基于大语言模型的多模态就业服务数据智能处理平台

本发明涉及人工智能与教育信息化，更具体地说，本发明涉及基于大语言模型的多模态就业服务数据智能处理平台。

背景技术：

1、当前，职业教育领域普遍面临专业设置与产业需求脱节的问题。职业院校在专业动态调整过程中，往往依赖人工经验进行判断，缺乏基于产业人才需求大数据的科学决策支撑。现有技术主要通过关键词匹配或简单统计分析的方式，将岗位招聘文本与人才培养方案进行对照，以判断专业与产业的匹配程度。然而，这种方式仅能识别字面相同的技能词汇，无法理解文本背后的深层语义关联，例如团队协作能力与跨部门协同完成任务在语义上高度相关，传统方法却将其视为不同的字符串，导致匹配结果失真。

2、针对上述问题，已有部分技术尝试引入自然语言处理模型进行文本分析，但仍存在明显缺陷。一是未能构建结构化的能力语义图谱，无法对岗位任务、能力、知识进行分层解构与关联建模，导致分析维度单一；二是缺少对专业培养能力与岗位需求能力之间非对称关系的量化手段，难以精准识别哪些能力培养过剩、哪些能力培养不足以及哪些能力存在方向性错位；三是分析结果未能有效驱动后续的人才培养方案修订，整个决策过程仍然需要大量人工介入，效率低下且缺乏可操作性。

3、因此，如何利用大语言模型的语义理解能力，对产业岗位需求和专业培养方案进行深度解构与精准对齐，自动识别能力差距并生成可执行的修订建议，成为当前职业教育专业动态调整领域亟待解决的技术问题。

技术实现思路

1、为了克服现有技术的上述缺陷，本发明的实施例提供基于大语言模型的多模态就业服务数据智能处理平台。

2、为实现上述目的，本发明提供如下技术方案：

3、基于大语言模型的多模态就业服务数据智能处理平台，包括如下模块：

4、语义解构与表征模块：用于对岗位招聘文本和人才培养方案进行多层次语义解构，抽取任务节点、能力节点以及知识、技能、素质节点，构建岗位能力语义图谱和专业能力语义图谱，并为每个节点生成归一化的语义向量；

5、非对称差距量化模块：用于基于所述语义向量计算岗位能力与专业能力的双向覆盖度，识别培养不足、培养过剩和错位培养三类差距，并利用注意力机制和语义图谱的层级关系进行差距传播，生成结构化的差距分析报告；

6、元能力路径规划与修订模块：用于以培养不足的能力为目标，利用大语言模型规划从现有能力到目标能力的元能力学习路径，并依据用户选择的目标岗位和待修订模块，自动生成修订后的人才培养方案文本。

7、具体的，所述语义解构与表征模块具体执行：

8、构造第一级提示词，从岗位描述文本中提取典型工作任务节点；

9、针对每个工作任务节点构造第二级提示词，提取所需的专业能力、通用能力及新质生产力要素节点；

10、针对每个能力节点构造第三级提示词，提取支撑该能力的知识节点、技能节点和素质节点；

11、将抽取的所有节点及其关系以属性图模型存入图数据库，完成语义图谱构建。

12、具体的，所述语义解构与表征模块采用多次独立采样与投票机制量化节点可靠性：

13、对于同一能力节点，将大语言模型的温度参数分别设置为0.3、0.6、0.9进行三次独立调用；

14、统计每个知识节点、技能节点或素质节点在三次结果中出现的次数，以出现次数除以三作为置信度；

15、若置信度大于或等于0.67，则将该节点存入图数据库并附加置信度属性；

16、若所有节点的置信度均小于0.67，则放弃投票，直接采纳温度参数为0.6的那次调用结果作为最终输出，并将该次结果中所有节点的置信度标记为0.5。

17、具体的，所述非对称差距量化模块识别培养不足和培养过剩的具体方式为：

18、计算每个岗位能力节点向量与所有专业能力节点向量的余弦相似度，取最大值作为被覆盖程度分数；

19、预设语义相似度阈值，若被覆盖程度分数小于该阈值，则将该岗位能力节点标记为培养不足，并记录取得最大相似度的专业能力节点作为最接近的现有能力；

20、计算每个专业能力节点向量与所有岗位能力节点向量的余弦相似度，取最大值作为需求相关度分数；

21、若需求相关度分数小于所述阈值，则将该专业能力节点标记为培养过剩。

22、具体的，所述非对称差距量化模块通过交叉注意力机制识别错位培养：

23、将岗位所有能力节点的向量堆叠成第一矩阵，将专业所有能力节点的向量堆叠成第二矩阵，计算注意力权重矩阵；

24、对于每个专业能力节点，找到注意力权重最大的前两个岗位能力节点；

25、若该专业能力节点未被标记为培养不足或培养过剩，但其关注度最高的岗位能力节点与所述最接近的现有能力节点不是同一个节点或两者语义距离大于一预设的第二阈值，则判定该专业能力节点发生了错位培养。

26、具体的，所述非对称差距量化模块在完成差距标记后执行差距传播：

27、向下传播：将标记为培养不足或错位培养的能力节点所支撑的知识节点、技能节点、素质节点标记为受影响的薄弱要素；

28、向上传播：将标记为培养过剩的能力节点所关联的典型工作任务节点标记为可能被过度支撑或已过时的任务；

29、交叉传播：利用专业能力语义图谱的层级结构，将差距从能力节点传播至毕业要求节点再至培养目标节点，每传播一层乘以一预设的衰减因子，记录每个培养目标节点的累积影响权重。

30、具体的，所述元能力路径规划与修订模块规划元能力学习路径的具体方式为：

31、从差距分析报告中提取所有标记为培养不足的岗位能力节点作为目标能力集合；

32、从专业能力语义图谱中找出所有未被标记为培养过剩的能力节点作为起点能力集合；

33、调用大语言模型，构造包含起点能力、目标能力、中间能力类别约束、路径长度约束及国家专业教学标准参考的提示词，要求输出json格式的元能力路径及难度系数；

34、将生成的元能力路径存入专业能力补全知识图谱。

35、具体的，所述元能力路径规划与修订模块执行自动化修订的具体方式为：

36、提供交互界面，展示专业匹配岗位分析散点图和人才培养方案的结构化目录，接收用户选定的一个或多个目标岗位以及待修订的一个或多个模块；

37、从专业能力补全知识图谱中提取为胜任所选目标岗位所需的所有元能力路径，并按难度系数排序；

38、构造修订提示词，包含角色设定、差距分析报告中与目标岗位相关的部分、提取的元能力路径集合以及当前人才培养方案中被选中模块的原始文本；

39、将修订提示词输入大语言模型，获取修订后的文本块；

40、使用文档处理工具将原人才培养方案文档中对应模块的内容替换为修订后的文本块，并在文档末尾新增包含修订时间和修订说明的ai修订记录，生成可下载的修订版文档。

41、本发明的技术效果和优点：

42、本发明通过构建多模态能力语义解构与表征模块，利用大语言模型对岗位招聘文本和人才培养方案进行多层次语义解构，并采用投票机制量化节点可靠性，显著提升了非结构化文本中任务、能力、知识等要素的抽取准确性和语义表征的精度。在此基础上，通过非对称差距量化模块，引入双向覆盖度计算、交叉注意力机制及语义图谱层级传播，能够精准识别出培养不足、培养过剩和错位培养三类隐性差距，克服了传统关键词匹配方法无法捕捉语义关联的缺陷，为专业动态调整提供了科学、细粒度的量化依据。

43、进一步地，本发明通过元能力路径规划与修订模块，以培养不足的能力为目标，利用大语言模型自动规划从现有能力到目标能力的元能力学习路径，并基于用户选定的目标岗位和修订模块，自动生成附带修订说明的人才培养方案修订文本。整个流程实现了从产业需求分析到专业方案修订的闭环驱动，大幅降低了人工决策成本，提升了专业调整的响应速度和可操作性，有效促进人才培养与岗位需求的精准匹配。