简历筛选方法、计算机设备及存储介质与流程

1.本技术涉及信息技术领域，尤其涉及一种简历筛选方法、计算机设备及存储介质。


背景技术：

2.当前，在进行简历筛选时，通常是由相关人员基于应聘者的学历、专业、工作经验等方面，对各个应聘者的简历进行人工筛选，之后再对筛选出来的简历对应的应聘者进行面试。由于简历筛选的操作依赖于人工经验，可能会刷掉一些匹配岗位的应聘者，或者选到一些不匹配岗位的应聘者，不能确保简历筛选的可靠性；并且，人工筛选的操作工作量大，效率也不够高。
3.因此，如何实现提高简历筛选的可靠性的效率成为亟待解决的问题。


技术实现要素：

4.本技术提供了一种简历筛选方法、计算机设备及存储介质，可以实现提高简历筛选的可靠性的效率。
5.第一方面，本技术提供了一种简历筛选方法，所述方法包括：
6.将岗位描述信息以及岗位对应的简历文本分别输入训练好的第一神经网络模型进行信息抽取，获得对应的岗位关键信息和简历关键信息；
7.基于预配置的知识库，对所述岗位关键信息和所述简历关键信息进行后处理，获得结构化岗位描述信息和结构化简历信息；
8.获得所述岗位描述信息和所述简历文本对应的附加特征；
9.将所述结构化岗位描述信息、所述结构化简历信息、以及所述附加特征输入训练好的第二神经网络模型进行匹配度解析，获得对应的岗位匹配度分值，以基于所述岗位匹配度分值进行简历筛选。
10.第二方面，本技术还提供了一种计算机设备，所述计算机设备包括：
11.存储器和处理器；
12.其中，所述存储器与所述处理器连接，用于存储程序；
13.所述处理器用于通过运行所述存储器中存储的程序，实现如本技术实施例提供的任一项所述的简历筛选方法的步骤。
14.第三方面，本技术还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如本技术实施例提供的任一项所述的简历筛选方法的步骤。
15.本技术公开的简历筛选方法、计算机设备及存储介质，通过将岗位描述信息以及岗位对应的简历文本分别输入训练好的第一神经网络模型进行信息抽取，获得对应的岗位关键信息和简历关键信息，然后基于预配置的知识库，对岗位关键信息和简历关键信息进行后处理，获得结构化岗位描述信息和结构化简历信息，以及获得岗位描述信息和简历文本对应的附加特征，将结构化岗位描述信息、结构化简历信息、以及附加特征输入训练好的
第二神经网络模型进行匹配度解析，获得对应的岗位匹配度分值，通过获得的岗位匹配度分值进行简历筛选。简历筛选的过程降低了对人工经验的依赖，因此，提高了简历筛选的可靠性；并且，由于省去了人工筛选的操作，也提高了简历筛选的效率。
16.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本技术。
附图说明
17.为了更清楚地说明本技术实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
18.图1是本技术的实施例提供的一种简历筛选方法的步骤示意图；
19.图2是本技术的实施例提供的一种简历筛选的系统示意图；
20.图3是本技术的实施例提供的一种将所述结构化岗位描述信息、所述结构化简历信息、以及所述附加特征输入训练好的第二神经网络模型进行匹配度解析，获得对应的岗位匹配度分值的步骤示意图；
21.图4是本技术的实施例提供的一种基于第二神经网络模型获得岗位匹配度分值的流程示意图；
22.图5是本技术的实施例提供的一种计算机设备的示意框图。
23.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本技术。
具体实施方式
24.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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。
25.附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
26.应当理解，在此本技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本技术。如在本技术说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
27.应当理解，为了便于清楚描述本技术实施例的技术方案，在本技术的实施例中，采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。例如，第一回调函数和第二回调函数仅仅是为了区分不同的回调函数，并不对其先后顺序进行限定。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定，并且“第一”、“第二”等字样也并不限定一定不同。
28.还应当进理解，在本技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
29.当前，在进行简历筛选时，通常是由相关人员基于应聘者的学历、专业、工作经验等方面，对各个应聘者的简历进行人工筛选，之后再对筛选出来的简历对应的应聘者进行面试。由于简历筛选的操作依赖于人工经验，可能会刷掉一些匹配岗位的应聘者，或者选到一些不匹配岗位的应聘者，不能确保简历筛选的可靠性；并且，人工筛选的操作工作量大，效率也不够高。
30.为此，本技术的实施例提供了一种简历筛选方法、计算机设备和存储介质，以实现提高简历筛选的可靠性的效率。
31.下面结合附图，对本技术的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
32.请参阅图1，图1是本技术实施例提供的一种简历筛选方法的流程示意图。所述简历筛选方法可以应用在终端设备中，其中终端设备可以为手机、平板电脑、笔记本电脑、台式电脑、个人数字助理、穿戴式设备或者智慧屏、智能电视、投影仪、点读笔、计算机设备等，当然也不限于此。下文以简历筛选方法可以应用于计算机设备为例，对本技术提供的简历筛选方法进行说明。
33.如图1所示，简历筛选方法包括步骤s101至步骤s104。
34.s101、将岗位描述信息以及岗位对应的简历文本分别输入训练好的第一神经网络模型进行信息抽取，获得对应的岗位关键信息和简历关键信息。
35.在进行简历筛选之前，预先构建一个用于进行信息抽取的神经网络模型，为了便于描述，下文将该神经网络模型称为第一神经网络模型。示例性的，该第一神经网络模型包括bert(bidirectional encoder representation from transformers)模型、cnn(convolutional neural networks,卷积神经网络)模型等。并且，收集获得多份岗位描述信息、岗位对应的简历并进行标签标注，生成样本数据，通过样本数据对第一神经网络模型进行模型训练，获得训练好的第一神经网络模型。
36.在需要对岗位对应的一份或多份简历进行筛选时，首先通过训练好的第一神经网络模型对岗位相应的岗位描述信息进行信息抽取，以及通过训练好的第一神经网络模型对简历文本进行信息抽取。其中，岗位描述信息中包括岗位种类、岗位学历要求、岗位专业要求、岗位技能要求、岗位工作经验要求等信息。简历文本中包括应聘者的姓名、年龄、期望薪资、自我介绍、教育经历(学校、学历、开始结束时间、专业)、工作经历、项目经验(项目名称、开始结束时间、职位、具体描述)等信息。
37.通过第一神经网络模型对岗位描述信息进行信息抽取后，获得对应的岗位关键信息。其中，岗位关键信息包括但不限于岗位学历要求、岗位专业要求、岗位技能要求、岗位工作经验要求等。以及通过第一神经网络模型对简历文本进行信息抽取，获得对应的简历关键信息。其中，简历关键信息包括但不限于期望薪资、学历、毕业学校、专业、工作经历、项目经验等。
38.在一些实施例中，所述将岗位描述信息以及岗位对应的简历文本分别输入训练好的第一神经网络模型进行信息抽取，获得对应的岗位关键信息和简历关键信息，包括：将所述岗位描述信息以及对应的第一标签组输入所述第一神经网络模型，预测所述第一标签组中每个标签对应所述岗位描述信息中的起始位置和结束位置，获得所述岗位关键信息；将所述简历文本以及对应的第二标签组输入所述第一神经网络模型，预测所述第二标签组中
每个标签对应所述简历文本中的起始位置和结束位置，获得所述简历关键信息。
39.在通过第一神经网络模型进行信息抽取操作中，输入模型的数据包括两部分，一部分是岗位描述信息/简历文本，另一部分是相应的标签组信息。标签组信息用于指示从岗位描述信息/简历文本中具体要提取出的相应标签的字段键值。为了便于区分描述，下文将岗位描述信息对应的标签组信息称为第一标签组，将简历对应的标签组信息称为第二标签组。其中，第一标签组中包括岗位描述信息对应的各类标签，比如等“岗位学历要求”标签、“岗位专业要求”标签、“岗位技能要求”标签、“岗位工作经验要求”标签等；第二标签组中包括简历文本对应的各类标签，比如“学历”标签、“学校”标签、“专业”标签等。
40.示例性的，将岗位描述信息输入bert模型，经过bert模型进行编码，同时，将第一标签组输入cnn模型，经过cnn模型进行编码，两项编码结果进行交互，计算相似度，对第一标签组中每个标签对应岗位描述信息的具体标签内容进行预测，包括预测每个标签对应的字段键值的起始位置、结束位置、序列等，从而得到岗位描述信息对应第一标签组的岗位关键信息。
41.同样地，将简历文本输入bert模型，经过bert模型进行编码，同时，将第二标签组输入cnn模型，经过cnn模型进行编码，两项编码结果进行交互，计算相似度，对第二标签组中每个标签对应简历文本的具体标签内容进行预测，得到简历文本对应第二标签组的简历关键信息。
42.需要说明的是，并非所有抽取的信息都会被使用，而是选取一些关键的、能用于进行匹配的信息作为岗位关键信息和简历关键信息。例如，对简历文本进行信息抽取，可能获得“婚姻状况”的信息，但岗位描述信息中较少对此信息进行要求，因此它不会被用作简历关键信息。
43.示例性的，预先设置一套第一标签组/第二标签组中各个标签的选择构建方法，可以根据具体的需要进行调整。基于第一标签组、第二标签组分别对岗位描述信息、简历文本进行信息抽取，从而获得相应的岗位关键信息和简历关键信息。
44.s102、基于预配置的知识库，对所述岗位关键信息和所述简历关键信息进行后处理，获得结构化岗位描述信息和结构化简历信息。
45.示例性的，结构化岗位描述信息和结构化简历信息由相应的字段名称与字段的值构成。例如，以结构化简历信息为例，进行信息抽取获得的某份简历关键信息为：{“学历”：“硕士”，“专业”：“计算机技术”，“学校”：“北大”}，则生成对应的结构化简历信息为：“【基本信息】[学历]硕士[专业]计算机技术[学校]北京大学”。其中，两种方括号分别表示粗粒度和细粒度的字段名称，方便模型进行识别。
[0046]
示例性的，预先配置知识库，知识库由专业人员搜集公开信息汇总生成，知识库中包含各种信息的标准化字段知识，包括但不限于各种专业与学校的标准名称和别名、不同学校的等级档次、各职位等级的描述信息(如专家、负责人等)、求职状态、政治面貌、专业技能、行业名称、考试名称等。知识库主要用于对得到的结构化岗位描述信息和结构化简历信息进行后处理，一方面进一步计算出后续匹配需要的信息，另一方面将岗位关键信息和简历关键信息中一些非标准化的字段内容(比如别名)还原为标准形式，便于储存和后续匹配。
[0047]
示例性的，由于各种信息可能会发生变化，比如学校更名等，因此，定时或不定时
对知识库进行更新，或者，在知识库中添加新的信息内容，比如新增加的一些专业等。
[0048]
在一些实施例中，所述基于预配置的知识库，对所述岗位关键信息和所述简历关键信息进行后处理，包括：基于所述知识库，对所述岗位关键信息和所述简历关键信息中的非标准化内容进行匹配查询，根据查询到的匹配数据对所述非标准化内容进行标准化处理。
[0049]
由于得到的岗位关键信息和简历关键信息中一些字段内容可能不是标准化的，通过调用配置的知识库，对得到的岗位关键信息和简历关键信息中的非标准化内容进行匹配查询，比如，查询简历关键信息中的非标准化的学校信息在知识库中对应匹配的标准化字段，将简历关键信息中的非标准化的学校信息替换为知识库中对应匹配的标准化字段，实现对简历关键信息进行标准化处理。
[0050]
示例性的，对岗位关键信息和简历关键信息进行后处理还可以包括：对岗位关键信息和简历关键信息中的空值、重复值进行处理；将同一组要素打包到一起，例如，一个工作经历的开始时间、结束时间、公司名、职位名等信息为同一组要素，将这些信息进行打包；计算一些无法直接抽取出的值，例如，一个工作经历的总工作时长是无法直接抽取出的值，根据工作经历的开始时间和结束时间，计算总工作时长。
[0051]
通过对岗位关键信息和简历关键信息进行后处理，最终得到对应的结构化岗位描述信息和结构化简历信息。
[0052]
s103、获得所述岗位描述信息和所述简历文本对应的附加特征。
[0053]
有一些对人岗匹配的情况有较大影响的特征，不能直接通过模型获得，因此，除了获得结构化岗位描述信息和结构化简历信息以外，还基于岗位描述信息和简历文本，获得对应的附加特征，附加特征作为结构化岗位描述信息和结构化简历信息的补充信息。
[0054]
示例性的，附加特征包括特征项以及特征项对应的特征值。需要说明的是，附加特征中包含的特征项的种类可以灵活进行设置，并且，也可以根据实际需要对使用的特征项进行添加、删除、修改等操作。
[0055]
例如，其中一种特征项可以是“应聘者的学历与岗位招聘要求的学历的对比情况”，其对应可能有“低于”、“等于”、“高于”三种情况；又如，另一种特征项可以是“应聘者的毕业学校的学校等级”，其可能是“世界顶级”、“国内一流”、“重点院校”、“普通院校”等情况；再如，另一种特征项可以是“应聘者的实习经历”，其可能是“无实习经历”、“有在普通公司实习经历”、“有在头部公司实习经历”等情况。通过将每种特征项的不同情况标准化为相应特征值，比如0、1、2
……
等取值，获得特征项对应的特征值，从而得到附加特征，附加特征作为结构化岗位描述信息和结构化简历信息的补充。
[0056]
在一些实施例中，所述获得所述岗位描述信息和所述简历文本对应的附加特征，包括：
[0057]
接收人工输入的所述附加特征，其中，所述附加特征是由人工基于所述岗位描述信息和所述简历文本确定；或
[0058]
对所述岗位描述信息和所述简历文本进行分析处理，自动生成所述附加特征。
[0059]
一种实施方式中，附加特征可以是由hr(human resources，人力资源)、面试官等人员根据岗位描述信息、简历文本等信息构建输入，直接通过接收人工输入获得附加特征。
[0060]
例如，假设相应的特征项一共包括m种，其中有n(n小于m)种特征项对人岗匹配的
情况有较大影响，则可以由人工选择该n种特征项以及确定其中每种特征项对应的特征值进行输入，通过接收人工输入获得附加特征。
[0061]
另一种实施方式中，根据岗位自动选择对应相关的特征项，并通过自动处理比较岗位描述信息、简历文本等信息，得到每个特征项对应的特征值，从而自动生成附加特征。
[0062]
又一种实施方式中，也可以由人工选择岗位对应的特征项之后，通过自动处理比较岗位描述信息、简历文本等信息，得到每个人工选择的特征项对应的特征值，来获得附加特征。
[0063]
需要说明的是，步骤s103只需在步骤s104之前执行即可，并不一定要在步骤s102之后执行，对于步骤s103的执行顺序不作具体限制。
[0064]
s104、将所述结构化岗位描述信息、所述结构化简历信息、以及所述附加特征输入训练好的第二神经网络模型进行匹配度解析，获得对应的岗位匹配度分值，以基于所述岗位匹配度分值进行简历筛选。
[0065]
预先构建一个用于对简历进行岗位匹配评分的神经网络模型，为了便于描述，下文将该神经网络模型称为第二神经网络模型。示例性的，该第二神经网络模型包括bert模型。第二神经网络模型会针对评分任务进行模型训练，模型训练所使用的训练样本可以来源于人力资源部门，每个样本包含简历、简历对应的岗位描述信息、以及简历最终的状态、其中，简历最终的状态包括但不限于筛选通过、初试通过、复试通过、最终录取等。通过样本对第二神经网络模型进行模型训练，获得训练好的第二神经网络模型。在模型训练过程中，根据第二神经网络模型最终具体用途的不同，可以为不同状态的样本分配标记不同的得分。
[0066]
例如，希望第二神经网络模型主要用于对简历进行筛选，则可以把筛选通过的样本的得分标记为第一分值，比如1分，把筛选不通过的样本的得分标记为第二分值，比如0分。通过这些样本对第二神经网络模型进行训练，示例性的，在训练过程中，第二神经网络模型使用二分类交叉熵(binary cross entropy)作为损失函数，直至第二神经网络模型收敛，完成模型训练。之后，对于给定的输入，通过该训练好的第二神经网络模型输出0分或1分。
[0067]
又如，希望第二神经网络模型细致考虑全流程，则可以按最终状态为样本分配标记相应不同的得分，示例性的，对通过筛选、通过初试、通过复试、通过复试、最终录取的样本分别分配不同的相应得分。比如，将通过筛选的样本的得分标记为0.1分，将通过初试的样本的得分标记为0.3分，将通过复试的样本的得分标记为0.5分，将最终录取的样本的得分标记为1分。通过这些样本对第二神经网络模型进行训练，直至第二神经网络模型收敛，完成模型训练。之后，对于给定的输入，通过该训练好的第二神经网络模型输出一个0-1之间的得分。
[0068]
如图2所示，图2为用于进行人岗匹配的简历筛选的系统示意图，系统主要包括知识库、第一神经网络模型、第二神经网络模型，其中，通过第一神经网络模型以及知识库，对岗位描述信息进行岗位解析，获得对应的结构化岗位描述信息，第一神经网络模型以及知识库，对简历文本进行简历解析，获得对应的结构化简历信息；结构化岗位描述信息和结构化简历信息作为第二神经网络模型的输入，通过第二神经网络模型进行人岗匹配，得到岗位匹配度分值。
[0069]
在一些实施例中，如图3所示，步骤s104可以包括子步骤s1041和子步骤s1042。
[0070]
s1041、将所述结构化岗位描述信息和所述结构化简历信息进行拼接，获得机器文本；
[0071]
s1042、将所述机器文本和所述附加特征输入所述第二神经网络模型，输出所述岗位匹配度分值。
[0072]
结构化岗位描述信息和结构化简历信息作为第二神经网络模型的输入，将结构化岗位描述信息和结构化简历信息进行拼接，将拼接后得到的机器文本作为第二神经网络模型的输入。附加特征是机器文本的补充信息，也作为第二神经网络模型的输入。
[0073]
示例性的，第二神经网络模型包括bert模型。在一些实施例中，所述将所述机器文本和所述附加特征输入所述第二神经网络模型，输出所述岗位匹配度分值，包括：将所述机器文本输入所述bert模型，获得对应的第一特征向量；以及将所述附加特征经所述第二神经网络模型的嵌入层、激活函数和线性层处理，获得对应的第二特征向量；将所述第一特征向量和所述第二特征向量经所述第二神经网络模型的激活函数和线性层处理，获得融合向量；将所述融合向量经所述第二神经网络模型的dropout和线性层处理，获得所述岗位匹配度分值。
[0074]
例如，如图4所示，机器文本和附加特征作为第二神经网络模型的两部分输入，将结构化岗位描述信息和结构化简历信息进行拼接得到的机器文本输入bert模型，获得对应的语义向量，为了便于区分描述，下文将其称为第一特征向量。并且，将附加特征也输入第二神经网络模型，附加特征包括特征1、特征2
……
特征n等，通过第二神经网络模型的嵌入层(embedding)映射到一个对应的特征向量，获得特征1、特征2
……
特征n等各附加特征对应的特征向量1、特征向量2
……
特征向量n，将特征向量1、特征向量2
……
特征向量n汇总，经过线性层变换和激活函数处理(linear 激活 linear)，合并为一个特征向量，为了便于区分描述，下文将合并的该特征向量称为第二特征向量。之后，将第一特征向量和第二特征向量再进行拼接，同样经过线性层变换和激活函数处理(linear 激活 linear)，获得一个融合向量，最后融合向量再经过dropout和线性层处理(dropout linear)，得到最终的岗位匹配度分值。
[0075]
示例性的，激活函数可以选取relu(linear rectification function，线性整流函数)函数。需要说明的是，激活函数还可以选取relu函数以外的其他函数。
[0076]
在一些实施例中，所述岗位匹配度分值包括预设的第一分值和第二分值，所述基于所述岗位匹配度分值对所述简历进行筛选，包括：当获得的所述岗位匹配度分值为所述第一分值时，确定所述简历筛选通过；当获得的所述岗位匹配度分值为所述第二分值时，确定所述简历筛选未通过。
[0077]
示例性的，设置第一分值为1分，第二分值为0分。需要说明的是，第一分值和第二分值的具体数值可根据实际情况进行灵活设置，本技术中不作具体限制。
[0078]
若第二神经网络模型是通过标记为第一分值和第二分值的样本进行训练的，则通过训练好的第二神经网络模型输出简历相对于所应聘的岗位的岗位匹配度分值为第一分值或者第二分值。当第二神经网络模型输出第一分值时，比如1分，确定简历筛选通过。而当第二神经网络模型输出第二分值时，比如0分，确定简历筛选未通过。通过对各个简历进行岗位匹配度分值打分，基于岗位匹配度分值对简历进行筛选，省去了人工筛选过程，大大提
高了效率。
[0079]
在一些实施例中，所述岗位匹配度分值为非固定值，所述基于所述岗位匹配度分值对所述简历进行筛选，包括：据各个简历对应的岗位匹配度分值进行简历筛选，确定预设数量的简历筛选通过，其中，筛选通过的简历对应的岗位匹配度分值高于其他筛选未通过的简历对应的岗位匹配度分值；或者，当简历对应的岗位匹配度分值大于或等于第一预设阈值时，确定所述简历筛选通过；当简历对应的岗位匹配度分值小于所述第一预设阈值时，确定所述简历筛选未通过。
[0080]
若第二神经网络模型是通过标记为相应不同的得分的样本进行训练的，则通过训练好的第二神经网络模型输出简历相对于所应聘的岗位的岗位匹配度分值为非固定值，比如0-1区间内的非固定值。
[0081]
示例性的，获得各个简历相对于所应聘的岗位的不同岗位匹配度分值后，将各个岗位匹配度分值进行比较，将对应的岗位匹配度分值较高的预设数量的简历确定为筛选通过的简历，其他相对岗位匹配度分值低的简历确定为筛选未通过的简历。
[0082]
需要说明的是，预设数量可参考岗位需要招聘的入职者进行灵活设置，在此不作具体限制。
[0083]
示例性的，预先设置用于进行简历筛选的第一预设阈值，例如，设置第一预设阈值为0-1区间内的某个分值。需要说明的是，第一预设阈值可根据实际情况进行灵活设置，在此不作具体。
[0084]
获得各个简历相对于所应聘的岗位的岗位匹配度分值后，将岗位匹配度分值与第一预设阈值进行比较，若简历对应的岗位匹配度分值大于或等于第一预设阈值，则确定简历筛选通过。反之，若简历对应的岗位匹配度分值小于第一预设阈值，则确定简历筛选未通过。
[0085]
在一些实施例中，所述获得对应的岗位匹配度分值之后，还包括：若所述岗位匹配度分值超出预设的分值范围，则对所述岗位匹配度分值进行数据更新处理，更新后的岗位匹配度分值在所述分值范围内；和/或，若各个简历对应的岗位匹配度分值中，小于第二预设阈值的占比达到预设比值，则对各个简历对应的岗位匹配度分值进行等比例放大处理。
[0086]
以任意一份简历为例，获得该简历相对于所应聘的岗位的岗位匹配度分值后，确定岗位匹配度分值是否在预设的分值范围内，若岗位匹配度分值超出预设的分值范围，则对岗位匹配度分值进行数据更新处理，以使得更新后的岗位匹配度分值在预设的分值范围内，将更新后的岗位匹配度分值作为简历最终对应的岗位匹配度分值。
[0087]
例如，预先设置预设的分值范围为0-1区间，若获得简历相对于所应聘的岗位的岗位匹配度分值为1.1分，也即，岗位匹配度分值超出预设的分值范围，则将岗位匹配度分值1.1分做裁剪，将岗位匹配度分值1.1分更新为1分，也即，简历最终对应的岗位匹配度分值为1分。
[0088]
另一种实施方式中，预先设置第二预设阈值以及预设比值，例如，设置第二预设阈值为0-1区间内的某个分值，如0.5分，设置预设比值为50％。需要说明的是，第二预设阈值和预设比值可根据实际情况进行灵活设置，在此不作具体。
[0089]
获得各个简历相对于所应聘的岗位的岗位匹配度分值后，若各个简历对应的岗位匹配度分值中，小于第二预设阈值的占比达到预设比值，则对各个简历对应的岗位匹配度
分值进行等比例放大处理，将处理后的岗位匹配度分值作为最终的岗位匹配度分值。这样，就实现将各个简历最终对应的岗位匹配度分值中小于第二预设阈值的占比低于预设比值，使得各个简历最终对应的岗位匹配度分值在预设的分值范围内更为均匀分布。后续用户在查看各个简历对应的岗位匹配度分值时，不会因为岗位匹配度分值过低而刷掉简历，从而进一步提高可靠性。
[0090]
例如，假设获得10份简历对应的岗位匹配度分值，其中，5份简历对应的岗位匹配度分值为0.4分，5份简历对应的岗位匹配度分值为0.2分，那么，10个岗位匹配度分值中，小于0.5分的占比为100％，超出了50％，则可以将5份简历对应的岗位匹配度分值0.4分、以及5份简历对应的岗位匹配度分值0.2分，都进行放大2倍处理，将0.4分更新为0.8分，0.2分更新为0.4分，也即，5份简历最终对应的岗位匹配度分值为0.8分，5份简历最终对应的岗位匹配度分值为0.4分，这样，使得各个简历对应的岗位匹配度分值分布在0-1区间内更为均匀，从而进一步提高了简历筛选的可靠性。
[0091]
上述实施例公开的简历筛选方法，通过将岗位描述信息以及岗位对应的简历文本分别输入训练好的第一神经网络模型进行信息抽取，获得对应的岗位关键信息和简历关键信息，然后基于预配置的知识库，对岗位关键信息和简历关键信息进行后处理，获得结构化岗位描述信息和结构化简历信息，以及获得岗位描述信息和简历文本对应的附加特征，将结构化岗位描述信息、结构化简历信息、以及附加特征输入训练好的第二神经网络模型进行匹配度解析，获得对应的岗位匹配度分值，通过获得的岗位匹配度分值进行简历筛选。简历筛选的过程降低了对人工经验的依赖，因此，提高了简历筛选的可靠性；并且，由于省去了人工筛选的操作，也提高了简历筛选的效率。
[0092]
请参阅图5，图5是本技术实施例提供的一种计算机设备的示意性框图。如图5所示，该计算机设备300包括一个或多个处理器301和存储器302，处理器301和存储器302通过总线连接，该总线比如为i2c(inter-integrated circuit)总线。
[0093]
其中，一个或多个处理器301单独地或共同地工作，用于执行上述实施例提供的简历筛选方法的步骤。
[0094]
具体地，处理器301可以是微控制单元(micro-controller unit，mcu)、中央处理单元(central processing unit，cpu)或数字信号处理器(digital signal processor，dsp)等。
[0095]
具体地，存储器302可以是flash芯片、只读存储器(rom，read-only memory)磁盘、光盘、u盘或移动硬盘等。
[0096]
其中，处理器301用于运行存储在存储器302中的计算机程序，并在执行所述计算机程序时实现上述实施例提供的简历筛选方法的步骤。
[0097]
示例性的，处理器301用于运行存储在存储器302中的计算机程序，并在执行所述计算机程序时，实现如下步骤：
[0098]
将岗位描述信息以及岗位对应的简历文本分别输入训练好的第一神经网络模型进行信息抽取，获得对应的岗位关键信息和简历关键信息；
[0099]
基于预配置的知识库，对所述岗位关键信息和所述简历关键信息进行后处理，获得结构化岗位描述信息和结构化简历信息；
[0100]
获得所述岗位描述信息和所述简历文本对应的附加特征；
[0101]
将所述结构化岗位描述信息、所述结构化简历信息、以及所述附加特征输入训练好的第二神经网络模型进行匹配度解析，获得对应的岗位匹配度分值，以基于所述岗位匹配度分值进行简历筛选。
[0102]
在一些实施例中，所述处理器301在实现所述将所述结构化岗位描述信息、所述结构化简历信息、以及所述附加特征输入训练好的第二神经网络模型进行匹配度解析，获得对应的岗位匹配度分值时，用于实现：
[0103]
将所述结构化岗位描述信息和所述结构化简历信息进行拼接，获得机器文本；
[0104]
将所述机器文本和所述附加特征输入所述第二神经网络模型，输出所述岗位匹配度分值。
[0105]
在一些实施例中，所述处理器301在实现所述获得所述岗位描述信息和所述简历文本对应的附加特征时，用于实现：
[0106]
接收人工输入的所述附加特征，其中，所述附加特征是由人工基于所述岗位描述信息和所述简历文本确定；或
[0107]
对所述岗位描述信息和所述简历文本进行分析处理，自动生成所述附加特征。
[0108]
在一些实施例中，所述第二神经网络模型包括bert模型，所述处理器301在实现所述将所述机器文本和所述附加特征输入所述第二神经网络模型，输出所述岗位匹配度分值时，用于实现：
[0109]
将所述机器文本输入所述bert模型，获得对应的第一特征向量；以及将所述附加特征经所述第二神经网络模型的嵌入层、激活函数和线性层处理，获得对应的第二特征向量；
[0110]
将所述第一特征向量和所述第二特征向量经所述第二神经网络模型的激活函数和线性层处理，获得融合向量；
[0111]
将所述融合向量经所述第二神经网络模型的dropout和线性层处理，获得所述岗位匹配度分值。
[0112]
在一些实施例中，所述岗位匹配度分值包括预设的第一分值和第二分值，所述处理器301在实现所述基于所述岗位匹配度分值对所述简历进行筛选时，用于实现：
[0113]
当获得的所述岗位匹配度分值为所述第一分值时，确定所述简历筛选通过；
[0114]
当获得的所述岗位匹配度分值为所述第二分值时，确定所述简历筛选未通过。
[0115]
在一些实施例中，所述处理器301在实现所述岗位匹配度分值为非固定值，所述基于所述岗位匹配度分值对所述简历进行筛选时，用于实现：
[0116]
根据各个简历对应的岗位匹配度分值进行简历筛选，确定预设数量的简历筛选通过，其中，筛选通过的简历对应的岗位匹配度分值高于其他筛选未通过的简历对应的岗位匹配度分值；或者
[0117]
当简历对应的岗位匹配度分值大于或等于第一预设阈值时，确定所述简历筛选通过；当简历对应的岗位匹配度分值小于所述第一预设阈值时，确定所述简历筛选未通过。
[0118]
在一些实施例中，所述处理器301在实现所述获得对应的岗位匹配度分值之后，用于实现：
[0119]
若所述岗位匹配度分值超出预设的分值范围，则对所述岗位匹配度分值进行数据更新处理，更新后的岗位匹配度分值在所述分值范围内；和/或
[0120]
若各个简历对应的岗位匹配度分值中，小于第二预设阈值的占比达到预设比值，则对各个简历对应的岗位匹配度分值进行等比例放大处理。
[0121]
在一些实施例中，所述处理器301在实现所述将岗位描述信息以及岗位对应的简历文本分别输入训练好的第一神经网络模型进行信息抽取，获得对应的岗位关键信息和简历关键信息时，用于实现：
[0122]
将所述岗位描述信息以及对应的第一标签组输入所述第一神经网络模型，预测所述第一标签组中每个标签对应所述岗位描述信息中的起始位置和结束位置，获得所述岗位关键信息；
[0123]
将所述简历文本以及对应的第二标签组输入所述第一神经网络模型，预测所述第二标签组中每个标签对应所述简历文本中的起始位置和结束位置，获得所述简历关键信息。
[0124]
在一些实施例中，所述处理器301在实现所述基于预配置的知识库，对所述岗位关键信息和所述简历关键信息进行后处理时，用于实现：
[0125]
基于所述知识库，对所述岗位关键信息和所述简历关键信息中的非标准化内容进行匹配查询，根据查询到的匹配数据对所述非标准化内容进行标准化处理。
[0126]
本技术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存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现上述实施例提供的简历筛选方法的步骤。
[0127]
其中，所述计算机可读存储介质可以是前述任一实施例所述的计算机设备的内部存储单元，例如所述终端设备的硬盘或内存。所述计算机可读存储介质也可以是所述终端设备的外部存储设备，例如所述终端设备上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。
[0128]
以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。