一种简历分析方法、装置、电子设备、介质及产品制造方法及图纸

本公开提供了一种简历分析方法、装置、电子设备、介质及产品，涉及数据处理技术领域，尤其涉及大数据分析技术领域。具体实现方案为：获取待评测简历，根据待评测简历中的职位信息和求职能力信息，确定待评测简历所属的目标评测分区。然后将待评测简历输入目标评测分区对应的目标评测模型，得到目标评测模型输出的评测结果。其中，每个评测分区对应一个评测模型，每个评测分区对应的评测模型为利用该评测分区的第一简历样本集对神经网络模型训练得到的模型，第一简历样本集包括多个简历样本和每个简历样本的标注信息。由此可以对不同评测分区的简历提供差异化的评测结果。区的简历提供差异化的评测结果。区的简历提供差异化的评测结果。

【技术实现步骤摘要】
一种简历分析方法、装置、电子设备、介质及产品


[0001]本公开涉及数据处理
，尤其涉及大数据分析


技术介绍

[0002]简历是求职者向招聘单位发送的一份简要的个人介绍，例如简历中包括求职者的基本信息、学习经历、工作经历和期望薪资等。一份优秀的简历不但能让人快速了解求职者的能力和要求，还能够给面试官留下好的印象，对于获得面试机会至关重要。
[0003]不同的求职者对于简历的撰写水平不同，尤其对于缺乏简历撰写经验的求职者来说，撰写的简历更难以在简历筛选阶段脱颖而出。因此对于简历的自动分析有助于提高求职者的应聘成功率。

技术实现思路

[0004]本公开提供了一种简历分析方法、装置、电子设备、介质及产品。
[0005]根据本公开的第一方面，提供了一种简历分析方法，包括：
[0006]获取待评测简历；
[0007]根据所述待评测简历中的职位信息和求职能力信息，确定所述待评测简历所属的目标评测分区；
[0008]将所述待评测简历输入所述目标评测分区对应的目标评测模型，得到所述目标评测模型输出的评测结果；
[0009]其中，每个评测分区对应一个评测模型，每个评测分区对应的评测模型为利用该评测分区的第一简历样本集对神经网络模型训练得到的模型，所述第一简历样本集包括多个简历样本和每个简历样本的标注信息。
[0010]根据本公开的第二方面，提供了一种简历分析装置，包括：
[0011]获取模块，用于获取待评测简历；
[0012]确定模块，用于根据所述获取模块获取的所述待评测简历中的职位信息和求职能力信息，确定所述待评测简历所属的目标评测分区；
[0013]评测模块，用于将所述待评测简历输入所述确定模块确定的所述目标评测分区对应的目标评测模型，得到所述目标评测模型输出的评测结果；
[0014]其中，每个评测分区对应一个评测模型，每个评测分区对应的评测模型为利用该评测分区的第一简历样本集对神经网络模型训练得到的模型，所述第一简历样本集包括多个简历样本和每个简历样本的标注信息。
[0015]根据本公开的第三方面，提供了一种电子设备，包括：
[0016]至少一个处理器；以及
[0017]与所述至少一个处理器通信连接的存储器；其中，
[0018]所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述第一方面所述的方法。
[0019]根据本公开的第四方面，提供了存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行上述第一方面所述方法。
[0020]根据本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现上述第一方面所述的方法。
[0021]本公开实施例提供的简历分析方法、装置、电子设备、介质及产品，利用待评测简历所属的目标评测分区的目标分析模型，对待评测简历进行分析得到分析结果。由于本公开实施例利用求职领域、求职岗位、学历和工作经验对简历进行精细化分区，并利用每个评测分区的分析模型分析该评测分区的简历，使得对于简历的分析更具有针对性。而且由于本公开实施例划分了评测分区，因此可以对不同评测分区的简历提供差异化的评测结果。
[0022]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0023]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0024]图1是根据本公开实施例提供的一种简历评测方法的流程图；
[0025]图2是根据本公开实施例提供的一种获得待评测简历的方法的流程图；
[0026]图3是根据本公开实施例提供的一种训练评测模型的方法流程图；
[0027]图4是根据本公开实施例提供的一种岗位匹配方法的流程图；
[0028]图5是根据本公开实施例提供的一种训练匹配模型的方法流程图；
[0029]图6是根据本公开实施例提供的一种训练关键词标注模型的方法流程图；
[0030]图7是根据本公开实施例提供的一种简历处理流程的示例性示意图；
[0031]图8是根据本公开实施例提供的一种简历内容评测过程的示例性示意图；
[0032]图9是根据本公开实施例提供的一种岗位匹配过程的示例性示意图；
[0033]图10a是根据本公开实施例提供的一种简历评测装置的结构示意图；
[0034]图10b是根据本公开实施例提供的另一种简历评测装置的结构示意图；
[0035]图11是用来实现本公开实施例的简历评测方法的电子设备的框图。
具体实施方式
[0036]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
[0037]本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
[0038]面对企业繁多且精细的招聘需求，如何在简历筛选阶段即让简历脱颖而出，并提升应聘的成功率，是每位求职者的困扰。目前大多数智能简历系统都是面向企业招聘者，很少有面向求职者的智能简历系统。而且目前面向求职者的智能简历系统只能对简历进行简单的评测，而不能针对不同的简历提供差异化的评测结果。
[0039]本公开实施例面向求职者，提供了一种简历分析方法，该方法应用于电子设备，例
如电子设备可以是终端或者服务器，终端可以是手机、计算机、平板电脑等具备数据处理能力的设备。如图1所示，该方法包括如下步骤：
[0040]S101、获取待评测简历。
[0041]S102、根据待评测简历中的职位信息和求职能力信息，确定待评测简历所属的目标评测分区。
[0042]其中，职位信息包括求职领域和/或求职岗位。例如，求职领域可以是：互联网、房地产、金融、教育培训、医疗、交通运输或者传媒等。求职岗位可以是：软件工程师、研发经理或者运维工程师等。
[0043]求职能力信息表示求职者在待评测简历中填写的自身的工作能力和/或学习能力等。求职能力信息包括学历和/或工作经验。例如，学历可以是：大专、本科、硕士或者博士等。工作经验可以是：一年、两年或者三年等。
[0044]本公开实施例根据求职领域、求职岗位、学历和/或工作经验，确定待评测简历的评测分区，可以看出本公开实施例对于评测分区的划分粒度细，使得对于待评测简历的分析结果更有针对性。
[0045]S103、将待评测简历输入目标评测分区对应的目标评测模型，得到目标评本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种简历分析方法，包括：获取待评测简历；根据所述待评测简历中的职位信息和求职能力信息，确定所述待评测简历所属的目标评测分区；将所述待评测简历输入所述目标评测分区对应的目标评测模型，得到所述目标评测模型输出的评测结果；其中，每个评测分区对应一个评测模型，每个评测分区对应的评测模型为利用该评测分区的第一简历样本集对神经网络模型训练得到的模型，所述第一简历样本集包括多个简历样本和每个简历样本的标注信息。2.根据权利要求1所述的方法，所述标注信息包括：整体评分，每个预设维度的评分和优化建议，预设内容模块中关键词和每个关键词的特征类型，以及每个预设内容模块的优化建议；每个评测分区对应的评测模型通过以下步骤训练获得：获得该评测分区的多个简历样本；分别将每个简历样本输入神经网络模型，得到神经网络模型的对每个简历样本的评测结果，所述评测结果包括：整体评分，每个预设维度的评分和优化建议，预设内容模块中关键词和每个关键词的特征类型，以及每个预设内容模块的优化建议；根据所述输出结果和输入所述神经网络模型的简历样本的标注信息，确定所述神经网络模型是否收敛；若所述神经网络模型未收敛，则调整所述神经网络模型的模型参数，并返回所述分别将每个简历样本输入神经网络模型的步骤；若所述神经网络模型收敛，则将当前的神经网络模型作为该评测分区对应的评测模型。3.根据权利要求1所述的方法，所述方法还包括：提取待投递简历对应的基础信息和企业信息，所述待投递简历为基于所述待评测简历的评测结果对所述待评测简历优化后的简历，或者所述待投递简历为用户输入的简历，所述基础信息包括职位信息、意向薪资和求职能力信息；基于所述待投递简历对应的基础信息和企业信息，确定所述待投递简历所匹配的目标岗位分区，其中每个岗位分区中包括多条招聘信息；通过训练完成的匹配模型，计算所述待投递简历包括的关键词与所述目标岗位分区内每条招聘信息包括的关键词之间的特征匹配分值；根据所述待投递简历与所述目标岗位分区内每条招聘信息的特征匹配分值，向求职者推送与所述待投递简历匹配的招聘信息。4.根据权利要求3所述的方法，所述训练完成的匹配模型通过以下步骤得到：基于职位信息、薪资范围、求职能力信息和企业信息，对岗位数据库中包括的招聘信息进行分区，得到多个岗位分区；通过关键词标注模型确定每个岗位分区内的每条招聘信息的关键词以及每个关键词对应的特征类型；针对第二简历样本集中的每个简历样本，基于该简历样本的基础信息和企业信息，确
定该简历样本所匹配的岗位分区，将该简历样本所匹配的岗位分区中包括的招聘信息作为该简历样本的基础匹配集合；通过匹配模型计算该简历样本包括的关键词与所述基础匹配集合中每条招聘信息包括的关键词之间的特征匹配分值；确定所述特征匹配分值的误差；若所述误差大于等于预设误差阈值，则调整匹配模型的模型参数，返回所述通过匹配模型计算该简历样本包括的关键词与所述基础匹配集合中每条招聘信息包括的关键词之间的特征匹配分值的步骤；若所述误差小于所述预设误差阈值，则将当前的匹配模型作为训练完成的匹配模型。5.根据权利要求4所述的方法，所述关键词标注模型通过以下步骤训练得到：获取招聘信息样本集，所述招聘信息样本集包括多个岗位分区的招聘信息样本以及每条招聘信息样本的标注信息，招聘信息样本的标注信息包括招聘信息样本指定内容模块中的关键词以及每个关键词对应的特征类型；分别将每个招聘信息样本输入深度学习网络，得到深度学习网络的输出结果，所述输出结果包括关键词以及每个关键词对应的特征类型；根据所述输出结果和输入深度学习网络的招聘信息样本的标注信息，确定深度学习网络是否收敛；若深度学习网络未收敛，则调整深度学习网络的网络参数，并返回所述分别将每个简历样本输入深度学习网络的步骤；...

【专利技术属性】
技术研发人员：张玉芳，邵世臣，李永恒，徐飞，
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：