基于人工智能的简历搜索方法、装置、设备及存储介质与流程

1.本发明涉及人工智能技术领域，尤其涉及一种基于人工智能的简历搜索方法、装置、设备及存储介质。


背景技术：

2.随着人工智能的发展，简历的智能搜索也随之发展。在目前的简历搜索方案中，通常是根据用户输入的具体指标或者具体名称遍历简历库，进而从简历库中筛选出包含有该指标或者名称的简历，然而，这种方式只能筛选出包含有该指标或者名称的简历，造成特定简历遗漏的问题。


技术实现要素：

3.鉴于以上内容，有必要提供一种基于人工智能的简历搜索方法、装置、设备及存储介质，能够提高简历搜索的准确性及效率。
4.一方面，本发明提出一种基于人工智能的简历搜索方法，所述基于人工智能的简历搜索方法包括：
5.接收简历搜索请求，并根据所述简历搜索请求获取搜索语句；
6.对所述搜索语句进行语义分析，得到搜索要素；
7.从预先构建好的知识图谱中获取与所述搜索要素对应的搜索用户；
8.从预设用户图谱中解析所述搜索用户所在的用户群组，并获取所述用户群组中的群组成员；
9.根据所述预设用户图谱中的交集关系边筛选所述搜索用户的相邻用户；
10.根据所述群组成员及所述相邻用户生成所述简历搜索请求的推荐简历。
11.根据本发明优选实施例，所述对所述搜索语句进行语义分析，得到搜索要素包括：
12.对所述搜索语句进行分词处理，得到多个语句分词；
13.分析所述多个语句分词在所述搜索语句中的词性；
14.将所述词性为预设词性的语句分词确定为多个待测要素；
15.根据所述多个语句分词对所述搜索语句进行向量化处理，得到搜索向量；
16.将所述搜索向量输入至预先训练好的语义分析模型中，得到搜索语义；
17.计算每个待测要素与所述搜索语义的相似度；
18.将所述相似度大于或者等于预先设定的相似度阈值的待测要素确定为所述搜索要素。
19.根据本发明优选实施例，在从预先构建好的知识图谱中获取与所述搜索要素对应的搜索用户之前，所述方法还包括：
20.获取多个企业的人才储备库，所述人才储备库中包含多个储备用户，并获取每个储备用户的内推用户；
21.将所述多个储备用户及所述内推用户确定为图谱用户；
22.获取所述图谱用户的简历信息；
23.对所述简历信息进行结构化处理，得到结构化信息；
24.根据所述图谱用户及所述结构化信息构建所述知识图谱。
25.根据本发明优选实施例，所述从预先构建好的知识图谱中获取与所述搜索要素对应的搜索用户包括：
26.从所述知识图谱中获取所有图谱用户的储备信息；
27.根据预设行为标签从所述储备信息中提取行为信息；
28.对所述行为信息进行正向编码，得到行为向量，并对所述搜索要素进行正向编码，得到搜索向量；
29.计算所述行为向量与所述搜索向量之间的向量相似度；
30.将所述向量相似度最大的图谱用户确定为所述搜索用户。
31.根据本发明优选实施例，在从预先构建好的知识图谱中获取与所述搜索要素对应的搜索用户之前，所述方法还包括：
32.获取多个预设用户，并获取每个预设用户的用户信息；
33.根据所述用户信息生成每个预设用户的用户向量；
34.根据下列公式计算所述多个预设用户中任意两个用户的用户相似度：
[0035][0036]
其中，j(a,b)是指所述用户相似度，a、b分别是所述任意两个用户的用户向量；
[0037]
从所述用户相似度中筛选取值大于预设阈值的用户相似度作为目标相似度，并将所述目标相似度对应的任意两个用户确定为目标用户；
[0038]
获取每个预设用户在多个关系维度上的关联用户；
[0039]
将所述多个预设用户作为用户节点，所述目标相似度作为所述目标用户的相似权值，及所述关联用户与每个预设用户之间存在的交集关系边构建所述预设用户图谱。
[0040]
根据本发明优选实施例，所述从预设用户图谱中解析所述搜索用户所在的用户群组包括：
[0041]
计算所述预设用户图谱中所有相似权值的总和，得到总权值；
[0042]
对于所述预设用户图谱中的任一预设用户，获取所述任一预设用户与所述预设用户图谱中每个其余用户之间的相似权值作为特征权值，并计算所述特征权值的总和，得到所述任一预设用户的连接权值；
[0043]
对于所述预设用户图谱中的每个用户对，获取每个用户对的相似权值作为目标权值，每个用户对包括所述预设用户图谱中的任意两个预设用户；
[0044]
计算所述任意两个预设用户的连接权值的乘积，得到权值乘积，并计算所述权值乘积与所述总权值的比值，得到每个用户对的期望权值；
[0045]
若所述目标权值大于所述期望权值，将所述任意两个预设用户确定为同一群体，直至满足迭代停止条件，得到所述多个目标群体；
[0046]
遍历所述多个目标群体中的用户，并将包含所述搜索用户的群体确定为所述用户群组。
[0047]
根据本发明优选实施例，所述根据所述预设用户图谱中的交集关系边筛选所述搜
索用户的相邻用户包括：
[0048]
从所述预设用户图谱中获取与所述搜索用户存在所述交集关系边的用户作为交集用户；
[0049]
统计每个交集用户中所述交集关系边的关系数量；
[0050]
根据所述关系数量对所述交集用户进行排序，得到用户序列；
[0051]
计算所述交集用户的用户总量，并计算所述用户总量与预设比例的乘积，得到提取数量；
[0052]
根据所述提取数量从所述用户序列中提取所述交集用户作为所述相邻用户。
[0053]
另一方面，本发明还提出一种基于人工智能的简历搜索装置，所述基于人工智能的简历搜索装置包括：
[0054]
获取单元，用于接收简历搜索请求，并根据所述简历搜索请求获取搜索语句；
[0055]
分析单元，用于对所述搜索语句进行语义分析，得到搜索要素；
[0056]
所述获取单元，还用于从预先构建好的知识图谱中获取与所述搜索要素对应的搜索用户；
[0057]
解析单元，用于从预设用户图谱中解析所述搜索用户所在的用户群组，并获取所述用户群组中的群组成员；
[0058]
筛选单元，用于根据所述预设用户图谱中的交集关系边筛选所述搜索用户的相邻用户；
[0059]
生成单元，用于根据所述群组成员及所述相邻用户生成所述简历搜索请求的推荐简历。
[0060]
另一方面，本发明还提出一种电子设备，所述电子设备包括：
[0061]
存储器，存储计算机可读指令；及
[0062]
处理器，执行所述存储器中存储的计算机可读指令以实现所述基于人工智能的简历搜索方法。
[0063]
另一方面，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现所述基于人工智能的简历搜索方法。
[0064]
由以上技术方案可以看出，本发明将所述搜索用户所在的用户群组中的群组成员及所述相邻用户作为推荐用户进行分析，由于本发明不仅从所述知识图谱中解析出与所述搜索要素对应的搜索用户，还从所述预设用户图谱中分析出所述用户群组及所述相邻用户，能够避免简历信息不够完善的用户无法被挖掘，从而能够充分挖掘出有潜在资质的用户。本发明对所述搜索语句进行语义分析，进而基于所述搜索要素进行搜索，能够避免特定简历的遗漏，提高简历搜索的准确性，同时，本发明基于所述搜索要素对简历库中逐个简历信息进行遍历，提高了简历搜索效率。
附图说明
[0065]
图1是本发明基于人工智能的简历搜索方法的较佳实施例的流程图。
[0066]
图2是本发明基于人工智能的简历搜索装置的较佳实施例的功能模块图。
[0067]
图3是本发明实现基于人工智能的简历搜索方法的较佳实施例的电子设备的结构
示意图。
具体实施方式
[0068]
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
[0069]
如图1所示，是本发明基于人工智能的简历搜索方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
[0070]
所述基于人工智能的简历搜索方法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。
[0071]
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
[0072]
所述基于人工智能的简历搜索方法应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的计算机可读指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(application specific integrated circuit，asic)、可编程门阵列(field－programmable gate array，fpga)、数字信号处理器(digital signal processor，dsp)、嵌入式设备等。
[0073]
所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(personal digital assistant，pda)、游戏机、交互式网络电视(internet protocol television，iptv)、智能穿戴式设备等。
[0074]
所述电子设备可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络电子设备、多个网络电子设备组成的电子设备组或基于云计算(cloud computing)的由大量主机或网络电子设备构成的云。
[0075]
所述电子设备所处的网络包括，但不限于：互联网、广域网、城域网、局域网、虚拟专用网络(virtual private network，vpn)等。
[0076]
s10，接收简历搜索请求，并根据所述简历搜索请求获取搜索语句。
[0077]
在本发明的至少一个实施例中，所述简历搜索请求可以由有搜索需求的任意用户触发生成。
[0078]
所述简历搜索请求中携带有所述搜索语句的存储路径。
[0079]
所述搜索语句可以是经触发生成所述简历搜索请求的语音所转换得到的语句。
[0080]
在本发明的至少一个实施例中，所述电子设备根据所述简历搜索请求获取搜索语句包括：
[0081]
解析所述简历搜索请求的报文，得到所述报文携带的数据信息；
[0082]
从所述数据信息中提取与预设标签对应的信息作为存储路径；
[0083]
从所述存储路径获取所述搜索语句。
[0084]
其中，所述预设标签用于指示所述存储路径，所述存储路径中存储有所述搜索语
句。
[0085]
通过上述实施方式，能够提高所述搜索语句的获取效率。
[0086]
s11，对所述搜索语句进行语义分析，得到搜索要素。
[0087]
在本发明的至少一个实施例中，所述搜索要素是指所述搜索语句中的关键词。
[0088]
在本发明的至少一个实施例中，所述电子设备对所述搜索语句进行语义分析，得到搜索要素包括：
[0089]
对所述搜索语句进行分词处理，得到多个语句分词；
[0090]
分析所述多个语句分词在所述搜索语句中的词性；
[0091]
将所述词性为预设词性的语句分词确定为多个待测要素；
[0092]
根据所述多个语句分词对所述搜索语句进行向量化处理，得到搜索向量；
[0093]
将所述搜索向量输入至预先训练好的语义分析模型中，得到搜索语义；
[0094]
计算每个待测要素与所述搜索语义的相似度；
[0095]
将所述相似度大于或者等于预先设定的相似度阈值的待测要素确定为所述搜索要素。
[0096]
其中，所述预设词性通常设定为名词。所述待测要素是指在所述搜索语句中，词性为名词的语句分词。
[0097]
所述语义分析模型可以基于神经网络训练得到。
[0098]
所述预先设定的相似度阈值可以根据实际需求设定。
[0099]
通过分析所述多个语句分词在所述搜索语句中的词性，能够快速获取到所述待测要素，进而结合所述搜索语句的搜索语义分析所述待测要素，能够提高所述搜索要素的准确性。
[0100]
s12，从预先构建好的知识图谱中获取与所述搜索要素对应的搜索用户。
[0101]
在本发明的至少一个实施例中，所述知识图谱中存储有多个图谱用户的画像信息。所述多个图谱用户包括企业人才库中的用户及该用户的内推用户。
[0102]
所述搜索用户是指所述知识图谱中与所述搜索要素对应的图谱用户。
[0103]
在本发明的至少一个实施例中，在从预先构建好的知识图谱中获取与所述搜索要素对应的搜索用户之前，所述方法还包括：
[0104]
获取多个企业的人才储备库，所述人才储备库中包含多个储备用户，并获取每个储备用户的内推用户；
[0105]
将所述多个储备用户及所述内推用户确定为图谱用户；
[0106]
获取所述图谱用户的简历信息；
[0107]
对所述简历信息进行结构化处理，得到结构化信息；
[0108]
根据所述图谱用户及所述结构化信息构建所述知识图谱。
[0109]
其中，所述结构化信息包括多个实体与属性的映射关系。例如，实体为：城市，属性为：某个城市名称。实体为：技能，属性为：英语六级等。
[0110]
每个储备用户的内推用户是指每个储备用户推荐给企业内部的人员，例如，储备用户为用户a，用户a想推荐给其企业的人员为用户b，则所述用户b为所述用户a的内推用户。
[0111]
通过所述储备用户及所述内推用户分析所述简历信息，能够提高所述知识图谱的
全面性。
[0112]
在本发明的至少一个实施例中，所述电子设备从预先构建好的知识图谱中获取与所述搜索要素对应的搜索用户包括：
[0113]
从所述知识图谱中获取所有图谱用户的储备信息；
[0114]
根据预设行为标签从所述储备信息中提取行为信息；
[0115]
对所述行为信息进行正向编码，得到行为向量，并对所述搜索要素进行正向编码，得到搜索向量；
[0116]
计算所述行为向量与所述搜索向量之间的向量相似度；
[0117]
将所述向量相似度最大的图谱用户确定为所述搜索用户。
[0118]
其中，所述预设行为标签是指用于指示行为信息的标签，所述预设行为标签可以包括：项目经验等。所述属性标签用户指示属性信息，例如，所述属性标签包括：年龄、学历等。
[0119]
通过所述预设行为标签能够准确的提取到所述行为信息，进而将所述行为信息与所述搜索要素进行匹配，能够准确从所述知识图谱中解析出所述搜索用户。
[0120]
s13，从预设用户图谱中解析所述搜索用户所在的用户群组，并获取所述用户群组中的群组成员。
[0121]
在本发明的至少一个实施例中，所述预设用户图谱中存储有多个用户节点，多个相似权值及多个交集关系边。
[0122]
所述用户群组是指在所述预设用户图谱中，所述搜索用户所处的群组。
[0123]
所述群组成员包括所述搜索用户及与所述搜索用户处于同一群组的用户。
[0124]
在本发明的至少一个实施例中，在从预先构建好的知识图谱中获取与所述搜索要素对应的搜索用户之前，所述方法还包括：
[0125]
获取多个预设用户，并获取每个预设用户的用户信息；
[0126]
根据所述用户信息生成每个预设用户的用户向量；
[0127]
根据下列公式计算所述多个预设用户中任意两个用户的用户相似度：
[0128][0129]
其中，j(a,b)是指所述用户相似度，a、b分别是所述任意两个用户的用户向量；
[0130]
从所述用户相似度中筛选取值大于预设阈值的用户相似度作为目标相似度，并将所述目标相似度对应的任意两个用户确定为目标用户；
[0131]
获取每个预设用户在多个关系维度上的关联用户；
[0132]
将所述多个预设用户作为用户节点，所述目标相似度作为所述目标用户的相似权值，及所述关联用户与每个预设用户之间存在的交集关系边构建所述预设用户图谱。
[0133]
其中，所述多个预设用户可以从预设简历库中获取到的用户。
[0134]
所述预设阈值可以根据需求设定，例如，所述预设阈值可以是80％。
[0135]
所述多个关系维度可以包括，但不限于：同事关系、同学关系、同专业关系等。
[0136]
通过所述相似权值、所述交集关系边及所述多个预设用户构建所述预设用户图谱，能够便于后续从所述预设用户图谱中确定所述用户群组及所述相邻用户。
[0137]
在本发明的至少一个实施例中，所述电子设备从预设用户图谱中解析所述搜索用
户所在的用户群组包括：
[0138]
计算所述预设用户图谱中所有相似权值的总和，得到总权值；
[0139]
对于所述预设用户图谱中的任一预设用户，获取所述任一预设用户与所述预设用户图谱中每个其余用户之间的相似权值作为特征权值，并计算所述特征权值的总和，得到所述任一预设用户的连接权值；
[0140]
对于所述预设用户图谱中的每个用户对，获取每个用户对的相似权值作为目标权值，每个用户对包括所述预设用户图谱中的任意两个预设用户；
[0141]
计算所述任意两个预设用户的连接权值的乘积，得到权值乘积，并计算所述权值乘积与所述总权值的比值，得到每个用户对的期望权值；
[0142]
若所述目标权值大于所述期望权值，将所述任意两个预设用户确定为同一群体，直至满足迭代停止条件，得到所述多个目标群体；
[0143]
遍历所述多个目标群体中的用户，并将包含所述搜索用户的群体确定为所述用户群组。
[0144]
其中，所述预设用户图谱中其余用户是指所述预设用户图谱中除所述任一预设用户外的所有用户。
[0145]
所述迭代停止条件可以包括：所述预设用户图谱中的所有用户对完成分析。
[0146]
每个目标群体中任意两个用户的目标权值大于期望权值。
[0147]
所述用户群组是指所述储备用户所在的目标群体。
[0148]
通过所述相似权值对所述预设用户图谱中的所有预设用户进行划分，能够确保每个目标群体中用户的相似性，从而提高所述用户群组的准确性。
[0149]
s14，根据所述预设用户图谱中的交集关系边筛选所述搜索用户的相邻用户。
[0150]
在本发明的至少一个实施例中，所述相邻用户是指所述关系数量较高的预设用户。
[0151]
在本发明的至少一个实施例中，所述电子设备根据所述预设用户图谱中的交集关系边筛选所述搜索用户的相邻用户包括：
[0152]
从所述预设用户图谱中获取与所述搜索用户存在所述交集关系边的用户作为交集用户；
[0153]
统计每个交集用户中所述交集关系边的关系数量；
[0154]
根据所述关系数量对所述交集用户进行排序，得到用户序列；
[0155]
计算所述交集用户的用户总量，并计算所述用户总量与预设比例的乘积，得到提取数量；
[0156]
根据所述提取数量从所述用户序列中提取所述交集用户作为所述相邻用户。
[0157]
其中，所述用户序列的排列顺序与所述相邻用户的提取顺序互为相反，例如，所述用户序列按照所述关系数量从大至小的顺序对所述交集用户进行排序，则所述相邻用户从所述用户序列中按照位置编码从小至大的顺序进行提取。
[0158]
所述交集用户是指在所述预设用户图谱中，与所述储备用户存在交集关系的预设用户。
[0159]
所述关系数量是指任一交集用户与所述储备用户存在交集的数量，例如，所述交集关系包括同事关系，同学关系，则所述关系数量为2。
[0160]
所述预设比例可以根据实际需求设定，例如，所述预设比例可以设置为80％。
[0161]
所述相邻用户的数量为所述提取数量。
[0162]
通过所述关系数量的确定，能够准确的确定出用户与所述搜索用户的关系紧密度，从而能够提高所述相邻用户的确定准确性。
[0163]
s15，根据所述群组成员及所述相邻用户生成所述简历搜索请求的推荐简历。
[0164]
需要强调的是，为进一步保证上述推荐简历的私密和安全性，上述推荐简历还可以存储于一区块链的节点中。
[0165]
在本发明的至少一个实施例中，所述推荐简历是指推荐用户的用户简历。其中，所述推荐用户包括所述用户群组中的所有群组成员、所述相邻用户、所述所有群组成员的相似用户、所述相邻用户的相似用户。
[0166]
在本发明的至少一个实施例中，所述方法还包括：
[0167]
获取预设简历库中的存储用户，并从所述预设简历库中提取每个存储用户的关键特征；
[0168]
从所述知识图谱中获取所述群组成员及所述相邻用户的特征信息；
[0169]
计算所述特征信息与所述关键特征的特征相似度；
[0170]
将所述特征相似度大于配置值的存储用户确定为所述相似用户。
[0171]
其中，所述配置值可以根据需求设定。
[0172]
所述关键特征是指所述存储用户所对应的简历信息中的关键信息。所述关键特征与所述特征信息属于同一维度上的特征。例如，所述关键特征与所述特征信息为项目经验上的特征。
[0173]
通过上述实施方式，能够快速从所述预设简历库中获取出所述相似用户。
[0174]
本实施例中，通过所述相似用户的确定，能够提高所述推荐简历的全面性。
[0175]
在本发明的至少一个实施例中，所述电子设备根据所述群组成员及所述相邻用户生成所述简历搜索请求的推荐简历包括：
[0176]
从所述预设简历库中获取所述群组成员及所述相邻用户的简历作为所述推荐简历。
[0177]
通过上述实施方式，能够从所述预设简历库中快速获取到所述推荐简历。
[0178]
由以上技术方案可以看出，本发明将所述搜索用户所在的用户群组中的群组成员及所述相邻用户作为推荐用户进行分析，由于本发明不仅从所述知识图谱中解析出与所述搜索要素对应的搜索用户，还从所述预设用户图谱中分析出所述用户群组及所述相邻用户，能够避免简历信息不够完善的用户无法被挖掘，从而能够充分挖掘出有潜在资质的用户。本发明对所述搜索语句进行语义分析，进而基于所述搜索要素进行搜索，能够避免特定简历的遗漏，提高简历搜索的准确性，同时，本发明基于所述搜索要素对简历库中逐个简历信息进行遍历，提高了简历搜索效率。
[0179]
如图2所示，是本发明基于人工智能的简历搜索装置的较佳实施例的功能模块图。所述基于人工智能的简历搜索装置11包括获取单元110、分析单元111、解析单元112、筛选单元113、生成单元114、确定单元115、处理单元116、构建单元117、计算单元118及提取单元119。本发明所称的模块/单元是指一种能够被处理器13所获取，并且能够完成固定功能的一系列计算机可读指令段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能
将在后续的实施例中详述。
[0180]
获取单元110接收简历搜索请求，并根据所述简历搜索请求获取搜索语句。
[0181]
在本发明的至少一个实施例中，所述简历搜索请求可以由有搜索需求的任意用户触发生成。
[0182]
所述简历搜索请求中携带有所述搜索语句的存储路径。
[0183]
所述搜索语句可以是经触发生成所述简历搜索请求的语音所转换得到的语句。
[0184]
在本发明的至少一个实施例中，所述获取单元110根据所述简历搜索请求获取搜索语句包括：
[0185]
解析所述简历搜索请求的报文，得到所述报文携带的数据信息；
[0186]
从所述数据信息中提取与预设标签对应的信息作为存储路径；
[0187]
从所述存储路径获取所述搜索语句。
[0188]
其中，所述预设标签用于指示所述存储路径，所述存储路径中存储有所述搜索语句。
[0189]
通过上述实施方式，能够提高所述搜索语句的获取效率。
[0190]
分析单元111对所述搜索语句进行语义分析，得到搜索要素。
[0191]
在本发明的至少一个实施例中，所述搜索要素是指所述搜索语句中的关键词。
[0192]
在本发明的至少一个实施例中，所述分析单元111对所述搜索语句进行语义分析，得到搜索要素包括：
[0193]
对所述搜索语句进行分词处理，得到多个语句分词；
[0194]
分析所述多个语句分词在所述搜索语句中的词性；
[0195]
将所述词性为预设词性的语句分词确定为多个待测要素；
[0196]
根据所述多个语句分词对所述搜索语句进行向量化处理，得到搜索向量；
[0197]
将所述搜索向量输入至预先训练好的语义分析模型中，得到搜索语义；
[0198]
计算每个待测要素与所述搜索语义的相似度；
[0199]
将所述相似度大于或者等于预先设定的相似度阈值的待测要素确定为所述搜索要素。
[0200]
其中，所述预设词性通常设定为名词。所述待测要素是指在所述搜索语句中，词性为名词的语句分词。
[0201]
所述语义分析模型可以基于神经网络训练得到。
[0202]
所述预先设定的相似度阈值可以根据实际需求设定。
[0203]
通过分析所述多个语句分词在所述搜索语句中的词性，能够快速获取到所述待测要素，进而结合所述搜索语句的搜索语义分析所述待测要素，能够提高所述搜索要素的准确性。
[0204]
所述获取单元110从预先构建好的知识图谱中获取与所述搜索要素对应的搜索用户。
[0205]
在本发明的至少一个实施例中，所述知识图谱中存储有多个图谱用户的画像信息。所述多个图谱用户包括企业人才库中的用户及该用户的内推用户。
[0206]
所述搜索用户是指所述知识图谱中与所述搜索要素对应的图谱用户。
[0207]
在本发明的至少一个实施例中，在从预先构建好的知识图谱中获取与所述搜索要
素对应的搜索用户之前，所述获取单元110获取多个企业的人才储备库，所述人才储备库中包含多个储备用户，并获取每个储备用户的内推用户；
[0208]
确定单元115将所述多个储备用户及所述内推用户确定为图谱用户；
[0209]
所述获取单元110获取所述图谱用户的简历信息；
[0210]
处理单元116对所述简历信息进行结构化处理，得到结构化信息；
[0211]
构建单元117根据所述图谱用户及所述结构化信息构建所述知识图谱。
[0212]
其中，所述结构化信息包括多个实体与属性的映射关系。例如，实体为：城市，属性为：某个城市名称。实体为：技能，属性为：英语六级等。
[0213]
每个储备用户的内推用户是指每个储备用户推荐给企业内部的人员，例如，储备用户为用户a，用户a想推荐给其企业的人员为用户b，则所述用户b为所述用户a的内推用户。
[0214]
通过所述储备用户及所述内推用户分析所述简历信息，能够提高所述知识图谱的全面性。
[0215]
在本发明的至少一个实施例中，所述获取单元110从预先构建好的知识图谱中获取与所述搜索要素对应的搜索用户包括：
[0216]
从所述知识图谱中获取所有图谱用户的储备信息；
[0217]
根据预设行为标签从所述储备信息中提取行为信息；
[0218]
对所述行为信息进行正向编码，得到行为向量，并对所述搜索要素进行正向编码，得到搜索向量；
[0219]
计算所述行为向量与所述搜索向量之间的向量相似度；
[0220]
将所述向量相似度最大的图谱用户确定为所述搜索用户。
[0221]
其中，所述预设行为标签是指用于指示行为信息的标签，所述预设行为标签可以包括：项目经验等。所述属性标签用户指示属性信息，例如，所述属性标签包括：年龄、学历等。
[0222]
通过所述预设行为标签能够准确的提取到所述行为信息，进而将所述行为信息与所述搜索要素进行匹配，能够准确从所述知识图谱中解析出所述搜索用户。
[0223]
解析单元112从预设用户图谱中解析所述搜索用户所在的用户群组，并获取所述用户群组中的群组成员。
[0224]
在本发明的至少一个实施例中，所述预设用户图谱中存储有多个用户节点，多个相似权值及多个交集关系边。
[0225]
所述用户群组是指在所述预设用户图谱中，所述搜索用户所处的群组。
[0226]
所述群组成员包括所述搜索用户及与所述搜索用户处于同一群组的用户。
[0227]
在本发明的至少一个实施例中，在从预先构建好的知识图谱中获取与所述搜索要素对应的搜索用户之前，所述获取单元110获取多个预设用户，并获取每个预设用户的用户信息；
[0228]
生成单元114根据所述用户信息生成每个预设用户的用户向量；
[0229]
计算单元118根据下列公式计算所述多个预设用户中任意两个用户的用户相似度：
[0230][0231]
其中，j(a,b)是指所述用户相似度，a、b分别是所述任意两个用户的用户向量；
[0232]
所述确定单元115从所述用户相似度中筛选取值大于预设阈值的用户相似度作为目标相似度，并将所述目标相似度对应的任意两个用户确定为目标用户；
[0233]
所述获取单元110获取每个预设用户在多个关系维度上的关联用户；
[0234]
所述构建单元117将所述多个预设用户作为用户节点，所述目标相似度作为所述目标用户的相似权值，及所述关联用户与每个预设用户之间存在的交集关系边构建所述预设用户图谱。
[0235]
其中，所述多个预设用户可以从预设简历库中获取到的用户。
[0236]
所述预设阈值可以根据需求设定，例如，所述预设阈值可以是80％。
[0237]
所述多个关系维度可以包括，但不限于：同事关系、同学关系、同专业关系等。
[0238]
通过所述相似权值、所述交集关系边及所述多个预设用户构建所述预设用户图谱，能够便于后续从所述预设用户图谱中确定所述用户群组及所述相邻用户。
[0239]
在本发明的至少一个实施例中，所述解析单元112从预设用户图谱中解析所述搜索用户所在的用户群组包括：
[0240]
计算所述预设用户图谱中所有相似权值的总和，得到总权值；
[0241]
对于所述预设用户图谱中的任一预设用户，获取所述任一预设用户与所述预设用户图谱中每个其余用户之间的相似权值作为特征权值，并计算所述特征权值的总和，得到所述任一预设用户的连接权值；
[0242]
对于所述预设用户图谱中的每个用户对，获取每个用户对的相似权值作为目标权值，每个用户对包括所述预设用户图谱中的任意两个预设用户；
[0243]
计算所述任意两个预设用户的连接权值的乘积，得到权值乘积，并计算所述权值乘积与所述总权值的比值，得到每个用户对的期望权值；
[0244]
若所述目标权值大于所述期望权值，将所述任意两个预设用户确定为同一群体，直至满足迭代停止条件，得到所述多个目标群体；
[0245]
遍历所述多个目标群体中的用户，并将包含所述搜索用户的群体确定为所述用户群组。
[0246]
其中，所述预设用户图谱中其余用户是指所述预设用户图谱中除所述任一预设用户外的所有用户。
[0247]
所述迭代停止条件可以包括：所述预设用户图谱中的所有用户对完成分析。
[0248]
每个目标群体中任意两个用户的目标权值大于期望权值。
[0249]
所述用户群组是指所述储备用户所在的目标群体。
[0250]
通过所述相似权值对所述预设用户图谱中的所有预设用户进行划分，能够确保每个目标群体中用户的相似性，从而提高所述用户群组的准确性。
[0251]
筛选单元113根据所述预设用户图谱中的交集关系边筛选所述搜索用户的相邻用户。
[0252]
在本发明的至少一个实施例中，所述相邻用户是指所述关系数量较高的预设用户。
[0253]
在本发明的至少一个实施例中，所述筛选单元113根据所述预设用户图谱中的交集关系边筛选所述搜索用户的相邻用户包括：
[0254]
从所述预设用户图谱中获取与所述搜索用户存在所述交集关系边的用户作为交集用户；
[0255]
统计每个交集用户中所述交集关系边的关系数量；
[0256]
根据所述关系数量对所述交集用户进行排序，得到用户序列；
[0257]
计算所述交集用户的用户总量，并计算所述用户总量与预设比例的乘积，得到提取数量；
[0258]
根据所述提取数量从所述用户序列中提取所述交集用户作为所述相邻用户。
[0259]
其中，所述用户序列的排列顺序与所述相邻用户的提取顺序互为相反，例如，所述用户序列按照所述关系数量从大至小的顺序对所述交集用户进行排序，则所述相邻用户从所述用户序列中按照位置编码从小至大的顺序进行提取。
[0260]
所述交集用户是指在所述预设用户图谱中，与所述储备用户存在交集关系的预设用户。
[0261]
所述关系数量是指任一交集用户与所述储备用户存在交集的数量，例如，所述交集关系包括同事关系，同学关系，则所述关系数量为2。
[0262]
所述预设比例可以根据实际需求设定，例如，所述预设比例可以设置为80％。
[0263]
所述相邻用户的数量为所述提取数量。
[0264]
通过所述关系数量的确定，能够准确的确定出用户与所述搜索用户的关系紧密度，从而能够提高所述相邻用户的确定准确性。
[0265]
所述生成单元114根据所述群组成员及所述相邻用户生成所述简历搜索请求的推荐简历。
[0266]
需要强调的是，为进一步保证上述推荐简历的私密和安全性，上述推荐简历还可以存储于一区块链的节点中。
[0267]
在本发明的至少一个实施例中，所述推荐简历是指推荐用户的用户简历。其中，所述推荐用户包括所述用户群组中的所有群组成员、所述相邻用户、所述所有群组成员的相似用户、所述相邻用户的相似用户。
[0268]
在本发明的至少一个实施例中，提取单元119获取预设简历库中的存储用户，并从所述预设简历库中提取每个存储用户的关键特征；
[0269]
所述获取单元110从所述知识图谱中获取所述群组成员及所述相邻用户的特征信息；
[0270]
所述计算单元118计算所述特征信息与所述关键特征的特征相似度；
[0271]
所述确定单元115将所述特征相似度大于配置值的存储用户确定为所述相似用户。
[0272]
其中，所述配置值可以根据需求设定。
[0273]
所述关键特征是指所述存储用户所对应的简历信息中的关键信息。所述关键特征与所述特征信息属于同一维度上的特征。例如，所述关键特征与所述特征信息为项目经验上的特征。
[0274]
通过上述实施方式，能够快速从所述预设简历库中获取出所述相似用户。
[0275]
本实施例中，通过所述相似用户的确定，能够提高所述推荐简历的全面性。
[0276]
在本发明的至少一个实施例中，所述生成单元114根据所述群组成员及所述相邻用户生成所述简历搜索请求的推荐简历包括：
[0277]
从所述预设简历库中获取所述群组成员及所述相邻用户的简历作为所述推荐简历。
[0278]
通过上述实施方式，能够从所述预设简历库中快速获取到所述推荐简历。
[0279]
由以上技术方案可以看出，本发明将所述搜索用户所在的用户群组中的群组成员及所述相邻用户作为推荐用户进行分析，由于本发明不仅从所述知识图谱中解析出与所述搜索要素对应的搜索用户，还从所述预设用户图谱中分析出所述用户群组及所述相邻用户，能够避免简历信息不够完善的用户无法被挖掘，从而能够充分挖掘出有潜在资质的用户。本发明对所述搜索语句进行语义分析，进而基于所述搜索要素进行搜索，能够避免特定简历的遗漏，提高简历搜索的准确性，同时，本发明基于所述搜索要素对简历库中逐个简历信息进行遍历，提高了简历搜索效率。
[0280]
如图3所示，是本发明实现基于人工智能的简历搜索方法的较佳实施例的电子设备的结构示意图。
[0281]
在本发明的一个实施例中，所述电子设备1包括，但不限于，存储器12、处理器13，以及存储在所述存储器12中并可在所述处理器13上运行的计算机可读指令，例如基于人工智能的简历搜索程序。
[0282]
本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。
[0283]
所述处理器13可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field
‑
programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器13是所述电子设备1的运算核心和控制中心，利用各种接口和线路连接整个电子设备1的各个部分，及执行所述电子设备1的操作系统以及安装的各类应用程序、程序代码等。
[0284]
示例性的，所述计算机可读指令可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该计算机可读指令段用于描述所述计算机可读指令在所述电子设备1中的执行过程。例如，所述计算机可读指令可以被分割成获取单元110、分析单元111、解析单元112、筛选单元113、生成单元114、确定单元115、处理单元116、构建单元117、计算单元118及提取单元119。
[0285]
所述存储器12可用于存储所述计算机可读指令和/或模块，所述处理器13通过运行或执行存储在所述存储器12内的计算机可读指令和/或模块，以及调用存储在存储器12内的数据，实现所述电子设备1的各种功能。所述存储器12可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功
能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据等。存储器12可以包括非易失性和易失性存储器，例如：硬盘、内存、插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)、至少一个磁盘存储器件、闪存器件、或其他存储器件。
[0286]
所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地，所述存储器12可以是具有实物形式的存储器，如内存条、tf卡(trans
‑
flash card)等等。
[0287]
所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机可读指令来指令相关的硬件来完成，所述的计算机可读指令可存储于一计算机可读存储介质中，该计算机可读指令在被处理器执行时，可实现上述各个方法实施例的步骤。
[0288]
其中，所述计算机可读指令包括计算机可读指令代码，所述计算机可读指令代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机可读指令代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)。
[0289]
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
[0290]
结合图1，所述电子设备1中的所述存储器12存储计算机可读指令实现一种基于人工智能的简历搜索方法，所述处理器13可执行所述计算机可读指令从而实现：
[0291]
接收简历搜索请求，并根据所述简历搜索请求获取搜索语句；
[0292]
对所述搜索语句进行语义分析，得到搜索要素；
[0293]
从预先构建好的知识图谱中获取与所述搜索要素对应的搜索用户；
[0294]
从预设用户图谱中解析所述搜索用户所在的用户群组，并获取所述用户群组中的群组成员；
[0295]
根据所述预设用户图谱中的交集关系边筛选所述搜索用户的相邻用户；
[0296]
根据所述群组成员及所述相邻用户生成所述简历搜索请求的推荐简历。
[0297]
具体地，所述处理器13对上述计算机可读指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
[0298]
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
[0299]
所述计算机可读存储介质上存储有计算机可读指令，其中，所述计算机可读指令被处理器13执行时用以实现以下步骤：
[0300]
接收简历搜索请求，并根据所述简历搜索请求获取搜索语句；
[0301]
对所述搜索语句进行语义分析，得到搜索要素；
[0302]
从预先构建好的知识图谱中获取与所述搜索要素对应的搜索用户；
[0303]
从预设用户图谱中解析所述搜索用户所在的用户群组，并获取所述用户群组中的群组成员；
[0304]
根据所述预设用户图谱中的交集关系边筛选所述搜索用户的相邻用户；
[0305]
根据所述群组成员及所述相邻用户生成所述简历搜索请求的推荐简历。
[0306]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0307]
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
[0308]
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
[0309]
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。所述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
[0310]
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。