基于文本分析的人力资源推荐方法技术

本发明专利技术公开了一种基于文本分析的人力资源推荐方法，包括：获取用人企业需求人才的岗位描述文本信息，基于获取的岗位描述文本信息确定任职条件，并提取任职条件下的需求关键词；以及，从该待业人员的简历文本信息中提取多个求职关键词；为该待业人员各求职条件配置对应的求职关键词；确定任职条件与求职条件之间的匹配程度；确定该待业人员的求职条件与当前岗位的综合匹配程度；将各待业人员求职条件的综合匹配程度进行排序，以基于综合匹配程度靠前的待业人员向用人企业进行推荐。本申请的方案将求职条件与任职条件进行匹配，通过模型输出综合匹配程度靠前的待业人员，实现智能化向企业推送与岗位适配的人才，提高企业的招聘效率。效率。效率。

【技术实现步骤摘要】
基于文本分析的人力资源推荐方法


[0001]本专利技术涉及计算机
，尤其涉及一种基于文本分析的人力资源推荐方法。

技术介绍

[0002]随着社会的进步，招聘和求职的需求量不断增大，并且招聘岗位的细分程度也越来越精细化。而传统的一些收集信息的渠道，如专人登记等，己不能满足当前诸多企业对人才信息收集需要。而现在各种招聘网站层出不穷，网络化的社交方式也提供了良好的人力资源平台，由于网络招聘平台信息的丰富性以及操作的便利性，越来越多的求职者通过网络招聘平台查询合适的招聘职位信息进行求职。
[0003]目前的网络招聘平台求职的方法是：招聘企业在招聘平台上发布招聘信息，招聘信息被存储在网络招聘平台的招聘职位数据库中，求职者在求职时通过网络招聘平台在职位数据库中检索查找合适的招聘职位，然后投递简历，以等待招聘企业的回复。
[0004]然而，求职者在现有的招聘平台上求职时，由于求职简历与招聘职位不能实现智能精确匹配。由此企业通常需要大量的时间来找到合适空缺岗位的人才，长期的岗位空缺，给企业带来极大的不便。

技术实现思路

[0005]本专利技术实施例提供一种基于文本分析的人力资源推荐方法，根据企业的任职条件对待业者的简历信息进行匹配，从而精确向企业推荐合适的应聘人员，提高企业的招聘效率，同时提高求职者的求职成功率。
[0006]本专利技术实施例提出基于文本分析的人力资源推荐方法，包括：
[0007]数据采集步骤：获取用人企业需求人才的岗位描述文本信息，并获取数个待业人员的简历文本信息；
[0008]关键词提取步骤：对所述岗位描述文本信息确定任职条件，并提取所述任职条件下的需求关键词；
[0009]以及，对任一待业人员的所述简历文本信息进行分类，以获得求职条件，并从该待业人员的所述简历文本信息中提取多个求职关键词；
[0010]任职匹配步骤：为该待业人员各求职条件配置对应的求职关键词；
[0011]基于所述任职条件与配置后的求职条件，确定任职条件与求职条件之间的匹配程度；
[0012]根据预先配置的当前岗位下各任职条件的权重确定该待业人员的求职条件与当前岗位的综合匹配程度；
[0013]人才推荐步骤：将各待业人员求职条件的综合匹配程度进行排序，以基于综合匹配程度靠前的待业人员向用人企业进行推荐。
[0014]可选的，为该待业人员各求职条件配置对应的求职关键词包括采用如下方法构建各求职条件下的求职关键词的词向量：
[0015]为各求职条件配置多个求职关键词，形成求职序列S＝{s1,
…
,s
i
…
,s
n
}，n为求职关键词的数量；
[0016]为任一求职条件的各求职关键词s
i
配置标识向量a
i
；
[0017]基于任一求职条件的各求职关键词向量s
i
以及标识向量a
i
，拼接形成第一向量Z
i
＝[s
i
；a
i
]作为双向LSTM模型的输入；
[0018]拼接双向LSTM模型的前向LSTM模型以及后向LSTM模型的输出，以基于双向LSTM模型输出求职序列的求职关键词s
i
的词向量q
i
。
[0019]可选的，基于与求职条件对应的任职条件，配置求职关键词s
i
如下属性向量：
[0020]用于描述求职关键词s
i
与求职条件最近距离的第一属性向量at1；
[0021]用于描述求职关键词s
i
与求职条件最远距离的第二属性向量at2；
[0022]用于描述求职关键词s
i
与对应任职条件最近距离的第三属性向量at3；
[0023]用于描述求职关键词s
i
与对应任职条件最远距离的第四属性向量at4；
[0024]基于所述任职条件与配置后的求职条件，确定任职条件与求职条件之间的匹配程度包括：
[0025]对于求职关键词s
i
，拼接第一属性向量at1、第二属性向量at2、第三属性向量at3、第四属性向量at4以及词向量q
i
，以构建语义向量F
i
＝[at1；at2；at3；at4；q
i
]，并将语义向量输入CNN模型；
[0026]对于求职关键词s
i
，使用第一卷积过滤向量C
j
生成第一目标值u
i
，满足：
[0027][0028]其中，第一卷积过滤向量C
s
用于描述词语s
i
在简历文本信息中的文本关系，T表示转秩运算，z表示窗口规模；
[0029]基于目标值u
i
，利用最大池化模型，从{u
i
|i∈[1,n]}，生成第二目标值u
*
，满足：
[0030]u
*
＝max_pooling(u1,
…
,u
n
)
[0031]基于CNN模型，生成求职序列S的全局语义向量u
j
：
[0032][0033]其中，f
j
为第一卷积过滤向量C
j
的数量。
[0034]可选的，将构建的语义向量F
i
输入CNN模型之后还包括：
[0035]对于求职序列S中的求职关键词s
i
，定义用于描述求职关键词s
i
自身文本属性的第二卷积过滤向量C
k
；
[0036]对于求职关键词s
i
，使用第二卷积过滤向量C
k
生成第三目标值u
′
i
，满足：
[0037][0038]基于目标值u
′
i
，利用最大池化模型，从{u
′
i
|i∈[s
be
,s
ed
]}，1≤s
be
≤s
ed
≤n,，生成第四目标值u
′
*
，满足：
[0039][0040]基于CNN模型，生成求职关键词s
i
的局部语义向量u
k
：
[0041][0042]其中，f
k
为第二卷积过滤向量C
k
的数量。
[0043]可选的，基于所述任职条件与配置后的求职条件，确定任职条件与求职条件之间的匹配程度还包括：
[0044]基于预先构建的关键词库查询求职关键词s
i
的概念集合，的概念集合，以及查询任职条件中任职关键词p
i
的概念集合的概念集合
[0045]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于文本分析的人力资源推荐方法，其特征在于，包括：数据采集步骤：获取用人企业需求人才的岗位描述文本信息，并获取数个待业人员的简历文本信息；关键词提取步骤：对所述岗位描述文本信息确定任职条件，并提取所述任职条件下的需求关键词；以及，对任一待业人员的所述简历文本信息进行分类，以获得求职条件，并从该待业人员的所述简历文本信息中提取多个求职关键词；任职匹配步骤：为该待业人员各求职条件配置对应的求职关键词；基于所述任职条件与配置后的求职条件，确定任职条件与求职条件之间的匹配程度；根据预先配置的当前岗位下各任职条件的权重确定该待业人员的求职条件与当前岗位的综合匹配程度；人才推荐步骤：将各待业人员求职条件的综合匹配程度进行排序，以基于综合匹配程度靠前的待业人员向用人企业进行推荐。2.如权利要求1所述的基于文本分析的人力资源推荐方法，其特征在于，为该待业人员各求职条件配置对应的求职关键词包括采用如下方法构建各求职条件下的求职关键词的词向量：为各求职条件配置多个求职关键词，形成求职序列S＝{s1,
…
,s
i
…
,s
n
}，n为求职关键词的数量；为任一求职条件的各求职关键词s
i
配置标识向量a
i
；基于任一求职条件的各求职关键词向量s
i
以及标识向量a
i
，拼接形成第一向量Z
i
＝[s
i
；a
i
]作为双向LSTM模型的输入；拼接双向LSTM模型的前向LSTM模型以及后向LSTM模型的输出，以基于双向LSTM模型输出求职序列的求职关键词s
i
的词向量q
i
。3.如权利要求2所述的基于文本分析的人力资源推荐方法，其特征在于，基于与求职条件对应的任职条件，配置求职关键词s
i
如下属性向量：用于描述求职关键词s
i
与求职条件最近距离的第一属性向量at1；用于描述求职关键词s
i
与求职条件最远距离的第二属性向量at2；用于描述求职关键词s
i
与对应任职条件最近距离的第三属性向量at3；用于描述求职关键词s
i
与对应任职条件最远距离的第四属性向量at4；基于所述任职条件与配置后的求职条件，确定任职条件与求职条件之间的匹配程度包括：对于求职关键词s
i
，拼接第一属性向量at1、第二属性向量at2、第三属性向量at3、第四属性向量at4以及词向量q
i
，以构建语义向量F
i
＝[at1；at2；at3；at4；q
i
]，并将语义向量输入CNN模型；对于求职关键词s
i
，使用第一卷积过滤向量C
j
生成第一目标值u
i
，满足：其中，第一卷积过滤向量C
s
用于描述词语s
i
在简历文本信息中的文本关系，T表示转秩
运算，z表示窗口规模；基于目标值u
i
，利用最大池化模型，从{u
i
|i∈[1,n]}，生成第二目标值u
*
，满足：u
*
＝max_pooling(u1,
…
,u
n
)基于CNN模型，生成求职序列S的全局语义向量u
j
：其中，f
j
为第一卷积过滤向量C
j
的数量。4.如权利要求3所述的基于文本分析的人力资源推荐方法，其特征在于，将构建的语义向量F
i
输入CNN模型之后还包括：对于求职序列S中的求职关键词s
i
，定义用于描述求职关键词s
i

【专利技术属性】
技术研发人员：王冉，
申请(专利权)人：石家庄信息工程职业学院，
类型：发明
国别省市：