本發(fā)明涉及數(shù)據(jù)處理，更具體地說，本發(fā)明涉及一種基于大數(shù)據(jù)分析的精準(zhǔn)匹配招聘系統(tǒng)。

背景技術(shù)：

1、隨著企業(yè)規(guī)模的擴(kuò)大和行業(yè)競(jìng)爭(zhēng)的加劇，招聘過程變得愈發(fā)復(fù)雜和耗時(shí)，特別是在涉及大規(guī)模招聘和多崗位招聘時(shí)，傳統(tǒng)的招聘流程通常依賴于人力資源部門的手動(dòng)篩選，這不僅耗時(shí)耗力，而且很難實(shí)現(xiàn)高效和精確的人崗匹配，特別是在大規(guī)模招聘活動(dòng)中；而且傳統(tǒng)招聘方法往往無法有效識(shí)別和處理多個(gè)職能相近崗位的招聘信息，導(dǎo)致簡(jiǎn)歷篩選重復(fù)、人員面試重復(fù)等問題，不僅浪費(fèi)了企業(yè)的時(shí)間和資源，也降低了招聘的效率和準(zhǔn)確性。

2、在人力資源管理中，如何在海量的求職者中快速、準(zhǔn)確地匹配出最適合崗位需求的候選人，成為企業(yè)提升招聘效率和競(jìng)爭(zhēng)力的關(guān)鍵；然而，現(xiàn)有的基于大數(shù)據(jù)分析的招聘系統(tǒng)大多集中在提高簡(jiǎn)歷匹配率上，而在面對(duì)大規(guī)模招聘、多個(gè)職能相近崗位的情況下，這些系統(tǒng)往往顯得力不從心，無法有效解決簡(jiǎn)歷重復(fù)篩選、候選人重復(fù)面試的問題；同時(shí)，現(xiàn)有技術(shù)缺乏智能化的手段來精確識(shí)別和匹配多個(gè)崗位與候選人之間的關(guān)系，難以滿足企業(yè)對(duì)高效、精準(zhǔn)招聘的迫切需求。

技術(shù)實(shí)現(xiàn)思路

1、為了克服現(xiàn)有技術(shù)的上述缺陷，本發(fā)明的實(shí)施例提供基于大數(shù)據(jù)分析的精準(zhǔn)匹配招聘系統(tǒng)。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

3、一種基于大數(shù)據(jù)分析的精準(zhǔn)匹配招聘系統(tǒng)，所述系統(tǒng)包括：

4、特征篩選模塊，用于加載企業(yè)所有招聘崗位的描述文檔，利用tf-idf方法從描述文檔中篩選出共有詞集和每個(gè)招聘崗位的特有詞集；所述共有詞集包含p個(gè)共有詞，所述特有詞集包含q個(gè)特有詞，p、q∈n+，n+為正整數(shù)；

5、崗位篩選模塊，用于依據(jù)共有詞集從所有招聘崗位中篩選出目標(biāo)崗位集；所述目標(biāo)崗位集中包含k個(gè)崗位職能趨近的目標(biāo)崗位，k∈n+，n+為正整數(shù)；

6、匹配判斷模塊，用于調(diào)取求職者的待匹配簡(jiǎn)歷以及待匹配簡(jiǎn)歷中的關(guān)鍵詞集，以及提取目標(biāo)崗位的共有詞集和特有詞集，將關(guān)鍵詞集、共有詞集和特有詞集輸入至預(yù)訓(xùn)練好用于判斷人崗匹配是否一致的卷積神經(jīng)網(wǎng)絡(luò)中，得到判斷結(jié)果；所述判斷結(jié)果包括待匹配簡(jiǎn)歷與目標(biāo)崗位不適配，或待匹配簡(jiǎn)歷與目標(biāo)崗位相適配中的一種；所述關(guān)鍵詞集包含l個(gè)關(guān)鍵詞，l∈n+，n+為正整數(shù)；

7、人崗匹配模塊，用于根據(jù)判斷結(jié)果從目標(biāo)崗位集中歸納出所有與求職者相適配的崗位合集；所述崗位合集中包含與求職者相適配的r個(gè)匹配崗位，r∈n+，n+為正整數(shù)。

8、進(jìn)一步地，在篩選出每個(gè)招聘崗位的共有詞集和特有詞集之前，包括：

9、a1：對(duì)所有招聘崗位的描述文檔進(jìn)行分詞處理，并在剔除無實(shí)義字符，得到s個(gè)預(yù)處理后的描述文檔，在每個(gè)預(yù)處理后的描述文檔中包括m個(gè)詞組，s、m∈n+，n+為正整數(shù)；

10、a2：提取第i個(gè)預(yù)處理后的描述文檔中的第j詞組，i、j∈n+，n+為正整數(shù)；

11、a3：將第j詞組輸入預(yù)訓(xùn)練好用于預(yù)測(cè)信息增益的決策樹模型中，以獲取第j詞組的信息增益值；

12、a4：將第j詞組的信息增益值與預(yù)設(shè)的信息增益值閾值進(jìn)行比對(duì)，若信息增益值小于等于信息增益值閾值，則將第j詞組從第i個(gè)預(yù)處理后的描述文檔中剔除，并令i=i+1，并返回步驟a2；若信息增益值大于信息增益值閾值，則保留第i個(gè)預(yù)處理后的描述文檔中的第j詞組，并令i=i+1，并返回步驟a2；

13、a5：重復(fù)上述步驟a2～a4，直至i=m時(shí)，結(jié)束循環(huán)，得到第i個(gè)更新后的描述文檔，所述更新后的描述文檔中包含n個(gè)詞組，并令j=j+1，并返回步驟a2；n≤m，n∈n+，n+為正整數(shù)；

14、a6：重復(fù)上述步驟a2～a5，直至j=s時(shí)，結(jié)束循環(huán)，得到s個(gè)更新后的描述文檔。

15、進(jìn)一步地，所述用于預(yù)測(cè)信息增益的決策樹模型的訓(xùn)練邏輯如下：

16、獲取歷史信息增益值訓(xùn)練數(shù)據(jù)，將歷史信息增益值訓(xùn)練數(shù)據(jù)劃分為信息增益值訓(xùn)練集和信息增益值測(cè)試集；所述歷史信息增益值訓(xùn)練數(shù)據(jù)包括多個(gè)向量形式的詞組及其對(duì)應(yīng)的信息增益值；

17、構(gòu)建決策樹網(wǎng)絡(luò)，將信息增益值訓(xùn)練集中向量形式的詞組作為決策樹網(wǎng)絡(luò)的輸入，以及將信息增益值訓(xùn)練集中的信息增益值作為決策樹網(wǎng)絡(luò)的輸出，對(duì)決策樹網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到初始化的決策樹回歸網(wǎng)絡(luò)；

18、利用信息增益值測(cè)試集對(duì)初始化的決策樹回歸網(wǎng)絡(luò)進(jìn)行模型驗(yàn)證，輸出小于等于預(yù)設(shè)誤差閾值的初始化的決策樹回歸網(wǎng)絡(luò)，作為用于預(yù)測(cè)信息增益的決策樹模型。

19、進(jìn)一步地，所述歷史信息增益值訓(xùn)練數(shù)據(jù)中的信息增益值，通過信息增益度量方法處理得到；

20、其中，所述信息增益度量方法的處理邏輯如下：

21、獲取歷史崗位匹配樣本數(shù)據(jù)，所述歷史崗位匹配樣本數(shù)據(jù)包括u個(gè)崗位匹配樣本，在每個(gè)崗位匹配樣本中均包括多個(gè)特征詞及其對(duì)應(yīng)的分類標(biāo)簽（目標(biāo)變量），所述分類標(biāo)簽（目標(biāo)變量）包括匹配和不匹配，u∈n+，n+為正整數(shù)；

22、根據(jù)u個(gè)崗位匹配樣本計(jì)算初始熵，其具體計(jì)算公式如下：

23、；

24、式中：表示初始熵，表示分類標(biāo)簽（目標(biāo)變量）的類別數(shù)量，表示第r個(gè)類別分類標(biāo)簽（目標(biāo)變量）的概率；

25、計(jì)算特征詞的條件熵，其具體計(jì)算公式如下：

26、；

27、式中：表示條件熵，表示包含特征詞的可能取值數(shù)量，表示包含特征詞取值為的條件概率，表示包含特征詞取值為時(shí)，分類標(biāo)簽（目標(biāo)變量）的熵；

28、計(jì)算信息增益值，其具體計(jì)算公式如下：

29、；

30、式中：表示信息增益值。

31、進(jìn)一步地，所述從描述文檔中篩選出共有詞集，包括：

32、獲取更新后的描述文檔中的每個(gè)詞組，并計(jì)算每個(gè)詞組的df值；

33、提取df值大于等于預(yù)設(shè)df閾值的對(duì)應(yīng)詞組，將df值大于等于預(yù)設(shè)df閾值的對(duì)應(yīng)詞組標(biāo)記為共有詞，得到p個(gè)共有詞，并將p個(gè)共有詞融合為共有詞集。

34、進(jìn)一步地，所述從描述文檔中篩選出每個(gè)招聘崗位的特有詞集，包括：

35、b1：提取第g個(gè)招聘崗位對(duì)應(yīng)更新后的描述文檔；并計(jì)算更新后的描述文檔中每個(gè)詞組的tf-idf值，g∈n+，n+為正整數(shù)；

36、b2：將每個(gè)詞組的tf-idf值與預(yù)設(shè)tf-idf閾值進(jìn)行比對(duì)，若tf-idf值大于等于預(yù)設(shè)tf-idf閾值，則將對(duì)應(yīng)的詞組標(biāo)記為特有詞；若tf-idf值大小于預(yù)設(shè)tf-idf閾值，則令g=g+1，并返回步驟b1；

37、b3：統(tǒng)計(jì)第g個(gè)招聘崗位的所有特有詞，得到第g個(gè)招聘崗位的q個(gè)特有詞，將第g個(gè)招聘崗位的q個(gè)特有詞融合為特有詞集，則得到第g個(gè)招聘崗位的特有詞集，并令g=g+1，并返回步驟b1；

38、b4：重復(fù)上述步驟b1～b3，直至所有招聘崗位被篩選時(shí)，結(jié)束循環(huán)，得到每個(gè)招聘崗位的特有詞集。

39、進(jìn)一步地，所述從所有招聘崗位中篩選出目標(biāo)崗位集，包括：

40、提取所有招聘崗位更新后的描述文檔，并提取更新后的描述文檔中共有詞的出現(xiàn)數(shù)量；

41、將共有詞的出現(xiàn)數(shù)量與預(yù)設(shè)出現(xiàn)數(shù)量閾值進(jìn)行比對(duì)，若出現(xiàn)數(shù)量與大于等于預(yù)設(shè)出現(xiàn)數(shù)量閾值，則將更新后的描述文檔對(duì)應(yīng)的招聘崗位，標(biāo)記為崗位職能趨近的目標(biāo)崗位；若出現(xiàn)數(shù)量與小于預(yù)設(shè)出現(xiàn)數(shù)量閾值，則將更新后的描述文檔對(duì)應(yīng)的招聘崗位，標(biāo)記為非目標(biāo)崗位；

42、統(tǒng)計(jì)所有出現(xiàn)數(shù)量與大于等于預(yù)設(shè)出現(xiàn)數(shù)量閾值的對(duì)應(yīng)招聘崗位，得到k個(gè)崗位職能趨近的目標(biāo)崗位，并將k個(gè)崗位職能趨近的目標(biāo)崗位融合為目標(biāo)崗位集。

43、進(jìn)一步地，所述用于判斷人崗匹配是否一致的卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練邏輯如下：

44、獲取歷史人崗匹配訓(xùn)練數(shù)據(jù)，將歷史人崗匹配訓(xùn)練數(shù)據(jù)劃分為人崗匹配訓(xùn)練集和人崗匹配測(cè)試集，所述歷史人崗匹配訓(xùn)練數(shù)據(jù)包括人崗匹配特征數(shù)據(jù)及其對(duì)應(yīng)的標(biāo)注標(biāo)簽；

45、其中，所述人崗匹配特征數(shù)據(jù)包括待匹配簡(jiǎn)歷中的關(guān)鍵詞集、目標(biāo)崗位的共有詞集和特有詞集；所述標(biāo)注標(biāo)簽包括“0”和“1”，其中，“0”表示待匹配簡(jiǎn)歷與目標(biāo)崗位不適配，“1”表示待匹配簡(jiǎn)歷與目標(biāo)崗位相適配；

46、其中，所述歷史人崗匹配訓(xùn)練數(shù)據(jù)中標(biāo)注標(biāo)簽的生成邏輯如下：

47、將待匹配簡(jiǎn)歷的關(guān)鍵詞集與目標(biāo)崗位的共有詞集進(jìn)行相似度計(jì)算，得到第一相似度；

48、將待匹配簡(jiǎn)歷的關(guān)鍵詞集與目標(biāo)崗位的特有詞集進(jìn)行相似度計(jì)算，得到第二相似度；

49、將第一相似度和第二相似度代入預(yù)構(gòu)建的數(shù)學(xué)計(jì)算模型中，得到待匹配簡(jiǎn)歷與目標(biāo)崗位的匹配系數(shù)；

50、其中，所述數(shù)學(xué)計(jì)算模型的表達(dá)式如下：

51、；

52、式中：表示待匹配簡(jiǎn)歷與目標(biāo)崗位的匹配系數(shù)，表示第一相似度，表示第二相似度，和表示大于零的權(quán)重因子，；

53、將匹配系數(shù)與預(yù)設(shè)的匹配系數(shù)閾值進(jìn)行比對(duì)，若匹配系數(shù)大于等于匹配系數(shù)閾值，則判定待匹配簡(jiǎn)歷與對(duì)應(yīng)的目標(biāo)崗位相適配；若匹配系數(shù)小于匹配系數(shù)閾值，則判定待匹配簡(jiǎn)歷與對(duì)應(yīng)的目標(biāo)崗位不適配；

54、構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)，將人崗匹配訓(xùn)練集中人崗匹配特征數(shù)據(jù)作為卷積神經(jīng)網(wǎng)絡(luò)的輸入，以及將人崗匹配訓(xùn)練集中的標(biāo)注標(biāo)簽作為卷積神經(jīng)網(wǎng)絡(luò)的輸出，對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到初始卷積神經(jīng)網(wǎng)絡(luò)；

55、利用人崗匹配測(cè)試集對(duì)初始卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行模型驗(yàn)證，輸出大于等于預(yù)設(shè)測(cè)試準(zhǔn)確度的初始卷積神經(jīng)網(wǎng)絡(luò)，作為用于判斷人崗匹配是否一致的卷積神經(jīng)網(wǎng)絡(luò)。

56、進(jìn)一步地，所述從目標(biāo)崗位集中歸納出所有與求職者相適配的崗位合集，包括：

57、統(tǒng)計(jì)目標(biāo)崗位集中所有與待匹配簡(jiǎn)歷相適配的目標(biāo)崗位；

58、將所有與待匹配簡(jiǎn)歷相適配的目標(biāo)崗位，標(biāo)記與求職者相適配的匹配崗位，得到r個(gè)匹配崗位。

59、一種基于大數(shù)據(jù)分析的精準(zhǔn)匹配招聘方法，根據(jù)上述所述的基于大數(shù)據(jù)分析的精準(zhǔn)匹配招聘系統(tǒng)實(shí)現(xiàn)，所述方法包括：

60、加載企業(yè)所有招聘崗位的描述文檔，利用tf-idf方法從描述文檔中篩選出共有詞集和每個(gè)招聘崗位的特有詞集；所述共有詞集包含p個(gè)共有詞，所述特有詞集包含q個(gè)特有詞，p、q∈n+，n+為正整數(shù)；

61、依據(jù)共有詞集從所有招聘崗位中篩選出目標(biāo)崗位集；所述目標(biāo)崗位集中包含k個(gè)崗位職能趨近的目標(biāo)崗位，k∈n+，n+為正整數(shù)；

62、調(diào)取求職者的待匹配簡(jiǎn)歷以及待匹配簡(jiǎn)歷中的關(guān)鍵詞集，以及提取目標(biāo)崗位的共有詞集和特有詞集，將關(guān)鍵詞集、共有詞集和特有詞集輸入至預(yù)訓(xùn)練好用于判斷人崗匹配是否一致的卷積神經(jīng)網(wǎng)絡(luò)中，得到判斷結(jié)果；所述判斷結(jié)果包括待匹配簡(jiǎn)歷與目標(biāo)崗位不適配，或待匹配簡(jiǎn)歷與目標(biāo)崗位相適配中的一種；所述關(guān)鍵詞集包含l個(gè)關(guān)鍵詞，l∈n+，n+為正整數(shù)；

63、根據(jù)判斷結(jié)果從目標(biāo)崗位集中歸納出所有與求職者相適配的崗位合集；所述崗位合集中包含與求職者相適配的r個(gè)匹配崗位，r∈n+，n+為正整數(shù)。

64、相比于現(xiàn)有技術(shù)，本發(fā)明的有益效果在于：

65、（1）本技術(shù)公開了一種基于大數(shù)據(jù)分析的精準(zhǔn)匹配招聘系統(tǒng)，包括：加載企業(yè)所有招聘崗位的描述文檔，利用tf-idf方法從描述文檔中篩選出共有詞集和每個(gè)招聘崗位的特有詞集；依據(jù)共有詞集從所有招聘崗位中篩選出目標(biāo)崗位集；調(diào)取求職者的待匹配簡(jiǎn)歷以及待匹配簡(jiǎn)歷中的關(guān)鍵詞集，以及提取目標(biāo)崗位的共有詞集和特有詞集，將關(guān)鍵詞集、共有詞集和特有詞集輸入至預(yù)訓(xùn)練好用于判斷人崗匹配是否一致的卷積神經(jīng)網(wǎng)絡(luò)中，得到判斷結(jié)果；根據(jù)判斷結(jié)果從目標(biāo)崗位集中歸納出所有與求職者相適配的崗位合集；基于上述內(nèi)容，本發(fā)明能自動(dòng)化處理多個(gè)職能相近的崗位，避免了簡(jiǎn)歷的重復(fù)篩選和候選人的重復(fù)面試，顯著減少了人力資源管理中的冗余工作；相比傳統(tǒng)的“一對(duì)一”招聘方式，本系統(tǒng)能夠一次性處理多個(gè)崗位的需求，大大提高了招聘流程的效率和速度。

66、（2）本技術(shù)公開了一種基于大數(shù)據(jù)分析的精準(zhǔn)匹配招聘系統(tǒng)，通過加快招聘流程并確保匹配精度，企業(yè)能夠更快地找到合適的員工，縮短招聘周期，適合于大規(guī)模企業(yè)的多崗位招聘需求，能夠有效處理多個(gè)招聘部門的不同需求，確保企業(yè)能夠迅速獲取所需的人才；此外，通過減少簡(jiǎn)歷重復(fù)篩選和面試次數(shù)，大大節(jié)省了招聘時(shí)間和人力資源成本。