KR102278627B1 - 구인구직 매칭 장치 및 그의 구인구직 매칭 방법 - Google Patents

구인구직 매칭 장치 및 그의 구인구직 매칭 방법 Download PDF

Info

Publication number
KR102278627B1
KR102278627B1 KR1020210007293A KR20210007293A KR102278627B1 KR 102278627 B1 KR102278627 B1 KR 102278627B1 KR 1020210007293 A KR1020210007293 A KR 1020210007293A KR 20210007293 A KR20210007293 A KR 20210007293A KR 102278627 B1 KR102278627 B1 KR 102278627B1
Authority
KR
South Korea
Prior art keywords
job
information
seeker
job seeker
matching
Prior art date
Application number
KR1020210007293A
Other languages
English (en)
Inventor
김현수
Original Assignee
주식회사 링크스타터랩
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 주식회사 링크스타터랩 filed Critical 주식회사 링크스타터랩
Priority to KR1020210007293A priority Critical patent/KR102278627B1/ko
Application granted granted Critical
Publication of KR102278627B1 publication Critical patent/KR102278627B1/ko

Links

Images

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
    • G06Q10/10—Office automation; Time management
    • G06Q10/105—Human resources
    • G06Q10/1053—Employment or hiring
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G06Q10/063112—Skill-based matching of a person or a group to a task
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

구인자와 구직자의 매칭 만족도를 계속적으로 향상시킬 수 있는 구인구직 매칭 장치 및 그의 구인구직 매칭 방법을 제공하기 위한 것으로, 복수의 기업 단말로부터 복수의 구인 정보를 수신하는 단계, 복수의 구직자 단말로부터 복수의 구직 정보를 수신하는 단계, 복수의 구인 정보 및 복수의 구직 정보에 기초하여, 기업 단말 및 구직자 단말 각각에 구직자 리스트 및 구인자 리스트를 제공하는 단계, 구직자 리스트 혹은 구인자 리스트에 따라 매칭이 성립된 구직자 및 구인자로부터 평가 정보를 수신하는 단계, 매칭이 성립된 구직자의 정보 및 구인자의 정보와 수신된 평가 정보를 소정의 머신러닝 알고리즘에 대한 학습 데이터로 이용하여, 구인자의 정보 및 구직자의 정보가 입력될 경우, 입력된 구인자의 정보에 포함된 키워드와 입력된 구직자의 정보에 포함된 키워드에 따른 적합도를 추출하는 신경망 모델을 학습하는 단계 및 소정의 데이터베이스에서 구인자의 정보 및 구직자의 정보가 신경망 모델에 입력되면, 구인자의 정보 및 구직자의 정보에 따른 적합도를 기초로 구직자 및 구인자를 추천하는 단계를 포함할 수 있다.

Description

구인구직 매칭 장치 및 그의 구인구직 매칭 방법{A job matching device and operating method thereof}
본 발명은 구인구직 매칭 장치 및 그의 구인구직 매칭 방법에 관한 것이다. 보다 상세하게는, 스타트업 업계에서의 구인자와 구직자 간의 매칭 프로세스에 관한 것이다,
스타트업이란, 설립한 지 오래되지 않은 신생 벤처기업을 의미하는 것으로 처음 사용되었고, 근래에는 혁신적인 기술과 아이디어 등을 보유하고 있으나 아직 자금력이 부족하며 규모가 작은 회사를 의미하는 것으로 널리 사용되고 있다. 이러한 스타트업은 기술과 인터넷 기반의 회사가 대부분이며, 잠재력과 높은 성장가능성을 갖춘 것으로 인식되고 있다.
최근, 스타트업의 수가 증가하는 추세에 있다. 이에, 스타트업이 창출하는 신규 일자리의 수가 함께 증가하게 되었으며, 전통적인 기업 대신 보다 자유롭고, 높은 성장 가능성을 가진 회사에서 능동적으로 일하고자 하는 구직자들도 증가하고 있다.
한편, 구직자들은 구직 활동시, 기업의 근무 환경, 조직 문화, 복지 시스템, 업무 내용, 연봉 체계 등 다양한 정보를 필요로 하나, 이러한 스타트업은 규모가 아직 작아 사람들에게 널리 알려지지 않은 만큼, 구직자들이 구직 활동에 있어 어려움을 겪는 경우가 즐비하다.
또한, 과거에는 스펙을 중심으로 구인구직이 이루어지는 경우가 대부분이었으나, 단순한 스펙만으로는 구직자 개개인의 성향, 능력 등이 드러나지 않기 때문에, 기업 입장에서는 구직자를 직원으로 채용한 후 업무를 함께한 결과, 성향 차이, 스펙 대비 실제 업무 능력 부족 등 기대와 다른 결과로 만족도가 저하되는 문제가 있다.
본 발명은 전술한 문제점들을 해결하는 것을 목적으로 한다.
본 발명은 스타트업 기업들의 정보를 구직자들이 보다 쉽게 획득하고, 접근할 수 있으며, 구직자 개개인에 어울리는 스타트업 기업을 보다 정확하게 찾을 수 있는 구인구직 매칭 장치 및 그의 구인구직 매칭 방법을 제공하고자 한다.
본 발명은 구인자가 나열해 놓은 단순 정보와 구직자의 단순 스펙에 의하지 않는 구인자와 구직자를 매칭하는 구인구직 매칭 장치 및 그의 구인구직 매칭 방법을 제공하고자 한다.
본 발명은 구인자와 구직자의 매칭 만족도를 계속적으로 향상시킬 수 있는 구인구직 매칭 장치 및 그의 구인구직 매칭 방법을 제공하고자 한다.
본 발명의 실시 예에 따른 구인구직 매칭 장치의 구인구직 매칭 방법은 구직자가 직접 작성한 스토리 텍스트와 구인자가 직접 작성한 스토리 텍스트 간의 키워드를 매칭시킴으로써 구직자에게 구인자 리스트를 제공하고, 구인자에게 구직자 리스트를 제공함으로써, 각 구직자 및 구인자가 선호하는 정보를 갖는 대상으로 매칭시킬 수 있다.
본 발명의 실시 예에 따르면, 매칭 후 구인자 및 구직자로부터 소정 기간 후 평가 정보를 수신하여 매칭 알고리즘에 반영할 수 있다.
본 발명의 실시 예에 따르면, 매칭 후 미리 정해진 연차에 해당하는 기간 혹은 직무 변경 시점/연봉 변경 시점의 기간 후 평가 정보를 매칭 알고리즘에 반영할 수 있다.
본 발명의 실시 예에 따르면, 구직자 및 구인자 매칭시 단순 나열 정보와 스펙에 의하지 않고, 구직자/구인자가 직접 작성한 스토리 텍스트에 기반하여 각각이 선호하는 대상과 매칭시키므로, 구직자 및 구인자의 매칭 정확도를 향상시킬 수 있는 이점이 있다.
본 발명의 실시 예에 따르면, 실제 매칭에 대한 피드백에 기반하여 구인자 및 구직자를 매칭하므로, 매칭 만족도가 향상되는 이점이 있다.
본 발명의 실시 예에 따르면, 실제 매칭에 대한 피드백을 구인구직 후 소정 기간, 특히 중요 이벤트가 발생한 시점 후 이루어지기 때문에 구인자/구직자로부터 매칭 전과 매칭 후에 대한 만족도가 보다 정확하게 반영되는 이점이 있다.
도 1은 본 발명의 일 실시 예에 따른 구인구직 매칭 장치와 기업 단말 및 구직자 단말을 포함하는 구인구직 매칭 시스템의 개념도이다.
도 2는 본 발명의 실시 예들에 따른 기업 단말의 구성에 대한 블록도를 도시한다.
도 3은 본 발명의 실시 예들에 따른 구직자 단말의 구성에 대한 블록도를 도시한다.
도 4는 본 발명의 실시 예에 따른 구인구직 매칭 장치의 제어 블록도이다.
도 5는 도 4에 도시된 적합도 추출부(105)의 상세 구성도이다.
도 6은 본 발명의 실시 예에 따른 구인자의 정보 및 구직자의 정보로부터 적합도를 추출하는 머신러닝 기반의 신경망 모델의 예시이다.
도 7은 본 발명의 실시 예에 따른 구인구직 매칭 장치의 동작 방법이 도시된 순서도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명의 범주는 청구항에 의해 정의될 뿐이다.
본 발명의 실시예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명은 본 발명의 실시예들을 설명함에 있어 실제로 필요한 경우 외에는 생략될 것이다. 그리고 후술되는 용어들은 본 발명의 실시예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
도면에 표시되고 아래에 설명되는 기능 블록들은 가능한 구현의 예들일 뿐이다. 다른 구현들에서는 상세한 설명의 사상 및 범위를 벗어나지 않는 범위에서 다른 기능 블록들이 사용될 수 있다. 또한 본 발명의 하나 이상의 기능 블록이 개별 블록들로 표시되지만, 본 발명의 기능 블록들 중 하나 이상은 동일 기능을 실행하는 다양한 하드웨어 및 소프트웨어 구성들의 조합일 수 있다.
또한 어떤 구성 요소들을 포함한다는 표현은 개방형의 표현으로서 해당 구성 요소들이 존재하는 것을 단순히 지칭할 뿐이며, 추가적인 구성 요소들을 배제하는 것으로 이해되어서는 안 된다.
나아가 어떤 구성 요소가 다른 구성 요소에 연결되어 있다거나 접속되어 있다고 언급될 때에는, 그 다른 구성 요소에 직접적으로 연결 또는 접속되어 있을 수도 있지만, 중간에 다른 구성 요소가 존재할 수도 있다고 이해되어야 한다.
또한 '제1, 제2' 등과 같은 표현은 복수의 구성들을 구분하기 위한 용도로만 사용된 표현으로써, 구성들 사이의 순서나 기타 특징들을 한정하지 않는다.
이하에서는 도면들을 참조하여 본 발명의 실시예들에 대해 설명하도록 한다.
도 1은 본 발명의 일 실시 예에 따른 구인구직 매칭 장치와 기업 단말 및 구직자 단말을 포함하는 구인구직 매칭 시스템의 개념도이다.
구인구직 매칭 장치(100)는 구인자와 구직자를 매칭시킬 수 있다. 구인자와 구직자를 매칭시키는 방법에 대해서는 도 4에서 상세히 설명하기로 한다.
기업 단말(110: 110-1, 110-2, ..., 110-n)은 각각의 기업에 의하여 운영되는 단말이다. 각각의 기업 단말(101-1, 110-2, ..., 110-n)은 각각의 기업에 대응된다.
기업 단말(110)은, 유/무선 통신 네트워크(140)를 통하여 구인구직 매칭 장치(100)에게 기업 정보, 구직자 조건 정보를 전송할 수 있다. 여기서, 구직자 조건 정보는, 기업이 채용하고자 하는 구직자에 대한 조건 정보를 의미할 수 있다.
기업 단말(110)은 구인구직 매칭 장치(100)로부터 구직자 조건 정보에 대응하는 다수의 구직자 정보를 수신할 수 있다. 여기서, 다수의 구직자 정보는 구직자 조건 정보에 기초하여 매칭된 구직자들의 정보를 의미할 수 있다.
기업 단말(110)은 컴퓨터, 셀룰러 폰, 스마트 폰 및 태블릿 컴퓨터 등과 같이, 정보를 입력할 수 있는 입력 장치, 정보를 출력할 수 있는 출력 장치, 정보를 저장할 수 있는 메모리, 정보의 송수신을 수행할 수 있는 송수신부, 정보의 연산을 수행할 수 있는 적어도 하나의 프로세서를 포함하는 전자 장치일 수 있다.
구직자 단말(120: 120-1, 120-2, ..., 120-n)은 각각의 구직자에 의하여 운영되는 단말이다. 각각의 구직자 단말(120: 120-1, 120-2, ..., 120-n)은 각각의 구직자에 대응된다.
구직자 단말(120)은, 유/무선 통신 네트워크(140)를 통하여 구인구직 매칭 장치(100)에게 구직자 정보, 기업 조건 정보를 전송할 수 있다. 여기서, 기업 조건 정보는, 구직자가 취업하길 희망하는 기업에 대한 조건 정보를 의미할 수 있다.
구직자 단말(120)은 구인구직 매칭 장치(100)로부터 기업 조건 정보에 대응하는 다수의 구인자 정보를 수신할 수 있다. 여기서, 다수의 구인자 정보는 기업 조건 정보에 기초하여 매칭된 구인자의 정보(즉, 기업 정보)를 의미할 수 있다.
구직자 단말(120)은 컴퓨터, 셀룰러 폰, 스마트 폰 및 태블릿 컴퓨터 등과 같이, 정보를 입력할 수 있는 입력 장치, 정보를 출력할 수 있는 출력 장치, 정보를 저장할 수 있는 메모리, 정보의 송수신을 수행할 수 있는 송수신부, 정보의 연산을 수행할 수 있는 적어도 하나의 프로세서를 포함하는 전자 장치일 수 있다.
구인구직 매칭 장치(100)는, 유/무선 통신 네트워크(140)를 통하여 기업 단말(110)로부터 복수의 기업 정보, 구직자 조건 정보를 수신하고, 구직자 단말(120)로부터 복수의 구직자 정보, 기업 조건 정보를 수신하며, 기업 단말(110)에게 구직자 조건 정보에 매칭되는 다수의 구직자 정보를 전송하고, 구직자 단말(120)에게 기업 조건 정보에 매칭되는 다수의 구인자 정보를 전송할 수 있는 전자 장치이다.
구인구직 매칭 장치(100)는 정보를 저장할 수 있는 메모리, 정보의 송수신을 수행할 수 있는 송수신부, 정보의 연산을 수행할 수 있는 적어도 하나의 프로세서를 포함하는 전자 장치일 수 있다.
유/무선 통신 네트워크(140)는, 기업 단말(110), 구직자 단말(120) 및 구인구직 매칭 장치(100)가 서로 신호 및 데이터를 송수신할 수 있는 통신 경로를 제공한다. 유/무선 통신 네트워크(140)는 특정한 통신 프로토콜에 따른 통신 방식에 한정되지 않으며, 구현 예에 따라 적절한 통신 방식이 사용될 수 있다. 예를 들어, 인터넷 프로토콜(IP) 기초의 시스템으로 구성되는 경우 유/무선 통신 네트워크(140)는 유무선 인터넷망으로 구현될 수 있으며, 기업 단말(110), 구직자 단말(120) 및 구인구직 매칭 장치(100)가 이동 통신 단말로서 구현되는 경우 유/무선 통신 네트워크(140)는 셀룰러 네트워크 또는 WLAN(wireless local area network) 네트워크와 같은 무선망으로 구현될 수 있다.
도 2는 본 발명의 실시 예들에 따른 기업 단말의 구성에 대한 블록도를 도시한다.
도 2를 참고하면, 본 발명의 실시 예들에 따른 기업 단말(110: 110-1, 110-2, ..., 110-n)은 메모리(111), 송수신부(112), 프로세서(113), 입력 장치(114) 및 출력 장치(115)를 포함한다.
메모리(111)는, 송수신부(112), 입력 장치(114), 출력 장치(115)와 연결되고, 입력 장치(114)를 통해 입력된 기업 정보, 구직자 조건 정보, 송수신부(112)의 통신을 통해 구인구직 매칭 장치(100)로부터 수신한 다수의 구직자 정보 등을 저장할 수 있다. 또한, 메모리(111)는, 프로세서(113)와 연결되고 프로세서(113)의 동작을 위한 기본 프로그램, 응용 프로그램, 설정 정보, 프로세서(113)의 연산에 의하여 생성된 정보 등의 데이터를 저장할 수 있다. 메모리(111)는 휘발성 메모리, 비휘발성 메모리 또는 휘발성 메모리와 비휘발성 메모리의 조합으로 구성될 수 있다. 그리고, 메모리(111)는 프로세서(113)의 요청에 따라 저장된 데이터를 제공할 수 있다.
송수신부(112)는, 프로세서(113)와 연결되고 신호를 전송 및/또는 수신한다. 송수신부(112)의 전부 또는 일부는 송신기(transmitter), 수신기(receiver), 또는 송수신기(transceiver)로 지칭될 수 있다. 송수신부(112)는 유선 접속 시스템 및 무선 접속 시스템들인 IEEE(institute of electrical and electronics engineers) 802.xx 시스템, IEEE Wi-Fi 시스템, 3GPP(3rd generation partnership project) 시스템, 3GPP LTE(long term evolution) 시스템, 3GPP 5G NR(new radio) 시스템, 3GPP2 시스템, 블루투스(bluetooth) 등 다양한 무선 통신 규격 중 적어도 하나를 지원할 수 있다.
프로세서(113)는, 본 발명에서 제안한 절차 및/또는 방법들을 구현하도록 구성될 수 있다. 프로세서(113)는 기업 단말(110)의 전반적인 동작들을 제어한다. 예를 들어, 프로세서(113)는 송수신부(112)를 통해 정보 등을 전송 또는 수신한다. 또한, 프로세서(113)는 메모리(111)에 데이터를 기록하고, 읽는다. 또한, 프로세서(113)는 입력 장치(114)를 통해 정보를 입력 받는다. 또한, 프로세서(113)는 출력 장치(115)를 통해 정보를 출력한다. 프로세서(113)는 적어도 하나의 프로세서(processor)를 포함할 수 있다.
입력 장치(114)는, 프로세서(113)와 연결되고 기업 정보, 구직자 조건 정보 등을 입력할 수 있다. 일 실시 예에 따라서, 입력 장치(114)는 송수신부(112)를 통해 유/무선 통신 네트워크(140)로 연결된 다른 장치로부터 수신한 정보 등을 입력할 수 있다. 입력 장치(114)는 기업 단말(110)의 터치 디스플레이, 키 패드, 키보드 등을 포함할 수 있다.
출력 장치(115)는, 프로세서(113)와 연결되고 다수의 구직자 정보 등을 영상/음성 등의 형태로 출력할 수 있다. 일 실시 예에 따라서, 출력 장치(115)는 송수신부(112)를 통해 유/무선 통신 네트워크(140)로 연결된 다른 장치로부터 수신한 정보 등을 출력할 수 있다. 출력 장치(115)는 기업 단말(110)의 디스플레이, 스피커 등을 포함할 수 있다.
도 3은 본 발명의 실시 예들에 따른 구직자 단말의 구성에 대한 블록도를 도시한다.
도 3을 참고하면, 본 발명의 실시 예들에 따른 구직자 단말(120: 120-1, 120-2, ..., 120-n)은 메모리(121), 송수신부(122), 프로세서(123), 입력 장치(124) 및 출력 장치(125)를 포함한다.
메모리(121)는, 송수신부(122), 입력 장치(124), 출력 장치(125)와 연결되고, 입력 장치(124)를 통해 입력된 구직자 정보, 기업 조건 정보, 송수신부(122)의 통신을 통해 구인구직 매칭 장치(100)로부터 수신한 다수의 구인자 정보 등을 저장할 수 있다. 또한, 메모리(121)는, 프로세서(123)와 연결되고 프로세서(123)의 동작을 위한 기본 프로그램, 응용 프로그램, 설정 정보, 프로세서(123)의 연산에 의하여 생성된 정보 등의 데이터를 저장할 수 있다. 메모리(121)는 휘발성 메모리, 비휘발성 메모리 또는 휘발성 메모리와 비휘발성 메모리의 조합으로 구성될 수 있다. 그리고, 메모리(121)는 프로세서(123)의 요청에 따라 저장된 데이터를 제공할 수 있다.
송수신부(122)는, 프로세서(123)와 연결되고 신호를 전송 및/또는 수신한다. 송수신부(122)의 전부 또는 일부는 송신기(transmitter), 수신기(receiver), 또는 송수신기(transceiver)로 지칭될 수 있다. 송수신부(122)는 유선 접속 시스템 및 무선 접속 시스템들인 IEEE(institute of electrical and electronics engineers) 802.xx 시스템, IEEE Wi-Fi 시스템, 3GPP(3rd generation partnership project) 시스템, 3GPP LTE(long term evolution) 시스템, 3GPP 5G NR(new radio) 시스템, 3GPP2 시스템, 블루투스(bluetooth) 등 다양한 무선 통신 규격 중 적어도 하나를 지원할 수 있다.
프로세서(123)는, 본 발명에서 제안한 절차 및/또는 방법들을 구현하도록 구성될 수 있다. 프로세서(123)는 구직자 단말(120)의 전반적인 동작들을 제어한다. 예를 들어, 프로세서(123)는 송수신부(122)를 통해 정보 등을 전송 또는 수신한다. 또한, 프로세서(123)는 메모리(121)에 데이터를 기록하고, 읽는다. 또한, 프로세서(123)는 입력 장치(124)를 통해 정보를 입력 받는다. 또한, 프로세서(123)는 출력 장치(125)를 통해 정보를 출력한다. 프로세서(123)는 적어도 하나의 프로세서(processor)를 포함할 수 있다.
입력 장치(124)는, 프로세서(123)와 연결되고 기업 정보, 구직자 조건 정보 등을 입력할 수 있다. 일 실시 예에 따라서, 입력 장치(124)는 송수신부(122)를 통해 유/무선 통신 네트워크(140)로 연결된 다른 장치로부터 수신한 정보 등을 입력할 수 있다. 입력 장치(124)는 구직자 단말(120)의 터치 디스플레이, 키 패드, 키보드 등을 포함할 수 있다.
출력 장치(125)는, 프로세서(123)와 연결되고 다수의 구직자 정보 등을 영상/음성 등의 형태로 출력할 수 있다. 일 실시 예에 따라서, 출력 장치(125)는 송수신부(122)를 통해 유/무선 통신 네트워크(140)로 연결된 다른 장치로부터 수신한 정보 등을 출력할 수 있다. 출력 장치(125)는 구직자 단말(120)의 디스플레이, 스피커 등을 포함할 수 있다.
도 4는 본 발명의 실시 예에 따른 구인구직 매칭 장치의 제어 블록도이다.
구인구직 매칭 장치(100)는 구인자 관리부(101), 구직자 관리부(102), 리스트 관리부(103), 평가 관리부(104), 적합도 추출부(105), 추천부(106), 데이터베이스(107) 및 제어부(109) 중 적어도 일부 또는 전부를 포함할 수 있다.
구인자 관리부(101)는 기업 단말(110)과 신호를 송수신하며, 기업 단말(110)로부터 수신한 기업 정보 및 구직자 조건 정보를 관리할 수 있다.
정리하면, 구인자 관리부(101)는 복수의 기업 단말(110)로부터 복수의 구인 정보를 수신하며, 여기서 구인 정보는 기업 정보와 구직자 조건 정보를 포함할 수 있다.
구직자 관리부(102)는 구직자 단말(120)과 신호를 송수신하며, 구직자 단말(120)로부터 수신한 구직자 정보 및 기업 조건 정보를 관리할 수 있다.
정리하면, 구직자 관리부(102)는 복수의 구직자 단말(120)로부터 복수의 구직 정보를 수신하며, 여기서 구직 정보는 구직자 정보와 기업 조건 정보를 포함할 수 있다.
리스트 관리부(103)는 기업 단말(110)로부터 수신한 구인 정보에 기초하여 기업 단말(110)에 구직자 리스트를 제공하고, 구직자 단말(120)로부터 수신한 구직 정보에 기초하여 구직자 단말(120)에 구인자 리스트를 제공할 수 있다.
구직자 리스트는 기업 단말(100)이 전송한 구인 정보에 매칭되는 구직자들로 이루어진 리스트이고, 구인자 리스트는 구직자 단말(100)이 전송한 구직 정보에 매칭되는 구인자(기업)들로 이루어진 리스트이다.
이하, 구직자 리스트를 생성하는 방법과 구인자 리스트를 생성하는 방법을 설명한다.
먼저, 구직자 리스트를 생성하는 방법을 설명한다.
구인 정보는 직무 정보(부서, 직무, 직무수준(신입,주니어,시니어), 관리자 여부, 연봉, 스톡옵션정보, 위치, 경력(해당직무 몇년), 근무형태(인턴,정규직,계약직), 스킬(컴퓨터 프로그램), 학위 등), 회사 정보( 유연근무제, 재택근무, 연봉책정시기(3,6,12 - 3/6/12 개월마다 연봉협상가능/스타트업특성고려), 투자유치단계, 정부과제선정 이력, 매출정보), 구인자의 팀원 정보(구직자와 같이 일을 하게 될 팀원의 MBTI, 버크만 진단 정보, 플랫폼 상에서 팔로우 정보(플랫폼에서 특정 구직자를 팔로우, 구인자/구직자 맞팔로우가 있을 수 있음)), 회사에서 제공하는 혜택 및 복지(편의시설, 장비지원, 식대, 경조사 지원, 각종 수당)을 포함할 수 있다.
구인 정보는 기업 정보를 포함하며, 기업 정보는 적어도 하나 이상의 스토리 텍스트를 포함할 수 있다. 여기서, 스토리 텍스트는 기업 단말(110)을 통해 직접 입력된 텍스트이며, 기업에 대하여 주제 제한 없이 자유롭게 작성된 소개 글일 수 있다. 기업 정보는 소정 개수(예를 들어, 3개)의 스토리 텍스트를 포함할 수 있고, 이와 같이 스토리 텍스트의 개수가 강제되면 기업과 구직자 간에 공유되는 기업 정보 품질이 보장되는 이점이 있다.
리스트 관리부(103)는 구인 정보에 포함된 텍스트와 구직자 정보에 포함된 텍스트를 비교하여, 일치하는 키워드를 식별하고, 식별된 키워드의 수가 많은 순서대로 구직자들을 나열한 구직자 리스트를 생성할 수 있다. 리스트 관리부(103)는 생성된 구직자 리스트를 기업 단말(110)에 전송할 수 있다.
다음으로, 구인자 리스트를 생성하는 방법을 설명한다.
구직 정보는 희망하는 회사 정보(유연근무제, 재택근무, 연봉책정시기(3,6,12 - 3/6/12 개월마다 연봉협상가능/스타트업특성고려), 투자유치단계, 정부과제선정 이력, 매출정보), 직무 정보(부서, 직무, 직무수준(신입,주니어,시니어), 관리자 여부, 연봉, 스톡옵션정보, 위치, 경력(해당직무 몇년), 근무형태(인턴,정규직,계약직), 스킬(컴퓨터 프로그램), 학위 등), 구직자 스스로에 대한 정보(구직자의 MBTI, 버크만 진단 정보, 팔로우 정보(플랫폼에서 특정 구인자를 팔로우, 구인자/구직자 맞팔로우가 있을 수 있음)), 구직자가 원하는 혜택 및 복지(편의시설, 장비지원, 식대, 경조사 지원, 각종 수당)을 포함할 수 있다.
구직 정보는 구직자 정보를 포함하며, 구직자 정보는 적어도 하나 이상의 스토리 텍스트를 포함할 수 있다. 여기서, 스토리 텍스트는 구직자 단말(120)을 통해 직접 입력된 텍스트이며, 구직자에 대하여 주제 제한 없이 자유롭게 작성된 소개 글일 수 있다. 구직자 정보는 소정 개수(예를 들어, 3개)의 스토리 텍스트를 포함할 수 있고, 이와 같이 스토리 텍스트의 개수가 강제되면 기업과 구직자 간에 공유되는 기업 정보 품질이 보장되는 이점이 있다.
리스트 관리부(103)는 구직 정보에 포함된 텍스트와 구인자 정보에 포함된 텍스트를 비교하여, 일치하는 키워드를 식별하고, 식별된 키워드의 수가 많은 순서대로 구인자들을 나열한 구인자 리스트를 생성할 수 있다. 리스트 관리부(103)는 생성된 구인자 리스트를 구직자 단말(120)에 전송할 수 있다.
리스트 관리부(103)는 기업 단말(110)로부터 구직자 리스트에서 어느 하나를 선택하는 명령을 수신하면, 선택된 구직자와의 채용 경로를 제공할 수 있다. 반대로, 리스트 관리부(103)는 구직자 단말(120)로부터 구인자 리스트에서 어느 하나를 선택하는 명령을 수신하면, 선택된 구인자(기업)과의 입사 경로를 제공할 수 있다. 이와 같이, 리스트 관리부(103)가 제공하는 채용 경로 혹은 입사 경로를 통해 구직자가 구인자 기업으로 입사하게 될 경우, 구직자와 구인자 간 매칭이 성립할 수 있다. 그러나, 만약 리스트 관리부(103)가 채용 경로 혹은 입사 경로를 제공하였음에도 불구하고, 구직자가 구인자 기업으로 입사하지 않을 경우에는 구직자와 구인자 간 매칭이 성립하지 않을 수도 있다.
평가 관리부(104)는 구직자 리스트 혹은 구인자 리스트에 따라 매칭이 성립된 구직자 및 구인자로부터 평가 정보를 수신할 수 있다.
구인자 입장에서 평가하는 항목의 예로는, 업무성실도(0~5점), 업무완성도(0~5점). 커뮤니케이션 역량(0~5점), 직무 수준(0~5점), 타 직원 평가(0~5점) 및 합격 여부(인턴 기간(예를 들어, 3개월)이 지난 시점에 정규직 전환합격여부, 불합격으로 체크되는 경우 평가 학습데이터에서 배제할 수 있음 - 최저점을 주었을 확률이 높음)가 있을 수 있고, 구직자 입장에서 평가하는 항목의 예로는, 직무 만족도(예를 들어, 내 의견이 얼마나 반영이 되느냐(0~5점)), 보상 만족도(내 기여 대비 성과 보상이 탄력적이냐(0~5점)) 및 시스템 만족도(고용 안정성(예를 들어, 인권 보호 정책, 근로기준법 준수), 불편한 것(예를 들어, 사생활 침해, 성희롱, 야근 강요, 회식 강요, 비속어), 직무 변동성(예를 들어, 입사 후 직무 변동이 심하거나, 다양한 업무를 하게 되는 경우)이 있을 수 있으나, 이는 예시적인 것에 불과하므로, 이에 제한되지 않음이 타당하다.
한편, 평가 관리부(104)는 미리 정해진 평가 항목 외에 수동으로 평가 항목을 입력받아 새로운 평가 항목에 대한 평가를 수신할 수도 있다. 이 경우, 후술하는 신경망 모델은 수동으로 입력된 평가 항목을 딥러닝 모델의 학습에 이용하여 딥러닝 모델을 업데이트할 수도 있다.
상술한 예시에 따르면, 평가 정보는 구인자 평가 정보와 구직자 평가 정보를 포함하고, 평가 관리부(104)는 구인자로부터 업무성실도, 업무완성도, 커뮤니케이션 역량, 직무 수준, 타직원 평가 및 합격 여부 중 적어도 하나를 포함하는 구인자 평가 정보를 수신하고, 구직자로부터 직무 만족도, 보상 만족도 및 시스템 만족도 중 적어도 하나를 포함하는 구직자 평가 정보를 수신할 수 있다.
적합도 추출부(105)는 구인 정보 및 구직 정보가 입력될 경우, 입력된 구인 정보에 포함된 키워드와 입력된 구직 정보에 포함된 키워드에 따른 적합도를 추출하는 신경망 모델을 포함할 수 있고, 이러한 신경망 모델은 매칭이 성립된 구직자의 정보 및 구인자의 정보와 평가 관리부(104)가 수신한 평가 정보를 소정의 머신러닝 알고리즘에 대한 학습 데이터로 이용할 수 있다.
도 5는 도 4에 도시된 적합도 추출부(105)의 상세 구성도이다.
도 5를 참조하면, 적합도 추출부(105)는 정보 수집부(152), 평가 정보 수집부(154) 및 모델 생성부(156)를 포함할 수 있다.
정보 수집부(152)는 구인자 관리부(101)가 관리 중인 구인 정보를 수집하고, 구직자 관리부(102)가 관리 중인 구직 정보를 수집할 수 있다.
평가 정보 수집부(154)는 평가 관리부(104)가 수신한 평가 정보를 수집할 수 있다.
모델 생성부(156)는 정보 수집부(152) 및 평가 정보 수집부(154)가 수신한 구인 정보, 구직 정보 및 평가 정보를 획득하면, 구인 정보와 구직 정보 간에 매칭되는 키워드들의 조합에 따라 적합도를 추출하는 소정의 머신러닝 알고리즘을 통해 학습된 신경망 모델에 구인자의 정보 및 구직자의 정보가 입력되면 적합도를 추출할 수 있다. 모델 생성부(156)는 이러한 신경망 모델을 아래의 방법을 통해 생성할 수 있다.
도 6은 본 발명의 실시 예에 따른 구인자의 정보 및 구직자의 정보로부터 적합도를 추출하는 머신러닝 기반의 신경망 모델의 예시이다.
머신러닝(기계 학습, Machine Learning)은 인공 지능 분야에서 다루는 다양한 문제를 정의하고 그것을 해결하는 방법론을 연구하는 분야를 의미한다. 머신러닝은 어떠한 작업에 대하여 꾸준한 경험을 통해 그 작업에 대한 성능을 높이는 알고리즘으로 정의하기도 한다.
인공 신경망(ANN: Artificial Neural Network)은 머신러닝에서 사용되는 모델로서, 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)들로 구성되는, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 인공 신경망은 다른 레이어의 뉴런들 사이의 연결 패턴, 모델 파라미터를 갱신하는 학습 과정, 출력값을 생성하는 활성화 함수(Activation Function)에 의해 정의될 수 있다.
인공 신경망은 입력층(Input Layer), 출력층(Output Layer), 그리고 선택적으로 하나 이상의 은닉층(Hidden Layer)를 포함할 수 있다. 각 층은 하나 이상의 뉴런을 포함하고, 인공 신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다. 인공 신경망에서 각 뉴런은 시냅스를 통해 입력되는 입력 신호들, 가중치, 편향에 대한 활성 함수의 함수값을 출력할 수 있다.
모델 파라미터는 학습을 통해 결정되는 파라미터를 의미하며, 시냅스 연결의 가중치와 뉴런의 편향 등이 포함된다. 그리고, 하이퍼파라미터는 머신러닝 알고리즘에서 학습 전에 설정되어야 하는 파라미터를 의미하며, 학습률(Learning Rate), 반복 횟수, 미니 배치 크기, 초기화 함수 등이 포함된다.
인공 신경망의 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다. 손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표로 이용될 수 있다.
머신러닝은 학습 방식에 따라 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning)으로 분류할 수 있다.
지도 학습은 학습 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시키는 방법을 의미하며, 레이블이란 학습 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다. 비지도 학습은 학습 데이터에 대한 레이블이 주어지지 않는 상태에서 인공 신경망을 학습시키는 방법을 의미할 수 있다. 강화 학습은 어떤 환경 안에서 정의된 에이전트가 각 상태에서 누적 보상을 최대화하는 행동 혹은 행동 순서를 선택하도록 학습시키는 학습 방법을 의미할 수 있다.
인공 신경망 중에서 복수의 은닉층을 포함하는 심층 신경망(DNN: Deep Neural Network)으로 구현되는 머신러닝을 딥러닝(심층 학습, Deep Learning)이라 부르기도 하며, 딥러닝은 머신러닝의 일부이다. 이하에서, 머신러닝은 딥러닝을 포함하는 의미로 사용될 수 있다.
도 6을 참조하면, 모델 생성부(156)는 일 실시예에 따라 머신러닝 알고리즘 중 딥러닝 알고리즘을 이용하여 신경망 모델을 학습시킬 수 있고, 일 실시예에 따른 신경망 모델은 입력 레이어, 은닉 레이어 및 출력 레이어를 포함하는 신경망으로 구성될 수 있다. 모델 생성부(156)는 구직자의 정보, 구인자의 정보 및 평가 정보를 입력 레이어에 입력될 파라미터로 설정하고, 구직자의 정보에 포함된 키워드와 구인자의 정보에 포함된 키워드 간의 매칭 조합에 따른 적합도를 출력 레이어에 입력될 파라미터로 설정할 수 있다.
이후, 모델 생성부(156)는 구직자의 정보 및 구인자의 정보와 평가 정보를 통해 수집된 다수의 데이터를 학습데이터로 이용하거나, 또는 아래에 예시될 파라미터에 대한 변수를 포함하는 외부 데이터를 이용하여 상기 설정에 따라 신경망 모델을 학습시킬 수 있다. 구직자의 정보 및 구인자의 정보와 평가 정보가 신경망 모델의 학습과정에서 입력됨에 따라 이에 따른 적합도를 도출하도록 상관 관계가 학습될 수 있다. 이 때, 평가 정보는 상관관계 점수로 도출될 수 있고, 예를 들어 구인자 평가점수(100점 환산) / 구직자 평가점수(100점 환산)로 환산될 수 있다.
이때, 특정 기간 별 평가 정보에 대해 가중치를 부여할 수 있으며, 제1 기간에 따른 평가 이후에, 제2 기간에 따른 평가가 업데이트 되는 경우, 제1 기간을 포함하는 기간인 제2 기간에 따른 평가 정보에 대해 더 높은 가중치를 부여할 수 있다. 즉, 평가 정보가 복수회 수집될 경우, 더 오래된 기간에 대해 수집된 평가 정보일수록 더 높은 가중치가 부여될 수 있다.
이때 각 기간별 상관관계 점수는 아래와 같이 산출될 수 있다. 제1 기간은 가장 처음에 수집된 평가 정보의 대상이 되는 기간이고, 제 n기간은 가장 마지막에 수집된 평가 정보의 대상이 되는 기간을 의미할 수 있다. 즉, 제1 기간이 가장 짧은 기간이고, 제n 기간은 가장 긴 기간일 수 있다.
이때, 제 1기간에 따른 상관관계점수는,
(1) 구인자 평가점수(100점 환산) / 구직자 평가점수(100점 환산) * (제 1기간 일수)/(제1 기간일수 + … + 제 n기간 일수)
제 2기간에 따른 상관관계점수는,
(2) 구인자 평가점수(100점 환산) / 구직자 평가점수(100점 환산) * (제 2기간 일수)/(제1 기간일수 + … + 제 n기간 일수)
제 n기간에 따른 상관관계점수는,
(n) 구인자 평가점수(100점 환산) / 구직자 평가점수(100점 환산) * (제n기간의 일수)/(제 1기간일수 + … +제 n기간 일수)
위와 같은 각 기간별 상관관계를 학습하여 기간별 적합도를 산출할 수 있으며, 나아가, 각 기간별 누적적 상관관계 점수는 아래와 같이 산출될 수 있다.
(제 1기간 상관관계 점수 + … + 제 n기간 상관관계 점수) / n
위와 같은 누적적 상관관계 점수를 이용하여 총 누적적 기간에 대한 상호 적합도를 산출할 수 있게 된다.
일 예로, 구직자의 정보 및 구인자의 정보 사이에 매칭되는 키워드의 수와 평가 정보의 관계가 레이블링된 학습 데이터들이 입력되도록 하고, 출력층에는 적합도가 레이블링된 학습 데이터들이 입력되도록 설정할 수 있다. 이 경우, 신경망 모델은 매칭되는 키워드의 개수와 평가 정보 간의 관계를 통해 적합도를 산출할 수 있다. 이를 통해, 매칭되는 키워드의 개수가 많은 구직자/구인자가 우선적으로 추천될 수 있다. 즉, 매칭되는 키워드의 개수가 많은 구직자/구인자가 추천 리스트에서 우선적으로 표시될 수 있다.
다른 예로, 구직자의 정보 및 구인자의 정보 사이에 매칭되는 각각의 키워드가 나타내는 정보 타입과 평가 정보의 관계가 레이블링된 학습 데이터들이 입력되도록 하고, 출력층에는 적합도가 레이블링된 학습 데이터들이 입력되도록 설정할 수 있다. 이 경우, 매칭되는 키워드가 나타내는 정보의 타입과 평가 정보 간의 관계를 통해 적합도를 산출할 수 있다. 이를 통해, 매칭되는 키워드가 어떤 정보를 나타내는 지에 따라 어떤 구직자/구인자간 적합도가 좋은 지 학습될 수 있고, 이에 따라 정보의 타입에 따라 소정 구직자/구인자가 우선적으로 추천될 수 있다. 즉, 매칭되는 키워드의 정보 타입에 따라 소정 구직자/구인자가 추천 리스트에서 우선적으로 표시될 수 있다.
이와 같이, 구성된 신경망 모델에 위 예시의 정보들이 레이블링된 다수의 학습 데이터를 상기 설정에 따라 입력시킴으로써, 신경망 모델을 구성하는 뉴런 간의 가중치나 및 뉴런의 편향은 손실 함수를 최소화하는 방향으로 갱신됨에 따라, 신경망 모델은 은닉층 간의 연결 정보(ex. 가중치, 편향)에는 실제 매장 정보로부터, 실제 매장 정보가 반영된 실제 업무 항목들을 도출하도록 하는 상관 관계가 학습될 수 있다.
이에 따라, 적합도를 추출하기 위한 구직자의 정보 및 구인자의 정보와 평가 정보, 가령 입력 레이어의 파라미터와 대응되는 정보를 신경망 모델에 입력하면, 적합도가 출력될 수 있다.
한편, 도 6의 학습에 사용된 파라미터 수나 은닉 레이어의 수는 예시일 뿐으로 이에 한정되는 것이 아니며, 딥러닝 알고리즘 외에 decision tree(DT), k-nearest neighbor(KNN), logistic regression(LR), multilayer perceptron(MLP), random forest(RF), support vector machine(SVM) 및 lasso 등 사용할 파라미터의 종류나 수에 따라 적합한 알고리즘을 선택하여 사용할 수 있다.
한편, 상술한 적합도는 수치(%)로 표현, 예를 들어 80%, 50% 등으로 표현될 수 있으나, 이는 예시적인 것에 불과하다.
다시, 도 4를 설명한다.
추천부(106)는 소정의 데이터베이스에서 구인자의 정보 및 구직자의 정보가 신경망 모델에 입력되면, 구인자의 정보 및 구직자의 정보에 따른 적합도를 기초로 구직자 및 구인자를 추천할 수 있다. 여기서, 소정의 데이터베이스는 후술하는 데이터베이스(107)이거나 외부 데이터베이스일 수 있다.
데이터베이스(107)는 구인자 및 구직자에 대한 정보를 저장하고 있는 데이터베이스일 수 있다. 예를 들어, 데이터베이스(107)는 기업 단말(110)로부터 수신한 구인자의 정보, 구직자 단말(120)로부터 수신한 구직자의 정보를 저장하고 있을 수 있다.
도 7은 본 발명의 실시 예에 따른 구인구직 매칭 장치의 동작 방법이 도시된 순서도이다.
구인자 관리부(101)는 복수의 구인 정보를 수신하고(S10), 구직자 관리부(102)는 복수의 구직 정보를 수신할 수 있다(S20).
리스트 관리부(103)는 복수의 구인 정보와 복수의 구직 정보를 이용하여 구직자 리스트 및 구인자 리스트를 생성하여 각각 기업 단말(110) 및 구직자 단말(120)로 제공할 수 있다(S30).
보다 상세하게, 리스트 관리부(103)는 기업 단말(110)의 구직자 조건 정보를 복수의 구직자의 정보에 포함된 스토리 텍스트 간에 키워드 매칭을 통해 기업 단말(110)에 구직자 리스트를 제공하고, 구직자 단말(120)의 구인자 조건 정보를 복수의 구인자의 정보에 포함된 스토리 텍스트 간에 키워드 매칭을 통해 구직자 단말에 구인자 리스트를 제공할 수 있다.
리스트 관리부(103)는 구직자 및 구인자 간의 채용/입사 경로를 제공할 수 있다(S40).
평가 관리부(104)는 매칭이 성립된 구직자 및 구인자로부터 평가 정보를 수신할 수 있다(S50).
일 실시 예에 따르면, 평가 관리부(104)는 매칭 성립 후 즉시 평가 정보를 수신할 수 있다.
다른 실시 예에 따르면, 평가 관리부(104)는 매칭이 성립된 시점으로부터 기설정된 기간이 경과한 후에 평가 정보를 수신할 수 있다. 이 때, 기 설정된 기간은 미리 정해진 시기(예를 들어, 3개월, 1년, 3년)에 해당하는 기간이거나, 소정 이벤트 발생 시점(예를 들어, 직무 변경 시점 또는 연봉 변경 시점)까지의 기간일 수 있다.
그리고, 미리 정해진 시기에 해당하는 기간마다 평가 정보를 수신할 경우, 각 기간 마다 평가 정보를 누적된 평가 정보를 수신할 수도 있다.
적합도 추출부(105)는 구직자의 정보, 구인자의 정보 및 평가 정보를 학습 데이터로 이용하여 적합도를 추출하는 신경망 모델을 학습하고(S60), 구직자의 정보 및 구인자의 정보가 입력되면 적합도를 출력할 수 있다(S70).
추천부(106)는 출력된 적합도에 기초하여 기업 단말(110)에는 구직자를 추천하고, 구직자 단말(120)에는 구인자를 추천할 수 있다(S80).
일 실시 예에 따르면, 추천부(106)는 출력된 적합도에 따라 가장 추천되는 구직자/구인자를 추천인으로 기업 단말(110)/구직자 단말(120)에 제공할 수 있다.
다른 실시 예에 따르면, 추천부(106)는 출력된 적합도에 따라 적합도가 높은 순서대로 나열되는 구직자 리스트/구인자 리스트를 기업 단말(110)/구직자 단말(120)에 제공할 수 있다.
상술한 본 발명의 실시예들은 다양한 수단을 통해 구현될 수 있다. 예를 들어, 본 발명의 실시예들은 하드웨어, 펌웨어(firmware), 소프트웨어 또는 그것들의 결합 등에 의해 구현될 수 있다.
하드웨어에 의한 구현의 경우, 본 발명의 실시예들에 따른 방법은 하나 또는 그 이상의 ASICs(Application Specific Integrated Circuits), DSPs(Digital Signal Processors), DSPDs(Digital Signal Processing Devices), PLDs(Programmable Logic Devices), FPGAs(Field Programmable Gate Arrays), 프로세서, 컨트롤러, 마이크로 컨트롤러, 마이크로 프로세서 등에 의해 구현될 수 있다.
펌웨어나 소프트웨어에 의한 구현의 경우, 본 발명의 실시예들에 따른 방법은 이상에서 설명된 기능 또는 동작들을 수행하는 모듈, 절차 또는 함수 등의 형태로 구현될 수 있다. 소프트웨어 코드 등이 기록된 컴퓨터 프로그램은 컴퓨터 판독 가능 기록 매체 또는 메모리 유닛에 저장되어 프로세서에 의해 구동될 수 있다. 메모리 유닛은 프로세서 내부 또는 외부에 위치하여, 이미 공지된 다양한 수단에 의해 프로세서와 데이터를 주고 받을 수 있다.
또한 본 발명에 첨부된 블록도의 각 블록과 흐름도의 각 단계의 조합들은 컴퓨터 프로그램 인스트럭션들에 의해 수행될 수도 있다. 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 인코딩 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 인코딩 프로세서를 통해 수행되는 그 인스트럭션들이 블록도의 각 블록 또는 흐름도의 각 단계에서 설명된 기능들을 수행하는 수단을 생성하게 된다. 이들 컴퓨터 프로그램 인스트럭션들은 특정 방법으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용 가능 또는 컴퓨터 판독 가능 메모리에 저장되는 것도 가능하므로, 그 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장된 인스트럭션들은 블록도의 각 블록 또는 흐름도 각 단계에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다. 컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 블록도의 각 블록 및 흐름도의 각 단계에서 설명된 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.
더불어 각 블록 또는 각 단계는 특정된 논리적 기능을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또한 몇 가지 대체 실시예들에서는 블록들 또는 단계들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들 또는 단계들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 블록들 또는 단계들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.
이와 같이, 본 발명이 속하는 기술분야의 당업자는 본 발명이 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로서 이해해야만 한다. 본 발명의 범위는 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 등가개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims (11)

  1. 복수의 기업 단말로부터 복수의 구인 정보를 수신하는 단계;
    복수의 구직자 단말로부터 복수의 구직 정보를 수신하는 단계;
    상기 복수의 구인 정보 및 상기 복수의 구직 정보에 기초하여, 기업 단말 및 구직자 단말 각각에 구직자 리스트 및 구인자 리스트를 제공하는 단계;
    상기 구직자 리스트 혹은 상기 구인자 리스트에 따라 매칭이 성립된 구직자 및 구인자로부터 평가 정보를 수신하는 단계;
    상기 매칭이 성립된 구직자의 정보 및 구인자의 정보와 상기 수신된 평가 정보를 소정의 머신러닝 알고리즘에 대한 학습 데이터로 이용하여, 구인자의 정보 및 구직자의 정보가 입력될 경우, 입력된 구인자의 정보에 포함된 키워드와 입력된 구직자의 정보에 포함된 키워드에 따른 적합도를 추출하는 신경망 모델을 학습하는 단계; 및
    소정의 데이터베이스에서 구인자의 정보 및 구직자의 정보가 상기 신경망 모델에 입력되면, 상기 구인자의 정보 및 구직자의 정보에 따른 적합도를 기초로 구직자 및 구인자를 추천하는 단계를 포함하며,
    상기 매칭이 성립된 구직자의 정보 및 구인자의 정보와 상기 수신된 평가 정보를 소정의 머신러닝 알고리즘에 대한 학습 데이터로 이용하여, 신경망 모델을 학습하는 단계는
    상기 매칭이 성립된 시점으로부터 제1 기간이 경과한 후 평가 정보를 수신하는 단계, 및
    상기 매칭이 성립된 시점으로부터 제1 기간 보다 긴 제2 기간이 경과한 후 평가 정보를 수신하는 단계를 포함하고,
    상기 제2 기간에 대한 평가 정보에 상기 제1 기간에 대한 평가 정보 보다 높은 가중치가 부여되는 것을 특징으로 하는,
    구인구직 매칭 장치의 구인구직 매칭 방법.
  2. 청구항 1에 있어서,
    상기 구직자 및 구인자를 추천하는 단계는
    상기 적합도가 높은 순서대로 나열되는 구직자 리스트 및 구인자 리스트를 제공하는 단계를 포함하는
    구인구직 매칭 장치의 구인구직 매칭 방법.
  3. 청구항 1에 있어서,
    상기 구직자 리스트 및 구인자 리스트를 제공하는 단계는
    상기 기업 단말의 구직자 조건 정보와 상기 구직자의 정보에 포함된 스토리 텍스트 간에 키워드 매칭을 통해 상기 기업 단말에 상기 구직자 리스트를 제공하는 단계,
    상기 구직자 단말의 구인자 조건 정보와 상기 구인자의 정보에 포함된 스토리 텍스트 간에 키워드 매칭을 통해 상기 구직자 단말에 상기 구인자 리스트를 제공하는 단계를 포함하는
    구인구직 매칭 장치의 구인구직 매칭 방법.
  4. 청구항 1에 있어서,
    상기 평가 정보를 수신하는 단계는
    상기 구인자로부터 업무성실도, 업무완성도, 커뮤니케이션 역량, 직무 수준, 타직원 평가 및 합격 여부 중 적어도 하나를 포함하는 구인자 평가 정보를 수신하는 단계, 및
    상기 구직자로부터 직무 만족도, 보상 만족도 및 시스템 만족도 중 적어도 하나를 포함하는 구직자 평가 정보를 수신하는 단계를 포함하는
    구인구직 매칭 장치의 구인구직 매칭 방법.
  5. 청구항 1에 있어서,
    상기 평가 정보를 수신하는 단계는
    상기 매칭이 성립된 시점으로부터 기설정된 기간이 경과한 후에 상기 평가 정보를 수신하는 단계인
    구인구직 매칭 장치의 구인구직 매칭 방법.
  6. 청구항 5에 있어서,
    상기 기설정된 기간은
    미리 정해진 시기에 해당하는 기간인
    구인구직 매칭 장치의 구인구직 매칭 방법.
  7. 청구항 5에 있어서,
    상기 기설정된 기간은
    직무 변경 시점 또는 연봉 변경 시점까지의 기간인
    구인구직 매칭 장치의 구인구직 매칭 방법.
  8. 청구항 1에 있어서,
    상기 신경망 모델은
    입력 레이어, 은닉 레이어 및 출력 레이어를 포함하는 신경망으로 구성되고, 상기 입력 레이어에 상기 구직자의 정보, 상기 구인자의 정보 및 상기 평가 정보가 입력되도록 설정되고, 상기 출력 레이어에 상기 적합도가 입력되도록 설정되어, 상기 구직자의 정보, 상기 구인자의 정보 및 상기 평가 정보가 상기 신경망 모델의 학습과정에서 입력됨에 따라 입력된 구인자의 정보 및 구직자의 정보에 따른 상호 적합도를 도출하도록 상관 관계가 학습되는
    구인구직 매칭 장치의 구인구직 매칭 방법.
  9. 청구항 8에 있어서,
    상기 신경망 모델은
    상기 구직자의 정보 및 상기 구인자의 정보 사이에 매칭되는 키워드의 수와 평가 정보의 관계, 및
    상기 구직자의 정보 및 상기 구인자의 정보 사이에 매칭되는 각각의 키워드가 나타내는 정보 타입과 평가 정보의 관계를 학습하는
    구인구직 매칭 장치의 구인구직 매칭 방법.
  10. 복수의 구직자 단말로부터 복수의 구직 정보를 수신하는 구직자 관리부;
    상기 복수의 구인 정보 및 상기 복수의 구직 정보에 기초하여, 기업 단말 및 구직자 단말 각각에 구직자 리스트 및 구인자 리스트를 제공하는 리스트 제공부;
    상기 구직자 리스트 혹은 상기 구인자 리스트에 따라 매칭이 성립된 구직자 및 구인자로부터 평가 정보를 수신하는 평가 관리부;
    상기 매칭이 성립된 구직자의 정보 및 구인자의 정보와 상기 수신된 평가 정보를 소정의 머신러닝 알고리즘에 대한 학습 데이터로 이용하여, 구인자의 정보 및 구직자의 정보가 입력될 경우, 입력된 구인자의 정보에 포함된 키워드와 입력된 구직 정보에 포함된 키워드에 따른 적합도를 추출하는 신경망 모델을 포함하는 적합도 추출부; 및
    소정의 데이터베이스에서 구인자의 정보 및 구직자의 정보가 상기 신경망 모델에 입력되면, 상기 구인자의 정보 및 구직자의 정보에 따른 적합도에 따른 구직자 및 구인자를 추천하는 추천부를 포함하고,
    상기 적합도 추출부는 상기 매칭이 성립된 구직자의 정보 및 구인자의 정보와 상기 수신된 평가 정보를 소정의 머신러닝 알고리즘에 대한 학습 데이터로 이용하되, 상기 매칭이 성립된 시점으로부터 제1 기간이 경과한 후 평가 정보를 수신하고, 상기 매칭이 성립된 시점으로부터 제1 기간 보다 긴 제2 기간이 경과한 후 평가 정보를 수신하여, 상기 제2 기간에 대한 평가 정보에 상기 제1 기간에 대한 평가 정보 보다 높은 가중치를 부여한 학습 데이터를 이용하여 신경망 모델을 학습하는 것을 특징으로 하는,
    구인구직 매칭 장치.
  11. 청구항 1 내지 청구항 9 중 어느 하나의 구인구직 매칭 방법을 프로세서가 수행하도록 하는 컴퓨터 판독 가능 기록매체에 저장된 컴퓨터 프로그램.
KR1020210007293A 2021-01-19 2021-01-19 구인구직 매칭 장치 및 그의 구인구직 매칭 방법 KR102278627B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210007293A KR102278627B1 (ko) 2021-01-19 2021-01-19 구인구직 매칭 장치 및 그의 구인구직 매칭 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210007293A KR102278627B1 (ko) 2021-01-19 2021-01-19 구인구직 매칭 장치 및 그의 구인구직 매칭 방법

Publications (1)

Publication Number Publication Date
KR102278627B1 true KR102278627B1 (ko) 2021-07-19

Family

ID=77125765

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210007293A KR102278627B1 (ko) 2021-01-19 2021-01-19 구인구직 매칭 장치 및 그의 구인구직 매칭 방법

Country Status (1)

Country Link
KR (1) KR102278627B1 (ko)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113657496A (zh) * 2021-08-17 2021-11-16 深圳平安智汇企业信息管理有限公司 基于相似度匹配模型的信息匹配方法、装置、设备及介质
KR102419327B1 (ko) 2021-12-27 2022-07-11 (주)이랜서 프로젝트 정보의 선택적 솔팅과 레코멘딩을 통한 기업-프리랜서 에이전트 시스템
KR102419326B1 (ko) 2021-12-27 2022-07-11 (주)이랜서 포트폴리오의 선택적 솔팅과 매칭 시뮬레이션을 통한 에이전트 시스템
KR102491666B1 (ko) 2021-12-30 2023-01-27 (주)이랜서 기업-프리랜서의 매칭률 향상을 위한 에이전트 시스템
WO2023022277A1 (ko) * 2021-08-18 2023-02-23 정목근 인력 연결 시스템
KR102522192B1 (ko) * 2022-06-20 2023-04-14 주식회사 위세스 자가 실시 평판 조회 기능을 제공하는 채용 중개 시스템 및 그 방법
KR20230073043A (ko) 2021-11-18 2023-05-25 주식회사 파이널매치 투자취업 플랫폼 시스템 및 방법
KR102554459B1 (ko) * 2022-09-01 2023-07-11 주식회사 위세스 채용 플랫폼 이용자 간의 매칭을 통한 평판 관리 시스템 및 그 방법
CN116452165A (zh) * 2023-03-22 2023-07-18 北京游娱网络科技有限公司 一种人才信息推荐方法、服务系统及存储介质
KR102594895B1 (ko) * 2023-03-21 2023-10-26 주식회사 핏라인 피트니스 분야 구인구직 플랫폼 제공 시스템
KR102668980B1 (ko) * 2023-01-11 2024-05-24 주식회사 올댓모델 직무교육 및 사후관리결과의 학습에 기초한 인공지능 기반 구인구직 추천 시스템

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008004563A1 (fr) * 2006-07-03 2008-01-10 Intellectual Property Bank Corp. système d'adéquation d'offre d'emploi-demande d'emploi de chercheurs et systèmes d'adéquation de recherche en participation/entreprise en participation
KR20170116753A (ko) * 2016-04-12 2017-10-20 한국과학기술원 일자리 추천 매칭 시스템 및 그를 이용한 매칭 방법
KR20200023259A (ko) * 2018-08-24 2020-03-04 김보언 인공지능 모델을 이용한 전문가 매칭 서비스 제공방법, 장치 및 프로그램
KR102097282B1 (ko) * 2019-06-11 2020-04-06 주식회사 에이아이앤잡 구직자-구인자 매칭의 합격 여부 판단을 위한 기계 학습 방법 및 이를 이용한 추천 장치
KR20200062797A (ko) * 2018-11-27 2020-06-04 문예진 사용자 맞춤형 구인구직 중개 방법
KR102153012B1 (ko) * 2020-02-04 2020-09-07 주식회사 알바체크 빅데이터 기반의 딥러닝 모델을 통해 업무에 적합한 직원을 추천하는 매장 관리 장치 및 매장 관리 방법
KR20200118540A (ko) * 2019-04-08 2020-10-16 강은정 마인드맵을 이용한 성공 취업 지원 시스템

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008004563A1 (fr) * 2006-07-03 2008-01-10 Intellectual Property Bank Corp. système d'adéquation d'offre d'emploi-demande d'emploi de chercheurs et systèmes d'adéquation de recherche en participation/entreprise en participation
KR20170116753A (ko) * 2016-04-12 2017-10-20 한국과학기술원 일자리 추천 매칭 시스템 및 그를 이용한 매칭 방법
KR20200023259A (ko) * 2018-08-24 2020-03-04 김보언 인공지능 모델을 이용한 전문가 매칭 서비스 제공방법, 장치 및 프로그램
KR20200062797A (ko) * 2018-11-27 2020-06-04 문예진 사용자 맞춤형 구인구직 중개 방법
KR20200118540A (ko) * 2019-04-08 2020-10-16 강은정 마인드맵을 이용한 성공 취업 지원 시스템
KR102097282B1 (ko) * 2019-06-11 2020-04-06 주식회사 에이아이앤잡 구직자-구인자 매칭의 합격 여부 판단을 위한 기계 학습 방법 및 이를 이용한 추천 장치
KR102153012B1 (ko) * 2020-02-04 2020-09-07 주식회사 알바체크 빅데이터 기반의 딥러닝 모델을 통해 업무에 적합한 직원을 추천하는 매장 관리 장치 및 매장 관리 방법

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113657496A (zh) * 2021-08-17 2021-11-16 深圳平安智汇企业信息管理有限公司 基于相似度匹配模型的信息匹配方法、装置、设备及介质
WO2023022277A1 (ko) * 2021-08-18 2023-02-23 정목근 인력 연결 시스템
KR20230073043A (ko) 2021-11-18 2023-05-25 주식회사 파이널매치 투자취업 플랫폼 시스템 및 방법
KR102419327B1 (ko) 2021-12-27 2022-07-11 (주)이랜서 프로젝트 정보의 선택적 솔팅과 레코멘딩을 통한 기업-프리랜서 에이전트 시스템
KR102419326B1 (ko) 2021-12-27 2022-07-11 (주)이랜서 포트폴리오의 선택적 솔팅과 매칭 시뮬레이션을 통한 에이전트 시스템
KR102491666B1 (ko) 2021-12-30 2023-01-27 (주)이랜서 기업-프리랜서의 매칭률 향상을 위한 에이전트 시스템
KR102522192B1 (ko) * 2022-06-20 2023-04-14 주식회사 위세스 자가 실시 평판 조회 기능을 제공하는 채용 중개 시스템 및 그 방법
KR102554459B1 (ko) * 2022-09-01 2023-07-11 주식회사 위세스 채용 플랫폼 이용자 간의 매칭을 통한 평판 관리 시스템 및 그 방법
KR102668980B1 (ko) * 2023-01-11 2024-05-24 주식회사 올댓모델 직무교육 및 사후관리결과의 학습에 기초한 인공지능 기반 구인구직 추천 시스템
KR102594895B1 (ko) * 2023-03-21 2023-10-26 주식회사 핏라인 피트니스 분야 구인구직 플랫폼 제공 시스템
CN116452165A (zh) * 2023-03-22 2023-07-18 北京游娱网络科技有限公司 一种人才信息推荐方法、服务系统及存储介质
CN116452165B (zh) * 2023-03-22 2024-05-24 北京游娱网络科技有限公司 一种人才信息推荐方法、服务系统及存储介质

Similar Documents

Publication Publication Date Title
KR102278627B1 (ko) 구인구직 매칭 장치 및 그의 구인구직 매칭 방법
Khan et al. Leading the innovation: role of trust and job crafting as sequential mediators relating servant leadership and innovative work behavior
Rouse et al. Automating versus augmenting intelligence
Bloodgood et al. A system dynamics perspective of corporate entrepreneurship
Laal Knowledge management in higher education
Tuomi Foresight in an unpredictable world
De Maio et al. A framework for context-aware heterogeneous group decision making in business processes
Crispim et al. Partner selection in virtual enterprises
KR102153012B1 (ko) 빅데이터 기반의 딥러닝 모델을 통해 업무에 적합한 직원을 추천하는 매장 관리 장치 및 매장 관리 방법
Kelly et al. Creating a collaborative organizational culture
Jain et al. Understanding organizational culture and leadership-enhance efficiency and productivity
Gomes et al. Studying the effects of stress on negotiation behavior
London Team processes for adaptive and innovative outcomes
Liu et al. AI autonomy: Self-Initiation, adaptation and continual learning
Greve Organizational learning and adaptation
De Paz et al. Mathematical model for dynamic case-based planning
US20200372473A1 (en) Digital Career Coach
Montano et al. Agent learning in the multi-agent contracting system [MACS]
Ghosh A Hybrid Programming Course recommendation system using Fuzzy Logic and xDeepFM
De Maio et al. A context-aware fuzzy linguistic consensus model supporting innovation processes
Salleh Tacit knowledge and accountants: Knowledge sharing model
US20220318642A1 (en) Method for providing super self-management service to provide step-by-step consulting and mentoring of lvh for self management
US20210383330A1 (en) System and method for multivariate and machine learning analysis on career management platforms
Banerjee et al. Coordination confidence based human-multi-agent transfer learning for collaborative teams
Dissanayake et al. Qualitative simulation of construction performance using fuzzy cognitive maps

Legal Events

Date Code Title Description
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant