【技术实现步骤摘要】
一种面向校园招聘的简历筛选方法
本专利技术涉及信息
，具体地，涉及一种面向校园招聘的简历筛选方法。
技术介绍
传统的招聘流程中，需要大量的招聘官人工地负责多次面试与筛选的流程，这会耗费大量的人力与时间。为了使得简历筛选流程更加智能化，一些学者采用了不同的筛选模型来进行简历的信息提取与分数计算，但是都有一定的欠缺：有些模型没有详细指出简历中所有指标的计算方法，因而无法计算最终匹配结果；有些模型仅仅对简历中的长文本描述计分，或仅仅对客观指标进行计分，考量内容不够全面；有的模型采用直接设定权重的方法，缺乏客观科学性；有的模型仅建立针对某个特定岗位的筛选模型，缺乏普遍应用性；多数模型的指标建立不适用于校招的人才招聘需求。
技术实现思路
鉴于现有技术中的上述缺陷或不足，提供一种面向校园招聘的简历筛选模型与算法。本专利技术采用的方案如下所述：第一，制定校招简历模板。包括制定各组成模块与模块内指标。简历模板包含个人信息、教育背景、项目经历、实习经历、个人荣誉、技能水平、学生工作共七个主要构成模块，...
【技术保护点】
1.一种面向校园招聘的简历筛选方法，其特征在于，包括：/n步骤1、制定校招简历模板，包括制定各组成模块与模块内指标；/n步骤2、导入简历数据与评估数据；/n步骤3、模块内分数计算，其中包括：/n若该指标为客观填空项，则依据评估数据，实行分层计分或线性计分；/n若该指标为主观描述项，计算公司岗位要求与应聘者描述文本的文本相似度；/n步骤4、进行模块与指标权重计算，具体包括：/n步骤4.1、建立层次结构模型；/n步骤4.2、采用1-9分标度法制定指标间标度；/n步骤4.3、构造判断矩阵；/n步骤4.4、进行层次排序及其一致性检验，若通过检验则计算生成权重，否则重新构造判断矩阵并...
【技术特征摘要】
1.一种面向校园招聘的简历筛选方法，其特征在于，包括：
步骤1、制定校招简历模板，包括制定各组成模块与模块内指标；
步骤2、导入简历数据与评估数据；
步骤3、模块内分数计算，其中包括：
若该指标为客观填空项，则依据评估数据，实行分层计分或线性计分；
若该指标为主观描述项，计算公司岗位要求与应聘者描述文本的文本相似度；
步骤4、进行模块与指标权重计算，具体包括：
步骤4.1、建立层次结构模型；
步骤4.2、采用1-9分标度法制定指标间标度；
步骤4.3、构造判断矩阵；
步骤4.4、进行层次排序及其一致性检验，若通过检验则计算生成权重，否则重新构造判断矩阵并再次进行一致性检验，直至检验通过为止；
步骤4.5、对项目经历与实习经历模块，通过线性加权综合法计算模块总分；
步骤5、进行匹配度计算与排序，其中包括：
步骤5.1、将每个应聘者的指标分数排列成向量；
步骤5.2、向量规范化，计算规范决策矩阵；
步骤5.3、构造加权规范阵；
步骤5.4、确定正理想解和负理想解；
步骤6、计算各应聘者分数向量到正理想解和负理想解的距离；
步骤7、计算各分数向量的排序指标值，并由大到小排列优劣次序，即为应聘者匹配度排序。
2.根据权利要求1所述的方法，其特征在于，对主观性指标，使用如下步骤提取其包含的客观性因素，避免主观因素影响，从而计算指标得分，具体步骤如下：
导入公司岗位要求文本以及应聘者项目工作描述文本；
采用HanLP进行分词处理与停用词过滤；
分别计算两个文本中每个词的TF值，计算公式为：
其中ni，j为该词在该文本段中的出现次数，∑knk，j为该文本段的总词数；
载入各行业招聘要求作为文本库，利用TF-IDF算法降低所有岗位要求中模糊性主观性常用词的重要度，提升具体技能、专业术语关键词的重要度；
计算两个文本中每个词的IDF值，并将所有词按照TF-IDF值从大到小的顺序排列，其中IDF值计算公式为：
其中|D|为文本库的文件总数，|{j：ti∈dj}|为包含词语ti的文件数量，
TF-IDF值计算公式为：
tfidfi，j＝tfi，j×idfi；
从两段文本分别提取排于前20位的词，合并起来得到关键词字典，分别将两段文本的词及TF-IDF值对照该字典，生成二者的词频向量，若某文本的词汇数不到20，则提取所有词汇，若两段文本有相同词汇，则合并字典时归为同一个词汇；
计算二者词频向量的余弦相似度得到匹配度，即为该指标最终得分，计算方法为：
其中A，B为两个向量，Ai，Bi分别为A，B的分量。
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。