网络招聘智能推荐方法、系统及计算机可读存储介质与流程

1.本发明涉及数据处理技术领域，具体涉及一种网络招聘智能推荐方法、系统及计算机可读存储介质。


背景技术：

2.在进行网络招聘智能推荐时，传统的推荐方式依赖于用户的岗位评分，对于大型的网络招聘来说，由于应聘者简历和应聘方发布的信息的数量都很庞大，用户评分的岗位一般不超过岗位数总数的1％，两个用户共同评分的产品少之又少，数据稀疏问题影响着推荐的质量。
3.此外，如果采用协同过滤的方式进行岗位推荐，在寻找最近邻过程中需要使目标用户与其感兴趣岗位之间计算相似度，然后选取k个相似度最大的用户作为邻居。当用户数量庞大时，此过程计算规模过大，不能提供实时推荐。
4.因此，有必要对现有的网络招聘智能推荐方式进行改进，避免或弥补现有推荐技术中的弱点。


技术实现要素：

5.本发明目的在于提供一种网络招聘智能推荐方法、系统及计算机可读存储介质，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
6.为了实现上述目的，本发明提供以下技术方案：
7.一种网络招聘智能推荐方法，所述方法包括以下步骤：
8.步骤s100、获取第一基本信息，所述第一基本信息包括求职者信息和企业招聘信息；
9.步骤s200、根据所述第一基本信息建立第一模型，将所述第一模型作为当前模型，其中，所述第一模型包括第一求职者模型和第一企业招聘信息模型；
10.步骤s300、根据当前模型生成推荐结果，输出当前模型生成的推荐结果；
11.步骤s400、当获取到对推荐结果进行反馈的行为信息时，根据所述行为信息对当前模型进行更新，得到更新后的模型；其中，所述行为信息包括求职者对推荐结果进行反馈的第一行为信息和企业对推荐结果进行反馈的第二行为信息，所述更新后的模型包括更新后的求职者模型和更新后的企业招聘信息模型；
12.步骤s500、将所述更新后的模型设置为当前模型，并执行步骤s300。
13.进一步，在步骤s100之前，所述方法还包括：
14.建立多态词库，所述多态词库包括求职者多态词库和企业招聘信息多态词库。
15.进一步，所述步骤s200包括：
16.步骤s210、根据所述第一基本信息得到词语集；其中，所述词语集包括第一词语集和第二词语集，所述第一词语集通过对所述求职者信息进行语料预处理得到，所述第二词语集通过对所述企业招聘信息进行语料预处理得到；
17.步骤s220、根据所述词语集对所述多态词库进行扩充，得到扩充后的多态词库；其中，所述扩充后的多态词库包括第一多态词库和第二多态词库；所述第一多态词库通过所述第一词语集对求职者多态词库进行扩充得到，所述第二多态词库通过所述第一词语集对企业招聘信息多态词库进行扩充得到；
18.步骤s230、根据所述扩充后的多态词库建立第一模型，其中，所述第一模型包括第一求职者模型和第一企业招聘信息模型，所述第一求职者模型根据所述第一多态词库建立，所述第一企业招聘信息模型根据所述第二多态词库建立。
19.进一步，步骤s220中，所述根据所述词语集对所述多态词库进行扩充，得到扩充后的多态词库；包括：
20.将词语集中的词语和多态词库中的词语进行比对；
21.如果词语存在于多态词库的某类词汇类别中，那么就把词语标记为该词汇类别，并划分到对应的词汇集簇；
22.如存在不属于多态词库的新词语，则使用k
‑
means聚类算法对新词语进行聚类，若聚类成功，就把该新词语加入多态词库，对该新词语标记上对应的词汇类别；
23.如词库中不存在与新词语的词汇类别对应的词汇集簇，则新建词汇集簇，并将新词语划分到对应的词汇集簇。
24.进一步，步骤s230中，所述根据所述扩充后的多态词库建立第一模型，包括：
25.步骤s231、获取多个主观特征信息文档；所述主观特征信息文档包括第一求职者主观文档和第一企业招聘主观文档；
26.步骤s232、将所述多个主观特征信息文档中的词语和所述扩充后的多态词库中的词语进行比对，将比对结果一致的词语作为特征词；
27.步骤s233、对每个特征词进行权重计算，得到每个特征词的权重；
28.步骤s234、取权重最大的多个特征词形成第一关键词列表；
29.步骤s235、根据第一关键词列表中的关键词和关键词的权重构建第一特征信息，将所述第一特征信息表示为向量空间模型，作为第一模型。
30.进一步，所述步骤s300包括：
31.采用相似度计算公式将求职者的求职者模型分别与每个企业招聘信息模型进行相似度计算，得到多个第一相识度计算结果；采用相似度计算公式将企业的企业招聘信息模型分别与每个求职者模型进行相似度计算，得到多个第二相识度计算结果；
32.对多个第一相识度计算结果进行排序，选取最高的k个相似度对应的企业招聘信息作为该求职者的推荐结果；对多个第二相识度计算结果进行排序，选取最高的k个相似度对应的求职者作为该企业的推荐结果。
33.进一步，步骤s400中，所述根据所述行为信息对当前模型进行更新，得到更新后的模型，包括：
34.步骤s410、获取对推荐结果进行反馈的行为信息，根据所述行为信息生成第二模型；其中，所述第二模型包括第二求职者模型和第二企业招聘信息模型；
35.步骤s420、采用第二模型对第一模型进行更新，得到更新后的模型。
36.进一步，步骤s410中，所述根据所述行为信息建立第二模型，包括：
37.确定与行为信息相关的基本信息，作为第二基本信息；
38.确定第二基本信息中的主观特征信息，将所述第二基本信息中的主观特征信息合并成文档；
39.对该文档进行关键词提取，并对提取出的每个关键词赋予权重，形成第二关键词列表；
40.根据第二关键词列表中的关键词和关键词的权重构建第二特征信息，将所述第二特征信息表示为向量空间模型，作为第二模型。
41.一种计算机可读存储介质，所述计算机可读存储介质上存储有网络招聘智能推荐程序，所述网络招聘智能推荐程序被处理器执行时实现如上述任意一项所述的网络招聘智能推荐方法的步骤。
42.一种网络招聘智能推荐系统，所述终端包括：
43.至少一个处理器；
44.至少一个存储器，用于存储至少一个程序；
45.当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上述任一项所述的网络招聘智能推荐方法。
46.本发明的有益效果是：本发明公开一种网络招聘智能推荐方法、系统及计算机可读存储介质，本发明根据求职者信息和企业招聘信息建立第一模型，通过模型进行相识度匹配，能有效降低计算规模；根据反馈的行为信息不断更新完善第一模型，从而实现推荐结果的不断优化，提高网络招聘智能推荐的时效性和准确度。
附图说明
47.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
48.图1是本发明实施例中网络招聘智能推荐方法的流程示意图。
具体实施方式
49.以下将结合实施例和附图对本技术的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本技术的目的、方案和效果。需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。
50.参考图1，如图1所示为本技术实施例提供的一种网络招聘智能推荐方法，所述方法包括以下步骤：
51.步骤s100、获取第一基本信息，所述第一基本信息包括求职者信息和企业招聘信息；
52.步骤s200、根据所述第一基本信息建立第一模型，将所述第一模型作为当前模型，其中，所述第一模型包括第一求职者模型和第一企业招聘信息模型；
53.具体地，将第一求职者模型作为当前模型中的求职者模型，将第一企业招聘信息模型作为当前模型中的企业招聘信息模型；
54.步骤s300、根据当前模型生成推荐结果，输出当前模型生成的推荐结果；
55.具体地，将当前模型中的求职者模型和企业招聘信息模型进行相识度匹配，根据相识度匹配的结果生成推荐结果；其中，所述推荐结果包括向求职者推荐的职位和向企业推荐的简历；在一些实施例中，当获取到求职者对推荐结果进行反馈的第一行为信息时，根据所述第一行为信息更新第一求职者模型，得到求职者模型；当获取到企业对推荐结果进行反馈的第二行为信息时，根据所述第二行为信息更新第一企业招聘信息模型，得到求职者模型。
56.步骤s400、当获取到对推荐结果进行反馈的行为信息时，根据所述行为信息对当前模型进行更新，得到更新后的模型；其中，所述行为信息包括求职者对推荐结果进行反馈的第一行为信息和企业对推荐结果进行反馈的第二行为信息，所述更新后的模型包括更新后的求职者模型和更新后的企业招聘信息模型；
57.步骤s500、将所述更新后的模型设置为当前模型，并执行步骤s300。
58.具体地，将更新后的求职者模型作为当前模型中的求职者模型，将更新后的企业招聘信息模型作为当前模型中的企业招聘信息模型；
59.需要说明的是，当再次获取到对推荐结果进行反馈的行为信息时，根据所述行为信息建立新的模型，通过不断建立模型，实现对第一模型的不断更新，得到更新后的求职者模型和企业招聘信息模型；通过采用更新后的模型进行智能推荐，不断产生新的推荐，实现推荐优化。
60.本发明基于第一基本信息分别构建求职者和企业招聘信息的第一模型，并根据反馈的行为信息不断完善第一模型，可以根据更新后的行为信息动态调整求职者模型和企业招聘信息模型，通过模型更新，从而实现推荐结果的不断优化，通过智能化手段提高对求职者和企业进行网络招聘推荐的时效性和准确度。
61.在一个改进的实施例中，在步骤s100之前，所述方法还包括：
62.建立多态词库，所述多态词库包括求职者多态词库和企业招聘信息多态词库。
63.本技术领域中，多态词库是指由多种形态(如行业、专业、学历等)及每个形态下的词语组成的词库；
64.在一个实施例中，所述多态词库通过以下方式建立：
65.获取词汇集，使用k
‑
means算法对所述词汇集进行聚类，得到k个词汇集簇；其中，k为正整数；
66.分别标记k个词汇集簇的词汇特征，得到k个词汇类别；
67.根据k个词汇类别建立多态词库。
68.在一些实施例中，所述词汇集可以为预先搜集的招聘平台的常用词汇，所述词汇集包括求职者词汇集和企业招聘信息词汇集；通过采用人工标记的方式对k个词汇集簇的特征分别进行标记，得到k个词汇类别，所述k个词汇类别包括：行业信息t、学历信息l、性格特征信息s。
69.在一个改进的实施例中，所述步骤s200包括：
70.步骤s210、根据所述第一基本信息得到词语集；其中，所述词语集包括第一词语集和第二词语集，所述第一词语集通过对所述求职者信息进行语料预处理得到，所述第二词语集通过对所述企业招聘信息进行语料预处理得到；
71.在一些实施例中，对所述求职者信息进行语料预处理，得到第一词语集；对所述企
业招聘信息进行语料预处理，得到第二词语集；对所述求职者信息和企业招聘信息进行语料预处理的过程包括分词、去停用词、去标点符号。
72.步骤s220、根据所述词语集对所述多态词库进行扩充，得到扩充后的多态词库；其中，所述扩充后的多态词库包括第一多态词库和第二多态词库；所述第一多态词库通过所述第一词语集对求职者多态词库进行扩充得到，所述第二多态词库通过所述第一词语集对企业招聘信息多态词库进行扩充得到；
73.具体地，根据所述第一词语集更新求职者多态词库，得到第一多态词库；根据所述第二词语集更新企业招聘信息多态词库，得到第二多态词库；
74.步骤s230、根据所述扩充后的多态词库建立第一模型，其中，所述第一模型包括第一求职者模型和第一企业招聘信息模型，所述第一求职者模型根据所述第一多态词库建立，所述第一企业招聘信息模型根据所述第二多态词库建立。
75.本发明在进行网络招聘智能推荐时，分别对求职者和企业招聘信息进行聚类，可以大大减少计算的规模，提高匹配效率。
76.作为上述实施例的改进，步骤s220中，所述根据所述词语集对所述多态词库进行扩充，得到扩充后的多态词库；包括：
77.将词语集中的词语和多态词库中的词语进行比对；具体地，将第一词语集中的词语和求职者多态词库中的词语进行比对，将第二词语集中的词语和企业招聘信息多态词库中的词语进行比对；
78.如果词语存在于多态词库的某类词汇类别中，那么就把词语标记为该词汇类别，并划分到对应的词汇集簇；
79.如存在不属于多态词库的新词语，则使用k
‑
means聚类算法对新词语进行聚类，若聚类成功，就把该新词语加入多态词库，对该新词语标记上对应的词汇类别；
80.如词库中不存在与新词语的词汇类别对应的词汇集簇，则新建词汇集簇，并将新词语划分到对应的词汇集簇；
81.在一些实施例中，通过人工对新增加的集簇标记词汇类别，对加入的新词标记对应的词汇类别；本实施例通过使用多态词库对词语集进行标记，并通过半监督学习丰富多态词库，能够更加全面的反映求职者信息和企业招聘信息。
82.作为上述实施例的改进，步骤s230中，所述根据所述扩充后的多态词库建立第一模型，包括：
83.步骤s231、获取多个主观特征信息文档；所述主观特征信息文档包括第一求职者主观文档和第一企业招聘主观文档；
84.其中，所述第一求职者主观文档为包含求职者信息中主观特征的文档，所述第一企业招聘主观文档为包含企业招聘信息中主观特征的文档；
85.在一些实施例中，把获取到的求职者信息和企业招聘信息进行初分类。求职者信息分为客观特征信息t1(学历、工作时间、专业、技能等信息)和主观特征信息t2(期望职业、工作经历、性格特征等信息)，企业招聘信息也分为客观特征信息k1(学历要求、工作时间要求、专业范围、必备技能等信息)和主观特征信息k2(职位简介、企业简介、工作内容等信息)。把分类后的信息存储于数据库中。
86.其中，所述求职者信息包括第一客观特征信息和第一主观特征信息，所述企业招
聘信息包括第二客观特征信息和第二主观特征信息；第一客观特征信息和第二客观特征信息的信息量少且重要，均作为关键词；对第一主观特征信息和第二主观特征信息则需要提取关键词。
87.步骤s232、将所述多个主观特征信息文档中的词语和所述扩充后的多态词库中的词语进行比对，将比对结果一致的词语作为特征词；所述特征词包括第一特征词和第二特征词；
88.从所述多个主观特征信息文档中提取特征词，所述特征词为出现在所述主观特征信息文档中和所述扩充后的多态词库中的词语；
89.步骤s233、对每个特征词进行权重计算，得到每个特征词的权重；
90.在一个改进的实施例中，对每个特征词进行权重计算的公式如下：
[0091][0092]
式中，w
i
表示第i个词语，q
(i)
为第i个词语的权重，tf(w
i
,d)为第i个词语的词频，表示词语w
i
在主观特征信息文档d中出现的次数，|d|为主观特征信息文档d的总数量，df(w
i
)为文档频率，表示至少出现一次词语w
i
的主观特征信息文档d的数量。
[0093]
步骤s234、取权重最大的多个特征词形成第一关键词列表；所述第一关键词列表包括第一求职者关键词列表和第一企业招聘信息关键词列表；
[0094]
如表1所示，表1为客观特征信息和主观特征信息的关键词的举例；
[0095]
表1：关键词列表示例：
[0096]
客观特征信息本科、北京大学、java编程、应届毕业生
……
主观特征信息java、微服务、互联网行业、合作能力、吃苦耐劳
……
[0097]
步骤s235、根据第一关键词列表中的关键词和关键词的权重构建第一特征信息，将所述第一特征信息表示为向量空间模型，作为第一模型，所述第一模型包括第一求职者模型和第一企业招聘信息模型；
[0098]
具体地，根据第一关键词和第一关键词的权重构建第一特征信息，将所述第一特征信息表示为向量空间模型，作为第一求职者模型；根据第二关键词和第二关键词的权重构建特征信息，将所述第二特征信息表示为向量空间模型，作为第一企业招聘信息模型；
[0099]
本实施例中，基于向量空间模型构建模型，使每个关键词t
k
都对应一个权重q
k
，将与求职者相关的第一特征信息表示为s1(t
11
,q
11
；t
12
,q
12
；
……
t
1n
,q
1n
)，简记为s1(t
11
,t
12
,
…
,t
1n
)，s1(t
11
,t
12
,
…
,t
1n
)即为第一求职者模型；将与企业招聘信息相关的第二特征信息表示为s2(t
21
,q
21
；t
22
,q
22
；
……
t
2n
,q
2n
)，简记为s2(t
21
,t
22
,
…
,t
2n
)，s2(t
21
,t
22
,
…
,t
2n
)即为第一求职者模型，其中，q
1k
就是t
1k
的权重，1≤k≤n。
[0100]
作为上述实施例的改进，步骤s300包括：
[0101]
采用相似度计算公式将求职者的求职者模型分别与每个企业招聘信息模型进行相似度计算，得到多个第一相识度计算结果；采用相似度计算公式将企业的企业招聘信息模型分别与每个求职者模型进行相似度计算，得到多个第二相识度计算结果；
[0102]
对多个第一相识度计算结果进行排序，选取最高的k个相似度对应的企业招聘信息作为该求职者的推荐结果；对多个第二相识度计算结果进行排序，选取最高的k个相似度对应的求职者作为该企业的推荐结果。
[0103]
其中，所述相似度计算公式为：
[0104][0105]
其中，s1为求职者模型，s2为企业招聘信息模型，t
1k
为求职者模型中第k个关键词，t
2k
为企业招聘信息模型中第k个关键词。
[0106]
作为上述实施例的改进，步骤s400中，所述根据所述行为信息对当前模型进行更新，得到更新后的模型，包括：
[0107]
步骤s410、获取对推荐结果进行反馈的行为信息，根据所述行为信息生成第二模型；其中，所述第二模型包括第二求职者模型和第二企业招聘信息模型；
[0108]
步骤s420、采用第二模型对第一模型进行更新，得到更新后的模型。
[0109]
其中，所述更新后的模型包括更新后的求职者模型和更新后的企业招聘信息模型；所述更新后的求职者模型根据第一求职者模型和第二求职者模型进行融合得到，所述企业招聘信息模型根据第一企业招聘信息模型和第二企业招聘信息模型进行融合得到；
[0110]
本实施例中，通过将第二求职者模型第一求职者模型进行合并，得到求职者模型；通过将第二企业招聘信息模型和第一企业招聘信息模型进行合并，得到企业招聘信息模型；具体地，将第二求职者关键词列表和第一求职者关键词列表进行合并，并表示为向量空间模型，得到求职者模型；将第二企业招聘信息关键词列表和第一企业招聘信息关键词列表进行合并，并表示为向量空间模型，得到企业招聘信息模型，从而实现模型更新。
[0111]
作为上述实施例的改进，步骤s410中，所述根据所述行为信息建立第二模型，包括：
[0112]
确定与行为信息相关的基本信息，作为第二基本信息，所述第二基本信息包括第二求职者信息和第二企业招聘信息；
[0113]
确定第二基本信息中的主观特征信息，将所述第二基本信息中的主观特征信息合并成文档；其中，所述文档包括第二求职者主观文档和第二企业招聘主观文档；
[0114]
对该文档进行关键词提取，并对提取出的每个关键词赋予权重，形成第二关键词列表；所述第二关键词列表包括第二求职者关键词列表和第二企业招聘信息关键词列表；
[0115]
根据第二关键词列表中的关键词和关键词的权重构建第二特征信息，将所述第二特征信息表示为向量空间模型，作为第二模型，所述第二模型包括第二求职者模型和第二企业招聘信息模型。
[0116]
在一些示例性的实施例中，首先，记录求职者和企业对的推荐结果是否进行了查看、投递、邀请面试操作，如查看推荐结果，则判断该推荐结果为一般感兴趣；如投递或邀请面试，则判断该推荐结果为强烈感兴趣；
[0117]
接着，把用户或企业的行为信息记录(查看、投递、邀请面试等)在数据库，如表2所示。
[0118]
表2：求职者行为信息表：
[0119][0120]
然后，对行为信息进行处理。
[0121]
以求职者行为信息为“处理”为例：
[0122]
先把在该行为下的所有招聘信息中的主观特征信息进行合并，形成一个文本，再对文本进行关键词提取，推测出代表用户兴趣的词语，并对提取出的每个关键词赋予权重，形成第二关键词列表；根据第二关键词列表中的关键词和关键词的权重构建第二特征信息，将所述第二特征信息加入到第一特征信息中，实现模型更新。
[0123]
同样的，采用以上方式对求职者行为信息为“投递”进行处理，在一些实施例中，对不同的行为信息赋予不同的权重，例如：“投递”行为比“查看”行为更具有实质性影响，更符合求职者的匹配需求，因此，可对“投递”相关的每个关键词赋予更高权重。
[0124]
企业招聘信息处理根据企业不同行为分为查看和邀请面试，处理过程同上。
[0125]
需要说明的是，在每次更新模型之后再次进行相似度计算，产生新的推荐，实现推荐优化。
[0126]
与图1的方法相对应，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有网络招聘智能推荐程序，所述网络招聘智能推荐程序被处理器执行时实现如上述任意一实施例所述的网络招聘智能推荐方法的步骤。
[0127]
与图1的方法相对应，本发明实施例还提供一种网络招聘智能推荐系统，所述系统包括：
[0128]
至少一个处理器；
[0129]
至少一个存储器，用于存储至少一个程序；
[0130]
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上述任一实施例所述的网络招聘智能推荐方法。
[0131]
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
[0132]
所述处理器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
‑
arr ay，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，所述处理器是所述网络招聘智能推荐系统的控制中心，利用各种接口和线路连接整个网络招聘智能推荐系统可运行装置的各个部分。
[0133]
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述网络招聘智能推荐系统的各种功能。所述存储器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手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，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、或其他易失性固态存储器件。
[0134]
尽管本技术的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求，考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本技术的预定范围。此外，上文以发明人可预见的实施例对本技术进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本技术的非实质性改动仍可代表本技术的等效改动。