KR102668980B1 - 직무교육 및 사후관리결과의 학습에 기초한 인공지능 기반 구인구직 추천 시스템 - Google Patents

직무교육 및 사후관리결과의 학습에 기초한 인공지능 기반 구인구직 추천 시스템 Download PDF

Info

Publication number
KR102668980B1
KR102668980B1 KR1020230004072A KR20230004072A KR102668980B1 KR 102668980 B1 KR102668980 B1 KR 102668980B1 KR 1020230004072 A KR1020230004072 A KR 1020230004072A KR 20230004072 A KR20230004072 A KR 20230004072A KR 102668980 B1 KR102668980 B1 KR 102668980B1
Authority
KR
South Korea
Prior art keywords
job
employer
job seeker
relevance
information
Prior art date
Application number
KR1020230004072A
Other languages
English (en)
Inventor
안선영
Original Assignee
주식회사 올댓모델
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 올댓모델 filed Critical 주식회사 올댓모델
Priority to KR1020230004072A priority Critical patent/KR102668980B1/ko
Application granted granted Critical
Publication of KR102668980B1 publication Critical patent/KR102668980B1/ko

Links

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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06Q10/06398—Performance of employee with respect to a job function

Landscapes

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

Abstract

본 발명의 일실시예에 따른 구인구직 시스템은, 복수의 구직자 단말, 복수의 고용주 단말, 및 서버를 포함하고, 상기 서버는: 상기 복수의 구직자 단말 중 제1 구직자 단말로부터, 이력 정보, 구직자의 주소, 희망 연봉, 및 구직자 사진을 포함하는 구직자 정보를 수신하고, 상기 제1 구직자 단말에 직무교육 컨텐츠 및 직무교육 평가 컨텐츠를 제공하고, 직무교육 평가 결과에 기초하여 학습 속도 점수, 커뮤니케이션 능력 점수, 창의성 점수, 및 숙련도 점수를 포함하는 직무교육 평가 점수를 저장하고, 상기 복수의 고용주 단말 중 제1 고용주 단말로부터, 회사 주소, 구인 분야, 우선순위 정보, 및 제시 연봉을 포함하는 고용주 정보를 수신하고 - 상기 우선순위 정보는 경력, 용모, 학력, 학습 속도, 커뮤니케이션 능력, 창의성, 및 숙련도를 포함하는 평가 항목 중 상기 제1 고용주 단말에 대응되는 업체에서 지정한, 미리 지정된 제1 개수 이하의 평가 항목의 우선순위를 포함함 -, 상기 제1 구직자 단말에 대응되는 구직자가 상기 제1 고용주 단말에 대응되는 업체에 고용되는 경우, 고용주 만족도 점수, 근속 기간, 및 상기 구직자가 상기 업체에 근무 중인지 여부에 기초하여 사후 관리 결과 점수를 산출하고, 상기 구직자의 주소 및 상기 회사 주소에 기초하여 위치 관련도를 산출하고, 상기 우선순위 정보에 기초하여 우선순위 관련도를 산출하고, 상기 희망 연봉 및 상기 제시 연봉에 기초하여 연봉 관련도를 산출하고, 상기 이력 정보 및 상기 구인 분야에 기초하여 경력 관련도를 산출하고, 상기 위치 관련도, 상기 우선순위 관련도, 상기 연봉 관련도, 상기 경력 관련도, 및 상기 직무교육 평가 점수를 상기 사후 관리 결과 점수와 연관시켜 데이터베이스에 저장하고, 상기 데이터베이스에 기초하여, 구직자 정보, 고용주 정보, 및 구직자의 직무교육 평가 점수에 기초하여 사후 관리 결과 점수를 예측하는 제1 인공지능 모델을 생성하고, 상기 복수의 고용주 단말 중 제2 고용주 단말로부터, 회사 주소, 구인 분야, 우선순위 정보, 및 제시 연봉을 포함하는 고용주 정보를 수신하고, 상기 제1 인공지능 모델을 이용하여, 상기 복수의 구직자 단말에 대응되는 복수의 구직자의, 상기 제2 고용주 단말에 대응되는 회사에 대한 사후 관리 결과 점수를 예측하고, 상기 복수의 구직자 중 예측된 사후 관리 결과 점수가 가장 높은 미리 결정된 수의 구직자에 관한 정보를 상기 제2 고용주 단말에 제공하도록 구성된다.

Description

직무교육 및 사후관리결과의 학습에 기초한 인공지능 기반 구인구직 추천 시스템{RECOMMENDATION SYSTEM BASED ON ARTIFICIAL INTELLIGENCE HAVING LEARNED RESULT OF VOCATIONAL EDUCATION AND FOLLOW-UP MANAGEMENT INFORMATION}
본 발명은 직무교육 및 사후관리결과의 학습에 기초한 인공지능 기반 구인구직 추천 시스템에 관한 것이다.
인공지능(Artificial Intelligence)은 인간의 지능이 갖고 있는 기능을 갖춘 컴퓨터 시스템을 뜻하며, 인간의 지능을 기계 등에 인공적으로 구현한 것을 의미한다. 머신러닝(Machine Learning) 혹은 기계학습은 인공지능의 한 분야로, 컴퓨터가 학습을 통하여 문제 해결을 위한 적절한 출력을 낼 수 있는 모델을 생성하는 기술을 의미한다. 딥러닝(Deep Learning)은 여러 비선형 변환기법의 조합을 통해 높은 수준의 추상화(다량의 복잡한 자료들에서 핵심적인 내용만 추려내는 작업)을 시도하는 기계학습 알고리즘의 집합을 의미한다.
인공지능 기술은 다양한 분야에서 적용되고 있으나, 그럼에도 불구하고 여러 현장에서는 적절히 적용되지 못하고 있는 것이 현실이다.
구인구직 시장에서 구직자가 원하는 회사 정보를 얻기 어렵고, 구인하고자 하는 고용주는 원하는 구직자를 선별하기 어렵다. 따라서 여전히 구인구직 시장은 입소문 및 기존 인맥에 강하게 의존하는 비효율적인 구조를 가지고 있다.
최근 구인구직 플랫폼은 도입하여 고용주가 자신이 원하는 조건을 갖춘 구직자를 선별할 수 있도록 하고 있으나, 실제 고용 시장에서는 고용주가 고용 당시 인식하지 못했던 다양한 인자가 실제 고용의 만족도에 영향을 미치므로, 단순히 고용주가 원하는 조건에 따라 구직자를 선별하는 것만으로는 실제 고용의 만족도가 충분히 높지 못하다는 문제가 있다.
본 발명의 목적은 직무교육 및 사후관리결과의 학습에 기초한 인공지능을 이용하여, 실제 고용의 만족도를 높일 수 있는 구인구직 추천 시스템을 제공하는 데 있다.
본 발명의 일실시예에 따른 구인구직 시스템은, 복수의 구직자 단말, 복수의 고용주 단말, 및 서버를 포함하고, 상기 서버는: 상기 복수의 구직자 단말 중 제1 구직자 단말로부터, 이력 정보, 구직자의 주소, 희망 연봉, 및 구직자 사진을 포함하는 구직자 정보를 수신하고, 상기 제1 구직자 단말에 직무교육 컨텐츠 및 직무교육 평가 컨텐츠를 제공하고, 직무교육 평가 결과에 기초하여 학습 속도 점수, 커뮤니케이션 능력 점수, 창의성 점수, 및 숙련도 점수를 포함하는 직무교육 평가 점수를 저장하고, 상기 복수의 고용주 단말 중 제1 고용주 단말로부터, 회사 주소, 구인 분야, 우선순위 정보, 및 제시 연봉을 포함하는 고용주 정보를 수신하고 - 상기 우선순위 정보는 경력, 용모, 학력, 학습 속도, 커뮤니케이션 능력, 창의성, 및 숙련도를 포함하는 평가 항목 중 상기 제1 고용주 단말에 대응되는 업체에서 지정한, 미리 지정된 제1 개수 이하의 평가 항목의 우선순위를 포함함 -, 상기 제1 구직자 단말에 대응되는 구직자가 상기 제1 고용주 단말에 대응되는 업체에 고용되는 경우, 고용주 만족도 점수, 근속 기간, 및 상기 구직자가 상기 업체에 근무 중인지 여부에 기초하여 사후 관리 결과 점수를 산출하고, 상기 구직자의 주소 및 상기 회사 주소에 기초하여 위치 관련도를 산출하고, 상기 우선순위 정보에 기초하여 우선순위 관련도를 산출하고, 상기 희망 연봉 및 상기 제시 연봉에 기초하여 연봉 관련도를 산출하고, 상기 이력 정보 및 상기 구인 분야에 기초하여 경력 관련도를 산출하고, 상기 위치 관련도, 상기 우선순위 관련도, 상기 연봉 관련도, 상기 경력 관련도, 및 상기 직무교육 평가 점수를 상기 사후 관리 결과 점수와 연관시켜 데이터베이스에 저장하고, 상기 데이터베이스에 기초하여, 구직자 정보, 고용주 정보, 및 구직자의 직무교육 평가 점수에 기초하여 사후 관리 결과 점수를 예측하는 제1 인공지능 모델을 생성하고, 상기 복수의 고용주 단말 중 제2 고용주 단말로부터, 회사 주소, 구인 분야, 우선순위 정보, 및 제시 연봉을 포함하는 고용주 정보를 수신하고, 상기 제1 인공지능 모델을 이용하여, 상기 복수의 구직자 단말에 대응되는 복수의 구직자의, 상기 제2 고용주 단말에 대응되는 회사에 대한 사후 관리 결과 점수를 예측하고, 상기 복수의 구직자 중 예측된 사후 관리 결과 점수가 가장 높은 미리 결정된 수의 구직자에 관한 정보를 상기 제2 고용주 단말에 제공하도록 구성된다.
본 발명의 일실시예에 따른 구인구직 시스템은 고용주가 중요시하는 평가 항목을 반영하는 우선순위 관련도 외에도, 직무교육 평가 점수, 위치 관련도, 연봉 관련도, 및 경력 관련도 등 고용의 만족도에 영향을 줄 수 있는 다양한 요소를 학습하므로, 고용주가 고용 당시 인식하지 못했던 인자를 고려하여 구직자를 추천함으로써, 고용의 만족도를 높이는 데 기여할 수 있다.
도 1은 본 발명의 다양한 실시예에 따른 구인구직 시스템을 도시한다.
도 2는 본 발명의 다양한 실시예에 따른, 구인구직 시스템에 포함되는 서버의 구성요소를 도시한다.
도 3은 본 발명의 다양한 실시예에 따른, 구인구직 시스템에 포함되는 서버에서 수행되는 방법을 도시한다.
도 4는 본 발명의 다양한 실시예에 따른 방법에서 인공지능 모델에 입력되는 데이터와 인공지능 모델에서 출력되는 데이터를 도시한다.
도 5는 본 발명의 다양한 실시예에 따른, 구인구직 시스템에 포함되는 서버에서 수행되는 방법을 도시한다.
본 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 본 명세서의 다양한 실시예들 및 이에 사용된 용어들은 본 명세서에 기재된 기술적 특징들을 특정한 실시예들로 한정하려는 것이 아니며, 해당 실시예의 다양한 변경, 균등물, 또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 또는 관련된 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 아이템에 대응하는 명사의 단수 형은 관련된 문맥상 명백하게 다르게 지시하지 않는 한, 상기 아이템 한 개 또는 복수 개를 포함할 수 있다. 본 명세서에서, "A 또는 B", "A 및 B 중 적어도 하나", "A 또는 B 중 적어도 하나", "A, B 또는 C", "A, B 및 C 중 적어도 하나", 및 "A, B, 또는 C 중 적어도 하나"와 같은 문구들 각각은 그 문구들 중 해당하는 문구에 함께 나열된 항목들 중 어느 하나, 또는 그들의 모든 가능한 조합을 포함할 수 있다. "제1", "제2", 또는 "첫째" 또는 "둘째"와 같은 용어들은 단순히 해당 구성요소를 다른 해당 구성요소와 구분하기 위해 사용될 수 있으며, 해당 구성요소들을 다른 측면(예: 중요성 또는 순서)에서 한정하지 않는다. 어떤(예: 제1) 구성요소가 다른(예: 제 2) 구성요소에, "기능적으로" 또는 "통신적으로"라는 용어와 함께 또는 이런 용어 없이, " 연결된다"라고 언급된 경우, 그것은 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로(예: 유선으로), 무선으로, 또는 제 3 구성요소를 통하여 연결될 수 있다는 것을 의미한다.
본 명세서의 다양한 실시예들은 기기(machine)의해 읽을 수 있는 저장 매체(storage medium)(예: 내장 메모리 또는 외장 메모리)에 저장된 하나 이상의 명령어들을 포함하는 소프트웨어로서 구현될 수 있다. 예를 들면, 기기의 프로세서는, 저장 매체로부터 저장된 하나 이상의 명령어들 중 적어도 하나의 명령을 호출하고, 그것을 실행할 수 있다. 이것은 기기가 상기 호출된 적어도 하나의 명령어에 따라 적어도 하나의 기능을 수행하도록 운영되는 것을 가능하게 한다. 상기 하나 이상의 명령어들은 컴파일러에 의해 생성된 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장 매체는, 비일시적(non-transitory) 저장 매체의 형태로 제공될 수 있다. 여기서, '비일시적'은 저장 매체가 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장 매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다.
일실시예에 따르면, 본 명세서에 개시된 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory(CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 또는 두 개의 사용자 장치들(예: 스마트 폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
다양한 실시예들에 따르면, 상기 기술한 구성요소들의 각각의 구성요소(예: 모듈 또는 프로그램)는 단수 또는 복수의 개체를 포함할 수 있으며, 복수의 개체 중 일부는 다른 구성요소에 분리 배치될 수도 있다. 다양한 실시예들에 따르면, 전술한 해당 구성요소들 중 하나 이상의 구성요소들 또는 단계들이 생략되거나, 또는 하나 이상의 다른 구성요소들 또는 단계들이 추가될 수 있다. 대체적으로 또는 추가적으로, 복수의 구성요소들(예: 모듈 또는 프로그램)은 하나의 구성요소로 통합될 수 있다. 이런 경우, 통합된 구성요소는 상기 복수의 구성요소들 각각의 구성요소의 하나 이상의 기능들을 상기 통합 이전에 상기 복수의 구성요소들 중 해당 구성요소에 의해 수행되는 것과 동일 또는 유사하게 수행할 수 있다. 다양한 실시예들에 따르면, 모듈, 프로그램 또는 다른 구성요소에 의해 수행되는 단계들은 순차적으로, 병렬적으로, 반복적으로, 또는 휴리스틱하게 실행되거나, 상기 단계들 중 하나 이상이 다른 순서로 실행되거나, 생략되거나, 또는 하나 이상의 다른 단계들이 추가될 수 있다.
도 1은 본 발명의 다양한 실시예에 따른 구인구직 시스템을 도시한다. 도 1을 참조하면, 구인구직 시스템은 복수의 구직자 단말(111, 112, 113), 서버(120), 및 복수의 고용주 단말(131, 132, 133)을 포함할 수 있다.
서버(120)는 복수의 구직자 단말(111, 112, 113) 각각으로부터 구직자에 관한 구직자 정보를 수신할 수 있다. 서버(120)는 복수의 구직자 단말(111, 112, 113)에 직무교육 컨텐츠 및 직무교육 평가 컨텐츠를 제공할 수 있다.
서버(120)는 인공지능에 기반하여 복수의 구직자 단말(111, 112, 113)에 대응되는 복수의 구직자 각각이 복수의 고용주 단말(131, 132, 133)에 대응되는 회사 각각에 고용되었을 경우 고용 만족도를 나타내는 사후 관리 결과 점수 예측치를 도출할 수 있다. 사후 관리 결과 점수 예측치를 도출하는 방법에 대해서는 도 3 및 도 4에 대하여 후술한다.
서버(120)는 복수의 고용주 단말(131, 132, 133) 각각으로부터 고용주 정보를 획득할 수 있다. 서버(120)는 인공지능에 기반하여 복수의 구직자 단말(111, 112, 113)에 대응되는 복수의 구직자 중, 복수의 고용주 단말(131, 132, 133) 각각에 대응되는 회사에 대한 사후 관리 결과 점수 예측치가 가장 높은 미리 결정된 수의 구직자에 관한 정보를 복수의 고용주 단말(131, 132, 133)에 제공할 수 있다.
도 2는 본 발명의 다양한 실시예에 따른, 구인구직 시스템에 포함되는 서버의 구성요소를 도시한다. 도 2를 참조하면 서버(110)는 통신 회로(210), 프로세서(220), 및 메모리(230)를 포함할 수 있다. 통신 회로(210)는 다른 전자 장치에 정보를 송신하거나 다른 전자 장치로부터 정보를 수신할 수 있고, 통신 회로(210)가 지원하는 통신의 종류는 제한되지 않는다.
프로세서(220)는 통신 회로(210)를 통하여 수신된 데이터 및/또는 메모리(230)에 저장된 데이터에 기초하여 연산을 수행하고, 연산의 결과의 적어도 일부를 통신 회로(210)를 통하여 다른 전자 장치에 송신하거나, 메모리(230)에 저장할 수 있다.
프로세서(220)는 데이터 학습부(221) 및 데이터 인식부(222)를 포함할 수 있다. 데이터 학습부(221)는 사후 관리 결과 점수를 예측하기 위한 인공 지능 모델을 생성할 수 있다. 데이터 인식부(222)는 데이터를 전처리하고, 전처리된 데이터를 데이터 학습부(221)에 학습을 위하여 제공할 수 있다.
데이터 학습부(221) 및 데이터 인식부(222) 중 적어도 하나는 인공 지능을 위한 전용 하드웨어 칩 형태로 구현되거나, 기존의 범용 프로세서(예를 들어, AP 또는 CPU) 또는 그래픽 전용 프로세서의 일부로서 구현될 수도 있다.
다양한 실시예에 따라서, 도 2에서 데이터 학습부(221) 및 데이터 인식부(222)가 서버(110)에 포함된 것으로 표현된 것과 달리, 데이터 학습부(221) 및 데이터 인식부(222)는 별개의 전자 장치에 각각 탑재될 수 있다.
이 경우, 데이터 학습부(221) 및 데이터 인식부(222)는 유선 또는 무선으로 서로 연결되어, 데이터 학습부(221)에서 생성된 모델 정보가 데이터 인식부(222)에 제공되거나, 데이터 인식부(222)에 입력된 데이터가 추가 학습 데이터로서 데이터 학습부(221)에 제공될 수 있다.
데이터 학습부(221) 및 데이터 인식부(222) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 이 경우, 소프트웨어 모듈은 컴퓨터로 판독 가능한 비일시적 기록 매체에 저장될 수 있다. 소프트웨어 모듈의 적어도 일부는 OS(operating system)에 의해 제공되거나, 소정의 어플리케이션에 의하여 제공될 수 있다.
도 3은 본 발명의 다양한 실시예에 따른, 구인구직 시스템에 포함되는 서버에서 수행되는 방법을 도시한다.
310 단계에서, 서버(120)는 제1 구직자 단말(111)로부터 구직자 정보를 수신할 수 있다. 구직자 정보는 이력 정보, 구직자의 주소, 희망 연봉, 및 구직자 사진을 포함할 수 있다.
320 단계에서, 서버(120)는 제1 구직자 단말에 직무교육 컨텐츠 및 직무교육 평가 컨텐츠를 제공하고, 직무교육 평가 점수를 저장할 수 있다. 직무교육 평가 점수는 직무교육 평가 결과에 기초하여 산정되는 것으로서, 학습 속도 점수, 커뮤니케이션 능력 점수, 창의성 점수, 및 숙련도 점수를 포함할 수 있다. 다양한 실시예에 따라서, 학습 속도 점수, 커뮤니케이션 능력 점수, 창의성 점수, 및 숙련도 점수는 동일한 최댓값 및 동일한 최솟값을 갖도록 정규화될 수 있다. 예를 들어, 최대-최소 정규화(min-max normalization)를 이용하여 학습 속도 점수, 커뮤니케이션 능력 점수, 창의성 점수, 및 숙련도 점수가 정규화될 수 있다.
330 단계에서, 서버(120)는 제1 고용주 단말(131)로부터 고용주 정보를 수신할 수 있다. 고용주 정보라는 명칭에도 불구하고, 고용주 정보는 고용주 회사에 관한 정보뿐 아니라, 고용주가 고용하려는 채용 포지션에 대한 정보를 포함할 수 있다. 고용주 정보는 회사 주소, 구인 분야, 우선순위 정보, 및 제시 연봉을 포함할 수 있다. 다양한 실시예에 따라서, 구인 분야는 서버(120)에서 미리 정의한 카테고리 중 제1 고용주 단말(131)의 사용자에 의하여 선택됨으로써 특정될 수 있다. 예를 들어, 구인 분야는 비서, 리셉셔니스트, 및 전화 응대 직원을 포함할 수 있다.
우선순위 정보는 미리 결정된 복수의 평가 항목 중 제1 고용주 단말(131)에 대응되는 업체에서 지정한, 미리 지정된 제1 개수 이하의 평가 항목의 우선순위를 포함할 수 있다. 예를 들어, 미리 결정된 복수의 평가 항목은 경력, 용모, 학력, 학습 속도, 커뮤니케이션 능력, 창의성, 및 숙련도를 포함할 수 있다. 서버(120)는 제1 고용주 단말(131)에 복수의 평가 항목 중 미리 지정된 제1 개수 이하의 평가 항목의 우선순위를 지정할 수 있는 인터페이스를 제공할 수 있다. 예를 들어, 제1 개수는 3개일 수 있다. 이 경우, 제1 고용주 단말(131)은 경력, 용모, 학력, 학습 속도, 커뮤니케이션 능력, 창의성, 및 숙련도와 같은 평가 항목들 중 1순위로 중요하게 생각하는 평가 항목, 2순위로 중요하게 생각하는 평가 항목, 및 3순위로 중요하게 생각하는 평가 항목에 대한 고용주의 선택을 서버(120)에 송신할 수 있다. 다양한 실시예에 따라서, 제1 개수가 3개인 경우에, 제1 고용주 단말(131)에서는, 3개보다 적은, 즉, 2개 또는 1개의 평가 항목에 대한 우선순위의 선택이 이뤄질 수도 있다.
340 단계에서, 제1 구직자 단말(111)에 대응되는 구직자가 제1 고용주 단말(131)에 대응되는 업체에 고용되는 경우, 서버(120)는 사후 관리 결과 점수를 산출할 수 있다. 이는 실제 고용이 이루어진 후에 수행되는 단계이다.
사후 관리 결과 점수는 고용주 만족도 점수, 근속 기간, 및 제1 구직자 단말(111)에 대응되는 구직자가 제1 고용주 단말(131)에 대응되는 업체에 근무 중인지 여부에 기초하여 산출될 수 있다.
예를 들어, 사후 관리 결과 점수는
Figure 112023003984924-pat00001
로 결정되고, 및 는 양의 상수일 수 있다. 보정 근속 기간은 근속 기간 및 제1 구직자 단말(111)에 대응되는 구직자가 제1 고용주 단말(131)에 대응되는 업체에 근무 중인지 여부에 기초하여 결정될 수 있다.
예를 들어, 구직자가 제1 고용주 단말(131)에 대응되는 업체에 근무하고 있지 않은 경우, 이는 구직자가 고용 후 퇴사했음을 의미한다. 이 경우, 구직자의 근속 기간이 보정 근속 기간으로 결정될 수 있다.
구직자가 제1 고용주 단말(131)에 대응되는 업체에 근무하고 있는 경우, 아직 퇴사가 이뤄지지 않았으므로 최종적으로 구직자가 업체에 얼마나 오랫동안 근무할지 정확하게 알 수 없다. 따라서, 구직자가 업체에 근무할 기간의 예상치로서 기능하는 보정 근속 기간을 사용한다.
구직자가 제1 고용주 단말(131)에 대응되는 업체에 근무하고 있고, 구직자의 근속 기간이 구인 분야에 대응되는 평균 근속 기간보다 짧은 경우, 보정 근속 기간은
Figure 112023003984924-pat00004
로 결정될 수 있다.
각 구인 분야에 대응되는 평균 근속 기간은 서버(120)의 메모리에 저장되어 있다가 보정 근속 기간의 연산을 위하여 참조될 수 있다.
구직자가 제1 고용주 단말(131)에 대응되는 업체에 근무하고 있고, 구직자의 근속 기간이 구인 분야에 대응되는 평균 근속 기간보다 긴 경우, 보정 근속 기간은
Figure 112023003984924-pat00005
로 결정될 수 있다.
수학식 3은 구직자의 근속 기간과 평균 근속 기간의 차를 구직자의 근속 기간에 더한 값이다. 평균 근속 기간보다 더 오래 근무하였을수록 장기 근속을 더 기대할 수 있으므로, 수학식 3을 합리적으로 이용할 수 있다.
350 단계에서, 서버(120)는 위치 관련도, 연봉 관련도, 경력 관련도, 직무교육 평가 점수, 및 우선순위 관련도를 사후 관리 결과 점수와 연관시켜 데이터베이스에 저장할 수 있다.
위치 관련도는 구직자 정보에 포함된 구직자의 주소 및 고용주 정보에 포함된 회사 주소에 기초하여 산출될 수 있다. 예를 들어, 구직자의 주소와 회사 주소 사이의 직선거리가 짧을수록 위치 관련도는 높게 산정될 수 있다. 예를 들어, 위치 관련도는 지도 어플리케이션을 참조하여 구직자의 주소로부터 회사 주소에 도착하기까지 예상 소요 시간이 짧을수록 위치 관련도는 높게 산정될 수 있다. 다양한 실시예에 따라서, 구직자의 주소와 회사 주소 사이의 직선거리 또는 구직자의 주소로부터 회사 주소에 도착하기까지 예상 소요 시간을 정규화한 값이 위치 관련도로서 결정될 수 있다.
연봉 관련도는 구직자의 희망 연봉과 고용주가 제시한 제시 연봉 사이의 차가 적을수록 높게 산정될 수 있다. 예를 들어, 구직자의 희망 연봉에서 제시 연봉을 뺀 값을 정규화한 값이 연봉 관련도로서 결정될 수 있다.
경력 관련도는 구직자의 이력 정보가 구인 분야에 얼마나 부합하느냐에 따라 산정될 수 있다. 예를 들어, 서버(120)는 구인 분야별로 관련 학과명 및 관련 직무명을 정의하여 저장하고, 구직자의 이력 정보에 정의된 학과명에 매칭되는 학과명이 있는지 여부, 및 구직자의 이력 정보에 정의된 관련 직무가 포함되는지 여부, 및 관련 직무를 수행한 기간에 기초하여 경력 관련성 점수를 산출하고, 산출된 경력 관련성 점수를 정규화한 값을 경력 관련도로서 결정할 수 있다.
우선순위 관련도는 구직자의 정보가 고용주의 우선순위에 얼마나 부합하느냐에 따라 산정될 수 있다. 예를 들어, 우선순위 관련도는,
Figure 112023003984924-pat00006
로 산출되고,
, , , , , , 및 은 330 단계에서 수신된 우선순위 정보에 기초하여 결정될 수 있다.
경력 관련도가 정규화를 거쳐 산출된 경우, 경력 관련도 점수는 경력 관련도와 동일할 수 있다. 경력 관련도가 정규화를 거치지 않고 산출된 경력 관련성 점수인 경우, 경력 관련도 점수는 경력 관련성 점수를 정규화한 값으로 정의될 수 있다.
학력 점수는 서버(120)가 대학 순위 정보를 저장하고 있는 상태에서, 구직자의 이력 정보에 포함된 대학의 순위에 따라 결정될 수 있다.
학습 속도 점수, 커뮤니케이션 능력 점수, 창의성 점수, 및 숙련도 점수에 대해서는 320 단계를 참조하여 상술한 바 있다.
, , , , , , 및 을 포함하는 복수의 관련도 계수는 제1 고용주 단말(131)에서 일어난 우선순위 선택에 기초하여 산출될 수 있다.
제1 개수가 N이고, 제1 고용주 단말(131)에 대응되는 업체에서 N개의 평가 항목에 대해서 우선순위를 지정한 경우, , , , , , , 및 을 포함하는 복수의 관련도 계수 중 우선순위가 지정되지 않은 항목에 대응되는 관련도 계수는 0이고, 1 이상 N 이하의 정수 n에 대하여, 상기 복수의 관련도 계수 중 n순위로 지정된 항목에 대응되는 관련도 계수는 N-n+1으로 정의될 수 있다. 예를 들어, 제1 개수가 3개이고, 제1 고용주 단말(131)에 대응되는 업체에서 학습 속도를 1순위, 커뮤니케이션 능력을 2순위, 창의성을 3순위로 선택한 경우, 우선순위가 지정되지 않은 경력, 용모, 학력, 및 숙련도에 대응하는 관련도 계수인 , , , 및 은 0이다. 1순위로 선택된 학습 속도에 대응되는 관련도 계수인 는 3, 2순위로 선택된 커뮤니케이션 능력에 대응되는 관련도 계수인 는 2, 3순위로 선택된 창의성에 대응되는 관련도 계수인 은 1이다.
제1 개수가 N이고, 제1 고용주 단말(131)에 대응되는 업체에서 N개보다 적은 M개의 평가 항목에 대해서 우선순위를 지정한 경우, 1 이상 M 이하의 정수 m에 대하여, 상기 복수의 관련도 계수 중 m순위로 지정된 항목에 대응되는 관련도 계수는,
Figure 112023003984924-pat00035
로 정의될 수 있다.
예를 들어, 제1 개수가 5개이고, 제1 고용주 단말(131)에 대응되는 업체에서 학습 속도를 1순위, 커뮤니케이션 능력을 2순위, 창의성을 3순위로 선택하고, 4순위 평가 항목과 5순위 평가 항목을 선택하지 않은 경우, 우선순위가 지정되지 않은 경력, 용모, 학력, 및 숙련도에 대응하는 관련도 계수인 , , , 및 은 0이다. 1순위로 선택된 학습 속도에 대응되는 관련도 계수인 는 4, 2순위로 선택된 커뮤니케이션 능력에 대응되는 관련도 계수인 는 3, 3순위로 선택된 창의성에 대응되는 관련도 계수인 은 2이다.
용모 점수는 고용주 정보에 포함되는 우선순위 정보에, 용모에 대한 우선순위가 포함되는 경우 산정될 수 있다. 용모 점수를 산정하기 위하여, 서버(120)는 제1 고용주 단말(131)에 선호하는 인물 사진을 선택할 수 있는 제1 인터페이스를 제공할 수 있다. 다양한 실시예에 따라서, 서버(120)는 제1 고용주 단말(131)에 제1 인터페이스에 연결되는 링크를 제공할 수 있다. 제1 인터페이스에서는 복수의 인물 사진이 표시되고, 복수의 인물 사진 중 하나의 제1 사진이 선택될 수 있다. 서버(120)는 선택된 제1 사진을 분석하여 하나 이상의 제1 피쳐를 추출하고, 제1 사진과 동일한 방법으로 구직자 사진을 분석하여 하나 이상의 제2 피쳐를 추출할 수 있다. 그 후, 서버(120)는 제2 피쳐 중 제1 피쳐에 매칭되는 피쳐의 개수에 기초하여 구직자 사진과 제1 사진 사이의 유사도를 산출할 수 있다. 그 후, 서버(120)는 유사도에 비례하도록 용모 점수를 산출할 수 있다. 예를 들어, 서버(120)는 다양한 구직자 사진과 제1 사진 사이의 유사도를 정규화한 값을 용모 점수로서 결정할 수 있다.
제1 사진 및 구직자 사진의 분석 방법으로는 다양한 이미지 분석 기법이 이용될 수 있다. 예를 들어, SIFT(scale-invariant feature transform), ORB(Oriented FAST and rotated BRIEF), SURF(speeded up robust features), KAZE, AKAZE 등을 포함하는 임의의 적절한 피쳐 검출 기술이 사용될 수 있다.
360 단계에서, 서버(120)는 데이터베이스에 기초하여, 사후 관리 결과 점수를 예측하는 제1 인공지능 모델을 생성할 수 있다. 제1 인공지능 모델은 구직자 정보, 고용주 정보, 구직자의 직무교육 평가 점수에 기초하여 사후 관리 결과 점수를 예측할 수 있다. 도 4를 참조하면, 제1 인공지능 모델은 위치 관련도, 우선순위 관련도, 연봉 관련도, 경력 관련도, 및 직무교육 평가 점수가 입력되면 사후 관리 결과 점수 예측치를 출력할 수 있다.
제1 인공지능 모델을 생성하기 위한 학습 방법은 제한되지 않는다. 예를 들어, 제1 인공지능 모델은 다양한 머신 러닝 기법에 의하여 생성될 수 있다. 예를 들어, RNN(Recurrent Neural Network), CNN(Convolution Neural Network), ANN(Artificial Neural Network), 및 트랜스포머 모델 중 적어도 하나가 제1 인공지능 모델의 생성을 위한 학습에 이용될 수 있다.
도 5는 본 발명의 다양한 실시예에 따른, 구인구직 시스템에 포함되는 서버에서 수행되는 방법을 도시한다.
510 단계에서, 서버(120)는 제2 고용주 단말(132)로부터 고용주 정보를 수신할 수 있다. 고용주 정보에 관한 상세 사항은 상술하였다.
520 단계에서, 서버(120)는 제1 인공지능 모델을 이용하여 복수의 구직자의 제2 고용주 단말에 대응되는 회사에 대한 사후 관리 결과 점수를 예측할 수 있다.
530 단계에서, 서버(120)는 예측된 사후 관리 결과 점수가 가장 높은 미리 결정된 수의 구직자에 관한 정보를 제2 고용주 단말(132)에 제공할 수 있다.
이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.

Claims (5)

  1. 구인구직 시스템에 있어서,
    복수의 구직자 단말, 복수의 고용주 단말, 및 서버를 포함하고,
    상기 서버는:
    상기 복수의 구직자 단말 중 제1 구직자 단말로부터, 이력 정보, 구직자의 주소, 희망 연봉, 및 구직자 사진을 포함하는 구직자 정보를 수신하고,
    상기 복수의 고용주 단말 중 제1 고용주 단말로부터, 회사 주소, 구인 분야, 우선순위 정보, 및 제시 연봉을 포함하는 고용주 정보를 수신하고 - 상기 우선순위 정보는 경력, 용모, 학력, 학습 속도, 커뮤니케이션 능력, 창의성, 및 숙련도를 포함하는 평가 항목 중 상기 제1 고용주 단말에 대응되는 업체에서 지정한, 미리 지정된 제1 개수 이하의 평가 항목의 우선순위를 포함함 -,
    상기 구직자에게 직무교육 평가 컨텐츠를 제공하고, 직무교육 평가 결과에 기초하여 학습 속도 점수, 커뮤니케이션 능력 점수, 창의성 점수, 및 숙련도 점수를 포함하는 직무교육 평가 점수를 저장하고,
    상기 제1 구직자에 대응되는 구직자가 상기 제1 고용주 단말에 대응되는 업체에 고용되는 경우, 고용주 만족도 점수, 근속 기간, 및 상기 구직자가 상기 업체에 근무 중인지 여부에 기초하여 사후 관리 결과 점수를 산출하고,
    상기 구직자의 주소 및 상기 회사 주소에 기초하여 위치 관련도를 산출하고,
    상기 우선순위 정보에 기초하여 우선순위 관련도를 산출하고,
    상기 희망 연봉 및 상기 제시 연봉에 기초하여 연봉 관련도를 산출하고,
    상기 이력 정보 및 상기 구인 분야에 기초하여 경력 관련도를 산출하고,
    상기 위치 관련도, 상기 우선순위 관련도, 상기 연봉 관련도, 상기 경력 관련도, 및 상기 직무교육 평가 점수를 상기 사후 관리 결과 점수와 연관시켜 데이터베이스에 저장하고,
    상기 데이터베이스에 기초하여, 구직자 정보, 고용주 정보, 및 구직자의 직무교육 평가 점수에 기초하여 사후 관리 결과 점수를 예측하는 제1 인공지능 모델을 생성하고,
    상기 복수의 고용주 단말 중 제2 고용주 단말로부터, 회사 주소, 구인 분야, 우선순위 정보, 및 제시 연봉을 포함하는 고용주 정보를 수신하고,
    상기 제1 인공지능 모델을 이용하여, 상기 복수의 구직자 단말에 대응되는 복수의 구직자의, 상기 제2 고용주 단말에 대응되는 회사에 대한 사후 관리 결과 점수를 예측하고,
    상기 복수의 구직자 중 예측된 사후 관리 결과 점수가 가장 높은 미리 결정된 수의 구직자에 관한 정보를 상기 제2 고용주 단말에 제공하도록 구성되고,
    상기 우선순위 관련도는,

    로 산출되고,
    , , , , , , 및 은 상기 우선순위 정보에 기초하여 결정되고,
    상기 제1 개수가 N이고, 상기 제1 고용주 단말에 대응되는 업체에서 N개의 평가 항목에 대해서 우선순위를 지정한 경우:
    , , , , , , 및 을 포함하는 복수의 관련도 계수 중 우선순위가 지정되지 않은 항목에 대응되는 관련도 계수는 0이고,
    1 이상 N 이하의 정수 n에 대하여, 상기 복수의 관련도 계수 중 n순위로 지정된 항목에 대응되는 관련도 계수는 N-n+1이고,
    상기 제1 개수가 N이고, 상기 제1 고용주 단말에 대응되는 업체에서 N개보다 적은 M개의 평가 항목에 대해서 우선순위를 지정한 경우:
    1 이상 M 이하의 정수 m에 대하여, 상기 복수의 관련도 계수 중 m순위로 지정된 항목에 대응되는 관련도 계수는,
    인,
    구인구직 시스템.
  2. 삭제
  3. 제1항에 있어서, 상기 서버는,
    상기 제2 고용주 단말로부터 수신된 고용주 정보에 포함되는 우선순위 정보에, 용모에 대한 우선순위가 포함되는 것에 응답하여,
    상기 제2 고용주 단말에 제1 인터페이스에 연결되는 링크를 제공하고,
    상기 제1 인터페이스에서, 복수의 인물 사진을 표시하고, 상기 복수의 인물 사진 중 하나의 제1 사진의 선택을 입력받고,
    상기 제1 사진을 분석하여 하나 이상의 제1 피쳐를 추출하고,
    상기 구직자 사진을 분석하여 하나 이상의 제2 피쳐를 추출하고,
    상기 제2 피쳐 중 상기 제1 피쳐에 매칭되는 피쳐의 개수에 기초하여 상기 구직자 사진과 상기 제1 사진 사이의 유사도를 산출하고,
    상기 유사도에 비례하도록 용모 점수를 산출하도록 구성되는, 구인구직 시스템.
  4. 삭제
  5. 제1항에 있어서, 상기 사후 관리 결과 점수는,
    Figure 112023003984924-pat00059

    으로 결정되고,
    구직자가 상기 업체에 근무하고 있지 않은 경우, 구직자의 근속 기간이 상기 보정 근속 기간으로 결정되고,
    구직자가 상기 업체에 근무하고 있고, 상기 구직자의 근속 기간이 상기 구인 분야에 대응되는 평균 근속 기간보다 짧은 경우, 상기 보정 근속 기간은
    Figure 112023003984924-pat00060
    로 결정되고,
    구직자가 상기 업체에 근무하고 있고, 상기 구직자의 근속 기간이 상기 구인 분야에 대응되는 평균 근속 기간보다 긴 경우, 상기 보정 근속 기간은
    Figure 112023003984924-pat00061
    로 결정되는, 구인구직 시스템.
KR1020230004072A 2023-01-11 2023-01-11 직무교육 및 사후관리결과의 학습에 기초한 인공지능 기반 구인구직 추천 시스템 KR102668980B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230004072A KR102668980B1 (ko) 2023-01-11 2023-01-11 직무교육 및 사후관리결과의 학습에 기초한 인공지능 기반 구인구직 추천 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020230004072A KR102668980B1 (ko) 2023-01-11 2023-01-11 직무교육 및 사후관리결과의 학습에 기초한 인공지능 기반 구인구직 추천 시스템

Publications (1)

Publication Number Publication Date
KR102668980B1 true KR102668980B1 (ko) 2024-05-24

Family

ID=91320789

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230004072A KR102668980B1 (ko) 2023-01-11 2023-01-11 직무교육 및 사후관리결과의 학습에 기초한 인공지능 기반 구인구직 추천 시스템

Country Status (1)

Country Link
KR (1) KR102668980B1 (ko)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100050110A (ko) * 2008-11-05 2010-05-13 에스케이커뮤니케이션즈 주식회사 이미지 검색 서비스를 제공하는 방법, 단말기, 이미지 검색서버 및 시스템
KR20140035541A (ko) * 2012-09-13 2014-03-24 에스케이플래닛 주식회사 사진 관리 시스템 및 방법
KR20160093281A (ko) * 2015-01-29 2016-08-08 주식회사아즈온 Lbs 기반 개인간 구인구직 서비스 제공 방법
KR20200062797A (ko) * 2018-11-27 2020-06-04 문예진 사용자 맞춤형 구인구직 중개 방법
KR102278627B1 (ko) * 2021-01-19 2021-07-19 주식회사 링크스타터랩 구인구직 매칭 장치 및 그의 구인구직 매칭 방법
KR102483179B1 (ko) * 2022-06-23 2022-12-30 주식회사 당근마켓 구직과 연관된 사용자 인터페이스 제공 방법 및 시스템

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100050110A (ko) * 2008-11-05 2010-05-13 에스케이커뮤니케이션즈 주식회사 이미지 검색 서비스를 제공하는 방법, 단말기, 이미지 검색서버 및 시스템
KR20140035541A (ko) * 2012-09-13 2014-03-24 에스케이플래닛 주식회사 사진 관리 시스템 및 방법
KR20160093281A (ko) * 2015-01-29 2016-08-08 주식회사아즈온 Lbs 기반 개인간 구인구직 서비스 제공 방법
KR20200062797A (ko) * 2018-11-27 2020-06-04 문예진 사용자 맞춤형 구인구직 중개 방법
KR102278627B1 (ko) * 2021-01-19 2021-07-19 주식회사 링크스타터랩 구인구직 매칭 장치 및 그의 구인구직 매칭 방법
KR102483179B1 (ko) * 2022-06-23 2022-12-30 주식회사 당근마켓 구직과 연관된 사용자 인터페이스 제공 방법 및 시스템

Similar Documents

Publication Publication Date Title
CN109471945A (zh) 基于深度学习的医疗文本分类方法、装置及存储介质
US10755094B2 (en) Information processing apparatus, system and program for evaluating contract
CN109784654A (zh) 任务生成方法、装置、计算机设备和存储介质
US20210125149A1 (en) Adaptability job vacancies matching system and method
US20220138770A1 (en) Method and apparatus for analyzing sales conversation based on voice recognition
US20200184495A1 (en) Prediction of Business Outcomes by Analyzing Image Interests of Users
KR102308062B1 (ko) 창업을 위한 정보를 제공하기 위한 전자 장치 및 그 동작 방법
US20230035366A1 (en) Image classification model training method and apparatus, computer device, and storage medium
JP2017076195A (ja) 成功支援システム、情報処理装置、方法およびプログラム
CN113705792A (zh) 基于深度学习模型的个性化推荐方法、装置、设备及介质
CN116204714A (zh) 推荐方法、装置、电子设备及存储介质
CN114627330A (zh) 时序流量预测方法及装置、存储介质及电子设备
CN115641101A (zh) 一种智能化招聘的方法、装置及计算机可读介质
Kavikondala et al. Automated retraining of machine learning models
CN113449095A (zh) 一种面试数据分析方法和装置
CN113723774A (zh) 答题评分方法、装置、计算机设备和存储介质
KR102668980B1 (ko) 직무교육 및 사후관리결과의 학습에 기초한 인공지능 기반 구인구직 추천 시스템
AU2017393949A1 (en) System and method for determining rank
CN110262906B (zh) 接口标签推荐方法、装置、存储介质和电子设备
KR102609681B1 (ko) 사용자의 피드백 반영 제품계획 결정 방법 및 그 장치
CN117952584A (zh) 信息推荐方法、装置、电子设备及存储介质
CN110765250A (zh) 检索方法、装置、可读存储介质和电子设备
CN111798217B (zh) 数据分析系统及方法
CN111414609B (zh) 一种对象验证方法和装置
CN114722280A (zh) 基于用户画像的课程推荐方法、装置、设备及存储介质

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant