【技術實現步驟摘要】
本專利技術涉及計算機數據處理，具體是一種基于深度學習的人崗匹配方法。
技術介紹
1、目前，在傳統的企業內部，員工與崗位匹配方法常使用關鍵詞匹配或簡單的文本相似度計算來判斷員工與崗位的適配性。這種方式往往忽視了職位描述與員工技能之間的深層次語義信息，無法準確捕捉員工的實際能力與崗位要求的匹配程度，導致匹配結果不理想。
2、隨著企業人力資源管理對精確員工能力評估和崗位適配性的需求增加，傳統方法的局限性變得更加明顯。特別是在企業內部存在數據稀疏、崗位要求復雜多變以及員工技能描述不一的情況下，現有的人崗匹配方法難以處理這些問題，導致匹配的效率和準確性較低。
技術實現思路
1、本專利技術要解決的技術問題是提供一種基于深度學習的人崗匹配方法，結合了深層文本語義分析和人崗關系圖網絡，并通過共教機制進行訓練優化，顯著提高了匹配的準確性和魯棒性，特別適用于數據稀疏和噪聲較多的企業環境。
2、本專利技術的技術方案為：
3、一種基于深度學習的人崗匹配方法，具體包括有以下步驟：
4、(1)、構建崗位集合和員工集合，崗位集合中的每個崗位和員工集合中的每個員工分別對應一個文本表述，構建基于bert模型和雙注意力機制的文本匹配模型，采用文本匹配模型計算崗位與員工的文本匹配得分；
5、(2)、構建崗位與員工的關系圖，基于關系圖卷積網絡的關系匹配模型計算崗位與員工的關系匹配得分；
6、(3)、文本匹配模型和關系匹配模型通過共教機制進行聯合訓練，
7、(4)、采用訓練后的文本匹配模型和關系匹配模型預測得到文本匹配得分和關系匹配得分，然后將文本匹配得分和關系匹配得分進行加權計算，得到最終的崗位與員工匹配得分。
8、所述的構建崗位集合和員工集合，采用文本匹配模型計算崗位與員工的文本匹配得分的具體步驟為：
9、s11、構建崗位集合j＝{j1,j2,…,ji,…,jn}、員工集合r＝
10、{r1,r2,…,rk,…,rm}，每個崗位ji對應一個崗位描述xji，每個員工rk對應一個員工簡歷崗位描述和員工簡歷均為文本表述的向量；
11、s12、使用bert模型對崗位描述和員工簡歷進行編碼，生成崗位文本的語義表示和員工文本的語義表示，具體見下式(1)：
12、
13、式(1)中，表示崗位文本的語義表示矩陣，表示員工文本的語義表示矩陣，d為編碼維度，l為文本長度；
14、s13、采用親和注意力機制和差異注意力機制組成的雙注意力機制捕捉文本中的相似性與差異性；
15、親和注意力機制用于捕捉崗位文本與員工文本中的相似性信息，對于每個崗位ji和員工rk，通過注意力權重計算文本的相似性，具體見下式(2)：
16、
17、式(2)中，表示崗位文本與員工文本相似度的親和注意力矩陣，t代表矩陣的轉置，softmax代表softmax激活函數；
18、差異注意力機制通過向量減法，捕捉崗位和員工之間的差異，具體見下式(3)：
19、
20、式(3)中，表示崗位文本與員工文本差異度的差異注意力矩陣，softmax代表softmax激活函數；
21、然后將親和注意力矩陣與差異注意力矩陣進行加權融合，具體見下式(4)：
22、afinal?＝λ×aaff?+(1-λ)×adiff?????(4)；
23、式(4)中，λ∈[0,1]，表示調節相似度與差異度的超參數；afinal表示雙注意力矩陣；
24、s14、通過文本匹配后的語義表示，計算崗位與員工的匹配得分，計算過程具體見下式(5)：
25、
26、式(5)中，stext(ji,rk)表示崗位ji和員工rk的匹配得分，代表崗位與員工在語義上的相似程度。
27、所述的構建崗位與員工的關系圖，基于關系圖卷積網絡的關系匹配模型計算崗位與員工的關系匹配得分的具體步驟為：
28、s21、構建崗位與員工的關系圖為g＝(v,e)，其中，v＝j∪r為關系圖中節點的結合，e為表示崗位與員工之間關系的邊的集合；
29、s22、采用關系圖卷積網絡r-gcn將關系圖中每個節點v∈v的表示通過鄰居節點的消息聚合得到更新，具體見下式(6)：
30、
31、式(6)中，nr(v)為節點v在關系類型r下的鄰居集合，wr為關系類型r的參數矩陣，為鄰居節點的表示，w0表示節點v自身特征的權重矩陣，σ為激活函數；
32、每個節點通過聚合更新后，得到更新后崗位或員工的節點表示當節點v代表崗位節點時，即為當節點v代表員工節點時，即為
33、
34、s23、通過圖神經網絡學習的關系表示，計算崗位與員工的關系匹配得分，具體見下式(7)：
35、
36、式(7)中，srelation(ji,rk)表示崗位ji和員工rk的關系匹配得分，是更新后的任一崗位節點的節點表示，是的轉置，是更新后的任一員工節點的節點表示。
37、所述的文本匹配模型和關系匹配模型通過共教機制進行聯合訓練的具體步驟為：文本匹配模型第一批次的訓練數據先由關系匹配模型進行預測，篩選出第一批高質量樣本，關系匹配模型第一批次的訓練數據先由文本匹配模型進行預測，篩選出第一批高質量樣本，文本匹配模型和關系匹配模型分別基于篩選后的第一批高質量樣本進行訓練，然后重復進行多批次交叉訓練，從而使得文本匹配模型和關系匹配模型互相共享參數，更新的結果，最終得到訓練后的文本匹配模型和關系匹配模型。
38、所述的文本匹配得分和關系匹配得分進行加權計算，具體見下式(8)：
39、sfinal?(ji,rk)＝α×stext?(ji,rk)+(1-α)×srelation?(ji,rk)????(8)；
40、式(8)中，α為超參數，用于控制文本匹配得分和關系匹配得分的權重。
41、本專利技術的優點：
42、本專利技術的文本匹配模型結合了bert模型和雙注意力機制，bert模型能夠生成深層語義表示，但是崗位與員工描述的語義復雜性，即文本中可能包含細粒度的差異性，難以通過簡單的向量相似度進行評估，且基于文本語義無法充分考慮員工與崗位的關聯性，所以引入了雙注意力機制，用以捕捉文本中的相似性與差異性。
43、本專利技術的關系匹配模型基于構建的崗位-員工關系圖進行神經網絡學習，從而根據崗位描述中的技能關鍵詞和員工簡歷中的員工履歷，構建員工與崗位之間的隱性關聯，捕捉崗位與員工的技能關聯和崗位之間的相似性。
44、本專利技術通過共教機制進行兩個模型的聯合訓練，使得兩個模型在訓練過程中相互校驗，保證了兩個模型在數據稀疏和含噪聲的情況下，仍能保持高效的訓練效果。
45、本專利技術通過引入雙注意力機制與關系圖卷積網絡，解本文檔來自技高網...
【技術保護點】
1.一種基于深度學習的人崗匹配方法，其特征在于：具體包括有以下步驟：
2.根據權利要求1所述的一種基于深度學習的人崗匹配方法，其特征在于：所述的構建崗位集合和員工集合，采用文本匹配模型計算崗位與員工的文本匹配得分的具體步驟為：
3.根據權利要求2所述的一種基于深度學習的人崗匹配方法，其特征在于：所述的構建崗位與員工的關系圖，基于關系圖卷積網絡的關系匹配模型計算崗位與員工的關系匹配得分的具體步驟為：
4.根據權利要求3所述的一種基于深度學習的人崗匹配方法，其特征在于：所述的文本匹配模型和關系匹配模型通過共教機制進行聯合訓練的具體步驟為：文本匹配模型第一批次的訓練數據先由關系匹配模型進行預測，篩選出第一批高質量樣本，關系匹配模型第一批次的訓練數據先由文本匹配模型進行預測，篩選出第一批高質量樣本，文本匹配模型和關系匹配模型分別基于篩選后的第一批高質量樣本進行訓練，然后重復進行多批次交叉訓練，從而使得文本匹配模型和關系匹配模型互相共享參數，更新的結果，最終得到訓練后的文本匹配模型和關系匹配模型。
5.根據權利要求4所述的一種基于深度學習的人
...【技術特征摘要】
1.一種基于深度學習的人崗匹配方法，其特征在于：具體包括有以下步驟：
2.根據權利要求1所述的一種基于深度學習的人崗匹配方法，其特征在于：所述的構建崗位集合和員工集合，采用文本匹配模型計算崗位與員工的文本匹配得分的具體步驟為：
3.根據權利要求2所述的一種基于深度學習的人崗匹配方法，其特征在于：所述的構建崗位與員工的關系圖，基于關系圖卷積網絡的關系匹配模型計算崗位與員工的關系匹配得分的具體步驟為：
4.根據權利要求3所述的一種基于深度學習的人崗匹配方法，其特征在于：所述的文本匹配模型和關系匹配模型通過...
【專利技術屬性】
技術研發人員：張有明，吳小勇，侯邵娟，付真斌，王磊，呂妍，何奇，章丹，周攀，方福歆，孫巍巍，張昭源，儲昭將，王欣，李志軍，吳海艷，王遠，霍騁，萬禮嵩，焦睿婷，李炫濃，馬歡，邱曼曼，廖羽晗，胡茂亮，陳迎，羅長，趙曉山，秦健，翁凌，徐樂旸，章茜，朱靖，康宇，呂文君，齊振宇，王繼晨，鄧長斌，周越，
申請(專利權)人：國網安徽省電力有限公司超高壓分公司，
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。