基于深度学习模型的简历推荐方法、装置、设备及介质制造方法及图纸

本申请涉及大数据领域，揭示了基于深度学习模型粗召回的简历推荐方法，包括：获取当前人力资源用户对应的历史数据特征，历史数据特征包括岗位信息特征和/或浏览简历数据的信息特征；根据岗位信息特征和/或浏览简历数据的信息特征，对简历库中的简历进行粗召回，得到粗召回简历集；计算粗召回简历集中每个简历分别对应的推荐指数；按照推荐指数对粗召回简历集中所有简历进行排序，形成降序队列或升序队列；将降序排列中的排在靠前位置的指定数量的简历推送至当前人力资源用户所在终端；或将升序排列中的排在靠后位置的指定数量的简历推送至当前人力资源用户所在终端。根据历史数据特征进行简历挖掘和匹配快速粗召回，根据推荐指数实现精准推送。

【技术实现步骤摘要】
基于深度学习模型的简历推荐方法、装置、设备及介质
本申请涉及大数据领域，特别是涉及到基于深度学习模型粗召回的简历推荐方法、装置及设备。
技术介绍
随着互联网技术的不断发展，企业普遍选择通过互联网来寻求合适的候选人，同时候选人通过上传到互联网的简历进行职位筛选，招聘企业会根据职位需求累积非常多的简历。现平台对简历和职位的匹配推送，基于招聘职位名称或者项目名称的相似度或重合度，向投递者推荐新职位，或向企业推荐合适的简历，该推荐方式过于简单、粗略，推荐的效果较差。
技术实现思路
本申请的主要目的为提供基于深度学习模型粗召回的简历推荐方法，旨在解决现有简历推荐方式过于简单、粗略，推荐不精准的技术问题。本申请提出一种基于深度学习模型粗召回的简历推荐方法，包括：获取当前人力资源用户对应的历史数据特征，其中，所述历史数据特征包括岗位信息特征和/或浏览简历数据的信息特征；根据所述岗位信息特征和/或浏览简历数据的信息特征，对简历库中的简历进行粗召回，得到粗召回简历集；根据预设计算方式计算所述粗召回简历集中每个简历分别对应的推荐指数，其中，所述预设计算方式包括依据待筛选简历与所述岗位信息特征计算岗位匹配度，和/或依据待筛选简历与所述浏览简历数据的信息特征计算简历相似度；按照推荐指数对所述粗召回简历集中所有简历进行排序，形成降序队列或升序队列；将所述降序排列中的排在靠前位置的指定数量的简历推送至所述当前人力资源用户所在终端；或将所述升序排列中的排在靠后位置的指定数量的简历推送至所述当前人力资源用户所在终端。优选地，所述历史数据特征包括各待招聘岗位分别对应的岗位信息特征，所述根据所述岗位信息特征和/或浏览简历数据的信息特征，对简历库中的简历进行粗召回，得到粗召回简历集的步骤，包括：将第一岗位的岗位信息特征与指定简历的简历信息特征进行对比分析，得到对比分析结果，其中，所述指定简历为所述简历库中的任意一简历，所述第一岗位为所有待招聘岗位中的任意一岗位；将所述对比分析结果输入第一深度学习模型，计算出所述指定简历与所述第一岗位的岗位相关度；将与所述第一岗位的岗位相关度满足相关度阈值条件的所有简历，形成第一简历集合；按照所述第一岗位对应的第一简历集合的形成方式，分别形成所有待招聘岗位一一对应的简历集合；将所有待招聘岗位分别对应的简历集合，作为所述粗召回简历集。优选地，所述根据预设计算方式计算所述粗召回简历集中每个简历分别对应的推荐指数的步骤，包括：获取第一简历与各所述待招聘岗位分别对应的岗位匹配度，其中，所述第一简历为所述粗召回简历集中的任意一简历；根据第一公式分别计算所述第一简历与各所述待招聘岗位的岗位匹配度的最大值，其中，所述第一公式为，A表示所述第一简历，B表示各所述待招聘岗位组成的岗位集合，MAB代表所述第一简历与岗位集合中各所述待招聘岗位分别对应的岗位匹配度的值集合,Max（）表示取最大值运算，Max（MAB）表示取MAB的最大值，M_max表示最大值，0≤M_max≤1；将所述第一简历对应的岗位匹配度的最大值，作为所述第一简历对应的推荐指数。优选地，所述历史数据特征包括浏览简历数据的信息特征，所述根据所述岗位信息特征和/或浏览简历数据的信息特征，对简历库中的简历进行粗召回，得到粗召回简历集的步骤，包括：汇总指定时间段内所述当前人力资源用户对应浏览和/或收藏的所有简历，并组成第二简历集合；将所述第二简历集合中各简历分别对应的信息特征，根据简历岗位类别进行分类；将第一岗位分类对应的信息特征输入至第二深度学习模型，以便从所述简历库中筛选与所述第一岗位分类满足相似阈值的简历集合，其中，所述第一岗位分类为所有简历岗位类中的任一种；将所有简历岗位类分别对应的简历集合，作为所述粗召回简历集。优选地，所述根据预设计算方式计算所述粗召回简历集中每个简历分别对应的推荐指数的步骤，包括：获取第二简历所属的第一子集合，其中，所述第二简历为所述粗召回简历集中的任意一简历，所述第一子集合为所述粗召回简历集中的任意一集合；根据第二公式计算所述第二简历与第一子集合的简历相关度，其中，所述第二公式为，N代表第一子集合中的简历总量，i代表第一子集合中的第i份简历，Vi代表第i份简历的被浏览次数，Ci代表第i份简历的被收藏状态，Ri代表第二简历与第i份简历的相似度，R_all代表所述第二简历与第一子集合的简历相关度；将所述第二简历与第一子集合的简历相关度，作为所述第二简历对应的推荐指数。优选地，所述历史数据特征包括岗位信息特征和浏览简历数据的信息特征，所述根据预设计算方式计算所述粗召回简历集中每个简历分别对应的推荐指数的步骤，包括：获取第三简历分别对应的岗位匹配度的最大值以及简历相关度，其中，所述第三简历为所述粗召回简历集中的简历；根据第三公式计算所述第三简历分别对应的岗位匹配度的最大值以及简历相关度的加和，得到感兴趣程度值，将所述感兴趣程度值作为所述推荐指数，其中，所述第三公式为，I表示感兴趣程度值，M`_max表示所述第三简历对应的岗位匹配度的最大值，R`_all表示所述第三简历对应的简历相关度。优选地，所述获取第三简历分别对应的岗位匹配度的最大值以及简历相关度的步骤之前，包括：将所有待招聘岗位对应的第一粗召回简历集，与所有简历岗位类对应的第二粗召回简历集作交集运算，得到交集；从所述交集中获取任一简历作为所述第三简历。本申请还提供了一种基于深度学习模型粗召回的简历推荐装置，包括：获取模块，用于获取当前人力资源用户对应的历史数据特征，其中，所述历史数据特征包括岗位信息特征和/或浏览简历数据的信息特征；粗召回模块，用于根据所述岗位信息特征和/或浏览简历数据的信息特征，对简历库中的简历进行粗召回，得到粗召回简历集；计算模块，用于根据预设计算方式计算所述粗召回简历集中每个简历分别对应的推荐指数，其中，所述预设计算方式包括依据待筛选简历与所述岗位信息特征计算岗位匹配度，和/或依据待筛选简历与所述浏览简历数据的信息特征计算简历相似度；排序模块，用于按照推荐指数对所述粗召回简历集中所有简历进行排序，形成降序队列或升序队列；推送模块，用于将所述降序排列中的排在靠前位置的指定数量的简历推送至所述当前人力资源用户所在终端；或将所述升序排列中的排在靠后位置的指定数量的简历推送至所述当前人力资源用户所在终端。本申请还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。本申请还提供了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上述的方法的步骤。本申请根据人力资源用户的历史数据特征，对简历库中的简历进行挖掘和匹配，实现简历的快速粗召回，并在粗召回简历集上依据浏览简历数据的信息特征和/或岗位本文档来自技高网...

【技术保护点】
1.一种基于深度学习模型粗召回的简历推荐方法，其特征在于，包括：/n获取当前人力资源用户对应的历史数据特征，其中，所述历史数据特征包括岗位信息特征和/或浏览简历数据的信息特征；/n根据所述岗位信息特征和/或浏览简历数据的信息特征，对简历库中的简历进行粗召回，得到粗召回简历集；/n根据预设计算方式计算所述粗召回简历集中每个简历分别对应的推荐指数，其中，所述预设计算方式包括依据待筛选简历与所述岗位信息特征计算岗位匹配度，和/或依据待筛选简历与所述浏览简历数据的信息特征计算简历相似度；/n按照所述推荐指数对所述粗召回简历集中所有简历进行排序，形成降序队列或升序队列；/n将所述降序排列中的排在靠前位置的指定数量的简历推送至所述当前人力资源用户所在终端；或将所述升序排列中的排在靠后位置的指定数量的简历推送至所述当前人力资源用户所在终端。/n

【技术特征摘要】
1.一种基于深度学习模型粗召回的简历推荐方法，其特征在于，包括：
获取当前人力资源用户对应的历史数据特征，其中，所述历史数据特征包括岗位信息特征和/或浏览简历数据的信息特征；
根据所述岗位信息特征和/或浏览简历数据的信息特征，对简历库中的简历进行粗召回，得到粗召回简历集；
根据预设计算方式计算所述粗召回简历集中每个简历分别对应的推荐指数，其中，所述预设计算方式包括依据待筛选简历与所述岗位信息特征计算岗位匹配度，和/或依据待筛选简历与所述浏览简历数据的信息特征计算简历相似度；
按照所述推荐指数对所述粗召回简历集中所有简历进行排序，形成降序队列或升序队列；
将所述降序排列中的排在靠前位置的指定数量的简历推送至所述当前人力资源用户所在终端；或将所述升序排列中的排在靠后位置的指定数量的简历推送至所述当前人力资源用户所在终端。


2.根据权利要求1所述的基于深度学习模型粗召回的简历推荐方法，其特征在于，所述历史数据特征包括各待招聘岗位分别对应的岗位信息特征，所述根据所述岗位信息特征和/或浏览简历数据的信息特征，对简历库中的简历进行粗召回，得到粗召回简历集的步骤，包括：
将第一岗位的岗位信息特征与指定简历的简历信息特征进行对比分析，得到对比分析结果，其中，所述指定简历为所述简历库中的任意一简历，所述第一岗位为所有所述待招聘岗位中的任意一岗位；
将所述对比分析结果输入第一深度学习模型，计算出所述指定简历与所述第一岗位的岗位相关度；
将与所述第一岗位的岗位相关度满足相关度阈值条件的所有简历，形成第一简历集合；
按照所述第一岗位对应的第一简历集合的形成方式，分别形成所有待招聘岗位一一对应的简历集合；
将所有待招聘岗位分别对应的简历集合，作为所述粗召回简历集。


3.根据权利要求2所述的基于深度学习模型粗召回的简历推荐方法，其特征在于，所述根据预设计算方式计算所述粗召回简历集中每个简历分别对应的推荐指数的步骤，包括：
获取第一简历与各所述待招聘岗位分别对应的岗位匹配度，其中，所述第一简历为所述粗召回简历集中的任意一简历；
根据第一公式分别计算所述第一简历与各所述待招聘岗位的岗位匹配度的最大值，其中，所述第一公式为，A表示所述第一简历，B表示各所述待招聘岗位组成的岗位集合，MAB代表所述第一简历与岗位集合中各所述待招聘岗位分别对应的岗位匹配度的值集合,Max（）表示取最大值运算，Max（MAB）表示取MAB的最大值，M_max表示最大值，0≤M_max≤1；
将所述第一简历对应的岗位匹配度的最大值，作为所述第一简历对应的推荐指数。


4.根据权利要求1所述的基于深度学习模型粗召回的简历推荐方法，其特征在于，所述历史数据特征包括浏览简历数据的信息特征，所述根据所述岗位信息特征和/或浏览简历数据的信息特征，对简历库中的简历进行粗召回，得到粗召回简历集的步骤，包括：
汇总指定时间段内所述当前人力资源用户对应浏览和/或收藏的所有简历，并组成第二简历集合；
将所述第二简历集合中各简历分别对应的信息特征，根据简历岗位类别进行分类；
将第一岗位分类对应的信息特征输入至第二深度学习模型，以便从所述简历库中筛选与所述第一岗位分类满足相似阈值的简历集合，其中，所述第一岗位分类为所有简历岗位类中的任一种；
将所有简历岗位类...

【专利技术属性】
技术研发人员：张玉君，钱勇，罗晓生，
申请(专利权)人：深圳平安智汇企业信息管理有限公司，
类型：发明
国别省市：广东;44