[发明专利]一种简历和岗位匹配的方法及计算设备

说明书

本发明公开了一种简历和岗位匹配的方法，包括步骤：获取标签相关性矩阵，标签相关性矩阵的各元素表示标签集合中两个类别标签之间的相关性；将标签相关性矩阵和标签集合输入到标签相关性神经网络中进行处理，生成标签相关性向量；将待匹配的简历文本和岗位文本输入到人岗神经网络中进行处理，生成人岗嵌入向量；对标签相关性向量和人岗嵌入向量进行融合处理，生成融合向量；将融合向量拆分为第一拆分向量和第二拆分向量；以及基于第一拆分向量和第二拆分向量，获取简历文本和岗位文本的人岗匹配度。本发明一并公开了相应的计算设备。

技术领域

本发明涉及机器学习领域，尤其涉及一种基于神经网络的简历和岗位匹配的方法及计算设备。

背景技术

随着互联网的发展，现如今各行各业中，招聘者与应聘者都使用网络招聘系统来发布岗位信息、筛选简历以及投递简历。如今，互联网上存在着数亿规模的岗位信息以及简历信息，并持续增长，大规模的数据量给招聘带来了新的挑战，应聘者也难以在大量的岗位信息中筛选与自己相匹配的岗位。在人工智能技术出现之前，传统的人岗匹配（即应聘者的简历与招聘岗位匹配）一般是通过关键词匹配来实现，先通过数据分析得到岗位信息的关键词，然后将得到的关键词与简历进行匹配，得到匹配的关键词集合以及次数等信息，最后设定匹配规则计算，并根据匹配规则获得该简历与职位的匹配得分。然而，这样的方法依靠人工设定各种匹配规则，规则设计较为简单，而且该方法中人的主观性因素影响较大，难以形成统一的标准，会造成无法系统地统一地为数据库中的简历评分，还会造成当岗位要求以及关键词发生变化时，需要人工不断调整关键词的集合和匹配度计算公式。

在人工智能技术出现之后，出现了基于深度神经网络来提取岗位和简历的标签信息并匹配的技术手段，首先整理人岗匹配相关的标签，设定标签体系；然后对数据进行标注，训练神经网络，输入文本的词向量提取岗位以及简历的标签信息；最后利用提取的标签信息，制定匹配公式来进行人岗匹配度的计算。然而利用该方法进行岗位和简历进行匹配的准确率依然较低，无法满足人岗匹配的需求。

发明内容

为此，本发明提供一种基于神经网络的简历和岗位匹配的方法及系统，以力图解决或至少缓解上面存在的问题。

根据本发明的第一个方面，提供了一种简历和岗位匹配的方法，在计算设备中执行，包括步骤：获取标签相关性矩阵，标签相关性矩阵的各元素表示标签集合中两个类别标签之间的相关性，其中，每个简历文本和岗位文本具有标签集合中的至少一个类别标签；将标签相关性矩阵和标签集合输入到标签相关性神经网络中进行处理，生成标签相关性向量；将待匹配的简历文本和岗位文本输入到人岗神经网络中进行处理，生成人岗嵌入向量；对标签相关性向量和人岗嵌入向量进行融合处理，生成融合向量；将融合向量拆分为第一拆分向量和第二拆分向量；以及基于第一拆分向量和第二拆分向量，获取简历文本和岗位文本的人岗匹配度。

可选地，在根据本发明的方法中，获取标签相关性矩阵的步骤包括：获取人岗文本样本集，人岗文本样本集包括多个岗位文本和多个简历文本；对于标签集合中的第一类别标签和第二类别标签，统计第一类别标签在人岗文本样本集中出现的第一次数，以及统计第一类别标签和第二类别标签在人岗文本样本集中共同出现的第二次数；计算第二次数与第一次数之商，得到第一类别标签和第二类别标签的相关性，并将该相关性作为标签相关性矩阵的一个元素。

可选地，在根据本发明的方法中，将标签相关性矩阵和标签集合输入到标签相关性神经网络中进行处理，生成标签相关性向量的步骤包括：将标签相关性矩阵和标签集合输入到第一图卷积神经网络层进行处理,得到第一隐藏向量；将第一隐藏向量输入到第二图卷积神经网络层进行处理，得到第二隐藏向量；将第二隐藏向量输入到第一池化层进行处理，得到第一特征向量；以及将第一特征向量输入到第一全连接层进行处理，得到标签相关性向量。

可选地，在根据本发明的方法中，将标签相关性矩阵和标签集合输入到第一图卷积神经网络层进行处理的步骤包括：将标签集合中的每个类别标签转换为标签向量，得到标签矩阵；将标签相关性矩阵和标签矩阵输入到第一图卷积神经网络层进行处理。