一种基于人工智能大数据的人才简历匹配方法及系统与流程

一种基于人工智能大数据的人才简历匹配方法及系统
1.技术领域
2.本发明涉及简历匹配技术领域，具体为一种基于人工智能大数据的人才简历匹配方法及系统。


背景技术：

3.互联网技术的快速发展以及普及应用，使得现有的企业人员招聘录用过程逐渐通过线上完成，通过网上信息的传递，能够高效的实现招聘人员及应聘人员的双向选择过程。
4.现有的简历匹配方法主要通过信息逐一筛选的方法实现，通过对招聘需求以及招聘人员简历信息的比对过程，能够筛选出符合应聘人员需求且应聘人员满足招聘人员要求的匹配方案，进而为应聘方和招聘方的选择过程提高了成功率。
5.然而，现有的筛选过程主要是基于基础数据进行分析判断的，例如学历要求、工作经验要求、所述行业领域等，此种筛选过程虽然能够帮助招聘方缩小了选择范围，但对于较为专业性的信息，依然需要招聘人员进行逐一查看判断，显然，现有的筛选方式在对招聘人员与招聘需求专业性匹配方面，依然存在着不足，导致筛选的效率较低。


技术实现要素：

6.本发明的目的在于提供一种基于人工智能大数据的人才简历匹配方法及系统，解决以下技术问题：如何实现对招聘人员与招聘需求专业性匹配的高效筛选过程。
7.本发明的目的可以通过以下技术方案实现：一种基于人工智能大数据的人才简历匹配方法，所述方法包括：s100、获取简历信息及招聘需求信息，通过预设智能模型分别采集简历信息中的第一数据集和招聘需求信息书中的第二数据集；s200、分别根据第一数据集及第二数据集进行大数据采集，获取第一关联数据集和第二关联数据集；s300、分别将第一关联数据集及第二关联数据集输入至训练模型中，获取第一标签树和第二标签树；根据第一标签树与第二标签树的比对来对简历信息与招聘需求信息的匹配度进行评价。
8.进一步地，简历信息与招聘需求信息匹配度的计算过程包括：将第一标签树和第二标签树进行标签内容重合性比对，获取重合标签信息；通过公式计算获得匹配度；
其中，n为第一标签树及第二标签树的阶梯层数，i∈[1，n]；为第i层阶梯第一标签树和第i层第二标签树标签重合数；为第i层阶梯第一标签树及第二标签树的预设标签树；为第n层阶梯重合标签同属第n－1层标签数量从大到小序列；m为序列的项数，j∈[1，m]；为第j项标签数量；f为预设权重函数，且f单调递增；、为预设固定调整系数。
[0009]
进一步地，对简历信息与招聘需求信息的匹配度进行评价过程包括：采集历史招聘需求匹配成功数据，根据职位类型建立每种职位类型的分值区间与数量的对应分段函数h（k)；通过等式获取min{v}；其中，k∈[1，y]；y为总区间数；v为变化值，且v≤y；为对应职位类型招聘需求匹配成功总数，为预设固定系数，且＜1；将获取的匹配度与对应职位类型第v个分值区间进行比对：若，则判断匹配度较高；若，则判断匹配度合格；若，则判断匹配度较低。
[0010]
进一步地，所述训练模型的建立过程包括：步骤一、对训练文本数据进行人工标注；步骤二、对训练文本数据进行有监督的训练，进行前向推理获得多个模型的输出结果，通过人工标注结果对模型输出结果进行打标，用标注数据来训练reward反馈模型；步骤三、建立policy策略网络，通过policy策略网络生成输出结果并通过reward反馈模型计算反馈，将反馈反作用于policy策略网络，获取输出结果。
[0011]
进一步地，所述方法还包括：s400、基于大数据对筛选后的招聘需求进行排序评价，按照评价结果在应聘端进行展示；所述排序评价过程基于应聘人员设定的权重分配策略确定。
[0012]
进一步地，所述排序评价过程包括：预设w组匹配特征类别，根据应聘端简历数据对每组匹配特征类别进行评分，获得应聘特征序列；基于大数据获取招聘需求每组匹配特征类别对应信息，并进行评分，获得招聘特征序列；由应聘人员设定判断权重序列，基于判断权重序列对应聘特征序列与招聘特征序列进行比较分析，获得评分值；
根据对该招聘人员筛选后的所有招聘需求按评分值从大到小排序，在应聘端进行展示。
[0013]
进一步地，所述评分值的获取过程包括：通过公式计算获得评分值p；其中，x∈[1，w]，为第i个招聘特征序列评分；为第i个应聘特征序列评分；为第i个招聘特征序列权重系数，且。
[0014]
一种基于人工智能大数据的人才简历匹配系统，所述系统包括信息招聘端、应聘端、采集模块、预设智能模型及训练模型；所述系统用于执行所述的基于人工智能大数据的人才简历匹配方法。
[0015]
本发明的有益效果：（1）本发明利用大数据来对应聘端的简历信息及招聘端的招聘需求信息进行关联数据采集，通过对采集的信息进行识别，进而获取对应的标签树，通过标签树的对比，进而能够实现对简历信息与招聘需求专业性的匹配度评价过程，协助招聘人员及应聘人员的高效筛选过程。
附图说明
[0016]
下面结合附图对本发明作进一步的说明。
[0017]
图1是本发明基于人工智能大数据的人才简历匹配方法的步骤流程图。
具体实施方式
[0018]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0019]
请参阅图1所示，在一个实施例中，提供了一种基于人工智能大数据的人才简历匹配方法，所述方法包括：s100、获取简历信息及招聘需求信息，通过预设智能模型分别采集简历信息中的第一数据集和招聘需求信息书中的第二数据集；s200、分别根据第一数据集及第二数据集进行大数据采集，获取第一关联数据集和第二关联数据集；s300、分别将第一关联数据集及第二关联数据集输入至训练模型中，获取第一标签树和第二标签树；根据第一标签树与第二标签树的比对来对简历信息与招聘需求信息的匹配度进行评价。
[0020]
通过上述技术方案，本实施例利用大数据来对应聘端的简历信息及招聘端的招聘需求信息进行关联数据采集，通过对采集的信息进行识别，进而获取对应的标签树，通过标签树的对比来实现招聘人员与招聘需求专利匹配度的判断过程；具体地，首先通过预设智
能模型来采集建立信息中的第一数据集和招聘需求中的第二数据集，其中，预设智能模型采用现有技术中的文本关键词提取技术实现，通过对招聘简历及招聘需求中的相关文本信息进行识别提取过程，能够建立第一数据集及第二数据集；其次，再根据获取的第一数据集及第二数据集进行大数据采集过程，通过数据集中的数据对采集的内容不断的筛选，进而获得与招聘人员及招聘需求相关联的专业性数据；例如，第一数据集中包括招聘人员的学校信息、专业信息、历史就职公司信息、历史岗位信息，历史岗位职责信息等，第二数据集中包括公司信息、公司所在行业信息、公司岗位职责信息等，通过根据第一数据集及第二数据集进行大数据的采集过程，进而能够筛选出能够分别代表招聘人员的第一关联数据集及代理招聘需求的第二关联数据集；在通过将第一关联数据集及第二关联数据集输入至训练模型中获取第一标签树和第二标签树，其中训练模型根据海量的标注数据基于卷积神经网络文本分类模型训练获得，其具体的训练方法可通过现有技术实现，因此通过第一标签树与第二标签树的比对过程，进而能够实现对简历信息与招聘需求专业性的匹配度评价过程，协助招聘人员及应聘人员的高效筛选过程。
[0021]
作为本发明的一种实施方式，简历信息与招聘需求信息匹配度的计算过程包括：将第一标签树和第二标签树进行标签内容重合性比对，获取重合标签信息；通过公式计算获得匹配度；其中，n为第一标签树及第二标签树的阶梯层数，i∈[1，n]；为第i层阶梯第一标签树和第i层第二标签树标签重合数；为第i层阶梯第一标签树及第二标签树的预设标签树；为第n层阶梯重合标签同属第n－1层标签数量从大到小序列；m为序列的项数，j∈[1，m]；为第j项标签数量；f为预设权重函数，且f单调递增；、为预设固定调整系数。
[0022]
通过上述技术方案，本实施例提供了一种简历信息与招聘需求信息匹配度的计算过程，即通过第一标签树和第二标签树进行标签内容重合性比对的过程来进行判断，具体地，通过公式计算获得匹配度，其中，第一标签树及第二标签树的层数n为预设值，其取值范围一般为4-6层，通过对第一标签树与第二标签树的标签重合状态进行判断，进而实现专业性匹配筛选的过程，其中，随着标签树层数的增加，其标签对应的内容范围越小，因此通过的计算过程，能够对第一标签树与第二标签重合状态进行评价，且重合数量越多，重合标签所在的层数越高，说明应聘人员与招聘需求的专业契合度越高，同时，为第j项标签数量，为第n层阶梯重合标签同属第n－1层标签数量从大
到小序列；f为预设权重函数，其根据经验数据拟合后选择获得，且f(k)随着k值的增加而增大，因此，最底层的标签分布的越集中，说明其对应的专业性范围越集中，因此的值越大，因此，通过匹配度的计算过程，结合预设固定调整系数、的加权分析过程，进而能够实现对应聘人员与招聘需求匹配度的判断过程。
[0023]
需要说明的是，预设固定调整系数根据测试数据拟合设定，在此不作详述。
[0024]
作为本发明的一种实施方式，对简历信息与招聘需求信息的匹配度进行评价过程包括：采集历史招聘需求匹配成功数据，根据职位类型建立每种职位类型的分值区间与数量的对应分段函数h(k)；通过等式获取min{v}；其中，k∈[1，y]；y为总区间数；v为变化值，且v≤y；为对应职位类型招聘需求匹配成功总数，为预设固定系数，且；将获取的匹配度与对应职位类型第v个分值区间]进行比对：若，则判断匹配度较高；若，则判断匹配度合格；若，则判断匹配度较低。
[0025]
通过上述技术方案，本实施例提供了一种与匹配度进行比对判断的方法，由于不同行业、职位存在的差别，因此每个领域的专业性特征也存在差别，因此，本实施例通过采集历史招聘需求匹配成功数据，根据职位类型来适应性确定判断的分值区间，具体地，首先采集历史招聘需求匹配成功数据，根据职位类型建立每种职位类型的分值区间与数量的对应分段函数h(k)，通过等式获取min{v}，即获得人数*所在区间的范围，其中，预设固定系数＜1，其根据经验数据设定，因此通过将获取的匹配度与对应职位类型第v个分值区间进行比对，进而实现对匹配度的判断过程。
[0026]
需要说明的是，分段函数h(k)的建立过程根据分值所在的整体范围区间划分设定，在此不作限制。
[0027]
作为本发明的一种实施方式，所述训练模型的建立过程包括：步骤一、对训练文本数据进行人工标注；步骤二、对训练文本数据进行有监督的训练，进行前向推理获得多个模型的输出结果，通过人工标注结果对模型输出结果进行打标，用标注数据来训练reward反馈模型；步骤三、建立policy策略网络，通过policy策略网络生成输出结果并通过reward反馈模型计算反馈，将反馈反作用于policy策略网络，获取输出结果。
[0028]
通过上述技术方案，本实施例提供了训练模型的建立过程，首先通过对海量的训
练文本进行人工标注，标注出希望得到的标签数据，通过将标签数据进行gpt-3进行有监督训练，进行前向推理获得多个模型的输出结果，通过人工标注结果对模型输出结果进行打标，用标注数据来训练reward反馈模型；最后通过输入采集的文本并应用policy策略网络生成输出结果，然后通过reward反馈模型计算反馈，将反馈反作用于policy策略网络，进而获取输出结果，实现训练模型的建立过程。
[0029]
需要说明的是，本实施例中相关的具体训练过程基于文本ai训练的现有技术实现，在本实施例不作进一步详述。
[0030]
作为本发明的一种实施方式，所述方法还包括：s400、基于大数据对筛选后的招聘需求进行排序评价，按照评价结果在应聘端进行展示；所述排序评价过程基于应聘人员设定的权重分配策略确定。
[0031]
所述排序评价过程包括：预设w组匹配特征类别，根据应聘端简历数据对每组匹配特征类别进行评分，获得应聘特征序列；基于大数据获取招聘需求每组匹配特征类别对应信息，并进行评分，获得招聘特征序列；由应聘人员设定判断权重序列，基于判断权重序列对应聘特征序列与招聘特征序列进行比较分析，获得评分值；根据对该招聘人员筛选后的所有招聘需求按评分值从大到小排序，在应聘端进行展示。
[0032]
通过上述技术方案，本实施例中的方法还包括对筛选后的招聘需求进行排序评价，按照评价结果在应聘端进行展示；具体地，首先选取匹配特征类别，例如包括职位的成长性、加班程度、出差频率等，其具体组数w根据选择设定，同时，根据匹配特征类别不同的内容设定不同的分值，因此通过内容与分值的对照关系，进而获得应聘特征序列及招聘特征序列；另外，根据应聘人员设定判断权重序列，判断出应聘人员对于职位需求的侧重点，进而根据权重序列对应聘特征序列与招聘特征序列比较分析获得的评分值，实现对所有招聘需求的排序过程。
[0033]
需要说明的是，分值的划分根据招聘人员对匹配特征类别倾向的一方设定对应的评价分值，例如岗位的成长性越优，评分越高。
[0034]
作为本发明的一种实施方式，所述评分值的获取过程包括：通过公式计算获得评分值p；其中，x∈[1，w]，为第i个招聘特征序列评分；为第i个应聘特征序列评分；为第i个招聘特征序列权重系数，且。
[0035]
通过上述技术方案，本实施例通过公式计算获得评分值p，其中，为第i个招聘特征序列权重系数，且，因此，招聘人员设定的过程会
将其对职位的期望方向所占的权重进行对应的调整，通过设定的权重系数序列与分值差进行结合分析比较，进而能够获得评分值p，通过评分值p的比较过程来实现排序及对应的展示过程。
[0036]
在一个实施例中，提供了一种基于人工智能大数据的人才简历匹配系统，所述系统包括信息招聘端、应聘端、采集模块、预设智能模型及训练模型；所述系统用于执行所述的基于人工智能大数据的人才简历匹配方法。
[0037]
以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。

技术特征：
1.一种基于人工智能大数据的人才简历匹配方法，其特征在于，所述方法包括：s100、获取简历信息及招聘需求信息，通过预设智能模型分别采集简历信息中的第一数据集和招聘需求信息书中的第二数据集；s200、分别根据第一数据集及第二数据集进行大数据采集，获取第一关联数据集和第二关联数据集；s300、分别将第一关联数据集及第二关联数据集输入至训练模型中，获取第一标签树和第二标签树；根据第一标签树与第二标签树的比对来对简历信息与招聘需求信息的匹配度进行评价。2.根据权利要求1所述的一种基于人工智能大数据的人才简历匹配方法，其特征在于，简历信息与招聘需求信息匹配度的计算过程包括：将第一标签树和第二标签树进行标签内容重合性比对，获取重合标签信息；通过公式计算获得匹配度；其中，n为第一标签树及第二标签树的阶梯层数，i∈[1，n]；为第i层阶梯第一标签树和第i层第二标签树标签重合数；为第i层阶梯第一标签树及第二标签树的预设标签树；为第n层阶梯重合标签同属第n－1层标签数量从大到小序列；m为序列的项数，j∈[1，m]；为第j项标签数量；f为预设权重函数，且f单调递增；、为预设固定调整系数。3.根据权利要求2所述的一种基于人工智能大数据的人才简历匹配方法，其特征在于，对简历信息与招聘需求信息的匹配度进行评价过程包括：采集历史招聘需求匹配成功数据，根据职位类型建立每种职位类型的分值区间与数量的对应分段函数h（k）；通过等式取min{v}；其中，k∈[1，y]；y为总区间数；v为变化值，且v≤y；为对应职位类型招聘需求匹配成功总数，为预设固定系数，且＜1；将获取的匹配度与对应职位类型第v个分值区间[]进行比对：若，则判断匹配度较高；若，则判断匹配度合格；若，则判断匹配度较低。4.根据权利要求2所述的一种基于人工智能大数据的人才简历匹配方法，其特征在于，所述训练模型的建立过程包括：
步骤一、对训练文本数据进行人工标注；步骤二、对训练文本数据进行有监督的训练，进行前向推理获得多个模型的输出结果，通过人工标注结果对模型输出结果进行打标，用标注数据来训练reward反馈模型；步骤三、建立policy策略网络，通过policy策略网络生成输出结果并通过reward反馈模型计算反馈，将反馈反作用于policy策略网络，获取输出结果。5.根据权利要求1所述的一种基于人工智能大数据的人才简历匹配方法，其特征在于，所述方法还包括：s400、基于大数据对筛选后的招聘需求进行排序评价，按照评价结果在应聘端进行展示；所述排序评价过程基于应聘人员设定的权重分配策略确定。6.根据权利要求5所述的一种基于人工智能大数据的人才简历匹配方法，其特征在于，所述排序评价过程包括：预设w组匹配特征类别，根据应聘端简历数据对每组匹配特征类别进行评分，获得应聘特征序列；基于大数据获取招聘需求每组匹配特征类别对应信息，并进行评分，获得招聘特征序列；由应聘人员设定判断权重序列，基于判断权重序列对应聘特征序列与招聘特征序列进行比较分析，获得评分值；根据对该招聘人员筛选后的所有招聘需求按评分值从大到小排序，在应聘端进行展示。7.根据权利要求6所述的一种基于人工智能大数据的人才简历匹配方法，其特征在于，所述评分值的获取过程包括：通过公式计算获得评分值p；其中，x∈[1，w]，为第i个招聘特征序列评分；为第i个应聘特征序列评分；为第i个招聘特征序列权重系数，且。8.一种基于人工智能大数据的人才简历匹配系统，其特征在于，所述系统包括信息招聘端、应聘端、采集模块、预设智能模型及训练模型；所述系统用于执行如权利要求1-7任一项所述的基于人工智能大数据的人才简历匹配方法。

技术总结
本发明涉及简历匹配技术领域，具体公开了一种基于人工智能大数据的人才简历匹配方法及系统，所述方法包括：S100、获取简历信息及招聘需求信息，通过预设智能模型分别采集简历信息中的第一数据集和招聘需求信息书中的第二数据集；S200、分别根据第一数据集及第二数据集进行大数据采集，获取第一关联数据集和第二关联数据集；S300、分别将第一关联数据集及第二关联数据集输入至训练模型中，获取第一标签树和第二标签树；根据第一标签树与第二标签树的比对来对简历信息与招聘需求信息的匹配度进行评价；该方法能够实现对简历信息与招聘需求专业性的匹配度评价过程，协助招聘人员及应聘人员的高效筛选过程。聘人员的高效筛选过程。聘人员的高效筛选过程。


技术研发人员：李亚明 杨允超 刘娜娜 于笑芬
受保护的技术使用者：徐州小鲸信息科技有限公司
技术研发日：2023.05.15
技术公布日：2023/8/13