[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

说明书

本发明公开了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，所述方法包括获取简历/岗位文本语料对预训练语义抽取模型进行模型精调；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；根据不同特征类型分析简历/岗位文本语料以提取特征，并存储于向量数据库中；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，以计算应聘者的兴趣画像和各特征对应的兴趣度；对于每一个候选岗位推荐项，根据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；对各候选项的匹配度进行排序，得到推荐结果。

技术领域

本发明属于岗位匹配推荐领域，尤其涉及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。

背景技术

近年来随着人工智能技术的发展，以往需要专业招、应聘双方从海量候选对象中自行筛选查找目标对象的现象也不复存在，而是利用供需双方提供的文本描述或者其历史浏览记录，借助文本向量匹配技术或者序列预测技术等深度学习方法实现对供需双方的智能匹配和推荐。

上述通过文本向量匹配的方法主要是借助word2vec或者TFIDF等技术简单的将整个简历文本或者特定字段转化成文本向量，然后借助向量相似技术进行岗位匹配。这种方法存在多种问题和缺点。首先，招、应聘双方的真实需求往往存在一定的模糊性和弹性，这种模糊性和弹性本身就很难通过文字来准确地表达，如果再加上文本材料撰写人的知识水平和文字功底有限，文本材料所表示的含义就更容易偏离作者的真实意图。其次word2vce或者TFIDF等文本向量生成方法仅仅是利用词频统计或者词频共现等信息生成词向量，然后再利用词向量通过平均或者简单加权的方法来计算文本向量，这种方法计算出来的文本向量仅含浅层语义信息，无法挖掘出文本所蕴含的深度语义信息，这样在进行文本语义匹配的时候就会出现对相似文本匹配不够准确的情况。再者，这种将简历不同字段无差别的进行向量转化然后进行相似度计算的方法忽略了不同字段对岗位匹配模型的重要度差异，这明显是违背现实招聘场景的。最后这种方法还忽略了一个明显的事实，即招、应聘双方的兴趣并不是一成不变的。比如如果候选方某一方面的条件特别优秀，主选方可能就会降低或者放弃对其它一些条件的要求。或者遇上招聘淡季或者旺季，招应聘双方会根据自己投递情况的反馈情况无意中降低或者提高自己的整体要求。因为这种改变通常是短期的或者是不断变化的，所以导致双方都无意去修改文本材料，这样一来仅利用文本向量匹配进行岗位匹配的方法便不能很好的适应这种兴趣变化的场景。

发明内容

针对现有技术不足，本发明提供了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。

为解决上述技术问题，本发明的技术方案为：本发明实施例的第一方面提供了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，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；

具体地，基于精调后的预训练语义抽取模型将文本特征转化为语义向量，基于简历/岗位文本统计分析将数值型、等级型特征归一化转化为0-1之间的数值标量，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。