[发明专利]一种工作职能标准化的优化方法和分类系统

说明书

本发明公开了一种工作职能标准化的优化方法和分类系统，可通过采集数据文件附随的排名位置信息以及采集用户点击文件数据的历史信息，对数据进行分类训练，最后得到相关的训练模型，通过部分匹配训练和直接训练匹配，可大大提高智能匹配推荐的准确性以及更快更短的处理时间，通过工作职能标准化的优化分类系统，可将分散化、多样化的工作职称数据信息进行模块化、标准化以及对其相应的数据信息进行整合处理，并且可对上传的数据文件附随的信息进行分析并得到更多的文件数据历史信息，将这些信息结合，从而为数据训练提供有利的帮助，使智能匹配推荐更加准确。

技术领域

本发明涉及智能招聘系统技术领域，具体为一种工作职能标准化的优化方法和分类系统。

背景技术

随着人工智能技术的迅速发展，精确匹配和个性化推荐系统在各个领域都得到了极大的发展和应用，如何应用到智能招聘平台，从用户数据和招聘数据等大数据中精确地完成工作职位和用户简历的精确匹配和推荐，是目前人工智能领域一个重要的研究方向；

智能招聘是一个重要的匹配推荐算法的应用，并且已经被广泛地应用到实际的招聘平台，在智能招聘算法中，工作职称标准化是一个非常重要的步骤。工作职称的名称非常分散化和多元化，例如，软件开发者和软件工程师表示同一种工作职位，过多分散冗余的工作职称的名称，以及巨大的工作职称数量，都会导致智能匹配推荐算法性能的劣化，如更低的准确性或者更长的处理时间；

在智能招聘系统中，工作职称标准化是一个极其重要的步骤，因为工作职称的名称过于分散和多样化，并且数量庞大，因此工作职称标准化是一个很必要的过程，工作职称标准化是一种分类形式，旨在将数百万个不同的工作职务进行分类，并将它们映射到较小的固定职业集；本发明旨在通过收集用户搜索点击的信息，应用一个改进现有的工作职称标准化的方法和系统。

发明内容

鉴于现有技术中所存在的问题，本发明公开了一种工作职能标准化的优化方法，包括包括以下步骤：

步骤一：提供具有关联关系的模型组成的标准化模板，使用者按照模板填写规范化的工作职称并建立数据文件；

步骤二：查找并且剥离数据文件名称“级别”术语，将工作职称的起始词，资历短语进行查找纠正，删除“兼职”、“全职”的信息，规范数据文件内工作职称；

步骤三：获取数据文件内用户填写的信息以及用户搜索点击的信息，并且附随着相关排名的位置信息，去除步骤二内剥离的关键字和工作职称中的“资历”信息，根据数据库信息置换关键词或替换职称标题，根据相关的位置排名信息，生成相对的点击阈值，结合用户的历史点击数据，形成训练数据；

步骤四：训练数据经过二值化的点击的工作职称采用Bag of words算法，计算工作职称，并对每种n-gram的可能性，计算出现的次数，并得到最后产生的特征值，通过朴素贝叶斯分类器对数据进行部分匹配和直接训练匹配，最后得到训练模型，所述朴素贝叶斯算法公式为：P(A|B1,B2)＝P(B1,B2|A)*P(A)/P(B1,B2)＝P(B1|A)*P(B2|A)*P(A)/P(B1,B2)，P(标准化的工作职称|特征)＝P(特征|标准化的工作职称)*P(标准化的工作职称)/P(特征)。

作为本发明的一种优选技术方案，所述步骤一利用中文正则表达式实现正则中文匹配，正则表达式列表将单词和短语映射到规范化的工作职称数据文件。

作为本发明的一种优选技术方案，所述步骤二，起始词：仅当标题以“助理”，“资深”，“高级”，这些开头时才获得一定“级别”，资历短语：不同级别以“总监”，“经理”，“项目带头人”，“项目负责人”，“应届生”。

作为本发明的一种优选技术方案，所述步骤四朴素贝叶斯是一种构建分类器的方法，该分类器模型会给问题实例分配用特征值表示的类标签，类标签取自有限集合，朴素贝叶斯分类器可根据少量的训练数据估计出必要的参数(变量的均值和方差)；

概率模型分类计算公式为：p(C|F₁，...，F_n)；

贝叶斯定理有以下式子：