[发明专利]一种基于深度学习的人才推荐方法、系统及存储介质

权利要求书

1.一种基于深度学习的人才推荐模型训练方法，其特征在于，包括步骤：

读取训练集中的用户日志样本并进行解析，获得多组关联数据样本和对应的人才查看数据样本，所述关联数据样本为预先定义的对人才查看行为具有影响的数据样本，所述用户日志样本包括用户的操作日志样本、兴趣日志样本、位置日志样本、搜索日志样本和查看日志样本，所述关联数据样本包括操作记录样本、兴趣标签样本、位置信息样本和搜索记录样本，所述人才查看数据样本为用户查看过的人才信息；

将所述关联数据样本封装成Object对象样本，获得Object对象样本序列，一个所述Object对象样本包含一次查看过程中的多种类型的关联数据；

从所述人才查看数据样本中提取特征序列样本，所述特征序列样本为预先定义的区别不同人才的属性序列样本；

将多组所述特征序列样本作为标签对所述Object对象样本序列进行标注，获得标注样本序列，一对标注样本中的所述Object对象样本序列和所述特征序列样本表示用户的一次查看过程；

将所述Object对象样本序列和所述标注样本序列输入到人才推荐模型进行训练，所述人才推荐模型用于输出预测的推荐人才的特征序列。

2.如权利要求1所述的一种基于深度学习的人才推荐模型训练方法，其特征在于，包括步骤:

预先定义无关词性列表；

根据所述无关词性列表对所述关联数据样本和所述人才查看数据样本进行无关词过滤。

3.如权利要求1所述的一种基于深度学习的人才推荐模型训练方法，其特征在于，所述解析包括步骤：

遍历所述用户日志样本，将多组所述关联数据样本和所述人才查看数据样本存入字典。

4.如权利要求1所述的一种基于深度学习的人才推荐模型训练方法，其特征在于，包括步骤：

对训练后的所述人才训练模型进行测试，根据测试结果调整所述关联数据样本的定义。

5.一种基于深度学习的人才推荐方法，其特征在于，包括步骤：

读取用户日志并进行解析获得关联数据，所述关联数据为预先定义的对人才查看行为具有影响的数据，所述用户日志包括用户的操作日志、兴趣日志、位置日志、搜索日志和查看日志，所述关联数据样本包括操作记录、兴趣标签、位置信息和搜索记录；

将所述关联数据封装成Object对象，一个所述Object对象包含一次查看过程中的多种类型的关联数据，将所述Object对象输入到利用如权利要求1至4任一项权利要求所述的基于深度学习的人才推荐模型训练方法进行深度学习训练的人才推荐模型，以输出推荐人才的特征序列，所述特征序列为预先定义的区别不同人才的属性序列；

构建人才知识图谱，在所述人才知识图谱中选择与所述特征序列最相似的人才，推荐给用户。

6.一种基于深度学习的人才推荐模型训练系统，其特征在于，包括训练模块，所述训练模块包括：

训练样本解析模块，用于读取训练集中的用户日志样本并进行解析，获得多组关联数据样本和人才查看数据样本，关联数据样本为预先定义的对人才查看行为具有影响的数据样本，所述用户日志样本包括用户的操作日志样本、兴趣日志样本、位置日志样本、搜索日志样本和查看日志样本，所述关联数据样本包括操作记录样本、兴趣标签样本、位置信息样本和搜索记录样本，所述人才查看数据样本为用户查看过的人才信息；

训练样本封装模块，将所述关联数据样本封装成Object对象样本，获得Object对象样本序列，一个所述Object对象样本包含一次查看过程中的多种类型的关联数据；

训练样本提取模块，从所述人才查看数据样本中提取特征序列样本，所述特征序列为预先定义的区别不同人才的属性序列；

标注模块，用于将多组所述特征序列样本作为标签对所述Object对象样本序列进行标注，获得标注样本序列，一对标注样本中的所述Object对象样本序列和所述特征序列样本表示用户的一次查看过程；

模型训练模块，用于将所述Object对象样本序列和所述标注样本序列输入到人才推荐模型进行训练，所述人才推荐模型用于输出预测的推荐人才的特征序列。