KR20200129029A - 군복무 경력 기반 직무 추천 장치 및 방법, 맞춤형 보직 추천 장치 및 방법 그리고 기록 매체 - Google Patents

군복무 경력 기반 직무 추천 장치 및 방법, 맞춤형 보직 추천 장치 및 방법 그리고 기록 매체 Download PDF

Info

Publication number
KR20200129029A
KR20200129029A KR1020200005613A KR20200005613A KR20200129029A KR 20200129029 A KR20200129029 A KR 20200129029A KR 1020200005613 A KR1020200005613 A KR 1020200005613A KR 20200005613 A KR20200005613 A KR 20200005613A KR 20200129029 A KR20200129029 A KR 20200129029A
Authority
KR
South Korea
Prior art keywords
job
unit
competency
units
filter
Prior art date
Application number
KR1020200005613A
Other languages
English (en)
Inventor
김희동
Original Assignee
(주)스마트소셜
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 (주)스마트소셜 filed Critical (주)스마트소셜
Priority to KR1020200052312A priority Critical patent/KR20200129042A/ko
Publication of KR20200129029A publication Critical patent/KR20200129029A/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
    • 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
    • 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
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance
    • G06Q50/2057—Career enhancement or continuing education service

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Educational Technology (AREA)
  • Theoretical Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 맞춤형 보직 추천 방법 및 군복무 경력 기반 직무 추천 방법에 관한 것으로, 보다 상세하게는 복수의 직무능력단위들을 포함하는 사전집을 기반으로 생성된 필터를 이용하여 군 보직을 추천하거나, 군복무 경력자에게 민간 직무, 자격증, 또는 교육을 추천하는 방법에 관한 것으로, 본 발명의 실시예에 의하면, 객관적이고 합리적이며 일관성 있는 기준으로 마련된 필터를 기반으로 대상자에게 군 보직을 추천하거나, 군복무 경력자에게 적합한 직무를 추천할 수 있다.

Description

군복무 경력 기반 직무 추천 장치 및 방법, 맞춤형 보직 추천 장치 및 방법 그리고 기록 매체{APPARATUS AND METHOD FOR RECOMMENDING JOB}
본 발명은 맞춤형 보직 추천 방법 및 군복무 경력 기반 직무 추천 방법에 관한 것으로, 보다 상세하게는 복수의 직무능력단위들을 포함하는 사전집을 기반으로 생성된 필터를 이용하여 군 보직을 추천하거나, 군복무 경력자에게 민간 직무, 자격증, 또는 교육을 추천하는 방법에 관한 것이다.
복무를 마치고 전역하는 청년장병 중 대학으로 복학하지 않는 전역자는 별도의 취업 준비 없이 대부분 사회로 진출한다. 현행에 의하면 비록 군 전역자가 군 생활을 통하여 사회에서 필요로 하는 경험을 충분히 습득해도 민간 사회에서 이를 정당히 평가 받지 못 할뿐만 아니라 경력으로도 인정받지 못하는 실정이다. 대학에서 동일한 전공 분야를 공부하고 군에서 직업군인으로 수년간 작전장교, 인사장교, 부사관 등의 직업 활동을 했음에도 사회에서의 동일한 직업 활동으로 인정받지 못하며, 사회 경력으로도 통용되지 않는다. 물론 의무 복무를 마친 사병의 직무수행 내용도 사회에서의 직업활동으로 평가 받지 못하는 것은 마찬가지다.
군내에서 직업군인으로 직업 활동을 수행한 간부들은 자신의 직무능력 또는 특기를 기반으로 꽤 오랜 시간 직무를 수행한다. 따라서 자신의 직무분야에서는 상당한 전문성을 갖고 있다. 그럼에도 불구하고 이러한 역량은 사회와 유통되지 못하는 실정이다. 이는 군내에서의 복무 경력이 사회 경력과 유관하게 직업 활동으로서 유효하게 인정되지 못하기 때문이다.
본 발명은 복수의 직무능력단위들을 포함하는 사전집을 기반으로 생성된 필터를 이용하여 군복무 경력자에게 민간 직무를 추천하는 직무 추천 장치, 직무 추천 방법 및 기록 매체를 제공하기 위한 것이다.
또한, 본 발명은 객관적이고 합리적이며 일관성 있는 기준으로 마련된 필터를 기반으로 군 보직을 추천하거나, 군복무 경력자에게 적합한 직무를 추천할 수 있는 직무 추천 방법을 제공하기 위한 것이다.
또한, 본 발명은 군입대 전 대상자의 전공, 사회경험, 자격증 등으로부터 맞춤형 보직을 추천할 수 있음에 따라 군 복무 생활 중에도 직무역량을 향상시킬 수 있는 직무 추천 방법을 제공하기 위한 것이다.
본 발명이 해결하고자 하는 과제는 이상에서 언급된 과제로 제한되지 않는다. 언급되지 않은 다른 기술적 과제들은 이하의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 발명은 직무 추천 방법을 제공한다. 일 실시 예에 있어서, 직무 추천 방법은, 직무 추천부에 의해, 대상자의 역량 관련 데이터 및 필터를 기반으로 상기 대상자에게 직무를 추천하는 단계를 포함하고, 상기 필터는 직무에 따른 필요 능력과 관련된 데이터로 구성된 복수의 직무능력단위들을 포함하는 사전집을 기반으로 생성되되, 상기 직무능력단위들과 상기 직무능력단위들을 구성하는 데이터로부터 추출된 단어들 간의 연관도 및 상기 직무능력단위들 상호 간의 관련도 중의 적어도 하나를 포함하며, 상기 직무능력단위들은 군보직에 따른 필요 능력과 연관된 데이터로 구성된 복수의 군보직단위들을 포함하며, 상기 대상자의 역량 관련 데이터는 상기 대상자의 군 보직 경력을 포함한다.
일 실시 예에 있어서, 상기 필터는, 행 단위 및 열 단위 중 어느 하나의 제1 단위에 직무능력단위들이 배열되고, 다른 하나의 제2 단위에 상기 직무능력단위들을 구성하는 데이터들로부터 추출된 단어들이 배열되는 2차원 행렬을 포함하고, 상기 2차원 행렬은, 상기 제1 단위의 각 직무능력단위들와, 상기 제2 단위의 각 단어 간의 연관도를 각각의 성분값으로 가질 수 있다.
일 실시 예에 있어서, 상기 필터는, 행 단위 및 열 단위 중 어느 하나의 제1 단위에 직무능력단위들이 배열되고, 다른 하나의 제2 단위에 상기 직무능력단위들이 배열되는 2차원 행렬을 포함하고, 상기 2차원 행렬은, 상기 제1 단위의 각 직무능력단위와 연관된 제1 직무능력단위와 상기 제2 단위의 각 직무능력단위와 연관된 제2 직무능력단위 간의 관련도를 각각의 성분값으로 가질 수 있다.
일 실시 예에 있어서, 상기 직무를 추천하는 단계는, 상기 역량 관련 데이터로부터 상기 대상자의 상기 군 보직 경력과 관련된 단어들을 추출하는 단계; 및 상기 추출된 단어들로부터 상기 대상자와 관련된 하나 이상의 직무능력단위를 결정하는 단계; 및 상기 하나 이상의 직무능력단위를 추천 직무로 결정하는 단계를 포함할 수 있다.
일 실시 예에 있어서, 상기 하나 이상의 직무능력단위를 제1 직무능력단위로 하고, 상기 필터를 기반으로 상기 제1 직무능력단위와의 유사도에 기초하여 복수개의 직무능력단위들 중 하나 이상의 제2 직무능력단위를 추천 직무로 결정하는 단계를 포함할 수 있다.
본 발명은 군 보직 추천 방법을 포함한다. 일 실시 예에 있어서, 군 보직 추천 방법은, 직무 추천부에 의해, 대상자의 역량 관련 데이터 및 필터를 기반으로 상기 대상자에게 보직을 추천하는 단계를 포함하고, 직무에 따른 필요 능력과 관련된 데이터로 구성된 복수의 직무능력단위들을 포함하는 사전집을 기반으로 생성되되, 상기 직무능력단위들과 상기 직무능력단위들을 구성하는 데이터로부터 추출된 단어들 간의 연관도 및 상기 직무능력단위들 상호 간의 관련도 중의 적어도 하나를 포함하며, 상기 직무능력단위들은 군보직에 따른 필요 능력과 연관된 데이터로 구성된 복수의 군보직단위들을 포함하며, 상기 대상자의 역량 관련 데이터는 상기 대상자의 교육정보, 보유 자격증 정보, 포트폴리오, 이력서, 자기소개서, SNS 데이터, 상기 대상자와 대화 형태로 이력 정보를 수집하는 챗봇에 의해 수집된 데이터, 상기 대상자의 사회 관계 정보, 상기 대상자의 SNS 상에서의 관심사, 상기 대상자의 컨텐츠 시청 기록, 상기 대상자의 특정 정보 검색 이력 중의 적어도 하나를 포함한다.
일 실시 예에 있어서, 상기 필터는, 행 단위 및 열 단위 중 어느 하나의 제1 단위에 직무능력단위들이 배열되고, 다른 하나의 제2 단위에 상기 직무능력단위들을 구성하는 데이터들로부터 추출된 단어들이 배열되는 2차원 행렬을 포함하고, 상기 2차원 행렬은, 상기 제1 단위의 각 직무능력단위들와, 상기 제2 단위의 각 단어 간의 연관도를 각각의 성분값으로 가질 수 있다.
일 실시 예에 있어서, 상기 필터는, 행 단위 및 열 단위 중 어느 하나의 제1 단위에 직무능력단위들이 배열되고, 다른 하나의 제2 단위에 상기 직무능력단위들이 배열되는 2차원 행렬을 포함하고, 상기 2차원 행렬은, 상기 제1 단위의 각 직무능력단위와 연관된 제1 직무능력단위와 상기 제2 단위의 각 직무능력단위와 연관된 제2 직무능력단위 간의 관련도를 각각의 성분값으로 가질 수 있다.
일 실시 예에 있어서, 상기 직무를 추천하는 단계는, 상기 역량 관련 데이터로부터 상기 대상자의 직무능력과 관련된 단어들을 추출하는 단계; 및 상기 추출된 단어들로부터 상기 대상자와 관련된 하나 이상의 군보직단위를 결정하는 단계; 및 상기 하나 이상의 군보직단위를 추천 군 보직으로 결정하는 단계를 포함할 수 있다.
본 발명의 실시예에 의하면, 복수의 직무능력단위들을 포함하는 사전집을 기반으로 생성된 필터를 이용하여 군 보직을 추천하거나, 군복무 경력자에게 직무를 추천하는 직무 추천 방법이 제공된다.
또한, 본 발명의 실시예에 의하면, 객관적이고 합리적이며 일관성 있는 기준으로 마련된 필터를 기반으로 대상자에게 군 보직을 추천하거나, 군복무 경력자에게 적합한 직무를 추천할 수 있다.
본 발명의 실시 예에 의하면, 군입대 전 대상자의 전공, 사회경험, 자격증 등으로부터 맞춤형 보직을 추천할 수 있음에 따라 군 복무 생활 중에도 직무역량을 향상시킬 수 있다.
본 발명의 효과는 상술한 효과들로 제한되지 않는다. 언급되지 않은 효과들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.
도 1은 본 발명의 실시예에 따른 직무 추천 장치의 구성도이다.
도 2는 본 발명의 실시예에 따른 직무 추천 장치를 구성하는 직무 추천 서버의 구성도이다.
도 3은 본 발명의 실시예에 따른 직무 추천 장치를 구성하는 필터 생성부의 구성도이다.
도 4는 본 발명의 실시예에 따른 직무 추천 장치를 구성하는 직무 추천부의 구성도이다.
도 5는 본 발명의 실시예에 따른 직무 추천 장치를 구성하는 제1 필터 생성부의 구성도이다.
도 6a 및 도 6b는 복수의 직무능력단위들을 포함하는 사전집의 직무능력단위 문서를 예시한 도면이다.
도 7은 본 발명의 제1 실시예에 따른 제1 필터의 예시도이다.
도 8은 본 발명의 실시예에 따른 직무 추천 장치를 구성하는 제1 직무 추천부의 구성도이다.
도 9는 본 발명의 제2 실시예에 따른 제1 필터의 예시도이다.
도 10은 본 발명의 제2 실시예에 따른 직무 추천 장치를 구성하는 제1 직무 추천부의 구성도이다.
도 11은 본 발명의 다른 실시예에 따른 직무 추천 장치를 구성하는 제1 직무 추천부의 구성도이다.
도 12는 본 발명의 실시예에 따른 직무 추천 장치를 구성하는 제2 필터 생성부의 구성도이다.
도 13은 본 발명의 제1 실시예에 따른 제2 필터의 예시도이다.
도 14는 본 발명의 제2 실시예에 따른 제2 필터의 예시도이다.
도 15는 본 발명의 실시예에 따른 직무 추천 장치를 구성하는 제1 실시 예에 따른 제2 직무 추천부의 구성도이다.
도 16은 본 발명의 직무 추천 장치를 구성하는 제2 실시예에 따른 제2 보직 추천부의 구성도이다.
도 17는 본 발명의 다른 실시예에 따른 직무 추천 장치를 구성하는 제2 직무 추천부의 구성도이다.
본 발명의 다른 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술하는 실시예를 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예에 한정되지 않으며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 만일 정의되지 않더라도, 여기서 사용되는 모든 용어들(기술 혹은 과학 용어들을 포함)은 이 발명이 속한 종래 기술에서 보편적 기술에 의해 일반적으로 수용되는 것과 동일한 의미를 갖는다. 공지된 구성에 대한 일반적인 설명은 본 발명의 요지를 흐리지 않기 위해 생략될 수 있다. 본 발명의 도면에서 동일하거나 상응하는 구성에 대하여는 가급적 동일한 도면부호가 사용된다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다", "가지다" 또는 "구비하다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
본 명세서 전체에서 사용되는 '~부'는 적어도 하나의 기능이나 동작을 처리하는 단위로서, 예를 들어 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미할 수 있다. 그렇지만 '~부'가 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '~부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함할 수 있다. 구성요소와 '~부'에서 제공하는 기능은 복수의 구성요소 및 '~부'들에 의해 분리되어 수행될 수도 있고, 다른 추가적인 구성요소와 통합될 수도 있다.
본 명세서에서는 “직무능력”이라는 용어가 사용된다. 본 명세서에서 사용하는 “직무능력”이라는 용어는 산업현장의 직무 수행에 요구되는 지식, 기술, 태도를 의미한다. 예컨대, 한국산업인력공단 또는 한국직업능력개발원에서 국가직무능력표준(NCS, National Competency Standards)로 체계화한 개념에 따른 능력단위로 정의될 수 있다. 구체적으로 NCS에 관하여서는, https://www.ncs.go.kr/에서 정보를 얻을 수 있으며, 한국고용직업분류(KECO, Korean Employment Classification of Occupations)등을 참고하여 분류한 대분류(24), 중분류(79), 소분류(253), 세분류(1,001개)에 따라, 1,001개의 각 세분류에 제공된 능력단위에 포함된 각 능력단위가 포함하는 능력단위(레포트)에서 제공된 능력단위 요소의 지식, 기술, 태도가 될 수 있다. 그러나, 상술한 예는 일 예에 불과하고, 직무능력이란 상술한 능력단위 또는 능력단위요소에 한정되는 개념으로 해석되어서는 안된다. 예컨대, 직무능력이란 NCS에서 정의하는 능력단위의 명칭, 정의, 직업기초능력, 평가사항, 능력단위요소별 수행준거 등 모든 기재 사항을 의미하는 것일 수 있다. 또한, 직무능력이란 NCS에 의한 정의가 아닌, 어떠한 직무에 대한 업무 수행 능력을 정의한 것일 수 있다. 또한, 직무능력이란 상술하지 않은 산업현장의 직무 수행에 요구되는 지식, 기술, 태도 등을 포함하는 것으로 일정 기준에 따라 분류된 개념일 수 있다.
본 명세서 전반에 사용된 용어인, 직무능력단위(사전집에 포함되어 사전집을 구성하는)라는 정의는, 단순히 직무능력 그 자체를 의미하는 것이 아니라, 각각의 직무능력이 필요로 하는 능력과 관련된 데이터를 포함하는 데이터 집합의 개념으로 이해해야하며, 단순히 단어로 정의되는 것이 아니라, 각 직무능력마다 복수의 단어를 포함하는 단어집 또는 문장으로 정의된 직무 해설서, 직무 기술서 등과 이들의 인덱스를 포함하는 개념으로 해석되어야 하는 것이다.
본 명세서 전반에 사용된 용어인, 군보직단위에 대해서도 직무능력단위에 대한 정의와 마찬가지로, 단순히 보직 그 자체를 의미하는 것이 아니라, 각각의 보직이 필요로 하는 능력과 관련된 데이터를 포함하는 데이터 집합의 개념으로 이해해야하며, 각 보직마다 복수의 단어를 포함하는 단어집 또는 문장으로 정의된 해설서, 보직 기술서, 보직 해설서 등과 이들의 인덱스를 포함하는 개념으로 해석되어야 하는 것이다.
도 1은 본 발명의 실시예에 따른 직무 추천 장치의 구성도이다. 도 1을 참조하면, 본 발명의 실시예에 따른 직무 추천 장치(10)는 직무 추천 서버(30) 및 데이터베이스(40)를 포함할 수 있다.
직무 추천 서버(30)는 대상자 단말기(20)로부터 역량 관련 데이터를 수집하고, 복수의 직무능력단위들을 포함하는 사전집을 기반으로 생성된 필터를 이용하여 대상자에게 적합한 직무를 추천할 수 있다. 또한, 추천된 직무를 기반으로 관련된 취득 가능 자격증, 직무역량 향상에 필요한 교육을 추천할 수 있다.
본 발명의 실시예에 따른 필터는 이후 도 7, 도 9, 도 13, 및 도 14 등의 도면을 참조하여 보다 상세히 설명될 것이다.
대상자 단말기(20)는 대상자가 사용하는 단말기로서, 예를 들어 스마트폰, 태블릿 PC, 영상 전화기, 데스크탑 PC, 랩탑 PC, 넷북 컴퓨터, 워크스테이션, PDA, PMP 그리고 웨어러블 장치 등으로 구현될 수 있으나, 이에 제한되는 것은 아니다.
데이터베이스(40)는 대상자들의 역량 관련 데이터들, 기업이나 공공기관 등의 채용자들의 채용 관련 데이터들, 복수의 직무능력단위들을 포함하는 사전집(예컨대, NCS 분류에 따른 능력단위별 레포트, NCS 분류에 따른 능력단위별 레포트로부터 추출된 단어집 등), 그리고 필터 등의 정보를 저장할 수 있다.
데이터베이스(40)는 반드시 직무 추천 서버(30)와 분리되어 별개로 마련되는 것으로 제한 해석되지 않으며, 직무 추천 서버(30)에 마련되는 메모리를 포함하는 개념으로 이해되어야 한다. 직무 추천 서버(30)는 다양한 방식의 통신을 통해 대상자 단말기, 채용자 단말기 및 데이터베이스(40)에 접근할 수 있다. 여기서 다양한 방식의 통신은 유선 및/또는 무선 통신이 가능한 네트워크 인터페이스에 의해 구현될 수 있으며, 예를 들어 근거리 통신(예: 블루투스, WiFi direct 또는 IrDA(infrared data association)) 또는 원거리 통신(예: 셀룰러 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN))일 수 있으나, 이에 제한되지는 않는다. 유/무선 네트워크 인터페이스는 예를 들어 IEEE, 지그비(zigbee), 3G(3rd Generation), 3GPP(3rd Generation Partnership Project), LTE(Long Term Evoloution), 5G(5th Generation) 등과 같은 다양한 통신 규격에 따라 통신을 수행하는 네트워크 인터페이스로 구성될 수 있으나, 이에 제한되지는 않는다.
도 2는 본 발명의 실시예에 따른 직무 추천 장치를 구성하는 직무 추천 서버의 구성도이다. 도 1 및 도 2를 참조하면, 직무 추천 서버(30)는 필터 생성부(100)와, 직무 분류 필터(200) 및 직무 추천부(300)를 포함할 수 있다.
필터 생성부(100)는 복수의 직무능력단위들을 포함하는 사전집을 기초로 하나 또는 복수개의 상이한 필터(200)를 생성할 수 있다.
복수의 직무능력단위들을 포함하는 사전집(이하, 사전집이라고 칭함)은 직무와 관련된 특정 데이터(예컨대, 구직자의 자기소개서, 채용자의 직무 기술서, NCS에 따른 분류데이터 등)로부터 추출된 직무능력과 관련된 데이터(예컨대, 직무능력과 관련성을 갖는 단어, 문장 등)를 각 정의되는 직무능력단위에 따라 분류하여 정리한 데이터화된 집합을 의미한다. 각 직무능력단위들은 직무능력을 대표하는 인덱스와 직무능력과 관련된 데이터를 포함할 수 있다.
필터(200)는 입력값을 제공하면 입력값과 관련된 출력값을 도출하는 것이다. 예컨대 입력값은 직무능력과 관련된 단어 또는 직무능력일 수 있다. 예컨대 출력값은 직무능력과 관련된 단어 또는 직무능력일 수 있다. 실시예에서, 필터(200)는 복수의 직무능력단위들을 포함하는 사전집을 기반으로 산출될 수 있다. 필터 생성부(100)에 의해 생성된 필터(200)는 데이터베이스(40)에 저장될 수 있다. 직무 추천부(300)는 대상자 관련 데이터와, 필터 생성부(100)에 의해 생성된 필터(200)를 기반으로 대상자에게 적합한 직무를 추천할 수 있다.
실시예에서, 복수의 직무능력단위들을 포함하는 사전집은 국가직무능력표준(NCS; National Competency Standards) 분류에 따라 정의된 직무분류에 따른 능력단위과 관련된 문서와, NCS와 유사한 체제로 군 보직(직무)를 정의하는 구축되는 군 보직 분류와, 군 보직 분류에 따라 생성되는 군 보직에 따른 군 보직을 정의하는 군 보직별 직무 기술 문서(예컨대, 군 보직에 따른 직무를 정의한 직무 기술서) 또는 상술한 문서들로부터 추출된 단어를 포함하는 단어모음집을 포함할 수 있다.
본 명세서에서 정의하는 군 보직 분류는 군 보직별로 필요한 직무 역량을 표준화, 체계화한 것이다. 군 보직 분류는 직책별 책무를 분류하고, 직책별 책무에 따라 요구되는 능력이 정의된다. 직책별 책무와 요구되는 능력은 각각의 군 보직에 따른 직무를 정의하는 사전집으로 생성된다. 보다 구체적으로, 군 보직 분류의 정의는 NCS분류와 유사한 방법과 체계로 정의될 수 있다. 군 보직 분류에 따르면 각각의 분류된 군 보직 마다 군 보직을 정의하는 군 보직 정의 문서를 포함할 수 있다. 군 보직 정의 문서는 직책별 책무와 요구되는 능력을 체계화하여 포함한다. 예컨대 군 보직 정의 문서는 군에서 직무를 수행하기 위해 요구되는 지식, 기술, 능력 등의 내용을 '능력단위요소', '수행준거', '지식·기술·태도' 등으로 세분화하여 포함할 수 있다. 군 보직 정의 문서는 데이터로 존재할 수 있다.
실시예에서, 필터 생성부(100)는 각각의 직무능력단위(이하, 특별한 언급이 없이 '직무능력단위'로 칭할 경우, 직무능력단위는 군보직단위를 포함하는 개념으로 제공된다)의 사전집에서 각 직무능력단위에 따른 데이터를 추출하고, 추출된 각 직무능력단위에 따른 데이터들에서 단어들을 추출한 후, 각 직무능력단위와 단어들 간의 관련도 또는 각 직무능력단위 간의 연관도를 산출하여 필터를 생성할 수 있다. 예컨대, 각 직무능력단위에 따른 데이터는 직무능력단위의 '분류번호', '명칭', '정의', '평가지침', '직업기초능력', '평가사항', 직무능력단위에 속하는 직무능력단위요소별 '명칭', '수행준거', '지식', '기술', '태도' 등의 정보를 포함하는 데이터화된 문서일 수 있다.
도 3은 본 발명의 실시예에 따른 직무 추천 장치를 구성하는 필터 생성부의 구성도이다. 도 4는 본 발명의 실시예에 따른 직무 추천 장치를 구성하는 직무 추천부의 구성도이다. 도 3 및 도 4를 참조하면, 필터 생성부(100)는 제1 필터 생성부(120)와, 제2 필터 생성부(140) 및 필터 갱신부(160)를 포함할 수 있다. 필터(200)는 제1 필터(220)와, 제2 필터(240)를 포함할 수 있다. 직무 추천부(300)는 제1 직무 추천부(320)와, 제2 직무 추천부(340)를 포함할 수 있다.
제1 필터 생성부(120)는 각 직무능력단위과, 각 직무능력단위에 따른 데이터로부터 추출된 단어들 간의 관계도를 나타내는 2차원 행렬의 제1 필터(220)를 생성할 수 있다. 제2 필터 생성부(120)는 각 직무능력단위 간의 연관도를 나타내는 2차원 행렬의 제2 필터(240)를 생성할 수 있다.
제1 직무 추천부(320)는 제1 필터 생성부(120)에 의해 생성된 제1 필터(220)를 기반으로 대상자에게 직무를 추천할 수 있다. 제2 직무 추천부(340)는 제2 필터 생성부(140)에 의해 생성된 제2 필터(240)를 기반으로 대상자에게 직무를 추천할 수 있다. 이하에서, 제1 필터(220)에 대해 먼저 설명한 후, 제2 필터(240)에 대해 설명하기로 한다.
도 5는 본 발명의 실시예에 따른 직무 추천 장치를 구성하는 제1 필터 생성부의 구성도이다. 도 3 및 도 5를 참조하면, 제1 필터 생성부(120)는 사전집 구축부(122)와, 단어 추출부(126)와, 연관도 분석부(130), 및 정규화부(132)를 포함할 수 있다. 사전집 구축부(122)는 직무능력 관련 데이터(400)로부터 직무능력단위에 따른 데이터들을 분할하여 추출하고 추출된 데이터를 직무능력단위에 따라 통합함으로써 이를 사전집(125)으로 구축 할 수 있다. 일 실시예에 있어서, 사전집 구축부(122)는 24개의 NCS 대분류 별로 직무능력단위를 정의하는 pdf 문서들을 추출할 수 있다. 직무능력단위들(124)의 개수 n은 상이할 수 있으며, 일 실시 예에 있어서, n은 해당 분류에 속하는 직무능력단위들(124)의 개수를 나타낸다. 같은 분류에 속하는 n개의 직무능력단위들(124)에 따른 pdf문서들은 해당 분류에 대한 제1 필터(220)를 산출하는데 활용될 수 있으며, 분류의 개수만큼 복수개(예를 들어, NCS 분류체계의 대분류에 따르면 24개)의 제1 필터(220)가 산출될 수 있다.
도 6a 및 도 6b는 복수의 직무능력단위들을 포함하는 사전집의 일예로서 NCS의 직무능력단위들(124)을 정의하는 문서를 예시한 도면이다. 사전집 구축부(122)는 직무능력단위 별로 '분류번호', '명칭', '수준', '정의', '직업기초능력', '평가사항', 직무능력단위요소별 '수행준거', '지식', '기술', '태도' 등의 정보를 포함하는 문서에서 직무능력단위와 관련된 데이터들을 추출할 수 있다. 단어 추출부(126)는 n개의 직무능력단위들 전체로부터 단어들(128)을 추출할 수 있다. 일 실시 예에 있어서, 단어 추출부(126)는 직무능력단위들(124)을 정의하는 문서 내의 문장들을 형태소 단위의 단어들로 분할하고 품사를 태깅(Tagging)하는 형태소 분석기를 포함할 수 있다. 실시예에서, 단어 추출부(126)는 문장들에서 불용어(stop word)를 제외하고, 유니그램(Uni-gram) 및/또는 바이그램(bi-gram) 등의 N-그램(N은 2 이상의 정수)으로 단어들을 추출할 수 있다.
연관도 분석부(130)는 사전집(125)에 정의된 직무능력단위들(124)과, 직무능력단위들(124)에서 추출된 단어(128)들 간의 연관도를 분석할 수 있다. 실시예에서, 연관도 분석부(130)는 TF-IDF(Term Frequency Inverse Document Frequency) 기반으로 n개의 직무능력단위들(124)과, n개의 직무능력단위들(124)에서 추출된 m개의 단어들(128) 간의 연관도를 분석할 수 있다. 직무능력단위들(124)과 단어들(128) 간의 연관도는 예를 들면 하기의 수식 1 내지 수식 3에 따라 산출되거나, 수식 1, 수식 2 및 수식 4에 따라 산출될 수 있다.
[수식 1]
Figure pat00001
[수식 2]
Figure pat00002
[수식 3]
Figure pat00003
[수식 4]
Figure pat00004
수식 1 내지 4에서, 'tfidf(t,d,D)'는 단어 빈도 역문서 빈도수, 't'는 단어, 'd'는 문서, D는 전체 문서들의 집합, tf(t,d)는 단어 빈도수, idf(t,D)는 역문서 빈도수, 'ft,d'는 문서 d 내에서의 단어 t의 빈도수, 'df(t,d)'는 전체 문서들 중 단어 t를 포함하는 문서들의 개수를 나타낸다.
연관도 분석부(130)는 TF-IDF 뿐 아니라, 비음수 행렬 분해 특성추출(NMF; Non-negative Matrix Factorization), Word2Vec/Doc2Vec 등의 단어 임베딩(Word Embedding) 기술을 적용하여 직무능력단위 문서들과, 직무능력단위 문서들에서 추출된 단어들 간의 연관도를 분석할 수도 있다.
n개의 직무능력단위들(124)에서 추출된 단어들(128)의 개수가 m개인 경우, 직무능력단위들(124)과 단어들(128) 간의 연관도들은 n×m 크기의 행렬로 나타낼 수 있다. 정규화부(132)는 n×m 크기의 행렬의 크기가 1로 정규화되도록, n×m 행렬의 각 성분을 설정값로 나누어 정규화된 행렬을 생성할 수 있다. 설정값은 n×m 행렬의 각 성분에 따라 상이할 수 있다. 또한, 설정값은 정규화 방법에 따라 상이할 수 있다. 한편, 본 실시 예에서는 행렬의 크기가 1이 되도록 정규화 하였지만, 10, 100등 적정한 크기로 변형될 수 있다. 이에 따라, 각각의 대분류 별로, 정규화된 제1 필터(220)가 생성될 수 있다. 제1 필터(220)를 정규화함으로써, 상이한 대분류에 속하는 추천 직무들의 우선순위가 대분류들 간의 상이한 행렬 크기에 의해 좌우되지 않도록 할 수 있고, 특정 대분류(행렬 크기가 큰 대분류) 내의 능력단위로 추천 직무가 집중되는 것을 방지하고, 행렬 크기가 큰 대분류 뿐 아니라, 행렬 크기가 작은 대분류에서도 구직자에게 적합한 직무(능력단위)를 추천할 수 있다.
도 7은 본 발명의 제1 실시예에 따른 제1 필터의 예시도이다. 도 5 및 도 7을 참조하면, 제1 필터(220)는 행(row) 단위(제1 단위)로 직무능력단위들(124)(a1, a2, ..., an-1, an)이 배열되고, 열(column) 단위(제2 단위)로 사전집(125)의 직무능력단위들(124)에서 추출된 단어들(128)(v1, v2, ..., vm-1, vm)이 배열되는 2차원 행렬로 표현될 수 있다. 제1 필터(220)의 2차원 행렬의 각 성분값은 단어의 TF-IDF 값을 행렬 크기로 나누어 정규화한 값일 수 있다. 제1 필터(220)는 n개의 직무단위능력들 각각의 1×m 크기를 가지는 행 벡터들의 집합이라 할 수 있다. 단어들(128)의 개수 m은 대략 수만 내지 수십만개일 수 있다.
이상에서 직무능력단위들이 행 단위(제1 단위)에 순차 배열되고, 직무능력단위 문서들에서 추출된 단어들이 열 단위(제2 단위)에 순차 배열되는 제1 필터(220)의 실시예에 대해 설명하였으나, 제1 필터(220)는 직무능력단위들이 열 단위에 배열되고, 직무능력단위 문서들에서 추출된 단어들이 행 단위에 배열될 수도 있다. 이 경우, 각 직무능력단위 벡터는 열 벡터로 제공될 수 있다.
다시 도 3을 참조하면, 필터 갱신부(160)는 주기적인 크롤링(crawling) 기술을 통해 복수의 직무능력단위들을 포함하는 사전집의 갱신 정보를 수집하고, 복수의 직무능력단위들을 포함하는 사전집의 갱신 정보를 기반으로 필터를 갱신할 수 있다. 복수의 직무능력단위들을 포함하는 사전집은 미래사회 변화와 산업현장의 요구를 반영하여 변경, 갱신될 수 있으며, 새로 생겨나거나 없어지는 직무가 있는 경우, 직무능력단위가 추가 또는 삭제될 수 있다. 또한, 직무능력단위에 포함되는 단어나 요구 능력이 보다 구체화된 용어를 포함하도록 변경, 갱신될 수 있다. 예컨대, 직무능력 관련 데이터(400)의 일 예인 자기소개서로부터 산업현장에서 사용되는 프로그램 명칭인 “powerpoint”라는 단어를 수집한 경우, powerpoint가 직무능력단위에 포함되지 않은 단어일 때, 직무능력단위를 포함하는 사전집은 이를 포함하도록 갱신될 수 있다. 필터 갱신부(160)는 복수의 직무능력단위들을 포함하는 사전집이 갱신되는 경우, 필터를 갱신할 수 있다.
예를 들어, 필터 갱신부(160)는 크롤링으로 수집된 복수의 직무능력단위들을 포함하는 사전집에 새로운 분류번호 또는 새로운 명칭을 가지는 직무능력단위가 발견되거나, 기존 직무능력단위들의 분류번호들 또는 명칭들 중 삭제된 분류번호 또는 명칭이 존재하는 경우, 또는 크롤링(crawling) 기술에 의해 직무능력단위의 '직업기초능력', '평가사항', 직무능력단위요소별 '수행준거', '지식', '기술', '태도' 등의 정보가 변경된 것으로 판단되는 등의 경우, 복수의 직무능력단위들을 포함하는 사전집이 변경, 갱신된 것으로 판단하여, 필터를 갱신할 수 있다.
도 8은 본 발명의 제1 실시예에 따른 직무 추천 장치를 구성하는 제1 직무 추천부의 구성도이다. 도 4, 도 7 및 도 8을 참조하면, 제1 직무 추천부(320)는 대상자의 역량 관련 데이터(500) 및 제1 필터(220)를 기반으로 대상자에게 하나 이상의 직무를 추천할 수 있다. 실시예에서, 역량 관련 데이터(500)는 군복무 주특기, 군직무 포트폴리오, 수행 임무, 교육정보, 보유 자격증 정보, 포트폴리오, 이력서, 자기소개서, SNS 데이터 및 상기 대상자와 대화 형태로 이력 정보를 수집하는 챗봇에 의해 수집된 데이터, 대상자의 음성을 통해 수집된 데이터 대상자의 사회 관계 정보, SNS의 관심사, 컨텐츠 시청 기록, 검색 정보 등 디지털화된 개인 정보등을 포함할 수 있다. 역량 관련 데이터(500)는 대상자 단말기로부터 수집되거나, 대상자의 SNS 또는 이메일, 구인구직 중계 서버, 대상자에 관한 정보를 저장, 관리하고 있는 학교 또는 국가 행정기관 서버 등으로부터 수집될 수 있다. 제1 직무 추천부(320)는 단어 추출부(322)와, 벡터화부(324)와, 유사도 산출부(326), 및 추천직무 결정부(328)를 포함할 수 있다.
단어 추출부(322)는 대상자의 역량 관련 데이터(500)로부터 역량 관련 단어들을 추출할 수 있다. 단어 추출부(322)는 역량 관련 데이터(500) 내의 문장들을 형태소 단위의 단어들로 분할하고 품사를 태깅하는 형태소 분석기를 포함할 수 있다. 실시예에서, 단어 추출부(322)는 형태소 분석 후 명사태깅 형태소를 추출하고, 불용어(stop words)를 제거한 후, 명사 연속의 경우 바이그램(bi-gram) 등의 N-그램을 적용할 수 있다. 단어 추출부(322)는 역량 관련 데이터(500)의 단어들 중에서, 제1 필터(220)에 정의된 단어들(128)에 대응되는 단어들 만을 추출할 수 있다.
벡터화부(324)는 단어 추출부(322)에 의해 역량 관련 데이터(500)로부터 추출된 단어들을 제1 필터(220)에 정의된 단어들(128)의 배열 순서에 따라서 벡터화할 수 있다. 제1 필터(220)는 열 단위로 단어들(128)의 순서가 배열되어 있다. 벡터화부(324)는 제1 필터(220)에 정의된 단어들(128)의 배열 순서에 따라, 역량 관련 데이터(500)로부터 추출된 k개(k는 0 이상, m 이하의 정수)의 단어들을 1×m 크기의 행 벡터로 변환할 수 있다. 이 경우, 역량 관련 데이터(500)에서 추출된 단어들로부터 변환된 행 벡터는 k개의 성분들은 0 보다 큰 크기를 가지고, 나머지 (m-k)개의 성분들은 0의 값을 가질 수 있다. k개의 단어들 각각의 성분값은 역량 관련 데이터(500)에서의 단어의 빈도수(TF; Term Frequency)에 대응하는 값으로 결정될 수도 있고, 바이너리 스코어(binary score) 적용에 의해 빈도수에 관계 없는 값으로 결정될 수도 있다. 단어의 빈도수(TF)를 사용하는 경우, 정규화된 빈도수(Normalized Term Frequency)를 사용하여 유사도(예를 들어, 코사인 유사도) 계산에 활용할 수 있다. 바이너리 스코어를 사용하는 경우에는 제곱을 취한 다음 내적하는 방법으로 적용될 수 있다.
예를 들어, 역량 관련 데이터(500)에 '건축설계' 단어가 2회 포함되어 있고, 제1 필터(220)에서 '건축설계'에 해당하는 단어가 12145번째 열로 규정되어 있다고 가정하면, 단어의 빈도수를 고려하지 않는 경우 벡터화부(324)에 의해 생성된 1차 벡터의 12145번째 성분 값은 '1'로 결정되고, 단어의 빈도수를 고려하는 경우 벡터화부(324)에 의해 생성된 1차 벡터의 12145번째 성분 값은 '2'로 결정될 수 있다. 이후 벡터 정규화 연산에 의해 정규화된 행 벡터(특징 벡터)를 생성할 수 있다. 유사도 산출부(326)는 벡터화부(324)에 의해 역량 관련 데이터(500)로부터 생성된 행 벡터(특징 벡터)와, 제1 필터(220)를 기반으로 구직자의 특징 벡터와 능력단위들 간의 유사도를 산출할 수 있다. 실시예에서, 유사도 산출부(326)는 구직자의 특징 벡터와 능력단위들 각각의 행 벡터(능력단위 벡터) 간의 유사도(예를 들어, 코사인 유사도(cosine similarity))를 산출할 수 있다.
실시예에서, 코사인 유사도는 대상자의 특징 벡터와 m개의 직무능력단위들 각각의 행 벡터를 내적한 후, 특징 벡터의 크기와 직무능력단위의 행 벡터 크기로 나눈 값으로 산출될 수 있다. 특징 벡터가 정규화되어 있는 경우, 특징 벡터의 크기로 나누는 연산은 생략될 수 있다. 유사도 산출부(326)는 하나의 대분류에 속하는 n개의 직무능력단위별로, 대상자의 특징 벡터와의 유사도를 산출할 수 있다. 추천직무 결정부(328)는 대상자의 특징 벡터와 직무능력단위들 간의 n개의 유사도 값들 중 대상자의 특징 벡터와의 유사도가 큰 순서대로 직무능력단위들의 우선순위를 결정하여 대상자에게 추천할 추천 직무를 결정할 수 있다. 또한 추천된 직무에 필요한 자격증 정보나 역량 향상에 필요한 교육 정보를 제공할 수 있다.
실시예에서, 추천직무 결정부(328)는 모든 대분류 별로, 대상자의 특징 벡터와, 직무능력단위들 간의 유사도가 높은 순서대로, 하나 또는 복수개의 대분류에서 추천 직무를 결정할 수 있다. 또는, 대상자가 대상자 인터페이스를 이용하여 특정 대분류를 선택하는 입력을 한 경우, 선택된 대분류에 대해서만 필터를 기반으로 대분류 내에 속하는 직무(직무능력단위)를 추천할 수 있다. 이상에서 대분류 별로 다양한 필터를 생성하여 직무를 추천하는 경우를 예로 들어 설명하였으며, 모든 대분류에 속하는 전체 직무능력단위문서들을 대상으로 하나의 필터를 생성하여 직무를 추천하는 것도 가능하다.
도 9는 본 발명의 제2 실시예에 따른 제1 필터의 예시도이다. 도 5 및 도 9를 참조하면, 제1 필터(220)는 행(row) 단위(제1 단위)로 군보직단위들(1124)(b1, b2, ..., bn-1, bn)이 배열되고, 열(column) 단위(제2 단위)로 군보직단위와 앞서 추출된 단어들(128)(v1, v2, ..., vm-1, vm)이 배열되는 2차원 행렬로 표현될 수 있다. 제1 필터(220)의 2차원 행렬의 각 성분값은 단어의 TF-IDF 값을 행렬 크기로 나누어 정규화한 값일 수 있다. 제1 필터(220)는 n개의 직무단위능력들 각각의 1×m 크기를 가지는 행 벡터들의 집합이라 할 수 있다. 단어들(128)의 개수 m은 대략 수만 내지 수십만개일 수 있다.
이상에서 군보직단위들이 행 단위(제1 단위)에 순차 배열되고, 직무능력단위 문서들에서 추출된 단어들이 열 단위(제2 단위)에 순차 배열되는 제1 필터(220)의 실시예에 대해 설명하였으나, 제1 필터(220)는 군보직단위들이 열 단위에 배열되고, 직무능력단위 문서들에서 추출된 단어들이 행 단위에 배열될 수도 있다. 이 경우, 각 군보직단위 벡터는 열 벡터로 제공될 수 있다.
도 10은 본 발명의 보직 추천 장치를 구성하는 제1 보직 추천부의 구성도이다. 도 4, 도 9 및 도 10을 참조하면, 제1 보직 추천부(1320)는 대상자의 역량 관련 데이터(500) 및 제1 필터(220)를 기반으로 대상자에게 하나 이상의 보직을 추천할 수 있다. 실시예에서, 역량 관련 데이터(500)는 교육정보, 보유 자격증 정보, 포트폴리오, 이력서, 자기소개서, SNS 데이터 및 상기 대상자와 대화 형태로 이력 정보를 수집하는 챗봇에 의해 수집된 데이터, 대상자의 음성을 통해 수집된 데이터, 대상자의 사회 관계 정보, SNS의 관심사, 컨텐츠 시청 기록, 검색 정보 등 디지털화된 개인 정보등을 포함할 수 있다. 역량 관련 데이터(500)는 대상자 단말기로부터 수집되거나, 대상자의 SNS 또는 이메일, 구인구직 중계 서버, 대상자에 관한 정보를 저장, 관리하고 있는 학교 또는 국가 행정기관 서버 등으로부터 수집될 수 있다. 제1 보직 추천부(1320)는 단어 추출부(322)와, 벡터화부(324)와, 유사도 산출부(326), 및 추천 보직 결정부(1328)를 포함할 수 있다.
단어 추출부(322)는 대상자의 역량 관련 데이터(500)로부터 역량 관련 단어들을 추출할 수 있다. 단어 추출부(322)는 역량 관련 데이터(500) 내의 문장들을 형태소 단위의 단어들로 분할하고 품사를 태깅하는 형태소 분석기를 포함할 수 있다. 실시예에서, 단어 추출부(322)는 형태소 분석 후 명사태깅 형태소를 추출하고, 불용어(stop words)를 제거한 후, 명사 연속의 경우 바이그램(bi-gram) 등의 N-그램을 적용할 수 있다. 단어 추출부(322)는 역량 관련 데이터(500)의 단어들 중에서, 제1 필터(220)에 정의된 단어들(128)에 대응되는 단어들 만을 추출할 수 있다.
벡터화부(324)는 단어 추출부(322)에 의해 역량 관련 데이터(500)로부터 추출된 단어들을 제1 필터(220)에 정의된 단어들(128)의 배열 순서에 따라서 벡터화할 수 있다. 제1 필터(220)는 열 단위로 단어들(128)의 순서가 배열되어 있다. 벡터화부(324)는 제1 필터(220)에 정의된 단어들(128)의 배열 순서에 따라, 역량 관련 데이터(500)로부터 추출된 k개(k는 0 이상, m 이하의 정수)의 단어들을 1×m 크기의 행 벡터로 변환할 수 있다. 이 경우, 역량 관련 데이터(500)에서 추출된 단어들로부터 변환된 행 벡터는 k개의 성분들은 0 보다 큰 크기를 가지고, 나머지 (m-k)개의 성분들은 0의 값을 가질 수 있다. k개의 단어들 각각의 성분값은 역량 관련 데이터(500)에서의 단어의 빈도수(TF; Term Frequency)에 대응하는 값으로 결정될 수도 있고, 바이너리 스코어(binary score) 적용에 의해 빈도수에 관계 없는 값으로 결정될 수도 있다. 단어의 빈도수(TF)를 사용하는 경우, 정규화된 빈도수(Normalized Term Frequency)를 사용하여 유사도(예를 들어, 코사인 유사도) 계산에 활용할 수 있다. 바이너리 스코어를 사용하는 경우에는 제곱을 취한 다음 내적하는 방법으로 적용될 수 있다.
유사도 산출부(326)는 벡터화부(324)에 의해 역량 관련 데이터(500)로부터 생성된 행 벡터(특징 벡터)와, 제1 필터(1220)를 기반으로 대상자의 특징 벡터와 군보직단위들 간의 유사도를 산출할 수 있다. 실시예에서, 유사도 산출부(326)는 대상자의 특징 벡터와 군보직단위들 각각의 행 벡터(직무능력단위 벡터) 간의 유사도(예를 들어, 코사인 유사도(cosine similarity))를 산출할 수 있다.
실시예에서, 코사인 유사도는 대상자의 특징 벡터와 m개의 직무능력단위들 각각의 행 벡터를 내적한 후, 특징 벡터의 크기와 직무능력단위의 행 벡터 크기로 나눈 값으로 산출될 수 있다. 특징 벡터가 정규화되어 있는 경우, 특징 벡터의 크기로 나누는 연산은 생략될 수 있다. 유사도 산출부(326)는 하나의 대분류에 속하는 n개의 직무능력단위별로, 대상자의 특징 벡터와의 유사도를 산출할 수 있다. 추천직무 결정부(328)는 대상자의 특징 벡터와 직무능력단위들 간의 n개의 유사도 값들 중 대상자의 특징 벡터와의 유사도가 큰 순서대로 직무능력단위들의 우선순위를 결정하여 대상자에게 추천할 추천 직무를 결정할 수 있다.
실시예에서, 추천보직 결정부(1328)는 대상자의 특징 벡터와, 군보직단위들 간의 유사도가 높은 순서대로 추천 보직을 결정할 수 있다.
본 발명의 실시예에 의하면, 대상자의 이력서나 포트폴리오, 자기소개서 등의 경력(과거의 직무 경험) 등을 활용한 학습에 의해 필터를 생성하는 것이 아니라, 복수의 직무능력단위들을 포함하는 사전집 만을 기반으로 필터를 생성하여 대상자에게 직무 또는 군 보직을 추천하므로, 불확실한 학습 데이터로 인해 필터에 오차 요인이 발생하는 것을 방지할 수 있으며, 객관적이고 합리적이며 일관성 있는 기준으로 마련된 필터를 기반으로 대상자에게 적합한 직무 또는 군 보직을 추천할 수 있다.
본 발명의 실시 예에 의하면, 군입대 전 대상자의 전공, 사회경험, 자격증 등으로부터 맞춤형 보직을 추천할 수 있음에 따라 군 복무 생활 중에도 직무역량을 향상시킬 수 있다.
이상에서 사전집을 정의하는 방법에 관하여서 NCS로 정의된 문서를 크롤링하여 직무능력단위 데이터를 구축하는 것을 예로 들어 본 발명의 실시예에 따른 직무 추천 장치 및 직무 추천 방법에 대해 설명하였으나, 본 발명의 실시예에 따른 직무 추천 장치 및 직무 추천 방법은 NCS 뿐 아니라, NOS(National Occupational Standards), VAAS(Vocational Ability Assessment Standards), NSS(National Skill Standard), NQF(National Qualification Framework), KQF(Korean Qualifications Framework), KECO(Korean Employment Classification of Occupations) 또는 열거되지 않은 다른 직무능력표준의 데이터를 크롤링하여 사전집의 직무능력단위 데이터를 구축할 수도 있다. 또한, 표준으로 정의되지 아니하더라도 직무능력에 대하여 지식·기술·태도 등을 정의하는 경우에 적용될 수 있다.
도 11은 본 발명의 다른 실시예에 따른 직무 추천 장치를 구성하는 제1 직무 추천부의 구성도이다. 도 7 및 도 10을 참조하면, 제1 직무 추천부(320)는 채용자의 채용 관련 데이터(600) 및 제1 필터(220)를 기반으로 채용 관련 직무를 분류하여 채용자의 직무 분류 정보를 기반으로 구직자에게 하나 이상의 채용 정보를 추천할 수 있다. 실시예에서, 채용 관련 데이터(600)는 기업 또는 공공기관 등의 채용자가 요구하는 경력, 교육프로그램, 학력, 직무 경험 등의 모집 정보를 포함할 수 있다. 채용 관련 데이터(600)는 채용자 단말기로부터 수집되거나, 채용자의 SNS 또는 이메일, 구인구직 중계 서버, 채용자에 관한 정보를 저장, 관리하고 있는 학교 또는 국가 행정기관 서버 등으로부터 수집될 수 있다. 또한, 채용 관련 데이터(600)는 채용자와 대화 형태로 정보를 수집하는 챗봇에 의해 수집되거나, 채용자의 음성 분석을 통해 수집될 수도 있다. 제1 직무 추천부(320)는 단어 추출부(330)와, 벡터화부(332)와, 유사도 산출부(334), 및 직무 분류부(336)를 포함할 수 있다.
단어 추출부(330)는 채용자의 채용 관련 데이터(600)로부터 채용 관련 단어들을 추출할 수 있다. 단어 추출부(330)는 채용 관련 데이터(600) 내의 문장들을 형태소 단위의 단어들로 분할하고 품사를 태깅하는 형태소 분석기를 포함할 수 있다. 실시예에서, 단어 추출부(330)는 문장들에서 형태소 분석 후 명사태깅 형태소를 추출하고, 불용어(stop words)를 제거한 후, 명사 연속의 경우 바이그램(bi-gram) 등의 N-그램을 적용할 수 있다. 불용어(stop word)를 제외하고, 유니그램(Uni-gram) 및/또는 바이그램(bi-gram) 등의 N-그램(N은 2 이상의 정수)으로 단어들을 추출할 수 있다. 단어 추출부(330)는 채용 관련 데이터(600)의 단어들 중에서, 제1 필터(220)에 정의된 단어들(128)에 대응되는 단어들만을 추출할 수 있다.
벡터화부(332)는 단어 추출부(330)에 의해 채용 관련 데이터(600)로부터 추출된 단어들을 제1 필터(220)에 정의된 단어들(128)의 배열 순서에 따라서 벡터화할 수 있다. 벡터화부(332)는 제1 필터(220)에 정의된 단어들(128)의 배열 순서에 따라, 채용 관련 데이터(600)로부터 추출된 p개(p는 0 이상, m 이하의 정수)의 단어들을 1×m 크기의 행 벡터로 변환할 수 있다. 이 경우, 채용 관련 데이터(600)에서 추출된 단어들로부터 변환된 행 벡터(특징 벡터)는 m개의 성분들 중 p개의 성분들은 0 보다 큰 크기를 가지고, 나머지 (m-p)개의 성분들은 0의 값을 가질 수 있다. p개의 단어들 각각의 성분값은 채용 관련 데이터(600)에서의 단어의 빈도수(TF; Term Frequency)에 대응해당하는 값으로 결정될 수도 있고, 바이너리 스코어를 기반으로 빈도수에 관계 없는이 1의 값으로 결정될 수도 있다. 단어의 빈도수(TF)를 사용하는 경우, 정규화된 빈도수(Normalized Term Frequency)를 사용하여 유사도(예를 들어, 코사인 유사도) 계산에 활용할 수 있다. 바이너리 스코어를 사용하는 경우에는 제곱을 취한 다음 내적하는 방법으로 적용될 수 있다.
예를 들어, 채용 관련 데이터에 '건축설계' 단어가 3회 포함되어 있고, 제1 필터(220)에서 '건축설계'에 해당하는 단어가 12145번째 열로 규정되어 있다고 가정하면, 단어의 빈도수를 고려하지 않는 경우 벡터화부(332)에 의해 생성된 1차행 벡터(특징 벡터)의 12145번째 성분 값은 '1'로 결정되고, 단어의 빈도수를 고려하는 경우 벡터화부(332)에 의해 생성된 1차행 벡터(특징 벡터)의 12145번째 성분 값은 '3'으로 결정될 수 있다. 이후 벡터 정규화(단어의 빈도수를 고려하는 경우) 또는 벡터 제곱 및 내적(바이너리 스코어를 적용하는 경우) 연산에 의해 정규화된 행 벡터(특징 벡터)를 생성할 수 있다.
유사도 산출부(334)는 벡터화부(332)에 의해 채용 관련 데이터(600)로부터 생성된 행 벡터(특징 벡터)와, 제1 필터(220)를 기반으로 채용자의 특징 벡터와 직무능력단위들 간의 유사도를 산출할 수 있다. 실시예에서, 유사도 산출부(334)는 채용자의 특징 벡터와 직무능력단위들 각각의 행 벡터 간의 유사도(예를 들어, 코사인 유사도(cosine similarity))를 산출할 수 있다. 실시예에서, 코사인 유사도는 채용자의 특징 벡터와 m개의 직무능력단위들 각각의 행 벡터를 내적한 후, 채용자의 특징 벡터의 크기와 직무능력단위의 행 벡터 크기로 나눈 값으로 산출될 수 있다. 유사도 산출부(334)는 하나의 대분류에 속하는 n개의 직무능력단위별로, 채용자의 특징 벡터와의 코사인 유사도를 산출할 수 있다. 직무 분류부(336)는 채용자의 특징 벡터와 직무능력단위들 간의 n개의 코사인 유사도 값들 중 채용자의 특징 벡터와의 코사인 유사도가 큰 순서대로 직무능력단위들의 우선순위를 결정하여 채용자와 관련된 직무(직무능력단위)를 직무능력 표준 분류에 따라 분류할 수 있다.
실시예에서, 직무 분류부(336)는 모든 대분류 별로, 채용자의 특징 벡터와, 직무능력단위들 간의 유사도가 높은 순서대로, 하나 또는 복수개의 대분류에서 직무 분류 결과를 제공할 수 있다. 또는, 채용자가 대상자 인터페이스를 이용하여 특정 대분류를 선택하는 입력을 한 경우, 선택된 대분류에 대해서만 필터를 기반으로 대분류 내에 속하는 직무를 분류할 수 있다. 이상에서 대분류 별로 다양한 필터를 생성하여 채용자의 직무를 분류하는 경우를 예로 들어 설명하였으며, 모든 대분류에 속하는 전체 직무능력단위문서들을 대상으로 하나의 필터를 생성하여 채용자 관련 직무를 분류하는 것도 가능하다.
채용자와 관련된 하나 이상의 직무 분류 정보가 결정되면, 해당 채용자의 직무 분류 정보와 부합하는 구직자에게 채용 정보가 제공되어, 직무능력단위를 기반으로 구직자와 채용자 간의 직무 매칭이 이루어질 수 있다. 따라서, 채용자에게는 기업, 공공기관 등의 직무 적성에 부합하는 인재가 추천될 수 있고, 구인자에게는 직무능력단위를 기반으로 적합한 직무를 수행할 수 있는 채용 정보가 제공됨으로써, 구인자와 채용자 간의 직무 미스매칭을 방지할 수 있다.
이하에서는 제2 필터(240)를 생성하여 직무를 추천하는 실시예에 대해 설명한다. 도 12는 본 발명의 실시예에 따른 직무 추천 장치를 구성하는 제2 필터 생성부의 구성도이다. 도 3 및 도 12를 참조하면, 제2 필터 생성부(140)는 복수의 직무능력단위들을 포함하는 사전집(125)으로부터 추출된 직무능력단위(124) 간의 연관도를 나타내는 2차원 행렬의 제2 필터(240)를 생성할 수 있다.
제2 필터 생성부(140)는 사전집 구축부(122)와, 단어 추출부(146), 및 분류간 관계 분석부(148)를 포함할 수 있다. 사전집 구축부(122)는 직무능력 관련 데이터(400)로부터 직무능력단위들(124)을 추출할 수 있다. 실시예에 있어서, 사전집 구축부(122)는 직무능력 관련 데이터로부터 직무능력단위들(124)을 추출할 수 있다. 추출되는 직무능력단위들(124)의 개수는 n개일 수 있다. n개의 직무능력단위들(124)은 제2 필터를 산출하는데 활용될 수 있다.
단어 추출부(146)는 n개의 직무능력단위들(124) 전체로부터 단어들을 추출할 수 있다. 단어 추출부(146)는 직무능력단위들(124) 내의 문장들을 형태소 단위의 단어들로 분할하고 품사를 태깅하는 형태소 분석기를 포함할 수 있다. 실시예에서, 단어 추출부(146)는 형태소 분석 후 명사태깅 형태소를 추출하고, 불용어(stop words)를 제거한 후, 명사 연속의 경우 바이그램(bi-gram) 등의 N-그램을 적용할 수 있다.
분류간 관계 분석부(148)는 직무능력단위들(124)에서 추출된 단어들의 유사도를 기반으로, 직무능력단위들(124) 상호 간의 연관도를 분석할 수 있다. 실시예에서, 분류간 관계 분석부(148)는 TF-IDF(Term Frequency Inverse Document Frequency) 기반으로 n개의 직무능력단위들(124) 상호 간의 연관도를 분석할 수 있다.
실시예에서, 단어 추출부(146)에 의해, 전체 직무능력단위들(124)로부터 m개의 단어들이 추출된 경우, 분류간 관계 분석부(148)는 모든 단어들의 순서가 열 순번에 매핑된 1×m 크기의 행 벡터를 생성할 수 있다. 분류간 관계 분석부(148)는 각각의 직무능력단위들(124)에서 추출된 단어들의 집합으로부터, 각각의 직무능력단위들(124) 별로 행 벡터를 생성하여, 직무능력단위들(124)의 개수(n개) 만큼의 행 벡터들을 생성할 수 있다. 이후, n개의 직무능력단위들(124) 상호 간의 모든 n×n 개의 조합에 대하여, 예를 들어 상기 수식 1 내지 수식 4에 따라 2개의 직무능력단위들(124)의 행 벡터들 간의 코사인 유사도를 산출하여, 직무능력단위 문서들(124) 상호 간의 관계도를 분석할 수 있다. 직무능력단위 문서들(124) 간의 관계도 값들은 n×n 크기의 2차원 행렬로 나타낼 수 있으며, 이 2차원 행렬이 제2 필터(240)로 저장될 수 있다.
도 13은 본 발명의 제1 실시예에 따른 제2 필터의 예시도이다. 도 12 및 도 13을 참조하면, 제2 필터(240)는 행(row) 단위(제1 단위)로 직무능력단위들(124)(a1, a2, ..., an-1, an)이 배열되고, 열(column) 단위(제2 단위)로 직무능력단위들(124)(a1, a2, ..., an-1, an)이 배열되는 2차원 행렬로 표현될 수 있다. 직무능력단위들(124)(a1, a2, ..., an-1, an)은 행 단위와 열 단위에 동일한 배열 순으로 규정될 수 있다. 제2 필터(240)의 2차원 행렬의 각 성분값은 복수개의 직무능력단위들로부터 각각 추출된 복수개의 단어 집합들로부터 생성된 복수개의 행 벡터들 간의 유사도 값일 수 있다. 제2 필터(240)의 대각 성분은 같은 직무능력단위로부터 추출된 복수개의 동일한 행 벡터들 간의 유사도 값이므로, 성분 값이 1이 된다. 제2 필터(240)는 n개의 직무단위능력 단위들 각각의 1×n 크기를 가지는 행 벡터들의 집합이라 할 수 있다. 제2 필터(240)에서 성분 값이 크다는 것은 해당하는 2개의 직무능력단위들 간의 유사도가 크다는 것을 의미하고, 반대의 경우 2개의 직무능력단위들 간의 유사도가 작다는 것을 의미한다.
도 14는 본 발명의 제2 실시예에 따른 제2 필터의 예시도이다. 도 12 및 도 14를 참조하면, 제2 필터(1240)는 행(row) 단위(제1 단위)로 직무능력단위들(a1, a2, ..., an-1, an)이 배열되고, 열(column) 단위(제2 단위)로 군보직단위들(b1, b2, ..., bm-1, bm)이 배열되는 2차원 행렬로 표현될 수 있다. 제2 필터(1240)의 2차원 행렬의 각 성분값은 직무능력단위들와 군 보직단위들로부터 각각 추출된 복수개의 단어 집합들로부터 생성된 복수개의 행 벡터들 간의 유사도 값일 수 있다. 제2 필터(240)에서 성분 값이 크다는 것은 해당하는 2개의 직무능력단위들 간의 유사도가 크다는 것을 의미하고, 반대의 경우 2개의 직무능력단위들 간의 유사도가 작다는 것을 의미한다.
도 15는 본 발명의 실시예에 따른 직무 추천 장치를 구성하는 제1 실시 예에 따른 제2 직무 추천부의 구성도이다. 도 4, 도 13 또는 도 14 및 도 15를 참조하면, 제2 직무 추천부(340)는 대상자의 역량 관련 데이터(500) 및 제2 필터(240, 1240)를 기반으로 대상자에게 하나 이상의 직무를 추천할 수 있다. 제2 직무 추천부(340)는 단어 추출부(342)와, 직무능력 분석부(344), 및 추천직무 결정부(346)를 포함할 수 있다.
단어 추출부(342)는 대상자의 역량 관련 데이터(500)로부터 역량 관련 단어들을 추출할 수 있다. 단어 추출부(342)는 역량 관련 데이터(500) 내의 문장들을 형태소 단위의 단어들로 분할하고 품사를 태깅하는 형태소 분석기를 포함할 수 있다. 실시예에서, 단어 추출부(342)는 형태소 분석 후 명사태깅 형태소를 추출하고, 불용어(stop words)를 제거한 후, 명사 연속의 경우 바이그램(bi-gram) 등의 N-그램을 적용하고, 대상자의 직무능력단위와 관련된 단어들을 추출할 수 있다.
직무능력 분석부(344)는 역량 관련 데이터(500)로부터 추출된 단어들로부터 대상자와 관련된 하나 이상의 제1 직무능력단위를 결정하고, 제2 필터(240, 1240)를 기반으로 제1 직무능력단위와 높은 유사도를 갖는 하나 이상의 제2 직무능력단위를 추출할 수 있다. 다른 예로, 대상자에 의해 제1 직무능력단위에 대한 수준점수가 입력되거나, 제1 직무능력단위와 관련된 경력이나 교육프로그램 등의 이수정보가 입력되는 경우, 직무능력 분석부(344)는 제2 필터(240, 1240)의 직무능력단위들 간의 유사도 행렬 관계를 기반으로 제1 직무능력단위에 대한 수준점수 또는 이수정보를 다른 직무능력단위들에 대한 수준점수 또는 이수정보로 반영할 수 있다.
예를 들어, 도 13에 도시된 제2 필터(240)에서 an-1 번째 직무능력단위(제1 직무능력단위)에 대한 an 번째 직무능력단위(제2 직무능력단위)의 관련도는 0.30 이므로, an-1 번째 직무능력단위와 관련된 대상자의 수준점수가 90점으로 입력되거나 측정/평가 또는 분석된 경우, an 번째 직무능력단위에 대해서도 대상자의 수준점수가 27점으로 반영될 수 있다. 이에 따라, 제2 필터(240)를 기반으로, 대상자의 제1 직무능력단위에 대한 구직 관련 이력을 다른 직무능력단위로 확장할 수 있어, 대상자에게 적합한 다양한 직무능력단위들을 대상자에게 추천할 수 있다.
도 16은 본 발명의 직무 추천 장치를 구성하는 제2 실시예에 따른 제2 보직 추천부의 구성도이다. 도 4, 도 14 및 도 16을 참조하면, 제2 보직 추천부(1340)는 대상자의 역량 관련 데이터(500) 및 제2 필터(1240)를 기반으로 대상자에게 하나 이상의 군 보직을 추천할 수 있다. 제2 보직 추천부(1340)는 단어 추출부(342)와, 직무능력 분석부(344), 및 추천 보직 결정부(1346)를 포함할 수 있다.
단어 추출부(342)는 대상자의 역량 관련 데이터(500)로부터 역량 관련 단어들을 추출할 수 있다. 단어 추출부(342)는 역량 관련 데이터(500) 내의 문장들을 형태소 단위의 단어들로 분할하고 품사를 태깅하는 형태소 분석기를 포함할 수 있다. 실시예에서, 단어 추출부(342)는 형태소 분석 후 명사태깅 형태소를 추출하고, 불용어(stop words)를 제거한 후, 명사 연속의 경우 바이그램(bi-gram) 등의 N-그램을 적용하고, 대상자의 직무능력단위와 관련된 단어들을 추출할 수 있다.
직무능력 분석부(344)는 역량 관련 데이터(500)로부터 추출된 단어들로부터 대상자와 관련된 하나 이상의 제1 직무능력단위를 결정하고, 제2 필터(1240)를 기반으로 제1 직무능력단위와 높은 유사도를 갖는 하나 이상의 제2 직무능력단위로서, 예컨대 군보직단위를 추출할 수 있다.
추천보직 결정부(1328)는 대상자의 특징 벡터와, 군보직단위들 간의 유사도가 높은 순서대로 추천 보직을 결정할 수 있다.
본 발명의 실시예에 의하면, 대상자의 이력서나 포트폴리오, 자기소개서 등의 경력(과거의 직무 경험) 등을 활용한 학습에 의해 필터를 생성하는 것이 아니라, 복수의 직무능력단위들을 포함하는 사전집을 기반으로 필터를 생성하여 대상자에게 직무 또는 군 보직을 추천하므로, 객관적이고 합리적이며 일관성 있는 기준으로 마련된 필터를 기반으로 대상자에게 적합한 직무 또는 군 보직을 추천할 수 있다.
도 17는 본 발명의 다른 실시예에 따른 직무 추천 장치를 구성하는 제2 직무 추천부의 구성도이다. 도 15 및 도 17를 참조하면, 제2 직무 추천부(340)는 채용자의 채용 관련 데이터(600) 및 제2 필터(240)를 기반으로 채용 관련 직무능력 기준을 분석하여 대상자에게 하나 이상의 채용 정보를 추천할 수 있다. 제2 직무 추천부(340)는 단어 추출부(348), 및 직무능력기준 분석부(350)를 포함할 수 있다.
단어 추출부(348)는 채용자의 채용 관련 데이터(600)로부터 채용과 관련된 직무 연관 단어들을 추출할 수 있다. 단어 추출부(348)는 채용 관련 데이터(600) 내의 문장들을 형태소 단위의 단어들로 분할하고 품사를 태깅하는 형태소 분석기를 포함할 수 있다. 실시예에서, 단어 추출부(348)는 형태소 분석 후 명사태깅 형태소를 추출하고, 불용어(stop words)를 제거한 후, 명사 연속의 경우 바이그램(bi-gram) 등의 N-그램을 적용할 수 있다. 단어 추출부(348)는 채용 관련 데이터(600)의 단어들 중에서, 직무능력단위와 관련된 단어들을 추출할 수 있다.
직무능력기준 분석부(350)는 채용 관련 데이터(600)로부터 추출된 단어들로부터 채용자와 관련된 하나 이상의 제3 직무능력단위를 결정하고, 제2 필터(240, 1240)를 기반으로 제3 직무능력단위와 높은 유사도를 갖는 하나 이상의 제4 직무능력단위를 추출할 수 있다. 다른 예로, 채용자에 의해 제3 직무능력단위에 대해 요구되는 수준점수가 입력되거나, 제3 직무능력단위와 관련하여 요구되는 군경력이나 교육프로그램 등의 이수정보가 입력되는 경우, 직무능력기준 분석부(350)는 제2 필터(240)의 직무능력단위들 간의 유사도 행렬 관계를 기반으로 제3 직무능력단위에 대해 요구되는 수준점수 또는 이수정보를 다른 직무능력단위들에 대해 요구되는 수준점수 또는 이수정보로 반영할 수 있다. 이에 따라, 제2 필터(240, 1240)를 기반으로, 채용자가 제1 직무능력단위에 대해 요구하는 채용 관련 이력을 다른 직무능력단위에 대한 요구 수준으로 확장할 수 있어, 채용자의 다양한 직무능력단위들에 대한 요구 수준에 부합하는 대상자들을 채용자에게 추천할 수 있다.
채용자와 관련된 하나 이상의 직무능력단위가 결정되면, 해당 채용자의 직무능력단위 정보와 부합하는 대상자에게 채용 정보가 제공되어, 직무능력단위를 기반으로 대상자와 채용자 간의 직무 매칭이 이루어질 수 있다. 따라서, 채용자에게는 기업, 공공기관 등의 직무 적성에 부합하는 인재가 추천될 수 있고, 구인자에게는 직무능력단위를 기반으로 적합한 직무를 수행할 수 있는 채용 정보가 제공됨으로써, 구인자와 채용자 간의 직무 미스매칭을 방지할 수 있으며, 군 경력을 민간경력으로 변환할 수 있음에 따라 군대에서 수행한 직무 수행 내용도 경력으로 인정받을 수 있다.
본 발명의 실시예에 따른 직무 추천 방법 중 적어도 일부는 컴퓨터에서 실행될 수 있는 프로그램으로 작성 가능하고, 컴퓨터로 읽을 수 있는 기록매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다. 컴퓨터로 읽을 수 있는 기록매체는 SRAM(Static RAM), DRAM(Dynamic RAM), SDRAM(Synchronous DRAM) 등과 같은 휘발성 메모리, ROM(Read Only Memory), PROM(Programmable ROM), EPROM(Electrically Programmable ROM), EEPROM(Electrically Erasable and Programmable ROM), 플래시 메모리 장치, PRAM(Phase-change RAM), MRAM(Magnetic RAM), RRAM(Resistive RAM), FRAM(Ferroelectric RAM)과 같은 불휘발성 메모리, 플로피 디스크, 하드 디스크 또는 광학적 판독 매체 예를 들어 시디롬, 디브이디 등과 같은 형태의 저장매체일 수 있으나, 이에 제한되지는 않는다.
본 발명의 실시예에 따른 직무 추천 방법 중 적어도 일부는 컴퓨터로 읽을 수 있는 저장 매체에 저장된 명령어를 포함하는 소프트웨어(예: 프로그램)로 구현될 수 있다. 본 발명의 실시예에 따른 직무 추천 방법 중 적어도 일부는 저장 매체로부터 저장된 명령어를 호출하고, 호출된 명령어에 따라 프로세스를 실행함으로써 구현될 수 있다. 명령은 컴파일러 또는 인터프리터에 의해 생성 또는 실행되는 코드를 포함할 수 있다. 저장매체는 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, '비일시적'은 저장매체가 신호(signal)를 포함하지 않으며 실재(tangible)한다는 것을 의미할 뿐 데이터가 저장매체에 반영구적 또는 임시적으로 저장됨을 구분하지 않는다.
이상의 실시예들은 본 발명의 이해를 돕기 위하여 제시된 것으로, 본 발명의 범위를 제한하지 않으며, 이로부터 다양한 변형 가능한 실시예들도 본 발명의 범위에 속하는 것임을 이해하여야 한다. 본 발명의 기술적 보호범위는 청구범위의 기술적 사상에 의해 정해져야 할 것이며, 본 발명의 기술적 보호범위는 청구범위의 문언적 기재 그 자체로 한정되는 것이 아니라 실질적으로는 기술적 가치가 균등한 범주의 발명까지 미치는 것임을 이해하여야 한다.
10: 직무 추천 장치
20: 대상자 단말기
30: 직무 추천 서버
40: 데이터베이스
100: 필터 생성부
120: 제1 필터 생성부
140: 제2 필터 생성부
160: 필터 갱신부
200: 필터
220, 1220: 제1 필터
240, 1240: 제2 필터
300: 직무 추천부
320: 제1 직무 추천부
340: 제2 직무 추천부
400: 직무능력 관련 데이터
500: 역량 관련 데이터
600: 채용 관련 데이터

Claims (9)

  1. 직무 추천부에 의해, 대상자의 역량 관련 데이터 및 필터를 기반으로 상기 대상자에게 직무를 추천하는 단계를 포함하고,
    상기 필터는 직무에 따른 필요 능력과 관련된 데이터로 구성된 복수의 직무능력단위들을 포함하는 사전집을 기반으로 생성되되, 상기 직무능력단위들과 상기 직무능력단위들을 구성하는 데이터로부터 추출된 단어들 간의 연관도 및 상기 직무능력단위들 상호 간의 관련도 중의 적어도 하나를 포함하며,
    상기 직무능력단위들은 군보직에 따른 필요 능력과 연관된 데이터로 구성된 복수의 군보직단위들을 포함하며,
    상기 대상자의 역량 관련 데이터는 상기 대상자의 군 보직 경력을 포함하는 직무 추천 방법.
  2. 제1 항에 있어서,
    상기 필터는, 행 단위 및 열 단위 중 어느 하나의 제1 단위에 직무능력단위들이 배열되고, 다른 하나의 제2 단위에 상기 직무능력단위들을 구성하는 데이터들로부터 추출된 단어들이 배열되는 2차원 행렬을 포함하고,
    상기 2차원 행렬은, 상기 제1 단위의 각 직무능력단위들와, 상기 제2 단위의 각 단어 간의 연관도를 각각의 성분값으로 가지는 직무 추천 방법.
  3. 제1항에 있어서,
    상기 필터는, 행 단위 및 열 단위 중 어느 하나의 제1 단위에 직무능력단위들이 배열되고, 다른 하나의 제2 단위에 상기 직무능력단위들이 배열되는 2차원 행렬을 포함하고,
    상기 2차원 행렬은, 상기 제1 단위의 각 직무능력단위와 연관된 제1 직무능력단위와 상기 제2 단위의 각 직무능력단위와 연관된 제2 직무능력단위 간의 관련도를 각각의 성분값으로 가지는 직무 추천 방법.
  4. 제1항에 있어서,
    상기 직무를 추천하는 단계는,
    상기 역량 관련 데이터로부터 상기 대상자의 상기 군 보직 경력과 관련된 단어들을 추출하는 단계; 및
    상기 추출된 단어들로부터 상기 대상자와 관련된 하나 이상의 직무능력단위를 결정하는 단계; 및
    상기 하나 이상의 직무능력단위를 추천 직무로 결정하는 단계를 포함하는 직무 추천 방법.
  5. 제4 항에 있어서,
    상기 하나 이상의 직무능력단위를 제1 직무능력단위로 하고,
    상기 필터를 기반으로 상기 제1 직무능력단위와의 유사도에 기초하여 복수개의 직무능력단위들 중 하나 이상의 제2 직무능력단위를 추천 직무로 결정하는 단계를 포함하는 직무 추천 방법.
  6. 직무 추천부에 의해, 대상자의 역량 관련 데이터 및 필터를 기반으로 상기 대상자에게 보직을 추천하는 단계를 포함하고,
    직무에 따른 필요 능력과 관련된 데이터로 구성된 복수의 직무능력단위들을 포함하는 사전집을 기반으로 생성되되, 상기 직무능력단위들과 상기 직무능력단위들을 구성하는 데이터로부터 추출된 단어들 간의 연관도 및 상기 직무능력단위들 상호 간의 관련도 중의 적어도 하나를 포함하며,
    상기 직무능력단위들은 군보직에 따른 필요 능력과 연관된 데이터로 구성된 복수의 군보직단위들을 포함하며,
    상기 대상자의 역량 관련 데이터는 상기 대상자의 교육정보, 보유 자격증 정보, 포트폴리오, 이력서, 자기소개서, SNS 데이터, 상기 대상자와 대화 형태로 이력 정보를 수집하는 챗봇에 의해 수집된 데이터, 상기 대상자의 사회 관계 정보, 상기 대상자의 SNS 상에서의 관심사, 상기 대상자의 컨텐츠 시청 기록, 상기 대상자의 특정 정보 검색 이력 중의 적어도 하나를 포함하는 군 보직 추천 방법.
  7. 제6 항에 있어서,
    상기 필터는, 행 단위 및 열 단위 중 어느 하나의 제1 단위에 직무능력단위들이 배열되고, 다른 하나의 제2 단위에 상기 직무능력단위들을 구성하는 데이터들로부터 추출된 단어들이 배열되는 2차원 행렬을 포함하고,
    상기 2차원 행렬은, 상기 제1 단위의 각 직무능력단위들와, 상기 제2 단위의 각 단어 간의 연관도를 각각의 성분값으로 가지는 군 보직 추천 방법.
  8. 제6항에 있어서,
    상기 필터는, 행 단위 및 열 단위 중 어느 하나의 제1 단위에 직무능력단위들이 배열되고, 다른 하나의 제2 단위에 상기 직무능력단위들이 배열되는 2차원 행렬을 포함하고,
    상기 2차원 행렬은, 상기 제1 단위의 각 직무능력단위와 연관된 제1 직무능력단위와 상기 제2 단위의 각 직무능력단위와 연관된 제2 직무능력단위 간의 관련도를 각각의 성분값으로 가지는 군 보직 추천 방법.
  9. 제1항에 있어서,
    상기 직무를 추천하는 단계는,
    상기 역량 관련 데이터로부터 상기 대상자의 직무능력과 관련된 단어들을 추출하는 단계; 및
    상기 추출된 단어들로부터 상기 대상자와 관련된 하나 이상의 군보직단위를 결정하는 단계; 및
    상기 하나 이상의 군보직단위를 추천 군 보직으로 결정하는 단계를 포함하는 군 보직 추천 방법.
KR1020200005613A 2019-05-07 2020-01-15 군복무 경력 기반 직무 추천 장치 및 방법, 맞춤형 보직 추천 장치 및 방법 그리고 기록 매체 KR20200129029A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200052312A KR20200129042A (ko) 2019-05-07 2020-04-29 군복무 경력 기반 직무 추천 장치 및 방법, 맞춤형 보직 추천 장치

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20190053303 2019-05-07
KR1020190053303 2019-05-07

Publications (1)

Publication Number Publication Date
KR20200129029A true KR20200129029A (ko) 2020-11-17

Family

ID=73642368

Family Applications (11)

Application Number Title Priority Date Filing Date
KR1020190147127A KR102217040B1 (ko) 2019-05-07 2019-11-15 직무 추천 장치 및 직무 추천 방법
KR1020200005012A KR102243608B1 (ko) 2019-05-07 2020-01-14 직무 기술서 생성 방법, 역량 측정 도구 생성 방법 및 신사업 추천 방법
KR1020200005613A KR20200129029A (ko) 2019-05-07 2020-01-15 군복무 경력 기반 직무 추천 장치 및 방법, 맞춤형 보직 추천 장치 및 방법 그리고 기록 매체
KR1020200012281A KR20200129031A (ko) 2019-05-07 2020-01-31 직무 추천 방법 및 구직자 및 구인자 매칭 방법
KR1020200012202A KR20200129030A (ko) 2019-05-07 2020-01-31 구직자 및 구인자 매칭 방법
KR1020200052323A KR102217041B1 (ko) 2019-05-07 2020-04-29 구직자 및 구인자 매칭 방법
KR1020210015454A KR20210059674A (ko) 2019-05-07 2021-02-03 직무 추천 장치 및 직무 추천 방법
KR1020210035307A KR20210091679A (ko) 2019-05-07 2021-03-18 역량 측정 도구 생성 방법
KR1020210035308A KR20210091680A (ko) 2019-05-07 2021-03-18 사업 추천 방법 및 커리큘럼 추천 방법
KR1020210076553A KR20210133899A (ko) 2019-05-07 2021-06-14 군복무 경력 기반 직무 추천 장치 및 방법, 맞춤형 보직 추천 장치
KR1020210076551A KR20210098394A (ko) 2019-05-07 2021-06-14 직무 추천 방법 및 구직자 및 구인자 매칭 방법

Family Applications Before (2)

Application Number Title Priority Date Filing Date
KR1020190147127A KR102217040B1 (ko) 2019-05-07 2019-11-15 직무 추천 장치 및 직무 추천 방법
KR1020200005012A KR102243608B1 (ko) 2019-05-07 2020-01-14 직무 기술서 생성 방법, 역량 측정 도구 생성 방법 및 신사업 추천 방법

Family Applications After (8)

Application Number Title Priority Date Filing Date
KR1020200012281A KR20200129031A (ko) 2019-05-07 2020-01-31 직무 추천 방법 및 구직자 및 구인자 매칭 방법
KR1020200012202A KR20200129030A (ko) 2019-05-07 2020-01-31 구직자 및 구인자 매칭 방법
KR1020200052323A KR102217041B1 (ko) 2019-05-07 2020-04-29 구직자 및 구인자 매칭 방법
KR1020210015454A KR20210059674A (ko) 2019-05-07 2021-02-03 직무 추천 장치 및 직무 추천 방법
KR1020210035307A KR20210091679A (ko) 2019-05-07 2021-03-18 역량 측정 도구 생성 방법
KR1020210035308A KR20210091680A (ko) 2019-05-07 2021-03-18 사업 추천 방법 및 커리큘럼 추천 방법
KR1020210076553A KR20210133899A (ko) 2019-05-07 2021-06-14 군복무 경력 기반 직무 추천 장치 및 방법, 맞춤형 보직 추천 장치
KR1020210076551A KR20210098394A (ko) 2019-05-07 2021-06-14 직무 추천 방법 및 구직자 및 구인자 매칭 방법

Country Status (1)

Country Link
KR (11) KR102217040B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220121324A (ko) 2021-02-25 2022-09-01 메이저맵 주식회사 직무역량 기반의 직업 추천 서비스 방법 및 서비스 시스템
KR20220147347A (ko) * 2021-04-27 2022-11-03 재단법인대구경북과학기술원 다중 분류 모델에 기반한 직무 훈련 컨텐츠 추천 장치 및 방법
KR20230080892A (ko) 2021-11-30 2023-06-07 메이저맵 주식회사 인지역량게임을 활용한 학과추천 및 진로추천 시스템

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102584131B1 (ko) * 2020-12-22 2023-10-05 (주)스마트소셜 커리어 분석 관리 서버
KR102584124B1 (ko) * 2020-12-22 2023-10-05 (주)스마트소셜 챗봇을 이용한 구직자 성향 분석 서버
KR20220093869A (ko) 2020-12-28 2022-07-05 주식회사 퍼니브라운 개인 정보 조회를 이용한 일자리 중개 및 지역 화폐 서비스 제공 방법, 이를 수행하는 장치
KR102546409B1 (ko) * 2021-02-01 2023-06-22 주식회사 마이온컴퍼니 사용자 경험 정보의 학습 기반 분석에 기초한 직무 적합성 정보 제공 방법 및 그 장치
KR102386909B1 (ko) * 2021-08-27 2022-04-15 주식회사 심플키 은퇴한 고령자들을 위한 일자리 매칭 방법 및 시스템
KR102634888B1 (ko) * 2021-10-01 2024-02-08 (주)아리오씨오에스 맞춤형 직무교육을 통한 구인구직 매칭방법 및 이를 위한 구인구직 매칭시스템
KR102656250B1 (ko) * 2022-02-24 2024-04-09 동의대학교 산학협력단 마이 데이터를 활용한 직무 추천 시스템 및 이를 활용한 직무 추천 방법
KR102600307B1 (ko) * 2022-10-11 2023-11-09 주식회사 커피챗 사용자별 대표 활동 로그 추출 방법과 머신러닝 모델의 병합을 적용한 사용자 및 대화 파트너 매칭 제공 최적화 시스템 및 그 동작 방법
KR102608703B1 (ko) 2023-06-29 2023-12-04 (주)씨엠잡매칭 건축 및 건설 직무별 경력관리 시스템 및 이를 이용한경력관리 방법
KR102621594B1 (ko) * 2023-10-25 2024-01-04 오희망 기업 맞춤형 직무 개발 및 구직자 맞춤형 직무교육 제공 방법, 장치 및 시스템

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090022289A (ko) * 2007-08-30 2009-03-04 화이트정보통신 주식회사 직무지향성과 경력지향성을 이용한 온라인 직무 적합성판단 방법 및 이를 이용한 시스템
KR101235292B1 (ko) * 2010-10-13 2013-02-20 (주)이투오피에스 인적 자원 역량 평가 시스템 및 방법
KR101623860B1 (ko) * 2015-04-08 2016-05-24 서울시립대학교 산학협력단 문서 요소에 대한 유사도를 산출하는 방법
KR101809589B1 (ko) * 2016-10-14 2017-12-18 오스템임플란트 주식회사 구인자와 구직자를 매칭하는 매칭 서비스 제공 방법 및 장치
KR101875923B1 (ko) * 2016-10-14 2018-08-02 주식회사 렙딥 기계학습을 활용한 월렛 시스템 기반 인재 매칭 시스템 및 그 방법
KR102073054B1 (ko) * 2017-03-13 2020-02-05 서울대학교산학협력단 글로벌 건설인적자원 정보인프라 제공방법
KR101961144B1 (ko) 2017-10-12 2019-03-22 주식회사 디지털존 국가직무능력표준 기반 직무적합 매칭 시스템 및 그 방법
KR101932353B1 (ko) * 2017-10-27 2018-12-24 석 영 정 국가직무능력표준 기반의 구인구직 매칭 서비스 방법 및 그를 이용하는 시스템

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220121324A (ko) 2021-02-25 2022-09-01 메이저맵 주식회사 직무역량 기반의 직업 추천 서비스 방법 및 서비스 시스템
KR20220147347A (ko) * 2021-04-27 2022-11-03 재단법인대구경북과학기술원 다중 분류 모델에 기반한 직무 훈련 컨텐츠 추천 장치 및 방법
KR20230080892A (ko) 2021-11-30 2023-06-07 메이저맵 주식회사 인지역량게임을 활용한 학과추천 및 진로추천 시스템

Also Published As

Publication number Publication date
KR102243608B1 (ko) 2021-04-26
KR20200129028A (ko) 2020-11-17
KR20210133899A (ko) 2021-11-08
KR20210059674A (ko) 2021-05-25
KR20200129031A (ko) 2020-11-17
KR102217041B1 (ko) 2021-02-22
KR20210098394A (ko) 2021-08-10
KR20210091679A (ko) 2021-07-22
KR20200129043A (ko) 2020-11-17
KR20200129030A (ko) 2020-11-17
KR102217040B1 (ko) 2021-02-22
KR20200129024A (ko) 2020-11-17
KR20210091680A (ko) 2021-07-22

Similar Documents

Publication Publication Date Title
KR102217040B1 (ko) 직무 추천 장치 및 직무 추천 방법
Junior et al. Selection of interns for startups: an approach based on the AHP-TOPSIS-2N method and the 3DM computational platform
Jørn Nielsen et al. Curating research data: the potential roles of libraries and information professionals
US20160379516A1 (en) Career Path Guidance Platform
Renfors et al. Developing tourism curriculum content to support international tourism growth and competitiveness: An example from the central Baltic area
Bruggemann et al. Global cybersecurity index (GCI) and the role of its 5 pillars
Shankararaman et al. Mapping information systems student skills to industry skills framework
Kim Taming abundance: Doing digital archival research (as political scientists)
Alvarez Employment trend of graduates of bachelor of science in business administration major in marketing of the college of business, accountancy and public administration, isabela state university
KR20200129042A (ko) 군복무 경력 기반 직무 추천 장치 및 방법, 맞춤형 보직 추천 장치
Tjong et al. A systematic mapping study on enterprise architecture framework for HEI
Lamba et al. An integrated system for occupational category classification based on resume and job matching
Cranna et al. Decolonising the London School of Hygiene & Tropical Medicine's Archives Service
Poletaikin et al. Ontology approach for the intelligent analysis of labor market and educational content matching
Friday et al. Acquisition of 21 st Century Librarianship Skills by Librarians in Public University Libraries in Bayelsa and Rivers States of Nigeria.
Sungsri The use of multiple-classifier data mining technique for study guideline
Malakyan Doctoral leadership programs: Preparing stewards of the leadership discipline
Zych Education for business analysts in Poland
Fortino et al. Selection and Assignment of STEM Adjunct Faculty Using Text Data Mining
Ahmad et al. Design and development of a friendly user interface for building social network traceability system
Ehioghiren et al. Data Analytics in advancing Accounting Profession and Business Information for Decision Making
Tinnes Bibliography: Terrorism research literature (part 2)
TAWORNKUL et al. A CORPUS-BASED STUDY OF ENGLISH HUMAN RESOURCES VOCABULARY USED IN ONLINE JOB ADVERTISEMENTS: THAI OWNED JOB PORTALS IN THAILAND
Heitman Theorizing the Archive and Ethics of Open Access Archaeology
Malakyan Doctoral Leadership Programs