一种基于自然语义分析技术的简历智能推荐算法的制作方法

本发明涉及简历信息检索的相关领域，具体为一种基于自然语义分析技术的简历智能推荐算法。

背景技术：

随着企业间人才竞争的不断加剧，如何在合理预算范围内更快更准地找到人才，已成为企业愈发关注的议题，也是企业人力资源部门（hr）面临的主要挑战，在这些挑战中，比较显著的痛点包括：a.对招聘需求的理解：对企业hr而言，要提升招聘绩效，首要的任务就是要能深刻理解用人部门的招聘需求，不同背景、不同经验的hr，往往在招聘需求的理解上存在差异，而如果需求理解不到位，不仅浪费hr的简历筛选时间，同时还会浪费用人部门的面试时间，进而降低用人部门对hr的招聘满意度。b.简历筛选消耗hr大量时间：在招聘过程中，hr大量的时间都是花在简历筛选上，人工筛选简历，简历平均通过率在20%左右，这意味着浏览100份简历，有可能只有20份合适的，而这20份合适的简历，进行电话沟通后，有可能只有5个候选人愿意接受面试，实际到面的也许只有2-3人，这样的招聘漏斗使得hr每天不得不疲于奔命地不断大量筛选简历，而不能投入足够的精力在相对精准的人才识别上。c.企业自身的人才库不能很好的利用起来：企业在招聘过程中积累了大量经过筛选、留下面试评价的简历，其中不少简历岗位匹配度较高，但因为各种原因没有接受offer的，随着企业的发展与候选人经验的不断提升，人才库中的简历其实是一个重要的招聘渠道来源，但由于缺乏高效的技术手段，企业hr的精力基本上只能顾及从各大招聘渠道新获取的简历，而不能有效利用更具价值的企业人才库。

经过以上分析，目前招聘的效率不高，主要原因在候选人和企业不能很好的匹配，求职者需要在不同的招聘网站投递职位，而且相同的职位有好几十上百页，由于信息大致相同，候选人为了省事，因此简历“海投”，公司hr则“海选”，双方都费时费力，效率低下。

技术实现要素：

本发明的目的在于提供一种基于自然语义分析技术的简历智能推荐算法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于自然语义分析技术的简历智能推荐算法，包括如下算法步骤：

基础数据平台：搭建职位、简历所涉及到的基础数据平台，持续将职位、简历中的行业、公司、标准职位名称、学校、专业、语言、技能、专业词汇等信息维护进入平台中，以便能建立完善的职位模型与简历模型；

职位数据分析：在丰富的职位模型与简历模型基础上，通过解析发布职位的基本信息与jd内容，智能提取出职位各类信息关键词，通过大数据将职位信息关键词将职位分解为各种需求条件，系统则根据这些职位条件进行算法推荐；

简历数据分析：在丰富的职位模型与简历模型基础上，通过解析候选人简历信息，智能提取出简历各类信息关键词，通过大数据将简历信息关键词将简历分解为各种需求条件，系统则根据这些简历条件进行算法推荐；

推荐算法：在丰富的职位模型与简历模型基础上，通过解析发布职位的基本信息与jd内容，智能提取出职位各类信息关键词，根据解析出来的职位或简历需求条件推荐出满足条件的简历或职位，并且能够根据职位或简历的优先条件、各优先条件的权重、企业用人偏好对推荐的简历或职位进行匹配度计算，并应用大数据挖掘技术根据企业通过筛选、通过面试、发送offer、入职等的数据建立与优化企业用人偏好画像，根据匹配度高低先后推荐简历或职位；

简历推荐：支持企业用户在系统后台根据职位查看到与职位相匹配的简历信息，过滤掉不匹配的简历信息，并且简历根据匹配度从高到低排序，更能快捷的查看到更符合需求的简历；

职位推荐：能够支持候选人在系统前台查看到符合自己应聘要求的职位信息，过滤掉不符合的职位信息，并且职位根据匹配度从高到低排序，更能快捷的应聘到更符合的职位。

优选的，所述基础数据平台为高性能高伸缩性数据库，用以存储海量的简历数据，职位数据，行为数据，所述基础数据平台建立完善后后续的职位数据分析、简历数据分析和推荐算法才能进行，所述基础数据平台作为大数据技术的数据来源，通过机器学习各种各样的职位信息与简历信息来建立与优化职位模型与简历模型，尤其是从任职要求和简历信息中的不固定文本中以及不断变化的企业与行业等数据中抽取有价值的分析数据，作为匹配的基础性数据，上述过程中，机器学习通过nlp技术中词义相似性分析等技术，逐渐减少标签库构建的人工介入比例，逐渐由机器自动识别关键词条并提取jd与简历标签，辅以人工对标签进行优化，直至后期基本实现全自动化标签库的构建。

优选的，所述职位数据分析中的各种需求条件包括工作地点条件、学历条件、工作年限条件，系统则根据这些职位条件进行算法推荐。

优选的，所述简历数据分析中的各种需求条件包括现居住地、期望工作地点、期望薪资、期望行业、学历、工作年限，系统则根据这些简历条件进行算法推荐。

优选的，所述简历推荐中应用到简历智能推荐模块，所述简历智能推荐模块包括同职位简历职能匹配模块、简历必要条件过滤模块、简历优先条件加分模块和简历匹配度计算模块四个部分。

优选的，所述简历智能推荐模块的具体过程为：在丰富的职位模型与简历模型基础上，系统首先需要对简历的信息智能分析提取简历中的如年龄、学历、工作年限、工作经历、期望工作地点、期望薪资、技能等关键信息，再根据提取出简历中的关键信息与发布职位的必要条件进行匹配，如果匹配则将简历推荐给用户，如果不匹配则不推荐，再根据提取出简历中的关键信息与发布职位的必要条件进行匹配，如果匹配则将简历推荐给用户，如果不匹配则不推荐，将满足职位必要条件的简历的信息再与职位的优先条件进行匹配，根据每个条件的加分权重对简历进行加分，通过最后的得分计算简历的匹配度，支持企业用户在系统后台根据职位查看到与职位相匹配的简历信息，过滤掉不匹配的简历信息，并且简历根据匹配度从高到低排序，在简历信息中显示推荐理由，即简历中匹配职位要求的信息，让企业能更快捷的查看到更符合需求的简历。

优选的，所述职位推荐中应用到职位智能分析模块，所述职位智能分析模块包括职位jd智能分析模块和职位基础条件分析模块两个部分。

优选的，所述职位智能分析模块的具体过程为：首先，需要建立基础数据平台并通过机器学习各种各样的职位信息与简历信息来建立与优化职位模型与简历模型，尤其是从任职要求和简历信息中的不固定文本中以及不断变化的企业与行业等数据中抽取有价值的分析数据作为匹配的基础性数据；其次，在丰富的职位模型与简历模型基础上，通过对发布职位的基本信息与jd信息进行智能分析，提取职位中如职位名称、工作地点、学历要求、薪资范围、工作年限要求、年龄要求、专业要求、学校要求、户籍要求、所属行业、技能要求等关键信息；然后，根据提取出的职位关键信息进行职位的基础条件的分解，包括了必要条件与优先条件的分解。

优选的，所述必要条件为推荐的简历必须要满足的职位要求信息，而所述优先条件则是满足职位要求可对推荐简历进行加分的信息。

与现有技术相比，本发明的有益效果是：本发明基于云招聘平台海量的投递、筛选、面试、入职等用户行为数据，设计出简历、职位的匹配推荐算法，根据该算法可以自动为招聘方和求职者推荐合适的简历或职位，从而提高网络招聘、求职的效率；传统的推荐算法，要么基于内容推荐，要么基于喜好推荐，而本发明的算法基于两者协同的结合同时加入一些行业、公司等潜在影响因素，力求精准、快速推荐，其优势在于基于云招聘平台，平台已经沉淀了数亿计的招聘行为数据，推荐算法不仅基于岗位本身的匹配度，还基于用户行为的偏好，例如什么样的数据通过了筛选，进入了面试，以及最后入职的又是哪些数据，同时又要智能化的理解企业的职位需求，提取出有效、关键的词加于分析，剔除无效信息，推荐的第二步是基于推荐结果的反馈，当推荐了之后，根据用户的处理结果，反馈给推荐系统，推荐系统对数据模型再学习，从而准确度越来越高。

附图说明

图1为本发明的程序流程结构示意图；

图2为本发明的职位智能分析的模块结构示意图；

图3为本发明的简历智能推荐的模块结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

请参阅图1-3，本发明提供一种技术方案：一种基于自然语义分析技术的简历智能推荐算法，包括如下算法步骤：

基础数据平台：搭建职位、简历所涉及到的基础数据平台，持续将职位、简历中的行业、公司、标准职位名称、学校、专业、语言、技能、专业词汇等信息维护进入平台中，以便能建立完善的职位模型与简历模型；

职位数据分析：在丰富的职位模型与简历模型基础上，通过解析发布职位的基本信息与jd内容，智能提取出职位各类信息关键词，通过大数据将职位信息关键词将职位分解为各种需求条件，系统则根据这些职位条件进行算法推荐；

简历数据分析：在丰富的职位模型与简历模型基础上，通过解析候选人简历信息，智能提取出简历各类信息关键词，通过大数据将简历信息关键词将简历分解为各种需求条件，系统则根据这些简历条件进行算法推荐；

推荐算法：在丰富的职位模型与简历模型基础上，通过解析发布职位的基本信息与jd内容，智能提取出职位各类信息关键词，根据解析出来的职位或简历需求条件推荐出满足条件的简历或职位，并且能够根据职位或简历的优先条件、各优先条件的权重、企业用人偏好对推荐的简历或职位进行匹配度计算，并应用大数据挖掘技术根据企业通过筛选、通过面试、发送offer、入职等的数据建立与优化企业用人偏好画像，根据匹配度高低先后推荐简历或职位；

简历推荐：支持企业用户在系统后台根据职位查看到与职位相匹配的简历信息，过滤掉不匹配的简历信息，并且简历根据匹配度从高到低排序，更能快捷的查看到更符合需求的简历；

职位推荐：能够支持候选人在系统前台查看到符合自己应聘要求的职位信息，过滤掉不符合的职位信息，并且职位根据匹配度从高到低排序，更能快捷的应聘到更符合的职位。

进一步的，基础数据平台为高性能高伸缩性数据库，用以存储海量的简历数据，职位数据，行为数据，基础数据平台建立完善后后续的职位数据分析、简历数据分析和推荐算法才能进行，基础数据平台作为大数据技术的数据来源，通过机器学习各种各样的职位信息与简历信息来建立与优化职位模型与简历模型，尤其是从任职要求和简历信息中的不固定文本中以及不断变化的企业与行业等数据中抽取有价值的分析数据，作为匹配的基础性数据，上述过程中，机器学习通过nlp技术中词义相似性分析等技术，逐渐减少标签库构建的人工介入比例，逐渐由机器自动识别关键词条并提取jd与简历标签，辅以人工对标签进行优化，直至后期基本实现全自动化标签库的构建。

进一步的，职位数据分析中的各种需求条件包括工作地点条件、学历条件、工作年限条件，系统则根据这些职位条件进行算法推荐。

进一步的，简历数据分析中的各种需求条件包括现居住地、期望工作地点、期望薪资、期望行业、学历、工作年限，系统则根据这些简历条件进行算法推荐。

进一步的，简历推荐中应用到简历智能推荐模块，简历智能推荐模块包括同职位简历职能匹配模块、简历必要条件过滤模块、简历优先条件加分模块和简历匹配度计算模块四个部分。

进一步的，简历智能推荐模块的具体过程为：在丰富的职位模型与简历模型基础上，系统首先需要对简历的信息智能分析提取简历中的如年龄、学历、工作年限、工作经历、期望工作地点、期望薪资、技能等关键信息，再根据提取出简历中的关键信息与发布职位的必要条件进行匹配，如果匹配则将简历推荐给用户，如果不匹配则不推荐，再根据提取出简历中的关键信息与发布职位的必要条件进行匹配，如果匹配则将简历推荐给用户，如果不匹配则不推荐，将满足职位必要条件的简历的信息再与职位的优先条件进行匹配，根据每个条件的加分权重对简历进行加分，通过最后的得分计算简历的匹配度，支持企业用户在系统后台根据职位查看到与职位相匹配的简历信息，过滤掉不匹配的简历信息，并且简历根据匹配度从高到低排序，在简历信息中显示推荐理由，即简历中匹配职位要求的信息，让企业能更快捷的查看到更符合需求的简历。

进一步的，职位推荐中应用到职位智能分析模块，职位智能分析模块包括职位jd智能分析模块和职位基础条件分析模块两个部分。

进一步的，职位智能分析模块的具体过程为：首先，需要建立基础数据平台并通过机器学习各种各样的职位信息与简历信息来建立与优化职位模型与简历模型，尤其是从任职要求和简历信息中的不固定文本中以及不断变化的企业与行业等数据中抽取有价值的分析数据作为匹配的基础性数据；其次，在丰富的职位模型与简历模型基础上，通过对发布职位的基本信息与jd信息进行智能分析，提取职位中如职位名称、工作地点、学历要求、薪资范围、工作年限要求、年龄要求、专业要求、学校要求、户籍要求、所属行业、技能要求等关键信息；然后，根据提取出的职位关键信息进行职位的基础条件的分解，包括了必要条件与优先条件的分解。

进一步的，必要条件为推荐的简历必须要满足的职位要求信息，而优先条件则是满足职位要求可对推荐简历进行加分的信息。

本发明基于云招聘平台海量的投递、筛选、面试、入职等用户行为数据，设计出简历、职位的匹配推荐算法，根据该算法可以自动为招聘方和求职者推荐合适的简历或职位，从而提高网络招聘、求职的效率；传统的推荐算法，要么基于内容推荐，要么基于喜好推荐，而本发明的算法基于两者协同的结合同时加入一些行业、公司等潜在影响因素，力求精准、快速推荐，其优势在于基于云招聘平台，平台已经沉淀了数亿计的招聘行为数据，推荐算法不仅基于岗位本身的匹配度，还基于用户行为的偏好，例如什么样的数据通过了筛选，进入了面试，以及最后入职的又是哪些数据，同时又要智能化的理解企业的职位需求，提取出有效、关键的词加于分析，剔除无效信息，推荐的第二步是基于推荐结果的反馈，当推荐了之后，根据用户的处理结果，反馈给推荐系统，推荐系统对数据模型再学习，从而准确度越来越高。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。