基于多智能体证据定向匹配的胜任力评估方法及系统与流程

本发明属于电数字数据处理中的人力资源智能化，具体涉及一种基于多智能体证据定向匹配的胜任力评估方法及系统。

背景技术：

1、随着企业数字化招聘和人才管理的发展，基于候选人履历信息进行胜任力评估已成为人才筛选、岗位匹配及人才盘点的重要技术手段。传统的胜任力评估方式通常依赖人工阅读简历，并结合招聘人员的经验对候选人的教育背景、工作经历、项目经验及技能水平进行综合判断。然而，随着简历数量快速增长以及岗位能力要求不断复杂化，人工评估方式存在评估效率低、主观性强、评价标准不统一等问题，难以满足大规模人才筛选和精准化人才评价的需求。

2、现有基于人工智能的简历评估方法通常采用自然语言处理技术对简历文本进行解析，并利用关键词匹配、文本相似度计算或机器学习模型对候选人的能力进行预测。例如，通过提取简历中的职位名称、技能关键词、工作年限等信息，与预设岗位要求进行匹配，从而生成候选人评价结果。然而，由于简历文本具有非结构化特点，同一能力信息可能通过不同表达方式描述，传统关键词匹配方式容易造成有效信息遗漏；同时，单一语义匹配模型难以综合考虑规则可靠性、历史经验及岗位特定要求，导致评估结果准确性和适应性不足。

3、此外，随着大语言模型在胜任力评估场景中的应用，现有方法通常将完整的简历原文与全部胜任力维度逐一组合后输入大语言模型进行枚举式评估，即针对每一个胜任力维度均输入整篇简历原文进行推理。该方式中，简历原文在各维度的评估请求中被重复输入，大量与当前维度无关的内容占用了模型的上下文窗口，导致词元消耗大、评估成本高、响应速度慢，且冗余信息容易干扰模型对关键证据的关注，影响评分的准确性；同时，现有评估方法通常仅输出评分结果，缺少对评分理由的结构化沉淀，评估过程的可解释性不足，评估专家的历史经验也难以被系统持续积累和复用，无法形成越用越准的自进化能力。因此，如何提高胜任力评估的准确性、可解释性和评估效率，降低大语言模型的词元消耗，并实现评估经验的持续沉淀与复用，成为亟待解决的技术问题。

技术实现思路

1、（一）发明目的

2、本发明的目的是提供一种基于多智能体证据定向匹配的胜任力评估方法及系统，通过将候选人资料解析、规则召回、多校验智能体协同、交叉验证及经验记忆增强相结合，实现对候选人胜任力的智能化评估，通过多维证据提取和规则动态优化，提高了评估准确性、一致性和可靠性，同时降低人工评估成本，实现评估系统的持续优化与智能迭代。进一步地，本发明通过证据片段与能力维度的定向匹配及以分级评定依据作为参考上下文的评分方式，避免枚举式评估造成的词元浪费，降低评估成本；同时针对各能力维度生成综合评定依据，并结合经验记忆增强算法对规则库进行更新，实现评估系统的自进化。

3、（二）技术方案

4、为解决上述问题，本发明提供了一种基于多智能体证据定向匹配的胜任力评估方法，包括：

5、获取候选人资料，所述候选人资料包括求职信息和公开资料中的至少一种；

6、利用预设的解析算法，将所述候选人资料解析为证据片段集合；

7、基于所述证据片段集合，从预设的规则库中召回与各所述证据片段对应的匹配规则；

8、基于预设的多个校验智能体和对应的匹配规则，对所述证据片段集合中的证据片段进行多方位校验，获得多个校验结果；

9、根据预设的交叉验证机制，对多个所述校验结果进行交叉验证，获得胜任力评估结果；

10、基于预设的经验记忆增强算法和所述胜任力评估结果，对所述预设的规则库进行更新，获得更新后的规则库，基于所述更新后的规则库对下一候选人资料进行胜任力评估。

11、本发明的另一方面，优选地，所述利用预设的解析算法，将候选人资料解析为证据片段集合，包括：

12、对候选人资料进行文本解析，提取文本内容并保留文档结构信息，获得原始文本；

13、基于语义主题类型，对所述原始文本进行语义分块，获得多个有效证据片段；

14、对各所述有效证据片段进行实体识别，获得对应的实体信息；

15、对各所述有效证据片段进行意图分类，获得对应的意图类别及意图置信度；

16、根据各所述有效证据片段对应的实体信息、意图类别和意图置信度，构建所述证据片段集合。

17、本发明的另一方面，优选地，所述基于所述证据片段集合，从预设的规则库中召回与各所述证据片段对应的匹配规则，包括：

18、利用预设的人工智能模型对所述证据片段和预设的规则库进行匹配，获得候选规则集合；

19、对所述候选规则集合进行质量过滤，剔除规则置信度低于预设阈值的候选规则，获得所述对应的匹配规则。

20、本发明的另一方面，优选地，所述校验智能体包括：硬性条件校验器；

21、基于所述硬性条件校验器和对应的匹配规则，对所述证据片段进行校验，包括：

22、确定目标岗位对应的匹配规则中的硬性条件规则；

23、将所述证据片段与所述硬性条件规则进行匹配，获得硬性条件匹配结果，所述硬性条件规则包括负分项规则、标记项规则、加分项规则和绿通项规则；

24、根据各所述硬性条件规则对应的规则权重及硬性条件匹配结果，计算所述证据片段对应的硬性条件综合评分；

25、将所述硬性条件综合评分与预设的硬性条件阈值进行比较，获得硬性条件校验结果。

26、本发明的另一方面，优选地，所述校验智能体包括：基础胜任力评估校验器；

27、基于所述基础胜任力评估校验器和对应的匹配规则，对所述证据片段进行校验，包括：

28、对各所述证据片段进行能力维度匹配，获得各所述证据片段对应的能力维度；

29、根据各所述证据片段对应的能力维度、所述证据片段、对应的匹配规则和预设的人工智能模型，获得各所述证据片段对应的能力维度分析结果；

30、根据所述能力维度分析结果，计算各能力维度对应的维度评分；

31、根据各能力维度对应的维度评分及各能力维度对应的预设胜任力权重，计算基础胜任力评分，所述基础胜任力评分为基础胜任力校验结果。

32、本发明的另一方面，优选地，所述对各所述证据片段进行能力维度匹配，获得各所述证据片段对应的能力维度，包括：

33、基于目标岗位对应的岗位胜任力模型，确定候选能力维度集合；

34、分别计算各所述证据片段与所述候选能力维度集合中各候选能力维度之间的相关性，获得对应的相关性评分；

35、将所述相关性评分满足预设匹配条件的证据片段与候选能力维度确定为证据片段-能力维度匹配对，获得各所述证据片段对应的能力维度。

36、本发明的另一方面，优选地，所述根据各所述证据片段对应的能力维度、所述证据片段、对应的匹配规则和预设的人工智能模型，获得各所述证据片段对应的能力维度分析结果，包括：

37、获取各所述能力维度对应的分级评定依据，所述分级评定依据表示对应能力维度下不同能力等级的评定标准；

38、针对每一所述证据片段，以与所述证据片段匹配的能力维度对应的分级评定依据作为参考上下文，结合所述证据片段和对应的匹配规则构建评估提示信息；

39、将所述评估提示信息输入至所述预设的人工智能模型，获得所述证据片段在对应能力维度上的单证据评分和对应的评分依据；

40、对同一能力维度下的多个所述单证据评分，根据各所述单证据评分对应的证据关联度和/或证据置信度进行综合，获得所述能力维度对应的维度评分；

41、对同一能力维度下的多个所述评分依据进行归纳，获得所述能力维度对应的综合评定依据，所述综合评定依据用于表征所述候选人在所述能力维度下获得所述维度评分的证据支撑及评价原因。

42、本发明的另一方面，优选地，所述校验智能体包括：风险检测校验器；

43、基于所述风险检测校验器和对应的匹配规则，对所述证据片段进行校验，包括：

44、确定风险检测维度，基于对应的匹配规则，对所述证据片段进行校验，获得各风险检测维度的风险评分，所述风险检测维度包括履历断档风险、频繁跳槽风险、履历冲突风险和学历存疑风险；

45、对各风险检测维度的风险评分进行加权求和，获得综合风险评分；

46、根据所述综合风险评分与预设风险等级阈值之间的比较结果，确定对应的风险等级，所述风险等级为风险校验结果。

47、本发明的另一方面，优选地，所述根据预设的交叉验证机制，对多个所述校验结果进行交叉验证，获得胜任力评估结果，包括：

48、根据所述硬性条件校验结果、基础胜任力校验结果和风险校验结果，计算各所述校验结果之间的一致性指数；

49、将所述一致性指数与预设冲突阈值进行比较，获得冲突判定结果；

50、根据所述冲突判定结果，各所述校验结果、一致性指数及对应的预设的综合权重，计算综合评估结果，获得所述胜任力评估结果。

51、本发明的另一方面，优选地，所述将所述一致性指数与预设冲突阈值进行比较，获得冲突判定结果，包括：

52、当所述一致性指数大于等于所述预设冲突阈值时，所述冲突判定结果为不存在校验冲突；

53、当所述一致性指数小于所述预设冲突阈值时，所述冲突判定结果为存在校验冲突，启动冲突消解机制，包括：

54、当所述硬性条件校验结果为不满足岗位硬性条件时，对所述胜任力评估结果进行等级限制，使所述胜任力评估结果不高于预设等级阈值；

55、根据多个所述校验结果对所述一致性指数的影响程度，确定产生校验冲突的目标校验结果；

56、获取所述目标校验结果对应的证据片段、匹配规则及校验过程信息，构建复核信息，并将所述复核信息输入至预设的人工智能模型进行专项复核，获得复核结果；

57、根据所述复核结果，对所述目标校验结果进行修正，并重新计算一致性指数；

58、当重新计算后的一致性指数大于或等于所述预设冲突阈值时，根据修正后的多个校验结果生成所述胜任力评估结果；

59、当重新计算后的一致性指数小于所述预设冲突阈值时，生成人工复核标识，进行人工复核。

60、本发明的另一方面，优选地，所述基于预设的经验记忆增强算法和所述胜任力评估结果，对所述预设的规则库进行更新，获得更新后的规则库，基于所述更新后的规则库对下一候选人资料进行胜任力评估，包括：

61、根据所述胜任力评估结果，生成反馈信息；

62、根据所述反馈信息确定对应的规则更新类型，所述更新类型包括匹配正确、匹配偏差和匹配错误；

63、根据所述更新类型对规则信息进行更新，获得更新后的规则信息，所述规则信息包括规则置信度、规则适用条件、规则评级信息及规则状态；

64、根据更新后的规则信息，生成更新后的规则库；

65、对所述更新后的规则库进行版本更新，基于所述更新后的规则库对下一候选人资料进行胜任力评估。

66、本发明的另一方面，优选地，还包括：

67、根据目标岗位对应的任职要求，确定所述候选人对应的任职要求匹配度，所述任职要求匹配度用于表征所述候选人的教育背景、专业、工作年限、职业资格和技能要求中的至少一种与所述任职要求之间的满足情况；

68、根据预设的评价权重，对所述任职要求匹配度和所述胜任力评估结果进行加权求和，获得综合胜任力评估结果。

69、本发明的另一方面，优选地，一种基于多智能体证据定向匹配的胜任力评估系统，包括：

70、获取模块：获取候选人资料，所述候选人资料包括求职信息和公开资料中的至少一种；

71、解析模块：利用预设的解析算法，将所述候选人资料解析为证据片段集合；

72、召回模块：基于所述证据片段集合，从预设的规则库中召回与各所述证据片段对应的匹配规则；

73、校验模块：基于预设的多个校验智能体和对应的匹配规则，对所述证据片段集合中的证据片段进行多方位校验，获得多个校验结果；

74、交叉验证模块：根据预设的交叉验证机制，对多个所述校验结果进行交叉验证，获得胜任力评估结果；

75、增强模块：基于预设的经验记忆增强算法和所述胜任力评估结果，对所述预设的规则库进行更新，获得更新后的规则库，基于所述更新后的规则库对下一候选人资料进行胜任力评估。

76、（三）有益效果

77、本发明的上述技术方案具有如下有益的技术效果：

78、本发明通过解析算法将非结构化候选人资料转换为包含时间、岗位、项目、技能及成果等信息的证据片段集合，提高了简历信息提取的完整性和准确性。通过利用人工智能模型和规则置信度，提高评估规则匹配的准确性，降低因文本表达差异造成的信息遗漏。同时，通过多个校验智能体从硬性条件、胜任能力、履历风险等多个维度对候选人信息进行分析，并结合交叉验证机制进行结果一致性判断和冲突消解，减少单一验证评估产生的偏差，提高评估结果的可靠性。此外，通过经验记忆增强算法根据历史评估结果的反馈信息动态优化规则库，使评估规则能够持续积累和迭代更新，无需重新训练模型即可提升后续评估效果，提高人才评估效率、降低人工筛选成本，并增强评估过程的可解释性。进一步地，通过将候选人资料原子化拆解为证据片段，并将证据片段与能力维度进行定向匹配，仅以匹配能力维度对应的分级评定依据作为参考上下文进行评分，避免针对全部能力维度逐一结合完整候选人资料进行枚举式评估，显著降低了人工智能模型的词元消耗和计算开销，提高了评估效率；同时，通过归纳各证据片段的评分依据生成能力维度的综合评定依据，使评估结果具有可解释性；并且，通过经验记忆增强算法对规则库进行更新，使评估系统具备自进化能力，评估效果随使用次数的增加而持续提升。