WO2023096254A1 - 인공지능 기반 직업 매칭 시스템 - Google Patents

인공지능 기반 직업 매칭 시스템 Download PDF

Info

Publication number
WO2023096254A1
WO2023096254A1 PCT/KR2022/018071 KR2022018071W WO2023096254A1 WO 2023096254 A1 WO2023096254 A1 WO 2023096254A1 KR 2022018071 W KR2022018071 W KR 2022018071W WO 2023096254 A1 WO2023096254 A1 WO 2023096254A1
Authority
WO
WIPO (PCT)
Prior art keywords
job
information
user
matching
job matching
Prior art date
Application number
PCT/KR2022/018071
Other languages
English (en)
French (fr)
Inventor
이혜철
김석홍
최정숙
Original Assignee
(주) 올워크
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by (주) 올워크 filed Critical (주) 올워크
Publication of WO2023096254A1 publication Critical patent/WO2023096254A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism

Definitions

  • the present invention relates to an artificial intelligence-based job-matching system, and more particularly, to an artificial intelligence-based job-matching system that matches a job seeker's desired job with high reliability.
  • the turnover rate of full-time workers at companies with 300 or more employees decreased from 3.9% in 2010 to 2.9% in 2017, while the turnover rate at companies with less than 300 employees increased from 4.6% to 5.0%, showing a large gap in turnover rates between large enterprises and SMEs. appeared to be
  • turnover intention increases when a person is in an unmotivated state.
  • the current job search system does not consider the individual characteristics of the job seeker, but simply considers the job seeker's educational background and the characteristics of the company to attempt job matching. Problems occur, which not only weakens the competitiveness of companies, but also leads to great losses for job seekers themselves.
  • the present invention is an invention made based on the above-mentioned problems, and specifically, by matching the job seeker with a high degree of reliability, pressing the job matching application button on the screen of the user terminal, or in a state where the job matching application is loaded on the user terminal
  • An object of the present invention is to provide an artificial intelligence-based job matching system that provides job seeker information desired by the job seeker as soon as shaking of the user terminal is detected.
  • an artificial intelligence-based job matching system which system includes: a job matching server that performs an artificial intelligence-based job matching operation; a user terminal having an application capable of communicating with the job matching server; and a job information database connected to the job matching server through a network, wherein the job matching server includes; obtaining job search information of a user through an application installed on a user terminal; acquiring company employment information from a job offer information database; and calculating a matching rate of the user with respect to the employing company based on the user's job search information and the company's employment information.
  • the operation of obtaining the matching rate of the user with the employing company is performed by a machine-learned reliability learning model to calculate the job matching reliability.
  • job search information of a user who has not left a job, among users who have successfully found a job within 5 years, and job information data of the hiring company are used.
  • the learning data of the learning model includes the user's resume information, the user's self-introduction letter information, and the user's SNS information in addition to the user's job search information and employment information of the employing company.
  • a pre-processing operation is further performed before inputting the user's resume information, the user's self-introduction letter information, and the user's SNS information into the learning model, and the pre-processing process further includes an operation of converting unstructured data into structured data. do.
  • the application includes a job search information input unit for inputting user personal information, a resume register for inputting user's personal resume information, a self-introduction letter register for registering user's personal self-introduction letter information, and a user's personal SNS account registration.
  • SNS register to do; and an employment information requesting unit configured to request employment information based on job matching while transmitting the job search information, resume information, self-introduction information, and SNS account information to a job matching server, wherein the employment information request is provided on the interface screen of the application. It is configured to be executed by pressing a button or when a predetermined movement pattern is input through shaking detection of the user terminal while the application is loaded in the user terminal.
  • the job seeker himself/herself matches the desired job with high reliability, and as soon as the job matching application button on the screen of the user terminal is pressed or shaking of the user terminal is detected while the job matching application is loaded on the user terminal, the job seeker himself/herself It is possible to provide an artificial intelligence-based job matching system capable of providing job opening information.
  • FIG. 1 is a diagram showing the structure of an artificial intelligence-based job matching system according to a first embodiment of the present invention
  • FIG. 2 is a diagram for explaining a learning model of a job matching reliability calculation unit in an artificial intelligence-based job matching system according to a first embodiment of the present invention
  • FIG. 3 is a diagram for explaining a learning device for learning a learning model in an artificial intelligence-based job matching system according to a first embodiment of the present invention
  • FIG. 4 is a flowchart illustrating a method of standardizing atypical resume information in an artificial intelligence-based job matching system according to a first embodiment of the present invention
  • FIG. 5 is a flowchart illustrating a method of standardizing atypical self-introduction information and atypical SNS postings in an artificial intelligence-based job matching system according to a first embodiment of the present invention
  • FIG. 6 is a diagram explaining a WPM vocabulary dictionary generation algorithm during text pre-processing
  • FIG. 7 is a diagram showing the structure of an artificial intelligence-based job matching system according to a second embodiment of the present invention.
  • FIG. 8 is a diagram for explaining a learning model of a job matching reliability calculator and a job matching pass rate calculator in the artificial intelligence-based job matching system according to the first embodiment of the present invention
  • FIG. 9 is a diagram showing a functional structure of an application installed in a user terminal in the artificial intelligence-based job matching system according to the first and second embodiments of the present invention.
  • the artificial intelligence-based job matching system includes an artificial intelligence-based job matching server 10 and a job seeker terminal 20 capable of communication and an open job offer information database 30 .
  • a dedicated application capable of communicating with the AI-based job matching server 10 is installed on the job seeker terminal 20, and the user can receive job matching services provided by the AI-based job matching server 10 through the application.
  • the communication network includes all data networks through which data can be transmitted and received between the job seeker terminal, the job offer information database, and the job matching server in order to provide job matching information to the display unit of the mobile terminal.
  • a communication network that performs this function is an IP network that provides transmission and reception services for large amounts of data and data services without disconnection through the Internet Protocol (IP), and integrates different networks based on IP. It may be an All IP network, which is an IP network structure.
  • the communication network may be one of a wired communication network, a mobile communication network, a wireless broadband (Wibro) network, a high speed downlink packet access (HSDPA) network, a satellite communication network, and a wireless fidelity (WI-FI) network.
  • Wibro wireless broadband
  • HSDPA high speed downlink packet access
  • WI-FI wireless fidelity
  • the artificial intelligence-based job matching server 10 provides information necessary for job search from the job seeker terminal 20, for example, the desired job type, industry, job, age, past career, possessed skills, desired place of work, desired salary, and employment type.
  • personal job search information is collected, and recruitment information such as job type, work, job, age, work experience, work skill, place of work, salary, and employment type is collected from the open recruitment information database 30 of the hiring company.
  • the artificial intelligence-based job matching server 10 performs job matching based on personal job search information and company recruitment information collected in the server.
  • the job matching server 10 operates to extract the reliability (or matching rate) between the job seeker and the employing company, and provides the user in order from the hiring company having a high level of reliability to the hiring company having a low level of reliability.
  • the user can perform a job search activity for a company with high satisfaction through the reliability (matching rate) provided to his or her job seeker terminal 20 .
  • the job information database 30 is open job information provided by the Human Resource Management System (HRMS), or job information individually operated by the artificial intelligence-based job matching server 10, or a company or It may also be information about job openings made public through the website of a public institution.
  • HRMS Human Resource Management System
  • job information individually operated by the artificial intelligence-based job matching server 10 or a company or It may also be information about job openings made public through the website of a public institution.
  • the job matching server 10 includes an artificial intelligence-based job matching reliability calculation unit 110 for calculating a matching rate between individual user job search information and company job information and job matching information. Based on the reliability calculated by the matching reliability calculation unit 110, a customized employment information database 120 listing employment information of companies employed is included.
  • the job matching reliability calculation unit 110 calculates a matching rate between the user's individual job search information and the company's employment information by using an artificial intelligence module learned in advance to calculate a matching rate between the job seeker and the employing company.
  • the higher the matching rate the lower the probability of voluntary turnover when a job seeker is hired by the company.
  • the lower the matching rate the lower the job seeker's satisfaction.
  • the learned artificial intelligence module used in the job matching reliability calculation unit 110 is modeled and verified by the learning device 500 as shown in FIG. It is used as an intelligence module.
  • the learning device 500 operates to obtain a target output using training data.
  • the training data includes, for example, job search information of users (individual job search members) who have not changed jobs among users who have searched for jobs in the last 5 years, and recruitment information data of the recruiting company, and learn personal characteristics. (500), self-introduction information including resume information, name, age, place of residence, etc. of the user (individual job-seeking member), and user (individual job-seeking member) Posts posted on SNS such as are further used as training data.
  • the learning device 500 may learn the model using a neural network.
  • a neural network is a term encompassing all types of machine learning models designed to imitate neural structures.
  • neural networks may include all kinds of neural network-based models, such as artificial neural networks (ANNs), convolutional neural networks (CNNs), and the like.
  • the neural network may include at least one shared layer shared by a plurality of tasks, and a weight (ie, a learning parameter) of the shared layer may be updated through machine learning.
  • the neural network training device 500 is a device that can perform machine learning using training data, and may include a device that learns using a model composed of an artificial neural network.
  • the neural network learning apparatus 500 may be configured to receive, classify, store, and output information to be used for data mining, data analysis, intelligent decision-making, and machine learning algorithms.
  • the machine learning algorithm may include a deep learning algorithm.
  • the neural network training apparatus 500 may communicate with at least one external device or terminal, and may analyze data or learn results in place of or assisting the external device.
  • helping other devices may mean distribution of computing power through distributed processing.
  • the neural network learning device 500 is a device for learning an artificial neural network, and may generally mean a server, and may be referred to as a neural network learning server.
  • the neural network learning device 500 may transmit the learned model to the job matching reliability calculation unit 110 periodically or upon request, and the job matching server may update the job matching reliability calculation unit 110 through the transmitted model.
  • the neural network learning device 500 includes a communication unit 510, an input unit 520, a memory, 530), a learning processor (Learning Processor, 540), and a processor (Processor, 560).
  • the communication unit 510 may refer to a configuration including a wireless communication unit (not shown) and an interface unit (not shown). That is, the communication unit 510 may transmit/receive data with other devices such as the server 10 through wired/wireless communication or an interface.
  • the input unit 520 may obtain training data for model learning or input data for obtaining an output using a trained model.
  • the input unit 520 may obtain raw input data.
  • the learning processor 540 or the processor 560 preprocesses the acquired data to generate training data or preprocessed input data that can be input to model learning. can do.
  • training data in the present invention As the training data in the present invention, as described above, job search information of a user who has not left a job among users who have been job-seeking within the last 5 years, and employment information data of the employing company are used, and personal characteristics of the learning device 500 are used.
  • the user's resume information and the user's posts on SNS such as Internet blog, Instagram, and Facebook were further used as training data.
  • the user's personal job search information is information that the user directly inputs by accessing the job matching server 10 through an application installed on his/her terminal 10, and includes job type, industry, job, age, past career, skills, desired job , desired place of work, desired salary, and type of employment. These information are input by the user in a predetermined format in the job matching server, and can be classified as standard data in a predetermined format, and can be used as training data without any special processing.
  • the user's history information, self-introduction information and / or SNS postings they are classified as unstructured data because they do not have a predetermined format, and need to be transformed into standardized data in order to use them as training data. Therefore, before training data is input through the input unit 520 of FIG. 3, the history information and/or SNS postings of the user (job seeker) need to be standardized through pre-processing.
  • step S113 keywords in the history information may be extracted by first performing a shape analysis on the history information of step S111. Thereafter, in step S113, pre-processing of the extracted keywords may be performed.
  • the pre-processing in step S113 means removing stopwords having no meaning from keywords and analyzing the stems of keywords.
  • the stem-analyzed keyword may become a prototype of a word.
  • entry name recognition Named-Entity Recognition
  • entry name recognition may be performed on the main words of the resume, that is, keywords for which preprocessing has been performed, using an entry name dictionary.
  • step S117 when entry name recognition is performed in step S115, a model for classifying keywords from the entry name recognition dictionary according to attributes of keywords may be learned.
  • step S118 when an entry not detected by the entry name recognition model is found, the entry name may be learned through supervised learning or may be registered and classified in an entry name dictionary. Accordingly, terms not detected in the initial entry name recognition model may be detected later.
  • step S119 according to the classification of keywords classified through entry name recognition, the keywords may be input into fields of the standardized resume.
  • a word cloud system based on a tokenizer for extracting Korean nouns is used in an embodiment of the present invention.
  • the operation flow (S210) in the word cloud system for pre-processing the user's self-introduction or SNS entry before being input to the input unit 520 of the learning device 500 is the user's input self-introduction.
  • Receiving text from introduction information and SNS postings (S211); An operation of performing text pre-processing on the text input through the user terminal (S213); Filtering entries designated by the user as noise in the text pre-processed document (S215) and calculating the frequency of entries in the text (S217); and an operation of calculating a weight value for each entry based on the frequency count for each appearing entity (S219).
  • the text receiving step (S211) receives text input through a web page from the user's terminal 20, or This includes receiving a text document by upload, receiving a user input URL, or receiving stop words to be excluded by the user.
  • the word cloud system receives the text input by the user and then performs pre-processing on the input text.
  • text it is composed of natural forms of language such as Korean, English, and numbers that people can recognize.
  • NLP Natural Language Processing
  • Natural languages are distinct from artificial languages such as computer program languages.
  • An artificial language is a language made for computers to understand by setting rules by humans, so anyone can understand it if they learn the rules. Due to the addition of various changes, there are characteristics that cannot be understood only with rules.
  • the natural language processing process can be divided into four stages: morphological analysis, syntactic analysis, semantic analysis, and pragmatic analysis. Each stage is not a stage in which a clear theory is established through a specific theory, but a stage in which the theory continues to be presented and verified. is in
  • Korean is regarded as a unit of token as 'eojeol', and unlike languages that do not have word boundary markers such as Chinese or Japanese, spaces are specified to be used between words. Wrong spacing in Korean causes ambiguity or noise in text analysis, which hinders tokenization and reduces readability. As such, spacing in Korean is an important factor that affects machine readability as well as user readability of text. Spacing errors in sentences cause many grammatical and semantic ambiguities, and sometimes make morphological analysis impossible.
  • WPM is a method for constructing a syllable search system, which automatically generates vocabularies by minimizing perplexity without prior knowledge of the language.
  • morphological analysis, syntactic analysis, semantic analysis, and pragmatic analysis are performed in four ways, but WPM encodes units into pronunciation sets based on the International Phonetic Alphabet (PA), Create new units by combining them according to the frequency of use using statistical techniques.
  • PA International Phonetic Alphabet
  • WPM word-independent, and because it uses statistical methods, it can be applied to specific domains or languages whose meaning is not yet understood.
  • the WPM vocabulary dictionary generation algorithm is applied to a document to which automatic spacing is applied, as shown in FIG.
  • noise filtering means a process of excluding predefined stop words.
  • the word cloud system calculates the frequency of each entry included in the text, that is, noun, and in subsequent step S219, a weighted value for each entry is calculated to classify the job seeker's individual field of interest and level of interest.
  • the standardized data is input to the processor 560 through the input unit 520 .
  • the memory 530 may store a model learned by the learning processor 540 or the neural network learning apparatus 500 . At this time, the memory 530 may store the learned model by dividing it into a plurality of versions according to the learning time or learning progress, as needed. In this case, the memory 530 may store input data obtained from the input unit 520, learning data (or training data) used for model learning, and a learning history of the model. At this time, the input data stored in the memory 530 may be not only processed data suitable for model learning, but also unprocessed input data itself.
  • the memory 530 may include a model storage unit 531 and a database 532 .
  • the model storage unit 531 stores a neural network model (or artificial neural network) that is being learned or learned through the learning processor 540, and when the model is updated through learning, the updated model is stored.
  • the model storage unit 531 may classify and store the learned model into a plurality of versions according to learning time or learning progress, as needed.
  • the database 532 may store input data obtained from the input unit 520, learning data (or training data) used for model learning, and a learning history of the model.
  • the input data stored in the database 532 may be processed data suitable for model learning as well as unprocessed input data itself.
  • the learning processor 540 may train (or learn) a neural network model (artificial neural network) using training data or a training set.
  • the learning processor 540 directly acquires preprocessed input data acquired by the processor 560 through the input unit 520 to learn an artificial neural network, or acquires preprocessed input data stored in the database 532 to obtain a neural network model. (Artificial Neural Network) can be learned.
  • the learning processor 540 may determine optimized model parameters of the neural network model (artificial neural network) by iteratively learning the neural network model (artificial neural network) using various learning techniques described above.
  • a neural network model artificial neural network whose parameters are determined by being learned using training data may be referred to as a learning model or a trained model.
  • the learning model may be transmitted and loaded into the job matching server 10 through the communication unit 510 . Also, when the learning model is updated, the updated learning model may be transmitted to and loaded into the job matching server 10 through the communication unit 510 .
  • the learning processor 540 may include a memory integrated or implemented in the neural network learning apparatus 500 .
  • learning processor 540 may be implemented using memory 530 .
  • the running processor 540 may be implemented using memory associated with the terminal, such as external memory coupled directly to the terminal or memory maintained in a server communicating with the terminal.
  • the job matching reliability calculation unit 110 takes the actual job seeker's job search information, job seeker's resume information, self-introduction information, and SNS postings as inputs to the learned model, and calculates the relationship between the job seeker and the employing company.
  • the matching rate can be calculated.
  • the customized employment information database 120 stores a list of employment information to be provided to the user based on the matching ratio between the job seeker and the hiring company calculated by the job matching reliability calculation unit.
  • the employment information list is sorted and stored in order of a matching rate between the job seeker and the hiring company from high to low, and the stored employment information list is transmitted to the user's terminal 20 upon request from the user.
  • the artificial intelligence-based job matching system according to the second embodiment of the present invention further includes a job matching pass rate calculation unit 130 .
  • the job matching pass rate calculation unit 130 calculates the pass rate when the user applies for the company based on the job search information and resume information input by the user through the job seeker terminal 20 and the recruitment information received from the open job offer information data. function to calculate
  • the calculation of the pass rate is calculated using an artificial intelligence-based learning model in the same way as the job matching reliability calculator 110, and the second learning device of FIG. 8 (which is separate from the learning device (first learning device) as described previously) 600) may be further used.
  • FIG. 8 is an explanatory diagram for explaining a learning model used in the job matching pass rate calculation unit 130 using the second learning device 600.
  • the job matching pass rate calculation unit 130 is operated to calculate a pass rate that can be passed when a job seeker applies for a job in a specific company.
  • the second learning device 600 uses job search information data, preprocessed history information, and employment information data as training data. In the case of the second learning device 600, it is a configuration for simply calculating the pass rate, and individual characteristics are not reflected.
  • the data used for learning is, for example, job search information of job seekers who have actually passed job search activities in the last 5 years, resume information, and recruitment information of the corresponding company.
  • the second learning device (600 ) is modeled differently from the first learning device to calculate the pass rate between the job seeker and the company.
  • the job matching reliability calculation unit 110 calculates the job seeker's
  • the job matching pass rate calculation unit 130 calculates the pass rate at which the job seeker can pass the company, and the calculated matching rate and pass rate information are stored in the customized employment information database 120. Saved.
  • the customized employment information database 120 When an employment information call is input from the user, the customized employment information database 120 first displays a list of employment information determined to be suitable for the user based on the matching rate calculated by the job matching reliability calculation unit 110 in order of matching rate At the same time, the pass rate calculated by the job matching pass rate calculation unit 130 can be simultaneously provided on the user's screen.
  • the application includes a job search information input unit 21, a resume registration unit 22, a self-introduction registration unit 23, an SNS registration unit 24, and a job information request unit 25.
  • the user first performs membership registration in the artificial intelligence-based job matching server 10, and then can use the application normally. After member registration is completed, the user inputs information necessary for job search through the screen interface of the application.
  • the job search information input unit 21 receives information about occupation, type of industry, age, past career, possessed skills, desired job, desired workplace, desired salary, and employment type from the user in a predetermined format pattern.
  • the input job search information is stored in the customized employment information database 120 of the job matching server 10 .
  • the resume registration unit 22 is configured to find and register a resume written by the user from the user's own terminal 20, or to download and register a resume stored in a storage such as the Internet, or according to a form provided by the server 10. It is made to write.
  • a user registers a resume the registered resume is stored in the customized employment information database 120 of the job matching server 10, and the stored resume is converted into a standardized resume by the job matching server 10 and stored .
  • the self-introduction register 23 is configured so that the user finds and registers the self-introduction written by the user from the terminal 20, or downloads and registers the self-introduction stored in a storage such as the Internet, It is configured to create a self-introduction letter according to the form provided by the server 10.
  • the registered self-introduction letter is stored in the customized employment information database 120 of the job matching server 10. added and stored.
  • the SNS registration unit 24 is configured to input account information such as an SNS account belonging to the user himself, for example, a blog, Facebook, and Instagram.
  • account information such as an SNS account belonging to the user himself, for example, a blog, Facebook, and Instagram.
  • Posts included in the user's SNS account are classified by entry through a word cloud technique through a standardization process, and are classified by entry by entry. A weight value is added and stored.
  • the employment information request unit 25 requests the job seeker to transmit suitable employment information to the job matching server 10 based on the job seeker information, resume information, self-introduction information, and SNS post information entered by the user. Provided.
  • Employment information request unit 25 may be shown to the user in the form of a button provided on the screen interface of the application, and job matching in the employment information request unit 25 by shaking the terminal while the application is running on the user terminal. It may also be configured to request employment information to the server 10 .
  • the application of the user terminal 20 detects the movement of the terminal from the three-axis gyro sensor or acceleration and angular velocity sensors provided to the terminal. It may be further configured to receive data, in which case it may be configured to request employment information from the job matching server 10 when the values detected from the acceleration and angular velocity sensors change within a predetermined range.
  • the device described above may be implemented as a hardware component, a software component, and/or a device described above may be implemented as a hardware component, a software component, and/or a combination of hardware components and software components.
  • devices and components described in the embodiments may include, for example, a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, a field programmable gate array (FPGA) , PLU (Programmable Logic Unit), microprocessor, or any other device capable of executing and responding to commands, one or more general-purpose or special-purpose computers.
  • the processor may execute an operating system (OS) and one or more software applications running on the operating system.
  • OS operating system
  • software applications running on the operating system.
  • a processor may also access, store, manipulate, process, and create data in response to execution of software.
  • the processor includes a plurality of processing elements and/or a plurality of types of processing elements. know you can do it.
  • the processor may include a plurality of processors or one processor and one controller. Also, other processing configurations are possible, such as a parallel processor.
  • Software may include a computer program, code, command, or a combination of one or more of these, and may configure a processing device to operate as desired or be processed independently or collectively. You can command the device.
  • Software and/or data may be embodied in any tangible machine, component, physical device, virtual equipment, computer storage medium or device in order to be interpreted by a processor or to provide instructions or data to a processor. (Embody) can be.
  • Software may be distributed on networked computer systems and stored or executed in a distributed manner.
  • Software and data may be stored on one or more computer readable media.
  • the method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded on a computer readable medium.
  • the computer readable medium may include program instructions, data files, data structures, etc. alone or in combination. Program commands recorded on the medium may be specially designed and configured for the embodiment or may be known and usable to those skilled in computer software.
  • Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic media such as floptical disks.
  • - Optical media Magnetic-Optical Media
  • hardware devices specially configured to store and execute program instructions such as ROM, RAM, flash memory, etc. are included.
  • Examples of program instructions include high-level language codes that can be executed by a computer using an interpreter, as well as machine language codes such as those produced by a compiler.

Landscapes

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

Abstract

본 발명은 인공지능 기반의 직업-매칭 시스템에 관한 것으로, 본 발명의 인공지능 기반 직업 매칭 시스템은, 인공지능 기반의 직업 매칭 동작을 수행하는 직업 매칭 서버; 상기 직업 매칭 서버와 통신가능한 애플리케이션이 설치된 사용자 단말기; 및 상기 직업 매칭 서버와 네트워크를 통해 연결된 구인정보 데이터베이스를 포함하고, 상기 직업 매칭 서버는; 사용자 단말기에 설치된 애플리케이션을 통해 사용자의 구직 정보를 취득하는 동작; 구인정보 데이터베이스로부터 기업의 채용정보를 취득하는 동작; 및 상기 사용자의 구직 정보와 기업의 채용정보에 기반하여 채용 기업에 대한 사용자의 정합율을 구하는 동작을 수행하도록 구성된다.

Description

인공지능 기반 직업 매칭 시스템
본 발명은 인공지능 기반의 직업-매칭 시스템에 관한 것으로 보다 구체적으로는 구직자가 원하는 직업을 신뢰도 높게 매칭시켜주는 인공지능 기반의 직업―매칭 시스템에 관한 것이다.
외환위기 이후 평생직장에 대한 개념이 사라지면서 직장인들의 이직률이 점점 높아지고 있다. 기업들은 우수 인재 확보를 위해 채용에 막대한 비용을 들여 여러 단계를 거치는 등 검증된 인재를 뽑고자 노력하고 있다. 그러나 어렵게 뽑은 인재들의 이직하게 되면 기업입장에서 손해를 볼수밖에 없다. 특히 신입사원의 이직률이 높게 나타나는데, 한국경영자총연합회가 전국 306개 기업을 대상으로 한 '2016 신입사원 채용 실태조사' 결과에 따르면 전체 신입사원의 27.7%가 1년 안에 퇴사하였다. 이 비율은 2014년 2.5%p, 2012년보다 4.1%p 높아진 것이다. 신입사원의 이직률과 더불어 중소기업과 대기업간의 이직률 차이도 증가하고 있다. 사업체노동력 조사에 따르면 300인 이상 기업의 상용직 이직률은 2010년 3.9%에서 2017년 2.9%로 감소한 반면, 300인 미만 기업의 상용직 이직률은 4.6%에서 5.0%로 증가하여 대기업과 중소기업의 이직률 차이가 큰 것으로 나타났다.
이러한 이직률의 증가는 기업 입장에서 인력확보 및 육성에 대한 직·간접적 비용의 증대로 이어진다. 이직으로 인한 업무 공백으로 인한 손해, 핵심 정보 지식의 유출, 추가 인재 채용 비용 등이 증가하게 된다. 대부분의 연구들에 따르면 높은 이직률은 기업성과에 부정적인 영향을 주고 있음을 보여주고 있다.
이와 같은 이직률의 상승은 개인적인 특성, 직무적 특성 및 조직적 특성의 요인에 의한 것으로 보고되고 있으며, 개인적 특성과 관련된 요인에 대한 연구들에 따르면 조직몰입과 경력몰입이 이직 의도에 부정적인 영향을 미치며 직무동기를 찾을 수 없는 무동기 상태일 때 이직의도가 높아지는 것으로 알려져 있다.
이는 현재의 구인 구직 시스템의 구조와도 높은 관련성을 갖는다. 현재의 구인 구직 시스템에서는 구직자의 개인적인 특성을 고려하고 있지 않고 단순히 구직자의 학력 사항과 기업의 특성만을 고려하여 직업 매칭을 시도하고 있기 때문에 구직자가 해당하는 기업에 취업을 하더라도 결국에는 자발적 이직으로 이어지게 되는 문제점이 발생하고 이는 기업의 경쟁력을 약화시킬 뿐만 아니라 구직자 본인에게도 큰 손실로 이어진다.
본 발명은 전술한 문제점에 기반하여 안출된 발명으로서 구체적으로는 구직자 본인이 원하는 직업을 신뢰도 높게 매칭시켜, 사용자 단말기 화면의 잡 매칭 애플리케이션 버튼을 누르거나, 잡 매칭 애플리케이션이 사용자 단말기에 로딩된 상태에서 사용자 단말기의 흔들림이 검출되는 즉시 구직자 본인이 원하는 구인 정보를 제공하는, 인공지능 기반의 직업 매칭 시스템을 제공하는 것을 목적으로 한다.
전술한 과제를 달성하기 위해 본 발명의 하나의 양태에 따르면, 인공지능 기반 직업 매칭 시스템이 제공되고, 이 시스템은, 인공지능 기반의 직업 매칭 동작을 수행하는 직업 매칭 서버; 상기 직업 매칭 서버와 통신가능한 애플리케이션이 설치된 사용자 단말기; 및 상기 직업 매칭 서버와 네트워크를 통해 연결된 구인정보 데이터베이스를 포함하고, 상기 직업 매칭 서버는; 사용자 단말기에 설치된 애플리케이션을 통해 사용자의 구직 정보를 취득하는 동작; 구인정보 데이터베이스로부터 기업의 채용정보를 취득하는 동작; 및 상기 사용자의 구직 정보와 기업의 채용정보에 기반하여 채용 기업에 대한 사용자의 정합율을 구하는 동작을 수행하도록 구성된다.
전술한 양태에서 채용 기업에 대한 사용자의 정합율을 구하는 동작은 직업 매칭 신뢰도를 산출하도록 기계 학습된 신뢰도 학습 모델에 의해 수행된다.
또한 전술한 양태에서 학습 모델의 학습 데이터는 5년 내에 구직에 성공한 사용자 중 현재까지 이직하지 않은 사용자의 구직 정보와, 상기 채용 기업의 채용 정보 데이터가 이용된다.
또한 전술한 양태에서 학습 모델의 학습 데이터는 사용자의 구직 정보, 채용 기업의 채용 정보 이외에 사용자의 이력서 정보, 사용자의 자기소개서 정보, 사용자의 SNS 정보가 더 이용된다.
또한 전술한 양태에서 사용자의 이력서 정보, 사용자의 자기소개서 정보, 사용자의 SNS 정보에 대해 학습 모델로 입력하기전 전처리 동작을 더 수행하고, 전처리 과정은 비정형 데이터를 정형 데이터로 변환하는 동작을 더 포함한다.
또한 전술한 양태에서 애플리케이션은 사용자 개인의 정보를 입력하는 구직 정보 입력부, 사용자 개인의 이력서 정보를 입력하는 이력서 등록부, 사용자 개인의 자기소개서 정보를 등록하는 자기소개서 등록부, 및 사용자 개인의 SNS 계정을 등록하는 SNS 등록부; 및 상기 구직 정보, 이력서 정보, 자기소개서 정보, SNS 계정 정보를 직업 매칭 서버로 전송하는 동시에 직업 매칭에 기반한 채용 정보를 요청하도록 구성된 채용 정보 요청부를 포함하고, 채용 정보 요청은 애플리케이션의 인터페이스 화면에 제공된 버튼을 눌러 실행되거나, 애플리케이션이 사용자 단말기에 로딩된 상태에서 사용자 단말기의 흔들림 검출을 통해 미리 정해진 움직임 패턴이 입력될 때 실행되도록 구성된다.
본 발명에 따르면 구직자 본인이 원하는 직업을 신뢰도 높게 매칭시켜, 사용자 단말기 화면의 잡 매칭 애플리케이션 버튼을 누르거나, 잡 매칭 애플리케이션이 사용자 단말기에 로딩된 상태에서 사용자 단말기의 흔들림이 검출되는 즉시 구직자 본인이 원하는 구인 정보를 제공할 수 있는 인공지능 기반의 직업 매칭 시스템을 제공할 수 있다.
도 1은 본 발명의 제1 실시예에 따른 인공지능 기반의 직업 매칭 시스템의 구조를 나타내는 도면;
도 2는 본 발명의 제1 실시예에 따른 인공지능 기반의 직업 매칭 시스템에서 직업 매칭 신뢰도 계산부의 학습 모델을 설명하기 위한 도면;
도 3은 본 발명의 제1 실시예에 따른 인공지능 기반의 직업 매칭 시스템에서 학습 모델을 학습하기 위한 학습 장치를 설명하기 위한 도면;
도 4는 본 발명의 제1 실시예에 따른 인공지능 기반의 직업 매칭 시스템에서 비정형 이력서 정보를 정형화 시키는 방법을 나타내는 흐름도;
도 5은 본 발명의 제1 실시예에 따른 인공지능 기반의 직업 매칭 시스템에서 비정형 자기소개서 정보 및 비정형 SNS 게시글을 정형화시키는 방법을 나타내는 흐름도;
도 6은 텍스트 전처리 과정 중 WPM 어휘 사전 생성 알고리즘을 설명하는 도면;
도 7은 본 발명의 제2 실시예에 따른 인공지능 기반의 직업 매칭 시스템의 구조를 나타내는 도면;
도 8은 본 발명의 제1 실시예에 따른 인공지능 기반의 직업 매칭 시스템에서 직업 매칭 신뢰도 계산부 및 직업 매칭 합격률 계산부의 학습 모델을 설명하기 위한 도면;
도 9은 본 발명의 제1 및 제2 실시예에 따른 인공지능 기반의 직업 매칭 시스템에서 사용자 단말에 설치되는 애플리케이션의 기능적 구조를 나타내는 도면이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되는 실시예를 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이다.
본 명세서에서 본 실시예는 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 그리고 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 따라서, 몇몇 실시예들에서, 잘 알려진 구성 요소, 잘 알려진 동작 및 잘 알려진 기술들은 본 발명이 모호하게 해석되는 것을 피하기 위하여 구체적으로 설명되지 않는다.
명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다. 그리고, 본 명세서에서 사용된(언급된) 용어들은 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 또한, '포함(또는, 구비)한다'로 언급된 구성 요소 및 동작은 하나 이상의 다른 구성요소 및 동작의 존재 또는 추가를 배제하지 않는다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 정의되어 있지 않은 한 이상적으로 또는 과도하게 해석되지 않는다.
이하 첨부된 도면을 참조하여 본 발명의 실시예에 대해 보다 상세하게 설명하도록 한다.
도 1은 본 발명의 실시예에 따른 인공지능 기반 직업 매칭 시스템의 일례를 나타내는 도면이다. 도 1에 도시된 바와 같이 인공지능 기반 직업 매칭 시스템은 인공지능기반 직업 매칭 서버(10)와 통신가능한 구직자 단말(20)과 공개된 구인정보 데이터베이스(30)를 포함한다.
구직자 단말(20)에는 인공지능기반 직업 매칭 서버(10)와 통신가능한 전용 애플리케이션이 설치되고 사용자는 애플리케이션을 통해 인공지능기반 직업 매칭 서버(10)에서 제공하는 직업 매칭 서비스를 제공받을 수 있다.
구직자 단말(20)과 직업 매칭 서버(10) 사이의 통신, 구인정보 데이터베이스(30)와 직업 매칭 서버(10) 사이의 통신은 통신망을 통해 이루어진다. 통신망이라고 함은 모바일 단말기의 디스플레이부에 직업 매칭 정보를 제공하기 위해 구직자 단말과 구인정보 데이터베이스와 직업 매칭 서버 사이에서 데이터 송수신이 이루어질 수 있도록 하는 모든 데이터 망을 포함한다.
예를 들어, 이와 같은 기능을 수행하는 통신망은 인터넷 프로토콜(IP, Internet Protocol)을 통하여 대용량 데이터의 송수신 서비스 및 끊기는 현상이 없는 데이터 서비스를 제공하는 IP망으로, IP를 기반으로 서로 다른 망을 통합한 IP망 구조인 올 IP(All IP)망 일 수 있다. 또한, 통신망은 유선통신망, 이동통신망, Wibro(Wireless Broadband)망, HSDPA(High Speed Downlink Packet Access)망, 위성통신망 및 와이파이(WI-FI, Wireless Fidelity)망 중 하나일 수 있다.
기본적으로 인공지능 기반의 직업 매칭 서버(10)는 구직자 단말(20)로부터 구직에 필요한 정보, 예를 들면 희망 직종, 업종, 직무, 나이, 과거 경력, 보유 기술, 희망 근무지, 희망 급여, 고용 형태와 같은 개인 구직 정보를 수집하고, 채용 기업의 공개된 구인 정보 데이터베이스(30)로부터는 직종, 업무, 직무, 연령대, 업무 경력, 업무 기술, 근무지, 급여, 고용형태 등의 채용 정보를 수집한다.
인공지능 기반의 직업 매칭 서버(10)는 서버에 수집된 개인 구직 정보와 기업의 채용 정보에 근거하여 직업 매칭 작업을 수행하게 된다. 직업 매칭 서버(10)는 구직자와 채용 기업 사이의 신뢰도(또는 정합률)를 추출하도록 동작하고, 높은 순위의 신뢰도를 갖는 채용 기업으로부터 낮은 순위의 신뢰도를 갖는 채용기업까지 순서대로 사용자에게 제공하게 되고, 사용자는 자신의 구직자 단말기(20)에 제공된 신뢰도(정합률)을 통해 만족도가 높은 기업에 대해 구직 활동을 수행할 수 있다.
구인정보 데이터베이스(30)는 인적자원관리 시스템(HRMS, Human Resource Managament System)에서 제공되는 공개된 구인 정보이거나, 인공지능 기반의 직업 매칭 서버(10)에서 개별적으로 운영하고 있는 구인 정보이거나, 기업 또는 공공기관의 홈페이지를 통해 공개되어 있는 구인 정보일 수도 있다.
도 2는 본 발명에 따른 인공지능 기반 직업 매칭 시스템의 구성을 개략적으로 도시한 도면이다. 도 2에 도시된 바와 같이 본 발명에 따른 직업 매칭 서버(10)는 사용자 개인의 구직 정보와 기업의 채용 정보 사이의 정합률을 계산하기 위한 인공지능 기반의 직업 매칭 신뢰도 계산부(110)와 직업 매칭 신뢰도 계산부(110)에서 계산된 신뢰도에 기반하여 채용 기업의 채용 정보를 목록화하는 맞춤형 채용정보 데이터베이스(120)를 포함한다.
직업 매칭 신뢰도 계산부(110)는 구직자와 채용기업 사이에 정합률을 계산하도록 미리 학습된 인공지능 모듈을 이용하여 사용자 개인의 구직 정보와 기업의 채용 정보 사이의 정합률을 계산한다. 정합률이 높을수록 구직자가 해당하는 기업에 채용되었을 때 자발적 이직이 발생활 확률이 낮아지며 정합률이 낮을수록 구직자의 만족도는 떨어지므로 구직자가 해당하는 기업에 채용되었을 때 자발적 이직이 발생할 확률은 높아진다.
직업 매칭 신뢰도 계산부(110)에서 이용되는 학습된 인공지능모듈은 도 2에 도시된 바와 같이 학습장치(500)에 의해 모델링되고 검증된 인공지능학습모델이 직업매칭 신뢰도 계산부(110)의 인공지능모듈로 이용된다.
학습장치(500)는 공지된 바와 같이 훈련데이터를 이용하여 목표로 하는 출력이 얻어지도록 동작된다. 본 실시예에서 훈련 데이터는 예를 들어 최근 5년내에 구직을 한 사용자 중에 이직하지 않은 사용자(개인 구직 회원)의 구직 정보와, 상기 채용 기업의 채용 정보 데이터가 이용되었고, 개인의 특성을 학습 장치(500)의 학습모델에 반영시키기 위해 사용자(개인 구직 회원)의 이력서 정보, 이름, 나이, 거주지 등을 포함하는 자기소개서 정보와, 사용자(개인 구직 회원)가 인터넷 블로그, 인스타그램, 페이스북과 같은 SNS에 개시한 글이 훈련 데이터로서 더 이용된다.
학습 장치(500)는 신경망(neural network)을 이용하여 상기 모델을 학습할 수 있다. 본 명세서에서, 신경망(neural network)이란 신경 구조를 모방하여 고안된 모든 종류의 기계 학습 모델을 포괄하는 용어이다. 가령, 신경망은 인공 신경망(artificial neural network; ANN), 컨볼루션 신경망(convolutional neural network; CNN) 등과 같이 모든 종류의 신경망 기반 모델을 포함할 수 있다. 신경망은 복수의 태스크에 의해 공유되는 적어도 하나의 공유 레이어(shared layer)를 포함할 수 있고, 기계 학습을 통해 상기 공유 레이어의 가중치(즉, 학습 파라미터)가 업데이트될 수 있다.
신경망 학습장치(500)는 훈련 데이터를 이용하여 기계 학습을 수행할 수 있는 장치로서, 인공 신경망으로 구성된 모델을 이용하여 학습하는 장치를 포함할 수 있다.
즉, 신경망 학습 장치(500)는 데이터 마이닝, 데이터 분석, 지능형 의사 결정 및 기계 학습 알고리즘을 위해 이용될 정보를 수신, 분류, 저장 및 출력하도록 구성될 수 있다. 여기서, 기계 학습 알고리즘은 딥 러닝 알고리즘을 포함할 수 있다.
신경망 학습 장치(500)는 적어도 하나의 외부 장치 또는 단말기와 통신할 수 있고, 외부 장치를 대신하여 혹은 외부장치를 도와 데이터를 분석하거나 학습하여 결과를 도출할 수 있다. 여기서, 다른 장치를 돕는다는 의미는 분산 처리를 통한 연산력의 분배를 의미할 수 있다.
신경망 학습 장치(500)는 인공 신경망을 학습하기 위한 장치로서, 통상적으로 서버를 의미할 수 있고, 신경망 학습 서버 등으로 지칭할 수 있다. 신경망 학습 장치(500)는 주기적으로 혹은 요청에 의하여 직업매칭 신뢰도 계산부(110)로 학습한 모델을 전송할 수 있으며, 전송된 모델을 통해 직업 매칭 서버가 직업 매칭 신뢰도 계산부(110)를 업데이트할 수 있다.
도 3은 본 발명에서 이용되는 인공신경망 훈련을 위한 학습장치(500)의 일 예로서, 신경망 학습 장치(500)는 통신부(Communication Unit, 510), 입력부(Input Unit, 520), 메모리(Memory, 530), 러닝 프로세서(Learning Processor, 540), 및 프로세서(Processor, 560) 등을 포함할 수 있다.
통신부(510)는 무선 통신부(미도시) 및 인터페이스부(미도시)를 포함하는 구성을 의미할 수 있다. 즉, 통신부(510)는 유무선 통신이나 인터페이스를 통하여 서버(10)와 같은 다른 장치와 데이터를 송수신할 수 있다.
입력부(520)는 모델 학습을 위한 훈련 데이터 또는 학습된 모델(a trained model)을 이용하여 출력을 획득하기 위한 입력 데이터 등을 획득할 수 있다. 입력부(520)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 러닝 프로세서(540) 또는 프로세서(560)는 획득한 데이터를 전처리하여 모델 학습에 입력이 가능한 훈련 데이터 또는 전처리된 입력 데이터를 생성할 수 있다.
본 발명에서 훈련 데이터로서 전술한 바와 같이, 최근 5년내에 구직을 한 사용자 중에 이직하지 않은 사용자의 구직 정보와, 상기 채용 기업의 채용 정보 데이터가 이용되었고, 개인의 특성을 학습 장치(500)의 학습모델에 반영시키기 위해 사용자의 이력서 정보, 사용자가 인터넷 블러그, 인스타그램, 페이스북과 같은 SNS에 개시한 글이 훈련 데이터로서 더 이용되었다.
사용자의 개인 구직 정보는 사용자가 직업 매칭 서버(10)에 자신의 단말기(10)에 설치된 애플리케이션을 통해 접속하여 직접 입력하는 정보로서, 직종, 업종, 직무, 나이, 과거 경력, 보유 기술, 희망 업무, 희망 근무지, 희망 급여, 고용 형태의 정보가 이에 해당한다. 이들 정보는 직업 매칭 서버에서 미리 정해진 양식 내에서 사용자에 의해 입력되는 정보로서, 미리정해진 형식의 정형 데이터로 분류될 수 있으며 훈련 데이터로서 이용함에 있어 별다른 가공 없이 사용이 가능하다.
그러나 사용자의 이력 정보, 자기소개서 정보 및/또는 SNS 개시글의 경우, 미리 정해진 형식을 가지지 않기 때문에 비정형 데이터로서 분류되고, 이를 훈련 데이터로서 이용하기 위해서는 정형화된 데이터로서 변형할 필요가 있다. 따라서 도 3의 입력부(520)를 통해 훈련 데이터가 입력되기 전에, 상기 사용자(구직자)의 이력 정보 및/또는 SNS 개시글은 전처리를 통해 정형화될 필요성이 있다.
도 4는 사용자의 이력서 정보를 정형화된 이력 정보로 전환하는 과정을 나타내는 흐름도이다. 도 4에서 먼저 단계 S111의 이력 정보에 대한 형태 분석을 수행하여 이력 정보 중의 키워드가 추출될 수 있다. 이후, 단계 S113에서는 추출된 키워드에 대한 전처리가 수행될 수 있다. 단계 S113에서의 전처리는, 키워드 중에서 의미를 가지지 않는 불용어를 제거하고 키워드 중의 어간을 분석하는 것을 의미한다. 어간이 분석된 키워드는 단어의 원형이 될 수 있다. 단계 S115에서는 전처리가 수행된 키워드에 대한 엔트리 이름 인식(Named-Entity Recognition)이 수행될 수 있다. 이때, 이력서의 주요 단어, 즉 전처리가 수행된 키워드에 대해, 엔트리 이름 사전을 이용하여 엔트리 이름 인식이 수행될 수 있다. 단계 S117에서는, 단계 S115에서 엔트리 이름 인식이 수행될 때 키워드의 속성에 따라 상기 엔트리 이름 인식 사전으로부터 키워드를 분류하는 모델이 학습될 수 있다. 단계 S118에서는, 엔트리 이름 인식 모델에서 탐지되지 못한 엔트리가 발견될 경우 지도 학습을 통해 엔트리 이름을 학습시키거나 엔트리 이름 사전에 등록하여 분류할 수 있다. 이에 따라, 최초 엔트리 이름 인식 모델에서 탐지되지 못한 용어가 후에 탐지될 수도 있다. 단계 S119에서는, 엔트리 이름 인식을 통해 분류된 키워드의 분류에 따라, 상기 키워드가 정형화된 이력서의 필드에 입력될 수 있다.
또한 사용자의 자기소개서 정보 및 SNS 개시글의 경우, 이를 정형화된 데이터로 변경하기 위해 본 발명의 실시예에서는 한국어 명사 추출 토크나이저(tokenizer) 기반의 워드 클라우드 시스템(word cloud system)을 이용한다.
도 5에 도시된 바와 같이, 학습 장치(500)의 입력부(520)에 입력되기전 사용자의 자기소개서 또는 SNS 개시글을 전처리 하기 위한 워드 클라우드 시스템에서의 동작 흐름(S210)은 사용자의 입력된 자기소개서 정보 및 SNS 개시글로부터 텍스트를 입력받는 동작(S211); 사용자 단말을 통해 입력된 텍스트에 대해 텍스트 전처리를 수행하는 동작(S213); 텍스트 전처리된 문서에 대해 사용자가 노이즈로서 지정한 엔트리를 필터링하여(S215) 텍스트 내 엔트리의 빈도수를 계산하는 동작(S217); 및 출현된 엔트별 빈도수에 기반하여 엔트리별 가중값을 계산하는 동작(S219)을 포함한다.
사용자의 자기소개서 또는 SNS 개시글을 전처리 하기 위한 워드 클라우드 시스템에서의 동작 흐름(S210) 중, 텍스트 수신 단계(S211)는 사용자의 단말(20)로부터 웹페이지를 통해 입력되는 텍스트를 수신하거나, 사용자 업로드에 의한 텍스트 문서를 수신하거나, 사용자 입력 URL을 수신하거나, 사용자에 의해 제외될 불용어를 수신하는 것을 포함한다.
다음으로, 텍스트 전처리 단계(S213)에서, 워드 클라우드 시스템은 사용자에 의해 입력된 텍스트를 수신한 후 입력된 텍스트에 대한 전처리를 수행한다. 텍스트의 경우 사람이 인지할 수 있는 국문, 영문, 숫자 등 자연 형태의 언어로 구성되어 있다. 기계 학습에 기반한 워드클라우드 서비스를 제공하기 위하여 컴퓨터가 이해할 수 있는 형태로 표현해야 하는데, 이에 따른 제반 기술을 자연어 처리(Natural Language Processing, NLP)라 한다.
자연어는 컴퓨터 프로그램 언어와 같은 인공 언어와 구별된다. 인공 언어는 인간이 규칙을 정해 컴퓨터가 이해할 수 있도록 만들어진 언어이기 때문에, 누구나 그 규칙을 배우면 이해할 수 있게 되지만 자연어는 인간이 규칙을 정하긴 했지만, 오랜 시간이 흐르면서 관습적 규칙, 비형식적 규칙 등 다양한 변화가 가미됨으로 인해 규칙만으로 이해될 수 없는 특성이 있다. 자연어 처리 과정은 형태소 분석, 통사 분석, 의미 분석, 화용 분석의 4개단계로 구분할 수 있으며, 각 단계는 특정이론을 통해 명확한 이론이 확립된 단계가 아니라 지속해서 이론이 제시되고 검증되면서 발전하는 단계에 있다.
- 문자열의 처리
Figure PCTKR2022018071-appb-img-000001
- 자동 띄어쓰기 처리
텍스트 분석에서 가장 기초적인 작업은 텍스트로부터 단어를 식별하고 추출하는 토큰화(Tokenization)라고 할 수 있다. 한국어는 '어절(語節)'로 토큰의 단위 기준으로 보고, 중국어나 일본어와 같이 어절 경계 표지가 없는 언어와는 달리, 어절과 어절 사이에 공백을 두어 띄어쓰기를 하도록 규정하였다. 한국어에 있어서 잘못된 띄어쓰기는 중의성(ambiguity)을 유발시키거나 텍스트분석에서 잡음(noise)을 일으켜 오히려 토큰화를 방해하며, 가독성을 떨어뜨린다. 이와 같이 한국어에서 띄어쓰기는 텍스트에 대한 사용자 가독성만큼이나 기계 가독성에도 영향을 주는 중요한 요소이다. 문장 내의 띄어쓰기 오류는 많은 문법적, 의미적 모호성을 일으키며, 때로는 형태소 분석을 불가능하게 만들기도 한다.
본 발명에서는 사용자가 띄어쓰기를 고려하지 않고 텍스트를 입력하는 경우도 있는 것으로 가정하고, 자동 띄어쓰기를 적용하여 전처리를 수행한다.
- WPM(Word Piece Model) 처리
WPM은 음절 검색 시스템 구축을 위한 방법으로 언어에 대한 사전 지식 없이 혼잡도(perplexity)를 최소로 하여 어휘를 자동 생성하는 방법이다. 기존의 자연어 처리에서는 형태소 분석, 통사 분석, 의미 분석, 화용 분석 등 4가지로 진행되나, WPM은 국제 발음기호(the International Phonetic Alphabet, PA)기반의 발음 세트(Set)로 유닛을 코드화 시킨 후, 통계적 기법을 활용하여 사용 빈도수에 따라 조합을 하여 새로운 유닛을 생성한다.
WPM의 장점은 언어에 독립적이며, 통계적인 방식을 사용하므로 특정 도메인 또는 아직 의미가 파악되지 않는 언어에도 적용할 수 있다. 본 발명에서는 자동 띄어쓰기를 적용한 문서에 도 6에서와 같이 WPM 어휘 사전 생성 알고리즘을 적용하여 명사와 조사를 분리키시고 조사를 제거하여 명사만을 추출하게 된다.
명사와 명사가 연속적으로 출현된 경우에는 합성 명사로서 사용가능한지 여부를 데이터베이스에 저장된 데이터세으로부터 검색하고 매칭되는 결과가 발견될 때는 합성명사로서 간주하도록 처리된다.
단계 S213에서 텍스트에 대한 전처리가 수행되고 난 후, 워드클라우드 시스템은 전처리된 텍스트에 대해 노이즈 필터링을 수행하게 된다(단계 S215). 여기서 노이즈 필터링이라 함은 미리 정의되어 있는 불용어들에 대해 제외하는 처리를 의미한다.
이어진 단계 S217에서, 워드 클라우드 시스템은 텍스트에 포함된 각각의 엔트리, 즉 명사에 대한 빈도수를 계산하고, 이어진 단계 S219에서는 엔트리별 가중값을 계산하여 구직자 개인의 관심 분야 및 관심도가 분류된다.
이처럼, 입력되는 데이터의 정형화가 완료되면, 도 3에 도시된 바와 같이, 정형화된 데이터는 입력부(520)를 통해 프로세서(560)로 입력된다.
메모리(530)는 러닝 프로세서(540) 또는 신경망 학습 장치(500)에서 학습된 모델을 저장할 수 있다. 이때, 메모리(530)는 필요에 따라 학습된 모델을 학습 시점 또는 학습 진척도 등에 따라 복수의 버전으로 구분하여 저장할 수 있다. 이때, 메모리(530)는 입력부(520)에서 획득한 입력 데이터, 모델 학습을 위하여 이용되는 학습 데이터(또는 훈련 데이터), 모델의 학습 히스토리 등을 저장할 수 있다. 이때, 메모리(530)에 저장된 입력 데이터는 모델 학습에 적합하게 가공된 데이터뿐만 아니라, 가공되지 않은 입력 데이터 그 자체일 수 있다.
메모리(530)는 모델 저장부(531) 및 데이터베이스(532) 등을 포함할 수 있다. 모델 저장부(531)에는 러닝 프로세서(540)을 통하여 학습 중인 또는 학습된 신경망 모델(또는 인공 신경망)을 저장하며, 학습을 통하여 모델이 업데이트되면 업데이트 된 모델을 저장한다. 이때, 모델 저장부(531)는 필요에 따라 학습된 모델을 학습 시점 또는 학습 진척도 등에 따라 복수의 버전으로 구분하여 저장할 수 있다.
데이터베이스(532)는 입력부(520)에서 획득한 입력 데이터, 모델 학습을 위하여 이용되는 학습 데이터(또는 훈련 데이터), 모델의 학습 히스토리 등을 저장할 수 있다. 데이터베이스(532)에 저장된 입력 데이터는 모델 학습에 적합하게 가공된 데이터뿐만 아니라, 가공되지 않은 입력 데이터 그 자체일 수 있다.
러닝 프로세서(540)는 훈련 데이터 또는 트레이닝 셋(training set)을 이용하여 신경망 모델(인공 신경망)을 훈련(training, 또는 학습)시킬 수 있다. 러닝 프로세서(540)는 프로세서(560)가 입력부(520)를 통해 획득한 입력 데이터를 전처리한 데이터를 바로 획득하여 인공 신경망을 학습하거나, 데이터베이스(532)에 저장된 전처리된 입력 데이터를 획득하여 신경망 모델(인공 신경망)을 학습할 수 있다.
구체적으로, 러닝 프로세서(540)는 앞서 설명한 다양한 학습 기법을 이용하여 신경망 모델(인공 신경망)을 반복적으로 학습시킴으로써, 신경망 모델(인공 신경망)의 최적화된 모델 파라미터들을 결정할 수 있다. 본 명세서에서는 훈련 데이터를 이용하여 학습됨으로써 파라미터가 결정된 신경망 모델(인공 신경망)을 학습 모델 또는 학습된 모델(a trained model)이라 칭할 수 있다.
이때, 학습 모델은 통신부(510)를 통해 직업 매칭 서버(10) 전송되어 탑재될 수도 있다. 또한, 학습 모델이 업데이트되는 경우, 업데이트된 학습 모델은 통신부(510)를 통해 직업 매칭 서버(10)에 전송되어 탑재될 수 있다.
러닝 프로세서(540)는 신경망 학습 장치(500)에 통합되거나 구현된 메모리를 포함할 수 있다. 일부 실시 예에서, 러닝 프로세서(540)는 메모리(530)를 사용하여 구현될 수 있다. 선택적으로 또는 부가적으로, 러닝 프로세서(540)는 단말기에 직접 결합된 외부 메모리 또는 단말기와 통신하는 서버에서 유지되는 메모리와 같이 단말기와 관련된 메모리를 사용하여 구현될 수 있다.
이와 같이 학습된 학습 모델을 통해 직업 매칭 신뢰도 계산부(110)는 실제 구직자의 구직 정보, 구직자의 이력서 정보, 자기소개서 정보, SNS 개시글을 학습된 모델의 입력으로 하여, 구직자와 채용 기업 사이의 정합률을 산출할 수 있다.
맞춤형 채용정보 데이터베이스(120)는 직업 매칭 신뢰도 계산부에서 계산된 구직자와 채용 기업 사이의 정합률에 기반하여 사용자에게 제공될 채용 정보 리스트를 저장한다.
채용 정보 리스트는 구직자와 채용 기업 사이의 정합률이 높은 순서로부터 낮은 순서로 정렬되어 저장되고, 사용자로부터의 요청시 저장된 채용 정보 리스트가 사용자의 단말(20)에 전송된다.
도 7은 본 발명의 제 2 실시예에 따른 인공지능 기반 직업 매칭 시스템을 일례를 나타낸 도면이다. 도 1에 도시된 제 1 실시예와 비교하여 본 발명의 제2 실시예에 따른 인공지능 기반 직업 매칭 시스템은 직업 매칭 합격률 계산부(130)를 더 포함한다.
직업 매칭 합격률 계산부(130)는 사용자가 구직자 단말(20)을 통해 입력한 구직 정보 및 이력서 정보와, 공개 구인정보 데이터로부터 수신된 채용 정보에 기반하여, 사용자가 해당 기업에 지원할 경우의 합격률을 계산하도록 기능한다.
합격률의 계산은 직업 매칭 신뢰도 계산부(110)와 동일하게 인공지능 기반의 학습모델을 이용하여 산출되고, 이전 설명한 바와 같은 학습 장치(제1 학습 장치)와는 별개의 도 8의 제2 학습 장치(600)가 더 이용될 수 있다.
도 8은 제2 학습 장치(600)를 이용한 직업 매칭 합격률 계산부(130)에 이용되는 학습모델을 설명하기 위한 설명도이다. 도 8에 도시된 바와 같이 직업 매칭 합격률 계산부(130)는 구직자가 특정 기업에 구직 지원을 한 경우 합격할 수 있는 합격률을 계산하도록 동작된다.
이와 같은 학습모델을 설계하기 위해 제2 학습장치(600)는 훈련 데이터로서 구직정보 데이터와 전처리된 이력 정보 및 채용 정보 데이터를 이용한다. 제2 학습 장치(600)의 경우 단순히 합격률을 계산하기 위한 구성으로 개인의 특성은 반영되지 않는다.
학습에 이용되는 데이터는 예를 들어, 최근 5년 사이에 구직활동을 수행하고 실제 합격한 구직자의 구직 정보, 이력서 정보 및 해당 기업의 채용 정보가 이용되었으며, 이와 같이 학습된 제2 학습 장치(600)는 제1 학습 장치와는 상이하게 구직자-기업 사이의 합격률을 계산하도록 모델링되었다.
이와 같이 구성된 시스템에서 구직자가 구직 정보, 이력서 정보, 개인 소개서 정보, SNS 개시글(또는 개시글 링크, SNS 계정 정보)를 단말기(20)에 입력하고 나면, 직업매칭 신뢰도 계산부(110)는 구직자와 기업 사이의 정합률을 계산하고, 직업매칭 합격률 계산부(130)는 구직자가 해당 기업에 합격할 수 있는 합격률을 계산하게 되고, 계산된 정합률과 합격률 정보가 맞춤형 채용 정보 데이터베이스(120)에 저장된다.
사용자로부터 채용 정보 호출이 입력되면, 맞춤형 채용 정보데이터베이스(120)는 먼저 직업 매칭 신뢰도 계산부(110)에서 계산된 정합률에 기반하여 사용자에게 적합하다고 판단된 채용 정보 리스트를 정합률 순서로 표시하는 동시에, 직업 매칭 합격률 계산부(130)에서 계산된 합격률을 사용자의 화면에 동시에 제공할 수 있게 된다.
도 9는 본 발명에 따른 인공지능 기반 직업 매칭 시스템에 이용되는 사용자 단말(20)에 설치된 애플리케이션의 기능별 구조를 나타내는 도면이다. 도 9에 도시된 바와 같이 애플리케이션은 구직정보입력부(21), 이력서 등록부(22), 자기소개서 등록부(23), SNS 등록부(24) 및 채용정보 요청부(25)를 포함한다.
사용자는 먼저 인공지능 기반 직업 매칭 서버(10)에 회원 등록을 수행한 후 정상적으로 애플리케이션을 사용할 수 있게 된다. 회원 등록이 완료된 후 사용자는 애플리이션의 화면 인터페이스를 통해 구직에 필요한 정보를 입력하게 된다.
구직 정보 입력부(21)는 미리정해진 양식 패턴으로 직종, 업종, 나이, 과거경력, 보유기술, 희망업무, 희망근무지, 희망 급여 및 고용 형태에 대한 정보를 사용자로부터 입력받는다. 입력된 구직 정보는 직업 매칭 서버(10)의 맞춤형 채용정보 데이터베이스(120)에 저장된다.
이력서 등록부(22)는 작성한 이력서를 사용자 본인의 단말(20)로부터 사용자가 찾아 등록하거나, 인터넷 등의 저장소에 저장된 이력서를 다운로드 받아 등록하도록 구성되거나, 이력서를 서버(10)에서 제공하는 양식에 맞추어 작성하도록 구성되어 있다. 사용자가 이력서를 등록하는 경우, 등록된 이력서는 직업 매칭 서버(10)의 맞춤형 채용정보 데이터베이스(120)에 저장되는데, 저장되는 이력서는 직업 매칭 서버(10)에 의해 정형화된 이력서로 변환되고 저장된다.
자기소개서 등록부(23)는 이력서 등록부(22)와 동일하게 사용자가 작성한 자기소개서를 본인의 단말(20)로부터 사용자가 찾아 등록하거나, 인터넷 등의 저장소에 저장된 자기소개서를 다운로드 받아 등록하도록 구성되거나, 자기소개서를 서버(10)에서 제공하는 양식에 맞추어 작성하도록 구성되어 있다. 사용자가 자기소개서를 등록하는 경우, 등록된 자기소개서는 직업 매칭 서버(10)의 맞춤형 채용정보 데이터베이스(120)에 저장되는데, 저장되는 자기소개서는 워드 클라우드 기법을 통해 엔트리별로 분류되고 엔트리별로 가중값이 부가되어 저장된다.
SNS 등록부(24)는 사용자 본인에게 귀속된 SNS 계정, 예를 들면, 블로그, 페이스북, 인스타그램과 같은 계정 정보를 입력하도록 구성된다. 사용자가 SNS 계정을 입력하면, 직업 매칭 서버(10)의 맞춤형 채용정보 데이터베이스(120)에 저장되는데, 사용자의 SNS 계정에 포함된 게시글은 정형화 과정을 거쳐 워드 클라우드 기법을 통해 엔트리별로 분류되고 엔트리별로 가중값이 부가되어 저장된다.
채용정보 요청부(25)는 구직자인 사용자가 본인의 입력한 구직 정보, 이력서 정보, 자기소개서정보, SNS 게시글 정보에 기반하여 직업 매칭 서버(10)로 본인에게 적합한 채용정보를 전송해줄 것을 요청하도록 제공된다.
채용정보 요청부(25)는 애플리케이션의 화면 인터페이스에 제공된 버튼의 형태로 사용자에게 보여질 수도 있고, 애플리케이션이 사용자 단말에서 실행되는 상태에서 사용자가 단말을 흔드는 것으로 채용정보 요청부(25)에서 직업 매칭 서버(10)로 채용정보를 요청하도록 구성될 수도 있다.
사용자가 단말을 흔드는 행동에 의해 직업 매칭 서버(10)에 채용정보를 요청하는 경우, 사용자 단말(20)의 애플리케이션은 단말기의 움직임을 검출하기 위해 단말기에 제공된 3축 자이로센서 또는 가속 및 각속도 센서로부터 데이터를 수신하도록 더 구성될 수도 있으며, 이 경우 가속 및 각속도 센서로부터 검출된 값이 미리 정해진 범위 이내에서 변화될 때 직업 매칭 서버(10)에 채용정보를 요청하도록 구성될 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(Arithmetic Logic Unit), 디지털 신호 프로세서(Digital Signal Processor), 마이크로컴퓨터, FPGA(Field Programmable Gate Array), PLU(Programmable Logic Unit), 마이크로프로세서, 또는 명령(Command)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 프로세서는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 프로세서는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 프로세서는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 프로세서가 복수 개의 처리요소(Processing Element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 프로세서는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(Parallel Processor)와 같은, 다른 처리 구성(Processing Configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(Computer Program), 코드(Code), 명령(Command), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(Collectively)처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 프로세서에 의하여 해석되거나 프에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(Component), 물리적 장치, 가상 장치(Virtual Equipment), 컴퓨터 저장매체 또는 장치에 구체화(Embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(Magnetic Media), CD-ROM, DVD와 같은 광기록 매체(Optical Media), 플롭티컬 디스크(Floptical Disk)와 같은 자기-광 매체(Magneto-Optical Media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속하는 것으로 해석되어야만 한다.
[부호의 설명]
10: 인공지능기반 직업 매칭 서버
20: 구직자 또는 사용자 단말
30: 구인정보 데이터베이스
110: 직업매칭 신뢰도 계산부
120: 맞춤형 채용정보 데이터베이스
500: 제1 학습 장치
510: 통신부
520: 입력부
530: 메모리
540: 러닝프로세서

Claims (7)

  1. 인공지능 기반 직업 매칭 시스템에 있어서,
    인공지능 기반의 직업 매칭 동작을 수행하는 직업 매칭 서버;
    상기 직업 매칭 서버와 통신가능한 애플리케이션이 설치된 사용자 단말기; 및
    상기 직업 매칭 서버와 네트워크를 통해 연결된 구인정보 데이터베이스를 포함하고,
    상기 직업 매칭 서버는;
    사용자 단말기에 설치된 애플리케이션을 통해 사용자의 구직 정보를 취득하는 동작;
    구인정보 데이터베이스로부터 기업의 채용정보를 취득하는 동작; 및
    상기 사용자의 구직 정보와 기업의 채용정보에 기반하여 채용 기업에 대한 사용자의 정합율을 구하는 동작을 수행하도록 구성된 것을 특징으로 하는
    인공지능 기반 직업 매칭 시스템.
  2. 제1항에 있어서,
    채용 기업에 대한 사용자의 정합율을 구하는 동작은 직업 매칭 신뢰도를 산출하도록 기계 학습된 신뢰도 학습 모델에 의해 수행되는 것을 특징으로 하는
    인공지능 기반 직업 매칭 시스템.
  3. 제2항에 있어서,
    상기 학습 모델의 학습 데이터는 5년 내에 구직에 성공한 사용자 중 현재까지 이직하지 않은 사용자의 구직 정보와, 상기 채용 기업의 채용 정보 데이터가 이용되는 것을 특징으로 하는
    인공지능 기반 직업 매칭 시스템.
  4. 제3항에 있어서,
    상기 학습 모델의 학습 데이터는 사용자의 구직 정보, 채용 기업의 채용 정보 이외에 사용자의 이력서 정보, 사용자의 자기소개서 정보, 사용자의 SNS 정보가 더 이용되는 것을 특징으로 하는
    인공지능 기반 직업 매칭 시스템.
  5. 제4항에 있어서,
    사용자의 이력서 정보, 사용자의 자기소개서 정보, 사용자의 SNS 정보에 대해 학습 모델로 입력하기전 전처리 동작을 더 수행하고,
    상기 전처리 과정은 비정형 데이터를 정형 데이터로 변환하는 동작을 더 포함하는
    인공지능 기반 직업 매칭 시스템.
  6. 제1항에 있어서,
    상기 애플리케이션은
    사용자 개인의 정보를 입력하는 구직 정보 입력부,
    사용자 개인의 이력서 정보를 입력하는 이력서 등록부,
    사용자 개인의 자기소개서 정보를 등록하는 자기소개서 등록부, 및
    사용자 개인의 SNS 계정을 등록하는 SNS 등록부; 및
    상기 구직 정보, 이력서 정보, 자기소개서 정보, SNS 계정 정보를 직업 매칭 서버로 전송하는 동시에 직업 매칭에 기반한 채용 정보를 요청하도록 구성된 채용 정보 요청부를 포함하고,
    채용 정보 요청은 애플리케이션의 인터페이스 화면에 제공된 버튼을 눌러 실행되거나, 애플리케이션이 사용자 단말기에 로딩된 상태에서 사용자 단말기의 흔들림이 미리 정해진 움직임 패턴으로 입력될 때 실행되도록 구성된 것을 특징으로 하는
    인공지능 기반 직업 매칭 시스템.
  7. 제1항 내지 제6항 중 어느 한 항에 따르는 인공지능 기반 직업 매칭 시스템의 작동 방법으로서,
    인공지능 기반 직업 매칭 시스템은,
    사용자가 자신의 단말기(20)에 설치된 애플리케이션을 통해 직업 매칭 서버(10)에 접속하여 사용자 자신의 이력서 정보 또는 자기 소개서를 입력하고, 사용자(개인 구직 회원)가 SNS에 개시한 글을 직업 매칭 서버(10)가 수집하는 단계;
    인적자원관리 시스템(HRMS, Human Resource Managament System)에서 제공되는 공개된 구인 정보이거나, 직업 매칭 서버(10)에서 개별적으로 운영하고 있는 구인 정보이거나, 기업 또는 공공기관의 홈페이지를 통해 공개되어 있는 채용 정보를 직업 매칭 서버(10)가 수집하는 단계;
    사용자의 이력서 정보를 전처리하여 정형화하는 단계(S110);
    사용자의 자기소개서 및 SNS 개시글을 전처리하여 정형화하는 단계(S210);
    정형화된 사용자의 이력서 정보, 자기 소개서 및 SNS 개시글를 포함하는 구직정보 데이터와, 전처리된 구직정보 데이터 및 채용 정보 데이터를 사용하여 학습 모델을 생성하는 단계;
    직업매칭 신뢰도 계산부(110)에서 구직자와 채용 기업 사이의 정합률을 계산하고, 구직자가 해당 채용 기업에 합격할 수 있는 합격률을 직업매칭 합격률 계산부(130)에서계산하여, 계산된 정합률과 합격률 정보를 맞춤형 채용 정보 데이터베이스(120)에 저장하는 단계; 및
    사용자로부터의 채용 정보 호출이 입력되면, 맞춤형 채용 정보데이터베이스(120)는 상기 정합률에 기반하여 사용자에게 적합하다고 판단된 채용 정보 리스트를 정합률 순서로 사용자의 단말기에 제공하여 표시하는 동시에, 직업 매칭 합격률 계산부(130)에서 계산된 합격률을 사용자의 화면에 제공하는 단계를 포함하는
    인공지능 기반 직업 매칭 시스템의 작동 방법.
PCT/KR2022/018071 2021-11-29 2022-11-16 인공지능 기반 직업 매칭 시스템 WO2023096254A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020210166726A KR102368188B1 (ko) 2021-11-29 2021-11-29 인공지능 기반 직업 매칭 시스템
KR10-2021-0166726 2021-11-29

Publications (1)

Publication Number Publication Date
WO2023096254A1 true WO2023096254A1 (ko) 2023-06-01

Family

ID=80815192

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/018071 WO2023096254A1 (ko) 2021-11-29 2022-11-16 인공지능 기반 직업 매칭 시스템

Country Status (2)

Country Link
KR (1) KR102368188B1 (ko)
WO (1) WO2023096254A1 (ko)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102368188B1 (ko) * 2021-11-29 2022-03-02 (주)올워크 인공지능 기반 직업 매칭 시스템
US20230394414A1 (en) * 2022-06-06 2023-12-07 Fence Post, LLC Mobile application for providing centralized storage of education and employment data
KR102615206B1 (ko) * 2022-11-28 2023-12-19 조선형 럭셔리 시계주얼리 산업의 직무별 구직자 직무 역량 체득 기술서를 포함한 학습활동 기록 기반 직무역량 정보 제공 시스템
KR102658640B1 (ko) * 2023-08-16 2024-04-19 주식회사 혁성 빅데이터 기반 인원별 적정 파견 장소 선별시스템
CN117455430B (zh) * 2023-08-31 2024-05-17 北京五八信息技术有限公司 基于ai的简历信息处理方法、装置、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180124559A (ko) * 2017-05-12 2018-11-21 정규영 인공지능에 기반한 지원자 맞춤형 정보 처리 및 제공 시스템
JP6480077B1 (ja) * 2018-12-25 2019-03-06 株式会社ビデオマッチング 人材マッチング装置、人材マッチング方法及び人材マッチングプログラム
KR20190115507A (ko) * 2018-03-15 2019-10-14 주식회사 피앤아이컨설팅 빅데이터 기술 기반의 인재 채용 시스템 및 방법
KR20200071879A (ko) * 2018-12-06 2020-06-22 엄신조 딥러닝 기반 직업별 직무역량 표준화 및 인공지능을 이용한 취업 준비 가이드 제공 방법 및 서버
KR20200141919A (ko) * 2019-06-11 2020-12-21 주식회사 에이아이앤잡 구직자-구인자 매칭의 합격 여부 판단을 위한 기계 학습 방법 및 이를 이용한 추천 장치
KR102368188B1 (ko) * 2021-11-29 2022-03-02 (주)올워크 인공지능 기반 직업 매칭 시스템

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101961144B1 (ko) * 2017-10-12 2019-03-22 주식회사 디지털존 국가직무능력표준 기반 직무적합 매칭 시스템 및 그 방법
KR20200094917A (ko) 2019-01-31 2020-08-10 한국기술교육대학교 산학협력단 취업 정보 제공 시스템 및 제공 방법
KR102009132B1 (ko) 2019-03-15 2019-08-19 주식회사 위즈덤그룹 빅데이터 온라인 공유플랫폼 및 이를 이용한 일자리 매칭시스템

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180124559A (ko) * 2017-05-12 2018-11-21 정규영 인공지능에 기반한 지원자 맞춤형 정보 처리 및 제공 시스템
KR20190115507A (ko) * 2018-03-15 2019-10-14 주식회사 피앤아이컨설팅 빅데이터 기술 기반의 인재 채용 시스템 및 방법
KR20200071879A (ko) * 2018-12-06 2020-06-22 엄신조 딥러닝 기반 직업별 직무역량 표준화 및 인공지능을 이용한 취업 준비 가이드 제공 방법 및 서버
JP6480077B1 (ja) * 2018-12-25 2019-03-06 株式会社ビデオマッチング 人材マッチング装置、人材マッチング方法及び人材マッチングプログラム
KR20200141919A (ko) * 2019-06-11 2020-12-21 주식회사 에이아이앤잡 구직자-구인자 매칭의 합격 여부 판단을 위한 기계 학습 방법 및 이를 이용한 추천 장치
KR102368188B1 (ko) * 2021-11-29 2022-03-02 (주)올워크 인공지능 기반 직업 매칭 시스템

Also Published As

Publication number Publication date
KR102368188B9 (ko) 2022-06-10
KR102368188B1 (ko) 2022-03-02

Similar Documents

Publication Publication Date Title
WO2023096254A1 (ko) 인공지능 기반 직업 매칭 시스템
CN108255805B (zh) 舆情分析方法及装置、存储介质、电子设备
KR102032091B1 (ko) 인공지능 기반의 댓글 감성 분석 방법 및 그 시스템
CN106095928B (zh) 一种事件类型识别方法及装置
CN109726745B (zh) 一种融入描述知识的基于目标的情感分类方法
CN110162632B (zh) 一种新闻专题事件发现的方法
CN113095080B (zh) 基于主题的语义识别方法、装置、电子设备和存储介质
WO2018131955A1 (ko) 디지털 컨텐츠를 분석하는 방법
CN113141360B (zh) 网络恶意攻击的检测方法和装置
Golshan et al. A study of recent contributions on information extraction
CN110866119A (zh) 一种文章质量的确定方法、装置、电子设备及存储介质
WO2021107449A1 (ko) 음역 전환 신조어를 이용한 지식 그래프 기반 마케팅 정보 분석 서비스 제공 방법 및 그 장치
WO2023106855A1 (ko) 작문 평가를 지원하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체
CN112528022A (zh) 主题类别对应的特征词提取和文本主题类别识别方法
WO2018212584A2 (ko) 딥 뉴럴 네트워크를 이용하여 문장이 속하는 클래스를 분류하는 방법 및 장치
Yin et al. Sentiment lexical-augmented convolutional neural networks for sentiment analysis
WO2019039659A1 (ko) 감성 기반의 사용자 관리 방법 및 이를 수행하는 장치들
WO2020111827A1 (ko) 프로필 자동생성서버 및 방법
WO2021107445A1 (ko) 지식 그래프 및 국가별 음역 전환 기반 신조어 정보 서비스 제공 방법 및 그 장치
WO2021107448A1 (ko) 효율적 문서 분류 처리를 지원하는 지식 그래프 기반 마케팅 정보 분석 서비스 제공 방법 및 그 장치
WO2021107447A1 (ko) 마케팅 지식 그래프를 위한 문서 분류 처리 방법 및 그 장치
US11599569B2 (en) Information processing device, information processing system, and computer program product for converting a causal relationship into a generalized expression
WO2024090712A1 (ko) 공감대 형성을 통한 심리 치료용 인공지능 대화 시스템
Zhou et al. Text sentiment analysis based on a new hybrid network model
US11475222B2 (en) Automatically extending a domain taxonomy to the level of granularity present in glossaries in documents

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: 22898936

Country of ref document: EP

Kind code of ref document: A1