[go: up one dir, main page]

CN116562837A - 人岗匹配方法、装置、电子设备及计算机可读存储介质 - Google Patents

人岗匹配方法、装置、电子设备及计算机可读存储介质 Download PDF

Info

Publication number
CN116562837A
CN116562837A CN202310849537.4A CN202310849537A CN116562837A CN 116562837 A CN116562837 A CN 116562837A CN 202310849537 A CN202310849537 A CN 202310849537A CN 116562837 A CN116562837 A CN 116562837A
Authority
CN
China
Prior art keywords
information
post
features
job
job seeker
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310849537.4A
Other languages
English (en)
Inventor
徐琳
王芳
董辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Xumi Yuntu Space Technology Co Ltd
Original Assignee
Shenzhen Xumi Yuntu Space Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Xumi Yuntu Space Technology Co Ltd filed Critical Shenzhen Xumi Yuntu Space Technology Co Ltd
Priority to CN202310849537.4A priority Critical patent/CN116562837A/zh
Publication of CN116562837A publication Critical patent/CN116562837A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/105—Human resources
    • G06Q10/1053—Employment or hiring
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及计算机技术领域，提供了一种人岗匹配方法、装置、电子设备及计算机可读存储介质。该方法包括：获取求职者信息和岗位信息；分别获取求职者信息的显式特征和岗位信息的显式特征，显式特征用于表征求职者信息和岗位信息的静态特征；分别获取求职者信息的隐式特征和岗位信息的隐式特征，隐式特征用于表征求职者和岗位的动态特征；将求职者信息的显式特征与隐式特征拼接，得到求职者特征向量，将岗位信息的显式特征与隐式特征拼接，得到岗位特征向量；基于求职者特征向量与岗位特征向量进行人岗匹配。该方法能够提高人岗匹配精度和效率。

Description

人岗匹配方法、装置、电子设备及计算机可读存储介质
技术领域
本申请涉及计算机技术领域，尤其涉及一种人岗匹配方法、装置、电子设备及计算机可读存储介质。
背景技术
人岗匹配（Person-Job Fit，PJF）任务是一种双边场景任务，与传统推荐任务中只需关注用户兴趣偏好不同，推荐双方都存在主动行为以及自身偏好。例如，求职者有自身的目标职位，工作岗位也有对求职者的能力要求。如何从求职者信息与岗位信息中提取有效的特征，以对求职者与岗位之间进行匹配，是需要解决的技术问题。
发明内容
有鉴于此，本申请实施例提供了一种人岗匹配方法、装置、电子设备及计算机可读存储介质，以解决现有技术中人岗匹配精度不够的问题。
本申请实施例的第一方面，提供了一种人岗匹配方法，包括：
获取求职者信息和岗位信息；
分别获取求职者信息的显式特征和岗位信息的显式特征，显式特征用于表征求职者信息和岗位信息的静态特征；
分别获取求职者信息的隐式特征和岗位信息的隐式特征，隐式特征用于表征求职者和岗位的动态特征；
将求职者信息的显式特征与隐式特征拼接，得到求职者特征向量，将岗位信息的显式特征与隐式特征拼接，得到岗位特征向量；
基于求职者特征向量与岗位特征向量进行人岗匹配。
本申请实施例的第二方面，提供了一种人岗匹配装置，包括：
信息获取模块，被配置为获取求职者信息和岗位信息；
第一特征获取模块，被配置为分别获取求职者信息的显式特征和岗位信息的显式特征，显式特征用于表征求职者信息和岗位信息的静态特征；
第二特征获取模块，被配置为分别获取求职者信息的隐式特征和岗位信息的隐式特征，隐式特征用于表征求职者和岗位的动态特征；
拼接模块，被配置为将求职者信息的显式特征与隐式特征拼接，得到求职者特征向量，将岗位信息的显式特征与隐式特征拼接，得到岗位特征向量；
匹配模块，被配置为基于求职者特征向量与岗位特征向量进行人岗匹配。
本申请实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。
本申请实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
本申请实施例与现有技术相比存在的有益效果是：通过分别获取表征求职者信息和岗位信息的静态特征的显式特征，以及分别获取表征求职者信息和岗位信息的动态特征的隐示特征，并将求职者信息的显式特征与隐式特征拼接，得到求职者特征向量，将岗位信息的显式特征与隐式特征拼接，得到岗位特征向量，进而基于求职者特征向量与岗位特征向量进行人岗匹配，提高了人岗匹配精度，提升了人岗匹配效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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它的附图。
图1是基于PJFNN实现人岗匹配方法的流程图。
图2是本申请实施例提供的一种人岗匹配方法的流程示意图。
图3是本申请实施例提供的一种基于求职者特征向量与岗位特征向量进行人岗匹配的方法的流程示意图。
图4是本申请实施例提供的一种获取求职者与岗位的显式特征的方法的流程示意图。
图5是本申请实施例提供的一种获取求职者与岗位的隐式特征的方法的流程示意图。
图6是本申请实施例提供的一种人岗匹配装置的示意图。
图7是本申请实施例提供的电子设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
随着科技的发展，诸多传统行业企业均致力于数字化转型，企业的多项职能都在开拓相应的线上产品，其中，人力产品具有举足轻重的作用。对某些体量较大的企业而言，为实现员工发展多元化，人力部门可以提供在完成业务、不同职能间活水的数字化人力产品；同时，员工也可以通过活水的数字化人力产品，从多个岗位中选出自己期望的岗位投递。以某地产企业为例，其拥有数万员工，并能提供近千个岗位。员工要从该近千岗位中选出自己期望的岗位投递，筛选难度较大，很可能出现漏看的岗位；同时，相应部分的人力资源管理人员需要从接收到的众多简历中挑选出需要安排面试的员工，同样无法快速精准确定与岗位要求最相符的员工。
在此基础上，衍生出了人岗匹配任务。相关技术中，可以基于人岗匹配卷积神经网络模型（Person-Job Fit NueralNetwork，PJFNN）实现人岗匹配。图1是基于PJFNN实现人岗匹配方法的流程图。如图1所示，该方法包括如下步骤：
在步骤S101中，对简历文本和岗位文本进行预处理。
一示例中，可以将求职者的原始简历文本和工作岗位的岗位文本进行预处理，包括中文分词、停用词过滤、词向量转换等，从而得到预处理后的简历文本和岗位文本。
在步骤S102中，将预处理后的简历文本和岗位文本输入PJFNN模型。
一示例中，可以将预处理后的简历文本和岗位文本输入至PJFNN模型，以供后续处理。
在步骤S103中，对输入数据进行特征提取，得到简历文本的特征向量和岗位文本的特征向量。
一示例中，PJFNN模型可以是卷积神经网络（Convolutional NeuralNetwork ，CNN）模型，可以通过CNN模型中的卷积和池化等操作提取简历文本和岗位文本中的特征，并基于提取的特征分别构建简历文本的特征向量和岗位文本的特征向量。其中，简历文本和岗位文本的特征用于表示文本的语义和重要性。一些实施方式中，可以对简历文本和岗位文本采用不同的池化处理，例如对简历文本采用均值池化（Mean-pooling）的方法进行处理，对岗位文本采用最大值池化（Max-pooling）的方法进行处理。
在步骤S104中，基于相似度算法对简历文本的特征向量和岗位文本的特征向量进行匹配，得到简历文本和岗位文本的相似度。
一示例中，可以使用余弦相似度计算法、欧氏距离计算法等方法，对简历文本的特征向量和岗位文本的特征向量进行匹配，以计算得到简历文本和岗位文本的相似度。
在步骤S105中，对相似度排序，并基于排序结果进行岗位推荐或者求职者推荐。
一示例中，可以将计算得到的相似度由高至低排序，并将相似度最高的一个或多个岗位推荐给求职者，或者将相似度最高的一个或多个求职者推荐给岗位负责人。
其中，在步骤S103中，对输入数据进行特征提取时，通常采用传统的Word2Vec等模型实现，提取的特征仅能反映简历文本或岗位文本所记载的内容中的语义，其无法结合背景、领域等信息给出更准确的语义。同时，由于岗位描述文本往往格式良好，不同要求通常独立代表专业知识的不同方面。相较而言，求职者的简历文本中，每一项工作经历通常蕴含多种专业知识，因此仅根据文本内容无法实现高精度的匹配。
进一步的，上述简历文本或岗位文本所记载的内容均为静态的，也就是说相关技术在进行人岗匹配时，仅提取求职者和岗位的静态特征进行匹配。然而，求职者的历史岗位浏览情况、简历投递情况、面试情况，以及岗位的历史被点击量、接收到的简历情况等动态信息对人岗匹配同样可以作为求职者和岗位的特征，用于人岗匹配。
鉴于此，本申请实施例提供了一种人岗匹配方法，通过分别获取表征求职者信息和岗位信息的静态特征的显式特征，以及分别获取表征求职者信息和岗位信息的动态特征的隐示特征，并将求职者信息的显式特征与隐式特征拼接，得到求职者特征向量，将岗位信息的显式特征与隐式特征拼接，得到岗位特征向量，进而基于求职者特征向量与岗位特征向量进行人岗匹配，提高了人岗匹配精度，提升了人岗匹配效率。
图2是本申请实施例提供的一种人岗匹配方法的流程示意图。如图2所示，该人岗匹配方法包括如下步骤：
在步骤S201中，获取求职者信息和岗位信息。
在步骤S202中，分别获取求职者信息的显式特征和岗位信息的显式特征。
其中，显式特征用于表征求职者信息和岗位信息的静态特征。
在步骤S203中，分别获取求职者信息的隐式特征和岗位信息的隐式特征。
其中，隐式特征用于表征求职者和岗位的动态特征。
在步骤S204中，将求职者信息的显式特征与隐式特征拼接，得到求职者特征向量，将岗位信息的显式特征与隐式特征拼接，得到岗位特征向量。
在步骤S205中，基于求职者特征向量与岗位特征向量进行人岗匹配。
本申请实施例中，该人岗匹配方法可以由终端设备或服务器执行。其中，终端设备可以是硬件，也可以是软件。当终端设备为硬件时，其可以是具有显示屏且支持与服务器通信的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等；当终端设备为软件时，其可以安装在如上所述的电子设备中。终端设备可以实现为多个软件或软件模块，也可以实现为单个软件或软件模块，本申请实施例对此不作限制。进一步地，终端设备上可以安装有各种应用，例如数据处理应用、即时通信工具、社交平台软件、搜索类应用、购物类应用等。
服务器可以是提供各种服务的服务器，例如，对与其建立通信连接的终端设备发送的请求进行接收的后台服务器，该后台服务器可以对终端设备发送的请求进行接收和分析等处理，并生成处理结果。服务器可以是一台服务器，也可以是由若干台服务器组成的服务器集群，或者还可以是一个云计算服务中心，本申请实施例对此不作限制。
需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，其可以是为终端设备提供各种服务的各种电子设备。当服务器为软件时，其可以是为终端设备提供各种服务的多个软件或软件模块，也可以是为终端设备提供各种服务的单个软件或软件模块，本申请实施例对此不作限制。
本申请实施例中，可以获取求职者信息和岗位信息。其中，求职者信息包括求职者的简历文本、求职者的历史行为等信息，岗位信息包括岗位描述文本、岗位相关历史信息等信息。
本申请实施例中，可以获取求职者信息和岗位信息的显式特征。一示例中，可以从求职者的简历文本中获取求职者信息的显式特征，从岗位的岗位描述文本中获取岗位信息的显式特征。进一步的，获取的显式特征用于表征求职者信息和岗位信息的静态特征。其中，静态特征是指，求职者信息和岗位信息中不随时间变化的特征。静态特征与求职者的历史行为以及岗位的历史信息无关。
本申请实施例中，可以获取求职者信息和岗位信息的隐式特征。一示例中，可以从求职者的历史行为中获取求职者信息的隐示特征，从岗位的岗位相关历史信息中获取岗位信息的隐示特征。进一步的，获取的隐式特征用于表征求职者信息和岗位信息的动态特征。其中，动态特征是指，求职者信息和岗位信息中随时间变化的特征。动态特征可以通过求职者的历史行为以及岗位的历史信息确定。
本申请实施例中，可以将求职者信息的显式特征与隐式特征拼接，得到求职者特征向量，将岗位信息的显式特征与隐式特征拼接，得到岗位特征向量。进一步的，可以基于得到的求职者特征向量与岗位特征向量进行人岗匹配。
根据本申请实施例提供的技术方案，通过分别提取表征求职者和岗位静态特征的显式特征，以及分别提取表征求职者和岗位动态特征的隐式特征，并将求职者的显式特征和隐式特征拼接得到求职者的特征向量，将岗位的显式特征和隐式特征拼接得到岗位的特征向量，从而基于求职者特征向量与岗位特征向量进行人岗匹配，能够提高人岗匹配精度，提升人岗匹配效率。
本申请实施例中，求职者信息的显式特征可以包括：求职者信息的文本语义特征，以及所述求职者信息的关联语义特征。其中，求职者信息的文本语义特征包括，可以基于求职者简历文本中记载的内容直接确定的语义特征。求职者信息的关联语义特征包括，对求职者简历文本中记载的内容进行关联处理后的语义特征。其中，对求职者简历文本中记载的内容进行关联处理可以是，对求职者简历文本中记载的内容，结合预定义字段处理后的语义特征，和/或对求职者简历文本中记载的内容，结合背景、领域等信息处理后的语义特征。
一示例中，若某求职者的简历文本的工作经历栏，填写了至少一项作为项目负责人完成了某个项目的经历，则可以提取对应“项目负责人”、“领导能力”、“管理能力”等信息的特征作为该求职者的文本语义特征。
进一步的，若某求职者的简历文本的教育经历栏，填写了毕业于XXX大学，则可以提取对应“重点大学”、“第N等级大学”等信息的特征作为该求职者的关联语义特征，其中，N为正整数。即，可以为部分特征建立对应区间字段，并将求职者的简历文本中的特征转换为相应的区间字段进行表示，从而可以减少特征数量，提高匹配速度。可以理解的是，除教育经历外，还可以对求职者的年龄、性别等均进行区间字段转换处理。具体的可转换特征根据实际需要设置，此处不做限制。也就是说，可以通过提取出求职者简历文本中的自我介绍、工作经历等信息，从中抽象出历史工作岗位、年龄等信息，形成部分显式特征，以供人岗匹配模型处理。
更进一步的，若某求职者的简历文本的工作经历栏，还填写了参与过集团的XXX项目，则可以通过在预先构建的数据库中检索匹配，确定该项目的关联语义特征。例如，求职者填写的可能是项目名称，通过在数据库中检索匹配确定该项目为“商业地产项目”，则可以为该求职者构建与“商业地产”相关的特征。采用这种方法，可以进一步提高人岗匹配的精度。同时，当本申请提供的人岗匹配方法应用于企业内部活水时，数据库的建立不会存在数据采集不易等困难，也不会存在数据量过大导致匹配速度太慢的困难。
本申请实施例中，岗位信息的显式特征可以包括：岗位信息的文本语义特征，以及岗位信息的关联语义特征。其中，岗位信息文本语义特征包括，可以基于岗位描述文本中记载的内容直接确定的语义特征。岗位信息关联语义特征包括，对岗位描述文本中记载的内容进行关联处理后的语义特征。其中，对岗位描述文本中记载的内容进行关联处理可以是，对岗位描述文本中记载的内容，结合预定义字段处理后的语义特征，和/或对岗位描述文本中记载的内容，结合背景、领域等信息处理后的语义特征。
一示例中，若某岗位描述文本的工作能力要求栏，填写了要求具备领导能力，则可以提取对应“领导能力”、“项目负责人”、“管理能力”等信息的特征作为该岗位的文本语义特征。
进一步的，若某岗位描述文本的工作经验要求栏，填写了需要求职者具备三到五年工作经验，则可以提取对应“中等工作经验等级”等信息的特征作为该岗位的关联语义特征。也就是说，可以为部分特征建立对应区间字段，并将岗位描述文本中的特征转换为相应的区间字段进行表示，从而可以减少特征数量，提高匹配速度。同样的，具体的可转换特征根据实际需要设置，此处不做限制。
更进一步的，若某岗位描述文本的工作能力要求栏，还填写了需要具备商业地产项目经验，则可以通过在预先构建的数据库中检索匹配，确定集团的商业地产项目名录，提取这些项目的名称或关键词作为该岗位的关联语义特征。采用这种方法，可以进一步提高人岗匹配的精度。同时，当本申请提供的人岗匹配方法应用于企业内部活水时，数据库的建立不会存在数据采集不易等困难，也不会存在数据量过大导致匹配速度太慢的困难。
本申请实施例中，可以通过训练好的第一神经网络模型获取求职者信息的文本语义特征和岗位信息的文本语义特征。例如，可以通过训练好的CNN模型提取求职者信息的文本语义特征和岗位信息的文本语义特征，并将得到的文本语义特征用向量表示。
本申请实施例中，可以通过自然语言处理（Natural LanguageProcessing，NLP）算法和/或特征匹配算法获取求职者信息的关联语义特征和岗位信息的关联语义特征。例如可以通过NLP算法获取求职者信息和岗位信息中，对应区间字段的关联语义特征，也可以通过特征匹配算法，例如查找表等获取求职者信息和岗位信息中，与背景、领域相关的关联语义特征。
本申请实施例中，可以通过训练好的第二神经网络模型获取求职者信息的隐式特征，通过训练好的第三神经网络模型获取岗位信息的隐式特征。其中，第二神经网络模型和第三神经网络模型包括时间序列神经网络模型。
本申请实施例中，求职者信息的隐式特征用于表征求职者的动态特征，岗位信息的隐式特征用于表征岗位的动态特征，因此可以使用两个训练好的时间序列神经网络，分别对求职者和岗位的历史行为进行建模，以提取求职者和岗位的隐式特征。其中，第二神经网络模型和第三神经网络模型可以是长短期记忆（Long short-term memory,LSTM，LSTM）网络模型。
本申请实施例中，可以获取求职者的历史行为信息，该求职者的历史行为信息包括以下中的至少一项：岗位浏览信息、简历投递信息、面试信息、简历修改信息。将求职者的历史行为信息输入第二神经网络模型，即可得到求职者信息的隐式特征。通过对求职者的历史行为进行建模分析，可以从中提取出求职者的岗位偏好、求职交流时段和频率等信息，从而可以为求职者推荐更匹配的岗位。
本申请实施例中，可以获取岗位的历史信息，该岗位的历史信息包括以下中的至少一项：岗位被浏览信息、接收简历信息、面试信息、岗位描述修改信息。将岗位的历史信息输入第三神经网络模型，即可得到岗位信息的隐式特征。通过对岗位的历史信息进行建模分析，可以从中提取出岗位的热门程度、吸引的求职者类型等信息，从而可以为岗位推荐更匹配的求职者，以及可以为岗位管理人员修改岗位描述文本提供依据。
根据本申请实施例提供的技术方案，通过LSTM对求职者的历史行为和岗位的历史信息进行建模，以提取双方的隐式特征，并对历史行为序列特征化处理后完成显式特征和隐式特征的融合，达到了从不同角度综合考虑求职者和岗位多种特征的目的，从而可以更全面地描述求职者和岗位的信息，有助于提高人岗匹配的准确性。同时，该方法是一种端到端的框架，不仅可以灵活地引入不同的特征表示方法，还可以根据需要改变不同模型的组合方式，灵活性较高，能够应对多变的求职市场需求，具有较高的模型泛化能力。
图3是本申请实施例提供的一种基于求职者特征向量与岗位特征向量进行人岗匹配的方法的流程示意图。如图3所示，该人岗匹配方法包括如下步骤：
在步骤S301中，确定求职者特征向量与岗位特征向量的内积为人岗匹配值。
在步骤S302中，响应于人岗匹配值大于预设阈值，确定求职者与岗位匹配。
在步骤S303中，对人岗匹配值由高至低排序，确定前K个人岗匹配值对应的求职者与岗位匹配。
其中，K为正整数。
本公开实施例中，可以确定求职者特征向量与岗位特征向量的内积为人岗匹配值。其中，内积的计算可以通过计算点积相似度、余弦相似度、欧几里得相似度等实现。
本公开实施例中，可以将确定的人岗匹配值与预设阈值比较，响应于人岗匹配值大于预设阈值，确定求职者与岗位匹配。另一方面，响应于人岗匹配值小于或者等于预设阈值，确定求职者与岗位不匹配。其中，预设阈值可以根据需要设置，此处不做限制。
本公开实施例中，还可以对人岗匹配值由高至低排序，确定前K个人岗匹配值对应的求职者与岗位匹配。
根据本申请实施例提供的技术方案，通过对求职者特征向量与岗位特征向量求内积确定人岗匹配值，进而基于人岗匹配值确定求职者与岗位是否匹配，实现简单，精度高。
图4是本申请实施例提供的一种获取求职者与岗位的显式特征的方法的流程示意图。如图4所示，可以通过NLP算法提取求职者的简历文本或者岗位描述文本中的语义实体，例如年龄、性别、毕业院校等，将这些实体作为转换为显式特征，并通过深度因子分解机（Deep Factorization Machine，DeepFM）完成建模，得到语义实体对应的显式特征的向量。如图4左侧链路所示，通过NLP算法提取的语义实体可以为编码表示，编码经过因子分解机（Factorization Machine，FM）模块和线性模块处理后，输入拼接模块。
另一方面，可以通过卷积神经网络提取求职者的简历文本或者岗位描述文本中的自由文本，得到自由文本对应的显式特征的向量。将语义实体对应的显式特征的向量和自由文本对应的显式特征的向量组合，即可得到求职者与岗位的显式特征。如图4右侧链路所示，通过卷积神经网络提取自由文本域的特征，例如领导、万维网web、测试等，通过卷积模块和线性模块等对该特征处理得到特征向量，该特征向量同样被输入至输入拼接模块。拼接模块在完成各显式特征的拼接后，还可以进一步进行线性处理。
在某些情况下，还可以提取求职者的简历文本或者岗位描述文本中的语义实体，并将提取的语义实体与预先建立的数据库中的特征经匹配，从而得到与语义实体的背景、领域相关的显式特征的向量。将该与语义实体的背景、领域相关的显式特征的向量与上述语义实体对应的显式特征的向量和自由文本对应的显式特征的向量组合，可以得到更为准确、全面的求职者与岗位的显式特征。
图5是本申请实施例提供的一种获取求职者与岗位的隐式特征的方法的流程示意图。如图5所示，左侧的LSTM模型以岗位为中心，可以获取岗位的历史信息，包括该岗位与多个求职者的互动信息进行建模，以提取岗位信息的隐式特征。该左侧LSTM模型的输入可以是将岗位信息的显式特征以及人岗匹配结果进行一位有效编码onehot处理后的向量，其中，fE()为求职者的显式特征，onehot()为一位有效编码，gE(pj)为岗位的显式特征，pj代表第j个岗位，j为正整数。模型提取得到的结果gI(pj)为岗位的隐式特征。右侧的LSTM模型以求职者为中心，可以获取求职者的历史行为信息，包括该求职者与多个岗位互动的信息进行建模，以提取求职者的隐式特征。
图5中右侧LSTM模型的输入可以是将求职者信息的显式特征以及人岗匹配结果进行一位有效编码one-hot处理后的向量，其中，fE(ri(k-1))为第i个求职者第（k-1）次投递简历的特征，onehot(ti(k-1))为第i个求职者第（k-1）次投递简历的录用信息，onehot(ti(k-1))=0代表未录取，onehot(ti(k-1))=1代表录取，gE()为岗位的显式特征，模型提取得到的结果fI(ci)为求职者的隐式特征，其中ci代表第i个求职者，i和k均为正整数。
对提取得到的岗位的隐式特征gI(pj)和求职者的隐式特征fI(ci)求内积，并经过S曲线函数Sigmoid处理，进而进行反向传播训练，以得到最优的隐式特征gI(pj)和fI(ci)。
在进行人岗匹配时，可以通过公式f(c)=[fE(c);fI(c)]，和g(p)=[gE(p);gI(p)]将求职者和岗位的显式特征与隐式特征拼接，其中，f(c)为岗位的特征向量，fE(c)为岗位的显式特征，fI(c)为岗位的隐式特征，g(p)为求职者的特征向量，gE(p)为求职者的显式特征，gI(p)为求职者的隐式特征。
进一步的，可以通过公式V=σ(f(c)Tg(p))计算求职者特征向量与岗位特征向量的内积，确定人岗匹配值。其中，V为人岗匹配值，σ为求内积运算，T为转置运算。
上述所有可选技术方案，可以采用任意结合形成本申请的可选实施例，在此不再一一赘述。
下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。
图6是本申请实施例提供的一种人岗匹配装置的示意图。如图6所示，该人岗匹配装置包括：
信息获取模块601，被配置为获取求职者信息和岗位信息。
第一特征获取模块602，被配置为分别获取求职者信息的显式特征和岗位信息的显式特征。
其中，显式特征用于表征求职者信息和岗位信息的静态特征。
第二特征获取模块603，被配置为分别获取求职者信息的隐式特征和岗位信息的隐式特征。
其中，隐式特征用于表征求职者和岗位的动态特征。
拼接模块604，被配置为将求职者信息的显式特征与隐式特征拼接，得到求职者特征向量，以及将岗位信息的显式特征与隐式特征拼接，得到岗位特征向量。
匹配模块605，被配置为基于求职者特征向量与岗位特征向量进行人岗匹配。
根据本申请实施例提供的技术方案，通过分别提取表征求职者和岗位静态特征的显式特征，以及分别提取表征求职者和岗位动态特征的隐式特征，并将求职者的显式特征和隐式特征拼接得到求职者的特征向量，将岗位的显式特征和隐式特征拼接得到岗位的特征向量，从而基于求职者特征向量与岗位特征向量进行人岗匹配，能够提高人岗匹配精度，提升人岗匹配效率。
本申请实施例中，求职者信息的显式特征包括：求职者信息的文本语义特征，以及求职者信息的关联语义特征；其中，求职者信息的文本语义特征包括基于求职者简历文本中记载的内容直接确定的语义特征，求职者信息的关联语义特征包括对求职者简历文本中记载的内容进行关联处理后的语义特征。岗位信息的显式特征包括：岗位信息的文本语义特征，以及岗位信息的关联语义特征；其中，岗位信息的文本语义特征包括基于岗位描述文本中记载的内容直接确定的语义特征，岗位信息的关联语义特征包括对岗位描述文本中记载的内容进行关联处理后的语义特征。
本申请实施例中，分别获取求职者信息的显式特征和岗位信息的显式特征，包括：通过训练好的第一神经网络模型获取求职者信息的文本语义特征和岗位信息的文本语义特征；以及通过自然语言处理算法和/或特征匹配算法获取求职者信息的关联语义特征和岗位信息的关联语义特征。
本申请实施例中，分别获取求职者信息的隐式特征和岗位信息的隐式特征，包括：通过训练好的第二神经网络模型获取求职者信息的隐式特征；通过训练好的第三神经网络模型获取岗位信息的隐式特征；其中，第二神经网络模型和第三神经网络模型包括时间序列神经网络模型。
本申请实施例中，通过训练好的第二神经网络模型获取求职者信息的隐式特征，包括：获取求职者的历史行为信息；将求职者的历史行为信息输入第二神经网络模型，得到求职者信息的隐式特征；其中，求职者的历史行为信息包括以下中的至少一项：岗位浏览信息、简历投递信息、面试信息、简历修改信息。
本申请实施例中，通过训练好的第三神经网络模型获取岗位信息的隐式特征，包括：获取岗位的历史信息；将岗位的历史信息输入第三神经网络模型，得到岗位信息的隐式特征；其中，岗位的历史信息包括以下中的至少一项：岗位被浏览信息、接收简历信息、面试信息、岗位描述修改信息。
本申请实施例中，基于求职者特征向量与岗位特征向量进行人岗匹配，包括：确定求职者特征向量与岗位特征向量的内积为人岗匹配值；响应于人岗匹配值大于预设阈值，确定求职者与岗位匹配；或者对人岗匹配值由高至低排序，确定前K个人岗匹配值对应的求职者与岗位匹配，其中，K为正整数。
根据本申请实施例提供的技术方案，通过LSTM对求职者的历史行为和岗位的历史信息进行建模，以提取双方的隐式特征，并对历史行为序列特征化处理后完成显式特征和隐式特征的融合，达到了从不同角度综合考虑求职者和岗位多种特征的目的，从而可以更全面地描述求职者和岗位的信息，有助于提高人岗匹配的准确性。同时，该方法是一种端到端的框架，不仅可以灵活地引入不同的特征表示方法，还可以根据需要改变不同模型的组合方式，灵活性较高，能够应对多变的求职市场需求，具有较高的模型泛化能力。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
图7是本申请实施例提供的电子设备的示意图。如图7所示，该实施例的电子设备7包括：处理器701、存储器702以及存储在该存储器702中并且可在处理器701上运行的计算机程序703。处理器701执行计算机程序703时实现上述各个方法实施例中的步骤。或者，处理器701执行计算机程序703时实现上述各装置实施例中各模块/单元的功能。
电子设备7可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备7可以包括但不仅限于处理器701和存储器702。本领域技术人员可以理解，图7仅仅是电子设备7的示例，并不构成对电子设备7的限定，可以包括比图示更多或更少的部件，或者不同的部件。
处理器701可以是中央处理单元（Central Processing Unit，CPU），也可以是其它通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application SpecificIntegrated Circuit，ASIC）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
存储器702可以是电子设备7的内部存储单元，例如，电子设备7的硬盘或内存。存储器702也可以是电子设备7的外部存储设备，例如，电子设备7上配备的插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）等。存储器702还可以既包括电子设备7的内部存储单元也包括外部存储设备。存储器702用于存储计算机程序以及电子设备所需的其它程序和数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可以存储在计算机可读存储介质中，该计算机程序在被处理器执行时，可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如，在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种人岗匹配方法，其特征在于，包括：
获取求职者信息和岗位信息；
分别获取所述求职者信息的显式特征和所述岗位信息的显式特征，所述显式特征用于表征所述求职者信息和岗位信息的静态特征；
分别获取所述求职者信息的隐式特征和所述岗位信息的隐式特征，所述隐式特征用于表征所述求职者和所述岗位的动态特征；
将所述求职者信息的显式特征与隐式特征拼接，得到求职者特征向量，将所述岗位信息的显式特征与隐式特征拼接，得到岗位特征向量；
基于所述求职者特征向量与所述岗位特征向量进行人岗匹配。
2.根据权利要求1所述的方法，其特征在于，
所述求职者信息的显式特征包括：所述求职者信息的文本语义特征，以及所述求职者信息的关联语义特征；其中，所述求职者信息的文本语义特征包括基于求职者简历文本中记载的内容直接确定的语义特征，所述求职者信息的关联语义特征包括对求职者简历文本中记载的内容进行关联处理后的语义特征；
所述岗位信息的显式特征包括：所述岗位信息的文本语义特征，以及所述岗位信息的关联语义特征；其中，所述岗位信息的文本语义特征包括基于岗位描述文本中记载的内容直接确定的语义特征，所述岗位信息的关联语义特征包括对岗位描述文本中记载的内容进行关联处理后的语义特征。
3.根据权利要求2所述的方法，其特征在于，所述分别获取所述求职者信息的显式特征和所述岗位信息的显式特征，包括：
通过训练好的第一神经网络模型获取所述求职者信息的文本语义特征和所述岗位信息的文本语义特征；以及
通过自然语言处理算法和/或特征匹配算法获取所述求职者信息的关联语义特征和所述岗位信息的关联语义特征。
4.根据权利要求1所述的方法，其特征在于，所述分别获取所述求职者信息的隐式特征和所述岗位信息的隐式特征，包括：
通过训练好的第二神经网络模型获取所述求职者信息的隐式特征；
通过训练好的第三神经网络模型获取所述岗位信息的隐式特征；
其中，所述第二神经网络模型和第三神经网络模型包括时间序列神经网络模型。
5.根据权利要求4所述的方法，其特征在于，所述通过训练好的第二神经网络模型获取所述求职者信息的隐式特征，包括：
获取所述求职者的历史行为信息；
将所述求职者的历史行为信息输入所述第二神经网络模型，得到所述求职者信息的隐式特征；
其中，所述求职者的历史行为信息包括以下中的至少一项：
岗位浏览信息、简历投递信息、面试信息、简历修改信息。
6.根据权利要求4所述的方法，其特征在于，所述通过训练好的第三神经网络模型获取所述岗位信息的隐式特征，包括：
获取所述岗位的历史信息；
将所述岗位的历史信息输入所述第三神经网络模型，得到所述岗位信息的隐式特征；
其中，所述岗位的历史信息包括以下中的至少一项：
岗位被浏览信息、接收简历信息、面试信息、岗位描述修改信息。
7.根据权利要求1至6中任一项所述的方法，其特征在于，所述基于所述求职者特征向量与所述岗位特征向量进行人岗匹配，包括：
确定所述求职者特征向量与所述岗位特征向量的内积为人岗匹配值；
响应于所述人岗匹配值大于预设阈值，确定所述求职者与所述岗位匹配；或者
对所述人岗匹配值由高至低排序，确定前K个人岗匹配值对应的求职者与岗位匹配，其中，K为正整数。
8.一种人岗匹配装置，其特征在于，包括：
信息获取模块，被配置为获取求职者信息和岗位信息；
第一特征获取模块，被配置为分别获取所述求职者信息的显式特征和所述岗位信息的显式特征，所述显式特征用于表征所述求职者信息和岗位信息的静态特征；
第二特征获取模块，被配置为分别获取所述求职者信息的隐式特征和所述岗位信息的隐式特征，所述隐式特征用于表征所述求职者和所述岗位的动态特征；
拼接模块，被配置为将所述求职者信息的显式特征与隐式特征拼接，得到求职者特征向量，将所述岗位信息的显式特征与隐式特征拼接，得到岗位特征向量；
匹配模块，被配置为基于所述求职者特征向量与所述岗位特征向量进行人岗匹配。
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并且可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。
CN202310849537.4A 2023-07-12 2023-07-12 人岗匹配方法、装置、电子设备及计算机可读存储介质 Pending CN116562837A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310849537.4A CN116562837A (zh) 2023-07-12 2023-07-12 人岗匹配方法、装置、电子设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310849537.4A CN116562837A (zh) 2023-07-12 2023-07-12 人岗匹配方法、装置、电子设备及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN116562837A true CN116562837A (zh) 2023-08-08

Family

ID=87503992

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310849537.4A Pending CN116562837A (zh) 2023-07-12 2023-07-12 人岗匹配方法、装置、电子设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN116562837A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117875916A (zh) * 2024-01-22 2024-04-12 薪才多科技(深圳)有限公司 一种用于灵活用工的人才资源信息管理方法及系统
US12242817B1 (en) 2023-11-20 2025-03-04 Ligilo Inc. Artificial intelligence models in an automated chat assistant determining workplace accommodations

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110378544A (zh) * 2018-04-12 2019-10-25 百度在线网络技术（北京）有限公司 一种人岗匹配分析方法、装置、设备和介质
CN111460813A (zh) * 2020-03-04 2020-07-28 北京网聘咨询有限公司 招聘信息和求职简历匹配的方法及系统
WO2021169111A1 (zh) * 2020-02-28 2021-09-02 平安国际智慧城市科技股份有限公司 简历筛选方法、装置、计算机设备和存储介质
WO2021174919A1 (zh) * 2020-03-06 2021-09-10 平安科技（深圳）有限公司 简历数据信息解析及匹配方法、装置、电子设备及介质
CN114117222A (zh) * 2021-11-26 2022-03-01 北京金山数字娱乐科技有限公司 简历文档匹配方法、装置、计算设备及存储介质
CN115392877A (zh) * 2022-08-31 2022-11-25 杭州君云信科商业管理有限公司 一种人岗匹配招聘系统及方法
CN115619364A (zh) * 2022-08-03 2023-01-17 广州红海云计算股份有限公司 基于人工智能的招聘信息发布方法、装置及系统
CN115841316A (zh) * 2021-09-17 2023-03-24 上海大岂网络科技有限公司 人岗匹配方法、系统、电子设备和存储介质
CN116401464A (zh) * 2023-06-02 2023-07-07 深圳市一览网络股份有限公司 一种职业用户画像的构建方法、装置、设备及存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110378544A (zh) * 2018-04-12 2019-10-25 百度在线网络技术（北京）有限公司 一种人岗匹配分析方法、装置、设备和介质
WO2021169111A1 (zh) * 2020-02-28 2021-09-02 平安国际智慧城市科技股份有限公司 简历筛选方法、装置、计算机设备和存储介质
CN111460813A (zh) * 2020-03-04 2020-07-28 北京网聘咨询有限公司 招聘信息和求职简历匹配的方法及系统
WO2021174919A1 (zh) * 2020-03-06 2021-09-10 平安科技（深圳）有限公司 简历数据信息解析及匹配方法、装置、电子设备及介质
CN115841316A (zh) * 2021-09-17 2023-03-24 上海大岂网络科技有限公司 人岗匹配方法、系统、电子设备和存储介质
CN114117222A (zh) * 2021-11-26 2022-03-01 北京金山数字娱乐科技有限公司 简历文档匹配方法、装置、计算设备及存储介质
CN115619364A (zh) * 2022-08-03 2023-01-17 广州红海云计算股份有限公司 基于人工智能的招聘信息发布方法、装置及系统
CN115392877A (zh) * 2022-08-31 2022-11-25 杭州君云信科商业管理有限公司 一种人岗匹配招聘系统及方法
CN116401464A (zh) * 2023-06-02 2023-07-07 深圳市一览网络股份有限公司 一种职业用户画像的构建方法、装置、设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12242817B1 (en) 2023-11-20 2025-03-04 Ligilo Inc. Artificial intelligence models in an automated chat assistant determining workplace accommodations
CN117875916A (zh) * 2024-01-22 2024-04-12 薪才多科技(深圳)有限公司 一种用于灵活用工的人才资源信息管理方法及系统

Similar Documents

Publication Publication Date Title
US10650311B2 (en) Suggesting resources using context hashing
CN112668320B (zh) 基于词嵌入的模型训练方法、装置、电子设备及存储介质
CN112559865B (zh) 信息处理系统、计算机可读存储介质及电子设备
CN110704626B (zh) 一种用于短文本的分类方法及装置
WO2021135455A1 (zh) 语义召回方法、装置、计算机设备及存储介质
US11436446B2 (en) Image analysis enhanced related item decision
CN107291840B (zh) 一种用户属性预测模型构建方法和装置
CN107291337A (zh) 一种提供业务访问的方法及装置
CN118170360A (zh) 请求处理的方法、装置、设备和存储介质
CN114281984A (zh) 一种风险检测方法、装置、设备及计算机可读存储介质
CN111723180A (zh) 一种面试方法和装置
CN116562837A (zh) 人岗匹配方法、装置、电子设备及计算机可读存储介质
WO2023185125A1 (zh) 产品资源的数据处理方法及装置、电子设备、存储介质
US11947536B2 (en) Identifying and processing poly-process natural language queries
CN111126073B (zh) 语义检索方法和装置
CN110827101A (zh) 一种店铺推荐的方法和装置
CN114707510A (zh) 资源推荐信息推送方法、装置、计算机设备及存储介质
CN119166763A (zh) 基于人工智能的查询处理方法、装置、计算机设备及介质
CN118626717A (zh) 大语言模型的微调方法、资源推荐方法、装置和设备
CN117112727A (zh) 适用于云计算业务的大语言模型微调指令集构建方法
CN115687725A (zh) 数据分类分级的方法和装置
CN110472055B (zh) 用于标注数据的方法和装置
CN115495662A (zh) 基于多数据源的推荐方法、装置、电子设备及存储介质
CN114579750A (zh) 一种信息处理方法、装置、计算机设备及存储介质
CN111897910B (zh) 信息推送方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20230808