[发明专利]将机器学习和预测建模用于优化招聘管理系统的知识引擎

说明书

系统可以从输入(例如，知识源，如本文所描述的)接收、识别和/或提取一个或多个信息片段(例如，知识类别)。知识类别可以包括一个或多个短语和/或多单词短语，其可以被称为个体知识片段(例如，知识实体)。该系统可以识别知识类别和/或个体知识片段之间的一个或多个关系。例如，关系可以是类别间和/或类别内关系。这些关系可以被组织为形成层级关系驱动的知识引擎。知识引擎可以按实体(例如，操作者、公司、职位公告)组织知识实体和/或按域(例如，专业、雇主等)对知识实体进行上下文化，例如通过创建一个或多个知识简档。然后，知识引擎可以使用这些知识简档来动态响应信息请求。

相关申请的交叉引用

本申请要求2019年4月8日提交的美国临时专利申请No.62/830,680的权益，该申请通过引用整体并入本文。

背景技术

诸如人力资源(HR)系统之类的系统已经过时，并且存在许多缺点。传统HR系统日常地接收对于信息的请求。例如，该请求可以来自寻找特定职位的候选人，或者来自寻找特定职位的潜在候选人的HR经理，诸如已经申请职位的个人。然而，现有HR管理系统仅向用户请求提供相对高级别的或粗略的数据，并且缺乏例如推断关于用户和/或请求本身的信息的能力。因此，现有HR系统提供的响应与请求实体(例如，HR经理、候选人等)的期望不一致。

此外，传统HR系统的用户可以主动地和/或被动地与系统交互。主动交互可以包括向系统发送请求、向系统发送响应、向系统发送信息和/或以其他方式直接与系统交互。被动交互可以包括任何非主动的交互，例如私下从系统请求信息和/或私下查看由系统提供的信息。传统HR系统可以追踪和/或聚合实体的主动交互，和/或可以基于操作者的主动交互来确定关于实体的附加信息。然而，传统HR系统不能追踪和/或聚合实体的被动交互。因此，这些系统不能基于实体的被动交互来学习和/或确定关于实体的任何附加和/或补充信息。

由于这些传统系统不能追踪和/或聚合实体与系统的被动交互，所以系统也不能确定除实体明确提供给系统的信息之外的关于实体的附加和/或补充信息。例如，如果实体被动地与系统交互，则系统可能无法确定以下中的一个或多个：实体与系统交互的历史(例如，实体与系统的交互如何随时间改变)、实体对某些类型的信息的偏好(例如，如何显示某些类型的信息)和/或实体的特性(例如，实体的简档、实体通常请求什么、实体更喜欢什么内容等)。

关于实体的某些信息可能是时间敏感的和/或可能随着时间的推移而变得陈旧。时间敏感信息可能仅在特定时间段内有用和/或准确。在该时间到期之后，该信息可能不再有用和/或准确。这些传统HR系统不能对时间敏感信息进行考虑和/或反应，因此容易提供不准确的信息(例如，陈旧信息)。此外，这些传统HR系统也无法提取、关联和存储关于实体与系统的先前交互的信息，因此无法优化未来的交互。

发明内容

本文提供了用于提供知识引擎的系统和方法，该知识引擎可以提供个性化和动态的响应，特别是在HR管理的上下文中。该系统可以从输入(例如，如本文所描述的知识源)接收、识别和/或提取一个或多个信息片段(例如，知识实体)。信息可以被分类在一种或多种类型的知识(例如，知识类别)之下。知识类别可以包括一个或多个单词、单词组、短语和/或多单词短语，其可以被称为个体知识片段(例如，知识实体)。例如，知识实体“工科方面科学学士学位”可以被分类在“教育资格”知识类别之下。该系统可以识别知识类别和/或个体知识片段之间的一个或多个关系。例如，关系可以是类别间和/或类别内关系。可以组织这些关系以形成层级关系驱动的知识引擎(例如，知识引擎102和/或知识引擎202)。知识引擎可以基于所提取的信息聚合和形成可用于响应操作者请求的分析。