基于知识图谱的简历与岗位智能匹配方法装置及存储介质与流程

摘要: 本发明涉及岗位匹配,特别是基于知识图谱的简历与岗位智能匹配方法装置及存储介质。背景技术:1、随着数字化招聘模式普及,海量简历文本与岗位需求文本需要快速完成自动化...
基于知识图谱的简历与岗位智能匹配方法装置及存储介质与流程

本发明涉及岗位匹配,特别是基于知识图谱的简历与岗位智能匹配方法装置及存储介质。

背景技术:

1、随着数字化招聘模式普及,海量简历文本与岗位需求文本需要快速完成自动化匹配筛选,传统人工比对方式效率低下且主观干扰较强,现有招聘系统普遍采用关键词检索、深度学习语义向量匹配或简易行业词典辅助匹配三类技术实现人岗匹配,但均存在明显缺陷。传统关键词匹配仅依靠词汇重合度计算匹配分值,无法识别技能、专业、岗位间的同义词、上下位及可迁移技能关联关系,极易因文本用词差异造成优质人才漏检,同时不能区分技能掌握深度、硬性任职门槛等关键权重信息,易受求职者关键词堆砌行为干扰,多维度约束条件联动校验能力不足,筛选结果失真且复核工作量大;而基于预训练模型的纯语义向量匹配虽缓解了词汇歧义问题,但模型仅输出单一相似度数值,匹配推理过程完全不可解释,难以满足企业招聘溯源核查需求,该类模型高度依赖大量标注数据,面对新兴行业新增岗位、技能名词适配滞后,仅能完成浅层文本相似度比对,无法依托实体关联开展多层逻辑推理,并且大规模简历批量匹配场景下算力开销大、响应延迟高,落地使用成本偏高;少数采用扁平化行业词典的匹配方案仅能实现简单词汇映射,不存在层级化、网络化的知识关联结构,无法串联行业、项目、证书、从业经历等多维度信息,词典更新完全依靠人工操作,知识覆盖范围有限、迭代效率低。现有各类匹配技术均未搭建标准化、结构化的人才领域知识体系,未能对简历与岗位中的专业、技能、资质、行业等实体及复杂关联关系进行统一建模,普遍存在匹配精度不足、结果无解释性、多约束条件处理能力弱、行业知识更新适配慢、海量数据检索效率低等系列问题,行业中亟需一套依托知识图谱搭建人才领域关联网络,对简历、岗位信息完成图谱化转换并通过图关系推理实现细粒度、可解释加权智能匹配的技术方案,同时配套能够运行该匹配方法的硬件处理装置及存储对应程序的计算机可读存储介质,以此解决当前人岗智能匹配存在的各类技术短板。

技术实现思路

1、本发明的目的在于克服现有技术的缺点,提供基于知识图谱的简历与岗位智能匹配方法装置及存储介质,有效解决了现有技术的不足。

2、为了实现上述目的,本发明提供了基于知识图谱的简历与岗位智能匹配方法,包括以下步骤:

3、s1、获取待匹配的简历文本数据和岗位需求文本数据,对所述简历文本数据和岗位需求文本数据分别进行文本预处理,所述文本预处理至少包括分词、词性标注、停用词过滤及命名实体初步识别;

4、s2、基于预构建的人才领域知识图谱,对预处理后的简历文本进行实体识别与链接,提取简历实体集合,所述简历实体集合至少包括学历实体、专业实体、技能实体、项目经历实体、证书资质实体及从业经历实体,并为各实体赋予对应的实体类型标签和初始置信度;

5、s3、基于所述人才领域知识图谱,对预处理后的岗位需求文本进行实体识别与链接,提取岗位实体集合,所述岗位实体集合至少包括岗位名称实体、所需技能实体、学历要求实体、专业要求实体、经验要求实体及资质要求实体;

6、s4、以所述简历实体集合和岗位实体集合中的各实体为节点,以实体间的语义关联关系为边,分别构建简历知识子图和岗位知识子图,所述语义关联关系至少包括上下位关系、同义关系、互斥关系、前置依赖关系及可迁移技能关联关系;

7、s5、对所述简历知识子图和岗位知识子图分别进行图嵌入表示学习,生成简历图嵌入向量和岗位图嵌入向量,所述图嵌入表示学习至少保留节点的一阶邻域结构信息和二阶语义关联信息;

8、s6、计算所述简历图嵌入向量与岗位图嵌入向量之间的全局语义相似度,作为第一匹配分值;

9、s7、基于所述人才领域知识图谱中预定义的实体权重体系和约束规则体系,对简历实体集合与岗位实体集合进行逐实体细粒度加权匹配,生成第二匹配分值,所述实体权重体系至少包括技能掌握深度权重、硬性门槛权重及行业稀缺度权重,所述约束规则体系至少包括学历硬性约束、经验年限约束及资质强制约束;

10、s8、基于所述简历知识子图和岗位知识子图,执行图路径推理与多跳关系推理,识别简历实体与岗位实体之间的隐含关联路径,根据所述隐含关联路径的跳数、路径上关系的类型及路径置信度生成第三匹配分值;

11、s9、将所述第一匹配分值、第二匹配分值和第三匹配分值输入预设的多维度融合匹配模型,经加权融合与非线性的综合判定后输出最终综合匹配得分,并生成匹配结果的可解释性溯源路径,所述可解释性溯源路径至少包括匹配得分的各维度贡献度及关键匹配实体的对应关系链;

12、s10、根据所述最终综合匹配得分和预设的匹配阈值,输出岗位与简历的匹配结论,所述匹配结论至少包括匹配成功、待人工复核及匹配失败三种状态。

13、由上述任一方案优选的是,所述步骤s2中基于预构建的人才领域知识图谱对预处理后的简历文本进行实体识别与链接,其包括以下步骤:

14、1)将预处理后的简历文本输入预设的实体识别模型,所述实体识别模型基于bert-bilstm-crf架构构建,输出文本中的候选实体及其实体类型;

15、2)针对每一候选实体,计算该候选实体与所述人才领域知识图谱中各实体的语义相似度,选取语义相似度最高的图谱实体作为该候选实体的链接目标;

16、3)当候选实体与图谱实体的语义相似度低于预设的链接阈值时,将该候选实体标记为未链接实体,并触发新实体入库流程。

17、由上述任一方案优选的是,所述步骤s4中构建简历知识子图和岗位知识子图,其包括以下步骤:

18、1)以简历实体集合中的每一实体作为节点,基于所述人才领域知识图谱中预存的实体间关联关系,在简历实体各节点之间建立第一类边;

19、2)以岗位实体集合中的每一实体作为节点,基于所述人才领域知识图谱中预存的实体间关联关系,在岗位实体各节点之间建立第二类边;

20、3)将简历知识子图与岗位知识子图通过共享实体节点进行关联,形成统一的匹配关联图结构。

21、由上述任一方案优选的是,所述步骤s5中对简历知识子图和岗位知识子图分别进行图嵌入表示学习,采用基于图注意力网络的图嵌入模型,所述图注意力网络在聚合邻居节点特征时,为不同邻居节点分配不同的注意力权重,所述注意力权重基于节点类型和关系类型计算。

22、由上述任一方案优选的是,所述步骤s7中基于所述人才领域知识图谱中预定义的实体权重体系和约束规则体系进行逐实体细粒度加权匹配,其包括以下步骤:

23、1)对简历实体集合与岗位实体集合中的每一对同类型实体,计算实体相似度分值;

24、2)根据实体类型调用对应的权重函数,计算该实体的匹配贡献权重;

25、3)当该实体对应的岗位要求属于硬性约束条件时,检查简历实体是否满足该硬性约束,若不满足则直接将最终匹配结果判定为不通过;

26、4)将所有同类型实体对的加权相似度分值进行聚合,生成各维度的维度匹配分值,再将各维度匹配分值按预设的维度权重进行加权求和,生成第二匹配分值。

27、由上述任一方案优选的是,所述步骤s8中执行图路径推理与多跳关系推理,其包括以下步骤:

28、1)以简历知识子图中的简历实体节点为起点,以岗位知识子图中的岗位实体节点为终点,在所述匹配关联图结构中进行多跳路径搜索;

29、2)对搜索到的每一条路径,计算该路径的置信度分数,所述置信度分数基于路径中各关系边的权重乘积及路径跳数的衰减因子计算;

30、3)选取置信度分数最高的前n条路径作为关键隐含关联路径,基于所述关键隐含关联路径的置信度分数聚合生成第三匹配分值。

31、由上述任一方案优选的是,所述步骤s9中的多维度融合匹配模型采用多层感知机架构,所述多层感知机的输入层接收第一匹配分值、第二匹配分值和第三匹配分值,隐含层采用relu激活函数进行非线性变换,输出层采用sigmoid激活函数输出0至1区间的最终综合匹配得分。

32、由上述任一方案优选的是,所述人才领域知识图谱的构建方法包括:

33、1)采集多源人才领域数据,所述多源人才领域数据至少包括招聘网站岗位数据、职业百科数据、行业技能标准数据及专业课程体系数据;

34、2)对所述多源人才领域数据进行结构化处理,抽取出人才领域实体及实体间的关系三元组,所述实体至少包括专业、技能、岗位、行业、证书及院校,所述关系至少包括包含关系、隶属于关系、前置依赖关系及能力映射关系;

35、3)将所述实体及关系三元组存入图数据库,构建人才领域知识图谱本体模型;

36、4)通过增量学习机制,定期从新采集的数据中抽取新增实体及新增关系,对所述人才领域知识图谱进行动态更新。

37、为了实现上述目的,本发明提供了基于知识图谱的简历与岗位智能匹配装置,用于实现上述方法,包括:

38、数据获取模块,用于获取待匹配的简历文本数据和岗位需求文本数据;

39、文本预处理模块,用于对所述简历文本数据和岗位需求文本数据分别进行文本预处理,所述文本预处理至少包括分词、词性标注、停用词过滤及命名实体初步识别;

40、简历实体提取模块,用于基于预构建的人才领域知识图谱,对预处理后的简历文本进行实体识别与链接,提取简历实体集合,所述简历实体集合至少包括学历实体、专业实体、技能实体、项目经历实体、证书资质实体及从业经历实体;

41、岗位实体提取模块,用于基于所述人才领域知识图谱,对预处理后的岗位需求文本进行实体识别与链接,提取岗位实体集合,所述岗位实体集合至少包括岗位名称实体、所需技能实体、学历要求实体、专业要求实体、经验要求实体及资质要求实体;

42、知识子图构建模块,用于以所述简历实体集合和岗位实体集合中的各实体为节点,以实体间的语义关联关系为边,分别构建简历知识子图和岗位知识子图;

43、图嵌入表示模块,用于对所述简历知识子图和岗位知识子图分别进行图嵌入表示学习,生成简历图嵌入向量和岗位图嵌入向量;

44、全局语义匹配模块,用于计算所述简历图嵌入向量与岗位图嵌入向量之间的全局语义相似度,输出第一匹配分值;

45、细粒度加权匹配模块,用于基于所述人才领域知识图谱中预定义的实体权重体系和约束规则体系,对简历实体集合与岗位实体集合进行逐实体细粒度加权匹配,输出第二匹配分值;

46、图推理匹配模块,用于基于所述简历知识子图和岗位知识子图执行图路径推理与多跳关系推理,识别简历实体与岗位实体之间的隐含关联路径,输出第三匹配分值;

47、多维度融合输出模块,用于将所述第一匹配分值、第二匹配分值和第三匹配分值输入预设的多维度融合匹配模型,经加权融合与非线性综合判定后输出最终综合匹配得分及匹配结论。

48、为了实现上述目的,本发明提供了存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现基于知识图谱的简历与岗位智能匹配方法的步骤,所述存储介质包括rom、ram、磁碟与光盘中的任意一种。

49、本发明具有以下优点:

50、1、该基于知识图谱的简历与岗位智能匹配方法装置及存储介质,通过步骤s2至s4基于预构建的人才领域知识图谱分别对简历文本和岗位需求文本进行实体识别与链接,提取包含学历、专业、技能、项目经历、证书资质及从业经历等多类型实体的简历实体集合和岗位实体集合,并以各实体为节点、以实体间的上下位关系、同义关系、互斥关系、前置依赖关系及可迁移技能关联关系为边分别构建简历知识子图和岗位知识子图,使得简历与岗位中的各维度信息被转换为结构化的图数据结构,在此结构下,技能、专业、岗位间的同义词、上下位及可迁移技能关联关系得以显式表达,即使简历与岗位在文本用词上存在差异,优质人才也可通过实体间的多跳关联路径被有效召回,避免了传统关键词匹配因词汇重合度计算而造成的漏检问题;同时,实体间的互斥关系和前置依赖关系为多维度约束条件的联动校验提供了图结构基础,使得学历硬性约束、经验年限约束及资质强制约束可在图结构中被统一建模与联合判定,弥补了现有技术在多约束条件联动校验能力方面的不足。

51、2、该基于知识图谱的简历与岗位智能匹配方法装置及存储介质,通过步骤s5至s9对简历知识子图和岗位知识子图分别进行图嵌入表示学习生成图嵌入向量并计算全局语义相似度作为第一匹配分值,同时基于人才领域知识图谱中预定义的实体权重体系和约束规则体系进行逐实体细粒度加权匹配生成第二匹配分值,再执行图路径推理与多跳关系推理生成第三匹配分值,最后将三个匹配分值输入多层感知机架构的多维度融合匹配模型经加权融合与非线性综合判定后输出最终综合匹配得分并生成可解释性溯源路径,该可解释性溯源路径至少包括匹配得分的各维度贡献度及关键匹配实体的对应关系链,使得匹配结果不再是一个不可解释的单一相似度数值,而是可追溯至具体实体匹配对、图路径推理结果及各维度分值贡献的透明化决策过程,满足了企业招聘溯源核查需求;同时,图嵌入表示学习与图路径推理均基于图结构进行,其计算复杂度主要取决于图节点与边的规模而非简历文本长度,在大规模简历批量匹配场景下较纯语义向量匹配模型具有更低的算力开销和响应延迟,降低了落地使用成本。

52、3、该基于知识图谱的简历与岗位智能匹配方法装置及存储介质,通过步骤s5中采用基于图注意力网络的图嵌入模型,在聚合邻居节点特征时为不同邻居节点分配不同的注意力权重,该注意力权重基于节点类型和关系类型计算,使得图嵌入向量在生成过程中能够根据实体类型和关系类型自适应地调整信息聚合的侧重程度,相较于传统图嵌入方法对所有邻居节点进行均等聚合的方式,本发明的图注意力机制能够更精准地捕获对岗位匹配起关键作用的实体语义信息,提升了图嵌入向量的语义表征质量,进而提高了全局语义相似度计算的准确性;此外,步骤s7中根据实体类型调用对应的权重函数计算匹配贡献权重,并在硬性约束不满足时直接将最终匹配结果判定为不通过,使得不同实体类型在匹配中的差异化重要性得以量化体现,避免了浅层文本相似度匹配中所有词汇被等同对待而导致的匹配精度不足问题。

53、4、该基于知识图谱的简历与岗位智能匹配方法装置及存储介质,通过步骤s8中以简历知识子图中的简历实体节点为起点、以岗位知识子图中的岗位实体节点为终点在匹配关联图结构中进行多跳路径搜索,对搜索到的每一条路径基于路径中各关系边的权重乘积及路径跳数的衰减因子计算置信度分数,并选取置信度分数最高的前n条路径作为关键隐含关联路径,基于这些路径的置信度分数聚合生成第三匹配分值,使得简历与岗位之间不直接存在于同一文本中的隐含关联关系可通过知识图谱中的多跳路径被显式推理出来,例如求职者的项目经历实体可通过项目、技能、岗位的多跳路径与目标岗位建立关联,或者从业经历实体可通过“行业-能力映射-岗位”的路径实现可迁移技能的跨领域匹配,这一机制突破了纯文本相似度比对仅能处理显式共现信息的局限,使得匹配推理具备了依托实体关联开展多层逻辑推理的能力,弥补了现有技术无法串联行业、项目、证书、从业经历等多维度信息进行综合推理的技术短板。

54、5、该基于知识图谱的简历与岗位智能匹配方法装置及存储介质,通过人才领域知识图谱的构建方法中采集多源人才领域数据,对多源数据进行结构化处理抽取出至少包含专业、技能、岗位、行业、证书及院校等实体以及包含关系、隶属于关系、前置依赖关系及能力映射关系等关系三元组,存入图数据库构建人才领域知识图谱本体模型,并通过增量学习机制定期从新采集的数据中抽取新增实体及新增关系对图谱进行动态更新,使得人才领域知识图谱具备了层级化、网络化的知识关联结构,能够持续适配新兴行业新增岗位和技能名词,相较于依赖人工操作的扁平化行业词典更新方式,本发明的知识图谱可通过增量学习机制自动完成知识迭代,显著提升了知识覆盖范围和更新效率,从而保证了匹配方法在面对快速变化的行业人才需求时的时效性和适应性。