[发明专利]一种基于特征离散系数和注意力机制的智能人岗匹配方法

权利要求书

1.一种基于特征离散系数和注意力机制的智能人岗匹配方法，其特征在于，所述方法包括以下子步骤：

S1，获取简历/岗位文本语料，通过人工标注的方式生成相似句子对，将其标记为正例，再将相似句子对打乱顺序作为负例，然后作为正例和负例输入到预训练语义抽取模型进行模型精调；

S2，根据各个字段的描述类型将简历/岗位文本语料划分为文本特征、数值型特征、等级型特征；将文本特征转化为语义向量，将数值型特征、等级型特征转化为数值标量，并将语义向量和数值标量作为特征值存储于向量数据库中；

S3，自定义浏览记录超参数N，取应聘者在客户端最近的前N条浏览记录，在向量数据库中查找浏览记录对应的各特征值，以获取应聘者的兴趣画像和各特征对应的兴趣度；

S4，对于每一个候选岗位推荐项，根据候选岗位的各个特征值与对应特征的兴趣画像之间的相似度与该特征的兴趣度得到匹配度；

S5，对步骤S4得到的各候选项的匹配度进行排序，得到推荐结果。

2.根据权利要求1所述的基于特征离散系数和注意力机制的智能人岗匹配方法，其特征在于，基于精调的预训练语义抽取模型、特征类型分析简历/岗位文本语料以提取特征的过程包括：

对于文本特征，利用步骤S1精调后的预训练语义抽取模型将文本特征转换成语义向量；

对于数值型特征，先推理得到数值型特征的数据范围，然后进行极大极小值归一化处理；

对于等级型特征根据等级数量不同，将其按照等差数列形式进行极大极小值归一化处理；

将上述提取的特征存储于向量数据库ES中。

3.根据权利要求1所述的基于特征离散系数和注意力机制的智能人岗匹配方法，其特征在于，所述步骤S3具体包括以下子步骤：

S31，对于每条浏览记录，将其浏览开始时间与浏览结束时间差值进行softmax归一化，然后将其作为每条浏览记录的兴趣注意力分数Wr_i；

S32，对于每条浏览记录，将其浏览结束时间与当前时间的差值的倒数进行softmax归一化，然后将其作为每条浏览记录的记忆注意力分数Wr_m；

S33，对不同浏览记录中的相同特征计算其特征平均值，对于每条浏览记录，每个特征计算其与对应特征平均值的相似度Srf；

S34，对每个特征，计算其在不同浏览记录下的相似度Srf的离散系数Df；

S35，对每个特征，利用其离散系数Df计算其更新权重Uf；

S36，对不同特征的更新权重Uf进行softmax归一化计算，得到该特征的兴趣度If；

S37，对每个特征，将步骤S33计算得到的在不同浏览记录下的相似度Srf进行softmax归一化计算，并将结果作为每个特征在不同浏览记录下的相似注意力分数Wrf_s；

S38，对每条浏览记录中的每个特征，根据相似注意力分数Wrf_s、该浏览记录的记忆注意力分数Wr_m和兴趣注意力分数Wr_i得到综合注意力分数Wrf；

S39，对每个特征，根据其在不同浏览记录对应各特征的特征值Vrf与在该记录下的综合注意力分数Wrf以及更新权重Uf计算并更新该特征的兴趣画像Ff。

4.根据权利要求3所述的基于特征离散系数和注意力机制的智能人岗匹配方法，其特征在于，利用其离散系数Df计算其更新权重Uf的计算方式为：利用其离散系数Df进行负自然指数计算其更新权重Uf。

5.根据权利要求3所述的基于特征离散系数和注意力机制的智能人岗匹配方法，其特征在于，根据相似注意力分数Wrf_s、该记录的记忆注意力分数Wr_m和兴趣注意力分数Wr_i得到综合注意力分数Wrf的过程包括：计算相似注意力分数Wrf_s、该记录的记忆注意力分数Wr_m和兴趣注意力分数Wr_i的均方根平均值作为综合注意力分数Wrf。

6.根据权利要求3所述的基于特征离散系数和注意力机制的智能人岗匹配方法，其特征在于，根据其在不同浏览记录对应各特征的特征值Vrf与在该记录下的综合注意力分数Wrf以及更新权重Uf计算并更新该特征的兴趣画像Ff包括：将更新后的兴趣画像记为Ff’，更新的兴趣画像Ff’的计算公式如下：

Ff’＝Ff×(1-Uf)+Vrf×Wrf×Uf。