用于职位申请人简历排序的机器学习系统技术方案

本申请提供一种用于职位申请人简历排序的机器学习系统，其采用机器学习技术自动地分析简历、职位及过去的招聘事件之间深层次的数据关联，训练出用于对简历进行排序的预测模型，从而为雇主提供录用建议的方案。

【技术实现步骤摘要】
【国外来华专利技术】用于职位申请人简历排序的机器学习系统相关申请的交叉引用本申请要求于2017年10月02日提交美国商标专利局的申请号为62/566,780、名称为“MACHINE LEARNING SYSTEMS FOR RANKING JOB CANDIDATE RESUMES”的美国专利申请的优先权，其全部内容通过引用结合在本申请中。
本申请涉及基于机器学习技术的对多个求职者的简历申请进行排序，从而提供面试和录用建议的自动化的系统。
技术介绍
目前，雇主在招聘雇员时需要花费大量的时间和人力等资源为不同的职位找到合适的雇员。传统的录用过程基本是这样的：求职者通过在线提交、猎头代理、邮寄或电子邮件的方式将简历发送给雇主；雇主通过各种方式筛选这些简历，选择部分候选人进行电话或现场面试；在一轮或多轮面试后，雇主做出招聘的最终决定，并向成功的候选人发出录用邀请。一个空缺的职位吸引数百份甚至数千份简历的情况并不少见。虽然已经有很多软件工具和自动化系统应用于人力资源(Human Resources，简称HR)领域，但是几乎所有现有的系统都首先关注于提取、转换和加载(extracting,transforming,and loading，简称ETL)简历，然后提取/解析这些简历数据，并直接使用这些数据来寻找简历数据和工作要求之间的相关性。这些系统将简历中提到的数据记录(例如学校，过去的雇主，各种技能)与雇主的工作要求进行匹配分析。然后，这些系统基于这些数据匹配情况对简历进行评分或排序。使用这些现有的简历处理系统忽略了许多重要的数据之间的相关信息。例如，每个求职者随时间推移的工作相关数据(例如求职者在职业生涯中如何发展，求职者过去选择了哪些雇主和地点等等)，所有这些求职者的教育和工作经历(例如特殊的专业或取得的职业证书的教育背景，以及求职者哪些以往雇主与这个空缺的职位更相关)之间相关联的信息，以及雇主的内部面试和雇用记录。这些基于单词匹配的孤立系统根本无法根据每个候选人的简历提供一个总体性的分析，也无法预测每个候选人对特定工作岗位的适应性和潜力。最近，一些系统和方法利用一些额外的个性测试、技术测试或问答评估，来帮助雇主来过滤简历。然而，这些附加的评估测试就像现有系统中的另一层过滤而已，用于筛选简历。由于缺乏理解反馈数据和缺乏自我提高的能力，传统的“工作流程似的”简历筛选系统有许多缺点。
技术实现思路
本申请是一个对职位候选人简历进行排序的机器学习系统，该预测系统使用机器学习技术对大量简历档案数据，职位需求数据以及相关雇主人力资源数据进行训练并预测和自我提高。在一个实例中，本申请公开了一种用于对多个简历进行排序的机器学习系统，包括：简历数据训练引擎及简历排序实时运行引擎；所述简历数据训练引擎包括：第一组一个或多个处理器及至少一个非暂时性处理器可读介质，所述至少一个非暂时性处理器可读介质存储有至少一个第一处理器可执行指令，当所述第一处理器可执行指令由所述第一组一个或多个处理器执行时，促使所述第一组一个或多个处理器执行：接收多个简历档案数据；接收多个空缺职位要求数据；接收包含过去的招聘事件数据的雇主人力资源数据；基于所述多个简历档案数据、所述多个职位空缺要求数据或过去招聘事件的数据确定多个特征；基于一个或多个机器学习算法使用所接收的数据和所述特征执行训练；基于所述训练生成预测模型；所述简历排序实时运行引擎包括：第二组一个或多个处理器及至少另一个非暂时性处理器可读介质，所述至少另一个非暂时性处理器可读介质存储有至少一个第二处理器可执行指令中，当所述第二处理器可执行指令由所述第二组一个或多个处理器执行时，促使所述第二组一个或多个处理器执行：从所述简历数据训练引擎接收所述预测模型；接收职位描述数据；接收多个简历记录数据；基于接收到的所述职位描述数据和所述简历记录数据，使用所述预测模型生成关于所述多个简历记录数据的排序数据；以及将所述排序数据呈现给用户。在另一实例中，本申请公开了一种用于对多个简历进行排序的计算机实现的机器学习方法，包括：接收多个简历档案数据；接收多个空缺职位要求数据；接收关于过去招聘事件的数据；基于所述多个简历档案数据、所述多个职位空缺要求数据或过去招聘事件的数据确定多个特征；基于一个或多个机器学习算法的使用接收到的数据和所述特征执行训练；基于所述训练生成预测模型；接收职位描述数据；接收多个简历记录数据；基于接收到的所述职位描述数据和所述简历记录数据，使用所述预测模型生成关于所述多个简历记录数据的排序数据；以及将所述排序数据呈现给用户。在另一实例中，本申请公开了一种存储计算机可读指令的非暂时性计算机可读介质，所述计算机可读指令在由一个或多个处理器执行时执行机器学习方法，包括：接收多个简历档案数据；接收多个空缺职位要求数据；接收关于过去的招聘事件的数据；基于所述多个简历档案数据、所述多个职位空缺要求数据或过去招聘事件的数据确定多个特征；基于一个或多个机器学习算法使用接收的数据和所述特征执行训练；基于训练生成预测模型；接收职位描述数据；接收多个简历记录数据；基于接收到的所述职位描述数据和所述建立记录数据，使用所述预测模型生成关于所述多个简历记录数据的排序数据；以及将排序数据呈现给用户。附图说明以下附图用于描述示例性实例。需要指出的，实例不限于本文描述的特定方法和装置。图1示出了根据本申请示例性实例的网络环境；图2A示出了根据本申请示例性实例的系统图；图2B示出了根据本申请示例性实例的硬件结构；图3示出了根据本申请示例性实例处理训练的流程图；图4示出了根据本申请示例性实例的简历排序处理的流程图；图5A示出了根据本申请示例性实例的简历数据训练的操作图；图5B示出了根据本申请示例性实例的使用神经网络算法的简历数据训练引擎的操作图；图6示出了根据本申请示例性实例的简历排序过程的时序图。具体实施方式以下示例实例仅仅是说明性的，而非限制性的。这里所列出的所有组件可以是专门用软件实现，专门用硬件实现，或者使用已知技术以硬件和软件的任何组合实现。除了在此公开的内容之外，还有许多可能的方法来实现本申请。经专利技术人研究发现，现有技术所采用的孤立系统的筛选系统很难胜任实际的简历筛选工作。举个例子，雇主试图评估这样一个求职者，该求职者拥有合适的技能，但是上份工作才一年，而且该求职者总是在两年内辞职换工作。由于现有系统仅考虑有关求职者在简历上的资格这一孤立或“静态”信息，因为他的技能符合工作要求，该求职者总是出现在合适的求职者名单之中。对于希望求职者能比较长期稳定工作的雇主，这种情况就是浪费了雇主的时间等资源，因为即使面试甚至录取该求职者，该求职者很可能很快就会辞职。如果简历处理系统能够“学习”到雇主希望长期稳定的留职，就应该可能忽略那些倾向于在两年内离开雇主的候选人，那么这个候选人就不会排在众多求职者的前列。此外，如果处理系统能够处理雇用类似“频繁跳槽”候选人的雇主的反馈数据，确认这类候选人往往与每个雇主的雇佣期都比较短，系统将能够使用新数据，本文档来自技高网...

【技术保护点】
一种用于对多个简历进行排序的机器学习系统，包括：简历数据训练引擎及简历排序实时运行引擎；/n所述简历数据训练引擎包括：第一组一个或多个处理器及至少一个非暂时性处理器可读介质，所述至少一个非暂时性处理器可读介质存储有至少一个第一处理器可执行指令，当所述第一处理器可执行指令由所述第一组一个或多个处理器执行时，促使所述第一组一个或多个处理器执行：/n-接收多个简历档案数据；/n-接收多个空缺职位要求数据；/n-接收包含过去的招聘事件数据的雇主人力资源数据；/n-基于所述多个简历档案数据、所述多个职位空缺要求数据或过去招聘事件的数据确定多个特征；/n-基于一个或多个机器学习算法使用所接收的数据和所述特征执行训练；/n-基于所述训练生成预测模型；/n所述简历排序实时运行引擎包括：第二组一个或多个处理器及至少另一个非暂时性处理器可读介质，所述至少另一个非暂时性处理器可读介质存储有至少一个第二处理器可执行指令中，当所述第二处理器可执行指令由所述第二组一个或多个处理器执行时，促使所述第二组一个或多个处理器执行：/n-从所述简历数据训练引擎接收所述预测模型；/n-接收职位描述数据；/n-接收多个简历记录数据；/n-基于接收到的所述职位描述数据和所述简历记录数据，使用所述预测模型生成关于所述多个简历记录数据的排序数据；以及/n-将所述排序数据呈现给用户。/n...

【技术特征摘要】
【国外来华专利技术】20171002 US 62/566,780一种用于对多个简历进行排序的机器学习系统，包括：简历数据训练引擎及简历排序实时运行引擎；
所述简历数据训练引擎包括：第一组一个或多个处理器及至少一个非暂时性处理器可读介质，所述至少一个非暂时性处理器可读介质存储有至少一个第一处理器可执行指令，当所述第一处理器可执行指令由所述第一组一个或多个处理器执行时，促使所述第一组一个或多个处理器执行：
-接收多个简历档案数据；
-接收多个空缺职位要求数据；
-接收包含过去的招聘事件数据的雇主人力资源数据；
-基于所述多个简历档案数据、所述多个职位空缺要求数据或过去招聘事件的数据确定多个特征；
-基于一个或多个机器学习算法使用所接收的数据和所述特征执行训练；
-基于所述训练生成预测模型；
所述简历排序实时运行引擎包括：第二组一个或多个处理器及至少另一个非暂时性处理器可读介质，所述至少另一个非暂时性处理器可读介质存储有至少一个第二处理器可执行指令中，当所述第二处理器可执行指令由所述第二组一个或多个处理器执行时，促使所述第二组一个或多个处理器执行：
-从所述简历数据训练引擎接收所述预测模型；
-接收职位描述数据；
-接收多个简历记录数据；
-基于接收到的所述职位描述数据和所述简历记录数据，使用所述预测模型生成关于所述多个简历记录数据的排序数据；以及
-将所述排序数据呈现给用户。


如权利要求1所述的机器学习系统，其中，所述雇主HR数据还包括雇员档案数据。


如权利要求2所述的机器学习系统，其中，每个所述雇员档案数据包括个人信息数据、地点数据、教育数据、技能数据或工作经验数据中的至少一个。


如权利要求1至3中任一项所述的机器学习系统，其中，每个所述一个或多个过去的招聘事件数据中包括接收的多个简历数据，以及对每个简历数据对应的求职者的招聘决定。


如权利要求1-4中任一项所述的机器学习系统，其中，每个所述简历档案数据包括个人信息数据，地址数据、教育数据、技能数据或工作经验数据中的至少一个。


如权利要求5所述的机器学习系统，其中，所述教育数据包括学校、学位、GPA、专业或奖励中的至少一个。


如权利要求5所述的机器学习系统，其中，每个所述工作经验数据包括雇主、地点、职称、职责或薪酬中的至少一个。


如权利要求1-7中任一项所述的机器学习系统，其中，所述多个简历数据的排序数据还包括用于一个或多个简历记录数据的注释。


如权利要求8所述的机器学习系统，其中，所述注释信息包括雇用推荐信息或排序分数的理由信息。


如权利要求1-9中任一项所述的机器学习系统，其中，所述多个简历数据的排序数据被发送到所述简历数据训练引擎以进行进一步训练。


如权利要求10所述的机器学习系统，所述排序数据在生效后立即从所述简历排序实时运行引擎传输到所述简历数据训练引擎。


如权利要求10所述的机器学习系统，其中，所述排序数据定期从简历排序运行引擎传输排序数据传输到简历数据训练引擎。


如权利要求1-12中任一项所述的机器学习系统，其中，所述工作描述数据包括职位、地点、教育、技能、经验或薪酬中的至少一个。


如权利要求1-13中任一项所述的机器学习系统，其中，来自所述机器学习系统的一个或多个用户的关于先前的简历排序结果的反馈数据被发送到所述简历数据训练引擎以进行进一步训练。

...

【专利技术属性】
技术研发人员：刘伟，
申请(专利权)人：刘伟，
类型：发明
国别省市：美国;US