一种基于图神经网络的岗位匹配方法及装置制造方法及图纸

本发明专利技术提供一种基于图神经网络的岗位匹配方法及装置，包括：获取目标履历对应的目标任职序列；将目标任职序列输入至岗位匹配模型，获取由岗位匹配模型输出的目标任职序列与多个预设岗位的匹配程度；根据匹配程度，在多个预设岗位中确定目标履历的匹配岗位；岗位匹配模型是基于图神经网络构建的；岗位匹配模型是基于样本任职序列，以及样本任职序列对应的样本匹配岗位训练后得到的。本发明专利技术提供的基于图神经网络的岗位匹配方法及装置，利用基于图神经网络构建的岗位匹配模型根据目标任职序列，对目标履历数据对应的个体在下一次任职与每个预设岗位任职的进行匹配，使得匹配的岗位更加合理，与人员的符合度更高。与人员的符合度更高。与人员的符合度更高。

【技术实现步骤摘要】
一种基于图神经网络的岗位匹配方法及装置


[0001]本专利技术涉及人工智能
，尤其涉及一种基于图神经网络的岗位匹配方法及装置。

技术介绍

[0002]现有的干部管理系统大部分只有数据库存储、规则查询等简单功能。
[0003]随着推荐系统技术的发展，岗位推荐是推荐系统很重要的应用方向之一。现有的基于求职文本信息的预测模型，可以将文本映射到向量化空间中，利用文本分类进行岗位推荐。
[0004]上述方法存在推荐的岗位与人员的符合度不高等问题。

技术实现思路

[0005]针对现有技术存在的问题，本专利技术实施例提供一种基于图神经网络的岗位匹配方法及装置。
[0006]本专利技术提供一种基于图神经网络的岗位匹配方法，包括：获取目标履历对应的目标任职序列；将所述目标任职序列输入至岗位匹配模型，获取由所述岗位匹配模型输出的所述目标任职序列与多个预设岗位的匹配程度；根据所述匹配程度，在所述多个预设岗位中确定所述目标履历的匹配岗位；所述岗位匹配模型是基于图神经网络构建的；所述岗位匹配模型是基于样本任职序列，以及所述样本任职序列对应的样本匹配岗位训练后得到的；所述岗位匹配模型用于计算所述目标任职序列与每个预设岗位的匹配程度。
[0007]根据本专利技术提供的一种基于图神经网络的岗位匹配方法，所述岗位匹配模型对所述目标任职序列的处理如下：根据所述目标任职序列，构建岗位变迁有向图；根据所述岗位变迁有向图，构建邻接矩阵；所述邻接矩阵包括入度矩阵和出度矩阵；根据所述邻接矩阵和每个预设岗位的岗位类别向量表示，确定所述目标履历与每个预设岗位的匹配程度。
[0008]根据本专利技术提供的一种基于图神经网络的岗位匹配方法，在所述将所述目标任职序列输入至岗位匹配模型之前，还包括：从履历数据库中获取多个样本履历数据；根据所有预设岗位的岗位信息，确定所述每个预设岗位的岗位类别向量表示，以及每个预设岗位的岗位类别编码；基于所述岗位类别编码，根据所有的样本履历数据，确定每个样本个体的样本任职序列，以及每个样本任职序列对应的样本匹配岗位；
将每个样本任职序列与所述每个样本任职序列对应的样本匹配岗位的组合，作为一个训练样本，获取多个训练样本；利用所述多个训练样本对初始匹配模型进行训练，确定所述岗位匹配模型。
[0009]根据本专利技术提供的一种基于图神经网络的岗位匹配方法，在所述利用所述多个训练样本对初始匹配模型进行训练之前，还包括：获取多个个体的初始履历数据；对所述初始履历数据进行数据清洗，获取所述多个个体的样本履历数据；基于所述多个个体的样本履历数据，构建所述履历数据库。
[0010]根据本专利技术提供的一种基于图神经网络的岗位匹配方法，所述根据所有预设岗位的岗位信息，确定所述每个预设岗位的岗位类别向量表示，包括：根据所述岗位信息中的单位性质，确定所述岗位信息中每个预设岗位的单位类别信息；并根据所述岗位信息中预设岗位的职务和领域关键字，确定所述岗位信息中每个预设岗位的技能领域信息；并确定所述岗位信息中所有预设岗位的职级信息；根据每个预设岗位的所述单位类别信息、所述技能领域信息、所述职级信息，确定所述每个预设岗位的岗位类别向量表示。
[0011]根据本专利技术提供的一种基于图神经网络的岗位匹配方法，所述获取目标履历对应的目标任职序列，包括：获取目标个体的目标履历数据；基于每个预设岗位的岗位类别编码，根据所述目标履历数据中所述目标个体的历史任职岗位，确定所述目标任职序列；在所述目标任职序列中，所述目标个体的历史任职岗位按时间先后顺序排列。
[0012]本专利技术还提供一种基于图神经网络的岗位匹配装置，包括：第一获取模块，用于获取目标履历对应的目标任职序列；第二获取模块，用于将所述目标任职序列输入至岗位匹配模型，获取由所述岗位匹配模型输出的所述目标任职序列与多个预设岗位的匹配程度；确定模块，用于根据所述匹配程度，在所述多个预设岗位中确定所述目标履历的匹配岗位；所述岗位匹配模型是基于图神经网络构建的；所述岗位匹配模型是基于样本任职序列，以及所述样本任职序列对应的样本匹配岗位训练后得到的；所述岗位匹配模型用于计算所述目标任职序列与每个预设岗位的匹配程度。
[0013]本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于图神经网络的岗位匹配方法。
[0014]本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于图神经网络的岗位匹配方法。
[0015]本专利技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于图神经网络的岗位匹配方法。
[0016]本专利技术提供的基于图神经网络的岗位匹配方法及装置，利用基于图神经网络构建的岗位匹配模型根据目标任职序列，对目标履历数据对应的个体在下一次任职与每个预设岗位任职的进行匹配，使得匹配的岗位更加合理，与人员的符合度更高。
附图说明
[0017]为了更清楚地说明本专利技术或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0018]图1是本专利技术提供的基于图神经网络的岗位匹配方法的流程示意图之一；图2是本专利技术提供的岗位变迁有向图的构建方法的流程示意图；图3是本专利技术提供的邻接矩阵的构建方法的流程示意图；图4是本专利技术提供的基于图神经网络的岗位匹配方法的流程示意图之二；图5是本专利技术提供的基于图神经网络的岗位匹配装置的结构示意图；图6是本专利技术提供的电子设备的结构示意图。
具体实施方式
[0019]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合本专利技术中的附图，对本专利技术中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0020]需要说明的是，在本专利技术实施例的描述中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本专利技术中的具体含义。
[0021]在过去的几年中，神经网络的兴起与应用成功推动了模式识别和数据挖掘的研究。许多曾经严重依赖于手工提取特征的机器学习任务如目标检测、机器翻译和语音识别，如今已被各种端到端的深度学习范式彻底改变。人工本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图神经网络的岗位匹配方法，其特征在于，包括：获取目标履历对应的目标任职序列；将所述目标任职序列输入至岗位匹配模型，获取由所述岗位匹配模型输出的所述目标任职序列与多个预设岗位的匹配程度；根据所述匹配程度，在所述多个预设岗位中确定所述目标履历的匹配岗位；所述岗位匹配模型是基于图神经网络构建的；所述岗位匹配模型是基于样本任职序列，以及所述样本任职序列对应的样本匹配岗位训练后得到的；所述岗位匹配模型用于计算所述目标任职序列与每个预设岗位的匹配程度。2.根据权利要求1所述的基于图神经网络的岗位匹配方法，其特征在于，所述岗位匹配模型对所述目标任职序列的处理包括以下步骤：根据所述目标任职序列，构建岗位变迁有向图；根据所述岗位变迁有向图，构建邻接矩阵；所述邻接矩阵包括入度矩阵和出度矩阵；根据所述邻接矩阵和每个预设岗位的岗位类别向量表示，确定所述目标履历与每个预设岗位的匹配程度。3.根据权利要求2所述的基于图神经网络的岗位匹配方法，其特征在于，在所述将所述目标任职序列输入至岗位匹配模型之前，还包括：从履历数据库中获取多个样本履历数据；根据所有预设岗位的岗位信息，确定所述每个预设岗位的岗位类别向量表示，以及每个预设岗位的岗位类别编码；基于所述岗位类别编码，根据所有的样本履历数据，确定每个样本个体的样本任职序列，以及每个样本任职序列对应的样本匹配岗位；将每个样本任职序列与所述每个样本任职序列对应的样本匹配岗位的组合，作为一个训练样本，获取多个训练样本；利用所述多个训练样本对初始匹配模型进行训练，确定所述岗位匹配模型。4.根据权利要求3所述的基于图神经网络的岗位匹配方法，其特征在于，在所述利用所述多个训练样本对初始匹配模型进行训练之前，还包括：获取多个个体的初始履历数据；对所述初始履历数据进行数据清洗，获取所述多个个体的样本履历数据；基于所述多个个体的样本履历数据，构建所述履历数据库。5.根据权利要求3所述的基于...

【专利技术属性】
技术研发人员：胡文蕙，刘学洋，张津婵，邵文宇，
申请(专利权)人：北京大学，
类型：发明
国别省市：