一种基于人工智能模型的用于招聘信息处理的方法、系统和计算机程序产品与流程
本发明涉及数据处理及人工智能,具体涉及一种基于人工智能模型的用于招聘信息处理的方法、系统和计算机程序产品。
背景技术:
1、随着互联网招聘行业的数字化转型,海量简历筛选与候选人沟通已成为企业招聘流程中的核心环节。然而,在长期的招聘业务实践中,发明人经过近十五年的实践积累,发现现有招聘辅助技术存在以下五个方面的突出问题:
2、(一)岗位描述语义解析能力薄弱,依赖云端大模型成本高且存在数据泄露风险。传统的招聘系统多依赖人工设置关键词或简单的正则表达式进行匹配,这种方式无法理解岗位描述(jobdescription,简称jd)文本背后的深层语义,导致匹配精度低下。为解决语义理解问题,部分现有方案开始引入云端大语言模型api对jd和简历进行解析,但这种依赖云端算力的方案带来了两个不可忽视的问题:一是按token计费的模式导致在处理海量简历筛选场景时成本极其高昂,难以支撑大规模应用;二是简历中包含大量候选人的个人隐私敏感信息,将其上传至第三方云端服务器进行推理,存在严重的数据泄露与合规风险。
3、(二)简历匹配维度单一,复杂语义匹配不可解释、不可调试。且现有的简历匹配逻辑多为"关键词命中计数"或"向量相似度打分"。前者语义理解能力弱,后者为黑盒打分,招聘人员往往无法获知"为何通过"或"为何淘汰"的具体逻辑路径,难以根据实际业务需求进行人工干预与微调。更重要的是,岗位要求中天然存在的约束强度差异,在现有技术中往往被混为一谈,缺乏结构化的分层表达与统一的运算机制。
4、(三)同一专业概念的异名表述导致大量漏筛与误筛。在招聘场景中,同一技能或职级往往存在多种不同的表述方式。例如,"u3d""unity""unity3d"实为同一游戏引擎技能,"总裁""总经理""ceo"实为同一职级。传统的字面匹配无法实现归一化处理,导致合格候选人被错误过滤。此外,现有技术中的同义词库多为静态通用词典,无法从企业自身的筛选实践中自动发现并学习新的异名表述,形成了知识积累的断层。
5、(四)候选人沟通意愿无法量化识别,大量招聘资源消耗在无效沟通上。在第三方应用服务上与候选人沟通时,候选人的真实意愿(如积极求职、观望、抗拒或仅打探薪酬信息)直接决定了沟通投入的产出比。现有技术缺乏对沟通文本与行为时序特征(如回复间隔、文本长度等)的实时量化分析手段,无法自动识别低意愿或抗拒型候选人并及时、礼貌地终止对话,导致招聘人员的大量时间被无效沟通所占用,严重影响了招聘效率。
6、(五)自动化采集与操作手段存在合规隐患且缺乏智能决策联动。传统的机器人流程自动化(rpa)工具仅能机械执行固定动作,不具备与筛选评分、意愿识别联动的智能决策能力。同时,若自动化手段涉及突破访问控制、读取内存或网络封包、高频批量操作,将产生侵犯平台权益与个人信息合规的法律风险。如何在用户明确授权、不突破任何安全保护措施、仅感知界面呈现层且数据本地留存的合规边界内实现辅助自动化,是现有技术尚未解决的问题。
7、一个现有方案公开了一种基于大语言模型的简历匹配度评分方法及系统,用大语言模型将jd解析为多个岗位需求指标项,再由大语言模型逐项对简历做匹配度分析并汇总得分。然而,该方案中评分由大语言模型直接给出,属于不可解释的黑盒打分,招聘人员无法审计与人工微调,且依赖云端大模型,存在简历数据泄露风险与token成本问题。
8、另一个现有方案公开了一站式人才筛选方法及系统,采用有监督文本分类算法(基于人工标注的意愿标签训练)对沟通记录进行语义分析识别求职意愿等级,并结合匹配度评分生成个性化面试问题。然而,该方案中意愿识别依赖有监督分类模型,标注成本高、不可解释、无法在线即时增补规则。
9、综上所述,现有技术或仅解决单点问题(如否决预排除、加权评分、意愿分类、结束对话等),或采用不可解释的黑盒模型路线,亦未能同时解决隐私保护、成本、可解释性与沟通效率问题。
技术实现思路
1、本技术旨在提供一种基于人工智能模型的用于招聘信息处理的方法、系统和计算机程序产品,能够兼顾数据安全、匹配可解释性、异名自适应学习与沟通效率提升的招聘智能筛选及沟通意愿识别方案。
2、根据本技术的一方面,提供一种用于招聘信息处理的方法,包括:
3、以云端大语言模型为教师模型,基于包含岗位要求项约束强度标注的示范分解样本集对本地轻量化模型进行知识蒸馏,得到部署于本地终端、脱机运行的语义拆解模型;
4、将目标岗位的岗位描述文本输入所述语义拆解模型,拆解得到按约束强度四级分类的要求项集合并生成包含各要求项权重的结构化关键词图谱,所述四级分类包括必要项、一票否决项、加分项与减分项;
5、构建以概念节点挂载语义等价表述集合的图结构存储的异名库,用于将所述岗位描述文本中同一专业概念的不同表述归一化映射至对应概念节点;
6、通过所述异名库对候选人简历文本进行归一化,通过确定性规则引擎对所述候选人简历文本执行匹配运算,生成匹配决策;
7、获取与候选人的沟通文本及行为时序特征,基于可配置规则库的规则匹配引擎计算沟通意愿指数,据以划分意愿等级,所述沟通意愿指数由各命中规则的分值经方向加权、时间衰减并与行为时序特征的归一化得分合成;
8、以所述匹配决策与所述意愿等级构成二维决策矩阵,据以输出差异化的招聘信息处理策略;
9、将被判定淘汰的简历回流,抽取其中未命中的专业表述作为候选表述,与所述关键词图谱中的概念节点执行等价判定,得到综合等价得分,当综合等价得分达到等价阈值时,将所述候选表述归一化挂载至对应概念节点,更新所述异名库以用于后续匹配评分,从而形成淘汰信号驱动的异名库闭环。
10、根据一些实施例,以云端大语言模型为教师模型,基于包含岗位要求项约束强度标注的示范分解样本集对本地轻量化模型进行知识蒸馏,得到部署于本地终端、脱机运行的语义拆解模型,包括:
11、将所述示范分解样本集输入所述云端大语言模型,获取各样本对应的软标签概率分布;
12、将所述示范分解样本集输入所述本地轻量化模型,获取各样本对应的硬标签预测结果;
13、基于所述软标签概率分布和所述硬标签预测结果构建联合损失函数,对所述本地轻量化模型进行参数迭代更新,直至所述联合损失函数收敛,得到经蒸馏训练的本地轻量化模型;
14、将所述经蒸馏训练的本地轻量化模型固化部署于本地终端,作为脱机运行的所述语义拆解模型,
15、所述示范分解样本集中每一样本包含岗位描述原文及人工标注的必要项、一票否决项、加分项与减分项的四级要求项标注,所述联合损失函数包括所述软标签概率分布的kl散度项与人工标注交叉熵项的加权和。
16、根据一些实施例,通过确定性规则引擎对所述候选人简历文本执行匹配运算,生成匹配决策,包括:
17、将归一化后的候选人简历文本与所述一票否决项集合进行比对,若命中任一所述一票否决项,则直接输出匹配决策为淘汰;
18、若未命中所述一票否决项,则统计所述候选人简历文本命中所述必要项集合的数量,并计算必要项覆盖率;
19、若所述必要项覆盖率低于预设的必要覆盖率阈值,则输出匹配决策为淘汰;
20、若所述必要项覆盖率不低于所述必要覆盖率阈值,则按各要求项权重对所述必要项集合和所述加分项集合的命中情况进行正向加权求和,并对所述减分项集合的命中情况进行负向加权求和,得到综合评分,当所述综合评分大于或等于评分阈值时,输出匹配决策为通过;当所述综合评分小于评分阈值时,输出匹配决策为淘汰。
21、根据一些实施例,所述沟通意愿指数由各命中规则的分值经方向加权、时间衰减并与所述行为时序特征的归一化得分合成,包括:
22、获取各命中规则的分值,根据所述方向与分值映射确定正向激励分值或负向惩罚分值;
23、基于所述沟通文本的生成时间戳与当前时间的间隔,对所述正向激励分值或所述负向惩罚分值应用时间衰减因子,得到时间衰减后的意愿基础分;
24、提取所述行为时序特征,所述行为时序特征至少包括回复响应时长和会话轮次,并对所述行为时序特征进行归一化处理,得到行为归一化得分;
25、将所述时间衰减后的意愿基础分与所述行为归一化得分进行加权求和,得到所述沟通意愿指数。
26、根据一些实施例,将被判定淘汰的简历回流,抽取其中未命中的专业表述作为候选表述,与所述关键词图谱中的概念节点执行等价判定,得到综合等价得分,包括:
27、分别计算所述候选表述与所述概念节点的标准表述之间的综合词形相似度、上下文相似度;
28、将所述候选表述和所述标准表述输入所述语义拆解模型,获取所述语义拆解模型输出的语义等价概率;
29、将所述综合词形相似度、所述上下文相似度与所述语义等价概率按预设权重进行加权求和,得到所述综合等价得分。
30、根据一些实施例,所述差异化的招聘信息处理策略包括:
31、当所述匹配决策为通过且所述意愿等级为中意愿时,生成包含岗位核心优势的引导话术,并触发预设的意向确认流程;
32、当所述匹配决策为通过且所述意愿等级为高意愿时,自动推送面试邀约链接或人工面试官的联系方式。
33、根据一些实施例,将被判定淘汰的简历回流,抽取其中未命中的专业表述作为候选表述,包括:
34、提取被判定淘汰的候选人简历文本中的专业术语和实体词;
35、将所述专业术语和实体词与所述结构化关键词图谱中的概念节点进行匹配;
36、将未匹配到任何概念节点的所述专业术语和实体词,作为所述候选表述。
37、根据一些实施例,所述方法在本地终端执行,且满足以下合规边界条件:
38、所述语义拆解模型、所述异名库、所述可配置规则库及所述候选人简历文本均存储于所述本地终端的本地数据库中;
39、所述本地轻量化模型在脱机状态下执行所述语义拆解和所述等价判定;
40、所述本地终端与外部网络的通信仅限于获取所述云端大语言模型的更新参数或同步人工审核结果。
41、根据本技术的另一方面,提供一种用于招聘信息处理的系统,包括:
42、模型蒸馏与部署模块,用于以云端大语言模型为教师模型,基于包含岗位要求项约束强度标注的示范分解样本集对本地轻量化模型进行知识蒸馏,得到部署于本地终端、脱机运行的语义拆解模型;
43、岗位需求拆解模块,用于将目标岗位的岗位描述文本输入所述语义拆解模型,拆解得到按约束强度四级分类的要求项集合并生成包含各要求项权重的结构化关键词图谱,所述四级分类包括必要项、一票否决项、加分项与减分项;
44、异名库构建模块,用于构建以概念节点挂载语义等价表述集合的图结构存储的异名库,用于将所述岗位描述文本中同一专业概念的不同表述归一化映射至对应概念节点;
45、智能匹配评分模块,用于通过所述异名库对候选人简历文本进行归一化,通过确定性规则引擎对所述候选人简历文本执行匹配运算,生成匹配决策;
46、沟通意愿识别模块,用于获取与候选人的沟通文本及行为时序特征,基于可配置规则库的规则匹配引擎计算沟通意愿指数,据以划分意愿等级,所述沟通意愿指数由各命中规则的分值经方向加权、时间衰减并与行为时序特征的归一化得分合成;
47、决策执行模块,用于以所述匹配决策与所述意愿等级构成二维决策矩阵,据以输出差异化的招聘信息处理策略;
48、异名库闭环更新模块,用于将被判定淘汰的简历回流,抽取其中未命中的专业表述作为候选表述,与所述关键词图谱中的概念节点执行等价判定,得到综合等价得分,当综合等价得分达到等价阈值时,将所述候选表述归一化挂载至对应概念节点,更新所述异名库以用于后续匹配评分,从而形成淘汰信号驱动的异名库闭环。
49、根据本技术的另一方面,提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上中任一项所述的方法。
50、根据本技术的另一方面,提供一种计算设备,包括:
51、处理器;以及
52、存储器,存储有计算机程序,当所述计算机程序被所述处理器执行时,使得所述处理器执行如上任一项所述的方法。
53、根据本技术的另一方面,提供一种非瞬时性计算机可读存储介质,其上存储有计算机可读指令,当所述指令被处理器执行时,使得所述处理器执行如上任一项所述的方法。
54、根据实施例,本技术针对现有技术中单纯依赖云端大模型进行岗位描述解析时存在的推理黑盒、结果不可解释、无法审计追溯及原始文本上传带来的隐私泄露风险,构建了本地语义拆解、确定性规则评分与淘汰信号闭环协同的招聘信息处理架构。通过知识蒸馏将云端大模型的语义拆解能力迁移至本地轻量化模型,使脱机推理成为可能,从物理层面避免隐私数据外泄。蒸馏模型仅输出结构化的约束强度分级结果,匹配评分与决策由确定性规则引擎完成,使评分过程可解释、可审计,从根本上克服大模型直接输出分数的黑盒缺陷。将被淘汰简历中未识别的专业表述回流至异名库,经等价判定后自动挂载,使系统语义覆盖能力随使用持续增长,形成淘汰、抽取、进化的闭环。
55、根据本技术的实施例,通过知识蒸馏得到可脱机运行的本地语义拆解模型,全部数据处理在本地完成,从根本上杜绝简历信息泄密风险并节省云端成本;四级约束强度分类与含权重关键词图谱实现分级加权匹配,拆解准确率≥95%;结合异名库归一化映射实现“一次命中、全写法覆盖”,显著减少漏筛误筛;评分由确定性规则引擎产生,全程可解释、可审计;基于可配置规则库的意愿识别可自动清除无效沟通;二维决策矩阵驱动的差异化策略提升招聘漏斗转化效率;淘汰简历回流更新异名库,使系统越用越准。
56、根据一些实施例,软标签与硬标签联合损失的蒸馏方式兼顾推理速度与准确率,配合验证集门槛与性能衰减监控,保障模型全生命周期拆解质量;漏斗式评分结构先剔除硬性不符者再精细打分,减少计算量且每级理由明确可审计;意愿信号按抗拒性、功利性、积极性分类加权,并融合时间衰减与行为时序特征,使意愿识别更全面、更抗干扰;异名库图结构支持高效检索与在线增量扩充,三路信号融合的等价判定防止噪声污染;对中、高意愿候选人的差异化触达提升到面率与转化效率;数据全本地存储的合规设计满足个人信息保护要求;模块化架构与程序产品形态使各模块独立升级、部署便捷。
57、应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本技术。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com