本发明涉及数据处理技术领域，尤其涉及一种人力资源对象分类方法及装置。
背景技术：
人力资源，又称劳动力资源或劳动力，是指能够推动整个经济和社会发展、具有劳动能力的人口总和。人力资源对象包括各行各业的具体职位从业者，例如工程师、产品经理、ui设计师等。
目前，有多种分类算法对数据进行分类，如决策树法、支持向量机(supportvectormachine，简称svm)法、贝叶斯方法等。但是，现有技术中还没有一种对待分类的目标人力资源对象进行精确分类的方法，为待分类的目标人力资源对象的职业发展、职级评定等提供数据依据。
鉴于此，如何对待分类的目标人力资源对象进行精确的分类成为目前需要解决的技术问题。
技术实现要素：
为解决上述的技术问题，本发明提供一种人力资源对象分类方法及装置，能够对人力资源对象进行精确的分类。
第一方面，本发明提供一种人力资源对象分类方法，应用于处理器，包括：
使用已知人力资源对象的特征向量构建人力资源对象分类模型，其中，所述人力资源对象的特征向量包括技能特征向量和职位属性向量；
获取待分类的目标人力资源对象的技能特征向量；
根据所述待分类的目标人力资源对象的技能特征向量和所述人力资源对象分类模型，使用knn算法计算所述待分类的目标人力资源对象的分类结果。
优选地，在所述使用已知人力资源对象的特征向量构建人力资源对象分类模型之前，所述方法还包括：
将已知人力资源对象的特征按照预设格式进行特征化，获得已知人力资源对象的特征向量，其中，所述人力资源对象的特征包括：技能特征和职位属性；
相应地，所述获取待分类的目标人力资源对象的技能特征向量，包括：
将待分类的目标人力资源对象的技能特征按照预设格式进行特征化，获得待分类的目标人力资源对象的技能特征向量。
优选地，所述预设格式为：
[人力资源对象的特征的特征值：所述特征对应的布尔值]；
其中，所述特征对应的布尔值取1或0，1代表true，0代表false。
优选地，所述人力资源对象分类模型，包括：技能特征向量矩阵和职位属性向量矩阵；
相应地，所述使用已知人力资源对象的特征向量构建人力资源对象分类模型，包括：
将所有已知人力资源对象的技能特征向量进行拼接，获得技能特征向量矩阵；
将所有已知人力资源对象的职位属性向量进行拼接，获得职位属性向量矩阵。
优选地，所述根据所述待分类的目标人力资源对象的技能特征向量和所述人力资源对象分类模型，使用knn算法计算所述待分类的目标人力资源对象的分类结果，包括：
获取所述待分类的目标人力资源对象的技能特征向量与所述技能特征向量矩阵中每一个技能特征向量的欧几里得空间距离；
将获得的欧几里得空间距离进行排序；
将排序后的欧几里得空间距离中由大到小的前预设数量个欧几里得空间距离对应的技能特征向量矩阵中的技能特征向量对应的人力资源对象的职位属性向量中的各职位属性进行加和统计；
将加和统计后的各职位属性数量进行排序，获得所述待分类的目标人力资源对象的分类结果。
优选地，所述技能特征向量为：
其中，f0f1…fm为人力资源对象的第1至第m+1个技能特征，取布尔类型1或0，m为人力资源对象的技能特征的数量减去1；
相应地，所述技能特征向量矩阵f为：
其中，p为进行拼接的人力资源对象的技能特征向量的数量减去1；
和/或，
所述职位属性向量为：
其中，r0r1…rn为人力资源对象的第1至第n+1个职位属性，取布尔类型1或0，n为人力资源对象的职位属性的数量减去1；
相应地，所述职位属性向量矩阵r为：
其中，p为进行拼接的人力资源对象的职位属性向量的数量减去1。
优选地，所述获取所述待分类的目标人力资源对象的技能特征向量与所述技能特征向量矩阵中每一个技能特征向量的欧几里得空间距离，包括：
通过第一公式，计算所述待分类的目标人力资源对象的技能特征向量与所述技能特征向量矩阵中每一个技能特征向量的欧几里得空间距离d；
所述第一公式为：
其中，d≥0，xi为待分类的目标人力资源对象的技能特征向量的第i个技能特征的取值，yi为技能特征向量矩阵中待计算的技能特征向量的第i个技能特征的取值，p为技能特征向量矩阵中的技能特征向量的数量减去1。
第二方面，本发明提供一种人力资源对象分类装置，包括：
构建模块，用于使用已知人力资源对象的特征向量构建人力资源对象分类模型，其中，所述人力资源对象的特征向量包括技能特征向量和职位属性向量；
获取模块，用于获取待分类的目标人力资源对象的技能特征向量；
计算模块，用于根据所述待分类的目标人力资源对象的技能特征向量和所述人力资源对象分类模型，使用knn算法计算所述待分类的目标人力资源对象的分类结果。
优选地，所述人力资源对象分类模型，包括：技能特征向量矩阵和职位属性向量矩阵；
相应地，所述构建模块，具体用于
将所有已知人力资源对象的技能特征向量进行拼接，获得技能特征向量矩阵；
将所有已知人力资源对象的职位属性向量进行拼接，获得职位属性向量矩阵。
优选地，所述计算模块，包括：
第一获取单元，用于获取所述待分类的目标人力资源对象的技能特征向量与所述技能特征向量矩阵中每一个技能特征向量的欧几里得空间距离；
排序单元，用于将获得的欧几里得空间距离进行排序；
加和统计单元，用于将排序后的欧几里得空间距离中由大到小的前预设数量个欧几里得空间距离对应的技能特征向量矩阵中的技能特征向量对应的人力资源对象的职位属性向量中的各职位属性进行加和统计；
第二获取单元，用于将加和统计后的各职位属性数量进行排序，获得所述待分类的目标人力资源对象的分类结果。
由上述技术方案可知，本发明的人力资源对象分类方法及装置，通过使用已知人力资源对象的特征向量构建人力资源对象分类模型，其中，所述人力资源对象的特征向量包括技能特征向量和职位属性向量；获取待分类的目标人力资源对象的技能特征向量；根据所述待分类的目标人力资源对象的技能特征向量和人力资源对象分类模型，使用knn算法计算所述待分类的目标人力资源对象的分类结果，能够对人力资源对象进行精确的分类。
附图说明
为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些图获得其他的附图。
图1是本公开一实施例提供的一种人力资源对象分类方法的流程示意图；
图2是图1所示实施例提供的人力资源对象分类方法中步骤s4的进一步具体流程示意图；
图3是本公开另一实施例提供的一种人力资源对象分类装置的结构示意图；
图4是图3所示实施例提供的人力资源对象分类装置中的计算模块的进一步具体结构示意图。
具体实施方式
下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
图1是本公开一实施例提供的一种人力资源对象分类方法的流程示意图，参照图1，本实施例所述方法应用于处理器，该方法包括如下步骤：
s1、使用已知人力资源对象的特征向量构建人力资源对象分类模型，其中，所述人力资源对象的特征向量包括技能特征向量和职位属性向量。
在具体应用中，在所述步骤s1之前，可以通过将已知人力资源对象的特征按照预设格式进行特征化，获得已知人力资源对象的特征向量，其中，所述人力资源对象的特征包括：技能特征和职位属性。
其中，所述预设格式为：
[人力资源对象的特征的特征值：所述特征对应的布尔值]；
其中，所述特征对应的布尔值取1或0，1代表true，0代表false。
举例来说，若某人力资源对象的一技能特征为java技能，且该java技能对应的布尔值为true，则将该技能特征按照所述预设格式特征化后，得到的特征化的技能特征为：[java：true]。
在具体应用中，所述技能特征向量为：
其中，f0f1…fm为人力资源对象的第1至第m+1个技能特征，取布尔类型1或0，m为人力资源对象的技能特征的数量减去1。
在具体应用中，所述职位属性向量为：
其中，r0r1…rn为人力资源对象的第1至第n+1个职位属性，取布尔类型1或0，n为人力资源对象的职位属性的数量减去1。
在具体应用中，所述人力资源对象分类模型，包括：技能特征向量矩阵和职位属性向量矩阵；
相应地，所述步骤s1，可以包括：
将所有已知人力资源对象的技能特征向量进行拼接，获得技能特征向量矩阵f；
将所有已知人力资源对象的职位属性向量进行拼接，获得职位属性向量矩阵。
在具体应用中，所述技能特征向量矩阵f为：
其中，p为进行拼接的人力资源对象的技能特征向量的数量减去1。
在具体应用中，所述职位属性向量矩阵r为：
其中，p为进行拼接的人力资源对象的职位属性向量的数量减去1。
s2、获取待分类的目标人力资源对象的技能特征向量。
在具体应用中，所述步骤s2可以通过将待分类的目标人力资源对象的技能特征按照预设格式进行特征化，获得待分类的目标人力资源对象的技能特征向量，该预设格式与上述步骤s1中的预设格式相同。
s3、根据所述待分类的目标人力资源对象的技能特征向量和所述人力资源对象分类模型，使用knn算法计算所述待分类的目标人力资源对象的分类结果。
在具体应用中，如图2所示，所述步骤s3可以包括步骤p1-p4：
p1、获取所述待分类的目标人力资源对象的技能特征向量与所述技能特征向量矩阵中每一个技能特征向量的欧几里得空间距离。
在具体应用中，在所述步骤p1中，可以通过第一公式，计算所述待分类的目标人力资源对象的技能特征向量与所述技能特征向量矩阵中每一个技能特征向量的欧几里得空间距离d；
所述第一公式为：
其中，d≥0，xi为待分类的目标人力资源对象的技能特征向量的第i个技能特征的取值，yi为技能特征向量矩阵中待计算的技能特征向量的第i个技能特征的取值，技能特征向量矩阵中的技能特征向量的数量为p+1。
p2、将获得的欧几里得空间距离进行排序。
在具体应用中，步骤p2可以按照由大到小或者由小到大将获得的欧几里得空间距离进行排序。
p3、将排序后的欧几里得空间距离中由大到小的前预设数量k个欧几里得空间距离对应的技能特征向量矩阵中的技能特征向量对应的人力资源对象的职位属性向量中的各职位属性进行加和统计。
在具体应用中，k为不大于20的正整数。
p4、将加和统计后的各职位属性数量进行排序，获得所述待分类的目标人力资源对象的分类结果。
在具体应用中，步骤p4可以按照由大到小或者由小到大将加和统计后的各职位属性数量进行排序，获得所述待分类的目标人力资源对象的分类结果。
可以理解的是，knn算法就是k个最近的邻居的意思，每个样本都可以用它最接近的k个邻居来代表。knn算法的核心思想是如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。该方法在确定分类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。knn方法在类别决策时，只与极少量的相邻样本有关。由于knn方法主要靠周围有限的邻近的样本，而不是靠判别类域的方法来确定所属类别的，因此对于类域的交叉或重叠较多的待分样本集来说，knn方法较其他方法更为适合。
需说明的是，本实施例根据目标人力资源对象的技能特征(例如java、android、javascript、react等)向量和所构建的人力资源对象分类模型，可以获取目标人力资源对象的职位属性(例如前端、客户端、ui设计等)向量。
需说明的是，可以根据本实施例所述方法得到的目标人力资源对象的分类结果判断目标人力资源对象对当前职位的匹配程度，判断获知目标人力资源对象是否符合当前职位的要求。例如，某工程师为待分类的目标人力资源对象为，该工程师的技能特征向量为：ui设计、photoshop、产品原型，根据本实施例所述方法获得该工程师的的属性向量为：设计师、ui设计，而该工程师实际从事的职位为产品经理，可判断该工程师是否符合当前职位的要求。
本实施例的人力资源对象分类方法，在处理器中实现，通过使用已知人力资源对象的特征构建人力资源对象分类模型，其中，所述人力资源对象的特征包括技能特征向量和职位属性向量，获取待分类的目标人力资源对象的技能特征向量，根据待分类的目标人力资源对象的技能特征向量和人力资源对象分类模型，使用knn算法计算待分类的目标人力资源对象的分类结果，能够对人力资源对象进行精确的分类，可以根据分类结果判断获知目标人力资源对象是否符合当前职位的要求。本实施例的人力资源对象分类方法可以为该目标人力资源对象的职业发展、职级评定等提供数据依据，可以从数据角度更好的给出人力资源方面的建议。
图3示出了本公开另一实施例提供的一种人力资源对象分类装置的结构示意图，参照图3，该装置包括：构建模块31、获取模块32和计算模块33；其中：
构建模块31，用于使用已知人力资源对象的特征构建人力资源对象分类模型，其中，所述人力资源对象的特征包括技能特征向量和职位属性向量；
获取模块32，用于获取待分类的目标人力资源对象的技能特征向量；
计算模块33，用于根据所述待分类的目标人力资源对象的技能特征向量和所述人力资源对象分类模型，使用knn算法计算所述待分类的目标人力资源对象的分类结果。
在具体应用中，本实施例所述装置还可以包括图中未示出的：
特征向量模块，用于将已知人力资源对象的特征按照预设格式进行特征化，获得已知人力资源对象的特征向量，其中，所述人力资源对象的特征包括：技能特征和职位属性。
在具体应用中，所述预设格式为：
[人力资源对象的特征的特征值：所述特征对应的布尔值]；
其中，所述特征对应的布尔值取1或0，1代表true，0代表false。
在具体应用中，所述获取模块32可以通过将待分类的目标人力资源对象的技能特征按照预设格式进行特征化，获得待分类的目标人力资源对象的技能特征向量。
在具体应用中，所述技能特征向量为：
其中，f0f1…fm为人力资源对象的第1至第m+1个技能特征，取布尔类型1或0，m为人力资源对象的技能特征的数量减去1。
在具体应用中，所述职位属性向量为：
其中，r0r1…rn为人力资源对象的第1至第n+1个职位属性，取布尔类型1或0，n为人力资源对象的职位属性的数量减去1。
在具体应用中，所述人力资源对象分类模型，包括：技能特征向量矩阵和职位属性向量矩阵；
相应地，所述构建模块31，可具体用于
将所有已知人力资源对象的技能特征向量进行拼接，获得技能特征向量矩阵；
将所有已知人力资源对象的职位属性向量进行拼接，获得职位属性向量矩阵。
在具体应用中，所述技能特征向量矩阵f为：
其中，p为进行拼接的人力资源对象的技能特征向量的数量减去1。
在具体应用中，所述职位属性向量矩阵r为：
其中，p为进行拼接的人力资源对象的职位属性向量的数量减去1。
在具体应用中，如图4所示，所述计算模块33，可以包括：
第一获取单元33a，用于获取所述待分类的目标人力资源对象的技能特征向量与所述技能特征向量矩阵中每一个技能特征向量的欧几里得空间距离；
排序单元33b，用于将获得的欧几里得空间距离进行排序；
加和统计单元33c，用于将排序后的欧几里得空间距离中由大到小的前预设数量k个欧几里得空间距离对应的技能特征向量矩阵中的技能特征向量对应的人力资源对象的职位属性向量中的各职位属性进行加和统计；
第二获取单元33d，用于将加和统计后的各职位属性数量进行排序，获得所述待分类的目标人力资源对象的分类结果。
在具体应用中，k为不大于20的正整数。
本实施例的人力资源对象分类装置，通过构建模块使用已知人力资源对象的特征构建人力资源对象分类模型，其中，所述人力资源对象的特征包括技能特征向量和职位属性向量；获取模块获取待分类的目标人力资源对象的技能特征向量；计算模块根据所述待分类的目标人力资源对象的技能特征向量和所述人力资源对象分类模型，使用knn算法计算所述待分类的目标人力资源对象的分类结果，能够实现对人力资源对象进行分类。可以根据分类结果判断获知目标人力资源对象是否符合当前职位的要求，可以为该目标人力资源对象的职业发展、职级评定等提供数据依据，从数据角度更好的给出人力资源方面的建议。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
应当注意的是，在本公开的装置的各个部件中，根据其要实现的功能而对其中的部件进行了逻辑划分，但是，本公开不受限于此，可以根据需要对各个部件进行重新划分或者组合，例如，可以将一些部件组合为单个部件，或者可以将一些部件进一步分解为更多的子部件。
本公开的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器来实现根据本公开实施例的系统中的一些或者全部部件的一些或者全部功能。本公开还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本公开的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本公开进行说明而不是对本公开进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包括”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本公开可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
以上实施方式仅适于说明本公开，而并非对本公开的限制，有关技术领域的普通技术人员，在不脱离本公开的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本公开的范畴，本公开的专利保护范围应由权利要求限定。