【技術實現步驟摘要】
本專利技術涉及人工智能決策支持，具體地說，涉及基于ai人工智能的職業規劃輔助分析方法及系統。
技術介紹
1、基于ai人工智能的職業規劃輔助分析方法及系統旨在提高職業匹配的精準度和個性化職業規劃的動態調整，通過分析層次過程法與多層次決策樹模型的融合，控制用戶特征與職位特征的多維度權重分配與動態規劃路徑生成，實現動態且持續優化的職業規劃方案。
2、現有的職業規劃輔助分析方法及系統通常難以準確捕捉用戶多維度的特征與職位需求之間的復雜關系，且由于用戶特征具有多維度特性、職位要求匹配時層次化不足以及各個特征對最終匹配決策影響有著很大差異，會導致職業匹配結果不夠精準、個性化不足，無法有效適應用戶在職業發展過程中的變化需求的問題，因此，提供基于ai人工智能的職業規劃輔助分析方法及系統。
技術實現思路
1、本專利技術的目的在于提供基于ai人工智能的職業規劃輔助分析方法及系統，以解決上述
技術介紹
中提出的由于用戶特征具有多維度特性、職位要求匹配時層次化不足以及各個特征對最終匹配決策影響有著很大差異，會導致職業匹配結果不夠精準、個性化不足，無法有效適應用戶在職業發展過程中的變化需求的問題。
2、為實現上述目的，本專利技術目的在于提供了基于ai人工智能的職業規劃輔助分析方法，包括：
3、s1、收集用戶特征數據和職位特征數據，并進行標準化處理；
4、s2、使用分析層次過程法構建多層次決策結構，使用成對比較矩陣對用戶及職業進行量化分析，計算得到用戶及職業的特征權
5、s3、將用戶特征值和職業特征值融合到決策樹模型中，計算用戶和職業的匹配相似度，動態生成職業規劃路徑；
6、s4、基于用戶和職業匹配相似度和用戶評分值定義反饋誤差值，基于反饋誤差值動態調整職業特征權重。
7、作為本技術方案的進一步改進，所述s1中，收集用戶特征數據和職位特征數據，并進行標準化處理，具體方法步驟如下：
8、s1.1、用戶特征數據u包括：學歷、工作經驗、職業興趣、技能掌握、當前職業和薪資期望；
9、u＝[u1,u2,u3,…,u6]；
10、其中，u1表示學歷；u2表示工作經驗；u3表示職業興趣；u4表示技能掌握；u5表示當前職業；u6表示薪資期望；
11、職位特征數據j包括：
12、j＝[j1,j2,j3]；
13、其中，j1表示職位薪資水平；j2表示職位行業類型；j3表示職業發展潛力；
14、s1.2、對用戶特征數據u和職位特征數據j進行標準化處理：
15、對用戶特征數據u中用戶特征ui進行標準化：
16、
17、其中，i為下角標，i∈[1,6]；ui為第i個用戶特征；為第i個用戶特征的均值；為第i個用戶特征的標準差；
18、對職位特征數據j中職位特征jk進行標準化：
19、
20、其中，k為下角標，k∈[1,3]；jk為第k個職位特征；為第k個職位特征的均值；為第k個職位特征的標準差；
21、s1.3、標準化后得到：
22、用戶特征矩陣u′：
23、u′＝[u′1,u′2,u′3,…,u′6]；
24、職位特征矩陣j′：
25、j′＝[j′1,j′2,j′3]；
26、其中，u′1表示標準化后的學歷；u′2表示標準化后的工作經驗；u′3表示標準化后的職業興趣；u′4表示標準化后的技能掌握；u′5表示標準化后的當前職業；u′6表示標準化后的薪資期望；j′1表示標準化后的職位薪資水平；j′2表示標準化后的職位行業類型；j′3表示標準化后的職業發展潛力。
27、作為本技術方案的進一步改進，所述s2中，分析層次過程法用于計算用戶特征和職位特征的相對重要權重，實現加權后的特征值用于職業匹配的個性化推薦；
28、所述使用分析層次過程法構建多層次決策結構，使用成對比較矩陣對用戶及職業進行量化分析，計算得到用戶及職業的特征權重和特征值，具體方法步驟如下：
29、s2.1、使用分析層次過程法構建多層次決策結構：
30、目標層：優化職業規劃匹配度；
31、準則層：用戶特征矩陣u′和職位特征矩陣j′；
32、s2.2、使用分析層次過程法構建用戶特征成對比較矩陣au，計算用戶特征權重wu以及用戶特征值u*；
33、s2.3、使用分析層次過程法構建職業特征成對比較矩陣aj，計算職業特征權重wj以及職位特征值j*。
34、作為本技術方案的進一步改進，所述s2.2中，使用分析層次過程法構建用戶特征成對比較矩陣au，計算用戶特征權重wu以及用戶特征值u*，具體方法步驟如下：
35、s2.2.1、構建六階的用戶特征成對比較矩陣au：
36、
37、其中，au為用戶特征成對比較矩陣；a12表示第1個用戶特征相對于第2個用戶特征的重要性，以此類推；
38、s2.2.2、將用戶特征成對比較矩陣au進行列歸一化處理：
39、
40、其中，為列歸一化后的用戶特征成對比較矩陣；i為下角標，i∈[1,6]；
41、s2.2.3、計算每一行的均值，得到第i列用戶特征權重并加和得到用戶特征權重wu：
42、
43、
44、其中，為第i列用戶特征權重；p為角標，p∈[1,6]；wu為用戶特征權重；
45、s2.2.3、根據用戶特征權重wu，加權計算得到用戶特征值u*：
46、
47、其中，u*為用戶特征值；u′i為第i個標準化后的用戶特征。
48、作為本技術方案的進一步改進，所述s2.3中，使用分析層次過程法構建職業特征成對比較矩陣aj，計算職業特征權重wj以及職位特征值j*，具體方法步驟如下：
49、s2.3.1、構建三階的職業特征成對比較矩陣aj：
50、
51、其中，aj為職業特征成對比較矩陣；b12表示第1個職業特征相對于第2個職業特征的重要性，以此類推；
52、s2.3.2、將職業特征成對比較矩陣aj進行列歸一化處理：
53、
54、其中，為列歸一化的職業特征成對比較矩陣；k為下角標，k∈[1,3]；
55、s2.3.3、計算每一行的均值，得到第k列職業特征權重wjk，并加和得到職業特征權重wj：
56、
57、wj＝[wj1,wj2wj3]；
58、其中，wjk為第k列職業特征權重wjk；q為角標，q∈[1,3]；wj為職業特征權重；
59、s2.3.4、根據職業特征權重wj，加權計算得到職位特征值j*：
60、
61、其中，j*為職位特征值；j′k為第k個標準化后的職業特征。...
【技術保護點】
1.基于AI人工智能的職業規劃輔助分析方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于AI人工智能的職業規劃輔助分析方法，其特征在于：所述S1中，收集用戶特征數據和職位特征數據，并進行標準化處理，具體方法步驟如下：
3.根據權利要求2所述的基于AI人工智能的職業規劃輔助分析方法，其特征在于：所述S2中，分析層次過程法用于計算用戶特征和職位特征的相對重要權重，實現加權后的特征值用于職業匹配的個性化推薦；
4.根據權利要求3所述的基于AI人工智能的職業規劃輔助分析方法，其特征在于：所述S2.2中，使用分析層次過程法構建用戶特征成對比較矩陣Au，計算用戶特征權重wu以及用戶特征值U*，具體方法步驟如下：
5.根據權利要求4所述的基于AI人工智能的職業規劃輔助分析方法，其特征在于：所述S2.3中，使用分析層次過程法構建職業特征成對比較矩陣Aj，計算職業特征權重wj以及職位特征值J*，具體方法步驟如下：
6.根據權利要求5所述的基于AI人工智能的職業規劃輔助分析方法，其特征在于：所述S3中，將用戶特征值和職業特征值融
7.根據權利要求6所述的基于AI人工智能的職業規劃輔助分析方法，其特征在于：所述S3.1中，構建融合用戶特征值U*與職業特征值J*的多層次決策樹模型，具體方法如下：
8.根據權利要求7所述的基于AI人工智能的職業規劃輔助分析方法，其特征在于：所述S3.2中，基于用戶特征值U*和職業特征值J*，計算用戶和職業的匹配相似度S(U*,J*)，具體方法如下：
9.根據權利要求8所述的基于AI人工智能的職業規劃輔助分析方法，其特征在于：所述S4中，基于用戶和職業的匹配相似度和用戶評分值定義反饋誤差值，基于反饋誤差值動態調整職業特征權重，具體方法如下：
10.基于AI人工智能的職業規劃輔助分析系統，包括存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運行的計算機程序，其特征在于：所述處理器執行計算機程序實現如權利要求1-9中任意一項所述的基于AI人工智能的職業規劃輔助分析方法。
...【技術特征摘要】
1.基于ai人工智能的職業規劃輔助分析方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于ai人工智能的職業規劃輔助分析方法，其特征在于：所述s1中，收集用戶特征數據和職位特征數據，并進行標準化處理，具體方法步驟如下：
3.根據權利要求2所述的基于ai人工智能的職業規劃輔助分析方法，其特征在于：所述s2中，分析層次過程法用于計算用戶特征和職位特征的相對重要權重，實現加權后的特征值用于職業匹配的個性化推薦；
4.根據權利要求3所述的基于ai人工智能的職業規劃輔助分析方法，其特征在于：所述s2.2中，使用分析層次過程法構建用戶特征成對比較矩陣au，計算用戶特征權重wu以及用戶特征值u*，具體方法步驟如下：
5.根據權利要求4所述的基于ai人工智能的職業規劃輔助分析方法，其特征在于：所述s2.3中，使用分析層次過程法構建職業特征成對比較矩陣aj，計算職業特征權重wj以及職位特征值j*，具體方法步驟如下：
6.根據權利要求5所述的基于ai人工智能的職業規劃輔助分析方法，其特征在于...
【專利技術屬性】
技術研發人員：張鍵，
申請(專利權)人：北京齊繪未來教育科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。