一种基于大语言模型的智能就业匹配系统及方法与流程

本发明涉及语言处理，特别涉及一种基于大语言模型的智能就业匹配系统及方法。

背景技术：

1、早期就业匹配依靠简历关键词检索，仅实现静态文本比对。后续ai面试评估主要依赖预设固定题库，且大多采用单点静态打分，仅依据单段回答计算匹配分值，缺少时序维度分析。近年来虽有基于大语言模型的招聘推荐系统出现，部分方案引入知识图谱开展简历信息的知识加工，但尚未基于本体论搭建适配动态面试流程的岗位知识规范体系。存在以下技术缺陷：面试过程中面试官与面试者的对话角色依赖人工标注或预设模板，无法实现实时自动分离；面试者的回答相对于岗位需求的评估仅基于单段文本的静态匹配，缺乏对回答内部语义演化趋势的追踪与分析，导致评估结果无法反映面试者在深度追问压力下的逻辑纵深以及时序响应稳定性。

2、因此，本发明提出一种基于大语言模型的智能就业匹配系统及方法。

技术实现思路

1、本发明提供一种基于大语言模型的智能就业匹配系统及方法，获取多源对话数据，构建问答识别模型，获取认知层级数据、需求岗位的岗位知识数据库，获取面试者的面试音频数据，确定面试者的面试提问数据、面试回答数据，确定多个深度提问集合以及多个非深度提问，确定面试提问数据中每个提问编号的知识-认知数据以及面试回答数据中每个回答编号的每个拆分编号的岗位需求匹配数据，确定每个岗位需求特征的时序响应序列、时序响应趋势图，确定每个深度提问集合或非深度提问的衰减标签、语义标签，并确定面试者的面试评估报告。提升了多角色面试音频的问答配对准确率，实现了语义匹配度的时序化连续检测与突变点自动定位，量化了对话过程中的语义衰减趋势，提升了深度追问链的语义关联识别精度。

2、本发明提供一种基于大语言模型的智能就业匹配系统，包括：

3、获取模块：获取多源对话数据，构建问答识别模型，获取认知层级数据、需求岗位的岗位知识数据库，获取并基于面试者的面试音频数据，确定面试者的面试提问数据、面试回答数据；

4、确定模块：基于面试者的面试提问数据、面试回答数据、认知层级数据、岗位知识数据库，确定多个深度提问集合以及多个非深度提问，并确定面试提问数据中每个提问编号的知识-认知数据以及面试回答数据中每个回答编号的每个拆分编号的岗位需求匹配数据；

5、响应模块：基于认知层级数据、所有提问编号的知识-认知数据、所有回答编号的所有拆分编号的岗位需求匹配数据，确定每个岗位需求特征的时序响应序列、时序响应趋势图；

6、匹配模块：基于所有岗位需求特征的时序响应序列、时序响应趋势图，确定每个深度提问集合或非深度提问的衰减标签、语义标签，并确定面试者的面试评估报告。

7、优选的，一种基于大语言模型的智能就业匹配系统，获取模块，包括：

8、多源对话数据单元：获取多源对话数据，其中，多源对话数据包括多轮对话的对话文本数据，对话文本数据包括每个对话文本的对话特征向量、文本标签，文本标签包括问句、陈述句；

9、问答识别模型单元：基于多源对话数据构建问答识别模型；

10、认知层级数据单元：获取认知层级数据，其中，认知层级数据包括每个认知层级的认知映射值以及层级提问集合，其中，层级提问集合包括多个提问描述；

11、岗位知识数据库单元：获取需求岗位的岗位知识数据库，其中，岗位知识数据库包括多个知识点以及每个知识点的知识点数据以及知识术语集合。

12、优选的，一种基于大语言模型的智能就业匹配系统，获取模块，还包括：

13、面试识别数据单元：获取面试者的面试音频数据，将对面试音频数据输入到的声纹识别模型，确定面试识别数据，其中，面试识别数据包括多个文本片段数据以及每个文本片段数据的发言编号、文本序列号、文本时间区间；

14、发言文本数据单元：对面试识别数据中发言编号相同且文本序列号相邻的所有文本片段数据进行合并，确定发言文本数据，其中，发言文本数据包括多个发言文本子数据以及每个发言文本子数据的发言编号、发言序列号、文本时间区间；

15、发言特征向量单元：对发言文本数据中每个发言文本子数据进行特征提取，确定发言文本数据中每个发言文本子数据的发言特征向量；

16、文本标签单元：将发言文本数据中所有发言文本子数据的发言特征向量输入到问答识别模型，确定发言文本数据中每个发言文本子数据的文本标签；

17、发言标签单元：基于发言文本数据中同一发言编号的所有发言文本子数据的文本标签，确定每个发言编号的发言标签，其中，发言标签包括面试者、面试官；

18、提问文本数据单元：对发言文本数据中发言标签为面试官且发言序列号相邻的所有发言文本子数据进行合并，确定提问文本数据，其中，提问文本数据包括多个提问文本子数据以及每个提问文本子数据的提问时间区间；

19、回答文本子数据单元：确定发言文本数据中发言标签为面试者的每个发言文本子数据为回答文本子数据，并确定所述发言文本子数据的文本时间区间为所述回答文本子数据的回答时间区间；

20、回答编号单元：基于所有提问文本子数据的提问时间区间以及所有回答文本子数据的回答时间区间，确定每个提问文本子数据的提问编号以及每个回答文本子数据的回答编号；

21、面试回答数据单元：基于所有提问编号的提问文本子数据、提问时间区间，确定面试者的面试提问数据，基于所有回答编号的回答文本子数据、回答时间区间，确定面试者的面试回答数据。

22、优选的，一种基于大语言模型的智能就业匹配系统，确定模块，包括：

23、分词单元：对面试提问数据中每个提问编号的提问文本子数据进行分词处理，确定每个提问编号的提问词语集合以及提问词语集合中每个词语的词语位置编号；

24、第一匹配单元：对面试提问数据中每个提问编号的提问词语集合中的每个词语，和岗位知识数据库中所有知识点的知识术语集合进行匹配，确定每个提问编号的提问知识集合以及提问知识集合中每个知识点的知识点位置编号集合；

25、判断单元：判断相邻的多个提问编号的提问知识集合中是否存在同一知识点，若存在，确定所述多个提问编号为一个深度提问集合，若不存在，确定每个提问编号为一个非深度提问；

26、第二匹配单元：对每个提问编号的提问词语集合中的每个词语，和认知层级数据中每个认知层级的层级提问集合进行匹配，确定每个提问编号的提问认知集合以及提问认知集合中每个认知层级的层级位置编号；

27、知识-认知数据单元：基于每个提问编号的提问文本子数据以及提问知识集合、提问知识集合中每个知识点的知识点位置编号集合、提问认知集合、提问认知集合中每个认知层级的层级位置编号，确定每个提问编号的知识-认知数据，其中，知识-认知数据包括多个知识-认知二元组，知识-认知二元组包括至少一个及以上的认知层级；

28、设定分词数量单元：基于每个回答编号的回答文本子数据，确定每个回答编号的设定分词数量；

29、拆分单元：基于每个回答编号的设定分词数量以及句子边界，对每个回答编号的回答文本子数据进行拆分，确定每个回答编号的多个拆分文本数据以及每个拆分文本数据的拆分编号、拆分时间区间、拆分中点时间戳；

30、岗位需求匹配数据单元：依次将每个回答编号的每个拆分编号的拆分文本数据输入到需求岗位的岗位需求模型，确定每个回答编号的每个拆分编号的岗位需求匹配数据，其中，岗位需求匹配数据包括多个岗位需求特征的特征匹配值。

31、优选的，一种基于大语言模型的智能就业匹配系统，响应模块，包括：

32、计算单元：基于认知层级数据中所有认知层级的认知映射值、每个提问编号的知识-认知数据以及每个回答编号的每个拆分编号的岗位需求匹配数据中每个岗位需求特征的特征匹配值，计算所述岗位需求特征的校正匹配值；

33、时序响应序列单元：基于所有回答编号的所有拆分编号的拆分中点时间戳、每个岗位需求特征的校正匹配值，确定每个岗位需求特征的时序响应序列，并绘制每个岗位需求特征的时序响应趋势图，其中，时序响应趋势图的横坐标为时间，纵坐标为校正匹配值。

34、优选的，一种基于大语言模型的智能就业匹配系统，匹配模块，包括：

35、突变时间戳单元：对每个岗位需求特征的时序响应序列进行pettitt突变检测，确定每个岗位需求特征的多个负向突变点的突变时间戳；

36、突变特征集合单元：判断是否存在预设指定数量个岗位需求特征的负向突变点的突变时间戳对应的拆分中点时间戳的提问编号属于同一深度提问集合或非深度提问，若存在，确定所述所有岗位需求特征为所述深度提问集合或非深度提问的突变特征集合；

37、需求衰减时延单元：基于每个深度提问集合或非深度提问的突变特征集合中所有岗位需求特征的第一个突变点的突变时间戳，确定最早突变时间戳以及最晚突变时间戳，并计算最晚突变时间戳和最早突变时间戳的差，作为候选者的每个深度提问集合或非深度提问的需求衰减时延；

38、衰减标签单元：若深度提问集合或非深度提问的需求衰减时延小于第一预设时延阈值，确定所述深度提问集合或非深度提问的衰减标签为同步衰减，若深度提问集合或非深度提问的需求衰减时延大于第二预设时延阈值，确定所述深度提问集合或非深度提问的衰减标签为递进衰减，否则，确定所述深度提问集合或非深度提问的衰减标签为未衰减。

39、优选的，一种基于大语言模型的智能就业匹配系统，匹配模块，包括：

40、第一特征提取单元：分别对每个非深度提问对应的提问编号第一个拆分编号、最后一个拆分编号的拆分文本数据进行特征提取，确定每个非深度提问的第一语义向量以及第二语义向量；

41、第一语义标签单元：计算每个非深度提问的第一语义向量以及第二语义向量的余弦相似值，若余弦相似值小于第一预设相似阈值，确定所述非深度提问的语义标签为语义漂移，否则，确定所述非深度提问的语义标签为语义一致；

42、第二特征提取单元：分别对每个深度提问集合中每个提问编号的第一个拆分编号的拆分文本数据进行特征提取，确定每个深度提问集合中每个提问编号的第一语义向量；

43、语义衰减序列单元：若深度提问集合中提问编号的数量大于2，对所述深度提问集合中第一个提问编号的第一语义向量和除第一个提问编号外的每个提问编号的第一语义向量进行余弦相似值计算，确定所述深度提问集合除第一个提问编号外的每个提问编号的语义相似值，对所述深度提问集合中所有相邻提问编号的语义相似进行差值计算，确定所述深度提问集合的语义衰减序列；

44、第二语义标签单元：若深度提问集合的语义衰减序列持续下降且岗位需求特征为知识准确度的时序响应序列在所述深度提问集合中存在负向突变点，确定所述深度提问集合的语义标签为语义漂移，否则，确定所述深度提问集合的语义标签为语义一致；

45、第三语义标签单元：若深度提问集合中提问编号的数量等于2，对所述深度提问集合中两个提问编号的第一语义向量进行余弦相似值计算，若余弦相似值小于第二预设相似阈值且岗位需求特征为知识准确度的时序响应序列在所述深度提问集合中存在负向突变点，确定所述深度提问集合的语义标签为语义漂移，否则，确定所述深度提问集合的语义标签为语义一致；

46、面试评估报告单元：基于所有深度提问集合的衰减标签、语义标签、所有非深度提问的衰减标签、语义标签以及所有岗位需求特征的时序响应趋势图，确定面试者的面试评估报告。

47、本发明提供一种基于大语言模型的智能就业匹配方法，用于执行实施例1至7中任意一种基于大语言模型的智能就业匹配系统，包括：

48、s1：获取多源对话数据，构建问答识别模型，获取认知层级数据、需求岗位的岗位知识数据库，获取并基于面试者的面试音频数据，确定面试者的面试提问数据、面试回答数据；

49、s2：基于面试者的面试提问数据、面试回答数据、认知层级数据、岗位知识数据库，确定多个深度提问集合以及多个非深度提问，并确定面试提问数据中每个提问编号的知识-认知数据以及面试回答数据中每个回答编号的每个拆分编号的岗位需求匹配数据；

50、s3：基于认知层级数据、所有提问编号的知识-认知数据、所有回答编号的所有拆分编号的岗位需求匹配数据，确定每个岗位需求特征的时序响应序列、时序响应趋势图；

51、s4：基于所有岗位需求特征的时序响应序列、时序响应趋势图，确定每个深度提问集合或非深度提问的衰减标签、语义标签，并确定面试者的面试评估报告。

52、本发明相对于现有技术产生的有益效果为：获取多源对话数据，构建问答识别模型，获取认知层级数据、需求岗位的岗位知识数据库，获取面试者的面试音频数据，确定面试者的面试提问数据、面试回答数据，确定多个深度提问集合以及多个非深度提问，确定面试提问数据中每个提问编号的知识-认知数据以及面试回答数据中每个回答编号的每个拆分编号的岗位需求匹配数据，确定每个岗位需求特征的时序响应序列、时序响应趋势图，确定每个深度提问集合或非深度提问的衰减标签、语义标签，并确定面试者的面试评估报告。提升了多角色面试音频的问答配对准确率，实现了语义匹配度的时序化连续检测与突变点自动定位，量化了对话过程中的语义衰减趋势，提升了深度追问链的语义关联识别精度。本发明依托本体论规范岗位知识体系架构，解决传统知识库知识点零散、层级混乱的问题；通过全流程标准化知识加工手段完成面试文本与岗位专业信息的结构化转换；基于知识图谱实现知识点关联检索与跨认知层级匹配，进一步强化问答语义解析的完整性。

53、本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在本技术文件中所特别指出的结构来实现和获得。

54、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。