CN118278902A - 基于大数据的人力资源数据管理方法及系统 - Google Patents
基于大数据的人力资源数据管理方法及系统 Download PDFInfo
- Publication number
- CN118278902A CN118278902A CN202410427940.2A CN202410427940A CN118278902A CN 118278902 A CN118278902 A CN 118278902A CN 202410427940 A CN202410427940 A CN 202410427940A CN 118278902 A CN118278902 A CN 118278902A
- Authority
- CN
- China
- Prior art keywords
- resume
- semantic
- saliency
- successful
- 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 41
- 238000013523 data management Methods 0.000 title claims abstract description 40
- 239000013598 vector Substances 0.000 claims abstract description 311
- 230000004927 fusion Effects 0.000 claims abstract description 144
- 238000012512 characterization method Methods 0.000 claims abstract description 27
- 238000005457 optimization Methods 0.000 claims description 27
- 235000004257 Cordia myxa Nutrition 0.000 claims description 16
- 244000157795 Cordia myxa Species 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 4
- 230000007115 recruitment Effects 0.000 abstract description 31
- 238000007726 management method Methods 0.000 abstract description 14
- 230000006870 function Effects 0.000 description 21
- 238000010586 diagram Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Abstract
本公开涉及一种基于大数据的人力资源数据管理方法及系统,涉及人力资源数据管理技术领域。该方法包括:对获取的被标注为成功员工的简历数据进行语义编码以得到成功员工简历数据语义编码特征向量的集合;对成功员工简历数据语义编码特征向量的集合进行自相关简历数据显著化表征以得到成功员工简历特征共性显著化语义融合特征向量;对获取的待评估对象的简历进行语义编码以得到待评估对象简历语义编码特征向量;计算待评估对象简历语义编码特征向量和成功员工简历特征共性显著化语义融合特征向量之间的哈希相似度,以确定是否滤除待评估对象的简历。这样能够实现人力资源数据管理的人才智能招聘,从而提升管理效率和质量,并满足现代企业的人才招聘需求。
Description
技术领域
本公开涉及人力资源数据管理技术领域,具体地,涉及一种基于大数据的人力资源数据管理方法及系统。
背景技术
人力资源数据管理是指利用数据科学、技术和方法来管理和优化企业的人力资源活动,这包括招聘、培训、绩效评估、员工福利管理等方面。传统的人力资源数据管理主要依赖于人工处理和简单的数据库记录,存在一些明显的缺陷。
在人力资源数据管理中的人才招聘方面,传统招聘方法往往依赖于面试官的主观判断和直觉,容易受到个人偏见的影响,导致招聘决策不够客观和公正。并且,传统的招聘方法需要大量人力和时间投入,可能面试的人员较多,简历的筛选工作成为管理人员提高效率的阻碍。此外,传统招聘方法难以准确预测候选人在未来工作中的表现和发展潜力,容易导致人才错配和流失。
因此,期望一种基于大数据的人力资源数据管理方案。
发明内容
提供该发明内容部分以便以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
第一方面,本公开提供了一种基于大数据的人力资源数据管理方法,所述方法包括:
获取被标注为成功员工的简历数据的集合;
获取待评估对象的简历;
对所述被标注为成功员工的简历数据的集合中的各个被标注为成功员工的简历数据进行语义编码以得到成功员工简历数据语义编码特征向量的集合;
对所述成功员工简历数据语义编码特征向量的集合进行自相关简历数据显著化表征以得到成功员工简历特征共性显著化语义融合特征向量;
对所述待评估对象的简历进行语义编码以得到待评估对象简历语义编码特征向量;
计算所述待评估对象简历语义编码特征向量和所述成功员工简历特征共性显著化语义融合特征向量之间的哈希相似度,并基于所述哈希相似度来确定是否滤除所述待评估对象的简历。
可选地,对所述成功员工简历数据语义编码特征向量的集合进行自相关简历数据显著化表征以得到成功员工简历特征共性显著化语义融合特征向量,包括:将所述成功员工简历数据语义编码特征向量的集合通过自相关简历数据显著化融合网络以得到所述成功员工简历特征共性显著化语义融合特征向量。
可选地,将所述成功员工简历数据语义编码特征向量的集合通过自相关简历数据显著化融合网络以得到所述成功员工简历特征共性显著化语义融合特征向量,包括:将所述成功员工简历数据语义编码特征向量的集合通过所述自相关简历数据显著化融合网络以如下自相关显著化公式进行处理以得到所述成功员工简历特征共性显著化语义融合特征向量;其中,所述自相关显著化公式为:
其中,hi为所述成功员工简历数据语义编码特征向量的集合中的第i个成功员工简历数据语义编码特征向量,和Wi分别表示权重系数向量和权重系数矩阵,Bi为偏移向量,Selu(·)表示Selu函数,ei为第i个所述成功员工简历数据语义编码特征向量的注意力打分值,λ和α都为超参数,softmax(·)表示softmax函数,t为所述成功员工简历数据语义编码特征向量的集合中向量的个数,V为所述成功员工简历特征共性显著化语义融合特征向量。
可选地,计算所述待评估对象简历语义编码特征向量和所述成功员工简历特征共性显著化语义融合特征向量之间的哈希相似度,并基于所述哈希相似度来确定是否滤除所述待评估对象的简历,包括:对所述待评估对象简历语义编码特征向量和所述成功员工简历特征共性显著化语义融合特征向量进行特征优化以得到优化待评估对象简历语义编码特征向量和优化成功员工简历特征共性显著化语义融合特征向量;计算所述优化待评估对象简历语义编码特征向量和所述优化成功员工简历特征共性显著化语义融合特征向量之间的所述哈希相似度;基于所述哈希相似度与预定阈值之间的比较,确定是否滤除所述待评估对象的简历。
可选地,对所述待评估对象简历语义编码特征向量和所述成功员工简历特征共性显著化语义融合特征向量进行特征优化以得到优化待评估对象简历语义编码特征向量和优化成功员工简历特征共性显著化语义融合特征向量,包括:分别计算所述待评估对象简历语义编码特征向量和所述成功员工简历特征共性显著化语义融合特征向量的加权系数以得到第一加权系数和第二加权系数;以所述第一加权系数和所述第二加权系数作为加权因数对所述待评估对象简历语义编码特征向量和所述成功员工简历特征共性显著化语义融合特征向量进行加权优化以得到所述优化待评估对象简历语义编码特征向量和所述优化成功员工简历特征共性显著化语义融合特征向量。
可选地,响应于所述哈希相似度小于所述预定阈值,确定滤除所述待评估对象的简历。
第二方面,本公开提供了一种基于大数据的人力资源数据管理系统,所述系统包括:
简历数据获取模块,用于获取被标注为成功员工的简历数据的集合;
待评估对象的简历获取模块,用于获取待评估对象的简历;
第一语义编码模块,用于对所述被标注为成功员工的简历数据的集合中的各个被标注为成功员工的简历数据进行语义编码以得到成功员工简历数据语义编码特征向量的集合;
自相关简历数据显著化表征模块,用于对所述成功员工简历数据语义编码特征向量的集合进行自相关简历数据显著化表征以得到成功员工简历特征共性显著化语义融合特征向量;
第二语义编码模块,用于对所述待评估对象的简历进行语义编码以得到待评估对象简历语义编码特征向量;
滤除所述待评估对象的简历判断模块,用于计算所述待评估对象简历语义编码特征向量和所述成功员工简历特征共性显著化语义融合特征向量之间的哈希相似度,并基于所述哈希相似度来确定是否滤除所述待评估对象的简历。
可选地,所述自相关简历数据显著化表征模块,用于:将所述成功员工简历数据语义编码特征向量的集合通过自相关简历数据显著化融合网络以得到所述成功员工简历特征共性显著化语义融合特征向量。
可选地,所述自相关简历数据显著化表征模块,用于:将所述成功员工简历数据语义编码特征向量的集合通过所述自相关简历数据显著化融合网络以如下自相关显著化公式进行处理以得到所述成功员工简历特征共性显著化语义融合特征向量;其中,所述自相关显著化公式为:
其中,hi为所述成功员工简历数据语义编码特征向量的集合中的第i个成功员工简历数据语义编码特征向量,和Wi分别表示权重系数向量和权重系数矩阵,Bi为偏移向量,Selu(·)表示Selu函数,ei为第i个所述成功员工简历数据语义编码特征向量的注意力打分值,λ和α都为超参数,softmax(·)表示softmax函数,t为所述成功员工简历数据语义编码特征向量的集合中向量的个数,V为所述成功员工简历特征共性显著化语义融合特征向量。
可选地,所述滤除所述待评估对象的简历判断模块,包括:特征优化单元,用于对所述待评估对象简历语义编码特征向量和所述成功员工简历特征共性显著化语义融合特征向量进行特征优化以得到优化待评估对象简历语义编码特征向量和优化成功员工简历特征共性显著化语义融合特征向量;哈希相似度计算单元,用于计算所述优化待评估对象简历语义编码特征向量和所述优化成功员工简历特征共性显著化语义融合特征向量之间的所述哈希相似度;简历滤除判断单元,用于基于所述哈希相似度与预定阈值之间的比较,确定是否滤除所述待评估对象的简历。
采用上述技术方案,通过对获取的被标注为成功员工的简历数据进行语义编码以得到成功员工简历数据语义编码特征向量的集合;对成功员工简历数据语义编码特征向量的集合进行自相关简历数据显著化表征以得到成功员工简历特征共性显著化语义融合特征向量;对获取的待评估对象的简历进行语义编码以得到待评估对象简历语义编码特征向量;计算待评估对象简历语义编码特征向量和成功员工简历特征共性显著化语义融合特征向量之间的哈希相似度,以确定是否滤除待评估对象的简历。这样能够实现人力资源数据管理的人才智能招聘,从而提升管理效率和质量,并满足现代企业的人才招聘需求。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。在附图中:
图1是根据一示例性实施例示出的一种基于大数据的人力资源数据管理方法的流程图。
图2是根据一示例性实施例示出的一种基于大数据的人力资源数据管理系统的框图。
图3是根据一示例性实施例示出的一种电子设备的框图。
图4是根据一示例性实施例示出的一种基于大数据的人力资源数据管理方法的应用场景图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
首先,在当今信息化时代,大数据技术已经成为企业管理中不可或缺的一部分。特别是在人力资源管理领域,大数据技术的应用可以帮助企业更加精准地进行人才招聘、绩效评估、薪酬管理等关键环节的决策。人力资源数据管理方法基于大数据分析已成为企业人才招聘和管理中的重要趋势。随着大数据技术的发展,企业可以利用海量数据和先进的算法来优化人才招聘流程,提高员工的匹配度,从而帮助企业更好地识别和吸引合适的人才。
基于此,本申请的技术构思为在进行人才招聘过程中,企业利用大数据技术和人工智能技术通过分析成功员工的简历数据,并与待评估对象的简历进行比较,以此基于成功员工的简历共性特征与待评估对象的简历语义之间的相似度来判断是否滤除该待评估对象的简历,从而进行高效和客观的人力资源招聘。这样能够实现人力资源数据管理的人才智能招聘,从而提升管理效率和质量,并满足现代企业的人才招聘需求。
为了解决上述问题,本公开提供了一种基于大数据的人力资源数据管理方法及系统,通过对获取的被标注为成功员工的简历数据进行语义编码以得到成功员工简历数据语义编码特征向量的集合;对成功员工简历数据语义编码特征向量的集合进行自相关简历数据显著化表征以得到成功员工简历特征共性显著化语义融合特征向量;对获取的待评估对象的简历进行语义编码以得到待评估对象简历语义编码特征向量;计算待评估对象简历语义编码特征向量和成功员工简历特征共性显著化语义融合特征向量之间的哈希相似度,以确定是否滤除待评估对象的简历。这样能够实现人力资源数据管理的人才智能招聘,从而提升管理效率和质量,并满足现代企业的人才招聘需求。
以下结合附图对本公开的具体实施方式进行详细说明。
图1是根据一示例性实施例示出的一种基于大数据的人力资源数据管理方法的流程图,如图1所示,该方法包括:
步骤101、获取被标注为成功员工的简历数据的集合;
步骤102、获取待评估对象的简历;
步骤103、对所述被标注为成功员工的简历数据的集合中的各个被标注为成功员工的简历数据进行语义编码以得到成功员工简历数据语义编码特征向量的集合;
步骤104、对所述成功员工简历数据语义编码特征向量的集合进行自相关简历数据显著化表征以得到成功员工简历特征共性显著化语义融合特征向量;
步骤105、对所述待评估对象的简历进行语义编码以得到待评估对象简历语义编码特征向量;
步骤106、计算所述待评估对象简历语义编码特征向量和所述成功员工简历特征共性显著化语义融合特征向量之间的哈希相似度,并基于所述哈希相似度来确定是否滤除所述待评估对象的简历。
具体地,在本申请的技术方案中,首先,获取被标注为成功员工的简历数据的集合,并获取待评估对象的简历。接着,为了能够对于所述被标注为成功员工的简历数据的集合中的各个被标注为成功员工的简历数据进行语义分析和理解,以此来捕获被标注为成功员工的简历语义,从而帮助后续识别成功员工简历语义特征之间的共性,在本申请的技术方案中,需要对所述被标注为成功员工的简历数据的集合中的各个被标注为成功员工的简历数据进行语义编码,以分别提取出所述各个被标注为成功员工的简历数据的语义编码特征信息,从而得到成功员工简历数据语义编码特征向量的集合。
应可以理解,由于所述各个被标注为成功员工的简历数据语义特征之间存在着共性的语义相关性关系,并且,在捕捉各个成功员工简历语义之间的共性特征时,由于每个员工的简历语义特征在共性语义上的贡献度不同,因此需要根据不同成功员工简历的语义重要性来进行相关性加权分析,从而更为充分和准确地表征这些成功员工简历的共性语义特征信息。基于此,在本申请的技术方案中,进一步将所述成功员工简历数据语义编码特征向量的集合通过自相关简历数据显著化融合网络以得到成功员工简历特征共性显著化语义融合特征向量。通过所述自相关简历数据显著化融合网络进行处理,可以将每个成功员工的简历语义特征结合起来,从而更好地捕捉到这些成功员工简历数据的共性语义特征,这有助于更全面地理解成功员工之间的共同特征和模式。特别地,融合网络还可以帮助降低数据中的噪音和个体差异,突出成功员工简历数据的共性特征,从而更好地区分成功员工和非成功员工之间的差异性,使得得到的所述成功员工简历特征共性显著化语义融合特征向量更具代表性和区分性,有助于提高后续进行简历语义的相似度判断和招聘简历筛选工作。
在本公开的一个实施例中,对所述成功员工简历数据语义编码特征向量的集合进行自相关简历数据显著化表征以得到成功员工简历特征共性显著化语义融合特征向量,包括:将所述成功员工简历数据语义编码特征向量的集合通过自相关简历数据显著化融合网络以得到所述成功员工简历特征共性显著化语义融合特征向量。
进一步地,将所述成功员工简历数据语义编码特征向量的集合通过自相关简历数据显著化融合网络以得到所述成功员工简历特征共性显著化语义融合特征向量,包括:将所述成功员工简历数据语义编码特征向量的集合通过所述自相关简历数据显著化融合网络以如下自相关显著化公式进行处理以得到所述成功员工简历特征共性显著化语义融合特征向量;其中,所述自相关显著化公式为:
其中,hi为所述成功员工简历数据语义编码特征向量的集合中的第i个成功员工简历数据语义编码特征向量,和Wi分别表示权重系数向量和权重系数矩阵,Bi为偏移向量,Selu(·)表示Selu函数,ei为第i个所述成功员工简历数据语义编码特征向量的注意力打分值,λ和α都为超参数,softmax(·)表示softmax函数,t为所述成功员工简历数据语义编码特征向量的集合中向量的个数,V为所述成功员工简历特征共性显著化语义融合特征向量。
继而,对所述待评估对象的简历进行语义编码,以捕捉所述待评估对象的简历语义编码特征信息,从而得到待评估对象简历语义编码特征向量。语义编码有助于提取所述待评估对象简历中的关键特征和语义信息,并将其转化为具有语义信息的特征向量,以更全面地表征待评估对象的简历语义,从而便于后续的简历语义相似度比较和筛选。
进一步地,为了量化待评估对象简历语义特征与成功员工简历的共性语义特征之间的相似程度,以此来确定待评估对象与成功员工之间的简历语义匹配度,为招聘决策提供客观依据,在本申请的技术方案中,进一步计算所述待评估对象简历语义编码特征向量和所述成功员工简历特征共性显著化语义融合特征向量之间的哈希相似度。通过计算哈希相似度,能够将待评估对象的简历语义编码特征和成功员工的简历语义共性特征映射到公共的哈希空间中,并在哈希空间中进行简历语义特征的相似度分析与比较,以此来判断待评估对象的简历语义是否与成功员工的简历共性语义相匹配。进而,基于所述哈希相似度与预定阈值之间的比较,确定是否滤除所述待评估对象的简历。
在本公开的一个实施例中,计算所述待评估对象简历语义编码特征向量和所述成功员工简历特征共性显著化语义融合特征向量之间的哈希相似度,并基于所述哈希相似度来确定是否滤除所述待评估对象的简历,包括:对所述待评估对象简历语义编码特征向量和所述成功员工简历特征共性显著化语义融合特征向量进行特征优化以得到优化待评估对象简历语义编码特征向量和优化成功员工简历特征共性显著化语义融合特征向量;计算所述优化待评估对象简历语义编码特征向量和所述优化成功员工简历特征共性显著化语义融合特征向量之间的所述哈希相似度;基于所述哈希相似度与预定阈值之间的比较,确定是否滤除所述待评估对象的简历。
进一步地,对所述待评估对象简历语义编码特征向量和所述成功员工简历特征共性显著化语义融合特征向量进行特征优化以得到优化待评估对象简历语义编码特征向量和优化成功员工简历特征共性显著化语义融合特征向量,包括:分别计算所述待评估对象简历语义编码特征向量和所述成功员工简历特征共性显著化语义融合特征向量的加权系数以得到第一加权系数和第二加权系数;以所述第一加权系数和所述第二加权系数作为加权因数对所述待评估对象简历语义编码特征向量和所述成功员工简历特征共性显著化语义融合特征向量进行加权优化以得到所述优化待评估对象简历语义编码特征向量和所述优化成功员工简历特征共性显著化语义融合特征向量。
在以上说明的技术方案中,所述成功员工简历数据语义编码特征向量的集合中的每个成功员工简历数据语义编码特征向量表达成功员工简历数据的编码文本语义特征,由此,将所述成功员工简历数据语义编码特征向量的集合通过自相关简历数据显著化融合网络后,所述成功员工简历特征共性显著化语义融合特征向量可以基于各个成功员工简历数据的文本语义特征分布重要性来获得成功员工简历数据集合的融合文本语义特征表示,由此与所述待评估对象简历语义编码特征向量的待评估对象简历的编码文本语义特征表示存在语义特征表达区分性。
这样在计算所述待评估对象简历语义编码特征向量和所述成功员工简历特征共性显著化语义融合特征向量之间的哈希相似度,从而将所述待评估对象简历语义编码特征向量和所述成功员工简历特征共性显著化语义融合特征向量分别将哈希相似性概率空间进行映射时,期望提升所述待评估对象简历语义编码特征向量和所述成功员工简历特征共性显著化语义融合特征向量的特征分布可区分的概率映射确定性,以提升哈希相似度的计算准确性。
基于此,本申请的申请人分别计算所述待评估对象简历语义编码特征向量和所述成功员工简历特征共性显著化语义融合特征向量的加权系数,表示为:以如下优化公式分别计算所述待评估对象简历语义编码特征向量和所述成功员工简历特征共性显著化语义融合特征向量的加权系数以得到第一加权系数和第二加权系数;其中,所述优化公式为:
其中,v1-max和v2-max分别是所述待评估对象简历语义编码特征向量V1和所述成功员工简历特征共性显著化语义融合特征向量V2的最大特征值,v1-j和v2-j是所述待评估对象简历语义编码特征向量V1和所述成功员工简历特征共性显著化语义融合特征向量V2的第j特征值,L是特征向量的长度,log表示以2为底的对数函数,且α是权重超参数,ω1是第一加权系数,ω2是第二加权系数,exp(·)表示计算以数值为幂的自然指数函数值。
具体地,分别通过所述待评估对象简历语义编码特征向量V1和所述成功员工简历特征共性显著化语义融合特征向量V2的文本语义特征表示在文本语义众包(crowdsourcing)形式下的多数投票(majority voting)机制,来在所述待评估对象简历语义编码特征向量V1和所述成功员工简历特征共性显著化语义融合特征向量V2相对于哈希相似性概率空间的分布从属概率模型下寻求特征向量各自的单独信息期望最大化,这样再通过以系数ω1和ω1对所述待评估对象简历语义编码特征向量V1和所述成功员工简历特征共性显著化语义融合特征向量V2进行加权来优化所述待评估对象简历语义编码特征向量V1和所述成功员工简历特征共性显著化语义融合特征向量V2,就可以基于所述待评估对象简历语义编码特征向量V1和所述成功员工简历特征共性显著化语义融合特征向量V2各自的特征值平均信息置信度进行相对于哈希相似性概率空间的分布联合估计,以在保持所述待评估对象简历语义编码特征向量V1和所述成功员工简历特征共性显著化语义融合特征向量V2的特征分布可区分性的同时提升其到哈希相似性概率空间的概率映射确定性,以提升哈希相似度的计算准确性。这样能够在招聘过程中,基于成功员工的简历语义共性特征与待评估对象的简历语义之间的相似度来判断是否滤除该待评估对象的简历,从而进行高效和客观的人力资源招聘,实现人力资源数据管理的人才智能招聘,以提高员工的匹配度,并提升管理效率和质量,从而帮助企业更好地识别和吸引合适的人才。
这样基于哈希相似度的计算结果,招聘人员可以更准确地判断待评估对象与成功员工之间的匹配程度,从而做出更明智的招聘决策,提高招聘成功率,并优化人力资源数据管理效率和质量,使其满足现代企业的人才招聘需求。
在本公开的一个实施例中,响应于所述哈希相似度小于所述预定阈值,确定滤除所述待评估对象的简历。
综上所述,采用上述方案,通过在进行人才招聘过程中,企业利用大数据技术和人工智能技术通过分析成功员工的简历数据,并与待评估对象的简历进行比较,以此基于成功员工的简历共性特征与待评估对象的简历语义之间的相似度来判断是否滤除该待评估对象的简历,从而进行高效和客观的人力资源招聘。这样能够实现人力资源数据管理的人才智能招聘,从而提升管理效率和质量,并满足现代企业的人才招聘需求。
图2是根据一示例性实施例示出的一种基于大数据的人力资源数据管理系统的框图。如图2所示,该系统200包括:
简历数据获取模块201,用于获取被标注为成功员工的简历数据的集合;
待评估对象的简历获取模块202,用于获取待评估对象的简历;
第一语义编码模块203,用于对所述被标注为成功员工的简历数据的集合中的各个被标注为成功员工的简历数据进行语义编码以得到成功员工简历数据语义编码特征向量的集合;
自相关简历数据显著化表征模块204,用于对所述成功员工简历数据语义编码特征向量的集合进行自相关简历数据显著化表征以得到成功员工简历特征共性显著化语义融合特征向量;
第二语义编码模块205,用于对所述待评估对象的简历进行语义编码以得到待评估对象简历语义编码特征向量;
滤除所述待评估对象的简历判断模块206,用于计算所述待评估对象简历语义编码特征向量和所述成功员工简历特征共性显著化语义融合特征向量之间的哈希相似度,并基于所述哈希相似度来确定是否滤除所述待评估对象的简历。
在本公开的一个实施例中,所述自相关简历数据显著化表征模块,用于:将所述成功员工简历数据语义编码特征向量的集合通过自相关简历数据显著化融合网络以得到所述成功员工简历特征共性显著化语义融合特征向量。
在本公开的一个实施例中,所述自相关简历数据显著化表征模块,用于:将所述成功员工简历数据语义编码特征向量的集合通过所述自相关简历数据显著化融合网络以如下自相关显著化公式进行处理以得到所述成功员工简历特征共性显著化语义融合特征向量;其中,所述自相关显著化公式为:
其中,hi为所述成功员工简历数据语义编码特征向量的集合中的第i个成功员工简历数据语义编码特征向量,和Wi分别表示权重系数向量和权重系数矩阵,Bi为偏移向量,Selu(·)表示Selu函数,ei为第i个所述成功员工简历数据语义编码特征向量的注意力打分值,λ和α都为超参数,softmax(·)表示softmax函数,t为所述成功员工简历数据语义编码特征向量的集合中向量的个数,V为所述成功员工简历特征共性显著化语义融合特征向量。
在本公开的一个实施例中,所述滤除所述待评估对象的简历判断模块,包括:特征优化单元,用于对所述待评估对象简历语义编码特征向量和所述成功员工简历特征共性显著化语义融合特征向量进行特征优化以得到优化待评估对象简历语义编码特征向量和优化成功员工简历特征共性显著化语义融合特征向量;哈希相似度计算单元,用于计算所述优化待评估对象简历语义编码特征向量和所述优化成功员工简历特征共性显著化语义融合特征向量之间的所述哈希相似度;简历滤除判断单元,用于基于所述哈希相似度与预定阈值之间的比较,确定是否滤除所述待评估对象的简历。
下面参考图3,其示出了适于用来实现本公开实施例的电子设备600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图3示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图3所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM602被安装。在该计算机程序被处理装置601执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperTextTransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块的名称在某种情况下并不构成对该模块本身的限定,例如,测试参数获取模块还可以被描述为“获取目标设备对应的设备测试参数的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例,示例1提供了一种基于大数据的人力资源数据管理方法,所述方法包括:
获取被标注为成功员工的简历数据的集合;
获取待评估对象的简历;
对所述被标注为成功员工的简历数据的集合中的各个被标注为成功员工的简历数据进行语义编码以得到成功员工简历数据语义编码特征向量的集合;
对所述成功员工简历数据语义编码特征向量的集合进行自相关简历数据显著化表征以得到成功员工简历特征共性显著化语义融合特征向量;
对所述待评估对象的简历进行语义编码以得到待评估对象简历语义编码特征向量;
计算所述待评估对象简历语义编码特征向量和所述成功员工简历特征共性显著化语义融合特征向量之间的哈希相似度,并基于所述哈希相似度来确定是否滤除所述待评估对象的简历。
根据本公开的一个或多个实施例,示例2提供了示例1的方法,对所述成功员工简历数据语义编码特征向量的集合进行自相关简历数据显著化表征以得到成功员工简历特征共性显著化语义融合特征向量,包括:将所述成功员工简历数据语义编码特征向量的集合通过自相关简历数据显著化融合网络以得到所述成功员工简历特征共性显著化语义融合特征向量。
根据本公开的一个或多个实施例,示例3提供了示例2的方法,将所述成功员工简历数据语义编码特征向量的集合通过自相关简历数据显著化融合网络以得到所述成功员工简历特征共性显著化语义融合特征向量,包括:将所述成功员工简历数据语义编码特征向量的集合通过所述自相关简历数据显著化融合网络以如下自相关显著化公式进行处理以得到所述成功员工简历特征共性显著化语义融合特征向量;
其中,所述自相关显著化公式为:
其中,hi为所述成功员工简历数据语义编码特征向量的集合中的第i个成功员工简历数据语义编码特征向量,和Wi分别表示权重系数向量和权重系数矩阵,Bi为偏移向量,Selu(·)表示Selu函数,ei为第i个所述成功员工简历数据语义编码特征向量的注意力打分值,λ和α都为超参数,softmax(·)表示softmax函数,t为所述成功员工简历数据语义编码特征向量的集合中向量的个数,V为所述成功员工简历特征共性显著化语义融合特征向量。
根据本公开的一个或多个实施例,示例4提供了示例3的方法,计算所述待评估对象简历语义编码特征向量和所述成功员工简历特征共性显著化语义融合特征向量之间的哈希相似度,并基于所述哈希相似度来确定是否滤除所述待评估对象的简历,包括:
对所述待评估对象简历语义编码特征向量和所述成功员工简历特征共性显著化语义融合特征向量进行特征优化以得到优化待评估对象简历语义编码特征向量和优化成功员工简历特征共性显著化语义融合特征向量;
计算所述优化待评估对象简历语义编码特征向量和所述优化成功员工简历特征共性显著化语义融合特征向量之间的所述哈希相似度;
基于所述哈希相似度与预定阈值之间的比较,确定是否滤除所述待评估对象的简历。
根据本公开的一个或多个实施例,示例5提供了示例4的方法,对所述待评估对象简历语义编码特征向量和所述成功员工简历特征共性显著化语义融合特征向量进行特征优化以得到优化待评估对象简历语义编码特征向量和优化成功员工简历特征共性显著化语义融合特征向量,包括:
分别计算所述待评估对象简历语义编码特征向量和所述成功员工简历特征共性显著化语义融合特征向量的加权系数以得到第一加权系数和第二加权系数;
以所述第一加权系数和所述第二加权系数作为加权因数对所述待评估对象简历语义编码特征向量和所述成功员工简历特征共性显著化语义融合特征向量进行加权优化以得到所述优化待评估对象简历语义编码特征向量和所述优化成功员工简历特征共性显著化语义融合特征向量。
根据本公开的一个或多个实施例,示例6提供了示例5的方法,响应于所述哈希相似度小于所述预定阈值,确定滤除所述待评估对象的简历。
根据本公开的一个或多个实施例,示例7提供了一种基于大数据的人力资源数据管理系统,所述系统包括:
简历数据获取模块,用于获取被标注为成功员工的简历数据的集合;
待评估对象的简历获取模块,用于获取待评估对象的简历;
第一语义编码模块,用于对所述被标注为成功员工的简历数据的集合中的各个被标注为成功员工的简历数据进行语义编码以得到成功员工简历数据语义编码特征向量的集合;
自相关简历数据显著化表征模块,用于对所述成功员工简历数据语义编码特征向量的集合进行自相关简历数据显著化表征以得到成功员工简历特征共性显著化语义融合特征向量;
第二语义编码模块,用于对所述待评估对象的简历进行语义编码以得到待评估对象简历语义编码特征向量;
滤除所述待评估对象的简历判断模块,用于计算所述待评估对象简历语义编码特征向量和所述成功员工简历特征共性显著化语义融合特征向量之间的哈希相似度,并基于所述哈希相似度来确定是否滤除所述待评估对象的简历。
根据本公开的一个或多个实施例,示例8提供了示例7的系统,所述自相关简历数据显著化表征模块,用于:将所述成功员工简历数据语义编码特征向量的集合通过自相关简历数据显著化融合网络以得到所述成功员工简历特征共性显著化语义融合特征向量。
根据本公开的一个或多个实施例,示例9提供了示例8的系统,所述自相关简历数据显著化表征模块,用于:将所述成功员工简历数据语义编码特征向量的集合通过所述自相关简历数据显著化融合网络以如下自相关显著化公式进行处理以得到所述成功员工简历特征共性显著化语义融合特征向量;
其中,所述自相关显著化公式为:
其中,hi为所述成功员工简历数据语义编码特征向量的集合中的第i个成功员工简历数据语义编码特征向量,和Wi分别表示权重系数向量和权重系数矩阵,Bi为偏移向量,Selu(·)表示Selu函数,ei为第i个所述成功员工简历数据语义编码特征向量的注意力打分值,λ和α都为超参数,softmax(·)表示softmax函数,t为所述成功员工简历数据语义编码特征向量的集合中向量的个数,V为所述成功员工简历特征共性显著化语义融合特征向量。
根据本公开的一个或多个实施例,示例10提供了示例9的系统,所述滤除所述待评估对象的简历判断模块,包括:
特征优化单元,用于对所述待评估对象简历语义编码特征向量和所述成功员工简历特征共性显著化语义融合特征向量进行特征优化以得到优化待评估对象简历语义编码特征向量和优化成功员工简历特征共性显著化语义融合特征向量;
哈希相似度计算单元,用于计算所述优化待评估对象简历语义编码特征向量和所述优化成功员工简历特征共性显著化语义融合特征向量之间的所述哈希相似度;
简历滤除判断单元,用于基于所述哈希相似度与预定阈值之间的比较,确定是否滤除所述待评估对象的简历。
图4是根据一示例性实施例示出的一种基于大数据的人力资源数据管理方法的应用场景图。如图4所示,在该应用场景中,首先,获取被标注为成功员工的简历数据的集合(例如,如图4中所示意的C1);获取待评估对象的简历(例如,如图4中所示意的C2);然后,将获取的成功员工的简历数据和评估对象的简历输入至部署有基于大数据的人力资源数据管理算法的服务器(例如,如图4中所示意的S)中,其中所述服务器能够基于大数据的人力资源数据管理算法对所述成功员工的简历数据和所述评估对象的简历进行处理,以基于所述哈希相似度来确定是否滤除所述待评估对象的简历。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
Claims (10)
1.一种基于大数据的人力资源数据管理方法,其特征在于,包括:
获取被标注为成功员工的简历数据的集合;
获取待评估对象的简历;
对所述被标注为成功员工的简历数据的集合中的各个被标注为成功员工的简历数据进行语义编码以得到成功员工简历数据语义编码特征向量的集合;
对所述成功员工简历数据语义编码特征向量的集合进行自相关简历数据显著化表征以得到成功员工简历特征共性显著化语义融合特征向量;
对所述待评估对象的简历进行语义编码以得到待评估对象简历语义编码特征向量;
计算所述待评估对象简历语义编码特征向量和所述成功员工简历特征共性显著化语义融合特征向量之间的哈希相似度,并基于所述哈希相似度来确定是否滤除所述待评估对象的简历。
2.根据权利要求1所述的基于大数据的人力资源数据管理方法,其特征在于,对所述成功员工简历数据语义编码特征向量的集合进行自相关简历数据显著化表征以得到成功员工简历特征共性显著化语义融合特征向量,包括:将所述成功员工简历数据语义编码特征向量的集合通过自相关简历数据显著化融合网络以得到所述成功员工简历特征共性显著化语义融合特征向量。
3.根据权利要求2所述的基于大数据的人力资源数据管理方法,其特征在于,将所述成功员工简历数据语义编码特征向量的集合通过自相关简历数据显著化融合网络以得到所述成功员工简历特征共性显著化语义融合特征向量,包括:将所述成功员工简历数据语义编码特征向量的集合通过所述自相关简历数据显著化融合网络以如下自相关显著化公式进行处理以得到所述成功员工简历特征共性显著化语义融合特征向量;
其中,所述自相关显著化公式为:
其中,hi为所述成功员工简历数据语义编码特征向量的集合中的第i个成功员工简历数据语义编码特征向量,和Wi分别表示权重系数向量和权重系数矩阵,Bi为偏移向量,Selu(·)表示Selu函数,ei为第i个所述成功员工简历数据语义编码特征向量的注意力打分值,λ和α都为超参数,softmax(·)表示softmax函数,t为所述成功员工简历数据语义编码特征向量的集合中向量的个数,V为所述成功员工简历特征共性显著化语义融合特征向量。
4.根据权利要求3所述的基于大数据的人力资源数据管理方法,其特征在于,计算所述待评估对象简历语义编码特征向量和所述成功员工简历特征共性显著化语义融合特征向量之间的哈希相似度,并基于所述哈希相似度来确定是否滤除所述待评估对象的简历,包括:
对所述待评估对象简历语义编码特征向量和所述成功员工简历特征共性显著化语义融合特征向量进行特征优化以得到优化待评估对象简历语义编码特征向量和优化成功员工简历特征共性显著化语义融合特征向量;
计算所述优化待评估对象简历语义编码特征向量和所述优化成功员工简历特征共性显著化语义融合特征向量之间的所述哈希相似度;
基于所述哈希相似度与预定阈值之间的比较,确定是否滤除所述待评估对象的简历。
5.根据权利要求4所述的基于大数据的人力资源数据管理方法,其特征在于,对所述待评估对象简历语义编码特征向量和所述成功员工简历特征共性显著化语义融合特征向量进行特征优化以得到优化待评估对象简历语义编码特征向量和优化成功员工简历特征共性显著化语义融合特征向量,包括:
分别计算所述待评估对象简历语义编码特征向量和所述成功员工简历特征共性显著化语义融合特征向量的加权系数以得到第一加权系数和第二加权系数;
以所述第一加权系数和所述第二加权系数作为加权因数对所述待评估对象简历语义编码特征向量和所述成功员工简历特征共性显著化语义融合特征向量进行加权优化以得到所述优化待评估对象简历语义编码特征向量和所述优化成功员工简历特征共性显著化语义融合特征向量。
6.根据权利要求5所述的基于大数据的人力资源数据管理方法,其特征在于,响应于所述哈希相似度小于所述预定阈值,确定滤除所述待评估对象的简历。
7.一种基于大数据的人力资源数据管理系统,其特征在于,包括:
简历数据获取模块,用于获取被标注为成功员工的简历数据的集合;
待评估对象的简历获取模块,用于获取待评估对象的简历;
第一语义编码模块,用于对所述被标注为成功员工的简历数据的集合中的各个被标注为成功员工的简历数据进行语义编码以得到成功员工简历数据语义编码特征向量的集合;
自相关简历数据显著化表征模块,用于对所述成功员工简历数据语义编码特征向量的集合进行自相关简历数据显著化表征以得到成功员工简历特征共性显著化语义融合特征向量;
第二语义编码模块,用于对所述待评估对象的简历进行语义编码以得到待评估对象简历语义编码特征向量;
滤除所述待评估对象的简历判断模块,用于计算所述待评估对象简历语义编码特征向量和所述成功员工简历特征共性显著化语义融合特征向量之间的哈希相似度,并基于所述哈希相似度来确定是否滤除所述待评估对象的简历。
8.根据权利要求7所述的基于大数据的人力资源数据管理系统,其特征在于,所述自相关简历数据显著化表征模块,用于:将所述成功员工简历数据语义编码特征向量的集合通过自相关简历数据显著化融合网络以得到所述成功员工简历特征共性显著化语义融合特征向量。
9.根据权利要求8所述的基于大数据的人力资源数据管理系统,其特征在于,所述自相关简历数据显著化表征模块,用于:将所述成功员工简历数据语义编码特征向量的集合通过所述自相关简历数据显著化融合网络以如下自相关显著化公式进行处理以得到所述成功员工简历特征共性显著化语义融合特征向量;
其中,所述自相关显著化公式为:
其中,hi为所述成功员工简历数据语义编码特征向量的集合中的第i个成功员工简历数据语义编码特征向量,和Wi分别表示权重系数向量和权重系数矩阵,Bi为偏移向量,Selu(·)表示Selu函数,ei为第i个所述成功员工简历数据语义编码特征向量的注意力打分值,λ和α都为超参数,softmax(i)表示softmax函数,t为所述成功员工简历数据语义编码特征向量的集合中向量的个数,V为所述成功员工简历特征共性显著化语义融合特征向量。
10.根据权利要求9所述的基于大数据的人力资源数据管理系统,其特征在于,所述滤除所述待评估对象的简历判断模块,包括:
特征优化单元,用于对所述待评估对象简历语义编码特征向量和所述成功员工简历特征共性显著化语义融合特征向量进行特征优化以得到优化待评估对象简历语义编码特征向量和优化成功员工简历特征共性显著化语义融合特征向量;
哈希相似度计算单元,用于计算所述优化待评估对象简历语义编码特征向量和所述优化成功员工简历特征共性显著化语义融合特征向量之间的所述哈希相似度;
简历滤除判断单元,用于基于所述哈希相似度与预定阈值之间的比较,确定是否滤除所述待评估对象的简历。
Publications (1)
Publication Number | Publication Date |
---|---|
CN118278902A true CN118278902A (zh) | 2024-07-02 |
Family
ID=
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020087974A1 (zh) | 生成模型的方法和装置 | |
WO2022247562A1 (zh) | 多模态数据检索方法、装置、介质及电子设备 | |
CN112364829B (zh) | 一种人脸识别方法、装置、设备及存储介质 | |
CN113765928B (zh) | 物联网入侵检测方法、设备及介质 | |
CN113723341B (zh) | 视频的识别方法、装置、可读介质和电子设备 | |
CN111738010B (zh) | 用于生成语义匹配模型的方法和装置 | |
WO2023143016A1 (zh) | 特征提取模型的生成方法、图像特征提取方法和装置 | |
CN113033580B (zh) | 图像处理方法、装置、存储介质及电子设备 | |
CN112200173B (zh) | 多网络模型训练方法、图像标注方法和人脸图像识别方法 | |
CN113140012B (zh) | 图像处理方法、装置、介质及电子设备 | |
CN113033707B (zh) | 视频分类方法、装置、可读介质及电子设备 | |
CN112241761B (zh) | 模型训练方法、装置和电子设备 | |
CN111797266B (zh) | 图像处理方法和装置、存储介质和电子设备 | |
CN113256339A (zh) | 资源投放的方法、装置、存储介质及电子设备 | |
CN115424060A (zh) | 模型训练方法、图像分类方法和装置 | |
CN118278902A (zh) | 基于大数据的人力资源数据管理方法及系统 | |
CN113255819B (zh) | 用于识别信息的方法和装置 | |
CN113610228B (zh) | 神经网络模型的构建方法及装置 | |
CN111737575B (zh) | 内容分发方法、装置、可读介质及电子设备 | |
CN114004313A (zh) | 故障gpu的预测方法、装置、电子设备及存储介质 | |
CN113486749A (zh) | 图像数据收集方法、装置、电子设备和计算机可读介质 | |
CN117636100B (zh) | 预训练任务模型调整处理方法、装置、电子设备和介质 | |
CN116343905B (zh) | 蛋白质特征的预处理方法、装置、介质及设备 | |
WO2023217263A1 (zh) | 数据处理方法、装置、设备及介质 | |
CN118071428A (zh) | 用于多模态监测数据的智能处理系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication |