[发明专利]一种基于深度学习的虚假招聘职位检测方法

权利要求书

1.一种基于深度学习的虚假招聘职位检测方法，其特征在于，包括下列步骤：

1)利用网络在线招聘平台或招聘APP收集求职信息，基于收集的信息获取初始虚假职位信息和初始虚假招聘信息；

2)对获取的初始虚假职位信息和初始虚假招聘信息分别提取虚假职位敏感文本数据和虚假招聘敏感文本数据，并将其存储于虚假信息数据库中；

3)对虚假信息数据库中的虚假职位敏感文本数据和虚假招聘敏感文本数据确定敏感词，对其进行向量转化，形成虚假职位敏感词向量和虚假招聘敏感词向量，并将其作为样本数据；

4)构建一个分类器，基于样本数据对分类器进行训练，获取虚假招聘职位检测模型；

5)将虚假招聘职位检测模型置于步骤1)中的网络在线招聘平台或招聘APP中进行虚假招聘信息检测，过滤虚假招聘信息。

2.根据权利要求1所述的基于深度学习的虚假招聘职位检测方法，其特征在于，步骤2)中，提取虚假职位敏感文本数据和虚假招聘敏感文本数据包括分词处理和去停用词处理步骤，具体过程如下：

21)获取初始虚假职位信息和初始虚假招聘信息；

22)对初始虚假职位信息和初始虚假招聘信息进行分词处理；

23)对步骤22)分词处理后的初始虚假职位信息和初始虚假招聘信息进行无意义的停用词去除处理，获取虚假职位敏感文本数据和虚假招聘敏感文本数据，并将其存储于虚假信息数据库中。

3.根据权利要求2所述的基于深度学习的虚假招聘职位检测方法，其特征在于，步骤23)中，无意义的停用词去除处理为将无意义的停用词进行符号替换。

4.根据权利要求3所述的基于深度学习的虚假招聘职位检测方法，其特征在于，无意义的停用词包括气助词、副词、介词、连接词及感叹词。

5.根据权利要求1所述的基于深度学习的虚假招聘职位检测方法，其特征在于，步骤3)中，采用Word2Vec模型将确定敏感词后的虚假职位敏感文本数据和虚假招聘敏感文本数据进行向量转化。

6.根据权利要求5所述的基于深度学习的虚假招聘职位检测方法，其特征在于，所述Word2Vec模型具体采用CBOW模型，该模型的目标函数的表达式为：

L＝∑_w∈Vlog(P(w|w(t-c)，…，w(t+c)))

式中：w表示词向量矩阵，w(t)为虚假职位敏感词和虚假招聘敏感词；w(t-c)为虚假职位敏感词和虚假招聘敏感词的上文词汇；w(t+c)为虚假职位敏感词和虚假招聘敏感词的下文词汇；c为上下文窗口长度；V为词表长度。

7.根据权利要求1所述的基于深度学习的虚假招聘职位检测方法，其特征在于，步骤4)具体包括以下步骤：

41)获取虚假职位敏感词向量和虚假招聘敏感词向量，并将其作为样本数据；

42)将步骤41)的样本数据划分训练集和验证集，同时构建一个分类器，将训练集输入分类器中进行训练，获取虚假招聘职位检测模型；

43)将步骤42)中的验证集输入虚假招聘职位检测模型进行验证评估，若验证结果符合期望阈值，则训练结束，反之，则重新进行样本数据提取。

8.根据权利要求7所述的基于深度学习的虚假招聘职位检测方法，其特征在于，所述分类器采用卷积神经网络。

9.根据权利要求7所述的基于深度学习的虚假招聘职位检测方法，其特征在于，将步骤41)的样本数据划分70％的训练集和30％的验证集。

10.根据权利要求2所述的基于深度学习的虚假招聘职位检测方法，其特征在于，对初始虚假职位信息和初始虚假招聘信息进行Jieba分词处理。