基于深度学习模型的简历推荐方法、装置、设备及介质与流程
本申请涉及大数据领域，特别是涉及到基于深度学习模型粗召回的简历推荐方法、装置及设备。
背景技术：
随着互联网技术的不断发展，企业普遍选择通过互联网来寻求合适的候选人，同时候选人通过上传到互联网的简历进行职位筛选，招聘企业会根据职位需求累积非常多的简历。
现平台对简历和职位的匹配推送，基于招聘职位名称或者项目名称的相似度或重合度，向投递者推荐新职位，或向企业推荐合适的简历，该推荐方式过于简单、粗略，推荐的效果较差。
技术实现要素：
本申请的主要目的为提供基于深度学习模型粗召回的简历推荐方法，旨在解决现有简历推荐方式过于简单、粗略，推荐不精准的技术问题。
本申请提出一种基于深度学习模型粗召回的简历推荐方法，包括：
获取当前人力资源用户对应的历史数据特征，其中，所述历史数据特征包括岗位信息特征和/或浏览简历数据的信息特征；
根据所述岗位信息特征和/或浏览简历数据的信息特征，对简历库中的简历进行粗召回，得到粗召回简历集；
根据预设计算方式计算所述粗召回简历集中每个简历分别对应的推荐指数，其中，所述预设计算方式包括依据待筛选简历与所述岗位信息特征计算岗位匹配度，和/或依据待筛选简历与所述浏览简历数据的信息特征计算简历相似度；
按照推荐指数对所述粗召回简历集中所有简历进行排序，形成降序队列或升序队列；
将所述降序排列中的排在靠前位置的指定数量的简历推送至所述当前人力资源用户所在终端；或将所述升序排列中的排在靠后位置的指定数量的简历推送至所述当前人力资源用户所在终端。
优选地，所述历史数据特征包括各待招聘岗位分别对应的岗位信息特征，所述根据所述岗位信息特征和/或浏览简历数据的信息特征，对简历库中的简历进行粗召回，得到粗召回简历集的步骤，包括：
将第一岗位的岗位信息特征与指定简历的简历信息特征进行对比分析，得到对比分析结果，其中，所述指定简历为所述简历库中的任意一简历，所述第一岗位为所有待招聘岗位中的任意一岗位；
将所述对比分析结果输入第一深度学习模型，计算出所述指定简历与所述第一岗位的岗位相关度；
将与所述第一岗位的岗位相关度满足相关度阈值条件的所有简历，形成第一简历集合；
按照所述第一岗位对应的第一简历集合的形成方式，分别形成所有待招聘岗位一一对应的简历集合；
将所有待招聘岗位分别对应的简历集合，作为所述粗召回简历集。
优选地，所述根据预设计算方式计算所述粗召回简历集中每个简历分别对应的推荐指数的步骤，包括：
获取第一简历与各所述待招聘岗位分别对应的岗位匹配度，其中，所述第一简历为所述粗召回简历集中的任意一简历；
根据第一公式分别计算所述第一简历与各所述待招聘岗位的岗位匹配度的最大值，其中，所述第一公式为
将所述第一简历对应的岗位匹配度的最大值，作为所述第一简历对应的推荐指数。
优选地，所述历史数据特征包括浏览简历数据的信息特征，所述根据所述岗位信息特征和/或浏览简历数据的信息特征，对简历库中的简历进行粗召回，得到粗召回简历集的步骤，包括：
汇总指定时间段内所述当前人力资源用户对应浏览和/或收藏的所有简历，并组成第二简历集合；
将所述第二简历集合中各简历分别对应的信息特征，根据简历岗位类别进行分类；
将第一岗位分类对应的信息特征输入至第二深度学习模型，以便从所述简历库中筛选与所述第一岗位分类满足相似阈值的简历集合，其中，所述第一岗位分类为所有简历岗位类中的任一种；
将所有简历岗位类分别对应的简历集合，作为所述粗召回简历集。
优选地，所述根据预设计算方式计算所述粗召回简历集中每个简历分别对应的推荐指数的步骤，包括：
获取第二简历所属的第一子集合，其中，所述第二简历为所述粗召回简历集中的任意一简历，所述第一子集合为所述粗召回简历集中的任意一集合；
根据第二公式计算所述第二简历与第一子集合的简历相关度，其中，所述第二公式为
将所述第二简历与第一子集合的简历相关度，作为所述第二简历对应的推荐指数。
优选地，所述历史数据特征包括岗位信息特征和浏览简历数据的信息特征，所述根据预设计算方式计算所述粗召回简历集中每个简历分别对应的推荐指数的步骤，包括：
获取第三简历分别对应的岗位匹配度的最大值以及简历相关度，其中，所述第三简历为所述粗召回简历集中的简历；
根据第三公式计算所述第三简历分别对应的岗位匹配度的最大值以及简历相关度的加和，得到感兴趣程度值，将所述感兴趣程度值作为所述推荐指数，其中，所述第三公式为
优选地，所述获取第三简历分别对应的岗位匹配度的最大值以及简历相关度的步骤之前，包括：
将所有待招聘岗位对应的第一粗召回简历集，与所有简历岗位类对应的第二粗召回简历集作交集运算，得到交集；
从所述交集中获取任一简历作为所述第三简历。
本申请还提供了一种基于深度学习模型粗召回的简历推荐装置，包括：
获取模块，用于获取当前人力资源用户对应的历史数据特征，其中，所述历史数据特征包括岗位信息特征和/或浏览简历数据的信息特征；
粗召回模块，用于根据所述岗位信息特征和/或浏览简历数据的信息特征，对简历库中的简历进行粗召回，得到粗召回简历集；
计算模块，用于根据预设计算方式计算所述粗召回简历集中每个简历分别对应的推荐指数，其中，所述预设计算方式包括依据待筛选简历与所述岗位信息特征计算岗位匹配度，和/或依据待筛选简历与所述浏览简历数据的信息特征计算简历相似度；
排序模块，用于按照推荐指数对所述粗召回简历集中所有简历进行排序，形成降序队列或升序队列；
推送模块，用于将所述降序排列中的排在靠前位置的指定数量的简历推送至所述当前人力资源用户所在终端；或将所述升序排列中的排在靠后位置的指定数量的简历推送至所述当前人力资源用户所在终端。
本申请还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。
本申请根据人力资源用户的历史数据特征，对简历库中的简历进行挖掘和匹配，实现简历的快速粗召回，并在粗召回简历集上依据浏览简历数据的信息特征和/或岗位信息特征进一步精准计算推荐指数，浏览简历数据的信息特征和/或岗位信息特征包括多维度特征，以便更精准地匹配简历，使人力资源用户获取到更期待得到的简历，实现精准推送。
附图说明
图1本申请一实施例的基于深度学习模型粗召回的简历推荐方法流程示意图；
图2本申请一实施例的基于深度学习模型粗召回的简历推荐系统流程示意图；
图3本申请一实施例的计算机设备内部结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
参照图1，本申请一实施例的基于深度学习模型粗召回的简历推荐方法，包括：
s1：获取当前人力资源用户对应的历史数据特征，其中，所述历史数据特征包括岗位信息特征和/或浏览简历数据的信息特征；
s2：根据所述岗位信息特征和/或浏览简历数据的信息特征，对简历库中的简历进行粗召回，得到粗召回简历集；
s3：根据预设计算方式计算所述粗召回简历集中每个简历分别对应的推荐指数，其中，所述预设计算方式包括依据待筛选简历与所述岗位信息特征计算岗位匹配度，和/或依据待筛选简历与所述浏览简历数据的信息特征计算简历相似度；
s4：按照推荐指数对所述粗召回简历集中所有简历进行排序，形成降序队列或升序队列；
s5：将所述降序排列中的排在靠前位置的指定数量的简历推送至所述当前人力资源用户所在终端；或将所述升序排列中的排在靠后位置的指定数量的简历推送至所述当前人力资源用户所在终端。
步骤s1中，当前人力资源用户指进入平台的hr用户，代表企业单位的注册用户。上述历史数据特征为hr用户自注册以来的所有登录行为的记录，不同的hr用户具有不同的特征，比如有的hr用户登录后，携带待招聘岗位，根据待招聘岗位进行针对性搜索简历数据，有的hr用户登录后，未携带待招聘岗位，仅浏览简历库中的简历数据。上述历史数据特征包括浏览简历数据的信息特征和/或岗位信息特征，其中，浏览简历数据的信息特征比如包括：浏览的简历类型、浏览的简历次数、浏览的简历领域、对已浏览简历的标注信息或对已浏览简历的收藏状态等；岗位信息特征比如包括岗位的学历程度要求、专业要求、工作年限要求、从业行业要求、项目经历要求、工作岗位经历要求、技能要求等。
步骤s2中，粗召回实现过程如下，先汇总当前人力资源用户的特征集合，通过深度学习模型依据特征集合中的特征组合对简历库中的所有简历进行快速扫描，召回简历库中与特征组合的相似度满足预期的简历，形成粗召回简历集。上述深度学习模型依据当前人力资源用户的特征集合的不同，选择不同的模型架构。比如历史数据特征为岗位信息特征时，则使用dfm（deepfactorizationmachine，深度因子分解）模型进行粗召回；历史数据特征为浏览简历数据的信息特征，通过dnn（deepneuralnetworks，深度神经网络）模型进行粗召回，对粗召回简历集实现快速召回。
步骤s3中，预设计算方式根据当前人力资源用户的特征集合的不同也不同，比如历史数据特征为岗位信息特征时，则依据待筛选简历与岗位信息特征的匹配度进行简历筛选与推荐，此时预设计算方式指计算岗位匹配度的对应过程；历史数据特征为浏览简历数据的信息特征，依据待筛选简历与hr用户历史浏览的简历相似度进行简历筛选与推荐，此时预设计算方式指计算简历之间相似度的对应过程。推荐指数指基于深度学习模型粗召回的简历推荐优先度，推荐指数越高，则为应该推荐的简历。比如一简历与某个岗位的岗位匹配度最高，则优先推荐该简历；再比如另一简历与hr用户历史浏览的简历相似度最高，则优先推荐该简历。
步骤s4和s5是根据推荐指数的排序状况，快速确定优先推荐的简历的过程，实现快速精准地推荐，以满足hr用户的招聘所需或符合其爱好。
本申请根据人力资源用户的历史数据特征，对简历库中的简历进行挖掘和匹配，实现简历的快速粗召回，并在粗召回简历集上依据浏览简历数据的信息特征和/或岗位信息特征进一步精准计算推荐指数，浏览简历数据的信息特征和/或岗位信息特征包括多维度特征，以便更精准地匹配简历，使人力资源用户获取到更期待得到的简历，实现精准推送。
进一步地，所述历史数据特征包括各待招聘岗位分别对应的岗位信息特征，所述根据所述岗位信息特征和/或浏览简历数据的信息特征，对简历库中的简历进行粗召回，得到粗召回简历集的步骤s2，包括：
s21：将第一岗位的岗位信息特征与指定简历的简历信息特征进行对比分析，得到对比分析结果，其中，所述指定简历为所述简历库中的任意一简历，所述第一岗位为所有待招聘岗位中的任意一岗位；
s22：将所述对比分析结果输入第一深度学习模型，计算出所述指定简历与所述第一岗位的岗位相关度；
s23：将与所述第一岗位的岗位相关度满足相关度阈值条件的所有简历，形成第一简历集合；
s24：按照所述第一岗位对应的第一简历集合的形成方式，分别形成所有待招聘岗位一一对应的简历集合；
s25：将所有待招聘岗位分别对应的简历集合，作为所述粗召回简历集。
本申请实施例的粗召回目的是找到和hr用户待招聘岗位的有关、存在匹配潜在性的简历。步骤s21中，通过分析提取招聘岗位要求中的岗位信息特征，并与当前分析的简历中的特征按照因子一一对应的方式进行分析对比得到各因子对比结果。步骤s22中，将各因子对比结果输入预训练的深度学习模型dfm中进行计算，得出当前分析的简历与招聘岗位的岗位相关度m。招聘岗位有多个的，可先分别进行粗召回，得到每个岗位分别对应的简历集合，然后再汇总成总的粗召回简历集。上述dfm的预训练过程如下，以hr用户过往招聘过程中通过筛选的简历和不通过筛选的简历分别与对应的岗位组成数据对，并作为训练数据集合，然后随机取其中1/4的数据作为验证数据集。模型输入的入参为岗位信息特征与简历中特征的因子对比结果，因子对比结果比如包括：学历程度匹配情况、专业匹配情况、工作年限匹配情况、从业行业匹配情况、项目经历匹配情况、工作岗位经历匹配情况、技能匹配情况等。上述各因子匹配结果的取值为：1或0，1代表匹配，0代表不匹配。岗位信息特征与简历中特征的因子对比，通过命名实体识别等实现。模型的出参为粗召回过程中的简历与岗位的匹配概率，即简历与招聘岗位的岗位相关度m，m的取值范围：0≤m≤1。模型结构中涉及的结构层数与学习率可根据试验需求不断调整。根据训练后的模型输出的匹配概率，即可依据相关度阈值条件对简历根据招聘岗位需求做分类预测，或者依据岗位相关度m的降序排列的指定数量进行分类，分类包括“通过”和“不通过”两种分类。比如满足相关度阈值条件的为“通过”，或降序排列的top10，top20为“通过”。
进一步地，所述根据预设计算方式计算所述粗召回简历集中每个简历分别对应的推荐指数的步骤s3，包括：
s31：获取第一简历与各所述待招聘岗位分别对应的岗位匹配度，其中，所述第一简历为所述粗召回简历集中的任意一简历；
s32：根据第一公式分别计算所述第一简历与各所述待招聘岗位的岗位匹配度的最大值，其中，所述第一公式为
s33：将所述第一简历对应的岗位匹配度的最大值，作为所述第一简历对应的推荐指数。
本申请实施例在计算依据岗位信息特征的推荐指数时，将待分析简历与当前存在的所有招聘岗位的岗位信息特征分别计算匹配度，然后将最大匹配度作为该待分析简历依据岗位信息特征的推荐指数，提高推荐简历的精准度。hr用户的招聘岗位可能会有很多，也可能存在多种岗位或多种领域的岗位形成岗位集合，岗位集合中每个岗位的岗位信息要求不同。通过计算简历对于hr用户招聘的岗位集合的匹配程度进一步计算，以得到待分析简历a与hr用户待招聘岗位集合b的岗位匹配度的最大值。
进一步地，所述历史数据特征包括浏览简历数据的信息特征，所述根据所述岗位信息特征和/或浏览简历数据的信息特征，对简历库中的简历进行粗召回，得到粗召回简历集的步骤s2，包括：
s201：汇总指定时间段内所述当前人力资源用户对应浏览和/或收藏的所有简历，并组成第二简历集合；
s202：将所述第二简历集合中各简历分别对应的信息特征，根据简历岗位类别进行分类；
s203：将第一岗位分类对应的信息特征输入至第二深度学习模型，以便从所述简历库中筛选与所述第一岗位分类满足相似阈值的简历集合，其中，所述第一岗位分类为所有简历岗位类中的任一种；
s204：将所有简历岗位类分别对应的简历集合，作为所述粗召回简历集。
本申请实施例的粗召回目的是找到与hr用户浏览和/或收藏的所有简历相似的简历。简历中的特征因子通过命名实体识别方式实现，简历中的的特征因子包括有：学历程度、专业匹配、工作年限、项目经历、从业行业、工作岗位经历、技能匹配等。通过对比分析两个简历中的特征因子而计算两个简历之间的简历相似度。上述简历相似度通过预训练的dnn模型计算得到。上述dnn模型的预训练过程如下，筛选hr用户半年时间内浏览和/或收藏的所有简历作为训练集，以相似的简历对作为训练数据。上述训练集中相同岗位的简历视为简历非常相似，两两组成简历对作为正例集合，不同岗位的简历视为简历不相似，两两组成简历对作为反例集合。在正例集合和反例集合中随机取1/4的简历对组成验证数据集。模型输入为上述简历对的特征因子的信息特征，如：学历程度、专业情况、工作年限、从业行业、项目经历、工作岗位经历、技能匹配等。模型输出为简历对之间的相似度或相似概率r，其取值范围：0≤r≤1。模型训练收敛后，模型根据两个简历的是否相似进行分类预测，判定相似则不分类，判定不相似则分类。通过分类将简历库中与hr用户浏览和/或收藏的所有简历相似的简历归为一类，实现粗召回，得到粗召回简历集，使得新手hr用户在没有对应的待招聘岗位时，可依据企业所经营的业务领域等也能实现简历粗召回，进行简历推荐。
进一步地，所述根据预设计算方式计算所述粗召回简历集中每个简历分别对应的推荐指数的步骤s3，包括：
s301：获取第二简历所属的第一子集合，其中，所述第二简历为所述粗召回简历集中的任意一简历，所述第一子集合为所述粗召回简历集中的任意一集合；
s302：根据第二公式计算所述第二简历与第一子集合的简历相关度，其中，所述第二公式为
s303：将所述第二简历与第一子集合的简历相关度，作为所述第二简历对应的推荐指数。
本申请实施例中，hr用户最近浏览或者收藏关注的简历会有很多，其中可能存在多种岗位或多种领域分别对应的简历。因此对上述基于hr用户浏览或收藏过的简历集合进行进一步分类，得到不同岗位或不同领域分别对应的简历集合，作为粗召回简历集中的子集合。简历库中任意一简历与子集合的相似度，根据hr用户的浏览行为特征进行进一步计算。计算过程如下：首先取所有hr用户半年内浏览过的简历集合，及其对于某个简历的浏览次数v、简历的收藏状态c，收藏状态为“收藏”，则取值为1，收藏状态为“未收藏”，则取值为0。hr用户对某简历浏览次数越多，可以反映出hr用户对简历的感兴趣程度越高；hr对某简历执行了收藏，也可以反映出hr对简历感兴趣，且感兴趣程度较高。计算待分析简历a与hr用户浏览/收藏的简历集合b的相似度的计算过程为
进一步地，所述历史数据特征包括岗位信息特征和浏览简历数据的信息特征，所述根据预设计算方式计算所述粗召回简历集中每个简历分别对应的推荐指数的步骤s3，包括：
s311：获取第三简历分别对应的岗位匹配度的最大值以及简历相关度，其中，所述第三简历为所述粗召回简历集中的简历；
s312：根据第三公式计算所述第三简历分别对应的岗位匹配度的最大值以及简历相关度的加和，得到感兴趣程度值，将所述感兴趣程度值作为所述推荐指数，其中，所述第三公式为
本申请实施例中，历史数据特征即包括岗位信息特征，又包括浏览简历数据的信息特征，先根据各自对应的粗召回过程分别得到对应的粗召回简历集，实现简历库中的简历粗召回，召回过程同上所述，不赘述。对于一个简历既要计算岗位匹配度，又要计算与hr用户历史浏览简历的简历相似度，然后将两者叠加作为推荐指数，实现推荐指数的多维度量化，以凸显简历与hr用户的匹配关联性，实现更精准地简历推送。上述岗位匹配度以及与hr用户历史浏览简历的简历相似度的计算过程如上所述，不赘述。
进一步地，所述获取第三简历分别对应的岗位匹配度的最大值以及简历相关度的步骤s311之前，包括：
s3111：将所有待招聘岗位对应的第一粗召回简历集，与所有简历岗位类对应的第二粗召回简历集作交集运算，得到交集；
s3112：从所述交集中获取任一简历作为所述第三简历。
本申请实施例中，历史数据特征即包括岗位信息特征，又包括浏览简历数据的信息特征，但并不意味着两种信息特征必须集中于同一个简历中，也就是说粗召回简历集中即包括根据与待招聘岗位具有岗位匹配度的简历集，也包括根据浏览简历的相似度的简历集，两个简历集可以不具有交集，或具有部分交集，不做限定。本申请通过将岗位匹配度以及与hr用户历史浏览简历的简历相似度叠加前，优选交集部分的简历作为基于深度学习模型粗召回的简历推荐候选集，然后从候选集中再进一步筛选岗位匹配度以及与hr用户历史浏览简历的简历相似度叠加后的较大值者，作为最终的推荐简历，提高简历推荐的精准度。
比如，根据感兴趣程度值i的大小排列进行对简历的推荐，以实现对hr用户的“猜你喜欢”，比如感兴趣程度值从大到小顺序进行排列，然后取降序排列中的前5或前10，展示在对应hr用户的终端界面上。
本申请基于深度学习模型粗召回的简历推荐的过程数据存储于区块链，实现数据共享。区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层。
区块链底层平台可以包括用户管理、基础服务、智能合约以及运营监控等处理模块。其中，用户管理模块负责所有区块链参与者的身份信息管理，包括维护公私钥生成(账户管理)、密钥管理以及用户真实身份和区块链地址对应关系维护(权限管理)等，并且在授权的情况下，监管和审计某些真实身份的交易情况，提供风险控制的规则配置(风控审计)；基础服务模块部署在所有区块链节点设备上，用来验证业务请求的有效性，并对有效请求完成共识后记录到存储上，对于一个新的业务请求，基础服务先对接口适配解析和鉴权处理(接口适配)，然后通过共识算法将业务信息加密(共识管理)，在加密之后完整一致的传输至共享账本上(网络通信)，并进行记录存储；智能合约模块负责合约的注册发行以及合约触发和合约执行，开发人员可以通过某种编程语言定义合约逻辑，发布到区块链上(合约注册)，根据合约条款的逻辑，调用密钥或者其它的事件触发执行，完成合约逻辑，同时还提供对合约升级注销的功能；运营监控模块主要负责产品发布过程中的部署、配置的修改、合约设置、云适配以及产品运行中的实时状态的可视化输出，例如：告警、监控网络情况、监控节点设备健康状态等。
参照图2，本申请一实施例的基于深度学习模型粗召回的简历推荐装置，包括：
获取模块1，用于获取当前人力资源用户对应的历史数据特征，其中，所述历史数据特征包括岗位信息特征和/或浏览简历数据的信息特征；
粗召回模块2，用于根据所述岗位信息特征和/或浏览简历数据的信息特征，对简历库中的简历进行粗召回，得到粗召回简历集；
计算模块3，用于根据预设计算方式计算所述粗召回简历集中每个简历分别对应的推荐指数，其中，所述预设计算方式包括依据待筛选简历与所述岗位信息特征计算岗位匹配度，和/或依据待筛选简历与所述浏览简历数据的信息特征计算简历相似度；
排序模块4，用于按照推荐指数对所述粗召回简历集中所有简历进行排序，形成降序队列或升序队列；
推送模块5，用于将所述降序排列中的排在靠前位置的指定数量的简历推送至所述当前人力资源用户所在终端；或将所述升序排列中的排在靠后位置的指定数量的简历推送至所述当前人力资源用户所在终端。
本申请实施例的相关解释同方法实施例的对应部分，不赘述。
进一步地，所述历史数据特征包括各待招聘岗位分别对应的岗位信息特征，粗召回模块2，包括：
对比单元，用于将第一岗位的岗位信息特征与指定简历的简历信息特征进行对比分析，得到对比分析结果，其中，所述指定简历为所述简历库中的任意一简历，所述第一岗位为所有待招聘岗位中的任意一岗位；
第一计算单元，用于将所述对比分析结果输入第一深度学习模型，计算出所述指定简历与所述第一岗位的岗位相关度；
第一形成单元，用于将与所述第一岗位的岗位相关度满足相关度阈值条件的所有简历，形成第一简历集合；
第二形成单元，用于按照所述第一岗位对应的第一简历集合的形成方式，分别形成所有待招聘岗位一一对应的简历集合；
第一作为单元，用于将所有待招聘岗位分别对应的简历集合，作为所述粗召回简历集。
进一步地，计算模块包括：
第一获取单元，用于获取第一简历与各所述待招聘岗位分别对应的岗位匹配度，其中，所述第一简历为所述粗召回简历集中的任意一简历；
第一运算单元，用于根据第一公式分别计算所述第一简历与各所述待招聘岗位的岗位匹配度的最大值，其中，所述第一公式为
第二作为单元，用于将所述第一简历对应的岗位匹配度的最大值，作为所述第一简历对应的推荐指数。
进一步地，所述历史数据特征包括浏览简历数据的信息特征，粗召回模块2，包括：
汇总单元，用于汇总指定时间段内所述当前人力资源用户对应浏览和/或收藏的所有简历，并组成第二简历集合；
分类单元，用于将所述第二简历集合中各简历分别对应的信息特征，根据简历岗位类别进行分类；
筛选单元，用于将第一岗位分类对应的信息特征输入至第二深度学习模型，以便从所述简历库中筛选与所述第一岗位分类满足相似阈值的简历集合，其中，所述第一岗位分类为所有简历岗位类中的任一种；
第三作为单元，用于将所有简历岗位类分别对应的简历集合，作为所述粗召回简历集。
进一步地，计算模块3包括：
第二获取单元，用于获取第二简历所属的第一子集合，其中，所述第二简历为所述粗召回简历集中的任意一简历，所述第一子集合为所述粗召回简历集中的任意一集合；
第二计算单元，用于根据第二公式计算所述第二简历与第一子集合的简历相关度，其中，所述第二公式为
第四作为单元，用于将所述第二简历与第一子集合的简历相关度，作为所述第二简历对应的推荐指数。
进一步地，所述历史数据特征包括岗位信息特征和浏览简历数据的信息特征，计算模块3包括：
第三获取单元，用于获取第三简历分别对应的岗位匹配度的最大值以及简历相关度，其中，所述第三简历为所述粗召回简历集中的简历；
第三计算单元，用于根据第三公式计算所述第三简历分别对应的岗位匹配度的最大值以及简历相关度的加和，得到感兴趣程度值，将所述感兴趣程度值作为所述推荐指数，其中，所述第三公式为
进一步地，计算模块3包括：
第二运算单元，用于将所有待招聘岗位对应的第一粗召回简历集，与所有简历岗位类对应的第二粗召回简历集作交集运算，得到交集；
第六作为单元，用于从所述交集中获取任一简历作为所述第三简历。
参照图3，本申请实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储基于深度学习模型粗召回的简历推荐过程需要的所有数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现基于深度学习模型粗召回的简历推荐方法。
上述处理器执行上述基于深度学习模型粗召回的简历推荐方法，包括：获取当前人力资源用户对应的历史数据特征，其中，所述历史数据特征包括岗位信息特征和/或浏览简历数据的信息特征；根据所述岗位信息特征和/或浏览简历数据的信息特征，对简历库中的简历进行粗召回，得到粗召回简历集；根据预设计算方式计算所述粗召回简历集中每个简历分别对应的推荐指数，其中，所述预设计算方式包括依据待筛选简历与所述岗位信息特征计算岗位匹配度，和/或依据待筛选简历与所述浏览简历数据的信息特征计算简历相似度；按照推荐指数对所述粗召回简历集中所有简历进行排序，形成降序队列或升序队列；将所述降序排列中的排在靠前位置的指定数量的简历推送至所述当前人力资源用户所在终端；或将所述升序排列中的排在靠后位置的指定数量的简历推送至所述当前人力资源用户所在终端。
上述计算机设备，根据人力资源用户的历史数据特征，对简历库中的简历进行挖掘和匹配，实现简历的快速粗召回，并在粗召回简历集上通过进一步计算推荐指数，获取人力资源用户更期待得到的简历，实现精准推送。
在一个实施例中，所述历史数据特征包括各待招聘岗位分别对应的岗位信息特征，上述处理器根据所述岗位信息特征和/或浏览简历数据的信息特征，对简历库中的简历进行粗召回，得到粗召回简历集的步骤，包括：将第一岗位的岗位信息特征与指定简历的简历信息特征进行对比分析，得到对比分析结果，其中，所述指定简历为所述简历库中的任意一简历，所述第一岗位为所有待招聘岗位中的任意一岗位；将所述对比分析结果输入第一深度学习模型，计算出所述指定简历与所述第一岗位的岗位相关度；将与所述第一岗位的岗位相关度满足相关度阈值条件的所有简历，形成第一简历集合；按照所述第一岗位对应的第一简历集合的形成方式，分别形成所有待招聘岗位一一对应的简历集合；将所有待招聘岗位分别对应的简历集合，作为所述粗召回简历集。
在一个实施例中，上述处理器根据预设计算方式计算所述粗召回简历集中每个简历分别对应的推荐指数的步骤，包括：获取第一简历与各所述待招聘岗位分别对应的岗位匹配度，其中，所述第一简历为所述粗召回简历集中的任意一简历；根据第一公式分别计算所述第一简历与各所述待招聘岗位的岗位匹配度的最大值，其中，所述第一公式为
在一个实施例中，所述历史数据特征包括浏览简历数据的信息特征，上述处理器根据所述岗位信息特征和/或浏览简历数据的信息特征，对简历库中的简历进行粗召回，得到粗召回简历集的步骤，包括：汇总指定时间段内所述当前人力资源用户对应浏览和/或收藏的所有简历，并组成第二简历集合；将所述第二简历集合中各简历分别对应的信息特征，根据简历岗位类别进行分类；将第一岗位分类对应的信息特征输入至第二深度学习模型，以便从所述简历库中筛选与所述第一岗位分类满足相似阈值的简历集合，其中，所述第一岗位分类为所有简历岗位类中的任一种；将所有简历岗位类分别对应的简历集合，作为所述粗召回简历集。
在一个实施例中，上述处理器根据预设计算方式计算所述粗召回简历集中每个简历分别对应的推荐指数的步骤，包括：获取第二简历所属的第一子集合，其中，所述第二简历为所述粗召回简历集中的任意一简历，所述第一子集合为所述粗召回简历集中的任意一集合；根据第二公式计算所述第二简历与第一子集合的简历相关度，其中，所述第二公式为
在一个实施例中，所述历史数据特征包括岗位信息特征和浏览简历数据的信息特征，上述处理器根据预设计算方式计算所述粗召回简历集中每个简历分别对应的推荐指数的步骤，包括：获取第三简历分别对应的岗位匹配度的最大值以及简历相关度，其中，所述第三简历为所述粗召回简历集中的简历；根据第三公式计算所述第三简历分别对应的岗位匹配度的最大值以及简历相关度的加和，得到感兴趣程度值，将所述感兴趣程度值作为所述推荐指数，其中，所述第三公式为
在一个实施例中，上述处理器获取第三简历分别对应的岗位匹配度的最大值以及简历相关度的步骤之前，包括：将所有待招聘岗位对应的第一粗召回简历集，与所有简历岗位类对应的第二粗召回简历集作交集运算，得到交集；从所述交集中获取任一简历作为所述第三简历。
本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现基于深度学习模型粗召回的简历推荐方法，包括：获取当前人力资源用户对应的历史数据特征，其中，所述历史数据特征包括岗位信息特征和/或浏览简历数据的信息特征；根据所述岗位信息特征和/或浏览简历数据的信息特征，对简历库中的简历进行粗召回，得到粗召回简历集；根据预设计算方式计算所述粗召回简历集中每个简历分别对应的推荐指数，其中，所述预设计算方式包括依据待筛选简历与所述岗位信息特征计算岗位匹配度，和/或依据待筛选简历与所述浏览简历数据的信息特征计算简历相似度；按照推荐指数对所述粗召回简历集中所有简历进行排序，形成降序队列或升序队列；将所述降序排列中的排在靠前位置的指定数量的简历推送至所述当前人力资源用户所在终端；或将所述升序排列中的排在靠后位置的指定数量的简历推送至所述当前人力资源用户所在终端。
上述计算机可读存储介质，根据人力资源用户的历史数据特征，对简历库中的简历进行挖掘和匹配，实现简历的快速粗召回，并在粗召回简历集上通过进一步计算推荐指数，获取人力资源用户更期待得到的简历，实现精准推送。
在一个实施例中，所述历史数据特征包括各待招聘岗位分别对应的岗位信息特征，上述处理器根据所述岗位信息特征和/或浏览简历数据的信息特征，对简历库中的简历进行粗召回，得到粗召回简历集的步骤，包括：将第一岗位的岗位信息特征与指定简历的简历信息特征进行对比分析，得到对比分析结果，其中，所述指定简历为所述简历库中的任意一简历，所述第一岗位为所有待招聘岗位中的任意一岗位；将所述对比分析结果输入第一深度学习模型，计算出所述指定简历与所述第一岗位的岗位相关度；将与所述第一岗位的岗位相关度满足相关度阈值条件的所有简历，形成第一简历集合；按照所述第一岗位对应的第一简历集合的形成方式，分别形成所有待招聘岗位一一对应的简历集合；将所有待招聘岗位分别对应的简历集合，作为所述粗召回简历集。
在一个实施例中，上述处理器根据预设计算方式计算所述粗召回简历集中每个简历分别对应的推荐指数的步骤，包括：获取第一简历与各所述待招聘岗位分别对应的岗位匹配度，其中，所述第一简历为所述粗召回简历集中的任意一简历；根据第一公式分别计算所述第一简历与各所述待招聘岗位的岗位匹配度的最大值，其中，所述第一公式为
在一个实施例中，所述历史数据特征包括浏览简历数据的信息特征，上述处理器根据所述岗位信息特征和/或浏览简历数据的信息特征，对简历库中的简历进行粗召回，得到粗召回简历集的步骤，包括：汇总指定时间段内所述当前人力资源用户对应浏览和/或收藏的所有简历，并组成第二简历集合；将所述第二简历集合中各简历分别对应的信息特征，根据简历岗位类别进行分类；将第一岗位分类对应的信息特征输入至第二深度学习模型，以便从所述简历库中筛选与所述第一岗位分类满足相似阈值的简历集合，其中，所述第一岗位分类为所有简历岗位类中的任一种；将所有简历岗位类分别对应的简历集合，作为所述粗召回简历集。
在一个实施例中，上述处理器根据预设计算方式计算所述粗召回简历集中每个简历分别对应的推荐指数的步骤，包括：获取第二简历所属的第一子集合，其中，所述第二简历为所述粗召回简历集中的任意一简历，所述第一子集合为所述粗召回简历集中的任意一集合；根据第二公式计算所述第二简历与第一子集合的简历相关度，其中，所述第二公式为
在一个实施例中，所述历史数据特征包括岗位信息特征和浏览简历数据的信息特征，上述处理器根据预设计算方式计算所述粗召回简历集中每个简历分别对应的推荐指数的步骤，包括：获取第三简历分别对应的岗位匹配度的最大值以及简历相关度，其中，所述第三简历为所述粗召回简历集中的简历；根据第三公式计算所述第三简历分别对应的岗位匹配度的最大值以及简历相关度的加和，得到感兴趣程度值，将所述感兴趣程度值作为所述推荐指数，其中，所述第三公式为
在一个实施例中，上述处理器获取第三简历分别对应的岗位匹配度的最大值以及简历相关度的步骤之前，包括：将所有待招聘岗位对应的第一粗召回简历集，与所有简历岗位类对应的第二粗召回简历集作交集运算，得到交集；从所述交集中获取任一简历作为所述第三简历。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，上述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器（rom）、可编程rom（prom）、电可编程rom（eprom）、电可擦除可编程rom（eeprom）或闪存。易失性存储器可包括随机存取存储器（ram）或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram（sram）、动态ram（dram）、同步dram（sdram）、双速据率sdram（ssrsdram）、增强型sdram（esdram）、同步链路（synchlink）dram（sldram）、存储器总线（rambus）直接ram（rdram）、直接存储器总线动态ram（drdram）、以及存储器总线动态ram（rdram）等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
- 还没有人留言评论。精彩留言会获得点赞！