一种招聘信息的智能化推送方法及系统与流程

1.本技术涉及人工智能领域，尤其涉及一种招聘信息的智能化推送方法及系统。


背景技术：

2.随着社会分工的细化，越来越多的岗位涌现，对于企业来说，通过各种渠道，为企业的相关岗位寻找匹配的人才，是提升企业竞争力的根本措施。随着互联网技术的快速发展，我国网络招聘行业正在快速发展，成为人力资源求职、流动与配置的重要平台。
3.目前，网络招聘主要通过从企业岗位产生人才需求，通过人力资源部门制定招聘标准，选择招聘信息发布渠道，发布招聘信息。而应聘者通过在招聘平台上对招聘信息进行筛选，投递简历至意向公司。企业人力资源部门通过筛选简历合格的应聘者，对其进行笔试、面试来进行筛选，得到最合适职位的对象。
4.然而，网络招聘中产生的巨大数据量，由于无法被快速识别、处理，导致信息传递的不对等，应聘者无法基于自身的选择从众多招聘信息中寻找到最适合自己的岗位。导致应聘者精力、时间的浪费，无法快速的找到心仪的工作。现有技术中存在招聘信息推送智能化程度低，推荐准确性和个性化低的技术问题。


技术实现要素：

5.本技术的目的是提供一种招聘信息的智能化推送方法及系统，用以解决现有技术中存在招聘信息推送智能化程度低，推荐准确性和个性化低的技术问题。
6.鉴于上述问题，本技术提供了一种招聘信息的智能化推送方法及系统。
7.第一方面，本技术提供了一种招聘信息的智能化推送方法，其中，所述方法包括：基于大数据组建硬性指标集，其中，所述硬性指标集包括多个硬性指标；获得目标应聘者的目标简历，并结合所述多个硬性指标，提取得到所述目标应聘者的目标硬性指标参数集；组建招聘信息数据库，其中，所述招聘信息数据库包括多个招聘信息；基于所述目标硬性指标参数集对所述多个招聘信息进行分析，筛选得到目标招聘信息集，其中，所述目标招聘信息集包括多个目标招聘信息；分析所述多个目标招聘信息得到多个目标招聘硬性要求；依次统计所述多个目标招聘硬性要求中各目标招聘硬性要求的目标招聘硬性指标数；基于所述目标招聘硬性指标数对所述多个目标招聘信息进行降序排列，得到目标招聘信息推送列表。
8.另一方面，本技术还提供了一种招聘信息的智能化推送系统，其中，所述系统包括：指标集组建模块，所述指标集组建模块用于基于大数据组建硬性指标集，其中，所述硬性指标集包括多个硬性指标；硬性指标提取模块，所述硬性指标提取模块用于获得目标应聘者的目标简历，并结合所述多个硬性指标，提取得到所述目标应聘者的目标硬性指标参数集；数据库组建模块，所述数据库组建模块用于组建招聘信息数据库，其中，所述招聘信息数据库包括多个招聘信息；信息筛选模块，所述信息筛选模块用于基于所述目标硬性指标参数集对所述多个招聘信息进行分析，筛选得到目标招聘信息集，其中，所述目标招聘信
息集包括多个目标招聘信息；硬性要求获得模块，所述硬性要求获得模块用于分析所述多个目标招聘信息得到多个目标招聘硬性要求；指标数统计模块，所述指标数统计模块用于依次统计所述多个目标招聘硬性要求中各目标招聘硬性要求的目标招聘硬性指标数；推送列表模块，所述推送列表模块用于基于所述目标招聘硬性指标数对所述多个目标招聘信息进行降序排列，得到目标招聘信息推送列表。
9.本技术中提供的一个或多个技术方案，至少具有如下技术效果或优点：
10.本技术通过根据大数据组建硬性指标集，通过将目标应聘者的目标简历结合多个硬性指标，提取得到目标硬性指标参数集，然后组建招聘信息数据库，其中，招聘信息数据库包括多个招聘信息，基于目标硬性指标参数集对多个招聘信息进行分析，筛选得到目标应聘者符合要求的目标招聘信息集，其中，目标招聘信息集包括多个目标招聘信息，分析多个目标招聘信息得到多个目标招聘硬性要求，依次统计多个目标招聘硬性要求中各目标招聘硬性要求的目标招聘硬性指标数，基于目标招聘硬性指标数对所述多个目标招聘信息进行降序排列，得到目标招聘信息推送列表。达到了优化招聘信息推送方法，根据需求智能推送招聘信息，提高推送质量和效率的技术效果。
附图说明
11.为了更清楚地说明本技术或现有技术中的技术方案，下面将对实施例或现有技术描述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示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
12.图1为本技术实施例提供的一种招聘信息的智能化推送方法的流程示意图；
13.图2为本技术实施例提供的一种招聘信息的智能化推送方法中对目标招聘信息推送列表进行顺序调整的流程示意图；
14.图3为本技术实施例提供的一种招聘信息的智能化推送方法中：将简历关键词组添加结果作为简历关键词组的流程示意图；
15.图4为本技术一种招聘信息的智能化推送系统的结构示意图；
16.附图标记说明：指标集组建模块11，硬性指标提取模块12，数据库组建模块13，信息筛选模块14，硬性要求获得模块15，指标数统计模块16，推送列表模块17。
具体实施方式
17.本技术通过提供一种招聘信息的智能化推送方法及系统，解决了现有技术中存在招聘信息推送智能化程度低，推荐准确性和个性化低的技术问题。达到了优化招聘信息推送方法，提高招聘信息智能化匹配程度，提高推送质量和效率的技术效果。
18.本技术技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
19.下面，将参考附图对本技术中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。基于本技术的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。另外还需要说明的是，为
了便于描述，附图中仅示出了与本技术相关的部分而非全部。
20.实施例一
21.如图1所示，本技术提供了一种招聘信息的智能化推送方法，其中，所述方法包括：
22.步骤s100：基于大数据组建硬性指标集，其中，所述硬性指标集包括多个硬性指标；
23.具体而言，所述硬性指标集是指在招聘过程中对应聘者的通用采集信息指标，用于获取应聘者的基本信息。可选的，所述多个硬性指标包括：姓名、年龄、国籍、民族、婚姻状况、政治面貌、学历、专业背景、工作经验、工作地点和期待薪酬等。通过大数据的搜索，得到企业在招聘过程中的必须要采集的指标，优选的，所述硬性指标集可以是具有结构化属性的指标，即可以直接被量化使用的指标，不需要进行二次解析，提高信息采集的通用性。从而，达到了提高指标采集数据的准确性，降低信息识别误差率的技术效果。
24.示例性的，在进行招聘工作的过程中，人事成本对于大部分企业来说是判断用人的经济效益的重要条件，招聘企业与应聘者对于薪酬待遇的认识能否达成共识，对于是否能够招聘成功有着十分重要的影响。因此，将期待薪酬列为硬性指标，通过将应聘者对于待遇的需求进行量化，提高与对应招聘信息的匹配准确度，在进行简历填写时，填写对应的岗位，可以提高招聘信息推荐的效率。
25.步骤s200：获得目标应聘者的目标简历，并结合所述多个硬性指标，提取得到所述目标应聘者的目标硬性指标参数集；
26.具体而言，所述目标应聘者是需要进行工作应聘的任意人员。所述目标简历是可以反映所述目标应聘者的个人信息和求职意向的书面介绍。通过将目标简历和多个硬性指标进行匹配，根据硬性指标对目标简历中的信息进行提取，获得所述目标应聘者对于硬性指标的满足结果。所述目标硬性指标参数集是根据多个硬性指标的特征对目标简历中的信息进行提取获得的数据集。由此，达到了准确采集目标应聘者信息，提高后续数据分析的准确度和分析效率的技术效果。
27.步骤s300：组建招聘信息数据库，其中，所述招聘信息数据库包括多个招聘信息；
28.具体而言，所述招聘信息数据库是通过根据大数据中的数据挖掘技术来对招聘信息进行汇总得到的数据库。可选的，所述数据库中的招聘信息也可以由招聘企业自行上传。其中，所述多个招聘信息包括各个类型的岗位信息，以及对应的岗位要求信息。由此，实现了对招聘信息进行汇总的目标，达到了提高招聘信息透明度，提高信息收集度，提升推送质量的技术效果。
29.步骤s400：基于所述目标硬性指标参数集对所述多个招聘信息进行分析，筛选得到目标招聘信息集，其中，所述目标招聘信息集包括多个目标招聘信息；
30.具体而言，所述目标硬性指标参数集是反映所述目标应聘者与招聘信息进行匹配的参考信息。按照所述目标硬性指标参数集对多个招聘信息进行筛选分析，分析多个招聘信息中有关于目标硬性指标的信息，与目标硬性指标参数集中的数据信息进行匹配，得到匹配度高的招聘信息，组成所述目标招聘信息集。其中，所述目标招聘信息是满足所述目标应聘者的信息和求职意向的所有招聘信息集合。由此，达到了匹配获取招聘信息，为后续进一步进行招聘信息的推送提供基础数据的技术效果。
31.步骤s500：分析所述多个目标招聘信息得到多个目标招聘硬性要求；
32.具体而言，对所述多个目标招聘信息进行进一步的分析，提取信息中对于岗位的硬性要求。通过关键词来提取信息，关键词包括：以上、至少、必须、满足等可以表达限制类含义的词语。通过根据关键词定位招聘信息中包含硬性要求的句子，进一步确定所述硬性要求。其中，所述目标招聘硬性要求是反映招聘岗位对于应聘者的设置的必须要满足的条件。
33.示例性的，污水处理厂准备招聘一名化验员，在招聘信息中提出的岗位要求为：45周岁以下，学历为本科及以上，专业为环境工程，有三年以上工作经验，能够熟练进行实验。通过提取“以上”、“以下”、“能够”等关键词，获取该岗位的硬性要求。例如：专业必须为环境工程，如果为自动化专业就不能满足该岗位的投递条件。
34.步骤s600：依次统计所述多个目标招聘硬性要求中各目标招聘硬性要求的目标招聘硬性指标数；
35.步骤s700：基于所述目标招聘硬性指标数对所述多个目标招聘信息进行降序排列，得到目标招聘信息推送列表。
36.具体而言，所述目标招聘硬性指标数是指在所述各目标招聘硬性要求中的硬性指标的个数。指标数越高，表明目标招聘信息的要求越高，对于应聘者的要求高，同时，由于所述目标招聘信息是所述目标应聘者符合招聘条件的信息，因此，所述目标招聘硬性指标数越高，岗位质量越好，同时表明应聘者对于该招聘岗位的满足度也越高，对于应聘者来说，该岗位是更适合的岗位。
37.具体的，按照目标招聘硬性指标数的大小作为排序的标准，对所述多个目标招聘信息进行降序排列，目标招聘硬性指标数越高，在推送列表里的位置越靠前。由此，实现了对招聘信息进行智能化推送的目标，达到了提高推送质量和效率，降低应聘者的时间成本的技术效果。
38.进一步的，如图2所示，本技术实施例步骤s700还包括：
39.步骤s710：对所述多个目标招聘信息中各目标招聘信息依次进行提取，得到多个目标岗位描述；
40.步骤s720：依次提取得到所述多个目标岗位描述中各目标岗位描述的多个关键词组，其中，所述多个关键词组与所述多个目标岗位描述具备映射关系；
41.步骤s730：根据所述多个关键词组与所述多个目标岗位描述的映射关系，对所述多个目标招聘信息进行标记，得到目标招聘信息标记结果；
42.步骤s740：提取得到所述目标简历的简历关键词组；
43.步骤s750：将所述简历关键词组在所述目标招聘信息标记结果中进行遍历匹配，得到多个匹配度，其中，所述多个匹配度是指所述目标简历与所述多个目标招聘信息的多个匹配程度；
44.步骤s760：将所述多个匹配度降序排列得到匹配度降序列表，并根据所述匹配度降序列表对所述目标招聘信息推送列表进行顺序调整。
45.具体而言，通过对各目标招聘信息进行依次提取，得到招聘信息对应的岗位描述信息。其中，所述岗位描述信息是对招聘岗位的工作内容介绍，以及岗位的工作要求信息。所述多个关键词组可以反映各目标岗位内容的关键信息，通过将多个关键词组与多个目标岗位构建一一映射关系，为后续进行标记提供便利。所述目标招聘信息标记结果是指将招
聘信息岗位与描述岗位的关键词组进行关联标记后得到的结果，便于在获得关键词组之后，通过标记找到对应的招聘岗位信息。
46.具体的，对所述目标简历中的关键词组进行提取，得到所述简历关键词组。其中，所述简历关键词组是能够反映目标简历中关于个人能力、工作经验等信息的词组。通过按照所述简历关键词组与所述目标招聘信息标记结果中的关键词组进行匹配，按照关键词语的意思一致性和文字重合度来进行计算，得到所述匹配度。其中，所述匹配度反映了所述目标简历中反映的信息与所述目标招聘信息的重合程度。匹配度越高，表明目标应聘者与目标招聘信息对应的岗位越符合。按照匹配度对多个目标招聘信息进行降序排列，得到所述匹配度降序列表。所述匹配度降序列表反映了招聘信息与应聘者的匹配程度。根据所述匹配降序列表对所述目标招聘信息推送列表进行顺序调整，可以实现对推送列表按照匹配度进行优化的目标，达到了提高招聘信息的推送质量，提高推送准确度的技术效果。
47.进一步的，如图3所示，在所述提取得到所述目标简历的简历关键词组之后，本技术实施例步骤s740还包括：
48.步骤s741：获得人工调整指令，其中，所述人工调整指令包括人工添加指令、人工删除指令；
49.步骤s742：根据所述人工删除指令，对所述简历关键词组进行关键词删除，得到简历关键词组删除结果；
50.步骤s743：根据所述人工添加指令，对所述简历关键词组删除结果进行关键词添加，得到简历关键词组添加结果；
51.步骤s744：将所述简历关键词组添加结果作为所述简历关键词组。
52.具体而言，所述人工调整指令是应聘者自己调整简历关键词组的命令。其中，所述人工添加指令是人工对简历关键词组进行添加的命令。所述人工删除指令是人工对简历关键词组进行删除的命令。所述简历关键词组删除结果是指应聘者对从简历中提取出来的简历关键词组中进行部分关键词删除，删除不想要从事的内容关键词后得到结果。所述简历关键词组添加结果是应聘者对自己想要从事的内容关键词添加进所述简历关键词组后得到的结果。通过进行人工调整，达到提高应聘者对招聘信息推送内容的个性化程度，提高招聘信息的推送智能化程度的技术效果。
53.进一步的，所述依次提取得到所述多个目标岗位描述中各目标岗位描述的多个关键词组，本技术实施例步骤s720还包括：
54.步骤s721：提取所述多个目标岗位描述中任意一个目标岗位描述；
55.步骤s722：对所述任意一个目标岗位描述进行停用词剔除预处理，得到预处理结果；
56.步骤s723：根据所述预处理结果，依次组建所述任意一个目标岗位描述的词向量集合、句向量集合；
57.步骤s724：对所述词向量集合进行计算分析，得到词词图，对所述句向量集合进行计算分析，得到句句图；
58.步骤s725：对所述词向量集合与所述句向量集合进行综合计算分析，得到词句图；
59.步骤s726：基于所述词词图、所述句句图、所述词句图，构建所述任意一个目标岗位描述的图模型；
60.步骤s727：根据所述图模型，筛选得到所述任意一个目标岗位描述的关键词组。
61.具体而言，所述目标岗位描述反映了岗位的工作内容和应聘要求。所述停用词是在目标岗位描述中虚字，为了使描述语句通畅，与描述的主要内容无关，在分析中可以忽略的字。所述预处理结果是对岗位描述中的停用词删除之后，留下的岗位描述。所述词向量集合是对目标岗位进行描述时使用的词语经过向量化后得到的集合。所述句向量集合是对目标岗位进行描述的句子进行向量化处理后得到的集合。所述词词图是对词向量集合进行计算，表示词向量集合中的词语之间的关联关系的可视化图。所述词句图是对所述词向量集合和所述句向量集合进行计算分析，分析词向量与句向量之间的关联关系后得到的可视化图。
62.具体的，所述任意一个目标岗位描述的图模型是对目标岗位的特征进行描述的模型。由词词图、句句图和词句图共同构成，由岗位描述中词词之间的关联、句子与句子之间的关联和词句之间的关联关系构建而成的图模型。根据所述图模型，通过输入目标岗位描述，可以得到与所述目标岗位描述相关的关键词组，可以达到提高招聘信息岗位特征的准确度，提高推送的准确性的技术效果。
63.进一步的，所述对所述句向量集合进行计算分析，得到句句图，本技术实施例步骤s724还包括：
64.步骤s7241：提取所述句向量集合中任意两个句子，分别设为第一句子、第二句子；
65.步骤s7242：依次组建所述第一句子的第一词语集合、所述第二句子的第二词语集合，并进行并集运算得到总集合；
66.步骤s7243：结合所述第一词语集合与所述总集合，对所述第一词语集合进行向量化处理，得到第一向量；
67.步骤s7244：结合所述第二词语集合与所述总集合，对所述第二词语集合进行向量化处理，得到第二向量；
68.步骤s7245：利用余弦相似度计算所述第一向量、所述第二向量的相似度，得到句子相似度；
69.步骤s7246：基于所述第一句子、所述第二句子、所述句子相似度，得到所述句句图。
70.具体而言，所述第一句子是句向量集合中的任意一个句子，第二句子是句向量集合中除第一句子外的任意一个句子。通过对第一句子进行词语分析，提取第一句子中的词语组成所述第一词语集合，同样提取第二句子中的词语组成所述第二词语集合，通过对所述第一词语集合和所述第二词语集合进行求并集运算得到所述总集合。其中，所述总集合是第一句子和第二句子的词语汇总到一起后得到的集合。
71.具体的，通过将第一词语集合中的词语转换为向量，将语言理解问题转化为数学量化问题。所述向量化处理是指从词性、感情色彩、程度等等方面量度，用一套分值代表一个词，将词语转化为向量的转换过程。所述第一向量是对所述第一词语集合中的词语进行评分后得到的向量。所述第二向量是对所述第二词语集合中的词语进行评分后得到的向量。
72.具体的，所述余弦相似度是通过测量两个向量的夹角的余弦值来度量它们之间的相似性。将第一向量和第二向量代入余弦相似度计算公式中进行计算，得到所述句子相似
度。所述句子相似度可以反映两个句子之间的相似程度。相似程度越高，关联性越大，句子对应描述的目标内容相关性越大。通过将所述第一句子、所述第二句子、所述句子相似度进行关联，从而得到可以反映句子之间关联关系的句句图。由此，实现了对岗位描述的句子之间的相关性进行可视化展示的目标，达到了提高招聘信息推送的准确性的技术效果。
73.进一步的，本技术实施例步骤s760还包括：
74.步骤s761：采集所述目标应聘者浏览所述目标招聘信息推送列表中各目标招聘信息的浏览记录；
75.步骤s762：根据所述浏览记录，组建所述目标应聘者的不感兴趣标记记录；
76.步骤s763：对所述不感兴趣标记记录进行分析，并组建所述目标应聘者的排斥关键词组；
77.步骤s764：基于所述排斥关键词组，遍历得到待剔除目标招聘信息，其中，所述待剔除目标招聘信息为包含有排斥关键词的目标招聘信息；
78.步骤s765：将所述待剔除目标招聘信息从所述目标招聘信息推送列表中进行剔除处理。
79.具体而言，所述浏览记录是所述目标应聘者根据所述目标招聘信息推送列表顺序浏览各目标招聘信息时产生的记录，在浏览过程中如果目标招聘信息不符合目标应聘者的应聘要求，应聘者会对该目标招聘信息进行不感兴趣标记，得到所述不感兴趣标记记录。其中，所述不感兴趣标记记录是在目标招聘者对所述目标招聘信息推送列表中不感兴趣的招聘信息进行标记后得到的。
80.具体的，对所述不感兴趣标记记录进行进一步分析，分析记录中包含的共同词组，进行汇总后得到所述排斥关键词组。根据所述排斥关键词组对所述目标招聘信息进行筛选，得到含有排斥关键词组的待剔除目标招聘信息，进而从所述目标招聘信息推送列表中剔除所述待剔除目标招聘信息。通过对招聘推送列表进行删减，减少推送内容，使推送的招聘信息更符合目标应聘人的个性化要求，从而提高应聘效率，降低时间成本。
81.进一步的，本技术实施例步骤s765还包括：
82.步骤s7651：基于大数据得到所述目标招聘信息推送列表中各目标招聘信息的历史浏览记录；
83.步骤s7652：根据所述历史浏览记录，得到历史感兴趣标记记录；
84.步骤s7653：对所述历史感兴趣标记记录进行分析，得到所述目标招聘信息推送列表中各目标招聘信息的感兴趣标记次数；
85.步骤s7654；构建目标招聘信息-感兴趣标记次数列表；
86.步骤s7655：根据所述目标招聘信息-感兴趣标记次数列表进行招聘信息热度分析，并得到具有招聘信息热度标记的目标招聘信息推送列表。
87.具体而言，历史浏览记录是各目标招聘信息在历史时间内被浏览的记录，包括浏览时间、浏览次数和停留时间。所述历史感兴趣标记记录是各目标招聘信息在历史时间内被应聘者作感兴趣标记的记录情况，反映了各目标招聘信息的受关注程度。通过对标记次数进行统计，可以得到所述目标招聘信息-感兴趣标记次数列表。其中，列表中的目标招聘信息与感兴趣标记次数是一一对应的。感兴趣标记次数越多，表明该目标招聘信息受的关注度越高，热度越高，竞争压力越大。通过对目标招聘信息推送列表中各目标招聘信息进行
热度标记，直观的给应聘者呈现这个岗位的竞争情况，从而让应聘者对岗位有全方面的了解，提高招聘信息推送内容的丰富度。
88.综上所述，本技术所提供的一种招聘信息的智能化推送方法具有如下技术效果：
89.本技术实施例通过建立组建硬性指标集，来对目标应聘者的目标简历中的参数进行提取，得到目标应聘者的目标硬性指标参数集，进而通过组建招聘信息数据库，根据目标硬性指标参数集对多个招聘信息进行分析，筛选得到目标招聘信息集，其中，目标招聘信息集包括多个目标招聘信息，分析多个目标招聘信息得到多个目标招聘硬性要求，对多个目标招聘硬性要求中各目标招聘硬性要求的目标招聘硬性指标数进行采集，得到招聘岗位的质量，按照目标招聘硬性指标数对多个目标招聘信息进行降序排列，得到目标招聘信息推送列表，按照列表对目标应聘者进行招聘信息的推送。达到了智能化推送招聘信息，提高推送的效率和准确度的技术效果。
90.实施例二
91.基于与前述实施例中一种招聘信息的智能化推送方法同样的发明构思，如图4所示，本技术还提供了一种招聘信息的智能化推送系统，其中，所述系统包括：
92.指标集组建模块11，所述指标集组建模块11用于基于大数据组建硬性指标集，其中，所述硬性指标集包括多个硬性指标；
93.硬性指标提取模块12，所述硬性指标提取模块12用于获得目标应聘者的目标简历，并结合所述多个硬性指标，提取得到所述目标应聘者的目标硬性指标参数集；
94.数据库组建模块13，所述数据库组建模块13用于组建招聘信息数据库，其中，所述招聘信息数据库包括多个招聘信息；
95.信息筛选模块14，所述信息筛选模块14用于基于所述目标硬性指标参数集对所述多个招聘信息进行分析，筛选得到目标招聘信息集，其中，所述目标招聘信息集包括多个目标招聘信息；
96.硬性要求获得模块15，所述硬性要求获得模块15用于分析所述多个目标招聘信息得到多个目标招聘硬性要求；
97.指标数统计模块16，所述指标数统计模块16用于依次统计所述多个目标招聘硬性要求中各目标招聘硬性要求的目标招聘硬性指标数；
98.推送列表模块17，所述推送列表模块17用于基于所述目标招聘硬性指标数对所述多个目标招聘信息进行降序排列，得到目标招聘信息推送列表。
99.进一步的，所述系统还包括：
100.信息提取单元，所述信息提取单元用于对所述多个目标招聘信息中各目标招聘信息依次进行提取，得到多个目标岗位描述；
101.关键词组提取单元，所述关键词组提取单元用于依次提取得到所述多个目标岗位描述中各目标岗位描述的多个关键词组，其中，所述多个关键词组与所述多个目标岗位描述具备映射关系；
102.标记单元，所述标记单元用于根据所述多个关键词组与所述多个目标岗位描述的映射关系，对所述多个目标招聘信息进行标记，得到目标招聘信息标记结果；
103.简历关键词组提取单元，所述简历关键词组提取单元用于提取得到所述目标简历的简历关键词组；
104.匹配度获得单元，所述匹配度获得单元用于将所述简历关键词组在所述目标招聘信息标记结果中进行遍历匹配，得到多个匹配度，其中，所述多个匹配度是指所述目标简历与所述多个目标招聘信息的多个匹配程度；
105.顺序调整单元，所述顺序调整单元用于将所述多个匹配度降序排列得到匹配度降序列表，并根据所述匹配度降序列表对所述目标招聘信息推送列表进行顺序调整。
106.进一步的，所述系统还包括：
107.指令获得单元，所述指令获得单元用于获得人工调整指令，其中，所述人工调整指令包括人工添加指令、人工删除指令；
108.关键词删除单元，所述关键词删除单元用于根据所述人工删除指令，对所述简历关键词组进行关键词删除，得到简历关键词组删除结果；
109.关键词添加单元，所述关键词添加单元用于根据所述人工添加指令，对所述简历关键词组删除结果进行关键词添加，得到简历关键词组添加结果；
110.简历关键词组获得单元，所述简历关键词组获得单元用于将所述简历关键词组添加结果作为所述简历关键词组。
111.进一步的，所述系统还包括：
112.岗位描述单元，所述岗位描述单元用于提取所述多个目标岗位描述中任意一个目标岗位描述；
113.预处理单元，所述预处理单元用于对所述任意一个目标岗位描述进行停用词剔除预处理，得到预处理结果；
114.向量集合组建单元，所述向量集合组建单元用于根据所述预处理结果，依次组建所述任意一个目标岗位描述的词向量集合、句向量集合；
115.计算分析单元，所述计算分析单元用于对所述词向量集合进行计算分析，得到词词图，对所述句向量集合进行计算分析，得到句句图；
116.词句图获得单元，所述词句图获得单元用于对所述词向量集合与所述句向量集合进行综合计算分析，得到词句图；
117.图模型构建单元，所述图模型构建单元用于基于所述词词图、所述句句图、所述词句图，构建所述任意一个目标岗位描述的图模型；
118.关键词组筛选单元，所述关键词组筛选单元用于根据所述图模型，筛选得到所述任意一个目标岗位描述的关键词组。
119.进一步的，所述系统还包括：
120.句子设定单元，所述句子设定单元用于提取所述句向量集合中任意两个句子，分别设为第一句子、第二句子；
121.总集合获得单元，所述总集合获得单元用于依次组建所述第一句子的第一词语集合、所述第二句子的第二词语集合，并进行并集运算得到总集合；
122.第一向量获得单元，所述第一向量获得单元用于结合所述第一词语集合与所述总集合，对所述第一词语集合进行向量化处理，得到第一向量；
123.第二向量获得单元，所述第二向量获得单元用于结合所述第二词语集合与所述总集合，对所述第二词语集合进行向量化处理，得到第二向量；
124.相似度获得单元，所述相似度获得单元用于利用余弦相似度计算所述第一向量、
所述第二向量的相似度，得到句子相似度；
125.句句图获得单元，所述句句图获得单元用于基于所述第一句子、所述第二句子、所述句子相似度，得到所述句句图。
126.进一步的，所述系统还包括：
127.浏览记录采集单元，所述浏览记录采集单元用于采集所述目标应聘者浏览所述目标招聘信息推送列表中各目标招聘信息的浏览记录；
128.标记记录获得单元，所述标记记录获得单元用于根据所述浏览记录，组建所述目标应聘者的不感兴趣标记记录；
129.排斥关键词组获得单元，所述排斥关键词组获得单元用于对所述不感兴趣标记记录进行分析，并组建所述目标应聘者的排斥关键词组；
130.待剔除信息获得单元，所述待剔除信息获得单元用于基于所述排斥关键词组，遍历得到待剔除目标招聘信息，其中，所述待剔除目标招聘信息为包含有排斥关键词的目标招聘信息；
131.剔除处理单元，所述剔除处理单元用于将所述待剔除目标招聘信息从所述目标招聘信息推送列表中进行剔除处理。
132.进一步的，所述系统还包括：
133.历史浏览记录获得单元，所述历史浏览记录获得单元用于基于大数据得到所述目标招聘信息推送列表中各目标招聘信息的历史浏览记录；
134.感兴趣标记记录获得单元，所述感兴趣标记记录获得单元用于根据所述历史浏览记录，得到历史感兴趣标记记录；
135.标记次数获得单元，所述标记次数获得单元用于对所述历史感兴趣标记记录进行分析，得到所述目标招聘信息推送列表中各目标招聘信息的感兴趣标记次数；
136.列表构建单元，所述列表构建单元用于构建目标招聘信息-感兴趣标记次数列表；
137.热度分析单元，所述热度分析单元用于根据所述目标招聘信息-感兴趣标记次数列表进行招聘信息热度分析，并得到具有招聘信息热度标记的目标招聘信息推送列表。
138.本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，前述图1实施例一中的一种招聘信息的智能化推送方法和具体实例同样适用于本实施例的一种招聘信息的智能化推送系统，通过前述对一种招聘信息的智能化推送方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种招聘信息的智能化推送系统，所以为了说明书的简洁，在此不再详述。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
139.对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本技术。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。