WO2020151170A1 - 一种岗位画像设置方法、岗位画像设置装置及终端设备 - Google Patents

一种岗位画像设置方法、岗位画像设置装置及终端设备 Download PDF

Info

Publication number
WO2020151170A1
WO2020151170A1 PCT/CN2019/091544 CN2019091544W WO2020151170A1 WO 2020151170 A1 WO2020151170 A1 WO 2020151170A1 CN 2019091544 W CN2019091544 W CN 2019091544W WO 2020151170 A1 WO2020151170 A1 WO 2020151170A1
Authority
WO
WIPO (PCT)
Prior art keywords
portrait
post
target
neural network
person
Prior art date
Application number
PCT/CN2019/091544
Other languages
English (en)
French (fr)
Inventor
裘金龙
黄春光
潘慧彬
Original Assignee
平安科技（深圳）有限公司
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 平安科技（深圳）有限公司 filed Critical 平安科技（深圳）有限公司
Publication of WO2020151170A1 publication Critical patent/WO2020151170A1/zh

Links

Classifications

    • 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
    • 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

Definitions

  • This application belongs to the field of computer technology, and in particular relates to a post portrait setting method, a post portrait setting device, a terminal device and a computer-readable storage medium.
  • the recruiter When recruiting a job, the recruiter needs to set up a job profile (ie, job requirements) for the job.
  • a job profile ie, job requirements
  • the job profile is generally set by the recruiter based on the recruitment experience.
  • the job portrait Since the job portrait is set manually, it will inevitably be affected by human cognition, psychology, etc., which will lead to the unreasonable setting of the job portrait.
  • the recruiter When the job portrait is set unreasonably, the recruiter will often miss some although not satisfied Personnel who are in need of job portraits, but are actually capable of doing the job.
  • this application provides a post portrait setting method, post portrait setting device, terminal equipment and computer readable storage medium, which can solve to a certain extent that the job portrait setting is unreasonable and the recruiter cannot recruit some Although it does not meet the needs of job portraits, there are technical problems with personnel who are actually capable of the job.
  • the first aspect of this application provides a post portrait setting method, including:
  • the post portrait output by the aforementioned neural network model is taken as the final post portrait of the target post.
  • the second aspect of this application provides a post portrait setting device, including:
  • the first portrait obtaining module is used to obtain the first person portrait corresponding to each person serving in the target post;
  • the network input module is used to input the portrait of each first person into the neural network model, so that the neural network model outputs the job portrait of the target post according to the portrait of each first person;
  • the proportion calculation module is used to calculate the proportion of the first person portrait that meets the job portrait requirements output by the neural network model among all the first person portraits in each first person portrait;
  • the ratio judgment module is used to judge whether the calculated ratio is less than the first preset ratio
  • the parameter adjustment module is configured to adjust the parameters of the neural network model if it is less than the first preset ratio, and trigger the network input module to execute the input of each first person portrait into the neural network model again, so that the neural network The operation of the network model to output the post portrait of the target post according to the portrait of each first person;
  • the post portrait acquisition module is configured to use the post portrait output by the neural network model as the final post portrait of the target post if it is greater than or equal to the first preset ratio.
  • the third aspect of the present application provides a terminal device, including a memory, a processor, and computer readable instructions stored in the memory and capable of running on the processor.
  • the processor executes the computer readable instructions, the implementation is as described above. The steps of the first aspect of the method.
  • a fourth aspect of the present application provides a computer-readable storage medium.
  • the above-mentioned computer-readable storage medium stores computer-readable instructions, and the above-mentioned computer-readable instructions implement the steps of the above-mentioned method in the first aspect when executed by a processor.
  • FIG. 1 is a schematic diagram of the implementation process of a method for setting a post portrait provided by Embodiment 1 of the present application;
  • FIG. 2 is a schematic diagram of each first person portrait obtained according to Embodiment 1 of the present application.
  • FIG. 3 is a schematic diagram of using a neural network model to obtain a job portrait according to Embodiment 1 of the present application;
  • Embodiment 4 is a schematic diagram of the implementation process of another post portrait setting method provided by Embodiment 2 of the present application;
  • FIG. 5 is a schematic diagram of the correspondence table between the target post and the second person portrait provided in the second embodiment of the application;
  • FIG. 6 is a schematic diagram of the implementation process of yet another method for setting a post portrait provided by Embodiment 2 of the present application;
  • FIG. 7 is a schematic structural diagram of a neural network model provided by Embodiment 3 of the present application.
  • FIG. 8 is a schematic diagram of the implementation process of yet another post portrait setting method provided by the third embodiment of the present application.
  • FIG. 9 is a schematic structural diagram of a post portrait setting device provided by Embodiment 4 of the present application.
  • FIG. 10 is a schematic structural diagram of a terminal device provided in Embodiment 5 of the present application.
  • the post portrait setting method provided in the embodiments of the application is applicable to terminal devices.
  • the terminal devices include but are not limited to: smart phones, tablet computers, notebooks, desktop computers, smart wearable devices, etc.
  • the post portrait setting method in Example 1 of this application includes:
  • step S101 the first person portrait corresponding to each person serving in the target post is obtained.
  • the steps in the first embodiment of the present application are applied to a terminal device, and the target post in step S101 may be a post designated by a user (for example, a recruiter) in the terminal device.
  • a user for example, a recruiter
  • the user can manually enter "JAVA engineer" in the terminal device to designate the target post as a JAVA engineer; or, the user can select one of the various posts provided by the terminal device as the target post.
  • each person in step S101 may be a person who is currently serving in the target position, or may be a person who has once worked in the target position, which is not limited in this application.
  • the aforementioned first person portrait may include information such as education background, degree, gender, professional category, major, working years, and graduate school level (for example, whether it is a double first-class university).
  • the target post is a JAVA engineer
  • the first person portrait corresponding to each person whose post is a JAVA engineer can be obtained.
  • the obtained post is a JAVA engineer.
  • step S101 may include the following steps:
  • Step A Send a personal portrait search request to the preset server to instruct the preset server to perform the operation of searching for the first personal portrait corresponding to each person serving in the target post;
  • Step B Receive the response information returned by the aforementioned preset server
  • Step C According to the above response information, obtain the first person portrait corresponding to each person serving in the target post.
  • each portrait of the first person can be obtained from the preset server.
  • the portrait of each first person can also be obtained locally from the terminal device. This application obtains the portrait of the first person The method is not limited.
  • step S102 each first person portrait is input into the neural network model, so that the neural network model outputs the job portrait of the above-mentioned target post according to each first person portrait.
  • the terminal device Before the terminal device executes this step S102, it is necessary to first obtain a neural network model.
  • the neural network model is used to output corresponding job portraits according to the individual portraits input to the neural network model.
  • the neural network model can be stored in advance.
  • the terminal device is local. Before performing step S102, the terminal device may obtain the neural network model locally, and then perform step S102, input each first person portrait obtained in step S101 into the neural network model, and obtain the neural network model. Job portrait output from the network model.
  • step S103 calculate the proportion of the first person portrait that meets the job portrait requirements output by the neural network model among all the first person portraits in each first person portrait.
  • step S103 use the post portrait output by the neural network model to determine whether each first person portrait obtained in step S101 meets the requirements of the post portrait, and calculate the first person portrait that meets the requirements of the post portrait. The proportion of all personal portraits.
  • the neural network model 301 is obtained before step S102 is executed, and the first person portraits obtained in step S101 are: “Master, male, engineering, 211", “undergraduate, male, engineering , 985" and “Master, female, engineering, 985".
  • the proportion of the portrait of the first person who meets the portrait requirements of the post is zero.
  • the job portrait output by the neural network model 301 is "Master, Engineering, 211"
  • the job portrait output by the neural network model 301 at this time does not restrict gender
  • the first person portrait that meets the requirements of "Master, Engineering, 211” can be obtained: “Master, male, engineering, 211” and “Master, female, engineering, 985" ", that is, the ratio can be calculated to be 2/3.
  • step S104 it is determined whether the calculated ratio is less than the first preset ratio, if so, step S105 is executed, otherwise, step S106 is executed.
  • a preset ratio can be a larger value, such as 90%.
  • the first preset ratio can also be customized by a user (such as a recruiter), that is, the user can customize the first preset ratio to obtain a corresponding post portrait.
  • step S105 the parameters of the aforementioned neural network model are adjusted, and step S102 is executed back.
  • the parameters of the above-mentioned neural network model are adjusted, and then each of the first person portraits obtained in step S101 is input into the neural network model after the parameter adjustment, and obtained again
  • the job portrait output by the neural network model after the parameter adjustment and again calculate the proportion of the first person portrait among all the first person portraits that meets the requirements of the neural network model output job portrait after the parameter adjustment, and again It is determined whether the ratio reaches the first preset ratio.
  • step S106 the post portrait output by the neural network model is used as the final post portrait of the target post.
  • the current neural network model can be regarded as a trained neural network model, and the post portrait output by the trained neural network model can be used as the final post portrait.
  • the above final post portrait may be reminded to the user (such as the recruiter) in the form of text, picture and/or voice.
  • the first embodiment of the present application it is also possible to perform statistical analysis on the educational background, age, graduate school, professional category and other information in each first person portrait according to each first person portrait obtained in step S101 , And output the corresponding statistical results (such as histogram), so that users (such as recruiters) can intuitively feel the personal portrait distribution of the target post.
  • the post portrait setting method of the second embodiment of this application includes:
  • step S401 the first person portrait corresponding to each person serving in the target post is obtained, and the second person portrait corresponding to each person who is not qualified for the target post is obtained.
  • This step S401 is the same as step S101 in the first embodiment. It is necessary to obtain the first person portrait corresponding to each person serving in the target post. For related content, please refer to the description of the first embodiment, which will not be repeated here.
  • step S401 it is also necessary to obtain a second person portrait corresponding to each person who is unable to perform the above-mentioned target post.
  • the portrait of each second person who is not qualified for the above-mentioned target post may be pre-stored locally on the server or terminal device.
  • the first person corresponding to the JAVA engineer and the patent attorney is stored in the server database. Portrait of two people.
  • the target position is a JAVA engineer
  • This application does not limit the method of obtaining the second person's portrait.
  • step S406 the above-mentioned step of “obtaining the second person portrait corresponding to each person who is not competent for the target post” can be performed before step S406 described in the second embodiment of this application. There is no limit to the time for obtaining personal portraits.
  • step S402 the portrait of each first person is input into the neural network model, so that the neural network model outputs the post portrait of the above-mentioned target post according to the portrait of each first person.
  • step S403 among the first person portraits, the proportion of the first person portrait meeting the job portrait requirements output by the neural network model among all the first person portraits is calculated.
  • step S404 it is determined whether the calculated ratio is less than the first preset ratio, if so, step S405 is executed, otherwise, step S406 is executed.
  • step S405 the parameters of the aforementioned neural network model are adjusted, and step S402 is executed back to.
  • step S406 it is determined whether there is a second personal portrait that meets the job portrait requirements output by the neural network model among the second personal portraits. If yes, return to step S405; if not, perform step S407.
  • step S106 has relatively low requirements on the target post, resulting in the final post portrait including persons who are not qualified for the target post.
  • step S101 obtains the portraits of the first positions whose target positions are JAVA engineers, namely: "graduate”, “graduate”, “graduate” and “undergraduate”, but It is possible that the final post portrait obtained in step S106 has a "high school” requirement for academic qualifications, which obviously does not meet the needs of users (for example, recruiters).
  • the second embodiment of the present application improves the technical solution in the first embodiment, and adds step S406, namely: Among the first person portraits, if the proportion of the first person portrait that meets the job portrait requirements of the current neural network model output in all the first person portraits is not less than the first preset proportion, the further judgment step S401 is obtained In each of the second person portraits, whether there is a second person portrait that meets the requirements of the job portrait output by the current neural network model.
  • step S406 If it exists, it means that the job portrait output by the current neural network model has too low requirements for the target position and needs Continue to train the neural network model, therefore, return to step S405 to adjust the parameters of the neural network model. If the judgment result of step S406 is that it does not exist, then step S407 can be performed, and the current neural network model is considered to be trained The neural network model of the neural network model, and the post portrait output from the trained neural network model is used as the final post portrait.
  • step S407 the post portrait output by the neural network model is used as the final post portrait of the target post.
  • step S407 is performed in exactly the same manner as step S106 in the first embodiment.
  • step S106 in the first embodiment.
  • the technical solution provided in Fig. 4 is a further improvement of the technical solution in the first embodiment, which can avoid the situation that the final job portrait has too low requirements for the target job to a certain extent.
  • the technical solution shown in FIG. 6 can also be used to avoid the situation that the final job portrait has too low requirements for the target job and does not meet user needs.
  • Fig. 6 is a schematic diagram of the implementation process of another post portrait setting method provided in the second embodiment of the present application. As shown in Fig. 6, the post portrait setting method includes steps S601-S607.
  • step S601 the first person portrait corresponding to each person serving in the target post is obtained.
  • step S602 each first person portrait is input into the neural network model, so that the neural network model outputs the job portrait of the above-mentioned target post according to each first person portrait.
  • step S603 among the first person portraits, the proportion of the first person portrait meeting the job portrait requirements output by the neural network model among all the first person portraits is calculated.
  • step S604 it is determined whether the calculated ratio is less than the first preset ratio, if yes, step S605 is executed, otherwise, step S606 is executed.
  • step S605 the parameters of the aforementioned neural network model are adjusted, and step S602 is executed back to.
  • step S606 it is further determined whether the calculated ratio is greater than the second preset ratio, which is greater than the above-mentioned first preset ratio and less than 1. If yes, return to step S605, if not, execute step S607.
  • the proportion of all first person portraits is not less than the first preset ratio If the ratio is smaller than the second preset ratio (where the second preset ratio is greater than the first preset ratio and less than 1, the second preset ratio may be set by the user), if it is less than When it is equal to the second preset ratio, the current neural network model is used as the neural network model after the training is completed, and the post portrait output by the neural network model after the training is completed as the final post portrait, if the judgment in step S606 If the result is greater than the second preset ratio, then continue to train the neural network model.
  • step S601 In general, if the requirements of the post portrait for the target post are too low, all the first person portraits obtained in step S601 will meet the requirements of the post portrait. Therefore, in the technical solution shown in FIG. 6, the use of A certain number of portraits of the first person do not meet the requirements of the final post portrait to avoid that the final post portrait has too low requirements for the target post.
  • step S607 the post portrait output by the neural network model is used as the final post portrait of the target post.
  • This step S607 is executed in the same manner as the step S106 in the first embodiment.
  • the technical solution provided in the second embodiment of the present application is a further improvement of the technical solution in the first embodiment, which can avoid to a certain extent the situation that the final job portrait has too low requirements for the target job and does not meet the needs of users.
  • the second embodiment of this application is the same as the first embodiment, and it can also avoid the unreasonable setting of the position portrait, which prevents the recruiter from being able to recruit some Technical problems of personnel who meet the needs of job portraits but are actually competent for the job.
  • the third embodiment of the present application is the same as the first and second embodiments, and a neural network model needs to be used to obtain the post portrait.
  • the job profile output by the neural network model includes information of various preset dimensions (for example, information including education, age, graduate school level, and working years), and the neural network model in the third embodiment of the application includes multiple Sub-models, where each sub-model corresponds to a preset dimension, and is used to output information of the job portrait output by the neural network model in the corresponding preset dimension.
  • the job profile 702 output by the neural network model 701 includes information of 3 preset dimensions (ie, the number of years that have been worked, the degree and the level of the graduate school), and the neural network model 701 includes 3 sub-models , Which are sub-model 1, sub-model 2, and sub-model 3.
  • the preset dimension corresponding to sub-model 1 is the number of years of service.
  • This sub-model 1 is used to output the information about the number of years of service in the post portrait 702, and the corresponding to sub-model 2
  • the preset dimension is the degree.
  • the sub-model 2 is used to output the information of the degree in the post portrait 702
  • the preset dimension corresponding to the sub-model 3 is the graduate school level
  • the sub-model 3 is used to output the post portrait 702 graduate school level Information.
  • the post portrait setting method in the third embodiment of this application includes the following steps:
  • step S801 the first person portrait corresponding to each person serving in the target post is obtained, where each first person portrait includes the information of each preset dimension mentioned above.
  • This step S801 is the same as the step S101 in the first embodiment, and both need to obtain the first person portrait corresponding to each person serving in the target post.
  • the first embodiment please refer to the description of the first embodiment, which will not be repeated here.
  • each portrait of the first person obtained in step S801 includes information of each of the foregoing preset dimensions. That is, if the post portrait output by the neural network model used in the third embodiment of this application includes information on the number of years of work, the degree and the level of the graduate school, then the portrait of each first person obtained in step S801 It should also include information about years of work, degree, and graduate school level. As shown in Figure 7, the job portrait output by the neural network model 701 includes information about the number of years of service, the degree, and the level of the graduate school. The first person portrait 1, the first person portrait 2, and the first person portrait are obtained. The personal portrait 3 also includes information about the number of years of work, degree, and graduate school level.
  • step S802 a sub-model in the neural network model is selected as the target sub-model, wherein the preset dimension corresponding to the target sub-model is the target dimension.
  • a sub-model in the neural network model can be arbitrarily selected as the target sub-model.
  • sub-model 1 can be selected as the target sub-model.
  • “has worked years” is the target dimension.
  • step S803 the information of the target dimension in each first person portrait is input to the target sub-model, so that the target sub-model outputs the information of the target dimension in the post portrait.
  • the number of years of service in the first portrait 1 is 2 years
  • the number of years in the first portrait 2 is 1 year
  • the working life of 3 years in the first person portrait 3 is input into the sub-model 1, so as to obtain the information of the working years in the job portrait output by the sub-model 1, as shown in Figure 7, the working life of the sub-model 1
  • the age information is 3 years.
  • step S804 among the information of the target dimension of each first person portrait, the proportion of information that satisfies the target dimension output by the target sub-model is calculated.
  • the sub-model 1 is selected as the target sub-model, and the working life information output by the sub-model 1 is 3 years, then in this step S804, the working life of the first person portrait 1 is calculated
  • the proportion that satisfies the working life of 3 years can be easily calculated.
  • the proportion is 1/3.
  • step S805 it is determined whether the calculated ratio is less than the preset sub-model ratio corresponding to the target sub-model, if yes, step S806 is executed, otherwise, step S807 is executed.
  • step S804 the scale calculated in step S804 is 1/3. Assuming that the preset sub-model scale corresponding to sub-model 1 is 2/3, in this step S805, it can be determined that the calculation in step S804 The scale of is smaller than the preset sub-model scale corresponding to sub-model 1, so step S806 is executed.
  • the preset sub-model scale corresponding to each sub-model in the third embodiment of the present application can be customized by the user.
  • step S806 the parameters of the target sub-model are adjusted, and step S803 is executed back to.
  • step S804 If the scale calculated in step S804 is less than the preset sub-model scale corresponding to the aforementioned target sub-model, the parameters of the target sub-model are adjusted, and then step S803 and subsequent steps are returned to.
  • step S803 when step S803 is performed, the working life information output by the sub-model 1 is 1.5 years, then the ratio calculated in step S804 should be 2/3, the judgment result of step S805 is not less than the preset sub-model scale corresponding to the sub-model 1, therefore, the subsequent step S807 will be executed.
  • step S807 the information output by the target sub-model is used as the information of the target dimension in the job profile output by the neural network model.
  • step S804 it can be concluded that the information about the working years in the job profile 702 output by the neural network model 700 is 1.5 years.
  • step S808 traverse the rest of the sub-models in the neural network model to obtain information of the corresponding preset dimensions of the job profile output by the neural network model output by each sub-model, so as to obtain the job profile output by the neural network model.
  • sub-model 2 and sub-model 3 can be selected as the target sub-models, and steps S802-S807 are executed again. Get the information of the degree in the job portrait and the information of the graduate school level in the job portrait.
  • step S809 among the first person portraits, the proportion of the first person portrait meeting the job portrait requirements output by the neural network model among all the first person portraits is calculated.
  • step S810 it is determined whether the calculated ratio is less than the first preset ratio, if so, step S811 is executed, otherwise, step S812 is executed.
  • step S811 the parameters of the aforementioned neural network model are adjusted, and step S802 is executed back to.
  • step S812 the post portrait output by the neural network model is used as the final post portrait of the target post.
  • the steps S809-S812 are executed in exactly the same way as the steps S103-S106 in the first embodiment. For details, please refer to the description of the first embodiment, which will not be repeated here.
  • the "adjust the parameters of the aforementioned neural network model and return to step S802" in step S811 can be “adjust the parameters of one or more sub-models in the aforementioned neural network model and return to execute Step S802"; or, it can also be: increase the preset sub-model scale corresponding to one or more sub-models in the above neural network model, and return to step S802 (a person skilled in the art can easily understand that in the third embodiment of the present application , The proportion of the preset sub-model is increased, and the parameters in the corresponding target sub-model will inevitably be adjusted).
  • step S807 a step similar to step S406 in FIG. 4 or step S606 in FIG. 6 may be added before step S807.
  • step S807 a step similar to step S406 in FIG. 4 or step S606 in FIG. 6 may be added before step S807.
  • the third embodiment of the present application specifically defines the structure of the neural network model described in the first embodiment.
  • it is impossible to control every dimension (ie, educational background, age, etc.) in the job portrait while the technical solution provided in the third embodiment of this application can control every dimension in the job portrait. Therefore, compared with the first embodiment, the technical solution in the third embodiment of the present application has stronger flexibility.
  • the post portrait setting device 900 includes:
  • the first portrait obtaining module 901 is used to obtain the first person portrait corresponding to each person serving in the target post;
  • the network input module 902 is configured to input each first person portrait into the neural network model, so that the neural network model outputs the job portrait of the target post according to each first person portrait;
  • the proportion calculation module 903 is used to calculate the proportion of the first person portrait among all the first person portraits that meets the job portrait requirements output by the neural network model among the first person portraits;
  • the ratio judgment module 904 is used to judge whether the calculated ratio is less than the first preset ratio
  • the parameter adjustment module 905 is configured to adjust the parameters of the neural network model if the ratio is less than the first preset ratio, and trigger the network input module 902 to execute the input of each first person portrait into the neural network model again, so that The neural network model outputs the job portrait of the target post according to the portrait of each first person;
  • the post portrait acquisition module 906 is configured to use the post portrait output by the neural network model as the final post portrait of the target post if it is greater than or equal to the first preset ratio.
  • the above-mentioned post portrait setting device 900 further includes:
  • the second portrait obtaining module is used to obtain the second person portrait corresponding to each person who is unable to perform the above-mentioned target position;
  • the post portrait acquisition module 906 includes:
  • the portrait judging unit is used to judge whether there is a second personal portrait that meets the job portrait requirements output by the neural network model in each second personal portrait if it is greater than or equal to the first preset ratio;
  • the first acquiring unit is configured to use the post portrait output by the neural network model as the final post portrait of the target post if the judgment result of the portrait judgment unit is non-existent.
  • the above-mentioned post portrait obtaining module 906 includes:
  • the ratio re-judgment unit is configured to, if the ratio is greater than or equal to the first preset ratio, further judge whether the calculated ratio is greater than a second preset ratio, and the second preset ratio is greater than the first preset ratio and less than 1;
  • the second acquiring unit is configured to use the post portrait output by the neural network model as the final post portrait of the target post if it is less than or equal to the second preset ratio.
  • the job portrait of the target post output by the neural network model includes information of various preset dimensions, wherein the information of each preset dimension is used to indicate the requirements of the target post in the preset dimension;
  • the neural network The model includes a plurality of sub-models, where each sub-model corresponds to a preset dimension, and is used to output the information of the job portrait output by the neural network model in the corresponding preset dimension;
  • the aforementioned first portrait acquisition module 901 includes:
  • each first person portrait includes the information of the above-mentioned various preset dimensions
  • the aforementioned network input module 902 includes:
  • the sub-model selection unit is used to select a sub-model of the aforementioned neural network model as the target sub-model, wherein the preset dimension corresponding to the target sub-model is the target dimension;
  • the dimension input unit is used to input the information of the target dimension in each first person portrait to the target sub-model, so that the target sub-model outputs the information of the target dimension in the post portrait;
  • a ratio calculation unit which is used to calculate the proportion of the information of the target dimension of each first person portrait that satisfies the target dimension output by the target sub-model;
  • a ratio judgment unit for judging whether the calculated ratio is less than the preset sub-model ratio corresponding to the target sub-model
  • the parameter adjustment unit is configured to adjust the parameters of the target sub-model if it is smaller than the preset sub-model scale corresponding to the target sub-model, and trigger the dimension input unit to execute the calculation of the target dimension in each first person portrait again The operation of inputting information to the above-mentioned target sub-model, so that the target sub-model outputs the information of the above-mentioned target dimension in the post portrait;
  • the dimension acquisition unit is configured to use the information output by the target submodel as the information of the target dimension in the job portrait output by the neural network model if it is greater than or equal to the preset submodel scale corresponding to the target submodel.
  • the traversal unit is used to traverse the remaining sub-models in the above-mentioned neural network model, and obtain the information of the corresponding preset dimensions of the job portrait output by the above-mentioned neural network model output by each sub-model, thereby obtaining the job portrait output by the neural network model.
  • the parameter adjustment module 905 is specifically configured to: if it is less than the first preset ratio, increase the preset sub-model ratio corresponding to one or more sub-models in the neural network model, and trigger the sub-model selection unit to execute The operation of selecting a sub-model of the above neural network model as the target sub-model.
  • the aforementioned first portrait obtaining module 901 includes:
  • the sending unit is configured to send a personal portrait search request to the preset server to instruct the preset server to perform the operation of searching for the first personal portrait corresponding to each person serving in the above-mentioned target post;
  • the receiving unit is configured to receive the response information returned by the aforementioned preset server
  • the first portrait obtaining unit is used to obtain the first person portrait corresponding to each person serving in the above target post according to the above response information.
  • FIG. 10 is a schematic diagram of a terminal device provided in Embodiment 5 of the present application.
  • the terminal device 100 of this embodiment includes: a processor 101, a memory 102, and computer-readable instructions 103 that are stored in the memory 102 and run on the processor 101.
  • the processor 101 executes the computer-readable instructions 103
  • the steps in the foregoing method embodiments are implemented, such as steps S101 to S106 shown in FIG. 1.
  • the processor 101 executes the computer-readable instructions 103
  • the functions of the modules/units in the foregoing device embodiments are implemented, for example, the functions of the modules 901 to 906 shown in FIG. 9.
  • the foregoing computer-readable instruction 103 may be divided into one or more modules/units, and the foregoing one or more modules/units are stored in the foregoing memory 102 and executed by the foregoing processor 101 to complete the application .
  • the foregoing one or more modules/units may be a series of computer-readable instruction segments capable of completing specific functions, and the instruction segments are used to describe the execution process of the foregoing computer-readable instructions 103 in the foregoing terminal device 100.
  • the above-mentioned computer-readable instruction 103 can be divided into a first image acquisition module, a network input module, a ratio calculation module, a ratio judgment module, a parameter adjustment module, and a post image acquisition module.
  • the specific functions of each module are as follows:
  • the post portrait output by the aforementioned neural network model is taken as the final post portrait of the target post.
  • the foregoing terminal device may include, but is not limited to, a processor 101 and a memory 102.
  • FIG. 10 is only an example of the terminal device 100 and does not constitute a limitation on the terminal device 100.
  • the so-called processor 101 may be a central processing unit (Central Processing Unit, CPU), it can also be other general-purpose processors, digital signal processors (Digital Signal Processors, DSP), field programmable gate arrays (Field-Programmable Gate Array, FPGA) etc.
  • CPU Central Processing Unit
  • DSP Digital Signal Processors
  • FPGA Field-Programmable Gate Array
  • the memory 102 may be an internal storage unit of the terminal device 100 or an external storage device of the terminal device 100.
  • the functional units in the various embodiments of the present application may be integrated into one processing unit, or each unit may exist alone physically, or two or more units may be integrated into one unit.
  • the above-mentioned integrated unit can be implemented in the form of hardware or software functional unit.
  • the above integrated modules/units are implemented in the form of software functional units and sold or used as independent products, they can be stored in a computer readable storage medium. Based on this understanding, this application implements all or part of the processes in the above-mentioned embodiments and methods, and can also be completed by instructing relevant hardware through computer-readable instructions.
  • the above-mentioned computer-readable instructions can be stored in a computer-readable storage medium. When the computer-readable instruction is executed by the processor, it can implement the steps of the foregoing method embodiments.
  • the above-mentioned computer readable instructions include computer program code, and the above-mentioned computer program code may be in the form of source code, object code, executable file, or some intermediate forms.
  • the above-mentioned computer-readable medium may include: any entity or device capable of carrying the above-mentioned computer program code, recording medium, U disk, mobile hard disk, magnetic disk, optical disk, computer memory, read-only memory (ROM, Read-Only Memory), random access memory (RAM, Random Access Memory), electrical carrier signal, telecommunications signal, and software distribution media.
  • ROM Read-Only Memory
  • RAM Random Access Memory
  • electrical carrier signal telecommunications signal
  • telecommunications signal and software distribution media.
  • the content contained in the above-mentioned computer-readable media can be appropriately added or deleted in accordance with the requirements of the legislation and patent practice in the jurisdiction.
  • the computer-readable media cannot be Including electric carrier signal and telecommunication signal.

Landscapes

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

Abstract

一种岗位画像设置方法、岗位画像设置装置及终端设备，所述方法包括：获取在目标岗位任职的各个人员分别对应的第一个人画像（S101）；将各个第一个人画像输入至神经网络模型中，以使得该神经网络模型输出所述目标岗位的岗位画像（S102）；计算各个第一个人画像中，满足所述岗位画像要求的第一个人画像在所有第一个人画像中占的比例（S103）；判断所述比例是否小于第一预设比例（S104）；若小于，则调整所述神经网络模型的参数，并返回执行第二步（S105）；若不小于，则将所述神经网络模型输出的岗位画像作为最终岗位画像（S106）。所述方法可以在一定程度上解决由于岗位画像设置不合理，而使得招聘方无法招聘到一些虽然不满足岗位画像需求，但实际能够胜任岗位的人员的技术问题。

Description

一种岗位画像设置方法、岗位画像设置装置及终端设备
本申请申明享有2019年01月24日递交的申请号为CN 201910068512.4、发明名称为“一种岗位画像设置方法、岗位画像设置装置及终端设备”中国专利申请的优先权，该中国专利申请的整体内容以参考的方式结合在本申请中。
技术领域
本申请属于计算机技术领域，尤其涉及一种岗位画像设置方法、岗位画像设置装置、终端设备及计算机可读存储介质。
 背景技术
招聘方在进行岗位招聘时，需要针对招聘岗位设置岗位画像（即岗位要求），目前，对于岗位画像的设置一般都是招聘人员根据招聘经验而设置。
由于岗位画像是人工设置的，所以必然会受到人的认知、心理等方面的影响，从而导致岗位画像的设置不合理，在岗位画像设置不合理时，往往会使得招聘方错过一些虽然不满足岗位画像需求，但实际能够胜任岗位的人员。
 技术问题
有鉴于此，本申请提供了一种岗位画像设置方法、岗位画像设置装置、终端设备及计算机可读存储介质，可以在一定程度上解决由于岗位画像设置不合理，而使得招聘方无法招聘到一些虽然不满足岗位画像需求，但实际能够胜任岗位的人员的技术问题。
 技术解决方案
本申请第一方面提供了一种岗位画像设置方法，包括：
获取在目标岗位任职的各个人员分别对应的第一个人画像；
将各个第一个人画像输入至神经网络模型中，以使得该神经网络模型根据各个第一个人画像输出所述目标岗位的岗位画像；
计算各个第一个人画像中，满足上述神经网络模型输出的岗位画像要求的第一个人画像在所有第一个人画像中所占的比例；
判断计算出的比例是否小于第一预设比例；
若小于上述第一预设比例，则调整上述神经网络模型的参数，并返回执行上述将各个第一个人画像输入至神经网络模型中，以使得该神经网络模型根据各个第一个人画像输出所述目标岗位的岗位画像的步骤及其后续步骤；
若大于或等于上述第一预设比例，则将上述神经网络模型输出的岗位画像作为所述目标岗位的最终岗位画像。
本申请第二方面提供了一种岗位画像设置装置，包括：
第一画像获取模块，用于获取在目标岗位任职的各个人员分别对应的第一个人画像；
网络输入模块，用于将各个第一个人画像输入至神经网络模型中，以使得该神经网络模型根据各个第一个人画像输出所述目标岗位的岗位画像；
比例计算模块，用于计算各个第一个人画像中，满足上述神经网络模型输出的岗位画像要求的第一个人画像在所有第一个人画像中所占的比例；
比例判断模块，用于判断计算出的比例是否小于第一预设比例；
参数调整模块，用于若小于上述第一预设比例，则调整上述神经网络模型的参数，并触发上述网络输入模块再次执行将各个第一个人画像输入至神经网络模型中，以使得该神经网络模型根据各个第一个人画像输出所述目标岗位的岗位画像的操作；
岗位画像获取模块，用于若大于或等于上述第一预设比例，则将上述神经网络模型输出的岗位画像作为所述目标岗位的最终岗位画像。
本申请第三方面提供了一种终端设备，包括存储器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机可读指令，上述处理器执行上述计算机可读指令时实现如上述第一方面方法的步骤。
本申请第四方面提供了一种计算机可读存储介质，上述计算机可读存储介质存储有计算机可读指令，上述计算机可读指令被处理器执行时实现如上述第一方面方法的步骤。
 有益效果
由上可见，本申请所提供的技术方案中，会使得大部分在目标岗位任职的人员都能满足最终得到的岗位画像的要求，也即是上述最终岗位画像可以囊括大部分能够胜任目标岗位的人员，从而使得本申请可以在一定程度上解决由于岗位画像设置不合理，而使得招聘方无法招聘到一些虽然不满足岗位画像需求，但实际能够胜任岗位的人员的技术问题。
 附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例一提供的一种岗位画像设置方法的实现流程示意图；
图2是本申请实施例一提供的所获取的各个第一个人画像的示意图；
图3是本申请实施例一提供的利用神经网络模型获取岗位画像的示意图；
图4是本申请实施例二提供的另一种岗位画像设置方法的实现流程示意图；
图5是本申请实施例二提供的目标岗位—第二个人画像的对应关系表示意图；
图6是本申请实施例二提供的又一种岗位画像设置方法的实现流程示意图；
图7是本申请实施例三提供的神经网络模型的结构示意图；
图8是本申请实施例三提供的再一种岗位画像设置方法的实现流程示意图；
图9是本申请实施例四提供的一种岗位画像设置装置的结构示意图；
图10是本申请实施例五提供的终端设备的结构示意图。
 本发明的实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定的具体细节。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
本申请实施例提供的岗位画像设置方法适用于终端设备，示例性地，该终端设备包括但不限于：智能手机、平板电脑、笔记本、桌上型计算机、智能可穿戴设备等。
另外，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。
请参阅附图1，本申请实施例一的岗位画像设置方法包括：
在步骤S101中，获取在目标岗位任职的各个人员分别对应的第一个人画像。
本申请实施例一中的各个步骤应用于终端设备，该步骤S101所述的目标岗位可以是用户（比如，招聘方）在终端设备中指定的岗位。比如，用户可以在终端设备中手动输入“JAVA工程师”来指定目标岗位为JAVA工程师；或者，用户可以在终端设备提供的各个岗位中选择一岗位作为目标岗位。
另外，该步骤S101所述各个人员可以是正在所述目标岗位任职的人员，也可以是曾经在所述目标岗位任职的人员，本申请对此不作限定。在本申请实施例中，上述第一个人画像可以包括学历、学位、性别、专业类别、专业、已工作年限、毕业院校等级（比如，是否为双一流大学）等信息。
比如，若用户指定目标岗位为JAVA工程师，则通过该步骤S101，可以获取岗位为JAVA工程师的各个人员分别对应的第一个人画像，如图2所示，为所获取的岗位为JAVA工程师的各个人员分别对应的第一个人画像的示意图。
此外，在本申请实施例中，该步骤S101可以包括如下步骤：
步骤A、向预设服务器发出个人画像查找请求，以指示该预设服务器执行查找在所述目标岗位任职的各个人员分别对应的第一个人画像的操作；
步骤B、接收上述预设服务器返回的响应信息；
步骤C、根据上述响应信息，获取在所述目标岗位任职的各个人员分别对应的第一个人画像。
即通过上述步骤A~步骤C，可以从预设服务器中获取各个第一个人画像，另外，上述各个第一个人画像也可以从终端设备本地获取，本申请对第一个人画像的获取方法不作限定。
在步骤S102中，将各个第一个人画像输入至神经网络模型中，以使得该神经网络模型根据各个第一个人画像输出上述目标岗位的岗位画像。
在终端设备执行该步骤S102之前，需要首先获取一神经网络模型，该神经网络模型用于根据输入至该神经网络模型的各个个人画像输出对应的岗位画像，其中，该神经网络模型可以预先存储在终端设备本地，终端设备在执行步骤S102之前，可以先从本地获取该神经网络模型，然后执行步骤S102，将步骤S101获取的各个第一个人画像输入至该神经网络模型中，并得到该神经网络模型输出的岗位画像。
在步骤S103中，计算各个第一个人画像中，满足上述神经网络模型输出的岗位画像要求的第一个人画像在所有第一个人画像中所占的比例。
在该步骤S103中，利用该神经网络模型输出的岗位画像，判断步骤S101所获取的各个第一个人画像是否满足该岗位画像的要求，并计算满足该岗位画像要求的第一个人画像在所有个人画像中所占的比例。
如图3所示，假设在步骤S102执行之前，获取神经网络模型301，并且假设步骤S101获取的各个第一个人画像分别为：“硕士，男，工科，211”、“本科，男，工科，985”以及“硕士，女，工科，985”。将上述三个第一个人画像输入至神经网络模型301中，若该神经网络模型301输出的岗位画像为“硕士，男，文科，985”，则在各个第一个人画像中查找“学位在硕士以上，性别为男性，专业类别为文科，毕业院校等级为985以上”的第一个人画像，并计算查找出的第一个人画像在所有个人画像中所占的比例，在附图3所示的例子中，可以得出满足该岗位画像要求的第一个人画像所占的比例为0。
此外，在附图3所示的例子中，假设神经网络模型301输出的岗位画像为“硕士，工科，211”，由于此时该神经网络模型301输出的该岗位画像没有对性别进行限定，则可以认为该岗位画像对性别没有要求，因此，可以得出满足“硕士，工科，211”要求的第一个人画像有：“硕士，男，工科，211”和“硕士，女，工科，985”，也即是可以计算得出比例为2/3。
在步骤S104中，判断计算出的比例是否小于第一预设比例，若是，则执行步骤S105，否则，执行步骤S106。
在该步骤中，判断当前计算出的比例是否达到上述第一预设比例，本领域技术人员应该很容易想到，为保证尽量多的第一个人画像能够满足所输出的岗位画像要求，该第一预设比例可以为一较大的数值，比如为90%。此外，该第一预设比例也可以由用户（比如招聘方）自定义设置，即用户可以自定义设置该第一预设比例，获取对应的岗位画像。
在步骤S105中，调整上述神经网络模型的参数，并返回执行步骤S102。
若当前计算出的比例小于上述第一预设比例，则调整上述神经网络模型的参数，然后，将步骤S101获取的各个第一个人画像输入至参数调整后的该神经网络模型中，再次获取参数调整后的该神经网络模型输出的岗位画像，并再次计算满足参数调整后的该神经网络模型输出岗位画像要求的第一个人画像在所有第一个人画像中所占的比例，并再次判断该比例是否达到第一预设比例。
在步骤S106中，将上述神经网络模型输出的岗位画像作为上述目标岗位的最终岗位画像。
若当前计算出的比例不小于上述第一预设比例，则可以认为当前的神经网络模型为训练完成的神经网络模型，并且可以将该训练完成的神经网络模型输出的岗位画像作为最终岗位画像。
此外，在本申请实施例中，可以将上述最终岗位画像以文字、图片和/或语音的形式提醒用户（比如招聘方）。
可选地，在本申请实施例一中，还可以根据步骤S101获取的各个第一个人画像，对各个第一个人画像中的学历、年龄、毕业院校、专业类别等信息进行统计分析，并输出相应的统计结果（比如直方图），以使得用户（比如招聘方）能够直观感受该目标岗位的个人画像分布。
由此可见，本申请实施例一所提供的技术方案中，会使得大部分在目标岗位任职的人员都能满足最终得到的岗位画像的要求，也即是上述最终岗位画像可以囊括大部分能够胜任目标岗位的人员，从而使得本申请可以在一定程度上避免由于岗位画像设置不合理，而使得招聘方无法招聘到一些虽然不满足岗位画像需求，但实际能够胜任岗位的人员的技术问题。
请参阅附图4，本申请实施例二的岗位画像设置方法包括：
在步骤S401中，获取在目标岗位任职的各个人员分别对应的第一个人画像，并获取无法胜任该目标岗位的各个人员分别对应的第二个人画像。
该步骤S401与实施例一中的步骤S101相同，需要获取在目标岗位任职的各个人员分别对应的第一个人画像，相关内容可参见实施例一的描述，此处不再赘述。
此外，在该步骤S401中，还需要获取无法胜任上述目标岗位的各个人员分别对应的第二个人画像。在本申请实施例中，可以在服务器或者终端设备本地预先存储无法胜任上述目标岗位的各个第二个人画像，如图5所示，在服务器数据库中存储了JAVA工程师以及专利代理师所对应的第二个人画像。此外，在本申请实施例中，还可以通过获取在其它岗位（即非上述目标岗位）任职的人员的个人画像作为上述第二个人画像，比如，若目标岗位为JAVA工程师，则可以获取厨师、前台或者导游等岗位的个人画像，并将该个人画像作为第二个人画像。本申请对第二个人画像的获取方式不作限定。
另外，请本领域技术人员注意，上述“获取无法胜任该目标岗位的各个人员分别对应的第二个人画像”的步骤可以在本申请实施例二所述的步骤S406之前执行，本申请对第二个人画像的获取时间不做限定。
在步骤S402中，将各个第一个人画像输入至神经网络模型中，以使得该神经网络模型根据各个第一个人画像输出上述目标岗位的岗位画像。
在步骤S403中，计算各个第一个人画像中，满足上述神经网络模型输出的岗位画像要求的第一个人画像在所有第一个人画像中所占的比例。
在步骤S404中，判断计算出的比例是否小于第一预设比例，若是，执行步骤S405，否则，执行步骤S406。
在步骤S405中，调整上述神经网络模型的参数，并返回执行步骤S402。
上述步骤S402-S405与实施例一中的步骤S102-S105执行方式完全相同，具体可参见实施例一的描述，此处不再赘述。
在步骤S406中，判断在各个第二个人画像中，是否存在满足上述神经网络模型输出的岗位画像要求的第二个人画像，若是，返回执行步骤S405，若否，执行步骤S407。
在本申请实施例一提供的技术方案中，有可能步骤S106得到的最终岗位画像对目标岗位的要求比较低，从而导致该最终岗位画像中囊括了不能胜任该目标岗位的人员。比如，在实施例一所提供的技术方案中，假设步骤S101获取了目标岗位为JAVA工程师的各个第一岗位画像，分别为：“研究生”、“研究生”、“研究生”以及“本科”，但是有可能步骤S106获取的最终岗位画像对于学历的要求却是“高中”，这显然是不符合用户（比如，招聘方）需求的。
所以，为了避免出现最终得到的岗位画像对目标岗位的要求过低而不符合用户需求的情况，本申请实施例二对实施例一中的技术方案进行了改进，增加了步骤S406，即：若各个第一个人画像中，满足当前神经网络模型输出的岗位画像要求的第一个人画像在所有第一个人画像中所占的比例不小于第一预设比例时，进一步判断步骤S401获取的各个第二个人画像中，是否存在满足当前的神经网络模型输出的岗位画像要求的第二个人画像，若存在，则说明当前的神经网络模型输出的岗位画像对目标岗位的要求过低，需要继续对该神经网络模型进行训练，因此，返回执行步骤S405，调整该神经网络模型的参数，若步骤S406的判断结果为不存在，则可以执行步骤S407，认为该当前的神经网络模型为训练完成的神经网络模型，并将该训练完成的神经网络模型输出的岗位画像作为最终岗位画像。
在步骤S407中，将上述神经网络模型输出的岗位画像作为上述目标岗位的最终岗位画像。
该步骤S407与实施例一中的步骤S106执行方式完全相同，具体可参见实施例一的描述，此处不再赘述。
从上述分析中可以得出，附图4所提供的技术方案是对实施例一中技术方案的进一步改进，可以在一定程度上避免出现最终得到的岗位画像对目标岗位要求过低的情况。此外，除了附图4所示的技术方案之外，也可以利用附图6所示的技术方案来避免出现最终得到的岗位画像对目标岗位要求过低而不满足用户需求的情况。
附图6是本申请实施例二提供的又一种岗位画像设置方法的实现流程示意图，如图6所示，该岗位画像设置方法包括步骤S601-S607。
在步骤S601中，获取在目标岗位任职的各个人员分别对应的第一个人画像。
在步骤S602中，将各个第一个人画像输入至神经网络模型中，以使得该神经网络模型根据各个第一个人画像输出上述目标岗位的岗位画像。
在步骤S603中，计算各个第一个人画像中，满足上述神经网络模型输出的岗位画像要求的第一个人画像在所有第一个人画像中所占的比例。
在步骤S604中，判断计算出的比例是否小于第一预设比例，若是，执行步骤S605，否则，执行步骤S606。
在步骤S605中，调整上述神经网络模型的参数，并返回执行步骤S602。
上述步骤S601-S605与实施例一中的步骤S101-S105执行方式完全相同，具体可参见实施例一的描述，此处不再赘述。
在步骤S606中，进一步判断计算出的比例是否大于第二预设比例，该第二预设比例大于上述第一预设比例且小于1，若是，则返回执行步骤S605，若否，则执行步骤S607。
在附图6所示的技术方案中，若各个第一个人画像中符合当前神经网络模型输出岗位画像要求的第一个人画像占所有第一个人画像的比例不小于第一预设比例时，进一步判断该比例是否小于第二预设比例（其中，该第二预设比例大于上述第一预设比例且小于1，该第二预设比例可以是用户自定义设置的），若小于等于该第二预设比例时，则将该当前的神经网络模型作为训练完成后的神经网络模型，并将该训练完成后的神经网络模型输出的岗位画像作为最终岗位画像，若步骤S606的判断结果为大于该第二预设比例，则继续训练该神经网络模型。
一般情况下，若岗位画像对目标岗位的要求过低，会使得步骤S601得到的所有第一个人画像都满足该岗位画像的要求，因此，在附图6所示的技术方案中，通过使一定数量的第一个人画像不满足最终岗位画像的要求，来避免该最终岗位画像对目标岗位的要求过低。
在步骤S607中，将上述神经网络模型输出的岗位画像作为上述目标岗位的最终岗位画像。
该步骤S607与实施例一中的步骤S106执行方式完全相同，具体可参见实施例一的描述，此处不再赘述。
由此可见，本申请实施例二所提供的技术方案是对实施例一中技术方案的进一步改进，可以在一定程度上避免出现最终得到的岗位画像对目标岗位要求过低而不满足用户需求的情况（即可以使得岗位画像的设置更加合理），此外，本申请实施例二与实施例一相同，也可以在一定程度上避免由于岗位画像设置不合理，而使得招聘方无法招聘到一些虽然不满足岗位画像需求，但实际能够胜任岗位的人员的技术问题。
下面对本申请实施例三提供的再一种岗位画像设置方法进行描述，本申请实施例三与实施例一以及实施例二相同，需要利用神经网络模型获取岗位画像，然而，本申请实施例三中的神经网络模型输出的岗位画像包括各个预设维度的信息（比如，包括学历、年龄、毕业院校等级以及已工作年限等的信息），并且，本申请实施例三中的神经网络模型包括多个子模型，其中，每一个子模型对应一个预设维度，用于输出该神经网络模型输出的岗位画像在对应的预设维度的信息。
比如，如图7所示，神经网络模型701所输出的岗位画像702包括3个预设维度（即已工作年限、学位和毕业院校等级）的信息，该神经网络模型701中包括3个子模型，分别为子模型1、子模型2以及子模型3，子模型1对应的预设维度为已工作年限，该子模型1用于输出岗位画像702中已工作年限的信息，子模型2对应的预设维度为学位，该子模型2用于输出岗位画像702中学位的信息，子模型3对应的预设维度为毕业院校等级，该子模型3用于输出岗位画像702中毕业院校等级的信息。
请参阅附图8，本申请实施例三中的岗位画像设置方法包括如下步骤：
在步骤S801中，获取在目标岗位任职的各个人员分别对应的第一个人画像，其中，每个第一个人画像均包括上述各个预设维度的信息。
该步骤S801与实施例一中的步骤S101相同，均需获取在目标岗位任职的各个人员分别对应的第一个人画像，具体可参见实施例一的描述，此处不再赘述。
此外，与实施例一不同的是，该步骤S801所获取的每个第一个人画像中均包括上述各个预设维度的信息。也即是，若本申请实施例三所使用的神经网络模型输出的岗位画像中包括有已工作年限、学位以及毕业院校等级的信息，则该步骤S801所获取的每个第一个人画像中也应包括已工作年限、学位以及毕业院校等级的信息。如图7所示，神经网络模型701输出的岗位画像中包括有已工作年限、学位以及毕业院校等级的信息，则所获取的第一个人画像1、第一个人画像2以及第一个人画像3中，也均包括有已工作年限、学位以及毕业院校等级的信息。
在步骤S802中，选取神经网络模型中一子模型作为目标子模型，其中，该目标子模型对应的预设维度为目标维度。
在该步骤S802中，可以任意选取神经网络模型中的一子模型作为目标子模型。如图7所示，可以选取子模型1作为目标子模型，那么，在附图7所示的例子中，“已工作年限”即为目标维度。
在步骤S803中，将每个第一个人画像中上述目标维度的信息输入至该目标子模型，以使得该目标子模型输出岗位画像中上述目标维度的信息。
如图7所示，假设选取子模型1作为目标子模型，则在该步骤S803中，将第一个人画像1中已工作年限2年、第一个人画像2中已工作年限1年以及第一个人画像3中已工作年限3年输入至子模型1中，从而获取该子模型1输出的岗位画像中已工作年限的信息，如图7所示，该子模型1输出的已工作年限信息为3年。
在步骤S804中，计算各个第一个人画像的目标维度的信息中，满足上述目标子模型输出的上述目标维度的信息所占的比例。
在附图7所示的例子中，选取子模型1为目标子模型，该子模型1输出的已工作年限信息为3年，则在该步骤S804中，计算第一个人画像1的已工作年限的信息、第一个人画像2的已工作年限的信息以及第一人画像3的已工作年限的信息中，满足已工作年限为3年所占的比例，此时，可以很容易计算出所占的比例为1/3。
在步骤S805中，判断计算的比例是否小于该目标子模型对应的预设子模型比例，若是，则执行步骤S806，否则，执行步骤S807。
在附图7所示的例子中，步骤S804所计算的比例为1/3，假设子模型1对应的预设子模型比例为2/3，则在该步骤S805中，可以判断出步骤S804计算的比例小于子模型1对应的预设子模型比例，因此，执行步骤S806。
此外，本申请实施例三中的各个子模型对应的预设子模型比例可以由用户自定义设置。
在步骤S806中，调整该目标子模型的参数，并返回执行步骤S803。
若步骤S804计算出的比例小于上述目标子模型对应的预设子模型比例，则调整该目标子模型的参数，然后，返回执行步骤S803及其后续步骤。
在附图7所示的例子中，假设调整子模型1中的参数后，在执行步骤S803时，该子模型1输出的已工作年限信息为1.5年，那么，步骤S804所计算的比例应为2/3，步骤S805的判断结果为不小于该子模型1对应的预设子模型比例，因此，会执行后续步骤S807。
在步骤S807中，将上述目标子模型输出的信息作为上述神经网络模型输出的岗位画像中上述目标维度的信息。
在步骤S804所示的例子中，可以得出神经网络模型700输出的岗位画像702中已工作年限的信息为1.5年。
在步骤S808中，遍历上述神经网络模型中的其余子模型，得到各个子模型输出的上述神经网络模型输出的岗位画像在对应预设维度的信息，从而得到该神经网络模型输出的岗位画像。
在附图7所示的例子中，在得到子模型1输出的岗位画像中已工作年限的信息之后，可以再分别选取子模型2以及子模型3作为目标子模型，再次执行步骤S802-S807，得到岗位画像中学位的信息以及岗位画像中毕业院校等级的信息。
在步骤S809中，计算各个第一个人画像中，满足上述神经网络模型输出的岗位画像要求的第一个人画像在所有第一个人画像中所占的比例。
在步骤S810中，判断计算出的比例是否小于第一预设比例，若是，则执行步骤S811，否则，执行步骤S812。
在步骤S811中，调整上述神经网络模型的参数，并返回执行步骤S802。
在步骤S812中，将上述神经网络模型输出的岗位画像作为上述目标岗位的最终岗位画像。
该步骤S809-S812与实施例一中步骤S103-S106执行方式完全相同，具体可参见实施例一的描述，此处不再赘述。
此外，在本申请实施例三中，步骤S811所述的“调整上述神经网络模型的参数，并返回执行步骤S802”可以为“调整上述神经网络模型中一个或多个子模型的参数，并返回执行步骤S802”；或者，也可以为：提高上述神经网络模型中一个或多个子模型所对应的预设子模型比例，并返回执行步骤S802（本领域技术人员容易理解，在本申请实施例三中，提高了预设子模型比例，必然会调整对应的目标子模型中的参数）。
可选地，在本申请实施例三中，也可以在步骤S807之前，增加类似附图4中的步骤S406或者附图6中的步骤S606的步骤。具体可以参考实施例二的描述，此处不再赘述。
本申请实施例三对实施例一中所述的神经网络模型的结构进行了具体限定。本申请实施例一所提供的技术方案中，无法对岗位画像中每一个维度（即学历、年龄等）进行控制，而本申请实施例三所提供的技术方案，可以对岗位画像中每一个维度进行控制，因此，本申请实施例三中的技术方案相比于实施例一，具有更强的灵活性。
应理解，上述方法实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
本申请实施例四提供了一种岗位画像设置装置，为了便于说明，仅示出与本申请相关的部分，如图9所示，该岗位画像设置装置900包括：
第一画像获取模块901，用于获取在目标岗位任职的各个人员分别对应的第一个人画像；
网络输入模块902，用于将各个第一个人画像输入至神经网络模型中，以使得该神经网络模型根据各个第一个人画像输出所述目标岗位的岗位画像；
比例计算模块903，用于计算各个第一个人画像中，满足上述神经网络模型输出的岗位画像要求的第一个人画像在所有第一个人画像中所占的比例；
比例判断模块904，用于判断计算出的比例是否小于第一预设比例；
参数调整模块905，用于若小于上述第一预设比例，则调整上述神经网络模型的参数，并触发上述网络输入模块902再次执行将各个第一个人画像输入至神经网络模型中，以使得该神经网络模型根据各个第一个人画像输出所述目标岗位的岗位画像的操作；
岗位画像获取模块906，用于若大于或等于上述第一预设比例，则将上述神经网络模型输出的岗位画像作为所述目标岗位的最终岗位画像。
可选地，上述岗位画像设置装置900还包括：
第二画像获取模块，用于获取无法胜任上述目标岗位的各个人员分别对应的第二个人画像；
相应地，所述岗位画像获取模块906包括：
画像判断单元，用于若大于或等于上述第一预设比例，则判断在各个第二个人画像中，是否存在满足上述神经网络模型输出的岗位画像要求的第二个人画像；
第一获取单元，用于若上述画像判断单元的判断结果为不存在，则将上述神经网络模型输出的岗位画像作为上述目标岗位的最终岗位画像。
可选地，上述岗位画像获取模块906包括：
比例再次判断单元，用于若大于或等于上述第一预设比例，则进一步判断计算出的比例是否大于第二预设比例，该第二预设比例大于上述第一预设比例且小于1；
第二获取单元，用于若小于或等于上述第二预设比例，则将上述神经网络模型输出的岗位画像作为上述目标岗位的最终岗位画像。
可选地，上述神经网络模型输出的上述目标岗位的岗位画像包括各个预设维度的信息，其中，每个预设维度的信息用于指示上述目标岗位在该预设维度的要求；上述神经网络模型包括多个子模型，其中，每个子模型对应一个预设维度，用于输出上述神经网络模型输出的岗位画像在对应的预设维度的信息；
相应地，上述第一画像获取模块901，包括：
获取在目标岗位任职的各个人员分别对应的第一个人画像，其中，每个第一个人画像均包括上述各个预设维度的信息；
相应地，上述网络输入模块902，包括：
子模型选取单元，用于选取上述神经网络模型中一子模型作为目标子模型，其中，该目标子模型对应的预设维度为目标维度；
维度输入单元，用于将每个第一个人画像中上述目标维度的信息输入至上述目标子模型，以使得该目标子模型输出岗位画像中上述目标维度的信息；
比例计算单元，用于计算各个第一个人画像的目标维度的信息中，满足上述目标子模型输出的上述目标维度的信息所占的比例；
比例判断单元，用于判断计算的比例是否小于上述目标子模型对应的预设子模型比例；
参数调整单元，用于若小于上述目标子模型对应的预设子模型比例，则调整上述目标子模型的参数，并触发上述维度输入单元再次执行将每个第一个人画像中上述目标维度的信息输入至上述目标子模型，以使得该目标子模型输出岗位画像中上述目标维度的信息的操作；
维度获取单元，用于若大于或等于上述目标子模型对应的预设子模型比例，则将上述目标子模型输出的信息作为上述神经网络模型输出的岗位画像中上述目标维度的信息。
遍历单元，用于遍历上述神经网络模型中的其余子模型，得到各个子模型分别输出的上述神经网络模型输出的岗位画像在对应预设维度的信息，从而得到该神经网络模型输出的岗位画像。
相应地，上述参数调整模块905具体用于：若小于上述第一预设比例，则提高上述神经网络模型中一个或多个子模型所对应的预设子模型比例，并触发上述子模型选取单元执行选取上述神经网络模型中一子模型作为目标子模型的操作。
可选地，上述第一画像获取模块901，包括：
发送单元，用于向预设服务器发出个人画像查找请求，以指示该预设服务器执行查找在上述目标岗位任职的各个人员分别对应的第一个人画像的操作；
接收单元，用于接收上述预设服务器返回的响应信息；
第一画像获取单元，用于根据上述响应信息，获取在上述目标岗位任职的各个人员分别对应的第一个人画像。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
图10是本申请实施例五提供的终端设备的示意图。如图10所示，该实施例的终端设备100包括：处理器101、存储器102以及存储在上述存储器102中并可在上述处理器101上运行的计算机可读指令103。上述处理器101执行上述计算机可读指令103时实现上述各个方法实施例中的步骤，例如图1所示的步骤S101至S106。或者，上述处理器101执行上述计算机可读指令103时实现上述各装置实施例中各模块/单元的功能，例如图9所示模块901至906的功能。
示例性的，上述计算机可读指令103可以被分割成一个或多个模块/单元，上述一个或者多个模块/单元被存储在上述存储器102中，并由上述处理器101执行，以完成本申请。上述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述上述计算机可读指令103在上述终端设备100中的执行过程。例如，上述计算机可读指令103可以被分割成第一画像获取模块、网络输入模块、比例计算模块、比例判断模块、参数调整模块以及岗位画像获取模块，各模块具体功能如下：
获取在目标岗位任职的各个人员分别对应的第一个人画像；
将各个第一个人画像输入至神经网络模型中，以使得该神经网络模型根据各个第一个人画像输出所述目标岗位的岗位画像；
计算各个第一个人画像中，满足上述神经网络模型输出的岗位画像要求的第一个人画像在所有第一个人画像中所占的比例；
判断计算出的比例是否小于第一预设比例；
若小于上述第一预设比例，则调整上述神经网络模型的参数，并返回执行上述将各个第一个人画像输入至神经网络模型中，以使得该神经网络模型根据各个第一个人画像输出所述目标岗位的岗位画像的步骤及其后续步骤；
若大于或等于上述第一预设比例，则将上述神经网络模型输出的岗位画像作为所述目标岗位的最终岗位画像。
上述终端设备可包括，但不仅限于，处理器101、存储器102。本领域技术人员可以理解，图10仅仅是终端设备100的示例，并不构成对终端设备100的限定。
所称处理器101可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、现场可编程门阵列 (Field-Programmable Gate Array，FPGA)等。
上述存储器102可以是上述终端设备100的内部存储单元，也可以是上述终端设备100的外部存储设备。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。在本申请所提供的实施例中，应该理解到，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，上述模块或单元的划分，仅仅为一种逻辑功能划分。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
上述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机可读指令来指令相关的硬件来完成，上述的计算机可读指令可存储于一计算机可读存储介质中，该计算机可读指令在被处理器执行时，可实现上述各个方法实施例的步骤。其中，上述计算机可读指令包括计算机程序代码，上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。上述计算机可读介质可以包括：能够携带上述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，上述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

Claims (20)

  1. 一种岗位画像设置方法，其特征在于，包括：
    获取在目标岗位任职的各个人员分别对应的第一个人画像；
    将各个第一个人画像输入至神经网络模型中，以使得该神经网络模型根据各个第一个人画像输出所述目标岗位的岗位画像；
    计算各个第一个人画像中，满足所述神经网络模型输出的岗位画像要求的第一个人画像在所有第一个人画像中所占的比例；
    判断计算出的比例是否小于第一预设比例；
    若小于所述第一预设比例，则调整所述神经网络模型的参数，并返回执行所述将各个第一个人画像输入至神经网络模型中，以使得该神经网络模型根据各个第一个人画像输出所述目标岗位的岗位画像的步骤及其后续步骤；
    若大于或等于所述第一预设比例，则将所述神经网络模型输出的岗位画像作为所述目标岗位的最终岗位画像。
  2. 如权利要求1所述的岗位画像设置方法，其特征在于，所述岗位画像设置方法还包括：
    获取无法胜任所述目标岗位的各个人员分别对应的第二个人画像；
    相应地，所述若大于或等于所述第一预设比例，则将所述神经网络模型输出的岗位画像作为所述目标岗位的最终岗位画像，包括：
    若大于或等于所述第一预设比例，则：
    判断在各个第二个人画像中，是否存在满足所述神经网络模型输出的岗位画像要求的第二个人画像；
    若不存在，则将所述神经网络模型输出的岗位画像作为所述目标岗位的最终岗位画像。
  3. 如权利要求1所述的岗位画像设置方法，其特征在于，所述若大于或等于所述第一预设比例，则将所述神经网络模型输出的岗位画像作为所述目标岗位的最终岗位画像，包括：
    若大于或等于所述第一预设比例，则：
    进一步判断计算出的比例是否大于第二预设比例，所述第二预设比例大于所述第一预设比例且小于1；
    若小于或等于所述第二预设比例，则将所述神经网络模型输出的岗位画像作为所述目标岗位的最终岗位画像。
  4. 如权利要求1所述的岗位画像设置方法，其特征在于，所述神经网络模型输出的所述目标岗位的岗位画像包括各个预设维度的信息，其中，每个预设维度的信息用于指示所述目标岗位在该预设维度的要求；所述神经网络模型包括多个子模型，其中，每个子模型对应一个预设维度，用于输出所述神经网络模型输出的岗位画像在对应的预设维度的信息；
    相应地，所述获取在目标岗位任职的各个人员分别对应的第一个人画像，包括：
    获取在目标岗位任职的各个人员分别对应的第一个人画像，其中，每个第一个人画像均包括所述各个预设维度的信息；
    相应地，所述将各个第一个人画像输入至神经网络模型中，以使得该神经网络模型根据各个第一个人画像输出所述目标岗位的岗位画像，包括：
    选取所述神经网络模型中一子模型作为目标子模型，其中，所述目标子模型对应的预设维度为目标维度；
    将每个第一个人画像中所述目标维度的信息输入至所述目标子模型，以使得所述目标子模型输出岗位画像中所述目标维度的信息；
    计算各个第一个人画像的目标维度的信息中，满足所述目标子模型输出的所述目标维度的信息所占的比例；
    判断计算的比例是否小于所述目标子模型对应的预设子模型比例；
    若小于所述目标子模型对应的预设子模型比例，则调整所述目标子模型的参数，并返回执行所述将每个第一个人画像中目标维度的信息输入至所述目标子模型，以使得所述目标子模型输出岗位画像中所述目标维度的信息的步骤及其后续步骤；
    若大于或等于所述目标子模型对应的预设子模型比例，则将所述目标子模型输出的信息作为所述神经网络模型输出的岗位画像中所述目标维度的信息。
    遍历所述神经网络模型中的其余子模型，得到各个子模型分别输出的所述神经网络模型输出的岗位画像在对应预设维度的信息，从而得到所述神经网络模型输出的岗位画像。
  5. 如权利要求4所述的岗位画像设置方法，其特征在于，所述若小于所述第一预设比例，则调整所述神经网络模型的参数，并返回执行所述将各个第一个人画像输入至神经网络模型中，以使得该神经网络模型根据各个第一个人画像输出所述目标岗位的岗位画像的步骤及其后续步骤，包括：
    若小于所述第一预设比例，则提高所述神经网络模型中一个或多个子模型所对应的预设子模型比例，并返回执行所述选取所述神经网络模型中一子模型作为目标子模型的步骤及其后续步骤。
  6. 如权利要求1至5中任一项所述的岗位画像设置方法，其特征在于，所述获取在目标岗位任职的各个人员分别对应的第一个人画像，包括：
    向预设服务器发出个人画像查找请求，以指示所述预设服务器执行查找在所述目标岗位任职的各个人员分别对应的第一个人画像的操作；
    接收所述预设服务器返回的响应信息；
    根据所述响应信息，获取在所述目标岗位任职的各个人员分别对应的第一个人画像。
  7. 一种岗位画像设置装置，其特征在于，包括：
    第一画像获取模块，用于获取在目标岗位任职的各个人员分别对应的第一个人画像；
    网络输入模块，用于将各个第一个人画像输入至神经网络模型中，以使得该神经网络模型根据各个第一个人画像输出所述目标岗位的岗位画像；
    比例计算模块，用于计算各个第一个人画像中，满足所述神经网络模型输出的岗位画像要求的第一个人画像在所有第一个人画像中所占的比例；
    比例判断模块，用于判断计算出的比例是否小于第一预设比例；
    参数调整模块，用于若小于所述第一预设比例，则调整所述神经网络模型的参数，并触发所述网络输入模块再次执行将各个第一个人画像输入至神经网络模型中，以使得该神经网络模型根据各个第一个人画像输出所述目标岗位的岗位画像的操作；
    岗位画像获取模块，用于若大于或等于所述第一预设比例，则将所述神经网络模型输出的岗位画像作为所述目标岗位的最终岗位画像。
  8. 如权利要求7所述的岗位画像设置装置，其特征在于，所述岗位画像设置装置还包括：
    第二画像获取模块，用于获取无法胜任所述目标岗位的各个人员分别对应的第二个人画像；
    相应地，所述岗位画像获取模块包括：
    画像判断单元，用于若大于或等于所述第一预设比例，则判断在各个第二个人画像中，是否存在满足所述神经网络模型输出的岗位画像要求的第二个人画像；
    第一获取单元，用于若所述画像判断单元的判断结果为不存在，则将所述神经网络模型输出的岗位画像作为所述目标岗位的最终岗位画像。
  9. 如权利要求7所述的岗位画像设置装置，其特征在于，所述岗位画像获取模块包括：
    比例再次判断单元，用于若大于或等于所述第一预设比例，则进一步判断计算出的比例是否大于第二预设比例，所述第二预设比例大于所述第一预设比例且小于1；
    第二获取单元，用于若小于或等于所述第二预设比例，则将所述神经网络模型输出的岗位画像作为所述目标岗位的最终岗位画像。
  10. 如权利要求7所述的岗位画像设置装置，其特征在于，所述神经网络模型输出的所述目标岗位的岗位画像包括各个预设维度的信息，其中，每个预设维度的信息用于指示所述目标岗位在该预设维度的要求；所述神经网络模型包括多个子模型，其中，每个子模型对应一个预设维度，用于输出所述神经网络模型输出的岗位画像在对应的预设维度的信息；
    相应地，所述第一画像获取模块具体用于：
    获取在目标岗位任职的各个人员分别对应的第一个人画像，其中，每个第一个人画像均包括所述各个预设维度的信息；
    相应地，所述网络输入模块，包括：
    子模型选取单元，用于选取所述神经网络模型中一子模型作为目标子模型，其中，所述目标子模型对应的预设维度为目标维度；
    维度输入单元，用于将每个第一个人画像中所述目标维度的信息输入至所述目标子模型，以使得所述目标子模型输出岗位画像中所述目标维度的信息；
    比例计算单元，用于计算各个第一个人画像的目标维度的信息中，满足所述目标子模型输出的所述目标维度的信息所占的比例；
    比例判断单元，用于判断计算的比例是否小于所述目标子模型对应的预设子模型比例；
    参数调整单元，用于若小于所述目标子模型对应的预设子模型比例，则调整所述目标子模型的参数，并返回执行所述将每个第一个人画像中目标维度的信息输入至所述目标子模型，以使得所述目标子模型输出岗位画像中所述目标维度的信息的步骤及其后续步骤；
    维度获取单元，用于若大于或等于所述目标子模型对应的预设子模型比例，则将所述目标子模型输出的信息作为所述神经网络模型输出的岗位画像中所述目标维度的信息。
    遍历单元，用于遍历所述神经网络模型中的其余子模型，得到各个子模型分别输出的所述神经网络模型输出的岗位画像在对应预设维度的信息，从而得到所述神经网络模型输出的岗位画像。
  11. 如权利要求10所述的岗位画像设置装置，其特征在于，所述参数调整模块具体用于：
    若小于所述第一预设比例，则提高所述神经网络模型中一个或多个子模型所对应的预设子模型比例，并触发所述子模型选取单元执行选取所述神经网络模型中一子模型作为目标子模型的操作。
  12. 如权利要求7至11中任一项所述的岗位画像设置装置，其特征在于，所述第一画像获取模块，包括：
    发送单元，用于向预设服务器发出个人画像查找请求，以指示所述预设服务器执行查找在所述目标岗位任职的各个人员分别对应的第一个人画像的操作；
    接收单元，用于接收所述预设服务器返回的响应信息；
    第一画像获取单元，用于根据所述响应信息，获取在所述目标岗位任职的各个人员分别对应的第一个人画像。
  13. 一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，其特征在于，所述处理器执行所述计算机可读指令时实现如下步骤：
    获取在目标岗位任职的各个人员分别对应的第一个人画像；
    将各个第一个人画像输入至神经网络模型中，以使得该神经网络模型根据各个第一个人画像输出所述目标岗位的岗位画像；
    计算各个第一个人画像中，满足所述神经网络模型输出的岗位画像要求的第一个人画像在所有第一个人画像中所占的比例；
    判断计算出的比例是否小于第一预设比例；
    若小于所述第一预设比例，则调整所述神经网络模型的参数，并返回执行所述将各个第一个人画像输入至神经网络模型中，以使得该神经网络模型根据各个第一个人画像输出所述目标岗位的岗位画像的步骤及其后续步骤；
    若大于或等于所述第一预设比例，则将所述神经网络模型输出的岗位画像作为所述目标岗位的最终岗位画像。
  14. 如权利要求13所述的终端设备，其特征在于，所述处理器执行所述计算机可读指令时还实现如下步骤：
    获取无法胜任所述目标岗位的各个人员分别对应的第二个人画像；
    相应地，所述若大于或等于所述第一预设比例，则将所述神经网络模型输出的岗位画像作为所述目标岗位的最终岗位画像，包括：
    若大于或等于所述第一预设比例，则：
    判断在各个第二个人画像中，是否存在满足所述神经网络模型输出的岗位画像要求的第二个人画像；
    若不存在，则将所述神经网络模型输出的岗位画像作为所述目标岗位的最终岗位画像。
  15. 如权利要求13所述的终端设备，其特征在于，所述若大于或等于所述第一预设比例，则将所述神经网络模型输出的岗位画像作为所述目标岗位的最终岗位画像，包括：
    若大于或等于所述第一预设比例，则：
    进一步判断计算出的比例是否大于第二预设比例，所述第二预设比例大于所述第一预设比例且小于1；
    若小于或等于所述第二预设比例，则将所述神经网络模型输出的岗位画像作为所述目标岗位的最终岗位画像。
  16. 如权利要求13所述的终端设备，其特征在于，所述神经网络模型输出的所述目标岗位的岗位画像包括各个预设维度的信息，其中，每个预设维度的信息用于指示所述目标岗位在该预设维度的要求；所述神经网络模型包括多个子模型，其中，每个子模型对应一个预设维度，用于输出所述神经网络模型输出的岗位画像在对应的预设维度的信息；
    相应地，所述获取在目标岗位任职的各个人员分别对应的第一个人画像，包括：
    获取在目标岗位任职的各个人员分别对应的第一个人画像，其中，每个第一个人画像均包括所述各个预设维度的信息；
    相应地，所述将各个第一个人画像输入至神经网络模型中，以使得该神经网络模型根据各个第一个人画像输出所述目标岗位的岗位画像，包括：
    选取所述神经网络模型中一子模型作为目标子模型，其中，所述目标子模型对应的预设维度为目标维度；
    将每个第一个人画像中所述目标维度的信息输入至所述目标子模型，以使得所述目标子模型输出岗位画像中所述目标维度的信息；
    计算各个第一个人画像的目标维度的信息中，满足所述目标子模型输出的所述目标维度的信息所占的比例；
    判断计算的比例是否小于所述目标子模型对应的预设子模型比例；
    若小于所述目标子模型对应的预设子模型比例，则调整所述目标子模型的参数，并返回执行所述将每个第一个人画像中目标维度的信息输入至所述目标子模型，以使得所述目标子模型输出岗位画像中所述目标维度的信息的步骤及其后续步骤；
    若大于或等于所述目标子模型对应的预设子模型比例，则将所述目标子模型输出的信息作为所述神经网络模型输出的岗位画像中所述目标维度的信息。
    遍历所述神经网络模型中的其余子模型，得到各个子模型分别输出的所述神经网络模型输出的岗位画像在对应预设维度的信息，从而得到所述神经网络模型输出的岗位画像。
  17. 一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，其特征在于，所述计算机可读指令被处理器执行时实现如下步骤：
    获取在目标岗位任职的各个人员分别对应的第一个人画像；
    将各个第一个人画像输入至神经网络模型中，以使得该神经网络模型根据各个第一个人画像输出所述目标岗位的岗位画像；
    计算各个第一个人画像中，满足所述神经网络模型输出的岗位画像要求的第一个人画像在所有第一个人画像中所占的比例；
    判断计算出的比例是否小于第一预设比例；
    若小于所述第一预设比例，则调整所述神经网络模型的参数，并返回执行所述将各个第一个人画像输入至神经网络模型中，以使得该神经网络模型根据各个第一个人画像输出所述目标岗位的岗位画像的步骤及其后续步骤；
    若大于或等于所述第一预设比例，则将所述神经网络模型输出的岗位画像作为所述目标岗位的最终岗位画像。
  18. 如权利要求17所述的计算机可读存储介质，其特征在于，所述计算机可读指令被处理器执行时还实现如下步骤：
    获取无法胜任所述目标岗位的各个人员分别对应的第二个人画像；
    相应地，所述若大于或等于所述第一预设比例，则将所述神经网络模型输出的岗位画像作为所述目标岗位的最终岗位画像，包括：
    若大于或等于所述第一预设比例，则：
    判断在各个第二个人画像中，是否存在满足所述神经网络模型输出的岗位画像要求的第二个人画像；
    若不存在，则将所述神经网络模型输出的岗位画像作为所述目标岗位的最终岗位画像。
  19. 如权利要求17所述的计算机可读存储介质，其特征在于，所述若大于或等于所述第一预设比例，则将所述神经网络模型输出的岗位画像作为所述目标岗位的最终岗位画像，包括：
    若大于或等于所述第一预设比例，则：
    进一步判断计算出的比例是否大于第二预设比例，所述第二预设比例大于所述第一预设比例且小于1；
    若小于或等于所述第二预设比例，则将所述神经网络模型输出的岗位画像作为所述目标岗位的最终岗位画像。
  20. 如权利要求17所述的计算机可读存储介质，其特征在于，所述神经网络模型输出的所述目标岗位的岗位画像包括各个预设维度的信息，其中，每个预设维度的信息用于指示所述目标岗位在该预设维度的要求；所述神经网络模型包括多个子模型，其中，每个子模型对应一个预设维度，用于输出所述神经网络模型输出的岗位画像在对应的预设维度的信息；
    相应地，所述获取在目标岗位任职的各个人员分别对应的第一个人画像，包括：
    获取在目标岗位任职的各个人员分别对应的第一个人画像，其中，每个第一个人画像均包括所述各个预设维度的信息；
    相应地，所述将各个第一个人画像输入至神经网络模型中，以使得该神经网络模型根据各个第一个人画像输出所述目标岗位的岗位画像，包括：
    选取所述神经网络模型中一子模型作为目标子模型，其中，所述目标子模型对应的预设维度为目标维度；
    将每个第一个人画像中所述目标维度的信息输入至所述目标子模型，以使得所述目标子模型输出岗位画像中所述目标维度的信息；
    计算各个第一个人画像的目标维度的信息中，满足所述目标子模型输出的所述目标维度的信息所占的比例；
    判断计算的比例是否小于所述目标子模型对应的预设子模型比例；
    若小于所述目标子模型对应的预设子模型比例，则调整所述目标子模型的参数，并返回执行所述将每个第一个人画像中目标维度的信息输入至所述目标子模型，以使得所述目标子模型输出岗位画像中所述目标维度的信息的步骤及其后续步骤；
    若大于或等于所述目标子模型对应的预设子模型比例，则将所述目标子模型输出的信息作为所述神经网络模型输出的岗位画像中所述目标维度的信息。
    遍历所述神经网络模型中的其余子模型，得到各个子模型分别输出的所述神经网络模型输出的岗位画像在对应预设维度的信息，从而得到所述神经网络模型输出的岗位画像。
PCT/CN2019/091544 2019-01-24 2019-06-17 一种岗位画像设置方法、岗位画像设置装置及终端设备 WO2020151170A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201910068512.4A CN109886641A (zh) 2019-01-24 2019-01-24 一种岗位画像设置方法、岗位画像设置装置及终端设备
CN201910068512.4 2019-01-24

Publications (1)

Publication Number Publication Date
WO2020151170A1 true WO2020151170A1 (zh) 2020-07-30

Family

ID=66926754

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2019/091544 WO2020151170A1 (zh) 2019-01-24 2019-06-17 一种岗位画像设置方法、岗位画像设置装置及终端设备

Country Status (2)

Country Link
CN (1) CN109886641A (zh)
WO (1) WO2020151170A1 (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109886641A (zh) * 2019-01-24 2019-06-14 平安科技（深圳）有限公司 一种岗位画像设置方法、岗位画像设置装置及终端设备
CN110378563A (zh) * 2019-06-18 2019-10-25 平安普惠企业管理有限公司 信息处理方法、装置、计算机设备及存储介质
CN110377804B (zh) * 2019-06-20 2024-03-15 平安科技（深圳）有限公司 培训课程数据的推送方法、装置、系统及存储介质
CN110619506B (zh) * 2019-08-13 2023-05-26 平安科技（深圳）有限公司 一种岗位画像生成方法、岗位画像生成装置及电子设备
CN111105138A (zh) * 2019-11-20 2020-05-05 北京鳄梨科技有限公司 一种基于完成任务数据的人力资源分析评测系统
CN113627135B (zh) * 2020-05-08 2023-09-29 百度在线网络技术（北京）有限公司 一种招聘岗位描述文本的生成方法、装置、设备及介质
CN116993312A (zh) * 2023-06-02 2023-11-03 广州红海云计算股份有限公司 人力资源管理方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120290365A1 (en) * 2011-05-13 2012-11-15 Profiles International, Inc. System for selecting employment candidates
US20160267616A1 (en) * 2015-03-12 2016-09-15 Kaplan, Inc. Course Skill Matching System and Method Thereof
CN107784426A (zh) * 2017-08-03 2018-03-09 平安科技（深圳）有限公司 一种员工的岗位分配方法、装置及设备
CN109886641A (zh) * 2019-01-24 2019-06-14 平安科技（深圳）有限公司 一种岗位画像设置方法、岗位画像设置装置及终端设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140279635A1 (en) * 2013-03-13 2014-09-18 Profiles International, Inc. System and method for utilizing assessments
CN109214446B (zh) * 2018-08-27 2023-09-15 平安科技（深圳）有限公司 潜力绩优人员类型识别方法、系统、终端及计算机可读存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120290365A1 (en) * 2011-05-13 2012-11-15 Profiles International, Inc. System for selecting employment candidates
US20160267616A1 (en) * 2015-03-12 2016-09-15 Kaplan, Inc. Course Skill Matching System and Method Thereof
CN107784426A (zh) * 2017-08-03 2018-03-09 平安科技（深圳）有限公司 一种员工的岗位分配方法、装置及设备
CN109886641A (zh) * 2019-01-24 2019-06-14 平安科技（深圳）有限公司 一种岗位画像设置方法、岗位画像设置装置及终端设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
WANG, QING: " Research on Knowledgeable Staff-Post Matching Test Based on BP Neural Network", SCIENCE AND TECHNOLOGY MANAGEMENT RESEARCH, no. 10, 31 October 2009 (2009-10-31), pages 294 - 295,303, XP009522362, ISSN: 1000-7695 *

Also Published As

Publication number Publication date
CN109886641A (zh) 2019-06-14

Similar Documents

Publication Publication Date Title
WO2020151170A1 (zh) 一种岗位画像设置方法、岗位画像设置装置及终端设备
AU2020201883B2 (en) Call center system having reduced communication latency
CN110309058A (zh) 业务端测试方法、装置、计算机装置及计算机存储介质
US20020103695A1 (en) Methods and apparatus for gauging group choices
CN109670023A (zh) 人机自动面试方法、装置、设备和存储介质
CN109766097A (zh) Ui生成方法、装置、电子设备及计算机可读存储介质
CN109214446B (zh) 潜力绩优人员类型识别方法、系统、终端及计算机可读存储介质
CN108960686A (zh) 影响力评估方法及系统
Casakin et al. Sharedness of team mental models in the course of design-related interaction between architects and clients
US11734589B2 (en) Virtual assistant negotiation system and method thereof
JP2022184890A (ja) 会話業務ツール
JPWO2015030214A1 (ja) 情報処理装置、情報処理方法およびプログラム
Mimbi et al. ICT and health system performance in Africa: A multi-method approach
CN108681871B (zh) 一种提示信息的方法、终端设备及计算机可读存储介质
Ma et al. Performance assessment in an interactive call center workforce simulation
JP2020160551A (ja) 人事項目の分析支援装置、分析支援方法、プログラム、および記録媒体
Laallam et al. Towards knowledge-based waqf organizations
Bertini et al. Card sorting techniques for domain characterization in problem-driven visualization research
US11985001B2 (en) Meeting inclusion and hybrid workplace insights
CN116452165B (zh) 一种人才信息推荐方法、服务系统及存储介质
Chandan et al. Implementing chat-bot in educational institutes
CN106357510B (zh) 一种企业管理数据交互系统与方法
CN109002498A (zh) 人机对话方法、装置、设备及存储介质
CN116226116A (zh) 联合学习任务查看方法、装置、电子设备及存储介质
Vander Wielen Why conference committees? A theory of conference use in structuring bicameral agreement

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19911672

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19911672

Country of ref document: EP

Kind code of ref document: A1