一种基于强化学习的智能人事模型构建方法及装置与流程

本发明涉及人工智能技术领域，尤其涉及一种基于强化学习的智能人事模型构建方法及装置。

背景技术：

目前，在就业市场上，数以亿计的人都需要经历求职阶段，成为众多求职者中的一员，最后找到合适的公司。而对于数以百万计的招聘单位，则需要经历招聘阶段，找到合适的员工。通常情况下，一对完全匹配的人和岗位可以节约大量的时间资源和人力、财力资源。不仅为招聘单位和个人提供最满意的人岗匹配，还为社会带来了更高的生产力水平。

特别是目前市场上存在一些招聘单位规模不够大，相应的人员配置不够完善，使得其在招聘以及人才识别上存在一定的缺陷，因此，为这些招聘单位提供一种有效的辅助识别模型成为本领域技术人员亟待解决的技术问题。

技术实现要素：

为了克服现有技术的不足，本发明的目的之一在于提供一种基于强化学习的智能人事模型构建方法，其能为招聘单位提供更为精准方便使用的智能人事助手。

本发明的目的之二在于提供一种电子设备，其能为招聘单位提供更为精准方便使用的智能人事助手。

本发明的目的之三在于提供一种计算机可读存储介质，其能为招聘单位提供更为精准方便使用的智能人事助手。

本发明的目的之一采用如下技术方案实现：

一种基于强化学习的智能人事模型构建方法，包括如下步骤：

接收步骤：接收一招聘单位反馈的操作信息以及对应人员的简历信息，且所述操作信息与对应人员的简历信息匹配；

信息抽取步骤：采用自然语言技术对所有的简历、招聘信息进行处理，并抽取简历、招聘中的各实体特征；

关联步骤：将抽取到的简历、招聘中的各实体特征与对应人员进行关联以得知识图谱；

模型训练步骤：通过用知识图谱对神经网络进行训练以得到智能人事模型。

进一步地，所述接收步骤具体包括如下步骤：

第一接收步骤：接收经过招聘单位内部考核的所有的员工简历信息；

第二接收步骤：接收招聘单位反馈的对对应员工的考核评价内容。

进一步地，在第一接收步骤中，接受特定岗位的招聘单位内部考核的所有的员工简历信息。

进一步地，所述接收步骤还包括：

第三接收步骤：接收员工当前的收入情况以及工资计算方式。

进一步地，所述招聘单位反馈的操作信息包括收藏、录取、反馈结果、沟通时长、邀约、考核评价中的一种或者多种。

进一步地，在接收步骤之后还包括简历处理步骤：

按照预定模板对简历信息进行处理以生成统一格式的简历数据，所述预定模板包括姓名、性别、年级、学校、专业、行业、公司、职能、技能、项目、工作内容、证书、招聘单位反馈中的任意一项或多项。

进一步地，在信息抽取步骤中，通过bi-lstm神经网络进行数据信息进行训练以得到对应的实体特征模型，通过该实体特征模型对简历信息进行数据抽取以得简历中的各实体特征。

进一步地，所述智能人事模型还通过招聘单位人员设置来完善对应的识别信息，招聘单位人员通过增加或者调整招聘要求来完善智能人事模型。

本发明的目的之二采用如下技术方案实现：

一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如本发明目的之一中任意一项所述的一种基于强化学习的智能人事模型构建方法。

本发明的目的之三采用如下技术方案实现：

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如本发明目的之一中任意一项所述的一种基于强化学习的智能人事模型构建方法。

相比现有技术，本发明的有益效果在于：

本发明的基于强化学习的智能人事构建方法通过对选定人员简历中的特征进行抽取训练，并根据招聘单位的反馈信息实现对招聘单位需求的全方位了解，进而构建适用于特定招聘单位用户的智能人事模型。

附图说明

图1为实施例一的基于强化学习的智能人事模型构建方法的流程图。

具体实施方式

下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。

实施例一

如图1所示，本实施例提供了一种基于强化学习的智能人事模型构建方法，包括如下步骤：s1：接收一招聘单位反馈的操作信息以及对应人员的简历信息，且所述操作信息与对应人员的简历信息匹配；所述招聘单位反馈的操作信息包括收藏、录取、反馈结果、沟通时长、邀约、考核评价中的一种或者多种。本步骤为所有以下所有实施步骤的基础，通过本步骤可以实现对数据的收集，在进行数据收集时，更为优选地，是选取同一个招聘单位或者同一个招聘单位中同一个岗位来进行数据选取，当采用这样的数据源时，其可以训练出一套稳定的识别模型来进行后续的识别匹配。比如，在选取时，均选取同一个招聘单位中的后端支持工程师这个岗位，这样能够更为准确的分析出招聘这样的后端支持工程师所需要的对应的要求，以及可以更为客观的对数据进行评判。在本实施例中，获取同岗位所有已评价过(通过或不通过都行)简历、评价、评分、如有技能考核等背景信息也一并取得。

具体的，步骤s1具体包括如下步骤：

s11：接收经过招聘单位内部考核的所有的员工简历信息；

更为优选地，在本步骤中，接收经过招聘单位内部考核的所有的员工的简历信息，因为在训练阶段，需要对尽可能多的数据进行训练，并且需要所有hr看过的简历以及对应的评价、评分，然后对其中的简历构建训练的正负样本，正样本也即是排名靠前的样本信息，当获取排名处于第一至第五的员工的简历信息时，判定其属于更适合该岗位的人员，那么需要对其所拥有的特质进行数据提取，比如判断这五个员工共同拥有的技能、学历、经验以及年龄等各方面的数据，综合得到多方面数据然后形成多条对应的特征要求；负样本也即是排名相对靠后的，当获取到排名处于后五名的员工时，则判断其并不是特别合适该岗位，此时可以从中提取出其共同的特征，并且判断该共同特征在前五名的员工中并不存在。在实际训练过程中样本容量不止五个，在本实施例中仅仅是列举说明。通过构造训练正负样本使得模型能够接收到足够多的数据，然后为模型识别准确性提供数据基础。本步骤主要是为了对基础数据源进行筛选，进行筛选的目的是为了便于后续提供更为精准的模型。在本步骤中提及的各种数据获取方式均是一种具体实施方式，程序设计者可以根据实际需求来进行适应性调整。

s12：接收招聘单位反馈的对对应员工的考核评价内容；本步骤也是数据获取特别关键的一步，如果仅仅只有员工的信息，那么提取出来的信息难免会与用人单位的实际需求产生一定的偏差，因为需要引入招聘单位对员工的考核评价内容，并提取招聘单位传输的考核评价报告，这样也从招聘单位端实现对人才的确认；使得能够实现全方位的人才评价。

更为优选地，步骤s1还包括s13：接收员工当前的收入情况以及工资计算方式；由于目前很多时候，招聘单位可能仅仅是针对于应试者的各方面硬件条件进行筛选，没有从员工实际收入方面着手进行设计，更多时候是直接通过相关人员直接拟定的价格来实现对员工的招聘而不是有真是的数据依据的。根据这种情况，在本实施例中设计需要获取对应员工的收入情况以及工资计算方式，这样能够增加工资这一维度为招聘单位hr招聘提供更具参考性的专业意见，而不至于使得人才由于刚开始价格定位不合理而致使没有吸引到相关人才。

在上述数据获取过程中，不仅仅有针对于简历信息以及评价信息获取的内容，还可以获取对应公司的招聘信息，然后将这些数据一起送入模型中进行融合训练，让模型能够了解到哪种简历、哪种关系以及哪种能力更适合哪种岗位，进而找到其之间的关联。

s2：采用自然语言技术对所有的简历信息进行处理，并抽取简历中的各实体特征；在本步骤中，主要是获取对应人员的各方面的实体特征，比如在张三简历中，有写明“熟练掌握javascript、ajax、css、html”“熟悉mvc开发模式”“有移动开发经验”等等，这时候需要通过自然语言技术对简历中的这些数据信息进行提取；更为优选地，在本实施例中通过bi-lstm神经网络进行简历信息进行训练以得到对应的实体特征模型。在进行具体关系识别时，采用pcnn进行关系识别。

s3：将抽取到的简历中的各实体特征与对应人员进行关联以得知识图谱；除了需要抽取对应的实体技能特征或者经历特征之外，还需要抽取对应的关系特征，并将关系写入对应的图数据库中，在本实施例中，步骤s2和步骤s3主要是通过对简历数据中各方面的实体特征以及关系特征进行提取，进而实现了对对应招聘人员的全方位的了解，然后将这些抽取到的数据送入到图数据库中进行展示，通过图数据库来进行数据汇聚。在本实施例中，所述图数据库采用的neo4j，neo4j是一个高性能的nosql图形数据库，它将结构化数据存储在网络上而不是表中。它是一个嵌入式的、基于磁盘的、具备完全的事务特性的java持久化引擎，但是它将结构化数据存储在网络(从数学角度叫做图)上而不是表中。neo4j也可以被看作是一个高性能的图引擎，该引擎具有成熟数据库的所有特性。其可以通过neo4j展示所有抽取到的特征。

s4：通过神经网络对知识图谱进行训练以得到智能人事模型。当对所有的数据收集完成之后，则需要通过强化学习来对抽取到的各种特征进行学习进而找寻出其之间存在的规律，找出适合我们招聘单位的员工都存在有那些特质，然后将这些特质进行整理；除了优秀特质之外，还需要设置某些招聘单位所不喜欢的特质然后进一步筛选出更为合适的员工。在进行岗位训练时，可以针对同一公司的不同岗位，也可以针对不同公司的同一岗位来进行模型训练。

采用神经网络对获取到的图数据进行深入挖掘，其能够挖掘出更多有益信息，比如当某个人员具备多方面的能力时，比如其热爱多项运动且每周会有一定次数的运动数量、且掌握多种编程语言的话，则从一侧面可以了解到其能够适应长时间负荷工作，因为运动对应的身体状态，掌握多种编程语言对应的学习能力状态，由于其掌握多种编程语言，说明其能花时间来进行语言学习以及编程操作，这样可以给招聘单位方提供这样一个信息即是：能长时间高负荷工作。为招聘单位方提供更多更深入的信息来了解应聘者的信息。

在本实施例中，所述智能人事模型主要有如下两个阶段：

第一阶段是训练阶段，训练阶段也包括有信息抽取阶段和模型训练阶段；在信息抽取阶段：将训练好的信息抽取模型对所有的简历信息以及招聘信息进行信息抽取，然后对抽取到的信息进行知识图谱的制作，这里的知识图谱制作完成之后为了的让强化学习模型对其所包含的内容进行学习，以便了解到何种信息关系是招聘单位所需求的。

模型训练阶段，其采用的是强化学习模型，主要的目的是为了让智能人事模型学习到何种简历、何种关系以及哪些重点是被对应岗位所看重的；在进行学习训练时，需要对完成信息抽取的知识图谱进行训练学习；然后通过强化学习模型不断挖掘满足招聘单位需求的特质以形成智能人事模型。

第二阶段是应用阶段，通过训练出的岗位公用人事模型，然后对其进行运用，因为模型里面只是程序和数字，可以复制和针对公司需求再训练修改，所以可以部署在不同公司不同岗位。并且在模型实际运行过程中，也可以继续调整人事模型，通过招聘单位不断反馈的结果，将其作为新的样本继续输入智能人事模型中，进而打造出招聘单位专属人事模型。

更为优选地，所述智能人事模型还通过招聘单位人员设置来完善对应的识别信息，招聘单位人员通过增加或者调整招聘要求来完善智能人事模型。为了更便于招聘单位进行使用，除了招聘单位无意识的特征识别之外，还通过有意识的增加招聘内容来进行人才的识别，因为有些特征虽然这些员工身上并没有统一体现，但是招聘单位方已经了解到其需要这样的特质，比如需要其有参与过大型项目，并在这期间担任相关负责人或者有参与某些特定客户的项目或者会更多种的编程语言等等。通过开放这样的接口使得用户更加便于训练得到更为优异的智能人事模型。

更为优选地，在本实施例中还包括如下步骤：按照预定模板对简历信息进行处理以生成统一格式的简历数据，所述预定模板包括姓名、性别、年级、学校、专业、行业、公司、职能、技能、项目、工作内容、证书、招聘单位反馈中的任意一项或多项。由于招聘单位当完成对人员招聘时，很多时候需要将这些人员信息发送至更高级别的领导进行面试，比如发送至总监或者总经理这一级别的领导进行更深入面试；为了更加方便其进行面试了解相关应聘人员的信息，设置统一的模板使得阅读者更方便进行重要信息的读取。因此，在本实施例中还增加有简历内容的整理。

本实施例的智能人事经过使用的时间越长，那么反馈得到的精度也就越高，匹配的准确性也就越好。特别是对于没有相应人力资源专业的公司，其可以通过接受其他类型的公司训练好的模型来进行自身公司人员的招聘进而达到更好的招聘效果。比如作为一个起步视频识别公司，在人员配置上不完善，且在招聘上也没有相应的经验，但是在视频识别方面存在有海康威视和大华科技等巨头，如果有经过训练的智能人事模型，那么则可以为小公司提供更多参考；或者通过长时间训练该行业的人员特征，然后得到对应于视频识别的整个行业的招聘特征需求等等。适合a公司的不一定适合b公司，所以在本实施例中通过开放特定的接口使得招聘单位具有更多的自主权来进行特定特征的调整，然后再对调整后的模型进行训练以达到更好的识别精度。

本发明的基于强化学习的智能人事构建方法通过对选定人员简历中的特征进行抽取训练，并根据招聘单位的反馈信息实现对招聘单位需求的全方位了解，进而构建适用于特定招聘单位用户的智能人事模型。

实施例二

实施例二公开了一种电子设备，该电子设备包括处理器、存储器以及程序，其中处理器和存储器均可采用一个或多个，程序被存储在存储器中，并且被配置成由处理器执行，处理器执行该程序时，实现实施例一的一种基于强化学习的智能人事模型构建方法。该电子设备可以是手机、电脑、平板电脑等等一系列的电子设备。

实施例三

实施例三公开了一种计算机可读存储介质，该存储介质用于存储程序，并且该程序被处理器执行时，实现实施例一的一种基于强化学习的智能人事模型构建方法。

当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的方法中的相关操作。

通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、闪存(flash)、硬盘或光盘等，包括若干指令用以使得一台电子设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

值得注意的是，上述基于内容更新通知装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

上述实施方式仅为本发明的优选实施方式，不能以此来限定本发明保护的范围，本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。