[發(fā)明專利]基于相似度匹配模型的信息匹配方法、裝置、設(shè)備及介質(zhì)有效
| 申請?zhí)枺?/td> | 202110943059.4 | 申請日： | 2021-08-17 |
| 公開（公告）號： | CN113657496B | 公開（公告）日： | 2023-08-18 |
| 發(fā)明（設(shè)計）人： | 尹浩;張玉君;張巖 | 申請（專利權(quán)）人： | 深圳平安智匯企業(yè)信息管理有限公司 |
| 主分類號： | G06F18/214 | 分類號： | G06F18/214;G06F16/33;G06Q10/105;G06F18/22 |
| 代理公司： | 深圳市明日今典知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 44343 | 代理人： | 王杰輝;熊成龍 |
| 地址： | 518000 廣東省深圳市福田區(qū)沙頭街道*** | 國省代碼： | 廣東;44 |
| 權(quán)利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關(guān)鍵詞： | 基于 相似 匹配 模型 信息 方法 裝置 設(shè)備 介質(zhì) | ||
本申請涉及人工智能技術(shù)領(lǐng)域，揭示了一種基于相似度匹配模型的信息匹配方法、裝置、介質(zhì)及設(shè)備，其中方法包括：獲取若干個職位要求，生成每一個職位要求映射的第一職位向量；對第一職位向量進行相似度計算，根據(jù)相似度判斷第一職位向量對應(yīng)的職位類型；獲取若干個第二對象的特征信息，分別得到每一個第二對象的綜合特征向量；對每一個綜合特征向量分別進行職位類型匹配；對每一個綜合特征向量與對應(yīng)的待定職位向量進行匹配度計算，得到每一個綜合特征向量與待定職位向量之間的向量匹配度，并作為信息匹配度，按照信息匹配度從高到低的順序?qū)Φ诙ο蟮膫€人信息進行排序，并發(fā)送排序后的個人信息。從而提高了簡歷與崗位匹配的準確度。
技術(shù)領(lǐng)域
本申請涉及到人工智能技術(shù)領(lǐng)域，特別是涉及到一種基于相似度匹配模型的信息匹配方法、裝置、設(shè)備及介質(zhì)。
背景技術(shù)
隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展，企業(yè)越來越傾向于通過互聯(lián)網(wǎng)來尋求合適的求職者，同時求職者也越來越傾向于將簡歷上傳至互聯(lián)網(wǎng)來實現(xiàn)投遞。企業(yè)HR往往需要花費大量時間在網(wǎng)上對比求職者的簡歷與企業(yè)崗位是否匹配，因此，需要一種能夠自動實現(xiàn)人崗匹配的AI模型，以提升企業(yè)的招聘效率。
現(xiàn)有技術(shù)中的人崗匹配方法通常是基于招聘職位名稱或者項目名稱的相似度或重合度，向投遞者推薦新職位；然而，不同企業(yè)對于同一招聘職位的要求通常不同，通過招聘職位名稱或者項目名稱進行簡歷匹配的方式準確度較低。
發(fā)明內(nèi)容
本申請的主要目的為提供一種基于相似度匹配模型的信息匹配方法、裝置、介質(zhì)及設(shè)備，旨在解決現(xiàn)有技術(shù)中簡歷與崗位匹配方式的準確度較低的技術(shù)問題。
為了實現(xiàn)上述實施例目的，本申請?zhí)岢鲆环N基于相似度匹配模型的信息匹配方法，所述方法包括：
獲取若干個職位要求，將所述職位要求輸入多層相似度匹配模型的第一層，生成每一個所述職位要求映射的第一職位向量，其中，所述職位要求是由第一對象發(fā)布的；
采用所述多層相似度匹配模型的第一層對所述第一職位向量進行相似度計算，根據(jù)計算得到的相似度判斷所述第一職位向量對應(yīng)的職位類型，并將所述第一職位向量與所述職位類型的對應(yīng)關(guān)系輸入所述多層相似度匹配模型的第二層；
獲取若干個第二對象的特征信息，并將每一條所述特征信息輸入所述多層相似度匹配模型的第二層，分別得到每一個所述第二對象的綜合特征向量；
采用所述多層相似度匹配模型的第二層對每一個所述綜合特征向量分別進行職位類型匹配，并將匹配的所述職位類型對應(yīng)的所述第一職位向量作為所述綜合特征向量的待定職位向量；
通過所述多層相似度匹配模型的第二層分別對每一個所述綜合特征向量與對應(yīng)的所述待定職位向量進行匹配度計算，得到每一個所述綜合特征向量與所述待定職位向量之間的向量匹配度；
將所述向量匹配度作為所述第二對象以及所述職位要求之間的信息匹配度，按照所述信息匹配度從高到低的順序?qū)λ龅诙ο蟮膫€人信息進行排序，并向發(fā)布所述職位要求的所述第一對象發(fā)送排序后的所述個人信息。
進一步的，所述獲取若干個職位要求之前，還包括：
按照學(xué)習(xí)率對所述多層相似度匹配模型進行模型訓(xùn)練，其中，在訓(xùn)練開始后的第一周期內(nèi)設(shè)置學(xué)習(xí)率隨訓(xùn)練時間增長而增大。
進一步的，所述對所述多層相似度匹配模型進行模型訓(xùn)練，還包括：
在對所述多層相似度匹配模型進行模型訓(xùn)練的所述第一周期后的第二周期內(nèi)，采用余弦退火學(xué)習(xí)率衰減算法對所述學(xué)習(xí)率進行衰減；
當識別到所述余弦退火學(xué)習(xí)率衰減算法發(fā)生重啟時，按照預(yù)設(shè)的衰減因子對所述學(xué)習(xí)率中的最大值進行一次衰減。
進一步的，所述將所述特征信息輸入所述多層相似度匹配模型的第二層，生成所述第二對象的綜合特征向量，包括：
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息，商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于深圳平安智匯企業(yè)信息管理有限公司，未經(jīng)深圳平安智匯企業(yè)信息管理有限公司許可，擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作，請聯(lián)系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202110943059.4/2.html，轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
