工作预测模型的建立和工作推荐方法、装置、设备及介质制造方法及图纸

本申请公开了一种工作预测模型的建立和工作推荐方法、装置、设备及介质，涉及人工智能技术领域。其中，工作预测模型的建立方法的具体实现方案为：根据样本用户简历信息，确定样本用户简历特征表示和样本用户跳槽的目标工作；将样本用户简历特征表示输入原始模型中的时序神经网络，得到用户工作经历表示，将用户工作经历表示输入原始模型中的协同神经网络，得到用户工作特征表示，以及将候选工作的特征表示和用户工作特征表示输入原始模型中的预测神经网络，预测样本用户跳槽到候选工作的概率；根据样本用户跳槽的目标工作和预测结果，对原始模型进行训练，得到工作预测模型。以提高工作推荐的精准性。高工作推荐的精准性。高工作推荐的精准性。

【技术实现步骤摘要】
工作预测模型的建立和工作推荐方法、装置、设备及介质


[0001]本申请涉及计算机
，尤其涉及使用人工智能技术的工作预测模型建立方法和工作推荐方法。

技术介绍

[0002]在当前社会的快节奏环境下，工作流动性较过去有极大的增长，越来越多的工作机会呈现在人们面前，求职者往往容易陷入互联网上的海量职位信息中难以做出选择。因此为求职者们推荐合适工作去向的工作推荐系统(Job Recommender System)逐渐兴起。目前，现有的工作推荐系统通常是基于求职者选择的地理位置、薪资水平、工作时间等条件来为求职者进行初步的工作筛选，然后再按照当前时段的工作热度对筛选出的工作进行排序后推荐给求职者。现有的工作推荐系统无法基于求职者的个性化需求进行推荐，推荐结果不够精准。

技术实现思路

[0003]提供了一种工作预测模型的建立和工作推荐方法、装置、设备及介质。
[0004]根据本公开的一方面，提供了一种工作预测模型的建立方法，该方法包括：
[0005]根据样本用户简历信息，确定样本用户简历特征表示和样本用户跳槽的目标工作本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种工作预测模型的建立方法，包括：根据样本用户简历信息，确定样本用户简历特征表示和样本用户跳槽的目标工作；将所述样本用户简历特征表示输入原始模型中的时序神经网络，得到用户工作经历表示，将所述用户工作经历表示输入所述原始模型中的协同神经网络，得到用户工作特征表示，以及将候选工作的特征表示和所述用户工作特征表示输入所述原始模型中的预测神经网络，预测所述样本用户跳槽到所述候选工作的概率；根据所述样本用户跳槽的目标工作和预测结果，对所述原始模型进行训练，得到工作预测模型。2.根据权利要求1所述的方法，其中，所述时序神经网络中的子时序网络与所述协同神经网络中的子感知网络一一对应；所述子时序网络的第一输出端连接下一子时序网络；所述子时序网络的第二输出端连接对应的子感知网络。3.根据权利要求2所述的方法，其中，所述子感知网络包括第一子感知单元、第二子感知单元和第三子感知单元中的至少一个；所述第一子感知单元、所述第二子感知单元和所述第三子感知单元的输入端均与对应的子时序网络的第二输出端连接，所述第一子感知单元、所述第二子感知单元和所述第三子感知单元的输出端均与所述预测神经网络的输入端连接；其中，所述第一子感知单元、所述第二子感知单元和所述第三子感知单元分别用于输出所述用户工作特征表示中的用户时间特征表示、用户公司特征表示和用户岗位特征表示。4.根据权利要求2所述的方法，其中，所述协同神经网络中的不同子感知网络共享模型参数。5.根据权利要求2所述的方法，其中，所述子时序网络为长短期记忆网络LSTM；所述子感知网络为多层感知机MLP。6.根据权利要求1-5中任一项所述的方法，其中，根据样本用户简历信息，确定样本用户简历特征表示，包括：根据所述样本用户简历信息，确定样本用户属性信息和样本用户的至少一份工作的工作属性信息和该份工作的工作时长；根据所述样本用户属性信息，确定样本简历静态属性特征表示；根据所述样本用户的至少一份工作的工作属性信息，确定样本简历动态属性特征表示；对所述样本用户的至少一份工作的工作时长进行编码，确定样本时间编码表示；将所述样本简历静态属性特征表示、所述样本简历动态属性特征表示和所述样本时间编码表示，作为所述样本用户简历特征表示。7.根据权利要求6所述的方法，其中，将所述样本用户简历特征表示输入原始模型中的时序神经网络，包括：根据所述样本简历静态属性特征表示，得到初始传递参数；将所述初始传递参数作为所述原始模型中的时序神经网络的首个子时序网络的传递输入；
依次将每份工作的样本简历动态属性特征表示和样本时间编码表示，以及所述样本简历静态属性特征表示，作为所述时序神经网络中的子时序网络的参数输入。8.根据权利要求1所述的方法，其中，将候选工作的特征表示和所述用户工作特征表示输入所述原始模型中的预测神经网络，预测所述样本用户跳槽到所述候选工作的概率，包括：将候选工作的特征表示、跳槽时间和所述用户工作特征表示输入所述原始模型中的预测神经网络，预测所述样本用户跳槽到所述候选工作的概率。9.根据权利要求8所述的方法，其中，所述预测神经网络包括跳槽公司预测子网络和/或跳槽岗位预测子网络；相应的，将候选工作的特征表示、跳槽时间和所述用户工作特征表示输入所述原始模型中的预测神经网络，预测所述样本用户跳槽到所述候选工作的概率，包括：将所述候选工作的特征表示中的候选公司的特征表示、跳槽时间和所述用户工作特征表示中的用户公司特征表示输入所述跳槽公司预测子网络，预测所述样本用户跳槽到所述候选公司的概率；和/或，将所述候选工作的特征表示中的候选岗位的特征表示、跳槽时间和所述用户工作特征表示中的用户岗位特征表示输入所述跳槽岗位预测子网络，预测所述样本用户跳槽到所述候选岗位的概率。10.根据权利要求8-9中任一项所述的方法，其中，所述预测神经网络还包括：跳槽时间预测子网络；相应的，将候选工作的特征表示、跳槽时间和所述用户工作特征表示输入所述原始模型中的预测神经网络，预测所述样本用户跳槽到所述候选工作的概率之前，还包括：将所述用户工作特征表示中的用户时间特征表示输入所述跳槽时间预测子网络，预测得到跳槽时间。11.一种工作推荐方法，使用权利要求1-10中任一项所述的方法建立的工作预测模型实现，所述方法包括：根据目标用户简历信息，确定目标用户简历特征表示；将所述目标用户简历特征表示输入至所述工作预测模型中，得到目标用户跳槽到候选工作的概率；根据所述用户跳槽所述候选工作的概率，为所述目标用户推荐工作。12.根据权利要求11所述的方法，其中，根据目标用户简历信息，确定目标用户简历特征表示，包括：根据所述目标用户简历信息，确定目标用户属性信息和目标用户的至少一份工作的工作属性信息和该份工作的工作时长；根据所述目标用户属性信息，确定目标简历静态属性特征表示；根据所述目标用户的至少一份工作的工作属性信息，确定目标简历动态属性特征表示；对所述目标用户的至少一份工作的工作时长进行编码，确定目标时间编码表示；将所述目标简历静态属性特征表示、所述目标简历动态属性特征表示和所述目标时间编码表示，作为所述目标用户简历特征表示。
13.根据权利要求12所述的方法，其中，将所述用户简历特征表示输入至所述工作预测模型中，包括：根据所述目标简历静态属性特征表示，得到初始传递参数；将所述初始传递参数作为所述工作预测模型中的时序神经网络的...

【专利技术属性】
技术研发人员：王超，祝恒书，马超，张敬帅，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：