KR20200129031A

KR20200129031A - 직무 추천 방법 및 구직자 및 구인자 매칭 방법

Info

Publication number: KR20200129031A
Application number: KR1020200012281A
Authority: KR
Inventors: 김희동
Original assignee: (주)스마트소셜
Priority date: 2019-05-07
Filing date: 2020-01-31
Publication date: 2020-11-17
Also published as: KR20200129043A; KR20200129029A; KR20200129024A; KR20210091680A; KR102217040B1; KR20210133899A; KR20210098394A; KR20210059674A; KR20210091679A; KR102217041B1; KR20200129030A; KR20200129028A; KR102243608B1

Abstract

본 발명은 직무 추천 방법을 제공한다. 일 실시 예에 있어서, 직무 추천 방법은, 대상자의 역량 관련 데이터를 이용하여 상기 대상자에게 직무를 추천하며, 상기 대상자의 역량 관련 데이터를 이루는 문장으로부터 주어 또는 목적어를 구성하는 하나 이상의 단어를 추출하는 단계와; 상기 추출된 하나 이상의 단어를 각각 벡터화하는 단계와; 상기 주어 또는 목적어를 구성하는 하나 이상의 단어에 대한 서술어의 시제 및 보조 용언 중 어느 하나 이상으로부터, 상기 주어 또는 목적어를 구성하는 단어의 상기 벡터화에 따른 각각의 값에 대하여 가중치를 부여하여 보정값을 도출하는 단계와; 상기 보정값을 이용하여 상기 대상자와 관련된 하나 이상의 직무능력단위를 결정하는 단계와; 상기 하나 이상의 직무능력단위로부터 추천 직무를 결정하는 단계를 포함한다.

Description

직무 추천 방법 및 구직자 및 구인자 매칭 방법{METHOD FOR RECOMMENDING JOB AND METHOD FOR MATCHING BETWEEN EMPROYEE AND EMPROYER}

본 발명은 직무 추천 방법 및 구직자 및 구인자 매칭 방법에 관한 것이다.

구직자와 구인자를 매칭하는 추천하는 종래의 기술로, 기업이 입력한 구인 조건과 매칭되는 구직자의 학력, 자격증, 이수한 교육프로그램, 경력 등의 구직자의 이력을 기반으로 구직자와 구인자를 매칭하는 방법이 있었으나, 이는 단순히 기업 또는 구직자가 입력한 정보를 단순 매칭하는 것에 불과할 뿐, 실제 구직자의 경력과 기업에서 필요로 하는 실무 역량을 파악하지 못하는 한계가 있다.

구체적인 예로서, 기업이 요구하는 실무 역량을 갖추지 못했다고 하더라도, 이력 데이터상에 기업이 입력한 구인 조건에 만족하는 키워드가 존재하기만 하면, 실제 경력인지 아닌지와 관계없이 기업에게 구직자를 추천하여 왔음에 따라, 채용현장에서 동일한 매칭 점수를 갖는 구직자는 수십명 수백명에 달하는 경우가 있었다. 이처럼 동일한 매칭 점수를 갖는 구직자가 많을수록 기업의 채용 담당자는 채용에 많은 에너지를 소모하게 되고, 더불어서 구직자와 구인자간의 미스매칭이 일어나는 경우도 발생한다.

도 1은 종래 기술에 따라, 기업의 구인 조건에 만족하는 구직자에 점수를 매겨 x축을 각각의 구직자를, y축을 각 구직자의 점수로 하여, 각 구직자의 점수를 점으로 표시한 분산도이다. 도 1에서 참조되듯이, 특정 점수대에 점들이 몰려 있다.

본 발명은 직무역량을 갖는 구직자들의 데이터에 대해 발생하는 몰림 현상을 해결하고자 개인별 직무역량을 보다 차별적으로 수치화하여 구직자 및 구인자 간의 매칭을 고도화할 수 있는 구직자 및 구인자 간의 매칭 방법을 제공하는 것을 일 목적으로 한다.

또한, 본 발명은 구직자 및 구인자간의 매칭에 있어서, 스코어링 알고리즘을 고도화하여 기업이 채용하는데 소요되는 시간과 노동력을 절감할 수 있는 구직자 및 구인자 간의 매칭 방법을 제공하는 것을 일 목적으로 한다.

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.

일 실시 예에 있어서, 상기 대상자와 관련된 하나 이상의 직무능력단위를 결정하는 단계는 필터를 기반으로 이루어지고, 상기 필터는 직무에 따른 필요 능력과 관련된 데이터로 구성된 복수의 직무능력단위들을 포함하는 사전집을 기반으로 생성된 것이되, 상기 직무능력단위들을 구성하는 데이터로부터 추출된 단어들과 상기 직무능력단위들 간의 연관도 및 상기 직무능력단위들 상호 간의 관련도 중의 적어도 하나를 포함할 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 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 상기 제2 단위의 각 직무능력단위간의 관련도를 각각의 성분값으로 가질 수 있다.

본 발명은 구직자와 구인자를 매칭하는 방법에 관한 것으로서, 구직자의 역량 관련 데이터를 이용하여 상기 구직자와 구인자를 매칭하며, 상기 구직자의 역량 관련 데이터를 이루는 문장으로부터 주어 또는 목적어를 구성하는 하나 이상의 단어를 추출하는 단계와; 상기 추출된 하나 이상의 단어를 각각 벡터화하는 단계와; 상기 주어 또는 목적어를 구성하는 하나 이상의 단어에 대한 서술어의 시제 및 보조 용언 중 어느 하나 이상으로부터, 상기 주어 또는 목적어를 구성하는 단어의 상기 벡터화에 따른 각각의 값에 대하여 가중치를 부여하여 보정값을 도출하는 단계와; 상기 보정값과 이용하여 상기 구직자와 관련된 하나 이상의 직무능력단위를 결정하는 단계와; 상기 직무능력단위와 상기 구인자의 요구직무능력단위의 유사도를 산출하여 구직자와 구인자를 매칭하는 단계를 포함한다.

일 실시 예에 있어서, 상기 구직자와 관련된 하나 이상의 직무능력단위를 결정하는 단계는 필터를 기반으로 이루어지고, 상기 필터는 직무에 따른 필요 능력과 관련된 데이터로 구성된 복수의 직무능력단위들을 포함하는 사전집을 기반으로 생성된 것이되, 상기 직무능력단위들을 구성하는 데이터로부터 추출된 단어들과 상기 직무능력단위들 간의 연관도 및 상기 직무능력단위들 상호 간의 관련도 중의 적어도 하나를 포함할 수 있다.

본 발명의 일 실시 예에 의하면, 직무역량을 갖는 구직자들의 데이터에 대해 발생하는 몰림 현상을 해결하고자 개인별 직무역량을 보다 차별적으로 수치화하여 구직자 및 구인자 간의 매칭을 고도화할 수 있다.

본 발명의 일 실시 예에 의하면, 스코어링 알고리즘을 고도화하여 기업이 인재를 채용하는데 소요되는 시간과 노동력을 절감할 수 있다.

본 발명의 일 실시 예에 의하면, 구직자 및 구인자간의 미스매칭을 해소할 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 종래 기술에 따라, 기업의 구인 조건에 만족하는 구직자에 점수를 매겨 x축을 각각의 구직자를, y축을 각 구직자의 점수로 하여, 각 구직자의 점수를 점으로 표시한 분산도이다.
도 2는 본 발명의 실시예에 따른 직무 추천 장치의 구성도이다.
도 3은 본 발명의 실시예에 따른 직무 추천 장치를 구성하는 직무 추천 서버의 구성도이다.
도 4는 본 발명의 실시예에 따른 직무 추천 장치를 구성하는 필터 생성부의 구성도이다.
도 5는 본 발명의 실시예에 따른 직무 추천 장치를 구성하는 직무 추천부의 구성도이다.
도 6은 본 발명의 실시예에 따른 직무 추천 장치를 구성하는 제1 필터 생성부의 구성도이다.
도 7a 및 도 7b는 복수의 직무능력단위들을 포함하는 사전집의 직무능력단위 문서를 예시한 도면이다.
도 8은 본 발명의 제1 실시예에 따른 제1 필터의 예시도이다.
도 9는 본 발명의 실시예에 따른 직무 추천 장치를 구성하는 제1 직무 추천부의 구성도이다.
도 10은 본 발명의 다른 실시예에 따른 직무 추천 장치를 구성하는 제1 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 &#56194;&#56402;직무능력&#56194;&#56403;이라는 용어가 사용된다. 본 명세서에서 사용하는 &#56194;&#56402;직무능력&#56194;&#56403;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.

도 2는 본 발명의 실시예에 따른 직무 추천 장치의 구성도이다. 도 2를 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 8, 도 10, 도 14, 및 도 15 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 구인자들의 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, 구인자 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 3은 본 발명의 실시예에 따른 직무 추천 장치를 구성하는 직무 추천 서버의 구성도이다. 도 2 및 도 3을 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, 구인자의 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, 능력단위과 관련된 문서들로부터 추출된 단어를 포함하는 단어모음집을 포함할 수 있다.

실시예에서, 필터 생성부(100)는 각각의 직무능력단위의 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 4는 본 발명의 실시예에 따른 직무 추천 장치를 구성하는 필터 생성부의 구성도이다. 도 5는 본 발명의 실시예에 따른 직무 추천 장치를 구성하는 직무 추천부의 구성도이다. 도 4 및 도 5를를 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 6은 본 발명의 실시예에 따른 직무 추천 장치를 구성하는 제1 필터 생성부의 구성도이다. 도 4 및 도 6을 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 7a 및 도 7b는 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]

[수식 2]

[수식 3]

[수식 4]

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 8은 본 발명의 제1 실시예에 따른 제1 필터의 예시도이다. 도 6 및 도 8을 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 4를 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 &#56194;&#56402;powerpoint&#56194;&#56403;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 9는 본 발명의 제1 실시예에 따른 직무 추천 장치를 구성하는 제1 직무 추천부의 구성도이다. 도 5, 도 8 및 도 9를 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 주어 또는 목적어를 구성하는 역량 관련 단어와 주어 또는 목적어를 구성하는 하나 이상의 단어에 대한 서술어의 시제 및 보조 용언들을 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 단어들과 이들과 관련된 서술어의 시제 및 보조 용언만을 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 관계없는 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.

또한, 벡터화부(324)는 가중치를 이용하여 역량 관련 데이터(500)로부터 추출된 k개(k는 0 이상, m 이하의 정수)의 단어들을 1×m 크기의 행 벡터를 이루는 각각의 값을 보정할 수 있다. 가중치는 주어 또는 목적어를 구성하는 하나 이상의 단어에 대한 서술어의 시제 및 보조 용언으로부터 산출된다. 일 예로, 역량 관련 데이터(500)에 포함된 문장 중 ‘건축설계를 했다.’와 ‘건축설계를 하고 싶다’를 분석하는데 있어서, ‘건축설계’에 대한 서술어인 ‘했다’는 경험을 한 것이고, ‘건축설계’에 대한 서술어인 ‘하고 싶다’는 미래에 대한 의지를 나타내는 것으로서 경험을 하지 않은 상태이다. 따라서, ‘건축설계’라는 단어를 처리하는데 있어서, ‘건축설계’에 관한 성분 값을 동일하게 처리할 수 없는 것이다. 따라서, 서술어가 과거에 관한 것이면, 가중치를 높게 주고, 서술어가 미래에 관한 것이면 가중치를 낮게 준다. 가중치에 의한 보정값의 일예로서, ‘건축설계를 했다’는 성분 값을 산정하는데 있어서, 1로 스코어링하고, ‘건축설계를 하고 싶다’는 성분 값을 산정하는데 있어서, 0.5로 스코어링 할 수 있다.

또한, 단어를 벡터화 하는데 있어서, 역량 관련 데이터(500)에 포함된 단어가 중복적으로 등장하는 수인 빈도수를 고려할 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.

단어의 빈도수와 서술어에 의한 가중치를 모두 고려할 때, 역량 관련 데이터(500)에 ‘건축설계를 했다.’와 ‘건축설계를 하고 싶다’라는 두 문장이 모두 포함되어 있을 경우 ‘건축설계를 했다’는 1로, ‘건축설계를 하고 싶다’는 0.5로 하여, ‘건축설계’에 관한 벡터화부(324)에 의해 생성된 성분값은 1+0.5인 1.5로 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 10은 본 발명의 다른 실시예에 따른 직무 추천 장치를 구성하는 제1 직무 추천부의 구성도이다. 도 8 및 도 10을 참조하면, 제1 직무 추천부(320)는 구인자의 채용 관련 데이터(600) 및 제1 필터(220)를 기반으로 채용 관련 직무를 분류하여 구인자의 직무 분류 정보를 기반으로 구직자에게 하나 이상의 채용 정보를 추천할 수 있다. 실시예에서, 채용 관련 데이터(600)는 기업 또는 공공기관 등의 구인자가 요구하는 경력, 교육프로그램, 학력, 직무 경험 등의 모집 정보를 포함할 수 있다. 채용 관련 데이터(600)는 구인자 단말기로부터 수집되거나, 구인자의 SNS 또는 이메일, 구인구직 중계 서버, 구인자에 관한 정보를 저장, 관리하고 있는 학교 또는 국가 행정기관 서버 등으로부터 수집될 수 있다. 또한, 채용 관련 데이터(600)는 구인자와 대화 형태로 정보를 수집하는 챗봇에 의해 수집되거나, 구인자의 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 구인자의 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 구인자의 특징 벡터와 직무능력단위들 간의 유사도를 산출할 수 있다. 실시예에서, 유사도 산출부(334)는 구인자의 특징 벡터와 직무능력단위들 각각의 행 벡터 간의 유사도(예를 들어, 코사인 유사도(cosine similarity))를 산출할 수 있다. 실시예에서, 코사인 유사도는 구인자의 특징 벡터와 m개의 직무능력단위들 각각의 행 벡터를 내적한 후, 구인자의 특징 벡터의 크기와 직무능력단위의 행 벡터 크기로 나눈 값으로 산출될 수 있다. 유사도 산출부(334)는 하나의 대분류에 속하는 n개의 직무능력단위별로, 구인자의 특징 벡터와의 코사인 유사도를 산출할 수 있다. 직무 분류부(336)는 구인자의 특징 벡터와 직무능력단위들 간의 n개의 코사인 유사도 값들 중 구인자의 특징 벡터와의 코사인 유사도가 큰 순서대로 직무능력단위들의 우선순위를 결정하여 구인자와 관련된 직무(직무능력단위)를 직무능력 표준 분류에 따라 분류할 수 있다.

실시예에서, 직무 분류부(336)는 모든 대분류 별로, 구인자의 특징 벡터와, 직무능력단위들 간의 유사도가 높은 순서대로, 하나 또는 복수개의 대분류에서 직무 분류 결과를 제공할 수 있다. 또는, 구인자가 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 구인자의 직무를 분류하는 경우를 예로 들어 설명하였으며, 모든 대분류에 속하는 전체 직무능력단위문서들을 대상으로 하나의 필터를 생성하여 구인자 관련 직무를 분류하는 것도 가능하다.

구인자와 관련된 하나 이상의 직무 분류 정보가 결정되면, 해당 구인자의 직무 분류 정보와 부합하는 구직자에게 채용 정보가 제공되어, 직무능력단위를 기반으로 구직자와 구인자 간의 직무 매칭이 이루어질 수 있다. 따라서, 구인자에게는 기업, 공공기관 등의 직무 적성에 부합하는 인재가 추천될 수 있고, 구인자에게는 직무능력단위를 기반으로 적합한 직무를 수행할 수 있는 채용 정보가 제공됨으로써, 구인자와 구인자 간의 직무 미스매칭을 방지할 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.

Claims

대상자의 역량 관련 데이터를 이용하여 상기 대상자에게 직무를 추천하는 직무 추천 방법으로서,
상기 대상자의 역량 관련 데이터를 이루는 문장으로부터 주어 또는 목적어를 구성하는 하나 이상의 단어를 추출하는 단계와;
상기 추출된 하나 이상의 단어를 각각 벡터화하는 단계와;
상기 주어 또는 목적어를 구성하는 하나 이상의 단어에 대한 서술어로부터, 상기 주어 또는 목적어를 구성하는 단어의 상기 벡터화에 따른 각각의 값에 대하여 가중치를 부여하여 보정값을 도출하는 단계와;
상기 보정값을 이용하여 상기 대상자와 관련된 하나 이상의 직무능력단위를 결정하는 단계와;
상기 하나 이상의 직무능력단위로부터 추천 직무를 결정하는 단계를 포함하는 직무 추천 방법.
제1 항에 있어서,
상기 대상자와 관련된 하나 이상의 직무능력단위를 결정하는 단계는 필터를 기반으로 이루어지고,
상기 필터는 직무에 따른 필요 능력과 관련된 데이터로 구성된 복수의 직무능력단위들을 포함하는 사전집을 기반으로 생성된 것이되,
상기 직무능력단위들을 구성하는 데이터로부터 추출된 단어들과 상기 직무능력단위들 간의 연관도 및 상기 직무능력단위들 상호 간의 관련도 중의 적어도 하나를 포함하는 직무 추천 방법.
제2 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.
제2항에 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 상기 제2 단위의 각 직무능력단위간의 관련도를 각각의 성분값으로 가지는 직무 추천 방법.
구직자의 역량 관련 데이터를 이용하여 상기 구직자와 구인자를 매칭하는 방법으로서,
상기 구직자의 역량 관련 데이터를 이루는 문장으로부터 주어 또는 목적어를 구성하는 하나 이상의 단어를 추출하는 단계와;
상기 추출된 하나 이상의 단어를 각각 벡터화하는 단계와;
상기 주어 또는 목적어를 구성하는 하나 이상의 단어에 대한 서술어로부터, 상기 주어 또는 목적어를 구성하는 단어의 상기 벡터화에 따른 각각의 값에 대하여 가중치를 부여하여 보정값을 도출하는 단계와;
상기 보정값과 이용하여 상기 구직자와 관련된 하나 이상의 직무능력단위를 결정하는 단계와;
상기 직무능력단위와 상기 구인자의 요구직무능력단위의 유사도를 산출하여 구직자와 구인자를 매칭하는 단계를 포함하는 구직자 및 구인자 매칭 방법.
제5 항에 있어서,
상기 구직자와 관련된 하나 이상의 직무능력단위를 결정하는 단계는 필터를 기반으로 이루어지고,
상기 필터는 직무에 따른 필요 능력과 관련된 데이터로 구성된 복수의 직무능력단위들을 포함하는 사전집을 기반으로 생성된 것이되,
상기 직무능력단위들을 구성하는 데이터로부터 추출된 단어들과 상기 직무능력단위들 간의 연관도 및 상기 직무능력단위들 상호 간의 관련도 중의 적어도 하나를 포함하는 구직자 및 구인자 매칭 방법.
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 구직자 및 구인자 매칭 방법.
제2항에 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 상기 제2 단위의 각 직무능력단위간의 관련도를 각각의 성분값으로 가지는 구직자 및 구인자 매칭 방법.