人力资源对象分类方法及装置制造方法及图纸

本发明专利技术提供一种人力资源对象分类方法及装置，其中，方法包括：使用已知人力资源对象的特征向量构建人力资源对象分类模型，其中，所述人力资源对象的特征向量包括技能特征向量和职位属性向量；获取待分类的目标人力资源对象的技能特征向量；根据待分类的目标人力资源对象的技能特征向量和人力资源对象分类模型，使用kNN算法计算待分类的目标人力资源对象的分类结果。本发明专利技术能够实现对人力资源对象进行精确的分类。

Human resource object classification method and device

The invention provides a human resource object classification method and device, wherein the method comprises: constructing a human resource object classification model using the feature vectors of known human resource objects, wherein the feature vectors of the human resource objects include the skill feature vectors and the position attribute vectors, and obtaining the target manpower to be classified. According to the skill feature vector and the classification model of human resource object, the classification result of human resource object is calculated by kNN algorithm. The invention can accurately classify human resource objects.

【技术实现步骤摘要】
人力资源对象分类方法及装置
本专利技术涉及数据处理
，尤其涉及一种人力资源对象分类方法及装置。
技术介绍
人力资源，又称劳动力资源或劳动力，是指能够推动整个经济和社会发展、具有劳动能力的人口总和。人力资源对象包括各行各业的具体职位从业者，例如工程师、产品经理、UI设计师等。目前，有多种分类算法对数据进行分类，如决策树法、支持向量机(SupportVectorMachine，简称SVM)法、贝叶斯方法等。但是，现有技术中还没有一种对待分类的目标人力资源对象进行精确分类的方法，为待分类的目标人力资源对象的职业发展、职级评定等提供数据依据。鉴于此，如何对待分类的目标人力资源对象进行精确的分类成为目前需要解决的技术问题。
技术实现思路
为解决上述的技术问题，本专利技术提供一种人力资源对象分类方法及装置，能够对人力资源对象进行精确的分类。第一方面，本专利技术提供一种人力资源对象分类方法，应用于处理器，包括：使用已知人力资源对象的特征向量构建人力资源对象分类模型，其中，所述人力资源对象的特征向量包括技能特征向量和职位属性向量；获取待分类的目标人力资源对象的技能特征向量；根据所述待分类的目标人力资源对象的技能特征向量和所述人力资源对象分类模型，使用kNN算法计算所述待分类的目标人力资源对象的分类结果。优选地，在所述使用已知人力资源对象的特征向量构建人力资源对象分类模型之前，所述方法还包括：将已知人力资源对象的特征按照预设格式进行特征化，获得已知人力资源对象的特征向量，其中，所述人力资源对象的特征包括：技能特征和职位属性；相应地，所述获取待分类的目标人力资源对象的技能特征向量，包括：将待分类的目标人力资源对象的技能特征按照预设格式进行特征化，获得待分类的目标人力资源对象的技能特征向量。优选地，所述预设格式为：[人力资源对象的特征的特征值：所述特征对应的布尔值]；其中，所述特征对应的布尔值取1或0，1代表true，0代表false。优选地，所述人力资源对象分类模型，包括：技能特征向量矩阵和职位属性向量矩阵；相应地，所述使用已知人力资源对象的特征向量构建人力资源对象分类模型，包括：将所有已知人力资源对象的技能特征向量进行拼接，获得技能特征向量矩阵；将所有已知人力资源对象的职位属性向量进行拼接，获得职位属性向量矩阵。优选地，所述根据所述待分类的目标人力资源对象的技能特征向量和所述人力资源对象分类模型，使用kNN算法计算所述待分类的目标人力资源对象的分类结果，包括：获取所述待分类的目标人力资源对象的技能特征向量与所述技能特征向量矩阵中每一个技能特征向量的欧几里得空间距离；将获得的欧几里得空间距离进行排序；将排序后的欧几里得空间距离中由大到小的前预设数量个欧几里得空间距离对应的技能特征向量矩阵中的技能特征向量对应的人力资源对象的职位属性向量中的各职位属性进行加和统计；将加和统计后的各职位属性数量进行排序，获得所述待分类的目标人力资源对象的分类结果。优选地，所述技能特征向量为：其中，F0F1…Fm为人力资源对象的第1至第m+1个技能特征，取布尔类型1或0，m为人力资源对象的技能特征的数量减去1；相应地，所述技能特征向量矩阵F为：其中，p为进行拼接的人力资源对象的技能特征向量的数量减去1；和/或，所述职位属性向量为：其中，R0R1…Rn为人力资源对象的第1至第n+1个职位属性，取布尔类型1或0，n为人力资源对象的职位属性的数量减去1；相应地，所述职位属性向量矩阵R为：其中，p为进行拼接的人力资源对象的职位属性向量的数量减去1。优选地，所述获取所述待分类的目标人力资源对象的技能特征向量与所述技能特征向量矩阵中每一个技能特征向量的欧几里得空间距离，包括：通过第一公式，计算所述待分类的目标人力资源对象的技能特征向量与所述技能特征向量矩阵中每一个技能特征向量的欧几里得空间距离d；所述第一公式为：其中，d≥0，xi为待分类的目标人力资源对象的技能特征向量的第i个技能特征的取值，yi为技能特征向量矩阵中待计算的技能特征向量的第i个技能特征的取值，p为技能特征向量矩阵中的技能特征向量的数量减去1。第二方面，本专利技术提供一种人力资源对象分类装置，包括：构建模块，用于使用已知人力资源对象的特征向量构建人力资源对象分类模型，其中，所述人力资源对象的特征向量包括技能特征向量和职位属性向量；获取模块，用于获取待分类的目标人力资源对象的技能特征向量；计算模块，用于根据所述待分类的目标人力资源对象的技能特征向量和所述人力资源对象分类模型，使用kNN算法计算所述待分类的目标人力资源对象的分类结果。优选地，所述人力资源对象分类模型，包括：技能特征向量矩阵和职位属性向量矩阵；相应地，所述构建模块，具体用于将所有已知人力资源对象的技能特征向量进行拼接，获得技能特征向量矩阵；将所有已知人力资源对象的职位属性向量进行拼接，获得职位属性向量矩阵。优选地，所述计算模块，包括：第一获取单元，用于获取所述待分类的目标人力资源对象的技能特征向量与所述技能特征向量矩阵中每一个技能特征向量的欧几里得空间距离；排序单元，用于将获得的欧几里得空间距离进行排序；加和统计单元，用于将排序后的欧几里得空间距离中由大到小的前预设数量个欧几里得空间距离对应的技能特征向量矩阵中的技能特征向量对应的人力资源对象的职位属性向量中的各职位属性进行加和统计；第二获取单元，用于将加和统计后的各职位属性数量进行排序，获得所述待分类的目标人力资源对象的分类结果。由上述技术方案可知，本专利技术的人力资源对象分类方法及装置，通过使用已知人力资源对象的特征向量构建人力资源对象分类模型，其中，所述人力资源对象的特征向量包括技能特征向量和职位属性向量；获取待分类的目标人力资源对象的技能特征向量；根据所述待分类的目标人力资源对象的技能特征向量和人力资源对象分类模型，使用kNN算法计算所述待分类的目标人力资源对象的分类结果，能够对人力资源对象进行精确的分类。附图说明为了更清楚地说明本公开实施例或现有技术中的技术方案，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公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些图获得其他的附图。图1是本公开一实施例提供的一种人力资源对象分类方法的流程示意图；图2是图1所示实施例提供的人力资源对象分类方法中步骤S4的进一步具体流程示意图；图3是本公开另一实施例提供的一种人力资源对象分类装置的结构示意图；图4是图3所示实施例提供的人力资源对象分类装置中的计算模块的进一步具体结构示意图。具体实施方式下面将结合本公开实施例中的附图，对本公开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公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。图1是本公开一实施例提供的一种人力资源对象分类方法的流程示意图，参照图1，本实施例所述方法应用于处理器，该方法包括如下步骤：S1、使用已知人力资源对象的特征向量构建人力资源对象分类模型，其中，所述人力资源对象的特征向量包括技能特征向量和职位属性向量。在具体应用中，在本文档来自技高网...

【技术保护点】
1.一种人力资源对象分类方法，应用于处理器，其特征在于，包括：使用已知人力资源对象的特征向量构建人力资源对象分类模型，其中，所述人力资源对象的特征向量包括技能特征向量和职位属性向量；获取待分类的目标人力资源对象的技能特征向量；根据所述待分类的目标人力资源对象的技能特征向量和所述人力资源对象分类模型，使用kNN算法计算所述待分类的目标人力资源对象的分类结果。

【技术特征摘要】
1.一种人力资源对象分类方法，应用于处理器，其特征在于，包括：使用已知人力资源对象的特征向量构建人力资源对象分类模型，其中，所述人力资源对象的特征向量包括技能特征向量和职位属性向量；获取待分类的目标人力资源对象的技能特征向量；根据所述待分类的目标人力资源对象的技能特征向量和所述人力资源对象分类模型，使用kNN算法计算所述待分类的目标人力资源对象的分类结果。2.根据权利要求1所述的方法，其特征在于，在所述使用已知人力资源对象的特征向量构建人力资源对象分类模型之前，所述方法还包括：将已知人力资源对象的特征按照预设格式进行特征化，获得已知人力资源对象的特征向量，其中，所述人力资源对象的特征包括：技能特征和职位属性；相应地，所述获取待分类的目标人力资源对象的技能特征向量，包括：将待分类的目标人力资源对象的技能特征按照预设格式进行特征化，获得待分类的目标人力资源对象的技能特征向量。3.根据权利要求2所述的方法，其特征在于，所述预设格式为：[人力资源对象的特征的特征值：所述特征对应的布尔值]；其中，所述特征对应的布尔值取1或0，1代表true，0代表false。4.根据权利要求1所述的方法，其特征在于，所述人力资源对象分类模型，包括：技能特征向量矩阵和职位属性向量矩阵；相应地，所述使用已知人力资源对象的特征向量构建人力资源对象分类模型，包括：将所有已知人力资源对象的技能特征向量进行拼接，获得技能特征向量矩阵；将所有已知人力资源对象的职位属性向量进行拼接，获得职位属性向量矩阵。5.根据权利要求4所述的方法，其特征在于，所述根据所述待分类的目标人力资源对象的技能特征向量和所述人力资源对象分类模型，使用kNN算法计算所述待分类的目标人力资源对象的分类结果，包括：获取所述待分类的目标人力资源对象的技能特征向量与所述技能特征向量矩阵中每一个技能特征向量的欧几里得空间距离；将获得的欧几里得空间距离进行排序；将排序后的欧几里得空间距离中由大到小的前预设数量个欧几里得空间距离对应的技能特征向量矩阵中的技能特征向量对应的人力资源对象的职位属性向量中的各职位属性进行加和统计；将加和统计后的各职位属性数量进行排序，获得所述待分类的目标人力资源对象的分类结果。6.根据权利要求4所述的方法，其特征在于，所述技能特征向量为：其中，F0F1…Fm为人力资源对象的第1至第m+1个技能特征，取布尔类型1或0，m为人力资源对象的技能特征的数...

【专利技术属性】
技术研发人员：王子一，
申请(专利权)人：北京嘀嘀无限科技发展有限公司，
类型：发明
国别省市：北京,11