一种基于强化学习的智能人事模型构建方法及装置制造方法及图纸

本发明专利技术公开了一种基于强化学习的智能人事模型构建方法，包括如下步骤：接收一招聘单位反馈的操作信息以及对应人员的简历信息与招聘信息，所述操作信息与对应人员的简历信息匹配；对所有的简历、招聘信息进行处理，并抽取简历、招聘中的各实体特征；将抽取到的简历、招聘中的各实体特征与对应人员、知识进行关联以得知识图谱；模型训练步骤：通过知识图谱对神经网络进行训练以得到智能人事模型。本发明专利技术还提供了一种电子设备和计算机可读存储介质。本发明专利技术的基于强化学习的智能人事构建方法通过使用人员简历中的特征进行训练，并根据招聘单位的反馈信息实现对招聘单位需求的全方位了解，进而构建适用于特定招聘单位用户的智能人事模型。

An intelligent personnel model construction method and device based on Reinforcement Learning

【技术实现步骤摘要】
一种基于强化学习的智能人事模型构建方法及装置
本专利技术涉及人工智能
，尤其涉及一种基于强化学习的智能人事模型构建方法及装置。
技术介绍
目前，在就业市场上，数以亿计的人都需要经历求职阶段，成为众多求职者中的一员，最后找到合适的公司。而对于数以百万计的招聘单位，则需要经历招聘阶段，找到合适的员工。通常情况下，一对完全匹配的人和岗位可以节约大量的时间资源和人力、财力资源。不仅为招聘单位和个人提供最满意的人岗匹配，还为社会带来了更高的生产力水平。特别是目前市场上存在一些招聘单位规模不够大，相应的人员配置不够完善，使得其在招聘以及人才识别上存在一定的缺陷，因此，为这些招聘单位提供一种有效的辅助识别模型成为本领域技术人员亟待解决的技术问题。
技术实现思路
为了克服现有技术的不足，本专利技术的目的之一在于提供一种基于强化学习的智能人事模型构建方法，其能为招聘单位提供更为精准方便使用的智能人事助手。本专利技术的目的之二在于提供一种电子设备，其能为招聘单位提供更为精准方便使用的智能人事助手。本专利技术的目的之三在于提供一种计算机可读存储介质，其能为招聘单位提供更为精准方便使用的智能人事助手。本专利技术的目的之一采用如下技术方案实现：一种基于强化学习的智能人事模型构建方法，包括如下步骤：接收步骤：接收一招聘单位反馈的操作信息以及对应人员的简历信息，且所述操作信息与对应人员的简历信息匹配；信息抽取步骤：采用自然语言技术对所有的简历、招聘信息进行处理，并抽取简历、招聘中的各实体特征；关联步骤：将抽取到的简历、招聘中的各实体特征与对应人员进行关联以得知识图谱；模型训练步骤：通过用知识图谱对神经网络进行训练以得到智能人事模型。进一步地，所述接收步骤具体包括如下步骤：第一接收步骤：接收经过招聘单位内部考核的所有的员工简历信息；第二接收步骤：接收招聘单位反馈的对对应员工的考核评价内容。进一步地，在第一接收步骤中，接受特定岗位的招聘单位内部考核的所有的员工简历信息。进一步地，所述接收步骤还包括：第三接收步骤：接收员工当前的收入情况以及工资计算方式。进一步地，所述招聘单位反馈的操作信息包括收藏、录取、反馈结果、沟通时长、邀约、考核评价中的一种或者多种。进一步地，在接收步骤之后还包括简历处理步骤：按照预定模板对简历信息进行处理以生成统一格式的简历数据，所述预定模板包括姓名、性别、年级、学校、专业、行业、公司、职能、技能、项目、工作内容、证书、招聘单位反馈中的任意一项或多项。进一步地，在信息抽取步骤中，通过Bi-LSTM神经网络进行数据信息进行训练以得到对应的实体特征模型，通过该实体特征模型对简历信息进行数据抽取以得简历中的各实体特征。进一步地，所述智能人事模型还通过招聘单位人员设置来完善对应的识别信息，招聘单位人员通过增加或者调整招聘要求来完善智能人事模型。本专利技术的目的之二采用如下技术方案实现：一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如本专利技术目的之一中任意一项所述的一种基于强化学习的智能人事模型构建方法。本专利技术的目的之三采用如下技术方案实现：一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如本专利技术目的之一中任意一项所述的一种基于强化学习的智能人事模型构建方法。相比现有技术，本专利技术的有益效果在于：本专利技术的基于强化学习的智能人事构建方法通过对选定人员简历中的特征进行抽取训练，并根据招聘单位的反馈信息实现对招聘单位需求的全方位了解，进而构建适用于特定招聘单位用户的智能人事模型。附图说明图1为实施例一的基于强化学习的智能人事模型构建方法的流程图。具体实施方式下面，结合附图以及具体实施方式，对本专利技术做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。实施例一如图1所示，本实施例提供了一种基于强化学习的智能人事模型构建方法，包括如下步骤：S1：接收一招聘单位反馈的操作信息以及对应人员的简历信息，且所述操作信息与对应人员的简历信息匹配；所述招聘单位反馈的操作信息包括收藏、录取、反馈结果、沟通时长、邀约、考核评价中的一种或者多种。本步骤为所有以下所有实施步骤的基础，通过本步骤可以实现对数据的收集，在进行数据收集时，更为优选地，是选取同一个招聘单位或者同一个招聘单位中同一个岗位来进行数据选取，当采用这样的数据源时，其可以训练出一套稳定的识别模型来进行后续的识别匹配。比如，在选取时，均选取同一个招聘单位中的后端支持工程师这个岗位，这样能够更为准确的分析出招聘这样的后端支持工程师所需要的对应的要求，以及可以更为客观的对数据进行评判。在本实施例中，获取同岗位所有已评价过(通过或不通过都行)简历、评价、评分、如有技能考核等背景信息也一并取得。具体的，步骤S1具体包括如下步骤：S11：接收经过招聘单位内部考核的所有的员工简历信息；更为优选地，在本步骤中，接收经过招聘单位内部考核的所有的员工的简历信息，因为在训练阶段，需要对尽可能多的数据进行训练，并且需要所有HR看过的简历以及对应的评价、评分，然后对其中的简历构建训练的正负样本，正样本也即是排名靠前的样本信息，当获取排名处于第一至第五的员工的简历信息时，判定其属于更适合该岗位的人员，那么需要对其所拥有的特质进行数据提取，比如判断这五个员工共同拥有的技能、学历、经验以及年龄等各方面的数据，综合得到多方面数据然后形成多条对应的特征要求；负样本也即是排名相对靠后的，当获取到排名处于后五名的员工时，则判断其并不是特别合适该岗位，此时可以从中提取出其共同的特征，并且判断该共同特征在前五名的员工中并不存在。在实际训练过程中样本容量不止五个，在本实施例中仅仅是列举说明。通过构造训练正负样本使得模型能够接收到足够多的数据，然后为模型识别准确性提供数据基础。本步骤主要是为了对基础数据源进行筛选，进行筛选的目的是为了便于后续提供更为精准的模型。在本步骤中提及的各种数据获取方式均是一种具体实施方式，程序设计者可以根据实际需求来进行适应性调整。S12：接收招聘单位反馈的对对应员工的考核评价内容；本步骤也是数据获取特别关键的一步，如果仅仅只有员工的信息，那么提取出来的信息难免会与用人单位的实际需求产生一定的偏差，因为需要引入招聘单位对员工的考核评价内容，并提取招聘单位传输的考核评价报告，这样也从招聘单位端实现对人才的确认；使得能够实现全方位的人才评价。更为优选地，步骤S1还包括S13：接收员工当前的收入情况以及工资计算方式；由于目前很多时候，招聘单位可能仅仅是针对于应试者的各方面硬件条件进行筛选，没有从员工实际收入方面着手进行设计，更多时候是直接通过相关人员直接拟定的价格来实现对员工的招聘而不是有真是本文档来自技高网...

【技术保护点】
1.一种基于强化学习的智能人事模型构建方法，其特征在于，包括如下步骤：/n接收步骤：接收一招聘单位反馈的操作信息以及对应人员的简历信息，且所述操作信息与对应人员的简历信息匹配；/n信息抽取步骤：采用自然语言技术对所有的简历、招聘信息进行处理，并抽取简历、招聘中的各实体特征；/n关联步骤：将抽取到的简历、招聘中的各实体特征与对应人员进行关联以得知识图谱；/n模型训练步骤：通过用知识图谱对神经网络进行训练以得到智能人事模型。/n

【技术特征摘要】
1.一种基于强化学习的智能人事模型构建方法，其特征在于，包括如下步骤：
接收步骤：接收一招聘单位反馈的操作信息以及对应人员的简历信息，且所述操作信息与对应人员的简历信息匹配；
信息抽取步骤：采用自然语言技术对所有的简历、招聘信息进行处理，并抽取简历、招聘中的各实体特征；
关联步骤：将抽取到的简历、招聘中的各实体特征与对应人员进行关联以得知识图谱；
模型训练步骤：通过用知识图谱对神经网络进行训练以得到智能人事模型。


2.如权利要求1所述的一种基于强化学习的智能人事模型构建方法，其特征在于，所述接收步骤具体包括如下步骤：
第一接收步骤：接收经过招聘单位内部考核的所有的员工简历信息；
第二接收步骤：接收招聘单位反馈的对对应员工的考核评价内容。


3.如权利要求2所述的一种基于强化学习的智能人事模型构建方法，其特征在于，在第一接收步骤中，接受特定岗位的招聘单位内部考核的所有的员工简历信息。


4.如权利要求2所述的一种基于强化学习的智能人事模型构建方法，其特征在于，所述接收步骤还包括：
第三接收步骤：接收员工当前的收入情况以及工资计算方式。


5.如权利要求1-4中任意一项所述的一种基于强化学习的智能人事模型构建方法，其特征在于，所述招聘单位反馈的操作信息包括收藏、录取、反馈结果、沟通时长、邀约...

【专利技术属性】
技术研发人员：蒋镇鸿，谢黛娜，陈统，
申请(专利权)人：广东轩辕网络科技股份有限公司，
类型：发明
国别省市：广东;44