一种公司亮点生成方法及系统技术方案

本发明专利技术实施例公开了一种公司亮点生成方法，包括：获取给定公司表征以及给定求职者表征，将所述给定公司表征以及所述给定求职者表征分别输入到评价生成器，所述评价生成器根据所述给定公司表征以及所述给定求职者表征预测生成所述给定求职者对所述给定公司的预测评价；将所述预测评价输入到风格迁移器，所述风格迁移器将所述预测评价转化为所述给定公司针对所述给定求职者关注点的亮点描述

【技术实现步骤摘要】
一种公司亮点生成方法及系统


[0001]本专利技术涉及计算机
，具体而言，涉及一种公司亮点生成方法及系统
。

技术介绍

[0002]招聘本质是公司和求职者相互选择的过程，因此对公司亮点恰当合适的描述将有助于公司更好更快地招聘到既符合公司需要又和公司整体价值观契合的人才，在降低招聘成本的同时，助力公司长远发展
。
当前公司亮点主要由人工总结撰写，一方面其质量由撰写者主观决定，另一方面不能针对候选人偏好总结公司亮点，降低了公司的招聘吸引力
。

技术实现思路

[0003]本专利技术的目的在于提供一种公司亮点生成方法及系统，利用求职者的客观评价数据实现公司面向求职者偏好的公司亮点生成，摒除了撰写者主观经验的影响，可以更好的吸引求职者，提升招聘效率，通过对比学习和
in
‑
context learning
技术，降低了对人工标注数据数量的需求，降低了算法开发成本
。
[0004]本专利技术提供了一种公司亮点生成方法，所述方法包括：获取给定公司表征以及给定求职者表征，将所述给定公司表征以及所述给定求职者表征分别输入到评价生成器，所述评价生成器根据所述给定公司表征以及所述给定求职者表征预测生成所述给定求职者对所述给定公司的预测评价；将所述预测评价输入到风格迁移器，所述风格迁移器将所述预测评价转化为所述给定公司针对所述给定求职者关注点的亮点描述
。
作为本专利技术进一步的改进，所述用户的行为特征包括求职者属性信息<br/>、
求职者偏好信息
、
招聘者属性信息
、
招聘者偏好信息
、
求职者与招聘者历史交互信息以及环境信息
。
[0005]作为本专利技术进一步的改进，所述获取给定公司表征，包括：将所述给定公司的多模态数据输入到对应类型的编码器中，所述对应类型的编码器对所述多模态数据进行编码得到对应类型的编码后的数据并输入到跨模态融合器，其中，所述多模态数据包括公司文本数据
、
公司图片数据以及公司视频数据，所述对应类型的编码器包括文本编码器
、
图片编码器以及视频编码器，所述对应类型的编码后的数据包括文本编码
、
图片编码以及视频编码；所述跨模态融合器将所述文本编码
、
所述图片编码以及所述视频编码进行融合得到所述给定公司表征
。
[0006]作为本专利技术进一步的改进，所述文本编码器采用序列语言模型对所述公司文本数据进行编码得到所述文本编码；所述图片编码器采用经典视觉模型对所述公司图片数据进行编码得到图片编码；所述视频编码器采用抽帧算法将所述公司视频数据表示为图片帧序列，采用所述经典视觉模型对所述图片帧序列进行编码，编码后采用
transformer
‑
encoder
对编码后的图片帧序列进行融合；
其中，所述序列语言模型采用
GRU
模型
、LSTM
模型
、
隐马尔可夫链模型和
BERT
模型中的一种，所述经典视觉模型采用
ResNet
模型和
Vit
模型中的一种
。
[0007]作为本专利技术进一步的改进，所述跨模态融合器采用
multi
‑
head attention
架构和
dual
‑
multi
‑
head attention
架构中的一种对所述文本编码
、
图片编码以及视频编码进行融合
。
[0008]作为本专利技术进一步的改进，所述获取给定求职者表征，包括：通过特征提取器对所述给定求职者的多类型信息按照类型分别进行抽取得到抽取特征信息，其中所述多类型信息包括类别类信息
、
数值类信息
、
文本类信息以及行为类信息；将所述抽取特征信息传入用户建模器，通过所述用户建模器建模得到所述给定求职者表征
。
[0009]作为本专利技术进一步的改进，所述类别类信息采用
one
‑
hot
编码
、embedding
编码和决策树编码中的一种进行编码；所述数值类信息采用离散编码
、
最大最小值归一化编码和
Z
‑
score
标准化编码中的一种进行编码；所述文本类信息采用词袋模型
、
主题模型
、word2vec
模型和基于预训练的大语言模型中的一种进行编码；所述行为类信息采用
RNN
模型
、GRU
模型
、LSTM
模型
、
隐马尔可夫链模型和
transformer
模型中的一种进行编码；所述用户建模器采用
wide
‑
deep
模型
、DIN
模型和
DIEN
模型中的一种进行建模
。
[0010]作为本专利技术进一步的改进，所述评价生成器采用
RNN
模型
、GRU
模型
、LSTM
模型和
transformer
‑
decoder
模型中的一种；所述预测评价包括文本格式评价和类别格式评价
。
[0011]作为本专利技术进一步的改进，所述风格迁移器包括文本生成模型，所述文本生成模型采用
seq
‑
to
‑
seq
模型，并结合
RNN
模型
、LSTM
模型和
transformer
模型中的一种；所述文本生成模型中引入
in
‑
context learning
学习方式，从求职者评价对公司亮点描述的数据中检索出与所述给定求职者最相似的
N
个求职者中
M
条最具多样性的样本作为示例，所述预测评价通过
prompt
提示附带所述示例作为所述文本生成模型的输入，生成所述给定公司针对所述给定求职者关注点的亮点描述
。
[0012]作为本专利技术进一步的改进，所述从求职者评价对公司亮点描述的数据中检索出与所述给定求职者最相似的
N
个求职者中
M
条最具多样性的样本作为示例，包括：从所述求职者评价对公司亮点描述的数据中检索出所述
N
个求职者对公司亮点描述的全部数据，表示为：，其中每条数据，为被评价公司，为评价内容，为对应公司亮点描述；
[0013]从所述
N
个求职者对公司亮点描述的全部数据
R
中随机选择一条数据加入示例集合，计算
R
中剩余各本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种公司亮点生成方法，其特征在于，所述方法包括：获取给定公司表征以及给定求职者表征，将所述给定公司表征以及所述给定求职者表征分别输入到评价生成器，所述评价生成器根据所述给定公司表征以及所述给定求职者表征预测生成所述给定求职者对所述给定公司的预测评价；将所述预测评价输入到风格迁移器，所述风格迁移器将所述预测评价转化为所述给定公司针对所述给定求职者关注点的亮点描述
。2.
如权利要求1所述的方法，其特征在于，所述获取给定公司表征，包括：将所述给定公司的多模态数据输入到对应类型的编码器中，所述对应类型的编码器对所述多模态数据进行编码得到对应类型的编码后的数据并输入到跨模态融合器，其中，所述多模态数据包括公司文本数据
、
公司图片数据以及公司视频数据，所述对应类型的编码器包括文本编码器
、
图片编码器以及视频编码器，所述对应类型的编码后的数据包括文本编码
、
图片编码以及视频编码；所述跨模态融合器将所述文本编码
、
所述图片编码以及所述视频编码进行融合得到所述给定公司表征
。3.
如权利要求2所述的方法，其特征在于，所述文本编码器采用序列语言模型对所述公司文本数据进行编码得到所述文本编码；所述图片编码器采用经典视觉模型对所述公司图片数据进行编码得到图片编码；所述视频编码器采用抽帧算法将所述公司视频数据表示为图片帧序列，采用所述经典视觉模型对所述图片帧序列进行编码，编码后采用
transformer
‑
encoder
对编码后的图片帧序列进行融合；其中，所述序列语言模型采用
GRU
模型
、LSTM
模型
、
隐马尔可夫链模型和
BERT
模型中的一种，所述经典视觉模型采用
ResNet
模型和
Vit
模型中的一种
。4.
如权利要求2所述的方法，其特征在于，所述跨模态融合器采用
multi
‑
head attention
架构和
dual
‑
multi
‑
head attention
架构中的一种对所述文本编码
、
图片编码以及视频编码进行融合
。5.
如权利要求1所述的方法，其特征在于，所述获取给定求职者表征，包括：通过特征提取器对所述给定求职者的多类型信息按照类型分别进行编码得到抽取特征信息，其中所述多类型信息包括类别类信息
、
数值类信息
、
文本类信息以及行为类信息；将所述抽取特征信息传入用户建模器，通过所述用户建模器建模得到所述给定求职者表征
。6.
如权利要求5所述的方法，其特征在于，所述类别类信息采用
one
‑
hot
编码
、embedding
编码和决策树编码中的一种进行编码；所述数值类信息采用离散编码
、
最大最小值归一化编码和
Z
‑
score
标准化编码中的一种进行编码；所述文本类信息采用词袋模型
、
主题模型
、word2vec
模型和基于预训练的大语言模型中的一种进行编码；所述行为类信息采用
RNN
模型
、GRU
模型
、LSTM
模型
、

【专利技术属性】
技术研发人员：朱琛，祝恒书，闫泽华，赵鹏，
申请(专利权)人：北京华品博睿网络技术有限公司，
类型：发明
国别省市：