基于相似度匹配模型的信息匹配方法、装置、设备及介质与流程

1.本技术涉及到人工智能技术领域，特别是涉及到一种基于相似度匹配模型的信息匹配方法、装置、设备及介质。


背景技术：

2.随着互联网技术的发展，企业越来越倾向于通过互联网来寻求合适的求职者，同时求职者也越来越倾向于将简历上传至互联网来实现投递。企业hr往往需要花费大量时间在网上对比求职者的简历与企业岗位是否匹配，因此，需要一种能够自动实现人岗匹配的ai模型，以提升企业的招聘效率。
3.现有技术中的人岗匹配方法通常是基于招聘职位名称或者项目名称的相似度或重合度，向投递者推荐新职位；然而，不同企业对于同一招聘职位的要求通常不同，通过招聘职位名称或者项目名称进行简历匹配的方式准确度较低。
4.实施例内容
5.本技术的主要目的为提供一种基于相似度匹配模型的信息匹配方法、装置、介质及设备，旨在解决现有技术中简历与岗位匹配方式的准确度较低的技术问题。
6.为了实现上述实施例目的，本技术提出一种基于相似度匹配模型的信息匹配方法，所述方法包括：
7.获取若干个职位要求，将所述职位要求输入多层相似度匹配模型的第一层，生成每一个所述职位要求映射的第一职位向量，其中，所述职位要求是由第一对象发布的；
8.采用所述多层相似度匹配模型的第一层对所述第一职位向量进行相似度计算，根据计算得到的相似度判断所述第一职位向量对应的职位类型，并将所述第一职位向量与所述职位类型的对应关系输入所述多层相似度匹配模型的第二层；
9.获取若干个第二对象的特征信息，并将每一条所述特征信息输入所述多层相似度匹配模型的第二层，分别得到每一个所述第二对象的综合特征向量；
10.采用所述多层相似度匹配模型的第二层对每一个所述综合特征向量分别进行职位类型匹配，并将匹配的所述职位类型对应的所述第一职位向量作为所述综合特征向量的待定职位向量；
11.通过所述多层相似度匹配模型的第二层分别对每一个所述综合特征向量与对应的所述待定职位向量进行匹配度计算，得到每一个所述综合特征向量与所述待定职位向量之间的向量匹配度；
12.将所述向量匹配度作为所述第二对象以及所述职位要求之间的信息匹配度，按照所述信息匹配度从高到低的顺序对所述第二对象的个人信息进行排序，并向发布所述职位要求的所述第一对象发送排序后的所述个人信息。
13.进一步的，所述获取若干个职位要求之前，还包括：
14.按照学习率对所述多层相似度匹配模型进行模型训练，其中，在训练开始后的第一周期内设置学习率随训练时间增长而增大。
15.进一步的，所述对所述多层相似度匹配模型进行模型训练，还包括：
16.在对所述多层相似度匹配模型进行模型训练的所述第一周期后的第二周期内，采用余弦退火学习率衰减算法对所述学习率进行衰减；
17.当识别到所述余弦退火学习率衰减算法发生重启时，按照预设的衰减因子对所述学习率中的最大值进行一次衰减。
18.进一步的，所述将所述特征信息输入所述多层相似度匹配模型的第二层，生成所述第二对象的综合特征向量，包括：
19.将所述特征信息输入所述多层相似度匹配模型的第二层，得到所述第二对象的数值特征向量、单值特征向量和多值特征向量；
20.获取每一个数值特征向量、单值特征向量和多值特征向量的向量编码，并根据所述向量编码获得向量拼接顺序；
21.按照所述向量拼接顺序，对每一所述数值特征向量、单值特征向量和多值特征向量进行首尾相连地拼接，生成所述第二对象的综合特征向量。
22.进一步的，所述多值特征向量的获取方法，包括：
23.获取所述特征信息中的若干组多值类信息；
24.对每一组所述多值类信息均生成一组映射向量，计算每一组所述映射向量的均值，得到若干个所述多值特征向量。
25.进一步的，所述采用所述多层相似度匹配模型的第一层对所述第一职位向量进行相似度计算，根据计算得到的相似度判断所述第一职位向量对应的职位类型，包括：
26.采用所述多层相似度匹配模型的第一层分别计算所述第一职位向量与每一职位类型匹配的概率；
27.将与所述第一职位向量匹配的概率最高的职位类型作为所述第一职位向量的职位类型。
28.进一步的，所述向发布所述职位要求的所述第一对象发送排序后的所述个人信息之后，还包括：
29.向所述第一对象发送所述个人信息的缩略显示格式，以使所述第一对象登录的终端按照所述缩略显示格式对所述个人信息进行显示。
30.本技术还提出了一种基于相似度匹配模型的信息匹配装置，包括：
31.第一向量计算模块，用于获取若干个职位要求，将所述职位要求输入多层相似度匹配模型的第一层，生成每一个所述职位要求映射的第一职位向量，其中，所述职位要求是由第一对象发布的；
32.相似度计算模块，用于采用所述多层相似度匹配模型的第一层对所述第一职位向量进行相似度计算，根据计算得到的相似度判断所述第一职位向量对应的职位类型，并将所述第一职位向量与所述职位类型的对应关系输入所述多层相似度匹配模型的第二层；
33.综合特征向量计算模块，用于获取若干个第二对象的特征信息，并将每一条所述特征信息输入所述多层相似度匹配模型的第二层，分别得到每一个所述第二对象的综合特征向量；
34.职位类型匹配模块，用于采用所述多层相似度匹配模型的第二层对每一个所述综合特征向量分别进行职位类型匹配，并将匹配的所述职位类型对应的所述第一职位向量作
为所述综合特征向量的待定职位向量；
35.匹配度计算模块，用于通过所述多层相似度匹配模型的第二层分别对每一个所述综合特征向量与对应的所述待定职位向量进行匹配度计算，得到每一个所述综合特征向量与所述待定职位向量之间的向量匹配度；
36.匹配信息推送模块，用于将所述向量匹配度作为所述第二对象以及所述职位要求之间的信息匹配度，按照所述信息匹配度从高到低的顺序对所述第二对象的个人信息进行排序，并向发布所述职位要求的所述第一对象发送排序后的所述个人信息。
37.本技术还提出了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法。
38.本技术还提出了一种计算机可读存储介质，其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上述任一项所述的方法。
39.本技术的基于相似度匹配模型的信息匹配方法、装置、介质及设备，通过多层相似度匹配模型的第一层对职位要求进行向量提取，从而与求职者发布的信息进行匹配，避免了后续人工一一进行阅读和识别导致的匹配效率较低的问题；通过第一职位向量对企业发布的不同职位进行分类，以便于后续根据不同的求职信息进行更准确的人岗匹配；通过获取特征信息，并将上述特征信息转换为对应的综合特征向量，从而获得了求职者较为全面的个人情况，提高了简历匹配的准确性；通过当第二对象的综合特征向量与第一类型的职位匹配时，将第一职位向量作为待定职位向量，当第二对象的综合特征向量与第二类型的职位匹配，将第二职位向量作为待定职位向量，从而便于简化后续匹配的计算量，提高向量匹配效率；通过多层相似度匹配模型的第二层计算得到综合特征向量与待定职位向量二者之间的匹配度，该匹配度即该职位的岗位与该求职者的匹配度，从而实现了求职者与企业之间的匹配度的量化和可视化，提高了匹配效率和准确性；并且采用同一个相似度匹配模型的不同层分别进行计算，提高了计算结果的关联性，降低了数据换算误差；对该第一对象的个人信息进行获取，并对若干个第一对象按照匹配度顺序进行排序后发送至第二对象所登录的终端，使得第二对象能够直观地看出哪一求职者更符合职位要求，提高了信息获取的便捷度和获取效率。
附图说明
40.图1为本技术一实施例的基于相似度匹配模型的信息匹配方法的流程示意图；
41.图2为本技术一具体实施例的基于相似度匹配模型的信息匹配方法的流程示意图；
42.图3为本技术一具体实施例的基于相似度匹配模型的信息匹配方法的流程示意图；
43.图4为本技术一实施例的基于相似度匹配模型的信息匹配装置的结构示意框图；
44.图5为本技术一实施例的计算机设备的结构示意框图。
45.本技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
46.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对
本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
47.本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
48.参照图1，为了实现上述实施例目的，本技术提出一种基于相似度匹配模型的信息匹配方法，所述方法包括：
49.s1：获取若干个职位要求，将所述职位要求输入多层相似度匹配模型的第一层，生成每一个所述职位要求映射的第一职位向量，其中，所述职位要求是由第一对象发布的；
50.s2：采用所述多层相似度匹配模型的第一层对所述第一职位向量进行相似度计算，根据计算得到的相似度判断所述第一职位向量对应的职位类型，并将所述第一职位向量与所述职位类型的对应关系输入所述多层相似度匹配模型的第二层；
51.s3：获取若干个第二对象的特征信息，并将每一条所述特征信息输入所述多层相似度匹配模型的第二层，分别得到每一个所述第二对象的综合特征向量；
52.s4：采用所述多层相似度匹配模型的第二层对每一个所述综合特征向量分别进行职位类型匹配，并将匹配的所述职位类型对应的所述第一职位向量作为所述综合特征向量的待定职位向量；
53.s5：通过所述多层相似度匹配模型的第二层分别对每一个所述综合特征向量与对应的所述待定职位向量进行匹配度计算，得到每一个所述综合特征向量与所述待定职位向量之间的向量匹配度；
54.s6：将所述向量匹配度作为所述第二对象以及所述职位要求之间的信息匹配度，按照所述信息匹配度从高到低的顺序对所述第二对象的个人信息进行排序，并向发布所述职位要求的所述第一对象发送排序后的所述个人信息。
55.本实施例通过多层相似度匹配模型的第一层对职位要求进行向量提取，从而与求职者发布的信息进行匹配，避免了后续人工一一进行阅读和识别导致的匹配效率较低的问题；通过第一职位向量对企业发布的不同职位进行分类，以便于后续根据不同的求职信息进行更准确的人岗匹配；通过获取特征信息，并将上述特征信息转换为对应的综合特征向量，从而获得了求职者较为全面的个人情况，提高了简历匹配的准确性；通过当第二对象的综合特征向量与第一类型的职位匹配时，将第一职位向量作为待定职位向量，当第二对象的综合特征向量与第二类型的职位匹配，将第二职位向量作为待定职位向量，从而便于简化后续匹配的计算量，提高向量匹配效率；通过多层相似度匹配模型的第二层计算得到综合特征向量与待定职位向量二者之间的匹配度，该匹配度即该职位的岗位与该求职者的匹配度，从而实现了求职者与企业之间的匹配度的量化和可视化，提高了匹配效率和准确性；并且采用同一个相似度匹配模型的不同层分别进行计算，提高了计算结果的关联性，降低了数据换算误差；对该第一对象的个人信息进行获取，并对若干个第一对象按照匹配度顺序进行排序后发送至第二对象所登录的终端，使得第二对象能够直观地看出哪一求职者更符合职位要求，提高了信息获取的便捷度和获取效率。
56.对于步骤s1，本实施例应用在网络招聘的应用中，上述第一对象通常为发布招聘
信息和招聘要求的企业，现有常见的网络招聘方式是由求职者公开个人简历，企业再根据自身的需求对求职者的个人简历进行匹配，对不满足要求的个人简历进行筛选，最后得到适合本企业招聘要求的个人简历。为了提高简历匹配效率，本发明建立了一多层相似度匹配模型，具体来说，该多层相似度匹配模型优选为deepfm模型，也可以为xgboost模型，该模型主要用于对不同信息进行向量提取以及相似度匹配，从而得到求职者岗位与职位要求之间的匹配度。本发明通过多层相似度匹配模型的第一层对职位要求进行向量提取，从而与求职者发布的信息进行匹配，避免了后续人工一一进行阅读和识别导致的匹配效率较低的问题。
57.对于步骤s2，在实际招聘情况下，不同职位类型体现在专业性和业务性上的特点也不相同，例如，对于软件开发工程师这类专业性较高的职位，职位要求通常会有明确的学历要求、技能要求、证书要求等，一般能比较准确地用特征标签来描述；此时通过上述多层相似度匹配模型将该类直接分为第一类型职位；而对于偏业务类的职位，这类职位描述往往比较宽泛笼统，对于硬技能的要求不明显，更多的是考虑软技能或者工作年限、职级、背景等，往往无法用明确的特征标签来定义，此时通过上述多层相似度匹配模型将该类直接分为第二类型职位。可以理解地，这两类职位和求职者如果用同一套特征规则来做人岗匹配，较不合理的，因此本实施例提出多层相似度匹配模型，第一层先基于职位特点分类出该职位有多大概率属于专业类职位，即第一类型职位，有多大概率属于非专业类职位，即第二类型职位，以便于后续根据不同的求职信息进行更准确的人岗匹配。
58.对于步骤s3，上述第二对象通常是求职者，特征信息可以为求职者通过其账号在平台上发布的数值信息，例如年龄为25岁，离散性的单值类信息，例如毕业院校，多值类信息，包括个人技能信息、个人证书信息等，个人技能信息例如[java，python，c语言]等，其中每一词条即一技能信息；示例性地，特征信息[java，python，c语言]中，包含java，python，c语言三条技能信息。本发明通过获取包含若干条数值信息、单值类信息和多值类信息的特征信息，并将上述特征信息转换为对应的综合特征向量，从而获得了求职者较为全面的个人情况，提高了简历匹配的准确性。
[0059]
优选地，由于deepfm模型对离散性和连续性的特征混合的匹配比较好，因此，采用deepfm模型作为多层相似度匹配模型，能够提高计算和匹配的准确性和稳定性。
[0060]
对于步骤s4，由于第一类型职位一般为能够比较准确地用特征标签来描述的职位，第二类型职位一般为难以用比较准确的特征标签来描述的职位，因此，可以通过上述多层相似度匹配模型根据第二对象的综合特征向量进行职位类型匹配，若该第二对象的综合特征向量与第一类型的职位匹配，则将第一职位向量作为待定职位向量，若第二对象的综合特征向量与第二类型的职位匹配，则将第二职位向量作为待定职位向量，从而便于简化后续匹配的计算量，提高向量匹配效率。
[0061]
对于步骤s5，当获取到求职者的综合特征向量以及企业的待定职位向量后，将综合特征向量和待定职位向量输入上述多层相似度匹配模型中，以使上述多层相似度匹配模型计算得到综合特征向量与待定职位向量二者之间的匹配度，该匹配度即该职位的岗位与该求职者的匹配度，从而实现了求职者与企业之间的匹配度的量化和可视化，提高了匹配效率和准确性。
[0062]
对于步骤s6，得到上述匹配度后，匹配度越高的综合特征向量所对应的第二对象
即为最满足该企业职位要求的人员，此时对该第一对象的个人信息进行获取，并对若干个第二对象按照匹配度顺序进行排序后发送至第一对象所登录的终端，使得第一对象能够直观地看出哪一求职者更符合职位要求，提高了信息获取的便捷度和获取效率。
[0063]
在一个实施例中，参照图2，所述获取若干个职位要求s1之前，还包括：
[0064]
s101：按照学习率对所述多层相似度匹配模型进行模型训练，其中，在训练开始后的第一周期内设置学习率随训练时间增长而增大。
[0065]
本实施例通过在预设的周期内先使用较小的学习率，并使学习率缓慢上升，使得模型训练能够趋于稳定，让模型初期能比较稳定的启动学习，从而提高匹配模型训练的稳定性。
[0066]
对于步骤s101，通过学习率对多层初始相似度匹配模型的进行优化训练，从而得到经过优化后的新的多层相似度匹配模型。具体来说，当使用梯度下降算法来优化初始模型中的目标函数时，当越来越接近loss值的全局最小值时，学习率应该变得更小来使得模型尽可能接近该最小值点，因此，本实施例在预设的周期内，即前半周期中，先使用较小的学习率，并使学习率缓慢上升，使得模型训练能够趋于稳定，让模型初期能比较稳定的启动学习，从而提高匹配模型训练的稳定性。
[0067]
在一个实施例中，参照图3，所述按照学习率对所述多层相似度匹配模型进行模型训练s101，还包括：
[0068]
s111：在对所述多层相似度匹配模型进行模型训练的所述第一周期后的第二周期内，采用余弦退火学习率衰减算法对所述学习率进行衰减；
[0069]
s112：当识别到所述余弦退火学习率衰减算法发生重启时，按照预设的衰减因子对所述学习率中的最大值进行一次衰减。
[0070]
本实施例通过在训练中期使用余弦退火算法不断重启学习率，并对学习率按余弦衰减，使得解析得到的解能够跳出局部鞍点，且每次重启的最大学习率逐渐衰减，从而使得模型在训练后期逐渐收敛，进而得到最优解。
[0071]
对于步骤s111，余弦退火(cosine annealing)学习率衰减算法是指通过余弦函数来降低学习率。余弦函数中随着x的增加余弦值首先缓慢下降，然后加速下降，再次缓慢下降。这种下降模式能和学习率配合，提高训练效果。然而，余弦退火学习率衰减算法中，当执行完i个epoch之后就会开始热重启(warm restart)，由于现有的重启并不是重头开始，而是增加学习率，并且重启之后均会使用学习率的最大值作为新的学习率，然而，这会导致在模型训练后期出现较大的震荡，在快接近最小值时容易跳出。
[0072]
对于步骤s112，针对上述重启之后均采用学习率的最大值作为新的学习率，导致学习率不变的情况，本实施例在训练中期使用余弦退火算法不断重启学习率，由于越接近训练尾声，重启的学习率应该越小，因此对学习率然后按余弦衰减，可以使得解析得到的解能跳出局部鞍点，且每次重启的最大学习率逐渐衰减，这样可以在训练后期逐渐收敛到最优解。
[0073]
具体来说，通过一预设的衰减因子，随着重启次数的增加，逐渐衰减最大学习率，从而使得在训练接近最小值附近时，模型也能比较稳定的收敛，防止出现过大的波动。
[0074]
具体地，上述最大学习率的更新公式为：
[0075][0076]
其中，i表示重启次数，θ
min
，θ
max
分别表示学习率的最大值和最小值，s表示warmup半周期的迭代次数，t
cur
，t
i
分别表示当前执行了多少个epoch和第i次run中总的epoch数，α表示最大学习率衰减系数。
[0077]
在一个实施例中，所述将每一条所述特征信息输入所述多层相似度匹配模型的第二层，分别得到每一个所述第二对象的综合特征向量s3，包括：
[0078]
s31：将所述特征信息输入所述多层相似度匹配模型的第二层，得到所述第二对象的数值特征向量、单值特征向量和多值特征向量；
[0079]
s32：获取每一个数值特征向量、单值特征向量和多值特征向量的向量编码，并根据所述向量编码获得向量拼接顺序；
[0080]
s33：按照所述向量拼接顺序，对每一所述数值特征向量、单值特征向量和多值特征向量进行首尾相连地拼接，生成所述第二对象的综合特征向量。
[0081]
本实施例通过对数值特征向量、单值特征向量和多值特征向量进行拼接，得到第二对象的综合特征向量，从而实现信息的多维度匹配，避免对单一特征匹配造成匹配结果准确度较低的问题。
[0082]
对于步骤s31，在实际的求职场景中，每一份简历可能有几十个特征信息，这些特征可能是数值特征信息，也可能是单值特征信息，也可能是多值特征信息；其中，数值特征信息，例如年龄为25岁等；单值特征信息，例如毕业院校；多值类信息，包括个人技能信息、个人证书信息等包含多个参数的信息；示例性地，个人技能信息例如[java，python，c语言]等，其中每一词条即一技能信息。本发明通过获取包含若干条数值信息、单值类信息和多值类信息的特征信息，并将上述特征信息转换为对应的综合特征向量，从而获得了求职者较为全面的个人情况，提高了简历匹配的准确性。
[0083]
本实施例根据上述数值特征信息、单值特征信息和多值特征信息对应生成数值特征向量、单值特征向量和多值特征向量；
[0084]
对于步骤s32，为了表征为一个综合特征向量，本实施采用对所有综合特征向量直接拼接的方式，构成这份简历的综合特征向量；得到综合特征向量后，通过多层相似度匹配模型对综合特征向量和待定职位向量进行交叉计算，得到其匹配性。
[0085]
此外，由于每一份职位也可能有几十个特征，在具体的实施方式中可以按照上述方式同样将所有的职位向量直接拼接起来构成第一职位向量。
[0086]
具体来说，在设计上述多层deepfm模型时，可以人工设置各个数值特征向量、单值特征向量和多值特征向量的拼接顺序，从而对数值特征向量、单值特征向量和多值特征向量的拼接顺序进行改变，提高了综合特征向量的可控性。
[0087]
在一个实施例中，所述多值特征向量的获取方法s31，包括：
[0088]
s311：获取所述特征信息中的若干组多值类信息；
[0089]
s312：对每一组所述多值类信息均生成一组映射向量，计算每一组所述映射向量
的均值，得到若干个所述多值特征向量。
[0090]
本实施例通过对每一组多值类信息均生成一组映射向量，计算每一组映射向量的均值，得到若干个多值特征向量，从而准确的表达多值类特征的特点。
[0091]
对于步骤s311，在人岗匹配场景下，求职者或者职位要求存在多值特征的情况，比如技能特征，就存在多种不同的值，即上述的技能信息。
[0092]
对于步骤s312，由于这种多值特征中的每个元素都是一个离散值，本发明提出一种多值特征融合的方式来表征这一类列表型特征。具体来说，由于这类列表型特征，对列表中的每个元素的位置没有要求，所以本发明直接对每个元素的映射向量求均值。仍以特征信息[java，python，c语言]为例，将java映射为映射向量a，将python映射为映射向量b，c语言映射为映射向量c，然后将这些映射向量求均值得到特征向量d，用向量d表示该技能特征的特征向量。即d＝mean(a b c)，其中，mean()是取的平均值的意思。本发明通过对多值类特征进行融合，从而能够更全面地表示这一类特征的特征向量，并且相比于现有技术中的deepfm模型的特征表示来说，本实施例能够更准确的表达多值类特征的特点。
[0093]
在一个实施例中，所述采用所述多层相似度匹配模型的第一层对所述第一职位向量进行相似度计算，根据计算得到的相似度判断所述第一职位向量对应的职位类型s2，包括：
[0094]
s21：采用所述多层相似度匹配模型的第一层分别计算所述第一职位向量与每一职位类型匹配的概率；
[0095]
s22：将与所述第一职位向量匹配的概率最高的职位类型作为所述第一职位向量的职位类型。
[0096]
本实施例通过采用多层相似度匹配模型的第一层分别计算第一职位向量与每一职位类型匹配的概率，并将与第一职位向量匹配的概率最高的职位类型作为第一职位向量的职位类型，从而对不同职位的职位类型进行准确区分，得到对不同职位类型进行针对性匹配的人岗匹配模型。
[0097]
对于步骤s21，在实际招聘情况下，不同职位类型的特点体现在专业性和业务性上，比如对于软件开发工程师这类专业性的职位，职位描述会比较聚焦，会有明确的学历要求、技能要求、证书要求等，一般能比较准确的用特征标签来描述；此时通过第一fm(factorization machine)模型将该类直接分为第一类型职位；而对于偏业务类的职位，这类职位描述往往比较宽泛笼统，对于硬技能的要求不明显，更多的是考虑软技能或者工作年限、职级、背景等，往往无法用明确的特征标签来定义；此时通过第一fm模型将该类直接分为第二类型职位。
[0098]
可以理解地，这两类职位和求职者如果用同一套特征规则来做人岗匹配，较不合理的，因此本实施例提出采用多层deepfm模型作为上述多层相似度匹配模型，第一层先基于职位特点分类出该职位有多大概率属于专业类职位，即第一类型职位，有多大概率属于非专业类职位，即第二类型职位；第二层是分别将人岗特征按对应概率输入专业类匹配模型和非专业类匹配模型，得出是否匹配的标签，从而得到返回标记值loss。从而能得到对不同职位类型都能精确处理的人岗匹配模型。
[0099]
具体地，fm模型主要是为了解决数据稀疏的情况下，特征怎样组合的问题，因此非专业类匹配模型使用第二fm模型较为合适；而deepfm模型通过对于每一位特征的隐变量内
积来提取特征组合，因此对于专业类匹配模型使用deepfm模型更为合适。
[0100]
具体地，专业类匹配模型和非专业类匹配模型使用的特征根据职位类型的特点而不同，用公式表示为：
[0101]
prob＝fm(vec_job)*(fm(vec
pair
)，deepfm(vec_pair))
[0102]
其中，vec
job
，vec
pair
分别表示职位特征，以及职位与简历pair对的特征，当使用第二fm模型时，使用的特征为前者，当使用deepfm模型时，使用的特征为后者。
[0103]
在一个实施例中，所述向发布所述职位要求的所述第一对象发送排序后的所述个人信息s6之后，还包括：
[0104]
s7：向所述第一对象发送所述个人信息的缩略显示格式，以使所述第一对象登录的终端按照缩略显示格式对个人信息进行显示。
[0105]
本实施例通过向第一对象发送个人信息的缩略显示格式，以使第一对象登录的终端按照缩略显示格式对个人信息进行显示，从而使第一对象登录的终端在面积相同的显示界面一次性能够显示更多的求职者的个人信息，提高信息展示效率。
[0106]
对于步骤s71，当上述多层相似度匹配模型匹配完成后，会输出与建立和求职者相关的匹配度，此时可以通过接收该多层相似度匹配模型输出的匹配度的控制模块，按照匹配度从高到低的顺序对第二对象的个人信息进行排序，并向第一对象发送排序后的个人信息和缩略显示格式，其中，上述控制模块可以为搭载在计算机等设备的控制主板；由于一个职位能够匹配的求职者信息的信息量通常较大，采用缩略显示格式对上述个人信息进行显示，从而在面积相同的显示界面一次性能够显示更多的求职者的个人信息。
[0107]
具体来说，缩略显示格式包括个人姓名，性别，联系方式等，以便于企业hr根据缩略显示格式中的信息也能够联系到该求职者。进一步地，上述缩略显示格式显示界面还包括“展开”控件，当企业hr需要对某一求职者加深了解时，可点击“展开”控件，从而查看其余具体信息。
[0108]
参照图4，本技术还提出了一种基于相似度匹配模型的信息匹配装置，包括：
[0109]
第一向量计算模块100，用于获取若干个职位要求，将所述职位要求输入多层相似度匹配模型的第一层，生成每一个所述职位要求映射的第一职位向量，其中，所述职位要求是由第一对象发布的；
[0110]
相似度计算模块200，用于采用所述多层相似度匹配模型的第一层对所述第一职位向量进行相似度计算，根据计算得到的相似度判断所述第一职位向量对应的职位类型；
[0111]
综合特征向量计算模块300，用于获取若干个第二对象的特征信息，并将每一条所述特征信息输入所述多层相似度匹配模型的第二层，分别得到每一个所述第二对象的综合特征向量；
[0112]
职位类型匹配模块400，用于采用所述多层相似度匹配模型的第二层对每一个所述综合特征向量分别进行职位类型匹配，并将匹配的所述职位类型对应的所述第一职位向量作为所述综合特征向量的待定职位向量；
[0113]
匹配度计算模块500，用于通过所述多层相似度匹配模型的第二层分别对每一个所述综合特征向量与对应的所述待定职位向量进行匹配度计算，得到每一个所述综合特征向量与所述待定职位向量之间的向量匹配度；
[0114]
匹配信息推送模块600，用于将所述向量匹配度作为所述第二对象以及所述职位
要求之间的信息匹配度，按照所述信息匹配度从高到低的顺序对所述第二对象的个人信息进行排序，并向发布所述职位要求的所述第一对象发送排序后的所述个人信息。
[0115]
本实施例通过多层相似度匹配模型的第一层对职位要求进行向量提取，从而与求职者发布的信息进行匹配，避免了后续人工一一进行阅读和识别导致的匹配效率较低的问题；通过第一职位向量对企业发布的不同职位进行分类，以便于后续根据不同的求职信息进行更准确的人岗匹配；通过获取特征信息，并将上述特征信息转换为对应的综合特征向量，从而获得了求职者较为全面的个人情况，提高了简历匹配的准确性；通过当第二对象的综合特征向量与第一类型的职位匹配时，将第一职位向量作为待定职位向量，当第二对象的综合特征向量与第二类型的职位匹配，将第二职位向量作为待定职位向量，从而便于简化后续匹配的计算量，提高向量匹配效率；通过多层相似度匹配模型计算得到综合特征向量与待定职位向量二者之间的匹配度，该匹配度即该职位的岗位与该求职者的匹配度，从而实现了求职者与企业之间的匹配度的量化和可视化，提高了匹配效率和准确性；对该第一对象的个人信息进行获取，并对若干个第一对象按照匹配度顺序进行排序后发送至第二对象所登录的终端，使得第二对象能够直观地看出哪一求职者更符合职位要求，提高了信息获取的便捷度和获取效率。
[0116]
在一个实施例中，还包括模型训练模块101，用于：
[0117]
按照学习率对所述多层相似度匹配模型进行模型训练，其中，在训练开始后的第一周期内设置学习率随训练时间增长而增大。
[0118]
在一个实施例中，所述模型训练模块101，还用于：
[0119]
在对所述多层相似度匹配模型进行模型训练的所述第一周期后的第二周期内，采用余弦退火学习率衰减算法对所述学习率进行衰减；
[0120]
当识别到所述余弦退火学习率衰减算法发生重启时，按照预设的衰减因子对所述学习率中的最大值进行一次衰减。
[0121]
在一个实施例中，所述综合特征向量计算模块300，还用于：
[0122]
将所述特征信息输入所述多层相似度匹配模型的第二层，得到所述第二对象的数值特征向量、单值特征向量和多值特征向量；
[0123]
获取每一个数值特征向量、单值特征向量和多值特征向量的向量编码，并根据所述向量编码获得向量拼接顺序；
[0124]
按照所述向量拼接顺序，对每一所述数值特征向量、单值特征向量和多值特征向量进行首尾相连地拼接，生成所述第二对象的综合特征向量。
[0125]
在一个实施例中，所述综合特征向量计算模块300，还用于：
[0126]
获取所述特征信息中的若干组多值类信息；
[0127]
对每一组所述多值类信息均生成一组映射向量，计算每一组所述映射向量的均值，得到若干个所述多值特征向量。
[0128]
在一个实施例中，所述相似度计算模块200，还用于：
[0129]
采用所述多层相似度匹配模型的第一层分别计算所述第一职位向量与每一职位类型匹配的概率；
[0130]
将与所述第一职位向量匹配的概率最高的职位类型作为所述第一职位向量的职位类型。
[0131]
在一个实施例中，还包括格式推送模块700，用于：
[0132]
向所述第一对象发送所述个人信息的缩略显示格式，以使所述第一对象登录的终端按照所述缩略显示格式对所述个人信息进行显示。
[0133]
参照图5，本技术实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于储存基于相似度匹配模型的信息匹配方法等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于相似度匹配模型的信息匹配方法。所述基于相似度匹配模型的信息匹配方法，包括：获取若干个职位要求，将所述职位要求输入多层相似度匹配模型的第一层，生成每一个所述职位要求映射的第一职位向量，其中，所述职位要求是由第一对象发布的；采用所述多层相似度匹配模型的第一层对所述第一职位向量进行相似度计算，根据计算得到的相似度判断所述第一职位向量对应的职位类型，并将所述第一职位向量与所述职位类型的对应关系输入所述多层相似度匹配模型的第二层；获取若干个第二对象的特征信息，并将每一条所述特征信息输入所述多层相似度匹配模型的第二层，分别得到每一个所述第二对象的综合特征向量；采用所述多层相似度匹配模型的第二层对每一个所述综合特征向量分别进行职位类型匹配，并将匹配的所述职位类型对应的所述第一职位向量作为所述综合特征向量的待定职位向量；通过所述多层相似度匹配模型的第二层分别对每一个所述综合特征向量与对应的所述待定职位向量进行匹配度计算，得到每一个所述综合特征向量与所述待定职位向量之间的向量匹配度；将所述向量匹配度作为所述第二对象以及所述职位要求之间的信息匹配度，按照所述信息匹配度从高到低的顺序对所述第二对象的个人信息进行排序，并向发布所述职位要求的所述第一对象发送排序后的所述个人信息。
[0134]
本技术一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现一种基于相似度匹配模型的信息匹配方法，包括步骤：获取若干个职位要求，将所述职位要求输入多层相似度匹配模型的第一层，生成每一个所述职位要求映射的第一职位向量，其中，所述职位要求是由第一对象发布的；采用所述多层相似度匹配模型的第一层对所述第一职位向量进行相似度计算，根据计算得到的相似度判断所述第一职位向量对应的职位类型，并将所述第一职位向量与所述职位类型的对应关系输入所述多层相似度匹配模型的第二层；获取若干个第二对象的特征信息，并将每一条所述特征信息输入所述多层相似度匹配模型的第二层，分别得到每一个所述第二对象的综合特征向量；采用所述多层相似度匹配模型的第二层对每一个所述综合特征向量分别进行职位类型匹配，并将匹配的所述职位类型对应的所述第一职位向量作为所述综合特征向量的待定职位向量；通过所述多层相似度匹配模型的第二层分别对每一个所述综合特征向量与对应的所述待定职位向量进行匹配度计算，得到每一个所述综合特征向量与所述待定职位向量之间的向量匹配度；将所述向量匹配度作为所述第二对象以及所述职位要求之间的信息匹配度，按照所述信息匹配度从高到低的顺序对所述第二对象的个人信息进行排序，并向发布所述职位要求的所述第一对象发送排序后的所述个人信息。
[0135]
上述执行的基于相似度匹配模型的信息匹配方法，本实施例通过多层相似度匹配模型的第一层对职位要求进行向量提取，从而与求职者发布的信息进行匹配，避免了后续人工一一进行阅读和识别导致的匹配效率较低的问题；通过第一职位向量对企业发布的不同职位进行分类，以便于后续根据不同的求职信息进行更准确的人岗匹配；通过获取特征信息，并将上述特征信息转换为对应的综合特征向量，从而获得了求职者较为全面的个人情况，提高了简历匹配的准确性；通过当第二对象的综合特征向量与第一类型的职位匹配时，将第一职位向量作为待定职位向量，当第二对象的综合特征向量与第二类型的职位匹配，将第二职位向量作为待定职位向量，从而便于简化后续匹配的计算量，提高向量匹配效率；通过多层相似度匹配模型的第二层计算得到综合特征向量与待定职位向量二者之间的匹配度，该匹配度即该职位的岗位与该求职者的匹配度，从而实现了求职者与企业之间的匹配度的量化和可视化，提高了匹配效率和准确性；并且采用同一个相似度匹配模型的不同层分别进行计算，提高了计算结果的关联性，降低了数据换算误差；对该第一对象的个人信息进行获取，并对若干个第一对象按照匹配度顺序进行排序后发送至第二对象所登录的终端，使得第二对象能够直观地看出哪一求职者更符合职位要求，提高了信息获取的便捷度和获取效率。
[0136]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双速据率sdram(ssrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0137]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
[0138]
以上所述仅为本技术的优选实施例，并非因此限制本技术的专利范围，凡是利用本技术说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本技术的专利保护范围内。