[发明专利]一种基于模型融合的岗位推荐方法及装置

说明书

本发明提供一种基于模型融合的岗位推荐方法及装置，包括：将目标个体的目标任职序列输入至少一个基础预测模型，获取由各基础预测模型生成的目标评分矩阵；将所有的目标评分矩阵和目标个体的目标特征表进行拼接融合，确定目标融合特征并输入至岗位匹配模型，确定由岗位匹配模型输出的至少一个推荐岗位。本发明提供的基于模型融合的岗位推荐方法及装置，通过把特征表与两个基础预测模型生成的中间数据做融合，再将特征表输入至岗位匹配模型中，实现对目标个体下一次在每个预设岗位任职的概率进行预测，在召回率和归一化折损累计增益更高，使得预测的岗位更加准确，与人员的符合度更高。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种基于模型融合的岗位推荐方法及装置。

背景技术

现有的干部管理系统大部分只有数据库存储、规则查询等简单功能。

随着推荐系统技术的发展，岗位推荐是推荐系统很重要的应用方向之一。现有的在人岗匹配技术中，根据干部历史履历序列建模，学习干部职位的变化，从而预测干部下一个可能的职位。

上述方法存在推荐岗位不够精准等问题。

发明内容

针对现有技术存在的问题，本发明实施例提供一种基于模型融合的岗位推荐方法及装置。

本发明提供一种基于模型融合的岗位推荐方法，包括：将目标个体的目标任职序列输入至少一个基础预测模型，获取由各基础预测模型生成的目标评分矩阵；

将所有的目标评分矩阵和所述目标个体的目标特征表进行拼接融合，确定目标融合特征；

将所述目标融合特征输入至岗位匹配模型，确定由所述岗位匹配模型输出的至少一个推荐岗位；所述岗位匹配模型是基于样本任职序列的样本融合特征，以及所述样本任职序列对应的岗位标签训练后得到的。

根据本发明提供的一种基于模型融合的岗位推荐方法，基础预测模型是基于神经网络模型构建的；神经网络模型包括马尔科夫链和图神经网络；

基础预测模型是基于样本任职序列，以及样本任职序列对应的岗位标签训练后得到的；基础预测模型用于根据目标任职序列生成的目标评分矩阵；目标评分矩阵包括目标任职序列与各预设岗位的匹配概率。

根据本发明提供的一种基于模型融合的岗位推荐方法，基础预测模型是基于以下方式训练得到的：

从履历数据库中获取多个样本履历数据；

根据所有预设岗位的岗位信息，确定每个预设岗位的岗位类别向量表示，以及每个预设岗位的岗位类别编码；

基于岗位类别编码，根据所有的样本履历数据，确定多个样本任职序列，以及每个样本任职序列对应的岗位标签；

将每个样本任职序列与每个样本任职序列对应的岗位标签的组合，作为一个基础训练样本，获取多个基础训练样本；

利用多个基础训练样本对初始基础模型进行训练，确定基础预测模型。

根据本发明提供的一种基于模型融合的岗位推荐方法，岗位匹配模型是基于以下方式训练得到的：

将所有的基础训练样本输入至至少一个基础预测模型，获取由各基础预测模型生成的样本评分矩阵；样本评分矩阵包括所有的样本任职序列与每个预设岗位的匹配概率；

并基于特征工程，根据每个基础训练样本对应的样本岗位信息、样本个体信息和样本履历数据，获取每个样本任职序列对应的样本个体特征和样本职位特征；

根据所有的样本个体特征和样本职位特征，确定样本特征表；

将各样本评分矩阵和样本特征表进行拼接融合，获取样本融合特征；

利用样本融合特征对初始匹配模型进行训练，确定岗位匹配模型。