一种基于AI多维画像的数字零工人力资源智能匹配系统及方法
本发明涉及人力资源数字化与人工智能,具体为一种基于ai多维画像的数字零工人力资源智能匹配系统及方法。
背景技术:
1、随着平台经济与灵活用工的快速发展,以网约车司机、外卖骑手、众包标注者、在线自由职业者为代表的数字零工规模持续扩大。与传统雇佣关系不同,零工具有非标准雇佣、强平台中介、高频短时、双向选择等特征,零工与任务之间的高效匹配成为平台运营的核心技术环节。现有技术中,零工平台的人岗匹配主要存在以下不足:
2、(1)画像维度单一且静态,通常仅依据历史评分、成交额等少数指标进行粗粒度排序,缺乏对技能、行为、偏好、信誉、时空可用性等维度的系统性刻画,画像难以反映零工的动态能力与真实意愿;
3、(2)匹配机制偏向“单边排序”,多以任务方满意度为唯一或主导目标,忽视零工侧的偏好与权益,导致供需双侧错配与高流失率;
4、(3)存在算法偏见与公平性缺失问题,冷启动零工、长尾技能持有者及弱势群体在流量分发中易被系统性边缘化,形成“马太效应”,既损害平台生态,也带来监管与伦理风险;
5、(4)匹配结果可解释性不足,黑箱式推荐难以支撑零工理解、争议处理与合规审计。
6、因此,亟需一种能够对数字零工进行多维动态画像、并在此基础上实现精准、公平、可解释的智能匹配的系统及方法。
技术实现思路
1、为实现以上目的,本发明通过以下技术方案予以实现:一种基于ai多维画像的数字零工人力资源智能匹配方法,包括以下步骤:
2、s1,采集零工侧与任务侧的多源异构数据,所述多源异构数据包括零工的技能标签、历史履约记录、评价信息、行为轨迹、时空签到信息,以及任务的技能需求、预算、时间窗与地点约束;
3、s2,对所述多源异构数据进行清洗、对齐与特征工程,生成数值型、类别型、文本型、时序型和图结构型五类特征,并对敏感信息进行脱敏处理;
4、s3,基于所述特征构建零工的多维画像与任务的需求画像;其中,所述零工多维画像包括技能维度、行为维度、偏好维度、信誉维度和时空维度;
5、s4,构建包含零工节点、技能节点与任务节点的异构图,通过图神经网络对所述多维画像与需求画像进行表征学习,得到零工画像向量与任务画像向量;
6、s5,基于所述画像向量,计算零工对任务的第一偏好值和任务对零工的第二偏好值,并结合技能覆盖度合成多维匹配度;
7、s6,以所述多维匹配度为目标函数,以公平性约束、多样性约束和时空/技能覆盖约束为约束条件,将零工—任务匹配形式化为带约束的最大权重二分图匹配问题并求解,得到匹配决策矩阵;
8、s7,通过注意力机制计算画像各维度对所述匹配度的贡献权重,输出可解释的匹配理由。
9、优选的,所述s3中,所述技能维度以“技能标签—熟练度”对构成,所述偏好维度由零工历史行为隐式学习得到,所述信誉维度包括综合评分、好评率、投诉率、信用分及评价文本的情感极性分布,所述时空维度包括可用时段分布、可覆盖地理区域与历史移动轨迹。
10、优选的,所述s3还包括对所述多维画像进行动态更新:对技能熟练度施加时间衰减,衰减公式为,其中δt为距最近一次使用该技能完成任务的时间间隔,λ为衰减系数;并根据每次任务履约的完成质量、准时性与评价结果对行为维度与信誉维度进行闭环更新。
11、优选的,所述s4中,所述异构图中的边类型包括“零工-技能”拥有关系、“任务-技能”需求关系以及“零工-任务”历史履约关系;所述图神经网络按边类型分别进行消息传播,迭代聚合得到结构感知的画像向量。
12、优选的,所述s5中,所述第一偏好值与第二偏好值通过将零工画像向量、任务画像向量及其逐元素乘积拼接后输入全连接网络并经激活函数计算得到;所述技能覆盖度为零工技能栈对任务技能需求覆盖的熟练度加权均值。
13、优选的,所述s6中,所述公平性约束为最小化不同敏感属性分组的零工匹配率之差;所述多样性约束为抑制匹配流量过度集中于少数头部零工;所述求解在一对一指派场景下采用带约束的匈牙利算法,在多对多场景下采用贪心预分配与网络流相结合的近似求解,或采用深度强化学习进行在线匹配决策。
14、一种基于ai多维画像的数字零工人力资源智能匹配系统,包括:
15、数据采集模块,用于采集零工侧与任务侧的多源异构数据;
16、数据治理与特征模块,用于对所述多源异构数据进行清洗、对齐与特征工程,并对敏感信息进行脱敏处理;
17、多维画像模块,用于构建零工的技能、行为、偏好、信誉、时空五大维度画像及任务需求画像,并进行动态更新;
18、图嵌入模块,用于构建零工-技能-任务异构图,通过图神经网络进行表征学习,得到零工画像向量与任务画像向量;
19、智能匹配模块,用于计算零工对任务的第一偏好值、任务对零工的第二偏好值及技能覆盖度,合成多维匹配度,并以公平性与多样性约束进行最大权重二分图匹配求解,得到匹配决策矩阵;
20、可解释输出模块,用于通过注意力机制输出匹配理由;
21、反馈闭环模块,用于将履约结果回流至数据采集模块与多维画像模块,实现画像的动态更新。
22、本发明提供了一种基于ai多维画像的数字零工人力资源智能匹配系统及方法。具备以下有益效果:
23、(一)、该基于ai多维画像的数字零工人力资源智能匹配系统及方法,通过技能、行为、偏好、信誉、时空五大维度动态画像,全面、准确地刻画零工能力与意愿,减少人岗错配;
24、(二)、该基于ai多维画像的数字零工人力资源智能匹配系统及方法,通过双向偏好建模,兼顾供需双侧满意度,降低零工流失率;
25、(三)、该基于ai多维画像的数字零工人力资源智能匹配系统及方法,通过图神经网络嵌入,利用技能—任务结构信息缓解冷启动与数据稀疏问题;
26、(四)、该基于ai多维画像的数字零工人力资源智能匹配系统及方法,通过将公平性与多样性纳入优化约束,抑制算法偏见与“马太效应”,改善平台生态;
27、(五)、该基于ai多维画像的数字零工人力资源智能匹配系统及方法,通过注意力机制输出匹配理由,提升可解释性与合规审计能力。
1.一种基于ai多维画像的数字零工人力资源智能匹配方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的一种基于ai多维画像的数字零工人力资源智能匹配方法,其特征在于:所述s3中,所述技能维度以“技能标签-熟练度”对构成,所述偏好维度由零工历史行为隐式学习得到,所述信誉维度包括综合评分、好评率、投诉率、信用分及评价文本的情感极性分布,所述时空维度包括可用时段分布、可覆盖地理区域与历史移动轨迹。
3.根据权利要求1所述的一种基于ai多维画像的数字零工人力资源智能匹配方法,其特征在于:所述s3还包括对所述多维画像进行动态更新:对技能熟练度施加时间衰减,衰减公式为,其中δt为距最近一次使用该技能完成任务的时间间隔,λ为衰减系数;并根据每次任务履约的完成质量、准时性与评价结果对行为维度与信誉维度进行闭环更新。
4.根据权利要求1所述的一种基于ai多维画像的数字零工人力资源智能匹配方法,其特征在于:所述s4中,所述异构图中的边类型包括“零工-技能”拥有关系、“任务-技能”需求关系以及“零工-任务”历史履约关系;所述图神经网络按边类型分别进行消息传播,迭代聚合得到结构感知的画像向量。
5.根据权利要求1所述的一种基于ai多维画像的数字零工人力资源智能匹配方法,其特征在于:所述s5中,所述第一偏好值与第二偏好值通过将零工画像向量、任务画像向量及其逐元素乘积拼接后输入全连接网络并经激活函数计算得到;所述技能覆盖度为零工技能栈对任务技能需求覆盖的熟练度加权均值。
6.根据权利要求1所述的一种基于ai多维画像的数字零工人力资源智能匹配方法,其特征在于:所述s6中,所述公平性约束为最小化不同敏感属性分组的零工匹配率之差;所述多样性约束为抑制匹配流量过度集中于少数头部零工;所述求解在一对一指派场景下采用带约束的匈牙利算法,在多对多场景下采用贪心预分配与网络流相结合的近似求解,或采用深度强化学习进行在线匹配决策。
7.一种基于ai多维画像的数字零工人力资源智能匹配系统,其特征在于,包括:
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述程序被处理器执行时实现权利要求1至6中任一项所述的方法。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的计算机程序,其特征在于:所述处理器执行所述程序时实现权利要求1至6中任一项所述的方法。
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