking = selector.ranking_
features_ranking = list(zip(data.feature_names, ranking))
S14.第二智能体获取不同行业和不同职位信息，并结合所述用户的职业要素及对应权重，个性化为所述用户推荐动态职位，其中，所述第二智能体为所述多智能体框架中的一个或多个智能体；
S14具体包括：
S141.动态采集不同行业和不同职位的信息；
利用爬虫技术定期从职业网站、社交平台、企业招聘页等来源采集最新职位信息。设置爬虫爬取的频率，例如每天或每周，以保证信息的实时性。
S142.提取不同行业和不同职位的关键信息；
采用自然语言处理技术提取行业关键词和职位描述中的重要信息。使用TF-IDF、LDA等技术从职位描述中提取关键词和短语。
将职位信息按照行业、岗位类别、工作地点等属性进行分类。对提取的关键词进行标记，如技能要求、工作经验、教育程度等。
S143.接收所述第一智能体输出的所述用户的职业要素及对应权重；
设立通信接口：建立与第一智能体的通信接口，以便接收用户的职业特征数据和相关权重。
数据同步和验证：确保从第一智能体接收的数据是完整和经过身份验证的。对接收的数据进行格式化，确保与推荐系统的数据结构兼容。
S144.设计个性化推荐算法，基于所述个性化推荐算法，将用户的职业要素及权重与所述不同行业和不同职位的关键信息进行匹配，以便个性化为所述用户推荐动态职位。
S144中，开发或选择适合的推荐算法，例如基于内容的推荐、协同过滤或混合推荐系统，实现对用户职业特征和职位特征之间相似性的计算，涉及多维度的匹配。根据用户的职业特征权重和职位关键信息进行匹配，提取最相关的职位列表。设立匹配分数的阈值，确定何种级别的相似度可以作为有效推荐。基于用户的反馈，对推荐算法进行调整，如用户接受或拒绝推荐的职位用于训练模型。通过A/B测试不断优化推荐质量，提高推荐的个性化和准确性。
S144中，设计个性化推荐算法，基于所述个性化推荐算法，将用户的职业要素及权重与所述不同行业和不同职位的关键信息进行匹配，包括：
S1441.提取不同行业和不同职位的职位特征，并转化为职位特征向量；
在其中一个实施例中，基于不同行业和不同职位的职位特征，可以利用卷积神经网络CNN和循环神经网络RNN级联模型实现跨模态特征融合，以转化为职位特征向量。
具体地，首先，使用预训练的CNN模型（如VGG或ResNet）来识别图像中的图案和纹理，提取视觉特征。图像通过CNN层传播，通过多个过滤器学习视觉模式，产生特征图（feature maps），这些特征图可用于捕捉职位相关的视觉信息。
其次，使用RNN模型，尤其是长短期记忆网络（LSTM）或门控循环单元（GRU），处理职位描述中的序列化文本特征。RNN能够捕捉文本的顺序特性，如工作责任的进展，技能需求的次序等。
最后，将CNN和RNN的输出特征合并在一起，通过级联或其他方法实现跨模态特征的融合。对融合后的特征向量进行降维处理，例如使用主成分分析（PCA）或自编码器等。
通过上述步骤，可以从丰富多样的职位信息中提取高质量的跨模态特征，并将其转换成统一的特征向量，从而为推荐系统中的特征匹配打下基础。这种基于深度学习的特征融合方法能够使得系统对于职位的理解更加全面，从而提供更精准的职位推荐。
S1442.将用户的职业要素及权重转化为用户职业特征向量；
与S1441相似，这里也可以利用卷积神经网络CNN和循环神经网络RNN级联模型实现跨模态特征融合，以转化为用户职业特征向量。这里不再累述。
S1443.构建推荐算法模型，所述推荐算法模型为协同过滤、内容基础推荐或混合推荐模型；
S1444.使用训练集对所述推荐算法模型进行训练；
以混合推荐模型为例：
混合推荐模型（Hybrid Recommendation Model）通常结合了基于内容的推荐（Content-Based Recommendation）和协同过滤（Collaborative Filtering）两种或以上的推荐技术，以弥补单个技术的不足，并提高推荐的质量。
训练步骤包括：
C1.准备训练集：
收集训练数据，包括用户的历史职位喜好数据、用户特征、职位特征等。
确保各种特征数据经过了预处理，如归一化、去噪声等，使其适用于模型输入。
C2.定义模型结构：
设计混合推荐模型，该模型可以包括一个或多个基于内容的推荐部分和协同过滤部分。
例如，可以设置一个基于用户属性和职位特征进行点积的内容过滤模块，另外设置一个基于用户和职位交互历史的矩阵分解协同过滤模块。
C2.特征融合：
设计一种融合策略来综合不同推荐技术的结果。
例如，可使用加权平均法、堆叠模型或神经网络来融合基于内容的推荐分数和协同过滤的推荐分数。
C3.模型训练：
使用训练集对混合推荐模型进行训练，优化模型参数以最大化推荐精度。
训练过程中需要用到损失函数，如均方误差（MSE）或交叉熵损失，以衡量推荐结果与用户实际喜好间的差异。
应用梯度下降法或更高级的优化算法（如Adam或RMSprop）来调整模型权重。
C4.模型评估与优化：
在训练的不同阶段使用验证集对模型进行评估，以避免过拟合。
根据验证集上的性能选择最佳模型，并进行超参数调优。
C5.反馈循环：
设置一个反馈机制，收集模型预测的准确性信息，并根据用户的实际反馈对模型进行进一步优化。
S1445.使用训练后的所述推荐算法模型计算所述用户职业特征向量与职位特征向量的相似度；
具体包括：
D1:确定相似度度量方法：
在实施推荐算法之前，需要选择一种或多种相似度度量方法，常见的方法包括余弦相似度（Cosine Similarity）、欧氏距离（Euclidean Distance）和杰卡德相似系数（Jaccard Similarity）等。
D2:用户职业特征向量的获取：
从系统数据库中获取或由用户输入获得已经定义好的用户职业特征向量。
D3:职位特征向量的获取：
动态从职位数据库中提取所有可用职位的特征向量。
D4:相似度计算：
将用户职业特征向量和各个职位特征向量输入推荐算法模型中。
使用模型计算用户特征向量与每个职位特征向量之间的相似度。
D5:相似度排序：
根据相似度得分对所有职位进行排序，从高到低。
D6:生成推荐列表：
选取相似度得分最高的职位，生成个性化的职位推荐列表。
可以根据业务需求设置推荐职位的数量上限。
S1446.按照相似度从高到低进行排序，形成推荐列表，以便推荐相似度最高的职位。
S15.第三智能体基于所述第一智能体和第二智能体的输出内容，对所述用户的职业发展进行预测和规划，其中，所述第三智能体为所述多智能体框架中的一个或多个智能体。
S15中，第三智能体基于所述第一智能体和第二智能体的输出内容，对所述用户的职业发展进行预测和规划，包括：
S151.获取所述第一智能体输出的所述用户的职业要素及对应权重；
S152.获取所述第二智能体输出的个性化的职位推荐列表；
S153.利用历史数据建立并训练职业发展预测模型；
根据数据的特性和预测任务的需求，选择合适的预测模型，如随机森林、梯度提升树或深度学习模型。此外，还可以考虑是否需要对时间序列数据使用如RNN这样的模型。
将数据划分为训练集和测试集，并在训练集上训练模型。应用交叉验证等方法进行模型性能验证，并调整模型参数。
使用测试集来评估模型的预测能力，关注精度、召回率等评价指标。根据评估结果迭代优化模型参数，直至达到满意的预测效果。
将训练好的模型部署到实际场景中，以实时为用户提供职业预测服务。
S154.输入所述用户职业特征向量及所述个性化的职位推荐列表至所述职业发展预测模型中，以便生成所述用户的一个或多个的职业发展路径。
在该步骤中，将利用已建立并训练好的职业发展预测模型，结合用户的职业特征向量和个性化的职位推荐列表，为用户生成一条或多条的职业发展路径。此步骤是在预测未来潜在职业性的基础上，帮助用户规划其职业生涯。以下是详细说明：
E1 聚合输入数据：
收集用户的职业特征向量，这些向量包含了用户的教育水平、技能、工作经验等信息。
根据S144产生的个性化职位推荐列表，为每个推荐职位创建对应的职位特征向量。
E2 整合用户数据和职位数据：
将用户职业特征向量与每个推荐职位的特征向量进行整合，形成用于输入模型的完整特征集。
E3 应用职业发展预测模型：
输入整合后的完整特征集到职业发展预测模型中。运用预测模型分别评估用户在每个推荐职位上的发展潜力。
E4 生成职业发展路径：
基于模型评估的结果，识别出用户最具发展潜力的职业路线。会生成多个职业路径，以及可能的薪酬增长曲线等，并根据用户的喜好、职业目标和市场需求加以综合考虑。
E5 可视化和解释路径：
把预测出的职业发展路径以图表或其他直观形式展现给用户。提供路径解释，包括的职位晋升流程，以及每个阶段需要的技能和经验。
示例性地，大学生可以采用本申请实施例的方法进行个人职业路径规划，具体包括：
步骤A1：用户信息收集和分析
信息收集：系统通过用户提交的简历、问卷调查、成绩单等多模态信息采集在校大学生的教育背景、专业技能、兴趣爱好及工作经验。
分析：应用数据分析算法，对用户信息进行分析，以确定其职业兴趣、个人能力以及可行的职业成长路径。
步骤A2：职业特征提取
特征提取：基于机器学习模型，从在校大学生的信息中提取关键职业特征，如编程能力、设计思维、团队协作能力。
特征向量化：将提取出的职业特征转化为职业特征向量，用于后续的职业匹配过程。
步骤A3：职位信息的动态采集和处理
信息采集：系统实时从互联网职场数据、招聘网站、行业报告中动态采集不同行业和职位信息。
关键信息提取：反映行业趋势，提炼出各个职位特有的要求、技能和职责，形成各职位的特征向量。
步骤A4：个性化职业匹配
算法设计：利用个性化推荐算法，如协同过滤、内容基础推荐等，对职位特征向量和学生的职业特征向量进行匹配。
匹配与推荐：计算匹配度，形成有序的推荐列表，并提供与学生特征最为契合的职位选项。
步骤A5：职业发展路径规划
预测模型：利用职业发展预测模型，分析学生职业特征向量与推荐职位的关联性，预测未来发展趋势和各种的职业路径。
生成规划：根据预测结果，生成一系列职业发展规划选项，包括推荐的职业领域、潜在的工作机会以及后续的教育或培训建议。
步骤A6：用户反馈与系统优化
反馈收集：用户在使用过程中可以提供反馈，如对推荐职位的满意度和实际的求职情况。
系统优化：系统根据用户的反馈和实际就业结果，不断迭代优化推荐算法，改进职业发展预测模型，提高服务的精确度和适用性。
假设有一位在校大学生主修计算机科学，有较强的编程能力但也对艺术设计有浓厚兴趣。该学生并未决定毕业后是继续深入技术领域，还是转向设计。系统根据他的专业知识、实际项目经验以及个人兴趣，推荐了如用户体验设计师、前端开发工程师等多条职业发展路径，并提供进一步提升个人技能的课程和资源链接，来帮助学生在未来作出更明智的职业选择。
本申请中提供的一个或多个技术发明，至少具有如下技术效果或优点：
本申请实施例提供的一种基于人工智能的个性化职业规划方法，装置及存储介质，通过AIGC模型对个人的教育背景、专业技能、工作经历等多维度信息进行综合评估和分析，生成个性化的职业规划报告，可帮助用户了解自己的职业定位，提供职业发展及相关岗位推荐等，为用户提供更加准确、个性化的职业规划建议。此外，利用多模态处理，可以从更全面的角度理解用户的需求和潜力；通过多智能体架构增强了系统应对不同用户需求和环境变化的灵活性和适应性，使得在个性化职业规划领域具有创新性和实用性。
实施例二
基于与前述实施例中一种基于人工智能的个性化职业规划方法相同的发明构思，如图2所示，本申请实施例还提供一种基于人工智能的个性化职业规划装置，所述装置包括：
本申请实施例还提供一种基于人工智能的个性化职业规划装置20，所述装置包括：
获取模块21，用于获取用户信息，建立用户个人档案；
构建模块22，用于构建多智能体multi-agent框架，定义所述多智能体框架中的多个智能体及所述多智能体的交互协议；
第一智能体23，用于对所述用户个人档案进行分析，提取职业相关特征，并确定所述用户的职业要素及对应权重，所述第一智能体为所述多智能体框架中的一个或多个智能体；
第二智能体24，用于获取不同行业和不同职位信息，并结合所述用户的职业要素及对应权重，个性化为所述用户推荐动态职位，其中，所述第二智能体为所述多智能体框架中的一个或多个智能体；
第三智能体25，用于基于所述第一智能体和第二智能体的输出内容，对所述用户的职业发展进行预测，其中，所述第三智能体为所述多智能体框架中的一个或多个智能体。
相关技术描述与实施例一相同，因此不再累述。
实施例三
基于与前述实施例中一种基于人工智能的个性化职业规划方法相同的发明构思，本申请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上存储有计算机程序，所述计算机程序被处理器执行时实现如实施例一内的方法。
实施例四
本发明实施例还提供了一种基于人工智能的个性化职业规划系统6000，如图3所示，包括存储器64和处理器61，所述存储器上存储有计算机可执行指令，所述处理器运行所述存储器上的计算机可执行指令时实现上述的方法。在实际应用中，系统还可以分别包含必要的其他元件，包含但不限于任意数量的输入装置62、输出装置63、处理器61、控制器、存储器64等，而所有可以实现本申请实施例的基于人工智能的个性化职业规划方法的系统都在本申请的保护范围之内。
存储器包括但不限于是随机存储记忆体（random access memory，RAM）、只读存储器（read至only memory，ROM）、可擦除可编程只读存储器（erasable programmable readonly memory，EPROM）、或便携式只读存储器（compact disc read至only memory，CD至ROM），该存储器用于相关指令及数据。
输入装置62用于输入数据和/或信号，以及输出装置63用于输出数据和/或信号。输出装置63和输入装置62可以是独立的器件，也可以是一个整体的器件。
处理器可以包括是一个或多个处理器，例如包括一个或多个中央处理器（centralprocessing unit，CPU），在处理器是一个CPU的情况下，该CPU可以是单核CPU，也可以是多核CPU。处理器还可以包括一个或多个专用处理器，专用处理器可以包括GPU、FPGA等，用于进行加速处理。
存储器用于存储网络设备的程序代码和数据。
处理器用于调用该存储器中的程序代码和数据，执行上述方法实施例中的步骤。具体可参见方法实施例中的描述，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，所揭露的系统和方法，可以通过其它的方式实现。例如，该单元的划分，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。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接口，系统或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
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发明的目的。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时，全部或部分地产生按照本申请实施例的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程系统。该计算机指令可以存储在计算机可读存储介质中，或者通过该计算机可读存储介质进行传输。该计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如同轴电缆、光纤、数字用户线（digital subscriber line，DSL））或无线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是只读存储器（read至onlymemory，ROM），或随机存储存储器（random access memory，RAM），或磁性介质，例如，软盘、硬盘、磁带、磁碟、或光介质，例如，数字通用光盘（digital versatile disc，DVD）、或者半导体介质，例如，固态硬盘（solid state disk ，SSD）等。
本说明书和附图仅仅是本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。
Claims (9)
1.一种基于人工智能的个性化职业规划方法，其特征在于，包括：
获取用户信息，建立用户个人档案；
构建多智能体框架，定义所述多智能体框架中的多个智能体及所述多智能体的交互协议；
第一智能体对所述用户个人档案进行分析，提取职业相关特征，并确定所述用户的职业要素及对应权重，所述第一智能体为所述多智能体框架中的一个或多个智能体；
第二智能体获取不同行业和不同职位信息，并结合所述用户的职业要素及对应权重，个性化为所述用户推荐动态职位，其中，所述第二智能体为所述多智能体框架中的一个或多个智能体；
第三智能体基于所述第一智能体和第二智能体的输出内容，对所述用户的职业发展进行预测和规划，其中，所述第三智能体为所述多智能体框架中的一个或多个智能体；
其中，第三智能体基于所述第一智能体和第二智能体的输出内容，对所述用户的职业发展进行预测和规划，包括：
获取所述第一智能体输出的用户的职业要素及对应权重；
获取所述第二智能体输出的个性化的职位推荐列表；
利用历史数据建立并训练职业发展预测模型；
输入用户职业特征向量及所述个性化的职位推荐列表至所述职业发展预测模型中，以便生成所述用户的一个或多个的职业发展路径。
2.根据权利要求1所述的方法，其特征在于，第一智能体对所述用户个人档案进行分析，提取职业相关特征，并确定所述用户的职业要素及对应权重，包括：
对所述用户个人档案进行数据清洗和标准化，获取第一用户数据；
利用机器学习模型提取所述用户的职业相关特征，并确定所述职业相关特征中的职业要素及对应权重。
3.根据权利要求2所述的方法，其特征在于，第二智能体获取不同行业和不同职位信息，并结合所述用户的职业要素及对应权重，个性化为所述用户推荐动态职位，包括：
动态采集不同行业和不同职位的信息；
提取不同行业和不同职位的关键信息；
接收所述第一智能体输出的所述用户的职业要素及对应权重；
设计个性化推荐算法，基于所述个性化推荐算法，将用户的职业要素及权重与所述不同行业和不同职位的关键信息进行匹配，以便个性化为所述用户推荐动态职位。
4.根据权利要求3所述的方法，其特征在于，设计个性化推荐算法，基于所述个性化推荐算法，将用户的职业要素及权重与所述不同行业和不同职位的关键信息进行匹配，包括：
提取不同行业和不同职位的职位特征，并转化为职位特征向量；
将用户的职业要素及权重转化为用户职业特征向量；
构建推荐算法模型，所述推荐算法模型为协同过滤、内容基础推荐或混合推荐模型；
使用训练集对所述推荐算法模型进行训练；
使用训练后的所述推荐算法模型计算所述用户职业特征向量与职位特征向量的相似度；
按照相似度从高到低进行排序，形成推荐列表，以便推荐相似度最高的职位。
5.根据权利要求4所述的方法，其特征在于，提取不同行业和不同职位的职位特征，并转化为职位特征向量，包括：
基于不同行业和不同职位的职位特征，利用卷积神经网络CNN和循环神经网络RNN级联模型实现跨模态特征融合，以转化为职位特征向量。
6.根据权利要求1所述的方法，其特征在于，定义所述多智能体框架中的多个智能体及所述多智能体的交互协议，包括：
定义不同智能体的具体角色和职责；
构建不同智能体之间的交互协议，其中，所述交互协议采用协作分布式扩散技术，用于知识扩散协作。
7.根据权利要求1所述的方法，其特征在于，所述用户信息为多模态信息。
8.一种基于人工智能的个性化职业规划装置，其特征在于，所述装置包括：
获取模块，用于获取用户信息，建立用户个人档案；
构建模块，用于构建多智能体框架，定义所述多智能体框架中的多个智能体及所述多智能体的交互协议；
第一智能体，用于对所述用户个人档案进行分析，提取职业相关特征，并确定所述用户的职业要素及对应权重，所述第一智能体为所述多智能体框架中的一个或多个智能体；
第二智能体，用于获取不同行业和不同职位信息，并结合所述用户的职业要素及对应权重，个性化为所述用户推荐动态职位，其中，所述第二智能体为所述多智能体框架中的一个或多个智能体；
第三智能体，用于基于所述第一智能体和第二智能体的输出内容，对所述用户的职业发展进行预测，其中，所述第三智能体为所述多智能体框架中的一个或多个智能体；
其中，第三智能体用于基于所述第一智能体和第二智能体的输出内容，对所述用户的职业发展进行预测和规划，包括：
获取所述第一智能体输出的用户的职业要素及对应权重；
获取所述第二智能体输出的个性化的职位推荐列表；
利用历史数据建立并训练职业发展预测模型；
输入用户职业特征向量及所述个性化的职位推荐列表至所述职业发展预测模型中，以便生成所述用户的一个或多个的职业发展路径。
9.一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内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7任一所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410465128.9A CN118071032B (zh) | 2024-04-18 | 2024-04-18 | 基于人工智能的个性化职业规划方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410465128.9A CN118071032B (zh) | 2024-04-18 | 2024-04-18 | 基于人工智能的个性化职业规划方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118071032A true CN118071032A (zh) | 2024-05-24 |
| CN118071032B CN118071032B (zh) | 2024-06-28 |
Family
ID=91097392
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410465128.9A Active CN118071032B (zh) | 2024-04-18 | 2024-04-18 | 基于人工智能的个性化职业规划方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118071032B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118690779A (zh) * | 2024-08-26 | 2024-09-24 | 云粒智慧科技有限公司 | 智能体实例构建方法及基于智能体实例的数据处理方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110111083A (zh) * | 2019-05-15 | 2019-08-09 | 深圳市前海欢雀科技有限公司 | 一种基于深度学习构建职业规划的系统 |
| US20190303798A1 (en) * | 2018-03-30 | 2019-10-03 | Microsoft Technology Licensing, Llc | Career path recommendation engine |
| CN113222400A (zh) * | 2021-05-08 | 2021-08-06 | 北京未来探索科技有限公司 | 一种智能职业生涯规划与个人成长战略制定系统及方法 |
| CN115455205A (zh) * | 2022-09-21 | 2022-12-09 | 深圳今日人才信息科技有限公司 | 一种基于时序知识图谱的职业发展规划的方法 |
| CN115660285A (zh) * | 2022-11-07 | 2023-01-31 | 日照职业技术学院 | 一种基于职业规划的职业培训管理方法及系统 |
| CN117371625A (zh) * | 2023-12-07 | 2024-01-09 | 中科软股教育科技(北京)股份有限公司 | 基于大数据分析的职业发展预测系统及方法 |
-
2024
- 2024-04-18 CN CN202410465128.9A patent/CN118071032B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190303798A1 (en) * | 2018-03-30 | 2019-10-03 | Microsoft Technology Licensing, Llc | Career path recommendation engine |
| CN110111083A (zh) * | 2019-05-15 | 2019-08-09 | 深圳市前海欢雀科技有限公司 | 一种基于深度学习构建职业规划的系统 |
| CN113222400A (zh) * | 2021-05-08 | 2021-08-06 | 北京未来探索科技有限公司 | 一种智能职业生涯规划与个人成长战略制定系统及方法 |
| CN115455205A (zh) * | 2022-09-21 | 2022-12-09 | 深圳今日人才信息科技有限公司 | 一种基于时序知识图谱的职业发展规划的方法 |
| CN115660285A (zh) * | 2022-11-07 | 2023-01-31 | 日照职业技术学院 | 一种基于职业规划的职业培训管理方法及系统 |
| CN117371625A (zh) * | 2023-12-07 | 2024-01-09 | 中科软股教育科技(北京)股份有限公司 | 基于大数据分析的职业发展预测系统及方法 |
Non-Patent Citations (2)
| Title |
|---|
| ZHUANG, WP: "A Multi-agent Based Research about College Student\'s Self-service System of Career Planning", INTERNATIONAL CONFERENCE ON APPLIED INFORMATICS AND COMMUNICATION (ICAIC 2011), no. 227, 31 December 2011 (2011-12-31), pages 519 - 525 * |
| 周晟成: "S公司HR全域职业规划平台课程推荐系统设计", 万方数据库, 1 November 2023 (2023-11-01), pages 1 - 65 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118690779A (zh) * | 2024-08-26 | 2024-09-24 | 云粒智慧科技有限公司 | 智能体实例构建方法及基于智能体实例的数据处理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118071032B (zh) | 2024-06-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Pierson | Data science for dummies | |
| Bilal et al. | Big Data in the construction industry: A review of present status, opportunities, and future trends | |
| US20180165604A1 (en) | Systems and methods for automating data science machine learning analytical workflows | |
| US11416754B1 (en) | Automated cloud data and technology solution delivery using machine learning and artificial intelligence modeling | |
| CN118071032B (zh) | 基于人工智能的个性化职业规划方法、装置及存储介质 | |
| US11205130B2 (en) | Mental modeling method and system | |
| Akerkar et al. | Intelligent techniques for data science | |
| US10896034B2 (en) | Methods and systems for automated screen display generation and configuration | |
| CN116737129B (zh) | 一种供应链控制塔生成式大语言模型及其构建方法 | |
| WO2020162943A1 (en) | Holistic intelligence and autonomous information system and method thereof | |
| US11249751B2 (en) | Methods and systems for automatically updating software functionality based on natural language input | |
| CN112925911B (zh) | 基于多模态数据的投诉分类方法及其相关设备 | |
| CN115631008B (zh) | 商品推荐方法、装置、设备及介质 | |
| Henriksson et al. | Holistic data-driven requirements elicitation in the big data era | |
| US11314488B2 (en) | Methods and systems for automated screen display generation and configuration | |
| US20230186117A1 (en) | Automated cloud data and technology solution delivery using dynamic minibot squad engine machine learning and artificial intelligence modeling | |
| Song et al. | Effective automated feature derivation via reinforcement learning for microcredit default prediction | |
| Nourmohammadi-Khiarak et al. | Combined multi-agent method to control inter-department common events collision for university courses timetabling | |
| Proletarsky et al. | Approach to forecasting the development of crisis situations in complex information networks | |
| Zhu et al. | A poverty index prediction model for students based on PSO-LightGBM | |
| Trivedi | Machine learning fundamental concepts | |
| Devi et al. | SoloDB for social media’s big data using deep natural language with AI applications and Industry 5.0 | |
| CN111444338A (zh) | 文本处理、装置、存储介质及设备 | |
| Mattyasovszky-Philipp et al. | Adaptive/cognitive resonance and the architecture issues of cognitive information systems | |
| Nair | Development of a real-time business intelligence (BI) framework based on hex-elementization of data points for accurate business decision-making |
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 |